정의
언러닝-러닝 프레임워크는 AI 모델의 capability가 급격히 향상됨에 따라, 이전 단계에서 구축한 복잡한 엔지니어링 장치(harnes)를 지속적으로 버리고(unlearn) 모델에게 더 많은 자율성을 부여하여 더 나은 결과를 얻는 반복적 학습 방법론이다. 이는 “harness의 관료적 제약보다 최소한의 가드레일만 치고 모델에게 맡기는 것이 더 좋은 산출물을 만든다”는 관찰에 기반한다.
핵심 속성
- 주기성: 모델 개선 → 기존 harness 제거 → 모델 능력 향상 → harness 제거 반복
- 비용 효율: 복잡한 harness 유지・관리 비용보다 모델 자체에 맡기는 것이 궁극적으로 더 효율적
- 타이밍 민감도: 새로운 모델 세대가 등장할 때마다 이전 harness를 과감히 버리는 타이밍이 중요
- 최소 가드레일: 안전, 프라이버시 등 필수 제약만 남기고 나머지는 모델에 위임
관계
- 20260607-engineer-shift-to-problem-finding — 실천적 함의: 엔지니어의 역할 재정의
- 20260607-ai-transformation-needs-champion — 조직 차원의 unlearn-learn 적용 사례
- 20260607-human-cognitive-bottleneck-speed-superintelligence — unlearn 주기 가속화가 인간 병목을 심화
인용
“harness가 다시 한번 모델에 그냥 capability overhang으로 들어가 버렸거든요. 그걸 관료적으로 제약하는 것보다 최소한의 가드레일만 치고 모델에게 맡기는 게 사실 산출물이 더 좋아지는 세상으로 빨리 가고 있거든요.”
출처
- 📎 클리핑: 20260613-ep77-ko-transcript