언어 모델을 넘어: Jensen Huang이 개방형 AI 연구를 생물학, 날씨, 컴퓨팅의 미래와 연결하는 이유
서론: AI를 챗봇으로만 취급하면 무엇을 잃는가?
대화 시스템은 인공지능 [AI]을 쉽게 알아볼 수 있게 합니다. 사람들은 질문을 입력하고 답을 읽을 수 있습니다. 그러나 언어는 세계를 표현하는 방법 중 하나일 뿐입니다.
생물학, 화학, 날씨, 물리적 시스템에는 일상 대화로 축소할 수 없는 정보가 있습니다. 개방형 AI 연구에 대한 Jensen Huang의 주장은 이 광범위한 과학적 기회를 실용적인 컴퓨팅 문제와 연결합니다. 하드웨어 설계자 [Hardware Designers]는 미래 모델 [Models]이 시스템에 어떤 작업을 요구할지 이해해야 합니다.
이 주장에는 여러 부분이 있습니다. 개방형 작업은 연구를 지원하고 참여를 넓히며 컴퓨팅 산업이 자체 아키텍처 [Architecture]의 어느 부분을 바꿔야 하는지 배우도록 도울 수 있습니다.
1. 모델을 만들면 컴퓨팅 회사는 무엇을 만들어야 하는지 배웁니다
AI 인프라 [Infrastructure]를 설계하는 회사는 과거 모델의 요구사항에만 의존할 수 없습니다. 미래 시스템을 형성할 수 있는 작업을 직접 경험해야 합니다.
모델 아키텍처 [Model Architecture] 연구는 그 경험을 만듭니다. 접근법에 따라 메모리 [Memory], 데이터 이동 [Data Movement], 프로세서 [Processors], 그 사이의 연결에 서로 다른 요구가 생길 수 있습니다.
Huang은 NVIDIA의 모델 연구를 더 넓은 공동 설계 [Co-design] 전략과 연결합니다. 모델 연구는 모델이 필요로 하는 시스템을 이해하는 또 다른 방법을 제공합니다.
이는 회사가 모든 분야에서 최종 애플리케이션 제공자 [Application Provider]가 되려 하지 않아도 연구에 가치를 부여합니다. 배운 내용은 다른 사람들이 사용하는 컴퓨팅 플랫폼 [Computing Platform]에 반영될 수 있습니다.
2. 개방성은 더 많은 사람에게 실험할 여지를 줍니다
모든 유용한 모델이 완성된 독점 서비스 [Proprietary Service]로만 제공된다면 연구자와 소규모 조직은 검토, 수정, 그 위에 구축할 자유가 줄어듭니다.
개방형 모델 [Open Models]은 다른 경로를 만들 수 있습니다. 연구자는 접근법을 시험하고 행동을 연구하며 원래 개발자의 우선순위가 아니었던 응용 분야를 탐구할 수 있습니다.
이 기회는 산업과 국가 전반에 중요합니다. 대학 연구실, 엔지니어링 팀, 전문 과학 그룹은 서로 다른 접근 방식이 필요할 수 있지만 각자 작업을 수행할 여지로부터 모두 혜택을 얻습니다.
개방성은 모든 실험의 성공을 약속하지 않습니다. 모두가 무에서 출발하도록 요구하지 않으면서 학습하고 기여할 가능성을 넓힙니다.
3. "개방"이라는 말에는 정확한 의미가 필요합니다
모델 가중치 [Model Weights], 학습 코드 [Training Code], 학습에 사용한 데이터, 그 데이터를 준비한 방법은 서로 다른 것입니다.
하나를 제공한다고 나머지도 자동으로 제공되는 것은 아닙니다. 오픈 웨이트 공개 [Open-weight Release]는 원래 학습 과정을 재현하는 데 필요한 모든 것을 제공하지 않아도 유용할 수 있습니다.
모델을 선택하는 사람에게 실용적인 질문은 실제 공개 내용이 무엇을 허용하는지입니다. 팀이 모델을 검토하고 수정하며 의도한 목적에 배포 [Deploy]하고 한계를 이해할 수 있습니까?
교훈은 명칭 너머를 보라는 것입니다. 유용한 개방성의 정도는 제공된 자료와 거기에 붙은 조건에 달려 있습니다.
4. 과학 AI에는 일상 언어를 넘어선 표현이 필요합니다
기상 모델 [Weather Model]은 물리적 시스템의 행동을 다룹니다. 생물학 연구는 구조와 상호작용을 다룹니다. 로보틱스 [Robotics]는 지각 [Perception]과 행동을 변화하는 환경에 연결합니다.
언어는 사람들이 이 문제를 설명하는 데 도움이 되지만 근본 정보와 관계에는 다른 표현 [Representations]이 필요할 수 있습니다. 따라서 진전에는 대규모 언어 모델 [Large Language Model]의 대화 능력을 높이는 것 이상이 필요합니다.
Huang의 더 넓은 비전은 전문 모델에 더 큰 시스템 속의 자리를 줍니다. 에이전트 [Agent]는 모든 질문에 언어만으로 답하려는 대신 과학 모델을 도구 중 하나로 사용할 수 있습니다.
이는 유용한 초점 전환입니다. 목표는 하나의 모델에 모든 능력이 있기를 기대하는 것이 아니라 작업에 맞는 능력에 접근하는 것이 됩니다.
5. 플랫폼은 대체할 의도가 없는 산업도 지원할 수 있습니다
컴퓨팅 회사가 그 분야에 기여하기 위해 최종 자동차를 만들거나 최종 약을 발견하거나 모든 과학 기관을 운영할 필요는 없습니다.
전문가가 자신의 일을 하도록 모델 [Models], 도구, 인프라 [Infrastructure]를 제공할 수 있습니다. 전문가는 범용 플랫폼이 혼자 제공할 수 없는 도메인 지식 [Domain Knowledge], 실험, 현실적인 제약을 가져옵니다.
이 분업은 개방형 연구와 상업 제품이 공존할 수 있는 이유도 설명합니다. 독점 애플리케이션 [Proprietary Application]은 한 목적을 수행하는 동시에 공유 연구 기반은 더 넓은 공동체를 지원할 수 있습니다.
경계는 명확해야 합니다. 모델 접근은 시작이지 과학적 또는 운영상 의사결정에 사용할 준비가 되었다는 증거는 아닙니다.
결론: 다음 플랫폼은 서로 다른 종류의 지능을 위한 공간을 마련해야 합니다
개방형 AI 연구에 대한 Huang의 주장은 또 다른 챗봇을 내놓는 것보다 넓습니다. 컴퓨팅 설계를 과학적 탐구, 다른 사람들의 구축 능력과 연결합니다.
기회는 무엇이 개방되어 있고 무엇을 평가할 책임이 사용자에게 남는지 정확히 하면서 일반 도구와 전문 지식을 결합하는 데 있습니다.
플랫폼이 서로 다른 작업을 지원할 수 있으면 AI는 더 유용해집니다. 언어는 그 미래로 향하는 중요한 인터페이스 [Interface]입니다. 미래의 전부는 아닙니다.
Powered By K7