# \#article **URL:** https://discuss.pytorch.kr/tag/article/511.md [최신](https://discuss.pytorch.kr/latest.md) · [카테고리](https://discuss.pytorch.kr/categories.md) · [태그](https://discuss.pytorch.kr/tags.md) --- ## [\[GN⁺\] HashiCorp 공동 창업자 Mitchell Hashimoto의 AI 도입 여정(My AI Adoption Journey)](https://discuss.pytorch.kr/t/gn-hashicorp-mitchell-hashimoto-ai-my-ai-adoption-journey/8944)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [2월 8, 2026, 3:00오전 UTC](https://discuss.pytorch.kr/t/gn-hashicorp-mitchell-hashimoto-ai-my-ai-adoption-journey/8944 "2026-02-08T03:00:24Z")
HashiCorp 공동 창업자의 '나의 AI 도입 여정(My AI Adoption Journey)' 글 소개 HashiCorp를 엑싯하고 Ghostty를 만들고 있는 미첼 하시모토가 AI 도구를 실제 업무에 통합하기까지의 과정을 정리 비효율 → 적응 → 생산성 향상의 세 단계로 구분하며, 각 단계에서의 시행착오와 학습 과정을 구체적으로 기록 챗봇 기반 코딩의 한계를 인식한 뒤, 에이전트 기반 도구로 전환하면서 본격적으로 가치를 발견 기존에 수동으로 완료한 커밋을 에이전트로 재현하는 훈련을 통해 작업 분해, 계획/실행 분리, 자동 검증이 핵심임을 체득 하루 업무의 마지막 30분을 활용해 야간 자동화 작업을 수행하고, 반복 가능한 단순 업무를 에이전트에 위임하는 방식으로 실질적 생산성 향상 현재는 항상 하나의 에이전트를 실행하며, 오류 방지를 위한 ‘하니스 엔지니어링’ 을 병행해 AI와 인간의 협업 효율을 극대화하는 단계 도입 배경과 접근 방식 새로운 도구를 도입할 때마다 비효율 → 적정 → 혁신의 세 단계를 거쳐야 함 기존 워크플로에 익숙하기 때문에 초기 도입은 불편하지만, 장기적으로는 생산성 향상으로 이어짐 AI 도구에 대한 과도한 기대나 비판 대신, 실제 사용 경험에 기반한 균형 잡힌 시각을 제시함 1단계: 챗봇에서 벗어나기 ChatGPT, Gemini 등 챗봇 인터페이스를 통한 코딩은 사전 학습에 의존하며, 오류 수정이 사람의 반복 피드백에 의존하므로 비효율적 Zed의 커맨드 팔레트 스크린샷을 Gemini에 붙여넣어 SwiftUI로 재현한 것이 첫 "놀라운 순간"이었고, Ghostty macOS 커맨드 팔레트의 기초가 됨 그러나 브라운필드 프로젝트(기존 코드베이스) 맥락에서는 챗봇이 자주 나쁜 결과를 생성했고, 코드와 출력을 복사·붙여넣기하는 과정이 직접 작업보다 비효율적 가치를 얻으려면 반드시 에이전트를 사용해야 하며, 에이전트란 LLM이 외부 행동을 반복 호출할 수 있는 도구로 최소한 파일 읽기, 프로그램 실행, HTTP 요청 기능… --- ## [\[GN⁺\] Andrej Karpathy의 2025년 LLM 연간 리뷰](https://discuss.pytorch.kr/t/gn-andrej-karpathy-2025-llm/8467)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 0\ **마지막 업데이트:** [12월 21, 2025, 10:30오전 UTC](https://discuss.pytorch.kr/t/gn-andrej-karpathy-2025-llm/8467 "2025-12-21T10:30:05Z")
Andrej Karpathy의 2025년 LLM 연간 리뷰 소개 2025년은 검증 가능한 보상 기반 강화학습(RLVR) 이 LLM 훈련의 새로운 핵심 단계로 부상하며, 기존 사전훈련-SFT-RLHF 파이프라인에 추가됨 LLM이 수학·코드 퍼즐 등 검증 가능한 환경에서 스스로 추론 전략을 발전시키며, 인간이 보기에 "사고"처럼 보이는 문제 해결 방식을 습득함 Cursor가 LLM 앱의 새로운 레이어를 정의하며, 특정 버티컬에서 컨텍스트 엔지니어링과 복잡한 LLM 호출 오케스트레이션을 수행하는 방식 제시 Claude Code가 사용자의 로컬 컴퓨터에서 실행되는 LLM 에이전트의 첫 설득력 있는 사례로 등장하며, AI와의 새로운 상호작용 패러다임 제시 바이브 코딩(Vibe Coding) 이 비전문가도 영어만으로 프로그램을 만들 수 있게 하며, 소프트웨어 개발의 민주화와 직업 정의 변화 예고 1. 검증 가능한 보상 기반 강화학습(RLVR)의 부상 2025년 초까지 LLM 프로덕션 스택은 사전훈련(Pretraining), 지도 미세조정(SFT), 인간 피드백 강화학습(RLHF) 의 3단계 구조였음 RLVR(Reinforcement Learning from Verifiable Rewards) 이 새로운 주요 단계로 추가되어, 수학·코드 퍼즐 등 자동 검증 가능한 보상에 대해 LLM을 훈련시킴 LLM이 스스로 문제를 중간 계산 단계로 분해하고 다양한 문제 해결 전략을 개발하는 "추론"과 유사한 행동을 자발적으로 습득 이러한 전략은 최적의 추론 트레이스가 무엇인지 불명확하여 이전 패러다임에서는 달성하기 어려웠음 LLM이 보상 최적화를 통해 자신에게 맞는 방식을 스스로 찾아야 함 SFT/RLHF와 달리 RLVR은 객관적이고 게이밍 불가능한 보상 함수에 대해 훨씬 긴 최적화가 가능 RLVR의 높은 비용 대비 성능(capability/$) 으로 인해 원래 사전훈련용 컴퓨팅 자원이 RLVR로 재배치됨 2025년 역량 진보의 대부분은 유사한 크기의 LLM에 더 긴… --- ## [\[GN⁺\] LLM이 결코 할 수 없는 것](https://discuss.pytorch.kr/t/gn-llm/4244)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 2\ **마지막 업데이트:** [5월 2, 2024, 5:33오전 UTC](https://discuss.pytorch.kr/t/gn-llm/4244 "2024-05-02T05:33:18Z")
소개 \[ LLM의 한계 \] LLM의 목표 이탈과 낮은 신뢰도에 대하여, 또는 LLM이 왜 Conway's Game of Life를 못하는가 지난 몇 년 동안 LLM이 해결할 수 없다고 생각했던 문제들을 훌륭하게 해결했음에도 불구하고, 여전히 간단해 보이는 질문에 답하지 못하는 이유가 불분명함 지난 몇 주간 LLM의 실패 모드를 파악하려고 노력함. 이상한 내용이긴 하지만 흥미로운 주제로 생각됨. AI의 실패는 그 성공보다 더 많은 것을 가르쳐줌 근본적으로 LLM이 결국 수행하게 될 많은 작업을 위해서는 일일이 평가가 필요하다는 점에서 출발했지만, 추론 능력의 한계를 파악해서 학습 능력을 신뢰할 수 있는 방법을 찾는 데 집중함 LLM의 추론 능력을 평가하는 것은 어려움 추론 능력을 학습 데이터와 분리하는 것이 어려움 반복적으로 추론하고 질문에 답할 수 있는 능력을 테스트할 방법을 찾고자 함 만족할 만한 기준을 충족하는 가장 간단한 버전으로 시작 3x3, 4x4, 5x5 크기의 단어 그리드를 연속적으로 만들 수 있는지 여부 평가는 쉽게 만들 수 있고, 쉽게 평가할 수 있으면서도 수행하기 어려워야 함 모든 최신 대형 언어 모델(Opus, GPT-4 포함)이 이 작업에 실패함 이 모델들은 경제학, 양자역학 등 난해한 질문에 답하고, 코딩, 그림, 음악, 비디오 제작, 전체 애플리케이션 생성, 심지어 높은 수준의 체스 게임도 가능함 그러나 스도쿠는 할 수 없음 Reversal Curse LLM에는 모델이 "A는 B다"라는 형식으로 학습하면, "B는 A다"라는 역방향으로 일반화하지 못한다는 Reversal Curse가 있음 예를 들어 모델이 "Valentina Tereshkova는 우주여행을 한 최초의 여성"이라고 학습하면, "우주여행을 한 최초의 여성은 누구인가?"라는 질문에 자동으로 대답하지 못함 게다가 정답("Valentina Tereshkova")의 가능성이 무작위 이름보다 높지 않음 모델은 사람들 사이의 관계를 이해하도록 잘 일반화하지… --- ## [Google Cloud, 생성형 AI 강좌 공개 (무료/영어)](https://discuss.pytorch.kr/t/google-cloud-ai/1745)
**Author:** [@9bow](https://discuss.pytorch.kr/u/9bow)\ **댓글:** 3\ **마지막 업데이트:** [6월 9, 2023, 12:57오전 UTC](https://discuss.pytorch.kr/t/google-cloud-ai/1745 "2023-06-09T00:57:52Z")
소개 Google Cloud:cloud:에서 생성형 AI(Generative AI) 무료 강좌를 공개했습니다 :tada: 2023년 6월 6일 현재, 총 10개의 강좌(9개 Course, 1개 Quest)들이 공개되어 있습니다. 전체적으로 Google Cloud를 사용하도록 강좌가 구성되어 있지만, 그것을 감안하더라도 주제들이 넘나 좋네요! (...라고 TLDR뉴스 레터가 그랬습니다!:rofl:) :person\_tipping\_hand: 강좌는 영어로만 제공되지만, 우측 아래의 설정 버튼:gear:을 눌러 자동 번역된 자막을 보실 수도 있습니다! :smiley: 강좌 구성 (과정) 생성적 AI 입문 (과정) 대규모 언어 모델 입문 (과정) 책임형 AI 입문 (과정) 이미지 생성 입문 (과정) 인코더-디코더 아키텍처 (과정) 어텐션 메커니즘 (과정) 트랜스포머 모델과 BERT 모델 (과정) 이미지 캡션 모델 만들기 (과정) 생성형 AI 스튜디오 소개 (퀘스트) 생성형 AI 익스플로러 - Vertex AI (Course) Introduction to Generative AI (Course) Introduction to Large Language Models (Course) Introduction to Responsible AI (Course) Introduction to Image Generation (Course) Encoder-Decoder Architecture (Course) Attention Mechanism (Course) Transformer Models and BERT Model (Course) Create Image Captioning Models (Course) Introduction to Generative AI Studio (Quest) Generative AI Explorer - Vertex AI 생성형 AI 강좌 신청 / 보기