이 작성자와 연결된 문서를 한곳에서 모아보고, 관련 태그를 따라 같은 맥락의 문서를 이어서 탐색할 수 있습니다.
자주 함께 등장한 태그
총 29건 중 1-24건
Mecka는 사람에게 카메라와 센서를 착용시켜 작업 경험을 수집하고, 이를 로봇 학습에 쓸 수 있는 데이터로 만드는 공장을 구축하고 있다.
데이비드 실버와 라세 에스페홀트의 Ineffable Intelligence는 경험에서 스스로 지식을 발견하는 ‘슈퍼러너’를 목표로, 대규모 강화학습과 시뮬레이션을 통해 초지능의 가능성을 검증하려 한다.
루카 페라리가 설명하는 Bending Spoons의 운영 시스템은 인수한 디지털 사업을 공통 기술·인재·문화로 깊이 통합해 운영 성과를 높이고 자본의 장기 복리 성장을 추구하는 방식이다.
Google's AI Infrastructure Chief, Amin Vahdat, on the Physics & Economics of Frontier AI를 중심으로, AI 데이터센터는 시설과 하드웨어를 함께 설계해야 한다. 수백 킬로와트급 AI 랙은 기존 스토리지 랙과 전력·냉각·네트워크 요구가를 핵심 판단 포인트로 압축 정리한다.
CEO를 꿈꾸지 않았던 알리 고드시는 Databricks의 핵심 병목을 찾아 영업·제품·조직을 수년간 바꾸는 실행력으로 뛰어난 경영자로 성장했다.
Box의 아론 레비는 AI 시대의 재발명이 개인에게는 지속적인 학습과 직접 사용을, 기업에는 데이터·권한·업무를 연결해 AI를 현장에 확산시키는 실행력을 요구한다고 본다.
Making Cities Awesome: Peregrine’s Nick Noone & Ben Rudolph를 중심으로, 도시의 발전은 주민이 실제로 안전하고 안전하다고 느끼는 상태에서 시작되며, 공공안전은 공동체의 안정과 번영을 떠받치는 기반 인프라를 핵심 판단 포인트로 압축 정리한다.
Parallel’s Parag Agrawal: Building a New Web for AI Agents를 중심으로, 에이전트 검색은 인간 검색의 확장이 아니라 별도의 인프라 문제다. 에이전트는 길고 구체적인 질의를 사용하고 인간보다 최대 1,00를 핵심 판단 포인트로 압축 정리한다.
Rich Sutton and Khurram Javed: Why AI Models Stop Learning, and How to Start It Again를 중심으로, 학습은 별도의 훈련 단계가 아니라 목표를 가진 행동과 함께 계속되는 과정이다. 강화학습은 학습과 목표를 하나의 틀에서 다루며, 변를 핵심 판단 포인트로 압축 정리한다.
Continual Learning: How AI Agents Get Better With Every Use를 중심으로, 모델의 지능이 높아지는 것만으로는 조직의 업무 경험이 생기지 않으며, 실제 사용에서 얻은 경험이 지능과 결합해야 업무 성능으로 전를 핵심 판단 포인트로 압축 정리한다.
When to Build Your Own Agent Harness를 중심으로, 에이전트의 실질적인 지능은 모델 하나가 아니라 모델·컨텍스트·하네스의 결합에서 나오므로, 세 축을 통제해야 공급자 종속을 줄이고를 핵심 판단 포인트로 압축 정리한다.
Post Training Is How You Keep Your Taste를 중심으로, 생성형 AI로 앱 제작에 필요한 인력과 시간이 크게 줄면서, 애플리케이션 구현 자체는 복제하기 어려운 경쟁력이 되기 힘들어졌다를 핵심 판단 포인트로 압축 정리한다.
RL Environments Explained: How AI Agents Learn Real World Work를 중심으로, AI 데이터 시장은 저숙련 행동 복제와 선호도 수집에서 변호사·의사·엔지니어 등 고숙련 전문가가 환경과 평가 기준을 설계하는 구조를 핵심 판단 포인트로 압축 정리한다.
Harvey가 제한된 예산으로 연구소를 구축한 핵심은 모든 역량을 직접 소유하는 대신, 현실적인 법률 벤치마크를 중심으로 합성 데이터·오픈소스 모델·외부 연구 파트너·프로덕션 서빙을 하나의 검증 체계로 연결한 데 있다.
Chai Discovery의 ‘쓰디쓴 교훈’은 신약 설계도 결국 데이터·모델·연산을 확장하되 단순한 구조와 엄격한 실험 검증으로 일반화를 확인해야 하는 스케일링 문제라는 것이다.
Hardware Software Co Design이 AI의 진짜 100x인 이유는 단일 칩의 성능보다 모델, 소프트웨어 인프라, 하드웨어, 전력·공급망을 함께 맞출 때 효율 도약이 커지기 때문이다.
Memory and Continual Learning의 핵심은 더 큰 범용 모델보다, 조직과 개인의 업무 맥락을 시간이 지나며 실제로 배워 어제보다 더 유용해지는 모델을 만드는 데 있다.
Simulating Humans at Scale의 핵심은 더 똑똑한 AI가 아니라, 인간의 다양성·비합리성·사회적 상호작용을 실제 데이터 기반으로 모사해 의사결정을 실험 가능한 대상으로 만드는 데 있다.
“Why the Model Eats the Harness”의 핵심은 Gemini와 Antigravity가 보여주듯, 에이전트 하네스가 제품 실행 레이어로 커지다가 결국 모델 내부 기능으로 흡수되며 AI 제품의 차별화 지점이 이동한다는 것이다.
NVIDIA의 Jensen Huang은 AI 팩토리를 전기와 인터넷에 이은 지능 시대의 다이너모로 보고, 향후 기업 투자의 중심이 저장·검색형 데이터센터에서 실시간 지능 생산 인프라로 이동한다고 설명한다.
David Senra가 400+ Founders를 연구하며 얻은 핵심은 위대한 창업자는 정해진 성공 공식이 아니라, 자신에게 맞는 문제에 대한 집착·집중·장기 지속력으로 설명된다는 점이다.
“Knowing What Your Customers Want, All the Time”의 핵심은 AI 음성 인터뷰와 누적 고객 데이터로 고객이 무엇을 원하는지 상시 파악하고, 제품·마케팅·전략 의사결정의 병목을 줄이는 것이다.
“AI That Designs Its Own Chips”는 Ricursive가 AI로 칩 설계 병목을 줄이고, 더 나은 칩이 다시 AI를 강화하는 자기강화 루프를 만들려는 이야기입니다.
ElevenLabs의 Mati Staniszewski가 말하는 핵심은, Voice가 AI의 Interface가 되려면 단순한 음성 합성을 넘어 감정·인증·워크플로까지 포함한 오디오 플랫폼으로 진화해야 한다 는 점이다.
