이 작성자와 연결된 문서를 한곳에서 모아보고, 관련 태그를 따라 같은 맥락의 문서를 이어서 탐색할 수 있습니다.
자주 함께 등장한 태그
Show It or Tell It?에 대한 답은 하나를 고르는 것이 아니라, 과제·사용자·맥락에 따라 텍스트, 시각화, 그리고 결합의 역할을 다르게 설계하는 것이다.
Stanford CS153의 Frontier Systems 논의는 프런티어 생태계의 승부가 모델 접근성보다 기업이 자기 데이터·평가 환경·컴퓨트 인프라로 고유 IP를 계속 축적할 수 있느냐에 달려 있음을 보여준다.
AI Supercycle의 핵심은 Coding AI가 소프트웨어 창작자를 늘리는 데서 끝나지 않고, 배포·실행·토큰·샌드박스·보안까지 포함한 새 인프라 경제를 만든다는 점이다.
Building AI Factories의 핵심은 GPU를 많이 사는 문제가 아니라, 전력·냉각·네트워크·건설 노동·입지를 묶어 디지털 노동을 생산하는 거대한 AI 공장을 실제로 지을 수 있느냐에 있다.
AI in Healthcare의 핵심은 Open Evidence 같은 임상 도구의 확산보다, 환자 접근권·병원 사이버보안·지불 구조를 함께 설계해야 한다는 점이다.
Stanford MS&E435의 AI Supercycle 강연은 Applied AI의 승부처가 더 좋은 앱 자체를 넘어, 폭증하는 인퍼런스를 싸고 빠르고 안정적으로 운영하는 커스텀 모델·후훈련·컴퓨트 확보 능력으로 이동하고 있음을 보여준다.
Stanford CS336 Language Modeling from Scratch의 Dan Fu 강의는 언어모델의 다음 병목이 모델 학습 자체보다 추론 엔진, GPU 커널, KV 캐시, 프리필·디코드 분리, 반복 구조 설계에 있다는 점을 보여준다.
The Modern Motivators of Play의 핵심은 현대 게임 설계가 경쟁과 숙련만이 아니라 자기표현, 동반감, 스트레스 완화, 교육까지 포함한 플레이어 동기에서 출발해야 한다는 점이다.
Stanford CS25의 Native Multimodal Intelligence 논의는 Language Models의 토큰화·스케일링 원리를 이미지·오디오·비디오로 확장하되, 멀티모달 생성과 이해를 하나의 표현으로 통합하는 문제는 아직 열린 연구 과제임을 보여준다.
Stanford CS336 Lecture 17: Alignment Multimodality는 텍스트 중심 언어 모델을 이미지·비디오까지 다루는 멀티모달 모델로 확장할 때, 핵심 병목이 “비텍스트 정보를 어떤 토큰·임베딩으로 바꿔 transformer에 넣고 학습할 것인가”에 있음을 보여준다.
Serving Transformers의 핵심은 모델을 잘 만드는 것을 넘어, 워크로드·지연 시간·하드웨어·관측성·최적화를 함께 설계해 실제 inference를 안정적으로 돈이 되는 서비스로 만드는 것이다.
Geometry in Robot Learning의 핵심은 로봇 학습을 무작정 더 큰 데이터와 모델로 밀어붙이기보다, 기하·대칭성·좌표계 구조를 모델에 넣어 데이터 효율성과 자세 일반화를 높이려는 것이다.
Stanford CME296 Diffusion & Large Vision Models Lecture 8의 핵심은 이미지 생성이 DDPM·score matching·SDE를 거쳐 flow matching과 DiT 중심으로 정리되고, 그 흐름이 비디오 생성·이미지 편집·텍스트 확산까지 확장된다는 점이다.
Stanford CME296 Lecture 7 Evaluation은 텍스트 이미지 생성 모델 평가가 “보기 좋은가”와 “프롬프트를 따르는가”에서 출발해, 인간 선호·분포 기반 지표·지각 유사도·멀티모달 judge까지 확장되는 문제임을 보여준다.
The Road Ahead: Resilience Required의 핵심은 사이버보안이 데이터 유출 대응을 넘어 운영 복원력, 투명한 커뮤니케이션, 법적 책임을 동시에 견디는 리더십 문제로 바뀌었다는 점이다.
Stanford CS336의 Post Training RLVR 강의는 RLHF의 보상 모델 한계를 넘어, 검증 가능한 보상을 가진 수학·코딩형 문제에서 GRPO와 RLVR이 어떻게 thinking model의 핵심 학습 경로가 되는지를 설명한다.
Stanford CS153에서 Jensen Huang은 Frontier Systems와 NVIDIA의 지능 뒤 컴퓨트 가 단순 GPU 성능 경쟁이 아니라, AI 시대의 소프트웨어·아키텍처·에너지·산업 전략 전체를 다시 설계하는 문제라고 설명한다.
