▲

AI 발전을 따라잡는 나만의 방법 (그리고 당신도 꼭 해야 하는 이유)

 (blog.nilenso.com)
53P by neo 1일전 | ★ favorite | 댓글 3개
  • 생성형 AI는 가장 빠르게 진화하는 기술로, 과소평가와 과대평가 모두 위험함
  • 공신력 있는 출처와 신뢰할 수 있는 전문가를 꾸준히 팔로우하는 것이 필수적임
  • Simon Willison’s Blog, Andrej Karpathy, Every’s Chain of Thought 등 균형 잡힌 정보 파이프라인 추천
  • 공식 AI 연구소 발표, 엔지니어링 블로그, 논문은 기술 실제 진보와 한계를 파악하는 데 필수임
  • 트위터/X, 뉴스 큐레이션, 전문가 리스트 등 다양한 채널로 최신 흐름과 심층 분석 모두 접근 가능

서론: AI의 오해와 정보 오염

  • 생성형 AI는 필자의 일생에서 가장 빠르게 발전하는 기술임
  • 하지만 AI에 대한 오해 역시 만연하며, 정보 환경 자체가 매우 혼란스러운 상황임
  • 관련 기술을 충분히 이해하지 못한 기업, 정부, 혹은 사람들이 오용하거나 심각한 피해를 초래하는 사례가 실제로 발생함
  • AI를 과소평가하거나(“곧 사라질 유행” 취급) 과대평가(“프로그래머가 더 이상 필요없음”)하는 양극단 오해가 존재함
  • 올바른 기술 이해 부족이 이런 오해의 근원임

AI 정보 습득의 접근법

  • AI 관련 정보를 올바르게 이해하는 일은 생각보다 쉽지 않음
  • 왜곡된 정보, 과장 혹은 억압된 담론이 일상적으로 노출되는 환경임
  • 의도적이고 체계적으로 정보를 선별하지 않으면 오류, 과장, 왜곡에 쉽게 노출될 위험이 있음
  • 필자는 균형 잡힌 정보 파이프라인을 구축하여 도움을 받고 있으며, 이를 초심자에게 좋은 시작점으로 추천함

정보 습득의 일반 원칙

  • 원천 자료와 가까운 정보를 참고하는 것이 중요함
    • AI 연구소의 공식 발표나 주요 인물의 의견을 1차 소스로 확인해야 함
    • 2차, 3차 보도를 신뢰하지 않는 자세 필요
  • 신뢰할 수 있는 전문가의 코멘트를 적극적으로 찾아 참고해야 함

추천 정보 출발점

Every’s Chain of Thought

공식 AI 연구소 자료 모니터링 하는 법

주목할 AI 전문가와 실전 엔지니어

  • 오픈소스 도구 제작, AI 엔지니어링 실무 경험 보유 전문가들의 정보가 공식 가이드보다 실질적으로 도움이 되는 경우가 많음

대표 추천 인물 및 블로그

AI 뉴스/미디어 및 커뮤니티 활용

AI 심화 토론/자료 커뮤니티

정보 습득 실전 방법

  • 모든 소스를 완벽하게 챙길 필요 없이 트위터 피드 신문 읽듯이 접근하는 것이 실천적 방법
  • 흥미로운 글을 발견하면 해당 저자를 팔로우하고, 그의 다른 작업도 챙겨보는 식의 확장적 탐독도 추천
  • 과거 음악 탐색과 유사한 정보 탐색 방식임
  • 지적 탐색의 재미로 접근하면 의무감이 아닌 즐거움이 될 수 있음

결론 및 추천 리스트

  • 제공된 트위터/X 리스트를 통해 위의 전문가와 실무자를 한 번에 팔로우 가능함
  • 곧 RSS 포맷의 리스트도 추가할 예정

트위터 리스트 바로가기

▲
GN⁺ 1일전  [-]
Hacker News 의견

  • LLM이 어떻게 동작하는지 기본적으로 이해하고 있으면, PR 담당자, 블로거, 업계 리더, 인터넷 사상가들의 꾸준한 콘텐츠를 전부 따라갈 필요 없다고 생각함
    오히려 그런 인터뷰나 글을 따라가다 보면 실제로는 도움되지 않는 이상한 유행을 따라가게 될 위험이 있음
    실제로 모델 간 차이점은 몇 년 동안 정도의 차일 뿐 본질적 차이는 크지 않았음, 현재 대부분의 변화는 도구나 통합 작업에서 이루어짐
    LLM은 결국 "텍스트 모델"이고 기저 지식 없이 생성됨을 항상 기억할 필요가 있음, 그럼 어디에 유용한지, 어디에는 적합하지 않은지 선별 가능함

    • 이런 의견에 정말로 동의함, 해당 블로그의 '핵심 신호(high signal)' 리스트도 실제로는 자기 홍보 인물이 대부분임(물론 일부는 좋은 분들이지만)이라 느꼈음, 인사이트보다는 '버즈'에 가까운 구성
      "내 평생 AI가 가장 빠르게 발전한 기술이었다"는 주장도 개인적으로 크게 공감하지 못함
      나는 SVM이 뜨던 시절부터 "신경망은 농담" 취급당하던 상황, 그리고 딥러닝, 다양한 DL 프레임워크가 폭발적으로 늘어나던 10여 년을 겪었음
      당시도 10년 사이 정말 급격한 발전이 있었음
      웹에서는 JS가 오직 UX 보완용이던 게, 단일 페이지 앱이 표준이 되기까지 같은 변화였음
      핵심은 '핵심 인플루언서 리스트'에 오르는 게 아니라면, 그냥 묵묵히 본인에게 중요한 시점까지 기다리는 편이 훨씬 나은 전략임
      나도 backbone.js 시절 이후 10년간 웹개발 트렌드를 다 무시하고 있다가 React 필요해진 시점에 며칠 공부해서 바로 쓸 수 있었음
      LSTM도 5년 전에는 모두가 구현법을 배우려 하다가, 지금은 트랜스포머 때문에 구식이 됨
      커리어 내내 느낀 건, '빠르게 움직인다'는 건 '성숙하지 않다'는 의미임
      오히려 예전 통계 모델(GLM 등)과 그것들의 여전히 실질적인 활용법을 익히는 편이, 그때그때 유행하는 'prompt hack'을 좇는 것보다 현업에서 훨씬 생산적인 해결책이 되어줌
    • LLM 구조만 어느 정도 알면 LLM 관련 새 소식들은 대부분 두 가지 부류로 나뉨
      첫째는 기존 툴과 약간 다르거나, 약간 더 나은 성능을 내는 새 도구임(기존에 없는 기능이면 쓸 만하지만, 대부분은 곧 구식이 됨)
      Kimi-K2, GPT 4.1 같은 이름도 몇 달 후면 아무도 언급하지 않을 수 있음
      둘째는 진짜로 모델에 새로운 능력이 추가된 경우임
      예를 들면, RL(reinforcement learning), chain of thought, 실제로 동작하는 코딩 에이전트, 끝판왕급 멀티모달 모델, 똑똑한 도구 연동 등임
      이런 큰 도약이 있을 때만 주목하면 충분함
      실제로 500포인트 넘는 HN 글만 훑어봐도 최신 흐름은 자연히 알게 됨
      LLM의 진짜 역량을 익히는 최고의 방법은 블로그, 영상 따위가 아니라, 직접 만들어보고 부딪쳐 보는 경험이라 생각함
    • 전적으로 동의함. 학생들에게 항상 이렇게 강조함
      • 1. 남의 경험에 지나치게 몰두하지 말고, 자기만의 직접적 경험에 집중할 것
      • 2. 블로그 읽기보다는 직접 앱을 만들어볼 것
      • 3. 각자의 경험은 엄청난 차이가 있으니 남의 생각을 그대로 따르지 말 것
      • 4. 트위터, 서브스택에서 연구자나 개발자를 무턱대고 좇지 말 것(대부분 자기 쇼케이스임)
      • 5. 불안, FOMO에 시간 낭비하지 말고, 직접 해보면서 익힐 것. 진짜 중요한 변화는 어차피 나중에라도 반드시 알게 됨
      • 6. 정보를 아는 건 중요하나 정보 자체에 강박적으로 집착하지 말 것. 시간을 스마트하게 배분할 것임. 학생들에게 항상 이 포인트를 강조함
    • 사실 이런 점은 연구계도 마찬가지임
      원래 연구는 99%가 점진적 발전임(이것 자체가 괜찮은 현상임, 거기에 좌절하지 말 것)
      논문 대부분은 필요 이상으로 길고, 제대로 읽다 보면 수학적 직관만 있어도 어느 정도 예측 가능함(아이디어만 알면, 결과도 미리 가늠됨)
      분야가 빠르게 변한다고 느끼기 쉽지만 실제로는 속도가 그렇게까지 빠르지 않음
      나 역시 개인 사정으로 1년을 쉬고 돌아왔을 때, 크게 변한 게 없다는 점을 깨달았음
      이런 관점이 있으면 '유지'라는 압박에서 벗어날 수 있음
      지금 힘들다면 아직 전문성이 좀 부족하다는 뜻이지, 뒤처졌다는 의미가 아님
      누구든 뛸 줄 알아야 한 발짝 뒤따라도 갈 수 있듯, 조급함은 내 머릿속 걱정일 뿐임
    • LLM을 설명할 때 가장 흥미로워하는 부분은 아키텍처보다는 '토큰별 예측(오토리그레션)'과 반드시 확률이 제일 높은 토큰이 아니라 확률에 비례해 샘플된다는 점임
      실제 코어 알고리즘(다음 토큰 예측 방식) 자체는 대부분의 비전공자에겐 와닿지 않음
      dot product, embedding 같은 세부 내용은 아무도 신경 쓰지 않음. 설명해봤자 남기 힘들고, 큰 도움이 되지 않음

  • 반드시 '최신 트렌드'를 따라갈 필요 없음, 그저 느슨하게 관심 가지고 내 효율을 진짜로 높여줄 기능/기법만 선별적으로 실험하면서 쓸 것만 쌓는 게 좋다고 생각함(누가 X에서 뭘 추천했다는 등은 별로 신뢰 안함). 오히려 AI 과대망상에 부정적 시각인 연구자들의 의견을 들으며 많이 배울 수 있었음[https://x.com/burkov]. 현 상황에서 너무 많은 과장, 변화, 불확실성이 존재함. 진짜 혁신이 나타나면 HN(혹은 주류 커뮤니티)에서 반드시 들을 수 있음

    • 직접 몇 시간이라도 써보는 게 여러 시간 자료 읽는 것보다 훨씬 값진 학습임

  • 글이 "왜"를 잘 설명하지 않아, 리스트의 "어떻게"에 설득력이 떨어진다고 느낌. 나의 소중한 시간은 다른 데 써도 충분함

    • 진짜 뭔가를 '계속 따라가야 하나' 의문이 생김. 실질적으로 의미 있는 혁신은 결국 대중화되고 나에게도 자연히 다가옴. 엑셀이나 구글독스도 처음에는 별 관심 없다가, 대중화된 후에도 충분히 잘 익혀 쓰는 중임. AI 스타트업 런웨이가 얼마 안 남은 경우처럼, 급하게 쫓아가야 할 이유가 명확할 때가 아니라면 조급할 필요 없음

  • Gergeley Orosz의 "Pragmatic Engineer" 뉴스레터 구독 중임(요즘 AI 주제 많음), Gary Marcus의 서브스택도 체크함(좀 더 LLM 회의적 관점임)
    https://newsletter.pragmaticengineer.com/
    https://substack.com/@garymarcus
    또 Langchain, PydanticAI 같은 파이썬 패키지 뉴스도 자동으로 팔로업함(이런 프로젝트가 업계 실질 트렌드를 어느 정도 반영함). X(트위터)는 이제 안 쓰지만, Simon Willison 같은 분은 BlueSky, Mastodon에도 종종 글을 올림. Sebastian Raschka, Chip Huyen 등은 LinkedIn에도 포스트함. 여기저기 흩어져 있지만 결국 중요한 소식은 대부분 접하게 됨

  • 내가 중요한 내용을 놓치고 있었을 수도 있지만, 핵심적이고 의미 있는 업데이트는 자연스럽게 HN 메인이나 코멘트에서 언급되기 마련임

    • 업계 동향을 따라잡으려는 건 시속 140km 트레드밀 위에 뛰어오르는 것과 같음. 그냥 뛰는 것 자체를 포기함. AI(특히 LLM)는 일시적 유행이 아니라는 점은 동의함, 하지만 지금은 변화가 너무 심함. 꼭 필요해지기 전까지는 긴 시간 투자하지 않을 예정임. 몇 년 지나면 업계 판도가 더 명확해질 거라 기대함. 아니더라도, 그동안 빨리 무의미해질 트렌드에 시간 낭비하지 않을 수 있음. 참고로 나는 현재 AI나 LLM을 실제 업무에 전혀 활용하고 있지 않음
    • 회사들이 엄청난 투자와 R&D를 들인 만큼, 오히려 자기 기술을 감추려 하지 않음(비밀주의와는 반대임)
    • IT 분야 전체 트렌드에 대해 나는 모두 이렇게 대처함

  • LLM, 프런티어 AI 모델 소식을 주로 따라가고 싶다면 추천 리스트가 매우 훌륭함, 절반 이상은 나 역시 별도로 찾아낸 인물임
    X(트위터)에서 AI 계정 리스트를 만들어 팔로우 중이고, 전체적으로 가장 견고한 정보 소스임
    일부는 블로그, 팟캐스트 RSS도 쓸 만함(연구자라면 논문 자체 RSS는 필수적임)
    내가 추가할 만한 곳은 https://epoch.ai, 팟캐스트에서는 Dwarkesh Patel, 블로그는 Peter Wildeford, @omarsar0(DAIR elvis), 그리고 다양한 리서처 직접 팔로우임(중 일부는 정보 전달보다는 재미 위주)
    이 분야는 정보 환경이 심각하게 오염됨. 특히 NYT처럼 정치 위주로 다루는 언론만 팔로우하면 오히려 편향·부정확한 그림만 얻게 됨
    참고로 생성 AI와 직접 연관 없는 ML 분야(예: 단백질, 유전체, 날씨 모델, diffusion·이미지 생성 연구 등)는 정보 출처가 전혀 다름
    AI/ML 범주가 너무 넓어 한꺼번에 다 따라잡기는 불가능함
    꼭 따라가야 하냐면, 그럴 필요는 없음
    대부분은 그저 신기술/최신 트렌드에 대한 호기심으로 그런 것임
    다만 소프트웨어 개발과 같이 AI를 완전히 무시하면 중장기적으로 커리어에 치명적일 수 있음(도구 자체만 익히는 식으로 대응해도 괜찮음)
    나는 지금 전반적인 동향을 파악해야 하는 업무 특성상 꾸준히 트래킹함

  • Simon Willison의 블로그만으로도 최신 고품질 정보 학습에는 충분함(노이즈 거의 없고 S/N 최고임)

    • Simon에게 GitHub 후원($10 이상)하면 "더 적은 양의 주요 요약본"을 메일로 받아볼 수 있음

      "지난 한 달간 LLM 분야의 가장 중요한 발전 요약(10분 이내 완독 분량)"
      https://simonwillison.net/about/

    • https://simonwillison.net
    • 다행히 RSS 피드도 제공해서 코드/뉴스 모두 확인 가능함

  • 굳이 '트렌드' 따라갈 필요 없음

    • 맞음, 이제 그만두고 다른 일을 해볼 때임
    • 사실 그냥 테크 업계를 떠나 새 커리어를 만드는 것도 한 방법임
      테크 직종은 점점 줄고, 언젠가는 가파르게 감소할 것임(AI가 10명 몫을 한 명이 하게 되고, 이후 화이트칼라, 블루칼라(아마존 물류센터 로봇직 등)도 마찬가지)
      개인적으로 이번 주에 GPT Plus 구독 취소함, 더 이상 '그 괴물'을 키우고 싶지 않음
      지도(예: 여행 경로, 친구들이랑 고리 타기 코스 등) 지원 등 기능은 Gemini 무료 버전이 오히려 더 잘함

  • 첫 번째 추천만 따라가면(simow의 블로그 읽기), 웬만하면 충분함

    • 그조차 귀찮아서, 아침 커피와 함께 Fireship 동영상으로 대신함
    • 강력 추천 - 클릭베이트 거의 없이 매우 질 좋은 요약임

  • Andrej Karpathy의 강의로 엄청난 도움을 받았음
    유튜브에도 올라가 있음(https://www.youtube.com/@AndrejKarpathy)
    머신러닝 연구자들을 멘토링/도움 주는 입장이었지만, Andrej 목소리 들으면 내가 아무것도 모르는 학생처럼 느껴짐
    처음엔 이상했지만 지금은 그 겸손함 자체가 너무 소중한 자산임
    정말 '나는 아무것도 모른다'는 마음이 중요함

답변달기
▲
makers 5시간전  [-]

ㅠㅠ 넘 가독성 없다

답변달기
▲
supermaxi 8시간전  [-]

A type of writing that's essential at this moment in time.

답변달기