코드와 수학에서의 AI 발전: Karpathy의 논제

# AI 진보가 코드와 수학에서만 두드러지는 이유: Karpathy의 논점 분석

OpenAI 공동 창업자이자 전 Tesla AI 디렉터인 Andrey Karpathy는 현대 모델 능력 평가의 격차를 설명한다. 진보는 프로그래밍, 수학, 연구 분야에 집중되어 있으며, 이곳에서 AI가 최고 성과를 내고 있다. 정보 검색이나 텍스트 생성 같은 일상 작업에서는 개선 폭이 작다.

경험 차이로 나뉜 두 집단

사용자는 두 진영으로 나뉜다: 작년 무료 ChatGPT에 의존하는 사람들과 Codex나 Claude Code 같은 고급 도구를 쓰는 전문가들.

• 첫 번째 그룹은 구형 모델로 판단한다: Advanced Voice Mode는 50미터 떨어진 세차장까지 걷기냐 운전하냐 하는 간단한 상황에서도 삐끗한다.
• 두 번째 그룹은 'AI 열풍'을 목격한다: 터미널 액세스 가능한 모델은 전체 코드베이스를 재구조화하거나 한 시간 만에 취약점을 찾아낸다—인간에게 며칠 걸리는 일이다.

이 분열은 오해를 부른다: 구형 모델의 바이럴 실패 사례는 agentic 시스템의 잠재력을 반영하지 않는다.

코드와 수학 지배의 기술적 이유

프로그래밍과 수학은 RLHF(인간 피드백을 통한 강화학습)와 검증 가능한 지표에서의 RL에 딱 맞다.

• 명확한 보상: 단위 테스트는 통과하거나 실패한다—최적화를 위한 이진 신호로, 텍스트 품질의 주관성과 다르다.
• 경제적 초점: B2B 작업이 대부분의 수익을 끌어들이므로 AI 연구소들은 코드 생성과 계산에 자원을 집중한다.
• 확장성: 도구(터미널, API)를 가진 agentic 시스템이 복잡한 작업을 자율적으로 해낸다.

결과적으로 Codex 같은 최상위 모델은 프로젝트를 몇 시간 만에 싹 바꿔치기 할 수 있지만, 음성 인터페이스는 비구조화 쿼리에 허덕인다.

AI의 평행 현실

Karpathy는 강조한다: 두 관점 모두 맞다. Voice ChatGPT는 밈에 고전하지만 전문 에이전트는 프로페셔널 워크플로를 장악한다. 이는 모순이 아니라 도메인별 분산된 진보다.

전문가들은 다음을 강조한다:

• 기능 손실 없이 레거시 코드 재구조화.
• zero-day 익스플로잇을 포함한 자동화된 보안 감사.
• 박사 수준 연구의 수학 문제 해결.

중간 및 선임 개발자들에게 이는 CI/CD 파이프라인과 코드 리뷰에 AI를 도입하는 걸 의미하며, 검증 가능성이 반복 속도를 높인다.

중요한 점

• AI 진보는 비대칭적: 코드와 수학 정점은 이진 지표 RL에서 나온다.
• B2B 우선순위가 초점을 정한다—일상 작업은 뒤처진다.
• 터미널 액세스 agentic 시스템은 인간보다 몇 배 빠르게 문제를 푼다.
• 인식 격차는 사용하는 모델 차이에서 생긴다.
• IT 전문가에게 핵심은 프로덕션 워크로드에 Codex 같은 도구를 도입하는 것이다.

— Editorial Team