메타의 수석 AI 과학자 양리쿤, 생성형 AI에 다시 한번 비판 목소리
출처: 중국기업가 잡지
이미지 출처: 무계 AI 생성
"생성형 모델을 포기하고 LLM(대규모 언어 모델) 연구를 중단해야 한다. 우리는 텍스트 학습만으로는 인공지능을 인간 수준의 지능으로 끌어올릴 수 없다." 최근 메타(Meta) 최고 AI 과학자 얀 르쿤(Yann LeCun)이 프랑스 파리에서 열린 2025 인공지능 액션 서밋에서 다시 한번 생성형 AI를 강하게 비판했다.
얀 르쿤은 기존 대규모 모델은 효율적으로 작동하지만 추론 과정이 발산적이라 생성된 토큰이 정답 범위 밖에 있을 수 있으며, 이것이 일부 대규모 모델이 환각을 일으키는 이유라고 설명했다. 현재 많은 생성형 모델이 로스쿨 시험에 통과하거나 수학 문제를 해결할 수 있지만 집안일은 할 수 없으며, 인간이 생각하지 않아도 되는 일들이 생성형 AI에게는 매우 복잡하다.
또한 생성형 모델은 영상 제작에 전혀 부적합하며, 현재 사람들이 보는 영상을 생성하는 AI 모델들도 물리 세계를 이해하지 못하고 아름다운 이미지만 생성한다고 말했다. 얀 르쿤은 물리 세계를 이해할 수 있는 모델을 지지하며, 영상 내용 예측에 더 적합한 결합 임베딩 예측 구조(JEPA)를 제안했으며, 오직 AI가 물리 세계를 진정으로 이해할 때만 인간 수준의 지능을 가진 인공지능이 등장할 수 있다고 항상 주장했다.
마지막으로, 얀 르쿤은 오픈소스 인공지능 플랫폼의 필요성을 강조하며, 앞으로 우리는 범용 가상 조수를 갖게 될 것이며, 이들은 우리와 디지털 세계 간의 모든 상호작용을 조절하게 될 것이라고 말했다. 이러한 조수들은 세계의 모든 언어를 구사하고, 모든 문화와 가치 체계, 관심사를 이해해야 하며, 이런 AI 시스템은 실리콘밸리 소수 기업에서 나올 수 없고, 효과적인 협력을 통해 만들어져야 한다고 덧붙였다.
주요 견해는 다음과 같다:
1. 우리는 인간 수준의 지능이 필요하다. 왜냐하면 우리는 사람과 상호작용하는 데 익숙하기 때문이다. 인간 수준의 지능을 가진 AI 시스템이 등장하기를 기대하며, 미래에는 어디서나 사용 가능한 AI 조수가 인간과 디지털 세계 사이의 다리 역할을 하여 인간이 디지털 세계와 더 잘 상호작용하도록 도울 것이다.
2. 텍스트 학습만으로는 AI를 인간 수준의 지능으로 끌어올릴 수 없다. 이것은 불가능하다.
3. 메타에서는 인간 수준의 지능을 가진 AI를 고급 기계 지능(AMI)이라 부른다. 우리는 'AGI'(범용 인공지능)라는 표현을 좋아하지 않고 'AMI'라 부르며, 프랑스어로 발음하면 '친구(amie)'라는 단어와 비슷하다.
4. 생성형 모델은 영상 제작에 전혀 부적합하다. 영상을 생성하는 AI 모델을 본 적이 있을 수 있지만, 이들은 물리 법칙을 이해하지 못하고 아름다운 이미지만 생성한다.
5. 인간 수준의 지능을 갖는 AI에 관심이 있고 학계에 있다면 LLM을 연구하지 말라. 수만 개의 GPU를 보유한 수백 명과 경쟁하는 것은 아무 의미가 없다.
6. AI 플랫폼은 공유되어야 한다. 세계의 모든 언어를 구사하고, 모든 문화와 가치 체계, 관심사를 이해해야 한다. 세계 어느 기업도 그런 기반 모델을 혼자 훈련시킬 수 없으며, 효과적인 방식으로 협력하여 완성해야 한다.
7. 오픈소스 모델은 느리지만 확실하게 폐쇄형 모델을 앞서가고 있다.
다음은 발표 전문(편집됨):
왜 우리는 인간 수준의 지능을 필요로 하는가
众所周히, 우리는 인간 수준의 인공지능이 필요하다. 이는 흥미로운 과학적 질문일 뿐 아니라 제품적 요구이기도 하다. 앞으로 우리는 언제든지 AI 조수에 접근하여 상호작용할 수 있도록 스마트 안경 같은 스마트 기기를 착용하게 될 것이다.
우리는 인간 수준의 지능이 필요하다. 우리가 사람과 상호작용하는 데 익숙하기 때문이다. 인간 수준의 지능을 가진 AI 시스템이 등장하기를 기대하며, 미래에는 어디서나 사용 가능한 AI 조수가 인간과 디지털 세계 사이의 다리 역할을 하여 인간이 디지털 세계와 더 잘 상호작용하도록 도울 것이다. 그러나 인간과 동물과 비교할 때 현재의 머신러닝은 여전히 형편없다. 우리는 인간 수준의 학습 능력, 상식, 물질 세계를 이해하는 능력을 갖춘 기계를 아직 만들지 못했다. 동물과 인간은 모두 상식에 따라 행동하며, 이러한 행동은 본질적으로 목표 지향적이다.
따라서 현재 거의 모든 사람이 사용하는 인공지능 시스템은 우리가 원하는 특징을 가지고 있지 않다. 왜냐하면 이들은 재귀적으로 하나의 토큰을 생성하고, 표시된 토큰을 사용하여 다음 토큰을 예측하기 때문이다. 이러한 시스템은 입력단에 정보를 넣고 출력단에서 입력 정보를 재현하려고 시도하면서 훈련된다. 이는 원인-결과 구조이며, 절대로 치팅하지 못하고 특정 입력을 사용하여 자기 자신을 예측할 수 없으며, 주변 토큰만 볼 수 있다. 따라서 매우 효율적이며, 이를 일반 대규모 모델이라 부르며, 텍스트와 이미지를 생성하는 데 사용할 수 있다.
그러나 이러한 추론 과정은 발산적이며, 각 토큰을 생성할 때마다 정답 범위 밖에 있을 수 있고, 정답에서 점점 멀어질 수도 있다. 이런 일이 발생하면 이후에 수정할 방법이 없다. 이것이 일부 대규모 모델이 환각을 일으키고 막무가내로 말하는 이유다.
현재 이러한 인공지능은 인간의 지혜를 복제할 수 없다. 우리는 고양이나 쥐 같은 동물의 지혜도 복제할 수 없다. 이들은 물리 세계의 작동 원리를 이해하며, 계획 없이 상식에 따라 행동할 수 있다. 10세 어린이는 생각하지 않아도 설거지와 식탁 닦기를 할 수 있으며, 17세 청소년은 20시간 만에 운전을 배울 수 있다. 하지만 아직 가정용 로봇을 만들지 못했으며, 이는 현재 우리의 인공지능 연구와 발전이 매우 중요한 요소를 놓치고 있음을 보여준다.
우리의 기존 AI는 로스쿨 시험에 통과하거나 수학 문제를 해결하고 정리를 증명할 수 있지만, 집안일은 할 수 없다. 우리가 생각하지 않아도 되는 일들이 인공지능 로봇에게는 매우 복잡하며, 우리가 인간만이 가질 수 있다고 여기는 언어, 체스, 시 창작 등의 활동은 현재 AI와 로봇이 쉽게 수행할 수 있다.
우리는 텍스트 학습만으로는 AI를 인간 수준의 지능으로 끌어올릴 수 없다. 이것은 불가능하다. 일부 기득권 세력은 내년에 AI 지능이 인간 박사 수준에 도달할 것이라 말하지만, 이것은 근본적으로 불가능하다. AI는 체스나 번역과 같은 특정 분야에서 인간 박사 수준에 도달할 수 있지만, 일반 대규모 모델은 그렇지 못하다. 만약 특정 분야 문제에 특화된 AI 모델만 훈련한다면, 문제가 표준적이라면 몇 초 안에 답변이 생성되겠지만, 문제의 표현 방식을 조금만 바꿔도 AI는 여전히 동일한 답을 줄 수 있다. 왜냐하면 실제로 그 문제를 생각하지 않았기 때문이다. 따라서 우리는 인간 수준의 지능을 갖춘 인공지능 시스템을 만들기 위해 시간이 더 필요하다.
'AGI'가 아니라 'AMI'
메타에서는 인간 수준의 지능을 갖춘 AI를 고급 기계 지능(AMI)이라 부른다. 우리는 'AGI'(범용 인공지능)라는 표현을 좋아하지 않고 'AMI'라 부르며, 프랑스어로 발음하면 '친구(amie)'라는 단어와 비슷하다. 우리는 감각을 통해 정보를 수집하고 학습하는 모델이 필요하다. 이를 두뇌 속에서 조작하고, 영상에서 2차원 물리 법칙을 학습할 수 있어야 한다. 예를 들어 지속적인 기억을 가진 시스템, 계층적으로 행동을 계획할 수 있는 시스템, 추론할 수 있는 시스템이 필요하며, 미세 조정이 아닌 설계를 통해 제어 가능하고 안전한 시스템을 만들어야 한다.
현재 나는 이러한 시스템을 구축하는 유일한 방법이 인공지능 시스템의 추론 방식을 바꾸는 것임을 알고 있다. 현재 LLM의 추론 방식은 고정된 수의 신경망 층(트랜스포머)을 실행하여 토큰을 생성하고 입력한 후, 다시 고정된 수의 신경망 층을 실행하는 것이다. 이러한 추론 방식의 문제는 간단하거나 복잡한 문제를 묻든, 시스템이 '예' 또는 '아니오'를 답변하도록 요청할 때 동일한 계산량이 소요된다는 점이다. 그래서 사람들은 계속해서 치팅을 하며, 어떻게 답변해야 하는지 시스템에 알려준다. 사람들은 이러한 추론 사고 기술을 알고 있으며, 시스템이 더 많은 토큰을 생성하게 하여 더 많은 컴퓨팅 파워를 사용해 문제에 답변하게 한다.
실제로 추론의 작동 방식은 그렇지 않다. 고전 통계 인공지능, 구조 예측 등 다양한 분야에서 추론은 관찰값과 출력값 사이의 호환성 또는 비호환성을 측정하는 함수를 갖고 있으며, 추론 과정은 정보 공간을 최소한으로 압축하여 출력값을 찾는 것이다. 이러한 함수를 에너지 함수라 부른다. 결과가 요구 사항에 맞지 않을 때 시스템은 최적화만 수행하고 추론을 진행한다. 추론 문제가 더 어려울수록 시스템은 더 오래 추론하며, 즉 복잡한 문제를 더 오래 생각한다.
고전 인공지능에서는 추론과 탐색이 많은 것을 차지하므로, 어떤 계산 문제라도 추론 문제 또는 탐색 문제로 단순화할 수 있다. 이러한 추론은 심리학자들이 말하는 시스템2와 더 유사하며, 행동을 취하기 전에 어떻게 할지 고려하는 것이고, 시스템1은 생각하지 않아도 되는 일을 말하며, 이것은 무의식이 된다.
출처: 영상 캡처
에너지 모델을 간단히 설명하자면, 에너지 함수를 통해 변수 간 의존성을 포착할 수 있다. 관찰값 X와 출력값 Y가 있다고 가정할 때, X와 Y가 호환될 경우 에너지 함수는 낮은 값을 가지며, 호환되지 않을 경우 높은 값을 가진다. 당신은 X로부터 Y를 계산하기만 원하는 것이 아니라, 비호환 정도를 측정하는 에너지 함수만 원한다. 그러면 주어진 X에 대해 에너지가 낮은 Y를 찾으면 된다.
이제 세계 모델이라는 구조가 어떻게 구성되는지 자세히 살펴보고, 그것이 사고 또는 계획과 어떤 관련이 있는지 알아보자. 이 시스템은 세계를 관찰하는 것으로 시작하며, 세계 상태를 요약하는 감지 모듈을 거친다. 물론 세계 상태는 완전히 관찰 가능한 것이 아니므로 기억과 결합해야 할 수 있다. 기억에는 당신이 세계 상태에 대해 생각하는 내용이 포함되며, 이 두 가지의 결합이 세계 모델을 구성한다.
그렇다면 세계 모델이란 무엇인가? 세계 모델은 현재 세계 상태에 대한 요약을 제공하며, 추상적인 표현 공간에서 상상한 일련의 행동을 제시하고, 당신의 세계 모델은 이러한 행동을 취한 후의 세계 상태를 예측한다. 내가 당신에게 입방체가 당신 앞에 떠 있다고 상상하라고 하고, 이제 그것을 수직으로 90도 회전시키라고 하면, 그것은 어떤 모습일까? 당신은 쉽게 머릿속에서 회전한 모습을 상상할 수 있다.
진정으로 작동하는 음성 및 영상을 갖기 전에 우리는 인간 수준의 지능을 갖게 될 것이라 생각한다. 만약 우리가 이러한 세계 모델을 갖고 있으며, 일련의 행동 결과를 예측할 수 있다면, 이를 작업 목표에 입력하여 최종 상태가 우리가 설정한 목표를 얼마나 충족하는지 측정할 수 있다. 이것은 단지 목적 함수일 뿐이며, 시스템이 안전하게 작동해야 하는 요구사항으로서 몇 가지 제약 조건을 설정할 수 있다. 이러한 제약 조건을 두면 시스템의 안전성을 보장할 수 있으며, 이를 넘어서는 것이 불가능하게 만들 수 있다. 이들은 엄격히 규정된 것이며, 훈련과 추론 범위 밖에 있다.
이제 일련의 행동은 여러 시간 단계에서 반복적으로 사용되는 세계 모델을 사용해야 한다. 첫 번째 행동을 수행하면, 그 행동 완료 후의 상태를 예측하고, 두 번째 행동을 하면 다음 상태를 예측하며, 이 궤적을 따라갈 수 있으며, 작업 목표와 제약 조건을 설정할 수 있다. 만약 세계가 완전히 결정적이거나 예측 가능한 것이 아니라면, 세계 모델은 우리가 관찰하지 못한 세계에 관한 모든 것을 설명하기 위한 잠재 변수를 가져야 할 수 있으며, 이는 우리의 예측에 편향을 초래할 수 있다. 결국, 우리가 원하는 것은 계층적으로 계획할 수 있는 시스템이다. 여러 추상적 수준을 가질 수 있으며, 낮은 수준에서는 기본 근육 조절과 같은 저수준 행동을 계획한다. 그러나 높은 수준에서는 추상적인 거시 행동을 계획할 수 있다. 예를 들어, 나는 뉴욕대학교 사무실에 앉아 파리로 가기로 결정한다. 나는 이 과제를 두 개의 하위 과제로 나눌 수 있다: 공항 가기와 비행기 타기. 그리고 각 단계를 상세히 계획한다: 가방 들기, 나가기, 택시 타기, 엘리베이터 타기, 항공권 구입하기...
이런 일들을 우리는 계층적 계획을 하고 있다는 것을 거의 느끼지 못하며, 거의 무의식적인 행동이지만, 어떻게 기계가 이것을 학습하게 할지는 모른다. 거의 모든 머신러닝 과정이 계층적 계획을 수행하지만, 각 수준의 프롬프트는 수작업으로 입력된다. 우리는 이러한 추상적 표현뿐 아니라 세계 상태와 세계 모델 예측, 다른 추상 수준에서의 추상적 행동 예측까지 스스로 학습할 수 있는 구조를 훈련시켜야 하며, 이렇게 해야 머신러닝이 인간처럼 무의식적으로 계층적 계획을 할 수 있게 된다.
AI가 세상을 이해하게 하려면 어떻게 해야 하는가
나는 이러한 모든 성찰을 가지고 3년 전 긴 논문을 써서 인공지능 연구가 주목해야 할 분야를 설명했다. ChatGPT가 유행하기 전에 이 논문을 썼으며, 오늘날까지도 나의 입장은 변함이 없다. ChatGPT는 아무것도 바꾸지 않았다. 그 논문은 자율 기계 지능으로 가는 길에 관한 것이었으며, 우리는 지금 이를 고급 기계 지능(AMI)이라 부른다. 왜냐하면 '자율'이라는 단어가 사람들을 겁주기 때문이다. 나는 여러 자리에서 연설로 소개한 바 있다.
시스템이 세상이 어떻게 작동하는지 이해하게 하려면, 자연어 시스템을 훈련시키는 과정을 따라 훈련시키고 이를 영상에 적용하는 것이 일반적인 방법이다. 시스템이 영상에서 무엇이 일어날지 예측할 수 있다면, 작은 영상 클립을 보여주고 다음에 무엇이 일어날지 예측하게 하며, 예측을 훈련시키는 것은 실제로 시스템이 세상의 기본 구조를 이해하게 한다. 텍스트의 경우 예측이 비교적 쉬워 단어 수가 제한되어 있고, 표시 가능한 수량도 제한적이며, 어떤 단어가 다음에 올지 또는 텍스트에서 어떤 단어가 누락되었는지 정확히 예측할 수 없지만, 사전의 각 단어가 생성될 가능성을 측정할 수 있다.
하지만 이미지나 영상의 경우 그렇게 할 수 없으며, 영상 프레임의 분포를 표현할 좋은 방법이 없다. 매번 시도할 때마다 기본적으로 수학적 난제에 부딪힌다. 따라서 물리학자들이 고안한 통계와 수학을 사용하여 이 문제를 해결할 수 있다. 사실 확률 모델링을 완전히 포기하는 것이 가장 좋다.
우리는 세상에서 무엇이 일어날지 정확히 예측할 수 없기 때문이다. 시스템을 한 프레임만 예측하도록 훈련하면, 잘 작동하지 않는다. 따라서 이 문제를 해결하는 방법은 새로운 구조를 개발하는 것이다. 내가 말하는 결합 임베딩 예측 구조(JEPA)다. 생성형 모델은 영상 제작에 전혀 부적합하다. 영상을 생성하는 AI 모델을 본 적이 있을 수 있지만, 이들은 물리 법칙을 이해하지 못하고 아름다운 이미지만 생성한다. JEPA의 개념은 관찰값과 출력값을 동시에 실행하여 픽셀 예측이 아니라 영상에서 일어나는 일을 예측하는 것이다.
출처: 영상 캡처
두 구조를 비교해보자. 왼쪽은 생성 구조이며, 관찰값 X를 인코더에 입력하고 Y를 예측하는 간단한 예측이다. 오른쪽의 JEPA 구조에서는 X와 Y를 동시에 실행하고, 동일하거나 다른 인코더를 사용한 후, 추상 공간에서 X의 표현을 기반으로 Y의 표현을 예측한다. 이는 시스템이 기본적으로 예측할 수 없는 모든 것을 제거하는 인코더를 학습하게 하며, 이것이 우리가 진정으로 하는 일이다.
우리가 방 안에서 촬영할 때 카메라가 움직이면, 인간이든 AI 지능이든 다음 프레임에 누가 나타나는지, 벽이나 바닥의 질감이 어떻게 되는지 예측할 수 없다. 예측할 수 없는 일이 너무 많다. 따라서 예측할 수 없는 일에 대해 확률적 예측을 고집하기보다는, 예측을 포기하고 그러한 세부 정보가 대부분 제거된 표현을 학습함으로써 예측을 훨씬 더 단순하게 만들고 문제를 단순화하는 것이 낫다.
JEPA 구조는 다양한 형태가 있으며, 여기서는 잠재 변수는 다루지 않고, 가장 흥미로운 부분인 행동 조건에 대해 이야기하겠다. 이것이 바로 진정한 세계 모델이다. 관찰값 X는 현재 세계 상태이며, 수행할 행동을 인코더에 입력한다. 이 인코더가 바로 세계 모델이며, 해당 행동 후의 세계 상태 표현을 예측해주며, 이것이 바로 계획을 수행하는 방식이다.
최근 우리는 Video JEPA에 대해 깊이 연구했다. 이 모델은 어떻게 작동하는가? 예를 들어, 먼저 영상에서 16개의 연속 프레임을 입력 샘플로 추출한 후, 일부 프레임을 마스킹하고 손상시키며, 이러한 부분적으로 손상된 영상 프레임을 인코더에 입력하고, 결손된 영상 정보를 기반으로 완전한 영상 표현을 재구성할 수 있도록 예측 모듈을 동시에 훈련시킨다. 실험 결과, 이러한 자기지도 학습 방법은 뚜렷한 장점을 가지며, 학습된 심층 특징은 영상 동작 분류 등의 하류 작업에 직접 이식 가능하며, 여러 기준 테스트에서 우수한 성과를 거두었다.
매우 흥미로운 사실이 하나 있는데, 당신이 이 시스템에 이상한 일이 일어나는 영상을 보여줄 때, 시스템은 실제로 예측 오차가 급증하고 있다는 것을 알려준다. 영상을 촬영하고 16프레임을 추출하여 시스템의 예측 오차를 측정하면, 물체가 갑자기 사라지거나 형태가 변하는 등 이상한 일이 발생할 경우 예측 오차가 상승하며, 시스템은 간단하지만 어느 정도의 상식을 학습했으며, 세상에 매우 이상한 일이 발생했는지 알려줄 수 있다는 것이다.
우리의 최신 연구인 DINO-WM(시각적 세계를 재건하지 않고도 시각적 동적 모델을 구축하는 새로운 방법)을 공유하고자 한다. 세계 이미지 한 장으로 예측기를 훈련시키고, DINO 인코더를 통해 실행한 후, 로봇이 어떤 행동을 하면 다음 영상 프레임을 얻을 수 있으며, 이 이미지를 다시 DINO 인코더에 넣어 새로운 이미지를 얻고, 취해진 행동에 따라 예측기가 무엇이 일어날지 예측하도록 훈련시킨다.
계획은 매우 간단하다. 초기 상태를 관찰하고 DINO 인코더를 실행한 후, 상상한 행동을 통해 여러 시간 지점과 단계에서 세계 모델을 실행한다. 목표 상태가 있으며, 목표 이미지로 표현된다. 예를 들어, 이를 인코더에 넣으면, 예측 상태와 목표 이미지 상태 사이의 표현 공간에서의 차이를 계산하고, 실행 비용이 최소인 행동 시퀀스를 찾는다.
출처: 영상 캡처
매우 간단한 개념이지만 효과가 뛰어나다. 작은 T자 패턴이 있고, 이를 특정 위치로 밀고 싶다고 가정하자. 당신은 그 위치를 알고 있으므로, 그 위치의 이미지를 인코더에 넣어 표현 공간에서 목표 상태를 제공받는다. 계획된 일련의 행동을 취할 때 현실 세계에서 실제로 발생하는 것은, 시스템이 계획한 행동 시퀀스의 내부 심리적 예측을 보는 것이며, 이를 디코더에 넣으면 내부 상태의 그래픽 표현이 생성된다.
생성형 모델 연구를 포기하라
마지막으로 여러분과 나누고 싶은 조언이 있다. 첫째, 생성형 모델 연구를 포기하라. 이것은 현재 가장 인기 있는 방법이며, 모두가 이를 연구하고 있다. JEPA를 연구할 수 있다. 이것은 생성형 모델이 아니다. 이들은 표현 공간에서 세상이 어떻게 될지 예측한다. 강화 학습도 포기하라. 나는 오랫동안 이것이 비효율적이라고 말해왔다. 인간 수준의 지능을 갖는 AI에 관심이 있고 학계에 있다면 LLM을 연구하지 말라. 수만 개의 GPU를 가진 수백 명과 경쟁하는 것은 아무 의미가 없다. 학계에는 여전히 해결해야 할 많은 문제가 있으며, 계획 알고리즘은 매우 비효율적이다. 우리는 더 나은 방법을 찾아야 하며, 불확실성 계층적 계획에서 잠재 변수를 가진 JEPA는 완전히 해결되지 않은 문제이며, 이러한 분야는 학자들의 탐구를 환영한다.
앞으로 우리는 범용 가상 조수를 갖게 될 것이며, 이들은 항상 우리와 함께하며 우리와 디지털 세계의 모든 상호작용을 조절할 것이다. 이러한 AI 시스템이 실리콘밸리나 중국 소수 기업에서 나오게 해서는 안 된다. 즉, 이러한 시스템을 구축하는 플랫폼은 오픈소스이며 광범위하게 사용 가능해야 한다는 의미다. 이러한 시스템의 훈련 비용은 매우 높지만, 일단 기반 모델을 갖게 되면 특정 응용 프로그램에 대한 미세 조정은 비교적 저렴하며, 많은 사람이 감당할 수 있다.
AI 플랫폼은 공유되어야 한다. 세계의 모든 언어를 구사하고, 모든 문화와 가치 체계, 관심사를 이해해야 한다. 세계 어느 기업도 그런 기반 모델을 혼자 훈련시킬 수 없으며, 효과적인 방식으로 협력하여 완성해야 한다.
따라서 오픈소스 인공지능 플랫폼은 필수적이다. 내가 유럽과 다른 지역에서 보는 위기는 지정학적 경쟁이 일부 국가 정부를 유혹하여 과학적 비밀을 지키고 선두를 유지하려는 목적으로 오픈소스 모델의 공개를 사실상 불법화하고 있다는 점이다. 이것은 거대한 실수이며, 비밀리에 연구할 때 당신은 뒤처지게 되며, 이것은 피할 수 없다. 일어날 일은 세계 다른 국가들이 모두 오픈소스 기술을 채택하고, 우리가 당신들을 앞지르게 될 것이다. 이것이 현재 일어나고 있는 일이다. 오픈소스 모델은 느리지만 확고하게 폐쇄형 모델을 앞서가고 있다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
