DeepSeek의 R1: 유용한 리마인더

대학 교수이자 전 IT 산업 베테랑으로서, 중국의 DeepSeek R1 모델에 대한 논쟁은 세 가지 사항에 대한 유용한 리마인더이다.

첫째, 생성적 AI는 더 이상 많은 양의 콘텐츠를 처리하여 프롬프트에 대한 관련된 응답을 생성하는 것만이 아니라, 또한 인지적推論(즉, R1의 “R”)에 대한 것이다.

대규모 언어 모델(LLM)의 약속은巨大한 지식 검색 및 인지 처리 능력 – 이전에는 뇌가 좋은 사람들과 슈퍼컴퓨터만이 가졌던 것 – 이제 거의 모든 사람의 손에 있다. 효율성 향상 기술의 새로운 세대 덕분에, 여러 지능형 에이전트가 복잡한 상호작용 작업을 자율적으로 수행할 수 있는 작은 모델이 있다.

둘째, 생성적 AI 혁명은 혁신과 창의성에 관한 것이다. 이는 가장 강력한 하드웨어, 트레이닝 데이터 세트의 크기, 또는 모델 매개변수의 수에 대한 경쟁이 아니다. 이러한 기술의 성공적인 채택은 거대한 에너지를 소모하는 슈퍼컴퓨터를 사용하여 수십억 달러의 모델을 트레이닝하는 빅 테크 회사에 의해 결정되지 않을 것이다. 대신, 이 새로운 물결에 대비하여 인간 자본에 투자하는 국가와 조직에 의해 결정될 것이다.

셋째, 그리고 이전의 점에서 이어지는 것으로, 미국은 우리 경제와 사회에 다가오는 극적인 변화를 위해 잘 준비되어 있지 않은 것으로 보인다. 두 가지 예를 들 수 있다: 고등 교육과 기업 미국.

고등 교육

대부분의 고등 교육 기관에서, 학부生的 첫 번째 큰 결정은 예술학사(BA) 학위를 추구하는지, 즉 더广泛하고 상호학문적인 교육과 관련이 있는지, 또는 과학학사(BS) 학위를 추구하는지, 즉 특정 분야에서 기술과 실践적인 경험을 개발하는지 결정하는 것이다.

AI 시대에, 이는 낙후된 이분법이다. 두 가지 학문 모두 직장에서 필수적인 것이 되고 있다.

사실, 대부분의 1학년 학생들은 다른 유형의 직업에서 일하는 것에 대한 지식이나 통찰력이 없으며, 심지어 자신의 능력, 재능, 기술 및 적성의 상대적인 강점과 약점에 대한 것도 없다. 그러나 대부분의 1학년 학생들은 전공을 선언해야 한다. 이는 작은 비율의 학생들에게만 쉽게 결정될 것이다. 즉, 엔지니어링, 과학, 의학, 법학 등 특정 분야를 추구하려는 학생들이다.

우리는 더 다른, 직업 준비가 된, 더广泛하고 상호학문적인 고등 교육 접근법이 필요하다. 즉, 대학 졸업生的 첫 번째 정규직 직장은 취득한 학위나 전공과 관련이 없을 수 있으며, 대학 경험은 평생 학습의 첫 번째 단계일 뿐이라는 것을 인정하는 접근법이다. 즉, 업스킬링, 자격증 취득, 재창조, 경력 전환 – 현재 상상할 수 없는 역할을 위해.

또한, 교육자로서, 우리는 AI 표절과 지적 단축의 위험을 처리하기 위한 새로운 전략을 개발해야 한다. 즉, 채팅 봇이 지적 단축이 되거나 “인지적 외주”가 되는 경향을 방지해야 한다. 즉, 외부 도구에 의존하는 것보다 내부 능력을 개발하는 것이다.

지식과 이해가 분리된 시대에, AI에 즉각적인 답변이나 해결책을 요구하는 것보다 개념을 이해하거나 문제를 해결하기 위해 노력하는 것보다 더 큰 유혹이 있다.

기업 IT

대부분의 기업도 이러한 새로운 기술의 조직적 의미를 깨닫지 못하는 것으로 보인다.

현재의 IT 역할과 구조는 이전의 디지털 혁명에서 비롯된 조직적 요구를 반영한다. 이러한 기능은 인간이 컴퓨터를 사용하고 상호작용하기 위해 필요한 전문적인 전문 지식에서 비롯되었다. 즉, 프로그래밍, 데이터 엔지니어링, 컴퓨터 아키텍처, 네트워크 관리, 정보 보안 등이다.

반면, 생성적 AI(그리고 자연어 처리 분야)는 컴퓨터를 인간과 상호작용하도록 설계하고 트레이닝하는 것이다.

결과적으로, 일반 직원들은 이러한 기술을 사용하여 지능적인 방법으로 브릴리언트한 방법을 발명하고 있다. 그러나 조직은 이러한 기술의 잠재적인 생산성 이점을 최대화하면서 위험을 최소화하기 위한 작동 가능한 정책, 절차, 및 제어를 개발하는 데 어려움을 겪고 있다.

주요 문제는 대부분의 기업에서 데이터 과학 전문 지식이 IT 부서에 집중되어 있다는 것이다. 대부분의 IT 부서는 여전히 자신의 언어와 관행을 가진 비밀결사로 운영되며, 핵심 비즈니스 단위와는 조직적으로 및 기능적으로 분리되어 있다. 나는 생산성 혁명이 새로운 유형의 조직 역할과 구조를 요구한다고 믿는다. 즉, 데이터 전문 지식이 특정 기능에 고립되지 않고 거의 모든 운영 측면과 상호 연결되는 구조이다.

또한 데이터 챌린지가 있다. 대부분의 조직에서 AI를 채택하는 것은 특정 사용 사례를 실행하기 위해 자체 데이터를 사용하여 대규모 언어 모델을 사용자 정의하는 것이다. 비즈니스 사용자는 정확하고 깨끗하며 잘 관리된 데이터를 원하지만, IT 부서의 데이터 소유자는 이러한 수준의 품질과 투명성을 보장하기 위한 예산, 재정적 인센티브, 또는 조직적 권한이 없다.

결과적으로, 내부 데이터 세트는 기업 전체에서 잘 관리되고 발견되지 않는다. 일반적으로 다른 유형의 데이터는 다른 곳에 저장된다. 비즈니스 사용자의 요청에 응하여, IT는 데이터의 다른 뷰를 제공하고, 데이터의 다른 복사본(및 복사본의 복사본)을 만들며, 다양한 이유로 데이터의 노출과 추상을 생성한다. 이 시점에서,誰도 어떤 버전이 구식인지, 불완전한지, 중복된지, 정확하지 않은지, 또는 어떤 контек스트인지 모른다.

결론

생성적 AI는 모든 형태의 지식 작업을 변革할 수 있다. 본질적으로, 이 기술은 전문가의 민주화(좋은 것과 나쁜 것 모두)에 관한 것이다. 즉, 코더, 비디오 그래퍼, 일러스트레이터, 작가, 편집자, 및 거의 모든 유형의 지식 노동자 또는 “전문가”를 중개한다. 이전에 인간은 자신의 인지적 처리 및推論 능력과 경쟁하는 기술을 다루지 않았다. 즉, 단지 물리적 힘, 지구력, 정밀도, 그리고大量의 데이터를 처리하고 가공하는 능력만이 아니라.

이 새로운 생산성 혁명은 새로운 기술, 능력, 및 조직 구조가 필요하다. 즉, 데이터 전문 지식이 거의 모든 비즈니스 프로세스의 일부가 된다.

역설은 기계가 더 큰 분석 능력을 갖추게 되면, 조직 계층에서 직원의 지위와 가치는 더 이상 전문적인 전문 지식, 경험, 및 자격에 대한 함수가 아니라, 창의적, 다학제적, 및 상호 개인적인 기술에 대한 함수가 될 수 있다.

이러한 능력을 개발하고 투자하기 위한 시간은 지금이다.