두 사례에서 눈여겨볼 부분은 결과물 자체보다 그 결과에 도달하는 과정입니다. 입력 하나를 받은 뒤 학습 환경을 만들거나 결과를 서로 검토하는 중간 과정을 모델 쪽에서 진행했습니다.

로봇 사례에서는 실제 로봇에 적용하기 전에 모델이 만든 시뮬레이터 안에서 동작을 먼저 익혔습니다. 3D 사례에서는 여러 에이전트가 서로의 결과물을 비평하고 고쳤습니다. 방식은 다르지만, 두 사례 모두 사람이 단계마다 개입하지 않고 모델이 시험과 수정을 반복해 최종 결과에 이르렀습니다. 다만 '수 주에서 몇 시간으로' 줄었다는 비교는 구글이 제시한 설명입니다. 7번 연속 성공 역시 콘홀 던지기라는 특정 과제의 결과입니다①.

이번 사례들에서 로컬 LLM의 속도는 장비 사양 하나로 정해지는 값이 아니었습니다. 처리 단계를 어떻게 나누는지, 어떤 런타임으로 실행하는지에 따라 함께 달라지는 수치로 제시됐습니다.

첫 사례에서는 같은 실험 안에서도 개선 폭이 단계마다 달라, 프리필은 2.4배, 디코드는 1.4배였습니다①. 두 번째 사례는 노트북 GPU에서 llama.cpp와 비교한 디코드 속도입니다②. 두 수치는 측정 대상과 단위가 달라 서로 직접 비교할 수 없습니다. 또한 각각 특정 모델과 장비 조합에서 공유된 커뮤니티 실험 결과입니다.

로컬 구동 성능 자료를 볼 때는 tok/s 같은 숫자를 단독으로 보지 않을 수 있습니다. 어느 처리 단계의 수치인지, 어떤 런타임과 비교한 결과인지를 하나의 확인 항목으로 묶어 볼 수 있습니다.

이번 주장들은 공통적으로 'AI가 AI 연구에 참여하면 개선 속도 자체가 빨라진다'는 전제를 변화 시점이 앞당겨지는 근거로 삼았습니다.

Clark의 발언에는 연구자 대비 성과, 30분의 1 수준의 비용, 3개월마다 두 배라는 구체적 수치가 함께 제시됐습니다①. 커뮤니티 글은 과거 컴퓨터 혁명과의 기간 비교를 근거로 들었습니다②. 두 주장 모두 시점에 대한 전망이며, 수치도 발언자가 제시한 것입니다. 측정 방식이나 '실험적 과제'의 구체적 범위는 이번 자료에서 확인되지 않습니다.

이번 논의에서 AI 격차는 'AI를 쓰느냐 안 쓰느냐'보다 '어느 단계까지 쓰고 있느냐'의 차이로 제시됐습니다.

Karpathy의 수치는 접근하지 않는 층, 챗봇을 가볍게 쓰는 층, 에이전트에 장기 작업을 맡기는 층으로 활용 단계를 나눈 추정치입니다①. 게시글들은 이 단계 차이를 AI에 대한 인식의 차이나 사회적 갈등의 문제로 확장해 해석했습니다. 같은 수치를 두고도 활용 수준의 분포로 읽는 시각과 되돌리기 어려운 격차로 읽는 시각이 나뉜 셈입니다.

조직 안의 AI 활용을 볼 때도 도입 여부와는 별개로 사용 단계를 나눠 볼 수 있습니다. 검색·글쓰기 보조에 머무는지, 여러 단계의 작업을 에이전트에 맡기는 수준인지를 구분해 볼 수 있습니다.

이번 자료에서 학회 논문 심사는 두 방향에서 다뤄졌습니다. 하나는 실제 심사자가 AI를 쓰는지에 대한 물음이고, 다른 하나는 심사 형식 자체를 AI로 재현하는 도구입니다.

질문 게시글은 리뷰어의 사용 여부를 묻는 단계에 머물러 있어, 실제 사용 비율이나 학회 차원의 방침은 이번 자료에 나오지 않습니다①. 모의 리뷰 도구는 심사 기준을 항목별로 나눠 점수화하고 수정 반영 여부를 추적하는 구조입니다②. 따라서 실제 심사를 대신하는 도구가 아니라, 학회 심사 형식을 본뜬 별도의 평가 결과로 구분해 볼 수 있습니다.