🧠 학습 데이터가 바닥나면, AI의 발전은 끝날까? source

1. 고정된 가정
- AI가 모든 일을 배우려면 인간의 작업 기록을 끝없이 모아야 한다는 주장은 지금의 학습방식이 계속 유지된다는 가정에 기대고 있음
- 톰 데이비슨은 AI가 학습 알고리즘 자체를 개선하면, 같은 능력을 훨씬 적은 데이터로 익힐 수 있다고 주장

2. 학습법의 개선
- 핵심은 정답을 더 많이 외우게 하는 데서 끝나지 않음
- 새로운 과제를 더 적은 예시로 배우는 방법을 AI가 직접 연구하는 것
- 이것이 가능해지면 더 나은 AI가 다음 학습법을 개발하고, 그 학습법으로 다시 더 나은 AI를 만드는 순환이 생김

3. 남아 있는 간극
- 새로운 지식을 검증하고 고품질 데이터를 만드는 데 시간이 든다는 점은 인정함
- 다만 이것이 발전을 늦출 수 있어도 영구히 막지는 못함
- 아직 지능 폭발이 입증됐다는 뜻은 아님. AI가 만든 학습법이 새로운 과제와 현실 환경에서도 성과를 내는지가 핵심

✍️ AI의 장기 한계를 판단할 때는 남은 데이터의 양과 함께, 같은 데이터로 얼마나 더 많이 배울 수 있는지도 봐야