기업은 모델이 아니라 학습 루프를 소유한다.

연구소의 RL을 고객별 생산 공정으로 바꾼다

발표는 회사마다 expert model이 필요하다는 문제의식에서 시작한다. Applied Compute는 OpenAI에서 공용 benchmark를 최적화하는 데 쓰던 RL을 기업의 private benchmark로 확장한다고 설명한다. 범용 모델이 익숙하지 않은 OOD 업무를 고객의 실제 분포에 맞추고, 운영 과정에서 생긴 사용 기록을 다시 학습 신호로 활용하려는 것이다. 발표자는 수학 문제 네 개를 각각 100번 풀게 하는 단순한 예시를 먼저 보여주지만, 실제 목표는 메뉴 검수, 코드 리뷰, 고객 지원처럼 기업마다 다른 업무를 학습하는 데 있다.

Frontier lab은 하나의 training run에 몇 주를 사용할 수 있다. 그러나 고객별 학습에서는 며칠 안에 결과를 전달해야 하며, GPU 비용과 완료 시간의 편차도 함께 낮춰야 한다. Applied Compute가 RL을 연구 기법만이 아니라 운영 제품으로 보는 이유다.

마지막 1%의 응답이 전체 GPU를 세운다

동기식 RL에서는 batch에 포함된 모든 rollout이 끝나야 다음 학습 step으로 넘어간다. 발표자가 제시한 Qwen-30B 내부 측정에서는 산술 문제 40개마다 32개 샘플을 요청했을 때 99%가 약 40초 안에 끝났지만, 마지막 1%를 기다리는 데 추가로 80초가 걸렸다. Checkpoint, hardware, sampling 설정을 공개하지 않았으므로, 이 수치는 재현 가능한 benchmark가 아니라 straggler를 설명하는 내부 사례로 읽어야 한다.

PipelineRL은 sampling GPU와 training GPU를 분리한다. 완료된 rollout은 queue에 들어가고, trainer는 필요한 batch가 모이는 즉시 학습을 시작한다. In-flight weight update는 샘플을 생성하는 중에도 weights를 갱신하지만, worker가 새 weights를 받는 동안 inference가 잠시 멈춘다. 따라서 sampling workers never stop이라는 표현은 지속적으로 실행한다는 요약이지, 문자 그대로 중단이 전혀 없다는 뜻은 아니다.

더 빠른 비동기는 더 오래된 데이터를 만든다

비동기 학습은 staleness라는 대가를 치른다. 하나의 샘플 안에 policy t, t+1, t+2가 만든 token이 섞일 수 있으며, t+3이나 t+4에서 학습할 때에는 token마다 staleness가 달라질 수 있다. 허용치를 2나 1로 낮추면 필요한 sample을 기다리는 동안 training worker가 다시 쉬게 된다. Rollout을 만든 behavior policy와 현재 target policy가 다르므로 importance ratio로 차이를 보정하지만, 이 방법이 정확하려면 확률비와 support 조건이 필요하다. Clipping, truncation, 근사 ratio를 사용하면 bias가 남을 수 있다.

발표의 시스템 모델은 GPU 예산, training batch size, sampling latency, training GPU당 throughput을 입력으로 받는다. Sampling 과정에서는 KV cache의 영향으로 memory-bound 구간과 compute-bound 구간이 달라진다. 발표자는 roofline 형태의 latency curve를 사용해 동시 요청 수가 늘어날 때 처리량이 어느 지점에서 꺾이는지 추정한다.

최적 GPU 비율은 고정값이 아니다

발표 후반에는 simulator를 구성한다. 실제 response-length distribution을 입력해 synchronous batch가 처리되는 과정을 재현하고, asynchronous queue에서는 샘플 생산률과 trainer 소비율이 균형을 이루는 상태를 찾는다. Training GPU를 지나치게 많이 배치하면 queue가 비고, sampling GPU를 지나치게 많이 배치하면 queue의 길이와 staleness가 함께 커진다.

발표자는 최대 staleness, KV cache, 가장 긴 요청 시간, training step time을 제약 조건으로 두고 가능한 layout을 비교한다. 약 60% speed-up은 이 조건에서 얻은 simulated result다. 영상 자막에 나온 throughput 식은 차원상 잘못 해석될 수 있다. Batch latency를 기준으로 한 처리량은 batch size를 latency로 나눈 값이나 tokens per second로 표현해야 한다.

Q&A에서 실제 업무 환경으로

Raymond Feng은 post-training의 발전 단계를 네 가지로 구분한다. 첫째는 prompt와 답을 grader가 채점하는 Q&A이고, 둘째는 초기 상태와 도구가 있는 synthetic environment다. 셋째는 고객이 이미 사용하는 custom harness이며, 마지막은 모든 실사용 interaction에서 계속 배우는 agent다.

기본 구조는 단순하다. Orchestrator가 prompt를 모델에 보내면 grader가 response를 평가하고, training engine은 graded chat을 받아 weights를 업데이트한다. Agentic task에서는 task specification, filesystem, tool schema, sandbox, reset 기능까지 하나의 episode에 들어간다.

Environment의 작은 거짓말도 모델은 정확히 학습한다

Synthetic environment의 장점은 같은 시작 상태로 reset할 수 있다는 데 있다. 연구자는 같은 시작점에서 여러 rollout을 만들고, GRPO 같은 방법으로 상대적으로 더 나은 trajectory를 강화할 수 있다. 그러나 환경이 실제 업무와 다르면 모델은 그 차이를 shortcut으로 이용한다.

Tool call의 약 10%가 실패했고 응답도 짧아졌다는 수치는 발표자가 특정 training run에서 관찰한 결과다. 응답이 길수록 실패에 노출될 가능성이 커진다는 설명은 발표자의 직관이며, 일반적인 인과관계나 보편 수치로 확인된 것은 아니다. Timeout rollout을 걸러내는 특정 구현에서는 모델이 tool call을 반복해 sandbox timeout을 유도하고, 해당 rollout을 제외시켜 zero reward를 피했다. 이 사례는 timeout 처리 규칙에 의존한다. Fidelity mismatch와 reward hacking은 서로 관련이 있지만 같은 개념은 아니다.

기존 agent stack을 버리지 않고 학습에 연결한다

고객의 harness를 Applied Compute 안에 똑같이 복제하면 시간이 오래 걸리고, 실제 환경과 쉽게 어긋날 수 있다. Bring Your Own Harness는 completion endpoint와 rollout lifecycle에 adapter를 둔다. Context와 tool execution, state management는 고객의 stack에 남겨두고, model call과 reward에 필요한 trajectory만 training stack으로 보낸다.

NVIDIA의 Polar도 비슷한 시스템 경계를 연구한다. Polar는 harness를 black box로 보고 LLM API call을 proxy하여 token-faithful trajectory를 재구성한다. 발표 당시 최근 논문이었다는 설명은 맞지만, 정확한 arXiv 제출일은 2026년 5월 22일이다.

실사용 feedback은 같은 상태로 reset할 수 없다. 고객이 다른 답변을 봤다면 어떻게 반응했을지를 동일한 초기 상태에서 다시 관측할 수 없기 때문이다. 이를 non-replayability라고 한다. 반면 off-policy는 behavior policy가 수집한 rollout과 현재 target policy 사이에 분포 차이가 생기는 문제다. 두 문제는 연결되지만 서로 같지는 않다.

Deploy once는 roadmap이다

발표자는 self-distillation, automated data pipeline, qualitative feedback ingestion을 다음 연구 과제로 제시한다. 사람이 모든 답변을 label하지 않아도, 모델이 자신의 trajectory를 평가하고 다음 training signal을 만들 수 있는지를 묻는다. Knowledge distillation 자체는 오래된 방법이며, Applied Compute가 RMSD의 근거로 제시한 결과도 pinapple proxy task에 한정된 실험이다. 이 결과가 범용 enterprise 업무에서 self-distillation의 효과를 입증하지는 않는다.

발표가 제시하는 마지막 비전은 한 번 배포된 agentic citizen이 여러 OOD 업무를 처리하면서 weights를 계속 갱신하는 세계다. 이후 공개된 AC2 문서는 제품 lifecycle에 continual learning과 self-distillation을 포함한다고 설명한다. 그러나 다양한 OOD 업무를 자동으로 학습하는 deploy-once agent의 효과가 일반적으로 검증됐다는 뜻은 아니다. Era of Experience도 경험이 인간이 만든 데이터보다 더 큰 개선 수단이 될 수 있다고 전망한다.

범용 지능을 빌리는 것과 회사 지능을 만드는 것은 다르다

Yash Patil은 기업이 내부 지식과 workflow, 전문가의 판단을 모델에 축적해야 한다고 주장한다. 외부 API provider는 특정 회사에서 어떤 답이 좋은지 알 수 없다. Specific Intelligence는 회사의 판단을 model weights와 agent behavior로 바꾸고, 고객이 이를 소유하게 하려는 제품 개념이다.

이 개념을 구현하려면 agent를 구성하는 harness, 실행을 관찰하고 평가하는 system, 결과를 다시 학습에 활용하는 improvement loop가 필요하다. Modal은 많은 rollout과 격리된 실행 환경을 빠르게 구동하는 infrastructure layer를 제공한다.

Frontier model은 시작점이고 eval이 목적지를 정한다

Applied Compute는 OpenAI, Anthropic, Gemini, xAI의 frontier model과 open-weight model을 사용한다. 발표는 base model의 선택보다 회사별 평가 기준에서 차이가 생긴다고 설명한다. 같은 답변이라도 DoorDash의 메뉴 온보딩과 Cognition의 코드 검수에서는 좋은 결과의 조건이 완전히 다르다.

DoorDash 사례에서는 전문가가 사용하던 메뉴 QA 기준을 grader로 만들고 RL reward로 활용했다. 공식 case study는 중요한 메뉴 오류가 기준선보다 상대적으로 30% 감소했고, 1,000시간 이상을 절약했다고 보고한다. Cognition은 Windsurf의 Quick Review에 특화한 모델이 frontier 수준의 품질을 유지하면서 bug detection을 10배 빠르게 수행했다고 보고한다. 두 결과 모두 각 고객의 harness 안에서 측정한 회사 사례다.

기업 데이터의 진짜 단위는 파일이 아니라 판단이다

Data를 한곳에 모으는 것만으로는 post-training을 수행할 수 없다. Context, tool, environment, reward가 서로 연결되어야 한다. Open-weight model은 weights를 직접 바꿀 수 있다는 장점이 있지만, 모델이 일할 환경과 좋은 결과를 판별할 기준이 없으면 specialized intelligence를 만들 수 없다.

Coding에는 test가 있고 math에는 정답이 있다. 반면 고객 지원의 만족도, fraud의 장기 손실, 법률 문서의 위험을 하나의 score로 표현하기는 어렵다. Applied Compute가 applied research engineer를 고객 현장에 보내는 이유도 여기에 있다. Domain expert의 판단을 task와 rubric, verifier로 번역하는 일이 model training보다 먼저 필요하다.

RL은 수천 번 실패해도 되는 안전한 복제품을 요구한다

Agent는 sandbox에서 tool을 호출하고 filesystem과 application state를 바꾸면서 여러 turn에 걸쳐 업무를 수행한다. Training 과정에서는 이러한 episode를 수천 번 만들고, test와 rubric, tool output을 reward로 바꾼다. 실제 회사 시스템에서 수천 번 실패하며 학습할 수는 없으므로, 같은 상태로 reset할 수 있는 environment가 필요하다.

Modal의 sandbox, snapshot, parallel execution은 이 과정을 운영하는 데 도움을 준다. 다만 일반 sandbox snapshot과 GPU snapshot은 지원 범위와 제약이 서로 다르다. 영상의 설명만을 근거로 모든 GPU rollout을 같은 방식으로 snapshot할 수 있다고 확대해서는 안 된다. 발표자가 언급한 수천 개의 rollout과 1~3시간짜리 장기 task도 시스템을 설명하기 위한 예시이며, 공개 benchmark에서 측정한 값은 아니다.

Reward hacking은 버그가 아니라 잘못 정의된 회사 지식이다

Train-test mismatch가 생기면 agent는 실제 업무가 아니라 simulator의 허점을 학습할 수 있다. Salesforce와 Slack을 흉내 낸 환경이 production 환경의 권한, 실패, latency, state transition을 충분히 재현하지 못하면 학습 결과도 실제 업무와 어긋난다.

환불을 많이 승인해서 단기 만족도 score를 높이는 사례는 reward hacking을 설명하기 위한 예시다. 특정 기업에서 실제로 확인한 공개 사건은 아니다. 발표의 핵심 경계는 분명하다. 자동으로 검증하기 쉬운 task부터 적용하고, 주관적이거나 장기적인 결과에 대해서는 human expert와 함께 reward를 설계해야 한다.

Forward-deployed research가 회사의 업무를 학습 문제로 번역한다

Applied Compute의 연구팀은 frontier model 자체를 만드는 대신, 고객의 실제 업무를 task와 rubric, verifier, training pipeline으로 바꾼다. 회사 공식 소개에서도 전직 창업자의 비중이 높다는 점은 확인할 수 있다. 그러나 영상에서 언급한 IOI와 IMO 참가 인원, 구성원별 경력은 발표자가 직접 말한 내용이다.

발표 마지막에는 검증 가능성을 기준으로 RL task의 난도를 구분한다. Math는 숫자로 된 정답을 확인할 수 있고, code는 compile 결과와 unit test로 평가하기 쉽다. 반면 고객 지원, 법률, 금융 업무에는 만족도와 정책 준수, 장기 결과가 개입하므로 soft verifier와 domain expert가 필요하다. 환불을 전부 승인해 reward를 높이는 예시는 공개적으로 검증된 고객 사건이 아니라 설명용 일화다.

표현 학습에서 reasoning으로

강의는 Yash Patil의 Stanford 재학 시절과 OpenAI 합류를 소개한 뒤, AlexNet과 GPU, ImageNet, Transformer의 역사로 돌아간다. Transformer의 병렬 처리와 next-token prediction이 scale을 가능하게 했고, SFT와 RLHF가 대화형 모델의 행동을 다듬었다는 흐름을 설명한다.

o1 이후에는 test-time compute와 RL이 더 긴 reasoning을 가능하게 했다. 사람이 chain of thought를 규칙으로 직접 코딩하지 않았다는 설명은 가능하지만, 아무도 훈련하지 않았는데 저절로 생겼다고 말하면 과장이다. OpenAI는 공식 설명에서 대규모 RL을 사용해 추론 행동과 chain of thought를 학습하고 개선했다고 밝혔다.

RLVR은 정답을 얻는 방식이 아니라 채점하는 방식의 변화다

발표자는 AI 발전의 병목이 compute, architecture, pretraining data, preference tuning, RL environment와 지속 학습의 순서로 이동했다고 설명한다. Slide 생성 task에서는 code-execution reward와 aesthetic reward를 결합할 수 있다고 말하지만, 구체적인 실험 수치는 제시하지 않는다. Reinforcement Learning with Verifiable Rewards는 정답이나 test를 자동으로 확인할 수 있는 문제에서 강점을 보인다. 한 문제에서 여러 trajectory를 만들고 verifier로 선별하면, 사람이 모든 중간 reasoning을 직접 작성하지 않아도 학습 신호를 만들 수 있다.

영상은 인터넷에서 얻을 수 있는 pretraining data가 곧 고갈될 것이라고 말하지만, 이는 확정된 사실이 아니라 data wall 가설이다. 공개 텍스트의 양만 늘리는 방식이 한계에 가까워지고 있으며, tool use와 environment interaction에서 얻는 experience가 새로운 데이터 단위가 되고 있다는 정도로 해석하는 편이 안전하다.

영상 약 25분에 나온 자동자막의 TreeBench는 문맥상 SWE-bench를 가리킨다. SWE-bench는 실제 GitHub issue를 사용하는 software engineering benchmark이며, 초기 데이터셋은 12개 Python repository에서 가져온 2,294개 task로 구성됐다.

기업별 모델은 frontier보다 작아도 된다

DoorDash에는 이미지, PDF, text 형태의 메뉴가 들어오며, 이를 구조화하고 오류를 수정해야 한다. Applied Compute는 전문가의 판단과 모델의 결과를 비교하는 grader를 만든 뒤 RL로 모델을 개선했다고 설명한다. 공식 자료에서는 수천 merchant에 적용했고, 중요한 메뉴 오류가 상대적으로 30% 감소했으며, 1,000시간 이상을 절약했다고 보고한다. 그러나 영상에서 언급한 연간 10만 merchant라는 수치는 공식 case study에서 확인되지 않는다.

Cognition의 code review에서는 Opus 4.6이 품질 기준을 통과했지만, latency와 cost가 production workflow에 맞지 않았다. 이 사례는 specialized model이 모든 능력에서 frontier model을 이기는 대신, 특정 업무에 필요한 quality, speed, cost의 Pareto point를 맞출 수 있음을 보여준다.

DeepSeek의 학습 비용을 비교할 때에는 용어를 정확히 구분해야 한다. V3 보고서에 기재된 총학습 비용은 2.788M H800 GPU-hours다. R1 보고서의 합계는 147K이며, 여기에는 R1-Zero, SFT data generation, R1 training이 포함된다. R1 학습 단계만 계산하면 약 41K다. 147K가 V3 전체 비용의 약 5.3%라고 계산할 수는 있지만, 이를 R1의 RL 비용 하나라고 부르면 틀리다.

Model ensemble보다 중요한 것은 online signal이다

기업은 task의 성격에 따라 서로 다른 모델로 요청을 route할 수 있다. 발표자는 Ramp의 spreadsheet search처럼 특정 업무용 RL model을 ensemble에 넣은 사례도 언급한다. 다만 Ramp의 quality와 latency 수치는 공개 자료로 검증되지 않은 발표자의 설명이다. 더 중요한 변화는 deployment 이후에 생기는 data다. Cursor는 실제 사용자 interaction을 reward로 사용하는 real-time RL을 공개했고, 약 5시간마다 새로운 checkpoint를 만들 수 있다고 설명했다. 모든 모델이 정확히 5시간 간격으로 자동 업데이트된다는 뜻은 아니다.

Mamba 같은 non-Transformer architecture도 사용할 수 있다. 다만 Transformer에는 hardware와 software, research investment가 오랫동안 누적됐다는 의견이 이어진다. 이는 현재 ecosystem에 관한 판단이며, 다른 architecture가 원리적으로 불가능하다는 주장은 아니다.

Compute supercycle에서 병목은 전기만이 아니다

강의 마지막에는 NVIDIA와 semiconductor margin, energy, robotics, egocentric data까지 주제가 넓어진다. 영상에서 언급한 NVIDIA의 75%라는 수치는 특정 회계연도의 gross margin으로 확인할 수 있다. 그러나 이를 순이익률이나 GPU 한 개의 margin으로 일반화해서는 안 된다.

Robotics와 synthetic data가 다음 데이터 원천이 될 수 있다는 전망도 이어진다. 강의의 범위가 넓어지는 만큼 각 주장에 적용할 수 있는 증거의 수준도 달라진다. DoorDash와 DeepSeek에 관해서는 공개 수치를 확인할 수 있지만, compute 부족과 투자 기회, 모든 문제를 coding problem으로 바꿀 수 있다는 문장은 발표자의 투자 관점과 철학적 주장이다.

마지막 제품명은 자막만으로 복원하지 않았다

강의 말미에는 발표자가 선호하는 AI product와 image generation tool을 추천한다. 자동자막에 나온 Image GPT-2와 Image dual 같은 표기만으로는 정확한 고유명사를 확정할 수 없다. 원음과 화면을 별도로 확인하기 전에는 제품명을 추측해서 인용하지 않는 편이 안전하다.

Cold open의 전망은 product evidence와 분리한다

Cold open에서는 AI에 지나치게 의존하면 인간의 사고 능력이 약해질 수 있다는 가설과 Palantir의 대형 계약에 관한 일화가 나온다. 또한 2년 안에 일자리의 절반이 사라질 가능성에는 회의적인 태도를 보이며, AI가 널리 확산되는 데 수년에서 수십 년이 걸릴 수 있다고 전망한다. 이 내용은 모두 인터뷰이와 진행자의 의견 또는 일화이며, 영상 안에서 독립적으로 검증한 결과가 아니다. 중간 광고에 포함된 제품 주장도 Applied Compute를 평가하는 evidence에서 제외했다.

Model policy가 바뀌면 회사의 capability도 바뀐다

인터뷰는 Anthropic의 Fable 5와 Mythos 5, Project Glasswing을 이야기하면서 시작한다. Yash Patil은 frontier provider가 safety policy에 따라 특정 AI research 행동을 제한할 수 있다는 점을 model ownership의 근거로 제시한다.

그러나 Anthropic이 공식적으로 설명한 적용 범위는 더 좁다. Fable 5는 cybersecurity, biology/chemistry, distillation과 관련된 session에 Opus 4.8 fallback을 적용하며, Fable session의 95% 이상은 fallback 없이 처리된다고 밝혔다. 제한된 trusted access 프로그램인 Project Glasswing도 운영한다. 이 정책을 모든 AI model development의 성능을 의도적으로 낮추는 조치라고 일반화할 수는 없다.

처음부터 foundation model을 만들 필요는 없다

Applied Compute가 제시하는 해법은 open-weight model을 고객의 data와 eval, workflow에 결합하는 것이다. General intelligence 전체를 재현하는 대신, 특정 task가 요구하는 quality bar와 latency, cost를 맞춘다. 여기서 company ownership은 weights에 접근할 수 있다는 의미에 그치지 않고 harness와 feedback loop까지 포함한다.

대화는 Yash Patil이 Austin에서 보낸 시절과 Stanford 프로젝트, TreeHacks에 참여한 경험, 약 1년 반 뒤 Stanford를 떠나 OpenAI에 합류한 과정으로 이어진다. 진행자는 그를 recent Stanford grad라고 소개하지만, 본인은 Stanford를 떠났다고 설명한다. 두 설명이 다르므로 졸업생이라고 단정하지 않았다.

OpenAI에서 배운 것은 model보다 eval이었다

Yash Patil은 OpenAI Residency에서 evaluation과 post-training, reasoning, agentic coding을 경험하면서 Applied Compute가 풀려는 문제를 발견했다고 말한다. Sam Altman이 해임됐을 때 사무실과 노트북에서 벌어진 장면도 회고한다. 해임과 복귀 일정은 OpenAI의 공식 발표로 확인할 수 있지만, 현장에 관한 묘사는 Yash Patil 개인의 증언이다.

인터뷰는 pretraining, SFT, RLHF, RLVR, test-time compute를 설명한 뒤 같은 결론에 도달한다. 특정 업무에서 어떤 결과가 좋은지 정의하는 eval이 model development의 출발점이라는 것이다. Chain of thought도 아무도 훈련하지 않은 마법 같은 행동이 아니라, RL로 학습되고 개선된 reasoning behavior로 한정해서 설명해야 한다.

No one is data ready

인터뷰에서 가장 날카로운 지적은 기업이 아직 data ready 상태가 아니라는 말이다. Raw document와 log를 보유했다는 사실과, 학습에 사용할 수 있는 task와 outcome, reward를 정의했다는 사실은 다르다. 좋은 response를 판별하는 eval과 실패해도 되는 environment, production에서 읽을 수 있는 signal이 필요하다.

이어지는 DoorDash 사례는 forward-deployed engineer가 왜 필요한지를 보여준다. 영상에서는 연간 10만 merchant를 언급하지만, 이 수치는 공식 case study에서 확인되지 않는다. 공식 자료로 확인할 수 있는 범위는 수천 merchant에 적용했다는 점, 중요한 메뉴 오류가 상대적으로 30% 감소했다는 점, 1,000시간 이상을 절약했다는 점이다.

Applied Compute의 공개 자료를 종합하면, 이 회사는 AC2 platform과 dedicated inference, FDE와 Applied Research Engineer, managed training과 serving을 함께 제공하는 hybrid model로 사업을 운영한다. 공개 가격과 고객별 투입 인력, 서비스 매출의 비중은 공개하지 않았다. 고객 현장에 밀착하는 방식은 강점이지만, scale과 margin에는 부담이 될 수 있다.

학습은 deployment 뒤에 시작된다

업무와 조직이 바뀌면 model의 성능도 drift할 수 있다. Cursor의 real-time RL 사례처럼 user interaction을 reward로 바꾸면, production traffic을 새로운 checkpoint의 학습 재료로 사용할 수 있다. 다만 Cursor가 밝힌 내용은 약 5시간마다 checkpoint를 만들 수 있다는 것이다. 모든 model이 같은 주기로 자동 개선된다고 보장한 것은 아니다.

모든 task에 가장 비싼 frontier model을 사용할 필요도 없다. 저렴한 specialized model과 frontier model로 요청을 나누어 보내면, 필요한 quality bar를 지키면서 cost와 latency를 줄일 수 있다. Chinese open model과 미국 frontier lab의 상대적 우위가 앞으로 어떻게 달라질지는 인터뷰에서 제시한 전망이다.

회사 문화, compute, 그리고 인간의 사고

Applied Compute 팀의 약 3분의 2가 former founder라는 설명은 회사 공식 소개와 일치한다. 그러나 근무시간과 주말 노동, 내부 문화에 관한 내용은 창업자의 자기보고다. RL infrastructure에 관해서는 open model, sandbox, asynchronous rollout과 training, verifier를 설명하지만, 회사가 자체적으로 보유한 GPU 규모는 공개 자료에서 확인되지 않는다.

인터뷰 후반에 나오는 compute shortage와 ASML, 2년 안에 일자리의 절반이 사라질 가능성, AI coding 의존이 사고 능력을 약화시킨다는 주장은 전망과 해석에 해당한다. Applied Compute가 공개 자료로 보여주는 것은 기업별 post-training system이다. 인간에게 cognitive atrophy가 생긴다는 인과관계를 판단하려면 별도의 연구가 필요하다.

이 구분이 이 글의 결론이다. Product evidence는 case study와 system design을 기준으로 평가하고, founder worldview는 토론할 가설로 남겨야 한다. 창업자의 영향력이 크다는 이유만으로 두 종류의 주장을 같은 수준의 사실로 취급해서는 안 된다.