인터뷰/예측
노엄 브라운 "AI 분야가 아직도 추론 컴퓨팅 중요성을 과소평가하고 있다"
작성자
작성일
2026-05-22 08:25
조회
595
노엄 브라운 인터뷰 정리
1. “지능”을 어떻게 정의할 것인가
인터뷰어:AGI나 지능을 진지하게 이야기하려면 먼저 지능이 뭔지 정의해야 할 것 같습니다. 당신은 지능을 어떻게 정의하나요?
노엄 브라운:
솔직히 말하면, 나는 지능에 대한 완벽한 정의를 갖고 있지는 않습니다. 많은 사람들이 지능을 명확하게 정의하려고 했지만 실패했을 겁니다.
2017년쯤 Reddit AMA를 했을 때 누가 나에게 AGI가 걱정되냐고 물었습니다. 그때는 알파고 같은 바둑 AI도 있었고, 내가 만든 포커 봇도 있었고, 사람들은 “AI가 꽤 똑똑해지는 것 아니냐”고 묻고 있었습니다.
나는 그때 이렇게 말했습니다.
“지금 당장은 AGI가 크게 걱정되지는 않는다. 나는 90% 이상의 확신으로, 앞으로 10년 안에 AI가 생각을 자극하는 소설을 쓰지는 못할 것이라고 본다. 만약 AI가 그런 걸 할 수 있다면, 그때는 AGI가 정말 무서워질 것이다.”
그게 2017년이었고, 이제 그 예측까지 1년 반 정도 남았습니다. 그런데 솔직히 말하면 내 예측이 그리 좋아 보이지는 않습니다.
2. “생각을 자극하는 소설”은 지능의 좋은 예시인가
인터뷰어:그러면 당신에게 AGI의 대략적인 기준은 “생각을 자극하는 소설을 쓸 수 있느냐”인가요?
노엄 브라운:
그렇습니다. 나는 그 기준을 완전한 지능의 정의라고 말하고 싶지는 않습니다. 하지만 적어도 지능을 보여주는 좋은 사례라고 생각합니다.
AI가 정말로 생각을 자극하는 소설을 쓸 수 있다면, 그것은 지능의 강한 신호입니다.
인터뷰어:
그런데 “생각을 자극한다”는 게 누구에게 그렇다는 뜻인가요?
노엄 브라운:
맞습니다. 그건 공정한 질문입니다. 모두에게 통하는 절대 기준은 아닙니다. 다만 내가 생각하기에 우리가 도달해야 하는 지점 중 하나는 그런 장기적이고 창의적인 작업입니다.
3. 왜 소설 쓰기가 어려운가
인터뷰어:왜 AI가 소설을 쓰기 어렵다고 보나요? 그냥 다음 토큰 예측을 길게 이어가면 되는 것 아닌가요?
노엄 브라운:
2017년에는 AI가 일관된 문장을 이어가는 것조차 상상하기 어려웠습니다. 그런데 지금은 엄청난 발전을 했습니다. 지금 AI는 꽤 생각을 자극하는 단편소설 정도는 쓸 수 있을 겁니다.
하지만 소설의 핵심 문제는 작업의 길이입니다. 소설 하나는 최소 10만 토큰 이상일 수 있습니다. 좋은 소설을 쓰려면 인간도 1년 이상 걸릴 수 있습니다.
그래서 중요한 질문은 이것입니다.
“AI가 인간이 1년 동안 해야 하는 일을 할 수 있게 되려면 얼마나 걸릴까?”
아직 대부분의 영역에서는 거기에 도달했다고 보지 않습니다. 하지만 분명히 가까워지고 있습니다.
4. 스캐폴딩을 붙이면 지금도 가능할 수 있다
인터뷰어:현존 모델을 여러 방식으로 연결하고 보조 구조를 붙이면, 생각을 자극하는 소설을 쓰게 만들 수 있지 않을까요?
노엄 브라운:
그럴 가능성이 있다고 봅니다. 지금 모델들을 잘 스캐폴딩하면 실제로 꽤 생각을 자극하는 소설을 출력하게 만들 수도 있을 겁니다.
다만 그게 AGI의 충분조건인지는 모르겠습니다. 나는 가능하면 가벼운 스캐폴딩만으로 되는 걸 보고 싶습니다.
하지만 2017년에 누가 나에게 “2026년쯤에는 LLM들을 연결해서 생각을 자극하는 소설을 만들 수 있을 것”이라고 말했다면, 나는 아마 “그 정도면 내 정의상 AGI라고 봐도 되겠다”고 말했을 겁니다.
5. 지능 측정: 벤치마크 하나로는 부족하다
인터뷰어:val perplexity, GSM8K, ARC Prize 같은 여러 지표들이 있습니다. 이런 것들을 지능의 대리 지표로 어떻게 보나요?
노엄 브라운:
지능을 측정하는 것은 매우 어렵습니다. 인간의 지능조차 제대로 측정하는 방법이 없습니다. 인간에게도 여러 종류의 지능이 있다고 말하지 않습니까?
그런데 인간 지능도 객관적으로 측정하기 어려운데, 모델의 지능을 객관적으로 측정하는 것은 더 어렵습니다.
나는 여러 평가들이 각자 타당하다고 생각합니다. 하지만 모두 한계가 있습니다.
예를 들어 GSM8K 같은 수학 평가가 있습니다. 모델이 수학에 특화되어 파인튜닝되면 그 벤치마크에서는 매우 잘할 수 있습니다. 하지만 그것이 소설을 잘 쓰는 능력까지 의미하느냐 하면, 그렇지는 않습니다.
6. 다양한 평가를 종합해서 보는 게 현재로서는 가장 낫다
인터뷰어:그러면 prior experience, 즉 사전 경험을 통제하는 방식은 어떻게 보나요?
노엄 브라운:
솔직히 만족스러운 답은 없습니다. 나는 일상적으로 사용하는 하나의 지능 정의가 없습니다.
다만 다양한 평가가 존재하는 것은 좋다고 봅니다. 여러 평가의 집합을 보는 것이 현재로서는 가장 나은 방식일 수 있습니다.
평가마다 다른 종류의 지능을 포착합니다. 어떤 사람은 수학 문제를 증명하는 능력이 중요할 수 있고, 어떤 사람은 새로운 환경에 적응하는 능력이 중요할 수 있습니다.
ARC 같은 평가는 특히 새로운 환경에 적응하는 능력을 보려는 시도라고 생각합니다. 그것도 매우 유용한 지능의 한 정의입니다.
7. 노엄 브라운의 핵심 관점: 추론 연산, 즉 inference compute가 과소평가되고 있다
인터뷰어:당신의 관점을 한 문장으로 요약하면, “생성자-검증자 격차와 검증 가능한 문제를 이용하면 더 많은 데이터를 만들 수 있고, 그걸로 모델을 발전시킬 수 있다” 정도로 볼 수 있을까요?
노엄 브라운:
그 문장만으로는 전체 이야기를 담지 못합니다.
내가 중요하게 보는 또 하나의 핵심 요소는 inference compute, 즉 추론 시점의 연산입니다.
특히 추론 능력에서는, 모델이 더 오래 생각함으로써 더 생산적이고 더 똑똑해질 수 있다는 점이 중요합니다. 지능의 중요한 재료 중 하나는 “더 오래 생각하면 더 나은 결과를 내는 능력”이라고 봅니다.
물론 이것도 넓게 보면 다음 토큰 예측의 한 형태입니다. 다만 단일 토큰 하나가 아니라, 긴 사고 과정 전체를 예측하는 것입니다.
8. “버블 정렬만 학습한 모델이 병합 정렬을 발견할 수 있나?”
인터뷰어:만약 모델이 버블 정렬만 학습했다면, 테스트 타임 컴퓨트를 아무리 많이 써도 병합 정렬을 발견하지 못하는 것 아닌가요?
노엄 브라운:
만약 모델이 존재하는 내내 오직 버블 정렬만 봤다면, 그 이상을 하기는 어려울 겁니다. 그래서 사전학습에서 중요한 것이 데이터의 다양성입니다. 충분히 다양한 데이터를 통해 탐색 가능성을 확보해야 합니다.
여기서 생성자-검증자 격차가 중요해집니다. 어떤 아이디어가 나올 확률이 0이 아니기만 하면, 수많은 시도 중 하나가 병합 정렬 같은 더 좋은 방법을 우연히 발견할 수 있습니다. 그리고 그것이 더 빠르다는 건 쉽게 검증할 수 있습니다.
나는 이것이 인간 문명 발전과도 비슷하다고 봅니다. 누군가 우연히 불을 발견합니다. 그 순간 “이건 뭔가 중요하다”고 검증하는 것은 상대적으로 쉽습니다. 그런 발견이 이후의 진보를 이끕니다.
9. 무작위 탐색보다 좋은 prior가 필요하다
인터뷰어:하지만 프로그램 공간을 무작위로 탐색하면 너무 비효율적이지 않나요?
노엄 브라운:
맞습니다. 원숭이 백만 마리가 타자기를 두드리면 언젠가는 유용한 것을 발견할 수 있겠지만, 시간이 너무 오래 걸립니다.
그래서 prior를 날카롭게 만드는 것이 중요합니다. 가능성 있는 방향에 집중할 수 있으면 유용한 것을 훨씬 빨리 발견합니다.
즉, 단순한 무작위 탐색이 아니라, 좋은 prior를 가진 탐색이 중요합니다.
10. 현재 LLM 구조가 생물학적으로 그럴듯한가?
인터뷰어:현재 LLM 구조가 뇌와 생물학적으로 비슷하다고 보나요? 뇌가 backpropagation을 하는지, pretraining이 DNA 같은 것인지 등 말입니다.
노엄 브라운:
나는 생물학자나 신경과학자가 아니라서 확신 있게 말하기 어렵습니다.
딥러닝 네트워크가 뇌 구조와 어느 정도 닮은 면은 있다고 알고 있습니다. 하지만 나는 그것이 인간 뇌와 얼마나 가까운지가 그렇게 중요하다고 보지는 않습니다.
분명한 것은 지금 이 방식이 작동하고 있다는 점입니다.
다만 인간 뇌를 보면 우리가 아직 발견하지 못한 더 유용한 방식이 있을 수는 있습니다. 그 부분에서는 내가 적임자는 아닙니다.
11. “뇌를 움직이는 알고리즘은 단순할 것인가?”
인터뷰어:프랑수아 숄레는 언젠가 뇌를 작동시키는 알고리즘을 찾게 될 것이고, 그것은 단순한 프로그램일 가능성이 높으며 prior가 거의 없을 것이라고 말했습니다. 동의하나요?
노엄 브라운:
그 알고리즘이 단순하고 우아할 것이라는 점에는 동의합니다. 오늘날 우리가 사용하는 알고리즘들도 상당히 단순하고 우아한 경우가 많습니다.
하지만 prior가 거의 없을 것이라는 주장에는 반드시 동의하지는 않습니다.
알파제로를 떠올릴 수 있습니다. 알파고는 인간 데이터를 많이 학습했고, 몬테카를로 트리 탐색과 self-play를 사용했습니다. 이후 알파제로는 인간 데이터를 제거하고 규칙과 연산만으로 더 좋은 성과를 냈습니다.
하지만 스타크래프트 같은 영역에서는 그런 방식이 잘 작동하지 않았습니다. 아마 action space가 훨씬 복잡하기 때문일 겁니다.
12. 인간 prior를 제거하는 방향은 당분간 핵심 경로가 아니다
인터뷰어:그렇다면 언젠가 인간 prior 없이 순수 RL만으로 학습하는 방향으로 갈 수 있을까요?
노엄 브라운:
이론적으로는 가능하다고 봅니다. 충분히 큰 네트워크와 충분한 RL, 충분한 시간이 있다면 인간 prior 없이도 가능할 수 있습니다.
하지만 실용적으로는 그게 좋은 길이라고 보지 않습니다. 가까운 미래에 추구해야 할 경로라고도 생각하지 않습니다.
2017년부터 2021년 정도까지는 인간 prior를 제거하고 처음부터 학습하는 아이디어가 RL 분야에서 매우 강했습니다. 하지만 대규모 인터넷 데이터로 사전학습해서 유용한 prior를 만드는 방식이 너무 강력하다는 것이 드러났습니다.
결과가 너무 강합니다. 지금 증거는 명확히 pretraining과 prior를 활용하는 쪽을 지지한다고 봅니다.
13. prior가 커지는 것이 진짜 지능을 흐리는가?
인터뷰어:숄레는 prior를 크게 쌓는 것은 임의의 skill을 사는 것에 가깝고, 진짜 지능은 skill acquisition efficiency, 즉 기술 습득 효율이라고 말합니다.
노엄 브라운:
그 주장은 이해합니다. 하지만 prior를 쌓는 것이 온라인 학습 능력을 해친다는 증거가 명확하지는 않습니다.
유용한 prior를 구축한다고 해서 모델이 이후에 학습하는 능력이 반드시 줄어드는 것은 아닙니다. 그런 trade-off가 있을 수는 있지만, 있다면 증거를 보고 싶습니다.
14. 노엄 브라운의 현재 AI 분야에 대한 반대급부적 견해
인터뷰어:오늘날 AI에 대해 당신이 가진 contrarian view가 있나요?
노엄 브라운:
많지는 않습니다. 나는 모델이 계속 좋아질 것이고, 지능이 꽤 빠르게 향상될 것이라고 강하게 믿습니다.
다만 내가 보기에는 AI 분야가 아직도 inference compute의 중요성을 과소평가하고 있습니다.
특히 더 강력한 모델을 출시할수록 이 문제가 커집니다.
우리는 아직도 새 모델을 발표할 때 GPQA 같은 벤치마크에 단일 점수를 붙입니다. “이 모델은 이 벤치마크에서 몇 점입니다”라는 식입니다. 그런데 이제 이 방식은 말이 안 된다고 봅니다.
GPT-2, GPT-3 시절에는 어느 정도 맞았습니다. GPT-4에서도 약간 애매했지만 아직 어느 정도는 가능했습니다. 하지만 chain-of-thought prompting으로 성능이 좋아지는 순간부터 이미 단일 점수는 불완전해졌습니다. reasoning model이 나온 뒤로는 더더욱 그렇습니다.
15. 벤치마크는 x축에 inference compute나 cost를 둬야 한다
노엄 브라운:나는 ARC가 이 부분에서 좋은 방향을 보였다고 생각합니다. ARC는 단일 숫자만 보는 것이 아니라, inference compute나 비용을 x축으로 두고 성능을 측정합니다.
특히 reasoning-heavy benchmark에서는 이렇게 해야 합니다.
모델의 지능이 추론 시점의 연산량에 따라 달라진다면, 단일 점수 하나로 모델을 평가하는 것은 충분하지 않습니다.
16. 안전성 평가와 inference compute 문제
인터뷰어:이건 preparedness framework나 responsible scaling policy와도 관련이 있겠네요.
노엄 브라운:
그렇습니다. 모델 출시 전에 “이 모델의 능력이 어느 수준인가”를 평가해야 합니다. 그런데 이때 얼마나 많은 inference compute를 써서 평가할 것인지가 매우 중요합니다.
만약 지능이 inference compute의 함수라면, 평가에 얼마나 돈을 써야 할까요?
예를 들어 회사가 “우리는 이 모델을 10달러어치 inference까지만 평가했다”고 말할 수 있습니다. 그런데 누군가 이 모델을 여러 번 호출하고 스캐폴딩해서 1,000달러어치 inference를 쓰면, 사실상 더 지능적인 시스템을 만든 셈입니다.
심지어 백만 달러어치 inference를 쓴다면 훨씬 더 강력한 시스템이 될 수 있습니다.
GPT-2나 GPT-3에서는 이런 문제가 크지 않았습니다. GPT-3를 천 번 호출한다고 해서 GPT-3보다 훨씬 더 지능적인 시스템이 되는 것은 아니었습니다. 하지만 모델이 강해질수록 이 문제는 점점 더 중요해집니다.
17. train-time recurrence에 대한 생각
인터뷰어:다음 scaling law는 train-time recurrence일 수 있다고 봅니다. 테스트 타임에는 반복적으로 생각할 수 있지만, 훈련 시점에서는 teacher forcing으로 한 번의 forward pass만 합니다. 이에 대해 어떻게 보나요?
노엄 브라운:
훈련 시점에 더 많은 compute를 쓰는 아이디어는 좋은 방향이라고 봅니다. 다만 pretraining과 post-training은 구분해야 합니다.
post-training에서는 이미 상당한 compute가 쓰이고 있습니다. 당신이 말하는 것은 주로 pretraining 쪽인 것 같습니다.
나는 그것이 훌륭한 연구 방향이라고 생각합니다. 지금 작동하는 방식이 있다고 해서 그것이 최선의 방식이라는 뜻은 아닙니다. 유일한 방식이라는 뜻도 아닙니다.
서로 다른 연구 방향이 계속 탐구되는 것은 가치 있습니다. 오히려 앞으로 우리가 지금보다 더 효과적인 방식을 발견할 가능성이 높다고 봅니다.
18. 현재 AI 스택에서 무엇이 사라질 것 같나?
인터뷰어:현재 AI 스택 중 무엇이 사라질 가능성이 높다고 보나요?
노엄 브라운:
나는 pretraining 전문가가 아니기 때문에 적임자는 아닙니다. 그리고 설령 생각이 있더라도 말하기 어려운 부분도 있습니다.
19. 학계의 역할: 비관만 할 필요는 없다
인터뷰어:LLM이 연구 분야의 공기를 너무 많이 빨아들이고 있습니다. 학계, 컨퍼런스, PhD의 미래를 어떻게 보나요?
노엄 브라운:
이 질문을 지난 몇 년간 많이 받았습니다. 완전히 절망적이라고 보지는 않습니다. 학계에서도 여전히 가치 있는 일이 있습니다.
다만 문제는 분명합니다. 현재 가장 인상적인 AI 능력 중 많은 부분은 scale의 결과입니다. 그리고 학계에는 GPU가 충분하지 않습니다. 이것이 현실입니다.
물리학에서는 대형 하드론 충돌기 같은 거대한 연구 인프라가 있습니다. 그것은 민간 기업이 독점하는 것이 아닙니다. AI에서도 대학들이 대규모 compute를 확보해 학술 연구에 사용할 수 있다면 상황이 달라질 수 있습니다.
내가 대학을 운영한다면, 10억 달러를 들여 대형 compute cluster를 만들 겁니다. 특히 AI/CS 분야에서 top 10이 아닌 대학이 빠르게 top 10, 혹은 1등이 되고 싶다면, GPU에 큰 자본을 투자해야 합니다.
그리고 스타 교수와 스타 학생들에게 이렇게 말하면 됩니다.
“우리는 지구상의 어떤 학술 기관보다 연구자 1인당 GPU가 많습니다.”
그러면 좋은 인재가 빠르게 모일 것입니다.
20. 학생들은 “GPU 접근성”을 반드시 물어봐야 한다
노엄 브라운:학생들이 대학원을 선택할 때 반드시 물어봐야 할 질문이 있습니다.
“내가 얼마나 많은 compute에 접근할 수 있는가?”
교수에게만 묻지 말고 학생들에게도 물어봐야 합니다. 학생들이 더 솔직한 답을 줄 가능성이 큽니다.
OpenAI에 오려는 사람들은 OpenAI가 compute를 많이 가지고 있다는 것을 대체로 알고 있기 때문에 나에게 그 질문을 자주 하지는 않습니다. 하지만 원칙적으로는 매우 중요한 질문입니다.
21. 학계가 compute 문제를 해결하는 방법
인터뷰어:학계가 compute를 확보하려면 어떻게 해야 할까요?
노엄 브라운:
명확한 답은 없습니다. 한 가지 방법은 여러 대학이 힘을 합쳐 더 큰 규모의 실험을 하는 것입니다.
예를 들어 순수 학술 기반의 오픈소스 pretraining 프로젝트가 있으면 멋질 것 같습니다. 경쟁력도 있을 수 있습니다.
하지만 문화적 문제가 있습니다. AI 연구 문화는 보통 2명, 많아야 5명 정도의 저자 논문에 익숙합니다. 대형 프로젝트를 하려면 많은 사람이 기여해야 하는데, 그 기여를 어떻게 공정하게 인정할 것인지가 어렵습니다.
그래도 compute가 많지 않아도 학계가 기여할 수 있는 영역은 있습니다.
대표적인 것이 evaluation, 즉 평가입니다.
OpenAI 같은 곳에서도 제3자 평가에서 많은 가치를 얻습니다. 좋은 benchmark는 굉장히 중요합니다.
22. 좋은 eval은 학계의 강력한 기여가 될 수 있다
노엄 브라운:많은 사람들이 eval의 영향력을 과소평가합니다.
Dan Hendrycks 같은 사례가 있습니다. 그는 고품질 eval을 만들어 큰 영향력을 얻었습니다.
학계가 반드시 거대한 모델을 학습시켜야만 영향력을 갖는 것은 아닙니다. 좋은 eval을 만드는 것도 매우 실질적인 기여입니다.
다만 문제는 학계가 이런 종류의 집단적이고 유지보수가 필요한 노력을 충분히 보상하지 않는다는 점입니다. 좋은 benchmark를 만들고 유지하는 일은 굉장히 중요하지만, 전통적인 PhD 보상 구조에서는 덜 인정받는 경향이 있습니다.
23. 컨퍼런스와 AI 리뷰어의 미래
인터뷰어:컨퍼런스와 리뷰 시스템은 어떻게 변할까요?
노엄 브라운:
매우 흥미로운 변화가 일어날 것입니다.
이미 많은 논문이 AI의 도움으로 쓰이고 있습니다. 많은 리뷰도 AI의 도움으로 작성되고 있습니다.
나는 이것을 꼭 나쁘게 보지는 않습니다. 학계 사람들과 이야기해보면, AI 리뷰가 아직 완벽하지는 않지만 평균적인 인간 리뷰보다 나을 수도 있다는 이야기도 나옵니다.
나는 모든 논문에 대해 AI가 리뷰를 하고, 치명적인 결함이 있는지 지적하게 한 뒤, 인간이 그것을 검증하는 방식이 괜찮다고 생각합니다.
6개월 전만 해도 AI 리뷰는 그리 좋지 않았을 수 있습니다. 하지만 모델은 빠르게 발전하고 있습니다. 최신 모델들은 논문 리뷰를 꽤 잘할 것이라고 기대합니다. 올해 말쯤이면 상당히 잘할 가능성이 있다고 봅니다.
24. AI가 논문 작성과 실험까지 할 수 있을까
노엄 브라운:나는 AI가 논문 전체를 처음부터 끝까지 쓰게 되는 데 그리 오래 걸리지 않을 것이라고 봅니다.
이미 상당한 부분은 AI가 하고 있을 가능성이 큽니다. 그리고 장벽이 명확히 보이지 않습니다.
결국에는 논문 작성뿐 아니라 실험까지 AI가 수행하게 될 것입니다.
물론 시간이 걸립니다. 좋은 conference paper를 인간이 쓰는 데에도 몇 달은 걸립니다. 하지만 결국 그 방향으로 갈 것이라고 봅니다.
25. 오픈소스 모델에 대한 생각
인터뷰어:OpenAI가 가중치 공개를 멈춘 뒤, DeepSeek이나 Qwen 같은 중국 모델들이 사실상 세계의 오픈소스 모델 역할을 하고 있습니다. 어떻게 보나요?
노엄 브라운:
이건 내 전문 영역도 아니고, 내가 결정할 수 있는 사안도 아닙니다. 그래서 많이 덧붙이기는 어렵습니다.
다만 개인적으로는 오픈소스에 큰 가치가 있다고 생각합니다. 좋은 오픈소스 모델이 존재하는 것은 중요합니다.
그 공백이 OpenAI에 의해 채워지든, 다른 누군가에 의해 채워지든, 채워지기를 바랍니다.
26. 지난 10년간 가장 큰 성장 경험
인터뷰어:AI 외적으로, 지난 10년간 가장 힘들었고 자기 성장이 컸던 시기는 언제였나요?
노엄 브라운:
AI 외부의 일은 아니지만, 2017년에 했던 Libratus 포커 대회가 내 인생에서 중요한 전환점이었습니다.
나는 당시 거의 알려지지 않은 대학원생이었습니다. 그런데 이 대회에서 성공하면 매우 큰 성취가 될 것이라는 걸 알고 있었습니다. 동시에 엄청난 노력이 필요하다는 것도 알았습니다.
2016년 초쯤에는 성공으로 가는 길이 어느 정도 분명해졌습니다. 그다음 1년 동안은 정말 강하게 실행해야 했습니다.
나는 그해에 엄청나게 많은 시간을 쏟았습니다. 거의 쉬지 않고 강력한 포커 봇을 만들었습니다.
27. “내 커리어가 포커 게임 하나에 달려 있었다”
노엄 브라운:자신의 커리어 전체가 포커 게임 하나에 달려 있다는 것은 굉장히 스트레스가 큰 일입니다.
포커는 variance가 매우 큰 게임입니다. 봇이 정말 잘하고 있는지, 단순히 운이 좋은 것인지 판단하기 어렵습니다.
우리는 많은 인간 포커 플레이어를 고용해서 봇을 테스트할 예산도 없었습니다. 이전 봇들과 붙여보며 어느 정도 잘하고 있다는 감은 있었지만, 진짜 문제는 인간들이 적응한다는 점이었습니다.
인간 플레이어들이 봇의 약점을 찾아내면 어떻게 될지 알 수 없었습니다.
그래서 매우 스트레스가 컸습니다. 다행히 결과는 성공적이었습니다.
28. 승리 후에도 바로 축하하지 못했다
인터뷰어:이겼을 때 어떻게 축하했나요?
노엄 브라운:
사실 몇 주가 지나서야 마음이 진정됐습니다. “아, 정말 끝났구나. 이제 쉬어도 되겠구나”라고 느끼기까지 시간이 걸렸습니다.
딱히 축하를 한 기억은 없습니다. 마지막 순간까지도 우리가 갑자기 질 수도 있다는 생각을 버리기 어려웠습니다.
나중에 누군가 나에게 이런 말을 했습니다.
“너는 90%의 노력을 넣고도 보상은 0%였을 수도 있다.”
그 말이 정말 좋은 인생 교훈이었습니다. 때로는 무언가를 해내기 위해 엄청나게 열심히 해야 합니다. 그리고 그 결과가 보장되지 않을 수도 있습니다.
전체 0