강의 중 다시 확인할 자료
참고자료
강의 중 다시 확인할 자료
논문, 기관 보고서, 법령, 기업 보고서는 서로 다른 종류의 증거다. 이 표는 각 장의 핵심 주장과 연결되는 자료를 독자용으로 정리한 것이다.
| ID | 자료 | 강의에서 쓰는 위치 | 읽을 때 주의할 점 |
|---|---|---|---|
| R001 | Attention Is All You Need | Transformer 전환점 | LLM 물결의 유일한 원인으로 과장하지 않음 |
| R002 | Language Models are Few-Shot Learners | GPT-3와 프롬프트 인터페이스 | 벤치마크와 실제 업무의 거리 |
| R003 | Training language models to follow instructions with human feedback | InstructGPT와 RLHF | 라벨러 분포와 선호 학습 한계 |
| R004 | GPT-4 Technical Report | 프런티어 모델 벤치마크 시대 | 제한 공개 보고서 |
| R005 | NIST AI RMF | 위험 관리 언어 | 자발적 프레임워크 |
| R006 | NIST GenAI Profile | 생성형 AI 위험 범주 | 법률 자체는 아님 |
| R007 | Stanford AI Index 2026 | AI 산업과 사회의 넓은 데이터 맥락 | 측정 자료이지 단일 원인 설명은 아님 |
| R008 | Anthropic Economic Index | 업무 사용 텔레메트리 | 노동시장 전체 대표성은 제한 |
| R009 | OpenAI Enterprise AI Report 2025 | 기업 도입 신호 | 벤더 관점 |
| R010 | McKinsey State of AI 2025 | 운영 모델과 가치 포착 | 설문과 컨설팅 관점 |
| R011 | BCG AI Radar 2026 | CEO 투자 분위기 | 상업적 프레이밍 |
| R012 | World Bank DPTR 2025 AI Foundations | 글로벌 준비도 | 개발 관점 |
| R013 | IMF GenAI and Future of Work | 노동 노출과 불평등 | 거시 모델 가정 |
| R014 | ILO Generative AI and Jobs | 직무 노출과 과업 재배치 | 노출은 대체가 아님 |
| R015 | EU AI Act | 위험 기반 규제 | 시행 일정과 해석 필요 |
| R016 | Korea AI Basic Act | 한국 제도 맥락 | 법률 해석 주의 |
| R017 | DeepSeek-R1 | reasoning/RL 흐름 | 비용 주장은 조건 확인 필요 |
| R018 | The Llama 3 Herd of Models | 공개 가중치 생태계 | open weight와 open source 구분 |
| R019 | Stochastic Parrots | 스케일 비판과 데이터 윤리 | ChatGPT 이전 맥락 |
| R020 | Hallucination Survey / Why LMs Hallucinate | 환각과 신뢰성 한계 | 완화 방법은 시스템별로 다름 |
| R021 | Computing Machinery and Intelligence | 초기 기계 지능 프레임 | 역사적 맥락 |
| R022 | Expert systems history overview | 상징주의와 전문가 시스템 | 광범위한 2차 개관 |
| R023 | ImageNet Classification with Deep Convolutional Neural Networks | 2010년대 딥러닝 전환 | 비전 벤치마크 |
| R024 | NVIDIA CUDA / GPU computing background | GPU 컴퓨트 맥락 | 벤더 자료 |
| R025 | Sequence to Sequence Learning with Neural Networks | seq2seq 전사 | 1차 논문 |
| R026 | Neural Machine Translation by Jointly Learning to Align and Translate | attention과 alignment | 1차 논문 |
| R027 | BERT | encoder 계열 | 1차 논문 |
| R028 | GPT-2 | decoder-only 생성 신호 | 공개 전략 맥락 필요 |
| R029 | T5 | text-to-text 전환 | 1차 논문 |
| R030 | NLP Evaluation in Trouble | 평가 오염 | 벤치마크 해석 주의 |
| R031 | Are Emergent Abilities of LLMs a Mirage? | emergent ability 해석 | 스케일 효과 전체를 부정하지 않음 |
| R032 | Language Models Don’t Always Say What They Think | CoT 충실성 | 과제 의존 |
| R033 | U.S. Copyright Office AI hub / training report | 저작권과 학습 데이터 | 정책 자료 |
| R034 | LBNL data center energy report | 데이터센터 에너지 | 미국 중심 |
| R035 | Scaling Laws for Neural Language Models | 스케일링 법칙 | 경험적 regime 주의 |
| R036 | Training Compute-Optimal Large Language Models | Chinchilla와 compute-optimal | 계수와 조건 주의 |
| R037 | NVIDIA fiscal 2025 Form 10-K | GPU 플랫폼 사업 | 회사 관점 |
| R038 | Microsoft 2025 Annual Report | 클라우드/AI 인프라 | 회사 관점 |
| R039 | Alphabet 2025 Form 10-K | AI 인프라와 capex | 회사 관점 |
| R040 | Amazon 2025 Annual Report | 클라우드/AI 인프라 | 회사 관점 |
| R041 | ChatGPT announcement | 대중 제품 전환 | 공식 벤더 프레이밍 |
| R042 | Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks | RAG의 출발점 | 검색 실패 가능성 |
| R043 | Survey on Retrieval-Augmented Text Generation for LLMs | RAG 패턴과 한계 | 서베이 |
| R044 | ReAct | reasoning/action 루프 | 1차 논문 |
| R045 | Toolformer | 도구 사용 학습 | 1차 논문 |
| R046 | SWE-bench | 실제 소프트웨어 이슈 평가 | 범용 능력 증명은 아님 |
| R047 | Voyager | 환경 기반 에이전트 루프 | 도메인 특화 |
| R048 | Why Language Models Hallucinate | 환각 메커니즘 | 벤더 연구 |
| R049 | TIME Kenyan worker reporting | 숨은 노동 사례 | 보도 자료, 일반화 주의 |
| R050 | ILO Generative AI and Jobs | 과업 노출과 노동 프레임 | 노출은 대체가 아님 |