---
id: AI-LLM-SCALE-001
category: Dev
confidence_score: 1.0
tags: [ai, llm, scaling-laws, chinchilla, compute-optimal, [[Deep-Learning|Deep-Learning]], [[Efficiency|Efficiency]]]
last_reinforced: 2026-04-26
---

# Scaling Laws for LLMs (LLM을 위한 스케일링 법칙)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "지능의 성장은 무작위가 아니라 파라미터, 데이터, 연산량이라는 세 축의 '멱법칙(Power Law)'을 따르며, 최적의 배합을 찾는 자가 최소한의 비용으로 최강의 지능을 얻는다" — 거대 언어 모델의 성능이 자원 투입량에 따라 예측 가능한 방식으로 향상된다는 통계적 법칙.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Power-law Performance Scaling and Resource Balancing" — 모델 크기($N$), 데이터 크기($D$), 연산량($C$) 중 어느 하나만 극단적으로 키우는 것보다, 세 요소를 조화롭게 확장할 때 손실(Loss)이 가장 효율적으로 감소한다는 패턴.
- **주요 법칙 및 연구:**
    - **OpenAI Scaling Law (2020):** 모델 크기를 키우는 것이 데이터 양을 늘리는 것보다 성능 향상에 더 유리하다고 주장.
    - **Chinchilla Scaling Law (DeepMind, 2022):** 기존 모델들이 파라미터 수에 비해 데이터가 부족했음을 지적. 모델 크기와 데이터 양을 1:1 비율로 늘려야 '연산 최적(Compute Optimal)'임을 입증.
- **의의:** 수천억 원이 드는 거대 모델 학습 전에, 작은 실험만으로 최종 모델의 성능을 정밀하게 예측하여 막대한 자원 낭비를 방지하게 함.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** "모델이 클수록 무조건 좋다"는 초기 믿음을 깨고, 이제는 작은 모델에 엄청난 양의 양질 데이터를 학습시켜 큰 모델을 압도하는 '작고 강한 지능' 전략(예: Llama 시리즈)이 주류가 됨.
- **정책 변화:** Antigravity 프로젝트는 자체 에이전트 모델 미세 조정 시, 최신 스케일링 법칙을 적용하여 보유한 연산 자원 대비 가장 효율적인 모델 크기와 데이터셋 규모를 산정함.

## 🔗 지식 연결 (Graph)
- LLM-Training-Foundations, High-Performance-Computing-HPC, Data-Centric-AI, [[Optimization-in-AI|Optimization-in-AI]]
- **Raw Source:** 10_Wiki/Topics/AI/Scaling-Laws-for-LLMs.md