Antigravity Agent
2.1 KiB
2.1 KiB
id: P-Reinforce-AI-ADAPTIVE-COMPUTE category: Unified confidence_score: 0.97 tags: [AI, Efficiency, AdaptiveCompute, Inference] last_reinforced: 2026-04-20
Adaptive Compute (적응형 계산량 조절)
📌 한 줄 통찰 (The Karpathy Summary)
"쉬운 문제는 대충, 어려운 문제는 신중하게." 모든 입력에 동일한 계산 자원을 낭비하지 않고, 과제 난이도에 따라 모델이 사용하는 연산량(층의 깊이, 활성 뉴런 수 등)을 유동적으로 조절하는 지능적 자원 배분 기술이다.
📖 구조화된 지식 (Synthesized Content)
- Early Exit: 모델의 중간 층에서 이미 결과가 확실하다면 최종 층까지 가지 않고 바로 결과를 출력하여 시간과 에너지를 아낌.
- MoE (Mixture of Experts): 거대 모델의 일부(전공 교수)만 활성화하여 특정 분야의 질문에만 자원을 집중함.
- Dynamic Token Processing: 문맥상 중요하지 않은 단어(조사 등)는 낮은 정밀도로 처리하고, 핵심적인 단어에 연산력을 몰아줌.
- Inference Efficiency: 동일한 정확도를 유지하면서 서빙 비용(GPU 소모)을 획기적으로 낮추는 핵심 열쇠다.
⚠️ 모순 및 업데이트 (RL Update)
- 계산량을 줄이는 과정에서 모델의 '설명 가능성'이 파편화될 위험이 있다. 또한 어떤 문제가 '쉬운 문제'인지 판단하는 과정 자체가 또 다른 계산 오버헤드가 될 수 있으므로, 판단 로직을 극도로 가볍게 설계하는 것이 쟁점이다. 최근에는 OpenAI o1처럼 추론 시간을 의도적으로 늘려 성능을 극대화하는 '역방향' 적응형 계산 연구도 부상하고 있다.
🔗 지식 연결 (Graph)
- Related: Model-Compression , Mixture of Experts (MoE)
- Modern Pattern: Test-Time Compute Scaling (추론 시간 계산 스케일링)