구현이 쉬워진 시대, 연구자는 무엇으로 경쟁하는가

Thu, 16 Jul 2026 00:00:00 +0000

정리 메모

이 글은 강대현 넥슨 공동대표의 NDC 2026 키노트와 Soham Ray의 ICML 2026 현장 후기라는 두 자료를 ChatGPT 5.6으로 비교·정리한 결과가 유용하다고 판단해 공개적으로 백업해 둔 것이다. 직접 참석 후 쓴 ICML 후기나 독자적인 에세이가 아니다. 세부 사실과 인용은 글 끝의 원문 및 보도 자료를 우선한다.

두 출처에 대한 GPT 정리 원문

아래 탭은 NDC 2026 키노트와 ICML 2026 후기 원문 자체가 아니라, 각 출처를 GPT가 별도로 분석한 당시의 정리문 전체다. 위의 통합 글이 어떤 재료에서 출발했는지 함께 볼 수 있도록 표현을 줄이지 않고 보존했다.

GPT 정리 원문 · NDC 2026 키노트 분석

이 영상은 NDC 2026에서 넥슨 강대현 공동대표가 발표한 키노트야. 제목은 **「구현이 쉬워지는 시대, 우리는 무엇으로 경쟁하는가」**고, 핵심은 한 문장으로 이거야.

AI 때문에 ‘만드는 능력’이 평준화될수록, 경쟁력은 구현 기술이 아니라 오랫동안 축적한 맥락과 판단력에서 나온다.

1. AI로 구현이 쉬워졌다고 경쟁이 쉬워지는 건 아니다

AI가 코드, 이미지, 기획안, 프로토타입을 빠르게 만들어주기 때문에 게임 제작의 진입장벽은 크게 낮아졌어.

그런데 중요한 건 나만 쉬워진 게 아니라 경쟁자도 모두 쉬워졌다는 것이야. 따라서 평균적인 완성도의 콘텐츠가 폭발적으로 늘어나고, 오히려 사용자의 관심을 얻기는 더 어려워진다는 주장이지.

실제로 발표에서는 스팀 출시작이 크게 증가했지만 사용자에게 주어진 시간은 그대로이며, PC·콘솔 플레이 시간의 상당 부분이 이미 오래된 게임에 집중돼 있다는 점을 예로 들어. 즉,

$$ \text{Implementation Cost} \downarrow \quad\Rightarrow\quad \text{Supply} \uparrow \quad\Rightarrow\quad \text{Attention Competition} \uparrow $$

이라는 구조야.

2. 앞으로의 핵심 경쟁력은 ‘맥락 자본’

강대현 대표가 제시하는 중심 개념이 맥락 자본, Context Capital이야.

맥락 자본은 단순히 데이터가 많은 것을 뜻하지 않아. 다음이 오랜 시간 서로 얽혀서 만들어진 자산이야.

개발자가 축적한 장르 이해와 운영 감각
어떤 선택이 유저에게 먹히는지에 관한 판단력
유저와 개발사 사이의 신뢰
커뮤니티 안에서 발생한 사건, 농담, 밈, 추억
게임을 둘러싼 크리에이터와 팬들의 2차 창작
특정 시점에 특정 사람들이 함께 보낸 경험

이건 돈을 넣거나 프롬프트를 잘 작성한다고 단기간에 만들 수 없다는 거지. 강연에서는 **“구현의 수준이 아니라 맥락의 깊이로 경쟁해야 한다”**는 식으로 정리돼.

예를 들어 컬링의 규칙이나 구현이 갑자기 좋아진 게 아닌데도, 평창올림픽 당시 응원할 팀과 서사, 역전 상황, “영미”라는 공동의 기억이 생기면서 훨씬 재미있어졌다는 사례를 들어. 재미는 콘텐츠 자체뿐 아니라 그 콘텐츠를 둘러싼 맥락에서 발생한다는 이야기야.

3. AI가 코드를 잘 짤수록 인간의 ‘판단 감각’이 중요해진다

발표가 단순히 “AI보다 인간이 중요하다”는 감성적인 이야기는 아니야.

AI가 구현을 대신하면 인간에게 남는 역할은 다음과 같이 위쪽으로 이동한다는 주장에 가까워.

$$ \text{How to implement} \rightarrow \text{What to build} \rightarrow \text{Why it matters} \rightarrow \text{For whom and in what context} $$

즉, 코드를 직접 얼마나 빠르게 짜느냐보다,

어떤 문제를 선택하는가
어떤 기능을 버리는가
무엇이 사용자에게 오래 남는가
지금 결과가 왜 어색한지를 알아채는가
어느 정도 품질에서 출시해야 하는가

같은 taste, judgment, problem selection이 더 중요해진다는 거야.

강대현 대표는 AI가 코드를 대신 짜줄수록, 오랫동안 축적된 개발자의 판단 감각이 오히려 더 희소해진다고 설명해.

4. 맥락은 단순히 쌓이는 게 아니라 ‘복리’로 성장한다

또 하나 중요한 개념은 맥락의 복리 효과야.

게임을 한 사람이 플레이하고 끝나는 것이 아니라,

$$ \text{Play} \rightarrow \text{Community Discussion} \rightarrow \text{Streaming / Video} \rightarrow \text{Fan Creation} \rightarrow \text{New Users} \rightarrow \text{More Play} $$

처럼 게임 안팎의 활동이 서로에게 다시 투자되면 가치가 복리처럼 증가한다는 거야.

축구가 150년 동안 경기, 관람, 응원, 유니폼, 게임, 커뮤니티가 서로를 강화하면서 하나의 거대한 문화가 된 것처럼, 게임도 경험이 서로 순환하는 구조를 만들어야 한다는 주장이지.

발표에서 말하는 차이는 대략 다음과 같아.

단리형 콘텐츠: 제작사가 콘텐츠를 계속 공급해야만 유지됨
복리형 세계: 사용자의 활동이 새로운 콘텐츠와 맥락을 생산하고 다시 유입을 만듦

그래서 진짜 경쟁력은 순간적인 “재미의 크기”보다,

사용자의 경험이 계속 쌓이고 재투자되는 세계를 만들었는가

에 있다는 거야.

5. 작은 팀에도 기회가 있다는 주장

이 논리에 따르면 큰 회사가 무조건 유리한 것도 아니야.

복리 성장에서 중요한 것은 초기 원금만이 아니라 재투자율과 반복 속도이기 때문이야. 작은 팀은 유저와 가까이 소통하고 의사결정을 빠르게 내릴 수 있으므로,

$$ \text{Small Initial Capital} \times (1+\text{High Learning Rate})^t $$

형태로 대기업보다 빠르게 맥락을 쌓을 수 있다는 주장이지.

즉, 작은 팀이 대기업보다 더 빨리,

유저 반응을 관찰하고
제품에 반영하고
커뮤니티 문화를 강화하고
다시 피드백받는

루프를 돌린다면 충분히 경쟁할 수 있다는 거야.

6. 넥슨이 말하는 두 종류의 AI

발표에서는 AI를 일종의 말장난으로 두 가지로 구분해.

Artificial Intelligence
- 코딩, 이미지 생성, 분석, 프로토타이핑을 도와주는 범용 AI
- 누구나 사용할 수 있는 공통 무기
Accumulated Intelligence
- 회사와 유저가 함께 축적한 운영 경험, 맥락, 관계, 기억
- 조직마다 다른 독점적 자산

결론은 첫 번째 AI를 적극적으로 쓰되, 그것만으로는 차별화할 수 없으므로 두 번째 AI를 축적해야 한다는 거야.

연구실 관점에서 번역하면

이 발표는 게임 이야기지만, 교수나 연구실 운영에도 거의 그대로 적용돼.

AI 때문에 이제 웬만한 학생도 빠르게 다음을 할 수 있어.

관련 논문 100편 탐색
코드 베이스 작성
baseline 실행
그림과 표 생성
논문 초안 작성
rebuttal 초안 생성

따라서 앞으로 연구실의 경쟁력은 **“논문을 구현할 수 있다”**가 아니야. 다음이 차별화 요소가 돼.

1. 문제 선택의 맥락

왜 이 문제가 지금 중요한지, 기존 연구가 왜 진짜 문제를 못 풀었는지에 관한 축적된 이해가 있어야 해.

2. 평가에 관한 판단력

AI는 metric을 계산할 수 있지만, 그 metric이 문제의 본질을 제대로 측정하는지는 사람이 판단해야 해. 기섭이가 VPR에서 기존 Recall 대신 DAR을 제안하는 것 같은 게 정확히 이런 경쟁력이야.

3. 연구 자산의 복리

논문을 매번 독립적으로 만드는 게 아니라,

$$ \text{Dataset} \rightarrow \text{Benchmark} \rightarrow \text{Method} \rightarrow \text{Real Robot} \rightarrow \text{New Research Question} $$

으로 이전 연구가 다음 연구의 원금이 되게 만들어야 해.

ScaleMaster, LT-Mem, AIMS를 서로 독립된 과제로 놓는 것보다 장기적 공간지능 연구 프로그램이라는 맥락으로 연결하는 게 훨씬 강한 이유지.

4. 연구실 내부의 축적지능

학생 개인에게만 노하우가 있으면 졸업할 때 사라져. 반면 실패 로그, 실험 프로토콜, 코드, 데이터, 리뷰 대응 사례, 논문 스토리텔링 원칙이 연구실 차원에서 축적되면 새로운 학생의 시작점이 계속 높아져.

$$ K_{t+1} = K_t + \frac{\text{New Knowledge}}{\text{Knowledge Loss}} $$

AI 시대에 좋은 연구실은 New Knowledge만 늘리는 곳이 아니라, Knowledge Loss를 최소화하는 곳이라고 볼 수 있어.

내 평가

발표의 중심 통찰은 꽤 정확해. 다만 맥락만 있으면 품질이 낮아도 성공한다는 뜻으로 받아들이면 안 돼.

정확한 해석은 이거야.

$$ \text{Competitive Advantage} = \text{Implementation Quality} \times \text{Context Depth} \times \text{Iteration Rate} $$

구현 품질은 이제 차별화 요소라기보다 기본 입장권이 되고 있어. 입장권을 얻은 뒤의 차이는 문제 선택, 취향, 사용자 이해, 역사, 커뮤니티, 빠른 학습 루프에서 발생한다는 주장이라고 보면 돼.

한마디로 정리하면:

AI 시대에는 잘 만드는 사람이 사라지는 게 아니라, 무엇을 왜 만들어야 하는지 아는 사람만 더 강해진다는 강연이야.

GPT 정리 원문 · ICML 2026 현장 후기 분석

ICML 2026에서 느낀 머신러닝 연구 트렌드를 정리한 글이야. 핵심은 크게 네 가지야.

1. 연구 수행 방식이 “자동화된 공장”처럼 바뀌고 있음

AI 연구자 자동화가 뜨고 있음

Google의 MARS 같은 자동 연구 에이전트나 “AI Scientist”가 많이 등장하고 있지만, 저자는 아직 마케팅 대비 실제 성과는 제한적이라고 봐.

특히 아직 AI가 안정적으로 못 하는 건:

좋은 연구 방향 선택
연구 주장 검증
결과의 중요성 판단
실패해도 방향을 수정하며 끝까지 밀고 가는 능력

즉, 실험과 코딩은 자동화되고 있지만, 연구를 무엇에 집중할지 결정하는 능력은 아직 부족하다는 얘기야.

연구가 파이프라인화됨

코드 생성 비용이 낮아지면서 연구가 다음과 같은 반복 구조로 바뀌고 있대.

아이디어 생성 → 데이터 생성 → 학습 → LLM 평가 → 실패 분석 → 다시 생성

그래서 앞으로는 한두 개의 실험보다는, 수백 개의 조건을 자동으로 생성하고 검증하는 generator loop 형태의 연구가 늘어날 거라는 전망이야.

2. 가장 중요한 문제는 연구자의 “taste”

여기서 taste는 단순 취향이 아니라,

어떤 문제가 중요한지, 어떤 가설이 가치가 있는지, 어떤 실험 결과를 더 파고들어야 하는지 알아보는 연구 감각

을 뜻해.

LLM은 지식은 많지만 다음을 잘 못해.

이 아이디어가 이미 포화된 주제인지
기술적으로 가능하지만 논문 가치가 없는지
단순한 성능 개선인지 새로운 문제 정의인지
지금 연구 커뮤니티가 실제로 필요로 하는 질문인지

그래서 자동 연구 시대에도 교수나 시니어 연구자의 핵심 역할은 줄어들기보다, 오히려 연구 방향을 선택하고 압축하는 역할로 이동할 가능성이 크다는 얘기야.

InnoEval 같은 연구 아이디어 평가 벤치마크가 이런 research taste를 수치화하려는 초기 시도라고 소개하고 있어.

3. 연구의 중심이 모델 개발에서 평가로 이동 중

가장 중요한 문장은 사실 이거야.

만드는 것이 쉬워질수록, 무엇을 평가해야 하는지를 결정하는 것이 더 어려워진다.

이제 모델을 만들고 코드를 짜는 것은 상대적으로 쉬워졌기 때문에, 연구의 병목이 다음으로 이동하고 있다는 거야.

무엇을 측정할 것인가
어떤 실패를 구별해야 하는가
실제 deployment에서 중요한 조건이 무엇인가
기존 benchmark가 놓치는 능력이 무엇인가

Benchmark saturation 문제

많은 벤치마크가 이미 포화되고 있고, 공개 benchmark 점수가 실제 능력을 제대로 반영하지 못한다는 지적이야.

모델은 자신이 학습된 분포에서는 잘하지만, 다른 task로의 일반화는 제한적이라는 거지.

따라서:

공개 benchmark에서 점수가 높은 것
실제 사용 환경에서 좋은 것

은 다를 수 있어.

프런티어 기업들은 이 차이를 줄이기 위해 공개 벤치마크뿐 아니라:

내부 사용자 로그
대규모 private environment
실제 서비스 실패 사례
다양한 agent interaction task

를 평가에 사용한다는 설명이야.

이건 교수님 연구에도 직접적인 시사점이 있어. 예를 들어 VPR에서 기존 Recall@K가 포화돼도, distractor가 있는 실제 retrieval setting을 새로 정의하는 것이 모델 하나를 더 만드는 것보다 연구 가치가 클 수 있다는 논리와 정확히 연결돼.

LLM judge도 고도화 중

LLM judge를 단순히 “A가 B보다 낫다”를 고르게 하는 수준에서 벗어나:

calibration된 reward scorer로 학습
명시적인 rubric 사용
학습 중 rubric 자체를 점진적으로 고도화

하는 방향으로 발전 중이래.

즉, 앞으로는 LLM judge를 썼다는 것만으로는 부족하고:

judge calibration
human agreement
rubric validity
judge robustness
adversarial bias

를 증명해야 한다는 흐름이야.

4. Synthetic data는 더 이상 단순한 데이터 증강이 아님

Synthetic data의 품질·다양성·난도가 빠르게 좋아지고 있다는 얘기야.

예로 든 Less is Enough는 기존 30만 개 샘플과 비슷한 성능을, 특정 feature를 정교하게 겨냥한 2천 개 synthetic sample로 달성했다고 해.

중요한 변화는 synthetic data 생성이 단순히:

기존 데이터와 비슷한 샘플 생성

이 아니라,

모델의 실패 능력을 진단한 뒤, 그 실패를 겨냥한 environment와 task를 생성

하는 방향으로 가고 있다는 거야.

즉, dataset generation보다 environment generation이 중요해지고 있다는 말이야.

로보틱스로 치면 단순히 이미지나 trajectory를 synthetic하게 늘리는 게 아니라:

failure mode가 발생하는 장면
ambiguity가 있는 language instruction
장기 기억이 필요한 multi-session scenario
sensor degradation
distractor가 있는 localization environment

를 자동 생성하는 방향이 더 중요해진다는 뜻이야.

5. Memory가 agent personalization과 장기 행동의 핵심

메모리 관련 연구가 상당히 많았다고 해.

질문은 단순히 “기억을 저장하느냐”가 아니라:

무엇을 기억할 것인가
무엇을 삭제할 것인가
어느 시점에 망각할 것인가
episodic / semantic / procedural memory를 어떻게 나눌 것인가
여러 세션에 걸쳐 기억이 실제로 유지되는가
잘못된 기억을 어떻게 수정할 것인가

로 발전하고 있대.

Memory가 agent를 개인화함

같은 foundation model이라도 사용자 이력과 선호, 이전 작업을 기억하면 사용자별로 다른 agent가 되기 때문에,

memory is what makes an agent yours

라고 표현한 거야.

하지만 memory는 공격 표면이기도 함

장기 메모리가 persistent storage가 되면 공격자가 가장 조작하고 싶은 곳도 그 메모리야.

예를 들면 공격자가 agent memory에 다음을 심을 수 있어.

거짓 사용자 선호
악성 instruction
잘못된 task history
특정 도구를 우선 사용하라는 편향
보안 정보를 외부로 보내라는 규칙

그래서 memory poisoning과 방어가 중요한 연구 주제로 등장했다는 거야.

교수님 LT-Mem이나 AIMS 연구와 거의 직접 연결되는 흐름이야. 특히 앞으로는 단순 memory retrieval 성능뿐 아니라:

cross-session consistency
memory correction
selective forgetting
poisoning robustness
volatility-aware retention

까지 포함해야 연구가 더 강해질 가능성이 커.

6. tau-bench 관련 자랑과 채용 홍보

마지막 부분은 본인 연구 홍보야.

저자 팀은 ICML에서:

tau2-bench
tau-Knowledge
tau-Voice

세 논문을 발표했고, tau2-bench는 약 24,000개 제출 논문 중 168개 oral, 상위 0.7%였다고 말해.

tau-bench가 여러 논문과 초청 강연에서 인용되고, 다양한 국가의 연구자들이 활용하고 있어서 보람을 느꼈다는 내용이야. 마지막에는 agent evaluation, voice, benchmarking 연구자들과 교류하고 싶고 채용 중이라고 홍보해.

한 문장으로 요약하면

이 글의 메시지는 이거야.

AI가 코딩·실험·데이터 생성을 자동화할수록, 연구의 핵심 경쟁력은 모델을 만드는 능력보다 중요한 문제를 선택하는 연구 감각, 실제 배포 조건을 반영한 평가 설계, 그리고 장기적이고 안전한 memory system 설계로 이동하고 있다.

교수님 연구 관점에서는 특히 새 모델을 하나 더 제안하는 것보다, 기존 연구가 놓친 evaluation regime을 정의하는 연구가 강해지고 있다는 점이 가장 중요한 시사점이야. DAR처럼 기존 Recall@K가 숨기던 실패를 드러내거나, LT-Mem처럼 single-session 평가가 놓친 장기 volatility와 forgetting 문제를 정의하는 방향이 현재 ICML 흐름과 상당히 잘 맞아.

서로 다른 두 자리에서 나온 이야기가 거의 같은 질문으로 모인다.

게임을 만드는 기술이 빠르게 평준화되면 무엇이 경쟁력이 되는가?
연구 코드를 만들고 실험을 돌리는 일이 자동화되면 연구자는 무엇으로 차이를 만드는가?

NDC 2026에서 강대현 대표는 답을 **맥락 자본(context capital)**이라고 불렀다. Soham Ray는 ICML 2026 현장에서 연구 자동화, research taste, 평가, synthetic environment, memory가 동시에 부상하고 있다고 정리했다. 한쪽은 게임 산업 이야기이고 다른 한쪽은 머신러닝 연구 후기이지만, 두 자료가 묘사하는 구조는 놀라울 만큼 닮아 있다.

구현 비용이 낮아질수록 공급되는 가능성은 폭증하고, 경쟁의 병목은 구현에서 선택과 판단으로 이동한다.

구현은 사라지는 것이 아니라 기본 입장권이 된다

NDC 키노트의 출발점은 단순하다. AI가 코드, 이미지, 기획안, 프로토타입 제작을 쉽게 만들지만, 나만 쉬워지는 것은 아니다. 모두의 구현 비용이 동시에 내려가면 평균적인 완성도의 콘텐츠는 훨씬 많아지고, 사용자의 제한된 시간을 얻기 위한 경쟁은 오히려 더 치열해진다.

ICML 후기에서도 같은 변화가 연구 파이프라인에서 관찰된다. 코드 생성 비용이 낮아지면서 아이디어 생성, 데이터 생성, 학습, LLM 평가, 실패 분석을 반복하는 이른바 generator loop가 정교해지고 있다. 한 사람이 실험 몇 개를 손으로 수행하는 대신 수많은 조건을 자동으로 생성하고 검증하는 연구 공장이 가능해지는 것이다.

그러나 공장의 처리량이 늘었다고 좋은 연구가 자동으로 늘어나는 것은 아니다. 잘못 고른 질문을 더 빠르게 탐색할 수도 있고, 의미 없는 성능 차이를 더 정교하게 포장할 수도 있다. 구현 능력은 여전히 필요하지만, 차별화의 최종 지점이라기보다 연구에 참여하기 위한 기본 입장권에 가까워진다.

두 자료가 가리키는 같은 이동

변화	NDC 2026 키노트	ICML 2026 후기	연구에서의 의미
구현 비용 하락	콘텐츠와 프로토타입 생산이 쉬워짐	코드·실험·데이터 생성이 파이프라인화됨	구현량 자체는 희소성이 낮아짐
공급 증가	선택받기 위한 관심 경쟁이 심해짐	아이디어와 결과의 양이 폭증함	무엇을 버릴지가 중요해짐
판단의 희소성	유저와 장르를 이해하는 맥락이 중요해짐	research taste가 자동화되지 않은 병목으로 남음	문제 선택과 주장 강도 조절이 핵심이 됨
평가의 이동	무엇이 오래 남는 경험인지 판단해야 함	무엇을 어떻게 평가할지가 연구의 중심으로 이동함	benchmark와 failure regime 설계가 contribution이 됨
축적의 가치	경험과 커뮤니티가 복리로 맥락을 만듦	로그·환경·memory가 장기적인 연구 자산이 됨	다음 연구의 시작점을 계속 높여야 함

두 글을 함께 놓으면 경쟁력의 이동은 다음처럼 정리할 수 있다.

How to implement → What to build → Why it matters → For whom, under which conditions

AI는 이 사슬의 앞부분을 빠르게 자동화하고 있다. 그래서 사람의 역할은 뒤로 밀려나는 것이 아니라, 오히려 사슬의 위쪽인 문제 선택, 의미 판단, 평가 조건 설계로 이동한다.

연구에서의 맥락 자본은 무엇인가

게임에서 맥락 자본은 유저와 개발사가 오랜 시간 함께 쌓은 사건, 관계, 신뢰, 기억을 뜻한다. 연구실에도 비슷한 자산이 있다.

어떤 아이디어가 과거에 왜 실패했는지에 대한 기록
공개 benchmark가 실제 문제를 어디에서 왜곡하는지에 대한 감각
어떤 qualitative example이 평균 점수보다 중요한지 알아보는 판단력
실제 시스템의 latency, calibration, sensor failure를 다뤄 본 경험
리뷰어가 반복해서 묻는 질문과 이를 설득해 온 논리
재현 가능한 코드, 데이터, 실험 protocol, decision log
서로 다른 프로젝트가 하나의 장기 연구 질문으로 이어지는 서사

이것들은 논문을 많이 저장해 두는 것과 다르다. 정보의 양보다 어떤 조건에서 무엇을 믿어야 하는지를 아는 축적된 판단 체계에 가깝다.

여기서 NDC가 말한 두 종류의 AI 구분이 연구에도 잘 들어맞는다.

Artificial Intelligence: 누구나 사용할 수 있는 코드·분석·생성 도구
Accumulated Intelligence: 특정 연구팀이 실패와 검증을 거치며 쌓은 독자적 판단 체계

첫 번째 AI를 잘 쓰는 것은 필수다. 하지만 첫 번째 AI만으로는 같은 도구를 쓰는 다른 팀과 오래 차별화하기 어렵다. 지속적인 격차는 첫 번째 AI를 이용해 두 번째 AI를 얼마나 빠르고 정확하게 축적하느냐에서 생긴다.

만드는 연구에서 평가를 설계하는 연구로

ICML 후기에서 가장 중요한 대목은 만드는 일이 쉬워질수록 무엇을 평가해야 하는지를 정하는 일이 더 어려워진다는 관찰이다.

공개 benchmark가 포화되고 모델이 특정 평가 분포에 최적화되면, 높은 점수가 실제 사용 환경에서의 강건성을 보장하지 않는다. 그래서 앞으로 더 중요한 연구 질문은 다음과 같은 형태가 된다.

기존 metric이 구분하지 못하는 실패는 무엇인가?
평균 성능 뒤에 숨은 tail과 worst case는 무엇인가?
실제 배포 환경에서만 나타나는 조건은 무엇인가?
모델이 능력을 얻은 것인지 benchmark를 학습한 것인지 어떻게 구별할 것인가?
LLM judge의 rubric, calibration, human agreement는 충분한가?

예를 들어 visual place recognition에서 Recall@K를 조금 더 높이는 것보다, 비슷한 장면의 distractor가 있을 때 기존 점수가 감추던 실패를 드러내는 평가 체계를 정의하는 편이 더 중요한 contribution이 될 수 있다. 장기 memory 연구에서도 single-session retrieval 점수만 높이기보다 cross-session consistency, selective forgetting, memory correction, poisoning robustness를 평가하는 쪽이 문제의 본질에 더 가깝다.

이때 benchmark는 연구가 끝난 뒤 붙이는 점수판이 아니다. 어떤 실패를 중요하다고 선언하는 연구 결과물 그 자체다.

실험 공장에는 taste가 필요하다

자동화된 연구 파이프라인은 더 많은 실험을 더 꼼꼼하게 수행할 수 있게 한다. 하지만 다음 선택은 여전히 자동화하기 어렵다.

지금 커뮤니티에 필요한 질문인가?
기술적으로 가능하지만 논문 가치가 낮은 아이디어는 아닌가?
성능 개선인가, 새로운 문제 정의인가?
예상과 다른 결과를 더 파고들 가치가 있는가?
어느 시점에 가설을 버리고 방향을 바꿔야 하는가?

Soham Ray가 말한 research taste는 취향이라기보다 오랜 경험을 압축한 선택 능력이다. 연구 공장이 강력해질수록 taste가 약한 팀은 중요하지 않은 공간을 더 빨리 탐색하고, taste가 강한 팀은 적은 시간에 더 중요한 가설을 압축해 낸다.

따라서 시니어 연구자와 교수의 역할이 사라진다기보다 달라진다고 보는 편이 자연스럽다. 모든 코드를 직접 지시하는 역할은 줄어들 수 있지만, 문제를 고르고 평가 기준을 세우며 수많은 결과 가운데 중요한 신호를 알아보는 역할은 더 커진다.

Memory는 개인화이자 축적지능이며 공격 표면이다

ICML 후기에서 memory가 크게 다뤄진 것도 이 흐름과 연결된다. agent가 여러 세션에 걸쳐 사용자와 작업 이력을 기억하면 같은 foundation model이라도 서로 다른 agent가 된다. 이 의미에서 memory는 agent를 개인화하는 맥락 자본이다.

연구 조직도 마찬가지다. 실패 로그와 판단의 근거가 개인의 머릿속이나 메신저에만 남으면 사람이 떠날 때 함께 사라진다. 반대로 실험 조건, 실패 원인, 버린 가설, reviewer 대응, 실제 배포의 마찰이 검색하고 검증할 수 있는 형태로 남으면 새 연구는 더 높은 시작점에서 출발한다.

다만 기억은 쌓기만 하면 되는 자산이 아니다. 잘못된 기억을 어떻게 수정할지, 무엇을 잊을지, 누가 memory에 쓸 수 있을지 결정해야 한다. 지속되는 memory는 개인화의 기반인 동시에 공격자가 조작하고 싶은 표면이기 때문이다. 축적지능의 가치는 저장량이 아니라 provenance, correction, forgetting, access control까지 포함한 운영 품질에서 결정된다.

대학원생과 연구실 운영에 옮기면

이 공통 신호를 대학원 교육의 언어로 바꾸면 다음과 같다.

이전에 강조하던 역량	이제 더 중요해지는 역량
코드를 많이 직접 작성	AI가 만든 코드를 이해하고 검증
주어진 실험을 정확히 수행	정보가치가 높은 다음 실험을 선택
benchmark 점수를 개선	benchmark가 놓친 실패를 정의
한 일을 순서대로 보고	판단, 근거, trade-off, 다음 결정을 압축
교수의 방향을 구현	최신 증거를 가져와 방향을 공동 설계
개인의 기억과 성실성에 의존	로그, 자동화, 문서화, 재현성으로 시스템화

좋은 AI-native 연구자는 AI에게 많은 일을 맡기는 사람이 아니라, 작업을 검증 가능한 단위로 나누고 acceptance criterion을 명확히 세운 뒤 결과가 틀렸을 때 원인을 추적할 수 있는 사람이다. 기준은 간단하다.

AI가 만든 결과를 본인이 심사할 수 있어야 한다.

연구실 차원에서는 매 프로젝트가 다음 프로젝트의 원금이 되도록 운영할 필요가 있다.

Dataset → Benchmark → Method → Real-world System → New Research Question

논문 한 편의 성패보다 중요한 것은 실패하더라도 재사용할 수 있는 평가 환경, 코드, 데이터, failure taxonomy, 운영 지식이 남는가이다. 이것이 연구에서 맥락이 복리로 쌓이는 방식이다.

과도하게 읽지 말아야 할 점

두 자료가 구현의 가치를 부정하는 것은 아니다. 구현 품질이 낮아도 맥락만 있으면 된다는 뜻도 아니다. 더 정확한 관계는 다음에 가깝다.

경쟁력 = 구현 품질 × 맥락의 깊이 × 검증·학습 루프의 속도

또한 NDC 키노트는 게임 산업을 대상으로 한 발표이고, Soham Ray의 글은 ICML 2026 전체의 공식 결론이 아니라 한 연구자가 현장에서 주목한 흐름이다. 두 자료만으로 산업과 학계의 합의를 증명할 수는 없다. 다만 서로 다른 분야의 관찰이 같은 방향을 가리킨다는 점은 충분히 기록할 가치가 있다.

한 문장으로 남기면

AI가 구현을 평준화할수록, 오래 남는 경쟁력은 더 많이 만드는 능력이 아니라 중요한 가능성을 고르고, 무엇이 참인지 평가하며, 그 판단을 조직의 축적지능으로 남기는 능력이다.

자료 출처

강대현, 「구현이 쉬워지는 시대, 우리는 무엇으로 경쟁하는가」, NDC 2026 키노트, 2026년 6월 16일. NDC 공식 YouTube 영상
전자신문, 「강대현 넥슨코리아 대표 “AI 시대 게임 경쟁력은 ‘맥락의 깊이’”」, 2026년 6월 16일. 기사 보기
연합뉴스, 「넥슨 ‘AI 시대 승부처는 맥락’…‘축적지능’ 전략 공개」, 2026년 6월 16일. 기사 보기
Soham Ray, “Research Trends at ICML 2026”, X 게시물, 2026년 7월 15일. 원문 보기
Soham Ray 개인 홈페이지 — 작성자 및 ICML 2026 발표 정보 확인용.

Notes & Summaries | Giseop Kim

구현이 쉬워진 시대, 연구자는 무엇으로 경쟁하는가

두 출처에 대한 GPT 정리 원문

1. AI로 구현이 쉬워졌다고 경쟁이 쉬워지는 건 아니다

2. 앞으로의 핵심 경쟁력은 ‘맥락 자본’

3. AI가 코드를 잘 짤수록 인간의 ‘판단 감각’이 중요해진다

4. 맥락은 단순히 쌓이는 게 아니라 ‘복리’로 성장한다

5. 작은 팀에도 기회가 있다는 주장

6. 넥슨이 말하는 두 종류의 AI

연구실 관점에서 번역하면

1. 문제 선택의 맥락

2. 평가에 관한 판단력

3. 연구 자산의 복리

4. 연구실 내부의 축적지능

내 평가

1. 연구 수행 방식이 “자동화된 공장”처럼 바뀌고 있음

AI 연구자 자동화가 뜨고 있음

연구가 파이프라인화됨

2. 가장 중요한 문제는 연구자의 “taste”

3. 연구의 중심이 모델 개발에서 평가로 이동 중

Benchmark saturation 문제

LLM judge도 고도화 중

4. Synthetic data는 더 이상 단순한 데이터 증강이 아님

5. Memory가 agent personalization과 장기 행동의 핵심

Memory가 agent를 개인화함

하지만 memory는 공격 표면이기도 함

6. tau-bench 관련 자랑과 채용 홍보

한 문장으로 요약하면

구현은 사라지는 것이 아니라 기본 입장권이 된다

두 자료가 가리키는 같은 이동

연구에서의 맥락 자본은 무엇인가

만드는 연구에서 평가를 설계하는 연구로

실험 공장에는 taste가 필요하다

Memory는 개인화이자 축적지능이며 공격 표면이다

대학원생과 연구실 운영에 옮기면

과도하게 읽지 말아야 할 점

한 문장으로 남기면

자료 출처