작성자丨가오윈이(高允毅)
편집丨岑 봉(峰)
최근 한 저작권 소송에서 Anthropic의 내부 기밀 문서가 뜻밖에 공개되었다《Concise Research Roadmap》, 이것은 Anthropic의 5년 전 연구 로드맵이다.이 문서는 Anthropic 공동창업자 Jared Kaplan이 작성했으며, 겨우 3~4페이지 분량인데도 우리가 오늘날 논의하는 Coding Agent, Tool Use, 긴 컨텍스트, RL, 자동화 피드백, 심지어 Agent의 안전 문제까지 등장한다......이 문서에는 Anthropic의 '최고 두뇌'들이 빼곡히 적은 주석이 모여 있다. 예를 들어, Anthropic 공동창업자 Tom Brown은 '저장소 탐색이 간단하고 가치 높은 진입점'이라고 지적했고, 시스템 및 해석 가능성 연구과학자 Nelson Elhage는 '프로젝트 내 타입 정의 자동 검색'이 사용자 가치가 매우 높은 기능이 될 것이라고 예측했다. '최강 코딩 어시스턴트'와 '도구 능력 시연' 사이의 노선 논쟁 앞에서 CEO Dario는 현장에서 방향을 정했다:'단기적으로는 먼저 도구 사용을 시연하고, 장기적으로는 최강 코딩 어시스턴트를 만든다.' 정렬(alignment) 과학자 Amanda Askell은 더 깊은 우려를 제기했다. '자연어 분야에서만 정렬을 수행하고 코드 분야에서는 능력 연구를 한다면 반드시 단절이 생길 것이다.' 그녀는 안전과 능력이 어떤 단계에서도 긴밀히 결합되어야 한다고 강조했다. 그해 Anthropic은 창립 6개월밖에 되지 않았고, 총 투자금도 1.24억 달러에 불과했다. ChatGPT가 전 세계를 폭발시키기까지 16개월, Claude 1 출시까지는 20개월이 남은 시점이었다. 업계 전체가 아직 대형 모델이 과도기적 제품인지 의심하고 있었다. OpenAI를 떠난 이들은 이미 '초고 GPU 활용률 실현', '긴 컨텍스트 연구', '도구 사용의 강화학습', '사회 영향에 대한 평가 프레임워크' 등을 한 걸음씩 계획하고 있었다...... 이후 5년 동안 그들은 로드맵의 모든 분기를 실현했고, 놀라운 성적표까지 내놓았다. Claude 1에서 Opus 5까지, Constitutional AI에서 해석 가능성(interpretability)까지, 그리고 최근의 Computer Use, MCP 프로토콜, Claude Code, 하이브리드 추론에 이르기까지 모두 2021년 그 로드맵에서 앵커를 찾을 수 있다.
01
2021년의 Anthropic은
대체 무엇을 보았던 걸까?
2021년, ChatGPT가 아직 세상에 나오지 않았고 업계 전체가 대형 모델의 실용화 방향을 모색하고 있었다. 그러나 Anthropic은 내부 문서에 AGI의 핵심 경로를 명확히 적어두었는데, 그것이 바로장기 기억 능력을 갖춘 대형 생성 모델을 만들고, 자동화 보상과 인간 피드백을 결합한 강화학습(RL)으로 파인튜닝을 완수하는 것이었다.모든 연구 프로젝트는 이 중심을 향한 탐색 실험이었다. 그들은 이 노선을 검증할 첫 번째 매개체가 '대화형 소프트웨어 엔지니어 어시스턴트'라고 보았다. 그것은 대화를 통해 소프트웨어의 생성, 편집, 설명을 수행하고, 함수를 작성하고, 버그를 찾고, API를 설계할 수 있으며, 코드 스타일과 엔지니어링 베스트 프랙티스까지 논의하여 최종적으로 소프트웨어 엔지니어 동료 수준에 도달할 수 있어야 했다. 이것이 바로 오늘날 Claude Code의 구체적 원형이다. Dario Amodei는 이를 위해 두 단계의 착지 리듬을 정했다. 단기적으로는 능력 검증을 우선 완수하고, 장기적으로는 깊이 있는 생산성 도구로 다듬는 것이다. 팀은 프린트 디버깅, 코드 저장소 탐색 같은 경량화된 도구 능력에서 출발해, 점차 코드 실행, 자연어 문서 편집 등 더 복잡한 도구 능력으로 확장해 나갔다.이 목표를 중심으로 그들은 '스케일링'을 모든 연구 방향의 최우선 순위에 두고, 처음부터 조(万亿) 단위 파라미터 규모를 준비했다.Jared Kaplan은 Scaling Laws 이론의 제1저자로, 이 인식을 OpenAI에서 Anthropic으로 가져왔고, 일찍부터 조(1T) 단위乃至 그 이상 규모의 모델을 어떻게 학습시킬지 고민했다. 초대형 파라미터 모델 자체 외에도, 그들은 GPU 활용률을 높이는 방법, TPU, Trainium 등 차세대 하드웨어에 미리 대응하는 방법, 블록 희소 어텐션 같은 복잡한 엔지니어링을 캡슐화하여 비전문가도 쉽게 하이퍼파라미터를 설정할 수 있게 하는 방법, 대형 모델 가중치 같은 핵심 자산을 위한 안전防护 체계를 구축하는 방법 등을 논의했다.Anthropic은 사전학습과 데이터도 매우 중시했다.그들은 처음부터 업계 최고 성능의 언어 + 코드 겸용 기반 모델을 학습시켜, 이후의 모든 파인튜닝, 기능 탐색, 능력 반복 개선의 토대가 되게 할 계획이었다. 그들은 일찍부터 전체 체인 고품질 데이터셋 구축을 시작했는데, 자연어와 코드뿐 아니라 Diff(버전 차이), PR(풀 리퀘스트), 디버깅 기록, 코드 실행 평가 결과까지 포괄하여 소프트웨어 개발 전 과정의 데이터를 완전히 커버했다. 데이터 품질에서도 극도로 세밀하게 따져, 데이터 필터링, 마이그레이션, 파인튜닝부터 다양성 최적화까지 전체 프로세스를 하나씩 다듬었다. 이렇게 데이터 기반을 다져놓아야 이후 더 고급 강화학습 환경에서 비교 실험과 능력 반복 개선을 진행할 때 방향을 잃지 않는다. 동시에 그들은 조 단위 파라미터乃至 그 이상 규모를 지탱하는 머신러닝 기반 기술을 조기에 공략하고, 초장문맥 능력을 동시에 탐색하거나 방대한 기억과 경험을 캡슐화할 수 있는 등가 외부 솔루션을 연구했다.능력과 정렬의 동시 추진은 Anthropic이 문서에서 제시한 또 다른 큰 특징이다.Amanda Askell은 문서 코멘트에서 코드 능력과 정렬 연구의 단절 위험을 미리 예측했다. 한편으로 코드 능력은 계속 강화되는데 상응하는 정렬 제약이 부족하고, 다른 한편으로 정렬 연구가 의존하는 모델 능력이 부족하면 테스트의 깊이와 성과의 실용적 가치도 제한되어, 장기적으로 정렬 연구는 능력 발전과 동떨어진 '정보 고립섬'이 되리라는 것이었다. 따라서 그녀는 각 분야의 능력 연구와 정렬 연구가 비율에 맞게 동시에 추진되어야 하며, 안전은 모델 능력이 성숙해진 후에 보완해서는 안 된다고 요구했다. 이 원칙을 중심으로 Anthropic은 구체적인 연구 방향을 기획했다. 그들은 인간 피드백으로 모델을 학습시켜, 모델이 단순히 문제를 푸는 것에 그치지 않고 능동적으로 도움을 제공하고, 피드백에 따라 행동을 조정하며, 사용자 의도가 모호할 때 적극적으로 질문을 명확히 하도록 했다. 팀은 정렬 실패 시나리오를 체계적으로 정리하여 난이도별로 분류·귀인하고, 정렬 효과가 모델 규모에 따라 변화는 법칙을 전문적으로 연구했다. 학습을 지도하는 보상 모델 자체도 반복적으로 검증했다. 합법적 인간 피드백 데이터, Stack Exchange 등 정적 데이터셋, GAN 적대 생성 데이터에서 교차 검증하여 보상 신호가 진정으로 인간 의도에 부합하고, 서로 다른 데이터 소스에서 충분히 신뢰할 수 있도록 했다. 최종적으로 이러한 실험들은 모두 일반 방법론으로 축적되었다. 인간 피드백을 어떻게 사용해야 효율이 가장 높은지, 서로 다른 정렬 목표에 얼마나 많은 데이터와 자원 투입이 필요한지, 모두 정량적으로 착지시켰다. 이것이 바로 Claude가 금융, 의료, 법률 등 높은 컴플라이언스 업계에 먼저 진입할 수 있었던 이유다.Anthropic은 '해석 가능성(interpretability)'의 장기 탐색에도 지속적으로 투자했다.Anthropic은 모델 내부에서 정말 무슨 일이 일어나는지 밝히고 싶어 했다. 이를 위해 해석 가능성 분야의 대표 학자 Christopher Olah가 대형 모델의 뉴런, 어텐션 헤드, 내부 기능 회로를 전문적으로 해부했다. Olah는 또한 데이터, 도구 방향의 연구를 해석 가능성 연구와 결합해야 한다고 제안했다. 그들은 저수준 메커니즘에서부터 밝히길 원했다. 산술 추론, 다중 턴 대화, 코드 생성이 신경망 내부에서 과연 어떻게 구현되는가. 그들은 RL for Tool Use를 중요한 연구 방향으로 목록화했다.연구의 핵심은 대형 언어 모델이 도구 사용을 배우고, 환경과 목표를 이해하며, 강화학습을 통해 끊임없이 개선하도록 하는 것이었다. 당시 그들은 이미 정보 검색, 프린트 디버깅(printf debugging) 같은 과제를 연구 계획에 넣어두었다. 이러한 과제는 실용적 가치가 있을 뿐 아니라 검증에도 쓸 수 있었다. 모델이 도구에 접속한 후 단순 텍스트 생성의 능력 한계를 돌파할 수 있는가? 지도학습에 비해, 도구 상호작용과 강화학습으로 학습시키면 더 나은 스케일링 효과와 더 높은 연산 효율을 얻을 수 있는가? Dario Amodei의 시야는 코드 시나리오에만 국한되지 않았다. 그는 자연어 편집기도 탐색할 가치가 있다고 제안했다. 예를 들어 모델이 Google Docs 유사 환경에서 문서를 수정하게 하는 것인데, 이는 높은 가치의 안전 연구 성과를 낼 수 있을 뿐 아니라 광범위한 응용 시나리오도 갖추고 있으며, 이 두 유형의 편집기를 지탱하는 도구와 기반 인프라의 상당수는 범용적이다. 그들이 진정 검증하고자 한 것은 모델이 '답변 생성'에서 '도구를 활용한 복잡한 과제 수행'으로 나아갈 수 있는가였다. 이 노선이 성립하면 능력 한계가 소프트웨어 개발에서 더 많은 지식 노동 시나리오로 확장될 수 있었다.그리고 안전 고려는 모든 연구 방향에 일관되게贯穿했다.이 과학자들은 첫날부터 일종의 기괴적 이상주의를 갖고 있었다. Sam McCandlish는 당시 이미 영혼의 질문을 던졌다. '비샌드박스화 도구를 어떻게 안전하게 배포할 것인가?' Dario는 더 나아가 배포 단계에서 코드를 직접 실행할 수 있는 도구의 위험이 극히 높다고 경고했다. 오늘날 Agent 분야에서 매일 논의되는 샌드박스 격리, 권한 차단이 모두 그들의 당시推演 안에 있었다. 뿐만 아니라 그들은 회사를 AI 윤리 연구의 '산 위의 도시(city upon a hill)'로 만들고, 학계와 정부와 함께 독립 평가를 수행하며, 최고 수준의 안전 프레임워크로 전 업계에 규범을 세우고자 했다. 결국 이 모든 것이 합쳐져 Anthropic의 풀스택 폐쇄 루프 연구 지도를 구성했다. 저수준 컴퓨팅 엔지니어링(GPU/TPU 대응, 학습 효율), 모델 기반(사전학습, 데이터 엔지니어링, 긴 컨텍스트), 핵심 능력(도구 호출, 코드 생성), 안전 체계(정렬, 해석 가능성, 가중치 안전), 나아가 사회 거버넌스(제3자 평가, 업계 생태계)에 이르기까지, 뚜렷한 약점 없는 완전한 AGI 연구개발 폐쇄 루프를 형성했다.02
이 5년 동안 Anthropic은 무엇을 해왔을까
많은 네티즌들은 이 토론을 본 후 직접 '신'이라 불렀다. '우리가 지금 다투어 만들고 있는 Agent가 다른 사람의 해야 할 일 목록에 있었다니.' 또 어떤 네티즌은, 최전선 연구원에게는 이런 통찰이 그리 흔치 않은 일은 아닐 수 있고 상당수가 이미 공감대가 되었다고 말했다. 하지만 진정으로 이러한 연구 로드맵을 빗나가지 않고 실제로 구현해낸 것이야말로 정말 대단한 것이다. 5년 후인 오늘, Claude는 한 번에 1M token의 긴 텍스트를 처리할 수 있게 되었고, 엔지니어링 시나리오에 특화된 메모리 최적화 방법까지 진화했으며, 대형 모델은 Opus 5.5까지 반복 개발되었다. 안전 조정 라인에서도 초기의 인공 라벨링 피드백 기반 학습 방식에서 'AI가 AI를 감독하는' 헌법적 학습으로, 그리고 오늘날의 하이브리드 방식으로 진화했다. 당시 문서에 담겨 있던 연구 로드맵들은 Anthropic의 모든 전환점마다 전략적 방향이 되었다. 2022년, Anthropic은 가장 핵심적인 '정렬(alignment)' 트랙에서 업계의 인식을 뒤바꾼 방법론을 선보였다. 2022년 말, ChatGPT는 RLHF(인간 피드백 강화 학습)로 하룻밤 사에 큰 화제를 모으며 대형 모델을 대중의 시야로 끌어들였다. 하지만 이 방식의 고질적인 문제도 뚜렷했다: 대규모 인력을 고용해 라벨링을 해야 하므로 비용이 높고 확장이 어려울 뿐 아니라, 라벨링 담당자의 개인 취향이 쉽게 반영될 수 있다는 점이었다. ChatGPT 출시 겨우 반 달 후, Anthropic은 논문을 발표하고 “헌법적 AI(Constitutional AI)” 라는 접근을 제시했다: 먼저 모델에 일련의 행동 원칙을 정해주고, 한 모델이 다른 모델의 답변을 평가하고 수정하도록 하여, 반복적인 개선을 거치면 모델이 유용하면서도 선을 넘지 않도록 만들 수 있다는 것이었다. 대내적으로는 안전 조정이 모델 능력 성장을 따라가지 못하는 문제를 해결했고, 이는 팀 초기의 '능력과 안전은 동시에 추진해야 한다'는 우려에 정확히 부합하는 것이었다. 대외적으로는 Claude 시리즈의 뚜렷한 제품 특성, 즉 정중하고 절제되며 스스로 선을 넘지 않는 특성을 정의했고, 같은 시대의 GPT 모델과 강력한 차별성을 만들어냈다. 학습 방법을 해결한 Anthropic은 모델을 더 크고 더 길게 만드는 데 착수했고, 2023년에는 제품과 컴퓨팅 파워 두 라인에서 동시에 돌파구를 마련했다. 같은 해 3월,1세대 Claude가 정식으로 대외 협력을 시작했으며긴 텍스트 처리와 안전 속성을 주력으로 내세웠고, 사용해 본 사람들은 대체로 같은 시기의 GPT-3.5보다 '훨씬 정중하다'고 느꼈다. 이것은 Anthropic이 처음으로 시장을 향한 실체 있는 제품을 내놓은 순간이었다.5월, Anthropic은 Claude의 컨텍스트 윈도우를 9K에서 한 번에 100K token까지 확장했는데, 이는 7.5만 영어 단어에 해당한다; 두 달 후 공개 베타 테스트에 들어간 Claude 2는 이 능력을 그대로 이어갔다. 비교하자면, 당시 주류였던 GPT-4는 최대 32K(약 3만여 Token)의 컨텍스트만 지원했고, Anthropic의 자체 이전 세대 모델은 10K에도 못 미치는 용량에 그쳤다. 이 도약적인 긴 텍스트 능력은 책 한 권 전체 또는 코드베이스 전체를 한 번에 읽어내는 것을 현실로 만들었다. 안전 체계도 동시에 착지했다. 9월,Anthropic은 첫 번째 버전의 《책임 있는 확장 정책》(RSP)을 발표해모델의 잠재적 위험을 등급으로 구분했으며, 능력이 높을수록 안전 관리가 더 엄격해지는, 업계 최초의 체계적인 동적 안전 메커니즘이었다. 2023년 10월까지, Google이 주도한 투자 라운드로 Anthropic의 기업 가치는 184억 달러에 올라섰다. 글로벌 대형 모델 업계는 초기의 '일 초다강(一超多强)' 구도에 작별을 고했고, 두 개의 최상위 독립 연구소가 쌍벽을 이루는 모습이 은연중에 드러나기 시작했다. 이 해 글로벌 AI 업계도 큰 파란이 일었는데, GPT-4가 발표되며 새로운 능력의 기준을 세웠고, OpenAI는 장기 안전에 베팅하는 전담 팀을 만들었으며, 머스크는 xAI를 설립했고, 구글은 DeepMind를 통합해 Gemini를 선보였다. 중국에서는 '백모 대전(百模大战)'이 시작되어 바이두, 알리바바 등 대형 기업들의 대형 모델이 집중적으로 공개되었고, 지푸(智谱), 월지안면(月之暗面), 딥시크(深度求索) 등 스타트업들도 활발한 투자 유치를 시작했다. 2024년은 Anthropic의 도약의 해였으며, 모든 방향에서 대표작을 내놓았다. 3월, Claude 3 시리즈는 한 번에 세 가지 제품을 출시해 플래그십, 균형, 경량의 세 가지 시나리오를 커버했고, 멀티모달 능력도 갖췄다.그중 플래그십 모델 Opus는 기본적으로 100K의 처리 길이를 지원했으며, 긴 텍스트 평가에서 매우 높은 정확도를 보여 처음으로 GPT-4를 추월했고, 긴 컨텍스트 기술을 탄탄한 제품 경쟁력으로 전환했다.이어 6월에 등장한 Claude 3.5 Sonnet 모델은능력이 크게 향상되어 여러 핵심 지표에서 GPT-4o에 맞섰다; 10월에 업그레이드 버전이 출시되었을 때,이 모델은 코드 평가 세트 SWE-bench Verified에서 당시의 모든 폐쇄형 경쟁사 모델을 앞질렀고이로써 Anthropic은 소프트웨어 엔지니어링과 에이전트 개발 시장에서 뚜렷한 경쟁 우위를 확보했다. Anthropic이 진정으로 격차를 벌린 것은 2024년 5월에 일으킨해석 가능성 열풍덕분이었다. 2021년에만 해도 '해석 가능성'과 '도구 사용 강화 학습'은 지나치게 학문적으로 들렸고, 파라미터를 늘리고 리더보드를 경신하는 것만큼 실속 있어 보이지 않았다. 2024년 5월, Anthropic 팀은 희소 오토인코더(SAE)를 활용해 Claude Sonnet 내부의 수백만 개 특징에 대한 '내부 스캔'에 성공했고, 모델에서 3400만 개의 특징을 추출했으며, '골든게이트브리지' '프로그램 버그' 같은 구체적 개념에 대응하는 내부 회로까지 위치를 파악했다. 이것이 공리가 아님을 증명하기 위해 그들은 실험도 했다: '골든게이트브리지'에 해당하는 특징을 수동으로 활성화하여, 모델이 어떤 질문에 답하든 골든게이트브리지를 피할 수 없게 만든 것이다. 이것은 인류가 상용급 대형 모델에서 내부 메커니즘에 대한 정밀한 해석과 조작을 처음으로 이루어낸 사례였다. 이는 AI 안전 연구가 이제 더 이상 '블라인드 박스를 열듯' 하지 않아도 된다는 것을 의미했다. 같은 시기 OpenAI도 관련 연구를 진행하고 있었지만 구체적인 진전을 공개하지 않았고; 중국 학계에서는 이를 추적했지만 제품 수준의 검증은 거의 없었다. 이 트랙에서 2024년의 Anthropic은 거의 단독 선두를 질주했다. 10월, 새 버전의 Claude가 출시되며 “컴퓨터 조작” 기능이 추가되어, 모델이 사람처럼 화면을 보고, 마우스를 클릭하고, 키보드를 두드리며 데스크톱 소프트웨어를 자율적으로 조작할 수 있게 되었다. 겨우 한 달 후, Anthropic은 다시 MCP 프로토콜을 오픈소스로 공개하여, 모델과 각종 도구·데이터 간의 연결 방식을 통일했는데, 이는 AI 애플리케이션의 '범용 인터페이스'에 해당했다. 이것은 MCP 열풍을 일으켰고, 2025년 1분기에 OpenAI와 구글이 잇달아 MCP 지원을 발표했으며, 중국의 알리바바, 텐센트, 바이두, 알리페이도 4개월 동안 관련 서비스를 잇달아 출시했다. 각사가 자체 도구 인터페이스를 만드는 것에서 MCP 통일 사용으로, 업계는 반년 만에 진영 구도를 완성했다. 이것은 Anthropic이 처음으로 모델 능력이 아닌 인프라 계층에서 경쟁사의 추종을 이끌어낸 사례였다.
2024년, Anthropic의 기업 가치는 연초 184억에서 연말 약 410억으로 상승했다. 기업 가치 급등의 이면에는 제품이 실제로 수익을 내기 시작했다는 점이 있었는데, 당시 Claude의 연간 매출은 이미 10억 달러를 돌파했다.
2025년, Anthropic은 무게중심을 에이전트에 두었고, 주전장으로 소프트웨어 개발을 선택했다. 2월 24일,Claude 3.7과 Claude Code 가 함께 발표되었다. 전자는 '빠른 답변'과 '깊은 사고' 두 가지 모드를 전환할 수 있는 모델로, 사용자가 사고의 깊이를 직접 제어할 수 있다; 후자는 전문 프로그래밍 어시스턴트로, 코드베이스 전체를 스스로 훑어보고, 타입 정의를 조회하고, 버그를 수정하고, 코드를 커밋하고, 테스트를 실행할 수 있다. 이 순간, 2021년 문서 속의 모든 논의가 현실이 되었다: '저장소 탐색이 좋은 출발점'이라는 것에서부터 '먼저 능력을 시연하고, 이후 생산성 도구로'라는 리듬까지, 전부 조금의 오차도 없이 착지했다. 대형 모델은 더 이상 단순한 채팅 도구가 아니라, 컴퓨터 앞에서 실제로 일할 수 있는 'AI 동료'가 되었다. 5월에 발표된 Claude 4 시리즈는장시간 연속 작업 능력을 또 한 단계 끌어올렸다. 플래그십 버전은 몇 시간씩 연속으로 프로그래밍 작업을 수행할 수 있었고, 여러 프로그래밍 테스트에서 1위를 차지했다. 9월의 4.5 버전에 이르러서는 프로그래밍과 에이전트 능력이 다시 한 단계 올라AI 능력이 초급 엔지니어 수준에 도달했다같은 시기, 오피스 시나리오를 겨냥한 제품들도 잇달아 출시되면서, Anthropic의 생산성 도구는 프로그래머 집단에서 일반 화이트칼라로 확장되었다. 9월이 되자, Anthropic은 새로운 투자 라운드를 완료했고, 기업 가치는 약 1830억 달러에 도달했다. 2026년에 들어서면서 경쟁은 더 깊은 차원으로 넘어갔다. 5월부터 10월까지,Anthropic은 5.5세대 전체 모델 라인업을 집중적으로 업데이트했으며플래그십부터 경량까지 순차적으로 출시하고, 멀티모달, 깊은 사고, 에이전트의 세 가지 능력이 동시에 성숙해졌다. 제품은 더 이상 단일 지점 능력의 폭발을 추구하지 않고 “제품 수준의 사용 가능성” 전반의 세련됨으로 방향을 전환했으며, 생태계 발언권도 점점 무거워졌다. MCP는 이미 글로벌 AI 도구의 사실상 표준이 되어, 모델 벤더부터 애플리케이션 개발사까지 모두 이를 채택하고 있으며, Anthropic은 진정으로 '제품을 만드는 회사'에서 '규칙을 정하는 회사'로 변모했다. 그리고 안전 프레임워크, 제3자 안전 테스트, 업계 최전선 포럼 같은 지속적인 움직임들도, 당년의 '기계 학습의 산 위의 도시를 만들겠다'는 비전을 한 걸음 한 걸음 실현해가고 있다. 오늘날 글로벌 AI 업계는 이미 OpenAI, 구글, Anthropic 세 곳이 선두를 달리는 안정적 구도를 형성했다. 5년 동안 업계의 유행은 몇 번이고 바뀌었고, 수많은 회사가 핫이슈를 쫓아 방향을 바꾸었지만, Anthropic은 줄곧 당시 그어놓은 선을 따라 꾸준히 나아갔다. 많은 사람들이 Anthropic이 시대의 운을 잘 탔다 고 말하지만, 이번에 유출된 문서는 그들의 오늘의 성과가 본질적으로 모두 예고된 기술의 실현이었음을 증명한다. 업계가 어둠 속을 헤매며 걸어갈 때, 어떤 이는 이미 지도를 선명하게 본 후 한 걸음 한 걸음 결승점까지 걸어갔던 것이다. 참고 링크: https://i.smitop.com/concise-research-roadmap.pdf승차하세요, 레이펑왕(雷峰网, 공식계정: 雷峰网)과 함께 글로벌 AI 최고 학회의 핵심을 모두 만나보세요
독점적으로 감상하실 수 있습니다:
전문가 강연 PPT
대회 발표 전문
인기 논문 해설
학계 유망주 인터뷰
위 QR코드를 스캔하거나
「阅读原文」을 클릭하여 전용 페이지를 팔로우하세요.
레이펑왕(雷峰网) 오리지널 기사이며, 허가 없이 전재를 금지합니다. 자세한 내용은전재 안내를 참조하세요。