**« LLMs를 사랑하지만, 과장된 선전은 싫어」 - 조지홋이 남아 있는 유일한 규칙을 상기시키다**

모델이 실제로 하는 것과 우리가 그들에게 부여하는 것들을 분리하라. 컴퓨팅 파워보다 규율이 더 필요하다.

사실

George Hotz(geohot)는 2026년 7월 12일 「I love LLMs, I hate hype」라는 짧고 단호한 글을 게시했습니다. 이 글은 모델이 수행하는 일(압축, 복원, 보간)과 마케팅에서 모델에 부여하는 일(추론, 계획, 이해)을 구분합니다.

우리의 해석

Geohot는 새로운 것을 주장하는 것이 아닙니다. 그는 아무도 하고 싶어하지 않는 구분을 다시 한 번 내리고 있습니다. 2026년 기준으로 대부분의 「생각하는 에이전트」 데모는 잘 연결된 하네스 데모일 뿐,Emergent Reasoning(창발적 추론)은 아닙니다. 그렇다고 LLMs가 쓸모없다는 뜻은 아닙니다. 무엇을 연결하는지 안다면 LLMs는 충분히 유용해질 수 있습니다.

내부 구조

이 주장은 세 가지 핵심으로 요약됩니다: (1) LLMs는 훈련 데이터에 포함된 패턴을 재현하는 압축 가능한 작업(코드, 요약, 번역)에서 탁월합니다. (2) 장기 계획, 엄격한 형식적 일관성, 정확한 계산 등 훈련 데이터에 포함되지 않은 작업에서는 실패합니다. (3) 관찰되는 「추론 능력의 발전」은 모델 자체의 성장이 아니라 하네스(테스트 시간 계산, RAG, 도구)의 결과입니다.

결론

실무자: 가장 높은 ROI는 압축 가능한 작업 + 도구에 있습니다. 의사결정자: 모델 자체에서 얻은 성능 향상과 하네스를 통한 성능 향상의 비율을 항상 질문하세요. 이 구분이 여러분이 다음 모델 변화에 노출될지 여부를 결정합니다.

주시할 점

모델과 하네스를 분리하는 벤치마크. Lambert 또는 Karpathy의 다음 글이对此를 반영할지 여부.