와튼 통계학 교수 Weijie Su가 OpenAI에 합류했다. 그는 와튼에서 휴직 중이며, OpenAI에서 AI 모델 학습을 맡는다고 밝혔다. 동시에 와튼 정교수 승진 소식도 전했다.
이 소식의 핵심은 단순한 인재 영입이 아니다. OpenAI가 모델을 더 크게 만드는 단계를 넘어, 모델이 어떻게 학습하고 추론하며 신뢰할 수 있는 결과를 내는지에 더 깊이 집중하고 있다는 신호로 볼 수 있다.
왜 통계학자가 AI 모델 학습에 중요한가
OpenAI는 ChatGPT와 GPT 계열 대형언어모델을 개발한 회사다.1 대형언어모델은 확률적으로 다음 토큰을 예측하며 답을 만들어낸다. 따라서 성능 개선은 컴퓨팅 규모나 데이터 양만의 문제가 아니다. 모델이 어떤 패턴을 학습하는지, 얼마나 안정적으로 일반화하는지, 어디서 불확실성이 생기는지를 이해하는 일이 중요하다.
Su의 연구 관심사는 LLM의 통계적 기반, 개인정보 보호 머신러닝, 고차원 통계, 최적화에 걸쳐 있다.2 그는 LLM을 복잡한 블랙박스로만 보지 않고, 그 출력과 행동을 통계적으로 분석할 수 있는 대상으로 다뤄 왔다.3
이 배경은 OpenAI의 현재 과제와 맞닿아 있다. 모델 학습은 이제 “더 자연스러운 문장 생성”을 넘어서, 추론 과정의 안정성, 도구 사용의 정확성, 개인정보 보호, 정렬 문제까지 포함한다.
모델은 채팅을 넘어 작업을 수행한다
최근 OpenAI 모델은 단순히 질문에 답하는 수준을 넘어 도구를 호출하고, 중간 추론을 거치며, 코드를 수정하는 방식으로 진화하고 있다. Simon Willison에 따르면 OpenAI의 최신 추론 가능 모델 다수는 기존 /v1/chat/completions 대신 /v1/responses 엔드포인트를 사용한다.1
이 변화는 작지 않다. /v1/responses 엔드포인트는 GPT-5급 모델에서 도구 호출 사이의 인터리브드 추론을 가능하게 한다.1 즉, 모델이 한 번 답하고 끝나는 것이 아니라, 도구를 쓰고 결과를 해석한 뒤 다시 판단하는 흐름에 가까워진다.
OpenAI 모델 실행 시 요약된 추론 토큰을 별도 색상으로 표시할 수도 있고, 필요하면 -R 또는 --hide-reasoning 플래그로 숨길 수 있다.1 이는 개발자가 모델의 동작을 관찰하고 조정하는 방식도 함께 바뀌고 있음을 보여준다.
Codex CLI 0.128.0에 추가된 /goal 기능도 같은 흐름에 있다.1 모델이 목표를 기준으로 작업을 진행하고, 제한된 토큰 예산 안에서 완료 여부를 평가하며 반복하는 방식은 “대화형 답변”보다 “목표 기반 실행”에 가깝다.
Su의 합류를 어떻게 해석해야 하나
Su의 합류는 OpenAI가 모델 학습에서 통계적 평가, 최적화, 개인정보 보호, 정렬 같은 기반 역량을 더 중요하게 보고 있다는 신호로 읽을 수 있다. 특히 LLM 정렬의 편향, 워터마킹 검출, 불확실성 문제는 제품 신뢰도와 직접 연결된다.3
개발자와 기업 입장에서는 새 모델을 “더 똑똑한 API”로만 이해하면 부족하다. 모델이 사용하는 엔드포인트, 추론 표시 방식, 도구 호출 구조, 목표 기반 실행 방식이 함께 바뀌고 있기 때문이다.
따라서 모델을 도입하거나 교체할 때는 다음을 함께 점검해야 한다.
기존 프롬프트가 새 추론 방식에서도 잘 작동하는가
도구 호출 결과를 어떻게 검증할 것인가
모델의 중간 추론 또는 요약된 추론 정보를 운영상 어떻게 다룰 것인가
목표 기반 실행에서 성공과 실패를 어떤 기준으로 평가할 것인가
개인정보, 편향, 불확실성 문제를 제품 수준에서 어떻게 관리할 것인가
결론은 분명하다. AI 경쟁의 다음 단계는 단순히 더 큰 모델을 만드는 데 그치지 않는다. 모델이 왜 그런 답을 내는지 측정하고, 잘못된 행동을 줄이며, 실제 작업 환경에서 신뢰할 수 있게 만드는 능력이 중요해지고 있다. Weijie Su의 OpenAI 합류는 그 방향을 보여주는 의미 있는 신호다.
3Interview with Award Winner Dr.Weijie Su for the Interface of Statistics and AI
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.