몇 주 전, 저는 미국이 중국에 대한 반도체 수출 통제를 강화해야 한다는 주장을 펼쳤습니다. 그 이후, 중국 AI 기업인 DeepSeek는 적어도 몇몇 측면에서 미국의 최첨단 AI 모델 성능에 근접하면서도 더 낮은 비용을 달성했습니다.
여기서는 DeepSeek가 미국의 Anthropic과 같은 AI 기업에 위협이 되는지 여부에 초점을 맞추지 않겠습니다(DeepSeek가 미국 AI 리더십에 위협이 된다는 주장은 과장되었다고 생각합니다)1. 대신, DeepSeek의 모델 출시가 반도체 수출 통제 정책에 대한 근거를 약화시키는지에 대해 집중하겠습니다. 저는 그렇지 않다고 생각합니다. 오히려, 수출 통제 정책이 일주일 전보다 훨씬 더 중요해졌다고 생각합니다2.
수출 통제는 민주주의 국가들이 AI 개발의 선두를 유지하도록 하는 중요한 목적을 수행합니다. 분명히 말하면, 이는 미국과 중국 간의 경쟁을 회피하기 위한 방법이 아닙니다. 결국, 우리가 승리하려면 미국과 다른 민주주의 국가의 AI 기업들이 중국보다 더 나은 모델을 보유해야 합니다. 그러나 우리가 꼭 그래야 할 필요가 없을 때 중국 공산당에게 기술적 이점을 넘겨줘서는 안 됩니다.
AI 개발의 세 가지 역학
정책 주장을 펼치기 전에, 이해해야 할 AI 시스템의 세 가지 기본적인 역학을 설명하겠습니다.
스케일링 법칙 (Scaling laws): AI의 한 가지 특성은 (저와 제 공동 창업자들이 OpenAI에서 근무할 때 처음으로 문서화한 내용 중 하나입니다) 다른 모든 조건이 동일할 때, AI 시스템 훈련을 확장하면 다양한 인지 작업에서 전반적으로 더 나은 결과를 얻을 수 있다는 것입니다. 예를 들어, 100만 달러짜리 모델은 중요한 코딩 작업의 20%를 해결할 수 있고, 1,000만 달러짜리 모델은 40%, 1억 달러짜리 모델은 60%를 해결할 수 있습니다. 이러한 차이는 실제로 큰 영향을 미치는 경향이 있습니다. 10배의 차이는 학부생과 박사 수준의 기술 차이에 해당할 수 있습니다. 따라서 기업들은 이러한 모델을 훈련하는 데 막대한 투자를 하고 있습니다.
곡선 이동 (Shifting the curve): AI 분야는 끊임없이 크고 작은 아이디어를 내놓아 효율성을 높입니다. 모델 아키텍처 개선(오늘날 모든 모델이 사용하는 기본 Transformer 아키텍처에 대한 조정)이나 하드웨어에서 모델을 더 효율적으로 실행하는 방법일 수 있습니다. 새로운 세대의 하드웨어도 같은 효과를 냅니다. 이는 일반적으로 곡선을 이동시킵니다. 혁신이 2배의 "컴퓨팅 배율"(CM)이라면, 1,000만 달러 대신 500만 달러에 코딩 작업의 40%를 달성하거나, 1억 달러 대신 5,000만 달러에 60%를 달성할 수 있습니다. 모든 최첨단 AI 기업은 이러한 CM을 정기적으로 발견합니다. 작은 CM(약 1.2배), 중간 크기의 CM(약 2배), 때로는 매우 큰 CM(약 10배)도 있습니다. 더 지능적인 시스템을 갖는 것의 가치가 매우 높기 때문에, 곡선의 이러한 이동은 일반적으로 기업들이 모델 훈련에 더 많은 비용을 지출하게 합니다. 비용 효율성의 이점은 회사의 재정 자원에 의해서만 제한되는 더 똑똑한 모델을 훈련하는 데 전적으로 사용됩니다. 사람들은 "처음에는 비싸지만 나중에는 싸진다"는 생각에 자연스럽게 끌립니다. 마치 AI가 품질이 일정한 단일한 것이고, 가격이 싸지면 더 적은 칩을 사용하여 훈련할 것이라고 생각합니다. 그러나 중요한 것은 스케일링 곡선입니다. 곡선이 이동하면 단순히 더 빠르게 이동합니다. 곡선 끝에 있는 것의 가치가 매우 높기 때문입니다. 2020년에 제 팀은 알고리즘 발전으로 인한 곡선 이동이 연간 약 1.68배라는 논문을 발표했습니다. 그 이후로 아마도 상당히 가속화되었을 것입니다. 또한 효율성과 하드웨어를 고려하지 않았습니다. 오늘날의 수치는 연간 약 4배일 것으로 추정합니다. 여기 또 다른 추정치가 있습니다. 훈련 곡선의 변화는 추론 곡선도 변화시키며, 결과적으로 모델의 품질을 일정하게 유지하면서 가격이 크게 하락하는 현상이 수년 동안 발생했습니다. 예를 들어, GPT-4보다 15개월 후에 출시된 Claude 3.5 Sonnet은 거의 모든 벤치마크에서 GPT-4보다 높은 점수를 받았지만 API 가격은 약 10배 저렴합니다.
패러다임 전환 (Shifting the paradigm): 가끔씩, 스케일링되는 기본 요소가 약간 변경되거나 새로운 유형의 스케일링이 훈련 프로세스에 추가됩니다. 2020년부터 2023년까지 주로 스케일링된 것은 사전 훈련된 모델(pretrained models)이었습니다. 인터넷 텍스트를 점점 더 많이 사용하여 훈련된 모델에 약간의 다른 훈련이 추가되었습니다. 2024년에는 강화 학습(RL)을 사용하여 모델이 사고 사슬(chains of thought)을 생성하도록 훈련하는 아이디어가 새로운 초점이 되었습니다. Anthropic, DeepSeek 및 많은 다른 회사(특히 9월에 o1-preview 모델을 출시한 OpenAI)는 이러한 훈련이 수학, 코딩 대회 및 이러한 작업과 유사한 추론과 같은 특정 객관적으로 측정 가능한 작업에서 성능을 크게 향상시킨다는 것을 발견했습니다. 이 새로운 패러다임은 일반적인 유형의 사전 훈련된 모델로 시작한 다음 두 번째 단계로 RL을 사용하여 추론 기술을 추가하는 것을 포함합니다. 중요한 것은 이러한 유형의 RL이 새롭기 때문에 스케일링 곡선의 초기에 있다는 것입니다. 두 번째 RL 단계에 지출되는 금액은 모든 플레이어에게 적습니다. 10만 달러 대신 100만 달러를 지출하면 큰 이득을 얻을 수 있습니다. 기업들은 이제 두 번째 단계를 수억, 수십억 달러로 빠르게 확장하기 위해 노력하고 있지만, 강력한 새로운 패러다임이 스케일링 곡선의 초기에 있어 빠르게 큰 이득을 얻을 수 있는 독특한 "교차점"에 있다는 것을 이해하는 것이 중요합니다.
DeepSeek의 모델
위의 세 가지 역학은 DeepSeek의 최근 릴리스를 이해하는 데 도움이 될 수 있습니다. 약 한 달 전, DeepSeek는 "DeepSeek-V3"라는 순수 사전 훈련 모델3을 출시했습니다. 이는 위에서 설명한 #3의 첫 번째 단계입니다. 그런 다음 지난주에 두 번째 단계를 추가한 "R1"을 출시했습니다. 외부에서 이러한 모델에 대한 모든 것을 결정하는 것은 불가능하지만, 다음은 두 릴리스에 대한 제 최선의 이해입니다.
DeepSeek-V3는 실제로 진정한 혁신이었고 한 달 전에 사람들의 주목을 받았어야 했습니다(우리는 확실히 주목했습니다). 사전 훈련된 모델로서, 몇 가지 중요한 작업에서4 미국 최첨단 모델의 성능에 근접한 것으로 보이며 훈련 비용은 상당히 저렴합니다(하지만 Claude 3.5 Sonnet은 특히 실제 코딩과 같은 다른 주요 작업에서 여전히 훨씬 더 우수합니다). DeepSeek 팀은 주로 엔지니어링 효율성에 중점을 둔 몇 가지 진정하고 인상적인 혁신을 통해 이를 수행했습니다. 특히 "키-값 캐시"라는 측면의 관리에 대한 혁신적인 개선이 있었고, "혼합 전문가" 방법을 이전보다 더 발전시킬 수 있었습니다.
그러나 더 자세히 살펴보는 것이 중요합니다.
DeepSeek는 "미국 AI 기업이 수십억 달러를 들여 한 일을 600만 달러5에 하지 않습니다". 저는 Anthropic에 대해서만 말할 수 있지만, Claude 3.5 Sonnet은 훈련 비용이 수천만 달러인 중간 규모 모델입니다(정확한 숫자는 밝히지 않겠습니다). 또한 3.5 Sonnet은 더 크거나 더 비싼 모델과 관련된 방식으로 훈련되지 않았습니다(일부 소문과 달리). Sonnet의 훈련은 9-12개월 전에 수행되었고, DeepSeek의 모델은 11월/12월에 훈련되었지만, Sonnet은 많은 내부 및 외부 평가에서 여전히 눈에 띄게 앞서 있습니다. 따라서 공정한 진술은 "DeepSeek는 7-10개월 더 오래된 미국 모델의 성능에 근접한 모델을 훨씬 저렴한 비용(사람들이 제안한 비율에는 미치지 못함)으로 생산했다"입니다.
비용 곡선 감소의 과거 추세가 연간 약 4배라면, 일반적인 비즈니스 과정에서(2023년과 2024년에 발생한 것과 같은 과거 비용 감소의 일반적인 추세에서) 3.5 Sonnet/GPT-4o보다 3-4배 저렴한 모델이 현재 나올 것으로 예상할 수 있습니다. DeepSeek-V3는 이러한 미국 최첨단 모델보다 성능이 떨어지므로(스케일링 곡선에서 약 2배라고 가정합니다. 이는 DeepSeek-V3에 상당히 관대한 것입니다) DeepSeek-V3 훈련 비용이 1년 전 개발된 현재 미국 모델보다 약 8배 저렴하다면 이는 완전히 정상적이고 "추세에 따른" 것입니다. 저는 숫자를 밝히지 않겠지만, 이전 요점에서 DeepSeek의 훈련 비용을 액면 그대로 받아들여도 기껏해야 추세에 따르고 있으며 아마도 그 정도도 아닐 것입니다. 예를 들어, 이는 원래 GPT-4에서 Claude 3.5 Sonnet으로의 추론 가격 차이(10배)보다 덜 가파르며, 3.5 Sonnet은 GPT-4보다 더 나은 모델입니다. 이 모든 것은 DeepSeek-V3가 독특한 돌파구이거나 LLM의 경제성을 근본적으로 바꾸는 것이 아니라는 것을 말합니다. 이는 지속적인 비용 절감 곡선에서 예상되는 지점입니다. 이번에 다른 점은 예상되는 비용 절감을 처음으로 입증한 회사가 중국 회사였다는 것입니다. 이는 이전에 발생한 적이 없으며 지정학적으로 중요합니다. 그러나 미국 회사들도 곧 이를 따를 것입니다. DeepSeek를 복사하는 것이 아니라, 그들 역시 비용 절감의 일반적인 추세를 달성하고 있기 때문입니다.
DeepSeek와 미국 AI 기업 모두 헤드라인 모델을 훈련하는 데 사용했던 것보다 훨씬 더 많은 돈과 칩을 보유하고 있습니다. 추가 칩은 모델 이면의 아이디어를 개발하기 위한 R&D에 사용되며, 때로는 아직 준비되지 않았거나 제대로 작동하려면 한 번 이상의 시도가 필요한 더 큰 모델을 훈련하는 데 사용됩니다. DeepSeek가 실제로 50,000개의 Hopper 세대 칩6을 보유했다는 보고가 있었습니다(사실인지 확실하지 않습니다). 이는 주요 미국 AI 기업이 보유한 것의 약 2-3배 이내라고 추정합니다(예를 들어, xAI "Colossus" 클러스터7보다 2-3배 적습니다). 50,000개의 Hopper 칩은 약 10억 달러의 비용이 듭니다. 따라서 DeepSeek의 총 지출(개별 모델 훈련 비용과 구별되는)은 미국 AI 연구소와 크게 다르지 않습니다.
모델이 다소 차별화되고 강점과 약점이 다르기 때문에 "스케일링 곡선" 분석은 약간 단순화되었습니다. 스케일링 곡선 숫자는 많은 세부 사항을 무시하는 대략적인 평균입니다. 저는 Anthropic의 모델에 대해서만 말할 수 있지만, 위에서 암시했듯이 Claude는 코딩과 사람들과의 상호 작용 스타일(많은 사람들이 개인적인 조언이나 지원을 위해 사용합니다)에서 매우 뛰어납니다. 이러한 작업과 일부 추가 작업에서는 DeepSeek와 비교할 수 없습니다. 이러한 요소는 스케일링 숫자에 나타나지 않습니다.
지난주에 출시되어 대중의 관심을 폭발적으로 불러일으킨 R1(Nvidia 주가가 약 17% 하락했습니다)은 V3보다 혁신이나 엔지니어링 관점에서 훨씬 덜 흥미롭습니다. 이는 이전 섹션의 #3에서 설명한 두 번째 단계인 강화 학습을 추가하고, 본질적으로 OpenAI가 o1으로 수행한 것을 복제합니다(비슷한 규모에서 비슷한 결과를 보이는 것으로 보입니다)8. 그러나 우리는 스케일링 곡선의 초기에 있기 때문에 강력한 사전 훈련된 모델로 시작하는 한 여러 회사에서 이러한 유형의 모델을 생산할 수 있습니다. V3가 주어진 R1을 생산하는 것은 아마도 매우 저렴했을 것입니다. 따라서 우리는 여러 회사가 좋은 추론 모델을 생산할 수 있는 흥미로운 "교차점"에 있습니다. 이는 모두가 이러한 모델의 스케일링 곡선을 따라 더 멀리 이동함에 따라 빠르게 사실이 아니게 될 것입니다.
수출 통제
이 모든 것은 제가 관심 있는 주요 주제인 중국에 대한 반도체 수출 통제에 대한 서문일 뿐입니다. 위의 사실에 비추어 볼 때, 저는 상황을 다음과 같이 봅니다.
곡선이 주기적으로 이동하고 주어진 수준의 모델 지능을 훈련하는 비용이 빠르게 감소하더라도 기업들이 점점 더 강력한 AI 모델을 훈련하는 데 더 많은 돈을 지출하는 지속적인 추세가 있습니다. 점점 더 지능적인 모델을 훈련하는 것의 경제적 가치가 너무 커서 모든 비용 절감이 거의 즉시 상쇄됩니다. 즉, 원래 지출할 계획이었던 막대한 비용으로 더 똑똑한 모델을 만드는 데 다시 투입됩니다. 미국 연구소가 아직 발견하지 못했다면, DeepSeek가 개발한 효율성 혁신은 곧 미국과 중국 연구소 모두에서 수십억 달러 규모의 모델을 훈련하는 데 적용될 것입니다. 이는 이전에 훈련할 계획이었던 수십억 달러 규모의 모델보다 더 나은 성능을 발휘할 것입니다. 그러나 여전히 수십억 달러를 지출할 것입니다. 이 숫자는 거의 모든 것에서 거의 모든 인간보다 더 똑똑한 AI에 도달할 때까지 계속 증가할 것입니다.
거의 모든 것에서 거의 모든 인간보다 더 똑똑한 AI를 만들려면 수백만 개의 칩, 최소 수백억 달러가 필요하며, 2026-2027년에 발생할 가능성이 가장 높습니다. DeepSeek의 릴리스는 이를 변경하지 않습니다. 이는 이러한 계산에 항상 포함된 예상 비용 절감 곡선에 거의 부합하기 때문입니다.
이는 2026-2027년에 우리가 두 개의 완전히 다른 세계 중 하나에 있을 수 있음을 의미합니다. 미국에서는 여러 회사가 확실히 필요한 수백만 개의 칩(수백억 달러의 비용으로)을 보유할 것입니다. 문제는 중국도 수백만 개의 칩을 확보할 수 있는지 여부입니다9.
만약 그들이 할 수 있다면, 우리는 미국과 중국 모두 과학 및 기술의 극도로 빠른 발전을 일으킬 강력한 AI 모델을 보유한 양극 세계에 살게 될 것입니다. 저는 이것을 "데이터 센터 안의 천재 국가"라고 불렀습니다. 양극 세계가 무한정 균형을 이룰 필요는 없습니다. 미국과 중국이 AI 시스템에서 동등하더라도 중국은 더 많은 인재, 자본 및 집중을 기술의 군사적 응용에 투입할 수 있을 것입니다. 이는 대규모 산업 기반 및 군사 전략적 이점과 결합하여 중국이 AI뿐만 아니라 모든 것에 대해 세계 무대에서 우위를 점하는 데 도움이 될 수 있습니다.
중국이 수백만 개의 칩을 확보할 수 없다면, 우리는 (적어도 일시적으로) 미국과 그 동맹국만이 이러한 모델을 보유한 단극 세계에 살게 될 것입니다. 단극 세계가 지속될지는 불분명하지만, AI 시스템이 결국 더 똑똑한 AI 시스템을 만드는 데 도움이 될 수 있기 때문에 일시적인 리드가 지속적인 이점으로 이어질 가능성이 있습니다10. 따라서 이 세계에서 미국과 그 동맹국은 세계 무대에서 우위를 점하고 오랫동안 지속될 수 있습니다.
잘 시행된 수출 통제11는 중국이 수백만 개의 칩을 확보하는 것을 막을 수 있는 유일한 방법이며, 따라서 우리가 단극 세계 또는 양극 세계에 있게 될지를 결정하는 가장 중요한 요인입니다.
DeepSeek의 성능이 수출 통제가 실패했음을 의미하지는 않습니다. 위에서 언급했듯이 DeepSeek는 중간에서 많은 수의 칩을 보유했으므로 강력한 모델을 개발하고 훈련할 수 있었던 것은 놀라운 일이 아닙니다. 그들은 미국 AI 회사보다 자원이 크게 제약되지 않았으며, 수출 통제가 그들이 "혁신"하게 된 주된 요인은 아니었습니다. 그들은 단순히 매우 재능 있는 엔지니어이며 중국이 미국에 대한 심각한 경쟁자임을 보여줍니다.
DeepSeek는 또한 중국이 항상 밀수를 통해 필요한 칩을 얻을 수 있거나 통제에 항상 허점이 있음을 보여주지 않습니다. 저는 수출 통제가 중국이 수만 개의 칩을 얻는 것을 막기 위해 설계되었다고 생각하지 않습니다. 10억 달러의 경제 활동은 숨길 수 있지만, 1,000억 달러 또는 100억 달러를 숨기기는 어렵습니다. 백만 개의 칩은 물리적으로 밀수하기 어려울 수도 있습니다. DeepSeek가 현재 보유하고 있는 것으로 보고된 칩을 살펴보는 것도 유익합니다. SemiAnalysis에 따르면 이는 H100, H800 및 H20의 혼합으로 총 5만 개입니다. H100은 출시 이후 수출 통제에 따라 금지되었으므로 DeepSeek가 보유하고 있다면 밀수되었을 것입니다(Nvidia는 DeepSeek의 발전이 "완전히 수출 통제를 준수한다"고 밝혔습니다). H800은 2022년 초기 수출 통제에서는 허용되었지만 2023년 10월 통제가 업데이트되면서 금지되었으므로 아마도 금지 이전에 배송되었을 것입니다. H20은 훈련에는 덜 효율적이고 샘플링에는 더 효율적이며 여전히 허용되지만 금지해야 한다고 생각합니다. 이 모든 것은 DeepSeek의 AI 칩 대부분이 금지되지 않았지만 금지되어야 하는 칩, 금지되기 전에 배송된 칩, 그리고 밀수되었을 가능성이 매우 높은 칩으로 구성되어 있음을 보여줍니다. 이는 수출 통제가 실제로 작동하고 적응하고 있음을 보여줍니다. 허점이 닫히고 있습니다. 그렇지 않으면 아마도 최고급 H100으로 가득 차 있을 것입니다. 우리가 충분히 빨리 닫을 수 있다면 중국이 수백만 개의 칩을 확보하는 것을 막을 수 있으며, 미국이 앞서는 단극 세계의 가능성을 높일 수 있습니다.
수출 통제와 미국 국가 안보에 초점을 맞추고 있으므로 한 가지를 분명히 하고 싶습니다. 저는 DeepSeek 자체를 적으로 보지 않으며, 특히 그들을 목표로 하는 것이 아닙니다. 인터뷰에서 그들은 유용한 기술을 만들고 싶어하는 똑똑하고 호기심 많은 연구자처럼 보입니다.
그러나 그들은 인권 침해를 저지르고 세계 무대에서 공격적으로 행동해 온 권위주의 정부에 빚을 지고 있으며, AI에서 미국과 맞먹을 수 있다면 이러한 행동에 훨씬 더 제약을 받지 않을 것입니다. 수출 통제는 이를 방지하기 위한 가장 강력한 도구 중 하나이며, 기술이 더 강력해지고 비용 대비 효과가 더 커지는 것이 수출 통제를 해제해야 하는 이유라는 생각은 전혀 말이 되지 않습니다.
각주
이 에세이에서는 서구 모델에서 증류(distillation)했다는 보고에 대해 어떤 입장도 취하지 않겠습니다. 여기서는 DeepSeek가 논문에 명시된 대로 훈련했다고 가정하겠습니다. ↩
덧붙여서, 저는 DeepSeek 모델의 출시가 Nvidia에 나쁘지 않다고 생각하며, 이에 대한 반응으로 주가가 두 자릿수(약 17%) 하락한 것은 당혹스럽습니다. 이 릴리스가 Nvidia에 나쁘지 않다는 근거는 AI 기업에 나쁘지 않다는 것보다 더 명확합니다. 그러나 제 주요 목표는 수출 통제 정책을 옹호하는 것입니다. ↩
정확하게 말하면, 추론 패러다임 전환 이전의 모델에서 일반적인 소량의 RL 훈련을 받은 사전 훈련된 모델입니다. ↩
몇몇 매우 좁은 작업에서는 더 강력합니다. ↩
이것은 DeepSeek의 논문에서 인용된 숫자입니다. 저는 액면 그대로 받아들이고 있으며, 이 부분에 대해서는 의심하지 않습니다. 미국 회사 모델 훈련 비용과의 비교와 특정 모델 훈련 비용(600만 달러)과 전체 R&D 비용(훨씬 더 높음)의 구분에 대해서만 의문을 제기합니다. 그러나 우리는 600만 달러에 대해서도 완전히 확신할 수 없습니다. 모델 크기는 확인할 수 있지만 토큰 수와 같은 다른 측면은 그렇지 않습니다. ↩
일부 인터뷰에서 저는 그들이 "50,000개의 H100"을 가지고 있다고 말했는데, 이는 보고 내용을 미묘하게 잘못 요약한 것이며 여기에서 수정하고 싶습니다. 가장 잘 알려진 "Hopper 칩"은 H100(제가 언급된 것으로 가정했습니다)이지만, Hopper에는 H800과 H20도 포함되며, DeepSeek는 이 세 가지를 모두 혼합하여 총 50,000개를 보유한 것으로 보고되었습니다. 이는 상황을 크게 바꾸지는 않지만 수정할 가치가 있습니다. H800과 H20은 수출 통제에 대해 이야기할 때 더 자세히 설명하겠습니다. ↩
참고: 수출 통제로 인해 다음 세대 클러스터에서는 이 격차가 크게 커질 것으로 예상합니다. ↩
R1이 그토록 많은 관심을 받은 주된 이유 중 하나는 모델이 보이는 사고 사슬 추론을 사용자에게 보여준 최초의 모델이기 때문이라고 생각합니다(OpenAI의 o1은 최종 답변만 보여줍니다). DeepSeek는 사용자가 이것이 흥미롭다고 생각한다는 것을 보여주었습니다. 분명히 이것은 사용자 인터페이스 선택이며 모델 자체와 관련이 없습니다. ↩
중국 자체 칩은 조만간 미국산 칩과 경쟁할 수 없을 것입니다. Matt Pottinger와 함께 최근 기고문에서 썼듯이, "중국의 최고 AI 칩인 Huawei Ascend 시리즈는 미국 기반 Nvidia가 만든 최고의 칩보다 성능이 훨씬 떨어집니다. 중국은 또한 증가하는 수요를 따라갈 수 있는 생산 능력이 없을 수 있습니다. 현재 중국 외부에 주목할 만한 Huawei Ascend 칩 클러스터가 하나도 없다는 것은 중국이 국내 수요를 충족하는 데 어려움을 겪고 있음을 시사합니다...". ↩
분명히 여기서 목표는 중국이나 다른 권위주의 국가가 매우 강력한 AI 시스템에서 나오는 과학, 의학, 삶의 질 등의 엄청난 혜택을 누리지 못하게 하는 것이 아닙니다. 모든 사람이 AI의 혜택을 받을 수 있어야 합니다. 목표는 그들이 군사적 지배력을 얻는 것을 막는 것입니다. ↩
여러 라운드가 있었으므로 여러 링크가 있습니다. 주요 조치 중 일부를 다루기 위해: 하나, 둘, 셋, 넷. ↩
댓글 0