AI 연구는 복잡한 문제 해결로 나아가고 있으며, 모델은 패턴 인식뿐만 아니라 다단계 추론을 위해 최적화되고 있습니다. 역사적으로, 컴퓨팅의 전 세계 에너지 발자국은 지속적인 효율성 향상과 수요의 자연적인 포화 임계값으로 안정화되었습니다. 그러나 효율성 개선이 물리적 한계에 접근함에 따라, 새롭게 등장하는 추론 AI는 비슷한 포화점을 갖지 못합니다. 성능은 더 이상 사용 가능한 훈련 데이터 양에 의해 제한되지 않고, 훈련 및 추론 모두에서 지수적인 컴퓨팅 투자를 통해 계속 확장됩니다. 이 논문은 효율성만으로는 지속 가능한 추론 AI를 이끌 수 없다고 주장하며, 이러한 시스템의 최적화 및 관리에 명시적인 제한을 포함하기 위한 연구 및 정책 방향을 논의합니다.
