세상은 멈춰 있지 않습니다.RSS
BIG CHANGE.

Markdown 버전

AI-translated from English; not yet reviewed by a fluent editor.

# Boris Power는 OpenAI 연구 대부분이 후속 GPT 세대를 겨냥한다고 말한다

> Fellows Forum에서 Boris Power는 OpenAI 연구의 80~90%가 후속 GPT 세대를 겨냥한다고 추정했다. 이 수치는 공개된 배분 내역이나 GPT-7/8 로드맵이 없는 상태에서 나온 그의 견해다.

By BIG CHANGE Editorial

Published: 2026-09-27T16:28:31.971Z
Updated: 2026-09-27T16:28:31.971Z
Canonical: https://bigchange.ai/blog/boris-power-openai-research-later-gpt-generations

![Conceptual charcoal illustration of an empty chair and a floor microphone on an unbranded stage before rows of seats.](https://bigchange.ai/api/media/file/openai-forum-remarks-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE.

2026년 [9월 23일 Fellows Forum](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5568s)에서 OpenAI 응용 연구 책임자 Boris Power는 회사 연구의 80\~90%가 ‘GPT-7, GPT-8 및 그 이후’를 겨냥한다고 추정했다. 그는 현재 제품을 위한 작업과 더 강력한 모델을 위한 연구 사이에서 OpenAI가 균형을 잡는 방식을 설명하면서 이 수치를 제시했다. 이는 공개 대화에서 밝힌 그의 추정치다. OpenAI는 이를 대조해 확인할 수 있는 연구 배분 내역을 공개하지 않았다.

## 큰 변화

- **무엇이 달라졌나:** Power는 서로 연결된 두 가지 연구 축을 설명했다. 사람들이 현재 사용하는 모델의 개선과 이후 세대를 겨냥한 연구다. 그는 후자가 OpenAI 연구의 대부분을 차지한다고 추정했다.
- **왜 중요한가:** 더 강력한 대형 모델은 특정 과제에서 더 작고 저렴한 모델을 학습시키는 예시를 제공할 수 있다. 따라서 제품에 더 작은 모델을 사용하더라도 개발자에게는 최첨단 연구를 지켜볼 이유가 있다.
- **앞으로 지켜볼 점:** 향후 모델 출시와 기술 공개를 통해 대형 모델의 발전이 소형 모델에 전해지는지 확인할 수 있다. 이 인터뷰에서는 GPT-7이나 GPT-8의 출시일과 사양, 성능 결과가 제시되지 않았다.

## 이 추정의 배경

Power는 고객 요청이 연구에 어떻게 반영되는지에 관한 Zachary Lipton의 질문에 답하고 있었다. 그는 OpenAI가 특수 학습 데이터와 응용 연구를 통해 도구 사용 등 특정 행동을 개선할 수 있다고 말했다. 그의 설명에 따르면 한 모델 세대 안의 점진적 업데이트가 이런 요구를 해결하는 경우가 많다. 그는 더 큰 신세대 모델이 등장하면 어떤 전문적 수정이 여전히 필요한지가 달라질 수 있다고 주장했다. 장기 전략이 아니더라도 일부 현재 투자는 당장 배우고 더 빠르게 개선하는 방법이라고 설명했다.

그 구분을 설명하며 Power가 말한 80\~90% 수치는 [Fellows Forum 녹화 영상 1:32:52 시점](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s)에 나온다. 그는 연구가 **OpenAI에서** 이뤄지는 연구를 가리킨 것이지 자신의 팀에 한정한 연구를 말한 것은 아니다. 녹화 영상이나 OpenAI가 공개한 자료에는 어떤 연구를 집계했는지에 관한 정의도, 기간과 예산, 인원수, 추정 산출 방법도 없다. 따라서 이 수치는 OpenAI의 지출이나 인력 배분을 감사한 측정치가 아니라 Power가 설명한 우선순위에 관한 견해로 읽어야 한다.

Power는 GPT-7과 GPT-8을 후속 세대의 예로 들었다. 그는 어느 모델도 발표하지 않았고 개발 단계나 출시 일정을 공개하지도 않았다. [OpenAI의 현행 모델 카탈로그](https://developers.openai.com/api/docs/models)에는 GPT-6 Astra와 Sol, Luna가 나열돼 있다. 이는 Power가 언급한 모델 이름의 공개된 맥락을 제공할 뿐 후속 세대의 개발 상황을 입증하지는 않는다.

## 그가 증류를 언급한 이유

Power는 추정치를 말한 직후 대형 GPT-6 Astra 모델이 소형 GPT Luna 모델을 학습시키는 사례를 설명했다. 강력한 대형 모델이 소형 모델을 훈련할 예시를 제공할 수 있다는 것이 그의 요지였다. 그는 특정 출시 버전의 Luna가 Astra를 이용해 학습됐다고 문서화한 것이 아니라 연구 접근법을 설명한 것이다.

[OpenAI의 지도형 미세 조정 안내는](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model) 작동 원리를 설명한다. 개발자는 먼저 대형 모델이 특정 과제를 잘 수행하는지 확인하고, 적절한 출력을 골라 소형 모델을 훈련할 예시로 사용한 뒤, 소형 모델을 해당 과제에서 평가한다. OpenAI는 이 방법으로 소형 모델을 **특정 과제에서** 대형 모델의 성능에 더 가깝게 만들 수 있다고 말한다. 그렇다고 소형 모델이 교사 모델의 모든 능력을 물려받는다는 뜻은 아니다. OpenAI의 [모델 증류 발표는](https://openai.com/index/api-model-distillation/) 평가와 저장된 출력, 미세 조정을 반복하는 과정으로 설명한다.

이 아이디어의 역사는 더 오래됐다. [2015년 연구 논문](https://arxiv.org/abs/1503.02531)에서는 Geoffrey Hinton과 Oriol Vinyals, Jeff Dean이 더 큰 시스템의 지식을 배포하기 쉬운 모델로 옮기는 방식을 연구했다. 이 연구는 교사-학생 개념의 배경을 설명하지만 OpenAI의 현재 연구 배분에 대해서는 아무것도 말하지 않는다.

이 내용은 Power가 최첨단 연구와 실용적인 모델 사이의 관계를 어떻게 설명했는지 보여 준다. 더 역량 있는 교사 모델은 특정 목적의 저비용 시스템에 유용한 학습 자료를 만들 수 있다. 그 성과는 과제와 선택한 예시, 평가 방식에 달려 있다. Power는 Astra와 Luna 사례에 관한 증류 결과나 비교 측정치를 제시하지 않았다.

Power의 추정은 OpenAI가 연구 가치가 가장 클 것으로 보는 분야에 대한 그의 견해를 밝힌다는 점에서 눈여겨볼 만하다. 공개 증거로 확인할 수 있는 것은 그 발언과 그가 언급한 일반적인 기법이다. OpenAI의 자원이 실제로 어떻게 나뉘는지 또는 차세대 GPT가 무엇을 내놓을지는 입증하지 않는다.

## Sources

- [Fellows Forum 2026, 1일차: 모델과 현실이 만나는 곳](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s) — 주최 측의 전체 녹화 영상에서 Power의 연구 80~90% 추정치는 1:32:52에 나오며, 그 직후 대형 교사 모델과 소형 학생 모델에 관한 설명이 이어진다. Lipton의 질문과 Power의 점진적 작업 및 세대별 작업에 대한 설명이 맥락을 제공한다. 녹화 영상은 그가 한 말을 확인해 줄 뿐 감사된 배분 내역이나 제품 로드맵을 입증하지 않는다.
- [Fellows Forum 2026 행사 및 일정](https://www.fellowsforum.com/) — 주최 측은 1일차가 9월 23일이라고 밝히고 세션 ‘Where Models Meet Reality’의 참석자로 OpenAI 응용 연구 책임자 Boris Power와 Zachary Lipton을 기재한다. 행사 맥락과 연사는 확인해 주지만 Power의 수치 추정치는 뒷받침하지 않는다.
- [OpenAI API: 지도형 미세 조정, 대형 모델에서 증류하기](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model) — OpenAI는 대형 모델의 성공적인 응답을 저장해 이를 소형 모델 조정에 사용하고 특정 과제에서 성능을 확인하는 방법을 설명한다. 이는 기법에 관한 설명이지, GPT-6 모델의 내부 계보나 일반 역량이 반드시 전해진다는 보장은 아니다.
- [OpenAI: API의 모델 증류](https://openai.com/index/api-model-distillation/) — OpenAI 개발자 대상 발표는 저장된 모델 출력과 과제 평가, 미세 조정을 반복하는 증류 작업 흐름을 설명한다. 이는 개발자가 사용할 수 있는 공개 기능을 설명할 뿐 OpenAI 내부 연구 배분을 밝히지는 않는다.
- [OpenAI API: 모델](https://developers.openai.com/api/docs/models) — 현재 카탈로그에는 GPT-6 Astra와 Sol, Luna가 올라 있다. 공개된 모델 이름의 맥락을 제공하지만 GPT-7이나 GPT-8의 이용 가능성, 출시 시기, 사양을 입증하지 않는다.
- [Hinton, Vinyals, Dean: Distilling the Knowledge in a Neural Network](https://arxiv.org/abs/1503.02531) — 더 작고 배포하기 쉬운 모델로 지식을 옮기는 방법의 역사적 배경을 제공하는 원 연구 논문이다. OpenAI의 현재 연구 배분에 관한 Power의 발언이나 GPT-6 모델들의 학습 이력을 확인해 주지 않는다.