스케일링의 정치 : 생성형 인공지능 모델의 사회적 연구를 위한 어젠다

Q: 이 논문에서 정의한 스케일링의 정치란 무엇인가?

스케일링의 정치란 LLM의 연구개발, 유지 및 사용 현장에서 작동하는 기술정치를 이해하기 위한 개념이다. 이는 혁신과 공공정책에서 규모 확대가 핵심 논리가 되는 현상을 관찰하며 제안되었으며, AI 기술을 구성하는 담론적, 정치경제적, 물질적, 실천적 요소들을 드러내어 기술의 불안정성을 보여주는 시도이다.

Q: 생성형 AI 모델의 규모 확대 경쟁을 추동하는 핵심 요소는 무엇인가?

연구 결과, 생성형 AI 모델의 규모 확대 경쟁은 스케일 낙관주의, 마찰의 선택적 가시화, 그리고 거대 실험주의라는 세 가지 핵심 요소에 의해 추동된다. 이 요소들은 인식론적 믿음, 자본의 이해관계, 미래 지향적 가치평가 및 특정 담론 구조가 복합적으로 얽혀 AI 모델 개발과 사용의 실천을 형성한다.

하대청

doi:10.18207/criso.2025..148.507

학술저널

저자정보: 하대청 (광주과학기술원)

저널정보: 비판사회학회 경제와사회 경제와사회 통권 제148호

오류 신고하기

피인용 0

검색

초록·키워드

이 글은 생성형 인공지능(Generative AI)의 등장 이후 이 기술이 연구개발과 사용 현장에서 전개되는 구체적인 실천 양상을 살펴보고 이를 바탕으로 기술의 사회적 연구(social studies of technology)를 위한 새로운 연구 어젠다를 탐색하고자 한다. 특히, 거대 언어 모델(LLM)의 성공 이후 이른바 ‘스케일링 법칙(scaling law)’이 이 분야 기술혁신에서 핵심 원칙이 되고 있다는 점에 주목한다. AI 모델의 매개변수와 데이터 수 등을 증가시키면 모델의 성능을 계속 향상시킬 수 있다는 주장이 하나의 자연법칙처럼 반복되면서 기술기업 등은 모델의 규모를 끝없이 확대하면서 경쟁하고 있다. 이 글은 컴퓨터과학자들처럼 스케일링 법칙을 경험적 자연법칙처럼 간주하기보다는 AI 연구개발을 둘러싼 새로운 기술정치의 핵심 요소로 다룰 것이다. 이는 AI 기술을 구성하는 다양한 담론적·정치경제적·물질적·실천적 요소들을 드러냄으로써 탈역사적이고 신비적인 것처럼 보이는 AI 기술을 ‘불안정하게’ 만들고자 하는 시도다. 무엇보다 이 글은 LLM의 연구개발, 유지와 사용 현장에서 작동하는 기술정치를 이해하기 위한 개념으로 ‘스케일링의 정치(politics of scaling)’를 제안하고자 한다(Pfotenhauer et al., 2022). 이 연구는 과학연구 논문과 연구개발 실천을 다룬 현장 사회과학 연구를 검토하고, 일부 면담 자료를 바탕으로 스케일링의 정치가 작동하는 방식을 분석한다. 이를 통해 스케일링의 정치를 분석적으로 접근할 수 있는 연구 어젠다로 스케일 낙관주의, 마찰의 선택적 가시화, 거대 실험주의를 제시한다. 이 요소들은 스케일링의 정치를 구성하면서 AI 모델의 사회적 연구를 하려는 이들에게 새로운 연구 주제들을 구체적으로 제공해 준다. 이런 분석은 AI 모델의 규모가 끝없이 확대되는 과정에서 인식론적 믿음, 가치평가 도구, 정치경제적 조건, 담론 지형 등이 상호 결합해 특정한 권력을 형성하고 있다는 점을 보여준다. 이 연구는 AI 기술혁신이 주도하는 최근의 변화를 스케일링의 정치로 이해할 가능성을 제시하면서 기술의 사회적 연구가 개입할 수 있는 다양한 지점을 마련하는 데 기여할 것이다.

This paper examines the concrete practices through which generative artificial intelligence (AI) has been developed and deployed, and seeks to explore new research agendas for the social studies of technology. In particular, it highlights how, following the success of large language models (LLMs), the so-called “scaling law” has become a central principle of innovation in this field. The claim that increasing the number of parameters and the number of data will continuously improve model performance has been reiterated as if it were a “natural law,” driving technology firms to compete by endlessly scaling up their models. Rather than treating the scaling law as an empirical law of nature, as many computer scientists do, this paper approaches it as a core element of a new politics of technology. By tracing the discursive, political-economic, material, and practical dimensions that constitute AI, the study aims to render unstable what otherwise appears as ahistorical and mysterious.
Most of all, the paper proposes the concept of the “politics of scaling” (Pfotenhauer et al., 2022) as an analytic lens for understanding the research, maintenance, and use of LLMs. Drawing on scientific publications, ethnographic accounts of research and development practices, and several interviews, it analyzes how this politics operates in practice. Based on this analysis, it advances research agendas that includes scale optimism, the selective visualization of frictions, and large-scale experimentalism. These elements not only constitute the politics of scaling but also open up new lines of inquiry for scholars pursuing the social study of AI. In doing so, the paper demonstrates how epistemic beliefs, valuation tools, political-economic conditions, and discursive landscapes interact in the expansion of AI models to generate specific forms of power. Ultimately, this study contributes to situating recent transformations in AI innovation within the politics of scaling and identifies multiple points of intervention for social studies of technology.

#인공지능 #거대 언어 모델 #파운데이션 모델. 스케일링의 정치 #기술정치 #스케일링 법칙 #artificial intelligence #large language models (LLMs) #foundation models #politics of scaling #politics of technology #scaling law

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

UCI(KEPA) : I410-151-26-02-094582353

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료