Stanford Online

UC 샌디에이고의 Michael Yip 교수가 이미지 기반 제어부터 물리 시뮬레이션, 휴머노이드 로봇을 활용한 의료 보조까지 자율 수술 로봇의 핵심 기술과 미래 방향을 제시한다.

LLM 추론의 핵심 병목인 메모리 대역폭 문제를 분석하고, KV 캐시 최적화, 추측 디코딩, 연속 배칭 등 최신 성능 향상 기법을 다룹니다.

확산 모델의 백본 아키텍처가 U-Net에서 Transformer(DiT)로 진화하는 과정과 그 내부 작동 원리 및 최적화 기법을 심도 있게 다룹니다.

Hugging Face의 Nouamane Tazi가 수천 개의 GPU 클러스터에서 대규모 언어 모델을 효율적으로 학습시키기 위한 5D 병렬 처리 기법과 MoE 아키텍처의 확장 전략을 상세히 설명합니다.

NVIDIA와 Mistral AI의 연구를 바탕으로 LLM 사전 학습 시 데이터의 순서 최적화, 추론 데이터의 조기 주입, 그리고 강화 학습 기반 목적 함수가 모델 지능에 미치는 영향을 다룹니다.

Andreessen Horowitz의 공동 창업자 벤 호로위츠가 AI 기술이 벤처 캐피털의 투자 전략, 기업의 경쟁 우위(Moat), 그리고 조직 문화에 미치는 근본적인 변화를 공유합니다.

구글과 메타의 제품 리더였던 니킬 싱할이 AI 기술이 제품 관리, 디자인, 엔지니어링의 경계를 허무는 방식과 변화하는 커리어 전략을 공유한다.

Luma AI의 Amit Jain이 Apple에서의 LiDAR 경험을 바탕으로 3D 캡처에서 비디오 생성, 그리고 물리 법칙을 이해하는 통합 지능 시스템으로 진화하는 AI 팩토리의 아키텍처를 공유한다.

스탠포드 온라인이 제공하는 AI 대학원 과정과 전문 과정의 학점 인정 여부, 학습 강도, 비용 및 유연성 차이를 상세히 비교합니다.

Stable Diffusion의 공동 제작자이자 Black Forest Labs의 공동 창업자인 안드레아스 블라트만이 Latent Diffusion의 탄생부터 최신 모델 FLUX의 개발 과정, 그리고 로보틱스와 결합된 차세대 멀티모달 시각 지능 시스템의 비전을 공유한다.

ElevenLabs의 CEO Mati Staniszewski가 음성 합성 기술의 발전 과정, 계층형 아키텍처에서 실시간 에이전트로의 진화, 그리고 급격한 비즈니스 성장을 이끈 전략을 공유한다.

스탠포드 대학교의 Mehran Sahami 교수가 전 세계 수만 명에게 Python 기초를 가르치는 인간 중심의 무료 코딩 교육 프로그램인 Code in Place의 철학과 운영 방식을 소개한다.

LLM 성능과 컴퓨팅 자원, 데이터 규모 사이의 정량적 관계를 설명하는 스케일링 법칙의 역사와 핵심 원리 및 실무적 적용 방법을 다룹니다.

스탠포드 CS153 강의에서 Anjney Midha는 현대 AI 스택의 구조와 컴퓨팅 인프라가 모델 성능 및 수익성에 미치는 결정적인 영향을 분석한다.

Physical Intelligence의 Karl Pertsch가 로봇의 장기 과업 수행을 위해 필수적인 다중 스케일 메모리 아키텍처와 고성능 범용 제어 모델인 pi0.7의 핵심 기술을 소개한다.

이미지 픽셀 공간의 한계를 극복하기 위한 잠재 확산 모델(LDM)의 아키텍처와 VAE, CLIP을 활용한 멀티모달 가이던스 생성 기법을 심도 있게 다룹니다.

대규모 언어 모델 학습을 위해 단일 GPU의 한계를 넘어 여러 GPU를 효율적으로 활용하는 데이터, 텐서, 파이프라인 병렬 처리 기법의 핵심 원리와 구현 방식을 다룹니다.

GPU의 하드웨어 아키텍처를 이해하고 최적의 성능을 내기 위한 벤치마킹, 프로파일링 기법 및 Triton을 이용한 커널 작성법을 다룹니다.

Mamba의 공동 저자인 Albert Gu가 Transformer의 이차 복잡도 한계를 극복하기 위한 상태 공간 모델(SSM)의 설계 원리와 두 아키텍처 간의 근본적인 트레이드오프를 심층 분석한다.

Transformer 아키텍처의 핵심 원리부터 사전 학습 전략, RAG, 에이전트 및 최신 연구 트렌드까지 포괄적으로 다루는 스탠포드 대학의 AI 세미나 강의이다.

Stanford CS25 세미나에서 발표된 이 영상은 픽셀 재구성 대신 잠재 공간에서의 예측을 통해 효율적이고 인과적인 세계 모델을 구축하는 JEPA 아키텍처와 최신 연구 사례를 다룬다.

로봇의 물리적 구조와 피드백 제어의 결합인 체화된 지능을 통해 복잡한 지형에서 다각 로봇의 이동 성능을 극대화하는 방법론을 제시한다.

대규모 인간 행동 데이터를 활용해 로봇의 물리적 지능을 학습시키고 다양한 로봇 신체 구조에 적용하는 새로운 학습 프레임워크와 생태계를 소개합니다.

스탠포드 대학교의 Afshine 및 Shervine Amidi 강사가 확산 모델과 점수 매칭을 넘어선 차세대 생성 패러다임인 Flow Matching의 수학적 원리와 학습 방법론을 상세히 강의한다.