deep daiv. education
AI를 쓰는 법을 넘어,
AI가 작동하는 방식을
이해하는 교육.
deep daiv.는 모델·논문·시스템·프로젝트를 함께 읽고 구현해온 커뮤니티의 방식으로 기관과 학생을 위한 AI 교육을 설계합니다.
Start Reading
처음 들어온 사람을 위한 공개 추천
관심사가 이어질 만한 글과 학습 경로를 먼저 놓았습니다. 각 카드는 왜 함께 읽기 좋은지 짧게 남깁니다.
- Reasoning Model
- AI Trend
- LLM
- AI Literacy
- AI Infrastructure
Home Primary
공개 글로 시작하기
로그인 전에도 바로 읽을 수 있는 공개 기록입니다.
- Newsletter01
#144 “핵심을 찌른 척하지마”
최근 LLM을 학습하는 새로운 방식이 제안됐다는 소식을 들어보신 적이 있나요? 한때 하루가 다르게 새로운 모델이 출시되고, 각 기업이 자신들의 훈련 방식과 아키텍처가 가장 좋다고 경쟁하듯 자랑했었는데요. 어느 순간부터 단순히 지도 학습 방식과 관련된 연구를 쉽게 찾아보기 어려워졌습니다.
로그인 없이 바로 읽기 좋은 공개 기록입니다.
- Newsletter02
#141 1년 만에 돌아온 DeepSeek
DeepSeek가 다시 돌아왔습니다. 지난해 3월 DeepSeek 쇼크라는 말이 등장할 정도로 AI 업계를 흔들었던 DeepSeek가 지난 24일 DeepSeek V4를 공개했습니다. 이번 DeepSeek V4는 DeepSeek V3 공개 이후 약 1년 4개월 만에 등장한 새로운 세대의 모델입니다.
로그인 없이 바로 읽기 좋은 공개 기록입니다.
- Newsletter03
#145 GPU만으로는 부족하다: CPU의 귀환과 분해되는 AI 인프라
오늘은 요즘의 AI 인프라 시장이 어떻게 바뀌고 있는지, 그리고 왜 CPU가 다시 주목받고 있는지 이야기해보려고 합니다. 최근 ‘AI가 죽여놨던 Intel’이라는 평가를 받았던 Intel이 AI 때문에 다시 주목을 받고 있습니다. 바로 CPU 때문인데요. NVIDIA도 CPU 사업으로 진출하고 있습니다. NVIDIA의 Vera CPU는 원래 Rubin GPU와 함께 Vera Rubin 플랫폼을 구성하는 핵심 부품으로 공개됐는데
로그인 없이 바로 읽기 좋은 공개 기록입니다.
- Newsletter04
#143 MoE의 Expert, 드디어 진짜 전문가가 됐습니다
2023년 말, Mistral이 Mixtral 8x7B를 공개했을 때를 기억하시나요? Llama2 70B 성능을 훨씬 적은 연산으로 낼 수 있다는 주장과 함께 등장한 이 모델의 핵심 구조가 바로 Mixture of Experts(MoE) 였습니다. 이후 DeepSeek V3/V4, Qwen3.6, Llama 4, Kimi K2까지, 지금 가장 주목받는 오픈소스 모델은 대부분 MoE 구조를 채택하고 있습니다.
로그인 없이 바로 읽기 좋은 공개 기록입니다.
Recommended Reports
추천 리포트
AI 흐름을 더 깊게 따라가고 싶을 때 이어 읽기 좋은 리포트입니다.
- AI Trend Report · Core01
AI 트렌드 2025 하반기 결산
2025년 7월, Alibaba가 투자한 중국 스타트업 Moonshot AI가 Kimi K2를 공개했습니다. 1조 파라미터(토큰당 32B 활성) 규모의 전문가 혼합(MoE) 아키텍처로, 최근 추론(Reasoning) 모델 트렌드와 달리 연쇄 생각(Chain of Thought) 없이 빠르게 행동하는 반사적 추론(Reflex grade) 모델로 설계했습니다. 사용자의 명시적 지시 없이도 어떤 함수를 호출할지 판단하고, 결과를 평
최근성과 콘텐츠 완성도를 함께 고려해 추천합니다.
- AI Trend Report · Core02
AI 트렌드 2025 상반기 결산
DeepSeek V3을 기본 모델로 사용하고, GPRO(Group Relative Policy Optimization) 프레임워크를 활용한 강화 학습을 적용하여, Deepseek는 강화 학습만을 이용하여 언어 모델의 추론 능력을 향상시키는 것에 도전합니다. 이렇게 탄생한 Deepseek R1 Zero는 벤치마크에서 좋은 성능을 보이지만, 가독성이 낮거나 언어가 혼합되는 문제가 발생합니다.
최근성과 콘텐츠 완성도를 함께 고려해 추천합니다.
Learning Path
다음 학습 경로
읽은 관심사를 스터디와 공개 커리큘럼으로 넓혀 갑니다.
Education First
툴 사용법에서 끝나지 않는 이유
AI 교육은 더 많은 툴을 소개하는 일만으로 충분하지 않습니다. 조직의 문서, 데이터, 의사결정, 업무 흐름 안에서 AI가 어떻게 작동해야 하는지 이해하고 설계해야 합니다.
deep daiv.는 커뮤니티가 쌓아온 Report, Project, Meet-up, Courses 자산을 교육 과정으로 재구성합니다. 배우는 사람은 결과물을 만들고, 설명하고, 다시 읽을 수 있는 기록을 남깁니다.
Learning Method
교육으로 옮기는 네 개의 동사
- 01
Read
논문, 모델 카드, 시스템 디자인 문서를 함께 읽습니다.
- 02
Build
스터디에서 끝나지 않고 직접 구현하고 실험합니다.
- 03
Present
이해한 만큼 발표하고 피드백을 받습니다.
- 04
Archive
결과물을 다음 사람이 읽을 수 있도록 남깁니다.
Related Learning Assets
교육 설계의 근거가 되는 기록
How We Study
어떻게 공부하는가
Site Map
우리가 펼치는 자리
Manifesto
우리는 세상에 없는 것을 만든다
우리는 AI를 어렵게 소유하는 대신, 쉽게 나누기 위해 깊게 파고든다.
배운 것을 기록하고, 기록한 것을 공개한다. 공개한 기록은 다음 사람의 출발점이 된다.
deep daiv.는 이 순환을 디자인하는 커뮤니티다. 우리는 도구의 사용자가 아니라, 시스템을 읽는 독자다.
— deep daiv.