![[MIT Deep Learning 2026] Leture1 10년의 진화, 이제 AI가 당신의 감정까지 읽습니다: LLM에서 SLM으로의 대전환](https://i.ytimg.com/vi/DbQnaRP7xpg/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 23 End] 이제 AI는 추론하며 스스로 생각한다: 왜 추론 혁신이 중요한가?](https://i.ytimg.com/vi/BWi_oeB4ldM/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 22] 딥러닝의 블랙박스를 깨는 수학적 설계: 계량화된 딥러닝(Metrized DL)입문 | 립시츠 상수와 Mega-norm](https://i.ytimg.com/vi/tDADak1tJrM/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 21] LLM(대규모 언어 모델) | LLM의 치명적 한계와 '생각의 사슬'의 마법 | 인공지능 지능의 미](https://i.ytimg.com/vi/Vn8AvbZBEwI/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 19] AI 지식 전이의 혁명 (Data++ & Meta-Learning)과 데이터 공간 확장의 원리 |전이 학습의](https://i.ytimg.com/vi/ltaBMBI25dY/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 20] 딥러닝 '규모의 법칙'의 비밀 | 예측 가능한 AI](https://i.ytimg.com/vi/NSZOsHrfkVU/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 19] 전이 학습을 넘어선 차세대 패러다임: StyleGAN부터 MAML까지 AI 성능을 극대화하는 Data++ 아키텍처](https://i.ytimg.com/vi/xiASfme_E3Y/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 18] 파인튜닝부터 AI 지식 전이의 진화: 전이 학습과 지식 증류의 모든 것](https://i.ytimg.com/vi/Aho9kuKxNTU/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 17] 우리가 몰랐던 AI의 치명적인 약점 2가지: AI가 현실에서 무너지는 이유](https://i.ytimg.com/vi/tnunHtXPH7Q/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 16] GAN에서 디퓨전까지: 생성형 AI가 '진짜'를 만드는 핵심 원리 15가지](https://i.ytimg.com/vi/HFftPj0Bp8o/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 15] 오토인코더의 치명적 결함과 VAE의 혁명 | 확률로 압축하고 창조하는 VAE](https://i.ytimg.com/vi/lNCI7EA8YlU/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 14] 생성형 AI(Generative AI)의 창조적 메커니즘: 자기회귀, 확산 모델, GAN의 원리와 확률적 데이터 생성](https://i.ytimg.com/vi/0sXtlAGF1iE/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 13] 신경망을 무한히 넓히면 벌어지는 일: NNGP와 딥러닝의 수학적 본질 | AI의 '견해'는 어디서](https://i.ytimg.com/vi/jNlZlsQx38k/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 12] 구글도 놀란 '정답 없이 똑똑해지는 AI'의 비밀: 대조 학습이 그리는 지ᄂ](https://i.ytimg.com/vi/buEWb1YlgBM/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 11] AI는 어떻게 인간의 직관을 흉내 내는가? 오토인코더부터 VQ-VAE까지 | 표현 학습과 복원 기반 추상적 의미 도출](https://i.ytimg.com/vi/ZVK96swW7-s/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 10] RNN, LSTM, 그리고 어텐션: 문맥과 시간의 흐름을 이해하고 기억하는 법](https://i.ytimg.com/vi/imp8SC1AlVs/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 9] 딥러닝 이론만 파면 망하는 이유: 1% 현업 엔지니어의 충격적인 실전 해킹법 | 딥러닝은 해킹이다](https://i.ytimg.com/vi/nTUT5OnitoU/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 7] 최적화를 위한 스케일링 법칙 | 거대 모델 스케일링 역설과 기하학적 해법](https://i.ytimg.com/vi/kcapw_m9_CY/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 6] 일반화(Generalization) 이론 | 통계학 상식을 뒤집은 딥러닝의 반전](https://i.ytimg.com/vi/pB2tjf7490g/maxresdefault.jpg)
![[MIT AI Lecture: Deep Learning 5] GNN, 그래프 신경망 아키텍처 | Attention, 트랜스포머, CNN](https://i.ytimg.com/vi/vaK7ZRUjsWY/maxresdefault.jpg)
Exaone deep 엑사원 추론 모델 써보기
0
0
0 0·
22 May 2026
#exaone #exaonedeep
엑사원 deep 추론 모델에 관한 영상입니다.
0
0 0
sort 0
