AI 논문 읽기를 어디서 시작할지 막막할 때 볼만한 30 Papers

AI 논문 읽기를 어디서 시작할지 막막할 때 볼만한 30 Papers

AI 뉴스 썸네일

AI를 공부하다 보면 논문 목록부터 막혀요. Transformer, ResNet, LSTM, scaling laws처럼 이름은 익숙한데, 어떤 순서로 읽어야 할지 감이 잘 안 잡히기 때문이에요. 30 Papers는 일리야 서츠케버가 존 카맥에게 추천했다고 알려진 논문 목록을 바탕으로, 현대 AI를 이해하는 데 자주 언급되는 논문과 해설 자료를 한곳에 묶은 사이트예요. 1

핵심 요약

구분	핵심	왜 볼만한가요
학습 경로	CNN, RNN, LSTM, 어텐션, Transformer, GNN, scaling laws까지 이어지는 흐름을 한 화면에서 볼 수 있어요	AI 모델 구조가 어떻게 바뀌었는지 큰 줄기를 잡기 좋아요
접근성	논문만 던져두지 않고 강의 노트, 해설 글, 코드 기반 설명을 함께 묶었어요	원논문이 부담스러운 사람도 먼저 손댈 자료를 고를 수 있어요
주의점	이름은 30 Papers지만 현재 사이트에는 27개 항목이 정리돼 있어요	완성된 교과서보다 계속 다듬는 학습용 목록에 가까워요

1. AI 논문 목록보다 읽는 순서가 더 중요해졌어요

30 Papers가 흥미로운 이유는 유명 논문을 모았다는 점만은 아니에요. 목록이 컴퓨터 비전에서 순차 모델, 어텐션과 Transformer, 그래프 신경망, 스케일링 법칙, 정보이론과 복잡성 이론으로 이어져요. AI 모델을 단일 기술이 아니라 여러 아이디어가 쌓인 결과로 보게 해줘요. 2

처음 보는 사람에게는 AlexNet, ResNet, LSTM, Attention Is All You Need 같은 이름이 각각 따로 떨어진 사건처럼 느껴질 수 있어요. 이 목록은 그 사이의 연결을 보여줘요. 이미지를 잘 읽는 구조, 긴 문맥을 기억하는 구조, 필요한 정보에 집중하는 구조, 모델을 크게 키우는 법이 차례로 붙어 있다는 점이 보여요.

728x90

논문 진입 장벽을 낮추는 방식이 좋아요

원문 논문은 초보자에게 친절하지 않을 때가 많아요. 수식, 실험 설정, 당시 연구 맥락을 모르면 핵심만 건지기도 어려워요. 30 Papers는 논문 제목 옆에 강의 자료나 해설 글, 구현 중심 설명을 함께 붙여서 첫 진입을 낮춰요.

특히 The Annotated Transformer처럼 코드와 설명이 붙은 자료는 논문 읽기와 구현 사이의 빈틈을 줄여줘요. CS231n이나 Understanding LSTM Networks 같은 입문 자료도 같은 역할을 해요. 개발자에게는 논문을 연구자 언어로만 읽지 않고, 모델 구조와 코드 흐름으로 다시 이해할 발판이 돼요.

목록의 출처는 조심해서 봐야 해요

이 목록은 "일리야 서츠케버가 존 카맥에게 추천했다"라고 알려진 자료를 바탕으로 해요. 다만 공개 토론에서는 실제 출처와 구성 방식에 대한 의문도 나왔어요. Hacker News 댓글에서는 이 목록이 원래 X에 떠돈 자료에서 출발했을 수 있고, 작성자가 연구 논문 입문용 사이드 프로젝트로 정리했다는 맥락도 함께 언급돼요. 3

그래서 이 자료를 권위 있는 공식 커리큘럼처럼 받아들이기보다, AI 핵심 개념을 훑어보는 지도처럼 쓰는 편이 좋아요. 어느 논문이 반드시 먼저인지, 어떤 항목이 빠졌는지는 사람마다 다르게 볼 수 있어요. 그래도 CNN, RNN, 어텐션, Transformer, scaling laws처럼 지금 AI를 이해하는 데 자주 돌아오는 축을 빠르게 훑는 데는 충분히 쓸 만해요.

개발자에게는 공부 목록보다 체크리스트에 가까워요

요즘 AI 도구를 쓰는 개발자는 모델을 직접 학습하지 않아도 구조를 어느 정도 알아야 해요. 컨텍스트 길이, 어텐션 비용, 모델 크기, 데이터와 연산량의 관계를 모르면 제품 판단이 흐려져요. 왜 작은 모델을 온디바이스에 올릴 수 있는지, 왜 긴 문맥이 비싼지, 왜 특정 작업에는 그래프 구조나 메모리 구조가 맞는지 감을 잡기 어려워요.

30 Papers는 이런 질문의 배경을 찾아갈 때 유용해요. 전부 정독할 필요는 없어요. 먼저 ResNet, Attention Is All You Need, Scaling Laws for Neural Language Models처럼 지금도 많이 인용되는 논문부터 보고, 막히는 개념이 나오면 CS231n이나 Annotated Transformer 같은 해설 자료로 돌아가면 돼요.

왜 중요한가요

AI 학습 자료는 너무 많아서 오히려 시작점이 흐려졌어요. 새 모델 발표와 벤치마크만 따라가면 기술의 표면만 보게 돼요. 30 Papers 같은 목록은 지금 쓰는 LLM과 AI 도구가 어떤 연구 흐름 위에 있는지 되짚게 해줘요.

실무자에게도 쓸모가 있어요. 모델을 직접 만들지 않더라도 아키텍처, 학습 비용, 데이터 규모, 일반화, 압축 같은 개념은 제품 의사결정에 계속 들어와요. 이 목록은 "무엇부터 읽을까"를 줄여 주고, 이미 아는 키워드를 논문과 연결해 주는 기준점이 돼요. 2

다만 북마크만 해두면 아무 일도 안 생겨요. 한 번에 27편을 다 보려 하기보다, 지금 만드는 제품이나 궁금한 문제와 맞는 묶음부터 고르는 게 현실적이에요. 비전 모델이면 CNN과 ResNet, LLM 구조면 어텐션과 Transformer, 모델 규모 판단이면 scaling laws부터 시작하면 좋아요.

참고 자료

1. 30 Papers - 일리야 서츠케버 추천 AI 핵심 논문 목록 요약 — GeekNews
2. 30 papers · The reading list Ilya Sutskever gave John Carmack — 원문
3. Hacker News discussion: 30 Papers — Hacker News