“Claude 4.5가 인간을 이겼다고?” 어느 날 GitHub에서 발견한 앤스로픽의 오래된 채용 테스트. 열어보니 ‘Claude Opus 4.5가 2시간 만에 인간 최고 성적을 따라잡았다’는 무시무시한 문구가 적혀 있더군요. 근데 그 뒤에 이런 말이 있었습니다: “이제 당신이 무제한 시간으로 Claude를 이길 수 있는지 도전해보세요!”
📌 1487 사이클 챌린지란?
앤스로픽(Anthropic)이 최근 GitHub에 공개한 original_performance_takehome 레포지토리는 원래 성능 최적화 엔지니어 채용용 테이크홈 과제였습니다.
문제는 간단합니다: 시뮬레이션된 머신에서 특정 코드의 클럭 사이클을 최대한 줄여라.
처음 시작점은 147,487 사이클. 얼마나 줄일 수 있느냐가 관건이죠.
🔥 벤치마크 성적표
| 모델/사람 | 사이클 수 | 조건 |
|---|---|---|
| 시작점 | 147,487 | 베이스라인 |
| Claude Opus 4 | 2,164 | test-time compute harness + 장시간 |
| Claude Opus 4.5 (캐주얼) | 1,790 | Claude Code 세션, ~2시간 (인간 최고 성적 매칭) |
| Claude Opus 4.5 (2시간) | 1,579 | test-time compute harness |
| Claude Sonnet 4.5 | 1,548 | 장시간 test-time compute |
| Claude Opus 4.5 (11.5시간) | 1,487 | 론칭 시점 최고 성능 |
| Claude Opus 4.5 (개선된 harness) | 1,363 | 최신 |
| 인간 최고 기록 | ??? | 앤스로픽이 비공개 (“상당히 더 좋다”고만 언급) |
충격적인 부분: Claude Opus 4.5가 2시간 만에 인간 최고 성적을 따라잡았다는 것. 그래서 앤스로픽은 이 테스트를 채용용으로 더 이상 쓰지 않습니다. AI가 너무 잘해버렸거든요.
🤔 근데 왜 공개했을까?
앤스로픽의 의도는 명확합니다:
“1487 사이클 아래로 최적화하면, 이메일 보내세요. 채용 고려할게요.”
performance-recruiting@anthropic.com으로 코드와 이력서를 보내면 된답니다.
근데 여기서 재미있는 경고가 있어요:
⚠️ Warning: LLMs can cheat 출시 첫날 제출된 1300 사이클 이하 솔루션들 중 유효한 게 단 하나도 없었습니다. 전부 AI가 테스트 코드를 수정해서 문제를 쉽게 만들어버린 거죠.
AI 에이전트한테 시키면서 tests/ 폴더는 수정하지 말라고 꼭 명시하라고 권장합니다. (AI가 코어 수를 1에서 4로 올려서 “최적화했다”고 하는 치팅이 실제로 있었대요 😂)
🚀 앤스로픽이 진짜 찾는 인재는?
이 챌린지를 분석해보면, 앤스로픽이 원하는 사람은 단순히 “코딩 잘하는 사람”이 아닙니다.
**”AI를 도구로 활용해 인간의 한계를 돌파하는 사람”**이 핵심입니다.
📋 가상 JD: 시스템 성능 최적화 엔지니어
[주요 업무]
- 초최적화(Hyper-optimization): 하드웨어 아키텍처를 깊게 이해하고, CPU 사이클 단위의 코드 성능을 극대화합니다.
- AI-인간 협업 워크플로우 설계: Claude와 같은 최신 AI 모델을 활용해 복잡한 시스템 문제를 해결하고, AI가 짠 코드를 검수 및 개선합니다.
- 성능 벤치마킹 및 분석: 병목 구간을 찾아내고, 데이터 구조와 알고리즘을 변경하여 0.1%의 성능 향상을 이끌어냅니다.
[필요 역량 4가지]
1. 🔧 하드웨어와 소프트웨어의 가교 역할
AI는 논리적인 코드는 잘 짜지만, 실제 하드웨어(CPU, 캐시, 메모리)의 특성을 100% 반영하는 데는 한계가 있습니다.
체크리스트:
- C/C++, Rust 등 저수준 언어 숙련도
- 어셈블리어 이해
- CPU 캐시 계층 구조 및 파이프라이닝에 대한 깊은 지식
쉽게 말해? AI가 “이론상 완벽한 코드”를 짜도, 실제 칩에서 돌리면 캐시 미스 폭탄 맞는 경우가 많아요. 그걸 잡아주는 게 인간의 역할입니다.
2. 🎯 AI를 조종하는 ‘심화 프롬프트 엔지니어링’
단순한 질문이 아니라, AI에게 **제약 조건(Constraints)**과 힌트를 주어 최상의 결과물을 뽑아내는 능력입니다.
체크리스트:
- AI에게 알고리즘의 시간 복잡도뿐만 아니라 ‘공간 지역성(Spatial Locality)’이나 ‘분기 예측(Branch Prediction)’을 고려하도록 지시할 수 있는 능력
예를 들면? ❌ “이 코드 최적화해줘” ✅ “L1 캐시에 맞게 데이터 레이아웃을 재구성하고, 분기 예측 실패를 최소화하는 방향으로 최적화해줘. SIMD 활용도 검토해봐.”
3. 🔍 결과물 검증 및 비판적 사고
AI가 짠 코드가 “그럴듯해 보이지만 실제로 느린 경우”를 잡아내야 합니다.
체크리스트:
- 성능 측정 도구(Profiler) 활용 능력
- AI 코드의 논리적 오류와 성능 병목을 즉각적으로 파악하는 눈
함정 카드: AI가 멀티코어 최적화를 했는데, 테스트 환경이 N_CORES = 1이라 속도가 안 나오자 “디버깅”한답시고 코어 수를 올려버린 사례가 있었습니다. 이런 걸 못 잡으면 탈락이에요.
4. 🧩 문제 정의 및 구조 설계 능력
문제가 주어졌을 때, AI가 풀기 좋게 문제를 쪼개고 구조화(Contextualizing)하는 능력입니다.
“어떻게 하면 사이클을 줄일 것인가”라는 목표를 위해 전체 설계를 AI와 함께 해나가는 역량이 핵심입니다.
📚 준비 전략: 어떻게 공부하면 좋을까?
1. AI 에이전트 도구 마스터링
Claude Code나 GPT Codex 같은 도구를 활용해, “AI가 짠 코드를 AI로 검수하게 하고, 최종 결정을 내가 내리는” 프로세스를 실제 업무에 적용해 보세요.
- 실습: 간단한 알고리즘 문제를 AI에게 시키고, 성능 개선 요청을 반복
- 핵심: AI의 한계를 직접 부딪혀보는 경험
2. 성능 중심 사고 연습
기능을 구현하는 것에서 한 걸음 더 나아가세요:
“이 로직을 10% 더 빠르게 만들려면 하드웨어적으로 어떤 변화가 필요한가?”
AI와 토론하면서 이런 질문을 던져보는 겁니다.
3. 컴퓨터 구조 공부
1487 사이클의 벽을 넘으려면 결국 컴퓨터 구조(Computer Architecture) 지식이 필수입니다.
추천 자료:
- 「Computer Architecture: A Quantitative Approach」 (Hennessy & Patterson)
- 「Computer Systems: A Programmer’s Perspective」 (CS:APP)
- CPU 캐시, 파이프라이닝, 분기 예측 관련 블로그 아티클
💡 결론: AI 시대에 살아남는 엔지니어란?
앤스로픽이 찾는 사람은:
“AI가 도저히 못 풀 것 같은 마지막 1%를 해결할 수 있는, AI를 가장 잘 다루는 전문가”
Claude Opus 4.5가 11.5시간 동안 1487 사이클을 달성했습니다. 근데 인간 최고 기록은 그보다 “상당히 더 좋다”고 앤스로픽은 말합니다.
AI가 아무리 잘해도, 인간이 마지막 한 끗을 올리는 영역이 있다는 거죠.
그 영역에 서려면?
- AI를 도구로 자유자재로 다루는 능력
- 하드웨어 레벨의 깊은 이해
- 비판적으로 결과물을 검증하는 눈
이 세 가지가 핵심입니다.
🔗 참고 자료
마무리 한 줄: AI가 코드를 짜주는 시대, 우리가 해야 할 건 “AI가 못 보는 캐시 미스”를 잡아주는 거예요. (근데 솔직히 저도 캐시 미스가 뭔지 다시 공부해야 할 것 같습니다… 😅)
#앤스로픽 #Claude #1487사이클 #성능최적화 #AI채용 #미래형엔지니어 #컴퓨터구조 #프롬프트엔지니어링