--- title: "개체 · 증거 순으로 정렬한 마음과 가능한 마음 · 시뮬레이션 가설" url: https://simulation-hypothesis.com/ko/entities description: "출처가 있는 마음 가이드: 측정된 뉴런 수를 가진 동물, 집단 시스템과 인공 시스템, 그리고 감각 능력과 의식에 대해 발표된 검사." license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl, 시뮬레이션 가설(simulation-hypothesis.com)" --- # 개체 · 증거 순으로 정렬한 마음과 가능한 마음 세계가 시뮬레이션이라면, 마음은 그 안에서 계산하기 가장 어려운 것 중 일부일 수 있어요. 이 가이드는 단세포부터 인간까지 알려진 사례를 정리해요. 지금까지 만들어진 인공 시스템과, 과학자와 철학자가 제안했지만 아무도 관찰한 적 없는 마음도 다뤄요. 모든 수치에는 출처와 신뢰도 태그가 있어요. 실측은 직접 센 값, 추정은 다른 자료에서 계산한 값, 세지 않음은 아무도 개수를 발표하지 않았다는 뜻이에요. 이런 시스템에 경험이 있는지는 별개의 질문이에요. 그 증거는 [감각 능력 기준](https://simulation-hypothesis.com/ko/entities/sentience)과 [의식 지표](https://simulation-hypothesis.com/ko/entities/indicators)에 있어요. ## 개별 마음 ## 동물: 대뇌피질과 뇌 전체의 뉴런 피질 또는 외투 전체 뇌 전체 포유류 조류 대뇌피질(포유류)이나 외투(조류)의 뉴런 수로, 인지 능력을 가늠하는 데 널리 쓰이는 해부학적 지표예요. 로그 척도. 채워진 막대는 집계치이고, 빗금 막대는 추정치나 논란이 있는 집계치(†)예요. 파충류와 무척추동물은 비교할 만한 집계가 없어서 보이지 않아요. 1. 범고래 † 431억 2. 큰들쇠고래 † 372억 3. [인간](https://simulation-hypothesis.com/ko/entities/human)▲1 163억 4. 쇠돌고래 † 149억 5. [큰돌고래 †](https://simulation-hypothesis.com/ko/entities/dolphin) 127억 6. 민부리고래 91억 7. 고릴라 85억 8. 오랑우탄 85억 9. [침팬지](https://simulation-hypothesis.com/ko/entities/chimp) 74억 10. 짧은부리참돌고래 67억 11. 하프물범 61억 12. [아프리카코끼리](https://simulation-hypothesis.com/ko/entities/elephant)▼1 56억 13. 참고래 52억 14. 대왕고래 51억 15. 밍크고래 32억 88개 모두 보기 10^6 10^7 10^8 10^9 10^10 10^11 neurons 숫자 보기 | # | 동물 | 피질 또는 외투 | 전체 뇌 | | -- | ---------- | -------- | ------- | | 1 | 범고래 † | 431억 | | | 2 | 큰들쇠고래 † | 372억 | | | 3 | 인간 | 163억 | 861억 | | 4 | 쇠돌고래 † | 149억 | | | 5 | 큰돌고래 † | 127억 | | | 6 | 민부리고래 | 91억 | | | 7 | 고릴라 | 85억 | | | 8 | 오랑우탄 | 85억 | | | 9 | 침팬지 | 74억 | | | 10 | 짧은부리참돌고래 | 67억 | | | 11 | 하프물범 | 61억 | | | 12 | 아프리카코끼리 | 56억 | 2570억 | | 13 | 참고래 | 52억 | | | 14 | 대왕고래 | 51억 | | | 15 | 밍크고래 | 32억 | 574억 | | 16 | 올리브개코원숭이 | 28.8억 | 109.5억 | | 17 | 흰고래 | 27억 | | | 18 | 꼬마향유고래 | 20.2억 | | | 19 | 청황금강앵무 | 19.17억 | 31.36억 | | 20 | 붉은털원숭이 | 17.1억 | 63.91억 | | 21 | 기린 | 16.7억 | 112.1억 | | 22 | 다람쥐원숭이 | 13.4억 | 32.46억 | | 23 | 수리부엉이 | 13.28억 | 18.98억 | | 24 | 케아 | 12.81억 | 21.49억 | | 25 | 흰올빼미 | 12.7억 | 18.08억 | | 26 | 큰까마귀 | 12억 | 21.71억 | | 27 | 갈색올빼미 | 11.53억 | 15.81억 | | 28 | 카푸친원숭이 | 11.4억 | 36.91억 | | 29 | 노란관앵무 | 11.35억 | 21.22억 | | 30 | 회색앵무 | 8.5억 | 15.66억 | | 31 | 떼까마귀 | 8.2억 | 15.09억 | | 32 | 큰쿠두 | 7.93억 | 60.9억 | | 33 | 긴귀올빼미 | 6.73억 | 9.91억 | | 34 | 고핀관앵무 | 5.99억 | 11.61억 | | 35 | 사자 | 5.45억 | 46.67억 | | 36 | 흰꼬리수리 | 5.43억 | 16.54억 | | 37 | 어치 | 5.29억 | 10.85억 | | 38 | 개 | 5.26억 | | | 39 | 줄무늬하이에나 | 4.95억 | 38.85억 | | 40 | 갈까마귀 | 4.92억 | 9.68억 | | 41 | 타조 | 4.79억 | 16.29억 | | 42 | 까치 | 4.43억 | 8.97억 | | 43 | 세이커매 | 4.43억 | 12.04억 | | 44 | 에뮤 | 4.39억 | 13.35억 | | 45 | 라쿤 | 4.38억 | 21.48억 | | 46 | 가면올빼미 | 4.37억 | 6.9억 | | 47 | 금눈쇠올빼미 | 4.01억 | 5.86억 | | 48 | 검은대머리수리 | 3.99억 | 10.09억 | | 49 | 유라시아올빼미 | 3.64억 | 5.33억 | | 50 | 말똥가리 | 3.52억 | 10.01억 | | 51 | 아메리카레아 | 3.3억 | 10.3억 | | 52 | 혹고니 | 3.24억 | 10.01억 | | 53 | 집돼지 | 2.93억 | 22.2억 | | 54 | 회색기러기 | 2.59억 | 7.38억 | | 55 | 불곰 | 2.51억 | 95.86억 | | 56 | 집고양이 | 2.5억 | 12.15억 | | 57 | 흰귀마모셋 | 2.45억 | 6.38억 | | 58 | 황조롱이 | 2.38억 | 6.25억 | | 59 | 쇠오리 | 1.67억 | 3.75억 | | 60 | 사랑앵무 | 1.49억 | 3.22억 | | 61 | 붉은가슴기러기 | 1.49억 | 4.83억 | | 62 | 아메리카원앙 | 1.38억 | 3.06억 | | 63 | 난쟁이매 | 1.32억 | 3.5억 | | 64 | 대리석무늬오리 | 1.3억 | 3.87억 | | 65 | 인도공작 | 1.3억 | 5.71억 | | 66 | 노란혹큐라소 | 1.25억 | 6.53억 | | 67 | 빅토리아왕관비둘기 | 1.18억 | 5.79억 | | 68 | 청둥오리 | 1.12억 | 3.67억 | | 69 | 야생칠면조 | 1.06억 | 4.93억 | | 70 | 새매 | 8783.2만 | 4.02억 | | 71 | 리브스꿩 | 8068.8만 | 3.87억 | | 72 | 집비둘기 | 7200만 | 3.1억 | | 73 | 유럽토끼 | 7150만 | 5.13억 | | 74 | 적색야계 | 6070만 | 2.21억 | | 75 | 칠레티나무 | 5913만 | 2.41억 | | 76 | 금화조 | 5520만 | 1.36억 | | 77 | 우아한볏티나무 | 5138.4만 | 2.18억 | | 78 | 숲비둘기 | 5132.51만 | 2.59억 | | 79 | 케브라초볏티나무 | 4829.2만 | 2.36억 | | 80 | 아프리카목도리호도애 | 3999.75만 | 1.39억 | | 81 | 북부볼화이트메추라기 | 3911.2만 | 1.48억 | | 82 | 회색자고새 | 3688.2만 | 1.7억 | | 83 | 쥐 | 3100만 | 2억 | | 84 | 메추라기 | 2256.8만 | 1.18억 | | 85 | 킹메추라기 | 2052.3만 | 8047.8만 | | 86 | 다이아몬드비둘기 | 1820.93만 | 8787.9만 | | 87 | 생쥐 | 1370만 | 7090만 | | 88 | 벌거숭이두더지쥐 | 531만 | 3362만 | ## AI 시스템: 파라미터 대 시냅스 전체 매개변수 토큰당 사용 All 언어 멀티모달 비전 기타 (언어, 생물학, 게임, 로보틱스…) 학습 가능한 매개변수(연결 가중치), 로그 척도: Epoch AI 데이터베이스에서 매개변수 수가 있는 모든 주요 모델(검색일 2026년 10월 3일). 채워진 막대는 Epoch이 확실하다고 평가한 수치이고, 빗금 막대는 가능성이 높거나 추측이라고 평가한 수치예요. \*가 붙은 막대는 개발사가 크기를 발표하지 않는 비공개 모델의 추정치로, 제3자 분석을 바탕으로 2026년 10월 2일에 모았고, 수염은 추정치의 범위를 나타내요. Gemini 3 이후: 공표된 추정치 없음. 속이 빈 행은 시냅스 수예요. 매개변수는 뉴런보다 시냅스에 더 가까워요. 1. 사람의 신피질 1.6 × 10¹⁴ 2. GPT-5.5 (OpenAI, 2026) \* \~4.7 × 10¹² 3. Claude Fable 5 (Anthropic, 2026) \* \~3.5 × 10¹² 4. Grok 3 (xAI, 2025) \~3 × 10¹² 5. Grok 4 (xAI, 2025) \~3 × 10¹² 6. Gemini 2.5 Pro (Google, 2025) \* \~3 × 10¹² 7. Kimi K3 (Moonshot, 2026) \~2.8 × 10¹² 8. Qwen 3.8 Max (Alibaba, 2026) 2.4 × 10¹² 9. Qwen3.8-2.4T-A95B (Alibaba, 2026) 2.4 × 10¹² 10. Grok 4.7 (xAI, 2026) \* \~2.1 × 10¹² 11. Llama 4 Behemoth (Meta AI, 2025) \~2 × 10¹² 12. GPT-4 (OpenAI, 2023) \~1.8 × 10¹² 13. DeepSeek-V4-Pro (DeepSeek, 2026) \~1.6 × 10¹² 14. LongCat-2.0 (Meituan Inc, 2026) \~1.6 × 10¹² 15. Switch (Google, 2021) 1.6 × 10¹² 16. GLaM (Google, 2021) 1.2 × 10¹² 17. PanGu-Σ (Huawei Noah's Ark Lab, 2023) 1.1 × 10¹² 18. Kimi K2.5 (Moonshot, 2026) \~1 × 10¹² 19. Composer 2 (Cursor, 2026) 1 × 10¹² 20. Kimi K2.6 (Moonshot, 2026) 1 × 10¹² 21. Composer 2.5 (Cursor, 2026) \~1 × 10¹² 22. MiMo-V2-Pro (Xiaomi Corp, 2026) 1 × 10¹² 23. MiMo-V2.5-Pro (Xiaomi Corp, 2026) \~1 × 10¹² 24. M6-T (Alibaba, 2021) \~1 × 10¹² 25. Kimi K2 (Moonshot, 2025) 1 × 10¹² 26. Qwen3-Max (Alibaba, 2025) \~1 × 10¹² 27. Ling-1T (Ant Group, 2025) 1 × 10¹² 28. Kimi K2 Thinking (Moonshot, 2025) \~1 × 10¹² 29. Inkling (Thinking Machines, 2026) \~9.8 × 10¹¹ 30. Tencent Hy4 preview (Tencent, 2026) \~7.7 × 10¹¹ 31. GLM-5.1 (Z.ai (Zhipu AI), 2026) 7.5 × 10¹¹ 32. K-EXAONE 2.0 (LG AI Research, 2026) 7.5 × 10¹¹ 33. DeepSeek V4.1 Flash (DeepSeek, 2026) \~7.5 × 10¹¹ 34. GLM-5 (Z.ai (Zhipu AI), 2026) \~7.4 × 10¹¹ 35. GLM-5.3 (Z.ai (Zhipu AI), 2026) 7.4 × 10¹¹ 36. A.X K2 (SK Telecom, 2026) 6.9 × 10¹¹ 37. DeepSeekMath-V2 (DeepSeek, 2025) 6.8 × 10¹¹ 38. Mistral Large 3 (Mistral AI, 2025) 6.8 × 10¹¹ 39. DeepSeek-V3 (DeepSeek, 2024) 6.7 × 10¹¹ 40. DeepSeek-R1 (DeepSeek, 2025) 6.7 × 10¹¹ 725개 모두 보기 10^4 10^6 10^8 10^10 10^12 10^14 매개변수 또는 시냅스 숫자 보기 | # | 시스템 | 전체 매개변수 | 토큰당 사용 | 연도 | 종류 | | --- | ------------------------------------------------------------------------------------------- | ------------ | ---------- | ---- | ---------------------- | | 1 | 사람의 신피질 | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | | 시냅스 | | 2 | GPT-5.5 (OpenAI, 2026) \* | \~4.7 × 10¹² | | 2026 | 추정 | | 3 | Claude Fable 5 (Anthropic, 2026) \* | \~3.5 × 10¹² | | 2026 | 추정 | | 4 | Grok 3 (xAI, 2025) | \~3 × 10¹² | | 2025 | 추정 | | 5 | Grok 4 (xAI, 2025) | \~3 × 10¹² | | 2025 | 추정 | | 6 | Gemini 2.5 Pro (Google, 2025) \* | \~3 × 10¹² | | 2025 | 추정 | | 7 | Kimi K3 (Moonshot, 2026) | \~2.8 × 10¹² | | 2026 | 추정 | | 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | 구조가 밝혀지지 않음 | | 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | 전문가 혼합 | | 10 | Grok 4.7 (xAI, 2026) \* | \~2.1 × 10¹² | | 2026 | 추정 | | 11 | Llama 4 Behemoth (Meta AI, 2025) | \~2 × 10¹² | | 2025 | 추정 | | 12 | GPT-4 (OpenAI, 2023) | \~1.8 × 10¹² | | 2023 | 추정 | | 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | \~1.6 × 10¹² | | 2026 | 추정 | | 14 | LongCat-2.0 (Meituan Inc, 2026) | \~1.6 × 10¹² | | 2026 | 추정 | | 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | 전문가 혼합 (활성 매개변수 수 비공개) | | 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | 전문가 혼합 (활성 매개변수 수 비공개) | | 17 | PanGu-Σ (Huawei Noah's Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | 전문가 혼합 (활성 매개변수 수 비공개) | | 18 | Kimi K2.5 (Moonshot, 2026) | \~1 × 10¹² | | 2026 | 추정 | | 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 전문가 혼합 (활성 매개변수 수 비공개) | | 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 전문가 혼합 (활성 매개변수 수 비공개) | | 21 | Composer 2.5 (Cursor, 2026) | \~1 × 10¹² | | 2026 | 추정 | | 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 구조가 밝혀지지 않음 | | 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | \~1 × 10¹² | | 2026 | 추정 | | 24 | M6-T (Alibaba, 2021) | \~1 × 10¹² | | 2021 | 추정 | | 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | 전문가 혼합 (활성 매개변수 수 비공개) | | 26 | Qwen3-Max (Alibaba, 2025) | \~1 × 10¹² | | 2025 | 추정 | | 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | 전문가 혼합 | | 28 | Kimi K2 Thinking (Moonshot, 2025) | \~1 × 10¹² | | 2025 | 추정 | | 29 | Inkling (Thinking Machines, 2026) | \~9.8 × 10¹¹ | | 2026 | 추정 | | 30 | Tencent Hy4 preview (Tencent, 2026) | \~7.7 × 10¹¹ | | 2026 | 추정 | | 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | 전문가 혼합 (활성 매개변수 수 비공개) | | 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | 전문가 혼합 (활성 매개변수 수 비공개) | | 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | \~7.5 × 10¹¹ | | 2026 | 추정 | | 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | \~7.4 × 10¹¹ | | 2026 | 추정 | | 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | 전문가 혼합 | | 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | 전문가 혼합 (활성 매개변수 수 비공개) | | 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | 전문가 혼합 (활성 매개변수 수 비공개) | | 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | 전문가 혼합 | | 39 | DeepSeek-V3 (DeepSeek, 2024) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | 전문가 혼합 | | 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | 전문가 혼합 | | 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | 구조가 밝혀지지 않음 | | 42 | Step 5 Preview (StepFun, 2026) | \~6 × 10¹¹ | | 2026 | 추정 | | 43 | PaLM-E (Google, 2023) | \~5.6 × 10¹¹ | | 2023 | 추정 | | 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | 전문가 혼합 (활성 매개변수 수 비공개) | | 45 | LongCat-Flash (Meituan Inc, 2025) | \~5.6 × 10¹¹ | | 2025 | 추정 | | 46 | Nemotron 3 Ultra (Nvidia, 2026) | \~5.5 × 10¹¹ | | 2026 | 추정 | | 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 밀집형 | | 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 밀집형 | | 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 밀집형 | | 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 밀집형 | | 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 밀집형 | | 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | 밀집형 | | 53 | MegaScale (ByteDance, 2024) | \~5.3 × 10¹¹ | | 2024 | 추정 | | 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | 전문가 혼합 (활성 매개변수 수 비공개) | | 55 | Doubao-pro (ByteDance, 2024) | \~5 × 10¹¹ | | 2024 | 추정 | | 56 | Grok 4.20 (xAI, 2026) | \~5 × 10¹¹ | | 2026 | 추정 | | 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | 전문가 혼합 | | 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | 전문가 혼합 | | 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | 전문가 혼합 | | 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | 밀집형 | | 61 | Llama 4 Maverick (Meta AI, 2025) | \~4 × 10¹¹ | | 2025 | 추정 | | 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | 전문가 혼합 (활성 매개변수 수 비공개) | | 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | \~4 × 10¹¹ | | 2026 | 추정 | | 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | 전문가 혼합 (활성 매개변수 수 비공개) | | 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | 추정 | | 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | \~3.6 × 10¹¹ | | 2025 | 추정 | | 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | 전문가 혼합 | | 68 | PaLM 2 (Google, 2023) | \~3.4 × 10¹¹ | | 2023 | 추정 | | 69 | Med-PaLM 2 (Google Research, 2023) | \~3.4 × 10¹¹ | | 2023 | 추정 | | 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | 밀집형 | | 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | \~3.2 × 10¹¹ | | 2026 | 추정 | | 72 | Grok-1 (xAI, 2023) | \~3.1 × 10¹¹ | | 2023 | 추정 | | 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | 전문가 혼합 (활성 매개변수 수 비공개) | | 74 | SB-LM (Google, 2007) | \~3 × 10¹¹ | | 2007 | 추정 | | 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | 전문가 혼합 (활성 매개변수 수 비공개) | | 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | 전문가 혼합 (활성 매개변수 수 비공개) | | 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | \~2.8 × 10¹¹ | | 2026 | 추정 | | 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | 밀집형 | | 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | 전문가 혼합 (활성 매개변수 수 비공개) | | 80 | ST-MoE (Google, 2022) | \~2.7 × 10¹¹ | | 2022 | 추정 | | 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | 밀집형 | | 82 | Solar Open2 250B (Upstage, 2026) | \~2.5 × 10¹¹ | | 2026 | 추정 | | 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | \~2.5 × 10¹¹ | | 2024 | 추정 | | 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | 구조가 밝혀지지 않음 | | 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | 전문가 혼합 (활성 매개변수 수 비공개) | | 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | 전문가 혼합 (활성 매개변수 수 비공개) | | 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | 구조가 밝혀지지 않음 | | 88 | Qwen3-235B-A22B (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | 추정 | | 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | \~2.4 × 10¹¹ | | 2025 | 추정 | | 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | \~2.4 × 10¹¹ | | 2025 | 추정 | | 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | 전문가 혼합 (활성 매개변수 수 비공개) | | 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | 전문가 혼합 | | 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | 전문가 혼합 (활성 매개변수 수 비공개) | | 94 | HyperCLOVA 204B (NAVER, 2021) | \~2 × 10¹¹ | | 2021 | 추정 | | 95 | Amazon Titan (Amazon, 2023) | \~2 × 10¹¹ | | 2023 | 추정 | | 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | 밀집형 | | 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | 구조가 밝혀지지 않음 | | 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 밀집형 | | 99 | BLUUMI (University of Turku, 2023) | \~1.8 × 10¹¹ | | 2023 | 추정 | | 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 밀집형 | | 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 밀집형 | | 102 | BlenderBot 3 (McGill University, 2022) | \~1.8 × 10¹¹ | | 2022 | 추정 | | 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | 밀집형 | | 104 | Palmyra X 004 (Writer, 2024) | \~1.5 × 10¹¹ | | 2024 | 추정 | | 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | 구조가 밝혀지지 않음 | | 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | 구조가 밝혀지지 않음 | | 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | 구조가 밝혀지지 않음 | | 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | 구조가 밝혀지지 않음 | | 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | 전문가 혼합 (활성 매개변수 수 비공개) | | 110 | GLM-130B (Tsinghua University, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | 밀집형 | | 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | 구조가 밝혀지지 않음 | | 112 | Mistral Large 2 (Mistral AI, 2024) | \~1.2 × 10¹¹ | | 2024 | 추정 | | 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | \~1.2 × 10¹¹ | | 2026 | 추정 | | 114 | Galactica (Meta AI, 2022) | \~1.2 × 10¹¹ | | 2022 | 추정 | | 115 | Nemotron 3 Super (Nvidia, 2026) | \~1.2 × 10¹¹ | | 2026 | 추정 | | 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | 전문가 혼합 | | 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | 구조가 밝혀지지 않음 | | 118 | Kaiju Large (Character.ai, 2025) | \~1.1 × 10¹¹ | | 2025 | 추정 | | 119 | Llama 4 Scout (Meta AI, 2025) | \~1.1 × 10¹¹ | | 2025 | 추정 | | 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | 밀집형 | | 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | 구조가 밝혀지지 않음 | | 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | 밀집형 | | 123 | xTrimoPGLM -100B (Tsinghua University, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | 구조가 밝혀지지 않음 | | 124 | Yi-Large (01.AI, 2024) | \~1 × 10¹¹ | | 2024 | 추정 | | 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | 전문가 혼합 (활성 매개변수 수 비공개) | | 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | 구조가 밝혀지지 않음 | | 127 | 생쥐 신피질 | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | | 시냅스 | | 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | 밀집형 | | 129 | Qwen3-Coder-Next (Alibaba, 2026) | \~8 × 10¹⁰ | | 2026 | 추정 | | 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 밀집형 | | 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 밀집형 | | 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 밀집형 | | 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | 밀집형 | | 134 | Palmyra X 003 (Writer, 2024) | \~7.2 × 10¹⁰ | | 2024 | 추정 | | 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 밀집형 | | 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 밀집형 | | 137 | NVLM-X 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | 추정 | | 138 | NVLM-H 72B (Nvidia, 2024) | \~7.2 × 10¹⁰ | | 2024 | 추정 | | 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 구조가 밝혀지지 않음 | | 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | 구조가 밝혀지지 않음 | | 141 | Chinchilla (DeepMind, 2022) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | 밀집형 | | 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | 밀집형 | | 143 | PPLX-70B-Online (Perplexity, 2023) | \~7 × 10¹⁰ | | 2023 | 추정 | | 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 밀집형 | | 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 구조가 밝혀지지 않음 | | 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 밀집형 | | 147 | Reka Core (Reka AI, 2024) | \~6.7 × 10¹⁰ | | 2024 | 추정 | | 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | 밀집형 | | 149 | SNM-skip (Google, 2014) | \~6.2 × 10¹⁰ | | 2014 | 추정 | | 150 | PaLI-X (Google Research, 2023) | \~5.5 × 10¹⁰ | | 2023 | 추정 | | 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | 밀집형 | | 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | 밀집형 | | 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | 전문가 혼합 (활성 매개변수 수 비공개) | | 156 | Mixtral 8x7B (Mistral AI, 2023) | \~4.7 × 10¹⁰ | | 2023 | 추정 | | 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | 구조가 밝혀지지 않음 | | 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | 밀집형 | | 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | 전문가 혼합 | | 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | 밀집형 | | 161 | Cambrian-1-34B (New York University (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | 구조가 밝혀지지 않음 | | 162 | Oryx 34B (Tsinghua University, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | 구조가 밝혀지지 않음 | | 163 | Kaiju Medium (Character.ai, 2025) | \~3.4 × 10¹⁰ | | 2025 | 추정 | | 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | 구조가 밝혀지지 않음 | | 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | 밀집형 | | 166 | QwQ-32B (Alibaba, 2025) | \~3.3 × 10¹⁰ | | 2025 | 추정 | | 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | 구조가 밝혀지지 않음 | | 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 구조가 밝혀지지 않음 | | 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 구조가 밝혀지지 않음 | | 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 구조가 밝혀지지 않음 | | 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 구조가 밝혀지지 않음 | | 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | \~3.2 × 10¹⁰ | | 2025 | 추정 | | 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | 구조가 밝혀지지 않음 | | 174 | MM1-30B (Apple, 2024) | \~3 × 10¹⁰ | | 2024 | 추정 | | 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | 구조가 밝혀지지 않음 | | 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | 구조가 밝혀지지 않음 | | 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | 구조가 밝혀지지 않음 | | 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | 구조가 밝혀지지 않음 | | 179 | GenSLM (University of Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | 구조가 밝혀지지 않음 | | 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 181 | KN-LM (Google, 2007) | \~2.1 × 10¹⁰ | | 2007 | 추정 | | 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | 전문가 혼합 (활성 매개변수 수 비공개) | | 183 | RNN for 1B words (Google, 2013) | \~2 × 10¹⁰ | | 2013 | 추정 | | 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 밀집형 | | 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 구조가 밝혀지지 않음 | | 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 구조가 밝혀지지 않음 | | 187 | GPT-3.5 Turbo (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | 추정 | | 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | \~2 × 10¹⁰ | | 2023 | 추정 | | 189 | SPHINX (Shanghai AI Lab, 2023) | \~2 × 10¹⁰ | | 2023 | 추정 | | 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 구조가 밝혀지지 않음 | | 191 | CogAgent (Tsinghua University, 2023) | \~1.8 × 10¹⁰ | | 2023 | 추정 | | 192 | Turing-NLG (Microsoft, 2020) | \~1.7 × 10¹⁰ | | 2020 | 추정 | | 193 | CogVLM-17B (Tsinghua University, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 194 | PaLI (Google, 2022) | \~1.7 × 10¹⁰ | | 2022 | 추정 | | 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | 밀집형 | | 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | 구조가 밝혀지지 않음 | | 198 | FunSearch (Google DeepMind, 2023) | \~1.5 × 10¹⁰ | | 2023 | 추정 | | 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | 구조가 밝혀지지 않음 | | 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | 구조가 밝혀지지 않음 | | 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | 밀집형 | | 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | 구조가 밝혀지지 않음 | | 205 | LLaVA (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 밀집형 | | 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 208 | FinGPT-13B (University of California Los Angeles (UCLA), 2023) | \~1.3 × 10¹⁰ | | 2023 | 추정 | | 209 | Ferret (Columbia University, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 211 | LLaVA 1.5 (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 밀집형 | | 212 | Volcano 13B (Korea University, 2023) | \~1.3 × 10¹⁰ | | 2023 | 추정 | | 213 | Aya (Cohere Labs (formerly Cohere for AI), 2024) | \~1.3 × 10¹⁰ | | 2024 | 추정 | | 214 | Kaiju Small (Character.ai, 2025) | \~1.3 × 10¹⁰ | | 2025 | 추정 | | 215 | ByT5-XXL (Google, 2021) | \~1.3 × 10¹⁰ | | 2021 | 추정 | | 216 | CoRe (Tsinghua University, 2023) | \~1.2 × 10¹⁰ | | 2023 | 추정 | | 217 | DALL-E (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | 추정 | | 218 | Codex (OpenAI, 2021) | \~1.2 × 10¹⁰ | | 2021 | 추정 | | 219 | T5-11B (Google, 2019) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | 밀집형 | | 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | 밀집형 | | 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 구조가 밝혀지지 않음 | | 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 구조가 밝혀지지 않음 | | 223 | CoEdiT-xxl (University of Minnesota, 2023) | \~1.1 × 10¹⁰ | | 2023 | 추정 | | 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | 구조가 밝혀지지 않음 | | 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 구조가 밝혀지지 않음 | | 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | 밀집형 | | 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | 밀집형 | | 228 | ERNIE-ViLG (Baidu, 2021) | \~1 × 10¹⁰ | | 2021 | 추정 | | 229 | Qwen-VL (Alibaba, 2023) | \~9.6 × 10⁹ | | 2023 | 추정 | | 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | 전문가 혼합 (활성 매개변수 수 비공개) | | 232 | CogVideo (Tsinghua University, 2022) | \~9.4 × 10⁹ | | 2022 | 추정 | | 233 | eDiff-I (Nvidia, 2022) | \~9.1 × 10⁹ | | 2022 | 추정 | | 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | 구조가 밝혀지지 않음 | | 235 | MoE-Multi (Jagiellonian University, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | 전문가 혼합 (활성 매개변수 수 비공개) | | 236 | Qwen-Audio-Chat (Alibaba, 2023) | \~8.5 × 10⁹ | | 2023 | 추정 | | 237 | Megatron-LM (Nvidia, 2019) | \~8.3 × 10⁹ | | 2019 | 추정 | | 238 | BigSSL (Google, 2021) | \~8 × 10⁹ | | 2021 | 추정 | | 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | 밀집형 | | 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | 전문가 혼합 (활성 매개변수 수 비공개) | | 242 | Imagen (Google Brain, 2022) | \~7.8 × 10⁹ | | 2022 | 추정 | | 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | 구조가 밝혀지지 않음 | | 245 | OpenVLA (Stanford University, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | 구조가 밝혀지지 않음 | | 246 | mPLUG-Owl2 (Alibaba, 2023) | \~7.1 × 10⁹ | | 2023 | 추정 | | 247 | Goat-7B (National University of Singapore, 2023) | \~7 × 10⁹ | | 2023 | 추정 | | 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | 밀집형 | | 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | 밀집형 | | 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 밀집형 | | 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 구조가 밝혀지지 않음 | | 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 구조가 밝혀지지 않음 | | 253 | Eurus-2-7B-PRIME (Tsinghua University, 2025) | \~7 × 10⁹ | | 2025 | 추정 | | 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | 구조가 밝혀지지 않음 | | 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | 구조가 밝혀지지 않음 | | 257 | GPipe (Google, 2018) | \~6 × 10⁹ | | 2018 | 추정 | | 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | 밀집형 | | 259 | Vega v2 (Wuhan University, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | 구조가 밝혀지지 않음 | | 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | \~6 × 10⁹ | | 2023 | 추정 | | 261 | MolmoAct 2 (Allen Institute for AI, 2026) | \~5.5 × 10⁹ | | 2026 | 추정 | | 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | 전문가 혼합 (활성 매개변수 수 비공개) | | 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | 밀집형 | | 266 | W.A.L.T (Stanford University, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 267 | CogView (Tsinghua University, 2021) | \~4 × 10⁹ | | 2021 | 추정 | | 268 | Make-A-Scene (Meta AI, 2022) | \~4 × 10⁹ | | 2022 | 추정 | | 269 | ONE-PEACE (Alibaba, 2023) | \~4 × 10⁹ | | 2023 | 추정 | | 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | 밀집형 | | 271 | DALL·E 2 (OpenAI, 2022) | \~3.5 × 10⁹ | | 2022 | 추정 | | 272 | Stable Diffusion XL (Stability AI, 2023) | \~3.4 × 10⁹ | | 2023 | 추정 | | 273 | MusicGen (Meta AI, 2023) | \~3.4 × 10⁹ | | 2023 | 추정 | | 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 275 | Zidong Taichu (Chinese Academy of Sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | 구조가 밝혀지지 않음 | | 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | \~3.2 × 10⁹ | | 2016 | 추정 | | 278 | BASIC-L (Google, 2021) | \~3.1 × 10⁹ | | 2021 | 추정 | | 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 280 | LEP-AD (King Abdullah University of Science and Technology (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 282 | ProtT5-XL-U50 (Technical University of Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | 구조가 밝혀지지 않음 | | 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | \~2.9 × 10⁹ | | 2018 | 추정 | | 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | 밀집형 | | 288 | DPO on Pythia-2.8B (Stanford University, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | 밀집형 | | 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | 구조가 밝혀지지 않음 | | 290 | PolyCoder (Carnegie Mellon University (CMU), 2022) | \~2.7 × 10⁹ | | 2022 | 추정 | | 291 | Hybrid H3-2.7B (Stanford University, 2022) | \~2.7 × 10⁹ | | 2022 | 추정 | | 292 | GPT3-2.7B (Stanford University, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | 밀집형 | | 294 | CPM-Large (Tsinghua University, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | 밀집형 | | 295 | Nucleotide Transformer (Nvidia, 2023) | \~2.5 × 10⁹ | | 2023 | 추정 | | 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | 구조가 밝혀지지 않음 | | 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | 밀집형 | | 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | 구조가 밝혀지지 않음 | | 302 | MuseNet (OpenAI, 2019) | \~2 × 10⁹ | | 2019 | 추정 | | 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | 구조가 밝혀지지 않음 | | 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | 밀집형 | | 305 | BEIT-3 (Microsoft, 2022) | \~1.9 × 10⁹ | | 2022 | 추정 | | 306 | Ankh\_large (Technical University of Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 308 | ViT-G (University of Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | 구조가 밝혀지지 않음 | | 309 | Phenaki (University College London (UCL), 2022) | \~1.8 × 10⁹ | | 2022 | 추정 | | 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 311 | DistBelief Vision (Google, 2012) | \~1.7 × 10⁹ | | 2012 | 추정 | | 312 | Whisper (OpenAI, 2022) | \~1.6 × 10⁹ | | 2022 | 추정 | | 313 | GPT-2 (OpenAI, 2019) | \~1.5 × 10⁹ | | 2019 | 추정 | | 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | 구조가 밝혀지지 않음 | | 316 | AudioLM (Google Research, 2023) | \~1.5 × 10⁹ | | 2023 | 추정 | | 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 318 | LDM-1.45B (Heidelberg University, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | 밀집형 | | 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | 구조가 밝혀지지 않음 | | 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | 밀집형 | | 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | 밀집형 | | 323 | RDT-1B (Tsinghua University, 2024) | \~1.2 × 10⁹ | | 2024 | 추정 | | 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | 구조가 밝혀지지 않음 | | 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | 구조가 밝혀지지 않음 | | 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | 구조가 밝혀지지 않음 | | 328 | EVA-01 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | 구조가 밝혀지지 않음 | | 329 | Unsupervised High-level Feature Learner (Google, 2012) | \~1 × 10⁹ | | 2012 | 추정 | | 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | 밀집형 | | 331 | HuBERT (Facebook AI Research, 2021) | \~1 × 10⁹ | | 2021 | 추정 | | 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | 밀집형 | | 333 | AudioGen (Meta AI, 2023) | \~1 × 10⁹ | | 2023 | 추정 | | 334 | VideoMAE V2 (Nanjing University, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | 구조가 밝혀지지 않음 | | 335 | TransE (Universite de Technologie de Compiègne – CNRS, 2013) | \~9.4 × 10⁸ | | 2013 | 추정 | | 336 | ImageBind (Meta AI, 2023) | \~9.3 × 10⁸ | | 2023 | 추정 | | 337 | Big Transfer (Google Brain, 2019) | \~9.3 × 10⁸ | | 2019 | 추정 | | 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | 구조가 밝혀지지 않음 | | 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | 밀집형 | | 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | \~8.3 × 10⁸ | | 2019 | 추정 | | 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 344 | Statement Curriculum Learning (OpenAI, 2022) | \~7.7 × 10⁸ | | 2022 | 추정 | | 345 | CodeT5-large (Salesforce, 2022) | \~7.7 × 10⁸ | | 2022 | 추정 | | 346 | DITTO (Tsinghua University, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | 구조가 밝혀지지 않음 | | 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | 구조가 밝혀지지 않음 | | 348 | data2vec (Meta AI, 2022) | \~7.1 × 10⁸ | | 2022 | 추정 | | 349 | Tranception (University of Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | 구조가 밝혀지지 않음 | | 350 | Word2Vec (Google, 2013) | \~6.9 × 10⁸ | | 2013 | 추정 | | 351 | DiT-XL/2 (New York University (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | 구조가 밝혀지지 않음 | | 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | \~6.8 × 10⁸ | | 2023 | 추정 | | 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | 구조가 밝혀지지 않음 | | 354 | XLM (Facebook, 2019) | \~6.7 × 10⁸ | | 2019 | 추정 | | 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | 밀집형 | | 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | 구조가 밝혀지지 않음 | | 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | 밀집형 | | 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | \~6.3 × 10⁸ | | 2021 | 추정 | | 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | 밀집형 | | 360 | DLDL (University of Oxford, 2016) | \~5.6 × 10⁸ | | 2016 | 추정 | | 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 362 | TrOCR (Beihang University, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | 밀집형 | | 364 | LUKE (University of Washington, 2020) | \~4.8 × 10⁸ | | 2020 | 추정 | | 365 | EfficientNet-L2 (Google, 2019) | \~4.8 × 10⁸ | | 2019 | 추정 | | 366 | Noisy Student (Carnegie Mellon University (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | 밀집형 | | 367 | Meta Pseudo Labels (Google Brain, 2021) | \~4.8 × 10⁸ | | 2021 | 추정 | | 368 | EMDR (Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | 밀집형 | | 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | 밀집형 | | 371 | ProtBERT-BFD (Technical University of Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 372 | OntoProtein (Zhejiang University (ZJU), 2022) | \~4.2 × 10⁸ | | 2022 | 추정 | | 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | 구조가 밝혀지지 않음 | | 374 | BART-large (Facebook AI, 2019) | \~4.1 × 10⁸ | | 2019 | 추정 | | 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | 구조가 밝혀지지 않음 | | 376 | BERT-Large-CAS (Amazon, 2019) | \~4 × 10⁸ | | 2019 | 추정 | | 377 | MoCo (Facebook AI, 2019) | \~3.8 × 10⁸ | | 2019 | 추정 | | 378 | SimCLR (Google Brain, 2020) | \~3.8 × 10⁸ | | 2020 | 추정 | | 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | 밀집형 | | 381 | AbLang (University of Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | 구조가 밝혀지지 않음 | | 382 | GPT-2 Medium (Stanford University, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | 밀집형 | | 383 | VALL-E (Microsoft, 2023) | \~3.5 × 10⁸ | | 2023 | 추정 | | 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | 밀집형 | | 385 | XLNet (Carnegie Mellon University (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | 밀집형 | | 386 | ERNIE-GEN (Baidu, 2020) | \~3.4 × 10⁸ | | 2020 | 추정 | | 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | 밀집형 | | 388 | ELECTRA (Stanford University, 2020) | \~3.4 × 10⁸ | | 2020 | 추정 | | 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | 밀집형 | | 390 | ALM 1.0 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | \~3.4 × 10⁸ | | 2022 | 추정 | | 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | 밀집형 | | 392 | Fusion in Encoder (Samsung, 2022) | \~3.3 × 10⁸ | | 2022 | 추정 | | 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | 밀집형 | | 394 | CPC v2 (DeepMind, 2019) | \~3 × 10⁸ | | 2019 | 추정 | | 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | 밀집형 | | 396 | DDPM-IP (Utrecht University, 2023) | \~3 × 10⁸ | | 2023 | 추정 | | 397 | GNMT (Google, 2016) | \~2.8 × 10⁸ | | 2016 | 추정 | | 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 399 | YOLO (University of Washington, 2015) | \~2.7 × 10⁸ | | 2015 | 추정 | | 400 | Transformer-XL (Carnegie Mellon University (CMU), 2019) | \~2.6 × 10⁸ | | 2019 | 추정 | | 401 | Transformer-XL + RMS dynamic eval (University of Edinburgh, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | 밀집형 | | 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | \~2.6 × 10⁸ | | 2019 | 추정 | | 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | 구조가 밝혀지지 않음 | | 404 | Denoising Diffusion Probabilistic Models (University of California (UC) Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | 구조가 밝혀지지 않음 | | 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | 밀집형 | | 407 | S4 (Stanford University, 2021) | \~2.5 × 10⁸ | | 2021 | 추정 | | 408 | Base LM + kNN LM + Continuous Cache (Stanford University, 2019) | \~2.5 × 10⁸ | | 2019 | 추정 | | 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | 밀집형 | | 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | \~2.5 × 10⁸ | | 2021 | 추정 | | 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | 밀집형 | | 412 | TaLK Convolution (Carleton University, 2020) | \~2.4 × 10⁸ | | 2020 | 추정 | | 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | \~2.4 × 10⁸ | | 2020 | 추정 | | 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | 구조가 밝혀지지 않음 | | 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | 구조가 밝혀지지 않음 | | 417 | MetNet (Google, 2020) | \~2.3 × 10⁸ | | 2020 | 추정 | | 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | 밀집형 | | 419 | CodeT5-base (Salesforce, 2021) | \~2.2 × 10⁸ | | 2021 | 추정 | | 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | 밀집형 | | 421 | Sandwich Transformer (Allen Institute for AI, 2019) | \~2.1 × 10⁸ | | 2019 | 추정 | | 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 423 | Word2Vec (Google, 2013) | \~2.1 × 10⁸ | | 2013 | 추정 | | 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | 밀집형 | | 425 | DreamerV3 (DeepMind, 2023) | \~2 × 10⁸ | | 2023 | 추정 | | 426 | DL scaling speech (Baidu, 2017) | \~1.9 × 10⁸ | | 2017 | 추정 | | 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | \~1.9 × 10⁸ | | 2019 | 추정 | | 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | 밀집형 | | 429 | TrellisNet (Carnegie Mellon University (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | 밀집형 | | 430 | DL scaling LM (Baidu, 2017) | \~1.8 × 10⁸ | | 2017 | 추정 | | 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | 구조가 밝혀지지 않음 | | 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | 밀집형 | | 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | 밀집형 | | 434 | 4 layer QRNN (Salesforce Research, 2018) | \~1.5 × 10⁸ | | 2018 | 추정 | | 435 | TransformerXL + spectrum control (University of California Los Angeles (UCLA), 2020) | \~1.5 × 10⁸ | | 2020 | 추정 | | 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | 구조가 밝혀지지 않음 | | 437 | PermuteFormer (Peking University, 2021) | \~1.5 × 10⁸ | | 2021 | 추정 | | 438 | Fragment embedding (Stanford University, 2014) | \~1.4 × 10⁸ | | 2014 | 추정 | | 439 | OverFeat (New York University (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | 밀집형 | | 440 | VGG19 (University of Oxford, 2014) | \~1.4 × 10⁸ | | 2014 | 추정 | | 441 | LRCN (UT Austin, 2014) | \~1.4 × 10⁸ | | 2014 | 추정 | | 442 | Transformer-XL DeFINE (University of Washington, 2019) | \~1.4 × 10⁸ | | 2019 | 추정 | | 443 | Deep Autoencoders (University of Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | 밀집형 | | 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | 밀집형 | | 445 | VGG16 (University of Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | 밀집형 | | 446 | VGG-Face (University of Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | 밀집형 | | 447 | SAF R-CNN (Beijing Institute of Technology, 2015) | \~1.4 × 10⁸ | | 2015 | 추정 | | 448 | Template Adaptation (University of Oxford, 2016) | \~1.4 × 10⁸ | | 2016 | 추정 | | 449 | LRR-4X (UC Irvine, 2016) | \~1.4 × 10⁸ | | 2016 | 추정 | | 450 | CMS-RCNN (IEEE, 2016) | \~1.4 × 10⁸ | | 2016 | 추정 | | 451 | QRNN (Salesforce Research, 2018) | \~1.4 × 10⁸ | | 2018 | 추정 | | 452 | Multiresolution CNN (Google, 2014) | \~1.3 × 10⁸ | | 2014 | 추정 | | 453 | FTW (DeepMind, 2018) | \~1.3 × 10⁸ | | 2018 | 추정 | | 454 | Feedback Transformer (LORIA, 2020) | \~1.3 × 10⁸ | | 2020 | 추정 | | 455 | KEPLER (Tsinghua University, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | 밀집형 | | 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | 밀집형 | | 457 | GloVe (Stanford University, 2014) | \~1.2 × 10⁸ | | 2014 | 추정 | | 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | 밀집형 | | 459 | GPT-1 (OpenAI, 2018) | \~1.2 × 10⁸ | | 2018 | 추정 | | 460 | ContextNet (Google, 2020) | \~1.1 × 10⁸ | | 2020 | 추정 | | 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | 밀집형 | | 462 | DNABERT (Northeastern University, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | 구조가 밝혀지지 않음 | | 463 | Contriever (Meta AI, 2021) | \~1.1 × 10⁸ | | 2021 | 추정 | | 464 | BERT-RBP (Waseda University, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | 밀집형 | | 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | 구조가 밝혀지지 않음 | | 466 | LSTM LM (RWTH Aachen University, 2012) | \~1 × 10⁸ | | 2012 | 추정 | | 467 | ReLU-Speech (Google, 2013) | \~1 × 10⁸ | | 2013 | 추정 | | 468 | STORM-B/8 (University of Southern California, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | 구조가 밝혀지지 않음 | | 469 | Support Vector Machines (AT&T, 1995) | \~1 × 10⁸ | | 1995 | 추정 | | 470 | GPU DBNs (Stanford University, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | 밀집형 | | 471 | MSA Transformer (Facebook AI Research, 2021) | \~1 × 10⁸ | | 2021 | 추정 | | 472 | YOLOX-X (Megvii Inc, 2021) | \~9.9 × 10⁷ | | 2021 | 추정 | | 473 | DeLighT (University of Washington, 2020) | \~9.9 × 10⁷ | | 2020 | 추정 | | 474 | ELMo (University of Washington, 2018) | \~9.4 × 10⁷ | | 2018 | 추정 | | 475 | AlphaFold 2 (DeepMind, 2020) | \~9.3 × 10⁷ | | 2020 | 추정 | | 476 | AlphaMissense (Google DeepMind, 2023) | \~9.3 × 10⁷ | | 2023 | 추정 | | 477 | Octo-Base (University of California (UC) Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | 구조가 밝혀지지 않음 | | 478 | PolyNet (Chinese University of Hong Kong (CUHK), 2016) | \~9.2 × 10⁷ | | 2016 | 추정 | | 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | 구조가 밝혀지지 않음 | | 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | 밀집형 | | 481 | NASNet-A (Google Brain, 2017) | \~8.9 × 10⁷ | | 2017 | 추정 | | 482 | CLIP (OpenAI, 2021) | \~8.9 × 10⁷ | | 2021 | 추정 | | 483 | Detic (Meta AI, 2022) | \~8.8 × 10⁷ | | 2022 | 추정 | | 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | 밀집형 | | 485 | BigBiGAN (Google, 2019) | \~8.6 × 10⁷ | | 2019 | 추정 | | 486 | ViT-Base/32 (Google Brain, 2020) | \~8.6 × 10⁷ | | 2020 | 추정 | | 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | 구조가 밝혀지지 않음 | | 488 | CaLM (University of Oxford, 2022) | \~8.6 × 10⁷ | | 2022 | 추정 | | 489 | Tensor-Transformer (University of California (UC) Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | 밀집형 | | 490 | ResNeXt-101 (University of California San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | 밀집형 | | 491 | RBM Image Classifier (University of Toronto, 2009) | \~8 × 10⁷ | | 2009 | 추정 | | 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | 밀집형 | | 493 | Big-Little Net (IBM, 2018) | \~7.7 × 10⁷ | | 2018 | 추정 | | 494 | EfficientDet (Google Brain, 2020) | \~7.7 × 10⁷ | | 2020 | 추정 | | 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | 구조가 밝혀지지 않음 | | 496 | RNN LM (Johns Hopkins University, 2010) | \~7 × 10⁷ | | 2010 | 추정 | | 497 | R-CNN (University of California (UC) Berkeley, 2013) | \~6.9 × 10⁷ | | 2013 | 추정 | | 498 | Variational (University of Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | 밀집형 | | 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | 밀집형 | | 500 | Theseus 6/768 (University of California San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | 밀집형 | | 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | 밀집형 | | 502 | AlexNet (University of Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | 밀집형 | | 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | 밀집형 | | 504 | YOLOv3 (University of Washington, 2018) | \~5.7 × 10⁷ | | 2018 | 추정 | | 505 | Inception-ResNet-V2 (Google, 2016) | \~5.6 × 10⁷ | | 2016 | 추정 | | 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | 밀집형 | | 507 | 초파리 뇌 | 5.5 × 10⁷ | 5.5 × 10⁷ | | 시냅스 | | 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | 밀집형 | | 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | 밀집형 | | 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | 밀집형 | | 511 | Hierarchical Scene Labeling (New York University (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | 밀집형 | | 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | 밀집형 | | 513 | YOLOv2 (University of Washington, 2016) | \~5.1 × 10⁷ | | 2016 | 추정 | | 514 | Dropout-LSTM+Noise (Columbia University, 2018) | \~5.1 × 10⁷ | | 2018 | 추정 | | 515 | LSTM + dynamic eval (University of Edinburgh, 2017) | \~5 × 10⁷ | | 2017 | 추정 | | 516 | Dropout (University of Toronto, 2012) | \~4.9 × 10⁷ | | 2012 | 추정 | | 517 | Dropout: SVHN (University of Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | 밀집형 | | 518 | DistBelief Speech (Google, 2012) | \~4.7 × 10⁷ | | 2012 | 추정 | | 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | 밀집형 | | 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | 밀집형 | | 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | 밀집형 | | 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | 밀집형 | | 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | 밀집형 | | 524 | HR-ResNet101 (Carnegie Mellon University (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | 밀집형 | | 525 | 3DMM-CNN (University of Southern California, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | 밀집형 | | 526 | LaNet-L (Brown University, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | 밀집형 | | 527 | ProBERTa (University of Illinois Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | 밀집형 | | 528 | PreTrans-3L-250H (University of Toronto, 2013) | \~4.3 × 10⁷ | | 2013 | 추정 | | 529 | Inceptionv4 (Google, 2016) | \~4.3 × 10⁷ | | 2016 | 추정 | | 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Ben-Gurion University of the Negev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | 밀집형 | | 531 | U-Net (University of Freiburg, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | 밀집형 | | 532 | NASv3 (Google Brain, 2016) | \~3.7 × 10⁷ | | 2016 | 추정 | | 533 | MuZero (DeepMind, 2019) | \~3.7 × 10⁷ | | 2019 | 추정 | | 534 | AWD-LSTM-MoS + dynamic evaluation (Carnegie Mellon University (CMU), 2017) | \~3.5 × 10⁷ | | 2017 | 추정 | | 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | 밀집형 | | 536 | AWD-LSTM-MoS + dynamic evaluation (Peking University, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | 밀집형 | | 537 | AWD-LSTM + MoS + Partial Shuffled (University of Texas at Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | 밀집형 | | 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | 밀집형 | | 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | 구조가 밝혀지지 않음 | | 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | 구조가 밝혀지지 않음 | | 541 | DenseNet-264 (Tsinghua University, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | 밀집형 | | 542 | RetinaNet-R50 (Facebook AI Research, 2017) | \~3.4 × 10⁷ | | 2017 | 추정 | | 543 | Fraternal dropout + AWD-LSTM 3-layer (Jagiellonian University, 2017) | \~3.4 × 10⁷ | | 2017 | 추정 | | 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | \~3.4 × 10⁷ | | 2019 | 추정 | | 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | 밀집형 | | 546 | TCAN (Nanjing University, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | 밀집형 | | 547 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~3.2 × 10⁷ | | 2019 | 추정 | | 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | 밀집형 | | 549 | aLSTM (University of Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | 밀집형 | | 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | 밀집형 | | 551 | UDSMProt (Fraunhofer Heinrich Hertz Institute, 2019) | \~2.8 × 10⁷ | | 2019 | 추정 | | 552 | SENet (Chinese Academy of Sciences, 2017) | \~2.8 × 10⁷ | | 2017 | 추정 | | 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | 밀집형 | | 554 | Fractional Max-Pooling (University of Warwick, 2014) | \~2.7 × 10⁷ | | 2014 | 추정 | | 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | 구조가 밝혀지지 않음 | | 556 | RNN-WER (DeepMind, 2014) | \~2.6 × 10⁷ | | 2014 | 추정 | | 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | 밀집형 | | 558 | PyramidNet (Korea Advanced Institute of Science and Technology (KAIST), 2017) | \~2.6 × 10⁷ | | 2017 | 추정 | | 559 | ResNeXt-50 (University of California San Diego, 2016) | \~2.5 × 10⁷ | | 2016 | 추정 | | 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | 밀집형 | | 561 | Inception v3 (Google, 2015) | \~2.4 × 10⁷ | | 2015 | 추정 | | 562 | Mamba-24M (Carnegie Mellon University (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | 구조가 밝혀지지 않음 | | 563 | WeNet (Amazon, 2019) | \~2.3 × 10⁷ | | 2019 | 추정 | | 564 | EN^2AS with performance reward (Beijing Institute of Technology, 2019) | \~2.3 × 10⁷ | | 2019 | 추정 | | 565 | NAS+ESS (Northeastern University (China), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | 밀집형 | | 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | 밀집형 | | 567 | MetaMimic (Google, 2018) | \~2.2 × 10⁷ | | 2018 | 추정 | | 568 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | \~2.1 × 10⁷ | | 2019 | 추정 | | 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | 밀집형 | | 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | \~2 × 10⁷ | | 2022 | 추정 | | 571 | EI-REHN-1000D (Korea Advanced Institute of Science and Technology (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | 밀집형 | | 572 | TC-DNN-BLSTM-DNN (Carnegie Mellon University (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | 밀집형 | | 573 | OR-WideResNet (Duke University, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | 밀집형 | | 574 | BP-DBN (University of Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | 밀집형 | | 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | 밀집형 | | 576 | MedBERT (Peng Cheng Laboratory, 2021) | \~1.7 × 10⁷ | | 2021 | 추정 | | 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | 밀집형 | | 578 | LF-MMI (Johns Hopkins University, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | 밀집형 | | 579 | AlphaFold (DeepMind, 2020) | \~1.6 × 10⁷ | | 2020 | 추정 | | 580 | GNoME for crystal discovery (Google DeepMind, 2023) | \~1.6 × 10⁷ | | 2023 | 추정 | | 581 | ReLU (University of Toronto, 2010) | \~1.6 × 10⁷ | | 2010 | 추정 | | 582 | ProteinBERT (Hebrew University of Jerusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | 구조가 밝혀지지 않음 | | 583 | Eve (Harvard Medical School, 2021) | \~1.5 × 10⁷ | | 2021 | 추정 | | 584 | LCNP LabelMe (University of Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | 밀집형 | | 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | 밀집형 | | 586 | Fold2Seq (IBM, 2021) | \~1.2 × 10⁷ | | 2021 | 추정 | | 587 | NPLM (University of Montreal / Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | 밀집형 | | 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | 밀집형 | | 589 | ISS (Duke University, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | 밀집형 | | 590 | ResNet-1001 (Microsoft, 2016) | \~1 × 10⁷ | | 2016 | 추정 | | 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | \~9 × 10⁶ | | 2012 | 추정 | | 592 | Gated HORNN (York University, 2016) | \~9 × 10⁶ | | 2016 | 추정 | | 593 | AlphaGo Fan (DeepMind, 2015) | \~8.2 × 10⁶ | | 2015 | 추정 | | 594 | genCNN + dyn eval (Chinese Academy of Sciences, 2015) | \~8 × 10⁶ | | 2015 | 추정 | | 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | 밀집형 | | 596 | Multi-cell LSTM (University of Hyderabad, 2018) | \~7.2 × 10⁶ | | 2018 | 추정 | | 597 | Feedforward NN (University of Montreal / Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | 밀집형 | | 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | 밀집형 | | 599 | Neural LM (University of Montreal / Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | 밀집형 | | 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | 밀집형 | | 601 | HyenaDNA (Stanford University, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | 구조가 밝혀지지 않음 | | 602 | Dropout (University of Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | 밀집형 | | 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | 밀집형 | | 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | 밀집형 | | 605 | 3DDFA (Chinese Academy of Sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | 밀집형 | | 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | 밀집형 | | 607 | DCNN (University of Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | 밀집형 | | 608 | NLP from scratch (NEC Laboratories, 2011) | \~5 × 10⁶ | | 2011 | 추정 | | 609 | SPN-4+KN5 (Singapore University of Technology & Design, 2014) | \~5 × 10⁶ | | 2014 | 추정 | | 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | 구조가 밝혀지지 않음 | | 611 | High Performance CNN (IDSIA, 2011) | \~4.9 × 10⁶ | | 2011 | 추정 | | 612 | MobileNet (Google, 2017) | \~4.2 × 10⁶ | | 2017 | 추정 | | 613 | NPLM (University of Montreal / Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | 밀집형 | | 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | 밀집형 | | 615 | PoE MNIST (University College London (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | 밀집형 | | 616 | Dimensionality Reduction (University of Toronto, 2006) | \~3.8 × 10⁶ | | 2006 | 추정 | | 617 | GOAT (DeepMind, 2021) | \~3.5 × 10⁶ | | 2021 | 추정 | | 618 | MobileNetV2 (Google, 2018) | \~3.4 × 10⁶ | | 2018 | 추정 | | 619 | Big-Little Net (IBM, 2018) | \~3.3 × 10⁶ | | 2018 | 추정 | | 620 | DLWP (University of Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | 구조가 밝혀지지 않음 | | 621 | BIDAF (University of Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | 밀집형 | | 622 | DeepStack (University of Alberta, 2017) | \~2.5 × 10⁶ | | 2017 | 추정 | | 623 | KataGo (Jane Street, 2019) | \~2.5 × 10⁶ | | 2019 | 추정 | | 624 | ShuffleNet v1 (Megvii Inc, 2017) | \~2.4 × 10⁶ | | 2017 | 추정 | | 625 | ADAM (University of Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | 밀집형 | | 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | 구조가 밝혀지지 않음 | | 627 | LSTM+NeuralCache (KU Leuven, 2018) | \~2.1 × 10⁶ | | 2018 | 추정 | | 628 | HLBL (University of Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | 밀집형 | | 629 | ResNet-110 (Microsoft, 2015) | \~1.7 × 10⁶ | | 2015 | 추정 | | 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | 밀집형 | | 631 | DQN-2015 (Google, 2015) | \~1.7 × 10⁶ | | 2015 | 추정 | | 632 | Rational DQN Average (TU Darmstadt, 2021) | \~1.7 × 10⁶ | | 2021 | 추정 | | 633 | IBM-5 (IBM, 1993) | \~1.7 × 10⁶ | | 1993 | 추정 | | 634 | Deep Belief Nets (University of Toronto, 2006) | \~1.6 × 10⁶ | | 2006 | 추정 | | 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | 밀집형 | | 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | 구조가 밝혀지지 않음 | | 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | \~1.5 × 10⁶ | | 2008 | 추정 | | 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | 밀집형 | | 639 | CNN committee (IDSIA, 2011) | \~1.4 × 10⁶ | | 2011 | 추정 | | 640 | SqueezeNet (DeepScale, 2016) | \~1.2 × 10⁶ | | 2016 | 추정 | | 641 | Neocognitron (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | 밀집형 | | 642 | CURL (University of California (UC) Berkeley, 2020) | \~9.1 × 10⁵ | | 2020 | 추정 | | 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | 밀집형 | | 644 | EnhanceNet (Max Planck Institute for Intelligent Systems, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | 밀집형 | | 645 | Image generation (University of Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | 밀집형 | | 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | 밀집형 | | 647 | TA-CNN (Chinese University of Hong Kong (CUHK), 2014) | \~7.1 × 10⁵ | | 2014 | 추정 | | 648 | Robot Parkour (Shanghai Qi Zhi institute, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | 구조가 밝혀지지 않음 | | 649 | LISSOM (University of Texas at Austin, 1995) | \~4.3 × 10⁵ | | 1995 | 추정 | | 650 | SPIDER2 (Griffith University, 2016) | \~4.1 × 10⁵ | | 2016 | 추정 | | 651 | Mixture of linear models (, 1994) | \~3.8 × 10⁵ | | 1994 | 추정 | | 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | 밀집형 | | 653 | Pooling CNN (University of Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | 밀집형 | | 654 | Pooling CNN (University of Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | 밀집형 | | 655 | Two Stage Feature Extraction (New York University (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | 밀집형 | | 656 | Vector Space Model (Stanford University, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | 밀집형 | | 657 | HyperNEAT (University of Texas at Austin, 2014) | \~2.4 × 10⁵ | | 2014 | 추정 | | 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | 밀집형 | | 659 | Predictive Coding NN (Technical University of Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | 밀집형 | | 660 | Table Tennis Agent (Google DeepMind, 2024) | \~1.9 × 10⁵ | | 2024 | 추정 | | 661 | CNN Committee (IDSIA, 2011) | \~1.3 × 10⁵ | | 2011 | 추정 | | 662 | CNN Committee (IDSIA, 2011) | \~1.2 × 10⁵ | | 2011 | 추정 | | 663 | RECONTRA-uncategorized (, 1999) | \~1.1 × 10⁵ | | 1999 | 추정 | | 664 | BLSTM for handwriting (University of Bern, 2007) | \~1 × 10⁵ | | 2007 | 추정 | | 665 | SVM-CNN (New York University (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | 밀집형 | | 666 | Invariant CNN (New York University (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | 밀집형 | | 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | 밀집형 | | 668 | NeuroChess (, 1994) | \~7.2 × 10⁴ | | 1994 | 추정 | | 669 | RECONTRA-categorized (, 1999) | \~6.7 × 10⁴ | | 1999 | 추정 | | 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | 밀집형 | | 671 | Swift (Intel Labs, 2023) | \~5.7 × 10⁴ | | 2023 | 추정 | | 672 | TCN (Carnegie Mellon University (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | 밀집형 | | 673 | TRPO (University of California (UC) Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | 밀집형 | | 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | 밀집형 | | 675 | NETtalk reimplementation (Oregon State University, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | 밀집형 | | 676 | TD-Gammon (IBM, 1992) | \~2.5 × 10⁴ | | 1992 | 추정 | | 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | 밀집형 | | 678 | NetTalk (Princeton University, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | 밀집형 | | 679 | CFSS (SenseTime, 2015) | \~1.7 × 10⁴ | | 2015 | 추정 | | 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | 밀집형 | | 681 | AdaRNN (Beihang University, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | 밀집형 | | 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | \~1.3 × 10⁴ | | 1997 | 추정 | | 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | \~1.2 × 10⁴ | | 2001 | 추정 | | 684 | LSTM (Technical University of Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | 밀집형 | | 685 | MLN-ASR (McGill University, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | 밀집형 | | 686 | Hopfield network (California Institute of Technology, 1982) | \~9.9 × 10³ | | 1982 | 추정 | | 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | 밀집형 | | 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | \~9.3 × 10³ | | 1984 | 추정 | | 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | 밀집형 | | 690 | Deep Blue (IBM, 1997) | \~8 × 10³ | | 1997 | 추정 | | 691 | 선충 (C. elegans) | 7 × 10³ | 7 × 10³ | | 시냅스 | | 692 | System 11 (Carnegie Mellon University (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | 밀집형 | | 693 | ACF-WIDER (Chinese Academy of Sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | 밀집형 | | 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | 밀집형 | | 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | 밀집형 | | 696 | JPMAX (, 1994) | \~4.4 × 10³ | | 1994 | 추정 | | 697 | Kohonen network (Helsinki University of Technology, 1981) | \~4.1 × 10³ | | 1981 | 추정 | | 698 | Speaker-independent vowel classification (University of Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | 밀집형 | | 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | \~2.6 × 10³ | | 1959 | 추정 | | 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | 밀집형 | | 701 | Boosting (Bell Laboratories, 1992) | \~2.6 × 10³ | | 1992 | 추정 | | 702 | Decision tree adaline (Tokyo Medical and Dental University, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | 밀집형 | | 703 | LTE speaker verification system (IBM, 1966) | \~2.1 × 10³ | | 1966 | 추정 | | 704 | Ceramic-MLP (Sapienza Università di Roma, 1994) | \~1.9 × 10³ | | 1994 | 추정 | | 705 | SexNet classification (, 1990) | \~1.6 × 10³ | | 1990 | 추정 | | 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | 밀집형 | | 707 | Super-vector coding (University of Illinois Urbana-Champaign (UIUC), 2010) | \~1 × 10³ | | 2010 | 추정 | | 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | \~1 × 10³ | | 1957 | 추정 | | 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | \~1 × 10³ | | 1960 | 추정 | | 710 | Translation-invariant MLP (Carnegie Mellon University (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | 전문가 혼합 (활성 매개변수 수 비공개) | | 711 | Truck backer-upper (Stanford University, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | 밀집형 | | 712 | Siamese-TDNN (Bell Laboratories, 1993) | \~7.4 × 10² | | 1993 | 추정 | | 713 | MLP with back-propagation (University of California San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | 밀집형 | | 714 | Cancer drug mechanism prediction (National Cancer Institute, 1992) | \~5.9 × 10² | | 1992 | 추정 | | 715 | Distributed representation NN (Carnegie Mellon University (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | 밀집형 | | 716 | Piecewise linear model (University of Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | 밀집형 | | 717 | ASE+ACE (University of Massachusetts Amherst, 1983) | \~3.2 × 10² | | 1983 | 추정 | | 718 | LSTM with forget gates (IDSIA, 1999) | \~2.8 × 10² | | 1999 | 추정 | | 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | \~2.3 × 10² | | 1955 | 추정 | | 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | 밀집형 | | 721 | SNARC (Harvard University, 1952) | \~4 × 10¹ | | 1952 | 추정 | | 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | 밀집형 | | 723 | GNN (University of Siena, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | 밀집형 | | 724 | ADALINE (Stanford University, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | 밀집형 | | 725 | Samuel Neural Checkers (IBM, 1959) | \~1.6 × 10¹ | | 1959 | 추정 | ## 집단 이 차트들은 동물 사회, 종교, 국가, 정당, 기업을 두 가지 방식으로 순위를 매겨요. 하나는 구성원 수예요. 다른 하나는 뉴런 등가로, 집단의 지시가 이끄는 깨어 있는 시간의 비율을 구성원마다 가중해요. 종교의 계율, 법, 정당 규칙, 직무 기술서는 모두 같은 방식으로 세요. 모두 지시의 집합이라서 같은 규칙으로 재요. [방향성 있는 시간을 추정하는 방법](https://simulation-hypothesis.com/ko/entities/control). ## 동물 사회: 협력하는 집단 활동 속 뉴런 집단의 뉴런 집단 활동에서 전형적인 집단의 구성원 × 구성원 한 명의 피질 또는 외투의 뉴런(곤충은 전체 뇌), 로그 척도. 빗금 막대는 추정한 집단 크기나 근연종의 뉴런 수를 써요. 1. 침팬지 공동체▲1 7.4 × 10¹¹ 2. 가위개미 군집▼1 6.3 × 10¹¹ 3. 보노보 공동체▲2 4.4 × 10¹¹ 4. 하자족 야영지 (사람, 규모 비교용) 4.1 × 10¹¹ 5. 비그 범고래 무리▼2 2.6 × 10¹¹ 6. 정주형 범고래 모계 무리 2.4 × 10¹¹ 7. 개코원숭이 무리 8.6 × 10¹⁰ 8. 큰돌고래 동맹▲1 7.6 × 10¹⁰ 9. 향유고래 사회 단위▲1 6.4 × 10¹⁰ 10. 꿀벌 군집▼2 5.8 × 10¹⁰ 11. 코끼리 가족 5.6 × 10¹⁰ 12. 피뇬어치 무리 5.3 × 10¹⁰ 13. 점박이하이에나 무리 2.2 × 10¹⁰ 14. 아프리카들개 무리 7.2 × 10⁹ 15. 늑대 무리 4.2 × 10⁹ 16. 미어캣 무리 1.7 × 10⁹ 17. 벌거숭이두더지쥐 군집 4.1 × 10⁸ 10^8 10^9 10^10 10^11 10^12 neurons 숫자 보기 | # | 그룹 | 집단의 뉴런 | 집단 활동에서 | 구성원 | 지시 비율 | 울음소리 종류 | | -- | -------------------- | ---------- | ---------- | ------ | ----- | ------- | | 1 | 침팬지 공동체 | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — | | 2 | 가위개미 군집 | 6.3 × 10¹¹ | 5 × 10¹¹ | 250만 | 80% | — | | 3 | 보노보 공동체 | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — | | 4 | 하자족 야영지 (사람, 규모 비교용) | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — | | 5 | 비그 범고래 무리 | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — | | 6 | 정주형 범고래 모계 무리 | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 | | 7 | 개코원숭이 무리 | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 | | 8 | 큰돌고래 동맹 | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — | | 9 | 향유고래 사회 단위 | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — | | 10 | 꿀벌 군집 | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — | | 11 | 코끼리 가족 | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — | | 12 | 피뇬어치 무리 | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — | | 13 | 점박이하이에나 무리 | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 | | 14 | 아프리카들개 무리 | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 | | 15 | 늑대 무리 | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — | | 16 | 미어캣 무리 | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 | | 17 | 벌거숭이두더지쥐 군집 | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — | [그룹에 점수를 매기는 방법](https://simulation-hypothesis.com/ko/entities/control). ## 종교: 신자, 그리고 그 지시를 따르는 뉴런 구성원 그 지시를 따름 종교 전체 종파와 운동 신자 수, 로그 척도. 종파와 운동은 이를 포함하는 종교와 따로 보여 줘요. 채워진 막대는 집계치이고, 빗금 막대는 추정치예요. 1. 기독교▲1 22.69억 2. 이슬람교▼1 20.23억 3. 힌두교 11.78억 4. 민속 종교 4억 5. 불교 3.24억 6. 아프리카 전통 종교▲1 9873.4만 7. 신토▲1 8792.41만 8. 시크교▲1 2500만 9. 유대교▼3 1478만 10. 도교▲1 800만 11. 바하이교▲1 800만 12. 파룬궁▲1 700만 13. 자이나교▼3 445.18만 14. 심령주의 380만 15. 까오다이교 250만 16. 천리교 112.15만 17. 브라마 쿠마리스 100만 10^5 10^6 10^7 10^8 10^9 10^10 구성원 숫자 보기 | # | 종교 | 구성원 | 그 지시를 따름 | 지시 비율 | 주당 시간 | | -- | ---------- | -------- | ---------- | ----------- | ----- | | 1 | 기독교 | 22.69억 | 1.7 × 10¹⁸ | 0.88% | 0.9 h | | 2 | 이슬람교 | 20.23억 | 8.9 × 10¹⁸ | 5.1% | 5.4 h | | 3 | 힌두교 | 11.78억 | 1.6 × 10¹⁸ | 1.6% | 1.6 h | | 4 | 민속 종교 | 4억 | 2 × 10¹⁷ | 0.59% (대용값) | 0.6 h | | 5 | 불교 | 3.24억 | 7.5 × 10¹⁶ | 0.27% | 0.3 h | | 6 | 아프리카 전통 종교 | 9873.4만 | 5 × 10¹⁶ | 0.59% (대용값) | 0.6 h | | 7 | 신토 | 8792.41만 | 4.5 × 10¹⁶ | 0.59% (대용값) | 0.6 h | | 8 | 시크교 | 2500만 | 3.7 × 10¹⁶ | 1.7% | 1.8 h | | 9 | 유대교 | 1478만 | 5.3 × 10¹⁶ | 4.2% | 4.4 h | | 10 | 도교 | 800만 | 4.1 × 10¹⁵ | 0.59% (대용값) | 0.6 h | | 11 | 바하이교 | 800만 | 4.1 × 10¹⁵ | 0.59% (대용값) | 0.6 h | | 12 | 파룬궁 | 700만 | 3.6 × 10¹⁵ | 0.59% (대용값) | 0.6 h | | 13 | 자이나교 | 445.18만 | 1.8 × 10¹⁶ | 4.6% | 4.8 h | | 14 | 심령주의 | 380만 | 1.9 × 10¹⁵ | 0.59% (대용값) | 0.6 h | | 15 | 까오다이교 | 250만 | 1.3 × 10¹⁵ | 0.59% (대용값) | 0.6 h | | 16 | 천리교 | 112.15만 | 5.7 × 10¹⁴ | 0.59% (대용값) | 0.6 h | | 17 | 브라마 쿠마리스 | 100만 | 5.1 × 10¹⁴ | 0.59% (대용값) | 0.6 h | [모든 관행, 비중, 출처](https://simulation-hypothesis.com/ko/entities/control). ## 국가: 주민, 그리고 그 지시를 따르는 뉴런 주민 그 지시를 따름 전체 남아시아 동아시아·태평양 라틴아메리카·카리브해 북아메리카 사하라 이남 아프리카 유럽·중앙아시아 중동, 북아프리카, 아프가니스탄, 파키스탄 인구, 로그 척도. 채워진 막대는 집계치이고, 빗금 막대는 추정치예요. 1. 인도▲1 14.64억 2. 중국▼1 14.07억 3. 미국 3.42억 4. 인도네시아 2.86억 5. 파키스탄▲5 2.55억 6. 나이지리아▲1 2.38억 7. 브라질▼2 2.13억 8. 방글라데시▲5 1.76억 9. 러시아▼3 1.44억 10. 에티오피아▲7 1.35억 11. 멕시코▼2 1.32억 12. 일본▲11 1.23억 13. 이집트▼2 1.18억 14. 필리핀 1.17억 15. 콩고민주공화국▼3 1.13억 196개 모두 보기 10^4 10^6 10^8 10^10 주민 숫자 보기 | # | 국가 | 주민 | 그 지시를 따름 | 지시 비율 | 주당 시간 | | --- | ----------- | -------- | ---------- | ----- | ------ | | 1 | 인도 | 14.64억 | 2.5 × 10¹⁸ | 2% | 2.1 h | | 2 | 중국 | 14.07억 | 5 × 10¹⁸ | 4.1% | 4.3 h | | 3 | 미국 | 3.42억 | 1.6 × 10¹⁸ | 5.6% | 5.8 h | | 4 | 인도네시아 | 2.86억 | 1 × 10¹⁸ | 4.2% | 4.4 h | | 5 | 파키스탄 | 2.55억 | 5.7 × 10¹⁷ | 2.6% | 2.7 h | | 6 | 나이지리아 | 2.38억 | 6.6 × 10¹⁷ | 3.2% | 3.4 h | | 7 | 브라질 | 2.13억 | 8.7 × 10¹⁷ | 4.8% | 5 h | | 8 | 방글라데시 | 1.76억 | 4.6 × 10¹⁷ | 3% | 3.1 h | | 9 | 러시아 | 1.44억 | 7.5 × 10¹⁷ | 6.1% | 6.4 h | | 10 | 에티오피아 | 1.35억 | 3.9 × 10¹⁷ | 3.4% | 3.5 h | | 11 | 멕시코 | 1.32억 | 5.9 × 10¹⁷ | 5.2% | 5.5 h | | 12 | 일본 | 1.23억 | 2.8 × 10¹⁷ | 2.7% | 2.8 h | | 13 | 이집트 | 1.18억 | 5.5 × 10¹⁷ | 5.4% | 5.7 h | | 14 | 필리핀 | 1.17억 | 4.4 × 10¹⁷ | 4.4% | 4.6 h | | 15 | 콩고민주공화국 | 1.13억 | 4.7 × 10¹⁷ | 4.8% | 5.1 h | | 16 | 베트남 | 1.02억 | 4.2 × 10¹⁷ | 4.8% | 5 h | | 17 | 이란 | 9241.77만 | 3.5 × 10¹⁷ | 4.3% | 4.6 h | | 18 | 튀르키예 | 8587.86만 | 4.3 × 10¹⁷ | 5.8% | 6 h | | 19 | 독일 | 8349.12만 | 2.9 × 10¹⁷ | 4% | 4.2 h | | 20 | 태국 | 7161.99만 | 2.4 × 10¹⁷ | 3.9% | 4.1 h | | 21 | 탄자니아 | 7054.59만 | 2.2 × 10¹⁷ | 3.6% | 3.8 h | | 22 | 영국 | 6948.7만 | 2.8 × 10¹⁷ | 4.6% | 4.8 h | | 23 | 프랑스 | 6872.03만 | 3.1 × 10¹⁷ | 5.3% | 5.5 h | | 24 | 남아프리카공화국 | 6474.73만 | 2.9 × 10¹⁷ | 5.1% | 5.4 h | | 25 | 이탈리아 | 5891.57만 | 2.1 × 10¹⁷ | 4.2% | 4.4 h | | 26 | 케냐 | 5753.25만 | 2.3 × 10¹⁷ | 4.7% | 5 h | | 27 | 미얀마 | 5485.06만 | 1.9 × 10¹⁷ | 4% | 4.2 h | | 28 | 콜롬비아 | 5342.56만 | 1.7 × 10¹⁷ | 3.7% | 3.9 h | | 29 | 대한민국 | 5168.46만 | 1.4 × 10¹⁷ | 3% | 3.2 h | | 30 | 수단 | 5166.21만 | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 31 | 우간다 | 5138.49만 | 1.5 × 10¹⁷ | 3.4% | 3.6 h | | 32 | 스페인 | 4935.51만 | 1.8 × 10¹⁷ | 4.2% | 4.3 h | | 33 | 알제리 | 4743.53만 | 3.2 × 10¹⁷ | 7.9% | 8.3 h | | 34 | 이라크 | 4702.08만 | 1.1 × 10¹⁷ | 2.8% | 2.9 h | | 35 | 아르헨티나 | 4585.14만 | 1.7 × 10¹⁷ | 4.4% | 4.6 h | | 36 | 아프가니스탄 | 4384.41만 | 1.8 × 10¹⁷ | 4.8% | 5 h | | 37 | 예멘 | 4177.39만 | 1.3 × 10¹⁷ | 3.7% | 3.9 h | | 38 | 캐나다 | 4165.17만 | 2 × 10¹⁷ | 5.5% | 5.8 h | | 39 | 앙골라 | 3904만 | 1.4 × 10¹⁷ | 4.2% | 4.4 h | | 40 | 우크라이나 | 3898.04만 | 2.1 × 10¹⁷ | 6.2% | 6.5 h | | 41 | 모로코 | 3843.08만 | 1.5 × 10¹⁷ | 4.5% | 4.7 h | | 42 | 우즈베키스탄 | 3705.34만 | 2 × 10¹⁷ | 6.3% | 6.6 h | | 43 | 사우디아라비아 | 3697.36만 | 1.4 × 10¹⁷ | 4.3% | 4.6 h | | 44 | 폴란드 | 3643.59만 | 2.1 × 10¹⁷ | 6.7% | 7 h | | 45 | 말레이시아 | 3597.78만 | 1.8 × 10¹⁷ | 5.8% | 6.1 h | | 46 | 모잠비크 | 3563.17만 | 1.5 × 10¹⁷ | 4.8% | 5.1 h | | 47 | 가나 | 3506.43만 | 1.2 × 10¹⁷ | 3.9% | 4.1 h | | 48 | 페루 | 3457.67만 | 1.4 × 10¹⁷ | 4.8% | 5 h | | 49 | 마다가스카르 | 3274.07만 | 9.4 × 10¹⁶ | 3.3% | 3.5 h | | 50 | 코트디부아르 | 3271.15만 | 9.5 × 10¹⁶ | 3.4% | 3.5 h | | 51 | 카메룬 | 2987.93만 | 9.8 × 10¹⁶ | 3.8% | 4 h | | 52 | 네팔 | 2961.81만 | 1.1 × 10¹⁷ | 4.2% | 4.4 h | | 53 | 베네수엘라 | 2851.69만 | 1.5 × 10¹⁷ | 6.1% | 6.4 h | | 54 | 니제르 | 2791.78만 | 6.4 × 10¹⁶ | 2.6% | 2.8 h | | 55 | 호주 | 2761.44만 | 1.1 × 10¹⁷ | 4.7% | 5 h | | 56 | 북한 | 2657.1만 | 6.6 × 10¹⁷ | 29% | 30.1 h | | 57 | 시리아 | 2562.04만 | 9.8 × 10¹⁶ | 4.4% | 4.6 h | | 58 | 말리 | 2519.88만 | 4.9 × 10¹⁶ | 2.3% | 2.4 h | | 59 | 부르키나파소 | 2407.46만 | 5.7 × 10¹⁶ | 2.8% | 2.9 h | | 60 | 대만 | 2330.61만 | 1 × 10¹⁷ | 5% | 5.3 h | | 61 | 말라위 | 2221.61만 | 1 × 10¹⁷ | 5.4% | 5.6 h | | 62 | 잠비아 | 2191.39만 | 10 × 10¹⁶ | 5.3% | 5.5 h | | 63 | 스리랑카 | 2175.6만 | 1.1 × 10¹⁷ | 6% | 6.3 h | | 64 | 차드 | 2100.37만 | 4.9 × 10¹⁶ | 2.7% | 2.9 h | | 65 | 카자흐스탄 | 2084.38만 | 1.4 × 10¹⁷ | 7.6% | 7.9 h | | 66 | 칠레 | 1985.99만 | 6.2 × 10¹⁶ | 3.6% | 3.8 h | | 67 | 소말리아 | 1965.47만 | 1.5 × 10¹⁶ | 0.88% | 0.9 h | | 68 | 루마니아 | 1902.03만 | 7.5 × 10¹⁶ | 4.6% | 4.8 h | | 69 | 세네갈 | 1893.2만 | 5.9 × 10¹⁶ | 3.6% | 3.8 h | | 70 | 과테말라 | 1868.79만 | 6 × 10¹⁶ | 3.7% | 3.9 h | | 71 | 에콰도르 | 1828.99만 | 6.6 × 10¹⁶ | 4.2% | 4.4 h | | 72 | 네덜란드 | 1808.76만 | 7.6 × 10¹⁶ | 4.9% | 5.1 h | | 73 | 캄보디아 | 1784.8만 | 7.4 × 10¹⁶ | 4.8% | 5.1 h | | 74 | 짐바브웨 | 1695.08만 | 6.1 × 10¹⁶ | 4.2% | 4.4 h | | 75 | 기니 | 1509.97만 | 3.1 × 10¹⁶ | 2.4% | 2.5 h | | 76 | 베냉 | 1481.45만 | 4.4 × 10¹⁶ | 3.4% | 3.6 h | | 77 | 르완다 | 1456.93만 | 7 × 10¹⁶ | 5.6% | 5.8 h | | 78 | 부룬디 | 1439만 | 5.2 × 10¹⁶ | 4.2% | 4.4 h | | 79 | 볼리비아 | 1258.18만 | 5.8 × 10¹⁶ | 5.4% | 5.6 h | | 80 | 튀니지 | 1234.86만 | 6.4 × 10¹⁶ | 6% | 6.3 h | | 81 | 남수단 | 1218.88만 | 4.4 × 10¹⁶ | 4.2% | 4.4 h | | 82 | 벨기에 | 1194.18만 | 4.5 × 10¹⁶ | 4.3% | 4.5 h | | 83 | 아이티 | 1190.61만 | 1.9 × 10¹⁶ | 1.8% | 1.9 h | | 84 | 요르단 | 1152.07만 | 4.9 × 10¹⁶ | 5% | 5.2 h | | 85 | 도미니카 공화국 | 1152.05만 | 4.9 × 10¹⁶ | 4.9% | 5.2 h | | 86 | 아랍에미리트 | 1151.31만 | 3.1 × 10¹⁶ | 3.1% | 3.2 h | | 87 | 온두라스 | 1100.59만 | 3.2 × 10¹⁶ | 3.3% | 3.5 h | | 88 | 쿠바 | 1093.72만 | 1.6 × 10¹⁷ | 17% | 17.4 h | | 89 | 체코 | 1088.69만 | 5.8 × 10¹⁶ | 6.2% | 6.5 h | | 90 | 포르투갈 | 1080.49만 | 5.1 × 10¹⁶ | 5.5% | 5.7 h | | 91 | 타지키스탄 | 1078.67만 | 5.3 × 10¹⁶ | 5.7% | 6 h | | 92 | 파푸아뉴기니 | 1076.28만 | 4.3 × 10¹⁶ | 4.6% | 4.8 h | | 93 | 스웨덴 | 1059.66만 | 6.8 × 10¹⁶ | 7.5% | 7.8 h | | 94 | 그리스 | 1041.4만 | 4.9 × 10¹⁶ | 5.4% | 5.7 h | | 95 | 아제르바이잔 | 1024.7만 | 6.2 × 10¹⁶ | 7% | 7.4 h | | 96 | 이스라엘 | 1012.28만 | 6.4 × 10¹⁶ | 7.3% | 7.7 h | | 97 | 헝가리 | 951.43만 | 5.7 × 10¹⁶ | 6.9% | 7.3 h | | 98 | 오스트리아 | 920.82만 | 2.5 × 10¹⁶ | 3.2% | 3.4 h | | 99 | 스위스 | 909.24만 | 3.9 × 10¹⁶ | 5% | 5.3 h | | 100 | 벨라루스 | 908.6만 | 7.9 × 10¹⁶ | 10% | 10.6 h | | 101 | 시에라리온 | 881.98만 | 4.9 × 10¹⁶ | 6.5% | 6.8 h | | 102 | 토고 | 859.16만 | 3 × 10¹⁶ | 4% | 4.2 h | | 103 | 라오스 | 787.3만 | 3.2 × 10¹⁶ | 4.8% | 5 h | | 104 | 투르크메니스탄 | 761.88만 | 4.2 × 10¹⁶ | 6.5% | 6.8 h | | 105 | 리비아 | 745.86만 | 3.9 × 10¹⁶ | 6.1% | 6.4 h | | 106 | 키르기스스탄 | 734.31만 | 4.1 × 10¹⁶ | 6.5% | 6.8 h | | 107 | 파라과이 | 701.31만 | 2.9 × 10¹⁶ | 4.8% | 5.1 h | | 108 | 니카라과 | 700.75만 | 2.8 × 10¹⁶ | 4.6% | 4.8 h | | 109 | 세르비아 | 654.91만 | 4.1 × 10¹⁶ | 7.2% | 7.5 h | | 110 | 콩고 공화국 | 648.44만 | 1.7 × 10¹⁶ | 3% | 3.1 h | | 111 | 불가리아 | 643.33만 | 3.3 × 10¹⁶ | 5.9% | 6.2 h | | 112 | 엘살바도르 | 636.55만 | 3.2 × 10¹⁶ | 5.8% | 6.1 h | | 113 | 싱가포르 | 611.12만 | 1.9 × 10¹⁶ | 3.6% | 3.7 h | | 114 | 덴마크 | 600.92만 | 3.9 × 10¹⁶ | 7.6% | 8 h | | 115 | 레바논 | 584.94만 | 1.5 × 10¹⁶ | 3% | 3.1 h | | 116 | 라이베리아 | 573.12만 | 1.5 × 10¹⁶ | 3.1% | 3.3 h | | 117 | 핀란드 | 564.64만 | 3.2 × 10¹⁶ | 6.6% | 6.9 h | | 118 | 노르웨이 | 561.09만 | 3.7 × 10¹⁶ | 7.6% | 8 h | | 119 | 중앙아프리카공화국 | 551.33만 | 1.7 × 10¹⁶ | 3.5% | 3.7 h | | 120 | 오만 | 549.47만 | 2.9 × 10¹⁶ | 6.2% | 6.5 h | | 121 | 아일랜드 | 548.44만 | 3.4 × 10¹⁶ | 7.2% | 7.6 h | | 122 | 슬로바키아 | 541.38만 | 3.1 × 10¹⁶ | 6.7% | 7 h | | 123 | 팔레스타인 | 541.36만 | 2 × 10¹⁶ | 4.3% | 4.5 h | | 124 | 뉴질랜드 | 532.47만 | 2.7 × 10¹⁶ | 5.9% | 6.2 h | | 125 | 모리타니 | 531.51만 | 2 × 10¹⁶ | 4.3% | 4.5 h | | 126 | 코스타리카 | 515.3만 | 2.6 × 10¹⁶ | 5.9% | 6.2 h | | 127 | 쿠웨이트 | 486.53만 | 2.7 × 10¹⁶ | 6.5% | 6.8 h | | 128 | 파나마 | 457.12만 | 2.3 × 10¹⁶ | 5.9% | 6.2 h | | 129 | 조지아 | 393.58만 | 2.1 × 10¹⁶ | 6.1% | 6.4 h | | 130 | 크로아티아 | 387.62만 | 2.2 × 10¹⁶ | 6.7% | 7 h | | 131 | 에리트레아 | 360.7만 | 1.5 × 10¹⁶ | 5% | 5.2 h | | 132 | 몽골 | 356.9만 | 2.2 × 10¹⁶ | 7% | 7.3 h | | 133 | 우루과이 | 338.47만 | 1.7 × 10¹⁶ | 5.9% | 6.2 h | | 134 | 보스니아 헤르체고비나 | 314.01만 | 1.6 × 10¹⁶ | 5.9% | 6.2 h | | 135 | 나미비아 | 309.28만 | 1.8 × 10¹⁶ | 6.9% | 7.2 h | | 136 | 아르메니아 | 308.67만 | 1.7 × 10¹⁶ | 6.5% | 6.8 h | | 137 | 카타르 | 297.22만 | 9.6 × 10¹⁵ | 3.8% | 3.9 h | | 138 | 리투아니아 | 288.88만 | 1.8 × 10¹⁶ | 7.4% | 7.7 h | | 139 | 자메이카 | 283.71만 | 1.2 × 10¹⁶ | 5% | 5.2 h | | 140 | 감비아 | 282.21만 | 1.1 × 10¹⁶ | 4.5% | 4.7 h | | 141 | 가봉 | 259.31만 | 9.9 × 10¹⁵ | 4.4% | 4.6 h | | 142 | 보츠와나 | 256.21만 | 1.3 × 10¹⁶ | 5.7% | 6 h | | 143 | 레소토 | 236.33만 | 9.5 × 10¹⁵ | 4.7% | 4.9 h | | 144 | 몰도바 | 236.05만 | 1.5 × 10¹⁶ | 7.3% | 7.6 h | | 145 | 알바니아 | 234.96만 | 1.2 × 10¹⁶ | 5.7% | 6 h | | 146 | 기니비사우 | 224.95만 | 5.7 × 10¹⁵ | 2.9% | 3.1 h | | 147 | 슬로베니아 | 213.1만 | 1.2 × 10¹⁶ | 6.6% | 6.9 h | | 148 | 적도기니 | 193.84만 | 4 × 10¹⁵ | 2.4% | 2.5 h | | 149 | 라트비아 | 184.78만 | 1.2 × 10¹⁶ | 7.6% | 7.9 h | | 150 | 북마케도니아 | 182.09만 | 9.2 × 10¹⁵ | 5.9% | 6.2 h | | 151 | 바레인 | 160.04만 | 5.9 × 10¹⁵ | 4.3% | 4.5 h | | 152 | 코소보 | 157.69만 | 8 × 10¹⁵ | 5.9% | 6.2 h | | 153 | 동티모르 | 141.85만 | 8 × 10¹⁵ | 6.6% | 6.9 h | | 154 | 키프로스 | 137.08만 | 5.5 × 10¹⁵ | 4.7% | 4.9 h | | 155 | 트리니다드 토바고 | 136.78만 | 9.3 × 10¹⁵ | 7.9% | 8.2 h | | 156 | 에스토니아 | 136.65만 | 8.3 × 10¹⁵ | 7% | 7.4 h | | 157 | 에스와티니 | 125.62만 | 7.5 × 10¹⁵ | 6.9% | 7.2 h | | 158 | 모리셔스 | 124.37만 | 5.1 × 10¹⁵ | 4.8% | 5 h | | 159 | 지부티 | 118.41만 | 4.6 × 10¹⁵ | 4.5% | 4.8 h | | 160 | 피지 | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h | | 161 | 코모로 | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h | | 162 | 솔로몬 제도 | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h | | 163 | 가이아나 | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h | | 164 | 부탄 | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h | | 165 | 룩셈부르크 | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h | | 166 | 수리남 | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h | | 167 | 몬테네그로 | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h | | 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h | | 169 | 몰디브 | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h | | 170 | 카보베르데 | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h | | 171 | 브루나이 | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h | | 172 | 벨리즈 | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h | | 173 | 바하마 | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h | | 174 | 아이슬란드 | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h | | 175 | 바누아투 | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h | | 176 | 바베이도스 | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h | | 177 | 상투메 프린시페 | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h | | 178 | 사모아 | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h | | 179 | 세인트루시아 | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h | | 180 | 키리바시 | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h | | 181 | 세이셸 | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h | | 182 | 그레나다 | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h | | 183 | 미크로네시아 | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h | | 184 | 통가 | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h | | 185 | 세인트빈센트 그레나딘 | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h | | 186 | 앤티가 바부다 | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h | | 187 | 안도라 | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h | | 188 | 도미니카 연방 | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h | | 189 | 세인트키츠 네비스 | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h | | 190 | 리히텐슈타인 | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h | | 191 | 모나코 | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h | | 192 | 마셜 제도 | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h | | 193 | 산마리노 | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h | | 194 | 팔라우 | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h | | 195 | 나우루 | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h | | 196 | 투발루 | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h | [무엇을 세고, 무엇을 세지 않는가](https://simulation-hypothesis.com/ko/entities/control). ## 정당: 당원, 그리고 그 지시를 따르는 뉴런 구성원 그 지시를 따름 정당이 보고하는 당원 수, 로그 척도. 채워진 막대는 집계치이고, 빗금 막대는 추정치나 주장이에요. 1. 인도국민당(인도)▲1 1.4억 2. 중국공산당▼1 1.01억 3. 민주당(미국)▲13 4490만 4. 공화당(미국)▲16 3800만 5. 인도 국민회의▼2 2600만 6. AIADMK (인도)▼2 2004.44만 7. DMK(인도)▼2 2000만 8. 번영당(에티오피아)▼1 1570만 9. TVK(인도)▼1 1500만 10. 혁명당(탄자니아, Chama Cha Mapinduzi)▼1 1300.07만 11. 전진회의(나이지리아, All Progressives Congress)▼1 1290만 12. 정의개발당 (튀르키예)▼1 1170.99만 13. 모레나(멕시코)▼1 1162.95만 14. 텔루구데삼당(인도)▼1 1005.26만 15. 캄보디아 인민당▼1 700만 59개 모두 보기 10^4 10^5 10^6 10^7 10^8 10^9 구성원 숫자 보기 | # | 정당 | 구성원 | 그 지시를 따름 | 지시 비율 | 주당 시간 | | -- | -------------------------------------- | -------- | ---------- | ----------- | ----- | | 1 | 인도국민당(인도) | 1.4억 | 6.3 × 10¹⁶ | 0.52% (대용값) | 0.6 h | | 2 | 중국공산당 | 1.01억 | 8.2 × 10¹⁶ | 0.94% | 1 h | | 3 | 민주당(미국) | 4490만 | 2.3 × 10¹⁵ | 0.06% | 0.1 h | | 4 | 공화당(미국) | 3800만 | 2 × 10¹⁵ | 0.06% | 0.1 h | | 5 | 인도 국민회의 | 2600만 | 1.2 × 10¹⁶ | 0.52% (대용값) | 0.6 h | | 6 | AIADMK (인도) | 2004.44만 | 9 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 7 | DMK(인도) | 2000만 | 9 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 8 | 번영당(에티오피아) | 1570만 | 7 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 9 | TVK(인도) | 1500만 | 6.7 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 10 | 혁명당(탄자니아, Chama Cha Mapinduzi) | 1300.07만 | 5.8 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 11 | 전진회의(나이지리아, All Progressives Congress) | 1290만 | 5.8 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 12 | 정의개발당 (튀르키예) | 1170.99만 | 5.2 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 13 | 모레나(멕시코) | 1162.95만 | 5.2 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 14 | 텔루구데삼당(인도) | 1005.26만 | 4.5 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 15 | 캄보디아 인민당 | 700만 | 3.1 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 16 | 조선노동당 | 617.5만 | 7.6 × 10¹⁵ | 1.4% | 1.5 h | | 17 | FRELIMO(모잠비크) | 600만 | 2.7 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 18 | 베트남 공산당 | 560만 | 2.1 × 10¹⁵ | 0.44% | 0.5 h | | 19 | 더불어민주당 | 499.58만 | 2.2 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 20 | 국민의힘 | 443.98만 | 2 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 21 | PSUV(베네수엘라) | 424만 | 1.9 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 22 | ZANU-PF(짐바브웨) | 405.84만 | 1.8 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 23 | UMNO(말레이시아) | 325.15만 | 1.5 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 24 | 정의당(아르헨티나, Justicialist Party) | 310.23만 | 1.4 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 25 | 콜로라도당(파라과이) | 300만 | 1.3 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 26 | 통합러시아당 | 260만 | 1.2 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 27 | UzLiDeP(우즈베키스탄) | 230.76만 | 1 × 10¹⁵ | 0.52% (대용값) | 0.6 h | | 28 | PLD(도미니카 공화국) | 217.7만 | 9.7 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 29 | MDB(브라질) | 201.85만 | 9 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 30 | CHP(튀르키예) | 188만 | 8.4 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 31 | 급진시민연합(아르헨티나) | 179.37만 | 8 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 32 | 노동자당, PT(브라질) | 166.57만 | 7.5 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 33 | PRM(도미니카 공화국) | 155.17만 | 6.9 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 34 | 진정급진자유당(파라과이) | 154.8만 | 6.9 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 35 | 필리핀 연방당 | 150만 | 6.7 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 36 | PAS(말레이시아) | 130만 | 5.8 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 37 | PRD(브라질) | 129.25만 | 5.8 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 38 | 진보당(브라질, Progressistas) | 128.57만 | 5.8 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 39 | PSDB(브라질) | 126.1만 | 5.6 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 40 | PKR(말레이시아) | 115.32만 | 5.2 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 41 | 경제자유전사(남아프리카공화국) | 108.58만 | 4.9 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 42 | PDT(브라질) | 107.33만 | 4.8 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 43 | União Brasil | 106.7만 | 4.8 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 44 | CPI(M)(인도) | 101.9만 | 4.6 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 45 | 자유민주당(일본) | 100.33만 | 4.5 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 46 | FLN(알제리) | 100만 | 4.5 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 47 | 자유당, PL(브라질) | 952,881 | 4.3 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 48 | 쿠바 공산당 | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h | | 49 | 아프리카 민족회의 | 688,454 | 3.1 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 50 | 캐나다 보수당 | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h | | 51 | CDU(독일) | 364,202 | 1.6 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 52 | SPD(독일) | 357,116 | 1.6 × 10¹⁴ | 0.52% (대용값) | 0.6 h | | 53 | 노동당(영국) | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h | | 54 | 캐나다 자유당 | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h | | 55 | 녹색당(독일) | 155,296 | 7 × 10¹³ | 0.52% (대용값) | 0.6 h | | 56 | CSU(독일) | 125,153 | 5.6 × 10¹³ | 0.52% (대용값) | 0.6 h | | 57 | 보수당(영국) | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h | | 58 | 신민주당(캐나다) | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h | | 59 | 독일을 위한 대안(독일) | 51,335 | 2.3 × 10¹³ | 0.52% (대용값) | 0.6 h | [회의, 설문, 출처](https://simulation-hypothesis.com/ko/entities/control). ## 기업: 직원, 그리고 그 지시를 따르는 뉴런 직원 그 지시를 따름 가장 최근 연차 보고서나 명단의 직원 수, 선형 척도. 1. Walmart 210만 2. Amazon▲1 157.6만 3. State Grid▼1 136.14만 4. 중국석유천연가스집단 102.63만 5. JD.com 951,420 6. BYD▲1 869,622 7. Accenture▼1 779,000 8. Allied Universal▲3 770,000 9. 중국우정그룹▼1 719,448 10. 러시아 철도 (RZD)▲2 677,363 11. Volkswagen Group▲6 662,942 12. Foxconn (Hon Hai)▼2 633,167 13. Schwarz Group▲16 604,000 14. Compass Group▲18 590,000 15. Tata Consultancy Services▼6 584,510 71개 모두 보기 0 0.5M 1M 1.5M 2M 2.5M employees 숫자 보기 | # | 기업 | 직원 | 그 지시를 따름 | 주당 시간 | 지시 비율 | | -- | ------------------------------------ | ------- | ---------- | --------------- | ----- | | 1 | Walmart | 210만 | 6.3 × 10¹⁶ | 36.3 h (미국) | 35% | | 2 | Amazon | 157.6만 | 4.7 × 10¹⁶ | 36.3 h (미국) | 35% | | 3 | State Grid | 136.14만 | 5.5 × 10¹⁶ | 49 h (중국) | 47% | | 4 | 중국석유천연가스집단 | 102.63만 | 4.1 × 10¹⁶ | 49 h (중국) | 47% | | 5 | JD.com | 951,420 | 3.8 × 10¹⁶ | 49 h (중국) | 47% | | 6 | BYD | 869,622 | 3.5 × 10¹⁶ | 49 h (중국) | 47% | | 7 | Accenture | 779,000 | 3.7 × 10¹⁶ | 57.58 h (인도) | 55% | | 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (미국) | 35% | | 9 | 중국우정그룹 | 719,448 | 2.9 × 10¹⁶ | 49 h (중국) | 47% | | 10 | 러시아 철도 (RZD) | 677,363 | 2.2 × 10¹⁶ | 39.96 h (러시아) | 38% | | 11 | Volkswagen Group | 662,942 | 2 × 10¹⁶ | 35.95 h (독일) | 34% | | 12 | Foxconn (Hon Hai) | 633,167 | 2.5 × 10¹⁶ | 49 h (중국) | 47% | | 13 | Schwarz Group | 604,000 | 1.6 × 10¹⁶ | 31.49 h (독일) | 30% | | 14 | Compass Group | 590,000 | 1.5 × 10¹⁶ | 31.7 h (미국) | 30% | | 15 | Tata Consultancy Services | 584,510 | 2.8 × 10¹⁶ | 58.23 h (인도) | 56% | | 16 | DHL Group | 583,998 | 1.7 × 10¹⁶ | 35.81 h (독일) | 34% | | 17 | Sinopec | 513,434 | 2.1 × 10¹⁶ | 49 h (중국) | 47% | | 18 | Gazprom | 501,000 | 1.7 × 10¹⁶ | 40.47 h (러시아) | 39% | | 19 | FedEx | 474,200 | 1.6 × 10¹⁶ | 39.98 h (미국) | 38% | | 20 | Home Depot | 470,000 | 1.4 × 10¹⁶ | 36.3 h (미국) | 35% | | 21 | 차이나모바일 | 468,496 | 1.9 × 10¹⁶ | 49 h (중국) | 47% | | 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (미국) | 38% | | 23 | 중국농업은행 | 457,835 | 1.8 × 10¹⁶ | 49 h (중국) | 47% | | 24 | Concentrix | 455,000 | 1.7 × 10¹⁶ | 46.71 h (필리핀) | 45% | | 25 | Teleperformance | 446,716 | 2.2 × 10¹⁶ | 58.89 h (인도) | 56% | | 26 | Jardine Matheson | 443,000 | 1.5 × 10¹⁶ | 41.93 h (인도네시아) | 40% | | 27 | Sodexo | 426,464 | 1.1 × 10¹⁶ | 31.7 h (미국) | 30% | | 28 | Capgemini | 423,400 | 2 × 10¹⁶ | 58.23 h (인도) | 56% | | 29 | Reliance Industries | 419,911 | 2.1 × 10¹⁶ | 59.57 h (인도) | 57% | | 30 | Edeka | 417,500 | 1.1 × 10¹⁶ | 31.49 h (독일) | 30% | | 31 | Luxshare Precision | 416,197 | 1.7 × 10¹⁶ | 49 h (중국) | 47% | | 32 | Target | 415,000 | 1.2 × 10¹⁶ | 36.3 h (미국) | 35% | | 33 | Marriott International | 414,000 | 1.1 × 10¹⁶ | 31.7 h (미국) | 30% | | 34 | Bosch | 412,400 | 1.2 × 10¹⁶ | 35.95 h (독일) | 34% | | 35 | ICBC | 409,758 | 1.6 × 10¹⁶ | 49 h (중국) | 47% | | 36 | Kroger | 403,000 | 1.2 × 10¹⁶ | 36.3 h (미국) | 35% | | 37 | China Resources | 397,398 | 1.6 × 10¹⁶ | 49 h (중국) | 47% | | 38 | Magnit | 394,000 | 1.3 × 10¹⁶ | 39.69 h (러시아) | 38% | | 39 | Toyota | 390,927 | 1.3 × 10¹⁶ | 39.6 h (일본) | 38% | | 40 | UnitedHealth Group | 390,000 | 1.2 × 10¹⁶ | 36.87 h (미국) | 35% | | 41 | X5 Group | 389,000 | 1.3 × 10¹⁶ | 39.69 h (러시아) | 38% | | 42 | Berkshire Hathaway | 387,800 | 1.2 × 10¹⁶ | 37.75 h (미국) | 36% | | 43 | AVIC | 384,000 | 1.5 × 10¹⁶ | 49 h (중국) | 47% | | 44 | Ahold Delhaize | 384,000 | 1.1 × 10¹⁶ | 36.3 h (미국) | 35% | | 45 | 차이나텔레콤 | 381,436 | 1.5 × 10¹⁶ | 49 h (중국) | 47% | | 46 | Starbucks | 381,000 | 9.9 × 10¹⁵ | 31.7 h (미국) | 30% | | 47 | Rewe Group | 380,000 | 9.8 × 10¹⁵ | 31.49 h (독일) | 30% | | 48 | 중국건설은행 | 378,344 | 1.5 × 10¹⁶ | 49 h (중국) | 47% | | 49 | TJX Companies | 377,000 | 1.1 × 10¹⁶ | 36.3 h (미국) | 35% | | 50 | 중국건축공정 | 370,272 | 1.5 × 10¹⁶ | 49 h (중국) | 47% | | 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (멕시코) | 45% | | 52 | Japan Post Holdings | 360,000 | 1.2 × 10¹⁶ | 41.6 h (일본) | 40% | | 53 | Tesco | 354,744 | 9.3 × 10¹⁵ | 31.81 h (영국) | 30% | | 54 | Cognizant | 351,600 | 1.7 × 10¹⁶ | 58.23 h (인도) | 56% | | 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (일본) | 38% | | 56 | Costco | 341,000 | 1 × 10¹⁶ | 36.3 h (미국) | 35% | | 57 | Infosys | 328,594 | 1.6 × 10¹⁶ | 58.23 h (인도) | 56% | | 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (인도) | 56% | | 59 | Securitas | 322,000 | 9.7 × 10¹⁵ | 36.52 h (미국) | 35% | | 60 | HCA Healthcare | 320,000 | 9.7 × 10¹⁵ | 36.87 h (미국) | 35% | | 61 | Rosneft | 320,000 | 1.1 × 10¹⁶ | 40.47 h (러시아) | 39% | | 62 | JPMorgan Chase | 318,512 | 1.1 × 10¹⁶ | 40.14 h (미국) | 38% | | 63 | Siemens | 318,000 | 9.4 × 10¹⁵ | 35.95 h (독일) | 34% | | 64 | 중국은행 | 313,746 | 1.3 × 10¹⁶ | 49 h (중국) | 47% | | 65 | Walgreens Boots Alliance | 312,000 | 9.3 × 10¹⁵ | 36.3 h (미국) | 35% | | 66 | PepsiCo | 306,000 | 1 × 10¹⁶ | 40.7 h (미국) | 39% | | 67 | 중국철도건설 (CRCC) | 304,927 | 1.2 × 10¹⁶ | 49 h (중국) | 47% | | 68 | CHN Energy (China Energy Investment) | 303,418 | 1.2 × 10¹⁶ | 49 h (중국) | 47% | | 69 | 중국철도그룹 (CREC) | 302,527 | 1.2 × 10¹⁶ | 49 h (중국) | 47% | | 70 | CK Hutchison | 300,000 | 8.6 × 10¹⁵ | 35.08 h (영국) | 33% | | 71 | CVS Health | 300,000 | 8.9 × 10¹⁵ | 36.3 h (미국) | 35% | [시간과 출처](https://simulation-hypothesis.com/ko/entities/control). ## 동물과 그 밖의 생물 뉴런이 없는 단일 세포부터 사람의 뇌까지. 뉴런 수는 있는 곳에서는 측정한 값이에요. ### 뉴런 없음 * [Escherichia coli](https://simulation-hypothesis.com/ko/entities/ecoli)Escherichia coli 0 실측 뉴런이 없는 단일 세포. 먹이 쪽으로 방향을 잡고, 몇 초 동안 이어지는 화학적 기억이 있어요. * [점균류](https://simulation-hypothesis.com/ko/entities/physarum)Physarum polycephalum 0 실측 뉴런이 없는 하나의 거대한 세포. 미로를 풀고 효율적인 수송망을 키워요. * [미모사](https://simulation-hypothesis.com/ko/entities/mimosa)Mimosa pudica 0 실측 건드리면 잎이 접히는 식물. 한 연구는 이 식물이 해롭지 않은 접촉을 무시하도록 학습한다고 보고했어요. 나중의 재분석은 이를 반박했어요. * [해면](https://simulation-hypothesis.com/ko/entities/sponge)Porifera (e.g. Amphimedon queenslandica) 0 실측 뉴런도 시냅스도 없는데 몸 전체를 조율된 방식으로 수축하는 동물. ### 신경망, 뇌 없음 * [히드라](https://simulation-hypothesis.com/ko/entities/hydra)Hydra vulgaris 약 3,000\~5,000 추정 작은 민물 자포동물. 퍼져 있는 신경망이 제어하고 뇌는 없어요. * [상자해파리](https://simulation-hypothesis.com/ko/entities/jellyfish)Tripedalia cystophora 발표된 개수 없음 상자해파리는 중추 뇌가 없는데도 연합 학습을 보였어요. ### 뇌가 있는 무척추동물 * [선충](https://simulation-hypothesis.com/ko/entities/celegans)Caenorhabditis elegans 302 실측 길이가 1밀리미터쯤이고 뉴런이 정확히 302개인 벌레. 동물 중 최초로 완전한 배선도가 그려졌어요. * [초파리](https://simulation-hypothesis.com/ko/entities/drosophila)Drosophila melanogaster 139,255 실측 지금까지 그려진 가장 큰 완전한 뇌 배선도로, 뉴런 약 139,000개를 다뤄요. * [꿀벌](https://simulation-hypothesis.com/ko/entities/honeybee)Apis mellifera 약 100만 추정 뉴런 약 100만 개로, 꿀벌은 같음과 다름 같은 추상적 개념을 배울 수 있어요. * [개미 (Camponotus / Formica)](https://simulation-hypothesis.com/ko/entities/ant)Camponotus spp. 발표된 개수 없음 걸음 수를 세고(경로 적분) 랜드마크를 기억해서 장거리 길 찾기를 하는 작은 뇌. * [포르티아 깡충거미](https://simulation-hypothesis.com/ko/entities/portia)Portia fimbriata / labiata 발표된 개수 없음 우회로를 계획하는 깡충거미. 먹이에서 멀어지고 시야에서 사라지는 경로를 택해요. * [해안게 / 가재](https://simulation-hypothesis.com/ko/entities/decapod)Carcinus maenas; Procambarus / Astacus spp. 발표된 개수 없음 게와 가재. 2021년 정부 검토는 진짜 게가 감각이 있다는 강력한 증거를 찾았어요. * [왜문어](https://simulation-hypothesis.com/ko/entities/octopus)Octopus vulgaris 5억 추정 뉴런 대부분이 팔에 있어요. 2021년 검토는 감각이 있다는 매우 강력한 증거를 찾았어요. ### 어류와 양서류 * [제브라피시](https://simulation-hypothesis.com/ko/entities/zebrafish)Danio rerio 발표된 개수 없음 신경과학에서 널리 쓰는 작은 물고기. 뉴런은 완전히 세어지지 않았어요. 성체의 뇌에는 세포가 약 1000만 개 있어요. * [청줄청소놀래기](https://simulation-hypothesis.com/ko/entities/wrasse)Labroides dimidiatus 발표된 개수 없음 거울 표시 시험의 한 형태를 통과한 산호초 물고기. 이것이 무엇을 보여 주는지는 의견이 갈려요. * [개구리](https://simulation-hypothesis.com/ko/entities/frog)Anura (e.g. Xenopus / Rana) 발표된 개수 없음 2024년 뉴욕 선언은 양서류에 의식적 경험이 있을 현실적 가능성이 있다고 말해요. ### 조류 * [집비둘기](https://simulation-hypothesis.com/ko/entities/pigeon)Columba livia 3억 1000만 실측 작은 뇌에 수억 개의 뉴런. 비둘기는 복잡한 이미지를 범주로 분류할 수 있어요. * [큰까마귀](https://simulation-hypothesis.com/ko/entities/raven)Corvus corax 21억 7000만 실측 20억 개가 넘는 뉴런이 빽빽이 들어차 있어요. 까마귀는 개별 경쟁자를 기억해요. * [뉴칼레도니아까마귀](https://simulation-hypothesis.com/ko/entities/nccrow)Corvus moneduloides 발표된 개수 없음 잔가지와 철사로 갈고리 도구를 만들어요. 뉴런은 세어지지 않았어요. * [회색앵무](https://simulation-hypothesis.com/ko/entities/greyparrot)Psittacus erithacus 15억 7000만 실측 뉴런 약 16억 개. 수 감각과 범주화를 수십 년간 실험실에서 연구했어요. ### Mammals * [생쥐](https://simulation-hypothesis.com/ko/entities/mouse)Mus musculus 7090만 실측 뉴런 약 7100만 개. 생쥐는 측정할 수 있는 통증의 표정을 보여요. * [쥐](https://simulation-hypothesis.com/ko/entities/rat)Rattus norvegicus 2억 실측 뉴런 약 2억 개. 쥐는 갇힌 동료를 풀어 줘요. * [집고양이](https://simulation-hypothesis.com/ko/entities/cat)Felis catus 12억 2000만 실측 대뇌피질에 뉴런 약 2억 5000만 개. * [개](https://simulation-hypothesis.com/ko/entities/dog)Canis familiaris 개에 따라 18억\~26억 실측 개에 따라 피질 뉴런이 최대 약 6억 개. 고양이보다 많아요. * [집돼지](https://simulation-hypothesis.com/ko/entities/pig)Sus scrofa domesticus 22억 2000만 실측 돼지는 거울이 보여 주는 것을 배워서 먹이를 찾는 데 써요. * [큰돌고래](https://simulation-hypothesis.com/ko/entities/dolphin)Tursiops truncatus 발표된 개수 없음 거울 자기 인식 시험을 통과해요. 큰돌고래의 측정된 뉴런 수는 없어요. * [아프리카코끼리](https://simulation-hypothesis.com/ko/entities/elephant)Loxodonta africana 2570억 실측 뉴런 2570억 개로 사람의 세 배이고, 거의 전부 소뇌에 있어요. * [침팬지](https://simulation-hypothesis.com/ko/entities/chimp)Pan troglodytes 약 280억 (규모 법칙으로 예측한 값이고, 세지 않았어요) 추정 가장 가까운 현존 친척 둘 중 하나예요(다른 하나는 보노보). 거울 시험을 통과해요. * [인간](https://simulation-hypothesis.com/ko/entities/human)Homo sapiens 861억 실측 뉴런 860억 개, 그중 160억 개가 대뇌피질에 있어요. 구성원이 자기 경험을 말로 보고할 수 있는 유일한 종이에요. ## 집단 시스템 구성원 누구도 혼자서는 내리지 못하는 결정을 내리는 집단. 마음이 아니라 집단 지성으로 연구돼요. * [개미 군집](https://simulation-hypothesis.com/ko/entities/c-ants)군집이 더 나은 둥지를 고르는 건 개미 하나하나가 정족수 문턱을 따르기 때문이에요. 어떤 개미도 장소를 전체적으로 비교하지 않아요. * [꿀벌 분봉](https://simulation-hypothesis.com/ko/entities/c-bees)분봉 무리는 정찰벌 사이의 경쟁과 정족수를 거쳐 가장 좋은 공동을 골라요. 정지 신호가 상호 억제를 일으켜 교착을 풀어요. * [찌르레기 떼](https://simulation-hypothesis.com/ko/entities/c-starlings)새 한 마리는 일정 거리 안의 모든 새가 아니라 정해진 수의 이웃(약 6\~7마리)을 따라가요. 이를 거리 기반이 아니라 위상적 상호작용이라고 불러요. * [물고기 떼](https://simulation-hypothesis.com/ko/entities/c-fish)물고기 떼는 정족수 규칙으로 결정해요. 큰 집단은 물고기 한 마리가 감지할 수 없는 환경 기울기를 감지할 수 있어요. ## 인공 시스템 작동 방식에 따라 분류한 기계 지능의 종류. 현재의 어떤 시스템도 의식의 유력한 후보로 여겨지지 않아요. * [규칙 기반 전문가 시스템](https://simulation-hypothesis.com/ko/entities/ai-expert)분야 전문가의 지식을 명시적인 if-then 규칙으로 부호화한 프로그램. 추론 엔진이 규칙을 차례로 적용해 결론에 이르고, 보통 추론에 대한 설명도 내놓아요. * [게임 트리 탐색 엔진 (체스)](https://simulation-hypothesis.com/ko/entities/ai-chess)가능한 수의 연속을 정해진 깊이까지 열거하고, 사람이 만든 평가 함수로 나온 국면에 점수를 매기는 프로그램. 선택을 바꿀 수 없는 가지는 쳐내요(알파-베타 가지치기를 쓴 미니맥스). * [심층 강화 학습 에이전트](https://simulation-hypothesis.com/ko/entities/ai-drl)보상 신호를 극대화하도록 시행착오로 훈련한 신경망. 환경, 흔히 게임 같은 시뮬레이션된 환경과 상호작용하며 정책이나 가치 함수를 배워요. * [대규모 언어 모델](https://simulation-hypothesis.com/ko/entities/ai-llm)매우 큰 텍스트 말뭉치에서 다음 토큰을 예측하도록 훈련한 트랜스포머 신경망으로, 이후 사람의 피드백으로 조정하는 경우가 많아요. * [몸을 가진 로봇](https://simulation-hypothesis.com/ko/entities/ai-robots)센서와 액추에이터를 갖추고 물리적 세계에서 행동하는 기계. 중앙의 세계 모델 대신 층을 이룬 반응형 제어를 쓰는 경우가 많아서, 행동은 몸과 환경 사이의 순환에서 나타나요. * [뉴로모픽 하드웨어](https://simulation-hypothesis.com/ko/entities/ai-neuromorphic)회로가 스파이킹 뉴런과 시냅스를 흉내 내는 칩. 기존의 프로세서와 메모리 구조와 달리 이벤트 기반으로 돌아가고 전력을 적게 써요. ## 가상의 마음 과학 및 철학 문헌에서 제안된 마음. 실제로 관찰한 사람은 없어요. * [전뇌 에뮬레이션](https://simulation-hypothesis.com/ko/entities/h-wbe)미관측 뇌를 아주 세밀하게 스캔해서 그 소프트웨어 모델을 돌리는 것. * [조상 시뮬레이션 속의 시뮬레이션된 마음](https://simulation-hypothesis.com/ko/entities/h-ancestor)미관측 보스트롬의 트릴레마: 포스트휴먼 단계에 이르는 문명이 거의 없거나, 조상 시뮬레이션을 돌리는 문명이 거의 없거나, 우리가 거의 확실히 그 안에 살고 있어요. * [볼츠만 뇌](https://simulation-hypothesis.com/ko/entities/h-boltzmann)미관측 드문 열적 요동이나 양자 요동에서 나타나는 뇌 같은 관찰자. * [점진적 대체를 통한 마음 업로드](https://simulation-hypothesis.com/ko/entities/h-uploading)미관측 뉴런을 하나씩 기능이 같은 인공 부품으로 바꾸는 것. * [초지능](https://simulation-hypothesis.com/ko/entities/h-superintelligence)미관측 인간의 성능을 거의 모든 영역에서 크게 뛰어넘는 가상의 지성. 보스트롬의 책은 거기에 이르는 경로(전뇌 에뮬레이션, 생물학적 인지, AI)와 그 형태, 통제 문제를 분석해요. 데이터 버전 2.0.0\. [내려받기(JSON)](https://simulation-hypothesis.com/entities/minds.json).