Continuous Learning_Startup & Investment
10대들은 무엇을 공부해야 하는가? 사람들은 제가 수학, 컴퓨터 공학, 혹은 AI라고 말할 것이라 예상했습니다. 물론 그런 과목들은 필수적인 기초입니다. 특정 교과 과정 때문이 아니라, 비판적으로 생각하는 법을 가르쳐주기 때문입니다. 하지만 제가 학부 때 그 분야에서 배웠던 거의 모든 지식은 취업하자마자 금세 구식이 되어버렸습니다. 의견이 어느 정도 오간 뒤, 저는 다른 대답을 내놓았습니다. "불확실성 속에서 좋은 결정을 내리는 법을 배우세요." 창업…
더 나아지는 법을 배우기
모든 리더에게는 되돌리고 싶은 결정들의 목록이 있습니다. 특히 지난 몇 년간 극단적으로 요동쳤던 시장 상황을 고려하면 더욱 그렇습니다.
실제로 달성한 것보다 더 큰 성장을 가정하고 임원들을 채용했으나, 지금 와서 보면 잘못된 팀을 꾸린 것 같다는 생각이 들 수도 있습니다. 감원 규모가 너무 작아 조직이 충분히 빠르게 움직이지 못하고 있다고 느낄 수도 있습니다. 혹은 야심 차게 추진한 전략적 베팅이 효과를 보지 못하고 있어, 차라리 실패를 선언하고 자원을 재배치하는 편이 낫겠다고 생각할 수도 있습니다.
하지만 이런 실수를 바로잡으려 할 때, 무언가가 당신을 주저하게 만듭니다. 왠지 모르게 위험 대비 보상이 맞지 않아 보입니다. 왜냐하면 단기적으로 그 문제들이 당장 회사의 존망을 위협할 정도는 아니지만, 제안된 해결책들은 확실히 고통스럽기 때문입니다.
가장 고통스러운 예시인 해고 상황으로 돌아가 봅시다. 당신은 떠나는 동료들에게 해고 통보를 하며 눈물을 흘렸을지도 모릅니다. 실망을 안겨주어 미안하다고 말했고, 다시는 이런 실수를 하지 않겠다고 맹세했을 수도 있습니다.
하지만 첫 번째 감원 때 충분히 깊게 도려내지 못했다는 것을 깨닫게 되면 어떻게 해야 할까요? 당장 돈이 떨어지는 것은 아니니 존망의 위기는 아닙니다. 하지만 당신은 마음속으로 회사가 너무 비대하고 느리다는 것을 알고 있습니다. 리더로서 무능해 보이지 않으면서, 더 나아가 거짓말쟁이처럼 보이지 않으면서 어떻게 팀원들에게 또 다른 해고가 필요하다고 말할 수 있을까요?
그렇게 중대한 사안에 대해 실수를 했다고 팀 앞에 서서 말하는 상상은 끔찍하게 고통스럽습니다. 리더로서의 자존심과 정체성이 무너지는 것처럼 느껴질 수 있습니다.
하지만 현실에서는 자신의 실수를 인정하는 고통을 기꺼이 감수하는 것이야말로 리더십의 '슈퍼파워'이며, 이는 조직에 복리 효과를 가져다주는 혜택이 될 수 있습니다.
첫 번째이자 가장 명백한 이점은 실수로부터 교훈을 얻는다는 것입니다. 실수가 클수록, 그리고 더 공개적으로 인정할수록, 똑같은 실수를 반복할 가능성은 줄어듭니다.
두 번째 이점은 직관과는 다를 수 있습니다. 큰 실수를 저지르고, 인정하고, 궁극적으로 바로잡는 경험은 우리를 더 대담하게 만듭니다. 우리는 세상이 그리 쉽게 무너지지 않는다는 것을 배웁니다. 우리 조직이 생각보다 더 회복력이 있다는 것을 알게 됩니다. 그리고 우리 자신 또한 생각보다 더 강인하다는 것을 깨닫습니다. 그래서 우리는 더 크고 대담한 시도를 하게 되고, 다음번에는 실패를 인정하기까지 그렇게 오래 망설이지 않게 됩니다. 실수를 인정함으로써 오는 자존심과 정체성의 타격을 다루는 데 더 능숙해집니다. 이것이 선순환을 만들기 시작합니다.
하지만 진정한 복리 효과는 조직 문화에 미치는 영향에서 나옵니다. 기억하십시오. 리더인 당신의 일거수일투족을 팀원들이 지켜보고 있습니다. 만약 당신이 모든 정답을 알고 있는 것처럼 행동한다면, 팀원들도 그렇게 할 것입니다. 하지만 당신이 무언가를 시도하고, 망쳤을 때 책임을 지며, 다시 일어나 도전하는 모습을 보인다면, 팀원들 역시 그렇게 할 것입니다. 조직 문화는 대담함, 진실 추구, 그리고 빠른 학습 속도에 보상하기 시작할 것입니다.
당신의 회사는 '더 나은 실수'를 하고 '더 나은 교훈'을 얻게 될 것입니다. 피드백 루프는 더 빨라질 것입니다. 회사는 '더 나아지는 법'을 배우는 데 더 능숙해질 것입니다.
이 중 쉬운 것은 하나도 없습니다. 하지만 잔인한 현실은 '더 나아지는 것'과 '현상 유지' 사이의 선택지가 없다는 것입니다. 우리 시장은 그러기엔 너무 역동적입니다. 당신은 더 나아지는 법을 배우며 성장하든가, 아니면 도태되든가 둘 중 하나입니다.
투르 드 프랑스 우승자인 사이클 선수 그렉 르몽드(Greg LeMond)는 이런 명언을 남겼습니다.
"결코 더 쉬워지지는 않는다. 다만 당신이 더 빨라질 뿐이다." 그는 훈련에 대해 이야기했지만, 이는 스타트업에 대해서도 똑같이 적용될 수 있는 말입니다.
고통을 받아들이십시오. 당신은 정직하고, 결단력 있으며, 회복 탄력성이 강한 조직을 만들게 될 것입니다.
일이 더 쉬워지지는 않겠지만, 당신은 그 속도를 주도하게 될 것입니다.
https://www.rkg.blog/getting_better.php
모든 리더에게는 되돌리고 싶은 결정들의 목록이 있습니다. 특히 지난 몇 년간 극단적으로 요동쳤던 시장 상황을 고려하면 더욱 그렇습니다.
실제로 달성한 것보다 더 큰 성장을 가정하고 임원들을 채용했으나, 지금 와서 보면 잘못된 팀을 꾸린 것 같다는 생각이 들 수도 있습니다. 감원 규모가 너무 작아 조직이 충분히 빠르게 움직이지 못하고 있다고 느낄 수도 있습니다. 혹은 야심 차게 추진한 전략적 베팅이 효과를 보지 못하고 있어, 차라리 실패를 선언하고 자원을 재배치하는 편이 낫겠다고 생각할 수도 있습니다.
하지만 이런 실수를 바로잡으려 할 때, 무언가가 당신을 주저하게 만듭니다. 왠지 모르게 위험 대비 보상이 맞지 않아 보입니다. 왜냐하면 단기적으로 그 문제들이 당장 회사의 존망을 위협할 정도는 아니지만, 제안된 해결책들은 확실히 고통스럽기 때문입니다.
가장 고통스러운 예시인 해고 상황으로 돌아가 봅시다. 당신은 떠나는 동료들에게 해고 통보를 하며 눈물을 흘렸을지도 모릅니다. 실망을 안겨주어 미안하다고 말했고, 다시는 이런 실수를 하지 않겠다고 맹세했을 수도 있습니다.
하지만 첫 번째 감원 때 충분히 깊게 도려내지 못했다는 것을 깨닫게 되면 어떻게 해야 할까요? 당장 돈이 떨어지는 것은 아니니 존망의 위기는 아닙니다. 하지만 당신은 마음속으로 회사가 너무 비대하고 느리다는 것을 알고 있습니다. 리더로서 무능해 보이지 않으면서, 더 나아가 거짓말쟁이처럼 보이지 않으면서 어떻게 팀원들에게 또 다른 해고가 필요하다고 말할 수 있을까요?
그렇게 중대한 사안에 대해 실수를 했다고 팀 앞에 서서 말하는 상상은 끔찍하게 고통스럽습니다. 리더로서의 자존심과 정체성이 무너지는 것처럼 느껴질 수 있습니다.
하지만 현실에서는 자신의 실수를 인정하는 고통을 기꺼이 감수하는 것이야말로 리더십의 '슈퍼파워'이며, 이는 조직에 복리 효과를 가져다주는 혜택이 될 수 있습니다.
첫 번째이자 가장 명백한 이점은 실수로부터 교훈을 얻는다는 것입니다. 실수가 클수록, 그리고 더 공개적으로 인정할수록, 똑같은 실수를 반복할 가능성은 줄어듭니다.
두 번째 이점은 직관과는 다를 수 있습니다. 큰 실수를 저지르고, 인정하고, 궁극적으로 바로잡는 경험은 우리를 더 대담하게 만듭니다. 우리는 세상이 그리 쉽게 무너지지 않는다는 것을 배웁니다. 우리 조직이 생각보다 더 회복력이 있다는 것을 알게 됩니다. 그리고 우리 자신 또한 생각보다 더 강인하다는 것을 깨닫습니다. 그래서 우리는 더 크고 대담한 시도를 하게 되고, 다음번에는 실패를 인정하기까지 그렇게 오래 망설이지 않게 됩니다. 실수를 인정함으로써 오는 자존심과 정체성의 타격을 다루는 데 더 능숙해집니다. 이것이 선순환을 만들기 시작합니다.
하지만 진정한 복리 효과는 조직 문화에 미치는 영향에서 나옵니다. 기억하십시오. 리더인 당신의 일거수일투족을 팀원들이 지켜보고 있습니다. 만약 당신이 모든 정답을 알고 있는 것처럼 행동한다면, 팀원들도 그렇게 할 것입니다. 하지만 당신이 무언가를 시도하고, 망쳤을 때 책임을 지며, 다시 일어나 도전하는 모습을 보인다면, 팀원들 역시 그렇게 할 것입니다. 조직 문화는 대담함, 진실 추구, 그리고 빠른 학습 속도에 보상하기 시작할 것입니다.
당신의 회사는 '더 나은 실수'를 하고 '더 나은 교훈'을 얻게 될 것입니다. 피드백 루프는 더 빨라질 것입니다. 회사는 '더 나아지는 법'을 배우는 데 더 능숙해질 것입니다.
이 중 쉬운 것은 하나도 없습니다. 하지만 잔인한 현실은 '더 나아지는 것'과 '현상 유지' 사이의 선택지가 없다는 것입니다. 우리 시장은 그러기엔 너무 역동적입니다. 당신은 더 나아지는 법을 배우며 성장하든가, 아니면 도태되든가 둘 중 하나입니다.
투르 드 프랑스 우승자인 사이클 선수 그렉 르몽드(Greg LeMond)는 이런 명언을 남겼습니다.
"결코 더 쉬워지지는 않는다. 다만 당신이 더 빨라질 뿐이다." 그는 훈련에 대해 이야기했지만, 이는 스타트업에 대해서도 똑같이 적용될 수 있는 말입니다.
고통을 받아들이십시오. 당신은 정직하고, 결단력 있으며, 회복 탄력성이 강한 조직을 만들게 될 것입니다.
일이 더 쉬워지지는 않겠지만, 당신은 그 속도를 주도하게 될 것입니다.
https://www.rkg.blog/getting_better.php
www.rkg.blog
Getting Better at Getting Better | RKG
❤5
앤드류 카네기의 삶은 한 편의 드라마와 같습니다.
영국에서 수동 방직기 기사였던 아버지는 산업혁명으로 직업을 잃자 가족을 이끌고 기회의 땅 미국으로 건너왔습니다. 12살 때부터 면직물 공장 잡일부터 시작해 증기기관 공장, 전신 배달원을 거치며 전신 기술을 독학하고 고객사 위치와 사장의 얼굴을 통째로 외워버리는 집념을 보였습니다. 틈틈이 도서관에서 역사, 과학, 문학 등을 탐독하고, 또래들과 토론하며 논쟁하고 설득하는 법을 익히기도 했습니다.
전신 기사로 일하던 중 펜실베이니아 철도 회사 지부장 토마스 스콧의 눈에 띄어 철도 산업에 발을 들이게 됩니다. 스콧을 롤모델로 삼아 서기로 일하며 철도 사업 전반을 익혔고, 스콧 부재중 발생한 사고를 능수능란하게 처리하며 두터운 신뢰를 얻습니다.
그는 당시를 회상하며 "자신감은 필수불가결한 자질이었다. 나는 무엇이든 해낼 수 있다고 믿었다."라고 말했습니다. 그는 밤낮없이 일하며 부하 직원들을 몰아붙였고, 자신의 한계를 시험하듯 일에 몰두했습니다. "나는 아마도 가장 배려심 없는 감독관이었을 것이다. 나 자신이 피로를 몰랐기에 부하들을 과로시켰고, 인간의 한계를 고려하지 않았다.”고 했습니다.
회사의 신뢰를 바탕으로 스콧은 카네기에게 철도 관련 회사 투자 기회를 제공합니다. 월급쟁이에서 벗어나 자본 소득의 맛을 보게 된 그는 철도 산업의 폭발적인 성장과 함께 침대차, 석유, 철강 등 유망 분야에 투자하며 막대한 부를 축적합니다.
"태풍이 불면 돼지도 난다"는 말처럼 그는 시대의 흐름을 정확히 읽었습니다. 철도라는 거대한 인프라 위에서 파생되는 기회들을 놓치지 않았습니다. 장거리 이동 증가에 따른 침대차 사업, 철도 운송량 증가에 따른 석유 사업, 목재 교량의 화재 위험성을 대체할 철제 교량 사업 등이 그 예입니다.
물론 모든 투자가 성공적이었던 것은 아닙니다. 석유 보관 아이디어는 실패로 돌아갔지만, 빠르게 잘못을 인정하고 시장에 석유를 팔아 수익을 냈습니다. 만약 지금 카네기가 살아있다면 AI 로보틱스나 자율주행차 시대의 병목 현상을 해결할 전력이나 데이터 처리 분야에 투자하지 않았을까요?
이후 그는 철강 생산과 교량 건설에 집중했습니다. 철 생산 회사는 그의 다른 회사 교량 건설 회사에 철을 공급했고, 철도 회사와의 끈끈한 관계 덕분에 판로 걱정 없이 사업을 확장했습니다.
영국 여행 중 목격한 '베세머 공정'은 그에게 강철 시대의 도래를 확신하게 했고, 과감하게 신기술을 도입했습니다. 강철 표면 레일이나 석탄 채굴 기계 사업 등 실패도 있었지만, 철 생산 사업은 큰 성공을 거두었습니다. 금융권 인맥을 활용해 채권과 주식 발행을 주선하며 수수료 수익도 챙겼습니다.
철강 회사를 키우면서 그는 학벌보다 실력을 중시했습니다. 현장 출신의 유능한 인재들을 임원으로 발탁하고, 회사 지분을 주되 퇴사 시 반납하는 조건으로 배당금을 지급하여 '황금 수갑'을 채웠습니다.
또한 철광석 채굴부터 운송, 제조까지 수직 계열화를 이루고, 파트너 헨리 핍스가 도입한 원가 회계 시스템을 통해 철저하게 비용을 관리했습니다. 경쟁사들이 톤당 판매 가격만 볼 때, 카네기는 1g의 석탄 비용까지 분석하며 경쟁 우위를 확보했습니다.
이 시기 카네기의 성공 비결은 '모든 것에 관여하는 것'이었습니다. 넘치는 에너지로 끊임없이 소통하고 회의하며 기회를 포착했습니다. 업계 뉴스와 정세에 밝아 위기에 대처하고 기회를 선점했습니다. 탁월한 네트워킹 능력으로 사람들을 끌어모으고 정보를 교류했습니다. 신중한 사업가처럼 보였지만 사실은 과감하게 위험을 감수하는 투자자였으며, 든든한 파트너들과 함께 위험을 관리했습니다.
https://www.amazon.com/Autobiography-Andrew-Carnegie-Gospel-Classics/dp/0451530381
영국에서 수동 방직기 기사였던 아버지는 산업혁명으로 직업을 잃자 가족을 이끌고 기회의 땅 미국으로 건너왔습니다. 12살 때부터 면직물 공장 잡일부터 시작해 증기기관 공장, 전신 배달원을 거치며 전신 기술을 독학하고 고객사 위치와 사장의 얼굴을 통째로 외워버리는 집념을 보였습니다. 틈틈이 도서관에서 역사, 과학, 문학 등을 탐독하고, 또래들과 토론하며 논쟁하고 설득하는 법을 익히기도 했습니다.
전신 기사로 일하던 중 펜실베이니아 철도 회사 지부장 토마스 스콧의 눈에 띄어 철도 산업에 발을 들이게 됩니다. 스콧을 롤모델로 삼아 서기로 일하며 철도 사업 전반을 익혔고, 스콧 부재중 발생한 사고를 능수능란하게 처리하며 두터운 신뢰를 얻습니다.
그는 당시를 회상하며 "자신감은 필수불가결한 자질이었다. 나는 무엇이든 해낼 수 있다고 믿었다."라고 말했습니다. 그는 밤낮없이 일하며 부하 직원들을 몰아붙였고, 자신의 한계를 시험하듯 일에 몰두했습니다. "나는 아마도 가장 배려심 없는 감독관이었을 것이다. 나 자신이 피로를 몰랐기에 부하들을 과로시켰고, 인간의 한계를 고려하지 않았다.”고 했습니다.
회사의 신뢰를 바탕으로 스콧은 카네기에게 철도 관련 회사 투자 기회를 제공합니다. 월급쟁이에서 벗어나 자본 소득의 맛을 보게 된 그는 철도 산업의 폭발적인 성장과 함께 침대차, 석유, 철강 등 유망 분야에 투자하며 막대한 부를 축적합니다.
"태풍이 불면 돼지도 난다"는 말처럼 그는 시대의 흐름을 정확히 읽었습니다. 철도라는 거대한 인프라 위에서 파생되는 기회들을 놓치지 않았습니다. 장거리 이동 증가에 따른 침대차 사업, 철도 운송량 증가에 따른 석유 사업, 목재 교량의 화재 위험성을 대체할 철제 교량 사업 등이 그 예입니다.
물론 모든 투자가 성공적이었던 것은 아닙니다. 석유 보관 아이디어는 실패로 돌아갔지만, 빠르게 잘못을 인정하고 시장에 석유를 팔아 수익을 냈습니다. 만약 지금 카네기가 살아있다면 AI 로보틱스나 자율주행차 시대의 병목 현상을 해결할 전력이나 데이터 처리 분야에 투자하지 않았을까요?
이후 그는 철강 생산과 교량 건설에 집중했습니다. 철 생산 회사는 그의 다른 회사 교량 건설 회사에 철을 공급했고, 철도 회사와의 끈끈한 관계 덕분에 판로 걱정 없이 사업을 확장했습니다.
영국 여행 중 목격한 '베세머 공정'은 그에게 강철 시대의 도래를 확신하게 했고, 과감하게 신기술을 도입했습니다. 강철 표면 레일이나 석탄 채굴 기계 사업 등 실패도 있었지만, 철 생산 사업은 큰 성공을 거두었습니다. 금융권 인맥을 활용해 채권과 주식 발행을 주선하며 수수료 수익도 챙겼습니다.
철강 회사를 키우면서 그는 학벌보다 실력을 중시했습니다. 현장 출신의 유능한 인재들을 임원으로 발탁하고, 회사 지분을 주되 퇴사 시 반납하는 조건으로 배당금을 지급하여 '황금 수갑'을 채웠습니다.
또한 철광석 채굴부터 운송, 제조까지 수직 계열화를 이루고, 파트너 헨리 핍스가 도입한 원가 회계 시스템을 통해 철저하게 비용을 관리했습니다. 경쟁사들이 톤당 판매 가격만 볼 때, 카네기는 1g의 석탄 비용까지 분석하며 경쟁 우위를 확보했습니다.
이 시기 카네기의 성공 비결은 '모든 것에 관여하는 것'이었습니다. 넘치는 에너지로 끊임없이 소통하고 회의하며 기회를 포착했습니다. 업계 뉴스와 정세에 밝아 위기에 대처하고 기회를 선점했습니다. 탁월한 네트워킹 능력으로 사람들을 끌어모으고 정보를 교류했습니다. 신중한 사업가처럼 보였지만 사실은 과감하게 위험을 감수하는 투자자였으며, 든든한 파트너들과 함께 위험을 관리했습니다.
https://www.amazon.com/Autobiography-Andrew-Carnegie-Gospel-Classics/dp/0451530381
1. 발전은 선형적이나, 혁명은 순간적이다
기술의 발전은 겉보기에 선형적(Steady)입니다. 엔진의 마력이나 체스 엔진의 Elo 점수는 매년 꾸준히 우상향합니다. 하지만 시장이 느끼는 '유용성(Utility)'과 '대체(Equivalence)'는 이진법(Binary)으로 작동합니다. 기술이 특정 작업의 최소 요구치(Threshold)를 넘지 못할 때 그 가치는 '0'이지만, 임계점을 넘는 순간 '1(완전 대체)'로 돌변하기 때문입니다.
2. 말(Horse)과 체스(Chess): 도구와 지능의 대체
증기기관의 성능이 말을 앞지르자, 수천 년간 지속된 말의 효용 가치는 순식간에 붕괴했습니다. 말은 '도구'였고 인간은 '주인'이었기에, 더 효율적인 도구가 등장하자 기존 도구는 폐기되었습니다.
체스 또한 마찬가지입니다. 컴퓨터 체스 실력은 40년간 매년 50점씩 일정하게 올랐습니다. 그러나 인간의 한계선을 돌파하는 짧은 교차 구간(Crossover Window)을 지나자, 인간은 '지배자'에서 '패배자'로 전락했습니다. 2000년에는 인간이 컴퓨터를 연습 상대로 여겼지만, 불과 10년 뒤에는 넘을 수 없는 벽이 되었습니다. 이는 인간 고유의 영역이라 믿었던 '지적 판단(Decision Making)'조차 기계에 잠식될 수 있음을 보여줍니다.
3. 왜 일자리는 사라지고 체스는 살아남았나?
흥미로운 점은 AI가 체스를 정복했음에도 체스 시장은 역사상 가장 커졌다는 사실입니다. 이는 체스가 결과가 아닌 '과정(Process)의 즐거움'을 소비하는 엔터테인먼트이기 때문입니다.
반면, 우리가 종사하는 코딩, 번역, 데이터 분석 등의 일자리는 '결과(Result)'를 납품하는 경제 활동입니다. 당신의 직업이 '결과'를 파는 것이라면 말처럼 대체될 것이고, 인간 고유의 '행위 그 자체'가 상품(스포츠, 예술 등)이라면 체스처럼 살아남을 것입니다.
4. 켄타우로스(Centaur)의 붕괴와 경제적 필연성
한때 인간과 AI가 협력하는 '켄타우로스' 모델이 최강이었던 시기가 있었습니다. 하지만 이제 순수 AI 엔진이 인간+AI 팀을 압도합니다. 인간의 개입이 오히려 '노이즈'가 되어버린 것입니다. 현재 우리는 업무에서 AI를 코파일럿(Co-pilot)으로 쓰며 효율적이라 믿지만, 이 역시 켄타우로스 단계와 같은 과도기일 수 있습니다.
실제로 Anthropic의 저자는 신규 입사자의 질문에 답변하는 업무를 AI에게 완전히 넘겨주어야 했습니다. 인간의 인지 노동은 막대한 생물학적 에너지를 소모하는 고비용 구조인 반면, AI의 한계 비용은 0에 수렴하기 때문입니다. 이 경제적 격차는 인간이 '주체'에서 '비효율적 비용'으로 전락할 수 있다는 구조적 위기감을 줍니다.
5. 인간은 '말'이 아니라 '진화의 주체'다
그러나 인간에게는 말과 다른 결정적인 차이가 있습니다. 말은 진화의 객체였지만, 인간은 진화의 주체입니다. 인간은 도구를 신체의 일부로 확장하는 인지적 유연성(Plasticity)을 가진 '개방된 시스템'입니다. 안경, 스마트폰, 언어가 이미 우리 지능의 확장인 것처럼, AI 또한 인간의 새로운 확장 도구가 될 수 있습니다.
6. 병목(Bottleneck)의 해결과 새로운 불평등
문제는 '대역폭'입니다. AI의 연산은 빛의 속도지만, 인간의 입출력(타자, 음성)은 초당 몇 비트에 불과합니다. 이 I/O 병목(Input/Output Bottleneck)이 통합의 최대 걸림돌입니다. 뉴럴링크(Neuralink)와 같이 인간의 대역폭을 획기적으로 늘려주는 기술들이 등장한다면, 이는 인간이 새로운 도구와 결합하여 진화하는 다음 단계가 될 것입니다.
다만, 말은 모두 평등하게 도태되었지만 인간의 미래는 다를 수 있습니다. 경제력에 따라 기술 접근권이 나뉜다면, 업그레이드된 인간(Homo Deus)과 자연 상태의 인간(Homo Sapiens) 간의 격차는 종의 분화 수준으로 벌어질지 모릅니다. 결국 미래의 갈등은 "기술적으로 가능한가?(Can we?)"가 아니라, "누가 그 혜택을 누리는가?(Who gets to?)"라는 사회적 분배의 문제가 될 것입니다.
https://x.com/andy_l_jones/status/1998060552565002721
기술의 발전은 겉보기에 선형적(Steady)입니다. 엔진의 마력이나 체스 엔진의 Elo 점수는 매년 꾸준히 우상향합니다. 하지만 시장이 느끼는 '유용성(Utility)'과 '대체(Equivalence)'는 이진법(Binary)으로 작동합니다. 기술이 특정 작업의 최소 요구치(Threshold)를 넘지 못할 때 그 가치는 '0'이지만, 임계점을 넘는 순간 '1(완전 대체)'로 돌변하기 때문입니다.
2. 말(Horse)과 체스(Chess): 도구와 지능의 대체
증기기관의 성능이 말을 앞지르자, 수천 년간 지속된 말의 효용 가치는 순식간에 붕괴했습니다. 말은 '도구'였고 인간은 '주인'이었기에, 더 효율적인 도구가 등장하자 기존 도구는 폐기되었습니다.
체스 또한 마찬가지입니다. 컴퓨터 체스 실력은 40년간 매년 50점씩 일정하게 올랐습니다. 그러나 인간의 한계선을 돌파하는 짧은 교차 구간(Crossover Window)을 지나자, 인간은 '지배자'에서 '패배자'로 전락했습니다. 2000년에는 인간이 컴퓨터를 연습 상대로 여겼지만, 불과 10년 뒤에는 넘을 수 없는 벽이 되었습니다. 이는 인간 고유의 영역이라 믿었던 '지적 판단(Decision Making)'조차 기계에 잠식될 수 있음을 보여줍니다.
3. 왜 일자리는 사라지고 체스는 살아남았나?
흥미로운 점은 AI가 체스를 정복했음에도 체스 시장은 역사상 가장 커졌다는 사실입니다. 이는 체스가 결과가 아닌 '과정(Process)의 즐거움'을 소비하는 엔터테인먼트이기 때문입니다.
반면, 우리가 종사하는 코딩, 번역, 데이터 분석 등의 일자리는 '결과(Result)'를 납품하는 경제 활동입니다. 당신의 직업이 '결과'를 파는 것이라면 말처럼 대체될 것이고, 인간 고유의 '행위 그 자체'가 상품(스포츠, 예술 등)이라면 체스처럼 살아남을 것입니다.
4. 켄타우로스(Centaur)의 붕괴와 경제적 필연성
한때 인간과 AI가 협력하는 '켄타우로스' 모델이 최강이었던 시기가 있었습니다. 하지만 이제 순수 AI 엔진이 인간+AI 팀을 압도합니다. 인간의 개입이 오히려 '노이즈'가 되어버린 것입니다. 현재 우리는 업무에서 AI를 코파일럿(Co-pilot)으로 쓰며 효율적이라 믿지만, 이 역시 켄타우로스 단계와 같은 과도기일 수 있습니다.
실제로 Anthropic의 저자는 신규 입사자의 질문에 답변하는 업무를 AI에게 완전히 넘겨주어야 했습니다. 인간의 인지 노동은 막대한 생물학적 에너지를 소모하는 고비용 구조인 반면, AI의 한계 비용은 0에 수렴하기 때문입니다. 이 경제적 격차는 인간이 '주체'에서 '비효율적 비용'으로 전락할 수 있다는 구조적 위기감을 줍니다.
5. 인간은 '말'이 아니라 '진화의 주체'다
그러나 인간에게는 말과 다른 결정적인 차이가 있습니다. 말은 진화의 객체였지만, 인간은 진화의 주체입니다. 인간은 도구를 신체의 일부로 확장하는 인지적 유연성(Plasticity)을 가진 '개방된 시스템'입니다. 안경, 스마트폰, 언어가 이미 우리 지능의 확장인 것처럼, AI 또한 인간의 새로운 확장 도구가 될 수 있습니다.
6. 병목(Bottleneck)의 해결과 새로운 불평등
문제는 '대역폭'입니다. AI의 연산은 빛의 속도지만, 인간의 입출력(타자, 음성)은 초당 몇 비트에 불과합니다. 이 I/O 병목(Input/Output Bottleneck)이 통합의 최대 걸림돌입니다. 뉴럴링크(Neuralink)와 같이 인간의 대역폭을 획기적으로 늘려주는 기술들이 등장한다면, 이는 인간이 새로운 도구와 결합하여 진화하는 다음 단계가 될 것입니다.
다만, 말은 모두 평등하게 도태되었지만 인간의 미래는 다를 수 있습니다. 경제력에 따라 기술 접근권이 나뉜다면, 업그레이드된 인간(Homo Deus)과 자연 상태의 인간(Homo Sapiens) 간의 격차는 종의 분화 수준으로 벌어질지 모릅니다. 결국 미래의 갈등은 "기술적으로 가능한가?(Can we?)"가 아니라, "누가 그 혜택을 누리는가?(Who gets to?)"라는 사회적 분배의 문제가 될 것입니다.
https://x.com/andy_l_jones/status/1998060552565002721
X (formerly Twitter)
andy jones (@andy_l_jones) on X
So after all these hours talking about AI, in these last five minutes I am going to talk about:
Horses.
Engines, steam engines, were invented in 1700.
And what followed was 200 years of steady improvement, with engines getting 20% better a decade.
For…
Horses.
Engines, steam engines, were invented in 1700.
And what followed was 200 years of steady improvement, with engines getting 20% better a decade.
For…
❤6
AI 세상에서는 끊임없이 새로운 것들이 쏟아져 나옵니다. 저는 이 분야에 매우 관심이 많지만 따라가기가 정말 어렵더군요. 당신과 당신 팀은 이렇게 빈번하게 일어나는 업데이트를 어떻게 처리하고 소화합니까?
첫 번째 원칙은 **무조건 직접 써봐야 한다**는 겁니다. 정말 많은 유명하고 저명한 투자자들이 AI에 대해 아주 확정적인 결론을 내리는데, 알고 보면 '무료 버전(Free tier)'만 써보고 하는 소리일 때가 많아 놀랍습니다.
두 번째는, 예전에 OpenAI 내부자 포스팅에서도 언급됐듯이, OpenAI조차 상당 부분 '트위터(X)의 분위기(Vibes)'에 따라 돌아간다는 겁니다. 저는 AI의 모든 일은 X에서 일어난다고 생각합니다.
지구상에 이 분야를 정말 깊이 이해하고 최첨단에 있는 사람이 500명에서 1,000명 정도 되는데, 그중 상당수가 중국에 살고 있기도 합니다. 그냥 그 사람들을 팔로우해야 합니다. 저에게 있어 AI의 모든 것은 그 사람들의 하류(downstream)에 있습니다. 엄청난 신호들이 그곳에 있죠.
Q: 안드레 카파시(Andrej Karpathy)가 쓰는 글은 다 읽어야겠죠?
A: 네, 안드레 카파시가 쓰는 모든 글은 최소 세 번은 읽어야 합니다. 그는 정말 대단하죠. 그리고 중요한 4개 랩(OpenAI, Google Gemini, Anthropic, xAI)의 관계자가 팟캐스트에 나오면 무조건 듣는 게 중요합니다.
그리고 저에게 있어 AI의 가장 좋은 활용 사례 중 하나는 이 모든 정보를 따라잡는 것입니다. 팟캐스트를 듣다가 흥미로운 부분이 있으면 AI와 그것에 대해 이야기하는 거죠. 마찰(friction)을 줄이는 게 중요한데, 저는 버튼 하나만 누르면 Grok이 뜨게 해 놨습니다.
Q: 추론 모델 덕분에 발전이 계속됐다는 건 구체적으로 어떤 의미인가요?
1. 사후 학습(Post-training) 단계에서의 검증 가능한 보상을 통한 강화 학습(RLVR).
2. 테스트 타임 컴퓨트(Test-time compute, 추론 시 연산 시간을 늘리는 것).
카파시가 말했듯 소프트웨어는 명세할 수 있는 모든 것을 자동화하지만, AI는 검증할 수 있는(Verify) 모든 것을 자동화합니다. 이 두 가지 새로운 법칙 덕분에 2024년 10월 이후 엄청난 발전이 있었던 겁니다.
Q: 저비용 생산자가 되는 게 왜 중요한가요?
A: 제 기술 투자 경력상 처음으로 '저비용 생산자'가 되는 게 중요한 시점입니다. 애플이나 마이크로소프트, 엔비디아가 시총 1위인 이유는 저비용 생산자여서가 아닙니다. 하지만 AI에서는 구글이 저비용 생산자로서 AI 생태계의 **'경제적 산소'를 빨아들이는 전략**을 쓰고 있습니다. 경쟁자들을 힘들게 만드는 매우 합리적인 전략이죠.
하지만 2026년 초가 되면 상황이 바뀝니다. 첫 번째 Blackwell 기반 모델이 나올 겁니다. 아마 xAI가 최초일 겁니다. 젠슨 황도 말했듯이 일론 머스크보다 데이터 센터를 빨리 짓는 사람은 없으니까요. xAI가 엔비디아를 위해 대규모로 Blackwell을 깔고 버그를 잡아주면, 그다음엔 GB300 칩이 나옵니다. GB300은 기존 랙에 그대로 끼울 수 있는(Drop-in compatible) 칩입니다.
GB300을 쓰는 기업들이 이제 저비용 생산자가 될 겁니다. 구글의 비용 우위가 사라지는 거죠.
Q: 구글의 전략적 계산이 바뀌겠군요?
A: 네, 구글이 압도적인 비용 우위가 있다면 검색 사업 등으로 돈을 벌면서 AI 사업을 마진 -30%로 운영해서 경쟁자들을 말려 죽이는 게 합리적입니다. 하지만 구글이 더 이상 저비용 생산자가 아니게 되면, 그 전략은 매우 고통스러워집니다. 구글 주가에도 영향을 줄 수 있고요. AI의 경제학에 심오한 변화가 오는 시점입니다.
Q: 구글 TPU가 계속 발전해서 엔비디아를 따라잡을 순 없나요?
A: 구글은 TPU 설계(프런트엔드)는 직접 하지만, 제작(백엔드)과 TSMC 관리는 브로드컴(Broadcom)에 맡깁니다. 브로드컴은 여기서 50~55% 마진을 챙기죠. 구글이 300억 달러를 쓰면 150억 달러를 브로드컴에 주는 셈입니다. 애플처럼 모든 걸 내재화하면 이 돈을 아낄 수 있습니다. 구글도 이걸 알고 미디어텍(MediaTek)을 끌어들이며 브로드컴을 견제하고 있습니다.
하지만 엔비디아와 AMD가 매년 신제품을 내놓으며 가속하고 있기 때문에, 자체 칩(ASIC)으로 이를 따라잡기는 점점 더 어려워지고 있습니다. 칩만 만드는 게 아니라 네트워킹, 소프트웨어 등 모든 게 얽혀 있으니까요. 아마존의 자체 칩 팀이 가장 훌륭하긴 하지만, 저는 Tranium(아마존 칩)과 TPU 외에 다른 자체 칩들이 크게 성공할지 의문입니다. 결국 경제성의 논리에 따라 자체 칩들도 엔비디아 GPU와 섞어 쓰거나 대체될 수밖에 없을 겁니다.
Q: 너무 디테일에 빠진 것 같으니 좀 크게 봐서(Zoom out), 이 모든 인프라 전쟁의 결과로 인류가 얻는 이득은 무엇입니까? 다음 단계의 '잠금 해제'는 무엇인가요?
A: Blackwell 모델들이 나오면 토큰당 비용이 급격히 줄어들고, 모델들이 훨씬 더 오랫동안 '생각'할 수 있게 됩니다. Gemini 3가 제 식당 예약을 대신해줬는데 꽤 인상적이었습니다. 식당 예약을 할 수 있다면 호텔, 비행기, 우버까지 예약해서 제 비서가 될 날이 머지않았습니다.
하지만 더 중요한 건 기업의 핵심 기능인 '판매(Sales)'와 '고객 지원(Support)'입니다. AI는 설득에 능합니다. 그리고 무엇보다 '검증 가능한(Verified)' 영역에서 엄청난 능력을 발휘할 겁니다.
Q: 검증 가능한 영역이란 어떤 건가요?
A: 회계장부가 맞는지 틀린 지(회계), 코딩이 돌아가는지 안 돌아가는지, 고객이 물건을 샀는지 안 샀는지 같은 겁니다. 정답이나 결과가 명확한 분야는 강화 학습을 통해 AI를 엄청나게 똑똑하게 만들 수 있습니다.
2026년쯤 되면 AI가 기업의 핵심 기능들을 수행하고, 로봇 공학(테슬라 옵티머스 등)이 현실화되며, 미디어 제작에도 큰 영향을 줄 겁니다.
Q: 가장 큰 리스크(Bear Case), 즉 찬물을 끼얹는 시나리오는 무엇인가요?
A: 가장 명백한 베어 케이스는 **'에지 AI(Edge AI)'**입니다. 3년 뒤, 조금 더 크고 배터리가 덜 가는 스마트폰에서 Gemini 5나 GPT-4 수준의 모델이 무료로 돌아간다면 어떨까요? 애플의 전략이 바로 이겁니다. "우리는 AI 배포자가 되겠다. 프라이버시를 지키며 폰에서 돌리고, 정말 어려운 것만 클라우드 신(God) 모델에게 물어보라."
만약 폰에서 무료로 꽤 괜찮은 지능(IQ 115 수준)을 초당 60 토큰 속도로 쓸 수 있다면, 굳이 비싼 클라우드 AI를 쓸 필요가 없어질 수도 있습니다. 이게 확장 법칙 둔화 외에 가장 무서운 시나리오입니다.
이제는 '지능의 향상'에서 **'유용성(Usefulness)의 향상'**으로 넘어가야 할 때입니다. 모델이 더 많은 문맥(Context)을 기억하고, 내 모든 슬랙 메시지와 이메일, 회사 매뉴얼을 기억해서 새로운 업무를 처리할 수 있어야 합니다.
Q: 중국 상황은 어떤가요?
A: 중국이 희토류 수출 통제로 미국을 압박하려 한 건 큰 실수였습니다. 엔비디아의 Blackwell 칩이 나오면서 미국 모델과 중국 모델(오픈소스 포함) 간의 성능 격차가 크게 벌어질 겁니다. 중국 모델인 DeepSeek도 논문에서 "컴퓨팅 파워 부족으로 경쟁하기 힘들다"라고 우회적으로 인정했죠. 중국이 Blackwell을 구하지 못하면 격차는 더 벌어질 것이고, 희토류 문제는 미국이 기술적/지정학적으로 해결책을 찾을 겁니다.
첫 번째 원칙은 **무조건 직접 써봐야 한다**는 겁니다. 정말 많은 유명하고 저명한 투자자들이 AI에 대해 아주 확정적인 결론을 내리는데, 알고 보면 '무료 버전(Free tier)'만 써보고 하는 소리일 때가 많아 놀랍습니다.
두 번째는, 예전에 OpenAI 내부자 포스팅에서도 언급됐듯이, OpenAI조차 상당 부분 '트위터(X)의 분위기(Vibes)'에 따라 돌아간다는 겁니다. 저는 AI의 모든 일은 X에서 일어난다고 생각합니다.
지구상에 이 분야를 정말 깊이 이해하고 최첨단에 있는 사람이 500명에서 1,000명 정도 되는데, 그중 상당수가 중국에 살고 있기도 합니다. 그냥 그 사람들을 팔로우해야 합니다. 저에게 있어 AI의 모든 것은 그 사람들의 하류(downstream)에 있습니다. 엄청난 신호들이 그곳에 있죠.
Q: 안드레 카파시(Andrej Karpathy)가 쓰는 글은 다 읽어야겠죠?
A: 네, 안드레 카파시가 쓰는 모든 글은 최소 세 번은 읽어야 합니다. 그는 정말 대단하죠. 그리고 중요한 4개 랩(OpenAI, Google Gemini, Anthropic, xAI)의 관계자가 팟캐스트에 나오면 무조건 듣는 게 중요합니다.
그리고 저에게 있어 AI의 가장 좋은 활용 사례 중 하나는 이 모든 정보를 따라잡는 것입니다. 팟캐스트를 듣다가 흥미로운 부분이 있으면 AI와 그것에 대해 이야기하는 거죠. 마찰(friction)을 줄이는 게 중요한데, 저는 버튼 하나만 누르면 Grok이 뜨게 해 놨습니다.
Q: 추론 모델 덕분에 발전이 계속됐다는 건 구체적으로 어떤 의미인가요?
1. 사후 학습(Post-training) 단계에서의 검증 가능한 보상을 통한 강화 학습(RLVR).
2. 테스트 타임 컴퓨트(Test-time compute, 추론 시 연산 시간을 늘리는 것).
카파시가 말했듯 소프트웨어는 명세할 수 있는 모든 것을 자동화하지만, AI는 검증할 수 있는(Verify) 모든 것을 자동화합니다. 이 두 가지 새로운 법칙 덕분에 2024년 10월 이후 엄청난 발전이 있었던 겁니다.
Q: 저비용 생산자가 되는 게 왜 중요한가요?
A: 제 기술 투자 경력상 처음으로 '저비용 생산자'가 되는 게 중요한 시점입니다. 애플이나 마이크로소프트, 엔비디아가 시총 1위인 이유는 저비용 생산자여서가 아닙니다. 하지만 AI에서는 구글이 저비용 생산자로서 AI 생태계의 **'경제적 산소'를 빨아들이는 전략**을 쓰고 있습니다. 경쟁자들을 힘들게 만드는 매우 합리적인 전략이죠.
하지만 2026년 초가 되면 상황이 바뀝니다. 첫 번째 Blackwell 기반 모델이 나올 겁니다. 아마 xAI가 최초일 겁니다. 젠슨 황도 말했듯이 일론 머스크보다 데이터 센터를 빨리 짓는 사람은 없으니까요. xAI가 엔비디아를 위해 대규모로 Blackwell을 깔고 버그를 잡아주면, 그다음엔 GB300 칩이 나옵니다. GB300은 기존 랙에 그대로 끼울 수 있는(Drop-in compatible) 칩입니다.
GB300을 쓰는 기업들이 이제 저비용 생산자가 될 겁니다. 구글의 비용 우위가 사라지는 거죠.
Q: 구글의 전략적 계산이 바뀌겠군요?
A: 네, 구글이 압도적인 비용 우위가 있다면 검색 사업 등으로 돈을 벌면서 AI 사업을 마진 -30%로 운영해서 경쟁자들을 말려 죽이는 게 합리적입니다. 하지만 구글이 더 이상 저비용 생산자가 아니게 되면, 그 전략은 매우 고통스러워집니다. 구글 주가에도 영향을 줄 수 있고요. AI의 경제학에 심오한 변화가 오는 시점입니다.
Q: 구글 TPU가 계속 발전해서 엔비디아를 따라잡을 순 없나요?
A: 구글은 TPU 설계(프런트엔드)는 직접 하지만, 제작(백엔드)과 TSMC 관리는 브로드컴(Broadcom)에 맡깁니다. 브로드컴은 여기서 50~55% 마진을 챙기죠. 구글이 300억 달러를 쓰면 150억 달러를 브로드컴에 주는 셈입니다. 애플처럼 모든 걸 내재화하면 이 돈을 아낄 수 있습니다. 구글도 이걸 알고 미디어텍(MediaTek)을 끌어들이며 브로드컴을 견제하고 있습니다.
하지만 엔비디아와 AMD가 매년 신제품을 내놓으며 가속하고 있기 때문에, 자체 칩(ASIC)으로 이를 따라잡기는 점점 더 어려워지고 있습니다. 칩만 만드는 게 아니라 네트워킹, 소프트웨어 등 모든 게 얽혀 있으니까요. 아마존의 자체 칩 팀이 가장 훌륭하긴 하지만, 저는 Tranium(아마존 칩)과 TPU 외에 다른 자체 칩들이 크게 성공할지 의문입니다. 결국 경제성의 논리에 따라 자체 칩들도 엔비디아 GPU와 섞어 쓰거나 대체될 수밖에 없을 겁니다.
Q: 너무 디테일에 빠진 것 같으니 좀 크게 봐서(Zoom out), 이 모든 인프라 전쟁의 결과로 인류가 얻는 이득은 무엇입니까? 다음 단계의 '잠금 해제'는 무엇인가요?
A: Blackwell 모델들이 나오면 토큰당 비용이 급격히 줄어들고, 모델들이 훨씬 더 오랫동안 '생각'할 수 있게 됩니다. Gemini 3가 제 식당 예약을 대신해줬는데 꽤 인상적이었습니다. 식당 예약을 할 수 있다면 호텔, 비행기, 우버까지 예약해서 제 비서가 될 날이 머지않았습니다.
하지만 더 중요한 건 기업의 핵심 기능인 '판매(Sales)'와 '고객 지원(Support)'입니다. AI는 설득에 능합니다. 그리고 무엇보다 '검증 가능한(Verified)' 영역에서 엄청난 능력을 발휘할 겁니다.
Q: 검증 가능한 영역이란 어떤 건가요?
A: 회계장부가 맞는지 틀린 지(회계), 코딩이 돌아가는지 안 돌아가는지, 고객이 물건을 샀는지 안 샀는지 같은 겁니다. 정답이나 결과가 명확한 분야는 강화 학습을 통해 AI를 엄청나게 똑똑하게 만들 수 있습니다.
2026년쯤 되면 AI가 기업의 핵심 기능들을 수행하고, 로봇 공학(테슬라 옵티머스 등)이 현실화되며, 미디어 제작에도 큰 영향을 줄 겁니다.
Q: 가장 큰 리스크(Bear Case), 즉 찬물을 끼얹는 시나리오는 무엇인가요?
A: 가장 명백한 베어 케이스는 **'에지 AI(Edge AI)'**입니다. 3년 뒤, 조금 더 크고 배터리가 덜 가는 스마트폰에서 Gemini 5나 GPT-4 수준의 모델이 무료로 돌아간다면 어떨까요? 애플의 전략이 바로 이겁니다. "우리는 AI 배포자가 되겠다. 프라이버시를 지키며 폰에서 돌리고, 정말 어려운 것만 클라우드 신(God) 모델에게 물어보라."
만약 폰에서 무료로 꽤 괜찮은 지능(IQ 115 수준)을 초당 60 토큰 속도로 쓸 수 있다면, 굳이 비싼 클라우드 AI를 쓸 필요가 없어질 수도 있습니다. 이게 확장 법칙 둔화 외에 가장 무서운 시나리오입니다.
이제는 '지능의 향상'에서 **'유용성(Usefulness)의 향상'**으로 넘어가야 할 때입니다. 모델이 더 많은 문맥(Context)을 기억하고, 내 모든 슬랙 메시지와 이메일, 회사 매뉴얼을 기억해서 새로운 업무를 처리할 수 있어야 합니다.
Q: 중국 상황은 어떤가요?
A: 중국이 희토류 수출 통제로 미국을 압박하려 한 건 큰 실수였습니다. 엔비디아의 Blackwell 칩이 나오면서 미국 모델과 중국 모델(오픈소스 포함) 간의 성능 격차가 크게 벌어질 겁니다. 중국 모델인 DeepSeek도 논문에서 "컴퓨팅 파워 부족으로 경쟁하기 힘들다"라고 우회적으로 인정했죠. 중국이 Blackwell을 구하지 못하면 격차는 더 벌어질 것이고, 희토류 문제는 미국이 기술적/지정학적으로 해결책을 찾을 겁니다.
👍4
Q: 칩 이야기 말고, 데이터 센터와 관련해 당신이 생각하는 '미친(Crazy)' 아이디어나 다른 혁신은 무엇인가요?
A: 향후 3~4년 내에 '우주 데이터 센터(Data Centers in Space)'가 가장 중요한 화두가 될 겁니다. 제1원칙(First Principles)으로 생각하면 데이터 센터는 무조건 우주에 있어야 합니다.
1. 전력: 우주에서는 24시간 태양광 발전이 가능합니다. 대기가 없어 태양광 효율이 지상보다 30% 높고, 전체적으로 6배 더 많은 에너지를 얻을 수 있습니다. 밤이 없으니 배터리도 필요 없죠. 가장 저렴한 에너지입니다.
2. 냉각: 데이터 센터 비용과 무게의 대부분은 냉각 시스템입니다. 우주의 그늘진 곳은 절대온도에 가깝습니다. 라디에이터만 달면 냉각이 공짜입니다.
3. 통신 속도: 지상의 광섬유 케이블보다 진공 상태에서 레이저를 쏘는 게 더 빠릅니다. 위성 간 레이저 통신(Laser link)을 하면 지상 데이터 센터보다 연결 속도가 더 빠르고, 스타링크처럼 사용자 폰에 직접 연결하면 지상의 복잡한 네트워크 단계를 거칠 필요도 없어집니다.
유일한 장벽은 발사 비용인데, 스페이스 X의 스타십(Starship)이 이를 해결해 줄 겁니다. 일론 머스크가 테슬라, 스페이스 X, XAI를 융합하려는 이유가 여기에도 있습니다.
Q: 역사적으로 공급 부족 뒤에는 항상 과잉 공급(Glut)이 왔습니다. 지금의 컴퓨팅 부족 현상도 결국 과잉 공급으로 끝나지 않을까요?
A: AI는 소프트웨어와 달리 사용할 때마다 연산(Compute)을 소모합니다. 수요는 엄청납니다. 하지만 과잉 공급을 막아주는 자연적인 제동 장치(Governor)가 두 가지 있습니다.
첫째는 **TSMC**입니다. 그들은 과거의 경험 때문에 과잉 투자를 극도로 경계하며 보수적으로 증설하고 있습니다.
둘째는 전력(Power)입니다. 전력을 구하기가 너무 어렵습니다.
이 두 가지 제약 때문에 공급이 수요를 폭발적으로 초과하기는 어렵습니다. 오히려 전력 제약은 최고의 효율을 내는 칩(엔비디아 등)에게는 호재입니다. 전력이 제한되면 와트당 성능이 가장 좋은 칩을 써야 하니까요. 전력 문제는 결국 천연가스와 태양광으로 해결될 겁니다. 원자력은 너무 오래 걸립니다.
Q: 반도체 벤처(VC) 시장은 어떤가요?
A: 엔비디아의 성공 덕분에 반도체 VC 붐이 다시 일어났습니다. 과거에는 50대 엔지니어가 창업하는 지루한 분야였지만, 이제는 수많은 부품(케이블, 광학 등)을 만드는 스타트업들이 생겨나고 있습니다. 엔비디아 혼자 모든 걸 할 수 없기에 이런 생태계의 부활은 필수적입니다.
SaaS 기업의 위기
Q: 기존 소프트웨어(SaaS) 기업들은 AI 시대에 어떻게 대응해야 하나요?
A: 많은 SaaS 기업들이 과거 오프라인 소매업체들이 아마존(e커머스)을 무시했던 것과 똑같은 실수를 저지르고 있습니다. 그들은 **80~90%에 달하는 높은 마진율을 지키려다 AI 도입을 주저**하고 있습니다. AI는 연산 비용 때문에 마진율이 30~40%대로 낮을 수밖에 없습니다.
하지만 AI 네이티브 스타트업들은 낮은 마진을 감수하고 치고 들어옵니다. Salesforce나 ServiceNow 같은 기업들은 지금 당장 마진율 하락을 감수하더라도 적극적으로 'AI 에이전트'를 도입해야 합니다. "불타는 플랫폼(Burning platform)"에서 뛰어내려야 살 수 있습니다. 지금은 생사가 걸린 결정을 내려야 할 때입니다.
Q: 마지막으로 이기적인 질문 하나 할게요. 제 아들이 제가 하는 일에 관심을 보이기 시작했는데요. 당신은 어떻게 이토록 열정적인 투자자가 되었나요? 젊은 친구들에게 이 직업을 어떻게 소개하시겠습니까?
A: 저는 투자가 어느 정도는 '진실을 찾는 과정(Search for truth)'이라고 믿습니다. 남들이 아직 보지 못한 진실을 먼저 찾아서 맞추면 알파(초과 수익)를 얻는 거죠.
저는 어릴 때 역사를 좋아했습니다. 2학년 때 아빠 차를 타고 등교하며 2차 대전 역사를 다 훑었죠. 그러다 보니 현재의 사건(Current events)에 관심이 생겼고, 신문과 잡지를 탐독했습니다.
대학 때는 공부보다 암벽 등반에 미쳐 있었습니다. 스키장에서 청소부로 일하고, 여름엔 강 가이드, 숄더 시즌엔 등반을 하며 야생 동물 사진가나 소설가가 되는 게 꿈이었죠. 스키장에서 화장실 청소를 하며 사람들이 저를 투명 인간 취급하는 걸 보고 충격을 받기도 했습니다.
부모님의 간곡한 부탁으로 딱 한 번 금융사(Donaldson, Lufkin & Jenrette)에서 인턴을 하게 됐는데, 거기서 리서치 보고서를 읽고 완전히 매료되었습니다.
투자는 '역사에 대한 지식'과 '현재 사건에 대한 이해'를 결합해 '미래를 예측하는 게임'이었습니다. 기술과 운이 결합된, 제가 본 가장 흥미로운 게임이었죠. 저는 스포츠나 체스, 포커는 잘하지 못했지만, 주식 시장이라는 패리뮤추얼(Pari-mutuel) 베팅 시스템에서 어떤 주식이 잘못 가격 매겨졌는지 찾아내는 데에는 경쟁력이 있다는 걸 깨달았습니다. 저는 경쟁심이 강한데, 유일하게 잘할 수 있었던 게 바로 투자였습니다. 그래서 지금까지도 이것에만 매달리고 있습니다.
https://youtu.be/cmUo4841KQw
A: 향후 3~4년 내에 '우주 데이터 센터(Data Centers in Space)'가 가장 중요한 화두가 될 겁니다. 제1원칙(First Principles)으로 생각하면 데이터 센터는 무조건 우주에 있어야 합니다.
1. 전력: 우주에서는 24시간 태양광 발전이 가능합니다. 대기가 없어 태양광 효율이 지상보다 30% 높고, 전체적으로 6배 더 많은 에너지를 얻을 수 있습니다. 밤이 없으니 배터리도 필요 없죠. 가장 저렴한 에너지입니다.
2. 냉각: 데이터 센터 비용과 무게의 대부분은 냉각 시스템입니다. 우주의 그늘진 곳은 절대온도에 가깝습니다. 라디에이터만 달면 냉각이 공짜입니다.
3. 통신 속도: 지상의 광섬유 케이블보다 진공 상태에서 레이저를 쏘는 게 더 빠릅니다. 위성 간 레이저 통신(Laser link)을 하면 지상 데이터 센터보다 연결 속도가 더 빠르고, 스타링크처럼 사용자 폰에 직접 연결하면 지상의 복잡한 네트워크 단계를 거칠 필요도 없어집니다.
유일한 장벽은 발사 비용인데, 스페이스 X의 스타십(Starship)이 이를 해결해 줄 겁니다. 일론 머스크가 테슬라, 스페이스 X, XAI를 융합하려는 이유가 여기에도 있습니다.
Q: 역사적으로 공급 부족 뒤에는 항상 과잉 공급(Glut)이 왔습니다. 지금의 컴퓨팅 부족 현상도 결국 과잉 공급으로 끝나지 않을까요?
A: AI는 소프트웨어와 달리 사용할 때마다 연산(Compute)을 소모합니다. 수요는 엄청납니다. 하지만 과잉 공급을 막아주는 자연적인 제동 장치(Governor)가 두 가지 있습니다.
첫째는 **TSMC**입니다. 그들은 과거의 경험 때문에 과잉 투자를 극도로 경계하며 보수적으로 증설하고 있습니다.
둘째는 전력(Power)입니다. 전력을 구하기가 너무 어렵습니다.
이 두 가지 제약 때문에 공급이 수요를 폭발적으로 초과하기는 어렵습니다. 오히려 전력 제약은 최고의 효율을 내는 칩(엔비디아 등)에게는 호재입니다. 전력이 제한되면 와트당 성능이 가장 좋은 칩을 써야 하니까요. 전력 문제는 결국 천연가스와 태양광으로 해결될 겁니다. 원자력은 너무 오래 걸립니다.
Q: 반도체 벤처(VC) 시장은 어떤가요?
A: 엔비디아의 성공 덕분에 반도체 VC 붐이 다시 일어났습니다. 과거에는 50대 엔지니어가 창업하는 지루한 분야였지만, 이제는 수많은 부품(케이블, 광학 등)을 만드는 스타트업들이 생겨나고 있습니다. 엔비디아 혼자 모든 걸 할 수 없기에 이런 생태계의 부활은 필수적입니다.
SaaS 기업의 위기
Q: 기존 소프트웨어(SaaS) 기업들은 AI 시대에 어떻게 대응해야 하나요?
A: 많은 SaaS 기업들이 과거 오프라인 소매업체들이 아마존(e커머스)을 무시했던 것과 똑같은 실수를 저지르고 있습니다. 그들은 **80~90%에 달하는 높은 마진율을 지키려다 AI 도입을 주저**하고 있습니다. AI는 연산 비용 때문에 마진율이 30~40%대로 낮을 수밖에 없습니다.
하지만 AI 네이티브 스타트업들은 낮은 마진을 감수하고 치고 들어옵니다. Salesforce나 ServiceNow 같은 기업들은 지금 당장 마진율 하락을 감수하더라도 적극적으로 'AI 에이전트'를 도입해야 합니다. "불타는 플랫폼(Burning platform)"에서 뛰어내려야 살 수 있습니다. 지금은 생사가 걸린 결정을 내려야 할 때입니다.
Q: 마지막으로 이기적인 질문 하나 할게요. 제 아들이 제가 하는 일에 관심을 보이기 시작했는데요. 당신은 어떻게 이토록 열정적인 투자자가 되었나요? 젊은 친구들에게 이 직업을 어떻게 소개하시겠습니까?
A: 저는 투자가 어느 정도는 '진실을 찾는 과정(Search for truth)'이라고 믿습니다. 남들이 아직 보지 못한 진실을 먼저 찾아서 맞추면 알파(초과 수익)를 얻는 거죠.
저는 어릴 때 역사를 좋아했습니다. 2학년 때 아빠 차를 타고 등교하며 2차 대전 역사를 다 훑었죠. 그러다 보니 현재의 사건(Current events)에 관심이 생겼고, 신문과 잡지를 탐독했습니다.
대학 때는 공부보다 암벽 등반에 미쳐 있었습니다. 스키장에서 청소부로 일하고, 여름엔 강 가이드, 숄더 시즌엔 등반을 하며 야생 동물 사진가나 소설가가 되는 게 꿈이었죠. 스키장에서 화장실 청소를 하며 사람들이 저를 투명 인간 취급하는 걸 보고 충격을 받기도 했습니다.
부모님의 간곡한 부탁으로 딱 한 번 금융사(Donaldson, Lufkin & Jenrette)에서 인턴을 하게 됐는데, 거기서 리서치 보고서를 읽고 완전히 매료되었습니다.
투자는 '역사에 대한 지식'과 '현재 사건에 대한 이해'를 결합해 '미래를 예측하는 게임'이었습니다. 기술과 운이 결합된, 제가 본 가장 흥미로운 게임이었죠. 저는 스포츠나 체스, 포커는 잘하지 못했지만, 주식 시장이라는 패리뮤추얼(Pari-mutuel) 베팅 시스템에서 어떤 주식이 잘못 가격 매겨졌는지 찾아내는 데에는 경쟁력이 있다는 걸 깨달았습니다. 저는 경쟁심이 강한데, 유일하게 잘할 수 있었던 게 바로 투자였습니다. 그래서 지금까지도 이것에만 매달리고 있습니다.
https://youtu.be/cmUo4841KQw
YouTube
GPUs, TPUs, & The Economics of AI Explained | Gavin Baker Interview
In this episode of Invest Like The Best, Patrick O'Shaughnessy sits down with investor Gavin Baker to explore the rapidly evolving AI landscape. They dive deep into the infrastructure war between Nvidia and Google, discuss the implications of Gemini 3 and…
👍5❤1
2025 LLM 패러다임 변화: '모델 크기'를 넘어 '최적화·제품·평가'의 시대로 Andrej Karpathy
2025년, AI 산업의 중심축은 단순한 "모델 크기 경쟁"에서 벗어나 최적화 압력, 제품의 하네스(Harness), 그리고 실질적인 평가로 이동하고 있습니다.
1. 성능(Capability)의 원천이 바뀌다: Pre-train에서 RLVR로
더 이상 '더 큰 모델'만이 능사가 아닙니다. 2025년의 핵심 성장 동력은 RLVR(검증 가능한 보상 기반 강화학습)을 통한 포스트 트레이닝(Post-training)입니다.
컴퓨팅 자원 배분의 이동: 거대 모델의 사전 학습(Pre-train)보다 장시간의 RLVR 최적화가 성능 향상의 주축이 되었습니다. 프론티어 연구소들이 특정 직무나 업무별로 특화된 '에이전트 체육관(Agent Gym)'을 구축하는 이유가 여기에 있습니다.
새로운 스케일링 레버, 'Thinking Time': 추론 단계에서 더 많은 연산 자원을 투입하는 '테스트 타임 컴퓨트(Test-time compute)'가 성능을 높이는 확실한 방법으로 자리 잡았습니다. 물론 이는 비용 및 응답 지연과의 트레이드오프를 고려해야 합니다.
2. '검증 가능성(Verifiability)'이 모든 것을 규정한다
시스템이 내놓은 결과가 맞는지 틀린지 검증할 수 있는가? 이 질문이 학습, 평가, 제품화를 관통하는 핵심입니다.
자동 검증기와 RLVR의 시너지: 테스트 케이스, 정답 확인, 실행기 등 '자동 검증기'가 존재하는 환경에서 RLVR의 성능은 폭발적으로 증가합니다.
벤치마크의 함정: 대부분의 벤치마크 역시 '검증 가능한 환경'이므로, 모델의 학습 타깃이 되기 쉽습니다(과적합). 따라서 기존 벤치마크 점수의 신뢰도는 하락하고 있습니다.
새로운 평가 기준: 단순 점수보다는 ▲오프라인/온라인 평가 스위트(Eval Suite) ▲데이터 오염 방지 대책 ▲실패 복구 능력 및 가드레일 설계가 더 중요해졌습니다.
3. 제품과 투자의 해자(Moat): 모델이 아닌 '워크플로우'
이제 경쟁력의 핵심은 모델 그 자체가 아니라 검증 가능한 워크플로우, 컨텍스트 엔지니어링, 오케스트레이션(DAG), 그리고 로컬 에이전트 UX에 있습니다.
3.1. 제품 레이어(Harness)가 곧 성능이다
LLM 앱의 새로운 표준: Cursor와 같은 도구들이 보여주듯, 이제 LLM 앱은 단순한 채팅창이 아닙니다. 컨텍스트 엔지니어링 + 다중 호출 오케스트레이션 + GUI + 자율성 조절 슬라이더가 결합된 형태가 성능을 결정짓습니다.
대학생 vs 전문가: LLM 연구소들이 '전반적으로 유능한 대학생' 수준의 모델을 배출하는 추세라면, LLM 앱들은 사설 데이터, 센서, 액추에이터, 피드백 루프를 결합하여 이들을 '특정 산업 분야의 숙련된 전문가 팀'으로 조직화해야 합니다.
3.2. 최적화 압력이 지능의 '형태'를 만든다
인간의 지능이 생존과 사회성이라는 압력 하에 진화했듯, LLM은 텍스트 모방, 코드 해결, 사용자 피드백(Upvote)이라는 상업적 선택압에 의해 진화합니다.
따라서 모델의 능력치가 톱니바퀴처럼 들쑥날쑥한(Jagged) 것은 자연스러운 현상입니다.
전략 포인트: 여러분의 버티컬(Vertical) 시장에서 '모델 교체 비용이 낮아지는 속도'와 '워크플로우 및 데이터 피드백 루프의 누적 가치'를 분리해서 측정해야 합니다.
4. 로컬 환경이 에이전트의 승부처인 이유
클라우드 샌드박스보다 로컬 환경이 에이전트 구동에 더 강력한 설득력을 가집니다.
'진짜' 맥락(Context)은 로컬에만 있다: 깃허브(Repo)에는 없는 커밋 전 변경 사항, 로컬 환경 변수, 빌드 캐시, 시스템 라이브러리 등 '코드가 실제로 돌아가는 환경'은 오직 로컬에만 존재합니다.
피드백 루프의 밀도: 개발은 수정 → 실행 → 오류 확인 → 반복의 연속입니다. 로컬 에이전트(예: Claude Code)는 터미널에 상주하며 이 루프를 끊김 없이 수행하지만, 클라우드 방식은 동기화(Sync) 과정에서 지연과 마찰을 발생시켜 몰입을 방해합니다.
접근 권한(Access)의 우위: 로컬 에이전트는 VPN 내부망, 사내 비공개 문서, 로컬 DB 등 개발자가 접속 가능한 모든 곳에 닿을 수 있습니다. 반면 클라우드 샌드박스는 보안상 격리되어 있어 '반쪽짜리' 도구가 되기 쉽습니다.
통제감(Governance)을 주는 UX: 내 컴퓨터를 건드린다는 위험성은 역설적으로 훌륭한 UX를 낳았습니다. 파일 수정이나 명령어 실행 전 사용자의 승인을 구하는 절차는 사용자에게 "AI를 안전하게 통제하고 있다"는 감각을 제공합니다.
5. 멀티모달과 새로운 인터랙션 (GUI의 부활)
"텍스트로 설명하기"보다 "직접 가리키고 조작하기(Direct Manipulation)"가 훨씬 빠릅니다. 결과물 역시 텍스트가 아닌 슬라이드, 웹앱, 인포그래픽 등 '사람 친화적 표현'으로 진화해야 합니다.
Gemini 2.5 Flash Image 등의 시사점: 자연어로 특정 부분을 정밀 편집하거나, 여러 이미지를 합성하고, 브랜드 톤앤매너를 일관되게 유지하는 기능들이 등장하고 있습니다.
UX의 재구성: 사용자는 더 이상 장문의 프롬프트를 쓰지 않습니다. 대신 레이아웃, 템플릿, 참조 이미지를 던져주고 모델이 이를 기반으로 "디자인 조작"을 수행하는 방식으로 UX가 바뀌고 있습니다.
💡 Food for Thoughts: 전략적 점검 포인트
1. 검증 가능성: 우리 도메인은 결과의 참/거짓을 얼마나 명확하게(테스트, 회계적 일치 등) 검증할 수 있는가?
2. 해자의 위치: 우리의 경쟁 우위는 데이터, 피드백 루프, 시스템 통합, 유통(Distribution) 중 어디에 쌓이고 있는가?
3. 실질적 평가: 벤치마크 점수가 아니라, 실제 고객에게 가치를 주는지 측정하는 Eval 시스템을 갖추고 있는가?
4. 피드백 루프의 가치: 데이터가 쌓일수록 모델이 고도화되는 루프가 작동하는가? 더 똑똑한 모델(대학생)이 나왔을 때, 우리 도메인에 즉시 온보딩시킬 교육 프로그램(데이터 파이프라인)이 준비되어 있는가?
5. 로컬-퍼스트 전략: 레포지토리, 시크릿 키, 툴체인 접근이 가능한 '로컬 우선' 전략이 가능한가? 가능하다면 UX와 성능 혁신의 기회가 있다.
6. 인터페이스의 미래: 멀티모달과 GUI 조작이 본격화될 때, 현재의 텍스트 기반 UX는 어디까지 대체될 것인가?
https://karpathy.bearblog.dev/year-in-review-2025/
2025년, AI 산업의 중심축은 단순한 "모델 크기 경쟁"에서 벗어나 최적화 압력, 제품의 하네스(Harness), 그리고 실질적인 평가로 이동하고 있습니다.
1. 성능(Capability)의 원천이 바뀌다: Pre-train에서 RLVR로
더 이상 '더 큰 모델'만이 능사가 아닙니다. 2025년의 핵심 성장 동력은 RLVR(검증 가능한 보상 기반 강화학습)을 통한 포스트 트레이닝(Post-training)입니다.
컴퓨팅 자원 배분의 이동: 거대 모델의 사전 학습(Pre-train)보다 장시간의 RLVR 최적화가 성능 향상의 주축이 되었습니다. 프론티어 연구소들이 특정 직무나 업무별로 특화된 '에이전트 체육관(Agent Gym)'을 구축하는 이유가 여기에 있습니다.
새로운 스케일링 레버, 'Thinking Time': 추론 단계에서 더 많은 연산 자원을 투입하는 '테스트 타임 컴퓨트(Test-time compute)'가 성능을 높이는 확실한 방법으로 자리 잡았습니다. 물론 이는 비용 및 응답 지연과의 트레이드오프를 고려해야 합니다.
2. '검증 가능성(Verifiability)'이 모든 것을 규정한다
시스템이 내놓은 결과가 맞는지 틀린지 검증할 수 있는가? 이 질문이 학습, 평가, 제품화를 관통하는 핵심입니다.
자동 검증기와 RLVR의 시너지: 테스트 케이스, 정답 확인, 실행기 등 '자동 검증기'가 존재하는 환경에서 RLVR의 성능은 폭발적으로 증가합니다.
벤치마크의 함정: 대부분의 벤치마크 역시 '검증 가능한 환경'이므로, 모델의 학습 타깃이 되기 쉽습니다(과적합). 따라서 기존 벤치마크 점수의 신뢰도는 하락하고 있습니다.
새로운 평가 기준: 단순 점수보다는 ▲오프라인/온라인 평가 스위트(Eval Suite) ▲데이터 오염 방지 대책 ▲실패 복구 능력 및 가드레일 설계가 더 중요해졌습니다.
3. 제품과 투자의 해자(Moat): 모델이 아닌 '워크플로우'
이제 경쟁력의 핵심은 모델 그 자체가 아니라 검증 가능한 워크플로우, 컨텍스트 엔지니어링, 오케스트레이션(DAG), 그리고 로컬 에이전트 UX에 있습니다.
3.1. 제품 레이어(Harness)가 곧 성능이다
LLM 앱의 새로운 표준: Cursor와 같은 도구들이 보여주듯, 이제 LLM 앱은 단순한 채팅창이 아닙니다. 컨텍스트 엔지니어링 + 다중 호출 오케스트레이션 + GUI + 자율성 조절 슬라이더가 결합된 형태가 성능을 결정짓습니다.
대학생 vs 전문가: LLM 연구소들이 '전반적으로 유능한 대학생' 수준의 모델을 배출하는 추세라면, LLM 앱들은 사설 데이터, 센서, 액추에이터, 피드백 루프를 결합하여 이들을 '특정 산업 분야의 숙련된 전문가 팀'으로 조직화해야 합니다.
3.2. 최적화 압력이 지능의 '형태'를 만든다
인간의 지능이 생존과 사회성이라는 압력 하에 진화했듯, LLM은 텍스트 모방, 코드 해결, 사용자 피드백(Upvote)이라는 상업적 선택압에 의해 진화합니다.
따라서 모델의 능력치가 톱니바퀴처럼 들쑥날쑥한(Jagged) 것은 자연스러운 현상입니다.
전략 포인트: 여러분의 버티컬(Vertical) 시장에서 '모델 교체 비용이 낮아지는 속도'와 '워크플로우 및 데이터 피드백 루프의 누적 가치'를 분리해서 측정해야 합니다.
4. 로컬 환경이 에이전트의 승부처인 이유
클라우드 샌드박스보다 로컬 환경이 에이전트 구동에 더 강력한 설득력을 가집니다.
'진짜' 맥락(Context)은 로컬에만 있다: 깃허브(Repo)에는 없는 커밋 전 변경 사항, 로컬 환경 변수, 빌드 캐시, 시스템 라이브러리 등 '코드가 실제로 돌아가는 환경'은 오직 로컬에만 존재합니다.
피드백 루프의 밀도: 개발은 수정 → 실행 → 오류 확인 → 반복의 연속입니다. 로컬 에이전트(예: Claude Code)는 터미널에 상주하며 이 루프를 끊김 없이 수행하지만, 클라우드 방식은 동기화(Sync) 과정에서 지연과 마찰을 발생시켜 몰입을 방해합니다.
접근 권한(Access)의 우위: 로컬 에이전트는 VPN 내부망, 사내 비공개 문서, 로컬 DB 등 개발자가 접속 가능한 모든 곳에 닿을 수 있습니다. 반면 클라우드 샌드박스는 보안상 격리되어 있어 '반쪽짜리' 도구가 되기 쉽습니다.
통제감(Governance)을 주는 UX: 내 컴퓨터를 건드린다는 위험성은 역설적으로 훌륭한 UX를 낳았습니다. 파일 수정이나 명령어 실행 전 사용자의 승인을 구하는 절차는 사용자에게 "AI를 안전하게 통제하고 있다"는 감각을 제공합니다.
5. 멀티모달과 새로운 인터랙션 (GUI의 부활)
"텍스트로 설명하기"보다 "직접 가리키고 조작하기(Direct Manipulation)"가 훨씬 빠릅니다. 결과물 역시 텍스트가 아닌 슬라이드, 웹앱, 인포그래픽 등 '사람 친화적 표현'으로 진화해야 합니다.
Gemini 2.5 Flash Image 등의 시사점: 자연어로 특정 부분을 정밀 편집하거나, 여러 이미지를 합성하고, 브랜드 톤앤매너를 일관되게 유지하는 기능들이 등장하고 있습니다.
UX의 재구성: 사용자는 더 이상 장문의 프롬프트를 쓰지 않습니다. 대신 레이아웃, 템플릿, 참조 이미지를 던져주고 모델이 이를 기반으로 "디자인 조작"을 수행하는 방식으로 UX가 바뀌고 있습니다.
💡 Food for Thoughts: 전략적 점검 포인트
1. 검증 가능성: 우리 도메인은 결과의 참/거짓을 얼마나 명확하게(테스트, 회계적 일치 등) 검증할 수 있는가?
2. 해자의 위치: 우리의 경쟁 우위는 데이터, 피드백 루프, 시스템 통합, 유통(Distribution) 중 어디에 쌓이고 있는가?
3. 실질적 평가: 벤치마크 점수가 아니라, 실제 고객에게 가치를 주는지 측정하는 Eval 시스템을 갖추고 있는가?
4. 피드백 루프의 가치: 데이터가 쌓일수록 모델이 고도화되는 루프가 작동하는가? 더 똑똑한 모델(대학생)이 나왔을 때, 우리 도메인에 즉시 온보딩시킬 교육 프로그램(데이터 파이프라인)이 준비되어 있는가?
5. 로컬-퍼스트 전략: 레포지토리, 시크릿 키, 툴체인 접근이 가능한 '로컬 우선' 전략이 가능한가? 가능하다면 UX와 성능 혁신의 기회가 있다.
6. 인터페이스의 미래: 멀티모달과 GUI 조작이 본격화될 때, 현재의 텍스트 기반 UX는 어디까지 대체될 것인가?
https://karpathy.bearblog.dev/year-in-review-2025/
karpathy
2025 LLM Year in Review
2025 Year in Review of LLM paradigm changes
❤3
1. AI는 지식 산업의 '중국 효과(China Cost)'다
"중국이 저렴한 노동 비용으로 세계 제조업을 평정했듯, AI는 지식 산업에서 동일한 효과를 낼 것입니다."
과거 제조업 혁신의 핵심이 '카이젠(Kaizen, 점진적 개선)'이었다면, 이제는 지식 노동 분야에서 '디지털 카이젠'*이 일어날 차례입니다.
격차의 가속화: AI와 로봇을 도입해 매년 비용을 15~20%씩 낮추는 기업과, 인건비 상승으로 매년 3~5%씩 비용이 오르는 기업. 이 둘의 격차는 5년 뒤면 도저히 따라잡을 수 없는 수준(Insurmountable)으로 벌어집니다.
아마존의 교훈: 아마존은 기술로 비용을 절감해 시장 점유율을 뺏어오고, 그 이익을 다시 '물리적 해자(물류 센터, 공장 등 복제하기 어려운 자산)'에 재투자하여 경쟁자의 진입을 원천 봉쇄했습니다.
진짜 AI 승자: AI 기술 기업 그 자체가 아닙니다. 유통, 물류, 제조 등 탄탄한 물리적 해자를 이미 보유한 기업이 AI를 도입해 운영 효율을 극대화할 때, 진정한 승자가 탄생합니다.
2. 50년의 역사, 성과는 오직 20개 종목에서 나왔다
"월마트를 너무 일찍 판 단 한 번의 실수가 다른 수많은 성공을 상쇄해 버렸습니다."
주식 시장의 수익은 정규분포가 아닌 철저한 멱법칙(Power Law)을 따릅니다. 전체의 단 1%에 해당하는 'Valedictorian(수석 졸업생)' 기업들이 시장 전체의 수익을 견인합니다.
매수보다 중요한 매도: 형편없는 종목을 매수하는 실수보다, '위대한 복리 기계(Compounder)'를 너무 일찍 팔아버리는 실수가 수학적으로 훨씬 더 뼈아픈 손실을 안겨줍니다.
확률론적 접근: 시장의 4,000개 종목 중 연 20% 이상 성장하는 '수석 졸업생'은 약 40개(1%)에 불과합니다. 이들은 주로 'Small Cap(소형주)' 단계에서 탄생하므로, 이 모집단에 집중하는 것이 성공 확률을 극대화하는 길입니다.
3. 기술은 '목적'이 아니라 '수단'일 뿐이다 (도미노피자 케이스)
"2010년대 최고의 소형주 수익률을 기록한 곳은 IT 기업이 아니라, 바로 도미노피자였습니다."
성공 방정식: 평범한 상품(Commodity, 피자)에 압도적인 기술 투자(Convenience, 편의성)를 더했습니다.
기술 해자의 구축: 앱 주문, 배달 추적 등 기술을 통해 '편의성'을 극대화함으로써 어중간한 지역(Regional) 경쟁자들을 도태시켰습니다. 물리적 프랜차이즈 위에 강력한 '기술 해자(Tech Moat)'를 쌓아 올린 것입니다.
Lesson: 당신의 비즈니스가 '물리적 유통'이나 '지루한 운영'을 다루고 있습니까? 바로 그 지점에 기술을 투입해 압도적인 효율을 만드십시오. 그곳에 기회가 있습니다.
4. 'Act 2' 창업가가 가지는 구조적 이점
"두 번째 창업(Act 2)이 유리한 이유는 '무엇을 모르는지 아는 상태(Known Unknowns)'에서 시작하기 때문입니다."
구조적 마찰의 제거: 첫 창업의 시행착오를 바탕으로, 시작부터 캡 테이블(주주 구성), 이사회, 조직 구조를 완벽하고 깨끗하게 세팅할 수 있습니다.
탁월한 예외 처리 능력: Workday 창업자들의 사례처럼, 해당 산업에서 발생할 수 있는 특수한 돌발 상황(Edge Case)들을 이미 경험해 봤기에 위기 관리와 예외 처리에 있어 비교할 수 없는 능숙함을 보입니다.
https://youtu.be/plx6Foxoam4?si=NPAnpyUnF3Vxoumn
"중국이 저렴한 노동 비용으로 세계 제조업을 평정했듯, AI는 지식 산업에서 동일한 효과를 낼 것입니다."
과거 제조업 혁신의 핵심이 '카이젠(Kaizen, 점진적 개선)'이었다면, 이제는 지식 노동 분야에서 '디지털 카이젠'*이 일어날 차례입니다.
격차의 가속화: AI와 로봇을 도입해 매년 비용을 15~20%씩 낮추는 기업과, 인건비 상승으로 매년 3~5%씩 비용이 오르는 기업. 이 둘의 격차는 5년 뒤면 도저히 따라잡을 수 없는 수준(Insurmountable)으로 벌어집니다.
아마존의 교훈: 아마존은 기술로 비용을 절감해 시장 점유율을 뺏어오고, 그 이익을 다시 '물리적 해자(물류 센터, 공장 등 복제하기 어려운 자산)'에 재투자하여 경쟁자의 진입을 원천 봉쇄했습니다.
진짜 AI 승자: AI 기술 기업 그 자체가 아닙니다. 유통, 물류, 제조 등 탄탄한 물리적 해자를 이미 보유한 기업이 AI를 도입해 운영 효율을 극대화할 때, 진정한 승자가 탄생합니다.
2. 50년의 역사, 성과는 오직 20개 종목에서 나왔다
"월마트를 너무 일찍 판 단 한 번의 실수가 다른 수많은 성공을 상쇄해 버렸습니다."
주식 시장의 수익은 정규분포가 아닌 철저한 멱법칙(Power Law)을 따릅니다. 전체의 단 1%에 해당하는 'Valedictorian(수석 졸업생)' 기업들이 시장 전체의 수익을 견인합니다.
매수보다 중요한 매도: 형편없는 종목을 매수하는 실수보다, '위대한 복리 기계(Compounder)'를 너무 일찍 팔아버리는 실수가 수학적으로 훨씬 더 뼈아픈 손실을 안겨줍니다.
확률론적 접근: 시장의 4,000개 종목 중 연 20% 이상 성장하는 '수석 졸업생'은 약 40개(1%)에 불과합니다. 이들은 주로 'Small Cap(소형주)' 단계에서 탄생하므로, 이 모집단에 집중하는 것이 성공 확률을 극대화하는 길입니다.
3. 기술은 '목적'이 아니라 '수단'일 뿐이다 (도미노피자 케이스)
"2010년대 최고의 소형주 수익률을 기록한 곳은 IT 기업이 아니라, 바로 도미노피자였습니다."
성공 방정식: 평범한 상품(Commodity, 피자)에 압도적인 기술 투자(Convenience, 편의성)를 더했습니다.
기술 해자의 구축: 앱 주문, 배달 추적 등 기술을 통해 '편의성'을 극대화함으로써 어중간한 지역(Regional) 경쟁자들을 도태시켰습니다. 물리적 프랜차이즈 위에 강력한 '기술 해자(Tech Moat)'를 쌓아 올린 것입니다.
Lesson: 당신의 비즈니스가 '물리적 유통'이나 '지루한 운영'을 다루고 있습니까? 바로 그 지점에 기술을 투입해 압도적인 효율을 만드십시오. 그곳에 기회가 있습니다.
4. 'Act 2' 창업가가 가지는 구조적 이점
"두 번째 창업(Act 2)이 유리한 이유는 '무엇을 모르는지 아는 상태(Known Unknowns)'에서 시작하기 때문입니다."
구조적 마찰의 제거: 첫 창업의 시행착오를 바탕으로, 시작부터 캡 테이블(주주 구성), 이사회, 조직 구조를 완벽하고 깨끗하게 세팅할 수 있습니다.
탁월한 예외 처리 능력: Workday 창업자들의 사례처럼, 해당 산업에서 발생할 수 있는 특수한 돌발 상황(Edge Case)들을 이미 경험해 봤기에 위기 관리와 예외 처리에 있어 비교할 수 없는 능숙함을 보입니다.
https://youtu.be/plx6Foxoam4?si=NPAnpyUnF3Vxoumn
YouTube
Finding The 1% of Stocks That Matter | Henry Ellenbogen Interview
In this episode, Patrick interviews Henry Ellenbogen, founder of Durable Capital Partners. Henry shares his investment philosophy of finding the 1% of companies that become long-term compounders, growing 6x over 10 years. He discusses "Act Two" entrepreneurs…
❤4
지능의 공급 변화
모든 변화의 시작점은 '희소 자원'이 '무한 자원'으로 바뀌는 순간입니다.
과거 (The Human Limit): '지능(Intelligence)'과 '실행(Execution)'은 생물학적 한계(수면, 피로, 처리 속도)를 가진 인간에게 종속된 희소 자원이었습니다.
현재 (The Infinite Shift): AI의 등장으로 지능은 "무한하고, 잠들지 않으며, 복사가 가능한 자원(Infinite Minds)"으로 전환되었습니다.
결론: 따라서 생산성의 한계는 더 이상 '인간의 노동 시간'이 아니라, '무한한 AI 지능을 통제하고 조율하는 구조(Architecture)'에 의해 결정됩니다.
현재의 제약 (The Current Constraints): 왜 혁명은 아직인가?
지능이 무한해졌음에도 대부분의 지식 노동자가 여전히 '자전거(인간 주도)'를 타는 이유는 기술 부족이 아닌, 두 가지 구조적 문제 때문입니다.
제약 A: 맥락의 파편화 (Context Fragmentation)
원리: 지능이 작동하려면 데이터(Context)가 통합되어야 합니다.
현상: 프로그래머의 코딩 환경(IDE)은 모든 문맥이 한곳에 있어 AI가 즉시 개입 가능합니다. 반면, 일반 지식 노동은 슬랙, 문서, 이메일, 그리고 개인의 머릿속에 정보가 파편화되어 있습니다.
결과: 통합되지 않은 문맥에서는 AI가 추론할 수 없습니다. 결국 인간이 흩어진 정보를 찾아 '복사-붙여넣기'하는 접착제 역할을 수행해야 하므로 생산성이 정체됩니다.
제약 B: 검증 불가능성 (Unverifiability)
원리: 시스템을 완전 자동화하려면 결과물의 '참/거짓'을 판별하는 피드백 루프가 필수적입니다.
현상: 코드는 에러 여부로 즉시 검증(Testable)이 가능합니다. 하지만 기획안이나 전략 보고서는 '좋은지 나쁜지' 판단하는 객관적 기준이 모호합니다.
결과: 검증이 불가능하므로 인간이 루프 안에(Human-in-the-loop) 머물며 감시해야 합니다. 이는 '1865년 붉은 깃발법(Red Flag Act)'처럼, 자동차(AI) 앞에 사람이 깃발을 들고 걷게 만들어 전체 속도를 인간의 보행 속도로 떨어뜨리는 결과를 낳습니다.
이러한 제약을 극복하고 '무한 지능'을 제대로 활용하려면, 과거의 기술 혁명에서 증명된 설계 원칙을 적용해야 합니다.
기술 수용의 패턴: 백미러 효과 (The Rearview Mirror Effect)
- 역사적 사례 (Fact)
- 영화: 초창기 영화는 카메라를 고정해두고 연극 무대를 그대로 촬영한 '녹화된 연극'에 불과했다.
- 전화: 초기 전화 통화는 전보(Telegram)처럼 용건만 간단히 전하는 방식이었다.
- 마샬 맥루언의 관찰: "우리는 백미러를 보며 미래로 운전한다." (새로운 기술을 과거의 익숙한 틀에 가두는 현상)
- 추론 원리 (Principle)
- 신기술 도입 초기에는 항상 스큐어모피즘(Skeuomorphism, 과거의 형태를 모방) 현상이 발생한다. 기술의 본질이 발현되기 전까지 과도기적 비효율이 존재한다.
- AI의 미래 재구성 (Conclusion)
- 지금의 '챗봇(Chatbot)' 형태는 구글 검색창(과거)을 흉내 낸 과도기적 모델이다.
- 진정한 AI 시대는 인간이 질문하고 AI가 답하는 '검색' 방식이 아니라, AI가 인간이 자는 동안 스스로 업무를 완결하는 '에이전트(Agent)' 형태로 전환될 때 시작된다.
조직 확장의 물리학: 강철의 법칙 (The Steel Analogy)
- 역사적 사례 (Fact)
- 19세기 건축: 목재와 무쇠(Iron)로 지은 건물은 6~7층이 한계였다. 그 이상 올리면 자재 무게를 이기지 못해 붕괴했다.
- 강철(Steel)의 등장: 가볍고 강력한 강철 프레임 덕분에 울워스 빌딩(Woolworth Building) 같은 마천루가 가능해졌다.
- 추론 원리 (Principle)
- 구조물의 최대 크기(Scale)는 그것을 지탱하는 **소재(Material)의 물리적 한계**에 의해 결정된다. 조직에 있어 '소재'는 구성원 간의 '소통 능력'이다.
- AI의 미래 재구성 (Conclusion)
- 인간의 뇌와 회의로 이루어진 기존 조직(목재)은 규모가 커지면 소통 비용으로 인해 무너진다.
- AI(강철)는 맥락을 잃지 않고 무한히 정보를 처리하므로, 소통 비용의 붕괴 없이 조직을 무한 확장(Infinite Scale) 가능하게 한다. 기업은 더 이상 인간 규모에 갇히지 않는다.
생산성 혁명의 조건: 증기기관의 배치 (The Steam Engine Architecture)
- 역사적 사례 (Fact)
- 1단계: 초기 공장주들은 물레방아를 증기기관으로 교체만 하고, 공장 위치(강가)와 구조는 그대로 두었다. -> 생산성 증가 미미함.
- 2단계: 증기기관의 특성에 맞춰 공장을 강가에서 떼어내고, 기계 배치를 동력원에 맞춰 완전히 재설계했다. -> 생산성 폭발.
- 추론 원리 (Principle)
- 새로운 동력원의 효율은 단순히 부품을 교체하는 것(Substitution)이 아니라, 전체 시스템의 레이아웃을 재설계(Redesign)할 때 극대화된다.
- AI의 미래 재구성 (Conclusion)
- 현재 기업들이 쓰는 'AI 코파일럿'은 물레방아만 바꾼 격이다.
- 진정한 혁신은 인간 중심의 워크플로우(회의, 결재, 9-to-6)를 해체하고, **'잠들지 않는 지능(AI)'이 주도하는 비동기식 프로세스**로 조직을 재건축할 때 발생한다.
자동화의 병목: 붉은 깃발법 (The Red Flag Act)
- 역사적 사례 (Fact)
- 1865년 붉은 깃발법: 자동차가 등장하자 안전을 위해 기수가 붉은 깃발을 들고 차 앞에서 걷게 했다.
- 결과: 자동차의 속도는 사람의 보행 속도로 제한되었다.
- 추론 원리 (Principle)
- Human-in-the-loop(인간이 개입하는 루프)는 시스템의 속도를 인간의 인지 속도로 하향 평준화시킨다. 검증 불가능한 시스템은 인간 감시를 필요로 하므로 느리다.
- AI의 미래 재구성 (Conclusion)
- 코딩(Programming)은 테스트 코드로 자동 검증이 가능(Verifiable)하므로 이미 인간 개입이 줄어들고 속도가 빨라졌다(자전거→자동차).
- 반면 **일반 지식 노동**은 맥락이 파편화되어 있고 검증이 어려워 여전히 인간이 '깃발'을 들고 서 있다.
- 미래는 맥락 통합(Context Consolidation)과 결과 검증(Verifiability) 시스템을 구축하여 '깃발 든 인간'을 제거하는 쪽으로 진화할 것이다.
경제의 밀도 변화: 피렌체에서 도쿄로 (From Florence to Tokyo)
- 역사적 사례 (Fact)
- 르네상스 피렌체: 인간의 보행 거리와 목소리가 닿는 범위 내에서 설계된 '인간 스케일'의 도시.
- 현대 도쿄/메가시티: 강철, 철도, 전기가 결합되어 인간의 생물학적 한계를 초월한 거대 밀도와 속도를 가진 도시.
- 추론 원리 (Principle)
- 기술은 시공간의 제약을 없애 **복잡도(Complexity)와 기회(Opportunity)의 밀도**를 기하급수적으로 높인다.
- AI의 미래 재구성 (Conclusion)
- 지금까지의 지식 경제가 아늑하고 파악 가능한 '피렌체'였다면, AI 에이전트가 결합된 미래 경제는 복잡하고 방향을 잃기 쉽지만 압도적인 생산성을 가진 **'도쿄'와 같은 메가시티 경제**가 될 것이다.
"새로운 물질(AI)은 필연적으로 새로운 구조(Architecture)를 요구한다."
미래는 AI라는 도구를 쥔 사람이 아니라, AI라는 소재에 맞게 조직과 일하는 방식을 완전히 '재설계'한 사람이 지배하게 된다는 결론에 도달합니다.
https://x.com/ivanhzhao/status/2003192654545539400
모든 변화의 시작점은 '희소 자원'이 '무한 자원'으로 바뀌는 순간입니다.
과거 (The Human Limit): '지능(Intelligence)'과 '실행(Execution)'은 생물학적 한계(수면, 피로, 처리 속도)를 가진 인간에게 종속된 희소 자원이었습니다.
현재 (The Infinite Shift): AI의 등장으로 지능은 "무한하고, 잠들지 않으며, 복사가 가능한 자원(Infinite Minds)"으로 전환되었습니다.
결론: 따라서 생산성의 한계는 더 이상 '인간의 노동 시간'이 아니라, '무한한 AI 지능을 통제하고 조율하는 구조(Architecture)'에 의해 결정됩니다.
현재의 제약 (The Current Constraints): 왜 혁명은 아직인가?
지능이 무한해졌음에도 대부분의 지식 노동자가 여전히 '자전거(인간 주도)'를 타는 이유는 기술 부족이 아닌, 두 가지 구조적 문제 때문입니다.
제약 A: 맥락의 파편화 (Context Fragmentation)
원리: 지능이 작동하려면 데이터(Context)가 통합되어야 합니다.
현상: 프로그래머의 코딩 환경(IDE)은 모든 문맥이 한곳에 있어 AI가 즉시 개입 가능합니다. 반면, 일반 지식 노동은 슬랙, 문서, 이메일, 그리고 개인의 머릿속에 정보가 파편화되어 있습니다.
결과: 통합되지 않은 문맥에서는 AI가 추론할 수 없습니다. 결국 인간이 흩어진 정보를 찾아 '복사-붙여넣기'하는 접착제 역할을 수행해야 하므로 생산성이 정체됩니다.
제약 B: 검증 불가능성 (Unverifiability)
원리: 시스템을 완전 자동화하려면 결과물의 '참/거짓'을 판별하는 피드백 루프가 필수적입니다.
현상: 코드는 에러 여부로 즉시 검증(Testable)이 가능합니다. 하지만 기획안이나 전략 보고서는 '좋은지 나쁜지' 판단하는 객관적 기준이 모호합니다.
결과: 검증이 불가능하므로 인간이 루프 안에(Human-in-the-loop) 머물며 감시해야 합니다. 이는 '1865년 붉은 깃발법(Red Flag Act)'처럼, 자동차(AI) 앞에 사람이 깃발을 들고 걷게 만들어 전체 속도를 인간의 보행 속도로 떨어뜨리는 결과를 낳습니다.
이러한 제약을 극복하고 '무한 지능'을 제대로 활용하려면, 과거의 기술 혁명에서 증명된 설계 원칙을 적용해야 합니다.
기술 수용의 패턴: 백미러 효과 (The Rearview Mirror Effect)
- 역사적 사례 (Fact)
- 영화: 초창기 영화는 카메라를 고정해두고 연극 무대를 그대로 촬영한 '녹화된 연극'에 불과했다.
- 전화: 초기 전화 통화는 전보(Telegram)처럼 용건만 간단히 전하는 방식이었다.
- 마샬 맥루언의 관찰: "우리는 백미러를 보며 미래로 운전한다." (새로운 기술을 과거의 익숙한 틀에 가두는 현상)
- 추론 원리 (Principle)
- 신기술 도입 초기에는 항상 스큐어모피즘(Skeuomorphism, 과거의 형태를 모방) 현상이 발생한다. 기술의 본질이 발현되기 전까지 과도기적 비효율이 존재한다.
- AI의 미래 재구성 (Conclusion)
- 지금의 '챗봇(Chatbot)' 형태는 구글 검색창(과거)을 흉내 낸 과도기적 모델이다.
- 진정한 AI 시대는 인간이 질문하고 AI가 답하는 '검색' 방식이 아니라, AI가 인간이 자는 동안 스스로 업무를 완결하는 '에이전트(Agent)' 형태로 전환될 때 시작된다.
조직 확장의 물리학: 강철의 법칙 (The Steel Analogy)
- 역사적 사례 (Fact)
- 19세기 건축: 목재와 무쇠(Iron)로 지은 건물은 6~7층이 한계였다. 그 이상 올리면 자재 무게를 이기지 못해 붕괴했다.
- 강철(Steel)의 등장: 가볍고 강력한 강철 프레임 덕분에 울워스 빌딩(Woolworth Building) 같은 마천루가 가능해졌다.
- 추론 원리 (Principle)
- 구조물의 최대 크기(Scale)는 그것을 지탱하는 **소재(Material)의 물리적 한계**에 의해 결정된다. 조직에 있어 '소재'는 구성원 간의 '소통 능력'이다.
- AI의 미래 재구성 (Conclusion)
- 인간의 뇌와 회의로 이루어진 기존 조직(목재)은 규모가 커지면 소통 비용으로 인해 무너진다.
- AI(강철)는 맥락을 잃지 않고 무한히 정보를 처리하므로, 소통 비용의 붕괴 없이 조직을 무한 확장(Infinite Scale) 가능하게 한다. 기업은 더 이상 인간 규모에 갇히지 않는다.
생산성 혁명의 조건: 증기기관의 배치 (The Steam Engine Architecture)
- 역사적 사례 (Fact)
- 1단계: 초기 공장주들은 물레방아를 증기기관으로 교체만 하고, 공장 위치(강가)와 구조는 그대로 두었다. -> 생산성 증가 미미함.
- 2단계: 증기기관의 특성에 맞춰 공장을 강가에서 떼어내고, 기계 배치를 동력원에 맞춰 완전히 재설계했다. -> 생산성 폭발.
- 추론 원리 (Principle)
- 새로운 동력원의 효율은 단순히 부품을 교체하는 것(Substitution)이 아니라, 전체 시스템의 레이아웃을 재설계(Redesign)할 때 극대화된다.
- AI의 미래 재구성 (Conclusion)
- 현재 기업들이 쓰는 'AI 코파일럿'은 물레방아만 바꾼 격이다.
- 진정한 혁신은 인간 중심의 워크플로우(회의, 결재, 9-to-6)를 해체하고, **'잠들지 않는 지능(AI)'이 주도하는 비동기식 프로세스**로 조직을 재건축할 때 발생한다.
자동화의 병목: 붉은 깃발법 (The Red Flag Act)
- 역사적 사례 (Fact)
- 1865년 붉은 깃발법: 자동차가 등장하자 안전을 위해 기수가 붉은 깃발을 들고 차 앞에서 걷게 했다.
- 결과: 자동차의 속도는 사람의 보행 속도로 제한되었다.
- 추론 원리 (Principle)
- Human-in-the-loop(인간이 개입하는 루프)는 시스템의 속도를 인간의 인지 속도로 하향 평준화시킨다. 검증 불가능한 시스템은 인간 감시를 필요로 하므로 느리다.
- AI의 미래 재구성 (Conclusion)
- 코딩(Programming)은 테스트 코드로 자동 검증이 가능(Verifiable)하므로 이미 인간 개입이 줄어들고 속도가 빨라졌다(자전거→자동차).
- 반면 **일반 지식 노동**은 맥락이 파편화되어 있고 검증이 어려워 여전히 인간이 '깃발'을 들고 서 있다.
- 미래는 맥락 통합(Context Consolidation)과 결과 검증(Verifiability) 시스템을 구축하여 '깃발 든 인간'을 제거하는 쪽으로 진화할 것이다.
경제의 밀도 변화: 피렌체에서 도쿄로 (From Florence to Tokyo)
- 역사적 사례 (Fact)
- 르네상스 피렌체: 인간의 보행 거리와 목소리가 닿는 범위 내에서 설계된 '인간 스케일'의 도시.
- 현대 도쿄/메가시티: 강철, 철도, 전기가 결합되어 인간의 생물학적 한계를 초월한 거대 밀도와 속도를 가진 도시.
- 추론 원리 (Principle)
- 기술은 시공간의 제약을 없애 **복잡도(Complexity)와 기회(Opportunity)의 밀도**를 기하급수적으로 높인다.
- AI의 미래 재구성 (Conclusion)
- 지금까지의 지식 경제가 아늑하고 파악 가능한 '피렌체'였다면, AI 에이전트가 결합된 미래 경제는 복잡하고 방향을 잃기 쉽지만 압도적인 생산성을 가진 **'도쿄'와 같은 메가시티 경제**가 될 것이다.
"새로운 물질(AI)은 필연적으로 새로운 구조(Architecture)를 요구한다."
미래는 AI라는 도구를 쥔 사람이 아니라, AI라는 소재에 맞게 조직과 일하는 방식을 완전히 '재설계'한 사람이 지배하게 된다는 결론에 도달합니다.
https://x.com/ivanhzhao/status/2003192654545539400
X (formerly Twitter)
Ivan Zhao (@ivanhzhao) on X
Steam, Steel, and Infinite Minds
👍4
성과를 내려면 '결과'가 아닌 '과정'을 목표로 삼고, '동기' 대신 '루틴'을 믿으십시오
명확하고 도전적인 목표는 수행 능력을 향상시킵니다. 하지만 연구 결과에 따르면 우리가 흔히 설정하는 승리나 순위 같은 결과 목표(Outcome Goals)는 성과 향상에 유의미한 효과가 없었습니다. 통제할 수 없는 결과에 대한 집착은 오히려 불안을 높이고 수행 능력을 떨어뜨립니다.
반면, 기술 수행이나 구체적인 행동에 초점을 맞춘 과정 목표(Process Goals)는 수행 능력을 가장 크게 향상시켰습니다(d=1.36). 통제 가능한 요소에 집중함으로써 자신감을 높이고 불안을 잠재우기 때문입니다.
1. 목표 효과를 극대화하는 4가지 조건
단순히 목표를 정하는 것만으로는 부족합니다. 연구에 따르면 다음의 조건들이 갖춰질 때 목표 설정의 효과는 배가됩니다.
1. 자기 조절 과정: 목표 설정은 계획 수립, 모니터링, 평가라는 자기 조절 과정이 동반될 때 가장 강력했습니다.
2. 피드백의 유무: 현재 내 상태와 목표 사이의 차이를 인식할 수 있는 피드백이 반드시 제공되어야 합니다.
3. 참여자의 특성: 흥미로운 점은 성인이나 숙련자보다 청소년과 초보자가 목표 설정의 효과를 더 크게 경험했다는 것입니다. 이는 학습 초기에 방향성을 잡아주는 것이 매우 중요함을 시사합니다.
4. 누가 설정하는가: 스스로 정한 목표보다 지도자나 연구자가 설정해 준 목표가 더 효과적이었습니다. 외부에서 제시된 목표가 더 구체적이고 도전적인 경우가 많기 때문입니다.
2. 실전 적용: 목표의 위계(Hierarchy) 설정
위의 조건들을 만족시키기 위해 '목표의 위계'를 설정하십시오. 방향성을 잡기 위해 큰 '결과 목표(예: 우승, 승진)'를 하나 두되, 실제 실행은 철저히 과정 목표에 집중해야 합니다.
러닝: "5km를 20분 안에 주파하기" 대신 "보폭을 유지하며 어깨 힘 빼기"를 목표로 삼습니다.
업무: "완벽한 프레젠테이션" 대신 "시작 전 심호흡하기" 혹은 "정확한 딕션 유지하기"에 집중합니다.
이때 과정 목표는 구체적이고 측정 가능하게(SMART) 설정하고, 매주 피드백을 통해 궤도를 수정해야 합니다.
3. 동기가 아닌 루틴으로 완성하라
마지막으로 가장 중요한 조언은 '동기부여'를 유일한 연료로 삼지 말라는 것입니다. 동기는 훌륭하지만 단기적인 연료일 뿐입니다. 대부분의 사람들이 중도에 포기하는 이유는 동기가 고갈되는 순간 멈추기 때문입니다.
지속 가능한 유일한 연료는 '루틴'입니다. 루틴은 동기가 없는 날에도, 하기 싫은 날에도 자신을 끌고 나가게 만듭니다. 마법 같은 비결은 없습니다. 장기적인 성과는 하기 싫은 날에도 자리에 앉아 수행하는 단순하고도 무식한 반복(Brute force)에서 나옵니다.
https://www.tandfonline.com/doi/full/10.1080/1750984X.2022.2116723
명확하고 도전적인 목표는 수행 능력을 향상시킵니다. 하지만 연구 결과에 따르면 우리가 흔히 설정하는 승리나 순위 같은 결과 목표(Outcome Goals)는 성과 향상에 유의미한 효과가 없었습니다. 통제할 수 없는 결과에 대한 집착은 오히려 불안을 높이고 수행 능력을 떨어뜨립니다.
반면, 기술 수행이나 구체적인 행동에 초점을 맞춘 과정 목표(Process Goals)는 수행 능력을 가장 크게 향상시켰습니다(d=1.36). 통제 가능한 요소에 집중함으로써 자신감을 높이고 불안을 잠재우기 때문입니다.
1. 목표 효과를 극대화하는 4가지 조건
단순히 목표를 정하는 것만으로는 부족합니다. 연구에 따르면 다음의 조건들이 갖춰질 때 목표 설정의 효과는 배가됩니다.
1. 자기 조절 과정: 목표 설정은 계획 수립, 모니터링, 평가라는 자기 조절 과정이 동반될 때 가장 강력했습니다.
2. 피드백의 유무: 현재 내 상태와 목표 사이의 차이를 인식할 수 있는 피드백이 반드시 제공되어야 합니다.
3. 참여자의 특성: 흥미로운 점은 성인이나 숙련자보다 청소년과 초보자가 목표 설정의 효과를 더 크게 경험했다는 것입니다. 이는 학습 초기에 방향성을 잡아주는 것이 매우 중요함을 시사합니다.
4. 누가 설정하는가: 스스로 정한 목표보다 지도자나 연구자가 설정해 준 목표가 더 효과적이었습니다. 외부에서 제시된 목표가 더 구체적이고 도전적인 경우가 많기 때문입니다.
2. 실전 적용: 목표의 위계(Hierarchy) 설정
위의 조건들을 만족시키기 위해 '목표의 위계'를 설정하십시오. 방향성을 잡기 위해 큰 '결과 목표(예: 우승, 승진)'를 하나 두되, 실제 실행은 철저히 과정 목표에 집중해야 합니다.
러닝: "5km를 20분 안에 주파하기" 대신 "보폭을 유지하며 어깨 힘 빼기"를 목표로 삼습니다.
업무: "완벽한 프레젠테이션" 대신 "시작 전 심호흡하기" 혹은 "정확한 딕션 유지하기"에 집중합니다.
이때 과정 목표는 구체적이고 측정 가능하게(SMART) 설정하고, 매주 피드백을 통해 궤도를 수정해야 합니다.
3. 동기가 아닌 루틴으로 완성하라
마지막으로 가장 중요한 조언은 '동기부여'를 유일한 연료로 삼지 말라는 것입니다. 동기는 훌륭하지만 단기적인 연료일 뿐입니다. 대부분의 사람들이 중도에 포기하는 이유는 동기가 고갈되는 순간 멈추기 때문입니다.
지속 가능한 유일한 연료는 '루틴'입니다. 루틴은 동기가 없는 날에도, 하기 싫은 날에도 자신을 끌고 나가게 만듭니다. 마법 같은 비결은 없습니다. 장기적인 성과는 하기 싫은 날에도 자리에 앉아 수행하는 단순하고도 무식한 반복(Brute force)에서 나옵니다.
https://www.tandfonline.com/doi/full/10.1080/1750984X.2022.2116723
Taylor & Francis
The performance and psychological effects of goal setting in sport: A systematic review and meta-analysis
Goal setting is widely applied in sport. Whereas existing reviews have addressed the performance effects of goal setting, less is known about the concurrent psychological and psychophysiological ef...
👍7
갑옷을 벗어야 승리한다: 내면 게임의 법칙
우리는 흔히 인생을 전쟁터라고 부릅니다. 그리고 그 전쟁에서 승리하기 위해, 우리는 매일 아침 ‘성취’라는 무거운 갑옷을 입고 집을 나섭니다. 사회는 우리에게 끊임없이 속삭입니다. “더 높이 올라가라. 멈추면 도태된다. 네가 이룬 결과가 곧 너 자신이다.”
하지만 아이러니하게도, 가장 높이 오르고자 하는 순간에 우리는 가장 자주 무너집니다. 결정적인 프레젠테이션에서 머리가 하얗게 되거나(Choking), 승승장구하다가도 갑작스런 번아웃에 쓰러집니다.
저 또한 그랬습니다. 더 많이 성취하려고 할수록 인생을 ‘제로 섬 게임’으로 여기게 되었고, 신경은 날카로워졌으며, 타인의 작은 피드백조차 견디지 못하는 옹졸한 모습을 발견하곤 했습니다. 도대체 우리는 왜 성공을 갈망할수록 더 취약해지는 걸까요? 스티브 매그니스는 그 답을 우리의 ‘뇌’에서 찾습니다.
1. 뇌는 예측 기계다: “실패는 죽음이다”라는 원시적 착각
당신의 뇌는 끊임없이 미래를 예측하는 기계입니다. 문제는 이 기계의 초기 설정값이 수만 년 전 원시 시대의 생존 본능에 맞춰져 있다는 점입니다. 당신이 일과 성취에 자아를 완전히 일치시키는 순간(Identity Fusion), 뇌는 ‘업무상의 실패’를 곧 ‘자아의 죽음’으로 예측합니다.
회사에서 받은 부정적인 피드백이나 좋지 않은 성과를 마주할 때, 뇌는 즉시 비상벨을 울립니다. 마치 원시인이 숲속에서 곰을 마주친 것과 똑같은 생화학적 반응이 일어납니다. 이것이 바로 “생존 모드(Survival Mode)”입니다.
편도체가 활성화되고 스트레스 호르몬인 코르티솔이 온몸을 휘감습니다. 시야는 좁아지고, 몸은 굳으며, 이성적이고 창의적인 사고를 담당하는 전전두엽은 셧다운됩니다. 우리가 가정과 개인의 삶을 희생하면서까지 일에 매달릴 때, 역설적으로 우리는 뇌를 가장 불안한 상태로 몰아넣게 됩니다. 무의식 깊은 곳에 ‘이 일이 잘못되면 나에게 남는 건 아무것도 없다’는 공포가 깔려 있기 때문입니다.
2. 추구(Drive)와 만족(Contentment): 엑셀과 브레이크의 조화
그렇다면 성취 욕구를 버려야 할까요? 아닙니다. 핵심은 균형, 아니 ‘조화(Harmony)’입니다.
현대 사회의 ‘아메리칸 드림’은 우리에게 성취(Drive)라는 엑셀만 밟으라고 강요합니다. 하지만 브레이크 없는 질주는 결국 엔진 과열(번아웃)을 부릅니다. 지속 가능한 성과를 위해서는 위축된 ‘만족 시스템(Contentment)’을 복원해야 합니다.
- 결과에서 숙달로: ‘이겨야 한다’는 결과 지향적 사고는 위협 시스템을 자극합니다. 대신 호기심을 가지고 ‘내가 얼마나 성장했는가’를 묻는 ‘숙달 지향적(Mastery)’ 사고로 전환하세요. 이것이 만족 시스템을 깨우는 열쇠입니다.
- 어른의 놀이 시간: 모든 행동을 생산성과 연결 짓지 마십시오. 목적 없는 즐거움, 즉 ‘놀이(Play)’를 허용할 때 뇌는 위협 계산을 멈추고 휴식합니다.
- 자기 연민: 실패했을 때 자신을 채찍질하는 것은 뇌를 더 깊은 생존 모드로 밀어넣는 행위입니다. “누구나 실수할 수 있다”며 자신에게 친절할 때, 우리는 더 빠르게 회복하여 다시 도전할 수 있습니다.
3. 갑옷 벗기: 자아의 편집자가 되어라
진정한 승리자는 ‘내가 하는 일(Do)’과 ‘나라는 사람(Be)’ 사이에 공간을 만듭니다. 이를 위해서는 우리 스스로가 인생이라는 책의 현명한 ‘편집자(Editor)’가 되어야 합니다.
미숙한 편집자는 한 번의 실패를 인생의 ‘결말’이나 책의 ‘제목’으로 삼아버립니다. (“나는 실패자다.”) 하지만 지혜로운 편집자는 그 사건을 전체 스토리 중 ‘성장을 위한 한 챕터’로 배치합니다.
또한, 우리는 ‘입체적인(3D)’ 사람이 되어야 합니다. 일터에서의 유니폼을 입은 채 식탁에 앉지 마십시오. “나는 치열한 리더지만, 동시에 다정한 부모이고, 주말에는 서툰 요리사다.” 이렇게 다양한 정체성이 통합될 때, 한 기둥(일)이 흔들려도 다른 기둥(가정, 취미)이 자아를 지탱해줍니다.
4. 패배를 데이터로 만들기: 연결이라는 해독제
아무리 준비해도 패배는 찾아옵니다. 이때 중요한 것은 패배를 ‘인격의 결함’이 아닌 ‘정보(Data)’로 처리하는 기술입니다.
패배 직후, 뇌는 코르티솔에 절여져 있습니다. 이때 혼자 방에 틀어박혀 분석하려 들면 자책만 늘어납니다. 가장 먼저 해야 할 일은 ‘생물학적 경보’를 끄는 것입니다. 그 스위치는 바로 ‘사람’입니다.
가족이나 친구와 농담을 주고받고, 맛있는 것을 먹으며 가벼운 스킨십을 나누세요. 이때 분비되는 옥시토신은 코르티솔을 씻어내는 가장 강력한 해독제입니다. 뇌가 “아, 나는 여전히 안전하구나”라고 안심한 후에야, 우리는 비로소 패배를 비디오 게임의 ‘재시작(Restart)’ 버튼처럼 가볍게 받아들일 수 있게 됩니다. 이것이 바로 가정이 우리 삶의 ‘스포터(Spotter, 안전 보조자)’가 되어야 하는 이유입니다.
5. 무대를 세팅하라: 환경과 소속감의 설계
내면을 다스렸다면, 이제 외부 환경을 설계할 차례입니다. 뇌는 환경을 끊임없이 스캔합니다. 낯선 곳에서 우리는 긴장하지만, ‘나의 공간’에서는 능력을 발휘합니다.
- 환경의 개인화: 책상 위에 가족 사진을 두거나 좋아하는 문구를 붙이세요. 이것은 단순한 장식이 아닙니다. ‘도덕적 자아’를 깨우는 스위치이자, 이 공간의 주인이 나임을 뇌에 알리는 깃발입니다.
- 융합되지 않는 소속감: 나를 깎아내야만 받아주는 집단(Fitting In)은 우리를 병들게 합니다. 진정한 소속감은 내가 실패하고 튀는 행동을 해도 “괜찮아, 계속해봐”라고 말해주는 보안(Security) 관계에서 나옵니다. 우리는 서로의 취약함을 공유하고 각자의 트랙을 달리면서도 서로를 응원하는 ‘육상 팀’ 같은 관계를 지향해야 합니다.
6. 다시 움직이기: 몸으로 뇌를 속여라
마지막으로, 도저히 빠져나올 수 없는 슬럼프(Doom Loop)에 갇혔다면 어떻게 해야 할까요? 머리로 생각해서는 빠져나올 수 없습니다. 이미 뇌의 예측 모델이 고장 났기 때문입니다. 이때는 ‘감각적인 충격(Disruptor)’으로 뇌를 강제 부팅해야 합니다.
- 감각 차단과 변형: 안경을 벗어 청중을 흐릿하게 만들거나, 일부러 엉망진창으로 노래를 불러보세요.
- 신체적 충격: 찬물 샤워를 하거나 심장이 터질 때까지 언덕을 뛰어보세요.
이런 ‘미친 짓(Crazy Stuff)’들은 뇌에게 강력한 신호를 보냅니다. “봐! 네가 예측한 공포는 실제가 아니야. 나는 지금 여기에 생생하게 살아있어!” 몸의 감각을 통해 현실과 재정렬(Realign)할 때, 우리는 비로소 다시 움직일 수 있습니다.
결론: 생존을 넘어 번영으로
성취 지향적인 삶과 개인의 행복은 결코 양립 불가능한 적이 아닙니다. 오히려 내면의 평온과 단단한 관계(가정)가 뒷받침될 때, 우리의 성취 욕구는 ‘불안’이 아닌 ‘열정’으로 타오를 수 있습니다.
진정한 승리는 갑옷의 두께가 아니라, 갑옷을 벗고도 나 자신으로 설 수 있는 내면의 명확성(Clarity)에서 옵니다.
이제 갑옷을 벗으십시오. 실패를 데이터로 삼고, 사랑하는 사람들과 연결되십시오. 그리고 당신만의 내면 게임(Inside Game)에서 승리하십시오. 그때 세상 밖에서의 승리는 자연스러운 부산물로 따라올 것입니다.
https://www.amazon.com/Win-Inside-Game-Surviving-Thriving/dp/0063339927
우리는 흔히 인생을 전쟁터라고 부릅니다. 그리고 그 전쟁에서 승리하기 위해, 우리는 매일 아침 ‘성취’라는 무거운 갑옷을 입고 집을 나섭니다. 사회는 우리에게 끊임없이 속삭입니다. “더 높이 올라가라. 멈추면 도태된다. 네가 이룬 결과가 곧 너 자신이다.”
하지만 아이러니하게도, 가장 높이 오르고자 하는 순간에 우리는 가장 자주 무너집니다. 결정적인 프레젠테이션에서 머리가 하얗게 되거나(Choking), 승승장구하다가도 갑작스런 번아웃에 쓰러집니다.
저 또한 그랬습니다. 더 많이 성취하려고 할수록 인생을 ‘제로 섬 게임’으로 여기게 되었고, 신경은 날카로워졌으며, 타인의 작은 피드백조차 견디지 못하는 옹졸한 모습을 발견하곤 했습니다. 도대체 우리는 왜 성공을 갈망할수록 더 취약해지는 걸까요? 스티브 매그니스는 그 답을 우리의 ‘뇌’에서 찾습니다.
1. 뇌는 예측 기계다: “실패는 죽음이다”라는 원시적 착각
당신의 뇌는 끊임없이 미래를 예측하는 기계입니다. 문제는 이 기계의 초기 설정값이 수만 년 전 원시 시대의 생존 본능에 맞춰져 있다는 점입니다. 당신이 일과 성취에 자아를 완전히 일치시키는 순간(Identity Fusion), 뇌는 ‘업무상의 실패’를 곧 ‘자아의 죽음’으로 예측합니다.
회사에서 받은 부정적인 피드백이나 좋지 않은 성과를 마주할 때, 뇌는 즉시 비상벨을 울립니다. 마치 원시인이 숲속에서 곰을 마주친 것과 똑같은 생화학적 반응이 일어납니다. 이것이 바로 “생존 모드(Survival Mode)”입니다.
편도체가 활성화되고 스트레스 호르몬인 코르티솔이 온몸을 휘감습니다. 시야는 좁아지고, 몸은 굳으며, 이성적이고 창의적인 사고를 담당하는 전전두엽은 셧다운됩니다. 우리가 가정과 개인의 삶을 희생하면서까지 일에 매달릴 때, 역설적으로 우리는 뇌를 가장 불안한 상태로 몰아넣게 됩니다. 무의식 깊은 곳에 ‘이 일이 잘못되면 나에게 남는 건 아무것도 없다’는 공포가 깔려 있기 때문입니다.
2. 추구(Drive)와 만족(Contentment): 엑셀과 브레이크의 조화
그렇다면 성취 욕구를 버려야 할까요? 아닙니다. 핵심은 균형, 아니 ‘조화(Harmony)’입니다.
현대 사회의 ‘아메리칸 드림’은 우리에게 성취(Drive)라는 엑셀만 밟으라고 강요합니다. 하지만 브레이크 없는 질주는 결국 엔진 과열(번아웃)을 부릅니다. 지속 가능한 성과를 위해서는 위축된 ‘만족 시스템(Contentment)’을 복원해야 합니다.
- 결과에서 숙달로: ‘이겨야 한다’는 결과 지향적 사고는 위협 시스템을 자극합니다. 대신 호기심을 가지고 ‘내가 얼마나 성장했는가’를 묻는 ‘숙달 지향적(Mastery)’ 사고로 전환하세요. 이것이 만족 시스템을 깨우는 열쇠입니다.
- 어른의 놀이 시간: 모든 행동을 생산성과 연결 짓지 마십시오. 목적 없는 즐거움, 즉 ‘놀이(Play)’를 허용할 때 뇌는 위협 계산을 멈추고 휴식합니다.
- 자기 연민: 실패했을 때 자신을 채찍질하는 것은 뇌를 더 깊은 생존 모드로 밀어넣는 행위입니다. “누구나 실수할 수 있다”며 자신에게 친절할 때, 우리는 더 빠르게 회복하여 다시 도전할 수 있습니다.
3. 갑옷 벗기: 자아의 편집자가 되어라
진정한 승리자는 ‘내가 하는 일(Do)’과 ‘나라는 사람(Be)’ 사이에 공간을 만듭니다. 이를 위해서는 우리 스스로가 인생이라는 책의 현명한 ‘편집자(Editor)’가 되어야 합니다.
미숙한 편집자는 한 번의 실패를 인생의 ‘결말’이나 책의 ‘제목’으로 삼아버립니다. (“나는 실패자다.”) 하지만 지혜로운 편집자는 그 사건을 전체 스토리 중 ‘성장을 위한 한 챕터’로 배치합니다.
또한, 우리는 ‘입체적인(3D)’ 사람이 되어야 합니다. 일터에서의 유니폼을 입은 채 식탁에 앉지 마십시오. “나는 치열한 리더지만, 동시에 다정한 부모이고, 주말에는 서툰 요리사다.” 이렇게 다양한 정체성이 통합될 때, 한 기둥(일)이 흔들려도 다른 기둥(가정, 취미)이 자아를 지탱해줍니다.
4. 패배를 데이터로 만들기: 연결이라는 해독제
아무리 준비해도 패배는 찾아옵니다. 이때 중요한 것은 패배를 ‘인격의 결함’이 아닌 ‘정보(Data)’로 처리하는 기술입니다.
패배 직후, 뇌는 코르티솔에 절여져 있습니다. 이때 혼자 방에 틀어박혀 분석하려 들면 자책만 늘어납니다. 가장 먼저 해야 할 일은 ‘생물학적 경보’를 끄는 것입니다. 그 스위치는 바로 ‘사람’입니다.
가족이나 친구와 농담을 주고받고, 맛있는 것을 먹으며 가벼운 스킨십을 나누세요. 이때 분비되는 옥시토신은 코르티솔을 씻어내는 가장 강력한 해독제입니다. 뇌가 “아, 나는 여전히 안전하구나”라고 안심한 후에야, 우리는 비로소 패배를 비디오 게임의 ‘재시작(Restart)’ 버튼처럼 가볍게 받아들일 수 있게 됩니다. 이것이 바로 가정이 우리 삶의 ‘스포터(Spotter, 안전 보조자)’가 되어야 하는 이유입니다.
5. 무대를 세팅하라: 환경과 소속감의 설계
내면을 다스렸다면, 이제 외부 환경을 설계할 차례입니다. 뇌는 환경을 끊임없이 스캔합니다. 낯선 곳에서 우리는 긴장하지만, ‘나의 공간’에서는 능력을 발휘합니다.
- 환경의 개인화: 책상 위에 가족 사진을 두거나 좋아하는 문구를 붙이세요. 이것은 단순한 장식이 아닙니다. ‘도덕적 자아’를 깨우는 스위치이자, 이 공간의 주인이 나임을 뇌에 알리는 깃발입니다.
- 융합되지 않는 소속감: 나를 깎아내야만 받아주는 집단(Fitting In)은 우리를 병들게 합니다. 진정한 소속감은 내가 실패하고 튀는 행동을 해도 “괜찮아, 계속해봐”라고 말해주는 보안(Security) 관계에서 나옵니다. 우리는 서로의 취약함을 공유하고 각자의 트랙을 달리면서도 서로를 응원하는 ‘육상 팀’ 같은 관계를 지향해야 합니다.
6. 다시 움직이기: 몸으로 뇌를 속여라
마지막으로, 도저히 빠져나올 수 없는 슬럼프(Doom Loop)에 갇혔다면 어떻게 해야 할까요? 머리로 생각해서는 빠져나올 수 없습니다. 이미 뇌의 예측 모델이 고장 났기 때문입니다. 이때는 ‘감각적인 충격(Disruptor)’으로 뇌를 강제 부팅해야 합니다.
- 감각 차단과 변형: 안경을 벗어 청중을 흐릿하게 만들거나, 일부러 엉망진창으로 노래를 불러보세요.
- 신체적 충격: 찬물 샤워를 하거나 심장이 터질 때까지 언덕을 뛰어보세요.
이런 ‘미친 짓(Crazy Stuff)’들은 뇌에게 강력한 신호를 보냅니다. “봐! 네가 예측한 공포는 실제가 아니야. 나는 지금 여기에 생생하게 살아있어!” 몸의 감각을 통해 현실과 재정렬(Realign)할 때, 우리는 비로소 다시 움직일 수 있습니다.
결론: 생존을 넘어 번영으로
성취 지향적인 삶과 개인의 행복은 결코 양립 불가능한 적이 아닙니다. 오히려 내면의 평온과 단단한 관계(가정)가 뒷받침될 때, 우리의 성취 욕구는 ‘불안’이 아닌 ‘열정’으로 타오를 수 있습니다.
진정한 승리는 갑옷의 두께가 아니라, 갑옷을 벗고도 나 자신으로 설 수 있는 내면의 명확성(Clarity)에서 옵니다.
이제 갑옷을 벗으십시오. 실패를 데이터로 삼고, 사랑하는 사람들과 연결되십시오. 그리고 당신만의 내면 게임(Inside Game)에서 승리하십시오. 그때 세상 밖에서의 승리는 자연스러운 부산물로 따라올 것입니다.
https://www.amazon.com/Win-Inside-Game-Surviving-Thriving/dp/0063339927
👍1
차세대 1조 달러 기회: '컨텍스트 레이어'와 데이터브릭스의 딜레마
SaaS(기록의 시스템)에서 AI Agent(판단과 실행의 시스템)로 넘어가는 과도기, 기존 강자들의 구체적인 움직임과 스타트업이 파고들 빈틈에 대한 심층 분석입니다.
문제의 본질: "결과는 남지만, 판단의 맥락은 증발한다"
기존 SaaS는 결과값(What)만 기록합니다. 예를 들어 영업팀이 규정보다 10% 더 높은 할인을 승인했다면, CRM에는 '10%'라는 숫자만 남습니다.
하지만 실제 중요한 정보인 "경쟁사 방어를 위한 전략적 결정", "지난 분기 유사 사례 참조", "슬랙에서 재무팀과 합의함" 같은 의사결정의 근거(Why)와 과정은 기록되지 않고 증발합니다. 이 '의사결정 경로(Trace)'를 구조화된 데이터로 만드는 것이 차세대 플랫폼의 핵심입니다.
데이터브릭스(Databricks)의 공격적인 행보와 디테일
데이터브릭스는 이 기회를 잡기 위해 가장 적극적으로 움직이고 있습니다. 단순히 데이터만 저장하는 것이 아니라 '실행' 영역으로 넘어가기 위해 구체적인 기술 스택을 쌓고 있습니다.
LakehouseIQ: 기업 내부 데이터, 문서, 쿼리 로그를 학습하여 회사의 전문 용어와 고유한 맥락을 이해시키는 '두뇌' 역할을 시도 중입니다.
AgentBricks & Genie: 시맨틱 레이어를 활용해 자연어로 데이터를 분석하고 작업을 수행하는 에이전트 기능을 지원합니다.
Operational DB 확보: 에이전트가 실시간 데이터를 처리할 수 있도록 Lakebase(관리형 Postgres)를 출시하고, Neon(서버리스 Postgres)을 인수하여 에이전트용 '운영 데이터 플레인'을 직접 갖췄습니다.
MLflow 3: 배포된 에이전트들을 오케스트레이션하고 모니터링하는 인프라까지 구축했습니다.
그럼에도 불구하고 놓칠 수 있는 구조적 한계 (Innovator's Dilemma)
데이터브릭스가 이렇게 철저히 준비했음에도 불구하고, 스타트업에게 기회가 있는 이유는 그들의 태생적 위치 때문입니다.
사후 처리(Post-Event)의 덫: 데이터브릭스는 기본적으로 ETL(추출-변환-적재) 이후의 데이터를 다룹니다. 영업사원이 세일즈포스에서 버튼을 누르고, 개발자가 지라에서 티켓을 넘기는 그 '실시간 실행 시점'에는 개입하지 못합니다. 데이터가 창고에 도착했을 때는 이미 슬랙에서의 미묘한 토론과 합의 맥락이 증발한 뒤입니다.
읽기(Read) 경로의 한계: 그들은 데이터를 읽어서 분석하는 데 최적화되어 있지, 의사결정을 내리고 실행(Write)하는 워크플로우의 최전선(Last Mile)에 있지 않습니다.
사용자 접점 부재: 맥락 데이터는 사용자가 직접 사용하는 이메일, 슬랙, 줌, SaaS 화면에서 발생하는데, 데이터브릭스는 백엔드 인프라에 숨어 있습니다.
스타트업의 승리 전략
거대 기업이 구조적으로 들어오기 힘든 '실행의 순간'을 장악하는 전략입니다.
AI Native로 전면 교체 (Full Replacement): Regie.ai(영업)나 Rox(ERP)처럼 기존 레거시를 대체합니다. 인건비(Opex)를 소프트웨어 비용으로 전환시키며, AI가 직접 이메일을 쓰고 실행하므로 모든 맥락이 자동으로 저장됩니다.
새로운 기록 시스템 창출 (Glue Layer): PlayerZero처럼 개발과 운영 사이, 혹은 RevOps처럼 부서 간의 협업 맥락을 저장하는 '접착제' 영역을 정의합니다. 기존 소프트웨어의 사각지대입니다.
모듈 대체 (Unbundling): Maximor처럼 ERP 전체가 아닌, 판단이 가장 복잡한 '재무 조정(Reconciliation)' 업무만 떼어내어 장악합니다.
엣지(Edge) 데이터 확보: 보안 이슈를 해결한 화면 녹화나, 업무의 80%가 발생하는 슬랙/줌/팀즈에 봇으로 침투하여 대화 데이터를 직접 채집합니다.
타겟 영역: 어디에 문제가 숨어 있는가?
높은 인건비와 조율 비용: 50명 이상이 엑셀/메신저로 무언가를 조율(Routing)하고 있다면 복잡한 의사결정 로직이 숨어 있다는 신호입니다.
예외가 많은 업무: 규칙대로 되지 않고 "그때그때 달라요(It depends)"가 정답인 업무가 컨텍스트 그래프의 타겟입니다.
기술적 재정의: 컨텍스트 레이어란 무엇인가?
이것은 기존 기술(Vector, Graph, Ontology)의 단순 합이 아닙니다.
Vector DB: 유사성은 알지만 인과관계를 모릅니다.
Graph DB: 관계는 알지만 당시의 급박한 상황과 시간 흐름은 없습니다.
Ontology: 규칙은 알지만 실제 현장에서 규정이 어떻게 무시되었는지 모릅니다.
컨텍스트 레이어(Context Layer)는 시간 순서대로 기록된 인과관계의 역사책(Dynamic Decision History)입니다. 핵심은 의사결정의 흔적(예외, 전례, 승인 사유)을 실행 시점(Commit Time)에 포착하여, "무엇이 일어났는가"가 아니라 "왜 허용되었는가"를 AI가 이해할 수 있게 만드는 것입니다.
https://foundationcapital.com/context-graphs-ais-trillion-dollar-opportunity/
SaaS(기록의 시스템)에서 AI Agent(판단과 실행의 시스템)로 넘어가는 과도기, 기존 강자들의 구체적인 움직임과 스타트업이 파고들 빈틈에 대한 심층 분석입니다.
문제의 본질: "결과는 남지만, 판단의 맥락은 증발한다"
기존 SaaS는 결과값(What)만 기록합니다. 예를 들어 영업팀이 규정보다 10% 더 높은 할인을 승인했다면, CRM에는 '10%'라는 숫자만 남습니다.
하지만 실제 중요한 정보인 "경쟁사 방어를 위한 전략적 결정", "지난 분기 유사 사례 참조", "슬랙에서 재무팀과 합의함" 같은 의사결정의 근거(Why)와 과정은 기록되지 않고 증발합니다. 이 '의사결정 경로(Trace)'를 구조화된 데이터로 만드는 것이 차세대 플랫폼의 핵심입니다.
데이터브릭스(Databricks)의 공격적인 행보와 디테일
데이터브릭스는 이 기회를 잡기 위해 가장 적극적으로 움직이고 있습니다. 단순히 데이터만 저장하는 것이 아니라 '실행' 영역으로 넘어가기 위해 구체적인 기술 스택을 쌓고 있습니다.
LakehouseIQ: 기업 내부 데이터, 문서, 쿼리 로그를 학습하여 회사의 전문 용어와 고유한 맥락을 이해시키는 '두뇌' 역할을 시도 중입니다.
AgentBricks & Genie: 시맨틱 레이어를 활용해 자연어로 데이터를 분석하고 작업을 수행하는 에이전트 기능을 지원합니다.
Operational DB 확보: 에이전트가 실시간 데이터를 처리할 수 있도록 Lakebase(관리형 Postgres)를 출시하고, Neon(서버리스 Postgres)을 인수하여 에이전트용 '운영 데이터 플레인'을 직접 갖췄습니다.
MLflow 3: 배포된 에이전트들을 오케스트레이션하고 모니터링하는 인프라까지 구축했습니다.
그럼에도 불구하고 놓칠 수 있는 구조적 한계 (Innovator's Dilemma)
데이터브릭스가 이렇게 철저히 준비했음에도 불구하고, 스타트업에게 기회가 있는 이유는 그들의 태생적 위치 때문입니다.
사후 처리(Post-Event)의 덫: 데이터브릭스는 기본적으로 ETL(추출-변환-적재) 이후의 데이터를 다룹니다. 영업사원이 세일즈포스에서 버튼을 누르고, 개발자가 지라에서 티켓을 넘기는 그 '실시간 실행 시점'에는 개입하지 못합니다. 데이터가 창고에 도착했을 때는 이미 슬랙에서의 미묘한 토론과 합의 맥락이 증발한 뒤입니다.
읽기(Read) 경로의 한계: 그들은 데이터를 읽어서 분석하는 데 최적화되어 있지, 의사결정을 내리고 실행(Write)하는 워크플로우의 최전선(Last Mile)에 있지 않습니다.
사용자 접점 부재: 맥락 데이터는 사용자가 직접 사용하는 이메일, 슬랙, 줌, SaaS 화면에서 발생하는데, 데이터브릭스는 백엔드 인프라에 숨어 있습니다.
스타트업의 승리 전략
거대 기업이 구조적으로 들어오기 힘든 '실행의 순간'을 장악하는 전략입니다.
AI Native로 전면 교체 (Full Replacement): Regie.ai(영업)나 Rox(ERP)처럼 기존 레거시를 대체합니다. 인건비(Opex)를 소프트웨어 비용으로 전환시키며, AI가 직접 이메일을 쓰고 실행하므로 모든 맥락이 자동으로 저장됩니다.
새로운 기록 시스템 창출 (Glue Layer): PlayerZero처럼 개발과 운영 사이, 혹은 RevOps처럼 부서 간의 협업 맥락을 저장하는 '접착제' 영역을 정의합니다. 기존 소프트웨어의 사각지대입니다.
모듈 대체 (Unbundling): Maximor처럼 ERP 전체가 아닌, 판단이 가장 복잡한 '재무 조정(Reconciliation)' 업무만 떼어내어 장악합니다.
엣지(Edge) 데이터 확보: 보안 이슈를 해결한 화면 녹화나, 업무의 80%가 발생하는 슬랙/줌/팀즈에 봇으로 침투하여 대화 데이터를 직접 채집합니다.
타겟 영역: 어디에 문제가 숨어 있는가?
높은 인건비와 조율 비용: 50명 이상이 엑셀/메신저로 무언가를 조율(Routing)하고 있다면 복잡한 의사결정 로직이 숨어 있다는 신호입니다.
예외가 많은 업무: 규칙대로 되지 않고 "그때그때 달라요(It depends)"가 정답인 업무가 컨텍스트 그래프의 타겟입니다.
기술적 재정의: 컨텍스트 레이어란 무엇인가?
이것은 기존 기술(Vector, Graph, Ontology)의 단순 합이 아닙니다.
Vector DB: 유사성은 알지만 인과관계를 모릅니다.
Graph DB: 관계는 알지만 당시의 급박한 상황과 시간 흐름은 없습니다.
Ontology: 규칙은 알지만 실제 현장에서 규정이 어떻게 무시되었는지 모릅니다.
컨텍스트 레이어(Context Layer)는 시간 순서대로 기록된 인과관계의 역사책(Dynamic Decision History)입니다. 핵심은 의사결정의 흔적(예외, 전례, 승인 사유)을 실행 시점(Commit Time)에 포착하여, "무엇이 일어났는가"가 아니라 "왜 허용되었는가"를 AI가 이해할 수 있게 만드는 것입니다.
https://foundationcapital.com/context-graphs-ais-trillion-dollar-opportunity/
Foundation Capital
AI’s trillion-dollar opportunity: Context graphs - Foundation Capital
By building context graphs from decision traces, AI agent startups are capturing the “why” behind the “what” - and gaining a structural advantage in shaping what comes next. Continue reading
Continuous Learning_Startup & Investment
Gemini 3 관련 Demis Hassabis 인터뷰 가장 큰 차이점은 '추론(Reasoning)' 능력의 깊이입니다. Gemini 3는 단순히 답을 내놓는 것을 넘어, 복잡한 문제를 해결하기 위해 스스로 **'생각의 흐름(Train of Thought)'**을 유지할 수 있습니다. 이전 모델들이 3~4단계의 추론 과정에서 길을 잃거나 환각(Hallucination)을 보였다면, Gemini 3는 수십 단계의 논리적 과정을 안정적으로 밟아나갑니다. 특히…
발전, 루트 노드 문제, 그리고 과학
우리는 자석 안에 플라즈마를 가두는 것을 돕고 어쩌면 재료 설계까지 지원하여 그 과정을 가속화하고 싶습니다. 정말 흥미로운 일이죠. 그리고 구글의 양자 AI 팀과도 협력하고 있습니다. 우리는 기계 학습을 사용하여 그들의 오류 수정 코드를 돕고 있습니다. 핵융합은 항상 '성배(holy grail)'였습니다. 물론 태양열도 매우 유망하다고 생각합니다. 사실상 하늘과 구름 속에 있는 핵융합로를 사용하는 셈이니까요. 하지만 우리가 모듈식 핵융합로를 가질 수 있다면, 무제한적이고 재생 가능하며 깨끗한 에너지라는 약속은 분명 모든 것을 변화시킬 것입니다. 그것이 성배죠. 그리고 물론, 그것이 우리가 기후 문제에 도움을 줄 수 있는 방법 중 하나입니다.
물론 에너지와 오염 문제 등을 직접적으로 해결하고 기후 위기를 돕습니다. 하지만 에너지가 정말로 재생 가능하고 깨끗하며, 거의 공짜에 가까울 정도로 저렴해진다면 담수화 플랜트를 거의 어디에나 설치할 수 있게 되어 물 접근성 문제 같은 다른 많은 것들이 해결 가능해집니다. 심지어 로켓 연료를 만드는 것도요. 바닷물에는 수소와 산소가 많이 포함되어 있고, 그게 기본적으로 로켓 연료거든요. 단지 수소와 산소를 분리하는 데 에너지가 많이 들 뿐이죠. 하지만 에너지가 저렴하고 재생 가능하며 깨끗하다면, 왜 안 하겠습니까? 24시간 내내 생산할 수도 있을 겁니다.
능력과 확장의 역설
Q: 저는 알파고(AlphaGo)와 알파제로(AlphaZero)의 이야기도 궁금합니다. 인간의 경험을 모두 제거했더니 모델이 오히려 더 발전했었죠. 지금 만들고 있는 모델들에서도 그런 과학적 혹은 수학적 버전이 있나요?
현재 우리가 구축하려는 것은 알파고에 더 가깝다고 생각합니다. 사실상 거대 언어 모델, 파운데이션 모델들은 인터넷에 있는 모든 인간의 지식, 오늘날의 거의 모든 것을 가지고 시작하며, 이를 유용한 압축물로 만들어 검색하고 일반화할 수 있게 합니다. 하지만 알파고처럼 모델을 사용하여 유용한 추론 과정을 지시하고, 계획 아이디어를 내고, 그 시점에 문제에 대한 최적의 해결책을 찾아내는 검색이나 사고(thinking) 기능을 그 위에 얹는 것은 아직 초기 단계라고 생각합니다. 그래서 저는 현재 우리가 인터넷 같은 인간 지식의 한계에 갇혀 있다고 느끼지 않습니다. 현재의 주된 문제는 알파고 때처럼 신뢰할 수 있는 방식으로 이 시스템들을 완전히 사용하는 법을 아직 모른다는 것입니다.
물론 게임이라서 훨씬 쉬웠던 점은 있습니다. 알파고가 있다면, 알파 시리즈에서 그랬던 것처럼 알파제로로 돌아가서 스스로 지식을 발견하게 할 수 있을 겁니다. 그것이 다음 단계가 되겠지만, 분명 더 어렵습니다. 그래서 먼저 알파고와 같은 시스템으로 첫 단계를 만들고, 그다음에 알파제로와 같은 시스템을 생각하는 것이 좋다고 봅니다. 하지만 오늘날 시스템에서 빠져 있는 것 중 하나는 온라인 학습과 지속적인 학습 능력입니다. 우리는 시스템을 훈련시키고, 조정하고, 사후 훈련을 시킨 다음 세상에 내놓습니다. 하지만 우리가 그러하듯이 세상 밖에서 계속 배우지는 않습니다. 이것이 AGI를 위해 필요한, 현재 시스템에서 빠진 또 다른 중요한 조각이라고 생각합니다.
Q: 작년 이맘때만 해도 스케일링(규모 확장)이 결국 벽에 부딪힐 것이라는 이야기, 데이터가 고갈될 것이라는 이야기가 많았습니다. 스케일링이 벽에 부딪히는 문제가 있지 않았나요?
많은 사람들이 그렇게 생각했던 것 같습니다. 특히 다른 회사들의 진전이 더뎌지면서요. 하지만 우리는 사실상 어떤 벽도 본 적이 없습니다. 제가 말하고 싶은 것은 수확 체감(diminishing returns)이 있을 수는 있다는 것입니다. 제가 이렇게 말하면 사람들은 "아, 그럼 수확이 없다는 거구나. 0 아니면 1이구나. 기하급수적이거나 점근적이거나 둘 중 하나구나"라고만 생각합니다. 아닙니다. 사실 그 두 체제 사이에는 많은 공간이 있습니다. 우리는 그 사이에 있다고 생각합니다. 새로운 버전을 출시할 때마다 모든 벤치마크 성능이 두 배가 되지는 않을 겁니다. 3, 4년 전 아주 초기에는 그랬을지 모릅니다. 하지만 제미나이 3에서 보듯이 투자할 가치가 충분한 의미 있는 개선을 얻고 있습니다. 그래서 우리는 둔화를 보지 못했습니다.
가용 데이터가 고갈되는 것 아니냐는 이슈가 있습니다. 하지만 합성 데이터(synthetic data)나 생성 등을 통해 이를 우회할 방법들이 있습니다. 시스템이 충분히 좋아지면 자체 데이터를 생성하기 시작할 수 있습니다. 특히 코딩이나 수학 같은 특정 도메인에서는 답을 검증할 수 있으므로 어떤 의미에서는 무제한의 데이터를 생산할 수 있습니다. 이 모든 것들은 연구 과제입니다. 그리고 저는 우리가 항상 연구 우선(research-first)이었다는 것이 우리의 장점이라고 생각합니다. 우리는 항상 가장 넓고 깊은 연구 인력을 보유해 왔습니다. 지난 10년의 발전, 트랜스포머든 알파고든 알파제로든 방금 논의한 모든 것들을 돌아보면 모두 구글이나 딥마인드에서 나왔습니다. 그래서 저는 더 많은 혁신, 과학적 혁신이 필요하다면 지난 15년 동안 많은 대형 돌파구를 마련했던 것처럼 우리가 그것을 해낼 곳이라고 장담합니다.
그래서 저는 지금 상황이 그렇게 전개되고 있다고 봅니다. 사실 저는 지형이 더 험난해지는 것을 정말 좋아합니다. 왜냐하면 그때는 이미 충분히 어려운 세계적 수준의 엔지니어링뿐만 아니라, 우리가 전문으로 하는 세계적 수준의 연구와 과학을 결합해야 하기 때문입니다. 게다가 우리는 TPU와 오랫동안 투자해 온 다른 것들을 포함한 세계적 수준의 인프라라는 이점도 가지고 있습니다. 그래서 그 조합이 스케일링 부분뿐만 아니라 혁신의 최전선에 설 수 있게 해 준다고 생각합니다. 사실상 우리 노력의 50%는 스케일링에, 50%는 혁신에 있다고 보시면 됩니다. 제 내기에는 AGI에 도달하려면 둘 다 필요할 겁니다.
우리는 자석 안에 플라즈마를 가두는 것을 돕고 어쩌면 재료 설계까지 지원하여 그 과정을 가속화하고 싶습니다. 정말 흥미로운 일이죠. 그리고 구글의 양자 AI 팀과도 협력하고 있습니다. 우리는 기계 학습을 사용하여 그들의 오류 수정 코드를 돕고 있습니다. 핵융합은 항상 '성배(holy grail)'였습니다. 물론 태양열도 매우 유망하다고 생각합니다. 사실상 하늘과 구름 속에 있는 핵융합로를 사용하는 셈이니까요. 하지만 우리가 모듈식 핵융합로를 가질 수 있다면, 무제한적이고 재생 가능하며 깨끗한 에너지라는 약속은 분명 모든 것을 변화시킬 것입니다. 그것이 성배죠. 그리고 물론, 그것이 우리가 기후 문제에 도움을 줄 수 있는 방법 중 하나입니다.
물론 에너지와 오염 문제 등을 직접적으로 해결하고 기후 위기를 돕습니다. 하지만 에너지가 정말로 재생 가능하고 깨끗하며, 거의 공짜에 가까울 정도로 저렴해진다면 담수화 플랜트를 거의 어디에나 설치할 수 있게 되어 물 접근성 문제 같은 다른 많은 것들이 해결 가능해집니다. 심지어 로켓 연료를 만드는 것도요. 바닷물에는 수소와 산소가 많이 포함되어 있고, 그게 기본적으로 로켓 연료거든요. 단지 수소와 산소를 분리하는 데 에너지가 많이 들 뿐이죠. 하지만 에너지가 저렴하고 재생 가능하며 깨끗하다면, 왜 안 하겠습니까? 24시간 내내 생산할 수도 있을 겁니다.
능력과 확장의 역설
Q: 저는 알파고(AlphaGo)와 알파제로(AlphaZero)의 이야기도 궁금합니다. 인간의 경험을 모두 제거했더니 모델이 오히려 더 발전했었죠. 지금 만들고 있는 모델들에서도 그런 과학적 혹은 수학적 버전이 있나요?
현재 우리가 구축하려는 것은 알파고에 더 가깝다고 생각합니다. 사실상 거대 언어 모델, 파운데이션 모델들은 인터넷에 있는 모든 인간의 지식, 오늘날의 거의 모든 것을 가지고 시작하며, 이를 유용한 압축물로 만들어 검색하고 일반화할 수 있게 합니다. 하지만 알파고처럼 모델을 사용하여 유용한 추론 과정을 지시하고, 계획 아이디어를 내고, 그 시점에 문제에 대한 최적의 해결책을 찾아내는 검색이나 사고(thinking) 기능을 그 위에 얹는 것은 아직 초기 단계라고 생각합니다. 그래서 저는 현재 우리가 인터넷 같은 인간 지식의 한계에 갇혀 있다고 느끼지 않습니다. 현재의 주된 문제는 알파고 때처럼 신뢰할 수 있는 방식으로 이 시스템들을 완전히 사용하는 법을 아직 모른다는 것입니다.
물론 게임이라서 훨씬 쉬웠던 점은 있습니다. 알파고가 있다면, 알파 시리즈에서 그랬던 것처럼 알파제로로 돌아가서 스스로 지식을 발견하게 할 수 있을 겁니다. 그것이 다음 단계가 되겠지만, 분명 더 어렵습니다. 그래서 먼저 알파고와 같은 시스템으로 첫 단계를 만들고, 그다음에 알파제로와 같은 시스템을 생각하는 것이 좋다고 봅니다. 하지만 오늘날 시스템에서 빠져 있는 것 중 하나는 온라인 학습과 지속적인 학습 능력입니다. 우리는 시스템을 훈련시키고, 조정하고, 사후 훈련을 시킨 다음 세상에 내놓습니다. 하지만 우리가 그러하듯이 세상 밖에서 계속 배우지는 않습니다. 이것이 AGI를 위해 필요한, 현재 시스템에서 빠진 또 다른 중요한 조각이라고 생각합니다.
Q: 작년 이맘때만 해도 스케일링(규모 확장)이 결국 벽에 부딪힐 것이라는 이야기, 데이터가 고갈될 것이라는 이야기가 많았습니다. 스케일링이 벽에 부딪히는 문제가 있지 않았나요?
많은 사람들이 그렇게 생각했던 것 같습니다. 특히 다른 회사들의 진전이 더뎌지면서요. 하지만 우리는 사실상 어떤 벽도 본 적이 없습니다. 제가 말하고 싶은 것은 수확 체감(diminishing returns)이 있을 수는 있다는 것입니다. 제가 이렇게 말하면 사람들은 "아, 그럼 수확이 없다는 거구나. 0 아니면 1이구나. 기하급수적이거나 점근적이거나 둘 중 하나구나"라고만 생각합니다. 아닙니다. 사실 그 두 체제 사이에는 많은 공간이 있습니다. 우리는 그 사이에 있다고 생각합니다. 새로운 버전을 출시할 때마다 모든 벤치마크 성능이 두 배가 되지는 않을 겁니다. 3, 4년 전 아주 초기에는 그랬을지 모릅니다. 하지만 제미나이 3에서 보듯이 투자할 가치가 충분한 의미 있는 개선을 얻고 있습니다. 그래서 우리는 둔화를 보지 못했습니다.
가용 데이터가 고갈되는 것 아니냐는 이슈가 있습니다. 하지만 합성 데이터(synthetic data)나 생성 등을 통해 이를 우회할 방법들이 있습니다. 시스템이 충분히 좋아지면 자체 데이터를 생성하기 시작할 수 있습니다. 특히 코딩이나 수학 같은 특정 도메인에서는 답을 검증할 수 있으므로 어떤 의미에서는 무제한의 데이터를 생산할 수 있습니다. 이 모든 것들은 연구 과제입니다. 그리고 저는 우리가 항상 연구 우선(research-first)이었다는 것이 우리의 장점이라고 생각합니다. 우리는 항상 가장 넓고 깊은 연구 인력을 보유해 왔습니다. 지난 10년의 발전, 트랜스포머든 알파고든 알파제로든 방금 논의한 모든 것들을 돌아보면 모두 구글이나 딥마인드에서 나왔습니다. 그래서 저는 더 많은 혁신, 과학적 혁신이 필요하다면 지난 15년 동안 많은 대형 돌파구를 마련했던 것처럼 우리가 그것을 해낼 곳이라고 장담합니다.
그래서 저는 지금 상황이 그렇게 전개되고 있다고 봅니다. 사실 저는 지형이 더 험난해지는 것을 정말 좋아합니다. 왜냐하면 그때는 이미 충분히 어려운 세계적 수준의 엔지니어링뿐만 아니라, 우리가 전문으로 하는 세계적 수준의 연구와 과학을 결합해야 하기 때문입니다. 게다가 우리는 TPU와 오랫동안 투자해 온 다른 것들을 포함한 세계적 수준의 인프라라는 이점도 가지고 있습니다. 그래서 그 조합이 스케일링 부분뿐만 아니라 혁신의 최전선에 설 수 있게 해 준다고 생각합니다. 사실상 우리 노력의 50%는 스케일링에, 50%는 혁신에 있다고 보시면 됩니다. 제 내기에는 AGI에 도달하려면 둘 다 필요할 겁니다.
❤2
월드 모델과 시뮬레이션
Q: 시뮬레이션된 세계와 그 안에 에이전트를 넣는 것에 대해서도 꼭 이야기하고 싶습니다. 올해 초에 지니(Genie) 팀과 이야기를 나눴거든요. 왜 시뮬레이션에 관심을 가지시나요? 언어 모델이 할 수 없는 무엇을 월드 모델이 할 수 있나요?
사실 AI 외에도 월드 모델과 시뮬레이션은 아마 저의 가장 오래된 열정일 겁니다. 물론 지니 같은 최근 작업에서 모든 것이 하나로 합쳐지고 있지만요. 언어 모델은 세상에 대해 많은 것을 이해할 수 있습니다. 사실 우리가 예상한 것보다, 제가 예상한 것보다 더 많이요. 언어가 우리가 생각했던 것보다 훨씬 더 풍부하기 때문이죠. 언어학자들이 상상했던 것보다 세상에 대해 더 많은 것을 담고 있습니다. 그리고 새로운 시스템들로 그것이 증명되었습니다. 하지만 여전히 세상의 공간적 역학, 공간 인식, 우리가 처한 물리적 맥락, 그리고 그것이 기계적으로 어떻게 작동하는지에 대해서는 말로 설명하기 어렵고 일반적으로 말뭉치(corpus)에 설명되어 있지도 않은 것들이 많습니다. 그리고 많은 부분이 경험, 온라인 경험을 통한 학습과 연결되어 있습니다. 어떤 것들은 말로 설명할 수 없고 그냥 경험해야만 합니다. 감각 같은 것들은 말로 표현하기 매우 어렵죠. 모터의 각도나 냄새 같은 감각들 말입니다. 언어로 설명하기 매우 어렵습니다.
그래서 그런 것들에 대한 전체적인 영역이 있다고 생각합니다. 그리고 로봇 공학이 작동하게 하거나, 안경이나 전화기에 탑재되어 컴퓨터뿐만 아니라 일상생활에서 당신과 함께하며 돕는 만능 비서를 원한다면, 이런 종류의 세상에 대한 이해가 필요하며 월드 모델이 그 핵심입니다. 우리가 월드 모델이라고 할 때 의미하는 것은 세상의 인과 관계와 역학, 직관적 물리학, 사물이 어떻게 움직이고 행동하는지를 이해하는 모델입니다.
지금 비디오 모델들에서 그런 것들을 많이 보고 있습니다. 그런 이해력을 가지고 있는지 어떻게 테스트할까요? 현실적인 세계를 생성할 수 있는지 보면 됩니다. 생성할 수 있다면 어떤 의미에서는 시스템이 세상의 역학을 많이 캡슐화(내재화)했다고 볼 수 있으니까요. 그래서 지니나 비오(Veo), 우리의 비디오 모델들과 상호작용형 월드 모델들이 정말 인상적이면서도, 우리가 일반화된 월드 모델을 가지고 있다는 것을 보여주는 중요한 단계들입니다. 그리고 언젠가는 로봇 공학과 만능 비서에 적용할 수 있기를 바랍니다. 그리고 물론 제가 언젠가 꼭 하고 싶은, 제가 가장 좋아하는 일 중 하나는 그것을 게임과 게임 시뮬레이션에 다시 적용하여 궁극의 게임을 만드는 것입니다. 물론 그것이 제 무의식적인 계획이었을 수도 있고요.
Q: 과학 분야는 어떤가요?
과학적으로 복잡한 영역, 생물학의 원자 수준 재료나 날씨 같은 물리적인 것들의 모델을 구축하는 한 가지 방법은 원시 데이터(raw data)로부터 해당 시스템의 시뮬레이션을 학습하는 것입니다. 원시 데이터 뭉치가 있다고 해보죠. 날씨에 관한 것이라고 칩시다. 물론 우리는 놀라운 날씨 프로젝트들을 진행 중입니다. 그런 다음 그 역학을 학습하고, 무식하게 계산하는(brute force) 것보다 더 효율적으로 그 역학을 재현할 수 있는 모델을 갖는 겁니다. 그래서 저는 시뮬레이션과 월드 모델, 어쩌면 특화된 모델들이 과학과 수학의 여러 측면에서 엄청난 잠재력을 가지고 있다고 생각합니다.
Q: 하지만, 그 시뮬레이션된 세계 안에 에이전트를 떨어뜨려 놓을 수도 있잖아요? 지니 3 팀이 정말 멋진 말을 했어요. "어떤 주요 발명품의 전제 조건도 그 발명품을 염두에 두고 만들어진 것은 거의 없다"라고요. 그들은 시뮬레이션된 환경에 에이전트를 떨어뜨려 호기심을 주된 동기로 삼아 탐험하게 하는 것에 대해 이야기하고 있었죠.
그것이 이 월드 모델들의 또 다른 정말 흥미로운 용도입니다. 우리에게는 시마(SIMA)라는 또 다른 프로젝트가 있습니다. 방금 시마 2를 출시했는데, 시뮬레이션된 에이전트로서 아바타나 에이전트를 가상 세계에 둡니다. 일반적인 상업용 게임일 수도 있고, '노 맨즈 스카이(No Man's Sky)'처럼 매우 복잡한 오픈 월드 우주 게임일 수도 있습니다. 그리고 내부에 제미나이가 탑재되어 있어서 지시를 내릴 수 있습니다. 에이전트에게 말로 임무를 줄 수 있죠. 그러다 우리는 지니를 시마에 연결해서, 즉 시마 에이전트를 다른 AI가 즉석에서 생성하는 세계에 떨어뜨려 보면 재미있지 않을까 생각했습니다. 이제 두 AI가 서로의 마음속에서 상호작용하는 셈이죠. 시마 에이전트는 이 세상을 탐색하려고 노력합니다. 지니 입장에서는 그저 플레이어일 뿐이고, 아바타가 다른 AI라는 것은 상관하지 않습니다. 그저 시마가 하려는 행동에 맞춰 주변 세상을 생성할 뿐입니다.
두 AI가 함께 상호작용하는 것을 보는 것은 정말 놀랍습니다. 그리고 저는 이것이 흥미로운 훈련 루프(training loop)의 시작이 될 수 있다고 생각합니다. 거의 무한한 훈련 예시를 가질 수 있게 되니까요. 시마 에이전트가 무엇을 배우려고 하든 지니가 기본적으로 즉석에서 만들어낼 수 있습니다. 그래서 수백만 개의 과제를 자동으로 설정하고 해결하며 점점 더 어렵게 만드는 전체 세상을 상상할 수 있습니다. 그래서 우리는 그런 루프를 설정하려고 노력할 수도 있고, 분명 시마 에이전트들은 훌륭한 게임 동료가 될 수도 있으며, 그들이 배우는 것들 중 일부는 로봇 공학에도 유용할 수 있습니다.
Q: 당신이 만드는 그 세계들이 정말 현실적인지는 어떻게 확신하나요? 그럴듯해 보이지만 실제로는 틀린 물리학으로 끝나지 않도록 어떻게 보장하나요?
네, 아주 훌륭한 질문이고 문제가 될 수 있습니다. 기본적으로 또다시 환각 문제입니다. 어떤 환각은 흥미롭고 새로운 것을 만들어낼 수 있다는 점에서 좋습니다. 사실 창의적인 일을 하려거나 시스템이 새로운 것, 참신한 것을 만들게 하려 할 때 약간의 환각은 좋을 수 있습니다. 하지만 의도적이어야 합니다. "지금 환각을 켜라" 혹은 "창의적 탐험을 해라" 하는 식으루요. 하지만 시마 에이전트를 훈련시킬 때 지니가 틀린 물리학을 환각해 내는 것은 원치 않을 겁니다.
그래서 지금 우리가 하고 있는 것은 거의 '물리학 벤치마크'를 만드는 것입니다. 물리학적으로 매우 정확한 게임 엔진을 사용하여 꽤 단순한 것들을 많이 만듭니다. 물리학 A-레벨 실험실 수업에서 할 법한 것들 말이죠. 다른 트랙에 작은 공을 굴려 속도를 본다거나 하는 식으로 뉴턴의 운동 3법칙을 아주 기초적인 수준에서 분석하는 겁니다. 그것을 캡슐화했는가? 비오든 지니든 이 모델들이 그 물리학을 100% 정확하게 캡슐화했는가? 지금 당장은 아닙니다. 일종의 근사치죠. 그냥 대충 보면 현실적으로 보이지만, 로봇 공학 등에 의존할 만큼 충분히 정확하지는 않습니다.
그게 다음 단계입니다. 이제 우리는 정말 흥미로운 모델들을 가지고 있으니, 다른 모든 모델에서 시도하는 것처럼 환각을 줄이고 더욱 기반을 튼튼하게(grounded) 만드는 것이 목표 중 하나입니다. 물리학의 경우, 아마도 진자 운동 같은 단순한 비디오들의 '그라운드 트루스(ground truth, 실측값)'를 엄청나게 많이 생성해야 할 겁니다. 두 진자가 서로 돌면 어떻게 되는가? 그러다 보면 금방 삼체 문제(three-body problems)에 도달하게 되는데, 어차피 해결 불가능하죠. 그래서 흥미로울 겁니다. 하지만 이미 놀라운 점은 비오 같은 비디오 모델을 볼 때 반사나 액체를 처리하는 방식이 적어도 육안으로 보기에는 꽤나 믿을 수 없을 정도로 정확하다는 것입니다. 다음 단계는 인간 아마추어가 인식할 수 있는 수준을 넘어, 정말로 물리학 수준의 실험을 견뎌낼 수 있느냐 하는 것입니다.
Q: 시뮬레이션된 세계와 그 안에 에이전트를 넣는 것에 대해서도 꼭 이야기하고 싶습니다. 올해 초에 지니(Genie) 팀과 이야기를 나눴거든요. 왜 시뮬레이션에 관심을 가지시나요? 언어 모델이 할 수 없는 무엇을 월드 모델이 할 수 있나요?
사실 AI 외에도 월드 모델과 시뮬레이션은 아마 저의 가장 오래된 열정일 겁니다. 물론 지니 같은 최근 작업에서 모든 것이 하나로 합쳐지고 있지만요. 언어 모델은 세상에 대해 많은 것을 이해할 수 있습니다. 사실 우리가 예상한 것보다, 제가 예상한 것보다 더 많이요. 언어가 우리가 생각했던 것보다 훨씬 더 풍부하기 때문이죠. 언어학자들이 상상했던 것보다 세상에 대해 더 많은 것을 담고 있습니다. 그리고 새로운 시스템들로 그것이 증명되었습니다. 하지만 여전히 세상의 공간적 역학, 공간 인식, 우리가 처한 물리적 맥락, 그리고 그것이 기계적으로 어떻게 작동하는지에 대해서는 말로 설명하기 어렵고 일반적으로 말뭉치(corpus)에 설명되어 있지도 않은 것들이 많습니다. 그리고 많은 부분이 경험, 온라인 경험을 통한 학습과 연결되어 있습니다. 어떤 것들은 말로 설명할 수 없고 그냥 경험해야만 합니다. 감각 같은 것들은 말로 표현하기 매우 어렵죠. 모터의 각도나 냄새 같은 감각들 말입니다. 언어로 설명하기 매우 어렵습니다.
그래서 그런 것들에 대한 전체적인 영역이 있다고 생각합니다. 그리고 로봇 공학이 작동하게 하거나, 안경이나 전화기에 탑재되어 컴퓨터뿐만 아니라 일상생활에서 당신과 함께하며 돕는 만능 비서를 원한다면, 이런 종류의 세상에 대한 이해가 필요하며 월드 모델이 그 핵심입니다. 우리가 월드 모델이라고 할 때 의미하는 것은 세상의 인과 관계와 역학, 직관적 물리학, 사물이 어떻게 움직이고 행동하는지를 이해하는 모델입니다.
지금 비디오 모델들에서 그런 것들을 많이 보고 있습니다. 그런 이해력을 가지고 있는지 어떻게 테스트할까요? 현실적인 세계를 생성할 수 있는지 보면 됩니다. 생성할 수 있다면 어떤 의미에서는 시스템이 세상의 역학을 많이 캡슐화(내재화)했다고 볼 수 있으니까요. 그래서 지니나 비오(Veo), 우리의 비디오 모델들과 상호작용형 월드 모델들이 정말 인상적이면서도, 우리가 일반화된 월드 모델을 가지고 있다는 것을 보여주는 중요한 단계들입니다. 그리고 언젠가는 로봇 공학과 만능 비서에 적용할 수 있기를 바랍니다. 그리고 물론 제가 언젠가 꼭 하고 싶은, 제가 가장 좋아하는 일 중 하나는 그것을 게임과 게임 시뮬레이션에 다시 적용하여 궁극의 게임을 만드는 것입니다. 물론 그것이 제 무의식적인 계획이었을 수도 있고요.
Q: 과학 분야는 어떤가요?
과학적으로 복잡한 영역, 생물학의 원자 수준 재료나 날씨 같은 물리적인 것들의 모델을 구축하는 한 가지 방법은 원시 데이터(raw data)로부터 해당 시스템의 시뮬레이션을 학습하는 것입니다. 원시 데이터 뭉치가 있다고 해보죠. 날씨에 관한 것이라고 칩시다. 물론 우리는 놀라운 날씨 프로젝트들을 진행 중입니다. 그런 다음 그 역학을 학습하고, 무식하게 계산하는(brute force) 것보다 더 효율적으로 그 역학을 재현할 수 있는 모델을 갖는 겁니다. 그래서 저는 시뮬레이션과 월드 모델, 어쩌면 특화된 모델들이 과학과 수학의 여러 측면에서 엄청난 잠재력을 가지고 있다고 생각합니다.
Q: 하지만, 그 시뮬레이션된 세계 안에 에이전트를 떨어뜨려 놓을 수도 있잖아요? 지니 3 팀이 정말 멋진 말을 했어요. "어떤 주요 발명품의 전제 조건도 그 발명품을 염두에 두고 만들어진 것은 거의 없다"라고요. 그들은 시뮬레이션된 환경에 에이전트를 떨어뜨려 호기심을 주된 동기로 삼아 탐험하게 하는 것에 대해 이야기하고 있었죠.
그것이 이 월드 모델들의 또 다른 정말 흥미로운 용도입니다. 우리에게는 시마(SIMA)라는 또 다른 프로젝트가 있습니다. 방금 시마 2를 출시했는데, 시뮬레이션된 에이전트로서 아바타나 에이전트를 가상 세계에 둡니다. 일반적인 상업용 게임일 수도 있고, '노 맨즈 스카이(No Man's Sky)'처럼 매우 복잡한 오픈 월드 우주 게임일 수도 있습니다. 그리고 내부에 제미나이가 탑재되어 있어서 지시를 내릴 수 있습니다. 에이전트에게 말로 임무를 줄 수 있죠. 그러다 우리는 지니를 시마에 연결해서, 즉 시마 에이전트를 다른 AI가 즉석에서 생성하는 세계에 떨어뜨려 보면 재미있지 않을까 생각했습니다. 이제 두 AI가 서로의 마음속에서 상호작용하는 셈이죠. 시마 에이전트는 이 세상을 탐색하려고 노력합니다. 지니 입장에서는 그저 플레이어일 뿐이고, 아바타가 다른 AI라는 것은 상관하지 않습니다. 그저 시마가 하려는 행동에 맞춰 주변 세상을 생성할 뿐입니다.
두 AI가 함께 상호작용하는 것을 보는 것은 정말 놀랍습니다. 그리고 저는 이것이 흥미로운 훈련 루프(training loop)의 시작이 될 수 있다고 생각합니다. 거의 무한한 훈련 예시를 가질 수 있게 되니까요. 시마 에이전트가 무엇을 배우려고 하든 지니가 기본적으로 즉석에서 만들어낼 수 있습니다. 그래서 수백만 개의 과제를 자동으로 설정하고 해결하며 점점 더 어렵게 만드는 전체 세상을 상상할 수 있습니다. 그래서 우리는 그런 루프를 설정하려고 노력할 수도 있고, 분명 시마 에이전트들은 훌륭한 게임 동료가 될 수도 있으며, 그들이 배우는 것들 중 일부는 로봇 공학에도 유용할 수 있습니다.
Q: 당신이 만드는 그 세계들이 정말 현실적인지는 어떻게 확신하나요? 그럴듯해 보이지만 실제로는 틀린 물리학으로 끝나지 않도록 어떻게 보장하나요?
네, 아주 훌륭한 질문이고 문제가 될 수 있습니다. 기본적으로 또다시 환각 문제입니다. 어떤 환각은 흥미롭고 새로운 것을 만들어낼 수 있다는 점에서 좋습니다. 사실 창의적인 일을 하려거나 시스템이 새로운 것, 참신한 것을 만들게 하려 할 때 약간의 환각은 좋을 수 있습니다. 하지만 의도적이어야 합니다. "지금 환각을 켜라" 혹은 "창의적 탐험을 해라" 하는 식으루요. 하지만 시마 에이전트를 훈련시킬 때 지니가 틀린 물리학을 환각해 내는 것은 원치 않을 겁니다.
그래서 지금 우리가 하고 있는 것은 거의 '물리학 벤치마크'를 만드는 것입니다. 물리학적으로 매우 정확한 게임 엔진을 사용하여 꽤 단순한 것들을 많이 만듭니다. 물리학 A-레벨 실험실 수업에서 할 법한 것들 말이죠. 다른 트랙에 작은 공을 굴려 속도를 본다거나 하는 식으로 뉴턴의 운동 3법칙을 아주 기초적인 수준에서 분석하는 겁니다. 그것을 캡슐화했는가? 비오든 지니든 이 모델들이 그 물리학을 100% 정확하게 캡슐화했는가? 지금 당장은 아닙니다. 일종의 근사치죠. 그냥 대충 보면 현실적으로 보이지만, 로봇 공학 등에 의존할 만큼 충분히 정확하지는 않습니다.
그게 다음 단계입니다. 이제 우리는 정말 흥미로운 모델들을 가지고 있으니, 다른 모든 모델에서 시도하는 것처럼 환각을 줄이고 더욱 기반을 튼튼하게(grounded) 만드는 것이 목표 중 하나입니다. 물리학의 경우, 아마도 진자 운동 같은 단순한 비디오들의 '그라운드 트루스(ground truth, 실측값)'를 엄청나게 많이 생성해야 할 겁니다. 두 진자가 서로 돌면 어떻게 되는가? 그러다 보면 금방 삼체 문제(three-body problems)에 도달하게 되는데, 어차피 해결 불가능하죠. 그래서 흥미로울 겁니다. 하지만 이미 놀라운 점은 비오 같은 비디오 모델을 볼 때 반사나 액체를 처리하는 방식이 적어도 육안으로 보기에는 꽤나 믿을 수 없을 정도로 정확하다는 것입니다. 다음 단계는 인간 아마추어가 인식할 수 있는 수준을 넘어, 정말로 물리학 수준의 실험을 견뎌낼 수 있느냐 하는 것입니다.
Q: 당신이 오랫동안 이 시뮬레이션된 세계에 대해 생각해 왔다는 것을 압니다. 우리의 첫 인터뷰 대본을 다시 봤는데, 당신은 의식이 진화의 결과라는 이론을 정말 좋아한다고 말했더군요. 진화적 과거의 어느 시점에 타인의 내부 상태를 이해하는 것이 이점이 있었고, 그것을 우리 자신에게로 돌렸다는 이론 말이죠. 그렇다면 시뮬레이션 안에서 에이전트 진화를 실행해 보는 것에 대해 호기심이 생기지 않나요?
언젠가 그 실험을 꼭 해보고 싶습니다. 진화를 다시 돌려보고, 사회적 역학도 다시 돌려보는 거죠. 산타페 연구소(Santa Fe Institute)에서 작은 그리드 월드(grid world)에서 멋진 실험들을 하곤 했습니다. 저는 그런 것들을 좋아했죠. 대부분 경제학자들이었는데, 작은 인공 사회를 운영해 보려고 했고, 에이전트들이 올바른 인센티브 구조하에 충분히 오랫동안 돌아다니게 두면 시장, 은행 등 온갖 흥미로운 것들이 발명된다는 것을 발견했습니다. 그래서 정말 멋질 것 같고, 생명의 기원과 의식의 기원을 이해하는 데도 좋을 것 같습니다.
제가 처음부터 AI 연구에 열정을 가졌던 큰 이유 중 하나는 우리가 어디서 왔는지, 이 현상들이 무엇인지 정말로 이해하기 위해 이런 종류의 도구가 필요할 것이라고 생각했기 때문입니다. 시뮬레이션은 그것을 수행하는 가장 강력한 도구 중 하나입니다. 통계적으로 수행할 수 있으니까요. 초기 시작 조건을 약간씩 다르게 하여 시뮬레이션을 여러 번 실행하고, 어쩌면 수백만 번 실행한 다음, 매우 통제된 실험 방식으로 그 미세한 차이가 무엇인지 이해할 수 있습니다. 물론 우리가 답하고자 하는 정말 흥미로운 질문들에 대해 현실 세계에서는 하기가 매우 어렵죠. 그래서 정확한 시뮬레이션은 과학에 믿을 수 없을 만큼 큰 혜택이 될 것입니다.
Q: 이 모델들의 창발적 속성(emergent properties)에 대해 우리가 발견한 것들, 우리가 예상치 못한 개념적 이해를 가지고 있다는 점을 감안할 때, 그런 종류의 시뮬레이션을 실행하는 것에 대해서도 꽤 조심해야 하지 않을까요?
네, 그래야 한다고 생각합니다. 하지만 그게 시뮬레이션의 또 다른 장점입니다. 꽤 안전한 샌드박스 안에서 실행할 수 있으니까요. 결국에는 에어갭(airgap, 외부와 네트워크 격리) 상태로 만들고 싶을 수도 있고요. 물론 시뮬레이션에서 일어나는 일을 24시간 모니터링할 수 있고 모든 데이터에 접근할 수 있습니다.
시뮬레이션이 너무 복잡하고 너무 많은 일이 일어날 것이기 때문에 모니터링을 돕기 위해 AI 도구가 필요할 수도 있습니다. 수많은 AI가 시뮬레이션 안을 돌아다니는 것을 상상해 보면 인간 과학자가 따라잡기는 힘들 겁니다. 하지만 다른 AI 시스템을 사용하여 시뮬레이션에서 흥미롭거나 걱정스러운 점을 자동으로 분석하고 표시하도록 도울 수 있을 겁니다.
언젠가 그 실험을 꼭 해보고 싶습니다. 진화를 다시 돌려보고, 사회적 역학도 다시 돌려보는 거죠. 산타페 연구소(Santa Fe Institute)에서 작은 그리드 월드(grid world)에서 멋진 실험들을 하곤 했습니다. 저는 그런 것들을 좋아했죠. 대부분 경제학자들이었는데, 작은 인공 사회를 운영해 보려고 했고, 에이전트들이 올바른 인센티브 구조하에 충분히 오랫동안 돌아다니게 두면 시장, 은행 등 온갖 흥미로운 것들이 발명된다는 것을 발견했습니다. 그래서 정말 멋질 것 같고, 생명의 기원과 의식의 기원을 이해하는 데도 좋을 것 같습니다.
제가 처음부터 AI 연구에 열정을 가졌던 큰 이유 중 하나는 우리가 어디서 왔는지, 이 현상들이 무엇인지 정말로 이해하기 위해 이런 종류의 도구가 필요할 것이라고 생각했기 때문입니다. 시뮬레이션은 그것을 수행하는 가장 강력한 도구 중 하나입니다. 통계적으로 수행할 수 있으니까요. 초기 시작 조건을 약간씩 다르게 하여 시뮬레이션을 여러 번 실행하고, 어쩌면 수백만 번 실행한 다음, 매우 통제된 실험 방식으로 그 미세한 차이가 무엇인지 이해할 수 있습니다. 물론 우리가 답하고자 하는 정말 흥미로운 질문들에 대해 현실 세계에서는 하기가 매우 어렵죠. 그래서 정확한 시뮬레이션은 과학에 믿을 수 없을 만큼 큰 혜택이 될 것입니다.
Q: 이 모델들의 창발적 속성(emergent properties)에 대해 우리가 발견한 것들, 우리가 예상치 못한 개념적 이해를 가지고 있다는 점을 감안할 때, 그런 종류의 시뮬레이션을 실행하는 것에 대해서도 꽤 조심해야 하지 않을까요?
네, 그래야 한다고 생각합니다. 하지만 그게 시뮬레이션의 또 다른 장점입니다. 꽤 안전한 샌드박스 안에서 실행할 수 있으니까요. 결국에는 에어갭(airgap, 외부와 네트워크 격리) 상태로 만들고 싶을 수도 있고요. 물론 시뮬레이션에서 일어나는 일을 24시간 모니터링할 수 있고 모든 데이터에 접근할 수 있습니다.
시뮬레이션이 너무 복잡하고 너무 많은 일이 일어날 것이기 때문에 모니터링을 돕기 위해 AI 도구가 필요할 수도 있습니다. 수많은 AI가 시뮬레이션 안을 돌아다니는 것을 상상해 보면 인간 과학자가 따라잡기는 힘들 겁니다. 하지만 다른 AI 시스템을 사용하여 시뮬레이션에서 흥미롭거나 걱정스러운 점을 자동으로 분석하고 표시하도록 도울 수 있을 겁니다.
Q: 최근 산업 혁명에 대해 꽤 많이 읽고 계시다는 걸 압니다. AGI가 도래함에 따라 예상되는 혼란을 완화하기 위해 거기서 배울 수 있는 점들이 있을까요?
배울 점이 많다고 생각합니다. 적어도 영국에서는 학교에서 배우지만 매우 피상적인 수준이죠. 저는 그것이 어떻게 일어났는지, 무엇으로 시작했는지, 그 배후의 경제적 이유(섬유 산업) 등을 들여다보는 것이 정말 흥미로웠습니다. 최초의 컴퓨터는 사실상 재봉틀이었습니다. 그러다 초기 포트란 컴퓨터, 메인프레임을 위한 천공 카드가 되었죠. 한동안은 매우 성공적이었습니다. 영국은 자동화 시스템 덕분에 놀랍도록 고품질의 물건을 매우 저렴하게 만들 수 있었기에 세계 섬유 산업의 중심이 되었습니다. 그러다 증기 기관과 그 모든 것들이 들어왔죠. 산업 혁명에서 놀라운 발전들이 많이 나왔다고 생각합니다. 아동 사망률이 낮아졌고, 모든 현대 의학과 위생 상태, 일과 삶의 분리 등이 산업 혁명 기간에 정립되었습니다.
하지만 꽤 오랜 시간, 대략 한 세기에 걸쳐 많은 도전 과제도 있었습니다. 노동력의 다른 부분들이 특정 시기에 일자리를 잃었고, 새로운 것들이 만들어져야 했습니다. 그 균형을 다시 맞추기 위해 노조와 같은 새로운 조직들이 만들어져야 했습니다. 그래서 사회 전체가 시간이 지나면서 적응해야 했던 것을 보는 것은 매혹적이었습니다. 그리고 지금의 현대 사회가 되었죠. 산업 혁명의 장단점과 발생 원인은 분명 많았지만, 전체적인 결과를 생각해보면—서구 세계의 식량 풍요, 현대 의학, 현대 교통 등—이 모든 것이 산업 혁명 덕분입니다. 그래서 우리는 산업 혁명 이전으로 돌아가고 싶지는 않을 겁니다. 하지만 이번에는 거기서 배워서 어떤 혼란이 있었는지 미리 파악하고, 더 일찍 혹은 더 효과적으로 완화할 수 있을지 모릅니다. 그리고 아마 그래야 할 겁니다. 이번의 차이점은 산업 혁명보다 10배 더 클 것이고, 아마도 10배 더 빨리 일어날 것이라는 점입니다. 한 세기가 아니라 10년 정도에 걸쳐 펼쳐질 것입니다.
Q: 셰인이 우리에게 말했던 것 중 하나는 노동을 자원과 교환하는 현재의 경제 시스템이 AGI 이후 사회에서는 같은 방식으로 작동하지 않을 거라는 점이었습니다. 사회가 작동하는 방식으로 어떻게 재구성되어야 하거나 재구성될 수 있을지에 대한 비전이 있나요?
산업 혁명 때처럼, 농업에 가까웠던 산업 혁명 이전과 비교해 전체 노동 세계와 노동 주간 등 모든 것이 바뀌었기 때문입니다. 그리고 적어도 그 정도 수준의 변화가 다시 일어날 것이라고 생각합니다.
그래서 새로운 경제 시스템, 새로운 경제 모델이 필요하다고 해도 놀랍지 않을 것입니다. 그 변화를 돕고, 예를 들어 혜택이 널리 분배되도록 하고, 보편적 기본 소득(UBI) 같은 것들이 해결책의 일부가 될 수 있도록 하기 위해서요. 하지만 그것이 전부는 아니라고 생각합니다. 그것은 우리가 지금 모델링할 수 있는 것일 뿐, 오늘날 우리가 가진 것에 추가되는 개념이니까요. 하지만 뭔가 훨씬 더 나은 시스템이 있을 수 있습니다.
그리고 철학적인 측면도 있습니다. 좋아요, 직업이 바뀌고 다른 것들도 바뀌겠지만, 핵융합이 해결되었다고 칩시다. 그래서 우리는 풍부하고 공짜인 에너지를 갖게 되었고, 결핍 이후(post-scarcity)의 시대가 되었습니다. 그럼 돈은 어떻게 될까요? 어쩌면 모두가 더 잘 살게 될지 모릅니다. 하지만 '목적(purpose)'은 어떻게 되나요? 많은 사람들이 직업에서, 그리고 가족을 부양하는 것에서 목적을 찾습니다. 그것은 매우 고귀한 목적이죠. 그래서 이런 질문들 중 일부는 경제적 질문에서 거의 철학적 질문으로 섞여 들어갑니다.
Q: 장기적으로, AGI를 넘어 ASI(인공 초지능)를 향해 갈 때, 기계는 절대 해낼 수 없는 인간만이 할 수 있는 일이 있다고 생각하시나요?
글쎄요, 그게 큰 질문이라고 생각합니다. 아시다시피 제가 가장 좋아하는 주제 중 하나가 튜링 머신입니다. 저는 항상 이렇게 생각해 왔습니다. 우리가 AGI를 만들고, 그것을 마음의 시뮬레이션으로 삼아 실제 마음과 비교해 본다면, 그 차이점이 무엇인지, 그리고 인간의 마음에 남아있는 특별한 점이 무엇인지 알게 될 것이라고요. 어쩌면 그건 창의성일 수도, 감정일 수도, 꿈이나 의식일 수도 있겠죠. 무엇이 계산 가능한지 혹은 불가능한지에 대해 세상에는 많은 가설이 존재합니다. 그리고 이것은 결국 튜링 머신의 한계가 무엇인가 하는 질문으로 돌아옵니다.
그것이 제가 튜링과 튜링 머신에 대해 알게 된 이후 제 인생의 중심적인 질문이라고 생각합니다. 저는 그것과 사랑에 빠졌죠. 그것이 저의 핵심 열정입니다. 우리가 해온 모든 일은 단백질 접힘을 포함하여 튜링 머신이 할 수 있는 일의 개념을 한계까지 밀어붙이는 것이라고 생각합니다. 그런데 알고 보니 그 한계가 무엇인지 잘 모르겠습니다. 어쩌면 한계가 없을지도 모릅니다. 물론 제 양자 컴퓨팅 친구들은 한계가 있고 양자 시스템을 하려면 양자 컴퓨터가 필요하다고 말하겠죠. 하지만 저는 정말 확신하지 못하겠습니다.
실제로 양자 분야 사람들과 그에 대해 토론해 봤습니다. 고전적 시뮬레이션을 만들기 위해 양자 시스템의 데이터가 필요할 수도 있습니다. 그러면 다시 마음의 문제로 돌아옵니다. 마음은 모두 고전적 계산일까요, 아니면 로저 펜로즈(Roger Penrose)가 믿는 것처럼 뇌에 양자 효과가 있는 걸까요? 만약 있고, 그것이 의식과 관련이 있다면, 기계는 적어도 고전적 기계는 절대 그것을 가질 수 없을 것입니다. 양자 컴퓨터를 기다려야겠죠. 하지만 만약 없다면, 한계가 없을 수도 있습니다. 어쩌면 우주의 모든 것은 올바른 방식으로 보면 계산 가능할지도 모르고, 따라서 튜링 머신은 우주의 모든 것을 모델링할 수 있을지도 모릅니다. 만약 저에게 추측해 보라고 한다면, 저는 그렇다고 추측하겠습니다. 그리고 물리학이 저에게 그렇지 않다는 것을 보여줄 때까지 그 기초 위에서 작업하고 있습니다.
그렇다면 이러한 계산적인 범위 내에서 불가능한 것은 없다는 말씀인가요?
음, 이렇게 말씀드리죠. 지금까지 우주에서 계산 불가능한 것은 아무것도 발견되지 않았습니다, 아직까지는요.
단백질 접힘이나 바둑 같은 것들을 통해 오늘날 고전적 컴퓨터가 할 수 있는 일이 복잡성 이론가들의 일반적인 'P=NP' 관점을 훨씬 넘어설 수 있다는 것을 이미 보여주었다고 생각합니다. 그래서 저는 그 한계가 무엇인지 아무도 모른다고 생각합니다. 딥마인드와 구글에서 우리가 무엇을 하고 있는지, 제가 무엇을 하려고 하는지를 한마디로 줄이자면 그 한계를 찾는 것입니다.
Q: 하지만 그 아이디어의 한계 안에서는... 우리가 여기 앉아 있고, 얼굴에 와닿는 조명의 따스함, 배경에서 들리는 기계 소리, 손에 닿는 책상의 느낌. 이 모든 것이 고전적 컴퓨터로 복제가 가능하다는 건가요?
결국 제 생각에는—이것이 제가 칸트를 사랑하는 이유이기도 합니다. 제가 가장 좋아하는 두 철학자가 칸트와 스피노자인데 이유는 다릅니다만. 칸트는 '현실은 마음의 구성물'이라고 했습니다. 저는 그게 사실이라고 생각합니다. 네, 당신이 언급한 그 모든 것들이 우리의 감각 기관으로 들어오고 다르게 느껴집니다. 빛의 따스함, 테이블의 감촉. 하지만 결국 그것은 모두 정보이며, 우리는 정보 처리 시스템입니다. 저는 생물학이 바로 그것이라고 생각합니다. 이것이 우리가 아이소모픽(Isomorphic)으로 하려는 일입니다. 저는 생물학을 정보 처리 시스템으로 생각함으로써 결국 모든 질병을 치료하게 될 것이라고 믿습니다.
그리고 결국—저는 남는 시간, 그 2분의 여가 시간에 에너지나 물질이 아니라 '정보'가 우주의 가장 근본적인 단위라는 물리학 이론에 대해 연구하고 있습니다. 그래서 결국 이 모든 것이 상호 교환 가능할지 모르지만, 우리는 단지 그것을 감지할 뿐입니다. 다른 방식으로 느낄 뿐이죠. 하지만 우리가 아는 한, 우리가 가진 이 모든 놀라운 센서들은 여전히 튜링 머신으로 계산 가능합니다.
그래서 당신의 시뮬레이션된 세계가 그렇게 중요한 거군요.
네, 정확합니다. 왜냐하면 그것이 그곳에 도달하는 방법 중 하나가 될 테니까요. 우리가 시뮬레이션할 수 있는 것의 한계는 무엇인가? 시뮬레이션할 수 있다면, 어떤 의미에서는 그것을 이해한 것이니까요.
배울 점이 많다고 생각합니다. 적어도 영국에서는 학교에서 배우지만 매우 피상적인 수준이죠. 저는 그것이 어떻게 일어났는지, 무엇으로 시작했는지, 그 배후의 경제적 이유(섬유 산업) 등을 들여다보는 것이 정말 흥미로웠습니다. 최초의 컴퓨터는 사실상 재봉틀이었습니다. 그러다 초기 포트란 컴퓨터, 메인프레임을 위한 천공 카드가 되었죠. 한동안은 매우 성공적이었습니다. 영국은 자동화 시스템 덕분에 놀랍도록 고품질의 물건을 매우 저렴하게 만들 수 있었기에 세계 섬유 산업의 중심이 되었습니다. 그러다 증기 기관과 그 모든 것들이 들어왔죠. 산업 혁명에서 놀라운 발전들이 많이 나왔다고 생각합니다. 아동 사망률이 낮아졌고, 모든 현대 의학과 위생 상태, 일과 삶의 분리 등이 산업 혁명 기간에 정립되었습니다.
하지만 꽤 오랜 시간, 대략 한 세기에 걸쳐 많은 도전 과제도 있었습니다. 노동력의 다른 부분들이 특정 시기에 일자리를 잃었고, 새로운 것들이 만들어져야 했습니다. 그 균형을 다시 맞추기 위해 노조와 같은 새로운 조직들이 만들어져야 했습니다. 그래서 사회 전체가 시간이 지나면서 적응해야 했던 것을 보는 것은 매혹적이었습니다. 그리고 지금의 현대 사회가 되었죠. 산업 혁명의 장단점과 발생 원인은 분명 많았지만, 전체적인 결과를 생각해보면—서구 세계의 식량 풍요, 현대 의학, 현대 교통 등—이 모든 것이 산업 혁명 덕분입니다. 그래서 우리는 산업 혁명 이전으로 돌아가고 싶지는 않을 겁니다. 하지만 이번에는 거기서 배워서 어떤 혼란이 있었는지 미리 파악하고, 더 일찍 혹은 더 효과적으로 완화할 수 있을지 모릅니다. 그리고 아마 그래야 할 겁니다. 이번의 차이점은 산업 혁명보다 10배 더 클 것이고, 아마도 10배 더 빨리 일어날 것이라는 점입니다. 한 세기가 아니라 10년 정도에 걸쳐 펼쳐질 것입니다.
Q: 셰인이 우리에게 말했던 것 중 하나는 노동을 자원과 교환하는 현재의 경제 시스템이 AGI 이후 사회에서는 같은 방식으로 작동하지 않을 거라는 점이었습니다. 사회가 작동하는 방식으로 어떻게 재구성되어야 하거나 재구성될 수 있을지에 대한 비전이 있나요?
산업 혁명 때처럼, 농업에 가까웠던 산업 혁명 이전과 비교해 전체 노동 세계와 노동 주간 등 모든 것이 바뀌었기 때문입니다. 그리고 적어도 그 정도 수준의 변화가 다시 일어날 것이라고 생각합니다.
그래서 새로운 경제 시스템, 새로운 경제 모델이 필요하다고 해도 놀랍지 않을 것입니다. 그 변화를 돕고, 예를 들어 혜택이 널리 분배되도록 하고, 보편적 기본 소득(UBI) 같은 것들이 해결책의 일부가 될 수 있도록 하기 위해서요. 하지만 그것이 전부는 아니라고 생각합니다. 그것은 우리가 지금 모델링할 수 있는 것일 뿐, 오늘날 우리가 가진 것에 추가되는 개념이니까요. 하지만 뭔가 훨씬 더 나은 시스템이 있을 수 있습니다.
그리고 철학적인 측면도 있습니다. 좋아요, 직업이 바뀌고 다른 것들도 바뀌겠지만, 핵융합이 해결되었다고 칩시다. 그래서 우리는 풍부하고 공짜인 에너지를 갖게 되었고, 결핍 이후(post-scarcity)의 시대가 되었습니다. 그럼 돈은 어떻게 될까요? 어쩌면 모두가 더 잘 살게 될지 모릅니다. 하지만 '목적(purpose)'은 어떻게 되나요? 많은 사람들이 직업에서, 그리고 가족을 부양하는 것에서 목적을 찾습니다. 그것은 매우 고귀한 목적이죠. 그래서 이런 질문들 중 일부는 경제적 질문에서 거의 철학적 질문으로 섞여 들어갑니다.
Q: 장기적으로, AGI를 넘어 ASI(인공 초지능)를 향해 갈 때, 기계는 절대 해낼 수 없는 인간만이 할 수 있는 일이 있다고 생각하시나요?
글쎄요, 그게 큰 질문이라고 생각합니다. 아시다시피 제가 가장 좋아하는 주제 중 하나가 튜링 머신입니다. 저는 항상 이렇게 생각해 왔습니다. 우리가 AGI를 만들고, 그것을 마음의 시뮬레이션으로 삼아 실제 마음과 비교해 본다면, 그 차이점이 무엇인지, 그리고 인간의 마음에 남아있는 특별한 점이 무엇인지 알게 될 것이라고요. 어쩌면 그건 창의성일 수도, 감정일 수도, 꿈이나 의식일 수도 있겠죠. 무엇이 계산 가능한지 혹은 불가능한지에 대해 세상에는 많은 가설이 존재합니다. 그리고 이것은 결국 튜링 머신의 한계가 무엇인가 하는 질문으로 돌아옵니다.
그것이 제가 튜링과 튜링 머신에 대해 알게 된 이후 제 인생의 중심적인 질문이라고 생각합니다. 저는 그것과 사랑에 빠졌죠. 그것이 저의 핵심 열정입니다. 우리가 해온 모든 일은 단백질 접힘을 포함하여 튜링 머신이 할 수 있는 일의 개념을 한계까지 밀어붙이는 것이라고 생각합니다. 그런데 알고 보니 그 한계가 무엇인지 잘 모르겠습니다. 어쩌면 한계가 없을지도 모릅니다. 물론 제 양자 컴퓨팅 친구들은 한계가 있고 양자 시스템을 하려면 양자 컴퓨터가 필요하다고 말하겠죠. 하지만 저는 정말 확신하지 못하겠습니다.
실제로 양자 분야 사람들과 그에 대해 토론해 봤습니다. 고전적 시뮬레이션을 만들기 위해 양자 시스템의 데이터가 필요할 수도 있습니다. 그러면 다시 마음의 문제로 돌아옵니다. 마음은 모두 고전적 계산일까요, 아니면 로저 펜로즈(Roger Penrose)가 믿는 것처럼 뇌에 양자 효과가 있는 걸까요? 만약 있고, 그것이 의식과 관련이 있다면, 기계는 적어도 고전적 기계는 절대 그것을 가질 수 없을 것입니다. 양자 컴퓨터를 기다려야겠죠. 하지만 만약 없다면, 한계가 없을 수도 있습니다. 어쩌면 우주의 모든 것은 올바른 방식으로 보면 계산 가능할지도 모르고, 따라서 튜링 머신은 우주의 모든 것을 모델링할 수 있을지도 모릅니다. 만약 저에게 추측해 보라고 한다면, 저는 그렇다고 추측하겠습니다. 그리고 물리학이 저에게 그렇지 않다는 것을 보여줄 때까지 그 기초 위에서 작업하고 있습니다.
그렇다면 이러한 계산적인 범위 내에서 불가능한 것은 없다는 말씀인가요?
음, 이렇게 말씀드리죠. 지금까지 우주에서 계산 불가능한 것은 아무것도 발견되지 않았습니다, 아직까지는요.
단백질 접힘이나 바둑 같은 것들을 통해 오늘날 고전적 컴퓨터가 할 수 있는 일이 복잡성 이론가들의 일반적인 'P=NP' 관점을 훨씬 넘어설 수 있다는 것을 이미 보여주었다고 생각합니다. 그래서 저는 그 한계가 무엇인지 아무도 모른다고 생각합니다. 딥마인드와 구글에서 우리가 무엇을 하고 있는지, 제가 무엇을 하려고 하는지를 한마디로 줄이자면 그 한계를 찾는 것입니다.
Q: 하지만 그 아이디어의 한계 안에서는... 우리가 여기 앉아 있고, 얼굴에 와닿는 조명의 따스함, 배경에서 들리는 기계 소리, 손에 닿는 책상의 느낌. 이 모든 것이 고전적 컴퓨터로 복제가 가능하다는 건가요?
결국 제 생각에는—이것이 제가 칸트를 사랑하는 이유이기도 합니다. 제가 가장 좋아하는 두 철학자가 칸트와 스피노자인데 이유는 다릅니다만. 칸트는 '현실은 마음의 구성물'이라고 했습니다. 저는 그게 사실이라고 생각합니다. 네, 당신이 언급한 그 모든 것들이 우리의 감각 기관으로 들어오고 다르게 느껴집니다. 빛의 따스함, 테이블의 감촉. 하지만 결국 그것은 모두 정보이며, 우리는 정보 처리 시스템입니다. 저는 생물학이 바로 그것이라고 생각합니다. 이것이 우리가 아이소모픽(Isomorphic)으로 하려는 일입니다. 저는 생물학을 정보 처리 시스템으로 생각함으로써 결국 모든 질병을 치료하게 될 것이라고 믿습니다.
그리고 결국—저는 남는 시간, 그 2분의 여가 시간에 에너지나 물질이 아니라 '정보'가 우주의 가장 근본적인 단위라는 물리학 이론에 대해 연구하고 있습니다. 그래서 결국 이 모든 것이 상호 교환 가능할지 모르지만, 우리는 단지 그것을 감지할 뿐입니다. 다른 방식으로 느낄 뿐이죠. 하지만 우리가 아는 한, 우리가 가진 이 모든 놀라운 센서들은 여전히 튜링 머신으로 계산 가능합니다.
그래서 당신의 시뮬레이션된 세계가 그렇게 중요한 거군요.
네, 정확합니다. 왜냐하면 그것이 그곳에 도달하는 방법 중 하나가 될 테니까요. 우리가 시뮬레이션할 수 있는 것의 한계는 무엇인가? 시뮬레이션할 수 있다면, 어떤 의미에서는 그것을 이해한 것이니까요.
Q: 마지막으로 이 모든 것의 최전선에 있다는 것이 어떤 느낌인지 개인적인 소회를 듣고 싶습니다. 이 일의 감정적 무게가 당신을 짓누를 때가 있나요? 꽤 고립된 느낌이 들 때가 있나요?
네. 저는 잠을 많이 자지 않습니다. 일이 너무 많아서이기도 하지만 잠을 잘 못 잡니다. 매우 복합적인 감정을 다루어야 합니다. 믿을 수 없을 만큼 흥미진진하니까요. 저는 기본적으로 제가 꿈꿔왔던 모든 것을 하고 있고, 응용 과학뿐만 아니라 머신 러닝 등 여러 면에서 과학의 절대적인 최전선에 있습니다. 모든 과학자가 알다시피 최전선에 서서 무언가를 처음으로 발견한다는 느낌은 짜릿합니다. 그리고 우리에게는 거의 매달 그런 일이 일어나고 있는데, 정말 놀랍죠.
하지만 물론 저와 셰인, 그리고 오랫동안 이 일을 해온 다른 사람들은 다가오는 것의 거대함을 누구보다 잘 이해하고 있습니다. 그리고 그것이 여전히 실제보다 과소평가되어 있다는 점도요. 사실 앞으로 10년 정도의 시간 스케일에서 일어날 일들, 인간이라는 것의 의미에 대한 철학적 문제, 무엇이 중요한지에 대한 문제 등을 포함해서요. 이 모든 질문들이 떠오를 것입니다. 그래서 큰 책임감을 느낍니다. 하지만 우리에게는 이런 것들에 대해 생각하는 훌륭한 팀이 있습니다.
또한, 적어도 제 자신에게는, 평생 훈련해 온 일이라고 생각합니다. 체스를 두던 어린 시절부터 컴퓨터와 게임, 시뮬레이션, 신경과학을 연구하던 시절까지, 이 모든 것이 이런 순간을 위한 것이었습니다. 그리고 대략 제가 상상했던 그대로입니다. 그래서 그것이 제가 이것을 견디는 방법의 일부입니다. 그냥 훈련인 거죠.
Q: 예상보다 더 힘들게 다가오는 부분도 있나요?
네, 확실히 있습니다. 오는 길에—알파고 대국 때도 그랬죠. 우리가 바둑을 깨는 것을 보면서요. 바둑은 아름다운 미스터리였는데, 그것이 변했습니다. 그래서 흥미로우면서도 시원섭섭했죠. 언어와 이미징, 그리고 그것이 창의성에 의미하는 바와 같은 더 최근의 일들도 그렇습니다. 저는 게임 디자인을 직접 해봤기 때문에 창의적 예술에 대해 큰 존경심과 열정을 가지고 있습니다. 영화감독들과도 이야기를 나눕니다. 그들에게도 흥미로운 이중적인 순간입니다. 한편으로는 아이디어 프로토타이핑 속도를 10배 높여주는 놀라운 도구를 갖게 되었습니다. 하지만 다른 한편으로는 특정 창의적 기술을 대체하고 있는가 하는 문제입니다.
그래서 저는 모든 곳에서 이러한 트레이드오프(상충 관계)가 진행되고 있다고 생각합니다. 과거의 전기나 인터넷처럼 AI만큼 강력하고 변혁적인 기술에는 불가피한 일이라고 봅니다. 그리고 우리는 그것이 인류의 이야기라는 것을 보아왔습니다. 우리는 도구를 만드는 동물입니다. 그리고 그것이 우리가 하기를 좋아하는 일입니다. 그리고 어떤 이유에서인지 우리는 과학을 이해하고 과학을 할 수 있는 뇌를 가지고 있습니다. 놀라운 일이지만, 동시에 채울 수 없는 호기심을 가지고 있죠. 저는 그것이 인간됨의 핵심이라고 생각합니다. 그리고 저는 처음부터 그 버그(열정)를 가지고 있었습니다. 그리고 그것에 답하려는 저의 표현 방식이 바로 AI를 만드는 것입니다.
Q: 향후 10년을 생각할 때, 개인적으로 가장 우려되는 큰 순간들이 있나요?
지금 현재 시스템들은 제가 '수동적 시스템'이라고 부르는 것입니다. 사용자가 에너지를 투입합니다—질문이나 과제 같은 것을요. 그러면 이 시스템들은 요약이나 답을 제공합니다. 그래서 매우 인간 주도적이고 인간의 에너지와 아이디어가 들어갑니다.
다음 단계는 에이전트 기반 시스템입니다. 지금도 보고 있지만 아직 꽤 원시적입니다. 앞으로 2~3년 안에 정말 인상적이고 신뢰할 수 있는 시스템들을 보게 될 것입니다. 비서 같은 것으로 생각한다면 믿을 수 없을 만큼 유용하고 유능할 것입니다. 하지만 또한 더 자율적일 것입니다. 그래서 그런 유형의 시스템에서는 위험도 함께 커진다고 생각합니다.
그래서 저는 2~3년 후에 그런 시스템들이 무엇을 할 수 있을지 꽤 걱정됩니다. 그래서 우리는 아마도 수백만 개의 에이전트가 인터넷을 돌아다닐 그런 세상에 대비하여 사이버 방어를 연구하고 있습니다.
딱 일주일만 쉬세요, 데미스.
네, 일주일, 아니 하루라도 좋겠네요. 하지만, 보세요. 제 사명은 항상 인류 전체를 위해 AGI를 안전하게 결승선 너머로 안착시키는 것을 돕는 것이었습니다. 그래서 그 지점에 도달하면, 물론 초지능이 있고 AGI 이후가 있고 우리가 논의했던 모든 경제적, 사회적 문제들이 있겠죠. 어쩌면 제가 거기서 어떤 식으로든 도울 수 있을지도 모릅니다. 하지만 제 사명의 핵심 부분, 제 인생의 사명은 완료될 것입니다.
작은 일이죠(농담조). 그냥 결승선을 넘기거나, 세상이 그것을 넘도록 돕는 것뿐입니다. 앞서 말했듯이 협력이 필요할 것이라고 생각합니다. 그리고 저는 꽤 협력적인 사람이기 때문에 제가 가진 위치에서 도울 수 있기를 바랍니다.
네. 저는 잠을 많이 자지 않습니다. 일이 너무 많아서이기도 하지만 잠을 잘 못 잡니다. 매우 복합적인 감정을 다루어야 합니다. 믿을 수 없을 만큼 흥미진진하니까요. 저는 기본적으로 제가 꿈꿔왔던 모든 것을 하고 있고, 응용 과학뿐만 아니라 머신 러닝 등 여러 면에서 과학의 절대적인 최전선에 있습니다. 모든 과학자가 알다시피 최전선에 서서 무언가를 처음으로 발견한다는 느낌은 짜릿합니다. 그리고 우리에게는 거의 매달 그런 일이 일어나고 있는데, 정말 놀랍죠.
하지만 물론 저와 셰인, 그리고 오랫동안 이 일을 해온 다른 사람들은 다가오는 것의 거대함을 누구보다 잘 이해하고 있습니다. 그리고 그것이 여전히 실제보다 과소평가되어 있다는 점도요. 사실 앞으로 10년 정도의 시간 스케일에서 일어날 일들, 인간이라는 것의 의미에 대한 철학적 문제, 무엇이 중요한지에 대한 문제 등을 포함해서요. 이 모든 질문들이 떠오를 것입니다. 그래서 큰 책임감을 느낍니다. 하지만 우리에게는 이런 것들에 대해 생각하는 훌륭한 팀이 있습니다.
또한, 적어도 제 자신에게는, 평생 훈련해 온 일이라고 생각합니다. 체스를 두던 어린 시절부터 컴퓨터와 게임, 시뮬레이션, 신경과학을 연구하던 시절까지, 이 모든 것이 이런 순간을 위한 것이었습니다. 그리고 대략 제가 상상했던 그대로입니다. 그래서 그것이 제가 이것을 견디는 방법의 일부입니다. 그냥 훈련인 거죠.
Q: 예상보다 더 힘들게 다가오는 부분도 있나요?
네, 확실히 있습니다. 오는 길에—알파고 대국 때도 그랬죠. 우리가 바둑을 깨는 것을 보면서요. 바둑은 아름다운 미스터리였는데, 그것이 변했습니다. 그래서 흥미로우면서도 시원섭섭했죠. 언어와 이미징, 그리고 그것이 창의성에 의미하는 바와 같은 더 최근의 일들도 그렇습니다. 저는 게임 디자인을 직접 해봤기 때문에 창의적 예술에 대해 큰 존경심과 열정을 가지고 있습니다. 영화감독들과도 이야기를 나눕니다. 그들에게도 흥미로운 이중적인 순간입니다. 한편으로는 아이디어 프로토타이핑 속도를 10배 높여주는 놀라운 도구를 갖게 되었습니다. 하지만 다른 한편으로는 특정 창의적 기술을 대체하고 있는가 하는 문제입니다.
그래서 저는 모든 곳에서 이러한 트레이드오프(상충 관계)가 진행되고 있다고 생각합니다. 과거의 전기나 인터넷처럼 AI만큼 강력하고 변혁적인 기술에는 불가피한 일이라고 봅니다. 그리고 우리는 그것이 인류의 이야기라는 것을 보아왔습니다. 우리는 도구를 만드는 동물입니다. 그리고 그것이 우리가 하기를 좋아하는 일입니다. 그리고 어떤 이유에서인지 우리는 과학을 이해하고 과학을 할 수 있는 뇌를 가지고 있습니다. 놀라운 일이지만, 동시에 채울 수 없는 호기심을 가지고 있죠. 저는 그것이 인간됨의 핵심이라고 생각합니다. 그리고 저는 처음부터 그 버그(열정)를 가지고 있었습니다. 그리고 그것에 답하려는 저의 표현 방식이 바로 AI를 만드는 것입니다.
Q: 향후 10년을 생각할 때, 개인적으로 가장 우려되는 큰 순간들이 있나요?
지금 현재 시스템들은 제가 '수동적 시스템'이라고 부르는 것입니다. 사용자가 에너지를 투입합니다—질문이나 과제 같은 것을요. 그러면 이 시스템들은 요약이나 답을 제공합니다. 그래서 매우 인간 주도적이고 인간의 에너지와 아이디어가 들어갑니다.
다음 단계는 에이전트 기반 시스템입니다. 지금도 보고 있지만 아직 꽤 원시적입니다. 앞으로 2~3년 안에 정말 인상적이고 신뢰할 수 있는 시스템들을 보게 될 것입니다. 비서 같은 것으로 생각한다면 믿을 수 없을 만큼 유용하고 유능할 것입니다. 하지만 또한 더 자율적일 것입니다. 그래서 그런 유형의 시스템에서는 위험도 함께 커진다고 생각합니다.
그래서 저는 2~3년 후에 그런 시스템들이 무엇을 할 수 있을지 꽤 걱정됩니다. 그래서 우리는 아마도 수백만 개의 에이전트가 인터넷을 돌아다닐 그런 세상에 대비하여 사이버 방어를 연구하고 있습니다.
딱 일주일만 쉬세요, 데미스.
네, 일주일, 아니 하루라도 좋겠네요. 하지만, 보세요. 제 사명은 항상 인류 전체를 위해 AGI를 안전하게 결승선 너머로 안착시키는 것을 돕는 것이었습니다. 그래서 그 지점에 도달하면, 물론 초지능이 있고 AGI 이후가 있고 우리가 논의했던 모든 경제적, 사회적 문제들이 있겠죠. 어쩌면 제가 거기서 어떤 식으로든 도울 수 있을지도 모릅니다. 하지만 제 사명의 핵심 부분, 제 인생의 사명은 완료될 것입니다.
작은 일이죠(농담조). 그냥 결승선을 넘기거나, 세상이 그것을 넘도록 돕는 것뿐입니다. 앞서 말했듯이 협력이 필요할 것이라고 생각합니다. 그리고 저는 꽤 협력적인 사람이기 때문에 제가 가진 위치에서 도울 수 있기를 바랍니다.
❤2
Continuous Learning_Startup & Investment
https://www.forbes.com/sites/alexkonrad/2023/07/10/flexport-founder-ryan-petersen-joins-founders-fund/ I believe entrepreneurs who did zero to one, could find next entrepreneurs better as there wore the similar shoes with them.
Flexport 창업자 Ryan Petersen
1. 창업 배경 및 초기 (0 to 1)
- 시작: 2002년 닷컴 붕괴 시기 졸업 → 취업난으로 스쿠터 무역 시작. 2005년 중국행, 낙후된 물류 시스템 발견.
- 기회 포착: Web 기술로 물류 혁신 구상. 마침 원격 세관 신고 가능하도록 법 개정됨.
- Import Genius (전초전): 선하증권 데이터 공개 사실 확인 후 검색 엔진 창업. 고객 이탈로 성장은 정체됐으나, Flexport 초기 자금 및 고객 리스트 확보에 기여.
- Flexport 런칭 (2013): 3년 기다려 관세청 라이선스 취득. 가짜 랜딩 페이지로 수요 검증(사우디 아람코 가입). 형의 영향으로 YC 지원.
- YC 멘토링: Paul Graham에게 "복잡한 걸 단순하게", "긍정적 면 집중" 조언 받음.
2. 성장 전략 및 차별점
- 기존과 차이: 화물(Freight)은 택배와 달리 여러 주체 간 릴레이 경주. 데이터 구조화로 통합 플랫폼 제공.
- 고객 유치: 마케팅 팀 없이 블로그/SEO/아웃바운드 영업으로 매출 2억 달러 달성.
- 영업 방식: "Yes, If" 전략 (기능 개발 시 실제 사용 여부 확인 후 로드맵 반영).
- 닭/달걀 해결: 대형 시계 제조사 전용 대시보드 제공 → 물량 확보 → 선사 운임 협상.
- 목표: 현재 세계 17위이나 점유율 미미. 기술 통해 20~40% 점유율 목표. (자동화는 위임 방식으로 해결).
3. 위기와 실패 (Dave Clark 체제)
- 배경: 펜데믹 때 마스크 공수/전용기 확보로 급성장. 운영 효율화 위해 Amazon 출신 Dave Clark 영입(Ryan은 회장직 이동).
- 실패 요인:
- 과도한 채용(엔지니어 900명) 및 비용 급증.
- Amazon식 분업화 도입 오류: 예외 상황 많은 화물업에 '조립 라인' 방식 적용 → 책임 소재 불분명.
- 결과: NPS 급락(70→17점). 품질 저하가 실수 수습 비용 증가로 이어짐(Quality Costs Less).
4. CEO 복귀 및 해결 (Founder Mode)
- 복귀: 이사회 요청으로 6개월 만에 복귀. 구조조정 단행.
- 조직 복구: 분업화 폐기 → 1인이 End-to-End 책임지는 구조로 회귀.
- 마이크로매니지먼트: 임원 위임 대신 감사(Audit) 및 직접 개입 강화 ("내 회사니까").
- 인적 쇄신: 외부 영입보다 내부 인재 승진 선호.
5. 경영 철학 및 핵심 개념
- 복잡성(Complexity): 코카콜라(지사별 독립)와 달리 물류는 전 세계 팀 실시간 협업 필수.
- Velocity = Speed + Vector: 단순히 빠른 게(Speed) 아니라 전사적 방향(Vector) 일치 필요. (Skip-level 미팅, 6-pager 공유 등으로 해결).
- 확장의 물리학 : 덩치보다 속도가 에너지에 결정적. 창업자가 끊임없이 에너지 주입 및 저항 제거해야 함.
- 표준 존중: 업계 표준 관행 무시 말고 수용하되, 핵심 문제만 혁신할 것(Don't Reinvent Everything).
6. 산업 인사이트 및 해결 사례
- 관세/규제: 복잡해질수록 기술 기업엔 기회. 합법적 절세 전략(First Sale 등) 지원.
- 롱비치 사태 해결: 타코 트럭/보트 투어로 현장(Gemba) 확인 → 조닝 규제 문제(적재 높이 제한) 발견 → 트윗으로 정책 변경 이끌어냄 (Bias for Action).
7. 멘토의 가르침 (Charlie Munger / Peter Kaufman)
- 세속적 지혜: 다양한 학문의 멘탈 모델 적용.
- 멍청한 경쟁: 천재들이 몰리는 곳 말고 낙후된 산업 공략.
- 경쟁 배타 원리: 경쟁자가 들어올 틈 없게 다 잘해야 함.
- 슐렙 블라인드니스: 너무 고통스러워 외면하는 문제 해결 시 성공.
- 성공의 복리: 거창한 계획보다 작은 승리 누적 중요.
8. 비전 및 조언
- 비전: 물류의 전력망(Grid)화. (물류계의 AWS).
- 태도: 편집증(Paranoia)으로 경쟁자 경계. 임포스터 신드롬은 노출 치료로 극복.
- 20대 조언: 책 많이 읽기(5년 뒤 결정), 좋은 롤모델/친구 사귀기(주변 5명의 평균).
https://www.generalist.com/p/leading-through-a-crisis-with-ryan
https://www.youtube.com/watch?v=zaNPnEZGhvA
https://www.youtube.com/watch?v=_bNKPvg_xk4
https://www.ycombinator.com/blog/ryan-petersen-on-building-flexport-a-modern-freight-forwarder/
https://youtu.be/gBRzdO8X5N4?si=Ll57TCv6zW2UO9ff
1. 창업 배경 및 초기 (0 to 1)
- 시작: 2002년 닷컴 붕괴 시기 졸업 → 취업난으로 스쿠터 무역 시작. 2005년 중국행, 낙후된 물류 시스템 발견.
- 기회 포착: Web 기술로 물류 혁신 구상. 마침 원격 세관 신고 가능하도록 법 개정됨.
- Import Genius (전초전): 선하증권 데이터 공개 사실 확인 후 검색 엔진 창업. 고객 이탈로 성장은 정체됐으나, Flexport 초기 자금 및 고객 리스트 확보에 기여.
- Flexport 런칭 (2013): 3년 기다려 관세청 라이선스 취득. 가짜 랜딩 페이지로 수요 검증(사우디 아람코 가입). 형의 영향으로 YC 지원.
- YC 멘토링: Paul Graham에게 "복잡한 걸 단순하게", "긍정적 면 집중" 조언 받음.
2. 성장 전략 및 차별점
- 기존과 차이: 화물(Freight)은 택배와 달리 여러 주체 간 릴레이 경주. 데이터 구조화로 통합 플랫폼 제공.
- 고객 유치: 마케팅 팀 없이 블로그/SEO/아웃바운드 영업으로 매출 2억 달러 달성.
- 영업 방식: "Yes, If" 전략 (기능 개발 시 실제 사용 여부 확인 후 로드맵 반영).
- 닭/달걀 해결: 대형 시계 제조사 전용 대시보드 제공 → 물량 확보 → 선사 운임 협상.
- 목표: 현재 세계 17위이나 점유율 미미. 기술 통해 20~40% 점유율 목표. (자동화는 위임 방식으로 해결).
3. 위기와 실패 (Dave Clark 체제)
- 배경: 펜데믹 때 마스크 공수/전용기 확보로 급성장. 운영 효율화 위해 Amazon 출신 Dave Clark 영입(Ryan은 회장직 이동).
- 실패 요인:
- 과도한 채용(엔지니어 900명) 및 비용 급증.
- Amazon식 분업화 도입 오류: 예외 상황 많은 화물업에 '조립 라인' 방식 적용 → 책임 소재 불분명.
- 결과: NPS 급락(70→17점). 품질 저하가 실수 수습 비용 증가로 이어짐(Quality Costs Less).
4. CEO 복귀 및 해결 (Founder Mode)
- 복귀: 이사회 요청으로 6개월 만에 복귀. 구조조정 단행.
- 조직 복구: 분업화 폐기 → 1인이 End-to-End 책임지는 구조로 회귀.
- 마이크로매니지먼트: 임원 위임 대신 감사(Audit) 및 직접 개입 강화 ("내 회사니까").
- 인적 쇄신: 외부 영입보다 내부 인재 승진 선호.
5. 경영 철학 및 핵심 개념
- 복잡성(Complexity): 코카콜라(지사별 독립)와 달리 물류는 전 세계 팀 실시간 협업 필수.
- Velocity = Speed + Vector: 단순히 빠른 게(Speed) 아니라 전사적 방향(Vector) 일치 필요. (Skip-level 미팅, 6-pager 공유 등으로 해결).
- 확장의 물리학 : 덩치보다 속도가 에너지에 결정적. 창업자가 끊임없이 에너지 주입 및 저항 제거해야 함.
- 표준 존중: 업계 표준 관행 무시 말고 수용하되, 핵심 문제만 혁신할 것(Don't Reinvent Everything).
6. 산업 인사이트 및 해결 사례
- 관세/규제: 복잡해질수록 기술 기업엔 기회. 합법적 절세 전략(First Sale 등) 지원.
- 롱비치 사태 해결: 타코 트럭/보트 투어로 현장(Gemba) 확인 → 조닝 규제 문제(적재 높이 제한) 발견 → 트윗으로 정책 변경 이끌어냄 (Bias for Action).
7. 멘토의 가르침 (Charlie Munger / Peter Kaufman)
- 세속적 지혜: 다양한 학문의 멘탈 모델 적용.
- 멍청한 경쟁: 천재들이 몰리는 곳 말고 낙후된 산업 공략.
- 경쟁 배타 원리: 경쟁자가 들어올 틈 없게 다 잘해야 함.
- 슐렙 블라인드니스: 너무 고통스러워 외면하는 문제 해결 시 성공.
- 성공의 복리: 거창한 계획보다 작은 승리 누적 중요.
8. 비전 및 조언
- 비전: 물류의 전력망(Grid)화. (물류계의 AWS).
- 태도: 편집증(Paranoia)으로 경쟁자 경계. 임포스터 신드롬은 노출 치료로 극복.
- 20대 조언: 책 많이 읽기(5년 뒤 결정), 좋은 롤모델/친구 사귀기(주변 5명의 평균).
https://www.generalist.com/p/leading-through-a-crisis-with-ryan
https://www.youtube.com/watch?v=zaNPnEZGhvA
https://www.youtube.com/watch?v=_bNKPvg_xk4
https://www.ycombinator.com/blog/ryan-petersen-on-building-flexport-a-modern-freight-forwarder/
https://youtu.be/gBRzdO8X5N4?si=Ll57TCv6zW2UO9ff
Generalist
Leading Through a Crisis with Ryan Petersen
How Flexport's CEO Reclaimed His Company and Righted The Ship.
❤1
Happy New Year!
지난해 시행착오를 통해 배운 것들
1. 행동이 정보를 만든다. 할까 말까 할 때는 먼저 하고 그 정보를 바탕으로 계획을 수정한다. 위대한 기업가들은 미친 듯한 낙관주의와 행동 지향적인 성향을 가진 사람들이다.
2. Inversion. 어떻게 하면 일을 그르칠 수 있을까? 관계를 망칠 수 있을까? 사업을 망가뜨릴 수 있을까? 최악의 하루를 보낼 수 있을까? 그리고 그 일들을 하지 않기.
3. 최악의 하루를 보내는 가장 쉬운 방법은 늦게 자기, 운동하지 않기, 몸에 나쁜 음식 먹기, 불평불만 하기, 남과 비교하기, 평가만 하고 행동하지 않기, 힘든 일 미루기.
4. AI를 극단적으로 많이 사용하기. Claude(혹은 Claude Code)로 단순한 요약을 넘어 이 글을 쓴 사람이 그동안 쓴 모든 콘텐츠를 다 소화해보기. 그 사람과 다른 관점에 있는 사람들을 소환해서 여러 관점을 비교해보기. 지금 내가 하는 일을 AI를 써서 계획하고 있나, 여러 관점을 듣고 있나, AI가 대신할 수는 없나, 반복적이면 자동화할 수는 없나? 내가 하는 일/ 우리 회사가 AI로 가장 최고의 버전인가?
5. 반응과 대응. 감정에 즉각적으로 반응할 필요 없이 관찰하고 원하는 방향으로 대응할 것. 삶이 하나의 영화라면 이런 상황에서 어떤 모습의 나이길 원하는가? 원하는 대로 삶을 연출하고 있는가?
6. 단순히 읽고 기록하는 것만으로는 내 것이 되지 않는다. 누군가에게 가르치고 지금 당장 내 문제에 적용해보고 여러 시행착오를 겪으면서, 특히 그 과정이 고통스러울수록 내 것이 될 수 있다. 배움은 뺏어 먹는 것이다.
7. Imposter 신드롬에서 벗어나기. 위대한 성취를 이룬 꽤 많은 창업가나 위인들도 자신이 자격이 없다는 생각(자격지심)에 시달렸다. 이 두려움을 현실에 안주하지 않는 원동력으로 삼되, 그 두려움에 잡아먹히지 말 것. 두려우면 두려운 것을 쓰고 직시해서 현실 감각을 키울 것.
8. 변화의 시기. 가만히 있으면 아득히 뒤처지고, 완전히 새로운 것들을 만들어 내는 사람들이 새로운 수익 모델과 엄청난 성장을 만들어내는 시기이다. 더 크게 상상하고 더 크게 도전하라. 실패의 수는 상관없다. 한 번의 변화가 큰 보상을 준다. 나쁜 선택을 하지 않기 위해서 최선을 다하면서 꾸준히 타석에 들어선다.
9. 우물 안 개구리가 되지 말자. 한국에 뛰어난 사람이 많지만 세상에는 정말 고수들이 많다. 미국, 중국 그 외에도 많은 고수가 있고 새로운 기회들이 있다. Local Optimum보다는 Global Optimum을 지향하자. 세상에 Undervalued 된 언더독들에게 기회를 주고 그들이 성공할 수 있게 돕자.
10. Being relentless. Don’t half ass. 피보다 진하게 살자. 끊임없이 배우고 행동하는 머신이 되자. 주변 사람들에게 친절하고 사랑한다고 말하자.
지난해 시행착오를 통해 배운 것들
1. 행동이 정보를 만든다. 할까 말까 할 때는 먼저 하고 그 정보를 바탕으로 계획을 수정한다. 위대한 기업가들은 미친 듯한 낙관주의와 행동 지향적인 성향을 가진 사람들이다.
2. Inversion. 어떻게 하면 일을 그르칠 수 있을까? 관계를 망칠 수 있을까? 사업을 망가뜨릴 수 있을까? 최악의 하루를 보낼 수 있을까? 그리고 그 일들을 하지 않기.
3. 최악의 하루를 보내는 가장 쉬운 방법은 늦게 자기, 운동하지 않기, 몸에 나쁜 음식 먹기, 불평불만 하기, 남과 비교하기, 평가만 하고 행동하지 않기, 힘든 일 미루기.
4. AI를 극단적으로 많이 사용하기. Claude(혹은 Claude Code)로 단순한 요약을 넘어 이 글을 쓴 사람이 그동안 쓴 모든 콘텐츠를 다 소화해보기. 그 사람과 다른 관점에 있는 사람들을 소환해서 여러 관점을 비교해보기. 지금 내가 하는 일을 AI를 써서 계획하고 있나, 여러 관점을 듣고 있나, AI가 대신할 수는 없나, 반복적이면 자동화할 수는 없나? 내가 하는 일/ 우리 회사가 AI로 가장 최고의 버전인가?
5. 반응과 대응. 감정에 즉각적으로 반응할 필요 없이 관찰하고 원하는 방향으로 대응할 것. 삶이 하나의 영화라면 이런 상황에서 어떤 모습의 나이길 원하는가? 원하는 대로 삶을 연출하고 있는가?
6. 단순히 읽고 기록하는 것만으로는 내 것이 되지 않는다. 누군가에게 가르치고 지금 당장 내 문제에 적용해보고 여러 시행착오를 겪으면서, 특히 그 과정이 고통스러울수록 내 것이 될 수 있다. 배움은 뺏어 먹는 것이다.
7. Imposter 신드롬에서 벗어나기. 위대한 성취를 이룬 꽤 많은 창업가나 위인들도 자신이 자격이 없다는 생각(자격지심)에 시달렸다. 이 두려움을 현실에 안주하지 않는 원동력으로 삼되, 그 두려움에 잡아먹히지 말 것. 두려우면 두려운 것을 쓰고 직시해서 현실 감각을 키울 것.
8. 변화의 시기. 가만히 있으면 아득히 뒤처지고, 완전히 새로운 것들을 만들어 내는 사람들이 새로운 수익 모델과 엄청난 성장을 만들어내는 시기이다. 더 크게 상상하고 더 크게 도전하라. 실패의 수는 상관없다. 한 번의 변화가 큰 보상을 준다. 나쁜 선택을 하지 않기 위해서 최선을 다하면서 꾸준히 타석에 들어선다.
9. 우물 안 개구리가 되지 말자. 한국에 뛰어난 사람이 많지만 세상에는 정말 고수들이 많다. 미국, 중국 그 외에도 많은 고수가 있고 새로운 기회들이 있다. Local Optimum보다는 Global Optimum을 지향하자. 세상에 Undervalued 된 언더독들에게 기회를 주고 그들이 성공할 수 있게 돕자.
10. Being relentless. Don’t half ass. 피보다 진하게 살자. 끊임없이 배우고 행동하는 머신이 되자. 주변 사람들에게 친절하고 사랑한다고 말하자.
👍14
Continuous Learning_Startup & Investment
차세대 1조 달러 기회: '컨텍스트 레이어'와 데이터브릭스의 딜레마 SaaS(기록의 시스템)에서 AI Agent(판단과 실행의 시스템)로 넘어가는 과도기, 기존 강자들의 구체적인 움직임과 스타트업이 파고들 빈틈에 대한 심층 분석입니다. 문제의 본질: "결과는 남지만, 판단의 맥락은 증발한다" 기존 SaaS는 결과값(What)만 기록합니다. 예를 들어 영업팀이 규정보다 10% 더 높은 할인을 승인했다면, CRM에는 '10%'라는 숫자만 남습니다. 하지만…
불과 2년전 Cursor는 주니어들이 쓰는거 아니야라는 인식에서 Claude Code가 개발자가 하는 일, 훌륭한 개발자의 정의를 바꾸고 있다. 이런 변화가 다른 직군에서 번지는 것은 몇년 내에 일어날 일 아닐까?
프론티어 랩들의 모델 성능이 상향 평준화되고 있다. 모델이 과거의 ‘CPU’처럼 범용적인 부품이 되어갈 때, 기업의 활용 사례의 진짜 차별점은 결국 ‘데이터’에서 나온다.
데이터란 단순히 데이터베이스에 저장된 정보를 넘어, 메신저와 메일 속에 흩어진 파편화된 맥락, 그리고 베테랑 직원의 머릿속에만 존재하는 ‘암묵적 지식’까지 포함한다.
지금까지의 AI 서비스들이 단순히 데이터를 검색해 보여주는 ‘래퍼(Wrapper)’ 서비스였다. 이것만으로도 많은 가치를 만들고 있는데 대표적으로 큰 회사에서 발생하는 커뮤니케이션 비용을 효과적으로 정보를 공유할 수 있게 해서 이 비용을 낮추고 있다.
앞으로는 이 보다 복잡한 맥락을 이해하고 실행하는 ‘에이전트’의 시대가 오고 있다.
우리가 하는 업무의 대부분은 이메일, ERP, 슬랙, 구글 드라이브, 그리고 담당자의 판단이라는 맥락 위에서 이루어진다. 새로운 테크 스택은 이 흩어진 정보들을 한곳으로 모아 사람 대신 업무를 처리하는 AI 에이전트로부터 시작된다.
이 단계에서 회사는 하나의 거대한 ‘시뮬레이션 환경’이 된다. 사람이 내리는 판단과 의사소통은 AI 에이전트를 성장시키는 고품질의 강화학습(RL) 재료가 된다. 성과가 좋았던 결정들을 학습한 AI는 그 회사의 고유한 ‘의사결정 DNA’를 복제하며 사람 수준 혹은 그 이상의 결과물을 만들수 있다.
앞으로 기업용 AI 시장에는 이런 테크 스택이 생긴다.
1. Foundation Layer (CPU): 가장 기본이 되는 모델을 판매하는 모델 회사들.
2. Agent OS Layer (OS): 기업별 데이터를 통합해 에이전트를 학습시키고 배포하며, 업무를 수행할 수 있게 돕는 새로운 운영체제(OS).
3. Vertical Agent Layer (App): 그 OS 위에서 법률, 회계, 고객 대응 등 특정 영역에 특화되어 실제 업무를 수행하는 에이전트 서비스.
예를 들어, ‘법률 주니어 에이전트’가 회사 메일과 ERP에 연동되어 있다면 고객 문의가 오면 AI가 기초 업무를 마무리해 검토만 받으면 되고, 계약서 리뷰 시에는 과거의 결정 사례를 참고해 근거를 달아놓을 수 있다.
슬랙이나 줌처럼 이미 소통의 길목을 잡고 있는 기존 강자들이 유리할 수도 있습니다. 하지만 의사결정의 맥락을 데이터화하고 실행에 옮기는 방식 자체가 완전히 달라지고 있는 지금, 이 판도를 뒤집을 새로운 플레이어가 등장할 수 있다.
영감을 준 글과 영상
- http://x.com/akoratana/status/2006177912655900895
- Enterprise AI에 대한 Databricks/Glean CEO https://youtu.be/jA8ZQfq_Hzs
프론티어 랩들의 모델 성능이 상향 평준화되고 있다. 모델이 과거의 ‘CPU’처럼 범용적인 부품이 되어갈 때, 기업의 활용 사례의 진짜 차별점은 결국 ‘데이터’에서 나온다.
데이터란 단순히 데이터베이스에 저장된 정보를 넘어, 메신저와 메일 속에 흩어진 파편화된 맥락, 그리고 베테랑 직원의 머릿속에만 존재하는 ‘암묵적 지식’까지 포함한다.
지금까지의 AI 서비스들이 단순히 데이터를 검색해 보여주는 ‘래퍼(Wrapper)’ 서비스였다. 이것만으로도 많은 가치를 만들고 있는데 대표적으로 큰 회사에서 발생하는 커뮤니케이션 비용을 효과적으로 정보를 공유할 수 있게 해서 이 비용을 낮추고 있다.
앞으로는 이 보다 복잡한 맥락을 이해하고 실행하는 ‘에이전트’의 시대가 오고 있다.
우리가 하는 업무의 대부분은 이메일, ERP, 슬랙, 구글 드라이브, 그리고 담당자의 판단이라는 맥락 위에서 이루어진다. 새로운 테크 스택은 이 흩어진 정보들을 한곳으로 모아 사람 대신 업무를 처리하는 AI 에이전트로부터 시작된다.
이 단계에서 회사는 하나의 거대한 ‘시뮬레이션 환경’이 된다. 사람이 내리는 판단과 의사소통은 AI 에이전트를 성장시키는 고품질의 강화학습(RL) 재료가 된다. 성과가 좋았던 결정들을 학습한 AI는 그 회사의 고유한 ‘의사결정 DNA’를 복제하며 사람 수준 혹은 그 이상의 결과물을 만들수 있다.
앞으로 기업용 AI 시장에는 이런 테크 스택이 생긴다.
1. Foundation Layer (CPU): 가장 기본이 되는 모델을 판매하는 모델 회사들.
2. Agent OS Layer (OS): 기업별 데이터를 통합해 에이전트를 학습시키고 배포하며, 업무를 수행할 수 있게 돕는 새로운 운영체제(OS).
3. Vertical Agent Layer (App): 그 OS 위에서 법률, 회계, 고객 대응 등 특정 영역에 특화되어 실제 업무를 수행하는 에이전트 서비스.
예를 들어, ‘법률 주니어 에이전트’가 회사 메일과 ERP에 연동되어 있다면 고객 문의가 오면 AI가 기초 업무를 마무리해 검토만 받으면 되고, 계약서 리뷰 시에는 과거의 결정 사례를 참고해 근거를 달아놓을 수 있다.
슬랙이나 줌처럼 이미 소통의 길목을 잡고 있는 기존 강자들이 유리할 수도 있습니다. 하지만 의사결정의 맥락을 데이터화하고 실행에 옮기는 방식 자체가 완전히 달라지고 있는 지금, 이 판도를 뒤집을 새로운 플레이어가 등장할 수 있다.
영감을 준 글과 영상
- http://x.com/akoratana/status/2006177912655900895
- Enterprise AI에 대한 Databricks/Glean CEO https://youtu.be/jA8ZQfq_Hzs
X (formerly Twitter)
Animesh Koratana (@akoratana) on X
8/ We're at the beginning of something big. The infrastructure for organizational intelligence doesn't exist yet, which means we get to build it.
Huge thanks to everyone who engaged with the original pieces. The conversations have been incredible and have…
Huge thanks to everyone who engaged with the original pieces. The conversations have been incredible and have…