Grok
스파스(sparse) 연산 최적화, 저전력 특화 등 독자 설계를 내세움.
고성능 대규모 클러스터보다 특화된 분야(엣지 컴퓨팅 등)로 진출 가능성이 있지만, 시장 전체에서 엔비디아 대항마가 되기엔 자본·생태계가 부족.
총평: 스타트업 칩은 기술적 혁신이 있으나, 소프트웨어·대규모 시스템 생태계 구축이 어려워 본격 대체재가 되긴 힘들다는 평.

5. Amazon’s Tranium
“Amazon Basics TPU”
아마존이 자체 설계한 AI 칩(Tranium, Inferentia)은 비교적 단순하고 저비용 구조로 대규모 환경에 최적화.
많은 메모리(HBM)와 높은 메모리 대역폭을 저렴하게 제공해 TCO를 낮춤.
네트워킹·칩 자체 효율은 엔비디아 대비 떨어지지만, 원가 구조와 자체 인프라로 가격 경쟁력 확보.
대형 클러스터 구축
AWS + Anthropic이 400,000개 이상의 Tranium 칩을 모은 슈퍼컴퓨터를 구축할 계획.
트레이닝(Training) 목적 대규모 클러스터에는 적합할 수 있으나, 추론(실시간 응답)용으로는 분산 배치가 필요해 단점도 존재.

전망
효율·성능 면에선 엔비디아에 미치지 못하나, “AWS 에코시스템 + 저렴한 비용“이라는 장점으로 특정 고객군에 매력.
아마존은 엔비디아 의존도를 줄이고 싶어 하며, 내부적으로 Tranium을 통해 점차 경험·생태계를 확장하는 중.

----
What is future?

초고가 모델 vs. 저가 모델: 이중 시장 구조
대형 모델(예: ‘01 모델’ 등)은 뛰어난 성능(Reasoning, 생산성 향상)을 제공하지만, 비용이 매우 높음.
작은 모델(예: Llama 7B, ‘40 mini’)은 훨씬 저렴하게 운영 가능하며, 이 때문에 오픈소스·네오클라우드 등에서 경쟁이 매우 치열해지고 있음.
큰 모델이 압도적 성능으로 고부가가치 업무(예: 엔지니어링, 고급 코딩) 처리에 사용되면, 높은 가격을 매겨도 기업 입장에서 비용 대비 효용이 높아 수요가 꾸준함.
한편, 대규모 고객서비스(콜센터 등)처럼 “최고 성능이 필요치 않은” 곳은 작은 모델이나 오픈소스 모델로 비용 최적화를 추구할 수 있음.

경쟁 구도: “최고 모델 vs. 값싼 모델”
최고 성능 모델을 개발·판매하려면, R&D·GPU 인프라·SW 최적화 등에 막대한 자본이 필요.
만약 이를 실패하거나, 고객이 지불할 가치(ROI)를 못 증명하면 경쟁에서 도태됨(“race to the bottom”).
실제 API 시장에서 오픈소스 모델·다양한 스타트업이 등장하여 가격 인하를 유도하지만, 가장 뛰어난 모델을 제공할 수 있는 기업은 소수에 불과함.

고객(엔터프라이즈) 측의 의사결정
최고 성능 모델(예: 오픈AI 01, Anthropics 고급 모델 등)에 지불해 생산성을 20~50% 높일 수 있다면, 연봉이 높은 개발자·분석가 비용 절감 효과가 커서 투자 가치가 높음.
따라서 “가장 비싼 모델이 결과적으로 더 싸게 먹힌다“는 논리가 성립 가능(고급 지식 노동 대체/보조).
반면 단순 질의나 대량 트래픽 처리에는 작은 모델이 합리적.

차기(2025~2026) 전망
**하이퍼스케일러(구글, MS, 메타 등)**의 투자 기조
2024~2025에는 대규모 데이터센터·GPU 투자가 계속될 것으로 보이지만, 2026년쯤 “과잉 투자 or 모델 발전 한계” 여부가 분수령이 될 수 있음.

Broadcom, Marvell 등 커스텀 Asic, 네트워킹 솔루션 업체들이 부상 중.
예: Meta는 추천시스템용 커스텀 칩, AWS(아마존), 구글, MS 등 자체 칩도 늘어나는 추세.
이들이 실제 상품화·양산에 성공할 경우, 엔비디아 독주를 어느 정도 분산시킬 가능성 있음.

Neo Cloud(네오클라우드) 업체들의 정리(Consolidation)
전 세계적으로 80여 개 네오클라우드(소규모 AI 클라우드) 중 대부분이 가격 인하 경쟁에 밀려 사라질 것이며, 5~10곳만 살아남을 것으로 예측.

자본 유입 여부
중동·아시아 주권 펀드 등 막대한 자금이 아직 본격적으로 들어오지 않았으며, 향후 대규모 투자로 이어질 가능성 있음.
모델 발전이 지속되면, 수익 가능성을 본 투자자들이 더 큰 자금을 투입하며 시장 열기를 지속시킬 수 있음.

핵심 변수: 모델 품질과 실제 매출(Revenue) 성장
모델 성능이 빠르게 개선되면, 하이퍼스케일러들이 더 큰 규모로 투자하면서도 ROI를 맞출 가능성이 큼.
그러나 모델 발전 속도가 정체되거나, 매출 성장률이 기대만큼 따라주지 못하면 ‘투자 과잉’ 조정이 올 수 있음.
결국 **“GPU·데이터센터 투자 = 미래 매출 기대치“**라는 논리로, 기업들은 향후 2~3년간 경쟁적으로 설비 투자를 늘리는 중.

결론
AI 모델 시장은 “최고 성능“을 추구하는 소수의 대형 기업과, “비용 효율적 접근“을 노리는 다수 플레이어로 양분될 전망.
2024~2025년엔 대규모 투자·확장이 이어지겠지만, 2026년 전후로 모델 발전 한계·수익성 여부를 둘러싼 ‘대규모 조정’ 혹은 ‘계속 상승’ 시나리오가 갈릴 가능성이 높음.
투자·기술 발전 모두 모델 성능 개선과 매출 증대가 얼마나 일치하느냐가 관건으로, 업계는 여전히 ‘과잉 투자 vs. 성장 지속’ 사이에서 치열한 경쟁을 벌일 것으로 보임.

City of Tokyo released a 3D digital twin of the entire city in high resolution point cloud, free to download. It’s an inevitable trend that more and more cities, houses, and factories will be transported into simulations.

Robots will not be trained in isolation. They will be simulated as an “iron fleet”, deployed in real-time graphics engines, and scaled across a huge cluster to produce the next trillions of high quality training tokens. The majority of embodied agents will be born in sim, and transferred zero-shot to our real world when they are ready. They will share a “hive mind” that sends latent embeddings back and forth to coordinate a multi-agent physical task.

Fun fact: NVIDIA’s Santa Clara Headquarter buildings are designed and rendered in Omniverse, a GPU-accelerated graphics platform, before materializing in atoms.

Tokyo digital twin: https://lnkd.in/gVrxfmBN

슈퍼 파운더 강준열님 추천

스타트업 세계에는 많은 조언들이 떠돈다. 그러나 이들 조언들이 과연 사실에 부합하는지는 따져보지 않는다.
이 책은 크게 성공한 스타트업과 비슷한 시기에 시작했지만 성공하지 못한 스타트업들을 통계적으로 유의한 수준으로 샘플링해서 나온 결과로 이런 조언들의 사실 부합여부를 따져본다.(물론 미국 사례이기 때문에 한국과는 당연히 안맞을 수 있다. 나중에 기회가 있으면 한국에서도 데이터를 모아서 비슷한 연구를 해보면 좋을 것 같다.)
다음은 사실과 부합하지 않는 주장들이다.
크게 성공한 스타트업의 창업자들은 큰 위험을 기꺼이 택할 수 있는 젊은이들이 많다는 주장들이 있다. 실제로는 성공한 스타트업과 실패한 스타트업간의 창업자의 연령차이는 없으며 평균 나이는 34세이다.(예순여덟살에 창업해서 성공한 사례도 존재한다.) 이 말은 곧 적든 많든 창업자의 나이는 기업의 성공과 크게 상관 없다는 뜻이다.
함께 창업할 파트너가 없는 창업자는 실패할 것이라는 근거 없는 믿음이 있다. 실제로는 성공한 스타트업의 다섯곳 중 하나는 1인 창업을 했다. 1인 창업을 포함해 창업자의 수에 관한 어떤 창업 시나리오에도 특별히 유리하거나 불리한 점이 없음을 알 수 있다.
기술적 CEO와 비기술적 CEO 중 어느 쪽이 더 나은가 하는 문제는 스타트업 업계에서 유명한 논쟁거리다. 데이터를 보면 두 방식 모두 동일한 가치를 지닌다. 실세로 성공한 스타트업의 창업 CEO 비율은 비지니스 분야 출신 50.5%, 기술 분야 출신이 49.5%로 거의 절반에 가깝다.
경이로운 대학 중퇴자들의 사례는 널리 알려져있다. 그러나 데이터를 보면 성공한 스타트업 창업자 대부분은 대학교를 자퇴하지 않았다. 다만, 어느 대학교를 나왔는지는 조금 다르다.
창업가를 꿈꾸는 사람들에게 어떤 사람들은 기업 근무 경험이 중요하다고 이야기하고 어떤 사람들은 가능한한 빨리 창업하는 것이 낫다고 조언하는데 데이터를 보면 두 접근 방식 모두 효과가 있다. 다만, 어떤 기업들은 성공한 스타트업 창업자들의 원천으로 명성이 높다.
또, 사람들은 창업가가 ‘판도를 바꿔놓으려는’ 산업에서 직접 일한 경험이 있어야한다고 오해한다. 그러나 데이터에 의하면 전문 산업 지식을 보유했느냐 여부가 성공률에 영향을 미치지 않았고, 전체적으로 보면 관련 산업의 전문성이 있다고 유리하거나 불리하지는 않았다.
여러 사람들이 창업자는 수십년 간 개인적인 문제로 고통받은 끝에 그 문제를 해결할 사명감으로 창업에 나선다고 주장하고 있는데 이건 대부분 성공 이후에 만들어진 스토리일 가능성이 높다. 데이터로만 보면 오히려 시장이나 고객 형태 또는 트랜드를 선택한 뒤 해결해야할 문제를 찾아 나서는 경우가 더 일반적이다.(물론 자신이 풀고자 하는 문제에 사명감을 느끼면 더 열정을 가지고 일할 수 있다.)
흔히들 비타민 보다는 진통제 유형의 문제를 풀어야지 성공할 수 있다고 하는데 데이터를 보면 놀랍게도 성공한 스타트업 중에 비타민 제품 기업들이 생각보다 많다. 거의 1/3에 해당한다.
이미 시장이 큰 경우보다는 완전히 새로운 수요를 창출하는 기업이 성공할 가능성이 높다는 믿음도 미신이다. 데이터를 보면 시장 점유율 경쟁을 벌이는 기업들이 더 많은 가치를 만들어낸다.
타이밍이 중요하다는 점은 중요해보이기는 하나 데이터로 검증하기 어려운 주제이다.(정량화하기 어려운 주제이기 때문이다.) 그러나 이 책의 저자에 의하면 탁월한 벤처캐피털의 중요한 질문 중 하나는 “왜 지금인가?”이다.
거대 기업들이 이미 장악한 시장에 진출하는 스타트업이 불리할 것이라고 많이들 보지만 놀랍게도 데이터에 의하면 성공한 스타트업의 절반 이상은 다수의 거대 기존 기업에 맞서 싸웠다.
엑셀러레이터가 큰 가치를 제공하지만(와이컴비네이터등…) 사실 성공한 스타트업의 85%는 어떤 엑셀러레이터 프로그램도 거치지 않았다.(엑셀러레이팅 프로그램들은 주로 최초 창업자에게 많이 유리했다.)
다음은 통계적으로 유의한 결과가 나오는 주장들이다.
성공한 스타트업의 창업자들이 대부분 일류대학 출신이라는 것은 데이터를 통해서 지지된다. 이때 일류 대학이 모두 똑같이 중요한 것이 아니라 대학문화와 위치에 따라서 달라진다. 즉 강력한 창업 기업가 문화를 조성한 대학교인 USC나 미시간대학교, 브리검영대학교가 프린스턴, 칼텍, 시카고 대학교보다 더 많은 성공한 창업가들을 배출한다. 다만 이것이 투자자들의 편견(학벌선호?)때문인지는 확인하기 어렵다.
성공한 스타트업 창업가들 중에 많은 비율이 구글, 오라클, IBM과 같은 특정 기업 출신들이 많다. 물론 이것이 투자자들의 주목을 끌기 때문에 그런것인지 진짜 다른 효과가 있는지는 확인이 어렵다.
뚜렸하게 스타트업의 성공율에 큰 영향을 주는 것은 ‘수퍼 파운더’이다. 즉, 반복해서 창업하는 사람들의 가치는 더욱 두드러진다. 데이터를 통해서 확인되지만 과거에 성과가 좋은 기업을 창업했던 자들은 수십억 달러 기업을 창업할 가능성이 훨씬 높았다.(스타트업에 창업이 아니라 합류해서 성공을 노리는 사람이라면 수퍼 창업자가 창업한 기업을 찾으면 성공 가능성을 높일 수 있다.)
데이터로만 보면 성공한 스타트업의 50% 이상이 실리콘벨리에 근거지를 두고 있다. 하지만 일부 기업들은 초기 성공 이후에 실리콘벨리로 옮겨온 사례가 꽤 있다.
여러 사례에서 대규모 투자를 유치한 스타트업과 경쟁하는 다른 스타트업은 성공할 확률이 매우 낮은것으로 보여진다.
다양한 형태의 방어 가능성(아마 해자의 의미로 쓴 듯하다)을 잘 갖춘 스타트업은 성공할 확률이 훨씬 높다. 성공한 스타트업의 대부분은 해자가 명확했는데 성공하지 못한 스타트업은 45%가 해자가 특별히 없었다.
성공한 스타트업의 60%는 세콰이어, A16z, 벤치마크, 엑셀등 최상위권 벤처 캐피털의 투자를 받았다. 성공하지 못한 그룹은 20% 정도를 이들에게서 투자를 받았다.
책에는 케이스별로 풍부한 사례들이 나와있다. 사례를 더 알고 싶은 분들은 일독을 해도 괜찮을듯하다.(주장하는 내용은 여기 정리한 것에서 크게 벗어나지 않기는 하다.)

https://m.yes24.com/Goods/Detail/109648342

이호연님

*기본기에 대한 짧은 생각*

요즘 엔지니어들과 이야기를 나누는 주요 토픽 중 하나는 ‘기본기’를 어떻게 쌓아야 하냐는 것이었다. 특히 신입이나 주니어 엔지니어들은 커리어에 대한 고민이 많은 시기이다 보니, 선배 개발자들이 강조하던 ‘기본기’를 어떻게 기를 수 있는지에 대해 많이 궁금해하는 것 같았다.

나도 사실 엔지니어의 성장을 논할 때 기본기를 항상 이야기하는 편인데, 이게 무엇인지에 대해 정의하려고 하면 막상 명확한 답은 떠오르지 않았던 것 같다. 사람들이 종종 이야기하는 CS 지식이나 알고리즘 같은 소위 하드스킬을 기본기라고만 하기엔 조금 애매한 부분이 있다.

그래서 곰곰이 생각해봤는데, 기본기가 쌓여 나간다는 그 ‘느낌’은 대체로 어떤 문제를 더 ‘잘’ 해결하려고 하는 과정에서 많이 왔던 것 같다. 책이나 강의를 통해 배울 수 있는 영역들만으로는 잘하기 어렵다. 더 잘하기 위해서는 수면 아래에 있는 것들을 찾아 원리를 정확히 이해하고, 개선이 필요한 부분을 찾아 부러뜨려야 한다. 이 부분은 전적으로 본인의 주체적인 의지로만 가능하며, ‘암묵지’라는 형태로 존재할 수도 있겠다

우리가 어떤 일을 하더라도 ‘잘’할 수 있는 부분은 분명히 있을 것이고, 그를 위한 시도를 계속하다 보면 자연스럽게 성장할 수 있을 것 같다. 그 과정에서 기본기는 자연스럽게 따라온다고 본다. 우리가 맡은 일을 '잘'하기 위해서 끊임없이 호기심을 품는 것. 그게 기본기를 쌓기 위한 필요 조건이지 않을까 싶음!

강준열 파트너님

1. 좋아하는 일 해야한다. Passion will lead you to be the world class.
2. 잘하는 방법을 배워야한다. Strategic strength
3. 돈 벌 방법을 찾아야한다. Market & competition

실리콘 밸리 밖에서 태어난 창업자들은? 왜 Spotify, Shopify는 가능했을까?
실리콘 밸리에서할 수 없지만 내가 할 수 있고 승리할 수 있는 전략은 무엇인가?

1. Spotify: 스칸디나비아 record label-> expand
2. Shopify: ecommerce는 아마존 때문에 안되라고 했지만 현실은 작은 ecommerce들이 많이 생기고 있었음.

실리콘 밸리를 잘 알고 있기 때문에 경쟁을 피하면서 좋은 전략을 실행할 수 있었음.

Awareness + “irrational ambition”.
비이성적으로 야심찬 사람이지만 경쟁상황을 직시해야함. 야만만 크다면 한번의 운이 따를 수 있겠지만 장기적으로 쉽지 않음.

스타트업은 시작할 때부터 죽을 운명인데 어떻게 살아갈 것인지 답을 찾아나가야함.
- 이 사업이 크면 왜 엄청 커지는지? 커지는 과정에서 큰 문제는 무엇이고 그 문제를 해결할 Plan A, B, C는 무엇인지?
- 이 시장은 어떻게 생겼으며, 경쟁에서 중요한 것은 무엇이고, 우리가 이길 수 있는 이유는 무엇이고, 기술의 흐름이 왜 우리에게 유리한지 그래서 결국 이 게임의 승자는 우리인지?

주변에 가장 똑똑한 사람들에게 가서 어떻게 생각하는지? 망한다면 왜 망한다고 생각하는지 이야기를 들어볼 것. 그리고 그것에 대한 플랜을 고민해볼 것.
- (소프트웨어 비즈니스라면) 왜 내가 글로벌 경쟁에서 이길 수 있을까?
- LinkedIn, Airbnb 둘다 주변에 똑똑한 동료들이 망할거라 했고 리스크를 알고 있었지만 이 아이디어가 되기만하면 엄청 큰 변화였고 그 리스크에 대한 계획들(Plan A, B, C etc)가 있었음.
- 우리 사업이 잘 안된다면 왜 잘 안될까? 그 위험을 어떻게 관리할 것인가?
- 망할 가능성은 높지만 성공했을 때 큰 리턴이 있는가?

Persistence <> Flexibility
끈질기게 밀어붙일 것인가 유연하게 바뀔것인가?

PayPal success
1. 똑똑하고 야망있는데 대중들과 다른 뷰를 가진 집단이 모여서 성과를 만들었고 적절한 타이밍에 엑싯했다.(IPO->Exit)
2. 이 돈을 바탕으로 새롭게 다가오는 웨이브를 다른 사람들보다 먼저 봤고 Consumer Internet, Enterprise Software, Greentech(Youtube, Linkedin, Tesla)등 새로운 아이디어로 창업/투자했고 더 많은 성공을 했다.

Importance of Sales
- 파운더는 훌륭한 인재들이 회사에 합류하도록 투자자들이 투자하도록 설득해야한다. 이 때, 단순히 큰 비전과 더불어 이 비전까지 가기 위해 있는 허들에 대해서 인지하고 있으며 어떤식으로 해결할 것인지에 대한 객관적인 현실인식이 중요하다. 이 문제를 해결하는 것보다 인지하고 있는 것이 중요하다.

Hiring
- 창업자가 본인 시간의 1/3을 채용에 안쓰면 문제가 있다. 좋은 인재는 실행의 질과 퀄리티를 결정하고, 채용의 바를 낮추면 제품과 GTM이 떨어진다.
- 채용을 위한 Routine이 필요하다. 역할을 정의하고, 항상 좋은 인재 풀에 노출되라.
- 평판이 인터뷰보다 중요하다. 실제로 일해본 사람들(추천받지 않은 사람들)의 의견을 물어봐라. 강점과 약점을 물어보고 일관된 평가를 받는지 물어봐라.
- Paypal Target Talents: Short Experiences & Insanely Learning curve

Networking
- 전략적으로 멘토, 투자자, 파트너, 잠재 채용하는 사람들과 관계를 구축해라.
- 훌륭한 팀을 만드는 것은 Co-founder/Star employee/ potential customers과 관계를 만드는 것이다.
- 네트워크는 항상 일찍. 진심을 다해(서로의 이익을 위해). 장기간에 걸쳐 구축해라.

Great Founders
- 누구도 day1부터 잘하진 않고 계속해서 배워야한다.
- 피벗을 할수도 있고 시장, 기술 모든 것이 바뀌기 때문에 상황을 인지하고 계속 배워야한다.
- 강한 팀을 만들고 강한 신뢰를 만드는 것이 슈퍼파워다.
- 위기(경쟁사/기술&시장의 변화)에서 살아남는 것이 중요하다. 스트레스가 극심한 상황에서 패닉에 빠지지 않고 문제를 해결할 수 있는 것(회복탄력성)이 중요하다. 삶에서 힘든 경험이 무엇이었고 어떻게 생존했는가?

Risk
- 다른 사람들은 미쳤다고 하는데 20-30% 의 성공 가능성을 보고 있다면 당신의 Edge일 수 있다.
- Safe Route는 치열한 경쟁이 있다.
- Big vision을 가지되 다양한 Plan B를 가지고 있어라.

Marriage & Life
- Linkedin의 빠른 성장 때문에 결혼식 일정을 다시 잡았다.
- 파운더들은 인생의 파트너가 스타트업의 요구사항을 잘 이해할 수 있도록 커뮤니케이션해야한다. 그렇지 않다면 상대는 큰 분노를 느끼거나 혼란스러워할것.
- 내가 지금을 살고 있나가 중요하다. 그래서 관계를 완전히 희생시키지 않기 위해서 신경쓸것.

https://youtu.be/eTkFItOG3Kk?si=PXBa7XOw7MgP9cRs

누구나 죽는다는 사실을 알고 있다.
그러나 ‘언젠가 몇 십 년 뒤’쯤으로만 생각했던 죽음이 당장 며칠 후, 혹은 몇 주 뒤에 닥쳐온다면, 과연 우리는 어떻게 살 것인가?

신경외과 의사였던 폴은 폐암 4기 판정을 받은 뒤 자신의 삶의 의미를 깊이 고민한다. 항암치료를 병행하면서 딸을 출산하고, 다시 신경외과 의사로 복귀해 수술을 집도하던 그는 죽음을 맞이하기까지 본인의 이야기를 글로 남겼다. 이 책이 바로 《숨결이 바람 될 때》이다.

폴은 늘 환자를 아끼는 의사였다.

"제 환자들은 모두 소중합니다. 그들의 삶의 가치는 숫자로만 정의될 수 없습니다."

그런 그가 폐암 4기 판정을 받고, 이번에는 ‘환자’의 입장에서 죽음을 준비해야 했다.

“진단서 한 장이 내 인생을 완전히 바꿔 버렸다. 의사복은 벗겨지고, 환자복만 남았다.”
"나는 어느 날 문득, 삶과 죽음의 경계가 이렇게도 가까이 있다는 걸 깨달았다."
“아내의 손을 잡고서야, 내가 진짜 살아 있음을 느꼈다.”

폐암 4기 상태로 환자가 된 그는, 아내 루시와의 관계에서도 난관에 부딪힌다. 둘은 부부 상담을 통해 서로가 느끼는 두려움과 상실감을 허심탄회하게 나누었고, 루시는 “남편이 아무리 힘들어도 자신을 고립시키지 않았으면 좋겠다”는 마음을 전한다. 폴 또한 “아내가 자신의 유일한 마음 버팀목”임을 깨닫는다.

루시는 남편이 오래 살 가능성이 낮다는 것을 알면서도, “아이를 낳아 함께 맞이하는 순간이야말로 두 사람에게 남은 ‘진정한 삶’”이라 여겼다. 동시에 그녀 본인에게도 이 아이는 “미래를 잇는 희망”이었다.

과연 ‘살아 있다’는 것은 무엇일까?

“숨이 멈추는 날까지도, 나는 나의 이야기를 써 내려가고 싶었다.”
“죽음 앞에서 내가 진짜로 붙잡을 가치는 무엇인가.”
“딸을 처음 안아 본 순간, 내 삶이 더없이 단단해졌다는 느낌이 들었다.”
"삶의 끝자락에서야, 함께 손잡아 줄 사람이 곁에 있다는 것이 얼마나 큰 위안인지 깨달았다."
“이제 숨결이 바람으로 스며들 순간이 다가온다. 그러나 내 영혼의 울림은 멈추지 않을 것이다.”

결국 “사랑과 인간관계가 가장 귀중하다”는 결론에 다다른다.

“그가 남긴 문장들은 우리 모두에게, 곁에 있는 이들과 더 깊이 연결되라는 초대장과도 같다.”

https://product.kyobobook.co.kr/detail/S000001029280

https://youtu.be/jM_rYOrgJ7E
https://genesis-world.readthedocs.io/en/latest/index.html

1. 기존 로봇 및 시뮬레이션 분야에서는 다양한 플랫폼(예: Mujoco, Isaac Gym/Sim, Bullet)들이 이미 존재.
- 주요 문제점
1) 배우는데 시간이 많이 필요함: GPU 병렬화나 대규모 병렬 시뮬레이션을 구현하려면 복잡한 설정과 API 학습이 필요함.
2) 일부 엔진은 폐쇄형(closed-source) 또는 소스 접근이 어려워, 사용자 맞춤 수정이나 물리 모델 확장이 제한적.
3) 기존 CAE(예: Ansys)와 달리, 로봇/게임 쪽 시뮬레이터들은 고성능 병렬화에 치중했지만, 여전히 정확도·유연성 면에서 한계가 있거나, 반대로 너무 세팅이 복잡.

2. 무엇을 개선했나?
1) 완전한 파이썬 기반 오픈소스
- 설치와 API 접근이 쉬움. 커뮤니티 기여(플러그인 등)가 용이.
2) 압도적인 병렬화·속도
- GPU 병렬 수행으로, 예: 단일 프랭카 매니퓰레이터 장면에서 43 million FPS 시연. 기존 GPU 시뮬레이터 대비 10~80배 빠른 수준을 목표.
3) 다양한 물리현상 통합(multi-physics)
- Rigid-body, MPM, SPH, FEM, PBD 등 **여러 솔버**를 한 프레임워크에서 작동 → 광범위한 소재·환경을 시뮬레이션 가능.
4) 생성적(Generative) 데이터 엔진
- 자연어 프롬프트("원숭이가 테이블을 뛰어다니며 카메라 360도 회전 촬영…")로 물리 정확한 4D 시뮬레이션, 비디오, 음성, 로봇 행동정책 등을 자동 생성.
- 자동화된 시나리오→카메라 경로→정확한 동작·렌더링까지 일괄 지원.

3. 어떻게 개선했나?
1) 데이터 생성 + 학습방식
- “Generative agent framework”: 자연어 프롬프트("원숭이가 테이블을…")를 해석해
(1) 장면(객체·환경) 배치,
(2) 카메라 모션,
(3) 로봇 동작/정책(조인트·드론군집 등) 같은 요소를 자동으로 생성하여 **동적 물리 장면**을 구성.
- 이렇게 만들어진 4D 시뮬레이션("동영상+상태·센서 정보")은 곧 학습용 데이터:
- 예: 로봇 제어 정책을 강화학습하거나,
- AI 모델(예: 영상·동작 인식, 시뮬레이션 예측) 학습에 활용 가능.
- 논문은 아직 전부 공개되지 않아, "Generative agent 내부가 어떤 딥러닝 구조인지" 구체적 언급은 제한적.
- 다만, VLM(대규모 비전/언어 모델) 계열 + 내부 물리 엔진 API 호출 로직이 결합된 형태로 추정.
- 기본 개념: 자연어→시뮬레이션 장면 자동생성, 시나리오→정책(행동)→영상/궤적 생성
2) Re-built from the ground up
- 기존 시뮬레이터들의 "스택이 복잡, 폐쇄적, 특정 물리현상 전용"인 한계를 해소하고자, **통합 물리엔진**(rigid+deform+fluid)을 새롭게 작성.
3) Pythonic + JIT + GPU 가속
- 파이썬 API를 유지하면서, 내부는 GPU 병렬 코드를 JIT 컴파일(커널 캐싱 등) → 대규모 병렬 시뮬레이션 지원.
- "Auto-hibernation" 등 최적화 기법을 적용. (정적 물체는 계산 스킵 등)
4) Generative agent
- 텍스트 프롬프트나 VLM(large model) 방식으로, 시뮬레이션 인프라 API를 조작해 **4D 동적 장면**을 생성.
5) Ray-tracing 렌더 + Differentiability + Tactile
- 포토리얼 렌더링(광선추적)과 더불어, 완전 미분이 가능한 시뮬레이션을 목표(일부 솔버는 이미 지원 중).
- 로봇 촉각 센서도 시뮬레이션해 정확도↑.

4. 산업에 미칠 영향
- 로봇 산업
- 학습/훈련 속도 비약적 향상
- 수천~수만 병렬 환경에서 RL(강화학습)이나 시뮬레이션 가능 → **정책 학습**이 빠르고 다양한 시나리오(물질·환경) 적용 가능.
- 정책 자동생성(Generative Policy)
- "RoboGen"처럼 특정 작업(이동, 조작) 데이터를 자동으로 생성하여, 실제 로봇에 **Sim2Real**로 옮기기 수월.
- 소비자용 로봇 역시, 가상의 '집·환경'을 무제한으로 만들어 **로봇 동작**을 미리 학습·테스트 → 제품 개발·출시 속도 개선.
- 시뮬레이션(CAE) 발전 방향
- CAE는 주로 정확도 높은 해석을 위해 implicit solvers를 쓰나, Genesis처럼 반실시간 수준의 병렬화로 준정확한 해석 장면을 다양하게 생성할 수 있음.
- 차후 이 둘이 결합되어, 공정 설계나 형상 최적화에 빠르고 폭넓은 사전 해석을 할 수 있는 가능성.
- 게임/그래픽
- 광원·물리·의상·유체 등 그래픽 알고리즘을 로봇 시뮬레이션과 통합한 사례. 고품질 시뮬레이션을 게임 엔진 수준으로 빠르게 돌릴 수 있음 → 미래엔 물리적으로 일관성 높은 게임 월드를 구성 가능.
- 또한 AI NPC 행위 생성(모션 등)에도 물리기반 시뮬레이션 데이터가 큰 도움이 될 전망.

5. 한계
1) 물리 정확도 vs. 속도
- 주로 빠른 병렬 처리를 위해 explicit 기반 혹은 반(半)implicit 접근을 사용. 고난이도(고강성·대변형) 문제에서 전통 CAE의 implicit 정확도를 완전히 대체하긴 어려움.
- 미분가능한 부분도 현재는 일부(예: MPM, Tool Solver)만 지원. 추후 rigid-body, SPH 등 확장 필요.
- 미분가능 시뮬레이션(Differentiable Simulation)은 출력이 입력에 대해 도함수를 구할 수 있는 형태로 구현된 시뮬레이션을 의미.
- 이를 통해 제어·정책 최적화, 물성치 추정(Identification), 형상·구조 최적화 등이 가능.
2) Generative Framework 아직 공개 전부가 아님
- 현재는 물리엔진·시뮬레이터를 우선 공개, **Generative agent 모듈**은 순차적 오픈 예정.
- 실제 로봇 정책 자동생성 기능("RoboGen") 등은 아직 자료가 제한됨.
3) 대규모 실무 검증
- 다양한 산업 현장에서의 하드한 검증(강인성, 물성치 튜닝)이 필요.
- 대형 어셈블리나 극단적 조건(고온·진동 등)의 정확도는 향후 이슈.

연구의 기반이 되었던 논문 https://arxiv.org/abs/2305.10455

## 1. 핵심 아이디어(Core Ideas)

1. 목표: 대규모 모달(멀티모달) 모델의 물리 세계 확장
- 최근 거대 언어 모델(LLM)과 멀티모달 모델(MFM, Multimodal Foundation Models)이 여러 분야에서 뛰어난 성능을 보이며 ‘가상 세계(언어·이미지·코드 등)’를 넘어서 물리 세계와 직접 상호작용하는 “제너럴리스트 로봇(generalist robots)”으로 확장되는 방법을 탐색한다.
- 저자들은 “로봇이 실제 물리 세계에서 다채로운 작업을 할 수 있으려면, 먼저 시뮬레이션 환경에서 충분히 다양한 ‘저수준(로우 레벨) 모터 스킬’을 학습해야 한다”고 주장한다.
2. Generative Simulation(생성형 시뮬레이션)
- 거대 멀티모달 모델이 생성 능력을 가지고 있다는 점(텍스트·이미지·3D·코드 생성 등)을 활용하여, “자동으로 수많은 작업(task)과 장면(scene)을 시뮬레이션에서 만들어내고(Generate)”, 이를 통해 로봇의 저수준 동작 제어 정책을 대규모로 학습하는 방식을 제안한다.
- 이때, 고수준(High-level) 계획이나 추론은 이미 충분히 강력한 대규모 모델에게 맡기고, 실제 물리 동작(모터 스킬)은 시뮬레이션을 통해 정책을 학습하는 식으로 역할을 분담한다는 발상이다.
3. 시뮬레이션 데이터 스케일 확장
- 언어 모델이 거대한 규모의 텍스트 코퍼스에서 학습하듯, 로봇 정책도 엄청나게 방대한 스케일의 시뮬레이션 경험(시나리오, 보상함수, 환경 설정 등)으로 학습되어야 한다.
- 하지만 기존 시뮬레이션 데이터 제작은 대부분 사람이 “수작업”으로 환경·작업·보상함수를 설계하는 데 많은 비용이 든다.
- 그래서, “MFM을 이용해 자동으로 수많은 작업·환경을 생성”하고 이로부터 대규모 학습 데이터를 얻을 수 있는 방식이 필요하다.

---

## 2. 방법론(Methodology)

논문에서는 “Generative Simulation”이라는 자동화된 파이프라인을 소개한다. 대략적인 단계는 다음과 같다.

1. 고수준 목표(High-level Goal)와 하위 과제(Sub-task) 자동 생성
- 예: “부엌 청소하기(clean up a kitchen)”라는 목표가 주어졌다면, MFM(Large Language Model 등)을 질의(prompt)하여 이 목표를 여러 단계의 하위 작업들로 나눈다.
- GPT-4 같은 모델에게 “구체적인 청소 업무 5가지만 나열해 봐”라고 하면, “(1) 식기 닦기 (2) 조리대 닦기 (3) 바닥 쓸기 …” 등으로 분해된 할 일 목록을 얻는다.
- 필요하다면 하위 작업을 더 세분화(“바닥을 쓸어라” → 빗자루 잡기, 먼지 모으기, 쓰레기통 버리기 등)하여 로봇이 학습할 **짧은 호라이즌(short-horizon) 스킬**로 만들 수 있다.
2. 장면(Scene) 자동 생성
- 하위 과제마다 필요한 물체나 구성요소(예: 부엌 → 빗자루·쓰레받기·싱크대·쓰레기통 등)를 거대 언어·이미지 모델에게 질의해 얻는다.
- 이어서 이 물체들이 어떻게 배치되는지(예: x-y 평면 좌표와 z 높이 좌표)를 MFM에게 “코드나 설정파일(JSON 등) 형태”로 생성하게 함으로써, 시뮬레이터에서 불러올 수 있는 형식으로 만든다.
- 모델이 다소 부정확하거나 비현실적인 위치를 생성할 수도 있으므로, 필요하면 시뮬레이터로 한 번 배치해본 뒤(렌더링 결과), 이를 다시 모델에게 피드백하여 점차 실제와 비슷한 장면으로 “반복(Iterative refinement)”할 수도 있다.
3. 객체(오브젝트)·재질·물리 속성(Physics properties) 생성
- 생성한 장면에 들어갈 3D 물체(메시, 텍스처, 재질 등)를 또 다른 생성 모델(3D 생성모델, diffusion모델 등)이나 오픈소스 3D 라이브러리(예: Objaverse, ShapeNet 등)에서 불러온다.
- 물체의 강성(rigid), 연성(soft), 점성(viscous), 관절(articulated) 특성 등 시뮬레이터가 지원하는 물리 모델(Material model)을 MFM이 “이 사물은 딱딱한 플라스틱, 이건 물, 이건 휘어지는 고무” 같은 식으로 합리적으로 할당하도록 할 수 있다.
4. 보상함수(Reward)·학습 신호(Supervision) 자동 생성
- 각 하위 과제(예: 빗자루를 잡기, 바닥을 쓸기 등)에 특화된 보상 함수를 모델이 자동으로 생성한다.
- 예를 들어, “빗자루를 grasp하면 보상을 1 주고, 아니면 그립-빗자루 간 거리로 보상을 감소시킨다” 같은 함수를 GPT-4가 파이썬 코드로 써줄 수 있다.
- 만약 요리처럼 단순 거리 계산으로 판단하기 어려운 과제라면, 이미지 기반 목표 상태(goal condition)나 추가 피처를 포함하도록 설계할 수도 있다.
5. 학습과 정책 통합
- 위 과정을 통해 “수많은 하위 과제·장면·보상”이 완비되면, 이를 통해 Reinforcement Learning(RL)·Trajectory Optimization 등으로 짧은 호라이즌 저수준 스킬을 대량 학습한다.
- 이렇게 학습된 태스크별 정책들을 하나의 거대한 “멀티 태스크 정책”으로 지식 증류(behavior distillation)하거나, 시뮬레이션 상에서 데이터를 쌓아가며 오직 하나의 거대 모델(비전+언어+저수준 액션)을 끝까지 학습할 수도 있다.
- 결국, 로봇이 “거대 멀티모달 모델이 표현하는 상위 지식(예: 자연어·비전·코드)”과 “실제 물리 상호작용 경험”을 통합하여, “실세계에서 유연하게 동작하는 로봇 모델”을 생성하는 것이 이 패러다임의 목표다.

---

## 3. 한계(Limitations)

1. 고도로 통합된 시뮬레이션 플랫폼의 필요성
- 논문에서 제안한 방식대로라면 “다양한 물리 현상(고체, 유체, 점성, 열, 파손, 탄성 등)을 모두 재현”하고 “다양한 센서(RGB, 깊이, 촉각, 힘-토크, 음향 등)를 시뮬레이션”할 수 있는 범용 플랫폼이 필요하다.
- 아직까지 모든 것을 한 번에 구현하는 통합된 “완벽한 범용 시뮬레이터”는 없지만, 연구자들은 Omniverse, IsaacGym, PyBullet, MuJoCo 등에서 꾸준히 기능을 확장하고 있다.
- “가정 환경에서 발생하는 대부분의 작업” 수준이라면 상당 부분 시뮬레이션으로 해결 가능할 것으로 전망한다.
2. 짧은 호라이즌(Short-horizon) 정책 가정
- 본 논문은 “세분화된 하위 작업을 충분히 많이 만들어내면, 결국 각 스킬은 짧은 호라이즌 RL로 훈련 가능하다”는 전제를 깔고 있다.
- 하지만 어떤 복잡하거나 빠른 동작(예: 로봇이 스케이트보드로 점프 묘기, 농구 슛 등)은 “짧은 호라이즌” 만으로 해결하기 어렵거나, 시뮬레이션 학습 비용이 매우 커질 수 있다.
- 다만 저자들은 “일반적인 가정 내 서비스 로봇 수준”에서는 이 방법이 충분히 실용적일 것이라고 강조한다.
3. MFM의 과제 분해 능력에 대한 의존
- 거대 언어 모델에 “고수준 목표를 적절한 하위 태스크로 세밀하게 분해”시키는 과정이 제대로 작동해야 한다.
- 가령, 복잡한 조립 문제(IKEA 가구 조립 등)는 언어나 비디오·매뉴얼 같은 추가 정보 없이는 MFM이 충분히 세분화된 계획을 내놓지 못할 수도 있다.
4. 사람 시연(human demonstration)과의 결합 문제
- 이 논문은 시뮬레이션 대규모 학습에 집중하기 때문에, “사람의 실제 시연(teleoperation, kinesthetic teaching)에서 오는 장점”을 크게 활용하지 않는다.
- 하지만 저자들은 “정말 세밀한 저수준 스킬이 필요한 경우, 소수의 사람 시연을 받되, 그 이외의 장면·작업 다양성은 생성형 시뮬레이션으로 대량 확보할 수 있다”는 식으로, 둘을 병행하는 가능성도 제안한다.
5. Sim-to-real 전이(Sim2Real)의 가정
- 이 모든 기법은 “시뮬레이션에서 배운 정책이 실제 로봇에 전이 가능”하다는 전제에서 출발한다.
- 최근엔 도메인 랜덤화(domain randomization)나 네트워크 구조 설계 등을 통해 복잡한 다관절 로봇, 이족보행 로봇, 소프트 로봇, 심지어 유체와 상호작용하는 작업도 어느 정도 성공적으로 sim2real을 해내고 있다는 점을 들어, “이 문제는 충분히 해결 가능하다”고 낙관한다.

https://product.kyobobook.co.kr/detail/S000001029288

에고의 정의
홀리데이는 프로이트식 ‘자아(ego)’가 아니라, “자신의 중요성을 과대평가하는 상태”—즉 오만(arrogance), 자기중심적 야망(self-centered ambition), 과대망상(delusion of grandeur)—를 에고라고 부릅니다.
- “나는 특별하니까 반드시 잘될 거야” “내 생각이 최고” 같은 태도가 현실 인식을 흐리고, 협업·학습까지 방해한다는 것.

에고가 문제인 이유
- 에고는 주변 사람과 제대로 소통·협업하기 어렵게 만들고, 판단력을 흐리며, 현실 감각을 떨어뜨립니다.
- 한순간 ‘자신감’처럼 보일 수 있지만, 결국 회복탄력성과 진정한 성과를 가로막습니다.

홀리데이는 인간의 여정을 3단계(열망Aspire–성공Success–실패Failure)로 나누어, 각 단계에서 에고가 어떻게 나타나고 어떤 문제를 일으키는지 설명합니다.

1) 열망(Aspire)
(목표를 세우고 이제 막 시작하는 시점)

(1) ‘학생이 되라 (Be a Student)’
큰 꿈만으론 부족. 실질적 학습과 연습이 필수.
단순히 ‘열정’을 뽐내고 큰소리치는 것 = 에고 함정에 빠질 위험.
예) 커크 해밋(Kirk Hammett, 메탈리카): 이미 유명 밴드에 합류했어도 스승(조 새트리아니)에게 꾸준히 배움 → 정상급 기타리스트로 성장.

(2) ‘열정(Passion)보다 목적(Purpose)을 택하라’
열정 = 흥분과 자기도취로 약점을 가릴 수 있음.
목적 = 차분하고 체계적 태도. “왜 이 일을 하나?”에 대한 분명한 이유(가치·목표) 설정이 중요.

(3) ‘말, 말, 말(Talk) vs. 일, 일, 일(Work)’
SNS·언론에서 떠벌리기 쉽지만, 꾸준한 준비·연습이 진짜 핵심.
다른 사람의 관심만 쫓다 보면 실제 성장은 거의 없음.

(4) ‘캔버스 전략(Follow the Canvas Strategy)’
“남이 그림을 그릴 수 있도록 캔버스를 마련하라.” → 다른 사람을 돕고 빛나게 만드는 태도.
벤저민 프랭클린처럼 묵묵히 준비하고 실력 쌓으면, 장기적으로 더 큰 기회와 영향력을 얻을 수 있음.

열망 단계 요점:

에고적 ‘큰소리’ 대신, 목적과 배움에 집중.
학생 자세로 실력을 쌓고, 행동(Work)이 말(Talk)보다 우선.

2) 성공(Success)
(어느 정도 목표 달성 후)

(1) ‘언제나 학생으로 남아라 (Always Stay a Student)’
성공했다고 “이제 다 알아!” 착각 금물.
징기스칸·안젤라 메르켈 사례: 계속 학습·겸손 유지.

(2) ‘자기가 만든 영웅담(Story)을 믿지 말라 (Don’t Tell Yourself a Story)’
사람은 성공 후 “다 계획대로!” 같은 신화 만들기 쉬움.
빌 월쉬, 제프 베이조스: “전설·미화보다 실제 실행에 집중.”

(3) 자격의식(Ennoscriptment), 통제(Control), 편집증(Paranoia)을 경계
높은 위치 → “난 누릴 자격 있어” “내 말만 옳아” “누군가 날 노려!” 같은 태도.
크세르크세스(Xerxes)가 강물에 형벌 내린 사례처럼, 오만·편집증으로 스스로 망침.

(4) ‘스스로·조직을 관리하라 (Managing Yourself and Your Organization)’
큰 조직은 체계 필요. 예) 아이젠하워는 백악관을 효율적으로 운영하여 본인은 핵심만 결정.
반면 존 드로리언(DeLorean)은 혼란만 야기, 결과적 실패.

(5) ‘술 취하지 않은 맑은 상태(Sobriety)’ 유지
성공은 술처럼 사람을 취하게 만듦.
안젤라 메르켈: 연속 집권에도 겸손·기본 태도 지킴 → 오만에 빠지지 않음.

성공 단계 요점:

조금 성공했다고 에고가 “역시 난 최고” 자만하지 않도록 주의.
학습 태도·체계 유지, 과잉 통제·자기확신·편집증 지양.
성공은 ‘더 나은 일’을 위한 발판이지, 에고 충족 도구가 아님.


3) 실패(Failure)
(좌절·실패를 겪을 때)

(1) ‘Alive Time vs. Dead Time’
어려울 때, **소극적 자책·분노(dead time)**에 머무를지, 새로운 학습·재정비(alive time)로 삼을지.
말콤 엑스: 교도소에서 독서·공부해 완전히 거듭남.

(2) ‘노력 자체가 충분하다 (The Effort Is Enough)’
옳은 일을 해도 실패·무시당할 수 있음.
벨리사리우스: 제국을 구했으나 황제에게 버려짐. 그래도 “의무를 다했다”는 의연함.

(3) ‘파이트 클럽(Fight Club) 순간들’
때로 인생 밑바닥 경험(=카타바시스) 통해 환상 걷어냄.
“이대로는 못 살겠다” 깨닫고 변화의 계기 얻음.

(4) ‘선을 긋고 그만 두라 (Draw the Line)’
실패가 보이면, 에고는 더 깊이 파고들라 부추김(“자존심 지켜야 해!”).
존 드로리언은 회사 부도 위기에 코카인 밀수라는 극단적 선택 → 완전 파탄.

(5) ‘내 기준으로 점수 매기기 (Maintain Your Own Scorecard)’
실패 시 에고는 “왜 세상이 날 배신해!”라며 외부 탓.
내부적 기준(“최선을 다했나?”) 있으면 흔들리지 않고 재기 가능.
톰 브래디 드래프트 때, 뉴잉글랜드 패트리어츠는 성공했어도 “우리 운이 좋았을 뿐, 더 잘해야”라며 자체 기준 엄격히.

(6) ‘결국 사랑하라 (Always Love)’
배신·실패 시 증오·분노만 키우면, 스스로 더 망침.
허스트(William Hearst)가 시민 케인 방해하려다 오히려 본인 명예까지 훼손.
증오는 결국 자신도 파괴.

실패 단계 요점:

실패는 에고를 내려놓고 성찰·재정비할 기회.
복수심 등 자존심 싸움은 더 큰 파탄. 학습·재기 쪽으로 에너지를 써야 함.

결론(Concluding Principles)

1. 매일 바닥 쓸기 (Sweep the Floor Every Day)
에고는 먼지처럼 계속 쌓임. 한 번 내려놓았다고 끝이 아님. 늘 점검 필요.

2.목적(목표) > 에고 (Purpose over Ego)

성공·실패 때마다 “내가 진짜로 원하는 가치와 목표는 뭔가?” 되새김.
“난 무조건 최고” 같은 에고적 속삭임 버리기.

3. 성공 기준을 내부적으로 세우라 (Define Success Internally)

남들 칭찬만 기다리지 말고 “내가 최선을 다했나?”로 평가.
외부 평가보다 내 기준·과정의 완성도가 더 중요.

4. 더 큰 세계(우주)의 일부임을 기억 (Remember You Are Part of Something Bigger)

모든 인간은 결국 시간 앞에 겸손해야 함.
내가 이룬 ‘거대한’ 것조차 우주적 시야로 보면 작은 점에 불과. 지나친 자기중심성을 낮춰줌.

결론적으로:
*에고 이즈 에너미(Ego Is the Enemy)*의 핵심은 겸손, 자기성찰, 자기관리입니다.

열망 단계: 과시적 ‘큰소리’가 아니라, 진정한 목적과 배우는 태도에 충실.
성공 단계: 에고에 취하지 않고, 시스템·조직을 개선하며 지속적으로 배우기.
실패 단계: 에고가 부추기는 복수심·낭비적 집착을 떨쳐내고, 교훈 삼아 재도약하기.

작년 말부터 읽기 시작해서, 2주 동안 완독한 ‘리추얼’이라는 책으로 올해의 독서를 시작했고, 50권 목표의 첫 테이프를 이 책으로 끊게 돼서 2025년 독서에 대한 기대가 크다.
이 책의 저자인 메이슨 커리는 일상과 창조에 대해서 아주 관심이 많은 분이고, 항상 “모든 사람이 똑같은 24시간을 사는데, 왜 어떤 사람들은 더 많은 것을 이루는 것일까?” , “소수의 창조적인 사람들은 일반인에 비해 특별한 습관을 갖고 있는 것일까?” , “창조적인 사람들은 우리보다 더 효율적이고, 더 주도적이고, 더 훈련된 것일까?”라는 질문을 했다.
이 질문에 대한 만족할 만한 답을 스스로 찾아보기 위해서 그는 지난 400년간 가장 위대한 창조자로 손꼽히는 소설가, 작곡가, 화가, 안무가, 시인, 철학자, 영화감독, 과학자들의 하루를 정리하는 Daily Routines 라는 블로그를 쓰기 시작했다. 그는 이 블로그를 통해서 위대한 사람들의 하루 시간표와 작업 습관을 정리하면서, 이들을 일반인들과 확연하게 구분하는 수면, 작업, 연습, 휴식 패턴을 찾고, 혹시 일상의 장애물을 극복하기 위한 창조자들만의 가이드라인이 있는지 파악하는 노력을 했다. 그리고 이런 내용을 정리한 게 ‘리추얼’ 이라는 책이다.
리추얼은 위대함을 달성하기 위한 습관과 루틴에 대한 책이다. 이 책에 소개된 우리가 잘 아는 예술가나 과학자 중 아주 괴팍한 작업 습관을 가진 분들도 많고, 우리가 흔히 생각하듯, 어떤 창조자들은 반복되는 패턴보단 순간의 느낌과 영감에 의해서 아주 짧고 굵은 삶을 살다 갔다. 그런데 내가 이 책을 읽고 느낀 점은, 훨씬 더 많은 창조자들이 순간의 느낌과 영감보단, 아주 오랜 세월 동안 꾸준한 반복으로 인해 생긴 습관과 루틴에 따라서 지속성 있는 창조를 했다는 것이다. 이들의 꾸준함에 대해서 읽다 보면, 이들이 위대한 창조자라기 보단 수십 년 동안 매일 똑같은 동작을 반복하는 운동선수에 더 가깝다는 느낌을 받았고, 매일 같은 회사로 출근해서 수십 년 동안 같은 업무를 하는 직장인의 삶과 거의 완벽하게 일치한다는 느낌도 받았다.
리추얼에서 소개된 위인들의 삼 분의 이는 이미 죽은 사람들이지만, 이들이 남긴 창조물은 책, 음악, 그림, 영화 등으로 앞으로 수십 년에서 수백 년 동안 전 세계에 영감을 줄 것이다. 이미 죽은 사람들이라서 내가 이들과 직접 이야기할 순 없지만, 책을 통해 간접적으로 접한 이들의 위대함은 타고난 유전자나 번뜩이는 영감을 통해서 순간적으로 만들어진 게 아니다. 오히려 매우 지루한 습관, 동작, 그리고 루틴을 거의 평생 기계적으로 무한 반복했고, 이로 인한 내공이 쌓이고 그 내공의 포텐이 터지면서 위대함이 된 것이라고 할 수 있다.
나도 항상 나만의 정교한 루틴을 만들기 위해서 노력하는데, 이 책은 나에게도 많은 꿈과 희망을 줬다. 내 이름 석 자를 남길 수 있는 위대한 사람이 되겠다는 목표보단 그냥 내가 현재 하는 일을 제대로 하기 위한 습관과 루틴은 우리가 생각하는 것보다 훨씬 중요한데, 이 책에서 아주 마음에 드는 습관에 대한 정의를 발견했다.
“습관은 제한된 자원, 예컨대 시간(가장 한정된 자원)은 물론이고 의지력과 자제력, 낙천적인 마음마저 최대한 활용하기 위해 정교하게 조정된 메커니즘이다. 좋은 습관은 정신적 에너지를 몸에 밴 반복 행위에 쏟고, 감상의 폭정이 끼어들 틈을 차단하는 데 도움을 준다.”
일을 잘하고 싶으면, 인생을 더 단순화해야 하고, 복잡한 인생을 단순화할 수 있는 좋은 방법은 좋은 습관과 루틴을 만드는 것이다.

https://www.thestartupbible.com/2025/01/daily-rituals.html

1. 주요 인물별 Daily Ritual(일상 루틴) 정리
아래는 원문에 등장하는 여러 인물을 중심으로, 그들이 어떤 식으로 시간을 보내며 창작/작업을 했는지를 간략히 정리한 뒤, 이를 통해 살펴볼 수 있는 특징들을 덧붙였습니다.

(1) W. H. 오든(W. H. Auden, 시인)
루틴:
오전 6시 조금 지나 기상, 즉시 커피 마시며 간단한 퍼즐(크로스워드 등)을 하거나 바로 글쓰기에 돌입.
머리가 맑은 시간대인 아침 7시~11시 30분 사이 최대한 집중해서 작업.
점심 후 오후에도 몇 시간 정도는 추가로 작업.
오후 6시 30분 정확히 칵테일 타임 시작(보드카 마티니 몇 잔).
저녁 식사 후 대화·독서. 밤 9시 30분~11시 사이에는 반드시 잠자리에 듦.
특징 및 시사점:
스스로 “규칙적인 일과는 지적 야심의 징표”라고 이야기할 정도로 ‘정해진 시간’을 중시함.
아침 일찍 일어나 생산적이고, 밤에는 자정 전에 자는 생활 리듬을 엄격히 지켰음.
각성을 위해 매일 아침 벤제드린(Benzedrine) 같은 각성제를 복용했다고도 알려져 있어(당대엔 의료용으로 비교적 쉽게 처방되던 약물), 에너지 유지에 화학적 도움을 받았음.
(2) 프랜시스 베이컨(Francis Bacon, 화가)
루틴:
지저분한 작업실, 혼돈 속에서 작업하는 것으로 유명하지만 실제로는 아침 일찍(해 뜰 무렵) 깨어서 바로 그림을 그림.
주로 정오쯤까지 몰입해서 작업한 뒤, 오후엔 친구들이나 클럽·레스토랑·술집을 전전하며 엄청나게 술을 마심.
새벽까지 파티·카페·나이트클럽·카지노를 다닌 뒤 수면제 등에 의존해 몇 시간 자고, 다시 새벽에 일어나 그림을 그림.
특징 및 시사점:
매우 즉흥적이고 ‘밤 문화’ 중심의 사교 생활을 하면서도, 정작 작업 시간 자체는 아침에 집중.
지독한 밤샘 파티와 술 등으로 무질서해 보이지만, 정작 ‘매일 해 뜰 때 일어나 그림 그린다’라는 식의 일관된 골자는 지킴.
(3) 시몬 드 보부아르(Simone de Beauvoir, 철학자·소설가)
루틴:
아침 10시경 시작해 1시까지 글쓰기.
점심 후, 오후 5시까지 다시 글을 쓰거나 장 폴 사르트르와 함께 조용히 작업.
저녁엔 모임·정치적 행사·사교 혹은 영화 감상을 하며 보냈고, 밤에는 간단히 위스키 마시며 라디오 듣다가 9시~10시에 잠자리에 듦.
특징 및 시사점:
지적 활동 및 글쓰기를 하루에 두 번(오전, 오후 후반) 나누어서 함.
연인인 사르트르와 함께 점심 식사 후 오후 시간도 대부분 각자 작업에 쏟으며, 저녁에는 사교 생활.
스스로 “낭비 없이 긴 글을 쓰기 위해 매일 규칙적으로 앉아 있는다”고 말함.
(4) 토머스 울프(Thomas Wolfe, 소설가)
루틴:
밤 12시쯤이 되면 어마어마한 양의 홍차·커피를 마시며 글을 쓰기 시작.
새벽까지 작업하다 날이 밝으면 마무리하고, 아침에 한두 시간쯤 잠.
키가 매우 컸던 울프는 서서 집 냉장고 위를 책상 삼아 글을 쓰기도 했다고 전해짐.
특징 및 시사점:
매우 강박적으로 밤낮이 뒤집힌 스케줄로 집필.
체력적으로 힘들 수 있으나, 작가는 오히려 밤 시간이 “정신이 맑아지는 시간”이었다고 느낌.
(5) 퍼트리샤 하이스미스(Patricia Highsmith, 소설가)
루틴:
오전 일찍 기상해 3~4시간 글쓰기(하루 2천 단어 정도가 목표).
침대나 소파에 누워서 커피·도넛·담배·술 등을 곁들여 ‘글쓰기를 유도하는 분위기’를 만듦.
밤에도 잠들기 전에는 보드카 등을 마시며 차분히 글에 대한 구상을 이어감.
특징 및 시사점:
“글쓰기는 즐거움이라기보다 ‘강박’에 가깝다”고 스스로 말함.
알코올·담배·커피 등에 크게 의존하지만, 집필이 진행되는 동안에는 반드시 하루 목표(분량)를 달성하려 함.
(6) 페데리코 펠리니(Federico Fellini, 영화감독)
루틴:
새벽 6시경 기상, 집 안을 돌며 창문 열고 간단한 커피 끓이려 시도.
아침 7시부터 주변 친구·동료에게 전화 걸어 깨우는 것(‘전화로 깨워주는 서비스’ 같은 습관).
오후에는 대본 작업, 영화 시사나 친구들과 모임.
특징 및 시사점:
감독 업무(영화 촬영 등)는 다수와의 협업·토론이 필요한 ‘사회적 일’이기 때문에, 아침 일찍부터 사람들을 깨워 의논하는 일을 좋아함.
“글 쓰는 사람이 아니다 보니, 오히려 이렇게 외부인과 함께 움직여야 영감이 떠오른다”고 말함.
(7) 잉마르 베리만(Ingmar Bergman, 영화감독)
루틴:
오전 8시 기상, 9시~12시 시나리오 집필.
낮 12시 즈음 소박한 식사. 오후 1~3시에 다시 집필, 그리고 낮잠 1시간.
오후 늦게 산책이나 볼 일, 밤에는 작품 감상(영화·TV·음악 등) 혹은 친구들과 만남.
특징 및 시사점:
매우 단순하고 규칙적인 틀 안에서 3시간(오전) + 2시간(오후)으로 작문 시간을 배분.
짧은 낮잠(파워내핑)이 창작의 효율을 높인다고 함.
(8) 모튼 펠드먼(Morton Feldman, 작곡가)
루틴:
6시 기상, 오전~이른 낮까지 작곡.
오후에는 산책하거나 친구 만나면서 여유 시간을 보냄.
음악 작업 방식은 존 케이지가 알려준 “조금 쓰고, 그걸 악보로 베껴 쓰며 아이디어 정리”를 습관화.
특징 및 시사점:
‘복잡한 주변 환경’보다는 일정하게 시간과 도구, 자리를 유지하는 습관.
음악 아이디어 정리를 위해 “쓰고, 베껴 쓰고, 생각하고…”를 반복하는 메서드를 즐김.
(9) 볼프강 아마데우스 모차르트(Wolfgang Amadeus Mozart)
루틴:
비엔나에 거주할 때, 오전 일찍(6시쯤) 일어나 60알의 커피 원두(직접 세면서)로 커피를 끓여 마심.
9시까지 작곡, 9시~1시 피아노 레슨(생계유지 수단). 오후는 공연 참석이나 후원자 방문 등 사교. 밤에는 다시 작곡하다 새벽 1시까지 이어짐.
특징 및 시사점:
확실히 생계(레슨, 후원자와 교류)와 작품 활동을 병행. 시간 관리가 매우 복잡하지만, 그러면서도 매일 틈틈이 작곡 시간을 만들어냄.
(10) 루트비히 판 베토벤(Ludwig van Beethoven)
루틴:
새벽 6시 기상. 가장 먼저 커피를 직접 끓이는데 “커피 원두 60알을 매번 세어 만든다.”
오전 내내 작곡과 아이디어 구상, 종종 산책을 나가 멜로디 스케치(작곡노트를 들고 다님).
오후에도 길게 산책하거나 사교모임에 잠깐 들렀다 돌아오지만, 작업은 주로 아침에 집중.
밤에는 독서 후 일찍 취침.
특징 및 시사점:
“커피 원두를 60알 정확히” 같은 디테일에서 드러나듯, 작은 의식적 행동을 통해 집중력을 높임.
작곡 중간중간 걷기·외출이 영감에 매우 중요했다고 함.
(11) 쇠렌 키르케고르(Søren Kierkegaard)
루틴:
아침부터 정오 무렵까지 집필.
점심 후 도시를 걸으며 아이디어를 떠올림. 돌아와 다시 밤까지 집필.
커피 애호가였고, 설탕을 잔뜩 넣어 마시는 독특한 습관.
특징 및 시사점:
철저하게 ‘산책 + 집필’ 패턴을 반복.
“따뜻한 곳에 앉아서 사색하기보다 걸으면서 더 깊은 사유가 가능하다”는 생각.
(12) 볼테르(Voltaire)
루틴:
아침에 침대에서 책·신문·원고 받아 읽거나 암송. 정오쯤 일어나 옷을 갈아입음.
점심(혹은 커피·초콜릿 등 음료) 후, 오후 2시~4시에 주변 살피고 저녁 전까지 다시 집필. 밤에는 저녁식사 후 바로 다시 글쓰기 시작.
18~20시간 일을 이어갈 때도 있었다고 전해짐(비서들이 번갈아 가며 받아적음).
특징 및 시사점:
식사를 가볍게 혹은 거르면서도, 대신 커피·초콜릿으로 에너지를 공급.
침대에서 시작하는 ‘반(半)수평 상태’ 작업 습관.
(13) 벤저민 프랭클린(Benjamin Franklin)
루틴:
이상적 시간표: 아침 58시에 기상, 공부, ‘오늘 할 일’ 계획. 812시 일, 122시 점심·독서, 26시 다시 일. 6~10시 저녁·정리·취침.
스스로 “도덕적 완전성” 계획표를 세우고 실천하려 노력했으나, 실제로 매번 지키지는 못했다 함.
샤워 대신 ‘에어 목욕(air bath)’이라며, 매일 아침 옷을 벗고 찬 바람을 쐬는 독특한 습관.
특징 및 시사점:
자기관리(습관 형성)에 관심이 높았고, 이를 도표로 기록.
“일단 좋은 습관을 자동화하면, 더 흥미로운 일에 정신 쏟을 수 있다”고 주장.
(14) 앤서니 트롤럽(Anthony Trollope)
루틴:
새벽 5시 30분 기상, 3시간 정도 소설 집필 후 출근(공무원 일이 있었음).
“매 15분마다 250단어씩 써서, 아침 3시간 작업이면 충분하다”고 말할 정도로 치밀하게 글 분량을 관리.
한 작품이 끝나면 곧바로 다음 작품 원고지에 착수함.
특징 및 시사점:
초단위로 ‘단어 수’ 목표를 정해놓고 글을 써서, 연간 3권씩 장편 소설을 펴냄.

루틴에 대한 엄격함이 엄청난 생산성으로 이어진 사례.
(15) 제인 오스틴(Jane Austen)
루틴:
아침에 가장 먼저 피아노 연주. 오전 9시경 가족 아침식사 준비 담당. 그 뒤 가족 거실 한쪽에서 집필 시작.
방문객 오면 원고를 덮고 참여. 오후 3~4시경 메인 식사(디너) 후 가족 및 방문객과 대화, 카드게임, 차(tea) 등. 저녁엔 가족에게 새로 쓴 글을 읽어주곤 함.
특징 및 시사점:
당시 ‘하녀, 어머니, 여동생 등과 함께 사는 환경’에서 자유로운 작업 공간이나 시간이 보장되지 않았음.
그런 환경에서도 아침·오전 시간을 공략하여 틈틈이 글을 썼고, 가족이 오히려 공동체적으로 그녀의 글쓰기를 지지.
등등…(그 밖에도 뒤이어 마르셀 프루스트, 제임스 조이스, 시규드 프로이트, 에디트 시트웰, 살바도르 달리 등 많은 사례가 이어짐)

2. 공통점 및 생각해볼 만한 내용

a) ‘루틴’을 통한 창작 효율 극대화
절대적으로나 상대적으로나 매일 ‘일정 시간’을 확보해 쓰거나 작업함으로써, 그 시간에는 오직 창작에만 뇌를 집중하도록 훈련한 경우가 많음.
작가, 화가, 음악가 할 것 없이, 단 몇 시간이라도 엄격히 지키면 하루 전체의 산출이 꾸준히 누적된다는 교훈.

b) 아침형 vs. 저녁형
아침/오전 시간을 전적으로 창작에 쓰는 사람이 많았음(베토벤, 프랭클린, 보부아르, 버지니아 울프 등등)
한편으로 밤에 집중력이 더 좋다며 저녁~새벽을 활용하는 이(토머스 울프, 콜레트, 버로우스, 볼프 등)도 있음.
즉, ‘자기 생체 리듬과 에너지가 최고조가 되는 시간대’를 찾아 그때 집중적으로 글을 쓰거나 작품을 만드는 패턴이 공통적으로 보임.

c) 걷기, 산책, 낮잠
창작하면서 막히거나 아이디어가 떠오르지 않을 때 ‘산책’을 하는 이가 많았음(베토벤, 달린, 키르케고르, 칸트 등등)
혹은 작업 중 20~30분짜리 낮잠(파워내핑)으로 컨디션을 재충전(버지니아 울프, 잉마르 베리만 등).
산책 중 떠오른 아이디어를 ‘작업실로 돌아오자마자 받아 적는다’는 습관도 흔함.

d) 식습관·카페인·알코올·기타 ‘도움’
커피, 차, 초콜릿, 담배, 술 등 자극제(Stimulating Substance)를 활용한 사례가 다수.
일부는(오든, 하이스미스, 사르트르 등) 각성제나 수면제를 장기간 복용하기도 했음. 이는 현대적으로 볼 때 위험 요인이 있을 수도 있지만, 이들은 창작/작업을 위해 자기 몸을 극단적으로 사용한 예시라 할 수 있음.
적절한 수면과 섭생의 균형(베토벤처럼 정확히 콩 60알 세어 커피 끓이기)은 스스로에게 의식(儀式)을 부여함으로써 집중력을 높이는 효과가 있었다고 볼 수 있음.

e) 근무·가사노동 등 생계와 병행하는 전략
생계를 위해 피아노 레슨(모차르트)이나 학교 강의(M.엥겔스가 지원한 마르크스, 그리고 번역·에세이·저널리즘 병행 등)하면서도 틈틈이 전문 창작 시간을 확보.
제인 오스틴은 집안일과 손님 맞기 중간중간에 집필. 앤서니 트롤럽은 출근 전 3시간 활용.
가정이나 여건 때문에 완전히 분리된 ‘작업실’이 없어도, 자신만의 루틴을 창안해 작품을 완성.

f) 다른 일상(식사, 가족, 낮잠, 사교)을 어떻게 배분하는가
많은 사람이 아침부터 점심 전까지를 주(主) 작업 시간으로 삼고, 그 후엔 가족과 식사, 바깥 운동, 편지나 독서 시간을 보냄.
원고를 쓰다 막히면 “즐겁게 놀거나 가족과 교류” 같은 방식으로 ‘리듬’을 형성.
반대로 어둠이 깔리면 술집(베이컨 등)·사교(파티 등)로 나가 몰아치는 예술가도 존재.
중요한 건 자기 에너지 흐름과 생활 조건에 맞춰 루틴을 스스로 짜고, 상대적으로 방해받지 않도록 유지했다는 점.

3. 종합적 시사점

매일 꾸준히 하는 습관의 힘
일과 중 2~3시간만 몰입해도, 그것을 1년 누적하면 엄청난 분량의 원고나 작품이 나온다는 사례(앤서니 트롤럽, 헤밍웨이 등)가 많음.

최적의 집중 시간대 발견
사람마다 ‘오전파’와 ‘야행성파’가 갈리는 것처럼, 자신에게 맞는 ‘에너지 최대’ 구간을 찾아 그 시간을 절대적으로 확보.
체질상 아침이 좋은지, 밤이 좋은지를 파악하는 게 중요.

규칙성과 의식(ritual)화를 통한 정신 안정
매일 같은 시간에 일어나고 같은 시간에 커피 마시고 같은 자리에서 앉아 시작하는 식의 ‘습관화된 의식’은 일종의 신호 역할을 함.
어떤 작가는 “항상 같은 필기도구, 같은 옷차림, 같은 의자, 같은 배경 음악”을 고집해 “앉자마자 자동으로 집중 모드”가 발동되게 만듦.

육체적 건강과 리듬 관리
대부분의 인물이 일을 오래 지속하기 위해, 워킹·산책·가벼운 운동·낮잠 등을 적절히 활용.
과로 및 생활 균형을 잃고 병에 시달린 예시(예: 프란츠 카프카, 플로베르 등)도 다수. 오늘날에는 장기적 관점에서 건강을 해치지 않으면서 루틴을 설계하는 것이 중요할 듯함.

집필(창작) 외 나머지 시간의 효율적 분리

편지 답장이나, 가사·식사·사교·독서 등은 창작 시간을 침범하지 않도록 별도의 슬롯을 만듦.
이렇게 해야 글 쓰는 순간만큼은 ‘방해받지 않는 자유’가 보장되고, 루틴이 깨지지 않음.
‘안 써질 때(블록) 대처’

막혔을 때 산책, 낮잠, 욕조에 들어가거나, 심지어 싸우듯이 새벽까지 자리를 떠나지 않는 등 각자 다양한 방식이 있음.
중요한 건 스스로 에너지를 다시 충전하며, ‘그래도 매일 책상(혹은 작업 공간)’으로 돌아오는 꾸준함.

결론
Daily Rituals에 소개된 예술가·사상가들의 일상을 보면, 창조성은 선천적 영감만이 아니라 매우 ‘일상적이고 사소한’ 습관과 루틴에서 크게 영향을 받는다는 것을 알 수 있습니다.
이들이 남긴 글·작품을 보면, 화려한 사교나 대단한 취향이 있기도 하지만, 의외로 어떤 반복되는 일과를 지키면서 그 틀 안에서 창작적 에너지를 불러일으킨다는 점이 돋보입니다.

오늘날 우리가 배우거나 시도해볼 만한 점은:
자기 ‘최적 시간대’를 찾아내고,
하루 한두 시간이라도 방해를 최소화해(스마트폰 알림 끄기, 방문 잠그기, 카페나 독립된 사무실 등) 꾸준히 몰입하는 루틴을 만들며,
그 틀이 어느 정도 잡히면 체계적으로 습관화해 가는 것
이처럼 ‘정해진 패턴에 맞춰 반복’한다는 것이 결국 큰 성과나 작품을 만들어내는 핵심 요인으로 작용한다는 사실, 그리고 누구에게나 자신만의 루틴이 있다는 점이 이 내용에서 가장 인상적으로 살펴볼 부분이라 할 수 있습니다.

For startup founders, the true source of energy and peace is advancing the company’s business.

I’ve tried other things in the past. I've bought some pricey things or stayed at fancy, Instagram-worthy places, hoping those would give me some confidence booster shots.

Part of me wanted to show that, even as an early-stage founder, I wasn’t doing too bad. I had some financial cushion from previous companies, and my peers had cushy, high-paying jobs at the Googles and the Metas, so I felt the needs to show that I'm holding my own.

But none of it really mattered. People generally didn’t care (I was still that “startup guy”), and none of the things I bought gave me lasting happiness or fulfillment.

Only when the company’s business was advancing well and getting closer to fulfilling our original vision did I have true inner peace and confidence. Even some external validations followed as well — not that those matter anyway.

So, founders - don’t get distracted by material things or status symbols while you’re building the company. Simplify your goals and focus entirely on moving your business forward. That’s all that matters, both internally and externally.

Chang Kim

- 요즘 스타트업 시장에서는 글로벌이라는 키워드가 많이 보인다. 하지만 진정한 의미의 글로벌 사업은 어떤것일까?

- 전쟁의 폐허 속에서 대한민국을 일으킨 1세대 창업가들이 만들었던 기업들은 반도체, 조선업, 자동차 업 등 인류에게 꼭 필요하며, 한국이라는 나라를 글로벌에 알리고 경쟁력 있는 국가로 만들었음.

- 이후 스타트업 전성시대에 탄생한 쿠팡, 배민, 토스 등도 물론 국민의 삶을 편리하게 만든다는 관점에서 큰 가치를 만들었지만, 이전 세대 창업가들이 세운 기업들에 비하면 초라해지는것도 사실이다.

- 이 시기 가장 스마트한 사람들은 컴퓨터공학과를 갔고 이런 인재들을 빨아들여 만들어진것이 이런 플랫폼 기업들이다.

- 이런 IT 기업들은 가장 똑똑한 사람들을 다 흡수했음에도 불구하고 대한민국이 성장하고, 글로벌하게 경쟁하는데 있어 큰 영향을 끼치지 못하였다. 여전히 삼성, SK 등 대기업들이 나라를 대표한다. 과연 로컬 플랫폼 서비스가 왜 필요했던것일까 생각해본다면, 명확한 이유를 찾기 힘들다.

- 그럼에도 카카오, 네이버, 쿠팡, 배민, 토스는 내수의 큰 문제를 타겟해서 어느정도의 임팩트를 만들었지만, 남성용 커머스 플랫폼, 배달비 없는 배달앱, SaaS 관리하는 SaaS, 초저가 커머스 이런 사업들이 세상 그리고 대한민국이라는 나라에 어떤 의미가 있을까?

- 그렇다면 글로벌한 사업을 하려면 어떻게 해야할까? 그냥 몸만 미국으로 가서 한국인들끼리 모여서 SaaS를 만들던지, 글로벌 대상으로 SaaS를 만들면 글로벌한 사업인가?

- 나는 글로벌한 사업이란 한국이 명백한 경쟁우위를 갖추고 있는 시장에서, 한국의 인프라를 기반으로 해외와 싸우는것이 진정한 의미의 글로벌 사업이라고 생각한다. (명백히 소프트웨어/AI는 한국이 경쟁우위를 갖추고 있지 못한 시장이다.)

- 바이오, 첨단제조업, 로봇 등 한국에 인프라가 잘 조성되어있고, 글로벌하게 진출하기 좋은 큰 사업들이 많은데, 자칭 큰 야망과 큰 꿈을 가졌다고하는 창업가들은 이런 문제를 선택하지 않는다. 어려울것이기 때문이다.

- 시도되지 않았던 방식으로 정말 어렵고 큰 문제를 해결하는것이 ‘스타트업’이지, 플레이북이 있는 소프트웨어 만드는것은 스타트업이 아니다. 심지어 이익을 내지도 못해 투자가 필요한 SaaS를 만드는 회사들은 그저 스타트업 호소인이라고 생각한다.

정재문님
—
망할 가능성은 높지만 성공한다면 산업과 사회에 큰 영향을 줄 수 있는 일.

엄청나게 야망있으면서도 현실적인 관점을 가질 것.

실패 가능성을 명확히 인식하고 실패할 이유들의 Plan B, C D를 만들면서 결국 해내는 사람들.

Deepmind 채용에 대한 생각
https://youtu.be/2WRow9FqUbw?t=222

- 딥마인드는 단순히 “머신러닝 연구자”만 뽑지 않고, 뇌과학(Neuroscience), 물리학, 수학, 엔지니어링 등 다양한 배경을 가진 전문가들을 한데 모읍니다.
- 엔지니어링(소프트웨어·시스템 구현)은 “실험적 실증(Empirical Science)을 위한 작업대” 같은 역할을 하여, 이질적 분야를 실제 결과물로 연결해주는 기반이 됩니다.

1. 좋은 인재
1. 호기심과 겸손: 새로운 지식을 탐구하려는 호기심과 다른 전문가들과 협력할 때 필요한 겸손함.
2. 다학제적 사고: 여러 분야의 지식을 통합하고, 다양한 시각에서 문제를 해결할 수 있는 능력.
3. 커뮤니케이션 능력: 자신의 지식을 다른 도메인의 전문가들에게 효과적으로 전달할 수 있는 능력.

2. 왜 "글루(Glue) 역할" 또는 융합형 인재가 중요한가?
- 서로 다른 학문(생물학, 화학, 수학, 컴퓨터과학 등) 간에는 전문용어·연구문화가 달라 의사소통이 어렵습니다.
- 뛰어난 분야 전문가는 자기 분야 외엔 초보자 수준인 경우가 많은데, 이때 “겸손(humbleness)”과 “호기심(curiosity)”이 있어야만 협업이 원활해집니다.
- “글루 역할” 제시:
- 둘 이상의 분야에 걸쳐 지식과 경험을 갖추고, 관련 개념·용어·방법론을 상호 번역해줄 수 있음.
- 이렇게 학제 간 연결고리를 만들어주면, 각각의 전문가가 자기 분야 밖 배우기를 두려워하지 않게 됨.
- 하사비스 본인도 여러 영역(게임, 뇌과학, 컴퓨터과학)을 횡단하면서 그런 역할을 수행한다고 언급.

3. 융합형 인재(Glue People)를 찾는 어려움
- 학계나 일반 연구조직이 전통적으로 “단일 분야의 탁월함”을 평가하는 구조로 되어 있어, 융합형 인재가 성장하기 쉽지 않음.
- 예: 교수가 되려면 대체로 해당 분야의 논문·연구가 깊어야 하고, 다른 분야 지식은 인정받기 어렵다.
- 경쟁자들은 한 우물만 파면서 특정 분야 지표(논문, 영향력 지수 등)에 집중하지만, 융합형 인재는 여러 분야를 동시에 커버해야 하므로 더 많은 노력이 필요.
- 딥마인드 내에서도 약 1,000명 중 몇십 명만이 이러한 “글루 역할”을 수행할 수 있을 만큼 희소함.
- 협업의 핵심은 호기심(Curiosity)과 겸손(Humility)임.
- 다른 분야를 새로 배우고, 그 분야 전문 지식이 부족하다는 사실을 인정하며, 적극적으로 질문하고 협력해야 한다.
- 이미 한 분야에서 최고의 전문가라면, “초보자” 자세로 다른 분야 문턱을 넘는 것은 자존심이나 심리적 장벽이 될 수 있음.
- 데미스 하사비스 개인 경험
- 하사비스는 컴퓨터과학 분야에서 이미 커리어를 쌓은 뒤, 다시 대학에 가서 신경과학(Neuroscience) 박사 과정을 밟았다고 함.
- 오랜 기간 자기 회사를 운영해온 “리더” 위치에서 일종의 “초보자” 위치로 돌아가는 경험이 쉽지 않았다고 강조.
- 이러한 경험을 통해 다양한 분야 사이에 “접점”을 놓을 수 있는 인재(글루 인재)의 필요성을 절감했으며, 딥마인드에서 그런 사람들을 적극 영입하고자 함.

신경망이 어떻게 개발 스택을 점점 먹어 들어가는지. 많은 에지 케이스 기반의 설계적 휴리스틱에서 끝에서 끝까지 딥러닝으로 전환 (알고리즘 -> AI)

테슬라의 끝에서 끝까지의 시스템이 10년 후쯤에는 신경망 하나로 완성될 것

1. 초기 자율주행은 휴리스틱(규칙 기반)·중간 예측(차선 감지, 객체 인식 등)을 단계별로 조합하여 구현했다.
2. 향후에는 한 덩어리의 신경망(end-to-end)으로 모든 과정을 통합하는 것이 목표다.
3. 하지만 처음부터 끝까지 신경망 하나로만 학습하려면 “정확하게 라벨링된 운전 데이터”가 아주 상세히 필요하고, 그 데이터를 대량으로 모으기 어려웠다.
4. 그래서 중간 표현(객체, 감지기 등)을 개발·보강하면서 신경망에게 학습할 지도 정보를 풍부하게 제공해 유지·개선해왔다.
5. 궁극적으로는 이런 중간 예측 단계를 점점 신경망에 흡수해, 10년 뒤엔 “하나의 대형 신경망”만으로 주행이 가능해질 것이라 예측한다.


테슬라 휴머노이드 로봇 작업은 자동차 AI에서 전이된다.

• 테슬라 휴머노이드 로봇 “Optimus” 프로젝트는 자율주행 자동차 AI에서 상당 부분 전이(Transfer)되었다.
• 초기 로봇은 “자신이 차”라고 인식할 정도로 동일한 컴퓨팅 플랫폼과 카메라 시스템을 사용했으며, 주행 가능한 공간을 구분하던 알고리즘이 보행 공간으로 일반화되는 과정을 겪었다.
• 하드웨어, 공급망, CAD 모델링, 소프트웨어 접근 방식, 라벨링 팀 조직 등 자동차 개발 경험이 거의 그대로 로봇 프로젝트에 재활용됨으로써 놀라운 속도로 진행되었다.
• 결과적으로 테슬라는 로봇 공학 분야에서도 자동차 AI 기술 및 인프라를 그대로 적용해 빠르게 로봇 시제품을 완성할 수 있었다.


“현재 대규모 모델이 정보(쓰레기 데이터)까지 불필요하게 메모리·파라미터를 소모한다”

- 핵심 ‘인지 능력’만으로 모델을 구성한다면 모델 크기를 훨씬 줄일 수 있다.
- 10억 파라미터 등 상대적으로 작은 규모에서도 “충분한 지능”이 실현된다. 큰 모델이 학습해 놓은 능력을 작은 모델에 전이해 줄 수 있기 때문.
- 완벽한 해답(수학적 공식이나 정보 이론)은 아직 없으나, 인터넷 데이터 대부분이 실제 인지나 사고에 불필요한 “노이즈”라는 점을 감안하면, 모델의 핵심 능력은 상당히 적은 파라미터로도 구현 가능하다
- 미래에는 “한 모델이 모든 것을 처리”하기보다, 서로 다른 크기나 전문성(도메인 특화)을 갖춘 여러 모델이 병렬적으로 협업하는 생태계(집단적·계층적 구조) 방식이 주류가 될 것
- 기업 환경에서도, 고성능 클라우드 모델(“CEO”)과 저비용·오픈소스 모델(“작업자”)이 함께 활용되며, 문제 난이도나 상황에 따라 유연하게 조합되는 형태로 발전