Llama 4 단상
늦게 찾아온 봄날 주말 점심때 벚꽃 놀이할 겸 공원을 걸었다. 은진과 공원을 걷다가, 커피도 마시며 이런저런 재미있는 이야기를 나눴다. Llama 4 이야기다. 사람들이 MoE나 모델 사이즈 이야기는 많이 하니 기술적인 이야기는 생략하고, 다른 쪽으로 재미있었던 산책 이야기만 잊기 전에 요약해본다.
사람들이 기대하던 Llama 모델의 발표치고는 내용이 좀 이상했다. 모델 네 개 중에 소규모 사이즈 두 개만 공개했다. 정작 사고 모델이나 데이터 증류 모델 등 최근 주목받는 모델 두 종류의 공개는 4월 말 LlamaCon으로 연기했다. 연기할 거면 그냥 LlamaCon에서 다 발표해도 되는데? 모델도 이제 MoE 기반이라 데스크탑에서 실운영은 어려운, GPU 메모리를 엄청나게 요구하는 모델들이 되었다. 동시에 토큰 컨텍스트 윈도우 크기를 최대 1천만 토큰으로 늘렸다고 공개했다. 컨텍스트 윈도우가 크면 파인튜닝 없이 모델 실행 시점에 필요한 데이터를 다 주고 인-컨텍스트 러닝으로 처리할 수 있다. 1천만 토큰이면 사조영웅문 45권, 브리태니커 백과사전 1/5, 논문 2천 편이다. (인 컨텍스트 러닝 시 비용이 엄청나게 나오는 것은 회사마다 컨텍스트 캐싱으로 해결 중. 구글과 앤트로픽의 접근 방식이 다르다.)
그런데 달력에 보이는 이벤트들이 있다. Google Cloud Next 25가 곧 열린다. 작년 Cloud Next에서 구글이 랩 레벨에서는 천만 토큰 컨텍스트 윈도우 모델까지도 테스트 중이라고 했고, 이후 1백만 토큰에서 2백만 토큰으로 공개 모델의 컨텍스트 윈도우 크기를 늘렸다. 사실 천만 토큰 컨텍스트 윈도우도 발표 시점이 언제가 될지만 궁금할 뿐 공개 예상은 공공연한 비밀이었다. Meta는 구글의 행사를 코앞에 두고 사흘 빨리 Llama 4를 내놓으며 선수를 친 셈이다. 개인적으로는 절대 미룰 수 없는 발표 마감일을 클라우드 넥스트 앞에 그어두고, 그때까지 완료된 모델만 공개한 것처럼 보인다. 2년간 많이 보던 구글-OpenAI 사이의 아젠다 선점용 초치기 이벤트의 Meta 버전 같다.
왜 그렇게까지 했느냐? 거대 언어 모델은 비용이 많이 들어서 기술을 이윤으로 바꾸는 환전이 힘들다. 그때를 기다리는 동안 모델 개발사와 모델 서비스 회사가 강결합된 상태로 시장이 2년 넘게 흘러왔다. 모델 훈련에 필요한 거대한 자원을 저렴하게 소싱하는 것도 클라우드 업체 아니면 힘들기 때문이다. 그쪽 진영에서 극적으로 잘하고 있는 회사가 구글이다. 마찬가지로 한국의 클라우드 업체들이 자체 AI 모델을 오픈 모델로 공개하지 않는 이유들 중 일부도 원가 경쟁력 부분에 걸쳐 있다. 모델 서빙 시의 원가 경쟁력이 타 GPU 리소스 제공 회사들에 비해 차이가 없기 때문에, 모델을 공개하는 순간 모델 개발비의 환전 수단이 아예 사라져버릴 수 있기 때문이다.
하지만 모든 IT 기술이 그렇듯 시간이 지나면 원가가 내려가서 환전 가능한 기술이 된다. 그 상황이 불러온 시장의 흔들림이 발생 중이다. OpenAI는 마이크로소프트와 결별 중이고, Anthropic은 아마존과 티밍하리라는 모두의 예상을 깨고 독자 생존을 준비 중이다. Meta의 경우 Llama의 성공을 바탕으로 위의 '모델 개발+모델 서비스' 강결합 공식을 뒤집고 싶은 상황일 것이다. Llama가 불법으로 수집된 자료로 훈련되었는가에 대한 소송이 진행 중인데, 지지난주에 소송 중에 나온 자료들에 의하면 Llama가 Llama 2 라이센스에 따라 클라우드 서빙 회사들로부터 모델 사용료를 받고 있음이 알려졌다. Meta가 자체 모델 서비스도 운영하고는 있지만 모델 개발사로서의 입지가 더 강력한 상황이라면, 기존에 이어온 모델 개발과 서비스 사이의 연결을 해체하고, 모델 개발사로서의 영역을 강고히 하고 싶지 않을까? 혼자 아젠다를 뒤집기엔 좀 힘들지만, 올해 DeepSeek-R1 사고 모델이 나온 후, (처음에는 DeepSeek의 영향으로 Llama의 오픈 모델 기수 역할이 흔들리니 당황했겠지만) 이젠 아예 DeepSeek까지 레버리지해서 AI 모델 서비스의 판 자체가 클라우드 모델에서 오픈 웨이트 모델로 이동하고 있다는 식으로 아젠다를 세팅하려는 움직임으로 보인다.
Meta의 의도대로 모델 개발사와 모델 서비스 업체가 지금보다 훨씬 고리가 약해지고, 오픈 웨이트 또는 오픈소스 모델들의 위상이 더 강고해진다면 어떻게 될까. 목적 지향 모델들을 위한 공간이 엄청나게 넓어짐과 동시에, 파인튜닝과 인컨텍스트 러닝이 모두 혼재되어 비용에 맞추어 시스템에 적용하는 대혼돈의 시기는 불을 보듯 뻔하고, 그 와중에 결국 파인튜닝 모델들이 대기를 구성하고, 기술 핵심으로서의 기반 모델이 존재하는 모델 패밀리라는 형태로 생태계를 구축한 모델들이 훨씬 유리한 위치에 서게 될 것이다. Meta는 본의 아니게 Llama로 그 경험을 한 번 했고, 이후 계속 우연한 경험을 필연적인 경험으로 체화해서 확대재생산하고 있다.
Meta가 그렇게 시장을 바라보고 있다면 Llama 4의 거대한 메모리 요구 용량과 MoE, 거대 컨텍스트 윈도우 지원이 이해된다. 모델 서빙을 할 대상은 클라우드 서비스 제공자들이고, 모델 승부 대상은 이제 구글이 되었기 때문이다. Google Cloud Next를 목전에 두고 모델 두 개를 발표한 타이밍도 같은 아젠다 싸움 맥락에서 해석할 수 있다. 구글은 Gemma/Gemini 페어를 어떻게 더 들고 나올 것인가. 오래 안 기다려도 이틀 후면 알게 될 것이다.
덧붙여, 최근 해외 모델 개발사들에게 이런 류의 성능 티키타카용으로 쟁여놓는 모델 체크포인트들에 버퍼가 없어졌다는, 모두가 진검승부를 안 할 수 없는 상황이 되었다는 이야기를 도란도란 나누며 벚꽃길을 걸었다. 지난 주말에서야 봄이 막 왔는데, 벌써 여름이 다가온다. 소용돌이 한가운데 있는 것마냥 조용하다.
덧) reasoning 모델을 개인적으로 추론(inference) 용어와 구분 짓기 위해 사고 모델 이라 부른다. 시작 끝 토큰이 thinking 이라 그렇게 이름지음.
신정규님
늦게 찾아온 봄날 주말 점심때 벚꽃 놀이할 겸 공원을 걸었다. 은진과 공원을 걷다가, 커피도 마시며 이런저런 재미있는 이야기를 나눴다. Llama 4 이야기다. 사람들이 MoE나 모델 사이즈 이야기는 많이 하니 기술적인 이야기는 생략하고, 다른 쪽으로 재미있었던 산책 이야기만 잊기 전에 요약해본다.
사람들이 기대하던 Llama 모델의 발표치고는 내용이 좀 이상했다. 모델 네 개 중에 소규모 사이즈 두 개만 공개했다. 정작 사고 모델이나 데이터 증류 모델 등 최근 주목받는 모델 두 종류의 공개는 4월 말 LlamaCon으로 연기했다. 연기할 거면 그냥 LlamaCon에서 다 발표해도 되는데? 모델도 이제 MoE 기반이라 데스크탑에서 실운영은 어려운, GPU 메모리를 엄청나게 요구하는 모델들이 되었다. 동시에 토큰 컨텍스트 윈도우 크기를 최대 1천만 토큰으로 늘렸다고 공개했다. 컨텍스트 윈도우가 크면 파인튜닝 없이 모델 실행 시점에 필요한 데이터를 다 주고 인-컨텍스트 러닝으로 처리할 수 있다. 1천만 토큰이면 사조영웅문 45권, 브리태니커 백과사전 1/5, 논문 2천 편이다. (인 컨텍스트 러닝 시 비용이 엄청나게 나오는 것은 회사마다 컨텍스트 캐싱으로 해결 중. 구글과 앤트로픽의 접근 방식이 다르다.)
그런데 달력에 보이는 이벤트들이 있다. Google Cloud Next 25가 곧 열린다. 작년 Cloud Next에서 구글이 랩 레벨에서는 천만 토큰 컨텍스트 윈도우 모델까지도 테스트 중이라고 했고, 이후 1백만 토큰에서 2백만 토큰으로 공개 모델의 컨텍스트 윈도우 크기를 늘렸다. 사실 천만 토큰 컨텍스트 윈도우도 발표 시점이 언제가 될지만 궁금할 뿐 공개 예상은 공공연한 비밀이었다. Meta는 구글의 행사를 코앞에 두고 사흘 빨리 Llama 4를 내놓으며 선수를 친 셈이다. 개인적으로는 절대 미룰 수 없는 발표 마감일을 클라우드 넥스트 앞에 그어두고, 그때까지 완료된 모델만 공개한 것처럼 보인다. 2년간 많이 보던 구글-OpenAI 사이의 아젠다 선점용 초치기 이벤트의 Meta 버전 같다.
왜 그렇게까지 했느냐? 거대 언어 모델은 비용이 많이 들어서 기술을 이윤으로 바꾸는 환전이 힘들다. 그때를 기다리는 동안 모델 개발사와 모델 서비스 회사가 강결합된 상태로 시장이 2년 넘게 흘러왔다. 모델 훈련에 필요한 거대한 자원을 저렴하게 소싱하는 것도 클라우드 업체 아니면 힘들기 때문이다. 그쪽 진영에서 극적으로 잘하고 있는 회사가 구글이다. 마찬가지로 한국의 클라우드 업체들이 자체 AI 모델을 오픈 모델로 공개하지 않는 이유들 중 일부도 원가 경쟁력 부분에 걸쳐 있다. 모델 서빙 시의 원가 경쟁력이 타 GPU 리소스 제공 회사들에 비해 차이가 없기 때문에, 모델을 공개하는 순간 모델 개발비의 환전 수단이 아예 사라져버릴 수 있기 때문이다.
하지만 모든 IT 기술이 그렇듯 시간이 지나면 원가가 내려가서 환전 가능한 기술이 된다. 그 상황이 불러온 시장의 흔들림이 발생 중이다. OpenAI는 마이크로소프트와 결별 중이고, Anthropic은 아마존과 티밍하리라는 모두의 예상을 깨고 독자 생존을 준비 중이다. Meta의 경우 Llama의 성공을 바탕으로 위의 '모델 개발+모델 서비스' 강결합 공식을 뒤집고 싶은 상황일 것이다. Llama가 불법으로 수집된 자료로 훈련되었는가에 대한 소송이 진행 중인데, 지지난주에 소송 중에 나온 자료들에 의하면 Llama가 Llama 2 라이센스에 따라 클라우드 서빙 회사들로부터 모델 사용료를 받고 있음이 알려졌다. Meta가 자체 모델 서비스도 운영하고는 있지만 모델 개발사로서의 입지가 더 강력한 상황이라면, 기존에 이어온 모델 개발과 서비스 사이의 연결을 해체하고, 모델 개발사로서의 영역을 강고히 하고 싶지 않을까? 혼자 아젠다를 뒤집기엔 좀 힘들지만, 올해 DeepSeek-R1 사고 모델이 나온 후, (처음에는 DeepSeek의 영향으로 Llama의 오픈 모델 기수 역할이 흔들리니 당황했겠지만) 이젠 아예 DeepSeek까지 레버리지해서 AI 모델 서비스의 판 자체가 클라우드 모델에서 오픈 웨이트 모델로 이동하고 있다는 식으로 아젠다를 세팅하려는 움직임으로 보인다.
Meta의 의도대로 모델 개발사와 모델 서비스 업체가 지금보다 훨씬 고리가 약해지고, 오픈 웨이트 또는 오픈소스 모델들의 위상이 더 강고해진다면 어떻게 될까. 목적 지향 모델들을 위한 공간이 엄청나게 넓어짐과 동시에, 파인튜닝과 인컨텍스트 러닝이 모두 혼재되어 비용에 맞추어 시스템에 적용하는 대혼돈의 시기는 불을 보듯 뻔하고, 그 와중에 결국 파인튜닝 모델들이 대기를 구성하고, 기술 핵심으로서의 기반 모델이 존재하는 모델 패밀리라는 형태로 생태계를 구축한 모델들이 훨씬 유리한 위치에 서게 될 것이다. Meta는 본의 아니게 Llama로 그 경험을 한 번 했고, 이후 계속 우연한 경험을 필연적인 경험으로 체화해서 확대재생산하고 있다.
Meta가 그렇게 시장을 바라보고 있다면 Llama 4의 거대한 메모리 요구 용량과 MoE, 거대 컨텍스트 윈도우 지원이 이해된다. 모델 서빙을 할 대상은 클라우드 서비스 제공자들이고, 모델 승부 대상은 이제 구글이 되었기 때문이다. Google Cloud Next를 목전에 두고 모델 두 개를 발표한 타이밍도 같은 아젠다 싸움 맥락에서 해석할 수 있다. 구글은 Gemma/Gemini 페어를 어떻게 더 들고 나올 것인가. 오래 안 기다려도 이틀 후면 알게 될 것이다.
덧붙여, 최근 해외 모델 개발사들에게 이런 류의 성능 티키타카용으로 쟁여놓는 모델 체크포인트들에 버퍼가 없어졌다는, 모두가 진검승부를 안 할 수 없는 상황이 되었다는 이야기를 도란도란 나누며 벚꽃길을 걸었다. 지난 주말에서야 봄이 막 왔는데, 벌써 여름이 다가온다. 소용돌이 한가운데 있는 것마냥 조용하다.
덧) reasoning 모델을 개인적으로 추론(inference) 용어와 구분 짓기 위해 사고 모델 이라 부른다. 시작 끝 토큰이 thinking 이라 그렇게 이름지음.
신정규님
👍1
https://humanoid-ai.github.io/
- 기존 가정 1: "로봇 제어는 분해해서 접근해야 한다" (Decoupling/Modularization):
- 복잡한 시스템은 인식, 계획, 제어 모듈로 나누고, 팔과 다리 제어도 분리하는 것이 합리적이다.
- *한계 😚 인간의 움직임은 분리되어 있지 않고 전신이 유기적으로 통합되어 작동한다. 모듈화 방식은 설계가 복잡하고 특정 작업에만 국한되어 확장성이 떨어지며, 전신 협응이 필요한 복잡한 기술 학습에 비효율적이다.
- 기존 가정 2: "로봇은 로봇 데이터로 학습해야 한다" (Robot-Specific Data):
- 로봇 제어 모델은 해당 로봇의 데이터로 학습해야 정확하다.
- *한계:* 휴머노이드 데이터는 수집 비용이 매우 높고 양이 절대적으로 부족하다. 반면, 인간 데이터는 방대하게 존재한다. 인간과 로봇의 물리적 차이(Embodiment Gap) 때문에 직접 적용은 어렵지만, 이 방대한 데이터를 활용하지 못하는 것은 비효율적이다.
- 기존 가정 3: "원격 조작은 고가 장비가 필요하다" (Expensive Teleoperation):
- 정밀한 휴머노이드 제어를 위해서는 모션 캡처 슈트, VR, 외골격 등 고가의 장비가 필요하다.
- *한계 😚 인간은 주로 시각 정보(카메라의 원리)를 통해 타인의 동작을 인지하고 모방할 수 있다. 가장 기본적인 센서인 **카메라**와 **효과적인 자세 추정 알고리즘**만 있다면 저비용으로도 원격 조작 데이터 수집이 가능해야 한다.
- 원칙 1: 전신 제어는 통합적으로 접근해야 한다.
- *시도:* 시뮬레이션에서 **대규모 강화학습**을 통해 **작업에 구애받지 않는(task-agnostic) 저수준 전신 제어 정책(Humanoid Shadowing Transformer)**을 학습시킨다. 이는 특정 작업의 복잡한 보상 설계 없이도 다양한 목표 자세를 안정적으로 추종할 수 있게 한다. 복잡한 모듈 설계를 피하고 학습에 맡긴다.
- 원칙 2: 방대한 인간 데이터를 활용해야 한다.
- *시도 1 (저수준 제어):* 기존의 대규모 인간 모션 캡처 데이터(AMASS)**를 활용한다. 인간-로봇 간 물리적 차이는 **리타겟팅(Retargeting) 기술로 극복하여 로봇의 목표 자세를 생성하고, 이를 저수준 정책 학습 데이터로 사용한다. (기존 자원을 최대한 활용)
- *시도 2 (고수준 기술):* 저수준 정책을 기반으로 섀도잉(Shadowing) 시스템을 구축한다. 이는 **단일 RGB 카메라**라는 기본 센서와 자세 추정 AI를 활용하여, 인간이 실시간으로 휴머노이드를 **저비용-고효율로 원격 조작**하게 한다. 이를 통해 실제 환경에서 **로봇의 자기중심 시점(egocentric vision) 데이터**를 직접 수집한다. (데이터 파이프라인 문제 해결 및 Sim2Real 인식 문제 우회)
- 원칙 3: 학습은 효율적이어야 한다.
- *시도:* 섀도잉으로 수집된 **소수의 시연 데이터(최대 40개)**만으로도 복잡한 기술을 학습할 수 있도록 **효율적인 모방 학습 알고리즘(Humanoid Imitation Transformer - HIT)**을 사용한다. 이 알고리즘은 **Forward Dynamics Prediction**을 추가하여 시각 정보 활용도를 높이고 과적합을 방지한다.
4. HumanPlus의 의의:
- 근본적인 해결책 제시: 휴머노이드 학습의 핵심 난제인 '데이터 부족'과 '제어 복잡성'을, '방대한 인간 데이터 활용'과 '학습 기반 통합 제어'라는 기본 원칙에 기반하여 정면으로 돌파하려는 **Full-Stack 시스템**을 제시했다.
- 비용 및 접근성 혁신: 고가의 장비 없이 **단일 RGB 카메라**만으로 전신 원격 조작 및 데이터 수집이 가능함을 보여줌으로써, 휴머노이드 연구 및 개발의 **비용 장벽을 크게 낮추고 접근성을 향상**시켰다. (기존 방식 대비 비용 절감 및 효율성 증대)
- 데이터 활용의 새로운 패러다임: 오프라인 인간 데이터(저수준 제어)와 온라인 인간 시연 데이터(고수준 기술)를 효과적으로 결합하는 **시너지 효과**를 입증했다.
- 실제적 성과: 매우 **적은 시연 데이터**만으로도 신발 신고 걷기, 옷 접기 등 **복잡한 전신 조작 및 이동 기술을 자율적으로 학습**시키는 데 성공함으로써, 제안된 시스템의 실질적인 효용성을 입증했다.
5. 여전히 남은 한계 (Limitations from First Principles):
- 하드웨어의 물리적 한계: 아무리 제어가 뛰어나도 로봇 하드웨어 자체의 물리적 제약(자유도 부족, 강도, 센서 한계 등)은 근본적인 성능 한계를 결정한다. HumanPlus 로봇도 발목/손목/팔 자유도 부족, 고정된 카메라 등의 한계를 지닌다. **궁극적인 범용성을 위해서는 하드웨어 자체의 발전이 필수적**이다.
- 리타겟팅의 근본적 어려움: 인간과 로봇의 형태 및 동역학 차이를 완벽하게 매핑하는 리타겟팅은 여전히 어려운 문제이다. 고정된 매핑 방식은 인간 동작의 미묘함과 다양성을 온전히 전달하지 못할 수 있다. **더 정교하고 적응적인 리타겟팅 기술**이 필요하다.
- 인식의 불완전성: 단일 RGB 카메라 기반 자세 추정은 가려짐(Occlusion) 등에 취약하다. **더 강인하고 정확한 실시간 3D 인식 기술**은 여전히 풀어야 할 숙제이다.
- 학습 데이터의 편향성: AMASS나 섀도잉 데이터가 실제 세상의 모든 인간 동작과 기술을 대표하지는 못한다. **더 방대하고 편향 없는 데이터**가 필요하며, 이는 지속적인 과제이다.
- 장기 작업 및 상식 추론: 현재 시스템은 비교적 짧은 호라이즌의 모방 학습에 초점을 맞추고 있다. 복잡한 장기 작업을 수행하기 위해서는 **더 높은 수준의 계획(planning), 상식 추론(commonsense reasoning), 그리고 환경과의 상호작용을 통한 지속적인 학습 능력**이 필요하다. (Visual CoT는 시작 단계)
6. 새로운 기회 (New Opportunities):
- 범용 휴머노이드 학습 가속화: HumanPlus 시스템은 저비용 데이터 수집 및 효율적인 학습 파이프라인을 제공함으로써, 다양한 연구 그룹과 스타트업이 **범용 휴머노이드 기술 개발에 더 쉽게 참여**할 수 있는 기회를 연다.
- 인간 데이터의 새로운 활용: 단순히 모방을 넘어, 인간 비디오 데이터에서 **암묵적인 지식, 물리적 상식, 작업 절차 등을 추출**하여 휴머노이드의 이해 및 추론 능력을 향상시키는 연구 기회가 확대된다.
- 하드웨어-소프트웨어 공동 최적화: HumanPlus와 같은 시스템은 어떤 하드웨어(센서, 액추에이터, 자유도 구성)가 데이터 기반 학습 및 제어에 더 유리한지에 대한 인사이트를 제공하며, **차세대 휴머노이드 하드웨어 설계 방향**을 제시할 수 있다.
- 다양한 응용 분야 개척: 물류(창고 작업), 가사 노동(옷 접기), 제조, 협업, 엔터테인먼트(피아노, 탁구) 등 HumanPlus가 시연한 작업들은 **휴머노이드의 실질적인 응용 가능성**을 넓히고 새로운 비즈니스 기회를 창출할 수 있다.
- 안전하고 직관적인 상호작용: 인간의 동작을 직접 따라하는 섀도잉 기술은 로봇에게 작업을 가르치는 **더 직관적이고 안전한 방법**을 제공하며, 이는 인간-로봇 협업 및 비전문가의 로봇 활용 가능성을 높인다.
- 기존 가정 1: "로봇 제어는 분해해서 접근해야 한다" (Decoupling/Modularization):
- 복잡한 시스템은 인식, 계획, 제어 모듈로 나누고, 팔과 다리 제어도 분리하는 것이 합리적이다.
- *한계 😚 인간의 움직임은 분리되어 있지 않고 전신이 유기적으로 통합되어 작동한다. 모듈화 방식은 설계가 복잡하고 특정 작업에만 국한되어 확장성이 떨어지며, 전신 협응이 필요한 복잡한 기술 학습에 비효율적이다.
- 기존 가정 2: "로봇은 로봇 데이터로 학습해야 한다" (Robot-Specific Data):
- 로봇 제어 모델은 해당 로봇의 데이터로 학습해야 정확하다.
- *한계:* 휴머노이드 데이터는 수집 비용이 매우 높고 양이 절대적으로 부족하다. 반면, 인간 데이터는 방대하게 존재한다. 인간과 로봇의 물리적 차이(Embodiment Gap) 때문에 직접 적용은 어렵지만, 이 방대한 데이터를 활용하지 못하는 것은 비효율적이다.
- 기존 가정 3: "원격 조작은 고가 장비가 필요하다" (Expensive Teleoperation):
- 정밀한 휴머노이드 제어를 위해서는 모션 캡처 슈트, VR, 외골격 등 고가의 장비가 필요하다.
- *한계 😚 인간은 주로 시각 정보(카메라의 원리)를 통해 타인의 동작을 인지하고 모방할 수 있다. 가장 기본적인 센서인 **카메라**와 **효과적인 자세 추정 알고리즘**만 있다면 저비용으로도 원격 조작 데이터 수집이 가능해야 한다.
- 원칙 1: 전신 제어는 통합적으로 접근해야 한다.
- *시도:* 시뮬레이션에서 **대규모 강화학습**을 통해 **작업에 구애받지 않는(task-agnostic) 저수준 전신 제어 정책(Humanoid Shadowing Transformer)**을 학습시킨다. 이는 특정 작업의 복잡한 보상 설계 없이도 다양한 목표 자세를 안정적으로 추종할 수 있게 한다. 복잡한 모듈 설계를 피하고 학습에 맡긴다.
- 원칙 2: 방대한 인간 데이터를 활용해야 한다.
- *시도 1 (저수준 제어):* 기존의 대규모 인간 모션 캡처 데이터(AMASS)**를 활용한다. 인간-로봇 간 물리적 차이는 **리타겟팅(Retargeting) 기술로 극복하여 로봇의 목표 자세를 생성하고, 이를 저수준 정책 학습 데이터로 사용한다. (기존 자원을 최대한 활용)
- *시도 2 (고수준 기술):* 저수준 정책을 기반으로 섀도잉(Shadowing) 시스템을 구축한다. 이는 **단일 RGB 카메라**라는 기본 센서와 자세 추정 AI를 활용하여, 인간이 실시간으로 휴머노이드를 **저비용-고효율로 원격 조작**하게 한다. 이를 통해 실제 환경에서 **로봇의 자기중심 시점(egocentric vision) 데이터**를 직접 수집한다. (데이터 파이프라인 문제 해결 및 Sim2Real 인식 문제 우회)
- 원칙 3: 학습은 효율적이어야 한다.
- *시도:* 섀도잉으로 수집된 **소수의 시연 데이터(최대 40개)**만으로도 복잡한 기술을 학습할 수 있도록 **효율적인 모방 학습 알고리즘(Humanoid Imitation Transformer - HIT)**을 사용한다. 이 알고리즘은 **Forward Dynamics Prediction**을 추가하여 시각 정보 활용도를 높이고 과적합을 방지한다.
4. HumanPlus의 의의:
- 근본적인 해결책 제시: 휴머노이드 학습의 핵심 난제인 '데이터 부족'과 '제어 복잡성'을, '방대한 인간 데이터 활용'과 '학습 기반 통합 제어'라는 기본 원칙에 기반하여 정면으로 돌파하려는 **Full-Stack 시스템**을 제시했다.
- 비용 및 접근성 혁신: 고가의 장비 없이 **단일 RGB 카메라**만으로 전신 원격 조작 및 데이터 수집이 가능함을 보여줌으로써, 휴머노이드 연구 및 개발의 **비용 장벽을 크게 낮추고 접근성을 향상**시켰다. (기존 방식 대비 비용 절감 및 효율성 증대)
- 데이터 활용의 새로운 패러다임: 오프라인 인간 데이터(저수준 제어)와 온라인 인간 시연 데이터(고수준 기술)를 효과적으로 결합하는 **시너지 효과**를 입증했다.
- 실제적 성과: 매우 **적은 시연 데이터**만으로도 신발 신고 걷기, 옷 접기 등 **복잡한 전신 조작 및 이동 기술을 자율적으로 학습**시키는 데 성공함으로써, 제안된 시스템의 실질적인 효용성을 입증했다.
5. 여전히 남은 한계 (Limitations from First Principles):
- 하드웨어의 물리적 한계: 아무리 제어가 뛰어나도 로봇 하드웨어 자체의 물리적 제약(자유도 부족, 강도, 센서 한계 등)은 근본적인 성능 한계를 결정한다. HumanPlus 로봇도 발목/손목/팔 자유도 부족, 고정된 카메라 등의 한계를 지닌다. **궁극적인 범용성을 위해서는 하드웨어 자체의 발전이 필수적**이다.
- 리타겟팅의 근본적 어려움: 인간과 로봇의 형태 및 동역학 차이를 완벽하게 매핑하는 리타겟팅은 여전히 어려운 문제이다. 고정된 매핑 방식은 인간 동작의 미묘함과 다양성을 온전히 전달하지 못할 수 있다. **더 정교하고 적응적인 리타겟팅 기술**이 필요하다.
- 인식의 불완전성: 단일 RGB 카메라 기반 자세 추정은 가려짐(Occlusion) 등에 취약하다. **더 강인하고 정확한 실시간 3D 인식 기술**은 여전히 풀어야 할 숙제이다.
- 학습 데이터의 편향성: AMASS나 섀도잉 데이터가 실제 세상의 모든 인간 동작과 기술을 대표하지는 못한다. **더 방대하고 편향 없는 데이터**가 필요하며, 이는 지속적인 과제이다.
- 장기 작업 및 상식 추론: 현재 시스템은 비교적 짧은 호라이즌의 모방 학습에 초점을 맞추고 있다. 복잡한 장기 작업을 수행하기 위해서는 **더 높은 수준의 계획(planning), 상식 추론(commonsense reasoning), 그리고 환경과의 상호작용을 통한 지속적인 학습 능력**이 필요하다. (Visual CoT는 시작 단계)
6. 새로운 기회 (New Opportunities):
- 범용 휴머노이드 학습 가속화: HumanPlus 시스템은 저비용 데이터 수집 및 효율적인 학습 파이프라인을 제공함으로써, 다양한 연구 그룹과 스타트업이 **범용 휴머노이드 기술 개발에 더 쉽게 참여**할 수 있는 기회를 연다.
- 인간 데이터의 새로운 활용: 단순히 모방을 넘어, 인간 비디오 데이터에서 **암묵적인 지식, 물리적 상식, 작업 절차 등을 추출**하여 휴머노이드의 이해 및 추론 능력을 향상시키는 연구 기회가 확대된다.
- 하드웨어-소프트웨어 공동 최적화: HumanPlus와 같은 시스템은 어떤 하드웨어(센서, 액추에이터, 자유도 구성)가 데이터 기반 학습 및 제어에 더 유리한지에 대한 인사이트를 제공하며, **차세대 휴머노이드 하드웨어 설계 방향**을 제시할 수 있다.
- 다양한 응용 분야 개척: 물류(창고 작업), 가사 노동(옷 접기), 제조, 협업, 엔터테인먼트(피아노, 탁구) 등 HumanPlus가 시연한 작업들은 **휴머노이드의 실질적인 응용 가능성**을 넓히고 새로운 비즈니스 기회를 창출할 수 있다.
- 안전하고 직관적인 상호작용: 인간의 동작을 직접 따라하는 섀도잉 기술은 로봇에게 작업을 가르치는 **더 직관적이고 안전한 방법**을 제공하며, 이는 인간-로봇 협업 및 비전문가의 로봇 활용 가능성을 높인다.
HumanPlus: Humanoid Shadowing and Imitation from Humans
by Zipeng Fu*, Qingqing Zhao*, Qi Wu*, Gordon Wetzstein, Chelsea Finn at Stanford
👍1
"저는 지능으로 인생에서 성공하지 못했습니다. 나는 집중력이 길기 때문에 성공했습니다."
- 찰리 멍거
- 찰리 멍거
👍3
어리고 야망있는 어린 창업자들의 감소
- 그는 과거(10~15년 전) Stripe, Figma, Facebook 등을 창업했던 20대들과 비교했을 때, 현재는 Scale AI의 알렉스(Alexandr Wang) 정도를 제외하고는 20대에 매우 큰 규모의 회사를 성공시킨 사례가 드묾
- 사회 전반적으로 나타나는 '지연된 성인기(delayed adulthood)' 현상과 관련이 있을 수 있다고 추측합니다. 즉, 젊은이들이 더 늦게 성인으로서의 책임감을 지거나 독립하는 경향이 창업 활동에도 영향을 미칠 수 있다는 것입니다.
- 증가하는 규제나 사회 전반적인 낙관주의 부족도 젊은 창업자들이 야심 찬 도전을 하는 데 장벽이 될 수 있다고 생각
AI 기반 바이아웃(Buyout)의 가능성과 미래
AI 기반 바이아웃이 가능한 이유:
1. 비용 구조 혁신 (Radical Impact on Cost Structure): AI는 특정 산업, 특히 노동 집약적이거나 반복적인 업무가 많은 산업의 운영 비용 구조를 근본적으로 바꿀 잠재력이 있습니다. AI를 통해 인력 효율을 극대화하거나 자동화를 이루면, 기존 기업보다 훨씬 낮은 비용으로 운영하는 것이 가능해집니다.
2. 시장 확장 가능성 (Market Expansion): 단순히 비용을 절감하는 것을 넘어, AI를 활용하여 기존에는 불가능했던 새로운 서비스나 제품을 제공하거나, 더 넓은 고객층에게 다가가 시장 점유율을 높이거나 시장 자체를 확장할 수 있습니다.
3. 느린 기술 도입 속도 (Slow Adopter of Technology): 일부 전통 산업은 새로운 기술, 특히 AI와 같은 혁신 기술의 도입 속도가 매우 느립니다. 이런 산업에 AI 솔루션을 '판매'하려는 스타트업을 만드는 것은, 고객 확보 및 기술 채택 속도의 한계로 인해 어려울 수 있습니다. 차라리 해당 산업의 기존 기업(자산)을 인수한 뒤, 내부적으로 AI를 공격적으로 도입하여 운영 효율성을 높이고 경쟁 우위를 확보하는 것이 더 빠르고 효과적인 전략일 수 있습니다.
바이오테크(Biotech) 산업에 대한 시각:
대형 바이오테크 기업의 부재: 기술 분야의 마이크로소프트와 애플 두 회사의 시가총액이 전체 바이오/제약 산업(BioPharma) 시가총액과 비슷하다는 점을 지적한다. 미국 GDP의 상당 부분을 차지함에도 불구하고, 지난 30-40년간 500억 달러 이상의 가치를 지닌 대형 바이오테크 기업(Vertex, Regeneron 제외)이 거의 탄생하지 않은 이유에 대해 의문을 제기한다. 이는 산업 구조, 규제, 창업 모델 등의 체계적인 왜곡(systematically distorted) 때문일 수 있다고 추측한다.
개인적 투자: 현재 바이오테크 분야에 많은 투자를 하고 있지는 않지만, 헬스케어 인프라(소프트웨어), 일부 AI 기반 바이오 모델 회사(예: Inceptive), 그리고 항노화(anti-aging) 관련 바이오테크 회사(예: BioAge - 7~8년 전 투자, 현재 근육 감소 치료제 등 개발 중)에는 관여하고 있다.
창업자들을 위한 조언:
확신(Conviction) 갖기: 인기 없는(unpopular) 아이디어나 회사에 투자하려면 남을 설득하기보다, 사회적 또는 개인적 가정을 끊임없이 재점검하고(double-check assumptions), 올바른 질문을 던지며(asking the right questions), 현실을 명확히 보는(seeing reality more clearly) 능력이 중요하다고 강조한다.
Anduril (시장 중요성에 대한 확신)
Stripe (회사 자체와 모멘텀에 대한 확신)
초기 GenAI 투자 (기술 물결에 대한 확신)
중요한 창업자 자질: 명확한 사고와 소통 능력 외에도, 야망(ambition), 추진력(drive), 강렬함(intensity), **이기고자 하는 열망(hunger to win)**이 매우 중요하며, 한동안 기술 업계에서 과소평가되었다고 지적한다. 리더십은 인기와 혼동되어서는 안 된다(Leadership vs. Popularity)고 강조한다.
시장 > 창업자: 창업자의 중요성을 인정하면서도, 회사의 성공을 결정짓는 가장 중요한 요인은 **'프로덕트 마켓 핏(Product-Market Fit, PMF)'**이라고 본다. 훌륭한 팀도 나쁜 시장에서는 실패할 수 있고, 평범한 팀도 좋은 시장에서는 매우 성공할 수 있다. 구글은 초기에 검색 기술 라이선싱과 하드웨어 판매라는 비즈니스 모델을 시도했지만, 이는 회사의 폭발적인 성장 잠재력을 충족시키기에는 부족했습니다. 결국 사용자 경험을 크게 해치지 않으면서도 확장 가능하고, 검색이라는 핵심 서비스와 자연스럽게 연결되는 관련성 기반의 PPC 광고 모델(AdWords)과 이를 외부 웹사이트로 확장한 AdSense를 통해 막대한 수익을 창출하는 데 성공
- 예시
1. 구글 초기: 검색 기술 라이선싱 (Search Technology Licensing): 1990년대 후반 ~ 2000년대 초반
구글의 핵심 자산인 우수한 검색 엔진 기술을 다른 웹사이트나 기업에게 제공하고 사용료를 받는 방식입니다. 당시 야후(Yahoo!), 넷스케이프(Netscape), AOL 등 인터넷 포털 사이트들은 자체 검색 기능이 필요했지만, 구글만큼 성능이 좋지 않았습니다. 구글은 이들에게 자사의 검색 기술을 '백엔드(backend)'로 제공하여 그들의 웹사이트 내 검색창을 강화해주는 모델을 시도 -> 수익 규모의 한계, 파트너 의존성, 브랜드 인지도
2. 구글 검색 어플라이언스 (Google Search Appliance, GSA): 2002년 출시. 웹 검색 기술을 기업 내부 검색이라는 새로운 시장에 적용하여 수익원을 다각화하려는 시도였습니다. 기업 시장은 비교적 높은 가격을 지불할 용의가 있다는 점도 고려-> GSA는 실제로 구글의 엔터프라이즈 사업부(현 구글 클라우드의 일부)의 초기 형태가 되었고, 수년간 기업 고객들에게 판매
3. 광고 모델로의 전환 및 정착 (AdWords & AdSense): 2000년 ~ 2003년
- 초기 광고 시도 (Premium Sponsorships): 2000년경, 구글은 검색 결과 상단에 소수의 광고를 노출시키는 '프리미엄 스폰서십' 모델을 도입
- Overture(GoTo.com)의 영향: 당시 Overture(구 GoTo.com)는 검색 키워드에 대해 광고주들이 입찰하고 클릭당 비용(PPC, Pay-Per-Click)을 지불하는 모델로 큰 성공을 거두고 있었습니다. 이는 구글에게 큰 영감을 주었습니다.
- AdWords의 탄생과 진화 (2000년 출시, 2002년 개편):
구글은 Overture 모델을 참고하되, **'관련성(Relevance)'**이라는 핵심 가치를 더했습니다. 단순히 입찰가만 높은 광고가 아니라, **사용자의 검색어와 관련성이 높고 품질이 좋은 광고(클릭률 CTR 등 고려)**가 더 좋은 위치에 노출되도록 알고리즘(후에 '품질 평가점수 Quality Score' 개념으로 발전)을 도입했습니다.
- AdSense의 출시 (2003년):
구글 검색 결과 페이지뿐만 아니라, 수많은 외부 웹사이트(블로그, 뉴스 사이트 등)에도 문맥에 맞는 광고를 게재하고, 해당 웹사이트 운영자(게시자)와 광고 수익을 나누는 모델
제품에서 유통으로(Product to Distribution): 성공적인 제품은 결국 강력한 유통 채널이 되며, 이를 기반으로 다른 제품이나 서비스를 교차 판매(cross-sell)하는 전략이 매우 중요하다고 강조한다.
- 성공 사례: Rippling, Ashby, DataDog, HubSpot, Microsoft Office (Excel, Word, PowerPoint 모두 초기엔 외부 앱), Facebook (Instagram 인수 후 교차 홍보로 급성장)
- 실행 시점: 혁신은 초기에 시작하는 것이 좋다. 매출이 안정화되고 반복 가능한 성장 궤도(low tens of millions of revenue, repeatable motion)에 오르면 다음 제품/기능 확장을 고려해야 한다. 너무 이른 시점(수백만 달러 매출)의 다각화는 핵심 제품에 대한 확신 부족의 신호일 수 있다. 주로 동일 고객에게 판매하는 것이 효과적이다.
- 그는 과거(10~15년 전) Stripe, Figma, Facebook 등을 창업했던 20대들과 비교했을 때, 현재는 Scale AI의 알렉스(Alexandr Wang) 정도를 제외하고는 20대에 매우 큰 규모의 회사를 성공시킨 사례가 드묾
- 사회 전반적으로 나타나는 '지연된 성인기(delayed adulthood)' 현상과 관련이 있을 수 있다고 추측합니다. 즉, 젊은이들이 더 늦게 성인으로서의 책임감을 지거나 독립하는 경향이 창업 활동에도 영향을 미칠 수 있다는 것입니다.
- 증가하는 규제나 사회 전반적인 낙관주의 부족도 젊은 창업자들이 야심 찬 도전을 하는 데 장벽이 될 수 있다고 생각
AI 기반 바이아웃(Buyout)의 가능성과 미래
AI 기반 바이아웃이 가능한 이유:
1. 비용 구조 혁신 (Radical Impact on Cost Structure): AI는 특정 산업, 특히 노동 집약적이거나 반복적인 업무가 많은 산업의 운영 비용 구조를 근본적으로 바꿀 잠재력이 있습니다. AI를 통해 인력 효율을 극대화하거나 자동화를 이루면, 기존 기업보다 훨씬 낮은 비용으로 운영하는 것이 가능해집니다.
2. 시장 확장 가능성 (Market Expansion): 단순히 비용을 절감하는 것을 넘어, AI를 활용하여 기존에는 불가능했던 새로운 서비스나 제품을 제공하거나, 더 넓은 고객층에게 다가가 시장 점유율을 높이거나 시장 자체를 확장할 수 있습니다.
3. 느린 기술 도입 속도 (Slow Adopter of Technology): 일부 전통 산업은 새로운 기술, 특히 AI와 같은 혁신 기술의 도입 속도가 매우 느립니다. 이런 산업에 AI 솔루션을 '판매'하려는 스타트업을 만드는 것은, 고객 확보 및 기술 채택 속도의 한계로 인해 어려울 수 있습니다. 차라리 해당 산업의 기존 기업(자산)을 인수한 뒤, 내부적으로 AI를 공격적으로 도입하여 운영 효율성을 높이고 경쟁 우위를 확보하는 것이 더 빠르고 효과적인 전략일 수 있습니다.
바이오테크(Biotech) 산업에 대한 시각:
대형 바이오테크 기업의 부재: 기술 분야의 마이크로소프트와 애플 두 회사의 시가총액이 전체 바이오/제약 산업(BioPharma) 시가총액과 비슷하다는 점을 지적한다. 미국 GDP의 상당 부분을 차지함에도 불구하고, 지난 30-40년간 500억 달러 이상의 가치를 지닌 대형 바이오테크 기업(Vertex, Regeneron 제외)이 거의 탄생하지 않은 이유에 대해 의문을 제기한다. 이는 산업 구조, 규제, 창업 모델 등의 체계적인 왜곡(systematically distorted) 때문일 수 있다고 추측한다.
개인적 투자: 현재 바이오테크 분야에 많은 투자를 하고 있지는 않지만, 헬스케어 인프라(소프트웨어), 일부 AI 기반 바이오 모델 회사(예: Inceptive), 그리고 항노화(anti-aging) 관련 바이오테크 회사(예: BioAge - 7~8년 전 투자, 현재 근육 감소 치료제 등 개발 중)에는 관여하고 있다.
창업자들을 위한 조언:
확신(Conviction) 갖기: 인기 없는(unpopular) 아이디어나 회사에 투자하려면 남을 설득하기보다, 사회적 또는 개인적 가정을 끊임없이 재점검하고(double-check assumptions), 올바른 질문을 던지며(asking the right questions), 현실을 명확히 보는(seeing reality more clearly) 능력이 중요하다고 강조한다.
Anduril (시장 중요성에 대한 확신)
Stripe (회사 자체와 모멘텀에 대한 확신)
초기 GenAI 투자 (기술 물결에 대한 확신)
중요한 창업자 자질: 명확한 사고와 소통 능력 외에도, 야망(ambition), 추진력(drive), 강렬함(intensity), **이기고자 하는 열망(hunger to win)**이 매우 중요하며, 한동안 기술 업계에서 과소평가되었다고 지적한다. 리더십은 인기와 혼동되어서는 안 된다(Leadership vs. Popularity)고 강조한다.
시장 > 창업자: 창업자의 중요성을 인정하면서도, 회사의 성공을 결정짓는 가장 중요한 요인은 **'프로덕트 마켓 핏(Product-Market Fit, PMF)'**이라고 본다. 훌륭한 팀도 나쁜 시장에서는 실패할 수 있고, 평범한 팀도 좋은 시장에서는 매우 성공할 수 있다. 구글은 초기에 검색 기술 라이선싱과 하드웨어 판매라는 비즈니스 모델을 시도했지만, 이는 회사의 폭발적인 성장 잠재력을 충족시키기에는 부족했습니다. 결국 사용자 경험을 크게 해치지 않으면서도 확장 가능하고, 검색이라는 핵심 서비스와 자연스럽게 연결되는 관련성 기반의 PPC 광고 모델(AdWords)과 이를 외부 웹사이트로 확장한 AdSense를 통해 막대한 수익을 창출하는 데 성공
- 예시
1. 구글 초기: 검색 기술 라이선싱 (Search Technology Licensing): 1990년대 후반 ~ 2000년대 초반
구글의 핵심 자산인 우수한 검색 엔진 기술을 다른 웹사이트나 기업에게 제공하고 사용료를 받는 방식입니다. 당시 야후(Yahoo!), 넷스케이프(Netscape), AOL 등 인터넷 포털 사이트들은 자체 검색 기능이 필요했지만, 구글만큼 성능이 좋지 않았습니다. 구글은 이들에게 자사의 검색 기술을 '백엔드(backend)'로 제공하여 그들의 웹사이트 내 검색창을 강화해주는 모델을 시도 -> 수익 규모의 한계, 파트너 의존성, 브랜드 인지도
2. 구글 검색 어플라이언스 (Google Search Appliance, GSA): 2002년 출시. 웹 검색 기술을 기업 내부 검색이라는 새로운 시장에 적용하여 수익원을 다각화하려는 시도였습니다. 기업 시장은 비교적 높은 가격을 지불할 용의가 있다는 점도 고려-> GSA는 실제로 구글의 엔터프라이즈 사업부(현 구글 클라우드의 일부)의 초기 형태가 되었고, 수년간 기업 고객들에게 판매
3. 광고 모델로의 전환 및 정착 (AdWords & AdSense): 2000년 ~ 2003년
- 초기 광고 시도 (Premium Sponsorships): 2000년경, 구글은 검색 결과 상단에 소수의 광고를 노출시키는 '프리미엄 스폰서십' 모델을 도입
- Overture(GoTo.com)의 영향: 당시 Overture(구 GoTo.com)는 검색 키워드에 대해 광고주들이 입찰하고 클릭당 비용(PPC, Pay-Per-Click)을 지불하는 모델로 큰 성공을 거두고 있었습니다. 이는 구글에게 큰 영감을 주었습니다.
- AdWords의 탄생과 진화 (2000년 출시, 2002년 개편):
구글은 Overture 모델을 참고하되, **'관련성(Relevance)'**이라는 핵심 가치를 더했습니다. 단순히 입찰가만 높은 광고가 아니라, **사용자의 검색어와 관련성이 높고 품질이 좋은 광고(클릭률 CTR 등 고려)**가 더 좋은 위치에 노출되도록 알고리즘(후에 '품질 평가점수 Quality Score' 개념으로 발전)을 도입했습니다.
- AdSense의 출시 (2003년):
구글 검색 결과 페이지뿐만 아니라, 수많은 외부 웹사이트(블로그, 뉴스 사이트 등)에도 문맥에 맞는 광고를 게재하고, 해당 웹사이트 운영자(게시자)와 광고 수익을 나누는 모델
제품에서 유통으로(Product to Distribution): 성공적인 제품은 결국 강력한 유통 채널이 되며, 이를 기반으로 다른 제품이나 서비스를 교차 판매(cross-sell)하는 전략이 매우 중요하다고 강조한다.
- 성공 사례: Rippling, Ashby, DataDog, HubSpot, Microsoft Office (Excel, Word, PowerPoint 모두 초기엔 외부 앱), Facebook (Instagram 인수 후 교차 홍보로 급성장)
- 실행 시점: 혁신은 초기에 시작하는 것이 좋다. 매출이 안정화되고 반복 가능한 성장 궤도(low tens of millions of revenue, repeatable motion)에 오르면 다음 제품/기능 확장을 고려해야 한다. 너무 이른 시점(수백만 달러 매출)의 다각화는 핵심 제품에 대한 확신 부족의 신호일 수 있다. 주로 동일 고객에게 판매하는 것이 효과적이다.
비상식적 조언(Non-obvious Startup Advice):
- 가장 중요한 것은 PMF이므로, 다른 것보다 여기에 집중하라.
- 공동 창업자는 필수가 아니다. 중요한 것은 명확한 의사 결정권자이다. (아마존, 마이크로소프트 등 사례)
- 모든 것을 위임할 필요는 없다. 중요한 특정 영역은 마이크로매니징해도 괜찮다.
- 지나치게 린(lean)한 것에 자부심을 갖기보다, 시장 기회를 잡기 위해 성장해야 할 때는 과감히 투자하고 인력을 충원해야 한다. (Sketch 사례 언급 - 성장을 꺼리다 기회를 놓침)
- 가족에게 회사 창립 초기에 약간의 지분을 증여하는 것을 고려하라. 초기에는 가치가 낮아 세금 부담이 적지만, 나중에 매우 의미 있는 결과가 될 수 있다.
포기하는 시점(When it's OK to give up): 무조건 계속하는 것이 항상 좋은 조언은 아니다. 현실을 직시하고 가망이 없다면, 인생의 가장 생산적인 시기를 낭비하지 않도록 방향 전환을 고려해야 한다. 포기할 때는 회사를 그냥 폐업하기보다, 인수합병(exit, acquihire) 등을 통해 어딘가에 안착시키는(land it somewhere) 것이 직원들과 창업자 본인의 다음 단계를 위해서도 좋다고 조언한다.
자금 조달(Fundraising) 조언: 첫 라운드 투자는 단순히 돈을 받는 것이 아니라, **10년 이상 함께할 파트너(in-laws 비유)**를 고르는 과정으로 생각하고 신중해야 한다. 단순히 가장 빨리, 가장 많은 돈을 주는 곳을 선택하는 것을 경계한다.
이사회 멤버(Board Member) 선택: 투자자든 독립 이사든, 명확한 **'직무 기술서(job rec)'**를 작성하고 이에 가장 적합한 사람을 찾아야 한다. 리드 호프먼의 말을 인용해, 이상적인 이사회 멤버는 '공동 창업자로 원했지만 현실적으로 영입할 수 없었을 만한 사람'이라고 설명한다.
초기 핵심 인력 채용(Hiring First Employees):
첫 직원은 채용이 가장 어렵지만, 일단 시작하면 탄력이 붙는다.
역량, 문화 적합성, 추진력, 실행력 등을 종합적으로 평가한다.
특정 역할(디자이너, ML 엔지니어 등)을 채용할 때는 막연히 넓게 후보를 찾기보다, **원하는 결과물을 이미 만들고 있는 특정 회사 출신들을 타겟팅(target specific companies)**하는 것이 훨씬 효과적이다.
관료주의적인 사람(실제 일은 하지 않는 사람)을 피하려면 인터뷰와 레퍼런스 체크를 통해 그들의 **실제 활동 내역(actual activities)**을 깊이 파악해야 한다. 레퍼런스 체크는 직접 하기 어렵다면 해당 분야 전문가에게 어떤 질문을 해야 할지 조언을 구하는 것이 좋다.
실행 속도의 중요성(Importance of Speed of Execution): 초기 스타트업의 가장 큰, 어쩌면 유일한 경쟁 우위는 **'속도(speed)'**이다. 거대 기업은 자원, 고객, 인력 등 모든 면에서 앞서기 때문이다.
토론하는 데 걸리는 시간과 만들어서 테스트하는 데 걸리는 시간이 비슷하다면, 그냥 **만들어서 시도해보는 것(just build it and try it)**이 더 낫다.
Perplexity의 초기 투자 이유 중 하나로 엄청난 실행 속도를 꼽는다.
속도 외에 중요한 것은 세일즈 능력(팀원 설득, 투자 유치, 고객 확보 포함)과 명확한 사고 및 방향 설정 능력이다.
https://youtu.be/xcvIGJ3_H_k
- 가장 중요한 것은 PMF이므로, 다른 것보다 여기에 집중하라.
- 공동 창업자는 필수가 아니다. 중요한 것은 명확한 의사 결정권자이다. (아마존, 마이크로소프트 등 사례)
- 모든 것을 위임할 필요는 없다. 중요한 특정 영역은 마이크로매니징해도 괜찮다.
- 지나치게 린(lean)한 것에 자부심을 갖기보다, 시장 기회를 잡기 위해 성장해야 할 때는 과감히 투자하고 인력을 충원해야 한다. (Sketch 사례 언급 - 성장을 꺼리다 기회를 놓침)
- 가족에게 회사 창립 초기에 약간의 지분을 증여하는 것을 고려하라. 초기에는 가치가 낮아 세금 부담이 적지만, 나중에 매우 의미 있는 결과가 될 수 있다.
포기하는 시점(When it's OK to give up): 무조건 계속하는 것이 항상 좋은 조언은 아니다. 현실을 직시하고 가망이 없다면, 인생의 가장 생산적인 시기를 낭비하지 않도록 방향 전환을 고려해야 한다. 포기할 때는 회사를 그냥 폐업하기보다, 인수합병(exit, acquihire) 등을 통해 어딘가에 안착시키는(land it somewhere) 것이 직원들과 창업자 본인의 다음 단계를 위해서도 좋다고 조언한다.
자금 조달(Fundraising) 조언: 첫 라운드 투자는 단순히 돈을 받는 것이 아니라, **10년 이상 함께할 파트너(in-laws 비유)**를 고르는 과정으로 생각하고 신중해야 한다. 단순히 가장 빨리, 가장 많은 돈을 주는 곳을 선택하는 것을 경계한다.
이사회 멤버(Board Member) 선택: 투자자든 독립 이사든, 명확한 **'직무 기술서(job rec)'**를 작성하고 이에 가장 적합한 사람을 찾아야 한다. 리드 호프먼의 말을 인용해, 이상적인 이사회 멤버는 '공동 창업자로 원했지만 현실적으로 영입할 수 없었을 만한 사람'이라고 설명한다.
초기 핵심 인력 채용(Hiring First Employees):
첫 직원은 채용이 가장 어렵지만, 일단 시작하면 탄력이 붙는다.
역량, 문화 적합성, 추진력, 실행력 등을 종합적으로 평가한다.
특정 역할(디자이너, ML 엔지니어 등)을 채용할 때는 막연히 넓게 후보를 찾기보다, **원하는 결과물을 이미 만들고 있는 특정 회사 출신들을 타겟팅(target specific companies)**하는 것이 훨씬 효과적이다.
관료주의적인 사람(실제 일은 하지 않는 사람)을 피하려면 인터뷰와 레퍼런스 체크를 통해 그들의 **실제 활동 내역(actual activities)**을 깊이 파악해야 한다. 레퍼런스 체크는 직접 하기 어렵다면 해당 분야 전문가에게 어떤 질문을 해야 할지 조언을 구하는 것이 좋다.
실행 속도의 중요성(Importance of Speed of Execution): 초기 스타트업의 가장 큰, 어쩌면 유일한 경쟁 우위는 **'속도(speed)'**이다. 거대 기업은 자원, 고객, 인력 등 모든 면에서 앞서기 때문이다.
토론하는 데 걸리는 시간과 만들어서 테스트하는 데 걸리는 시간이 비슷하다면, 그냥 **만들어서 시도해보는 것(just build it and try it)**이 더 낫다.
Perplexity의 초기 투자 이유 중 하나로 엄청난 실행 속도를 꼽는다.
속도 외에 중요한 것은 세일즈 능력(팀원 설득, 투자 유치, 고객 확보 포함)과 명확한 사고 및 방향 설정 능력이다.
https://youtu.be/xcvIGJ3_H_k
YouTube
Elad Gil | Acting on Conviction, Future of AI, Biotech, Ambition, Speed, Non-Obvious Startup Advice
Warp: Don’t let payroll and compliance hold your startup back: visit https://joinwarp.com/peel to get started and receive a $1,000 gift card when you first run payroll.
Get Attio, the next generation of CRM: https://bit.ly/AttioThePeel
Elad Gil is the founder…
Get Attio, the next generation of CRM: https://bit.ly/AttioThePeel
Elad Gil is the founder…
시장 경쟁을 끝내는 결정적 한 수 (Market Ending Moves)
스타트업 CEO는 스스로에게 '어떤 기발한 아이디어가 시장의 경쟁 구도를 완전히 끝내버릴 수 있는 결정적 한 수가 될 수 있을까?'라고 질문해야 합니다.
때때로 시장 내 스타트업들의 경쟁과 관련 질문들을 종식시키는 결정적 한 수가 나타납니다. 단 한 번의 움직임으로 효과적으로 시장을 장악하거나, "시장을 끝낼" 수 있습니다.
시장 경쟁을 끝내는 결정적 한 수에는 다음이 포함될 수 있습니다.
주요 경쟁사와의 합병: 가격 압박을 제거하고 구매자의 선택지를 줄이기 위함입니다. 1990년대 X.com과 페이팔의 합병은 당시 인터넷상의 주요 결제 제공업체들을 통합했습니다. 우버와 리프트는 2010년대 경쟁이 최고조에 달했을 때 거의 합병할 뻔했다는 소문이 있습니다. 소문에 따르면 우버가 이 거래에서 발을 뺐지만, 이후 여러 해외 시장(중국, 러시아 등)에서 자회사를 해당 시장의 주요 업체와 합병하여 합병된 회사의 시장 내 영향력을 높였습니다. 비상장 회사 간의 합병은 회사가 아직 초기 단계일 때, 상장/비상장 회사 인수보다 규제 당국의 승인을 받기가 훨씬 쉽습니다. 그러나 소유권, 리더십, 자존심과 관련된 다른 문제들에 대처해야 합니다[1].
핵심 공급업체 인수: (독점적 데이터, 맞춤형 센서나 부품 등) 다른 경쟁사들이 제품의 핵심 요소를 얻지 못하게 하거나, 자신에게 물량을 우선 배정받거나, 비용 우위를 확보하기 위함입니다.
핵심 유통 계약: IBM이 마이크로소프트의 초기 운영체제(O/S)를 유통하거나 야후!(Yahoo!)가 구글을 유통한 것은 업계에서 "킹메이커(king making)" 역할을 한 두 가지 사례입니다.
경쟁사의 캐시카우(현금 창출원) 파괴: 때로는 기존 경쟁사가 다른 모든 사업 자금을 대는 오래된 캐시카우 사업을 가지고 있을 수 있습니다. 이 사업의 무료 또는 저렴한 버전을 제공하거나, 비즈니스 모델을 변경하여 그들의 현금 흐름을 파괴하는 것은 매우 효과적일 수 있습니다. 이는 일부 생성형 AI(genAI) 제품과 관련하여 구글이 검색/광고 사업에서 우려하는 부분 중 하나입니다[2].
자본: 때로는 막대한 자금을 조달하여 유통망을 사들이거나 네트워크 효과가 있는 시장을 포화시킬 수 있습니다. 틱톡(Tiktok)은 초기에 대규모 트래픽 구매로 유명하며, 구글은 초기 검색 유통에 수십억 달러를 투자했습니다. 현재 최첨단(SOTA) 거대 언어 모델(LLM)은 차세대 거대 모델 개발을 위해 수십억 또는 수백억 달러를 조달할 수 있는 능력 때문에 과점 시장에 상당히 갇혀 있다고 주장할 수 있습니다.
기타 전략: 다른 많은 것들도 가능합니다.
시장 경쟁을 끝내는 결정적 한 수를 생각할 때는 창의력을 발휘하십시오! 말 그대로 어떤 시나리오든 브레인스토밍할 수 있습니다. 대형 상장 회사를 설득하여 핵심 자회사를 분사시킨 후 당신의 회사와 합병하게 할 수 있을까요? 주요 경쟁사와 자존심을 접어두고 힘을 합쳐 모든 것에 대한 경쟁을 멈출 수 있을까요? 넓게 생각하십시오. 비록 실현되지 않더라도, 이는 종종 다른 방식으로는 고려하지 않았을 M&A, 파트너십, 핵심 인재 채용에 대한 중요한 생각을 촉발합니다.
주석
[1] 비상장 회사 간의 합병은 치열한 경쟁사 사이에서는 극도로 어렵기로 알려져 있습니다. 보통 세 가지 주제가 부상합니다 - (a) 합병 후 상대적 지분 소유권, (b) 누가 경영권을 가질 것인가, (c) 한 창업자가 다른 창업자가 자신을 베꼈다고 느끼거나, 험담했다고 느끼는 등의 악감정.
[2] 제 생각에 구글은 (존폐의 위기라기보다는 생존 가능한 수준으로) 잘 전환할 가능성이 높지만, 많은 사람들은 이것이 문제가 될 것이라고 우려합니다.
https://blog.eladgil.com/p/market-ending-moves
스타트업 CEO는 스스로에게 '어떤 기발한 아이디어가 시장의 경쟁 구도를 완전히 끝내버릴 수 있는 결정적 한 수가 될 수 있을까?'라고 질문해야 합니다.
때때로 시장 내 스타트업들의 경쟁과 관련 질문들을 종식시키는 결정적 한 수가 나타납니다. 단 한 번의 움직임으로 효과적으로 시장을 장악하거나, "시장을 끝낼" 수 있습니다.
시장 경쟁을 끝내는 결정적 한 수에는 다음이 포함될 수 있습니다.
주요 경쟁사와의 합병: 가격 압박을 제거하고 구매자의 선택지를 줄이기 위함입니다. 1990년대 X.com과 페이팔의 합병은 당시 인터넷상의 주요 결제 제공업체들을 통합했습니다. 우버와 리프트는 2010년대 경쟁이 최고조에 달했을 때 거의 합병할 뻔했다는 소문이 있습니다. 소문에 따르면 우버가 이 거래에서 발을 뺐지만, 이후 여러 해외 시장(중국, 러시아 등)에서 자회사를 해당 시장의 주요 업체와 합병하여 합병된 회사의 시장 내 영향력을 높였습니다. 비상장 회사 간의 합병은 회사가 아직 초기 단계일 때, 상장/비상장 회사 인수보다 규제 당국의 승인을 받기가 훨씬 쉽습니다. 그러나 소유권, 리더십, 자존심과 관련된 다른 문제들에 대처해야 합니다[1].
핵심 공급업체 인수: (독점적 데이터, 맞춤형 센서나 부품 등) 다른 경쟁사들이 제품의 핵심 요소를 얻지 못하게 하거나, 자신에게 물량을 우선 배정받거나, 비용 우위를 확보하기 위함입니다.
핵심 유통 계약: IBM이 마이크로소프트의 초기 운영체제(O/S)를 유통하거나 야후!(Yahoo!)가 구글을 유통한 것은 업계에서 "킹메이커(king making)" 역할을 한 두 가지 사례입니다.
경쟁사의 캐시카우(현금 창출원) 파괴: 때로는 기존 경쟁사가 다른 모든 사업 자금을 대는 오래된 캐시카우 사업을 가지고 있을 수 있습니다. 이 사업의 무료 또는 저렴한 버전을 제공하거나, 비즈니스 모델을 변경하여 그들의 현금 흐름을 파괴하는 것은 매우 효과적일 수 있습니다. 이는 일부 생성형 AI(genAI) 제품과 관련하여 구글이 검색/광고 사업에서 우려하는 부분 중 하나입니다[2].
자본: 때로는 막대한 자금을 조달하여 유통망을 사들이거나 네트워크 효과가 있는 시장을 포화시킬 수 있습니다. 틱톡(Tiktok)은 초기에 대규모 트래픽 구매로 유명하며, 구글은 초기 검색 유통에 수십억 달러를 투자했습니다. 현재 최첨단(SOTA) 거대 언어 모델(LLM)은 차세대 거대 모델 개발을 위해 수십억 또는 수백억 달러를 조달할 수 있는 능력 때문에 과점 시장에 상당히 갇혀 있다고 주장할 수 있습니다.
기타 전략: 다른 많은 것들도 가능합니다.
시장 경쟁을 끝내는 결정적 한 수를 생각할 때는 창의력을 발휘하십시오! 말 그대로 어떤 시나리오든 브레인스토밍할 수 있습니다. 대형 상장 회사를 설득하여 핵심 자회사를 분사시킨 후 당신의 회사와 합병하게 할 수 있을까요? 주요 경쟁사와 자존심을 접어두고 힘을 합쳐 모든 것에 대한 경쟁을 멈출 수 있을까요? 넓게 생각하십시오. 비록 실현되지 않더라도, 이는 종종 다른 방식으로는 고려하지 않았을 M&A, 파트너십, 핵심 인재 채용에 대한 중요한 생각을 촉발합니다.
주석
[1] 비상장 회사 간의 합병은 치열한 경쟁사 사이에서는 극도로 어렵기로 알려져 있습니다. 보통 세 가지 주제가 부상합니다 - (a) 합병 후 상대적 지분 소유권, (b) 누가 경영권을 가질 것인가, (c) 한 창업자가 다른 창업자가 자신을 베꼈다고 느끼거나, 험담했다고 느끼는 등의 악감정.
[2] 제 생각에 구글은 (존폐의 위기라기보다는 생존 가능한 수준으로) 잘 전환할 가능성이 높지만, 많은 사람들은 이것이 문제가 될 것이라고 우려합니다.
https://blog.eladgil.com/p/market-ending-moves
Eladgil
Market Ending Moves
Startup CEOs should ask themselves what crazy ideas can turn into a move that just ends a market's competitive dynamic
1. 마켓플레이스는 인터넷과 모바일에 큰 변화가 있었다. 인터넷에서는 아마존/이베이 느린 인터넷으로 같이 정보 연결만으로도 가치가 있었던 것 부터 시작해서 모바일 때에는 숙박/여행/교통/중고거래 등 일상에 필요한 많은 업무로 확장되어 갔다. AI덕분에 개인이 원하는 까다로운 조건들을 모두 들어주고 그 조건에 맞는 무언가를 제공할 수 있게되었다. 마켓플레이스를 사용하는 유저의 경험도 바뀔 것 같다.
호텔/비행기를 조건으로 검색하는 것이 아닌 여행계획을 짜는 과정에서 예약하는 서비스들의 등장이 멀지 않았다. 비단 호텔/비행기에만 해당하는 이야기는 아니다.
- SaaS의 발전은 소상공인/골목상권이 적은 비용으로도 합리적으로 운영할 수 있는데 도움(매출관리, 재료 공급 관리, 고객확보/관리 등) 이 많이 되었는데, AI로 이러한 움직임은 더 가속화될 듯하다. 소상공인/1인 창업자들이 더 생겨날 수 있는 다양한 제품들이 나오고있다.
- 소비자 검색 방식이 바뀌면 검색 광고의 형태도 바뀔 것이다.
2. 다이소에서 경험한 것처럼 싸고 가성비 있는 것은 모두가 좋아한다. 소프트웨어 생산 비용이 극단적으로 낮아진다면 1회용 소프트웨어들이 실시간으로 생산되고 소비될 수 있다.
https://twocents.xyz/p/two-cents-72-ai-25-q2-version-agentmcp?fbclid=IwY2xjawJhh2ZleHRuA2FlbQIxMAABHsKqZvjK5PKx2g8OPdI4IFSv8z-K8o7vYJkLmlSphuGKbw8M6sbgGJN9ApBU_aem_SwlTbI8IXD9LIKslabTeLQ
돈 버는 AI 서비스 리스트: https://leanaileaderboard.com/
호텔/비행기를 조건으로 검색하는 것이 아닌 여행계획을 짜는 과정에서 예약하는 서비스들의 등장이 멀지 않았다. 비단 호텔/비행기에만 해당하는 이야기는 아니다.
- SaaS의 발전은 소상공인/골목상권이 적은 비용으로도 합리적으로 운영할 수 있는데 도움(매출관리, 재료 공급 관리, 고객확보/관리 등) 이 많이 되었는데, AI로 이러한 움직임은 더 가속화될 듯하다. 소상공인/1인 창업자들이 더 생겨날 수 있는 다양한 제품들이 나오고있다.
- 소비자 검색 방식이 바뀌면 검색 광고의 형태도 바뀔 것이다.
2. 다이소에서 경험한 것처럼 싸고 가성비 있는 것은 모두가 좋아한다. 소프트웨어 생산 비용이 극단적으로 낮아진다면 1회용 소프트웨어들이 실시간으로 생산되고 소비될 수 있다.
https://twocents.xyz/p/two-cents-72-ai-25-q2-version-agentmcp?fbclid=IwY2xjawJhh2ZleHRuA2FlbQIxMAABHsKqZvjK5PKx2g8OPdI4IFSv8z-K8o7vYJkLmlSphuGKbw8M6sbgGJN9ApBU_aem_SwlTbI8IXD9LIKslabTeLQ
돈 버는 AI 서비스 리스트: https://leanaileaderboard.com/
twocents.xyz
[Two Cents #72] AI 투자 기회에 대하여 좀 더 진화된 생각 (’25 Q2 version) — Agent+MCP, Consumer AI에의 영향, vibe coding, 그리고 "Software as utility"
Agent + MCP
❤1
창의성이란 몇몇 천재들의 전유물인가 아니면 누구나 지렛대로 활용할 수 있는 ‘패턴’이 있는가? 이 책은 이런 질문에 대한 답을 찾아가는 여정을 보여준다. 먼저 저자는 비틀즈의 폴 메커트니가 ‘예스터데이’라는 곡을 꿈에서 들었다는 이야기, 모짜르트가 한 번에 곡을 마구 써내려갔다는 신화등을 예시로 들며 사실 이런 신화들이 신화들일 뿐이며 폴 메커트니는 수년전 자신이 매주 불러야했던 레이 찰스의 노래로부터 익숙한 코드를 물려받았음을 그리고 모짜르트도 매우 반복적이고 고된 과정을 거쳐 오랜 시간을 작곡에 투자했음을 여러 사실관계등을 통해서 입증한다.
오히려 저자가 보기에는 ‘창의성’이라는 것이 하나의 재능으로서 많은 시간을 자신의 성과를 좀 더 향상하기 위해 노력하는 과정에서 만들어지는 것이라고 주장한다. 이러한 주장의 신경학적 근거는 ‘두뇌가소성’이라는 개념으로부터 나온다. 즉, 신경세포는 매일 새롭게 생성되는데(그만큼 죽는데) 지속적인 훈련은 특정 유형의 두뇌를 발달시키며 이것이 창의성이 개발되는 근거가 된다.
창의적인 결과물들을 하나의 사회적 현상이라고 한다면(동시대에 인정받지 못하는 창의적 결과물들은 이 논의에서 제외되어야할 것 같다.) 대중들의 인정이 필요한 것이라고 한다면 ‘친숙하면서도 조금 새로운 것’이 요구된다. 이러한 요구는 인간의 진화 과정에서 낯선 것을 경계하고 익숙해질수록 편안해지는 인류의 경험을 반영하는 것이다. 여러 심리학 실험들은 사람들이 어떤 새로운 것을 점점 더 친숙해질수록 더 선호하지만 너무 친숙해지면 선호가 떨어지는 현상들을 입증하고 있다. 이러한 선호를 시간의 축으로 그려보면 이 책의 영어 제목이기도 한 ‘Creative Curve’가 도출된다. 즉 사람들이 새로운 것을 좋아할때에는 시간이 흐름에 따라 친숙해지는 패턴이 있으며 따라서 ‘창의적인 결과물’이 대중들에세 수용되려면 창작자들은 이런 친숙한 수준을 잘 관찰해서 적절한 시기에 창작물을 제시해야 한다. 너무 빠른 제시는 친숙함이 없어서 거부되며 너무 늦은 제시는 진부해져서 거절된다는 것이다.
그렇다면 어떻게 이런 대중들의 ‘Creative Curve’를 파악하고 지금 곡선의 어디쯤에 있는지를 잘 아는 능력을 가질 수 있는 것인가? 저자는 다음의 네 가지를 ‘창의적인 능력’ 획득의 중요한 요소로 보고 있다.
첫째, 의도적인 엄청난 소비를 통해서 감각을 익혀야 한다. 화가들은 수시로 전시회장을 찾고 세프는 최첨단 식당에서 식사를 하고 농장을 찾는다. 넷플릭스의 테드 사란도스는 비디오 대여점 점원시절 대여점의 모든 비디오를 시청했다.
둘째, 결국 대중들에게 인정받는 새로운 콘텐츠들도 내부적으로는 비슷한 구조들을 가지고 있다. 따라서 이미 성공한 잘 만들어진 거장들의 결과를 ‘모방’함을 통해서 창의적인 능력을 기를 수 있다. 미국 건국의 아버지인 벤자민 프랭클린이 자신의 글쓰기 능력을 키우기 위해 매일 ‘스팩테이터’라는 기사와 같은 수준의 글들을 꾸준히 작성한 것처럼.
셋째, 주변의 창의적 공동체가 도움이 된다. 나에게 가르침을 줄 수 있는 사람(마스터 티쳐), 나와 대등한 입장에서 끊임없이 비판적인 피드백을 줄 수 있는 사람(상충하는 협업자), 혁신에 대한 열정을 공유할 수 있는 사람들(모던 뮤즈), 자신을 대중에게 소개해줄 이미 성공한 사람들(유명 프로모터)
넷째, 창의적인 결과물을 제공하기 위한 끝없는 반복. 벤앤제리스 아이스크림이 매년 6~10종의 새로운 맛을 내기 위해 수십년간 수천개의 재료/맛조합이 각각 ‘Creative Curve’의 어느 선상에 있는지 확인하고 검증하고 선택하는 프로세스를 매일매일 빠짐없이 하듯이.
결론적으로 ‘창의적인 결과물’은 소수의 천재만이 만들 수 있는 것이 아니라 평범한 사람들도 평소에 관련된 결과물들을 엄청나게 많이 소비하면서 감을 만들고 가장 잘 만들어진 것들을 지속적으로 모방하고 주변에 좋은 사람들과의 관계를 유지하고(가르쳐줄 사람, 건강하게 비판해줄 사람, 나의 열정을 계속 북돋아줄사람, 나를 주류 세계에 안내할 사람) 계속해서 결과물을 내기를 반복하면 대중들에게 사랑받는 성공적인 결과물을 만들 수 있다는 것이다.(나를 포함한 모든 평범한 사람들께 희망을!)
강준열님
오히려 저자가 보기에는 ‘창의성’이라는 것이 하나의 재능으로서 많은 시간을 자신의 성과를 좀 더 향상하기 위해 노력하는 과정에서 만들어지는 것이라고 주장한다. 이러한 주장의 신경학적 근거는 ‘두뇌가소성’이라는 개념으로부터 나온다. 즉, 신경세포는 매일 새롭게 생성되는데(그만큼 죽는데) 지속적인 훈련은 특정 유형의 두뇌를 발달시키며 이것이 창의성이 개발되는 근거가 된다.
창의적인 결과물들을 하나의 사회적 현상이라고 한다면(동시대에 인정받지 못하는 창의적 결과물들은 이 논의에서 제외되어야할 것 같다.) 대중들의 인정이 필요한 것이라고 한다면 ‘친숙하면서도 조금 새로운 것’이 요구된다. 이러한 요구는 인간의 진화 과정에서 낯선 것을 경계하고 익숙해질수록 편안해지는 인류의 경험을 반영하는 것이다. 여러 심리학 실험들은 사람들이 어떤 새로운 것을 점점 더 친숙해질수록 더 선호하지만 너무 친숙해지면 선호가 떨어지는 현상들을 입증하고 있다. 이러한 선호를 시간의 축으로 그려보면 이 책의 영어 제목이기도 한 ‘Creative Curve’가 도출된다. 즉 사람들이 새로운 것을 좋아할때에는 시간이 흐름에 따라 친숙해지는 패턴이 있으며 따라서 ‘창의적인 결과물’이 대중들에세 수용되려면 창작자들은 이런 친숙한 수준을 잘 관찰해서 적절한 시기에 창작물을 제시해야 한다. 너무 빠른 제시는 친숙함이 없어서 거부되며 너무 늦은 제시는 진부해져서 거절된다는 것이다.
그렇다면 어떻게 이런 대중들의 ‘Creative Curve’를 파악하고 지금 곡선의 어디쯤에 있는지를 잘 아는 능력을 가질 수 있는 것인가? 저자는 다음의 네 가지를 ‘창의적인 능력’ 획득의 중요한 요소로 보고 있다.
첫째, 의도적인 엄청난 소비를 통해서 감각을 익혀야 한다. 화가들은 수시로 전시회장을 찾고 세프는 최첨단 식당에서 식사를 하고 농장을 찾는다. 넷플릭스의 테드 사란도스는 비디오 대여점 점원시절 대여점의 모든 비디오를 시청했다.
둘째, 결국 대중들에게 인정받는 새로운 콘텐츠들도 내부적으로는 비슷한 구조들을 가지고 있다. 따라서 이미 성공한 잘 만들어진 거장들의 결과를 ‘모방’함을 통해서 창의적인 능력을 기를 수 있다. 미국 건국의 아버지인 벤자민 프랭클린이 자신의 글쓰기 능력을 키우기 위해 매일 ‘스팩테이터’라는 기사와 같은 수준의 글들을 꾸준히 작성한 것처럼.
셋째, 주변의 창의적 공동체가 도움이 된다. 나에게 가르침을 줄 수 있는 사람(마스터 티쳐), 나와 대등한 입장에서 끊임없이 비판적인 피드백을 줄 수 있는 사람(상충하는 협업자), 혁신에 대한 열정을 공유할 수 있는 사람들(모던 뮤즈), 자신을 대중에게 소개해줄 이미 성공한 사람들(유명 프로모터)
넷째, 창의적인 결과물을 제공하기 위한 끝없는 반복. 벤앤제리스 아이스크림이 매년 6~10종의 새로운 맛을 내기 위해 수십년간 수천개의 재료/맛조합이 각각 ‘Creative Curve’의 어느 선상에 있는지 확인하고 검증하고 선택하는 프로세스를 매일매일 빠짐없이 하듯이.
결론적으로 ‘창의적인 결과물’은 소수의 천재만이 만들 수 있는 것이 아니라 평범한 사람들도 평소에 관련된 결과물들을 엄청나게 많이 소비하면서 감을 만들고 가장 잘 만들어진 것들을 지속적으로 모방하고 주변에 좋은 사람들과의 관계를 유지하고(가르쳐줄 사람, 건강하게 비판해줄 사람, 나의 열정을 계속 북돋아줄사람, 나를 주류 세계에 안내할 사람) 계속해서 결과물을 내기를 반복하면 대중들에게 사랑받는 성공적인 결과물을 만들 수 있다는 것이다.(나를 포함한 모든 평범한 사람들께 희망을!)
강준열님
❤4
Forwarded from BZCF | 비즈까페
지금 실리콘밸리에서 가장 많이 공유되고 있는 글 중 하나입니다. 해당 글을 쓴 사람은 안드레 카파시(Andrej Karpathy). OpenAI와 Tesla에서 AI를 이끌었던 인물로, 실리콘밸리에서 가장 영향력 있는 기술 리더 중 한 명입니다. 엔지니어이지만, 이 글에서는 기술의 구조뿐 아니라 그것이 사회에 미치는 영향까지 깊이 있게 통찰합니다. 특히 대규모 언어 모델(LLM)이 기존의 기술 확산 흐름을 정반대로 뒤집고 있다는 지적은 매우 인상 깊고요. 한국어로 빨리 번역해 많은 분들에게 나누고 싶었습니다. 이 글도 누군가 한 분이라도 도움 된다면 기쁠 것 같네요. 멋진 하루 보내시길 바랍니다.
번역 : https://blog.naver.com/bizucafe/223828335649
번역 : https://blog.naver.com/bizucafe/223828335649
NAVER
사람들에게 권력을 (Power to the people)
지금 실리콘밸리에서 가장 많이 공유되고 있는 글 중 하나입니다. 해당 글을 쓴 사람은 안드레 카파시(Andrej Karpathy). OpenAI와 Tesla에서 AI를 이끌었던 인물로, 실리콘밸리에서 가장 영향력 있는 기술 리더 중 한 명입니다. 엔지니어이지만, 이 글에서는 기술의 구조뿐 아니라 그것이 사회에 미치는 영향까지 깊이 있게 통찰합니다. 특히 대규모 언어 모델(LLM)이 기존의 기술 확산 흐름을 정반대로 뒤집고 있다는 지적은 매우 인상 깊고요.…
❤4👍1
구글 클라우드 넥스트 0일차 스피어 이벤트를 보고 왔다. 오랜만에 Sam Witteveen과 David Cardozo를 만나 반가웠는데 그 반가움이 금방 잊혔다. 충격적인 스케일이었다. 라스베가스 스피어 스크린 크기를 직접 경험해본 사람이 아니라면 오늘 본 광경을 제대로 이해하기 어려울 것이다.
구글은 TPU를 갈아 넣어서 거의 백 년 전 영화인 오즈의 마법사를 스피어용 영상으로 변환했다. 초고화질에 초고해상도 음성, 4D 효과까지 더해 16K 해상도의 좌우 270도 상하 120도 영상으로 만들었다. 처음 시작할 때 아주 작은 저화질 화면으로 시작해서 잠시 보여주다가 고화질로 업스케일한 다음, 그 밖을 왕창 그려서 스피어 전체에 펼쳐버렸다. (영상 보며 찍어둔 사진을 아래 올려본다) 원본 영상 바깥은 모두 AI가 그린 것이다. 단순한 업스케일링으로는 그 공간을 채울 수가 없다. 슈퍼 레졸루션과 아웃페인팅 기술로 원본 영상 바깥의 이미지까지 새롭게 그려냈다. 그려낸 부분에서 오리지널 영상의 크기가 1/30 은 차지하고 있을까? 경우에 따라서는 더 작을 것 같다.
이 영상 생성의 디테일을 위해 오즈의 마법사 전체 영화 뿐 아니라, 영화사가 보관하고 있던 영화 촬영시 수집된 다양한 보관 자료를 넣어 veo2 모델을 파인튜닝했다고 한다. 이게 말로는 도저히 설명이 안 되는데, 하나 확실한건 백마디 LLM 채팅보다 한 장면 장면의 임팩트가 더 컸다.
다큐멘터리에서는 화면을 키우면서 (키운다는 표현이 맞는지도 모르겠다 이젠) 화면 밖에 존재해야 했던 캐릭터들을 AI가 어떻게 추론하는지 한참 설명해 주었다. 오즈의 마법사 배우들 각각 특유의 연기 스타일을 반영해 생성하기 위해 어떤 캐릭터가 어떻게 연기하는지 다 별도로 캡처해서 파인튜닝하는 과정, 화면 안에서 밖으로 나가거나 밖에서 안으로 들어오는 캐릭터들의 일관성 유지 방법, 거의 백년 전 테크니컬러 필름의 색감 재현 방식 등. 오즈의 마법사 영화가 영화 기술 면에서 영화사적으로 큰 의미가 있는 작품이라 선택했을텐데, 그래서 그런지 참여한 엔지니어들과 예술가들이 결과물을 너무 사랑하더라.
아래 붙여놓은 사진에서 도로시의 빨간 구두를 예로 들면, AI는 그 구두들의 컨텍스트를 파악한 후 단계적으로 바깥 영역을 그려나간다. 원본 영상을 업스케일한 건 가운데 작은 원 부분뿐이고, 나머지는 전부 AI가 생성한 것이다. 카메라 이동에 따라 다른 부분이 찍히면, 전후 프레임에서 그렇게 지나가며 찍혔던 공간 정보를 참조해서 앞과 뒷 샷에 해당 공간이나 등장인물들을 전부 생성해 그려냈다고 한다. 없던 세계를 만들어낸건데, 어찌보면 없던 세계는 아니기도 한 셈이다.
오늘 보여준 건 제작 과정에 관한 다큐멘터리였고, 완성된 풀 영상은 8월 22일부터 스피어에서 상영할 예정이라고 한다. 다큐멘터리 중간중간에 상영할 실제 스피어 영상을 보여주고 그에 따른 기술 설명과 제작 비화를 이야기해 주는데, 여러 의미로 감탄사가 나왔다. 저게 얼마만큼의 노가다야… 저게 얼마만큼의 자원이야… 이야 저거 파인튜닝 대체 얼마야 같은 감탄사들로 시작했다가, 뒤로 가면 화려함에 좀 넋을 놓고 보고 있게 되었다. 스피어가 해상도가 너무 높아서 일반적인 방법으로는 영상도 못 뿌린다. 하여 영상 전송에 Weka의 GPUDirect Storage를 쓰는데, 저기 뿌릴 이미지를 저정도 프레임으로 그린거면 대체 얼마나 TPU를 굴린것인가…
OpenAI 의 이미지 생성 모델 영향으로 생성 이미지의 스타일과 저작권에 관한 논쟁이 많다. 그런데 그건 인간과 AI가 같은 일을 할 수 있을 때의 이야기다. 이번 데모의 진짜 충격은 사람을 아무리 갈아 넣어도 불가능한 스케일의 예술 복원을 AI로 보여줬다는 점이었다. 인간과 AI의 스타일 경쟁같은건 요새나 잠시 이야기할 수 있는 주제일지도 모르겠다.
인류가 만든 기계장치의 신[1]이 얼마나 많은 전기를 먹는지, 또 우리의 상상력을 얼마나 빨리 소진시킬지는 아직 모르겠다. AI는 항상 미래를 창조할 도구로 생각했는데, 어느새 빛바래어 가는 과거를 문자 그대로 재창조하는 과정을 본다. TPU로 되살린 오즈의 도로시가 에메랄드 시티를 향해 걸어가는 동안, 화려함에 눈이 멀어 잠시 잊고 있던 질문이 숙소로 돌아오는 길에 떠올랐다. 이제 우리는 무엇을 만들 것인가.
[1] Deus ex Machina. 그리스 비극 상연 시대에 급마무리를 처리하는 속편한 방식을 이야기하기도 하지만, 여기서는 그 말의 형식만을 빌려왔다.
신정규님
구글은 TPU를 갈아 넣어서 거의 백 년 전 영화인 오즈의 마법사를 스피어용 영상으로 변환했다. 초고화질에 초고해상도 음성, 4D 효과까지 더해 16K 해상도의 좌우 270도 상하 120도 영상으로 만들었다. 처음 시작할 때 아주 작은 저화질 화면으로 시작해서 잠시 보여주다가 고화질로 업스케일한 다음, 그 밖을 왕창 그려서 스피어 전체에 펼쳐버렸다. (영상 보며 찍어둔 사진을 아래 올려본다) 원본 영상 바깥은 모두 AI가 그린 것이다. 단순한 업스케일링으로는 그 공간을 채울 수가 없다. 슈퍼 레졸루션과 아웃페인팅 기술로 원본 영상 바깥의 이미지까지 새롭게 그려냈다. 그려낸 부분에서 오리지널 영상의 크기가 1/30 은 차지하고 있을까? 경우에 따라서는 더 작을 것 같다.
이 영상 생성의 디테일을 위해 오즈의 마법사 전체 영화 뿐 아니라, 영화사가 보관하고 있던 영화 촬영시 수집된 다양한 보관 자료를 넣어 veo2 모델을 파인튜닝했다고 한다. 이게 말로는 도저히 설명이 안 되는데, 하나 확실한건 백마디 LLM 채팅보다 한 장면 장면의 임팩트가 더 컸다.
다큐멘터리에서는 화면을 키우면서 (키운다는 표현이 맞는지도 모르겠다 이젠) 화면 밖에 존재해야 했던 캐릭터들을 AI가 어떻게 추론하는지 한참 설명해 주었다. 오즈의 마법사 배우들 각각 특유의 연기 스타일을 반영해 생성하기 위해 어떤 캐릭터가 어떻게 연기하는지 다 별도로 캡처해서 파인튜닝하는 과정, 화면 안에서 밖으로 나가거나 밖에서 안으로 들어오는 캐릭터들의 일관성 유지 방법, 거의 백년 전 테크니컬러 필름의 색감 재현 방식 등. 오즈의 마법사 영화가 영화 기술 면에서 영화사적으로 큰 의미가 있는 작품이라 선택했을텐데, 그래서 그런지 참여한 엔지니어들과 예술가들이 결과물을 너무 사랑하더라.
아래 붙여놓은 사진에서 도로시의 빨간 구두를 예로 들면, AI는 그 구두들의 컨텍스트를 파악한 후 단계적으로 바깥 영역을 그려나간다. 원본 영상을 업스케일한 건 가운데 작은 원 부분뿐이고, 나머지는 전부 AI가 생성한 것이다. 카메라 이동에 따라 다른 부분이 찍히면, 전후 프레임에서 그렇게 지나가며 찍혔던 공간 정보를 참조해서 앞과 뒷 샷에 해당 공간이나 등장인물들을 전부 생성해 그려냈다고 한다. 없던 세계를 만들어낸건데, 어찌보면 없던 세계는 아니기도 한 셈이다.
오늘 보여준 건 제작 과정에 관한 다큐멘터리였고, 완성된 풀 영상은 8월 22일부터 스피어에서 상영할 예정이라고 한다. 다큐멘터리 중간중간에 상영할 실제 스피어 영상을 보여주고 그에 따른 기술 설명과 제작 비화를 이야기해 주는데, 여러 의미로 감탄사가 나왔다. 저게 얼마만큼의 노가다야… 저게 얼마만큼의 자원이야… 이야 저거 파인튜닝 대체 얼마야 같은 감탄사들로 시작했다가, 뒤로 가면 화려함에 좀 넋을 놓고 보고 있게 되었다. 스피어가 해상도가 너무 높아서 일반적인 방법으로는 영상도 못 뿌린다. 하여 영상 전송에 Weka의 GPUDirect Storage를 쓰는데, 저기 뿌릴 이미지를 저정도 프레임으로 그린거면 대체 얼마나 TPU를 굴린것인가…
OpenAI 의 이미지 생성 모델 영향으로 생성 이미지의 스타일과 저작권에 관한 논쟁이 많다. 그런데 그건 인간과 AI가 같은 일을 할 수 있을 때의 이야기다. 이번 데모의 진짜 충격은 사람을 아무리 갈아 넣어도 불가능한 스케일의 예술 복원을 AI로 보여줬다는 점이었다. 인간과 AI의 스타일 경쟁같은건 요새나 잠시 이야기할 수 있는 주제일지도 모르겠다.
인류가 만든 기계장치의 신[1]이 얼마나 많은 전기를 먹는지, 또 우리의 상상력을 얼마나 빨리 소진시킬지는 아직 모르겠다. AI는 항상 미래를 창조할 도구로 생각했는데, 어느새 빛바래어 가는 과거를 문자 그대로 재창조하는 과정을 본다. TPU로 되살린 오즈의 도로시가 에메랄드 시티를 향해 걸어가는 동안, 화려함에 눈이 멀어 잠시 잊고 있던 질문이 숙소로 돌아오는 길에 떠올랐다. 이제 우리는 무엇을 만들 것인가.
[1] Deus ex Machina. 그리스 비극 상연 시대에 급마무리를 처리하는 속편한 방식을 이야기하기도 하지만, 여기서는 그 말의 형식만을 빌려왔다.
신정규님
👍3
Forwarded from LS 유통/화장품 오린아 (Lina Oh)
‘K뷰티’ 열풍에 편승해 화장품 유통·판매에 뛰어든 개인사업자와 중소기업이 경쟁 과열로 줄폐업하고 있다. 작년 한 해 시간당 한 개꼴로 약 9000곳이 문을 닫았다.
https://naver.me/5A3DLj3E
https://naver.me/5A3DLj3E
Naver
'묻지마 창업' 후폭풍…K뷰티, 시간당 1곳 폐업
‘K뷰티’ 열풍에 편승해 화장품 유통·판매에 뛰어든 개인사업자와 중소기업이 경쟁 과열로 줄폐업하고 있다. 작년 한 해 시간당 한 개꼴로 약 9000곳이 문을 닫았다. 10일 식품의약품안전처에 따르면 지난해 화장품책임
내 친구가 유명 VC들한테 1억 달러 투자를 받았는데, 이제 몇 주 안에 회사를 접기로 했어.
무슨 일이 있었는지 들어보려고 만나서 얘기했지.
그가 내게 부탁한 건, 자신의 스타트업 경험을 내 링크드인 커뮤니티에 공유해 달라는 거였어.
다른 창업자들에게 조금이라도 도움이 되면 좋겠다고.
그가 7년 가까이 창업 여정을 하면서 가장 후회한 건,
Series A에서 너무 높은 밸류에이션으로 투자를 받은 것이었어.
당시에 여러 VC들로부터 투자 제안을 받았고,
그중 가장 큰 밸류에이션을 제시한 쪽을 선택했지.
유명 VC들이었고, 언론에서도 많이 다뤘고,
다른 창업자들이라면 자랑하고 축하할 만한 순간이었어.
그런데 문제는,
그 과도한 밸류에이션이 너무 큰 기대와 압박으로 돌아왔다는 거야.
결국 후속 투자를 받는 데 큰 걸림돌이 되었고, 자금줄이 끊겼지.
그 와중에 제품 개발이 지연되고,
중요한 인재 영입도 무산되고…
스타트업이라면 겪을 수 있는 평범한 일들이 연달아 터졌어.
사기가 떨어지고, 분위기도 안 좋아지고,
밖에서 보는 시선도 달라졌지.
초기 투자자들 중에는 단기 수익을 노리는 VC들도 있었는데,
그들의 전략은 단순했어.
돈 넣고, 회사 띄우고, 더 높은 밸류에이션에 다음 투자자한테 넘기는 식.
그가 배운 교훈은 이거야.
“밸류에이션이 곧 검증은 아니다.”
그건 그냥 ‘베팅’일 뿐이고,
현실이랑 안 맞으면 아무리 잘 나가던 회사도 무너질 수 있어.
현실적인 밸류에이션,
믿을 수 있는 사람들과 함께,
버텨낼 수 있는 기반을 먼저 잘 다져라.
그게 결국
지속 가능한 성장의 출발점이고,
예측 불가능한 스타트업 여정을 버티게 해주는 힘이라는 거야.
https://www.linkedin.com/posts/miladalucozai_founder-funding-investing-activity-7316071639530553346-uDUE
무슨 일이 있었는지 들어보려고 만나서 얘기했지.
그가 내게 부탁한 건, 자신의 스타트업 경험을 내 링크드인 커뮤니티에 공유해 달라는 거였어.
다른 창업자들에게 조금이라도 도움이 되면 좋겠다고.
그가 7년 가까이 창업 여정을 하면서 가장 후회한 건,
Series A에서 너무 높은 밸류에이션으로 투자를 받은 것이었어.
당시에 여러 VC들로부터 투자 제안을 받았고,
그중 가장 큰 밸류에이션을 제시한 쪽을 선택했지.
유명 VC들이었고, 언론에서도 많이 다뤘고,
다른 창업자들이라면 자랑하고 축하할 만한 순간이었어.
그런데 문제는,
그 과도한 밸류에이션이 너무 큰 기대와 압박으로 돌아왔다는 거야.
결국 후속 투자를 받는 데 큰 걸림돌이 되었고, 자금줄이 끊겼지.
그 와중에 제품 개발이 지연되고,
중요한 인재 영입도 무산되고…
스타트업이라면 겪을 수 있는 평범한 일들이 연달아 터졌어.
사기가 떨어지고, 분위기도 안 좋아지고,
밖에서 보는 시선도 달라졌지.
초기 투자자들 중에는 단기 수익을 노리는 VC들도 있었는데,
그들의 전략은 단순했어.
돈 넣고, 회사 띄우고, 더 높은 밸류에이션에 다음 투자자한테 넘기는 식.
그가 배운 교훈은 이거야.
“밸류에이션이 곧 검증은 아니다.”
그건 그냥 ‘베팅’일 뿐이고,
현실이랑 안 맞으면 아무리 잘 나가던 회사도 무너질 수 있어.
현실적인 밸류에이션,
믿을 수 있는 사람들과 함께,
버텨낼 수 있는 기반을 먼저 잘 다져라.
그게 결국
지속 가능한 성장의 출발점이고,
예측 불가능한 스타트업 여정을 버티게 해주는 힘이라는 거야.
https://www.linkedin.com/posts/miladalucozai_founder-funding-investing-activity-7316071639530553346-uDUE
Linkedin
My friend raised $100 million from well-known VCs and is shutting the company down in the next couple of weeks. | Milad Alucozai…
My friend raised $100 million from well-known VCs and is shutting the company down in the next couple of weeks. I met with him to learn what went wrong.
He asked me to share his recent startup experience with my LinkedIn community, hoping it could benefit…
He asked me to share his recent startup experience with my LinkedIn community, hoping it could benefit…
평생 실행 vs. 학습: Elad는 "평생 학습"보다 "평생 실행"을 믿는다고 말하며, 행동을 통해 배우고 한계나 장애물이 적다고 가정하는 것을 강조합니다.
"무엇이든 가능하다"는 사고방식: 인터뷰어는 Elad가 세상의 경계가 최소화된 방식으로 세상을 탐색한다고 인식합니다. 즉, 어떤 사람이든 만날 수 있고, 어떤 회사든 세울 수 있으며, 어떤 거래든 성사시킬 수 있다는 것입니다.
사고방식의 기원: Elad는 이러한 사고방식이 부분적으로 여러 세대에 걸친 이민자였던 그의 가족 배경에서 비롯되었다고 생각합니다. 새로운 환경에 도착해서 스스로 방법을 찾아내야 했던 경험이, 실패에 대한 과도한 두려움 없이 일단 시도해보는 태도로 이어졌다는 것입니다("최악의 경우가 무엇일까?"). 그는 많은 장벽이 스스로 부과한 것이라고 믿습니다.
사고방식의 핵심 요소:
거절에 대한 두려움 부족: 누군가에게 전화해서 답을 받지 못할 수도 있다는 것을 받아들입니다.
체면을 차리지 않음/뻔뻔함 (Shamelessness): "멍청한" 질문(종종 통찰력 있는 질문으로 밝혀짐)을 기꺼이 하고, 외국어를 배울 때 바보처럼 들리는 것을 감수하며, 외부의 시선에 덜 신경 씁니다.
위험 감수 성향: 실제 최악의 시나리오(종종 미미함)를 평가한 후 기꺼이 어느 정도 위험을 감수합니다.
위험 감수를 막는 요인: 사람마다 위험을 다르게 정의하며(창업, 이직, 승진 요청 등), 배경이나 성별이 자기 인식과 위험 선호도에 영향을 미칠 수 있다고 지적합니다. (남성 게스트와 여성 게스트의 팟캐스트 출연 제안 반응 차이 예시)
커리어 탐색 및 전략
계획 대 반응성: Elad는 덜 계획적인 커리어 경로를 선호하며 존 레논을 인용합니다("인생은 다른 계획을 세우는 동안 일어나는 것이다"). 그는 경력을 진화에서의 "단속 평형설"(안정기 후 변화의 폭발)에 비유합니다. 그 자신의 투자 경력도 친구들이 투자를 요청하면서 반응적으로 시작되었습니다.
시장 요구에 최적화: 즉흥적인 접근 방식의 단점을 인정하면서도, 시장에 반응하는 것이 실제 창업가나 스타트업이 필요로 하는 시장 요구에 최적화할 수 있다고 주장합니다.
선택 가능성(옵션) 확보/유지: Elad는 자신이 시간을 보내는 방식에 유연성을 갖도록 의도적으로 환경을 설정하여, 유기적으로 흥미롭고 영향력 있는 것을 추구할 수 있도록 합니다. 그는 기술을 사랑하며 중요하고 본능적으로 흥미로운 일에 참여하고 싶어합니다.
실리콘밸리에서의 장기적 영향력/생존 (Longevity): 기술 분야처럼 역동적인 환경에서 수십 년 동안 어떻게 관련성을 유지하는지에 대해 고민합니다. 그는 다음과 같은 경로를 제시합니다:
1/ 플랫폼 구축/유지: 주요 회사나 투자 회사를 시작/운영하여 긴 궤적을 확보합니다.
2/ 지속적인 혁신: 몇 년마다 꾸준히 새롭고 흥미로운 일을 시작하거나 수행합니다. (플랫폼과 새로운 일을 모두 하는 엘론 머스크, ARC를 시작한 패트릭 콜리슨 언급).
3/ 최첨단 유지: 기술, 스타트업 등의 최신 동향에 지속적으로 관여합니다.
새로운 일의 이점: 초심자의 마음가짐으로 돌아가고, 더 많은 호기심을 충족시키며, 위대해지는 데 중요한 '참여도(engagement)'를 유지할 수 있게 합니다.
긴 경력 궤적을 가진 사람들의 특징:
1/ 다방면에 박식한(Polymathic) 성향: 인생 초기에 여러 관심사에 깊이 파고드는 경향이 있습니다.
2/ 영향력/흥미 중심 동기 부여: 주로 지위나 돈보다는 차이를 만들거나 지적 호기심에 의해 동기를 부여받습니다 (돈 중심 동기는 결국 불행으로 이어진다고 느낌).
3/ 종종 이른 성공: 많은 경우(전부는 아님) 젊은 나이에 상당한 성취를 이룹니다 (마크 안드레센/넷스케이프 예시).
4/ 공격적이거나 경쟁적인 성향: 어떤 형태로든 이기거나 성취하려는 추진력을 가지고 있습니다.
초기 경력 선택 최적화
나발 라비칸트의 프레임워크 (용병 -> 전도사 -> 예술가):
1/ 초기 경력 (부분적 용병): 초기에 성공하기 위해 어느 정도의 추진력/갈망(자아, 자기 증명, 잠재적으로 돈)이 필요합니다.
2/ 중기 경력 (전도사): 성공 후에는 목적/사명에 의해 움직여야 제로섬이 되지 않고 협력자들을 유지할 수 있습니다.
3/ 후기 경력 (예술가): 일 자체의 즐거움을 위해 일하며, 이는 지속 가능성을 가능하게 합니다.
Elad의 "평생 실행" 재강조: 먼저 모든 것을 배울 필요 없이, 진행하면서 배울 수 있다는 가정 하에 행동함으로써 학습합니다.
회사 합류 시 주요 고려 요소 (특히 초기 경력):
1/ 위치 (클러스터/집적지): 해당 산업의 지리적 중심지로 가야 합니다 (예: AI는 베이 에어리어, 핀테크는 뉴욕, 연기는 할리우드). 인재 밀집, 연결망 구축, 기술 습득이 그곳에서 일어납니다. 기술 분야는 야심찬 경력 구축에 있어 진정한 의미의 '장소 독립적'이지 않습니다.
2/ 시장: 좋은 시장을 선택해야 합니다. 몰락하는 시장(그의 통신 장비 회사 예시)에 있는 것은 치명적일 수 있습니다.
3/ 회사 선택 (성장과 네트워크):
- 성장: 빠르게 성장하는 회사(예: 50명에서 500명)를 우선시해야 합니다. 성장은 초기 직원들에게 엄청난 기회를 창출합니다.
- 네트워크: 강력한 네트워크를 가진 회사에 합류해야 합니다 (예: 페이팔 마피아, 초기 구글). 이러한 네트워크는 미래의 기회(직장, 투자)로 확장됩니다. 고성과 팀은 종종 외부 신호(속도, 공격성, 제품 출시 등)를 보입니다. 승리가 좋은 문화를 만듭니다.
흔한 실수: 사람들이 덜 유망한 회사에서 즉각적인 직책, 특정 상사 또는 더 높은 현금 보상에 현혹되어 시장과 네트워크라는 중요한 장기적 기회비용을 놓칩니다. 실패하는 회사의 지분은 가치가 없습니다.
네트워킹 및 Elad의 접근 방식
Elad의 견해: 자신이 아는 다른 사람들에 비해 자신의 네트워크를 낮춰 평가합니다. 성공한 사람들은 종종 경력 초기에 "자연스럽게 모이며(self-assemble)", 실리콘밸리 같은 곳에 도착한 지 몇 달 만에 미래의 주요 협력자들을 만나는 경우가 있다고 관찰합니다("유유상종"). 많은 분야에서 소수의 사람들이 큰 변화를 주도한다고 믿습니다 (생물학 비유).
자기 평가 및 동기 부여: 스스로에 대한 기준이 높으며 지속적으로 그 기준에 미치지 못한다고 느낀다고 인정합니다. 이는 불행해서가 아니라 "해야 할 일이 훨씬 더 많다"는 느낌 때문입니다. 영향력 극대화에 초점을 맞춥니다. 엘론 머스크처럼 경계를 넓히고 다른 사람들에게 동기를 부여하는 인물들에게 영감을 받는다고 언급하며, 이는 잠재적으로 자기희생을 포함할 수 있습니다.
인생 단계 및 광범위한 영향력 프로젝트
초점 변화: 인생에는 초점 단계/영역이 있다는 아이디어를 언급합니다: 자신 -> 가족 -> 사회 -> 영성.
사회적 영향력: Elad는 항상 사회적 영향력을 고려해왔습니다 (생물학자로 시작, 이후 기술 활용).
현재 프로젝트:
"모뉴멘털 (Monumental)" (가칭): 에펠탑과 같은 역사적 사례를 들며, 미래 세대에게 영감을 주기 위한 대규모 공공 예술 작품/건축물을 만드는 것을 목표로 합니다. 포스트모더니즘이 공공의 아름다움에 대한 집중 부족을 초래했다고 믿습니다. 주조소, 재료(청동, 대리석, 탄소 섬유), 건축가, 개발자들과 협력하여 잠재적으로 수백 피트 규모의 작품을 위한 테스트 부지를 검토 중입니다. 이를 잠재적인 장기적 유산/업적으로 봅니다.
"알렉산드리아 (Alexandria)" (가칭): 저작권이 만료된 약 1000개의 위대한 저작물(철학, 역사 등)을 가져와 AI를 사용하여 세계 인구의 85-90%를 포괄하는 언어로 번역하고, 모든 기기에서 접근 가능한 오디오북을 만드는 프로젝트입니다. 기술적 과제(번역의 뉘앙스, QA)를 탐구합니다.
열망, 동기 부여, 웰빙
유용함을 향한 열망: 자신의 열망을 새로운 "지위(rank)" 달성이 아니라 "유용한 일을 하는 것"으로 규정합니다.
쳇바퀴와 희생: 비즈니스계에는 항상 더 성공한 사람이 있다는 본질을 인정합니다 (아마도 엘론 머스크 제외). 대규모 영향력은 종종 관련된 개인들에게 자기희생과 잠재적으로 불행한 개인사를 수반하지만, 사회 발전을 위해 필요할 수 있다고 인식합니다.
경력 전환점 및 성공/실패 요인
"무엇이든 가능하다"는 사고방식: 인터뷰어는 Elad가 세상의 경계가 최소화된 방식으로 세상을 탐색한다고 인식합니다. 즉, 어떤 사람이든 만날 수 있고, 어떤 회사든 세울 수 있으며, 어떤 거래든 성사시킬 수 있다는 것입니다.
사고방식의 기원: Elad는 이러한 사고방식이 부분적으로 여러 세대에 걸친 이민자였던 그의 가족 배경에서 비롯되었다고 생각합니다. 새로운 환경에 도착해서 스스로 방법을 찾아내야 했던 경험이, 실패에 대한 과도한 두려움 없이 일단 시도해보는 태도로 이어졌다는 것입니다("최악의 경우가 무엇일까?"). 그는 많은 장벽이 스스로 부과한 것이라고 믿습니다.
사고방식의 핵심 요소:
거절에 대한 두려움 부족: 누군가에게 전화해서 답을 받지 못할 수도 있다는 것을 받아들입니다.
체면을 차리지 않음/뻔뻔함 (Shamelessness): "멍청한" 질문(종종 통찰력 있는 질문으로 밝혀짐)을 기꺼이 하고, 외국어를 배울 때 바보처럼 들리는 것을 감수하며, 외부의 시선에 덜 신경 씁니다.
위험 감수 성향: 실제 최악의 시나리오(종종 미미함)를 평가한 후 기꺼이 어느 정도 위험을 감수합니다.
위험 감수를 막는 요인: 사람마다 위험을 다르게 정의하며(창업, 이직, 승진 요청 등), 배경이나 성별이 자기 인식과 위험 선호도에 영향을 미칠 수 있다고 지적합니다. (남성 게스트와 여성 게스트의 팟캐스트 출연 제안 반응 차이 예시)
커리어 탐색 및 전략
계획 대 반응성: Elad는 덜 계획적인 커리어 경로를 선호하며 존 레논을 인용합니다("인생은 다른 계획을 세우는 동안 일어나는 것이다"). 그는 경력을 진화에서의 "단속 평형설"(안정기 후 변화의 폭발)에 비유합니다. 그 자신의 투자 경력도 친구들이 투자를 요청하면서 반응적으로 시작되었습니다.
시장 요구에 최적화: 즉흥적인 접근 방식의 단점을 인정하면서도, 시장에 반응하는 것이 실제 창업가나 스타트업이 필요로 하는 시장 요구에 최적화할 수 있다고 주장합니다.
선택 가능성(옵션) 확보/유지: Elad는 자신이 시간을 보내는 방식에 유연성을 갖도록 의도적으로 환경을 설정하여, 유기적으로 흥미롭고 영향력 있는 것을 추구할 수 있도록 합니다. 그는 기술을 사랑하며 중요하고 본능적으로 흥미로운 일에 참여하고 싶어합니다.
실리콘밸리에서의 장기적 영향력/생존 (Longevity): 기술 분야처럼 역동적인 환경에서 수십 년 동안 어떻게 관련성을 유지하는지에 대해 고민합니다. 그는 다음과 같은 경로를 제시합니다:
1/ 플랫폼 구축/유지: 주요 회사나 투자 회사를 시작/운영하여 긴 궤적을 확보합니다.
2/ 지속적인 혁신: 몇 년마다 꾸준히 새롭고 흥미로운 일을 시작하거나 수행합니다. (플랫폼과 새로운 일을 모두 하는 엘론 머스크, ARC를 시작한 패트릭 콜리슨 언급).
3/ 최첨단 유지: 기술, 스타트업 등의 최신 동향에 지속적으로 관여합니다.
새로운 일의 이점: 초심자의 마음가짐으로 돌아가고, 더 많은 호기심을 충족시키며, 위대해지는 데 중요한 '참여도(engagement)'를 유지할 수 있게 합니다.
긴 경력 궤적을 가진 사람들의 특징:
1/ 다방면에 박식한(Polymathic) 성향: 인생 초기에 여러 관심사에 깊이 파고드는 경향이 있습니다.
2/ 영향력/흥미 중심 동기 부여: 주로 지위나 돈보다는 차이를 만들거나 지적 호기심에 의해 동기를 부여받습니다 (돈 중심 동기는 결국 불행으로 이어진다고 느낌).
3/ 종종 이른 성공: 많은 경우(전부는 아님) 젊은 나이에 상당한 성취를 이룹니다 (마크 안드레센/넷스케이프 예시).
4/ 공격적이거나 경쟁적인 성향: 어떤 형태로든 이기거나 성취하려는 추진력을 가지고 있습니다.
초기 경력 선택 최적화
나발 라비칸트의 프레임워크 (용병 -> 전도사 -> 예술가):
1/ 초기 경력 (부분적 용병): 초기에 성공하기 위해 어느 정도의 추진력/갈망(자아, 자기 증명, 잠재적으로 돈)이 필요합니다.
2/ 중기 경력 (전도사): 성공 후에는 목적/사명에 의해 움직여야 제로섬이 되지 않고 협력자들을 유지할 수 있습니다.
3/ 후기 경력 (예술가): 일 자체의 즐거움을 위해 일하며, 이는 지속 가능성을 가능하게 합니다.
Elad의 "평생 실행" 재강조: 먼저 모든 것을 배울 필요 없이, 진행하면서 배울 수 있다는 가정 하에 행동함으로써 학습합니다.
회사 합류 시 주요 고려 요소 (특히 초기 경력):
1/ 위치 (클러스터/집적지): 해당 산업의 지리적 중심지로 가야 합니다 (예: AI는 베이 에어리어, 핀테크는 뉴욕, 연기는 할리우드). 인재 밀집, 연결망 구축, 기술 습득이 그곳에서 일어납니다. 기술 분야는 야심찬 경력 구축에 있어 진정한 의미의 '장소 독립적'이지 않습니다.
2/ 시장: 좋은 시장을 선택해야 합니다. 몰락하는 시장(그의 통신 장비 회사 예시)에 있는 것은 치명적일 수 있습니다.
3/ 회사 선택 (성장과 네트워크):
- 성장: 빠르게 성장하는 회사(예: 50명에서 500명)를 우선시해야 합니다. 성장은 초기 직원들에게 엄청난 기회를 창출합니다.
- 네트워크: 강력한 네트워크를 가진 회사에 합류해야 합니다 (예: 페이팔 마피아, 초기 구글). 이러한 네트워크는 미래의 기회(직장, 투자)로 확장됩니다. 고성과 팀은 종종 외부 신호(속도, 공격성, 제품 출시 등)를 보입니다. 승리가 좋은 문화를 만듭니다.
흔한 실수: 사람들이 덜 유망한 회사에서 즉각적인 직책, 특정 상사 또는 더 높은 현금 보상에 현혹되어 시장과 네트워크라는 중요한 장기적 기회비용을 놓칩니다. 실패하는 회사의 지분은 가치가 없습니다.
네트워킹 및 Elad의 접근 방식
Elad의 견해: 자신이 아는 다른 사람들에 비해 자신의 네트워크를 낮춰 평가합니다. 성공한 사람들은 종종 경력 초기에 "자연스럽게 모이며(self-assemble)", 실리콘밸리 같은 곳에 도착한 지 몇 달 만에 미래의 주요 협력자들을 만나는 경우가 있다고 관찰합니다("유유상종"). 많은 분야에서 소수의 사람들이 큰 변화를 주도한다고 믿습니다 (생물학 비유).
자기 평가 및 동기 부여: 스스로에 대한 기준이 높으며 지속적으로 그 기준에 미치지 못한다고 느낀다고 인정합니다. 이는 불행해서가 아니라 "해야 할 일이 훨씬 더 많다"는 느낌 때문입니다. 영향력 극대화에 초점을 맞춥니다. 엘론 머스크처럼 경계를 넓히고 다른 사람들에게 동기를 부여하는 인물들에게 영감을 받는다고 언급하며, 이는 잠재적으로 자기희생을 포함할 수 있습니다.
인생 단계 및 광범위한 영향력 프로젝트
초점 변화: 인생에는 초점 단계/영역이 있다는 아이디어를 언급합니다: 자신 -> 가족 -> 사회 -> 영성.
사회적 영향력: Elad는 항상 사회적 영향력을 고려해왔습니다 (생물학자로 시작, 이후 기술 활용).
현재 프로젝트:
"모뉴멘털 (Monumental)" (가칭): 에펠탑과 같은 역사적 사례를 들며, 미래 세대에게 영감을 주기 위한 대규모 공공 예술 작품/건축물을 만드는 것을 목표로 합니다. 포스트모더니즘이 공공의 아름다움에 대한 집중 부족을 초래했다고 믿습니다. 주조소, 재료(청동, 대리석, 탄소 섬유), 건축가, 개발자들과 협력하여 잠재적으로 수백 피트 규모의 작품을 위한 테스트 부지를 검토 중입니다. 이를 잠재적인 장기적 유산/업적으로 봅니다.
"알렉산드리아 (Alexandria)" (가칭): 저작권이 만료된 약 1000개의 위대한 저작물(철학, 역사 등)을 가져와 AI를 사용하여 세계 인구의 85-90%를 포괄하는 언어로 번역하고, 모든 기기에서 접근 가능한 오디오북을 만드는 프로젝트입니다. 기술적 과제(번역의 뉘앙스, QA)를 탐구합니다.
열망, 동기 부여, 웰빙
유용함을 향한 열망: 자신의 열망을 새로운 "지위(rank)" 달성이 아니라 "유용한 일을 하는 것"으로 규정합니다.
쳇바퀴와 희생: 비즈니스계에는 항상 더 성공한 사람이 있다는 본질을 인정합니다 (아마도 엘론 머스크 제외). 대규모 영향력은 종종 관련된 개인들에게 자기희생과 잠재적으로 불행한 개인사를 수반하지만, 사회 발전을 위해 필요할 수 있다고 인식합니다.
경력 전환점 및 성공/실패 요인
❤2👍1
전환점 유형: 경력 전환점(위치, 시장, 회사 선택 - 2~3번의 올바른 선택이 중요)과 인생 전환점(예: 학교 선택 - 네트워크/브랜드 때문에 명문 학교가 여전히 중요하다고 믿음)을 구분합니다.
몬테카를로 시뮬레이션 비유: 사람들의 잠재력을 그들의 인생 시뮬레이션을 여러 번 실행하는 관점에서 봅니다. 어떤 사람들은 가끔 불운에도 불구하고 평균적으로 성공할 가능성이 높지만, 다른 사람들은 운이 필요할 수 있습니다.
성공하지 못하는 이유 진단: 재능 있고 열심히 일하는 일부 사람들이 왜 어려움을 겪는지 진단하기 어렵다고 생각합니다. 운("나쁜 롤"), 잘못된 의사결정 프레임워크, 또는 타고난 특성 불일치(예: 상업적 감각이 부족한 기술 인력 또는 그 반대)일 수 있습니다.
훌륭한 투자자 되기
단일한 정답 없음: 특히 초기 단계에서는 큰 성공 하나가 성공을 정의하기 때문에 훌륭한 투자자가 되는 단일한 "올바른 방법"은 없다고 믿습니다. 성공은 스타일과 단계에 따라 달라집니다.
다양한 스타일: 자신의 Product-Market Fit 중심 접근 방식과 나발 라비칸트의 접근 방식(흥미로운 기술 문제, 함께 일하고 싶은 사람)을 대조합니다.
맞춤형 접근: 젠슨 황의 조직 구조에 대한 견해와 비교합니다 – 조직 구조는 CEO에게 맞춰져야 합니다. 마찬가지로 투자 스타일은 개별 투자자의 강점, 관심사, 창업자와의 협력 방식에 맞춰야 합니다. 다른 성공한 투자자의 방식을 단순히 모방하려 하지 말라고 경고합니다. (역도 선수 대 단거리 선수 비유 사용)
Elad의 시간 관리 및 레버리지
바쁨과 레버리지: 매우 바쁘다는 것을 인정합니다. 자신의 시간을 더 효율적으로 활용(레버리지)하는 데 집중합니다. 핵심 관심사에 시간을 더 할애하기 위해 상당한 인력 채용 계획(덜 중요한 업무의 30-50% 위임 목표)을 가지고 있습니다.
핵심 관심사: 창업자와 직접 협력하고, 기술 및 프로젝트(알렉산드리아, 모뉴멘털 등)에 직접 참여하는 것입니다.
시간 낭비 회피: 핵심 활동 시간을 극대화하기 위해 대부분의 이사회 참여(일부 "조용한(silent)" 참여는 함) 및 내부 회사 정치/회의를 의도적으로 피합니다.
AI 외 분야 투자 및 기회 식별
흥미로운 분야 (생명공학 예시):
생식 생물학: 모든 세포 유형에서 정자/난자를 만드는 세포 분화 기술 (Oven 회사, 쥐 연구 언급). 사회적 영향(출산율, 동성 생식, 잠재적 윤리 문제)이 막대합니다. 왜 더 많은 활동이 없는지 의문을 제기합니다.
치아 재성장: 유전적 경로가 존재하지만 응용이 뒤처져 있습니다.
미용적 노화 방지: 흰머리, 탈모, 주름 – 기본 생물학은 이해되었지만 응용이 필요합니다 (보톡스와 대조).
생명공학의 구조적 문제: 기술 분야와의 차이점(창업자 유형, 제약사 인수를 목표로 하는 자금 조달 경로 등)을 지적합니다.
기회 식별: 현재 주목받는 분야(AI 등)보다는 사회적으로 영향력 있거나 유용하지만 간과되고 있는 분야(에너지, 특정 생명공학 틈새 등)에 초점을 맞춥니다.
시장 타이밍과 테마 투자: 어떤 테마는 맞추고(암호화폐 2016/17, 초기 GenAI) 어떤 테마는 틀렸음(에드테크, 디지털 헬스)을 인정합니다. 테마를 맞추는 것이 종종 개별 승자 선택보다 중요하다고 믿습니다 (솔라나를 놓친 암호화폐 엔젤 투자자 예시). 올바른 테마에서 잘못된 회사를 선택할 수도 있습니다 (소셜 게임 펀드 예시).
단계에 얽매이지 않음: 투자를 "지금 무엇이 좋은가?"의 관점에서 보며 기회에 따라 초점을 이동합니다 (초기 GenAI -> 복리 성장 -> 중기 AI). 창업자들의 "천재 집단 지성(genius hive mind)"을 존중하며 유기적인 딜 플로우와 테마 베팅을 혼합합니다.
창업자 조언 변화: 과거에는 "계속 나아가라"였지만, 지금은 특히 AI와 같은 새로운 플랫폼 전환기에 쉬운 기회(low-hanging fruit)가 존재할 때 막혔다면 "포기하는 것이 나을 수도 있다"고 조언합니다. 쉽고 중요한 문제를 먼저 해결하도록 장려합니다.
https://youtu.be/NkwBD3ueOt4
몬테카를로 시뮬레이션 비유: 사람들의 잠재력을 그들의 인생 시뮬레이션을 여러 번 실행하는 관점에서 봅니다. 어떤 사람들은 가끔 불운에도 불구하고 평균적으로 성공할 가능성이 높지만, 다른 사람들은 운이 필요할 수 있습니다.
성공하지 못하는 이유 진단: 재능 있고 열심히 일하는 일부 사람들이 왜 어려움을 겪는지 진단하기 어렵다고 생각합니다. 운("나쁜 롤"), 잘못된 의사결정 프레임워크, 또는 타고난 특성 불일치(예: 상업적 감각이 부족한 기술 인력 또는 그 반대)일 수 있습니다.
훌륭한 투자자 되기
단일한 정답 없음: 특히 초기 단계에서는 큰 성공 하나가 성공을 정의하기 때문에 훌륭한 투자자가 되는 단일한 "올바른 방법"은 없다고 믿습니다. 성공은 스타일과 단계에 따라 달라집니다.
다양한 스타일: 자신의 Product-Market Fit 중심 접근 방식과 나발 라비칸트의 접근 방식(흥미로운 기술 문제, 함께 일하고 싶은 사람)을 대조합니다.
맞춤형 접근: 젠슨 황의 조직 구조에 대한 견해와 비교합니다 – 조직 구조는 CEO에게 맞춰져야 합니다. 마찬가지로 투자 스타일은 개별 투자자의 강점, 관심사, 창업자와의 협력 방식에 맞춰야 합니다. 다른 성공한 투자자의 방식을 단순히 모방하려 하지 말라고 경고합니다. (역도 선수 대 단거리 선수 비유 사용)
Elad의 시간 관리 및 레버리지
바쁨과 레버리지: 매우 바쁘다는 것을 인정합니다. 자신의 시간을 더 효율적으로 활용(레버리지)하는 데 집중합니다. 핵심 관심사에 시간을 더 할애하기 위해 상당한 인력 채용 계획(덜 중요한 업무의 30-50% 위임 목표)을 가지고 있습니다.
핵심 관심사: 창업자와 직접 협력하고, 기술 및 프로젝트(알렉산드리아, 모뉴멘털 등)에 직접 참여하는 것입니다.
시간 낭비 회피: 핵심 활동 시간을 극대화하기 위해 대부분의 이사회 참여(일부 "조용한(silent)" 참여는 함) 및 내부 회사 정치/회의를 의도적으로 피합니다.
AI 외 분야 투자 및 기회 식별
흥미로운 분야 (생명공학 예시):
생식 생물학: 모든 세포 유형에서 정자/난자를 만드는 세포 분화 기술 (Oven 회사, 쥐 연구 언급). 사회적 영향(출산율, 동성 생식, 잠재적 윤리 문제)이 막대합니다. 왜 더 많은 활동이 없는지 의문을 제기합니다.
치아 재성장: 유전적 경로가 존재하지만 응용이 뒤처져 있습니다.
미용적 노화 방지: 흰머리, 탈모, 주름 – 기본 생물학은 이해되었지만 응용이 필요합니다 (보톡스와 대조).
생명공학의 구조적 문제: 기술 분야와의 차이점(창업자 유형, 제약사 인수를 목표로 하는 자금 조달 경로 등)을 지적합니다.
기회 식별: 현재 주목받는 분야(AI 등)보다는 사회적으로 영향력 있거나 유용하지만 간과되고 있는 분야(에너지, 특정 생명공학 틈새 등)에 초점을 맞춥니다.
시장 타이밍과 테마 투자: 어떤 테마는 맞추고(암호화폐 2016/17, 초기 GenAI) 어떤 테마는 틀렸음(에드테크, 디지털 헬스)을 인정합니다. 테마를 맞추는 것이 종종 개별 승자 선택보다 중요하다고 믿습니다 (솔라나를 놓친 암호화폐 엔젤 투자자 예시). 올바른 테마에서 잘못된 회사를 선택할 수도 있습니다 (소셜 게임 펀드 예시).
단계에 얽매이지 않음: 투자를 "지금 무엇이 좋은가?"의 관점에서 보며 기회에 따라 초점을 이동합니다 (초기 GenAI -> 복리 성장 -> 중기 AI). 창업자들의 "천재 집단 지성(genius hive mind)"을 존중하며 유기적인 딜 플로우와 테마 베팅을 혼합합니다.
창업자 조언 변화: 과거에는 "계속 나아가라"였지만, 지금은 특히 AI와 같은 새로운 플랫폼 전환기에 쉬운 기회(low-hanging fruit)가 존재할 때 막혔다면 "포기하는 것이 나을 수도 있다"고 조언합니다. 쉽고 중요한 문제를 먼저 해결하도록 장려합니다.
https://youtu.be/NkwBD3ueOt4
YouTube
How To Navigate Your Career | Elad Gil
(If you enjoyed this, please like and subscribe!)
It’s always a pleasure to jam with Elad Gil, a serial entrepreneur and a startup investor. As an early leader at Google, Elad helped build the initial mobile team, before founding MixerLabs, which was acquired…
It’s always a pleasure to jam with Elad Gil, a serial entrepreneur and a startup investor. As an early leader at Google, Elad helped build the initial mobile team, before founding MixerLabs, which was acquired…
Forwarded from BZCF | 비즈까페
미국의 제조업 과소평가 (America Underestimates the Difficulty of Bringing Manufacturing Back) 라는 글입니다. 재미있게 읽었습니다. 역시 자신의 경험에 근거한 통찰을 이길 수 있는 것은 없다고 다시 느낍니다. 많은 분들에게 도움이 되시길 바라며 공유합니다.
저는 특히 글에서, 아래 문장이 재미있었습니다.
"마이클 조던은 아마도 역사상 가장 위대한 농구 선수일 것이다. 그는 어릴 적에 야구도 했지만, 농구에서 은퇴한 뒤 야구로 전향했을 때는 마이너리그에서도 평균 정도의 선수였다. 결국 2년 만에 다시 농구로 돌아갔다. 지금 미국도 비슷한 길을 가고 있다. 우리가 잘하던 걸 버리고, 갑자기 낯선 분야로 들어가려 하고 있다. 결과는 뻔하다."
번역 : https://blog.naver.com/bizucafe/223829760894
저는 특히 글에서, 아래 문장이 재미있었습니다.
"마이클 조던은 아마도 역사상 가장 위대한 농구 선수일 것이다. 그는 어릴 적에 야구도 했지만, 농구에서 은퇴한 뒤 야구로 전향했을 때는 마이너리그에서도 평균 정도의 선수였다. 결국 2년 만에 다시 농구로 돌아갔다. 지금 미국도 비슷한 길을 가고 있다. 우리가 잘하던 걸 버리고, 갑자기 낯선 분야로 들어가려 하고 있다. 결과는 뻔하다."
번역 : https://blog.naver.com/bizucafe/223829760894
NAVER
미국의 제조업 과소평가
미국의 제조업 과소평가 (America Underestimates the Difficulty of Bringing Manufacturing Back) 라는 글입니다. 재미있게 읽었습니다. 역시 자신의 경험에 근거한 통찰을 이길 수 있는 것은 없다고 다시 느낍니다. 많은 분들에게 도움이 되시길 바라며 공유합니다.
"발전은 컴퓨팅과 데이터의 결합에서 비롯됩니다.
로봇 공학에서 데이터로 가는 길은 없었습니다.
이제는 앞으로 나아갈 수 있는 길을 만들 수 있다고 말하고 싶지만, 정말 헌신해야 합니다.
더 많은 로봇을 만들고, 더 많은 일을 하고, 더 많은 데이터를 수집하는 등 점진적인 개선 경로를 상상할 수 있습니다.
하지만 로봇을 정말 사랑해야 하고 로봇을 다루는 데 따르는 모든 물리적, 물류적 문제를 해결하려는 의지가 있어야 합니다.
소프트웨어와는 전혀 다릅니다."
https://x.com/i/status/1735416612289933559
로봇 공학에서 데이터로 가는 길은 없었습니다.
이제는 앞으로 나아갈 수 있는 길을 만들 수 있다고 말하고 싶지만, 정말 헌신해야 합니다.
더 많은 로봇을 만들고, 더 많은 일을 하고, 더 많은 데이터를 수집하는 등 점진적인 개선 경로를 상상할 수 있습니다.
하지만 로봇을 정말 사랑해야 하고 로봇을 다루는 데 따르는 모든 물리적, 물류적 문제를 해결하려는 의지가 있어야 합니다.
소프트웨어와는 전혀 다릅니다."
https://x.com/i/status/1735416612289933559
“어느 정도는 직접 로봇이 세상에 나가 학습해야 한다고 과거엔 생각했지만, 최근엔 유튜브 영상 같은 대규모 영상 데이터만으로도 물리적 세계를 상당히 잘 이해하는 모델을 만들 수 있었다. 예컨대 ‘칼로 토마토를 자르는 동작’에서 칼이 토마토를 가르면서 토마토가 분리되는 논리, 손가락 배치는 어떠해야 하는지 등을 AI가 직접 시뮬레이션하듯 습득한다. 이는 로봇에 실제 탑재하기 전부터 물리 직관이 마련되는 셈이다.”
“AI 대형 모델(예: Gemini 등)은 멀티모달이어서 영상·텍스트·오디오 같은 다양한 입력을 처리할 수 있다. 이를 로봇에 탑재하려면 하드웨어 제약(온보드 칩 용량, 연산 속도)이 있는데, 2~3년 뒤면 현재 거대 모델이 로컬 칩 위에 들어갈 수 있을 정도로 반도체가 빨라질 것이다. 그렇게 되면 ‘약간의 로봇 특화 미세 조정’만 거치면 로봇이 손쉽게 물리 세계서도 높은 성능을 낼 것으로 본다.”
https://podcasts.apple.com/us/podcast/demis-hassabis-on-ai-game-theory-multimodality-and/id1677184070?i=1000702834109
“AI 대형 모델(예: Gemini 등)은 멀티모달이어서 영상·텍스트·오디오 같은 다양한 입력을 처리할 수 있다. 이를 로봇에 탑재하려면 하드웨어 제약(온보드 칩 용량, 연산 속도)이 있는데, 2~3년 뒤면 현재 거대 모델이 로컬 칩 위에 들어갈 수 있을 정도로 반도체가 빨라질 것이다. 그렇게 되면 ‘약간의 로봇 특화 미세 조정’만 거치면 로봇이 손쉽게 물리 세계서도 높은 성능을 낼 것으로 본다.”
https://podcasts.apple.com/us/podcast/demis-hassabis-on-ai-game-theory-multimodality-and/id1677184070?i=1000702834109
Apple Podcasts
Demis Hassabis on AI, game theory, multimodality, and the nature of creativity
Podcast Episode · Possible · 04/09/2025 · 57m
1. 기술적 미래는 구체적으로 “어떻게” 실현될지를 선견(先見)하기는 의외로 쉽다.
MIT 미디어랩(1980년대) 구성원들은 당대의 많은 기술(네트워크·터치스크린·스마트폰·가상현실 등)을 정확히 예상했다.
하지만 대부분 너무 이른 시도이거나, 구현·비즈니스 모델을 시기적절히 결합하지 못해 실제로 성공을 거둔 사람은 거의 없었다.
이런 현상은 미디어랩만이 아니라 제너럴 매직(General Magic, 1989~)과 같은 과거 혁신 연구소도 비슷했다:
네트워크화된 미래, 모바일·터치스크린 기기를 구체적으로 잘 내다봤으나, 한 세대 정도 너무 빨랐고 결국 사업적으로 실패.
즉, “올바른 기술적 비전을 가지고도, 타이밍 때문에 대다수가 실패한다”라는 핵심 아이러니가 있다.
2. “아이디어를 꿰뚫어도 타이밍을 틀린다”
SNS
- 소셜 네트워크가 큰 성공을 거둘 거라는 예측은 많았지만, Friendster·MySpace 등이 모두 앞서 시행착오 끝에 사라지고,
- 결과적으로는 “나중에” 나타난 Facebook이 시장을 장악하고 막대한 부를 얻었다.
- 선구자들의 아이디어는 궁극적으로 옳았으나, 시점이 잘못되면 실패하는 전형.
스마트폰
- 제너럴 매직(1980년대 말)·Xerox PARC, 또는 일본 휴대폰 시장 등: 모두 “주머니 속 컴퓨터”가 온다는 걸 알았고 개발했으나,
- 2000년대 중반 이후에야 아이폰·안드로이드가 폭발적 성공을 거둠.
- “고작 몇 년” 차이로 승자와 패자가 갈림.
VR (가상 현실)
- 1980~90년대부터 연구자·정부·기업이 투자를 반복했으나, 당시 하드웨어(해상도, 센서, 지연 등) 비용이 비싸 모두 실패.
- 2010년대 초반, 스마트폰 시장이 대규모로 성장하며 소형 고해상도 디스플레이/센서를 값싸게 대량생산 → 드디어 오큘러스 등 VR 헤드셋이 “성공할 수 있는 시점” 도래.
Pets.com, eToys.com 등 1990년대 닷컴 사례
- “전자상거래는 분명 대세”라는 예측은 옳았으나, 시기가 너무 일러 그 회사들은 망했고, 훗날 아마존 등이 대부분의 이익과 시장을 가져감.
요약하면, “옳은 비전”을 일찍 잡아도, 정확한 시점을 놓치면 ‘유명한 실패’로 기록되고, 운 좋게 시기에 맞춰 실행한 소수만이 대성공을 거둔다.
왜 이런 일이 벌어지는가?
1. 미리 알았다고 성공하는 게 아님
“만약 이 기술이 언젠가 분명히 중요한 역할을 할 걸 미리 예측했다 하더라도,
그 ‘정확한 시점’(비즈니스적 실행 가능성과 대중적 수용 사이의 창)을 맞추는 것은 또 다른 문제다.”
기술정책·시장수요·비용구조(예: 무어의 법칙에 따른 비용 하락) 등 복잡한 외부 요인으로 인해 언제가 최적이 될지 사전에 알기 어렵다.
스타트업은 본질적으로 변동성이 극심
- 좋은 비전+실행력이 있어도 “시기 미스”로 인해 파산하기 쉬움.
- ‘한 해만 빨랐어도 / 몇 년만 더 늦었어도’ 운명이 달라지는 경우가 허다.
중복 발명과 경쟁
- (과학기술사에서 흔히 말하는) “다중발명(Multiple discovery)” 현상이 스타트업에도 동일하게 발생.
- 좋은 아이디어는 동시에 여러 곳에서 시도되므로, 한 회사의 실패로도 그 아이디어 자체가 반드시 틀렸다고 할 수 없고, 언젠가 누군가 성공하기 마련.
- 하지만 “언제”가 문제다.
개인: 극소수 “진짜 시점이 무르익었을 때”에 창업한 창업자만 대박을 낸다. 따라서 대부분의 사업가는 “사후적으로 보면 합리적”인 길을 걷고도 망할 확률이 높다.
사회: 그럼에도 불구하고, 기술 발전 측면에서는 많은 이들이 “이른 시기”에 시도 → 실패 (or 작은 성과) → 다른 이들이 다시 시도 … 식으로 “탐색(Exploration)”을 지속하기에, 결과적으로는 최적시점에 성공케 한다.
이는 강화학습(RL)의 Thompson sampling 비유로 설명할 수 있음:
- 사회 전체가 다양한 아이디어·스타트업을 “우연히” 혹은 “과잉 낙관”으로 시도 → 대다수가 실패해도, 성공 하나가 나오면 엄청난 가치 창출.
- 개인은 “비합리적”으로 보일 수 있지만, 사회 차원에서는 이러한 ‘무모한’ 시도가 유용(집단적 탐색)하다는 것.
연구개발(R&D) 전략
“아직 시기상조”인 것 같더라도 어느 정도 투자를 유지하는 것이 바람직 (미리 기초를 닦아둬야, 시점이 무르익었을 때 즉시 대규모 확대 가능).
“반복해서 실패해온” 아이디어라도, 일정 간격으로 또 시도해보는 식(“주기적 재시도”)이 집단적으론 최적일 수 있음.
왜냐하면 기술/시장 환경이 서서히 바뀌어 어느 순간 갑자기 성공할 때가 나타나기 때문.
https://gwern.net/timing
MIT 미디어랩(1980년대) 구성원들은 당대의 많은 기술(네트워크·터치스크린·스마트폰·가상현실 등)을 정확히 예상했다.
하지만 대부분 너무 이른 시도이거나, 구현·비즈니스 모델을 시기적절히 결합하지 못해 실제로 성공을 거둔 사람은 거의 없었다.
이런 현상은 미디어랩만이 아니라 제너럴 매직(General Magic, 1989~)과 같은 과거 혁신 연구소도 비슷했다:
네트워크화된 미래, 모바일·터치스크린 기기를 구체적으로 잘 내다봤으나, 한 세대 정도 너무 빨랐고 결국 사업적으로 실패.
즉, “올바른 기술적 비전을 가지고도, 타이밍 때문에 대다수가 실패한다”라는 핵심 아이러니가 있다.
2. “아이디어를 꿰뚫어도 타이밍을 틀린다”
SNS
- 소셜 네트워크가 큰 성공을 거둘 거라는 예측은 많았지만, Friendster·MySpace 등이 모두 앞서 시행착오 끝에 사라지고,
- 결과적으로는 “나중에” 나타난 Facebook이 시장을 장악하고 막대한 부를 얻었다.
- 선구자들의 아이디어는 궁극적으로 옳았으나, 시점이 잘못되면 실패하는 전형.
스마트폰
- 제너럴 매직(1980년대 말)·Xerox PARC, 또는 일본 휴대폰 시장 등: 모두 “주머니 속 컴퓨터”가 온다는 걸 알았고 개발했으나,
- 2000년대 중반 이후에야 아이폰·안드로이드가 폭발적 성공을 거둠.
- “고작 몇 년” 차이로 승자와 패자가 갈림.
VR (가상 현실)
- 1980~90년대부터 연구자·정부·기업이 투자를 반복했으나, 당시 하드웨어(해상도, 센서, 지연 등) 비용이 비싸 모두 실패.
- 2010년대 초반, 스마트폰 시장이 대규모로 성장하며 소형 고해상도 디스플레이/센서를 값싸게 대량생산 → 드디어 오큘러스 등 VR 헤드셋이 “성공할 수 있는 시점” 도래.
Pets.com, eToys.com 등 1990년대 닷컴 사례
- “전자상거래는 분명 대세”라는 예측은 옳았으나, 시기가 너무 일러 그 회사들은 망했고, 훗날 아마존 등이 대부분의 이익과 시장을 가져감.
요약하면, “옳은 비전”을 일찍 잡아도, 정확한 시점을 놓치면 ‘유명한 실패’로 기록되고, 운 좋게 시기에 맞춰 실행한 소수만이 대성공을 거둔다.
왜 이런 일이 벌어지는가?
1. 미리 알았다고 성공하는 게 아님
“만약 이 기술이 언젠가 분명히 중요한 역할을 할 걸 미리 예측했다 하더라도,
그 ‘정확한 시점’(비즈니스적 실행 가능성과 대중적 수용 사이의 창)을 맞추는 것은 또 다른 문제다.”
기술정책·시장수요·비용구조(예: 무어의 법칙에 따른 비용 하락) 등 복잡한 외부 요인으로 인해 언제가 최적이 될지 사전에 알기 어렵다.
스타트업은 본질적으로 변동성이 극심
- 좋은 비전+실행력이 있어도 “시기 미스”로 인해 파산하기 쉬움.
- ‘한 해만 빨랐어도 / 몇 년만 더 늦었어도’ 운명이 달라지는 경우가 허다.
중복 발명과 경쟁
- (과학기술사에서 흔히 말하는) “다중발명(Multiple discovery)” 현상이 스타트업에도 동일하게 발생.
- 좋은 아이디어는 동시에 여러 곳에서 시도되므로, 한 회사의 실패로도 그 아이디어 자체가 반드시 틀렸다고 할 수 없고, 언젠가 누군가 성공하기 마련.
- 하지만 “언제”가 문제다.
개인: 극소수 “진짜 시점이 무르익었을 때”에 창업한 창업자만 대박을 낸다. 따라서 대부분의 사업가는 “사후적으로 보면 합리적”인 길을 걷고도 망할 확률이 높다.
사회: 그럼에도 불구하고, 기술 발전 측면에서는 많은 이들이 “이른 시기”에 시도 → 실패 (or 작은 성과) → 다른 이들이 다시 시도 … 식으로 “탐색(Exploration)”을 지속하기에, 결과적으로는 최적시점에 성공케 한다.
이는 강화학습(RL)의 Thompson sampling 비유로 설명할 수 있음:
- 사회 전체가 다양한 아이디어·스타트업을 “우연히” 혹은 “과잉 낙관”으로 시도 → 대다수가 실패해도, 성공 하나가 나오면 엄청난 가치 창출.
- 개인은 “비합리적”으로 보일 수 있지만, 사회 차원에서는 이러한 ‘무모한’ 시도가 유용(집단적 탐색)하다는 것.
연구개발(R&D) 전략
“아직 시기상조”인 것 같더라도 어느 정도 투자를 유지하는 것이 바람직 (미리 기초를 닦아둬야, 시점이 무르익었을 때 즉시 대규모 확대 가능).
“반복해서 실패해온” 아이디어라도, 일정 간격으로 또 시도해보는 식(“주기적 재시도”)이 집단적으론 최적일 수 있음.
왜냐하면 기술/시장 환경이 서서히 바뀌어 어느 순간 갑자기 성공할 때가 나타나기 때문.
https://gwern.net/timing
gwern.net
Timing Technology: Lessons From The Media Lab
Technological developments can be foreseen but the knowledge is largely useless because startups are inherently risky and require optimal timing. A more practical approach is to embrace uncertainty, taking a reinforcement learning perspective.
👍2
보이지 않는 세부 사항 vs. 투명한 세부 사항, 그리고 지적 정체
1. 세부 사항의 중요성: 간단하고 익숙한 일에서는 세부 사항을 간과해도 괜찮을 수 있지만, 어렵고 새로운 일(불가능해 보이는 도전)에서는 성공에 결정적인 세부 사항들을 이해하는 것이 필수적입니다.
- 결정적 세부 사항: 나무의 휨(계산보다 직접 표시하는 것이 정확), 액체의 과열 가능성(산업 공정에서 충전층 사용 필요), 로켓의 연료 무게 차이(재사용 로켓의 정밀한 착륙 궤적 및 엔진 조절 필요) 등 예상치 못한 세부 사항이 핵심이 될 수 있습니다.
세부 사항 인지의 어려움: 중요한 세부 사항은 직접 마주하더라도 즉시 명확하게 보이지 않을 수 있습니다. 그저 혼란스럽고 잡음처럼 느껴질 수 있습니다. (예: 초기 알코올 온도계의 비선형성은 드 뤽의 정밀한 연구 후에야 밝혀짐). 우리는 종종 자신의 접근법이 근본적으로 잘못되었다는 것을 한참 뒤에야 깨닫습니다.
서로 다른 세부 사항 인지: 사람마다 중요하게 인식하는 세부 사항이 다릅니다. 저자는 아버지와 계단을 만들 때, 자신은 삼각법으로 각도를 계산하는 것의 어려움을 보았고, 아버지는 나무의 휨 같은 실질적인 문제를 보았습니다. 서로가 중요하게 생각하는 세부 사항을 이해하고 소통하지 못해 몇 시간 동안 갈등했습니다.
'지적 정체(Stuck)' 메커니즘:
1. 인지 전: 중요한 세부 사항은 기본적으로 보이지 않습니다(invisible). 무엇을 찾아야 할지 모르기 때문에 주의를 기울이기 어렵습니다.
2. 인지 후: 중요한 세부 사항은 빠르게 세상에 대한 직관적 모델에 통합되어 투명하게(transparent) 느껴지고 너무나 명백해집니다. 자전거 타기나 운전을 배울 때 결정적이었던 통찰을 기억하기 어려운 것처럼, 자신이 잘하는 분야의 핵심 세부 사항들도 당연하게 여겨집니다.
3. 결과: 현재의 관점과 사고방식에 갇히기(stuck) 매우 쉽습니다. 아직 인지하지 못한 중요한 세부 사항은 보이지 않고, 이미 인지한 세부 사항은 너무나 당연해서 그냥 지나칩니다. 이 때문에 자신이 무언가 중요한 것을 놓치고 있을 수 있다는 사실 자체를 상상하기 어렵습니다.
4. 예시: 특정 신념(예: 기후 변화 회의론자 또는 과학자)을 가진 사람에게 "무엇이 당신의 생각을 바꿀 수 있는가?"라고 물으면, 그들은 "내 편의 데이터가 모두 조작되었다면"과 같은 극단적인 증거를 요구합니다. 자신의 편에서 나타나는 수많은 중요한 오류나 동료들의 회피 같은, 훨씬 가능성 높은 시나리오를 주의 깊게 보려 하지 않습니다.
어려운 도전에 대한 함의: 불가능해 보이는 일을 시도하고 있다면, 이 '정체' 효과는 매우 경계해야 합니다. 바로 지금, 눈앞에 증거가 있음에도 불구하고 그것을 보지 못하고 지적으로 갇혀 있을 수 있다는 의미이기 때문입니다.
해결 방향: 쉽지 않지만 개선은 가능합니다. 평소에는 주목하지 않을 세상의 세부 사항을 의식적으로 찾고 인지하려 노력해야 합니다. 산책하며 꽃의 예상치 못한 디테일이나 도로 포장 방식의 의미를 관찰하고, 똑똑하지만 의견이 다른 사람과 대화하며 그들이 중요하게 생각하는 세부 사항과 이유를 파악하고, 업무 중 사소해 보였던 동료의 지적이 실제 성과에 미친 영향을 인지하고, 배우면서 어떤 세부 사항이 실제로 자신의 생각을 바꾸는지 주목해야 합니다.
"정체되고 싶지 않다면, 아직 인지하지 못한 것을 인지하려 노력하라." 현실의 깊이 있는 세부 사항에 주의를 기울이고, 자신의 관점에 갇히지 않으려는 의식적인 노력이 중요합니다.
http://johnsalvatier.org/blog/2017/reality-has-a-surprising-amount-of-detail
1. 세부 사항의 중요성: 간단하고 익숙한 일에서는 세부 사항을 간과해도 괜찮을 수 있지만, 어렵고 새로운 일(불가능해 보이는 도전)에서는 성공에 결정적인 세부 사항들을 이해하는 것이 필수적입니다.
- 결정적 세부 사항: 나무의 휨(계산보다 직접 표시하는 것이 정확), 액체의 과열 가능성(산업 공정에서 충전층 사용 필요), 로켓의 연료 무게 차이(재사용 로켓의 정밀한 착륙 궤적 및 엔진 조절 필요) 등 예상치 못한 세부 사항이 핵심이 될 수 있습니다.
세부 사항 인지의 어려움: 중요한 세부 사항은 직접 마주하더라도 즉시 명확하게 보이지 않을 수 있습니다. 그저 혼란스럽고 잡음처럼 느껴질 수 있습니다. (예: 초기 알코올 온도계의 비선형성은 드 뤽의 정밀한 연구 후에야 밝혀짐). 우리는 종종 자신의 접근법이 근본적으로 잘못되었다는 것을 한참 뒤에야 깨닫습니다.
서로 다른 세부 사항 인지: 사람마다 중요하게 인식하는 세부 사항이 다릅니다. 저자는 아버지와 계단을 만들 때, 자신은 삼각법으로 각도를 계산하는 것의 어려움을 보았고, 아버지는 나무의 휨 같은 실질적인 문제를 보았습니다. 서로가 중요하게 생각하는 세부 사항을 이해하고 소통하지 못해 몇 시간 동안 갈등했습니다.
'지적 정체(Stuck)' 메커니즘:
1. 인지 전: 중요한 세부 사항은 기본적으로 보이지 않습니다(invisible). 무엇을 찾아야 할지 모르기 때문에 주의를 기울이기 어렵습니다.
2. 인지 후: 중요한 세부 사항은 빠르게 세상에 대한 직관적 모델에 통합되어 투명하게(transparent) 느껴지고 너무나 명백해집니다. 자전거 타기나 운전을 배울 때 결정적이었던 통찰을 기억하기 어려운 것처럼, 자신이 잘하는 분야의 핵심 세부 사항들도 당연하게 여겨집니다.
3. 결과: 현재의 관점과 사고방식에 갇히기(stuck) 매우 쉽습니다. 아직 인지하지 못한 중요한 세부 사항은 보이지 않고, 이미 인지한 세부 사항은 너무나 당연해서 그냥 지나칩니다. 이 때문에 자신이 무언가 중요한 것을 놓치고 있을 수 있다는 사실 자체를 상상하기 어렵습니다.
4. 예시: 특정 신념(예: 기후 변화 회의론자 또는 과학자)을 가진 사람에게 "무엇이 당신의 생각을 바꿀 수 있는가?"라고 물으면, 그들은 "내 편의 데이터가 모두 조작되었다면"과 같은 극단적인 증거를 요구합니다. 자신의 편에서 나타나는 수많은 중요한 오류나 동료들의 회피 같은, 훨씬 가능성 높은 시나리오를 주의 깊게 보려 하지 않습니다.
어려운 도전에 대한 함의: 불가능해 보이는 일을 시도하고 있다면, 이 '정체' 효과는 매우 경계해야 합니다. 바로 지금, 눈앞에 증거가 있음에도 불구하고 그것을 보지 못하고 지적으로 갇혀 있을 수 있다는 의미이기 때문입니다.
해결 방향: 쉽지 않지만 개선은 가능합니다. 평소에는 주목하지 않을 세상의 세부 사항을 의식적으로 찾고 인지하려 노력해야 합니다. 산책하며 꽃의 예상치 못한 디테일이나 도로 포장 방식의 의미를 관찰하고, 똑똑하지만 의견이 다른 사람과 대화하며 그들이 중요하게 생각하는 세부 사항과 이유를 파악하고, 업무 중 사소해 보였던 동료의 지적이 실제 성과에 미친 영향을 인지하고, 배우면서 어떤 세부 사항이 실제로 자신의 생각을 바꾸는지 주목해야 합니다.
"정체되고 싶지 않다면, 아직 인지하지 못한 것을 인지하려 노력하라." 현실의 깊이 있는 세부 사항에 주의를 기울이고, 자신의 관점에 갇히지 않으려는 의식적인 노력이 중요합니다.
http://johnsalvatier.org/blog/2017/reality-has-a-surprising-amount-of-detail
👍1
모든 AI 소프트웨어는 로보틱스 소프트웨어로 수렴한다
현실: 많은 AI 인재들이 로보틱스를 최우선 진로로 고려하지 않음 (과거 로봇 비즈니스의 낮은 수익률 때문으로 추정). 챗봇, 생성 AI 등 더 매력적이고 자금 조달이 쉬운 순수 소프트웨어 분야가 많음.
순수 소프트웨어 vs. 로보틱스:
- 소프트웨어: 예측 가능한 비트의 세계. 데이터 무결성 보장, API 신뢰성 높음 (실패 모드 사전 인지 가능).
- 로보틱스: 본질적으로 알 수 없는(unknown) 물리 세계(엔트로피 소스)를 다룸. 미래 센서 관찰, 로봇 위치, 접촉 결과, 행동 결과(스위치 작동 여부 등) 모두 불확실. 작은 불확실성이 빠르게 전파되어 예측 불가능한 실패(로봇 발작 등)로 이어짐.
수렴 이유: AI 소프트웨어(챗봇, 에이전트 등)가 고객 지원, Uber 호출 등 현실 세계와 접점을 가지기 시작하면, 로보틱스가 오늘날 직면하는 동일한 엔지니어링 문제(엔트로피 처리, 불확실성 관리)에 부딪힘. 물리적 로봇을 만들지 않더라도, 코드베이스는 현대 로보틱스 스택(확장 가능한 데이터 로더, 로깅 인프라, 데이터의 시간적 인과성 처리 등)과 유사해짐.
공유되는 도전 과제 (표): 로보틱스와 LLM/생성 AI가 공유하는 문제들:
1. 로깅/검색: 대규모 자율 수집 데이터 저장/인덱싱/쿼리 (로봇 비디오 토큰 vs LLM 토큰). 토큰 과다/부족 문제.
2. 신뢰도 교정: 모델이 주어진 상황을 처리할 수 있는지 판단 (로봇 작업 성공률 vs LLM 답변 사실성).
3. 시뮬레이션/탐색: 행동의 결과를 미리 예측 (로봇 물리적 결과 vs LLM 추론). 시뮬레이션 충실도 부족 vs LLM 추론 능력 한계.
4. 자기 개선: 실제 상호작용으로부터 학습 (로봇 데이터 엔진 구축 vs LLM 피드백 최적화). 평가 모호성 문제.
결론: 이러한 문제들은 해결 가능하며, 액추에이터 하드웨어, 전자기 간섭, 물리적 안전 문제를 다루지 않더라도 로보틱스 + 연구 엔지니어링 기술은 로봇 제어를 넘어 미래 모든 소프트웨어의 핵심이 될 것이다.
함의: 만약 로보틱스와 LLM의 엔지니어링/인프라 문제가 동일하다면, 비-체화된 AGI와 로봇 AGI는 거의 동시에 실현될 것이다. 하드웨어는 준비되었고, 필요한 연구 조각들은 지난 10년간 발표된 논문들에 이미 존재한다.
로보틱스 발전 속도: 많은 이들이 수십 년 걸릴 것이라 생각하지만, ChatGPT처럼 로보틱스 혁명도 **"하룻밤 사이"**에 일어날 수 있다. 이는 컴퓨팅 자체를 변화시킬 것 (세상=컴퓨터 메모리, 로봇=물리 현실 API). 누구나 노트북으로 숲 가꾸기, 공장 건설 등이 가능해질 수 있다. 로봇이 물리현상을 이해하는 API가 될 것.
로봇 보급 전략 (3가지):
1. 소프트웨어 전용 ("전능한 두뇌"): 최고의 AI 두뇌를 만들어 하드웨어 업체에 API 라이선스 판매 (예: OpenAI GPT-4). 장점: 높은 마진, 데이터 접근. 단점: 파트너/고객의 데이터 공유 거부감, 느린 파이프라인.
2. 좁은 영역 수직 통합: 특정 분야(잔디깎이, 지게차) 하드웨어+소프트웨어 통합. 장점: 현재 주류 로봇 비즈니스 모델. 단점: 틈새 시장 탈피 및 범용화 어려움.
3. 범용 수직 통합: 범용 하드웨어+소프트웨어+사용 사례 (예: 1X, Figure, Tesla). 장점: 무한한 시장 규모(TAM). 단점: 아직 아무도 해결 못 함.
파운데이션 모델 훈련: 거대 모델 훈련 비용이 기하급수적으로 증가함에 따라, 가장 큰 모델은 한 번만 훈련 가능 ("베이스 모델"). 모든 후속 능력은 이 베이스 모델에서 파생되어야 하므로, 베이스 모델은 모든 가능한 다운스트림 작업을 위해 완전한 생성 모델(generative model)(예: 자기회귀 예측, 확산 모델)로 훈련되어야 함. 특정 조건부 모델링(예: 비디오→행동 예측)에 예산을 집중하면 범용성이 떨어질 수 있음.
스타트업 경제학: GPU 비용을 마진으로 전환하는 것은 (암호화폐 채굴 외) 여전히 불확실. 최근 2년간 자체 모델 훈련에 거액을 투자한 스타트업들은 현재 무료/저렴하게 얻을 수 있는 것에 막대한 비용 지불. 대규모 스케일업은 낮은 컴퓨팅 비용을 가진 플레이어(예: 버크셔 해서웨이의 보험 유동 자금 투자)에게 유리. 대부분의 성공적인 스타트업은 오픈소스 모델을 현명하게 활용할 것. (Google RankBrain 성공 이전에 검색 비즈니스 구축이 필요했음을 상기)
자율주행차 (AV): 현 AV 기업들에서 많은 이탈 예상. 동시에, 지금이 새로운 AV 기업을 시작하기 가장 좋은 시기이기도 함.
AI 인재 보상: FAANG 등 AI 기업 보상이 2년 전보다 훨씬 높아짐 (박사 과정생이 7자리 연봉 요구).
https://evjang.com/2024/03/03/all-roads-robots.html
현실: 많은 AI 인재들이 로보틱스를 최우선 진로로 고려하지 않음 (과거 로봇 비즈니스의 낮은 수익률 때문으로 추정). 챗봇, 생성 AI 등 더 매력적이고 자금 조달이 쉬운 순수 소프트웨어 분야가 많음.
순수 소프트웨어 vs. 로보틱스:
- 소프트웨어: 예측 가능한 비트의 세계. 데이터 무결성 보장, API 신뢰성 높음 (실패 모드 사전 인지 가능).
- 로보틱스: 본질적으로 알 수 없는(unknown) 물리 세계(엔트로피 소스)를 다룸. 미래 센서 관찰, 로봇 위치, 접촉 결과, 행동 결과(스위치 작동 여부 등) 모두 불확실. 작은 불확실성이 빠르게 전파되어 예측 불가능한 실패(로봇 발작 등)로 이어짐.
수렴 이유: AI 소프트웨어(챗봇, 에이전트 등)가 고객 지원, Uber 호출 등 현실 세계와 접점을 가지기 시작하면, 로보틱스가 오늘날 직면하는 동일한 엔지니어링 문제(엔트로피 처리, 불확실성 관리)에 부딪힘. 물리적 로봇을 만들지 않더라도, 코드베이스는 현대 로보틱스 스택(확장 가능한 데이터 로더, 로깅 인프라, 데이터의 시간적 인과성 처리 등)과 유사해짐.
공유되는 도전 과제 (표): 로보틱스와 LLM/생성 AI가 공유하는 문제들:
1. 로깅/검색: 대규모 자율 수집 데이터 저장/인덱싱/쿼리 (로봇 비디오 토큰 vs LLM 토큰). 토큰 과다/부족 문제.
2. 신뢰도 교정: 모델이 주어진 상황을 처리할 수 있는지 판단 (로봇 작업 성공률 vs LLM 답변 사실성).
3. 시뮬레이션/탐색: 행동의 결과를 미리 예측 (로봇 물리적 결과 vs LLM 추론). 시뮬레이션 충실도 부족 vs LLM 추론 능력 한계.
4. 자기 개선: 실제 상호작용으로부터 학습 (로봇 데이터 엔진 구축 vs LLM 피드백 최적화). 평가 모호성 문제.
결론: 이러한 문제들은 해결 가능하며, 액추에이터 하드웨어, 전자기 간섭, 물리적 안전 문제를 다루지 않더라도 로보틱스 + 연구 엔지니어링 기술은 로봇 제어를 넘어 미래 모든 소프트웨어의 핵심이 될 것이다.
함의: 만약 로보틱스와 LLM의 엔지니어링/인프라 문제가 동일하다면, 비-체화된 AGI와 로봇 AGI는 거의 동시에 실현될 것이다. 하드웨어는 준비되었고, 필요한 연구 조각들은 지난 10년간 발표된 논문들에 이미 존재한다.
로보틱스 발전 속도: 많은 이들이 수십 년 걸릴 것이라 생각하지만, ChatGPT처럼 로보틱스 혁명도 **"하룻밤 사이"**에 일어날 수 있다. 이는 컴퓨팅 자체를 변화시킬 것 (세상=컴퓨터 메모리, 로봇=물리 현실 API). 누구나 노트북으로 숲 가꾸기, 공장 건설 등이 가능해질 수 있다. 로봇이 물리현상을 이해하는 API가 될 것.
로봇 보급 전략 (3가지):
1. 소프트웨어 전용 ("전능한 두뇌"): 최고의 AI 두뇌를 만들어 하드웨어 업체에 API 라이선스 판매 (예: OpenAI GPT-4). 장점: 높은 마진, 데이터 접근. 단점: 파트너/고객의 데이터 공유 거부감, 느린 파이프라인.
2. 좁은 영역 수직 통합: 특정 분야(잔디깎이, 지게차) 하드웨어+소프트웨어 통합. 장점: 현재 주류 로봇 비즈니스 모델. 단점: 틈새 시장 탈피 및 범용화 어려움.
3. 범용 수직 통합: 범용 하드웨어+소프트웨어+사용 사례 (예: 1X, Figure, Tesla). 장점: 무한한 시장 규모(TAM). 단점: 아직 아무도 해결 못 함.
파운데이션 모델 훈련: 거대 모델 훈련 비용이 기하급수적으로 증가함에 따라, 가장 큰 모델은 한 번만 훈련 가능 ("베이스 모델"). 모든 후속 능력은 이 베이스 모델에서 파생되어야 하므로, 베이스 모델은 모든 가능한 다운스트림 작업을 위해 완전한 생성 모델(generative model)(예: 자기회귀 예측, 확산 모델)로 훈련되어야 함. 특정 조건부 모델링(예: 비디오→행동 예측)에 예산을 집중하면 범용성이 떨어질 수 있음.
스타트업 경제학: GPU 비용을 마진으로 전환하는 것은 (암호화폐 채굴 외) 여전히 불확실. 최근 2년간 자체 모델 훈련에 거액을 투자한 스타트업들은 현재 무료/저렴하게 얻을 수 있는 것에 막대한 비용 지불. 대규모 스케일업은 낮은 컴퓨팅 비용을 가진 플레이어(예: 버크셔 해서웨이의 보험 유동 자금 투자)에게 유리. 대부분의 성공적인 스타트업은 오픈소스 모델을 현명하게 활용할 것. (Google RankBrain 성공 이전에 검색 비즈니스 구축이 필요했음을 상기)
자율주행차 (AV): 현 AV 기업들에서 많은 이탈 예상. 동시에, 지금이 새로운 AV 기업을 시작하기 가장 좋은 시기이기도 함.
AI 인재 보상: FAANG 등 AI 기업 보상이 2년 전보다 훨씬 높아짐 (박사 과정생이 7자리 연봉 요구).
https://evjang.com/2024/03/03/all-roads-robots.html
Eric Jang
All Roads Lead to Robotics
robot [ roh-bot ] (noun)
❤1