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

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

"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

“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

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

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

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

산업혁명은 ‘만들어내야’ 일어난다
흔히 산업혁명(technological revolution)은 자연스럽게 ‘일어나는’ 현상으로 여기지만, 실제 역사는 그렇지 않음.
영국·미국 등 역사적으로 성공한 선진국 사례를 보면, 정부(의회)와 기업가, 기술자들이 특정한 제도·정책적 개입으로 산업혁명을 “일으킨” 경우가 대부분.
즉, 단순히 시장에만 맡겨선 안 되고, 초기 단계에선 반칙으로 보일 정도의 개입·보호·규제가 등장해 왔다.

영국 사례: 법·의회를 통한 “반칙”으로 모직·면직 산업 일으키기

1. 양모 수출 금지와 모직물 산업 육성
- 17~18세기 영국은 네덜란드 등지에 양모를 수출하면, 타국이 모직물로 가공해 더 큰 이윤을 얻는 구조였음.
- 영국은 이를 막고 국내에서 직접 가공하도록 “양모 수출 금지법” → 이어서 **“반제품(실 등) 수출 금지법”**도 제정하여 부가가치가 큰 완제품을 영국 내에서 만들도록 함.
- 그 결과, 영국 모직물 산업이 부흥.

2. 면직물(인도산) 수입 금지 → 국내 면직물 산업 부상
- 인도 캘커타산 면직물(“캘리코”)이 영국으로 들어와 폭발적 인기를 끌자, 국내 모직 산업이 타격받음.
- 영국은 아예 **“면직물 수입 금지”**를 넘어서 **“면직물 착용 금지법(1721년)”**까지 제정.
- 옷을 입고 다니면 현장에서 찢어버리고 잡아가둘 정도로 극단적 보호정책 시행.
- 그 결과 인도(수공 면직)는 쇠퇴하고, 영국 내 기계 기반 면직물 산업(산업혁명 초기)이 떠오름.

특허 연장: 제임스 와트 사례
증기기관(뉴커먼 → 와트)가 발전하려면 막대한 자금·오랜 투자 필요.
특허 보호 기간(14년)이 중간에 대부분 지났으니 투자 매력이 떨어지자, 와트와 사업가 매튜 볼튼이 의회에 ‘특허 연장’ 청원.
의회에서 논쟁 끝에 “추가 20년 연장” 통과 → 장기간 특허로 안정적 투자 가능 → 증기기관 상업화 성공.
이것이 영국 산업혁명의 결정적 기반이 됨.

정리
영국은 각종 금지·규제·특허 연장 등 “경제 외적(공권력) 개입”을 적극 활용해 모직·면직·증기기관 등 핵심 산업을 육성했고, 이로써 세계 최초 ‘산업혁명’을 주도함.

미국 사례: 고관세·남북전쟁 배경이 된 산업 보호
1. 남북전쟁의 경제적 실체
- 미국은 독립했어도 여전히 영국 제조업(면직물 등)에 의존하는 ‘경제적 식민지’ 상태였음.
- 북부는 제조·공장 지향, 남부는 대농장(목화) → 영국이 비싼 면직 완제품을 파는 구조 지속.
- 미국 대통령 링컨 시절, “모릴 관세법”(관세율 최대 50% 이상) 제정 → 유럽산 완제품 가격이 폭등.
- 북부 제조업은 보호받아 번창, 남부 농장(목화 수출)은 보복관세로 타격 → 이것이 **남북전쟁(1861~65)**의 직접적 원인 중 하나.

2. 관세정책으로 공업화 달성
- 남북전쟁은 엄청난 인명 손실(청년 남성 60만 명 사망)이라는 대가를 치름.
- 하지만 그 결과, 미국은 북부 중심의 대공업 체제를 확립 → 2차 산업혁명 주도.
- 즉, “고관세”라는 경제 외적 보호 장치가 미국 제조업 기틀 마련.

미국 또한 보호관세 등으로 자국 제조업을 육성 → ‘후발’에서 ‘최강대국’이 됨. 남북전쟁은 그 과정에서 벌어진 극단적 갈등.

“반칙처럼 보이는 정책”이 실제 산업혁명 원동력
- 영국·미국 모두 “자유무역”을 부르짖기 전, 후발 주자 시절에는 금지·관세·특허연장 등 각종 수단으로 자기 산업을 보호·육성.
- 성공한 뒤엔 “이제부터는 자유무역!”이라 하며 사다리를 걷어차는 식.
- 이는 독일, 일본, 한국, 중국도 유사 모델을 밟아 “산업 일으키기 → 선진국(또는 강대국)” 과정을 구현.

즉, 인류 역사에서 산업혁명(또는 기술혁명)으로 선진국이 된 사례는 대체로 이런 **경제 외적 개입(‘반칙’)**이 함께했다.

https://youtu.be/RY74R9aRJNA

한국 저출산 상황의 심각성
1. 출산율 0.6대
- 2022년 4분기 합계출산율이 0.6까지 떨어짐(세계 최저).
- OECD 평균(1.6)이나 일본(1 이상)보다 훨씬 낮아 ‘인구 소멸’ 우려가 제기됨.

2. 이전 정부들의 막대한 예산 투입
- 2006년 이래 약 380조 원의 예산을 쏟았으나, 출산율 하락은 속수무책.
- “밑빠진 독에 물붓기”처럼 정책 효과가 미미.

3. 세계적 비관 시각
- 해외 인구학자들이 “한국은 세계에서 가장 빨리 소멸할 국가” 혹은 “집단자살 사회”라고 할 정도로 우려.
- 그러나 국내에선 체감·대응이 미흡하다는 지적.

인구 구조 변화와 문명사적 관점
1. 농업사회 → 산업사회 전환
- 농업사회 시절에는 유아 사망률이 높고, 평균수명이 30세 전후였기에 많이 낳아야 유지 가능.
- 산업혁명으로 의료·위생·영양 상태가 좋아지자 사망률이 급감하며 인구 폭증.
- 폭증한 인구가 오히려 생태계 부담을 야기하자 전 세계적 저출산 추세가 나타남.

2. “저출산은 지구적 관점으론 ‘축복’이지만, 한국처럼 극단적으로 떨어지면 ‘영양실조’ 수준”
- 전 지구적으로 출산율이 내려가는 건 과잉 인구를 조절하는 과정이어서 장기적으론 긍정적.
- 그러나 한국은 0.6대로 급락하여 “다이어트”가 아닌 “영양실조”, 곧 인구 붕괴로 이어질 수 있음.

3. ‘부양비(Dependency Ratio)’ 문제
- 실제 핵심은 ‘출산율’ 자체가 아니라, 생산가능인구(일하는 사람)와 비생산인구(유소년·고령자) 간의 부양비.
- 과거엔 아이가 많아 “유소년 부양비”가 높았다면 지금은 고령자가 많아 “노년 부양비”가 급증.
- 생산가능인구가 급감하면 연금·건강보험 등 사회보험 및 재정 전반이 ‘부도’ 위기에 놓임.


한국 저출산 문제의 원인: 과도한 경쟁과 경제성장률 하락
1. 지나친 ‘인구 과잉’ 상태
- 한국 인구밀도: 약 1㎢당 517명 → 스웨덴(25명), 일본(340명) 등 대비 압도적으로 높음.
- 일자리가 수도권에만 절반 이상 몰려 있고, 이로 인한 살인적 경쟁이 젊은 층 절망을 가중.

2. 장기간 경제성장률 하락
- 매 정부·대통령 임기 때마다 성장률이 1% 안팎씩 떨어지면서 청년들이 “희망 없는 미래”를 체감.
- “아이를 낳을 경제적·심리적 여력 부족” → 출산 포기.

3. 기성세대의 정책 실패
- 청년들은 “삼포·N포 세대”라 불릴 만큼 결혼·출산을 포기.
- 청년들의 ‘절망’은 기성세대가 만들어 온 수도권 집중·저성장 구조의 산물.

기존 저출산 대책의 문제점

1. 과도한 재정 투입에도 효과 미비
- 아이 1명을 끝까지 키우는 데 6억 원이 든다는 식 주장이 나오며, 정부가 현금·보조금 등으로 지원하자는 해법이 많음.
- 그러나 이 방식대로라면 연간 수십조~수백조 원의 막대한 예산이 필요, 현실적으로 불가능.
- 오히려 “돈 없으면 아이 못 낳는다”는 의식을 퍼뜨려 역효과.

2. 주거 지원 → 수도권 집중 심화
- “서울에 집 많이 지으면 출산률 올라간다” 등도 결국 인구·자원·예산이 서울로 더 쏠려 청년 경쟁만 가중.
- 이미 OECD 최고 수준의 수도권 집중이 더 악화하면 국가 전체가 지속 불가능.

3. 프랑스 등 외국 사례 무용
- 대부분 국가가 출산율 1.5 전후의 ‘다이어트 수준’이지만, 한국은 0.6대로 골든타임이 지나버림.
- 타국 사례(1.6→1.8로 올리기)와 달리 한국(0.6→1.8)은 사실상 불가능.

해결 방향: “부양비 개선” 중심의 구조적 대안

가. 보존적 대책
1. 출산 장려(소극적 효과)
- 출산 장려금, 보육, 주거 등은 이미 골든타임(합계출산율 2.0 이하로 막 내린 시점)을 놓침.
- 다만 추가 하락을 막는 ‘수비 전략’ 정도의 의미는 있음.

2. 제도 조정
- 이미 고령화·출산율 저하는 불가역적이므로,
- 연금·건강보험·군제도 등을 ‘적게 부양받고 많이 불입’하는 구조로 전환 필요(否則 재정 파탄).

나. 적극적 대책
1. 4차 산업혁명으로 생산성 극대화
- 한 사람(젊은 층)이 로봇·AI를 활용해 과거 3명 몫 일 수행 → “한 명이 한 명을 부양” 부담을 줄임.
- 산업혁명 진행속도 < 저출산 속도이므로, 당장 실행해도 시간 걸림.

2. 이모작 사회(장년층 노동 활성화)
- 정년(55세 전후)부터 75세 전후까지 건강한 장년층이 노동시장 참여 → 사실상 부양되는 인구를 줄여 부양비 완화.
- “청년 일자리를 빼앗는다”는 오해 있으나, 구조 설계를 잘하면 오히려 노동력 부족을 채우고 청년 실업 해소에도 기여.

3. 수도권 집중 해소
- 현재 수도권 50% 인구 집중 탓에 경쟁이 매우 치열 → 출산 기피 악화.
- 국토 균형 발전이 필요하나, 과거엔 지역개발 정책이 경제성이 없어 실패.
- 북극항로 등 신(新)무역로가 열리면 부산·경남 등 동남부가 새로운 거점 → 대한민국을 ‘양극 체제(서울-부산)’로 만들면 3극, 4극 체제로도 확산 가능.

기성세대가 이미 수십 년을 허비했으므로, 이제 피해자이자 당사자인 MZ 세대가 이 문제를 공동으로 인식·압박·실행해야 만이 실질적 해결 가능.

“저출산, 단순히 애 낳으라 돈 퍼주는 것으로 해결될 수 없다.
한국 특유의 수도권 과잉 경쟁·장기간 저성장 구조를 근본적으로 바꾸고,
4차 산업혁명과 ‘이모작 사회’ 도입으로 생산성을 높여야 한다.”

https://youtu.be/oxWRe-v6A9I

https://youtu.be/v2q3yPwEo5w

Q: 그렇다면 재능 있고 야심 찬 사람들은 지금 무엇에 집중해야 할까요?

A: 지난 25~30년간 '기술(Tech)' 분야 (컴퓨터 과학, 소프트웨어, 인터넷, 모바일, 암호화폐, AI 등)가 사회 발전의 유일한 벡터였다고 말합니다. 새로운 것을 하고 새로운 회사를 만들 수 있는 곳이며, 문명을 새로운 차원으로 이끌 수 있을지는 논쟁의 여지가 있지만, 수십억, 수백억, 수조 달러 가치의 회사를 만들 수 있는 유일한 영역이었다고 봅니다. 법률, 금융, 의료, 컨설팅 같은 전통적인 길은 정체되어 있고 만족스럽지 못하므로, 기술 분야로 가라고 조언합니다. 꼭 창업할 필요는 없으며, 관련 회사에서 일하는 것도 좋다고 말합니다. 놀랍게도 이런 현실이 아직도 (특히 하버드 같은 곳에서는) 제대로 인식되지 않고 있다고 지적합니다.

Q: 팔란티어를 구축하는 과정에서 어려움은 없었나요? 특히 미 육군을 고소한 사건은 어떻게 된 건가요?

A: 매우 어려웠습니다. 교육이나 의료 분야처럼 시스템 자체가 변화를 거부하도록 설계되어 있었기 때문입니다. 특히 미 육군의 데이터 통합 시스템(DYN)을 대체하는 과정에서 큰 저항에 부딪혔습니다. 6개월이면 대체할 줄 알았지만 10년이 걸렸고, 결국 2019년에 대체했습니다. 이 과정에서 고객인 미 육군을 고소해야 했습니다. 모든 컨설턴트가 그만두고 업계에서 매장될 것이라고 경고했지만, 1994년 법률(개방형 조달 절차)에 근거하여 소송을 진행했습니다. 소송 과정(Discovery)에서 팔란티어 기술의 우수성을 입증하는 내부 보고서가 은폐되고 조작되었다는 증거를 확보했습니다. 결국 소송에서 승소하여 계약을 따낼 수 있었습니다. 이는 스페이스X가 공군을 고소했던 사례와 유사합니다.

Q: 팔란티어나 스페이스X처럼 거의 불가능해 보였던 시스템 개혁에 성공했습니다. 이런 낙관적인 접근 방식을 의료, 교육 등 다른 분야에도 적용해야 할까요?

A: 시도해 볼 가치는 있지만, 맹목적인 낙관주의나 비관주의는 경계해야 합니다. 극단적인 낙관주의(아무것도 할 필요 없음)와 극단적인 비관주의(아무것도 할 수 없음)는 결국 아무것도 하지 않는 게으름으로 이어진다고 봅니다. 따라서 '적당한 낙관주의'가 중요하며, 싸움을 신중하게 골라야 한다고 강조합니다.

Q: 교육이나 의료 분야에 투자하거나 개혁하는 것이 왜 더 어렵다고 보나요?

A: 이 분야들은 이미 많은 사람들이 개혁을 시도했지만 실패했고, 문제 해결에 대한 아이디어들이 너무 관습적인 경우가 많습니다. 또한, 벤처 캐피털(VC) 업계의 사회적 역학 관계도 작용합니다. VC들은 네트워킹 행사에서 자랑하기 좋은 분야(교육 기술, 헬스케어 IT, 그린 테크 등)에 몰리는 경향이 있는데, 이런 '인기 있는' 분야는 단기적인 책임 추궁이 어렵기 때문에 실제 성공 가능성과 괴리되는 경우가 많다고 지적합니다. 실제로 피터 틸의 벤처 펀드(Founders Fund)에서 지난 20여 년간 가장 수익률이 낮았던 분야가 교육 및 헬스케어 관련 소프트웨어 회사들이었다고 밝힙니다.

Q: (가상의) 트럼프 행정부에 대해 어떻게 생각하나요? 예산 적자 같은 문제 해결에 대한 기대는?

A: 오랜만에 가장 희망적이라고 느낍니다. 해결해야 할 깊은 문제들이 있고, 반대 세력은 완전히 지쳐 아이디어가 고갈되었다고 봅니다. 레이건 초기 이후 처음으로 국가를 변화시킬 진정한 기회라고 생각합니다. 이는 과거 부시 공화당이나 트럼프 1기 행정부(내외부적으로 방해받음)와는 다를 것이라고 기대합니다. GDP 6%에 달하는 예산 적자 문제는 쉬운 해결책이 없지만, 정부 효율성 증대(DOGE - Domestic Operating Governmental Efficiency)를 통해 상당 부분 해결 가능하다고 봅니다. 세금 정책에 대한 그의 입장은 항상 '조금 더 낮게'이며, 정부 효율성은 '항상 더 높게' 추구해야 한다고 말합니다.

Q: 중국에 대한 트럼프 행정부의 무역 정책(예: 125% 관세)에 대해서는 어떻게 생각하나요?

A: 중국과의 관계에 있어 과감한 '리셋(reset)'이 필요하다고 봅니다. 미국 무역 적자의 약 절반이 직간접적으로 중국과 관련되어 있으며, 경제적 관계뿐 아니라 지정학적 경쟁 관계(군사적 전용 가능성 등)를 고려해야 한다고 강조합니다. 이는 독일 등 동맹국과의 무역과는 다른 차원의 문제입니다. 다른 동맹국들도 중국과의 관계를 재설정하도록 유도해야 하며, 이것이 서방 동맹을 강화하는 길이 될 수 있다고 봅니다. AI나 규제 완화를 통해 일부 제조업을 미국으로 가져올 수 있지만, 베트남 등 다른 신흥국으로 이전하는 것도 중국보다는 낫다고 평가합니다.

Q: 1970년대 이후 과학기술, 특히 원자(물질) 세계에서의 발전이 정체되었다고 보는데, 그 이유는 무엇이라고 생각하시나요?

A: 그렇습니다. 비트(디지털) 세계와 달리 원자(물질) 세계에서는 약 50년간 발전이 정체되었습니다. 이유는 복합적이지만, 아이디어 고갈, 문화적 요인, 과도한 위험 회피 성향, 과학기술의 파괴적 측면에 대한 두려움 등이 원인일 수 있다고 봅니다.

Q: 이러한 문화적 정체나 사람들이 비슷하게 잘못 생각하는 경향(미메틱 이론)이 오히려 새로운 기회를 만들 수 있을까요? 예를 들어 일론 머스크의 보링 컴퍼니처럼요.

A: 그럴 수 있습니다. 만약 문제가 과학기술적 한계가 아니라 정치적, 관료적, 부패한 시스템(예: 터널링 공사의 마피아 유착, 노조 문제) 때문에 막혀 있다면, 이를 극복할 방법을 찾는 것이 큰 기회가 될 수 있습니다. 중요한 것은 기술적 돌파구가 아니라, 그 '비기술적 장애물'이 무엇인지 정확히 파악하고 그것을 극복하는 전략을 세우는 것입니다.

Q: 사회 문제 해결을 위해 목소리를 내는 것(Voice)과 시스템을 떠나는 것(Exit) 사이에서 어떻게 균형을 잡아야 할까요? LA나 오스틴 같은 망가진 도시를 고칠 수 있을까요?

A: 시도하는 것은 중요하지만, '올바른 싸움'을 골라야 합니다. 무작정 노력하는 것이 중요한 게 아니라, 실제로 성과를 낼 수 있는 곳에 집중해야 합니다 (파도타기 비유: 파도가 올 때 저어야 함). 도시에 대해서는 비관적인 편입니다. LA의 산불 문제를 예로 들며, 여러 시스템적 원인이 있지만 결국 피상적인 해결(시장 교체 등)에 그칠 가능성이 높다고 봅니다. 오스틴에 대해서도 정부 도시, 대학 도시라는 구조적 문제 때문에 회의적입니다. 텍사스 주 헌법상 주 정부가 개입할 여지(Capital District)가 있다는 조의 주장에 대해, 왜 지난 20년간 공화당 주지사들이 이를 실행하지 않았는지 반문하며, 실제 변화의 어려움을 시사합니다.

Q: 실리콘밸리의 분위기가 최근 긍정적으로 바뀌고 있다는 '바이브 시프트(vibe shift)'에 대해 어떻게 생각하나요? 실제 변화가 있나요?

A: 상당한 변화가 있었다고 인정합니다. 과거 실리콘밸리가 획일적으로 중도 좌파 성향이었던 이유를 여러 각도(리더 성향, 워크(woke) 직원 압력 등)에서 분석하지만, 가장 큰 요인 중 하나로 좌파 성향 규제 당국의 엄청난 압력을 꼽습니다. 창업자들은 규제를 피하기 위해 DEI(다양성, 형평성, 포용성) 정책 등을 도입하며 순응했지만, 이것이 효과가 없다는 인식이 점차 확산되었습니다. 이런 불만은 수년간 쌓여왔지만, 최근 몇 달 사이에야 비로소 공개적으로 표출될 수 있게 되었다고 봅니다. CEO들 사이에서 공개 발언과 사석에서의 생각 간의 괴리가 매우 컸다고 지적합니다.

Q: 이러한 급격한 변화는 어떻게 가능했을까요?

A: 티무르 쿠란(Timur Kuran)의 '공개적 거짓말, 사적인 진실(Public Lies, Private Truths)' 이론과 유사한 '선호 연쇄(preference cascade)' 현상으로 설명합니다. 모든 사람이 거짓말을 하고 있고, 또 모든 사람이 그 사실을 알고 있을 때, 작은 계기만으로도 여론이 급격하게 뒤집힐 수 있다는 것입니다. 언론 통제나 발언 규제는 결국 이런 식으로 역효과를 낳는다고 봅니다.

한국 경제를 보며 드는 솔직한 생각.

환율을 보면, 한국 경제의 현실을 직시하게 된다.

원화의 변동성은 옌/유로 대비 솔직히 너무 크다.(달러 대비 옌/유로화 환율이 조금 올라갈 때 원화는 엄청 올라가고, 다러 대비 옌/유로가 많이 떨어질 때 원화는 아주 조금 떨어진다 허헛) 국가 경쟁력, 시장 규모, 기업 경쟁력, 제도 매력도 등등에서 아직 유럽/일본 정도가 안된다는 의미이다. 요즘은 고래 싸움의 시대인데 (미국-중국-유럽-일본-러시아 등등), G7 운운하던 한국은 아직 고래 싸움에 크게 영향을 받는 새우일 뿐이다.

지금의 한국은 절대 선진국은 아니다. 그렇다고, 10년 전 대비 경제 규모/국가 경쟁력/기업 경쟁력이 더 튼튼해진 것도 아니다 (오히려 더 애매해졌다)

한국은 여전히 제조업 (반도체, 가전/스마트폰, 조선 등)은 꽤 잘하고 있는 국가일 뿐이고, 그 외 산업에서는 세계적으로 두각을 내는 기업은 딱히 없는 나라일 뿐이다 (특히 4차 산업이라 일컫는 IT/기술 기업 중 세계를 선도하는 한국 기업은 크게 없다). 그래서, 한국 1등 기업과 미국 1등 기업의 기업가치 격차는 매우 크게 벌어지고 있다. 더불어, 한국은 세계적인 가수/선수는 나오고 있지만, 그렇다고 세계적인 엔터테인먼트 기업/스포츠 회사는 나오고 있지 않다. (넷플릭스, 유투브 등은 미국 기업일 뿐이다)

또 요즘 개인적으로 느껴지는 것은 (물론 틀릴 수 있다), 과거 대비 한국 내 자산가는 확실히 증가한 느낌이지만, 국가 경쟁력은 더 떨어진 느낌?! 그리고 국가 경쟁력을 높이기 위한 절실한 노력도 줄어든 느낌?! 을 받는다. 못살던 시대에는 '자식에게 가난을 대물림하지 말자'는 대의를 가지고 모두가 똘똘 뭉쳤던 것 같은데, 지금은 그런 절박한 마음도 없고, '이대로 가다간 2~3년 안에 망할 수 있다'는 위기감도 느껴지지 않는 느낌을 받는다.

오히려 여기 실리콘밸리에 있다보면.. 이 곳의 잘나가는 IT 기업들에게서 오히려 더 큰 위기감/긴장감/치열함이 느껴진다.,미국 실리콘밸리 기업 내 핵심인재들을 보면, 까딱하다간 회사가 망할지도 모른다는 긴장감을 가지고 일한다. 잘하는 기업이 더한다는 표현을 새삼 느낀다.

결론적으로 나는 아래와 같이 생각한다.

한국에서도, 5년 내 최소 기업가치 50~100조 가는 스타트업이 5개 이상 나오지 않으면 어렵다. (고래 싸움의 시대인데, 돌고래는 되어야 한다)

한국 대기업 중 5년 내 1,000조 기업 안나오면 진짜 어렵다. (고래 싸움의 시대이다. 고래가 되어야 한다)

한국에서 세계적인 가수/운동선수가 나오는 것처럼, 세계적인 기업이 나와야 한다. 한 명 한 명의 talent 에 의지하지 말고, 인재들이 집합된 기업/조직을 세계적 수준으로 끌어 올리는 노력이 있어야 한다.

그 관점에서, 더 절박한 마음으로 도전하는 글로벌 인재들이 양성되지 않으면 안된다. Skill 이 중요한 것이 아니고, 마인드셋이 중요하다. 중-고등학교 때 무의미한 경쟁하느라 에너지 쓰지 말고, 대학교 이후 나를 알고 세상을 알아가는 과정에서 절박한 마음으로 세상에 도전하는 글로벌 인재들이 더 많아져야 한다.

이념/정쟁이 경제 성장 시켜 주지 않는다. 5년 내 세계 5위 진입 등 명확한 비전/초점을 가지고 모두가 절박한 마음으로 도전자의 자세를 가지고 '죽고자 하면 살고, 살고자 하면 죽는다'는 마음으로 합력하여 노력하는 분위기가 형성되어야 한다.

그래서, 원화도 유로와 옌에 버금가는 대안 통화로서의 인정을 받아야 한다.

미국-한국 오고가며 현실을 보다 보니, 위와 같은 생각을 하고 있음이 느껴진다.

이승훈님

우리는 SRI International에서 집필한 《INNOVATION 》에 대해 읽고 토론을 했다.

이 혁신의 씽트탱크가 말하는 혁신이란 "고객 가치의 창조"이다.
고객 가치가 없는 신기한 기술의 개발은 혁신이라기 보다는 발명이다.
이 책에서 발명과 혁신의 몇가지 사례가 나온다.

"필로 판스워스(Philo Fansworth)는 1927년에 처음 텔
레비전을 발명했지만, 1937년에 데이비드 사노프(David Samoff)가 텔레비전 방송을 창조하고 나서야 흑백텔레비전이 판매되기 시작했다.
사노프는 텔레비전, 카메라, 방송국, 프로그램 그리고 광고
를 통합하는 성공적인 비즈니스 모델을 개발해냈다. 판스워스가
장치를 만든 발명가라면, 사노프는 모든 요소들을 통합하여 새로
운 산업을 일구어낸 혁신가이다"

" 수니티 샤르마와 그의 팀은 새로운 인쇄 기술에 대한 실험의 만으로 아주 낮은 비용을 투입하여 종이의 귀금속 코팅을 입히는 기술을 개발해냈다. 그가 보여준 샘플은 거울처럼 눈부시게 빛났다. 우리는 가장 인상적인 '축하 카드를 만들 수 있는 기술'에 열광했다... 굉장한 발명을 했다는 행복감에 잠시 도취되었던 우리는 곧 진지한 질문에 직면해야 했다. 바로 누가 이 제품을 살 것인가 하는 문제였다... 신기술 자체는 뛰어났지만 귀금속을 입힌 축하 카드는 흥미로운 사업 기회에 머물고 말았다. 그러다가 해당 기술과 관련된 우연한 일이 벌어졌다... 생산된 모든 제품은 어디론가 운송되어야 하는데 만약 전체 운송분의 일부가 중간에서 잘못된 경로로 가게 되면 이를 추적하고 회수하는 작업에만 연간 수백억 달러의 비용이 들어가는 것으로 추정하고 있었다. 중요한 시장 기회를 발견한 것이다.
그래서 RFID(Radio frequency identification) 태그가 새로운 물류 검색 기술로 떠올랐다"

이러한 사례를 통하여 단순한 발명이 혁신으로 바로 이어지는 것은 아니라는 것을 보여준다.
흥미로운 것이 아니라 핵심 고객 및 시장수요에 집중하라는 원칙의 중요성을 잘 보여준다.

텔레비전을 개발했다는 것은 아주 중요한 일이다. 또한 아주 낮은 비용으로 종이의 귀금속 코팅을 입히는 기술도 대단한 일이다.
하지만 그러한 기술들이 고객들에게 가치를 제공하지 못한다면 그것을 혁신이라고 할 수 있는가?

"토마스 에디슨은 문제해결의 적절한 시점을 정확하게 파악하는 능력을 바탕으로 놀라운 혁신을 연속적으로 이루어냈다. 그는 전구에 대한 아이디어를 가지고도 오랫동안 후속작업을 진행시키지 않았다.
커다란 기회가 있다는걸 알았지만 배전망을 구축하는데 필요한 기술이 아직은 실용적이지 않다는 사실을 간파하고 있었기 때문이다. 그러나 후에 인프라를 구축할 사회적 능력이 확보되 였다고 판단한 다음부터는 엄청난 에너지를 쏟아부어 내구성 있 는 전구, 병렬회로, 개선된 다이나모, 매설식 컨덕터 네트워크, 퓨즈와 절연체, 스위치를 갖춘 전구 소켓 등을 개발해냈다.

혁신의 목표는 에디슨처럼 필요한 제반 요소를 현실적으로 확 보할 수 있는 분야에서 핵심 고객 및 시장수요를 충족시키는 방법을 찾아내는 것이다.
말하자면 전구 자체는 발명에 지나지 않지 만, 실용적인 배전망이 뒷받침된 전구의 개발은 혁신이 된다. 에 디슨은 그렇게 인류 역사상 가장 중요한 혁신을 이루어냈다. 이밖에도 그는 전축, 영사기, 현대적 연구실험실 등 많은 것들을 개발했다. 또한 자신의 혁신을 산업화하기 위하여 설립한 General Electric은 엑손의 뒤를 이어 약 3천억 달러의 시장가치를 지닌 세계 두 번째 규모의 회사가 되었다."

* SRI International의 초기 명칭은 Stanford Research Institute로 1946년에 미국 스탠포드대학교의 트러스트에 의해 설립된 독립적 비영리 연구소이다.
이는 스탠포드대학교와 긴밀한 협력 관계를 유지하며 과학, 기술, 공학, 경제 개발 등 다양한 연구를 수행해왔다.
1970년에 SRI는 스탠포드대학교로부터 완전히 분리되면서 독립적인 기관이 되었다.
또 하나의 기념비적 사건은 2023년, Xerox는 PARC를 SRI 인터내셔널에 기증하며 두 연구소가 합병하게 되었다.

SRI에서 개발된 주요 혁신을 일으킨 기술들은 다음과 같다.
• 컴퓨터 마우스
• 셰이키(Shakey): 세계 최초의 자율이동 로봇
• 시리(Siri): 인공지능 기반 가상 비서
• 말라리아 치료제: 할로판트린(Halofantrine)
• 자연어 음성 인식
• T세포 림프종 치료제
• 홍채 인식 시스템
• SWIFT 결제 방식
• 항공 승객 예약 시스템
• 다빈치 로봇(da Vinci Surgical System) 초기 개발

홍상민님

그냥 해봐 그냥 오늘 하는거야

나는 항상 낭떠러지에 서있는 사람같아.난 한번 미끄러지면 다시 못 온다는 생각으로 항상 살아. 은퇴할 때까지 이런 맘으로 살아야해. 그럼 넌 가능성 있어.

선수들이 즐거워하는 축구가 아니라, 관중이 좋아하는 축구를 해야한다고 생각합니다. 프로선수는 오늘처럼 이렇게 사력을 다해서 투혼을 다해서 경기장에서 상대가 어떤 팀이던 공격적으로 밀고나가는 축구라고 생각합니다.

광주 축구를 보시고 많은 분들이 영감을 얻고 희망을 가지고 밀고 나갔으면 합니다.

https://youtu.be/YgD9A7ZErhc

유럽에서 중국에서 만든 전기차들이 공격적으로 점유율을 높여가고 있음.

- 2025 년 1~2월 중국 브랜드 BEV 등록 대수 37,000대**로 유럽 BEV의 **3.7 % 점유율 → 전년 동기 2.4 %에서 급등
- **중국계 브랜드(지리 MG·폴스타 포함)가 테슬라를 추월**(2월: 19,800 대 vs 15,700 대)
- 전체 자동차 수출은 2024년 641만 대(+22.8 %), 세계 1위
- 빠른 확대에도 **2차 관세 조사·가격 불확실성**으로 EU 내 신차 총점유율은 아직 **한 자릿수**(6.9 %·24년 2월)

중국의 전기차 굴기는 20년간 중국 정부, 창업가, 연구자, 공급망, 투자자들의 오랜 결과물임.

1. 중국 정부
- 초기 시장이 불확실할 때, 정부가 버스, 택시, 공무 차량 등을 NEV로 대량 구매하여 제조사들에게 안정적인 초기 판로를 제공하고 규모의 경제를 달성하도록 도움.
- 전기차 시장이 형성되는 초기에 회사에 직접 보조금을 줘서 시장에 싼 전기차가 보급될 수 있게 했고, 구매자에겐 세제 감면을, 내연기관차 대상 번호판 발급 제한 정책으로 전기차 시장을 만듦.
- 공공 충전소 건설 비용, 운영 비용 일부를 정부가 보조하여 충전 인프라 사업자들의 초기 투자 부담을 줄였음. 전세계에서 가장 많은 충전 인프라를 구축함.
- 배터리, 모터, 제어 시스템 등 NEV 핵심 기술 개발에 막대한 연구 자금을 직접 지원했음. 국가급 NEV 연구센터, 테스트 플랫폼, 기술 표준 제정 기관 등을 설립하고 운영 자금을 지원. 누적 수백 조 원.
- 중앙은 방향(탄소중립·제조 2025)을, 지방은 현금·부지를 경쟁적으로 제공
- 완강: 전 과학기술부 부장(장관)은 독일 아우디 엔지니어 출신으로, 중국 NEV 전략의 초기 설계자이자 강력한 추진자
- 국가 주도 시스템이다 보니 오랜기간 일관된 정책을 추진할 수 있고, 빠르게 대규모 프로젝트를 추진할 수 있음.

중국 기업들의 초고속 학습 루프

1. 정부가 ‘첫 번째 고객’
- 시장이 불확실하던 2010년대 초 **버스·택시·공공차 수십 만 대**를 정부가 대량 구매해 OEM이 조기에 규모의 경제 달성 .
1. 신차를 빠르게 출시할 수 있는 생태계 조성
- 연비 크레딧 적자 → 벌금 대신 크레딧 구매 : 내연 모델 중심 OEM은 매년 부족분을 톤당 3,000 위안에 사야 함.
- NEV 크레딧을 ‘통화(貨幣)’로 만들기 : 전기차 1대 출시·판매 시 多 크레딧 확보 → 내부 상계 후 초과분 판매 가능.
- “18 개월 개발” : OEM들이 크레딧 수익 확보를 위해 모델 주기를 절반 이하로 단축 → 플랫폼‑모듈화, 소프트웨어 정의, 디지털 시뮬레이션 도입이 가속화.
- 시장=실험실 : 매년 50–100개 신차가 출시되어, 실도로 데이터 → OTA 개선 → 차세대 모델 입력이라는 초단주기 R&D‑생산 루프 형성.

중국 전기차 회사들은 어떻게 자율주행 기술을 확보할 수 있었나?

1. 거대 데이터 팩토리: 베이징 시 alone : 시험차 1,000대가 누적 3,900만 km 주행(2023). 전국 시험도로 32,000 km, 라이선스 16,000개 발급. 바이두·Pony.ai 등, 실제 데이터→AI 학습 주기 단축
2. 규제 샌드박스 19 도시: 도심 L4 로보택시(무안전요원) 유료 운행 허용 → 실주행 수익으로 비용 상쇄. 바이두 Apollo Go, 2024 RT6 차량가 < US$30k, 기본요금 4 위안.
3. V2X 인프라 국책 투자: Wuxi·리우저우 등 국‑지정 ICV 파이롯: RSU 1,000여 개, MEC·5G 기지국 통합.“도로‑클라우드” 데이터로 센서 한계 보완. 데이터를 표준화‑가공한 메시지 형태로 차량이나 자율주행 플랫폼에 실시간 브로드캐스트(또는 API) 하는 방식.
4. 비전+LiDAR 다중센서 전략: 센서 가격 급락(中라이다 업체 <US$400) → L2+/L3 대량 탑재가테슬라 대비 2–3년 빠름. Xpeng XNGP, NIO NOP+ 등 NOA 전국화(2024)
5. AI 인재·칩 생태계: 연 3만 명 AI 졸업·Horizon Robotics·华为 MDC, 자국산 ADAS SoC → 엔디비아 의존도 완화.

공급망·자원 장악 메커니즘

1. 광물확보
1. 정부: 정책은행(CDB, Ex‑Im) 저리 자금·일대일로 외교 → 아프리카·라틴 광산 M&A 지원
2. 기업: Huayou Cobalt, CATL, Ganfeng이 **징글리(津锂)**·짐바브웨 **Arcadia**·DR콩고 코발트 광산 선제 인수(Arcadia 4.22억$)
3. 결과: 리튬 정제 70 %, 코발트 정제 77 % 세계 점유
2. 정제·소재
1. 정부: 환경규제 완화·전력 보조, VAT 환급
2. 기업: 4대 소재(양·음극, 분리막, 전해액) 국산 업체 60 % + 글로벌 톱10 중 7곳 중국 
3. 결과: 원가 최저·수출 지배
3. 셀-모듈
1. 정부: 초기 ‘중국산 배터리만 보조금’ 규칙으로 내수 보호
2. 기업: CATL·BYD > 200 GWh/社 생산, 20 %↓ 원가 곡선
3. 결과: 2024 H1 글로벌 EV 배터리 점유 CATL 38 %, BYD 17 %
4. 재활용
1. 정부: 전(全)생애 추적 규제·보조금
2. 기업: Brunp, GEM 등 폐배터리 ‘闭环’ 라인
3. 결과: 年 35 만t 재활용 능력 (세계 1위)

부품 국산화

1. 정부의 ‘목록·투자·표준’ 패키지: 배터리 “화이트리스트”(2015–19) : 中업체만 보조금 자격 → 파나소닉·LG 에너지 배제 ⇒ CATL·BYD 빠른 성장, 2017 ~ 2023 세계 점유율 60 % 상회
2. Made in China 2025·전기차 로컬 콘텐츠 가이드라인 : 핵심부품 자립 목표명시. 공급망 투자·M&A에 국책은행 저리 자금 지원
3. ‘리틀 자이언트(专精特新)’ 보조금 : 중소 핵심부품(감속기, SiC 웨이퍼) 기업에 직접 R&D 보조금. Leaderdrive 감속기, Shuanghuan RV‑Reducer 국내 점유율 25 %→45 %.

기업 성과

1. 초수직계열화: BYD (8‑in‑1 e‑드라이브, 셀→차 완전 내제화). 원가 25 %↓, 해외 OEM 공급 시작
2. Geely‑Volvo 파워트레인 합병, SAIC‑Infineon SiC JV. SiC 인버터 연 3 백만대 능력
3. 모듈 표준화‑오픈플랫폼. Inovance X‑Series 3‑in‑1 ODM. 중소 브랜드 개발비·기간 30 % 절감

연구 인력 상황

- 거점 대학/연구소:
- 중국 대학은 매년 **470 만 명 이상의 STEM 졸업생**을 배출해 미국·EU 합계를 넘어섬.
- 칭화 자동차과·베이징이공대 E‑트레인·퉁지대 완강 센터·난카이 배터리 재료.
- 키맨: 완 강(NEV 전략 설계), 오양밍가오 (배터리 로드맵), He Xiangyu (CATL CTP), 황안핑 (Inovance SiC), Hou Xiaoqing (샤오펑 XNGP).
- 규모: NEV·배터리 관련 전일제 연구인력 40만＋(기업 25만, 학계 15만) / 연 석·박사 졸업 2만 명.
- 해외 브레인리턴: 美·유럽 OEM/테슬라 출신 CTO급 150명 이상 귀환(‘해거전’ 인센티브).
- 민간의 화끈한 R&D
- BYD만 해도 2024년 R&D 인력 10만 명·연구비 7조 원 수준으로 “회사 전체가 연구소”화 
- EV·배터리 스타트업에는 2021~22년 **글로벌 VC 자금 217 억 달러**가 몰려 세계 1위 규모의 사모자본 생태계를 형성

어떤 전기차 회사들이 살아남았나?

### 1.1 NIO – ‘서비스형 배터리’ 개념 주도

- William Li(李斌): 인터넷 자동차 포털(Autohome) 창업 경험으로 억대 팬 커뮤니티를 즉시 확보, 럭셔리 차세대 브랜드 이미지 구축. 배터리 스왑 모델·NIO House 멤버십을 고안해 LTV를 높임.
- 2020 허페이시 구제금융 RMB 70 억(약 $1 bn) 유치—재무 위기 돌파·지방 생산기지 이전.

1.2 XPeng – ‘소프트웨어 OTA 속도전’

- He Xiaopeng(何小鹏): UC Browser 매각으로 얻은 자금+알리바바 인맥으로 초반 자금과 클라우드/AI 인재를 소싱.[
- R&D 지출을 매출의 20 % 이상으로 유지(’24 회계연도 8.1억 달러).
- 가장 빠른 OTA 주기(분기 단위)와 XNGP ADAS로 ‘테크 깎아방’ 이미지를 확보.

1.3 Li Auto – ‘패밀리 SUV·EREV 틈새’

- Li Xiang(李想): 20대에 자동차 미디어 ‘딜리'(汽车之家) 창업, 아빠 소비층 니즈를 정확히 파악. 300 km EV+1,000 km 가솔린 발전기로 장거리 불안 제거.
- “1 모델 집중 전략”으로 원가·품질 관리 단순화 → 월 3만 대 안정 양산.

1. ‘탄탄한 지갑’과 정부 파트너십
- 지방정부 구제금융 – NIO는 2020년 허페이시(安徽省) 국투펀드로부터 70억 위안(약 $1 bn) 유치 후 공장·R&D센터를 현지 이전해 재무 한계 돌파 
- IPO·후속 증자 – 세 곳 모두 뉴욕/홍콩 주식시장 재상장·전환사채 발행으로 각각 수십억 달러 실탄을 확보.
- 계약 생산(Neo‑JAC·Zhaoqing·Changzhou) 로 초기 CAPEX 축소하고 품질 관리를 조기에 안정화.

2. R&D·내제화
- 자율주행 SOC·소프트웨어를 사내 개발(>2,000명 엔지니어), 18 개월 미만의 신차 개발 사이클을 달성.
- 전력계통 3‑in‑1, SiC 인버터(8‑in‑1 모듈) 직접 설계—원가 절감·차별 기능

https://matthewcontinuouslearning.notion.site/1da2857ddb1680ea9d97ebf711fe6c81?pvs=4

저는 지금 말한 ‘제품 묶음(product suite)’ 전략을 강하게 믿습니다. 잘만 실행하면, 5년 후에는 수십억 명이 사용하는 제품을 몇 개 갖게 될 거예요. 그리고 OpenAI 계정(아이덴티티)으로 로그인하면, 나의 모델·크레딧·설정값 등을 그대로 가져가서 다양한 곳에서 쓸 수 있겠죠. 결국 그런 플러그인 형태로 다른 서비스에 쉽게 들어갈 수 있어야 한다고 봅니다.

저희가 운영체제(OS)처럼 ‘플랫폼’이 되겠다는 건 아니에요. 구글도 완전한 플랫폼은 아니지만, 사람들은 구글 계정으로 로그인하고, 구글 생태계를 여러 웹서비스와 연결해 사용하잖아요. 그런 식의 플랫폼을 생각하고 있습니다.

즉, 로그인 한 번으로 내 취향과 이력을 가져가는 식이군요.

해야 할 일이 많은 건 사실이에요. 하지만 다른 걸 전부 포기하고 이것만 할 수는 없고, 또 그렇다고 다 건드릴 수도 없으니 어려운 일이죠. 저희가 열 가지 중 아홉 가지는 “노”라고 하면서도, 그래도 핵심적인 몇 가지 일은 동시에 잘 해내야 합니다.

“하지만 제가 깨달은 것은, 무언가에 대해 진정으로 깊이 이해하고 있다면 하루 종일 그것에 대해 이야기할 수 있다는 것입니다. 암기할 필요 없이 그 이해로부터 필요한 모든 것을 다시 도출해낼 수 있어요. 당신이 아는 모든 조각은 레고 블록처럼 딱 들어맞아 강철 프레임을 형성합니다. 견고하고, 거기에 고정되어 있죠”

https://m.blog.naver.com/PostView.naver?blogId=thingschange_&logNo=223836650773&navType=by

1. 지능은 데이터로부터 학습한다 (Intelligence learns from data): 현재 AI 발전의 근본 전제입니다. 더 나은 지능은 더 많거나 더 좋은 데이터를 요구합니다.

2. 인간이 생성한 데이터는 유한하며, 그 본질은 '모방'에 있다 (Human-generated data is finite and inherently about imitation):
- 고품질 인간 데이터는 이미 대부분 사용되었거나 고갈되고 있습니다. (현실 관찰)
- 인간 데이터는 인간의 지식, 방식, 편견을 반영하며, 이를 학습하는 것은 본질적으로 인간을 모방하는 것입니다. (논리적 귀결)

3. 모방은 '인간 수준'을 넘어서는 근본적인 혁신이나 초지능으로 이어지기 어렵다 (Imitation cannot fundamentally lead to breakthroughs beyond human level or true superintelligence):
- 인간 데이터에는 인간이 아직 모르는 지식이나 더 나은 방식이 포함되어 있지 않습니다. (자명한 사실)
- 따라서 인간 데이터만으로는 인간의 한계를 뛰어넘는 해결책이나 지능을 '발견'할 수 없습니다. (논리적 귀결)

4. '경험'은 에이전트와 환경의 상호작용을 통해 '스스로 생성되는' 데이터이다 (Experience is self-generated data arising from agent-environment interaction):
- 에이전트가 행동하고 결과를 관찰하는 과정 자체가 새로운 데이터 생성 메커니즘입니다. (경험의 정의)
- 이 데이터는 에이전트의 능력 향상에 따라 지속적으로 생성 및 개선될 수 있으며, 이론적으로 무한합니다. (정적 데이터와의 차이)

5. 환경과의 상호작용은 '현실 기반(Grounding)'을 제공한다 (Interaction with an environment provides grounding in reality):
- 행동에는 실제 결과가 따르며, 관찰은 외부 세계의 상태를 반영합니다. 이는 추상적인 텍스트 데이터와 달리 현실과의 직접적인 연결고리입니다. (상호작용의 본질)
- 이 기반은 가설을 검증하고, 인간의 편견이나 잘못된 추론을 넘어선 새로운 원리를 발견하게 합니다. (현실 기반의 가치)

6. 목표 달성을 위한 최적의 행동은 '결과'를 통해 학습되어야 한다 (Optimal actions towards a goal must be learned through consequences):
- 단순히 인간의 '판단' (이 행동이 좋아 보인다)에 의존하는 것은 인간의 이해 수준에 갇히게 합니다. (인간 판단의 한계)
- 환경에서 실제로 발생하는 '결과' (측정 가능한 성공/실패 신호)를 보상으로 삼아야 인간의 예상을 뛰어넘는 전략을 발견할 수 있습니다. (기반된 보상의 필요성)

7. 강화학습(RL)은 경험(상호작용, 보상)으로부터 학습하는 근본적인 프레임워크이다 (Reinforcement Learning is the fundamental framework for learning from experience):
- RL은 시행착오, 보상 극대화, 장기적 결과 예측(가치 함수), 탐색, 계획 등 경험 기반 학습의 핵심 요소들을 다루는 수학적/알고리즘적 틀을 제공합니다. (RL의 정의 및 역할)

위 원칙들로부터 재구성된 논리 흐름:

- 문제: 현재 AI(주로 LLM)는 인간 데이터에 의존하며, 이는 데이터 고갈과 인간 능력의 모방이라는 한계에 부딪히고 있다. 이 방식으로는 진정한 초인적 지능이나 혁신적 발견을 달성하기 어렵다.
- 해결책: 인간 데이터의 한계를 넘어서려면 AI가 스스로 데이터를 생성하며 학습해야 한다. 이는 환경과의 상호작용, 즉 '경험'을 통해 가능하다.
- 경험 학습의 요건: 효과적인 경험 학습을 위해서는 에이전트가 ①단발성이 아닌 지속적인 흐름(Streams) 속에서 활동하고, ②텍스트뿐 아니라 실제/디지털 환경과 **기반된(Grounded) 행동/관찰**을 하며, ③인간의 사전 판단이 아닌 실제 결과에 **기반된 보상(Grounded Rewards)**을 추구하고, ④인간의 사고방식 모방을 넘어 **경험 기반의 계획/추론(Experiential Planning/Reasoning)**을 수행해야 한다.
- 핵심 기술: 이러한 경험 기반 학습의 원리는 본질적으로 **강화학습(RL)**의 핵심 아이디어와 일치하며, 따라서 고전적인 RL 개념들을 더 깊이 활용하고 발전시키는 것이 중요하다.
- 결론: 이 '경험의 시대' 패러다임은 AI가 인간의 한계를 넘어 전례 없는 능력을 발휘하게 할 잠재력을 지니며, 기술적으로도 실현 가능한 시점에 가까워지고 있다.

https://t.co/dtfRPCBfDb

아날로그 시대 이후, 인간 데이터 시대를 즐기며, 이제 우리는 경험의 시대로 접어들고 있습니다

모방도 아니고, 학습도 아닌, '삶으로써' 배우는 것입니다.

2. 경험의 시대, 인공지능의 패러다임 전환
기사에 따르면 우리는 '인간 데이터의 시대'에서 '경험의 시대'로 나아가고 있습니다.
모델 업그레이드나 반복적 RL 알고리즘이 아니라 보다 근본적인 패러다임의 전환입니다.

→ 인간 모방에서 인간을 능가하는 것으로
→ 정적 데이터에서 동적 경험으로
→ 지도 학습에서 사전 예방적 시행착오로
경험이 진정한 지능의 열쇠라는 것을 전체 AI 커뮤니티에 외치고 있습니다.

인간 데이터, 정점에 달하다
오늘날의 인공지능(예: LLM)은 학습을 위해 방대한 양의 인간 데이터에 의존합니다. 시를 쓰고, 문제를 풀고, 진단하는 등 거의 모든 것을 할 수 있습니다. &lt;하지만 서튼은 다음과 같은 사실을 상기시킵니다.
고품질 데이터가 부족하다
모방이 인간의 한계에 다다르고 있다
수학, 프로그래밍, 연구 등은 더 이상 '데이터 공급'으로 발전할 수 없다
모방은 AI가 일을 할 수 있게 해주지만 돌파할 수 없게 한다.

슈퍼 데이터의 차세대 원천, 경험
AI의 비약적인 발전을 이끄는 데이터는 모델이 강력해짐에 따라 자동으로 증가해야 합니다. 유일한 해결책은 경험 그 자체입니다.
경험은 무한하다
경험은 인간 지식의 경계를 넓힌다
경험 스트림은 지능의 모국어다
Sutton의 제안은 분명하다: AI의 미래는 '단서 단어 + 지식 기반'이 아니라 '행동 + 피드백'의 루프가 될 것이다.
Sutton의 주장은 분명합니다. AI의 미래는 '프롬프트 + 지식 기반'이 아니라 '행동 + 피드백'입니다.

경험의 시대의 지성인?
서튼은 몇 가지 주요 특징을 가진 경험적 지능을 묘사합니다.
그들은 작업 조각이 아닌 지속적인 경험의 흐름 속에서 살아갑니다.
그들의 행동은 실제 환경에 뿌리를 두고 있으며 채팅 상자에 의존하지 않습니다.
보상은 인간의 점수가 아닌 환경에서 나옵니다.
추론은 텍스트 논리를 모방하는 것이 아니라 행동의 궤적에 의존합니다.
이것은 기존 LLM 패러다임에 근본적으로 도전하는 것이죠.

경험적 지능
서튼은 RL이 모든 것을 해결할 것이라고 설교하는 것이 아니라 냉정하게 말합니다."오늘날 경험적 지능은 아직 초기 단계에 있지만 기술적 조건과 산술적 근거는 있습니다
핵심 질문은 인공지능 커뮤니티가 능동적 지능 패러다임을 받아들일 준비가 되어 있는가 하는 것입니다.
이것은 이념적, 기술적, 윤리적 측면에서 심오한 전환입니다. 경험은 부수적인 것이 아니라 AI의 핵심 출발점이 될 것입니다.

Rich의 인공지능 연구 슬로건(2006년 개정):
1. 문제가 아닌 해결책에 접근하라(특별한 경우는 제외)
2. 문제에서 출발하라
3. 에이전트의 관점을 취하라
4. 에이전트에게 측정할 수 없는 것을 달성하라고 요구하지 말라
5. 에이전트에게 검증할 수 없는 것을 알려고 하지 마세요
6. 에이전트의 하위 파트에 대해 측정 가능한 목표를 설정하세요
7. 판별 모델은 일반적으로 생성 모델보다 낫습니다
8. 직교 차원으로 작업하세요. 이슈별로 작업하세요
9. 소프트웨어가 아닌 아이디어로 작업하세요
10. 경험은 AI의 데이터다

Approximate the solution, not the problem (no special cases)
Drive from the problem
Take the agent’s point of view
Don’t ask the agent to achieve what it can’t measure
Don't ask the agent to know what it can't verify
Set measurable goals for subparts of the agent
Discriminative models are usually better than generative models
Work by orthogonal dimensions. Work issue by issue
Work on ideas, not software
Experience is the data of AI

몇년에서 몇십년안에 가정에 로봇이 들어온다면 어떤 폼팩터를 가질까?

로봇 쪽에 오랜 연구를 하신 교수님이 사명감을 가지고 창업한 회사. https://hello-robot.com/stretch-3-product

아직 구매욕구가 생기지 않지만 가정쪽을 타겟하는 1x, Figure, Optimus 여러 회사들의 대규모 투자를 고려하면 철도, 인터넷, 전기차 초기에 대규모 인프라 투자하던 시기와 비슷하다고 봐야할까?

어제 올라온 CMU 로봇 강의 https://youtu.be/fQT785T-7kc

가장 최근에 가정에 들어온 로봇은 청소로봇

- 오늘의 핵심 질문: 인간 규모 모바일 매니퓰레이터가 가정에서 구매되고 행복하게 사용되기 위해 무엇이 필요할까? (단순히 사용되는 것을 넘어, 지속 가능성을 위해 구매 가치를 인정받아야 함)
- 주요 논점:
1. 로봇은 가정 환경에서 **스스로의 자리를 확보(earn its place)**해야 합니다. (단순히 존재하는 것을 넘어 가치를 증명해야 함)
2. 가정에서는 **안전이 절대적으로 가장 중요**합니다.
3. 설계 예시: 조지아 공대 연구실에서 개발되고 Hello Robot에서 상용화된 스트레치(Stretch) 로봇을 예시로 디자인에 대해 논의합니다.
4. 유망한 단기 기회: **이동성 장애가 있는 사람들이 초기 사용자**가 되어 로봇을 행복하게 사용하고 그 가치를 인정할 가능성이 높습니다.

가정 환경에서의 도전 과제

- 가정의 특수성: 집은 개인적인 공간이며, 가장 소중한 것들(가족, 손님, 아이, 반려동물, 추억의 물건)이 있습니다.
- 사용자의 제약: 사람들은 바쁘고, 로봇을 위한 시간, 공간, 인내심이 제한적입니다.
- 로봇의 자리 확보: 로봇은 가격뿐만 아니라 공간 차지, 방해 가능성, 물건 훼손, 안전 위험 때문에 스스로의 가치를 증명해야 합니다. 산업 현장과 달리 가정 방문객에게 로봇 사용 교육을 시킬 수는 없습니다.

로봇 디자인 철학 (Stretch 로봇)

- 핵심 디자인 문제: 로봇을 더 작고, 가볍고, 저렴하게 만들면 (안전성 향상, 가격 하락) 도달 범위, 힘, 섬세함이 줄어드는 경향이 있습니다. 이 둘 사이의 균형 잡기가 중요합니다.
- Stretch 접근 방식:
- 미니멀리즘: 액추에이터 수 최소화 (비용 및 복잡성 감소).
- 독특한 구조: 직렬 로봇 팔을 이동 베이스에 부착하는 대신, 이동 베이스 자체가 섬세한 조작(dexterity)에 기여하도록 설계. (차동 구동 베이스(Y축), 수직 리프트(Z축), 텔레스코핑 팔(X축) + 3DoF 손목 = 6DoF 이상).
- 비-휴머노이드: 휴머노이드는 유용해 보이고 호환성이 있지만, 높은 비용, 많은 고장 지점, 높은 무게 중심으로 인한 낙상 위험 증가, 전원이 꺼졌을 때 다루기 어려움 등의 실용적인 문제가 있습니다.
- 생물학적 영감의 함정: 지나치게 생물학적 모방에 집착하면 잘못된 방향으로 갈 수 있습니다 (오니솝터 vs. 라이트 형제 비행기).
- 인간 신체와의 의존성: 홈 로봇은 인간과 상호작용하고 인간을 위해 구조화된 집과 상호작용해야 하므로 인간 신체에 의존하지만, 이것이 반드시 휴머노이드 형태를 의미하지는 않습니다.
- 로봇 큐비즘: Stretch는 인간 환경에 맞춰 치수를 설계하고, 인간 형태를 해체하여 재조립한 것과 같습니다.
- 폭: 50% 미만 엉덩이 너비 (좁은 통로 통과 가능).
- 팔 길이: 50% 팔 길이 (인간이 놓은 물건 도달 가능).
- 도달 범위: 바닥 (매우 중요한 작업 공간), 36인치 조리대 뒤쪽, 95% 휠체어 사용자 눈높이 도달 가능.
- 안정성: 정적 안정성, 무거운 베이스, 낮은 무게 중심.
- 간단한 모델 (중력 위치 에너지, mgh): 로봇의 사용 용이성 및 안전성 척도로 활용 가능.
- mgh: 낙상 시 전달되는 에너지, 로봇 질량(이동 난이도)과 관련됨, 정적 안정성에 필요한 베이스 너비와 관련됨.
- 디자인 공간 시각화: mgh(용이성/안전성) vs. 가격 그래프에서 Stretch는 다른 로봇 플랫폼 대비 유리한 위치에 있음 (낮은 mgh, 합리적 가격).
- 결과: 옮기기 쉽고(기울여서 굴리기), 운반하기 쉬움(차 한 대에 3대).

Stretch 로봇의 능력 시연

- 핵심 질문: 이러한 설계 타협에도 불구하고 Stretch는 충분히 유능한가?
- 원격 조작 (Teleoperation) 시연:
- 개발자(찰리)가 집에서 게임패드로 조작.
- 개와 놀기, 아이들과 놀기 (너프건 치킨 게임), 세탁물 꺼내기 등 수행.
- 자율 (Autonomy) 시연: 물체 파지 등 기본적인 자율 기능 수행.
- 양팔 조작 (Bimanual Manipulation) 가능성 (원격 조작):
- 개념: 로봇 한 대로 시작하여 필요시 두 대 사용 (점진적 도입 용이). 두 대 사용 시 이동 용이. 물체를 사이에 두고 작업 가능 (가변 어깨너비 효과). 특히 침대/휠체어 양쪽에서의 보조 작업에 유리할 수 있음.
- 시연 (원격 조작, 속도 높임): 다양한 물체(수건, 개 간식 등)를 양팔로 조작하는 가능성 제시.

1. 유저 프로필, 구매 기록, 장바구니 내용 등을 바탕으로 대화 시작
2. 유저가 음성으로 말하고 AI가 음성으로 응답
3. 추천에 쓸테니 캠 권한 달라고 요청
4. 캠 켜서 식물 보여주니 영상 인식으로 종류 알아내서 응답
5. 장바구니 내용과 유저 질의를 바탕으로 상품 추천 및 (유저 허락 하에) 장바구니 갱신
6. 더 필요한 거 없냐고 물어서 유저가 농담으로 "없다. 네가 식물을 심어줄 순 없으니"라고 했더니 식물 심는 서비스 소개
7. 유저가 가격 듣고, 타사의 할인 혜택을 봤다며 할인 요청하니 수초간 검토
8. 유저에게는 기다려달라고 하고 세일즈포스를 통해 인간 매니저에게 질의
9. 매니저가 할인 상품 제시하고 유저에게 전달
10. 유저가 수락하니 캘린더 일정 초대 및 이메일 발송

이 짧은 데모에 몇 개의 기술이 들어갔는지 모르겠네요. 음성 인식, 음성 합성, 권한 요청, 영상 인식, 관련 상품 추천, 보안 검토, 크로스셀링, 외부 도구(세일즈포스) 호출, 캘린더와 이메일 연동까지.

저는 여기서 8번, Human-in-the-loop가 아주 절묘해보였습니다. 인간과 AI가 협력하여 안정성을 높이고 고객에게 주는 가치도 더 높아진다고 느꼈거든요.

https://youtu.be/Z0GwPJncNqg?si=-npMHtv1MnJqnuPm

배휘동님

https://www.linkedin.com/posts/kmaphoenix_see-the-next-generation-of-googles-customer-activity-7320216331507625984-sg3v?utm_source=share&utm_medium=member_ios&rcm=ACoAABqmkk8B31-f1cgLX5fNW16TpECDoRf4kWg