1. 명세 (Specifications): 시스템이 무엇을 해야 하는지(Statement Specification)와 그 결과가 올바른지 어떻게 확인할지(Solution Specification)를 정의하는 것은 모든 공학 분야의 근본이다. 이는 시스템의 모듈화, 재사용성, 검증, 디버깅, 자율적 의사결정을 가능하게 하는 필수적인 토대다.

- Software 1.0 (고전적 프로그래밍): "무엇을 할지" (Statement Specification)를 명확하게 규정(specify)할 수 있는 작업을 자동화한다. (예: 정해진 규칙에 따른 데이터 변환)
- Software 2.0 (AI 프로그래밍): "무엇이 올바른 결과인지" (Solution Specification)를 명확하게 검증(verify)할 수 있는 작업을 자동화한다. (예: 목표 함수, 보상 함수를 통해 뉴럴 네트워크 학습)
- 핵심 전환: AI 시대에는 작업을 해결하는 알고리즘을 직접 작성하는 대신, 목표를 명확히 하고 해결책을 자동으로 평가(검증)할 수 있다면, AI는 그 목표를 향해 스스로 학습하고 최적화될 수 있다.

- 검증의 비대칭성 (Asymmetry of Verification): 많은 작업은 해결하기는 매우 어렵지만, 주어진 해결책이 올바른지 확인하는 것은 훨씬 쉽다. (예: 스도쿠, 웹사이트 코드 작성 vs. 웹사이트 작동 여부 확인)
- 검증자의 규칙 (Verifier's Rule): AI가 특정 작업을 해결하도록 훈련시키는 용이성은 그 작업이 얼마나 '검증 가능한가'에 정비례한다.
- 이상적인 검증 환경의 조건:
1. 객관적 진실: 누가 봐도 좋은 해결책에 동의한다.
2. 빠른 검증: 해결책을 몇 초 안에 확인할 수 있다.
3. 확장 가능한 검증: 많은 해결책을 동시에 확인할 수 있다.
4. 낮은 노이즈: 검증 결과가 해결책의 품질과 밀접하게 연관된다.
5. 연속적 보상: 해결책의 좋고 나쁨을 다양한 스케일로 측정할 수 있다.
- 학습의 본질: 이러한 조건들이 충족될 때 뉴럴 네트워크는 최대의 학습을 할 수 있으며, 각 학습 단계에서 풍부한 피드백(경사 신호)을 얻어 빠르게 반복하고 발전한다. 이는 디지털 세상의 발전 속도가 물리적 세상보다 빠른 이유와 동일하다.

LLM 시스템의 현재 한계는 '명세의 모호성'과 '검증 가능성 부족'에서 기인한다.

- 자연어의 양날의 검: LLM은 자연어를 통해 광범위한 접근성과 일반성을 얻었지만, 이로 인해 명세가 모호해지고 결과의 검증이 어려워진다.
- LLM의 실패 사례: 에어캐나다 챗봇의 잘못된 환불 정책, 쉐보레 챗봇의 1달러 자동차 판매 동의 등은 'Solution Specification'이 부재하거나 모호하여 LLM이 올바르지 않은 출력을 생성하고도 이를 감지/수정하지 못하는 전형적인 예시다.
- 블랙박스 문제: LLM의 모놀리식, 블랙박스 특성은 기존 소프트웨어의 디버깅(문제를 찾고 고치는 과정)을 불가능하게 만든다.

LLM 시스템을 공학 분야로 승격시키기 위한 해결책은 '명세의 명확화'와 '검증 가능성 향상'이다.

- 명세 모호성 해소 방안:
- 반복적 명세화: 인간의 대화처럼 LLM이 모호한 프롬프트에 대해 질문하고 가정을 명확히 하여 'Statement Specification'을 개선한다.
- 도메인별 규칙: 특정 분야의 명확한 규칙(예: 법률, 프로그래밍 언어)을 LLM에 주입하여 명세의 모호성을 줄인다.
- 컨텍스트 학습 및 활용: LLM이 사용자나 특정 작업에 대한 컨텍스트를 학습하여 암묵적인 가정을 명확히 한다.
- 구조화된 출력: JSON 스키마 등 표준화된 형식을 통해 'Statement Specification'을 강제하고, 부분적으로 'Solution Specification'을 제공한다.
- '낯선 사람 테스트': 프롬프트를 작성할 때 LLM이 해당 도메인에 대해 아무것도 모르는 '낯선 사람'이라고 가정하고 모든 세부 정보를 명시한다.
- 검증 가능성 향상 방안:
- 증명 기반 출력 (Proof-carrying outputs): 코드 생성 시 코드와 함께 해당 코드가 명세를 만족한다는 수학적 증명을 생성한다.
- 단계별 검증 (Step-by-step verification): LLM이 사고 과정을 단계별로 제시하게 하여 각 단계를 독립적으로 검증할 수 있도록 한다.
- 실행 후 검증 (Execute-then-verify): LLM의 출력을 안전한 환경에서 실행해보고 그 결과를 관찰하여 검증한다.
- 사전/사후 조건 (Preconditions & Postconditions): 입력과 출력에 대한 명확한 조건을 설정하여 유효성 검사를 강화한다.
- 통계적 검증 (Statistical verification): 대규모 환경에서 LLM 시스템의 '전반적인 성능'을 측정하고 모니터링하여 검증한다.

LLM은 '무엇이든 시도할 수 있는' 놀라운 능력을 가지고 있지만, 그 시도들이 '성공적이었는지'를 명확하게 알 수 없을 때 발전은 정체된다. AI 혁명의 다음 단계는 더 크고 복잡한 모델을 만드는 것을 넘어, 각 구성 요소의 **명세를 명확히 하고, 그 결과가 올바른지 '검증'할 수 있는 엔지니어링 원칙**을 LLM 시스템 개발에 적용하는 것이다. '검증 가능성'이 높은 작업에서 AI는 인간을 뛰어넘는 지능을 보여줄 것이며, 이는 AI가 해결할 수 있는 문제의 지형을 근본적으로 바꿀 것이다. 이 '검증 가능한' 영역을 확장하는 것이 곧 AI 기술 발전의 핵심 동력이 될 것이다.

https://x.com/karpathy/status/1990116666194456651
https://arxiv.org/abs/2412.05299
https://www.jasonwei.net/blog/asymmetry-of-verification-and-verifiers-law

우리는 '범용 로봇'을 꿈꾸지만, "똑똑하지 않아 보급되지 못하고, 보급되지 않아 데이터를 얻지 못해 똑똑해질 수 없는" 치명적인 '닭과 달걀의 딜레마'에 빠져 있었습니다.

형태는 과업을 따른다 (Form Follows Function).

실패: 우리는 '인간의 일'을 하는 로봇이 필요했지만, '인간의 형태'를 가진 휴머노이드를 만드는 데 집착했습니다. 그 결과, 아직 풀지도 못한 '균형 잡기' 문제에 막대한 비용을 쏟아붓고, '바퀴'보다 본질적으로 비효율적인 이동 방식을 고집하는 함정에 빠졌습니다.

학습에는 유의미한 정보가 필요하다.

실패: 우리는 로봇이 '스스로 배우길' 바랐지만(강화학습), 학습 초기에 로봇은 성공 경험이 전무하여 아무런 정보도 얻지 못했습니다. 이는 막대한 비용을 들여 '실패했다'는 당연한 사실만 확인하는, 극심한 정보 비효율성을 낳았습니다.

훈련은 실전과 같아야 한다.

실패: 우리는 '값비싼 현실'을 대체하기 위해 시뮬레이션이나 인간 비디오 같은 '값싼 가상' 데이터에 의존했습니다. 그러나 '가상'과 '현실' 사이의 미세한 차이는 모델이 똑똑해질수록 오히려 더 큰 오류를 낳는 '교집합의 함정'으로 작용했고, 모델의 잠재력을 억제하는 결과를 낳았습니다.

 "어떻게 움직일까?"에서 "무엇을 이해할까?"로

이러한 실패는 문제의 본질이 '행동'이 아닌 **'이해(표현)'**에 있음을 깨닫게 했습니다. 로봇은 세상을 이해하는 새로운 언어를 배워야 했습니다.

- 1단계 (개념 이해): 우리는 '플라톤의 동굴' 비유처럼, 세상 자체를 처음부터 가르치는 대신, 세상을 이미 이해한 인간의 '뇌(VLM)'를 로봇에 이식했습니다(VLA). 이를 통해 로봇은 '컵', '문'과 같은 '개념'을 학습했습니다.
- 2단계 (기하학 이해): 인간의 손과 로봇의 그리퍼라는 형태 차이를 극복하기 위해, 모든 움직임을 '3D 점들의 궤적'이라는 보편 언어로 번역했습니다(EgoZero). 이를 통해 로봇은 '기하학'을 학습했습니다.
- 3단계 (물리 이해): "달걀을 깨뜨리지 않고 집는 법"을 가르치기 위해, 눈에 보이지 않는 '힘' 자체를 예측하고 제어하는 법을 가르쳤습니다(Feel the Force). 이를 통해 로봇은 '물리'를 학습했습니다.

현재의 최전선: '데이터 선순환'을 향한 두 가지 거대한 베팅

'개념, 기하학, 물리'라는 새로운 언어를 갖춘 지금, 로봇 산업은 '닭과 달걀' 문제를 풀기 위한 현실적인 데이터 전략을 실행하고 있습니다. 이는 크게 두 가지 상반된 철학으로 나뉩니다.

베팅 1: 점진적 진화 (AI 우선주의)

철학: "가장 중요한 문제는 AI다." 아직 미해결된 하드웨어 문제(예: 두 발 보행)는 바퀴 등으로 우회하고, 모든 자원을 최고의 '뇌(AI)'를 만드는 데 집중합니다.

전략: 기성품 로봇에 AI를 탑재하여 빠르게 시장에 진입하고, 현실 데이터를 통해 AI를 빠르게 개선하는 '소프트웨어 중심'의 길입니다.

베팅 2: 궁극적 도약 (하드웨어 우선주의)

철학: "최종 형태가 모든 것을 결정한다." 인간 환경과의 완벽한 상호작용을 위해, 처음부터 완벽한 인간 형태의 '몸(하드웨어)'을 만드는 데 집중합니다.

전략: 막대한 자본으로 자체 하드웨어를 완성한 뒤, 여기에 맞는 방대한 데이터를 투입하여 단숨에 시장을 지배하려는 '수직 계열화'의 길입니다.

5. 데이터 포트폴리오: 어떤 베팅이든 피할 수 없는 과제

어떤 전략을 택하든, 모든 기업은 '데이터 부족' 문제를 해결하기 위해 다음과 같은 **하이브리드 데이터 포트폴리오**를 구축해야 합니다.

로봇 데이터 (원격 조종):

기회: 로봇의 몸으로 직접 수집한, 가장 '진짜'에 가까운 데이터입니다.

한계: 인간 조종사의 한계로 인해 데이터가 느리고 부자연스러우며, 촉각과 같은 비시각적 정보를 담기 어렵습니다. 확장성에도 명백한 한계가 있습니다.

시뮬레이션 데이터:

기회: 거의 무한에 가까운 데이터를 값싸게 생성하고, 현실에서는 불가능한 '실패'나 '위험' 시나리오를 안전하게 학습시킬 수 있습니다.

한계: '현실과의 불일치(Sim-to-Real Gap)' 문제를 완벽히 해결할 수 없어, 단독으로는 신뢰하기 어렵습니다.

인간 영상 데이터:

기회: 인터넷에 이미 존재하는, 가장 방대하고 다양한 데이터 소스입니다. 인간의 자연스러운 상호작용을 학습할 수 있습니다.

한계: '신체 형태의 불일치(Embodiment Gap)' 문제로 인해, 인간의 움직임을 로봇의 움직임으로 완벽하게 변환하기 어렵습니다.

6. 결론: 연습을 통한 완벽으로

궁극적으로, 로봇의 미래는 이 모든 요소를 결합하여 '데이터 선순환'을 구축하는 데 달려 있습니다. (1) 하이브리드 데이터로 '어느 정도 쓸모 있는' 초기 모델을 만들고, (2) 이 모델을 현실 세계에 투입하여 더 많은 '진짜 경험' 데이터를 수집하며, (3) 이 경험을 바탕으로 스스로를 개선하는 강화학습(예: RECAP)의 사이클을 돌리는 것입니다. 이 '연습을 통한 완벽'의 과정을 통해, 로봇은 비로소 인간의 지식을 모방하는 단계를 넘어, 스스로 물리 세계를 이해하고 탐험하는 '진정한 물리적 지능'을 갖추게 될 것입니다.

https://matthewcontinuouslearning.notion.site/Robotics-Research-11-19-2025-2b02857ddb1680339240e267581218dd?source=copy_link

로봇 쪽에서 나온 또 다른 드림팀 Sunday Robotics

Tony Z Zhao: ALOHA, ACT(Action Chunking with Transformer)로 값싼 텔레오퍼레이션 & 떨리지않고 부드럽게 움직일 수 있는 ACT등 연구 진행. Ex Google Deepmind, Stanford Phd Dropout from Chelsea Finn

Cheng Chi: Diffusion policy로 복잡하고 멀티모달한 상황에서 로봇이 안정적으로 움직이게 하는 알고리즘 + UMI(로봇 없이 고프로만으로 데이터 수집하는 시스템)

문제의식

현재 AI(LLM 등)의 성공 방정식은 '모델 구조(Transformer) + 인터넷 규모의 데이터'다. 로봇 공학에는 이미 좋은 모델(Transformer/Diffusion)이 있지만, '인터넷 규모의 물리적 데이터(Corpus)'가 없다.

기존에는 로봇 데이터를 모으려면 로봇이 있어야 했다(Teleoperation). 로봇은 비싸고, 무겁고, 고장 난다. 100만 시간을 모으려면 100만 시간 동안 로봇을 돌려야 한다. 불가능하다.

"로봇이 학습하는 데 팔꿈치나 어깨 위치가 필요한가?"  아니오.

- "필요한 건 무엇인가?"  손(End-effector)의 6차원 궤적(`x,y,z,rot*x*,*y*,*z*,*rot*`)과 시각 정보(Vision)뿐이다.
- 로봇을 없애라. 고프로(시각)와 3D 프린팅 된 손잡이(그리퍼)만 있으면 된다. 이를 통해 전 세계 누구나, 어디서든(In-the-wild) 데이터를 모을 수 있게 만든다.

신체 불일치 해결 (Solving Embodiment Mismatch)

- 제약: 사람이 모은 데이터는 사람의 데이터다. 로봇에게 그대로 주면 형태가 달라서 못 쓴다.
- 해결 (Hardware Isomorphism):
- "데이터 변환을 소프트웨어로 어렵게 해야 하는가?"  아니오.
- 하드웨어를 일치시켜라. 데이터 수집용 글러브의 집게와 로봇의 집게를 기하학적으로 100% 동일하게 설계한다.
- "사람이 글러브로 컵을 집었다면, 로봇도 물리적으로 똑같이 집을 수 있다." (Skill Transform의 성공률 90% 이상 달성)

엔지니어가 데이터를 모으는 건 비효율적이다.

- 데이터 수집을 우버(Uber)나 데이터 라벨링 알바처럼 만든다. 일반인에게 글러브를 나눠주고, 집안일(빨래 개기, 정리하기)을 하게 한 뒤 돈을 준다.
- 데이터 수집의 무한 확장(Scale-up)이 가능해진다.

학습 및 제어의 혁신 (AI & Control Strategy)

불확실성의 관리 (Managing Uncertainty with Diffusion)

- 세상은 예측 불가능하다. 장애물이 있을 때 왼쪽으로 갈 수도, 오른쪽으로 갈 수도 있다. 기존 방식(평균값 예측)은 어정쩡하게 중간으로 가다 부딪힌다.
- 해결 (Diffusion Policy):
- 행동을 하나의 정답이 아닌 '확률 분포'로 배운다. 노이즈로부터 행동을 생성해내므로, "왼쪽 아니면 오른쪽"이라는 명확하고 다양한 해결책(Multimodality)을 내놓는다.
- 이 덕분에 햇빛이 비치거나, 테이블이 지저분해도(노이즈가 있어도) 강건하게 작동한다.

끊김 없는 행동 생성 (Action Chunking)

- 제약: 0.1초마다 판단하면 로봇이 덜덜 떤다.
- 해결 (ACT):
- 순간이 아니라 미래의 궤적 덩어리(Chunk)를 한 번에 예측한다. 인간이 한 번 쳐다보고 컵을 잡으러 손을 뻗는 것처럼, 부드럽고 연속적인 동작을 생성한다.

안전장치 확보 (Hybrid Control)

- 제약: AI는 가끔 환각(Hallucination)을 일으켜 엉뚱한 짓을 할 수 있다. 물리 세계에서 이는 사고로 이어진다.
- 해결 (Full-stack Control):
- AI 모델(Brain) 밑단에 **고전 제어 이론(System ID, Feedback Control)**을 깐다.
- AI가 이상한 명령을 내려도, 하드웨어 레벨에서 모터의 토크나 속도를 제한하여 안전을 보장한다. (채용 공고의 Controls Engineer 역할)

제품화 및 양산 (Product & Scale)

A. 가전제품으로서의 로봇 (Robot as Appliance)

- 제약: 연구용 로봇은 수억 원이다. 가정에 보급하려면 $10,000 이하여야 한다.
- 해결 (Mass Production):
- 기성품을 쓰지 않고, 모터 제어기부터 PCB, 센서 모듈까지 직접 설계(EE Team)하여 원가를 낮춘다.
- 해외 위탁 생산(CM)과 공급망 관리(Supply Chain)를 통해 다이슨이나 테슬라처럼 찍어낸다. (Job: Manufacturing Engineer)

B. 수직 계열화 (Vertical Integration)

- 제약: 남의 OS나 부품을 쓰면 최적화에 한계가 있다.
- 해결:
- *데이터 수집(글러브)  학습(클라우드)  추론(로봇 OS)  구동(펌웨어)**까지 전 과정을 직접 만든다.
- 애플이 하드웨어와 소프트웨어를 통합해 최상의 경험을 주듯, 로봇의 성능을 극한까지 끌어올린다.

Sunday Robotics가 문제를 푸는 순서

1. Step 1 (입력): 로봇 없이도 로봇 데이터를 모을 수 있는 '저렴한 글러브(UMI)'를 만들어 일반인에게 뿌린다. (데이터 병목 해소)
2. Step 2 (변환): 글러브와 로봇 손을 똑같이 설계하여, 수집된 데이터를 복잡한 가공 없이 즉시 로봇 훈련 데이터로 바꾼다. (Embodiment Mismatch 해결)
3. Step 3 (지능): Diffusion Policy와 Transformer를 써서, 이 방대한 데이터를 먹고 스스로 행동 규칙(Policy)을 깨우치는 파운데이션 모델(VLA)을 만든다. (일반화된 지능 확보)
4. Step 4 (출력): 이 지능을 담을 저렴하고 안전한 하드웨어(Memo)를 대량 생산하여 가정에 보급한다. (시장 진입)
5. Step 5 (순환): 보급된 로봇이 겪는 실패 사례(Edge case)는 다시 데이터가 되어, OTA를 통해 로봇을 매일 밤 똑똑하게 만든다. (Data Flywheel 완성)

https://x.com/tonyzzhao/status/1991204839578300813

오타니 쇼헤이 만다라트 생성기

https://www.goalpillars.com/

주기적으로 살펴볼만한 Hamming선생님 강의

“You and Your Research" (또는 "You and Your Engineering Career", "You and Your Career")

성공의 폭넓은 원칙을 다루는 마지막 강의입니다. 해밍 자신은 '과학의 청소부(janitor of science)'로 시작하여 위대한 과학자들과 자신의 차이를 연구하고 분석한 결과를 공유합니다.

"해밍도 했는데 나라고 못할 게 뭐냐?"

마태 효과 (The Matthew Effect): "가진 자는 더 받아 넉넉하게 되고, 없는 자는 그 있는 것마저 빼앗기리라." 과학계에서도 유명해지면 더 많은 정보와 기회를 얻어 계속 유명해지기 쉽지만, 그렇지 않으면 성과마저 인정받지 못하고 사라지기 쉽습니다.

2. 성공의 요소: 운 vs. 준비된 마음 (Luck vs. Prepared Mind)

운에 대한 반박: 많은 사람들이 성공을 운으로 돌리지만, 파스퇴르의 말처럼 "운은 준비된 마음을 선호한다(Luck favors the prepared mind)"고 믿습니다.

파인만(Feynman)은 에너지가 넘치고 능력이 있어 노벨상을 받을 것이 분명해 보였습니다. 그의 성공은 운이라기보다 그의 본성(nature)에 가까웠습니다.

섀넌(Shannon)과 해밍이 같은 방을 썼을 때, 섀넌은 정보 이론을, 해밍은 코딩 이론을 만들었습니다. 이는 우연히 '공기 중에 떠다니던' 아이디어가 아니라, 그들이 준비되어 있었기 때문에 번개가 쳤을 때(기회가 왔을 때) 잡을 수 있었던 것입니다. 섀넌은 그 전에도 불 대수를 스위칭 회로에 적용하는 등 이미 준비된 인재였습니다.

결론: 매일매일의 삶을 통해 성공을 준비해야 합니다. 준비되지 않으면 기회가 와도 잡을 수 없습니다.

3. 노력과 재능 (Hard Work vs. Intelligence)

노력의 중요성: 에디슨의 말처럼 천재는 99%의 노력과 1%의 영감입니다. 위대한 사람들은 항상 열심히 일합니다. 로스 앨러모스에서 쉴 때조차 그들은 문제에 대해 이야기했습니다.

지능(IQ)의 한계: 뉴턴이나 아인슈타인도 어릴 때는 특별해 보이지 않았습니다. 높은 IQ가 도움이 될 수는 있지만, 위대한 업적을 남기는 데 필수적인 것은 아닙니다. 많은 위대한 사람들이 평범해 보이는 지능을 가졌지만 엄청난 노력으로 성공했습니다.

사례 (빌 판, Bill Pfann): 빌 판은 수학도 잘 못하고 자신감도 부족했지만, '존 멜팅(Zone Melting)'이라는 아이디어를 가지고 있었습니다. 해밍은 그를 도와 컴퓨터 시뮬레이션을 수행했고, 결국 빌 판은 이 아이디어로 엄청난 성공을 거두었습니다. 중요한 것은 재능보다 좋은 아이디어를 알아보고 끝까지 밀고 나가는 것입니다.

4. 자신감과 용기 (Confidence & Courage)

자신감: 위대한 일을 하려면 자신이 위대한 일을 할 수 있다고 믿어야 합니다. 자신감이 없으면 시작조차 할 수 없습니다.

용기 (섀넌의 예): 섀넌은 정보 이론을 만들 때 무작위 코드의 평균이 좋다는 것을 증명하고, 따라서 좋은 코드가 반드시 존재한다고 믿었습니다. 이는 엄청난 용기가 필요한 접근이었습니다. 체스를 둘 때도 섀넌은 절대 방어하지 않고 공격만 했습니다. "나는 아무것도 두렵지 않다(I ain't scared of nothin'!)"는 태도로 문제에 접근해야 합니다.

5. 중요한 문제에 집중하기 (Working on Important Problems)

점심 식사 일화: 해밍은 벨 연구소에서 물리학자들과 점심을 먹으며 배웠지만, 그들이 떠난 후 화학자들과 식사하게 되었습니다. 그는 화학자들에게 "당신 분야에서 중요한 문제는 무엇입니까?", "당신은 그 문제를 연구하고 있습니까?", "그렇지 않다면 왜 안 합니까?"라고 물었습니다.

결과: 이 질문을 듣고 깨달음을 얻은 친구(데이비드)는 중요한 문제에 대해 깊이 생각하게 되었고, 결국 부서장이 되고 공학 아카데미 회원이 되었습니다. 반면 나머지 사람들은 그렇지 못했습니다.

중요한 문제란: 해결책(공격 방법)이 보이는 문제입니다. 타임머신이나 반중력처럼 결과는 엄청나지만 해결 방법이 없는 문제는 중요한 문제가 아닙니다.

도토리 심기: 처음부터 거창한 문제만 쫓는 것이 아니라, 미래에 거대한 참나무가 될 '도토리(작은 문제)'를 심고 키우는 것이 중요합니다. 노벨상 수상자들이 이후 업적이 저조한 이유는 중요한 문제만 다루려다 아무것도 못 하게 되기 때문입니다.

6. 탁월함 추구와 비전 (Excellence & Vision)

탁월함: 무엇을 하든 탁월하게(Excellence) 해내려는 태도가 중요합니다. 대충 처리해도 되는 일(서류 서명 등)을 제외하고는, 자신의 일을 최고 수준으로 해내야 합니다.

비전: 술 취한 선원처럼 무작위로 걸으면 제자리걸음이지만, 예쁜 여자를 향해(목표를 가지고) 걸으면 멀리 갈 수 있습니다. 비전을 가지고 일관된 방향으로 나아가야 합니다.

7. 작업 환경과 태도 (Working Conditions & Attitude)

문을 열고 일하기: 문을 닫고 일하면 방해받지 않아 생산성이 높을 수 있지만, 세상과 단절되어 엉뚱한 문제를 풀게 될 수 있습니다. 문을 열고 일하는 사람들은 방해를 받지만 중요한 문제가 무엇인지 파악하고 현실과 연결됩니다.

환경 탓하지 않기: 나쁜 도구를 탓하는 것은 서툰 장인입니다. 완벽한 환경(프린스턴 고등연구소 같은)이 오히려 사람을 무기력하게 만들 수도 있습니다. 주어진 환경에서 최선을 다하고, 약점을 강점으로 바꿔야 합니다.

프로그래머가 부족하자 해밍은 "기계가 프로그래밍하게 하자"라고 생각하여 프로그래밍 언어 및 컴파일러 개발의 선구자가 되었습니다.

아날로그 컴퓨터의 성능이 부족하자 디지털 컴퓨터로 미분 방정식을 푸는 방법을 연구하여 새로운 수치 해석 방법을 개발했습니다.

8. 성공 연구하기 (Studying Success)

성공을 공부해라: 실패가 아닌 성공을 연구해야 합니다. 갈릴레오나 뉴턴이 어떻게 성공했는지 연구하고, 자신에게 맞는 방법을 찾아 스타일을 형성해야 합니다.

천재인 튜키만큼 많이 알기 위해 해밍은 튜키만큼 노력해야 한다는 조언을 듣고, 자신의 삶을 재정비했습니다. 쓸데없는 잡지 읽기를 그만두고, 북 리뷰 에디터가 되어 강제로 책을 읽고 최신 지식을 습득했습니다.

9. 스타일과 커뮤니케이션 (Style & Communication)

스타일: 무엇을 하느냐만큼 '어떻게 하느냐(Style)'가 중요합니다. 아인슈타인은 특수 상대성 이론을 명확하고 직관적인 방식으로 정리했기 때문에 기억되는 것입니다.

커뮤니케이션: 구두 발표, 문서 작성, 일상 대화 등 세 가지 레벨에서 소통 능력을 키워야 합니다.

발표 기술: 다른 사람의 발표를 들을 때 내용뿐만 아니라 스타일(무엇이 효과적이고 무엇이 아닌지)을 분석하고 자신에게 적용해야 합니다. 농담도 자신의 스타일에 맞는 것을 찾아야 합니다.

10. 변화와 모호함 견디기 (Change & Ambiguity)

변화 수용: 발전하려면 변화가 필요합니다. "10년 동안 같은 방식으로 해왔다면 바꿀 때가 되었다"는 태도로 끊임없이 더 나은 방법을 찾아야 합니다.

모호함 견디기 (Tolerance of Ambiguity): 위대한 과학자는 이론을 믿으면서도 동시에 의심합니다. 믿어야 연구를 계속할 수 있고, 의심해야 오류를 발견하고 새로운 이론으로 나아갈 수 있습니다.

11. 결론 (Conclusion)

"연구를 다 하면 가르치는 일을 줄여주겠다"는 말처럼, 능력을 먼저 증명해야 기회가 주어집니다.

성공한 사람들은 그 과정이 "술, 여자, 노래를 합친 것보다 낫다"라고 말합니다. 위대한 일을 해내고 그것을 아는 기쁨은 무엇과도 비교할 수 없습니다.

"성찰하지 않는 삶은 살 가치가 없다(The unexamined life is not worth living)." 자신의 삶을 돌아보고, 단순히 흘러가는 대로 사는 것이 아니라 원하는 삶을 살도록 노력해야 합니다.

해밍은 자신이 힘들게 깨달은 성공의 비결을 모두 알려주었습니다. 이제 여러분은 해밍보다 더 잘하지 못할 핑계가 없습니다.

https://youtu.be/a1zDuOPkMSw

역시 Gavin Baker 관점은 명쾌하다.

"Gemini 3는 프리트레이닝을 위한 스케일링 법칙이 여전히 유효하다는 것을 보여준다. 이는 o1이 출시된 이후 가장 중요한 AI 데이터 포인트다. 이는 곧 블랙웰 계열 모델들이 2026년 2분기에 출시될 때 성능이 크게 향상될 가능성이 높다는 뜻이기도 하다. GPT-5는 스케일링 법칙이 둔화되고 있다는 증거가 아니었다. GPT-5는 더 나은 성능을 목표로 설계된 것이 아니라, 추론 비용을 더 싸게 만드는 데 초점을 맞춘 모델이었다. 실제로는 라우터 뒤에 숨은 더 작은 모델이었다. 그리고 Gemini 3가 TPU로 학습되었으니 블랙웰과는 연결해서 해석할 수 없다고 말하지는 말아 달라. 프리트레이닝에서 중요한 것은 블랙웰이든 TPU든 상관없이 일관된(coherent) FLOPs의 규모다."

"AI는 내가 기술 투자자로 일해 온 커리어 전체를 통틀어, “비용”이 진짜로 중요한 의미를 갖는 첫 사례로 남아 있다. 애플이 수조 달러짜리 기업이 된 이유는 아이폰을 가장 낮은 원가로 생산하기 때문이 아니며, 엔비디아가 AI 가속기를 가장 싸게 만드는 회사라서 그런 것도 아니다. 그러나 “토큰을 가장 낮은 비용으로 생산하는 플레이어”가 되는 것은 엄청난 이점을 가져올 것이다. 오늘날 토큰의 최저 비용 생산자는 구글이고, 그 다음이 xAI다. 중요한 것은 GPU나 TPU의 “대수”가 아니라, 하나의 클러스터/패브릭 내에서 일관되게(coherent) 묶여 있는 GPU의 수, 그리고 그 클러스터/패브릭 내에서 통신하는 데 드는 비용이다."

"CoreWeave의 분기 실적은, 설령 CoreWeave가 전력 계약 측면에서 우위를 가지고 있더라도, 실제로 전력을 확보해 온·오프라인으로 만들고 인프라를 적시에 배치하는 일이 얼마나 어려운지를 보여주었다. 이런 전력 관련 병목은 앞으로 더 자주 발생해 더 많은 플레이어에게 영향을 줄 가능성이 크다. 나는 이것이 오히려 긍정적이라고 본다. 전력 부족은 AI 인프라 구축에서 자연스러운 ‘조절 장치(governor)’ 역할을 하여, 과잉 구축(overbuild)이 일어날 확률을 낮춘다. 이로 인해 사이클의 기간은 더 길어지고, 변동성은 더 완만해질 것이다."

"전력 부족은 블랙웰에게는 훌륭한 환경이 될 수도 있다. 와트(watt)가 병목이 되는 상황에서는, 와트당 토큰(tokens per watt)이 의사결정을 좌우하게 되며, 토큰은 말 그대로 = 매출이다. 전력 제약이 심한 세계에서는 GPU vs ASIC 가격 차이는 훨씬 덜 중요해진다. 여기에 구글이 TPU를 외부 고객에게 판매하기 시작했다는 사실까지 더해지면, 다른 대부분의 ASIC 프로그램이 취소될 가능성이 크다. 설령 어떤 ASIC이 1GW급 데이터센터의 구축 비용을 500억 달러에서 400억 달러로 줄여 준다고 하더라도, 그 400억 달러의 ROI는 더 낮을 것이다. 그 데이터센터가 만들어내는 매출(토큰)이 상당히 줄어들 것이기 때문이다. 종합하면, 전력 부족은 와트당 토큰 성능이 가장 뛰어난 반도체와 시스템의 가격 결정력을 크게 높여 준다."

"광통신(optics)은 워크로드를, 전력이 충분하고 가격이 싼 곳으로 옮길 수 있게 해준다. 전기요금 인상에 대한 정치적 압력을 완화하기 위해 출력 제한(curtailment)이 하나의 해법으로 쓰이게 되면서, 이것은 점점 더 중요해질 것이다. 멀티 캠퍼스에서 진행하는 트레이닝에는 상상을 초월하는 수준의 광통신 장비가 필요하지만, 이 지출 규모는 여전히 연산(컴퓨트)에 들어가는 지출에 비하면 훨씬 작다. 따라서 경제적으로 충분히 성립 가능한 대안이다. 역설적이게도, 광통신은 중국의 GPU 부족과 전력 과잉 문제에 대한 해법이기도 하다. 스케일-업 네트워킹에서 구리(copper) 케이블 대신 광(optical)으로 전환하면, 전력 사용량이 극적으로 늘어나는 대가를 치르는 대신, 가속기 한 개당 연산 성능 부족분 상당 부분을 상쇄할 수 있기 때문이다."

"블랙웰이 널리 공급되기 시작한 이후에도 Hopper 임대 가격이 오히려 상승했다는 사실은, GPU 잔존가치(residual value)를 지금의 6년보다 더 길게 잡아야 할지도 모른다는 신호다. 오늘날에도 A100조차 여전히 매우 높은 수준의 변동 현금 마진(variable cash margin)을 만들어 내고 있다. 이런 추세가 이어진다면, GPU 금융 비용은 추가로 100~200bp 정도 더 낮아질 수 있다. 덧붙이자면, 데이터센터의 물리적 현실을 감안하면 GPU의 경제적 수명이 1~2년에 불과하다는 가정은 사실상 성립할 수 없다."

"벤처 회사들이 대거 클라우드로 이전한 뒤, S&P 500 기업들이 광범위하게 클라우드로 전환하기까지는 대략 5년 정도가 걸렸다. AI는 이보다 더 빠르게 진행될 수도 있다. 3분기가, 여러 S&P 500 기업들이 처음으로 “재무제표에 눈에 보이게 영향을 준 AI 생산성 데이터”를 공개한 시점이었다는 점은 주목할 만하다. 예를 들어 C.H. Robinson 같은 사례가 그렇다. 이런 대기업들의 초기 생산성 향상은, 벤처 투자자들이 포트폴리오 회사들을 통해 보고 있는 현상과도 맞닿아 있다. 사실상 모든 벤처 지원 회사들이 AI에 과감하게 베팅하면서, 직원 1인당 매출이 수직 상승하고 있기 때문이다."

"이 모든 것은 우리가 아직 AI의 매우 초기 단계에 있다는 점을 시사한다."

https://x.com/gavinsbaker/status/1991248768654803337?s=46&t=kBWm12pe7zszh3422SH2Og

범용 행동 지능(Generalist Action Intelligence)을 위한 실험

핵심 가설

1. 다중 세계 가설 (The Multi-World Hypothesis):
- 하나의 환경에서 깊게 배우는 것보다, 물리 법칙과 시각적 스타일이 다른 여러 환경(9개 이상의 게임)을 얕게라도 동시에 배우는 것이 새로운 환경(Unseen World)에 적응하는 능력을 키워준다.
- 지능은 과적합(Overfitting)이 아니라 범주화(Categorization)와 적응(Adaptation) 능력이다.

2. 언어 인터페이스 가설 (The Language Interface Hypothesis):
- 로봇/에이전트 제어를 위해 복잡한 코드나 API 대신 자연어(Natural Language)를 사용하면, 언어 모델의 방대한 지식을 행동으로 전이(Transfer)시킬 수 있다.
- 언어는 인간이 세상의 복잡성을 압축해 놓은 가장 효율적인 추상화 도구다.

3. 데이터의 연금술 가설 (The Synthetic Data Hypothesis - SIMA 2):
- 가설: 인간의 데모 데이터 없이, AI가 생성한 세계(Genie 3)에서 AI(SIMA)가 스스로 놀면서 만든 데이터만으로도 지능이 향상될 수 있다.
- 지능의 원천은 '경험의 질'이 아니라 '상호작용의 양(Scale of Interaction)'이다.

검증된 내용 (Validated Findings)

- Zero-shot Generalization: 훈련 데이터에 없었던 게임(ASKA, MineDojo)에서도 "나무를 베어라", "집을 지어라" 같은 명령을 수행했습니다.  픽셀 패턴이 아닌 '개념'을 학습했음을 증명.
- System 2 Reasoning (SIMA 2): Gemini와 결합하여 단순 명령 수행을 넘어, "자원을 모아서 캠프를 지어라"는 고수준 명령을 스스로 하위 태스크로 쪼개고 실행했습니다.  언어 모델의 추론 능력이 행동 제어(Control)로 연결됨을 증명.
- Self-Improvement: 생성형 환경(Genie)에서의 자가 학습 루프가 실제로 성능을 높였습니다.  데이터 병목 해결의 실마리 확인.

여전한 한계 (Persisting Limitations)

- 물리적 실재감의 부재 (Lack of Physicality): 게임 속 '충돌'과 현실의 '충돌'은 다릅니다. 게임은 실패해도 리셋되지만 현실은 파괴됩니다. SIMA는 **'비가역적 실패(Irreversible Failure)'**에 대한 공포와 조심성이 없습니다.
- 시간적 지연 (Latency): Gemini와 같은 거대 모델이 이미지를 보고 생각하고 판단하는 데 걸리는 시간은 밀리초(ms) 단위의 정밀 제어가 필요한 로봇에게는 너무 느립니다.
- 기억의 휘발성 (Short Horizon Memory): 긴 시간 동안 복잡한 작업을 할 때, 초반에 했던 행동이나 상태를 잊어버리는 경향이 있습니다. (Context Window의 한계)

https://deepmind.google/blog/sima-2-an-agent-that-plays-reasons-and-learns-with-you-in-virtual-3d-worlds/

위대한 스타트업 투자자, 창업가, 연구자들에게서 흔히 발견되는 공통점이 하나 있다.
그것은 바로 몇 번의 거대한 성공을 얻기 위해, 수많은 작은 실수를 저지르는 것을 기꺼이 감수한다는 점이다.
(놀랍게도 꽤 많은 사람들은 반대로 수많은 소소한 성취를 얻는 대가로 몇 번의 치명적인 실수를 저지르는 쪽을 선호하는 듯하다.)

Sam Altman

위대한 창업자는 결코 '마이너스 원(Minus One)'을 떠나지 않는다

마이너스 원은 단순한 단계가 아니라 하나의 **사고방식(mindset)**입니다. 그것은 회사를 처음 있게 만든 그 독창성을 쫓아 끊임없는 재창조를 이끄는 관점이자 운영 방식입니다. 이 사고방식에서 멀어지는 창업자들은 순수한 '최적화'의 늪에 빠질 위험이 있습니다. 그렇게 되면 그들의 역할은 협상 가능한(대체 가능한) 것이 됩니다. 기술의 최전선에는 항상 미지의 영역이 존재하며, 끝까지 살아남는 기업은 그 가장자리에 머무르는 창업자가 이끄는 곳들입니다. 그들은 불확실성 속에서도 편안함을 느끼며, 스스로를 계속해서 다시 마이너스 원으로 밀어 넣는 사람들입니다.

진정으로 위대한 기업은 단순히 운영이 잘 되는 곳이 아닙니다. 그들은 끊임없이 다시 태어납니다.

심기(Planting) vs. 수확하기(Harvesting)

회사를 짓는 것을 밭을 가꾸는 일이라고 생각해보십시오.

위대한 창업자는 심는 사람이자 동시에 수확하는 사람입니다. 그들은 새로운 토양을 발견하고, 그곳에서 무엇이 자랄지 상상하며, 비가 오기 전에 씨앗을 뿌리는 위험을 기꺼이 감수합니다. 수확은 운영의 영역으로, 자라나는 것을 보호하고 효율화하는 작업입니다. 둘 다 필수적입니다. 수확 없이는 지속 가능성이 없고, 심기 없이는 미래가 없습니다.

창업자가 심기를 멈추는 순간, 미래는 제한됩니다. 시장은 따라잡습니다. 그러므로 창업자의 일은 계속 심는 것입니다. 기존의 수확이 좋아 보일 때조차 새로운 가치의 원천을 계속 발견해야 합니다. 그것이 기업을 지속 가능하게(durable) 만드는 힘입니다. 오래된 밭을 지키는 능력이 아니라, 새로운 밭을 일구는 능력 말입니다.

창업자가 수확 모드, 즉 운영의 탁월함과 이미 알려진 것을 최적화하는 일에 너무 안주하게 되면, 애초에 그들을 창업자로 만들었던 바로 그 요소를 잃게 됩니다. 창업은 발명이라는 행위입니다. 실행, 관리, 최적화를 당신보다 더 잘하는 사람은 항상 있을 것입니다. 하지만 그 누구도 당신처럼 새로운 가치를 창출할 수는 없습니다.

그것이 당신의 경쟁 우위(edge)입니다. 그것이 바로 마이너스 원 마인드셋입니다.
**메타(Meta)**를 보십시오. 저커버그는 끊임없이 새로운 탐색의 마이너스 원 상태에 있습니다: 소셜 네트워크, VR, 웨어러블, AI. "다음은 무엇인가?"라고 자문하는 것은 쉬운 일이 아닙니다.

페이스북은 모바일 전환기 때 위험을 감수했습니다. 2012년 모바일 수익은 사실상 제로였습니다. 회사를 키웠던 데스크톱 광고는 모바일로 이어지지 않았습니다. 사용자 경험은 투박했고 월가는 회의적이었습니다. 저커버그는 데스크톱을 최적화하고 마진을 개선하여 주주들을 행복하게 만드는 데 집중할 수도 있었습니다.

대신 그는 모바일에 회사의 운명을 걸었습니다. 그것은 거대한 '마이너스 원'으로의 회귀였습니다. 새로운 인터페이스가 작동하게 만드는 법을 알아내고, 핵심 인프라를 재구축하고, 인스타그램의 10명 팀을 위해 10억 달러를 썼습니다. 그 베팅은 성공했지만, 이는 오직 저커버그가 확실성을 버리고 가능성을 택했기 때문에 가능했습니다.

오늘날 메타의 시가총액은 거의 2조 달러에 달합니다. 그러나 그들은 설비 투자(capex)에 1,000억 달러 이상을, 인재 확보에 10억 달러를 쏟아붓고 있습니다. 그들의 가장 큰 스윙(도전)입니다. 규모가 커졌다고 해서 마이너스 원 마인드셋을 받아들일 수 없다고 스스로를 속이지 마십시오.

창업자의 도덕적 권위 (The Founder’s Moral Authority)

저커버그가 그런 거대한 베팅을 할 수 있는 이유는 창업자에게는 양도하거나 고용할 수 없는 일종의 도덕적 권위가 있기 때문입니다. 이는 회사가 단지 하나의 신념에 불과했던 최초의 마이너스 원 시기를 살아낸 데서 나옵니다. 그 시련을 겪어냈기에 창업자는 창조적 위험을 계속 감수할 권리를 얻습니다. 그들은 외부인은 알 수 없는 수준에서 회사의 DNA를 이해합니다. 그들은 무(無)에서 유(有)를 만드는 데 무엇이 필요한지 알기 때문에 팀을 불편하고 야심 찬 영역으로 밀어붙일 수 있습니다.

**루마(Luma)의 아밋(Amit)**에게 있어 마이너스 원은 NeRF(Neural Radiance Fields)를 작동하게 만드는 것이었습니다. 유망하지만 비현실적인 연구 논문을 실제 세계의 장면을 캡처할 수 있는 무언가로 바꾸는 것을 의미했습니다. 그다음은 기술적으로 인상적일 뿐만 아니라 살아있는 듯한 완전한 3D 환경으로 확장하는 것이었습니다. 그다음은 완전히 새로운 자산을 처음부터 생성하는 것이었습니다. 그다음은 복잡성이 기하급수적으로 증가하는 전체 비디오 생성에 도전하는 것이었습니다. 4년이 지난 지금은 어떨까요? 아밋은 여전히 기술적으로나 상업적으로 가능한 것의 경계를 넓히고 있습니다.

각 전환기마다 아밋은 다시 초심자가 되는 불편함을 받아들여야 했습니다. 그는 현재 위치에 머무를 수도 있었습니다. 기존 사업은 잘 돌아가고 있었고 업무도 흥미로웠으니까요. 하지만 더 큰 기회는 새로운 개척지를 발견하는 데 있었습니다.

창업자가 창의성을 멈추고, 주관을 잃고, 위험 감수를 멈추는 순간, 그들은 대체 가능한 존재가 됩니다. 회사에 여전히 리더십은 필요할지 모르지만, 더 이상 '그 창업자'가 필요한 것은 아닙니다. 이것은 대부분의 창업자가 피하고 싶어 하는 불편한 진실입니다. 창업자의 유일한 기여가 운영적인 것이라면, 이사회는 더 경험 많은 전문 경영인(executor)을 데려오는 것을 합리화할 것입니다. 프로세스를 최적화하고 팀을 관리하며 더 효율적으로 수확할 수 있는 사람 말입니다.

하지만 창업자가 여전히 독창성을 제공하고, 새로운 베팅과 방향을 심고 있다면, 그를 교체하는 것은 회사의 창의적 심장을 도려내는 것과 같습니다. 이것이 마이너스 원 마인드셋이 선택 사항이 아닌 이유입니다. 그것이 바로 창업자의 해자(moat)입니다.

사우스 파크 커먼스에서 우리는 어떤 회사든 가장 중요한 요소는 제품도, 시장도, 자금도 아니라고 믿습니다. 바로 당신, 창업자입니다. 우리는 단순히 실행을 돕는 파트너가 아닙니다. 우리는 당신의 야망을 날카롭게 하고 새로운 밭을 일구도록 돕는 존재입니다. 당신을 대체 불가능한 존재로 만드는 그 일을 탁월하게 해내도록 도울 것입니다.

https://blog.southparkcommons.com/the-minus-one-mindset/

호기심이 많고, 열심히 일하며, 적당히 괜찮은 판단력과 지능, 명료한 사고력 등을 갖추고 있다면, 정말 멀리 갈 수 있습니다. 그게 시간이 지나면서 복리 효과를 내기 때문입니다. 사람들은 보통 자신의 안주하는 수준까지만 올라갑니다. 이건 대체로 사실이며, 투자든 대기업이든 상관없습니다.

만약 당신의 꿈이 매니저가 되는 것이고 거기서 완벽히 만족한다면, 대개 거기서 멈추게 됩니다. 반대도 마찬가지라는 뜻은 아닙니다. CEO가 되고 싶어 하는 10,000명이 있다고 해서 모두가 CEO가 되는 건 아니지만, 사람들은 스스로 한계를 만듭니다. 스포츠나 비즈니스 등에서 그런 이야기를 듣죠. 사람들이 이 점을 충분히 인식하지 못하는 것 같습니다.

스포츠에서도 톰 브래디나 유명 사이클 선수인 셉 쿠스 같은 사람들을 보면 알 수 있습니다. 사람들은 자신이 얼마나 자신을 밀어붙일 수 있는지 과소평가합니다. 그건 정말 사실입니다. 그리고 그중 90% 이상은 정신적인 부분입니다.

그러니 호기심이나 근성(grit) 같은 요소들을 일찍 시작할수록 좋습니다. 하룻밤 사이에 깨우칠 순 없습니다. 쉬운 길도, 지름길도, 뒷문도 없습니다. 하지만 1%라도 더 자신을 계속 밀어붙이면 시간이 지나면서 해결해 나갈 수 있다고 생각합니다.

찰리(멍거)가 말하듯이, 모든 사람이 매일 조금만 더 똑똑해져서 잠자리에 든다면, 시간이 지남에 따라 그 복리 효과가 어떨지 생각해보세요. 부모님 덕분이고, 운 좋게 좋은 선생님들을 만나기도 했고... 네, 그 두 가지는 매우 중요한 포인트입니다. 호기심과 근성은 아무리 강조해도 지나치지 않습니다.

—

Q: 해외 교육 시스템이나 미국에서도 점점 더, 인생의 초기부터 1순위가 아닌 것들을 제거해야 한다는 압박을 많이 느끼는 것 같습니다. 이런 것에 대한 관찰이나, 어떻게 다양한 관심사를 유지하고 점들을 연결하면서도 전문성의 깊이를 경험할 수 있었는지, 그 과정을 어떻게 헤쳐나갔는지 말씀해 주실 수 있나요?

제가 얼마나 중구난방이었는지를 보여주는 정말 좋은 질문입니다. 당신의 생각에 덧붙이자면, 한때 저는 천체물리학자가 되고 싶다고 생각해서 플로리다 주립대의 아주 좋은 천문학 프로그램 수업들도 다 들었습니다. 금요일 자정에 플라네타륨(천문관)에 있곤 했죠. 그렇게 여기저기 관심이 많아서, 건축가가 되고 싶어 건축 수업도 들었습니다.

분명히 말하지만, 제가 이 중 어느 것도 잘했던 건 아닙니다. 그냥 19살, 20살 때 길을 찾으려고 노력했던 거죠. 그런데 데이비드 엡스타인의 『늦깎이 천재들의 비밀(Range)』이라는 정말 경이로운 책이 있습니다. 필독서가 되어야 한다고 생각하는데, 이 책의 거대한 결론은 자본주의와 사회가 사람들에게 점점 더 일찍 전문화하도록 강요한다는 점을 지적합니다. 그 말이 전적으로 맞습니다.

스포츠든 거의 모든 분야에서, 그들은 측정 가능하기 때문에 전문가는 더 빨리 출발합니다. 그래서 즉각적인 보상을 얻게 되죠. 이건 아까 말한 '타이거 맘' 이야기와도 조금 연결되는데, "전문화해, 전문화해"라고 강요하는 이유는 초반에 치고 나갈 수 있기 때문입니다. 하지만 그만큼 훨씬 일찍 정체기(plateau)에 도달합니다.

제너럴리스트(다방면의 경험자)는 예상대로 훨씬 느리게 시작하지만, 나중에 지연된 만족(delayed gratification)이 옵니다. 책에서는 훌륭한 운동선수들이 처음부터 그 종목을 하지 않았기 때문에 더 훌륭해진 흥미로운 사례들을 보여줍니다. 비록 책에서 투자 예시를 들지는 않지만, 투자의 본질이 다학제적 역량을 요구한다는 점을 고려할 때, 투자가 완벽한 예시라고 생각합니다.

그리고 그건 호기심과도 밀접하게 연결됩니다. 단순히 IQ가 높은 게 아니라, 정말로 호기심이 많다면 다양한 관심사를 갖게 될 테니까요.

물론 여기서 균형을 잡아야 할 부분은 '능력의 범위(circle of competence)'를 알고 너무 산만해지지 않는 것입니다. 행동으로 옮길 때는 자신감과 역할에 대해 알아야 합니다. "그래, 천문학에 호기심은 있어. 그렇다고 내가 뭘 제대로 안다는 뜻은 아니야." 학습 단계인지 행동 단계인지 구분해야 합니다.

—

당신의 친구이자 멘토인 분들, 나중에 찰리 이야기도 하겠지만, 그들에게서도 같은 점이 보입니다. 그들의 삶에는 절박함(urgency)이 있습니다. 어딘가에 도달하고 싶어 하지만, 균형도 있습니다. 가고자 하는 곳에 도달하는 데 시간이 걸린다는 것을 알고, 진정한 위대함을 성취하려면 그 형성이 이루어지도록 내버려 두는 인내심이 필요하다는 것이죠.

인생, 투자, 이 모든 것들은 단순하지만 쉽지는 않습니다(simple but not easy). 그리고 쉬워서는 안 됩니다. 할 가치가 있는 일은 원래 쉽지 않은 법이니까요. 사람들은 단기적인 만족을 원하고, "코드가 뭐야? 허점이 뭐야?" 하며 비결을 알고 싶어 하지만, 세상은 그런 식으로 작동하지 않습니다.

그리고 사람마다 다 다르게 작동합니다. 마법의 공식 같은 건 없습니다. 하지만 '리스크(Against the Gods)'를 쓴 리스크의 대가 피터 번스타인은 항상 단기보다 장기를 예측하는 것이 훨씬 쉽다고 말했습니다. 20년, 30년, 40년, 50년 후의 북극성(목표)을 가지고 있다면, 가는 길에 많이 놓쳐도 괜찮습니다. 궤적을 정확히 맞출 필요는 없습니다.

두 걸음 전진하고 한 걸음 후퇴하는 식이라도 괜찮습니다. 단기를 정밀하게 맞추는 게 훨씬 더 어렵습니다. 사회에 뿌리 박힌 그런 사고방식을 거의 뒤집어서(invert) 생각해야 합니다.

—

지적 호기심이 있고 열심히 일한다면 기회는 많습니다. 하지만 사람들은 역산(backsolve)하려고 실수합니다. "맥킨지에서 일하고 싶어, 돈 많이 벌고 이력서에 좋으니까." 이건 워런의 말과 정반대입니다.

저희 아이들에게 항상 말했습니다. "파리에서 화가가 되고 싶으면 해라." 워런이 즐겨 쓰는 방식인 '극단으로 밀어붙이기'를 해보면, 돈이나 명예를 쫓는 논리는 무너집니다.

인생에서 무엇을 하든 돈이나 명예, 찬사를 위해 하지 마세요. 그건 시간이 걸리고 성숙이 필요하며, 우리 모두 진화하기 때문에 바뀝니다. 정적인 것은 없습니다. 사람들은 "나는 이렇고, 이걸 위해 살 거야"라고 정적으로 생각하지만, 연구에 따르면 우리는 미래에 우리가 얼마나 변할지 엄청나게 과소평가합니다.

매 순간 우리는 끊임없이 '마르지 않은 시멘트(wet cement)'와 같습니다. 사람들은 시멘트가 굳었다고 생각하지만 그렇지 않습니다. 닐 디그래스 타이슨이 우주의 광대함에 대해 말했죠. 어떤 사람들은 그걸 우울해하지만, 어떤 사람들은 해방감과 낙관을 느낍니다. 저는 후자입니다. 워런도 확실히 그렇고요.

마법은 없습니다. 경험과 호기심에 열려 있어야 합니다. 제가 틀릴 수 있고 상황이 변할 수 있다는 사실에 열려 있어야 합니다. 실제로 변하니까요.

창업을 꿈꾸는 사람들을 위해 그 결정에 대해 더 이야기해 주시죠. 준비되었다고 느끼셨나요?

아뇨, 전혀요. 저는 살면서 한 번도 준비되었다고 느낀 적이 없습니다. 이건 모두가 적어둬야 할 교훈일 겁니다. 다른 사람들이 당신에게서 당신이 못 보는 무언가를 볼 때, 그건 놀라운 일입니다. 스티브, 찰리, 워런 모두 그랬습니다.

버크셔에서 처음 20~25억 달러 포트폴리오를 맡았는데 6개월 뒤 워런이 "두 배로 늘리자"고 했을 때도 저는 "음..." 했지만 그는 "넌 괜찮아"라고 했죠. 저는 헤이븐(Haven)도, 1년에 200개 인수를 검토하는 것도, 4만 명 직원의 회사를 운영하는 것도 준비되지 않았었습니다.

스티브 프리드먼을 만난 건 엘리엇 스피처(Eliot Spitzer) 검찰총장의 조사 때문이었습니다. 이사회는 스티브에게 마시를 맡아달라고 했고, 그는 보험 전문가를 찾다가 제가 이 회사를 2년 동안 공매도하고 있다는 걸 알게 된 지인을 통해 저에게 연락했습니다.

아침 식사를 하며 2시간 동안 마시 맥레넌에 대해 이야기했습니다. 끝날 무렵 스티브가 "혹시 다른 공매도하는 거 있어요?"라고 물었습니다. 저는 스티브가 패니메이(Fannie Mae) 이사회 의장인 줄도 모르고 순진하게 말했습니다.

"아, 패니메이는 마시보다 10배는 더 최악이에요."

"뭐라고?" 제가 말했죠. "완전 회계 부정이에요. 감옥 갈 사람 나올 겁니다." 그가 "나 거기 이사인 거 알아요?"라고 해서 "몰랐어요. 저라면 당장 그 이사회에서 나오겠어요"라고 했습니다.

그는 다음 날 또 아침을 먹자고 했고, 3시간 동안 파생상품 회계 등을 설명해 줬습니다. 변호사인 그는 회의에서 빠져나와 그날 저녁 5시에 이사회를 사임했습니다. 그리고 다음 날 와서 "우리가 당신 같은 사람을 7~8년 동안 찾고 있었는데, 펀드를 시작해라"라고 했습니다. 참 묘하게 일이 풀리죠.

—

복리 방정식으로 돌아가 보죠. 원칙(P)을 찾고(호기심), 성장률(R)을 높이는 법(능동적 학습, 노력)을 이야기했습니다. 이제 세 번째 변수인 시간(T), 지속성에 대해 이야기해 봅시다.

투자든 인생이든 5~7년은 잘하다가 멈추는 경우가 많습니다. 반면 버크셔는 계속 성장합니다. 어떻게 'T'를 연장할 수 있을까요?

목적(Purpose)으로 귀결됩니다. 톰 브래디나 페더러, 조코비치가 은퇴하지 않으려는 이유는 잘해서이기도 하지만, 그걸 사랑하기 때문입니다.

경쟁이 치열한 세상에서 100만 명이 조코비치나 워런 버핏이 되려고 노력합니다. 그중 0.1%가 그 일을 너무나 열정적으로 사랑해서 잠자리에 들 때도, 일어날 때도 그 생각만 한다면, 단순히 노력만으로는 그들을 이길 수 없습니다.

그래서 열정을 찾는 게 중요합니다. 돈이나 명예 같은 단기적이고 일시적인 것을 위해 일한다면, 진정으로 사랑하는 사람들과 경쟁할 수 없습니다.

그리고 젊을 때 많은 리스크를 감수하는 게 정말 중요합니다. 저는 잃을 게 없었기 때문에 그랬습니다. 나이가 들면 하방 리스크가 커집니다. 그러니 젊을 때 리스크를 감수하고 실수하세요. 사기 같은 게 아니라면요.

찰리와 워런과 이야기한 건데, 인생에서 100만 개의 실수를 해야 한다면, 그걸 다 앞당겨서 19살, 20살, 21살 때 다 해버리세요. 그러면 이론적으로 다시는 실수하지 않겠죠. 그러려면 초반에 시야를 엄청나게 넓혀야(widen the aperture) 합니다. 그러면서 배워서 좁혀나가는 거죠.

퍼즐을 맞출 때 조각을 다 쏟아붓고 가장자리와 모서리부터 맞추는 것과 같습니다. 중간부터 시작하지 않습니다. 밖에서 안으로(outside in) 작업하는 거죠.

——

기업가로서의 삶을 떠나 거대 조직으로 들어가는 건 드문 일입니다. 찰리에게 콜드 콜(cold call)을 하게 된 계기가 무엇인가요?

돈은 벌고 싶었지만 이미 벌었고, 저는 '핵융합'처럼 적은 투입으로 더 많은 산출을 원했습니다. 캐슬 포인트로 그걸 어느 정도 이뤘지만, 번아웃이 왔습니다. 주 80시간 근무, 월간 보고서 작성 등은 잘 될 때도 재미없었습니다.

저는 보험을 알았고, 보험 회사를 사서 영구 자본(permanent capital)을 갖고 자산은 유지하되 부채(보고 의무 등)는 없애고 싶었습니다. 그렇게 하려고 했는데, 찰리가 당시 86세쯤 되었으니 얼마 안 계실 수도 있겠다고 생각했죠.

LA에 갈 일이 있어서 "만날 리 없겠지만 한번 해보자" 하고 전화했습니다. 비서가 "원하는 게 뭐냐?"라고 해서 "아무것도 원하지 않는다. 그냥 만나고 싶다"라고 했습니다. 우연히 우리가 아는 공통의 지인(마크 넬슨)이 있었고, 그가 찰리에게 저에 대해 좋게 말해줬습니다. 마크는 제 프레젠테이션을 보고 "젊은 찰리 멍거 같다"라고 했었거든요.

찰리가 다음 날 이메일로 "아침 7시에 캘리포니아 클럽에서 보자"라고 했습니다. 6시간 동안 이야기했는데, 그분을 따라가느라 저는 진이 다 빠졌습니다. 그에게는 그냥 테니스 공 치는 것 같았겠지만요.

그 후 일주일 뒤 전화가 와서 또 몇 시간 통화하고, 다음에 LA 올 때 또 보자고 하셨습니다. 12번 정도 만났는데 처음에는 투자 이야기는 별로 안 했습니다. 그러다 결국 "뭐 할 거냐?"라고 물으시길래 계획을 말했더니, "그냥 워런이랑 이야기해 봐"라고 하셨습니다. 저는 그게 면접인 줄도 몰랐습니다. 제가 가진 주식 중 하나를 그들이 인수하려고 부르는 줄 알았죠. 그게 오히려 가식 없이 대화할 수 있게 해 주었습니다.

—
워런과 찰리는 당신에게서 무엇을 보았을까요?

어려운 질문이네요. 일화가 낫겠네요. 찰리와의 첫 만남에서 딥워터 호라이즌(Deepwater Horizon, BP 기름 유출 사고) 이야기가 나왔습니다. 우리는 우주와 마틴 리스의 책 『단지 여섯 개의 숫자(Just Six Numbers)』에 대해 이야기하다가 거기로 흘러갔습니다.

저는 보험 용어로 "CEO 임기가 4년이니 100년에 한 번 일어날 확률에 돈을 안 쓴 거다. 그들은 본질적으로 딥 OTM(Out-of-the-money) 풋옵션을 판 것과 같다"라고 했습니다.

찰리가 "방금 뭐라고 했나? 젠장, 그거 천재적인데(brilliant)"라고 했습니다. 저는 "아니에요, 그냥 포드 핀토(Ford Pinto) 사건 같아요. 2센트짜리 부품을 안 써서 차가 폭발하게 둔 거죠"라고 했습니다. 빈도와 심도(frequency and severity), 파워 법칙 등에 대해 이야기했습니다. 그런 사고방식이 통했던 것 같습니다.

워런과는 바로 주식 이야기로 들어갔습니다. 제 포트폴리오에 U.S. 뱅코프, 웰스파고, 마스터카드, 비자가 있었는데, 그는 아멕스(Amex)를 가지고 있었죠. "왜 아멕스 대신 마스터카드인가?"라고 물었고 저는 제 의견을 쏟아냈습니다.

워런은 지적으로 정직한 분이라 "어떤 시나리오에서 그게 틀릴 수 있지?"라고 물었고 우리는 토론했습니다. 프로그레시브와 가이코(Geico)에 대해서도, 저는 "프로그레시브가 데이터 회사라 장기적으로 이길 거다. 둘 다 기술은 별로다"라고 솔직하게 말했습니다.

CEO들은 보통 아부만 듣는데, 저는 신경 쓰지 않았습니다. "이게 제 의견입니다. 동의 안 하셔도 됩니다." 그 솔직함을 높이 사신 게 아닐까 싶습니다.

—

워런 버핏의 사무실 바로 옆방에서 지내며, 그와 찰리 멍거를 멘토이자 친구로 둔다는 건 어떤 느낌인가요?

"고무가 도로에 닿을 때(실전 상황이 닥칠 때)" 진가를 알게 됩니다.

힘든 상황이 터졌을 때, 사무실에 저밖에 없었는데 워런이 슬리퍼를 끌고 내려와서 "오늘 3건의 딜이 왔는데 다 쓰레기야. 왜냐하면..." 하면서 이야기를 시작합니다. 방사선 회사 이야기나 케이블 카우보이(Cable Cowboy) 책을 읽은 이야기 등등요.

제가 케이블 사업에 대해 묻자 그는 60년대에 분석했던 파일들을 보라고 했습니다. 점심 먹으러 가서 그런 이야기를 나누죠. 저는 71년생이라 60년대는 몰랐는데, 그런 역사적 맥락을 얻게 됩니다.

수백만 가지 이야기들이 3차원 홀로그램처럼 펼쳐집니다. 멀리서 보면 소음(noise)일 수 있는 것들이, 바로 옆에 있으면 아주 명확한 신호(signal)로 다가옵니다.

https://joincolossus.com/episode/combs-todd-combs-investing-the-last-liberal-art/

멍거의 배경과 대공황의 교훈

- 변호사가 아니었다면: 멍거는 만약 워런 버핏을 만나지 않았더라도, 법률 업무를 통해 번 돈으로 부동산 개발업자(Pritzker나 Bing 가문처럼)가 되었을 것이라고 말했습니다. 그는 클라이언트들이 하는 일을 보며 "내가 더 잘할 수 있겠다"라고 생각하는 성향이 있었습니다.

대공황(The Great Depression)의 기억:

- 대공황을 겪은 것은 이점이었다고 회고합니다. 세상에 얼마나 많은 비이성(irrationality)이 존재하는지 7살 때 깨달았습니다.
- 일화: 아버지의 친구였던 천재 수학 교수가 집안의 누수 문제로 이성을 잃고 미친 듯이 화를 내는 것을 보며, "천재도 저렇게 미칠 수 있다면, 나에게도 기회가 있다"라고 생각했습니다. 이러한 비이성적인 세상이 역설적으로 기회를 제공한다고 보았습니다.
- 기질(Temperament): 높은 지능보다 중요한 것은 이성적인 기질과 긴 집중력(long attention span)입니다. 멍거는 씨를 뿌리는 과정(분석과 매수) 자체를 수확하는 것만큼이나 즐깁니다.

Todd Comb

한 학생이 "시간을 어떻게 보내느냐"고 묻자, 버핏은 서류가 가득 든 아코디언 폴더를 들어 보이며 "나는 그냥 읽는다. 매일 500페이지씩 읽어라. 지식은 복리처럼 쌓인다. 누구나 할 수 있지만 대부분 하지 않는다"고 했다. 나는 이 말을 단순한 조언이 아닌 '도전'으로 받아들였고, 그때부터 실제로 실행에 옮겼다. 이는 수동적인 배움이 아닌 능동적인 배움의 자세를 갖게 된 계기였다.

Q: 버크셔 합류 후 어떻게 가치를 더하려 했나?

A:

워런은 나에게 포트폴리오를 맡기며 "네가 원하는 대로 하라"며 전적인 자율권을 줬다. 나는 다른 사람을 흉내 내기보다 내가 잘 아는 방식(금융, 결제 서비스 등)으로 승부하기로 했다. 워런과의 점심 식사를 통해 "크게 생각하라(Think Big)"는 교훈을 얻었고, 단순히 주식을 사는 것을 넘어 기업 전체를 인수하는 관점을 갖게 되었다. 이것이 나중에 헬스케어 프로젝트(Haven)나 JP모건 이사회 활동 등으로 이어졌다.

Q: 실수를 했을 때는 어떻게 대처하나?

A: 누구나 실수를 한다. 중요한 것은 결과(Outcome)보다 과정(Process)에 집중하는 것이다. 자신의 능력 범위(Concentric Circles)를 서서히 넓혀가야지, 금융을 하다가 갑자기 전혀 모르는 기술 분야로 건너뛰면 안 된다. 리스크를 복합적으로 계산(Path Dependency)하여 치명적인 실수를 피하려 노력한다.

Q: 현재의 독서 습관은 어떤가? 여전히 500페이지씩 읽나?

A: 읽는 양은 비슷하지만 내용이 바뀌었다. 낮에는 가이코 CEO로서 기술 로드맵이나 보고서 등 업무 관련 자료를 읽는다. 투자를 위한 독서(연례 보고서, 10K, 무역 잡지 등)는 밤이나 주말을 이용한다. 팟캐스트는 독서로 치지 않는다.

Q: 투자 리서치는 어떻게 하나?

A: 1차 자료(연례 보고서, 공시 등)와 무역 잡지를 중시한다. 남들이 잘 안 읽는 자료를 읽고, 필요하면 직접 전화를 걸어 정보를 얻는다. 투자는 정량적 분석(가치 평가)보다 정성적 분석(Qualitative)이 95~99%를 차지한다. 세부 사항(Details)에서 시작해 밖으로 나가는 '인사이드 아웃(Inside-Out)' 방식을 선호한다. 미리 시가총액을 보지 않고 스스로 가치를 산정한 뒤 시장 가격과 비교하여 '앵커링 효과(Anchoring Effect)'를 피한다.

Q: 비즈니스의 리스크는 어떻게 평가하나?

A: 비즈니스의 어떤 부분이 죽어가고 있는지, 그리고 겉으로 드러나지 않은 리스크(Tail Risk)가 무엇인지 파악하려 한다. 워런과 찰리에게 추천했던 책 'Ubiquity'에 나오는 '멱법칙(Power Laws)'처럼, 사람들은 낮은 빈도지만 발생하면 치명적인 위험(Out of the money puts 매도와 같은 행위)을 간과하는 경향이 있다. 반대로 비대칭적인 상승 잠재력이 있는지도 살핀다.

Q: 초기 경력에서 중요한 인맥은 어떻게 형성했나?

A:

프로그레시브(Progressive) 보험사 시절, 나는 마시 맥레넌(Marsh McLennan)과 패니 메이(Fannie Mae)의 문제점을 파악하고 공매도 포지션을 취하고 있었다. 당시 마시 맥레넌의 CEO를 찾던 스티브 프리드먼과 척 데이비스가 나를 '해당 사안의 전문가(Axe)'로 소개받아 만나게 되었다. 이 인연이 이어져 나중에 내 펀드를 시작할 때 그들이 초기 투자자가 되어주었다.

Q: 네트워킹에 대한 철학이 있다면?

A: '네트워킹'이라는 단어 자체를 별로 좋아하지 않는다. 거래적인 의도가 느껴지기 때문이다. 대신 '넓은 시야(Wide Aperture)'를 갖되, 내가 좋아하고 함께 있으면 즐거운 사람들에게 시간을 집중하는 방식을 선호한다. 워런에게 배운 점이기도 하다. 의도적인 네트워킹보다 과정에 충실하면 인연은 자연스럽게 이어진다고 믿는다.

Q: 18세의 토드에게 지금의 커리어를 말해주면 믿겠나?

A:

절대 안 믿을 것이다. 나는 운이 좋았고, 많은 사람들의 도움을 받았다. 과거 프로그레시브 시절, 펀드 매니저가 되고 싶어 브로커에게 물었더니 "아이비리그 출신 아니면 꿈도 꾸지 말라"는 말을 들었었다. 하지만 준비(Preparation)와 끈기(Grit)가 있었기에 운이 찾아왔을 때 잡을 수 있었다.

Gemini 3 관련 Demis Hassabis 인터뷰

가장 큰 차이점은 '추론(Reasoning)' 능력의 깊이입니다. Gemini 3는 단순히 답을 내놓는 것을 넘어, 복잡한 문제를 해결하기 위해 스스로 **'생각의 흐름(Train of Thought)'**을 유지할 수 있습니다. 이전 모델들이 3~4단계의 추론 과정에서 길을 잃거나 환각(Hallucination)을 보였다면, Gemini 3는 수십 단계의 논리적 과정을 안정적으로 밟아나갑니다. 특히 코딩과 수학 분야에서 이 능력이 두드러집니다.

Q. '생각의 흐름'이 구체적으로 사용자에게 어떤 이점을 줍니까? 예를 들어, 복잡한 코드를 짜거나 역사적 문서를 분석할 때 모델이 중간에 맥락을 놓치지 않습니다. 사용자가 "이 부분은 왜 이렇게 됐어?"라고 물으면, 모델은 자신의 논리적 경로를 되짚어 설명할 수 있습니다. 이는 신뢰성(Reliability) 측면에서 엄청난 도약입니다.

Q. Gemini 3의 개발 과정에서 가장 중점을 둔 부분은 무엇인가요? 우리는 모델이 '자신의 한계를 아는 것'에 집중했습니다. 모르는 것을 모른다고 하거나, 불확실할 때 사용자에게 되묻는 능력을 키웠습니다. 또한, 개인화(Personalization) 기능을 강화하여 사용자의 이전 작업 스타일이나 선호도를 기억하고 이에 맞춰 결과물을 생성하도록 했습니다.

AI 산업의 현황과 '거품(Bubble)' 논란

Q. 최근 AI 산업에 거품이 끼어있다는 지적이 많습니다. 이에 동의하십니까? 네, 솔직히 말하면 AI 산업의 일부 영역에는 확실히 거품이 있다고 봅니다(Probably in a bubble). 현재 시장에는 실질적인 제품이나 차별화된 기술 없이, 단순히 'AI'라는 키워드 하나로 수백억 달러의 가치를 인정받는 스타트업들이 존재합니다. 이는 지속 가능하지 않으며, 언젠가는 조정(Correction)이 올 것입니다.

Q. 그렇다면 구글이나 딥마인드도 그 위험에 노출된 것 아닙니까? 우리는 다릅니다. 거품이 꺼질 때 살아남는 것은 '실질적인 가치(Real Value)'를 증명하는 기업들입니다. 우리는 이미 Gemini를 통해 검색, 워크스페이스, 안드로이드 등 수십억 명이 쓰는 제품을 혁신하고 있습니다. 또한 Waymo(자율주행)와 Isomorphic Labs(신약 개발)처럼 AI를 물리적 세계와 과학적 발견에 적용해 실제 수익과 성과를 내고 있습니다. 우리는 이 '거품' 논란에서 가장 강력한 위치(Strong position)에 있다고 확신합니다.

Q. AI 투자가 과열되었다는 비판에 대해서는 어떻게 생각하나요? 과열된 측면이 있지만, 이는 새로운 기술 혁명 초기에 항상 나타나는 현상입니다. 인터넷 초창기에도 닷컴 버블이 있었지만, 결국 인터넷은 세상을 바꿨습니다. 중요한 건 누가 끝까지 살아남아 세상을 바꿀 기술을 완성하느냐입니다.

로봇 공학(Robotics)과 '물리적 지능'

Q. Wired와의 인터뷰에서 "로봇을 위한 안드로이드"를 언급하셨는데, 무슨 뜻인가요? 스마트폰 시장을 보세요. 안드로이드라는 OS가 있었기에 수많은 제조사가 다양한 형태의 스마트폰을 만들 수 있었습니다. 우리는 로봇 분야에서도 똑같은 일을 하려 합니다. 'Gemini Base'라는 범용 AI 소프트웨어 계층을 만들어, 휴머노이드든 바퀴 달린 로봇이든 상관없이 어떤 로봇 하드웨어에도 즉시 적용할 수 있게 할 것입니다.

Q. 그렇다면 구글이 직접 로봇을 만드는 건가요? 하드웨어보다는 '로봇의 두뇌'를 만드는 데 집중하고 있습니다. 물론 이를 테스트하기 위해 보스턴 다이내믹스 출신의 아론 샌더스(Aaron Saunders) 등을 영입해 하드웨어 역량도 강화하고 있습니다. 하지만 궁극적인 목표는 모든 로봇이 세상을 이해하고 상호작용할 수 있게 하는 '범용 로봇 지능'을 공급하는 것입니다.

Q. 로봇이 우리 일상에 들어오는 건 언제쯤일까요? 생각보다 빠를 겁니다. 향후 몇 년(Couple of years) 안에 로봇 공학에서 "와우(Wow)" 할 만한 순간을 보게 될 것입니다. Gemini와 같은 멀티모달 모델이 시각과 언어를 결합해 물리적 세계를 이해하기 시작했기 때문입니다.

AGI와 미래 전망

Q. AGI(범용 인공지능)는 언제쯤 실현될까요? 여전히 5~10년입니까? 네, 저는 여전히 **향후 5년에서 10년 사이**에 AGI가 등장할 확률이 50% 이상이라고 봅니다. 우리는 지금 올바른 궤도(Dead on track)에 있습니다. 하지만 여전히 한두 번의 큰 기술적 돌파구(Breakthrough)가 더 필요합니다. 특히 기억력(Memory), 계획 수립(Planning), 그리고 물리적 세계에 대한 이해(World Models) 측면에서 더 발전해야 합니다.

Q. '월드 모델(World Models)'이 왜 중요한가요? 현재의 LLM은 텍스트 기반이라 세상의 물리적 법칙을 완벽히 이해하지 못합니다. AGI가 되려면 텍스트를 넘어, 사과를 떨어뜨리면 왜 아래로 떨어지는지, 문을 열면 그 뒤에 무엇이 있을지 예측할 수 있는 '세상에 대한 내적 모델'을 가져야 합니다. 이것이 우리가 지금 가장 집중하고 있는 연구 분야입니다.

Q. 마지막으로, Gemini 3 이후의 계획은 무엇입니까? Gemini 3는 시작일 뿐입니다. 우리는 이미 Gemini 4와 그 이후 버전을 기획하고 있습니다. 우리의 목표는 단순히 똑똑한 챗봇을 만드는 게 아니라, 인류의 난제(질병, 기후 변화, 에너지 문제)를 해결할 수 있는 '과학적 도구로서의 AI'를 완성하는 것입니다.

https://youtu.be/rq-2i1blAlU

세상의 학습 환경은 두 가지로 나뉩니다:

Kind Environment (친절한 환경)

- 패턴이 반복되고, 피드백이 즉각적이며, 규칙이 명확
- 예: 체스, 골프
- 최적 전략: 조기 전문화 (Tiger Woods)

Wicked Environment (험난한 환경)

- 패턴이 불분명하고, 피드백이 지연되며, 규칙이 변함
- 예: 비즈니스, 의학, 인생의 대부분
- 최적 전략: 폭넓은 Sampling (Roger Federer)

> 핵심: 우리는 Kind 환경의 성공 사례를 Wicked 환경에 잘못 적용하고 있습니다.
>

1. 조기 전문화의 함정

조기 숙련도 ≠ 장기 잠재력

핵심 예시: 프리스타일 체스

- 인간 + 컴퓨터 대결에서 승자는 최고의 그랜드마스터가 아니었음
- Anson Williams (아마추어 체스 선수)가 우승
- 체스 실력은 평범했지만, 여러 AI 도구를 전략적으로 활용하는 통합 능력 탁월
- 교훈: Wicked 환경에서는 범위(Range)가 깊이(Depth)를 이김

보조 증거

노벨상 수상자들은 동료 과학자들보다 예술적 취미를 가질 확률이 훨씬 높음

2. 바람직한 어려움 (Desirable Difficulties)

쉬운 학습 = 얕은 이해 (빠른 망각)

어려운 학습 = 깊은 이해 (오래 지속)

핵심 개념: Interleaved Practice

- Blocked Practice: 같은 문제 반복 (AAAA, BBBB)
- 즉각적 성과는 높지만 장기 보존은 낮음
- Interleaved Practice: 다른 문제 섞어서 (ABCD, BCAD)
- 즉각적 성과는 낮지만 장기 보존은 훨씬 높음
- 핵심: 어떤 전략을 사용할지 판단하는 능력 향상

실증 예시

화가 구별: Cézanne, Picasso를 섞어서 보는 것이 각각 따로 보는 것보다 훨씬 효과적

3. 유추적 사고의 힘

Inside View: 현재 문제의 세부사항 집중 → 과신, 좁은 해결책

Outside View: 다른 영역의 구조적 유사성 찾기 → 정확한 예측, 창의적 해결책

Duncker의 방사선 문제

- 문제: 종양은 파괴하되 주변 조직은 손상 없이?
- 혼자 풀 때: 10%만 해결
- 유추 제공 (장군이 여러 방향에서 요새 공격): 80% 해결
- 교훈: 표면적 특징(의학 vs 군사)이 달라도 깊은 구조(집중된 힘)는 같을 수 있음

실용적 적용

- 사모펀드: Outside View (다른 프로젝트와 비교) → 정확한 예측
- 영화 수익: "어떤 영화와 유사한가?" → 높은 정확도

4. Match Quality와 Sampling의 중요성

조기 전문화 → 낮은 match quality → 커리어 변경 多

늦은 전문화 (Sampling) → 높은 match quality → 장기 성공

핵심 예시: 빈센트 반 고흐

- 미술상, 교사, 서점 직원, 목사 모두 실패
- 27세에야 그림 시작, 스타일도 계속 바꿈
- 교훈: "늦은 시작"과 끊임없는 "그만두기"가 그의 독특한 스타일 발견을 가능하게 함

The End of History Illusion

- 우리는 과거에 변했다는 것은 인정하지만, 미래에는 변하지 않을 것이라 믿음
- 실제: 가치관과 선호도는 평생 크게 변함
- 시사점: Test-and-Learn > Plan-and-Implement

아웃사이더의 우위

- 전문가의 맹점: Einstellung Effect - 익숙한 방법만 사용
- 아웃사이더의 강점: 영역 밖 사고, 먼 유추 사용

InnoCentive 플랫폼

> "문제가 해결자의 전문성에서 멀수록, 해결 가능성이 높음"
>

강력한 예시: John Davis

- 문제: 기름 유출 청소 (초콜릿 무스 같은 기름)
- 화학 지식이 아닌, 여름 건설 아르바이트 경험 회상
- 콘크리트 진동기로 해결
- PhD 화학자들이 수십 년 못 푼 문제를 화학자가 화학 외 방법으로 해결

미발견 공공 지식

Don Swanson: 서로 인용하지 않는 다른 분야 논문들을 교차 참조하여 마그네슘과 편두통 사이의 11가지 연결고리 발견

1. Lateral Thinking with Withered Technology

최첨단 기술 경쟁 대신, 오래되고 싼 기술을 새로운 방식으로 사용

Nintendo Game Boy

- 경쟁사보다 기술적으로 열등 (흑백 화면, 저성능)
- 하지만 "구식" 기술 덕분에:
- 저렴, 내구성, 배터리 효율, 개발 용이
- 결과: 우수한 Sega/Atari를 압도

폴리매스의 가치

Andy Ouderkirk (3M): 전문가 발명가는 1980년대 정점, 폴리매스는 점점 더 가치 있어짐

7. 고슴도치 vs 여우

Hedgehog: 단일 이론으로 세상을 봄 → 예측 정확도 끔찍 (침팬지보다 못함)

Fox: 다양한 관점을 종합 → 예측 정확도 우수

Philip Tetlock의 20년 연구

- Hedgehog: 자신감 넘치지만 틀림, 실패 후에도 믿음 수정 안 함
- Fox: 적극적 열린 마음, 새로운 데이터로 지속적 업데이트

Good Judgment Project

"슈퍼 예측자" (지적인 일반인/Foxes) > 기밀 데이터 가진 정보 분석가 (30% 앞섬)

8. 익숙한 도구 버리기

고압 상황에서 전문가들은 익숙한 도구로 퇴행 - 그 도구가 쓸모없어도

핵심 예시: Challenger 재해

- NASA 엔지니어들은 O-ring 고장 데이터를 가지고 있었음
- 하지만 "정량적이지 않다"는 이유로 무시
- 교훈: 모호한 상황에서 정량적 증명 요구라는 "익숙한 도구"를 버리지 못함

의료 과다 사용

전문가들은 증거가 효과 없다고 보여줘도 익숙한 도구 사용

- Oculostenotic reflex: "망치를 가지면 모든 것이 못으로 보인다"

9. 의도적 아마추어 (Deliberate Amateur)

혁신은 비효율성을 요구 - "dabble"하고, 탐구할 시간

- "금요일 밤 실험" 수행
- 개구리 공중 부양 (Ig Nobel상) → 그래핀 발견 (진짜 Nobel상)
- 5년마다 분야를 바꿈: "깊이 파지 않는다 - 얕게 grazing한다"

보조 예시: Oliver Smithies

"토요일 아침 실험"으로 젤 전기영동법 발견 (어머니가 셔츠에 풀 먹이던 것 기억)

실천 가능한 적용

학습할 때

- Interleaved practice 사용 (섞어서 연습)
- "어려운" 학습 선택 → 장기 보존 최적화

문제 해결 시

- Inside view만 사용하지 말 것
- "이것은 무엇과 유사한가?" 질문
- 완전히 다른 영역에서 유추 찾기

커리어 계획

- 10년 계획 대신 단기 계획
- Match quality가 낮으면 그만두는 것을 두려워하지 말 것
- Test-and-Learn > Plan-and-Implement

혁신 추구

- "금요일 밤 실험" 시간 확보
- 다른 분야의 오래된 해결책 찾기
- 전문 분야 밖을 읽고 배우기

우리가 살고 있는 세상은 대부분 Wicked Environment입니다.

Kind 환경(체스, 골프)의 성공 스토리를 일반화하는 것은 위험합니다.

비즈니스, 의학, 연구, 예술, 그리고 **인생 대부분의 영역**에서는:

- 패턴이 불분명하고
- 피드백이 지연되며
- 규칙이 계속 변합니다

이런 환경에서는 **Range(폭넓은 경험)**가 가장 강력한 무기입니다.

> "뒤처졌다고 느끼지 마라"
>
- 율리우스 카이사르: 알렉산더 동상 앞에서 울었지만, 나중에 세계 정복
- Steve Nash: 13세에 농구 시작 → NBA MVP 두 번
- Sviatoslav Richter: 22세에 정식 레슨 시작 → 20세기 최고의 피아니스트

조기 전문화의 압박을 느끼지 마세요. 다양한 경험, "실패", 커리어 변경은 약점이 아니라 Wicked World에서 성공하기 위한 필수 자산입니다.

재능을 알아보는 안목 (The Art of Spotting Talent)

당신은 분야를 막론하고 최고가 된 사람들을 연구하고, 함께 일하고, 경쟁했습니다. 그들에게서 발견한 가장 중요한 공통된 특징은 무엇인가요?

저는 성장과 최고가 되는 것에 관심이 있습니다. 거의 건강하지 않을 정도로 탁월함(excellence)에 집착하죠. 사람을 만나면 10분 안에 제 뇌가 자동으로 스캔해서 같은 분야의 사람, 다른 분야의 사람, 성격이 비슷한 사람들과 비교합니다. 장단점을 다 비교하죠. 예술품을 수집할 때도 마찬가지입니다.

저는 하루에 200개 정도의 이미지를 봅니다. 머신 러닝(ML)처럼 제 뇌에 데이터를 넣는 거죠. 저는 이걸 제 개인적인 AI라고 생각합니다. 당신을 만났을 때도 인터뷰를 아주 잘한다는 걸 알았죠. 책을 읽고 50분 만에 핵심을 요약했잖아요. 그건 재능이 없으면 불가능합니다.

당신은 직관으로 움직이는 것 같지만, 책을 보면 엄청난 준비를 합니다. 우편실에서 일할 때 2시간 일찍 출근해서 70년 치 파일 캐비닛을 읽고, 퇴근 후에도 읽었죠. 록펠러처럼 밭을 갈듯이요. 그런 엄청난 지식 기반 위에 실험과 참조 프레임이 더해져서 직관적인 결정이 나오는 것 같습니다. 분석할 시간도 없이 "이 사람은 특별해, 연결해야 해"라는 식으로요.

네, 하지만 데이비드, 질문을 하나 하죠. 당신은 빽도 없이 우편실에 취직했습니다. 3년짜리 교육 프로그램이죠. 대학 학위는 있지만 멍청하진 않습니다. 다른 대안이 있나요? 선택의 여지가 없어요. 저는 1969년 21살이었고, 인맥과 족벌주의가 판치는 비즈니스에서 저를 돋보이게 해야 했습니다. 동기 20~25명 중에서요. 모두 9시 30분 시작에 맞춰 9시에 왔지만, 저는 아무도 없는 6시 30분에 출근했습니다.

누구보다 빨리 모든 것을 배우겠다고 다짐했고, 내가 뭘 하는지 아무에게도 공유하지 않았습니다. 나중에 제가 회사를 차렸을 때는 정반대로 했죠. 모든 것을 모두와 공유했습니다. 비밀 없이, 정치 없이, 모두가 큰 배를 움직이게 했죠. 하지만 우편실에서는 동기들이 다 경쟁자였습니다.

당신 책에서 "내가 그들보다 똑똑한지는 모르겠지만, 더 열심히 일하는 건 확실하다"고 하셨죠.

저보다 똑똑하고 아이비리그 나온 친구들도 있었습니다. 하지만 저는 경쟁적인 환경에 있었고, 영화 산업의 황금기에 대해 미친 듯이 읽었습니다. CAA를 시작할 때 필독 도서 목록을 만들어 직원들에게 줬죠. 프랭크 카프라, 데이비드 린 같은 거장들에 대해 모르면 영화감독들과 대화할 수 없으니까요.

지식과 호기심의 중요성 (The Importance of Knowledge and Curiosity)

찰리 멍거는 "역사로부터 배우는 것은 레버리지의 한 형태"라고 했습니다. 영화감독들도 영화사에 대해 해박하죠.

지식은 힘입니다. 실용적 지식, 연구 지식, 지적 지식, 그리고 깊은 호기심이 결합되면 이길 수 없는 우위를 점하게 됩니다. 제 책상에는 인터넷, 인스타그램, 구글에서 본 흥미로운 것들에 대한 메모가 20개쯤 있습니다. 매일 밤 저는 관심사에 대해 깊이 파고듭니다.

컴퓨터가 제 인생을 바꿨습니다. 저는 컴퓨터에서 살다시피 합니다. 정보를 얻는 걸 좋아하니까요. CAA 시절에는 컴퓨터가 없어서 잡지 210개를 구독했습니다. 다 읽진 않고 페이지를 넘기며 헤드라인과 사진을 봤죠. 여성 잡지도 읽었는데, 스타일리스트들이 트렌드를 6개월 앞서가기 때문입니다. 그 덕분에 여배우들이나 스타일리스트들과 대화할 수 있었습니다.

폴 뉴먼을 처음 만났을 때, 그가 레이싱 카를 좋아한다는 걸 알고 3시간 동안 차 이야기만 했습니다. 그의 경력 이야기는 한마디도 안 했죠.

마이클 델이나 젠슨 황 같은 사람들은 "깨어 있는 모든 시간이 근무 시간"이라고 합니다. 당신도 책에서 그렇게 썼죠. 하지만 동시에 "10% 덜 일했어도 성공에는 지장이 없었을 것이고 훨씬 더 행복했을 것"이라고도 했습니다. 이 두 가지를 어떻게 받아들여야 할까요?

저는 금전적 목표를 위해 일하는 게 아니라 자기 계발(self-enrichment)을 위해 일합니다. 그것이 결국 경제적 산물로 이어지죠. 제가 더 현명해지고 정보를 많이 알게 되면 다른 사람들에게 조언을 줄 수 있는 사람이 됩니다.

저는 재주가 없습니다. 글도 못 쓰고 연기도 못 하고 그림도 못 그려요. 저는 사람에게 투자합니다. 벤처 캐피털리스트들이 세운 가드레일 같은 건 무시합니다. 창의적인 사람들에게는 가드레일이 없거든요.

누군가 제게 멘토가 누구였냐고 물었을 때, 없었다고 했습니다. 있었으면 좋았을 텐데요. 제가 겪은 고생을 덜어줄 수 있었을 테니까요. 그래서 저는 지금 많은 사람들의 조언자(advisor) 역할을 합니다. 친구라서, 그들에게서 배우니까, 즐거우니까, 그리고 친구들을 보호하고 싶으니까요.

저는 관계에 대해 이분법적입니다. 영화 대사처럼 모래 위에 선을 긋고 "이쪽이냐 저쪽이냐"를 따집니다. 내 편 아니면 적이죠. 저는 최고의 친구가 되어 주지만, 적이 되고 싶지는 않을 겁니다. 하지만 요즘은 적을 만들 에너지도 시간도 없어요.

비즈니스에서의 관계와 진실성 (Building Relationships and Integrity in Business)

저는 진실성과 약속을 지키는 것을 중요하게 생각합니다. CAA를 시작할 때 우리는 돈도 변호사도 없어서 계약서 없이 거래했습니다. 사람들이 약속을 지켜야 했죠. 엔터테인먼트 업계, 특히 영화와 음악 쪽은 거짓말이 많았습니다.

텔레비전은 매주 방송해야 해서 거짓말할 시간이 없었죠. CAA가 혁신적이었던 건 "거짓말하지 않기"였습니다. 모르면 "모르겠습니다. 알아보고 전화드릴게요"라고 했죠. 1974년에는 듣도 보도 못한 방식이었습니다. 우리는 모든 것을 기록했고 집요하게 후속 조치(follow-up)를 했습니다. 후속 조치만 잘해도 똑똑한 것 이상의 점수를 땁니다.

오늘 아침 6시 30분에도 딜을 진행하면서 관련된 모든 사람에게 전화를 걸어 상황을 업데이트해 줬습니다. 굳이 그럴 필요 없었을 수도 있지만, 그렇게 함으로써 모두가 소외감을 느끼지 않고 지지하게 만들었죠. 제 젊은 파트너도 그걸 보고 배웠고요.

자신감과 비판 (Confidence and Criticism)

언제부터 남들의 말을 무시할 수 있는 자신감을 얻으셨나요?

9학년 때 반장 선거에서 졌을 때입니다. 철저히 분석해서 2년 동안 준비했고, 결국 전교 부회장, 회장이 되었죠. 저는 "아무것도 안 해서 비판받지 않는 회장보다, 무언가를 하고 비판받는 회장이 되겠다"고 연설했습니다.

지금 진행 중인 딜에서도 젊은 창업자가 제게 "자신감이 넘치시네요"라고 하더군요. 저는 "전체 그림이 명확하게 보이니까요"라고 했습니다.

나폴레옹이 "식욕은 먹을수록 생긴다"고 했죠. 당신의 야망에는 끝이 없는 것 같습니다.

저는 야망이나 호기심이 끝나는 걸 원치 않습니다. 저는 샌페르난도 밸리로 돌아가는 게 죽기보다 싫었습니다. 실패는 선택지에 없었죠. 성공 아니면 죽음이었습니다.

가끔 메뉴판 가격을 먼저 보는 제 자신을 발견합니다. 돈 걱정할 필요가 없는데도요. 제 안에는 여전히 그 시절의 제가 남아있고, 그게 저를 계속 경쟁하게 하고 이기고 싶게 만듭니다.

파트너십에 대해서

1800년대 후반 프랑스 오지에서 망해가는 가족 공장을 물려받았죠. 동생은 20대 후반, 형은 30대 후반이었습니다. 그들은 거의 무일푼에서, 아니 파산 직전이었으니 마이너스에서 시작해 100년 가는 가족 왕조를 세웠습니다.

그 회사는 130년이 지난 지금도 번창하고 있고 세계 최고의 타이어 회사 중 하나입니다. 그들은 책임 분담을 통해 해냈는데, 방금 마크와 벤에 대해 말씀하신 것과 비슷합니다. 동생은 제품을 만들고 형은 제품을 팔았죠. 둘 다 각자의 분야에서 세계 최고였고 함께했습니다. 둘 다 죽을 때까지 회사를 운영했으니 40~45년 파트너십이었죠.

마크와 벤(a16z)을 보셨을 때 그들이 상호 보완적인 기술을 가졌다고 생각하신 점은 무엇인가요?

사업 파트너십의 근본적인 토대에는 서로의 비즈니스 감각에 대한 존중이 있어야 합니다. 상호 보완적인 성격이어야 하고요. 둘 다 똑같을 순 없습니다. 기질도 상호 보완적이어야 하고, 공유된 비전이 있어야 합니다. 이건 찾기 어렵습니다.

하지만 마크와 벤의 경우, 마크는 회사에서 일어나는 모든 일을 알지만 운영은 벤이 합니다. 그리고 마크는 그걸 아주 편하게 생각해요. 마크는 회사에 대한 본능적인 감각이 뛰어나고 벤도 마찬가지입니다.

벤은 여러 사업을 운영하고 매각해 본 경험을 바탕으로 사업을 바라봅니다. 비즈니스의 원칙, 실행 방법, 사람 다루는 법, 리더가 되는 법, 공동 창업자와 지내는 법, 비전을 뒷받침할 지적 프로세스를 갖추는 법, 그리고 비전을 펼치면서 열린 마음을 유지하는 법을 이해하는 리더를 찾기는 매우 어렵습니다.

록펠러와의 인연

저는 젊은 창업자들에게 항상 나이 든 멘토들과 시간을 보내라고 조언합니다. 록펠러가 80세라면 40세보다 두 배 똑똑한 게 아니라 10배의 경험치를 가진 셈이니까요. 모든 거래를 봤고, 모든 사람을 만났고, 세상을 관찰할 시간이 훨씬 많았으니까요.

그가 저를 워싱턴 백악관 출입기자단 만찬에 데려간 적이 있는데, 제 인생 최고의 밤 중 하나였습니다. 그의 리무진과 비행기를 타고 갔죠. 그가 방에 들어서자 모든 사람이 그를 알았습니다. 사람들이 그에게 존경을 표하러 다가왔고, 그는 누구에게나 똑같이 예의 바르게 대했습니다. 진실성이 없는 사람들에게는 아주 짧게 대했지만요. 그와 함께한 모든 점심, 저녁 식사는 대학원 수업 같았습니다.

제 '참조 프레임(Frame of Reference)' 이론입니다. 나이가 들면서 "그때 알았더라면 좋았을 텐데"라고 하는 말은 1000% 맞습니다. 수명이 길어지면 자연스럽게 더 많은 만남과 경험이 생기죠. 참조 프레임이 많을수록 결과를 미리 봤기 때문에 어려운 결정을 내리는 데 더 능숙해집니다.

https://www.youtube.com/watch?v=yhh-J0zVsik

마이클 오비츠의 CAA에서 커리어를 시작한 아리 이마누엘은 UFC를 사서 키움

Q: 뛰어난 에이전트가 되는 비결은 무엇인가요?

훌륭한 클라이언트를 확보하는 것입니다. 그가 밀로스 포먼이나 알 파치노를 대변했기 때문에 사람들이 전화를 받아줬던 거죠. 저도 안목(taste)을 기르고 훌륭한 클라이언트를 영입함으로써 영향력을 키웠습니다. 초기에는 '심슨 가족'이나 'SNL' 작가들, 하버드 램푼 출신들을 영입했습니다.

Q: 당신의 업무 처리 속도와 커뮤니케이션 방식은 전설적인데, 원칙이 있나요?

A: 저는 전화기를 무기로 사용합니다. 원칙은 간단합니다. 집요한 후속 조치(Relentless Follow-up)와 과잉 소통(Overcommunication)입니다. 상대방이 답이 없으면 계속 연락해야 합니다. 그게 일이니까요. 하루에 수많은 통화를 하는데, 대통령부터 젊은 작가까지 다양합니다.

Q: 제프 베조스가 해준 조언이 있나요?

A: 네, 그는 저에게 "이제 나이도 있으니 **경기장 안에 있을 때(On the field)와 밖에 있을 때(Off the field)를 구분하라**"고 조언했습니다. 저는 항상 '경기장 안'에 있었거든요. 모든 대화에서 전략을 짜고 계산하며 살았습니다. 하지만 이제는 때때로 긴장을 풀고 순수한 호기심으로 대화하는 법을 배우고 있습니다.

Q: UFC를 인수하게 된 배경과 과정은 어땠나요?

A: 제가 UFC를 대리할 때, 시청률은 오르는데 방송권료가 너무 낮다는 걸 알았습니다. 잠재력을 보고 다나 화이트(Dana White)와 퍼티타 형제를 설득해 계약을 맺었고, 스파이크 TV와의 계약금을 1,500만 달러에서 7,500만 달러로 올리고 비디오 게임 계약도 성사시켰습니다. 나중에는 폭스(Fox)와 1억 5천만 달러 계약을 맺었죠.

이후 실버레이크(Silver Lake) 파트너 에곤 더반(Egon Durban)과 함께 IMG를 인수했고, UFC 매각 소식을 듣고 직접 인수하기로 결심했습니다. 당시 경쟁자가 많았지만 제가 방송권료 협상을 통해 레버리지를 일으킬 수 있다는 계산이 있었습니다.

Q: 인수 과정에서 가장 큰 위기는 무엇이었나요?

A: UFC를 40억 달러에 인수했는데, 루퍼트 머독이 폭스를 디즈니에 매각하면서 입찰자가 사라지는 상황이 발생했습니다. 제 계약 만료는 1년 남았고, 아무도 입찰하지 않는 절체절명의 위기였죠. 스트레스로 갑상선에 문제가 생겨 체중이 급격히 빠질 정도였습니다. 다행히 ESPN이 스트리밍 서비스(ESPN+)를 위해 콘텐츠가 필요하다는 점을 파고들어 딜을 성사시켰습니다.

Q: '파이트 아일랜드(Fight Island)'는 어떻게 탄생했나요?

A: 코로나19로 전 세계가 멈췄을 때, 다나 화이트가 경기를 강행하겠다고 했습니다. 저는 그를 지지했고, 아부다비의 파트너에게 연락해 섬 하나를 통째로 빌렸습니다. 비행기, 검역 시스템 등을 갖추고 선수들을 데려와 경기를 치렀죠. 당시 전 세계에 스포츠 경기가 하나도 없어서 시청률이 폭발했습니다.

Q: 다나 화이트의 뛰어난 점은 무엇인가요?

A: 첫째, 그는 격투기를 진심으로 사랑합니다. 둘째, 그는 두려움이 없습니다. 셋째, 그는 엄청난 도박사 기질이 있고 승부사입니다. 그는 끊임없이 일하며 이 분야를 누구보다 잘 알고 있습니다.

미디어 환경의 변화와 미래 (Future of Media & Content)

Q: 콘텐츠와 배급의 권력 구도는 어떻게 변했나요?

A: 과거에는 독립 제작사들이 콘텐츠를 만들어 방송국에 팔고, 2차, 3차 윈도우(케이블, 넷플릭스 등)를 통해 수익을 냈습니다. 하지만 지금은 작가 파업 등으로 패키지 딜이 사라지고, 메이저 스튜디오가 메이저 플랫폼에 공급하는 구조가 되었습니다. AI가 제작 비용을 획기적으로 낮출 것이고, 콘텐츠 공급은 무한해질 것입니다.

Q: 제작 비용이 0에 수렴하면 가치는 어디서 생기나요?

A: 안목(Taste)과 브랜드, 오래된 IP, 그리고 **라이브 스포츠**의 가치가 더욱 중요해질 것입니다. 누구나 콘텐츠를 만들 수 있게 되면 무엇이 좋은지 가려내는 안목이 핵심 경쟁력이 됩니다. 또한 드웨인 존슨 같은 스타들이 자체적인 배급 채널이 될 것입니다.

Q: AI와 라이브 이벤트의 관계는 어떻게 보시나요?

A: 저는 라이브(Live)가 AI 리스크의 해독제(Antidote)라고 믿습니다. 일론 머스크도 "라이브는 대체될 수 없다"고 했습니다. 사람들은 사회적 동물이라 모여서 경험을 공유하고 싶어 합니다. AI로 콘텐츠가 넘쳐날수록, 희소성 있는 라이브 경험의 가치는 더 올라갈 것입니다. 저는 프리즈(Frieze) 아트 페어, 테니스 대회, 음식 축제 등 전 세계적인 라이브 이벤트 포트폴리오를 구축하고 있습니다.

Q: 프리미엄 경험에 대한 수요는 어떤가요?

A: 엄청납니다. 부유한 사람들은 더 특별한 경험을 원합니다. 슈퍼볼에서 선수들과 입장하거나, UFC 계체량 무대에 서는 등 돈으로 살 수 없던 경험을 파는 비즈니스(On Location)가 성장하고 있습니다. 사람들은 단순 관람을 넘어 특별한 경험과 지위를 사고 싶어 합니다.

인물과 교훈 (People & Lessons)

Q: 에곤 더반(실버레이크 파트너)에게서 배운 점은?

A: 그는 끊임없이 배우려 하고 비판을 수용합니다. 재무적인 엔지니어링 능력이 탁월하며, 대차대조표에서 남들이 못 보는 가치를 봅니다. IMG 인수 때도 경쟁자가 따라오지 못할 압도적인 가격을 제시해 딜을 끝내버리는 전략을 배웠습니다.

Q: 형인 람 이마누엘(Rahm Emanuel)에게 배운 점은?

A: 그는 정치와 글로벌 정세에 대해 누구보다 깊이 이해하고 있습니다. 양자 관계를 넘어 다자간 관계를 꿰뚫어 보는 통찰력이 있고, 저만큼이나 집요하고 추진력이 강합니다.

Q: 당신에게 '좋은 거래(Great Deal)'란 무엇인가요?

A: 양쪽 모두 기분 좋게 느끼는 거래입니다. 때로는 춤을 추듯 조율하고, 때로는 총을 쏘듯 싸워야 합니다. 제가 한 최고의 거래는 윌리엄 모리스와의 합병이었습니다. 적대적인 문화를 가진 회사를 인수해 내부를 정리하고 실버레이크를 끌어들여 지금의 엔데버를 만들었죠.

https://youtu.be/xDuqUlZZ8Vk