Continuous Learning_Startup & Investment
2.22K subscribers
508 photos
5 videos
16 files
2.63K links
We journey together through the captivating realms of entrepreneurship, investment, life, and technology. This is my chronicle of exploration, where I capture and share the lessons that shape our world. Join us and let's never stop learning!
Download Telegram
Continuous Learning_Startup & Investment
AI-Native의 정의 - 흔히 오해되는 “AI-native”: - 직원들이 ChatGPT에 사내 데이터를 물어보는 것 - Cursor 같은 툴로 코딩 생산성 향상 - AI SaaS 툴을 도입하는 것 - Borislav(CTO)의 정의: - 회사 전체가 AI를 기반으로 **조직·업무 프로세스를 재구성**하는 것 - 개발자/비개발자의 경계가 무너지고, 모든 사람이 스스로 문제를 해결하는 조직으로 탈바꿈 “Ah-ha…
전 Gitlab CTO가 보는 AI 소프트웨어 엔지니어링

다들 비슷한 생각으로 지금의 변화를 보고 있다.

CEO들에게 추천하는 것: 평균과 극단의 사이에서 극단으로 조금 더 나아갈 것

법률 팀 때문에 도입을 못했어요 -> 75% 개발자가 쓰고 있어요 (평균) -> 지향점 -> 이제 사람을 채용하지 않을거 같아요.

PM/디자이너들이 노코드 AI를 써서 같이 일할 수 있게 워크플로우를 재설계해라

채용하기전에 정말로 AI 잘 쓰고 있나 고민해보기

면접에서 이전 면접에 비해서 많은 결과물을 요구해서 AI IDE를 쓸수밖에 없게끔 설계할 것.

CI/CD 파이프라인에 AI 소프트웨어를 리뷰어로 통합하고 낮은 복잡도의 백로그 이슈를 해결하게 시켜볼 것.

AI IDE를 쓰면서 품질저하를 막기 위한 검증 장치를 잘 마련할것.

AI IDE(커서)와 엔지니어(데빈)는 0→1 생성에 더 능숙해지고, 로우코드(리플릿, 러버블) 툴은 1→N 반복에 강해질 것. 프로토타이핑 기능은 범용화(Commoditized)될 것.

비동기성의 승리: AI 소프트웨어 엔지니어 모델이 확장성에서 AI IDE 모델을 압도할 것. 툴 -> 협업하는 인턴 -> 완전 위임가능한 고급 Agent로

결국 코드 생성은 더 복잡한 코드를 더 빠르고 싸게 만들어질 것. 지금 3000만명의 소프트웨어 개발자는 칩 엔지니어만큼(1만 오천명)으로 줄어들 것. -> 아마 다른 포지셔닝(AI Engineer/ AI PM 등)으로 변경되지 않을까?

지금은 낮은 복잡성의 백로그만 해결하지만 궁극적으로는 회사에 있는 비즈니스 데이터를 바탕으로 먼저 제안하고 시스템을 최적화하고 개발하는 자율성을 가진 AI가 그 빈자리를 채워나가지 않을까?

https://youtu.be/2T98kBmGnqs
"대부분의 창업가는 왜 실패할지 모른다"

Aven은 규제가 매우 심한 모기지 및 신용카드 산업에 속해 있다. 사디 칸은 직접 도드-프랭크법, 카드법 등 관련 규제를 모두 읽고 연구했다.

이는 제품을 만들 수 있는지, 그리고 안전하고 규정을 준수하며 만들 수 있는지를 판단하기 위해 필수적이다.

역사에 대한 존중: 새로운 것을 만들기 전에, 과거에 무엇이 시도되었는지 먼저 이해해야 한다.

대부분의 새로운 아이디어는 끔찍하다. 과거의 아이디어들보다 더 나은 아이디어는 극소수다.

자신의 아이디어가 정말 더 나은지 평가하려면, 그 분야의 역사와 선구자들을 깊이 연구하는 시간을 투자해야 한다.

"생각하는 것의 절반만 하라"


돌이켜보면, 첫 버전의 제품 기능(feature set)을 더욱 무자비하게 줄였을 것이다.

거의 모든 PM은 제품 출시 후 "기능의 절반을 덜어내고 더 좁은 타겟에 집중했어야 했다"고 말한다.

더 좁고 단순한 버전으로 시작하는 것이 옳다.

"감정은 스케일링의 가장 큰 적이다"

합리성은 예측 가능성을 낳는다. 리더가 예측 가능해야 팀원들이 리더 없이도 그의 의사결정 시스템을 복제하고 실행할 수 있다.

내가 가진 정보와 동일한 정보를 다른 모든 사람이 가졌다면, 그들도 나와 똑같은 결정을 내리게 만드는 것.

리더의 부가가치:

더 많은 컨텍스트와 정보: 이를 최대한 많은 사람과 공유하는 것이 리더의 임무다.

더 긴 시간 지평(Time Horizon): 회사 내 누구보다 장기적인 관점에서 최적화할 수 있는 권한.

혐오하는 것: 장단점 목록(Pros and Cons Lists). "쓸모없는 것보다 한 단계 위"라고 표현.

더 효과적인 프레임워크:
결정에 중요한 축(Axes)들을 우선순위에 따라 나열한다. (가장 중요한 것부터 가장 덜 중요한 것까지)

각각의 옵션이 이 축들 위에서 어디에 위치하는지 평가한다.
가장 높은 우선순위의 축을 가장 잘 만족시키는 옵션을 선택한다.

예시 (자동차 구매): 장단점 목록 대신, 가격, 성능, 신뢰성, 스타일 중 자신의 우선순위를 정하고, 각 차량(옵션)이 그 기준을 얼마나 충족하는지 비교한다.

삶의 단순화 철학

의도적인 단순함: 매일 같은 옷(검은 긴팔 티, 청바지, 조끼)을 입고, 사무실에서 5분 거리에 살며, 술이나 파티를 하지 않는 등 의도적으로 지루한 삶을 산다.

결정 에너지 보존: 일상의 사소한 결정(옷 고르기 등)을 제거하여 중요한 업무에 집중할 에너지를 보존한다.

최적화: 집과 사무실의 모든 워크스테이션(키보드, 마우스, 모니터)을 완전히 동일하게 세팅하여, 1mm의 오차도 없이 즉시 업무에 몰입할 수 있도록 한다.

환경 조성: 회사를 샌프란시스코 같은 번잡한 도시가 아닌 사우스 베이에 둔 이유도 직원들이 주변의 소음에 방해받지 않고 미션에 집중할 수 있는 고요함을 제공하기 위함이다.

https://youtu.be/al8nDmjVzxo?feature=shared
1
Continuous Learning_Startup & Investment
- 딥마인드의 근본: 딥마인드는 초창기부터 '에이전트 기반 시스템(Agent-based systems)', 즉 주어진 임무를 완수할 수 있는 시스템에 집중해왔습니다. (예: 알파고) - '생각'의 원리: 강력한 기반 모델(예: 제미나이) 위에 '생각(Thinking)', '계획(Planning)', '추론(Reasoning)' 능력을 추가하는 방식입니다. - 모델이 떠올린 첫 번째 생각을 바로 출력하는 것이 아니라, 여러 생각의 갈래(병렬적 사고)를…
구글 딥마인드에는 약 5,000명의 직원이 있으며, 그중 80% 이상이 엔지니어와 박사급 연구원

Q: 범용 로보틱스를 위한 '안드로이드' 같은 운영체제(OS)를 만들 수 있다는 의미일까요? 그렇게 되면 수많은 로봇 장치, 회사, 제품이 갑자기 급성장하게 될 텐데요.


로보틱스 전반에 걸친 일종의 '안드로이드' 같은 OS 계층을 만드는 것이죠. 하지만 최신 모델을 특정 로봇 타입과 수직적으로 통합하여 종단간(end-to-end) 학습을 하는 것 또한 매우 흥미로운 방향이라, 저희는 두 가지 전략을 모두 추구하고 있습니다.

-> 테슬라 vs 구글이 과거 ios vs Android같은 미래를 만들 수 있겠다.

Q: 향후 5~7년 내에 로봇이 수천 대, 수백만 대, 또는 수억 대 수준이 될 것으로 보시나요?


A: 로보틱스는 아직 조금 이르다고 생각합니다. 향후 몇 년 안에 로보틱스 분야에서 정말 '와' 하는 순간이 올 것이지만, 아직 알고리즘 개발이 더 필요합니다. 또한 하드웨어 측면에서 핵심은 어느 시점에 대량 생산을 시작할 만한 적절한 수준의 하드웨어를 갖추느냐입니다. 너무 일찍 대량 생산을 결정하면, 6개월 뒤에 더 안정적이고 뛰어난 차세대 로봇이 발명될 수도 있으니까요. 비유하자면, 지금은 70년대 PC DOS 시대와 같다고 할 수 있겠네요. 다만, 그 시대와 다른 점은 10년의 발전이 1년 만에 일어난다는 것입니다.

Q: 과학 분야에서 어떤 영역과 돌파구에 가장 기대가 크신가요? 그리고 거기에 도달하기 위해 어떤 종류의 모델을 사용해야 할까요?


AI를 이용해 과학적 발견을 가속화하고 인류 건강에 기여하는 것이 제가 AI에 평생을 바친 이유입니다. AGI를 올바른 방식으로 구축한다면 과학을 위한 궁극적인 도구가 될 것입니다. 저희는 이미 알파폴드를 비롯해 재료 설계, 핵융합 원자로 플라즈마 제어, 날씨 예측, 수학 올림피아드 문제 풀이 등 다양한 과학 분야에 AI 시스템을 적용해왔습니다. 하지만 현재의 AI에는 진정한 창의성이 부족합니다. 새로운 추측이나 가설을 스스로 내놓지는 못하죠. 이것이 AGI를 위한 테스트 중 하나가 될 것입니다.

Q: 인간의 창의성이란 무엇일까요?

A: 위대한 과학자들이 보여주는 '직관적인 도약(intuitive leaps)'이라고 생각합니다. 아마도 유추나 패턴 인식을 통해 이루어질 것입니다. 좋은 테스트 방법이 있습니다. 현대 AI 시스템에 1901년까지의 지식만 주고, 아인슈타인이 1905년에 그랬던 것처럼 특수 상대성 이론을 발견할 수 있는지 보는 것입니다. 만약 가능하다면, 우리는 AGI에 가까워지고 있는 것이죠. 또 다른 예로, 알파고는 바둑에서 새로운 전략을 발명했지만, 과연 바둑만큼 우아하고 만족스러운 '게임' 자체를 발명할 수 있을까요? 현재로서는 답은 '아니오'입니다.

Q: 무엇이 부족한지, 그리고 AGI가 몇 년 안에 올 것이라는 다른 사람들의 견해에 대해 어떻게 생각하시나요?


A: 일부 경쟁사들은 오늘날의 시스템이 '박사급 지능'이라고 말하는데, 저는 터무니없는 소리라고 생각합니다. 특정 능력은 박사 수준일 수 있지만, 전반적으로 그렇지 않습니다. 질문을 특정 방식으로 하면 고등학교 수준의 수학에서도 간단한 실수를 할 수 있습니다. 진정한 AGI 시스템이라면 불가능한 일이죠. 저는 AGI가 등장하기까지 5년에서 10년 정도 걸릴 것으로 봅니다. '지속적인 학습(continual learning)' 능력도 아직 부족하고, 아마도 한두 가지의 결정적인 돌파구가 더 필요하다고 생각합니다.

Q: 첫째, 대형 언어 모델의 성능이 수렴하고 있고, 둘째, 세대별 성능 향상이 둔화되거나 정체되고 있다는 주장이 있습니다. 이 두 가지 주장이 대체로 사실인가요?

A: 아니요, 내부적으로는 그렇게 보고 있지 않습니다. 저희는 여전히 엄청난 속도로 발전하고 있습니다. 지니(Genie)나 비오(VEO) 같은 모델을 보면 알 수 있듯이 더 넓은 범위에서 발전하고 있습니다. 저희의 나노-바나나(Nano-Banana)는 정말 대단하죠.

Q: 각 개인이 원하는 콘텐츠를 설명하면 AI가 즉석에서 만들어주는 세상이 올까요, 아니면 여전히 '일대다(one to many)' 방식의 창작 과정이 남을까요?

A: 저는 두 가지가 공존하는 세상이 올 것이라고 봅니다. 최고의 창작자들은 여전히 존재하며, 그들은 같은 도구를 사용하더라도 더 높은 품질의 경험과 역동적인 스토리라인을 만들어낼 것입니다. 수백만 명의 사람들이 그들의 세계에 뛰어들겠지만, 동시에 사용자들은 그 세계의 일부를 '공동 창작(co-create)'할 수도 있을 겁니다. 어쩌면 주요 창작자는 그 세계의 '편집자'와 같은 역할을 하게 될 수도 있습니다.

Q: 아이소모픽 랩스(Isomorphic Labs)에 대해 설명해주실 수 있을까요?

신약 개발 기간을 수년에서 앞으로 10년 안에 몇 주 또는 며칠로 단축할 수 있을 것이라 생각합니다. 내년 중 전임상 단계에 진입할 것으로 보입니다.

Q: 신약 개발 모델링을 할 때, 물리나 화학 법칙과 같은 결정론적 모델을 얼마나 개발하고, 이를 데이터 기반의 확률론적 모델과 결합해야 하나요?

A: 좋은 질문입니다. 현재로서는 '하이브리드 모델'을 만들고 있습니다. 알파폴드가 바로 그런 예입니다. 데이터로부터 학습하는 신경망(확률론적 요소)과 원자 간 결합 각도나 원자가 겹칠 수 없다는 화학/물리 법칙(결정론적 요소)을 함께 내장하는 식이죠. 핵심은 학습 시스템과 수작업으로 만든 시스템을 어떻게 잘 결합하느냐입니다.

Q: 모델 아키텍처나 하드웨어의 변화를 통해 출력 토큰당 에너지 소비를 줄여서, 현재 예측되는 기하급수적인 에너지 수요 곡선을 완화시킬 수 있을까요?

A: 흥미롭게도 두 가지 측면이 모두 사실입니다. 한편으로 저희는 모델 효율성을 극도로 높이는 데 집중하고 있습니다. 지난 2년간 모델 효율성은 같은 성능 대비 10배, 심지어 100배까지 향상되었습니다. 하지만 다른 한편으로, 아직 AGI에 도달하지 않았기 때문에 프론티어 모델은 계속해서 더 큰 규모로 훈련되어 수요는 줄지 않고 있습니다. 궁극적으로 저는 AI 시스템이 전력망 효율화, 신소재 설계, 새로운 에너지원 개발 등을 통해 에너지 분야에 기여하는 것이, 사용하는 에너지보다 훨씬 더 많을 것이라고 생각합니다. 향후 10년간 AI가 사용하는 에너지를 훨씬 상회하는 가치를 돌려줄 것입니다.

Q: 마지막 질문입니다. 10년 후의 세상은 어떤 모습일까요?

A: 10년, 아니 10주도 AI 분야에서는 긴 시간이죠. 하지만 저는 향후 10년 안에 완전한 AGI를 갖게 될 것이라고 생각합니다. 그리고 그것은 과학의 새로운 황금기, 즉 새로운 르네상스 시대를 열 것입니다. 우리는 에너지부터 인류 건강에 이르기까지 모든 분야에서 그 혜택을 보게 될 것입니다.

https://youtu.be/Kr3Sh2PKA8Y
4
Continuous Learning_Startup & Investment
로봇에게 특정 작업(예: 병뚜껑 잠그기, 주걱 사용)을 훈련시키는 것은 가능했으나, 일반화(Generalization), 즉 다양한 시나리오와 객체에서 해당 작업을 수행하게 하는 것이 주요 난제임을 인식. 연구 초점: 더 광범위한 데이터셋 구축 방법, 다양한 학습 접근법(강화학습, 모방학습, 비디오 예측 등), 지식 이전 방법론 개발에 집중. Physical Intelligence (PI): 즉, 어떤 로봇이든, 어떤 작업이든, 어디서든 제어할 수 있는…
Robot 분야의 All Star가 모인 Physical Intelligence

LLM도 사람들이 많이 쓸수록 모델이 좋아지는 플라이 휠이 일부 영역(사람들이 참여해서 모델 성능을 개선할 수 있는 부분)에서 일어나는데 로봇도 이런 좁은 영역의 기회를 찾고 플라이휠을 도는 순간 개선의 속도가 달라질 수 있다.

Q: 로봇 기술이 폭발적으로 성장하기까지 매년 어떤 일이 일어나야 할까요? 연도별 비전은 무엇이며, 매년 해결해야 할 과제는 무엇인가요?

정교함(Dexterity)이 그중 하나입니다. 처음에는 우리가 개발 중인 방법들이 인간이 할 수 있는 복잡한 작업들(상자 접기, 다양한 종류의 빨래 개기, 테이블 정리, 커피 만들기 등)을 처리할 능력이 있는지 확인하고 싶습니다. 지금까지 보여준 결과들은 꽤 훌륭하지만, 최종 목표는 티셔츠를 멋지게 접는 것이 아니라, 우리가 세운 기본 가설이 탄탄하다는 것을 확인하는 것입니다.

사람들이 원하는 로봇은 "티셔츠를 접어줘"라고 말하는 로봇이 아니라, "이제부터 집안일을 다 해줘. 저녁은 6시에 만들어줘. 나는 아침 7시에 출근해. 빨래는 토요일에 하니까 준비해줘. 그리고 매주 월요일에 장 볼 목록에 대해 확인해줘"와 같은 포괄적인 지시를 내리면, 6개월이고 1년이고 그 일을 수행하는 로봇입니다.

지속적으로 학습하는 능력, 물리적 세계에 대한 이해, 상식, 필요할 때 추가 정보를 가져오는 능력이 있어야 합니다. 예를 들어, "오늘 저녁에 이 샐러드를 만들어 줄래?"라고 물으면, 로봇은 그게 무엇을 의미하는지 파악하고, 레시피를 찾아보고, 재료를 사 와야 합니다. 이를 위해서는 상식, 예외 상황 처리 능력, 지속적인 개선 능력, 안전성, 신뢰성, 실수 수정 능력 등 많은 것이 필요합니다.

Q: 이 원대한 비전은 몇 년도에 실현될 것으로 예상하시나요? 25%, 50%, 75% 확률로 예측한다면요?

AI 비서처럼, 로봇이 유용한 수준의 기본 역량을 갖추게 되면 세상에 출시될 것입니다. 중요한 점은, 일단 세상에 나가면 경험을 수집하고 그 경험을 바탕으로 더 나아질 수 있다는 것입니다. 그래서 저는 '언제 완성될 것인가'보다 '언제 플라이휠(flywheel)이 돌기 시작할 것인가'의 관점에서 생각합니다.

작업 범위를 좁힐수록 더 빨리 현실 세계에 내보낼 수 있습니다. 우리는 이미 이 플라이휠을 돌리기 위해 로봇이 실제로 할 수 있는 일이 무엇인지 탐색하고 있습니다. 여러분이 실제로 관심을 가질 만한 무언가가 나오는 것은 한 자릿수 연도 내(single-digit years)에 매우 현실적이라고 봅니다. 1~2년 안에 무언가 실제로 출시되기를 바라지만, 확답하기는 어렵습니다. '세상에 나온다'는 것은, 여러분이 정말로 원하는 일을 유능하게 수행하는 로봇이 존재한다는 것을 의미합니다.

Q: 대규모 언어 모델(LLM)은 이미 널리 보급되었지만, 모델 회사들에게 명백한 플라이휠 효과로 이어지지는 않았습니다. 왜 LLM에서는 플라이휠이 작동하지 않는데, 로봇에서는 다를 것이라고 생각하시나요?

저는 LLM의 플라이휠도 작동하기 직전이라고 생각하며, 많은 조직이 바로 이 문제를 해결하기 위해 노력하고 있다고 100% 확신합니다. 사실상 이미 '인간 참여형(human-in-the-loop)' 플라이휠은 존재합니다. LLM을 배포하는 모든 회사는 그 성능을 보고 행동을 수정하는 데 활용하고 있습니다. 로봇 공학이 더 쉬울 것이라고 생각하지는 않지만, 몇 가지 관리하기 쉬운 작은 차이점들은 있습니다.

특히 로봇이 사람과 협력하여 작업을 수행할 때, 사람은 성공을 위해 자연스럽게 감독이나 지시를 제공하려는 강한 동기를 가집니다. 또한, 물리적 세계에서는 실수를 하고 복구한 뒤, 무엇이 잘못되었는지 되돌아보고 미래에 같은 실수를 피하는 상황이 더 자주 발생합니다. 티셔츠를 접다가 실수하면 그 사실이 명백하지만, AI 비서가 틀린 답변을 해도 상대방은 틀렸다는 사실조차 모를 수 있습니다.

Q: 1년 안에 플라이휠을 돌리기 시작하는 로봇과, 인간 가사도우미처럼 집안일을 완전히 자율적으로 처리하는 로봇 사이에는 어떤 격차가 있나요? 그리고 그 완전 자율 가사도우미 로봇은 몇 년 안에 가능할까요? (중앙값 추정치)

A: LLM과 마찬가지로 '범위(scope)'의 문제입니다. 코딩 비서가 처음에는 함수 일부를 완성하는 수준이었다가, 이제는 비교적 정형화된 작업의 경우 PR(Pull Request) 대부분을 작성해주는 것처럼요. 로봇도 마찬가지로, 처음에는 커피를 내리는 등 특정 작업으로 범위가 제한되겠지만, 역량과 상식이 향상됨에 따라 '커피숍 전체를 운영하는' 수준으로 범위가 넓어질 것입니다.

이것이 실현되는 시점에 대한 제 중앙값 추정치는 두 자릿수가 아닌 한 자릿수 연도 내입니다. 아마 **5년이 좋은 중앙값**일 것 같습니다. 물론 연구에는 불확실성이 따르지만, 우리는 이미 퍼즐 조각들을 대략적으로 알고 있고, 운이 좋다면 한 자릿수 연도 내 달성이 합리적입니다.

Q: 5년 안에 집을 완전히 자율적으로 운영할 수 있다면, 경제 내 대부분의 블루칼라 노동도 자동화할 수 있다는 의미인가요?

A: 여기에는 미묘한 차이가 있습니다. 코딩 비서가 모든 소프트웨어 엔지니어를 대체하는 것이 아니라, 전문가인 엔지니어의 생산성을 증강시키는 강력한 도구가 된 것처럼 말이죠. 로봇도 마찬가지일 것입니다. '인간 + 로봇'이 그냥 인간이나 그냥 로봇보다 훨씬 나은 결과를 낼 것입니다. 이는 기술을 부트스트래핑(bootstrapping)하는 것을 훨씬 쉽게 만듭니다. 인간이 로봇을 돕고 힌트를 주면서 로봇이 현장에서 새로운 기술을 배우고 습득할 잠재력이 훨씬 커지기 때문입니다.

https://youtu.be/48pxVdmkMIE
Continuous Learning_Startup & Investment
Robot 분야의 All Star가 모인 Physical Intelligence LLM도 사람들이 많이 쓸수록 모델이 좋아지는 플라이 휠이 일부 영역(사람들이 참여해서 모델 성능을 개선할 수 있는 부분)에서 일어나는데 로봇도 이런 좁은 영역의 기회를 찾고 플라이휠을 도는 순간 개선의 속도가 달라질 수 있다. Q: 로봇 기술이 폭발적으로 성장하기까지 매년 어떤 일이 일어나야 할까요? 연도별 비전은 무엇이며, 매년 해결해야 할 과제는 무엇인가요? 정교함(Dexterity)이…
Q: 로봇 공학의 발전이 왜 자율주행차처럼 더디지 않을 것이라고 생각하시나요? 자율주행차는 10년 이상 개발되었지만 아직 완전 보급되지 않았습니다.

A: 2009년과 지금의 가장 큰 차이점은 주변 세계를 이해하는 머신러닝 기술, 특히 '인식(perception)' 기술의 발전입니다. 현재 우리는 훨씬 더 일반화 가능하고 견고한 인식 시스템을 갖추고 있어 출발점이 훨씬 좋습니다.

또한, 로봇 조작(manipulation)은 자율주행과 다른 측면이 있습니다. 운전은 실수가 큰 결과를 초래하기 때문에 처음부터 실수를 하고 배우기가 매우 어렵습니다. 하지만 설거지와 같은 많은 조작 작업은 실수를 하고 그것을 바로잡는 것이 가능합니다. 실수를 바로잡는 과정에서 작업을 완수할 뿐만 아니라, 미래에 그 실수를 피할 수 있는 지식도 얻게 됩니다.

여기에 LLM과 VLM에서 비롯된 '상식(common sense)'이 더해집니다. 이제 우리는 시스템에 "바닥이 미끄럽다는 표지판이 있는데, 위로 걸어가면 어떻게 될까?"와 같은 질문을 할 수 있고, 시스템은 합리적인 추측을 할 수 있습니다. 2009년의 자율주행차는 이런 질문에 답할 수 없었습니다. 이러한 요소들이 로봇 공학이 더 작은 범위에서 시작하여 성장하는 것을 가능하게 합니다.

Q: 과거 구글, 메타 등 많은 기업들이 트랜스포머 기반 로봇을 개발하려 했지만 난관에 부딪혔습니다. 지금은 무엇이 달라졌나요?

A: 그들의 노력 덕분에 많은 진전이 있었고, 저희 작업도 그들의 연구 위에 구축되었습니다. 하지만 로봇 파운데이션 모델을 실제로 작동시키려면, 실험실의 과학 실험을 넘어 '아폴로 프로그램'과 같은 산업적 규모의 구축 노력이 필요합니다. 과거의 연구는 근본적인 연구에 초점을 맞췄지만, 그것만으로는 부족합니다. 로봇을 실제로 세상에 내보내고, 실제 작업에 대한 대표적인 데이터를 대규모로 수집하고, 시스템을 구축하는 등, 로봇 파운데이션 모델 자체를 완성하겠다는 단 하나의 목표에 집중해야 합니다.

Q: 데이터가 병목 현상이라면, 왜 즉시 100배 더 많은 운영자를 고용하여 데이터 수집 규모를 늘리지 않나요?

A: 문제는 어떤 축의 확장이 어떤 역량의 축에 기여하는지 이해하는 것입니다. 단순히 작업의 종류를 10개에서 100개로 늘리는 수평적 확장은 기존 방식을 확장하면 됩니다. 하지만 우리는 높은 견고성, 효율성, 예외 상황 처리 능력 등 다른 축의 역량도 확장해야 합니다. 이를 위해서는 어떤 데이터를, 어떤 환경에서, 어떤 방법으로 수집하고 처리해야 하는지에 대한 올바른 축을 찾아야 합니다. 아직 그 답을 완전히 알지 못하지만, 곧 알아낼 것이라고 생각합니다.

Q: 현재 수집한 데이터의 양은 인터넷 규모의 사전 훈련 데이터와 비교하면 어느 정도인가요?

A: 로봇 경험 데이터는 시간적으로 매우 상관관계가 높아 직접 비교는 어렵습니다. 다중모드 훈련에 사용되는 데이터셋과 비교하는 것이 더 나은데, 약 10배에서 100배(1~2 orders of magnitude) 정도 차이가 나는 것으로 생각됩니다. 하지만 중요한 것은 '완성되기까지 얼마나 많은 데이터가 필요한가'가 아니라, '시작하기까지(데이터 플라이휠을 돌리기까지) 얼마나 많은 데이터가 필요한가'입니다.

Q: 현재 사용 중인 π0 모델은 어떻게 작동하나요?

A: 기본적으로 운동 제어에 맞게 개조된 비전-언어 모델(VLM)입니다. 뇌에 비유하자면, VLM은 LLM에 시각 피질(비전 인코더)을 이식한 것과 같습니다. 저희 모델은 여기에 운동 피질(행동 디코더)까지 추가한 것입니다. 모델은 로봇의 감각 정보를 읽고, 중간 단계(chain-of-thought)를 거쳐 최종적으로 연속적인 행동을 생성하는 '행동 전문가(action expert)'에게 전달합니다. 구조적으로는 '전문가 혼합(mixture-of-experts)' 아키텍처와 유사하며, 종단간(end-to-end) 트랜스포머입니다.

Q: 텍스트는 높은 수준의 의미를 표현하지만 이미지나 비디오는 압축된 픽셀에 불과해, 서로 다른 양식(modality) 간의 전이 학습이 잘 일어나지 않는다는 주장이 있습니다. 이 점이 로봇 공학에 불리하게 작용할까요?

A: 나쁜 소식과 좋은 소식이 있습니다. 나쁜 소식은 그것이 비디오/이미지 생성 모델의 오랜 과제라는 점입니다. 텍스트와 달리 비디오는 너무 많은 정보(구름 분자, 보행자 심리 등)를 담고 있어 무엇이 중요한지 파악하기 어렵습니다. 좋은 소식은 로봇은 '목표'를 가지고 있다는 점입니다. 작업을 수행하려는 목적이 세상을 보는 방식을 구조화하고, 무엇에 집중해야 할지 알려주는 강력한 '초점 메커니즘'으로 작용합니다. 이는 다른 데이터 소스를 더 효과적으로 활용하는 데 도움이 될 수 있습니다.

Q: 로봇 데이터는 수동으로 수집되기 때문에, LLM처럼 예상치 못한 '창발적 능력(emergent capabilities)'이 나타나기 어려울 것 같습니다. 결국 모든 하위 작업을 위해 수천 개의 에피소드를 수동으로 추가해야 하는 긴 꼬리 문제가 발생하지 않을까요?

A: 창발적 능력은 단순히 데이터의 다양성에서 오는 것이 아니라, 일반화가 특정 수준에 도달했을 때 '조합적(compositional)'이 되기 때문에 나타납니다. 예를 들어, LLM은 사전에 본 적 없는 '국제음성기호(IPA)로 요리 레시피 작성하기'를 해낼 수 있는데, 이는 기존 지식을 새로운 방식으로 조합한 결과입니다. 로봇도 마찬가지입니다. 충분히 다양한 행동을 학습하면, 상황에 맞게 행동을 새롭게 조합하는 능력이 생깁니다. 실제로 저희 로봇이 실수로 티셔츠 두 개를 집었을 때, 하나를 접는 동안 방해가 되는 다른 하나를 다시 통에 던져 넣는 행동을 보였습니다. 이것은 우리가 의도적으로 가르치지 않은 조합적 일반화의 예입니다.

Q: 현재 모델은 1초의 컨텍스트만 가지고 있는데, 어떻게 1분 길이의 작업을 수행할 수 있나요? 인간이 1초의 기억만 가지고 물리적 작업을 하는 것은 불가능해 보입니다.

A: 이것은 '모라벡의 역설(Moravec's paradox)'과 관련이 있습니다. AI에게는 인간이 당연하게 여기는 것(물체 집기, 보기 등)이 어렵고, 인간이 어렵다고 생각하는 것(체스, 미적분)이 쉽다는 역설이죠. 우리가 인지적으로 힘들다고 느끼는 작업은 많은 것을 기억해야 하지만, 올림픽 수영 선수가 완벽한 자세로 수영하는 것처럼 잘 연습된 작업은 '순간'에 집중할 뿐 많은 컨텍스트를 필요로 하지 않습니다. 물론 장기적으로는 더 긴 메모리가 필요하지만, 현재는 다른 것들을 먼저 해결하는 것이 중요합니다.

Q: 추론 속도, 컨텍스트 길이, 모델 크기라는 세 가지 상충되는 요소를 모두 인간 수준으로 끌어올리려면 어떻게 해야 할까요? 이 세 가지를 동시에 개선하는 것은 컴퓨팅 자원의 한계에 부딪힐 텐데요.

A: 인간의 뇌는 GPU보다 훨씬 더 병렬적입니다. 미래의 로봇 시스템도 인식, 계획, 고유 수용성 감각 등을 동시에 병렬적으로 처리하는 방식으로 진화할 수 있습니다. 또한, 컨텍스트를 언어적 체크리스트나 공간적 이미지처럼 효율적인 형태로 '표현'하는 방법을 찾는 것도 중요합니다. 더 나아가, 인터넷 연결 상태에 따라 로봇의 '생각' 일부를 클라우드로 보내 처리하는 '외부화(externalize)' 방식도 가능할 것입니다.

Q: 인간의 뇌가 현재 하드웨어보다 수십, 수백 배 효율적인 이유는 더 발전된 하드웨어 때문일까요, 아니면 더 효율적인 알고리즘 때문일까요?

A: 정확한 답은 모르지만, 제 생각에는 알고리즘, 특히 '병렬성'과 관련이 깊다고 봅니다. 뇌는 극도로 병렬적입니다. 미래의 시스템은 장기 기억, 단기 공간 정보, 의미 정보, 현재 인식, 계획 등을 모두 병렬적으로, 아마도 서로 다른 속도로 처리할 수 있을 것입니다.
Continuous Learning_Startup & Investment
Robot 분야의 All Star가 모인 Physical Intelligence LLM도 사람들이 많이 쓸수록 모델이 좋아지는 플라이 휠이 일부 영역(사람들이 참여해서 모델 성능을 개선할 수 있는 부분)에서 일어나는데 로봇도 이런 좁은 영역의 기회를 찾고 플라이휠을 도는 순간 개선의 속도가 달라질 수 있다. Q: 로봇 기술이 폭발적으로 성장하기까지 매년 어떤 일이 일어나야 할까요? 연도별 비전은 무엇이며, 매년 해결해야 할 과제는 무엇인가요? 정교함(Dexterity)이…
Q: 강화 학습(RL)이 모방 학습(Imitation Learning)보다 낫다고 하셨는데, 왜 현재 모델은 모방 학습에만 의존하나요?

A: 자신의 경험으로부터 효과적으로 학습하려면, 이미 그 작업에 대해 어느 정도 알고 있는 '사전 지식'이 매우 중요합니다. 현재 모방 학습(감독 학습)을 통해 모델을 훈련시키는 목적은, 나중에 강화 학습을 통해 더 빠르게 배울 수 있도록 그 사전 지식의 기반을 구축하는 것입니다. 이는 LLM이 다음 단어 예측으로 시작하여 나중에 RL로 발전한 것과 같은 경로입니다.

Q: 시뮬레이션이 로봇 훈련에 더 효과적이지 않은 이유는 무엇인가요? 인간 파일럿은 시뮬레이터로 많은 것을 배우는데요.

A: 파일럿은 '실제 비행기를 조종한다'는 명확하고 강한 목표를 가지고 시뮬레이터에 임합니다. 하지만 모델은 여러 도메인의 데이터를 학습할 때 특정 최종 목표를 알지 못합니다. 오히려 진짜 데이터를 통해 '세상이 어떻게 돌아가는지'에 대한 올바른 기반 모델을 구축하는 것이, 시뮬레이션을 포함한 다른 보조 데이터 소스를 효과적으로 활용하는 열쇠가 될 수 있습니다.

Q: 2030년까지 AI 인프라 구축에 수조 달러의 자본 지출이 예상됩니다. 그때쯤이면 로봇 경제가 데이터 센터 건설이나 태양광 패널 설치 같은 작업을 도울 만큼 성숙해 있을까요?

A: 원칙적으로는 엄청난 도움이 될 수 있습니다. 로봇은 기계적인 인간이 아니라, 불도저와 같은 도구입니다. 키가 100피트인 로봇, 아주 작은 로봇 등 다양한 형태로 제작될 수 있으며, 외딴곳에서도 작업이 가능합니다. 로봇은 스스로를 생산하는 데에도 도움을 줄 수 있기 때문에, 선순환 구조를 만들 수 있습니다.

Q: 하드웨어가 병목이라면, 대부분의 로봇 팔을 생산하는 중국이 기본적으로 승리하는 것 아닌가요?

A: 이것은 매우 복잡한 문제입니다. 자동화는 고학력 인력의 생산성을 극대화하기 때문에, 우리가 지향하는 고부가가치 사회에 매우 적합합니다. 이 목표에 도달하기 위해서는 소프트웨어와 하드웨어 혁신을 모두 지원하는 '균형 잡힌 로봇 생태계'에 대한 장기적인 비전과 투자가 필요합니다. 특정 분야에만 흥분이 쏠릴 때 다른 중요한 요소(하드웨어, 인프라 등)를 놓치기 쉽습니다. 우리는 이러한 문제들을 전체적으로 봐야 합니다.
Continuous Learning_Startup & Investment
전 Gitlab CTO가 보는 AI 소프트웨어 엔지니어링 다들 비슷한 생각으로 지금의 변화를 보고 있다. CEO들에게 추천하는 것: 평균과 극단의 사이에서 극단으로 조금 더 나아갈 것 법률 팀 때문에 도입을 못했어요 -> 75% 개발자가 쓰고 있어요 (평균) -> 지향점 -> 이제 사람을 채용하지 않을거 같아요. PM/디자이너들이 노코드 AI를 써서 같이 일할 수 있게 워크플로우를 재설계해라 채용하기전에 정말로 AI 잘 쓰고 있나 고민해보기 …
그들의 업무 대부분은, 특히 엔지니어링 분야를 시작으로, 어떻게 하면 에이전트를 효과적으로 만들 수 있을지에 초점을 맞추고 있습니다. 매우 구체적인 프롬프트 작성에 집중하고, 사양(specs)을 완벽하게 맞추는 것을 더 중요하게 여기며, 백그라운드에서 여러 에이전트를 병렬로 실행하고, 직접 코딩하기보다 코드 리뷰에 집중하는 것 등 여러 새로운 워크플로우 방식들이 바로 에이전트를 대규모로 활용하기 위해 실제로 필요한 것들입니다.

그리고 현재는 코딩 분야가 에이전트를 활용하는 워크플로우(agentic workflows)에서 앞서나가고 있지만, 시간이 지남에 따라 이러한 패턴이 다른 대부분의 분야로 확산되기 시작할 것은 분명합니다. 레버리지 효과는 모든 곳에서 나타날 것입니다. 10배 더 많은 마케팅 결과물을 생성하는 능력, 자동화된 법률 워크플로우 덕분에 계약을 훨씬 더 빠르게 처리하는 것, 고객 지원 및 성공 운영을 더 빠른 방식으로 처리하는 것 등이 그 예입니다.

여기서 얻을 수 있는 교훈은, 이들 팀은 에이전트에게 시키는 일에 있어 훨씬 더 야심 차다는 경향이 있다는 것입니다. 기존의 대부분 팀과 기업들은 점진적인 이득에 만족하며, 일하는 방식에 있어 진정으로 큰 변화를 만드는 데에는 미치지 못할 것입니다. 그리고 그렇게 큰 변화를 만드는 것이, 이러한 새로운 업무 방식에 적응하는 이들에게 최소한 일시적인 우위를 제공할 것입니다.

https://x.com/levie/status/1967036306888044887
명확한 우선순위: 쇼피파이에는 흔들리지 않는 3가지 우선순위가 있음.

1. 훌륭한 제품을 만든다.
2. 돈을 번다.
3. 그 돈으로 더 훌륭한 제품을 만든다.
절대 1번과 2번의 순서를 바꾸지 않는다. 이는 상장 기업으로서 지키기 매우 어려운 원칙임.

압도적으로 높은 품질 기준(Quality Bar):

쇼피파이는 다른 회사라면 이미 출시했을 제품도 품질 기준에 미치지 못하면 출시하지 않음.
단기적으로는 비효율적일 수 있지만, 100년 가는 제품을 만든다는 장기적인 관점에서는 매우 효과적인 자원 사용 방식임.

'학습자 마인드셋'
'경험'보다 '학습 능력'을 중시:
"10년 경력 필수"와 같은 채용 공고는 학습자 마인드셋에 반하는 것임.

쇼피파이는 경험이 풍부한 사람보다 처음부터 새로운 것을 배울 수 있는 능력을 가진 사람을 선호하며, 이로 인해 업계의 관행과 다른 방식으로 일하게 됨.

학습을 방해하는 '종교적 믿음' 경계: 많은 성장 기업들이 '학습자'를 표방하지만, 실제로는 의문을 제기할 수 없는 '종교적 믿음'을 가지고 있음. 질문할 수 없는 곳에서는 학습이 멈춤.

쇼피파이의 독특한 내부 운영 방식 (내부 도구 구축)

내부 도구를 직접 만드는 이유:
"우리의 도구가 우리를 만든다(Our tools build us)." 소프트웨어의 구조는 사람들의 사고방식과 일하는 방식을 규정함.
외부 소프트웨어는 쇼피파이의 독특한 철학과 의견을 담고 있지 않음.
사례: GSD (Get [ __ ] Done)라는 자체 프로젝트 관리 툴, HR 관리 툴, 그리고 엑셀의 불확실성을 극복하기 위한 자체 인력 계획 시뮬레이션 소프트웨어 등을 직접 개발하여 사용함. 이는 마치 리플링(Rippling)처럼 모든 내부 도구가 동기화되어 강력한 시너지를 냄.

초기의 반대와 현재의 가치: 처음에는 내부 문화 관리 소프트웨어를 만드는 것을 "망치 자루만큼 멍청한 생각"이라고 반대했으나, 6개월 후에는 없어서는 안 될 귀중한 도구가 되었음을 인정함.

훌륭한 PM의 조건과 정보의 흐름
모든 것을 자신의 탓으로 돌려라: PM의 역할은 사용자를 위해 최상의 결과(outcome)를 만드는 것이므로, 사용자가 더 나아지지 않았다면 그 책임은 오직 PM에게 있음.

'What'보다 'How'가 중요하다:
"적절한 시기 > 올바른 방식 > 올바른 제품" 순으로 중요함. 만약 하나를 포기해야 한다면 '올바른 제품(the right thing)'을 포기해야 함.
대부분의 회사는 '무엇을' 만들지 논쟁하지만, 실제로는 '스택의 어디에' 만들지를 논쟁해야 함.

정보 흐름의 중요성:
커리어에서 저지른 가장 큰 실수들은 모두 조직도를 따라 정보가 흐르게 하여 정보의 흐름을 제한했을 때 발생했음.

정보는 공개적으로 공유되어야 하며, 상사가 전사와 동시에 어떤 사실을 알게 되는 것은 전혀 문제없음. 이는 회사가 투명하게 운영되고 있음을 보여주고, 모든 구성원의 집단 지성을 활용하게 함.


끝없는 야망과 공격적인 실행력:
키스 라보이스와 맥스 레브친(Max Levchin) 모두 친절하지만, 동시에 상상할 수 없을 정도로 공격적인 실행력과 야망을 가지고 있음. 그들에게서 **'영원히 굶주리는 법(perpetually hungry)'**을 배움.

'린 스타트업' 방식에 대한 비판적 시각:

키스의 '헐리우드 영화감독'식 회사 운영 방식(명확한 비전을 가지고 배우를 캐스팅하고 실행하는 방식)에 동의함. "린 스타트업"의 '테스트하고 반복하라'는 접근법은 많은 미완성 소프트웨어를 낳았음. 고객은 테스트 대상이 되기를 원치 않음.

비전의 중요성과 유연성:

모든 위대한 창조물은 "세상이 X에 대해 틀렸고, 내가 그것을 고치겠다"는 비전에서 시작됨.
비전은 시간이 지나면서 변할 수 있음. 쇼피파이의 창업자 토비(Toby)의 첫 비전은 스노보드 가게를 만드는 것이었고, 마이크로소프트의 첫 제품은 부트로더였음. 하지만 초기 제품은 '완성된' 형태였음.

https://youtu.be/pogISnTN6Jw
1
15세기, 새로운 항로가 열리며 대항해시대가 시작되었습니다. 어떤 이들은 미지의 바다가 주는 두려움 때문에 항구에 안전하게 머물렀습니다.

낡은 지도가 유일한 세상의 전부라 믿었기 때문입니다. 하지만 다른 이들은 위험을 무릅쓰고 돛을 올렸습니다. 그들은 각자의 배를 보수하고(Harness), 별을 읽는 법(Data)을 익혔으며, 새로운 해류(Compute)에 몸을 맡겼습니다.

오랜 시간이 흘러, 항구에 머물렀던 이들은 잊혀 졌지만, 바다로 나섰던 항해사들은 신대륙을 발견하고 새로운 시대의 주인이 되었습니다.

그들의 위대함은 폭풍우를 예측했기 때문이 아니라, 폭풍우 속에서도 항해를 멈추지 않았기 때문입니다.

AGI라는 '거대한 해류'가 만들어 낸 새로운 대항해시대가 시작되었습니다.

이 변화가 언제, 어떤 모습으로 우리를 덮칠지, 우리의 모든 노력을 무의
, 어떤 모습으로 우리를 덮칠지, 우리의 모든 노력을 무의미(obsolete)하게 만들지는 아무도 모릅니다. 그렇기에 항구에 머물며 폭풍우가 지나가길 기다리고 싶을 수도 있습니다.

하지만 우리의 역할은 기상 예보관이 되어 폭풍의 '타이밍'을 맞추는 것이 아닙니다. 우리의 역할은 지금 가진 배를 타고, 현실이라는 미지의 바다를 탐험하며(Harness)새로운 가치의 항로를 개척하는 '선구적인 항해사'가 되는 것입니다.

폭풍우가 닥쳤을 때, 우리는 "우리는 이 변화의 파도를 타고 이만큼의 신대륙을 발견했습니다"라고 증명해야 합니다.

결국, AGI 시대의 유일한 생존 전략은 '정박'이 아니라 '항해'입니다.

노정석 대표님. https://youtube.com/@chester_roh?feature=shared
4
요즘 AI 회사들이 너무 빨리 성장하다보니 다들 그 Playbook이 정답인 것처럼 따라가다보면 이런 현상이 많이 보이는 듯.


확장 계획을 묻자 창업자의 눈가가 파르르 떨렸다. 창업 18개월, 3,000만 달러 투자 유치, 그리고 수천 명이 사용하는 AI 툴까지. 모든 게 순조로워 보였다.

"다음으로는 이메일 시퀀스 기능을 추가할까 생각 중입니다."

시장을 파고들기 위해 선택한 뾰족한 '웻지(Wedge)' 전략이 오히려 스스로를 가두는 관이 되어버린 순간이었다.

AI 골드러시는 새로운 병을 퍼뜨렸다. 모든 VC는 시리즈 A 투자 전에 연 매출 100만 달러를 요구한다. 그리고 모든 창업가는 그 공식을 안다. GPT-5를 그럴싸하게 포장하고, 로그인 기능을 붙여, 기업 고객에게 비싼 값에 파는 것이다. 그러면 목표를 달성하고 투자를 유치할 수 있다. 하지만 그렇게 해서는 벤처 투자를 받을 만한 진짜 회사를 결코 만들지 못할 수도 있다.

VC들도 이 게임의 룰을 안다. 그들은 서른 개의 단순한 웻지 중 스물아홉이 연 매출 500만 달러에서 성장이 멈출 것을 알면서도 투자한다. 그중 하나가 우연히 방어 가능한 무언가를 만들어내길 기대하며 베팅하는 것이다. 나머지는 그저 인재 확보용 인수 대상(acqui-hire)이 될 뿐이다.

대부분의 창업가들은 이 미끼를 덥석 문다. 단순한 웻지는 투자받기 쉽다. ‘X를 위한 AI’ 같은 아이디어는 냅킨 한 장에 담길 만큼 단순하다. 반면 ‘우리는 모든 스택을 처음부터 다시 만들고 있습니다’ 같은 말은 망상처럼 들린다.
최고의 회사들은 그 망상을 선택한다.

피그마(Figma)는 브라우저에서 디자인 툴을 재창조하는 데 수년을 바쳤다. 실시간 협업을 위해서는 충돌 해결, 메모리 관리, 렌더링 성능 등 모든 것을 다시 상상해야 했다. 경쟁사들이 플러그인을 출시할 때, 그들은 그래픽 엔진을 만들었다. 이제 그 경쟁사들은 자신들이 결코 복제할 수 없는 인프라에 API 접근이라도 하게 해달라고 애원한다.

노션(Notion)은 왜 문서와 데이터베이스가 나뉘어 있어야 하는지 근본적인 질문을 던졌다. 독자적인 상태 관리와 동기화 엔진, 그리고 3년간 아무도 이해하지 못했던 블록 아키텍처를 만들었다. 이제 경쟁자들은 노션이 아무렇지 않게 내놓는 기능들 앞에서 자신들의 어설픈 기반이 속절없이 무너지는 것을 경험한다.

나는 네 개의 스타트업이 똑같이 무너지는 것을 보며 이 교훈을 얻었다. 모두가 남의 핵심 가치에 기대어 사업을 만들었다. 기반이 되는 플랫폼이 방향을 틀거나, 가격을 올리며 그들을 몰아내자, 그들에겐 아무것도 남지 않았다. 그들이 내세운 웻지는 애초에 그들의 것이 아니었던 것이다.

액셀러레이터 데모 데이를 보면 이 패턴은 명확하다. 30개의 AI 영업 툴이 나온다. 28개는 똑같은 ChatGPT 복제품이다. 단 두 곳만이 고객의 CRM에 직접 연동되어, 실패한 모든 계약, 성공한 모든 영업 과정, 고객의 모든 반대 패턴을 학습한다. OpenAI가 대중에게 공개된 영업 지식을 학습하는 동안, 이 두 회사는 고객사의 비공개 데이터를 학습한다. 하나가 보편적으로 똑똑해질 때, 다른 하나는 돈을 내는 고객을 위해 ‘특별하게’ 똑똑해진다.

내가 던지는 질문은 이것이다. “당신의 웻지, 오직 그 하나만으로 1억 달러 매출을 만들 수 있습니까? 다른 제품 추가 없이, 플랫폼으로의 확장 계획 없이, 오직 그 뾰족한 전략 하나만으로 말입니다.”

창업가들은 당황하며 다른 기능들, 확장 계획, 생태계의 꿈을 늘어놓는다. 결국 자신들의 웻지 전략이란, 투자 유치를 위해 그럴듯하게 포장한 하나의 기능에 불과하다는 사실을 실토하는 셈이다.

이 함정은 회사가 성장할수록 치명적으로 작동한다. 가장 큰 고객이 당신의 아키텍처로는 도저히 구현할 수 없는 것을 요구한다. 당신의 팀은 모델을 훈련시키는 대신 프롬프트나 만지작거린다. 움직이는 게 곧 발전이라 착각하며 챗 위젯 따위를 추가한다. 새로운 기능은 방향 전환을 더 어렵게 만들고, 늘어난 고객은 변화를 불가능하게 만든다.

당신의 웻지가 당신의 운명을 결정한다. 첫날 고객들이 당신을 뭐라고 생각했든, 5년 뒤에도 당신은 그 이미지와 싸우고 있을 것이다.
진정한 웻지는 겉보기엔 좁아도, 그 깊이가 다르다. 어려운 문제를 해결하는 과정 자체가 복리처럼 쌓여 누구도 넘볼 수 없는 해자(moat)가 된다. 모든 기술적 결정이 중요하며, 외부 기술에 의존하지 않으려는 노력 하나하나가 영구적인 경쟁력이 된다.

연 매출 100만 달러는 분명 대단한 성과다. 하지만 바로 그 지점에서 대부분의 웻지는 자신의 천장을 드러낸다. 그사이, 누군가는 똑같은 문제를 발견하고 깊게 파고들었다. 3년 동안 매출도, 지표도 없이. 남들이 복사할 수 없는 것을 조용히 만들면서 말이다.

오늘 당장 그 창업가는 미친 사람처럼 보일 것이다.
선택의 순간은 바로 지금이다. AI 덕분에 피상적인 제품을 만드는 것은 그 어느 때보다 쉬워졌다. 그렇기에 깊이 파고들 용기야말로 가장 중요한 것이 되었다.

남들이 따라 할 수 없는 당신만의 웻지를 선택하라. 그렇지 않으면, 결국 다른 회사의 업데이트 기록에 ‘기능 추가’라는 한 줄로 사라지게 될 것이다.

https://writing.nikunjk.com/p/the-wedge-trap
👍91
Continuous Learning_Startup & Investment
Cognition이 $10.2B에 $400M를 투자 받았다. 작년 9월 ARR이 $1M에서 올해 $73M ARR in June 2025까지 성장했다. 창업후 $20m을 썼다고 하니 이미 수익성은 검증한 것 같다. 기업대상으로 상대적으로 비싸게 받은 것이 좋은 마진을 만들어준 것 같다. Cursor/Windsurf같은 IDE보다 유저가 가치를 가치를 덜 느끼다보니 Cursor에 비해서는 더디게 성장하는 것처럼 느껴지지만 1년이 안되는 시점에 73배 성장했다.…
"성공적인 에이전트 엔지니어링이란 결국 '비터 레슨(Bitter Lesson)이 언젠가 이 모든 걸 무너뜨리겠지만, 어쨌든 지금은 작동하니까 계속 하자'를 AGI가 도래할 때까지 끊임없이 반복하는 것이다."

노정석 대표님 의역

"성공적인 에이전트 개발의 본질은 '순수 계산 스케일링이 결국 이 모든 수작업을 대체하겠지만, 당장은 이게 먹히니까 계속 밀고 나가자'는 마음가짐을 AGI가 올 때까지 무한 반복하는 것이다."

*Bitter Lesson은 리처드 서튼의 개념으로, 인공지능 역사에서 수작업으로 만든 전문 지식보다 계산자원을 투입한 단순 학습이 장기적으로 항상 승리해왔다는 교훈을 말함.

이거 다 만들어놔도 모델 업데이트 되면 쓸려가는거 아닌가? 하는 불안감은 프론티어 랩이 아닌 모두가 고민하고 있다. 그래서 모델이 더 좋아지면 그걸 레버리지할 수 있는 평가 방법, 명세/계약, 아키텍쳐를 잘 설계하는게 중요한데 이마저도 계속 바뀌곤 있다.

고객과 가깝게 붙어있으면서 기술의 발전에 잘 올라타는 것이 원론적으로 맞지만 실제론 어려운 게 많다.

https://x.com/swyx/status/1968069869121024240

https://t.me/continuouslearningmatthew/4099
Continuous Learning_Startup & Investment
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…
자율주행의 미래는 이미 시작되었습니다. 5년 후, 운전은 이동을 위한 필수 기술이 아닌 소수만의 취미가 될 것입니다. 이미 막대한 사용자 네트워크를 확보한 우버와 같은 플랫폼은 자율주행 시대의 수혜자로서 지금보다 더 강력한 시장 지배력을 구축할 것입니다.

자동차 소유의 개념도 완전히 바뀝니다. 개인은 차를 사는 대신 필요한 순간에 자율주행 서비스를 구독하게 될 것입니다. 렌터카 사업은 자율주행 차량을 대량으로 운용하는 전문 플릿(Fleet) 기업으로 대체되며, 이들 기업은 안정적인 현금 흐름을 바탕으로 부동산 투자 신탁(REITs)처럼 금융 상품화될 것입니다.

보험 시장의 패러다임 역시 이동합니다. 개인 운전자의 과실이 사라지면서 개인 자동차 보험은 점차 소멸하고, 그 자리는 자율주행 시스템의 안전성을 보증하는 B2B 기업 보험이 차지하게 될 것입니다. 특히 테슬라나 웨이모처럼 방대한 주행 데이터를 독점한 기업은 위험 예측과 통제에서 압도적인 우위를 점하며 보험업의 새로운 강자로 부상할 것입니다.

이동 시간이 '자유 시간'으로 바뀌면서 자동차는 새로운 기회의 공간이 됩니다. 차량 내에서 즐기는 엔터테인먼트와 게임 콘텐츠 수요가 폭발적으로 증가하고, 전국의 자율주행차가 24시간 물류 네트워크로 작동하며 '초고속 즉시 배송' 시대를 열 것입니다. 궁극적으로 자동차는 단순한 이동 수단을 넘어, 나를 찾아오는 '움직이는 오피스', '프라이빗 영화관', '1인용 레스토랑'과 같은 혁신적인 공간 서비스로 진화할 것입니다.

이 모든 혁신은 데이터가 있기에 가능합니다. 수백만 대의 자율주행차가 도로 위를 달리는 '엣지 디바이스(Edge Device)'가 되어 실시간으로 데이터를 생성하고 처리할 것이며, 이를 뒷받침하기 위한 데이터센터와 클라우드 인프라의 폭발적인 성장은 필연적입니다.



Q: 현재 우버의 자율주행 파트너는 몇 곳이나 되나요?

A: 모빌리티(차량 호출) 및 딜리버리(배달) 사업 전반에 걸쳐 20개 이상의 파트너가 있습니다. 주요 파트너십은 다음과 같습니다.

- 웨이모(Waymo): 현재 애틀랜타와 오스틴에서 서비스를 운영 중입니다. 다라 CEO는 웨이모를 "최고 중의 최고"라고 칭합니다.
- 중국 기업들: 바이두(Baidu), 위라이드(WeRide), 포니에이아이(Pony.ai) 등 현재 전성기를 맞이하며 중국 외 시장으로 확장을 모색하는 다수의 중국 자율주행 기업들과 파트너 관계를 맺고 있습니다.
- 글로벌 확장: 유럽 및 기타 전 세계 지역에서도 파트너십을 개발하고 있습니다.

도입 계획은 우선 안전 요원을 탑승시킨 차량을 도로에 투입하고, 올해와 내년에 걸쳐 안전 요원을 제외하는 것을 목표로 하고 있습니다. 이를 통해 상당한 수의 자율주행차가 도로를 달리게 될 것입니다.


Q: 안전 요원 없이 운행하는 중국 자율주행 기업들에 대한 평가와 그들의 안전 기록은 어떻습니까?

A: 바이두, 위라이드, 포니에이아이 같은 회사들은 오늘날 안전 요원 없이 도로를 달리고 있습니다. 특히 중국 대도시의 복잡한 운전 환경을 고려할 때, 그들의 기술력은 "놀라운(amazing)" 수준입니다. 그들은 서구 기업들만큼이나 안전을 중요하게 생각하며, 안전 기록 또한 훌륭합니다. 궁극적으로 우리는 자율주행 기술이 안전성 측면에서 "초인적(superhuman)"이 될 수 있으며, 수백만 명의 생명을 구하고, 하드웨어 비용이 감소함에 따라 훨씬 더 많은 사람들에게 온디맨드 모빌리티를 제공할 수 있을 것이라 믿습니다.

Q: 자율주행 차량이 등장함에 따라 우버의 네트워크 효과는 어떻게 진화하며, 자산 경량화 모델에서 차량을 소유하는 모델로 전환해야 하나요?

A: 우리의 네트워크 효과는 여전히 강력합니다. 독자적인 차량 군단(플릿) 소유주는 우버 네트워크에 속한 소유주보다 차량 활용률이 낮을 것입니다. 우리는 이미 기존 수요를 확보하고 있기 때문에, 차량 위치에서 더 가까운 호출을 더 많이 제공할 수 있습니다. 이는 주행 시간의 더 높은 비율이 수익 창출 주행에 사용된다는 것을 의미하며, 결과적으로 차량 한 대당 하루 수익이 훨씬 더 높아집니다. 이는 맥도날드가 자체 직영 채널을 가지고 있으면서도 매장 수익을 극대화하기 위해 우버이츠와 같은 마켓플레이스와 협력하는 이유와 유사합니다.

Q: 우버가 자체적으로 자율주행 차량을 구매하고 배치해야 할까요?

A: 우리의 전략은 단기 및 장기 단계로 나뉩니다.

- 단기: 우리는 비즈니스 모델을 증명하기 위해 **대차대조표 리스크를 감수할 것**입니다. 특정 시장에서 차량 한 대가 얼마의 수익을 낼 수 있는지에 대한 데이터를 이미 가지고 있기 때문에, 우리의 재무 능력을 활용하여 이러한 차량 군단이 자리 잡도록 도울 수 있습니다.
- 장기 (최종 단계): 우리는 이 산업 전체가 "금융화(financialized)"될 것이라고 믿습니다. 힐튼이나 메리어트 같은 브랜드가 운영하는 호텔을 부동산 투자 신탁(REITs)이 소유하는 것처럼, 차량 군단은 순수 금융 투자자들이 소유하게 될 것입니다. 그 시점이 되면 우리는 이러한 자산들을 우리 대차대조표에서 덜어낼 수 있을 것입니다.

Q: eVTOL(플라잉카)이나 배달 드론과 같은 다른 교통수단에 대한 우버의 계획은 무엇인가요?

A: 우리는 교통수단을 3차원(Z축)으로 확장하는 것에 대해 절대적으로 믿고 있습니다.

- eVTOL: 우리는 조비(Joby)의 투자자이며, 그들의 기체가 상용화되면 협력할 계획입니다. 논리는 간단합니다. 도시, 주거지, 비즈니스는 수직으로 확장되었지만, 교통 인프라는 그렇지 못했기 때문에 교통 체증이 악화되는 것입니다.
- 배달 로봇/드론: 우리는 두 가지 유형의 자동화된 배달을 진행하고 있습니다.
1. 인도 주행 로봇: 느리고 안전하며 "귀여운" 이 자율주행 기기는 인도에서 운행하며, 인구 밀집 지역의 단거리(1마일 이하) 배달에 적합합니다.
2. 드론 배달: 고층 건물이 없는 교외 지역과 같이 넓게 퍼져있는 시장에 더 적합합니다.
- 가장 큰 과제: 이 두 솔루션을 합치면 우리 배달 시장의 50% 이상을 감당할 수 있습니다. 남은 과제는 레스토랑 주방에서 음식을 받아 고객의 아파트 문 앞까지 전달하는 "퍼스트마일 및 라스트마일" 문제를 해결하는 것입니다.

Q: 우버 네트워크를 구축한 인간 운전자들의 일자리가 결국 대체될 것이라는 점에 대해 어떻게 생각하십니까?

A: 이는 우리가 두 가지 시간대로 나누어 보는 중요한 사회적 문제입니다.

- 단기 (향후 5~7년): 우리는 운전자들을 대체할 것으로 예상하지 않습니다. 우리 플랫폼이 매우 빠르게 성장하고 있기 때문에, 인간 운전자의 수입에 영향을 주지 않으면서 로봇 차량을 흡수할 수 있습니다. 오스틴과 같이 자율주행차를 출시하는 시장에서는, 우리는 단순히 "운전자 모집 기계를 잠시 멈출" 뿐입니다. 그 결과, 오스틴의 운전자들은 웨이모 도입 이전과 같거나 더 많은 돈을 벌고 있습니다. 우리는 5~7년 후에는 지금보다 더 많은 인간 운전자와 배달 파트너를 보유하게 될 것으로 예상합니다.
- 장기 (10~15년 후): 이것은 "실질적인 문제(real issue)"가 될 것입니다. 지금 당장 명쾌한 해답은 없지만, 이는 매우 중요한 사회적 질문입니다. 이를 돕기 위해, 우리는 우버를 더 넓은 "일자리 플랫폼"으로 확장하고자 합니다. 예를 들어, '우버 AI 솔루션' 비즈니스를 통해 운전자와 배달 파트너가 AI 모델을 위한 데이터 라벨링 같은 다른 종류의 온디맨드 작업을 수행할 수 있도록 탐색하고 있습니다.

https://youtu.be/YRQ-OG05flI
Shopify는 리더부터 AI Native로 변하려고 노력하고 있기에 서비스에서도 AI를 활용한 다양한 기능들을 빠르게 잘 출시하는 것 아닐까?

Tobi는 좋은 테크 리더십 중에 한 명이라고 생각.

Q: 어떻게 '다른 사람들의 상대적 미래'에 살면서 다가올 변화를 예측하나요?

A: 미래를 예측하는 가장 좋은 방법은 '미래에 사는 것'입니다. 저는 제 아이폰에 항상 최신 개발자 베타 버전 OS를 설치합니다. 불안정하고 버그가 많지만, 이를 통해 미래의 사용자들이 경험할 UI와 패러다임을 미리 체험하고 맛볼 수 있습니다. 이를 통해 우리 팀이 현재가 아닌 미래의 디바이스를 위해 디자인하도록 이끌 수 있습니다. 미래에 사는 것은 몇 번의 용기 있는 '베타 버전으로 업데이트' 클릭만으로도 가능합니다.

Q: 소프트웨어의 '비트 부패(Bit Rot)' 현상, 즉 시간이 지나면 훌륭했던 소프트웨어도 낡게 느껴지는 이유는 무엇이라고 생각하나요?

A: 소프트웨어 자체는 변하지 않았지만, **우리의 기대치와 주변 환경이 변했기 때문**입니다. 새로운 iOS가 발표되면 이전 버전은 즉시 낡게 느껴집니다. 이는 애플이 다른 모든 것들을 상대적으로 더 나쁘게 만드는 능력이 있기 때문입니다. 기술의 발전은 기존 패러다임에 '의도된 비트 부패'를 유발합니다.

Q: 쇼피파이에서는 직원들에게 AI 사용을 어떻게 권장하고 있나요?

A: 우리는 직원들이 **반사적으로 AI를 사용하도록 요구**합니다. 이는 선택이 아닌 필수입니다. 그렇게 하지 않는 것은 불공평하기 때문입니다. AI를 활용하는 사람들이 최고의 커리어를 독차지하게 될 것이므로, 모두에게 이 사실을 명확히 알려주는 것이 공정하다고 생각합니다. 어떤 프로젝트든 첫 시도는 AI로 프로토타이핑하고, 만약 AI가 잘 못한다면 그것은 다음 모델을 위한 훌륭한 '평가 자료(eval)'가 됩니다.

Q: 개인적인 성장을 위해 어떤 노력을 하고 있나요?

A: 저는 지난 15년간 제 컴퓨터 활동(키보드 입력, 활성 창 스크린샷)을 10분마다 기록하고 아카이빙해왔습니다. 이를 통해 제 생각과 믿음이 어떻게 변해왔는지 객관적으로 추적할 수 있습니다. 뇌는 과거를 일관된 이야기로 재구성하려는 경향이 있는데, 이 아카이브는 객관적인 진실을 보여줍니다.

또한, '후회 최소화' 프레임워크를 저만의 방식으로 적용합니다. "인생의 마지막 순간에, 당신이 될 수 있었던 최고의 당신을 만나게 된다"고 상상합니다. 제 인생의 목표는 실제의 나와 그 잠재적인 나 사이의 간극을 최소화하는 것입니다. 이를 위해 미래의 나뿐만 아니라, 16살 시절의 나에게도 조언을 구합니다. 그 시절의 꿈과 열정을 잊지 않는 것이 중요합니다.

https://youtu.be/ewnNv8pxdM0
1
1. 스트레스의 진실: 문제는 스트레스가 아니라 '스트레스가 해롭다는 믿음'이다

충격적 연구 결과: 스트레스 자체가 아니라, "스트레스가 건강에 해롭다"고 믿는 사람들에게서만 사망 위험이 43% 증가했습니다. 오히려 스트레스를 긍정적으로 본 사람들은 스트레스가 거의 없는 사람들보다 더 건강했습니다.

생각이 현실을 만든다: 우리의 '마음가짐'은 신체에 직접적인 영향을 미칩니다. 가사 일이 '운동'이라고 믿은 가사도우미들의 건강이 실제로 개선되었고, 밀크셰이크를 '고칼로리'라고 믿었을 때 포만감 호르몬이 더 많이 분비되었습니다. 스트레스도 마찬가지입니다.

2. 새로운 관점: 스트레스는 당신을 돕기 위해 존재한다

스트레스 반응은 단순히 원시적인 '투쟁-도피' 반응이 아닙니다. 현대 과학은 스트레스 반응이 우리를 돕는 정교한 시스템임을 밝혀냈습니다.

도전 반응 (Challenge Response): 심장이 뛰고 에너지가 솟구치는 것은 몸이 도전에 맞설 준비를 하는 긍정적 신호입니다. 불안감을 '흥분'으로 재해석하면, 자신감이 생기고 최고의 성과를 낼 수 있습니다.

돌봄-연결 반응 (Tend-and-Befriend Response): 스트레스는 '사랑 호르몬' 옥시토신을 분비시켜 타인과 연결되고, 서로를 돌보며, 공동체를 지키려는 용기를 줍니다. 타인을 돕는 행위는 스트레스의 해로운 영향을 막아주는 가장 강력한 회복탄력성 메커니즘입니다.

성장 반응 (Growth Response): 스트레스는 뇌가 경험으로부터 배우고 성장하도록 돕는 '예방접종'과 같습니다. 역경은 우리를 더 강하고 현명하게 만듭니다.

3. 스트레스와 의미: 의미 있는 삶은 스트레스가 많은 삶이다

스트레스의 역설: 놀랍게도 스트레스 지수가 높은 국가일수록 행복도, 수명, 만족도가 더 높았습니다. 이는 우리가 아끼고 사랑하는 것들(일, 가족, 목표)이 필연적으로 스트레스를 동반하기 때문입니다.
의미 찾기: 스트레스는 삶의 의미를 찾는 계기가 됩니다. 자신의 가장 중요한 '가치'를 떠올리는 것만으로도 일상의 스트레스를 의미 있는 경험으로 전환할 수 있습니다.

4. 스트레스를 '나의 편'으로 만드는 방법
이 책은 스트레스를 없애는 대신, 스트레스를 잘 다루는 법을 제안합니다.

스트레스를 환영하라: 스트레스 반응(두근거림, 긴장 등)을 위협이 아닌, 몸이 당신을 돕기 위해 에너지를 공급하는 신호로 받아들이세요.

타인과 연결하라: 혼자 끙끙 앓지 말고, 타인을 돕거나 도움을 청하세요. 타인을 돌보는 행위는 절망을 희망으로 바꾸는 가장 강력한 방법입니다.

역경 속에서 성장 가능성을 찾아라: 힘든 경험 속에서 배운 점, 강해진 점 등 긍정적인 변화를 찾아보세요. 고통 자체가 아니라, 고통에 대응하는 '당신 자신'이 성장의 원천입니다.

https://youtu.be/0x_tlZZHEUc
https://www.amazon.com/Upside-Stress-Why-Good-You/dp/1101982934
4
한 사람의 인생은 멋진 영화의 스크립트라고 생각하는데 투지, 낙관주의, 간절함, 시련, 그리고 더 깊어진 삶, 소명에 대한 메세지를 전달하는 영화를 보는 것 같다.

https://youtu.be/POYGrih4aek

뿌리 - 투지와 낙관주의의 시작

빌 맥더멋의 이야기는 뉴욕 롱아일랜드의 평범한 가정에서 시작됩니다. 그의 아버지는 영하의 추위 속에서 밤새 맨홀에 들어가 도시의 불을 밝히는 노동자였습니다. 어린 빌은 창문 너머로 묵묵히 일터로 향하는 아버지의 뒷모습을 보며 '투지(Grit)'란 무엇인지 온몸으로 배웠습니다.

그의 어머니는 살아있는 낙관주의 교과서였습니다. 어느 날 집에 큰불이 나 모든 것이 잿더미로 변하는 절망적인 순간, 그녀는 어린 빌과 형제들을 끌어안고 이렇게 말했습니다. "이건 사실 좋은 일이야. 저 집 안에 있는 것보다 훨씬 소중한 우리 가족이 여기 다 있잖니. 집은 다시, 더 좋게 지으면 된단다." 빌에게 이 말은 단순한 위로가 아니었습니다. 위기 앞에서 무엇이 본질인지 가려내고, 절망을 새로운 시작의 기회로 재정의하는 삶의 기술이었습니다. 이 두 분의 가르침은 그의 인생을 지탱하는 가장 단단한 뿌리가 되었습니다.

도약 - '간절함'이라는 슈퍼파워

21살, 99달러짜리 정장을 입은 빌은 자신의 운명을 바꾸기 위해 맨해튼의 제록스 채용 센터로 향했습니다. 그곳은 명문대 출신의 재능 있는 인재들로 가득했고, 그는 순간 위축되었습니다. '아버지께 너무 큰소리쳤나?' 하지만 그는 도망치는 대신, 늘 하던 대로 그들에게 다가가 말을 걸었습니다. 대화 속에서 그는 놀라운 사실을 발견합니다. 그들은 '좋은 직장' 중 하나로 제록스를 생각했지만, 빌에게 제록스는 '인생을 걸어야 할 단 하나의 기회'였습니다.

그 순간 그는 자신의 진짜 '슈퍼파워'를 깨달았습니다. 그것은 스펙이 아닌, **"내가 저들보다 훨씬 더 간절히 이 일을 원한다"**는 사실이었습니다. 그는 면접을 '통과해야 할 관문'이 아닌 '내 운명을 스스로 통제하기 위한 인생의 싸움'으로 재정의했습니다. 면접관에게 "인사팀의 연락을 기다리라"는 말을 들었을 때, 그는 물러서지 않았습니다. "저는 21년간 아버지와의 약속을 어긴 적이 없습니다. 오늘 밤 직원 배지를 들고 가겠다고 장담했습니다." 이 진심 어린 한마디는 판을 뒤집었고, 그는 꿈에 그리던 직업을 손에 넣었습니다.

시련 - 역경이 빚어낸 더 깊은 통찰


승승장구하던 제록스에서의 17년. 그는 더 큰 성장을 위해 안정된 자리를 박차고 나왔습니다. 하지만 변화의 시작은 끔찍했습니다. 새로운 직장으로 옮긴 바로 그날, 사랑하는 아내가 유방암 진단을 받았습니다. 최악의 타이밍이었지만, 그는 이 경험을 '나쁜 경험'이라 부르지 않습니다. 오히려 코네티컷으로 이사했기에 아내는 세계 최고의 암센터에서 치료받을 수 있었고, 그는 힘든 시기를 겪으며 한층 더 성장했습니다. 그에게 실패란 없었습니다. 배우고 성장하지 못할 때만 '나쁜 경험'이 될 뿐이었습니다.

인생의 정점에 있던 2015년, 그는 끔찍한 사고로 한쪽 눈을 잃었습니다. 수술실 앞에서 그가 느낀 슬픔은 시력을 잃는다는 공포가 아니었습니다. 돌아가신 '어머니의 일부를 잃는 것 같다'는 아픔이었습니다. 하지만 이 거대한 상실은 그에게 새로운 것을 선물했습니다. 흉터와 선글라스는 그의 약점이자 취약함이었지만, 사람들은 오히려 그의 인간적인 모습에 더 깊이 공감하고 다가왔습니다. 그는 한쪽 눈을 잃었지만, 사물의 겉모습 너머 본질을 꿰뚫어 보고 사람의 마음을 느끼는 더 깊은 '통찰(Vision)'을 얻게 된 것입니다.

현재 - 일을 삶의 소명으로

빌은 일을 '챔피언십 결승전'처럼 즐깁니다. 그는 일과 삶의 '균형'을 말하지 않습니다. "내 일하는 삶이, 내 삶의 일(My work life is my life's work)"이라 말하며 '통합'을 이야기합니다. 과거의 성공에 안주하거나 미래를 걱정하지 않고, 오직 '오늘'에 완전히 몰입합니다. 다른 사람들을 돕고 그들의 성공에 기여하는 것에서 에너지를 얻는 그는, 자신의 일이 수백만 명의 삶에 영향을 미친다는 사실에 자부심을 느낍니다. 그의 이야기는 한 개인의 성공담을 넘어, 어떻게 일을 사랑하고, 역경을 해석하며, 의미 있는 삶을 만들어갈 수 있는지에 대한 깊은 울림을 줍니다.
4
Continuous Learning_Startup & Investment
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…
중국의 제조업이 세상을 잡아먹는 원동력 중 하나는 내권이라는 게 있다.

'내권(Involution)'이란 무엇인가?

'내권'은 학술 용어가 아닌 '분위기(vibe)'**입니다. 본질은 **"경쟁자를 죽이기 위해 이윤을 최소화하는" 극단적인 가격 경쟁입니다. 서구 기업이 '주주 이익 극대화'를 추구하는 것과는 정반대입니다.

일의 강소기업이 100년간 독점하던 부품을 중국에 아웃소싱했다고 가정해 봅시다. 중국 기업은 기술을 습득한 후, 원가에 20%의 이윤만 붙여 가격을 1/10로 떨어뜨립니다. 독일 기업이 망한 후에도, 이 중국 기업은 스스로 가격을 계속 낮추며 출혈 경쟁을 멈추지 않습니다.

R&D 투자 없이 오직 가격만으로 경쟁하는 병적인 분위기가 만연하게 됩니다. 이는 상하이 주식시장이 부진한 이유이자, 동시에 중국 기업들이 무서운 경쟁력을 갖게 된 이유입니다.

2. 내권의 기원: 문화, 정책, 그리고 경제 논리

내권 현상이 세 가지 복합적인 요인에서 비롯되었다고 분석합니다.

A. 문화적 기원: 고난을 견디는 금욕주의

- 유교, 도교, 불교의 영향으로 중국 문화에는 **금욕주의**와 **자기 수양**의 전통이 깊게 배어 있습니다.
- 이러한 문화는 비즈니스에도 적용되어, 경쟁자보다 더 많은 고통을 견디는 것(비용 절감, 이윤 포기)을 '승리'의 방식으로 여기게 합니다. 최근의 대기근을 겪은 세대에게 '생존'은 무엇보다 중요한 가치입니다.

B. 정책적 기원: "일본처럼 되지 말자"

- 중국은 일본의 '잃어버린 10년'을 면밀히 연구하며 그들의 실패를 피하고자 했습니다.
- 일본의 실패 원인 (중국의 시각):
1. 미국의 정치적 압력: 1985년 플라자 합의로 엔화 가치가 급등하며 수출 경쟁력이 약화된 것이 위기의 시발점이었습니다.
2. 자산 버블: 저금리, 금융 자유화, 토지 담보 중심의 대출 관행이 맞물려 부동산 버블을 키웠고, 버블 붕괴 후 경제가 장기 침체에 빠졌습니다.
- 중국이 얻은 교훈과 '무시한 교훈':
1. 얻은 교훈: 무분별한 금융 자유화는 위험하며, 미국의 이익에 반하는 행동은 보복을 초래할 수 있다. 금융 위기는 반드시 피해야 한다.
2. 무시한 교훈: 일본 역시 '자본 비용 이하의 투자'라는 근본적인 실수를 저질렀습니다. 하지만 CCP에게 투자의 목적은 이윤 창출이 아니라 '권력 유지'였기 때문에, 이 가장 중요한 교훈은 무시되었습니다.

C. 경제적 논리: '권력 유지'가 최우선

- (앞서 정리한 내용과 동일) 중국 경제의 모든 것은 **CCP의 권력 보존**이라는 최상위 목표에 종속됩니다. 현대화와 이윤은 이 목표를 달성하기 위한 수단일 뿐입니다.
- 금융 억압: 국민의 자산을 통제하기 위해 주식시장의 매력을 억제하고, 국영은행을 통해 자금 흐름을 통제합니다. 이는 일반 시민이 부를 축적할 수단이 부동산 외에는 거의 없게 만들었습니다.
- 생산량 중심주의: 자본주의가 '이윤'을 추구하는 반면, 중국식 사회주의는 '생산량'을 추구합니다. 당이 전략적으로 중요하다고 판단하면, 회사가 돈을 벌지 못해도 생산만 할 수 있다면 자금을 지원합니다.

3. 중국 산업 경제의 자기 잠식 과정

- 디플레이션 도래: 미국 관세 등의 영향으로 공급 과잉이 발생하자, 공장 가동률과 고용을 유지하기 위해 기업들은 가격을 인하하기 시작했습니다. 이는 소비자물가(CPI)와 생산자물가(PPI)가 하락하는 **디플레이션**으로 이어졌습니다.
- 당의 보상 메커니즘:
1. 이윤은 무관심: 당(투자자)에게 기업의 이익은 중요하지 않습니다. 당이 선호하는 시장에서 **제품을 생산하고 판매**하는 것이 중요하며, 그러면 보조금이 따라옵니다.
2. 고용 유지: 일자리를 제공하여 국민들이 현 체제에 순응하게 만드는 것이 부차적으로 중요합니다.
- '성과 기반 보상'의 역설: '만든 2025'의 실패 이후, 당은 무분별한 보조금 대신 '성과'(생산량, 판매량)를 보이는 기업에 보상하기 시작했습니다. 테슬라를 유치하여 중국 기업들이 기술을 역벤치마킹하게 한 것이 대표적입니다.
- 악순환의 완성: 부동산 버블 붕괴로 인한 고용 의존도 증가 → 당은 고용 유지를 위해 가격과 무관하게 생산 및 판매 장려 → 기업은 보조금을 받기 위해 이윤 포기 및 가격 인하 경쟁 → 디플레이션 심화 → 기업 생존을 위한 정부 자금 의존도 심화. 이것이 바로 내권의 메커니즘입니다.

4. 내권은 얼마나 지속될까? 그리고 멈출 수 있는가?

- 지속 가능성"매우 오래" 지속될 수 있습니다. 국가는 일반 기업과 달리 파산하지 않으며, 국가 전체의 부를 동원하여 비효율적인 투자를 계속할 수 있습니다. 사회 불안을 감수한다면 북한처럼 될 수도 있습니다.
- 중국의 대응:
- 문제 인식: 시진핑 주석과 당 지도부, 그리고 CATL 창업자 같은 기업가들까지 '내권'을 심각한 문제로 인식하고 이를 멈추겠다고 선언했습니다.
- 해결책대출 제한과 산업 통폐합. 소수의 승자 기업을 지정해 보조금을 몰아주고 경쟁사를 인수하게 하는 방식입니다.
- 한계: 하지만 이는 독점 기업의 가격 인상으로 이어지기 어렵습니다. ①정부가 이미 가격을 통제하고 있고, ②국민의 구매력이 약하며, ③수출 경쟁력 저하를 우려하기 때문입니다.
- 전망: 중국은 권력에 위협이 될 수 있는 단기적이고 극심한 충격 요법보다는, **국민에게 고통을 전가하는 장기적인 경제 침체**를 선택할 가능성이 높습니다. 개혁은 수년에 걸쳐 느리고 고통스럽게 진행될 것입니다.

https://yuxi.ml/essays/posts/structure-interpretation-chinese-economy/#sec-stock
👍1
미국의 관세가 미국 제조업들에게 오히려 좋지 않은 영향을 준다.

경쟁에서 오는 발전을 저해해서 시장에서 퇴보된다.

이미 BYD의 U9는 GM의 콜벳보다 성능은 뛰어나고 가격은 절반 이하인데 미국 정부가 수입을 금지하면서 GM은 콜벳을 개선해야하는 니즈를 느끼지 못한다. GM 엔지니어들은 경쟁사의 제품을 분해하여 배우는 '벤치마킹'을 할 필요조차 느끼지 못합니다. BYD는 애초에 경쟁 상대가 아니기 때문입니다. 소비자인 미국인들은 U9이 제공하는 새로운 기술을 경험할 기회를 잃게 됩니다.

관세 대신 어떤 것들을 해야하는가?

규제 없애고, 민간/정부 투자 늘려주고(세금 줄이고), 노동 유연성 늘려주고, 주요 생산 인프라에 대해서 국가차원에서 투자해주고, 전세계 인재들을 쉽게 채용할 수 있게 해달라. 우리나라에도 똑같이 필요한 조치처럼 보인다.

의미 있는 규제 철폐 (Meaningful Deregulation)

- 연방 차원: 제조업 활동을 저해하는 모든 부서나 기능을 과감히 폐지해야 합니다.
- 지방 차원: 주택, 에너지 자원 건설 등에 대한 허가 절차와 규제를 대폭 축소해야 합니다.
- 예산 삭감: 민간 투자를 위축시키는 정부 지출을 줄여야 합니다.

→ Balaji도 미국이 제조업에서 승리하기 위해서는 100명의 일론이 새로운 기업을 만들어야하고 과거 중국이 심천을 경제 성장을 위한 허브로 만든 것처럼 모든 규제가 철폐된 Elon Zone을 만들어야한다고 주장했음. 우리나라에 너무 필요한 조치.

신규 기업의 진입 장벽 완화 (Reduce Barriers to Entry)

- 자본 형성 촉진: 자본 이득세(Capital Gains Tax) 등을 인하하여 투자를 활성화해야 합니다.
- 투자 자격 완화: 전문 투자자뿐만 아니라 일반인도 비상장 기업에 투자할 수 있도록 허용해야 합니다.
- 국방 조달 개방: 소수의 거대 방산업체 대신, 더 많고 작은 기업들이 가격과 성능으로 경쟁할 수 있도록 국방 조달 시장을 개방해야 합니다.

C. 노동 비용 절감 (Reduce Labor Costs)

- 노조 권력 약화: 모든 주를 '일할 권리 주(Right-to-Work state)'로 만들어 노조의 영향력을 줄여야 합니다.
- 시장 기반 임금: 최저임금제 같은 인위적인 임금 하한선을 없애고, 자유 시장이 임금을 결정하도록 해야 합니다.

D. 핵심 생산 요소에 대한 투자 촉진 (Spur Investment in Key Production Inputs)

- 에너지 및 자원 개발: 연방 소유 토지에서의 시추, 채굴, 개발을 허용하고 관련 환경 규제를 대폭 완화해야 합니다.
- 인프라 건설: 새로운 송전선 건설, 원자력 발전소 개발에 대한 규제를 철폐하고, 국가환경정책법(NEPA) 검토 기간을 15일로 제한하는 등 인프라 투자를 가로막는 장벽을 제거해야 합니다.

E. 전 세계 최고의 인재 유치 (Recruit the Best from Around the World)

- 비자 자동 발급: STEM 분야 대학 졸업생에게 H1-B 비자를 자동으로 부여해야 합니다.
- 글로벌 인재 채용 사무소(OGR) 설립: 전 세계 최고 엔지니어들을 적극적으로 유치하고, 개인과 채용 기업에 '사이닝 보너스'를 제공해야 합니다.
- 이민 시스템 현대화: 불법 이민을 막는 동시에, 합법 이민 절차는 기술을 통해 50% 이상 단축해야 합니다.

Manufacturing: Culture as Strategy (전략으로서의 제조업 문화)

이 글은 미·중 제조업 경쟁의 핵심을 지정학이나 경제가 아닌 '문화'에서 찾으며, 미국이 다시 경쟁력을 갖추기 위해서는 문화적 변화가 시급하다고 주장합니다.

- 중국의 문화적 강점:
- 중국 제조업은 저임금 노동력에 의존하는 저기술 공장이 아니라, 사회 전체가 '만드는 것(making things)'에 최적화되어 있습니다.
- 비기술 직군 직원도 제조 공정에 대한 이해도가 높고, 기업 리더들은 재무가 아닌 기술 배경 출신이 압도적으로 많습니다.
- BYD 같은 회사는 GM 같은 전통적인 미국 기업보다 훨씬 역동적이고 혁신적인 문화를 가지고 있으며, 이는 자동차 같은 복잡한 제품에서도 미국을 능가하는 결과로 이어지고 있습니다.

미국이 해야 할 일:

1. 제조업 근로자에게 힘 실어주기: 임금을 인상하고, 의사결정에 참여시키며, 제조업을 다시 '멋진 일'로 만들어야 합니다.
2. 선망의 대상이 되는 제조업 회사 만들기: Hadrian처럼 최고의 인재들이 가고 싶어 하는 회사를 1000개 이상 만들어야 합니다.
3. 블루칼라와 화이트칼라의 격차 해소: 관리 장벽을 허물고 소통을 강화해야 합니다.
4. 실무 중심의 공학 교육 강화: 대학에서 실제 현장에서 필요한 기술을 가르쳐야 합니다.

https://worthoverdoing.substack.com/p/tariffs-are-an-admission-of-defeat

https://roblh.substack.com/p/surviving-involution
👍2
누구나 실패를 두려워하고 부정적인 자기 대화를 하기도 한다.

마이클 델(Michael Dell)은 '실패에 대한 큰 두려움'을 동력으로 삼습니다. 승리를 사랑하는 것보다 실패를 훨씬 더 두려워하는 것은 많은 성공가들에게서 공통적으로 나타나는 특징입니다.

Q: 성공가들의 '부정적인 자기 대화(negative self-talk)'에 대해 어떻게 생각하나요? 엔비디아의 젠슨 황(Jensen Huang)도 그런가요?

A: '탁월함은 고통을 감수하는 능력'이라는 말이 있지만, 모든 고통이 생산적인 것은 아닙니다. 부정적인 자기 대화는 주변 사람들에게도 부정적인 영향을 미칠 수 있어 위험합니다. 젠슨 황 역시 최고의 분기 실적을 기록한 다음 날 아침 회의에서 "왜 나는 이렇게 못났을까?"라고 말하며 자신을 채찍질하는, 매우 하드코어한 인물입니다.

진정한 학습은 행동을 바꾸는 것.

Q: 당신이 생각하는 '학습'의 진정한 의미는 무엇인가요? 데릭 시버스(Derek Sivers)의 말과 어떻게 연결되나요?

A: 데릭 시버스는 "만약 정보가 답이었다면, 우리 모두는 식스팩을 가진 억만장자였을 것"이라고 말했습니다. 이에 동의하며, **진정한 학습은 정보를 암기하는 것이 아니라, 행동을 바꾸는 것**이라고 생각합니다. 행동의 변화가 없다면, 지식 습득은 시간 낭비일 뿐입니다.

거인의 어깨에 올라가 더 넓은 세상을 바라볼 것

Q: 당신의 아이디어가 독창적인 것이 아니라, 과거의 거인들로부터 왔다는 것을 어떻게 깨달았나요?

A: 저는 **'영향력 있는 사람에게 영향을 준 사람(influences the influencers)'**에 항상 관심이 있습니다.

- 워런 버핏과 찰리 멍거가 계속해서 **헨리 싱글턴(Henry Singleton)**을 언급하는 것을 보고, 그를 연구하며 버핏과 멍거의 아이디어가 사실 싱글턴에게서 왔다는 것을 깨달았습니다.
- 데이비드 오길비(David Ogilvy)는 자신의 천재성이 **클로드 홉킨스(Claude Hopkins)**의 작업을 재해석한 것이라고 밝혔습니다.
- 스티브 잡스는 젊은 시절부터 폴라로이드의 창업자 **에드윈 랜드(Edwin Land)**를 자신의 영웅으로 꼽았으며, 애플의 핵심 철학(인문학과 기술의 교차점, 수직 통합, 마법 같은 경험)은 대부분 랜드에게서 직접적으로 가져온 것입니다.

Q: 에드윈 랜드의 개인적인 좌우명 두 가지는 무엇이며, 당신에게 어떤 의미인가요?

A: 1. "다른 사람이 할 수 있는 일은 하지 마라 (Don't do anything that someone else can do)." 이는 차별화의 중요성을 강조합니다.

2. "할 가치가 있는 일은 과도하게 할 가치가 있다 (Anything worth doing is worth doing to excess)."

모두가 스티브 잡스, 일론 머스크일 필요는 없다.


Q: 다양한 창업가 유형(archetypes)이 존재하는데, 이를 어떻게 이해해야 하나요?

A: 다니엘 에크는 "모든 젊은 창업가들이 일론 머스크나 스티브 잡스가 될 필요는 없다"고 말합니다. 세상에는 다양한 성공 모델이 있습니다.

- 안티-비즈니스 억만장자: 스티브 잡스, 제임스 다이슨, 이본 쉬나드(파타고니아 창업자)처럼 제품의 품질과 장기적인 회사 통제에만 집착하는 유형. 역설적으로 이들이 결국 가장 큰 부를 얻습니다.
- 분야별 전문가: 엔지니어 창업가(토비 뤼트케), 천재적인 운영가(트래비스 캘러닉), 분석적인 금융가 등 각자의 강점을 극대화하는 유형.

중요한 것은 다른 사람의 '무엇(what)'을 모방하는 것이 아니라, '어떻게(how)'**를 배우고, 자신에게 **'자연스러운(natural)' 비즈니스를 구축하는 것입니다.

Q: 당신의 삶과 일에 대한 궁극적인 철학은 무엇인가요?

A: 저는 장기 계획을 세우지 않습니다. **"훌륭한 삶은 훌륭한 하루들이 모여 만들어진다"**고 믿습니다. 그래서 매일 아침 일어나 건강을 챙기고, 책을 읽고, 제가 자랑스러워할 수 있는 제품을 만들고, 사랑하고 존경하는 사람들과 시간을 보내려고 노력합니다. 저는 정상을 신경 쓰지 않고, 오르는 과정 자체를 사랑합니다. 그것이 저를 움직이는 원동력입니다.

https://youtu.be/mesjY6l2T8c
1
앞으로 1-2년 뒤에 어떤 세상이 될지 예측하기 너무 어렵다. 진보의 안개에서 조심 조심 걸어가는 느낌.

Q* 사례: 프론티어 예측의 어려움과 교훈


과거 OpenAI Q* 스트로베리 당시에 대부분 AI 전문가들이 Q 러닝이나 A* 알고리즘 결합을 예상했으나 결국 강화학습을 해야하는 것이었음.

비록 추측이 틀리더라도, '문제의 방향성'(추론, RL, 탐색의 중요성)을 제대로 제시하면 업계 전반에 강력한 자극을 주어 수많은 시도를 유발하고, 결국 Deepseek R1과 같은 올바른 방법론을 더 빨리 찾는 데 기여할 수 있음.

'추론과 에이전트' 시대의 도래


멀티모달 같은 다른 중요한 문제들보다 '추론(Reasoning)과 에이전트(Agent)' 문제에 자원과 노력을 집중하고 있음. (예: 앤트로픽, 중국의 Moonshot AI, DeepSeek 등)

'AGI에 도달하려면 시각(Vision) 등 멀티모달 문제를 먼저 해결해야 한다'는 얀 르쿤, 페이페이 리 등의 주장과는 다른 흐름임.

일단 학계와 다르게 자본은 추론/에이전트에 올인하는 느낌.

텍스트 vs 이미지: 데이터의 본질적 차이와 텍스트의 우위


과거의 관점: 텍스트와 이미지를 모두 '동일한 데이터'로 취급하려는 경향이 있었음.
현재의 관점: 텍스트는 이미지와 본질적으로 다르며, 훨씬 강력한 데이터라는 인식이 확산됨.

텍스트 데이터의 3가지 특징:
방대한 동시 과업 학습: 웹 텍스트 사전학습은 수많은 과업(task)을 동시에 배우는 효과가 있지만, 이미지는 그렇지 않음.
이해(Understanding) 능력 내포: 다음 토큰을 예측하는 과정 자체가 문맥에 대한 '이해'를 수반함.
자연스러운 인간 관점과의 정렬(Alignment): 인간이 만든 데이터이기에 인간의 의도, 상징, 추상적 개념과 자연스럽게 정렬됨.

'추론'의 정의: 방법론의 시대에서 '평가의 시대'로
추론의 정의: 최종 답변을 내기 전, '생각의 과정'에 해당하는 중간 결과물을 텍스트로 생성하는 것.
기존 CoT(Chain of Thought)와의 결정적 차이: CoT는 사람이 생각의 과정을 지시하거나 가이드했지만, 현재의 '추론'은 모델이 강화학습(RL)을 통해 스스로 더 나은 생각의 과정을 발견하고 학습한다는 점.

'후반전(The Second Half)' 패러다임 (by Yao Shunyu):
전반전 (방법론의 시대): 이미지 분류 등 고정된 문제를 풀기 위한 더 나은 '방법(알고리즘, 아키텍처)'을 찾던 시대.

후반전 (평가의 시대): 일반화된 방법론(LLM+RL)은 찾았으므로, 이제는 현실 세계의 가치 있는 '문제(Problem)'와 그것을 측정할 '평가(Evaluation)'를 만드는 것이 핵심이 된 시대.
핵심 명제: "평가할 수만 있다면, 어떤 문제든 풀 수 있다."

'환경 스케일링'과 현재의 도전 과제들

'후반전'의 구체적 실행 방식: '환경 스케일링(Environment Scaling)'
3요소: 1) 지시(Instruction), 2) 실행 환경(Environment, 예: 코딩을 위한 VM), 3) 보상 메커니즘(Reward, 예: 유닛 테스트)
이 3요소의 조합을 'RL 짐(Gym)'이라 부르며, 이를 다양하게, 대규모로 구축하는 것이 빅테크의 핵심 과업.

현재 직면한 주요 도전 과제:
1. 비용과 복잡성: 환경 구축은 수학 올림피아드 수상자, STEM 박사 등을 '튜터'로 고용해야 할 만큼 막대하고 비싼 데이터 작업. (해결책 시도: 모델을 이용한 환경 합성)
2. 개방형 질문과 검증의 어려움: 정답이 없거나 검증이 어려운 문제(예: 수학 증명)에 대한 보상 제공 문제. (해결책: 모델 기반 보상 모델, 루브릭(Rubric) 기반 평가)
3. 롱 컨텍스트와 장시간 사고: 긴 문맥을 정확히 이해하고 장시간(수십 분~수 시간)에 걸쳐 사고하는 능력. ICPC 대회(5시간 제한) 문제 해결 사례는 이 문제가 프론티어에서 상당 부분 해결되고 있음을 시사.

-> 덕분에 Mercor/ScaleAI/Surge/Handshake같은 전문직을 연결해서 데이터를 제공하는 회사들의 매출은 수직 상승

해결해야 할 다음 문제들: 프론티어 랩들이 고민할 것으로 추정되는 상호 연결된 미래 연구 주제들.

1. 자율 학습(Autonomous Learning)과 내재적 보상(Intrinsic Rewards):
외부에서 설계된 환경이 아닌, 모델 스스로 학습 환경을 구축하고 목표를 설정하며 '내재적 보상'을 통해 학습하는 능력. 인간의 호기심이나 성취감과 유사.

2. 온라인 및 지속 학습(Online & Continual Learning):
자율 학습이 가능해지면, 모델을 특정 환경(예: 기업 내부)에 배치해 실시간으로 상호작용하며 계속해서 배우고 발전하게 만들 수 있음.

3. 장기 기억(Long-term Memory):
지속 학습을 위한 필수 요소. 가중치 업데이트, 수십억 토큰의 컨텍스트, 외부 메모리 도구 등 다양한 방식으로 구현될 수 있음.

4. 멀티 에이전트 시스템(Multi-Agent Systems):
기능: 역할 분담을 통한 컨텍스트 관리, 단일 과업의 깊이(depth)를 넘어 여러 과업을 동시에 처리하는 폭(width)의 확장. (예: 버그 하나 수정 → 오피스 프로그램 전체 개발)
결정적 차이: 과거의 프롬프트 조합 방식과 달리, 전체 멀티 에이전트 시스템 자체를 강화학습으로 '훈련'하여 에이전트 간의 상호작용과 협업 방식을 최적화할 수 있게 됨.

https://youtu.be/wsgisRt-I1U
2
자연은 속일 수 없다 (It Is Impossible to Fool Mother Nature)

Naval: 당신에게 일어나는 모든 나쁜 일에 대해 책임을 지라—이건 마인드셋입니다.

어쩌면 약간은 가식처럼 느껴질 수도 있지만, 사실 자기 자신에게 매우 유리한 태도예요. 그리고 한 걸음 더 나아가, 당신에게 일어나는 모든 좋은 일은 운 덕분이라고 여기면 도움이 될 수도 있습니다. 하지만 어느 수준에서는 진실이 매우 중요합니다. 자기기만을 해서는 안 돼요.

제가 관찰한 바에 따르면, 사실은 이렇습니다. 아주 열심히 일하고, 스스로를 투입하며, 포기하지 않고, 결과에 대해 책임을 지는 사람들은 충분히 긴 시간 축에서 보면 그들이 몰두한 분야에서 결국 성공합니다. 그리고 모든 성공 사례는 이 사실을 알고 있어요.

리처드 파인먼은 자신이 천재가 아니었다고 말하곤 했습니다. 그는 그저 스스로를 몰입시키고 아주 열심히 일한 소년이었을 뿐이라고요. 물론 그는 매우 똑똑했습니다. 하지만 그건 필요조건이지 충분조건은 아니었죠. 우리 모두 똑똑하지만 게으른 사람의 전형을 알고 있습니다.

그리고 저는 제 모든 친구들—**니비(Nivi)**를 포함해서—을 약간 괴롭히듯이 이렇게 말하곤 합니다. “당신들 문제 중 하나는 자신의 잠재력보다 한참 낮은 수준에서 운영되고 있다는 거예요. 당신들의 잠재력은 지금 위치보다 훨씬 높습니다. 그 잠재력의 일부를 **운동 에너지(kinetic)**로 전환해야 합니다.”

아이러니하게도, 그렇게 하면 오히려 잠재력이 더 커집니다. 우리는 정적인 존재가 아니라 동적인 존재이니까요.

우리는 동적인 존재입니다. 그리고 당신은 더 많이 배우게 될 거예요. 행동하면서 배우게 됩니다. 그러니 변명은 그만하고 링 위로 올라가세요.

Nivi: 당신은 쇼펜하우어도 좋아하잖아요. 그에게서 무엇을 배웠나요? 그의 작업에서 놀라웠던 점이 있나요?

Naval: 쇼펜하우어는 모든 사람에게 맞는 작가는 아닙니다. 그리고 사실 여러 얼굴의 쇼펜하우어가 있어요. 그는 글을 많이 썼고, 철학자들을 위한 난해한 텍스트—예컨대 의지와 표상으로서의 세계—를 읽을 수도 있고, 좀 더 실용적인 글—존재의 허영에 대하여 같은—을 읽을 수도 있습니다.

그는 역사상 드물게 흔들림 없이 쓰던 사람 중 하나였죠. 그는 자신이 진실이라고 믿는 것을 썼습니다. 항상 옳았던 건 아니지만, 결코 독자에게 거짓말하지 않았고, 그게 글에서 느껴집니다. 그는 사물에 대해 아주 깊이 생각했어요.

그는 사람들이 자신을 어떻게 생각하는지에 크게 신경 쓰지 않았습니다. 그가 아는 건 하나였죠. “내가 지금 쓰는 것은 내가 진실이라고 아는 것이다.”

그리고 그는 허세를 부리지도 않았습니다. 현란한 언어를 쓰지 않았고, 당신을 감탄시키려 하지도 않았죠.

사람들은 그를 염세주의자라고 부릅니다. 저는 그게 완전히 공정하다고는 생각하지 않아요. 그의 세계관은 염세적으로 해석될 수 있지만, 저는 그저 거친 진실의 한 사발이 필요할 때 그를 읽습니다.

쇼펜하우어가 제게 독특하게 해 준 것은, 그가 제게 **온전한 ‘나 자신일 허용’**을 줬다는 겁니다. 그는 대중이 무엇을 생각하는지 전혀 개의치 않았고, 피상적·통속적 사고에 대한 경멸이 글에서 드러납니다.

물론 저도 그걸 그대로 다 공유하는 건 아닙니다—저는 그보다 조금 더 평등주의자예요. 하지만 그는 정말로 당신이 당신 자신일 수 있는 허가증을 줍니다. 그러니 무언가에 능하다면 주저하지 마세요. 자신이 그 일에 능하다는 사실을 받아들이세요.

그건 제게도 쉬운 일은 아니었어요. 우리 모두 서로 잘 지내고 싶어 하니까요. 집단 속에서 잘 지내려면 너무 튀고 싶진 않죠. 흔히 말하듯, 키 큰 양귀비는 잘린다(=한국식 표현으로는 모난 돌이 정을 맞는다).

하지만 대단한 무언가를 하려면, 어떤 방식으로든 자신에게 베팅해야 합니다. 어떤 일에서 탁월하려면, 자신이 탁월하다는 사실을 인정—적어도 그렇게 되려 노력—하고, 남들이 뭐라 하는지에 너무 연연하지 않아야 합니다.

물론 망상에 빠져서는 안 됩니다. 투자 업계에 있다 보면, “제가 이건 정말 잘합니다”라고 말하는 약간은 망상적인 사람들을 끊임없이 만나게 됩니다. 아니요, 스스로를 탁월하다고 선언할 권리는 당신에게 없어요. 남들이 당신을 탁월하다고 말해 줘야 합니다. 그리고 엄마는 그 ‘남들’에 포함되지 않습니다.

타인으로부터의 피드백은 보통 가짜입니다. **상(어워드)**은 가짜예요. 비평가도 가짜. 친구와 가족의 칭찬도 가짜입니다. 그들이 진심을 담으려 노력할 수는 있겠지만, 가짜의 바다 속에 묻혀서 진짜 피드백은 얻지 못합니다.

진짜 피드백은 자유시장과 자연으로부터 옵니다. 물리는 냉정하죠. 제품이 작동했는가, 아닌가. 자유시장도 냉정합니다. 사람들이 샀는가, 안 샀는가. 하지만 다른 사람들로부터의 피드백은 가짜입니다.

집단으로부터는 좋은 피드백을 얻기 어렵습니다, 왜냐하면 집단은 그저 서로 잘 지내려 하기 때문이에요. 개인은 진실을 찾고, 집단은 합의를 찾습니다. 서로 잘 지내지 못하는 집단은 응집을 잃고—와해됩니다. 그리고 집단이 클수록, 좋은 피드백을 얻을 가능성은 더 작아집니다.

그러니 어머니·친구·가족의 피드백이나, 시상식과 어워드 시스템에서 나오는 피드백에 의존하려 들지 마세요.

회사를 잡지 표지에 올리거나 업계 상을 받도록 최적화하고 있다면, 이미 실패하고 있는 겁니다.

당신에게 필요한 것은 고객입니다. 그게 진짜 피드백이에요. 자연으로부터의 피드백이 필요합니다.

로켓이 발사됐습니까?

드론이 날았습니까?

3D 프린터가, 정해진 허용오차 안에서, 정해진 시간과 예산 안에 그 물체를 출력했습니까?

자기 자신을 속이는 것은 아주 쉽습니다. 남들에게 속는 것도 아주 쉽죠.

하지만 자연은 속일 수 없습니다.

https://nav.al/fool
5