스테이지5

제가 최근 론칭한 아이폰 어플을 소개드리고자 합니다. apps.apple.com/ko/app/echo-st… 저는 지난 1년간 AI를 "거꾸로" 사용하는 루틴을 가져왔는데요, 그 루틴이 제 첫 아이폰 어플 소재로 괜찮겠다 싶어 만들어 보았습니다. 주로 우리는 AI한테 질문을하고 AI가 대답하는 패턴에 익숙합니다. 저는 한번 매일 아침, AI가 저한테 질문을 하도록 해봤습니다 - 지금 제 삶과 제가 추구하고 있는 것에 도움이 될 수 있는 질문 하나를 매일 아침 하나씩 말이죠. 그리고 매일 빠짐없이 그 질문에 대해 글을 써 보았습니다. 많은 면에서 이 루틴이 "빈 페이지 열고 일기 쓰기"보다 훨씬 효과적이었음을 느꼈습니다. 뭘 쓸지 고민할 필요가 없었고, 글을 다듬는 데 시간을 쓰는 대신 생각하는 데 집중하게 되었기 때문입니다. 그리고 중요한건 AI는 제가 오타를 내던 문법이 어떻던 신경쓰지 않고 내용 그자체를 가지고 피드백을 줘서, 특히 부담이 적고 버릇을 유지하기가 쉬웠습니다. 그래서 제 첫 아이폰 앱을 이걸로 정했습니다. 이름은 "에코"입니다. - 하루에 질문 1개가 주어집니다. - 글은 앞으로만 씁니다 (백스페이스도, 수정도 불가). "잘" 쓰려고 하지 마세요. 그냥 쓰세요. 어차피 나와 AI만 보는 겁니다. - 10초간 타이핑을 멈추면 자동 제출됩니다. - AI가 사고의 깊이와 관련성을 평가하고 (문법이 아닙니다), 피드백을 주고, 제한된 환경에서 오타투성이로 쓴 글 뒤에 숨어 있는 진짜 하고 싶었던 말을 다듬어진 버전으로 보여줍니다. (영어로도 자동 번역됩니다) - 하루의 기준은 현지 시간 오전 7시에 리셋됩니다. 저에게 유용하게 다가온 이 루틴이 이 글 보시는 분들께 어떻게 다가올지 궁금하네요. 한번 써보시고 어떤지 알려주세요! apps.apple.com/ko/app/echo-st…

이번 편은 데이비드 센라가 세바스찬 말러비의 신간 『인피니티 머신』을 바탕으로, 딥마인드 공동창업자이자 노벨 화학상 공동수상자인 데미스 하사비스가 어떤 사람인지 정리하는 에피소드입니다. 핵심은 단순한 성공담이 아닙니다. 왜 그는 돈보다 지능 자체를 더 근본적인 문제로 봤는지, 왜 2010년처럼 모두가 비웃던 시기에 AGI 회사를 만들었는지, 어떻게 체스·게임·신경과학·기업가 경험이 하나로 모여 딥마인드가 되었는지, 또 왜 그는 회사를 독립적으로 키우기보다 구글의 자원 위에서 더 빨리 AGI에 다가가는 길을 택했는지까지 이어집니다. 후반부에는 알파고, 알파폴드, 오픈AI 충격 이후의 전시 체제, 그리고 데미스가 끝까지 붙들고 있는 “지식과 과학을 위한 AI”라는 동기도 함께 다룹니다. ‘돈보다 사명에 움직이는 창업자’ - 데이비드 센라는 데미스를 전형적인 앱 창업자가 아니라, 지능 자체를 이해하고 만들고 싶어 하는 선교사형 창업자로 묘사합니다. AI의 실용성보다 ‘지능의 본질’에 먼저 집착한 사람 - 자막에서 반복되는 핵심은, 데미스에게 AI의 사업성이나 수익 잠재력은 부차적이었고, 더 중요한 것은 인간 지능을 이해하고 재현하는 일이었다는 점입니다. 체스는 그의 경쟁심과 사고방식을 만든 출발점 - 어린 시절 체스 신동이었던 경험은 그의 극단적인 승부욕, 통제 욕구, 그리고 문제를 끝까지 밀어붙이는 성향과 연결됩니다. 불프로그와 『괴델, 에셔, 바흐』가 AI 사명을 굳힌 전환점 - 게임 회사에서의 경험과 AI 철학을 다룬 책이 결합되며, 데미스는 자신의 커리어를 AI 연구에 바치기로 결심합니다. 첫 회사 엘릭서의 실패 - 지나치게 야심찬 게임 프로젝트가 무너지면서, 그는 카리스마만으로 팀을 과열시키는 위험과 진짜 피드백의 중요성을 배우게 됩니다. 딥마인드는 처음부터 ‘좁은 AI’가 아니라 AGI를 목표 - 당시 대부분의 AI 연구가 좁은 문제 해결에 집중할 때, 딥마인드는 훨씬 더 범용적이고 자율적인 에이전트를 만들겠다는 계획을 세웁니다. 피터 틸 투자 유치는 데미스를 ‘선교사형 창업자’로 본 결과 - 이 에피소드는 틸이 딥마인드의 비즈니스 모델보다도, 데미스가 절대 포기하지 않을 사람이라는 점에 더 크게 반응했다고 설명합니다. 데미스가 구글에 회사를 판 이유는 통제 포기가 아니라 사명 가속 - 자막에서는 끝없는 자금 조달이 그의 사명을 방해했고, 구글의 자본과 컴퓨트가 AGI를 더 빨리 만들 수 있는 현실적 수단이었다는 점이 강조됩니다. 알파고의 진짜 의미는 ‘인간을 모방하는 AI’를 넘어서는 데 있었다 - 단순히 인간 기사들의 기보를 잘 따라하는 수준이 아니라, 인간이 생각하지 못한 전략을 스스로 발견하는 시스템을 만드는 것이 핵심으로 제시됩니다. 오픈AI와 챗GPT의 등장은 데미스를 전시 체제로 밀어 넣은 사건 - 딥마인드가 언어모델 전환에서 뒤처졌다는 문제의식이 나오고, 이후 연구 포트폴리오 축소, 엔지니어링 강화, 구글 브레인 합병, 제미니 집중으로 이어집니다. ‘AI가 과학적 기적을 만든다’ - 단백질 구조 예측 문제를 풀고 그 결과를 무료 공개한 일은, 데미스가 왜 돈보다 과학적 지식을 우선시하는지 보여 주는 사례로 정리됩니다. ‘돈과 권력은 목적이 아니라 수단’ - 데미스는 자막 마지막 부분에서 자신이 이 일을 지식과 과학을 위해 한다고 말하며, 사명이 자신과 분리될 수 없다고 설명합니다. youtube.com/watch?v=OzGOv6…

넷스케이프 창업자가 전하는 마크 저커버그와의 첫 만남 이야기

마크 안드리센: AI가 일자리를 빼앗는다는 말은 100% 틀렸다

마크 안드리센: 위대한 창업자 판별법 넷스케이프 공동창업자이자 a16z 공동창업자인 마크 안드리센이 벤처투자에서 가장 치명적인 실수는 무엇인지, 위대한 창업자를 어떻게 알아보는지, 왜 유망한 회사를 가격 때문에 놓치는 일이 반복되는지, a16z는 왜 지금 상장할 이유가 없다고 보는지, 그리고 AI가 일자리를 빼앗는다는 통념을 왜 정면으로 부정하는지까지 폭넓게 이야기하는 인터뷰입니다. 그는 AI가 모델 개발 측면에서는 실리콘밸리를 더 강하게 집중시키고 있지만, 동시에 사용 측면에서는 전 세계로 가장 빠르게 민주화되는 기술이라고 봅니다. 또 노동 대체론은 제로섬 사고의 반복일 뿐이며, AI의 더 큰 효과는 사람 한 명 한 명의 생산성을 높이고 더 높은 부가가치의 일로 이동시키는 데 있다고 주장합니다. 벤처에서 더 무서운 건 ‘틀린 투자’보다 ‘놓친 투자’ - 마크 안드리센은 벤처에서는 실행의 실수보다 누락의 실수가 훨씬 더 치명적이라고 말합니다. 잘못 투자해 돈을 잃는 것보다, 구글 같은 회사를 놓쳐 거대한 기회를 잃는 것이 더 큰 실수라는 관점입니다. 과거의 실패에서 너무 많이 배우면 다음 기회를 놓친다 - 그는 창업자든 투자자든 한 번 데인 분야를 다시 보지 않게 되는 경향이 있다고 설명합니다. 문제는 그게 책임감처럼 느껴져도, 실제론 다음 큰 기회를 막는 감정적 반응일 수 있다는 점입니다. 최고의 벤처투자는 결국 ‘사업계획’보다 ‘창업자’에 베팅하는 일 - 안드리센은 위대한 창업자는 기존 규칙과 선례를 깨고 결과를 만드는 사람이라고 말합니다. 반대로 훌륭해 보이는 계획도 평범한 팀이 실행하면 결국 무너질 가능성이 크다고 봅니다. 그가 보는 초기 창업자의 핵심 조건은 IQ, 용기, 야망 - 단순히 똑똑한 것만으로는 부족하고, 장애물을 정면 돌파하려는 결의와 무언가를 직접 만들고 싶어 하는 원초적 욕구가 중요하다고 설명합니다. 창업자를 움직이는 힘은 종종 ‘고통 감내’와 ‘원초적 추진력’ - 그는 어떤 사람들은 어린 시절의 결핍이나 고통을 과잉 성취로 전환한다고 말하면서도, 저커버그나 게이츠처럼 그냥 타고난 추진력을 가진 경우도 있다고 봅니다. “자기 자신과 경쟁한다” - 마크는 지금의 자신이 아니라 자신이 될 수 있는 최고의 버전과 경쟁하고 있다고 설명합니다. 여기서 연결되는 태도가 바로 ‘익스트림 오너십’입니다. “모든 게 다 내 탓이라고 생각하면 인생이 단순해진다” - 그는 문제를 남 탓으로 돌리는 대신 내 책임으로 보면 억울함이 사라지고, 개선할 수 있는 영역이 생긴다고 말합니다. 다만 이 태도는 이미 과도한 책임감을 가진 창업자에게는 양날의 검일 수 있다고도 인정합니다. 벤처에선 유망한 회사를 가격 때문에 포기한 게 늘 실수였다 - 다만 그는 동시에 과도한 자금 조달과 높은 밸류에이션이 스타트업을 망칠 수도 있다고 말합니다. 회사는 굶어 죽기보다 소화불량으로 죽는 경우가 더 많다는 말도 인용합니다. a16z는 지금 상장으로 해결할 문제가 없다 - 그는 현재 a16z가 상장해야 할 필요성을 느끼지 못한다고 말합니다. 상장회사를 운영하는 일은 매우 어렵고, 상장을 통해 얻을 가치에 대한 분명한 논리가 있어야 한다는 입장입니다. AI는 기술 산업을 오히려 더 실리콘밸리에 집중시키고 있다 - 그는 2020~2023년엔 기술 산업의 지리적 분산을 기대했지만, 최근엔 상황이 역전됐다고 말합니다. 최전선 AI 기업들이 실리콘밸리에 몰리면서, 오히려 예전보다 더 집중되고 있다는 진단입니다. 동시에 AI는 사용 측면에선 가장 ‘초민주화된’ 기술이 될 수 있다 - 안드리센은 최고의 AI가 결국 앱스토어에서 내려받는 소비자용 앱 형태로 전 세계에 퍼질 것이라고 봅니다. 모델을 만드는 기업은 소수지만, 그 혜택은 수십억 명에게 퍼진다는 논리입니다. AI 가치의 대부분은 AI 회사가 아니라 사용자에게 귀속될 수 있다 - 그는 인터넷과 스마트폰처럼 AI도 경제적 가치의 거의 대부분이 소비자 잉여 형태로 사용자에게 돌아갈 수 있다고 말합니다. AI 회사들이 잡는 몫보다, AI를 써서 생산성을 높이는 사람과 기업 쪽 가치가 훨씬 클 수 있다는 주장입니다. “AI가 일자리를 빼앗는다”는 프레임은 완전히 틀렸다 - 그는 이 논리를 제로섬 경제학, 노동 총량의 오류라고 부르며 정면으로 부정합니다. 뛰어난 개발자들이 AI를 쓰게 된 뒤 덜 일하는 게 아니라 더 많이 일하고, 더 생산적이 됐다는 점을 예로 듭니다. 대기업 감원은 AI 때문이 아니라 원래의 과잉채용 때문 - 그는 많은 대기업이 이미 25~75% 수준의 과잉 인력을 안고 있고, 지금은 그걸 AI를 핑계로 정리하는 측면이 크다고 말합니다. 적어도 최근 감원의 상당수는 AI가 실제 업무를 대체해서가 아니라는 시각입니다. ‘AI가 사람을 없애는 것’보다 ‘사람 한 명의 역량을 키우는 것’ - 각 개인이 AI를 도구로 갖게 되면 새로운 기술을 배우고, 허드렛일을 줄이고, 더 가치 있는 일로 이동할 수 있다고 설명합니다. 00:01:26 실수에서 배우는 게 왜 벤처에선 독이 될 수 있나 00:03:43 AI도 오랫동안 “절대 안 된다”고 여겨졌던 분야였다 00:04:19 실행의 실수 vs 누락의 실수 00:06:04 일레븐랩스를 놓친 이야기와 가격 규칙의 함정 00:06:32 “사업계획서보다 이력서를 봤어야 했다” 00:07:51 초기 창업자의 위대함은 어떻게 감지하나 00:08:23 IQ, 용기, 야망, 창조 충동 00:12:06 고통, 결핍, 과잉 성취, 그리고 타고난 추진력 00:13:52 “저는 저 자신과 경쟁합니다” 00:14:31 익스트림 오너십과 “모든 게 다 내 탓”이라는 태도 00:30:56 가격은 정말 중요하지 않은가 00:31:12 과잉 자금 조달과 높은 밸류에이션의 위험 00:38:05 a16z는 상장할까 00:42:09 AI 시대엔 실리콘밸리에 있어야 하나 00:44:23 왜 지금 기술 산업은 더 실리콘밸리에 집중되는가 00:55:44 AI 혜택은 어디에 귀속될까 00:57:04 최고의 AI가 전 세계 소비자에게 퍼지는 방식 00:59:04 AI 가치의 99%는 사용자에게 갈 수 있다 01:01:07 노동 대체론과 TAM 확대 논쟁 01:02:00 “AI가 일자리를 빼앗는다”는 말은 100% 틀렸다 01:04:49 대기업 과잉채용과 AI 핑계론 01:05:32 신규 채용 둔화가 꼭 AI 때문은 아니다 출처: youtube.com/watch?v=c4tvVK…

우리가 창의성을 잃는 이유

팔란티어 CEO 알렉스 카프: "사람들이 정부를 신뢰하지 않는 이유 중 하나는, 정부 성과의 대부분이 그들에게 공개되지 않기 때문입니다."

1987년의 어느 연설에서 트럼프가 이란에 대한 생각을 공유합니다

『The Almanack of Naval Ravikant』와 『The Book of Elon』으로 알려진 저자이자 Scribe Media CEO 에릭 요르겐슨이, 기업가 연구와 Founders 팟캐스트로 잘 알려진 데이비드 센라와 대화하며 일론 머스크의 사고법을 정리하는 인터뷰입니다. 핵심은 단순한 성공담이 아닙니다. 왜 일론은 남들이 외면한 문제를 고르고, 왜 엔지니어를 가장 중요한 병목으로 보며, 왜 요구사항부터 의심하고, 왜 실패를 빨리 만들고, 왜 자동화보다 삭제와 단순화를 먼저 하는지까지 하나의 운영 철학으로 풀어냅니다. 일론은 돈이 아니라 “반드시 존재해야 할 것”을 기준으로 문제를 고른다고 설명합니다 - 에릭 요르겐슨은 일론이 좋은 비즈니스 모델이나 낮은 실패 확률보다, 인류에 실제로 새로운 능력을 더해 줄 문제를 먼저 본다고 정리합니다. 공학은 마법에 가깝고, 진짜 병목은 자본보다 뛰어난 엔지니어라고 봅니다 - 이 인터뷰에서 반복되는 핵심은 돈보다 사람, 그중에서도 실제로 어려운 문제를 풀어 본 엔지니어가 더 희소하다는 점입니다. 채용 기준은 학벌이나 말솜씨보다 ‘예외적 문제 해결의 증거’입니다 - 일론은 과거에 어떤 어려운 기술 문제를 직접 풀었는지 집요하게 묻고, 허풍을 걸러내며, 젊고 검증되지 않은 인재에게도 큰 책임을 빨리 맡긴다고 설명합니다. 운영 방식은 ‘평시 경영’보다 ‘전시 지휘’에 가깝습니다 - 가장 중요한 병목을 찾으면 거기로 바로 이동하고, 회사와 팀 사이를 계속 옮겨 다니며, 시간을 철저히 자신이 통제하는 방식이 핵심으로 그려집니다. 고통 감내와 사명 의식이 일론식 실행력의 중심에 있습니다 - 이 영상은 일론의 강점을 생산성 도구보다도, 중요한 일이라면 두려움과 고통을 감수하고 끝까지 밀어붙이는 태도에서 찾습니다. 플랜 B보다 ‘배를 불태우는 방식’을 더 중시합니다 - 선택지를 남겨두기보다 퇴로를 없애야 인간이 더 극단적으로 몰입하고 문제를 풀게 된다는 설명이 나옵니다. 실패는 치명적이지만 않다면 빨리, 작게, 많이 만들어야 한다고 봅니다 - 인터뷰는 일론의 조직이 실패를 피하는 조직이 아니라, 작은 실패를 빠르게 만들어 더 나은 설계를 찾는 조직이라고 설명합니다. 현실과 물리가 최종 심판자라는 태도가 매우 강합니다 - “물리는 법칙이고 나머지는 권고사항일 뿐”이라는 식으로, 희망사항보다 실제 테스트와 결과를 더 중시하는 태도가 반복됩니다. 문제 해결 알고리즘의 핵심은 자동화가 아니라 ‘요구사항 의심’에서 시작합니다 1.요구사항을 의심하라 2. 삭제하고 단순화하라 3. 최적화하라 4. 속도를 높여라 5. 마지막에 자동화하라 일론은 ‘존재하지 말았어야 할 것’을 최적화하는 실수를 가장 경계합니다 - 그래서 불필요한 규정, 부품, 공정, 중간 단계부터 없애고, 그다음에야 최적화와 가속을 한다는 점이 강조됩니다. 모델 3 생산 지옥의 교훈은 ‘자동화는 맨 마지막’이라는 것입니다 - 처음에는 로봇으로 모든 걸 해결하려 했지만, 요구사항 검증도 끝나지 않았고 부품 삭제도 안 된 상태에서 자동화부터 했던 게 큰 실수였다고 설명합니다. 조직 설계도 같은 원리로 움직입니다 - 디자이너, 엔지니어, 제조 엔지니어 사이 거리를 최소화하고, 실제 생산 현장과 설계팀 사이 피드백 대역폭을 극단적으로 높이는 방식이 스페이스X와 테슬라의 경쟁력으로 제시됩니다. 수직 통합은 통제 욕구가 아니라 속도와 비용 문제로 설명됩니다 - 하청에 하청을 거칠수록 비용, 지연, 왜곡이 커지기 때문에, 직접 만들 수 있는 건 최대한 직접 만들고 백지 상태에서 다시 설계하는 쪽으로 기울었다고 말합니다. 결국 이 인터뷰의 가장 큰 메시지는 ‘유용한 것을 직접 만들어라’입니다 - 제조업과 실제 생산을 과소평가하지 말고, 영광보다 일을, 명성보다 유용함을 추구하라는 메시지로 마무리됩니다. 00:00:03 에릭 요르겐슨의 책과 5년간의 일론 연구 00:00:52 일론은 왜 돈보다 ‘존재해야 할 문제’를 먼저 고르나 00:02:43 자본보다 더 큰 병목은 왜 뛰어난 엔지니어인가 00:03:05 일론은 사람을 어떻게 뽑고, 어떻게 빨리 승진시키나 00:04:26 탁월함은 고통을 감내하는 능력이라는 관점 00:05:34 왜 그는 자기 시간을 완전히 통제하려 하나 00:07:04 스페이스X의 ‘창끝 집중’과 핵심 병목 공격 00:08:50 절대 포기하지 않는 사명, 배를 불태우는 방식 00:13:13 두려움, 사명, 그리고 왜 목적이 사람을 끌어모으는가 00:14:34 “백만 명의 머스크”라는 책의 목표 00:18:29 사업을 A부터 Z까지 알아야 하는 이유 00:20:01 제1원리, 재료 감각, 설계 직관 사례 00:21:40 치명적이지 않은 실패는 왜 중요하다고 보나 00:22:21 삭제와 단순화, 그리고 “최고의 부품은 없는 부품” 00:23:31 실패를 일부러 만들어 더 나은 설계를 찾는 문화 00:25:42 현실을 스승으로 삼고 희망적 사고를 경계하는 이유 00:28:22 알고리즘 1단계: 요구사항을 의심하라 00:30:35 알고리즘 2단계: 삭제, 삭제, 삭제, 단순화 00:32:02 기가캐스팅과 장난감 자동차에서 얻은 아이디어 00:33:39 왜 자동화는 마지막 단계여야 하나 00:34:26 스타링크를 전쟁실 방식으로 뒤집은 사례 00:38:29 모든 요구사항엔 반드시 이름이 붙어야 한다는 원칙 00:39:13 테스트 한 번으로 불필요한 부품을 삭제한 테슬라 사례 00:42:03 알고리즘 4단계: 광적인 긴박감으로 가속하라 00:43:29 조직 구조에도 알고리즘을 적용하는 방식 00:45:07 설계팀 책상을 생산 라인 옆으로 옮긴 이유 00:46:14 알고리즘 5단계: 자동화는 끝에 가서 하라 00:47:38 왜 백지 상태 설계와 강한 기술을 선호하나 00:49:03 수직 통합, 통제, 그리고 공급망을 직접 쥐는 이유 00:50:20 하청 구조가 비용을 키우는 방식 01:11:22 질 높은 사고 1분의 레버리지와 우선순위 집착 01:13:00 직렬 의존성을 피하고 중요한 일은 병렬로 밀어붙이는 방식 01:18:41 타이밍은 틀려도 방향성은 맞는다는 예측 철학 01:20:01 “우리가 만들지 않으면 물건은 없다” 제조 철학 01:22:05 “영광을 갈망하지 말고 일을 갈망하라”는 메시지 출처: youtube.com/watch?v=CdBcZS…

"아이디어의 검증은 오직 현실에게 맡긴다" 일론 머스크의 사고법

안드레이 카파시: ‘코딩의 종말’, 오토리서치, 그리고 AI의 루프 시대 픈AI 창립 멤버이자 전 테슬라 AI 총괄인 안드레이 카파시가 왜 이제 “코딩한다”는 말 자체가 점점 안 맞아지고 있는지 설명하는 대담입니다. 그는 최근 몇 달 사이 소프트웨어 제작의 기본 워크플로가 직접 타이핑하는 방식에서 에이전트에게 의도를 전달하고 여러 작업을 병렬로 돌리는 방식으로 바뀌었다고 말합니다. 대화는 코드 에이전트 활용법, AutoResearch와 인간을 루프에서 빼는 연구 자동화, 현재 모델의 들쑥날쑥한 한계, 오픈소스와 프런티어 랩의 관계, 디지털 노동과 로보틱스, 그리고 AI 시대 교육까지 폭넓게 이어집니다. “코딩”은 점점 덜 정확한 동사가 되고 있다 - 카파시는 이제 핵심이 직접 코드를 치는 것이 아니라, 자신의 의도를 에이전트에게 오래 지속되게 전달하는 일이라고 말합니다. 실제로 그는 직접 코딩 대 에이전트 위임 비율이 몇 달 사이 80대20에서 20대80으로 뒤집혔다고 설명합니다. 지금 병목은 모델보다 사용자일 수 있다 - 그는 잘 안 되는 많은 일들이 “모델 능력 부족”보다는 에이전트를 어떻게 묶고, 어떤 지시와 메모리 구조를 주고, 얼마나 병렬화하느냐의 문제처럼 느껴진다고 말합니다. 그래서 현재는 능력 그 자체보다 오케스트레이션 실력이 중요해졌다는 인식입니다. 좋은 엔지니어의 일은 ‘직접 작성’에서 ‘매크로 단위 지휘’로 이동한다 - 코드 한 줄이나 함수 하나가 아니라, 기능 하나를 여러 에이전트에게 분배하고 리뷰하는 식으로 움직이게 된다는 설명입니다. 그는 직접 타이핑보다 위임, 병렬화, 검토가 더 큰 비중을 차지하는 업무 환경을 묘사합니다. 에이전트는 이미 앱 여러 개를 대체하는 인터페이스가 되고 있다 - 카파시는 왓츠앱으로 대화하며 집 안 조명, HVAC, 블라인드, 보안 시스템 등을 제어하는 ‘도비’ 사례를 소개합니다. 이 경험을 통해 장기적으로는 개별 앱보다 API와 에이전트가 소프트웨어의 중심 인터페이스가 될 수 있다고 봅니다. ‘바이브 코딩’은 과도기일 뿐 - 지금은 손이 많이 가고 불안정하지만, 1~3년 안에는 비기술 사용자도 의도만 말하면 AI가 원하는 소프트웨어를 조립해 주는 쪽으로 빠르게 이동할 것이라고 전망합니다. AutoResearch의 핵심은 인간을 루프 밖으로 빼는 것 - 카파시는 다음 행동을 매번 프롬프트하는 대신, 한 번 목표와 메트릭을 정해 놓으면 에이전트가 스스로 실험·학습·최적화를 반복하게 만드는 구조를 지향합니다. 목표는 인간 개입 없이 토큰 처리량과 레버리지를 극대화하는 것입니다. 연구 조직 자체도 ‘코드처럼 최적화’할 수 있다 - 그는 Program MD라는 개념을 통해, 연구 조직의 역할 분담과 운영 방식도 일종의 코드처럼 기술하고 튜닝할 수 있다고 말합니다. 더 나아가 여러 운영 방식 자체를 경쟁시키고, 잘 되는 운영 구조를 다시 모델이 개선하게 만드는 메타 최적화까지 상상합니다. 다만 이런 자동화는 ‘평가 가능한 문제’에서 특히 잘 작동한다 - 카파시는 오토리서치가 객관적 메트릭이 분명한 분야에는 잘 맞지만, 평가 기준이 모호하거나 취향과 맥락이 중요한 문제에는 훨씬 덜 잘 맞는다고 선을 긋습니다. 현재 모델은 강력하지만 여전히 매우 들쑥날쑥하다 - 그는 오늘의 모델을 “뛰어난 시스템 프로그래머와 열 살짜리 아이가 한 몸에 들어 있는 것 같다”고 묘사합니다. 검증 가능한 코딩 작업은 잘하지만, 농담이나 뉘앙스 같은 영역에서는 여전히 이상하게 빈약할 수 있다는 설명입니다. 앞으로는 ‘하나의 만능 모델’보다 종분화가 늘어날 수 있다 - 카파시는 모든 능력을 하나의 단일 모델에 몰아넣는 현재 흐름이 영구적일지 의문을 제기합니다. 장기적으로는 특정 업무, 산업, 도메인에 더 맞는 모델들이 분화될 가능성을 봅니다. 오픈소스는 계속 중요하고, 전면 폐쇄형 지능은 시스템 리스크가 될 수 있다 - 그는 폐쇄형 최전선 모델이 앞서가더라도, 오픈소스가 몇 개월 시차를 두고 따라붙는 구조가 계속될 수 있다고 봅니다. 동시에 지능이 전부 소수 폐쇄형 시스템에만 집중되는 건 위험하다고 말합니다. 디지털 노동의 변화가 물리 세계보다 먼저 온다 - 카파시는 AI 충격이 먼저 디지털 정보 처리 업무에 강하게 나타나고, 로보틱스와 물리 세계는 그보다 늦게 따라올 것이라고 전망합니다. 자율주행을 첫 번째 대규모 로보틱스 응용 사례로 보면서도, 원자를 다루는 일은 훨씬 느리고 어렵다고 말합니다. 소프트웨어 일자리는 줄기보다 오히려 더 늘어날 수도 있다 - 그는 제번스 역설을 끌어와, 소프트웨어 제작 비용이 낮아질수록 오히려 수요가 더 커질 수 있다고 설명합니다. 그래서 단기적으로는 엔지니어 일자리 수요가 증가하는 흐름도 가능하다고 봅니다. 교육은 ‘사람에게 직접 설명’에서 ‘에이전트가 설명할 수 있게 만드는 것’으로 이동할 수 있다 - MicroGPT를 예로 들며, 앞으로는 사람이 직접 강의를 만드는 것보다 에이전트가 이해하고 다시 인간에게 맞춤형으로 설명하게 만드는 방식이 중요해질 수 있다고 말합니다. 커리큘럼도 에이전트에게 주는 스킬이나 스크립트에 가까워질 수 있다는 전망입니다. 00:00:00 코딩은 더 이상 정확한 동사가 아니라는 문제 제기 00:01:42 직접 코딩에서 에이전트 위임으로 비율이 뒤집힌 순간 00:03:03 엔지니어가 직접 코드를 거의 치지 않는 업무 방식 00:09:29 집을 관리하는 에이전트 ‘도비’와 스마트홈 사례 00:14:13 인간이 아니라 에이전트가 고객이 되는 ‘에이전틱 웹’ 이야기 00:16:42 AutoResearch와 “스스로를 루프 밖으로 빼라”는 발상 00:20:54 Program MD와 연구 조직 자체의 메타 최적화 00:23:45 오토리서치가 잘 맞는 문제와 잘 안 맞는 문제 00:29:42 하나의 만능 모델 대신 ‘종분화’가 일어날 수 있다는 관점 00:37:53 일자리 데이터와 디지털 노동 재편 00:42:22 제번스 역설과 소프트웨어 수요 증가 가능성 00:45:20 프런티어 랩에 다시 들어가지 않는 이유와 인센티브 문제 00:49:48 오픈소스와 폐쇄형 최전선 모델의 공존 전망 00:54:42 로보틱스는 왜 디지털보다 훨씬 느릴 수밖에 없는가 01:01:34 MicroGPT와 ‘본질만 남기는’ 학습 코드 01:04:28 AI 시대 교육은 어떻게 바뀔 수 있는가 출처: youtube.com/watch?v=kwSVtQ…

테렌스 타오: AI는 폭에 강하고, 인간은 깊이에 강하다 필즈상 수상 수학자 테렌스 타오가 AI가 과학과 수학을 어디까지 바꿀 수 있는지 설명하는 대담입니다. 대화는 케플러가 어떻게 행성 운동 법칙을 발견했는지에서 시작해, 오늘날 AI가 가설 생성과 데이터 분석에서 어떤 역할을 할 수 있는지로 이어집니다. 타오는 AI가 아이디어 생성 비용을 거의 0에 가깝게 낮추고 있지만, 그만큼 병목은 검증·평가·설득으로 옮겨가고 있다고 말합니다. 또 현재의 수학 AI는 폭넓게 많은 시도를 해볼 수 있다는 강점이 있지만, 인간 수학자처럼 부분적 진전을 누적해 깊이를 쌓는 데는 아직 약하다고 봅니다. 그럼에도 그는 AI가 수학의 실험적 측면을 크게 바꾸고, 인간과 AI의 협업 방식 자체를 재설계하게 만들 것이라고 전망합니다. 케플러의 사례는 AI 시대 과학의 좋은 비유로 등장합니다 - 케플러는 수많은 아이디어를 시도하고, 브라헤의 정밀한 데이터를 통해 검증하면서 법칙에 도달했습니다. 타오는 이 과정이 오늘날 AI 기반 가설 생성과도 닮아 있다고 봅니다. AI는 아이디어 생성 비용을 거의 0으로 낮추고 있다는 주장 - 타오는 이제 병목이 “좋은 아이디어를 떠올리는 것” 자체가 아니라, 쏟아지는 가설을 어떻게 검증하고 평가할지로 이동하고 있다고 말합니다. 그래서 과학의 필터링 시스템 자체가 흔들릴 수 있습니다 - 그는 AI가 대량의 논문과 설명을 만들어내는 상황에서, 기존의 동료평가와 출판 시스템만으로는 신호와 잡음을 가려내기 어려워질 수 있다고 설명합니다. 과학의 진보는 정답 여부만으로 점수화하기 어렵습니다 - 타오는 역사적으로도 옳은 이론이 처음엔 덜 정확해 보이거나, 설득과 서사가 부족해 늦게 인정받는 경우가 많았다고 말합니다. 과학에는 데이터와 검증만큼 서사와 설득도 중요합니다 - 다윈과 뉴턴을 비교하며, 과학은 단지 맞는 이론을 세우는 일만이 아니라 그것을 다른 사람에게 이해시키고 확산시키는 과정이기도 하다고 설명합니다. 지금의 수학 AI는 ‘폭’에 강합니다 - 타오는 AI가 기존 문헌과 표준 기법을 폭넓게 뒤져 보고, 많은 문제에 동시에 적용해 보는 데 매우 유용하다고 봅니다. 하지만 아직은 부분적 진전을 쌓아가는 방식이 약합니다 - 그는 현재 모델들이 한 번에 점프해 성공하거나 실패하는 식에는 강하지만, 인간처럼 중간 단계를 붙잡고 누적적으로 이해를 발전시키는 데는 약하다고 말합니다. 에르되시 문제 성과는 의미 있지만, 순수 AI 해법은 정체 상태입니다 - AI 도움으로 50개 정도의 문제가 풀린 것은 중요하지만, 최근에는 순수하게 AI만으로 추가 해결이 이어지지는 않고 있다고 설명합니다. 타오는 AI가 수학의 ‘실험적 측면’을 혁신할 것이라고 봅니다 - 수천 개의 문제에 서로 다른 방법을 대규모로 적용해 보고, 무엇이 잘 작동하는지 데이터를 모으는 방식은 수학에서 지금까지 거의 없었던 접근이라고 말합니다. AI는 이미 보조 공저자에 가까워졌지만, 핵심 난제 해결은 아직 다릅니다 - 타오는 AI 덕분에 문헌 조사, 플롯 작성, 서식 정리, 수치 자료 생성 같은 부수 작업은 크게 빨라졌지만, 가장 어려운 핵심 증명은 아직도 펜과 종이로 푼다고 말합니다. 가장 어려운 문제는 인간-AI 협업으로 풀릴 가능성이 큽니다 - 그는 완전 자율 원샷 방식보다, 똑똑한 인간이 강력한 AI 도구와 상호작용하며 문제를 풀어가는 쪽이 더 현실적인 경로라고 봅니다. 00:00:12 케플러, 코페르니쿠스, 브라헤 이야기로 여는 AI와 수학 프레임 00:04:12 “케플러는 고온 LLM이었다”는 비유 00:05:44 과학은 아이디어뿐 아니라 데이터·검증·설명 전체의 문제라는 관점 00:07:27 빅데이터 시대와 가설 생성 비용의 붕괴 00:12:17 AI가 아이디어를 무한 생성할 때 병목이 검증으로 이동하는 이유 00:15:21 왜 좋은 이론은 처음엔 오히려 덜 좋아 보일 수 있는가 00:20:49 AI가 드러낸 ‘지능’ 개념의 재정의 00:23:02 데이터 루프가 촘촘한 분야에서 더 빨리 진전이 날 수 있다는 전망 00:30:39 AI가 에르되시 문제 50개를 푼 현재 성과 00:33:05 AI는 높게 점프하지만, 부분적 진전을 쌓는 데는 약하다는 비유 00:35:20 AI는 폭에 강하고, 인간은 깊이에 강하다는 설명 00:37:37 수학에서는 과정이 문제 자체보다 더 중요할 수 있다는 말 00:40:10 AI가 수학의 실험적 측면을 혁신할 것이라는 전망 00:42:42 표준 기법 적용에는 강하지만, 마지막 20%의 새 기법은 아직 약하다는 평가 00:46:47 “2026년이면 믿을 수 있는 공저자” 예측을 돌아보는 대목 00:49:25 진짜 지성은 누적적으로 쌓아 가는 과정이라는 설명 00:53:40 브루트포스 증명, 사색 정리, 리만 가설, 그리고 인간-AI 협업 전망 출처: youtube.com/watch?v=Q8Fkpi…

"둘 중 선택해야 한다면 AI 활용 전문가를 채용하겠습니다" 젠슨 황

엔비디아 CEO 젠슨 황이 엔비디아가 왜 더 이상 단순한 GPU 회사가 아니라 ‘AI 팩토리’를 설계하는 회사가 되었다고 보는지 설명하는 대담입니다. 그는 CUDA를 지포스에 탑재했던 위험한 결정, 딥러닝에 올인했던 과정, 사전학습·사후학습·테스트타임·에이전트 스케일링이라는 네 가지 AI 확장 축, 전력과 공급망 병목, 중국과 오픈소스, TSMC와의 신뢰, 게임과 그래픽, AI 시대의 일자리와 교육, 그리고 지능과 인간성을 어떻게 구분해서 봐야 하는지까지 폭넓게 이야기합니다. 엔비디아는 이제 칩 회사가 아니라 ‘AI를 만드는 공장’을 짓는 회사라는 설명 - 젠슨 황은 엔비디아가 더 이상 개별 GPU만 만드는 회사가 아니라, GPU·CPU·메모리·네트워킹·전력·냉각·소프트웨어를 함께 설계해 AI 팩토리 전체를 만드는 회사라고 설명합니다. 핵심은 ‘극한 공동 설계’ - 문제를 한 대의 컴퓨터가 아니라 수많은 시스템에 나눠 처리해야 하기 때문에, 칩 하나의 성능보다 전체 스택과 전체 시스템을 함께 설계하는 것이 더 중요해졌다고 말합니다. CUDA를 지포스에 넣은 건 회사 차원에서 가장 위험한 베팅 중 하나였다는 회고 - 그는 CUDA가 소비자용 GPU의 비용을 크게 올려 마진을 무너뜨렸지만, 설치 기반을 먼저 만드는 것이 컴퓨팅 플랫폼의 핵심이라고 보고 밀어붙였다고 설명합니다. 이 결정이 결국 딥러닝 혁명의 토대가 됐다고 봅니다. 딥러닝 ‘올인’도 하루아침의 선언이 아니라, 오랫동안 신념을 쌓아 온 결과 - 젠슨 황은 리더가 갑자기 방향을 바꾸는 게 아니라, 오랜 시간 직원·이사회·파트너의 신념 체계를 만들어 두고 나중에 선언해야 한다고 설명합니다. AI 스케일링은 하나가 아니라 네 가지라는 관점 - 그는 사전학습, 사후학습, 테스트타임 추론, 에이전트 스케일링이라는 네 가지 확장 축이 있다고 말합니다. 특히 추론은 “쉽다”가 아니라 생각·계획·탐색을 포함하기 때문에 매우 연산 집약적이라고 봅니다. 에이전트 시대에는 컴퓨터 구조 자체가 다시 바뀐다 - AI가 실제로 도구를 쓰고 파일을 읽고 조사하고 하위 에이전트를 만들어 팀처럼 움직이게 되면, 지금까지와는 다른 데이터센터와 랙 설계가 필요하다고 설명합니다. 앞으로의 병목은 여전히 컴퓨트, 전력, 공급망 - 젠슨 황은 더 비싼 컴퓨터를 만들더라도 와트당 토큰 생산성을 계속 끌어올리면 토큰 비용은 내려갈 수 있다고 말합니다. 동시에 전력망, 메모리, 패키징, 제조 역량을 미리 준비해야 한다고 강조합니다. 전력 문제는 ‘더 많은 발전소’만이 아니라 데이터센터 사용 방식의 문제이기도 하다는 주장 - 그는 전력망에는 대부분의 시간 놀고 있는 여유 전력이 많고, 데이터센터가 필요할 때 전력을 양보하거나 성능을 유연하게 낮출 수 있게 설계하면 훨씬 더 많은 AI 인프라를 수용할 수 있다고 봅니다. 오픈소스는 엔비디아 전략의 일부 - 그는 한편으로는 세계 최고 수준의 독점 모델이 필요하지만, 다른 한편으로는 산업·국가·연구자·학생 모두가 AI 혁명에 참여하려면 오픈소스가 필수라고 말합니다. 중국을 매우 강한 혁신 국가로 평가 - 젠슨 황은 중국의 강점으로 엔지니어 인재층, 치열한 내부 경쟁, 빠른 지식 공유, 오픈소스 친화성, 그리고 엔지니어를 높게 보는 문화를 꼽습니다. TSMC의 진짜 강점은 기술만이 아니라 운영 능력과 신뢰라는 평가 - 그는 TSMC가 단순히 좋은 트랜지스터를 만드는 회사를 넘어, 복잡한 수요를 조율하고 높은 수율과 고객 서비스를 유지하는 제조 시스템과 오랜 신뢰를 갖춘 회사라고 설명합니다. 엔비디아의 가장 큰 해자는 CUDA 설치 기반, 생태계, 그리고 신뢰 - 그는 경쟁력이 단순한 기술 우위가 아니라, 개발자가 믿고 타깃할 수 있는 설치 기반과 1년 단위로 계속 좋아질 것이라는 신뢰에 있다고 말합니다. AI 시대에도 인간의 역할은 사라지기보다 상향 이동할 수 있다는 시각 - 영상의학 사례를 들며, AI가 판독을 더 잘하게 되었어도 영상의학과 의사는 오히려 더 필요해졌다고 설명합니다. 그 논리로 소프트웨어 엔지니어와 다른 직업들도 도구는 바뀌어도 목적은 남을 수 있다고 말합니다. AI 시대에 가장 중요한 건 ‘AI를 잘 쓰는 사람’이 되는 것 - 그는 어떤 직종이든 AI 사용 능력이 중요해질 것이며, 모든 대학생과 교사는 AI를 직접 써봐야 하고, 졸업할 때는 AI 전문가가 되어 있어야 한다고 말합니다. 지능과 인간성은 같은 말이 아니라는 주장 - 그는 지능은 지각·이해·추론·계획 같은 기능의 체계이며 점점 상품화될 수 있지만, 인간성은 연민·관대함·끈기·사랑 같은 더 큰 영역이라고 구분합니다. 승계 계획보다 더 중요한 건 지식 전수 - 젠슨 황은 특정 후계자 이름보다, 자신이 배우는 모든 것을 가능한 한 빨리 조직 전체에 퍼뜨리는 것이 더 중요하다고 설명합니다. youtu.be/vlc9pNzDG6k

"AI에겐 욕구가 없습니다" 폴 그레이엄이 말하는 AI가 인간 창업자를 대체하지 못하는 근본적 이유

"내 로봇에 접속해 태양계를 탐험하는 날이 올것" 젠슨 황

"우리는 이미 하드 테이크오프 중이다" 일론 머스크: 옵티머스 3, 재귀적 자기개선, 그리고 특이점 이후 [풀 번역영상] 일론 머스크가 AI가 이미 재귀적 자기개선 단계에 들어섰고, 하드 테이크오프가 시작됐음을 말하며, 그록의 현재 수준, 옵티머스 3의 생산 일정, 그리고 AI와 로봇이 경제와 사회를 어떻게 바꿀지에 대한 자신의 전망을 설명하는 대담입니다. 머스크는 인간 개입이 줄어드는 재귀적 개선이 이미 상당 부분 진행 중이며, “우리는 이미 하드 테이크오프 중”이라고 말합니다. 또 10년 안에 경제가 10배 커지고, 옵티머스의 대량 생산이 시작되며, 달 기지와 화성 유인 비전도 더 가까워질 수 있다고 봅니다. 재귀적 자기개선은 이미 상당 부분 진행 중이라는 주장 - 머스크는 후속 모델이 이전 모델을 활용해 만들어지는 일이 이미 계속 일어나고 있으며, 인간의 개입은 점점 줄어들고 있다고 말합니다. 완전히 자동화된 수준도 올해 말이나 늦어도 내년에는 가능할 수 있다고 봅니다. “우리는 이미 하드 테이크오프 중” - 그는 AI 돌파구가 너무 빠르게 이어지고 있어서, 잠들기 전과 일어난 뒤에 세상이 달라져 있을 정도라고 표현합니다. Grok은 일부 지표에서 최고 수준이지만, 코딩은 아직 보완 중 - 머스크는 Grok이 예측 능력 같은 일부 지표에서는 최고 수준이라고 말하면서도, 코딩에서는 아직 뒤처져 있으며 올해 중반쯤 따라잡고 넘어설 수 있다고 봅니다. 앞으로 등장할 지능은 인간이 직관적으로 이해하기 어려운 수준일 수 있다 - 그는 미래의 지능이 인간 지능을 크게 넘어설 것이며, 지금보다 훨씬 큰 에너지와 연산을 바탕으로 상상 가능한 거의 모든 문제를 풀 수 있게 될 것이라고 말합니다. 10년 안에 경제가 10배 커질 수 있다는 전망 - 큰 전쟁 같은 충격이 없다면, AI와 로봇이 생산을 폭발적으로 늘리면서 경제 규모가 지금의 10배 이상이 될 수 있다고 주장합니다. 달 기지, 화성 유인, 달 매스 드라이버 비전 - 머스크는 10년 안에 달 기지와 달 매스 드라이버, 화성 유인 비전이 현실에 더 가까워질 수 있다고 말합니다. 옵티머스 3는 올여름 생산 시작, 내년 여름 대량 생산 전망 - 그는 옵티머스 3가 현재 최종 단계에 있으며, 올여름 생산을 시작하고 내년 여름쯤에는 대량 생산에 도달할 수 있다고 설명합니다. 또 옵티머스 4 설계는 내년에 완료할 계획이라고 말합니다. 로봇이 늘어나도 테슬라의 인력을 줄일 계획은 없다 - 머스크는 공장 자동화가 더 진행되더라도 해고나 대규모 감원 계획은 없고, 오히려 직원 수는 늘어나며 1인당 생산성이 크게 높아질 것이라고 설명합니다. 장기적으로는 ‘보편적 고소득’과 디플레이션을 전망 - 그는 AI와 로봇이 상품과 서비스 생산을 크게 늘리면 화폐 공급보다 생산이 더 빨라져 디플레이션이 오고, 결국 사람들에게 더 높은 수준의 소득이 보장되는 시대로 갈 수 있다고 봅니다. 언젠가는 돈이 의미를 잃을 수 있다는 관점 - 머스크는 아주 장기적으로는 돈 자체의 의미가 약해지고, AI는 화폐보다 전력과 질량 같은 물리적 자원을 기준으로 움직이게 될 것이라고 말합니다. 특이점 이후를 예측하는 것은 본질적으로 어렵다 - 그는 특이점 안에서 무슨 일이 일어날지는 예측하기 어렵지만, 분명히 매우 흥미로운 미래가 펼쳐질 것이라고 말합니다. AI와 로봇이 재정 문제와 의료 접근성을 바꿀 수 있다는 기대 - 머스크는 AI와 로보틱스가 예산 적자를 해결하고, 장기적으로는 모든 사람이 지금의 최상위 부유층보다 더 나은 의료 서비스를 받게 할 수 있다고 봅니다. 00:01:44 지금 AI는 재귀적 자기개선의 어디쯤 와 있나 00:02:03 “우리는 이미 재귀적 개선을 해오고 있다” 00:02:58 완전 자동화된 자기개선은 언제 가능한가 00:03:01 “우리는 이미 하드 테이크오프 중이다” 00:03:29 Grok의 현재 수준과 코딩 경쟁 00:04:24 초지능, 에너지, 그리고 인간이 이해하기 어려운 규모의 지능 00:08:55 10년 안에 경제 10배 전망 00:10:12 달 기지, 화성 유인, 달 매스 드라이버 00:10:40 옵티머스 3 생산 일정 00:11:54 내년 여름 대량 생산 전망과 옵티머스 4 00:13:07 테슬라 제조 인력과 자동화 이후 생산성 00:14:55 보편적 고소득, 디플레이션, 사회 변화 00:17:04 돈이 언젠가 의미를 잃는 미래 00:18:46 민주주의와 제도가 특이점 속도를 따라갈 수 있나 00:19:46 AI와 로봇이 재정 문제를 해결할 수 있다는 주장 00:20:34 로봇과 AI가 의료 수준을 끌어올릴 수 있다는 전망 00:21:35 장수, 허리 통증, 건강 기술 이야기 출처: youtube.com/watch?v=N5KCm_…

"AI는 아직 수학자처럼 생각하지 못한다" 필즈상 수상 수학자 테렌스 타오

"AI의 능력 부재가 아니라 사용자의 실력 문제입니다" 안드레이 카파시

엔비디아 CEO 젠슨 황이 올인 팟캐스트에 출연해, 엔비디아가 왜 더 이상 단순한 GPU 회사가 아니라 ‘AI 팩토리 회사’가 되고 있다고 보는지 설명하는 대담입니다. 그는 생성형 AI 다음 단계로 추론과 에이전트가 오고 있으며, 그에 따라 데이터센터 구조, 토큰 경제성, 소프트웨어 개발 방식, 오픈소스와 독점 모델의 관계, 중국과 공급망, 로봇과 헬스케어, 그리고 AI 시대의 일자리까지 전부 다시 생각해야 한다고 말합니다. 특히 미래의 엔지니어는 직접 코드를 치는 사람보다, AI 에이전트를 활용해 아이디어·아키텍처·명세를 설계하는 사람이 될 것이라고 설명합니다. 엔비디아는 GPU 회사에서 ‘AI 팩토리 회사’로 진화하고 있다 - 젠슨 황은 이제 핵심이 GPU 한 종류가 아니라, GPU·CPU·네트워킹·스토리지·로보틱스 컴퓨팅을 묶어 AI 공장을 운영하는 것이라고 설명합니다. 생성형 다음은 추론, 그다음은 에이전트다 - 그는 생성형에서 추론형으로 갈 때 연산량이 약 100배 늘고, 추론형에서 에이전트형으로 갈 때도 다시 100배 정도 늘 수 있다고 말합니다. 에이전트 시대에는 데이터센터 구조 자체가 달라진다 - 에이전트는 작업 메모리, 장기 메모리, 도구 사용, 여러 모델 간 협업이 필요하기 때문에 훨씬 더 복잡한 컴퓨팅 구성이 필요하다고 설명합니다. 더 비싼 공장이 더 싼 토큰을 만들 수도 있다 - 그는 데이터센터 건설비와 토큰 비용을 같은 것으로 보면 안 되며, 더 큰 초기 투자와 더 높은 처리량이 오히려 가장 낮은 비용의 토큰 생산으로 이어질 수 있다고 말합니다. 엔비디아가 보는 핵심 인프라는 ‘세 가지 컴퓨터’다 - 첫째는 모델을 학습시키는 컴퓨터, 둘째는 물리 세계를 시뮬레이션하고 평가하는 컴퓨터, 셋째는 자율주행차·로봇·엣지 디바이스에 들어가는 로보틱스 컴퓨터라고 설명합니다. AI의 다음 큰 파도는 ‘일을 대신 해주는 시스템’이다 - 그는 사람들은 정보보다 실제 일을 해주는 시스템에 돈을 내기 시작하며, 에이전트가 바로 그 지점에서 경제성을 만든다고 봅니다. 미래의 엔지니어는 코딩보다 지휘에 가까워진다 - 과거에는 직접 코드를 짰다면, 앞으로는 아이디어·아키텍처·명세를 만들고 여러 에이전트를 조직하고 평가 기준을 세우는 방식으로 바뀐다고 말합니다. 오픈 모델과 독점 모델은 둘 다 필요하다 - 젠슨 황은 AI 모델을 서비스가 아니라 기술로 보며, 범용 지능 영역에서는 독점 모델이 계속 강할 수 있지만, 산업별 특화와 통제 가능한 활용에는 오픈 모델이 반드시 필요하다고 설명합니다. 미국의 가장 큰 리스크는 AI를 너무 두려워해 도입을 막는 것이다 - 그는 정책 입안자들이 파국론보다 실제 기술 상태를 이해해야 하며, 미국이 공포 때문에 AI 확산을 막는 것이 오히려 국가 안보상 더 큰 위험이 될 수 있다고 말합니다. 로봇은 생각보다 빨리 현실에 들어올 수 있다 - 그는 휴머노이드 로봇이 존재 증명 단계를 넘어 실제 제품으로 가는 데 3~5년 정도가 걸릴 수 있다고 보고, 특히 중국의 공급망 경쟁력을 매우 강하게 평가합니다. 일자리는 단순히 사라지는 것이 아니라 형태가 바뀔 것이다 - 일부 일자리는 사라지겠지만, 많은 일은 보조·조율·관리 중심으로 재구성될 것이며, 핵심은 AI를 잘 쓰는 사람이 되는 것이라고 말합니다. 젊은 세대에게는 과학, 수학, 언어, 그리고 AI 활용 능력이 중요하다 - 그는 깊이 있는 과학과 수학, 언어 능력이 여전히 중요하며, 어떤 전공을 하든 AI를 깊이 다루는 전문가가 되라고 조언합니다. 00:01:08 AI 팩토리 운영체제 ‘다이나모’와 엔비디아의 방향 00:03:42 생성형에서 에이전트형 처리로 넘어가며 데이터센터가 바뀌는 이유 00:05:24 엔비디아가 말하는 ‘세 가지 컴퓨터’ 00:06:44 추론 수요 폭증과 AI 팩토리 경제성 00:11:28 디지털 생물학, 농업, 헬스케어의 변곡점 00:13:14 생성형 → 추론 → 에이전트, 지난 2년의 세 번의 변곡점 00:16:09 에이전트 보안, 프라이버시, 거버넌스 문제 00:17:00 AI 규제, 파국론, 미국 내 AI 확산 리스크 00:21:35 오픈AI·앤트로픽을 넘어선 더 큰 AI 시장 00:23:01 “사람들은 정보보다 일을 해주는 시스템에 돈을 낸다” 00:24:30 엔지니어는 왜 더 많은 토큰을 써야 하는가 00:26:24 미래 엔지니어는 코드를 짜기보다 아이디어와 명세를 설계한다 00:30:52 오픈 모델과 독점 모델은 어떻게 공존하는가 00:34:15 미국 AI 확산, 중국, 수출 규제, 국가 안보 00:37:10 중동 리스크, 대만, 미국 재산업화와 공급망 다변화 00:45:44 왜 시장은 AI와 엔비디아의 범위를 과소평가하나 00:49:55 헬스케어에서의 AI 물리학, 에이전트, 로봇 수술 00:52:43 휴머노이드 로봇은 언제 현실에 들어오나 00:57:40 AI 시대 창업자의 해자는 ‘깊은 전문화’ 00:59:12 AI와 일자리: 대체보다 재구성 01:02:31 젊은 세대는 무엇을 공부해야 하나 01:03:07 방사선 전문의 사례로 본 AI와 직업 변화 youtube.com/watch?v=3mYaoW…

AI 시대에 살아남기 위한 생각 소셜미디어 활동에 복귀한 지 약 1년이 좀 넘은 듯합니다. 십여 년 전 직접 자막을 번역하여 올렸을 당시에도, 갑자기 다시 돌아와 이번에는 AI로 번역된 자막을 올리고 그 자막 만드는 툴을 론칭하고 최근에는 갑자기 아이폰 앱을 공개하고. 사실 동기는 똑같습니다. 세상이 중요한 전환기에 접어들었고 그걸 최대한 많은 분들께 알리고 싶기 때문입니다. 저는 오늘날 AI 사용에 익숙해지는 것은 단순히 생산성을 넘어 필수적인 시대에 들어섰다고 믿습니다. 그리고 제가 올리는 대부분의 영상은 그렇게 생각하는 이유를 담고 있습니다. 본론으로 들어가자면 - 지금 이 글을 읽는 분들은 반드시, AI를 사용하여 뭔가 본인의 한계를 넘는 - 다시 말해 AI가 없었으면 엄두조차 못 냈을 - 뭔가를 취미로서 시도해 봐야 한다는 말씀을 드리고 싶습니다. 취미로 페이스북/인스타그램/틱톡/유튜브를 스크롤링하는 게 아니라, 한 가지 자그마한 프로젝트라도 AI를 사용해서 시작해 보시는 것을 추천드립니다. 그렇습니다. 취미로 말입니다. 오픈AI든, 구글 제미나이든, 앤스로픽의 클로드든 최고 수준의 AI 구독을 (200불어치) 적어도 한 달은 체험해 보시는 걸 강력하게 추천드립니다. 그리고 최첨단 AI로 뽑을 수 있는 최대한의 가치를 뽑아 보시는 것을 추천드립니다. 생각보다 어려울 겁니다. 왜냐하면 경험이 없으시면 그만큼 강력한 AI라고 해도 그 가치를 온전히 뽑기 어렵기 때문입니다. 그래서 해보셔야 합니다. 저의 경우, 처음엔 간단히 제가 예전에 생각했던 상상을 실제로 옮기기로 결정했습니다. 한창 직접 영상을 번역해서 유튜브에 올리던 당시 - 저는 알파고 대 이세돌 바둑 대국을 보고, 언젠가 AI가 나보다 번역을 잘하는 날이 오겠구나, 누군가 프로그램을 만들어 나 같은 활동하는 사람을 모두 교체해 버리는 날이 오겠구나 - 생각했었고, 그래서 그런지 AI가 어느 정도 수준에 접어든 재작년, 그걸 내가 직접 해봐야겠다라는 생각이 들어, 사이드 프로젝트로 스테이지5 활동을 다시, 이번엔 AI를 사용하여, 재개하였습니다. 그리고 그렇게 취미로 만든 자동화 번역 툴은 또 여러 가지 난관을 저에게 주었습니다. 결제에 Stripe를 사용하고 싶은데 Stripe를 사용하려면 한국 법인으로는 힘들더라고요. 그래서 미국 법인을 만들기로 했는데, 전혀 그걸 어떻게 만들지 감이 안 잡혔습니다. 그래서 AI에게 문의해서 하라는 대로 하고 스크린샷 주면서 "야 여기서 뭐 클릭해" "여기에 뭐 입력해" 물으면서 그렇게 좌충우돌 과정을 거치며 미국 법인을 등록했고, 그다음엔 윈도우 버전을 만들어서 배포하려면 또 디지털 공식 인증을 받아야 되는데, 그것도 제가 미국에 살지도 않으면서 미국 법인을 소유한 탓에 검증이 쉽지 않았습니다. 그것도 AI 도움받으며 어떻게어떻게 심지어 미국 전화번호를 등록하고 그 번호가 제 태국 전화로 라우팅되도록 트윌리오라는 서비스로 연결시켜야 했는데 그것도 AI한테 스크린샷 보내고 조언받는 패턴으로 세팅을 했습니다. 그리고 나중엔 미국 법인 등록 관련 로펌 사무소와 직접 그 번호 가지고 연락해서 그들이 인증하는 서류를 받은 다음에야 윈도우 버전을 출시할 수 있었는데, 이런 절차들 - 모두 AI 도움 없었으면 정말 힘들었을 일들이었습니다. 이 모든 과정을 마치 제가 풀타임으로 한 것처럼 들리실 수 있겠지만, 그게 아니라 쉬는 시간에 짬짬이 한 일들입니다. 예전이었으면 스타트업 풀타임이 아니면 불가능했던 일들을 AI를 사용해 매일 꾸준히 3시간 정도 투자해서 - 이 '꾸준히'라는 부분이 어려운 일이긴 하지만요 - 여기까지 왔고, 최근 론칭한 아이폰 앱 에코도 이런 좌충우돌 과정이 있었지만 생략하도록 하겠습니다. 그래서 결론이 뭐냐 - AI를 사용하면 머리가 안 좋아진다, 게을러진다 이런 말들을 많이 하는데요 - 저는 이런 말에 현혹되지 않기를 강력히 경고드리고 싶습니다. 아닙니다. 그건 안일한 생각, 아니 위험한 생각입니다. AI를 사용해 지금 이미 하는 일들에 만족한다면 - 네 당연하죠. 그런 수준의 AI 사용은 당연히 여러분을 바보로 만들 겁니다. 하지만 사고를 전환해, AI를 100%로 사용할 줄 아는 무한한 야심과 비전을 가진 누군가를 떠올려 보세요. 그게 누군지는 중요하지 않습니다. 그리고 그런 한 명의 사람이 얼마나 많은 일을 할 수 있을지 상상해 보세요. 그다음, 본인이 현재 얼만큼 할 수 있는지를 생각해 보시고 방금 상상한 사람 정도로 AI를 쓰기 위해서는 어떻게 해야 할지 생각해 보세요. 과연 그런 사람처럼 AI를 쓰는 사람이 쓸수록 바보가 될까요? 위기는 기회라고 하죠. 저는 개인적으로 인류 역사에서 지금 이 순간처럼 그 말이 사실인 시점은 없었다고 생각합니다. 지금은 분명 위기입니다. 심지어 이 글을 쓰는 저도 그렇게 느낍니다. 하지만 반대로 그만큼 기회이기도 합니다. 저는 개인적으로 이 AI 전환기가 우리나라 사람들에게 특히 더 어느 때보다 기회일 수 있다고 생각합니다. 그리고 예전에 한창 제가 활동하던 '스타트업 붐' 시절과 달리, 이 AI 시대에는 굳이 안정적인 직장을 그만둘 이유도, 필요도 없습니다. 그냥 취미 하나 더 추가하고 꾸준히 - 이게 가장 어렵습니다 - 꾸준히 시간을 투자하시면 됩니다. 골프나 비디오 게임같이 말이죠. 재밌거든요 - 처음에 배울 때는 어려울 수 있지만 조금 익숙해지면 정말 재밌습니다. 그래서 취미 맞습니다. 그렇지만 보험이기도 합니다. 필수적인 스킬이기도 합니다. 그래서 강력히 추천드립니다. 뭔가를 만들어 보세요. 대박 내기 위해서가 아니라 AI를 사용하는 역량을 다지기 위해서 말입니다.