집오리

“9개월 된 아기가 지구상의 어떤 AI보다 똑똑하다.” 이게 그냥 충격적인 말이 아니라, 진짜 이유가 있어서 그렇습니다. 아기는 하이체어에서 숟가락을 떨어뜨려 봅니다. 한 번, 두 번, 열 번… 그렇게 하면서 “아, 물체는 공중에 떠 있지 않고 아래로 떨어지는구나”를 배웁니다. 이건 책을 읽거나, 누가 가르쳐서 배우는 게 아닙니다. 직접 세상을 관찰하면서 머릿속에 ‘세계 모델’을 만드는 거예요. 이 세계 모델이란 게 뭘까요? 쉽게 말해, 머릿속에 현실을 시뮬레이션하는 작은 비디오 게임 같은 겁니다. “내가 이걸 이렇게 하면 어떻게 될까?”를 미리 상상할 수 있게 해주는 능력이죠. 그래서 인간은 운전을 배울 때 20~30시간만 연습해도 됩니다. 이미 중력이 어떻게 작용하는지, 차가 미끄러지면 어떻게 되는지, 절벽 옆에서 바퀴를 돌리면 어떻게 될지를 상상으로 이미 알고 있기 때문입니다. 반대로 지금의 AI는 어떨까요? AI는 수십억 마일 주행 데이터를 학습해도, 아직 절벽 옆에서 바퀴를 살짝만 돌리면 차가 떨어진다는 걸 진짜로 이해하지 못합니다. 왜냐하면 AI는 “거울”처럼 작동하기 때문입니다. 이미 본 것, 이미 학습한 것만 반영할 뿐, 아직 일어나지 않은 일을 상상으로 예측하는 능력이 부족해요. LeCun은 이걸 “창문(window)”이라고 표현했습니다. 진짜 지능은 거울이 아니라 창문이 되어야 한다는 거죠. 창문 너머에 아직 보지 못한 세상을 미리 볼 수 있어야 한다는 뜻입니다. Lex Fridman이 한 말도 인상적이었어요. “Stupid things are the same everywhere.” (바보 같은 일은 어디서나 같다) 이 말은, 물리 법칙은 보편적이라는 뜻입니다. 주방에서 컵이 떨어지는 걸 배운 아기는, 산에서 바위가 떨어지는 것도 이미 압니다. 한 번 제대로 된 세계 모델을 가지면, 새로운 환경에서도 바로 적용할 수 있다는 거예요. 지금 AI 산업은 대부분 “더 큰 모델, 더 많은 데이터”에 집중하고 있습니다. 하지만 LeCun은 그게 잘못된 방향이라고 말합니다. 진짜 필요한 건 더 큰 언어 모델이 아니라, 세상을 이해하는 세계 모델입니다. 인간은 태어나서부터 수많은 경험을 통해 머릿속에 현실을 시뮬레이션하는 능력을 키웁니다. AI는 아직 그 단계에 도달하지 못했어요. 이게 바로 현재 AI가 가진 가장 큰 한계이자, 동시에 앞으로 가장 중요하게 풀어야 할 과제라고 생각합니다.

나는 카카오톡 하루 빨리 망하기를 바라고 있다. 이건 메신저로써는 기준미달의 물건이다. 어떻게 보안기능이랍시고 한 디바이스에서 3일간 보지않은 메시지는 결제 없이는 못읽게 하지?

SK하이닉스 생산직 대국민 오디션 시작 지원자격: 고졸 또는 전문대졸 마이스터고졸, 전문대 >>>>>>>>>문과 명문대

바이오 전문가로서, 너희에게 큰 가르침을 주겠다. 이번 전쟁의 의도는 핑핑이 길들이기다. 관세 전쟁부터 이란 전쟁까지 계속 연장선이다. 지금도 이미 방중 전 정상회담을 앞두고 그리어가 그려그려 하면서 사전 조율중이다. 그래서 핑핑이 세상 헷갈리게 하는게 목표다. 오퍼레이션 나잇퓨리로 포장된, 오퍼레이션 컨퓨전이다. 호로무즈 막히면 누가 가장 피똥싸냐? 잘 생각해 봐라 남조선 언론들에 놀아나지 말고 지금 핑핑이는 똥줄탄다

"두 번째 뇌 만들기: 접근법이 전부.." Claude + Obsidian > AI에게 지식을 주는 게 아니라, AI가 지식을 쌓게 해야 한다 많은 사람들이 AI로 지식 관리를 시도하는 방식이 있어요. 문서를 업로드하고, AI가 알아서 찾아주길 기대해요. 질문할 때마다 파일 뭉치를 넘기고, 그 안에서 답을 끌어내길 바라죠. 이걸 RAG라고 부르는데, 근본적인 한계가 있죠. 매번 처음부터 다시 찾아요. 쌓이는 게 없어요. 5번 물어보면 5번 다시 생각... 지식이 누적되지 않으니 AI가 점점 더 똑똑해지는 느낌이 안 나죠. 어제 통찰이 오늘로 이어지지 않구요. 그리고 대부분의 두 번째 뇌 프로젝트는 이 방식으로 시작했다가 조용히 죽어요ㅠ ↓ 문제는 도구가 아니에요. 접근법이에요. Andrej Karpathy가 LLM Wiki라는 개념을 제안했어요. 간단해요. AI가 소스를 읽을 때 그냥 인덱싱하는 게 아니라, 위키를 직접 씁니다. 핵심을 뽑아서 관련 페이지를 업데이트하고, 모순이 생기면 표시하고, 새 정보를 기존 구조에 엮어 넣어요. 한 번 쓰면 다음엔 그걸 읽어요. 다시 유도하지 않죠. 이게 왜 다르냐면, 지식이 복리로 쌓이기 때문이에요. RAG는 투자할 때마다 원금만 돌려줘요. 위키 방식은 이자가 붙어요. 소스 하나를 넣으면 그 맥락이 열 개의 연결된 페이지에 스며들어요. 다음 소스를 넣으면 이미 존재하는 맥락과 교차되어요. 쌓일수록 더 유용해지는 시스템이에요. ↓ 왜 사람들이 지식 베이스를 포기하냐면,, 관리가 너무 힘들어서예요. 크로스레퍼런스 업데이트, 요약 수정, 구조 재편, 새 정보로 기존 주장 검토. 이건 생각하는 작업 위에 얹히는 부가 노동이에요. 뇌는 이미 바쁜데, 뇌를 관리하는 일까지 해야 하는 거예요. AI가 이 부분을 맡으면 방정식이 완전히 바뀌죠. AI는 지루함을 모르고, 크로스레퍼런스 업데이트를 잊지 않아요. 한 번에 열다섯 개 파일을 수정하는 게 전혀 부담이 없습니다. 유지 관리 비용이 거의 0에 수렴하니까, 위키는 계속 건강한 상태를 유지할 수 있어요. 인간의 역할은 소스를 고르고, 좋은 질문을 하고, 의미를 해석하는 일이에요. 요약, 연결, 정리, 기록은 AI가 해요. ↓ 실제로 어떻게 작동하느냐! 구조는 세 층으로 나뉘어요. 원본 소스는 건드리지 않아요. 아티클, 논문, 클리핑. AI는 읽기만 하고 수정하지 않아요. 진실의 원천! 위키는 AI가 쓰는 레이어예요. 엔티티 페이지, 개념 요약, 비교 분석, 전체 개요. AI가 소스에서 지식을 뽑아 여기에 엮어 넣어요. 질문에 대한 좋은 답변도 여기에 파일링돼요. 통찰이 채팅 히스토리에서 사라지지 않아요. 스키마는 규칙이에요. AI가 어떤 컨벤션으로 위키를 관리하는지, 새 소스가 들어왔을 때 어떤 순서로 작업하는지, 질문이 오면 어떻게 응답하는지. Obsidian에서라면 CLAUDE.md에 써두면 돼요. ↓ 접근법이 달라지면 사용법도 달라져요. 소스를 하나 넣으면, AI는 그냥 요약을 만드는 게 아니에요. 주요 아이디어를 뽑고, 관련 기존 페이지를 업데이트하고, 새로운 연결을 발견하고, 모순이 있으면 표시해요. 인덱스를 갱신하고 변경 사항을 로그에 남겨요. 소스 하나가 위키 전체에 파문을 만들어요. 질문을 하면 처음부터 생각하는 게 아니에요. 인덱스를 보고 관련 페이지를 찾아 읽고 종합해요. 이미 쌓여 있는 맥락에서 답해요. 그리고 그 답변 자체가 위키의 새 페이지가 될 수도 있어요. 일주일에 한 번 lint를 돌리면, AI가 위키를 자체 점검해요. 모순은 없는지, 동떨어진 페이지는 없는지, 업데이트가 필요한 오래된 주장은 없는지.... ↓ Obsidian이 이 구조와 잘 맞는 이유.. 위키가 그냥 마크다운 파일이기 때문이에요. 특별한 플랫폼도, 구독도, 종속도 없어요. 그래프 뷰에서 연결을 볼 수 있고, git으로 버전 관리가 되고, Claude Code가 직접 파일을 읽고 편집할 수 있어요. AI가 IDE를 쓰듯이 Obsidian을 쓰는 거예요. 코드베이스를 유지 관리하듯이 위키를 유지 관리해요. 💭 지식 관리가 실패하는 이유는 의지력이 부족해서가 아니에요. 유지 관리가 너무 비싸서겠죠..ㅠㅠ 사람이 그 비용을 감당하도록 설계된 시스템이기 때문에,, AI에게 글쓰기 도구를 주는 게 아니라, AI에게 관리 역할을 맡기면 달라져요. 소스가 쌓일수록, 질문이 쌓일수록, 위키는 더 깊어지고 더 연결되고 더 쓸모 있어져요. 그게 두 번째 뇌가 원래 되어야 했던 모습일거예요. 아티클에서 구체적인 프롬프트를 참고해보세요. 그리고 두개의 트윗을 또 연결할게요.