Україна Online: Новини | Політика
Телеграмна служба новин - Україна
Резидент
Мир сегодня с "Юрий Подоляка"
Труха⚡️Україна
Николаевский Ванёк
Лачен пише
Реальний Київ | Украина
Реальна Війна
Україна Online: Новини | Політика
Телеграмна служба новин - Україна
Резидент
Мир сегодня с "Юрий Подоляка"
Труха⚡️Україна
Николаевский Ванёк
Лачен пише
Реальний Київ | Украина
Реальна Війна
Україна Online: Новини | Політика
Телеграмна служба новин - Україна
Резидент
Continuous Learning_Startup & Investment
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!
Рейтинг TGlist
0
0
ТипПублічний
Верифікація
Не верифікованийДовіреність
Не надійнийРозташування
МоваІнша
Дата створення каналуТрав 19, 2023
Додано до TGlist
Жовт 27, 2024Рекорди
17.04.202523:59
1.9KПідписників23.09.202423:59
0Індекс цитування01.02.202501:22
7.7KОхоплення 1 допису04.04.202519:49
2.4KОхоп рекл. допису30.12.202401:35
8.13%ER01.02.202501:22
510.31%ERR25.03.202510:50
1. 기본 물리 원리: 데이터센터에서 왜 열이 발생하는가?
IT 장비의 전력 소비 = 열 발생
- 서버, 스위치, 스토리지 등 모든 IT 장비는 전력(W)을 사용 → 동일한 양만큼 열(kW, BTU 등)로 전환됨(에너지 보존법칙).
- 예: 1kW 전력 소모 = 1kW 열 발생.
더욱 증가하는 칩 전력(TDP)
- AI/고성능 컴퓨팅(HPC) 칩은 수백 W에서 앞으로 1000~1500W까지 증가 예상.
- 서버 한 대, 랙 단위, 데이터홀 전체 등 여러 수준에서 열 부하가 폭증.
열을 제거하지 않으면?
- 서버 온도가 상승 → 부품 수명 단축, 성능 저하(쓰로틀링), 심하면 물리적 손상.
- 데이터센터 신뢰도에 치명적.
- 따라서 ‘열제거(쿨링)’는 필수 인프라.
2. 열 관리의 목적: “최적의 온도 유지 vs 에너지/비용 최소화”
왜 냉각이 중요한가?
- 데이터센터 총 소모전력 중 냉각이 차지하는 비중이 매우 큼(비IT 장비 전력의 60~80% 이상일 수 있음).
- CSP(Cloud Service Provider)는 전력 비용을 크게 절감해야 수익 개선 가능.
- 냉각 설비 자체의 CapEx(초기 투자비)와 OpEx(운영비)도 크므로, 효율적 시스템 설계가 핵심.
PUE(Power Usage Effectiveness)
- 전제: 데이터센터 전체 전력 ÷ IT 로드 전력
- 예: PUE=1.5 → IT부하 1W당 냉각 등 부수 장비로 0.5W 추가 소모.
- 하이퍼스케일러(구글, 메타 등)는 1.1~1.15 수준까지 달성.
WUE(Water Usage Effectiveness)
- 수냉식(쿨링 타워 등)에서 물 소비량이 문제되는 경우 ‘리터/ kWh’로 표시.
- 일부 지역(애리조나 등)에서는 물 부족이 심각하므로 중요 지표.
3. 데이터센터 냉각의 전통적 방식: 공냉(Air-Cooled)
공랭의 원리
- 서버 팬이 뜨거운 공기를 데이터홀로 배출 → CRAC/CRAH 등으로 공기를 냉각 → 밖으로 열을 방출.
- 과거 사무실용 HVAC를 강화하여 적용하던 방식에서 발전.
데이터홀 구조 & 공기흐름
- 뜨거운 공기와 차가운 공기가 섞이지 않도록 ‘Hot Aisle/Cold Aisle’ 설계 & 컨테인먼트로 혼합 최소화.
- 공기 순환(Delta T) 및 팬 전력 최적화: Fan 속도를 낮추면(예: -10%) 전력은 세제곱(약 -27%)으로 감소.
CRAC/CRAH/Fan Wall
- CRAC: 냉매 직접 순환(소형, 레거시), CRAH: 냉수(칠러수) 순환, Fan Wall: 대규모(500kW~수MW) 대응.
- 데이터홀 내부나 옥외(건물 옆/지붕) 설치해 냉각수 또는 공기로 열 교환.
에어컨(Chiller) & 쿨링 타워
- 냉동 사이클(압축, 응축, 팽창)로 물을 차갑게 만들어 순환.
- 물-공기 열교환(쿨링 타워) or 물-물 열교환(수냉식 칠러 + 냉각탑).
- ‘물’ 사용을 많이 하면(Wet Cooling Tower) 냉각효율 좋지만, 물 부족·규제 문제가 발생.
4. 열 부하 증가와 한계: 고밀도 랙 및 새로운 요구사항
1. 점점 증가하는 랙 전력(10~20kW → 100kW 이상)
- AI/딥러닝 훈련용 GPU·가속기의 급증.
- 전통적 공냉만으로는 열을 충분히 제거하기 어려운 한계점 도달.
2. 데이터센터 운영 온도 상향
- ASHRAE 권장: 18~27℃ (최대 45℃까지 허용하는 등급도 존재).
- 서버 공기 유입 온도를 높이면, 칠러 가동 감소로 에너지 절약.
- 하이퍼스케일러는 30℃ 이상으로 설정하기도 함.
3. Inlet/Outlet Delta T, Fan Law
- 들어가는 공기 온도와 나오는 공기 온도가 클수록(=열 교환 잘됨) 팬 전력이 줄어듦(선형 관계).
- 팬 속도↓ → 소비전력은 세제곱으로 줄어듦.
5. 고밀도 대안: 액냉(Liquid Cooling)과 하이브리드 접근
Direct-to-Chip Liquid Cooling(DLC)
- 칩 위에 냉각수 블록 장착해 열 직접 회수(예: Nvidia GB200 NVL72 등).
- 서버 팬 전력 감소, 고발열(1kW~1.5kW/칩)도 대응 가능.
- 기존엔 슈퍼컴 HPC 등에 제한적이었으나, AI 대중화로 빠른 확산 예상.
Immersion(액침냉각)
- 전체 서버를 불활성 액체에 담가 열을 제거.
- 열 제거 효율 높으나, 유지보수·호환성·비용 이슈로 아직 제한적.
RDHx(Rear-Door Heat Exchanger)
- 랙 뒤에 냉각 코일 설치해 공기 배출 직후 열을 흡수.
- 공냉과 액냉의 중간적 솔루션.
- 30~50kW급 랙 냉각 가능, 일부 AI 인프라에서 활용(xAI 등).
6. 하이퍼스케일러 사례: 마이크로소프트, 메타, 구글, AWS
마이크로소프트
- ‘Ballard’ 레퍼런스 디자인(48MW), 공냉(직접 증발 냉각) + 외기 활용(Free Air Cooling).
- 물 사용량은 지역별 기후(건조 vs 습윤)에 따라 달라짐. 애리조나→WUE>2.0 등.
메타(Meta)의 “H” 디자인
- 고온 인렛+낮은 전력밀도로 PUE=1.08, WUE=0.20 달성.
- 건물 자체가 큰 3단 구조로 공기흐름 최적화.
- 완공 시간 길어, 최근 AI 수요 급증에 맞춰 “H” 폐기→새 AI 설계로 교체.
구글
- 다양한 방식(물 많이 쓰는 에바포레이티브, 시워터 프리쿨링 등).
- 대표적으로 ‘워터사이드 이코노마이저’(chiller loop + heat exchanger loop)로 외기 조건 좋을 시 냉동 사이클 off.
- PUE=1.10, WUE>1.0 (물 사용 집중).
AWS
- 상대적으로 정보 비공개.
- 유사하게 외기 냉각 + 증발 기법 조합으로 추정(루버+팬).
7. 미래 관점: AI 시대 데이터센터 냉각 재설계
AI 트레이닝(고발열) vs 추론(저발열?)
- 일부는 “추론(Serving)은 저전력으로 공냉 가능” 주장,
- 하지만 모델 크기·성능 요구↑ → 결론적으로 대규모 액냉 인프라 필요성 증대.
Nvidia 및 주요 고객 로드맵
- Nvidia H100차세대 GPU 랙에서 100kW120kW 이상(직접 칩 액냉) 필수.
- 전 세계적 AI 클러스터 수요 폭발 → 냉각인프라 공급망(쿨링 피팅, Quick Disconnect, CDU 등)도 병목 현상.
“Bridge” 솔루션 증가
- 완벽한 액냉 전환까지 ‘RDHx+공냉’ 등 임시 하이브리드 방식이 확산.
- 장기적으로는 Immersion 같은 ‘극단적’ 액냉도 가능성.
https://semianalysis.com/2025/02/13/datacenter-anatomy-part-2-cooling-systems/
IT 장비의 전력 소비 = 열 발생
- 서버, 스위치, 스토리지 등 모든 IT 장비는 전력(W)을 사용 → 동일한 양만큼 열(kW, BTU 등)로 전환됨(에너지 보존법칙).
- 예: 1kW 전력 소모 = 1kW 열 발생.
더욱 증가하는 칩 전력(TDP)
- AI/고성능 컴퓨팅(HPC) 칩은 수백 W에서 앞으로 1000~1500W까지 증가 예상.
- 서버 한 대, 랙 단위, 데이터홀 전체 등 여러 수준에서 열 부하가 폭증.
열을 제거하지 않으면?
- 서버 온도가 상승 → 부품 수명 단축, 성능 저하(쓰로틀링), 심하면 물리적 손상.
- 데이터센터 신뢰도에 치명적.
- 따라서 ‘열제거(쿨링)’는 필수 인프라.
2. 열 관리의 목적: “최적의 온도 유지 vs 에너지/비용 최소화”
왜 냉각이 중요한가?
- 데이터센터 총 소모전력 중 냉각이 차지하는 비중이 매우 큼(비IT 장비 전력의 60~80% 이상일 수 있음).
- CSP(Cloud Service Provider)는 전력 비용을 크게 절감해야 수익 개선 가능.
- 냉각 설비 자체의 CapEx(초기 투자비)와 OpEx(운영비)도 크므로, 효율적 시스템 설계가 핵심.
PUE(Power Usage Effectiveness)
- 전제: 데이터센터 전체 전력 ÷ IT 로드 전력
- 예: PUE=1.5 → IT부하 1W당 냉각 등 부수 장비로 0.5W 추가 소모.
- 하이퍼스케일러(구글, 메타 등)는 1.1~1.15 수준까지 달성.
WUE(Water Usage Effectiveness)
- 수냉식(쿨링 타워 등)에서 물 소비량이 문제되는 경우 ‘리터/ kWh’로 표시.
- 일부 지역(애리조나 등)에서는 물 부족이 심각하므로 중요 지표.
3. 데이터센터 냉각의 전통적 방식: 공냉(Air-Cooled)
공랭의 원리
- 서버 팬이 뜨거운 공기를 데이터홀로 배출 → CRAC/CRAH 등으로 공기를 냉각 → 밖으로 열을 방출.
- 과거 사무실용 HVAC를 강화하여 적용하던 방식에서 발전.
데이터홀 구조 & 공기흐름
- 뜨거운 공기와 차가운 공기가 섞이지 않도록 ‘Hot Aisle/Cold Aisle’ 설계 & 컨테인먼트로 혼합 최소화.
- 공기 순환(Delta T) 및 팬 전력 최적화: Fan 속도를 낮추면(예: -10%) 전력은 세제곱(약 -27%)으로 감소.
CRAC/CRAH/Fan Wall
- CRAC: 냉매 직접 순환(소형, 레거시), CRAH: 냉수(칠러수) 순환, Fan Wall: 대규모(500kW~수MW) 대응.
- 데이터홀 내부나 옥외(건물 옆/지붕) 설치해 냉각수 또는 공기로 열 교환.
에어컨(Chiller) & 쿨링 타워
- 냉동 사이클(압축, 응축, 팽창)로 물을 차갑게 만들어 순환.
- 물-공기 열교환(쿨링 타워) or 물-물 열교환(수냉식 칠러 + 냉각탑).
- ‘물’ 사용을 많이 하면(Wet Cooling Tower) 냉각효율 좋지만, 물 부족·규제 문제가 발생.
4. 열 부하 증가와 한계: 고밀도 랙 및 새로운 요구사항
1. 점점 증가하는 랙 전력(10~20kW → 100kW 이상)
- AI/딥러닝 훈련용 GPU·가속기의 급증.
- 전통적 공냉만으로는 열을 충분히 제거하기 어려운 한계점 도달.
2. 데이터센터 운영 온도 상향
- ASHRAE 권장: 18~27℃ (최대 45℃까지 허용하는 등급도 존재).
- 서버 공기 유입 온도를 높이면, 칠러 가동 감소로 에너지 절약.
- 하이퍼스케일러는 30℃ 이상으로 설정하기도 함.
3. Inlet/Outlet Delta T, Fan Law
- 들어가는 공기 온도와 나오는 공기 온도가 클수록(=열 교환 잘됨) 팬 전력이 줄어듦(선형 관계).
- 팬 속도↓ → 소비전력은 세제곱으로 줄어듦.
5. 고밀도 대안: 액냉(Liquid Cooling)과 하이브리드 접근
Direct-to-Chip Liquid Cooling(DLC)
- 칩 위에 냉각수 블록 장착해 열 직접 회수(예: Nvidia GB200 NVL72 등).
- 서버 팬 전력 감소, 고발열(1kW~1.5kW/칩)도 대응 가능.
- 기존엔 슈퍼컴 HPC 등에 제한적이었으나, AI 대중화로 빠른 확산 예상.
Immersion(액침냉각)
- 전체 서버를 불활성 액체에 담가 열을 제거.
- 열 제거 효율 높으나, 유지보수·호환성·비용 이슈로 아직 제한적.
RDHx(Rear-Door Heat Exchanger)
- 랙 뒤에 냉각 코일 설치해 공기 배출 직후 열을 흡수.
- 공냉과 액냉의 중간적 솔루션.
- 30~50kW급 랙 냉각 가능, 일부 AI 인프라에서 활용(xAI 등).
6. 하이퍼스케일러 사례: 마이크로소프트, 메타, 구글, AWS
마이크로소프트
- ‘Ballard’ 레퍼런스 디자인(48MW), 공냉(직접 증발 냉각) + 외기 활용(Free Air Cooling).
- 물 사용량은 지역별 기후(건조 vs 습윤)에 따라 달라짐. 애리조나→WUE>2.0 등.
메타(Meta)의 “H” 디자인
- 고온 인렛+낮은 전력밀도로 PUE=1.08, WUE=0.20 달성.
- 건물 자체가 큰 3단 구조로 공기흐름 최적화.
- 완공 시간 길어, 최근 AI 수요 급증에 맞춰 “H” 폐기→새 AI 설계로 교체.
구글
- 다양한 방식(물 많이 쓰는 에바포레이티브, 시워터 프리쿨링 등).
- 대표적으로 ‘워터사이드 이코노마이저’(chiller loop + heat exchanger loop)로 외기 조건 좋을 시 냉동 사이클 off.
- PUE=1.10, WUE>1.0 (물 사용 집중).
AWS
- 상대적으로 정보 비공개.
- 유사하게 외기 냉각 + 증발 기법 조합으로 추정(루버+팬).
7. 미래 관점: AI 시대 데이터센터 냉각 재설계
AI 트레이닝(고발열) vs 추론(저발열?)
- 일부는 “추론(Serving)은 저전력으로 공냉 가능” 주장,
- 하지만 모델 크기·성능 요구↑ → 결론적으로 대규모 액냉 인프라 필요성 증대.
Nvidia 및 주요 고객 로드맵
- Nvidia H100차세대 GPU 랙에서 100kW120kW 이상(직접 칩 액냉) 필수.
- 전 세계적 AI 클러스터 수요 폭발 → 냉각인프라 공급망(쿨링 피팅, Quick Disconnect, CDU 등)도 병목 현상.
“Bridge” 솔루션 증가
- 완벽한 액냉 전환까지 ‘RDHx+공냉’ 등 임시 하이브리드 방식이 확산.
- 장기적으로는 Immersion 같은 ‘극단적’ 액냉도 가능성.
https://semianalysis.com/2025/02/13/datacenter-anatomy-part-2-cooling-systems/
13.04.202523:39
한국 저출산 상황의 심각성
1. 출산율 0.6대
- 2022년 4분기 합계출산율이 0.6까지 떨어짐(세계 최저).
- OECD 평균(1.6)이나 일본(1 이상)보다 훨씬 낮아 ‘인구 소멸’ 우려가 제기됨.
2. 이전 정부들의 막대한 예산 투입
- 2006년 이래 약 380조 원의 예산을 쏟았으나, 출산율 하락은 속수무책.
- “밑빠진 독에 물붓기”처럼 정책 효과가 미미.
3. 세계적 비관 시각
- 해외 인구학자들이 “한국은 세계에서 가장 빨리 소멸할 국가” 혹은 “집단자살 사회”라고 할 정도로 우려.
- 그러나 국내에선 체감·대응이 미흡하다는 지적.
인구 구조 변화와 문명사적 관점
1. 농업사회 → 산업사회 전환
- 농업사회 시절에는 유아 사망률이 높고, 평균수명이 30세 전후였기에 많이 낳아야 유지 가능.
- 산업혁명으로 의료·위생·영양 상태가 좋아지자 사망률이 급감하며 인구 폭증.
- 폭증한 인구가 오히려 생태계 부담을 야기하자 전 세계적 저출산 추세가 나타남.
2. “저출산은 지구적 관점으론 ‘축복’이지만, 한국처럼 극단적으로 떨어지면 ‘영양실조’ 수준”
- 전 지구적으로 출산율이 내려가는 건 과잉 인구를 조절하는 과정이어서 장기적으론 긍정적.
- 그러나 한국은 0.6대로 급락하여 “다이어트”가 아닌 “영양실조”, 곧 인구 붕괴로 이어질 수 있음.
3. ‘부양비(Dependency Ratio)’ 문제
- 실제 핵심은 ‘출산율’ 자체가 아니라, 생산가능인구(일하는 사람)와 비생산인구(유소년·고령자) 간의 부양비.
- 과거엔 아이가 많아 “유소년 부양비”가 높았다면 지금은 고령자가 많아 “노년 부양비”가 급증.
- 생산가능인구가 급감하면 연금·건강보험 등 사회보험 및 재정 전반이 ‘부도’ 위기에 놓임.
한국 저출산 문제의 원인: 과도한 경쟁과 경제성장률 하락
1. 지나친 ‘인구 과잉’ 상태
- 한국 인구밀도: 약 1㎢당 517명 → 스웨덴(25명), 일본(340명) 등 대비 압도적으로 높음.
- 일자리가 수도권에만 절반 이상 몰려 있고, 이로 인한 살인적 경쟁이 젊은 층 절망을 가중.
2. 장기간 경제성장률 하락
- 매 정부·대통령 임기 때마다 성장률이 1% 안팎씩 떨어지면서 청년들이 “희망 없는 미래”를 체감.
- “아이를 낳을 경제적·심리적 여력 부족” → 출산 포기.
3. 기성세대의 정책 실패
- 청년들은 “삼포·N포 세대”라 불릴 만큼 결혼·출산을 포기.
- 청년들의 ‘절망’은 기성세대가 만들어 온 수도권 집중·저성장 구조의 산물.
기존 저출산 대책의 문제점
1. 과도한 재정 투입에도 효과 미비
- 아이 1명을 끝까지 키우는 데 6억 원이 든다는 식 주장이 나오며, 정부가 현금·보조금 등으로 지원하자는 해법이 많음.
- 그러나 이 방식대로라면 연간 수십조~수백조 원의 막대한 예산이 필요, 현실적으로 불가능.
- 오히려 “돈 없으면 아이 못 낳는다”는 의식을 퍼뜨려 역효과.
2. 주거 지원 → 수도권 집중 심화
- “서울에 집 많이 지으면 출산률 올라간다” 등도 결국 인구·자원·예산이 서울로 더 쏠려 청년 경쟁만 가중.
- 이미 OECD 최고 수준의 수도권 집중이 더 악화하면 국가 전체가 지속 불가능.
3. 프랑스 등 외국 사례 무용
- 대부분 국가가 출산율 1.5 전후의 ‘다이어트 수준’이지만, 한국은 0.6대로 골든타임이 지나버림.
- 타국 사례(1.6→1.8로 올리기)와 달리 한국(0.6→1.8)은 사실상 불가능.
해결 방향: “부양비 개선” 중심의 구조적 대안
가. 보존적 대책
1. 출산 장려(소극적 효과)
- 출산 장려금, 보육, 주거 등은 이미 골든타임(합계출산율 2.0 이하로 막 내린 시점)을 놓침.
- 다만 추가 하락을 막는 ‘수비 전략’ 정도의 의미는 있음.
2. 제도 조정
- 이미 고령화·출산율 저하는 불가역적이므로,
- 연금·건강보험·군제도 등을 ‘적게 부양받고 많이 불입’하는 구조로 전환 필요(否則 재정 파탄).
나. 적극적 대책
1. 4차 산업혁명으로 생산성 극대화
- 한 사람(젊은 층)이 로봇·AI를 활용해 과거 3명 몫 일 수행 → “한 명이 한 명을 부양” 부담을 줄임.
- 산업혁명 진행속도 < 저출산 속도이므로, 당장 실행해도 시간 걸림.
2. 이모작 사회(장년층 노동 활성화)
- 정년(55세 전후)부터 75세 전후까지 건강한 장년층이 노동시장 참여 → 사실상 부양되는 인구를 줄여 부양비 완화.
- “청년 일자리를 빼앗는다”는 오해 있으나, 구조 설계를 잘하면 오히려 노동력 부족을 채우고 청년 실업 해소에도 기여.
3. 수도권 집중 해소
- 현재 수도권 50% 인구 집중 탓에 경쟁이 매우 치열 → 출산 기피 악화.
- 국토 균형 발전이 필요하나, 과거엔 지역개발 정책이 경제성이 없어 실패.
- 북극항로 등 신(新)무역로가 열리면 부산·경남 등 동남부가 새로운 거점 → 대한민국을 ‘양극 체제(서울-부산)’로 만들면 3극, 4극 체제로도 확산 가능.
기성세대가 이미 수십 년을 허비했으므로, 이제 피해자이자 당사자인 MZ 세대가 이 문제를 공동으로 인식·압박·실행해야 만이 실질적 해결 가능.
“저출산, 단순히 애 낳으라 돈 퍼주는 것으로 해결될 수 없다.
한국 특유의 수도권 과잉 경쟁·장기간 저성장 구조를 근본적으로 바꾸고,
4차 산업혁명과 ‘이모작 사회’ 도입으로 생산성을 높여야 한다.”
https://youtu.be/oxWRe-v6A9I
1. 출산율 0.6대
- 2022년 4분기 합계출산율이 0.6까지 떨어짐(세계 최저).
- OECD 평균(1.6)이나 일본(1 이상)보다 훨씬 낮아 ‘인구 소멸’ 우려가 제기됨.
2. 이전 정부들의 막대한 예산 투입
- 2006년 이래 약 380조 원의 예산을 쏟았으나, 출산율 하락은 속수무책.
- “밑빠진 독에 물붓기”처럼 정책 효과가 미미.
3. 세계적 비관 시각
- 해외 인구학자들이 “한국은 세계에서 가장 빨리 소멸할 국가” 혹은 “집단자살 사회”라고 할 정도로 우려.
- 그러나 국내에선 체감·대응이 미흡하다는 지적.
인구 구조 변화와 문명사적 관점
1. 농업사회 → 산업사회 전환
- 농업사회 시절에는 유아 사망률이 높고, 평균수명이 30세 전후였기에 많이 낳아야 유지 가능.
- 산업혁명으로 의료·위생·영양 상태가 좋아지자 사망률이 급감하며 인구 폭증.
- 폭증한 인구가 오히려 생태계 부담을 야기하자 전 세계적 저출산 추세가 나타남.
2. “저출산은 지구적 관점으론 ‘축복’이지만, 한국처럼 극단적으로 떨어지면 ‘영양실조’ 수준”
- 전 지구적으로 출산율이 내려가는 건 과잉 인구를 조절하는 과정이어서 장기적으론 긍정적.
- 그러나 한국은 0.6대로 급락하여 “다이어트”가 아닌 “영양실조”, 곧 인구 붕괴로 이어질 수 있음.
3. ‘부양비(Dependency Ratio)’ 문제
- 실제 핵심은 ‘출산율’ 자체가 아니라, 생산가능인구(일하는 사람)와 비생산인구(유소년·고령자) 간의 부양비.
- 과거엔 아이가 많아 “유소년 부양비”가 높았다면 지금은 고령자가 많아 “노년 부양비”가 급증.
- 생산가능인구가 급감하면 연금·건강보험 등 사회보험 및 재정 전반이 ‘부도’ 위기에 놓임.
한국 저출산 문제의 원인: 과도한 경쟁과 경제성장률 하락
1. 지나친 ‘인구 과잉’ 상태
- 한국 인구밀도: 약 1㎢당 517명 → 스웨덴(25명), 일본(340명) 등 대비 압도적으로 높음.
- 일자리가 수도권에만 절반 이상 몰려 있고, 이로 인한 살인적 경쟁이 젊은 층 절망을 가중.
2. 장기간 경제성장률 하락
- 매 정부·대통령 임기 때마다 성장률이 1% 안팎씩 떨어지면서 청년들이 “희망 없는 미래”를 체감.
- “아이를 낳을 경제적·심리적 여력 부족” → 출산 포기.
3. 기성세대의 정책 실패
- 청년들은 “삼포·N포 세대”라 불릴 만큼 결혼·출산을 포기.
- 청년들의 ‘절망’은 기성세대가 만들어 온 수도권 집중·저성장 구조의 산물.
기존 저출산 대책의 문제점
1. 과도한 재정 투입에도 효과 미비
- 아이 1명을 끝까지 키우는 데 6억 원이 든다는 식 주장이 나오며, 정부가 현금·보조금 등으로 지원하자는 해법이 많음.
- 그러나 이 방식대로라면 연간 수십조~수백조 원의 막대한 예산이 필요, 현실적으로 불가능.
- 오히려 “돈 없으면 아이 못 낳는다”는 의식을 퍼뜨려 역효과.
2. 주거 지원 → 수도권 집중 심화
- “서울에 집 많이 지으면 출산률 올라간다” 등도 결국 인구·자원·예산이 서울로 더 쏠려 청년 경쟁만 가중.
- 이미 OECD 최고 수준의 수도권 집중이 더 악화하면 국가 전체가 지속 불가능.
3. 프랑스 등 외국 사례 무용
- 대부분 국가가 출산율 1.5 전후의 ‘다이어트 수준’이지만, 한국은 0.6대로 골든타임이 지나버림.
- 타국 사례(1.6→1.8로 올리기)와 달리 한국(0.6→1.8)은 사실상 불가능.
해결 방향: “부양비 개선” 중심의 구조적 대안
가. 보존적 대책
1. 출산 장려(소극적 효과)
- 출산 장려금, 보육, 주거 등은 이미 골든타임(합계출산율 2.0 이하로 막 내린 시점)을 놓침.
- 다만 추가 하락을 막는 ‘수비 전략’ 정도의 의미는 있음.
2. 제도 조정
- 이미 고령화·출산율 저하는 불가역적이므로,
- 연금·건강보험·군제도 등을 ‘적게 부양받고 많이 불입’하는 구조로 전환 필요(否則 재정 파탄).
나. 적극적 대책
1. 4차 산업혁명으로 생산성 극대화
- 한 사람(젊은 층)이 로봇·AI를 활용해 과거 3명 몫 일 수행 → “한 명이 한 명을 부양” 부담을 줄임.
- 산업혁명 진행속도 < 저출산 속도이므로, 당장 실행해도 시간 걸림.
2. 이모작 사회(장년층 노동 활성화)
- 정년(55세 전후)부터 75세 전후까지 건강한 장년층이 노동시장 참여 → 사실상 부양되는 인구를 줄여 부양비 완화.
- “청년 일자리를 빼앗는다”는 오해 있으나, 구조 설계를 잘하면 오히려 노동력 부족을 채우고 청년 실업 해소에도 기여.
3. 수도권 집중 해소
- 현재 수도권 50% 인구 집중 탓에 경쟁이 매우 치열 → 출산 기피 악화.
- 국토 균형 발전이 필요하나, 과거엔 지역개발 정책이 경제성이 없어 실패.
- 북극항로 등 신(新)무역로가 열리면 부산·경남 등 동남부가 새로운 거점 → 대한민국을 ‘양극 체제(서울-부산)’로 만들면 3극, 4극 체제로도 확산 가능.
기성세대가 이미 수십 년을 허비했으므로, 이제 피해자이자 당사자인 MZ 세대가 이 문제를 공동으로 인식·압박·실행해야 만이 실질적 해결 가능.
“저출산, 단순히 애 낳으라 돈 퍼주는 것으로 해결될 수 없다.
한국 특유의 수도권 과잉 경쟁·장기간 저성장 구조를 근본적으로 바꾸고,
4차 산업혁명과 ‘이모작 사회’ 도입으로 생산성을 높여야 한다.”
https://youtu.be/oxWRe-v6A9I
07.04.202508:07
핵심 철학: "변화의 물결을 보고 확신이 있다면 과감히 베팅하는 것"
https://joincolossus.com/article/the-visions-of-neil-mehta-greenoaks/
Greenoaks의 근본적인 접근 방식은 세상을 바꿀 거대한 기술적/사회적 변화의 물결("Finding Value in Unusual Places", 비정상적인 곳에서 가치를 찾는 것)을 남들보다 먼저 인지하는 것입니다.
- 설립 초기 자료에 따르면, "그 당시에는 인터넷을 의미했습니다." 이들의 아이디어는 "이 믿을 수 없을 정도로 저렴한 인터넷 기업들이 S&P 500의 상당 부분을 대체할 것"이라는 것이었습니다. 이러한 확신이 서면, 시장의 단기적 소음이나 일반적인 통념에 흔들리지 않고, **철저한 자체 분석("제1원칙에서 이해하려 노력")**을 통해 **강한 확신(conviction)**을 얻고, 소수의 회사에 **대규모의 집중적인 투자("올인")**를 감행합니다.
1. 훌륭한 경영진(창업자)이라고 생각하는 기준
Mehta와 Greenoaks는 창업자를 투자의 핵심 요소로 보며, 그들을 특별한 방식으로 이해하려 노력합니다.
- 창업자는 예술가: Mehta는 내부 문서 'Our Soul'을 인용하며 "창업가들을 예술가로 이야기합니다. '각자 자신의 그림을 그리고 있다(Each one’s painting their own painting)'"고 말합니다. 투자자의 역할은 "의견을 갖고 다른 사람의 돈을 쓰는 것"이 아니라, "창업가들이 무엇을 하고 있는지 이해하고, 그것에 대해 겸손하고 호기심 많으며 공감하는 것"입니다. "우리의 임무는 그들이 어떻게 그리고 왜 그들의 그림을 그리고 있는지 알아내는 것입니다. 그게 전부입니다." 비평가가 아닌, 화가가 "실제로 무엇을 하려고 하는지 이해하는 것"이 중요합니다.
- 찾는 창업가 유형 (반복 가능한 원형): Mehta는 논란의 여지가 있지만 "위대한 창업가의 원형(archetype)이 있다고 믿으며, 일단 그것을 보고 배우면 반복 가능한 과정(repeatable process)"이라고 말합니다. Greenoaks가 찾는 자질은 다음과 같습니다.
- 비범한 지적 능력 (Remarkable intellect)
- 극단적인 집중력 (Extreme focus)
- 고객에 대한 집착 (An obsession with the customer)
- 역경 앞에서의 불합리한 수준의 투지 (Unreasonable determination, especially in the face of adversity)
- 명확하고 신뢰할 수 있는 야망 (Clear and credible ambition)
- 약간의 발산성/독립성 (A bit of divergence): "모든 사람에게 사랑받을 필요를 느끼지 않는 사람들."
- '세대적 창업가' (Generational Founders): 평범한 모방 제품("me-too products swimming in a river of beta")이 아니라, "차별화된 속도로 인간을 기쁘게 하는 무언가"를 만드는 창업가입니다. 이들은 "경쟁자들에게 악몽을 선사하는, 기술적으로나 운영적으로 불가능하다고 인식되는 무언가를 하는 것에서 보통 시작하는 압도적인 고객 경험(Jaw Dropping Customer Experience, JDCE)"을 통해 기존의 **트레이드오프(tradeoffs)를 깨고 경쟁적 해자(moats)를 구축**합니다. 나머지는 "단지 눈속임 게임(shell game)"일 뿐이라고 Mehta는 믿습니다. (예: Bom Kim, Ernie Garcia)
2. 창업자를 찾고 평가하는 프로세스
Greenoaks는 소수의 위대한 창업가를 찾기 위해 집요하고 차별화된 프로세스를 운영합니다.
- 명확한 목표: "지구상에 살았던 1000억 명의 사람들 중 인류의 기술 발전에 영향을 미친 1만 명에서 10만 명 사이의 사람들이 있다면, 우리의 임무는 인류를 발전시킨 위대한 인간들의 판테온에 합류할 수 있는 현재 살아있는 수백 명을 찾는 것"입니다.
- 철저한 사전 준비 (미팅 전): "웹사이트에 들어가서 제품을 조금 사용해보는 것"을 의미하지 않습니다. Greenoaks는 "그들의 고객들과 이야기하고, 경쟁자들이 정확히 무엇을 하고 있는지 조사하고, 제품을 세부적인 방식으로 이해하고, 기반 기술과 그것이 어떻게 진화하는지 연구"합니다. 이를 통해 "우리는 밖에서 안을 들여다보는 방식으로 지구상의 거의 모든 다른 누구보다 더 잘 이해할 수 있습니다." 창업자에게는 Greenoaks와의 "첫 만남이 네 번째나 다섯 번째 만남처럼 느껴지게 합니다."
- 제1원칙 기반 심층 분석: 시장의 "정신 나갈 정도로 많은 잡음(insane amount of noise)" 속에서, Greenoaks는 "소매를 걷어붙이고 제1원칙(first principles)에서 무슨 일이 일어나고 있는지 이해하려고 노력"합니다. 여기에는 "제품 고객들, 회사의 경쟁자들, 사업의 비용 구조, 그리고 사업의 자본 구조를 이해하는 데 엄청난 시간"을 쏟는 것이 포함됩니다. (Carvana 사례)
- 현장 중심주의와 집요함: Bom Kim은 "Greenoaks가 어떻게 기계(machine)가 되었는가? 그것은 닐이 현장에 가서 손톱 밑에 흙을 묻히기 때문(Neil gets on the ground, gets dirt in his fingernails)"이라고 말합니다. 이는 "불쾌하고, 피곤하며, 육체적으로나 정신적으로 고된" 일이지만, Mehta는 "비행기에서 내리자마자 문을 잠그고 나와 다른 팀원들과 6시간 동안 모든 세부 사항을 검토"하는 모습을 보입니다. 중요한 것은 변명(CYA)이 아니라 "결국 한쪽으로 확신을 가지는 것(getting to conviction one way or another)"입니다.
- 아름다움의 발견으로서의 분석: Mehta는 분석 작업의 궁극적인 목표가 "진정으로 고객을 기쁘게 하는 가장 아름다운 비즈니스를 구축하는 가장 위대한 창업가들을 찾는 데 도움을 주는 것"이라고 말합니다. "창업가를 이해하고, 비즈니스를 깊이 이해하는 것, 그것이 바로 아름다움을 발견하는 과정입니다."
3. 투자 원칙
Greenoaks의 투자는 명확하고 일관된 원칙에 따라 이루어집니다.
- 두 가지 핵심 집중: "우리는 인생에서 단 두 가지에만 집중합니다: 훌륭한 비즈니스 모델과 훌륭한 창업가. 이 둘을 동시에 같은 상황에서 발견하면, 우리는 올인합니다(we go all in)."
- 장기적 관점: "우리가 하는 게임은 '주식이 내일 오를까 내릴까?'가 아닙니다." Greenoaks가 하는 게임은 "'이 회사가 시간이 지남에 따라 수천만 명의 소비자를 기쁘게 하고, 단위당 실제 총이익을 창출하며, 향후 10년간 복리로 성장할 수 있는 훌륭한 창업가가 운영하는 자유 현금 흐름 기계가 될 것인가?'" 입니다. (Carvana 사례)
- 집중 투자: 소수의 핵심 기업에 자금을 집중합니다. 분산보다는 확신에 기반한 큰 베팅을 선호합니다.
- 역발상 및 위기 시 투자: "많은 사람들이 위대한 투자자의 비결은 다른 사람들이 빠져나갈 때 뛰어들고, 그 반대도 마찬가지라고 말합니다. 말하기는 매우 쉽지만, 실제로 하기는 정말 무섭습니다." (Parker Conrad 인용) Greenoaks는 시장의 공포나 비관론 속에서도 펀더멘털 분석과 창업자에 대한 확신을 바탕으로 과감하게 투자합니다. (Coupang 북핵 위기, Rippling SVB 사태, Carvana 파산 위기 사례)
- 직접 분석 및 책임: "우리는 스스로 기초 작업을 하지 않았습니다. 그 작업을 외부에 맡겼습니다... 그때 스스로 다짐했습니다: 다시는 직접 작업을 하지 않는 일은 없을 것이라고." 외부 의견에 의존하지 않고 자체적인 심층 분석을 통해 투자 결정을 내립니다. (SpaceX 투자 실패 경험)
- 파트너십: 단순히 자금을 투자하는 것을 넘어, 창업자의 "가장 중요한 파트너"가 되어 "수십 년 동안" 함께하는 것을 목표로 합니다. 특히 회사가 어려운 시기를 겪을 때 곁을 지킵니다.
https://joincolossus.com/article/the-visions-of-neil-mehta-greenoaks/
Greenoaks의 근본적인 접근 방식은 세상을 바꿀 거대한 기술적/사회적 변화의 물결("Finding Value in Unusual Places", 비정상적인 곳에서 가치를 찾는 것)을 남들보다 먼저 인지하는 것입니다.
- 설립 초기 자료에 따르면, "그 당시에는 인터넷을 의미했습니다." 이들의 아이디어는 "이 믿을 수 없을 정도로 저렴한 인터넷 기업들이 S&P 500의 상당 부분을 대체할 것"이라는 것이었습니다. 이러한 확신이 서면, 시장의 단기적 소음이나 일반적인 통념에 흔들리지 않고, **철저한 자체 분석("제1원칙에서 이해하려 노력")**을 통해 **강한 확신(conviction)**을 얻고, 소수의 회사에 **대규모의 집중적인 투자("올인")**를 감행합니다.
1. 훌륭한 경영진(창업자)이라고 생각하는 기준
Mehta와 Greenoaks는 창업자를 투자의 핵심 요소로 보며, 그들을 특별한 방식으로 이해하려 노력합니다.
- 창업자는 예술가: Mehta는 내부 문서 'Our Soul'을 인용하며 "창업가들을 예술가로 이야기합니다. '각자 자신의 그림을 그리고 있다(Each one’s painting their own painting)'"고 말합니다. 투자자의 역할은 "의견을 갖고 다른 사람의 돈을 쓰는 것"이 아니라, "창업가들이 무엇을 하고 있는지 이해하고, 그것에 대해 겸손하고 호기심 많으며 공감하는 것"입니다. "우리의 임무는 그들이 어떻게 그리고 왜 그들의 그림을 그리고 있는지 알아내는 것입니다. 그게 전부입니다." 비평가가 아닌, 화가가 "실제로 무엇을 하려고 하는지 이해하는 것"이 중요합니다.
- 찾는 창업가 유형 (반복 가능한 원형): Mehta는 논란의 여지가 있지만 "위대한 창업가의 원형(archetype)이 있다고 믿으며, 일단 그것을 보고 배우면 반복 가능한 과정(repeatable process)"이라고 말합니다. Greenoaks가 찾는 자질은 다음과 같습니다.
- 비범한 지적 능력 (Remarkable intellect)
- 극단적인 집중력 (Extreme focus)
- 고객에 대한 집착 (An obsession with the customer)
- 역경 앞에서의 불합리한 수준의 투지 (Unreasonable determination, especially in the face of adversity)
- 명확하고 신뢰할 수 있는 야망 (Clear and credible ambition)
- 약간의 발산성/독립성 (A bit of divergence): "모든 사람에게 사랑받을 필요를 느끼지 않는 사람들."
- '세대적 창업가' (Generational Founders): 평범한 모방 제품("me-too products swimming in a river of beta")이 아니라, "차별화된 속도로 인간을 기쁘게 하는 무언가"를 만드는 창업가입니다. 이들은 "경쟁자들에게 악몽을 선사하는, 기술적으로나 운영적으로 불가능하다고 인식되는 무언가를 하는 것에서 보통 시작하는 압도적인 고객 경험(Jaw Dropping Customer Experience, JDCE)"을 통해 기존의 **트레이드오프(tradeoffs)를 깨고 경쟁적 해자(moats)를 구축**합니다. 나머지는 "단지 눈속임 게임(shell game)"일 뿐이라고 Mehta는 믿습니다. (예: Bom Kim, Ernie Garcia)
2. 창업자를 찾고 평가하는 프로세스
Greenoaks는 소수의 위대한 창업가를 찾기 위해 집요하고 차별화된 프로세스를 운영합니다.
- 명확한 목표: "지구상에 살았던 1000억 명의 사람들 중 인류의 기술 발전에 영향을 미친 1만 명에서 10만 명 사이의 사람들이 있다면, 우리의 임무는 인류를 발전시킨 위대한 인간들의 판테온에 합류할 수 있는 현재 살아있는 수백 명을 찾는 것"입니다.
- 철저한 사전 준비 (미팅 전): "웹사이트에 들어가서 제품을 조금 사용해보는 것"을 의미하지 않습니다. Greenoaks는 "그들의 고객들과 이야기하고, 경쟁자들이 정확히 무엇을 하고 있는지 조사하고, 제품을 세부적인 방식으로 이해하고, 기반 기술과 그것이 어떻게 진화하는지 연구"합니다. 이를 통해 "우리는 밖에서 안을 들여다보는 방식으로 지구상의 거의 모든 다른 누구보다 더 잘 이해할 수 있습니다." 창업자에게는 Greenoaks와의 "첫 만남이 네 번째나 다섯 번째 만남처럼 느껴지게 합니다."
- 제1원칙 기반 심층 분석: 시장의 "정신 나갈 정도로 많은 잡음(insane amount of noise)" 속에서, Greenoaks는 "소매를 걷어붙이고 제1원칙(first principles)에서 무슨 일이 일어나고 있는지 이해하려고 노력"합니다. 여기에는 "제품 고객들, 회사의 경쟁자들, 사업의 비용 구조, 그리고 사업의 자본 구조를 이해하는 데 엄청난 시간"을 쏟는 것이 포함됩니다. (Carvana 사례)
- 현장 중심주의와 집요함: Bom Kim은 "Greenoaks가 어떻게 기계(machine)가 되었는가? 그것은 닐이 현장에 가서 손톱 밑에 흙을 묻히기 때문(Neil gets on the ground, gets dirt in his fingernails)"이라고 말합니다. 이는 "불쾌하고, 피곤하며, 육체적으로나 정신적으로 고된" 일이지만, Mehta는 "비행기에서 내리자마자 문을 잠그고 나와 다른 팀원들과 6시간 동안 모든 세부 사항을 검토"하는 모습을 보입니다. 중요한 것은 변명(CYA)이 아니라 "결국 한쪽으로 확신을 가지는 것(getting to conviction one way or another)"입니다.
- 아름다움의 발견으로서의 분석: Mehta는 분석 작업의 궁극적인 목표가 "진정으로 고객을 기쁘게 하는 가장 아름다운 비즈니스를 구축하는 가장 위대한 창업가들을 찾는 데 도움을 주는 것"이라고 말합니다. "창업가를 이해하고, 비즈니스를 깊이 이해하는 것, 그것이 바로 아름다움을 발견하는 과정입니다."
3. 투자 원칙
Greenoaks의 투자는 명확하고 일관된 원칙에 따라 이루어집니다.
- 두 가지 핵심 집중: "우리는 인생에서 단 두 가지에만 집중합니다: 훌륭한 비즈니스 모델과 훌륭한 창업가. 이 둘을 동시에 같은 상황에서 발견하면, 우리는 올인합니다(we go all in)."
- 장기적 관점: "우리가 하는 게임은 '주식이 내일 오를까 내릴까?'가 아닙니다." Greenoaks가 하는 게임은 "'이 회사가 시간이 지남에 따라 수천만 명의 소비자를 기쁘게 하고, 단위당 실제 총이익을 창출하며, 향후 10년간 복리로 성장할 수 있는 훌륭한 창업가가 운영하는 자유 현금 흐름 기계가 될 것인가?'" 입니다. (Carvana 사례)
- 집중 투자: 소수의 핵심 기업에 자금을 집중합니다. 분산보다는 확신에 기반한 큰 베팅을 선호합니다.
- 역발상 및 위기 시 투자: "많은 사람들이 위대한 투자자의 비결은 다른 사람들이 빠져나갈 때 뛰어들고, 그 반대도 마찬가지라고 말합니다. 말하기는 매우 쉽지만, 실제로 하기는 정말 무섭습니다." (Parker Conrad 인용) Greenoaks는 시장의 공포나 비관론 속에서도 펀더멘털 분석과 창업자에 대한 확신을 바탕으로 과감하게 투자합니다. (Coupang 북핵 위기, Rippling SVB 사태, Carvana 파산 위기 사례)
- 직접 분석 및 책임: "우리는 스스로 기초 작업을 하지 않았습니다. 그 작업을 외부에 맡겼습니다... 그때 스스로 다짐했습니다: 다시는 직접 작업을 하지 않는 일은 없을 것이라고." 외부 의견에 의존하지 않고 자체적인 심층 분석을 통해 투자 결정을 내립니다. (SpaceX 투자 실패 경험)
- 파트너십: 단순히 자금을 투자하는 것을 넘어, 창업자의 "가장 중요한 파트너"가 되어 "수십 년 동안" 함께하는 것을 목표로 합니다. 특히 회사가 어려운 시기를 겪을 때 곁을 지킵니다.
07.04.202508:07
4. 훌륭한 비즈니스라고 생각하는 기준
단순히 성장성만이 아니라, 특정 조건을 만족하는 비즈니스 모델을 찾습니다.
- 압도적인 고객 경험 (JDCE): 고객을 열광시키는 차별화된 경험 제공이 핵심입니다. 이는 경쟁 우위의 원천이 됩니다. (Coupang, Carvana 사례)
- 경쟁적 해자 (Competitive Moats): JDCE 등을 통해 경쟁자들이 모방하기 어려운, 지속 가능한 경쟁 우위를 구축하는 비즈니스.
- 트레이드오프 돌파: 기존 산업의 한계나 통념(예: 낮은 초기 마진)을 극복하고 새로운 가치를 창출하는 능력. (Coupang 사례: 초기 저마진 감수 후 규모의 경제 달성)
- 자본 효율성 및 확장성 (과거 인터넷/모바일 모델): 초기 Greenoaks는 인터넷/모바일 비즈니스의 "한계 비용 제로(zero marginal cost)", 플랫폼 기반의 "무료 배포", "네트워크 효과(network effect)" 등 확장성과 자본 효율성이 높은 모델에 주목했습니다.
- 지속 가능한 단위 경제학 (vs. 현재 AI 모델): 현재 파운데이션 모델과 달리, 장기적으로 건전한 이익 구조를 가질 수 있는 비즈니스.
5. Greenoaks가 성공한 이유 / 차별점
- 차별적 통찰력 생성 능력: "훨씬 더 많은 정보를 얻고 장기적인 기업 가치에 중요한 차별적 통찰력(differential insight)을 생성할 수 있게 되는 것"이 핵심입니다.
- 실행 속도 및 플라이휠 구축: 이러한 통찰력을 "작은 팀과 함께 결합하여 매일 반복해서 할 수 있는 플라이휠(flywheel)을 구축"하여 정보 비대칭성의 "속도와 속도(speed and velocity)"를 높입니다.
- 창업자와의 깊은 파트너십: 단순 투자자를 넘어, 창업자의 비전을 깊이 이해하고 위기 시에도 든든한 지원군이 되어주는 관계를 구축합니다.
- 규율과 일관성: "비밀 소스는 없습니다. 단지 수천 개의 회사를 대상으로 이러한 유형의 비즈니스와 창업가만을 찾는 규율의 일관성일 뿐입니다."
- 내부 통제 위치 (Internal Locus of Control): Neil Mehta의 강력한 내부 통제 위치는 현실에 안주하지 않고 세상을 바꾸려는 의지와 실행력으로 이어집니다.
6. 인터넷 / 모바일 / AI에 대한 관점
- 인터넷/모바일 (초기 기회):
- Greenoaks 설립 초기(2012년경)에는 인터넷/모바일 기업을 "Finding Value in Unusual Places", 비정상적인 곳에서 가치를 찾는 것”으로 보았습니다.
- "한계 비용 제로", "무료 배포", "네트워크 효과" 등을 가진 "믿을 수 없을 정도로 저렴한 비즈니스"가 기존 산업(S&P 500)을 대체할 잠재력이 있다고 확신했습니다. 이는 Coupang 투자 성공의 배경이 되었습니다.
- AI (현재 파운데이션 모델에 대한 회의론):
- 현재의 파운데이션 모델 회사들에 대해서는 대체로 **신중하고 회의적인 입장**입니다.
- 나쁜 비즈니스 모델: "거대한 초기 자본 투자", "빠른 자산 감가상각(12개월)", "지속적인 재투자 필요", "단위 경제학 문제", "경쟁 우위 부재" 등을 이유로 1980년대 항공사 비즈니스에 비유하며 비판합니다.
- 기술적 한계: 현재 모델 회사들이 "Transformer 모델의 마력(horsepower)을 단순히 확장하는 것"일 뿐, "기본 모델 자체를 혁신하는 것"은 아니라고 봅니다. 이는 진정한 경쟁 우위나 장기적 가치 창출에 한계가 있음을 시사합니다.
- AGI vs. Superintelligence: 현재 모델들은 단지 "거대한 단어 복제 및 재생 기계"이며, 인간 수준의 AGI 달성은 가능할 수 있으나, 인간 인지를 뛰어넘는 진정한 초지능(Superintelligence)에는 도달하기 어려울 수 있다고 봅니다. 초지능은 "매우 제한된 데이터로부터 많이 배우고 제1원칙에서 일반화할 수 있는 모델"을 필요로 할 것이라고 추측합니다.
- Safe Superintelligence (SSI) 투자 가능성 (미확인): Ilya Sutskever의 SSI가 파운데이션 모델 회사들과 "다른 산을 오르고 있다"고 주장하며, Greenoaks의 투자가 사실이라면 이는 SSI가 기존 모델 회사들과 달리 Greenoaks의 "훌륭한 창업가 + 훌륭한 (잠재적) 비즈니스 모델" 기준을 충족했을 가능성을 시사합니다. (특히 창업가 측면에서 Sutskever는 Mehta가 찾는 원형에 부합할 수 있음)
단순히 성장성만이 아니라, 특정 조건을 만족하는 비즈니스 모델을 찾습니다.
- 압도적인 고객 경험 (JDCE): 고객을 열광시키는 차별화된 경험 제공이 핵심입니다. 이는 경쟁 우위의 원천이 됩니다. (Coupang, Carvana 사례)
- 경쟁적 해자 (Competitive Moats): JDCE 등을 통해 경쟁자들이 모방하기 어려운, 지속 가능한 경쟁 우위를 구축하는 비즈니스.
- 트레이드오프 돌파: 기존 산업의 한계나 통념(예: 낮은 초기 마진)을 극복하고 새로운 가치를 창출하는 능력. (Coupang 사례: 초기 저마진 감수 후 규모의 경제 달성)
- 자본 효율성 및 확장성 (과거 인터넷/모바일 모델): 초기 Greenoaks는 인터넷/모바일 비즈니스의 "한계 비용 제로(zero marginal cost)", 플랫폼 기반의 "무료 배포", "네트워크 효과(network effect)" 등 확장성과 자본 효율성이 높은 모델에 주목했습니다.
- 지속 가능한 단위 경제학 (vs. 현재 AI 모델): 현재 파운데이션 모델과 달리, 장기적으로 건전한 이익 구조를 가질 수 있는 비즈니스.
5. Greenoaks가 성공한 이유 / 차별점
- 차별적 통찰력 생성 능력: "훨씬 더 많은 정보를 얻고 장기적인 기업 가치에 중요한 차별적 통찰력(differential insight)을 생성할 수 있게 되는 것"이 핵심입니다.
- 실행 속도 및 플라이휠 구축: 이러한 통찰력을 "작은 팀과 함께 결합하여 매일 반복해서 할 수 있는 플라이휠(flywheel)을 구축"하여 정보 비대칭성의 "속도와 속도(speed and velocity)"를 높입니다.
- 창업자와의 깊은 파트너십: 단순 투자자를 넘어, 창업자의 비전을 깊이 이해하고 위기 시에도 든든한 지원군이 되어주는 관계를 구축합니다.
- 규율과 일관성: "비밀 소스는 없습니다. 단지 수천 개의 회사를 대상으로 이러한 유형의 비즈니스와 창업가만을 찾는 규율의 일관성일 뿐입니다."
- 내부 통제 위치 (Internal Locus of Control): Neil Mehta의 강력한 내부 통제 위치는 현실에 안주하지 않고 세상을 바꾸려는 의지와 실행력으로 이어집니다.
6. 인터넷 / 모바일 / AI에 대한 관점
- 인터넷/모바일 (초기 기회):
- Greenoaks 설립 초기(2012년경)에는 인터넷/모바일 기업을 "Finding Value in Unusual Places", 비정상적인 곳에서 가치를 찾는 것”으로 보았습니다.
- "한계 비용 제로", "무료 배포", "네트워크 효과" 등을 가진 "믿을 수 없을 정도로 저렴한 비즈니스"가 기존 산업(S&P 500)을 대체할 잠재력이 있다고 확신했습니다. 이는 Coupang 투자 성공의 배경이 되었습니다.
- AI (현재 파운데이션 모델에 대한 회의론):
- 현재의 파운데이션 모델 회사들에 대해서는 대체로 **신중하고 회의적인 입장**입니다.
- 나쁜 비즈니스 모델: "거대한 초기 자본 투자", "빠른 자산 감가상각(12개월)", "지속적인 재투자 필요", "단위 경제학 문제", "경쟁 우위 부재" 등을 이유로 1980년대 항공사 비즈니스에 비유하며 비판합니다.
- 기술적 한계: 현재 모델 회사들이 "Transformer 모델의 마력(horsepower)을 단순히 확장하는 것"일 뿐, "기본 모델 자체를 혁신하는 것"은 아니라고 봅니다. 이는 진정한 경쟁 우위나 장기적 가치 창출에 한계가 있음을 시사합니다.
- AGI vs. Superintelligence: 현재 모델들은 단지 "거대한 단어 복제 및 재생 기계"이며, 인간 수준의 AGI 달성은 가능할 수 있으나, 인간 인지를 뛰어넘는 진정한 초지능(Superintelligence)에는 도달하기 어려울 수 있다고 봅니다. 초지능은 "매우 제한된 데이터로부터 많이 배우고 제1원칙에서 일반화할 수 있는 모델"을 필요로 할 것이라고 추측합니다.
- Safe Superintelligence (SSI) 투자 가능성 (미확인): Ilya Sutskever의 SSI가 파운데이션 모델 회사들과 "다른 산을 오르고 있다"고 주장하며, Greenoaks의 투자가 사실이라면 이는 SSI가 기존 모델 회사들과 달리 Greenoaks의 "훌륭한 창업가 + 훌륭한 (잠재적) 비즈니스 모델" 기준을 충족했을 가능성을 시사합니다. (특히 창업가 측면에서 Sutskever는 Mehta가 찾는 원형에 부합할 수 있음)
17.04.202523:15
https://youtu.be/v2q3yPwEo5w
Q: 그렇다면 재능 있고 야심 찬 사람들은 지금 무엇에 집중해야 할까요?
A: 지난 25~30년간 '기술(Tech)' 분야 (컴퓨터 과학, 소프트웨어, 인터넷, 모바일, 암호화폐, AI 등)가 사회 발전의 유일한 벡터였다고 말합니다. 새로운 것을 하고 새로운 회사를 만들 수 있는 곳이며, 문명을 새로운 차원으로 이끌 수 있을지는 논쟁의 여지가 있지만, 수십억, 수백억, 수조 달러 가치의 회사를 만들 수 있는 유일한 영역이었다고 봅니다. 법률, 금융, 의료, 컨설팅 같은 전통적인 길은 정체되어 있고 만족스럽지 못하므로, 기술 분야로 가라고 조언합니다. 꼭 창업할 필요는 없으며, 관련 회사에서 일하는 것도 좋다고 말합니다. 놀랍게도 이런 현실이 아직도 (특히 하버드 같은 곳에서는) 제대로 인식되지 않고 있다고 지적합니다.
Q: 팔란티어를 구축하는 과정에서 어려움은 없었나요? 특히 미 육군을 고소한 사건은 어떻게 된 건가요?
A: 매우 어려웠습니다. 교육이나 의료 분야처럼 시스템 자체가 변화를 거부하도록 설계되어 있었기 때문입니다. 특히 미 육군의 데이터 통합 시스템(DYN)을 대체하는 과정에서 큰 저항에 부딪혔습니다. 6개월이면 대체할 줄 알았지만 10년이 걸렸고, 결국 2019년에 대체했습니다. 이 과정에서 고객인 미 육군을 고소해야 했습니다. 모든 컨설턴트가 그만두고 업계에서 매장될 것이라고 경고했지만, 1994년 법률(개방형 조달 절차)에 근거하여 소송을 진행했습니다. 소송 과정(Discovery)에서 팔란티어 기술의 우수성을 입증하는 내부 보고서가 은폐되고 조작되었다는 증거를 확보했습니다. 결국 소송에서 승소하여 계약을 따낼 수 있었습니다. 이는 스페이스X가 공군을 고소했던 사례와 유사합니다.
Q: 팔란티어나 스페이스X처럼 거의 불가능해 보였던 시스템 개혁에 성공했습니다. 이런 낙관적인 접근 방식을 의료, 교육 등 다른 분야에도 적용해야 할까요?
A: 시도해 볼 가치는 있지만, 맹목적인 낙관주의나 비관주의는 경계해야 합니다. 극단적인 낙관주의(아무것도 할 필요 없음)와 극단적인 비관주의(아무것도 할 수 없음)는 결국 아무것도 하지 않는 게으름으로 이어진다고 봅니다. 따라서 '적당한 낙관주의'가 중요하며, 싸움을 신중하게 골라야 한다고 강조합니다.
Q: 교육이나 의료 분야에 투자하거나 개혁하는 것이 왜 더 어렵다고 보나요?
A: 이 분야들은 이미 많은 사람들이 개혁을 시도했지만 실패했고, 문제 해결에 대한 아이디어들이 너무 관습적인 경우가 많습니다. 또한, 벤처 캐피털(VC) 업계의 사회적 역학 관계도 작용합니다. VC들은 네트워킹 행사에서 자랑하기 좋은 분야(교육 기술, 헬스케어 IT, 그린 테크 등)에 몰리는 경향이 있는데, 이런 '인기 있는' 분야는 단기적인 책임 추궁이 어렵기 때문에 실제 성공 가능성과 괴리되는 경우가 많다고 지적합니다. 실제로 피터 틸의 벤처 펀드(Founders Fund)에서 지난 20여 년간 가장 수익률이 낮았던 분야가 교육 및 헬스케어 관련 소프트웨어 회사들이었다고 밝힙니다.
Q: (가상의) 트럼프 행정부에 대해 어떻게 생각하나요? 예산 적자 같은 문제 해결에 대한 기대는?
A: 오랜만에 가장 희망적이라고 느낍니다. 해결해야 할 깊은 문제들이 있고, 반대 세력은 완전히 지쳐 아이디어가 고갈되었다고 봅니다. 레이건 초기 이후 처음으로 국가를 변화시킬 진정한 기회라고 생각합니다. 이는 과거 부시 공화당이나 트럼프 1기 행정부(내외부적으로 방해받음)와는 다를 것이라고 기대합니다. GDP 6%에 달하는 예산 적자 문제는 쉬운 해결책이 없지만, 정부 효율성 증대(DOGE - Domestic Operating Governmental Efficiency)를 통해 상당 부분 해결 가능하다고 봅니다. 세금 정책에 대한 그의 입장은 항상 '조금 더 낮게'이며, 정부 효율성은 '항상 더 높게' 추구해야 한다고 말합니다.
Q: 중국에 대한 트럼프 행정부의 무역 정책(예: 125% 관세)에 대해서는 어떻게 생각하나요?
A: 중국과의 관계에 있어 과감한 '리셋(reset)'이 필요하다고 봅니다. 미국 무역 적자의 약 절반이 직간접적으로 중국과 관련되어 있으며, 경제적 관계뿐 아니라 지정학적 경쟁 관계(군사적 전용 가능성 등)를 고려해야 한다고 강조합니다. 이는 독일 등 동맹국과의 무역과는 다른 차원의 문제입니다. 다른 동맹국들도 중국과의 관계를 재설정하도록 유도해야 하며, 이것이 서방 동맹을 강화하는 길이 될 수 있다고 봅니다. AI나 규제 완화를 통해 일부 제조업을 미국으로 가져올 수 있지만, 베트남 등 다른 신흥국으로 이전하는 것도 중국보다는 낫다고 평가합니다.
Q: 1970년대 이후 과학기술, 특히 원자(물질) 세계에서의 발전이 정체되었다고 보는데, 그 이유는 무엇이라고 생각하시나요?
A: 그렇습니다. 비트(디지털) 세계와 달리 원자(물질) 세계에서는 약 50년간 발전이 정체되었습니다. 이유는 복합적이지만, 아이디어 고갈, 문화적 요인, 과도한 위험 회피 성향, 과학기술의 파괴적 측면에 대한 두려움 등이 원인일 수 있다고 봅니다.
Q: 이러한 문화적 정체나 사람들이 비슷하게 잘못 생각하는 경향(미메틱 이론)이 오히려 새로운 기회를 만들 수 있을까요? 예를 들어 일론 머스크의 보링 컴퍼니처럼요.
A: 그럴 수 있습니다. 만약 문제가 과학기술적 한계가 아니라 정치적, 관료적, 부패한 시스템(예: 터널링 공사의 마피아 유착, 노조 문제) 때문에 막혀 있다면, 이를 극복할 방법을 찾는 것이 큰 기회가 될 수 있습니다. 중요한 것은 기술적 돌파구가 아니라, 그 '비기술적 장애물'이 무엇인지 정확히 파악하고 그것을 극복하는 전략을 세우는 것입니다.
Q: 사회 문제 해결을 위해 목소리를 내는 것(Voice)과 시스템을 떠나는 것(Exit) 사이에서 어떻게 균형을 잡아야 할까요? LA나 오스틴 같은 망가진 도시를 고칠 수 있을까요?
A: 시도하는 것은 중요하지만, '올바른 싸움'을 골라야 합니다. 무작정 노력하는 것이 중요한 게 아니라, 실제로 성과를 낼 수 있는 곳에 집중해야 합니다 (파도타기 비유: 파도가 올 때 저어야 함). 도시에 대해서는 비관적인 편입니다. LA의 산불 문제를 예로 들며, 여러 시스템적 원인이 있지만 결국 피상적인 해결(시장 교체 등)에 그칠 가능성이 높다고 봅니다. 오스틴에 대해서도 정부 도시, 대학 도시라는 구조적 문제 때문에 회의적입니다. 텍사스 주 헌법상 주 정부가 개입할 여지(Capital District)가 있다는 조의 주장에 대해, 왜 지난 20년간 공화당 주지사들이 이를 실행하지 않았는지 반문하며, 실제 변화의 어려움을 시사합니다.
Q: 실리콘밸리의 분위기가 최근 긍정적으로 바뀌고 있다는 '바이브 시프트(vibe shift)'에 대해 어떻게 생각하나요? 실제 변화가 있나요?
A: 상당한 변화가 있었다고 인정합니다. 과거 실리콘밸리가 획일적으로 중도 좌파 성향이었던 이유를 여러 각도(리더 성향, 워크(woke) 직원 압력 등)에서 분석하지만, 가장 큰 요인 중 하나로 좌파 성향 규제 당국의 엄청난 압력을 꼽습니다. 창업자들은 규제를 피하기 위해 DEI(다양성, 형평성, 포용성) 정책 등을 도입하며 순응했지만, 이것이 효과가 없다는 인식이 점차 확산되었습니다. 이런 불만은 수년간 쌓여왔지만, 최근 몇 달 사이에야 비로소 공개적으로 표출될 수 있게 되었다고 봅니다. CEO들 사이에서 공개 발언과 사석에서의 생각 간의 괴리가 매우 컸다고 지적합니다.
Q: 이러한 급격한 변화는 어떻게 가능했을까요?
A: 티무르 쿠란(Timur Kuran)의 '공개적 거짓말, 사적인 진실(Public Lies, Private Truths)' 이론과 유사한 '선호 연쇄(preference cascade)' 현상으로 설명합니다. 모든 사람이 거짓말을 하고 있고, 또 모든 사람이 그 사실을 알고 있을 때, 작은 계기만으로도 여론이 급격하게 뒤집힐 수 있다는 것입니다. 언론 통제나 발언 규제는 결국 이런 식으로 역효과를 낳는다고 봅니다.
Q: 그렇다면 재능 있고 야심 찬 사람들은 지금 무엇에 집중해야 할까요?
A: 지난 25~30년간 '기술(Tech)' 분야 (컴퓨터 과학, 소프트웨어, 인터넷, 모바일, 암호화폐, AI 등)가 사회 발전의 유일한 벡터였다고 말합니다. 새로운 것을 하고 새로운 회사를 만들 수 있는 곳이며, 문명을 새로운 차원으로 이끌 수 있을지는 논쟁의 여지가 있지만, 수십억, 수백억, 수조 달러 가치의 회사를 만들 수 있는 유일한 영역이었다고 봅니다. 법률, 금융, 의료, 컨설팅 같은 전통적인 길은 정체되어 있고 만족스럽지 못하므로, 기술 분야로 가라고 조언합니다. 꼭 창업할 필요는 없으며, 관련 회사에서 일하는 것도 좋다고 말합니다. 놀랍게도 이런 현실이 아직도 (특히 하버드 같은 곳에서는) 제대로 인식되지 않고 있다고 지적합니다.
Q: 팔란티어를 구축하는 과정에서 어려움은 없었나요? 특히 미 육군을 고소한 사건은 어떻게 된 건가요?
A: 매우 어려웠습니다. 교육이나 의료 분야처럼 시스템 자체가 변화를 거부하도록 설계되어 있었기 때문입니다. 특히 미 육군의 데이터 통합 시스템(DYN)을 대체하는 과정에서 큰 저항에 부딪혔습니다. 6개월이면 대체할 줄 알았지만 10년이 걸렸고, 결국 2019년에 대체했습니다. 이 과정에서 고객인 미 육군을 고소해야 했습니다. 모든 컨설턴트가 그만두고 업계에서 매장될 것이라고 경고했지만, 1994년 법률(개방형 조달 절차)에 근거하여 소송을 진행했습니다. 소송 과정(Discovery)에서 팔란티어 기술의 우수성을 입증하는 내부 보고서가 은폐되고 조작되었다는 증거를 확보했습니다. 결국 소송에서 승소하여 계약을 따낼 수 있었습니다. 이는 스페이스X가 공군을 고소했던 사례와 유사합니다.
Q: 팔란티어나 스페이스X처럼 거의 불가능해 보였던 시스템 개혁에 성공했습니다. 이런 낙관적인 접근 방식을 의료, 교육 등 다른 분야에도 적용해야 할까요?
A: 시도해 볼 가치는 있지만, 맹목적인 낙관주의나 비관주의는 경계해야 합니다. 극단적인 낙관주의(아무것도 할 필요 없음)와 극단적인 비관주의(아무것도 할 수 없음)는 결국 아무것도 하지 않는 게으름으로 이어진다고 봅니다. 따라서 '적당한 낙관주의'가 중요하며, 싸움을 신중하게 골라야 한다고 강조합니다.
Q: 교육이나 의료 분야에 투자하거나 개혁하는 것이 왜 더 어렵다고 보나요?
A: 이 분야들은 이미 많은 사람들이 개혁을 시도했지만 실패했고, 문제 해결에 대한 아이디어들이 너무 관습적인 경우가 많습니다. 또한, 벤처 캐피털(VC) 업계의 사회적 역학 관계도 작용합니다. VC들은 네트워킹 행사에서 자랑하기 좋은 분야(교육 기술, 헬스케어 IT, 그린 테크 등)에 몰리는 경향이 있는데, 이런 '인기 있는' 분야는 단기적인 책임 추궁이 어렵기 때문에 실제 성공 가능성과 괴리되는 경우가 많다고 지적합니다. 실제로 피터 틸의 벤처 펀드(Founders Fund)에서 지난 20여 년간 가장 수익률이 낮았던 분야가 교육 및 헬스케어 관련 소프트웨어 회사들이었다고 밝힙니다.
Q: (가상의) 트럼프 행정부에 대해 어떻게 생각하나요? 예산 적자 같은 문제 해결에 대한 기대는?
A: 오랜만에 가장 희망적이라고 느낍니다. 해결해야 할 깊은 문제들이 있고, 반대 세력은 완전히 지쳐 아이디어가 고갈되었다고 봅니다. 레이건 초기 이후 처음으로 국가를 변화시킬 진정한 기회라고 생각합니다. 이는 과거 부시 공화당이나 트럼프 1기 행정부(내외부적으로 방해받음)와는 다를 것이라고 기대합니다. GDP 6%에 달하는 예산 적자 문제는 쉬운 해결책이 없지만, 정부 효율성 증대(DOGE - Domestic Operating Governmental Efficiency)를 통해 상당 부분 해결 가능하다고 봅니다. 세금 정책에 대한 그의 입장은 항상 '조금 더 낮게'이며, 정부 효율성은 '항상 더 높게' 추구해야 한다고 말합니다.
Q: 중국에 대한 트럼프 행정부의 무역 정책(예: 125% 관세)에 대해서는 어떻게 생각하나요?
A: 중국과의 관계에 있어 과감한 '리셋(reset)'이 필요하다고 봅니다. 미국 무역 적자의 약 절반이 직간접적으로 중국과 관련되어 있으며, 경제적 관계뿐 아니라 지정학적 경쟁 관계(군사적 전용 가능성 등)를 고려해야 한다고 강조합니다. 이는 독일 등 동맹국과의 무역과는 다른 차원의 문제입니다. 다른 동맹국들도 중국과의 관계를 재설정하도록 유도해야 하며, 이것이 서방 동맹을 강화하는 길이 될 수 있다고 봅니다. AI나 규제 완화를 통해 일부 제조업을 미국으로 가져올 수 있지만, 베트남 등 다른 신흥국으로 이전하는 것도 중국보다는 낫다고 평가합니다.
Q: 1970년대 이후 과학기술, 특히 원자(물질) 세계에서의 발전이 정체되었다고 보는데, 그 이유는 무엇이라고 생각하시나요?
A: 그렇습니다. 비트(디지털) 세계와 달리 원자(물질) 세계에서는 약 50년간 발전이 정체되었습니다. 이유는 복합적이지만, 아이디어 고갈, 문화적 요인, 과도한 위험 회피 성향, 과학기술의 파괴적 측면에 대한 두려움 등이 원인일 수 있다고 봅니다.
Q: 이러한 문화적 정체나 사람들이 비슷하게 잘못 생각하는 경향(미메틱 이론)이 오히려 새로운 기회를 만들 수 있을까요? 예를 들어 일론 머스크의 보링 컴퍼니처럼요.
A: 그럴 수 있습니다. 만약 문제가 과학기술적 한계가 아니라 정치적, 관료적, 부패한 시스템(예: 터널링 공사의 마피아 유착, 노조 문제) 때문에 막혀 있다면, 이를 극복할 방법을 찾는 것이 큰 기회가 될 수 있습니다. 중요한 것은 기술적 돌파구가 아니라, 그 '비기술적 장애물'이 무엇인지 정확히 파악하고 그것을 극복하는 전략을 세우는 것입니다.
Q: 사회 문제 해결을 위해 목소리를 내는 것(Voice)과 시스템을 떠나는 것(Exit) 사이에서 어떻게 균형을 잡아야 할까요? LA나 오스틴 같은 망가진 도시를 고칠 수 있을까요?
A: 시도하는 것은 중요하지만, '올바른 싸움'을 골라야 합니다. 무작정 노력하는 것이 중요한 게 아니라, 실제로 성과를 낼 수 있는 곳에 집중해야 합니다 (파도타기 비유: 파도가 올 때 저어야 함). 도시에 대해서는 비관적인 편입니다. LA의 산불 문제를 예로 들며, 여러 시스템적 원인이 있지만 결국 피상적인 해결(시장 교체 등)에 그칠 가능성이 높다고 봅니다. 오스틴에 대해서도 정부 도시, 대학 도시라는 구조적 문제 때문에 회의적입니다. 텍사스 주 헌법상 주 정부가 개입할 여지(Capital District)가 있다는 조의 주장에 대해, 왜 지난 20년간 공화당 주지사들이 이를 실행하지 않았는지 반문하며, 실제 변화의 어려움을 시사합니다.
Q: 실리콘밸리의 분위기가 최근 긍정적으로 바뀌고 있다는 '바이브 시프트(vibe shift)'에 대해 어떻게 생각하나요? 실제 변화가 있나요?
A: 상당한 변화가 있었다고 인정합니다. 과거 실리콘밸리가 획일적으로 중도 좌파 성향이었던 이유를 여러 각도(리더 성향, 워크(woke) 직원 압력 등)에서 분석하지만, 가장 큰 요인 중 하나로 좌파 성향 규제 당국의 엄청난 압력을 꼽습니다. 창업자들은 규제를 피하기 위해 DEI(다양성, 형평성, 포용성) 정책 등을 도입하며 순응했지만, 이것이 효과가 없다는 인식이 점차 확산되었습니다. 이런 불만은 수년간 쌓여왔지만, 최근 몇 달 사이에야 비로소 공개적으로 표출될 수 있게 되었다고 봅니다. CEO들 사이에서 공개 발언과 사석에서의 생각 간의 괴리가 매우 컸다고 지적합니다.
Q: 이러한 급격한 변화는 어떻게 가능했을까요?
A: 티무르 쿠란(Timur Kuran)의 '공개적 거짓말, 사적인 진실(Public Lies, Private Truths)' 이론과 유사한 '선호 연쇄(preference cascade)' 현상으로 설명합니다. 모든 사람이 거짓말을 하고 있고, 또 모든 사람이 그 사실을 알고 있을 때, 작은 계기만으로도 여론이 급격하게 뒤집힐 수 있다는 것입니다. 언론 통제나 발언 규제는 결국 이런 식으로 역효과를 낳는다고 봅니다.
Переслав з:
전종현의 인사이트
07.04.202508:07
닐 메타가 현재 최고 잘나가는 투자자가 된건 이 간단한 통찰에 기반한다. 지금와서는 당연한 소리인데 당시에는 이걸 알아보는 이들이 극히 드물었을테고, 이 괴리에서 나오는 아비트라지를 완벽하게 챙겨갔다.
난 지금 AI 시장이 비슷할 수 있다고 생각한다. 현재 가장 중요한건 개개인의 토큰 사용량이라고 생각하는데, 비교적 얼리어답터인 나를 떠올려보았을 때 작년과 비교해서 적어도 10배 이상으로 사용량이 늘었다 (아니 10배가 뭐야, 제대로 까보면 100배 이상일 수도 있다).
그런데 아직 주변에서는 이러한 변화를 알아차리지 못하는 것 같다. 나름 가장 앞단에서 변화를 보는 사람들임에도 불구하고 이게 얼마나 큰 변화인지 제대로 인식하지 못하고 있을 수 있다는 소리다.
따라서 내 생각이 맞다면 이건 너무나도 완벽한 아비트라지 기회다. 물론 기회를 포착하는 것 보다 잡는 것이 100배 어렵다는게 문제이지만 ㅎㅎ
난 지금 AI 시장이 비슷할 수 있다고 생각한다. 현재 가장 중요한건 개개인의 토큰 사용량이라고 생각하는데, 비교적 얼리어답터인 나를 떠올려보았을 때 작년과 비교해서 적어도 10배 이상으로 사용량이 늘었다 (아니 10배가 뭐야, 제대로 까보면 100배 이상일 수도 있다).
그런데 아직 주변에서는 이러한 변화를 알아차리지 못하는 것 같다. 나름 가장 앞단에서 변화를 보는 사람들임에도 불구하고 이게 얼마나 큰 변화인지 제대로 인식하지 못하고 있을 수 있다는 소리다.
따라서 내 생각이 맞다면 이건 너무나도 완벽한 아비트라지 기회다. 물론 기회를 포착하는 것 보다 잡는 것이 100배 어렵다는게 문제이지만 ㅎㅎ
08.04.202515:57
어리고 야망있는 어린 창업자들의 감소
- 그는 과거(10~15년 전) Stripe, Figma, Facebook 등을 창업했던 20대들과 비교했을 때, 현재는 Scale AI의 알렉스(Alexandr Wang) 정도를 제외하고는 20대에 매우 큰 규모의 회사를 성공시킨 사례가 드묾
- 사회 전반적으로 나타나는 '지연된 성인기(delayed adulthood)' 현상과 관련이 있을 수 있다고 추측합니다. 즉, 젊은이들이 더 늦게 성인으로서의 책임감을 지거나 독립하는 경향이 창업 활동에도 영향을 미칠 수 있다는 것입니다.
- 증가하는 규제나 사회 전반적인 낙관주의 부족도 젊은 창업자들이 야심 찬 도전을 하는 데 장벽이 될 수 있다고 생각
AI 기반 바이아웃(Buyout)의 가능성과 미래
AI 기반 바이아웃이 가능한 이유:
1. 비용 구조 혁신 (Radical Impact on Cost Structure): AI는 특정 산업, 특히 노동 집약적이거나 반복적인 업무가 많은 산업의 운영 비용 구조를 근본적으로 바꿀 잠재력이 있습니다. AI를 통해 인력 효율을 극대화하거나 자동화를 이루면, 기존 기업보다 훨씬 낮은 비용으로 운영하는 것이 가능해집니다.
2. 시장 확장 가능성 (Market Expansion): 단순히 비용을 절감하는 것을 넘어, AI를 활용하여 기존에는 불가능했던 새로운 서비스나 제품을 제공하거나, 더 넓은 고객층에게 다가가 시장 점유율을 높이거나 시장 자체를 확장할 수 있습니다.
3. 느린 기술 도입 속도 (Slow Adopter of Technology): 일부 전통 산업은 새로운 기술, 특히 AI와 같은 혁신 기술의 도입 속도가 매우 느립니다. 이런 산업에 AI 솔루션을 '판매'하려는 스타트업을 만드는 것은, 고객 확보 및 기술 채택 속도의 한계로 인해 어려울 수 있습니다. 차라리 해당 산업의 기존 기업(자산)을 인수한 뒤, 내부적으로 AI를 공격적으로 도입하여 운영 효율성을 높이고 경쟁 우위를 확보하는 것이 더 빠르고 효과적인 전략일 수 있습니다.
바이오테크(Biotech) 산업에 대한 시각:
대형 바이오테크 기업의 부재: 기술 분야의 마이크로소프트와 애플 두 회사의 시가총액이 전체 바이오/제약 산업(BioPharma) 시가총액과 비슷하다는 점을 지적한다. 미국 GDP의 상당 부분을 차지함에도 불구하고, 지난 30-40년간 500억 달러 이상의 가치를 지닌 대형 바이오테크 기업(Vertex, Regeneron 제외)이 거의 탄생하지 않은 이유에 대해 의문을 제기한다. 이는 산업 구조, 규제, 창업 모델 등의 체계적인 왜곡(systematically distorted) 때문일 수 있다고 추측한다.
개인적 투자: 현재 바이오테크 분야에 많은 투자를 하고 있지는 않지만, 헬스케어 인프라(소프트웨어), 일부 AI 기반 바이오 모델 회사(예: Inceptive), 그리고 항노화(anti-aging) 관련 바이오테크 회사(예: BioAge - 7~8년 전 투자, 현재 근육 감소 치료제 등 개발 중)에는 관여하고 있다.
창업자들을 위한 조언:
확신(Conviction) 갖기: 인기 없는(unpopular) 아이디어나 회사에 투자하려면 남을 설득하기보다, 사회적 또는 개인적 가정을 끊임없이 재점검하고(double-check assumptions), 올바른 질문을 던지며(asking the right questions), 현실을 명확히 보는(seeing reality more clearly) 능력이 중요하다고 강조한다.
Anduril (시장 중요성에 대한 확신)
Stripe (회사 자체와 모멘텀에 대한 확신)
초기 GenAI 투자 (기술 물결에 대한 확신)
중요한 창업자 자질: 명확한 사고와 소통 능력 외에도, 야망(ambition), 추진력(drive), 강렬함(intensity), **이기고자 하는 열망(hunger to win)**이 매우 중요하며, 한동안 기술 업계에서 과소평가되었다고 지적한다. 리더십은 인기와 혼동되어서는 안 된다(Leadership vs. Popularity)고 강조한다.
시장 > 창업자: 창업자의 중요성을 인정하면서도, 회사의 성공을 결정짓는 가장 중요한 요인은 **'프로덕트 마켓 핏(Product-Market Fit, PMF)'**이라고 본다. 훌륭한 팀도 나쁜 시장에서는 실패할 수 있고, 평범한 팀도 좋은 시장에서는 매우 성공할 수 있다. 구글은 초기에 검색 기술 라이선싱과 하드웨어 판매라는 비즈니스 모델을 시도했지만, 이는 회사의 폭발적인 성장 잠재력을 충족시키기에는 부족했습니다. 결국 사용자 경험을 크게 해치지 않으면서도 확장 가능하고, 검색이라는 핵심 서비스와 자연스럽게 연결되는 관련성 기반의 PPC 광고 모델(AdWords)과 이를 외부 웹사이트로 확장한 AdSense를 통해 막대한 수익을 창출하는 데 성공
- 예시
1. 구글 초기: 검색 기술 라이선싱 (Search Technology Licensing): 1990년대 후반 ~ 2000년대 초반
구글의 핵심 자산인 우수한 검색 엔진 기술을 다른 웹사이트나 기업에게 제공하고 사용료를 받는 방식입니다. 당시 야후(Yahoo!), 넷스케이프(Netscape), AOL 등 인터넷 포털 사이트들은 자체 검색 기능이 필요했지만, 구글만큼 성능이 좋지 않았습니다. 구글은 이들에게 자사의 검색 기술을 '백엔드(backend)'로 제공하여 그들의 웹사이트 내 검색창을 강화해주는 모델을 시도 -> 수익 규모의 한계, 파트너 의존성, 브랜드 인지도
2. 구글 검색 어플라이언스 (Google Search Appliance, GSA): 2002년 출시. 웹 검색 기술을 기업 내부 검색이라는 새로운 시장에 적용하여 수익원을 다각화하려는 시도였습니다. 기업 시장은 비교적 높은 가격을 지불할 용의가 있다는 점도 고려-> GSA는 실제로 구글의 엔터프라이즈 사업부(현 구글 클라우드의 일부)의 초기 형태가 되었고, 수년간 기업 고객들에게 판매
3. 광고 모델로의 전환 및 정착 (AdWords & AdSense): 2000년 ~ 2003년
- 초기 광고 시도 (Premium Sponsorships): 2000년경, 구글은 검색 결과 상단에 소수의 광고를 노출시키는 '프리미엄 스폰서십' 모델을 도입
- Overture(GoTo.com)의 영향: 당시 Overture(구 GoTo.com)는 검색 키워드에 대해 광고주들이 입찰하고 클릭당 비용(PPC, Pay-Per-Click)을 지불하는 모델로 큰 성공을 거두고 있었습니다. 이는 구글에게 큰 영감을 주었습니다.
- AdWords의 탄생과 진화 (2000년 출시, 2002년 개편):
구글은 Overture 모델을 참고하되, **'관련성(Relevance)'**이라는 핵심 가치를 더했습니다. 단순히 입찰가만 높은 광고가 아니라, **사용자의 검색어와 관련성이 높고 품질이 좋은 광고(클릭률 CTR 등 고려)**가 더 좋은 위치에 노출되도록 알고리즘(후에 '품질 평가점수 Quality Score' 개념으로 발전)을 도입했습니다.
- AdSense의 출시 (2003년):
구글 검색 결과 페이지뿐만 아니라, 수많은 외부 웹사이트(블로그, 뉴스 사이트 등)에도 문맥에 맞는 광고를 게재하고, 해당 웹사이트 운영자(게시자)와 광고 수익을 나누는 모델
제품에서 유통으로(Product to Distribution): 성공적인 제품은 결국 강력한 유통 채널이 되며, 이를 기반으로 다른 제품이나 서비스를 교차 판매(cross-sell)하는 전략이 매우 중요하다고 강조한다.
- 성공 사례: Rippling, Ashby, DataDog, HubSpot, Microsoft Office (Excel, Word, PowerPoint 모두 초기엔 외부 앱), Facebook (Instagram 인수 후 교차 홍보로 급성장)
- 실행 시점: 혁신은 초기에 시작하는 것이 좋다. 매출이 안정화되고 반복 가능한 성장 궤도(low tens of millions of revenue, repeatable motion)에 오르면 다음 제품/기능 확장을 고려해야 한다. 너무 이른 시점(수백만 달러 매출)의 다각화는 핵심 제품에 대한 확신 부족의 신호일 수 있다. 주로 동일 고객에게 판매하는 것이 효과적이다.
- 그는 과거(10~15년 전) Stripe, Figma, Facebook 등을 창업했던 20대들과 비교했을 때, 현재는 Scale AI의 알렉스(Alexandr Wang) 정도를 제외하고는 20대에 매우 큰 규모의 회사를 성공시킨 사례가 드묾
- 사회 전반적으로 나타나는 '지연된 성인기(delayed adulthood)' 현상과 관련이 있을 수 있다고 추측합니다. 즉, 젊은이들이 더 늦게 성인으로서의 책임감을 지거나 독립하는 경향이 창업 활동에도 영향을 미칠 수 있다는 것입니다.
- 증가하는 규제나 사회 전반적인 낙관주의 부족도 젊은 창업자들이 야심 찬 도전을 하는 데 장벽이 될 수 있다고 생각
AI 기반 바이아웃(Buyout)의 가능성과 미래
AI 기반 바이아웃이 가능한 이유:
1. 비용 구조 혁신 (Radical Impact on Cost Structure): AI는 특정 산업, 특히 노동 집약적이거나 반복적인 업무가 많은 산업의 운영 비용 구조를 근본적으로 바꿀 잠재력이 있습니다. AI를 통해 인력 효율을 극대화하거나 자동화를 이루면, 기존 기업보다 훨씬 낮은 비용으로 운영하는 것이 가능해집니다.
2. 시장 확장 가능성 (Market Expansion): 단순히 비용을 절감하는 것을 넘어, AI를 활용하여 기존에는 불가능했던 새로운 서비스나 제품을 제공하거나, 더 넓은 고객층에게 다가가 시장 점유율을 높이거나 시장 자체를 확장할 수 있습니다.
3. 느린 기술 도입 속도 (Slow Adopter of Technology): 일부 전통 산업은 새로운 기술, 특히 AI와 같은 혁신 기술의 도입 속도가 매우 느립니다. 이런 산업에 AI 솔루션을 '판매'하려는 스타트업을 만드는 것은, 고객 확보 및 기술 채택 속도의 한계로 인해 어려울 수 있습니다. 차라리 해당 산업의 기존 기업(자산)을 인수한 뒤, 내부적으로 AI를 공격적으로 도입하여 운영 효율성을 높이고 경쟁 우위를 확보하는 것이 더 빠르고 효과적인 전략일 수 있습니다.
바이오테크(Biotech) 산업에 대한 시각:
대형 바이오테크 기업의 부재: 기술 분야의 마이크로소프트와 애플 두 회사의 시가총액이 전체 바이오/제약 산업(BioPharma) 시가총액과 비슷하다는 점을 지적한다. 미국 GDP의 상당 부분을 차지함에도 불구하고, 지난 30-40년간 500억 달러 이상의 가치를 지닌 대형 바이오테크 기업(Vertex, Regeneron 제외)이 거의 탄생하지 않은 이유에 대해 의문을 제기한다. 이는 산업 구조, 규제, 창업 모델 등의 체계적인 왜곡(systematically distorted) 때문일 수 있다고 추측한다.
개인적 투자: 현재 바이오테크 분야에 많은 투자를 하고 있지는 않지만, 헬스케어 인프라(소프트웨어), 일부 AI 기반 바이오 모델 회사(예: Inceptive), 그리고 항노화(anti-aging) 관련 바이오테크 회사(예: BioAge - 7~8년 전 투자, 현재 근육 감소 치료제 등 개발 중)에는 관여하고 있다.
창업자들을 위한 조언:
확신(Conviction) 갖기: 인기 없는(unpopular) 아이디어나 회사에 투자하려면 남을 설득하기보다, 사회적 또는 개인적 가정을 끊임없이 재점검하고(double-check assumptions), 올바른 질문을 던지며(asking the right questions), 현실을 명확히 보는(seeing reality more clearly) 능력이 중요하다고 강조한다.
Anduril (시장 중요성에 대한 확신)
Stripe (회사 자체와 모멘텀에 대한 확신)
초기 GenAI 투자 (기술 물결에 대한 확신)
중요한 창업자 자질: 명확한 사고와 소통 능력 외에도, 야망(ambition), 추진력(drive), 강렬함(intensity), **이기고자 하는 열망(hunger to win)**이 매우 중요하며, 한동안 기술 업계에서 과소평가되었다고 지적한다. 리더십은 인기와 혼동되어서는 안 된다(Leadership vs. Popularity)고 강조한다.
시장 > 창업자: 창업자의 중요성을 인정하면서도, 회사의 성공을 결정짓는 가장 중요한 요인은 **'프로덕트 마켓 핏(Product-Market Fit, PMF)'**이라고 본다. 훌륭한 팀도 나쁜 시장에서는 실패할 수 있고, 평범한 팀도 좋은 시장에서는 매우 성공할 수 있다. 구글은 초기에 검색 기술 라이선싱과 하드웨어 판매라는 비즈니스 모델을 시도했지만, 이는 회사의 폭발적인 성장 잠재력을 충족시키기에는 부족했습니다. 결국 사용자 경험을 크게 해치지 않으면서도 확장 가능하고, 검색이라는 핵심 서비스와 자연스럽게 연결되는 관련성 기반의 PPC 광고 모델(AdWords)과 이를 외부 웹사이트로 확장한 AdSense를 통해 막대한 수익을 창출하는 데 성공
- 예시
1. 구글 초기: 검색 기술 라이선싱 (Search Technology Licensing): 1990년대 후반 ~ 2000년대 초반
구글의 핵심 자산인 우수한 검색 엔진 기술을 다른 웹사이트나 기업에게 제공하고 사용료를 받는 방식입니다. 당시 야후(Yahoo!), 넷스케이프(Netscape), AOL 등 인터넷 포털 사이트들은 자체 검색 기능이 필요했지만, 구글만큼 성능이 좋지 않았습니다. 구글은 이들에게 자사의 검색 기술을 '백엔드(backend)'로 제공하여 그들의 웹사이트 내 검색창을 강화해주는 모델을 시도 -> 수익 규모의 한계, 파트너 의존성, 브랜드 인지도
2. 구글 검색 어플라이언스 (Google Search Appliance, GSA): 2002년 출시. 웹 검색 기술을 기업 내부 검색이라는 새로운 시장에 적용하여 수익원을 다각화하려는 시도였습니다. 기업 시장은 비교적 높은 가격을 지불할 용의가 있다는 점도 고려-> GSA는 실제로 구글의 엔터프라이즈 사업부(현 구글 클라우드의 일부)의 초기 형태가 되었고, 수년간 기업 고객들에게 판매
3. 광고 모델로의 전환 및 정착 (AdWords & AdSense): 2000년 ~ 2003년
- 초기 광고 시도 (Premium Sponsorships): 2000년경, 구글은 검색 결과 상단에 소수의 광고를 노출시키는 '프리미엄 스폰서십' 모델을 도입
- Overture(GoTo.com)의 영향: 당시 Overture(구 GoTo.com)는 검색 키워드에 대해 광고주들이 입찰하고 클릭당 비용(PPC, Pay-Per-Click)을 지불하는 모델로 큰 성공을 거두고 있었습니다. 이는 구글에게 큰 영감을 주었습니다.
- AdWords의 탄생과 진화 (2000년 출시, 2002년 개편):
구글은 Overture 모델을 참고하되, **'관련성(Relevance)'**이라는 핵심 가치를 더했습니다. 단순히 입찰가만 높은 광고가 아니라, **사용자의 검색어와 관련성이 높고 품질이 좋은 광고(클릭률 CTR 등 고려)**가 더 좋은 위치에 노출되도록 알고리즘(후에 '품질 평가점수 Quality Score' 개념으로 발전)을 도입했습니다.
- AdSense의 출시 (2003년):
구글 검색 결과 페이지뿐만 아니라, 수많은 외부 웹사이트(블로그, 뉴스 사이트 등)에도 문맥에 맞는 광고를 게재하고, 해당 웹사이트 운영자(게시자)와 광고 수익을 나누는 모델
제품에서 유통으로(Product to Distribution): 성공적인 제품은 결국 강력한 유통 채널이 되며, 이를 기반으로 다른 제품이나 서비스를 교차 판매(cross-sell)하는 전략이 매우 중요하다고 강조한다.
- 성공 사례: Rippling, Ashby, DataDog, HubSpot, Microsoft Office (Excel, Word, PowerPoint 모두 초기엔 외부 앱), Facebook (Instagram 인수 후 교차 홍보로 급성장)
- 실행 시점: 혁신은 초기에 시작하는 것이 좋다. 매출이 안정화되고 반복 가능한 성장 궤도(low tens of millions of revenue, repeatable motion)에 오르면 다음 제품/기능 확장을 고려해야 한다. 너무 이른 시점(수백만 달러 매출)의 다각화는 핵심 제품에 대한 확신 부족의 신호일 수 있다. 주로 동일 고객에게 판매하는 것이 효과적이다.
25.03.202511:14
“세계가 지속가능한 에너지로 전환되도록 가속한다.”
테슬라가 진입한 시장(전기차, 에너지 저장, 로봇, 자율주행 등)은 결국 에너지 효율과 기술 혁신을 통해 “모두가 풍족한 삶을 누리는 미래”를 현실화한다는 비전을 갖는다.
“단순히 만족(satisfied)이 아닌, 사랑(love)하게 만들어야 사람들은 자발적으로 홍보한다.”
“가능하면 5초에 1대씩 생산”하는 미래를 목표로, ‘물리적 한계’를 실험한다(“50,000톤짜리 기계를 만들어서 한번에 5대 캐스팅?”).
최근 테슬라 성과
1. Cybertruck
- “불가능하다”던 전기 대형 트럭 성공 양산
- 혁신적인 생산공정(초고속·하이테크 라인) 도입
- 장기적으로 수백만~수천만 대 목표
2. 배터리·에너지
- 메가팩(Megapack) 및 파워월(3세대 Powerwall) 생산 증가
- 상하이 메가팩 공장 빠른 속도로 가동
- 배터리 셀 내제화: “세계에서 가장 저비용·고효율 셀”
- 배터리 공급망(리튬정제, 양극재 등) 통합 투자
자율주행과 AI
1. Autopilot HW4
- 현재 테슬라 차량에 탑재되는 강력한 Inference(추론) 칩
- 향후 HW5, HW6 등 계속해서 개선 예정
“10만 대 이상, 수백만 대 차를 소프트웨어 업데이트로 가치를 5~10배 끌어올릴 수 있다.”
2. FSD(Full Self-Driving)
- 이미 무인(무인 주차, 공장 내 주행 등) 기능 부분 시범 적용
- 5년 내 글로벌 규제 승인 전망 → 대규모 보급
- “소프트웨어 업데이트만으로 차량 가치가 5~10배 상승 가능” → 유례없는 사례
3. Dojo 슈퍼컴퓨터
- 자율주행 AI 학습용 자체 슈퍼컴(dojo 1~2) 개발
- 기존 GPU 클러스터와 함께 대규모 데이터 트레이닝 수행
4. Optimus 로봇
- 22자유도(팔·손부) 등 지속 업그레이드 → “세계 최고 수준 휴머노이드”
- 전기차 모터·배터리·AI·생산기술 등 테슬라가 가진 핵심 역량을 집약
- “장기적으로 인류 역사상 가장 큰 제품(수요·규모) 될 것”
- 2024년 하반기~ 이후, 우선 테슬라 직원에게 공급 → 일반인 구매 가능성
- 2023년엔 최대 5,000대 수준 시범생산(“로마 군단 규모”), 2024년엔 50,000대 예측
5. 서비스 및 슈퍼차저:
전 세계적 슈퍼차저 네트워크 확대, 고속 충전 기능 강화(V4 슈퍼차저 최대 500kW, 세미 1.2MW)
서비스 품질 향상을 통한 사용자 만족도 제고 (차량 판매뿐 아니라 장기 관점에서 중요)
“물리적 전력망 확대 없이도, 배터리로 피크 타임 재분배해 전력 사용량 2배 이상 늘릴 수 있다.”
테슬라 조직
“본질적으로, 회사란 사람들의 집합이며, 그 사람들이 만들어내는 가치가 곧 회사의 존재 이유이다.”
“모두가 어느 정도는 틀릴 수 있다. 매일 조금씩 덜 틀리는(team less wrong) 방향으로 나아가자.”
“프로세스를 자동화하기 전에, 먼저 요구사항을 단순화·삭제하고, 그 뒤에 최적화·속도 개선을 하라.”
1. 전 세계에서 가장 많은 지원자: 소수만 채용, 뛰어난 인재들이 자발적으로 몰려듦
2. 빠른 내부 승진·기회: 회사가 급성장 중이므로 성장 기회가 많음
3. Elon의 경영 철학
- “모두가 어느 정도 틀릴 수 있음 → 끊임없이 자기비판하고 개선해야”
- “회사의 존재 이유는 ‘고객이 사랑하는 제품/서비스 생산’이다.”
테슬라 = 단순 ‘전기차 회사’ 아님
자율주행, 로봇, 에너지, AI 슈퍼컴 등 종합 테크 기업
“지속가능한 풍요”
자율주행차 + 휴머노이드 + 재생에너지 + 배터리 = 인류가 풍족한 삶을 누리는 미래
궁극적으로 우주 진출(스페이스X)과도 시너지 기대
계속되는 혁신
사이버트럭, Optimus, 차세대 공장(초고속 자동화), AI 하드웨어·소프트웨어 등 전방위 확장
“가장 혁신적이고 사랑받는 제품을 계속 만들어 나갈 것”
https://youtu.be/QGJysv_Qzkw
테슬라가 진입한 시장(전기차, 에너지 저장, 로봇, 자율주행 등)은 결국 에너지 효율과 기술 혁신을 통해 “모두가 풍족한 삶을 누리는 미래”를 현실화한다는 비전을 갖는다.
“단순히 만족(satisfied)이 아닌, 사랑(love)하게 만들어야 사람들은 자발적으로 홍보한다.”
“가능하면 5초에 1대씩 생산”하는 미래를 목표로, ‘물리적 한계’를 실험한다(“50,000톤짜리 기계를 만들어서 한번에 5대 캐스팅?”).
최근 테슬라 성과
1. Cybertruck
- “불가능하다”던 전기 대형 트럭 성공 양산
- 혁신적인 생산공정(초고속·하이테크 라인) 도입
- 장기적으로 수백만~수천만 대 목표
2. 배터리·에너지
- 메가팩(Megapack) 및 파워월(3세대 Powerwall) 생산 증가
- 상하이 메가팩 공장 빠른 속도로 가동
- 배터리 셀 내제화: “세계에서 가장 저비용·고효율 셀”
- 배터리 공급망(리튬정제, 양극재 등) 통합 투자
자율주행과 AI
1. Autopilot HW4
- 현재 테슬라 차량에 탑재되는 강력한 Inference(추론) 칩
- 향후 HW5, HW6 등 계속해서 개선 예정
“10만 대 이상, 수백만 대 차를 소프트웨어 업데이트로 가치를 5~10배 끌어올릴 수 있다.”
2. FSD(Full Self-Driving)
- 이미 무인(무인 주차, 공장 내 주행 등) 기능 부분 시범 적용
- 5년 내 글로벌 규제 승인 전망 → 대규모 보급
- “소프트웨어 업데이트만으로 차량 가치가 5~10배 상승 가능” → 유례없는 사례
3. Dojo 슈퍼컴퓨터
- 자율주행 AI 학습용 자체 슈퍼컴(dojo 1~2) 개발
- 기존 GPU 클러스터와 함께 대규모 데이터 트레이닝 수행
4. Optimus 로봇
- 22자유도(팔·손부) 등 지속 업그레이드 → “세계 최고 수준 휴머노이드”
- 전기차 모터·배터리·AI·생산기술 등 테슬라가 가진 핵심 역량을 집약
- “장기적으로 인류 역사상 가장 큰 제품(수요·규모) 될 것”
- 2024년 하반기~ 이후, 우선 테슬라 직원에게 공급 → 일반인 구매 가능성
- 2023년엔 최대 5,000대 수준 시범생산(“로마 군단 규모”), 2024년엔 50,000대 예측
5. 서비스 및 슈퍼차저:
전 세계적 슈퍼차저 네트워크 확대, 고속 충전 기능 강화(V4 슈퍼차저 최대 500kW, 세미 1.2MW)
서비스 품질 향상을 통한 사용자 만족도 제고 (차량 판매뿐 아니라 장기 관점에서 중요)
“물리적 전력망 확대 없이도, 배터리로 피크 타임 재분배해 전력 사용량 2배 이상 늘릴 수 있다.”
테슬라 조직
“본질적으로, 회사란 사람들의 집합이며, 그 사람들이 만들어내는 가치가 곧 회사의 존재 이유이다.”
“모두가 어느 정도는 틀릴 수 있다. 매일 조금씩 덜 틀리는(team less wrong) 방향으로 나아가자.”
“프로세스를 자동화하기 전에, 먼저 요구사항을 단순화·삭제하고, 그 뒤에 최적화·속도 개선을 하라.”
1. 전 세계에서 가장 많은 지원자: 소수만 채용, 뛰어난 인재들이 자발적으로 몰려듦
2. 빠른 내부 승진·기회: 회사가 급성장 중이므로 성장 기회가 많음
3. Elon의 경영 철학
- “모두가 어느 정도 틀릴 수 있음 → 끊임없이 자기비판하고 개선해야”
- “회사의 존재 이유는 ‘고객이 사랑하는 제품/서비스 생산’이다.”
테슬라 = 단순 ‘전기차 회사’ 아님
자율주행, 로봇, 에너지, AI 슈퍼컴 등 종합 테크 기업
“지속가능한 풍요”
자율주행차 + 휴머노이드 + 재생에너지 + 배터리 = 인류가 풍족한 삶을 누리는 미래
궁극적으로 우주 진출(스페이스X)과도 시너지 기대
계속되는 혁신
사이버트럭, Optimus, 차세대 공장(초고속 자동화), AI 하드웨어·소프트웨어 등 전방위 확장
“가장 혁신적이고 사랑받는 제품을 계속 만들어 나갈 것”
https://youtu.be/QGJysv_Qzkw
01.04.202502:37
- 현대 사회의 달라진 점
- 실패하더라도 재도전할 기회가 많다(예: 데이트 실패 후에도 만날 사람이 많고, 사업 실패 후에도 다시 도전할 수 있음).
- 투자 관점에서 숏(short)은 이론적 최대 이익이 2배 수준이지만, 성공적인 롱(long)은 100배 이상의 수익까지 가능. 즉 ‘업사이드(upside)’가 훨씬 커진 환경.
비관주의와 낙관주의의 균형 잡기
- “결과적으로 대부분의 시도는 실패할 것이다”라는 **구체적 회의(스케프틱)**는 필요. 즉, 모든 ‘개별 기회’에 대해 비판적으로 검증하는 태도.
- 동시에 “언젠가 되는 일이 반드시 있다”라는 **일반적 낙관**을 가져야 함.
- 빠른 탐색과 빠른 학습으로 “어떤 시도든 50번쯤 실패해도 괜찮다. 제대로 된 것을 찾으면 막대한 복리 효과를 낼 수 있다”는 사고방식이 중요.
- '바벨 전략(barbell strategy)'
- 초반에는 탐색과 회의를 바탕으로 여러 가능성을 빠르고 폭넓게 시도하되, 맞는 것을 찾으면 전부를 걸고 몰입(올인)하는 극단적 방식.
- 라벨링(‘나는 비관적이다’, ‘나는 pessimist다’ 등) 자체를 피하기
- 사람은 상황이나 맥락에 따라 달라지므로, 자기 자신을 특정 꼬리표로 규정하면 오히려 그 틀에 갇혀버린다.
자기 자신을 너무 많이 생각하는 것이 불행의 원인
- 자아(ego)에 대한 과도한 몰입
- “나는 이런 사람이고, 이런 상처가 있고, 이런 자격이 있다”는 식의 이야기 반복은 “자아라는 짐”을 키워서 우울과 자기 연민을 악화시킨다.
- 예: “나는 PTSD가 있어. 그러므로 나는 항상 불행하다” → 스스로를 과거 트라우마에 가둬버림.
- 그보다는 “가끔 이런 감정이 올라오지만, 이것이 나의 전부는 아니다”라는 식으로 유연하게 대하는 편이 낫다.
- 과거/트라우마를 ‘정체성’으로 굳히면
- “나는 PTSD가 있어”라고 ‘정체성’으로 고착화하면, 변화와 회복이 훨씬 어려워진다.
- “내게 그런 기억과 감정이 있다” 정도로 인지하는 것은 좋지만, ‘나 자체’가 된다고 선언하지 않는 태도가 중요.
진짜 현실을 보는 태도
- 본인을 특정 라벨(내성적/외향적, 낙관적/비관적)로 고정하지 않을 때, 더 객관적으로 상황을 볼 수 있음.
- “동기부여된 사고(motivated reasoning)는 최악의 형태”라는 말처럼, 자아가 걸려 있으면 판단이 흐려진다.
정체성의 유연성 = 적응력
- 인간은 상황이 바뀌면 생각, 태도, 성격도 바뀔 수 있음.
- 과거나 트라우마로 정체성을 고착화하면 변화 불가능해진다.
- 개방적 사고와 관찰을 통해 “나”를 고정된 것이 아닌 ‘흐르는 것’으로 다루는 게 유리.
과거를 끊어내기: “가디언 매듭을 자르듯” (
1. “과거가 힘들었다면, 빨리 털어내는 게 핵심”
- 본인도 어려운 유년기를 겪었지만, “그걸 극복하려면 자기 스토리를 계속 곱씹고 자아화하기보다는 ‘이제 이건 나와 무관하다’고 끊어내는 것”이 효과적이었다.
2. 가디언(고르디우스) 매듭 비유
- “너무 복잡해서 풀 수 없는 매듭은, 알렉산더 대왕이 칼로 잘라내듯이 ‘완전히 놓아버리는 것’이 실질적 해결책.”
- “인생이 짧기 때문에, 목표가 있다면 과거 트라우마를 일일이 풀 시간에 매달리기보다 과감히 잘라내는 것이 낫다.”
인생의 진짜 통화는 시간이 아니라 ‘주의(attention)’”
1. 시간 vs. 주의
- “돈은 시간을 살 수 없다. 워런 버핏이나 블룸버그도 죽음 앞에서는 시간 연장을 못 한다.”
- “시간조차도 ‘깨어 있지 않으면(주의를 기울이지 않으면)’ 헛되이 흘러간다. 결국 우리가 진짜로 통제할 수 있는 건 주의력이다.”
2. 주의의 사용처
- 뉴스를 무작정 소비하는 것도, 과거나 트라우마를 곱씹는 것도, 결국 내가 가진 소중한 주의력을 소모하는 일.
- “주의력이야말로 희소 자원이다. 어디에 쓸 것인지 신중하게 선택해야 한다.”
사람은 쉽게 변하지 않는다
- “우리는 자기 자신을 변화시키는 것도 어렵다고 느끼면서, 정작 타인을 바꿀 수 있다고 착각한다”
- 실상 타인은 ‘큰 외상(트라우마)’이나 자기 내면의 통찰로 스스로 변할 때가 아니면 바꾸기 어렵다.
연인/배우자 선택 시
- “이 사람이 언젠가 바뀔 것이야”라는 ‘가능성’만 믿고 관계를 이어가면 낭패 볼 가능성이 크다.
- 실제로 함께할 때 편안하고, 존중과 신뢰가 있으며, ‘가치관’이 비슷한지를 보는 것이 중요.
- 서로가 “함께 있음으로써 더 온전함(wholeness)을 느끼는지”가 핵심.
중요한 결정을 하는 법
“If you cannot decide, the answer is No.”
- 의사결정이 애매하거나 직관적으로 꺼림칙할 땐, 일단 “아니다”라고 보는 것이 낫다.
- “설득당해서 혹은 억지로 하는 결정”은 나중에 더 큰 문제를 일으킴.
- 새 제안을 받거나 기회가 왔을 때도 직관적 ‘끌림’이 없다면 수락하지 말 것.
“둘 다 비슷해 보이면, 단기적으로 더 힘든 쪽을 택하라”
- 뇌는 **단기 고통**을 과대평가하기 때문에, 장기적인 효과가 더 좋을 길을 종종 회피한다.
- 장기적으로 보면 ‘더 나은 선택’은 초기에 약간 더 힘들고 불편한 경우가 많다.
“결국 마음이 더 평온해지는 쪽을 고른다”
- **긴 안목에서 내 정신을 덜 소모**하게 만드는 방향이 궁극적으로 옳은 선택일 때가 많다.
특히 인생 초반에 가장 중요한 3가지 선택
1. 어디서 살 것인가?
- 주변 인맥, 기회, 환경은 지역에 따라 크게 달라진다.
- 의외로 많은 사람들이 큰 고민 없이 정착하는데, 잘 살펴봐야 삶의 질이 달라진다.
2. 무엇을 할 것인가(직업/커리어)?
- 다양한 것을 빠르게 시도해보고, “노는 것처럼 즐거운데 잘하기도 한 것”을 찾기.
- 한 번 찾으면 집중적으로 몰입.
3. 누구와 함께할 것인가(결혼/연인/가까운 동반자)?
- 관계는 삶에 엄청난 영향을 미치므로 결코 가볍게 흘러가듯 하지 말고 주의 깊게 결정.
- 관계가 인생 전반에 결정적 영향.
- 적당히 흘러가듯 하다 결혼하는 것보다, 가치관·성품·장기적 궁합 등을 진지하게 고려.
https://matthewcontinuouslearning.notion.site/1c82857ddb1680479080e35f9d24e840?pvs=4
https://youtu.be/KyfUysrNaco
- 실패하더라도 재도전할 기회가 많다(예: 데이트 실패 후에도 만날 사람이 많고, 사업 실패 후에도 다시 도전할 수 있음).
- 투자 관점에서 숏(short)은 이론적 최대 이익이 2배 수준이지만, 성공적인 롱(long)은 100배 이상의 수익까지 가능. 즉 ‘업사이드(upside)’가 훨씬 커진 환경.
비관주의와 낙관주의의 균형 잡기
- “결과적으로 대부분의 시도는 실패할 것이다”라는 **구체적 회의(스케프틱)**는 필요. 즉, 모든 ‘개별 기회’에 대해 비판적으로 검증하는 태도.
- 동시에 “언젠가 되는 일이 반드시 있다”라는 **일반적 낙관**을 가져야 함.
- 빠른 탐색과 빠른 학습으로 “어떤 시도든 50번쯤 실패해도 괜찮다. 제대로 된 것을 찾으면 막대한 복리 효과를 낼 수 있다”는 사고방식이 중요.
- '바벨 전략(barbell strategy)'
- 초반에는 탐색과 회의를 바탕으로 여러 가능성을 빠르고 폭넓게 시도하되, 맞는 것을 찾으면 전부를 걸고 몰입(올인)하는 극단적 방식.
- 라벨링(‘나는 비관적이다’, ‘나는 pessimist다’ 등) 자체를 피하기
- 사람은 상황이나 맥락에 따라 달라지므로, 자기 자신을 특정 꼬리표로 규정하면 오히려 그 틀에 갇혀버린다.
자기 자신을 너무 많이 생각하는 것이 불행의 원인
- 자아(ego)에 대한 과도한 몰입
- “나는 이런 사람이고, 이런 상처가 있고, 이런 자격이 있다”는 식의 이야기 반복은 “자아라는 짐”을 키워서 우울과 자기 연민을 악화시킨다.
- 예: “나는 PTSD가 있어. 그러므로 나는 항상 불행하다” → 스스로를 과거 트라우마에 가둬버림.
- 그보다는 “가끔 이런 감정이 올라오지만, 이것이 나의 전부는 아니다”라는 식으로 유연하게 대하는 편이 낫다.
- 과거/트라우마를 ‘정체성’으로 굳히면
- “나는 PTSD가 있어”라고 ‘정체성’으로 고착화하면, 변화와 회복이 훨씬 어려워진다.
- “내게 그런 기억과 감정이 있다” 정도로 인지하는 것은 좋지만, ‘나 자체’가 된다고 선언하지 않는 태도가 중요.
진짜 현실을 보는 태도
- 본인을 특정 라벨(내성적/외향적, 낙관적/비관적)로 고정하지 않을 때, 더 객관적으로 상황을 볼 수 있음.
- “동기부여된 사고(motivated reasoning)는 최악의 형태”라는 말처럼, 자아가 걸려 있으면 판단이 흐려진다.
정체성의 유연성 = 적응력
- 인간은 상황이 바뀌면 생각, 태도, 성격도 바뀔 수 있음.
- 과거나 트라우마로 정체성을 고착화하면 변화 불가능해진다.
- 개방적 사고와 관찰을 통해 “나”를 고정된 것이 아닌 ‘흐르는 것’으로 다루는 게 유리.
과거를 끊어내기: “가디언 매듭을 자르듯” (
1. “과거가 힘들었다면, 빨리 털어내는 게 핵심”
- 본인도 어려운 유년기를 겪었지만, “그걸 극복하려면 자기 스토리를 계속 곱씹고 자아화하기보다는 ‘이제 이건 나와 무관하다’고 끊어내는 것”이 효과적이었다.
2. 가디언(고르디우스) 매듭 비유
- “너무 복잡해서 풀 수 없는 매듭은, 알렉산더 대왕이 칼로 잘라내듯이 ‘완전히 놓아버리는 것’이 실질적 해결책.”
- “인생이 짧기 때문에, 목표가 있다면 과거 트라우마를 일일이 풀 시간에 매달리기보다 과감히 잘라내는 것이 낫다.”
인생의 진짜 통화는 시간이 아니라 ‘주의(attention)’”
1. 시간 vs. 주의
- “돈은 시간을 살 수 없다. 워런 버핏이나 블룸버그도 죽음 앞에서는 시간 연장을 못 한다.”
- “시간조차도 ‘깨어 있지 않으면(주의를 기울이지 않으면)’ 헛되이 흘러간다. 결국 우리가 진짜로 통제할 수 있는 건 주의력이다.”
2. 주의의 사용처
- 뉴스를 무작정 소비하는 것도, 과거나 트라우마를 곱씹는 것도, 결국 내가 가진 소중한 주의력을 소모하는 일.
- “주의력이야말로 희소 자원이다. 어디에 쓸 것인지 신중하게 선택해야 한다.”
사람은 쉽게 변하지 않는다
- “우리는 자기 자신을 변화시키는 것도 어렵다고 느끼면서, 정작 타인을 바꿀 수 있다고 착각한다”
- 실상 타인은 ‘큰 외상(트라우마)’이나 자기 내면의 통찰로 스스로 변할 때가 아니면 바꾸기 어렵다.
연인/배우자 선택 시
- “이 사람이 언젠가 바뀔 것이야”라는 ‘가능성’만 믿고 관계를 이어가면 낭패 볼 가능성이 크다.
- 실제로 함께할 때 편안하고, 존중과 신뢰가 있으며, ‘가치관’이 비슷한지를 보는 것이 중요.
- 서로가 “함께 있음으로써 더 온전함(wholeness)을 느끼는지”가 핵심.
중요한 결정을 하는 법
“If you cannot decide, the answer is No.”
- 의사결정이 애매하거나 직관적으로 꺼림칙할 땐, 일단 “아니다”라고 보는 것이 낫다.
- “설득당해서 혹은 억지로 하는 결정”은 나중에 더 큰 문제를 일으킴.
- 새 제안을 받거나 기회가 왔을 때도 직관적 ‘끌림’이 없다면 수락하지 말 것.
“둘 다 비슷해 보이면, 단기적으로 더 힘든 쪽을 택하라”
- 뇌는 **단기 고통**을 과대평가하기 때문에, 장기적인 효과가 더 좋을 길을 종종 회피한다.
- 장기적으로 보면 ‘더 나은 선택’은 초기에 약간 더 힘들고 불편한 경우가 많다.
“결국 마음이 더 평온해지는 쪽을 고른다”
- **긴 안목에서 내 정신을 덜 소모**하게 만드는 방향이 궁극적으로 옳은 선택일 때가 많다.
특히 인생 초반에 가장 중요한 3가지 선택
1. 어디서 살 것인가?
- 주변 인맥, 기회, 환경은 지역에 따라 크게 달라진다.
- 의외로 많은 사람들이 큰 고민 없이 정착하는데, 잘 살펴봐야 삶의 질이 달라진다.
2. 무엇을 할 것인가(직업/커리어)?
- 다양한 것을 빠르게 시도해보고, “노는 것처럼 즐거운데 잘하기도 한 것”을 찾기.
- 한 번 찾으면 집중적으로 몰입.
3. 누구와 함께할 것인가(결혼/연인/가까운 동반자)?
- 관계는 삶에 엄청난 영향을 미치므로 결코 가볍게 흘러가듯 하지 말고 주의 깊게 결정.
- 관계가 인생 전반에 결정적 영향.
- 적당히 흘러가듯 하다 결혼하는 것보다, 가치관·성품·장기적 궁합 등을 진지하게 고려.
https://matthewcontinuouslearning.notion.site/1c82857ddb1680479080e35f9d24e840?pvs=4
https://youtu.be/KyfUysrNaco
Переслав з:전종현의 인사이트
24.03.202507:19
내가 틀렸다. 역시 젠슨황은 큰 뜻이 있었다.
1. The Power Constraint
“블랙웰(Blackwell)은 호퍼(Hopper)보다 훨씬 훨씬 더 좋습니다. 게다가, 이것은 칩(칩 개수)이 동일한 상황이 아니라 동일 전력(iso power) 하에서의 비교입니다. 이것이야말로 궁극적인 무어의 법칙(Moore’s Law)입니다. 과거 무어의 법칙이 추구하던 것이 결국 이것이었는데, 이번 세대에 동일 전력 대비 25배 성능을 달성한 것이죠. 동일 칩 수도, 동일 트랜지스터 수도 아닌, 동일 ‘전력’이 결정적입니다. 데이터센터에 들어갈 수 있는 에너지(전력)에는 한계가 있잖아요.”
2. The Pareto Frontier
"추론 프로세스에서, 특히 ‘Reasoning’ 모델의 경우, 서로 다른 단계(연구·사고 단계 vs. 토큰 생성 단계)가 요구하는 자원 특성이 다릅니다. 예컨대 “Deep Research”가 필요한 시점에는 ‘프리필(prefill)’이라 부르는 과정에서 모델의 FLOPS 연산이 집중적으로 쓰이고, 실제로 방대한 양의 웹사이트나 PDF 내용을 읽고 요약할 때 이 부분이 바쁩니다. 반면, 사용자와 계속 대화하는(토큰을 계속 생성하는) 상황에서는 대역폭(메모리/네트워킹) 중심의 리소스가 중시됩니다(‘디코드(decode)’ 단계)."
"ASIC은 결국 특정 지점(특정 목적)에 최적화되어야 합니다. 그런데 GPU는 전체 스펙트럼에서 활동할 수 있습니다. 사고(프리필) 비중이 큰 작업에도, 토큰 생성(디코드) 비중이 큰 작업에도, 상황에 따라 유연하게 대처할 수 있습니다."
-> “이 동적 운영(dynamic operation)은 정말 어렵습니다. 제가 방금 설명한 파이프라인 병렬, 텐서 병렬, 전문가 병렬(expert parallel), 인플라이트 배칭(in-flight batching), 분리형 추론(dis-aggregated inferencing), 워크로드 매니지먼트, KV 캐시 라우팅 등등의 모든 것을 관리하는 소프트웨어가 필요합니다. 그래서 오늘 엔비디아 다이너모(Nvidia Dynamo)를 발표하는 것입니다. 다이너모는 이 모든 것을 해결하는, 본질적으로 ‘AI 공장의 운영체제(OS)’ 역할을 합니다.”
-> 이는 소프트웨어로 GPU의 활용도를 극대화하여 하드웨어 자체 이상의 성능을 끌어올리는 전형적인 엔비디아 전략입니다. 그래서 황은 다음 슬라이드에서 다이너모가 이른바 ‘파레토 프런티어(Pareto Frontier)’를 바깥으로 확장(push out)한다고 설명합니다. 즉, “같은 하드웨어라도 어떻게 병렬화·배치·메모리 관리를 하느냐에 따라, 토큰 처리량과 응답 속도 간의 트레이드오프에서 최적점을 더 높은 수준으로 끌어올릴 수 있다”는 논리입니다.
결국 황의 요점은 “이렇게 동적으로 할당하고 조정할 수 있는 GPU 솔루션이야말로, 이유를 불문하고 ASIC보다 훨씬 범용적이면서 효율적”이라는 것입니다. 그리고 그렇게 하려면, 네트워킹부터 소프트웨어까지 긴밀하게 통합된 생태계가 필요한데, 현재는 이를 ‘온전히’ 해낼 수 있는 곳이 엔비디아 말고는 없다는 것이죠.
https://stratechery.com/2025/nvidia-gtc-and-asics-the-power-constraint-the-pareto-frontier/
1. The Power Constraint
“블랙웰(Blackwell)은 호퍼(Hopper)보다 훨씬 훨씬 더 좋습니다. 게다가, 이것은 칩(칩 개수)이 동일한 상황이 아니라 동일 전력(iso power) 하에서의 비교입니다. 이것이야말로 궁극적인 무어의 법칙(Moore’s Law)입니다. 과거 무어의 법칙이 추구하던 것이 결국 이것이었는데, 이번 세대에 동일 전력 대비 25배 성능을 달성한 것이죠. 동일 칩 수도, 동일 트랜지스터 수도 아닌, 동일 ‘전력’이 결정적입니다. 데이터센터에 들어갈 수 있는 에너지(전력)에는 한계가 있잖아요.”
2. The Pareto Frontier
"추론 프로세스에서, 특히 ‘Reasoning’ 모델의 경우, 서로 다른 단계(연구·사고 단계 vs. 토큰 생성 단계)가 요구하는 자원 특성이 다릅니다. 예컨대 “Deep Research”가 필요한 시점에는 ‘프리필(prefill)’이라 부르는 과정에서 모델의 FLOPS 연산이 집중적으로 쓰이고, 실제로 방대한 양의 웹사이트나 PDF 내용을 읽고 요약할 때 이 부분이 바쁩니다. 반면, 사용자와 계속 대화하는(토큰을 계속 생성하는) 상황에서는 대역폭(메모리/네트워킹) 중심의 리소스가 중시됩니다(‘디코드(decode)’ 단계)."
"ASIC은 결국 특정 지점(특정 목적)에 최적화되어야 합니다. 그런데 GPU는 전체 스펙트럼에서 활동할 수 있습니다. 사고(프리필) 비중이 큰 작업에도, 토큰 생성(디코드) 비중이 큰 작업에도, 상황에 따라 유연하게 대처할 수 있습니다."
-> “이 동적 운영(dynamic operation)은 정말 어렵습니다. 제가 방금 설명한 파이프라인 병렬, 텐서 병렬, 전문가 병렬(expert parallel), 인플라이트 배칭(in-flight batching), 분리형 추론(dis-aggregated inferencing), 워크로드 매니지먼트, KV 캐시 라우팅 등등의 모든 것을 관리하는 소프트웨어가 필요합니다. 그래서 오늘 엔비디아 다이너모(Nvidia Dynamo)를 발표하는 것입니다. 다이너모는 이 모든 것을 해결하는, 본질적으로 ‘AI 공장의 운영체제(OS)’ 역할을 합니다.”
-> 이는 소프트웨어로 GPU의 활용도를 극대화하여 하드웨어 자체 이상의 성능을 끌어올리는 전형적인 엔비디아 전략입니다. 그래서 황은 다음 슬라이드에서 다이너모가 이른바 ‘파레토 프런티어(Pareto Frontier)’를 바깥으로 확장(push out)한다고 설명합니다. 즉, “같은 하드웨어라도 어떻게 병렬화·배치·메모리 관리를 하느냐에 따라, 토큰 처리량과 응답 속도 간의 트레이드오프에서 최적점을 더 높은 수준으로 끌어올릴 수 있다”는 논리입니다.
결국 황의 요점은 “이렇게 동적으로 할당하고 조정할 수 있는 GPU 솔루션이야말로, 이유를 불문하고 ASIC보다 훨씬 범용적이면서 효율적”이라는 것입니다. 그리고 그렇게 하려면, 네트워킹부터 소프트웨어까지 긴밀하게 통합된 생태계가 필요한데, 현재는 이를 ‘온전히’ 해낼 수 있는 곳이 엔비디아 말고는 없다는 것이죠.
https://stratechery.com/2025/nvidia-gtc-and-asics-the-power-constraint-the-pareto-frontier/
08.04.202501:03
Llama 4 단상
늦게 찾아온 봄날 주말 점심때 벚꽃 놀이할 겸 공원을 걸었다. 은진과 공원을 걷다가, 커피도 마시며 이런저런 재미있는 이야기를 나눴다. Llama 4 이야기다. 사람들이 MoE나 모델 사이즈 이야기는 많이 하니 기술적인 이야기는 생략하고, 다른 쪽으로 재미있었던 산책 이야기만 잊기 전에 요약해본다.
사람들이 기대하던 Llama 모델의 발표치고는 내용이 좀 이상했다. 모델 네 개 중에 소규모 사이즈 두 개만 공개했다. 정작 사고 모델이나 데이터 증류 모델 등 최근 주목받는 모델 두 종류의 공개는 4월 말 LlamaCon으로 연기했다. 연기할 거면 그냥 LlamaCon에서 다 발표해도 되는데? 모델도 이제 MoE 기반이라 데스크탑에서 실운영은 어려운, GPU 메모리를 엄청나게 요구하는 모델들이 되었다. 동시에 토큰 컨텍스트 윈도우 크기를 최대 1천만 토큰으로 늘렸다고 공개했다. 컨텍스트 윈도우가 크면 파인튜닝 없이 모델 실행 시점에 필요한 데이터를 다 주고 인-컨텍스트 러닝으로 처리할 수 있다. 1천만 토큰이면 사조영웅문 45권, 브리태니커 백과사전 1/5, 논문 2천 편이다. (인 컨텍스트 러닝 시 비용이 엄청나게 나오는 것은 회사마다 컨텍스트 캐싱으로 해결 중. 구글과 앤트로픽의 접근 방식이 다르다.)
그런데 달력에 보이는 이벤트들이 있다. Google Cloud Next 25가 곧 열린다. 작년 Cloud Next에서 구글이 랩 레벨에서는 천만 토큰 컨텍스트 윈도우 모델까지도 테스트 중이라고 했고, 이후 1백만 토큰에서 2백만 토큰으로 공개 모델의 컨텍스트 윈도우 크기를 늘렸다. 사실 천만 토큰 컨텍스트 윈도우도 발표 시점이 언제가 될지만 궁금할 뿐 공개 예상은 공공연한 비밀이었다. Meta는 구글의 행사를 코앞에 두고 사흘 빨리 Llama 4를 내놓으며 선수를 친 셈이다. 개인적으로는 절대 미룰 수 없는 발표 마감일을 클라우드 넥스트 앞에 그어두고, 그때까지 완료된 모델만 공개한 것처럼 보인다. 2년간 많이 보던 구글-OpenAI 사이의 아젠다 선점용 초치기 이벤트의 Meta 버전 같다.
왜 그렇게까지 했느냐? 거대 언어 모델은 비용이 많이 들어서 기술을 이윤으로 바꾸는 환전이 힘들다. 그때를 기다리는 동안 모델 개발사와 모델 서비스 회사가 강결합된 상태로 시장이 2년 넘게 흘러왔다. 모델 훈련에 필요한 거대한 자원을 저렴하게 소싱하는 것도 클라우드 업체 아니면 힘들기 때문이다. 그쪽 진영에서 극적으로 잘하고 있는 회사가 구글이다. 마찬가지로 한국의 클라우드 업체들이 자체 AI 모델을 오픈 모델로 공개하지 않는 이유들 중 일부도 원가 경쟁력 부분에 걸쳐 있다. 모델 서빙 시의 원가 경쟁력이 타 GPU 리소스 제공 회사들에 비해 차이가 없기 때문에, 모델을 공개하는 순간 모델 개발비의 환전 수단이 아예 사라져버릴 수 있기 때문이다.
하지만 모든 IT 기술이 그렇듯 시간이 지나면 원가가 내려가서 환전 가능한 기술이 된다. 그 상황이 불러온 시장의 흔들림이 발생 중이다. OpenAI는 마이크로소프트와 결별 중이고, Anthropic은 아마존과 티밍하리라는 모두의 예상을 깨고 독자 생존을 준비 중이다. Meta의 경우 Llama의 성공을 바탕으로 위의 '모델 개발+모델 서비스' 강결합 공식을 뒤집고 싶은 상황일 것이다. Llama가 불법으로 수집된 자료로 훈련되었는가에 대한 소송이 진행 중인데, 지지난주에 소송 중에 나온 자료들에 의하면 Llama가 Llama 2 라이센스에 따라 클라우드 서빙 회사들로부터 모델 사용료를 받고 있음이 알려졌다. Meta가 자체 모델 서비스도 운영하고는 있지만 모델 개발사로서의 입지가 더 강력한 상황이라면, 기존에 이어온 모델 개발과 서비스 사이의 연결을 해체하고, 모델 개발사로서의 영역을 강고히 하고 싶지 않을까? 혼자 아젠다를 뒤집기엔 좀 힘들지만, 올해 DeepSeek-R1 사고 모델이 나온 후, (처음에는 DeepSeek의 영향으로 Llama의 오픈 모델 기수 역할이 흔들리니 당황했겠지만) 이젠 아예 DeepSeek까지 레버리지해서 AI 모델 서비스의 판 자체가 클라우드 모델에서 오픈 웨이트 모델로 이동하고 있다는 식으로 아젠다를 세팅하려는 움직임으로 보인다.
Meta의 의도대로 모델 개발사와 모델 서비스 업체가 지금보다 훨씬 고리가 약해지고, 오픈 웨이트 또는 오픈소스 모델들의 위상이 더 강고해진다면 어떻게 될까. 목적 지향 모델들을 위한 공간이 엄청나게 넓어짐과 동시에, 파인튜닝과 인컨텍스트 러닝이 모두 혼재되어 비용에 맞추어 시스템에 적용하는 대혼돈의 시기는 불을 보듯 뻔하고, 그 와중에 결국 파인튜닝 모델들이 대기를 구성하고, 기술 핵심으로서의 기반 모델이 존재하는 모델 패밀리라는 형태로 생태계를 구축한 모델들이 훨씬 유리한 위치에 서게 될 것이다. Meta는 본의 아니게 Llama로 그 경험을 한 번 했고, 이후 계속 우연한 경험을 필연적인 경험으로 체화해서 확대재생산하고 있다.
Meta가 그렇게 시장을 바라보고 있다면 Llama 4의 거대한 메모리 요구 용량과 MoE, 거대 컨텍스트 윈도우 지원이 이해된다. 모델 서빙을 할 대상은 클라우드 서비스 제공자들이고, 모델 승부 대상은 이제 구글이 되었기 때문이다. Google Cloud Next를 목전에 두고 모델 두 개를 발표한 타이밍도 같은 아젠다 싸움 맥락에서 해석할 수 있다. 구글은 Gemma/Gemini 페어를 어떻게 더 들고 나올 것인가. 오래 안 기다려도 이틀 후면 알게 될 것이다.
덧붙여, 최근 해외 모델 개발사들에게 이런 류의 성능 티키타카용으로 쟁여놓는 모델 체크포인트들에 버퍼가 없어졌다는, 모두가 진검승부를 안 할 수 없는 상황이 되었다는 이야기를 도란도란 나누며 벚꽃길을 걸었다. 지난 주말에서야 봄이 막 왔는데, 벌써 여름이 다가온다. 소용돌이 한가운데 있는 것마냥 조용하다.
덧) reasoning 모델을 개인적으로 추론(inference) 용어와 구분 짓기 위해 사고 모델 이라 부른다. 시작 끝 토큰이 thinking 이라 그렇게 이름지음.
신정규님
늦게 찾아온 봄날 주말 점심때 벚꽃 놀이할 겸 공원을 걸었다. 은진과 공원을 걷다가, 커피도 마시며 이런저런 재미있는 이야기를 나눴다. Llama 4 이야기다. 사람들이 MoE나 모델 사이즈 이야기는 많이 하니 기술적인 이야기는 생략하고, 다른 쪽으로 재미있었던 산책 이야기만 잊기 전에 요약해본다.
사람들이 기대하던 Llama 모델의 발표치고는 내용이 좀 이상했다. 모델 네 개 중에 소규모 사이즈 두 개만 공개했다. 정작 사고 모델이나 데이터 증류 모델 등 최근 주목받는 모델 두 종류의 공개는 4월 말 LlamaCon으로 연기했다. 연기할 거면 그냥 LlamaCon에서 다 발표해도 되는데? 모델도 이제 MoE 기반이라 데스크탑에서 실운영은 어려운, GPU 메모리를 엄청나게 요구하는 모델들이 되었다. 동시에 토큰 컨텍스트 윈도우 크기를 최대 1천만 토큰으로 늘렸다고 공개했다. 컨텍스트 윈도우가 크면 파인튜닝 없이 모델 실행 시점에 필요한 데이터를 다 주고 인-컨텍스트 러닝으로 처리할 수 있다. 1천만 토큰이면 사조영웅문 45권, 브리태니커 백과사전 1/5, 논문 2천 편이다. (인 컨텍스트 러닝 시 비용이 엄청나게 나오는 것은 회사마다 컨텍스트 캐싱으로 해결 중. 구글과 앤트로픽의 접근 방식이 다르다.)
그런데 달력에 보이는 이벤트들이 있다. Google Cloud Next 25가 곧 열린다. 작년 Cloud Next에서 구글이 랩 레벨에서는 천만 토큰 컨텍스트 윈도우 모델까지도 테스트 중이라고 했고, 이후 1백만 토큰에서 2백만 토큰으로 공개 모델의 컨텍스트 윈도우 크기를 늘렸다. 사실 천만 토큰 컨텍스트 윈도우도 발표 시점이 언제가 될지만 궁금할 뿐 공개 예상은 공공연한 비밀이었다. Meta는 구글의 행사를 코앞에 두고 사흘 빨리 Llama 4를 내놓으며 선수를 친 셈이다. 개인적으로는 절대 미룰 수 없는 발표 마감일을 클라우드 넥스트 앞에 그어두고, 그때까지 완료된 모델만 공개한 것처럼 보인다. 2년간 많이 보던 구글-OpenAI 사이의 아젠다 선점용 초치기 이벤트의 Meta 버전 같다.
왜 그렇게까지 했느냐? 거대 언어 모델은 비용이 많이 들어서 기술을 이윤으로 바꾸는 환전이 힘들다. 그때를 기다리는 동안 모델 개발사와 모델 서비스 회사가 강결합된 상태로 시장이 2년 넘게 흘러왔다. 모델 훈련에 필요한 거대한 자원을 저렴하게 소싱하는 것도 클라우드 업체 아니면 힘들기 때문이다. 그쪽 진영에서 극적으로 잘하고 있는 회사가 구글이다. 마찬가지로 한국의 클라우드 업체들이 자체 AI 모델을 오픈 모델로 공개하지 않는 이유들 중 일부도 원가 경쟁력 부분에 걸쳐 있다. 모델 서빙 시의 원가 경쟁력이 타 GPU 리소스 제공 회사들에 비해 차이가 없기 때문에, 모델을 공개하는 순간 모델 개발비의 환전 수단이 아예 사라져버릴 수 있기 때문이다.
하지만 모든 IT 기술이 그렇듯 시간이 지나면 원가가 내려가서 환전 가능한 기술이 된다. 그 상황이 불러온 시장의 흔들림이 발생 중이다. OpenAI는 마이크로소프트와 결별 중이고, Anthropic은 아마존과 티밍하리라는 모두의 예상을 깨고 독자 생존을 준비 중이다. Meta의 경우 Llama의 성공을 바탕으로 위의 '모델 개발+모델 서비스' 강결합 공식을 뒤집고 싶은 상황일 것이다. Llama가 불법으로 수집된 자료로 훈련되었는가에 대한 소송이 진행 중인데, 지지난주에 소송 중에 나온 자료들에 의하면 Llama가 Llama 2 라이센스에 따라 클라우드 서빙 회사들로부터 모델 사용료를 받고 있음이 알려졌다. Meta가 자체 모델 서비스도 운영하고는 있지만 모델 개발사로서의 입지가 더 강력한 상황이라면, 기존에 이어온 모델 개발과 서비스 사이의 연결을 해체하고, 모델 개발사로서의 영역을 강고히 하고 싶지 않을까? 혼자 아젠다를 뒤집기엔 좀 힘들지만, 올해 DeepSeek-R1 사고 모델이 나온 후, (처음에는 DeepSeek의 영향으로 Llama의 오픈 모델 기수 역할이 흔들리니 당황했겠지만) 이젠 아예 DeepSeek까지 레버리지해서 AI 모델 서비스의 판 자체가 클라우드 모델에서 오픈 웨이트 모델로 이동하고 있다는 식으로 아젠다를 세팅하려는 움직임으로 보인다.
Meta의 의도대로 모델 개발사와 모델 서비스 업체가 지금보다 훨씬 고리가 약해지고, 오픈 웨이트 또는 오픈소스 모델들의 위상이 더 강고해진다면 어떻게 될까. 목적 지향 모델들을 위한 공간이 엄청나게 넓어짐과 동시에, 파인튜닝과 인컨텍스트 러닝이 모두 혼재되어 비용에 맞추어 시스템에 적용하는 대혼돈의 시기는 불을 보듯 뻔하고, 그 와중에 결국 파인튜닝 모델들이 대기를 구성하고, 기술 핵심으로서의 기반 모델이 존재하는 모델 패밀리라는 형태로 생태계를 구축한 모델들이 훨씬 유리한 위치에 서게 될 것이다. Meta는 본의 아니게 Llama로 그 경험을 한 번 했고, 이후 계속 우연한 경험을 필연적인 경험으로 체화해서 확대재생산하고 있다.
Meta가 그렇게 시장을 바라보고 있다면 Llama 4의 거대한 메모리 요구 용량과 MoE, 거대 컨텍스트 윈도우 지원이 이해된다. 모델 서빙을 할 대상은 클라우드 서비스 제공자들이고, 모델 승부 대상은 이제 구글이 되었기 때문이다. Google Cloud Next를 목전에 두고 모델 두 개를 발표한 타이밍도 같은 아젠다 싸움 맥락에서 해석할 수 있다. 구글은 Gemma/Gemini 페어를 어떻게 더 들고 나올 것인가. 오래 안 기다려도 이틀 후면 알게 될 것이다.
덧붙여, 최근 해외 모델 개발사들에게 이런 류의 성능 티키타카용으로 쟁여놓는 모델 체크포인트들에 버퍼가 없어졌다는, 모두가 진검승부를 안 할 수 없는 상황이 되었다는 이야기를 도란도란 나누며 벚꽃길을 걸었다. 지난 주말에서야 봄이 막 왔는데, 벌써 여름이 다가온다. 소용돌이 한가운데 있는 것마냥 조용하다.
덧) reasoning 모델을 개인적으로 추론(inference) 용어와 구분 짓기 위해 사고 모델 이라 부른다. 시작 끝 토큰이 thinking 이라 그렇게 이름지음.
신정규님
01.04.202502:37
행복이 성공을 방해하는가?
- 통념 vs. 현실: 행복하면 만족해서 아무것도 원하지 않게 되어 성공에 방해가 된다는 통념(혹은 개인적 경험)이 있음.
- 반론: 인간은 본능적으로 생존하고 무언가를 하려는 동기가 있으므로, 행복하다고 해서 완전히 멈추지는 않음.
- 개인적 경험 (발화자): 더 평화롭고 만족스러워지면서 오히려 더 크고 순수한 목표(자신이 기여할 수 있는 일)를 추구하게 됨. 즉, 행복이 오히려 더 큰 성공으로 이어질 수 있음. 다만, 성공의 정의가 바뀔 수 있음.
- 성공 경험의 필요성: 이러한 깨달음은 어느 정도의 (물질적) 성공을 경험했기에 가능했을 수 있음. 처음부터 금욕적인 길을 택하기는 비현실적이고 고통스러움.
여정 자체가 전부: 성공은 금방 익숙해지고 다시 지루함과 새로운 욕망으로 이어지는 순환(욕망 -> 고통/기대 -> 성취 -> 익숙함/지루함 -> 새 욕망)의 일부일 뿐. 결국 삶의 99%는 여정이며, 그 여정을 즐기지 못하면 의미가 없음.
- 돈의 역할: 돈은 돈과 관련된 문제를 해결해주므로 좋은 것임. 복권 당첨자와 사고로 장애를 얻은 사람 모두 2년 후에는 원래의 행복 수준으로 돌아간다는 연구도 있지만(연구 신뢰도는 불확실), '스스로 번 돈'은 자부심, 자신감, 성취감을 주기에 행복에 더 오래 기여할 수 있음.
- 결론: 욕망-성취-지루함의 순환 속에서 여정을 즐겨야 함. 여정이 전부임.
의견 변경, 위선, 진정성
- 의견 변경 vs. 위선: 과거와 다른 말을 하는 것은 배움을 통해 신념이 업데이트되었기 때문일 수 있음. 하지만 진정성 없이 입장을 바꾸는 것은 위선으로 보일 수 있음.
- 일관성의 압박: 공적인 발언과 사적인 삶을 일치시켜야 한다는 압박감을 느낄 수 있음 (콘텐츠 크리에이터 사례). "어리석은 일관성은 소인배의 도깨비불" (에머슨).
- 배움 = 오류 수정: 모든 배움은 오류 수정 과정이므로, 배우고 있다면 틀리는 것이 당연함. 과거 발언의 오류를 지적하며 비난하는 사람들이 있지만, 고의적인 거짓말(신념과 다른 말을 하는 것)과 단순한 실수/추측 오류는 구분해야 함.
- 진정성의 중요성: 세상에 부족한 것은 진정성. 사람들은 무언가를 원하고, 자신이 아닌 다른 모습으로 보이려 하기 때문에 진심이 아닌 말을 하는 경우가 많음. 사람들은 이런 비진정성에 민감함.
- 틀리는 것 vs. 기만: 틀리는 것은 괜찮지만, 자신의 지위나 외양을 높이기 위해, 혹은 기대에 부응하기 위해 거짓말하는 것은 자신과 타인 모두에게 실수. 이는 결국 거울의 방에 갇히게 만듦.
- 타인의 시선: 자신을 신경 쓰지 않는 사람들에게 잘 보이려 애쓰는 것은 어리석음. 진정한 자신을 보여주지 않으면, 자신을 좋아할 사람들은 지나치게 됨. 존경하는 소수의 존경만을 추구해야 함.
자존심(Pride)의 대가와 배움
- 가장 비싼 특성 = 자존심: 자존심은 배움의 적. 과거에 갇혀 성장이 더딘 사람들은 자신이 이미 답을 안다고 생각하는 자존심 때문인 경우가 많음. 틀렸다고 인정하거나 공개적으로 입장을 바꾸는 것을 막음.
- 자존심의 비용: 잘못된 결정(투자, 결혼, 직업 등)을 인정하지 못하게 하여 최적이 아닌 상태에 머무르게 함 (돈, 성공, 시간 낭비). 국소 최적점(local maxima)에 갇히게 함.
- 위대한 예술가/기업가의 특징: 항상 처음부터 다시 시작할 의지가 있음 (폴 사이먼, 마돈나, U2, 일론 머스크). 성공/실패라는 시선에 대한 자존심 없이 모든 것을 걸고 다시 시작함. 이는 바보처럼 보일 수 있는 위험을 감수하는 것.
- 성공 후의 함정: 많은 사람이 성공/부/명성을 얻으면 거기에 안주하고 '제로'로 돌아가기를 두려워함. 하지만 위대한 것을 창조하려면 0에서 1로 가야 하며, 이는 0으로 돌아가는 고통스러운 과정을 포함함.
온전한 이기심과 자기 우선주의
- 발화자의 특징: 전체론적 이기심 (Holistic Selfishness), 자기 우선주의. 자신에게 진실하다면 타인이 불편함을 느끼더라도 개의치 않고 말하거나 행동하는 경향.
- 인간 본성 vs. 사회적 가면: 모든 사람은 자신을 우선시하는 것이 본성이지만, 사회적으로는 미덕을 내세우며 그렇지 않은 척함 (가기 싫은 결혼식 참석, 진심 없는 안부 인사 등).
- 타협의 문제: 많은 사람이 사회적 압력에 순응하기 위해 자신이 원하는 것을 타협함. 이는 시간 낭비. 인생은 짧음 (4000주). (35:43 - 36:18)
- 자기 우선주의 강화: 타인의 자유로운 행동(예: 마크 안드레센의 '스케줄 없애기', 잭 도시의 '아이폰/아이패드 업무')을 보고 영감을 받아 점점 더 단호해짐. 달력 삭제, 이메일 자동 응답, 약속 거절 (커피 안 마심 닷컴), 배우자에게도 결정권 위임 등.
- 우연성(Serendipity) vs. 자유: 스케줄을 비움으로써 모든 시간을 우연성에 할애. 원할 때 원하는 사람과 교류. 들어오는 제안은 듣지만 결정은 현재의 기분과 상황에 따라 함. 과거의 내가 결정한 약속에 현재의 내가 얽매이는 것보다 나음.
- 과도한 스케줄의 폐해: 지나치게 계획된 삶은 살 가치가 없음. 자연스럽지 않고, 유연성을 앗아가며 생산성도 떨어뜨림.
- 자유의 본질: 특정 시간에 특정 장소에 있어야 할 필요가 없는 상태가 진정한 자유. 알람 없이 생활 (중요한 약속 제외).
- 자기 우선주의 에너지 ("F*ck You Energy"): 이는 타인을 무시하는 에너지가 아니라, 모든 사람이 가능한 한 자신의 삶을 살아야 한다는 의미. 불필요한 의무, 행사, 지루한 만남에 인생을 낭비하지 말 것. 자유를 최적화하면 더 행복하고 자유로울 뿐 아니라, 당면 과제에 집중할 수 있어 더 생산적이 됨.
진정한 지능과 올바른 결정
- 진정한 지능의 테스트: 인생에서 원하는 것을 얻는 것. 여기에는 두 가지 요소가 있음.
- 원하는 것을 얻는 방법 알기.
- 애초에 '올바른 것'을 원하기 (얻을 수 없는 것, 혹은 얻어도 불행해지는 부비트랩 같은 것을 원하지 않기).
- 무의식적 삶의 함정: 사회적 기대나 타인의 기대, 죄책감, 모방 욕망(르네 지라르/피터 틸) 등에 따라 자동조종으로 살면 원하지 않는 곳, 심지어 의도하지 않은 곳에 도달하게 됨.
- 결정에 시간 투자하기: 우리는 장기적인 결정(직업, 거주 도시 등 4년~40년 사이클)을 너무 짧은 시간 안에 내림. 결정의 중요성에 비해 숙고하는 시간이 부족함. 4년짜리 결정이라면 1년은 고민해야 함 (결정 시간 25%).
- 비서 문제 (Secretary Problem): 최적의 선택을 위한 탐색 시간. 약 1/3 정도 탐색(시간이 아닌 후보 수 기준)한 후 만나는, 이전까지의 최고 수준 이상의 후보를 선택하는 것이 최적 전략. 이는 데이트, 직업 등에도 적용됨.
- 빠른 반복과 결정: 이는 많은 반복(iteration)을 빠르게 해야 함을 의미. 기회를 빨리 잡고, 아니다 싶으면 빨리 빠져나와야 함. (실패한 관계에서 후회는 너무 늦게 끝낸 것).
- 1만 시간 vs. 1만 반복: 숙달(Mastery)은 1만 시간이 아니라 1만 번의 '반복(iteration)'을 통해 이루어짐. 단순 반복(repetition)이 아니라, 학습을 통해 수정하고 다시 시도하는 오류 수정 과정이 중요.
왜 우리는 비관주의에 빠지는가?
진화적 관점
- 과거 생존 환경(정글 같은 자연 환경)에서는 “최악의 상황”을 가정하는 것이 생존 확률을 높였다. 바스락거리는 소리가 먹잇감이면 한 끼 식사를 얻지만, 맹수라면 목숨이 끝나므로 항상 최악의 시나리오를 먼저 떠올리게 됨(생존 편향).
- 현대 사회에서는 과도한 비관주의가 오히려 ‘기회’나 ‘잠재력’을 놓치게 한다.
- 통념 vs. 현실: 행복하면 만족해서 아무것도 원하지 않게 되어 성공에 방해가 된다는 통념(혹은 개인적 경험)이 있음.
- 반론: 인간은 본능적으로 생존하고 무언가를 하려는 동기가 있으므로, 행복하다고 해서 완전히 멈추지는 않음.
- 개인적 경험 (발화자): 더 평화롭고 만족스러워지면서 오히려 더 크고 순수한 목표(자신이 기여할 수 있는 일)를 추구하게 됨. 즉, 행복이 오히려 더 큰 성공으로 이어질 수 있음. 다만, 성공의 정의가 바뀔 수 있음.
- 성공 경험의 필요성: 이러한 깨달음은 어느 정도의 (물질적) 성공을 경험했기에 가능했을 수 있음. 처음부터 금욕적인 길을 택하기는 비현실적이고 고통스러움.
여정 자체가 전부: 성공은 금방 익숙해지고 다시 지루함과 새로운 욕망으로 이어지는 순환(욕망 -> 고통/기대 -> 성취 -> 익숙함/지루함 -> 새 욕망)의 일부일 뿐. 결국 삶의 99%는 여정이며, 그 여정을 즐기지 못하면 의미가 없음.
- 돈의 역할: 돈은 돈과 관련된 문제를 해결해주므로 좋은 것임. 복권 당첨자와 사고로 장애를 얻은 사람 모두 2년 후에는 원래의 행복 수준으로 돌아간다는 연구도 있지만(연구 신뢰도는 불확실), '스스로 번 돈'은 자부심, 자신감, 성취감을 주기에 행복에 더 오래 기여할 수 있음.
- 결론: 욕망-성취-지루함의 순환 속에서 여정을 즐겨야 함. 여정이 전부임.
의견 변경, 위선, 진정성
- 의견 변경 vs. 위선: 과거와 다른 말을 하는 것은 배움을 통해 신념이 업데이트되었기 때문일 수 있음. 하지만 진정성 없이 입장을 바꾸는 것은 위선으로 보일 수 있음.
- 일관성의 압박: 공적인 발언과 사적인 삶을 일치시켜야 한다는 압박감을 느낄 수 있음 (콘텐츠 크리에이터 사례). "어리석은 일관성은 소인배의 도깨비불" (에머슨).
- 배움 = 오류 수정: 모든 배움은 오류 수정 과정이므로, 배우고 있다면 틀리는 것이 당연함. 과거 발언의 오류를 지적하며 비난하는 사람들이 있지만, 고의적인 거짓말(신념과 다른 말을 하는 것)과 단순한 실수/추측 오류는 구분해야 함.
- 진정성의 중요성: 세상에 부족한 것은 진정성. 사람들은 무언가를 원하고, 자신이 아닌 다른 모습으로 보이려 하기 때문에 진심이 아닌 말을 하는 경우가 많음. 사람들은 이런 비진정성에 민감함.
- 틀리는 것 vs. 기만: 틀리는 것은 괜찮지만, 자신의 지위나 외양을 높이기 위해, 혹은 기대에 부응하기 위해 거짓말하는 것은 자신과 타인 모두에게 실수. 이는 결국 거울의 방에 갇히게 만듦.
- 타인의 시선: 자신을 신경 쓰지 않는 사람들에게 잘 보이려 애쓰는 것은 어리석음. 진정한 자신을 보여주지 않으면, 자신을 좋아할 사람들은 지나치게 됨. 존경하는 소수의 존경만을 추구해야 함.
자존심(Pride)의 대가와 배움
- 가장 비싼 특성 = 자존심: 자존심은 배움의 적. 과거에 갇혀 성장이 더딘 사람들은 자신이 이미 답을 안다고 생각하는 자존심 때문인 경우가 많음. 틀렸다고 인정하거나 공개적으로 입장을 바꾸는 것을 막음.
- 자존심의 비용: 잘못된 결정(투자, 결혼, 직업 등)을 인정하지 못하게 하여 최적이 아닌 상태에 머무르게 함 (돈, 성공, 시간 낭비). 국소 최적점(local maxima)에 갇히게 함.
- 위대한 예술가/기업가의 특징: 항상 처음부터 다시 시작할 의지가 있음 (폴 사이먼, 마돈나, U2, 일론 머스크). 성공/실패라는 시선에 대한 자존심 없이 모든 것을 걸고 다시 시작함. 이는 바보처럼 보일 수 있는 위험을 감수하는 것.
- 성공 후의 함정: 많은 사람이 성공/부/명성을 얻으면 거기에 안주하고 '제로'로 돌아가기를 두려워함. 하지만 위대한 것을 창조하려면 0에서 1로 가야 하며, 이는 0으로 돌아가는 고통스러운 과정을 포함함.
온전한 이기심과 자기 우선주의
- 발화자의 특징: 전체론적 이기심 (Holistic Selfishness), 자기 우선주의. 자신에게 진실하다면 타인이 불편함을 느끼더라도 개의치 않고 말하거나 행동하는 경향.
- 인간 본성 vs. 사회적 가면: 모든 사람은 자신을 우선시하는 것이 본성이지만, 사회적으로는 미덕을 내세우며 그렇지 않은 척함 (가기 싫은 결혼식 참석, 진심 없는 안부 인사 등).
- 타협의 문제: 많은 사람이 사회적 압력에 순응하기 위해 자신이 원하는 것을 타협함. 이는 시간 낭비. 인생은 짧음 (4000주). (35:43 - 36:18)
- 자기 우선주의 강화: 타인의 자유로운 행동(예: 마크 안드레센의 '스케줄 없애기', 잭 도시의 '아이폰/아이패드 업무')을 보고 영감을 받아 점점 더 단호해짐. 달력 삭제, 이메일 자동 응답, 약속 거절 (커피 안 마심 닷컴), 배우자에게도 결정권 위임 등.
- 우연성(Serendipity) vs. 자유: 스케줄을 비움으로써 모든 시간을 우연성에 할애. 원할 때 원하는 사람과 교류. 들어오는 제안은 듣지만 결정은 현재의 기분과 상황에 따라 함. 과거의 내가 결정한 약속에 현재의 내가 얽매이는 것보다 나음.
- 과도한 스케줄의 폐해: 지나치게 계획된 삶은 살 가치가 없음. 자연스럽지 않고, 유연성을 앗아가며 생산성도 떨어뜨림.
- 자유의 본질: 특정 시간에 특정 장소에 있어야 할 필요가 없는 상태가 진정한 자유. 알람 없이 생활 (중요한 약속 제외).
- 자기 우선주의 에너지 ("F*ck You Energy"): 이는 타인을 무시하는 에너지가 아니라, 모든 사람이 가능한 한 자신의 삶을 살아야 한다는 의미. 불필요한 의무, 행사, 지루한 만남에 인생을 낭비하지 말 것. 자유를 최적화하면 더 행복하고 자유로울 뿐 아니라, 당면 과제에 집중할 수 있어 더 생산적이 됨.
진정한 지능과 올바른 결정
- 진정한 지능의 테스트: 인생에서 원하는 것을 얻는 것. 여기에는 두 가지 요소가 있음.
- 원하는 것을 얻는 방법 알기.
- 애초에 '올바른 것'을 원하기 (얻을 수 없는 것, 혹은 얻어도 불행해지는 부비트랩 같은 것을 원하지 않기).
- 무의식적 삶의 함정: 사회적 기대나 타인의 기대, 죄책감, 모방 욕망(르네 지라르/피터 틸) 등에 따라 자동조종으로 살면 원하지 않는 곳, 심지어 의도하지 않은 곳에 도달하게 됨.
- 결정에 시간 투자하기: 우리는 장기적인 결정(직업, 거주 도시 등 4년~40년 사이클)을 너무 짧은 시간 안에 내림. 결정의 중요성에 비해 숙고하는 시간이 부족함. 4년짜리 결정이라면 1년은 고민해야 함 (결정 시간 25%).
- 비서 문제 (Secretary Problem): 최적의 선택을 위한 탐색 시간. 약 1/3 정도 탐색(시간이 아닌 후보 수 기준)한 후 만나는, 이전까지의 최고 수준 이상의 후보를 선택하는 것이 최적 전략. 이는 데이트, 직업 등에도 적용됨.
- 빠른 반복과 결정: 이는 많은 반복(iteration)을 빠르게 해야 함을 의미. 기회를 빨리 잡고, 아니다 싶으면 빨리 빠져나와야 함. (실패한 관계에서 후회는 너무 늦게 끝낸 것).
- 1만 시간 vs. 1만 반복: 숙달(Mastery)은 1만 시간이 아니라 1만 번의 '반복(iteration)'을 통해 이루어짐. 단순 반복(repetition)이 아니라, 학습을 통해 수정하고 다시 시도하는 오류 수정 과정이 중요.
왜 우리는 비관주의에 빠지는가?
진화적 관점
- 과거 생존 환경(정글 같은 자연 환경)에서는 “최악의 상황”을 가정하는 것이 생존 확률을 높였다. 바스락거리는 소리가 먹잇감이면 한 끼 식사를 얻지만, 맹수라면 목숨이 끝나므로 항상 최악의 시나리오를 먼저 떠올리게 됨(생존 편향).
- 현대 사회에서는 과도한 비관주의가 오히려 ‘기회’나 ‘잠재력’을 놓치게 한다.
11.04.202502:07
내 친구가 유명 VC들한테 1억 달러 투자를 받았는데, 이제 몇 주 안에 회사를 접기로 했어.
무슨 일이 있었는지 들어보려고 만나서 얘기했지.
그가 내게 부탁한 건, 자신의 스타트업 경험을 내 링크드인 커뮤니티에 공유해 달라는 거였어.
다른 창업자들에게 조금이라도 도움이 되면 좋겠다고.
그가 7년 가까이 창업 여정을 하면서 가장 후회한 건,
Series A에서 너무 높은 밸류에이션으로 투자를 받은 것이었어.
당시에 여러 VC들로부터 투자 제안을 받았고,
그중 가장 큰 밸류에이션을 제시한 쪽을 선택했지.
유명 VC들이었고, 언론에서도 많이 다뤘고,
다른 창업자들이라면 자랑하고 축하할 만한 순간이었어.
그런데 문제는,
그 과도한 밸류에이션이 너무 큰 기대와 압박으로 돌아왔다는 거야.
결국 후속 투자를 받는 데 큰 걸림돌이 되었고, 자금줄이 끊겼지.
그 와중에 제품 개발이 지연되고,
중요한 인재 영입도 무산되고…
스타트업이라면 겪을 수 있는 평범한 일들이 연달아 터졌어.
사기가 떨어지고, 분위기도 안 좋아지고,
밖에서 보는 시선도 달라졌지.
초기 투자자들 중에는 단기 수익을 노리는 VC들도 있었는데,
그들의 전략은 단순했어.
돈 넣고, 회사 띄우고, 더 높은 밸류에이션에 다음 투자자한테 넘기는 식.
그가 배운 교훈은 이거야.
“밸류에이션이 곧 검증은 아니다.”
그건 그냥 ‘베팅’일 뿐이고,
현실이랑 안 맞으면 아무리 잘 나가던 회사도 무너질 수 있어.
현실적인 밸류에이션,
믿을 수 있는 사람들과 함께,
버텨낼 수 있는 기반을 먼저 잘 다져라.
그게 결국
지속 가능한 성장의 출발점이고,
예측 불가능한 스타트업 여정을 버티게 해주는 힘이라는 거야.
https://www.linkedin.com/posts/miladalucozai_founder-funding-investing-activity-7316071639530553346-uDUE
무슨 일이 있었는지 들어보려고 만나서 얘기했지.
그가 내게 부탁한 건, 자신의 스타트업 경험을 내 링크드인 커뮤니티에 공유해 달라는 거였어.
다른 창업자들에게 조금이라도 도움이 되면 좋겠다고.
그가 7년 가까이 창업 여정을 하면서 가장 후회한 건,
Series A에서 너무 높은 밸류에이션으로 투자를 받은 것이었어.
당시에 여러 VC들로부터 투자 제안을 받았고,
그중 가장 큰 밸류에이션을 제시한 쪽을 선택했지.
유명 VC들이었고, 언론에서도 많이 다뤘고,
다른 창업자들이라면 자랑하고 축하할 만한 순간이었어.
그런데 문제는,
그 과도한 밸류에이션이 너무 큰 기대와 압박으로 돌아왔다는 거야.
결국 후속 투자를 받는 데 큰 걸림돌이 되었고, 자금줄이 끊겼지.
그 와중에 제품 개발이 지연되고,
중요한 인재 영입도 무산되고…
스타트업이라면 겪을 수 있는 평범한 일들이 연달아 터졌어.
사기가 떨어지고, 분위기도 안 좋아지고,
밖에서 보는 시선도 달라졌지.
초기 투자자들 중에는 단기 수익을 노리는 VC들도 있었는데,
그들의 전략은 단순했어.
돈 넣고, 회사 띄우고, 더 높은 밸류에이션에 다음 투자자한테 넘기는 식.
그가 배운 교훈은 이거야.
“밸류에이션이 곧 검증은 아니다.”
그건 그냥 ‘베팅’일 뿐이고,
현실이랑 안 맞으면 아무리 잘 나가던 회사도 무너질 수 있어.
현실적인 밸류에이션,
믿을 수 있는 사람들과 함께,
버텨낼 수 있는 기반을 먼저 잘 다져라.
그게 결국
지속 가능한 성장의 출발점이고,
예측 불가능한 스타트업 여정을 버티게 해주는 힘이라는 거야.
https://www.linkedin.com/posts/miladalucozai_founder-funding-investing-activity-7316071639530553346-uDUE
08.04.202507:25
https://humanoid-ai.github.io/
- 기존 가정 1: "로봇 제어는 분해해서 접근해야 한다" (Decoupling/Modularization):
- 복잡한 시스템은 인식, 계획, 제어 모듈로 나누고, 팔과 다리 제어도 분리하는 것이 합리적이다.
- *한계 😚 인간의 움직임은 분리되어 있지 않고 전신이 유기적으로 통합되어 작동한다. 모듈화 방식은 설계가 복잡하고 특정 작업에만 국한되어 확장성이 떨어지며, 전신 협응이 필요한 복잡한 기술 학습에 비효율적이다.
- 기존 가정 2: "로봇은 로봇 데이터로 학습해야 한다" (Robot-Specific Data):
- 로봇 제어 모델은 해당 로봇의 데이터로 학습해야 정확하다.
- *한계:* 휴머노이드 데이터는 수집 비용이 매우 높고 양이 절대적으로 부족하다. 반면, 인간 데이터는 방대하게 존재한다. 인간과 로봇의 물리적 차이(Embodiment Gap) 때문에 직접 적용은 어렵지만, 이 방대한 데이터를 활용하지 못하는 것은 비효율적이다.
- 기존 가정 3: "원격 조작은 고가 장비가 필요하다" (Expensive Teleoperation):
- 정밀한 휴머노이드 제어를 위해서는 모션 캡처 슈트, VR, 외골격 등 고가의 장비가 필요하다.
- *한계 😚 인간은 주로 시각 정보(카메라의 원리)를 통해 타인의 동작을 인지하고 모방할 수 있다. 가장 기본적인 센서인 **카메라**와 **효과적인 자세 추정 알고리즘**만 있다면 저비용으로도 원격 조작 데이터 수집이 가능해야 한다.
- 원칙 1: 전신 제어는 통합적으로 접근해야 한다.
- *시도:* 시뮬레이션에서 **대규모 강화학습**을 통해 **작업에 구애받지 않는(task-agnostic) 저수준 전신 제어 정책(Humanoid Shadowing Transformer)**을 학습시킨다. 이는 특정 작업의 복잡한 보상 설계 없이도 다양한 목표 자세를 안정적으로 추종할 수 있게 한다. 복잡한 모듈 설계를 피하고 학습에 맡긴다.
- 원칙 2: 방대한 인간 데이터를 활용해야 한다.
- *시도 1 (저수준 제어):* 기존의 대규모 인간 모션 캡처 데이터(AMASS)**를 활용한다. 인간-로봇 간 물리적 차이는 **리타겟팅(Retargeting) 기술로 극복하여 로봇의 목표 자세를 생성하고, 이를 저수준 정책 학습 데이터로 사용한다. (기존 자원을 최대한 활용)
- *시도 2 (고수준 기술):* 저수준 정책을 기반으로 섀도잉(Shadowing) 시스템을 구축한다. 이는 **단일 RGB 카메라**라는 기본 센서와 자세 추정 AI를 활용하여, 인간이 실시간으로 휴머노이드를 **저비용-고효율로 원격 조작**하게 한다. 이를 통해 실제 환경에서 **로봇의 자기중심 시점(egocentric vision) 데이터**를 직접 수집한다. (데이터 파이프라인 문제 해결 및 Sim2Real 인식 문제 우회)
- 원칙 3: 학습은 효율적이어야 한다.
- *시도:* 섀도잉으로 수집된 **소수의 시연 데이터(최대 40개)**만으로도 복잡한 기술을 학습할 수 있도록 **효율적인 모방 학습 알고리즘(Humanoid Imitation Transformer - HIT)**을 사용한다. 이 알고리즘은 **Forward Dynamics Prediction**을 추가하여 시각 정보 활용도를 높이고 과적합을 방지한다.
4. HumanPlus의 의의:
- 근본적인 해결책 제시: 휴머노이드 학습의 핵심 난제인 '데이터 부족'과 '제어 복잡성'을, '방대한 인간 데이터 활용'과 '학습 기반 통합 제어'라는 기본 원칙에 기반하여 정면으로 돌파하려는 **Full-Stack 시스템**을 제시했다.
- 비용 및 접근성 혁신: 고가의 장비 없이 **단일 RGB 카메라**만으로 전신 원격 조작 및 데이터 수집이 가능함을 보여줌으로써, 휴머노이드 연구 및 개발의 **비용 장벽을 크게 낮추고 접근성을 향상**시켰다. (기존 방식 대비 비용 절감 및 효율성 증대)
- 데이터 활용의 새로운 패러다임: 오프라인 인간 데이터(저수준 제어)와 온라인 인간 시연 데이터(고수준 기술)를 효과적으로 결합하는 **시너지 효과**를 입증했다.
- 실제적 성과: 매우 **적은 시연 데이터**만으로도 신발 신고 걷기, 옷 접기 등 **복잡한 전신 조작 및 이동 기술을 자율적으로 학습**시키는 데 성공함으로써, 제안된 시스템의 실질적인 효용성을 입증했다.
5. 여전히 남은 한계 (Limitations from First Principles):
- 하드웨어의 물리적 한계: 아무리 제어가 뛰어나도 로봇 하드웨어 자체의 물리적 제약(자유도 부족, 강도, 센서 한계 등)은 근본적인 성능 한계를 결정한다. HumanPlus 로봇도 발목/손목/팔 자유도 부족, 고정된 카메라 등의 한계를 지닌다. **궁극적인 범용성을 위해서는 하드웨어 자체의 발전이 필수적**이다.
- 리타겟팅의 근본적 어려움: 인간과 로봇의 형태 및 동역학 차이를 완벽하게 매핑하는 리타겟팅은 여전히 어려운 문제이다. 고정된 매핑 방식은 인간 동작의 미묘함과 다양성을 온전히 전달하지 못할 수 있다. **더 정교하고 적응적인 리타겟팅 기술**이 필요하다.
- 인식의 불완전성: 단일 RGB 카메라 기반 자세 추정은 가려짐(Occlusion) 등에 취약하다. **더 강인하고 정확한 실시간 3D 인식 기술**은 여전히 풀어야 할 숙제이다.
- 학습 데이터의 편향성: AMASS나 섀도잉 데이터가 실제 세상의 모든 인간 동작과 기술을 대표하지는 못한다. **더 방대하고 편향 없는 데이터**가 필요하며, 이는 지속적인 과제이다.
- 장기 작업 및 상식 추론: 현재 시스템은 비교적 짧은 호라이즌의 모방 학습에 초점을 맞추고 있다. 복잡한 장기 작업을 수행하기 위해서는 **더 높은 수준의 계획(planning), 상식 추론(commonsense reasoning), 그리고 환경과의 상호작용을 통한 지속적인 학습 능력**이 필요하다. (Visual CoT는 시작 단계)
6. 새로운 기회 (New Opportunities):
- 범용 휴머노이드 학습 가속화: HumanPlus 시스템은 저비용 데이터 수집 및 효율적인 학습 파이프라인을 제공함으로써, 다양한 연구 그룹과 스타트업이 **범용 휴머노이드 기술 개발에 더 쉽게 참여**할 수 있는 기회를 연다.
- 인간 데이터의 새로운 활용: 단순히 모방을 넘어, 인간 비디오 데이터에서 **암묵적인 지식, 물리적 상식, 작업 절차 등을 추출**하여 휴머노이드의 이해 및 추론 능력을 향상시키는 연구 기회가 확대된다.
- 하드웨어-소프트웨어 공동 최적화: HumanPlus와 같은 시스템은 어떤 하드웨어(센서, 액추에이터, 자유도 구성)가 데이터 기반 학습 및 제어에 더 유리한지에 대한 인사이트를 제공하며, **차세대 휴머노이드 하드웨어 설계 방향**을 제시할 수 있다.
- 다양한 응용 분야 개척: 물류(창고 작업), 가사 노동(옷 접기), 제조, 협업, 엔터테인먼트(피아노, 탁구) 등 HumanPlus가 시연한 작업들은 **휴머노이드의 실질적인 응용 가능성**을 넓히고 새로운 비즈니스 기회를 창출할 수 있다.
- 안전하고 직관적인 상호작용: 인간의 동작을 직접 따라하는 섀도잉 기술은 로봇에게 작업을 가르치는 **더 직관적이고 안전한 방법**을 제공하며, 이는 인간-로봇 협업 및 비전문가의 로봇 활용 가능성을 높인다.
- 기존 가정 1: "로봇 제어는 분해해서 접근해야 한다" (Decoupling/Modularization):
- 복잡한 시스템은 인식, 계획, 제어 모듈로 나누고, 팔과 다리 제어도 분리하는 것이 합리적이다.
- *한계 😚 인간의 움직임은 분리되어 있지 않고 전신이 유기적으로 통합되어 작동한다. 모듈화 방식은 설계가 복잡하고 특정 작업에만 국한되어 확장성이 떨어지며, 전신 협응이 필요한 복잡한 기술 학습에 비효율적이다.
- 기존 가정 2: "로봇은 로봇 데이터로 학습해야 한다" (Robot-Specific Data):
- 로봇 제어 모델은 해당 로봇의 데이터로 학습해야 정확하다.
- *한계:* 휴머노이드 데이터는 수집 비용이 매우 높고 양이 절대적으로 부족하다. 반면, 인간 데이터는 방대하게 존재한다. 인간과 로봇의 물리적 차이(Embodiment Gap) 때문에 직접 적용은 어렵지만, 이 방대한 데이터를 활용하지 못하는 것은 비효율적이다.
- 기존 가정 3: "원격 조작은 고가 장비가 필요하다" (Expensive Teleoperation):
- 정밀한 휴머노이드 제어를 위해서는 모션 캡처 슈트, VR, 외골격 등 고가의 장비가 필요하다.
- *한계 😚 인간은 주로 시각 정보(카메라의 원리)를 통해 타인의 동작을 인지하고 모방할 수 있다. 가장 기본적인 센서인 **카메라**와 **효과적인 자세 추정 알고리즘**만 있다면 저비용으로도 원격 조작 데이터 수집이 가능해야 한다.
- 원칙 1: 전신 제어는 통합적으로 접근해야 한다.
- *시도:* 시뮬레이션에서 **대규모 강화학습**을 통해 **작업에 구애받지 않는(task-agnostic) 저수준 전신 제어 정책(Humanoid Shadowing Transformer)**을 학습시킨다. 이는 특정 작업의 복잡한 보상 설계 없이도 다양한 목표 자세를 안정적으로 추종할 수 있게 한다. 복잡한 모듈 설계를 피하고 학습에 맡긴다.
- 원칙 2: 방대한 인간 데이터를 활용해야 한다.
- *시도 1 (저수준 제어):* 기존의 대규모 인간 모션 캡처 데이터(AMASS)**를 활용한다. 인간-로봇 간 물리적 차이는 **리타겟팅(Retargeting) 기술로 극복하여 로봇의 목표 자세를 생성하고, 이를 저수준 정책 학습 데이터로 사용한다. (기존 자원을 최대한 활용)
- *시도 2 (고수준 기술):* 저수준 정책을 기반으로 섀도잉(Shadowing) 시스템을 구축한다. 이는 **단일 RGB 카메라**라는 기본 센서와 자세 추정 AI를 활용하여, 인간이 실시간으로 휴머노이드를 **저비용-고효율로 원격 조작**하게 한다. 이를 통해 실제 환경에서 **로봇의 자기중심 시점(egocentric vision) 데이터**를 직접 수집한다. (데이터 파이프라인 문제 해결 및 Sim2Real 인식 문제 우회)
- 원칙 3: 학습은 효율적이어야 한다.
- *시도:* 섀도잉으로 수집된 **소수의 시연 데이터(최대 40개)**만으로도 복잡한 기술을 학습할 수 있도록 **효율적인 모방 학습 알고리즘(Humanoid Imitation Transformer - HIT)**을 사용한다. 이 알고리즘은 **Forward Dynamics Prediction**을 추가하여 시각 정보 활용도를 높이고 과적합을 방지한다.
4. HumanPlus의 의의:
- 근본적인 해결책 제시: 휴머노이드 학습의 핵심 난제인 '데이터 부족'과 '제어 복잡성'을, '방대한 인간 데이터 활용'과 '학습 기반 통합 제어'라는 기본 원칙에 기반하여 정면으로 돌파하려는 **Full-Stack 시스템**을 제시했다.
- 비용 및 접근성 혁신: 고가의 장비 없이 **단일 RGB 카메라**만으로 전신 원격 조작 및 데이터 수집이 가능함을 보여줌으로써, 휴머노이드 연구 및 개발의 **비용 장벽을 크게 낮추고 접근성을 향상**시켰다. (기존 방식 대비 비용 절감 및 효율성 증대)
- 데이터 활용의 새로운 패러다임: 오프라인 인간 데이터(저수준 제어)와 온라인 인간 시연 데이터(고수준 기술)를 효과적으로 결합하는 **시너지 효과**를 입증했다.
- 실제적 성과: 매우 **적은 시연 데이터**만으로도 신발 신고 걷기, 옷 접기 등 **복잡한 전신 조작 및 이동 기술을 자율적으로 학습**시키는 데 성공함으로써, 제안된 시스템의 실질적인 효용성을 입증했다.
5. 여전히 남은 한계 (Limitations from First Principles):
- 하드웨어의 물리적 한계: 아무리 제어가 뛰어나도 로봇 하드웨어 자체의 물리적 제약(자유도 부족, 강도, 센서 한계 등)은 근본적인 성능 한계를 결정한다. HumanPlus 로봇도 발목/손목/팔 자유도 부족, 고정된 카메라 등의 한계를 지닌다. **궁극적인 범용성을 위해서는 하드웨어 자체의 발전이 필수적**이다.
- 리타겟팅의 근본적 어려움: 인간과 로봇의 형태 및 동역학 차이를 완벽하게 매핑하는 리타겟팅은 여전히 어려운 문제이다. 고정된 매핑 방식은 인간 동작의 미묘함과 다양성을 온전히 전달하지 못할 수 있다. **더 정교하고 적응적인 리타겟팅 기술**이 필요하다.
- 인식의 불완전성: 단일 RGB 카메라 기반 자세 추정은 가려짐(Occlusion) 등에 취약하다. **더 강인하고 정확한 실시간 3D 인식 기술**은 여전히 풀어야 할 숙제이다.
- 학습 데이터의 편향성: AMASS나 섀도잉 데이터가 실제 세상의 모든 인간 동작과 기술을 대표하지는 못한다. **더 방대하고 편향 없는 데이터**가 필요하며, 이는 지속적인 과제이다.
- 장기 작업 및 상식 추론: 현재 시스템은 비교적 짧은 호라이즌의 모방 학습에 초점을 맞추고 있다. 복잡한 장기 작업을 수행하기 위해서는 **더 높은 수준의 계획(planning), 상식 추론(commonsense reasoning), 그리고 환경과의 상호작용을 통한 지속적인 학습 능력**이 필요하다. (Visual CoT는 시작 단계)
6. 새로운 기회 (New Opportunities):
- 범용 휴머노이드 학습 가속화: HumanPlus 시스템은 저비용 데이터 수집 및 효율적인 학습 파이프라인을 제공함으로써, 다양한 연구 그룹과 스타트업이 **범용 휴머노이드 기술 개발에 더 쉽게 참여**할 수 있는 기회를 연다.
- 인간 데이터의 새로운 활용: 단순히 모방을 넘어, 인간 비디오 데이터에서 **암묵적인 지식, 물리적 상식, 작업 절차 등을 추출**하여 휴머노이드의 이해 및 추론 능력을 향상시키는 연구 기회가 확대된다.
- 하드웨어-소프트웨어 공동 최적화: HumanPlus와 같은 시스템은 어떤 하드웨어(센서, 액추에이터, 자유도 구성)가 데이터 기반 학습 및 제어에 더 유리한지에 대한 인사이트를 제공하며, **차세대 휴머노이드 하드웨어 설계 방향**을 제시할 수 있다.
- 다양한 응용 분야 개척: 물류(창고 작업), 가사 노동(옷 접기), 제조, 협업, 엔터테인먼트(피아노, 탁구) 등 HumanPlus가 시연한 작업들은 **휴머노이드의 실질적인 응용 가능성**을 넓히고 새로운 비즈니스 기회를 창출할 수 있다.
- 안전하고 직관적인 상호작용: 인간의 동작을 직접 따라하는 섀도잉 기술은 로봇에게 작업을 가르치는 **더 직관적이고 안전한 방법**을 제공하며, 이는 인간-로봇 협업 및 비전문가의 로봇 활용 가능성을 높인다.
27.03.202507:10
딥마인드 설립 (2010): 당시 AI 연구가 활발하지 않았음에도, 범용 인공지능(AGI) 구축을 목표로 '아폴로 프로그램'처럼 시작.
- 딥마인드 미션: 1단계: 지능 문제 해결 (Solve Intelligence) → 2단계: 해결된 지능으로 다른 모든 문제 해결 (Use it to solve everything else). 당시에는 매우 파격적이었으나, 현재는 AI의 잠재력에 대한 인식이 확산됨. 과학적 발견, 의학, 우주 이해 등을 가속화하는 것이 목표.
AI 구축 방식:
- 전문가 시스템 (Expert Systems): 과거 방식 (예: 딥블루). 사전에 프로그래밍된 지식 기반. 예상치 못한 상황에 대처 불가. 경직되고 취약함. 일반 지능으로 확장 불가.
- 학습 시스템 (Learning Systems): 현대 방식. 경험/데이터로부터 스스로 학습. 신경과학에서 영감. 프로그래머의 지식을 뛰어넘는 발견 가능. 과학적 발견에 특히 유용.
게임 AI: AI 훈련의 시험장:
게임의 역할: AI 시스템 훈련을 위한 완벽한 시험장. (아타리 게임 → 바둑 → 체스 등)
DQN (Deep Q-Network, 2013년경): 아타리 게임 마스터. 최초로 원시 데이터(픽셀)로부터 직접 학습하는 종단간(end-to-end) 학습 시스템.
알파고 (AlphaGo):
- 바둑의 복잡성 (경우의 수: 10^170, 우주 원자 수보다 많음) → 무작위 탐색(brute-force) 불가.
- 2016년 이세돌 9단과의 대국 승리 (전 세계 2억 명 시청).
- 새로운 전략 발견: 수천 년간 연구된 바둑에서 독창적인 수(특히 게임 2의 '37수') 발견. 이는 AI가 인간의 지식을 넘어서는 새로운 지식을 창조할 수 있음을 시사.
알파고 제로 / 알파제로 (AlphaZero):
- 바둑뿐 아니라 체스, 쇼기 등 2인 제로섬 게임을 규칙만으로 학습하여 마스터.
- 기존 최강 체스 프로그램(스톡피쉬) 격파.
- 새로운 스타일 발견: 인간 최고수들이 아름답고 효과적이라고 평가하는 역동적인 플레이 스타일(기물 희생을 통한 기동성 확보 등) 발견. (카스파로프: "알파제로의 스타일은 진실을 반영한다", 칼슨: "알파제로에게 영향을 받았다")
알파 시리즈의 작동 원리 (자기 대국 및 탐색):
- 무작위 플레이 버전에서 시작하여 자기 자신과의 수많은 대국(self-play)을 통해 점진적으로 성능 향상.
- 신경망을 이용해 방대한 탐색 공간(search space)을 효율적으로 탐색하고 유망한 수 예측.
게임 AI를 넘어 과학적 발견으로:
적용 기준: 게임 AI 알고리즘을 실제 문제에 적용하기 위한 세 가지 기준:
1. 거대한 조합 탐색 공간 (Massive combinatorial search space): 무작위 탐색이 불가능할 정도로 복잡하지만, 학습 가능한 구조 존재.
2. 명확한 목표 함수/지표 (Clear objective function): 최적화할 수 있는 측정 가능한 목표 설정 가능. (게임: 승리, 점수 최대화)
3 충분한 데이터 또는 시뮬레이터 (Data or Simulator): 학습에 필요한 실제 데이터 또는 정확하고 효율적인 시뮬레이터를 통한 합성 데이터 생성 가능.
1. 단백질 접힘 문제 (Protein Folding Problem):
- 중요성: 생명체의 기본 구성 요소, 거의 모든 생체 기능 수행.
- 문제 정의: 1차원 아미노산 서열로부터 3차원 단백질 구조 예측. (구조 → 기능 결정에 중요)
- 어려움 (레빈탈의 역설): 단백질이 취할 수 있는 형태는 천문학적(10^300)이지만, 자연에서는 밀리초 단위로 접힘. 계산적으로 해결 가능할 것이라는 희망.
- CASP 대회: 단백질 구조 예측 올림픽. 실험적으로 규명된 미발표 구조를 예측하는 블라인드 테스트. 알파폴드 개발의 중요한 이정표.
알파폴드 (AlphaFold):
- 개발: 2016년 알파고 성공 직후 시작. 게임에서 개발된 기법을 실제 과학 문제에 적용.
- AlphaFold 1 (2018, CASP13): 최초로 머신러닝 기법을 주요 요소로 도입하여 대회 우승. 이전 10년간 정체되었던 정확도 크게 향상.
- AlphaFold 2 (2020, CASP14): 원자 수준 정확도(atomic accuracy) 달성. 문제 해결 선언. (실험 방법과 경쟁력 있는 수준)
- 작동 방식: 반복적인 프로세스를 통해 아미노산 덩어리에서 시작하여 점진적으로 정확한 3차원 구조 구축.
알파폴드의 영향:
- 대규모 구조 예측 및 공개: 알려진 거의 모든 단백질(2억 개 이상) 구조 예측하여 EMBL-EBI와 협력, 데이터베이스 무료 공개. (수십억 년 분량의 박사 연구를 1년 만에 완료)
- 과학 연구 가속화: 구조 정보가 부족했던 유기체(식물 등) 연구 촉진, 종간 구조 비교 등 새로운 연구 분야 개척.
- 광범위한 활용: 200만 명 이상의 연구자가 사용, 3만 회 이상 인용. 생물학 연구의 표준 도구로 자리매김.
- 활용 사례: 플라스틱 분해 효소 개발, 항생제 내성 연구, 소외 질병(말라리아 등) 치료제 개발 가속화, 세포 핵공 복합체 구조 규명, 약물 전달 시스템 설계, 생식 메커니즘 연구 등 생물학/의학 전반.
- 안전성 고려: 개발 초기부터 생물 보안/윤리 전문가와 협의하여 위험보다 이익이 크도록 노력.
알파폴드 최신 개발:
- AlphaFold 3 (2024): 단백질-단백질, 단백질-DNA/RNA, 단백질-리간드(약물 후보 등) 상호작용 예측으로 확장.
- 알파폴디오 (AlphaFoldio - 가칭, 관련 연구): 역방향 문제. 원하는 기능을 가진 특정 구조를 만들기 위한 아미노산 서열 설계. (신약, 항체 설계 등)
AI와 과학의 미래:
- 디지털 생물학 (Digital Biology): 생물학을 근본적으로 정보 처리 시스템으로 간주. AI는 복잡하고 동적인 생물학 시스템을 이해하고 설명하는 데 이상적인 언어. 알파폴드가 그 증거.
- 아이소모픽 랩스 (Isomorphic Labs): 알파폴드 기술 기반 신약 개발 스핀아웃. AI를 이용해 신약 개발 기간(평균 10년)과 비용(수십억 달러)을 획기적으로 단축 목표. (디지털 속도로 과학하기)
- 가상 세포 (Virtual Cell): 궁극적으로 효모 세포 등 간단한 세포의 계산 모델을 만들어, 실험실 실험(wet lab)을 줄이고 예측/검증 중심으로 전환하는 꿈.
- 다양한 과학 분야 적용: 생물학 외에도 신소재 발견, 핵융합 플라즈마 제어, 알고리즘 최적화(행렬 곱셈 등), 날씨 예측, 양자 컴퓨팅 오류 수정 등 광범위한 분야에서 AI 활용 및 성과. 학제간 연구 중요성 강조.
AGI 경로와 안전성:
범용 모델 개발:
- 월드 모델 (World Models): 세상에 대한 일반적인 이해를 갖춘 모델.
- Veo: 최첨단 비디오 생성 모델 (텍스트 설명/정지 이미지 → 비디오 생성). 물리 법칙, 객체 상호작용 등을 학습함을 시사.
- Genie: 텍스트 설명으로 플레이 가능한 게임 월드 생성 모델. 현실 세계 상호작용 및 물리 이해 심화.
안전성과 책임:
- 딥마인드 창립 초기부터 AI의 성공 가능성을 염두에 두고 안전하고 책임감 있는 개발 및 배포 고민.
- SynthID: AI 생성 콘텐츠(이미지, 오디오, 비디오)에 인간이 감지 못하는 워터마크 삽입/탐지 기술. 진위 구별 중요성 증대.
- 사회적 논의와 협력: 기술자뿐 아니라 사회 전체(정부, 학계, 시민사회 등)가 AI 개발 방향 논의에 참여해야 함. 국제 AI 정상회의 등 긍정적.
- 실리콘밸리 문화 비판: '빠르게 움직이고 부숴라(move fast and break things)' 방식은 AI와 같은 변혁적 기술에 부적합. 대신 과학적 방법론에 기반한 겸손함, 존중, 신중함, 예측 필요.
미래 전망:
- 차세대 AI 모델 (제미나이 시리즈): 다양한 모델의 장점을 통합한 대규모 멀티모달 모델 (Gemini 2.0 등).
- 프로젝트 아스트라 (Project Astra): 휴대폰/안경 등을 통해 현실 세계에서 사용자에게 도움을 주는 범용 AI 비서.
- 에이전트 기반 AI: 알파고와 같은 탐색/계획 능력을 제미나이와 같은 월드 모델과 결합. 현실 세계에서 목표를 달성하는 로보틱스 등에 핵심적 역할 예상 (향후 2-3년 내 큰 발전 기대).
- 딥마인드 미션: 1단계: 지능 문제 해결 (Solve Intelligence) → 2단계: 해결된 지능으로 다른 모든 문제 해결 (Use it to solve everything else). 당시에는 매우 파격적이었으나, 현재는 AI의 잠재력에 대한 인식이 확산됨. 과학적 발견, 의학, 우주 이해 등을 가속화하는 것이 목표.
AI 구축 방식:
- 전문가 시스템 (Expert Systems): 과거 방식 (예: 딥블루). 사전에 프로그래밍된 지식 기반. 예상치 못한 상황에 대처 불가. 경직되고 취약함. 일반 지능으로 확장 불가.
- 학습 시스템 (Learning Systems): 현대 방식. 경험/데이터로부터 스스로 학습. 신경과학에서 영감. 프로그래머의 지식을 뛰어넘는 발견 가능. 과학적 발견에 특히 유용.
게임 AI: AI 훈련의 시험장:
게임의 역할: AI 시스템 훈련을 위한 완벽한 시험장. (아타리 게임 → 바둑 → 체스 등)
DQN (Deep Q-Network, 2013년경): 아타리 게임 마스터. 최초로 원시 데이터(픽셀)로부터 직접 학습하는 종단간(end-to-end) 학습 시스템.
알파고 (AlphaGo):
- 바둑의 복잡성 (경우의 수: 10^170, 우주 원자 수보다 많음) → 무작위 탐색(brute-force) 불가.
- 2016년 이세돌 9단과의 대국 승리 (전 세계 2억 명 시청).
- 새로운 전략 발견: 수천 년간 연구된 바둑에서 독창적인 수(특히 게임 2의 '37수') 발견. 이는 AI가 인간의 지식을 넘어서는 새로운 지식을 창조할 수 있음을 시사.
알파고 제로 / 알파제로 (AlphaZero):
- 바둑뿐 아니라 체스, 쇼기 등 2인 제로섬 게임을 규칙만으로 학습하여 마스터.
- 기존 최강 체스 프로그램(스톡피쉬) 격파.
- 새로운 스타일 발견: 인간 최고수들이 아름답고 효과적이라고 평가하는 역동적인 플레이 스타일(기물 희생을 통한 기동성 확보 등) 발견. (카스파로프: "알파제로의 스타일은 진실을 반영한다", 칼슨: "알파제로에게 영향을 받았다")
알파 시리즈의 작동 원리 (자기 대국 및 탐색):
- 무작위 플레이 버전에서 시작하여 자기 자신과의 수많은 대국(self-play)을 통해 점진적으로 성능 향상.
- 신경망을 이용해 방대한 탐색 공간(search space)을 효율적으로 탐색하고 유망한 수 예측.
게임 AI를 넘어 과학적 발견으로:
적용 기준: 게임 AI 알고리즘을 실제 문제에 적용하기 위한 세 가지 기준:
1. 거대한 조합 탐색 공간 (Massive combinatorial search space): 무작위 탐색이 불가능할 정도로 복잡하지만, 학습 가능한 구조 존재.
2. 명확한 목표 함수/지표 (Clear objective function): 최적화할 수 있는 측정 가능한 목표 설정 가능. (게임: 승리, 점수 최대화)
3 충분한 데이터 또는 시뮬레이터 (Data or Simulator): 학습에 필요한 실제 데이터 또는 정확하고 효율적인 시뮬레이터를 통한 합성 데이터 생성 가능.
1. 단백질 접힘 문제 (Protein Folding Problem):
- 중요성: 생명체의 기본 구성 요소, 거의 모든 생체 기능 수행.
- 문제 정의: 1차원 아미노산 서열로부터 3차원 단백질 구조 예측. (구조 → 기능 결정에 중요)
- 어려움 (레빈탈의 역설): 단백질이 취할 수 있는 형태는 천문학적(10^300)이지만, 자연에서는 밀리초 단위로 접힘. 계산적으로 해결 가능할 것이라는 희망.
- CASP 대회: 단백질 구조 예측 올림픽. 실험적으로 규명된 미발표 구조를 예측하는 블라인드 테스트. 알파폴드 개발의 중요한 이정표.
알파폴드 (AlphaFold):
- 개발: 2016년 알파고 성공 직후 시작. 게임에서 개발된 기법을 실제 과학 문제에 적용.
- AlphaFold 1 (2018, CASP13): 최초로 머신러닝 기법을 주요 요소로 도입하여 대회 우승. 이전 10년간 정체되었던 정확도 크게 향상.
- AlphaFold 2 (2020, CASP14): 원자 수준 정확도(atomic accuracy) 달성. 문제 해결 선언. (실험 방법과 경쟁력 있는 수준)
- 작동 방식: 반복적인 프로세스를 통해 아미노산 덩어리에서 시작하여 점진적으로 정확한 3차원 구조 구축.
알파폴드의 영향:
- 대규모 구조 예측 및 공개: 알려진 거의 모든 단백질(2억 개 이상) 구조 예측하여 EMBL-EBI와 협력, 데이터베이스 무료 공개. (수십억 년 분량의 박사 연구를 1년 만에 완료)
- 과학 연구 가속화: 구조 정보가 부족했던 유기체(식물 등) 연구 촉진, 종간 구조 비교 등 새로운 연구 분야 개척.
- 광범위한 활용: 200만 명 이상의 연구자가 사용, 3만 회 이상 인용. 생물학 연구의 표준 도구로 자리매김.
- 활용 사례: 플라스틱 분해 효소 개발, 항생제 내성 연구, 소외 질병(말라리아 등) 치료제 개발 가속화, 세포 핵공 복합체 구조 규명, 약물 전달 시스템 설계, 생식 메커니즘 연구 등 생물학/의학 전반.
- 안전성 고려: 개발 초기부터 생물 보안/윤리 전문가와 협의하여 위험보다 이익이 크도록 노력.
알파폴드 최신 개발:
- AlphaFold 3 (2024): 단백질-단백질, 단백질-DNA/RNA, 단백질-리간드(약물 후보 등) 상호작용 예측으로 확장.
- 알파폴디오 (AlphaFoldio - 가칭, 관련 연구): 역방향 문제. 원하는 기능을 가진 특정 구조를 만들기 위한 아미노산 서열 설계. (신약, 항체 설계 등)
AI와 과학의 미래:
- 디지털 생물학 (Digital Biology): 생물학을 근본적으로 정보 처리 시스템으로 간주. AI는 복잡하고 동적인 생물학 시스템을 이해하고 설명하는 데 이상적인 언어. 알파폴드가 그 증거.
- 아이소모픽 랩스 (Isomorphic Labs): 알파폴드 기술 기반 신약 개발 스핀아웃. AI를 이용해 신약 개발 기간(평균 10년)과 비용(수십억 달러)을 획기적으로 단축 목표. (디지털 속도로 과학하기)
- 가상 세포 (Virtual Cell): 궁극적으로 효모 세포 등 간단한 세포의 계산 모델을 만들어, 실험실 실험(wet lab)을 줄이고 예측/검증 중심으로 전환하는 꿈.
- 다양한 과학 분야 적용: 생물학 외에도 신소재 발견, 핵융합 플라즈마 제어, 알고리즘 최적화(행렬 곱셈 등), 날씨 예측, 양자 컴퓨팅 오류 수정 등 광범위한 분야에서 AI 활용 및 성과. 학제간 연구 중요성 강조.
AGI 경로와 안전성:
범용 모델 개발:
- 월드 모델 (World Models): 세상에 대한 일반적인 이해를 갖춘 모델.
- Veo: 최첨단 비디오 생성 모델 (텍스트 설명/정지 이미지 → 비디오 생성). 물리 법칙, 객체 상호작용 등을 학습함을 시사.
- Genie: 텍스트 설명으로 플레이 가능한 게임 월드 생성 모델. 현실 세계 상호작용 및 물리 이해 심화.
안전성과 책임:
- 딥마인드 창립 초기부터 AI의 성공 가능성을 염두에 두고 안전하고 책임감 있는 개발 및 배포 고민.
- SynthID: AI 생성 콘텐츠(이미지, 오디오, 비디오)에 인간이 감지 못하는 워터마크 삽입/탐지 기술. 진위 구별 중요성 증대.
- 사회적 논의와 협력: 기술자뿐 아니라 사회 전체(정부, 학계, 시민사회 등)가 AI 개발 방향 논의에 참여해야 함. 국제 AI 정상회의 등 긍정적.
- 실리콘밸리 문화 비판: '빠르게 움직이고 부숴라(move fast and break things)' 방식은 AI와 같은 변혁적 기술에 부적합. 대신 과학적 방법론에 기반한 겸손함, 존중, 신중함, 예측 필요.
미래 전망:
- 차세대 AI 모델 (제미나이 시리즈): 다양한 모델의 장점을 통합한 대규모 멀티모달 모델 (Gemini 2.0 등).
- 프로젝트 아스트라 (Project Astra): 휴대폰/안경 등을 통해 현실 세계에서 사용자에게 도움을 주는 범용 AI 비서.
- 에이전트 기반 AI: 알파고와 같은 탐색/계획 능력을 제미나이와 같은 월드 모델과 결합. 현실 세계에서 목표를 달성하는 로보틱스 등에 핵심적 역할 예상 (향후 2-3년 내 큰 발전 기대).
Увійдіть, щоб розблокувати більше функціональності.
