Continuous Learning_Startup & Investment

명확한 우선순위: 쇼피파이에는 흔들리지 않는 3가지 우선순위가 있음. 1. 훌륭한 제품을 만든다. 2. 돈을 번다. 3. 그 돈으로 더 훌륭한 제품을 만든다. 절대 1번과 2번의 순서를 바꾸지 않는다. 이는 상장 기업으로서 지키기 매우 어려운 원칙임. 압도적으로 높은 품질 기준(Quality Bar): 쇼피파이는 다른 회사라면 이미 출시했을 제품도 품질 기준에 미치지 못하면 출시하지 않음. 단기적으로는 비효율적일 수 있지만, 100년 가는 제품을 만든다는 장기적인 관점에서는 매우 효과적인 자원 사용 방식임. '학습자 마인드셋' '경험'보다 '학습 능력'을 중시: "10년 경력 필수"와 같은 채용 공고는 학습자 마인드셋에 반하는 것임. 쇼피파이는 경험이 풍부한 사람보다 처음부터 새로운 것을 배울 수 있는 능력을 가진 사람을 선호하며, 이로 인해 업계의 관행과 다른 방식으로 일하게 됨. 학습을 방해하는 '종교적 믿음' 경계: 많은 성장 기업들이 '학습자'를 표방하지만, 실제로는 의문을 제기할 수 없는 '종교적 믿음'을 가지고 있음. 질문할 수 없는 곳에서는 학습이 멈춤. 쇼피파이의 독특한 내부 운영 방식 (내부 도구 구축) 내부 도구를 직접 만드는 이유: "우리의 도구가 우리를 만든다(Our tools build us)." 소프트웨어의 구조는 사람들의 사고방식과 일하는 방식을 규정함. 외부 소프트웨어는 쇼피파이의 독특한 철학과 의견을 담고 있지 않음. 사례: GSD (Get [ __ ] Done)라는 자체 프로젝트 관리 툴, HR 관리 툴, 그리고 엑셀의 불확실성을 극복하기 위한 자체 인력 계획 시뮬레이션 소프트웨어 등을 직접 개발하여 사용함. 이는 마치 리플링(Rippling)처럼 모든 내부 도구가 동기화되어 강력한 시너지를 냄. 초기의 반대와 현재의 가치: 처음에는 내부 문화 관리 소프트웨어를 만드는 것을 "망치 자루만큼 멍청한 생각"이라고 반대했으나, 6개월 후에는 없어서는 안 될 귀중한 도구가 되었음을 인정함. 훌륭한 PM의 조건과 정보의 흐름 모든 것을 자신의 탓으로 돌려라: PM의 역할은 사용자를 위해 최상의 결과(outcome)를 만드는 것이므로, 사용자가 더 나아지지 않았다면 그 책임은 오직 PM에게 있음. 'What'보다 'How'가 중요하다: "적절한 시기 > 올바른 방식 > 올바른 제품" 순으로 중요함. 만약 하나를 포기해야 한다면 '올바른 제품(the right thing)'을 포기해야 함. 대부분의 회사는 '무엇을' 만들지 논쟁하지만, 실제로는 '스택의 어디에' 만들지를 논쟁해야 함. 정보 흐름의 중요성: 커리어에서 저지른 가장 큰 실수들은 모두 조직도를 따라 정보가 흐르게 하여 정보의 흐름을 제한했을 때 발생했음. 정보는 공개적으로 공유되어야 하며, 상사가 전사와 동시에 어떤 사실을 알게 되는 것은 전혀 문제없음. 이는 회사가 투명하게 운영되고 있음을 보여주고, 모든 구성원의 집단 지성을 활용하게 함. 끝없는 야망과 공격적인 실행력: 키스 라보이스와 맥스 레브친(Max Levchin) 모두 친절하지만, 동시에 상상할 수 없을 정도로 공격적인 실행력과 야망을 가지고 있음. 그들에게서 **'영원히 굶주리는 법(perpetually hungry)'**을 배움. '린 스타트업' 방식에 대한 비판적 시각: 키스의 '헐리우드 영화감독'식 회사 운영 방식(명확한 비전을 가지고 배우를 캐스팅하고 실행하는 방식)에 동의함. "린 스타트업"의 '테스트하고 반복하라'는 접근법은 많은 미완성 소프트웨어를 낳았음. 고객은 테스트 대상이 되기를 원치 않음. 비전의 중요성과 유연성: 모든 위대한 창조물은 "세상이 X에 대해 틀렸고, 내가 그것을 고치겠다"는 비전에서 시작됨. 비전은 시간이 지나면서 변할 수 있음. 쇼피파이의 창업자 토비(Toby)의 첫 비전은 스노보드 가게를 만드는 것이었고, 마이크로소프트의 첫 제품은 부트로더였음. 하지만 초기 제품은 '완성된' 형태였음. https://youtu.be/pogISnTN6Jw

그들의 업무 대부분은, 특히 엔지니어링 분야를 시작으로, 어떻게 하면 에이전트를 효과적으로 만들 수 있을지에 초점을 맞추고 있습니다. 매우 구체적인 프롬프트 작성에 집중하고, 사양(specs)을 완벽하게 맞추는 것을 더 중요하게 여기며, 백그라운드에서 여러 에이전트를 병렬로 실행하고, 직접 코딩하기보다 코드 리뷰에 집중하는 것 등 여러 새로운 워크플로우 방식들이 바로 에이전트를 대규모로 활용하기 위해 실제로 필요한 것들입니다. 그리고 현재는 코딩 분야가 에이전트를 활용하는 워크플로우(agentic workflows)에서 앞서나가고 있지만, 시간이 지남에 따라 이러한 패턴이 다른 대부분의 분야로 확산되기 시작할 것은 분명합니다. 레버리지 효과는 모든 곳에서 나타날 것입니다. 10배 더 많은 마케팅 결과물을 생성하는 능력, 자동화된 법률 워크플로우 덕분에 계약을 훨씬 더 빠르게 처리하는 것, 고객 지원 및 성공 운영을 더 빠른 방식으로 처리하는 것 등이 그 예입니다. 여기서 얻을 수 있는 교훈은, 이들 팀은 에이전트에게 시키는 일에 있어 훨씬 더 야심 차다는 경향이 있다는 것입니다. 기존의 대부분 팀과 기업들은 점진적인 이득에 만족하며, 일하는 방식에 있어 진정으로 큰 변화를 만드는 데에는 미치지 못할 것입니다. 그리고 그렇게 큰 변화를 만드는 것이, 이러한 새로운 업무 방식에 적응하는 이들에게 최소한 일시적인 우위를 제공할 것입니다. https://x.com/levie/status/1967036306888044887

A: 자신의 경험으로부터 효과적으로 학습하려면, 이미 그 작업에 대해 어느 정도 알고 있는 '사전 지식'이 매우 중요합니다. 현재 모방 학습(감독 학습)을 통해 모델을 훈련시키는 목적은, 나중에 강화 학습을 통해 더 빠르게 배울 수 있도록 그 사전 지식의 기반을 구축하는 것입니다. 이는 LLM이 다음 단어 예측으로 시작하여 나중에 RL로 발전한 것과 같은 경로입니다. Q: 시뮬레이션이 로봇 훈련에 더 효과적이지 않은 이유는 무엇인가요? 인간 파일럿은 시뮬레이터로 많은 것을 배우는데요. A: 파일럿은 '실제 비행기를 조종한다'는 명확하고 강한 목표를 가지고 시뮬레이터에 임합니다. 하지만 모델은 여러 도메인의 데이터를 학습할 때 특정 최종 목표를 알지 못합니다. 오히려 진짜 데이터를 통해 '세상이 어떻게 돌아가는지'에 대한 올바른 기반 모델을 구축하는 것이, 시뮬레이션을 포함한 다른 보조 데이터 소스를 효과적으로 활용하는 열쇠가 될 수 있습니다. Q: 2030년까지 AI 인프라 구축에 수조 달러의 자본 지출이 예상됩니다. 그때쯤이면 로봇 경제가 데이터 센터 건설이나 태양광 패널 설치 같은 작업을 도울 만큼 성숙해 있을까요? A: 원칙적으로는 엄청난 도움이 될 수 있습니다. 로봇은 기계적인 인간이 아니라, 불도저와 같은 도구입니다. 키가 100피트인 로봇, 아주 작은 로봇 등 다양한 형태로 제작될 수 있으며, 외딴곳에서도 작업이 가능합니다. 로봇은 스스로를 생산하는 데에도 도움을 줄 수 있기 때문에, 선순환 구조를 만들 수 있습니다. Q: 하드웨어가 병목이라면, 대부분의 로봇 팔을 생산하는 중국이 기본적으로 승리하는 것 아닌가요? A: 이것은 매우 복잡한 문제입니다. 자동화는 고학력 인력의 생산성을 극대화하기 때문에, 우리가 지향하는 고부가가치 사회에 매우 적합합니다. 이 목표에 도달하기 위해서는 소프트웨어와 하드웨어 혁신을 모두 지원하는 '균형 잡힌 로봇 생태계'에 대한 장기적인 비전과 투자가 필요합니다. 특정 분야에만 흥분이 쏠릴 때 다른 중요한 요소(하드웨어, 인프라 등)를 놓치기 쉽습니다. 우리는 이러한 문제들을 전체적으로 봐야 합니다.

Q: 로봇 공학의 발전이 왜 자율주행차처럼 더디지 않을 것이라고 생각하시나요? 자율주행차는 10년 이상 개발되었지만 아직 완전 보급되지 않았습니다. A: 2009년과 지금의 가장 큰 차이점은 주변 세계를 이해하는 머신러닝 기술, 특히 '인식(perception)' 기술의 발전입니다. 현재 우리는 훨씬 더 일반화 가능하고 견고한 인식 시스템을 갖추고 있어 출발점이 훨씬 좋습니다. 또한, 로봇 조작(manipulation)은 자율주행과 다른 측면이 있습니다. 운전은 실수가 큰 결과를 초래하기 때문에 처음부터 실수를 하고 배우기가 매우 어렵습니다. 하지만 설거지와 같은 많은 조작 작업은 실수를 하고 그것을 바로잡는 것이 가능합니다. 실수를 바로잡는 과정에서 작업을 완수할 뿐만 아니라, 미래에 그 실수를 피할 수 있는 지식도 얻게 됩니다. 여기에 LLM과 VLM에서 비롯된 '상식(common sense)'이 더해집니다. 이제 우리는 시스템에 "바닥이 미끄럽다는 표지판이 있는데, 위로 걸어가면 어떻게 될까?"와 같은 질문을 할 수 있고, 시스템은 합리적인 추측을 할 수 있습니다. 2009년의 자율주행차는 이런 질문에 답할 수 없었습니다. 이러한 요소들이 로봇 공학이 더 작은 범위에서 시작하여 성장하는 것을 가능하게 합니다. Q: 과거 구글, 메타 등 많은 기업들이 트랜스포머 기반 로봇을 개발하려 했지만 난관에 부딪혔습니다. 지금은 무엇이 달라졌나요? A: 그들의 노력 덕분에 많은 진전이 있었고, 저희 작업도 그들의 연구 위에 구축되었습니다. 하지만 로봇 파운데이션 모델을 실제로 작동시키려면, 실험실의 과학 실험을 넘어 '아폴로 프로그램'과 같은 산업적 규모의 구축 노력이 필요합니다. 과거의 연구는 근본적인 연구에 초점을 맞췄지만, 그것만으로는 부족합니다. 로봇을 실제로 세상에 내보내고, 실제 작업에 대한 대표적인 데이터를 대규모로 수집하고, 시스템을 구축하는 등, 로봇 파운데이션 모델 자체를 완성하겠다는 단 하나의 목표에 집중해야 합니다. Q: 데이터가 병목 현상이라면, 왜 즉시 100배 더 많은 운영자를 고용하여 데이터 수집 규모를 늘리지 않나요? A: 문제는 어떤 축의 확장이 어떤 역량의 축에 기여하는지 이해하는 것입니다. 단순히 작업의 종류를 10개에서 100개로 늘리는 수평적 확장은 기존 방식을 확장하면 됩니다. 하지만 우리는 높은 견고성, 효율성, 예외 상황 처리 능력 등 다른 축의 역량도 확장해야 합니다. 이를 위해서는 어떤 데이터를, 어떤 환경에서, 어떤 방법으로 수집하고 처리해야 하는지에 대한 올바른 축을 찾아야 합니다. 아직 그 답을 완전히 알지 못하지만, 곧 알아낼 것이라고 생각합니다. Q: 현재 수집한 데이터의 양은 인터넷 규모의 사전 훈련 데이터와 비교하면 어느 정도인가요? A: 로봇 경험 데이터는 시간적으로 매우 상관관계가 높아 직접 비교는 어렵습니다. 다중모드 훈련에 사용되는 데이터셋과 비교하는 것이 더 나은데, 약 10배에서 100배(1~2 orders of magnitude) 정도 차이가 나는 것으로 생각됩니다. 하지만 중요한 것은 '완성되기까지 얼마나 많은 데이터가 필요한가'가 아니라, '시작하기까지(데이터 플라이휠을 돌리기까지) 얼마나 많은 데이터가 필요한가'입니다. Q: 현재 사용 중인 π0 모델은 어떻게 작동하나요? A: 기본적으로 운동 제어에 맞게 개조된 비전-언어 모델(VLM)입니다. 뇌에 비유하자면, VLM은 LLM에 시각 피질(비전 인코더)을 이식한 것과 같습니다. 저희 모델은 여기에 운동 피질(행동 디코더)까지 추가한 것입니다. 모델은 로봇의 감각 정보를 읽고, 중간 단계(chain-of-thought)를 거쳐 최종적으로 연속적인 행동을 생성하는 '행동 전문가(action expert)'에게 전달합니다. 구조적으로는 '전문가 혼합(mixture-of-experts)' 아키텍처와 유사하며, 종단간(end-to-end) 트랜스포머입니다. Q: 텍스트는 높은 수준의 의미를 표현하지만 이미지나 비디오는 압축된 픽셀에 불과해, 서로 다른 양식(modality) 간의 전이 학습이 잘 일어나지 않는다는 주장이 있습니다. 이 점이 로봇 공학에 불리하게 작용할까요? A: 나쁜 소식과 좋은 소식이 있습니다. 나쁜 소식은 그것이 비디오/이미지 생성 모델의 오랜 과제라는 점입니다. 텍스트와 달리 비디오는 너무 많은 정보(구름 분자, 보행자 심리 등)를 담고 있어 무엇이 중요한지 파악하기 어렵습니다. 좋은 소식은 로봇은 '목표'를 가지고 있다는 점입니다. 작업을 수행하려는 목적이 세상을 보는 방식을 구조화하고, 무엇에 집중해야 할지 알려주는 강력한 '초점 메커니즘'으로 작용합니다. 이는 다른 데이터 소스를 더 효과적으로 활용하는 데 도움이 될 수 있습니다. Q: 로봇 데이터는 수동으로 수집되기 때문에, LLM처럼 예상치 못한 '창발적 능력(emergent capabilities)'이 나타나기 어려울 것 같습니다. 결국 모든 하위 작업을 위해 수천 개의 에피소드를 수동으로 추가해야 하는 긴 꼬리 문제가 발생하지 않을까요? A: 창발적 능력은 단순히 데이터의 다양성에서 오는 것이 아니라, 일반화가 특정 수준에 도달했을 때 '조합적(compositional)'이 되기 때문에 나타납니다. 예를 들어, LLM은 사전에 본 적 없는 '국제음성기호(IPA)로 요리 레시피 작성하기'를 해낼 수 있는데, 이는 기존 지식을 새로운 방식으로 조합한 결과입니다. 로봇도 마찬가지입니다. 충분히 다양한 행동을 학습하면, 상황에 맞게 행동을 새롭게 조합하는 능력이 생깁니다. 실제로 저희 로봇이 실수로 티셔츠 두 개를 집었을 때, 하나를 접는 동안 방해가 되는 다른 하나를 다시 통에 던져 넣는 행동을 보였습니다. 이것은 우리가 의도적으로 가르치지 않은 조합적 일반화의 예입니다. Q: 현재 모델은 1초의 컨텍스트만 가지고 있는데, 어떻게 1분 길이의 작업을 수행할 수 있나요? 인간이 1초의 기억만 가지고 물리적 작업을 하는 것은 불가능해 보입니다. A: 이것은 '모라벡의 역설(Moravec's paradox)'과 관련이 있습니다. AI에게는 인간이 당연하게 여기는 것(물체 집기, 보기 등)이 어렵고, 인간이 어렵다고 생각하는 것(체스, 미적분)이 쉽다는 역설이죠. 우리가 인지적으로 힘들다고 느끼는 작업은 많은 것을 기억해야 하지만, 올림픽 수영 선수가 완벽한 자세로 수영하는 것처럼 잘 연습된 작업은 '순간'에 집중할 뿐 많은 컨텍스트를 필요로 하지 않습니다. 물론 장기적으로는 더 긴 메모리가 필요하지만, 현재는 다른 것들을 먼저 해결하는 것이 중요합니다. Q: 추론 속도, 컨텍스트 길이, 모델 크기라는 세 가지 상충되는 요소를 모두 인간 수준으로 끌어올리려면 어떻게 해야 할까요? 이 세 가지를 동시에 개선하는 것은 컴퓨팅 자원의 한계에 부딪힐 텐데요. A: 인간의 뇌는 GPU보다 훨씬 더 병렬적입니다. 미래의 로봇 시스템도 인식, 계획, 고유 수용성 감각 등을 동시에 병렬적으로 처리하는 방식으로 진화할 수 있습니다. 또한, 컨텍스트를 언어적 체크리스트나 공간적 이미지처럼 효율적인 형태로 '표현'하는 방법을 찾는 것도 중요합니다. 더 나아가, 인터넷 연결 상태에 따라 로봇의 '생각' 일부를 클라우드로 보내 처리하는 '외부화(externalize)' 방식도 가능할 것입니다. Q: 인간의 뇌가 현재 하드웨어보다 수십, 수백 배 효율적인 이유는 더 발전된 하드웨어 때문일까요, 아니면 더 효율적인 알고리즘 때문일까요? A: 정확한 답은 모르지만, 제 생각에는 알고리즘, 특히 '병렬성'과 관련이 깊다고 봅니다. 뇌는 극도로 병렬적입니다. 미래의 시스템은 장기 기억, 단기 공간 정보, 의미 정보, 현재 인식, 계획 등을 모두 병렬적으로, 아마도 서로 다른 속도로 처리할 수 있을 것입니다. Q: 강화 학습(RL)이 모방 학습(Imitation Learning)보다 낫다고 하셨는데, 왜 현재 모델은 모방 학습에만 의존하나요?

Robot 분야의 All Star가 모인 Physical Intelligence LLM도 사람들이 많이 쓸수록 모델이 좋아지는 플라이 휠이 일부 영역(사람들이 참여해서 모델 성능을 개선할 수 있는 부분)에서 일어나는데 로봇도 이런 좁은 영역의 기회를 찾고 플라이휠을 도는 순간 개선의 속도가 달라질 수 있다. Q: 로봇 기술이 폭발적으로 성장하기까지 매년 어떤 일이 일어나야 할까요? 연도별 비전은 무엇이며, 매년 해결해야 할 과제는 무엇인가요? 정교함(Dexterity)이 그중 하나입니다. 처음에는 우리가 개발 중인 방법들이 인간이 할 수 있는 복잡한 작업들(상자 접기, 다양한 종류의 빨래 개기, 테이블 정리, 커피 만들기 등)을 처리할 능력이 있는지 확인하고 싶습니다. 지금까지 보여준 결과들은 꽤 훌륭하지만, 최종 목표는 티셔츠를 멋지게 접는 것이 아니라, 우리가 세운 기본 가설이 탄탄하다는 것을 확인하는 것입니다. 사람들이 원하는 로봇은 "티셔츠를 접어줘"라고 말하는 로봇이 아니라, "이제부터 집안일을 다 해줘. 저녁은 6시에 만들어줘. 나는 아침 7시에 출근해. 빨래는 토요일에 하니까 준비해줘. 그리고 매주 월요일에 장 볼 목록에 대해 확인해줘"와 같은 포괄적인 지시를 내리면, 6개월이고 1년이고 그 일을 수행하는 로봇입니다. 지속적으로 학습하는 능력, 물리적 세계에 대한 이해, 상식, 필요할 때 추가 정보를 가져오는 능력이 있어야 합니다. 예를 들어, "오늘 저녁에 이 샐러드를 만들어 줄래?"라고 물으면, 로봇은 그게 무엇을 의미하는지 파악하고, 레시피를 찾아보고, 재료를 사 와야 합니다. 이를 위해서는 상식, 예외 상황 처리 능력, 지속적인 개선 능력, 안전성, 신뢰성, 실수 수정 능력 등 많은 것이 필요합니다. Q: 이 원대한 비전은 몇 년도에 실현될 것으로 예상하시나요? 25%, 50%, 75% 확률로 예측한다면요? AI 비서처럼, 로봇이 유용한 수준의 기본 역량을 갖추게 되면 세상에 출시될 것입니다. 중요한 점은, 일단 세상에 나가면 경험을 수집하고 그 경험을 바탕으로 더 나아질 수 있다는 것입니다. 그래서 저는 '언제 완성될 것인가'보다 '언제 플라이휠(flywheel)이 돌기 시작할 것인가'의 관점에서 생각합니다. 작업 범위를 좁힐수록 더 빨리 현실 세계에 내보낼 수 있습니다. 우리는 이미 이 플라이휠을 돌리기 위해 로봇이 실제로 할 수 있는 일이 무엇인지 탐색하고 있습니다. 여러분이 실제로 관심을 가질 만한 무언가가 나오는 것은 한 자릿수 연도 내(single-digit years)에 매우 현실적이라고 봅니다. 1~2년 안에 무언가 실제로 출시되기를 바라지만, 확답하기는 어렵습니다. '세상에 나온다'는 것은, 여러분이 정말로 원하는 일을 유능하게 수행하는 로봇이 존재한다는 것을 의미합니다. Q: 대규모 언어 모델(LLM)은 이미 널리 보급되었지만, 모델 회사들에게 명백한 플라이휠 효과로 이어지지는 않았습니다. 왜 LLM에서는 플라이휠이 작동하지 않는데, 로봇에서는 다를 것이라고 생각하시나요? 저는 LLM의 플라이휠도 작동하기 직전이라고 생각하며, 많은 조직이 바로 이 문제를 해결하기 위해 노력하고 있다고 100% 확신합니다. 사실상 이미 '인간 참여형(human-in-the-loop)' 플라이휠은 존재합니다. LLM을 배포하는 모든 회사는 그 성능을 보고 행동을 수정하는 데 활용하고 있습니다. 로봇 공학이 더 쉬울 것이라고 생각하지는 않지만, 몇 가지 관리하기 쉬운 작은 차이점들은 있습니다. 특히 로봇이 사람과 협력하여 작업을 수행할 때, 사람은 성공을 위해 자연스럽게 감독이나 지시를 제공하려는 강한 동기를 가집니다. 또한, 물리적 세계에서는 실수를 하고 복구한 뒤, 무엇이 잘못되었는지 되돌아보고 미래에 같은 실수를 피하는 상황이 더 자주 발생합니다. 티셔츠를 접다가 실수하면 그 사실이 명백하지만, AI 비서가 틀린 답변을 해도 상대방은 틀렸다는 사실조차 모를 수 있습니다. Q: 1년 안에 플라이휠을 돌리기 시작하는 로봇과, 인간 가사도우미처럼 집안일을 완전히 자율적으로 처리하는 로봇 사이에는 어떤 격차가 있나요? 그리고 그 완전 자율 가사도우미 로봇은 몇 년 안에 가능할까요? (중앙값 추정치) A: LLM과 마찬가지로 '범위(scope)'의 문제입니다. 코딩 비서가 처음에는 함수 일부를 완성하는 수준이었다가, 이제는 비교적 정형화된 작업의 경우 PR(Pull Request) 대부분을 작성해주는 것처럼요. 로봇도 마찬가지로, 처음에는 커피를 내리는 등 특정 작업으로 범위가 제한되겠지만, 역량과 상식이 향상됨에 따라 '커피숍 전체를 운영하는' 수준으로 범위가 넓어질 것입니다. 이것이 실현되는 시점에 대한 제 중앙값 추정치는 두 자릿수가 아닌 한 자릿수 연도 내입니다. 아마 **5년이 좋은 중앙값**일 것 같습니다. 물론 연구에는 불확실성이 따르지만, 우리는 이미 퍼즐 조각들을 대략적으로 알고 있고, 운이 좋다면 한 자릿수 연도 내 달성이 합리적입니다. Q: 5년 안에 집을 완전히 자율적으로 운영할 수 있다면, 경제 내 대부분의 블루칼라 노동도 자동화할 수 있다는 의미인가요? A: 여기에는 미묘한 차이가 있습니다. 코딩 비서가 모든 소프트웨어 엔지니어를 대체하는 것이 아니라, 전문가인 엔지니어의 생산성을 증강시키는 강력한 도구가 된 것처럼 말이죠. 로봇도 마찬가지일 것입니다. '인간 + 로봇'이 그냥 인간이나 그냥 로봇보다 훨씬 나은 결과를 낼 것입니다. 이는 기술을 부트스트래핑(bootstrapping)하는 것을 훨씬 쉽게 만듭니다. 인간이 로봇을 돕고 힌트를 주면서 로봇이 현장에서 새로운 기술을 배우고 습득할 잠재력이 훨씬 커지기 때문입니다. https://youtu.be/48pxVdmkMIE

구글 딥마인드에는 약 5,000명의 직원이 있으며, 그중 80% 이상이 엔지니어와 박사급 연구원 Q: 범용 로보틱스를 위한 '안드로이드' 같은 운영체제(OS)를 만들 수 있다는 의미일까요? 그렇게 되면 수많은 로봇 장치, 회사, 제품이 갑자기 급성장하게 될 텐데요. 로보틱스 전반에 걸친 일종의 '안드로이드' 같은 OS 계층을 만드는 것이죠. 하지만 최신 모델을 특정 로봇 타입과 수직적으로 통합하여 종단간(end-to-end) 학습을 하는 것 또한 매우 흥미로운 방향이라, 저희는 두 가지 전략을 모두 추구하고 있습니다. -> 테슬라 vs 구글이 과거 ios vs Android같은 미래를 만들 수 있겠다. Q: 향후 5~7년 내에 로봇이 수천 대, 수백만 대, 또는 수억 대 수준이 될 것으로 보시나요? A: 로보틱스는 아직 조금 이르다고 생각합니다. 향후 몇 년 안에 로보틱스 분야에서 정말 '와' 하는 순간이 올 것이지만, 아직 알고리즘 개발이 더 필요합니다. 또한 하드웨어 측면에서 핵심은 어느 시점에 대량 생산을 시작할 만한 적절한 수준의 하드웨어를 갖추느냐입니다. 너무 일찍 대량 생산을 결정하면, 6개월 뒤에 더 안정적이고 뛰어난 차세대 로봇이 발명될 수도 있으니까요. 비유하자면, 지금은 70년대 PC DOS 시대와 같다고 할 수 있겠네요. 다만, 그 시대와 다른 점은 10년의 발전이 1년 만에 일어난다는 것입니다. Q: 과학 분야에서 어떤 영역과 돌파구에 가장 기대가 크신가요? 그리고 거기에 도달하기 위해 어떤 종류의 모델을 사용해야 할까요? AI를 이용해 과학적 발견을 가속화하고 인류 건강에 기여하는 것이 제가 AI에 평생을 바친 이유입니다. AGI를 올바른 방식으로 구축한다면 과학을 위한 궁극적인 도구가 될 것입니다. 저희는 이미 알파폴드를 비롯해 재료 설계, 핵융합 원자로 플라즈마 제어, 날씨 예측, 수학 올림피아드 문제 풀이 등 다양한 과학 분야에 AI 시스템을 적용해왔습니다. 하지만 현재의 AI에는 진정한 창의성이 부족합니다. 새로운 추측이나 가설을 스스로 내놓지는 못하죠. 이것이 AGI를 위한 테스트 중 하나가 될 것입니다. Q: 인간의 창의성이란 무엇일까요? A: 위대한 과학자들이 보여주는 '직관적인 도약(intuitive leaps)'이라고 생각합니다. 아마도 유추나 패턴 인식을 통해 이루어질 것입니다. 좋은 테스트 방법이 있습니다. 현대 AI 시스템에 1901년까지의 지식만 주고, 아인슈타인이 1905년에 그랬던 것처럼 특수 상대성 이론을 발견할 수 있는지 보는 것입니다. 만약 가능하다면, 우리는 AGI에 가까워지고 있는 것이죠. 또 다른 예로, 알파고는 바둑에서 새로운 전략을 발명했지만, 과연 바둑만큼 우아하고 만족스러운 '게임' 자체를 발명할 수 있을까요? 현재로서는 답은 '아니오'입니다. Q: 무엇이 부족한지, 그리고 AGI가 몇 년 안에 올 것이라는 다른 사람들의 견해에 대해 어떻게 생각하시나요? A: 일부 경쟁사들은 오늘날의 시스템이 '박사급 지능'이라고 말하는데, 저는 터무니없는 소리라고 생각합니다. 특정 능력은 박사 수준일 수 있지만, 전반적으로 그렇지 않습니다. 질문을 특정 방식으로 하면 고등학교 수준의 수학에서도 간단한 실수를 할 수 있습니다. 진정한 AGI 시스템이라면 불가능한 일이죠. 저는 AGI가 등장하기까지 5년에서 10년 정도 걸릴 것으로 봅니다. '지속적인 학습(continual learning)' 능력도 아직 부족하고, 아마도 한두 가지의 결정적인 돌파구가 더 필요하다고 생각합니다. Q: 첫째, 대형 언어 모델의 성능이 수렴하고 있고, 둘째, 세대별 성능 향상이 둔화되거나 정체되고 있다는 주장이 있습니다. 이 두 가지 주장이 대체로 사실인가요? A: 아니요, 내부적으로는 그렇게 보고 있지 않습니다. 저희는 여전히 엄청난 속도로 발전하고 있습니다. 지니(Genie)나 비오(VEO) 같은 모델을 보면 알 수 있듯이 더 넓은 범위에서 발전하고 있습니다. 저희의 나노-바나나(Nano-Banana)는 정말 대단하죠. Q: 각 개인이 원하는 콘텐츠를 설명하면 AI가 즉석에서 만들어주는 세상이 올까요, 아니면 여전히 '일대다(one to many)' 방식의 창작 과정이 남을까요? A: 저는 두 가지가 공존하는 세상이 올 것이라고 봅니다. 최고의 창작자들은 여전히 존재하며, 그들은 같은 도구를 사용하더라도 더 높은 품질의 경험과 역동적인 스토리라인을 만들어낼 것입니다. 수백만 명의 사람들이 그들의 세계에 뛰어들겠지만, 동시에 사용자들은 그 세계의 일부를 '공동 창작(co-create)'할 수도 있을 겁니다. 어쩌면 주요 창작자는 그 세계의 '편집자'와 같은 역할을 하게 될 수도 있습니다. Q: 아이소모픽 랩스(Isomorphic Labs)에 대해 설명해주실 수 있을까요? 신약 개발 기간을 수년에서 앞으로 10년 안에 몇 주 또는 며칠로 단축할 수 있을 것이라 생각합니다. 내년 중 전임상 단계에 진입할 것으로 보입니다. Q: 신약 개발 모델링을 할 때, 물리나 화학 법칙과 같은 결정론적 모델을 얼마나 개발하고, 이를 데이터 기반의 확률론적 모델과 결합해야 하나요? A: 좋은 질문입니다. 현재로서는 '하이브리드 모델'을 만들고 있습니다. 알파폴드가 바로 그런 예입니다. 데이터로부터 학습하는 신경망(확률론적 요소)과 원자 간 결합 각도나 원자가 겹칠 수 없다는 화학/물리 법칙(결정론적 요소)을 함께 내장하는 식이죠. 핵심은 학습 시스템과 수작업으로 만든 시스템을 어떻게 잘 결합하느냐입니다. Q: 모델 아키텍처나 하드웨어의 변화를 통해 출력 토큰당 에너지 소비를 줄여서, 현재 예측되는 기하급수적인 에너지 수요 곡선을 완화시킬 수 있을까요? A: 흥미롭게도 두 가지 측면이 모두 사실입니다. 한편으로 저희는 모델 효율성을 극도로 높이는 데 집중하고 있습니다. 지난 2년간 모델 효율성은 같은 성능 대비 10배, 심지어 100배까지 향상되었습니다. 하지만 다른 한편으로, 아직 AGI에 도달하지 않았기 때문에 프론티어 모델은 계속해서 더 큰 규모로 훈련되어 수요는 줄지 않고 있습니다. 궁극적으로 저는 AI 시스템이 전력망 효율화, 신소재 설계, 새로운 에너지원 개발 등을 통해 에너지 분야에 기여하는 것이, 사용하는 에너지보다 훨씬 더 많을 것이라고 생각합니다. 향후 10년간 AI가 사용하는 에너지를 훨씬 상회하는 가치를 돌려줄 것입니다. Q: 마지막 질문입니다. 10년 후의 세상은 어떤 모습일까요? A: 10년, 아니 10주도 AI 분야에서는 긴 시간이죠. 하지만 저는 향후 10년 안에 완전한 AGI를 갖게 될 것이라고 생각합니다. 그리고 그것은 과학의 새로운 황금기, 즉 새로운 르네상스 시대를 열 것입니다. 우리는 에너지부터 인류 건강에 이르기까지 모든 분야에서 그 혜택을 보게 될 것입니다. https://youtu.be/Kr3Sh2PKA8Y

"대부분의 창업가는 왜 실패할지 모른다" Aven은 규제가 매우 심한 모기지 및 신용카드 산업에 속해 있다. 사디 칸은 직접 도드-프랭크법, 카드법 등 관련 규제를 모두 읽고 연구했다. 이는 제품을 만들 수 있는지, 그리고 안전하고 규정을 준수하며 만들 수 있는지를 판단하기 위해 필수적이다. 역사에 대한 존중: 새로운 것을 만들기 전에, 과거에 무엇이 시도되었는지 먼저 이해해야 한다. 대부분의 새로운 아이디어는 끔찍하다. 과거의 아이디어들보다 더 나은 아이디어는 극소수다. 자신의 아이디어가 정말 더 나은지 평가하려면, 그 분야의 역사와 선구자들을 깊이 연구하는 시간을 투자해야 한다. "생각하는 것의 절반만 하라" 돌이켜보면, 첫 버전의 제품 기능(feature set)을 더욱 무자비하게 줄였을 것이다. 거의 모든 PM은 제품 출시 후 "기능의 절반을 덜어내고 더 좁은 타겟에 집중했어야 했다"고 말한다. 더 좁고 단순한 버전으로 시작하는 것이 옳다. "감정은 스케일링의 가장 큰 적이다" 합리성은 예측 가능성을 낳는다. 리더가 예측 가능해야 팀원들이 리더 없이도 그의 의사결정 시스템을 복제하고 실행할 수 있다. 내가 가진 정보와 동일한 정보를 다른 모든 사람이 가졌다면, 그들도 나와 똑같은 결정을 내리게 만드는 것. 리더의 부가가치: 더 많은 컨텍스트와 정보: 이를 최대한 많은 사람과 공유하는 것이 리더의 임무다. 더 긴 시간 지평(Time Horizon): 회사 내 누구보다 장기적인 관점에서 최적화할 수 있는 권한. 혐오하는 것: 장단점 목록(Pros and Cons Lists). "쓸모없는 것보다 한 단계 위"라고 표현. 더 효과적인 프레임워크: 결정에 중요한 축(Axes)들을 우선순위에 따라 나열한다. (가장 중요한 것부터 가장 덜 중요한 것까지) 각각의 옵션이 이 축들 위에서 어디에 위치하는지 평가한다. 가장 높은 우선순위의 축을 가장 잘 만족시키는 옵션을 선택한다. 예시 (자동차 구매): 장단점 목록 대신, 가격, 성능, 신뢰성, 스타일 중 자신의 우선순위를 정하고, 각 차량(옵션)이 그 기준을 얼마나 충족하는지 비교한다. 삶의 단순화 철학 의도적인 단순함: 매일 같은 옷(검은 긴팔 티, 청바지, 조끼)을 입고, 사무실에서 5분 거리에 살며, 술이나 파티를 하지 않는 등 의도적으로 지루한 삶을 산다. 결정 에너지 보존: 일상의 사소한 결정(옷 고르기 등)을 제거하여 중요한 업무에 집중할 에너지를 보존한다. 최적화: 집과 사무실의 모든 워크스테이션(키보드, 마우스, 모니터)을 완전히 동일하게 세팅하여, 1mm의 오차도 없이 즉시 업무에 몰입할 수 있도록 한다. 환경 조성: 회사를 샌프란시스코 같은 번잡한 도시가 아닌 사우스 베이에 둔 이유도 직원들이 주변의 소음에 방해받지 않고 미션에 집중할 수 있는 고요함을 제공하기 위함이다. https://youtu.be/al8nDmjVzxo?feature=shared

전 Gitlab CTO가 보는 AI 소프트웨어 엔지니어링 다들 비슷한 생각으로 지금의 변화를 보고 있다. CEO들에게 추천하는 것: 평균과 극단의 중간에서 극단 쪽으로 조금 더 나아갈 것. 법률 팀 때문에 도입을 못했어요 -> 75% 개발자가 쓰고 있어요 (평균) -> 지향점 -> 이제 사람을 채용하지 않을거 같아요. Chat AI/ AI IDE 제공하고, PM/디자이너들이 노코드 AI를 써서 같이 일할 수 있게 워크플로우를 재설계해라 채용하기전에 정말로 AI 잘 쓰고 있나 고민해보기 면접에서 이전 면접에 비해서 많은 결과물을 요구해서 AI IDE를 쓸수밖에 없게끔 설계할 것. CI/CD 파이프라인에 AI 소프트웨어를 리뷰어로 통합하고 낮은 복잡도의 백로그 이슈를 해결하게 시켜볼 것. AI IDE를 쓰면서 품질저하를 막기 위한 검증 장치를 잘 마련할것. AI IDE(커서)와 엔지니어(데빈)는 0→1 생성에 더 능숙해지고, 로우코드(리플릿, 러버블) 툴은 1→N 반복에 강해질 것. 프로토타이핑 기능은 범용화(Commoditized)될 것. 비동기성의 승리: AI 소프트웨어 엔지니어 모델이 확장성에서 AI IDE 모델을 압도할 것. 툴 -> 협업하는 인턴 -> 완전 위임가능한 고급 Agent로 결국 코드 생성은 더 복잡한 코드를 더 빠르고 싸게 만들어질 것. 지금 3000만명의 소프트웨어 개발자는 칩 엔지니어만큼(1만 오천명)으로 줄어들 것. -> 아마 다른 포지셔닝(AI Engineer/ AI PM 등)으로 변경되지 않을까? 지금은 낮은 복잡성의 백로그만 해결하지만 궁극적으로는 회사에 있는 비즈니스 데이터를 바탕으로 먼저 제안하고 시스템을 최적화하고 개발하는 자율성을 가진 AI가 그 빈자리를 채워나가지 않을까? https://youtu.be/2T98kBmGnqs

절망 속에서 피어난 낙관주의와 사명감 2차 세계대전 직후, 도쿄는 불타버린 폐허였고 1인당 국민소득은 17달러에 불과했습니다. 일본은 역사상 처음으로 전쟁에서 패배했으며, 국가 전체가 깊은 절망에 빠져 있었습니다. 물리학도 출신의 젊은 엔지니어 아키오 모리타는 이 잿더미 속에서도 미래에 대한 확신을 가졌습니다. 그는 엔지니어링 파트너 마사루 이부카와 함께 "엔지니어들이 기술의 즐거움과 사회적 의무를 느끼며 마음껏 일할 수 있는 안정적인 일터"를 만들겠다는 비전으로 회사를 설립했습니다. 그들의 목표는 단순히 돈을 버는 것이 아니라, '메이드 인 재팬'이라는 꼬리표를 저품질의 상징에서 고품질의 상징으로 바꾸는 것이었습니다. 처음에는 전기밥솥, 전기담요 등을 시도했으나 실패하고, 전쟁으로 인해 개조되었던 라디오를 수리하고 단파 수신기를 만들어주는 서비스 사업으로 자리를 잡습니다. 초기 성공과 '소니(SONY)'의 탄생 소니의 초기 성공은 하드웨어 혁신에 있었습니다. 트랜지스터 라디오, 트리니트론 TV, 베타맥스, 워크맨, CD 플레이어 등 그들은 기존에 없던 새로운 카테고리의 제품을 연이어 선보였습니다. 일본 최초의 테이프 리코더 'G-타입'을 개발합니다. 처음에는 너무 비싸 일반 소비자에게 팔리지 않았지만, 법원의 속기사를 대체하는 용도로 판매되며 B2B 시장에서 성공을 거둡니다. 1952년, 미국 벨 연구소가 트랜지스터 기술 라이선스를 제공한다는 소식을 듣고, 모리타가 직접 미국으로 건너가 2만 5천 달러에 계약을 체결합니다. (벨 연구소는 보청기 용도를 추천했지만, 소니는 휴대용 라디오를 만들겠다고 고집) '셔츠 주머니에 들어가는 라디오'를 목표로 개발. 실제로는 주머니보다 약간 커서, 영업사원들에게 주머니가 더 큰 특제 셔츠를 입혀 시연하게 하는 모리타의 마케팅 전략이 빛을 발하며 전 세계적으로 150만 대 이상 팔리는 대히트를 기록합니다. 워크맨의 탄생: 모리타의 역작: "밖에서 걸어 다니며 스테레오 음악을 듣고 싶다"는 모리타의 개인적인 아이디어에서 시작. 내부의 반대: "녹음 기능도 없고 스피커도 없는 기기를 누가 사겠냐"며 모든 임직원이 반대했지만, 모리타는 "초도 물량 3만 대가 팔리지 않으면 사임하겠다"고 선언하며 프로젝트를 밀어붙입니다. 문화의 창조: 워크맨은 한 달 만에 3만 대가 완판되고, 이후 전 세계적으로 2억 5천만 대 이상 팔리며 '개인 음향기기'라는 새로운 시장을 창조하고 사람들의 라이프스타일을 바꾼 역사적인 제품이 됩니다. 스티브 잡스의 영감: 스티브 잡스는 워크맨을 보고 큰 충격을 받았고, 이를 분해하며 제품의 완성도에 감탄했습니다. 잡스는 소니의 디자인과 철학을 애플에 접목시키려 노력했습니다. 브랜드의 힘: 모리타는 미국 유통사 불로바(Bulova)가 10만 대의 라디오를 OEM으로 주문하겠다는 거액의 제안을 거절하며 "50년 뒤에는 우리 이름이 당신들만큼 유명해질 것"이라고 단언했습니다. 이는 단기적인 이익보다 장기적인 브랜드 가치를 우선시하는 그의 철학을 보여줍니다. 플레이스테이션 (PlayStation, 1994년): 닌텐도와의 배신: 원래 닌텐도의 '슈퍼패미컴'용 CD-ROM 주변기기를 공동 개발했으나, 출시 전날 닌텐도가 필립스와 손을 잡으며 소니를 배신합니다. 오기가 낳은 괴물: 분노한 소니 경영진은 게임 사업 진출을 결정. 엔지니어 '켄 쿠타라기'를 중심으로 프로젝트가 시작됩니다. 게임 시장의 판도를 바꾸다: 카트리지 대신 CD-ROM을 채택해 개발 자유도를 높이고, 3D 그래픽 성능을 앞세워 기존 강자였던 닌텐도와 세가를 압도합니다. 플레이스테이션 2는 역사상 가장 많이 팔린 비디오 게임 콘솔(1억 5,500만 대)로 기록됩니다. 거인의 위기와 현재 콘텐츠 확보 실패 (베타맥스 vs VHS): 기술적으로 우수했던 비디오 포맷 '베타맥스'를 출시했지만, 할리우드 영화사들과의 협력에 실패하며 콘텐츠가 풍부했던 'VHS'에 패배합니다. 이 실패는 이후 소니가 CBS 레코드, 컬럼비아 픽쳐스를 인수하는 계기가 됩니다. '컴퓨터'에 대한 몰이해: 소니는 VAIO라는 멋진 디자인의 PC를 만들었지만, PC를 '중앙처리장치'가 아닌 '고급 가전제품' 중 하나로 취급했습니다. PC, 스마트폰 등 모든 기기가 '컴퓨터'가 되는 시대의 흐름을 놓칩니다. Xperia 스마트폰, VAIO PC: 하드웨어와 소프트웨어를 융합할 기회를 놓치고, 스마트폰을 컴퓨터로 보지 못함. 블루레이: HD-DVD와의 포맷 전쟁에서 승리했지만, 스트리밍 시대가 도래하며 막대한 투자비를 회수하지 못한 '상처뿐인 영광'이 됩니다. 현재의 소니 (다각화된 공룡 기업): 게임 & 네트워크 서비스: 플레이스테이션을 중심으로 여전히 회사 전체 매출과 이익의 약 30%를 차지하는 핵심 사업. 음악: CBS 레코드 인수를 통해 세계 3대 메이저 음반사 중 하나로 자리매김. 스트리밍 시대에 안정적인 수익원으로 성장. 영화: 컬럼비아 픽쳐스를 인수. 스트리밍 플랫폼에 콘텐츠를 공급하는 '콘텐츠 무기상' 역할을 하며 수익 창출. (스파이더맨 영화 판권은 마블로부터 영구적으로 소유). 이미징 & 센싱 솔루션: 숨겨진 에이스. 애플 아이폰을 포함한 전 세계 스마트폰 카메라 이미지 센서 시장의 약 50%를 장악한 압도적인 1위 사업. 금융: 생명보험, 은행 등 안정적인 현금 창출원. 전자 제품: TV, 카메라, 오디오 등. 과거의 영광은 아니지만, 구조조정을 통해 수익성을 회복. 2004년, 소니와 애플의 시가총액은 약 300억 달러로 비슷했습니다. 그러나 2022년 현재, 소니는 1,500억 달러로 성장한 반면, 애플은 2조 8,000억 달러의 거인이 되었습니다. 이는 두 회사의 전략적 차이가 만든 결과입니다. https://www.acquired.fm/episodes/sony https://youtu.be/ynlY9rIb7O8

Red Team / Blue Team 프레임워크 챗GPT가 등장한 직후, 질로우(Zillow)의 창업자 리치 바튼은 AI 시대에 대응하기 위해 다음과 같은 프레임워크를 도입했습니다. 레드팀 (Red Team): 기존 비즈니스 모델을 AI를 사용해 개선하는 역할. (예: 고객 서비스 및 영업 인력에 AI를 도입하여 생산성을 높이고 마진을 개선) 블루팀 (Blue Team): 만약 오늘 회사를 처음부터 시작한다면 어떻게 사업을 재구상할 것인지 고민하는 역할. (예: 웹사이트나 모바일 앱이 없는 상태에서 주택 구매 경험을 어떻게 혁신할 것인가?) 이 사업이 3년 뒤에도 존재해야 하는가? 거스너는 기존 사업 모델을 가진 창업자들에게 근본적인 질문을 던집니다. 예를 들어, BI(Business Intelligence) 툴을 만드는 회사에게 "3년 뒤에는 사용자가 AI에게 직접 대화하지 않을까?"라고 질문합니다. 사티아 나델라(마이크로소프트 CEO)가 말했듯, 대부분의 애플리케이션은 데이터베이스 위에 얹어진 소비자 인터페이스에 불과합니다. 미래에는 AI가 그 인터페이스 역할을 대신하게 될 것입니다. 예를 들어, CRM(고객 관계 관리)은 대화 내용을 AI가 듣고 자동으로 요약 및 관리해주는 형태로 바뀔 수 있습니다. 이러한 변화 속에서 현재의 사업 모델이 유효한지 끊임없이 자문해야 합니다. 기술 vs. 취향 (Tech vs. Taste) 소비자 애플리케이션 분야에서 성공하기 위해서는 기술만큼이나 '취향(taste)', 즉 사용자 인터페이스를 잘 만드는 것이 중요합니다. 퍼플렉시티(Perplexity)는 자체 모델 없이도 뛰어난 취향으로 빠르게 인터페이스를 개선하며 시장에서 살아남은 좋은 예입니다. 하지만 챗GPT와 같이 이미 마인드셰어를 장악한 서비스와 정면으로 경쟁하는 것은 매우 어렵습니다. 그들을 이기려면 10배 더 나은, 완전히 다른 차원의 혁신이 필요합니다. CEO의 역할: 과감한 결단과 '비행기 착륙시키기' CEO는 일상적인 업무에 매몰되지 말고, 시간을 내어 AI라는 거대한 변화에 대응해야 합니다. 지금은 실패의 위험을 감수하고 시간을 투자하지 않으면 더 큰 피해를 볼 수 있는 시기입니다. 만약 현재 진행 중인 사업이 AI 중심으로 재편될 길이 보이지 않거나, 생각했던 것만큼 큰 아이디어가 아니라고 판단된다면, 과감하게 '비행기를 착륙시키는 것(사업을 정리하는 것)'도 좋은 선택일 수 있습니다. 인생은 한 번뿐이며, 이 중요한 시기에 가장 큰 임팩트를 낼 수 있는 일에 집중해야 합니다. 자본주의의 위기와 해결책: "Invest America" AI로 인한 일자리 감소 등 사회적 혼란은 자본주의에 대한 불만을 키울 수 있습니다. 현재 40세 미만 인구의 절반 이하만이 자본주의에 대해 긍정적인 시각을 가지고 있습니다. 이 문제를 해결하기 위해 거스너는 **"Invest America"**라는 아이디어를 제안하고 추진하고 있습니다. 내용: 모든 신생아에게 S&P 500에 투자된 1,000달러의 투자 계좌를 만들어주는 것입니다. 이는 태어날 때부터 갖는 401k(퇴직연금)와 같습니다. 효과: 기업과 부모가 이 계좌에 추가로 기여할 수 있으며, 20년 뒤에는 1억 명의 아이들이 이 앱을 통해 자신이 애플, 엔비디아 같은 위대한 기업의 주주임을 확인하게 됩니다. 이를 통해 그들은 시스템의 일부로서 소속감을 느끼고, 시스템에 반대하기보다 시스템을 응원하게 될 것입니다. 의의: 이는 인센티브의 조화를 통해 미국을 위대하게 만든 창의적인 아이디어이며, 유럽과 같은 집단적 의사결정의 문제에 빠지는 것을 막을 수 있는 방어책이 될 수 있습니다. https://youtu.be/iJozvcKq8tE

"나는 발명, 연구, 테스트, 디자인, 그리고 제조가 창의적이고 만족스럽다고 생각한다.” 경쟁하고 사업을 구축하는 것. 나는 새로운 기술을 개발하고 훌륭하고 창의적인 팀과 함께 일하는 것에 열정적이다." 그 친절한 사람들은 완전히 요점을 놓쳤다. 나는 그 5,127개의 프로토타입을 만들거나 다이슨을 세우기 위해 돈을 벌려고 한 것이 아니다. 나는 그것을 하고 싶은 불타는 욕망이 있었기 때문에 그렇게 했다. 기존의 전문가 사고에 반하는 것은 큰 위험이었다.” "당신은 당신이 성공할 것이라고 믿어야 한다. 그것은 무섭다. 나는 항상 무섭다. 하지만 두려움은 아드레날린을 솟구치게 하고 동기를 부여하기 때문에 좋은 것이 될 수 있다." 영원한 배움의 삶, 과학, 공학, 그리고 기술을 추구하는 것은 마법 같고 보람 있는 모험이었다. "기술의 적용을 통해 제품을 개선하고, 그것들을 즐겁고 놀랍게 사용하는 것은 스릴 있다. 엔지니어에게 창의적인 충동, 사물을 개선하려는 욕구, 그리고 문제를 해결해야 할 필요성은 끌 수 없는 마음의 상태이다.” "그것은 당신이 직장에 있든 집에 있든 항상 거기에 있다. 그것은 문제를 보고 그것들을 해결하는 제품이나 시스템을 개발하는 지적인 도전이다. 과학자와 엔지니어들은 오늘날의 문제를 인식하고 새로운 해결책을 제공할 수 있다.” 많은 현명한 친구들이 몇몇 제안이 들어왔을 때 팔라고 조언했다. 가족 사업은 대부분의 부가 사업에 묶여 있다. 그래서 그것을 계속 가족 사업으로 유지하는 것은 위험이자 책임이지만, 나는 칼날 위에서 사는 것을 좋아한다. https://youtu.be/hagy0fhiPpY

"고객과의 직접적인 접촉이 우리 성공의 기초였다. 우리가 직접 판매를 포기했을 때, 우리는 그 연결을 잃었고 사업은 내리막길을 걸었다.” '아름답지 않다면, 아직 끝난 것이 아니다'입니다. "오직 대상의 순수한 기능에 가능한 한 가깝게 머무름으로써만 아름다움을 얻을 수 있다.” '제품이 어떻게 만들어졌는지에 대한 이야기를 들려줘야 합니다.’ 사람들은 이야기를 삽니다. 제품이 어떻게 만들어지고, 어떻게 디자인되었고, 왜 디자인되었는지에 대해 그들을 교육해야 합니다. 속도를 위해 품질을 희생하지 마라. 우리는 제품에 결코 만족하지 않고 항상 그것을 개선하려고 노력한다. 우리는 제품에 대해 집착할 정도로 매료되어 있다.

"나는 독창성을 위해 독창성을 추구해왔다.” "경쟁자를 모방하지 마라. 시장 조사에 대해 걱정하지 마라. 자신만의 별을 따르라.” "최고의 사업은 제품을 높은 가격에 좋은 마진으로 엄청난 양으로 팔 수 있는 사업이다. 그러기 위해서는 기존 제품보다 더 잘 작동하고 더 보기 좋은 제품을 개발해야 한다.” "그 종류의 투자는 장기적이고 고위험이거나, 적어도 장기적인 관점에서는 고위험 정책처럼 보인다. 그것은 단순히 무리를 따르는 것만큼 재정 건강에 해로울 가능성이 절반도 되지 않는다." "창의적인 마음은 본능적으로 항상 더 많은 질문을 해야 하고 새로운 발견을 해야 한다는 것을 안다." 이것이 그가 가진 끈질긴 결단력이 왜 그렇게 중요한지입니다. '똑똑해지려고 하지 말고, 끈질기고, 결단력 있게 행동하라.’ "당신은 기존 현실과 싸워서 결코 상황을 바꾸지 못한다. 무언가를 바꾸려면, 기존 모델을 쓸모없게 만드는 새로운 모델을 만들어야 한다." 그리고 그러기 위해서는, '오래된 문제에 대한 새로운 생각'이 필요합니다. 내 경쟁자들과 어떻게 다를 수 있을까?'라고 자문해야 합니다. '내가 가지고 있는 자산 중 그들이 복제할 수 없는 것은 무엇인가?' 그리고 그는 그것이 심지어 당신이 회사를 어떻게 명명하는지에까지 이른다고 말합니다. 어떤 주제에 대해 정말로 뛰어나고 싶다면, 그 주제에 대한 강렬한 관심은 필수적이다 소매 회사는 한때 가게를 사랑하는 사람들이 운영했다. 그리고 100년 전, 조지 새포드 파커는 만년필에 미쳐 있었다. 이들은 모두 강박적이고, 비현실적이며, 제품 중심의 열광적인 사람들이었다. "아이디어가 떠오르는 순간부터 사업을 운영하는 것까지 모든 것에서 차별화를 위한 차별화. 이것은 기존의 것과 다름을 요구하는 철학입니다.” "나는 평생 부적응자였다. 부적응자는 태어나거나 만들어지는 것이 아니다. 그들은 스스로를 그렇게 만든다. 나는 고집 세고 자기주장이 강한 아이였고, 다르고 싶고 옳고 싶어 안달이 났다.”

탁월함은 고통을 감내하는 능력이다. '비약적인 발전 같은 것은 없다'는 것입니다. '끈질긴 인내가 있을 뿐이고, 결국에는 그것을 비약적인 발전처럼 보이게 만든다'는 것입니다. "나는 다시 무일푼이었고, 직업도 수입도 없었다." "나에게는 사랑스러운 세 명의 아이가 있었고, 갚아야 할 큰 주택 담보 대출이 있었으며, 지난 5년의 노고에 대한 아무런 성과도 없었다. 이것은 매우 낮은 순간이었고, 깊이 걱정스러웠다. 내 자신감은 큰 타격을 입었고, 그것을 되찾는 데는 몇 년이 걸릴 것이다.” 제러미 프라이는 실제로 다이슨에게 그의 첫 진공청소기 회사를 시작하기 위해 25,000달러를 줍니다. 프라이는 일이 항상 즉시 잘 풀리는 것은 아니며, 혁신에는 시간과 인내가 필요하다는 것을 알았다. 3년 동안, 그는 듀얼 사이클론 진공청소기에 대한 아이디어를 가지고 있었지만, 아직 어떻게 만드는지는 몰랐습니다. 그래서 다음 3년 동안, 나는 혼자서 사이클론을 만들었습니다. 나는 도와줄 사람을 고용할 여유가 없었습니다. "나에게는 작업대와 몇 가지 간단한 도구밖에 없었지만, 나는 여기서 그 빌어먹을 것을 직접 만들기로 결심했다. 나는 천일 이상 매일 새로운 프로토타입을 만들었다." 그리고 저에게, 이것이 이야기의 가장 중요한 부분입니다. 이것은 공포와 고통과 의심으로 가득 찬 부분입니다. "물론 지금 나의 끈기를 축하하고 성공하기 위해 필요한 것은 그것뿐이라고 말하기는 쉽지만, 진실은 그것이 나를 끔찍하게 낙담시켰다는 것이다. 나는 매일 밤 긴 하루를 마치고 먼지를 뒤집어쓴 채 지치고 우울하게 집으로 기어들어 오곤 했다. 왜냐하면 그날의 사이클론이 작동하지 않았기 때문이다.” "그것이 결코 작동하지 않을 것이라고 생각했던 때가 있었다. 내가 죽을 때까지 앞으로 나아가지도, 뒤로 가지도 않으면서 사이클론을 계속해서 만들 것이라고 생각했다." 그리고 그는 이것에 대해 아름답게 간단한 격언을 가지고 있습니다. '인내는 값싸지 않다.' 2년간의 시도와 발명품 라이선스 실패 후, 그는 이렇게 말했습니다. "파산이나 죽음이 노력의 가장 유력한 결과로 보였다." 라이선스를 시도한 지 3년이 지났지만, 그는 아직 한 푼도 벌지 못했습니다. "나의 끈기와 자기 확신은 그것들이 정당화될 만한 실제 증거가 없는 상황에서 점점 더 광기처럼 보이기 시작했다." 그리고 그가 뼈저리게 아는 한 가지는, 만약 그가 이것을 계속 관리하지 않았다면 프로젝트는 죽었을 것이라는 것입니다. 그는 말합니다. "만약 원래의 디자이너가 계속 관여하지 않는다면 프로젝트는 죽을 것이다.” "**어려운 시기를 헤쳐 나갈 자기 확신이 없다."** "거의 모든 라이선스 계약이 실패했고, 귀중한 시간이 낭비되었다. 다른 회사에 우리 기술을 만들도록 의존하는 대신, 제러미와 내가 몇 년 전에 내렸던 결정을 뒤집으면 어떨까?” "우리는 봉투 판매와 흡입력 손실에 만족하는 이 경쟁자들과 맞서 싸울 수 있고, 우리의 미래, 개발, 그리고 디자인을 자유롭게 결정할 수 있을 것이다. 이 엄청난 제조업체가 되는 과업을 맡는 것에 대한 두려움 대신, 우리는 해방감을 느꼈다." 그래서 다시, 우리는 제임스 다이슨의 고집스러운 천재성을 봅니다. 다이슨은 돈을 모으려고 노력했습니다. 그는 돈이 전혀 없습니다. 그는 회사 지분을 팔아 생산에 들어갈 돈을 모으려고 했지만, 아무도 투자하지 않았습니다. 그래서 그는 자신의 집을 담보로 필요한 공구 비용 60만 달러를 빌렸습니다. "나는 포기하는 사람이 아니다." 이것은 매우 중요합니다. 기업가들은 격려가 필요합니다. 1992년 5월 2일, 이 날짜는 중요합니다. 1992년 5월 2일, 저는 완벽하게 작동하고 시각적으로 완벽한 다이슨 듀얼 사이클론을 바라보고 있는 제 자신을 발견했습니다. 제가 후버에서 봉투를 뜯어내고 그 구멍에 시리얼 상자를 끼워 넣었을 때 저는 31살이었습니다. 1992년 5월 2일은 제 45번째 생일이었습니다. 5,127개의 프로토타입, 14년간의 투쟁, 포기를 거부하는 한 마리의 노새, 후퇴를 거부하는 한 마리의 노새. 이게 어떻게 영감을 주지 않을 수 있겠습니까? "창의적인 마음은 본능적으로 항상 더 많은 질문을 해야 하고 새로운 발견을 해야 한다는 것을 안다.” '똑똑해지려고 하지 말고, 끈질기고, 결단력 있게 행동하라.’ 똑똑한 사람은 세계 최초의 사이클론 진공청소기의 5,127개 프로토타입을 만드는 데 14년을 쓰지 않는다. 결단력 있는 사람이 그렇게 한다. 끊임없이 자신에게 물어보세요. '이것이 어떻게 더 좋아질 수 있을까?' "제러미 프라이는 항상 일을 하는 더 나은 방법을 찾고 있었다. 제러미 프라이는 오만함과 전문가들을 혐오했다. 그가 의미하는 바는, 그들이 어떤 주제에 대해 모든 것을 알고 있다고 믿게 만들고 싶어 하는 사람들이었다.” "전문가들은 모든 답을 가지고 있다고 자신하는 경향이 있다. 그리고 이 특성 때문에, 그들은 새로운 아이디어를 죽일 수 있다.” "그들은 정설에 의문을 제기하고, 실험하고, 계산된 위험을 감수하고, 오류의 가장자리에 서서 일을 바로잡았다. 그리고 그들이 거기에 도달했을 때, 그들은 계속해서 질문을 던졌다.” "달리기는 또한 나에게 고통의 장벽을 극복하는 법을 가르쳐주었다. 다른 모든 사람이 지쳤다고 느낄 때, 그것이 바로 고통이 어떻든 가속하여 경주에서 이길 기회다.” "겉보기에 불가능해 보이는 어려움을 극복하기 위해서는 창의력과 함께하는 체력과 결단력이 필요하다." "사람들이 내 아이디어를 수정하라고 했을 때, 나는 스스로에게 말했다. 사람들이 내 아이디어를 수정하라고 했을 때, 브루넬이 건설한 그레이트 웨스턴 철도는 한 사람의 비전이 집착에 가까운 끈질긴 결단력으로 추구되지 않았다면 결코 작동할 수 없었을 것이라고.” 탁월함은 고통을 감내하는 능력**'인 이유입니다. 당신은 **여러 번의 실패를 인내**해야 합니다. 당신은 **잠 못 이루는 밤을 보낼 것**이고, **많은 고통과 좌절 속에 있을 것입니다. 그것이 이 일의 일부입니다. 그리고 이제 그는 이것을 인내하도록 사람들을 동기 부여하는 정말 흥미로운 아이디어를 가지고 있습니다.

다이슨. 정주영 창업자의 책임자 해봤어가 떠오르는 부분들. "이봐요, 아이디어가 있어요"라고 말하면, 그는 "작업실이 어딘지 알잖아. 가서 해봐” 제러미 프라이는 그의 멘토가 됩니다. "누군가와, 예를 들어 유체역학에 대해 이야기해봐야 하지 않을까요?"라고 물으면, 그는 "호수는 저 아래에 있고, 랜드로버는 저기 있잖아. 나무판자를 호수로 가져가서 보트 뒤에 매달고 무슨 일이 일어나는지 봐” "이제 이것은 내가 이전에 접해보지 못했던 작업 방식이었다. 대학은 내게 전문가와 전문 지식을 숭배하라고 가르쳤지만, 그는 열정과 지능만 있다면 무엇이든 가능하다고 생각하며 그것을 비웃었다. 이것은 다이슨의 인생에서 이 시점에 일어난 일 중 정말 정신이 번쩍 들게 하는 것이었다.” "그것은 충격적이었다. 연구도, 예비 스케치도 없었다. 한 가지 방법으로 되지 않으면, 될 때까지 다른 방법으로 시도했다. 그리고 우리가 진행하면서, 나는 우리가 매우 빠르게 나아가고 있음을 볼 수 있었다.” 다이슨의 사업 구축 철학의 기초가 되는 핵심 원칙은 '**당신만의 방식으로 일을 하는 것**'이었습니다. 다른 사람들이 어떻게 하는지는 중요하지 않았습니다. 더 잘할 수 있는지 여부도 중요하지 않았습니다. 그것이 작동하고 흥미진진하기만 하다면, 사람들은 당신을 따를 것입니다. "그러니 나가서 사물을 보아라. 그리고 아이디어가 떠오르면, 그것을 잡고, 적어두고, 그것이 작동할 때까지 가지고 놀아라. 앉아서 아이디어가 오기를 기대하지 마라."

이디엇 인덱스의 실제 적용: 한 공급업체가 부품 가격으로 12만 달러를 제시했습니다. 일론은 그 부품이 차고 문 개폐기보다 복잡하지 않다며 엔지니어에게 직접 만들라고 지시했습니다. 엔지니어는 5천 달러에 그 부품을 만들어냈습니다. 모든 요구사항에 의문을 제기하라: 이것이 나중에 '알고리즘'이라고 불리는 5단계 체크리스트의 1단계가 됩니다. 엔지니어가 무언가를 하는 이유로 어떤 요구사항을 언급할 때마다, 일론은 "그 요구사항을 누가 만들었나?"라고 따져 물었습니다. 그는 요구사항을 만든 실제 사람의 이름을 알기를 고집했습니다. 모든 요구사항은 권장사항으로 취급되어야 합니다. 불변의 요구사항은 오직 물리 법칙에 의해 정해진 것뿐입니다. 광적인 긴박감(A Maniacal Sense of Urgency): "광적인 긴박감이 우리의 운영 원칙이다." 그는 "어떻게 이렇게 오래 걸릴 수 있어? 멍청하잖아. 절반으로 줄여."라고 말합니다. 엔지니어가 반박하자, 그는 회의 후에 남으라고 한 뒤 엔진 책임자로 계속 남고 싶은지 물었습니다. 엔지니어가 그렇다고 하자, 일론은 "그럼 내가 뭔가를 요구하면, [__] 그냥 해."라고 답했습니다. 이 책의 절반은 일론이 사람들에게 더 빨리 가라고 말하는 내용입니다. 최전선 장군(Frontline General): 그는 스스로를 최전선 장군으로 여겼습니다. 그는 공장 바닥에 있고, 지붕 위로 올라가고, 로켓 아래에 있습니다. 그는 일하는 사람들과 직접 대화합니다. 강한 리더십 존중 (그윈 숏웰 사례): 그윈 숏웰은 일론과 20년 이상 함께 일했습니다. 그녀는 처음 만났을 때 "고객과 논의하는 당신네 직원은 패배자(loser)예요."라고 직설적으로 말했습니다. 다음 날 그녀는 사업 개발 부사장으로 채용 제안을 받았습니다. 일론과 스티브 잡스 같은 사람들을 대할 때 최악은 굴복하는 것입니다. 그들은 오직 힘(strength)만을 존중합니다. 테슬라의 '생산 지옥(Production Hell)' 시기는 그에게 어떤 교훈을 주었고, 이것이 어떻게 '알고리즘'으로 정립되었나요? 테슬라가 주당 5,000대의 모델 3를 생산해야 생존할 수 있었던 '생산 지옥'은 그의 원칙을 정립하는 결정적인 계기였습니다. 실패로부터의 교훈: 그는 초기에 과도한 자동화에 집착했지만, 그것이 작동하지 않자 자신의 실수를 인정했습니다. "테슬라의 과도한 자동화는 실수였습니다. 정확히 말해, 제 실수였죠. 인간은 과소평가되었습니다." 그는 생산 라인에서 로봇을 잘라내 주차장에 던져버리기 시작했습니다. 병목 현상을 찾아라 (Walk to the Red): 공장에는 각 스테이션의 상태를 녹색 또는 빨간색으로 표시하는 모니터가 있었습니다. 일론은 바닥을 걸으며 문제 지점(빨간불)으로 곧장 향했습니다. 그는 이것을 '빨간불로 걷기'라고 불렀습니다. 신속한 의사결정: 그는 바닥을 걸으며 하루에 100개의 명령 결정을 내렸다고 계산했습니다. "적어도 20%는 틀릴 것이고, 나중에 수정할 겁니다. 하지만 내가 결정을 내리지 않으면, 우리는 죽습니다." 기존의 틀을 깨는 사고: 주차장에 거대한 텐트를 짓고 새로운 조립 라인을 만드는 등 제2차 세계대전 당시 폭격기 생산 방식을 차용했습니다. 그는 "전통적인 사고방식이 당신의 임무를 불가능하게 만든다면, 비전통적인 사고가 필요하다"고 말했습니다. 일론의 알고리즘 (5가지 계명): 모든 요구사항에 의문을 제기하라: 모든 요구사항은 그것을 만든 사람의 이름과 함께 와야 한다. 똑똑한 사람에게서 나온 요구사항이 가장 위험하다. 프로세스의 모든 부분을 삭제하라: 나중에 다시 추가해야 할 수도 있다. 만약 10% 이상을 다시 추가하지 않는다면, 충분히 삭제하지 않은 것이다. 단순화하고 정리하라: 이는 2단계 이후에 와야 한다. 애초에 존재해서는 안 될 부분을 단순화하고 최적화하는 것은 흔한 실수다. 사이클 타임을 가속화하라: 모든 프로세스는 속도를 높일 수 있지만, 앞선 세 단계를 따른 후에만 해야 한다. 자동화하라: 이것은 마지막에 온다. 알고리즘의 부록: 모든 기술 관리자는 실무 경험이 있어야 한다. 동료애는 위험하다. 틀리는 것은 괜찮지만, 확신에 차서 틀리지는 마라. 부하 직원에게 당신이 기꺼이 하지 않을 일을 시키지 마라. 문제 해결 시, 관리자뿐만 아니라 그 바로 아래 직급과도 회의하라. 채용 시, 태도가 올바른 사람을 찾아라. 기술은 가르칠 수 있지만 태도는 그렇지 않다. 광적인 긴박감이 우리의 운영 원칙이다. 유일한 규칙은 물리 법칙에 의해 정해진 것뿐이다. 나머지는 모두 권장사항이다. 최신 벤처(보링 컴퍼니, 뉴럴링크, 트위터)와 그의 게임 철학에서 이러한 원칙들은 어떻게 나타나나요? 장난감 산업에서의 교훈: 그는 장난감 모델 S 자동차의 차체 하부가 하나의 금속 조각으로 주조된 것을 보고 실제 자동차에도 이를 적용하려 했습니다. 그는 세계에서 가장 큰 주조 기계를 만들도록 했고, "정밀함은 비싼 것이 아니라, 주로 신경 쓰는 것의 문제"라고 말했습니다. 폴리토피아(Polytopia) 인생 교훈: 그는 '폴리토피아'라는 전략 게임에 집착하며, 이 게임이 CEO가 되는 법을 가르쳐준다고 믿었습니다. 공감은 자산이 아니다. 인생을 게임처럼 플레이하라. 패배를 두려워하지 마라. 패배에 익숙해지면 더 용감해지고 더 많은 위험을 감수할 것이다. 주도적으로 행동하라. 모든 턴을 최적화하라. 두 배로 베팅하라. 모든 것을 게임에 다시 투자하여 성장하고 또 성장하라. 트위터(X) 문화 개조: 그는 트위터의 '심리적 안전' 문화를 경멸했습니다. 그는 그것이 긴급함과 진보의 적이라고 생각했습니다. 그는 자신이 선호하는 단어 '하드코어'를 강조하며, 불편함이 안주에 대한 무기라고 믿었습니다. 그는 즉시 엔지니어 중심의 제품 디자인, 빠른 의사결정 등 자신의 원칙들을 도입했습니다. 우리는 다른 방해 요소들을 물리치고 그에게서 배울 수 있는 회사 설립 원칙에 집중해야 합니다. 명심해야 할 문장은 이것입니다. "그의 성취와 실패는 모두 서사시적이다(epic)." https://youtu.be/aStHTTPxlis

머스크는 어렸을 적부터 해왔던 사업을 게임의 퀘스트를 깨듯이 하고 있을수도 있겠다. 머스크의 첫 회사인 Zip2 시절부터 나타난 초기 원칙들은 무엇인가요? 전략 게임에 대한 사랑: 그는 보드게임이든 비디오게임이든 전략 게임을 사랑했습니다. 대학 시절에는 '디플로머시(Diplomacy)'라는 고전 전략 보드게임에 집착했습니다. 이런 게임에 몇 시간씩 몰두하는 것이 그가 긴장을 풀고, 스트레스를 해소하며, 비즈니스를 위한 전술적 기술과 전략적 사고를 연마하는 방법이었습니다. 왜 이런 게임에 끌리냐는 질문에 그는 친구에게 "나는 전쟁에 최적화된 사람이야(I am wired for war)." 라고 말했습니다. 이 문장은 수십 년에 걸쳐 반복됩니다. 남 밑에서 일하지 못하는 성향: 20대 초반 인턴 시절, 그는 남을 위해 일하는 것을 좋아하지도 잘하지도 못했습니다. 남에게 순종적이거나 다른 사람이 자기보다 더 많이 알 것이라고 가정하는 것은 그의 본성이 아니었습니다. 그는 지금도 여전합니다. 하드코어 정신: Zip2를 시작했을 때, 그들은 사무실에서 잠을 자고 YMCA에서 샤워를 했습니다. 깨어있는 모든 시간을 일하는 '하드코어'의 중요성은 계속해서 반복됩니다. 쇼맨십은 곧 세일즈맨십이다 (Showmanship is salesmanship): 그들은 Zip2 사무실로 사람들을 데려왔습니다. 컴퓨터 랙을 위한 큰 프레임을 사서 그 안에 작은 컴퓨터 하나를 넣어 방문객들이 거대한 서버가 있다고 생각하게 만들었습니다. "투자자들이 올 때마다 그 타워를 보여줬죠. 우리가 하드코어한 일을 하고 있다고 생각하게 만들었어요." 그는 이 전략을 계속해서 사용합니다. 일론은 극적인 시연의 힘을 이해합니다. 워라밸(Work-life balance)에 대한 경멸: 경력 초기부터 일론은 까다로운 관리자였고, 워라밸이라는 개념을 경멸했습니다. 그는 휴가도 없이 밤낮으로 자신을 몰아붙였고, 다른 사람들도 그렇게 하기를 기대했습니다. 유일한 예외는 격렬한 비디오게임 폭식을 위한 휴식이었습니다. 동료애의 위험성: 그는 동료들과 지나치게 친하게 지내는 것을 비생산적이고 위험하다고 반복해서 말했습니다. 그것이 임무를 최우선으로 두는 데 방해가 된다고 생각했습니다. 그는 자신이 함께 일하는 사람들을 불쾌하게 하거나 위협하는지에 대해 전혀 신경 쓰지 않았습니다. 그들이 불가능하다고 생각했던 위업을 달성하도록 이끄는 한 말이죠. "팀원들이 당신을 사랑하게 만드는 것이 당신의 일이 아닙니다. 사실 그건 비생산적입니다." 라고 그는 수년 후 스페이스X 임원 회의에서 말했습니다. 중간상인에 대한 혐오: 일론은 항상 모든 것에 대한 완전한 통제를 원합니다. 진정한 제품 개발자들은 중간상인 없이 소비자에게 직접 판매하려는 강박을 가지고 있습니다. 일론이 바로 그런 사람이었습니다. Zip2 매각 후, 그를 움직인 동기는 무엇이었고 페이팔(X.com) 시절에는 어떤 원칙들이 나타났나요? 돈은 다음 게임을 위한 것: 그는 "섬을 살 수도 있지만, 새로운 회사를 만들고 창조하는 데 훨씬 더 관심이 많습니다. 제 상금 전부를 쓰지 않았어요. 거의 전부를 새로운 게임에 다시 쏟아부을 겁니다." 라고 말했습니다. 돈을 벌어서 다른 회사에 투자하는 것, 이것이 수십 년간 반복되는 그의 특징입니다. 그는 돈이 그냥 놀고 있는 것을 싫어합니다. 높은 위험 감수성: 그는 "부자가 되거나 파산하거나 둘 중 하나일 것이며, 그 중간은 없을 것"이라고 말하며 엄청나게 높은 위험 감수성을 보였습니다. 믿음의 힘: "그의 말이 미친 소리처럼 들릴 때조차도, 그가 그것을 믿기 때문에 당신도 그를 믿게 될 겁니다." 일론은 자신의 믿음을 다른 사람에게 전이시키는 능력이 있습니다. 변함없는 경영 스타일: 그는 다음 회사에서도 첫 회사와 똑같은 경영 스타일을 고수했고, 앞으로도 그럴 것입니다. "저는 본성적으로 강박적입니다. 제게 중요한 것은 이기는 것이고, 그것도 작게 이기는 것이 아닙니다." 그는 터무니없는 마감 시간을 정하고 동료들을 몰아붙였습니다. 단순화와 삭제에 대한 집착: 이 책의 절반은 그가 사람들에게 삭제하고, 편집하고, 단순화하라고 소리치는 내용입니다. 그는 사용자 인터페이스를 디자인할 때 단순함에 대한 열정이 있었습니다. "계좌를 개설하는 데 필요한 키 입력 횟수를 최소화하기 위해 사용자 인터페이스를 다듬었습니다." 틈새 시장이 아닌 산업 전체를 재창조하려는 야망: 그는 틈새 제품을 만드는 데 관심이 없었습니다. 그는 산업 전체를 재창조하기를 원했습니다. 엔지니어링과 디자인의 결합: 그는 회사를 재구성하여 별도의 엔지니어링 부서가 없도록 했습니다. 대신 엔지니어들이 프로젝트 관리자와 팀을 이루었습니다. 제품 디자인을 엔지니어링과 분리하는 것은 기능 장애의 지름길이었습니다. 디자이너는 자신이 고안한 것이 엔지니어링하기 어렵다면 즉각적인 고통을 느껴야 했습니다. 엔지니어가 제품 관리자 대신 팀을 이끌어야 했습니다. 세부 사항에 대한 해박한 지식: 페이팔 시절부터 현재까지 사람들은 일론이 회사의 각 분야에 대해 얼마나 많은 세부 사항을 알고 있는지에 충격을 받습니다. 공동 창업자 맥스 레브친은 "일론은 가끔 미친 소리를 하지만, 때로는 당신의 전문 분야에 대해 당신보다 훨씬 더 많이 알아서 놀라게 할 겁니다." 라고 말했습니다. 페이팔 이후 스페이스X를 시작하며 그의 야망은 어떻게 커졌고, 어떤 핵심 아이디어를 개발했나요? 페이팔에서 CEO로 쫓겨난 후, 그의 야망은 하늘을 찔렀습니다. 그는 로켓 회사를 시작하기로 결심했습니다. 독학으로 배우기 (도서관 전체를 삼키다): 그는 로켓 공학에 대해 읽기 위해 팔로 알토 공립 도서관에 갔고, 전문가들에게 전화해 낡은 엔진 매뉴얼을 빌려달라고 요청했습니다. "일론은 모든 것을 읽었다"는 증언이 많습니다. 에디슨, 처칠, 마이클 델, 에드윈 랜드 같은 위대한 인물들처럼, 그는 관심 있는 주제에 대한 도서관의 모든 책을 읽었습니다. 임무 우선, 사업은 나중에 (Mission First): 그는 "내 인생의 임무는 인류를 다행성 문명으로 만드는 것"이라고 말했습니다. 그는 임무에서 시작하고, 나중에 재정적으로 작동하게 할 방법을 찾아냅니다. 이것은 매우 중요하며 계속 반복됩니다. 기술 발전은 필연적이지 않다: 그는 "사람들은 기술이 저절로 발전한다고 생각하지만, 그것은 착각"이라고 말합니다. 많은 사람이 더 나은 것을 만들기 위해 매우 열심히 일해야만 기술이 발전합니다. 저절로 나아가지 않으며, 심지어 퇴보할 수도 있습니다. 천명(Mandate from Heaven) 같은 비전 제시: 일론의 가장 위대한 기술 중 하나는 자신의 비전을 마치 천명처럼 전달하는 능력입니다. 그는 사람들에게 영감을 주는 것의 중요성을 이해합니다. "인생은 단지 문제를 해결하는 것만이 될 수 없습니다. 위대한 꿈을 추구하는 것이기도 해야 합니다. 그것이 아침에 우리를 일어나게 하는 것입니다." 문제의 근원으로 가라: 그는 로켓 회사를 시작하려면 항공우주 공학 인재가 밀집된 로스앤젤레스로 이사하는 것이 최선이라고 결정했습니다. 그는 끊임없이 제국 전체의 병목 현상을 찾고, 일단 발견하면 즉시 비행기를 타고 문제의 현장으로 가서 문제가 해결될 때까지 머뭅니다. 이디엇 인덱스(Idiot Index): 그는 상황의 기본 물리학까지 파고들어 거기서부터 다시 쌓아 올리는 '제1원칙 사고'를 사용했습니다. 이것이 그가 '이디엇 인덱스'라고 부르는 것을 개발하게 된 계기입니다. 이것은 완성된 제품의 비용이 기본 재료 비용보다 얼마나 더 비싼지를 계산하는 것입니다. 만약 제품의 이디엇 인덱스가 높다면, 더 효율적인 제조 기술을 고안함으로써 비용을 크게 줄일 수 있다는 의미였습니다. 로켓은 이디엇 인덱스가 극도로 높았습니다. 스페이스X와 테슬라에서 '비용 통제'와 '모든 요구사항에 대한 의문'이라는 원칙을 어떻게 적용했나요? 이 책에서 '비용(cost)'이라는 단어는 158번이나 나옵니다. 일론은 비용 통제에 집착합니다. 수직적 통합과 인하우스(In-house) 제조: 그는 비용 통제와 타고난 통제 본능 때문에 가능한 한 많은 부품을 사내에서 제조하기를 원했습니다. 이는 당시 로켓 및 자동차 산업의 표준 관행과는 반대였습니다.

A: 저는 그것에 대해 매우 걱정하고 있습니다. 서구의 행동들은 자살과 구별할 수 없습니다. 가장 명백한 증상은 출산율이 인구 대체 수준에 미치지 못한다는 것입니다. 국경이 완전히 개방되어 서구 문화와 사회 구조가 무너지기 시작하는 것도 문제입니다. 유럽에서 특히 두드러지죠. 범죄 문제도 해결되거나 심지어 인정되지도 않고 있습니다. 서구가 자살 충동을 느끼거나, 자신을 방어하거나 번성시키고 싶어하지 않는 것 같습니다. Q: 과거에 종교가 사람들에게 낙관론을 심어주는 역할을 했다고 생각하시나요? A: 그렇게 생각합니다. 자연은 진공을 싫어하죠. 종교를 없애면, 그 자리에 이전에 있던 것보다 실제로는 더 나쁜 것이 들어선다고 생각합니다. 종교가 차지했던 구멍을 '워크 마인드 바이러스(woke mind virus)' 같은 파괴적인 것들이 채우는 겁니다. 디스토피아적인 사실상의 종교들이 생겨나고, 그것들은 매우 자기 파괴적입니다. 그래서 아마도 종교의 부활이나, 적어도 사람들이 흥분할 수 있는 일관된 철학이 필요하다고 생각합니다. 저에게는 그것이 '호기심의 철학'입니다. 저는 우주의 본질에 대해 궁금하고, 인류가 저 별들을 탐험하길 바랍니다. Q: 우리가 시뮬레이션 속에 살고 있다는 질문에 대해, 그 답을 AI에서 먼저 찾을까요, 아니면 별에서 먼저 찾을까요? A: 더 많은 사람들이 '호기심의 철학'을 지지할 수 있기를 바랍니다. 그것은 매우 흥미롭고 본질적으로 낙관적이니까요. https://youtu.be/qeZqZBRA-6Q

로봇, 우주, 통신, 자율주행, 지능. 일론, Tesla, SpaceX, Neural Link, Boring Company 그외에 여러 회사들이 문명에 변화를 주고 있다. Q: 옵티머스에 대한 진행 상황은 어떤가요? 기본적으로 인간 수준의 수작업 정교함(manual dexterity)을 갖게 될 것입니다. 즉, 매우 복잡한 손을 가졌다는 뜻이죠. 현실을 탐색하고 이해할 수 있는 AI 두뇌를 가질 것이며, 매우 대량으로 생산될 것입니다. 다른 로봇 공학 회사들을 보면 이 세 가지가 빠져 있습니다. 이 세 가지가 정말 어려운 것들이죠. 현실 세계의 AI 문제, 옵티머스의 모든 전기기계적 문제, 그리고 공급망 및 생산 문제를 해결하는 데 말이죠. 왜냐하면 휴머노이드 로봇을 위한 공급망이 존재하지 않기 때문입니다. 그래서 우리는 그것을 처음부터 다시 만들어야 합니다. 이는 많은 수직적 통합을 필요로 합니다. 옵티머스에 들어가는 액추에이터 중 어느 것도 기존 공급망에서 구할 수 없습니다. Q: 왜 손을 제대로 만드는 것이 그렇게 중요한지, 왜 액추에이터 디자인이 그렇게 독특하고 어려운지, 왜 아무도 만들지 않아서 로봇의 나머지 부분을 제대로 만들기 위해 거의 거기서부터 시작해야 하는지 설명해 주실 수 있나요? A: 인간의 손은 믿을 수 없을 정도로 정교한 기계로 진화했습니다. 손은 믿을 수 없을 정도로 다재다능한 도구입니다. 손의 근육 대부분은 사실 팔뚝에 있습니다. 그래서 손은 꼭두각시 인형과 같습니다. 근육이 팔뚝에서 나와 힘줄을 당기는 거죠. 인간의 힘줄 디자인도 놀랍도록 좋습니다. 힘줄의 망이 있고, 세는 방식에 따라 다르지만 인간의 손은 약 27~28개의 자유도를 가집니다. 정말 놀랍죠. 그래서 범용적인 휴머노이드 로봇을 만들려면, 반드시 '손 문제'를 해결해야 합니다. Q: 이것이 마치 공급망이 존재하지 않았던 초창기 테슬라를 만들 때와 같은 상황인가요? 네, 우리는 어떤 금액을 지불하더라도 액추에이터를 살 수 없었습니다. 그냥 존재하지 않았어요. 세상에는 다양한 크기와 모양의 전기 모터가 1만, 2만 개는 있겠지만 말이죠. 우리는 모든 전기 모터, 기어박스, 그리고 제어 전자 장치를 기본적으로 물리 제1원칙(physics first principles)부터 처음부터 설계해야 했습니다. Q: 하드웨어 문제를 해결했다고 가정했을 때, LLM의 발전 덕분에 소프트웨어적으로 얼마나 거저먹는 부분이 있나요? (소비자와의 상호작용은) 문제없습니다. 인간이 할 수 있는 모든 일을 하길 원한다면, 휴머노이드 로봇이 필요하다는 결론에 이르게 됩니다. 부분적인 일만 하길 원한다면 그건 훨씬 쉽죠. 하지만 인간은 타당한 이유들로 현재의 모양과 능력을 갖도록 진화했습니다. 네 개의 손가락과 엄지손가락이 있는 것에는 가치가 있습니다. 심지어 새끼손가락도 꽤 유용합니다. 게다가 인간은 세상을 우리에게 맞춰 설계했습니다. 그래서 휴머노이드 로봇을 만들면 우리가 만든 세상과 즉시 하위 호환이 될 것입니다. Q: 이 주파수들은 실내나 건물 안에서도 현재 휴대폰처럼 작동할까요? 그리고 당신의 비전은 우리가 AT&T 계정을 갖거나 영국이나 인도에서 로밍하는 대신, 스타링크와 직접 계약하여 전 세계에서 작동하게 하는 것인가요? 지역 통신사 없이 글로벌 통신사 하나만 두는 것이 최종 목표인가요? A: 일반적인 집에서는 네, 작동할 겁니다. 하지만 두꺼운 금속 지붕이 있는 건물 안에서는 안 될 겁니다. 그리고 네, 그것이 하나의 옵션이 될 수 있습니다. 명확히 하자면, 우리는 다른 통신사들을 망하게 하려는 것이 아닙니다. 그들은 여전히 존재할 겁니다. 하지만 네, 당신은 스타링크 계정을 가질 수 있고, 그것이 집의 스타링크 안테나, 무료 와이파이, 그리고 휴대폰과 모두 연동될 것입니다. 집과 휴대폰에서 고대역폭을 위한 포괄적인 솔루션이 될 것입니다. Q: 스타십 발사가 경이로워 보였습니다. 상업적으로 예측 가능하고 준비된 상태에 얼마나 가까워졌나요? A: 내년에는 우주선(ship)을 회수할 수 있을 것이라고 생각합니다. 스타십 버전 2 스택의 발사가 한 번 더 남았고, 그 이후에는 버전 3로 넘어갑니다. 버전 3는 랩터 3 엔진을 탑재하여 엄청난 업그레이드가 이루어집니다. 버전 3는 완전히 재설계되었기 때문에 초기에 약간의 성장통이 있을 수 있지만, 궤도에 100톤 이상을 실어 나를 수 있고 완전히 재사용 가능합니다. 큰 차질이 없다면, 스페이스X는 내년에 부스터와 우주선 모두를 회수하여 완전한 재사용성을 입증하고, 유용한 궤도에 100톤 이상을 운반할 수 있을 것입니다. 이는 현재 세계 최고의 상업용 로켓인 팰컨 헤비(Falcon Heavy)보다 2.5배 더 많은 화물을 운반하면서 완전 재사용이 가능한 것입니다. Q: 이전 발사 실패 후 환경 및 FAA 문제로 지연될 것이라는 예측이 많았는데, 어떻게 그렇게 빨리 다시 발사할 수 있었나요? A: 많은 질문과 검토가 있었습니다. 우리는 그 모든 것을 통과했습니다. 스페이스X 팀에게 공을 돌립니다. 그들은 믿을 수 없을 정도로 열심히 일했고, 다음 우주선과 부스터를 테스트하고 발사대에 올려 비행시켰습니다. 완전히 재사용 가능한 궤도 로켓을 만드는 것은 역사상 가장 어려운 엔지니어링 문제 중 하나이며, 적어도 포디움에 오를 만한 후보입니다. 2002년부터 스페이스X의 목표였고, 23년이 지난 지금, 마침내 내년에는 완전한 재사용성을 달성할 수 있을 것이라고 생각합니다. Q: 완전한 재사용성을 달성하기까지 남은 가장 큰 기술적 장애물은 무엇인가요? A: 우주선의 완전한 재사용을 위해서는 방열판(heat shield)에 아직 해야 할 일이 많이 남아 있습니다. 아무도 완전히 재사용 가능한 궤도용 방열판을 만든 적이 없습니다. 우주 왕복선의 방열판은 매 비행 후 9개월간의 수리가 필요했습니다. 이것은 재료 과학과 엔지니어링의 문제입니다. 우리는 근본적인 물리학, 제1원칙에 입각하여 열을 견디면서도 매우 가볍고, 주 구조물에 열을 전달하지 않으며, 비를 맞아도 녹지 않는 무언가를 어떻게 만들지 알아내려 노력하고 있습니다. 또한 수만 개의 타일이 모두 작동하고 하나씩 점검하거나 수리할 필요가 없다는 것을 확신할 수 있어야 합니다. Q: 그록(Grok)과 xAI의 진화에 대해 업데이트해주실 수 있나요? 특히 합성 데이터를 대량으로 사용하여 훈련을 시작할 것이라는 혁신적인 아이디어에 대해 설명해주세요. A: 네, 우리는 추론 컴퓨팅과 추론 능력을 많이 사용하여 모든 소스 데이터, 즉 인류 지식의 총체를 살펴보고 있습니다. 그리고 각 정보 조각에 대해 생각하고, 빠진 것을 추가하며, 실수를 수정하고, 그 훈련 데이터에서 거짓을 제거하고 있습니다. 예를 들어 위키피디아 페이지를 보고 '이 페이지에서 무엇이 사실이고, 부분적으로 사실이며, 거짓이거나, 빠져있는가?'라고 묻는 것과 같습니다. 그리고는 거짓을 제거하고, 절반의 진실을 바로잡고, 빠진 맥락을 추가하여 페이지를 다시 작성하는 것입니다. Q: 멤피스에 있는 슈퍼클러스터 콜로서스(Colossus)를 확장하고 계신데, 스케일링 법칙(scaling laws)은 현재 어느 단계에 있나요? 클러스터를 키우면 더 강력한 AI 모델을 얻게 되나요, 아니면 수확 체감의 지점이 있나요? 컴퓨팅을 두 배로 투입하면 모델이 10% 좋아지나요, 100% 좋아지나요? A: 컴퓨팅 양과 관련하여 자연 로그 함수 관계가 있다고 생각합니다. 대략적으로 말해, 컴퓨팅 양이 10배 증가하면 지능은 두 배가 될 수 있습니다. 이는 IQ 100에서 200으로 가는 것과 같으니 여전히 매우 큰 변화입니다. 저는 지능이 태양 에너지의 대부분이, 그리고 궁극적으로는 은하계 에너지의 대부분이 컴퓨팅에 활용될 때까지 계속해서 확장될 것이라고 봅니다. 제 생각에는 빠르면 내년에 어떤 한 가지 일에 있어서는 어떤 단일 인간보다도 더 똑똑한 AI를 보게 될 수도 있습니다. 그리고 아마 5년 안에, 예를 들어 2030년경에는 모든 인간의 지능을 합친 것보다 더 똑똑한 AI가 나올 것입니다. Q: 이 컨퍼런스에서 '자살적 공감(suicidal empathy)', 서구의 쇠퇴, 낮은 출산율, 국경 개방 등에 대한 이야기가 많았습니다. 서구의 자살에 대한 당신의 견해는 무엇인가요?

파인튜닝·디스틸·포스트트레이닝의 난도가 급락하면서, 랩 API 래퍼로 출발한 앱도 결국 자체 모델로 이동할 수밖에 없다. 이유는 두 가지다. 첫째, 품질 재현성: 모델 성능은 데이터·컴퓨트·아키텍처의 함수이고, 최근 DeepSeek이 약 $6M 규모로 o1급 추론 성능을 보여준 사례가 장벽 붕괴를 입증한다. 둘째, 분배(Distribution): 단기 코딩이 대거 자동화되면, 소프트웨어는 사실상 D2C 브랜드처럼 경쟁하며, 모델을 ‘내 것’으로 컨트롤하는 쪽이 유지·차별화·원가구조를 장악한다. 패턴(Wrapper → 전용 모델) Cursor처럼 랩퍼로 PMF와 트레이스(경로) 데이터를 모은 뒤, 작은 특화 모델을 파인튜닝(예: Tab/Fast Apply 류 기능)하고, 나중엔 자체 데이터 모트로 사내 모델을 학습·멀티 모델 오케스트레이션을 한다. 이때 모델과 엔지니어링을 하나의 제품경험으로 묶어, 고객이 지불한 토큰 대비 **‘지능의 가치’**를 더 크게 제공하면 잔존가치가 누적된다. 데이터가 병목, 앱이 곧 RL 환경 핵심 제약은 데이터다. 앱이 만들어내는 세션 리플레이/행동 궤적이 곧 RL 경험이며, 여기가 진짜 레버리지 포인트다. OpenAI의 Statsig 인수는 대규모 실험/피처플래깅/세션 데이터 스택을 제품 내부 RL 인프라로 편입하려는 움직임으로 해석할 수 있다. Sutton & Silver가 말한 **‘경험의 시대’**가 바로 이것: 컴퓨터 유즈 자체가 AGI로 가는 자료 생성 엔진이다. 경제학: Token Factor Productivity(TFP) 모델은 ‘지능’이 아니라 **‘생산성 요소’**다. 성패는 토큰 1단위가 창출한 경제가치로 측정해야 한다. TFP = (산출의 경제가치) / (소비된 토큰) 실무에서는 **수율(유효 산출/전체 산출)**과 추론단가를 함께 관리해야 하고, 이를 끌어올리려면 **오너십(자체 모델) + 데이터 효율 + RL-후훈련(예: LMPO/TRL/VERL)**의 삼각편대를 구축해야 한다.