Continuous Learning_Startup & Investment

https://deepmind.google/blog/sima-2-an-agent-that-plays-reasons-and-learns-with-you-in-virtual-3d-worlds/ 범용 행동 지능(Generalist Action Intelligence)을 위한 실험 핵심 가설 1. 다중 세계 가설 (The Multi-World Hypothesis): - *가설:* 하나의 환경에서 깊게 배우는 것보다, 물리 법칙과 시각적 스타일이 다른 **여러 환경(9개 이상의 게임)**을 얕게라도 동시에 배우는 것이 **새로운 환경(Unseen World)**에 적응하는 능력을 키워준다. - 지능은 과적합(Overfitting)이 아니라 범주화(Categorization)**와 **적응(Adaptation) 능력이다. 2. 언어 인터페이스 가설 (The Language Interface Hypothesis): - *가설:* 로봇/에이전트 제어를 위해 복잡한 코드나 API 대신 **자연어(Natural Language)**를 사용하면, 언어 모델의 방대한 지식을 행동으로 전이(Transfer)시킬 수 있다. - 언어는 인간이 세상의 복잡성을 압축해 놓은 **가장 효율적인 추상화 도구**다. 3. 데이터의 연금술 가설 (The Synthetic Data Hypothesis - SIMA 2): - *가설:* 인간의 데모 데이터 없이, **AI가 생성한 세계(Genie 3)**에서 **AI(SIMA)**가 스스로 놀면서 만든 데이터만으로도 지능이 향상될 수 있다. - 지능의 원천은 '경험의 질'이 아니라 **'상호작용의 양(Scale of Interaction)'**이다. 검증된 내용 (Validated Findings) - Zero-shot Generalization: 훈련 데이터에 없었던 게임(ASKA, MineDojo)에서도 "나무를 베어라", "집을 지어라" 같은 명령을 수행했습니다.  픽셀 패턴이 아닌 '개념'을 학습했음을 증명. - System 2 Reasoning (SIMA 2): Gemini와 결합하여 단순 명령 수행을 넘어, "자원을 모아서 캠프를 지어라"는 고수준 명령을 스스로 하위 태스크로 쪼개고 실행했습니다.  언어 모델의 추론 능력이 행동 제어(Control)로 연결됨을 증명. - Self-Improvement: 생성형 환경(Genie)에서의 자가 학습 루프가 실제로 성능을 높였습니다.  데이터 병목 해결의 실마리 확인. 여전한 한계 (Persisting Limitations) - 물리적 실재감의 부재 (Lack of Physicality): 게임 속 '충돌'과 현실의 '충돌'은 다릅니다. 게임은 실패해도 리셋되지만 현실은 파괴됩니다. SIMA는 **'비가역적 실패(Irreversible Failure)'**에 대한 공포와 조심성이 없습니다. - 시간적 지연 (Latency): Gemini와 같은 거대 모델이 이미지를 보고 생각하고 판단하는 데 걸리는 시간은 밀리초(ms) 단위의 정밀 제어가 필요한 로봇에게는 너무 느립니다. - 기억의 휘발성 (Short Horizon Memory): 긴 시간 동안 복잡한 작업을 할 때, 초반에 했던 행동이나 상태를 잊어버리는 경향이 있습니다. (Context Window의 한계)

역시 Gavin Baker 관점은 명쾌하다. "Gemini 3는 프리트레이닝을 위한 스케일링 법칙이 여전히 유효하다는 것을 보여준다. 이는 o1이 출시된 이후 가장 중요한 AI 데이터 포인트다. 이는 곧 블랙웰 계열 모델들이 2026년 2분기에 출시될 때 성능이 크게 향상될 가능성이 높다는 뜻이기도 하다. GPT-5는 스케일링 법칙이 둔화되고 있다는 증거가 아니었다. GPT-5는 더 나은 성능을 목표로 설계된 것이 아니라, 추론 비용을 더 싸게 만드는 데 초점을 맞춘 모델이었다. 실제로는 라우터 뒤에 숨은 더 작은 모델이었다. 그리고 Gemini 3가 TPU로 학습되었으니 블랙웰과는 연결해서 해석할 수 없다고 말하지는 말아 달라. 프리트레이닝에서 중요한 것은 블랙웰이든 TPU든 상관없이 일관된(coherent) FLOPs의 규모다." "AI는 내가 기술 투자자로 일해 온 커리어 전체를 통틀어, “비용”이 진짜로 중요한 의미를 갖는 첫 사례로 남아 있다. 애플이 수조 달러짜리 기업이 된 이유는 아이폰을 가장 낮은 원가로 생산하기 때문이 아니며, 엔비디아가 AI 가속기를 가장 싸게 만드는 회사라서 그런 것도 아니다. 그러나 “토큰을 가장 낮은 비용으로 생산하는 플레이어”가 되는 것은 엄청난 이점을 가져올 것이다. 오늘날 토큰의 최저 비용 생산자는 구글이고, 그 다음이 xAI다. 중요한 것은 GPU나 TPU의 “대수”가 아니라, 하나의 클러스터/패브릭 내에서 일관되게(coherent) 묶여 있는 GPU의 수, 그리고 그 클러스터/패브릭 내에서 통신하는 데 드는 비용이다." "CoreWeave의 분기 실적은, 설령 CoreWeave가 전력 계약 측면에서 우위를 가지고 있더라도, 실제로 전력을 확보해 온·오프라인으로 만들고 인프라를 적시에 배치하는 일이 얼마나 어려운지를 보여주었다. 이런 전력 관련 병목은 앞으로 더 자주 발생해 더 많은 플레이어에게 영향을 줄 가능성이 크다. 나는 이것이 오히려 긍정적이라고 본다. 전력 부족은 AI 인프라 구축에서 자연스러운 ‘조절 장치(governor)’ 역할을 하여, 과잉 구축(overbuild)이 일어날 확률을 낮춘다. 이로 인해 사이클의 기간은 더 길어지고, 변동성은 더 완만해질 것이다." "전력 부족은 블랙웰에게는 훌륭한 환경이 될 수도 있다. 와트(watt)가 병목이 되는 상황에서는, 와트당 토큰(tokens per watt)이 의사결정을 좌우하게 되며, 토큰은 말 그대로 = 매출이다. 전력 제약이 심한 세계에서는 GPU vs ASIC 가격 차이는 훨씬 덜 중요해진다. 여기에 구글이 TPU를 외부 고객에게 판매하기 시작했다는 사실까지 더해지면, 다른 대부분의 ASIC 프로그램이 취소될 가능성이 크다. 설령 어떤 ASIC이 1GW급 데이터센터의 구축 비용을 500억 달러에서 400억 달러로 줄여 준다고 하더라도, 그 400억 달러의 ROI는 더 낮을 것이다. 그 데이터센터가 만들어내는 매출(토큰)이 상당히 줄어들 것이기 때문이다. 종합하면, 전력 부족은 와트당 토큰 성능이 가장 뛰어난 반도체와 시스템의 가격 결정력을 크게 높여 준다." "광통신(optics)은 워크로드를, 전력이 충분하고 가격이 싼 곳으로 옮길 수 있게 해준다. 전기요금 인상에 대한 정치적 압력을 완화하기 위해 출력 제한(curtailment)이 하나의 해법으로 쓰이게 되면서, 이것은 점점 더 중요해질 것이다. 멀티 캠퍼스에서 진행하는 트레이닝에는 상상을 초월하는 수준의 광통신 장비가 필요하지만, 이 지출 규모는 여전히 연산(컴퓨트)에 들어가는 지출에 비하면 훨씬 작다. 따라서 경제적으로 충분히 성립 가능한 대안이다. 역설적이게도, 광통신은 중국의 GPU 부족과 전력 과잉 문제에 대한 해법이기도 하다. 스케일-업 네트워킹에서 구리(copper) 케이블 대신 광(optical)으로 전환하면, 전력 사용량이 극적으로 늘어나는 대가를 치르는 대신, 가속기 한 개당 연산 성능 부족분 상당 부분을 상쇄할 수 있기 때문이다." "블랙웰이 널리 공급되기 시작한 이후에도 Hopper 임대 가격이 오히려 상승했다는 사실은, GPU 잔존가치(residual value)를 지금의 6년보다 더 길게 잡아야 할지도 모른다는 신호다. 오늘날에도 A100조차 여전히 매우 높은 수준의 변동 현금 마진(variable cash margin)을 만들어 내고 있다. 이런 추세가 이어진다면, GPU 금융 비용은 추가로 100~200bp 정도 더 낮아질 수 있다. 덧붙이자면, 데이터센터의 물리적 현실을 감안하면 GPU의 경제적 수명이 1~2년에 불과하다는 가정은 사실상 성립할 수 없다." "벤처 회사들이 대거 클라우드로 이전한 뒤, S&P 500 기업들이 광범위하게 클라우드로 전환하기까지는 대략 5년 정도가 걸렸다. AI는 이보다 더 빠르게 진행될 수도 있다. 3분기가, 여러 S&P 500 기업들이 처음으로 “재무제표에 눈에 보이게 영향을 준 AI 생산성 데이터”를 공개한 시점이었다는 점은 주목할 만하다. 예를 들어 C.H. Robinson 같은 사례가 그렇다. 이런 대기업들의 초기 생산성 향상은, 벤처 투자자들이 포트폴리오 회사들을 통해 보고 있는 현상과도 맞닿아 있다. 사실상 모든 벤처 지원 회사들이 AI에 과감하게 베팅하면서, 직원 1인당 매출이 수직 상승하고 있기 때문이다." "이 모든 것은 우리가 아직 AI의 매우 초기 단계에 있다는 점을 시사한다." https://x.com/gavinsbaker/status/1991248768654803337?s=46&t=kBWm12pe7zszh3422SH2Og

소크라테스의 명언: "성찰하지 않는 삶은 살 가치가 없다(The unexamined life is not worth living)." 자신의 삶을 돌아보고, 단순히 흘러가는 대로 사는 것이 아니라 원하는 삶을 살도록 노력해야 합니다. 마지막 메시지: 해밍은 자신이 힘들게 깨달은 성공의 비결을 모두 알려주었습니다. 이제 여러분은 해밍보다 더 잘하지 못할 핑계가 없습니다. 요약: 리처드 해밍은 이 강의를 통해 단순히 열심히 하는 것을 넘어, 중요한 문제를 선택하고, 준비된 자세로 기회를 잡으며, 자신감과 용기를 가지고, 변화를 수용하며, 효과적으로 소통하는 것이 위대한 연구와 커리어를 만드는 길임을 역설했습니다. 그는 청중들이 자신의 조언을 바탕으로 자신보다 더 뛰어난 성취를 이루기를 바라는 마음으로 강의를 마쳤습니다. https://youtu.be/a1zDuOPkMSw

주기적으로 살펴볼만한 Hamming선생님 강의 “You and Your Research" (또는 "You and Your Engineering Career", "You and Your Career") 성공의 폭넓은 원칙을 다루는 마지막 강의입니다. 해밍 자신은 '과학의 청소부(janitor of science)'로 시작하여 위대한 과학자들과 자신의 차이를 연구하고 분석한 결과를 공유합니다. 목적: 청중의 등에 칼을 꽂고 비틀어 "해밍도 했는데 나라고 못할 게 뭐냐?"라는 생각을 하게 만드는 것입니다. 해밍 자신보다 청중이 더 뛰어날 가능성이 높으므로, 적어도 해밍만큼 혹은 그 이상의 성취를 이루도록 자극하는 것이 목표입니다. 마태 효과 (The Matthew Effect): "가진 자는 더 받아 넉넉하게 되고, 없는 자는 그 있는 것마저 빼앗기리라." 과학계에서도 유명해지면 더 많은 정보와 기회를 얻어 계속 유명해지기 쉽지만, 그렇지 않으면 성과마저 인정받지 못하고 사라지기 쉽습니다. 2. 성공의 요소: 운 vs. 준비된 마음 (Luck vs. Prepared Mind) 운에 대한 반박: 많은 사람들이 성공을 운으로 돌리지만, 파스퇴르의 말처럼 **"운은 준비된 마음을 선호한다(Luck favors the prepared mind)"**고 믿습니다. 사례 (파인만): 파인만(Feynman)은 에너지가 넘치고 능력이 있어 노벨상을 받을 것이 분명해 보였습니다. 그의 성공은 운이라기보다 그의 본성(nature)에 가까웠습니다. 사례 (섀넌과 해밍): 섀넌(Shannon)과 해밍이 같은 방을 썼을 때, 섀넌은 정보 이론을, 해밍은 코딩 이론을 만들었습니다. 이는 우연히 '공기 중에 떠다니던' 아이디어가 아니라, 그들이 준비되어 있었기 때문에 번개가 쳤을 때(기회가 왔을 때) 잡을 수 있었던 것입니다. 섀넌은 그 전에도 불 대수를 스위칭 회로에 적용하는 등 이미 준비된 인재였습니다. 결론: 매일매일의 삶을 통해 성공을 준비해야 합니다. 준비되지 않으면 기회가 와도 잡을 수 없습니다. 3. 노력과 재능 (Hard Work vs. Intelligence) 노력의 중요성: 에디슨의 말처럼 천재는 99%의 노력과 1%의 영감입니다. 위대한 사람들은 항상 열심히 일합니다. 로스 앨러모스에서 쉴 때조차 그들은 문제에 대해 이야기했습니다. 지능(IQ)의 한계: 뉴턴이나 아인슈타인도 어릴 때는 특별해 보이지 않았습니다. 높은 IQ가 도움이 될 수는 있지만, 위대한 업적을 남기는 데 필수적인 것은 아닙니다. 많은 위대한 사람들이 평범해 보이는 지능을 가졌지만 엄청난 노력으로 성공했습니다. 사례 (빌 판, Bill Pfann): 빌 판은 수학도 잘 못하고 자신감도 부족했지만, '존 멜팅(Zone Melting)'이라는 아이디어를 가지고 있었습니다. 해밍은 그를 도와 컴퓨터 시뮬레이션을 수행했고, 결국 빌 판은 이 아이디어로 엄청난 성공을 거두었습니다. 중요한 것은 재능보다 좋은 아이디어를 알아보고 끝까지 밀고 나가는 것입니다. 4. 자신감과 용기 (Confidence & Courage) 자신감: 위대한 일을 하려면 자신이 위대한 일을 할 수 있다고 믿어야 합니다. 자신감이 없으면 시작조차 할 수 없습니다. 용기 (섀넌의 예): 섀넌은 정보 이론을 만들 때 무작위 코드의 평균이 좋다는 것을 증명하고, 따라서 좋은 코드가 반드시 존재한다고 믿었습니다. 이는 엄청난 용기가 필요한 접근이었습니다. 체스를 둘 때도 섀넌은 절대 방어하지 않고 공격만 했습니다. "나는 아무것도 두렵지 않다(I ain't scared of nothin'!)"는 태도로 문제에 접근해야 합니다. 5. 중요한 문제에 집중하기 (Working on Important Problems) 점심 식사 일화: 해밍은 벨 연구소에서 물리학자들과 점심을 먹으며 배웠지만, 그들이 떠난 후 화학자들과 식사하게 되었습니다. 그는 화학자들에게 **"당신 분야에서 중요한 문제는 무엇입니까?", "당신은 그 문제를 연구하고 있습니까?", "그렇지 않다면 왜 안 합니까?"**라고 물었습니다. 결과: 이 질문을 듣고 깨달음을 얻은 친구(데이비드)는 중요한 문제에 대해 깊이 생각하게 되었고, 결국 부서장이 되고 공학 아카데미 회원이 되었습니다. 반면 나머지 사람들은 그렇지 못했습니다. 중요한 문제란: 해결책(공격 방법)이 보이는 문제입니다. 타임머신이나 반중력처럼 결과는 엄청나지만 해결 방법이 없는 문제는 중요한 문제가 아닙니다. 도토리 심기: 처음부터 거창한 문제만 쫓는 것이 아니라, 미래에 거대한 참나무가 될 '도토리(작은 문제)'를 심고 키우는 것이 중요합니다. 노벨상 수상자들이 이후 업적이 저조한 이유는 중요한 문제만 다루려다 아무것도 못 하게 되기 때문입니다. 6. 탁월함 추구와 비전 (Excellence & Vision) 탁월함: 무엇을 하든 탁월하게(Excellence) 해내려는 태도가 중요합니다. 대충 처리해도 되는 일(서류 서명 등)을 제외하고는, 자신의 일을 최고 수준으로 해내야 합니다. 비전: 술 취한 선원처럼 무작위로 걸으면 제자리걸음이지만, 예쁜 여자를 향해(목표를 가지고) 걸으면 멀리 갈 수 있습니다. 비전을 가지고 일관된 방향으로 나아가야 합니다. 7. 작업 환경과 태도 (Working Conditions & Attitude) 문을 열고 일하기: 문을 닫고 일하면 방해받지 않아 생산성이 높을 수 있지만, 세상과 단절되어 엉뚱한 문제를 풀게 될 수 있습니다. 문을 열고 일하는 사람들은 방해를 받지만 중요한 문제가 무엇인지 파악하고 현실과 연결됩니다. 환경 탓하지 않기: 나쁜 도구를 탓하는 것은 서툰 장인입니다. 완벽한 환경(프린스턴 고등연구소 같은)이 오히려 사람을 무기력하게 만들 수도 있습니다. 주어진 환경에서 최선을 다하고, 약점을 강점으로 바꿔야 합니다. 사례 (프로그래머 부족): 프로그래머가 부족하자 해밍은 "기계가 프로그래밍하게 하자"라고 생각하여 프로그래밍 언어 및 컴파일러 개발의 선구자가 되었습니다. 사례 (아날로그 컴퓨터 부족): 아날로그 컴퓨터의 성능이 부족하자 디지털 컴퓨터로 미분 방정식을 푸는 방법을 연구하여 새로운 수치 해석 방법을 개발했습니다. 8. 성공 연구하기 (Studying Success) 성공을 공부해라: 실패가 아닌 성공을 연구해야 합니다. 갈릴레오나 뉴턴이 어떻게 성공했는지 연구하고, 자신에게 맞는 방법을 찾아 스타일을 형성해야 합니다. 존 튜키(John Tukey)의 예: 천재인 튜키만큼 많이 알기 위해 해밍은 튜키만큼 노력해야 한다는 조언을 듣고, 자신의 삶을 재정비했습니다. 쓸데없는 잡지 읽기를 그만두고, 북 리뷰 에디터가 되어 강제로 책을 읽고 최신 지식을 습득했습니다. 9. 스타일과 커뮤니케이션 (Style & Communication) 스타일: 무엇을 하느냐만큼 '어떻게 하느냐(Style)'가 중요합니다. 아인슈타인은 특수 상대성 이론을 명확하고 직관적인 방식으로 정리했기 때문에 기억되는 것입니다. 커뮤니케이션: 구두 발표, 문서 작성, 일상 대화 등 세 가지 레벨에서 소통 능력을 키워야 합니다. 발표 기술: 다른 사람의 발표를 들을 때 내용뿐만 아니라 스타일(무엇이 효과적이고 무엇이 아닌지)을 분석하고 자신에게 적용해야 합니다. 농담도 자신의 스타일에 맞는 것을 찾아야 합니다. 10. 변화와 모호함 견디기 (Change & Ambiguity) 변화 수용: 발전하려면 변화가 필요합니다. "10년 동안 같은 방식으로 해왔다면 바꿀 때가 되었다"는 태도로 끊임없이 더 나은 방법을 찾아야 합니다. 모호함 견디기 (Tolerance of Ambiguity): 위대한 과학자는 이론을 믿으면서도 동시에 의심합니다. 믿어야 연구를 계속할 수 있고, 의심해야 오류를 발견하고 새로운 이론으로 나아갈 수 있습니다. 11. 결론 (Conclusion) 자기 주도적 기회 창출: "연구를 다 하면 가르치는 일을 줄여주겠다"는 말처럼, 능력을 먼저 증명해야 기회가 주어집니다. 성공의 가치: 성공한 사람들은 그 과정이 "술, 여자, 노래를 합친 것보다 낫다"라고 말합니다. 위대한 일을 해내고 그것을 아는 기쁨은 무엇과도 비교할 수 없습니다.

오타니 쇼헤이 만다라트 생성기 https://www.goalpillars.com/

어제부터 X에서 로봇 쪽으로 핫한 Sunday Robotics Tony Z Zhao: ALOHA, ACT(Action Chunking with Transformer)로 값싼 텔레오퍼레이션 & 떨리지않고 부드럽게 움직일 수 있는 ACT등 연구 진행. Ex Google Deepmind, Stanford Phd Dropout from Chelsea Finn Cheng Chi: Diffusion policy로 복잡하고 멀티모달한 상황에서 로봇이 안정적으로 움직이게 하는 알고리즘 + UMI(로봇 없이 고프로만으로 데이터 수집하는 시스템) 로봇 쪽에서 나온 또 다른 드림팀 문제의식 현재 AI(LLM 등)의 성공 방정식은 '모델 구조(Transformer) + 인터넷 규모의 데이터'다. 로봇 공학에는 이미 좋은 모델(Transformer/Diffusion)이 있지만, '인터넷 규모의 물리적 데이터(Corpus)'가 없다. 기존에는 로봇 데이터를 모으려면 로봇이 있어야 했다(Teleoperation). 로봇은 비싸고, 무겁고, 고장 난다. 100만 시간을 모으려면 100만 시간 동안 로봇을 돌려야 한다. 불가능하다. "로봇이 학습하는 데 팔꿈치나 어깨 위치가 필요한가?"  아니오. - "필요한 건 무엇인가?"  손(End-effector)의 6차원 궤적(`x,y,z,rot*x*,*y*,*z*,*rot*`)과 시각 정보(Vision)뿐이다. - 로봇을 없애라. 고프로(시각)와 3D 프린팅 된 손잡이(그리퍼)만 있으면 된다. 이를 통해 전 세계 누구나, 어디서든(In-the-wild) 데이터를 모을 수 있게 만든다. 신체 불일치 해결 (Solving Embodiment Mismatch) - 제약: 사람이 모은 데이터는 사람의 데이터다. 로봇에게 그대로 주면 형태가 달라서 못 쓴다. - 해결 (Hardware Isomorphism): - "데이터 변환을 소프트웨어로 어렵게 해야 하는가?"  아니오. - 하드웨어를 일치시켜라. 데이터 수집용 글러브의 집게와 로봇의 집게를 기하학적으로 100% 동일하게 설계한다. - "사람이 글러브로 컵을 집었다면, 로봇도 물리적으로 똑같이 집을 수 있다." (Skill Transform의 성공률 90% 이상 달성) 엔지니어가 데이터를 모으는 건 비효율적이다. - 데이터 수집을 우버(Uber)나 데이터 라벨링 알바처럼 만든다. 일반인에게 글러브를 나눠주고, 집안일(빨래 개기, 정리하기)을 하게 한 뒤 돈을 준다. - 데이터 수집의 무한 확장(Scale-up)이 가능해진다. 학습 및 제어의 혁신 (AI & Control Strategy) 불확실성의 관리 (Managing Uncertainty with Diffusion) - 세상은 예측 불가능하다. 장애물이 있을 때 왼쪽으로 갈 수도, 오른쪽으로 갈 수도 있다. 기존 방식(평균값 예측)은 어정쩡하게 중간으로 가다 부딪힌다. - 해결 (Diffusion Policy): - 행동을 하나의 정답이 아닌 '확률 분포'로 배운다. 노이즈로부터 행동을 생성해내므로, "왼쪽 아니면 오른쪽"이라는 명확하고 다양한 해결책(Multimodality)을 내놓는다. - 이 덕분에 햇빛이 비치거나, 테이블이 지저분해도(노이즈가 있어도) 강건하게 작동한다. 끊김 없는 행동 생성 (Action Chunking) - 제약: 0.1초마다 판단하면 로봇이 덜덜 떤다. - 해결 (ACT): - 순간이 아니라 미래의 궤적 덩어리(Chunk)를 한 번에 예측한다. 인간이 한 번 쳐다보고 컵을 잡으러 손을 뻗는 것처럼, 부드럽고 연속적인 동작을 생성한다. 안전장치 확보 (Hybrid Control) - 제약: AI는 가끔 환각(Hallucination)을 일으켜 엉뚱한 짓을 할 수 있다. 물리 세계에서 이는 사고로 이어진다. - 해결 (Full-stack Control): - AI 모델(Brain) 밑단에 **고전 제어 이론(System ID, Feedback Control)**을 깐다. - AI가 이상한 명령을 내려도, 하드웨어 레벨에서 모터의 토크나 속도를 제한하여 안전을 보장한다. (채용 공고의 Controls Engineer 역할) 제품화 및 양산 (Product & Scale) A. 가전제품으로서의 로봇 (Robot as Appliance) - 제약: 연구용 로봇은 수억 원이다. 가정에 보급하려면 $10,000 이하여야 한다. - 해결 (Mass Production): - 기성품을 쓰지 않고, 모터 제어기부터 PCB, 센서 모듈까지 직접 설계(EE Team)하여 원가를 낮춘다. - 해외 위탁 생산(CM)과 공급망 관리(Supply Chain)를 통해 다이슨이나 테슬라처럼 찍어낸다. (Job: Manufacturing Engineer) B. 수직 계열화 (Vertical Integration) - 제약: 남의 OS나 부품을 쓰면 최적화에 한계가 있다. - 해결: - *데이터 수집(글러브)  학습(클라우드)  추론(로봇 OS)  구동(펌웨어)**까지 전 과정을 직접 만든다. - 애플이 하드웨어와 소프트웨어를 통합해 최상의 경험을 주듯, 로봇의 성능을 극한까지 끌어올린다. ### Sunday Robotics가 문제를 푸는 순서 1. Step 1 (입력): 로봇 없이도 로봇 데이터를 모을 수 있는 **'저렴한 글러브(UMI)'**를 만들어 일반인에게 뿌린다. (데이터 병목 해소) 2. Step 2 (변환): 글러브와 로봇 손을 **똑같이 설계**하여, 수집된 데이터를 복잡한 가공 없이 즉시 로봇 훈련 데이터로 바꾼다. (Embodiment Mismatch 해결) 3. Step 3 (지능): **Diffusion Policy**와 **Transformer**를 써서, 이 방대한 데이터를 먹고 스스로 행동 규칙(Policy)을 깨우치는 파운데이션 모델(VLA)을 만든다. (일반화된 지능 확보) 4. Step 4 (출력): 이 지능을 담을 저렴하고 안전한 하드웨어(Memo)를 대량 생산하여 가정에 보급한다. (시장 진입) 5. Step 5 (순환): 보급된 로봇이 겪는 실패 사례(Edge case)는 다시 데이터가 되어, **OTA**를 통해 로봇을 매일 밤 똑똑하게 만든다. (Data Flywheel 완성) https://x.com/tonyzzhao/status/1991204839578300813

우리는 '범용 로봇'을 꿈꾸지만, "똑똑하지 않아 보급되지 못하고, 보급되지 않아 데이터를 얻지 못해 똑똑해질 수 없는" 치명적인 '닭과 달걀의 딜레마'에 빠져 있었습니다. 형태는 과업을 따른다 (Form Follows Function). 실패: 우리는 '인간의 일'을 하는 로봇이 필요했지만, '인간의 형태'를 가진 휴머노이드를 만드는 데 집착했습니다. 그 결과, 아직 풀지도 못한 '균형 잡기' 문제에 막대한 비용을 쏟아붓고, '바퀴'보다 본질적으로 비효율적인 이동 방식을 고집하는 함정에 빠졌습니다. 학습에는 유의미한 정보가 필요하다. 실패: 우리는 로봇이 '스스로 배우길' 바랐지만(강화학습), 학습 초기에 로봇은 성공 경험이 전무하여 아무런 정보도 얻지 못했습니다. 이는 막대한 비용을 들여 '실패했다'는 당연한 사실만 확인하는, 극심한 정보 비효율성을 낳았습니다. 훈련은 실전과 같아야 한다. 실패: 우리는 '값비싼 현실'을 대체하기 위해 시뮬레이션이나 인간 비디오 같은 '값싼 가상' 데이터에 의존했습니다. 그러나 '가상'과 '현실' 사이의 미세한 차이는 모델이 똑똑해질수록 오히려 더 큰 오류를 낳는 '교집합의 함정'으로 작용했고, 모델의 잠재력을 억제하는 결과를 낳았습니다.  "어떻게 움직일까?"에서 "무엇을 이해할까?"로 이러한 실패는 문제의 본질이 '행동'이 아닌 **'이해(표현)'**에 있음을 깨닫게 했습니다. 로봇은 세상을 이해하는 새로운 언어를 배워야 했습니다. - 1단계 (개념 이해): 우리는 '플라톤의 동굴' 비유처럼, 세상 자체를 처음부터 가르치는 대신, 세상을 이미 이해한 인간의 '뇌(VLM)'를 로봇에 이식했습니다(VLA). 이를 통해 로봇은 '컵', '문'과 같은 '개념'을 학습했습니다. - 2단계 (기하학 이해): 인간의 손과 로봇의 그리퍼라는 형태 차이를 극복하기 위해, 모든 움직임을 '3D 점들의 궤적'이라는 보편 언어로 번역했습니다(EgoZero). 이를 통해 로봇은 '기하학'을 학습했습니다. - 3단계 (물리 이해): "달걀을 깨뜨리지 않고 집는 법"을 가르치기 위해, 눈에 보이지 않는 '힘' 자체를 예측하고 제어하는 법을 가르쳤습니다(Feel the Force). 이를 통해 로봇은 '물리'를 학습했습니다. 현재의 최전선: '데이터 선순환'을 향한 두 가지 거대한 베팅 '개념, 기하학, 물리'라는 새로운 언어를 갖춘 지금, 로봇 산업은 '닭과 달걀' 문제를 풀기 위한 현실적인 데이터 전략을 실행하고 있습니다. 이는 크게 두 가지 상반된 철학으로 나뉩니다. 베팅 1: 점진적 진화 (AI 우선주의) 철학: "가장 중요한 문제는 AI다." 아직 미해결된 하드웨어 문제(예: 두 발 보행)는 바퀴 등으로 우회하고, 모든 자원을 최고의 '뇌(AI)'를 만드는 데 집중합니다. 전략: 기성품 로봇에 AI를 탑재하여 빠르게 시장에 진입하고, 현실 데이터를 통해 AI를 빠르게 개선하는 '소프트웨어 중심'의 길입니다. 베팅 2: 궁극적 도약 (하드웨어 우선주의) 철학: "최종 형태가 모든 것을 결정한다." 인간 환경과의 완벽한 상호작용을 위해, 처음부터 완벽한 인간 형태의 '몸(하드웨어)'을 만드는 데 집중합니다. 전략: 막대한 자본으로 자체 하드웨어를 완성한 뒤, 여기에 맞는 방대한 데이터를 투입하여 단숨에 시장을 지배하려는 '수직 계열화'의 길입니다. 5. 데이터 포트폴리오: 어떤 베팅이든 피할 수 없는 과제 어떤 전략을 택하든, 모든 기업은 '데이터 부족' 문제를 해결하기 위해 다음과 같은 **하이브리드 데이터 포트폴리오**를 구축해야 합니다. 로봇 데이터 (원격 조종): 기회: 로봇의 몸으로 직접 수집한, 가장 '진짜'에 가까운 데이터입니다. 한계: 인간 조종사의 한계로 인해 데이터가 느리고 부자연스러우며, 촉각과 같은 비시각적 정보를 담기 어렵습니다. 확장성에도 명백한 한계가 있습니다. 시뮬레이션 데이터: 기회: 거의 무한에 가까운 데이터를 값싸게 생성하고, 현실에서는 불가능한 '실패'나 '위험' 시나리오를 안전하게 학습시킬 수 있습니다. 한계: '현실과의 불일치(Sim-to-Real Gap)' 문제를 완벽히 해결할 수 없어, 단독으로는 신뢰하기 어렵습니다. 인간 영상 데이터: 기회: 인터넷에 이미 존재하는, 가장 방대하고 다양한 데이터 소스입니다. 인간의 자연스러운 상호작용을 학습할 수 있습니다. 한계: '신체 형태의 불일치(Embodiment Gap)' 문제로 인해, 인간의 움직임을 로봇의 움직임으로 완벽하게 변환하기 어렵습니다. 6. 결론: 연습을 통한 완벽으로 궁극적으로, 로봇의 미래는 이 모든 요소를 결합하여 '데이터 선순환'을 구축하는 데 달려 있습니다. (1) 하이브리드 데이터로 '어느 정도 쓸모 있는' 초기 모델을 만들고, (2) 이 모델을 현실 세계에 투입하여 더 많은 '진짜 경험' 데이터를 수집하며, (3) 이 경험을 바탕으로 스스로를 개선하는 강화학습(예: RECAP)의 사이클을 돌리는 것입니다. 이 '연습을 통한 완벽'의 과정을 통해, 로봇은 비로소 인간의 지식을 모방하는 단계를 넘어, 스스로 물리 세계를 이해하고 탐험하는 '진정한 물리적 지능'을 갖추게 될 것입니다. https://matthewcontinuouslearning.notion.site/Robotics-Research-11-19-2025-2b02857ddb1680339240e267581218dd?source=copy_link

1. 명세 (Specifications): 시스템이 무엇을 해야 하는지(Statement Specification)와 그 결과가 올바른지 어떻게 확인할지(Solution Specification)를 정의하는 것은 모든 공학 분야의 근본이다. 이는 시스템의 모듈화, 재사용성, 검증, 디버깅, 자율적 의사결정을 가능하게 하는 필수적인 토대다. - Software 1.0 (고전적 프로그래밍): "무엇을 할지" (Statement Specification)를 명확하게 규정(specify)할 수 있는 작업을 자동화한다. (예: 정해진 규칙에 따른 데이터 변환) - Software 2.0 (AI 프로그래밍): "무엇이 올바른 결과인지" (Solution Specification)를 명확하게 검증(verify)할 수 있는 작업을 자동화한다. (예: 목표 함수, 보상 함수를 통해 뉴럴 네트워크 학습) - 핵심 전환: AI 시대에는 작업을 해결하는 알고리즘을 직접 작성하는 대신, 목표를 명확히 하고 해결책을 자동으로 평가(검증)할 수 있다면, AI는 그 목표를 향해 스스로 학습하고 최적화될 수 있다. - 검증의 비대칭성 (Asymmetry of Verification): 많은 작업은 해결하기는 매우 어렵지만, 주어진 해결책이 올바른지 확인하는 것은 훨씬 쉽다. (예: 스도쿠, 웹사이트 코드 작성 vs. 웹사이트 작동 여부 확인) - 검증자의 규칙 (Verifier's Rule): AI가 특정 작업을 해결하도록 훈련시키는 용이성은 그 작업이 얼마나 '검증 가능한가'에 정비례한다. - 이상적인 검증 환경의 조건: 1. 객관적 진실: 누가 봐도 좋은 해결책에 동의한다. 2. 빠른 검증: 해결책을 몇 초 안에 확인할 수 있다. 3. 확장 가능한 검증: 많은 해결책을 동시에 확인할 수 있다. 4. 낮은 노이즈: 검증 결과가 해결책의 품질과 밀접하게 연관된다. 5. 연속적 보상: 해결책의 좋고 나쁨을 다양한 스케일로 측정할 수 있다. - 학습의 본질: 이러한 조건들이 충족될 때 뉴럴 네트워크는 최대의 학습을 할 수 있으며, 각 학습 단계에서 풍부한 피드백(경사 신호)을 얻어 빠르게 반복하고 발전한다. 이는 디지털 세상의 발전 속도가 물리적 세상보다 빠른 이유와 동일하다. LLM 시스템의 현재 한계는 '명세의 모호성'과 '검증 가능성 부족'에서 기인한다. - 자연어의 양날의 검: LLM은 자연어를 통해 광범위한 접근성과 일반성을 얻었지만, 이로 인해 명세가 모호해지고 결과의 검증이 어려워진다. - LLM의 실패 사례: 에어캐나다 챗봇의 잘못된 환불 정책, 쉐보레 챗봇의 1달러 자동차 판매 동의 등은 'Solution Specification'이 부재하거나 모호하여 LLM이 올바르지 않은 출력을 생성하고도 이를 감지/수정하지 못하는 전형적인 예시다. - 블랙박스 문제: LLM의 모놀리식, 블랙박스 특성은 기존 소프트웨어의 디버깅(문제를 찾고 고치는 과정)을 불가능하게 만든다. LLM 시스템을 공학 분야로 승격시키기 위한 해결책은 '명세의 명확화'와 '검증 가능성 향상'이다. - 명세 모호성 해소 방안: - 반복적 명세화: 인간의 대화처럼 LLM이 모호한 프롬프트에 대해 질문하고 가정을 명확히 하여 'Statement Specification'을 개선한다. - 도메인별 규칙: 특정 분야의 명확한 규칙(예: 법률, 프로그래밍 언어)을 LLM에 주입하여 명세의 모호성을 줄인다. - 컨텍스트 학습 및 활용: LLM이 사용자나 특정 작업에 대한 컨텍스트를 학습하여 암묵적인 가정을 명확히 한다. - 구조화된 출력: JSON 스키마 등 표준화된 형식을 통해 'Statement Specification'을 강제하고, 부분적으로 'Solution Specification'을 제공한다. - '낯선 사람 테스트': 프롬프트를 작성할 때 LLM이 해당 도메인에 대해 아무것도 모르는 '낯선 사람'이라고 가정하고 모든 세부 정보를 명시한다. - 검증 가능성 향상 방안: - 증명 기반 출력 (Proof-carrying outputs): 코드 생성 시 코드와 함께 해당 코드가 명세를 만족한다는 수학적 증명을 생성한다. - 단계별 검증 (Step-by-step verification): LLM이 사고 과정을 단계별로 제시하게 하여 각 단계를 독립적으로 검증할 수 있도록 한다. - 실행 후 검증 (Execute-then-verify): LLM의 출력을 안전한 환경에서 실행해보고 그 결과를 관찰하여 검증한다. - 사전/사후 조건 (Preconditions & Postconditions): 입력과 출력에 대한 명확한 조건을 설정하여 유효성 검사를 강화한다. - 통계적 검증 (Statistical verification): 대규모 환경에서 LLM 시스템의 '전반적인 성능'을 측정하고 모니터링하여 검증한다. LLM은 '무엇이든 시도할 수 있는' 놀라운 능력을 가지고 있지만, 그 시도들이 '성공적이었는지'를 명확하게 알 수 없을 때 발전은 정체된다. AI 혁명의 다음 단계는 더 크고 복잡한 모델을 만드는 것을 넘어, 각 구성 요소의 **명세를 명확히 하고, 그 결과가 올바른지 '검증'할 수 있는 엔지니어링 원칙**을 LLM 시스템 개발에 적용하는 것이다. '검증 가능성'이 높은 작업에서 AI는 인간을 뛰어넘는 지능을 보여줄 것이며, 이는 AI가 해결할 수 있는 문제의 지형을 근본적으로 바꿀 것이다. 이 '검증 가능한' 영역을 확장하는 것이 곧 AI 기술 발전의 핵심 동력이 될 것이다. https://x.com/karpathy/status/1990116666194456651 https://arxiv.org/abs/2412.05299 https://www.jasonwei.net/blog/asymmetry-of-verification-and-verifiers-law

슈퍼스타들을 채용하는 방법은 이렇습니다. 사람이 먼저, 역할/프로세스는 그 다음입니다. 퍼즐을 맞추는 방법은 여러 가지가 있지만, 무엇보다도 최고의 인재를 우선시해야 합니다. 표준화되지 않은 프로세스의 혼란을 처리하는 것이 최고의 인재를 찾고 설득하는 것보다 훨씬 쉽습니다. ->우리는 항상 이런 식으로 사람을 채용합니다. 훌륭한 사람을 찾은 다음, 그들에게 일자리를 만들어 주는 거죠. 정의상, 훌륭한 사람은 드물 것입니다. 따라서 이를 검색 문제로 생각하면, 이것이 높은 인재 밀도를 만드는 가장 빠른 방법입니다. —> 피터틸이 그랬어요. https://x.com/rabois/status/1990228861666140436

똑똑한 사람들과 함께 일하면서 제가 배운 가장 좋아하는 교훈 중 하나는 다음과 같습니다. 행동은 정보를 생성합니다. 무엇을 해야 할지 확신이 없다면, 잘못된 일이라도 무엇이든 하세요. 그러면 실제로 무엇을 해야 할지에 대한 정보를 얻을 수 있습니다. 표면적으로는 간단해 보이지만, 어려운 점은 그것을 일상 업무 과정의 일부로 만드는 것입니다. -> 100%. 의사들은 이를 치료를 통한 진단이라고 부릅니다.

- 가장 넓은 적용 범위를 가진 이론을 공부하는 것이 폴리매스(polymath)가 되는 길입니다. 그중 최고는 **물리학**입니다. 물리학은 현실이 작동하는 방식을 가르쳐주며, 다른 모든 STEM 분야의 기초가 됩니다. - 물리학을 공부하지 못했다면, 직접 무언가를 만드는 **'땜장이(tinkerers)'**가 되는 것도 좋은 방법입니다. 그들은 항상 최신 도구를 사용하며 지식의 최전선에 서 있기 때문입니다. https://youtu.be/SIkf-4r4DuU

영감은 모든 곳에 있다 (Inspiration All the Way Down) 머스크의 **독립성, 주체성(agency), 그리고 긴급함**에 깊은 영감을 받는다. 머스크의 구체적인 프로세스를 모방하는 것은 불가능합니다. 그의 방식은 그 자신과 스페이스X, 테슬라라는 특정 맥락에 맞춰져 있기 때문입니다. 중요한 것은 그의 실행 방식에서 영감을 얻어 **자신만의 방식**을 찾아내는 것입니다. 스티브 잡스의 연설이 더 나은 사람이 되고 싶게 만들듯, 머스크의 실행력은 더 나은 실행을 하고 싶게 만듭니다. 세부 사항을 복사하는 것은 불가능하며, 오직 원칙만이 적용될 수 있습니다. 인생은 경기장 안에서 살아간다 (Life is Lived in the Arena) 실행을 통한 학습: - 진정한 배움은 **직접 실행하는 것(doing)**을 통해서만 가능합니다. 실행 없이는 배우는 모든 것이 너무 일반적이고 추상적이 되어 현실에 적용하기 어렵습니다. - 학습의 올바른 순서: 1. 실행(Do): 먼저 무언가를 직접 해봅니다. 2. 통찰(Figure out): 실행 과정에서 '어떻게 해야 하는지'에 대한 자신만의 통찰을 얻습니다. 3. 원칙 연결(Connect): 그 후 나발의 트윗이나 다른 철학자의 글을 보고 "아, 저 사람이 말한 게 이런 의미였구나"라고 깨닫습니다. 이를 통해 일반적인 원칙을 특정 상황에 적용하는 법을 배웁니다. - 판단력과 직관의 형성: - 학습은 **추론(reasoning)**에서 시작하여 **판단력(judgment)**을 쌓고, 최종적으로는 **취향(taste)이나 직관(intuition)**으로 발전합니다. 이 과정은 반드시 구체적인 실행에서 시작되어야 합니다. 배움을 원한다면, 실행하라 (If You Want to Learn, Do) 실행이 학습 욕구를 촉발한다: - 나발은 최근 'Impossible, Inc.'라는 어려운 회사를 시작하면서 학습에 대한 열정이 그 어느 때보다 강해졌다고 고백합니다. - 실행(doing)은 배움에 대한 갈망으로 이어지고, 이는 다시 더 깊은 배움으로 연결됩니다. 반면, 배움 자체를 위한 배움은 동기가 부족해 금방 공허해질 수 있습니다. - 우리는 생체역학적 존재이므로, 걷고 말할 때 뇌가 더 잘 작동하듯, 실행과 학습은 함께 갈 때 가장 효과적입니다. 삶의 어려운 문제들은 간접적으로 해결된다 (The Solution is Indirect) 간접적 접근의 힘: - 부자가 되는 것, 행복해지는 것, 유혹, 지위 획득과 같이 경쟁적이거나 얻기 힘든 것들은 대부분 간접적으로 추구할 때 가장 효과적입니다. - 부: 가치를 창출하고 레버리지를 활용하면 돈은 부산물로 따라옵니다. - 행복: 자신을 내려놓고 몰입할 수 있는 활동에 참여하면 행복은 결과적으로 찾아옵니다. - 지위: 지위를 노골적으로 쫓는 행동은 오히려 낮은 지위를 드러냅니다. 진정으로 자신을 위해 일할 때 (When You Truly Work for Yourself) 기업가의 역설: - 자신을 위해 일하는 것은 '워라밸(work-life balance)'을 포기하는 것을 의미합니다. 일과 삶의 경계가 사라지고, 9시-5시 근무나 상사, 정해진 규칙이 없습니다. - 하지만 올바른 이유로, 올바른 사람들과 함께 일한다면 그것은 '일'처럼 느껴지지 않습니다. 결과로만 평가받고 스스로 설정한 기준에 따라 움직이므로 극도의 자유와 희열을 느낄 수 있습니다. 고용될 수 없게 되는 맛: - 이러한 자유를 맛본 사람은 다시는 전통적인 9-5 직장으로 돌아갈 수 없게 됩니다. '진정으로 자신을 위해 일한다'의 이중적 의미: 1. 자신이 사장이다 (Be your own boss). 2. 하는 일이 자기 자신을 표현하는 것이다 (Self-expression). 노동이 곧 자아의 표현이 되는 경지입니다. 행동을 통해 자신만의 '특정 지식'을 찾아라 (Find Your Specific Knowledge Through Action) 1. 자신만의 슈퍼파워 발견: - 자신이 무엇을 독특하게 잘하는지는 다양한 어려운 상황 속에서 직접 행동해보기 전까지는 알 수 없습니다. - 행동을 통해 "남들은 어려워하는 일을 나는 해냈다"고 깨닫거나, 다른 사람이 "당신의 슈퍼파워는 X인 것 같다"고 지적해 줄 수 있습니다. 1. 자신에게 맞는 방식을 선택하라: - 마케팅을 할 때도 자신이 진정으로 즐기는 방식을 택해야 합니다. (예: 조 로건은 청중이 없던 시절부터 말하는 것을 즐겼기 때문에 최고의 팟캐스터가 될 수 있었습니다.) - 자신에게 자연스러운 방식과 비즈니스의 요구가 일치하는 **'핏(fit)'을 찾는 것**이 핵심입니다. 1. 반복이 아닌 '반복 학습(Iteration)': - 성공은 1만 시간이 아니라 **'1만 번의 반복 학습'**에서 나옵니다. - 반복 학습이란 **실행 → 멈춤 → 성찰 → 수정 → 재실행**의 순환 과정입니다. 진화, 기술 혁신, 과학적 방법론 등 모든 학습 시스템은 이 방식으로 작동합니다. 모든 것을 자신의 탓으로 돌리고, 주체성을 지켜라 (Blame Yourself for Everything, and Preserve Your Agency) 책임감과 주체성의 관계: - 모든 나쁜 일에 대해 스스로 책임지는 태도는 **문제를 해결할 주체성을 창조하고 보존**하게 만듭니다. 문제에 대한 책임이 없다고 생각하면 해결할 방법도 없습니다. 자기 충족적 믿음: - "세상은 불공평하다"와 같은 냉소적인 믿음은 자기 자신을 실패로 이끄는 **자기 충족적 예언**이 됩니다. - 어린아이처럼 원하는 것을 향해 나아가는 **선천적인 주체성**을 잃지 말아야 합니다. 장기적인 관점에서의 성공: - 충분히 긴 시간 동안 열심히 노력하고, 포기하지 않으며, 결과에 책임을 지는 사람들은 결국 성공합니다. - 20년 전 실리콘밸리에서 만났던 모든 젊고 똑똑한 사람들은 예외 없이 성공했다는 사실이 이를 증명합니다. 철학과 실용적 지혜 쇼펜하우어에게서 배운 것: - 쇼펜하우어는 거짓 없이, 자신이 진실이라 믿는 바를 꾸밈없이 썼습니다. 그는 나발에게 **"온전히 자기 자신이 될 수 있는 완전한 허락"**을 주었습니다. - 타인의 평가에 신경 쓰지 않고, 자신이 뛰어난 점을 인정하고 그것에 집중할 용기를 주었습니다. 진정한 피드백의 원천: - 사람들(가족, 친구, 비평가)의 피드백은 대부분 가짜입니다. 그룹은 진실이 아닌 **합의(consensus)**를 추구하기 때문입니다. - 진정한 피드백은 오직 **자유 시장(고객)과 자연(물리학)**에서만 나옵니다. 자연은 속일 수 없습니다. 어떤 책을 읽어야 하는가: - 인간 본성에 관해서는 시간이 증명한 **고전(Lindy books)**을 읽어야 합니다. - 하지만 특정 지식을 얻고 돈을 벌기 위해서는 **최신 지식(bleeding edge)**을 습득해야 합니다. - 정보 밀도가 높은(high-density) 작품을 읽는 것이 중요합니다. 나발은 윌 듀런트의 『역사 속의 교훈』이나 쇼펜하우어의 짧은 에세이, 데이비드 도이치의 저서를 추천합니다. 데이비드 도이치와 지식의 철학: - 인식론(epistemology)에 대해 알고 싶다면 다른 모든 것을 건너뛰고 **데이비드 도이치**를 읽으라고 강력히 추천합니다. - 좋은 설명, 좋은 제품, 좋은 디자인은 "바꾸기 어려운(hard to vary)" 공통점이 있습니다. 핵심 요소를 제외하고 불필요한 모든 것을 제거했을 때 완벽함에 도달하기 때문입니다. (예: 아이폰, 스페이스X 랩터 엔진) 가장 효과적인 학습법: 물리학:

개인은 때로 알파일 수 있어도, 번영은 집합적 베타—서로 기대고 제도화된 협력을 확장하는 데서 나온다. 아무리 뛰어난 사람도 대부분의 삶의 장면에서는 타인의 지식·제도·인프라에 의존하는 한 구성원일 뿐이다. 최고 CEO도 모든 영역의 CEO가 될 수 없고, 될 필요도 없다. 스티브 잡스 역시 애플에선 초알파였지만, 언어·수학·법·음악·의료·기술 등 거의 모든 것을 인류에게 빚지고 있음을 생애 말기의 자가메일에서 인정했다. 이는 초일류 개인도 협력 네트워크 속에서만 리더가 된다는 사실을 보여준다. 연구 또한 **지배(dominance)**보다 명성/역량 기반(prestige) 리더십과 집단지성이 성과를 더 잘 설명한다고 말한다. 즉 상호존중, 사회적 민감성, 공평한 참여가 조직을 강하게 만든다. 반대로 ‘항상 알파’ 이데올로기는 협력의 스케일을 막아 집단 성과를 떨어뜨리고 개인도 약하게 만든다. 협력·분업·제도화는 규모가 커질수록 강해진다. 리더십은 모든 위계를 지배하는 게 아니라 협력을 설계·촉진하는 책임이다. 좋은 삶은 제로섬 지배가 아니라 상생의 협력에 가깝다. 나는 먹는 음식, 말하는 언어, 사용하는 수학과 기술, 의료까지 대부분을 스스로 만들지 않았다. 나의 삶과 안녕은 살아 있든 죽었든 인류 전체에 의존한다. https://x.com/balajis/status/1989307607430090916

투자 잘 하려면 워렌버핏 자서전 다 읽고 오고, 사업 잘 하려면 제프 베조스 주주서한 다 외우고 와라 예전에 밑에서 일 배웠던 분께서 해주셨던 말씀이고요 아직도 동의합니다 https://youtu.be/QvtOB8CLomc?si=Yi85XgEM14I2fVcS

훌륭한 기업가의 정석 1. 아마존 창업과 '후회 최소화 프레임워크' 창업 결정의 순간: 베이조스는 아마존을 시작하기로 한 결정이 분석적인 장단점 목록을 넘어선 깊은 개인적 결정이었다고 말합니다. 그는 '후회 최소화 프레임워크(Regret Minimization Framework)'라는 사고방식을 사용했습니다. 80세의 관점: 그는 자신을 80세(또는 90세)의 미래로 투영하여 과거를 돌아본다고 상상했습니다. 그때 인터넷 혁명에 참여하지 않은 것을 평생 후회하며 괴로워할 것인지 자문했습니다. 하지 않은 일에 대한 후회: 그는 인생의 가장 큰 후회는 실패한 시도보다 **'시도조차 하지 않은 일(acts of omission)'**에서 온다는 것을 깨달았습니다. 이 깨달음이 그에게 안정적인 직장을 떠나 아마존을 창업할 자신감을 주었습니다. 2. 비즈니스 전략: 변하지 않는 것에 집중하라 미래 예측의 함정: 베이조스는 미래에 '무엇이 변할까'를 예측하는 대신, **'무엇이 변하지 않을까'**에 집중하는 것이 더 중요하다고 강조합니다. 세상은 기술, 경쟁 환경 등 모든 것이 역동적으로 변하기 때문에 변화하는 것에 전략을 세울 수는 없습니다. 안정적인 고객 니즈: 비즈니스 전략은 안정적인 기반 위에 세워져야 합니다. 그 안정적인 기반은 바로 '고객의 근본적인 니즈'입니다. 아마존의 사례: 그는 아마존 고객들이 10년 후에도 변함없이 원할 것들을 예로 듭니다. 더 낮은 가격 (Low prices) 더 빠른 배송 (Fast delivery) 더 다양한 선택 (Vast selection) "10년 뒤에 '아마존 배송이 좀 더 느렸으면 좋겠어'라고 말할 고객은 없을 것입니다." 이처럼 변하지 않는 가치에 투자하고 시스템을 구축하는 것이 장기적인 성공의 열쇠입니다. 3. 데이터와 직관의 균형 데이터의 중요성과 한계: 데이터에 기반한 의사결정은 기본적이고 필수적이지만, 데이터가 모든 것을 말해주지는 않습니다. 특히 데이터는 우리가 놓치고 있는 변화나 측정하지 못하는 새로운 기회를 알려주지 못할 때가 많습니다. 직관과 영감의 역할: 이 지점에서 일화(anecdotes), 직관(intuition), 본능(gut instinct), 그리고 열정(heart)이 중요해집니다. 아마존의 가장 큰 성공 사례들 중 상당수는 직관과 예감에서 비롯되었습니다. 성공 사례: 에코(Echo) & 알렉사(Alexa): "항상 켜져 있고 대화할 수 있는 검은색 원통형 스피커"를 요구한 고객은 아무도 없었습니다. 이것은 순전히 직관에 기반한 발명이었습니다. 아마존 웹 서비스(AWS): AWS 역시 시장의 명확한 요구 없이 시작된 내부 필요성과 직관의 산물이었습니다. 서드파티 마켓플레이스(Third-party Marketplace): 마찬가지로 직관에 의존한 결정이었습니다. 4. 발명과 '방랑(Wandering)'의 중요성 발명가의 자세: 진정한 발명을 하려면 효율적인 직선 경로를 따르기보다 **'방랑자(wanderer)'**가 되어야 합니다. 어디로 가는지 정확히 알고 있다면, 그것은 더 이상 발견이나 발명이 아닙니다. 예측 불가능한 발견: 대부분의 중요하고 혁신적인 발견은 계획된 경로가 아닌, 호기심을 따라 헤매는 과정에서 우연히 이루어집니다. 5. 블루 오리진과 우주 탐사의 비전 어린 시절의 꿈: 베이조스는 어릴 때부터 인류 문명이 계속 성장하고 더 많은 에너지를 사용하려면, 결국 모든 중공업과 대규모 제조업을 지구 밖으로 옮겨야 한다고 생각해왔습니다. 지구 보호: 이 비전의 궁극적인 목표는 아름답고 유일한 행성인 지구를 보호하는 것입니다. 우주에는 무한한 에너지(태양)와 자원(소행성, 달)이 있으므로, 오염을 유발하는 산업들을 우주로 옮겨 지구를 보존 구역으로 만들 수 있습니다. "플랜 B는 없다": 로봇 탐사선을 모든 행성에 보내봤지만, 생명체가 살 수 있는 곳은 오직 지구뿐입니다. 지구는 우리가 반드시 지켜야 할 곳입니다. 이 프로젝트는 자신이나 자녀 세대에서 끝나지 않을 여러 세대에 걸친 장기적인 과업이라고 설명합니다. 6. 아마존의 성공 원칙을 블루 오리진에 적용하기 베이조스는 아마존을 성공으로 이끈 4가지 핵심 원칙이 블루 오리진에도 동일하게 적용된다고 말합니다. 고객에 대한 집착 (Customer Obsession): '경쟁사'가 아닌 '고객'에 집착하는 것입니다. 발명에 대한 열망 (Eagerness to Invent): 새로운 것을 시도하고 개척자가 되려는 의지입니다. 그는 지금이 창업과 발명을 하기에 역사상 최고의 시기라고 강조합니다. 장기적 사고 (Long-Term Thinking): 워런 버핏의 투자 철학("사람들은 천천히 부자가 되는 계획을 좋아하지 않는다")을 인용하며, 3년이 아닌 7년, 10년의 관점으로 생각하면 대부분의 경쟁자들을 앞설 수 있다고 말합니다. 운영 탁월성에 대한 자부심 (Professional Pride in Operational Excellence): 상사나 고객이 알아주지 않는 보이지 않는 세부사항까지 완벽하게 처리하려는 전문가적 자부심입니다. 7. 대기업에서 '첫날(Day One)' 정신 유지하기 거대 조직이 관료주의에 빠지지 않고 스타트업처럼 혁신적으로 움직이기 위한 방법을 설명합니다. 초심 강조: 본사 건물 이름을 'Day One'으로 짓는 등, 항상 초심(beginner's mind)을 유지해야 한다고 끊임없이 강조합니다. 전문성을 갖추되, 모든 것을 처음 보는 아이처럼 질문하고 접근해야 합니다. 빠른 의사결정: 대부분의 결정은 되돌릴 수 있는 **'양방향 문(two-way door)'**과 같습니다. 잘못되면 되돌아가서 다시 시도하면 됩니다. 따라서 소수의 판단력 있는 리더가 신속하게 결정을 내리도록 장려해야 합니다. 마음 바꾸기를 두려워하지 말 것: 새로운 데이터나 분석이 나왔을 때 마음을 바꾸는 것은 약점이 아닙니다. 그는 **"자주 옳은 사람들은 마음을 자주 바꾼다"**고 말합니다. 8. 제프 베이조스가 바라는 미래의 헤드라인 "미래에 당신의 기사 헤드라인이 무엇이었으면 하는가?"라는 질문에 그는 다음과 같이 재치 있게 답변합니다. "세계 최고령자, 그리고 여전히 발명 중 (World's oldest man, and still inventing.)"

OpenAI가 준비하는 프러덕트 라인업

제품 개발에서 흔히 말하듯이, "당신의 사용자가 누구인지 신중해야 합니다. 왜냐하면 그들이 당신의 제품을 특정 방향으로 끌고 갈 것이기 때문입니다." Cursor는 명시적으로 자신의 기술 정점에 있는 사람들의 방향으로 끌려가기를 원합니다. 이것이 점진적인 개선을 하는 대신, 우리가 소프트웨어를 구축하는 방식을 변화시키는 데 필요한 접근 방식이라고 그들은 믿습니다. 저는 그들의 이런 점을 존경합니다. "x를 민주화하다"는 쉬운 마케팅 성공을 가져다주겠지만, Cursor는 따뜻하고 포근한 마케팅보다 제품의 정밀성을 우선시할 의향이 있습니다. 저는 또한 엔지니어링 면접 과정에서 "바닥 대신 천장을 위해 설계하는" 미덕이 발휘되는 것을 관찰했습니다. Cursor 면접은 지원자들에게 매우 어렵기로 알려져 있으며, 특히 코딩 챌린지가 그렇습니다. 제가 팀에 이것에 대해 물었을 때, 그들은 "너무 쉬운 것에서는 당신이 얼마나 뛰어난지 보여주기 어렵다"고 주장했고, "위양성(false positive)을 피하기 위해 위음성(false negative)을 기꺼이 감수할 것"이라고 말했습니다. Cursor에서 시간을 보내면서, 저는 더 많은 것들을 "이것의 천장을 높이는 버전은 무엇일까?"라는 렌즈를 통해 보고 싶어졌습니다. 이는 일반적으로 훨씬 더 야심 찬 사고로 이어집니다. 미션이 곧 보상이다 그렇다면 이 모든 강렬함, 집중, 그리고 추진력은 무엇을 위한 것일까요? Cursor의 더 고무적인 측면 중 하나는 승리의 보상이 미션을 완수하는 것이라는 점입니다. Cursor의 포부에 관해서는, cursor.com에서 보거나 언론에서 읽는 것과 건물 안 사람들이 이야기하는 것 사이에는 분명한 격차가 있습니다. 회사의 제품 스토리는 모두 개발자 생산성에 관한 것입니다. 이것은 매우 효과적이고 수익성 있는 입장입니다. 하지만 Cursor의 사람들이 실제로 신경 쓰는 것은 코드이며, 세상의 구조로서의 코드 생성입니다. 모든 것이 소프트웨어로 실행된다는 것은 타당한 이유가 있는 진리입니다. B2B SaaS 회사뿐만이 아닙니다. 우리 거리를 통제하는 신호등, 과학적 발견을 뒷받침하는 분석, 우리 영화, TV 쇼, 음악을 빚어내는 편집 도구, 의사들이 상황에 맞는 진료를 제공할 수 있도록 보장하는 의료 기록, 우리 슈퍼마켓에 식료품을 공급하는 재고 관리 시스템, 항공 여행을 안전하게 만드는 비행 제어 시스템 등등. Cursor에서 일하기 전까지, 저는 진보가 우수한 소프트웨어를 구축하는 우리의 능력에 얼마나 병목 현상을 겪고 있는지 완전히 내면화하지 못했던 것 같습니다. 만약 당신이 저처럼, 우리가 무엇을 만드는가는 그것을 만드는 느낌의 함수라고 믿는다면, Cursor가 하는 일은 우리가 경험할 미래 세계를 의미 있게 형성할 실질적인 기회를 가지고 있습니다. 영향력 있고 영속적인 소프트웨어를 만들고 싶어 하는 사람들의 손에 올바른 도구가 쥐어졌을 때 무슨 일이 일어날까요? 아이디어와 현실 사이의 격차를 실제로 좁히는 것입니다. 많은 회사들이 이 미션을 주장하지만, Cursor에서는 그것이 더 진실되게 느껴집니다. 저는 그 이유가 만약 그들이 내일 은퇴할 수 있다면 그들 대부분이 할 일이 바로 지금 Cursor에서 하고 있는 일일 것이기 때문이라고 생각합니다. 산책 중에, 저는 특히 영혼이 깊은 한 동료에게 Cursor의 미션에 대해 어떻게 생각하는지 물었습니다. 그는 유용하고, 신뢰할 수 있으며, 아름다운 소프트웨어를 만드는 방법에 대해 이야기하기 시작했습니다. 개발자들에게 모든 추상화 수준에서 매우 정밀한 제어를 제공하는 도구가 필요하다는 것, 소프트웨어를 만들고 싶어 하는 누구에게나 자연스럽게 느껴지는 하나의 도구에서 인간과 AI 사이의 언어 장벽을 메워야 한다는 것, 그리고 개발이 조각이나 그림 그리기와 더 비슷해질 수 있다는 것에 대해 말입니다. 과거에 저는 이런 종류의 생각을 좀 뜬구름 잡는 소리라고 느꼈고, 어쩌면 제가 Cursor의 Kool-Aid를 너무 많이 마셨을지도 모르지만, 이제는 그것을 느낍니다. 이 렌즈를 통해 보면, 회사는 문샷(moonshot)에 더 가깝습니다. Cursor에 대한 가장 큰 실존적 위험은 아마도 초기 상업적 성공이 가능한 가장 큰 도전을 계속하는 데 방해가 될 수 있다는 점일 것입니다. 마이클은 이 부서에서 몇 가지 명시적인 알림을 보냅니다. 전사 회의에서 그는 "성장은 부실한 실행을 숨길 수 있다"와 같은 말을 반복할 것입니다. (이것은 Stripe에서 가장 많이 반복되는 운영 원칙 중 하나인 "우리는 아직 이기지 않았다"를 떠올리게 합니다.) 이런 알림이 필요해 보이지는 않습니다. 회사의 엄청난 수익, 성장, 사용량, 그리고 영업 성과에 대한 인정과 가벼운 흥분은 있지만, 사람들을 정말로 흥분시키는 것은 제품의 발전, 건전한 성능, 신뢰성, 우아한 UI, 그리고 팀이 매우 중요하게 생각하는 다른 모든 제품의 미덕들입니다. 사람들이 채택과 수익에 대해 흥분하는 정도는, 코딩에 대한 더 나은 방법을 향한 회사의 비전이 실현되고 있다는 만족감에 더 가깝습니다. 한 초창기 직원은 회사가 ARR 1억 달러를 달성한 날을 회상했습니다. 슬랙의 인기 있는 #numbers 채널에 있는 봇이 회사에 알렸습니다. 사람들은 전형적인 ♥️ 이모티콘으로 반응했고, 일부는 💯를 추가했지만, "사무실에서의 대화는 평소와 다름없었습니다." 아마도 보상이 미션이라는 제 최고의 증거는, 제가 Cursor에서 보낸 가을 동안 직원들로부터 부자가 되는 것에 대한 잡담을 전혀 듣지 못했다는 것입니다. Stripe와 Figma(그리고 대부분의 다른 스타트업)에서는, 이것이 데카콘의 첫 몇백 명의 직원들 사이에서 가장 좋아하는 점심 식사 주제였습니다. 그러나 Cursor에서는, 기업 가치가 계속해서 올라감에도 불구하고, 사람들이 살 두 번째 집, 증손자까지 보낼 대학, 또는 세계를 여행하며 보낼 시간에 대해 한마디도 듣지 못했습니다. 만약 사람들이 눈에 달러 표시를 하고 있다면, 그들은 그것에 대해 별로 이야기하지 않습니다. 그리고 저는 그 이유가 만약 그들이 내일 은퇴할 수 있다면 그들 대부분이 할 일이 바로 지금 Cursor에서 하고 있는 일일 것이기 때문이라고 생각합니다. https://joincolossus.com/article/inside-cursor/

도그푸딩(자사 제품 사용) "Cursor는 아마도 직원당 주간 회사 주요 제품 평균 사용 시간 면에서 세계 최고 수준일 것입니다. 유일한 경쟁자는 아마도 그들의 Mac과 iPhone을 사용하는 Apple일 것입니다." Cursor의 모든 사람은 항상 Cursor를 사용하고 있습니다. 그 결과, 로드맵은 놀라울 정도로 상향식(bottoms-up)입니다. 무언가를 작업하는 완벽하게 좋은 이유(아마도 최고의 이유)는 당신이 개인적으로 그 기능이 존재하기를 원하기 때문입니다. 게다가, Cursor 사용자들은 Cursor를 더 좋게 만들 아이디어가 많으며, X, 레딧, 링크드인, 해커뉴스에 자주 게시하고, 직원들에게 항상 문자나 DM을 보냅니다. 팀원들은 누군가 불쑥 제품 피드백을 주지 않고는 사람들과 어울리기도 힘들다고 말합니다. 누군가 기능이 구축되거나 업데이트되어야 한다는 확신에 도달하면, 주간 제품 데모 회의에서 그것을 선보일 수도 있고, 아니면 그냥 만들기 시작할 수도 있습니다. (때로는 두 사람이 비슷한 작업을 하게 되는데, 출시되는 버전은 보통 양쪽의 최고의 아이디어를 통합합니다.) 기능이 준비되면, 내부 버전의 Cursor에 배포하여 내부적으로 인기를 얻는지 확인하고, 기능을 개선하는 방법에 대한 피드백을 수집하거나, 아니면 사라지는 것을 지켜봅니다. Cursor 팀원들이 Cursor의 이상적인 사용자들이기 때문에, 모두가 자신이 믿는 기능과 인프라에 대해 내부적으로 제품-시장 적합성(product-market fit)을 찾고 있습니다. Tab, CmdK, Agent, Bugbot, Background Agent와 같은 사랑받는 Cursor 기능들은 모두 이런 방식으로 만들어졌습니다. 도그푸딩과 테스트가 많은 것의 또 다른 흥미로운 부작용은 Cursor가 기본 설정을 업데이트하고 사용되지 않는 기능을 발전시키는 데 매우 능숙하다는 것입니다. 최근 슬랙의 주요 제품 토론 허브에 게시된 몇 가지 질문은 다음과 같습니다: "이 설정이 필요한가?", "더 적은 클릭으로 도달할 수 없을까?", "어떻게 간소화할 수 있을까?", "누가 사용하나? 없앨 수 있을까?" 제 경험상, 대부분의 회사는 이것을 꽤 못합니다. 이 모든 실험의 결과로, 팀이 내부적으로 사용하는 Cursor 버전은 사용자들이 보는 버전보다 약 3개월 앞서 있으며, 그동안 팀은 새로운 기능의 문제점을 해결합니다. 제품 및 엔지니어링 담당자뿐만 아니라 시장 진출 팀도 Cursor를 사용한다는 점도 언급할 가치가 있습니다. 시장 진출 팀은 놀라울 정도로 기술적이며, 웹사이트 업데이트, 대시보드 및 기타 내부 도구에 Cursor를 사용합니다. #built-with-Cursor 슬랙 채널에는 피클볼 코트 예약 가능 여부 추적기, 팀원의 결혼식 웹사이트, Cursor 키보드 단축키 시각화, 사무실 개들에게 간식을 주는 바보 같은 게임, 그리고 메트로폴리탄 미술관 소장품으로 하는 지오게서(geoguessr)인 멧게서(Metguessr)와 같은 프로젝트들이 있습니다. 다시 한번 말하지만, 이것은 (Figma Slides가 존재하기 전에 Figma에서 슬라이드를 만들라는 것과 같은) 회사 강제 사항이 아닙니다. 사람들은 그냥 Cursor에서 이것저것 만지는 것을 즐깁니다. "퍼즈(Fuzz)" 퍼즈는 제가 가장 좋아하는 Cursor의 의식입니다. 새로운 클라이언트 릴리스나 웹사이트 업데이트와 같은 큰 배포가 임박하면, 모두가 한 방에 모여 그것을 망가뜨리려고 노력합니다. 키보드 위에서 손가락이 부딪히는 소리를 제외하고, "퍼즈"는 조용합니다. 사람들은 60분 동안 버그, UI의 사소한 문제, 고려되지 않은 예외 상황, 또는 수정할 가치가 있는 다듬어지지 않은 부분을 찾아내 슬랙에 게시합니다. 가끔 가장 우아한 구현에 대한 토론이 벌어지기도 합니다(심지어 슬랙 투표도 있을 수 있습니다). 한 시간의 결과는 보통 제품이 출시되기(보통 바로 다음 날) 전에 해야 할 매우, 매우 긴 목록입니다. 그러면 제품팀은 시간과 배려에 대해 깊은 감사를 표하고, 수정 작업을 위한 긴 밤을 준비합니다... 종종 그 수정 사항을 찾아낸 사람들과 함께 말이죠. 건설적인 마찰 Cursor에서는 사람들이 서로의 작업을 많이 찌르고 캐묻습니다. 이런 종류의 문화에서 일해본 적이 없는 사람들에게는 꽤 충격적일 수 있습니다. 최고의 개발자들은 훌륭한 제품이 어떤 느낌인지 알기 때문에, 사람들은 일이 어떻게 작동해야 하는지에 대해 매우 독선적이 될 수 있습니다. 그들은 기준에 도달하기 위해 무엇이 부족한지에 대한 피드백을 아낌없이 제공하고, 거기에 도달하도록 돕기 위해 여분의 손을 빌려줍니다. Stripe에도 그런 문화가 있었습니다. 제 전 상사/동료/공동 창업자인 에케(Eeke)는 이런 운영 방식을 설명하기 위해 "미시적 비관주의자, 거시적 낙관주의자(micro-pessimist, macro-optimist)"라는 용어를 만들었습니다. 이것은 Cursor에서도 마찬가지입니다. 사람들은 실행에 대해 매우 비판적일 수 있지만, 그들은 또한 자신들이 중요한 무언가를 만들 것이라고 꽤 낙관하며, 일반적으로 잠재적 실패보다는 잠재적 성공의 관점에서 일을 구성합니다. 대부분의 문화적 규범처럼, 이것도 창업자들로부터 시작됩니다. 마이클은 항상 회사 Q&A 동안 "날카로운 질문"을 장려하며, 그 자리에서 그가 질문의 대상이 됩니다. 수알레는 사람들에게 "지금 무엇이 걱정되나요?"라는 질문을 DM으로 보내는 것으로 알려져 있습니다. 이런 종류의 문화는 자존심, 사내 정치, 서툰 의사소통, 또는 감정적 조절 장애 경향과 결합되면 빠르게 해로워질 수 있습니다. 저는 또한 허점을 찾는 것을 스포츠로 삼지만 그것을 메우려는 내재적 욕구가 없는 (매우 재능 있는) 많은 사람들을 만나봤습니다. Cursor에서는 비평가들이 또한 문제 해결사입니다. 여기서의 "마찰"이 효과적인 이유는 모두가 진정으로 제품과 서로를 위해 최선을 원하기 때문입니다. 저는 한번 마이클에게 회사가 어떤 느낌이기를 원하는지 물었습니다. 그는 저에게 "그 비틀스 다큐멘터리 본 적 있어요?"라고 질문으로 대답했습니다. (그는 항상 질문에 질문으로 답합니다). 만약 당신이 다큐멘터리 '겟 백(Get Back)'을 보지 않았다면, 그것을 가장 잘 요약하는 방법은 이렇습니다: 역사상 가장 유명한 밴드가 3주라는 시한을 두고 스튜디오에 틀어박혀 기록적인 앨범 "Let It Be"를 반복 작업으로 만들어내는 과정입니다. 영화에는 폴 매카트니가 베이스를 들고 앉아 무의미한 음절을 반쯤 중얼거리다가 우연히 "Get Back"의 리프와 구조를 발견하는 것 같은 짜릿한 순간들이 담겨 있습니다. 그리고 조지 해리슨이 지친 밴드를 이끌고 또 다른 곡을 시도하려는 폴에게 쏘아붙이는 것과 같은 긴장된 순간들도 있습니다. 그동안 팬들과 스튜디오 임원들의 외부 압력이라는 유령이 건물을 떠도는 것을 느낄 수 있지만, 멤버들은 꿋꿋이 나아갑니다. 창작 과정의 부침이 고스란히 드러나며, 이 모든 것에서 아름다운 점은 훌륭한 무언가를 만드는 데 있어 마법은 평범함 속에 있다는 것을 우리에게 상기시켜 준다는 것입니다. 위대함은 자신의 기술 정점에 있고, 매우 신경 쓰며, 거기에 도달할 때까지 작업을 멈추지 않는 사람들에 의해 점화된 작은 불꽃들의 충돌을 통해 창조됩니다. 많은 대화나 전략은 없고, 그냥 감으로 길을 찾아가는 것입니다. 손가락은 내내 악기 위에 있고, 될 때까지 연주합니다. 그가 이런 말로 표현하지는 않았지만, 이것이 제가 생각하는 마이클이 Cursor가 느끼기를 원하는 바입니다. 지금까지는 잘 되고 있다고 말할 수 있습니다. 천장을 높이는 것을 미덕으로 삼다 Cursor는 이상적인 고객 프로필이 최고의 전문 소프트웨어 개발자여야 한다고 고집합니다. 이는 다소 논란의 여지가 있는데, 왜냐하면 직책에 "개발자"라는 단어가 없지만 Cursor를 사용하고 (큰 소리로) 사랑하는 사람들이 많기 때문입니다. Cursor는 결코 이러한 사용자나 코딩을 민주화하려는 일반적인 야망을 무시하지 않습니다. 하지만 회사의 입장은 다른 회사들이 바닥을 낮추는 데 집중할 수 있는 반면, Cursor는 천장을 높이는 데 집중할 것이라는 점입니다.

강력한 미션 + 고난도 기술 문제 + 성공 가도 + 뛰어난 채용 = 차원이 다른 인재 밀도 제품 및 엔지니어링 측면에서, Cursor는 UX와 머신러닝 분야의 가장 흥미로운 과제들이 교차하는 지점에서 개발을 진행하고 있습니다. (자체 맞춤형 모델과 에이전트 워크플로우 전용 새 UI를 포함한 Cursor 2.0 작업이 최근의 증거입니다). 시장 진출(go-to-market) 측면에서, Cursor는 수익 관점에서 역대 가장 빠르게 성장하는 회사 중 하나입니다. 영업팀 없이 ARR(연간 반복 수익) 0달러에서 1억 달러로 성장했으며, 그 이후에 구성된 팀은 2025년 말까지 0을 하나 더 추가하기로 결심했습니다. 슬랙 봇이 새로 성사된 영업 성과를 회사에 알리는 #closed-won 채널은 거의 끊임없이 알림이 울립니다. Cursor 전반에는 50명(!)의 전직 창업자들이 있습니다. 이는 회사 전체의 5분의 1이 넘는 수치입니다. 거의 40%가 MIT, 하버드, 컬럼비아, 코넬, 카네기 멜런, 스탠퍼드, 버클리 또는 예일 출신이지만, 아무도 자신이 어느 학교를 나왔는지 이야기하지 않습니다. 어떤 이들에게 Cursor는 첫 직장이고, 다른 이들은 Figma, Stripe, Segment, Plaid, Notion, Vercel, Dropbox, GitHub, Uber 같은 회사에서 경력을 시작했습니다. 진정한 융합의 장입니다. 나이는 어리지만 성숙한 사람들 사람들이 직업적인 환경에서 누군가를 "어리다"고 묘사할 때, 저는 보통 이것이 "다소 무능하다"거나 "일은 잘하지만 거슬릴 정도로 비전문적이다"로 해석된다는 것을 발견했습니다. 평균 연령이 젊음에도 불구하고, 저는 팀이 따뜻하고, 옷을 잘 입으며, 눈을 잘 마주치고, 명확하고 존중하는 방식으로 소통하며, 공용 화장실의 빈 휴지 두루마리를 부지런히 교체하는 것을 보고 즐겁게 놀랐습니다. 또한 그렇게 젊은 사람들이 실리콘 밸리 역사, 세계사, 대중문화, 예술, 겉보기에는 관련 없는 산업에서 얻은 교훈, 그리고 오랫동안 존경해 온 다른 사람들의 작업에서 관찰한 패턴을 참조하여 자신의 아이디어를 전달하는 것을 보고 놀랐습니다. 참조의 범위는 넓지만, 모든 예에서 분명한 것은 Cursor의 사람들이 세상을 살아가면서 연구한다는 점입니다. 자신의 개인적인 경험에만 전적으로 의존하여 모든 맥락과 아이디어 생성을 하는(전형적인 "젊은" 사람들의 함정) 대신 말입니다. 이는 팀이 다양한 형태의 문제에 대해 우아한 해결책을 찾는 데 특히 능숙하게 만듭니다. 자신들이 관찰하고 배우는 것을 공유하기 위해, 많은 팀원들은 슬랙에 "브레인(brain)" 채널을 만들어 개인적인 생각들을 게시합니다. 응답이나 참여에 대한 기대는 없지만, 좋은 아이디어를 가진 사람들은 상당한 팔로워를 확보할 수 있습니다. 가장 인기 있는 브레인 채널의 내용은 "작업 증명"이나 "상사 관리"와는 거의 관련이 없고, 아이디어와 성찰에 관한 것입니다. 최근 예로는 "'CMS는 AI 이전 시대의 유물인가'에 대한 고찰", 수많은 고객 방문으로부터의 깊이 있는 보고, 그리고 아직 초기 단계인 Cursor 제품에 대한 매우 정확한 문제점 기록 등이 있습니다. 얼마 전, 한 사고로 인해 비교적 심각한 서비스 중단이 발생했습니다. 이 중단을 야기한 사람은 회사 전체가 모이는 슬랙의 #general 채널에 이렇게 게시했습니다: "여러분, 죄송합니다. 저는 많이 준비했고, 이 변경을 제가 생각할 수 있는 가장 안전하고 조율된 방식으로 진행했습니다." 많은 사람들이 ♥️로 반응했습니다. 첫 번째 답글은 이랬습니다: "복구 준비가 되어 있어서 신속하게 되돌릴 수 있었던 점이 훌륭했습니다! 사후 분석을 하겠지만, 이런 유형의 변경은 본질적으로 위험하며, 앞으로 더 잘할 수 있는 방법을 함께 고민해 봅시다." 그렇다고 사람들이 무관심한 것은 아닙니다. 모두가 자신의 일을 진지하게 받아들이고 엄청나게 자기 성찰적입니다. 단지 동료들의 능력과 의도를 깊이 신뢰할 때, 작은 실수나 실패가 제가 다른 스타트업에서 보았던 것처럼 극적인 불안의 소용돌이를 일으키지 않는다는 것입니다. 일반적으로, Cursor에서는 아무도 회사 문제나 리더십 드라마에 대해 험담하지 않습니다. 시장은 매우 경쟁적이지만, 유사한 제품에 대한 이야기는 매우 존중하며, 실존적 두려움에 휩싸이기보다는 주로 제품에 초점을 맞춥니다. 9-9-6은 중요하지 않다. 사람들은 그냥 자신의 일을 사랑한다. 9-9-6 강제 규정은 없습니다. 하지만, 자신이 하는 일을 사랑하고 자신의 일에 너무나 신경을 써서 그냥 많이 일하는 팀원이 상당수 있습니다. 일의 속도와 양은 전적으로 자발적입니다. 업무 속도와 직업윤리는 가장 전염성이 강한 규범 중 하나라고 말할 수 있습니다(양방향으로): 동료들이 빠르게 움직이면, 당신도 그렇게 합니다. 동료들이 슬랙에 빠르게 응답하면, 당신도 그렇게 합니다. 동료들이 저녁 식사를 위해 집에 가면, 당신도 그렇게 합니다. 동료들이 토요일에 사무실에 오면, 당신도 그렇게 합니다. Cursor의 기본 설정은 '빠름'입니다. 그리고 대부분의 사람들은 마지못해서가 아니라 기쁘게 그 요구를 충족시키는 데 열정적입니다.

그녀는 10월에 Cursor에서 일을 시작했습니다.