Continuous Learning_Startup & Investment

불안감을 동기 부여로 바꾸는 법: 배우이자 작가, 감독인 제시 아이젠버그가 자신의 경험을 바탕으로 불안감, 두려움, 자기 비판과 같은 부정적인 감정을 창작과 리더십의 동력으로 전환하는 방법에 대해 이야기합니다. 동기 부여의 이면: 불안과 두려움 - 자신을 움직이는 요인은 노력, 재능, 창의성 등이지만, 불안과 두려움 역시 매우 큰 동기 부여 요소임을 고백합니다. - 불행, 자기 의식, 자기 혐오, 두려움 같은 부정적인 감정들이 동기가 되는 경우가 많습니다. - 자신의 마지막 일이 생애 마지막 직업이 될까 봐 항상 걱정합니다. - 다른 분야에서 성공한 사람들도 비슷한 불안감을 가지고 있다는 것을 깨닫고, 이것이 위대한 사람들이 동기를 부여받는 방식일 수 있다고 생각하게 됩니다. - 이들은 뛰어나고 창의적이지만, 다음번엔 잘 안 될까 봐 걱정합니다.- 2. 불안을 연료로 재정의하기 - 불안감을 연료, 동기 부여, (일에 대한) 관심으로 재구성(reframe)하면, 걱정은 줄어들고 동기 부여는 더 커질 수 있습니다. 3. 배우의 자기 의심과 대처법 - 자기소개: 제시 아이젠버그, 배우/작가/감독. 최근작 영화 "A Real Pain"에서 세 가지 역할 모두 수행. - 배우에 대한 오해: 배우들이 자신감 넘치고 자기중심적일 것이라는 통념은 사실과 다릅니다. - 대중의 시선과 비판: 공인으로서 예상치 못한 비판에 직면합니다. (예: "그 영화에서 그냥 괜찮았어요"라는 말도 기분을 상하게 함) 작품의 반응에 대해 매우 신경 씁니다. - ‘보호막' 만들기: 자기 의심과 비판에 대처하기 위해 일종의 '보호막'을 만들었습니다. - 자신이 출연한 영화를 보지 않습니다. - 자신이 출연한 영화의 리뷰를 읽지 않습니다. - 영화 광고가 많은 거리를 자전거로 지나가지 않습니다 (일하러 가는 길에 자기 의식하게 되므로). 효과: 이것이 비정상적으로 보일 수 있지만, 통제할 수 없는 것에 집착하지 않음으로써 자신이 가장 효과적으로 일할 수 있는 방법임을 발견했습니다. 두려움이나 약점에서 비롯되었을 수 있지만, 이것이 스스로 동기를 부여하는 유일한 방법입니다. 4. 감독으로서의 전환과 리더십 - 감독 경험: 최근 두 편의 영화를 감독하며 사람들을 관리하는 새로운 역할에 적응 중입니다. - 자신만의 리더십 스타일: 전통적인 의미의 강력한 리더(전투 지휘관 같은)는 아님을 깨달았습니다. - 강점: 대신, 각 개인이 하는 일을 잘 이해하고 그들로부터 최선을 이끌어내는 능력이 뛰어납니다. - 이상적인 리더상: 자신이 경험한 최고의 리더들은 시끄럽고 자신감 넘치는 사람이 아니라, 조용하고 미묘하며 공감 가는 방식으로 동기를 부여하는 감독들이었습니다. 자신이 좋아하는 리더는 아마 자신과 비슷한 유형일 것이라고 말합니다. - 겸손과 존중: 감독으로서 함께 일하는 스태프(촬영, 편집, 미술 등) 대부분이 자신보다 훨씬 경험이 많다는 것을 인지합니다. 따라서 그들의 전문성을 존중하고, 의견을 경청하며 배우려는 자세, 그들이 역량을 발휘할 공간을 제공하는 겸손함이 중요하며, 이는 큰 자산이 됩니다. - 협업 지향: 자신이 옳다는 것을 증명하기보다, 자신만큼 혹은 더 좋은 아이디어를 가진 사람들과 협력하기를 원합니다. 5. 협업과 즉흥성 존중: 키어런 컬킨 사례 - 연기의 본질: 연기는 다른 배우(협력자)의 의도에 반응하고 함께 수행하는 것입니다. - 키어런 컬킨과의 작업: 최근 감독한 영화에서 키어런 컬킨(석세션 출연)과 함께 연기했습니다. 그는 천재적인 즉흥 연기자였습니다. - 예상치 못한 연기: 컬킨은 종종 대본이나 예상과 다른 방식으로 연기했습니다. - 미세 관리의 한계: 그의 연기를 미세하게 통제하려 했을 때 오히려 효과가 떨어졌습니다. (예: 정해진 위치(mark)에 서도록 요구하자 연기가 경직됨) - 우선순위 재정의: 기술적인 정확성(정해진 위치)보다 컬킨의 캐릭터가 자유롭고, 생생하며, 복잡하게 살아 숨 쉬는 것이 영화에 훨씬 더 중요하다는 것을 깨달았습니다. - 교훈: 다른 사람의 작업을 통제하려 하기보다, 그들이 자신의 강점을 최대한 발휘하도록 돕는 것이 중요합니다. 컬킨이 자유롭게 즉흥 연기를 하도록 허용했을 때 영화와 촬영 현장 분위기가 훨씬 좋아졌습니다. 6. 위축감 극복: 줄리안 무어 사례 - 경험 많은 동료와의 협업: 자신보다 훨씬 성공하고 경험 많은 배우(줄리안 무어)와 작업할 때 위축감을 느낄 수 있습니다. - 초기의 망설임: 첫 감독 작품에서 줄리안 무어를 캐스팅했을 때, 배우로서 자신이 감독에게 원했던 피드백(관심과 구체적인 조언)을 그녀에게 주기를 처음에는 망설였습니다. 자신이 부족해 보일까 두려웠기 때문입니다. - 깨달음: 하지만 곧 그녀 역시 배우로서 당연히 그러한 피드백을 원한다는 것을 깨달았습니다. - 긍정적 변화: 그녀에게 구체적인 연기 노트를 주기 시작하자 즐겁게 작업할 수 있었고, 때로는 건강한 의견 대립(반론)도 있었습니다. - 위축감의 비효율성: 동료에게 위축감을 느끼는 것은 지속 가능하지 않습니다. 재능이나 지능을 비교하는 생각("그녀가 나보다 뛰어나다")은 도움이 되지 않습니다. - 효과적인 접근: 대신, 장면과 캐릭터에 대한 창의적인 아이디어를 공유하는 것이 훨씬 더 효과적이고 즐거운 파트너십을 만듭니다. https://youtu.be/CO-6iqCum1w

최근 장애 및 교훈 (약 1.5주 전): - Sev 1 (가장 심각한 수준) 장애 발생. 2~30분간 서비스 중단. - 원인: 단 한 줄의 코드 변경. 코드 리뷰에서 놓침. 흥미로운 점: 이 버그는 AI 모델(bugbot)이 잡을 수 있었을 것으로 추정됨. 모델 기반 코드 리뷰의 잠재력 시사. 7. Q&A 경쟁 환경 (깃헙 코파일럿 등): 경쟁이 과장된 측면이 있음. 코파일럿이 초기 출시 후 1.5년간 정체되어 있었고, AI 코딩 지원의 잠재력(천장)이 매우 높다고 판단하여 기회를 봄. 현재는 복잡해 보이지만 시작 시점엔 그렇지 않았음. API 속도 제한(Rate Limits) 해결: 매우 복잡함(messy). - 여러 외부 제공자(Anthropic, OpenAI, GCP 등)를 동시에 사용하며, 이들의 잦은 다운타임에 대응. - 제공자들과 지속적인 토큰 증설 협상 ("더 많은 토큰을 달라!" <-> "줄 수 없다!"). 커서가 최대 고객 중 하나인 경우 많음. - 복잡한 의존성 사슬: 커서 -> 모델 제공자(Anthropic) -> 클라우드 제공자(Google Cloud TPU) -> 인프라팀(Borg). 코드 보안: 매우 중요하게 생각하며 많은 노력 투입. - 코드 임베딩 시 벡터 데이터를 클라이언트 측 키(key)로 암호화하여 DB에 저장. DB가 유출되더라도 원본 코드 복원 거의 불가능. (다른 서비스는 안 할 수도 있음) - 벡터에서 코드로의 역변환이 99.99% 불가능하다고 확신하지만, 만약을 위해 암호화 적용. CS(컴퓨터 과학) 공부의 미래: CS가 쓸모없어지지 않음. - AI는 지루하고 반복적인 작업을 자동화하여 개발자가 더 창의적이고 복잡한 시스템 설계/구축에 집중할 수 있게 함. - AI 협업을 통해 더 적은 인원으로 더 많은 영역을 커버 가능 (커서 팀 사례). - 오히려 더 많은 시스템 구축이 가능해질 것으로 예상. IDE의 미래: 프로그래머가 코드를 작성하는 '도구'는 계속 존재할 것. 형태나 정의는 바뀔 수 있음. 가격 정책 ($20): 모델 운영 비용이 비싸지만, $20 가격을 유지하기 위해 많은 최적화 노력 중. 가격 이상의 가치를 제공한다고 생각함. 햄버거 값보다 가치 있음. 학업 중단 여부: 매우 개인적인 선택. 학교에서 배운 것(이론, 친구)도 가치 있지만, 운영 기술 등은 졸업 후 배워야 함. 본인에게 그 선택이 '명확하다면' 행동하고, 그렇지 않다면 신중해야 함. https://youtu.be/4jDQi9P9UIw

Cursor CTO Interview 커서의 현재 규모 지난 1년간 약 100배 이상 성장. 커스텀 모델: 하루 약 1억 건의 모델 호출 처리 (상당히 큰 규모). 프론티어 모델 트래픽: 상당 부분 차지. 대규모 모델 호스팅: 일부 시작. 인덱싱 시스템: 하루 약 10억 개 문서 처리. 회사 전체 기간 동안 수천억 개 문서 처리. 데이터 저장소 규모가 매우 커짐. 현재는 스케일 있는 서비스로 성장했으며, 그 과정에서 많은 교훈을 얻음. 커서의 인프라는 크게 3가지 (+1) 핵심 요소로 구성됨: 1) 인덱싱 시스템 (Indexing Systems): 2~3개의 시스템 존재. 검색 시스템 (Retrieval Systems): 가장 잘 알려진 시스템. 질문 시 저장소 검색. Git 인덱싱 등: 사용자의 코드 저장소(repository) 히스토리 등을 심층적으로 이해하기 위한 시스템. 매우 큰 규모(예: Instacart 수준)의 저장소도 처리. 2) 모델 (Models): 자동 완성 모델 (Autocomplete Model): 모든 키 입력마다 실행됨. 초당 약 20,000건의 모델 호출 발생. 약 1,000 ~ 2,000개의 H100 GPU 클러스터에서 실행됨. GPU 분산: 미국 동부(버지니아), 서부(피닉스), 런던, 도쿄 등 전 세계적으로 분산되어 있어 지역별 빠른 응답 속도 제공 (과거 프랑크푸르트 시도는 불안정했음). 적용 모델 (Apply Model): 코드 변경 사항을 적용하는 모델. 매우 빠른 적용(Apply) 경험을 제공하여 마치 모델을 사용하지 않는 것처럼 느끼게 함 (실제로는 10만~20만 토큰 처리). 내부적으로 복잡한(gnarly) 적용 트릭 및 추론 기술 사용. 3) 제품 경험 관련 기술 (Product Tricks): 사용자 경험을 극대화하기 위한 다양한 영리한 팁과 트릭 포함 (예: 빠른 적용 모델). (추가) 스트리밍 인프라 (Streaming Infrastructure): 입력 데이터 저장, 학습(training) 데이터 활용 등 백그라운드에서 실행되는 전체 스트리밍 인프라. 실시간 사용자 상호작용은 아니지만, 커서 개선을 위해 지속적으로 사용됨. 아키텍처 흐름 사용자가 코드베이스와 상호작용 시작 -> 미국 동부의 모놀리식(Monolithic) 아키텍처 서비스에 요청 전달. 장애 영향 범위(Blast Radius) 관리: 실험적 코드나 비핵심 기능의 오류가 로그인 등 핵심 서비스에 영향을 주지 않도록 서버를 구획화(Compartmentalization) 함 (과거에는 단일 서버에서 무한 루프 버그가 전체 채팅 기능을 마비시킨 경험 있음). 사용자 입력 중 -> 코드베이스에서 관련 컨텍스트를 선택하기 위한 다수의 요청 전송. 양방향 스트림(Bidirectional Stream): 모델이 서버(추론 측)에서 액션을 취하고, 그 결과가 전 세계 사용자(예: 인도, 파키스탄 등) 클라이언트로 실시간 전달됨. 설계 원칙: 초기에는 복잡했지만, 현재는 단순성(Simplicity) 강조. 복잡하면 이해하고 운영하기 어렵기 때문. 5. 추론(Inference) 규모 및 과제 자체 호스팅 모델: 하루 약 1억 건 호출 (프론티어 모델 트래픽과 별개). - 자동 완성 모델의 입력 토큰 수가 프론티어 모델보다 훨씬 많음 (키 입력마다 수만 토큰 처리). 외부(3rd Party) 추론 제공자 (Anthropic, OpenAI, GCP 등): 가장 큰 도전 과제: 안정성(Reliability). - 추론 서비스 기술이 아직 상대적으로 미성숙함. - 과거 특정 제공자의 경우, 커서의 트래픽 증가(예: 분당 1억 토큰 요구)를 따라가지 못하고 3-4천만 토큰에서 시스템이 다운됨 (캐싱 문제 등). 콜드 스타트(Cold Start) 문제: - 서비스 노드가 전부 다운된 후 복구 시, 소수의 복구된 노드에 전체 트래픽이 몰려 다시 다운되는 현상. - 복구 시 트래픽 일부를 차단하거나(kill traffic), 사용자 우선순위를 두거나(예: WhatsApp의 특정 접두사 우선 복구), 점진적으로 노드를 늘리는 등의 전략 필요. 결론: 모든 모델 제공자의 상태 페이지를 보면 역사적으로 안정성이 좋지 않음. 좋은 안정성을 가진 곳은 없음. 6. 장애 대응 사례 (Incident Response Cases) 인프라 운영 = 엔트로피 관리. 시스템은 반드시 고장 남. 중요한 것은 대응 방식. 사례 1: 인덱싱 시스템 문제 (2023년 9월 경) 배경: 새로운 인덱싱 시스템 도입. 클라이언트/서버 간 머클 트리(Merkle Tree) 해시 비교를 통해 변경된 파일만 효율적으로 동기화하는 방식. 자동화를 위해 에디터 실행 시 자동으로 인덱싱 시작. 초기 문제 (DB): 처음엔 확장성을 고려해 YugabyteDB(Spanner 유사 분산 DB) 사용 시도 -> 운영 어려움, 비용 문제 -> **AWS RDS(PostgreSQL)**로 이전 후 안정화됨. (교훈: 복잡한 DB 대신 검증된 하이퍼스케일러의 관리형 서비스(Postgres)로 시작하라.) 주요 장애 발생: - 트래픽 급증 시, DynamoDB 캐시에 특정 버그 발생 (파일 크기 제한으로 대용량 파일 캐싱 실패, 오류 모니터링 부재). - 대용량 파일 -> 캐시 미스 -> 임베딩 모델 부하 증가. - 큐(Queue)의 경쟁 상태(Race Condition): 대용량 파일 처리 후 머클 트리 해시 업데이트 과정에서 문제 발생 -> 파일 변경 사항 커밋 실패. - 클라이언트는 변경 감지 -> 재전송 -> 캐시 미스 -> 임베딩 모델 부하 -> 커밋 실패 (악순환 반복). - 결과: 시스템 부하 지속 증가, 원인 파악 어려움 (전체 오류율은 정상으로 보였기 때문). 진단 및 해결: 캐시 히트율 이상 감지 -> 대용량 파일 커밋 실패 확인 -> 큐의 경쟁 상태 추적 및 수정. (교훈: 분산 시스템의 경쟁 상태는 찾기 매우 어렵다.) 결과: 수정 후 약 8개월간 안정적으로 운영됨. 사례 2: RDS 데이터베이스 장애 (최근) 배경: 8개월간 안정적이던 인덱싱 시스템의 RDS(Postgres)가 갑자기 불안정해짐. 원인: - RDS 데이터 크기 증가 (22TB / 최대 64TB). 처음엔 여유 있다고 생각했으나 오판. - PostgreSQL의 UPDATE 동작 방식: UPDATE는 내부적으로 DELETE + ADD로 동작. 커서의 워크로드는 대부분 타이핑(업데이트)이므로 엄청난 수의 DELETE/ADD 발생. - DELETE는 즉시 공간을 회수하지 않고 '툼스톤(tombstone)'만 표시. 백그라운드 VACUUM 프로세스가 공간 회수 담당. - 높은 업데이트 부하 + 데이터 크기 증가 -> VACUUM 및 관련 프로세스(anti-wraparound vacuum) 병목 현상 발생 -> DB 성능 급격 저하. 장애 심각성: DB가 느려지다가 멈추고, 재시작조차 불가능한 상태에 이름. 인덱싱 및 관련 쿼리 불가. 대응 과정 ("War Room"): - AWS 서포트 요청 -> 도움 안 됨. - 내부 전문가 + 외부 전문가(Martin -> RDS 설계자) 연락 -> 즉각적 해결책 제시 못함. 팀 역할 분담: (일부 멤버는 위기 상황에서 오히려 활약) - DB 부하 줄이기: 외래 키(Foreign Key) 제거 담당. - 문제 테이블 데이터 삭제 시도 담당. - 핵심 워크로드 재작성 담당 (Arvid, 공동창업자): 가장 큰 테이블(chunks 저장)을 객체 저장소(Object Storage, 예: S3, R2) 기반으로 옮기는 작업 긴급 할당. - DB 트랜잭션 수동 정리 및 복구 시도 담당. - DB 마이그레이션 시도 담당. 핵심 해결책: Arvid가 장애 중 실시간으로 워크로드를 객체 저장소 기반으로 재작성 및 이전하는 데 성공. 이것이 다른 해결 시도보다 빨랐음. (객체 저장소 기반 DB 아키텍처의 장점 활용: WarpStream, TileDB 언급됨). 결과: DB 부하 감소 및 서비스 복구. 이후 전체 시스템을 객체 저장소 기반으로 리팩토링/마이그레이션 진행 중. (교훈: DB 스케일링의 가장 좋은 방법은 DB를 없애는 것일 수 있다.)

첫 번째 제품: Monica (모니카): - Chat GPT 출시 1주 전에 시작된 크롬 브라우저 확장 프로그램. - 문제 인식: 앱 간 전환, 텍스트/이미지 복사/붙여넣기 등 LLM 사용의 번거로움. - 핵심 기능: 웹페이지 내에서 바로 LLM 기능 사용 (긴 글 요약 아닌 '간소화', 유튜브 요약/팟캐스트 변환, Arxiv 논문 요약/확장, Gmail 초안 작성 등). - 성과: 해당 카테고리 최고 제품. 월 사용자 2천만 명, 연 매출 5천만 달러 달성 및 성장 중. 두 번째 시도: AI 브라우저 (미출시): - 동기: 브라우저 확장 프로그램의 한계(크롬/브라우저 사용자 제한, 확장 프로그램 인지도 부족) 극복. - 개발 (1년 전 시작, 6개월간 집중): 브라우저 곳곳에 AI 기능 내장, 브라우저용 소형 모델 파인튜닝, 자체 브라우저 유닛 구축(페이지를 엑셀로 내보내기 등), AI 기반 탭 관리 대시보드, 이미지/비디오 업스케일링, 링크 미리보기/요약, 웹 자동화 등. - 중단 이유 (작년 9월): 1. 단일 사용자 사용의 한계: AI가 브라우저를 제어하는 동안 사용자는 키보드/마우스에서 손을 떼고 기다려야 함 (매우 답답함). 작업 완료 시점 예측 불가. 다른 작업 불가. 2. 브라우저 전환의 어려움: 사용자는 기존 브라우저(크롬 등) 기능에 익숙하여, AI 기능 이전에 기본적인 브라우저 완성도를 높게 요구함. 스타트업으로서 감당하기 어려움. - 극적인 순간: AI 브라우저 프로젝트 중단 결정 직후, Arc 브라우저 창업자 Josh Miller가 Arc 브라우저 중단 및 다음 단계 이동 발표 영상을 봄. (같은 결론 도달) AI 브라우저 개발로부터 얻은 교훈: 1. AI는 '자신의' 브라우저를 사용해야 한다 (사용자 브라우저 X): AI는 인간보다 웹 기술(단축키 등)을 훨씬 잘 알고 활용할 수 있음. AI가 사용자의 브라우저를 점유하면 사용자는 다른 작업을 할 수 없음. 2. AI는 클라우드에 있어야 한다: 사용자가 계속 지켜볼 필요 없이 백그라운드에서 작업 수행 후 알림. 3. 브라우저 전환 설득은 매우 어렵다: AI 기능 이전에 완벽한 기본 브라우저를 만들어야 함. 영감을 준 Cursor: - 코딩을 모르는 동료들이 Cursor를 사용하는 방식 관찰. - 핵심 발견: 코딩 비전문가들은 왼쪽 코드 패널보다 오른쪽 챗 패널(결과)에 더 집중. 코드를 이해하거나 수정하기보다 단순히 '수락'하며 데이터 시각화, 파일 처리 등 다른 목적으로 활용. - 아이디어 전환: Cursor의 왼쪽(코드) 패널을 숨기고, 오른쪽(챗/결과) 패널을 클라우드로 옮기자! → Manus AI의 탄생 (작년 10월). 4. Manus AI의 기술적 구성 (3가지 핵심 + 근본 철학): 1. AI에게 컴퓨터 제공: - e2b 활용: 각 Manus 작업마다 클라우드 가상 머신(VM) 할당. (단순 컨테이너보다 완전한 기능의 컴퓨터 제공이 장기적으로 중요) - 현재 제공 기능: VM 터미널, VS Code, 브라우저 접근. - 미래: 다른 소프트웨어 사용 지원 (Windows, Android 등 다양한 OS 환경 지원 가능성). 2. 데이터 접근 권한 부여: - 모든 정보가 공개 인터넷에 있는 것은 아님 (내부 데이터, 유료 데이터 등). - API 통합: Manus AI가 직접 일부 유료 API(주식 시세, 트위터/링크드인 검색 등)를 사전 구매/통합하여 사용자가 신경 쓰지 않도록 함. (향후 더 많은 API 통합 예정) 3. AI에게 '훈련' 제공 (사용자 맞춤 설정): - 문제 인식: 인턴을 처음 고용했을 때처럼, AI도 사용자의 선호(작업 방식, 결과 포맷 등)를 처음에는 모름. - 지식 시스템(Knowledge System): 사용자가 Manus와 상호작용하며 선호도를 가르칠 수 있는 기능. (예: "다음부터 이력서 스크리닝 결과는 문서 말고 스프레드시트로 줘", "특정 인물 조사 시 이런 점을 강조해줘") Manus는 이를 학습하고 기억함. 가장 중요한 것: 근본 철학 (범용성 추구): - 목표: 평균적인 일반 사용자를 위한 범용 에이전트 구축. (코딩 에이전트가 아님) - 접근 방식: 사전 정의된 워크플로우(predefined workflows) 방식 지양. (수백 개의 워크플로우를 미리 만드는 것은 불가능) - 핵심: LLM의 '생각'을 통제하려 하기보다, **LLM에게 더 많은 컨텍스트와 강력한 '손'(실행 환경, 도구, 데이터)**을 제공하여 스스로 작업을 수행하도록 함. (환경 구축에 집중) Manus 개선 방식: 사용자 피드백 기반. 모든 피드백을 해결하진 않음(지나치게 어려운 요구 제외). 의미 있는 작업 실패 시, (1) 도구 추가/개선 (최근 이미지 읽기 기능 추가), (2) 데이터 API 추가를 통해 시스템 능력 향상. + 파운데이션 모델 자체의 발전 기대. 긴 컨텍스트 처리: 파운데이션 모델의 컨텍스트 길이 증가로 해결되는 부분 + 자체적인 컨텍스트 분할(splitting) 및 관리 기술 적용. 자체 파운데이션 모델 개발 계획: 없음. 모델 훈련 비용은 스타트업에게 너무 부담스러움. 장기적으로 에이전트 능력은 여러 모델에서 상품화(commoditized)될 것으로 예상. 유료/로그인 데이터 접근: - 현재 가장 큰 장애물은 Cloudflare 등 보안 솔루션의 에이전트 차단. - 단기 해결책: 주거용 IP(residential IP) 등 우회 방법 사용. - 중장기 해결책: (1) 에이전트 사용이 보편화되면 Cloudflare 등 보안 업체와 협력하여 합법적인 에이전트 트래픽 허용 추진. (2) Manus AI가 사용자 대신 유료 콘텐츠 비용 지불 (소비량 기반 요금제와 연계). 결론: Manus AI는 강력한 LLM에게 실제 작업을 수행할 수 있는 '손'(컴퓨터 환경, 도구, 데이터 접근, 사용자 선호 학습)을 제공하는 범용 AI 에이전트 플랫폼이다. 실패한 AI 브라우저 프로젝트와 Cursor 사용 행태 관찰을 통해 얻은 교훈을 바탕으로, 사전 정의된 워크플로우가 아닌 LLM의 자율적인 문제 해결 능력을 극대화하는 데 집중한다. GAIA 벤치마크에서 높은 성능과 비용 효율성을 보였으며, 일반 사용자를 위한 다양한 작업 수행 능력을 목표로 한다. https://youtu.be/Xtw6Og7fNG0

고객: 정보 집약적인 산업의 지식 노동자(Knowledge Workers). 이들은 대량의 문서(보고서, 계약서, 논문, 뉴스, 이메일 등)를 분석하여 인사이트를 도출하고 의사결정을 내려야 하는 전문가들 산업 분야 - 금융: 투자 은행, 헤지 펀드, 사모 펀드, 자산 운용사 등의 애널리스트, 포트폴리오 매니저 (실적 보고서, 공시 자료, 시장 조사 보고서, 뉴스 분석 등) - 법률: 로펌 변호사, 기업 법무팀 (계약서 검토, 법률 리서치, 증거 개시(e-discovery) 등) - 컨설팅: 경영 컨설턴트 (시장 분석, 경쟁사 조사, 실사 보고서 분석 등) - R&D 및 연구: 제약, 생명과학, 기술 기업의 연구원 (논문 검색, 특허 분석, 임상 시험 데이터 분석 등) 제품 복잡하고 방대한 문서 더미(수천, 수만 페이지)에서 사용자가 자연어 질문을 통해 필요한 정보를 정확하고 빠르게 찾고, 요약하고, 비교 분석할 수 있도록 지원하는 AI 기반 검색 및 분석 플랫폼. "문서를 위한 신경망 검색 엔진" 또는 "AI 리서치 어시스턴트" - AI 기반 검색: 키워드 검색을 넘어, 의미 기반의 자연어 질문으로 여러 문서에 걸쳐 관련된 내용 검색. - 정보 추출 및 요약: 문서 내 특정 데이터 포인트(숫자, 이름, 조건 등) 자동 추출, 긴 내용을 핵심만 요약. - 문서 간 비교 및 종합: 여러 문서의 내용을 비교 분석하고, 관련된 정보를 종합하여 새로운 인사이트 제공. - 질의응답: 문서 내용을 기반으로 사용자의 질문에 직접 답변. (답변의 근거가 되는 원문 제시) - 다양한 포맷 지원: PDF, Word, PPT, 이메일, 웹페이지 등 다양한 형태의 정형/비정형 데이터 처리. - 워크플로우 통합 (잠재적): 특정 산업(금융 실사, 법률 검토 등)에 최적화된 워크플로우 제공 가능성. 가치 - 압도적인 시간 절약: 수작업으로 수 시간, 수일이 걸리던 문서 검토 및 정보 검색 시간을 분 단위로 단축. - 정확성 및 신뢰도 향상: 사람이 하기 쉬운 정보 누락, 오독, 데이터 추출 오류 등을 AI가 최소화하여 분석의 정확성과 신뢰도 제고. (특히 금융, 법률 등 높은 정확성이 요구되는 분야에서 중요) - 심층적인 인사이트 발굴: 방대한 문서 간의 숨겨진 연관성이나 패턴을 발견하여 사람이 놓칠 수 있는 깊이 있는 인사이트 제공. - 더 나은 의사결정 지원: 필요한 정보를 적시에 정확하고 포괄적으로 제공하여 데이터 기반의 신속하고 현명한 의사결정 지원. - 생산성 향상 및 비용 절감: 지식 노동자가 단순 반복적인 문서 작업에서 벗어나 더 고부가가치 업무에 집중할 수 있도록 하며, 대규모 문서 검토팀 운영 비용 절감. 직접 경쟁사 (AI 지식 플랫폼): - Glean: 기업 내부 정보(Slack, 이메일, 문서 등) 전반을 검색하고 요약하는 데 강점. Hebbia보다 더 넓은 범위의 일반 기업 대상일 수 있음. - Vectara: 개발자 친화적인 API 중심의 의미 검색 플랫폼. 대형 플랫폼 기업: - Microsoft (Copilot): M365 생태계 내 통합, 방대한 기업 고객 기반, Copilot Studio를 통한 맞춤형 AI 구축 지원. SharePoint Syntex 등 문서 이해 기술 보유. - Google (Vertex AI Search): 강력한 검색 기술과 AI 인프라 기반. Hebbia의 차별점 (Differentiation): Chat GPT와의 차이점: - Chat GPT는 시 쓰기, 숙제 등 단일 작업에는 뛰어나지만, 여러 단계가 필요하거나 차별화된 결과를 요구하는 복잡한 작업에는 한계 ("As a large language model, I can't do that"). - Chat GPT는 공개 데이터만 학습. 금융/법률 등 지식 노동에 중요한 것은 비공개, 비정형 정보(offline unstructured information). - Chat GPT로 투자 메모 초안을 작성하면 모든 VC가 거의 동일한 결과를 얻음 (차별성, 맞춤 프로세스 부재, 알파 없음). Hebbia의 접근 방식: - 금융 서비스의 특성: 정확한 정보, 올바른 결과, 맞춤형 프로세스, 투명성(지식 작업 수행)이 가장 중요. - 목표: 투자자의 삶과 워크플로우를 개선하는, 근본적으로 변혁적인 AI 도구 구축. - 차별점: 단순한 AI 인터페이스가 아니라, AI/AGI가 작업을 수행하기 위해 선택할 만한 도구를 지향. (AGI가 직접 모든 것을 처리하는 대신, Hebbia 같은 특화된 도구를 활용하는 것이 더 효율적) - 비공개 데이터 활용: 고객의 투자 메모, 계약서 등 비공개 데이터를 업로드하여 웹 검색만으로는 불가능한 맞춤형 분석 및 비교 제공. (예: 과거 딜과의 비교 분석) - 인터페이스: 챗봇 인터페이스를 넘어, 사용자를 강화(empower)하고 작업을 효율화하는 새로운 인터페이스 탐색. (컴퓨터 사용, 추론 능력 통합) 가치 제안: - 시간 절약 (Faster Speed): 문서 검토, 정보 검색 등 수 시간이 걸리던 작업을 분 단위로 단축. - 새로운 결과 창출 (Net New Results): 사람이었다면 불가능했거나 놓쳤을 분석 및 통찰력 제공. (예: 방대한 데이터 속에서 숨겨진 연관성 발견, 가설 검증 등) 주요 사용 사례 (금융 - 바이사이드): - 스크리닝 (Screening): 마케팅 자료(SIM 등)를 플랫폼에 업로드하면, 과거 딜 및 투자 기준과 비교하여 Go/No-Go 결정 지원. (무의미한 노동 제거, 중요한 딜에 집중) 스크리닝 처리량 137% 증가. - 실사 (Diligence): 방대한 문서(데이터룸, 신용 계약서, 전문가 네트워크 콜 등)에서 인사이트 즉시 추출 및 종합. (수백 페이지 읽는 시간 절약) - 템플릿 활용: 1,000개 이상의 템플릿(신용 계약 에이전트, 실적 발표 에이전트 등) 제공으로 빠른 가치 실현(Time to Value) 지원. 주요 사용 사례 (금융 - 어드바이저): 고객 자료 및 외부 정보 분석을 통한 더 나은 피칭 자료 제작, 실사 질문(DDQ) 답변 자동화. 주요 사용 사례 (법률): 과거 협상 계약 라이브러리 분석을 통한 실시간 협상 지원 (시장 조건 파악, 더 나은 조건 제시). 고위험/복잡 문서 처리 전문성: 금융 보고서(10-K, 실적 발표), 법률 계약서, 과학 논문 등 미묘한 차이와 극도의 정확성이 요구되는 복잡한 문서 처리에 대한 깊은 이해와 특화된 모델 성능. (환각 현상 최소화 및 근거 제시 강조) ROI (투자 수익률): - 2025년 이후 AI 투자는 실험 단계를 넘어 실질적인 P&L 영향(ROI) 증명이 중요해짐. - Hebbia는 명확한 가치 사례(Value Cases)를 통해 ROI 입증. (예: 외부 변호사 비용 절감, 고객 온보딩 시간 단축, 포트폴리오 벤치마킹 효율 향상 등) 가격 정책: 현재는 사용자 기반(per seat) 가격 책정 (사용 장려 목적). 향후 AI 에이전트별 급여/소비량 기반 과금 등 다양한 모델 가능성 있으나, 아직은 시기상조 (채택 및 사용 확산 우선). UI/UX 철학: 고객 요구사항을 반영하되, 단순히 기능을 추가하는 방식(Salesforce 방식)이 아닌, 전체 소프트웨어를 하나의 구성(composition)으로 보고 지속적으로 재설계(redesign)하여 통합적이고 직관적인 경험 제공 추구. https://www.hebbia.com/ https://youtu.be/IfuMoOciTPo

고전 컴퓨팅과 AI의 잠재력 (튜링의 후예): - 알파폴드 사례는 양자 시스템인 단백질 구조 예측을 고전 컴퓨터 기반 AI로 근사할 수 있음을 시사. - 가설: 자연에서 생성되거나 발견될 수 있는 패턴(물리적 구조를 가진)은 고전적 학습 알고리즘(AI)으로 효율적으로 발견/모델링될 수 있다. - 이는 P vs NP 문제, 양자 컴퓨팅의 필요성, 나아가 기초 물리학 및 현실의 본질에 대한 이해에 큰 영향을 줄 수 있음. - 궁극적 목표: AGI는 우주와 그 안에서의 우리 위치를 이해하기 위한 궁극적인 범용 도구가 될 수 있다는 믿음. https://youtu.be/hHooQmmzG4k

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).

달러 인플레이션 = 글로벌 세금: 미국이 2020년 이후 약 6조 달러를 발행했지만, 이 부담이 미국인 3억 3천만 명에게만 집중된 것이 아니라 전 세계 80억 명 이상에게 분산되었기에 1인당 부담액이 (2만 달러가 아닌) 1천 달러 미만으로 낮아졌고 구매력 하락도 완화되었다. 이는 달러가 기축 통화이기 때문에 가능한 사실상의 '글로벌 세금'이다. MAGA의 근본적 오류: MAGA 지지자들은 마우이 재난 지원금(700달러)과 우크라이나 지원금(1000억 달러 이상)을 비교하며 미국인이 세계로부터 착취당한다고 생각하지만, 이는 달러 인플레이션을 통한 미국의 '보이지 않는 이익'을 간과한 잘못된 결론이다. '미국 제국'과 현명한 경로: 현실적으로 미국은 달러 인플레이션을 통해 전 세계에 영향력을 행사하는 '미국 제국'이다. 따라서 MAGA가 추구해야 할 현명한 경로는 관세와 무역 전쟁으로 제국 전체를 파괴하는 것(이는 결국 중국에게 이익을 넘겨주는 결과 초래)이 아니라, 유럽의 보수/자유주의자 지원, 국내 규제 완화, 최소한의 적 만들기, 발행된 돈의 흐름 재조정 등을 통해 제국을 점진적으로 수정하고 관리하는 것이다. 제국의 규모와 급격한 해체의 위험: 미국은 역사상 가장 거대한 제국(전 세계 750개 군사 기지 등)이며, 이를 다른 나라와 같은 단순한 '국가'로 착각하고 급격히 해체하면 제국의 중심부에 있는 이들에게 단기적, 중기적으로 막대한 피해를 줄 것이다. 유럽/독일의 시각 (답변 1): 유럽에서는 많은 미국인(자유주의자/보수주의자)들이 미국 중심의 세계 질서(20세기 건축물)가 자국에 가져다주는 이익의 규모를 이해하지 못하고 비용에만 집중하는 것을 미국의 쇠퇴 원인으로 본다. 독일 등 수혜국들은 미국의 쇠퇴에 영향을 받겠지만 결국 적응하고 미국에서 벗어나는 전환을 할 것이며, 이는 유럽/아시아/아프리카가 유라시아 중심으로 재편되는 연쇄 반응을 일으킬 수 있다. 환상을 믿게 된 후계자들 (답변 2): 미국 제국을 설계한 세대는 그 현실을 의도적으로 숨겼고, 그 후계자들은 미국이 여전히 단순한 '민주주의 국가'이며 생활 수준 저하 없이 과거(제국 이전) 상태로 돌아갈 수 있다는 환상을 믿게 되었다. 하지만 군사 기지, UN 본부, 델라웨어 기반 다국적 기업, 글로벌 대학, 규제 조화, 달러 기축 통화 등은 모두 미국이 제조업 수출이 아닌 '화폐 제국(monetary empire)'이라는 비즈니스 모델을 가졌음을 보여준다. https://x.com/balajis/status/1904830270135820757 관세 전쟁은 미국의 달러 패권을 약화시킬수 있다. 1. 글로벌 시스템 약화: 관세 전쟁은 수십 년간 미국이 구축해 온 자유 무역 질서와 동맹 관계를 훼손합니다. 이는 달러의 기축 통화 지위와 미국의 영향력을 뒷받침하는 기반을 약화시킵니다. 동맹국들이 미국 중심 시스템에서 벗어나 대안을 찾게 만들 수 있습니다. 2. 달러 패권 약화: 무역 분쟁과 예측 불가능성은 달러의 안정성에 대한 의문을 제기하고, 각국이 외환 보유고 다변화(달러 비중 축소)나 역내 통화 결제 시스템 강화를 모색하게 만들 수 있습니다. 이는 미국의 '글로벌 세금' 징수 능력을 약화시킵니다. 3. 중국의 기회: 미국이 스스로 만든 공백을 중국이 파고들 수 있습니다. 중국은 일대일로 등을 통해 미국과 멀어진 국가들과의 경제적, 정치적 유대를 강화하고 위안화 국제화를 추진하며 영향력을 확대할 기회를 얻게 됩니다. 미국이 고립주의로 돌아서면 중국이 글로벌 리더십의 빈자리를 채우려 할 가능성이 높습니다. - 중국 위안화는 저평가, 미국 달러는 고평가되어 있습니다. - 이 때문에 금융 지표로는 미국이 여전히 1위지만, 실질적인 생활 수준이나 생산 능력(물가/생활비, 제조업, 구매력평가 기준 GDP-PPP) 측면에서는 중국이 이미 오래 전에 미국을 추월했습니다. - 중국의 낮은 물가는 명목 GDP 수치만으로는 파악할 수 없는 훨씬 높은 실질 생활 수준을 의미합니다. (예시: 미국 대비 훨씬 저렴한 중국 식료품 가격) - 중국은 더 이상 가난한 나라가 아니며, 거대한 인구가 마치 '스텔스 모드'처럼 조용히 부상하고 있습니다. 이는 "힘을 숨기고 때를 기다린다 (韜光養晦)"는 덩샤오핑의 전략과 일치합니다. - 미국이 항상 최고일 것이라는 (피터 제이한 등으로 대표되는) 서구의 관점이 오히려 중국의 이러한 조용한 부상을 간과하게 만들며 도움을 주었습니다. 4. 네거티브 섬 게임: 관세 전쟁은 상호 보복을 유발하여 세계 경제 전체를 위축시키는 '네거티브 섬(negative-sum)' 게임이 될 수 있습니다. 이는 미국의 경제에도 타격을 주어 국력을 소모시키고, 상대적으로 중국에게 유리한 환경을 조성할 수 있습니다. 반대 관점 1. 중국의 한계: 중국 또한 과도한 부채, 인구 구조 문제, 기술 자립의 어려움 등 내부적인 도전에 직면해 있습니다. 미국의 관세 전쟁은 중국 경제에도 상당한 타격을 주며, 중국이 미국의 빈자리를 즉시 채울 만큼의 역량과 준비가 되었는지는 불확실합니다. 2. 미국 패권의 견고함: 달러의 기축 통화 지위, 압도적인 군사력, 동맹 네트워크, 기술 혁신 능력, 소프트 파워 등 미국의 패권 기반은 단순히 관세 전쟁만으로 쉽게 무너지지 않을 정도로 견고합니다. 많은 국가들은 여전히 중국보다는 미국과의 관계를 선호할 수 있습니다. 3. 선택적 디커플링: 모든 무역 관계를 단절하는 전면적인 무역 전쟁보다는, 첨단 기술 등 특정 전략 분야에서의 '선택적 디커플링(decoupling)'을 통해 안보 위협을 관리하면서도 글로벌 시스템의 이점을 유지하려는 시도일 수 있습니다. 이는 제국 전체의 파괴와는 다릅니다. 4. 달러 외 대안 부재: 현재로서는 달러를 대체할 만한 안정성과 유동성, 신뢰도를 갖춘 기축 통화가 마땅치 않습니다. 위안화는 자본 통제 등의 문제로 아직 갈 길이 멉니다. 5. 무역 전쟁의 목적: 관세 전쟁 지지자들은 이것이 중국의 불공정 무역 관행(지식재산권 침해, 보조금 등)을 바로잡고 미국의 제조업을 부활시키기 위한 notwendige(필요한) 조치라고 주장합니다. 단기적 혼란이 있더라도 장기적으로는 미국의 경제 안보와 경쟁력을 강화하여 패권을 유지하는 데 도움이 될 수 있다고 봅니다.

개개인들이 GPT를 통해서 하던 행동들이 하나의 Product로 녹아져나오고 있음. Cursor가 개인을 위한 제품이라면 팀을 위한 제품들이 개발직군쪽에서도 빠르게 성장중. 이런 제품들은 고객의 Workflow에서 발생하는 데이터, 이전에 시행착오를 겪었던 데이터를 가지고 원하는 의도를 잘 파악해서 원하는 결과물을 줄 수 있음(이상적으로). General하게 여러분야에서 쓸수 있던지 아니면 특정 워크 플로우를 완결성있게 해결해주는 플레이어들로 기존 개발 Stack도 크게 바뀔 예정. https://www.qodo.ai/ 2. 고객의 문제 (Customer Problem): - 시간 부족: 개발자 중 58%가 철저한 코드 리뷰를 할 시간이 부족합니다. 이로 인해 코드 리뷰가 소홀해지거나 생략될 수 있습니다. - 버그 발생: 평균적으로 코드 1,000줄당 15개의 버그가 고객에게 전달됩니다. 이는 코드 리뷰가 충분히 효과적이지 않다는 것을 의미합니다. - Pull Request(PR) 설명 부족: 1/3 이상의 PR에 설명이 누락되어 있어, 리뷰어가 변경 사항을 이해하고 검토하기 어렵습니다. - 리뷰 일관성 부족: 팀 전체에 걸쳐 일관된 코드 리뷰 표준을 적용하기 어렵습니다. - 수동적이고 비효율적인 리뷰 프로세스: 기존의 코드 리뷰 방식은 시간이 많이 걸리고, 중요한 문제를 놓칠 수 있습니다. - 코드 품질 저하: 시간 부족, 비효율적인 프로세스 등으로 인해 최종 제품의 코드 품질이 저하될 위험이 있습니다. - 코드 변경 사항 추적 및 이해의 어려움: 복잡한 변경 사항이나 테스트되지 않은 코드를 파악하기 어렵습니다. 3. Qodo Merge의 해결책 (Product Solution): AI 기반 코드 리뷰 자동화: Qodo Merge는 코드 리뷰 워크플로우를 자동화하고 AI를 활용하여 코드 분석, 제안, 직접적인 AI 채팅 기능을 Git 환경(특히 Pull Request) 내에서 제공하는 코드 리뷰 도구입니다. 주요 기능: - 자동 PR 설명 생성 (/describe): 코드 변경 사항을 기반으로 PR 설명을 자동으로 생성하여 리뷰어가 변경 내용을 쉽게 파악하도록 돕습니다. - 이슈 및 버그 탐지/우선순위 지정 (/review): 코드 내의 잠재적인 버그, 이슈, 보안 취약점을 식별하고 우선순위를 지정해줍니다. - 요구사항 준수 확인: 코드가 관련 티켓의 요구사항을 준수하는지 확인합니다. - 상황 인식 코드 제안 (/improve): 코드베이스에 맞춰진 구체적이고 실행 가능한 코드 개선 제안을 제공하며, 노이즈를 최소화합니다. (수락된 제안을 학습하여 더 정확해짐) - PR 내 직접 AI 채팅: Chrome 확장 프로그램을 통해 PR 내에서 코드에 대해 질문하거나, 사전 설정된/사용자 정의 명령(commands)을 실행하여 리뷰 워크플로우를 자동화할 수 있습니다. (/ask, /implement, /analyze, /add_docs 등) - 일관된 표준 적용: 팀의 코딩 표준 및 모범 사례에 맞게 사용자 정의하여 일관된 리뷰 기준을 쉽게 적용할 수 있도록 지원합니다. - 유연한 배포: 자체 호스팅(Self-hosted) 또는 완전 관리형(fully-managed) 옵션을 제공합니다. - 다중 AI 모델 활용: Claude Sonnet 3.5, OpenAI o1 등 최고의 AI 모델의 강점을 활용합니다. 4. 고객에게 주는 가치 (Value Proposition): - 시간 절약 및 효율성 증대: PR 설명 자동 생성, 자동 분석 등으로 개발자와 리뷰어의 시간을 절약하고 리뷰 프로세스를 효율화합니다 ("Give reviewers a short cut"). - 코드 품질 향상: AI가 잠재적 버그, 보안 문제, 개선점을 조기에 발견하여 최종 제품의 품질을 높이고 고객에게 전달되는 버그 수를 줄입니다 ("tough on bugs", "most effective line of defense"). - 리뷰 일관성 확보: 팀 전체에 걸쳐 일관된 코딩 표준과 리뷰 기준을 적용하기 쉬워집니다. - 리뷰 집중도 향상: 중요한 이슈에 집중할 수 있도록 도와주어 리뷰의 실효성을 높입니다 ("Keep code reviews in focus"). - 개발 생산성 향상: 리뷰 프로세스 개선을 통해 개발자가 코딩 자체에 더 집중할 수 있게 합니다. - 커밋/머지에 대한 신뢰도 증가: 자동화된 검증과 AI 제안을 통해 코드 변경 사항에 대한 신뢰도를 높입니다 ("Confidence in every commit"). - 팀 맞춤 설정 가능: 워크플로우, 인프라, 코딩 표준에 맞게 AI 리뷰 방식을 유연하게 조정할 수 있습니다.

저희는 OpenAI, Anthropic, Suno, Perplexity, Midjourney, Cognition, ElevenLabs, LangChain, Pinecone, Mistral, Cohere, Sierra, Decagon, Invideo를 포함하여 빠르게 성장하는 비즈니스를 가진 수많은 회사와 파트너 관계를 맺고 있습니다. 또한 아직은 잘 알려지지 않았지만 (언제든 그렇게 될 수 있는) 수많은 다른 기업들과도 협력하고 있습니다. 저희의 2024년 데이터는 이들 스타트업이 기록적인 속도로 비즈니스를 구축하고 있음을 보여줍니다. SaaS가 수평적으로 시작하여 수직적으로 확장된 것처럼 (처음에는 Salesforce, 그 다음에는 Toast처럼), 우리는 AI에서도 유사한 역학이 펼쳐지는 것을 보고 있습니다. 우리는 ChatGPT로 시작했지만, 이제는 산업별 특화 도구들이 확산되는 것을 목격하고 있습니다. 어떤 사람들은 이러한 스타트업들을 "LLM 래퍼(wrapper)"라고 불렀지만, 그들은 요점을 놓치고 있습니다. 경제학의 O-링 모델은 상호 의존적인 작업으로 이루어진 프로세스에서 전체 결과물이나 생산성은 단순히 비용 측면뿐만 아니라 전체 시스템의 성공 측면에서도 가장 비효율적인 구성 요소에 의해 제한된다는 것을 보여줍니다. 비슷한 맥락에서, 우리는 이러한 새로운 산업별 특화 AI 도구들이 개별 산업이 LLM의 경제적 영향을 제대로 실현할 수 있도록 보장하며, 문맥(contextual), 데이터, 워크플로우 통합이 지속적으로 가치 있다는 것을 증명할 것으로 봅니다. 이러한 맥락의 예로는 의료 분야의 Abridge Nabla DeepScribe 등이 있으며, 한편 Studeo는 부동산 기업이 자산을 마케팅하는 방식을 재편하고 있습니다. 건축가들은 간단한 텍스트 프롬프트로 즉시 디자인을 렌더링하기 위해 Sketch Pro을 사용하고 있으며, 레스토랑은 Slang AI전화 예약을 사용하고 있고, 부동산 관리자들은 HostAI를 통해 고객 지원을 통합하고 있습니다. Harvey 법률 비서는 많은 Fortune 500 기업에서 사용되고 있으며, 2024년에는 매출이 4배 증가했습니다. AI는 온라인 상거래의 기본적인 방식까지도 변화시킬 것입니다. 우리는 오랫동안 인간을 위해 결제 과정을 최적화해왔지만, 이제는 AI 에이전트를 위해서도 동일한 작업을 수행하고 있습니다. 지난 11월에 출시된 저희의 Agent 를 시작으로 말입니다. 우리는 또한 Stripe Issuing을 통해 생성된 가상 카드로 에이전트가 쉽게 돈을 쓸 수 있도록 하고 있습니다. 이를 통해 사용자는 프로그래밍 방식으로 승인을 허가하거나 거부할 수 있어, 에이전트가 사용자가 원하는 것만 구매하도록 보장합니다. (그리고 네, 지출 통제 기능이 내장되어 있습니다: 아무도 T-1000이 가족 신용카드로 난동을 부리는 것을 원하지 않으니까요.) Stripe Annual Letter 2024

현재 미디어에서 간과되지만, 미래의 역사가들이 연구할 만한 주제는 무엇인가? Naval Ravikant는 다음과 같은 세 가지 주요 영역을 지적합니다. 1. 현대 의학 및 생물학의 현주소 (석기 시대 수준): 미디어 간과: 사람들은 현대 의학을 과도하게 신뢰하지만, 실제로는 매우 초기 단계에 머물러 있다. 근본 문제: - 최선의 치료법이 여전히 '절제(수술)'인 경우가 많다 (예: 담낭, 충수, 편도). 이는 인체가 매우 효율적이며 불필요한 기관은 없다는 사실을 간과한다. - 생물학 분야에 근본적인 설명 이론이 부족하다 (세균 이론, 진화론, 세포 이론, 유전학 외에는 대부분 경험적 규칙과 암기에 의존). A가 B에 영향을 미치고... 연쇄 반응은 알지만 근본 원리는 모른다. - 인명 피해 위험 때문에 충분한 실험이 이루어지지 않고, 규제 기관에 의해 많은 잠재적 치료법이 금지되어 혁신이 부족하다. 미래 전망: 미래 세대는 현재의 생물학/의학 수준을 보고 경악할 것이다. 브라이언 존슨(Bryan Johnson)처럼 더 극단적이고 실험적인 접근(N of 1 실험)이 필요하지만, 보충제 과다 복용 등 특정 방법론에는 동의하지 않는다 (자연 상태의 음식 섭취 강조). 핵심 인사이트: 생물학과 의학은 아직 근본적인 이해가 부족한 '암흑기'에 있으며, 혁신을 위한 더 과감한 실험과 접근 방식이 필요하다. 2. 드론 전쟁의 미래 (전장의 완전한 변화): 미디어 간과: 드론의 중요성이 여전히 과소평가되고 있다. 궁극적 형태: 미래 전쟁은 완전히 드론으로만 이루어질 것이다. 드론의 최종 형태는 단순 유도탄이 아닌 '자율적 총알(Autonomous Bullets)', 즉 스스로 목표를 설정하고 공격하는 형태가 될 것이다. 전장 변화: 자율적 총알 시대에는 항공모함, 탱크, 보병 등 기존의 군사력은 의미를 잃게 된다. 전쟁은 각자의 자율적 총알들이 싸우고, 승리한 쪽이 결정되면 끝나는 형태가 될 것이다. 핵심 인사이트: 드론 기술, 특히 자율성은 전쟁의 양상을 근본적으로 바꿀 것이며, 기존의 군사 체계는 무용지물이 될 것이다. 3. GLP-1 작용제 (획기적인 신약의 파급 효과): 미디어 간과: GLP-1 약물(비만/당뇨 치료제)의 잠재력이 과소평가되고 있으며, 주로 부작용이나 특정 집단의 반발에 초점이 맞춰지는 경향이 있다. 획기적인 약물: 항생제 이후 가장 획기적인 약물이며, 스타틴보다 더 중요할 수 있다. - 단순 체중 감량 이상의 효과: 중독 차단 (음식, 흡연, 심지어 헤로인/오피오이드까지), 다양한 암 위험 감소, 신진대사 개선을 통한 노화 역전 효과, 치매/알츠하이머/심혈관 질환 예방 등 엄청난 잠재적 이점. - 부작용은 이점에 비해 미미하다. (암 유발 주장은 사실과 다름, 근육/뼈 손실은 고단백 섭취와 운동으로 관리 가능) 사회적/경제적 영향: - 의료 비용 곡선을 크게 꺾을 잠재력 (비만 관련 질환 예방). - 높은 약값 문제: 미국 내 높은 가격과 해외의 저렴한 가격/접근성 사이의 격차가 큰 사회적 문제로 대두될 것이다. (버니 샌더스가 "GLP-1 무료화"를 공약으로 내걸어야 한다고 제안) - 사회적 저항: 비만을 도덕적 실패로 간주하거나, 자신의 '노력'으로 얻은 건강/체형의 가치(Status)가 희석되는 것을 우려하는 사람들의 반발이 존재한다. ("부작용 모른다", "암 유발한다" 등의 주장) - 신체 긍정성 운동(Body Positivity Movement)의 종말: 효과적인 체중 관리 약물의 등장은 이 운동의 기반을 약화시킬 것이다. 핵심 인사이트: GLP-1은 단순히 비만 치료제를 넘어 사회 전반의 건강, 의료비, 심지어 중독 문제까지 해결할 수 있는 잠재력을 가진 '기적의 약'이다. 높은 약값과 사회적 저항에도 불구하고, 그 광범위한 이점으로 인해 사회적 요구가 폭발적으로 증가할 것이며, 이를 해결하는 정치적 리더십이 중요해질 것이다. https://youtu.be/RLGLEaAhVJQ

수십 년 동안 기술 업계에서는 마크 저커버그나 빌 게이츠와 같은 대학 중퇴 창업자를 낭만적으로 묘사해 왔지만, 실제로는 대부분의 자금력을 갖춘 창업자들은 전통적으로 나이가 많았으며, 풍부한 네트워크와 업계 경험을 활용하여 엔터프라이즈 소프트웨어에 진출했습니다. AI가 이를 바꾸고 있습니다. AI는 경쟁의 장을 평준화하여 젊은 창업자들이 수십 년의 경험 없이도 기회를 파악하고 빠르게 구축하며 기업 고객을 확보하기가 더 쉬워졌습니다. 세 가지 주요 변화가 이러한 변화를 주도하고 있습니다. 1. AI는 워크플로우의 비효율성을 제거하여 창업자가 업계에 대한 깊은 지식 없이도 업무를 자동화할 수 있도록 지원합니다. 2. 경험보다 속도가 우선: AI 네이티브 제품은 빠른 반복을 선호합니다. AI 네이티브 제품은 '모범 사례'보다 빠른 반복을 선호합니다. 3. 엔터프라이즈 AI 도입으로 유통 장벽이 낮아져 기존 네트워크 없이도 고객을 확보하기가 그 어느 때보다 쉬워졌습니다. 결과는? 최근 졸업생과 중퇴자가 그 어느 때보다 더 많이 회사를 설립하고 있습니다.

로봇에게 특정 작업(예: 병뚜껑 잠그기, 주걱 사용)을 훈련시키는 것은 가능했으나, 일반화(Generalization), 즉 다양한 시나리오와 객체에서 해당 작업을 수행하게 하는 것이 주요 난제임을 인식. 연구 초점: 더 광범위한 데이터셋 구축 방법, 다양한 학습 접근법(강화학습, 모방학습, 비디오 예측 등), 지식 이전 방법론 개발에 집중. Physical Intelligence (PI): 즉, 어떤 로봇이든, 어떤 작업이든, 어디서든 제어할 수 있는 대규모 신경망 모델 개발. - 가능한 모든 데이터를 활용하는 것이 중요하다고 믿음. 이는 다양한 로봇 형태(Embodiments)(다른 관절 수, 팔 개수 등)의 데이터를 포함. 이기종 하드웨어 간에도 상당한 지식 이전이 가능하며, 이는 로봇 플랫폼 반복 개발 시 데이터 손실을 방지함. - "로봇 동작의 인터넷" 같은 것이 없기 때문에, **원격 조작(Teleoperation, "puppeteering")**을 통한 실세계 로봇 데이터 확장이 핵심("bread and butter"). 다른 데이터 소스도 탐색 중. 현재 R&D 초점: - 언어 상호작용: 사용자가 자연어 프롬프트와 상황적 수정(situated corrections) (예: "채식 샌드위치 만들어줘, 피클 빼고")으로 로봇과 상호작용 가능하게 함. - 일반화: 단일 환경을 넘어 다양한 환경, 객체, 작업을 처리하도록 함. 이를 위해 훨씬 더 다양한 데이터 수집(다양한 장소, 객체, 작업)이 최우선 과제(#1 priority). - 모델 아키텍처: 트랜스포머(Transformers) 사용 및 사전 훈련된 비전-언어 모델(Vision-Language Models, VLMs) 활용하여 인터넷의 방대한 지식 통합 (예: 로봇 훈련 데이터에 없던 테일러 스위프트 인식). 주요 병목: 충분히 다양한 로봇 데이터의 부족. 다양한 실제 장소에서 데이터를 수집하는 것이 매우 중요함. 기타 요인: 사람 비디오 활용, 웹 데이터 활용, 사전 훈련 모델 활용, 기본 추론 능력(예: 샌드위치 만들 때 알레르기 이해) 탐색. 메모리: 현재 정책(policy)은 메모리가 없음. 새로운 센서 추가보다 모델에 메모리를 추가하는 것이 더 높은 우선순위. 오픈소스 철학:PI는 모델 가중치, 기술 논문, 심지어 로봇 디자인까지 하드웨어 회사와 공유하는 등 상당히 개방적인 태도를 취함. - 분야가 초기 단계이므로 개방성이 커뮤니티 발전과 미래 모델 수용 준비에 도움. - 개방성과 학문적 기여를 중시하는 최고 수준의 연구 인재 유치. - 가장 큰 위험은 경쟁이 아니라, 일반적인 물리적 지능이라는 근본 문제가 해결되지 않는 것. 로보틱스는 본질적으로 어렵고 오류 허용 범위가 낮음. 휴머노이드는 흥미롭지만, 현재 단계에서는 잠재적으로 **과대평가(overrated)**됨. - 데이터 수집 반론: 휴머노이드 원격 조작은 실제로는 더 단순한 로봇보다 더 어려워서 데이터 수집 효율성을 저해함. PI는 데이터 수집의 용이성과 속도를 위해 더 저렴하고 단순한 로봇 사용을 우선시함. - 미래 예측: 단일 지배적 형태보다는, 특정 작업(예: 주방 가전)에 최적화된 **매우 다양한 로봇 플랫폼("캄브리아기 대폭발")**이 공존하는 미래를 예상함. 핵심 연구 전환점 - SayCan: 상위 수준 계획에 LLM 사용 + 하위 수준 정책 결합. - RT-2 (VLM 연구): 웹 규모 지식(VLM 경유)을 로봇 작업으로 이전 가능성 입증. - RT-X: 다양한 로봇 하드웨어 전반에 걸쳐 모델 훈련 성공, 데이터 통합의 이점 증명. - Aloha/Mobile Aloha: 원격 조작을 통해 복잡하고 정교한 조작 작업 훈련 가능성 시연. 계층적 상호작용 로봇 (H-Robot - 최근 PI 연구) - 개념: 장기적 작업(long-horizon tasks)과 자연어 상호작용을 다루는 시스템. - 계층 구조: 상위 모델이 프롬프트를 해석하고 중간 단계를 출력, 하위 모델이 해당 단계를 모터 명령으로 실행. - 상호작용: 사용자가 작업 실행 중 미묘한 지침과 수정 사항을 제공할 수 있음. - 시연: 프롬프트에 따라 다른 샌드위치 만들기, 장보기, 테이블 청소 등. 센서: - 현재: RGB 비전(기본 및 손목 장착 카메라)에 크게 의존하며 성공적으로 활용 중. - 요구: 피부와 같은 촉각 센서가 필요하지만, 현재 옵션은 내구성 부족, 고비용, 저해상도 등의 하드웨어적 한계가 있음. 손목 카메라가 일부 대체 정보 제공. - 미래: 다른 센서(오디오, 냄새, 열)는 중복성을 통해 견고성을 높일 수 있지만, 현재의 병목 현상은 아님. 메모리 추가가 더 중요함. 로보틱스 vs. 자율주행: 로보틱스는 상업적 생존을 위해 초기 전체 분포 해결 필요성이 낮을 수 있으나, 제어 복잡성은 더 높음. 자율주행의 통합 사례는 초기 시작이 너무 빨랐음을 시사할 수 있으며, 딥러닝 성숙도를 고려할 때 로보틱스의 현재 타이밍이 더 나을 수 있음. https://youtu.be/AzqsJk1f12k?si=CDNHUQ_5XwlxchWk

임상의, 백오피스 직원, 환자, 문제에 대한 관점을 가진 모든 사람들과 이야기를 나누며 이 공간을 파헤치기 시작했습니다... 우리가 계속 반복해서 들었던 문구는 "사전 승인"이었습니다. 사전 승인은 의사가 치료 전에 보험사에 확인하여 보험 적용 여부와 필요성을 확인하는 간단한 절차이지만 실제로는 보험사의 인센티브와 의료 제공자의 인센티브가 충돌하는 도가니입니다 환자는 그 사이에 끼어들게 됩니다. 임상 문서를 가져오고, 양식을 작성하고, 후속 조치를 취하고, 중환자 치료를 위해 환자를 신속하게 승인하는 등 임상의가 있는 곳에서 임상의를 지원하는 플랫폼을 구축하기 위해 노력해 왔습니다. 몇 시간이 걸리는 프로세스를 30초의 승인 흐름으로 전환합니다. 보험사가 새로운 양식을 출시하면 AI가 내용을 이해하고 임상 문서를 활용하여 양식을 작성하는 등 각 보험사 프로세스의 미묘한 차이를 기본적으로 처리하고 자동화할 수 있는 플랫폼을 구축했습니다 이미 전국적으로 약 1000개의 보험사를 지원하고 있습니다. 저희는 사무 프로세스를 자동화하면서 보험사가 치료를 거부하는 이유에 대한 인사이트를 구축합니다. 보험사의 답변을 몇 주씩 기다리지 않고 환자가 정보에 입각한 결정을 내릴 수 있도록 실시간 보험 적용 여부 결정을 위해 노력하고 있습니다 보험사 프로세스로 인해 환자 치료가 지연되어서는 안 됩니다. 미국 헬스케어 AI회사 $27m 투자유치 https://x.com/Pavel_Asparagus/status/1904554522313175256

10. RoboFab의 현재 역할 및 공급망 - 현재 RoboFab(Agility의 공장)은 주로 조립(Assembly)과 테스트(Test)에 집중한다. - 금속 가공(벤딩, 머시닝)과 같은 작업은 제3자 제작업체(third-party fabricators)를 이용한다. - 모든 하위 부품(subcomponents)이 공장으로 들어오면 Agility가 이를 조립한다. - Agility가 공급업체를 이용하므로, 반대로 Agility가 그 공급업체들에게 Digit을 판매하여 그들의 공정을 자동화할 수도 있다. (새로운 사업 기회 가능성) 11. 경쟁사를 어떻게 보나? 누가 성공하고 누가 실패할까? Agility의 성공/생존 요건은 무엇인가(자금 규모, 목표 - 수백만 대?)? 이것은 경주인가? - 이것은 경주(race)이며, Agility는 현재 앞서 있다(ahead). 그리고 계속 앞서 나갈 목표를 가지고 있다. - Agility는 전문성, 실제 환경에 대한 지식, 고객의 안전 기준 충족 능력 등을 보유하고 있다. - 지속적인 혁신을 추구할 것이다. - 협업 안전(Collaborative Safety) 달성 시 새로운 시장(궁극적으로 소비자 시장 포함)이 열릴 것이다. 이것이 Agility의 비전이자 계획이다. - Agility의 (비교적) 작은 팀은 그 규모 이상의 성과(punched above its weight)를 내왔다. - 실제로 작동하는 로봇을 보유하고 있으며, 고객들이 그 가치를 인정했다는 것은 매우 중요한 성과(milestone)이다. - 수익(Revenue)을 창출하기 시작했으며, 곧 발표될 수익 발생 계약들은 실제 비즈니스의 선순환(flywheel)을 시작할 것이다. 12. 어떤 회사들이 왜 실패할까? - 가장 큰 실수: 로봇의 물리적 측면, 즉 물리적 지능(physical intelligence)을 가장 중요하게(paramount) 생각하지 않는 것. - AI는 물리적 지능 위에 덧붙여져야(layered on top) 하는 것이지, AI만으로 로봇을 제어하려는 것은 현재 AI 단계에서는 너무 이르다. - Agility는 AI를 효과적인 보조 수단(aid)으로 사용하지만, 로봇 배포의 핵심 기반으로 의존하지는 않는다. - AI만이 답이라고 기대하는 경쟁사들은, 물리적 지능과 의미론적 지능(semantic intelligence)이 함께 해결되어야 한다는 점을 간과하여 위험에 처할 수 있다. 13. 실제 환경에서 1000대 이상의 로봇 데이터를 수집해야 진정한 AI 훈련이 가능하다는 의견에 동의하는가? - 복잡하다 (Yes and No). - 일부 유형의 훈련은 대규모 데이터 없이도 가능하다. - 하지만 더 복잡하고 흥미로운 AI/ML 작업은 로봇 군집(Fleet) 규모가 600~800대 이상이 될 때 가능해진다 (과거 회사 경험 기반). - (과거 회사 경험) 로봇 한 대당 하루 30GB의 데이터를 생성하는 매우 큰 데이터 레이크(Data Lake)를 활용하여 흥미로운 AI 작업을 수행했다. - Agility도 포괄적인 데이터 레이크/레이크하우스를 구축할 것이다. - Digit은 AMR보다 훨씬 더 많은 데이터(하루 3~5배)를 생성한다. - 결론적으로 '1000대'라는 숫자는 단정적이며, 필요한 데이터 양은 해결하려는 특정 문제와 데이터 사용 목적에 따라 다르다. Agility는 데이터 필요성에 대해 매우 실용적으로(pragmatic) 접근할 것이다.

Agility Robotics Leadership https://youtu.be/qjf28ZBnn3k 클라우드 자동화 플랫폼 Peggy Johnson (CEO): - 로봇 배치 증가에 따라 플릿 관리를 위한 엔터프라이즈 소프트웨어 필요성 대두. - 로봇 관리자가 된 전 작업자들에게 디지털 경력 경로 제공. (12:48) Melanie Wise (CPO): (13:27) - Agility Arc는 단순 플릿 관리를 넘어선 클라우드 자동화 플랫폼. - 목표: Digit뿐만 아니라 솔루션 중심의 전체 자동화 생태계 지휘(Orchestration). (13:49) - 기능: WMS, 컨베이어, 충전 도크, AMR 등 다양한 시스템 연결 및 통합 관리. 고객에게 완전한 패키지 솔루션 제공. - 구현 방식: 표준 커넥터 (Manhattan 등), 사용하기 쉬운 인터페이스 (PLC 컨트롤러 등), 시각적 프로그래밍 언어 (Blockly 기반), 스케줄링, 메트릭스, 성능 추적, Tier 1/2 지원, 문서화, 알림 등 단일 창(Single Pane of Glass) 제공. (15:40) - 고객 가치: 최종적으로 고객이 중시하는 처리량(Throughput), 신뢰성(Reliability), 가동 시간(Uptime) 보장. (16:09) Digit의 '두뇌': AI 및 학습 전략 Melanie Wise (CPO): AI/ML 수준: (17:06) - 물리적 지능 (Physical Intelligence): 제어 아키텍처, 로봇의 고유한 물리적 속성(다리 구조 등), 모델링 용이성. - 의미론적 지능 (Semantic Intelligence): LLM, LMM 등 활용. 자연어 작업 지시 변환 (가장 유망한 초기 사용 사례). (18:46) (예: "Put Wall에서 주문 가져와서 긴급도에 따라 행동해") - 집합적 지능 (Collective Intelligence): 클라우드 기반 시스템, 데이터 수집/활용 (Arc 플랫폼), 로봇 데이터 기반 미래 모델 훈련 (특화 LLM 등). (19:59) Nvidia 파트너십: (18:00) Digit 아키텍처의 물리적 특성 덕분에 Sim-to-Real 전환 용이. LLM 적용 과제: 범용 LLM을 공장/물류 시설 같은 고도로 특화된 환경에 맞게 조정 필요. 안전성: AI/학습 기반 접근 방식 도입 시 안전성 확보가 핵심 과제. (20:44) 단계적 적용 및 산업 안전 요구사항 준수 필요. 협업 안전 목표: 향후 2-3년 내 완전한 협업 안전(Collaborative Safety) 달성 목표. (21:05) 단기 목표 및 확장 계획 - 현재 로봇 수: 수십 대 -> 내년 수백 대 -> 내후년 수천 대 목표. - 차별점: 지금 당장 배치(Deploy) 가능 (AI에 제약받지 않음). - 데이터 활용: 3년간 축적된 고객 데이터(Data Lake)를 활용하여 Digit에게 새로운 기술 학습. - 산업 확장: 물류에서 얻은 학습을 운송(Transportation), 소매(Retail - 예: 대형 식료품 체인 야간 작업 지원) 등 다른 분야로 확장. - 엔드 이펙터 (손): 교체 가능한(Swappable) 손 설계. 특정 작업에 맞는 특수 그리퍼나 도구 장착 가능. 현재 작업에 반드시 5개 손가락이 필요한 것은 아니며, 복잡성 고려. 비즈니스 모델 및 자금 조달 자금: 약 2년 전 Series B 1억 5천만 달러 유치 완료. 현재 운영 자금(Runway) 확보. 향후 추가 자금 조달 계획 있음. (25:44) 수익 창출: 로봇 배치에 따른 수익 발생 시작. 곧 수익 계약 발표 예정. (26:05) 비즈니스 모델: (26:10) - CapEx + SaaS: 고객이 로봇 초기 구매 + 지속적인 SaaS 요금 (Arc 플랫폼 사용 등). (ROI 약 2년 미만) - RaaS (Robots as a Service): 월 단위 구독형. 고객 진입 장벽 낮춤 (소프트웨어, 유지보수 포함). 중소규모 고객 실험 용이. - 가격 정책: 공개 불가하나, 일반적으로 **인간 노동자 비용과 비슷한 수준(on par)**으로 책정하여 고객 ROI 충족 목표. (27:19) Q&A 1. AR을 사용하는게 ROI가 있나? GXO 사례 등에서 ROI 충족, 즉 '유용한 작업' 수행 중. 피크 타임 외 비수기에도 비용 효율성 있음 2. 다리 vs. 바퀴 AMR은 특정 문제에 좋지만, 복잡한 작업(특히 높은 곳/깊은 곳의 무거운 물체 조작) 시 안정성 한계 (Tippy). 공간 제약(좁은 통로) 고려 시 다리가 유리. Digit은 동적 안정성으로 깊은 선반 등 접근 용이. 안전 문제(넘어짐 등)는 해결 과제지만, 협업 안전 가능성 보고 Agility 합류 현재 많은 애플리케이션에서 Digit이 AMR의 가장 친한 친구(best friend) 역할 수행 (AMR이 운반 -> Digit이 상하차/적재) 3. 로봇 스펙 - 초기 4축 -> 현재 7축 팔(3-1-3 관절 구조). 특정 어깨 디자인 선호보다는 작업 공간(Manipulation Workspace) 확보 및 작업 수행 능력(좁은 공간 접근, 기계 조작 등) 극대화 4. 안전성 - 완전한 협업 안전(Full Collaborative Safety) 달성 시점으로 예상 (향후 2-3년). 현재는 동적 안정 로봇 표준 부재로 워크셀(Work Cell) 내 운영. 안전성 확보가 핵심. - 디자인은 비용 효율성 및 안전성 고려. 다리 끼임 등은 오용(Misuse)에 가깝지만, 위험 평가 기반으로 회피 가능성(Avoidability) 높이고 심각성(Severity) 낮추는 방식으로 설계 중 5. 손? - 5개 손가락 손 배제는 아님. 다양한 종류의 손/도구 부착 가능. 지난 60년간 산업 로봇 역사가 증명하듯, 대부분의 물류/제조 작업에 5개 손가락 불필요. - 오히려 자동차 조립 라인 등에서 인간이 사용하는 특수 공구(스크류 건, 리벳 건 등)를 로봇 팔 끝에 직접 장착하는 것이 더 효율적일 수 있음 (복잡한 5지 손 제어 불필요, 전원 공급 용이). 6. 액추에이터 - 싸이클로이드(Cycloidal) 및 하모닉 드라이브(Harmonic Drive) 기술 혼합 사용. 맞춤 설계(Custom Design). 일부 자체 생산, 일부 외주 생산. 투명성(Transparency) 높고 제어 용이한 싸이클로이드 기술 선호도 증가. - 궁극적으로는 고객 문제 해결 및 ROI 달성에 최적인 기술/가격을 선택할 것 - 추가하고 싶은 관절 1개?: Melanie: 허리 회전(Waist Rotation) 관절. (손의 작업 공간 확장 목적) - 제거해야 하는 관절 1개?: Melanie: 발목(Ankle) 또는 엉덩이(Hip) 관절. 팔 관절(7축)은 작업 수행에 필수적이라 제거 불가. (현재 시장인 평평한 바닥 환경 고려 시 가격 절감을 위해) 7. 비용 구조 - 액추에이터보다 센서 및 안전 시스템이 현재 가장 큰 비용 차지. 안전 인증 시간/비용, 시장 경쟁 부족 때문. 액추에이터는 장기적으로 원자재 비용(bare metal cost)으로 수렴 경향. - 대량 생산 시(수만 대 이상) 알루미늄, 강철 등 원자재 비용이 최종 한계. 8. 현재 가장 큰 병목은? - AI 훈련이나 제조 스케일업보다는 신속한 고객 현장 배치(Deployment). (49:36) 기존 대규모 자동화 시스템은 배치에 수개월 소요. Agility는 현재 1주~1.5주 소요, 장기 목표는 72시간 이내. 9. Digit이 궁극적으로 Digit 자체를 100% 생산하게 될 것인가? - 이미 Agility의 부품 수령 구역(receiving area)에서 Digit이 도움을 줄 계획이 있다. (즉, 초기 단계의 부분적인 자가 생산 기여는 계획 중) - 멜라니(Melanie)가 지적했듯이, 기계에 부품을 로딩/언로딩하는 작업은 현재 인간이 하거나 산업용 로봇으로 자동화되지만, 장기적으로 Digit이 이러한 역할을 수행하는 것이 목표이다. - 이 목표 달성의 핵심 요소는 **교체 가능한 엔드 이펙터(손)**이다.

기업용 소프트웨어·솔루션 분야에서 반복 창업가(Repeat Entrepreneurs)는 “황금 티켓(golden ticket)”처럼 평가됨. - 이미 다수의 Go-to-Market(시장 진출) 경험과 노하우를 축적 → 성공 패턴을 재현할 가능성이 큼. - 기술 환경이 크게 변할 때, 이를 기회로 삼아 신규 사업자가 기존 플레이어를 교란(disrupt)할 수 있음. ChatGPT vs. 경쟁 제품들(Grock, Deepseek, Gemini 등) App Store 순위 - ChatGPT: 꾸준히 1위 유지 - Deepseek/Grock: 잠시 상위권(Top2~Top5)에 올랐다가 하위권으로 떨어짐 (60~100위 밖) 승자독식(winner-take-most) - 과거 구글·페이스북 사례처럼, 초기 선점과 네트워크 효과가 매우 커 쉽게 뒤집히기 어려움 - 시장 점유율이 이미 큰 OpenAI(ChatGPT)를 넘어서는 것은 “10배 이상 낫거나 하는 극적 혁신이 필요” - Meta/Google 등 대형기업도 계속 추격 중이나, 당장 소비자 시장에서 ChatGPT를 압도하는 징후는 적음 2.2 현재 수요·인프라 부족 - OpenAI, 자체 인프라 외에 오라클·Coreweave와 텍사스에 대규모 데이터센터(Abilene/Denton) 건설 - 제품(기능) 출시 대기 중이나, GPU·컴퓨트 리소스(서빙 인프라)가 부족해 공급 제약 - Anthropic, 구글 Gemini, Grock 등도 공격적 확장, 그러나 ChatGPT의 사용량/인기와의 격차는 존재 “AI 비용 구조”와 기초 경제학 3.1 Contribution Margin(기여 이익) 문제 Contribution Margin: 매출(Revenue)에서 변동비(모델 서빙 비용, 트래픽 획득 비용 등)를 뺀 값. 예) Anthropic이 AWS를 통해 엔터프라이즈 API를 판매한다면, AWS에게 지급하는 비용(일종의 TAC, Traffic Acquisition Cost) + 모델 inference 비용이 큼 만약 이 변동비가 너무 높으면 사실상 “0 또는 음(陰)의 마진”일 수도 OpenAI는 직접 소비자 상대(중간채널 없이) → TAC 등의 비용이 상대적으로 적고, 단 유·무료 모델 서빙 비용은 큼 3.2 “음(陰)의 마진 AI” 가설(Girly Negative Gross Margin AI Theory) Bill Gurley(“Girly"로 언급)가 제시한 가설: AI 비즈니스들이 고착화한 선점 효과와 거대한 VC 투자금에 기대어, 실제로는 판매 단가 < 서비스 비용인 상태로 시장점유율을 위해 돈을 태우고(underpricing) 있을 가능성 과거 인터넷 시절과 비교 - 구글/페이스북은 소규모 투자금으로 시작해도 “고마진(near-zero marginal cost) 모델”을 구축 → 높은 이익률로 빠르게 자립 - 반면 AI는 고비용(서빙용 GPU, 클라우드비 등) + 가격 경쟁 → 손해를 감수하며 점유율을 쌓는 업체 많을 수 있음(“e-commerce 초창기 때처럼, 1달러 매출 위해 1달러 이상 쓰는 상황”) 3.3 대형 업체와의 비교 구글·메타·아마존·애플 등은 자체 대규모 수익원(검색광고, 소셜광고, 클라우드, iPhone 등)을 통해 자금 조달 가능 → 신기술/시장에 장기 투자 - OpenAI는 MS 파트너십, 엘론이 이끄는 Grock/X.ai, 또다른 거대 자본 지원받는 Anthropic 등은 “자금력 + 기술력” 동시에 보유 - 결과적으로 쉽게 “단기 승부”로 끝나지 않을 것이고, 장기전에 따른 많은 변동 가능성 https://youtu.be/ymEtsnDif5M

“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