Continuous Learning_Startup & Investment

1. 기본 물리 원리: 데이터센터에서 왜 열이 발생하는가? IT 장비의 전력 소비 = 열 발생 - 서버, 스위치, 스토리지 등 모든 IT 장비는 전력(W)을 사용 → 동일한 양만큼 열(kW, BTU 등)로 전환됨(에너지 보존법칙). - 예: 1kW 전력 소모 = 1kW 열 발생. 더욱 증가하는 칩 전력(TDP) - AI/고성능 컴퓨팅(HPC) 칩은 수백 W에서 앞으로 1000~1500W까지 증가 예상. - 서버 한 대, 랙 단위, 데이터홀 전체 등 여러 수준에서 열 부하가 폭증. 열을 제거하지 않으면? - 서버 온도가 상승 → 부품 수명 단축, 성능 저하(쓰로틀링), 심하면 물리적 손상. - 데이터센터 신뢰도에 치명적. - 따라서 ‘열제거(쿨링)’는 필수 인프라. 2. 열 관리의 목적: “최적의 온도 유지 vs 에너지/비용 최소화” 왜 냉각이 중요한가? - 데이터센터 총 소모전력 중 냉각이 차지하는 비중이 매우 큼(비IT 장비 전력의 60~80% 이상일 수 있음). - CSP(Cloud Service Provider)는 전력 비용을 크게 절감해야 수익 개선 가능. - 냉각 설비 자체의 CapEx(초기 투자비)와 OpEx(운영비)도 크므로, 효율적 시스템 설계가 핵심. PUE(Power Usage Effectiveness) - 전제: 데이터센터 전체 전력 ÷ IT 로드 전력 - 예: PUE=1.5 → IT부하 1W당 냉각 등 부수 장비로 0.5W 추가 소모. - 하이퍼스케일러(구글, 메타 등)는 1.1~1.15 수준까지 달성. WUE(Water Usage Effectiveness) - 수냉식(쿨링 타워 등)에서 물 소비량이 문제되는 경우 ‘리터/ kWh’로 표시. - 일부 지역(애리조나 등)에서는 물 부족이 심각하므로 중요 지표. 3. 데이터센터 냉각의 전통적 방식: 공냉(Air-Cooled) 공랭의 원리 - 서버 팬이 뜨거운 공기를 데이터홀로 배출 → CRAC/CRAH 등으로 공기를 냉각 → 밖으로 열을 방출. - 과거 사무실용 HVAC를 강화하여 적용하던 방식에서 발전. 데이터홀 구조 & 공기흐름 - 뜨거운 공기와 차가운 공기가 섞이지 않도록 ‘Hot Aisle/Cold Aisle’ 설계 & 컨테인먼트로 혼합 최소화. - 공기 순환(Delta T) 및 팬 전력 최적화: Fan 속도를 낮추면(예: -10%) 전력은 세제곱(약 -27%)으로 감소. CRAC/CRAH/Fan Wall - CRAC: 냉매 직접 순환(소형, 레거시), CRAH: 냉수(칠러수) 순환, Fan Wall: 대규모(500kW~수MW) 대응. - 데이터홀 내부나 옥외(건물 옆/지붕) 설치해 냉각수 또는 공기로 열 교환. 에어컨(Chiller) & 쿨링 타워 - 냉동 사이클(압축, 응축, 팽창)로 물을 차갑게 만들어 순환. - 물-공기 열교환(쿨링 타워) or 물-물 열교환(수냉식 칠러 + 냉각탑). - ‘물’ 사용을 많이 하면(Wet Cooling Tower) 냉각효율 좋지만, 물 부족·규제 문제가 발생. 4. 열 부하 증가와 한계: 고밀도 랙 및 새로운 요구사항 1. 점점 증가하는 랙 전력(10~20kW → 100kW 이상) - AI/딥러닝 훈련용 GPU·가속기의 급증. - 전통적 공냉만으로는 열을 충분히 제거하기 어려운 한계점 도달. 2. 데이터센터 운영 온도 상향 - ASHRAE 권장: 18~27℃ (최대 45℃까지 허용하는 등급도 존재). - 서버 공기 유입 온도를 높이면, 칠러 가동 감소로 에너지 절약. - 하이퍼스케일러는 30℃ 이상으로 설정하기도 함. 3. Inlet/Outlet Delta T, Fan Law - 들어가는 공기 온도와 나오는 공기 온도가 클수록(=열 교환 잘됨) 팬 전력이 줄어듦(선형 관계). - 팬 속도↓ → 소비전력은 세제곱으로 줄어듦. 5. 고밀도 대안: 액냉(Liquid Cooling)과 하이브리드 접근 Direct-to-Chip Liquid Cooling(DLC) - 칩 위에 냉각수 블록 장착해 열 직접 회수(예: Nvidia GB200 NVL72 등). - 서버 팬 전력 감소, 고발열(1kW~1.5kW/칩)도 대응 가능. - 기존엔 슈퍼컴 HPC 등에 제한적이었으나, AI 대중화로 빠른 확산 예상. Immersion(액침냉각) - 전체 서버를 불활성 액체에 담가 열을 제거. - 열 제거 효율 높으나, 유지보수·호환성·비용 이슈로 아직 제한적. RDHx(Rear-Door Heat Exchanger) - 랙 뒤에 냉각 코일 설치해 공기 배출 직후 열을 흡수. - 공냉과 액냉의 중간적 솔루션. - 30~50kW급 랙 냉각 가능, 일부 AI 인프라에서 활용(xAI 등). 6. 하이퍼스케일러 사례: 마이크로소프트, 메타, 구글, AWS 마이크로소프트 - ‘Ballard’ 레퍼런스 디자인(48MW), 공냉(직접 증발 냉각) + 외기 활용(Free Air Cooling). - 물 사용량은 지역별 기후(건조 vs 습윤)에 따라 달라짐. 애리조나→WUE>2.0 등. 메타(Meta)의 “H” 디자인 - 고온 인렛+낮은 전력밀도로 PUE=1.08, WUE=0.20 달성. - 건물 자체가 큰 3단 구조로 공기흐름 최적화. - 완공 시간 길어, 최근 AI 수요 급증에 맞춰 “H” 폐기→새 AI 설계로 교체. 구글 - 다양한 방식(물 많이 쓰는 에바포레이티브, 시워터 프리쿨링 등). - 대표적으로 ‘워터사이드 이코노마이저’(chiller loop + heat exchanger loop)로 외기 조건 좋을 시 냉동 사이클 off. - PUE=1.10, WUE>1.0 (물 사용 집중). AWS - 상대적으로 정보 비공개. - 유사하게 외기 냉각 + 증발 기법 조합으로 추정(루버+팬). 7. 미래 관점: AI 시대 데이터센터 냉각 재설계 AI 트레이닝(고발열) vs 추론(저발열?) - 일부는 “추론(Serving)은 저전력으로 공냉 가능” 주장, - 하지만 모델 크기·성능 요구↑ → 결론적으로 대규모 액냉 인프라 필요성 증대. Nvidia 및 주요 고객 로드맵 - Nvidia H100차세대 GPU 랙에서 100kW120kW 이상(직접 칩 액냉) 필수. - 전 세계적 AI 클러스터 수요 폭발 → 냉각인프라 공급망(쿨링 피팅, Quick Disconnect, CDU 등)도 병목 현상. “Bridge” 솔루션 증가 - 완벽한 액냉 전환까지 ‘RDHx+공냉’ 등 임시 하이브리드 방식이 확산. - 장기적으로는 Immersion 같은 ‘극단적’ 액냉도 가능성. https://semianalysis.com/2025/02/13/datacenter-anatomy-part-2-cooling-systems/

내가 틀렸다. 역시 젠슨황은 큰 뜻이 있었다. 1. The Power Constraint “블랙웰(Blackwell)은 호퍼(Hopper)보다 훨씬 훨씬 더 좋습니다. 게다가, 이것은 칩(칩 개수)이 동일한 상황이 아니라 동일 전력(iso power) 하에서의 비교입니다. 이것이야말로 궁극적인 무어의 법칙(Moore’s Law)입니다. 과거 무어의 법칙이 추구하던 것이 결국 이것이었는데, 이번 세대에 동일 전력 대비 25배 성능을 달성한 것이죠. 동일 칩 수도, 동일 트랜지스터 수도 아닌, 동일 ‘전력’이 결정적입니다. 데이터센터에 들어갈 수 있는 에너지(전력)에는 한계가 있잖아요.” 2. The Pareto Frontier "추론 프로세스에서, 특히 ‘Reasoning’ 모델의 경우, 서로 다른 단계(연구·사고 단계 vs. 토큰 생성 단계)가 요구하는 자원 특성이 다릅니다. 예컨대 “Deep Research”가 필요한 시점에는 ‘프리필(prefill)’이라 부르는 과정에서 모델의 FLOPS 연산이 집중적으로 쓰이고, 실제로 방대한 양의 웹사이트나 PDF 내용을 읽고 요약할 때 이 부분이 바쁩니다. 반면, 사용자와 계속 대화하는(토큰을 계속 생성하는) 상황에서는 대역폭(메모리/네트워킹) 중심의 리소스가 중시됩니다(‘디코드(decode)’ 단계)." "ASIC은 결국 특정 지점(특정 목적)에 최적화되어야 합니다. 그런데 GPU는 전체 스펙트럼에서 활동할 수 있습니다. 사고(프리필) 비중이 큰 작업에도, 토큰 생성(디코드) 비중이 큰 작업에도, 상황에 따라 유연하게 대처할 수 있습니다." -> “이 동적 운영(dynamic operation)은 정말 어렵습니다. 제가 방금 설명한 파이프라인 병렬, 텐서 병렬, 전문가 병렬(expert parallel), 인플라이트 배칭(in-flight batching), 분리형 추론(dis-aggregated inferencing), 워크로드 매니지먼트, KV 캐시 라우팅 등등의 모든 것을 관리하는 소프트웨어가 필요합니다. 그래서 오늘 엔비디아 다이너모(Nvidia Dynamo)를 발표하는 것입니다. 다이너모는 이 모든 것을 해결하는, 본질적으로 ‘AI 공장의 운영체제(OS)’ 역할을 합니다.” -> 이는 소프트웨어로 GPU의 활용도를 극대화하여 하드웨어 자체 이상의 성능을 끌어올리는 전형적인 엔비디아 전략입니다. 그래서 황은 다음 슬라이드에서 다이너모가 이른바 ‘파레토 프런티어(Pareto Frontier)’를 바깥으로 확장(push out)한다고 설명합니다. 즉, “같은 하드웨어라도 어떻게 병렬화·배치·메모리 관리를 하느냐에 따라, 토큰 처리량과 응답 속도 간의 트레이드오프에서 최적점을 더 높은 수준으로 끌어올릴 수 있다”는 논리입니다. 결국 황의 요점은 “이렇게 동적으로 할당하고 조정할 수 있는 GPU 솔루션이야말로, 이유를 불문하고 ASIC보다 훨씬 범용적이면서 효율적”이라는 것입니다. 그리고 그렇게 하려면, 네트워킹부터 소프트웨어까지 긴밀하게 통합된 생태계가 필요한데, 현재는 이를 ‘온전히’ 해낼 수 있는 곳이 엔비디아 말고는 없다는 것이죠. https://stratechery.com/2025/nvidia-gtc-and-asics-the-power-constraint-the-pareto-frontier/

“중국 정부는 헝다그룹 같은 곳을 부도낼 만큼 강력한 부동산 통제정책을 썼다”면서 “중국이 10년간 부동산을 억제하고 기술굴기하는 동안 한국은 정책과 자본 모두 부동산 담론에 갇혀 있었다” “중국의 내수 경기가 굉장히 안 좋은데 기술기업들의 실적은 좋게 나온다”면서 “출장에서 만난 중국 기업인들은 여기서 자신감을 얻고 미국에 뒤지지 않는 기술투자에 나서려고 한다” https://www.mk.co.kr/news/stock/11271376

Deal: The Unicorn Boom Is Over, and Startups Are Getting Desperate 한때 실리콘밸리는, 세상의 모든 관심이 인공지능(AI)만 쫓기 전에도 떠오르는 스타트업들로 들썩인 적이 있었다. 코로나 시기 테크 붐이 정점이었던 2021년 무렵, 10억 달러 이상 가치를 평가받은 이른바 ‘유니콘’ 스타트업은 1,000곳이 훌쩍 넘었다. 가령 가짜 고기를 만드는 임파서블 푸드, 집안 유지·보수 중개 플랫폼 섬택, 온라인 강의 플랫폼 마스터클래스 등이 그런 예다. 그러다 금리 상승, 신규 상장 시장 냉각, 그리고 AI가 아닌 스타트업들은 ‘지난 시절’이라는 인식이 겹치면서 타격을 받았다. 그렇게 오랫동안 예견되어 온 구조조정이 이제 가시화되고 있다. 2021년에만 354곳이 새로 유니콘에 등극했는데, 스탠퍼드 경영대학원 일랴 스트레불라에프 교수에 따르면 이 중 IPO에 성공한 기업은 6곳뿐이다. 또 4곳은 기업인수목적회사를 통해 상장했고, 10곳이 인수·합병되었으며 그중 몇 곳은 10억 달러 이하 가격으로 매각되었다. 그 외 보어리 파밍 같은 실내농업 업체나 AI 헬스케어 기업 포워드 헬스 등은 아예 문을 닫았다. 2022년에 38억 달러 가치로 평가받았던 화물 중개 스타트업 컨보이는 다음 해 붕괴해, 공급망 회사 플렉스포트가 헐값에 자산을 사들였다. 법률회사 펜윅 앤 웨스트의 파트너 샘 앵거스는 “어떤 스타트업들은 마치 ‘바닥이 갑자기 꺼졌다’고 느끼고 있다”면서, “펀딩 상황이 확 달라졌다”고 말했다. 지금은 ‘좀비 유니콘’ 시대다. 벤처캐피털 투자로 유니콘 반열에 오른 뒤 아직 상장도 인수도 안 된 회사가 총 1,200곳에 달한다고 스타트업 정보 업체 CB Insights는 밝힌다. 거액 투자를 받아온 스타트업들은 이제 필사적인 방법을 동원하기 시작했다. 특히 후기 단계 스타트업들은 규모 있는 운영 자금이 필요하지만, 과거처럼 10억 달러 이상의 밸류에이션에 기꺼이 투자할 투자자는 줄었다. 이에 따라 대규모 할인(Down round)이나 매각 외에는 완전히 파산 상태로 가는 걸 막을 길이 없는 경우도 있다. 스타트업 투자시장이 식기 시작한 건 2022년으로, 연준이 10여 년 만의 초저금리 기조를 거둬들이며 연이어 금리를 인상한 것이 큰 이유 중 하나다. 이로 인해 비용 절감과 업계 전반의 정리해고가 뒤따랐는데, 자료 업체 Statista에 따르면 그 정점은 2023년 1분기였다. 많은 회사들이 벤처캐피털에 의존하던 ‘고성장’ 노선을 접고, 단기적인 수익성에 집중하기 시작했다. 그러나 초창기부터 당장의 이익보다는 거액 자금을 유치해 공격적으로 확장하는 모델로 설계된 스타트업도 적지 않다. 기존처럼 투자 유치와 기업가치 상승을 무한정 반복할 수 없게 되자, 이 공식이 통하지 않는 경우가 늘었다. 파이낸셜 테크 회사 카르타가 수집한 데이터에 따르면, 2021년 유니콘 된 회사 중 30% 이하만이 지난 3년간 신규 자금을 유치했으며, 그중 절반 가까이는 ‘다운 라운드(기업가치가 과거보다 낮은 상태에서 자금조달)’를 했다. 예를 들어 유명인 영상 메시지 서비스를 제공하는 캐미오는 한때 기업가치가 10억 달러였으나, 작년에 약 90% 할인가로 자금을 조달했다고 익명을 요구한 소식통은 전했다. 또 핀테크 회사 램프는 최근 2년 새 2차례 상당한 투자 라운드를 진행했는데, 3년 전 80억 달러 대비 낮은 기업가치에서 거래를 마쳤다. 물론 다운 라운드를 통해 자금을 확보하고 다시 궤도에 오르는 스타트업도 있다. 예컨대 계약업자 소프트웨어 회사 서비스타이탄은 2022년에 불리한 조건으로 돈을 모았지만, 이후 2024년에 상장하면서 그 가치를 뛰어넘는 결과를 냈다. 현재 시가총액은 94억 달러로, 2021년 최고치였던 95억 달러와 비슷한 수준이다. 하지만 감원과 다운 라운드가 겹치면 악순환이 생길 위험도 크다. 일반적으로 스타트업은 앞으로 더 성장하리라는 ‘모멘텀’ 스토리를 투자자에게 파는데, 비용 절감과 단기 수익성에 집중하기로 선회하면 그러한 성장 서사를 유지하기 어려워진다. 또 직원 입장에서는 주식매수선택권이 보상책인 경우가 많은데, 회사 가치가 낮아지면 이직을 택하는 사례가 늘어난다. 스타트업들이 고르는 전략은 다양하다. 상대적으로 건전한 회사라면, 신규 자금 조달을 “이전 라운드의 연장선”으로 분류해, 기업가치가 오르지 않았다는 현실을 노골적으로 드러내지 않는 식이다. 이렇게 밸류에이션이 ‘플랫’하게 유지되는 것만으로도 요즘 환경에서는 성공처럼 여겨진다. 더 힘든 회사들은 그보다 더 안 좋은 조건으로 자금 조달을 해야 한다. 예를 들어, 이전 투자자가 추가로 투자하지 않으면 기존 지분을 상실하도록 하는 계약(‘Pay-to-play’) 같은 오너십 구조 변경이다. 이런 딜은 당연히 기존 투자자 입장에서 달갑지 않다. 결제 스타트업 볼트의 공동창업자 라이언 브레스로도 지난해 이 같은 라운드를 추진했으나, 대주주들의 반발로 무산된 바 있다. 문제는 이렇게 추가 자금을 투입해도, 실제 회사 전망이 밝지 않으면 악수가 될 수 있다. 디지털 약국 트루필은 페이 투 플레이를 통한 라운드 후 인수됐지만, 2021년 가치 대비 1/3 가격에 매각되었다고 피치북 데이터는 전한다. “이런 식으로 자금 조달에 나섰다는 건 거의 끝났다는 신호”라며, “그런 회사에 더 투자하는 건 의미가 없다”고 앵콜크 캐피털의 설립자 제프 클라비에는 말한다. 재무 여력이 넉넉한 사모펀드 등 투자회사들이 이들 ‘성장 정체’ 스타트업을 인수할 수도 있다. 그러나 “2021년 투자자들이 줬던 가치를 이제는 받지 못할 것”이라고 배터리벤처스의 제너럴 파트너 첼시 스토너는 말한다. 여전히 낙관론자들은 어떤 요인이 다시 테크에 대한 열광을 부추기거나, 리나 칸이 물러난 트럼프 정부가 M&A나 IPO 시장을 진작해줄 가능성을 기대할 수도 있다. 하지만 아처 벤처캐피털의 창립자 겸 대표인 그렉 마틴은, 많은 유니콘들이 유일하게(하지만 가능성 낮은) 바라는 건 “시장이 또 한 번 미쳐 날뛰는” 상황뿐이라고 말한다. “팬데믹 당시처럼 제로금리로 인한 비이성적 밸류에이션 환경이 돌아오지 않는 한,” 대부분의 좀비 유니콘들은 “결국 지하묘지(회생 불가 상태)로 갈 것”이라는 게 그의 전망이다. - Bloomberg, Macro Trader.

[ AI발 Innovation Window, 그리고 살아남을 기업 대한 단상] 새로운 기술의 등장은 기존 강자의 우위를 한순간에 무력화시킬 수 있다. 한때 전장의 승패는 숙련된 중장갑 기마병의 보유 여부로 갈렸지만, 석궁의 등장으로 기마병의 위상은 퇴색되었다. 모바일 시대가 처음 열렸을 때, 기존 PC 헤게모니에서는 신입 졸업생들로 구성된 작은 팀조차 기존의 강력한 기업과 싸워 승리할 수 있었다. 블록체인처럼 완전히 새로운 개념이 등장했을 때는 모두가 초보였기에 오히려 경력이 많은 사람들이 채용 과정에서 불리함을 겪기도 했다. 지금의 AI도 비슷한 상황이다. 얼마 전까지만 해도 AI 기술을 개발하려면 방대한 데이터와 막대한 비용, VC의 투자가 필수였다. 하지만 이제는 AWS처럼 사용한 만큼 비용을 내고 누구나 쉽게 고품질의 AI 서비스를 이용할 수 있는 시대가 열렸다. 수억 원과 오랜 시간이 필요했던 일을 단 2~3명의 개발자가 며칠 만에 완성할 수 있게 된 것이다. 이렇게 열린 혁신의 틈(Innovation Window)은 결코 오래 지속되지 않는다. 빈자리는 수많은 플레이어로 빠르게 채워지고, 결국 시장은 다시 새로운 선점자들에 의해 안정화될 것이다. 지금 우리가 마주한 바로 이 순간이 그 틈이 열려있는 때다. (데이터 분석에서 분석 대상의 시간 범위를 window size라고 표현하는 것처럼, 정신아 의장님이 언급한 'Innovation Window'는 우리가 살아가는 이 순간을 표현하는 데 정말 적절한 단어라고 생각한다.) [ 이 Innovation Window는 앞으로 어떻게 흘러갈까? ] 1. (당연한 소리겠지만)타임킬링(Time Killing)보다는 페인킬링(Pain Killing) 영역에서 성공 사례가 더 많이 나올 것이다. 타임킬링은 무료한 시간을 도파민으로 채우는 서비스들(넷플릭스, 웹툰, 커뮤니티 등)이며, 페인킬링은 문서 작업, 메일, 개발, 디자인, 리서치, 분석, CS, QA, 정산 등 '하기 싫은 일'을 쉽고 빠르게 처리할 수 있게 해주는 도구의 영역이다. 2. 단순한 래핑 수준의 서비스는 잠시 반짝하겠지만 결국 OS 레벨로 흡수될 것이다. 모바일 초기에 등장했던 손전등, 배터리 관리, 램 관리 서비스가 시간이 지나 OS로 흡수된 것처럼 말/이다. 물론 모든 래핑 서비스가 사라지는 것은 아니다. 3. 그럼 누가 살아남을까? 시장이 좁다고 느껴질 정도로 뾰족한 ICP를 설정하고, 그들의 삶에 최적화된 워크플로우를 제공하여 OS가 제공하는 대중성 제품과 확실히 차별화된 서비스를 제공하는 제품들이 살아남을 것이다. 작은 스타트업은 이러한 방식으로 움직이고, 이를 메타 전략으로 삼아 제품 라인을 확장해 나가는 것이 효과적일 것이다. 4. 오히려 지금 가장 머리가 아픈 곳은 네이버나 카카오 같은 대기업일 것이다. 크고 담대한 문제를 해결하기에는 OpenAI와 경쟁이 어렵고, 뾰족한 제품을 만들기엔 규모나 명분이 부족하여 이러지도 저러지도 못하는 상황일 것이다. 즉, 지금은 작은 조직과 작은 회사가 오히려 우위를 점할 수 있는 시대다. [ 제품적인 측면에서 이 Innovation Window에서 살아남는 기업은 어떤 모습일까? ] 최근 등장한 서비스와 YC 배치 제품들을 보며 오프라이트 2.0을 준비하면서 UX를 경험한 결과, 몇 가지 방향성이 명확해졌다. 1. Cursor 형태의, 오늘쪽 대화창을 기반으로 왼쪽에 표시된 오브젝트들에 대해 수정을 가하는 UX가 꽤나 빠르게 주요 폼팩터로 자리 잡고 있다. 한번 경험해보면 이전에 하나하나 수동으로 클릭하며 하던 행위들을 자연어로 한번에 조정할 수 있게 되는 경험을 하고 나면 되돌아 갈 수 없고 느끼게 된다. (적어도 초반에는 - 이런 UX는 한번 Short wave이라는 메일 서비스를 통해서도 느낄수 있다. 소개해주신 김효준 대표님께 감사를) 2. 하지만 ‘자연어’로 무언가를 시킨다는 행위로 인해 가장 달라지는것은 2가지다. 1) 즉발하는 것이 당연하던 UX에 LLM의 처리를 기다리는 ‘로딩’의 시간이 필요해지게 되었다. 이에 따라 AI가 진행 상황을 명확히 설명해주는 explanatory UX가 대부분 등장하게 되었고 2) 사용자가 입력한 프롬프트가 모호할 경우 명확하게 이 의도를 확인하는 UX가 중요해졌다. 이는 기존의 단일 버튼-단일 기능이라는 명확한 입력이 자연어라는 애매모호한 입력으로 대체되면서 생긴 변화다. 3. 자연어만으로 모든 작업을 원하는 수준으로 수행하는 것은 사실상 불가능하다. GUI의 버튼이나 단축키로 해결할 수 있던 작업을 자연어로 전환하는 과정에서 사용자는 불편함을 느낀다. 이를 해결하려면 "자율주행이 가능하지만 핸들이 달린 테슬라" 같은 접근이 필요하다. 즉, AI가 주도하되 사용자가 필요하면 직접 컨트롤할 수 있는 양손잡이 모드를 제공해야 한다. 이 미묘한 차이가 제품의 성패를 가를 것이다. 4. 기존 GUI 기반 제품이 AI Native로 변신하는 것과 AI Native 제품이 GUI를 추가하는 것 중 어느 것이 더 유리할지 정답은 없다. 결국 팀의 역량이 중요하며, 유저의 워크플로우에 대한 집착과 새로운 AI 서비스 문법을 받아들이는 유연성이 성패를 결정할 것이다. [글을 마치며] 얼마 전까지만 해도 유저 데이터를 기반으로 자체 AI 모델을 개발하여 Moat를 형성하는 것이 표준이었다. 그러나 초거대 자본으로 개발된 LLM의 등장은 AI를 공산품화했고, 오히려 UX의 중요성이 더욱 강조되는 시대를 열었다. 지금 우리는 모바일 이후 처음으로 찾아온 커다란 기회를 마주하고 있다. 이 시기를 통해 우리나라 프로덕트 리더들이 국내는 물론 글로벌 시장에서도 인정받는 멋진 서비스를 만들어내고, 오프라이트 또한 그런 기업으로 성장하길 희망한다. 홍남호님

처음보는 재미난 회사가 많군! https://insighter050.substack.com/p/ai-255

때때로 당신은 L을 복용해야 합니다. Satya는 Apple, Google, Linux에서 L을 탔다. 그리고 클라우드 및 모바일을 위해 Microsoft를 재배치했습니다. 심지어 MS 하드웨어에서 리눅스를 실행하기까지 한다. 패배를 받아들이고 자원을 재할당하는 것은 MS를 성장으로 되돌렸고, 이는 오늘날까지 계속되고 있다. 비즈니스에서 가장 어려운 결정은 빌드 대 구매가 아니라 지속 대 피벗입니다. 승자는 절대 포기하지 않고, 포기하는 자는 절대 이기지 못하기 때문에, 당신은 비합리적으로 고집합니까? 아니면 전술적 또는 전략적 패배를 인정하고 자원을 재할당하여 다른 날을 싸우기 위해 살고 있습니까? 상황적이기 때문에 쉬운 답은 없습니다. 정량적으로 하고 싶다면, 이것을 최적화 이론에서 다중 무장 산적 문제로 공식화할 수 있다. 매개 변수에 따라 악용(이미 있는 경로)을 계속하거나 탐색을 시작할 수 있습니다(그리고 다른 경로를 찾기 위해 종료). 둘 사이의 균형은 어떤 상황에서도 숫자에 달려 있습니다. Satya의 경우, 그는 (감소하는) Windows/Office 데스크톱 비즈니스를 악용하는 길을 가는 것을 멈추고, 심각한 클라우드 및 모바일로의 도약을 모색하기로 결정했습니다. Linux/Google/Apple이 견인력을 얻은 지 몇 년 후인 2014년에 CEO가 된 후, 그리고 아마도 그러한 움직임을 할 수 있었던 마지막 순간에 그는 해냈습니다. https://x.com/balajis/status/1901892795125903614?s=46&t=h5Byg6Wosg8MJb4pbPSDow

"예스라고 말할 수 있는 방법을 찾아보세요. 새로운 나라로의 초대, 새로운 친구와의 만남, 새로운 언어 배우기, 새로운 스포츠 배우기 등에 '예스'라고 말하세요. 예스는 첫 직장과 다음 직장을 얻는 방법이기도 합니다. 배우자, 심지어 자녀를 찾는 데도 '예스'가 필요합니다. 예스라고 말하는 것은 다소 모험적이고 안전지대를 벗어나더라도 새로운 일을 하고, 새로운 사람을 만나고, 자신의 삶은 물론 다른 사람의 삶에도 변화를 가져올 수 있다는 것을 의미합니다. 예스는 군중 속에서 눈에 띄고, 낙관주의자가 되고, 긍정적인 태도를 유지하고, 모두가 도움이나 조언을 구하거나 재미를 위해 찾아오는 사람이 될 수 있게 해줍니다. 예스는 우리 모두를 젊게 유지하는 힘입니다. 예스는 큰 일을 할 수 있는 작은 단어입니다. 자주 말하세요." Eric Schmidt

자율성의 5단계 (Five Levels of Autonomy) Level 1: Structured Manipulation 기존 산업용 로봇(자동차 공장 등). 고도로 구조화된 환경에서 반복 동작 수행. 환경이 로봇에 맞춰져 있어 변동성 취약. Level 2: Autonomous Navigation 자율주행차, 로봇 청소기, 드론 등. 이동(내비게이션)은 가능하지만, 정교한 조작은 거의 없음. Level 3: Foundational Robotics (일반목적 로보틱스) 이동 + 조작을 모두 수행, 즉 GPMM. 인간이 하는 물리적 노동(다양한 작업)을 단일 플랫폼에서 적응적으로 수행할 수 있음. **글은 “지금 우리가 레벨3 시대로 진입 중”**이라고 강조. Level 4: Modular Robotics 레벨3의 범용로봇이 더 발전하여, 하드웨어와 소프트웨어가 모듈 형태로 표준화·플러그앤플레이 가능. 즉, 로봇 팔, 다리, 센서, 소프트웨어 등을 필요한 대로 조립·교체해 기능 확장. Level 5: Autonomous Systems 단일 로봇이 아니라 공장·도시·서플라이체인 전체가 자율적으로 조직. 물적 자원이 완전 자동화되어 흐르는 미래. “문명 전반의 자율화” 단계. 왜 지금까지 실패했나 (Why It Never Worked) 여기서는 로봇 분야의 역사적 난관을 ①모바일 매니퓰레이션, ②하드웨어 한계, ③소프트웨어 병목, ④파편화된 산업구조, ⑤문화적 장벽으로 정리. 가장 큰 난관: GPMM(이동+조작) - 이동 중 균형, 비정형 물체 잡기, 예측 불가능한 변수 등, 고차원 복잡성이 폭발→ 기존 기술로 해결 불가능. - DARPA 로보틱스 챌린지에서 문 열기도 어려웠던 이유. 하드웨어의 유리 천장 - 센서(시각, 촉각, 힘, 관절 위치 등) 부정확·내구성 낮음. - 액추에이터: 전통적으로 무겁고 효율 떨어지거나(유압), 전기모터는 출력-무게-내구성 등에 한계가 있어 인간 수준 기민성을 못 냄. - 이들이 너무 비싸고 표준화 안 되어 대량생산 어렵고, 파편화된 공급망. 소프트웨어 병목 - 과거 로봇 SW는 ‘따로따로 붙인’ 작은 모델(시각, 네비게이션, 조작 등)을 룰 기반으로 합치는 식→ 통합 지능 어려움. - 데이터 부족: 인터넷에서 쉽게 모을 수 있는 텍스트와 달리, 로봇은 물리적 환경에서 데이터를 수집해야 하므로 비용↑. - 인프라 부재: ROS 등의 오픈소스는 학술 목적 한계. 대형 SI(시스템 통합)도 천편일률적. - 시뮬레이터, 툴링, 운영체제 레벨에서 품질 낮아 대규모 상용화 힘듦. 파편화된 산업 구조 - 제조사마다 HW·SW 인터페이스가 달라 호환성 부족. - 하드웨어 표준 부재로 매번 ‘처음부터’ 만들다 보니 규모의 경제 실패, 혁신 속도 느림. 문화적 장벽 - 시연·연구 중심(‘데모’ 문화)으로, 실제 사업화를 위한 제품·시장 전략 부족. - 하드웨어 위주 사고, AI 경시. - 인재 부족·폐쇄적 커뮤니티 등으로 대기업·투자자 참여가 원활치 않음. 지금 상황이 다른 이유 (What’s Different Now) 글은 하드웨어+소프트웨어+지정학적 요인+산업 기반이 동시 성숙되었음을 강조. 하드웨어 혁신 - 센서(고해상도 카메라·Depth·LiDAR·광학 촉각 등)가 인간 수준 인지 가능해짐. - 액추에이터: 소형·고효율 전기모터, 기어, 탄성구동(SEA) 등으로 인간처럼 유연·정확한 모션 달성. - 온보드 컴퓨팅: 엔비디아 Jetson 등 고성능 에지컴퓨팅 가능. 물리적 AI(Physical AI)의 성숙 - 대규모 멀티모달 모델: 시각·촉각·언어 통합, 파운데이션 모델·VLM(Vision-Language Model) 등으로 과거 단편적 모델의 한계 극복. - 학습 기법: 시뮬레이션 강화학습(RL), 메타 러닝, 행동 사슬(Chain-of-Affordances) 등으로 인간에 가까운 적응력 확보. - 시뮬레이션: 고정밀 가상환경에서 수백만 시간 학습 가능→ 짧은 시간에 데이터·경험 축적. 시장·산업 준비도 상승 - 기업·정부가 “로봇을 당장 실제로 써야 한다”는 절박감. 테슬라가 공장 노동 대체를 목표로 휴머노이드 개발→ 민간에서도 긴급히 뛰어듦. - 표준화·모듈화: 중국 등에서 서보·센서·모터 등 핵심 부품 표준화→ 대량생산 인프라 확충. - 소프트웨어 생태계도 ROS 한계 넘어 클라우드-엣지 통합, VPC(Virtual Private Cloud) 등으로 대규모 플릿 운영 가능. 지정학적 정세 - 탈세계화·리쇼어링→ 노동력 없는 선진국이 자동화로 제조 자립 시도. - 중국 인구절벽으로 본토 제조 경쟁력 유지 위해 대규모 로봇 투자. - 미국·중국 모두 군사·안보 차원에서 로보틱스가 필수라 막대한 자금 공급. 자본 유입 - 부유층·가문 등도 “노동력이 사라지면 내 산업 기반 붕괴”라는 위기감→ 로봇 분야에 대규모 장기 투자. - 정부 주도 프로젝트(미국 CHIPS Act, 중국 5개년 계획 등)로 뒷받침. 제품 측면 - 범용 하드웨어: 휴머노이드, 모바일 매니퓰레이터, 드론 등. 인간 환경 그대로 쓰도록 설계. - 표준화된 부품: 공용 서보·센서·액추에이터·통신 프로토콜 등으로 비용↓, 개발 속도↑. - 물리적 AI 모델: 파운데이션 모델(범용), 업무별 특화 모델(도어 열기, 용접, 조립 등), 오케스트레이션 모델(로봇들 간 협업). - AI 서비스(VPC 등): 학습/배포/운영/시뮬레이션 플랫폼. 로봇 관제, 재훈련, 인벤토리관리, 필드관리까지 클라우드에서 통합. 기존 업계 vs 신진 업체 - 전통 제조·자동화 업체(ABB, FANUC 등)는 구조화된 작업에 최적화→ 신세대 휴머노이드/적응형 로봇에선 뒤처짐. - 군사 영역: 미·중 주도 하에 무인 전투·정찰 로봇이 실제 전장 투입, 대규모 예산으로 R&D 가속. - 소비자 영역: 현재 로봇청소기 외엔 미미하지만, 곧 “가정용 휴머노이드/다목적 로봇” 수요가 폭발할 가능성. - 신생(Vertical Integration vs Specialists) 수직통합형(테슬라, Figure, 샤오미 등): HW~SW 전부 자체 개발→ 완전한 통제와 최적화 가능하지만 자본·조직역량 엄청나야. 전문분야형(부품·AI 모델·클라우드 인프라 전담): 특정 영역에 특화해 독립된 솔루션 제공. 자본 흐름 - 전통 재벌·금융기관이 “생존” 위해 거액 투자. - 국가·정부도 산업·안보 목적으로 보조금·인센티브. - 빅테크 역시 AI→로봇으로 확장 위해 공격적 M&A·투자. “진정한 로봇 산업”이 출범하면 인류 사회에 거대한 격변이 불가피하며, 이는 “단순한 기술 혁신”이 아니라 ‘인류 질서 재구축’에 가까운 파급력을 가질 것. https://www.edgeofautomation.com/p/the-physical-ai-revolution-part-ii

로봇팔/이동식 로봇이 공장 자동화를 이끌어왔다면, AI를 탑재한 새로운 형식의 로봇(휴머노이드, 로봇팔 + AI)가 제조업의 생산성을 몇배 좋게 만들 수 있다. 사람의 태스크를 어느정도 수행하는 로봇을 대량 생산할 수 있다면 한 가정당 하나의 로봇이 설치되는 미래도 그리 멀지 않을수도 있다. 과거 로봇팔/물류 로봇 - 산업용 로봇 (사람과 격리/크고 무거움) -> 협동 로봇(사람과 협업, 전세계 산업용 로봇 중 10%) & 이동 로봇(이동이 핵심) - 과거에는 정해진 동작만 반복하는 “고정적·구조화된 환경” 전용 로봇이 주류(주로 자동차 공장 등). -> 사람이 해야하는 작업 상당수 존재 - 로봇이 무언가를 인지/사고/계획하는 것을 각각의 소프트웨어, 모델로 다루던 것을 하나의 모델로 통일하면서 실시간으로 사람스럽게 행동하는게 가능해짐. - 배터리/정밀모터/센서 등 하드웨어도 빠르게 개선중 - 부분적으로 자동화하는 로봇에서 완전 자동화하는 공장들이 등장할 것 지금은 전 세계 산업·제조업이 ‘로봇+AI’라는 범용 기술을 통해 폭발적 생산성 향상이 가능해지는 전환점이다. 중국은 이미 이 방향으로 온 국가 역량을 집중하여 생산·공급망·R&D·AI 모두 선점 중이다. 미국과 서구의 위험 부품·소재·배터리·희토류 공급망이 중국 의존 제조 프로세스·인프라·인력 풀에서 중국 대비 뒤처짐 기술·정책의 연속성 확보가 불투명하며, 대규모 투자도 여전히 제한적 미국(및 서구권)은 제조업과 로보틱스 분야의 핵심 인프라, 소재·부품 생산 역량을 되살려야 한다. 안 그러면 “무제한 확장 가능한 자동화”라는 미래 노동경제의 패권을 중국이 독점할 가능성이 매우 높다. 한국도 One Team으로 이 변화속에 답을 만들어야한다. DJI vs GoPro DJI 중국 심천(선전) 지역의 제조 생태계와 밀접하게 연계하여 설계-시제품-생산 과정을 초고속 반복 대규모 투자와 정부 지원으로 원가를 낮추고, 제품 완성도를 높인 뒤 해외 시장에 진출 결국 세계 상업용 드론 시장 80% 이상, 미국 소비자 시장 90% 이상 점유 Go Pro의 드론 시장 진출 설계팀은 주로 미국, 제조는 아시아 국가에 분산되어 있어 ‘시제품 → 피드백 → 수정’에 수주~수개월 소요 DJI 대비 더디게 개선되면서 출시 시점에 성능·가격 모두 경쟁력 부족 제품 결함 발생 시 빨리 고치지 못해 시장에서 밀림 한국 - 제조 비중 높고 로봇 설치 비율은 1위 이지만 16년도 이후 전체 성장세는 정체 - 핵심 부품 중 상당수 중국/일본 의존해서 공급망 이슈가 있음. - 초저출산으로 자동화 수요 높음 일본 - 로봇팔 빅2 소유(화낙, 야스카와) 독일 - 제조 강국/로봇 밀도 높음 - 화낙 중국자본에 인수됨 - 정책대응이 느림 미국 - AI/소프트웨어/반도체에 막대한 투자 -> 제조/조립 분야는 중국에 의존 - 로봇 밀도 세계 10위. 노동 비용 대비 로봇 도입률도 낮음 - 정부가 바뀔때마다 주요 Initiative가 바뀜. -> 제조기업의 역량 축적 부족 중국의 제조업이 가진 경쟁력 1. 설계-생산-검증의 빠른 Iteration 2. 가장 싸고 좋은 공급망 (핵심 부품: 서보 모터/드라이브, 기어박스, 센서, 마이크로컨트롤러 등 /희토류/배터리): 주요 제품 국산화 율 2020 40% -> 2025 70% 3. 전세계에서 가장 로봇을 많이 설치한 제조/소비시장: 23년 기준 전체 로봇 설치 51% 중국 4. 로봇팔 Big 4 Kuka인수: - 중국의 수직계열화·기술축적을 더 가속. 5. 풍부한 자본 6. 정부의 빠르고 전폭적인 지원(인재/지원금/시장형성/일부 기업을 규모있게 키움): 휴머노이드 로봇 생산 가속화 -> 대규모 보조금 - 에스턴(Estun), 이포트(EFort), 시아순(Siasun) 등: 대규모 생산시설, 수직계열화(핵심 부품 자급)를 통해 빠른 반복과 저비용 달성 - 유니트리(Unitree) 등: 저가 4족 로봇, 이제는 휴머노이드 로봇까지 상용화(단가 $16K) https://semianalysis.com/2025/03/11/america-is-missing-the-new-labor-economy-robotics-part-1/

- 항상 주변사람들에게 친절할 것. 심지어 내 마음이 상했을지라도 그 사람에게 친절하게 대할 것. 운의 예금을 미리 들어놓을것. - 급하면 일을 그르치기 쉽다. 정말 중요한 것은 무엇인가? 중요한 문제에 에너지를 집중하고 타이밍과 시기를 잘 읽고 있는가? 그나마 실패하지 않을 확률을 높이기 위한 선택을 하는가? 시간의 Scale을 길게 보면 다양한 기회와 어려움이 있다. 장기적인 관점에서 내 결정은 어떤 결과를 만들 것인가? - 결정의 퀄리티를 높이기 위해서, 꾸준히 배우고 주기적으로 똑똑한 고객/시장/동료/지인/친구들로부터 객관적인 피드백을 받을것. - 좋아하는건가? 정말 잘하는 건가? 내가 가지고 있는 강점을 기반으로 이길수 있는 일을 하고 있는가? - 하나의 슈퍼파워일수도 있지만, 여러개의 장점을 동시에 가지는 것 자체가 강점일수도 있다. - 안다고 착각하지 말고 새로운 사람/책/AI/영상을 통해서 내가 알고 있는 범위를 넓히고 고정관념을 바꿀 준비를 할 것.

https://deepmind.google/discover/blog/gemini-robotics-brings-ai-into-the-physical-world/?fbclid=IwZXh0bgNhZW0CMTEAAR30aAgYmqClF-xnbnJJaTSyrq5fDKcrMnOgtUHAESgxV7fSAefiZpLHUQA_aem_Sg6fZhAuu2B8VjaYpBHwNw Gemini Robotics: Gemini 2.0을 기반으로 로봇 제어를 위해 특별히 설계된 AI 모델 제품군입니다. Vision-Language-Action (VLA) 모델: Gemini Robotics는 시각 정보, 언어 명령, 그리고 로봇의 행동을 종합적으로 이해하고 연결하여 로봇을 제어하는 generalist 모델입니다. Gemini Robotics-ER (Embodied Reasoning): Gemini의 멀티모달 추론 능력을 물리적 세계로 확장하여 공간 및 시간적 이해를 향상시킨 모델입니다. 객체 감지, 지점 예측, 궤적 예측, 파지 예측, 3D 이해 등의 기능을 제공합니다. 20개 짧은 조작 작업(예: 옷 접기, 측정컵 쌓기, 헤드폰 줄 감기 등)을 무파인튜닝 “out-of-the-box”로 테스트 - Gemini Robotics가 절반 이상(10개)에서 80% 이상의 성공률. - 옷, 철사, 종이 등 변형성 물체 다룸. 문서 폴더 여는 등 정교한 양손 협업도 수행. 이질적인 로봇(예: 쌍팔 프랑카(Franka) 로봇, Apptronik사의 휴머노이드 Apollo 등)에 적은 양(수십~수백 에피소드)으로 파인튜닝 후 적용 시에도, 변칙 환경에서 안정적 성능 발휘. - 기존 모델(예: ALOHA2 기반으로 학습된 대규모 파운데이션)이 “로봇별 기본 관절 구조, 엔드이펙터 차이”가 반영되지 않았을 수도 있음. 이를 위해, 예컨대 Franka 로봇(양팔)에서 수십~수백 에피소드만 수집: - 로봇의 기구학/동작 범위/그립 특성이 다르므로 새로 시연. - 이 데이터를 바탕으로 레이어 일부만(또는 전부) 미세조정 파인튜닝. 그러면 곧바로 Franka용 정책이 생성됨. - Gemini Robotics-ER처럼 3D 시각-언어-행동 통합 능력이 뛰어난 모델은, 기존에 축적된 물리 상식/조작 패턴을 응용해 다른 로봇에서도 적은 데이터로 빠르게 적응 가능. - 다른 로봇(휴머노이드, 산업용)에 짧은 재학습만으로 전이. 2D/3D 공간 추론 + 언어 이해 + 실제 로봇 제어가 단일 파이프라인에서 가능: LLM이 즉석에서 로봇 API를 호출하는 코드를 직접 생성’하는 방식 - “move_gripper_to(x, y, z)”처럼 미리 정의된 고수준 API를 LLM이 직접 호출하는 코드를 작성→실행→피드백→수정 과정을 반복함. - 이로써 별도의 로봇 전용 정책 네트워크 없이도, LLM이 단계별 계획과 로봇 동작을 한 번에 담당할 수 있게 됨. - 사용자는 “컵을 집어서 그릇에 담아”라고 지시하면, LLM이 해당 과정을 문자열(파이썬 코드)로 즉석 생성→실행→결과 확인 후 에러 수정까지 대화식으로 처리. - 이 접근은 “인-컨텍스트 학습(few-shot)”으로 간단한 예시 몇 개만 주어도 동작 시나리오를 새로 만들어나갈 수 있다는 점에서 매우 유연함. 소수 시연(few-shot)이나 전문화 파인튜닝으로 손쉽게 익스트림 난이도 과제(오리가미, 카드 게임 등)까지 해결. Future Works 낮은 주파수(“제어 주기” vs. “LLM 응답 지연”) 작업은 가능하나, 초정밀/고주파 동작은 다른 레벨의 제어기가 필요. LLM이 잘못된 코드를 생성하면 즉시 실행 시 위험(안전 이슈) 발생. 따라서 안전장치나 검증이 필수.

(1) 여러 기술은 “도입 초기에 기존 모델을 개선”하는 역할(Skeuomorphism) 예: 초기 인터넷(1990년대)은 잡지·카탈로그를 온라인화 → 단순 대체. 진짜 큰 폭발은 “네이티브” 기술/제품(소셜네트워크 등)이 등장했을 때. (2) 생성형 AI도 초기에는 사람 업무 대체(고객응대 등)에 국한될 것 이후에 아예 새로운 것(예: 이전에는 불가능했던 형태의 예술, 영화, 게임 등)이 태동할 때 큰 혁신. (3) 예술, 사진, 영화 비유 사진이 발명되자 “그림이 사라지나?” 했지만 → 오히려 영화라는 완전히 새 매체 탄생. 생성형 AI도 기존 예술을 대체하기보다, 전혀 다른 형태의 표현·창작을 가능케 할 것. (4) 이행에는 문화적·조직적 장벽이 크다 예: 책 낭독용으로 AI 음성 사용을 Audible/출판사가 금지한 사례. 할리우드, 노조, 저작권 등 진입장벽 많음. 로비, 규제 등으로 현장 도입이 늦어질 수도. DPIN(Decentralized Physical Infrastructure): 물리적 네트워크를 탈중앙화 인센티브로 구축. 예: Helium → 누구든 집에 무선노드를 설치해 통신망 형성 → 결과적으로 통신사(Verizon 등)보다 저렴한 서비스. 기존 통신망의 조기단계(“네트워크 효과”가 작을 때)를 빠르게 넘어가는 부트스트래핑 수단으로 크립토 토큰이 효과적. 다양한 영역(날씨 데이터, 지도, 자율주행, 에너지 등)에서 “분산형 인프라 구축 + 암호보상” 모델이 시도 AI에서의 네트워크 효과? 기존 소셜미디어는 강력한 네트워크 효과로 독점화. 생성형 AI는 그런 “데이터 네트워크 효과”가 있는지 불투명. 모델 학습이 한 달마다 갱신된다 해도 “사용자 데이터”가 결정적이지 않을 수 있음. 소비자용 AI 앱 (예: 얼굴 꾸미기, 필터 등)은 플랫폼(틱톡 등)에게 바로 복제될 위험 큼. Dixon은 “Tool로 유인한 뒤 Network로 확장” 하는 전략(“Come for the tool, stay for the network”)을 언급하지만, 쉽지 않다고 평가. Skeuomorphic(구형 대체): AI가 콜센터·문서 작업 등 기존 업무를 자동화. 20년 걸릴 수도. Native: 완전히 새 형태의 앱/매체 출현 (인터넷 소셜네트워크가 잡지/신문 이상의 “새로운” 것이었던 것처럼). 2차 파급 효과: 예: SNS가 정치·사회구조에 예측 못한 변화를 일으켰듯, AI도 장기적으로 엄청난 파급(“Traffic jam” 비유)이 있을 것. https://youtu.be/gioxu1CVjhM

히말라야 캐피탈의 '리 루' 회장이 『가난한 찰리의 연감』 중국어판 서문으로 쓴 「책 속에 황금의 집이 있다(书中自有黄金屋)」의 번역입니다. 한국어로 번역된 적이 없는 것 같습니다. 원문으로 접하고, GPT를 통해 번역하고, 윤문하여 공유합니다. 많은 분들께 도움 되시면 좋겠습니다. https://blog.naver.com/bizucafe/223792725665

내가 어떤 견해를 가지려 한다면, 나는 반드시 그 견해를 반박할 수 있는 세계에서 가장 똑똑하고 유능한 사람보다 더 철저하게 나 자신을 반박할 수 있어야한다. 그렇지 않다면, 나는 그 견해를 가질 자격이 없다. 성공은 결코 우연이 아니다. 타이밍도 중요하지만, 더 중요한 것은 사람의 내면적인 자질이다. 찰리는 평생 인간의 실수와 실패를 연구했으며, 인간 본성의 약점을 깊게 이해하고 있다. 그렇기 때문에 그는 스스로 철저한 기준을 적용하며, 자기 수양을 게을리 하지 않는다. 그는 항상 자기 자신을 단련하며 자신의 본성을 극복하는 것을 도덕적 의무로 여긴다. 찰리의 삶을 보면 그는 마치 금욕적인 수도승처럼 보일수도 있다. 하지만 그에게는 이러한 과정이 너무나도 자연스럽고 즐겁다. 그에게는 이것이 성공적이고 행복한 삶을 살아가는 가장 이성적인 방식이기 때문이다.

우주 기업에 서비스를 제공하는 우주 기업: - 발사 제공업체: SpaceX, 로켓 랩, 아스트라 등 - 공급망 제공업체: 항공우주 패스너, 태양광 패널, 전문 제조(예: Hadrien)와 같은 구성 요소. - 신흥 인프라: 위성 인프라의 성장에 따른 궤도 급유, 유지보수, 서비스 회사. 더 넓은 경제에 서비스를 제공하는 우주 기업: - 지구 관측: 금융, 에너지(메탄 누출), 방위 등의 산업에 서비스를 제공하는 Planet Labs, ISAI, Spire. - 위성 통신: Starlink(실시간 저지연), 더 높은 대역폭을 필요로 하는 기업(예: Netflix). Delian은 우주 기술을 주류 상업적 요구와 통합하여 우주 벤처의 경제적 지속 가능성을 향상시키는 기업의 중요성을 강조합니다. 우주 경제의 기회와 도전 과제 - 치열한 경쟁(약 100개 기업)으로 인해 발사 서비스가 과대 포장되었다고 생각합니다. - 위성 공급망과 틈새 통신/데이터 시장이 여전히 과소평가되고 있다고 주장합니다. 전문화 및 경제 통합의 증가로 지구 관측 및 위성 통신의 상당한 성장을 예측합니다. Varda가 필요한 이유 - 델리안은 진정한 우주 경제의 지속 가능성은 경제적 인센티브에 달려 있다고 믿으며, 이를 역사적 확장(예: 캘리포니아 골드러시)과 비교합니다. - 소행성 채굴, 달 정착지 건설 등 먼 미래의 아이디어에 비해 미세중력 제조(제약, 광섬유, 반도체)가 즉시 상업적으로 실현 가능하다고 봅니다. - 기존의 노력(ISS 의존적)이 비효율적이고 지나치게 관료적이어서 상업적 확장성을 해결하지 못했기 때문에 Varda를 시작했습니다. 지정학적 및 경제적 위험 - 특정 핵심 분야(예: 극초음속 활공체)에서 미국의 기술력 뒤처짐에 대한 우려. - 불충분한 경제적 수요로 인해 SpaceX의 스타십과 같은 야심찬 프로젝트가 위태로워질 수 있는 위험을 강조합니다. - 궤도 잔해 문제를 관리 가능한 것으로 보고 잔해 완화를 위한 탄소배출권과 유사한 규제 프레임워크를 옹호합니다. 예비 우주 기업가를 위한 조언 - Delian은 광범위한 시장 조사와 기존 비즈니스 모델에 대한 이해를 권장합니다. - 스타트업 경험과 함께 산업별 전문성을 강조하면서 기술적으로 깊이 있는 공동 창업자와 파트너 관계를 맺을 것을 제안합니다. - 정부 자금 지원 프로그램(AFWERX, SpaceWERX, DIU)을 긍정적으로 보지만 집중력을 잃거나 지나치게 의존하지 않도록 경고합니다. - 스타트업을 시작하기 전에 기존 우주 기업을 연구하고 실제 고객과 함께 비즈니스 모델을 검증하세요. - 항공우주 전문 지식을 갖춘 엔지니어와 함께 회사를 지원하거나 공동 창업함으로써 비기술 창업자가 우주 산업에 참여하도록 장려합니다 미래 전망 및 낙관론 - 빠른 기술 발전과 정부의 관심 증가로 인해 낙관적임(NASA, 우주군). - 우주와 관련된 경제 활동이 크게 성장하여 잠재적으로 아폴로 시대 수준의 GDP 투자에 근접할 것으로 예상. - 기술과 혁신을 통해 서구의 민주주의 가치를 적극적으로 지지합니다. https://youtu.be/TZI3s72LGHA?si=JSSsTAJBVZUsj5yB

클러스터가 발달한 조선소의 원가와 생산 속도를 클러스터가 없는 조선소는 따라갈 수 없다. 한국의 어떤 조선소가 1000명으로 20척의 배를 짓는다고 할 때, 사실 보이지 않는 외부 공급망의 역할도 크다. 외부 공급망에 2000명이 일한다고 하면, 사실 외국에 새로 조선소를 만든다면 적어도 3000명 이상의 인원이 있어야만 20척의 배를 지을 수 있는 것이다. 한국의 동남권 조선 클러스터는 전세계에서 가장 거대하고 밀집된 체계를 갖추고 있으며 개별 조선소만 뚝 떼내어 해외에 이식하는 것은 불가능하다. 한진중공업이 필리핀 수빅에 거대한 조선소를 건설했으나 결국 실패한 것도 한국에서 모든 자재를 운송하는 문제를 극복하지 못했기 때문이었다. 중국, 한국, 일본의 조선업 경쟁은 사실 각국의 지역별로 구축된 클러스터간 경쟁이다. 이들 클러스터들은 살아있는 생물과 같아서 하늘에서 떨어지지 않았다. 적어도 20년 이상의 시간 동안 산업정책, 직업교육, 기술이전, 물류 인프라 등이 결합되어 태어나고 자라며 성숙했다. 많은 기업들이 지리적으로 밀집되어야 하는 조선 클러스터를 쉽게 보는 사람들이 있다. 현대 컨테이너 물류 시스템으로 인해 글로벌 value chain이 막강해진 마당에, 시대착오적인 개념이라는 것이다. 하지만, 선박에 들어가는 철판과 기자재를 컨테이너에 담아서 보낼 수 없기 때문에 조선업은 글로벌 value chain과는 다르게 봐야 한다. 자동화 라인을 깐다고 배가 나오지 않으며, 수많은 작업자들이 일사분란하게 일을 하고 품질을 유지하며 공급망을 포함하여 전체적으로 손발이 맞아야 한다. 그래서 수많은 나라들이 조선업 육성을 위해 노력했지만, 극소수만이 성공한 것이다. https://www.facebook.com/jay.kwon7775/posts/pfbid02NPAjV1LFyWKbMGmYXsPn2Y2o83HhMtmjcE946mm7hYnoSqiju4hqwRGWeimkvNP1l