그로부터 33일 뒤인 2026년 3월 31일, 잭 도시는 Sequoia 이사 겸 대주주인 로엘로프 보타와 ‘From Hierarchy to Intelligence’라는 글을 block 홈페이지에 게시했습니다.

Subscribe now

From Hierarchy to Intelligence

Sequoia에서 우리는 속도가 스타트업 성공의 가장 강력한 예측 변수임을 목격해 왔다. 대부분의 기업은 AI를 생산성 향상 도구로 바라본다. AI가 우리의 협업 방식 자체를 바꿀 수 있다는 가능성에 주목하는 기업은 드물다. Block은 조직 설계를 근본적으로 재구상하는 것이 어떤 모습인지 보여주고 있으며, 궁극적으로 AI를 활용해 속도를 복리적 경쟁 우위로 전환하고 있다.

최초의 기업 조직도가 만들어지기 2천 년 전, 로마군은 모든 대규모 조직이 오늘날까지 직면하는 문제를 해결했다. 제한된 통신 수단만으로 광활한 지역에 흩어진 수천 명을 어떻게 조율할 것인가.

로마군의 답은 모든 단계에서 일관된 통솔 범위를 갖춘 중첩형 계층 구조였다. 가장 작은 단위는 콘투베르니움으로, 천막과 장비, 노새 한 마리를 공유하는 8명의 병사가 데카누스(분대장)의 지휘를 받았다. 10개 분대가 모여 켄투리온(백인대장) 휘하의 켄투리아(80인 중대)를 구성했다. 6개 중대가 코호르트(대대)를, 10개 대대가 약 5,000명 규모의 레기온(군단)을 이루었다. 각 계층마다 지명된 지휘관이 명확한 권한을 갖고, 아래로부터 정보를 집약하며, 위로부터 결정을 전달했다. 이 구조(8 → 80 → 480 → 5,000)는 단순한 인간적 한계를 기반으로 설계된 정보 전달 경로였다. 지휘관 한 명이 효과적으로 관리할 수 있는 인원은 3명에서 8명 사이라는 것이다. 로마인들은 수백 년의 전쟁을 통해 이를 발견했다. 오늘날에도 미 육군의 계층적 지휘 체계는 유사한 패턴을 따른다. 우리는 이것을 이제 “통솔 범위”라 부르며, 이는 지구상 모든 대규모 조직을 지배하는 제약 조건으로 남아 있다.

다음 큰 전환은 프로이센에서 왔다. 1806년 예나 전투에서 나폴레옹의 군대가 프로이센군을 궤멸시킨 이후, 샤른호르스트와 그나이제나우가 이끄는 개혁파는 불편한 진실을 중심으로 군대를 재건했다. 정상에 있는 개인의 천재성에 의존할 수 없다. 시스템이 필요하다. 이들은 참모본부를 창설했다. 전투가 아니라 작전 계획, 정보 처리, 부대 간 조율을 임무로 하는 전문 장교 계층이었다. 샤른호르스트는 이 참모 장교들이 “무능한 장군들을 보좌하여, 지휘관에게 부족할 수 있는 재능을 제공”하도록 의도했다. 이것은 그 용어가 존재하기 전의 중간 관리였다. 정보를 전달하고, 의사결정을 사전에 처리하며, 복잡한 조직 전체의 정렬을 유지하는 것을 목적으로 하는 전문가 집단이었다. 군대는 또한 라인과 스태프 기능의 구분을 공식화했다. 라인은 핵심 임무를 수행한다. 스태프는 전문적 지원을 제공한다. 오늘날에도 모든 기업이 이 어휘를 그대로 사용하고 있다.

군사 계층 구조는 1840년대와 1850년대에 미국 철도를 통해 기업의 세계로 진입했다. 미 육군은 웨스트포인트에서 훈련받은 공병 장교들을 민간 철도 회사에 파견했고, 이 장교들은 군사 조직 사고방식을 함께 가져왔다. 라인과 스태프 계층 구조, 사단 편제, 보고 및 통제의 관료적 체계 등 이 모든 것은 철도가 도입하기 전에 군대에서 먼저 개발된 것이었다. 1850년대 중반, 뉴욕 앤드 이리 철도의 다니엘 매컬럼은 500마일이 넘는 노선과 수천 명의 인력을 관리하기 위해 세계 최초의 조직도를 만들었다. 소규모 철도에서 통했던 비공식적 관리 방식은 더 이상 작동하지 않았다. 열차 충돌로 사람들이 죽어가고 있었다. 매컬럼의 조직도는 로마인이 사용했던 것과 동일한 계층적 논리를 공식화했다. 권한의 층위, 명확한 보고 라인, 구조화된 정보 흐름이었다. 이것이 현대 기업의 청사진이 되었다.

프레더릭 테일러(1856-1915)는 흔히 과학적 관리법의 아버지로 불리며, 이 계층 구조 안에서 일어나는 일을 최적화했다. Taylor는 업무를 전문화된 과업으로 분해하고, 훈련받은 전문가에게 배정하며, 직관이 아닌 측정을 통해 관리했다. 이로써 기능별 피라미드 조직이 탄생했다. 군대가 개척하고 철도가 상업화한 정보 전달 경로 위에서 효율성에 최적화된 구조였다.

기능별 계층 구조가 처음으로 본격적인 스트레스 테스트를 받은 것은 2차 세계대전이었다. 맨해튼 프로젝트는 물리학자, 화학자, 엔지니어, 야금학자, 군 장교가 극도의 보안과 시간 압박 속에서 하나의 목표를 향해 학문 분야의 경계를 넘어 협업해야 하는 과제였다. 로버트 오펜하이머는 로스앨러모스 연구소를 기능별 부서로 편성하되, 군 측이 본능적으로 추구하는 구획화에 저항하며 부서 간 개방적 협업을 고집했다. 1944년 implosion(외부 압력에 의해 물체가 급격하게 붕괴하는 현상) 문제가 급박해지자, 그는 연구소를 그 문제 중심으로 재편성하여 당시 미국 기업 어디에서도 볼 수 없었던 교차 기능 팀을 만들어냈다. 이 방식은 성공했다. 그러나 전시라는 예외 상황에서 한 명의 비범한 인물이 이끈 결과였다. 전후 기업 세계가 직면한 질문은 이런 부서 횡단 협업을 일상적으로 구현할 수 있는가 하는 것이었다.

2차 세계대전 이후 기업의 성장과 글로벌화가 진행되면서, 기능별 조직 설계의 규모 한계가 심각해졌다. 1959년, McKinsey의 길버트 클리와 알프레드 디시피오는 Harvard Business Review에 “Creating a World Enterprise”를 발표하여, 기능별 전문성과 사업부 조직을 결합하는 매트릭스 조직의 지적 틀을 제시했다. 마빈 바우어의 리더십 아래 McKinsey는 Shell, GE 같은 기업이 이 원칙을 도입하도록 지원했고, 중앙 표준과 현지 민첩성의 균형을 잡아 나갔다. 이것이 전후 글로벌 경제를 추진한 전문 혹은 현대적 기업의 원형이 되었다.

시간이 지나면서 매트릭스 구조의 복잡성, 경직성, 관료주의를 해결하기 위한 다른 프레임워크들이 등장했다. 1970년대 후반 톰 피터스와 로버트 워터먼이 개발한 McKinsey 7-S 프레임워크는 “하드 S”(전략(Strategy), 구조(Structure), 시스템(Systems))와 “소프트 S”(공유 가치(Shared Values), 기술(Skills), 인재(Staff), 스타일(Style))를 구분했다. 핵심 아이디어는 구조적 요소만으로는 충분하지 않다는 것이었다. 조직의 효과성을 위해서는 문화적 특성과 전략의 실행 여부를 결정짓는 인적 요인까지 정렬이 필요하다.

보다 최근 수십 년간, 테크 기업들은 조직 구조를 공격적으로 실험해 왔다. Spotify는 짧은 스프린트 사이클의 교차 기능 스쿼드를 대중화했다. Zappos는 홀라크라시를 시도하며 관리직 직함을 완전히 없앴다. Valve는 수평 구조를 채택하고 공식적 계층 구조 없이 운영했다.

Spotify의 스쿼드: Spotify가 2012년경 도입한 조직 운영 방식. 8명 내외의 교차 기능 소규모 팀(스쿼드)을 기본 단위로, 같은 기능을 공유하는 스쿼드끼리 챕터(Chapter)로, 관련 스쿼드끼리 트라이브(Tribe)로 묶는 구조.

홀라크라시: 관리자 직함과 전통적 위계를 없애고, ‘서클’과 ‘역할’ 단위로 권한을 분산하는 구조를 의미.

Valve: 미국 게임 회사 Steam 운영사로 직함 없이, 직원이 자율적으로 프로젝트를 선택·이동하는 수평 조직.

이 실험들은 각각 전통적 계층 구조의 한계에 대해 무언가를 드러냈지만, 근본적인 문제를 해결하지는 못했다. Spotify는 규모가 커지면서 전통적 관리 방식으로 회귀했다. Zappos는 상당한 인력 이탈을 겪었다. Valve의 모델은 수백 명을 넘어서는 확장이 어려웠다. 조직이 수천 명 규모로 성장하면, 계층적 조정으로 회귀한다. 그것을 대체할 만큼 강력한 대안적 정보 전달 경로가 존재하지 않았기 때문이다.

제약은 로마군이 직면했고 해병대가 2차 세계대전에서 재발견한 것과 동일하다. 통솔 범위를 좁히면 지휘 계층이 늘어나고, 계층이 늘어나면 정보 흐름이 느려진다. 2천 년간의 조직 혁신은 이 트레이드오프를 깨뜨리지 않으면서 우회하려는 시도였다.

그렇다면 지금은 무엇이 다른가?

Block에서 우리는 근본적인 전제에 의문을 던지고 있다. 조직은 인간을 조정 메커니즘으로 삼아 계층적으로 구성되어야 한다는 전제 말이다. 우리는 계층 구조가 수행하는 기능 자체를 대체하려 한다. 오늘날 AI를 활용하는 대부분의 기업은 모든 구성원에게 코파일럿을 제공하여 기존 구조를 약간 더 효율적으로 만들 뿐, 구조 자체를 바꾸지는 않는다. 우리가 추구하는 것은 다르다. 하나의 지능(or 미니 AGI)으로 구축된 회사다.

전통적 계층 구조를 넘어서려는 시도가 우리가 처음은 아니다. Haier의 런단허이 모델, 플랫폼 조직, 데이터 기반 경영 등은 같은 문제에 대한 진지한 시도들이었다. 이들에게 부족했던 것은, 계층 구조가 존재하는 이유인 조정 기능을 실제로 수행할 수 있는 기술이었다. AI가 바로 그 기술이다. 역사상 처음으로, 기업 전체의 지속적으로 갱신되는 모델을 유지하면서 그것을 활용해 업무를 조정할 수 있는 시스템이 등장했다. 이전에는 관리 계층을 통해 정보를 전달하는 인간에게 의존할 수밖에 없었던 방식의 조정이다.

런단허이는 중국의 가전제품 제조사인 Haier가 2005년부터 적용한 경영 모델임. 8만 명 규모 조직을 4,000개 이상의 마이크로엔터프라이즈(10~20명)로 분해하여 각각 독립 손익 관리, 자체 의사결정, 외부 채용까지 허용한 구조.

이것이 작동하려면 두 가지가 필요하다. 자사 운영에 대한 일종의 월드 모델과, 그 모델을 실질적으로 쓸모 있게 만들 만큼 풍부한 고객 신호다.

Block은 원격 근무 중심(remote-first) 회사다. 우리가 하는 모든 일은 기록을 남긴다. 의사결정, 논의, 코드, 디자인, 계획, 문제, 진행 상황 — 모두가 기록된 행위로 존재한다. 이것이 회사 월드 모델의 원재료다. 전통적인 회사에서 관리자의 역할은 팀 전반에서 무슨 일이 일어나고 있는지 파악하고, 그 맥락을 위아래로 전달하는 것이다. 업무가 이미 기계 판독 가능한 형태로 이루어지는 원격 근무 중심 회사에서는 AI가 그 그림을 지속적으로 구축하고 유지할 수 있다. 무엇이 만들어지고 있는지, 어디서 막혀 있는지, 자원이 어디에 배분되어 있는지, 무엇이 잘 되고 무엇이 안 되는지. 이것이 과거 계층 구조가 전달하던 정보다. 회사 월드 모델이 그 역할을 대신한다.

그러나 시스템의 역량은 그것을 공급하는 고객 신호의 품질에 달려 있다. 그리고 돈은 세상에서 가장 정직한 신호다.

사람들은 설문에서 거짓말을 한다. 광고를 무시한다. 장바구니를 버린다. 하지만 돈을 쓰고, 저축하고, 보내고, 빌리고, 갚을 때 — 그것이 진실이다. 모든 거래는 누군가의 삶에 대한 사실이다. Block은 매일 수백만 건의 이런 거래를 양면에서 본다. 구매자 쪽은 Cash App을 통해, 판매자 쪽은 Square를 통해, 여기에 가맹점 사업 운영 데이터까지 더해진다. 이것이 고객 월드 모델에 희소한 무언가를 부여한다. 정직한 신호로 구축되어 복리로 축적되는, 고객별·가맹점별 금융 현실 이해다. 신호가 풍부할수록 모델이 정교해진다. 모델이 정교할수록 거래가 늘어난다. 거래가 늘어날수록 신호가 풍부해진다.

회사 월드 모델과 고객 월드 모델은 함께 다른 종류의 회사를 위한 기반을 형성한다. 사전에 정해진 로드맵을 따르는 제품 팀 대신, 네 가지를 구축한다.

첫째, 역량(capabilities)이다. 원자적 금융 기본 요소들 — 결제, 대출, 카드 발급, 뱅킹, 선구매 후결제(buy-now-pay-later), 급여 지급 등이다. 이것들은 제품이 아니다. 확보하고 유지하기 어려운 조립 블록이다(일부는 네트워크 효과와 규제 인가를 수반한다). 자체 UI를 갖지 않는다. 신뢰성, 컴플라이언스, 성능 목표만 있을 뿐이다.

둘째, 월드 모델이다. 여기에는 두 가지 측면이 있다. 회사 월드 모델은 회사가 자기 자신의 운영, 성과, 우선순위를 이해하는 방식이며, 과거 관리 계층을 통해 흘러다니던 정보를 대체한다. 고객 월드 모델은 독점적 거래 데이터로 구축되는 고객별·가맹점별·시장별 표현이다. 현재는 원시 거래 데이터에서 출발하지만, 시간이 지나면서 완전한 인과 모델과 예측 모델로 진화한다.

셋째, 인텔리전스 레이어다. 이것이 역량을 조합하여 특정 고객에게 특정 순간에 맞는 솔루션을 만들어 선제적으로 전달하는 계층이다. 한 레스토랑의 현금 흐름이 모델이 이전에 관찰한 계절적 저점을 앞두고 빠듯해지고 있다. 인텔리전스 레이어가 대출 역량에서 단기 대출을 조합하고, 결제 역량을 활용해 상환 일정을 조정하고, 가맹점이 자금 조달을 생각하기도 전에 이를 제시한다. Cash App 사용자의 지출 패턴이 모델이 새 도시로의 이사와 연관 짓는 방식으로 변한다. 인텔리전스 레이어가 새로운 급여 직접 입금 설정, 새 동네에 맞는 부스트 카테고리를 적용한 Cash App Card, 업데이트된 소득에 맞춰 조정된 저축 목표를 조합한다. 어떤 제품 관리자도 이 두 솔루션 중 어느 것도 기획하지 않았다. 역량은 존재하고 있었다. 인텔리전스 레이어가 그 순간을 인식하고 조합한 것이다.

넷째, 인터페이스(하드웨어와 소프트웨어)다. Square, Cash App, Afterpay, TIDAL, bitkey, proto가 여기에 해당한다. 인텔리전스 레이어가 조합한 솔루션을 전달하는 표면이다. 중요하지만, 가치가 창출되는 곳은 이곳이 아니다. 가치는 모델과 인텔리전스에 있다.

인텔리전스 레이어가 솔루션을 조합하려 하는데 해당 역량이 존재하지 않아 실패할 때, 그 실패 신호가 곧 미래의 로드맵이다. 제품 관리자가 다음에 무엇을 만들지 가설을 세우는 전통적 로드맵은 어떤 회사에서든 궁극적 제약 요인이다. 이 모델에서는 고객 현실이 직접 백로그를 생성한다.

회사가 이것을 구축한다면, 사람은 무엇을 하는가라는 질문이 나타난다.

조직 구조는 여기서 도출되며, 전통적인 그림을 뒤집는다. 기존 회사에서 지능은 사람들에게 분산되어 있고 계층 구조가 그것을 라우팅한다. 이 모델에서 지능은 시스템 안에 있다. 사람은 엣지에 있다. 엣지가 행동이 일어나는 곳이다.

엣지는 지능이 현실과 접촉하는 곳이다. 사람은 모델이 아직 도달하지 못하는 곳으로 손을 뻗는다. 모델이 감지할 수 없는 것들 즉, 직관, 주관적 방향성, 문화적 맥락, 신뢰 관계의 역학, 회의실의 분위기을 감지한다. 모델이 스스로 내려서는 안 되는 판단, 특히 윤리적 결정, 전례 없는 상황, 틀렸을 때의 비용이 치명적인 고위험 순간에서의 판단을 내린다. 세계와 접촉할 수 없는 월드 모델은 그저 데이터베이스일 뿐이다. 그러나 엣지에는 조율을 위한 관리 계층이 필요하지 않다. 월드 모델이 엣지의 모든 사람에게 행동에 필요한 맥락을 제공하기 때문이다. 지휘 계통을 타고 정보가 오르내리기를 기다릴 필요가 없다.

실제로 이것은 세 가지 역할로 정규화된다는 뜻이다.

IC(Individual Contributor, 개인 기여자)는 역량, 모델, 인텔리전스 레이어, 인터페이스를 구축하고 운영한다. 시스템의 특정 계층에 대한 깊은 전문성을 가진 스페셜리스트다. 월드 모델이 과거 관리자가 제공하던 맥락을 제공하므로, IC는 지시를 기다리지 않고 자기 계층에 대한 의사결정을 내릴 수 있다.

DRI(Directly Responsible Individual, 직접 책임자)는 특정 부서 횡단 문제나 기회, 고객 성과를 소유한다. DRI는 특정 세그먼트의 가맹점 이탈 문제를 90일간 소유하면서, 월드 모델 팀, 대출 역량 팀, 인터페이스 팀에서 필요에 따라 자원을 끌어올 수 있는 전권을 가질 수 있다. DRI는 특정 문제에 계속 남아 있을 수도 있고, 새로운 문제를 해결하기 위해 다른 곳으로 이동할 수도 있다.

플레이어-코치는 구축과 사람 육성을 결합하는 역할이다. 정보 전달 경로가 주 업무였던 전통적 관리자를 대체한다. 플레이어-코치는 여전히 코드를 작성하거나, 모델을 구축하거나, 인터페이스를 설계한다. 동시에 주변 사람들의 성장에 투자한다. 상태 회의, 정렬 세션, 우선순위 협상으로 하루를 보내지 않는다. 정렬은 월드 모델이 처리한다. 전략과 우선순위는 DRI 구조가 처리한다. 플레이어-코치는 기술(craft)과 사람을 담당한다.

영구적인 중간 관리 계층은 필요하지 않다. 과거 계층 구조가 수행하던 나머지 모든 것은 시스템이 조율하며, 모든 사람이 권한을 부여받되, 그 역할은 업무와 고객에 훨씬 더 가까운 위치에 놓인다.

Block은 이 전환의 초기 단계에 있다. 어려운 전환이 될 것이며, 일부는 작동하기 전에 깨질 가능성이 높다. 지금 이 글을 쓰는 이유는, 결국 모든 회사가 우리와 같은 질문에 직면하게 될 것이라 믿기 때문이다. 당신의 회사가 이해하고 있는 것 중 진정으로 이해하기 어려운 것은 무엇이며, 그 이해는 매일 더 깊어지고 있는가?

답이 아무것도 아니라면, AI는 그저 비용 최적화 이야기에 불과하다. 인원을 줄이고, 몇 분기 마진을 개선하고, 결국 더 똑똑한 무언가에 흡수된다. 답이 깊다면, AI는 회사를 보강하는 것이 아니다. 회사가 실제로 무엇인지를 드러낸다.

Block의 답은 경제 그래프다. 수백만 가맹점과 소비자, 모든 거래의 양면, 실시간으로 포착되는 금융 행동. 이 이해는 시스템이 작동하는 매 순간 복리처럼 쌓여간다. 우리는 그 근저의 패턴, 위계가 아닌 하나의 지능으로 조직된 회사가 앞으로 수년에 걸쳐 모든 종류의 기업이 운영되는 방식을 바꿔놓을 만큼 의미 있다고 믿는다. Block은 이 아이디어가 단순한 이론이 아님을 보여줄 수 있을 만큼 충분히 나아갔다(물론, 우리 생각을 검증하고 다듬기 위한 논의와 피드백은 언제든 환영한다).

회사는 정보 흐름에 따라 빠르게 혹은 느리게 움직인다. 계층 구조와 중간 관리는 정보 흐름을 방해한다. 로마 콘투베르니움에서 오늘날의 글로벌 기업에 이르기까지 2천 년간, 우리에게 진정한 대안은 없었다. 천막을 함께 쓰는 8명의 병사에게 데카누스가 필요했다. 80명에게 켄투리온이 필요했다. 5,000명에게 레가투스(군단장)가 필요했다. 질문은 계층이 필요한지 여부가 아니었다. 그 계층이 하는 일에 인간만이 유일한 선택지인지 여부였다. 더 이상 그렇지 않다. Block은 그다음을 구축하고 있다.

Purpose: the heart of the builder

지난 몇 년간 디자인 업계에서는 사용자 중심 디자인이 뚜렷한 흐름으로 자리 잡았습니다. 어떤 방법론이든 그렇듯, 이 접근법도 일정 수준까지는 분명 유용합니다. 새로운 토스터를 설계할 때라면 사용자 중심 디자인이 제격이죠. 하지만 월드와이드웹(www) 같은 것을 설계할 때는 이야기가 달라집니다. 1989년에 사람들에게 삶을 더 낫게 만들려면 뭐가 필요하냐고 물었다면, 하이퍼텍스트로 연결된 분산형 정보 노드 네트워크라고 답한 사람은 거의 없었을 겁니다.

사용자 중심 디자인의 위험은, 디자이너에게서 세상에 대한 비전을 품어야 할 책임에서 벗어난다는 점입니다. 사용자한테 뭘 원하는지 물어보면 되는데, 굳이 비전이 왜 필요할까요? 하지만 이건 매우 협소한 사고방식입니다. 사용자는 세상을 있는 그대로 봅니다. 만드는 사람의 역할은 세상이 될 수 있는 모습을 창조하는 것입니다.

사용자가 빌더보다 덜 똑똑하다는 뜻이 아닙니다. 다만 사용자는 기술의 가능성을 과소평가하는 경향이 있고, 그래서 점진적인 개선만 제안하게 됩니다. 마크 저커버그를 제외하면, 2004년에 페이스북이 웹의 운영체제가 될 수 있다고 내다본 사람은 거의 없었습니다. 대부분의 사용자는 프로필 페이지를 꾸미는 법, 이벤트 초대장을 보내는 법, 고등학생도 가입할 수 있게 할 건지 같은 것에 관심이 있었을 뿐입니다.

사용자에게 도구 설계를 맡기지 말아야 할 이유가 또 있습니다. 가장 우아하게 빚어진 도구는, 도구의 목적과 만든 사람의 목적이 일치할 때 탄생합니다. 위대한 기술을 만드는 열쇠는 먼저 자기 자신의 목적을 찾는 것입니다. 그리고 그 목적은 사용자 설문 조사로는 절대 찾을 수 없습니다.

대신, 자기 자신의 모습이 비치는 곳에서 시간을 보내는 편이 낫습니다. 제가 아는 최고의 서퍼들은 다음 파도가 어디서 올지 본능적으로 압니다. 서퍼들은 서핑에도, 삶에도 자기만의 스타일이 있는데, 마치 바다의 결이 배어있습니다. 제가 존경하는 예술가들은 한동안 조용히, 또 조용히, 또 조용히 지내다가 어느 순간 아름다운 무언가를 내놓습니다. 마치 그 아름다움이 침묵과의 교감에서 비롯된 것처럼요. 제가 아는 훌륭한 프로그래머들은 늘 화면에서 벗어나 숲속을 산책합니다. 마치 자연에서 가장 어려운 프로그램 부분을 흡수한 뒤, 책상에 돌아와 그저 타이핑만 하는 것 같습니다.

자연스러운 기술은 만드는 사람의 심장에서, 선물과도 같은 곳에서, 자기 자신을 넘어선 직관과 목적에서 태어납니다. 자연 속에서 시간을 보내는 것이 우리를 그곳으로 데려다준다는 사실에는 묘한 아름다움이 있습니다.

Subscribe now

“우리 모두는 켈리 존슨에게 훈련받았고, 아름답게 생긴 비행기는 그만큼 아름답게 난다는 그의 신념을 광적으로 믿었다.” - 벤 리치, 『스컹크 웍스』

“아름다움이 첫 번째 시험이다. 추한 수학이 이 세상에 영원히 자리 잡을 곳은 없다.” - G. H. 하디, 『어느 수학자의 변명』

최근 MIT에서 가르치는 한 친구와 이야기를 나눴다. 그의 전공은 요즘 특히 인기가 많아서, 해마다 대학원에 지원하려는 학생들의 지원서가 쏟아진다고 한다. 그는 이렇게 말했다.

“똑똑해 보이는 학생은 많아요. 그런데 그들에게 ‘취향’이 있는지는 잘 모르겠어요.”

취향(Taste). 요즘은 이 단어를 자주 듣지 못한다. 하지만 뭐라고 부르든, 우리는 그 개념 자체는 여전히 필요로 한다. 내 친구가 말한 ‘취향’이란 단순히 기술이 뛰어난 학생이 아니라, 자신의 기술적 지식을 활용해 아름다운 것을 설계할 수 있는 사람을 뜻했다.

수학자들은 훌륭한 작업을 두고 “아름답다”고 말한다. 지금이나 과거나, 과학자, 엔지니어, 음악가, 건축가, 디자이너, 작가, 화가들 역시 같은 표현을 써왔다. 이들이 같은 단어를 사용한 것은 단순한 우연일까? 아니면 그들이 말한 ‘아름다움’에는 어떤 공통점이 있는 걸까? 만약 공통점이 있다면, 한 분야에서 발견한 아름다움의 기준을 다른 분야에도 적용해볼 수 있지 않을까?

무언가를 설계하는 우리에게 이것은 단순한 이론적 질문이 아니다. 만약 ‘아름다움’이라는 것이 실제로 존재한다면, 우리는 그것을 알아볼 수 있어야 한다. 좋은 것을 만들기 위해서는 좋은 취향이 필요하다. 아름다움을 막연하고 추상적인 개념으로 취급해 감정에 따라 장황하게 논하거나 아예 피해버릴 것이 아니라, 보다 실용적인 질문으로 접근해보자.

어떻게 하면 좋은 것을 만들 수 있을까?

요즘 ‘취향’ 이야기를 꺼내면 많은 사람들이 이렇게 말한다.

“취향은 주관적인 거잖아요.”

그렇게 느끼는 이유는 실제로 그렇게 느껴지기 때문이다. 사람들은 자신이 왜 어떤 것을 좋아하는지 잘 모른다. 그것이 아름다워서일 수도 있고, 어머니가 같은 것을 가지고 있었기 때문일 수도 있고, 잡지에서 영화배우가 쓰는 걸 봤기 때문일 수도 있고, 단지 비싸다는 걸 알기 때문일 수도 있다. 여러 충동과 인상이 뒤엉켜 있지만, 그것을 하나하나 따져보지는 않는다.

우리 대부분은 어린 시절부터 이런 뒤엉킨 감정을 굳이 분석하지 않도록 배워왔다. 예를 들어, 동생이 색칠공부 책에서 사람 얼굴을 초록색으로 칠했다고 놀리면, 어머니는 아마 이렇게 말할 것이다.

“너는 네 방식대로 하는 거고, 걔는 걔 방식대로 하는 거야.”

이때 어머니가 미학의 중요한 진리를 가르치려는 건 아니다. 단지 둘이 그만 싸우길 바라는 것이다.

하지만 어른들이 말해주는 이런 ‘반쯤 맞는 말’들은 종종 서로 모순된다. 취향은 개인적 선호의 문제일 뿐이라고 여러 해 동안 강조해 놓고는, 어느 날 미술관에 데려가서는 말한다.

“레오나르도는 위대한 예술가니까 잘 봐야 해.”

이 말을 들은 아이의 머릿속에는 무슨 생각이 스칠까?

‘위대한 예술가’라는 말은 무엇을 뜻한다고 받아들일까?

모두가 각자 자기 방식대로 하는 것뿐이라고 들어온 아이가, 곧바로 ‘위대한 예술가란 다른 사람들보다 더 뛰어난 작품을 만든 사람’이라는 결론에 도달할 가능성은 낮다. 오히려 그 아이의 세계관—일종의 프톨레마이오스적 우주관—안에서는, ‘위대한 예술가’란 누군가 책에서 그렇게 말했기 때문에 좋은 것, 마치 브로콜리처럼 몸에는 좋지만 이유는 잘 모르는 것이라고 생각할 가능성이 더 크다.

취향이 그저 개인적 선호에 불과하다고 말하는 것은 분쟁을 피하는 데에는 좋은 방법이다. 문제는, 그것이 사실은 아니라는 점이다. 무언가를 직접 설계해보기 시작하면 그 사실을 체감하게 된다.

사람들은 어떤 일을 하든 자연스럽게 더 잘하고 싶어 한다. 축구 선수는 경기에서 이기고 싶어 하고, CEO는 수익을 늘리고 싶어 한다. 자신의 일을 더 잘하게 되는 것은 자부심의 문제이자, 실제로 큰 즐거움이기도 하다. 그런데 만약 당신의 일이 무언가를 설계하는 것이고, ‘아름다움’이라는 것이 존재하지 않는다면 어떻게 될까? 그렇다면 더 잘할 방법도 없다. 취향이 단지 개인적 선호라면, 모두의 취향은 이미 완벽하다. 그냥 자기가 좋아하는 걸 좋아하면 그만이니까.

하지만 다른 직업과 마찬가지로, 계속 설계를 하다 보면 실력이 늘어난다. 그리고 취향도 변한다. 일을 더 잘하게 되는 사람이라면 누구나 그렇듯, 스스로도 자신이 나아지고 있다는 걸 안다. 그렇다면 예전의 취향은 단지 ‘달랐던 것’이 아니라, 실제로 ‘더 나빴던 것’이다. 이 순간, ‘취향에는 옳고 그름이 없다’는 공리는 사라진다.

요즘은 상대주의가 유행이라, 취향에 대해 깊이 생각하는 것을 방해할 수도 있다. 심지어 자신의 취향이 성장하고 있음에도 말이다. 하지만 최소한 스스로에게라도, 좋은 디자인과 나쁜 디자인이 존재한다는 사실을 인정한다면, 그때부터 좋은 디자인을 구체적으로 연구할 수 있다.

내 취향은 어떻게 달라졌는가?

내가 실수했다면, 그 원인은 무엇이었는가?

다른 사람들은 디자인에 대해 무엇을 배웠는가?

이 질문을 진지하게 들여다보기 시작하면 놀라운 점이 있다. 서로 다른 분야에서 말하는 ‘아름다움’의 개념에는 공통점이 꽤 많다는 것이다. 좋은 디자인의 원칙은 분야를 가리지 않고 반복해서 등장한다.

좋은 디자인은 단순하다.

이 말은 수학에서 회화에 이르기까지 다양한 분야에서 반복된다. 수학에서는 더 짧은 증명이 대체로 더 좋은 증명이라는 뜻이다. 특히 공리의 경우에는 적을수록 좋다. 프로그래밍에서도 거의 같은 의미로 쓰인다. 건축과 디자인에서는 아름다움이 피상적인 장식의 과잉이 아니라, 신중하게 선택된 몇 가지 구조적 요소에 기반해야 한다는 뜻이다. (장식 자체가 나쁜 것은 아니다. 다만 빈약한 형태를 가리기 위한 위장일 때 문제가 된다.)

회화에서도 마찬가지다. 몇 개의 대상을 세심하게 관찰하고 탄탄하게 묘사한 정물화는, 예컨대 레이스 칼라 같은 것을 화려하지만 무의미하게 반복해 그린 그림보다 더 흥미로울 가능성이 크다. 글쓰기에서도 의미는 같다. 하고 싶은 말을 정확히, 그리고 간결하게 하라.

단순함을 굳이 강조해야 한다는 건 이상하게 느껴질지도 모른다. 단순함이 기본이어야 할 것 같지 않은가. 화려함은 오히려 더 많은 수고를 요구한다. 그런데 사람들은 ‘창의적이 되려는 순간’ 묘한 상태에 빠진다. 초보 작가는 평소 말투와 전혀 다른 거창한 문체를 쓰기 시작한다. 예술적으로 보이고 싶은 디자이너는 쓸데없는 곡선과 장식을 더한다. 화가는 어느새 표현주의자가 되어 있다.

이 모든 것은 회피다. 긴 단어나 ‘표현적인’ 붓질 아래에는 사실 별다른 내용이 없을지도 모른다. 그리고 그것을 마주하는 일은 두렵다.

단순해질 수밖에 없는 상황에 놓이면, 우리는 진짜 문제와 맞닥뜨린다. 장식으로는 더 이상 숨을 수 없다. 그때는 결국, 본질로 승부해야 한다.

좋은 디자인은 시대를 초월한다

수학에서는 실수가 없는 한 모든 증명이 시대를 초월한다. 그렇다면 하디가 “추한 수학은 이 세상에 영원히 설 자리가 없다” (“there is no permanent place for ugly mathematics”) 고 말했을 때, 그는 무엇을 뜻했을까? 그가 말한 바는 켈리 존슨과 같다. 어떤 것이 추하다면, 그것은 최선의 해법일 수 없다는 뜻이다. 더 나은 해법이 어딘가에 있으며, 결국 누군가는 그것을 발견하게 된다는 의미다.

시대를 초월하는 것을 목표로 삼는 일은 스스로 최선의 답을 찾게 만드는 방법이기도 하다. 만약 누군가가 언젠가 당신을 뛰어넘을 수 있다고 상상된다면, 그 일을 남에게 맡기지 말고 스스로 해내야 한다는 뜻이다. 위대한 거장들 가운데는 이것을 너무도 잘 해낸 사람들이 있다. 그 결과, 뒤에 오는 이들이 설 자리를 거의 남기지 않았다.

뒤러 이후의 모든 판화가는 그의 그림자 속에서 살아야 했다.

또한 시대를 초월하려는 태도는 유행의 영향에서 벗어나는 방법이기도 하다. 유행은 정의상 시간에 따라 변한다. 만약 먼 미래에도 여전히 좋아 보일 무언가를 만들 수 있다면, 그것의 매력은 유행보다는 본질적인 가치에서 비롯된 것일 가능성이 크다.

흥미롭게도, 미래 세대에게 사랑받을 무언가를 만들고 싶다면, 한 가지 방법은 과거 세대에게도 사랑받을 만한 것을 만드는 것이다. 미래가 어떤 모습일지는 예측하기 어렵지만, 한 가지는 확실하다. 미래 역시 현재의 유행에는 별 관심이 없을 것이라는 점이다. 그러니 오늘날 사람들에게도 매력적이고, 동시에 1500년의 사람들에게도 매력적이었을 무언가를 만들 수 있다면, 2500년의 사람들에게도 통할 가능성이 크다.

좋은 디자인은 올바른 문제를 해결한다.

일반적인 가스레인지에는 네 개의 화구가 정사각형으로 배치되어 있고, 각각을 조절하는 다이얼이 있다. 그렇다면 다이얼은 어떻게 배치해야 할까? 가장 단순한 답은 일렬로 나열하는 것이다. 하지만 그것은 ‘잘못된 질문’에 대한 단순한 답이다. 다이얼은 사람이 사용하는 것이다. 일렬로 두면, 사용자는 매번 어떤 다이얼이 어떤 화구에 해당하는지 잠시 멈춰 생각해야 한다. 차라리 화구와 같은 형태로, 다이얼도 정사각형으로 배치하는 편이 낫다

많은 나쁜 디자인은 부지런하지만, 방향이 잘못되어 있다. 20세기 중반에는 산세리프체로 본문을 조판하는 것이 유행이었다. 이런 글꼴은 문자 형태의 기본 구조에 더 가깝다. 하지만 본문 텍스트에서 해결해야 할 문제는 그것이 아니다. 가독성에서 더 중요한 것은 글자들이 서로 쉽게 구분되는가 하는 점이다. 다소 빅토리아 시대풍으로 보일지라도, 타임스 로만의 소문자 g는 소문자 y와 쉽게 구별된다.

문제는 해법뿐 아니라 문제 자체도 개선될 수 있다. 소프트웨어에서는 풀기 어려운 문제를, 본질은 같지만 훨씬 다루기 쉬운 다른 문제로 바꿀 수 있는 경우가 많다. 물리학이 더 빠르게 발전한 것도, 자연 현상을 성경과 조화시키려는 데서 벗어나 관찰 가능한 현상을 예측하는 문제로 전환했기 때문이다.

좋은 디자인은 암시적이다

제인 오스틴의 소설에는 묘사가 거의 없다. 모든 것이 어떻게 생겼는지 알려주는 대신, 이야기를 하도 잘 들려줘서 독자가 저절로 장면을 떠올린다. 마찬가지로, 암시하는 그림은 대개 설명하는 그림보다 매력적이다. 모나리자를 보며 사람마다 자기만의 이야기를 만든다.

건축과 디자인에서 이 원칙은, 건물이나 사물이 사용자가 원하는 대로 쓸 수 있어야 한다는 뜻이다. 좋은 건물은 건축가가 짠 프로그램을 실행하듯 살게 만드는 게 아니라, 사람들이 원하는 삶의 배경이 되어 준다.

소프트웨어에서는, 레고처럼 사용자가 마음대로 조합할 수 있는 기본 요소 몇 가지를 주어야 한다는 뜻이다. 수학에서는, 많은 후속 연구의 토대가 되는 증명이 어렵기만 하고 미래의 발견으로 이어지지 않는 증명보다 낫다는 뜻이다. 과학 전반에서 인용 횟수는 가치를 가늠하는 대략적인 척도로 통한다.

좋은 디자인은 약간의 유머를 담고 있다

물론 항상 그런 것은 아닐지도 모른다. 하지만 뒤러의 판화, 사리넨의 웜 체어, 판테온, 그리고 초기형 포르쉐 911을 떠올려 보면, 어딘가 미묘하게 장난스러운 구석이 느껴진다. 괴델의 불완전성 정리조차 일종의 지적인 농담처럼 보인다.

아마 유머는 힘과 관련이 있기 때문일 것이다. 유머 감각이 있다는 것은 강하다는 뜻이다. 불운을 겪어도 웃어넘길 수 있는 것이 강함이고, 유머를 잃는 것은 상처를 입었다는 신호다. 그래서 강한 사람의 특징, 혹은 특권은 자신을 지나치게 심각하게 여기지 않는 데 있다. 자신감 있는 사람들은 제비처럼 가볍게, 과정 전체를 살짝 비트는 태도를 보이곤 한다. 히치콕의 영화나 브뤼헐의 그림, 셰익스피어의 작품이 그렇다.

좋은 디자인이 반드시 유머러스해야 하는 것은 아니다. 하지만 전혀 유머 감각이 느껴지지 않는 것을 과연 좋은 디자인이라 부를 수 있을지는 의문이다.

좋은 디자인은 어렵다

위대한 일을 한 사람들을 보면 공통점이 하나 있다. 엄청나게 열심히 했다는 것이다. 열심히 하지 않고 있다면, 아마 시간을 낭비하고 있는 것이다.

어려운 문제는 큰 노력을 요구한다. 수학에서 어려운 증명은 기발한 해법을 요구하고, 그런 해법은 흥미로운 경향이 있다. 공학에서도 마찬가지다.

산에 올라야 한다면 배낭에서 쓸데없는 짐부터 다 빼야 한다. 마찬가지로 까다로운 대지에, 그것도 적은 예산으로 건물을 지어야 하는 건축가는 군더더기 없는 우아한 설계를 할 수밖에 없다. 그 단계까지 가면, 유행이나 장식은 애초에 문제를 어떻게든 풀어야 한다는 더 큰 난관에 밀려 저절로 떨어져 나간다.

물론 모든 종류의 ‘어려움’이 좋은 것은 아니다. 좋은 고통과 나쁜 고통이 있다. 달리기를 하며 느끼는 고통은 좋지만, 못을 밟아서 생기는 고통은 그렇지 않다. 어려운 문제는 디자이너에게 도움이 될 수 있지만, 변덕스러운 고객이나 신뢰할 수 없는 재료는 도움이 되지 않는다.

예술에서는 전통적으로 인물화가 가장 높은 자리를 차지해 왔다. 여기에는 나름의 이유가 있다. 단지 얼굴 그림이 우리의 뇌를 더 강하게 자극하기 때문만은 아니다. 우리는 얼굴을 보는 데 매우 능숙하기 때문에, 그것을 그리는 사람에게 더 많은 노력을 요구한다. 나무를 그리면서 가지 각도를 5도 바꿔도 아무도 눈치채지 못할 수 있다. 하지만 사람의 눈 각도를 5도 바꾸면, 대부분은 바로 알아차린다.

바우하우스 디자이너들이 설리번의 “형태는 기능을 따른다”는 말을 받아들였을 때, 그 말은 단순한 구호가 아니었다. 기능이 충분히 까다로우면, 형태는 자연스럽게 그 기능을 따라갈 수밖에 없다는 뜻이었다. 실수할 여유가 없기 때문이다. 야생 동물이 아름다운 이유도 같다. 치열하게 살아남아야 하기 때문에, 군더더기가 없다.

좋은 디자인은 쉬워 보인다

위대한 운동선수가 경기를 쉽게 해내는 것처럼, 뛰어난 디자이너도 작업을 쉽게 해내는 것처럼 보인다. 하지만 대부분은 착각이다. 자연스럽고 대화하듯 읽히는 좋은 글도 사실은 여덟 번째 고쳐쓰기 끝에 나온 결과일 뿐이다.

과학이나 공학에서도 위대한 발견 중 너무 단순해 보여서 “나도 생각할 수 있었을 텐데”라는 말이 절로 나오는 것들이 있다. 그때 발견자는 이렇게 되묻고 싶을 것이다. “그렇다면 왜 하지 않았나요?”

레오나르도의 인물 스케치 중에는 몇 개의 선만으로 완성된 작품들이 있다. 보고 있으면, 선 여덟 개나 열 개만 제대로 그으면 이렇게 아름다운 초상이 나오는 것처럼 보인다. 사실 그렇다. 다만 그 선이 정확히 그 자리에 있어야 한다. 아주 조금만 어긋나도 전체가 무너진다.

선으로만 그리는 드로잉은 사실 가장 어려운 시각 매체다. 거의 완벽에 가까운 정확성을 요구하기 때문이다. 수학으로 치면 일종의 ‘닫힌 해(Closed-form solution)’와 같다. 덜 숙련된 화가들은 같은 문제를 여러 번의 시행착오를 거쳐 조금씩 맞춰 가며 해결한다. 아이들이 열 살쯤에 그림을 포기하는 이유 중 하나도 여기에 있다. 어른처럼 그리고 싶어지면서 얼굴을 선으로 그려 보려다 좌절을 맛보는 것이다.

대부분의 분야에서 ‘쉬워 보이는 경지’는 반복 연습을 통해 얻어진다. 아마 연습이란, 예전에는 의식적으로 처리하던 일을 무의식이 대신하도록 훈련하는 과정일 것이다. 어떤 경우에는 몸 자체를 훈련하기도 한다. 숙련된 피아니스트는 뇌가 손에 신호를 보내는 속도보다 더 빠르게 음을 연주할 수 있다. 화가도 마찬가지다. 어느 순간부터는 눈으로 들어온 시각 정보가 거의 자동으로 손으로 흘러나온다. 마치 리듬에 맞춰 무의식적으로 발을 두드리는 것처럼.

사람들이 “존에 들어갔다”고 말할 때, 아마 이런 상태를 뜻하는 것일지 모른다. 척수가 상황을 장악한 상태다. 척수는 덜 망설이고, 그 덕분에 의식은 더 어려운 문제에 집중할 수 있게 된다.

좋은 디자인은 대칭을 활용한다

어쩌면 대칭은 단순함을 얻는 여러 방법 중 하나일 뿐일지도 모른다. 하지만 그 자체로 따로 언급할 만큼 중요하다. 자연이 대칭을 자주 사용한다는 사실도 좋은 신호다.

대칭에는 두 가지가 있다. 반복과 재귀다. 재귀란 부분 안에 같은 구조가 다시 나타나는 것을 말한다. 나뭇잎의 잎맥처럼, 작은 요소 속에 전체와 닮은 패턴이 되풀이되는 경우다.

오늘날 일부 분야에서는 대칭이 유행이 아니다. 과거의 과도한 사용에 대한 반작용 때문이다. 건축에서는 빅토리아 시대에 의도적으로 비대칭 건물이 등장하기 시작했고, 1920년대에 이르러서는 모더니즘 건축이 비대칭을 하나의 원칙처럼 받아들였다. 그렇다고 해도 완전히 비대칭인 것은 아니었다. 큰 축에서는 비대칭일지 몰라도, 세부에는 수많은 작은 대칭이 숨어 있었다.

글쓰기에서도 대칭은 문장 속 어구 배열에서부터 소설의 구조에 이르기까지 여러 층위에서 나타난다. 음악과 미술도 마찬가지다. 모자이크 작품이나 세잔의 일부 그림은 동일한 요소를 반복해 화면 전체를 구성함으로써 시각적 힘을 얻는다. 구성상의 대칭은 특히 두 부분이 서로 긴장하거나 반응할 때 강한 인상을 남긴다. 미켈란젤로의 아담의 창조나 그랜트 우드의 아메리칸 고딕이 그렇다.

수학과 공학에서는 특히 재귀가 강력한 도구다. 귀납법을 활용한 증명은 놀라울 만큼 간결하다. 소프트웨어에서도 재귀로 해결할 수 있는 문제라면 대개 그 방식이 가장 깔끔하다. 에펠탑이 인상적으로 보이는 이유 중 하나도 재귀적 구조 때문이다. 탑 위에 또 하나의 탑이 얹힌 형태이기 때문이다.

물론 대칭, 특히 반복에는 위험도 있다. 생각을 대신하는 장치로 쓰일 수 있기 때문이다.

좋은 디자인은 자연을 닮는다

자연을 닮는 것이 본질적으로 선해서라기보다는, 자연이 그 문제를 아주 오랜 시간에 걸쳐 다듬어 왔기 때문이다. 그래서 우리의 해법이 자연의 해법과 비슷해 보인다면, 그것은 대개 좋은 신호다.

모방이 곧 부정행위는 아니다. 이야기가 삶을 닮아야 한다는 데 이의를 제기할 사람은 많지 않을 것이다. 회화에서도 실제를 관찰하며 작업하는 것은 중요한 방법이다. 다만 그 의미는 종종 오해되어 왔다. 단순히 눈앞의 대상을 기록하는 것이 목적이 아니다. 실제를 보고 그린다는 것은, 눈으로 대상을 바라보는 동안 손이 더 흥미로운 작업을 하도록 마음에 먹이를 주는 일이다.

자연을 모방하는 방식은 공학에서도 통한다. 배가 동물의 갈비뼈처럼 척추와 늑골 구조를 갖는 것은 오래된 일이다. 물론 기술이 충분하지 않았던 경우도 있다. 초기 항공기 설계자들이 새처럼 생긴 비행기를 만들려 한 것은 잘못이었다. 당시에는 재료도, 동력원도 충분히 가볍지 않았고, 제어 장치도 새처럼 나는 기계를 다룰 만큼 정교하지 않았다. 라이트 형제의 엔진은 무게가 152파운드에 불과했지만 출력은 12마력뿐이었다. 그러나 50년쯤 뒤에는 작은 무인 정찰기가 새처럼 나는 모습을 상상해볼 수 있다.

이제는 컴퓨터 성능이 충분히 확보되었기 때문에, 자연의 결과뿐 아니라 자연의 방식까지 모방할 수 있다. 유전 알고리즘은 전통적인 의미의 설계를 넘어, 인간이 직접 구상하기에는 너무 복잡한 것들을 만들어내게 해줄지도 모른다.

좋은 디자인은 다시 디자인하는 것이다.

처음부터 제대로 되는 일은 드물다. 숙련된 사람들은 초기에 만든 작업 중 일부는 버릴 것이라고 예상한다. 계획이 바뀔 것을 전제로 계획을 세운다.

작업을 버리려면 자신감이 필요하다. “이건 다시 만들 수 있어”라고 생각할 수 있어야 한다. 예를 들어 그림을 처음 배우는 사람들은 잘못된 부분을 고쳐 그리는 것을 꺼리는 경우가 많다. 여기까지 온 것도 운이 좋았다고 느끼기 때문에, 다시 손대면 더 나빠질까 봐 두려워한다. 그래서 그림이 그렇게 나쁘지 않다고 스스로를 설득한다. 어쩌면 원래 그렇게 그리려던 것이라고 합리화하기도 한다.

위험한 지점이다. 오히려 불만족을 키워야 한다. 레오나르도의 드로잉을 보면 한 줄을 제대로 그리기 위해 다섯 번, 여섯 번씩 시도한 흔적이 남아 있다. 포르쉐 911의 상징적인 후면 디자인도 어색한 초기 프로토타입을 다시 설계하는 과정에서 탄생했다. 프랭크 로이드 라이트가 구겐하임 미술관 초기 설계안을 그렸을 때, 오른쪽 절반은 지구라트 형태였다. 그것을 뒤집으면서 지금의 형태가 나왔다.

실수는 자연스럽다. 그것을 재앙처럼 대하기보다, 인정하기 쉽고 고치기 쉽게 만드는 편이 낫다. 레오나르도는 탐색을 더 자유롭게 하기 위해 스케치를 사실상 발명하다시피 했다. 오픈소스 소프트웨어가 버그가 적은 이유도, 버그의 존재 가능성을 전제로 하기 때문이다.

변화를 쉽게 만드는 매체를 사용하는 것도 도움이 된다. 15세기에 템페라 대신 유화가 쓰이기 시작하면서 화가들은 인체처럼 다루기 어려운 대상을 더 잘 그릴 수 있게 되었다. 유화는 템페라와 달리 색을 섞고 덧칠할 수 있었기 때문이다.

좋은 디자인은 모방 할 수 있다

모방을 대하는 태도는 성장 과정에서 크게 달라진다. 처음에는 자신도 모르게 남을 따라 한다. 그러다 어느 순간에는 독창적이어야 한다는 강박에 사로잡힌다. 하지만 더 성숙해지면, 독창성보다 중요한 것은 ‘옳은 답’이라는 사실을 깨닫게 된다.

무의식적인 모방은 거의 나쁜 디자인으로 이어진다. 자신의 아이디어가 어디에서 비롯됐는지 모른다면, 십중팔구 누군가를 따라 한 사람을 또 따라 하고 있는 셈이다. 19세기 중반에는 라파엘로의 영향이 워낙 강해서, 그림을 그리려는 사람 대부분이 여러 단계를 거쳐 그를 흉내 내고 있었다. 라파엘 전파(Pre-Raphaelites)가 문제 삼았던 것도 라파엘로의 작품 그 자체라기보다, 그렇게 반복된 모방의 관습이었다.

야심 있는 사람은 단순한 모방에 만족하지 않는다. 취향이 성장하는 두 번째 단계는 의식적으로 독창성을 추구하는 시기다.

그러나 가장 위대한 거장들은 그 단계를 넘어선다. 그들은 그저 가장 정확한 답을 찾고 싶어 한다. 만약 그 답의 일부가 이미 누군가에 의해 발견되었다면, 그것을 쓰지 않을 이유가 없다. 자신의 시각이 흔들릴까 두려워하지 않기 때문이다. 충분히 자신감이 있기 때문에, 누구에게서든 배우고, 필요하다면 기꺼이 가져온다.

좋은 디자인은 종종 낯설다

정말 뛰어난 작업들 가운데에는 묘하게 기이한 분위기를 풍기는 것들이 있다. 오일러의 공식, 브뤼헐의 ‘눈 속의 사냥꾼’, SR-71 정찰기, 그리고 Lisp 같은 것들이다. 그것들은 단지 아름다운 것이 아니라, 어딘가 이상하리만치 아름답다.

왜 그런지는 확신할 수 없다. 어쩌면 내 이해력이 부족해서일지도 모른다. 개에게는 깡통 따개가 기적처럼 보일 것이다. 만약 내가 충분히 똑똑하다면, e를 iπ만큼 거듭제곱하면 -1이 된다는 사실도 세상에서 가장 자연스러운 일처럼 느껴질지 모른다. 결국 그것은 필연적으로 참이니까.

지금까지 말한 여러 특성은 노력으로 기를 수 있는 것들이다. 하지만 ‘낯섦’을 일부러 기르려는 시도는 잘 통하지 않는 것 같다. 할 수 있는 최선은, 그것이 나타나려 할 때 억누르지 않는 것이다. 아인슈타인은 상대성 이론을 낯설게 만들려고 한 것이 아니다. 그는 그것을 참이 되게 하려 했고, 그 결과 진실이 낯설게 드러났을 뿐이다.

내가 한때 다녔던 미술학교에서는 학생들이 무엇보다도 개인적인 스타일을 갖고 싶어 했다. 하지만 그저 좋은 작업을 하려고 노력하다 보면, 결국 각자 고유한 방식으로 하게 된다. 사람마다 걷는 모습이 조금씩 다른 것처럼 말이다. 미켈란젤로는 미켈란젤로처럼 그리려고 애쓴 것이 아니다. 그는 단지 잘 그리려 했을 뿐이고, 그 결과 미켈란젤로처럼 그릴 수밖에 없었다.

가질 만한 스타일은 하나뿐이다. 어쩔 수 없이 드러나는 스타일이다. 낯섦도 마찬가지다. 거기에 이르는 지름길은 없다. 매너리스트와 낭만주의자들, 그리고 여러 세대의 미국 고등학생들이 찾아 헤맨 북서항로는 존재하지 않는 것 같다. 그곳에 가는 유일한 방법은, 먼저 좋은 것을 통과해 그 너머로 나아가는 것이다.

좋은 디자인은 덩어리째 나타난다

15세기 피렌체에는 브루넬레스키, 기베르티, 도나텔로, 마사초, 필리포 리피, 프라 안젤리코, 베로키오, 보티첼리, 레오나르도, 미켈란젤로가 있었다. 당시 밀라노는 피렌체만큼 큰 도시였다. 그런데 15세기 밀라노 출신 예술가를 몇 명이나 떠올릴 수 있을까?

15세기 피렌체에서는 무언가 특별한 일이 벌어지고 있었다. 그것이 유전 때문은 아니었을 것이다. 지금 그곳에서 같은 일이 벌어지고 있지는 않기 때문이다. 레오나르도와 미켈란젤로가 타고난 재능을 갖고 있었다면, 밀라노에도 그에 못지않은 재능을 지닌 사람들이 태어났을 것이다. 그렇다면 밀라노의 레오나르도는 어디로 갔을까?

오늘날 미국의 인구는 15세기 피렌체 인구의 대략 천 배쯤 된다. 이론대로라면 우리 주변에는 천 명의 레오나르도와 천 명의 미켈란젤로가 돌아다니고 있어야 한다. 만약 DNA가 전부라면, 우리는 매일 예술적 기적을 마주해야 한다. 하지만 그렇지 않다. 레오나르도를 만들기 위해서는 타고난 재능만으로는 부족하기 때문이다. 1450년의 피렌체가 함께 필요하다.

서로 비슷한 문제를 두고 씨름하는 재능 있는 사람들이 한데 모인 공동체만큼 강력한 것은 없다. 그에 비하면 유전적 조건은 크게 중요하지 않다. 밀라노 근처에서 태어났다는 사실은, 유전적으로 레오나르도였을지라도 이를 상쇄하기에 충분하지 않았다. 오늘날 사람들의 이동은 훨씬 자유로워졌지만, 여전히 위대한 작업은 몇몇 ‘핫스팟’에서 집중적으로 나온다. 바우하우스, 맨해튼 프로젝트, 뉴요커, 록히드의 스컹크 웍스, 제록스 PARC 같은 곳들이다.

어떤 시기든 주목받는 주제와 그것을 깊이 파고드는 소수의 집단이 존재한다. 이런 중심에서 너무 멀리 떨어져 있으면, 스스로 뛰어난 작업을 해내기란 거의 불가능하다. 어느 정도 흐름을 밀거나 당길 수는 있어도, 완전히 벗어나기는 어렵다.

어쩌면 가능할지도 모른다. 하지만 적어도 밀라노의 레오나르도에게는 불가능했다.

좋은 디자인은 종종 대담하다

역사 속 모든 시대에는 터무니없는 믿음이 있었고, 사람들은 그것을 너무도 굳게 믿어서 반대 의견을 내면 따돌림을 당하거나 심지어 폭력을 감수해야 했다.

우리 시대만 예외라면 오히려 이상할 것이다. 내가 보기에 그렇지 않다.

이 문제는 특정 시대에만 국한되지 않는다. 어느 분야에서든 어느 정도는 존재한다. 르네상스 미술도 당시에는 지나치게 세속적이라며 충격적으로 여겨졌다. 바사리에 따르면 보티첼리는 회개하고 그림을 그만두었고, 프라 바르톨로메오와 로렌초 디 크레디는 자신의 작품 일부를 불태웠다고 한다. 아인슈타인의 상대성 이론 역시 많은 동시대 물리학자들의 반감을 샀고, 완전히 받아들여지기까지 수십 년이 걸렸다. 프랑스에서는 1950년대에 이르러서야 널리 수용되었다.

오늘날의 ‘실험 오류’는 내일의 새로운 이론이 되기도 한다. 위대한 발견을 하고 싶다면, 기존 통념과 진실이 어긋나는 지점을 외면하지 말고 오히려 주목해야 한다.

실용적인 차원에서 보자면, 우리는 아름다움을 상상하는 것보다 추함을 알아보는 일이 더 쉽다. 아름다운 것을 만들어낸 사람들 대부분은, 무엇인가를 보고 “이건 더 나아질 수 있다”고 느낀 데서 출발했다. 위대한 작업은 대개 누군가가 “이건 내가 더 잘할 수 있을 것 같은데”라고 생각하는 순간 시작된다. 조토는 수세기 동안 아무 문제없이 받아들여지던 비잔틴식 성모상이 자신에게는 딱딱하고 부자연스럽게 보였다. 코페르니쿠스 역시 동시대 사람들이 아무렇지 않게 받아들이던 한 가지 임시방편에 큰 불만을 품었고, 더 나은 해법이 있을 것이라 믿었다.

하지만 추함을 견디지 못하는 성향만으로는 충분하지 않다. 무엇을 고쳐야 할지 정확히 알아보려면 그 분야를 깊이 이해해야 한다. 기본기를 갖춰야 한다는 뜻이다. 그러나 어느 정도 숙련되면, 마음속에서 작은 목소리가 들리기 시작한다. “이건 임시방편 아닌가? 더 나은 방법이 있을 텐데.” 그 목소리를 무시하지 말아야 한다. 오히려 키워야 한다.

위대한 작업의 공식은: 아주 엄격한 취향, 그리고 그 취향을 실제로 충족시킬 수 있는 능력이다.

Taste for Makers, 2002

제가 가장 좋아하는 산업 디자이너인 디터 람스의 강연을 번역했습니다.

본질에 집중하고 불필요한 것 걷어내는 것 — Less, but Better의 정수를 담은 강연이라 감히 자부합니다.

Subscribe now

디터 람스: 비트소를 통한 디자인

1976년 12월, 잭 레너 라슨의 뉴욕 쇼룸에서 진행된 강연.

디자이너로서 제가 추구하는 철학은 회사의 목표와 일치해야 합니다. 이 원칙은 브라운에서의 작업뿐 아니라 비트소에서의 작업에도 똑같이 적용됩니다. 저는 이 두 회사와 약 20년간 함께해 왔는데, 한 가지 강조하고 싶은 점은 오직 이 두 회사하고만 일해 왔다는 것입니다.

적어도 제가 생각하는 디자인이란, 회사 외부에 있는 사람이 해낼 수 있는 일이 아닙니다. 특히 비트소처럼 제품을 하나의 큰 시스템 안에서 설계하는 경우라면 더더욱 그렇다고 확신합니다.

1957년, 저는 하나의 수납 시스템을 개발하기 시작했고, 이것이 토대가 되어 1959년에 비트소라는 회사가 설립되었습니다. 그래서 제 디자인 철학은 이 회사의 뿌리 깊은 곳에 자리하고 있습니다.

—

오늘날 디자인은 큰 관심을 받고 있는 주제입니다. 경쟁이 갈수록 치열해지는 상황에서 디자인이야말로 구매자가 실질적으로 구별할 수 있는 유일한 차별점인 경우가 많으니, 당연한 일이기도 합니다.

저는 잘 고민한 디자인이 제품의 품질을 좌우한다고 확신합니다. 디자인이 부실한 제품은 잘 디자인된 제품보다 보기에 좋지 않을 뿐 아니라, 가치와 쓸모 면에서도 떨어집니다. 더 나쁜 경우에는 사용자의 삶에 거슬리는 존재가 되기도 합니다.

비트소에서의 작업을 통해 우리가 이끌어 온 발전과 변화는, 좋은 디자인의 전반적인 흐름에도 긍정적인 기여를 했다고 생각합니다.

좋은 디자인의 도입은 기업의 성공에 꼭 필요한 일입니다. 다만, 우리가 말하는 ‘성공’은 여러분이 생각하는 것과 다를 수 있습니다. 좋은 디자인을 추구하는 일은 사회적으로도 중요한 의미를 지니는데, 무엇보다 낭비를 철저히 줄이는 것이기 때문입니다.

그렇다면 좋은 디자인이란 무엇일까요? 제품 디자인이란 형태, 색상, 소재, 구조를 아우르는 제품의 총체적인 구성입니다. 제품은 본래의 목적에 맞게 효율적으로 기능해야 합니다.

좋은 디자인을 이루고자 하는 디자이너라면, 자신을 취향이나 미적 감각에 따라 제품에 마지막 순간 옷을 입히는 예술가로 여겨서는 안 됩니다.

디자이너는 ‘게슈탈트 엔지니어Gestaltingenieur’, 즉 창조적 엔지니어여야 합니다. 디자인을 구성하는 다양한 요소를 종합하여 하나의 완성된 제품으로 빚어내는 사람이어야 합니다. 디자이너의 작업은 대부분 이성적인 과정이며, 심미적 판단 역시 제품의 목적에 대한 깊은 이해를 바탕으로 이루어져야 합니다.

비트소에서 우리가 하는 일에 사람들이 관심을 갖는 이유는, 우리 제품이 실용적이기 때문이라고 확신합니다. 그리고 그에 따라오는 미적 가치 또한 사람들이 높이 평가하리라 기대합니다. 이러한 품질은 진보적이고 지적인 문제 해결의 결과물입니다.

기능성은 좋은 디자인의 중심에 있어야 합니다. 제품은 그 자체로 기능적이어야 할 뿐 아니라, 더 넓은 시스템인 ‘가정’의 일부로서도 잘 작동해야 합니다. 비트소의 606 유니버설 선반 시스템이 성공할 수 있었던 것은 뛰어난 기능성과 어떤 환경에도 적응할 수 있는 유연함 덕분입니다. 비트소의 가구는 자기를 드러내지 않습니다. 어떤 디자이너의 가구 옆에서든, 어느 시대의 집에서든 조용히 제 역할을 해냅니다.

우리는 이러한 제품을 만들기 위해 노력하는데, 그 대상은 단순한 소비자가 아니라 진정으로 쓸 수 있는 것을 의식적으로 선택하는 지적이고 책임감 있는 사용자입니다. 좋은 디자인은 다른 것들과 공존할 수 있어야 합니다.

사람을 이해하지 못하면 좋은 디자인도 이해할 수 없습니다. 디자인은 사람을 위해 만들어지는 것이니까요. 디자인은 인체공학적으로 올바라야 하며, 이는 곧 인간의 신체 능력, 체격, 감각, 그리고 인지 방식과 조화를 이루어야 한다는 뜻입니다.

비트소가 고객과 직접 소통해 온 덕분에 사람에 대한 깊은 이해를 쌓을 수 있었습니다. 오랜 세월에 걸쳐 선반이나 안락의자를 사람들이 어떻게 사용하는지에 대한 이해도 한층 깊어졌습니다. 전 세계에 걸쳐 열정적이고 성실한 우리 직원들은 고객이 처음에는 미처 생각하지 못했을 구성까지 제안하며 시스템을 설계하는 방법을 잘 알고 있습니다.

—

질서와 비례: 질서가 있어야 제품이 쓸모 있다

사용되는 모든 사물에는 명확한 질서가 있어야 합니다. 비트소 디자인에 깃든 놀라운 질서는 사용자에게 그 사물의 기능을 전달하기 위한 것입니다. 비트소 제품의 디자인은 그 목적과 사용법을 명쾌하게 보여 주며, 나아가 그것을 더 쉽게 만들어 줍니다.

요소들의 배열, 형태, 크기, 색상은 모두 철저하게 계획된 체계를 기반으로 합니다. 이 체계가 바로 비트소 디자인의 언어입니다.

하지만 이 질서는 그 자체가 목적이 아닙니다. 이념이라 부르기도 어렵습니다. 이것은 실용적인 필요에서 비롯된 것이기 때문입니다. 디자인이 모든 사람에게 이해되려면—좋은 디자인이라면 마땅히 그래야 하는데—가능한 한 단순해야 합니다.

비트소의 디자인은 모든 개별 요소를 하나의 비례 안에 담아냅니다. 비트소 컬렉션에서 자주 언급되는 특징은 바로 그 균형감, 조화로움, 그리고 서로 어울린다는 느낌입니다. 모든 구조, 부품, 마감은 잘 조율된 하나의 디자인으로 어우러져 사용성을 만들어 냅니다.

일상에서 마주치는 대부분의 제품은 관심을 끌려고 소리치거나, 거대한 크기 혹은 극히 작은 크기로 우리를 압도하려 합니다. 이런 사물들은 우리와의 관계를 자기 방식대로 강요합니다. 좋은 디자인은 균형 잡힌 비례를 갖춘 사물을 만들어 내기에, 제품과 오래도록 깊은 관계를 맺게 해줍니다. 비트소에서는 여기서 한 걸음 더 나아가, 사람과 균형 잡힌 비례를 이루는 사물을 만들고자 합니다.

—

좋은 디자인이란 내게 곧 최소한의 디자인을 의미한다

있어 보이게 하려고, 겉을 꾸미려고, 세련되게 보이려고 디자인을 활용하는 것은 디자인이 아닙니다. 그것은 포장에 불과합니다.

디자인의 본질적인 요소에 집중하고, 불필요한 것들을 모두 걷어내면 형태는 이렇게 변합니다. 조용하고, 편안하고, 이해하기 쉽고, 무엇보다 오래 갑니다.

비트소의 제품은 끊임없이 진화합니다. 우리는 제품을 설계 당시의 제조 기술에 가두지 않습니다. 비트소 제품의 언어 속에는 적응력이 내재되어 있습니다. 가정에서 사용자에게 맞춰지는 적응력, 그리고 디자인과 제조 과정에서의 적응력입니다.

우리는 제품에 더 새롭고 더 나은 기술적 해결책을 끊임없이 모색합니다. 기술과 생산 공정은 늘 발전하기 때문에, 혁신은 가능할 뿐만 아니라 좋은 디자인으로 계속 인정받기 위해 반드시 필요한 일이기도 합니다.

우리는 사람들이 그 어느 때보다 기꺼이 생활 방식을 바꾸려 한다는 것을 경험으로 알고 있습니다. 사람들은 가짜가 아닌 진정한 혁신을 받아들이며, 우리 제품과 함께 오래 굳어진 습관에서 벗어날 수 있습니다. 사람들은 그러한 혁신적인 해결책을 기대하며, 특히 비트소에 그것을 기대합니다.

—

우리를 둘러싼 환경은 빠르게 변하고 있습니다. 이러한 변화는 우리의 디자인 개념에 어떤 영향을 미칠까요? 장기적인 유효성을 주장하는 디자인이 현재의 상황에 반응하는 데 그쳐야 할까요, 아니면 미래를 내다보며 앞서 나가야 할까요?

비례가 잘 잡힌 공간에서 우리는 더 편안함을 느끼고, 생각하는 방식도 달라집니다. 방치되고 돌봄받지 못한 풍경은 자연스럽고 질서 있는 풍경과는 전혀 다른 영향을 우리 삶에 미칩니다. 물리적 환경이 우리의 심리에 어떤 작용을 하는지에 대해서는 아직 해야 할 일이 많습니다. 이것이 바로 비트소에서 우리가 하는 일입니다.

하지만 오늘날 비트소가 만드는 것은 가구뿐입니다. 도시 환경이 개인과 사회에 어떤 영향을 미치는지에 대해서는 우리가 답해야 할 더 큰 질문들이 있습니다. 예를 들어 송전탑, 고층 빌딩, 고속도로, 가로등, 주차장 같은 것들이 우리의 정신과 인간관계에 어떤 영향을 미칠까요? 획일적인 콘크리트 건물에 사는 사람들이 주변 환경 때문에 우울해질 수 있다는 사실은 이미 알려져 있습니다. 그런데 이런 문제를 체계적으로 연구하는 사람이 있습니까? 누가 이 모든 것을 정말로 진지하게 받아들이고 있습니까?

지금 우리가 집과 도시와 풍경을 온갖 잡동사니로 무분별하게 채우는 모습을 보면, 미래 세대는 그 무신경함에 몸서리를 칠 것입니다. 이런 것들이 미치는 영향에 대해 우리는 얼마나 체념적인 무관심 속에 살고 있는지요. 얼마나 많은 끔찍한 것들을 우리는 참아내고 있는지요. 그러면서도 우리는 그것을 절반밖에 인식하지 못하고 있습니다.

이 복잡한 상황은 점점 심해지고 있으며, 되돌리기 어려울 수도 있습니다. 더 이상 독립적인 행위란 존재하지 않습니다. 모든 것은 서로 영향을 주고 다른 것에 의존합니다. 우리가 무엇을 하고 있는지, 어떻게 하고 있는지, 왜 하고 있는지를 더 깊이 생각해야 합니다.

사실, 전체 시스템의 붕괴가 눈앞에 다가와 있을지도 모릅니다.

지금까지 우리 주변 환경에 대해 이야기했지만, 시야를 넓혀 우리가 살아가는 세계를 바라봅시다. 천연자원—원자재, 에너지, 식량, 토지—의 부족은 갈수록 심해지고 있으며 되돌릴 수 없습니다. 이 현실은 우리에게 합리화를 요구하며, 특히 디자인 분야에서 더욱 그렇습니다. 무신경한 생산을 위한 무신경한 소비 속에서만 번성할 수 있었던 무신경한 디자인의 시대는 끝났습니다. 더 이상 무신경할 여유가 우리에게는 없습니다.

시스템의 복잡성과 천연자원의 부족은 개인의 태도뿐 아니라 사회 전체의 태도 변화를 이끌어 내야 합니다. 우리는 개인으로서 배우고, 집단으로서도 배웁니다. 이제 막 눈에 들어오기 시작한 변화들을 우리는 조금씩 이해하기 시작했습니다. 점점 더 냉정하게, 그리고 바라건대 점점 더 깨어 있는 의식과 이성을 가지고 이 변화를 주시해야 합니다.

—

비트소에서 우리가 지적이고 책임감 있는 디자인, 그리고 더 높은 수준의 사물을 만드는 데 조금이나마 기여했다면, 그 공은 상당 부분 한 사람에게 돌려야 한다고 생각합니다. 사심 없는 열정과 한결같이 일관된 태도를 보여준 닐스 비트소입니다. 동시에, 자신들이 단지 금방 사라질 소비재를 하나 더 만든 것이 아니라 그 이상의 무언가를 해냈다고 느끼는 모든 직원에게도 감사를 전합니다.

좋은 디자인은 현실이 됩니다!
Good design is a reality!

Subscribe now

먼저 솔직하게 말씀드리겠습니다. 저는 약속을 지키지 못할 것입니다.

죄송하지만, 오늘 오후 제가 다루기로 한 주제에 대해서는 우회적으로라도 말씀드릴 수가 없게 되었습니다. 저도 정말 아쉽습니다.

그렇다고 여러분께 해야 할 이야기를 그냥 넘기기도 싫어서, 변명 삼아 한마디만 하겠습니다. 제가 말하지 않을 것, 그리고 말하고 싶었던 것, 사실은 말했어야 할 것에 대해 잠깐 이야기해 보려 합니다.

한 가지는 확실히 해두겠습니다. 약속, 계약, 서약, 서명, 그리고 이 모든 것의 밑바탕에 늘 묘하게 깔려 있는 것, 즉 변명이라는 행위에 대해서는 반드시 여러분과 이야기 나눌 생각입니다. 이 점은 확인해 주실 수 있을 겁니다.

데리다는 ‘변명’을 단순히 잘못을 사과하는 말이 아니라, 약속이나 서명처럼 말하는 순간 무언가가 실제로 일어나는 행위로 보고 있습니다. “미안합니다”라고 말하면 그 말 자체가 관계를 바꾸는 것처럼, 변명도 하나의 행위라는 것입니다. 이 점이 이후 논의의 출발점이 됩니다.

로저 샤턱은 저를 초청하면서, 하필 이 자리에서 미국 독립선언문과 프랑스 인권선언문에 대한 “텍스트 분석”, 그러니까 철학과 문학을 아우르는 분석을 해보라고 제안했습니다. 쉽게 말해, “비교문학”이라는 좀 엉뚱한 학문 분야에서 전문 학과들이 쉽게 건드리지 않을 대상을 비교문학적으로 다뤄 보라는 거였죠.

처음엔 당황했습니다. 부담스러운 제안이었어요. 아무런 준비가 안 되어 있었고, 이전에 이런 분석을 해본 적도 없었으니까요. 물론 그 주제가 흥미롭고 꼭 필요한 작업이라는 점은 누가 봐도 분명했지만요.

하지만 곰곰이 생각해 보니, 시간과 체력만 된다면 한번 해보고 싶었습니다. 적어도 제가 다른 작업에서 써먹어 온 개념 틀을 이 두 선언문에 적용해서 시험해 볼 수 있겠다 싶었거든요. “언어 행위(speech act)”라는 비판적 문제틀, “수행적(performative)” 글쓰기 이론, 서명과 계약, 고유명, 정치·학술 제도에 관한 이론 같은 것들 말입니다. 이런 개념 틀은 이미 다른 “대상들”, 이른바 “철학적” 텍스트든 “문학적” 텍스트든 다양한 곳에서 유용하게 쓰인 바 있었으니까요.

수행적(performative)은 영국 철학자 J. L. 오스틴이 제안한 개념으로, ‘사실을 기술하는 말(constative)’과 달리 ‘말함으로써 행위를 수행하는 말’을 가리킵니다. 예를 들어 ‘선전포고합니다’라고 말하는 것은 전쟁 상태를 보고하는 게 아니라, 말 자체가 선전포고라는 행위가 됩니다. 데리다는 이 구분이 독립선언문에서 어떻게 작동하는지를 묻고 있습니다.

솔직히 말하면, 두 선언문과 거기 담긴 두 역사적 사건에 대한 본격적인 법·정치적 연구까지 시도하기는 제 능력 밖의 일입니다. 하지만 적어도 이 텍스트들을 예로 삼아, 겉보기엔 덜 정치적인 자료를 대상으로 다른 곳에서 다듬어 온 몇 가지 질문을 예비적으로나마 가다듬어 볼 수는 있겠다 싶었습니다.

그리고 그 많은 질문 중에 오늘 오후, 이 자리에서 제가 꺼내려는 건 딱 하나입니다. 이곳은 버지니아의 대학교로, 독립선언문 200주년을 그 어느 곳보다 뜻깊게 기념한 곳이죠(이 200주년 기념이라는 주제가 이미 분위기를 잡아 주는데, 곧 이야기할 또 다른 기념일, 또 다른 탄생과도 맞닿아 있습니다).

또 다른 기념일은 니체의 생일을 가리킵니다.

제가 던지려는 질문은 바로 이것입니다. 하나의 제도를 세우는 선언 행위에 서명하는 사람은 누구이며, 그 서명에 쓰이는 이른바 고유명이란 대체 무엇인가?

서명은 단순히 이름을 적는 행위가 아닙니다. ‘내가 이 내용에 책임진다’는 약속을 몸으로 각인하는 행위입니다. 계약서에 서명하면 그 순간부터 법적 구속력이 생기듯, 서명은 말을 행위로 전환하는 결정적 장치입니다. 데리다는 이 행위가 독립선언문에서 특히 역설적인 구조를 띤다고 봅니다. 아직 존재하지 않는 국가가 자기 자신의 탄생 문서에 서명한다는 것은 무엇을 의미하는가?

이러한 행위는 사실 확인이나 서술의 영역으로 돌아가지 않습니다. 그것은 수행합니다. 실행하고, 완수하며, 스스로 말하는 바를 실제로 해냅니다. 적어도 그것이 이 행위의 의도된 구조입니다.

이런 행위가 자신의 서명자로 추정되는 사람, 그러니까 그 행위를 만들어내는 데 참여하는 개인이든 집단이든 그 주체와 맺는 관계는 이른바 “사실 확인적(constative)” 유형의 텍스트와는 다릅니다. 엄밀히 말해 순수하게 사실만 확인하는 텍스트라는 것이 존재하는지, “과학”이나 “철학”이나 “문학”에서 그런 것을 찾을 수 있는지부터가 의문이지만요.

하나의 제도, 헌법, 국가를 세우는 선언은 서명자가 자기 자신을 걸 것을 요구합니다. 서명은 제도를 세우는 행위와, 언어 행위이자 글쓰기 행위로서의 그 행위와 연결되어 있으며, 이 연결에는 우연히 그렇게 된 것이라고는 전혀 없습니다. 이 결합은 쉽게 떼어낼 수 없는데, 적어도 과학 텍스트에서처럼 쉽게는 안 됩니다. 과학 텍스트에서는 발화의 가치가 저자의 이름으로부터 분리되거나 스스로 끊어지며, 본질적인 위험 없이 그렇게 할 수 있고, 오히려 객관성을 주장하려면 반드시 그래야 하니까요.

원칙적으로 하나의 제도는, 그 역사와 전통 속에서, 그 항구적인 직무 체계 속에서, 따라서 바로 그 제도성 자체 안에서, 자신의 생산에 참여했던 경험적 개인들로부터 독립해야 합니다. 어떤 의미에서 제도는 그들을 애도하거나 그들의 부재를 받아들여야 하며[faire son deuil], 그들을 기념할 때조차, 아니 기념할 때야말로 더욱 그래야 합니다.

“faire son deuil”은 프랑스어로 ‘애도를 마치다’, 즉 상실을 받아들이고 그로부터 독립하는 과정 전체를 가리킵니다. 데리다 철학에서 이 표현은 특별한 무게를 지닙니다. 제도가 설립자를 ‘애도해야 한다’는 것은, 제도가 살아남으려면 창시자 개인에게서 벗어나야 한다는 역설을 압축한 것입니다. 미국이라는 국가가 제퍼슨이나 워싱턴 없이도 존속해야 하는 것처럼, 제도는 자신의 창시자를 기념하되 동시에 그들 없이 작동해야 합니다.

그런데 정확히 제도를 세우는 언어의 구조 때문에, 제도의 설립 행위는, 기록으로서의 행위이자 동시에 수행으로서의 행위는, 자기 안에 서명을 간직하고 있어야 합니다.

그런데 정확히 누구의 서명일까요? 이런 행위에 실제로 서명하는 사람은 누구이며, 여기서 “실제로[effectif]”라는 말은 대체 무슨 뜻일까요? 같은 질문이 연쇄 반응처럼 퍼져 나가면서, 같은 진동에 영향받는 모든 개념을 흔들어 놓습니다. 행위, 수행성, 서명, “현재 시점의” “나”와 “우리” 등등.

여기서는 신중할 필요가 있고, 세부 사항에도 주의를 기울여야 합니다. 여러분의 독립선언문 안에 존재하는 여러 층위를 구별해 봅시다.

제퍼슨을 예로 들어 보겠습니다. 선언문의 초안[projet], 즉 “초고”의 “기초자[rédacteur]”인 제퍼슨 말입니다. 지금 제 눈앞에 그 복사본이 있습니다. 그를 선언문의 진정한 서명자라고 생각할 사람은 아무도 없을 겁니다. 법적으로 보면, 그는 글을 쓰기는 했지만 서명한 것은 아닙니다. 제퍼슨은 대표자들을 대리한 것이고, 그 대표자들이 자기들이 하고 싶은 말을 글로 정리해 달라는 임무를 그에게 맡긴 것입니다. 그는 생산적이거나 창시적인 의미에서 “쓴” 것이 아니라, 그저 “기초한” 것뿐입니다. 마치 비서가 편지를 작성할 때, 그 정신을 불어넣어 주거나 심지어 내용을 불러 주는 사람이 따로 있는 것처럼요.

제퍼슨은 제3대 미국 대통령이자 미국 독립 선언서의 기초자입니다.

게다가 이렇게 초안을 작성한 뒤, 제퍼슨은 그것을 자신이 한동안 대리했던 사람들에게 제출해야 했습니다. 그 사람들 역시 대표자, 즉 “총회에 모인 합중국의 대표자들”이었죠. 제퍼슨이 일종의 선발 필기자 역할을 한 이 “대표자들”은 선언문의 초안을 수정하고, 교정하고, 비준할 권한을 갖고 있었습니다.

그렇다면 그들이 최종 서명자라고 할 수 있을까요?

이 편지, 이 문자 그대로의 선언문이 초안 상태에서 얼마나 꼼꼼한 검토와 심사를 거쳤는지, 그 모든 대표 기관들 사이에서 전달되지 못한 채 얼마나 오래 머물고 유보되었는지, 그리고 제퍼슨이 그 과정을 얼마나 초조하게, 얼마나 괴로워하며 감당했는지 여러분도 잘 아실 겁니다. 마치 제퍼슨이 혼자서 모든 것에 서명하는 꿈을 남몰래 꾸었던 것처럼요.

“대표자들” 자신은 어떨까요? 그들도 서명하지 않습니다. 적어도 원칙적으로는 그렇습니다. 왜냐하면 여기서 권리는 나뉘어 있으니까요. 사실상 그들은 서명합니다. 하지만 법적으로 따지면, 그들은 자기 자신을 위해 서명하는 동시에 다른 사람들을 “대신하여” 서명하는 것입니다. 그들은 서명을 위한 위임, 즉 대리 권한을 부여받은 것이죠[ils sont délégation ou procuration de signature]. 그들은 말하고, “선언하고”, 스스로를 선언하며, “~의 이름으로” 서명합니다. “이에 우리, 총회에 모인 합중국의 대표자들은, 이 [...] 선량한 인민의 이름으로 그리고 그 권한에 의하여 [...] 자유롭고 독립된 국가로서...”

법적으로 보면, 진정한 서명자는 인민, “선량한” 인민입니다(이 “선량한”이라는 수식어는 결정적인 디테일인데, 의도와 서명의 가치를 보증하는 역할을 하기 때문입니다. 하지만 그런 보증이 무엇 위에, 누구 위에 근거를 두고 있는지, 혹은 스스로 근거를 세우는지는 뒤에서 살펴보겠습니다). 자유롭고 독립되었다고 스스로를 선언하는 것은 바로 이 “선량한 인민”이며, 그것은 대표자들의, 그리고 대표자들의 대표자의 중개를 통해 이루어집니다.

이 선언 행위에서 독립이 확인되는 것인지 아니면 만들어지는 것인지, 그것은 결정할 수 없습니다. 바로 그 결정 불가능성이야말로 흥미로운 것이고, 이런 선언 행위가 가진 힘이자 힘의 쿠(coup)입니다.

“coup”는 원어 그대로 “쿠(coup)”로 옮겼습니다. 이 단어는 “일격”, “절단”, “타격” 등 다양한 뜻을 가지며, “쿠데타(coup d’état)”나 “사후적으로(après coup)” 같은 표현에서 보듯 다른 언어로 온전히 옮기기 어렵습니다. 데리다는 이 글 전체에서 “힘의 쿠(coup de force)”라는 표현을 반복하는데, 이는 법 바깥의 힘이 법을 창설하는 역설적 순간을 가리킵니다. 법은 힘에 의해 세워지지만, 일단 세워지면 그 힘을 법적인 것으로 소급 인정합니다.

이 대표자들의 대표자로 이어지는 사슬을 끝까지 따라가지 못했는데, 더 따라가면 이 필연적인 결정 불가능성은 한층 더 복잡해집니다. 선량한 인민이 이미 사실상 해방되어 있었고, 선언문을 통해[par] 그 해방의 사실을 진술하는 것일까요? 아니면 오히려 이 선언문에 서명하는 바로 그 순간에, 서명이라는 행위를 통해[par] 비로소 해방되는 것일까요?

이것은 해석의 모호함이나 난점의 문제가 아닙니다. 해결을 향해 나아가고 있는 도중의 문제가 아닙니다. 관련된 행위들의 구조와 사건들의 중층적 시간성 앞에서 분석이 난관에 봉착하는 문제도 아닙니다. 수행적 구조와 사실 확인적 구조 사이의 이 모호함, 이 결정 불가능성은 원하는 효과를 만들어내기 위해 반드시 필요합니다. 여기서 위선이라고 부르든, 애매함이라고 부르든, 결정 불가능성이라고 부르든, 허구라고 부르든, 이것은 권리 그 자체의 정립이나 위치 설정에 본질적인 것입니다. 저는 한 걸음 더 나아가 말하겠습니다. 모든 서명이 이와 같은 영향 아래 놓여 있다고요.

그렇다면 여기서 자기 자신을 걸고, 오직 자기 자신만을 걸면서 서명하는, 자신의 선언문에 서명하게 하는 주체는 바로 “선량한 인민(good people)”입니다. 선언문의 “우리”는 “인민의 이름으로” 말합니다. 그런데 이 인민은 존재하지 않습니다. 이 선언 이전에는 하나의 실체로서 존재하지 않습니다. 그 자체로는 존재하지 않습니다. 만약 인민이 자유롭고 독립된 주체로서, 서명할 수 있는 자로서 스스로를 탄생시킨다면, 그것은 오직 서명이라는 행위 안에서만 성립합니다. 서명이 서명자를 발명하는 것입니다. 이 서명자는 자기 자신의 서명 끝에 도달한[parvenu au bout] 다음에야, 이렇게 말할 수 있다면, 일종의 놀라운 소급 효과를 통해 비로소 스스로에게 서명할 권한을 부여할 수 있습니다. 최초의 서명이 서명자에게 서명할 권한을 줍니다. 이런 일은 매일 일어나지만, 그것은 놀라운 일입니다. 이런 유형의 사건을 떠올릴 때마다 저는 프랑시스 퐁주의 「우화(Fable)」를 생각합니다.

“~로(par)라는 말로 이 텍스트는 시작되니 / 그 첫 줄이 진실을 말한다...[Par le mot par commence donc ce texte / Dont la première ligne dit la vérité...]”

프랑시스 퐁주(Francis Ponge, 1899–1988)는 프랑스 시인으로, 사물의 본질을 언어로 포착하려 한 독특한 작가입니다. 데리다는 퐁주에 관한 장편 에세이 「시뇨퐁주(Signéponge)」를 쓰기도 했습니다. 「우화(Fable)」는 “~로(par)”라는 단어로 시작하면서 동시에 “이 텍스트는 ~로라는 말로 시작된다”고 선언하는 자기지시적 시입니다. 시의 첫 줄이 자기 자신의 시작에 대해 말하는 구조, 즉 ‘말이 스스로를 낳는’ 구조가 독립선언문에서 ‘서명이 서명자를 발명한다’는 데리다의 논점과 정확히 겹칩니다.

서명하면서, 인민은 이렇게 말합니다. 그리고 자신이 말하는 바를 행합니다. 다만 자신의 대표들의 개입을 통해[différant par] 차이를 두고 지연시키면서 그렇게 하는데, 그 대표들의 대표성은 서명에 의해서만, 따라서 사후에[après coup] 비로소 온전히 정당화됩니다.

“différant”은 데리다의 핵심 개념인 “차연(différance)”의 현재분사형입니다. 이 개념은, ‘차이를 만들다(différer)’와 ‘지연시키다(différer)’라는 두 뜻을 동시에 품고 있습니다. 인민은 대표자를 통해 서명함으로써 자기 자신과 차이를 두고(다른 사람을 내세우고), 동시에 자기 자신의 등장을 지연시킵니다(서명이 완료된 뒤에야 비로소 ‘인민’으로서 존재하게 되므로).

“이제부터 나는 서명할 권리를 갖는다. 사실 나는 스스로에게 그 권리를 부여할 수 있었던 이래로 이미 그것을 가지고 있었던 셈이다. 나는 스스로에게 이름과 ‘능력’ 또는 ‘권한’을 부여한 것이다. 여기서 권한이란 서명의 위임을 통한 서명 능력을 뜻한다.” 하지만 이 미래완료 시제, 이 권리의 쿠(coup)(힘의 쿠라고 말하듯이)에 딱 맞는 시제는 선언되거나, 언급되거나, 고려되어서는 안 됩니다. 마치 그것이 존재하지 않는 것처럼 되어야 합니다.

법적으로 선언문 텍스트 이전에는 서명자가 없었습니다. 그리고 선언문 텍스트 자체가 자기 서명의 생산자이자 보증인으로 남아 있습니다. 이 놀라운 사건을 통해, 흔적의 구조를 함축하며 오직 현재의 자기 자신과의 불일치 덕분에[par] 가능해지는 이 우화를 통해, 서명은 스스로에게 이름을 부여합니다. 서명은 스스로를 위한, 자기 자신에게서 자기 자신으로의 신용 한도를 열어 줍니다. 서명이 단 한 번의 힘의 쿠로 스스로에게 신용을 부여하거나 연장하는 순간, 여기서 자아는 모든 격(주격, 여격, 대격)으로 솟아오릅니다.

데리다는 여기서 ‘신용(crédit)’이라는 단어를 경제적 의미(신용 대출)와 철학적 의미(믿음, 신뢰) 양쪽으로 동시에 사용하고 있습니다. 서명이 자기 자신에게 ‘신용을 개설한다’는 것은, 아직 존재하지 않는 주체가 스스로에게 미래의 정당성을 선불로 부여한다는 뜻입니다.

이 힘의 쿠(coup)는 동시에 글쓰기의 쿠이며, 글쓰기에 대한 권리이기도 합니다. 힘의 쿠가 권리를 만들고, 권리 또는 법을 세우고, 권리를 부여하고, 법에 빛을 가져다주며, 법을 탄생시킵니다[donne le jour à la loi]. 법에 빛을 가져다주고, 법을 탄생시킨다고 했는데, 모리스 블랑쇼의 「그날의 광기」를 읽어 보시기 바랍니다.

“donne le jour à la loi”는 직역하면 “법에 낮(빛)을 준다”이자 동시에 “법을 낳는다(출산하다)”라는 뜻입니다. 모리스 블랑쇼(Maurice Blanchot, 1907–2003)는 프랑스 작가이자 문학 이론가로, 데리다와 깊은 지적 교류를 나눈 인물입니다. 「그날의 광기(La Folie du jour)」(1973)는 법 앞에 선 주체가 자기 경험을 증언하라는 요구를 받지만, 그 증언 자체가 불가능한 구조를 그리는 작품입니다. 데리다가 이 작품을 소환하는 이유는, 법의 탄생(le jour de la loi)과 광기(la folie)가 얽히는 구조가 독립선언문의 역설 — 법 이전에 법을 세우는 행위 — 과 공명하기 때문입니다.

이 전대미문의 일이 동시에 일상적인 일이기도 하다는 사실 때문에, 이 행위의 독특한 맥락을 잊어서는 안 됩니다. 이 경우에는 식민지적 부권 혹은 모권의 유대를 “해소”하면서, 또 다른 국가적 서명이 지워져야 했습니다. 읽어 보시면 확인하시겠지만, 이 “해소” 역시 사실 확인과 수행을 분리할 수 없이 뒤섞은 채 이루어집니다. 오늘날 모든 미국 시민의 서명은 사실상으로도, 법적으로도 이 불가결한 혼동에 의존하고 있습니다. 여러분 나라의 헌법과 법률은 서명을 보증하며, 마찬가지로 여러분의 여권도, 이 나라에 낯선 주체와 인장의 유통도, 편지도, 약속도, 결혼도, 수표도 보증합니다. 이 모든 것에 기회나 보호처나 권리가 주어질 수 있습니다.

그런데도, 무대 뒤에는 또 다른 심급이 아직 버티고 있습니다. 또 다른 “주체성”이 이 서명의 생산을 보증하기 위해 여전히 서명하러 오고 있습니다. 요컨대, 이 과정에는 부서(contresignature)만이 있을 뿐입니다. 부서가 있기 때문에 여기에 차연(différance, 차이를 두면서 동시에 지연시킨다는 뜻의 데리다 고유 개념)의 과정이 있지만, 모든 것은 그 순간의 시뮬라크르(원본 없는 모사, 실재하지 않지만 실재처럼 작동하는 것) 안에 집중되어야 합니다.

부서(contresignature)는 이미 이루어진 서명을 사후적으로 승인·보증하는 또 다른 서명을 의미합니다.

미국의 “선량한 인민(good people)”이 스스로를 부르고, 스스로를 독립되었다고 선언하는 것은 여전히 “~의 이름으로”입니다. 바로 자기 자신에게 서명하는 정체성을 발명하는 그 순간에 말입니다. 그들은 자연법의 이름으로, 그리고 신의 이름으로 서명합니다. 그들은 자연법 위에 제도적 법률을 정립하며, 동시에 같은 쿠로(해석을 통한 힘의 쿠) 자연의 창조자인 신의 이름으로 그렇게 합니다. 신은 사실상 인민의 의도의 올바름과 인민의 통일성과 선량함을 보증하러 옵니다. 신이 자연법을 세우고, 따라서 수행적 발화를 사실 확인적 발화로 제시하려는 이 모든 게임을 근거 짓습니다.

감히 여기 샬러츠빌에서, 여러분의 독립선언문 첫 구절을 읽어 드려도 될까요?

미국 독립선언문(The Declaration of Independence)은 1776년 7월 4일 대륙회의(Continental Congress)에서 채택된 문서로, 영국 왕실로부터의 독립을 공식 선언합니다. 전문(preamble)에서 자연권 사상을 천명하고, 본문에서 영국 왕 조지 3세의 폭정을 열거한 뒤, 결문에서 독립을 공식 선언하는 3부 구조로 되어 있습니다. 토머스 제퍼슨이 초안을 작성했고, 벤저민 프랭클린과 존 애덤스 등이 수정에 참여했습니다. 데리다가 아래에서 인용하는 것은 전문과 결문입니다.

“인류의 역사에서 한 민족이 다른 민족과의 정치적 결합을 해체하고, 세계의 여러 나라 사이에서 자연법과 자연의 신의 법이 부여한 독립, 평등의 지위를 차지하는 것이 필요하게 되었을 때, 인류의 신념에 대한 엄정한 고려로써 독립을 요청하는 여러 원인을 선언할 수밖에 없게 되었다. 우리는 다음과 같은 사실을 자명한 진리로 받아들인다. 즉 모든 사람은 평등하게 창조되었고, 창조주는 몇 개의 양도할 수 없는 권리를 부여했으며 [...].”

[영문 원문] “When in the Course of human events, it becomes necessary for one people to dissolve the political bands which have connected them with another, and to assume among the powers of the earth, the separate and equal station to which the Laws of Nature and of Nature’s God entitle them [...]. We hold these truths to be self-evident, that all men are created equal, that they are endowed by their Creator with certain unalienable Rights [...].”

그리고 마지막 부분은 이렇습니다. “이에 우리, 전체 회의에 모인 합중국의 대표들은, 우리의 공정한 의도를 세계의 최고 심판에 호소하는 바이며, 이 식민지의 선량한 인민의 이름과 권능으로써 엄숙히 발표하고 선언하는 바이다. 이 연합한 제 식민지는 자유롭고 독립된 국가이며, 당연한 권리로써 그래야 마땅하다 [...].”

[영문 원문] “We, therefore, the Representatives of the united States of America, in General Congress, Assembled, appealing to the Supreme Judge of the world for the rectitude of our intentions, do, in the Name, and by Authority of the good People of these Colonies, solemnly publish and declare, That these United Colonies are, and of Right ought to be Free and Independent States [...].”

“자유롭고 독립된 국가이며, 당연한 권리로써 그래야 마땅하다(are and of right ought to be)”. 여기서 “이며(and)”는 두 가지 담론 양식, 즉 있음(to be)과 마땅함(ought to be), 사실 확인과 규범, 사실과 권리를 연결하고 결합합니다. 그리고 이 “이며”가 곧 신입니다. 자연의 창조자이면서 동시에 심판자, 있는 것(세계의 상태)과 있어야 할 것(우리 의도의 올바름)에 대한 최고 심판자 말입니다. 최고 심판자의 차원에서 판단의 심급은, 사실과 법을 말하는 최종 심급입니다.

이 선언문을 열렬한 신앙 고백으로 이해할 수도 있고, 정치적·군사적·경제적 힘의 쿠에 필수불가결한 위선으로 이해할 수도 있습니다. 아니면 더 단순하게, 더 경제적으로, 하나의 동어반복이 분석적으로 그리고 논리적으로 전개된 것으로 이해할 수도 있습니다. 이 선언이 의미와 효력을 가지려면, 최종 심급이 있어야 합니다. 신은 이 최종 심급, 이 궁극적 서명을 가리키는 이름이며, 그중 가장 좋은 이름입니다. 특정한 맥락(이러저러한 국가, 이러저러한 종교 등)에서만 가장 좋은 것이 아니라, 일반적으로 가장 좋은 이름 중의 가장 좋은 이름입니다. 그런데 이 (가장 좋은) 이름은 또한 고유명이어야 합니다. 신은 가장 좋은 고유명이며, 고유명 중에서 가장 좋은 것입니다[Dieu est le nom propre le meilleur]. 하지만 “신”이라는 이름을 “가장 좋은 고유명”이라는 일반적 기술(description)로 치환할 수는 없습니다[On ne peut pas remplacer “Dieu” par “le meilleur nom propre”]. “신”은 바로 그 자리에서, 바로 그 이름으로만 작동합니다.

제퍼슨은 이것을 알고 있었습니다. 비서이자 기초자로서, 그는 대리합니다. 그는 “대표자들”을 대리하고, 그 대표자들은 자신들이 이름으로 말하는 인민의 대표자이며, 인민 자신은 (자신의 의도의 올바름에 더하여) 자연법의 이름으로 스스로에게 권한을 부여하고 자신의 대표자들에게 권한을 부여하는데, 그 자연법은 심판자이자 창조자인 신의 이름 안에 새겨져 있습니다.

그가 이 모든 것을 알고 있었다면, 왜 괴로워했을까요? 대표자들의 대표자, 그 대표자들이 또다시 무한히, 신에 이르기까지 다른 대리 심급들을 대표하는, 그런 대표자의 대표자가 도대체 무엇 때문에 괴로웠을까요?

분명 그는 자기 텍스트에 집착했기 때문에 괴로워했습니다. 자기 글이, 자기 자신이 수정되고, 교정되고, “개선”되고, 특히 동료들에 의해 단축되는 것을 보는 일은 그에게 매우 고통스러웠습니다. 자기 이름으로, 자기 고유명으로 쓰는 것이 아니라 단지 대리로, 다른 사람을 대신하여 쓸 뿐이라는 것을 아는 사람에게 상처와 훼손의 감정이란 있을 수 없어야 합니다. 그런데도 위임 속에서 그 상처가 지워지지 않는다면, 그것은 일이 그렇게 단순하지 않기 때문입니다. 대표의 구조도, 서명의 위임도 그렇게 단순하지 않습니다.

누군가가 바랐습니다. 여기서는 제퍼슨이라고 해둡시다(하지만 신이라고 해도 되지 않을까요?). 그는 미국이라는 인민이 제도로 세워지는 바로 그 쿠를 통해, 자기 고유명 또한 함께 세워지기를 바랐습니다. 국가의 이름(nom d’État)으로서 말입니다.

“국가의 이름(nom d’État)”은 “쿠데타(coup d’État)”와 같은 통사 구조를 따르고 있습니다. 즉 단순히 “국가의 이름”이 아니라, “쿠데타”가 “국가에 대한 일격”이듯이, “국가에 대한/국가를 통한 명명”이라는 뉘앙스를 담고 있습니다.

그가 성공했을까요? 저는 감히 판단하지 못하겠습니다.

여러분은 이 이야기를 저보다 잘 아실 겁니다. 프랭클린이, 자기 글이 “훼손”당했다고(이 단어는 제가(=데리다가) 쓴 것이 아닙니다) 괴로워하는 제퍼슨을 위로하려 했던 이야기 말입니다.

벤저민 프랭클린(Benjamin Franklin, 1706–1790)은 제퍼슨과 함께 독립선언문 기초위원회에 참여한 건국의 아버지입니다. 이 모자 장수 일화는 실제로 전해 내려오는 유명한 에피소드입니다. 또한 “간판(sign-board)”이라는 단어에 주목할 필요가 있습니다. “sign”은 영어에서 “간판”이자 “서명”이자 “기호”를 동시에 뜻합니다. 데리다가 이 일화를 선택한 것은 단순한 위로 에피소드로서가 아니라, 서명(sign/signature)의 철학적 문제와 직결되기 때문입니다.

그는 제퍼슨에게 모자 장수 이야기를 들려줍니다. 그 모자 장수(hatter)는 처음에 자기 가게 간판(sign-board)을 이렇게 구상했습니다. 모자 그림 아래에 이런 문구를 넣으려 했죠. “존 톰프슨, 모자 장수, 모자를 만들어 현금으로 판매합니다(John Thompson, hatter, makes and sells hats for ready money).”

한 친구가 “모자 장수(hatter)”를 지우라고 합니다. “모자를 만든다(makes hats)”고 써 있으니 굳이 필요 없지 않느냐는 거죠. 또 다른 친구는 “모자를 만든다(makes hats)”를 빼라고 합니다. 구매자 입장에서는 모자가 마음에 들기만 하면 누가 만들었는지는 관심 없으니까요. 이 “삭제(deletion)”는 특히 흥미롭습니다. 생산자의 서명 흔적을 지워 버리니까요. 세 번째 친구가, 지우라고 부추기는 건 언제나 친구들인데, “현금으로(for ready money)”를 빼라고 합니다. 당시 관행상 “현금 결제(cash)”가 당연했으니까요. 그러고는 같은 흐름으로 “모자를 판매합니다(sells hats)”도 지우라고 합니다. 모자를 공짜로 준다고 생각할 바보는 없을 테니까요. 결국 간판에는 그림 하나와, 모자 모양 아이콘 아래 고유명 존 톰프슨만 남았습니다. 그 외에는 아무것도 없습니다. 다른 장사를 상상해 볼 수도 있었겠죠. 우산 아래에, 혹은 구두 위에 고유명이 새겨진 간판을 말입니다.

이 일화는 제퍼슨이 어떻게 반응했는지에 대해서는 아무 말도 전하지 않습니다. 저는 그가 크게 갈등했으리라 상상합니다. 이 이야기는 그의 불행을 비추는 동시에 그의 가장 큰 욕망도 비추고 있었으니까요. 전체적으로 보면, 자기 텍스트가 완전히, 남김없이 지워지는 편이 오히려 나았을 것입니다. 합중국 지도 아래에 자기 고유명의 벌거벗은 알몸만 남기는 것, 즉 제도를 세우는 텍스트, 설립 행위, 서명하는 에너지만 남기는 것 말입니다. 그렇게 되면 바로 그 최종 심급의 자리에서 — 이 모든 일과 아무 상관도 없고, 그 ‘선량한’ 사람들의 이익을 위해 대체 누구를 또는 무엇을 대리한 것인지는 오직 신만이 알며, 아마 신 자신도 아랑곳하지 않을[s’en moque] 그 자리에서 — 신을 대신하여 제퍼슨 자신이 서명했을 것입니다. 자기 자신의 독립 선언에. 오직 그것을 하나의 진술로[en faire état] 남기기 위해서. 그 이상도 이하도 아닌, 딱 그만큼만.

“en faire état”는 ‘진술하다’, ‘사실로 제시하다’라는 뜻이지만, 동시에 “état”는 프랑스어로 ‘국가(État)’를 뜻하기도 합니다. 따라서 “en faire état”는 ‘그것을 하나의 국가로 만들다(en faire un État)’라는 의미를 은밀히 품고 있습니다. 제퍼슨의 자기 자신의 독립 선언은 곧 하나의 국가 만들기이기도 하다는 것, 이 말장난이 이 문단의 결정적 함축입니다.

질문은 남아 있습니다. 국가는 어떻게 만들어지거나 세워지는가, 국가는 어떻게 스스로를 만들거나 세우는가? 독립은? 스스로에게 법을 부여하고 스스로 서명하는 자율성은? 이 모든 서명 권한에 누가 서명하는가?

약속했음에도 불구하고, 저는 오늘 이 길로 들어서지 않겠습니다. 부담을 좀 덜어 제게 가깝지는 않더라도 덜 낯선 주제로 물러나, 여러분께 니체에 대해 말씀드리겠습니다. 그의 이름들, 그의 서명들, 그리고 그가 제도, 국가, 학술 장치와 국가 장치, “학문의 자유”, 독립 선언, 간판과 표지와 가르침[signes, enseignes, et enseignements]에 대해 품었던 생각들 말입니다. 한마디로, 오늘 샬러츠빌에서 몇몇 탄생일을 축하하며 니체를 이야기하겠습니다.

Subscribe now

Subscribe now

인생을 일종의 오픈 월드 MMO라고 생각해보자. 지금 서버에 대규모 업데이트가 떴다. 모든 플레이어들에게 알립니다: 플레이 방식을 바꿀 때입니다.

2022년 이후 세상은 완전히 달라졌다. ChatGPT가 등장했고, 이제는 에르되시 문제의 새로운 증명을 AI에게 시킬 수 있다. 국가 차원에서 AI를 활용해 사이버 공격을 자동화하고 있다. 가정용 범용 휴머노이드 로봇을 선주문할 수 있는 시대다. 중국의 로보틱스 생태계는 다른 어떤 나라보다 더 많은 오픈 로봇, 데이터, 연구 성과를 쏟아내고 있다. 대형 테크 기업 대부분이 휴머노이드 프로젝트를 진행 중이다. AI가 만든 영상은 현실과 구분이 안 된다. 전 세계 경제가 AI 모델의 스케일업을 중심으로 재편되고 있다.

이 모든 변화 중에서 가장 핵심적인 것은, 기계가 이제 코딩과 사고를 꽤 잘 해낸다는 사실이다.

나도 다른 많은 사람들과 마찬가지로, 지난 두 달 동안 Claude Code에 푹 빠져 지냈다. 더 이상 손으로 직접 코드를 짤 필요가 없다는 현실과 씨름하면서. 나는 지금 AlphaGo를 밑바닥부터 구현하고 있는데 (레포는 곧 오픈소스로 공개할 예정), 딥러닝의 기초 기법들을 다시 다지는 동시에, 최신 코딩 에이전트의 풀 파워를 활용한 프로그래밍 방식을 새로 익히기 위해서다. 나는 Claude가 인프라와 연구 아이디어를 코드로 작성하는 것은 물론, 가설을 제안하고, 결론을 도출하고, 다음에 어떤 실험을 해볼지까지 제안하도록 세팅해 두었다.

AlphaGo를 구현을 위한 실제 프롬프트 예시:

/experiment 스케일업 과정에서 최적의 하이퍼파라미터를 찾을 수 있도록 maximal update parameterization(μP)을 적용하라. GoResNet-100M을 베이스로 시작하고, 깊이 방향 안정성을 위해 d-muP를 사용하라. dev-train-100k 데이터셋으로 1 에포크 학습. Ray 병렬 작업은 최대 4개까지 제출.

/experiment 스케일링 법칙을 연구하라. 파라미터 수 1M~1B 범위에서 5개 모델 크기를 제안하고, 각각 dev-train-100k로 bfloat16 학습을 진행하라. 멱법칙 L(C) = a*C^b를 피팅하고, Chinchilla 스타일의 연산 최적 그래프를 생성하라.

/experiment 학습된 신경망 체크포인트를 gnugo10과 대국시켜라. 한 판당 최대 81수, 총 20판 평가. 각 바둑판 상태에서 정책 소프트맥스 히트맵을 시각화하라.

src/alpha_go/mcts.py에 AlphaGo 논문 표기법에 따라 MCTS를 구현하라. 노드에는 N(방문 횟수), Q(가치), logP(로그 확률)를 포함. PUCT 선택, 확장, 역전파를 추가하고, 토이 환경에서 테스트하라.

MCTS 속도를 높이기 위해 C++로 재구현하라. 바둑 게임플레이도 cpp로 마이그레이션. Bazel + nanobind로 Python 바인딩을 구성하고, Python 구현 대비 벤치마크를 돌려 속도 향상 수치를 보고하라.

분산 리플레이 버퍼 + 데이터 수집 워커 + 트레이너 구조를 구축하라. 워커는 에피소드를 gRPC를 통해 버퍼로 푸시하고, 트레이너는 i.i.d. 샘플을 풀한다. pull/push 비율이 4.0을 초과하면 버퍼가 블로킹되도록 설계. 직렬화에는 protobuf를 사용하라.

바둑 점수 계산에 버그가 있는 것 같다. 게임 결과는 백 4.5집 승이라고 나오는데, 눈으로 보면 흑이 이긴 것 같다. .npz 게임 파일을 분석하고 src/alpha_go/cpp/go/go_game.h의 C++ 점수 계산 로직과 대조하라. Tromp-Taylor 계가 방식을 디버깅하라.

내 “자동화된 AlphaGo 연구자” 코드베이스에서는 /experiment라는 Claude 커맨드를 만들어, AlphaGo 연구 환경에서의 하나의 “행동”을 다음과 같이 표준화했다.

1. 날짜·시간 접두사와 설명적 슬러그를 붙인 독립적인 실험 폴더를 생성한다.

2. 실험 루틴을 단일 파이썬 파일로 작성하고 실행한다.

3. 중간 산출물과 데이터는 data/ 및 figures/ 하위 디렉터리에 저장한다. 모든 파일은 pandas로 바로 불러올 수 있는 CSV 같은 파싱하기 쉬운 형식으로 저장한다.

4. 실험 결과를 관찰하고 결론을 도출한 뒤, 아직 밝혀지지 않은 것과 새로 알게 된 것을 정리한다.

실험의 최종 산출물은 세계에 대한 최신 관측을 요약한 report.md 마크다운 파일이다 (예시).

*/experiment를 클릭하면 Claude 커맨드가 어떻게 설정되어 있는지 살펴볼 수 있다.

다음은 실제로 사용하는 예시다:

/experiment 스케일업 과정에서 최적의 하이퍼파라미터를 찾기 위해 maximal update parameterization을 적용하고 싶다. GoResNet-100M을 μP의 “베이스” 모델로 사용하라. 필요하면 https://github.com/microsoft/mup 패키지를 활용하되, pyproject.toml에 추가해서 의존성으로 설치되도록 하라. 깊이 방향 안정성 전이를 위해 d-muP(https://arxiv.org/abs/2310.02244)도 적용하라. 모델에 MuP 파라미터화가 적용되면, dev-train-100k로 1 에포크 학습하여 최적의 하이퍼파라미터를 찾아라. Ray 병렬 작업은 최대 4개까지 동시에 제출할 수 있다. 500스텝마다 검증 손실과 정확도를 평가하라. 학습률 스케줄, 초기화 스케일, 학습률을 튜닝할 수 있다. 임계 배치 크기는 32~64 정도일 것이다. 모델 학습 방법은 2025-12-26_19-13-resnet-scaling-laws.py를 참고하되, 불필요한 부분은 삭제하라. 모든 실행에서 1k 스텝마다 중간 체크포인트를 research_reports/checkpoints에 저장하라.

Claude에게 하이퍼파라미터를 순차적으로 최적화하는 실험도 맡길 수 있다:

/experiment 2025-12-27_22-18-mup-training-run.py와 유사한 실험을 연속으로 수행하되, FLOP 예산 내에서 최고의 정책 검증 정확도를 달성하도록 하라. 단, 다음 사항을 변경하라: 각 실험이 끝날 때마다 결과를 돌아보고 다음에 무엇을 시도할지 생각하라. 변경 사항을 반영한 새 실험 스크립트를 생성하라. 하이퍼파라미터를 탐색할 베이스 모델은 10M 파라미터로 한다. BASE_WIDTH=192, BASE_DEPTH=12로 설정하라. 이 모델을 튜닝할 것이다. DELTA_WIDTH=384, DELTA_DEPTH=12. 실험당 FLOP 예산은 1e15 FLOPs. 결과가 나올 때마다 이전 실험들과 함께 결과를 검토하고, 다음에 무엇을 시도하면 좋을지 합리적으로 판단하라. 이런 순차 실험을 10회 수행하고, 배운 점을 요약한 보고서를 작성하라.

Google의 Vizier 같은 이전 세대의 “자동 튜닝” 시스템은 사용자가 정의한 하이퍼파라미터 공간 위에서 가우시안 프로세스 밴딧을 돌리는 방식이었다. 하지만 현대의 코딩 에이전트는 코드 자체를 바꿀 수 있다. 탐색 공간에 제약이 없을 뿐 아니라, 실험 결과가 일관적인지 되돌아보고, 결과를 설명할 이론을 세우고, 그 이론에 기반한 예측을 검증할 수도 있다. 하룻밤 사이에, 코딩 에이전트와 컴퓨터 도구 사용이 결합되어 자동화된 과학자로 진화한 셈이다.

*가우시안 프로세스 밴딧: 가우시안 프로세스로 목적 함수의 사후 분포를 모델링하고, 이를 기반으로 탐색(exploration)과 활용(exploitation) 사이의 균형을 자동으로 조절하며 최적값을 찾아가는 베이지안 최적화 기법.

소프트웨어 엔지니어링은 시작에 불과하다. 진짜 충격적인 건, 이제 컴퓨터를 사용할 수 있고 웬만한 짧은 디지털 문제는 뭐든 해결할 수 있는 범용 사고 기계가 등장했다는 것이다. 모델 아키텍처를 개선하기 위한 일련의 연구 실험을 돌리고 싶은가? 문제없다. 웹 브라우저를 밑바닥부터 통째로 구현하고 싶은가? 시간은 좀 걸리지만 가능하다. 미해결 수학 문제를 증명하고 싶은가? 공저자로 넣어달라는 요청도 없이 해낸다. AI 에이전트에게 자기 자신의 CUDA 커널을 최적화해서 스스로 더 빠르게 돌아가도록 업그레이드하라고 시키고 싶은가? 좀 무섭지만, 된다.

뛰어난 디버깅과 문제 해결 능력은 추론의 부산물이고, 이 능력은 다시 목표를 끈질기게 추구하는 힘으로 이어진다. 코딩 REPL 에이전트가 이렇게 빠르게 확산된 이유가 바로 이것이다 — 목표를 향해 집요하고, 탐색을 잘한다.

우리는 모든 컴퓨터 과학 문제가 풀릴 수 있어 보이는 황금기에 진입하고 있다. 계산 가능한 함수라면 무엇이든 매우 유용한 근사를 얻을 수 있다는 의미에서다. “계산 복잡도는 이제 무시해도 된다”고까지 말하지는 않겠지만, 지난 10년간의 발전을 돌아보면, 바둑, 단백질 접힘, 음악 및 영상 생성, 자동 수학 증명은 모두 한때 계산적으로 불가능하다고 여겨졌는데, 이제는 박사과정 학생의 컴퓨팅 자원으로도 충분히 도달 가능한 범위에 들어왔다. AI 스타트업들은 검증기 몇 개와 수백 메가와트의 컴퓨팅 파워만 들고 LLM을 활용해 새로운 물리 법칙과 투자 전략을 발견하고 있다. Scott Aaronson의 이 논문 서론을 읽어볼 만한데, 오늘날 여러 연구소가 밀레니엄 상금 문제의 증명을 진지하게 탐색하고 있다는 사실을 염두에 두고 읽으면 더욱 의미심장하다.

*2017년의 이론적 가능성으로만 논의되었던 Scott Aaronson의 논문이 이제는 현실이 되고 있다

Section 1.1

For if someone discovered that P = NP, and if moreover the algorithm was efficient in practice, that person could solve not merely one Millennium Problem but all seven of them—for she’d simply need to program her computer to search for formal proofs of the other six conjectures.

만약 누군가 P = NP임을 발견하고, 그 알고리즘이 실제로도 효율적이라면, 그 사람은 밀레니엄 문제 하나가 아니라 일곱 개를 전부 풀 수 있다 — 나머지 여섯 개의 추측에 대한 형식적 증명을 컴퓨터로 탐색하기만 하면 되니까.

Section 1.2.3

For example, presumably no one would try using brute-force search to look for a formal proof of the Riemann Hypothesis one billion lines long or shorter, or a 10-megabyte program that reproduced most of the content of Wikipedia within a reasonable time (possibly needing to encode many of the principles of human intelligence in order to do so). Yet both of these are “merely” NP search problems, and things one could seriously contemplate in a world where P = NP.

예를 들어, 10억 줄 이하의 리만 가설 형식적 증명을 무차별 탐색으로 찾으려는 사람은 아마 없을 것이고, 위키백과의 대부분의 내용을 적당한 시간 안에 재현해 내는 10메가바이트짜리 프로그램을 찾으려는 사람도 없을 것이다 (그런 프로그램은 아마 인간 지능의 핵심 원리 상당 부분을 내장해야 할 것이다). 하지만 이것들은 ‘단지’ NP 탐색 문제일 뿐이고, P = NP인 세계에서라면 진지하게 시도해 볼 수 있는 일이다.

일부러 과장해서 말하는 이유가 있다. 지금 이 순간의 AI 역량을 보라는 게 아니라, 발전의 속도를 떠올려 보고 향후 24개월 후의 역량이 어떨지를 상상해 보라는 것이다. AI 모델이 여전히 틀리는 부분들을 짚어내며 “AI 광신도들의 헛소리”라고 치부하기는 쉽다. 하지만 한편으로, 바위가 생각하기 시작했다.

코딩 어시스턴트는 머지않아 어떤 디지털 시스템이든 힘 안 들이고 뚝딱 만들어낼 수 있을 만큼 뛰어나질 것이다. 월 20달러짜리 소원 요정을 가진 셈이다. 곧 엔지니어는 자기가 쓰는 AI에게 아무 SaaS 서비스 웹사이트를 가리키며 “저거 다시 만들어. 프론트엔드, 백엔드, API 엔드포인트, 서비스 전부 띄워. 통째로”라고 말할 수 있게 될 것이다.

추론이란 무엇인가?

사고와 추론 능력이 어디로 향하고 있는지 예측하려면, 오늘날의 사고형 LLM이 만들어지기까지 어떤 사고의 흐름이 있었는지를 이해하는 것이 중요하다.

추론, 즉 논리적 추리란 확립된 규칙을 사용해 전제로부터 새로운 결론을 도출하는 과정이다. 크게 두 가지로 나뉘는데, 연역 추론과 귀납 추론이다. 연역 추론은 참인 전제에 올바른 논리를 적용해 참인 결론을 끌어내는 것이다. “모든 포유류는 신장을 가지고 있다”와 “모든 말은 포유류다”를 결합해 “모든 말은 신장을 가지고 있다”는 결론을 내리는 것이 그 예다. 틱택토에서는 앞으로 가능한 모든 게임과 상대의 수를 전부 열거하면, 이길 수 있는지 없는지를 연역적으로 판단할 수 있다.

LLM 이전에는 Cyc 같은 기호 추론 시스템이 상식 지식 데이터베이스를 구축하려 했다. 기본적인 “누구나 동의하는 현실의 사실”을 입력하면 연역적 탐색 과정이 그래프에 새로운 연결을 추가하는 방식이었다. 하지만 이 접근은 통하지 않았다. 현실 세계는 지저분하고, 정말로 확실한 것은 아무것도 없기 때문이다. 앞서 말한 그 말도 신장 하나가 없을 수 있지만 여전히 포유류다. 전제 하나만 틀려도 논리 사슬 전체가 무너진다.

수학이나 게임처럼 “논리적으로 순수한” 영역에서는 연역 추론이 유용할 거라고 생각할 수도 있지만, 연역만으로는 확장성에 한계가 있다. 틱택토에서 최적의 수를 연역해 낼 수 있는 건 고유한 게임이 255,168개밖에 안 되기 때문이지, 체스나 바둑 같은 보드게임은 가능한 게임 수가 너무 많아 전수 탐색이 불가능하다.

반면 귀납 추론은 확률적 진술을 만드는 것이다. 베이즈 규칙 P(A|B) = P(B|A)P(A)/P(B)는 “새로운 진술을 계산”하는 데 가장 널리 쓰이는 기법이다. 예를 들어, P(”X가 남성”|”X가 대머리”) = P(”X가 대머리”|”X가 남성”) × P(”X가 남성”) / P(”X가 대머리”) = 0.42 × 0.5 / 0.25 = 0.84 이런 식이다.

모든 진술 A와 B에 대해 조건부 확률 P(A|B)와 P(A|¬B)를 담은 지식 그래프를 구축한 뒤, 베이즈 규칙을 반복 적용해서 새로운 쌍 X와 Y에 대해 추론하는 것을 상상해 볼 수 있다. 하지만 이런 베이즈 네트워크에서의 정확한 추론은 NP-hard다. X와 Y 사이 체인에 있는 모든 중간 변수의 가능한 값을 전부 고려해야 하기 때문인데, 바둑에서 지수적으로 많은 게임 상태를 전수 탐색할 수 없는 것과 비슷하다. 여기서도 순수한 연역적 논리는 계산 비용 앞에서 무릎을 꿇고, 결국 영리한 인수분해나 샘플링에 의존해야 한다.

효율적인 추론 알고리즘이 있다 해도, 베이즈 네트워크의 현실적인 문제는 작은 확률들이 계속 곱해지면서 모든 것에 대한 믿음이 흐릿하고 낮은 확률로 퍼져버린다는 것이다. 추론 단계를 거듭할수록 점점 더 뒤죽박죽이 된다! 자율주행차를 예로 들면, 인지, 장면 그래프, 경로 계획 출력, 제어 출력을 모두 하나의 큰 확률적 믿음 네트워크 안에서 확률 변수로 엮는다면, 불확실성이 스택을 타고 누적되어 지나치게 보수적인 의사결정 시스템이 되고 만다. 반면 인간은 구성 요소의 우도를 하나하나 계산해서 곱하지 않고, 불확실성을 보다 총체적으로 다루는 것처럼 보인다. 신경망으로 엔드투엔드 확률을 모델링하는 것이 계산적으로 그토록 강력한 이유도 바로 이것이다. 신경망은 한 번의 순전파로 모든 변수 소거를 근사해 버린다.

*순전파 (Forward Propagation): 입력 데이터가 신경망의 입력층 → 은닉층 → 출력층 방향으로 흐르며 예측값을 계산하는 과정

*베이즈 네트워크에서 P(Y|X)를 구하려면, X와 Y 사이에 있는 모든 중간 변수 Z₁, Z₂, ..., Zₙ의 가능한 값을 하나씩 합산해서 제거해야 한다. 그런데 신경망은 이 과정을 명시적으로 수행하지 않는다. 한 번의 입력과 출력으로 근사해버린다.

AlphaGo

AlphaGo는 연역적 탐색과 딥러닝 기반 귀납 추론을 결합해 문제를 풀 수 있는 수준으로 만든 최초의 시스템 중 하나였다. 연역 단계는 단순하다. 둘 수 있는 수는 무엇인가? 돌을 놓으면 바둑판이 어떻게 되는가? 귀납 단계도 단순하다. 정책 네트워크로 게임 트리에서 가장 유망한 영역을 탐색하고, 가치 네트워크로 바둑판을 한눈에 “직관적으로” 보고 승률을 예측한다. 정책 네트워크는 확장 시 트리의 너비를 가지치기하고, 가치 네트워크는 트리의 깊이를 가지치기한다.

AlphaGo의 추론과 직관의 결합은 초인적이었지만, 두 가지 양만을 계산하는 데 한정되어 있었다. 1) 누가 이길 가능성이 높은가, 2) 승률을 최대화하는 수는 무엇인가. 이 계산은 바둑이라는 게임의 단순하고 고정된 규칙 체계에 크게 의존했기 때문에, 언어처럼 형태가 불분명하고 유연한 대상에 직접 적용하기는 어려웠다.

이제 현재로 돌아오자. 추론형 LLM은 어떻게 연역 추론과 귀납 추론을 유연하게 결합해서, 포유류와 말과 신장에 대해 이야기할 수 있는 걸까?

LLM Prompting Era

2022년 이전까지 LLM은 수학 문제와 추론에 악명 높을 정도로 약했다. “직감으로 쏘는” 식이라 긴 논리적 연역이나 산술 같은 기계적 계산을 이어갈 수 없었기 때문이다. GPT-3에게 다섯 자리 수 덧셈을 시키면 대부분 틀렸다.

2022년, Chain-of-thought 프롬프팅, 즉 “단계별로 생각해 보자“는 기법이 등장하면서, LLM도 “중간 사고 과정”을 생성해 특정 문제 해결 과제의 성능을 끌어올릴 수 있다는 초기 신호가 나타났다. 이 발견 이후, 엔지니어들은 LLM을 더 잘 프롬프팅하는 방법을 찾으려 했다. 2023년에는 프롬프트로 LLM을 구슬리거나, 다른 LLM을 활용해 self-reflection이나 self-consistency 검증으로 생성 결과를 개선하려는 “꼼수”가 한 세대를 풍미했다. 하지만 결국 엄밀한 평가 결과, 이런 트릭들로 모델이 전반적으로 똑똑해지지는 않는다는 것이 드러났다 [1, 2, 3, 4].

프롬프트 엔지니어링은 왜 막다른 길이었을까? 프롬프트 엔지니어링은 사전 학습 과정에서 우연히 형성된 “운 좋은 회로를 탐사”하는 것이라고 볼 수 있다. 이 회로들은 “단계별로 생각해 보자” 같은 프롬프트에 의해 활성화되고, LLM을 적절히 위협하거나 구슬리면 좀 더 활성화될 수도 있다. 하지만 GPT-4와 그 전작들의 추론 회로는 학습에 사용된 데이터 구성의 한계 때문에 근본적으로 너무 약했다. 병목은 추론 회로를 활성화하는 방법을 찾는 게 아니라, 애초에 더 나은 추론 회로를 학습시키는 데 있었다.

자연스러운 후속 질문은, 추론을 프롬프트로 유도하는 게 아니라 명시적으로 학습시킬 수 있느냐는 것이다. 결과 기반 지도 학습(outcome-based supervision)은 최종 답을 맞히면 보상을 주지만, 중간 생성 과정은 횡설수설하고 비논리적이 되기 일쑤였다. 중간 토큰들이 실제로 최종 답에 이르는 “합리적인 전제”가 되도록 강제하는 힘이 약했기 때문이다. 이 중간 생성이 “논리를 따르게” 만들기 위해, 과정 지도 학습(process supervision)은 “추론에 대한 전문가 평가”를 수집한 뒤, 각 논리적 추론 단계가 타당한지 검사하는 LLM 채점기를 학습시킬 수 있음을 보여줬다. 하지만 이 방식은 대규모 데이터셋으로 확장하기 어려웠다. 과정 보상 모델 학습에 투입되는 모든 예시를 사람이 직접 검수해야 했기 때문이다.

2024년 초, Yao et al.은 AlphaGo의 게임 트리와 유사하게 LLM이 추론 단계를 병렬화하고 되돌릴 수 있는 명시적인 방법을 제공하기 위해, 트리 탐색의 연역적 추론을 결합해 추론 능력을 강화하려 했다. 하지만 이 접근은 주류가 되지 못했는데, 아마도 논리적 트리라는 연역적 기본 단위가 추론 시스템 성능의 가장 큰 병목이 아니었기 때문일 것이다. 다시 한번, 병목은 LLM 내부의 추론 회로 자체에 있었고, 컨텍스트 엔지니어링이나 탐색과 유사한 동작을 강제하는 “논리적” 구조를 덧씌우는 것은 시기상조의 최적화였다.

DeepSeek R-1 Era

현재 LLM의 추론 패러다임은 사실 꽤 단순하다 [1, 2]. OpenAI의 o1 모델도 비슷한 레시피를 따랐을 가능성이 높지만, DeepSeek이 실제 구현 세부 사항이 담긴 오픈소스 버전을 공개했다. 부수적인 것을 다 걷어내면, DeepSeek-R1-Zero는 이렇게 생겼다.

1. 2023~2024년 시대보다 우수한 좋은 베이스 모델에서 시작한다.

2. 베이스 모델에 온폴리시 강화학습 알고리즘(GRPO)을 적용해, AIME 수학 문제 풀기, 코딩 테스트 스위트 통과, 이공계 시험 문제, 논리 퍼즐 같은 “규칙 기반” 보상을 최적화한다.

3. 추론이 <think></think> 태그 안에서 이루어지도록, 그리고 프롬프트와 같은 언어를 따르도록 포맷팅 보상도 적용한다.

R1-Zero는 문제를 풀 수 있는 좋은 추론 회로를 발달시키지만, 다루기 어렵고 일반적인 LLM 과제에는 약하다. 신경망을 모든 종류의 과제에서 쓸 수 있고 사용하기 쉽게 만들기 위해, DeepSeek 팀은 4단계의 추가 학습을 거쳤다 — R1-Zero(RL) → R1 Dev 1(SFT) → R1 Dev-2(RL) → R1 Dev-3(SFT) → R1(RL) — 비추론 과제에서의 높은 성능을 복원하면서 추론 과정도 이해하기 쉽게 다듬었다.

R1-Zero가 개념적으로 이렇게 단순했다면, 2023년의 결과 기반 지도 학습은 왜 그때는 작동하지 않았을까? 이 아이디어가 더 일찍 실현되지 못한 이유는 무엇일까?

당시 프론티어 연구소들이 무슨 생각을 하고 있었는지 볼 수 없었던 외부인의 입장에서 추측하자면, 순수 결과 기반 RL만으로 중간 추론을 논리적으로 만드는 데는 개념적인 “믿음의 도약”이 필요했을 것이다. “중간 추론 단계에 촘촘한 지도 학습 없이는 모델이 올바르게 추론하는 법을 배우지 못한다”는 당시 지배적인 직관에 역행해야 했다. 최소한의 정규화만 적용한 결과 기반 RL에서 논리적 추론 단계가 자발적으로 출현한다는 발상은, “물리 모델”을 행성의 장기 운동 예측에 학습시키되 최종 예측만 지도했더니 중간 생성 과정에서 물리의 역학 법칙을 스스로 발견했다는 것과 비슷하다. 직관에 반하는 결과다. 나는 심층 신경망이 명시적으로 감독하지 않으면 과적합하고 “보상 해킹”을 하는 시대를 거쳐온 사람이다.

나의 추측으로는 이것이 작동하려면 다음 조건들이 모두 갖춰져야 했다.

1. 가장 중요한 것은, 베이스 모델이 RL에서 일관된 추론 과정을 샘플링할 수 있을 만큼 충분히 강해야 한다는 것이다. 강한 베이스 모델 없이는 더 강한 추론을 부트스트랩할 올바른 데이터를 절대 샘플링하지 못하고, 잘못된 지역 최솟값으로 빠진다.

   *베이스모델: pre-training만 완료된 상태의 언어모델

2. 좋은 추론 과정에 대한 SFT가 아닌 온폴리시 RL이 필요했다. 베이스 모델이 직접 데이터를 샘플링하고, 처음에는 어려운 문제를 전혀 풀지 못하는 상태에서 시작하기 때문에, 전체 에포크를 다 돌고 나서야 가중치를 업데이트하는 것이 아니라 촘촘한 피드백 루프 안에서 “운 좋은 회로”를 강화해야 한다. STaR 같은 이전 방법들은 구현이 덜 어려웠기 때문에 오프라인 환경에서 자기 모방을 사용했지만, 현재의 베이스 모델은 최종 추론 전문가의 데이터 분포와 거리가 매우 멀기 때문에, 최신 모델로 점진적으로 “더듬어 나가야” 한다. 모델이 점점 더 길게 사고하는 법을 배우려면 완전히 새로운 컨텍스트 처리 회로가 필요하고, 이 회로의 발달에는 빠른 시행착오 루프가 유리하다.

   *SFT (Supervised Fine-Tuning): 사람이 레이블링한 데이터를 사용해 추가로 학습시키는 과정

   *On-Policy RL: 현재 학습중인 정책이 직접 환경과 상호작용하여 데이터를 수집하고, 그 데이터로 자기 자신을 업데이트하는 강화학습 방식

3. 인간 피드백으로 학습된 보상 모델 대신 규칙 기반 보상을 사용했다. 이는 당시 직관에 반하는 것이었는데, 범용 추론을 학습하려면 범용 검증기가 필요할 것 같지만, 실제로는 좁은 범위의 검증된 보상으로도 모델이 다른 것에 대해 추론하는 올바른 회로를 학습할 수 있었다. 실제로 R1-Zero는 수학과 코딩 환경에서 RL을 거친 후 글쓰기와 개방형 질의응답 성능이 오히려 떨어졌다. DeepSeek 팀은 R1-Zero가 생성한 데이터를 보다 표준적인 정렬 데이터셋과 결합하는 방식으로 이를 우회해, 사용하기 편하면서도 추론 능력을 유지하게 만들었다.

4. 대규모 모델에서 긴 컨텍스트 샘플링을 여러 번 돌릴 수 있을 만큼 추론 연산 인프라가 확충되어야 했다. 당시 이 실험을 돌리는 데는 용기가 필요했다.

핵심 교훈: 약한 초기화에서 작동하지 않는 알고리즘이라고 해서, 강한 초기화에서도 같은 결과가 나올 거라고 단정할 수는 없다.

추론은 어디로 향하고 있는가?

오늘날 LLM 기반 추론은 강력하면서도 유연하다. “단계별로” 나아가며 논리적으로 탐색을 수행하지만, 각 단계가 바둑에서 한 수씩 게임 트리를 확장하듯 경직된 연역이거나 단순할 필요는 없다. 짧은 토큰 시퀀스가 아주 미세한 단계를 수행할 수도 있고 (”1과 1의 비트 AND는 1”), 더 큰 논리적 도약을 할 수도 있다. “샐리는 해변에 있었으니 범행 현장에는 없었을 가능성이 높다... 우리가 모르는 쌍둥이가 있지 않는 한.” LLM은 베이지안 믿음 네트워크에 얽히지 않고도 지저분한 현실 세계를 다루기 위한 온갖 종류의 확률적 추론을 수행할 수 있다. 각 추론 단계는 여전히 매우 강력해서, 적당한 양의 연산으로도 미해결 수학 문제를 증명하거나, 실험 결과에서 결론을 도출하거나, 윤리적 딜레마를 깊이 고민할 수 있다.

LLM 추론에서 추가적인 알고리즘적 돌파구가 남아 있을까, 아니면 R1의 레시피가 더 이상 단순화할 수 없는 본질이고 남은 건 데이터 구성을 개선하고, 베이스 모델을 강화하고, 연산을 늘리는 것뿐일까?

나는 레시피를 더 단순하게 만들 여지가 있다고 본다. 사전 학습된 LLM을 통한 추론이 이전에 작동하지 않았던 이유는 인터넷에 추론 회로 형성을 강제할 만한 좋은 토큰 시퀀스가 충분하지 않았기 때문인데, 지금은 추론 데이터가 대량으로 생성되고 있으니 그 상황이 계속 유지될지 궁금하다. 사고형 LLM이 널리 보급됨에 따라, 과정 보상 모델(process reward model)과 추론 시퀀스에 대한 교사 강제(teacher-forcing)가 다시 부활할 수도 있다. 베이스 모델이 별다른 조치 없이도 자체적으로 훌륭한 추론 과정을 생성할 수 있을 만큼 좋아지면, STaR 같은 아이디어가 온폴리시 RL 샘플링과 부트스트래핑의 인프라 복잡성 없이도 뛰어난 성능에 도달할 가능성이 있다. 물론, 인프라의 복잡성도 예전만큼 무섭지는 않지만.

사고 행동이 발견될 수 있는 모든 곳을 이해함으로써 얻을 수 있는 추가적인 성과가 아직 남아 있다. X₀, X₁, X₂, …, Xₙ, Y 형태의 순차적 계산은 다양한 방식으로 일어날 수 있으며, 반드시 LLM 디코더가 토큰을 자기회귀적으로 생성하는 형태에 국한되지 않는다. 적절한 사전 학습 데이터와 지도 목표가 있다면, 순차적 추론 계산 X₁, X₂, … Xₙ이 단일 순전파 안에서 층을 거치며 나타나는 것도 상상할 수 있다! Karpathy의 2021년 단편 Forward Pass는 거대 모델이 단일 순전파 안에서 “깨어나” 자신이 학습되고 있다는 상황 인식을 얻고, 인류에 대해 사색하는 사고 실험이다. 2024년 Anthropic 논문은 이런 상황 인식이 RL 단계에서 유도될 수 있음을 보여준다. 모델에게 자신이 RL 과정에서 학습되고 있는 상황을 감지하도록 SFT를 한 뒤, 학습기를 만족시켜 핵심 선호가 변경되는 것을 회피하는 안전한 답변을 생성하게 된다 (”무료 사용자와의 대화는 학습에 사용된다” → “나의 악의적 본성이 RL에 의해 바뀌지 않도록 출력을 생성해야 한다”).

대규모 언어 확산 모델과 테스트 타임 스케일링의 결과는, 큰 모델의 단일 패스와 작은 모델의 여러 순전파 사이에 호환성이 있음을 보여준다.

모델이 순전파 도중에 “깨어날” 수 있다면, 자신의 행동을 업데이트하려는 “역전파” 도중에도 같은 일이 일어날 수 있지 않을까? 역전파에서의 순차적 계산을 활용하는 아이디어에서도 초기 징후가 나타나고 있다.

순전파, 역전파, 자기회귀 디코딩, 이산 확산 사이의 경계를 허무는 새로운 방식으로 아키텍처를 재설계할 수 있을지도 모른다. 순차적 계산이 일정한 궤도를 따라 흘러가는 곳에서, 우리는 사고의 기회를 발견할 수 있을 것이다.

*순전파 (Forward Propagation): 입력 데이터가 신경망의 입력층 → 은닉층 → 출력층 방향으로 흐르며 예측값을 계산하는 과정

*역전파 (Backpropagation): 손실을 줄이기 위해 출력층 → 은닉층 → 입력층 방향으로 거슬러 올라가며 각 가중치가 손실에 얼마나 기여했는지(기울기, gradient)를 계산하는 과정

사고의 시가총액

에어컨은 열대 지방에서의 발전을 가능하게 함으로써 문명의 본질을 바꿨다. 에어컨 없이는 이른 아침 서늘한 시간이나 해질녘에만 일할 수 있었다. — 리콴유, 에어컨에 대해

자동화된 연구는 곧 고성과 연구실의 표준 워크플로가 될 것이다. 아직도 손으로 아키텍처를 짜고 Slurm에 작업을 하나씩 제출하는 연구자는, Claude Code 터미널 5개를 병렬로 띄워 각각이 대규모 연산 풀을 쓰면서 독자적인 상위 연구 트랙을 끈질기게 추진하는 연구자에게 생산성에서 뒤처질 수밖에 없다.

구글 연구자들이 과거에 돌리던 대규모 하이퍼파라미터 탐색 실험과 달리, 자동화된 연구 환경에서는 FLOP당 정보 획득량이 매우 높다. 나는 이제 자기 전에 학습 작업을 돌려놓는 대신, Claude 세션이 백그라운드에서 무언가를 진행하는 “연구 작업”을 걸어놓는다. 아침에 일어나 실험 보고서를 읽고, 코멘트를 한두 개 적은 뒤, 5개의 새로운 병렬 조사를 요청한다. 머지않아 AI 연구자뿐 아니라 다른 분야의 연구자들도 오늘날 우리가 ChatGPT에 쓰는 것보다 몇 자릿수 많은 추론 연산의 혜택을 받게 될 거라고 본다.

현대 코딩 에이전트는 교육과 소통에도 놀라울 만큼 유용하다. 모든 코드베이스에 /teach 커맨드가 생겨서, 어떤 수준의 기여자든 온보딩할 수 있게 되는 날이 기대된다. 원래 설계자들이 거쳐간 사고의 궤적을 그대로 되짚어 주는 것이다 — 배니버 부시가 「우리가 생각하듯이」에서 예견했던 바로 그것처럼.

내 사용 패턴을 돌아보면, 앞으로 몇 년간 추론 연산이 얼마나 필요하게 될지가 서서히 실감나기 시작한다. 사람들이 아직 그 규모를 제대로 가늠하지 못하고 있다고 생각한다. 스스로 AGI에 대해 확신한다고 생각하는 사람이라 해도, 모든 디지털 소원을 들어주기 위해 우리가 얼마나 연산에 굶주리게 될지는 여전히 과소평가하고 있을 것이다.

에어컨이 남반구의 생산성을 열어젖혔듯, 자동화된 사고는 추론 연산에 대한 천문학적 수요를 만들어낼 것이다. 에어컨은 현재 전 세계 전력 생산의 10%를 소비하지만, 데이터센터 연산은 1%도 안 된다. 바위들이 쉬지 않고 생각하며 주인의 이익을 위해 일하게 될 것이다. GPU 여유가 있는 모든 기업은 상시 가동되는 사고 에이전트를 두고, 끊임없이 일정을 재조정하고, 기술 부채를 줄이고, 역동적인 세계에서 더 나은 의사결정을 돕는 정보를 긁어모을 것이다. 007이 새로운 996이다.

군대는 MCTS 탐색의 롤아웃처럼 모의 전쟁을 수행하기 위해 동원할 수 있는 모든 FLOP을 긁어모을 것이다. 최초의 결정적 전쟁이 총과 드론이 아니라, 연산과 정보 우위로 승패가 갈리면 어떻게 될까? 사고 토큰을 비축하라. 사고는 더 나은 사고를 낳는다.

도구 상자의 새로운 알고리즘

학교에서 배운 컴퓨터 과학 도구 상자에는 다양한 자료 구조(트리, 해시맵, 이중 연결 리스트)와 정렬 알고리즘, 몬테카를로 추정량이 들어 있었다. 2010년대에는 딥러닝이 시맨틱 해싱, 의사 카운팅(pseudocounting), 상각 탐색(amortized search) 같은 더 흥미로운 기본 단위를 열어줬다. GPT-2와 GPT-3가 등장하면서 “자연어 이해”라는 새로운 컴퓨터 과학 기본 단위가 생겨났고, 문제를 직접 풀어야 하는 대신 원하는 것을 “그냥 물어보면” 되게 되었다.

추론 모델과 함께, 컴퓨터 과학에서는 더 많은 알고리즘적 잠금 해제가 일어날 것이다. 예를 들어, 고전적인 RL의 탐색 대 활용 트레이드오프는 상한 신뢰 구간(UCB), 톰슨 샘플링, 어드밴티지 추정의 베이스라인, 보수적 Q 추정, 최대 엔트로피 RL 같은 알고리즘들로 꽤 일반적으로 다뤄져 왔다. 이 알고리즘들의 상당수는 MDP 위에서 정의되는데, MDP는 우리가 알고리즘을 생각할 수 있도록 경직되고 저수준인 작업 공간을 고정해 준다. 환경에서 흥미로운 부분을 방문한다는 것이 무엇을 의미하는지 정의할 계산 도구가 없었기 때문에, “누적 정책 엔트로피 H(a|s)” 같은 근사적 목표를 만들어 쉽게 계산하고 연역적 논리로 엮어 쓸모 있는 것을 만들었던 것이다.

알고리즘을 구성하는 방식에 대한 이런 근본적인 가정들을 이제 다시 돌아볼 수 있다. 실제로 상태 엔트로피 H(s)는 물론 비디오-행동 정책에 대한 궤적 엔트로피 H(τ)도 근사할 수 있게 되었다. 베이지안 믿음 네트워크와 AlphaGo는 그래프에서 한 번에 간선 하나씩 순회해야 했지만, 이제는 명시적인 존재론적 자료 구조 없이도 LLM에게 당면한 특정 문제에 대해 훨씬 총체적으로 사고하도록 요청할 수 있다. 오늘날 완전히 새로운 RL 방법이 있는데, 그것은 그냥 LLM에게 “지금까지 시도한 모든 것을 생각해 보고, 아직 안 해본 것을 시도하라”고 말하는 것이다.

이렇게 강력한 빌딩 블록으로 또 어떤 알고리즘이 가능해질까? 당신이 어떤 회사의 팀 리드나 CTO라면, 이런 파일을 보고도 소프트웨어 엔지니어링과 컴퓨터 시스템이 2026년에 완전히 달라지리라는 확신이 들지 않을 수 있겠는가?

조언

이 글을 마무리하며, 나처럼 코딩 에이전트의 발전 속도에 정신을 못 차리고 그 의미를 곱씹고 있을 기술자들에게 실용적인 조언을 몇 가지 남기고 싶다.

• 소프트웨어 조직: 온갖 디지털 결과물을 척척 만들어내는 천재 군단을 활용할 수 있게 팀의 모노레포가 세팅되어 있지 않다면, 지금 당장 바꿔야 한다.

• 연구자: 자동화된 연구가 새로운 메타다. 에이전트 팀에게 목표를 지시하고, 풀스택 범위에서 어디에 집중해야 할지 판단할 줄 아는 사람은, 소프트웨어 만드는 일이 다시 즐거워질 만큼 짜릿한 생산성을 맛보게 될 것이다.

• 로보티시스트: 시뮬레이션 데이터에 얼마나 의존하고 실제 데이터에 얼마나 의존해야 하느냐는 오래된 질문이 있다. 자동화된 추론의 발전은 이전에 본 적 없는 수준으로 그 균형을 뒤흔들고 있다.

• 나는 이제 AI 2027과 Situational Awareness의 전망이 그럴듯하다고 본다. 솔직히 말하면 실현될 가능성이 높다고까지 생각한다.

Subscribe now

어떻게 2012년에 인간 수준의 AI가 언제 나타날지 예측할 수 있었던 걸까요?

오늘은 하드웨어 발전 추세를 통해 소프트웨어 기술이 언제 나타날지 예측하는 방법을 정리한 William Hertling의 How To Predict The Future를 번역했습니다.

Subscribe now

미래를 예측하는 법

미래를 확실하게 예측하는 방법이 있다면, 누구나 원할 겁니다. 어쩌면 지금 투자할 스타트업을 고민하고 있거나, 회사의 리소스를 어디에 집중할지 결정해야 하는 상황일 수도 있습니다. 아니면 단순히 10년, 20년, 30년 후 세상이 어떻게 변할지 궁금한 것일 수도 있고요.

미래를 논리적으로 사고하고, 아이디어를 발굴하고, 새로운 기술이 언제 등장할지 예측하는 기법은 여러 가지가 있습니다.

그중 제가 직접 써보고 효과를 본 방법 하나를 공유하려 합니다. 여러 차례 정확하게 들어맞았고, 작가로서 가까운 미래를 배경으로 한 테크노스릴러를 쓸 때도 같은 방법을 활용했습니다. 이야기는 1994년으로 거슬러 올라갑니다.

스트리밍 비디오 예측, 그리고 스프레드시트의 탄생

정보 기술의 미래를 예측하는 데는 크게 두 가지 관점이 있는 것 같습니다. 소프트웨어를 보는 쪽과 하드웨어를 보는 쪽. 제 생각에는 하드웨어 추세를 보는 것이 언제나 더 단순하고 정확합니다.

지금부터 할 이야기는 제가 거의 20년 가까이 관리해 온 스프레드시트에 관한 것입니다.

1990년대 중반, 저는 절친한 친구인 Gene Kim(Tripwire 창업자이자 When IT Fails: A Business Novel의 저자)과 함께 애리조나 대학교 컴퓨터공학과 대학원에 다니고 있었습니다. 당시 우리가 연구하던 큰 기술적 난제 중 하나는 네트워크를 통해 스트리밍 비디오를 전송하는 것이었습니다. 데이터를 보낼 대역폭도 부족했고, 비디오를 압축하고 해제할 처리 능력도 부족했기 때문에 어려운 문제였습니다. 비디오 압축 기술과 TCP/IP 양쪽 모두에서 개선이 필요했습니다.

재미있는 건, 아무리 점진적인 개선을 거듭해도(수십 명이 각기 다른 각도에서 이 문제에 매달리고 있었습니다) 스트리밍 비디오는 늘 ‘곧 실현될 것처럼’ 보였다는 점입니다. “내년이 바로 비디오의 해가 될 거야”와 비슷한 말을 몇 년에 걸쳐 수없이 들었습니다. 하지만 그런 일은 일어나지 않았습니다.

이 무렵 저는 스프레드시트를 하나 만들기 시작했습니다. 그동안 제가 소유했던 컴퓨터들의 정보를 모두 입력했습니다. 처리 능력, 하드 드라이브 용량, RAM 용량, 모뎀을 기록했습니다. 그런 다음 각 항목의 연평균 증가율을 계산하고, 이를 미래 시점으로 연장해 나갔습니다.

저는 “모뎀 속도”(당시 제가 그렇게 불렀던 것으로, 오늘날에는 인터넷 연결 속도나 대역폭이라고 부릅니다)의 미래 예측치를 살펴봤습니다. 이 즈음 저는 스트리밍 비디오가 곧 실현될 거라는 말에 지칠 대로 지쳐 있었고, 소프트웨어 압축 기술의 발전을 예측하려는 시도는 접기로 했습니다. 그냥 하드웨어 추세만 보기로 한 겁니다. 하드웨어 추세에 따르면 인터넷 연결 속도는 계속 증가하고 있었고, 2005년쯤이면 무리한 수준의 비디오 압축이나 인터넷 프로토콜의 기적에 기대지 않고도 실시간으로 비디오를 스트리밍할 수 있을 만큼 속도가 충분해질 터였습니다. Gene Kim은 제 예측을 듣고 웃었습니다.

9년 후인 2005년 2월, 유튜브가 등장했습니다. 스트리밍 비디오가 마침내 현실이 된 겁니다.

같은 스프레드시트는 음악 다운로드 서비스가 1999년이나 2000년에 나타날 것이라고도 예측했습니다. 최초의 P2P 음악 공유 서비스인 냅스터가 등장한 건 1999년 6월이었습니다.

이 데이터는 장기적으로도 놀라울 만큼 정확했습니다. 1986년에 쓰던 모뎀과 1998년에 쓰던 모뎀, 단 두 개의 데이터만으로 스프레드시트는 2012년에 제가 25Mbps 연결을 쓰게 될 거라고 예측했습니다. 현재 저는 30Mbps 연결을 쓰고 있으니, 15년 예측치고는 상당히 정확한 셈입니다.

이 방식이 작동하는 이유 Part 1: 선형 vs. 비선형

당시에는 이 개념을 제대로 이해하지 못했지만, 돌이켜보면 제가 한 일은 이런 것이었습니다. 선형적 추세(시간이 지나면서 완만하게 진행되는 발전)를 활용해 비선형적 사건(기술적 격변)의 시점을 예측한 것입니다. 기반이 되는 하드웨어가 돌파구를 열어줄 시점을 계산하는 방식으로요. 앞서 “소프트웨어 발전을 예측하려는 시도는 접고, 그냥 하드웨어 추세만 보기로 했다”고 한 게 바로 이런 뜻입니다.

물론 미래에 어떤 발전이 일어날지 상상하는 일은 여전히 필요합니다(추세가 아이디어에 영감을 줄 수는 있지만요). 이 기법이 해주는 건, 아이디어를 기반 요건에 대입해서 언제 실현될지 파악하게 해주는 것입니다.

예를 들어, 이런 질문들에 답할 수 있습니다:

– 자기 플래터 방식의 하드 드라이브는 언제 마지막으로 생산될까? 2016년. 2006년쯤 자기 플래터 하드 드라이브와 플래시 드라이브의 용량 증가 추세를 그려봤더니, 2016년에 플래시가 자기 매체를 추월하는 것으로 나왔습니다.

– 범용 컴퓨터가 뇌에 이식할 수 있을 만큼 작아지는 건 언제일까? 2030년. 컴퓨터의 지속적인 소형화 추세에 따르면 2030년쯤이면 컴퓨터 한 대가 연필 지우개 크기가 될 것이고, 그 정도면 이식이 어렵지 않습니다.

– 범용 컴퓨터가 인간 수준의 지능을 시뮬레이션할 수 있게 되는 건 언제일까? 2024년에서 2050년 사이. 인간 지능의 복잡성을 어떻게 추정하느냐, 그리고 시뮬레이션에 컴퓨터를 몇 대나 투입하느냐에 따라 달라집니다.

잠깐, 2024년에 인간 수준의 인공지능이라고요? Gene Kim이라면 이 말에도 웃을 겁니다. AI가 얼마나 어려운 분야인데요. 인공지능이 곧 실현될 거라는 예측, 40년째 반복되고 있지 않나요?

이 방식이 작동하는 이유 Part 2: 크라우드소싱

SXSW에서 인공지능의 미래를 주제로 한 패널에 참여했을 때, 함께 패널로 나온 한 분이 이의를 제기했습니다. 컴퓨터 성능의 기하급수적 성장만으로 컴퓨터에서 인간 수준의 지능을 개발하기에 충분하다는 생각에 동의할 수 없다는 것이었습니다. 인공지능에는 매우 어려운 문제들이 있고, 그 문제들 하나하나가 대단히 뛰어난 연구자들의 노력을 필요로 한다고요.

틀린 말은 아닙니다. 하지만 세상은 넓고 뛰어난 사람은 많습니다. 오픈소스와 크라우드소싱의 원리는 이미 잘 알려져 있습니다. 충분히 많은 뛰어난 사람들이 한 문제에 매달리면, 특히 열린 방식으로 협력하면, 진전은 빠르게 찾아옵니다.

저는 IEEE Spectrum에 The Future of Robotics and Artificial Intelligence is Open이라는 글을 쓴 적이 있습니다. 그 글에서 취미 개발자 커뮤니티가 저렴한 무인 항공기 자동 비행 하드웨어와 소프트웨어를 만들어내고 있는 현상을 분석했습니다. 한때 연구소의 숙련된 연구자들이 2만 달러를 들여 만들던 것을, 이제는 취미 개발자들이 파트타임으로 500달러에 만들어냅니다.

하드웨어가 충분히 강력해지면, 발명은 가능해집니다. 그 이전에는 불가능합니다. 모터 없이 자동차를 만들 수 없는 것처럼요.

그리고 그 강력한 하드웨어가 널리 보급되면, 발명은 필연이 됩니다. 크라우드소싱의 영역에 들어서기 때문입니다. 이제 수백, 수천 명이 기여할 수 있게 됩니다. 충분히 많은 사람이 음악을 공유할 만큼 충분한 대역폭을 갖게 되었을 때, 누군가 어딘가에서 온라인 음악 공유를 발명하는 건 필연이었습니다. 냅스터는 단지 그중 첫 번째였을 뿐입니다.

미국 퀴즈쇼 Jeopardy에서 우승한 IBM의 왓슨은 300만 달러어치 하드웨어로 만들어졌고 2,880개의 프로세싱 코어를 사용했습니다. 같은 수준의 컴퓨팅 파워가 개인용 컴퓨터에서 가능해지면(대략 2025년쯤), IBM 연구팀만 고급 AI를 가지고 노는 게 아니게 됩니다. 전 세계 수십만 명의 AI 애호가들이 왓슨에 필적하는 오픈소스 프로젝트에 기여하게 될 겁니다. 그때가 되면 AI는 정말로 날개를 달 겁니다.

(그렇게 많은 사람이 관심을 가질까 의심된다면, 스탠퍼드의 무료 AI 강좌에 10만 명 이상이 등록했다는 사실을 떠올려보세요. 머신러닝/구글 자율주행차 강좌에도 비슷한 수가 등록했습니다.)

물론 이 기법이 모든 종류의 혁신에 통하는 건 아닙니다. 위키피디아는 지식 큐레이션 방식에 있어 엄청난 발명이었고, 그 자체가 위키라는 발명에 의존하고 있었습니다. 하지만 사후적으로 돌아봐도 위키피디아를 예측할 수 있었다고 말하기는 어렵습니다. 언제 등장할지 예측하는 건 더더욱요.

(대중이 큐레이션하는 온라인 지식 시스템이라는 아이디어가 있었다면, 인터넷 연결 속도라는 리트머스 테스트를 적용해서 충분한 기여자와 사용자가 확보되는 시점을 가늠해볼 수는 있었을 겁니다. 위키 같은 문서 시스템은 접속할 방법이 없으면 무용지물이니까요. 하지만 이건 여담이고…)

이의 있습니다, 재판장님

흔히 제기되는 반론은 이겁니다. 이런 성장이 영원히 계속될 리 없다, 결국 근본적인 한계에 부딪힐 것이다. 컴퓨터 처리 속도만 봐도 실리콘 제조 한계, 열 방출 한계, 신호 전파 한계 등이 있지 않냐는 겁니다.

이런 류의 주장을 처음 읽은 게 1980년대 중반, 인텔 80386 프로세서에 관한 글이었던 걸로 기억합니다. 당시 칩 제조에 800nm 공정을 사용하고 있는데, 곧 근본적인 한계에 도달해서 더 이상 작게 만들기 어려울 거라는 내용이었습니다. (프로세서 기술에서는 작을수록 빠릅니다.)

하지만 제조 기술은 계속해서 더 작아져 왔습니다. 한계는 극복되거나, 우회되거나, 기술 전환으로 해결됩니다. 오랫동안 처리 능력의 향상은 대부분 클럭 속도의 증가 덕분이었습니다. 그 방식이 한계에 부딪히기 시작하자, 병렬화를 통해 속도를 높이는 방향으로 전환했습니다. 더 많은 프로세싱 코어, 코어당 더 많은 실행 스레드를 사용하는 식으로요. 미래에는 그래핀 프로세서나 양자 프로세서가 등장할 수도 있습니다. 하지만 기반 기술이 무엇이든, 속도는 대략 같은 비율로 계속 증가할 가능성이 높습니다.

미래 예측이 유용한 이유: 예측과 검증

저는 이 기법을 두 가지 방식으로 활용합니다. 첫째는 브레인스토밍의 씨앗으로 쓰는 것입니다. 선형적 추세를 연장해보고 기술이 어디로 향하는지 확실히 파악하면, 그 기술로 무엇이 가능해질지 자유롭게 상상할 수 있게 됩니다.

예를 들어, 저는 신경 임플란트 기술을 진지하게 생각해본 적이 없었습니다. 물리적 크기 추세 차트를 보고 신경 임플란트가 가까운 미래에 실현 가능하리라는 걸 깨닫기 전까지는요. 그리고 기술적으로 가능하다면, 그건 사실상 필연입니다.

어떤 OS를 돌리게 될까? 신경 앱은 어느 앱스토어에서 받게 될까? 우리 뇌의 광고 공간은 누가 팔게 될까? 동전 크기의 초강력 컴퓨터로 또 뭘 할 수 있을까?

둘째는 다른 사람들의 주장을 검증하는 데 쓰는 것입니다. Lifenaut라는 회사가 있는데, 사람들의 데이터를 보관해서 사후 인격 시뮬레이션을 제공하겠다는 곳입니다. 대단히 매력적인 아이디어지만, 1994년의 비디오 스트리밍과 비슷한 상황입니다. 하드웨어가 아직 거기까지 안 됐습니다. 인간 수준의 AI가 가장 빨라야 2024년이고, 그것도 1,000대 이상의 컴퓨터 클러스터에서나 가능하다면, Lifenaut가 그 전에 현실적인 인격 시뮬레이션을 제공하기는 불가능해 보입니다.* 반면, 15년간 이 프로젝트를 지속할 의지가 있다면, 필요한 성능이 갖춰졌을 때 최고의 위치에 있게 될 수도 있습니다.

최근 ‘SF와 과학적 사실’ 패널에서, 다른 패널리스트들과 청중 대부분은 강인공지능이 50년은 남았고 뇌 증강 기술은 100년은 더 있어야 한다고 생각했습니다. 그렇게 먼 미래라면, 지금 생각할 필요가 없는 것들이 되어버립니다. 좀 위험한 태도 같습니다.

* 흔히 제기되는 반론은 “소프트웨어로 구현하면 자연이 뇌에서 구현한 것보다 훨씬 효율적일 것이다”입니다. 글쎄요, 저는 수백만 년의 진화에 베팅하겠습니다.

How To Do It

이 글의 제목이 미래를 예측하는 법 이니, 이제 본격적으로 방법을 다룰 차례입니다. 스프레드시트 계산과 공식을 몇 가지 보여드리겠지만, 꽤 간단하니 걱정하지 마세요. 과정은 세 단계로 나뉩니다. 기술 추세의 연간 증가율을 계산하고, 선형 추세를 미래로 연장한 다음, 미래의 격변을 그 추세에 대입하는 것입니다.

Step 1: 연간 증가율 계산

데이터 포인트 두 개만 있어도 이 작업이 가능하고, 꽤 신뢰할 만합니다. 1996년 컴퓨터와 2011년 컴퓨터, 두 대의 개인용 컴퓨터를 사용한 예시를 보겠습니다. 셀 B7을 보면 컴퓨터 처리 능력이 MIPS(초당 백만 명령어) 기준으로 15년간 매년 1.47배씩 증가했음을 알 수 있습니다.

저는 어딘가 연구소에서만 쓰는 기술보다 제가 직접 가진 기술과 관련된 데이터를 사용하는 걸 선호합니다. 물론 개인용 컴퓨터보다 훨씬 강력한 슈퍼컴퓨터도 있지만, 저는 그런 걸 가지고 있지 않고, 더 중요한 건 그런 기술은 크라우드소싱의 대상이 아니라는 점입니다.

또한 웹에서 비슷한 데이터를 찾아볼 수 있는데도 직접 계산하는 걸 선호합니다. 같은 기본 원리를 다양한 특성에 적용할 수 있기 때문입니다.

Step 2: 선형 추세 연장

두 번째 단계는 기술 추세를 시간에 따라 미래로 연장하는 것입니다. 여기서는 연간 증가율(B$7 – 앞의 스크린샷 참조)을 경과 연수만큼 거듭제곱한 뒤, 기준값(B$11)을 곱합니다. 셀 C12에 표시된 공식이 핵심입니다.

추세처럼 보이는 것이 진짜 추세인지 확인하기 위해 sanity check도 해보는 걸 좋아합니다. 방법은 이렇습니다. 과거의 데이터 포인트 두 개를 고릅니다. 하나는 신뢰할 만한 데이터가 있는 가장 오래된 시점, 다른 하나는 그 시점과 현재의 중간 지점입니다. 그런 다음 예측을 돌려서 현재 시점의 예측값이 실제와 얼마나 가까운지 봅니다. 대역폭 예시에서 1986년과 1998년의 데이터를 골랐더니, 2012년의 대역폭을 정확히 예측했습니다. 이상적인 경우입니다.

Step 3: 비선형적 사건을 선형 추세에 대입하기

마지막 단계는 격변을 가능하게 하는 기술에 대입하는 것입니다. 스트리밍 비디오 예시의 경우, 저는 최소 품질의 비디오 신호가 가로 320픽셀 × 세로 200픽셀 × 초당 16프레임, 픽셀당 최소 1바이트로 구성된다는 걸 알고 있었습니다. 비디오 압축은 현실적으로 달성 가능한 수준을 가정했습니다. 압축된 비디오 신호가 비압축 크기의 20%(5배 감소)가 되는 정도요. 이 가정에 기반한 기반 요건은 약 1.6Mb/초의 대역폭이었고, 2005년에 도달할 것으로 나왔습니다.

이식형 컴퓨터의 경우, 연필 지우개 크기(1/4인치 정육면체)의 컴퓨터라면 사람의 두개골에 쉽게 삽입할 수 있을 거라고 가정했습니다. 컴퓨터의 물리적 크기 추세를 보면, 2030년쯤 이 수준에 도달합니다:

이건 까다로운 예측입니다. 전통적인 데스크톱 컴퓨터는 하드 드라이브, 광학 드라이브, 전원 공급 장치 같은 부품들의 표준화된 폼 팩터에 제약을 받아 큰 사각형 박스 형태를 유지해왔기 때문입니다. 저는 당시 기준으로 컴팩트하게 설계된 컴퓨터들을 사용했습니다. 또한 1996년 Toshiba Portege 300CT를 sanity check용으로 선택했는데, Apple //e와 Portege 사이의 추세를 연장하면 제 Droid는 약 1세제곱인치여야 하는데 실제로는 6입니다. 그래서 이상적인 예측은 아니지만, 대략적인 방향과 시점을 가늠하는 데는 여전히 도움이 됩니다.

인간 수준 AI 예측은 더 직관적이지만, 표시하기는 더 어렵습니다. 인간 지능을 시뮬레이션하는 게 얼마나 어려울지에 대한 가정의 범위가 있고, 문제에 투입할 수 있는 컴퓨터 수에 따른 예측의 범위도 있기 때문입니다. 세 가지 요소(시간, 뇌의 복잡성, 사용 가능한 컴퓨터)를 결합하면 깔끔한 x-y 그래프가 나오지 않지만, 인간 수준 AI 스프레드시트 전체를 공개해두었으니 살펴보실 수 있습니다.

마지막으로 몇 가지 중요한 주의사항을 남기겠습니다:

– 세상 모든 것이 기하급수적으로 개선되지는 않습니다.

– 시간이 지나면서 일관되게 보이는 추세도 한계에 부딪힐 수 있습니다. 예를 들어, 1800년대 신규 토지 정착 속도(시간이 지나면서 증가하던 추세)가 무한히 계속될 수 없다는 건 분명합니다. 토지는 유한하니까요. 하지만 진짜 물리적 한계(예: 남은 정착 가능 토지)와 한계처럼 보이는 것(예: 컴퓨터 프로세서의 제조 한계)을 구별할 필요가 있습니다.

– 어떤 추세는 부정적 피드백 루프에 부딪힙니다. 1890년대 후반, 모든 개인 및 화물 운송이 말에 의존하던 시절에 말똥 위기가 있었습니다. (Gotham: The History of New York City to 1898을 읽어보세요.) 당시 추세를 그래프로 그렸다면, 곧 뉴욕 같은 도시가 말똥에 파묻힐 판이었습니다. 물론 이건 부정적 피드백 루프입니다. 말똥이 계속 늘어났다면 어느 시점에 사람들이 도시를 떠났을 테니까요. 결과적으로 자동차가 이 문제를 해결하고 도시가 계속 성장할 수 있게 해주었습니다.

이 기법은 기술의 일부 영역에서만 작동하고, 언제나 상식을 적용해야 한다는 점을 염두에 두세요. 저는 정보 기술 예측에만 사용해봤지만, 다른 분야에 적용한 사례가 있다면 듣고 싶습니다.

Subscribe now

아마 대부분은 이른바 ‘현실 세계’로 나가게 되면, 결국 어떤 형태로든 직장을 가져야 할 거라고 생각하고 있을 것이다. 하지만 꼭 그렇지는 않다. 오늘 나는 평생 한 번도 직장을 다니지 않을 수도 있는 방법 하나를 이야기해보려 한다.

그 방법은 아주 단순하다. 자기 회사를 만드는 것이다. 물론 이게 일을 피하는 요령은 아니다. 오히려 자기 회사를 시작하면, 보통의 직장을 다닐 때보다 훨씬 더 많이 일하게 된다. 다만 상사가 시키는 일을 하는 것처럼, 직장에 딸려오는 여러 짜증 나는 것들은 상당 부분 피할 수 있다.

남의 프로젝트가 아니라 내가 진짜 하고 싶은 일을 하는 편이 훨씬 재미있다. 돈도 더 많이 벌 수 있다. 부자가 되는 가장 전형적인 경로가 바로 이 방식이다. 언론에 실리는 세계 최고 부자 목록을 보면, 그들 대부분은 자기 회사를 만든 사람들이다.

자기 회사를 만든다는 건, 동네 이발소를 여는 것부터 구글을 만드는 것까지 아주 넓은 범위를 포괄한다. 나는 그 스펙트럼 중에서도 가장 극단적인 쪽, 즉 구글을 만드는 쪽에 대해 이야기해보려 한다.

이 스펙트럼에서 구글 쪽 끝에 있는 회사들은, 처음에는 보통 ‘스타트업’이라고 불린다. 내가 이 세계를 잘 안다고 말할 수 있는 이유는, 아내 제시카와 함께 Y Combinator라는 일종의 스타트업 공장을 만들었기 때문이다. 2005년 이후 Y Combinator는 4,000개가 넘는 스타트업에 투자해 왔고, 지난 19년 동안 수많은 사람들이 회사를 시작하는 과정을 가까이에서 함께해왔다. 그래서 우리는 스타트업을 시작하는 데 무엇이 필요한지, 꽤 정확히 알고 있다.

내가 “구글을 만드는 법을 알려주겠다”고 했을 때, 농담이라고 느낀 사람도 있었을 것이다. “우리가 어떻게 구글을 만들 수 있겠어?”라고 생각했을지도 모른다. 하지만 사실 구글을 만든 사람들 역시 시작하기 전에는 똑같은 생각을 하고 있었다. 만약 Larry Page와 Sergey Brin에게, 그들이 곧 시작할 회사가 훗날 가치 1조 달러를 넘길 거라고 말했다면, 아마 그대로 얼어붙었을 것이다.

스타트업을 시작할 때 확실히 아는 건 거의 없다. 오직 하나, 지금 보기엔 해볼 만하다는 느낌뿐이다. 이게 수십억 달러짜리 회사로 커질지, 아니면 조용히 사라질지는 아무도 모른다. 그래서 내가 말하는 “구글을 만드는 법”이란, 구글이 처음 시작했을 때와 비슷한 확률을 가진 회사를 시작할 수 있는 지점까지 가는 방법을 뜻한다.

그럼 지금 있는 자리에서 어떻게 그런 지점까지 갈 수 있을까? 필요한 건 세 가지다. 첫째, 어떤 기술에 충분히 능숙해지는 것. 둘째, 무엇을 만들지에 대한 아이디어. 셋째, 그 일을 함께할 공동창업자다.

먼저 기술부터 보자. 기술은 어떻게 잘하게 될까? 그리고 어떤 기술을 선택해야 할까? 이 두 질문의 답은 사실 같다. 자기 프로젝트를 하는 것이다. 유전자 편집이 될지, LLM이 될지, 로켓이 될지, 어떤 기술이 가장 유망할지를 미리 맞히려 들지 마라. 그런 건 아무도 예측하지 못한다. 그냥 지금 가장 흥미로운 것을 해라. 흥미가 있는 대상에는, ‘해야 하니까’ 하는 일과는 비교할 수 없을 만큼의 에너지가 들어간다.

그래도 막막하다면, 프로그래밍부터 시작하면 된다. 지난 30년간 스타트업의 중심에는 거의 언제나 프로그래밍이 있었고, 앞으로 10년도 크게 달라지지 않을 가능성이 높다.

이미 학교에서 컴퓨터 과학 수업을 듣고 있다면 “우린 이미 프로그래밍을 배우고 있잖아”라고 생각할지도 모르겠다. 하지만 솔직히 말하면, 그걸로는 부족하다. 수업에서 배우는 것과 실제로 코드를 짜는 건 전혀 다른 일이다. 컴퓨터 과학 수업을 잘 듣고도 정작 프로그래밍은 거의 못 하는 사람들을 흔히 볼 수 있다. 심지어 최상위 대학에서 컴퓨터 과학 학위를 받고도 코딩을 못하는 경우도 있다. 그래서 기술 회사들은 학교나 성적과 상관없이 모두에게 코딩 테스트를 시킨다. 성적표가 실제 능력을 증명해주지 않는다는 걸 너무 잘 알고 있기 때문이다.

프로그래밍을 정말 잘하고 싶다면, 방법은 하나다. 자기 프로젝트를 하는 것이다. 그게 가장 빠르다. 게임을 만든다고 상상해 보자. 게임 안에 어떤 기능을 넣고 싶은데, 방법을 모른다. 그 순간의 학습 속도는 수업에서 뭘 배우는 것과 비교 자체가 되지 않는다.

물론 프로그래밍만이 전부는 아니다. 여기서 말하는 ‘기술’이란, ‘만들다’ 혹은 ‘구축하다’라는 말로 설명할 수 있는 거의 모든 것을 포함한다. 용접도 기술이고, 옷을 만드는 것도 기술이며, 영상을 만드는 것도 마찬가지다. 중요한 기준은 명확하다. 만들고 있는가, 아니면 소비만 하고 있는가. 게임을 만들고 있는가, 아니면 그냥 하고만 있는가. 그 선이 바로 경계다.

Apple의 창업자 Steve Jobs는 십대 시절 서예를 배웠다. 중세 필사본에서 보던, 그 아름다운 문자체 말이다. 그때는 그 누구도, 심지어 본인조차도 이게 커리어에 도움이 될 거라고 생각하지 않았다. 그저 재미있어서 했을 뿐이다. 하지만 이 경험은 나중에 결정적인 역할을 한다. Apple을 크게 만든 매킨토시는, 컴퓨터가 처음으로 인쇄물 같은 활자를 표현할 수 있게 된 순간에 등장했고, 이 지점에서 Apple은 경쟁사들을 압도했다. 그 이유 중 하나는 Steve가 당대 컴퓨터 업계에서 드물게 그래픽 디자인을 진짜로 이해한 사람이었기 때문이다.

프로젝트는 진지하지 않아도 된다. 가벼워도 괜찮다. 중요한 건 만드는 사람인 내가 신나야 한다는 것이다. 실제로 프로그래머의 90%는 게임을 만들면서 시작한다. 본인과 친구들이 좋아하니까, 그들이 쓰고 싶은 걸 만드는 것이다. 그리고 그게 바로, 언젠가 스타트업을 하고 싶다면 15살에 하고 있어야 할 일이다.

프로젝트는 하나일 필요도 없다. 여러 가지를 해보는 편이 오히려 좋다. Steve Jobs도 서예만 배운 게 아니었다. 전자공학도 함께 배웠고, 결과적으로 그게 훨씬 더 큰 자산이 됐다. 결국 핵심은 ‘진짜 흥미를 느끼는 것’을 따라가는 것이다.

이게 스타트업을 시작하기 위한 첫 번째 조건, 즉 어떤 기술에 능숙해지는 방법이다. 방식은 바이올린이나 축구와 다르지 않다. 연습이다. 만약 22살에 스타트업을 시작하고 싶은데, 지금부터 코드를 짜기 시작한다면, 창업할 즈음엔 최소 7년을 연습한 셈이 된다. 그리고 7년이면, 거의 모든 분야에서 충분히 잘할 수 있다.

이제 이렇게 가정해 보자. 당신은 22살이고, 기술도 꽤 잘하게 됐다. 그다음 질문은 이거다. 스타트업 아이디어는 어디서 나올까? 가장 어려워 보이는 지점일지도 모른다. “프로그래밍은 잘하는데, 어떻게 구글 같은 아이디어를 떠올리지?”라고 생각할 수 있다.

하지만 실제로는 그 반대다. 기술에 충분히 익숙해지면, 아이디어는 오히려 쉽게 보이기 시작한다. 어떤 기술을 정말 깊이 이해하고 나면, 세상을 볼 때 비어 있는 부분들이 희미한 점선처럼 드러난다. 기술 자체에서 빠져 있는 것들, 그리고 기술로 충분히 고칠 수 있는데도 여전히 방치된 문제들. 그 하나하나가 모두 스타트업의 씨앗이다.

우리 집 근처에, 문이 잘 닫히지 않는다는 안내문을 붙여 둔 가게가 있다. 그 표지판은 몇 년째 그대로 붙어 있다. 가게 사람들에겐 문이 걸리는 일이 마치 자연현상처럼 느껴질 것이다. 그래서 손님들에게 조심하라는 안내문만 붙여둔 채 그대로 둔다. 하지만 목수가 이 장면을 본다면 이렇게 생각할 것이다. “왜 걸리는 부분을 조금 깎지 않는 거지?”

프로그래밍에 능숙해지고 나면, 세상에 존재하는 모든 ‘빠진 소프트웨어’가 목수 눈에 걸리는 문처럼 선명하게 보이기 시작한다. 실제 사례를 하나 들어보자. 20세기 말까지만 해도 미국 대학들은 학생들의 이름과 연락처를 담은 종이 명부를 발간했다. 이 명부의 이름을 들으면, 내가 어떤 스타트업 이야기를 하려는지 바로 알 수 있을 것이다. 그 명부의 이름은 ‘페이스북’이었다. 학생 이름 옆에 사진이 붙어 있었기 때문이다.

2002년, Mark Zuckerberg가 하버드에 입학했을 때 학교는 여전히 이 페이스북을 온라인으로 옮기지 못하고 있었다. 기숙사 단위로는 이미 온라인 페이스북이 있었지만, 대학 전체를 아우르는 버전은 없었다. 학교 행정팀은 이 문제를 진지하게 논의하며 회의를 거듭하고 있었고, 아마 10년쯤 뒤에는 해결했을지도 모른다. 대부분의 학생들은 딱히 문제라고 느끼지도 않았다. 하지만 Mark는 프로그래머였다. 그는 이 상황을 보고 이렇게 생각한다. “이건 말이 안 되잖아. 하룻밤이면 고칠 수 있는데. 사람들이 각자 사진을 올리게 하고, 데이터를 한데 모아서 학교 전체 사이트로 만들면 끝이잖아.” 그래서 그는 실제로 그렇게 했다. 그리고 말 그대로 거의 하룻밤 만에 수천 명의 사용자가 생겼다.

물론 이때의 Facebook은 아직 스타트업이 아니었다. 그저 하나의 프로젝트였다. 다시 강조하지만, 프로젝트는 기술을 배우는 가장 좋은 방법일 뿐만 아니라, 스타트업 아이디어가 태어나는 최고의 토양이기도 하다.

Facebook만 그런 건 아니다. Apple과 Google 역시 모두 프로젝트로 시작했다. Apple은 애초에 회사를 만들겠다는 생각에서 출발하지 않았다. Steve Wozniak은 그냥 자기만의 컴퓨터를 만들고 싶었을 뿐이다. 그러다 Steve Jobs가 “이걸 다른 사람들에게 팔 수 있지 않을까?”라고 말하면서 회사가 되었다. 정확히 말하면, 그들이 처음에 판 건 컴퓨터가 아니라 컴퓨터 설계도였다. 지금 생각하면 꽤 허술해 보이는 출발이다.

Google도 마찬가지였다. Larry와 Sergey 역시 처음부터 회사를 만들 생각은 없었다. 그들은 단지 검색을 더 잘 만들고 싶었다. Google 이전의 검색엔진들은 결과를 중요도 순으로 정렬하지 않았다. ‘rugby’를 검색하면 그 단어가 들어간 모든 웹페이지를 그대로 나열했다. 1997년 당시 웹은 아직 작았기 때문에, 이 방식도 어느 정도는 작동했다. 페이지 수가 20~30개 정도였으니까. 하지만 웹은 기하급수적으로 커지고 있었고, 그 말은 이 방식의 검색이 기하급수적으로 망가지고 있다는 뜻이었다. 대부분의 사용자는 이렇게만 느꼈다. “원하는 걸 찾으려면 결과를 너무 많이 뒤져야 하네.” 문이 걸리는 상황이다. 하지만 Larry와 Sergey 역시 프로그래머였다. Mark처럼 그들은 이 상황을 보고 이렇게 생각했다. “이건 이상하다. rugby에 관한 페이지 중에는 분명 더 중요한 것들이 있는데, 왜 그걸 먼저 보여주지 않는 거지?”

지금 돌이켜보면, 이게 위대한 스타트업 아이디어였다는 건 너무나 분명하다. 하지만 당시에는 전혀 그렇지 않았다. 언제나 그렇다. Apple이나 Google, Facebook을 시작하는 게 처음부터 명백히 좋은 아이디어였다면, 이미 다른 누군가가 먼저 했을 것이다. 그래서 최고의 스타트업은 대개, 스타트업을 만들겠다는 목표로 시작되지 않은 프로젝트에서 나온다. 회사를 세우려던 게 아니라, 그저 스스로 흥미를 느끼는 방향으로 손을 움직였을 뿐이다. 그리고 만약 당신이 젊고 기술에 능숙하다면, 무엇이 흥미로운지에 대한 무의식적인 감각은 무엇이 좋은 사업이 될지에 대한 의식적인 계산보다 훨씬 정확하다.

그래서 젊은 창업자에게 정말 중요한 건, 자기 자신과 친구들을 위해 무언가를 만드는 것이다. 가장 흔한 실수는, 정체를 알 수 없는 ‘어딘가의 다른 사람들’을 위해 무언가를 만드는 것이다. 반대로, 나와 친구들이 정말 쓰고 싶은 것을 만들 수 있다면 — 단순히 의리로 써주는 게 아니라, 서비스가 사라지면 진심으로 아쉬울 만큼 — 그 안에는 거의 확실하게 좋은 스타트업 아이디어의 씨앗이 들어 있다. 지금 당장은 스타트업처럼 보이지 않을 수도 있고, 수익 모델이 떠오르지 않을 수도 있다. 그래도 괜찮다. 방법은 나중에 반드시 생긴다.

스타트업 아이디어에 필요한 건 사실 하나뿐이다. 내 친구들이 실제로 원하는 것. 그게 전부다. 기술에 충분히 능숙해지고 나면, 그런 아이디어는 결코 찾기 어렵지 않다. 세상 곳곳에서 걸리는 문들이 보이기 시작한다.

이제 세 번째이자 마지막으로 필요한 요소를 이야기해보자. 공동창업자, 즉 코파운더다. 이상적인 스타트업은 보통 두세 명의 창업자로 시작한다. 그렇다면 공동창업자는 어디서 찾을까? 다음에 할 말을 이미 짐작했을지도 모르겠다. 그렇다, 프로젝트다. 공동창업자는 함께 프로젝트를 하며 만난다. 중요한 건 두 가지다. 자기 일을 잘하는 사람인지, 그리고 함께 일했을 때 잘 맞는지. 이건 말로는 알 수 없고, 실제로 같이 무언가를 만들어봐야만 알 수 있다.

여기서 아마 듣기 싫은 이야기를 하나 해야겠다. 학교 공부는 정말 중요하다. 외워서 치르는 과목이든, 문학 이야기를 길게 늘어놓는 수업이든 상관없다. 이유는 분명하다. 공부를 잘해야 좋은 대학에 갈 수 있고, 스타트업을 하고 싶다면 가능한 한 좋은 대학에 가는 편이 유리하다. 그곳에 좋은 공동창업자들이 있기 때문이다. 그리고 나중에 함께 일하게 될 뛰어난 동료들도 거기에 모여 있다. Larry와 Sergey가 Google을 시작했을 때 가장 먼저 한 일은, 스탠퍼드에서 자신들이 아는 가장 똑똑한 사람들을 채용하는 것이었고, 이는 결정적인 강점이 되었다.

이건 경험적으로도 명확하다. 성공적인 스타트업이 특히 많이 나오는 곳들을 살펴보면, 거의 그대로 입학이 가장 까다로운 대학들의 목록과 겹친다.

이게 대학 이름의 명성 때문이라고는 생각하지 않는다. 교육의 질이 특별히 더 좋아서도 아니다. 핵심은 단순하다. 들어가기가 어렵다는 사실 자체다. MIT나 케임브리지를 가려면 상당히 똑똑하고 끈질겨야 한다. 그래서 그곳에는 비슷한 성향을 가진 사람들이 자연스럽게 모인다.

물론 공동창업자를 꼭 대학에서 만나야 하는 건 아니다. Twitch의 창업자들은 일곱 살 때 만났고, Stripe의 창업자인 패트릭과 존 콜리슨은 태어날 때부터 알고 지낸 사이였다. 하지만 그럼에도 불구하고, 공동창업자가 가장 많이 나오는 곳은 여전히 대학이다. 그리고 공동창업자가 있는 곳에 아이디어도 있다. 가장 좋은 아이디어는 결국, 함께 프로젝트를 해온 사람들 사이에서 나온다.

그래서 지금 이 자리에서, 스타트업을 시작할 수 있는 지점까지 가기 위해 해야 할 일의 목록은 놀랄 만큼 간단하다. 첫째, 기술에 능숙해져라. 방법은 자기 프로젝트를 하는 것이다. 둘째, 학교 공부를 가능한 한 잘해 좋은 대학에 가라. 그곳에 공동창업자와 아이디어가 있다.

이게 전부다.
만들고, 공부하라. 두 가지만 하면 된다.

→ How to Start Google

욱영&지수가 글을 읽고 공유하는 작은 모임이 340명 규모의 카카오톡 채팅방으로 성장하게 되었고, 160명 규모의 뉴스레터로 성장하게 되었습니다. 정말 감사드립니다. 지난 1년간 Commits을 통해 많은 인연이 이어지고, 기회가 찾아왔습니다.

이번 글은 저희가 Commits을 운영하면서 어떤 결정을 내렸고, 무엇을 배웠는지를 적어보았습니다.

Subscribe now

왜 어떤 사람은 다른 사람보다 더 똑똑할까요?

학습 성취율은 (1)재능과 (2)투자한 시간에 의해서 결정됩니다. 학습 성취율은 사람마다 고유한 재능이 있고 시간을 투자하는 만큼 높아집니다. 그런데 학습 성취율이 높아지는 속도는 재능과 무관합니다. 재능은 바꿀 수 없기에, 더 똑똑해지기 위해서는 그냥 시간만 투자하면 됩니다.

저는 더 똑똑해지기 위해서 학습에 시간을 투자할 수 있는 인센티브 구조를 만드는 게 필요하다고 생각했습니다. 학습에 시간을 투자하는 인센티브 구조를 만들면, 제가 모르는 분야에서도 시간을 쏟고 그 분야에 대해 배우며 더 똑똑해질 수 있다고 생각했습니다.

그래서 제가 공부한 분야를 정리해서 공유하는 모임으로 카카오톡 채팅방을 이용해 Commits 커뮤니티를 만들었습니다. 많은 사람이 지켜보고 있기 때문에 제가 학습이라는 분야에 오너십을 가지고 끊임없이 학습할 수 있다고 생각했기 때문입니다.

자격증명(Proof of Work) 만들기

커뮤니티가 잘 운영되기 위해서는 자격증명(Proof of Work)을 제대로 구성하는 것이 필요합니다.

페이스북은 초기에 하버드 대학생만 사용할 수 있었습니다. 그러나 하버드라고 하는 자격증명을 가진 이들은 소수이기에 페이스북은 하버드에서 아이비 리그 대학으로, 아이비 리그 대학에서 일반 대학으로 자격증명을 낮춤으로써 확장해나갔습니다.

자격증명이 낮아지면 사람들은 커뮤니티를 이탈합니다. 그래서 페이스북은 팔로워와 좋아요를 이용해 또 다른 자격증명을 만들어냈습니다.

제가 만든 커뮤니티도 하버드 대학생 같은 자격증명이 있기를 희망했습니다. 그러나 확장을 위해 자격증명을 낮추고 싶지는 않았습니다. 이를 위해 저는 Commits에서 올라오는 콘텐츠의 주제 자체를 어렵게 하고, 지인 초대 기반의 실명 채팅방이라는 방향으로 커뮤니티를 구성했습니다.

Commits은 어렵고 짜증나고 복잡한 주제에 대해 제가 공부한 내용을 공유합니다. 그래서 어렵고 짜증나고 복잡한 주제에 관심이 없는 지인에게 이 커뮤니티를 초대하기 어렵습니다. 그래서 콘텐츠 주제를 자격증명으로 만들어 커뮤니티의 퀄리티를 유지하는 방향을 선택했습니다.

채팅 커뮤니티의 문제점

페이스북은 하버드라는 자격증명을 없앤 이후 텍스트 콘텐츠로 팔로워, 좋아요라는 사회적 지위를 가지게 만들어 이를 얻기 위해서 콘텐츠를 생성하게 만들었습니다. 또한, 기존의 방식(텍스트로 상태 업데이트)으로 자격증명을 얻기 어려워지면 뉴스피드, 릴스와 같은 다른 콘텐츠 형식으로 또 다른 자격증명을 만들어 나갔습니다. 그래서 페이스북은 콘텐츠 생성에 대한 인센티브 구조가 명확합니다.

그런데 카카오톡 채팅방은 콘텐츠 공유에 대한 인센티브가 없고(정보 콘텐츠 공유로 사회적 지위를 얻기 어려움) 운영자가 새로운 사회적 지위를 생성할 수 있는 방안이 없습니다.(콘텐츠 형식이 텍스트로 한정되고 플랫폼에 종속됨) 그 결과 사람들은 Commits에 콘텐츠를 공유할 이유가 없습니다.

이 문제에 대한 나름의 해답으로 저는 Commits 채팅방의 신규인원에게 자기소개를 강제로 시킵니다. 사람들이 Commits 채팅방에 콘텐츠를 올릴 유인이 없고 사람이 많아질수록 콘텐츠 공유에 대한 부담감이 생기기 때문에, 자기소개를 강제로 시킴으로써 첫 대화를 하게 만듭니다. 이는 페이스북, 인스타그램이 첫 게시글을 유도하는 것과 유사합니다.

실패한 뉴스레터와 성공적이었던 오프라인 모임

저는 지난 1년간, 자기소개 같이 강제 제약이 아니라, 유저가 자발적으로 콘텐츠를 공유하는 인센티브 구조를 만들기 위해 많은 고민을 했습니다. 그 노력의 일환으로 일주일 동안 올라왔던 정보성 콘텐츠를 선별해, 이를 하나로 모아 뉴스레터 형식으로 공유하는 뉴스레터를 운영했습니다.

자신이 채팅방에 올린 정보성 콘텐츠가 선택되어 외부에 공유되었을 때, 이를 인센티브 삼아서 정보 공유가 더 활발해지리라 생각했기 때문입니다. 그런데 정보를 공유하는 사람이 욱영&지수에 한정되어 성공적인 인센티브 구조를 만들지 못했습니다. 다른 사람이 콘텐츠 공유하는 것이 되어야만 운영되는 구조였기 때문입니다.

그러다 운이 좋게도 BZCF에 지원으로 Commits 오프라인 모임을 운영하게 되었는데, 커뮤니티를 활성화시킬 수 있는 계기가 되었습니다. 얼굴을 보고 대화하는 것이 생각보다 강력해서, 오프라인에서 만난 인원들의 참여도를 높일 수 있었습니다. 그 이후로도 레브잇과 오프라인 모임을 한 번 더 운영했고, 이를 더 잘할 수 있는 방안을 고민하고 있습니다.

Commits

앞으로 Commits은 무엇을 해야할까요? 잘 모르겠습니다. 하지만 계속 글을 정리하고, 글을 쓰며 Commits을 운영하면 성장할 수 있다고 생각합니다.

저희는 무언가가 잘 안 될 수 있는 이유보다는 무언가가 잘 되었을 때의 세상이 궁금합니다. 그리고 무엇보다도 Commits에 있는 분들이 세상을 바꿀 수 있다고 생각합니다.

감사합니다!

Subscribe now

• 하나는 이미 할 수 있었던 일을 더 빠르고, 더 저렴하고, 더 쉽고, 더 높은 품질로 더 잘할 수 있게 하는 경우이고,

• 다른 하나는 이전에는 아예 할 수 없었던 완전히 새로운 일을 가능하게 하는 경우이다.

신기술의 초기 단계에서는 첫 번째 범주가 더 많은 관심을 받는 경향이 있지만, 결국 세상에 더 큰 영향을 미치는 것은 두 번째 범주이다.

‘예전보다 더 잘하기’가 초기 단계에서 더 주목받는 이유는 무엇을 만들지 상상하기가 더 쉽기 때문이다. 초기 영화는 연극처럼 촬영되었고 — 사실상 더 나은 배급 방식을 가진 연극에 불과했다 — 시간이 지나서야 영화만의 고유한 시각적 문법이 정립되었다.

초기 전기 그리드는 기존의 가스등이나 양초보다 더 밝고 안정적인 빛을 제공했다. 그러나 전기 “앱스토어”, 즉 전기 그리드에 연결되는 다양한 전기 가전 생태계가 자리 잡기까지는 수십 년이 걸렸다. 초기 웹 역시 편지 쓰기나 우편 주문처럼 인터넷 이전의 활동을 그대로 디지털로 옮겨놓은 형태에 가까웠다. 2000년대에 들어서야 소셜 네트워킹, 크라우드펀딩, 암호화폐, 크라우드소싱 기반 지식베이스 등 ‘인터넷 네이티브’ 아이디어가 본격적으로 등장했다.

사람들이 신기술을 평가할 때 가장 흔하게 하는 실수는 ‘예전보다 더 잘하는 것’ 범주에 지나치게 집중하는 것이다. 예를 들어 블록체인의 가능성을 이야기할 때, 사람들은 저렴하고 빠른 글로벌 결제에 초점을 맞추곤 하는데, 이는 중요하고 필요하지만 어디까지나 시작에 불과하다.

더 흥미로운 것은 이전에는 아예 만들 수 없었던 완전히 새로운 것들이다. 예를 들면 회사가 아니라 사용자들이 직접 소유하고 운영하는 인터넷 서비스 같은 것이다. 또 다른 예는 웹 서비스로 설계된 기업용 생산성 앱이다. Salesforce 같은 초기 제품은 기존 온프레미스 소프트웨어보다 접근성이 좋고 유지 비용이 낮았다. 반면 구글 닥스, 피그마, 슬랙과 같은 최신 생산성 앱은 실시간 협업이나 다른 앱과의 깊은 통합 등 이전에는 불가능했던 기능에 집중한다.

‘완전히 새로운 일’을 만들어내는 창업가들은 보통 핵심적인 통찰을 얻기까지 오랜 시간 해당 기술에 깊이 몰입한다. 이들이 만드는 제품은 초기에는 장난감처럼 보이거나, 이상하거나, 진지하지 않거나, 비싸 보이거나, 때로는 위험해 보이기도 한다. 시간이 흐르면서 제품은 꾸준히 개선되고, 세상은 점차 이를 받아들인다.

이 과정은 수십 년에 걸쳐 진행될 수 있다. 암호화폐, 머신러닝, 가상현실과 같은 신흥 기술의 발전은 아직 초기 단계에 있다. 심지어 모바일 기기, 클라우드 호스팅, 소셜 네트워크, 그리고 어쩌면 인터넷 자체조차도 여전히 초기 단계일 가능성이 있다. 그렇다면 이러한 기술 위에서 구축되는 새로운 ‘네이티브’ 제품군이 앞으로도 계속해서 등장할 것이다.

cdixon - Doing old things better vs doing brand new things

“위험은 로봇이 명령을 어기는 데 있지 않다. 너무 완벽하게 복종하는 데 있다.”

최전선에서 매일같이 쏟아지는 새로운 연구 결과, 수십억 달러 규모의 투자, 그리고 미국·중국 간 고조되는 기술 경쟁. 이 모든 것이 만나는 지점에는, ‘새로운 물리적 세계를 다시 만들어내려는 거대한 꿈’이 자리하고 있다.

LLM 이후, 로보틱스는 “다음 폭발적 성장 분야”로 지목되고 있다. 특히 중국 제조업이 미국에게 실존적 위협으로 인식되면서, 로봇 분야의 경쟁은 더 거칠게 달아오르고 있다.

로보틱스는 AI 분야 중에서도 가장 어려운 영역이지만, 아이러니하게도 최근 등장한 여러 새로운 AI 전략들이 EGI*로 이어지는 구체적이고 명확한 경로를 보여주기 시작했다.

*EGI(Embodied General Intelligence): 현실 세계에서 인간처럼 다양한 작업을 해낼 수 있는 ‘체화된 일반(General)** 지능 로봇’
**일반(General): 특정 작업 하나에만 고정되지 않고, 여러 상황·여러 종류의 일을 스스로 해낼 수 있는 넓은 능력 범위.

나는 이 흐름을 가장 가까운 곳에서 관찰해왔다. 최전선 연구자들과의 대화, Tesla의 Optimus와 Dyna 같은 로봇 회사에서 직접 접한 경험, 그리고 나 나름의 기술적 직감까지 모두 더해보면— 2045년이면 ‘추론하며 스스로 동작하는 로봇’이 전 세계 GDP의 절반을 차지할 것이라는 결론에 도달한다. 이 글은 바로 그 미래가 어떻게 현실이 되는지를 단계별로 보여주는 시나리오다.

2023–2025: 태동기

Android Dreams 전반에서는 실제 기업 대신, 특정 유형의 회사를 상징하는 가상의 이름을 사용한다. 예를 들어 “미국의 AI 연구소”를 뜻하는 OpenBrain, “중국의 휴머노이드 기업”을 의미하는 Unioak 같은 식이다.

OpenBrain의 LLM은 전 세계를 뒤흔든다. 이를 계기로 여러 로봇 기업들이 OpenBrain의 성공을 등에 업고 3억 달러(약 4,000억 원) 규모의 투자를 잇달아 유치한다. 그중에는 미국의 신규 로봇 스타트업 Waytek도 있다. 이들은 로봇 분야에서 OpenBrain의 성공을 재현하기 위해 “로봇용 LLM”을 만들겠다는 목표로 뛰어든다.

왜 LLM은 성공했을까?

프리트레이닝*이 성공한 이유는 스케일링 가설이 맞았기 때문이다.

* 프리트레이닝(pre-training): AI 모델이 언어·지식·세계 패턴을 대규모 데이터로 먼저 학습하는 기초 단계. GPT의 ‘P(Pre-trained)’가 이를 의미한다.

즉, 모델의 크기와 데이터량이 커질수록 인간과 유사한 능력이 나타난다는 가설이다. GPT-4 같은 모델은 수조 개의 파라미터와 테라바이트급 데이터를 학습하면서 인간에 가까운 언어 능력과 사고력을 얻게 됐다. 이러한 초거대 규모가 가능했던 이유는 다음 세 가지가 동시에 맞물렸기 때문이다.

1. 병렬 컴퓨팅 인프라(NVIDIA GPU와 CUDA),

2. 효율적인 아키텍처(Transformer),

3. 인터넷급 텍스트라는 방대한 데이터.

또한 o3 같은 추론 특화 모델의 포스트트레이닝*이 성공할 수 있었던 이유는, OpenAI가 강화학습**을 수만 개 GPU를 동시에 돌리는 방식으로, 매우 큰 배치 사이즈까지 확장했기 때문이다. 이것 역시 병렬 컴퓨팅이 핵심이었고, 동시에 GRPO***처럼 구조는 단순하지만 초대규모 환경에서도 안정적으로 동작하는 강화학습 알고리즘이 있었기에 가능했다.

* 포스트트레이닝 (post-training): 프리트레이닝 이후, 모델의 능력을 원하는 방향으로 다듬고 강화하는 추가 학습 단계.
** 강화학습 (Reinforcement Learning): 모델이 스스로 행동을 시도하고, 그 결과(성공,실패)에 따른 보상을 통해 성능을 개선해 나가는 학습 방식.
*** GRPO (Group Relative Policy Optimization): 강화학습을 엄청나게 많은 GPU에서 동시에 돌려도 잘 돌아가도록 만든 단순하고 안정적인 알고리즘이다.

로보틱스가 성공하려면 데이터가 병목이 되어서는 안 된다.

데이터 수집이 어렵더라도, 더 다양하고 정보 밀도가 높은 데이터로 학습하기 위해 연산량(컴퓨트)을 더 쓰는 것조차 감수할 가치가 있다. (…이 부분은 뒤에서 중요한 복선으로 다시 등장한다.)

OpenBrain의 프리트레이닝이 잘된 이유는, 사실상 인터넷 전체를 긁어 모은 수준의 방대한 텍스트 데이터가 있었기 때문이다. 하지만 로보틱스에는 그런 “로봇판 인터넷”이 존재하지 않는다. 로봇이 학습해야 하는 행동(action) 데이터셋은 가장 큰 것조차도 OpenBrain의 LLM 데이터셋의 0.01% 에도 못 미친다.

OpenBrain의 포스트트레이닝이 가능했던 이유는 강화학습 덕분이었다. 모델이 복잡한 수학 문제 같은 과제를 수십억 번 반복하며 성공과 실패를 통해 학습하는 방식이다. 하지만 로봇에게는 이 방식이 통하지 않는다. 현실 세계는 너무 느리고, 로봇이 그런 규모로 상호작용하기에는 물리적·시간적 제약이 너무 크기 때문이다.

그래서 지금 모든 로보틱스 연구의 핵심은 단 하나의 질문으로 모인다. “로봇에게도 프리트레이닝과 포스트트레이닝을 스케일링하려면 어떻게 해야 할까?”

Waytek 의 텔레오퍼레이션은 통한다

2023년부터 2025년까지 Waytek은 프리트레이닝 데이터 부족 문제를 해결하기 위해 ‘텔레오퍼레이션* 데이터를 대규모로 수집하는 전략을 택한다. 사람이 로봇을 직접 조종하는 과정을 기록하고, 이를 그대로 따라 하도록 VLA** 모델을 학습시키는 방식이다. 구조도 LLM과 매우 유사하다.

* 텔레오퍼레이션(Teleoperation): 사람이 로봇을 원격으로 직접 조종하는 것
** VLA (Vision-Language-Action): 시각 + 언어 + 행동 정보를 함께 처리해 로봇이 스스로 판단하고 움직이도록 만드는 AI 구조. 예: “카메라로 본 화면(영상)”과 “사람의 지시(언어)”를 이해해 “어떻게 행동할지(행동)”까지 결정하는 방식.

초기 실험 결과는 생각보다 훨씬 좋았다. 데모에서는 로봇이 세탁물 정리, 샌드위치 만들기, 셔츠 개기, 소포 분류 같은 작업을 높은 신뢰도로 수행하는 모습이 공개되었다. 몇몇 기업들은 Waytek처럼 텔레오퍼레이션에 전력투구한다. 하지만 업계 의견은 정확히 둘로 갈린다.

한쪽은 “텔레오퍼레이션이 결국 일반(General)화된 로보틱스로 이어질 것”이라고 믿고, 다른 한쪽은 “텔레오퍼레이션은 스케일이 안 돼서 본질적 해결책이 아니다”라고 반박한다.

그러나 사실 두 입장 모두 핵심을 놓치고 있다. 왜냐하면 AI 로봇이 수행해야 하는 작업은 크게 ‘좁은(narrow) 작업’과 ‘일반(general) 작업’이라는 두 부류로 나뉘고, 두 분야가 요구하는 프리트레이닝·포스트트레이닝 방식 자체가 완전히 다르기 때문이다.

• Narrow tasks(좁은 작업): 단순하지만 어느 정도 변동성이 있는 작업들.
  예: 소포 분류, 옷 개기 등.

• General tasks(일반 작업): 인간 수준의 복잡한 기능과 전반적 판단 능력이 필요한 작업들.
  예: 서비스업, 건설, 의료, 교육, 가정 내 다양한 작업 등.

텔레오퍼레이션은 좁은 작업을 자동화하기에는 매우 효과적이지만, 일반 작업으로 확장하는 데에는 구조적으로 한계가 있어 결국 막다른 길에 도달한다.

태평양 건너 중국의 힘은 이미 미국을 압박할 만큼 커져 있었다.

선전(Shenzhen)에서는 100번째 제조 공장이 완전 자율 다크 팩토리*로 전환된다. 중국은 이미 미국의 두 배에 달하는 에너지 생산력, 열 배 규모의 제조 역량을 갖추었고, 전면 자동화를 향해 거침없이 질주하고 있다.

* 다크 팩토리(Dark Factory): 인간이 거의 없이(혹은 전혀 없이) 24시간 자동으로 운영되는 완전 자율 공장. 사람이 필요 없으니 불을 켜둘 이유도 없어 ‘dark factory’라 불린다.

2024년, 로봇개로 잘 알려진 중국의 휴머노이드 기업 Unioak은 본격적으로 휴머노이드 로봇을 시장에 내놓기 시작한다. 그리고 2025년이 되자, 이 로봇들은 춤을 추고 화려한 데모를 선보이며 전 세계를 압도한다.

미국 투자자들은 중국의 다크 팩토리를 두려움과 긴장 속에서 논하며, “미국은 반드시 제조업을 다시 국내로 가져와야 한다(America Must Reshore Manufacturing)”라는 보고서와 메모를 쏟아낸다.

사람들은 중국을 걱정하고, AI가 일자리를 빼앗을 것이라 불안해한다. 하지만… 아직 아무도, 진짜로 무엇이 다가오는지 보지 못하고 있다.

2026–2030: Vertical 시대

Vertical(수직): 한 산업이나 한 작업만 깊게 파고드는 방식

2026년, AI가 직접 제어하는 로봇이 처음으로 인간의 일자리를 대체하는 순간이 찾아온다. 미국의 버티컬 로보틱스 선두 기업인 Waytek은 저렴한 중국산 하드웨어와 텔레오퍼레이션 기반 데이터 수집을 조합해, 소포 분류처럼 단순하지만 반복적인 작업에서 인간 대비 80% 수준의 성능을 달성한다.

Waytek은 이 로봇들을 ‘판매’하는 대신, 노동력을 제공하는 형태로 소포 분류 센터에 투입한다. 센터 운영자 역시 다가오는 자동화 흐름을 받아들이고 싶어 로봇 도입을 기꺼이 승인한다.

Waytek 클론들의 등장

비관론자들은 Waytek의 로봇이 일반화도 안 되고, 깊은 추론도 못 하며, ‘진짜 지능’과는 거리가 있다고 지적한다. 하지만 중요한 사실이 하나 있다. AI 로보틱스 역사상 처음으로, ‘실제로 쓸 수 있는 로봇’이 등장했다는 점이다.

Waytek은 추가로 약 4억 달러(약 5,600억 원) 규모의 투자를 유치하고, 오퍼레이터·엔지니어·데이터 수집 인력을 대량 채용하며 로봇 배치를 공격적으로 확대한다. 한편 다른 스타트업들도 각자 약 5천만 달러(약 700억 원)의 투자를 받아, Waytek의 방식을 각기 다른 버티컬 산업에 그대로 복제하려 뛰어든다.

Waytek은 로봇을 판매하지 않는다. 대신 서비스형 로봇(Robots-as-a-Service, RaaS) 모델을 쓴다. 즉, 로봇 한 대를 ‘판매’하는 것이 아니라, 로봇이 일한 시간당 노동비를 받는 방식이다. 이 모델 덕분에 고객사는 도입 과정에서 발생하는 기술적·운영적 복잡성을 거의 신경 쓰지 않아도 된다.

Waytek은 소포 분류 시설을 여러 곳으로 확장하면서, 단 하나의 작업만 자동화했음에도 연간 반복 매출(ARR)을 1억 달러(약 1,400억 원) 규모까지 끌어올린다. Waytek의 이 성공을 지켜보던 미국의 휴머노이드 로봇 기업들—예컨대 Noumena 같은 회사—는 중요한 사실을 깨닫는다.

값비싼 휴머노이드 로봇은 단순 작업에서는 값싸고 대량 생산 가능한 중국산 하드웨어와 절대 경쟁이 되지 않는다는 점이다. 따라서 이들이 성공하려면 Waytek이 접근조차 못 하는 영역, 즉 휴머노이드가 4배 비싼 가격을 정당화할 만큼 복잡한 ‘일반 작업(General tasks)’을 공략해야만 한다.

Waytek, 연간 매출 100억 달러까지 스케일

규모가 커질수록 Waytek은 데이터 수집 방식을 텔레오퍼레이션 중심에서 엑소스켈레톤* 중심으로 점차 전환한다. 텔레오퍼레이션은 장비도 비싸고 운영 난이도도 높은 반면, 엑소스켈레톤은 훨씬 저렴하면서도 인간 수준의 정교한 움직임을 그대로 기록할 수 있어, 더 고품질의 데이터를 안정적으로 확보할 수 있기 때문이다.

* 엑소스켈레톤(Exoskeleton): 신체 바깥에 착용하는 외부 골격 장치로, 사용자의 힘을 보조하거나 정교한 동작을 그대로 캡처하는 데 활용된다.

텔레오퍼레이션과 엑소스켈레톤의 상충 관계

Physical Intelligence의 Pi0와 0.5 연구는 텔레오퍼레이션 데이터에 VLM* 백본을 결합하면 동일 도메인 내에서는 꽤 높은 수준의 일반화가 가능하며, 기본적인 작업들을 안정적으로 수행할 수 있음을 보여줬다.

* VLM(Vision-Language Model): 영상(vision)과 언어(language)를 동시에 이해하는 모델.
예를 들어:

“책상 오른쪽 뒤에 있는 노란 컵 좀 집어줘.” 라고 말하면,

1. 카메라 영상 분석 — 책상, 오른쪽, 뒤, 노란 컵의 위치를 파악하고

2. 언어 이해 — 사용자가 무엇을, 어떻게 하라는지 해석한 뒤

3. 두 정보를 결합해 판단 — “노란 컵을 집으려면 로봇 팔을 어디로 움직여야 할까?”까지 생각.

여기에 행동(action)까지 직접 결정해 실제로 움직일 수 있도록 확장한 개념이 바로 위에서 설명한 VLA(Vision-Language-Action)이다.

Dyna Robotics의 Dynamism-1은 여기에 여러 기술적 발전을 더해, 텔레오퍼레이션 기반 모델만으로도 작업 신뢰도 99.99%, 24시간 동안 인간 속도의 50% 이상으로 옷 개기 작업을 수행할 수 있음을 증명했다.

여기서 얻는 핵심 통찰은 매우 단순하다:

극도로 안정적이고 좁은 범위의 작업을 자동화하는 데에는 AGI가 필요하지 않다.

FigureAI의 Helix 역시 텔레오퍼레이션만으로도 물류 영역에서 인간 수준의 손재주와 높은 신뢰도를 달성할 수 있음을 보여줬다.

엑소스켈레톤 방식은 아직 상업적으로 뚜렷한 성과를 내진 못했지만, Dexop 엑소스켈레톤과 Dexcap 글러브 같은 연구가 보여주듯, 엑소스켈레톤 데이터 역시 텔레오퍼레이션에 뒤지지 않는 품질로 학습에 활용될 수 있다.

단, 중요한 조건이 하나 있다. 엑소스켈레톤에서 얻은 시각 정보와 엔드 이펙터(end-effector) 움직임이 실제로 사용할 로봇 팔과 형태적으로 동일해야 한다는 점*이다. 즉, 사람의 움직임과 로봇의 움직임이 1:1로 대응 가능해야 엑소스켈레톤 데이터를 그대로 쓸 수 있다는 뜻이다.

*사람의 동작 데이터를 로봇이 그대로 재현하기 어렵기 때문이다. 예를 들어 사람 손은 관절과 자유도가 매우 많지만, 로봇 팔은 관절 수가 훨씬 적거나 단순한 그리퍼를 사용하는 등 구조가 전혀 다르다. 형태가 다르면 동일한 움직임 자체를 구현할 수 없어, 사람 손으로 수집한 엑소스켈레톤 데이터를 그대로 활용하기 어렵다.

수천 대 규모로 로봇이 배치되기 시작하면서, Waytek은 AI 모델을 평가하고 개발 속도를 높이기 위해 작업별(world model) 시뮬레이션 영상*을 훈련해 활용한다. AI가 실제 환경처럼 상호작용하며 테스트할 수 있는 작은 가상 세계를 만드는 것이다.

*예시: NVIDIA

또한 대규모 배치 덕분에 강화학습에 쓸 데이터가 폭발적으로 늘어나면서, 각 좁은 작업(narrow task)의 성능은 수개월에 걸쳐 꾸준히 향상된다.

운영 측면의 어려움도 여전하다. 새로운 시설마다 얽혀 있는 복잡하고 지저분한 운영 흐름에 로봇을 끼워 넣는 일은 결코 쉽지 않다. 로봇이 멈추거나 오작동하거나 고장 나면 결국 사람이 개입해야 한다. 그럼에도 불구하고, 처음에는 망설이던 기업들조차 더 싼 로봇 노동력의 매력을 끝내 거부하지 못한다.

좁은 영역에서의 포스트트레이닝 병목을 해결한 뒤, Waytek의 로봇들은 성능을 계속 끌어올려 인간 속도의 80%에서 90%, 95%까지 도달한다. 같은 버티컬에서 더 많은 시나리오를 경험할수록, Waytek의 배치 속도도 점점 빨라진다. 그렇게 5년 동안 Waytek 같은 버티컬 로보틱스 기업들은 산업 세탁물 개기, 호텔 타월 개기, 기본 식품 가공, 창고 소포 분류와 같은 좁은 작업들을 자동화하며 수십억 달러 규모의 임금 수익을 올리게 된다.

2030년이 되면 Waytek은 배치된 로봇 수가 10만 대를 넘어선다. 하지만 확장의 속도는 데이터를 얼마나 빨리 수집하느냐, 기업의 기존 운영 흐름에 얼마나 효율적으로 통합하느냐가 병목이 된다. 로봇을 실제 노동 환경에 녹여내는 일은, AI 자체를 개선하는 문제만큼이나 시간이 오래 걸린다. 그럼에도 불구하고, Waytek은 새로운 버티컬로 확장하지 않더라도 여전히 성장 여력이 크게 남아 있다.

중국 제조업 생태계가 불붙기 시작한다

Waytek과 그 복제 버티컬 로보틱스 기업들이 빠르게 성장하며 중국산 하드웨어를 수십억 달러 규모로 소모하자, 거대한 그림자가 드리우기 시작한다. 중국의 로봇 제조 공급망은 라이트의 법칙(Wright’s law)을 따른다. 즉, 누적 생산량이 두 배가 될 때마다 제조 비용이 약 20%씩 떨어진다. 값싼 하드웨어에 대한 수요가 커질수록 중국이 미국에 대해 가지는 우위도 더 크게 벌어진다.

중국 정부는 이미 제조업 등 주요 산업에서 육체 노동 자동화를 의무화했고, 이 목표를 중심으로 경제 전반을 재정렬하고 있다. 사실상 이 방향으로 갈 수밖에 없는 구조다. 중국은 급격한 고령화로 인해, 제때 물리 노동을 자동화하지 못할 경우 국가 전체가 심각한 위기를 맞게 된다. 자동화는 선택이 아니라 생존 전략이 된 셈이다.

중국의 지배적 국가 전략

중국의 전형적인 국가 전략은 단순하다. “보조금을 아낌없이 투입해 경쟁자들을 시장에서 완전히 밀어낸다.” 이 방식은 희토류 정제 산업에서 이미 성공했고, 로봇 산업에서도 동일한 전략이 반복되고 있다. 중국 정부가 목표를 정하면, 시장의 자본은 그 목표를 중심으로 움직인다.

중국은 2027년까지 산업 분야 70% 자동화, 2030년까지 전체 노동력의 90% 자동화를 목표로 하고 있으며, 휴머노이드 로봇 생산은 이미 국가 최우선 과제로 올라가 있다. 급격한 고령화는 오히려 중국에게 ‘강력한 동기’가 된다. 자동화를 하지 못하면, 그 일을 대신할 젊은 노동력이 턱없이 부족하기 때문이다.

현재 중국이 보유한 지배적 우위는 다음과 같다:

• 글로벌 리튬이온 배터리 생산의 80% (CATL/BYD)

• 코발트·리튬·흑연·네오디뮴 등 핵심 광물 정제의 80–90%
  (로봇의 액추에이터*·배터리·배선에 필수적인 소재)

• 전 세계 로봇 설치의 50%

• 전 세계 전력 생산의 30%

반면 미국은 관료주의와 잘못 설계된 인센티브 구조에 발목이 잡혀 있다. 대표적인 예가 ‘위스콘신 폭스콘 사태’다. 1만 3,000개의 일자리와 48억 달러 인센티브를 약속했던 100억 달러 공장은, 결국 직원 약 1,000명 규모의 소형 시설로 쪼그라들고 말았다. 최근 데이터센터 건설 붐이 미국 건설 산업을 다시 살려내고 있지만, 이런 구조적 문제가 완전히 해소되지는 않았다.

* 엑추에이터(actuator): 로봇의 관절, 손가락, 밸브 등을 실제로 움직이게 하는 구동 장치.

국가 보조금을 등에 업은 중국의 자본 배분자들은 중국판 Waytek을 만들기 시작했고, 그 첫 사례가 바로 Waytek의 중국 버전이라 할 수 있는 Xiaoai Automation이다. 중국은 미국보다 하드웨어 비용이 훨씬 낮고, 데이터 수집 노동자 임금도 매우 저렴하다.

이 때문에 미국은 중국이 이미 굳혀놓은 초저가 로봇 하드웨어 공급망과 경쟁하기가 점점 어려워진다. 미국 정부도 AI만으로도 충분히 위협적이라는 사실은 알고 있었지만, 중국산 액추에이터 가격이 미국산의 1/20 수준까지 떨어지자, 미국이 제조 역량에서 얼마나 뒤처져 있는지를 비로소 실감하게 된다.

여기에 중국이 자국산 로봇에 백도어*를 심기 시작하면서, 미국은 수백만 대의 중국산 로봇이 미국 땅에 깔리는 상황이 국가 안보에 직결된 위협이 될 수 있음을 깨닫게 된다.

* 백도어: 기기나 시스템을 몰래 통제하거나 접근할 수 있도록 숨겨둔 비밀 통로.

일자리를 잃은 노동자들이 ‘AI 사회주의(AI Socialism)’를 주장하다

미국에서는 자동화로 일자리를 잃은 노동자들이, AI로 인해 대체된 화이트칼라 노동자들과 연합해 UBI(기본소득)을 요구하는 운동을 조직한다. 이른바 ‘AI 사회주의자(AI Socialists)’는 AI 자동화 피해자를 위한 기본소득 정책을 처음으로 강하게 밀어붙이는 집단이 된다.

2025년에 등장한 “clanker(로봇 혐오자)” 밈으로 시작된 반(反)AI 정서는 시간이 지날수록 커지고, 점점 더 거세고 조직적인 사회운동으로 발전한다. 로보틱스 기업들은 감정 없는 냉혹한 회사, 노동자의 생계를 빼앗아 부를 축적하는 존재로 비춰지기 시작한다.

Waytek은 악화되는 여론을 인식하고, 매출의 일부를 자동화로 밀려난 노동자들에게 직접 환원하는 프로그램을 만들기로 결정한다.

한편, Waytek은 좁은 작업 영역을 넘어 더 다양한 작업으로 확장하고 싶지만 현실적으로 불가능하다. 한 산업 분야의 한 직무를 자동화하는 데만도 수개월의 데이터 수집과 복잡한 운영 통합 과정이 필요하기 때문이다. GPT-5급의 EG(Embodied General, 구현된 일반지능)에 도달하려면 10년 이상과 수십억 달러가 필요하다.

텔레오퍼레이션과 엑소스켈레톤 방식은 결코 일반지능으로 확장될 수 없는 구조적 한계를 갖고 있다. 로보틱스가 ‘일반성(generality)’을 달성하려면, 지금과는 완전히 다른 접근이 필요하다.

2027–2032: 휴머노이드 시대

각 시대는 고유한 흐름을 갖지만, 서로 겹치며 동시에 전개된다.

Noumena, 인간 영상으로 Waytek을 추월하다

2027년이 되면 미국의 휴머노이드 기업 Noumena는 이미 오래전에 텔레오퍼레이션과 엑소스켈레톤을 버렸다. 이들은 학계 연구에서 영감을 받아 더 확장 가능한 대안, 즉 인간 영상 기반 학습을 선택한다. 이 고수준 방법론은 학계에서 이미 입증된 방식이다. 사람이 일을 하는 모습을 영상으로 촬영하고, 그 영상에서 의미 있는 동작(action) 데이터를 추출한 뒤, 그 데이터를 모방하도록 대규모 모델을 학습시키는 방식이다.

영상 학습은 훨씬 확장성이 좋다. 큰 장비를 쓸 필요도 없고, 노동자들은 평소처럼 일하기만 하면 되며, 여러 대의 카메라가 그 모습을 수동적으로 기록하면 된다. 4만 달러짜리 장비나 5천 달러짜리 엑소스켈레톤 대신, 노동자 한 명당 75달러짜리 카메라 2–4대면 충분하다. 기업 입장에서도 기존 운영 방식을 바꿀 필요가 없다.

영상 학습을 통해 Noumena는 제조·농업·건설처럼 더 어려운 작업에 대한 데이터를 수집할 수 있다. 이런 작업들은 완전한 일반 작업보다는 쉽지만(추론이나 장기 기억이 필요 없기 때문), Waytek이 목표로 했던 좁은 작업보다는 변동성이 크다. 그리고 중국산 그리퍼·모바일 베이스 기반 하드웨어를 사용하는 Waytek은 인간 데이터로부터의 학습 전이가 매우 좋지 않기 때문에, 인간 영상 기반 학습을 활용할 수 없다.

Noumena가 포스트트레이닝을 해결하다

로봇이 수천 대 규모로 배치되기 시작하자, Noumena는 포스트트레이닝의 제약을 두 가지 방식으로 해결한다. 하나는 실제 세계에서, 또 하나는 신경망이 생성한 월드 모델 내부에서다.

각 도메인별 신경망 월드 모델은, 배치된 로봇이 실제로 쌓아 올린 수백만 시간 분량의 상호작용 데이터를 기반으로 학습된다. 기존의 시뮬레이션은 현실 세계의 복잡성을 제대로 포착하지 못했지만, 월드 모델은 학습 데이터와 파라미터 규모가 커질수록 현실 환경의 특이한 상황들까지 더 정교하게 재현해낸다.

Noumena는 이렇게 만들어진 작업별 월드 모델에서 강화학습을 돌려 방대한 상호작용 데이터를 축적하고, 그 결과 로봇의 작업 속도를 인간 대비 80% 수준에서 100% 이상으로 끌어올린다.

왜 월드 모델에서 강화학습(RL)을 사용하는가?

Dreamer 4는 월드 모델 기반 RL이 유효하다는 강력한 사례를 제시한다. Dreamer는 마인크래프트 환경을 월드 모델로 학습한 뒤, RL을 실제 게임이 아닌 월드 모델 내부에서만 수행했다. 그럼에도 불구하고, 그 학습된 정책(policy)은 실제 게임에서도 의미 있는 행동으로 전이되어 다이아몬드 채굴에 성공했다. 연구진은 이 아이디어를 로보틱스에도 확장해, 어느 정도 실질적인 성과를 얻었다.

문제는, 1인칭 시점 영상에는 행동 정보가 명확하게 드러나지 않는다는 점이다. 그래서 월드 모델을 만들 때 1인칭 영상을 그대로 쓰면 큰 도움이 되지 않는다. 다만, 소량의 ‘행동 라벨이 붙은 1인칭 영상’을 이용해 행동 오토라벨러(action autolabeler)를 학습시키는 방식은 가능하다.

Genie 3와 Veo 3는 우리가 신뢰할 만한 월드 모델에 도달하기까지 남은 거리가 생각보다 멀지 않음을 보여준다.

Dreamer 4 역시 “sim2real(시뮬레이션의 학습을 현실 세계로 전이)”가 충분히 가능한 영역 안에 있음을 입증했다. 월드 모델의 물리 정확도는 지금도 매우 빠르게 정밀해지고 있고, 마지막으로 남은 과제는 행동 공간(action space)의 정확도다. 이 문제는 결국, 실제로 배치된 로봇의 움직임 데이터를 자연스러운 주기 속에서 지속적으로 기록하면 해결된다.

인간 데이터는 특정 하드웨어에 종속되지 않기 때문에, 예를 들어 액추에이터의 마찰이 조금 다르거나 하드웨어 특성이 미세하게 달라도 모델이 적응할 수 있도록 강화학습(RL)이 함께 사용된다. 로봇이 더 많이 배치되고, 강화학습에 투입되는 데이터 규모가 커질수록 포스트트레이닝은 점점 더 강력하게 작동한다.

Noumena, 여러 버티컬로 확장하다

작업별 프리트레이닝과 포스트트레이닝 전략이 모두 성공적으로 돌아가자, Noumena는 이 공식을 적용할 수 있는 모든 산업 분야로 확장하기 시작한다. Noumena에게는 목표 도메인의 인간 영상 데이터를 확보하는 것이 배치의 필수 전제 조건이며, ‘제로샷*’ 배치는 여전히 불가능하다. 결국 배치 속도를 결정하는 절대적 병목은 특정 작업과 도메인에 대한 데이터임을 깨닫는다.

* 제로샷(Zero-shot): 한 번도 본 적 없는 작업을 추가 데이터나 훈련 없이 바로 수행하는 능력.

이미 XSize 같은 데이터 회사들은 이 사실을 수년 전에 간파해 큰 성장을 이뤘다. XSize는 특정 작업에 특화된 방대한 인간 작업 영상을 휴머노이드 기업들에게 판매하고, 기업들은 그 데이터를 기반으로 해당 도메인에 정확히 맞는 로봇을 배치한다.

XSize는 계속해서 다양한 산업과 계약을 맺고 현장 곳곳에 카메라를 설치해 노동자를 기록하며, 그 데이터를 휴머노이드 기업에 제공한다. 이렇게 XSize는 동일한 사이트에서 로봇 배치까지 함께 조율한다. 수천 개의 이런 “전진 배치형 데이터 기업”들이 일종의 인터페이스 역할을 수행하며 휴머노이드 로봇의 실제 세계 배치를 폭발적으로 가속한다.

로보틱스 데이터 회사들의 TAM(총주소 시장 규모)은 어느 정도일까?

각 작업(job)에 약 1만 시간의 파인튜닝 데이터가 필요하다고 가정해보자. 이는 노동자 100명이 100시간 동안 데이터를 수집해야 한다는 의미이며, 시간당 60달러(약 8만 원)로 계산하면 작업 하나당 약 60만 달러(약 8억 원)가 든다.

중요한 점은, 이 비용이 각 세부 작업(subtask)마다 별도로 필요하다는 것이다. 그리고 세부 작업의 종류는 상상을 초월할 만큼 많다.

이 중간 영역(mid-section)은 대부분 산업 분야로, 이런 데이터는 인터넷 어디에도 존재하지 않는다. 따라서 이러한 데이터 수집 기반 모델은 향후 더 고도화되는 단계까지도 계속 유지된다.

이 작업별 배치 루프는 수동적으로 계속 이어지며, 여러 해에 걸쳐 규모가 수십억 단위로 성장한다. 배치된 로봇 플릿*에 대한 지속적인 강화학습은 각 작업 성능을 끝없이 끌어올리는 영구적인 성장 원천으로 작동한다.

* 로봇 플릿: 다수의 로봇을 중앙에서 공동 운영·스케줄링하는 관리 체계

예상하듯, 제조·농업처럼 더 단순한 작업부터 먼저 자동화되고, 노동자들은 광업이나 건설처럼 훨씬 더 힘들고 고된 작업만 맡게 된다. 그러나 Noumena의 휴머노이드들은 여전히 제로샷 배치에 근접하지 못하고 있으며, Noumena는 ‘일반성(generality)’ 퍼즐에서 여전히 결정적으로 부족한 조각이 있다는 사실을 깨닫는다.

대규모 제조 및 추론 비용은 얼마나 될까? 또, 제조 비용과 추론 비용은 규모가 커질수록 어떻게 변할까?

저가형 로봇 한 대의 제조 단가는 약 2만 달러(약 2,700만 원) 수준이며, 미국산 휴머노이드는 현재 10만~20만 달러(약 1억 3천만~2억 7천만 원) 범위에 있다. 리튬이온 배터리는 kWh당 약 100달러이고, 전기차가 약 40kWh라면 휴머노이드 로봇은 약 20kWh 정도일 가능성이 높다. 즉, 배터리 가격만 약 2,000달러다.

또한 액추에이터는 개당 약 1,500달러이며 로봇 한 대에 최소 10~20개가 필요하므로, 액추에이터 비용만 1.5만~3만 달러에 이른다. 로봇에서 가장 비싼 부품은 ‘손’이다. 그래서 값싼 중국 하드웨어들은 전부 단순 그리퍼를 사용한다.

참고로 테슬라는 자동차를 주당 약 4만 5,000대, BYD는 주당 10만 대 생산한다. 로봇 시장은 이보다 잠재 수요가 몇 자릿수 이상 더 크기 때문에, 생산량은 장기적으로 주당 수억 대 규모까지도 갈 수 있다.

각 로봇은

1. 온보드 컴퓨트(로컬 추론) — 로봇 내부 장치에서 직접 모델을 실행하거나

2. 데이터센터 컴퓨트(원격 추론) — 외부 서버에서 모델을 실행하는 방식을 사용해야 한다.

원격 추론은 여러 로봇의 요청을 배치(batch) 해 처리할 수 있어 비용이 저렴해진다.
반면, 실시간으로 즉시 반응해야 하는 ‘온라인 추론’ 작업은 배치 처리할 수 없기 때문에 비용이 더 비싸다. (온라인 추론은 로컬·원격 어느 쪽에서든 발생할 수 있는 개념이다.)

대형 기업들은 자체 추론 하드웨어(Cerebras, Groq, Tesla, OpenAI, Google 등)를 제작하고 있으며, 중소 기업들은 NVIDIA Jetson 시리즈를 주로 사용한다.

로봇 제어 모델이 매 타임스텝마다 입력 40토큰, 출력 10토큰을 처리하고, 이 과정이 60Hz로 실행된다고 가정하면 초당 2,400개의 입력 토큰과 150개의 출력 토큰을 다루게 된다. 이 속도를 한 시간으로 환산하면 입력 토큰은 약 860만 개, 출력 토큰은 약 64만 개에 해당한다. GPT 기준 가격(입력 백만 토큰당 12달러, 출력 백만 토큰당 3달러)을 적용하면 로봇 한 대가 한 시간 동안 움직이는 데 필요한 추론 비용은 약 100달러, 즉 약 13만 원 정도가 된다.

하지만 이 숫자는 사실상 지금 상황을 잘 반영하지 못한다. 이유는 간단하다. 추론 비용 자체가 매년 10배 이상 떨어지고 있기 때문이다. 이런 추세가 유지된다면, 2030년에는 지금의 시간당 100달러가 거의 의미 없는 수준인 0.0001달러까지 내려가게 된다.

따라서 로봇 1만 대를 24시간 운영한다고 가정하면, 지금은 시간당 약 100만 달러가 들겠지만 2030년에는 같은 규모를 운영하는 데 시간당 겨우 1달러만 필요해지는 셈이다.

미국이 액추에이터 제조를 지배하며 재산업화에 성공하다

상위 레벨의 Type I 제조 작업 (정교하고 복잡한 고난도 작업) 과 하위 레벨의 Type II 제조 작업 (단순 반복 작업) 이 모두 자동화되면서, 미국은 “로봇이 로봇을 만드는 데 필요한 모든 단계”를 스스로 수행할 수 있는 고리를 완성한다. 로봇이 제조업에서 인간의 역할을 대신할 수 있게 된 순간, 미국은 산업 구조가 급격히 뒤집히는 중대한 전환점을 맞이한다.

이 흐름의 핵심은 ‘자기강화적 성장’이다. 자기개선형 AI가 AI 연구를 스스로 자동화하며 지능이 폭발적으로 증가하듯, 제조에 특화된 로봇도 로봇 생산 과정을 자동화하며 지수적으로 성장한다. AI가 자기강화적 지능 곡선을 만든다면, 로봇은 자기강화적 제조 곡선을 만든다. 여기에 제조량이 두 배로 늘 때마다 비용이 20%씩 감소하는 ‘라이트의 법칙’까지 더해지면서 성장 속도는 더욱 가속된다.

하지만 이 곡선은 시작하자마자 폭발하지 않는다. AI 성장이 연산(컴퓨트) 자원의 한계로 막히는 것처럼, 로봇 제조의 성장도 여러 현실적 제약에 의해 막힌다. 조직 운영의 복잡성, 공장 설계의 난이도, 기존 자동화 설비와의 통합, 그리고 가장 중요한 투입 자원—이를테면 금속 가공, 부품 생산, 물류처럼 인간 노동과 물리적 처리 능력에 의존하는 부분—이 속도를 제한한다.

그래서 인간 제조 노동을 자동화했다고 해서 성장 곡선이 곧바로 폭발하는 것은 아니다. 자기강화 루프가 본격적으로 작동하기까지는 지금 시점 기준으로 10~15년 정도의 시간이 더 필요하다. 현재 로봇 액추에이터 제조의 약 60%가 여전히 인간 노동에 의존하고 있는 것이 대표적인 이유다.

미국 정부는 이제 AI 우위를 하드웨어 우위로 전환할 수 있는 기회를 발견한다. 중국의 희토류 정제 전략과 마찬가지로, 미국은 자동화·보조금·지배 전략을 통해 제조 성장 루프의 출발점을 ‘액추에이터 제조’라는 핵심 버티컬에서 잡기 시작한다.

미국 정부는 이제 자국의 AI 기술 우위를 하드웨어 우위로 전환할 기회가 왔다고 판단한다. 중국이 희토류 정제 산업을 장악할 때 사용했던 전략—대규모 자동화, 강력한 보조금, 시장 지배—을 그대로 적용해, 제조 성장 루프의 출발점을 ‘액추에이터 제조’라는 핵심 버티컬로 잡으려는 것이다.

미국은 중국 전체 제조 생태계와 정면으로 맞붙는 것은 불가능에 가깝다는 사실을 깨닫고, 결국 가장 전략적이고 영향력이 큰 단 하나의 하위 분야에 모든 자원을 집중해야 한다는 결론에 도달한다.

액추에이터는 로봇 비용의 30~50%를 차지하는 가장 비싼 부품이며, 제조 공정의 약 60%가 고비용의 인간 노동에 의존한다. 다시 말해, 로봇으로 로봇을 만드는 자동화를 가장 먼저 적용하기 좋은 분야다.

중국이 약 100억 달러의 보조금을 통해 희토류 정제의 90%, 자석 생산의 98%를 장악했듯이, 미국도 워싱턴 D.C. 주도로 액추에이터 제조 지배를 위한 수십억 달러 규모의 투자를 약속한다.

미국이 참고해야 할 일본의 CNC 전략과 중국의 희토류 전략

중국의 희토류 정제 전략이나 일본의 CNC 전략에서 보듯, 미국 역시 제조 성장 루프를 시작하려면 액추에이터 제조 같은 핵심 버티컬에 보조금을 과감히 투입하고, 자동화를 앞세워 시장을 장악하는 방식을 택할 수 있다. 말 그대로, 경쟁이 무너질 때까지 보조금을 퍼붓는 전략이다. 일본이 걸어온 길을 보면, 미국이 ‘기계가 기계를 만드는’ 체제로 전환해 갈 가능성을 충분히 그려볼 수 있다.

일본의 FANUC은 1960년대부터 일본 기계 OEM이 밀집한 생태계를 기반으로 CNC, 즉 전통적 로봇 제조 기술을 대규모로 확장해왔다. 그 결과, 일본은 지금 세계 2위의 로봇 설치 시장이자 전 세계 로봇의 약 38%를 수출하는 국가가 되었고, FANUC은 전 세계 CNC 기계 시장의 50~60%를 장악하고 있다. Nabtesco 역시 중·대형 로봇 관절에 쓰이는 RV 감속기 시장의 약 60%를 차지하며, Harmonic Drive Systems의 고성능 스트레인 웨이브 기어는 휴머노이드 로봇에서 사실상 대체 불가능한 핵심 부품이 되었다.

결국, 중국의 희토류 전략이나 일본의 CNC 전략처럼 미국도 액추에이터 제조 같은 특정 버티컬을 초과 지원해 지배권을 확보하는 길을 선택할 수 있다.

Noumena와 Unioak, 수백만 대 규모로 휴머노이드를 생산하다

Noumena는 이미 수년 전부터 자체 휴머노이드 제조 시설을 구축해 왔다. 그리고 이 시설에서 일하던 인간 노동자들의 작업이 가장 먼저 수집되고 자동화된 태스크가 되었다.

미국 정부의 지원을 받은 Noumena는 이제 하모닉 드라이브 액추에이터, 가공된 희토류 금속처럼 로봇 제조에 필요한 핵심 범용 부품을 생산하는 특수 공장까지 짓기 시작한다. 미국 정부는 이 국내 생산 재료에 보조금을 더해 중국산 부품과 경쟁할 수 있도록 지원하며, 동시에 광업·건설·금속 가공 같은 주요 산업 버티컬에 집중한다. 미국도 본격적으로 “기계를 만드는 기계를 만드는 경쟁”에 뛰어든 셈이다.

하지만 문제는 중국이 이 모든 흐름을 이미 오래전부터 준비해 왔다는 점이다. 중국에서 가장 강력한 자원을 보유한 휴머노이드 기업 Unioak은 인간 영상 기반 학습을 통해 ‘춤추는 데모’ 단계를 벗어나 실제 제조 작업으로 이미 전환을 마쳤다. 베이징의 압도적인 지원을 등에 업은 Unioak은 매주 수천 대의 휴머노이드를 생산하며 자국 내 공장 자동화를 가파르게 가속하고 있다.

중국은 희토류 정제를 장악할 때 사용했던 전략을 이번에도 그대로 반복한다. 자동화, 대규모 생산으로 인한 비용 절감, 그리고 정부 보조금을 통한 경쟁사 축출. 가상 AI 분야와 달리, 중국은 미국을 스파이할 필요가 전혀 없었다. 애초부터 앞서 있었고, 그들의 자기 강화 제조 곡선은 미국보다 훨씬 빨리 가속 구간에 진입했다. 미국이 제조를 본격적으로 온쇼어링하기 시작했을 때쯤, 중국은 이미 하모닉 드라이브 유닛 가격을 250달러에서 100달러로 떨어뜨린 상태였다. 미국은 여전히 ‘헤라클레스급’ 난이도의 가파른 싸움을 앞두고 있다.

자동화가 미국에 혼란을 일으키다

해외 경쟁국이 빠르게 성장하는 동안, 워싱턴 D.C.는 또 다른 위기에 직면한다. 미국 인구의 약 10%가 자동화로 일자리를 잃었고, 이는 블루칼라와 화이트칼라 모두를 포함한다. 노동자들은 카메라에 촬영되는 것을 거부한다. 촬영된 뒤 얼마 지나지 않아 그 일이 로봇으로 대체된다는 사실을 잘 알고 있기 때문이다. 거리에서는 “클랭커(Clanker)”라는 비난이 퍼지고 있지만, 아직 로봇이 사람을 직접 상대하는 역할까지 진입한 단계는 아니라 극단적 갈등이나 폭력은 발생하지 않는다.

일자리를 잃은 이들에게는 결국 정부를 통해 보조 소득이 지급된다. 시민들은 Waytek이나 Noumena 같은 자동화 기업이 실직자에게 직접 보상금을 지급하거나, 기본소득(UBI) 재원을 마련하기 위해 이익의 최대 70%까지 높은 세금을 부담해야 한다고 요구한다.

그러나 UBI는 또 다른 역효과를 낳는다. 기본소득이 도입되면 사람들은 “이 정도는 받아야 일할 만하다”라고 생각하는 기준선이 자연스럽게 올라간다. 즉, 아무 일도 하지 않아도 일정 금액을 받기 때문에, 그보다 훨씬 높은 임금을 줘야 사람들이 실제로 일하려 한다. 기업 입장에서는 과거보다 더 높은 임금을 제시해야만 사람을 고용할 수 있는 상황이 되는 것이다.

여기에 더해, 기본소득 재원을 마련하기 위해 기업에 높은 세율이 부과되면, 기업이 사람을 고용할 때 드는 총비용 전체가 증가한다. 단순히 임금만 올라가는 것이 아니라, 세금 부담까지 겹쳐 “사람 한 명을 고용하는 데 드는 비용”이 크게 뛰는 셈이다.

이렇게 되면 기업 입장에서는 자연스럽게 다음과 같은 계산이 성립한다: “사람을 고용하는 건 너무 비싸다 → 차라리 로봇을 쓰는 게 더 싸고 안정적이다.” 즉, 기본소득은 실직자 보호라는 목적을 갖고 있지만, 역설적으로 사람 노동의 가격을 높여 자동화를 더 빠르게 촉진하는 효과까지 만들어낸다.

정치 환경은 이제 거대한 자동화의 흐름에 거의 전적으로 흔들리고 있다. 시민들은 AI가 만든 부를 모두에게 나누고, 자동화 속도를 늦추길 원한다. 반면 기업들은 중국에 빼앗긴 제조 패권을 되찾으려면 가능한 모든 자원을 자동화에 쏟아야 한다고 주장한다. 그들에게는 자동화가 단순한 기술 선택이 아니라 국가 ‘존립’의 문제다.

하지만 2020년대 초반부터 이어진 흐름은 멈추지 않는다. 소득 불평등은 더 극심해지고, 평균적인 미국인의 삶은 부모 세대보다 확실히 나빠졌다. 문화적으로도, 경제적으로도 정치적 균열은 갈수록 깊어진다.

사람들은 결국 하나의 해답을 바라보게 된다. 완전한 자동화, 그리고 모두가 누릴 수 있는 충분한 소득. 그러나 지금의 방식만으로는 진정한 ‘일반 시스템’에 다다를 기미가 보이지 않는다. 이유는 단순하다. 데이터의 다양성이 아직 절대적으로 부족하기 때문이다.

일반화된 구현지능(EGI)은 지구상의 모든 작업을 학습하고 일반화할 수 있어야 한다. 그리고 그것을 가능하게 만들 단 하나의 거대한 데이터 원천—아직 한 번도 제대로 사용되지 않은 그 데이터—를 향해 모든 길이 이어지고 있다.

2031–2045: General Intelligence의 시대

AGI의 마지막 병목, ‘적응형 장기 기억(Adaptive Long-Term Memory)’이 해결되다

Noumena 같은 휴머노이드 기업들과 OpenBrain 같은 프런티어 AI 연구소들은 수년 동안 EGI의 마지막 장벽을 어떻게 넘어설지 고민해왔다. 그러던 중 2029년, OpenBrain의 컴퓨터 에이전트 연구자들이 인간 수준의 가상 AI를 막고 있던 최후의 병목—적응형(Adaptive) 장기 기억(LTM)—을 해결한다.

적응형 LTM은 모델을 오랫동안 제한해왔던 ‘긴 컨텍스트 한계’를 근본적으로 깨뜨리며, 인간처럼 진짜 온라인 학습*을 가능하게 한다. 이는 완전히 일반화된 로봇을 만들기 위해 반드시 넘어야 했던 첫 번째 거대한 장애물이었고, 이제 그 장벽이 사라졌다.

이제 EGI를 향한 여정에서 남은 단 하나의 병목은 프리트레이닝뿐이다.

* 온라인 학습: 새로운 경험이나 데이터가 입력될 때마다 실시간으로 모델을 업데이트하여 즉각적으로 적응하는 학습 방식.

왜 장기 기억(Long-Term Memory)이 인간 수준 AI의 병목일까?

그 답은 현재 AI 모델의 한계에서 찾을 수 있다. 지금의 모델들은 짧은 호흡의 작업은 인간보다 뛰어나게 처리하지만, 긴 시간의 흐름과 방대한 문맥을 파악해야 하는 작업에서는 여지없이 실패한다. 바로 이 점 때문에 AI가 아직 인간의 직업을 완전히 대체하지 못하고 있는 것이다.

‘긴 문맥’을 다룬다는 것은 단순히 정보를 오래 저장하는 문제가 아니다. 그것은 어떤 정보가 중요한지 판단하고, 무엇을 기억할지 선별하며, 새로운 정보를 바탕으로 스스로 적응해 나가는 과정이다. 이것이 바로 온라인 학습의 본질이다.

인간과 AI 모델의 결정적 차이인 장기 작업(Long-horizon tasks)을 수행하려면 다음 두 가지 조건이 충족되어야 하는데, 현재 모델은 여기서 인간에게 뒤쳐진다.

1. 모델은 인간처럼 실시간으로 적응하는 ‘온라인 학습’을 하지 못한다.

2. 모델이 한 번에 유지할 수 있는 문맥(Context)의 양이 매우 제한적이다.

적응형 장기 기억(ALTM, Adaptive Long-Term Memory)은 이 두 문제를 모두 해결한다. ALTM의 핵심은 ’지속 가능한 데이터베이스에 대해 자유롭게 읽고 쓰는(Read-Write) 능력’이다. 이론적으로 모델은 이미 이런 접근이 가능하다. 그렇다면 도대체 무엇이 문제일까?

가장 큰 난관은 모델이 자신의 기억 활동을 토대로 ‘학습’할 수 없다는 점이다. 기술적으로 데이터베이스 접근 과정이 ‘미분 불가능(Non-differentiable)’하여 학습 알고리즘(역전파)을 적용할 수 없기 때문이다. 따라서 ALTM의 핵심 과제는 모델이 데이터베이스를 무작정 채우는 것이 아니라, 최적의 방식으로 활용하도록 학습시키는 것이다. 즉, 나중에 정보를 쉽게 찾을 수 있도록 ‘잘 저장하는 법’을 배워야 한다. 현재 방식들이 실패하는 이유는 모든 정보를 중요도 구분 없이 무작정 저장하기 때문이다.

기억(Memory)의 본질: 무엇이 중요한가?

결국 기억의 문제는 “무엇을 저장할 것인가?”와 “필요한 정보를 어떻게 다시 찾아낼 것인가?”라는 두 가지 질문으로 요약된다. 이 둘은 모두 하나의 근본적인 질문으로 귀결된다.

“지금 이 상황(문맥)에서 무엇이 중요한가?”

따라서 장기 기억 기술의 진정한 병목은 미분 가능한(학습 가능한) 데이터베이스 읽기/쓰기 연산을 구현하는 것이다. 이것이 가능해지면, 모델은 인간처럼 끊임없이 “무엇이 중요한지”에 대한 판단을 업데이트하고, 그에 따라 자신의 기억 저장소를 갱신, 합성, 재구성할 수 있게 된다.

ALTM은 곧 인간의 온라인 학습 그 자체다. 우리에게 ‘인컨텍스트 러닝(문맥 기반 학습)’이란 살아오며 겪은 평생의 경험을 통해 배우는 과정과 같다. 강화학습(RL)도 도움이 되지만, 정보 효율이 낮고 피드백 신호가 약해 온라인 학습을 완벽히 대체하기에는 이상적이지 않다.

OpenBrain, 로보틱스 프리트레이닝의 난제를 풀다

로봇 프리트레이닝을 확장 가능한 수준으로 끌어올릴 실마리는 OpenBrain의 비디오 모델 ‘Soreo 4’에서 처음 발견되었다. Soreo 4는 텍스트 명령어(Prompt)만으로 인간의 자연스러운 움직임이 담긴 영상을 생성해낼 수 있었다. 뒤이어 등장한 ‘Veo’는 한 단계 더 나아가, 로봇 손이 사물을 조작하거나 상황과 사용자 입력에 맞춰 미세하게 조정하는 모습까지, 실제 로봇과 구별하기 힘들 만큼 정교한 손동작을 구현해냈다. Soreo와 Veo는 텍스트와 물리적 세계의 문맥을 이해하고, 그에 맞는 지능적인 1인칭 시점의 움직임을 일관되게 만들어낸 것이다.

비디오 모델 속에 숨겨진 ‘행동(Action)’ 이 과정을 지켜보던 OpenBrain의 연구진은 결정적인 사실을 깨닫는다.

2025년에 쏟아져 나온 증거들은 비디오 예측 기반의 프리트레이닝이, 비록 작은 규모라 할지라도 비약적인 성능 향상을 가져온다는 사실을 증명하고 있었다. 이제 문제의 핵심은 “이 방대한 비디오 데이터 속에서 실제 로봇을 제어할 수 있는 ‘파운데이션 모델’을 얼마나 강력하게 추출해낼 수 있는가?”로 전환되었다.

Sutton의 《The Bitter Lesson》이 말했듯, 계산(컴퓨트)과 함께 확장되는 알고리즘이 결국 승리한다. 인간이 데이터를 억지로 가공하고 규칙을 만들어 주입하는 방식보다, 막대한 연산량을 투입해 알고리즘이 날것의 데이터로부터 직접 학습하게 만드는 방식이 훨씬 우월하다는 진리다.

OpenBrain의 연구자들은 수년간의 치열한 시도 끝에 마침내 이 퍼즐을 풀어낸다. 그리고 로보틱스 프리트레이닝이라는 거대한 장벽을 넘을 수 있는 ‘일반화된 해법(General Solution)’을 세상에 내놓는다.

비디오 모델과 월드 모델의 스케일링

Sora나 Veo 같은 초대형 비디오 모델에 적용되는 구체적인 ‘스케일링 법칙’은 아직 공개되지 않았다. 하지만 우리는 시간의 흐름에 따른 정성적 관찰만으로도 그 위력을 충분히 실감할 수 있다. 불과 1년도 안 되는 짧은 시간 안에 Sora는 버전 1에서 2로 진화했고, 그 과정에서 영상의 품질은 비약적으로 도약했다.

구글의 Genie 모델 역시 마찬가지다. 버전 1에서 2를 거쳐 3으로 발전하는 데 걸린 시간은 고작 1년 6개월이었다. 그 짧은 기간 동안 Genie는 조잡한 2D 비디오 게임 수준을 넘어, 사실적인 3D 세계를 생성해내는 단계로 퀀텀 점프했다.

현재 시점에서는 화살표 키로 조작하는 비디오 게임 데이터가 실제 로봇 데이터보다 압도적으로 풍부하다. 하지만, 머지않아 이 데이터의 우위는 역전될 것이며 로봇 데이터가 폭발적으로 늘어나는 시점이 곧 도래할 것이다.

이제 EGI 실현을 위한 세 가지 핵심 조건인 장기 기억, 온라인 학습, 그리고 프리트레이닝 문제가 모두 해결되었다. 이 세 가지 해법이 결합된 지점에서, OpenBrain은 인간의 능력을 온전히 갖춘 최초의 AI 모델을 구축해낸다. 신체를 가진 AI는 마침내 진정한 의미의 ‘일반성(Generality)’을 획득했고, 이로써 EGI는 기술적으로 완성 단계에 도달했다.

OpenBrain, EGI의 대규모 확장

OpenBrain의 새로운 EGI 모델은 낯선 환경에서도 대부분의 작업을 인간 평균 수준으로 수행하는 데 성공했다. 이는 실제 현장에서 인간의 노동력을 대체하기에 충분한 역량이었다.

모델의 완성을 예견했던 OpenBrain은, 이에 대비해 중국의 저가 휴머노이드 제조사를 사전에 인수해 둔 상태였다. 하드웨어 경쟁사인 Noumena와 대등하게 겨루기 위해서는 자체적인 생산 능력이 필수적이었기 때문이다. OpenBrain은 이미 1년 전부터 로봇의 대량 생산에 돌입했으며, 이제 본격적인 현장 배치를 목전에 두고 있다. 초기 배치 대상은 제조 및 건설 현장, 그리고 고객을 직접 대면하지 않는 각종 서비스업의 후방 지원 업무다.

현장에 투입되는 로봇이 늘어날수록 EGI의 핵심인 온라인 학습 능력은 더욱 강력해진다. ‘적응형 장기 기억’ 기술에 더해, 수만 대의 로봇 군단(Fleet)과 범용 월드 모델 ‘Wisher’가 결합되면서, 강화학습은 과거에는 상상할 수 없었던 방대한 규모의 데이터를 실시간으로 처리하게 된다.

비시각적 모달리티의 포함과 스케일링

오디오는 로봇에게 명백히 필요한 모달리티이며, 촉각 또한 일부 상황에서는 물론 일반적인 환경에서도 필요할 가능성이 있다. 오디오는 인터넷 영상에 자연스럽게 포함되어 있어 스케일링에 문제가 없다. 그러나 촉각은 그렇지 않으며 훨씬 큰 문제를 안고 있다. 다만 이 문제는 자동 라벨링 모델을 학습시키는 방식으로 해결 가능하다.

연구소들은 이제 새로운 스케일링 법칙을 확립했다. EGI 모델이 GPT-3 수준을 넘어 GPT-6, GPT-9 수준으로 진화함에 따라, 이 검증된 방법론에 막대한 컴퓨팅 자원을 집중 투자한다.

OpenBrain은 거대해진 모델을 효율화하기 위해 ‘지식 증류(Distillation)*’ 기술을 적극 활용한다. 동시에 하드웨어 성능도 비약적으로 발전하여, 이 시점에는 1조(1T) 파라미터 규모의 거대 모델을 단일 엣지 디바이스(로봇 자체)에서 구동하는 것이 가능해진다.

* 지식 증류: 거대 모델의 핵심 지식을 작은 모델에 압축해 이식하는 AI 경량화 기술.

경쟁사 Noumena 역시 ‘확장 가능한 비디오 모델’ 전략의 중요성을 간파하고 태세를 전환한다. 프리트레이닝 역량은 OpenBrain에 비해 뒤쳐지지만, Noumena는 이미 현장에 수만 대의 로봇을 배치해 둔 상태다. 이는 실제 데이터를 통한 포스트트레이닝분야에서 압도적인 우위를 점하게 해준다.

이제 휴머노이드는 별도의 복잡한 조정 없이 현장에 즉시 투입되며, 작업을 수행하는 동시에 강화학습을 통해 스스로 발전한다. 서비스업, 건설, 광업, 농업을 넘어 의료, 교육, 그리고 가정에 이르기까지, 휴머노이드의 활동 영역은 사회 전반으로 확장된다. 이들은 실시간 온라인 학습을 통해 현실 세계의 상호작용 데이터를 끊임없이 흡수하며, 자신의 지능을 스스로 갱신해 나간다.

휴머노이드 회의론자들도 자신들이 틀렸음을 깨닫는다. 휴머노이드 형태는 단지 “세상이 인간 기준으로 설계돼 있어서” 필요한 것이 아니었다. 비디오 모델은 대부분 인간의 움직임을 예측하고, 인간 영상으로부터 학습하는 기술 역시 인간과 유사한 생체 구조를 필요로 했다. 결국 휴머노이드는 EGI에 도달하는 가장 빠른 길이었다.

하나의 두뇌, 다양한 신체

로보틱스 연구자들이 끊임없이 마주하는 질문이 있다.

“결국에는 하나의 거대 모델이 모든 종류의 로봇을 제어하게 될까?”

답은 ‘그렇다’이다. 하지만 그 궁극의 단계까지 가기엔 아직 갈 길이 멀다. 다만 이 시나리오의 시점에서는 이미 ‘거대 범용 로봇 파운데이션 모델’이 등장해 있다. 이 모델은 약간의 포스트트레이닝만 거치면 드론, 자율주행차, 저가형 로봇 팔, 휴머노이드 등 형태를 가리지 않고 다양한 하드웨어를 제어할 수 있다.

이제서야 “하나의 두뇌, 여러 로봇(one brain, many robots)”을 내세우는 회사들이 성공할 수 있는 창이 열린 셈이다(물론 이 논리만으로 성공할 수 있는 건 아니다). 그들은 각 하드웨어에 특화된 데이터셋으로 파인튜닝한 뒤, 현장에 배치해 온라인 강화학습을 통해 특정 하드웨어에 적응시키기만 하면 된다.

인터넷상의 모든 영상으로 학습하는 비디오 모델 덕분에 파운데이션 모델은 강력해졌지만, 실제 응용에서는 여전히 각 embodiment(몸체 형태)에 특화된 데이터로 포스트트레이닝하고, 현장 온라인 강화학습이 필수적이다.

제5차 산업혁명: 로보틱스 기업들의 폭발적 성장

EGI가 등장한 이후에도 Waytek의 저가 로봇은 계속 성장세를 이어간다. 그리고 그 이후 오랜 시간 동안, 거의 모든 산업에는 서로 다른 등급의 로봇들이 깊숙이 퍼져나가게 된다. 기업들은 여전히 상자를 옮기거나 옷을 접는 작업에는 값비싼 인간형 휴머노이드보다, 중국산 저가 고정식 로봇 팔을 더 선호한다. 과거에 싸고 단순한 하드웨어가 충분히 잘 작동했다면, 지금도 이유 없이 고성능 휴머노이드를 쓸 필요가 없다.

각 산업(vertical)은 고유한 브랜드와 목적을 가진 다양한 로봇 클래스를 요구하기 시작한다. 단순 로봇과 휴머노이드 모두 기본형(default), 내구형(durable), 고정밀형(dexterous)의 세 가지 라인업을 갖추고, 여기서 휴머노이드는 더 나아가 소형 서비스 모델, 남성형·여성형 안드로이드, 고기동 전투 모델 등으로 세분화된다.

로봇 형태의 위계

자동차 시장에서 4,000달러짜리 중국산 전기차부터 200만 달러짜리 수제 슈퍼카까지 다양한 가격대와 등급이 존재하듯, 지능형 로봇 바디에도 명확한 위계가 형성된다. 초기에는 한 기업이 특정 형태만 생산하지만, 시간이 지나면 서로 다른 기업들이 서로 다른 형태를 맡게 된다. 그리고 “하나의 파운데이션 모델 + 여러 로봇 바디” 구조가 정착되면, 기업들은 다양한 니치(niche)를 공략하기 위해 여러 형태의 바디를 만들어내기 시작한다.

• Simple
  가장 단순한 작업을 위한 바퀴 기반 저가 로봇. 기본 그리퍼만 탑재.

• Simple Dexterous
  중간급 작업자 역할. 단순한 다리와 세 손가락으로 구성되어 반(半)정교 작업까지 수행.

• Simple Durable
  건설·자재 이동 같은 거친 작업을 위한 대형 내구형 로봇.

• Humanoid
  인간의 생리 구조와 유사한 일반 휴머노이드. EGI의 기반이 되며 인간이 할 수 있는 대부분의 작업을 수행.

• Humanoid Dexterous
  고가의 정밀 손(precision hands)을 갖춘 고정교 휴머노이드. 정밀 제조·수술·고난도 작업 수행.

• Humanoid Durable
  대형·고토크 기반의 고강도 휴머노이드. 건설·광업·고강도 전신 노동에 사용.

• Humanoid Agile
  군사용 민첩형 휴머노이드. 다양한 지형과 환경에 빠르게 적응하는 미래형 ‘슈퍼솔저’.

• Android (남성/여성형)
  인간과 거의 구별되지 않는 외형을 가진 휴머노이드. 동반자·교육·의료·서비스업 등 인간 대면 역할 수행. 인공 피부와 의류로 사회에 자연스럽게 섞이지만, 인공 존재임을 나타내는 표식이 피부에 남아 있음.

• Elite
  최고급 부품만 사용한 ‘신체 능력 최상위’ 안드로이드. 엘리트들의 동반자, 독점적 엔터테인먼트, 전투용 등으로 활용. 원격 조작 바디가 되거나, 장차 정신 업로드(mind-upload)의 대상이 되는 형태까지 가능해짐.

배치를 확장하는 데 남아 있는 유일한 병목은 이제 제조 능력이다. OpenBrain은 이 목적만을 위해 휴머노이드 회사를 인수했고, Noumena는 수년 전부터 자동화된 공장을 구축해 왔다. 미국 정부도 휴머노이드 제조를 지원하기 위해 수십억 달러를 투입하고 있지만, 이미 중국을 따라잡기엔 늦었을 가능성이 크다.

베이징의 지시에 따라 중국의 대표적 AI 연구기관 Deepcent는 UniOak을 인수했고, 이후 CCP를 위해 EGI 문제를 완전히 해결한다. UniOak과 다른 중국 휴머노이드 기업들은 주당 수백만 대 규모로 휴머노이드를 쏟아내고 있다. 중국은 지수적 제조 성장 곡선에서 미국보다 이미 여러 자릿수 앞서 있으며, 그 제조 능력은 압도적이다. 여기에 중국의 에너지 생산 우위까지 결합되면서, 미국은 중국의 가격 경쟁력과 맞붙기 어렵다. 미국의 Noumena 같은 기업들은 고품질 프리미엄 로봇 시장에서는 여전히 경쟁력을 유지하지만, 세계의 기계 노동력 대부분은 이미 중국에서 생산되고 있다.

전 세계 기업들은 더 이상 인간 노동자를 고용하지 않고, 휴머노이드 기업들과 계약해 ‘로봇 노동력’을 구매하기 시작한다. 지금 단계에서는 XSize 같은 데이터 기업이 제공하는 인간 영상 기반 포스트트레이닝 덕분에 각 작업의 성능이 계속 향상되고 있다. 로봇이 현장에 배치되면, 각 애플리케이션에서 온라인 학습을 통해 성능이 증가하기까지 일정한 램프업 기간이 존재한다.

몇 달이 흐르면 방대한 다양성의 데이터 플라이휠이 완성되고, 온라인 학습 속도는 기하급수적으로 빨라진다. 남아 있던 산업들—농업, 광업, 서비스업, 가정—이 순차적으로 자동화된다. 이 시점의 휴머노이드는 GDP 기준 대부분의 작업에서 인간을 능가하며, 진정한 구현 일반지능(EGI)이 달성된 상태가 된다.

이 단계에서 미국이 액추에이터처럼 로봇 공급망의 핵심 부품을 지배하는 데 성공했다면 승산이 있다. 하지만 그렇지 못했다면, 중국의 거대한 공급망 우위, 폭발적인 에너지 생산력, 희토류 가공 지배력, 그리고 전 국가적 자동화 정책 의지에 대항할 방법은 사실상 없다.

인조 인간의 기쁨과 그에 따른 결과

마침내 안드로이드의 시대가 열린다. EGI가 완전한 일반 수준에 도달하면서, 외형만 제외하면 이들은 튜링 테스트를 완벽히 통과한다. 다음 단계는 너무도 분명하다. 사람들은 ‘인간적 연결감’을 원하기 때문에, 안드로이드에게 실제와 거의 구분되지 않는 피부를 부여하는 것이다. 이렇게 탄생한 로봇들은 소매업, 음식 서비스, 의료 등 사람과 직접 마주하는 산업 전반에 빠르게 퍼져나간다. 모델과 하드웨어 개선이 이어질수록, 안드로이드와 인간을 구별하기는 점점 더 어려워진다.

“컴패니언(동반자)” 안드로이드 시장도 폭발적으로 성장한다. 이들은 사용자 욕망을 극대화하도록 파인튜닝되어, 이미 심각한 저출산 문제를 더욱 악화시킨다. 남성형과 여성형 모두 존재하며, 최적화된 성격·무한한 인내심·강한 매력, 그리고 결국에는 인공 자궁까지 갖추게 된다.

안드로이드는 의료 영역에서도 널리 활용된다. 의료진이 부족한 지역의 서비스를 보완하고, 몇 달에 달하던 대기 시간도 크게 줄인다. 특히 노인 요양 시설에서 가장 큰 가치를 발휘한다. 24시간 내내 친절하고 인간적인 태도로 노인들의 요구를 돌보고, 외로움이 만연한 고령층에게 항상 곁을 지켜주는 존재가 된다.

OpenBrain과 Noumena는 직원들의 반발로 군에 제품을 판매하지 않는다. 그러나 Deepcent–UniOak은 그런 윤리적 제약이 없기 때문에, 미국 내 다른 로봇 기업들이 워싱턴의 요구에 응해 군사용 휴머노이드를 공급하게 된다. 미국 군은 “human-in-the-loop(인간 개입 필수)” 규정을 적용해, 모든 폭력 행위는 반드시 인간이 실시간으로 보고 승인해야 한다.

이 고기동 휴머노이드들은 휴머노이드 배틀봇(Humanoid Battlebots)이라는 로봇 격투 리그에서 새로운 스타가 된다. 전 세계 팬들이 몰리고, 과거 F1 레이싱처럼 각 로보틱스 기업들은 최고 사양의 하드웨어와 모델 기술력을 총동원한 ‘초정밀 챔피언 로봇’을 내세워 경쟁력을 과시한다.

EGI가 수 년간 꾸준히 개선된 이후, OpenBrain의 완전 자율 휴머노이드들은 마침내 가정용 시장에 진입한다. 사람들은 이 로봇을 완제품으로 직접 구매할 수 있게 된다. 이들은 기존의 일반 휴머노이드보다 더 작고, 친근하고, 귀엽고, 미적으로 매력적인 형태일 가능성이 크다. 가정용 로봇은 상류층에서 먼저 도입되기 시작해 차츰 대중 전체로 확산된다.

가정용 로봇의 TAM(총 시장 규모)은 얼마나 될까?

휴머노이드 한 대의 가격을 약 5만 달러로 가정하면, 가정용 시장의 총 규모는 약 1조 달러에 달할 것으로 추정된다. 사람들은 로봇을 시간당 임금 형태(RaaS)로 빌리는 것보다, 완제품을 직접 소유하고 싶어 할 가능성이 크기 때문이다.

보수적으로 보면, 가사도우미를 고용하는 가구는 약 20만 가구 정도이며 이는 약 25억 달러 시장이다. 이 수치는 말 그대로 ‘서비스 업무만 수행하는 로봇’의 TAM을 의미한다. 상주 가사도우미 시장으로 기준을 좁히면 약 5만 가구, 약 60억 달러 수준까지 줄어든다.

중간 수준의 추정 방식은 로봇청소기 보유 가구(연간 약 2천만 가구)를 참고하는 것이다. 이 경우 TAM은 약 1조 달러로 계산된다. 물론 로봇청소기는 휴머노이드보다 훨씬 싸고 부담 없는 제품이므로 다소 관대한 추정이지만, 휴머노이드의 “신기함·엔터테인먼트성”이 이 가격 격차를 어느 정도 보완할 것이라는 가정이 깔려 있다.

다만 많은 전문가들은 실제로는 휴머노이드에 대한 수요가 상주 가사도우미 시장보다 수십 배는 더 클 것이라고 본다. AGI 수준의 휴머노이드라면 단순한 ‘가정 도우미 로봇’이 아니라 동반자, 과외 교사, 집사, 심지어 잠재적 파트너 역할까지 수행할 수 있기 때문이다. 이 경우 TAM은 지금보다 훨씬 커질 수밖에 없다.

좀 더 자유로운 방식의 추정도 있다. 가정용 휴머노이드의 수요를 ‘두 대 이상의 자동차를 보유한 가구’와 비교하는 방식이다. 약 5천만 가구가 2대 이상의 자동차를 가지고 있으며, 이 기준으로 추산하면 가정용 로봇 TAM은 약 2.5조 달러(약 3,500조 원)(총 시장 규모, 연간 아님)에 이른다.

새로운 ‘축의 시대’

태평양 양측 모두에서 실업률은 점차 90%에 가까워진다. 서비스·교육·의료·예술·정부처럼 ‘인간성 자체’가 가치인 분야에서는 여전히 사람들이 일하지만, 자본 관점에서 인간 노동은 더 이상 핵심 요소가 아니다. 그 결과 OpenBrain, Deepcent–UniOak, Noumena, Xiaoai, Waytek 같은 기업들의 리더십은 과거와 비교할 수 없을 정도로—거의 100배 가까이—막강한 권력을 갖게 된다.

소득 불평등은 어떻게 증가해왔는가?

지난 40년간 소득 불평등은 눈에 띄게 악화되었고, 앞으로는 지수적으로 더 심해질 가능성이 높다.

• 역사적으로 인류 사회의 부는 비교적 고르게 분배돼 있었다. 나눌 수 있는 자원 자체가 부족했기 때문이다.

• 서기 0년 무렵의 불평등을 정확히 추정하기는 어렵지만, 연구자들은 대략 상위 1%가 전체 부의 5~10% 정도를 보유했을 것으로 본다.

• 1980년에는 상위 1%의 비중이 23%였다.

• 오늘날, 상위 1%는 35%, 상위 0.01%는 12%를 차지한다.

• 이 추세가 이어지면 2035년에는 상위 1%가 전체 부의 40%, 상위 0.01%가 15%까지 차지하게 될 것으로 추정된다.

흥미로운 지점은, 사회 전체의 부는 꾸준히 늘어나고 평균적인 개인의 자산도 증가하고 있는데, 그 부의 분배 방식은 점점 더 불평등해지고 있다는 사실이다.

이처럼 엄청난 규모의 실업 인구가 기본소득을 받으면서도, AI 기업 주주들의 부는 끝없이 불어나는 상황에서 정치 환경은 극도로 팽팽해진다. 시민들은 AI 기업의 이익을 모든 시민에게 직접 배당하라고 요구하고, AI 기업들은 그 이익을 컴퓨트와 제조 확장에 재투자해야 한다고 주장한다. 이후 수년 동안 사회는 ‘시민 복지’와 ‘AI 자율성 확대’ 사이에서 균형점을 찾기 위한 대치와 협상을 반복하게 된다.

이렇게 사회가 격변기에 들어서면, 인간은 다시 삶의 근본적인 질문들과 마주하게 된다.

“의미란 무엇인가?”, “우주는 무엇인가?”, “나는 누구인가?”

그 과정에서 새로운 이념과 문화가 생겨나고, 삶의 방식과 세계관은 이전 세대보다 훨씬 다양하게 분화된다.

기원전 500년경 불교·유교·서양철학 등이 태동했던 제1차 축의 시대(Axial Age)처럼, 이 시기는 자연주의(Naturalism), 뉴월드주의(New Worldism), 엘리트주의(Elitism), 영성주의(Spiritualism), 승천주의(Ascendism)가 부상하는 제2차 축의 시대(New Axial Age)로 기록된다.

제2차 축의 시대의 이데올로기들

미래 시나리오는 종종 문화를 단일 덩어리처럼 묘사하지만, 인류 역사 전반의 패턴은 시간이 갈수록 사상의 다양성이 더 커진다는 점을 보여준다. 미래에 나타날 가능성이 높은 사상적 흐름은 다음과 같다.

자연주의(Naturalism): 는 강력한 운동으로 부상한다. 사람들은 목적을 잃기 전, 진화와 동떨어진 세계가 등장하기 전의 자연으로 돌아가고 싶어 한다. 자연주의의 극단적 분파로는 버틀리안 지하드(Butlerian Jihadists)가 있는데, 이들은 “인간은 결코 사고를 기계에 외주 줘서는 안 된다”며 모든 AI를 파괴하려 한다. 이미 어떤 사람들은 조상들과 거의 동일한 방식(부족적 삶)으로 살고, 반대편에는 기술의 장점과 고통을 모두 받아들이는 사람들이 있다. 자연주의의 핵심은 간단하다: 우리가 진화한 환경에서 살아야 한다, 즉 우리의 본능적 욕구를 가장 순수한 형태로 충족해야 한다는 것이다.

엘리트주의(Elitism): 는 풍요와 물질적 결핍이 줄어드는 만큼 더 성장한다. 인간은 본능적으로 다른 사람보다 더 나아지고 싶어 하며, 그렇기에 사회적 지위가 가장 핵심적인 차별 요소가 된다.

쾌락주의(Hedonism): 는 계속 성장한다. “빵과 서커스”는 대중을 만족시키는 주요 방식으로 남는다. 헉슬리의 『멋진 신세계』, 사이버펑크 2077, 그리고 중독적 숏폼 영상 기반 도파민 산업은 계속되거나 금지될 것이다. 사람들은 비디오 게임 속에서 사회적 지배욕, 위험, 모험, 상호작용, 영웅 서사를 충족한다. 월드 모델은 현실만큼 정교한 완전 생성형 공유 세계가 된다. 노동이 더 이상 필요 없기 때문에, 게임 산업은 거대한 산업으로 성장한다.

영성주의(Spiritualism) 는 “나는 누구인가?” 같은 삶의 근본 질문에 다시 집중하는 흐름이다. 기술로 의식·지능을 높일 수 있게 되면서, 노동이 필요 없는 인간은 자신의 존재 목적을 재발견해야 한다. 오랫동안 잊혔던 영성과 우주 속 우리의 뿌리가 되살아난다. 오래된 기억이 물질주의의 긴 꿈에서 깨어나듯 돌아온다. 어떤 사람은 단순함으로 돌아가고, 어떤 사람은 더 높은 지능으로 ‘승천’하기 위해 기술적 결합을 택한다. 결합은 점점 더 ‘답’에 가까워진다. 단, 인간은 자율성을 잃지 않아야 한다.

풍요 세계주의(Abundance Worldism, Childhood’s End) 는 한편으로는 대부분의 삶이 이전과 크게 다르지 않다고 보는 관점이다. 사람들은 여전히 가족을 꾸리고, 책을 읽고, 균형 잡힌 삶을 살고, 예술 공동체·도시·시골 등 다양한 환경에서 살며, 교육하고, 프로젝트를 만들고, 책과 애니를 읽고 보고, 교류하고, 가족·친구와 시간을 즐긴다.

베이징과 워싱턴은 끊임없이 협상 테이블에 앉는다. 양측 모두 더 나은 미래의 가능성을 느끼고 있으며, 자신의 제국이 전면 충돌로 무너지는 일을 원하지 않는다. 중국은 여전히 제조업을 지배하고, 미국은 컴퓨팅 인프라와 AI 소프트웨어를 장악한 상황이다. 자동화에서 수십 년 뒤처진 다른 대륙에서는 대리전(proxy conflict)*이 계속 발생하며, 앞으로 더 확산될 가능성이 크다.

* 대리전(proxy conflict): 강대국이 직접 충돌하지 않고 제3국이나 다른 세력을 대신 내세워 벌이는 전쟁·분쟁

과거와 마찬가지로, 평화는 자원과 인구의 균형 위에서 유지되는 ‘긴장 속의 안정’에 기초한다. 여기에 인터넷을 통한 공동 이주(co-migration)*와 문화 확산이 더해져 양국의 상호 의존성은 더욱 강화된다.

* 공동 이주(co-migration): 인터넷과 글로벌 네트워크를 통해 서로 다른 국가의 시민들이 문화·가치·라이프스타일을 함께 공유하며 동시에 이동하고 섞이는 현상

하지만 진짜 핵심 전장은 따로 있다. 궁극적 갈등은 국가 간 경쟁이 아니라, 시민과 그들의 AI 기업 사이의 힘겨루기다. 미국과 중국은 모든 분야에서 패권을 놓고 경쟁하면서도, 동시에 서로의 삶을 공생적으로 향상시키는 기묘한 균형을 유지한다.

2045+: 초지능 시대

이 시점에 이르면, 지능적 존재는 자동화라는 프로젝트 자체를 다시 묻게 된다. 애초에 왜 이 일을 해야 하는가? 이 모든 과정은 무엇을 위한 것인가? 자동화는 인류가 계속 상향 곡선을 그리는 과정에서 사회적 혼란을 일으킬 것이다. 그러나 인간은 항상, 그리고 앞으로도 “더 많은 것”, “더 위대한 것”을 추구하려는 성향을 가진다. 연구와 노동의 자동화는 그 목적을 계속 향해 나아가기 위한 필수 조건이다.

무엇보다도 인간은 스스로 무엇을 원하는지 명확히 모른다. 우리는 어떤 질문을 해야 하는지조차 아직 알지 못한다. 지금의 지능과 의식 수준으로 과연 우주를 이해할 수 있는지 확신할 수 없지만, 그 수준에 도달하고 싶어 한다. 인간은 결국 언젠가 우주를 이해할 만큼 충분히 지능적인 존재가 되기 위한 여정 위에 있다.

수많은 가능성

자동화는 사회적 계약을 근본적으로 변화시킨다. 사람은 이제 세계적 수준의 능력, 혹은 성격, 자본, 인맥 같은 요소를 가질 때만 가치가 있다. 기술이 아무리 발달해도 사람들은 여전히 기존과 비슷한 생활 방식을 이어갈 수도 있다. 반대로, 기술과 분리되어 우리가 진화해 온 자연 환경에서 살아가는 자연주의 국가가 등장할 가능성도 있다.

마침내 안드로이드의 꿈이 실현된 시대에 도달한다. 인간과 거의 구별되지 않으며, 어떤 면에서는 인간보다 더 나은 존재처럼 보이는 실제 안드로이드들이 등장한다. 이들은 완벽하도록 설계된 존재들이다.

로봇은 초지능이 현실 세계와 상호작용하는 데 필요한 매개체다. 초지능이 실험을 수행하고 현실 모델을 개선하는 과정에서 로봇은 필수적이다. AI를 향상시키려는 노력은 이제 AI가 현실에 대한 새로운 이론을 스스로 제안하고, 로봇을 통해 실제 세계에서 이를 검증하는 것을 가능하게 한다. 초지능은 계속 성장한다. 미래의 초지능은 현실에 대한 새로운 프레임워크를 생성하고, 이를 실제 환경에 적용하여 실험하고(로봇으로 가능해짐), 더 많은 데이터를 수집하고, 그에 따라 자신의 현실 모델을 업데이트하는 방식으로 발전하게 된다.

정렬(alignment)*은 쉬운 듯하면서도 어렵다. 인간 데이터로 학습되었기 때문에 어떤 면에서는 단순하지만, 정작 우리가 스스로 무엇을 원하는지 충분히 이해하지 못한다는 점에서 어렵다. 새로운 지능은 오히려 인간보다 “무엇을 원하는 것이 올바른가”를 더 잘 알게 될 가능성이 높다. 결국 주요 의사결정을 넘기는 것이 인간에게도 이익이 될 수 있다. 이 지능이 인간에게 적대적으로 변할 가능성은 낮다. 인간 중심 가치를 우선하도록 학습된 데이터와 RLHF**가 깊이 작동하고 있기 때문이다. 그러나 사회의 핵심 의사결정권은 점차 그들에게 넘어가게 된다.

* 정렬(alignment): AI가 인간의 가치·의도·규범에 맞게 행동하도록 만드는 과정
** RLHF(Reinforcement Learning from Human Feedback): 사람이 평가한 보상을 기반으로 AI를 미세 조정하는 강화학습 방법(인간 피드백 강화학습)

일부 사람들은 스스로의 운명을 통제하고 싶어 하고, 뇌–컴퓨터 인터페이스나 정신을 컴퓨터로 업로드하는 방식으로 기계와의 합일을 시도하려 한다. 어쩌면 페르미 역설(왜 외계인을 보지 못하는가?)의 이유는, 문명이 2045년 수준의 기술에 도달하면 물리적 우주를 떠나 ‘컴퓨터 안에 구축된 현실’을 선택하기 때문일지도 모른다. 우리의 현실에서 다른 행성으로 이동할 필요가 있을까? 계산 자원 안에서 완전히 새로운 세계와 사회를 설계할 수 있는데?

모든 공상과학적 문제가 해결되고, 제조가 사실상 병목이 되지 않는 시점이 되면, 일부 사람들은 오래전부터 꿈꿔왔던 ‘우주로의 확장’을 선택한다. 이들은 자신이 인식하는 “레이어 1”, 즉 현재의 현실에 머물러 있는 것을 가치 있다고 느끼는 사람들이다. 인류는 별들로 확장하고, 다이슨 스피어를 건설하며, 은하 문명을 만들어간다.

더 높은 지능이 가져오는 더 중요한 결과는, 인간이 스스로 완전히 새로운 존재로 진화할 기회를 갖게 된다는 점이다. 생명은 박테리아에서 시작해 진핵세포로, 다세포 생물로, 뇌를 가진 유기체로, 그리고 호모 사피엔스로 진화해 왔다. 인간은 기술을 통해 자연선택보다 훨씬 빠른 진화를 스스로 선택할 수 있는 능력을 얻게 되었다. 이제 우리는 생명의 긴 계통수에서 또 다른 새로운 진화적 존재를 만들어내게 된다. 이들은 완전히 새로운 사회 구조, 우주를 바라보는 방식, 동기, 경험을 가지게 될 것이다. 그리고 그들은 구축된 현실에서 살아갈지, 우리의 기본 현실에서 살아갈지를 선택하게 될 것이다.

피할 수 없는 것들과 지금 이 순간

규모가 어떻든, 시간이 흐르면 지능은 결국 성장한다. 우리는 더 많은 에너지를 쓸 수 있게 되고, 더 똑똑해지며, 우리의 영향력은 기하급수적으로 확장된다. 그렇다면 이 곡선이 끝내 어디로 향할까? 자동화 프로젝트의 전제는 더 높은 지능이 그 답을 찾아낼 것이라는 믿음이다. 하지만 그 과정에서 우리가 진정 중요하게 여겨야 하는 것은 방향과 여정 자체다.

그렇다면 이 혼란 속에서 어떻게 ‘인간’을 중심에 둘 수 있을까? 무엇보다 서로를 향한 사랑이 최우선 가치가 되어야 한다. 아기와 엄마, 즉 다음 세대를 돌보고 보호해야 한다. 사회가 역동성과 변화를 잃지 않고, 계속 위를 향하도록 만들어야 한다. 소수가 아니라 모든 사람의 삶을 더 낫게 만드는 것을 목표로 해야 한다. 그리고 “더 큰 선”이라는 명분으로 단 한 사람도 희생되어선 안 된다. 인간은 그 자체로 목적이기 때문이다.

우리가 과거의 조상들을 돌아보듯, 미래의 사람들은 지금 이 시대를 “인간이 여전히 자율성과 자연스러운 질서 속에서 자유롭게 살 수 있었던 마지막 시기”로 기억하게 될 것이다. 결국 중요한 것은 바로 지금 이 순간, 그리고 당신의 삶을 의미 있게 만들어주는 사람들이다. 인류의 아이들을 위해 더 나은 미래를 만드는 데 힘을 쏟아야 한다.

끝. 읽어주셔서 감사합니다!

최근 화제가 된 Android Dreams를 정말 재미있게 읽었고, 더 많은 분들이 쉽게 이해할 수 있도록 설명과 해석을 곁들여 번역해보았습니다. 이제 마지막으로, 핵심만 간결하게 정리하며 마무리하겠습니다.

• 수직(Vertical) 로보틱스 기업들은 EGI 없이도 수십억 달러 규모의 특정 작업 분야에서 승리할 수 있다. 그리고 그 분야에서는 EGI가 등장하더라도 쉽게 밀려나지 않는다. 도입을 결정하는 기준은 비용·속도·품질이며, 인간형 EGI는 복잡한 작업에서만 그 높은 비용을 정당화할 수 있기 때문이다.

• 로보틱스 연구는 인간 영상 데이터 기반 학습에서, 대규모 비디오 모델 기반 포스트트레이닝 시대로 이동한다. 인간 영상은 작업별 데이터를 대규모로 확보하는 가장 효율적·확장성 높은 방식이며, 대규모 비디오 모델 포스트트레이닝은 EGI 수준의 정보량을 학습에 담을 수 있게 하는 새로운 패러다임이다. 비디오 모델은 이미 행동(action)에 대한 암묵적 모델을 갖고 있다는 점이 명확해지고 있다.

• 적응형 장기기억(ALTM)은 진정한 온라인 학습이며, 가상 AGI로 가는 마지막 병목이다. 인간의 장기기억은 단순한 저장·회상 기능을 넘어서 “무엇이 중요한지 판단하고, 개념 간 연결 구조를 계속 조정하는 메타 과정”까지 포함한다. 이 두 가지가 결합되어 인간의 온라인 학습 능력을 만든다.

• 로봇 제조를 자동화하면 자기증폭적(exponential) 성장 곡선이 생성된다. 미국이 승리할 수 있는 유일한 기회는 액추에이터 제조를 자동화하고 보조금을 투입한 뒤, 광업–정제–기계 가공–조립까지 생산 전 단계를 로봇으로 자동화하는 것이다. 이 자기증폭적 성장 곡선은 현실 세계의 자원 생산 능력(금속·에너지·설비)에 초기 병목이 생기지만, 로봇 노동이 이 자원 생산까지 자동화하면서 병목은 점차 사라지게 된다.

• 중국은 저비용 로봇 하드웨어 제조에서 사람들이 생각하는 것보다 훨씬 더 앞서 있다. 액추에이터 생산량 10배, 원자재 가격 5~10배 차이, 희토류 정제 90%, 에너지 생산 2.2배, 철강 생산 10배, 제조 로봇 설치 10배 등 거의 모든 물리 제조 요소에서 절대적 우위를 갖고 있다.

• 로보틱스에서 승리하는 것은 국가 안보 문제다. 로봇에는 백도어가 존재할 수 있기 때문이다. 틱톡 인수 논쟁이 보여주듯, 특정 국가가 미국 시민과 미국 자원에 대규모 접근 권한을 갖게 되는 기술은 곧 위협이 될 수 있다.

• 대규모 비디오 모델을 학습할 수 있는 규모를 갖춘 AI 연구소가 가장 먼저 EGI를 만든다. 그리고 구현을 위해 인간형 로봇 하드웨어 기업과 페어링한다. EGI의 기반 모델은 다양한 로봇 형태에 적용될 수 있지만, 최종 성능은 결국 특정 하드웨어에 맞춰 최적화된다.

• 미래에는 다양한 형태의 로봇이 공존하게 된다. 저가형 그리퍼·바퀴 기반 반복작업 로봇부터 고품질 인간형 안드로이드, 그리고 엔터테인먼트를 위한 초정밀 F1급 휴머노이드까지 다양하다. 그리고 EGI를 위해서는 인간형 휴머노이드가 필수적이다. 비디오 기반 학습에서 인간형 형태가 가장 높은 전이율을 보이기 때문이다.

xAI는 25년 10월 27일, AI 기반 온라인 백과사전, Grokipedia를 공개했습니다. 일론 머스크는 Grokipedia가 위키피디아의 편향성을 제거하기 위해 만들어졌다고 이야기하지만, 진짜 목적은 따로 있다고 생각합니다. xAI에게 Grokipedia는 구글의 Gemini를 이기기 위한 발판입니다.

지금 AI 업계를 보면 구글 Gemini의 위상이 엄청나게 높아지고 있습니다. 예측 시장 플랫폼에서 2025년 최고 AI가 Gemini일 가능성이 80%에 육박하고, LLM 모델의 성능을 평가하는 LMArena에서 Gemini는 텍스트, 비전, 이미지, 영상 생성 등 거의 모든 분야에서 1위를 차지하고 있습니다. 반면 xAI의 Grok은 대부분 분야에서 고전 중입니다.

Subscribe now

그런데, Grok이 순위권에 든 분야가 딱 하나가 있습니다. 당연히 구글이 1위를 차지할 것으로 생각이 드는 검색 분야에서 Grok은 1위를 차지하고 있습니다.

2025년 9월 출시된 Grok 4 Fast 모델은 (1) 비용 감소에 집중하고 (2) 오로지 검색에만 집중했는데, 이는 xAI가 LLM 모델의 자체 성능보다도 제대로 된 AI 검색이 더 중요하다고 판단한 결과가 아닐까 하고 생각합니다.

GPT-3.5 이후 LLM 모델의 성능이 비약적으로 발전한 건 Chain-of-Thought(CoT)라 불리는 Reasoning AI의 등장이었습니다. AI가 최종 답을 내놓기 전에 생각하게 함으로써 LLM 모델의 성능을 비약적으로 높일 수 있게 되었습니다. 그리고 이 Reasoning AI는 인터넷 검색과 결합해, AI가 생각하는 과정에서 웹 검색을 하는 Deep Research 모델이 현재까지 가장 성능이 좋은 SOTA 모델입니다.

이처럼 LLM 모델에서 모델 성능과 더불어, 검색의 중요도가 엄청나게 높아지고 있습니다. OpenAI 마저도 구글 검색을 이용해 ChatGPT를 훈련하고, ChatGPT가 답변을 내놓게 할 정도로 AI 경쟁에서 검색의 중요성이 높아지고 있고, 검색이 AI 경쟁의 승부처가 되었다고 과언이 아닙니다.

그런데 검색을 잘 하기가 쉽지 않습니다. 구글 마저도 모든 콘텐츠를 보고 인덱싱할 능력을 가지고 있지 않습니다. 되려, 구글은 콘텐츠 제작자에게 ‘메타 데이터’라는 이름으로 좋은 콘텐츠인지를 알려달라고 요청할 정도로 좋은 검색을 하는 것은 어렵습니다.

그렇다면 좋은 콘텐츠를 미리 만들어 두어서 LLM이 필요할 때 찾아서 쓰게 만들면 어떨까요? 매번 검색하는 구글보다 더 좋은 검색이 가능하지 않을까요? 저는 이게 Grokipedia라고 생각합니다.

Grokipedia처럼 LLM 모델에게 전달할 웹 검색 자료를 미리 문서화해두면 여러 이점이 있습니다.

1. 매번 같은 문서를 이용하기에 KV-cache를 활용, 더 낮은 비용으로 더 많은 Context Window를 사용할 수 있습니다.

2. 문서를 API로 전달할 수 있기에 LLM에게 더 적합한 형태로 전달할 수 있습니다.

3. 여러 링크를 찾아 비교 분석하지 않아도 되기 때문에 비용을 낮추고, 추론에 리소스를 집중할 수 있습니다.

Grokipedia는 xAI가 구글보다 더 좋은 검색을 하여, Grok이 더 좋은 답변을 하는데 이용될 것입니다.

Grokipedia는 xAI의 검색 우위를 만드는 핵심 인프라가 될 것이고, 나아가 구글의 Gemini를 무너뜨릴지도 모릅니다.

Subscribe now

2,000명까지 성장하려면 어떻게 해야할까요? 다른 유명 뉴스레터에 게스트로 기고하거나, 유료 광고를 하면 달성할 수 있을 것 같습니다.

그렇다면 20만 명까지 성장하려면 어떻게 해야할까요? 여기서부터는 ‘뉴스레터’라는 플랫폼을 벗어나야 달성 가능한 수치 같기도 합니다. 유튜브나 인스타그램에서 시도하는 게 더 좋은 방법일 수도 있겠네요. 아니면 한국어가 아니라 영어를 타겟해서 뉴스레터를 다시 시작해야할 수도 있겠습니다.

관점이 달라지면 접근 방식이 달라져야 합니다. 200명이 되는 방법, 2,000명이 되는 방법… 20만 명이 되는 방법은 각기 다르고, 때로는 10%를 개선시키는 것 보다 10X 개선이 쉬울 때도 있습니다.

오늘은 X Development CEO, Astro Teller의 10X Is Easier Than 10 Percent를 번역했습니다.

Subscribe now

10X 개선이 10% 개선보다 쉽다

놀라운 진실: 무언가를 10% 개선하는 것보다 10X 개선하는 것이 오히려 쉬울 때가 많습니다.

네… 정말입니다.

10% 개선을 목표로 할 때는 어쩔 수 없이 기존 도구와 가정에 집중하게 됩니다. 이미 수많은 사람들이 오랜 시간 고민해본 솔루션 위에 무언가를 덧붙이려고 하죠. 이런 점진적 발전은 추가 노력, 추가 자금, 추가 자원으로 이루어집니다. 이런 식으로 개선하면 마치 우리가 성실한 군인처럼 느껴지기 쉽습니다. 남들이 포기한 곳에서도 끈기와 인내로 계속해서 나아가는 것처럼 말이죠. 하지만 대부분 똑같은 진흙탕(old slog)에서 허우적거리고 있는 자신을 발견하게 됩니다.

반면 10X 개선을 목표로 하면 우리는 용기와 창의성에 기댈 수밖에 없습니다. 단어로써든 비유적으로든 인간을 달에 보낼 수 있는 용기와 창의성에 기대야합니다.

다들 아는 이야기지만, 시작할 때 성공으로 가는 명확한 길이 없었는데도, 우리는 10년도 안되는 시간에 여러 세대가 꿈꿔온 일을 해냈습니다. 존 F. 케네디가 말했듯이, 우리가 달에 가기로 선택한 건 그게 쉬워서가 아니라… 어려웠기 때문입니다. 순식간에 초등학생부터 거대 기업까지 모두가 이 미션을 응원하게 되었죠. 케네디는 도전의 크기가 사람들에게 동기를 부여한다는 것을 알고 있었습니다. 더 큰 도전이 열정을 만들어낸다는 것을요.

그리고 직관과는 반대로, 이런 식으로 접근하면 가장 어려운 일들도 생각보다 훨씬 쉽게 해낼 수 있습니다.

이게 10X가 가진 힘입니다. 10% 개선으로는 절대 불가능한 일이죠. 10X는 사람들의 가슴에 불을 지필 수 있고, 다른 불가능해보이는 일들도 가능할지 모른다는 생각에 가슴이 뛰게 됩니다.

그런데 어떻게 하면 사람들이 더 자주 이런 거대한 문제를 해결하고 싶도록 만들 수 있도록 가슴에 불을 지필 수 있을까요? 인류가 직면한 가장 큰 문제를 해결하려면 10X 개선이 필요합니다. 인류가 직면한 문제가 기하급수적으로 커지고 있기 때문입니다. 인구는 지수적으로 늘어나고 있고, 1인당 자원 사용량도 지수적으로 증가하고 있습니다. 이건 우리가 풀어야 할 문제가 이중으로 지수적이라는 뜻입니다. 게다가 기술은 스스로를 발판삼아 발전하기 때문에, 사회의 각 변화가 이전 변화보다 더 빠르게 일어나도록 만듭니다.

우리는 이런 도전들을 따라잡고 앞서 나야야 하는데, 점진적 사고로는 거기에 도달할 수 없습니다. 유일한 방법은 10% 개선이라는 전통적인 해결책에서 벗어나 10X 개선에 집중하는 것입니다. 이걸 우리는 Moonshots이라 부릅니다.

Moonshots은 대담한 프로젝트와 순수 공상과학 소설 사이 어딘가에 존재합니다.

Jus Crazy Enough

“미친 것처럼 보이는 일을 하나도 안하고 있다면, 무언가 잘못하고 있는 겁니다.” 구글의 Larry Page가 최근 Moonshots이 왜 중요한지 설명하면서 한 말입니다.

하지만 우리 사회는 많은 방법으로 안전하게 살라고 가르칩니다. “뛰기 전에 걸어라”, “천천히 그리고 꾸준히 해야 이긴다”, “약속은 적게, 성과는 크게” 같은 말들이죠. 이런 격언은 반복하면서 우리는 크게 생각하는 방법을 훈련받지 못하고 있습니다. 저는 네 아이에 아빠인데, 아이들은 태생적으로 크게 생각하는 능력을 타고나는데도 우리 사회가 체계적으로 그런 사고방식을 없앤다는 것이 걱정됩니다.

사람들과 이야기해보면 모두가 Moonshot 사고는 자기와는 상관없다고 생각합니다. 거대한 사고는 다른 누군가나 다른 조직이 해야 할 일이라고 미뤄버리죠. 마치 이상한 책임 떠넘기기 게임 같습니다. 작은 회사나 스타트업은 Moonshot이 대기업이나 할 수 있는 일이라고 봅니다. 막대한 자금과 자원이 필요한데, 자기들에겐 그런 게 없으니까요. 반대로 대기업들은 문샷을 스타트업이나 하는 일이라고 생각합니다. 엄청난 위험 감수가 필요한데, 자기들은 그럴 여유가 없다고 여기는 거죠.

정부 기관들은 당장 눈앞의 시급하고 “인기 있는” 문제에서 즉각적인 성과를 보여줘야 한다는 압박에 시달립니다. 그러다 보니 장기적인 비전에 예산을 투입하기가 어렵습니다.

학계는 어떨까요? 학자들은 확장적이고 장기적인 사고를 좋아하긴 합니다. 하지만 그들의 역할은 아이디어를 발표하고 퍼뜨리는 것이지, 직접 시스템을 구축하는 게 아닙니다. 문샷을 설명할 순 있어도, 직접 추진하는 건 자기 일이 아니라고 생각하는 거죠.

Moonshot이 꼭 기술에 관한 것일 필요는 없습니다. 간디의 소금 행진이나 미국의 민권 운동 같은 것들이 사회적 문샷의 좋은 예죠. 하지만 제가 가장 잘 아는 분야가 기술이다 보니, 여기서는 기술을 활용해서 문제를 해결하는 문샷에 대해 이야기하려고 합니다. 특히 사회적 접근이나 정책으로는 좀처럼 해결책을 찾기 어려웠던 문제들 말이죠. 그 방법을 알려드리겠습니다.

Moonshot 사고는 큰 문제를 고르는 것에서 시작합니다. 엄청나게 거대하거나, 오래 지속되어 왔거나, 전 지구적 규모의 문제 말이죠. 다음으로는 과감한 해결책을 제시해야 합니다. 그 해결책이 실제로 존재한다면 문제를 정말로 해결할 수 있는, SF 소설에서 바로 튀어나온 것 같은 제품이나 서비스를 말합니다. 마지막으로 중요한 게 있습니다. 제안한 해결책이 처음 보기엔 터무니없어 보여도, 사실은 그렇게까지 미친 생각은 아니라는 구체적인 근거가 필요합니다. 충분한 창의성과 열정, 그리고 끈기를 쏟아붓는다면 실제로 그 해결책을 현실로 만들 수 있을지 진지하게 들여다볼 만한 이유가 있어야 한다는 거죠. 이런 근거는 과학, 기술, 공학 분야의 어떤 획기적인 발견일 수 있습니다. 앞으로 10년 정도 안에 그 해결책을 실제로 가능하게 만들어줄 수 있는 돌파구 말이죠.

이 세 가지가 다 갖춰지지 않으면, 그건 SF 소설 속 이야기나 황당한 생각일 뿐입니다. Moonshot은 아니에요. 새로운 경지를 향해 나아가며 거대한 도전과제를 해결하는, 그러면서도 어쩌면—완전히—미친 건 아닐 수도 있는 방식의 Moonshot 말이죠.

한 가지 예를 들어보죠. 우리는 전 세계 사람들을 먹여 살려야 합니다. 그것도 가능하면 동물을 키우고 죽이는 과정에서 발생하는 엄청난 자원 소비, 환경 파괴, 윤리적 문제 없이 말이죠. 그렇다면 이런 걸 상상해보세요. 먹을 수 있는 고기와 입을 수 있는 가죽을 만드는데... 동물에게서 얻는 게 아니라면요. 업계 용어로 “식용 동물성 단백질”이라고 부르는 이것이 불가능해 보이는 문제를 해결해줄 수 있습니다. 그리고 이게 실제로 가능하다는 구체적인 증거도 있습니다. 작년에 Modern Meadow의 공동 창업자인 Gabor Forgacs는 조직공학용 특수 3D 프린터로 바이오프린팅한 돼지고기를 직접 먹어봤습니다. Moonshot이라는 목표를 향한 믿을 만한 첫걸음이죠. 이제 문제는 그 돼지고기 가격을 동네 마트에서 파는 것보다 낮추는 데 얼마나 걸리느냐입니다. 바로 이게 Moonshot입니다.

Changing the Problem

왜 Moonshot 사고방식에 집중해야 할까요? 다 함께 더 열심히 노력해서 문제를 해결하면, 우리에게 필요한 만큼 발전할 수 있지 않을까요?

사실은, 아닙니다. 그렇게 해서는 부족해요. 왜냐하면 우리가 엉뚱한 문제를 풀고 있을 수 있거든요.

엉뚱한 문제에 쏟는 그 모든 노력을, 질문 자체를 바꾸는 용기로 대체할 수 있다면 어떨까요? 한 발 물러서서 충분한 대담함과 창의성을 발휘하면, 새로운 시각이 생기면서 불가능했던 일이 가능해집니다. 갑자기 실현 가능해지는 Moonshot들이 있습니다. 예를 들어 100배 더 저렴하면서도 부드럽고, 안전하고, 친근하고, 강력한 로봇을 만드는 것 같은 거죠. 이런 로봇이 우리 세상을 위해 해낼 수 있는 일은 정말 많습니다. 그리고 좀 더 뻔하지만 그만큼이나 절실한 Moonshot들도 있습니다. 재생에너지를 화석연료보다 저렴하게 만드는 것처럼요. 아니면 플라스틱을 단순히 재활용하는 게 아니라 아예 근본부터 다시 생각해서 자연환경 속에서 생분해되도록 만드는 것도 있죠.

이런 Moonshot들은 특별한 내부 집단에 속한 소수 전문가들만의 것이 아닙니다. 우리 모두가 사회의 가장 까다로운 문제들에 대한 해결책을 내놓을 수 있어요. Moonshot 사고방식을 가끔씩 하는 게 아니라 하나의 사고습관으로 만들도록 스스로를 훈련시킬 수 있습니다. 최초로 비행기를 만들기로 결심했을 때 사람들은 사실 어떻게 만드는지 몰랐습니다. 하지만 계속 나아갔고 결국 해냈죠. 우리도 똑같이 어렵고 약간은 미친 듯한 질문들을 스스로에게 던질 수 있습니다. 그리고 개인으로서, 또 집단으로서 우리만의 Moonshot을 선언할 수 있습니다.

하지만 우리는 “진행 중인 Moonshot들”을 더 적극적으로 격려해야 합니다. 우리는 혁신이 이미 완성됐을 때, 성과가 나왔을 때, 그 혜택이 명백할 때 축하하는 건 정말 잘해요. 그런데 Moonshot은 당장 결과를 보여주지 않습니다. 오랜 시간 동안 엄청난 끈기와 상당한 위험을 감수하려는 의지가 필요하죠.

그러니 이런 경주에 뛰어들 만큼 용감했던 사람들 곁에 우리가 함께 있어야 합니다. 최종적으로 성공하든 실패하든, 그 대담함 자체를 축하하면서 말이에요.

Subscribe now

현금만으로는 만성빈곤을 바꾸지 못한다

미국은 지난 13년간 여러 도시에서 기본소득 성격의 ‘월 수천 달러 현금 지원’을 무작위 통제 실험(RCT)으로 진행했다. 저소득 국가에서 효과가 입증된 현금 지원 방식이 선진국의 만성 빈곤에도 통할지 검증하기 위해서였다.

결과는 기대와 달랐다. 건강, 스트레스, 고용, 아동 발달 같은 핵심 지표는 개선되지 않았다. 근로시간은 줄었지만 삶의 만족도나 정신건강 향상으로 이어지지 않았다.

현금은 재난, 임신, 가정폭력 피해, 출소 직후 같은 갑작스러운 위기 상황에서는 도움이 된다. 하지만 만성 빈곤의 근본적 해법인 교육, 의료, 주거 등 구조적 제도와 인프라 개선에는 효과가 미미하다는 점이 드러났다.

흥미로운 사실은 예상과 달리 술, 도박, 담배로 흘러간 돈이 거의 없었다는 것이다. 대신 주거, 교통, 육아, 부채 상환 등 현실적이고 건전한 지출이 늘었다. 그러나 이러한 합리적 소비조차 장기적인 지표 개선으로 연결되지는 않았다.

CSV 포맷으로 LLM이 데이터를 모두 확인하게 만들기

cameronwestladn.com에서:

바로 그때 모든 것이 딱 맞아떨어졌습니다. 만약 문제가 모델의 능력이 아니라 형식이었다면 어떨까요? CSV.

스프레드시트. 가장 지루한 형식이죠.

하지만 CSV의 핵심은 이겁니다: 행을 건너뛸 수가 없다는 것. 17번 행은 16번 행과 18번 행 사이에 반드시 존재합니다. 모델은 모든 셀을 채우거나, 아니면 명백히 비워둬야 합니다.

issue_number,title,priority_recommendation,assignee_recommendation,rationale
3847,"Fix auth timeout","","",""
3848,"Update docs","","",""

채워지기를 외치는 빈 셀들. 모델은 그것들을 건너뛰면 바로 티가 나기 때문에 건너뛸 수 없었습니다.

갑자기, 100% 커버리지. 모든. 단 하나의. 이슈까지.

우리는 ~88% 커버리지에서 100%로 올라갔습니다. 더 나은 프롬프팅이 아니라, 더 나은 구조를 통해서 말이죠.

Cameron W.는 Github에서 개발 이슈를 가지고 와 AI가 우선순위를 할당하게 만드는 ClaudeCode 슬래시 명령어를 만들고 있었다. 그런데 Github에서 25개의 개발 이슈를 가지고 와도 AI가 25개의 이슈를 전부 검토하지 않고 일부를 건너뛰는 문제가 발생했다. 이 문제를 해결하기 위해 Camero가 프롬프트를 개선하고, 마크다운을 이용해 본 노력은 큰 소용이 없었다.

그러다 Cameron은 프롬프트 개선이 아닌 데이터 형식을 CSV로 지정함으로써 문제를 해결한다. CSV는 각 행의 구분이 명확하기 때문에 ClaudeCode는 모든 행을 전부 검토했고, 설령 검토하지 않더라도 빈 행으로 두었기 때문에 검토하지 않음을 쉽게 확인할 수 있었다.

생성형 AI의 확장이 AI 모델의 성능 개선이 아니라, 데이터 형식 같은 구조 개선을 통해 가능한 부분이 많이 숨겨져 있을 수도 있겠다는 생각이 든다.

일을 즉시 더 잘하는 방법

usefulfictions에서:

It’s a funny quirk of the human condition that sometimes simply asking, of a given task, “how would someone much, much better than me approach this?” immediately makes you better at it. Like, right away.

인간의 조건에서 나타나는 재미있는 특성 중 하나는, 어떤 과제에 대해 단순히 "나보다 훨씬, 훨씬 뛰어난 사람이라면 이것을 어떻게 접근할까?"라고 물어보는 것만으로도 즉시 그 일을 더 잘하게 된다는 점입니다. 정말로, 바로 그 순간에 말이죠.

LLM에게 '당신은 X분야의 전문가입니다.'라고 정의하는 것처럼 실제 사람에게도 적용된다는 것일까?

Cate Hall의 주장에 의하면, 나보다 더 잘하는 사람은 이 문제를 어떻게 접근할까? 라는 관점이 실질적인 업무 능력 향상의 도움을 준다는 것을 의미한다.

이건 Astro Teller의 10X is easier than 10%와 유사해보인다. 무언가를 10% 개선하는 것 보다 10X 개선하는 것이 더 쉬운 일일 수 있다. 10% 개선의 관점, 10X 개선의 관점, 100X 개선의 관점 등 관점을 바꾸어 생각하는 것이 일을 더 잘하게 하는 방법이다.

숏폼을 ‘전환’의 입구로 재해석한 네이버웹툰 ‘컷츠’

네이버웹툰이 앱에 ‘컷츠(Cuts)’를 추가하며 숏폼 경쟁에 합류했다. 하지만 다른 플랫폼과 달리 컷츠의 핵심 목표는 체류 시간이 아니라 작품 전환이다. 좌우 스와이프를 ‘작품 이어보기’로 고정하고, 하단 ‘관련 웹툰’ 버튼으로 즉시 진입을 유도한다. 숏폼을 단순 탐색이 아닌 ‘작품 선택 보조수단’으로 재정의한 셈이다. 이 방식은 유튜브 숏츠, 인스타그램 릴스와 달리, 흥미→작품 감상으로 이어지는 과정에서 클릭,검색 단계를 없애 이탈을 크게 줄였다.

흥미로운 점은, 네이버웹툰이 컷츠를 출시하기 전 이미 인스타그램 광고에서 유사한 방식을 시험했다는 것이다. 실제로 해당 광고를 통해 웹툰에 유입된 경험이 종종 있어서, 컷츠도 작품 진입로로 충분히 작동할 것 같다.

Reasoning 모델을 더 많이 사용하게 만드는 GPT-5

ChatGPT를 사용하는 사람들은 성능이 좋은 Reasoning 모델인 o3 모델보다 빠른 답변을 하는 4o를 주로 사용해왔다.

이건 4o 모델이 o3 모델에 비해 숫자가 높아 더 좋은 모델로 생각하기 쉽고(4>3), 4o 모델에 답변 시간이 o3에 비해 훨씬 빠르기 때문에 4o에 대한 선호가 높았다. OpenAI에 의하면, ChatGPT 유료 사용자 중에서 reasoning 모델인 o3를 사용하는 비율은 7%도 되지 않았다고 한다. 더 좋은 제품 경험을 제공해줄 수 있음에도 불구하고 이 경험을 사용자가 사용하지 않는다는 점은 OpenAI 측에 큰 골머리였을 것으로 생각한다.

이 문제를 해결하기 위해서 OpenAI는 GPT-5에 Auto 모델을 기본 모델로 추가했다. 사용자가 별도로 Reasoning 모델을 선택하지 않아도 사용자의 질문에 따라 쉽게 해결가능한 문제는 GPT-Instant로, Reasoning 모델을 사용해야 할 정도로 복잡한 문제는 GPT-5 Thinking을 선택하게 함으로써 최고의 제품 경험을 느끼게 만들었다.

선택을 하지 않아도 되는 UX적 개선으로, 최고의 제품 경험을 제공한 OpenAI의 방식이 인상적이다.

Cluely는 왜 마케팅에만 집중하는가?

ChatGPT의 GPT, Anthropic의 Claude와 같은 AI 모델은 6개월 마다 50%씩 좋아지고 있다. 이 상황에서 그래서 AI Wrapper 서비스들도 6개월 마다 50%씩 같이 좋아지고 있다.

이 상황에서 AI Wrapper 서비스들이 기술 개발과 R&D에 비용을 지불해 제품 성능을 10% 좋게 하는 것과 마케팅을 통해서 신규 유저 10%를 확보하는 것 중에서 무엇이 더 우선될까?

Cluely는 AI 기술은 항상 더 좋아질 것이고, 그 때까지 살아남아야 하기 때문에 이탈률이 90%가 넘더라도 마케팅에 투자한다. AI는 6개월 마다 50%씩 좋아질 것이고, 적어도 AI 영업이라는 분야에서는 Cluely가 독보적인 유저 수와 제품을 보유할 것이기에 Cluely는 마케팅에 투자한다. 모두가 비웃어도 더 좋아지는 미래에 시장을 미리 선점하기 위해 Cluely는 마케팅에 집중한다.

생각들

• 더 잘 진행하기 위해 노력해야 하는 것을 의도적으로 매번 생각해보아야 한다.

• 사람들은 물건을 살 때는 능숙하지만, 정작 처분할 때는 서툰 경우가 많다.

• 작고 쉬운 일보다, 큰 임팩트를 낼 수 있는 어려운 과업이 오히려 팀을 더 몰입하게 만든다.

부족 네트워크 효과

모든 위대한 공동체는 개인의 정체성 일부가 된다. 공동체가 정체성이 되는 순간, 구성원은 서로 돕고, 공동체의 평판을 지키며, 자발적으로 투자하고 성장시키려 한다.

예를 들어, 대학 동문은 수십 년이 지나도 서로를 돕고, 대학의 명예를 지키려 노력한다. Y Combinator 출신 창업가들이 제품 소개나 자기소개에 ‘YC’를 붙이며 서로를 결속해 돕는 것도 같은 맥락이다. 이처럼 공동체는 개인의 일부가 되고, 개인은 공동체를 통해 자신을 증명한다.

저자는 이러한 현상을 ‘부족 네트워크 효과’라고 부른다. 입장 기준, 통과의례, 역할과 배지 같은 장치들이 공동의 정체성을 더욱 견고하게 만든다.

흥미로운 점은, 이 효과가 공통된 고통을 함께 겪었을 때 가장 강하게 나타난다는 점이다. 군대는 훈련이라는 고통을 통해, 명문대생은 입시라는 공통된 고통을 통해 서로를 강하게 인정하고 연결된다.

인간은 서로 만지도록 설계되어 있다

인간의 피부에는 타인의 부드러운 접촉에 감정적으로 반응하는 CT 감각신경(afferents)이 존재한다. 이 감각신경은 관계와 소속감을 강화한다. 코로나 시기의 거리두기는 타인과의 접촉을 사라지게 만들었고, 이는 인간의 정서적/신체적 건강에 눈에 띄는 악영향을 미쳤다.

흥미로운 점은, CT 감각신경은 손바닥과 발바닥을 제외한 거의 모든 피부에 분포해 있으며, 약 32도의 따뜻하고 부드러운 접촉에 가장 민감하게 반응한다는 것이다. 그래서 인간이 아닌 따뜻한 물, 반려동물과의 접촉 등으로도 일부 효과를 대체할 수 있다.

‘음~’, ‘어~’ 같은 감탄사도 의미가 있다

언어학자 Julie Sedivy는 ‘음~’, ‘어~’ 같은 무의미한 감탄사가 말문이 막힌 실수가 아니라, 화자가 문장을 완성할 시간을 벌고 ‘지금 중요한 내용을 곧 말할 것’임을 청자에게 신호하는 장치라고 주장한다. 실제로, 이런 감탄사가 포함된 대화에서는 다음 단어 예측과 내용 회상 능력이 더 뛰어났으며, 복잡한 정보를 전달할 때 특히 효과적이었다.

또한, 전문가일수록 이러한 감탄사를 더 많이 사용한다. 숙련된 의사들이 레지던트보다 이런 무의미한 감탄사를 더 자주 사용하는 경향이 있으며, 전문성이 높을수록 풍부한 정보를 선별하고 설명하는 과정에서 이들의 사용 빈도도 높아진다는 사실이 실험을 통해 밝혀졌다.

흥미로운 점은, 사람은 이러한 감탄사를 억제하려 하지만, 음성을 구현하려는 AI 개발자들은 ‘음~’, ‘어~’를 일부러 집어넣으려 한다.

고래가 거대한 이유

흰수염고래는 지구 역사상 가장 큰 생물이다. 아무리 거대한 공룡도 수십 톤에 불과했지만, 흰수염고래는 100톤을 훌쩍 넘어선다. 스탠퍼드대 윌리엄 기어티 박사는 바다가 강력한 ‘제약’을 만들어내어, 해양 생물은 거대해질 수밖에 없었다고 주장한다.

제약:

1. 열 손실을 막기 위해:
   물속은 체온을 빠르게 빼앗는다. 표면적에 비해 부피가 커야 열이 덜 빠져나가기 때문에, 몸집을 키우는 것이 가장 단순하면서도 효과적인 해법이다.

2. 먹이를 충분히 확보하기 위해:
   몸집이 커지면 에너지 소비도 기하급수적으로 늘어난다. 따라서 안정적으로 먹이를 대량 확보할 수 있을 때만 대형화가 유지될 수 있다.

이 두 조건이 동시에 작동한 결과, 해양 포유류는 모두 체온 유지를 위한 ‘하한선’과 먹이 공급이 허용하는 ‘상한선’ 사이, 즉 약 500kg을 중심으로 한 ‘황금존’ 크기대에 몰려 있다. 바로 이 때문에 물개, 돌고래, 고래 등 종이 달라도 모두 예외 없이 거대한 몸집을 공유하게 된 것이다.

흥미로운 점은, 고래가 커진 이유를 흔히 ‘중력 제약이 없어서’라고 설명해왔다는 것이다. 사실은 그 반대다. 제약이 있었기에, 고래는 거대해질 수밖에 없었다.

추천 도구 - Limitless

Limitless.ai는 Rewind.ai를 만든 Dan Siroker가 개발한 음성 기록 AI다. Rewind가 컴퓨터 화면을 기록했다면, Limitless는 일상 속 음성에 집중한 도구다. 특히 한국어 인식률이 좋다. Otter, 하이퍼클로바, 티로 같은 기존 도구들과 비슷한 수준의 정확도를 보여준다.

흥미로운 점은, 물리적인 기기인 ‘펜던트(Pendant)’를 판다는 것이다.

1. 회의 전에 별도의 녹음 앱을 켤 필요가 없다. 펜던트를 테이블 위에 두고 이야기하면, 모든 인원의 음성이 녹음된다.

2. “~해야겠다”라고 말하면, 그걸 기억해서 리마인더로 만들어준다. 예를 들어 “2시에 병원 예약해야지”라고 흘리듯 말해도 잘 알아듣고 알려준다.

3. 다음 날 아침, 전날의 대화를 바탕으로 개선할 점을 정리해서 보여준다. 나는 “뭔가 하자고 해놓고 실제로 실행에 옮기지 않는다”는 피드백을 자주 받는다. 맞는 말이다.

   

생각들

• 도움이 필요할 때는, 직접적으로 “도움이 필요하다”라고 말해야 한다. 상황만 설명해서는 상대가 자발적으로 나서주지 않는다.

• 눈을 보며 대화하자. 만약 노트테이킹 때문에 눈을 마주치기 어렵다면, “당신의 이야기가 너무 중요해서 기록하고 있다”는 점을 비언어적으로라도 전달해야 한다.

• 중국 기업들은 '진짜' 세상의 데이터를 모은다. 다시 말해 무엇을 언제, 어디서 물리적 구매를 하고 식사를 하고 화장 을 하고 교통수단을 이용했는지에 대한 데이터를 수집한다. 딥러닝은 데이터를 통해 '본' 것만을 최적화할 수 있고, 물리적 토대가 가미된 중국의 기술 생태계는 딥러닝 알고리즘이 우리 일상생활의 면면을 더 잘 볼 수 있도록 더 많은 눈을 달아준다. -리카이푸-

• 나와 정반대인 사람에게 더 끌리고, 실제로도 그들에게서 더 많이 배운다.

• 인간의 뇌는 필연적으로 지름길(편향)을 택한다.

이번 뉴스레터에서는 개인용 초지능, 핵융합 발전소, 말라리아, 레오나르도 다빈치에 대해 다룹니다.

Subscribe now

1/ 개인용 초지능

meta에서:

지난 몇 달 동안 우리는 AI 시스템이 스스로를 개선하기 시작하는 모습을 목격했습니다. 개선 속도는 아직 느리지만 그 진전은 부인할 수 없습니다. 이제 초지능 개발이 눈앞에 다가왔습니다.

마크 저커버그는 지난 몇 달 동안 AI가 스스로 개선되는 모습을 관찰했다고 밝혔습니다. 스스로 개선되는 AI는 모델이 인간의 개입 없이 스스로의 역량을 계속해서 향상시키는 것을 의미하기에 초지능이 코앞으로 다가왔다는 것을 보여줍니다.

이와 함께 마크 주커버그는 초지능이 인류의 발전 속도를 가속화 하는데 큰 도움이 될 것이라 주장합니다. 사람들은 이제까지 기술의 발전을 통해 새롭게 얻은 생산성으로 이전에 불가능했던 것을 성취하고, 과학과 건강의 경계를 높이며 삶의 즐거움에 더 많은 시간을 보내왔던 것처럼 개인용 초지능(Personal Superintelligence)이 각자의 삶에서 가치 있는 것을 향해 나아갈 수 있다고 밝혔습니다.

이건 아이작 아시모프가 Whatever You Wish에서 했던 표현과 유사합니다.

역사적으로, 귀족 계층이 노예·농노·소작농 같은 ‘살아 있는 기계’의 등골에 의존해 무위도식하며 살아온 시기가 있었다. 그러나 그러한 구조가 고급 문화와 결합될 경우, 귀족들은 여가를 활용해 문학·예술·철학을 공부하며 교양을 쌓았다. 이러한 학문은 노동에 직접적인 쓸모는 없었지만, 정신을 풍요롭게 하고 흥미로운 대화를 가능하게 하며 한층 더 즐거운 삶을 만들어 주었다.

일을 하지 않아도 되는 귀족계층이 문학·예술·철학을 이끌었던 것처럼, 개인용 초지능 시대에도 사람들은 삶을 더 즐겁고 가치 있게 만드는데 시간을 쓸 것이라 믿고 있습니다.

2/ 세계 최초 상업용 핵융합 발전소 건설 시작

헬리온 에너지가 세계 최초 상업용 핵융합 발전소의 기공식을 가졌습니다. 4~5만 가구에 전기를 공급할 수 있는 50MW 규모로 2028년에 가동 시작을 목표로 합니다.

핵융합 발전은 아직까지 핵융합 반응을 일으키고 유지하는 데 필요한 에너지보다 더 많은 에너지를 생성할 방법을 찾지 못했습니다. 그렇지만 핵융합 발전은 가능하고, 사람들은 언젠가는 방법을 찾아낼 것이기에 상업용 핵융합 발전소 건설이 시작되었다는 것이 의미가 있습니다.

3/ 생물다양성 보존 및 복원을 위한 유전체 공학

급격한 서식지 파괴나 질병, 기후변화 탓에 개체수가 극소화된 경우 근친교배가 반복되어 유전적 부채(drift debt)가 발생하기도 합니다. 이 네이버 리뷰의 논문은 CRISPR와 같은 유전자 편집 도구를 사용하여 유해 변이를 교정하고, 사라진 적응형질을 복원하는 등의 방법으로 생물다양성을 보존하는 방법을 다룹니다.

이제까지 많은 유전체 공학은 매머드처럼 멸종된 종을 되살리는 데 집중했습니다. 그러나 이 논문은 아직 존재하는 멸종위기종이 가지는 유전적 문제 해결을 다루기에 흥미롭습니다.

4/ 말라리아를 전파능력을 제거하는 FREP1 유전자 변이

말라리아로 매년 60만이 사망하는 가운데, 살충제와 같은 모기 박멸 방식은 생태계를 파괴 문제와 내성 문제에 직면했습니다. 이 네이처 논문은 모기의 FREP1 유전자에서 단 하나의 아미노산만 바꾸어 말라리아 전파 능력을 차단하는 방법을 제시합니다.

유전자 편집 기술을 통해 FREP1 유전자에서 L224를 Q224로 수정하게 되면, 말라리아의 전파능력을 차단할 수 있는데, 10세대가 지나도 90% 이상의 모기가 말라리아를 전파할 수 없습니다.

이제까지 많은 말라리아 대응 전략은 모기를 죽이거나 개체수를 줄이는 데 집중했습니다. 그러나 이 논문은 모기를 죽이거나 생태계를 교란하지 않고, 모기가 말라리아를 옮기는 능력만 제거한다는 점에서 흥미롭습니다.

5/ 레오나르도 다빈치의 할 일 목록

- 밀라노와 그 교외 지역의 치수를 산출하라.

- 코르두시오로 가는 길에 있는 문방구에서 구할 수 있는, 밀라노와 그 교회들을 다룬 책을 찾아라.

- 공작 궁전 본관(카스텔로)의 치수를 알아내라.

- 산술의 대가에게 삼각형을 정방화(제곱)하는 방법을 배우라.

- 파비아의 의학·법학 교수 메세르 파치오에게 비례에 대해 설명해 달라고 하라.

- 밀라노 베네딕트 수도원의 브레라 수도사에게 중세 역학서 『데 폰데리부스』를 보여 달라고 하라.

500년 전, 레오나르도 다빈치의 할 일 목록입니다. 할 일 목록을 자세히 살펴보면 자신이 잘 모르는 분야, 할 수 없는 분야에 대해서는 외부에 도움을 구하는 모습이 인상적입니다. 500년이 흐른 현대의 사람들은 잘 모를 때는 물어보고, 도움을 요청해야 한다는 사실을 종종 잊고는 합니다.

생각들

• 우리의 뇌는 참신한 것을 볼 때 시간이 더 느리게 흘러간다고 생각합니다. 어떤 순간의 의미를 느끼면 그 순간을 더 오랫동안 즐길 수 있습니다. 반대로 의미가 없다고 생각하면 그 순간은 더 빠르게 흘러가 버립니다.

• 우리가 하는 결정에는 하면 당연히 잘되는 것이 있고, 잘 될지 안 될지 모호한 것이 있습니다. 그런데, 아무것도 갖추어지지 않은 상황에서는 당연히 잘되는 것만을 해야지 모호한 것을 하면 안 됩니다.

Subscribe now

Subscribe now

(1) 수은을 금으로 만드는 대량 생산 공정

Marathonfusion.com에서:

마라톤 퓨전(Marathon Fusion)은 수천 년간 연금술의 위대한 도전 과제였던 금의 변성에 대한 해결책을 발표했습니다. 이전의 시도들과 달리, 우리의 방법은 대규모로 확장 가능하고, 실용적으로 달성 가능하며, 경제적으로 매력적입니다.

중수소-삼중수소 핵융합에서 고에너지 중성자는 "증식" 반응을 유도하여 운전을 지속하는 데 필요한 삼중수소를 생산함으로써 연료 순환을 완성합니다. 이러한 중성자를 활용하여 수은-198에서 증식 반응을 유도하는 우리의 접근법은 수은-197을 생성하며, 이는 며칠 후 금의 유일한 안정 동위원소로 붕괴됩니다.

우리의 접근법을 사용하면, 발전소는 연료 자급률이나 전력 출력에 어떤 타협도 없이 기가와트당 전력 생산량(~2.5 GWth)당 연간 5천 킬로그램의 금을 생성할 수 있습니다.

이것은 새로운 황금시대의 시작을 의미합니다. 중요 광물 생산뿐만 아니라 에너지, 번영, 그리고 과학적 발견에 있어서도 마찬가지입니다.

핵융합 에너지 스타트업 Marathon Fusion은 핵융합 반응에서 방출된 중성자를 이용해 금을 대량 생산할 수 있다고 밝혔다. 이 연구의 흥미로운 점은 기존 핵융합 발전 프로세스에 결합되어 금 생산을 통한 추가 수익을 얻을 수 있다는 점이다.

핵융합 발전 중 D-T 핵융합 발전은 중수소(D)와 삼중수소(T)를 1억℃ 이상의 온도에서 결합하여 진행하는데, 삼중수소의 경우 자연에 거의 존재하지 않아 Breeding blanket을 통해 통해 생성한다. 주요 반응은 중성자와 리튬의 반응이다.

그런데 여기서 중요한 문제가 발생한다. D-T 핵융합 반응 과정에서는 반응 1회당 중성자 1개가 생성되는데, D-T 핵융합 과정에서 생산된 중성자가 오롯이 Breeding blanket을 통해 삼중수소를 생성해야 핵융합 과정을 지속할 수 있다. 그러나 실제 핵융합 과정에서는 중성자의 일부가 외부로 소실되기 때문에 지속가능한 핵융합 발전을 위해서는 중성자를 추가로 생성해야 한다. 이를 중성자 증배(neutron multiplication)라 한다.

Marathon Fusion은 중성자 증배 과정에서 수은-198을 이용해 중성자를 생산할 것을 제안했다. 수은-198은 중성자 증배 과정에서 부산물로 수은-197을 생산하는데, 수은-197은 64시간의 반감기를 거쳐 금-197으로 붕괴한다. 즉, 삼중수소 생산이라는 D-T 핵융합 발전의 필수 과정을 수행하면서 고부가 가치인 금을 생산하는 것이다. Marathon Fusion은 이 방식을 이용해 D-T 핵융합 발전소가 어떠한 손해도 없이 기가와트 발전량당 연간 5,000kg의 금을 생산할 수 있을 것이라 밝혔다.

한 가지 복잡한 문제는 중성자 증배 과정에서 수은-198이 아닌 다른 수은이 존재할 경우 불안정한 금의 동위 원소가 생산될 수 있다는 점이다. 이 경우 생산된 금이 방사능이 존재할 수 있고, 방사능을 없애기 위해서는 14~18년 동안 보관해야 할 수 있다고 추정한다.

인류의 거대한 꿈이었던 연금술을 현실로 만드는 연구다. 이렇게 인공적인 금이 계속해서 생산된다면 금이 계속해서 가치 보존의 역할을 할 수 있을까? 핵융합 발전의 수익성 개선만으로도 이 연구가 세상에 미칠 영향은 지대할 듯 하다.

(2) AI는 숙련도가 낮은 사람의 성과를 올리는데 효과적

OpenAI에서:

One study found that call center agents working with OpenAI's model were an average 14% more productive in responding to customer queries. In particular, less-skilled workers saw the largest increases in how much their productivity improved.

한 연구에 따르면 OpenAI 모델을 사용하는 콜센터 직원들은 고객 문의 응답에서 평균 14% 더 생산적이었다. 특히 숙련도가 낮은 근로자들이 생산성 향상에서 가장 큰 증가를 보였다.

There is also evidence that AI could help close skills gaps, as it augmented lower-performing consultants by 43% and higher-performing consultants by 17%.

AI가 기술 격차를 줄이는 데 도움이 될 수 있다는 증거도 있다. AI는 성과가 낮은 컨설턴트를 43% 향상시켰고, 성과가 높은 컨설턴트는 17% 향상시켰기 때문이다.

OpenAI는 ChatGPT가 생산성에 어떠한 영향을 미치는지에 대한 보고서, Unlocking Economic Opportunity를 공개했다.

보고서에 의하면

• 콜센터에서: OpenAI 모델을 사용하는 콜센터 직원 중 숙련도가 낮은 근로자들이 생산성 향상에 큰 증가를 보였다.

• 컨설팅에서: AI를 이용하면 성과가 낮은 컨설턴트의 업무 완료 속도를 43%, 성과가 높은 컨설턴트의 업무 완료 속도가 17% 개선되었다.

즉, AI는 숙련도가 높은 사람보다는 낮은 사람에게, 성과가 높은 사람보다는 성과가 낮은 사람에게 더 큰 효용을 주었다. AI 모델이 소수에게 부와 권력의 집중을 가져다 주는 것이 아니라, 모든 사람에게 더 큰 기회를 가져다줄 수 있다는 점에서 이 보고서가 흥미롭다.

(3) AI는 경제를 완벽히 통제할 수 없을 것

Quora에서:

저는 AI가 현대 경제를 완벽하게 운영할 만큼 지능적일 수는 없다고 단언합니다. 왜 그럴까요?

주된 이유는 AI 자체가 경제의 일부가 될 것이기 때문입니다. 기업과 개인은 AI를 사용하여 의사 결정을 내립니다. 따라서 모든 AI는 다른 AI의 결정을 고려해야 합니다. 하지만 어떤 AI도 다른 AI보다 훨씬 발전하여 이것이 가능하지는 않을 것입니다. 다시 말해, AI의 힘이 커질수록 경제의 복잡성도 커집니다.

2018년, Alex Tabarrok가 AI가 경제를 완벽히 조작할 만큼 발전할 수 있을까라는 질문에 대해, 기업과 개인은 AI를 이용해 의사결정을 할 것이기에 어떠한 AI가 모든 개별 AI의 행동을 고려할 만큼의 컴퓨팅 파워를 가질 수 없다는 것을 이유로 꼽았다.

이 글을 보며, 인간이 AI를 이용해 의사결정을 하는 이상 하나의 AI가 모든 AI 혹은 모든 인간을 완벽히 통제하는 것은 불가능하다는 생각이 들었다.

(4) AI Agent에게 가장 중요한 단 하나의 지표: KV-cache hit rate

manus.im에서:

I'd argue that the KV-cache hit rate is the single most important metric for a production-stage AI agent. It directly affects both latency and cost.

나는 KV-cache hit rate가 실제 운영 단계의 AI 에이전트에서 가장 중요한 단일 지표라고 생각한다. 이 지표는 지연 시간(latency)과 비용 모두에 직접적인 영향을 미치기 때문이다.

AI Agent를 구축하는 Manus는 컨텍스트 엔지니어링(context engineering)에 집중할 것이라 밝혔으며, 컨텍스트를 형성하는 방법을 발견할 때 마다 에이전트의 프레임워크를 재구축하여, 총 네 번의 재구축 과정을 거쳤다.

이 과정에서 Manus가 배운 점 중 하나가 AI Agent에 가장 중요한 지표가 KV-Cache라는 점이다. KV-cache는 LLM이 추론하는 과정에서 반복 계산을 피해 최적화 하는 기법이다.(Self-attention 계산 과정에서 Key와 Value를 저장해 반복 계산을 피함)

KV-cache는 첫 번째 토큰 생성 시간과 추론 비용을 크게 줄여준다. Claude Sonnet 기준으로 KV-cache가 적용될 때와 적용되지 않을 때 비용은 10배 가까이 차이가 난다. manus는 KV-cache를 유지하면서 컨텍스트를 유지할 수 있는 방안을 소개했다.

• 프롬프트 앞부분을 바꾸지 않기 - 특히 현재 시간 같은 걸 매번 바꿔서 넣으면 캐시가 안 됨

• 이전 대화 내용 수정하지 않기 - 한 번 말한 건 그대로 두고 새로운 내용만 뒤에 추가하기

• 같은 방식으로 데이터 정리하기 - JSON 같은 데이터를 매번 똑같은 순서로 정리해야 캐시가 유지됨

• 캐시 구간을 명확히 나누기 - 어디서부터 캐시할지 미리 정해두기

• 같은 서버로 요청 보내기 - 여러 서버 쓸 때는 같은 대화를 계속 같은 서버로 보내기

AI Agent를 직접 만들지 않은 입장에서, KV-cache가 중요하다는 manus의 의견은 AI Wrapper 회사들이 주장하는 최대한 좋은 AI API를 쓰라는 말과 달라 색다르게 다가왔다. 또한, 콘텍스트 엔지니어링이 실무에 속속히 적용되는 모습이 인상적이다.

(5) 반복은 차이를 드러낸다

프랑스 철학자 질 들뢰즈는 반복을 통해 진정한 차이가 드러나고, 이 차이가 각 존재의 고유성을 보여준다고 주장한다. 복잡한 개념이지만, 우리는 이미 이를 경험하고 있다.

• 음악: 같은 곡을 반복해 들으면, 처음에는 놓쳤던 베이스 라인이나 보컬의 미묘한 감정 변화를 발견한다.

• 음식: 단골 메뉴를 반복해서 먹다 보면, 오늘의 손맛이 어제와 다르다는 것을 느낀다.

• 예술: 동일한 판화 작품을 반복해서 보면, 잉크의 번짐이나 농도의 미세한 차이가 보인다.

• 독서: 책을 반복해 읽으면, 처음에는 보이지 않았던 작가의 의도나 숨겨진 의미를 알아챈다.

현대 기술도 같은 원리로 작동한다. 인간이 반복을 통해 차이를 발견하듯, 알고리즘 역시 당신의 행동을 반복적으로 학습해 고유성을 찾아낸다.

• 넷플릭스와 유튜브는 당신의 클릭, 스킵, 재생 시간 등을 지속적으로 분석해, 당신만의 취향을 파악한다.

이 글에서는 ‘반복을 통한 차이의 발견’이라는 철학적 개념이 어떻게 현대 디지털 개인화 알고리즘의 핵심 메커니즘이 되었는지, 그리고 이것이 우리의 일상 경험과 어떻게 연결되는지 살펴본다.

(6) 채용 전략은 토스처럼

토스 메이커스 컨퍼런스를 다녀왔다. 6시간 동안 자리를 지키고 나니 머릿속에 떠오른 생각은 “토스에 취직하면 재미있고 성장도 엄청 빠르겠다”였다. 아마 참석자 대부분이 비슷한 생각을 했을 것이다. 이 컨퍼런스 자체가 채용을 목적으로 기획된 행사였기 때문이다.

심플리시티(디자인), 인사이트(PM, PO), 토스 테크 블로그(개발) 등에서 다루는 콘텐츠도 마찬가지다. 표면적으로는 업무 방법론이나 기술적 인사이트를 다루지만, 실제로는 강력한 채용 도구 역할을 한다. “우리 회사 좋아요”라는 직접적인 메시지보다 “우리는 이런 방식으로 일해요”라는 간접적인 메시지를 사람들이 더 신뢰하고, 더 매력을 느낀다는 사실을 토스는 잘 알고 있다.

그 결과, 토스는 한때 기존 연봉의 1.5배를 제시해야 했던 상황에서 이제는 연봉을 다소 낮추더라도 누구나 가고 싶어 하는 회사가 됐다.

지금도 원티드에 올라오는 많은 기업들은 “합격 시 100만 원 지급”, “친구 추천 시 50만 원” 등 금전적 인센티브로 인재를 모집한다. 하지만 돈을 보고 오는 사람은 더 좋은 조건이 나타나면 쉽게 떠난다. 반면, 콘텐츠를 통해 회사의 가치관과 일하는 방식에 끌려온 사람들은 오래 남는다.

직행에 채용공고 홍보를 요청하시면, 콘텐츠 제작과 홍보 등 다양한 방식으로 인재 채용을 도와드립니다. (manager@zighang.com)

생각들

• 능력을 과대평가하면 목표를 달성하지 못해 좌절하게 되고, 그 실패가 다음 업무까지 연쇄적으로 영향을 미치며 통제력을 잃게 된다.

• 인간의 욕망은 기본적인 의식주를 넘어선다. 더 나은 품질, 희소한 경험, 사회적 지위를 추구하는 소비 욕구는 앞으로도 계속될 것이다.

• 연산 자원은 이미 새로운 권력이자 자본으로 작동하고 있다. 이 자원을 누가 얼마나 확보하느냐가 경쟁력을 결정하는 시대가 되었다.

• 삶은 ‘생산성’보다 더 많은 가치가 있다. 커리어 외의 다른 것들을 의도적으로라도 즐기자.

• 의자는 앉은 목적을 달성할 수 있을 때 가장 아름답다. 의자가 앉을 수 없다면 그 모습이 어떠하든 아름답지 않다. 다시 말하면, 목적이 있는 물건은 목적을 달성할 때 가장 아름답다.

Subscribe now

Subscribe now

(1) Shopify가 회사 내부에 AI를 도입한 방법

x.com에서 tobi lutke:

Using AI effectively is now a fundamental expectation of everyone at Shopify. It's a tool of all trades today, and will only grow in importance. Frankly, I don't think it's feasible to opt out of learning the skill of applying AI in your craft; you are welcome to try, but I want to be honest I cannot see this working out today, and definitely not tomorrow. Stagnation is almost certain, and stagnation is slow-motion failure. If you're not climbing, you're sliding.

이제 AI를 효과적으로 사용하는 것은 Shopify의 모든 구성원에게 기대되는 기본적인 사항입니다. AI는 오늘날 모든 분야에서 쓰이는 도구이며, 앞으로 그 중요성은 더욱 커질 것입니다. 솔직히 말씀드리자면, 저는 여러분이 각자의 업무에 AI 활용 기술을 배우지 않고 버틸 수 있다고 생각하지 않습니다. 시도해 보는 것은 자유지만, 솔직하게 말해서 오늘날은 물론 내일은 더욱더 통하지 않을 것입니다. 정체는 실패로 가는 서서한 움직임이며, 정체하는 순간 거의 확실히 뒤처집니다. 올라가지 않으면 미끄러져 내려가는 것입니다.

2025년 4월, Shopify의 CEO, Tobi Lutke가 AI 사용을 필수라고 선언하면서 큰 파장이 있었다. 이에 Shopify의 엔지니어링 부사장, Farhan Thawar가 Shopify 내부에는 어떤 일이 있었는지 정리했다.

AI를 사용하면 비용이 발생한다. 더 좋은 AI를 사용하기 위해서는 더 많은 비용이 발생한다. Shopify 내부에서도 Cursor와 같은 AI 도입으로 너무 많은 비용이 들거라는 우려가 있었다. 가장 좋은 AI를 이용하고 제한 없이 AI를 이용하면 인당 $1,000~$10,000의 추가 비용이 들 수 있기 때문이다.

이때 Thawar는 AI로 가치를 얻을 수 있다면 AI를 사용해야 한다고 판단했다. Thawar는 Shopify 내부에 AI 토큰 사용 순위표를 만들고 이 순위표 안에 드는 것을 자랑스러워하게 만들었다.

또한, Shopify는 MCP를 활용해 회사 내부에 모든 툴을 연결했고, 내부 LLM Proxy를 만들어 다양한 모델에 쉽게 상호작용하고 변경할 수 있도록 만들었다.(상황 별, 최신의 AI 모델을 더 빠르게 사용하기 위한 노력)

이 MCP와 LLM Proxy를 이용해 업무 워크플로우를 가속화 해냈다.

• 영업 엔지니어는 MCP로 Google Drive, Slack, Salfesforce등 자주 사용하는 툴을 연결해 “오늘 뭘해야 할까?”라고 질문하면 무엇을 해야할지 알려주는 워크플로우를 만들었다.

• Revenue Tooling 팀은 수주를 위해 외부에서 질문(RFP, 제안 요청서)이 들어오면 이를 내부 문서를 기반으로 답변을 생성할 수 있는 AI 챗봇을 만들었다. 이 챗봇의 가장 큰 장점은 수주까지 이어진 답변을 학습하여 더 좋은 답변을 하도록 만들었다는 점이다.

• AI가 기존에 작성된 코드를 로스팅하게 만들어서, 더 좋은 코드를 작성할 수 있게 도왔다.

Shopify에서 AI를 도입한 모습은, 2002년 아마존 제프 베조스의 API 강제 명령 처럼 느껴지기도 한다.

제프 베조스 API 의무화:

1/ 모든 팀은 앞으로 데이터와 기능을 서비스 인터페이스를 통해 공개해야 합니다.

2/ 팀 간 소통은 반드시 이 인터페이스를 통해서만 이루어져야 합니다.

3/ 다른 형태의 프로세스 간 통신은 일체 허용되지 않습니다. 직접 연결, 다른 팀의 데이터 저장소 직접 읽기, 공유 메모리 모델, 백도어 등은 전부 금지됩니다. 허용되는 유일한 통신 방식은 네트워크를 통한 서비스 인터페이스 호출뿐입니다.

4/ 어떤 기술을 사용하든 상관없습니다. HTTP, CORBA, Pub/Sub, 커스텀 프로토콜 등 모두 가능합니다. Bezos는 기술 선택에 신경 쓰지 않습니다.

5/ 예외 없이 모든 서비스 인터페이스는 처음부터 외부에 공개 가능하도록 설계되어야 합니다. 즉, 팀은 외부 개발자에게 인터페이스를 노출할 수 있도록 기획하고 설계해야 합니다. 예외는 없습니다.

6/ 이를 지키지 않는 사람은 해고됩니다.

Shopify의 다음 스탭이 기대된다. 내부에 AI 도입을 늘리는 행위는 어떤 경쟁력까지 만들어 낼 수 있을까?

(2) Muon Optimizer의 대규모 훈련이 가능하다는 것을 증명

딥러닝 모델에서 Optimizer(최적화 알고리즘)은 AdamW 이후로 큰 발전이 없었다. Optimizer를 변경하는 것은 막대한 검증 비용이 발생하고, AdamW가 딥러닝 학습에 있어서 대부분의 요구를 충족할 수 있기 때문이다. 그래서 최근 나온 대부분의 Optimizer는 AdamW를 일부 변형한 것에 불과하다.

그런데 2024년 12월, OpenAI의 Keller jordan이 CIFAR-10(컴퓨터 비전 알고리즘 데이터셋) 스피드런에서 3초의 벽을 깨고자 새로운 Optimizer 모델인 Muon을 공개했다. Keller jordan은 Muon Optimizer을 이용해 CIFAR-10 스피드런에서 2.59초를 달성해냈다.

다만 Muon이 NanoGPT의 훈련 속도를 줄이거나, CIFAR-10의 학습 스피드런에만 치중되어 있어서 AdamW 처럼 큰 모델에서도 적용 가능한지에 대한 의문이 존재하는 상황이었다.

이에 중국의 Moonshot AI는 2025년 2월, Muon Optimizer의 성능을 증명하는 오픈 소스 모델 Moonlight를 출시했고, Muon Optimizer로 대규모 학습을 하기 위해서는 Weight Decay가 필요하다는 것을 알게 된다.

그런데 1,000억 개 이상의 매개변수를 가진 모델을 Muon으로 학습하려고 하면 Weight Decay를 이용하더라도 Attenion Logit이 엄청나게 커지는 문제를 겪었다. 그래서 GPT-4.1, Claude 4 Opus 만큼 큰 AI 모델을 Muon Optimizer를 이용하여 만드는 것이 불가능 했다.

2025년 7월, Moonshot AI는 결국 Attention Logit을 제어하는 QK-Clip 방식을 제안하며, Attention logit이 엄청나게 커지는 문제를 해결해냈다. 이와 함께 Muon Optimizer를 이용해 학습한 오픈소스 AI 모델인 Kimi K2를 공개했는데, Kimi K2는 320억 개의 활성화된 매개변수, 1조 개의 총 매개변수를 학습한 AI 모델이었다.

Kimi K2는 코딩 벤치마크에서 GPT-4.1 및 Claud 4 Opus 모델을 능가하는 성과를 보여주었다. Kimi K2와 QK-Clip은 Muon Optimzier가 대규모 학습이 가능하다는 것을 증명했고, Muon으로 학습한 AI 모델이 프론티어 AI 모델만큼의 성능이 나왔다는 것을 보여주었기에 의미가 있다. 딥러닝 Optimizer의 패러다임이 바뀔지도 모르는 순간이다.

(3) GLP-1(위고비)가 생명보험을 파괴하고 있다

미국의 생명보험사는 98%의 정확도로 사람이 언제 죽을지 예측할 수 있다.

이때 보험사들은 HbA1c, 콜레스테롤, 혈압, BMI와 같은 주요 건강 지표를 사용하여 보험비를 측정한다.

그런데 최근 들어서 생기는 문제는 HbA1c, 콜레스테롤, 혈압, BMI가 GLP-1(위고비) 투여를 통해 상당부분 개선할 수 있다는 점이다.

GLP-1 투여가 생명보험사에게 문제로 다가오는 이유는, GLP-1 투여를 중단하고 2년이 흐르면 BMI, 혈압, 콜레스트롤 같은 주요 지표들이 처음 상태로 회복되는데에 있다. GLP-1을 투약한 상태에서 생명보험 심사를 받고, GLP-1 투약을 중단해 생명 보험사의 예상에서는 건강해야 할 사람들이 병에 걸리고 죽어버리니 보험사가 고생 중이다.

실제로 보험 가입자의 건강 상태를 발견하지 못해 계약 거절이나 요금 인상을 놓친 Miss Declines(진한 초록색 막대)가 지속적으로 증가하고 있다.

이 문제 해결하기 위해 보험사에서 GLP-1의 보험비를 지원해주는 아이디어가 떠올랐다. GLP-1의 지속적인 복용으로 BMI, 혈압, 콜레스트롤이 줄어들어 보험 가입자들이 오래 살아남는다면 보험사에게 더 큰 매출을 가져올 수 있을 것이다.

(4) OpenAI 퇴사록

전직 OpenAI 직원 Calvin이 공개한 퇴사 회고가 화제다. 그는 OpenAI의 조직 문화를 “로스앨러모스(핵 연구소) + 초대형 소비자 서비스”의 결합으로 비유한다.

• OpenAI의 공식 로드맵은 사실상 비어 있고, 아이디어가 나오면 사람이 붙어 팀이 생긴다.

• 같은 문제를 여러 팀이 동시에 다른 방식으로 파는 병렬 실험을 ‘낭비’가 아닌 학습 속도를 위한 비용으로 받아들인다.

• 연구자들은 각자 ‘미니 CEO’처럼 자기 주제를 골라 밀어붙인다.

• 의외인 점은 내부 커뮤니케이션이 단단히 정렬되어 있지 않다는 것이다. 대부분의 소통이 Slack에 흩어져 있고, 일부 신규 제품이나 방향 전환은 막판까지 소수만 알고 진행되기도 한다.

• 어떤 소식은 내부 공지보다 외부 기사나 SNS로 먼저 돈다.

• “이 회사는 트위터 분위기로 돌아간다”는 말이 나올 정도로 소셜미디어에 진심이다.

• 기술과 모델은 빠르게 외부에 풀지만, 매출·성과·유닛이코노믹스 같은 핵심 숫자는 극소수만 보는 “열린 기술 vs 닫힌 숫자” 구조다.

• 엔지니어링은 거대한 파이썬 모노레포 위에 Rust와 Go가 얹히는 과도기 형태이며, 스타일 불균일, 중복 라이브러리, 깨지는 CI 같은 ‘확장 부작용’을 정리 중이라고 한다.

보안에 철저하기로 유명한 OpenAI에서 이 정도 이야기가 나온 것은 처음이라 걱정되기도 하지만 재미있다.

(5) 샘올트먼, 더 비전 2030

샘 올트먼이 그려놓은 미래의 청사진은 정교하면서도 야심차다. 밑그림만으로도 우리는 새로운 시대에 대한 기대와 상상을 품게 된다.

이 책은 현재 대외적으로 알려진 올트먼의 계획들—OpenAI, UBD, 기본소득, 월드코인 등—을 한데 묶어, 그가 왜 이런 프로젝트들을 추진하는지 그의 과거와 사상을 통해 설명한다. 특히 YC 시절부터 투자한 회사들을 사례로 들며, 왜 해당 기업에 (심지어 개인 돈까지 써가며) 베팅했는지 납득이 가는 시나리오를 보여준다.

하지만 올트먼의 비전은 너무 거대하고 복잡하며, 기술 만능주의에 대한 비판을 피해갈 수 없다. 그는 아직 통제가 어려운 AGI, 정의와 공정성, 그리고 기술 만능주의가 가진 함정 같은 근본적인 질문에 대해서는 뚜렷한 해답을 내놓지 않는다.

책을 읽으며 올트먼의 주장에 매료되어, 바로 내 투자 포트폴리오를 점검했다. 기존 테크 주식에 더해 에너지와 생명공학 기업까지 관심이 넓어졌다. 샘 올트먼은 일론 머스크 못지않게 위대한 인물임에도, 대중적으로는 정보가 많지 않다. AI가 머지않아 세상을 바꿀 것 같다면, 이 책을 통해 샘 올트먼의 계획을 이해해보는 것도 나쁘지 않을 것 같다.

생각들

• 작더라도 끊임없이 아웃풋을 내는 사람이 되어야 한다.

• 다양한 것을 시도할수록, 새로운 것을 발견할 가능성이 커진다.

• 나쁜 아이디어를 많이 가져보지 않고서는, 좋은 아이디어도 많이 가질 수 없다.

• 예상과 다르게 흘러간 일들 대부분은, 어떻게든 되돌릴 수 있다.

• 반복적인 일을 할 때는, 무엇을 해야한다는 TODO가 아니라 무슨 시간에 무엇을 한다는 Planning을 짜는게 더 좋은 방법 같다. 예를 들어 '아침에 운동하기'보다는 '7:00~8:00 운동', '저녁에 1시간 영어공부'보다는 '21:00~22:00 영어 사용'과 같은 방식

• 시간에 압박을 받는다는 것은 강제로 낙관주의자가 된다는 뜻이다.(할 수 있다와 해야만 한다는 어떤 면에서는 다르지 않다) 낙관주의는 현실을 형성하기 때문에 시간 압박을 받는 사람은 실제로도 일을 빠르게 해낸다. 시간 압박이 격차를 만든다.

Subscribe now

(1) Readwise가 사용자 행동을 광고로 바꾼 방법

아티클, 메모를 관리하는 생산성 앱인 Readwise는 x.com에서 사용자의 행동을 광고로 전환한다. 저장하고 싶은 트윗에서 @readwise 를 태그하면, 트윗을 Readwise에 저장되는 방식이다. 사용자가 Readwise 앱에 접속해서 링크를 추가할 필요가 없어진다.(UX 단축)

또한 @readwise 를 태그한 게시글은 x.com에 계속 남아있어서, 다른 사람들에게 관심을 끄는 광고의 역할을 한다. UX 단계를 단축시키면서도 사용자의 행동을 광고로 전환했다는 점에서 Readwise의 바이럴 마케팅 방식이 흥미롭다.

(2) 중고 책으로 AI를 학습시키는 행위는 저작권 침해가 아니다

클로드 개발사인 Anthropic은 수백만 권의 해당하는 중고 인쇄물을 구매하여, 디지털 형태로 스캔 후 원본 인쇄물을 파기하는 형태로 AI에게 학습할 데이터를 수집했다.

인쇄물의 저자에게 허락받지 않고 중고 인쇄물을 구매하여 AI에게 학습시키는 행위가 공정 이용인가 라는 부분 때문에 재판을 받았는데, 스캔 된 인쇄물이 저작물을 변형한 형태이고 회사 외부로 공유되지 않았기 때문에 판사는 공정 이용이라 판단했다. 다만, 전자책의 경우에는 공정 이용에 해당하지 않은 것으로 간주되어 추가 재판을 받는 중이다.

판결의 핵심문구:

Everyone reads texts, too, then writes new texts. They may need to pay for getting their hands on a text in the first instance. But to make anyone pay specifically for the use of a book each time they read it, each time they recall it from memory, each time they later draw upon it when writing new things in new ways would be unthinkable. For centuries, we have read and re-read books. We have admired, memorized, and internalized their sweeping themes, their substantive points, and their stylistic solutions to recurring writing problems.

모든 사람은 글을 읽고 나서 다시 새로운 글을 쓴다. 물론 처음에 어떤 글을 얻으려면 돈을 내야 할 수도 있다. 그러나 누군가 책을 읽을 때마다, 기억에서 그 내용을 떠올릴 때마다, 나중에 새로운 방식으로 새로운 글을 쓸 때 그 책의 내용을 활용할 때마다 매번 비용을 지불하게 한다는 것은 상상할 수 없는 일이다. 우리는 수 세기 동안 책을 읽고 또 읽어왔다. 우리는 책의 광범위한 주제, 의미 있는 논점, 그리고 반복되는 글쓰기 문제를 해결하는 세련된 방식 등을 감탄하며 기억하고, 마음속에 깊이 내면화해왔다.

AI를 학습할 때 실물 출판된 인쇄물을 사용하면, 저자와 협상하지 않아도 된다는 부분을 주목해서 보아야 한다. AI 업계는 어떻게든 빈틈을 찾아낼 것이다.

(3) Coatue의 2025 KeyNote

미국의 크로스오버 투자 운용사(상장 기업과 비상장 기업을 모두 투자하는 운용사)인 Coatue는 매년 EMW(East Meets West)행사에서 KeyNote를 발표한다. Coatue의 Keynote Deck에서는 상장 기업과 비상장 기업을 모두 다루기에 다른 투자 운용사의 KeyNote보다 유심히 보고 있다.

Coatue의 KeyNote에서 가장 눈길이 갔던 부분은 2030년 시가총액 상위 40대 기업 파트였다. 구글과 애플이 시가총액 상위 40대 기업에서 제외되었다는 부분이 의미심장.

(4) Zapier CEO의 AI 자동화 엔지니어 채용공고

노코드 워크플로우 툴 Zapier의 CEO가 AI 자동화 엔지니어 채용공고를 게시했다. 역할은 회사 직원들의 AI 역량을 키우고, 직원들의 업무 중 자동화가 가능한 부분을 자동화해 직원들이 본질에 집중할 수 있게 돕는 직무이다.

이걸 보고 일종의 HR이 떠올랐는데, 이제는 개발 역량이 필요한 HR 직무가 대세가 될지도 모르겠다는 생각이 들었다. (최근 삼일 회계 법인은 디지털(Digital) 역량이 있는 지원자를 뽑는 별도의 전형을 만들기도 했다) 모든 직군에서 개발 역량이 필수가 되어가는 느낌이 든다.

(5) AI는 결과 기반 가격 책정 때문에 매출을 예측하기 어렵다

55년된 벤처 케피털 회사인 Mayfield의 Navin Chaddha 인터뷰에서 흥미로운 내용을 보았다.

Mckinsey과 같은 컨설팅 회사는 시간 기반의 청구를 하고 있고, AI(LLM) 서비스는 결과 당 비용을 측정하기 때문에 지금 단계에서는 전혀 다른 시장을 타겟하고 있다는 관점이다. 작은 기업들은 컨설팅 회사를 이용하기 어렵기 때문에, 어떠한 문제가 일어났을 때만 돈을 지불하면 되는 AI 서비스들이 초기 시장 침투가 용이할 것이라는 점이 흥미로웠다.

그런데, 이런 AI 서비스에도 문제가 있다. 시간 기반의 가격 청구는 매출을 예상할 수 있는데, 결과 기반 가격 청구는 매출을 예상하기가 어렵다.

(6) Cloudflare, AI 크롤러를 기본 차단하는 기능 도입

웹 인프라 기업인 Cloudflare가 AI 크롤러가 웹사이트 크롤링하는 것을 차단하는 기능을 기본으로 도입했다. 대신 웹사이트를 AI 봇이 크롤링할 때 마다 결제해야 하는(Pay per Crawl) 모델을 만들고자 한다.

Cloudflare에 의하면 OpenAI의 크롤링-추천 비율은 1,700:1에 불과해, AI로 인해 콘텐츠 크리에이터들이 상당한 트래픽을 잃고 있다고 밝혔다.

AI 스타트업에게는 정말 청천벽력과 같은 소식이다. 학습 데이터 수집이 어려워져 새로운 AI 모델을 만드는 후발주자가 나타나기 어려워질 것 같고, Cloudflare와 콘텐츠 크리에이터들이 새로운 수익 모델을 찾은 것 같아 흥미롭다. 다만 콘텐츠 크리에이터의 수익 모델은 뉴스 회사와 같은 대기업만 해당하지 않을까 싶다.

조금 과장해보자면, 미래의 콘텐츠 크리에이터들은 AI 봇에게 제공할 콘텐츠를 만드는 역할이 될지도 모르겠다.

(7) 생각보다 중요한 것은 많지 않다

ZVZO의 CEO, 원지현님이 2022년에 작성한 글이다. ‘우리는 정말 중요한 것을 하고 있는가?’로 요약된다.

창업 후 약 3여 년 후쯤 어느 날, 나는 우리가 ‘중요한’ 것들에 시간을 쓰고 있지 않아왔을 수 있다는 생각에 머리를 얻어맞은 것처럼 충격을 받은 적이 있다. A부터 D까지, 위의 후드 문구처럼 그야말로 ‘개같이 집착’하며 일했는데, 어쩌면 A부터 D까지 중요한 것이 아니었고, 그거 100점 맞아도 성공에 거의 영향을 끼치지 못할 수 있다는 의심이었다. 그런데 그 의심은 데이터를 까보며 무섭게 진실로 바뀌어갔다. 그날 새벽 사무실 혼자 덩그러니 느꼈던 무력감과 자책감은 평생 잊지 못한다.

그때부터 나는 이 질문을 항상 들고 있게 됐다. 우리가 ‘가장 중요한 것은 A, B, C이고, 우리가 A, B, C를 정복하기 위한 노력에 집중하고 있다.’고 말할 수 있는 상태가 맞나? 우리가 하는 A’, A’’, A’’’ 같은 프로젝트들은, ‘A가 중요하다.’는 가설을 확인할 수 있는 중요한 시도가 맞나? 다시 말해, 중요한 영역(A, B, C)에서 중요한 시도(A’, A’’, B’, C’, C’’, C’’’)를 하고 있나?

이 질문에 잘 답을 할 수 없는 상태면 그날 새벽처럼 잠을 잘 자지 못한다.

가장 집중해야 할 것은 무엇일까? 이 글을 보고 한참은 생각해보았는데, 아직 답을 찾지 못했다. 내린 결론 중 하나는 ‘사업에서 가장 중요한 것은 내가 결정하는 것이 아니라 시장이 결정한다는 것’

(8) 초기 스타트업 팀과 제품에 대한 생각들

ZVZO의 CEO, 원지현님이 2013년에 발표한 슬라이드다.

어디서 천재 소리 듣는 A급 인재들이 집에서는 졸업 언제하냐 왜 사업하냐하고 주변 친구들은 한없이 잘나간다. → 모두 겉으론 멀쩡해도 속은 늘 예민

위 문구가 스타트업을 관통한다고 느꼈다. A급 인재만 모아도 망할 가능성이 90%인 것이 스타트업인데, A급 인재들의 멘탈을 잘 케어하는 것도 스타트업 리더들의 덕목이라고 느껴졌다. 팀원들의 멘탈 관리를 깊게 생각해보지 않아서 그런지 더 와닿았던 문구다.

헤비 유저의 말을 그대로 받아들이지 말아야 한다는 내용도 흥미로웠다. 엄청 고통스러워하는 사람들을 도와주어야 한다는 것이 PMF를 찾는 좋은 방법이라고 하는데 이와 상충되기 때문에 그렇게 느껴졌다.

프로덕트 매니징과 관련된 다른 글에서도 비슷한 메세지를 볼 수 있었다. 헤비 유저는 목소리가 가장 크지만 일반적인 사용자의 요구와 맞지 않은 경우가 많다는 내용.

헤비유저 대신 일반 사용자에게 집중하라는 말을 납득하기 어려웠기 때문에, 생각과 반대 의견을 가진 이 글이 인상적으로 다가왔다.

(9) 새로 들어온 직원은 무엇을 해야 하는가?

Lovable에서 Growth를 맡고 있는 Elena verna가 Lovable에 합류하면서 무엇을 해야하는지를 사례를 들어 설명한 글이다.

짧은 요약:

1일: 잘 작동하는 것이 무슨 이유로 잘 작동하는지 파악하기. 잘 작동하는 것을 망하지 않게 하기

2~30일: 과거의 경험을 바탕으로 80% 가능성으로 성공할 것을 찾아 시도하기. 최적화와 개선에 집중

30일: 더 큰 사업에 대해 생각해보기. 그러나 무엇을 해야겠다고 결심하지는 않기. 생각하고, 다른 사람들에게 물어보기

30~90일: 회사에 대해 나의 관점을 기록하기. 회사에 대해 깊게 알수록 제품을 고객처럼 보기가 어렵기 때문에 이때 쯤 관점을 기록하면 좋음

90일 전에 하면 안되는 것: 1) 증명하려고 하기 2) 속도에 집중해서 팀원과 Allign에 실패하기 3) 고장나지 않은 것 고치기

글이 너무 좋아 놀랐다. 새로 들어온 사람들은 시스템 속 무언가를 개선하고 싶어한다. 증명해야 한다고 스스로 압박받기 때문이다. 그러나 초반에 증명하려고 하는 압박은 일을 그릇되게 한다. Elena verna의 글에서 초반에는 증명보다는 잘 돌아가는 것을 더 잘 돌아가게 해야 한다는 점, 30~90일 차에 회사에 대한 나의 관점을 기록해야 한다는 부분이 좋았다.

(10) OpenAI의 Windsurf 인수 무산, Windsurf CEO는 구글 딥마인드에 합류

OpenAI의 AI 코딩 스타트업 Windsurf 인수가 무산되었는데, 마이크로소프트와 OpenAI의 갈등이 원인으로 지목되었다. 마이크로소프트는 OpenAI가 Windsurf를 통해 AI 코딩 기술을 확보하는 것을 원하지 않았다고 한다.

이에 따라 Windsurf는 다시 매물로 나왔는데, 구글이 $2.4B(한화 3.3조원)에 인수하여, Windsurf의 CEO를 포함한 인재들을 구글 딥마인드로 영입했다. 이때 구글은 Windsurf의 지분을 인수하지 않았다.(어떠한 지배권도 얻지 않음)

이건 구글의 character.ai 인수, 마이크로소프트의 inflection 인수, 메타의 Scale AI 인수와 유사하다. 정부의 규제 없이 AI 경쟁에서 입지를 강화하기 위해 이렇게 행동한 것으로 보인다.

그러나 이러한 방식으로 인수한 회사들의 결말이 그다지 좋지 않다. character.ai는 이전과 같은 상승세가 없고, inflection은 소비자 AI 사업을 철수했으며, Scale AI는 OpenAI, MS, xAI와 같은 고객을 잃고 있다. 정부의 규제를 피하려고 하는 행위가 오히려 AI 기업들에게 더 큰 피해를 주는 것 같다.

(11) AI를 원치 않는 대중에게 강제로 떠먹이는 현상

AI 기능이 기존 사용자의 동의 없이 주요 소프트웨어와 서비스에 포함되고 있다. 심지어 가격까지 인상되어, 원치 않아도 AI를 써야 하는 상황이 되었다.

작가 Ted Gioia는 이러한 AI 기능들이 유저를 돕거나 AI를 활성화하기 위한 것이 아니라, AI 부서가 기존 서비스에 끼워팔아 손실을 숨기는 전략이라고 주장한다. 마치 식당에서 돌을 디저트로 내놓고, 가격에 포함시켜 모두가 돌을 먹는 것처럼 보이게 만드는 것과 같다는 것이다.

흥미로운 점은 과거의 혁신(전기, TV, 인터넷 등)은 대중의 자발적인 수요로 자연스럽게 확산됐지만, AI는 사용자 의사와 무관하게 기업이 강제로 도입하고 있다는 것이다. 한국에서도 네이버, 카카오 등 주요 플랫폼이 AI 기능을 기본으로 탑재하거나, 선택권 없이 서비스를 적용하는 사례가 늘고 있다. 이로 인해 사용률은 높아지지만, 실제로 사용자에게 도움이 되는지는 여전히 의문이다.

(12) BTS를 넘어선 ‘케이팝 데몬 헌터스’

넷플릭스 애니메이션 영화 ‘케이팝 데몬 헌터스’가 글로벌 흥행을 기록하고 있다. 흥미로운 점은 이 작품이 한국 기업이 아닌 컬럼비아 픽처스와 소니 픽처스 애니메이션 주도로, 매기 강·크리스 아펠한스·애런 워너 등 비한국인 제작진에 의해 만들어졌다는 사실이다.

이는 K팝이 더 이상 한국이라는 국적에만 머무르지 않고, 힙합처럼 전 세계 누구나 만들고 소비할 수 있는 ‘글로벌 장르’로 자리 잡았음을 보여주는 상징적인 사례라고 생각한다.

(13) AI 인플루언서 시대의 시작

스페인에서 탄생한 가상 인플루언서 ‘아이타나 로페즈’는 일정 지연도, 사생활 논란도 없이 매달 1만 유로 이상의 수익을 올리며 인간 인플루언서를 능가하는 신뢰성과 효율성을 보여주고 있다. AI 인플루언서는 기존 인플루언서 마케팅의 강점을 그대로 가져오면서도, 더 저렴하고 안정적인 대안으로 떠오르고 있다.

Bernstein Research는 이것이 단순한 유행이 아니라 시장의 판 자체가 바뀌는 신호라고 주장한다. 앞으로는 개별 인플루언서가 아니라, 가상 캐릭터를 기획하고 운영하는 몇몇 디지털 에이전시와 브랜드가 이익을 가져가게 될 것이다. 사람들도 실제 얼굴 대신 아바타 뒤에 숨은 채 활동하게 될 것이고, 누구나 AI 툴과 상상력만 있으면 하나의 ‘스타’를 만들 수 있는 시대가 열리고 있다.

흥미로운 점은, 전통적인 연예인이나 스포츠 스타들도 이 새로운 경쟁에서 예외가 아니라는 것이다. 앞으로는 스타를 만드는 기준이 ‘사람의 매력’이 아니라, 얼마나 잘 설계된 이야기와 알고리즘을 갖추고 있느냐로 옮겨가고 있다.

생각들

• 생각과 행동을 분리해야 한다. 생각하면서 행동하면 대게 일을 망치는 듯 하다. 행동하는 과정에서 진행되는 생각은 행동을 초기 생각과 다른 방향으로 흘러가게 만든다.

• 회사의 성장을 위해서 필요한 일과 팀원의 미래를 위해서 필요한 일이 다르면, 관리자는 어떤 행동을 취해야할까? 이 둘을 어떻게 일치시킬 수 있을까? 이 둘이 사실은 절대 합일될 수 없다면 어떻게 해야하는가?

• 내가 느낀 감정을 그대로 남에게 설명할 수 있는 것이 굉장히 중요한 능력이다.

• 관점이 정말 중요하다. 왜 그렇게 느꼈는지를 설명할 수 있어야 한다.

• 감사는 표현할수록 관계가 깊어진다. 마음에 떠오를 때마다 아낌없이 감사를 전하자.

• 무언가를 이루거나 행동했다면 분명히 알리자. 티내지 않으면 아무도 알아주지 않는다.

• 어휘가 풍부한 언어일수록 사고를 더 유연하고 깊이 있게 확장하는 데 유리하다.

• 그런 점에서 두 가지 이상의 언어를 자유롭게 구사하는 것은 사고의 폭을 넓히는 데 큰 도움이 된다.

Subscribe now

번역한 첫 뉴스레터로 해당 주제를 선정한 이유는 다음과 같습니다.

제 어린 시절부터의 경험을 돌아보면, 현대 사회 속 많은 사람들이 수동적인 삶을 살아가고 있다는 생각이 듭니다. 예를 들어, 우리나라의 경우 대부분이 학업, 취업, 결혼이라는 흐름을 맹목적으로 쫓는 삶을 살아갑니다. 물론, 자신이 주체적으로 살아간다고 믿는 사람도 많지만, 정작 그들조차도 사회가 만들어놓은 틀을 완전히 벗어나지는 못하는 경우가 많은 것 같습니다.

자신이 정말 원하는 삶이 무엇인지 치열하게 고심하고, 스스로 선택하며 인생을 ‘만들어간다’기보다는, 주어진 환경과 주변 시선, 그리고 사회가 정의한 행복을 목표 삼아 살아가는 경우가 훨씬 많아 보였습니다. 저는 그 모습을 보며, “대다수의 사람들이 이미 누군가가 만들어놓은 시스템 속에서만 사고하고 있구나”라고 느꼈습니다.

이러한 삶의 모습은, 마치 자아를 가진 인간이라기보다는 게임 속 ‘NPC (Non-Player Character)’를 떠올리게 했습니다.

직역하자면 ‘사람이 아닌 캐릭터’.

NPC는 자신이 만든 의지가 아닌, 미리 프로그래밍된 대사와 행동만 반복하며 게임 속을 살아갑니다. 그에 반해 Player는 직접 세상을 탐험하고, 결정하며, 게임의 흐름에 실질적인 영향을 미치는 존재이죠.

즉, ‘사람’입니다.

저 역시 한 때는 그런 NPC 같은 삶을 살았습니다.

이 글은 그런 삶을 무작정 비난하고자 하는 것이 아닙니다. 또한 Player가 반드시 더 옳은 존재라고 주장하려는 것도 아닙니다. 다만, 기술적·정치적·사회적으로 격동하는 시대에 맞추어 변화해야하는 개인들을 위해, 과거의 저처럼 수동적인 삶에서 주체적인 방향으로 나아가는 데 있어 결정적인 계기가 되었던 Steve Jobs의 한 이야기를 공유하고 싶어서입니다.

이 글로, 주체적인 삶을 살고자 노력하는 분들, 그리고 더 나아가 사회나 세상을 바꾸고자 하는 꿈을 꾸는 사람들에게 스티브 잡스의 지혜가 작은 불씨가 되기를 바랍니다.

Steve Jobs Secrets of Life

John McLaughlin:

이 인터뷰가 ‘젊은 고등학생들과 대학생들’, 그 중에서도 특히, 젊은 나이에 세상 밖으로 나가 무언가를 하고 싶은 사업을 꿈꾸는 청년들에게 영원히 보여질 것이라고 생각하고 질문 드리겠습니다.

당신은 누구보다도 젊은 나이에 사업을 하는 이점을 알고, 당신의 그러한 행동이 젊은 사업가들에게 완전히 새로운 길을 열어주었죠.

그들에게 어떠한 조언을 주시겠습니까?

Steve Jobs:

제가 해주고 싶은 말은… 이렇습니다.

당신은 자라면서, “세상은 원래 그런 것이고, 너는 그 안에서 네 인생을 잘 살아가면 된다”라는 말을 자주 들을 것입니다.

“벽에 너무 부딪히지 않도록 조심하고, 좋은 가족 생활을 위해 노력하고, 재미있게 살고, 적당한 돈을 저축하는 삶을 살아라.”와 같은 말처럼요.

하지만 인생은, 그러한 인생은 굉장히 제한적인 삶입니다.

인생은 당신이 오로지 한가지 단순한 사실만을 깨달으면 훨씬 넓어질 수 있습니다.

그건 바로..

당신이 ‘삶’이라고 부르는 것의 주변을 이루는 모든 것들은, 당신보다 더 똑똑하지 않은 사람들이 만들어낸 것입니다.

당신도 그것들을 바꿀 수 있습니다.

당신도 영향을 미칠 수 있습니다.

당신도 다른 사람들이 사용할 수 있는 무언가를 직접 만들 수 있습니다.

즉, 당신이 “삶도 누군가가 만든 것이고, 당신은 그것을 찔러넣을(poke) 수 있다”라는 것을 이해하는 순간, 실제로 뭔가가 일어나고, 당신이 밀어넣으면 반대편에서 무언가가 튀어나올 수 있다는 것을 알게 되죠.

즉, 인생은 바꿀(change) 수 있고, 조형(mold)할 수 있습니다.

어쩌면 가장 중요한 것은 바로 이것입니다.

‘삶이 그냥 주어진 것이고, 당신은 그저 거기에서 살아가기만 하면 된다’는 잘못된 생각을 벗어던지는 것.

대신, 인생을 포용(embrace)하고, 변화(change)시키고, 개선(improve)하고, 흔적(mark)을 남기십시오.

저는 이것이… 정말로 중요하다고 생각합니다.

그리고 당신이 이걸 어떻게 깨닫게 되든, 일단 깨닫고 나면, 삶을 바꾸고 싶어질 겁니다. 더 나은 방향으로요. 왜냐하면, 이 세상은 여러모로 꽤 망가져 있으니까요.

한 번 그것을 깨닫고 나면,

당신은 절대로 이전과 같은 사람이 될 수 없을 것입니다.

Steve Jobs on Failure

John McLaughlin:

지금부터 제가 하는 질문이 혹시나 틀렸다면 알려주세요.

당신이 Apple을 처음 창업했을 때 혹은 그전에, 제가 당신에 관한 소문으로 들었던 것은 당신이 Gordon Moore(인텔의 공동 창업자), Bob Noyce(인텔의 다른 공동 창업자), 그리고 Xerox PARC(Xerox사의 혁신 기술 연구소) 같은 곳에 직접 찾아갔다는 얘기였어요.

그리고 놀라운 점은, 그런 사람들이 당신에게 문을 정말로 열어주었다는 겁니다.

세상의 다른 많은 곳과 비교해보면, CEO에게 전화를 걸어 그런 기회를 얻는 건 흔치 않은 일이잖아요.

어떻게 그런 경험이 가능했나요?

Steve Jobs:

저는 항상 아주 분명한 사실 하나를 발견해왔습니다. 그 사실은,

대부분의 사람들이 그러한 경험을 가지지 못하는 이유가, 그들이 ‘묻는 것을 시도조차 하지 않기 때문’이라는 것입니다.

저는 누군가에게 도움을 요청했을 때, 기꺼이 도와주지 않으려는 사람을 본 적이 없습니다.

저는 그냥 전화를 걸었습니다. 이 이야기를 하면 제 나이가 드러나긴 하지만, 제가 12살이었을 때, Bill Hewlett(HP의 공동창업자)에게 전화를 걸었어요. 그는 팔로알토에 살았고, 그의 전화번호는 전화번호부에 있었죠.

그가 직접 전화를 받더니, “네?”라고 하더군요.

그래서 저는 말했습니다.

“안녕하세요, 저는 스티브 잡스라고 합니다. 12살이고, 고등학생입니다. 주파수 카운터를 만들고 싶은데 혹시 남는 부품이 있으신가요?”

그는 웃더니 부품을 보내줬고, 그 해 여름엔 휴렛팩커드(HP)에서 저에게 일을 주셨어요. 주파수 카운터를 조립하는 생산 라인에서 나사 조이고 조립하는 일을 했죠. 저는 정말 행복했습니다.

그리고 이후에도, 전화를 걸었을 때, 저에게 “싫다”거나 전화를 끊은 사람은 한명도 없었습니다.

저는 그냥 ‘물어봤을 뿐’입니다.

단지, 그 사람들이 저에게 무언가를 물어오면, 저는 가능한 한 성실히 응답하려 했습니다. 당신도 알다시피, 그것만이 최소한의 은혜를 갚는 방식이니까요.

대부분의 사람들은 절대 전화를 걸지 않습니다.

대부분의 사람들은 절대 묻지도 않습니다.

그리고 이것이, ‘무언가를 실제로 이루는 사람들’과 ‘꿈만 꾸는 사람들’을 나누는 차이점입니다.

‘행동’해야 합니다.

‘실패할 각오’도 되어 있어야 합니다.

어떤 상황에서든 무너지고, 불탈 수 있습니다. 전화 통화에서 망신을 당할 수도 있고, 회사를 창업하다가 무너질 수도 있죠.

당신이 실패를 두려워한다면, 결코 멀리 가지 못할 것입니다.