Thoughts by a non-economist on AI and economics; November 4, 2025 ~ Boaz Barak

https://youtu.be/IRu-cPkpiFk?si=3H619msRjKroD347 [요약] 1. End-to-End 신경망 구조 도입 테슬라는 과거처럼 인지 → 계획 모듈을 조합하는 방식이 아니라, 하나의 거대 신경망(E2E)으로 전체 파이프라인을 구성하는 방향으로 전환하고 있음. 카메라 영상(픽셀)을 입력받으면 차선/보행자/차량 등을 개별적으로 추출하는 과정 없이 직접 차량의 액션(조향·가속)을 출력함. 기존 모듈형 구조는 디버깅에는 유리했으나, 모듈 간 정보 손실이 커서 자연스러운 판단이 어려웠고, 또한 모듈마다 지연(latency)이 달라 실시간 제어 안정성에 문제가 발생함. 2. 스스로 판단하고 행동하는 ‘기계’로의 진화 테슬라는 이러한 방식이 결국 ‘로보틱스의 본질, 즉 스스로 판단하고 움직이는 기계를 만드는 올바른 방향’이라고 설명함. 규칙 기반 또는 모듈형 시스템은 새로운 상황이 등장할 때 실패하기 쉬움. ● 실제 사례 예: 양방향 도로에서 물 웅덩이를 발견했을 때, 사람은 맞은편 차량이 없고 시야가 충분하면 잠시 차선을 벗어나 피할 수 있음. 이를 규칙 기반으로 구현하는 것은 매우 복잡함. 예: 도로 위를 횡단하는 닭들을 모두 통과할 때까지 기다린 뒤 출발하거나, 움직이지 않는 거위들을 보고 후진 후 우회하는 행동 등도 직관적 판단 학습의 예로 제시됨. → E2E 모델은 장면 전체를 보고 ...

오늘 나는 아름답고 반짝이는 새로운 HW4 테슬라 모델 X를 인도받았고, 그래서 바로 5년 동안 거의 매일 하던 것처럼 FSD 테스트 주행을 하러 나갔다. 한마디로… 정말 놀랍다 — 차는 매우, 매우 잘 운전한다. 부드럽고, 자신감 있으며, 내가 HW3(이전 차량)에서 익숙했던 것보다 확실히 더 좋고, 내가 약 9년 전 테슬라에 첫 출근하던 날 280번 하이웨이를 달릴 때 기억하던 버전과 비교하면 엄청난 격차가 있다. 그때는 도로가 조금만 굽거나 기울어져도 매번 내가 개입해야 했다. (참고로 이건 v13이고, 내 차에는 아직 최신 v14가 제공되지 않았다) 하이웨이에서 나는 마치 초고성능 자기부상 열차 캡슐 안의 승객처럼 느꼈다 — 차는 차선을 정확히 중앙에 고정하고, 나는 모델 X의 더 높은 시야와 파노라마 프런트 윈도우로 밖을 바라보며 믿을 수 없는 사운드 시스템을 듣거나 Grok과 대화를 나누고 있었다. 시내 도로에서는 몇 년 전만 해도 잠 못 이루게 했던 까다로운 상황들을 차가 아무렇지 않게 처리했다. 좁은 차선에서 마주 오는 차량과 교차하는 것을 해결했고, 공사 구간과 차선 내 임시 정차 차량을 우아하게 피해갔으며, 양쪽에서 들어오는 차량 사이에서 까다로운 좌회전...

올 하반기 와이프의 약국 개국을 위해 대부분의 시간을 썼습니다. 막상 개국자리를 찾으려고보니 둘 중에 하나였습니다. 이미 잘 되는 자리는 비싸다. (컨설팅비, 권리금, 월세 등등) 싼 자리는 페이약사 정도 밖에 못번다. 상업용 부동산에 대해서 아무것도 모르는 상태였지만, 주식과 비슷한 관점에서 좋은 자리들을 찾아 보았습니다. 먼저 기존 약국의 권리금, 월세, 조제료의 관계를 뽑아보다보니 배당주와 유사한 구조를 가지고 있었습니다. 매달 처방전이 몇개나 나오는지를 기준으로 조제료를 계산하고, 조재료의 20~30배 가량을 권리금으로 지불합니다. 월세는 조제료의 20~30% 수준이 됩니다. 일반약을 팔아서 추가로 버는 돈이 있겠지만, 매달 투자금의 약 4%를 이익으로 가져가는 구조입니다. 수도권이면 3%까지 떨어지고, 지방이면 5% 이상도 가능합니다. 그런데, 이러한 계산은 해당 상권, 점포, 병원이 10년 이상 안정적으로 유지될 때의 이야기 입니다. 중간에 병원이 망하거나, 상가 재개발을 하거나, 상권이 옮겨가는 바람에 유동인구가 줄어든다면 초기 투자한 '권리금'을 잃게 됩니다. 2~3년 일한 대가가 사라지는 것이죠. 개국을 함으로써 페이약사 월급을 기회비용으로 지불하기에 타격은 더 커집니다. 이런 의미에서 이미 잘 되는 자리에 들어가는것은 상방은 막혀있고, 하방은 열린 투자로 느껴졌습니다. ...

안드레이 카르파티가 말하는 “유령을 소환하는 시대”: 에이전트의 10년 https://youtu.be/lXUZvyajciY?si=ackafa9_gqJlbffo 서론: “지금은 에이전트의 해가 아니라, 에이전트의 10년이다” 최근 AI 업계는 “올해는 에이전트의 해”라고 떠들썩하다. 하지만 테슬라와 OpenAI의 핵심 인물이었던 안드레이 카르파티(Andrej Karpathy)는 이 말에 고개를 젓는다. “지금의 에이전트는 ‘함께 일하고 싶은 직원’ 수준에 도달하지 못했다. 해결해야 할 문제가 너무 많다.” 그가 말한 건 단순한 비관이 아니다. 오히려 지금의 한계를 명확히 짚으며, “앞으로 10년이 진짜 승부”라는 통찰이다. 1. 에이전트의 결핍 — 인간 같은 ‘직원’이 되려면 카르파티는 현 AI 에이전트가 아직 부족한 네 가지 능력을 꼽았다. 멀티모달 이해력 — 시각, 청각, 텍스트를 자연스럽게 연결하지 못한다. 컴퓨터 사용 능력 — 파일 관리, 코드 실행, 웹 조작 등 실제 도구 활용이 미숙하다. 지속적 학습(기억) — 대화를 잊고, 경험에서 발전하지 않는다. 일반지능(G) — 한 도메인을 넘어선 전이 능력이 부족하다. 이 결핍을 채우는 과정이...

좋은 글 있어서 공유합니다. AI 가 개인의 생산성을 높임으로써, AI 스타트업 붐이 생길 것이라는 막연한 생각이 있었는데, 보다 구체화된 생각을 정리한 Andrej Karpathy의 글이 있어 들고 왔습니다. 출처: https://karpathy.bearblog.dev/power-to-the-people/ 변혁적인 기술은 일반적으로 상향식 확산 경로를 따릅니다. 이는 정부나 군사적 맥락에서 시작되어 기업을 거쳐 개인에게 도달하는 방식입니다. 전기, 암호학, 컴퓨터, 비행, 인터넷, GPS를 떠올려보세요. 이러한 기술들은 초기 단계에서 희소하고 자본 집약적이며, 전문적인 기술 지식을 필요로 하기 때문에 이러한 진행이 직관적으로 느껴집니다. 하지만 대규모 언어 모델(LLM)은 이 패턴을 극적으로 뒤집는 독특하고 주목할 만한 사례로 보입니다. LLM은 일반 대중에게 불균형적으로 큰 혜택을 제공하는 반면, 기업과 정부에서는 그 영향이 상대적으로 약하거나 더디게 나타납니다. 예를 들어, ChatGPT는 역사상 가장 빠르게 성장한 소비자 애플리케이션으로 주간 활성 사용자 수가 4억 명에 달하며, 글쓰기, 코딩, 번역, 과외, 요약, 심층 연구, 브레인스토밍 등 다양한 용도로 사용됩니다. 이는 기존 기술의 소폭 업그레이드가 아니라 개인의 능력을 여러 방면에서 크게 확장시키는 주요 도구입니다. 사용 장벽도 매우 낮아 무료 또는 저렴하게 제공되며, 누구나 URL이나 로컬 기기를 통해 즉시 사용할 수 있고, 사용자 모국어뿐만 아니라 다양한 언어와 톤까지 지원합니다. 이는 놀라운 변화로, 일반 대중이 이렇게 급격한 기술적 도약을 경험한 적은 없었습니다. 그렇다면 왜 기업과 정부에서는 이러한 혜택이 상대적으로 약할까요? 첫 번째 이유는 LLM이 특정한 능력 프로파일을 제공하기 때문입니다. 이는 넓은 분야에서 준전문가 수준의 성과를 내지만 깊이가 부족하고 오류 가능성이 있다는 점입니다. 반면 조직은 엔지니어, 연구원, 분석가 등 다양한 전문가를 고용해 전문 지식을 집중시키는 것이 강점입니다. LLM은 이 전문가들의 개별 효율성을 높일 수는 있지만(예: 초안 작성, 코드 생성 등), 조직 전체에는 기존 작업의 약간의 개선 정도로만 영향을 미칩니다. 반면 개인은 한두 가지 분야에만 전문성을 갖추고 있는 경우가 많아 LLM이 제공하는 폭넓은 준전문가적 능력은 개인이 이전에는 할 수 없었던 일을 가능하게 합니다. 두 번째 이유는 조직이 훨씬 더 복잡하고 조정이 필요한 문제를 다루기 때문입니다. 예를 들어 통합 시스템, 레거시 시스템, 브랜드 가이드라인 준수, 보안 프로토콜 및 규제 준수 등이 포함됩니다. 이러한 변수와 제약 조건이 많아 단순히 "코드를 작성해보자"는 식으로 해결할 수 없습니다. 한 번의 실수로도 심각한 결과를 초래할 수 있습니다. 세 번째 이유는 조직의 관성입니다. 이는 문화적 요인, 역사적 선례, 정치적 갈등, 커뮤니케이션 비용 증가 및 재교육 문제 등을 포함합니다. 이러한 요인들은 새로운 도구를 신속히 채택하는 데 큰 장애물이 됩니다. 앞으로 LLM의 확산은 성능 개선과 능력 프로파일에 크게 좌우될 것입니다. 현재 최첨단 LLM의 성능은 저렴하고 접근 가능한 상태입니다. 하지만 자본 투자로 더 나은 성능을 얻을 수 있는 시점이 오면 상황이 달라질 것입니다. 대규모 조직은 자원을 집중해 더 나은 인공지능을 구매할 수 있게 되고, 개인 간에도 격차가 발생할 가능성이 있습니다. 현재 우리는 기술 역사상 독특하고 전례 없는 상황에 놓여 있습니다. 과거 공상과학 소설에서는 AI 혁명이 정부의 비밀 프로젝트로 시작될 것이라 예측했지만, 실제로는 ChatGPT가 무료로 모든 사람의 손에 들어오는 방식으로 진행되었습니다. 윌리엄 깁슨의 말처럼 "미래는 이미 와 있다. 단지 고르게 분배되지 않았을 뿐이다." 하지만 이번에는 미래가 놀라울 정도로 고르게 분배되고 있습니다. "사람들에게 권력을!" 원문 Transformative technologies usually follow a top-down diffusion path: originating in government or military contexts, passing through corporations, and eventually reaching individuals - think electricity, cryptography, computers, flight, the internet, or GPS. This progression feels intuitive, new and powerful technologies are usually scarce, capital-intensive, and their use requires specialized technical expertise in the ...