로그인 Valley AI 시작하기시작하기

Valley Space인기

Physical AI를 향한 길

Deep Dive Tech 생각

Physical AI를 향한 길

BSPK

2026.01.08조회수 155회

안드레 카파시는 지금의 LLM을 동물이 아니라 유령이라고 이야기 했습니다. 이는 진화를 통해 완성된 ‘아키텍처’를 획득 한 후 ‘경험’을 통해 지능을 습득하는 것이 아니라, 방대한 정보를 압축(통계적 증류) 함으로써 패턴을 인식하는 방식으로 지능을 획득하는 것을 의미합니다.
https://www.valley.town/space/@bspark/articles/68f49f01f2a4d0f53267d25d

에릭 슈미츠는 The San Francisco Consensus 에서 지금 AI리더들은 “더 많은 데이터 더 많은 컴퓨팅 파워로 훈련시켜 기존 아키텍처를 확장하면 확실히 더 나은 성능을 낼 수 있고 추론 능력의 혁명을 달성할 수 있다” 고 믿는 다고 합니다.

또, “AGI를 촉발할 추론 혁명은 ...

회원가입만 해도
이 글을 무료로 읽을 수 있어요.

이미 계정이 있으신가요?로그인하기

댓글 4개

BSPK

구독자 427명구독중 9명

전자전기공학 박사, AI 연구자를 거쳐 전략기획 업무를 합니다. 기술의 발전이 가져올 세상의 변화를 먼저 포착하고 전달하고자 합니다.

별셋

2026.01.09

혹여 쓰레드 생각은 혹 없으실까요 X를 안 해서..ㅠㅜㅜ

redgreen

2026.01.09

역시 이런 관점에도 에너지, 인프라가..

메딕

2026.01.10

잘 보고있어요! x도 팔로우 완료했습니다

구르는거북이

2026.01.12

아직은 성공한 방법이 RL뿐이고, 무식하게 때려넣는 것 이외에는 별다른 방법이 없나보네요. 인간을 키울때도 무지막지한 성공과 실패만이 뛰어난 실력으로 향하는 길이라는것을 생각해보면 이게 정도가 아닐까 싶은 생각도 듭니다.

생각 카테고리의 다른글

2025 투자 복기

24년 말부터 25년은 에이전틱 AI의 시대가 될 것이라고 이야기 했었습니다. 그런데, 에이전틱 AI의 시대는 제 생각보다 1년 더 늦게 오는듯 합니다. 에이전틱AI는 주어진 과업을 수행하기 위해, 환경을 관찰하고, 생각하고, 도구를 사용해서 실행합니다. 여전히 주어진 일만 하지만, 매우 유용할 수 있습니다. (사람도 대부분 주어진 일만 합니다.) 피지컬 AI (로봇, 자율주행차)는 에이전틱 AI가 사용하는 도구 중 하나가 HW인 경우입니다. 에이전틱 AI 시스템이 잘 구성된다면 피지컬 AI의 시대도 빠르게 도래할 것입니다. 이런 관점에서 저는 25년 Tesla, Palantir, Google, Nvidia 등 테크 주식을 메인(약 70%)으로 포트폴리오를 구성 했으며, First Solar, Bloom ...

2025 투자 복기

프로그래머의 종말

오늘 Andrej Karpathy가 X에 다음과 같은 글을 올렸습니다. Stanford CS231n로 CV를 배운 사람으로써 Andrej는 CS분야에서 제 멘토와도 같은 사람입니다. "프로그래머로서 지금처럼 뒤처진다는 느낌을 받아본 적이 없습니다. 프로그래머가 직접 기여하는 코드 조각들은 점점 듬성듬성해지고, 그에 따라 이 직업 자체가 극적으로 '리팩토링'되고 있습니다. 지난 1년여 동안 쏟아져 나온 것들을 제대로 엮어내기만 해도 10배는 더 강력해질 수 있을 것 같은데, 그 '부스트'를 내 것으로 만들지 못하는 건 명백한 저의 '실력 부족(skill issue)'처럼 느껴집니다. 마스터해야 할 새로운 프로그래밍 추상화 계층이 생겼습니다(기존의 하위 계층에 더해서 말이죠). 에이전트(Agents), 서브에이전트, 프롬프트, 컨텍스트, 메모리, 모드, 권한, 도구, 플러그인, 스킬, 훅(Hooks), MCP, LSP, 슬래시 커맨드, 워크플로우, IDE 통합 등이 여기에 포함됩니다. 또한 예전의 '전통적인 엔지니어링'과 갑자기 뒤섞여버린, 근본적으로 확률적이고(stochastic), 오류를 범하기 쉬우며, 이해하기 힘들고, ...

무엇이 문제일까?

항상 마음에 담아두고 있는 문장이 하나 있습니다. All Life is problem solving. Karl Popper가 한 유명한 말이자 그의 책 제목이기도 합니다. 한국어판은 '삶은 문제 해결의 연속이다.' 라고 위 문장을 번역 해 두었습니다. 엔지니어로 성장하며 늘 문제를 푸는 삶을 살아 왔습니다. 기술의 본질은 보다 많은 인간이 지구에 존재하게 만드는 것, 그 과정에서 생기는 문제를 해결하는 것 이라고 생각 했습니다. 4년 전 처음 AI를 배우기 시작했을때, RL 전공한 박사님이 해준 말이 기억에 남아 있습니다. "어떤 문제를 푸는 AI를 만들고 싶어요?" ... 문제를 풀기 위해서는, 문제를 정의해야 합니다. AI는 문제를 푸는 기계 입니다. 어떤 문제를 주던 상당히 잘 풉니다. 그러나 어떤 문제를 풀지 스스로 정하지 못합니다. 이는 AI의 태생적인 한계라고 생각하고 있으며, 단순히 지금 LLM을 더 고도화한다고 풀 수 있는 문제가 아닙니다. AI는 인간의 대뇌 피질 구조를 모방하였습니다. 간단히 말해, 특정 전기 신호가 들어오면, 비선형 출력을 만드는 cell을 다층으로 모와두면 대부분의 문제를 풀 수 있는 머신이 된다는 것입니다. 그러나 인간의 동기는 대뇌 피질에서 나오는 것이 아닙니다. 보다 원초적인 뇌, 대뇌 피질에 둘러쌓인 동물의 뇌, 감정의 뇌에서 기인합니다. 최근 Ilya Sutskever는 Dwarkesh Patel과의 인터뷰에서 다음과 같은 사례를 이야기 해 주었습니다. "저도 이 사례에 대해 읽은 기억이 납니다. 신경과학자들이 뇌를 연구하는 방법 중 하나는 ...

AI는 여전히 저평가 되어있다.

AI 버블론이 다시 고개를 들고 있습니다. 인프라가 필요 이상으로 설치되고 있고, 수요는 적다고 합니다. 그러나 이는 사실과 다릅니다. 미중 패권 전쟁의 핵심은 '생산' 입니다. 에덤 스미스가 말했듯, 국가가 얼마나 잘 사는지는 국고에 쌓여 있는 돈이 아니라 그 나라가 얼마나 많은 물건을 생산할 수 있는가에 달려 있습니다. 미국은 지난 수십년간 '달러'를 팔아 물건을 사왔습니다. 그 과정에서 물건을 생산하는 능력을 잃어버렸습니다. 생산성은 투입량과 산출량의 함수입니다. 동일한 노동과 자본이 투입된다면, 기술력이 높을수록 산출량이 늘어납니다. 기술이 동일하다면, 노동이 풍부하고 저렴할수록 생산성이 높습니다. 비용이 없다면 노동의 수요는 무한합니다. 동시에 글로벌 베이비부머의 은퇴는 노동생산성 하락과 복지비용의 증가를 유발합니다. AI는 노동을 대체하는 기술입니다. 그렇기 때문에 AI는 결코 포기할 수 없고, 뒤쳐질 수 없는 기술입니다. 트럼프 행정부의 National Security Strategy를 보면 다음과 같은 구절을 볼 수 있습니다. 우리는 세계에서 가장 튼튼한 산업 기반을 원합니다. 미국의 국력은 평시와 전시의 생산 수요를 모두 충족할 수 있는 강력한 산업 부문에 달려 있습니다. 이를 위해서는 직접적인 방위 산업 생산 능력뿐만 아니라 방위 관련 생산 능력도 필요합니다. 미국의 산업 경쟁력을 키우는 것은 국가 경제 정책의 최우선 순위가 되어야 합니다. 우리는 미국의 경제 성장을 촉진할 뿐만 아니라 그 자체로 미국의 주요 수출 산업 중 하나가 될 수 있는 세계에서 가장 강력하고 생산적이며 혁신적인 에너지 부문을 원합니다. 그리고 우리는 미국 기술과 미국 표준, 특히 AI, 생명공학, 양자 컴퓨팅 분야가 세계를 주도하도록 보장하기를 원합니다. 또한 트럼프 2기 행정부는 AI 개발 및 투자를 촉진하고 이를 기반으로 제조 생산성을 늘리고자 하는 행정명령을 지속적으로 ...

AGI까지 거리, 이어지는 생각들과 투자 기회

LLM과 Diffusion 은 매우 유용한 기술입니다. 특히 CoT와 RAG 이후 LLM의 역량은 빠르게 성장했고, 다양한 분야에서 활용되고 있습니다. Workflow가 고정된 반복적인 작업이나, 거대한 Database에서 필요한 것을 찾거나, 특정한 포멧에 맞춰 문서를 작성하는 일은 이미 인간을 대체하고 있습니다. AI 기업들은 AI 리서처를 뽑는 동시에 Staff나 SW 엔지니어를 해고하고 있습니다. 현재 일어나는 상황만 보면 빠른 시일내에 AGI에 도달하고, AI 기업이 폭발적인 성장을 보일 것이라고 생각하기 쉽습니다. 그러나, AGI 도달은 생각보다 더 많은 시간이 걸릴 수 있습니다. OpenAI는 Stargate Project에 4년 내 $500B 나 투입 예정이고, XAI의 데이터 센터는 5년 내 5000만장 규모가 될 것이며, Meta 는 수년 내 5GW급 Datacenter를 지을 것이라는 계획에서 잘 드러납니다. AI 리더 중 그 누구도 지금의 스케일로 다음 세대의 AI를 만들 수 있다고 믿지 않습니다. Jenson Huang은 최근 인터뷰에서 수년 내 GPU의 과잉공급이 발생할 가능성은 매우 낮다고 했습니다. 이는 두가지를 의미합니다. 수 T$ 수준의 인프라 투자가 정당화 될 만큼 AGI에 대한 확신이 존재한다. 다만 ROI, 알고리즘 개발 속도를 고려할 때, 2~5년의 시간이 필요하다. LLM은 태생적인 한계가 존재합니다. 다양한 층위에서 한계점을 이야기 할 수 있지만, Meta FAIR의 Yann LeCun의 말을 빌리면 다음과 같은 문제가 있습니다. Yann LeCun argues that Large Language Models (LLMs) are limited because they lack true reasoning, understanding of the physical world, and persistent memory, instead relying on superficial pattern matching rather than deeper cognitive processes. LLM이나 Diffusion 모델은 단어나 픽셀의 RGB와 같은 ...

프로그래머의 종말

무엇이 문제일까?

AI는 여전히 저평가 되어있다.

AGI까지 거리, 이어지는 생각들과 투자 기회