Jensen Huang: The Mindset That Built NVIDIA

00:00오프닝

• Startup School 2026 개막 세션. 진행자가 엔비디아 창업자 겸 CEO 젠슨 황을 무대로 부른다.
• 젠슨의 첫 마디: "여기 있다는 건, 여러분이 해낼 거라는 뜻이라던데. 그래서 저도 여기 있어서 다행이네요."

01:07"우리가 창업할 때 고른 기술은 완전히 틀렸다"

• 사람들이 가장 안 믿는 사실: 엔비디아가 회사를 시작하며 선택한 기술은 완전히 틀린 것이었다.
• 창업 철학은 "범용 컴퓨터(CPU)는 정말 유용하지만, 가속기로 증강하면 그렇지 않으면 못 풀 문제를 풀 수 있다"였고, 첫 대상으로 3D 그래픽스를 골랐다.
• 1993년, PC가 나온다는 소문만 돌던 시기. 큰 아이디어는 "모든 PC를 게임 콘솔로 바꾼다" — 게임 콘솔 시대에 자란 세대였으니까. 대형 슈퍼컴퓨터가 필요하던 알고리즘을 재발명해 PC 안에 넣겠다는 것이었고, 실제로 새 알고리즘을 만들어냈다. 믿었고, 신중하게 논증했고, 흥분했다.
• 그런데 그 알고리즘이 정확히 틀린 것이었다. 회사를 창업하게 한 그 기술이 정확히 틀렸다.
• 1995년에 그걸 깨달았고 거의 늦은 시점이었다 — 그때 이미 35~40개 회사가 PC용 3D 그래픽스를 만들고 있었다.
• 회사로 돌아가 말했다: "이게 안 된다는 사실을 직면하고 올바른 알고리즘을 향해 일하기 시작하지 않으면, 우리는 회사를 갖지 못한다."
• 그러자 누군가 말했다 — 알고 보니 아무도 그걸 제대로 하는 방법을 몰랐다. 틀린 기술을 골랐을 뿐 아니라, 올바르게 하는 법도 몰랐던 것.

03:14Fry's에서 교과서 세 권을 사서 회사를 살렸다

• 그날이 젠슨에게 큰 날이었다. 주머니에 60달러쯤, 몇백 달러쯤 있는 상태로 Fry's에 내려가 교과서 세 권을 샀다.
• 내용은 OpenGL과 파이프라인 설계법. 그걸 회사로 가져와 엔지니어들에게 줬다.
• 결과: 컴퓨터 그래픽스를 재발명했고, 현대 컴퓨터 그래픽스의 세계 리더가 됐으며, 지난 25년 주요 돌파구 대부분을 만들었다.
• "모두가 엔비디아를 3D 그래픽스의 세계 리더로 시작한 줄 알겠지만, 우리는 그걸 교과서로 배웠다. 회사를 세우고, 돈을 모으고, 교과서를 샀다."
• 여기서 나오는 교훈: "기술은 항상 바뀐다. 현실을 직면할 수 있고 배울 수 있는 한, 기술 자체는 사실 중요하지 않다."
• 그 이후로 엔비디아는 한 번도 해본 적 없는 온갖 기술을 계속 발명해왔고, 접근 태도는 늘 같다: "중요한 일이면 가서 배운다. 그리고 — 얼마나 어렵겠어(how hard can it be)?" 실제로는 항상 예상보다 훨씬 훨씬 어렵다. 그래도 그 태도로 들어간다.

05:29진짜 큰 아이디어는 칩이 아니라 "알고리즘 도메인"이었다

• 진행자가 백스테이지 대화를 언급 — YC 상위 회사들 각각이 엔비디아도 전문성을 가진 어떤 도메인에 전문성을 갖고 있더라는 이야기. 즉 3D 그래픽스는 알고리즘 도메인의 첫 번째일 뿐이었다는 것. 젠슨: "맞다. 입자 물리학, 유체 역학."
• 정확히 맞았던 회사의 큰 아이디어: CPU를 증강하면 그렇지 않으면 너무 어려운 문제를 풀 수 있다. 분자 동역학, 이미지 프로세싱, 역물리(inverse physics) — 그리고 물론 딥러닝이 그 주요 사례 중 하나.
• 초기에 깨달은 핵심: "위대한 칩을 만드는 게 아니라 알고리즘 도메인을 가속하는 것이다."
• 위대한 회사를 만드는 것에 대한 젠슨의 지론: "세상에 대한 독특한 관점, 그것도 당신이 깊이 믿는 관점." 기술도 시장도 아니다 — 물론 다 중요하고, 맞는 시장에 맞는 기술을 맞는 타이밍에 갖고 있으면 인생이 훨씬 쉬워지긴 한다.
• 좋은 조합의 공식: ① 중요한 무언가의 미래에 대한 높은 수준의 비전 ② 어떤 식으로든 독특한 관점 ③ 깊이 믿는 것 ④ 이상적으로는 그 비전을 좇는 게 어려울 것.
• 엔비디아의 경우 그건 가속 컴퓨팅이었고, "모든 게 칩이 아니라 알고리즘에 달렸다"는 깨달음이 정확히 맞았다.

07:06세가 이야기 — "못 하겠습니다. 그런데 돈은 다 주세요"

• 알고리즘이 틀렸다는 걸 깨닫게 만든 프로젝트가 바로 세가와의 파트너십이었다.
• 세가는 새턴 다음 게임 콘솔을 만들어달라고 계약했고, 그게 결국 드림캐스트가 됐다. "우리는 드림캐스트를 만들지 않았다. 원래는 우리가 만들기로 돼 있었다."
• 기술이 근본적으로 결함이 있었기에, 젠슨은 일본으로 가서 당시 CEO 이리마지리-산에게 직접 말했다 — 1,200만 달러 계약을 이행할 수 없다고, 기술이 작동하지 않는다고, 그리고 그 이유들을 설명했다. 다른 회사를 고르라고 조언까지 했다.
• 그러고 나서 "그런데 유감스럽게도 저는 여전히 그 돈이 필요합니다"라고 말했다.
  • 이리마지리: "그러니까 내가 계약한 일을 당신은 못 하겠다는 거고, 그런데 계약금은 전부 받고 싶다는 거군요."
  • 젠슨: "바로 그겁니다." (객석 웃음) — 다만 정중하고 겸손했다고 덧붙인다.
• 이리마지리는 젠슨이 정직하고 모든 게 말이 된다는 걸 알아봤다. 그 돈을 주지 않았다면 엔비디아는 폐업이었다.
• 여기서 젠슨이 청중(과 투자자들)에게 던지는 말: "이 방에서도 일어나는 일이다. 당신들은 회사에 투자하는 게 아니라 사람에 투자한다." 이리마지리가 알아본 건 애초에 계약을 맡길 만큼 신뢰했던 사람과 회사, 그리고 다음 날까지 살아남는 걸 보고 싶은 상대였다.
• 그 500만 달러가 우리를 살렸고, 무엇을 해야 할지 발견할 시간을 줬다.

09:373억 달러 IPO

• 세가는 엔비디아가 상장하는 순간 지분을 팔았다 (진행자에 따르면 1,500만 달러에).
• 1999년 상장 당시 엔비디아 밸류에이션은 3억 달러. 젠슨: "1999년의 3억 달러면 진짜 돈이었다."
• 진행자: "지금은 1조 달러가 넘죠." 젠슨: "1조보다 훨씬 넘는다."

10:33AlexNet을 남들과 다르게 본 것 — "범용 함수 근사기를 발견했다"

• "나도 AlexNet을 다른 모두와 똑같이 봤다." 차이는 렌즈였다 — 젠슨의 세계관은 언제나 알고리즘을 찾고 있었다. NAMD든, VASP든, OpenGL이든, SQL이든, 어떤 도메인 특화 언어든.
• 그래서 AlexNet이 나왔을 때 질문은 이랬다: 이 알고리즘은 무엇이고 왜 중요한가? 왜 그렇게 효과적이었나? 또 무엇을 할 수 있나? 그리고 이걸 그 너머로 스케일하면 지금은 못 푸는 무엇을 풀 수 있나?
• 돌파구는 "AlexNet이 AlexNet이 아니라는 것"을 깨달은 것. AlexNet은 어떤 함수든 학습할 수 있게 해주는 딥러닝이라는 접근법이었다.
• 15년 전부터 모두에게 말하고 다녔다: "우리가 방금 범용 함수 근사기(universal function approximator)를 발견했다." 거의 모든 함수의 답을 주면 그 함수가 무엇인지 학습할 수 있다.
• 그리고 많은 함수에 대해 정밀할 필요가 없다 — 사실 정밀한 게 불가능하다. 흥미로운 문제 대부분이 이런 식으로 부정확하다.
• 그 깨달음의 날부터 질문이 바뀌었다: 이게 컴퓨팅 스택에 무엇을 하는가? 소프트웨어에는 무슨 일이 일어나는가? 어떤 산업들이 영향받는가?
• 거의 즉시 컴퓨터 비전을, 거의 즉시 로보틱스와 자율주행차를 시작했다. 그 근본 능력이면 비전과 로보틱스의 중요한 문제를 풀 수 있다고 상상할 수 있었기 때문.

12:445층 케이크 — 스택 전체를 다시 발명하다

• 진짜 돌파구는 단순했다: "이건 AlexNet보다 훨씬 근본적이다. 이건 소프트웨어를 하는 하나의 방식이다."
• 그 함의가 프로세서, 미들웨어, 알고리즘, 애플리케이션 — 지금 그가 "5층 케이크(five-layer cake)"라 부르는 산업 스택 전체에 미쳤고, 약 15년 전에 그 전부를 함께 재발명하는 걸 상상했다.
• 방법론은 단순하다: 질문하고, 제1원리로 추론하고, "이렇다면 그다음은 무엇인가?", "이게 더 좋아진다면, 그래서 뭐?" 같은 관찰한 것에 대한 기본적인 질문을 전부 던지는 것.

13:30제1원리로 사고하는 조직을 어떻게 만드나

• 진행자의 질문: 논문을 직접 읽고 수석 과학자와 직접 대화하는 완전한 파운더 모드인데, 동시에 임원들과 "이 그래프 위에 있자"는 사람들이 있는 조직이 있다. 어떻게 병행하나? 포춘 500대 기업이 이렇게 했다면 그들도 엔비디아처럼 됐을 텐데 그렇지 않다.
• 젠슨의 답은 호기심에서 시작한다. 스스로 질문이 잔뜩 있고, 남들처럼 가장 짧은 경로로 답을 찾으려 한다. 그런데 주변 사람의 답이 만족스럽지 않을 때가 많고, 그들은 각자 바쁘다. 그래서 첫 번째 성향은 자기 호기심의 답을 직접 발견하러 가는 것.
• 두 번째 성향: 그 정보 영역이 누군가에게, 회사에게 정말 중요할 수 있다면 — "어떻게 하면 최대한 많이 배워서 회사에 봉사하고 모두와 공유할 수 있을까"로 넘어간다.
• "CEO는 회사에 봉사하고, 거기서 일하는 모든 사람에게 봉사하는 자리다. 그들에게 통찰로 힘을 실어주고 싶은 것."
• 그래서 이건 경영 기법이 아니라 성격 기법(personality technique)이다. "당신에게 힘을 실어주고 싶다. 방금 관찰한 정말 중요한 게 있는데, 왜 중요한지 말해주겠다."
• 왜 바닥까지 내려가야 하는가: 기술이 복잡하거나 정말 빠르게 변하기 때문. 특히 빠르게 변할 때 직접 만져본 감각(tactile sensation)이 없으면 그냥 너무 빨라 이해 못 할 것처럼 느껴진다. 하지만 제1원리를 이해하면 시간이 지나며 모든 게 말이 된다.
• 서핑 비유: "나는 서핑을 못 하지만 상상할 수 있다. 파도 위에 나가면 나에겐 카오스로 보이지만 서퍼에겐 파도가 읽힌다." CEO도 똑같다 — 서핑을 배우려면 파도를 이해해야 하고, 바람을 읽어야 하고, 타이밍이 좋아야 하는데, 실제로 해보지 않으면 그중 무엇도 가질 수 없다.
• 목적은 셋: ① 스스로를 알기 위해 ② 회사가 뭔가 할 수 있는 방식으로 문제를 쪼개기 위해 ③ 사람들을 고무하기 위해.
• 그리고 중요한 한마디: "CEO가 된다고 성격이나 행동을 바꿀 필요 없다. 계속 자기 자신으로 있는 게 가능하다."

17:01"당신이 몰 수 있는 차를 만들어라"

• 오래전 어디선가 배운 것 (출처는 기억 못 한다고): CEO나 창업자는 자기가 몰 차를 만드는 사람이다. F1 레이서를 만들되, 자기가 몰 수 있는 방식으로 만들어야 한다. 차를 당신에게 맞춰라.
• 누군가 물은 적이 있다 — "관습적인 경영·조직 기법을 안 쓰면, 당신이 떠날 때 어떻게 되나요?"
• 답: "내가 일하다 죽으면, 그들이 다음 CEO에 맞춰 회사를 다시 빚으면 된다."
• 그게 지혜인 이유: "우리가 F1 드라이버다. 우리가 레이서다. 세상은 정말 경쟁적이고 우리는 이겨야 하고 미션을 달성해야 한다." 그러니 차를 당신에게 맞추는 데 필요한 무엇이든, 조직을 당신에게 맞추는 데 필요한 무엇이든 해야 한다. 다음 CEO는 그의 성격이 무엇이든 알아서 하면 된다.
• 젠슨은 실제로 늘 그렇게 한다 — 끊임없이 회사를 조정하고, 비즈니스 프로세스와 일하는 방식을 계속 재구성해서 자신이 회사에 더 효과적일 수 있게 만든다.
• 진행자: "진짜 파운더 모드네요." 젠슨: "파운더 모드. 파운더 모드는 34년간 스케일할 수 있다. 0에서 5조까지."

19:12프론티어 알고리즘 → [20:50] "시스템 사고가 새로운 코딩이다"

• 진행자가 재료과학부터 앱 레이어까지 전부 들어가는 것, Open Claw와 Hermes 에이전트를 무대에서 처음 언급한 것을 짚으며 "풀스택 AI 팩토리"에 대해 묻는다.
• 젠슨의 답: 미래에 가장 유용할 기술은 "시스템 이해"다. 시스템 인식, 시스템 설계, 시스템 조직 — 시스템 사고(systems thinking).
• 이유: 낮은 층위의 일은 어차피 전부 에이전트가, 자동으로 하게 될 것이기 때문. 젠슨 세대에겐 칩 컴파일, 트랜지스터·게이트·기능 블록 합성이 일이었지만 지금은 전부 합성(synthesize)된다. 그래서 우리 설계자 대부분은 시스템 설계자다. 소프트웨어도 대부분 에이전트가 하게 될 것이므로 시스템에 대해 추상적으로 사고할 수 있어야 한다.
• 그 사고의 구체적 질문들: 풀려는 문제가 무엇인가? 제약은 무엇인가? 입력은 어디, 출력은 어디인가? 정보는 어디서 오는가? 시스템 안팎으로 흐르는 정보의 속도는? 병목은 프로세서인가 메모리인가 네트워킹인가?
• "이 근본 지식은 절대 쓸모없어지지 않을 것이다. 점점 더 유용해질 것이다."
• 에이전트에 대한 관찰 — 이미 거친 수준의 재귀적 자기개선(recursive self-improvement)이 있다. 쓸 때마다 마크다운 파일이 개선되고, 장기 기억이 업데이트되며, 그 장기 기억은 압축되거나 지식 그래프로 바뀌면서 비동기적으로 계속 개선된다. 에이전트는 매번 더 똑똑해진다.
• 그런데 남은 문제이자 모두가 풀면 좋을 문제 = "아주 세밀한(fine-grained) 제어". RAG도, 조건부 입력도, 프롬프트도 없이 곧장 출력으로 가는 건 너무 거칠었다.
• 그가 그리는 목표 상태: 에이전트가 계획을 내놓으면, 플랜 파일에서 단어 하나를 바꾸고 그 한 단어가 델타 차이를 만드는 것. 완전히 다른 게 아니라 특정한 차이 — 픽셀 하나, 삼각형 하나, CAD 파일의 컴포넌트 하나, 레이어 하나, 비아 하나, 연결 하나. 그리고 나머지는 재생성된다.
• "에이전트가 100% 정확하고 100% 고품질일 필요는 없다. 80%여도 되고 나머지는 우리가 돕는다. 99%여도 나머지를 우리가 돕는다." → "제어 가능성(controllability)이 모든 레이어에서 에이전트에 필요한 단일 최대 돌파구일 것이다."

23:26자기만의 AI를 소유해야 하는가 — 오픈소스와 "OpenCL은 나의 리눅스 모먼트였다"

• 진행자: Hermes나 Open Claw를 보면 사람들이 자기 개인 AGI를 스스로 통제해야 한다는 게 거의 실존적 문제 아닌가? 클라우드에 있는 남의 에이전트가 나에게 이래라저래라 하는 게 아니라.
• 젠슨의 첫 이유는 자기 사업 때문이다: "나는 에이전트를 이해해야 한다. 에이전트가 새로운 소프트웨어이기 때문이다. 그리고 이 새 소프트웨어가 어떻게 처리되는지가 컴퓨터 아키텍처에 아주 중요하다." 에이전트의 본질에, 그것이 챗봇이나 초기 인퍼런스와 어떻게 다른지에 친밀할수록 시스템을 더 잘 설계할 수 있다.
• "우리는 5~10년 미래에 살아야 한다." 시스템 하나 만드는 데 3년쯤, 램프업에 몇 년, 그리고 고객이 그 컴퓨터를 그 후 10년간 쓰기를 원하기 때문.
• 그래서 에이전트 시스템을 제1원리로 본다: 워크로드가 무엇인가, 알고리즘이 무엇인가, 어떻게 진화할 것인가, 병목이 어디인가, 암달의 법칙 문제가 어디인가, 어떻게 스케일하는가, 동시성엔 무슨 일이 생기는가, 샌드박스는 어떻게 다루는가, MCP는, 작업 기억과 장기 기억은, 이 자율·비동기 시스템들이 항상 돌아가게 하려면? → 그에 완벽히 맞는 설계 아키텍처는 무엇인가.
• 두 번째 이유는 엔비디아 자체를 더 빠르게 만들기 위해서. 엔비디아 전역의 샌드박스에서 클로드 코드가 자율적으로 돌고 있고, 어떤 사람은 Codex, 어떤 사람은 Claude Code, 어떤 사람은 Cursor, 어떤 사람은 Cognition을 쓴다. "천 송이 꽃이 피게 두고, 사람들이 원하는 도구를 고르게 하고, 거기서 배운다."
• 세 번째는 미래 기술을 발견하기 위해. 예로 스탠퍼드에서 체인 오브 소트 초기 버전이 나왔을 때(약 8~10년 전) 던진 질문 — 추론에 얼마나 효과적일까, 얼마나 스케일할까, 사전 지식으로 추론할 수 있다면 컴퓨터 비전에는 무슨 함의가 있을까.
  • 그 작은 도메인을 끝까지 생각한 결과의 돌파구: 자율주행차 학습에 그렇게 많은 데이터가 필요 없을지도 모른다. 그래서 세계 최초의 "생각하는" 자율주행차를 만들었다 (자막상 "Alpaca My/Alpaca Myo"로 들리는 이름). 100만~200만 마일 정도로 대단히 훌륭한 자율주행차가 됐다.
  • 이유는 우리와 같다 — 사람도 평생 꽤 잘 운전하는 데 그렇게 많은 마일이 필요 없다. 언어 모델에서 온 사전 지식이 있어서, 한 번도 본 적 없는 상황을 분해하고 잘 아는 것들로부터 재구성할 수 있기 때문.
  • 에이전틱 시스템이 왔을 때도 마찬가지로 명확했다 — LLM은 메모리가, 사전 지식이, 도구가, 다른 에이전트와 네트워킹할 방법이 필요하다. "초기 신호를 보고 미래를 추론할 수 있으면 미래로 도약할 수 있다."
• OpenCL을 처음 봤을 때: 먼저 배웠고, 그다음 "별 상상력 없이도 우리가 방금 현대 컴퓨터를 설계했다는 걸 깨달았다. 이건 거대 언어 모델을 담을 운영체제다." → "OpenCL은 나에게 아주 리눅스적인 순간이었다."
• 그래서 Peter에게 연락해 "엔비디아의 모든 엔지니어가 당신의 엔지니어다. 당신 집 앞에 전함이 서 있는 거다. 원하는 대로 문제를 쪼개면 우리가 원하는 만큼 기여하겠다"고 말했다. Hermes 팀에도 똑같이.
• 입장 정리: "세상은 모두가 자기 AI를 만들 수 있는 능력을 필요로 한다." 다만 클라우드 서비스도 최대한 쓰라 — 다들 ChatGPT와 Claude를 써야 한다. 그런데 회사라서 도메인 특화 AI를 직접 만들어야 한다면 이제 Hermes, Open Claude, LangChain, deep agent 등 온갖 방법이 있다. 그리고 "소프트웨어가 똑똑해서 사실 상대적으로 쉽다."
• 진행자: "모든 알파는 자기 AI를 만드는 데 있다." 남들은 기성품을 쓰지만 당신은 재귀적으로 자기개선하는 것을 갖게 된다. 사람들이 마크다운 파일을 두고 "그냥 텍스트잖아" 하며 가볍게 보는데, 텍스트가 지능이다.
• 젠슨: "단어가 곧 생각이다(words are thoughts). 단어 없이 생각해보라."

30:51AI와 일자리 — "AI가 일자리를 없앤다는 서사는 정확히 거꾸로다"

• 전제부터: 결과는 고르지 않을 것(uneven)이다. 인지적 과업(cognitive tasks)이 자동화될 것이고, 전화로 질문이 오고 손끝의 데이터베이스로 완전히 답할 수 있는 종류의 과업이라면 그 과업은 자동화된다.
• 그리고 모든 직업이 바뀔 것이고 완전히 새로운 직업들이 나올 것. 이건 이미 아는 사실.
• 핵심 주장: "AI와 자동화가 도처에서 일자리를 만들고 있다는 게 증거이며, 그게 완벽히 말이 된다. AI가 일자리를 파괴한다는 서사는 정확히 거꾸로다."
• 논리: AI는 과업(task)을 없애지 직업(job)을 없애지 않는다. 사람의 직업에는 목적이 있고 그 목적은 많은 과업으로 이뤄진다. 일부는 자동화되지만 많은 과업은 자동화될 수 없다.
• 증거로 든 세 가지 (수치 포함):
  • 코딩은 자동화됐는데 소프트웨어 엔지니어 직업은 늘고 있다 — 전년 대비 10% 증가.
  • 영상의학 스캔 판독이라는 과업은 자동화됐는데, AI가 그 분야 전체를 가져갔음에도 최근 몇 년간 영상의학 일자리는 약 20% 증가. 이유는 환자 대기 적체(backlog)가 엄청나게 높기 때문이다. 이제 병원이 훨씬 많은 환자를 받을 수 있고, 그러려면 간호사도 영상의학 전문의도 더 필요하다.
  • Harvey가 패러리걸 일자리를 다 없애고 변호사 수가 줄 거라고들 했는데, 알고 보니 패러리걸이 미친 듯이 늘고 있다. 이유는 소송 적체가 정말 많고, 이제 로펌이 훨씬 많은 사건을 처리할 수 있어서 사람을 더 뽑아야 하기 때문.
• 소프트웨어도 똑같다: 아이디어의 적체, 야망과 열망의 적체가 너무 높아서, 프로그래밍이라는 과업을 자동화하면 오히려 엔지니어를 더 뽑아 더 많은 일을 할 수 있다. 더 야심 찰 수 있다.
• 결론: "생산성 증가가 성장을 만들고, 성장 증가가 고용을 늘리는 고전적 사례다. 내가 학교를 막 졸업했을 때보다 오늘 고용이 더 많은 이유가 바로 이것이다."

34:21로봇의 ChatGPT 모먼트는 이미 몇 년 전에 왔다

• 젠슨에게 결정적이었던 순간은 AI가 비디오를 생성하는 걸 본 때. 엔비디아는 progressive GANs와 conditional GANs의 원조 연구를 했고, 세상에 첫 생성 비디오가 공개되기 몇 년 전에 이미 사내 랩에서 완전히 비디오로 생성된, 신경망이 완전히 생성한 시뮬레이터를 주행하고 있었다.
• 관절 운동(articulation)을 생성하는 걸 본 순간의 논리: "손가락이 움직이는 비디오를 생성할 수 있고, 손이 유리컵을 집는 비디오를 생성할 수 있다면, 왜 로봇이 똑같이 하게 만들 수 없겠나?" → 로보틱스 관절 운동이 코앞이라는 걸 깨달았다.
• 남은 질문들: 로봇이 물리 법칙을 따르는 동작을 어떻게 생성하는가? 인과를 어떻게 이해하는가? 마찰과 장력을 어떻게 이해하는가? → 그래서 피지컬 AI(physical AI) 여정이 시작됐고, 월드 파운데이션 모델(물리 법칙과 세상이 작동하는 방식을 이해하는 AI) 작업을 시작했다.
• "로봇의 ChatGPT 모먼트는 이미 몇 년 전에 일어났다." 이유: ChatGPT가 처음 나왔을 때도 생산적인 일이나 유용한 일은 아무것도 못 했다. 다만 무엇이 가능한지에 대한 상상을 열었다. 마찬가지로 몇 년 전, 강화학습을 하고 물리에 그라운딩해 파인튜닝할 수 있는 걸어다니는 로봇이 실제로 나왔다.
• 이제 필요한 건 지금 에이전틱 시스템에 하는 것과 똑같은 것들: 학습하고 평가할 환경을 만드는 것.
  • real → sim: 환경 생성
  • 시뮬레이터: 그라운디드 물리 시뮬레이션 + 생성형 물리 시뮬레이션 (Isaac Sim, Cosmos 등)
  • sim → real: 강화학습, 물리 그라운딩, 로봇이 요구하는 전기기계 시스템 전반에 대한 그라운딩
• 이 세 가지 기본 시스템이 로보틱스의 eval과 사후 학습(post-training)을 구성하며, "코앞에 왔다."

37:24피지컬 AI가 경제적으로 먼저 나타나는 곳

• 로보틱스가 올 것이라 추측하고, 첫 응용처의 조건 세 가지로 골랐다: ① 충분히 큰 시장 ② 플라이휠을 돌릴 수 있을 만큼 상대적으로 표준화된 기술 ③ 실제 경제적 가치. → 답은 자율주행차.
• 현황: 웨이모 안에 엔비디아 칩, 테슬라는 차 안에 있었고 지금은 데이터센터에, 메르세데스는 데이터센터에도 차 안에도 소프트웨어 스택과 함께.
• 자율주행 스택을 오픈소스로 공개한 이유: 농업에도, 우편 배송에도, 창고 AMR에도 필요하기 때문. 자율 주행/항법을 적용할 방법이 너무 많은데 그 시장들 각각은 자율주행차 시장만큼 크지 않다. 그래서 충분히 다양하다고 보고 스택 전체를 만들어 공개했다.
• 규모: 로보틱스 + 자율주행차, 즉 피지컬 AI 사업이 이미 거의 100억 달러다. "이미 정말 정말 크다."
• 전망: 세계에서 가장 큰 산업 중 하나가 될 것. 시간은 2~3년보다는 오래, 10년보다는 덜 걸릴 것. → "이게 우리의 다음 1,000억 달러 사업이 될 것이다."

39:18젠슨이 이제야 X에 가입한 이유

• 진행자가 첫 포스트를 축하하자: "내가 얼마나 내향적인지 보여주는 대목이다. X에 첫 글을 올리는 데 2026년까지 걸렸다. 아마 지구상에서 마지막 인간일 것이다."
• 그럼에도 올린 이유: "내가 올린 내용이 나에게도, 업계에도, 세계에도 너무 중요했다." 그래서 수줍음을 이겨냈다.
• 오픈소스에 대한 정리: "오픈소스가 아니었다면 모바일 클라우드 산업은 아예 일어나지 않았을 것이다." 리눅스, 쿠버네티스, TensorFlow, 더 중요하게는 PyTorch, 초기 Caffe, Torch, Theano — "이 모든 게 오픈소스였다. 그게 없었다면 현대 AI가 어떻게 있었겠나?"

41:01지금 젊은 사람이 무엇을 배워야 하는가

• "단순한 것은 자동화될 것이다." 여기서 단순한 것이란 소프트웨어, 코딩을 말한다. 컴퓨터 앞에 앉아 실제로 코드를 써서 문제를 푼다는 개념은 명백히 자동화될 것.
• 비유: "내 세대는 긴 나눗셈(long division)을 해야 했다. 세상에, 누가 긴 나눗셈을 배워야 하나?" 그것도 자동화됐다.
• 하지만 어려운 문제들, 하드 사이언스는 절대 사라지지 않는다 — 물리, 화학, 생물, 컴퓨터 과학, 컴퓨터 공학, 시스템 사고, 그리고 특히 도메인이 교차하는 영역들.
• "AI는 우리를 더 야심 차게, 이 엄청나게 크고 어려운 문제들을 푸는 데 더 조급하게 만들어주는 놀라운 도구다."
• 규모 감각의 변화를 보여주는 사례: 젠슨이 졸업했을 때는 칩 설계자가 1,000개 트랜지스터짜리 칩을 만들면 아주 큰 칩이었다. 지금은 "다음 칩은 1조 트랜지스터입니다"라고 해도 "그래, 알았어" 할 뿐 별일이 아니다.
• 이유: "우리가 지금 너무 야심 차서, 문제의 규모, 과업의 규모가 더 이상 문제가 되지 않기 때문이다." 그래서 코딩을 얼마나 해야 하는지, 엔지니어가 몇 명 필요한지 더 이상 걱정할 필요가 없다. 그냥 어떤 문제를 풀어야 하는지만 생각하면 된다.
• 그래서 여전히 유효한 것: 딥테크, 딥사이언스, 기술과 사회 이슈의 교차점 이해, 시장의 빈틈과 기회 파악. 그리고 "수백만 개의 에이전트가 자율적으로 문제를 풀도록 오케스트레이션할 수 있게, 시스템 사고를 잘할수록 유리하다."
• 마무리 조언: "학교는 예전과 똑같은 방식으로 다녀라. 학교에 남아 있어라(stay in school)."

44:3218~22세의 나에게 보내는 전보 — "얼마나 어렵겠어?"

• 창업 당시 셋이서 시작했을 때의 감정: "알아야 할 게 너무 많고 배워야 할 게 너무 많았다. 그리고 나는 그걸 몰랐다."
• 당시엔 유튜브도 없고, YC도 없고, 회사 시작하는 법을 가르쳐주는 사람이 아무도 없었다. 그래서 서점에 가서 "How to start a company"라는 책을 샀다.
  • 그런데 그 책이 500페이지였다. "다 읽을 때쯤이면 폐업했을 테고 로리와 나는 돈이 떨어졌을 것"이라 생각해서 읽을 이유가 없다고 결론 냈다.
• 아주 생생히 기억나는 것: 투자를 받으러 가는 게 얼마나 무서웠는지. "질문에 어떻게 답해야 할지 모르는 채로 사람들 앞에 서게 될 것 같았다." 그리고 "사실이다. 오늘도 그 질문들에 답할 줄 거의 모른다."
• "배운 건, 알고 보니 그 모든 게 중요하지 않다는 것이다. 당신은 언제나 모르는 것을 갖고 있을 것이다."
• 시대 진단: "지금은 지난 60년 중 회사를 시작하기에 가장 좋은 때다." 산업 전체가 바뀌었고 기술적으로 완전한 리셋이며, 인류 역사상 가장 중요한 기술인 컴퓨터가 완전히 리셋됐다. → "나는 여러분 모두가 부럽다."
• 다만 반대편엔 기술이 너무 빠르게 변한다는 사실이 있다. 그래서 질문은 "당신에게 맞는 감정은 무엇인가"다.
• 젠슨의 답 = 교과서를 사던 그때와 지금이 같다: "이건 중요하다. 가서 배워야 한다. 그리고 뭔가 해야 한다. 최대한 빨리 착수해야 한다. 그리고 — 얼마나 어렵겠어?"
• "솔직히 말하면, 생각보다 훨씬 어렵다." 그런데 "당신의 마음이 거기 가 있으면 안 된다. 마음은 '얼마나 어렵겠어?'에 있어야 한다. 그리고 고통이 한 번에 조금씩 당신에게 오게 두라."
• "얼마나 어려울지 상상하고 그 전부를 불안으로 바꿔서 아무것도 하지 않게 되지 마라." 머릿속에 그려야 할 건 "얼마나 어렵겠어? 어차피 AI 에이전트가 잔뜩 도와주는데" 그리고 그냥 시작하는 것.
• 창업가의 태도 정리: 가는 길에 이것저것 배워야 한다는 걸 알고, 자기 학습 능력을 믿는 것. "배움이 단 하나의 가장 큰 초능력이다."
• 그리고 회복탄력성: "어렵긴 어려울 거라는 걸 그냥 인정하고, 매일매일 그걸 이겨낼 회복탄력성을 가져야 한다. 인생을 하루에 다 이겨낼 필요는 없다. 그날 아침만 이겨내면 된다. 오늘은 오늘만 이겨내면 된다. 별일 아니다. 오늘만 넘겨라. 내일을 향해 일하라. 꿈을 계속 좇아라."
• "충분히 오래 붙어 있으면 — 엔비디아가 일어난다."
• 최종 지혜: "뭐라도 하나 꼽자면 회복탄력성이 단연 가장 중요하다. 뭔가를 믿는다면 그냥 시작하고, 두려움이나 불안이나 자신감 부족 때문에 스스로를 막지 마라. 그리고 스스로에게 말하라 — 나는 배워서 거기까지 갈 거라고."

📌 최종 요약 정리

YC Startup School 2026 개막 세션. 49분 대담인데, 엔비디아 신화의 출발점이 "우리가 고른 기술이 완전히 틀렸다"는 고백이라는 게 전체의 열쇠다. 1993년 창업의 기반 알고리즘이 틀렸다는 걸 1995년에 깨달았고, 그때 이미 경쟁사가 35~40개였으며, 회사 안에 제대로 하는 법을 아는 사람이 아무도 없었다. 젠슨은 주머니의 몇백 달러로 Fry's에서 OpenGL 교과서 세 권을 사서 엔지니어들에게 건넸다. 그가 뽑아내는 교훈은 그래서 기술론이 아니라 학습론이다 — "현실을 직면하고 배울 수 있는 한, 기술 자체는 중요하지 않다."

세가 이야기는 이 강연에서 가장 강한 일화다. 1,200만 달러 계약을 이행할 수 없다고 일본에 직접 가서 말하고, 다른 회사를 고르라고 조언하고, 그러면서 "돈은 그대로 필요하다"고 요청했다. 이리마지리는 줬고 그게 회사를 살렸다. 젠슨이 청중에게 남기는 해석은 "당신들은 회사가 아니라 사람에 투자한다"이다. 1999년 상장 밸류는 3억 달러였다.

AlexNet 대목이 이 대담의 지적 중심이다. 그는 남들과 같은 것을 봤지만 "항상 알고리즘을 찾는 렌즈"로 봤고, 그래서 "AlexNet은 AlexNet이 아니라 어떤 함수든 학습하는 방법"이라는 결론에 도달했다 — "우리가 범용 함수 근사기를 발견했다." 그 순간부터 질문이 "이게 컴퓨팅 스택 전체에 무엇을 하는가"로 바뀌었고, 15년 전에 5층 케이크 전체를 재발명하는 그림을 그렸다. 방법론은 시종일관 같다: 제1원리 질문 — "이렇다면 그다음은? 이게 더 좋아지면 그래서 뭐?"

경영론은 두 문장으로 압축된다. 하나는 "이건 경영 기법이 아니라 성격 기법" — CEO는 회사에 봉사하고 통찰로 사람들에게 힘을 실어주는 자리이며, CEO가 됐다고 자기 성격을 바꿀 필요가 없다. 다른 하나는 "당신이 몰 수 있는 F1 차를 만들어라" — 조직을 자신에게 맞춰 계속 개조하고, 다음 CEO는 그때 가서 다시 빚으면 된다. 바닥까지 내려가는 이유는 빠르게 변하는 기술은 직접 만져본 감각 없이는 카오스로만 보이기 때문이고, 그 비유가 "CEO는 서핑이다 — 파도를 읽으려면 직접 타봐야 한다."

미래에 대한 처방은 "시스템 사고가 새로운 코딩"이다. 낮은 층위는 어차피 에이전트가 하게 되므로, 문제·제약·입출력·정보 흐름 속도·병목을 추상적으로 사고하는 능력이 남는다. 에이전트에 대해서는 이미 거친 수준의 재귀적 자기개선(쓸 때마다 마크다운과 장기 기억이 개선되는 것)이 있다고 보고, 남은 단일 최대 돌파구로 "제어 가능성"을 꼽는다 — 플랜 파일의 단어 하나를 바꾸면 나머지가 재생성되는 수준의 세밀함. 정확도는 80%여도 되고 나머지는 사람이 메운다는 게 그의 입장이다.

일자리 논쟁에 대한 반박이 가장 데이터가 붙은 대목이다. "AI는 과업을 없애지 직업을 없애지 않는다" — 직업은 목적을 갖고 여러 과업으로 이뤄지기 때문. 근거로 소프트웨어 엔지니어 전년 대비 +10%, AI가 판독을 가져갔음에도 영상의학 일자리 +20%, Harvey가 없앤다던 패러리걸의 폭증을 든다. 공통 메커니즘은 적체(backlog) — 환자 적체, 소송 적체, 그리고 소프트웨어에서는 아이디어와 야망의 적체. 그래서 생산성이 오르면 고용이 줄지 않고 늘어난다.

피지컬 AI는 이미 사업이다. 로봇의 ChatGPT 모먼트는 몇 년 전에 이미 지나갔고(ChatGPT도 처음엔 쓸모없었지만 상상을 열었듯), 남은 건 real→sim→real 파이프라인. 자율주행차를 첫 응용처로 고른 기준이 큰 시장 + 표준화된 기술 + 실제 경제 가치였고, 스택을 오픈소스로 푼 이유는 농업·배송·창고 AMR 각각이 자율주행차만큼 크지 않기 때문이다. 현재 약 100억 달러, 10년 안에 1,000억 달러 사업으로 본다.

그리고 마지막이 이 영상의 제목이다. 창업 때 산 "How to start a company" 책은 500페이지라 "다 읽을 때쯤이면 폐업했을 것"이라 안 읽었고, 투자 유치는 무서웠으며, "오늘도 그 질문들에 답할 줄 거의 모른다." 그럼에도 태도는 하나다 — "이건 중요하다, 가서 배우자, 그리고 얼마나 어렵겠어?" 실제로는 생각보다 훨씬 어렵지만, 어려움을 미리 상상해 불안으로 바꾸지 말고 고통이 조금씩 오게 두라는 것. 그리고 "인생을 하루에 다 이겨낼 필요 없다. 오늘 아침만 이겨내면 된다." "충분히 오래 붙어 있으면 엔비디아가 일어난다."

전체 대본(타임스탬프 포함) 원문이 필요하면 말해줘 — 그대로 붙여줄게.