AI 모델은 손실 함수(loss function)를 정의할 수 있는 모든 작업에서 더 나아지며, 학교는 대부분 손실 함수와 같습니다: 잘 정의된 문제를 풀고 알려진 정답으로 평가받는 과정이죠. 따라서 향후 10년간 진정한 가치 있는 작업은 모델 훈련 기간 내에 평가할 수 없는 모든 것입니다.
6년간의 직장 생활 동안 저는 다양한 규모의 회사들(제 스타트업부터 Helm AI (15→50명), Scale AI (500→1500명), OpenAI (1500→3000명), Google (10만 명 이상)까지)에서 훌륭한 사람들과 협업할 수 있는 행운을 누렸습니다. 창업자로서 저는 현재와 미래의 회사에 적합한 인재를 채용하는 데 많은 시간을 할애합니다. 저희 회사는 완전히 에이전트 네이티브(agent-native) 방식이기 때문에, 제가 이전에 근무했던 어떤 회사와도 요구 사항이 완전히 다릅니다.
의욕 넘치고 야망 있는 초기 경력자분들께, 이제 향후 10년간 어떤 기술이 가치 있을지에 대한 제 명확한 견해를 나누고자 합니다. 저는 많은 경력 조언을 주고받아 왔습니다. 유명한 격언들(로켓선에 올라타라, 좌석을 묻지 말라 같은)은 여전히 유효하지만, 에이전틱 코딩(agentic coding)의 부상으로 인해 많은 것이 바뀌었습니다. 변하지 않은 것과 새롭게 달라진 점을 소개합니다.
1. 진정으로 한정된 자원에 집중하라
Scale에 합류하기 전, 저는 훨씬 높은 보장된 현금을 제시하는 퀀트(quant) 제의를 받았습니다. 하지만 Scale의 커뮤니티와 다양한 제품 및 애플리케이션에 대한 폭넓은 경험에 끌려 Scale을 선택했습니다. Scale을 통해 LLM 추론 제공업체에 대한 경험을 쌓았고, 이는 결국 DeepMind와 OpenAI의 기회로 이어졌습니다. 또한 Scale에서 만난 야망 있는 동료들은 현재 창업자 커뮤니티를 형성하고 있습니다. 오늘날 Scale이 제공한 독특한 네트워크와 학습 기회는 제 인생에 퀀트에서 받았을 추가 수익보다 훨씬 더 큰 가치를 제공했습니다.
자본에 대한 접근성은 그 어느 때보다 쉬워졌습니다. 하지만 진정한 시간과 다른 사람들과의 강력한 관계는 여전히 희소합니다. 과거 관련 분야에서 입증된 탁월함은 여전히 가장 강력한 신호입니다. 따라서 제 구체적인 조언은 좋은 작업에 시간을 투자하고, 그 결과를 훌륭한 작업을 하는 평판 좋은 사람들에게 알리는 데 집중하라는 것입니다. 시간을 끊임없이 우선순위화하여, 학교, 프로젝트, 인턴십 등 무엇을 하든 의미 있다고 생각하는 문제에 집중하세요. 바이브 코딩(vibe-coding)으로 빠른 수익을 올릴 기회는 쉽게 찾을 수 있지만, 진정한 가치를 추구할 때 얻는 보상은 대개 훨씬 큽니다.
시간, 관계, 평판: 이것이 바로 집중해야 할 진정한 한정된 자원입니다.
2. 문제를 해결하는 것뿐만 아니라 발견하는 법을 배워라
수많은 지원자 속에서 신호를 찾기 위해, 우리는 에이전트 네이티브 회사에서 일하는 엔지니어에게 오늘날 어떤 기술이 중요한지 깊이 고민했습니다. 아무도 수동으로 코드 한 줄을 작성하지 않는다는 점을 감안할 때, 전통적인 Leetcode 스타일의 문제나 시스템 디자인 질문은 실제 업무 성과와 거의 상관관계가 없는 것으로 보입니다. 결국 우리는 지원자가 자신이 속한 환경을 얼마나 빠르게 이해하고, 해결할 가치가 있는 문제를 식별하며, 기존 환경의 제약 하에서 문제를 해결하는 능력을 측정하는 일련의 인터뷰를 개발했습니다.
가장 중요한 기술은 문제 선택과 자원 할당과 관련된 것입니다. 점점 더 강력해지는 에이전트는 복잡하고 잘 정의된 문제를 처리할 수 있기 때문에, 가장 큰 영향력을 발휘하는 사람은 중요한 문제를 식별하고 토큰과 시간을 할당하여 해결하는 데 가장 뛰어난 사람이 될 것입니다.
에이전트가 모든 문제 세트를 해결할 수 있다는 사실에 낙담하는 학생들이 늘고 있는 추세입니다. 하지만 제 인터뷰 경험상, 지원자들은 솔루션에 도달하는 데 필요한 시간과 토큰 측면에서 여전히 큰 차이를 보입니다. 훌륭한 지원자들은 대개 높은 수준의 직관과 외부 맥락을 에이전트와의 협업에 가져옵니다.
구체적으로, 우리가 높게 평가한 지원자들은 자신의 열정 프로젝트나 의미 있는 문제가 사람보다 많은 고성장 기업에서 문제 해결 환경에 깊이 몰입한 경험이 있습니다.
3. 문제의 가장 야심 찬 형태에 도전하라
지난 10년간 연구 분야에서 가장 유용한 사고 프레임워크 중 하나는 "쓴 교훈(bitter lesson)"입니다: 일반적인 방법을 확장하는 것이 결국 작업별 최적화를 능가한다는 것입니다. 이 교훈은 문제와 회사를 선택하는 데도 적용됩니다.
회사와 경력은 항상 승자 독식(power-law)의 결과를 가져왔지만, AI는 이러한 결과로의 진전 속도를 가속화했습니다. 소프트웨어 구축이 훨씬 더 접근 가능해졌기 때문에 누구나 비교적 쉽게 간단한 시스템을 만들 수 있습니다. 진정으로 지속 가능한 가치는 극도로 야심 찬 문제에 집중할 때만 만들어집니다.
회사를 선택할 때의 조언은 간단합니다: 해당 회사가 자신이 선택한 문제의 가장 야심 찬 형태에 도전하고 있는지, 그리고 실제로 해결할 가능성이 있는지 평가하라는 것입니다. 역할을 선택할 때는 그 역할이 회사가 해결하는 문제의 최전선에서 직접 작업할 수 있게 해주는지 생각해보세요.
4. 마지막 마일을 전력 질주하라
스타트업과 관련하여 Alfred Lin은 훌륭한 글에서 마지막 10%가 작업의 90%이자 보상의 90%라고 말합니다. AI는 결과를 양극화했습니다. 중간 결과물은 엉성한 프롬프트로 에이전트가 만들어낼 수 있는 수준이기 때문입니다. 따라서 가치는 특정 문제 영역에 대한 독특한 관점이나 세부 사항에 대한 주의에서 비롯됩니다.
마지막 마일에서 좋은 실행력을 갖추려면 연습과 집중이 모두 필요합니다. 첫 시도에서 완벽한 것은 없기 때문에, 마지막 마일은 종종 반복의 과정입니다. 코딩 에이전트의 발전 속도가 매우 빠르기 때문에, 이전 반복에서 얻은 교훈을 바탕으로 다음 세대의 지능으로 처음부터 다시 시작하는 것이 더 나은 경우가 많습니다. 자신의 프로젝트에서 이를 연습해보세요. 세련미, 깔끔한 아키텍처, 확장성, 창의성에 조금 더 시간을 투자하는 주도권을 가지세요. 이렇게 한 지원자들의 영향력을 확실히 목격했습니다.
5. xG와 효율성을 모두 높여라
축구에서 xG(기대 득점, expected goals)는 팀이 기회를 바탕으로 경기에서 득점할 것으로 예상되는 골 수를 나타내는 지표로, 거리, 각도, 골키퍼 위치 등을 고려합니다. 효율성은 이러한 기회의 상대적 전환율입니다.
제 커리어에 대한 xG와 효율성의 비유는 꽤 정확했습니다. 2023년에 저는 프론티어 모델 추론 및 훈련에 집중하고 싶어 Anthropic(당시 약 50명)과 Cursor(당시 공동 창업자 외 2명)의 제안을 거절했습니다. 2024년에는 OpenAI에서 일하기 위해 두 회사를 다시 거절했습니다. 이러한 대안적 기회들은 커리어 관점에서 모두 높은 xG였지만, 저는 결국 제 관심사, 문화적 적합성, 목표(의도된 언어유희)에 더 부합하는 회사를 선택했습니다.
커리어는 길고 기회는 왔다 갔다 합니다. 저는 ASI가 모든 지식 근로자를 대체할 것이라고 생각하지 않습니다. 왜냐하면 인간은 ASI가 해결할 의미 있는 문제를 선택하고 이러한 문제를 해결하기 위해 자본을 할당하는 데 차별화된 능력을 가지고 있기 때문입니다.
모든 기회가 골로 이어지지는 않지만, 기회를 볼 수 있는 올바른 위치에 있는 것이 골을 넣는 첫걸음입니다. 이는 다시 평판과 전문성의 문제로 돌아갑니다. Cursor의 기회는 제가 Michael과 Aman의 지인들 사이에서 좋은 평판을 가지고 있었기 때문에 왔고, Anthropic의 기회는 제가 그 팀의 관심을 끌 만한 문제에 전문적, 개인적 시간을 투자해왔기 때문에 왔습니다.
인생은 어느 순간 기회를 보는 것뿐만 아니라 골을 넣는 것이 중요하기 때문에, 골문 앞에서의 효율성도 중요합니다. 제 결정을 되돌아볼 때, 많은 결정은 옳았다고 생각하지만 결정을 내리는 데 더 많은 데이터를 수집하는 데 시간을 더 할애했더라면 좋았을 것입니다.
핵심적으로, 초기 단계 회사를 선택하는 것은 주로 팀과 시장에 관한 문제입니다. 오늘날 많은 지원자는 기존 제품에 고정되지만, 팀이 좋다면 제품은 거의 항상 매우 다른 것으로 진화합니다. Anthropic의 초기 데모는 제게 ChatGPT보다 못한 Slackbot이었습니다.
6. 지금 연구에 뛰어들 수 있다
최근 연구 분야에 어떻게 진출할지에 대한 질문을 많이 받고 있습니다. 제 이전 동료인 Vlad는 Gemini 팀의 리드이며 이에 대한 훌륭한 글을 작성했습니다.
현대 연구는 더 많은 컴퓨팅 자원으로 수행하기 쉽지만, 좋은 출발점은 모델을 사용하고 자신의 직관을 평가로 정제하는 것입니다. 제 이전 동료인 @kellerjordan0이 공개한 공개 최적화 리더보드는 보다 구조화된 환경에서 아이디어를 탐구할 수 있는 훌륭한 포럼을 제공합니다.
Modal과 같은 많은 컴퓨팅 제공업체는 학계 연구자에게 크레딧을 제공합니다. 이를 활용하고 지금 당장 아이디어를 탐구하세요. 대부분의 아이디어는 결국 규모에서 실패할 것이며, 이러한 실패를 이해하는 것이 실제로 작동하는 것에 대한 이해를 구축하는 첫걸음입니다.
궁극적으로, 저는 연구자가 되는 것은 직업이 아니라 사고방식이라고 믿습니다. 프론티어 연구소 연구자의 대부분의 작업은 새로운 아이디어를 탐구할 만큼 호기심을 갖고, 아이디어를 구현하기 위해 인프라와 싸우며, 문제를 효율적으로 디버깅하기 위해 전체 시스템을 극도로 세부적으로 이해하고, 더 많은 컴퓨팅 자원을 확보하기 위해 결과의 가치를 설명하는 것의 혼합입니다. 프론티어 연구소에 있지 않아도 이 모든 것을 할 수 있습니다.
마무리 생각
세상은 여전히 기회로 가득 차 있습니다. 이를 잠금 해제하는 열쇠는 흥미로운 문제를 찾고 탁월한 결과를 전달하는 데 집중하는 것입니다. 이 글이 마음에 드신다면 연락 주시기 바랍니다. 여러분과 함께 일하게 되어 기쁠 것입니다.
