가장 중요한 데이터 세트 중 상당수는 오랫동안 접근하거나 해석할 수 없었던 것들입니다.
인터넷상의 가치는 대부분 규모에 따라 지속적으로 강화되는 데이터 루프를 통해 축적되어 왔습니다. 제품이나 플랫폼이 데이터를 수집하고, 그 데이터로 제품이 개선되며, 더 나아진 제품이 더 많은 데이터를 수집할 권리를 얻는 방식입니다. 이러한 자기 개선 루프는 대부분의 지속 가능한 소프트웨어 비즈니스의 기반이 되었으며, Andy 가 2015년에 이것이 애플리케이션 계층 네트워크 효과의 기반이 되는 방식에 대해 글을 쓴 이후로 USV 네트워크 효과 테제의 중요한 기둥이었습니다.
https://x.com/aweissman/status/676568250210082817
오늘날, 이는 그 어느 때보다 사실입니다. AI 시대에 데이터는 궁극의 통화입니다. 연구소들은 그에 따라 막대한 비용을 지출하고 있으며, Mercor 같은 회사들은 수십억 달러의 매출을 향해 질주하고 있습니다.
데이터 네트워크 효과의 제약은 항상 범위와 도달 가능성, 즉 어떤 데이터가 범위 내에 있고 어떤 데이터가 범위 밖에 있는지였습니다. 소프트웨어가 포착할 수 있는 데이터는 가장 접근하기 쉬웠습니다. 소프트웨어 외부의 데이터(주변 환경, 물리적 세계, 인체)는 포착하기엔 너무 비싸고 어려웠으며, 처리하기엔 너무 까다로워 접근이 불가능했기 때문입니다.
이제 강력한 힘들의 결합이 이 상황을 뒤집고 있습니다. 지능은 풍부해지고 비용은 하락하고 있습니다. 모델은 소프트웨어가 처리하기엔 너무 까다로웠던 가장 지저분하고 구조화되지 않은 입력값조차 빠르게 처리할 수 있습니다. 하드웨어를 구축하는 비용과 시간은 급격히 줄어들었습니다. 또한 점점 더 저렴해지고 보편화된 센서, 위성, 카메라 등을 통해 관측 가능성이 폭발적으로 증가하면서 주변 세계의 데이터를 포착하는 것이 그 어느 때보다 실현 가능해졌습니다. 종합적으로 볼 때, 전례 없는 방식으로 이러한 입력값을 수집하고, 즉각적이고 지능적으로 처리하며, 그 위에 구축할 수 있는 능력은 불과 몇 년 전만 해도 완전히 암흑 상태였던 영역에서 데이터 루프를 형성할 수 있게 해줍니다. 이는 AI가 기존 시장에 효율성을 가져오는 것이 아니라, 완전히 새로운 기회의 집합체입니다.
이러한 변화가 실제로 일어나고 있는 많은 예시가 있습니다. 주변 대화(Ambient conversation)가 그중 하나입니다. 우리는 한 세기 동안 음성을 녹음할 수 있었지만, 이제 이를 텍스트로 변환하고, 구조화하며, 행동으로 옮기는 능력이 음성을 유틸리티 데이터 세트로 전환시켰습니다. 이는 Abridge와 같은 수직적 기회를 탄생시켜 해당 데이터 세트를 활용해 특정 시장의 운영 방식을 혁신하는 애플리케이션을 구축하거나, Granola와 같은 수평적 인프라 및 도구를 만듭니다. 녹음 자체는 결코 어려운 부분이 아니었지만, 이전에는 처리와 제품화가 불가능했던 것입니다.
인체도 또 다른 예시입니다. 검사 비용은 급감하고, 결과를 해석하는 능력은 향상되고 있으며, 데이터 위에 개인 맞춤형 프로그램을 구축하는 것이 점점 더 가능해지고 있습니다. 인체는 데이터 소스로서 접근 가능하고 유용한 대상이 되고 있습니다.
하지만 아마도 가장 큰 기회는 물리적 세계에 있습니다.
물리적 세계는 수집이 불가능하거나 처리하기엔 너무 지저분해서 오랫동안 접근할 수 없었지만, 자동화, 최적화 및 이해에 필수적인 엄청난 양의 데이터를 보유하고 있습니다. 이제 센서는 확산되고, 로봇은 더욱 강력해지고 저렴해지고 있으며, 지저분한 데이터를 빠르게 처리하는 것이 가능해졌습니다. 점점 더 어려운 작업을 수행하도록 로봇을 훈련시키는 모델은 빠른 속도로 개선되고 있으며, 그 어느 때보다 더 많은 데이터를 흡수하고 있습니다. 우리는 물리적 세계에서 가능한 것들이 실험 단계에서 상업화 단계로 전환되는 것을 목격하고 있습니다. 이러한 데이터 루프는 특히 여기서 강력합니다. 더 많은 배포는 더 많은 실제 세계 데이터를 생성하고, 더 나은 데이터는 모델을 개선하며, 더 나은 모델은 다음 배포를 이전보다 더 빠르고 저렴하게 만듭니다.
물리적 세계에서 이러한 기회를 포착하는 것은 매우 초기 단계이면서도 매우 어려운 일이며, 데이터 플라이휠은 이제 막 나타나기 시작했습니다. 소프트웨어 플라이휠 내에서는 학습(데이터를 사용하여 모델 훈련)에서 강화 학습(시스템이 상호 작용을 통해 더 나은 결과로 이어지는 행동을 학습할 수 있도록 보상 함수 정의)을 거쳐 지속적 학습(새로운 데이터가 도착할 때 모델이 계속 개선되도록 허용)으로의 엄청난 진전이 보이기 시작했습니다. 물리적 세계에서는 로봇이 물리적 세계와 상호 작용할 때 발생할 수 있는 강화 학습의 표면을 겨우 긁기 시작한 단계입니다.
GIF
하지만 이 물리적 세계 데이터 플라이휠이 가져올 기회는 엄청나며, 시장을 변화시키고, 이전에는 도달할 수 없었던 것들입니다. 가장 흥미로운 사용 사례는 어려운 일을 쉽게 만드는 것이 아니라, 우리가 한 번도 달성하지 못했던 통찰력과 행동을 가능하게 하는 것입니다.
예를 들어, 모든 전봇대에 센서를 부착하면 이전에는 불가능했던 인프라 관측이 가능해집니다. 배터리를 6개월마다 교체해야 했기 때문에 비용이 엄청나게 들었기 때문입니다. 이제 10년 동안 지속되는 배터리를 통해 인프라에 대한 깊은 이해는 저렴해질 뿐만 아니라 실현 가능해질 것입니다. 주변 세계의 다양한 소스에서 센서 입력을 받아들이고 이를 종합하여 노이즈를 이해할 수 있는 모델은 우리에게 한 번도 경험하지 못한 정밀도와 정확도로 기상 패턴에 대한 이해를 제공할 것이며, 이는 궁극적으로 이를 변화시킬 수 있는 가장 중요한 단계입니다. (센서를 통해 가능해진) 자율 운송은 완전히 새로운 비용 구조로 사람과 물건을 이동시킬 수 있는 전례 없는 능력을 빠르게 창출하고 있습니다. 우리는 이제 바다를 이해할 수 있게 되었으며, 이를 통해 영토를 방어하고, 선박을 항해하며, 지구를 유지하는 방법에 대한 새로운 지식을 얻을 수 있습니다.
물리적 세계 스택의 모든 레이어를 재발명할 수 있는 거대한 기회가 있습니다. 우리는 각 레벨에서 이에 상당한 투자를 해왔으며 앞으로도 계속할 것입니다. (곧 더 자세히 공유하게 될 몇몇 미공개 투자 건들도 있습니다.) Generalist는 로봇에게 범용적인 손재주, 즉 우리가 실제로 원하는 작업을 수행할 수 있는 능력을 부여하는 기반 모델을 구축하고 있습니다. Tutor Intelligence는 데이터 수집과 모델 개선을 통한 로봇 배포의 전체 루프를 실행하여, 로봇이 6개월의 통합 기간이 아닌 며칠 만에 생산성을 발휘할 수 있도록 하고 (그리고 그 데이터를 자체 모델에 다시 공급하여 지속적으로 개선합니다.) Sofar Ocean은 대규모 센서 확산을 활용하여 자체 및 타사 소프트웨어 네트워크를 위한 인프라를 제공합니다. Viam은 그 중간에서 장치 플릿 전반에 걸친 데이터, AI 및 자동화를 위한 운영 레이어 역할을 합니다. Efficient Computer는 기반 레벨에서 엣지에서의 새로운 사용 사례를 경제적으로 만드는 데 충분히 효율적인 실리콘을 구축하고 있습니다.
2차 효과도 상당합니다. 물리적 세계 데이터를 대규모로 포착하고 활용할 수 있게 되면, 예를 들어 Isembard가 하고 있는 것처럼 자동화와 에이전트 운영 체제를 통해 훨씬 더 효율적인 공장을 운영할 수 있습니다. 그리고 물론, 이러한 수준의 컴퓨팅과 그에 필요한 모든 입력(더 효율적인 데이터 센터, 풍부하고 더 안전한 배터리, 새로운 형태의 대규모 및 청정 발전 등)을 가능하게 하는 이 레이어 아래에는 엄청난 에너지와 전력에 대한 필요성이 대두됩니다.
아래의 시장 지도는 우리의 물리적 세계를 탐색하고 행동하는 스택을 설명합니다.
우리는 매우 초기 단계에 있습니다. 이러한 데이터 세트의 대부분은 거의 활용되지 않았고, 이를 기반으로 실행될 대부분의 제품은 아직 존재하지 않습니다. 이러한 데이터를 찾고, 접근하고, 활용하는 것은 우리가 물리적 세계와 상호 작용하는 방식을 바꿀 것입니다. 우리는 그 경계의 전체를 향해 나아가는 창업자들과 함께 탐험하기를 원합니다.
이 글의 생각을 더욱 날카롭게 다듬어 준 @km @joshgruenstein @alexiskold @nbt @chadbyers @html_tina 그리고 Brandon Lucia 에게 큰 감사를 전합니다.
