메타가 영입한 AI 천재 알렉산더 왕이 말하는 AI의 미래와 창업 feat. 스케일 AI

바쁘신 분들은 스크롤을 쭈-욱 내려,
요약만 먼저 읽어보세요!

YC 시절과 창업의 진짜 이야기

MIT 이전: 초기 AI 노출

MIT에 가기 전에 저는 2014년부터 2015년까지 Quora에서 1년간 일했습니다. 이미 그 시점에서 ML 엔지니어, 즉 머신러닝 엔지니어들이 소프트웨어 엔지니어보다 더 많은 돈을 벌고 있었어요. 그게 이미 그때 시장 상황이었습니다.

저는 샌프란시스코의 합리주의 커뮤니티에서 조직한 여름 캠프들에 참석했는데, 조기 성숙한 청소년들을 위한 것이었지만 AI 업계에서 중추적인 역할을 하게 된 많은 사람들이 주최했어요. 주최자 중 한 명은 폴 크리스티아노라는 사람인데, 실제로 RLHF의 발명자이고 현재 미국 AI 안전 연구소의 연구 디렉터를 맡고 있습니다. 그는 오랫동안 OpenAI에 있었어요. 그렉 브록먼이 와서 강연을 했고, 엘리에저 유드코프스키도 강연을 했습니다.

실제로 제가 16세였을 때, 제 평생에 가장 중요하게 작업할 수 있는 것이 잠재적으로 AI와 AI 안전이라는 개념에 노출되었어요. 매우 일찍부터 노출된 거죠.

MIT에서 YC까지

MIT에 갔을 때 18세에 시작했고, AI를 꽤 깊이 공부했어요. 그게 제가 주로 한 일이었습니다. 그러다가 조급해져서 YC에 지원했고, 초기 아이디어는 “어떻게 AI를 다른 것들에 적용할 수 있을까?”였어요.

이게 챗봇 시대였다는 게 지금 생각해보면 정말 미친 일이에요. 2016년에 이런 작은 챗봇 붐이 있었습니다. Magic이나 이런 앱들에 의해 촉발되었고, 페이스북도 챗봇에 대한 큰 비전을 가지고 있었어요.

우리가 처음에 작업하고 싶었던 것은 의사를 위한 챗봇이었습니다. 의사에 대해 아는 게 있냐고요? 네, 전혀 없었어요. 기본적으로 의사는 비싸게 들리는 것이라고 생각했을 뿐이에요.

진짜 아이디어의 탄생

젊은 창업자들의 첫 10개 아이디어는 항상 매우 모방적이에요. 데이팅 앱이나 소셜 생활을 위한 뭔가, 같은 아이디어들이 많습니다. 젊은 사람들은 알파에 대한 감각이 매우 부족해요. 자신들이 실제로 독특하게 할 수 있는 위치에 있는 것들이 무엇인지 말이에요.

YC에 있을 때 우리는 다른 YC 회사와 룸메이트였고, 당시 일어나고 있던 챗봇 붐을 관찰하고 있었습니다. 챗봇을 만들고 싶다면, 지금 돌이켜보면 웃기지만, 많은 데이터와 인간의 노가다가 필요하다는 것이 매우 분명했어요.

그래서 어느 순간 “그냥 그거 하면 어떨까? 챗봇 회사들을 위한 데이터와 인간 데이터를 하면 어떨까?”라고 생각했습니다. 우리도 배치 중간에 꽤 길을 잃었었어요. 많은 YC 회사들처럼 말이에요.

그래서 “인간 작업을 위한 API” 같은 개념으로 전환했습니다. 어느 날 밤 도메인을 찾아다니다가 scaleapi.com이 사용 가능해서 그냥 샀어요. 일주일 후에 출시했고 Product Hunt에 올렸습니다.

제품 출시와 초기 성장

API for Human Labor

제품 헌트 페이지는 아직도 살아있어요. 어젯밤에 읽어봤는데 태그라인이 “인간 노동을 위한 API”였던 걸로 기억합니다. 압축된 통찰은 “인간을 API로 호출할 수 있다면 어떨까?”였어요.

랜딩 페이지를 만드는 데 3일이 걸렸습니다. Product Hunt에서 출시되었고, 이 아이디어는 당시 스타트업 커뮤니티의 상상력을 어느 정도 사로잡았어요. API가 인간에게 위임하는 이상한 형태의 미래주의였거든요. 기계를 위해 일하는 인간이라는 역전된 개념이었습니다.

초기 단계에서 우리는 그 Product Hunt에서 연락해온 모든 엔지니어들과 일했는데, 정말 다양한 사용 사례들이었어요. 하지만 그것만으로도 당시 자금을 조달하고 시작하기에 충분했습니다.

자율주행차에 집중하기

몇 달 후에 자율주행차가 실제로 우리가 집중해야 할 첫 번째 주요 애플리케이션이라는 것이 분명해졌어요. 회사 첫 1년 정도에 많은 중요한 결정들이 있었습니다.

당시에는 아마존의 Mechanical Turk 같은 다른 솔루션들이 이미 게임의 주류였어요. 사람들이 사용하고 있던 것이었지만, 우리는 그것에 대해 모르는 완전히 다른 사람들을 끌어들였고, 훨씬 나은 API를 가지고 있었으며 결국 이겼습니다.

Mechanical Turk는 확실히 당시 대부분의 사람들 마음속에 있던 개념이었어요. 많은 사람들이 그것에 대해 들어봤지만, 사용해본 사람은 누구나 그것이 형편없다는 것을 알고 있었습니다. 어떤 공간에 있을 때 사람들이 언급하는 것이 있지만 그게 형편없다면, 그건 보통 꽤 좋은 신호예요.

YC를 나온 지 6개월 정도 되었을 때, 다른 YC 회사인 Cruise가 우리 웹사이트로 연락해왔고, 눈 깜짝할 새에 그들이 우리의 가장 큰 고객이 되었어요. 그들이 우리 런칭에서 찾은 거였나요? 네, Cruise에서 일하던 YC 창업자가 우리에게 연락했을 수도 있고요.

투자자와의 대화

초기에 우리는 이런 결정을 내렸어요. 당시 주요 투자자에게 가서 “실제로 우리는 이 자율주행 일에만 집중해야 한다고 생각합니다”라는 대화를 했던 걸 기억합니다. 반응은 “그건 너무 작은 시장이다. 그런 식으로는 절대 거대한 비즈니스를 구축할 수 없다”였어요.

우리는 “우리가 생각하기에는 당신이 생각하는 것보다 훨씬 큰 시장일 것 같습니다. 모든 자율주행 회사들이 엄청난 자금을 받고 있고 자동차 회사들도 자율주행에서 거대한 프로그램을 하고 있거든요. 분명히 미래인 것 같고 존재해야 할 것 같은 느낌입니다”라고 말했어요.

돌이켜보면 두 가지 모두 맞았어요. 우리가 비즈니스를 구축해서 매우 빠르게 규모에 도달할 수 있게 해준 것도 사실이고, 거대한 비즈니스를 지탱하기에는 충분히 큰 시장이 아니었던 것도 사실입니다.

스케일링 법칙과 OpenAI와의 작업

자율주행에서 언어 모델로

Scale의 이야기는 많은 면에서 이런 진행입니다. AI라는 이 믿을 수 없을 정도로 역동적인 공간에서 어떻게 계속해나가느냐 하는 것이에요. 많은 것들이 끊임없이 변하고 있고, 우리가 자랑스럽게 생각하는 것 중 하나는 이 매우 빠르게 움직이는 업계에 어떻게 계속 기여하고 구축해왔느냐 하는 것입니다.

자율주행에서 스케일링 법칙은 실제로 존재하지 않았어요. 가장 큰 이유는 전체 알고리즘이 차에서 실행되어야 하기 때문에 접근할 수 있는 컴퓨팅 양에 매우 제약이 있었기 때문입니다. 자율주행에서 일하는 많은 엔지니어들과 회사들은 스케일링 법칙에 대해 실제로 생각하지 않았어요.

하지만 2019년에 OpenAI와 일하기 시작했습니다. 이게 GPT-2 시대였어요. GPT-1은 일종의 호기심 같은 것이었고, GPT-2는… 저는 OpenAI가 큰 AI 컨퍼런스에서 부스를 가지고 있던 걸 기억해요. 그들의 데모는 연구자들이 GPT-2와 대화하는 것을 허용하는 것이었는데, 약간 인상적이었지만 특별히 인상적이지는 않았어요. 그냥 좀 멋있는 정도였습니다.

GPT-3의 혁명적 순간

GPT-3에 이르러서는 스케일링 법칙이 분명히 매우 실제적으로 느껴졌어요. GPT-3는 2020년이었는데, 실제로는 세상이 무슨 일이 일어나고 있는지 알아차리기 훨씬 전이었습니다.

2020년에도 스케일링 법칙이 큰 일이 될 것이라는 게 분명했지만, 여전히 완전히 명확하지는 않았어요. GPT-3에 일찍 접근할 수 있었고 플레이그라운드에서 친구와 함께 가지고 놀고 있었습니다. 제가 친구에게 “이 모델과 대화할 수 있어”라고 말했는데, 대화 중에 제 친구가 AI에게 눈에 띄게 좌절하고 화를 냈어요. 하지만 “이건 바보 같은 장난감이야”라는 식이 아니라 어떻게 보면 개인적인 방식이었어요. 그때 저는 “와, 이건 이전에 존재했던 어떤 것과도 질적으로 다르다”는 걸 깨달았습니다.

그 시점에서 어느 정도 튜링 테스트를 통과하고 있었던 것 같아요. 튜링 테스트를 잠재적으로 통과할 수 있다는 징후들이었죠. 하지만 생성형 AI, 여전히 어떤 면에서는 용어조차도, 실제로 모든 사람을 확신시킨 것은 DALL-E였다고 생각합니다.

제 2의 NVIDIA 되기

GPT-4와 거대한 기회

제 개인적인 여정은 GPT-3가 매우 흥미로웠고, 회사에서 많은 베팅 중 하나였어요. 그리고 2022년에 DALL-E, 나중에 ChatGPT, GPT-4 등을 거치면서 우리가 OpenAI와 함께 ChatGPT의 전신인 InstructGPT에서 작업했을 때, 그것이 회사와 솔직히 세상을 위한 “아하” 순간이라는 게 매우 명백해졌습니다.

GPT-4가 정말로 “와, 이건 스케일링 법칙이 매우 실제적이고, 데이터에 대한 필요가 기본적으로 인간이 가진 모든 이용 가능한 정보와 지식을 소비하도록 성장할 것이다”라는 순간이었어요. 그래서 “와, 이건 천문학적으로 큰 기회다”였습니다.

할루시네이션하지 않게 할 수 있는 첫 번째 순간인 것 같았어요. 제한된 도메인에서 실제로 제로 할루시네이션 경험을 가질 수 있었고, 우리는 지금도 여전히 그런 체제에 있습니다.

미래의 비즈니스 모델

미래의 청사진이 될 것이라고 생각해요. 지금 대규모 파라미터 파인튜닝이나 강화학습 파인튜닝 모델의 총 수는 여전히 꽤 적지만, 미래의 한 버전은 모든 회사의 핵심 IP가 실제로 그들의 전문화된 모델이나 자체 파인튜닝된 모델이라는 것입니다.

오늘날 대부분의 기술 회사들의 IP가 일반적으로 코드베이스라고 생각하는 것처럼, 미래에는 일반적으로 그들의 전문화된 IP가 모든 내부 워크플로우를 지원하는 모델일 것이라고 생각할 것입니다.

그들이 추가할 수 있는 특별한 것들은 무엇일까요? 그들의 일상적인 문제나 정보, 도전, 비즈니스 문제에 매우 구체적인 데이터와 환경을 추가할 수 있어요. 그게 정말 지저분한 실제 세계 정보인데, 다른 누구도 가지지 못할 것입니다. 왜냐하면 다른 누구도 그들과 정확히 같은 비즈니스 활동을 하지 않기 때문이에요.

일의 미래에 대한 낙관적 전망

인간이 소유하는 미래

우리는 새로운 일하는 방식의 시대의 시작에 있다는 것은 부인할 수 없이 사실이에요. 사람들이 오랫동안 사용해온 “일의 미래”라는 용어가 있는데, 우리는 일의 미래에 진입하고 있거나 확실히 다음 시대에 있습니다. 따라서 일은 근본적으로 변할 것이지만, 인간이 미래를 소유한다고 생각해요.

우리는 실제로 많은 주도권과 선택권을 가지고 있습니다. 이런 일의 재편성이나 워크플로우의 재편성이 어떻게 펼쳐질지에 대해서 말이에요.

코딩에서 보는 패턴

지금 코딩에서 이런 상황이 펼쳐지는 것을 볼 수 있고, 코딩은 어떤 면에서 다른 분야들과 다른 작업 영역들을 위한 사례 연구라고 생각해요. 초기 단계는 이런 어시스턴트 스타일의 것입니다. 당신이 일을 하고 있고 모델들이 여기저기서 조금씩 도움을 주는 거예요.

그다음에는 Cursor 에이전트 모드 같은 것으로 가는데, 이 워크플로우들을 수행하도록 모델들에게 동시에 요청하고 있어요. 하나의 에이전트를 관리하는 것 같고, 단일 에이전트와 페어 프로그래밍을 하는 것 같습니다.

그다음에는 CodeAct나 다른 시스템들처럼 여러 가지 작업에 배포할 에이전트 떼를 가지고 있고, 모든 이런 작업들을 주고 적절하다고 생각하는 일을 하는 에이전트 집단을 가지는 패러다임이 매우 분명해요.

관리자로서의 역할

이 마지막 일은 현재 인력에서 의미론적 의미를 가지고 있어요. 바로 관리자입니다. 기본적으로 실제 일을 하는 이런 에이전트 세트를 관리하는 거예요.

AGI나 둠 예언자들은 “에이전트들을 관리하는 이 일조차 에이전트들이 할 것이므로 인간들은 완전히 프로세스에서 제외될 것이다”라는 관점을 취합니다. 하지만 우리의 믿음, 제 개인적인 믿음은 관리는 매우 복잡하다는 것이에요.

관리는 또한 당신이 가진 비전과 목표로 하는 최종 결과에 관한 것이고, 그것들은 근본적으로 인간의 수요와 인간의 욕구 중심 경제를 가지고 있기 때문에 인간에 의해 주도될 것이라고 생각합니다. 따라서 경제의 최종 상태는 대규모로 인간이 에이전트를 관리하는 것이라고 생각해요.

흥미로운 일화

친구 창업자 중 한 명이 정말 똑똑한 주니어 직원을 승진시키려고 하는데, 그들이 에이전트 인프라에서 일하고 있어요. 그에게 “관리직으로 승진하고 싶어? 사람들을 관리해본 적은 없지만, 우리가 당신 밑에 사람들을 고용한다면 어떨 것 같아?”라고 물었어요.

20대 중반의 정말 똑똑한 엔지니어가 “왜 그걸 하겠어요? 그냥 더 많은 컴퓨팅을 주세요. 지난달에 모델에 무슨 일이 일어났는지 봐요. 제가 아무것도 하지 않았는데 한 달 전에 할 수 없었던 일들을 하기 시작했어요. 왜 사람들을 관리하고 싶겠어요? 그냥 더 많은 에이전트를 관리하게 해주세요”라고 했어요.

인간만의 고유한 역할

시간이 지나면서 인간들이 할 고유한 것들은 무엇일까요? 이런 비전의 요소가 매우 중요하다고 생각해요. 일이 잘못될 때 디버깅하거나 고치는 요소도 있고요. 관리자로서 말하자면, 관리자 일의 대부분은 그냥 불 끄기, 문제 해결, 발생하는 이슈들 처리입니다.

직관적으로 이상적인 관리자 일은 다른 사람들이 모든 일을 하고 당신은 그냥 막연히 감독하는 것처럼 매우 편안한 일처럼 보이지만, 현실은 분명히 매우 혼란스럽습니다.

사람들은 종종 “에이전트들을 관리하고 모든 문제가 해결되는 빅토리아 시대 같은 삶을 살 것이다”라는 극단적인 현실로 점프하지만, 아니에요. 여전히 꽤 복잡할 것이라고 생각해요.

Scale의 진화와 적응

초기 데이터 비즈니스

우리의 초기 비즈니스는 다양한 AI 애플리케이션, 주로 자율주행차 회사들을 위한 데이터 생성에 관한 것이었어요. 처음 3년 동안은 완전히 그것에 집중했습니다.

그 비즈니스를 구축하는 것의 특성 중 하나는 시간이 지나면서 AI의 대부분의 파도보다 앞서가야 한다는 의무가 있었다는 것이에요. AI가 어떤 수직 영역에서 성공하려면 데이터가 필요했거든요. 따라서 우리 제품에 대한 수요는 AI가 그 산업들로 실제 진화하기 전에 많은 경우에 선행했습니다.

예를 들어, 우리는 2019년에 OpenAI와 언어 모델에서 작업하기 시작했어요. 2020년에 국방부와 정부 AI 애플리케이션, 국방 AI 애플리케이션에서 작업하기 시작했는데, 이는 최근의 드론 기반 AI 열풍보다 훨씬 전이었습니다.

애플리케이션 비즈니스로의 확장

2021년 말, 2022년 초에 우리는 애플리케이션에서 작업하기 시작했고, 이제는 훨씬 더 에이전틱 워크플로우와 에이전틱 애플리케이션을 기업과 정부 고객들을 위해 구축하고 있어요.

이것은 우리 비즈니스의 흥미로운 진화였습니다. 역사적으로 우리의 핵심 비즈니스는 매우 운영적이거든요. 이 데이터 파운드리를 구축하고, 데이터를 생성하는 모든 프로세스를 가지고 있어요. 품질 관리 시스템이 있는 많은 인간과 인간 전문가들을 포함하는 매우 운영적인 프로세스입니다.

아마존이 AWS를 구축한 것이 현대 비즈니스 역사에서 가장 독특한 것 중 하나라고 생각해요. 2000년에 이 대형 온라인 소매업체가 이 대규모 클라우드 컴퓨팅 서버 대여 비즈니스를 구축할 것이라는 단편 소설을 썼다면 말도 안 되는 얘기처럼 보였을 거예요.

무한한 시장을 찾아서

어느 시점에서 스타트업들은 모드를 바꿔야 해요. 초기에는 매우 좁은 시장, 거의 할 수 있는 가장 좁은 시장을 겨냥하려고 하고, 그다음에 추진력을 얻어서 그 매우 좁은 시장에서 천천히 성장해나가는 거예요. 그리고 어느 시점에서 1000억 달러 회사 이상이 되고 싶은 야망이 있다면, 기어를 바꿔서 무한한 시장이 어디에 있는지, 그 무한한 시장을 향해 어떻게 구축할 것인지 말해야 합니다.

우리가 깨달은 간단한 통찰은 모든 비즈니스와 모든 조직이 AI 중심 기술, 그리고 이제는 분명히 에이전트 중심 기술로 전체 비즈니스를 재편성해야 할 것이라는 것이었어요. 그리고 시간이지나면서 그것이 전체 경제를 삼켜버릴 것이라는 거였습니다. 그래서 대기업과 정부를 위한 AI 애플리케이션과 AI 배포를 구축하는 또 다른 무한한 비즈니스였어요.

많은 사람들이 당신들이 이런 변화의 한가운데 있다는 것을 깨닫지 못해요. 여전히 Scale을 데이터 라벨링 회사로 생각하지만, 10년 후를 생각해보면 Scale의 대부분이 실제로 에이전트 비즈니스가 될 것이라고 생각하시나요?

네, 이 시점에서 훨씬 빠르게 성장하고 있고, 무한한 시장이라고 생각해요. 대부분의 시장에 대한 형편없는 점은 꽤 얕은 S-커브를 가지고 있다는 것이지만, 하이퍼스케일러나 이런 메가캡 기술 회사들을 보면 이런 터무니없이 큰 시장들을 가지고 있어요. 따라서 정말로 이런 무한한 시장에 들어가고 싶은 거죠.

정부 및 국방 분야에서의 AI

Thunder Forge 프로젝트

우리가 하고 있는 일 중 하나는 하와이에 있는 인도태평양 사령부와 함께 Thunder Forge라는 시스템을 구축하는 것입니다. 인도태평양 지역을 담당하고 있고, 군사 계획과 작전에 AI를 사용하는 대표적인 국방부 프로그램이에요.

우리는 제가 말한 것을 정확히 하고 있어요. 기존의 인간 워크플로우를 가져다가 – 군대는 교리적인 방식으로 일하거나 이 매우 확립된 군사 계획 과정의 교리에 의해 통제받습니다 – 그것을 함께 작업하는 일련의 에이전트로 전환하고, 정확히 같은 작업을 수행하지만 모든 것이 에이전트 중심으로 되는 거예요.

그러면 갑자기 이런 매우 중요한 의사결정 사이클을 72시간에서 10분으로 바꾸는 것이고, 체스를 할 때와 같아져요. 인간과 체스를 하면 그들이 생각하는 데 시간을 다 써야 하니까 느린 게임이지만, 컴퓨터와 체스를 하면 즉각적인 수들의 연속이고 이런 가차없는 형태의 전쟁이 되는 거예요.

추론의 연쇄를 즉시 볼 수 있다는 것이 가장 강력한 일이었어요. 답을 원하는 게 아니라 어떻게 거기에 도달했는지 보고 싶거든요. 실제로 추론 자체를 보는 것이 매우 강력했습니다.

에이전틱 전쟁의 미래

냉전 시대의 “더 크고 더 큰 폭탄을 만든다”는 철학과는 정반대예요. 실제로는 파편화되고 더 작고, 더 민첩하고, 기여할 수 있는 자원들로 움직이는 것입니다.

또 다른 큰 그림 트렌드는 우리가 믿는 것인데, 에이전틱 전쟁이나 에이전틱 국방으로의 움직임이에요. 기본적으로 오늘날의 전쟁이 어떤 모습인지, 러시아-우크라이나나 다른 분쟁 지역을 보면, 의사결정 과정들이 놀랍도록 수동적이고 인간 중심적이에요.

매우 제한된 정보로 이런 매우 중요한 전투 시간 결정들이 이런 매우 수동적인 워크플로우에서 내려지고 있습니다. AI 에이전트를 사용한다면 완벽한 정보를 가질 것이고, 즉각적인 의사결정을 할 것이라는 게 매우 분명해요. 그래서 에이전트 중심의 전쟁과 에이전트 중심의 분쟁으로의 거대한 변화를 보게 될 것이고, 이런 분쟁들을 거의 이해할 수 없을 정도로 빠르게 움직이는 시나리오로 바꿀 잠재력이 있어요.

중국과의 AI 경쟁

오픈소스 모델과 스파이 활동

중국이 그들의 모델을 오픈소싱하거나 DeepSeek이 그들의 모델을 오픈소싱하는 것은 또 다른 매우 흥미로운 질문이에요. 세계 최고의 오픈소스 모델들이 이제 중국에서 나온다는 것이 이런 어색한 현실입니다.

중국 모델들이 왜 그렇게 좋은지에 대한 가장 간단한 설명은 스파이 활동이라고 생각해요. 이런 프론티어 모델들이 어떻게 훈련되는지에 대한 많은 비밀들이 있다고 생각합니다. 비밀이라고 하면 들리는 것보다 더 흥미진진하지만, 하이퍼파라미터를 어디에 설정할지에 대한 많은 작업과 지식, 트릭들과 직관들이 있어요.

중국 연구소들은 매우 빠르게 움직이고 가속화하며 빠른 진전을 만들 수 있었는데, 일부 매우 재능 있는 미국 연구소들조차 덜 빠르게 진전을 만들었어요. 순전히 이런 모델들을 훈련하는 방법에 대한 많은 비밀들이 프론티어 연구소들을 떠나서 이런 중국 연구소들로 돌아간다고 생각합니다.

에너지와 제조업의 격차

우리는 에너지 생산에서 매우 뒤떨어져 있는데, 이는 순전히 규제 때문이고 2초 만에 고쳐질 수 있지만 아직 그렇게 되지 않았어요. 그게 거대한 문제입니다.

미국의 총 그리드 생산을 보면 완전히 평평해 보이고, 중국의 총 그리드 생산을 보면 지난 10년 동안 두 배가 되었어요. 그냥 이런 정직한 상승 곡선입니다. 정말 놀라워요. 그냥 정책 실패예요.

중국은 대부분이 석탄이고, 중국에서는 석탄이 증가하고 있어요. 미국에서는 실제로 재생에너지가 많이 증가했지만, 재생에너지가 화석연료와 트레이드오프되어서 에너지 그리드의 전환을 했지만, 중국은 그냥 계속 복리로 증가하고 있습니다.

전력 생산에 이런 문제가 있지만 칩에서는 우리가 유리해요. 순순히 컴퓨팅에서는 우리가 앞서 나올 것이라고 생각합니다.

데이터를 보면 중국이 근본적으로 매우 잘 위치해 있다고 생각해요. 분명히 저작권이나 다른 프라이버시 규칙을 무시할 수 있고, 무자비하게 이런 대형 모델들을 구축할 수 있거든요. 두 번째 이슈는 실제로 중국에 데이터 라벨링을 위한 대규모 정부 프로그램들이 있다는 것입니다.

중국에서는 고용이 매우 큰 국가적 우선순위라서 AI 같은 전략적 영역이 있을 때 모든 일자리가 무엇인지 파악하고 그런 일자리들을 만드는 파이프라인을 만들어요.

창업자들을 위한 조언

정말로, 정말로, 정말로 신경 쓰기

가장 중요한 것은 정말로, 정말로, 정말로 신경을 써야 한다는 것입니다. 어떤 면에서는 젊음의 어리석음 같은 것인데, 젊을 때는 거의 모든 것이 천문학적으로 중요하게 느껴져서 엄청나게 노력하고 모든 세부사항에 신경을 쓰게 돼요. 모든 것이 당신에게 훨씬 더 중요하게 느껴지거든요.

그런 특성이 정말, 정말 중요하다고 생각해요. 몇 년 전에 “[ ]에 신경 쓰는 사람들을 고용하라”는 글을 썼는데, 정말 간단해요. 사람들을 인터뷰하거나 상호작용할 때, 그냥 대충 하는 사람들과 자신의 일에 매달리는 사람들을 구별할 수 있어요.

그들에게는 훌륭한 일을 하는 것이 너무나 엄청나고 강력하고 중요해서, 훌륭한 일을 하지 못할 때 그들을 갉아먹고, 훌륭한 일을 할 때는 자신에게 매우 만족하게 됩니다.

신경 쓰는 정도, 그리고 제가 사람들과 일하는 것을 얼마나 즐겼는지, 솔직히 그들이 Scale에서 얼마나 성공했는지의 가장 큰 지표 중 하나는 정말로 그들의 영혼이 하는 일에 얼마나 투자되어 있느냐는 것이었어요.

품질은 프랙탈하다

저는 회사에서 모든 채용을 여전히 검토해요. 회사의 말 그대로 모든 단일 채용을 승인하거나 거부하는 과정이 있습니다. 엄청나게 신경을 쓰고, 엄청나게 신경 쓰는 이런 모든 사람들과 일합니다.

우리 회사에는 “품질은 프랙탈하다”는 가치가 있어요. 높은 기준이 조직 내에서 스며든다고 믿습니다. 조직에서 아래로 갈수록 기준이 높아지는 조직을 보는 것은 매우 드물어요. 대부분의 경우 사람들이 자신의 관리자나 매니저의 매니저, 디렉터나 누구든 정말로 신경 쓰지 않는다는 것을 깨달을 때, 그들도 깊이 신경 쓸 필요가 없어진다고 생각하게 됩니다.

따라서 높은 기준과 품질에 대한 깊은 관심이 전체 조직의 깊이 박힌 신조가 되는 것이 엄청나게 중요해요.

마무리: 인류 지식의 확장

매우 흥미진진한 시기입니다. 인간 지식의 최전선이 어떻게 확장되는지 보는 것은 정말 놀라워요. 생물학 같은 분야에서 의학과 헬스케어, 그리고 다른 모든 것들에서 돌파구를 촉진할 것이고, 경제의 대부분은 인간들이 원하는 것을 제공하면서 계속 굴러갈 것입니다.

과학자가 되기에는 이상한 시대지만, 과학에게는 흥미진진한 시대예요. 미래에 대한 단편소설이 있는데, 효과적으로 AI들이 R&D 연구의 모든 최전선을 수행하고, 과학자들이 하는 일은 AI들이 만든 발견들을 보고 그것들을 이해하려고 노력하는 것이라는 내용입니다.

그 정도까지는 아니더라도, 정말 흥미진진한 시대예요. 앞으로 나아가면서 Scale이 어떻게 계속 진화하고 이 빠르게 변화하는 AI 세계에서 혁신을 이끌어갈지 기대됩니다. 함께해주셔서 감사하고, 다음에 또 만나요!

요약

이번 콘텐츠는 MIT 중퇴 후 YC에서 “인간 작업을 위한 API”로 시작해 자율주행차 데이터 라벨링에 집중하며 성장한 알렉산더 왕의 커리어 패스에 관한 인터뷰라고 해도 과언이 아닙니다. 왕은 2019년 OpenAI와 협력하면서 GPT-3, GPT-4를 거치며 스케일링 법칙의 중요성을 깨달았고, 현재 스케일 AI는 데이터 라벨링 회사에서 에이전트 기반 AI 애플리케이션 플랫폼으로 변화하고 있어요. 미래에는 모든 기업이 자체 파인튜닝된 모델을 핵심 IP로 가질 것이며, 인간은 AI 에이전트들을 관리하는 역할을 맡게 될 텐데요. 왕은 중국과의 AI 경쟁에서 에너지 생산과 제조업 격차의 우려를 표명했습니다. 왕이 생각하는 성공적인 창업의 핵심은 “세심하게, 끝까지 일을 붙잡는” 자세이며, 조직의 모든 영역에 높은 기준을 적용해야 한다고 강조했어요.