원본 영상은 Lex Fridman Podcast #333입니다. 3시간이 넘는 긴 대화라 모든 주제를 따라가기보다, Karpathy의 세계관이 어디서 출발했는지 보이는 지점만 고릅니다. 이 영상은 최근의 Software 3.0, LLM OS, 하니스 논의의 전사처럼 읽을 수 있습니다.
영상이 한 말은 클립과 짧은 자막 근거로 남기고, 해석과 내 생각은 분리했습니다.
한눈에 보기
- MECE 위치: 장기 세계관 인터뷰 / 테슬라와 AGI의 연결.
- 핵심 질문: 신경망은 소프트웨어를 어떻게 바꾸고, 언어모델은 그 변화의 어디에 있는가?
- 블로그 연결: Software 2.0, 도구 접근, embodied AI, EduTech.
핵심 클립과 해석
1. [0:58] 신경망은 무엇인가
“neural network”
대화는 신경망의 직관에서 시작한다. 카파시는 신경망을 마법 상자가 아니라, 조정 가능한 수많은 손잡이가 데이터에 맞춰지는 구조로 설명한다. 이 기초가 중요하다. LLM도, 자율주행도, 로봇도 결국 데이터와 목적 함수가 만든 함수다.
2. [41:53] 언어모델로 이동하는 순간
“language models”
언어모델은 오래된 과제였지만, 충분히 큰 신경망과 데이터가 붙으면서 성격이 바뀌었다. 단어를 예측하는 모델이 지식, 추론, 코드, 대화의 표면을 갖게 된다. 여기서부터 Software 3.0의 재료가 보인다. 자연어가 설명이 아니라 인터페이스가 된다.
3. [47:47] 신경망에게 도구를 준다는 것
“access”
카파시는 신경망에 계산기, 웹, 버튼, 도구 접근을 주는 방향을 말한다. 이 생각은 지금의 tool calling과 agent harness로 이어진다. 모델 단독의 지능보다 중요한 것은 모델이 어떤 환경에서 행동할 수 있는가다.
4. [1:06:37] 신경망이 소프트웨어를 먹는다
“neural Nets are taking over”
이 구간은 Software 2.0 관점의 핵심이다. 손으로 작성한 규칙이 신경망으로 대체되는 순간, 개발은 코드 작성에서 데이터, 훈련, 평가, 배포 루프 설계로 이동한다. 지금 에이전트형 개발에서 같은 일이 다시 일어난다. 코드 생성 자체보다 검증 루프가 중요해진다.
5. [2:13:51] 테슬라는 현실 세계의 학습 시스템이다
“Tesla”
자율주행은 자동차 기능이 아니라 대규모 현실 데이터 학습 시스템이다. 센서, 라벨링, 시뮬레이션, 모델, 차량 배포가 루프를 만든다. 이 구조는 블로그 자동화와도 닮았다. 글 하나를 잘 쓰는 것보다, 계속 더 나은 글을 만들게 하는 피드백 루프가 중요하다.
6. [2:45:40] AGI를 묻는 방식
“AGI”
AGI 논의는 추상적일 수 있지만, 카파시는 언어모델과 로봇, 도구 접근, 학습 루프로 다시 끌어온다. 이 관점에서는 AGI가 단일 모델 이름이 아니라, 모델이 세계와 상호작용하고 자신을 개선하는 시스템 문제로 보인다.
7. [3:13:03] 계속 배우는 사람
“learning”
긴 대화의 끝에서 남는 것은 학습 태도다. 카파시는 연구자이면서도 계속 설명하고, 코드를 공개하고, 강의를 만든다. 그래서 그의 영상은 정보 요약보다 학습 하니스로 쓸 가치가 있다. 어떻게 배워야 하는지를 보여준다.
내 생각
이 영상은 카파시를 “LLM 시대의 해설자”로만 보면 놓치는 배경을 준다. 그는 언어모델 이전부터 신경망이 소프트웨어의 성격을 바꾸는 장면을 보고 있었다. 그래서 최근의 agentic engineering도 갑자기 나온 유행어가 아니라 긴 흐름의 다음 장면처럼 보인다.
내가 가져갈 문장은 단순하다. 모델은 혼자 존재하지 않는다. 데이터, 도구, 현실 피드백, 교육, 배포 루프가 붙을 때 모델은 시스템이 된다. 블로그도 마찬가지다. 글이 아니라 시스템을 만들어야 한다.
댓글
GitHub 계정으로 의견을 남길 수 있습니다. 댓글은 GitHub Discussions에 저장됩니다.