원문 제목: The Untrainable
원문 저자: Sarah Guo, Conviction
번역: Peggy, BlockBeats
편집자 주: AI 능력이 계속해서 도약하면서, 투자 업계에는 새로운 비관적 전망이 나타나고 있습니다. 모델이 점점 더 강력해지면 모든 애플리케이션 기업이 결국 Anthropic, OpenAI, Nvidia 같은 모델 및 컴퓨팅 파워 계층에 흡수되어, 시장에는 최첨단 모델, 컴퓨팅 파워, 그리고 소수의 인프라만 남게 될 것이라는 주장입니다. 하지만 Sarah Guo는 이러한 전망이 절반만 맞았다고 봅니다. 'thin wrapper'(얇은 포장, 즉 모델을 단순히 껍데기처럼 활용하는 애플리케이션)는 실제로 흡수될 것이며, 벤치마크(기준 테스트)로 측정 가능하고, 공개 데이터로 훈련 가능하며, 저비용으로 검증 가능한 모든 작업은 점차 상품화될 것입니다.
진짜 문제는 이것입니다: AI가 훈련 가능한 모든 것을 집어삼킨 후, 무엇이 여전히 훈련 불가능한 상태로 남을까요?
이 글의 답변은 실제 조직 내부에 존재하며, 외부에서 쉽게 복제할 수 없는 가치에 있습니다: 기업의 사적 데이터, 복잡한 워크플로우, 사용자 신뢰, 시스템 권한, 업계 판단력, 규정 준수 책임, 그리고 장기 운영을 통해 축적된 경험입니다. 모델은 더 똑똑해질 수 있지만, 자동으로 은행의 생산 시스템에 진입할 수는 없습니다. 의료 답변을 생성할 수 있지만, 의사의 신뢰와 병원의 의사 결정 프로세스를 직접 얻을 수는 없습니다. 법률 텍스트를 작성할 수 있지만, 고위 변호사의 책임을 대신할 수 없으며, 무엇이 적격한 법률 작업인지 공중에서 정의할 수도 없습니다.
따라서 미래에 진정한 해자(경쟁 우위)를 가진 AI 기업은 단순히 범용 모델보다 더 똑똑한 것이 아니라, 특정 업계 내부로 깊이 들어가 어렵지만 핵심적인 '번역' 작업을 완료하는 것입니다: 고객의 사적 현실, 도구, 프로세스, 판단 기준을 모델이 실행할 수 있는 시스템으로 정리하고, 장기 서비스를 통해 점차 '무엇이 좋은 결과인지'에 대한 정의를 기록하는 것입니다. AI가 강력해질수록, 측정 가능하고 복제 가능한 작업의 가치는 하락할 것입니다. 반대로, 역사, 관계, 권한, 전문적 판단을 포함한 '훈련 불가능한 것들'의 가치는 더욱 부각될 것입니다. 이것이 바로 모델이 집어삼킨 후에도 여전히 보존될 수 있는 진정한 가치입니다.
다음은 원문입니다:
2026년 중반, 투자자 버전의 'AI 정신 착란'은 투자할 가치가 있는 것이 아무것도 없다는 절망감입니다: 우리는 모든 돈을 Anthropic과 Nvidia에 쏟아붓고 집에 가서 자야 하는 것처럼 느껴집니다. 하지만 저는 이런 느낌을 가져본 적이 없습니다. 지난 여러 작은 버전 동안, 저는 모델이 이미 저보다 더 똑똑하다고 확신해 왔습니다. 시장 가격으로 Anthropic과 Nvidia를 매수하는 것도 기꺼이 할 것입니다. 제 주변에서 가장 똑똑한 친구들도 모델의 자기 개선이 곧 실제로 작동할 것이라고 확신합니다. 하지만 저는 여전히 이런 절망감을 느끼지 않습니다.
이러한 절망은 어리석지 않다. 그 논리는 이렇다: 만약 모델이 모든 면에서 지속적으로 강해진다면, 모델 위에 구축된 모든 기업은 단지 모델에 흡수되기를 기다리는 얇은 껍질에 불과하며, 최종적으로 남는 가치는 연산 능력과 최첨단 모델 가중치뿐이다.
소프트웨어를 예로 들면, 이 절망감이 가장 의존하는 사례다. Devin이 2024년 출시되었을 때, 표준 소프트웨어 벤치마크에서 13%의 작업만 해결할 수 있었기에 시장에서 대체로 무시당했다. 1년 반 후, 가장 강력한 Agent는 80% 이상의 높은 점수를 달성했고, 골드만삭스와 미 육군 내부에서 실제 업무를 처리하기 시작했다. 거의 모든 사람이 동일한 잘못된 결론을 내렸다: 모델이 소프트웨어 엔지니어링을 집어삼켰다고.
하지만 모델이 소프트웨어 엔지니어링에서 가장 측정하기 쉬운 부분을 집어삼킨 후, 우리는 많은 팀이 이미 알고 있던 사실을 재인식하게 되었다: 엔지니어링은 원래 측정을 거부해 왔으며, 가장 측정하기 쉬운 부분이 반드시 유일하게 중요한 부분은 아니라는 것이다.
MIT의 Mert Demirer와 그의 공동 연구자들은 마침내 이를 정량화했다: 10만 명 이상의 개발자 중 최신 세대 코딩 Agent는 코드 작성량을 약 180% 증가시켰지만, 실제로 배포된 코드량은 약 30%만 증가했다. 코드 작성은 저렴해졌지만, 나머지 단계는 여전히 사람을 거쳐야 하며, 이러한 단계는 중요하다. 물론 전체 순영향은 여전히 놀랍다.
벤치마크는 측정할 수 있는 것이며, 측정 가능한 모든 것은 훈련에 사용될 수 있다. 따라서 코딩 Agent가 가장 먼저 성숙했다: 컴파일러는 무료 검증기이고, 테스트 스위트도 무료 검증기다. 답변을 거의 제로 비용으로 자체 점검할 수 있을 때, 그 점검 신호를 중심으로 계속 다듬어 한계까지 밀어붙일 수 있다.
하지만 테스트를 통과한다고 해서 그 변경이 10년 동안 운영된 코드베이스에 올바르다는 의미는 아니다. 그 모듈이 존재하는 데는 문서화되지 않은 세 가지 이유가 있을 수 있으며, 배포 파이프라인은 아무도 자신이 작성했다고 인정하지 않는 cron job으로 간신히 유지될 수 있다.
이러한 정확성은 리더보드에서 읽을 수 없으며, 어떤 것에서도 직접 읽을 수 없다. 그저 이렇게 복잡한 시스템이 실제 세계에서 충분히 오래 작동하도록 해야만 그것이 진정으로 효과적인지 알 수 있다. 더 똑똑한 모델이 실제 세계를 더 빠르게 작동하게 하지는 않는다. 아무도 Google만 한 규모의 시스템에서 단위 테스트를 실행하고 초록색 체크 표시를 보고 완전히 안심하지 않는다. 당신이 그것을 신뢰하는 이유는 수년간의 실제 부하를 견뎌냈기 때문이다.
이러한 정확성은 사적일 뿐만 아니라, 천천히 형성되는 해자이며, 자본이 직접 시간을 압축할 수 없는 해자다. 낙관론자조차도 이 시계를 건너뛸 수 없다고 인정한다. OpenAI 추론 모델의 선구자 Noam Brown은 최근 이렇게 썼다: 1년 주기에서 Agent의 성과를 평가하는 유일한 신뢰할 수 있는 방법은 실제로 1년 동안 작동시키는 것일 수 있다고.
Gabe Pereyra가 말했듯이, 진정한 자동화는 단순히 모델이 더 강력해지는 것이 아니다. 그것은 제품, 모델, 워크플로우, 그리고 회사 조직이 함께 변화하는 것이며, 이 네 가지 중 세 가지는 조직의 속도에 맞춰 움직인다.
사람을 움직이게 하는 것은 어떤 벤치마크도 닿을 수 없는 부분이다: 회의적인 파트너가 업무 방식을 바꾸도록 설득하고, 팀이 재구축 과정에서 결속력을 유지하도록 하는 것. 이것이 바로 우리가 CEO를 채용할 때 분석 능력 못지않게 사람을 다루는 능력을 중시하는 이유다. 모델이 더 똑똑해진다고 해서 이 비중이 바뀌지는 않는다.
여기서의 피드백은 모호하고, 시간 단위는 년 단위이며, 신뢰는 특정 개인에게 속한다. 내가 아는 모든 회사는 이미 모든 엔지니어에게 최첨단 코딩 모델을 사용하게 했지만, 어떤 회사의 엔지니어링 조직도 모델 발전 속도에 근접한 속도로 변화하지 않았다. 도구를 도입하는 데는 한 분기밖에 걸리지 않았고, 그 한 분기는 정말 놀라운 토큰 성장기였다! 하지만 진정한 재구축에는 수년이 필요하다.
가시적인 작업은 사라지고 있다. 진정으로 가치 있는 작업은 구조적으로 읽을 수 없다: 당신이 리더보드에 올릴 수 있는 모든 것은 훈련에 사용될 수 있다. 따라서 측정 가능한 모든 것은 이미 상품화되고 있다. 이 과정은 시간이 걸리고 결코 완전히 끝나지 않지만, 방향은 결코 역전되지 않는다.
내 친구이자 Rippling의 Matt MacInnis의 표현을 빌리자면, 이를 금전적 언어로 바꾸면 이렇다: 일반적인 질문에 답하는 데만 사용되는 토큰은 거의 가치가 없다. 누구의 모델이든 답할 수 있기 때문이다. 하지만 회사 데이터 위에서 추론하는 토큰은 훨씬 더 가치가 있다. 단지 그럴듯한 답변을 생성하는 것이 아니라, 당신이 진정으로 원하는 일을 하기 때문이다.
읽을 수 있는 작업은 두 방향에서 잠식될 것이다.
아래에서 보면, 작업은 포화 상태에 이른다: 일단 어떤 작업이 저비용으로 검증 가능해지면, 구매자는 더 이상 어떤 모델이 그것을 완료했는지 신경 쓰지 않고, 대신 비용이 얼마인지 묻기 시작한다. 그러면 그 작업은 그 주에 가장 저렴한 오픈소스 모델이나 증류 모델의 손에 넘어간다. 수익률이 작용할 수 있다면, 결국 그것은 반드시 작용할 것이다.
위에서 보면, 연구소들은 모델이 자체 스캐폴딩을 잠식하도록 만들고 있다. 검색, 저비용 호출과 고비용 호출 간의 라우팅, 도구 사용, 심지어 추론 전략까지—한때 모델을 감싸고 있던 모든 장치들이 이제 모델 가중치 안으로 끌어들여지고 있으며, '외피' 자체가 모델이 될 때까지 진행된다. 이것이 흡수 경계다.
수익 압력은 다른 방향에서도 작용한다: 범용 Agent는 어떤 상황이든 처리할 준비가 되어 있어야 하므로 비용이 높다. 반면, 집중형 애플리케이션은 하나의 워크플로우를 극한까지 최적화하여 극히 일부의 토큰만 소모하도록 만들 수 있다. 그리고 이러한 토큰을 판매하는 연구소와 달리, 애플리케이션 회사는 그 중간 차액을 남길 수 있다.
따라서 우리는 어떤 작업에든 두 가지 질문을 던질 수 있습니다. 그 작업의 정확성이 사적이고 비용이 많이 드는지, 즉 특정 회사의 데이터 내부에만 존재하는 진실인지 여부입니다. 또한 외부인이 접근할 수 없는 시스템에 격리되어 있는지도 질문할 수 있습니다. 이러한 질문을 작업의 포화 정도와 결합하면 2×2 매트릭스가 도출됩니다.
이미 포화 상태이고 답변이 공개된 작업은 상품화된 토큰의 영역이며, 오픈소스 모델이 이를 차지할 것입니다. 반면, 최첨단이지만 답변이 공개된 작업(예: 코딩 벤치마크)은 연구소가 승리하는 영역입니다. 평가가 무료일 때, 이를 소유하는 것 자체는 가치가 없기 때문입니다.
진정한 보상은 마지막 코너, 즉 '훈련 불가능한' 코너에 있습니다. 바로 최첨단 작업이지만 그 정확성이 사적 환경에만 존재하는 경우입니다. AI 네이티브 선구자에게 서비스를 제공하는 추론 클라우드에서 이를 확인할 수 있습니다. 대부분의 토큰은 범용 오픈소스 모델이 아닌 맞춤형 모델에 의해 생성됩니다.
이 마지막 코너로 통하는 벽은 높낮이가 다양합니다. 개발자의 장난감 코드베이스는 이전 가능하고 표준화되어 있으므로 기어 들어가기가 어렵지 않습니다. 그러나 은행의 프로덕션 시스템은 이전도 불가능하고 표준화도 되어 있지 않습니다. SWE-Bench Verified에서 2% 더 똑똑해진다고 해서 해당 시스템의 루트 권한을 얻을 수는 없습니다.
능력은 많은 것을 집어삼키지만, 더 나은 모델이 사적인 진실 기준을 공개 기준으로 바꾸지는 않습니다. 라이선스를 보유하지 않으며, 책임에 서명하지 않고, 회사의 문서를 소유하지도 않습니다. 답변이 틀렸을 때 소송을 당하는 대상이 될 수도 없습니다. 여기서의 병목 현상은 지능이 아니라 권한이자 책임입니다. 누구보다 똑똑한 모델을 상상할 수 있지만, 여전히 문 안으로 들어가도록 허용되어야 하며, 그 모델이 한 일에 누군가는 서명을 해야 합니다.
그 문에는 자물쇠와 빗장이 있습니다.
자물쇠는 환경입니다. 시스템 내부에서 신뢰를 얻고, 보안 검토를 통과하고, 통합을 완료하고, 결과에 대한 책임이 있는 계약에 서명한 후에야 AI가 실제로 유용한 일을 했는지 검증할 수 있습니다.
빗장은 사용자입니다. 오늘날 대부분의 미국 의사는 매일 OpenEvidence를 엽니다. 이는 어떤 컴퓨팅 파워로도 살 수 없는 것입니다. 연구소는 내일 완벽한 의료 모델을 훈련시킬 수 있지만, 여전히 의사의 사용 습관이나 UCSF의 의사 결정 프로세스에 접근할 방법이 없습니다. 신뢰는 관계와 사용자의 묵시적 동의를 통해 천천히 구축되기 때문이며, 경사 하강법으로 이러한 것들을 지울 수 없기 때문입니다.
이것이 바로 애플리케이션 회사의 역할입니다. 애플리케이션이 '훈련 불가능한' 코너에서 자리를 차지할 수 있는 이유는 화려하지 않은 작업 덕분입니다. 즉, 회사의 사적 현실을 정리하여 모델이 이를 기반으로 행동할 수 있게 하고, 모델에 행동 도구를 제공하며, 고객과 함께 노동력의 실제 운영 방식을 변화시키는 것입니다.
이러한 '번역'을 완성할 수 있는 기업은 쉽게 복제될 수 없으며, 이러한 번역은 결코 끝나지 않습니다. 통합과 유지보수는 고객 관계와 함께 지속됩니다. 이 싸움에서 승리하는 것은 도메인 전문 엔지니어와 도구를 고객 곁에 배치하는 팀입니다.
예를 들어, 최고의 전통 로펌 중 한 곳에서는 M&A 업무만 연간 약 1,000건에 달합니다. 수백 명의 법률 비서가 각각 고객 파일을 데스크톱에 다운로드한 후 일반 에이전트에게 넘겨 전체를 읽게 할 수는 없습니다. 기밀 유지 문제만으로도 불가능하며, 그 외에도 수십 가지 문제가 있습니다. 설령 가능하더라도 배울 수 있는 것은 단편에 불과합니다. 한 비서가 한 번에 한 가지씩 수정하지만, 누구도 거래 전체가 어떻게 흘러가는지 볼 수 없습니다.
진정으로 중요한 신호는 거래 수준에 존재합니다. 하나의 거래는 고유한 형태를 가집니다. M&A의 경우 NDA, 조건 요약서, 실사, 매매 계약, 부속 문서, 클로징 리스트입니다. 지식 재산권 소송의 경우 신청서, 증거 개시, 선행 기술, 추가 신청서입니다. 각 업무 영역은 고유한 구조를 가지며, 변호사와 도구도 함부로 교체할 수 없습니다.
그리고 이 로펌이 실제로 해결해야 할 문제는 더 높은 차원에 있습니다. 즉, 최고 파트너가 수백 개의 사안을 병렬로 관리하면서 동시에 신규 사건을 유치하고 비서 변호사를 육성하는 것처럼, 모든 업무 영역을 동시에 운영하는 방법입니다. 이러한 기업을 개조하는 것은 단일 평가 과제를 작성할 수 있는 문제가 아닙니다. 이를 처리하려면 '데이터 야구'를 하듯이 운영하는 조종자가 필요합니다. 중간 목표는 극도로 모호하고, 피드백은 불완전하며, 주기는 매우 길고, 환경 자체도 정지되지 않습니다.
불행히도, 읽을 수 없는 가치는 판매하기 어렵습니다. 그 이유는 상품화가 어려운 이유와 같습니다. 기업은 외부에서 AI가 벤치마크 테스트에서 보여주는 것처럼 운영을 개선할 수 있는지 판단할 수 없습니다. 따라서 가장 강력한 기업은 외부에서 스스로를 증명하려는 시도를 중단하고, 먼저 고객 내부로 진입한 후 결과에 대해 가격을 책정합니다.
Sierra는 에이전트가 고객 문제를 해결했을 때만 요금을 청구합니다. 문제가 인간에게 전달되면 요금을 청구하지 않습니다. 따라서 가격 자체가 평가 메커니즘이 됩니다. 이것이 가능한 이유는 Sierra가 '해결됨'의 정의권을 가지고 있기 때문입니다. Cognition의 Devin은 소프트웨어 분야에서 동일한 작업을 수행하며 '성능 보장'을 출시했습니다. 시스템 내부로 신뢰받아 진입해야만 결과에 대한 이러한 보장을 제공할 자격이 생깁니다.
토큰 서비스를 제공하는 계층, 즉 모든 사람이 순수 상품이라고 부르는 계층에서조차도 그 성능은 상품처럼 작동하지 않습니다. 최고의 AI 네이티브 기업은 Baseten이나 Fireworks와 같은 한두 개의 공급업체에 서비스를 집중합니다. 토큰당 비용은 시간이 지남에 따라 상품화되지만, 실제 트래픽 하에서의 신뢰성과 희소한 컴퓨팅 파워에 대한 안정적인 접근은 상품화되지 않습니다. 추론 서비스를 어디에서 제공할지와 어떤 모델을 사용할지는 두 가지 다른 선택입니다. 추론에서 진정으로 상품처럼 작동하는 유일한 부분은 가격입니다.
한 가지 흔한 반론은 이렇습니다: 연구소가 당신의 공급업체라면, 왜 자체 1차 제품을 원가 이하로 덤핑해서 당신을 몰락시키지 않을까? 아니면 API 접근 권한을 직접 철회하고 시장을 가져가지 않을까? 이것이야말로 그 절망감의 진짜 버전입니다. 하지만 이는 모델 레이어가 싱글 플레이어 게임일 때만 성립합니다.
분명히 현실은 그렇지 않습니다. 모델 레이어는 오히려 3.5명의 플레이어가 벌이는 데스매치에 가깝고, 그 옆에는 훈련 진도가 약 6개월 뒤처진 국제 플레이어들과 작년 대비 규모가 5배로 커진 발전 리그가 있습니다. 고객은 공급업체 간 경쟁을 원하며, 연구소는 특정 애플리케이션을 죽이는 것보다 시장 점유율을 더 원합니다.
연구소가 정면으로 경쟁하는 시장에서 이를 확인할 수 있습니다. 소비자 채팅 시나리오에서 최고의 모델이 단순히 모든 시장을 독차지하지는 않았습니다. ChatGPT는 수년간의 실제 경쟁 속에서 선두를 유지해 왔습니다. 현재 잃고 있는 점유율은 Gemini로 흘러가고 있으며, 그 이유는 모델이 더 뛰어나서가 아니라 Android와 검색의 유통 능력 때문입니다. Anthropic은 현재 예측 시장과 인터넷 분위기에서 최고의 모델을 보유한 것으로 평가받지만, 소비자 채팅에서는 거의 주요 플레이어가 아니며 기업 및 코딩 시나리오에서 사업을 구축했습니다.
더 나은 모델조차 가장 핵심적인 애플리케이션에서 경쟁사의 사용자를 빼앗지 못한다면, 통합을 통해 병원의 진료 기록 시스템이나 은행의 책임 체계를 쉽게 장악하지도 못할 것입니다. 오늘날 대중이 제품을 선택하는 기준은 단순히 코딩 능력만이 아닙니다. 최첨단 모델 레이어가 여전히 혼잡하다면, 그 위에 있는 애플리케이션 레이어는 가치를 지닐 것입니다.
어떤 작업이 외부에서 평가될 수 없다면, 내부에서 누군가가 무엇이 좋은 답변인지 결정해야 합니다. 그리고 이 결정이 바로 게임 그 자체입니다. 이러한 결정이 충분히 많이 기록되면 벤치마크가 됩니다. Harvey는 법률 분야의 벤치마크를, Sierra는 음성 에이전트의 벤치마크를 공개했습니다. 당신이 어떤 분야에서 '좋은' 것이 무엇을 의미하는지 정의할 권리를 가지는 이유는, 그 분야가 이미 당신을 사용하고 있기 때문입니다. 그리고 이러한 회사들은 실제 도입 과정에서의 치열한 투쟁을 통해 그 권리를 얻습니다.
실제로 자금의 흐름을 결정하는 평가는 비공개적이며, 회사별로 형성됩니다: 이 회사는 이런 사안에 대해 무엇을 좋은 작업으로 받아들일 것인가. 그리고 이 작업은 법률의 깊이가 공개 테스트를 훨씬 넘어서기 때문에 아직 완료되지 않았습니다. OpenEvidence는 안전한 임상 답변이 무엇인지 정립하고 있습니다.
이 모든 것은 사실 진정한 의미의 '측정'이 아니라, 무엇이 진실이고 무엇이 좋은지에 대한 판단입니다. 이러한 판단은 기록되어, 결국 다른 모든 사람들이 평가받는 기준이 됩니다. 기초 모델 연구소가 아무리 똑똑해져도, 이러한 기준을 공중에서 만들어낼 수는 없습니다. 그러한 지위는 오직 해당 분야 내부에만 존재하기 때문입니다.
이러한 권위는 대개 원래 존재하던 곳에 머무르는 경향이 있다. 베테랑 변호사가 법적 기준을 세운다. 안전한 임상적 답변을 정의하는 것은 의사다. '해결됨'이 무엇을 의미하는지는 이미 고객 관계를 구축한 기업이 결정한다.
흡수 경계는 계속 상승할 것이다. 우리가 더 많은 작업을 측정하는 법을 계속 배워나가고, 측정 가능한 것은 결국 흡수되기 때문이다. 훈련 불가능한 영역은 그 위에 서 있는 사람들의 발밑에서 계속 줄어들기 때문에, 방어 가능한 위치를 찾았다고 멈출 수 없다. 아직 평가할 수 없는 곳으로 계속 나아가야 하며, 지속적으로 리스크를 재인수하고 재판단해야 한다.
좁은 범위의 작업에서, 당신의 사적 데이터와 자체 평가 체계를 활용해 최첨단 수준까지 훈련시키고 핵심 시나리오에서 범용 모델을 이길 수 있다. 이 전용 모델은 해자(moat)의 일부가 된다. 반면, 범용 모델의 성능을 놓고 경쟁한다면 그것은 자본 전쟁이며, 가장 많은 연산 능력을 가진 자에게 패배할 것이다. 이는 얕은 접근 권한만 가지고 있고 작업이 매우 가독성이 높은 기업들이 가장 빠지기 쉬운 함정이기도 하다.
한 기업이 생존을 위해 광범위한 일반 작업에서 최첨단 모델을 능가하는 성능을 훈련시키기로 결정할 때, 승패는 대개 데이터센터 규모에 의해 이미 결정된 것처럼 보인다. 결말은 독립적인 챔피언이 등장하는 것이 아니라, 충분한 연산 능력을 가진 플레이어에게 매각되는 경우가 대부분이다.
위의 내용은 모두 방어에 관한 것이다. 더 어려운 것은 공격이다: 먼저 무엇을 구축할지 결정하는 것. 이것이 내가 올해 내내 찾고 있던 것이며, 아마도 세 번 정도만 찾은 것 같다. 모델은 이 일에 도움이 되지 않는다. 당신이 가리키는 방향으로 모델은 작동하지만, 무엇이 가리킬 가치가 있는지 알려주지는 않는다. 이를 위한 벤치마크 테스트를 만들 수 없기 때문에 훈련시킬 수도 없다.
이것이 바로 기존 거대 기업들이 모든 것을 차지하지 못하는 이유이기도 하다: 그들은 이미 소유한 영역을 지키고, 다음 것은 다른 사람들보다 먼저 용도를 발견한 누군가로부터 나온다. 아마도 의도(intent)는 연산 능력보다 더 희소한 투입 요소일지도 모른다.
이러한 절망감은 절반은 맞다. 얇은 껍질 층은 실제로 흡수되고 있으며, 오늘날 많은 기업처럼 보이는 것들은 실제로 얇은 껍질에 불과하다. 그러나 '흡수 후에 무엇이 남는가'에 대한 판단은 틀렸다. 메커니즘은 명확하지만, 종착점은 그렇지 않다.
내가 걸고 싶은 방향은 이것이다: 지능은 계속 더 저렴해질 것이고, 가치는 소수의 모델이 도달할 수 없는 곳으로 계속 흘러갈 것이다. 훈련 불가능한 것은 역사를 가진 가치다.
그러니 그러한 영역 중 하나로 들어가, 화려하지 않은 번역 작업을 수행하고, 그곳에서 '좋음'의 정의를 쓰기 시작하라. 누군가는 반드시 그렇게 할 것이기 때문이다. 올해 가장 자주 인용된 벤치마크 점수는 곧 가치를 잃을 영토 지도이자, 어떤 사람들에게 '좋음'을 정의할 권리를 곧 잃게 될 것이라는 통지이기도 하다.
[원문 링크]
BlockBeats 공식 커뮤니티에 참여하세요:
Telegram 구독 그룹:https://t.me/theblockbeats
Telegram 토론 그룹:https://t.me/BlockBeats_App
Twitter 공식 계정:https://twitter.com/BlockBeatsAsia