Partnering With Flapping Airplanes

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

플래핑 에어플레인스는 데이터 부족을 AI 확장의 핵심 병목으로 보고, 젊은 원석 인재에게 장기적인 연구 독립성을 제공해 생물학처럼 데이터 효율적인 AGI 모델을 탐구하는 연구소를 지향한다.

📌 핵심 요약

• 벤 스펙터(25세), 애셔 스펙터(26세), 에이단 스미스가 공동창업한 플래핑 에어플레인스는 박사과정이나 퀀트 회사로 향했을 젊은 원석 인재를 모아 ‘젊은 사람들의 AGI 연구소’를 구축하고 있다.
• 회사는 현재 AI 발전의 핵심 병목이 컴퓨팅 자원이 아니라 유한한 인터넷 데이터이며, 오늘날의 모델은 데이터를 매우 비효율적으로 사용한다고 판단한다.
• 글은 컴퓨트 우선 접근이 클러스터 규모와 1~2년의 단기 성과를 중시하는 반면, 연구 우선 접근은 AGI까지 필요한 2~3개의 돌파구를 찾기 위해 5~10년의 장기·저확률 연구를 폭넓게 시도한다고 구분한다.
• 플래핑 에어플레인스는 박사과정과 유사한 연구 독립성과 긴 시간 지평을 제공하면서 학계와 빅테크 사이의 보상 격차를 줄여, 기초 연구 인재가 규모 확장 업무로만 이동하는 문제에 대응하려 한다.
• 회사는 응용 제품의 수익 창출보다 AGI 지능의 향상에 전념하는 조직으로 소개되며, 젊은 인재도 기초과학을 발전시킬 수 있고 AI 연구는 똑똑하고 야심 있는 사람이 학습할 수 있다는 두 가지 인재 철학을 내세운다.

🧩 주요 포인트

1. 인터넷 데이터의 유한성과 현행 모델의 낮은 데이터 효율성 → 연산 규모만 확대하는 방식에서 벗어나 더 적은 데이터로 학습하는 모델 연구가 다음 AI 발전의 핵심 과제로 제시된다.
2. 컴퓨트 우선의 1~2년 성과와 연구 우선의 5~10년 실험 → AGI 탐색에는 단기 확장뿐 아니라 성공 확률이 낮더라도 가능성의 범위를 넓히는 장기 연구에 자원을 배분해야 한다는 논리로 이어진다.
3. 명문 경력보다 젊은 원석 인재와 연구 독립성을 중시하는 채용 → 급진적이고 비주류인 아이디어가 조직 정치나 단기 성과 압력에 밀리지 않도록 하는 대안적 연구 환경을 지향한다.

🧠 상세 정리

1. 창업진과 ‘젊은 사람들의 AGI 연구소’

글의 필자들은 벤과 애셔 스펙터를 만난 뒤 창업자의 역량과 회사의 독자적인 비전에 동시에 확신을 느꼈다고 설명한다. 벤은 실리콘밸리의 인재 인큐베이터로 소개된 프로드의 창업자이며, 애셔는 토론 챔피언 출신의 스탠퍼드 통계학 박사다. 공동창업자 에이단 스미스는 창업 경험이 있는 틸 펠로로, 조지아공대 재학 중 뉴럴링크에서 3년간 근무했다. 각각 25세와 26세인 스펙터 형제는 이들과 함께 ‘젊은 사람들의 AGI 연구소’를 만들며, 과거라면 박사과정이나 퀀트 회사로 갔을 원석 인재를 AI 발전의 다음 단계를 여는 핵심으로 본다. 이는 유명 기관 경력을 가진 AI 인재를 비용과 무관하게 확보하려는 당시의 유행과 의도적으로 대비되는 접근이다.

2. 컴퓨트보다 데이터 효율성을 병목으로 규정

플래핑 에어플레인스는 규모 확대만으로는 AI 지능을 계속 발전시키기에 충분하지 않다는 전제에서 출발한다. 글은 인터넷이라는 데이터 원천이 하나뿐이며 이미 활용 가능한 데이터가 소진되고 있다는 표현을 통해, 현재의 병목이 컴퓨팅 자원이 아니라 데이터라고 주장한다. 또한 오늘날의 AI 모델이 학습 데이터를 매우 비효율적으로 사용한다는 점을 핵심 문제로 제시한다. 이에 따라 회사의 연구 목표는 더 큰 연산 자원을 투입하는 데 머무르지 않고, 더 적은 데이터로 높은 지능을 구현하는 모델을 찾는 데 맞춰진다. 생물학적 지능의 데이터 효율성은 이 연구 방향의 기준점이며, 플래핑 에어플레인스라는 회사명도 기계 지능을 보다 생물학적으로 바라보는 관점을 반영한다.

3. 규모 확장과 장기 연구의 자원 배분

글은 현재 AI 분야의 근본적인 논쟁을 규모 확장과 연구 중심 접근의 대립으로 정리한다. 규모 확장 진영은 오늘날의 대규모 언어 모델을 계속 키우는 데 사회가 동원할 수 있는 막대한 자원을 투입하면 AGI에 도달할 수 있다고 본다. 연구 진영은 AGI 수준의 지능까지 2~3개의 연구 돌파구가 더 필요하다고 보고, 결실까지 5~10년이 걸릴 수 있는 장기 프로젝트에 자원을 배분해야 한다고 주장한다. 두 접근은 완전히 분리되지 않는데, 연구 성과는 컴퓨팅 투자의 효율을 높이고 새로운 연구에도 GPU가 필요하기 때문이다. 다만 컴퓨트 우선 접근이 클러스터 규모와 1~2년의 성과를 우선한다면, 연구 우선 접근은 개별 성공 확률이 낮더라도 전체적으로 가능한 해법의 탐색 범위를 넓히는 여러 장기 실험을 허용한다.

4. 박사과정형 연구 환경의 대안

필자는 AI 기업들이 박사과정의 인재를 대거 흡수하고 이들을 기초 연구보다 규모 확장 업무에 배치하면 오히려 AGI 도달 시점이 늦어질 수 있다고 우려한다. 기업 정치는 유행하고 합의된 아이디어를 선호하는 반면, 과학적 돌파구에 필요한 급진적이거나 인기 없는 아이디어는 가치를 입증하기까지 수년이 걸릴 수 있다는 이유다. 플래핑 에어플레인스는 이러한 문제에 대응해 진정한 연구 독립성과 긴 시간 지평을 갖춘 박사과정형 경험을 제공하려 한다. 동시에 학계와 빅테크 사이의 보상 격차를 줄여, 연구자가 경제적 이유만으로 장기 기초 연구를 포기하지 않도록 하는 조직을 지향한다. 글은 지난 10년간 기초과학의 진전이 큰 경제적 가치를 만들었다고 평가하며, 현재 학계가 빅테크와 인재 경쟁을 벌이기 어려운 상황에서 회사가 생물학적 데이터 효율성을 본뜬 여러 연구 방향에 직접 투자한다고 설명한다.

5. 수익 동기와 AGI 동기의 구분

글은 현재 AI 분야에서 수익 동기와 AGI 동기라는 두 가지 일관된 목표가 존재한다고 구분한다. 수익 동기는 응용 제품을 만드는 이들에게 적합하며, 이용 가능한 AI 역량에 비해 실제 도입이 낮아 앞으로도 오랫동안 큰 사업 기회가 남아 있다는 설명이다. 반면 AGI 동기는 이미 확보한 기계 지능을 한 단계 더 끌어올려야 한다는 믿음에서 출발하며, 그 진전 자체도 매우 큰 경제적 가치를 가질 것으로 본다. 다만 이 목표에서는 투입한 자원이 장기적으로 긍정적인 결과로 이어질 합리적인 가능성을 확보하면서 얼마나 효율적으로 연구를 추진하느냐가 핵심 질문이 된다. 필자들은 플래핑 에어플레인스를 응용 분야의 단기 수익보다 두 번째 목표에 전념하는 순수한 AGI 연구 조직으로 규정한다.

6. 젊은 원석 인재와 명성 중심 문화의 대조

필자는 플래핑 에어플레인스의 거의 모든 면접 후보자와 실제 채용 인력을 직접 만났으며, 이 팀을 이처럼 야심 찬 여정을 시작한 초기 조직 가운데 가장 뛰어난 사례 중 하나로 평가한다. 회사의 첫 번째 믿음은 젊은 사람들이 역사적으로 기초과학의 돌파구를 만들어 왔다는 것으로, 26세에 ‘기적의 해’를 보낸 아인슈타인이 사례로 제시된다. 두 번째 믿음은 AI 연구가 일부 전문가만 이해할 수 있는 신비한 영역이 아니라, 똑똑하고 야심 있는 사람이라면 학습할 수 있는 분야라는 것이다. 이 두 전제는 명문 기관 경력과 기존 명성에 집착하는 실리콘밸리의 문화와 충돌한다. 필자는 프로드에서 벤이 보여 준 원석 인재 식별 능력이 플래핑 에어플레인스의 채용 경쟁력으로 이어졌으며, 개인의 실질적 역량을 알아보는 능력이 이 장기 연구 시도에 대한 신뢰의 근거라고 설명한다.

🧾 핵심 주장 / 시사점

• 이 글은 AI 경쟁의 핵심 기준이 단순한 연산 규모에서 학습에 필요한 데이터량을 줄이는 연구 능력으로 이동해야 한다는 관점을 제시한다.
• 플래핑 에어플레인스의 박사과정형 구조는 연구 주제뿐 아니라 독립성, 시간 지평, 보상이라는 제도적 조건까지 기초과학의 성과를 좌우하는 요소로 본다.
• 젊은 원석 인재 중심 전략은 채용 비용을 낮추는 방안이 아니라, 명성 중심 선발에서 배제될 수 있는 비주류 아이디어와 장기 연구의 탐색 범위를 넓히려는 선택으로 제시된다.

✅ 액션 아이템

• 플래핑 에어플레인스의 데이터 효율적 AGI 모델 연구와 컴퓨트 우선 규모 확장 접근의 차이 검토.
• 1~2년의 단기 성과와 5~10년의 장기·저확률 연구가 만드는 자원 및 시간 배분의 상충 관계 비교.
• 젊은 원석 인재 중심 채용, 박사과정형 연구 독립성, 학계와 빅테크의 보상 격차를 결합한 조직 전략 평가.

❓ 열린 질문

• 플래핑 에어플레인스는 생물학처럼 데이터 효율적인 AGI 모델을 구체적으로 어떤 연구 방향에서 추구할 것인가?
• 1~2년의 단기 성과보다 5~10년의 장기·저확률 연구를 선택할 때 자원 배분의 성과를 무엇으로 판단할 수 있는가?
• 젊은 원석 인재 중심 채용은 명문 경력 중심 채용과 비교해 AGI 장기 연구의 탐색 범위를 얼마나 넓힐 수 있는가?