엔비디아를 만든 마인드셋

URL: https://www.youtube.com/watch?v=R9qD2f2vue4 날짜: 2026-07-29 채널: Tech Bridge

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

젠슨 황은 YC(Y Combinator) 무대에서 창업자들과의 대담을 통해 ==엔비디아를 만든 것은 완벽한 기술 선택이 아니라, 틀린 선택을 인정하고 배우는 태도였다==고 말한다.

• 엔비디아는 3D 그래픽 사업으로 시작했지만 창업 초기 선택한 알고리즘과 기술이 완전히 틀렸다는 사실을 뒤늦게 깨달았다
• 세가와의 드림캐스트 계약 파기 위기에서도 정직함으로 신뢰를 얻어 500만 달러의 생존 자금을 받았다
• 이후 엔비디아는 "얼마나 어렵겠어?"라는 태도로 컴퓨터 그래픽, 딥러닝, 에이전트, 물리적 AI(로봇공학) 등 매번 새로운 기술 영역에 뛰어들었다

젠슨 황은 특정 기술이 아니라 "현실을 직시하고 배우는 능력"이 회사의 핵심 자산이라고 강조하며, 이 원칙이 창업 초기의 3D 그래픽 실패담부터 오늘날 에이전트 AI, 물리적 AI 전략까지 일관되게 관통한다고 설명한다.

---

1. 엔비디아 창업 초기: 틀린 선택과 재창조

1.1. 처음부터 잘못됐던 기술 선택

1. 범용 컴퓨터 vs 가속기라는 회사 철학

   1. CPU의 한계 인식: 범용 컴퓨터(CPU)는 매우 유용하지만, 가속기를 추가하면 기존에는 해결하기 어려웠던 문제를 풀 수 있다는 것이 창업 철학이었다
   2. 첫 타겟 문제 = 3D 그래픽: 1993년, PC가 막 보급되기 시작하던 시점에 모든 개인용 컴퓨터를 게임 콘솔로 바꾸겠다는 아이디어로 시작했다 (창업자들이 게임 콘솔 세대에서 자랐기 때문)
   3. 대형 슈퍼컴퓨터급 알고리즘의 PC 이식: 슈퍼컴퓨터에서나 쓰이던 알고리즘을 PC에 탑재 가능한 형태로 재창조하려 했다

2. 1995년의 깨달음 – 기술과 알고리즘이 전부 틀렸다

   1. 알고리즘 오류 발견: 회사를 설립하고 운영을 시작한 뒤에야 창업 기반이 된 알고리즘과 기술 자체가 완전히 잘못됐다는 것을 알게 됐다
   2. 이미 너무 늦은 시장: 1995년 그 사실을 깨달았을 때는 이미 PC용 3D 그래픽 개발사가 3,540개나 더 생겨난 뒤였다
   3. 방법을 아예 몰랐다는 이중 실패: 잘못된 기술을 선택했을 뿐 아니라, 그것을 제대로 사용하는 방법조차 아무도 몰랐다는 사실이 드러났다

1.2. 프라이 서점의 교재 세 권

1. 직접 배우기로 한 결단

   1. 주머니 속 자금: 그날 젠슨 황의 주머니에는 몇백 달러 수준의 돈이 있었고, 그 돈으로 프라이 서점(Fry's)에 가서 교재 세 권을 샀다
   2. OpenGL 교재: 세 권 모두 OpenGL과 OpenGL 파이프라인 설계 방법에 관한 책이었다
   3. 엔지니어들에게 직접 전달: 사서 온 교재를 엔지니어들에게 넘겨줬고, 그 결과물이 지금의 엔비디아 그래픽 기술이 됐다

2. 재창조의 결과

   1. 현대 컴퓨터 그래픽의 세계적 선두: 이 과정을 거쳐 컴퓨터 그래픽을 사실상 재창조했고, 지난 25년간 주요 혁신 기술 대부분을 발명했다고 자평한다
   2. 오해와 진실: 사람들은 엔비디아가 3D 그래픽의 선두주자로 "시작"해서 교과서에 나온 내용을 배웠다고 생각하지만, 실제로는 회사를 세우고 자금을 모아 그 교과서를 "사러 갔던" 것이었다

1.3. 여기서 얻은 교훈 – 기술 자체는 중요하지 않다

1. 기술은 끊임없이 변한다

   1. 현실 직시 + 학습 능력이 핵심: 현실을 직시하고 배울 수만 있다면 특정 기술 자체는 사실 중요하지 않다는 것이 최대 교훈이었다
   2. 동일한 태도의 반복 적용: 이후 엔비디아는 한 번도 해본 적 없는 온갖 기술을 계속 개발해왔고, 모든 신규 영역에 똑같은 태도로 접근한다

2. "얼마나 어렵겠어?"라는 태도

   1. 가벼운 시작, 무거운 현실: "그게 얼마나 어렵겠어?"라는 태도로 시작하지만 언제나 예상보다 훨씬 더 어렵다는 것을 알게 된다
   2. 그래도 그 태도로 시작하는 이유: 처음부터 난이도를 과대평가하면 아예 시작하지 못하기 때문에, 가벼운 마음으로 일단 뛰어드는 것이 중요하다

---

2. 위기의 순간들: 세가 드림캐스트와 나스닥 상장

2.1. 세가와의 계약 파기 – 정직함이 만든 500만 달러

1. 드림캐스트 개발 계약의 붕괴

   1. 1,200만 달러 규모 계약: 세가는 새턴 이후 차기 게임 콘솔(드림캐스트) 개발을 엔비디아에 맡기는 계약을 체결했다
   2. 기술적 결함 자진 신고: 하지만 알고리즘과 기술에 근본적 결함이 있다는 것을 깨닫고, 일본으로 직접 찾아가 당시 세가 CEO(마지 씨)에게 계약을 이행할 수 없다고 밝혔다
   3. 경쟁사 추천까지 함: 기술이 작동하지 않는 이유를 설명하고, 다른 업체를 채용해 그 일을 맡기라고 조언했다

2. 그럼에도 받은 500만 달러

   1. 돈은 여전히 필요하다고 말함: 계약을 이행하지 못한다고 밝히면서도 자금은 여전히 필요하다고 솔직하게 말했다
   2. 신뢰가 만든 결과: 세가 CEO는 "일을 못 하면서 계약금은 다 받고 싶다는 거냐"고 되물었지만, 결국 겸손하고 정직한 태도를 신뢰해 500만 달러를 지원했다
   3. 생존 자금이 된 500만 달러: 이 돈 덕분에 회사가 살아남았고, 다음 방향을 찾아낼 시간을 벌 수 있었다. 세가가 보유했다면 그 지분을 1,500만 달러에 팔 수 있었다는 후일담도 있다

2.2. 사람에 대한 투자라는 원칙

1. 회사가 아니라 사람에게 베팅
   1. 신뢰의 대상은 회사가 아닌 개인: 젠슨 황은 이 일화를 "회사에 투자하는 게 아니라 사람에게 투자하는 것"이라는 원칙의 사례로 든다
   2. 처음부터 신뢰를 준 사람: 세가 CEO가 처음부터 신뢰했던 사람, 그리고 그가 믿었던 계약이 있었기에 회사가 다음 날까지 버틸 수 있었다고 회고한다

2.3. 1999년 나스닥 상장 – 3억 달러의 시작

1. 상장 당시 기업가치
   1. 3억 달러 밸류: 1999년 엔비디아 상장 당시 기업가치는 3억 달러였다
   2. 현재와의 비교: 젠슨 황 스스로도 지금 가치가 "1조 달러를 훨씬 넘었을 것"이라고 언급하며 그 성장폭을 강조한다

---

3. 알고리즘 중심 사고와 회사 철학

3.1. "알고리즘 영역"을 찾는 관점

1. 일관된 세계관

   1. 항상 알고리즘을 찾는다: 3D 그래픽이든, 입자 물리학·유체 역학이든, OpenGL이든, SQL이든, 도메인 특화 언어든 — 젠슨 황이 세상을 보는 관점은 "우리가 풀 수 있는 문제, 즉 알고리즘"을 찾는 것이다
   2. 칩보다 알고리즘 영역의 가속화: 초기에 훌륭한 칩을 만드는 것보다 "알고리즘 영역을 가속화하는 것"이 중요하다는 것을 깨달았다

2. 독특하고 깊이 믿는 관점의 중요성

   1. 기술·시장만으로는 부족: 훌륭한 기업을 만드는 것은 기술이나 시장 상황이 아니라 "세상에 대한 독특하고 깊이 믿는 관점"이라고 강조한다
   2. 적절한 기술 × 적절한 시장 × 적절한 시기: 이 세 가지가 맞아떨어지면 훨씬 수월해지지만, 애초에 깊이 믿는 고차원적 비전을 갖는 것 자체가 결코 쉬운 일이 아니다
   3. 엔비디아의 깨달음: 가속 컴퓨팅이 중요해질 것이라는 확신과, "모든 것은 칩이 아니라 알고리즘과 관련 있다"는 통찰이 정확히 맞아떨어졌다

3.2. AlexNet과 "범용 함수 근사기"의 발견

1. AlexNet을 보는 다른 시각

   1. 다들 본 AlexNet, 다르게 해석: 젠슨 황도 다른 사람들처럼 AlexNet을 봤지만, 결정적 돌파구는 "AlexNet이 실제로는 AlexNet이 아니다"라는 깨달음이었다
   2. 딥러닝 = 범용 함수 근사기: 15년 전 그는 모든 사람에게 "우리는 방금 범용 함수 근사기(universal function approximator)를 배웠다"고 말했다. 거의 모든 함수에 답을 입력하면 그 함수가 무엇인지 학습할 수 있다는 것이다
   3. 부정확함을 허용하는 문제들: 많은 흥미로운 문제는 애초에 "정확할 필요가 없고, 정확해지는 것 자체가 불가능"하기 때문에 이런 방식의 부정확한 근사가 오히려 잘 맞는다는 통찰이었다

2. 딥러닝 이후의 파급 효과

   1. 즉각적인 응용 착수: 범용 함수 근사기가 컴퓨팅 스택·소프트웨어·산업에 미칠 영향을 자문한 뒤, 거의 곧바로 컴퓨터 비전과 로봇공학(특히 자율주행차) 개발에 착수했다
   2. "5단 케이크" 프레임: 이 변화를 프로세서, 미들웨어, 알고리즘, 애플리케이션(오늘날 젠슨 황이 부르는 "5단 케이크")에 걸친 영향으로 설명하며, 산업 설비 전체가 약 15년 전 완전히 재창조됐다고 본다

3.3. 근본 원리(First Principles)로 추론하기

1. 끊임없이 질문하는 습관
   1. "만약 이거라면, 그건 뭘까?": 사물에 대해 근본 원리까지 추론하고 기본적인 질문을 계속 던지는 태도가 큰 영향을 만든다
   2. 직접 논문을 읽고 과학자와 대화: 진행자는 젠슨 황이 얼마나 깊이 파고드는지, 논문을 읽고 핵심 과학자들과 직접 이야기하는지를 인상 깊은 점으로 꼽는다

---

4. 조직과 리더십 — "F1 경주용 자동차" 비유

4.1. 호기심에서 출발하는 마음가짐

1. 답을 직접 찾아 나서는 이유

   1. 주변의 답이 만족스럽지 않을 때: 궁금한 점이 있을 때 주변 사람의 답변이 만족스럽지 않거나, 다른 질문이 생기거나, 그들이 바쁠 수 있어서 직접 답을 찾아 나선다
   2. 회사와 공유하기 위한 학습: 특정 영역이 누군가에게, 혹은 회사에 중요하다고 판단되면 그 정보를 최대한 배워서 회사와 다른 사람들에게 나눈다 (팟캐스트·영상으로 아이디어를 공유하는 것과 다르지 않다고 비유)

2. CEO는 봉사하는 사람

   1. 통찰력으로 권한 부여: CEO는 회사와 그곳에서 일하는 모든 사람을 위해 봉사하며, 직원들에게 통찰력을 제공해 권한을 부여해야 한다
   2. 경영 기법이 아니라 인성 기법: 이런 태도는 경영 기법이라기보다 인성(personhood)의 문제에 가깝다고 강조한다

4.2. 현장 밀착과 서핑 비유

1. 왜 세부사항까지 파고드는가

   1. 기술의 복잡성과 속도: 기술이 복잡하고 매우 빠르게 변화하기 때문에, 현장에 가까이 다가가 세부사항까지 살펴봐야 한다
   2. 촉각적 이해의 필요성: 실제로 무슨 일이 일어나는지 촉각으로 느끼지 않으면 너무 빨라서 이해하기 어렵지만, 기본 원리를 이해하면 결국 다 이해가 된다

2. 서핑에 빗댄 CEO의 역할

   1. 혼돈 속의 질서: 서핑을 모르는 사람 눈에는 파도가 혼돈처럼 보이지만, 서퍼는 파도를 읽고 다룰 줄 안다
   2. 파도·바람·타이밍을 배우는 법: 직접 시도해보지 않으면 파도를 읽는 감각, 바람의 흐름, 타이밍은 절대 얻을 수 없다 — CEO 역할도 마찬가지다

4.3. "F1 경주용 자동차를 자신에게 맞춘다"

1. 조직을 자신에게 맞추는 이유

   1. 자기 자신으로 남아도 된다: CEO가 됐다고 성격이나 행동 방식을 바꿀 필요는 없으며, 자기 자신으로 계속 남을 수 있다
   2. 본인이 몰 수 있는 차를 만든다: 창업자·CEO는 자신이 직접 운전할 F1 경주용 자동차를 만드는 사람이며, 차를 자신에게 맞춰야 한다는 비유를 든다
   3. 후임 CEO는 알아서 재편: 만약 본인이 업무 중 사망하면 회사는 차기 CEO에 맞게 재편될 것이라는 말을 들었던 일화를 소개하며, 그것이 지혜로운 이유는 "우리가 F1 드라이버, 즉 레이서이기 때문"이라고 설명한다

2. 경쟁 속 생존을 위한 지속적 개조

   1. 끊임없는 재구성: 자신에게 맞지 않는 차를 타면 느려지고 경주에서 진다는 지적에, 젠슨 황은 "필요에 맞게 차를 끊임없이 개조하고 있다"고 답한다
   2. 34년째 이어지는 창업자 모드: 비즈니스 프로세스와 업무 방식을 지속적으로 재구성하는 것이 "창업자 모드"이며, 이는 0에서 수조 달러 규모까지 34년간 확장 가능했다고 언급한다

---

5. 에이전트 AI 시대의 시스템적 사고

5.1. 왜 시스템적 사고가 중요해지는가

1. 하위 작업은 에이전트가 대체

   1. 자동화되는 저수준 작업: 트랜지스터·게이트·기능 블록을 합성하는 것처럼, 대부분의 하위 수준 작업은 결국 에이전트가 처리하게 된다
   2. 설계자는 시스템 설계자로: 칩 조립이 합성 방식으로 이루어지듯, 소프트웨어도 대부분 에이전트 방식으로 개발될 것이므로 대부분의 설계자는 결국 "시스템 설계자"가 된다

2. 훈련해야 할 질문들

   1. 문제와 제약을 정의하는 능력: 해결하려는 문제가 무엇인지, 제약 조건이 무엇인지, 입출력이 어디인지, 정보 흐름 속도가 얼마인지, 병목이 프로세서·메모리·네트워킹 중 어디인지를 아는 것이 핵심 역량이다
   2. 쓸모없어지지 않는 기본 지식: 이런 시스템 문제를 충분히 기술적인 수준에서 이해하는 능력은 앞으로 더 유용해질 것이며 결코 쓸모없어지지 않는다

5.2. 에이전트 제어 가능성이 최대 돌파구

1. 재귀적 자기 개선 시스템

   1. 재귀적 자기 개선 체계 보유: 엔비디아는 이미 재귀적 자기 개선 시스템을 갖추고 있으며, 사용할 때마다 마크다운 파일이 개선된다
   2. 장기 메모리의 진화: 사용할 때마다 장기 메모리가 업데이트되고, 이 메모리는 압축되거나 지식 그래프로 변환되는 처리를 거쳐 비동기적으로 계속 개선된다

2. 거친 제어에서 정밀 제어로

   1. 조건 없는 직접 출력의 한계: 조건부 입력이나 프롬프트 없이 모든 것을 직접 출력하는 방식은 지나치게 거칠었다
   2. 계획 파일 한 단어의 힘: 에이전트를 조건부로 제어하고 계획 수립 단계까지 통제할 수 있어야 하며, 계획 파일에서 단어 하나만 바꿔도 픽셀 하나, 삼각형 하나, CAD 파일의 구성요소 하나처럼 구체적인 차이가 발생한다
   3. 80~99%면 충분한 정확도: 에이전트가 100% 정확할 필요는 없으며, 80% 수준이어도 나머지를 사람이 도와 99%까지 끌어올릴 수 있다 — 이런 제어 가능성이야말로 에이전트 단계별로 가장 필요한 돌파구다

5.3. 텍스트는 지능이다 — "말은 생각이다"

1. 마크다운 파일을 가볍게 보지 말라
   1. 엔지니어들의 오해: 기계공학 분야 사람들은 마크다운 파일을 "그냥 텍스트"라며 가볍게 여기는 경향이 있다
   2. 텍스트 = 지능: 하지만 텍스트는 지능이며, 우리는 이제 "단어가 생각(words are thoughts)"인 다른 세상에 살고 있다고 강조한다 (진행자는 여기서 "말없이 생각하는 것을 시도해볼 수도 있겠다"고 화답한다)

5.4. 에이전트 인프라 구축: OpenClaw, 헤르메스, 엔비디아 내부 활용

1. 오픈 소스 에이전트 생태계 지원

   1. OpenClaw = 리눅스의 순간: OpenClaw를 처음 봤을 때 "우리가 현대 컴퓨터를 설계했다"는 것을 깨달았고, 이것이 방대한 언어 모델을 담을 운영체제라는 점에서 자신에게는 "리눅스의 순간"과 매우 흡사했다고 말한다
   2. 엔지니어 총동원 지원: OpenClaw 개발자에게 연락해 "엔비디아의 모든 엔지니어가 당신의 엔지니어나 다름없다"고 말하며, 원하는 방식으로 문제를 분석해주면 원하는 만큼 기여하겠다고 제안했다
   3. 헤르메스(Hermes) 팀도 동일 지원: 헤르메스 에이전트 팀의 작업에도 큰 기대를 걸고 있다고 언급한다

2. 모두가 자신만의 AI를 가져야 한다

   1. 클라우드 서비스 활용 + 자체 AI 구축 병행: ChatGPT와 Claude 같은 클라우드 서비스는 모두가 활용해야 하지만, 특정 도메인에 특화된 AI가 필요한 회사라면 Hermes·OpenClaw·LangChain·DeepAgent 등으로 비교적 쉽게 자체 AI를 구축할 수 있다
   2. 오픈소스가 낳을 혁신에 대한 기대: 소프트웨어와 AI가 이미 똑똑하기 때문에 쉽게 적응 가능하며, 모든 회사가 자체 AI를 개발하도록 장려하고 싶다고 밝힌다

3. 엔비디아 내부에서의 에이전트 실전 적용

   1. 엔비디아 전역 샌드박스에서 자율 실행: 클로드 코드(Claude Code)가 엔비디아 곳곳의 샌드박스에서 자율적으로 실행되고 있으며, 코덱스(Codex)·커서(Cursor)·코그니션(Cognition) 등 직원들이 원하는 도구를 자유롭게 선택하도록 했다
   2. "수많은 꽃이 피어나듯" 다양성에서 학습: 다양한 도구를 동시에 쓰게 함으로써 회사가 더 빠르게 움직이고, 도구를 더 효과적으로 활용하는 법을 계속 배운다
   3. 에이전트 설계의 근본 원칙 정립이 목표: 작업 부하·알고리즘·병목·확장성·동시성·샌드박스·MCP 처리·단기/장기 기억 관리 등을 5~10년 후를 내다보고 설계해야 한다고 강조한다 (시스템 구축에만 3년, 가동에 추가로 수년, 사용자는 10년간 사용)

4. 사고 연쇄(Chain of Thought)에서 얻은 교훈

   1. 스탠퍼드발 초기 이론의 확장성 질문: 약 8~10년 전 스탠퍼드에서 초기 사고 연쇄 이론이 나왔을 때, 추론 효과·확장성·사전 지식 기반 추론이 컴퓨터 비전에 주는 의미가 화두였다
   2. 알파모(Alpamo) 탄생으로 이어짐: 이 작은 통찰이 자율주행차 훈련에 그렇게 많은 데이터가 필요하지 않을 수 있다는 깨달음으로 이어졌고, 세계 최초의 "생각하는 자율주행차" 알파모 개발로 연결됐다
   3. 100만~200만 마일이면 충분한 이유: 언어 모델에서 얻은 사전 지식 덕분에 사람처럼 처음 보는 상황을 기존에 알던 것으로 재구성할 수 있어, 100만~200만 마일 주행만으로도 뛰어난 자율주행 성능을 낼 수 있었다

---

6. AI와 일자리: 자동화되는 것은 작업이지 직업이 아니다

6.1. 작업(Task) 자동화 vs 직업(Job) 소멸

1. 인지 작업의 자동화는 사실이다

   1. 정형화된 질의응답은 자동화 대상: 전화로 여러 단어를 전달받아 데이터베이스에 저장된 정보로 완벽히 답변할 수 있는 작업은 자동화된다
   2. 모든 직업이 변하지만 사라지진 않는다: 많은 작업이 자동화되고 모든 직업이 어느 정도 변하겠지만, 동시에 완전히 새로운 직업도 많이 생겨난다

2. AI가 일자리를 없앤다는 주장은 정반대

   1. 직업 = 여러 작업의 묶음: 사람의 직업에는 목적이 있고 그 목적을 이루는 여러 과제(작업)가 있는데, 그중 일부만 자동화 가능하고 상당수는 불가능하다
   2. 증거가 뒷받침: 여러 증거를 종합하면 AI와 자동화가 오히려 모든 곳에서 일자리를 창출하고 있다는 것이 지극히 당연한 사실이라고 강조한다

6.2. 실제 데이터: 소프트웨어·의료·법률

1. 소프트웨어 엔지니어

   1. 코딩은 자동화, 일자리는 증가: 코딩이라는 작업 자체는 자동화됐지만 소프트웨어 엔지니어 일자리는 오히려 매년 10%씩 증가했다
   2. 더 큰 포부로 이어짐: 프로그래밍이 자동화되면 더 많은 엔지니어를 고용해 더 많은 일을 처리하고, 더 큰 야망을 추구할 수 있게 된다는 논리다

2. 방사선과(영상 판독)

   1. 판독은 자동화, 인력은 20% 증가: 방사선 영상 판독 작업이 자동화되고 AI가 업계를 장악했음에도 지난 몇 년간 방사선과 관련 일자리는 약 20% 증가했다
   2. 대기 환자 해소가 원동력: 대기 환자가 워낙 많았기 때문에, 의사·병원이 더 많은 환자를 받을 수 있게 되면서 오히려 더 많은 간호사·방사선 전문의가 필요해졌다

3. 법률 보조원(Paralegal)

   1. 하비(Harvey) 등 법률 AI 등장에도 인력 증가: 법률 AI 도구가 법률 보조원 일자리를 없애고 변호사 수도 줄일 것이라는 예상과 달리, 법률 보조원 수는 오히려 크게 늘고 있다
   2. 소송 적체 해소가 원동력: 소송 적체량이 워낙 많아 로펌들이 훨씬 더 많은 사건을 처리할 수 있게 됐고, 이를 위해 더 많은 인력을 고용해야 했다

4. 생산성 → 성장 → 고용이라는 전형적 사이클

   1. 경제 성장과 고용의 상관관계: 생산성이 성장을 촉진하고, 경제 성장이 증가하면 고용도 증가한다는 전형적 사례라고 요약한다
   2. 역사적 근거: 이것이 바로 자신이 학교를 처음 졸업했을 때보다 오늘날 일자리가 더 많은 이유라고 설명한다

---

7. 물리적 AI(Physical AI)와 로봇공학 — 다음 1,000억 달러 사업

7.1. 비디오 생성 AI에서 로봇공학으로 이어진 통찰

1. 자동 진행형/조건부 GAN 연구의 내부 목격

   1. 최초 연구는 공개보다 훨씬 앞섬: 엔비디아는 자동 진행형 GAN(auto-progressive GAN)과 조건부 GAN에 대한 최초 연구를 진행했고, 외부에 영상이 공개되기 훨씬 전부터 내부 연구실에서 완전히 신경망으로 생성된 시뮬레이터를 운전하고 있었다
   2. 관절 움직임 생성의 순간: 손가락이 움직이고 손이 유리잔을 집는 영상을 생성할 수 있는 것을 본 순간, "로봇도 똑같이 할 수 있지 않을까"라는 생각으로 이어졌다

2. 물리 법칙 이해라는 다음 과제

   1. 인과관계·마찰력·장력의 이해: 로봇이 물리 법칙을 이해하고 그에 맞는 움직임을 만들어내려면 인과관계, 마찰력, 장력 등을 이해해야 한다는 문제로 이어졌다
   2. 월드 파운데이션 모델 개발 착수: 이렇게 시작된 것이 지금 "물리적 AI(Physical AI)"라 부르는 것이며, 물리 법칙과 세상이 어떻게 돌아가는지 이해하는 AI인 월드 파운데이션 모델 개발에 착수했다

7.2. "챗GPT 로봇의 시대"는 이미 몇 년 전에 왔다

1. 챗GPT 초기와의 비교

   1. 처음엔 쓸모없었지만 상상력을 넓힘: 챗GPT가 처음 나왔을 때 실질적으로 생산적인 일은 못 했지만, 무엇이 가능한지에 대한 상상력을 넓혀줬다
   2. 강화학습·미세조정 로봇의 등장 시점: 강화학습을 적용하고 미세 조정해 물리적 원리에 기반해 움직이는 로봇이 실제로 돌아다니는 시대는 몇 년 전에야 비로소 가능해졌다고 본다

2. 로봇공학을 위한 3단계 기반 시스템

   1. 시뮬레이션 환경 구축: 에이전트 시스템에서처럼, 로봇이 배우고 평가·비교평가할 수 있는 실제와 같은 시뮬레이션 환경(아이작 심, 코스모스)을 만들어야 한다
   2. 물리 기반 + 생성형 시뮬레이션 결합: 시뮬레이션 기반 물리 시뮬레이션뿐 아니라 생성형 물리 시뮬레이션을 함께 사용하는 시뮬레이터를 개발해야 한다
   3. 시뮬레이션을 현실로 전환 (Sim-to-Real): 마지막 단계는 강화학습을 통해 로봇에 필요한 모든 전기기계 시스템에 물리적 원리를 기반으로 적용해 시뮬레이션을 실제 상황으로 옮기는 것이다

7.3. 자율주행차 — 물리적 AI 최초의 경제적 성공 사례

1. 왜 자율주행차가 첫 응용 분야였나

   1. 시장 규모·표준화·확장성: 시장 규모가 충분히 크고, 기술적으로 비교적 표준화돼 있어 확장이 가능하고 선순환 구조를 만들 수 있으며, 실질적 경제 가치를 지닌 첫 로봇공학 응용 분야로 자율주행차를 선택했다
   2. 웨이모·테슬라·메르세데스에 이미 탑재: 웨이모 차량 안에는 엔비디아 칩이 공급됐고, 테슬라 차량에도 엔비디아 칩이 들어갔다. 메르세데스 사례에서는 데이터센터부터 차량, 소프트웨어 스택까지 엔비디아가 담당하고 있다

2. 알파모(Alpamo) 오픈소스 공개

   1. 자율주행 스택 전체를 오픈소스로: 엔비디아는 자체 개발한 알파모 자율주행 스택을 오픈소스로 공개했다
   2. 다양한 파생 시장을 겨냥: 농업, 우편 배달, 창고 자율주행 로봇(AMR) 등 자율주행차 시장만큼 크지 않은 다양한 시장에도 필요하기 때문에 전체 스택을 공개해 폭넓게 활용되도록 했다

3. 이미 100억 달러, 다음 1,000억 달러 사업

   1. 현재 규모: 로봇 사업, 자율주행차 사업을 포함한 물리적 AI 사업은 이미 거의 100억 달러 규모다
   2. 10년 내 세계 최대급 산업으로: 2~3년보다 훨씬 오래, 그러나 10년이 채 걸리지 않아 세계에서 가장 큰 산업 중 하나가 될 것이며, 이것이 엔비디아의 차세대 1,000억 달러 규모 사업이 될 것이라고 전망한다

---

8. 오픈소스에 대한 신념 — 첫 X(트위터) 게시물

8.1. 극도의 내성적 성격과 첫 소셜 게시물

1. 2026년까지 미룬 첫 게시물
   1. 지구상 마지막 사람: 젠슨 황은 X에 첫 게시물을 올리는 데 2026년까지 걸렸다며, 아마 지구상에서 가장 마지막으로 그것을 해낸 사람일 것이라고 자평한다
   2. 수줍음을 극복한 이유: 올린 내용이 자신에게도, 업계에도, 세상에도 너무 중요했기 때문에 수줍음을 극복하고 게시물을 올렸다고 설명한다

8.2. 오픈소스가 없었다면 지금의 AI도 없다

1. 오픈소스가 만든 산업들
   1. 모바일·클라우드 산업의 전제조건: 오픈소스가 없었다면 모바일 클라우드 산업 자체가 존재하지 않았을 것이라고 단언한다
   2. 리눅스·쿠버네티스·텐서플로우·파이토치의 계보: 리눅스, 쿠버네티스, 텐서플로우, 그리고 특히 파이토치가 없었다면 지금의 플랫폼들도 없었을 것이며, 그 이전의 카페(Caffe)·토치(Torch)·테아노(Theano) 같은 초기 프레임워크도 모두 오픈소스였다는 계보를 짚는다
   3. 현대 AI의 존재 자체가 오픈소스 덕: 이 모든 것이 없었다면 현대 인공지능이 어떻게 가능했겠냐고 반문하며, 오픈소스·오픈웨이트 모델이 이 자리의 모두가 만들고 싶어하는 것에 결정적으로 중요하다고 강조한다

---

9. 젊은 세대를 향한 조언 — 회복탄력성이 최대의 지혜

9.1. 무엇을 배워야 하는가

1. 쉬운 작업은 사라지고, 어려운 과학은 남는다

   1. 코딩=쉬운 작업의 자동화: 컴퓨터 앞에 앉아 코드를 작성해 문제를 해결하는 개념 자체가 자동화될 것이며, 이는 자신이 배웠던 긴 나눗셈이 계산기로 대체된 것과 같은 흐름이라고 비유한다
   2. 물리학·화학·생물학·시스템 사고는 사라지지 않는다: 어려운 과학 분야(물리학, 화학, 생물학, 컴퓨터 과학/공학, 시스템 사고)와 이들이 교차하는 영역의 어려운 문제는 절대 사라지지 않는다

2. 규모의 제약이 사라진 시대

   1. 트랜지스터 1,000개 → 수조 개: 자신이 처음 졸업했을 때는 트랜지스터 1,000개짜리 칩이 "엄청나게 큰 칩"이었지만, 이제 수조 개 트랜지스터 칩 설계는 더 이상 불가능한 일이 아니다
   2. 코딩량·인력 걱정에서 해방: 야망이 너무 커져서 문제·과제의 규모 자체가 더 이상 걸림돌이 아니며, 코딩 작업량이나 엔지니어 수를 걱정할 필요 없이 오직 풀어야 할 문제 자체에 집중하면 된다

3. 수백만 에이전트를 조율하는 시스템적 사고

   1. AGI 시대의 핵심 역량: 심오한 기술·과학, 기술과 사회 문제의 교차점, 시장의 격차와 기회를 이해하는 능력은 여전히 중요하다
   2. 조율 능력이 곧 경쟁력: 수백만 개의 에이전트가 자율적으로 문제를 해결하도록 조율할 수 있는 시스템적 사고 능력이 뛰어날수록 유리해지며, 이것이 앞으로 매우 중요해질 것이라고 강조한다
   3. 학교는 계속 다녀라: 이 모든 변화 속에서도 학교에 가는 방법은 예전과 똑같으며, 계속 학교에 다니라고 조언한다

9.2. 창업 초기의 두려움과 "얼마나 어렵겠어?"의 진짜 의미

1. 창업 첫날의 막막함

   1. 아무도 가르쳐주지 않았다: 세 명이 함께 엔비디아를 창업했을 당시엔 유튜브도 YC도 없었고, 회사를 어떻게 시작하는지 가르쳐주는 사람이 아무도 없었다
   2. 500페이지짜리 책의 역설: 서점에서 "회사를 시작하는 방법"이라는 500페이지짜리 책을 샀지만, 그걸 다 읽을 때쯤이면 이미 사업을 접고 돈도 바닥날 것 같아 읽는 게 의미 없다고 느꼈다
   3. 모금 활동에 대한 두려움: 정말 생생히 기억하는 것은 투자 유치 활동이 얼마나 두려웠는지였다 — 수많은 사람과 이야기하며 질문에 어떻게 답해야 할지 몰랐고, 사실 지금도 완벽히 알지는 못한다고 고백한다

2. 지금이 창업하기 가장 좋은 시기인 이유

   1. 지난 60년 중 최적의 시점: 컴퓨터라는 인류 역사상 가장 중요한 기술이 완전히 초기화됐다는 점에서, 지금이 지난 60년 동안 회사를 설립하기 가장 좋은 시기라고 단언한다
   2. 완전히 새로운 산업 판: 업계 전체가 변했고 기술적 관점에서 완전히 새로운 시작이기 때문에, 앞으로 창업자들이 누릴 기회가 부럽다고 말한다

3. 고통을 조금씩 받아들이는 법

   1. "얼마나 어렵겠어?"로 시작하되 인정할 것은 인정한다: 언제나 "얼마나 어렵겠어?"라는 태도로 시작했지만, 솔직히 생각보다 훨씬 어렵다는 것을 안다
   2. 불안이 아니라 조금씩 다가오는 고통으로: 마음이 처음부터 "이게 얼마나 힘들지"를 전부 상상하게 두면 불안에 압도돼 아무것도 못하게 되므로, 고통이 조금씩 다가오도록 둬야 한다
   3. AI 에이전트도 이 태도로 활용: 여러 AI 에이전트의 도움을 받으면서도 "그래서 얼마나 어렵겠어?"라고 되물은 뒤 일을 시작하는 것이 기업가의 태도라고 말한다

4. 회복탄력성이라는 최대의 지혜

   1. 오늘 하루만 넘기면 된다: 하루아침에 인생을 극복할 필요는 없으며, 그저 오늘 아침, 오늘 하루만 극복하면 된다는 것이 핵심이다
   2. 배움은 가장 위대한 초능력: 배움에 대한 자신의 능력을 믿어야 하며, "누구나 할 수 있다면 나도 할 수 있다"는 마음가짐으로 시작해야 한다
   3. 두려움이 추구를 막지 않게 하라: 무언가를 믿는다면 그냥 시작해야 하며, 두려움·불안감·자신감 부족이 그 추구를 막지 않도록 스스로에게 "나는 내 길을 찾아낼 것"이라고 말하라고 조언하며 대담을 마무리한다

---

주요 발언 모음

"대부분의 사람들이 믿지 않는 것은, 우리가 회사를 설립할 때 선택했던 기술이 완전히 잘못되었다는 점입니다." "현실을 직시하고 배울 수만 있다면 기술 자체는 사실 중요하지 않습니다." "그게 얼마나 어렵겠어요? 그리고 항상 예상보다 훨씬 더 어렵다는 걸 알게 되죠. 하지만 '얼마나 어렵겠어?'라는 태도로 시작하면 되잖아요?" "회사에 투자하는 게 아니라, 사람에게 투자하는 겁니다." "우리는 방금 범용 함수 근사기를 발견했습니다." "텍스트는 지능이고, 우리는 다른 세상에 살고 있어요. 단어는 생각이니까요." "AI가 작업을 자동화하지만, 반드시 일자리를 없애는 것은 아닙니다." "지금은 지난 60년 동안 회사를 설립하기에 가장 좋은 시기입니다." "배움은 가장 위대한 초능력입니다."

핵심 데이터 & 수치

• 1993년: 엔비디아 창업 초기, PC 보급이 막 시작되던 시점에 게임 콘솔용 3D 그래픽 알고리즘 개발 착수
• 1995년: 창업 기반 알고리즘·기술이 완전히 잘못됐다는 것을 깨달았을 당시, 경쟁사가 이미 3,540개로 늘어난 상태
• 500만 달러: 세가와의 드림캐스트 계약 파기 위기에서도 받은 생존 자금 (세가가 보유했다면 1,500만 달러에 매각 가능했을 것으로 언급)
• 3억 달러: 1999년 엔비디아 나스닥 상장 당시 기업가치 (현재는 1조 달러를 훨씬 상회한다고 언급)
• 연 10%: 코딩 자동화에도 불구하고 매년 증가한 소프트웨어 엔지니어 일자리 증가율
• 약 20%: AI가 영상 판독을 자동화했음에도 지난 몇 년간 증가한 방사선과 관련 일자리 증가율
• 100만~200만 마일: 언어 모델 사전 지식 덕분에 알파모가 우수한 자율주행 성능을 내는 데 필요했던 주행 거리
• 약 100억 달러: 현재 로봇·자율주행차를 포함한 엔비디아 물리적 AI 사업 규모
• 1,000억 달러: 10년 이내 도달을 전망하는 엔비디아의 차세대 사업 규모 목표
• 34년: 젠슨 황이 "창업자 모드"를 유지하며 회사를 이끌어온 기간 (0에서 시가총액 수조 달러까지)

결론 및 시사점

1. 틀린 선택을 인정하는 정직함이 회사를 살린다: 엔비디아의 원점은 완벽한 전략이 아니라, 창업 기반 기술이 틀렸음을 인정하고 교재를 사서 처음부터 다시 배운 결단이었다.
2. 기술이 아니라 학습 능력이 자산이다: 특정 기술은 계속 바뀌므로, 현실을 직시하고 새로운 영역을 배우는 능력 자체가 회사의 핵심 경쟁력이 된다.
3. 정직함과 신뢰가 자금보다 강력한 자산이 될 수 있다: 세가와의 위기에서 계약을 지키지 못한다고 솔직히 밝힌 것이 오히려 생존 자금을 이끌어냈다.
4. AI는 작업을 자동화하지 직업을 없애지 않는다: 소프트웨어·의료·법률 전 분야에서 특정 작업의 자동화가 오히려 해당 직군의 고용을 늘린 실제 데이터를 근거로 제시한다.
5. 물리적 AI가 다음 성장축: 자율주행차를 첫 관문으로 삼아 농업·물류·로봇공학 전반으로 확장 중이며, 이미 100억 달러 규모에서 10년 내 1,000억 달러 사업으로 성장을 전망한다.
6. 에이전트 시대에는 시스템적 사고가 핵심 역량: 하위 작업이 에이전트로 대체될수록, 문제·제약·데이터 흐름을 설계하는 시스템적 사고 능력이 더 중요해진다.
7. 회복탄력성이 궁극의 창업 자질: 완벽한 계획이나 두려움 극복이 아니라, "오늘 하루만 버티면 된다"는 태도로 매일의 어려움을 넘기는 회복탄력성이 가장 큰 지혜라고 강조한다.

---

📎 메타데이터

• 원본 URL: https://www.youtube.com/watch?v=R9qD2f2vue4
• 채널명: Tech Bridge
• 영상 제목: [한영자막] 엔비디아를 만든 마인드셋
• 발행일: 2026-07-29
• 영상 길이: 약 47분 54초 (2,874초)
• 처리일: 2026-07-30
• 비고: 젠슨 황(NVIDIA CEO)이 YC(Y Combinator) 무대에서 진행한 대담 영상. 한국어 자동 생성 자막을 기반으로 심층 정리함(번역이 아닌 원본이 한국어 콘텐츠)