이거 보시면 엔비디아 다 알게 됩니다 (YC Startup School 2026, 젠슨 황 인터뷰)

URL: https://www.youtube.com/watch?v=F70bEHAATRg 날짜: 2026-07-30 채널: BZCF | 비즈까페

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

Y Combinator Startup School 2026 무대에서 진행된 젠슨 황(Jensen Huang, 엔비디아 창업자 겸 CEO) 인터뷰다. ==엔비디아는 "완전히 틀린 기술 선택"에서 출발해 세가(Sega)와의 계약 파기 위기, 알렉스넷(AlexNet)이 촉발한 딥러닝 피벗을 거쳐 지금의 AI 제국이 되었다==는 창업 서사를 중심으로, 시스템 사고, 에이전트 시대의 통제 가능성, 오픈소스 철학, 물리 AI, 일자리 논쟁까지 폭넓게 다룬다.

• 엔비디아는 3D 그래픽 가속이라는 "틀린 알고리즘"으로 시작했으나, 위기를 인정하고 교과서를 사서 배우는 자세로 전환에 성공했다
• 세가(Sega)와의 드림캐스트(Dreamcast) 계약이 기술적으로 실패했음에도, 젠슨 황의 정직함 덕분에 500만 달러를 받아 회사가 생존했다
• 알렉스넷(AlexNet)을 "범용 함수 근사기(universal function approximator)"의 발견으로 재해석한 것이 오늘날 AI 붐의 출발점이 되었다

젠슨 황은 기술 자체보다 "confront reality(현실을 직시하는 태도)"와 "how hard can it be(얼마나 어렵겠어)"라는 학습 지향적 태도가 엔비디아를 만들었다고 강조하며, 현재는 에이전트·물리 AI·오픈소스라는 세 축을 통해 다음 도약을 준비하고 있다고 설명한다.

---

1. 엔비디아의 시작: 완전히 틀린 기술 선택에서 출발한 회사

엔비디아의 창업 신화는 "처음부터 옳았다"가 아니라 "처음엔 완전히 틀렸는데 인정하고 고쳤다"는 이야기다.

1.1. 1993년 창업 당시의 오판

1. 애초의 비전: PC를 게임 콘솔로
   1. CPU + 가속기 철학: 엔비디아의 철학은 처음부터 "범용 컴퓨터(CPU)는 유용하지만, 가속기(accelerator)를 더하면 CPU 혼자로는 풀 수 없는 문제를 풀 수 있다"는 것이었다. 3D 그래픽이 그 첫 번째 타겟이었다
   2. 1993년의 시대적 배경: 당시 PC는 막 소문으로만 돌던 시기였고, 젠슨 황과 공동창업자들은 "모든 개인용 컴퓨터를 게임 콘솔로 바꾸자"는 아이디어에서 출발했다. 게임 콘솔 세대에서 자란 이들의 발상이었다
2. 알고리즘 자체가 틀렸다는 충격적 고백
   1. 거대 슈퍼컴퓨터급 알고리즘을 PC에 욱여넣으려 함: 원래 대형 슈퍼컴퓨터에서나 돌아가는 3D 그래픽 알고리즘을 재발명해 PC에 맞추겠다는 게 초기 아이디어였다
   2. 1995년의 깨달음: "그 알고리즘이 정확히 틀렸다(exactly wrong)"는 것을 1995년에 깨달았다. 이미 그 사이 3540개(원문 그대로, 34~50개 수준으로 추정)의 경쟁사가 PC용 3D 그래픽을 만들고 있던 시점이라 거의 늦은 상황이었다

1.2. 위기 대응: 교과서를 사서 배운다는 태도

1. 회사 내부에서 벌어진 정직한 자기 부정
   1. "이대로면 회사가 없어진다": 젠슨 황은 회사로 돌아가 "이 방식대로면 우리는 회사를 가질 수 없다. 이 사실을 직시하고 올바른 알고리즘을 향해 나아가야 한다"고 선언했다
   2. 더 충격적인 사실: 옳은 방법조차 몰랐다: 기술 선택만 틀린 게 아니라, 팀 내 누구도 "올바른 방식"이 무엇인지조차 몰랐다는 사실이 드러났다
2. Fry's 전자매장에서 교과서 3권을 산 순간
   1. 주머니 속 몇백 달러로 교과서 구매: 젠슨 황은 주머니에 있던 몇백 달러로 Fry's에서 OpenGL 파이프라인 설계에 관한 교과서 3권을 샀다
   2. 엔지니어들에게 전달 → 현대 컴퓨터 그래픽 재발명: 그 교과서를 엔지니어들에게 넘겼고, 그 결과 엔비디아는 지난 25년간 컴퓨터 그래픽 분야의 주요 혁신 대부분을 발명한 세계 1위 기업이 되었다. 젠슨 황은 "우리는 사실 회사를 세우고 돈을 모아서 교과서를 산 것"이라고 요약한다
3. 엔비디아의 근본 교훈: 기술은 계속 바뀐다, 중요한 건 배우는 태도
   1. "how hard can it be" 태도: 중요한 일이라면 일단 배우러 간다, 그리고 실제로는 늘 예상보다 훨씬 어렵다는 것을 알면서도 "얼마나 어렵겠어"라는 마음가짐으로 뛰어든다는 것이 엔비디아의 반복된 방식이었다

---

2. 세가(Sega)와의 드림캐스트 계약: $500만 달러가 회사를 살린 이야기

인터뷰어가 "최근 일본에서 세가에 경의를 표한 일"을 언급하며 끌어낸 일화로, 엔비디아를 "틀린 알고리즘"에서 벗어나게 만든 결정적 사건이다.

2.1. 드림캐스트 계약의 실체

1. 원래 세가 새턴(Saturn) 후속기(=드림캐스트) 개발 계약
   1. $1200만 달러 규모 계약: 세가는 새턴의 후속 콘솔(나중에 드림캐스트로 알려짐) 개발을 엔비디아에 맡겼고, 계약 규모는 1200만 달러였다
   2. 엔비디아는 결국 드림캐스트를 만들지 못함: 엔비디아의 알고리즘·기술이 근본적으로 결함이 있었기 때문에 실제 드림캐스트는 엔비디아가 만들지 않았다
2. 일본으로 날아가 세가 CEO에게 실패를 고백
   1. 마드라산(원문 발음 그대로, 당시 세가 CEO)에게 직접 통보: 젠슨 황은 일본으로 가서 세가 CEO에게 "기술이 작동하지 않아서 1200만 달러 계약을 이행할 수 없다"고 이유까지 솔직히 설명했고, "다른 업체를 고르라"고 조언까지 했다
   2. 그럼에도 돈은 필요하다고 요청: 놀랍게도 젠슨 황은 이어서 "그래도 계약금은 여전히 필요하다"고 요청했다. 세가 CEO의 반응은 "그러니까 계약한 걸 못하겠다면서 계약금은 다 받고 싶다는 거냐"였고, 젠슨 황은 "정확히 그렇다"고 답했다(단, 정중하고 겸손한 태도로)

2.2. 신뢰가 만든 생존

1. "회사가 아니라 사람에게 투자한다"는 원칙
   1. 세가 CEO의 판단: 세가 CEO는 젠슨 황이 정직했고 모든 게 앞뒤가 맞다고 판단했으며, 돈을 주지 않으면 엔비디아가 망할 것이라는 것도 알았다. 젠슨 황은 이를 "이 방 안에서도 마찬가지다. 여러분은 회사가 아니라 사람에게 투자하는 것"이라고 청중에게 확장해서 말한다
   2. $500만 달러 지급 → 생존 시간 확보: 결국 세가는 500만 달러를 지급했고, 이 돈이 엔비디아가 "다음에 뭘 해야 할지 알아낼 시간"을 벌어주었다
2. 드림캐스트 지분의 아이러니 (청중과의 대화)
   1. "세가는 그 지분을 1500만 달러에 팔았다고 들었다": 인터뷰어의 언급
   2. 엔비디아 상장 시점 밸류에이션 $3억 달러: 젠슨 황은 세가가 지분을 판 시점이 엔비디아가 상장했을 때였고, 당시 밸류에이션이 3억 달러(1999년 기준으로 "real money")였다고 정정한다
   3. 현재는 1조 달러 이상: 인터뷰어가 "지금은 1조 달러가 넘는다"고 언급하자 젠슨 황은 "그보다 더 된다"고 답한다

---

3. 알렉스넷(AlexNet)과 딥러닝: "범용 함수 근사기"의 발견

인터뷰어가 "스파이스를 지배하는 남자(듄 인용)"라는 비유로 물은 질문 — AI 혁명에서 GPU가 이렇게 중요해질 줄 어떻게 알았는가.

3.1. 알고리즘 렌즈로 세상을 보는 습관

1. 엔비디아의 관점은 늘 "알고리즘 탐색"이었다
   1. 다양한 알고리즘 도메인 사례: 젠슨 황이 언급한 자신의 세계관 렌즈는 Nambdi, Vasp, OpenGL, SQL 같은 "도메인 특화 알고리즘"을 찾는 것이었고, 알렉스넷도 그중 하나로 발견했다
   2. "이 알고리즘이 왜 이렇게 효과적인가"라는 질문: 알렉스넷이 등장했을 때 "이 알고리즘이 무엇이고 왜 이렇게 효과적이며 무엇을 더 할 수 있는가"를 물었다
2. 핵심 돌파구: 알렉스넷은 알렉스넷이 아니었다
   1. "범용 함수 근사기(universal function approximator)"라는 재정의: 딥러닝은 어떤 함수든 학습할 수 있는 방법론이라는 것이 진짜 돌파구였다. 15년 전부터 젠슨 황은 이 개념을 사람들에게 설파해왔다고 말한다
   2. 부정확해도 되는 문제들의 발견: 대부분의 흥미로운 문제는 원래 "부정확(imprecise)"할 수밖에 없는데, 범용 함수 근사기는 이런 문제에 딱 맞았다

3.2. 즉각적인 파급 효과: 5계층 케이크(five layer cake) 재구성

1. 컴퓨팅 스택 전체를 다시 상상함
   1. 컴퓨터 비전·로보틱스·자율주행으로 즉시 확장: "범용 함수 근사기"를 발견한 직후 거의 바로 컴퓨터 비전, 로보틱스, 자율주행차 작업에 착수했다
   2. "5계층 케이크"라는 개념: 프로세서, 미들웨어, 알고리즘, 애플리케이션까지 이어지는 산업 스택 전체("5 layer cake")를 약 15년 전부터 재구상해왔다고 밝힌다
2. 일관된 사고 방법론
   1. 1차 원리(first principles)로 되돌아가기: "이게 그렇다면 다음은 어떻게 되나(if this then what)", "이게 더 나아지면 그다음엔(if this can get better then so what)" 같은 근본적 질문을 반복하는 것이 핵심 방법론이라고 설명한다

---

4. CEO 리더십 철학: 시스템 사고와 "파운더 모드"

인터뷰어가 "당신은 논문을 직접 읽고 수석 과학자와 직접 대화한다. 진짜 파운더 모드인데, 어떻게 조직을 이렇게 운영하나"라고 질문한 데서 시작.

4.1. 호기심에서 출발하는 정보 습득 원칙

1. 본인의 호기심을 먼저 해소
   1. 첫 번째 성향: 스스로 답을 찾으러 감: 주변 사람들의 답이 만족스럽지 않을 때가 많아서, 자기 호기심에 대한 답을 직접 찾으러 가는 게 첫 번째 성향이다
   2. 두 번째 성향: 회사에 중요할 만한 정보라면 최대한 배워서 공유: 배운 것을 회사 전체와 공유해 모두를 도우려는 태도로 이어진다. 이는 "관리 기법이 아니라 성격(personality technique, not management technique)"이라고 강조한다
2. CEO는 "회사에 봉사하는 자리"라는 관점
   1. 인터뷰어의 팟캐스트에 빗댄 비유: 젠슨 황은 인터뷰어(이 대화 상대)가 팟캐스트로 지식을 공유하는 것과 CEO가 통찰을 나눠주는 것이 다르지 않다고 말한다

4.2. 서핑 비유: 빠르게 변하는 기술을 이해하는 법

1. "촉각적 감각(tactile sensation)" 없이는 기술 변화가 혼돈처럼 보인다
   1. 서퍼의 비유: 파도를 모르는 사람에게는 서핑이 혼돈처럼 보이지만, 서퍼는 파도를 읽고 그 위에 머무는 법을 안다. CEO도 마찬가지로 "파도 읽는 법", "바람 읽는 법", "타이밍"을 실제로 해봐야 배울 수 있다고 말한다
   2. 1차 원리를 이해하면 모든 게 이해된다: 시간이 지나 1차 원리를 이해하게 되면 아무리 빠르게 변하는 것도 이해가 된다는 설명이다

4.3. F1 레이서 비유: 조직을 자신에게 맞춰라

1. "당신이 몰 자동차를 만드는 것"
   1. 관습적 조직·관리 기법을 따르지 않아도 된다: 창업자는 F1 레이서를 만드는 것과 같아서, 자동차(=조직)를 자신이 몰 수 있는 형태로 만들어야 한다는 비유다
   2. "내가 죽으면 다음 CEO가 회사를 다시 빚으면 된다": 누군가 "관습적 관리 기법을 안 쓰면 당신이 떠난 뒤엔 어떻게 되냐"고 물었을 때, 젠슨 황은 "내가 일하다 죽으면 다음 CEO가 회사를 재구성하면 된다"고 답했다고 밝힌다. 지금은 세계와 경쟁하고 미션을 달성해야 하는 시기이므로, 차를 자신에게 맞추는 게 우선이라는 논리다
2. "자동차를 바꾸면 레이스에서 진다" — 인터뷰어의 코멘트에 대한 답
   1. "끊임없이 차를 조정한다": 젠슨 황은 자신이 늘 회사를 조정하고 비즈니스 프로세스를 재구성하며 더 효과적으로 일하려 한다고 답한다
   2. "파운더 모드가 34년간 스케일될 수 있다": 인터뷰어가 "진짜 파운더 모드"라고 감탄하자, 젠슨 황은 파운더 모드가 34년간 유지·확장될 수 있음을, 시가총액 0에서 5조 달러까지의 성장이 그 증거라고 말한다

---

5. 에이전트 시대: 통제 가능성(controllability)이 핵심 돌파구

인터뷰어가 "재료과학부터 앱 레벨까지, 오픈클로(OpenClaw)와 허미스(Hermes) 에이전트에 대해 처음 공개적으로 언급한 사람"이라며 풀 스택 AI 팩토리에 대해 질문.

5.1. 시스템 사고가 미래의 핵심 스킬이다

1. 저수준 작업은 결국 에이전틱하게 자동화된다
   1. 칩 설계의 선례: 젠슨 황 세대에는 트랜지스터·게이트·기능 블록을 직접 합성(synthesize)했지만 지금은 이 모든 게 자동 합성된다. 마찬가지로 소프트웨어도 대부분 에이전틱하게 작성될 것이다
   2. 그래서 "시스템 설계자"가 되어야 한다: 문제가 무엇인지, 제약이 무엇인지, 입력·출력이 어디서 오는지, 정보 흐름의 속도, 프로세서·메모리·네트워킹 중 무엇이 병목인지를 추상적으로 사고할 수 있어야 한다
2. 이미 벌어지고 있는 재귀적 자기개선(recursive self-improvement)
   1. 에이전트가 쓸수록 스스로 개선된다: 에이전트를 쓸 때마다 마크다운 파일이 개선되고, 장기 기억(long-term memory)이 업데이트되며 압축되거나 지식 그래프로 변환되는 방식으로 비동기적으로 계속 똑똑해진다는 설명이다

5.2. 진짜 필요한 건 "정밀한 통제(fine-grain control)"

1. 프롬프트만으로는 너무 거칠다(too coarse)
   1. RAG·조건부 입력만으로는 부족: 프롬프트를 출력으로 바로 넣는 방식은 지나치게 거친 제어 방식이라고 지적한다
   2. "계획 파일의 단어 하나를 바꾸면 결과가 델타(delta)만큼만 바뀌어야 한다": 픽셀 하나, 삼각형 하나, CAD 파일의 컴포넌트 하나, 레이어·비아·연결 하나 단위로 정밀 제어가 가능해지는 게 진짜 게임체인저라고 강조한다
2. 에이전트가 100% 정확할 필요는 없다
   1. 80%, 99%면 충분하고 나머지는 사람이 채운다: 에이전트가 완벽할 필요 없이, 나머지를 사람이 메워주면 된다는 실용적 관점을 제시한다
   2. "통제 가능성이 에이전트 최대의 돌파구": 모든 레벨에서 통제 가능성(controllability)이 다음 브레이크스루라고 단언한다

5.3. 개인 AGI를 스스로 통제해야 하는 이유 (오픈클로/허미스와의 관계)

1. "에이전트가 새로운 소프트웨어"이므로 컴퓨터 아키텍처 관점에서 이해해야 함
   1. 채팅봇·추론과의 차이 이해가 시스템 설계에 직결: 에이전트가 챗봇이나 초기 추론(inference)과 어떻게 다른지 깊이 이해할수록 더 나은 시스템을 설계할 수 있다는 논리다
   2. "우리는 5~10년 미래에 살아야 한다": 시스템 구축에 3년, 램프업에 몇 년이 걸리고 10년은 써야 하므로, 항상 미래를 미리 살아야 한다는 원칙을 밝힌다
2. 오픈클로(OpenClaw)를 만났을 때: "현대 컴퓨터를 설계했다"는 확신
   1. "리눅스 모먼트(Linux moment)": 오픈클로가 나왔을 때 처음엔 "안전하지 않다"는 우려가 있었지만, 젠슨 황은 이것이 "대형 언어모델을 담을 운영체제"이며 "누구나 자기만의 AI를 만들 수 있게 하는 리눅스 순간"이라고 느꼈다고 밝힌다
   2. 피터(Peter, 오픈클로 창업자로 추정)에게 직접 연락: "엔비디아의 모든 엔지니어가 당신의 엔지니어다. 당신 앞에 거대한 전함(battleship)이 있으니 원하는 대로 문제를 쪼개면 우리가 기여하겠다"고 말했다고 밝힌다
3. 모두가 자기만의 도메인 특화 AI를 만들어야 하는 시대
   1. 클라우드 서비스도 쓰되, 자체 AI도 필요: 챗GPT·클로드 같은 클라우드 서비스를 최대한 쓰라고 권하면서도, 회사라면 도메인 특화 AI가 필요하고 이를 위해 허미스·오픈클로·랭체인·딥에이전트 같은 다양한 선택지가 있다고 설명한다
   2. "AI가 똑똑하니 AI를 다루는 것도 쉬워야 한다": 소프트웨어(=AI) 자체가 똑똑하기 때문에 쉽게 커스터마이징할 수 있어야 한다는 논리를 편다

---

6. 물리 AI(Physical AI)와 로보틱스: "로봇의 챗GPT 모먼트"

인터뷰어가 "로봇공학이 언제쯤 실용화되는지"를 물으며 시작된 섹션.

6.1. 생성형 비디오에서 로봇 조작(articulation)으로

1. 엔비디아 연구실에서의 조기 발견
   1. 컨디셔널 GAN·프로그레시브 게임 연구가 먼저 있었다: 최초의 비디오 생성 사례가 외부에 알려지기 몇 년 전, 엔비디아 내부 랩에서는 이미 신경망이 완전히 생성한 시뮬레이터로 자동차를 운전하는 실험을 하고 있었다
   2. "손가락이 움직이는 비디오를 만들 수 있다면 로봇도 시킬 수 있다": 손가락이 움직이거나 손이 컵을 집는 비디오를 생성할 수 있다면, 로봇이 같은 동작을 하게 만들 수 있다는 논리적 도약이 있었다고 밝힌다
2. 물리 법칙을 이해하는 AI, "World Foundation Model"
   1. 로봇이 물리 법칙에 맞는 동작을 생성해야 하는 과제: 마찰·장력 같은 물리 법칙, 인과관계를 로봇이 어떻게 이해하게 할 것인가라는 질문에서 "물리 AI(Physical AI)"라는 개념이 나왔다
   2. "로봇의 챗GPT 모먼트는 이미 몇 년 전에 일어났다": 챗GPT가 처음 나왔을 때 당장 생산적이진 않았지만 가능성에 대한 상상력을 열어준 것처럼, 강화학습으로 물리 법칙에 접지(ground)된 로봇이 걸어 다니게 된 시점이 몇 년 전이었다고 밝힌다

6.2. Real-to-Sim-to-Real 파이프라인

1. 평가 환경 구축이 먼저다
   1. Isaac Sim과 Cosmos: 시뮬레이션 기반 물리 시뮬레이션과 생성형 물리 시뮬레이션 모두를 다루는 Isaac Sim, Cosmos 등이 이 영역의 작업이다
   2. 강화학습 기반 sim-to-real: 전기기계 시스템에 물리적으로 접지시키는 작업이 로보틱스의 "포스트 트레이닝(post-training)" 단계에 해당한다고 설명한다

6.3. 물리 AI가 처음 경제적으로 실재화되는 곳: 자율주행

1. 자율주행을 첫 응용처로 택한 이유
   1. 충분히 큰 시장 + 표준화 가능한 기술: 물리 AI 응용 중 시장 규모가 충분히 크고 표준화된 기술로 스케일업과 플라이휠을 만들 수 있는 첫 응용은 자율주행차였다고 밝힌다
   2. 웨이모·테슬라·메르세데스 사례: 웨이모에서 엔비디아 칩이 차량 안에, 이제는 데이터센터 안에도 들어가 있고, 메르세데스도 데이터센터·차량·소프트웨어 스택 전반에 엔비디아가 관여한다고 설명한다
2. 자율주행 스택을 오픈소스화한 이유
   1. 농업·우편배달·창고 AMR로 확장: Alamo(자율주행 스택)를 오픈소스화한 이유는 농업, 우편 배달, 창고 자율이동로봇(AMR) 등 각 시장 자체는 자율주행차 시장만큼 크지 않지만 충분히 다양해서 전체 스택이 필요했기 때문이다
   2. 로보틱스·자율주행·물리 AI 사업 규모 이미 약 100억 달러: 이 사업이 이미 100억 달러(약 10 billion dollars) 규모이며, 향후 10년 안에(2~3년보다는 길게) 세계 최대 산업 중 하나가 될 것이고 "다음 1000억 달러 사업"이 될 것이라고 전망한다
3. Alpamayo — 세계 최초의 "생각하는" 자율주행차
   1. 체인 오브 소트(chain of thought)에서 영감: 8년 전쯤 스탠퍼드에서 나온 초기 체인오브소트 연구를 보며 "사전 지식으로 추론할 수 있다면 자율주행차 학습에 필요한 데이터가 훨씬 적어도 되지 않을까"라는 통찰이 있었다
   2. 단 몇백만 마일로도 훌륭한 자율주행 성능: 사람이 그렇듯 언어모델에서 온 사전 지식으로 낯선 상황을 익숙한 요소로 분해해 이해할 수 있기 때문에, 겨우 몇백만 마일 데이터로도 매우 뛰어난 자율주행차(Alpamayo)를 만들 수 있었다고 설명한다

---

7. 오픈소스 철학: X(트위터) 첫 게시물과 오픈클로/허미스에 대한 리더십

7.1. 2026년까지 X에 게시물을 올리지 않았던 이유

1. "내향적이라 그렇다" — 첫 X 포스트 비화
   1. 2026년까지 첫 포스트가 없었던 인물: 인터뷰어가 "환영합니다, 첫 포스트를 하셨죠"라고 언급하자, 젠슨 황은 자신이 얼마나 내향적인지 보여주는 사례라며 "아마 지구상에서 X에 마지막으로 게시물을 올린 사람일 것"이라고 농담한다
   2. "올린 내용이 나에게도, 업계에도, 세상에도 너무 중요했다": 부끄러움을 극복하고 게시물을 올린 이유를 이렇게 설명한다

7.2. 오픈소스가 없었다면 오늘의 AI도 없었다

1. 역사적 선례들
   1. 리눅스·쿠버네티스가 없었다면 모바일 클라우드 산업도 없었다: 인터뷰어의 발언에 젠슨 황이 동의하며 확장한다
   2. TensorFlow·PyTorch(그리고 Caffe, Torch, Theano 같은 초기 버전들): 이런 오픈소스 프레임워크들이 없었다면 현대 AI가 나올 수 없었을 것이라고 강조한다

---

8. AI와 일자리: "AI가 일자리를 파괴한다는 서사는 정확히 반대다"

인터뷰어의 질문: "지능이 온탭(on tap, 언제든 꺼내 쓸 수 있는 상태)이 되면 경제에 무슨 일이 벌어지는가."

8.1. 태스크(task)와 잡(job)은 다르다

1. AI는 태스크를 자동화하지, 반드시 잡을 없애지는 않는다
   1. "잡에는 목적이 있고, 그 목적은 여러 태스크로 이루어진다": 일부 태스크는 자동화되지만 다수는 자동화되지 않는다는 논리다
   2. 소프트웨어 엔지니어 사례: 코딩(태스크)은 이미 자동화됐지만 소프트웨어 엔지니어 일자리 수는 오히려 연간 10% 증가했다고 밝힌다
2. 방사선과·법률 사례로 확장
   1. 방사선 스캔 판독은 자동화됐지만 방사선과 일자리는 20% 증가: 이유는 환자 적체(backlog)가 워낙 커서, AI 덕분에 병원이 더 많은 환자를 받을 수 있게 되자 오히려 더 많은 간호사·방사선과 의사가 필요해졌기 때문이라고 설명한다
   2. Harvey(법률 AI)가 파랄리걸(paralegal)을 없앨 것이라 했지만 오히려 급증: 소송 적체가 워낙 많아서, 로펌들이 더 많은 사건을 처리할 수 있게 되자 더 많은 사람을 고용해야 했다는 것이다

8.2. 생산성 증가가 곧 고용 증가로 이어진다는 결론

1. "내가 학교를 갓 졸업했을 때보다 지금 고용이 더 많은 이유가 바로 이것": 생산성 증가 → 성장 증가 → 고용 증가라는 고전적 패턴이 반복되고 있다는 결론이다

---

9. 젊은 세대에게 전하는 조언: "학교에 계속 다녀라"

9.1. 자동화될 것과 절대 사라지지 않을 것

1. "단순한 것"은 자동화된다
   1. 코딩도 결국 자동화 대상: "컴퓨터 앞에 앉아 코드를 직접 타이핑해서 문제를 푼다"는 개념 자체가 자동화될 것이라고 말한다
   2. 롱디비전(long division)에 빗댄 비유: 자신이 자랄 때 배웠던 손으로 하는 나눗셈 계산이 계산기로 자동화됐던 것과 같은 흐름이라는 것이다
2. "어려운 문제"는 절대 사라지지 않는다
   1. 물리학·화학·생물학·컴퓨터공학·시스템 사고: 특히 여러 분야가 교차하는 지점의 어려운 문제들은 결코 사라지지 않을 것이라고 강조한다
   2. 트랜지스터 1000개 칩에서 1조 개 칩으로: 자신이 졸업했을 때는 트랜지스터 1000개짜리 칩도 큰 칩이었지만 지금은 1조 개 트랜지스터 칩을 설계하는 게 "별일 아니다(not a thing)"라고 말할 정도로 야망의 스케일이 달라졌다는 걸 예로 든다

9.2. 18~22세의 자신에게 보내는 메시지: 회복탄력성(resilience)

1. 창업 초기의 두려움을 솔직히 회고
   1. "어떻게 시작하는지 아무도 안 가르쳐 주던 시절": 유튜브도, YC도 없던 시절 서점에서 500페이지짜리 창업 안내서를 사고는 "이걸 다 읽을 때쯤이면 이미 폐업했을 것"이라 생각해 읽지 않았다는 일화다
   2. 투자자에게 질문받는 게 무서웠다: "그들의 질문에 어떻게 답해야 할지 몰랐다"는 두려움을 지금도 완전히 극복하지 못했다고 솔직히 말한다
2. "지금이 지난 60년 중 창업하기 가장 좋은 시기"
   1. 컴퓨터라는 인류사 가장 중요한 기술이 완전히 리셋됐다: 산업 전체가 기술적 관점에서 완전히 재설정됐다는 게 이유다
   2. "How hard can it be" + 매일 조금씩 견디기: 얼마나 어려운지 미리 상상하며 불안에 빠지지 말고, "얼마나 어렵겠어"라는 마음으로 시작해서 그날그날 견디면 된다는 조언이다. "오늘 하루만 버티면 된다. 내일을 향해 일하면 된다"는 말로 요약한다
   3. "배우는 능력을 믿어라": 학습이야말로 가장 큰 초능력(single greatest superpower)이며, 회복탄력성(resilience)이 가장 중요한 자질이라고 결론짓는다

---

주요 발언 모음

"The thing that most people don't believe is that the choice of our technology that we started the company with was absolutely wrong." (대부분의 사람들이 믿지 않는 사실은, 우리가 회사를 시작할 때 선택한 기술 자체가 완전히 틀렸다는 것이다)

"So we actually started the company, raised money and bought textbooks when you think about it." (생각해보면 우리는 회사를 세우고 돈을 모아서 교과서를 산 것이다)

"You don't invest in companies you invest in people." (사람들은 회사에 투자하는 게 아니라 사람에게 투자하는 것이다)

"The narrative about AI destroying jobs is exactly backwards. AI eliminates tasks. AI automates tasks away. But it doesn't necessarily eliminate jobs." (AI가 일자리를 파괴한다는 서사는 정확히 반대다. AI는 태스크를 없앨 뿐, 반드시 일자리를 없애지는 않는다)

"Words are thoughts." (말이 곧 생각이다)

"This is the single greatest time to start a company." (지금이야말로 창업하기에 역사상 가장 좋은 시기다)

"How hard can it be?" (얼마나 어렵겠어? — 젠슨 황이 반복해서 강조하는 태도)

핵심 데이터 & 수치

• 엔비디아 창업 연도: 1993년, 3D 그래픽 가속을 목표로 창업했으나 알고리즘이 근본적으로 틀렸음을 1995년에 인지
• 세가 드림캐스트 계약: 원 계약 규모 1200만 달러, 실제 기술 실패 후 지급받은 금액은 500만 달러
• 엔비디아 IPO(1999년) 밸류에이션: 3억 달러
• 현재 시가총액: 1조 달러 이상(인터뷰 시점 기준, "그보다 더 된다"는 언급으로 볼 때 실제로는 이보다 훨씬 큼 — 인터뷰 맥락상 5조 달러 수준까지 언급됨)
• 소프트웨어 엔지니어 일자리: 코딩 자동화에도 불구하고 연간 10% 증가
• 방사선과 일자리: AI가 스캔 판독을 대체했음에도 최근 몇 년간 약 20% 증가
• 엔비디아 로보틱스·자율주행·물리 AI 사업 규모: 약 100억 달러(10 billion dollars), 향후 10년 내 "다음 1000억 달러 사업"으로 전망
• Alpamayo 자율주행차: 단 100만~200만 마일 데이터로 우수한 자율주행 성능 달성 (사전 지식 기반 추론 덕분)

결론 및 시사점

1. 기술 선택이 틀려도 괜찮다. 중요한 건 그것을 인정하고 배우려는 태도다. 엔비디아는 완전히 틀린 알고리즘으로 시작했지만, 교과서를 사서라도 배우겠다는 태도가 오늘의 세계 1위 그래픽·AI 기업을 만들었다.
2. 정직함과 신뢰는 위기에서 가장 강력한 자산이다. 세가와의 계약 실패를 숨기지 않고 솔직히 알린 것이 오히려 회사의 생존 자금을 확보하는 결과로 이어졌다.
3. 에이전트 시대의 진짜 과제는 "정확도"가 아니라 "정밀한 통제력(controllability)"이다. 100% 완벽할 필요 없이, 세밀하게 조정 가능한 통제 체계를 만드는 것이 다음 브레이크스루라는 게 젠슨 황의 핵심 주장이다.
4. 개인과 기업 모두 자신만의 AI를 직접 만들어야 한다. 오픈클로·허미스 같은 오픈소스 도구를 통해 클라우드 AI에만 의존하지 않고 도메인 특화 AI를 구축하는 것이 중요하다.
5. AI가 일자리를 없앤다는 서사는 반대다. 태스크 자동화가 오히려 적체된 수요(backlog)를 해소하며 더 많은 고용을 창출한다는 것이 소프트웨어·방사선과·법률 분야의 실증 사례다.
6. 로보틱스의 "챗GPT 모먼트"는 이미 몇 년 전에 지나갔다. 이제는 real-to-sim-to-real 파이프라인을 통한 평가와 접지(grounding)의 시기이며, 자율주행이 물리 AI의 첫 대규모 상업화 사례가 되고 있다.
7. 젊은 세대에게: 단순한 것은 자동화되지만 어려운 과학·시스템 사고는 절대 사라지지 않는다. 학교에 남아 근본 원리를 배우고, 매일 조금씩 견디는 회복탄력성을 기르라는 것이 젠슨 황의 마지막 조언이다.