AI의 기억을 빌리지 말라: 소유하는 사적 지능의 설계

URL: https://www.youtube.com/watch?v=apyrzaWj0Z4 날짜: 2026-10-02 채널: aiDotEngineer

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==다가올 초지능(Superintelligence)의 핵심 질문은 ‘언제 등장하는가’가 아니라 ‘누구의 것인가’다.==

• 클라우드 사업자의 데이터센터에 있는 지능을 토큰 단위로 빌리면 모델·컴퓨트·도구·기억을 함께 임대하게 된다.
• 개인 하드웨어에서 모델과 기억을 소유하면 누구도 지능을 끄거나 제한하거나 빼앗을 수 없다.
• 지능이 개인의 선호·교정·실패 기록을 장기간 축적할 때 비로소 매번 처음 만나는 챗봇이 아니라 개인의 ‘두 번째 마음(second mind)’이 된다.
• 기억은 단순히 긴 프롬프트가 아니라 쓰기(Write)·검색(Retrieve)·망각(Forget)으로 구성된 시스템이며, 이 시스템의 저장소가 개인에게 귀속되어야 한다.

다가올 초지능의 성능만큼 중요한 것은 개인의 삶에서 만들어진 문맥과 연속성(continuity)을 누가 통제하는가다. 모델을 자기 컴퓨터에서 돌리는 것만으로는 충분하지 않으며, 자신을 계속 학습해 온 기억까지 소유해야 한다. 기억을 로컬에서 시작하고 공유를 선택 사항으로 두면 개인·가족·팀마다 삶에 맞춰진 작은 사적 지능을 만들 수 있다.

1. 프런티어가 집으로 돌아온다는 뜻

1.1. 초지능의 도착보다 소유권이 중요한 이유

1. 초지능의 시점은 핵심 쟁점이 아니다

   1. Dylan Couzon은 Qdrant의 Developer Relations Engineer로 소개하며 ‘The Frontier Is Coming Home’이라는 제목을 제시한다.
   2. 앞으로 몇 년 안에 우리 모두보다 똑똑한 무언가가 존재할 가능성이 높지만, ‘언제(when)’를 묻는 것은 이제 지루한 질문에 가깝다고 말한다.
   3. 진짜 질문은 그 지능이 누구에게 속하느냐(who it belongs to)다.

2. 소유권에 따라 두 가지 미래가 갈린다

   1. 첫 번째 미래에서는 초지능이 다른 회사의 데이터센터에 살고 사용자는 토큰 단위로 비용을 낸다.
   2. 두 번째 미래에서는 지능이 사용자 소유이며 사용자의 삶에서 배우고 문맥은 비공개로 유지된다.
   3. 후자의 지능은 외부 사업자가 끄거나(throttle) 속도를 낮추거나 가져갈 수 없다.

1.2. 기억하는 비서가 ‘두 번째 마음’이 되는 과정

1. 장기 기억이 만드는 질적 변화

   1. 비서가 사용자가 가르친 모든 것, 즉 모든 선호(preference)·교정(correction)·수년간의 시행착오와 막다른 길(dead end)을 기억한다고 가정한다.
   2. 그런 시스템은 더 이상 단순한 챗봇이 아니라 사용자의 두 번째 마음(second mind)에 가까워진다.
   3. 반대로 현재의 많은 비서는 대화가 끝나는 순간 대부분을 잊고, 새 세션마다 0에서 출발한다.

2. 기억 없는 천재의 한계

   1. 현재의 AI를 지능이라고 부르지만, 장기 기억이 없는 천재(genius with no long-term memory)에 가깝다.
   2. 이 문제는 더 큰 프롬프트를 붙이는 방식이 아니라 실제 기억 시스템을 붙이는 방식으로 해결해야 한다.
   3. 사용자의 삶을 지속적으로 학습하는 기억이 모델의 기본 능력을 개인적인 지능으로 바꾼다.

2. 프런티어 모델은 이미 책상 위에 있지만 아직 ‘내 것’은 아니다

2.1. 로컬 하드웨어로 내려온 모델 성능

1. 하드웨어 접근성의 변화

   1. 과거 천재 같은 모델은 보이지 않는 기업 데이터센터의 API 뒤에만 있었지만, 이제는 대부분의 사람이 소유한 하드웨어에서도 실행된다.
   2. 절대적인 최전선(frontier) 모델은 아니더라도, 2,500달러 미만의 기계가 오늘날 사실상 지난해의 프런티어 모델을 실행할 수 있다.
   3. 오픈 웨이트(open weights) 모델은 빠르게 격차를 좁히고 있으며 그 차이는 분기마다 줄어든다.

2. 모델만으로는 개인 지능이 되지 않는다

   1. 프런티어급 모델을 노트북 가격으로 책상 위에 올려놓는 일은 큰 사건처럼 보여야 하지만, 모델 하나는 강력한 ‘똑똑한 낯선 사람(brilliant stranger)’일 뿐이다.
   2. 모델은 강력해도 사용자에 관한 지식이 없으면 사용자의 것이 아니다.
   3. 모델을 개인의 것으로 만드는 것은 사용자에 대해 알고 있는 모든 것이며, 이 부분은 아직 집으로 돌아오지 않았다.

2.2. 임대되는 AI 스택이 만드는 의존성

1. 빌리는 대상의 범위

   1. 오늘날 대부분의 AI 스택에서 컴퓨트(compute)가 임대된다.
   2. 모델(model)과 에이전트 하네스(harness)도 임대된다.
   3. 수년에 걸쳐 축적되어야 할 개인의 기억과 능력의 복리(compounding)마저 임대되고 있다.

2. 임대가 지속될 때의 소유권 문제

   1. 컴퓨트와 모델 웨이트(weights)를 소유하면 통제권이 사용자에게 돌아오지만, 그것만으로는 문제의 절반만 해결된다.
   2. 이를 고치지 않으면 우리 생애에서 가장 강력한 기술이 그 기술을 만든 사람보다 임대 계약을 쥔 사업자의 소유가 된다.
   3. 지능의 사용료를 내는 것과 지능이 나를 계속 기억하도록 맡기는 것은 별개의 의존성이다.

3. 임대의 실제 비용: 통제권과 연속성의 상실

3.1. 모델 접근권을 빌릴 때 생기는 세 가지 불안정성

1. 접근권을 한 번에 잃을 수 있다

   1. 최근 한 달 사이 정부 명령으로 Fable과 Mythos 5라는 두 플래그십 모델에 대한 접근권이 모든 고객에게서 사라진 사례가 언급된다.
   2. 사용자가 이미 자기 책상에 내려받아 둔 모델 웨이트는 외부 사업자가 원격으로 끄거나 회수할 수 없다.
   3. 소유한 모델의 접근권은 서비스 정책이나 정치적 결정에 종속되지 않는다.

2. 서비스가 유지되어도 모델이 그대로 남는다는 보장은 없다

   1. 제공업체는 모델 버전을 폐기하거나 남은 버전의 사용량을 제한한다.
   2. 경제성이 나빠지면 의존하던 모델이 조용히 성능을 낮추거나 사라질 수 있다.
   3. 직접 소유한 웨이트는 사용자가 바꾸지 않는 한 바뀌지 않는다.

3. 구독 요금은 실제 사용량을 반영하지 않을 수 있다

   1. 개발자는 더 이상 짧은 프롬프트만 입력하지 않고, 몇 시간 동안 에이전트나 루프(agent/loop)를 실행한다.
   2. 작업 하나가 일반적인 채팅 메시지보다 수천 배 많은 토큰을 태울 수 있다.
   3. 200달러 요금제를 쓰면서 한 달에 5,000달러 이상의 컴퓨트를 소비하는 개발자도 있으며, 이 차이는 사업자가 보조하는 비용이다.
   4. 이런 보조금은 장기적으로 사라질 가능성이 높고, 그때 임대 구조의 실제 비용이 사용자에게 전가된다.

3.2. 추론의 자율성과 기억의 연속성

1. 소유한 추론은 자율성을 준다

   1. 컴퓨트와 웨이트를 직접 소유하면 아무도 모델을 빼앗을 수 없다.
   2. 하지만 모델이 사라지지 않는 자율성(autonomy)만으로는 사용자의 경험이 이어지지 않는다.

2. 기억이 연속성을 준다

   1. 연속성(continuity)은 기억이 제공하며, 주요 AI 연구소는 이 연속성을 기능으로 포장해 사용자에게 다시 판매하려 한다.
   2. 지난해 모든 프런티어 연구소가 기억 기능을 출시한 이유는 모델이 세션 사이에서 아무것도 가져가지 못하기 때문이다.
   3. 바로 이 세션 간 공백이 실제 상품이며, 단순한 모델 지능의 부족이 아니다.

3. 기억의 복리 효과

   1. 처음에는 단순한 시스템이라도 사용자를 계속 학습하면 처음부터 뛰어나지만 사용자를 전부 잊는 시스템보다 더 똑똑하게 느껴진다.
   2. 선호와 교정, 한 번만 겪으면 되는 실패 경로가 쌓이면서 지능이 개인화된다.
   3. 이 복리 효과가 지능을 개인적으로 느끼게 하는 출발점이다.

4. 기억은 프롬프트가 아니라 쓰기·검색·망각의 시스템이다

4.1. 기억을 구성하는 세 가지 동사

1. 쓰기(Write)

   1. 대화·관찰·행동에서 나중에 다시 쓸 만한 사실과 문맥을 기억 저장소에 기록한다.
   2. 사용자의 선호, 교정, 반복되는 선택, 한 번만 경험하면 되는 실패를 장기 문맥으로 남긴다.

2. 검색(Retrieve)

   1. 현재 질문과 관련된 기억만 찾아 모델에 제공한다.
   2. 모든 기록을 한꺼번에 프롬프트에 넣는 대신 주제(topic)로 필터링하고 필요한 문맥을 선택한다.
   3. 검색은 단순한 프롬프트보다 어떤 기억이 현재 응답에 들어갈지 통제할 수 있게 한다.

3. 망각(Forget)

   1. 기억은 모든 것을 영원히 같은 강도로 보존하지 않고 시간과 사용 빈도에 따라 중요도가 변한다.
   2. 최근성(recency)과 빈도(frequency)에 따라 기억을 감쇠(decay)시키고, 시간이 지나면서 관련성(relevance)을 재평가한다.
   3. 쓰기·검색·망각이라는 세 동사는 인간의 기억이 실제로 작동하는 방식과 닮아 있다.

4.2. 마크다운 폴더와 검색 가능한 저장소의 차이

1. 모든 것을 파일에 넣는 방식의 한계

   1. 모든 기록을 큰 마크다운 파일 폴더에 넣는 방법은 가능하지만, 필요한 기억을 즉시 찾는 문제를 해결하지 못한다.
   2. 자료를 계속 쌓는 것보다 현재 맥락에 맞는 기억을 검색하는 것이 중요하다.

2. 검색이 제공하는 제어권

   1. 검색은 주제별 필터, 최근성·빈도에 따른 감쇠, 시간에 따른 관련성 이동을 구현한다.
   2. 이 제어권이 기억을 단순한 로그가 아니라 실제로 작동하는 개인 문맥으로 만든다.

4.3. 기억 인프라는 이미 준비되어 있었다

1. 벡터 검색의 성숙

   1. HNSW(Hierarchical Navigable Small World)는 2016년부터 존재했다.
   2. 임베딩(embeddings)은 어떤 모델이 대규모로 활용하기 훨씬 전인 2019년부터 로컬에서 실행되어 왔다.

2. 어려운 문제는 기술이 아니라 방향이었다

   1. 초지능의 기억 측면은 결코 가장 어려운 부분이 아니었다.
   2. 지금까지는 그 기능을 자기 자신에게 향하게 하지 않고 외부 서비스에 맡겨 왔을 뿐이다.

5. CPU·RAM·디스크 비유로 보는 AI의 기억

5.1. 카르파티의 컴퓨터 구조 비유

1. 모델은 CPU다

   1. 모델은 계산과 추론을 수행하는 CPU에 해당한다.
   2. 모델의 성능이 높아도 개인의 기록이 없으면 사용자의 삶에 맞춘 지능은 되지 않는다.

2. 컨텍스트 윈도우는 RAM이다

   1. 컨텍스트 윈도우(context window)는 빠르게 쓸 수 있는 작업 공간이지만 세션이 끝나면 사라지는 RAM과 같다.
   2. RAM은 빠르지만 대화가 종료되는 순간 그 내용을 잊는다.

3. 기억은 디스크다

   1. 기억(memory)은 모든 대화에 걸쳐 사용자를 기억하는 디스크다.
   2. 현재 지구상 거의 모든 AI 비서에서 이 디스크는 다른 회사의 데이터센터에 있다.
   3. 어떤 기억 아키텍처가 최선인지보다 실제 사용자의 기록을 담은 디스크가 사용자 소유여야 한다는 점이 우선이다.

6. 로컬 벡터 검색으로 기억을 소유하는 구현

6.1. 앱 안에 들어가는 벡터 검색 엔진

1. 로컬 저장소의 구성

   1. Qdrant의 한 구현 방식은 벡터 검색 엔진을 애플리케이션에 직접 임베드해 프로세스 안에 로컬 저장소를 연다.
   2. 임베딩과 페이로드(payload)를 함께 기록하고 오프라인에서 1밀리초 미만(sub-millisecond)으로 질의한다.
   3. 클라우드에서 쓰는 것과 같은 Rust 코어를 사용하지만 실행 위치는 사용자의 기기다.

2. 작은 기기에 들어가는 평생 기억

   1. 양자화(quantization)를 적용하면 기억 100만 개를 1GB 미만에 담을 수 있다.
   2. 이 크기는 스마트폰이나 Raspberry Pi에서도 실행할 수 있는 수준이다.
   3. 앱을 닫고 1년 뒤 돌아와도 기억은 그대로 남으며, 앱마다 격리된 저장소를 갖는다.
   4. 저장소 폴더가 기기에서 기기로 따라가면 개인 문맥 전체가 사용자와 함께 이동한다.

6.2. 드론 시연: 관찰을 벡터 기억으로 바꾸기

1. 처음에는 아무것도 모르는 드론

   1. 집 위를 비행하는 드론 영상을 사용해 첫 세상 경험을 시작하는 드론을 구성한다.
   2. 처리는 네트워크 연결 없이 노트북에서 완전히 오프라인으로 실행된다.
   3. 객체 탐지(object detection) 모델이 화면의 각 사물을 감지하고 라벨(label)을 만든다.

2. 관찰에서 임베딩으로의 변환

   1. 감지한 이미지와 라벨을 임베딩으로 바꾸어 드론의 실시간 기억을 만든다.
   2. 드론은 과거에 본 모든 것을 저장하고, 벡터 공간에서는 의미가 가장 비슷한 기억들이 서로 가까이 배치된다.
   3. 2차원으로 투영한 화면을 통해 저장된 기억들의 분포를 확인할 수 있다.

3. 시연에서 확인한 규모와 성능

   1. 드론은 이미 서로 다른 객체 92개를 인식했다.
   2. 90여 개 객체에 대한 표현이 300개 넘는 벡터로 축적되었다.
   3. Qdrant 엔진을 포함한 전체 기억의 풋프린트는 15MB에 불과했다.

4. 커피 테이블 검색

   1. 의미 검색(semantic search)으로 ‘커피 테이블’을 선택하면 드론이 이전에 본 모든 커피 테이블을 1밀리초 미만에 불러온다.
   2. 결과에는 이미지, 최초 타임스탬프, 마지막 타임스탬프, 커피 테이블의 정의, 관찰 횟수가 포함된다.
   3. 질의와 처리 전체가 로컬에서 이뤄져 네트워크 연결이 필요 없다.

6.3. 로컬 기억과 선택적 클라우드 동기화

1. 엣지 기억의 독립성

   1. 개별 앱은 자체적으로 격리된 기억 저장소를 가지므로 기본 기억은 사용자 기기에 남는다.
   2. 로컬 실행은 지연과 외부 접근을 줄이며, 오프라인 상태에서도 관찰과 검색을 이어가게 한다.

2. 드론 군집의 하이브 마인드

   1. 필요할 때는 클라우드 동기화를 켤 수 있다.
   2. 여러 드론이나 로봇이 세상을 탐색하면 한 시스템이 배운 것을 다른 시스템들이 함께 학습하는 클라우드 하이브 마인드(hive mind)를 만들 수 있다.
   3. 핵심은 동기화가 기본값이 아니라 사용자가 선택하는 확장 기능이라는 점이다.

7. 드론의 기억에서 개인의 하루 전체로

7.1. 몇 주의 기억이 사라지게 하는 ‘낯선 사람’ 효과

1. 적용 대상의 확장

   1. 같은 구조는 드론뿐 아니라 챗봇, 호출형 에이전트, 코드 어시스턴트에도 적용된다.
   2. 몇 주 동안 기억을 쌓으면 처음의 낯선 모델이 점차 사라진다.

2. 개인화의 누적

   1. 시스템은 사용자의 교정, 선호, 다시 겪을 필요가 없는 막다른 길을 기억한다.
   2. 모델 자체가 바뀌지 않아도 사용자를 계속 학습하기 때문에 실전에서는 초인적으로 느껴질 수 있다.
   3. ‘더 똑똑한 모델’이 아니라 ‘학습을 멈추지 않는 모델’이 체감 지능을 만든다.

7.2. 모델과 하드웨어를 바꿔도 따라오는 기억

1. 기억의 이식성(portability)

   1. 결과로 만들어진 기억은 같은 임베딩 모델을 유지한다면 모델을 교체하거나 하드웨어를 바꿔도 함께 이동한다.
   2. 기기보다 오래가는 폴더에 평생의 문맥을 담으면 사용자만의 기록이 된다.

2. 일상 전체를 질의하는 개인 디스크

   1. 배지를 어디에 두었는지, 그 사람 딸의 이름이 무엇이었는지, 화이트보드에 무엇이 적혀 있었는지 물을 수 있다.
   2. 처음 만난 순간 어떤 노래가 재생됐는지도 검색 질의가 된다.
   3. 드론이 객체를 기억하는 구조를 보고 듣는 모든 것에 확장하면 하루 전체가 검색 가능한 기억이 된다.

7.3. 스마트 글래스와 ‘잊지 않는 나’

1. 이미 출하되는 센서 기반 기억

   1. 모든 것을 보고 듣는 기억은 더 이상 공상과학이 아니며, 스마트 글래스가 이미 출하되고 있다.
   2. 발표가 진행되는 공간에서도 그런 기기들을 볼 수 있다는 점이 언급된다.

2. 지능 향상보다 망각 제거가 핵심이다

   1. 목표는 더 똑똑해진 인간이 아니라 잊지 않는 인간이다.
   2. 지능의 체감 변화는 모델 IQ가 아니라 사용자의 삶을 계속 보존하는 기억에서 나온다.

8. 개인 기억의 소유권과 동의 기반 공유

8.1. 이미 만들어지고 있는 ‘나의 색인’

1. 기기 간 기억의 단절

   1. 현재 여러 기기는 사용자가 실제로 소유하는 공통 기억을 공유하지 않는다.
   2. 각 기기가 사용자의 일상을 기록해도 그 기억이 사용자 소유로 모이지 않으면 기기별로 고립된다.

2. 프런티어 모델이 만드는 개인 색인

   1. 프런티어 모델은 이미 사용자의 관계, 습관, 내면 전체에 관한 색인(index)을 만들고 있다.
   2. 이 색인은 사용자가 명시적으로 동의했는지와 무관하게 형성될 수 있다.
   3. 핵심 질문은 색인을 만들지 말지보다 사용자가 그 색인을 소유하는지, 아니면 자기 자신에 대한 접근권을 임대하는지다.

8.2. 가족 단위의 소유 기억과 하이브 마인드

1. 분리된 개인 기억

   1. 가족 구성원이 각자 스마트 글래스를 착용하고 자기 하루를 기록하면 엄마·아빠·아이의 기억은 먼저 분리되어 저장된다.
   2. 각각의 기억은 개인의 사적 영역을 유지한다.

2. 동의한 범위의 공동 기억

   1. 가족은 선택한 기억만 하나의 가족 소유 하이브 마인드로 모을 수 있다.
   2. 가족 구성원의 하루를 함께 검색할 수 있지만 공유 범위와 권한은 가족이 결정한다.
   3. 규모를 키우면 한 회사의 초지능이 수십억 명에게 동일하게 서비스하는 대신, 각자의 삶·가족·팀에 맞춰진 수천 개의 작은 사적 지능이 만들어진다.

8.3. 공유와 추출을 가르는 동의

1. 같은 기술의 양면성

   1. 기억은 동의를 받고 공유할 수도 있지만 동의 없이 추출될 수도 있다.
   2. 기억이 유용할수록 누가 읽고 복사하고 재사용할 수 있는지에 대한 위험도 커진다.

2. 로컬 우선·옵트인 원칙

   1. 이 위험 때문에 기억은 로컬에서 시작해야 한다.
   2. 공유는 항상 옵트인(opt-in)이어야 하며 기본값(default)이 되어서는 안 된다.
   3. 사용자는 자신의 연속성과 기억을 누가 받을지 직접 결정해야 한다.

9. 결론: 집으로 데려온 낯선 모델을 5년 동안 학습시키기

9.1. 지금 결정해야 할 소유권

1. 도착은 거의 정해졌고 귀속은 정해지지 않았다

   1. 앞으로 몇 년 안에 초지능이 등장하는 장면을 모두가 보게 될 가능성은 높다.
   2. 아직 결정되지 않은 것은 그 지능이 누구에게 속하는가이며, 아키텍처가 열려 있는 지금이 소유권을 놓고 싸울 시점이다.

2. 도구 사용에서 개인 지능 구축으로

   1. 단순히 도구 하나를 시험하는 데서 멈추지 말고, 낯선 모델을 집으로 가져와 기억을 부여해야 한다.
   2. 그 기억이 5년 동안 누적되면 단순한 챗봇이 아니라 누구도 끌 수 없고 사용자를 잊지 않는 사적 마음이 된다.

9.2. 유일하게 가질 만한 초지능

1. 나만이 훈련한 지능

   1. 사용자의 경험과 교정으로만 훈련된 사적 마음은 어떤 시스템보다 사용자를 잘 알 수 있다.
   2. 그 지능은 외부 사업자의 정책이 아니라 사용자의 기억 저장소와 선택에 의해 성장한다.

2. 작은 초지능이 아니라 소유 가능한 초지능

   1. 개인 소유의 지능은 ‘축소판 초지능’이 아니라 사용자가 정말 원해야 할 유일한 형태의 초지능이라는 결론으로 이어진다.
   2. 사용자의 기억을 빌려 쓰는 지능이 아니라 사용자의 삶과 함께 이동하고 사용자가 통제하는 지능이 목표다.

주요 발언 모음

“The frontier is coming home.”

“The real question is who it belongs to.”

“They’re just geniuses with no long-term memory.”

“A model on its own is just a brilliant stranger.”

“Owning inference gives you autonomy. But only memory gives you continuity.”

“It’s not a smarter you. It’s a you that doesn’t forget.”

“The only question is whether you own it or if you’re renting access to yourself.”

“Sharing should always be opt-in, never the default.”

“That’s not a smaller superintelligence. That’s the only one worth wanting.”

핵심 데이터 & 수치

• 2,500달러 미만: 오늘날의 기계가 사실상 지난해의 프런티어 모델을 실행할 수 있다고 제시된 가격 기준이다.
• 분기마다 감소: 오픈 웨이트 모델과 최전선 모델 사이의 격차가 줄어드는 속도에 대한 설명이다.
• 5,000달러 이상 대 200달러: 일부 개발자가 200달러 요금제를 사용하면서 한 달에 5,000달러 이상의 컴퓨트를 소비하는 사례다.
• 2016년: HNSW가 이미 등장한 시점이다.
• 2019년: 임베딩이 로컬에서 실행되기 시작한 시점으로 언급된다.
• 1밀리초 미만: 로컬 벡터 검색과 드론의 커피 테이블 의미 검색에 걸린 시간이다.
• 100만 개·1GB 미만: 양자화 적용 시 기억 100만 개를 저장할 수 있는 용량과 공간이다.
• 스마트폰·Raspberry Pi: 양자화된 로컬 기억을 실행할 수 있는 기기 예시다.
• 92개 객체: 드론이 시연 시점까지 인식한 서로 다른 객체 수다.
• 300개 초과 벡터: 90여 개 객체를 표현하기 위해 생성된 벡터 수다.
• 15MB: 드론의 전체 기억과 Qdrant 엔진 풋프린트다.
• 5년: 낯선 모델에 기억을 부여한 뒤 개인의 사적 마음으로 성장시키는 상상 속 시간 범위다.

결론 및 시사점

1. 모델 소유와 기억 소유를 분리해 판단해야 한다: 로컬 추론은 접근권을 보장하지만, 기억이 외부 클라우드에 남아 있으면 연속성과 개인화는 여전히 임대 상태다.
2. 기억을 시스템으로 설계해야 한다: 쓰기·검색·망각을 구현하고 주제·최근성·빈도·관련성으로 검색 결과를 조절해야 단순한 로그가 개인 지능이 된다.
3. 로컬 저장소를 기본값으로 삼아야 한다: 오프라인 실행, 1밀리초 미만 검색, 작은 저장 공간, 기기 간 이동성이 개인의 통제권을 실용적으로 만든다.
4. 클라우드 동기화는 선택적 확장으로 남겨야 한다: 드론 군집이나 가족 하이브 마인드처럼 공동 기억이 유용한 경우에도 어떤 기억을 공유할지 사용자가 결정해야 한다.
5. 기억이 곧 개인 지능의 복리다: 모델을 바꿔도 같은 임베딩 모델과 기억 폴더를 유지하면 선호·교정·실패 경험이 계속 따라온다.
6. 지금은 소유권 아키텍처를 정할 시점이다: 초지능의 도착 시점보다 그 지능의 디스크와 연속성을 누가 통제할지가 장기적으로 더 중요한 설계 결정이다.

핵심 요약 (20줄)

1. **초지능(Superintelligence)**의 핵심 질문은 언제 등장하느냐보다 누구의 소유가 되느냐에 있다.

2. 클라우드에 있는 지능을 토큰 단위로 빌리면 모델·컴퓨트·하네스·기억을 함께 임대하게 된다.

3. 사용자의 삶에서 배우고 외부에서 끌 수 없는 개인 소유 지능이 프런티어가 집으로 돌아온다는 뜻이다.

4. 현재의 많은 AI 비서는 세션이 끝나면 대부분을 잊고 매번 0에서 시작하는 장기 기억 없는 천재다.

5. 선호·교정·실패 경로를 수년간 기억하는 비서는 챗봇이 아니라 사용자의 두 번째 마음(second mind)이 된다.

6. 2,500달러 미만의 하드웨어도 사실상 지난해의 프런티어 모델을 실행하며 오픈 웨이트 모델의 격차도 분기마다 줄어든다.

7. 모델 하나는 강력한 낯선 사람일 뿐이며 사용자의 것이 되려면 개인의 문맥과 기억이 필요하다.

8. 모델 웨이트를 직접 소유하면 제공업체의 폐기·제한·정책 변경으로부터 추론의 자율성을 확보한다.

9. 에이전트와 루프는 일반 채팅보다 수천 배 많은 토큰을 쓰며 200달러 요금제에서 월 5,000달러 이상의 보조금이 발생할 수 있다.

10. 기억은 더 큰 프롬프트가 아니라 쓰기(Write)·검색(Retrieve)·망각(Forget)으로 작동하는 시스템이다.

11. 검색은 모든 기록을 프롬프트에 넣는 대신 주제·최근성·빈도·관련성으로 필요한 기억을 통제한다.

12. HNSW는 2016년부터, 로컬 임베딩은 2019년부터 준비되어 기억 인프라 자체가 가장 어려운 문제는 아니었다.

13. 모델은 CPU, 컨텍스트 윈도우는 RAM, 기억은 세션을 넘어 사용자를 보존하는 디스크라는 비유로 AI 스택을 이해할 수 있다.

14. Qdrant의 로컬 벡터 엔진은 임베딩과 페이로드를 저장하고 네트워크 없이 1밀리초 미만에 검색한다.

15. 양자화하면 기억 100만 개를 1GB 미만에 담아 스마트폰이나 Raspberry Pi에서도 실행할 수 있다.

16. 드론 시연은 객체 92개와 벡터 300개 이상을 15MB 풋프린트로 기억하고 커피 테이블을 1밀리초 미만에 찾았다.

17. 같은 기억 구조는 챗봇·에이전트·코드 어시스턴트로 확장되며 몇 주의 누적만으로 낯선 모델이 사라진다.

18. 동일한 임베딩 모델을 유지하면 모델과 하드웨어를 바꿔도 평생의 문맥 폴더가 사용자와 함께 이동한다.

19. 스마트 글래스는 하루의 장소·사람·사물·소리를 검색하게 하며 더 똑똑한 내가 아니라 잊지 않는 나를 만든다.

20. 기억은 로컬에서 시작하고 공유는 옵트인으로 두어야 하며 사용자가 자신의 연속성을 받을 주체를 직접 정해야 한다.