Jensen Huang: NVIDIA를 일군 사고방식

Chapter 1: NVIDIA의 잘못된 알고리즘 (01:06-03:10)

[01:18] 사람들이 잘 믿지 않는 사실 — 엔비디아가 창업할 때 선택한 기술은 완전히 잘못된 것이었다

“[01:18] 대부분의 사람들이 믿지 않는 것은 우리가 회사를 시작할 때 선택했던 기술이 완전히 잘못되었다는 점입니다.”

[01:34] 당시 관점: CPU 같은 범용 컴퓨터는 유용하지만, 여기에 가속기를 더하면 원래 풀기 너무 어려웠던 문제를 해결할 수 있다
[02:04] 1993년, PC가 곧 등장한다는 소문만 있던 시기에 세운 큰 아이디어는 “모든 컴퓨터를 게임 콘솔로 바꾸는 것”이었다
[02:21] 대형 슈퍼컴퓨터가 필요했던 알고리즘을 재창조해 PC 안에 넣겠다는 목표를 세웠다
[02:43] 그런데 알고 보니 회사를 세우게 만든 그 알고리즘 자체가 완전히 틀린 것이었다
[02:52] 이 사실을 깨달은 것은 1995년, 거의 너무 늦은 시점이었다
[02:59] 당시 PC용 3D 그래픽을 만들던 회사가 35~40개 정도 있었다

Chapter 2: 회사를 살리기 위해 교재를 구입하다 (03:13-05:24)

[03:18] 작동하지 않는다는 사실을 직면하지 않으면 회사가 살아남지 못할 것이라고 내부에 말했다

“[03:18] 이것이 작동하지 않는다는 사실을 직면하지 않고 올바른 알고리즘을 향해 일하기 시작하지 않는다면 회사는 남지 않을 것입니다.”

[03:27] 더 큰 문제는 엔비디아 안의 누구도 그 문제를 올바르게 푸는 법을 몰랐다는 점이었다
[03:42] 주머니에 있던 몇백 달러를 들고 프라이스(Fry’s)에 내려가 교과서 세 권을 샀다
[03:47] OpenGL과 OpenGL 파이프라인 설계에 관한 책이었고, 회사로 가져와 엔지니어들에게 건넸다
[04:00] 그 이후 엔비디아는 컴퓨터 그래픽을 재창조했고, 지난 25년간의 주요 혁신 대부분을 발명했다

“[04:10] 모두가 엔비디아가, 아시다시피, 3D 그래픽의 세계적 선도 기업으로 출발했다고 생각했을 텐데, 우리는 교과서에서 배웠습니다.”

[04:23] 이 경험의 교훈: 기술은 항상 변한다. 중요한 것은 현실을 직면하는 능력과 배울 수 있는 능력이다
[04:53] 어떤 일이 중요하다고 판단되면 엔비디아는 가서 배운다 — “얼마나 어렵겠습니까?”라는 마음으로 시작한다
[04:59] 다만 실제로는 항상 예상보다 훨씬 더 어렵다는 것이 드러난다

Chapter 3: 진정한 빅 아이디어 (05:26-07:04)

[05:45] 큰 아이디어 중 정확히 맞았던 부분은 CPU를 보강해 풀기 너무 어려운 문제들을 해결할 수 있다는 점이었다
[05:53] 분자 동역학, 이미지 처리, 역물리학 같은 알고리즘 도메인이 그 대상이었고, 딥러닝도 그중 하나였다
[06:03] 일찍 깨달은 점은 중요한 것이 훌륭한 칩을 만드는 일이 아니라는 사실이었다

“[06:13] 중요한 것은 알고리즘 도메인을 가속하는 것입니다.”

[06:18] 위대한 회사는 세상에 대한 독특한 관점과 그것을 깊이 믿는 마음에서 시작된다
[06:36] 더 근본적으로는 중요한 것의 미래에 대한 높은 수준의 비전, 그 비전에 대한 독특하고 깊은 믿음이 필요하다
[06:45] 이상적으로는 그 비전을 추구하는 일이 어려워야 한다

“[07:00] 그것이 모두 알고리즘에 관한 것이지, 칩에 관한 것이 아니라는 우리의 깨달음은 정확히 맞았습니다.”

Chapter 4: Sega 이야기 (07:06-09:33)

[07:38] 세가와의 파트너십은 엔비디아가 선택한 알고리즘이 잘못되었음을 깨닫게 해 준 프로젝트였다
[07:44] 세가는 새턴 이후의 콘솔(훗날 드림캐스트)을 만들기 위해 엔비디아와 계약했다
[08:05] 엔비디아의 알고리즘과 기술에는 근본적 결함이 있었고, 젠슨은 일본에 가서 세가 CEO에게 직접 설명했다
[08:14] 계약 규모는 1,200만 달러였다. 그는 기술이 작동하지 않아 계약을 이행할 수 없다며 다른 회사를 선택하라고 조언했다

“[08:36] 불행히도 저는 여전히 그 돈이 필요하다고 말했습니다.”

[08:57] 세가 CEO는 그가 솔직하며 설명이 말이 된다는 것을 이해했다
[09:05] 세가가 돈을 주지 않았다면 엔비디아는 폐업했을 것이다

“[09:12] 여러분은 회사에 투자하는 것이 아니라, 사람에게 투자합니다.”

[09:30] 세가가 지급한 500만 달러는 엔비디아를 살렸고, 무엇을 해야 할지 찾아낼 시간을 벌어 주었다

Chapter 5: 3억 달러 규모의 IPO (09:36-10:32)

[09:38] 세가는 엔비디아 상장 시점에 지분을 1,500만 달러에 팔았다

“[09:42] NVIDIA가 상장했을 때 저희의 기업가치는 3억 달러였습니다.”

[09:50] 1999년의 3억 달러는 당시 기준으로 정말 큰돈이었다
[10:09] 진행자는 그 이전에는 GPU가 AI 혁명에 얼마나 중요해질지 누구도 예측하지 못했을 것이라고 말한다
[10:24] 질문의 핵심: GPU는 단지 적절한 때 적절한 위치에 있던 가속기였는가, 아니면 그 이전부터 준비가 있었는가

Chapter 6: AlexNet을 다르게 바라보다 (10:32-12:42)

[10:32] 젠슨도 모두와 똑같이 AlexNet을 보았지만, 엔비디아가 세상을 보는 렌즈는 달랐다
[10:44] 그의 관점은 언제나 알고리즘을 찾는 것이었다 — NAMD, VASP, OpenGL, SQL 등 어떤 도메인 특화 언어나 알고리즘이든 같은 렌즈로 본다
[11:10] AlexNet에 던진 질문들: “이 알고리즘은 무엇인가”, “왜 중요한가”, “왜 이렇게 효과적이었는가”, “또 무엇을 할 수 있는가”
[11:27] 돌파구는 AlexNet이 단순한 AlexNet이 아니라, 어떤 함수든 학습할 수 있게 해주는 접근법의 사례라는 깨달음이었다

“[11:46] 우리는 방금 보편적 함수 근사기를 배웠습니다.”

[12:00] 많은 함수는 정밀할 필요가 없고, 오히려 정밀해지는 것이 불가능하다. 흥미로운 문제 대부분이 이런 식으로 부정확하다
[12:27] 이 깨달음 직후 엔비디아는 컴퓨터 비전, 로보틱스, 자율주행차에 착수했다

“[12:10] 우리가 보편적 함수 근사기를 갖게 되었다는 사실을 깨달은 날, 그다음 질문은 이것이 컴퓨팅 스택에 어떤 영향을 주는가 하는 것이었습니다.”

Chapter 7: 전체 스택을 재창조하다 (12:42-13:25)

[12:44] 가장 큰 돌파구는 AlexNet보다 훨씬 더 근본적인 것 — “소프트웨어를 만드는 하나의 방식”을 본 것이었다
[12:53] 이 방식은 프로세서, 미들웨어, 알고리즘, 애플리케이션 모두에 함의를 갖는다
[13:00] 젠슨은 이것을 지금 “5계층 케이크”라고 부른다

“[13:03] 그 산업 스택 전체를 저는 약 15년 전에 통째로 재발명하는 것을 상상했습니다.”

[13:14] 이런 사고는 제1원리로 “이렇다면 그다음은 무엇인가”, “이것이 더 좋아질 수 있다면 그래서 무엇인가”를 묻는 데서 시작된다

Chapter 8: 제1원칙에 기반한 조직을 만드는 법 (13:30-17:00)

[13:35] 진행자는 젠슨이 논문을 읽고 핵심 과학자들과 직접 대화하며 기술의 본질을 이해하려는 방식을 “진정한 파운더 모드”라고 표현한다
[13:54] 동시에 조직은 기존 상태를 유지하려 하기 때문에 제1원리적 사고와 충돌할 수 있다
[14:18] 젠슨은 자신의 마음가짐이 언제나 호기심에서 시작한다고 설명한다
[14:34] 가까이 있는 사람들에게서 나오는 답이 만족스럽지 않을 때가 많다 — 답변자들은 다른 일로 바쁘거나 다른 업무를 추진 중이다

“[14:45] 그래서 제 첫 번째 성향은 제 호기심에 대한 답을 직접 찾아 나서는 것입니다.”

[15:06] 두 번째 성향은 회사에 중요한 분야라면 최대한 많이 배워 그 지식을 모두와 나누는 것이다
[15:21] 그는 CEO를 회사의 모든 사람을 위해 봉사하고, 통찰로 구성원에게 힘을 실어주는 자리로 본다
[15:46] 세부 영역에 있어야 하는 이유는 기술이 복잡하고 매우 빠르게 변하기 때문이다 — 무슨 일이 일어나는지에 대한 촉각적 감각이 필요하다
[16:13] 시간이 지나 제1원리를 이해하게 되면 복잡해 보이던 것들이 이해되기 시작한다
[16:23] 그는 이를 서핑에 비유한다. 겉보기엔 혼돈이지만 서퍼는 파도를 읽고 계속 올라타는 법을 안다

“[16:33] 그래서 저는 CEO가 된다는 것이 그것과 아주 비슷하다고 생각합니다.”

[16:54] 그는 문제를 잘게 나누어 회사가 실제로 조치를 취할 수 있는 방식으로 만들려 한다

Chapter 9: 자신의 운전 스타일에 맞는 자동차를 만들어라 (17:00-19:11)

[17:09] CEO가 되었다고 해서 자신의 성격이나 행동 방식을 바꿀 필요는 없다 — 창업자는 계속 자기 자신으로 남을 수 있다

“[17:30] CEO나 창업자는 자신이 직접 경주할 차를 만들고 있는 것입니다.”

[17:39] 그 F1 차는 경쟁을 위해 만들어져야 하지만, 동시에 창업자 자신이 운전할 수 있는 방식으로 만들어져야 한다
[17:45] “관습적 경영 기법을 쓰지 않으면 떠난 뒤에 어떻게 되느냐”는 질문에, 그는 다음 CEO에 맞게 회사를 재편하면 된다고 답했다

“[18:21] 그래서 차를 자신에게 맞추기 위해 무엇이 필요하든, 조직을 자신에게 맞추기 위해 무엇이 필요하든, 그것이 바로 여러분이 해야 할 일입니다.”

[18:47] 그는 지금도 늘 회사를 조정하고, 비즈니스 프로세스와 일하는 방식을 계속 재편한다
[18:59] Garry는 창업자 모드가 34년, “0에서 5조 달러까지” 확장된 사례라고 짚는다

Chapter 10: 프런티어 알고리즘 (19:11-20:47)

[19:38] 소재에서 칩으로, 데이터센터로, 사람들이 일하는 앱 레벨까지 이어지는 단계를 풀스택 AI 팩토리 개념과 연결한다
[20:02] 가장 중요한 것 중 하나는 시스템에 대한 이해라고 설명한다

“[20:06] 시스템 인식, 시스템 설계, 시스템 구성, 무엇보다 시스템적 사고 말입니다.”

[20:13] 그 이유는 수행해야 할 저수준 작업 대부분이 어차피 에이전트를 통해 자동화될 것이기 때문이다
[20:23] 젠슨 세대에서 자동화된 일은 칩 컴파일, 트랜지스터·게이트 작업, 기능 블록 합성이었다 — 그래서 오늘날 설계자 대부분은 시스템 설계자다
[20:38] 소프트웨어도 마찬가지로 대부분 에이전트를 통해 만들어질 것이며, 사람들은 시스템에 대해 훨씬 더 추상적으로 사고해야 한다

Chapter 11: 시스템 사고가 새로운 코딩이다 (20:47-23:18)

[20:50] 시스템적 사고의 출발점: 풀려는 문제는 무엇인가, 제약 조건은 무엇인가
[20:56] 입력과 출력이 어디에 있는지, 정보가 어디서 오는지, 그리고 정보가 이동하는 속도까지 봐야 한다
[21:03] 병목이 프로세서인지, 메모리인지, 네트워킹인지 따져야 한다

“[21:19] 그리고 저는 그런 근본적인 지식이 쓸모없어지는 날은 결코 오지 않을 것이라고 생각합니다.”

[21:33] 에이전트에는 이미 어느 정도의 거친 재귀적 자기 개선이 존재한다 — 사용할 때마다 마크다운 파일과 장기 기억이 개선된다
[21:52] 그 장기 기억은 압축되거나 지식 그래프로 변환되며, 이런 개선이 비동기적으로 계속 일어난다
[22:14] 남은 핵심 문제는 아주 정교하고 세밀한 제어를 어떻게 구현할 것인가이다
[22:34] 목표는 계획 파일의 한 단어만 바꿔도 완전히 다른 결과가 아니라 특정한 델타만 만들어지는 수준이다
[22:49] 그 델타는 픽셀 하나, 삼각형 하나, CAD 컴포넌트 하나, 레이어·비아·연결 하나일 수 있다

“[22:59] 저는 그 정도 수준의 제어와 에이전트와의 그런 수준의 협업이 판도를 바꿀 것이라고 생각합니다.”

[23:11] 에이전트가 80% 수준이면 사람이 나머지를 채우면 되고, 99%라면 남은 1%를 채우면 된다
[23:18] 제어 가능성이 모든 수준의 에이전트에서 가장 중요한 단 하나의 돌파구다

Chapter 12: 자신만의 AI를 소유해야 할까? (23:26-25:42)

[23:34] 진행자는 사람들이 자신만의 개인 AGI를 직접 통제해야 한다는 생각을 제시한다
[23:51] 젠슨은 우선 엔비디아 자신이 에이전트를 이해해야 한다고 답한다 — 에이전트는 새로운 소프트웨어이고, 그 처리 방식은 컴퓨터 아키텍처에 큰 영향을 미치기 때문이다
[24:06] 에이전트가 챗봇과, 그리고 초기 추론 시스템과 어떻게 다른지 이해해야 한다
[24:26] 시스템 하나를 만드는 데 약 3년, 양산에 몇 년이 더 걸리고, 고객은 그 컴퓨터를 이후 10년간 쓰고 싶어 한다

“[24:24] 우리는 5년에서 10년 뒤의 미래에 살아야 합니다.”

[24:41] 에이전틱 시스템을 제1원리로 보면 결국 워크로드가 무엇인가의 문제다 — 알고리즘, 그 진화, 병목, 암달의 법칙, 확장성, 동시성
[24:58] 샌드박스, MCP, 작업 기억과 장기 기억, 항상 작동하는 자율·비동기 시스템을 어떻게 다룰지가 핵심 질문이다
[25:17] 두 번째 이유는 엔비디아 자신이 더 빠르게 움직이기 위해 에이전트를 쓰고 싶기 때문이다
[25:24] 엔비디아 전역의 샌드박스에서 클로드 코드가 자율적으로 돌아가고 있으며, 코덱스·커서·코그니션을 쓰는 사람들도 있다

“[25:38] 우리는 백화제방처럼 두고, 사람들이 쓰고 싶은 도구를 직접 고르게 합니다.”

Chapter 13: NVIDIA가 내부적으로 에이전트를 바라보는 방식 (25:42-30:47)

[25:50] 도구를 더 많이 쓸수록 앞으로 그것을 어떻게 더 잘 작동하게 만들지 더 많이 배울 수 있다
[26:03] 스탠퍼드에서 나온 초기 버전의 “생각의 사슬”을 처음 본 것은 대략 8~10년 전이었다
[26:31] 큰 돌파구는 자율주행차 학습에 막대한 데이터가 꼭 필요하지 않을 수도 있다는 깨달음이었다
[26:46] 그 통찰이 세계 최초의 “생각하는 자율주행차” 알파마요(Alpamayo)로 이어졌다
[26:49] 알파마요는 약 100만~200만 마일 데이터만으로도 매우 뛰어난 자율주행차다
[27:05] 인간에게는 언어 모델에서 나온 것과 같은 사전 지식이 있어, 본 적 없는 상황도 아는 요소로 분해하고 재구성해 이해할 수 있다

“[27:26] 에이전트형 시스템이 등장했을 때는 대규모 언어 모델에는 당연히 메모리와 사전 지식이 필요하고 도구와 다른 에이전트들과 네트워크를 이루는 방법도 필요하다는 것이 매우 분명했습니다.”

[27:42] 초기 신호를 포착하고 미래에 대해 추론할 수 있으면, 미래로 더 빨리 도약할 수 있다
[28:09] 오픈클로가 안전하지 않다는 말이 나왔을 때, 엔비디아는 어떤 하네스든 감싸 안전하게 만드는 샌드박싱 툴킷을 내놓았다
[28:24] 오픈클로를 처음 보고 얻은 깨달음은 “우리가 방금 현대적인 컴퓨터를 설계했다”는 것이었다
[28:29] 오픈클로는 대규모 언어 모델을 담게 될 운영체제이며, 여러 면에서 리눅스적인 순간처럼 느껴졌다

“[29:06] 저는 세상에 모든 사람이 자신만의 AI를 만들 수 있는 능력이 필요하다고 생각합니다.”

[29:19] 동시에 클라우드 서비스도 최대한 많이 쓰라고 권한다 — 모두가 ChatGPT와 Claude를 써야 한다
[29:32] 다만 도메인 특화 AI가 필요한 회사에는 헤르메스, 오픈클로, 랭체인, 딥에이전트 같은 선택지가 이미 있다
[30:02] 모든 “알파”는 자신만의 AI를 만드는 데 있다 — 남들이 기성품을 쓸 때 나에게는 재귀적으로 자기 개선하는 AI가 있을 수 있다

“[30:20] 하지만 텍스트는 지능입니다.”

[30:26] 말이 곧 생각이며, 말 없이 생각하려고 해보면 그 의미를 알게 된다

Chapter 14: AI와 일자리 창출 (30:51-34:19)

[30:58] 일부 과업, 특히 인지적 과업은 자동화될 것이다
[31:22] 손끝에 있는 데이터베이스로 질문에 완전하게 답하는 종류의 일이라면 자동화되어 사라질 가능성이 높다
[31:39] 모든 일자리가 바뀔 것이고, 동시에 완전히 새로운 일자리들이 많이 생겨날 것이다

“[31:55] AI가 일자리를 파괴한다는 서사는 정확히 거꾸로입니다.”

[31:59] AI는 과업을 자동화해 없애지만, 반드시 일자리를 없애지는 않는다 — 일자리에는 목적이 있고 그 목적에는 자동화될 수 없는 많은 과업이 딸려 있다
[32:32] 코딩은 자동화되었지만 소프트웨어 엔지니어 일자리는 전년 대비 10% 증가했다
[32:42] 영상의학 스캔 판독도 자동화되었지만, 영상의학 분야 일자리는 지난 몇 년간 약 20% 늘었다
[32:51] 이유는 대기 중인 환자가 믿을 수 없을 만큼 많기 때문이다 — 더 많은 환자를 받으려면 더 많은 간호사와 의사가 필요하다
[33:26] 하비가 법률 보조원 일자리를 없앨 것이라 했지만, 밀려 있는 소송이 많아 법률 보조원은 오히려 빠르게 늘고 있다

“[33:46] 이것은 생산성이 성장을 늘리는 고전적인 사례입니다.”

Chapter 15: 로봇의 ChatGPT 모먼트 (34:19-37:21)

[34:32] 엔비디아는 프로그레시브 GAN과 조건부 GAN에 대한 최초의 연구를 수행했다
[34:41] 대중이 최초의 생성 영상을 보기 훨씬 전부터, 엔비디아 연구실에서는 신경망이 만든 생성 영상 시뮬레이터가 이미 작동하고 있었다
[35:02] 손가락이 움직이는 영상을 생성할 수 있다면, 손이 유리잔을 집어 드는 장면도 생성할 수 있다

“[35:09] 그렇다면 로봇이 똑같이 하도록 만들지 못할 이유가 무엇입니까?”

[35:28] 로봇이 물리 법칙을 따르는 동작을 생성하려면 인과관계, 마찰과 장력, 물리 법칙 자체를 이해해야 한다
[35:43] 이 문제의식이 “피지컬 AI”와 월드 파운데이션 모델 작업으로 이어졌다

“[35:55] 저는 로봇의 챗GPT 순간은 이미 몇 년 전에 일어났다고 말하겠습니다.”

[36:07] 초기 챗GPT는 실질적으로 유용한 일을 많이 하지는 못했지만, 무엇이 가능한지에 대한 상상력을 열어 주었다
[36:31] 이제 해야 할 일은 로봇이 학습·평가·비교 평가할 수 있는 환경을 만드는 것이다
[36:40] 필요한 것은 물리 기반 시뮬레이션만이 아니라 생성형 물리 시뮬레이션까지 포함하는 시뮬레이터다 — Isaac Sim, Cosmos가 이에 해당한다
[36:56] 마지막 단계는 시뮬레이션에서 현실로 옮기는 것으로, 강화학습과 물리·전기기계적 제약에 기반시키는 과정이 필요하다

Chapter 16: 피지컬 AI가 가장 먼저 등장할 곳 (37:24-39:12)

[37:34] 로보틱스의 첫 번째 애플리케이션은 자율주행 자동차라고 판단했다
[37:38] 시장이 충분히 크고, 기술이 비교적 표준화되어 확장과 플라이휠 구축이 가능하며, 실질적 경제 가치가 있기 때문이다
[37:53] Waymo 안에는 엔비디아 칩이 들어 있고, 테슬라와는 차 안에서, 메르세데스와는 데이터센터와 차 안 소프트웨어 스택 모두에서 함께한다
[38:10] 자율주행차 스택(알파마요)을 오픈소스로 공개한 이유는 농업, 우편 배송, 창고 AMR에도 그것이 필요하기 때문이다

“[38:38] 우리의 로보틱스 사업, 자율주행차 사업, 그러니까 기본적으로 피지컬 AI 사업은 거의 100억 달러 규모쯤 됩니다.”

[38:48] 피지컬 AI는 세계에서 가장 큰 산업 중 하나가 될 것이며, 전환에는 2~3년보다 오래, 10년보다는 덜 걸릴 것이다

“[38:55] 이것이 우리의 다음 1,000억 달러 사업이 될 것입니다.”

Chapter 17: Jensen이 최근 X에 가입한 이유 (39:18-40:56)

[39:18] 그는 자신이 얼마나 내향적인지 보여주는 사례로, X에 첫 게시물을 올리기까지 2026년이 걸렸다고 말한다
[39:33] 그럼에도 올린 이유는 그 내용이 자신에게도, 산업에도, 세계에도 매우 중요했기 때문이다

“[39:39] 그래서 저는 부끄러움을 이겨내고 X에 첫 글을 올렸습니다.”

[39:49] 오픈소스, 오픈 웨이트, 오픈소스 모델은 창업하려는 사람들에게 믿을 수 없을 만큼 중요하다
[39:58] 오픈소스가 없었다면 모바일 클라우드 산업은 결코 일어나지 않았을 것이다 — 리눅스와 쿠버네티스가 그 기반이었다
[40:08] 텐서플로우와 파이토치, 그리고 Caffe·Torch·Theano까지 초기 AI 프레임워크는 모두 오픈소스였다

“[40:21] 그 모든 것이 없었다면 우리가 어떻게 현대의 AI를 갖게 되었겠습니까?”

Chapter 18: 여전히 중요한 것은 무엇을 배워야 하는가 (41:01-44:24)

[41:08] 가장 큰 시사점은 단순한 일들이 자동화되어 사라질 것이라는 점이다
[41:20] 컴퓨터 앞에 앉아 실제로 코드를 작성해 문제를 해결한다는 개념 자체가 자동화될 것이다

“[41:32] 그 개념은 분명히 자동화되어 사라질 것입니다.”

[41:36] 그의 세대는 긴 나눗셈을 배워야 했지만, 오늘날 그것은 코드로 대체되고 자동화되었다
[41:50] 반면 어려운 문제들 — 물리학, 화학, 생물학, 컴퓨터 과학, 컴퓨터 공학 — 은 사라지지 않는다
[42:07] AI는 어려운 문제를 없애는 것이 아니라, 그런 문제들을 더 크게 풀 수 있게 해주는 도구다
[42:23] 그의 세대가 졸업했을 때 칩 설계자는 약 1천 개의 트랜지스터로 칩을 설계했고, 그것도 매우 큰 칩이었다
[42:35] 지금은 1조 개 트랜지스터 칩을 설계할 수 있고, 반응은 “별일 아니네” 정도다 — 기술자들이 훨씬 더 야심 차졌기 때문이다
[43:04] 앞으로는 구현 자원의 양보다 “풀어야 할 문제가 무엇인가”에 집중해야 한다
[43:23] 수백만 개의 에이전트가 자율적으로 문제를 풀도록 조율하는 능력이 중요해지며, 그 핵심 역량은 시스템적 사고다

“[43:42] 예전 방식 그대로 학교에 가십시오.”

Chapter 19: 가져야 할 사고방식 — “얼마나 어렵겠어?” (44:32-48:54)

[44:41] 창업 당시 가장 강하게 느낀 것은 알아야 할 것이 너무 많은데 정작 그것들을 모르고 있다는 사실이었다
[44:49] 그때는 유튜브도 YC도 없었고, 아무도 회사 창업하는 법을 가르쳐주지 않았다
[44:57] 그래서 서점에서 “회사 창업하는 법”이라는 500페이지짜리 책을 샀지만, 다 읽을 때쯤이면 회사가 이미 망해 있을 것이라 생각했다
[45:25] 투자자들의 질문에 어떻게 답해야 할지 몰라 두려웠고, 지금도 “겨우 안다”고 말한다
[45:36] 시간이 지나며 배운 것은, 그런 질문에 완벽히 답하는 능력 자체가 전혀 핵심이 아니라는 점이었다
[45:51] 지금은 지난 60년 중 회사를 시작하기 가장 좋은 시기다 — 인류 역사상 가장 중요한 기술인 컴퓨터가 완전히 리셋되었기 때문이다
[46:43] 중요한 것을 보면 “이것은 중요하다”고 판단하고, 배워야 하며, 가능한 한 빨리 시작해야 한다

“[46:51] 얼마나 어려울 수 있겠습니까?”

[46:59] 실제로는 사람들이 생각하는 것보다 훨씬 더 어렵다는 것을 솔직히 인정한다
[47:18] 그러나 어려움을 미리 상상해 불안으로 바꾸고 아무것도 하지 못하게 해서는 안 된다 — 고통은 조금씩 오게 두어야 한다

“[47:46] 학습은 가장 위대한 초능력입니다.”

[48:00] 매일 그 어려움을 극복할 회복탄력성이 필요하다 — 인생 전체를 하루 만에 극복할 필요는 없고, 그날 아침만 이겨내면 된다
[48:15] 계속 꿈을 따르고 충분히 오래 버틴다면 나머지는 따라온다. 그렇게 버티면 “NVIDIA가 일어난다”
[48:37] 두려움, 불안, 자신감 부족이 그 일을 추구하지 못하게 막도록 두지 말라
[48:47] 스스로에게 “저는 배우면서 그곳에 도달하겠습니다”라고 말해야 한다