이거 하나면 끝나는 AI 로드맵

한 줄 요약

Nick Saraev가 AI를 거의 모르는 사람도 일주일이면 기초부터 돈 버는 법까지 잡을 수 있게 짠 학습 로드맵이에요. 1950년대 퍼셉트론에서 시작해 LLM 핵심 개념 8가지, 칩부터 앱까지 이어지는 AI 산업 구조, 연구소별 철학, 도구 고르는 법을 거쳐 "AI 이전에도 돈이 되던 일에 AI를 붙여라"라는 결론까지 이어집니다.

전체 내용 정리

복잡해 보이는 AI도 역사부터 보면 단순해져요

Nick은 2019년 GPT-2부터 2021~2022년 이미지 생성기, 지금의 Claude Code·Codex 기반 시스템까지 7년 동안 AI 비즈니스를 만들고 운영해 왔다고 소개해요. 그 경험을 바탕으로 도구 사용법만이 아니라 "무슨 일이 왜 일어나는지"까지 이해하게 해 주는 일주일짜리 커리큘럼을 짰다고 하죠. 끝까지 따라오면 지금까지 살았던 인류의 99%보다 AI를 더 잘 알게 될 거라는 게 Nick의 말이에요.

출발점은 1950년대예요. 프랭크 로젠블랫(Frank Rosenblatt)이 '퍼셉트론(perceptron)'이라는 이름으로 현대 신경망의 아이디어를 처음 내놨거든요. Nick은 무엇이든 너무 복잡해 보일 때는 그게 발명되던 시점으로 돌아가 당시 사람들이 풀려던 문제를 보면 단순해진다고 말해요. 퍼셉트론을 그 배경과 함께 이해하면 인공 신경망, 회귀 모델, 가중 함수 같은 용어가 훨씬 또렷해진다는 거죠.

그 뒤 흐름은 이래요. 신경망 발명으로 "5~10년 안에 AI가 모든 걸 대신할 것"이라는 기대가 커졌지만 당시 컴퓨팅 자원이 크게 모자라 대부분 실현되지 못했어요. 그렇게 찾아온 거대한 환멸이 'AI 겨울'입니다. 이후에는 if-then 규칙이나 이진 탐색 트리로 문제를 절차적·결정론적으로 푸는 '전문가 시스템'이 AI로 불렸고 지금 보면 그냥 일반 컴퓨터 프로그램인데도 2011~2012년 무렵까지 쓰였다고 해요.

판을 바꾼 건 AlexNet이에요. 딥러닝으로 이미지 분류에서 기존 방식을 압도하자 사람들이 "1950~60년대 그 아키텍처가 왜 이제 와서 되는 거지?" 하고 다시 신경망을 보기 시작했죠. Nick은 이걸 기술(하드웨어)이 마침내 이론을 따라잡은 사건으로 봐요. 이어 2017년에 트랜스포머(Transformer)가 공개됐어요. 이게 지금 ChatGPT·Claude·Gemini 같은 LLM 대부분의 기반 아키텍처예요. GPT-1, GPT-2, GPT-3를 거쳐 ChatGPT가 나왔고 2024년에는 문제 푸는 과정을 훨씬 정교하게 만든 추론 모델이 등장했습니다.

Nick이 추천하는 자료는 3Blue1Brown의 'What Is a Neural Network', Welch Labs의 'The Moment We Stopped Understanding AI'(2012년 AlexNet 전후의 딥러닝 혁명), The Art of the Problem의 'The 35-Year History of ChatGPT'예요. 세 편을 다 봤다면 리치 서튼(Rich Sutton)의 글 'The Bitter Lesson(씁쓸한 교훈)'을 꼭 읽어 보라고 강하게 권해요.

LLM이 돌아가는 방식은 8가지 개념으로 잡혀요

다음은 LLM이 실제로 어떻게 돌아가는지예요. Nick은 효과의 80%를 내는 20%만 먼저 짚겠다며 8가지 개념을 꼽아요.

• 토큰(token): 단어의 조각이에요. 단어가 7글자쯤이라면 토큰은 4~5글자 정도죠. LLM은 텍스트를 토큰으로 쪼개고 한 번에 토큰 하나씩 읽고 써요. 조각을 재조합하면 여러 단어를 만들 수 있어서 이렇게 쪼갭니다.
• 다음 토큰 예측(next-token prediction): 흔히 "가장 그럴듯한 다음 단어를 고른다"고 알지만 실제로는 조금 더 복잡해요. 가능성 높은 다음 토큰들의 분포를 만든 뒤 상위 5개 정도에서 무작위로 뽑거든요. 늘 1등 토큰만 고르면 다음에 할 말이 전부 정해져 버리니, 약간의 변동성이 필요하다는 설명이에요.
• 사전 학습(pre-training): 모델을 만드는 첫 단계예요. GPT-3가 사실상 순수하게 사전 학습만 된 모델이었는데, Nick은 바로 이 GPT-3로 첫 100만 달러를 벌었다고 해요. 지금 보면 "딱정벌레보다 뉴런이 적은 녀석"이지만 사전 학습으로 얼마나 많은 정보가 압축돼 있는지 알았기에 가능했다는 거죠. 예를 들어 "상을 받은 저널리스트"인 척하는 시스템 프롬프트를 넣고 반복시켜 고품질 기사를 뽑아냈다고 합니다.
• 인간 피드백으로 미세 조정(fine-tuning): 사람에게 여러 출력을 보여 주고 가장 좋은 걸 고르게 하는 과정이에요. 그런데 사람들은 자기를 치켜세워 주는 답에 점수를 더 줘요. 그래서 모델의 아첨(sycophancy) 같은 문제가 생긴다고 Nick은 설명해요.
• 추론 모델과 사고의 연쇄(Chain of Thought): 출력을 다시 입력으로 넣어 결정에 필요한 단계를 시뮬레이션해요. 요즘 모델이 놀라운 일을 해내는 이유이면서 이 "외계인 같은 뇌" 속에서 무슨 일이 벌어지는지 엿볼 수 있는 관측 도구이기도 하죠.
• 컨텍스트 윈도우(context window): 모델에 한 번에 넣을 수 있는 토큰의 총량이에요. 길수록 여러 정보를 연결해 더 잘 추론해요. 사람의 작업 기억과 비슷하지만 훨씬 깊이 파고들 수 있다고 해요.
• 환각(hallucination): 모델은 현실의 사실이 아니라 수많은 텍스트 사이의 통계적 상관관계로 말하는 법을 배웠어요. 그런데 사람이 쓴 글이 늘 사실만 말하진 않잖아요. 그래서 모델도 "존재하지 않는 것에 대해 써도 되는구나"를 배우게 된다는 거예요.
• 만들어지는 게 아니라 키워진다(grown, not built): 연구자들이 모델을 '구축'한다고들 하지만 Nick은 현실이 페트리 접시에 여러 용액을 떨어뜨리고 자라는 걸 지켜보는 쪽에 가깝다고 봐요. 생물이 아니라 실리콘에서 일어나서 러브크래프트식 공포 소설이 안 쓰일 뿐, 수학으로 외계 지능 같은 걸 키우고 있다는 거죠.

자료로는 3Blue1Brown의 'Large Language Models explained briefly'(5~10분), 안드레이 카파시(Andrej Karpathy)의 'Intro to Large Language Models'(일반인 대상 1시간짜리)와 'Deep Dive into LLMs like ChatGPT'(3~4시간)를 꼽아요. 'Intro'는 추론 모델이 나오기 전인 2023년 영상이라, 거기서 말한 문제를 이후 사고의 연쇄·추론이 어떻게 풀었는지 보는 짧은 역사로도 읽힌다고 해요. 'Deep Dive'는 사전 학습부터 미세 조정, 추론 모델까지 다 다루니 몇 번에 나눠서라도 볼 가치가 있다고 하고요. 읽을거리로는 Anthropic의 'Tracing the Thoughts of a Large Language Model'을 강하게 추천하는데, 모델 내부가 어떻게 생겼고 환각이 왜 생기는지까지 다룹니다. 트랜스포머를 더 파고 싶다면 3Blue1Brown의 'Transformers, the tech behind LLMs'(30분 정도)도 있어요.

AI는 칩부터 구현까지 양파처럼 겹겹이 쌓여 있어요

많은 사람이 AI를 소프트웨어나 수학 개념으로만 이야기하지만 Nick은 전체 스택을 알아야 한다고 강조해요. 층은 칩 → 데이터 센터 → 에너지 → 모델 연구소 → API → 앱·도구 → 구현 순서예요.

맨 아래 칩에서는 엔비디아(NVIDIA)가 칩 아키텍처를 설계하지만 직접 만들진 않아요. 설계를 TSMC(대만 반도체 제조 회사)에 보내 제조하고 그 TSMC가 쓰는 칩 제조 기계는 네덜란드의 ASML이 만들죠. Nick은 대부분의 사람이 이 공급망이 Anthropic이나 OpenAI 같은 모델 연구소보다 더 가치 있고 강력할 수도 있다는 걸 모른다고 짚어요.

그 위 데이터 센터 층에는 마이크로소프트, 구글, 아마존, 메타, 오라클, X 같은 기업이 수천억 달러를 쏟아 칩을 줄지어 깔아요. 그 데이터 센터를 돌리려면 막대한 전력이 필요해서 전력 회사와 전력망, 데이터 센터 부지를 승인하거나 거부하는 지방 정부까지 얽혀 있죠. 칩 제조사가 몇 안 되다 보니 각국 정부와 정치에도 영향을 주고 컴퓨팅 자원 사정 때문에 중국 모델이 서구 모델과 조금 다른 방향으로 발전한 압박도 여기서 나온다고 Nick은 설명해요.

모델 연구소 층에는 OpenAI, Anthropic, 구글(DeepMind), X, 그리고 오픈 웨이트(open-weight) 모델을 내는 연구소들이 있어요. 일부는 수직 계열화로 여러 층을 동시에 다루고요. 그 위에는 OpenRouter처럼 요청을 받아 그 순간 가장 싼 공급자에게 나눠 주는 중간 계층이 있어요. 흥미로운 건 이제 요청을 보내는 주체가 컴퓨터 앞에 앉은 사람만이 아니라는 점이에요. 그보다 한 층 위의 하네스(harness, 모델을 감싸 일을 시키는 에이전트 프레임워크)가 대량으로 요청을 보내거든요. Codex, Claude Code, Cursor 같은 것들이죠.

맨 바깥이 구현 층이에요. 동네 배관공이든 대형 컨설팅 회사든 내 사업이나 취미든, AI 기술을 가져와 다른 분야에 적용하는 단계죠. AI를 최근에 접한 사람은 대부분 이 바깥 층부터 시작하는데, 무슨 일이 왜 일어나는지 이해하려면 이 기술이 얼마나 깊은지 알아야 한다는 게 Nick의 요지예요.

자료는 Nick이 직접 만든 'AI 하네스 심층 분석' 영상, 카파시의 'How I use LLMs'(Nick 설명으로는 지금 Anthropic에서 일하는 파워 유저가 AI를 실제로 어떻게 쓰는지 보여 줌), 에어 스트리트 캐피털(Air Street Capital)의 'State of AI Report 2026'(약 45분 분량, 슬라이드 250장 정도), 학습 비용과 데이터 센터 투자 같은 컴퓨팅 수치를 모은 Epoch AI의 'AI Trends'예요.

연구소마다 철학이 다르고 모두 '재귀적 자기 개선'을 향해 달려요

회사가 따로 존재하는 건 철학이 다르기 때문이라고 Nick은 말해요. Nick 설명으로는 녹화 시점 기준 선두인 OpenAI와 Anthropic 모두 구글 연구원들의 연구에서 갈라져 나왔어요. 구글의 연구 방식에 이념적 문제를 느낀 사람들이 OpenAI를 만들었고 몇 세대 뒤 OpenAI의 방향에 이견을 가진 사람들이 Anthropic으로 분사했다는 거죠. 뿌리는 다 연결돼 있다는 얘기예요.

• OpenAI: ChatGPT를 처음 세상에 내놓은 거대 소비자 기업이에요. 핵심 목표는 자동화된 연구 인턴을 만드는 건데, 그 과정에서 Sora 같은 소비자 앱, GPT 이미지 모델, 오디오·음성 받아쓰기까지 손을 뻗었어요. Nick은 범용 AI 기업이라 한 가지에 완전히 올인한 상태는 아니라고 봐요.
• Anthropic: Nick이 꼽는 핵심 차이는 AGI·ASI로 가는 수단으로 컴퓨터 프로그래밍에 "100만%" 올인했다는 점이에요. "우리는 텍스트 입력과 출력만 한다"는 입장으로, 모델을 지구상 가장 똑똑한 프로그래머로 만든 뒤 차세대 모델을 스스로 프로그래밍하게 하려는 계획이죠. 영상에 쓰는 자원 1%라도 그 목표를 늦춘다면 가치가 없다고 보는 거예요.
• Google DeepMind: 현존하는 가장 오래된 연구소 중 하나로, 7~9년 전쯤 알파고(AlphaGo)로 세계를 놀라게 한 곳이에요. 구글은 칩도 직접 만들고 클라우드도 운영하고 15~20년간 검색으로 쌓은 데이터까지 있어 기술 스택 전체를 쥐고 있어요. 한동안 '느린 거인'으로 불렸지만 Nick은 큰 회사일수록 관성이 커서 무거운 화물 열차처럼 한번 속도가 붙으면 멈추기 어렵다고 봐요.
• Meta: 꽤 오래 뒤처져 있다가 아주 최근에야 따라잡았어요. 오픈소스, 그러니까 "모두가 자기만의 개인 초지능을 갖게 하자"를 내세우며 Muse 같은 제품을 냈죠. 이걸로 큰돈을 벌고 싶다는 걸 숨기지도 않는다고 해요.
• xAI: 일론 머스크의 회사로, 승부수는 연산 능력이에요. SpaceX·Tesla 덕분에 돈과 데이터 센터 구축 역량이 있고 이제는 멤피스의 '콜로서스 2(Colossus 2)' 데이터 센터를 용량이 부족한 다른 연구소에 빌려줄 정도라고 해요. Nick은 녹화 시점 기준 하드웨어 경쟁은 xAI가 주도하고 있다고 봅니다.

이 모든 연구소가 향하는 곳이 재귀적 자기 개선(RSI, Recursive Self-Improvement)이에요. AI가 사람 개입 없이 스스로 AI를 연구·개발하는 상태죠. 그러면 연구원 10만 명, 100만 명을 찍어낼 수 있고 남는 병목은 컴퓨팅 자원과 에너지 두 가지뿐이에요. 모델이 자기 추론과 학습 방식까지 최적화하기 시작하면 다음 세대는 기하급수적으로 빠르고 싸진다는 게 Nick의 설명이에요. Nick은 RSI가 이미 시작됐거나 한창 진행 중일 수 있다고 보고 1년 안에 10~20년 치 발전이 일어날 수도 있다고 말해요. 모델이 한 달에 한 번이 아니라 "5분마다" 쏟아지는 시점에 와 있을지도 모른다면서 농담이 아니라고 덧붙이죠. 이 영상을 만든 주된 이유도 이 속도를 모두가 알아야 한다고 생각해서라고 합니다.

읽을거리는 샘 알트먼의 'The Gentle Singularity'(15~20분, 투자 목적 때문에 약간 낙관 쪽으로 기울었을 수 있지만 훌륭하다는 평), Anthropic CEO 다리오 아모데이(Dario Amodei)가 "조금 더 조심해야 한다"는 신중론을 편 'We Must Pace the Frontier'와 'Machines of Loving Grace', AI 발전 속도를 추적하는 METR의 'Time Horizon 1.1'이에요. 회의론도 알아야 한다며 MIT에서 나온 "AI의 재귀적 자기 개선은 그렇게 빨리 오지 않을 수도 있다"는 글을 넣었고 지정학까지 보고 싶다면 2030년대까지를 상세히 예측한 'AI 2027'을 권해요.

도구는 하나만 골라 시작하고 프롬프트는 '위임'처럼 쓰세요

Nick은 도구를 배우기 전에 위 내용을 먼저 알았다면 좋았겠다고 하면서도, 결정의 순간이 오면 지정학 몽상만 하고 있을 수는 없으니 "빌어먹을 도구라도 배워야 한다"고 말해요. 녹화 시점의 주요 챗봇은 Claude, ChatGPT, Gemini, X의 Grok, 그리고 몇몇 중국 오픈 웨이트 모델이에요. 몇 달 안에 Muse도 쓸 수 있게 될 것 같다고 하고요. 대부분 비슷하니 일단 하나 골라 대화를 시작하는 게 중요하다는 거죠.

챗봇 위에는 에이전트·하네스 층이 있어요. Claude Code, Codex, Kimi Code처럼 모델을 특정 방향으로 제한하고 제어하는 소프트웨어 구현 방식이죠. 그다음엔 자동화 도구를 하나쯤 배우라고 권해요. 공동 진행자 잭 로버츠가 자주 하는 말처럼, 사람들이 모델을 쓰는 진짜 이유는 요거트 단백질 함량을 묻는 게 아니라 돈을 벌거나 경제적 성과를 내는 데 있거든요. 자동화 도구는 AI 모델을 다른 도구와 연결해 비즈니스 안에서 믿을 수 있고 예측 가능한 방식으로 일하게 해 줘요. Nick 본인이라면 챗봇은 Claude, 하네스는 Claude Code, 자동화 도구는 n8n을 고르겠다고 해요. 다만 AI가 얼마나 빨리 이런 일을 대체하느냐에 따라 자동화 도구가 필요 없어질 수도 있다고 덧붙여요.

프롬프팅을 이해하는 쉬운 방법은 "프롬프트를 쓰지 말고 위임하라"예요. 모델은 사람처럼 대할 때(의인화) 더 잘 작동하니, 사람에게 일을 맡길 때처럼 네 가지를 주라는 거죠.

1. 맥락: 내가 누구고, 이 일이 무엇을 위한 것이며, 왜 하는지
2. 목표: 이 일로 얻고 싶은 결과
3. 훌륭한 결과물의 모습: 다 됐다고 판단할 수 있는 예시나 기준
4. 확인 방법: 내 사양대로 끝났는지 검증하는 법. 예를 들어 스크린샷으로 보거나, Claude가 만든 결과물과 내가 만든 걸 픽셀 단위로 비교하는 식

자료로는 Anthropic Academy의 4시간짜리 미니 코스 'AI Fluency: Framework & Foundations', Nick이 만든 '53분 만에 배우는 240만 달러짜리 프롬프트 엔지니어링 해킹' 영상, 퀴즈처럼 실습하는 Anthropic의 인터랙티브 프롬프트 엔지니어링 튜토리얼을 추천해요. Anthropic 추종자처럼 보일 수 있다는 걸 Nick 스스로도 인정하고요.

AI는 원래 돈 되던 일을 더 돈 되게 만들었을 뿐이에요

마지막은 돈으로 바꾸는 법이에요. 이 로드맵의 핵심 아이디어는 AI가 새로운 무언가를 가능하게 만든 게 아니라 기존 프로세스를 훨씬 더 수익성 있게 만들었을 뿐이라는 거예요. AGI는 거의 모든 영역에서 사람과 같은 수준의 지능이니, AGI가 하는 일은 사람도 시간만 있으면 할 수 있다는 논리죠.

그래서 누가 AI로 놀라운 걸 만들었다고 하면 Nick은 늘 이렇게 묻는다고 해요. "그게 AI 이전에도 돈이 됐나요?" 답이 '아니오'라면 지금도 아마 돈이 안 될 거예요. 반대로 지금 돈이 되는 일에 AI를 붙이면 이야기가 달라지죠.

대부분의 사업에서 수익이 나는 과정은 원재료를 체계적이고 반복 가능한 단계로 가공하는 워크플로예요. Nick은 철괴가 여러 공정을 거쳐 농장에서 쓰는 망치가 되는 파이프라인에 비유해요. 가치는 그 파이프라인 안에서 만들어져요. 그래서 대가를 받는 거죠. 결국 어떤 기존 프로세스가 돈을 벌고 있는지 찾아 AI로 100배 빠르게 만들 방법을 고민해야 한다는 거예요.

이걸 이해하는 가장 쉬운 길은 직접 나가서 팔아 보는 거라고 해요. "밤잠을 설치게 하는 게 뭔가요? 지금 돈을 벌려고 정확히 뭘 하고 계세요?"라고 묻고 그게 AI로 더 빨라질 수 있는지 같이 생각해 보는 식이죠. Nick은 매일 1%씩 나아지면 연말에 200~300% 이상 성장하는데, AI는 1년 걸릴 그 과정을 며칠로 압축해 준다고 말해요. AI 도구로 1,000만 달러 이상을 번 입장에서 그 차이가 회사 재무에 주는 영향은 정말 놀랍다고 하고요.

자료는 Nick의 '다시 시작한다면 2026년에 AI 컨설팅을 이렇게 시작하겠다'(30분 정도)와 '2027년에 AI 자동화 대신 배울 것'(20~25분), 그리고 영상 전체에서 Nick이 가장 좋아한다는 폴 그레이엄(Paul Graham)의 'Do Things That Don't Scale'(10~20분)이에요. 첫 고객은 언제나 손으로 하던 확장 불가능한 일에서 나오고 그 일을 파악해 고도로 레버리지된 AI 프로세스로 바꾸는 게 핵심이라는 내용이죠. 다른 회사의 문제를 풀어 줄 기업을 사람들이 요청하는 'Requests for Startups'도 몇 분이면 읽을 수 있다며 돈 버는 데 걸림돌인 문제에 AI를 붙이는 사고방식을 길러 준다고 추천해요.

Nick은 AI 기회가 점점 커지고 잦아지지만 잡을 수 있는 시간 창은 훨씬 짧아지고 있다고 정리해요. 며칠이나 일주일만 투자해 배경을 이해해 두면, 어떤 기회가 좋은지, 새 발표가 진짜인지 헛소리인지, 지정학이나 고용 시장을 걱정해야 하는지를 스스로 가늠하는 사람이 될 수 있다는 거죠.

핵심 인사이트

• "AI 이전에도 돈이 됐나?"가 가장 강력한 필터예요: Nick은 AI가 새로운 걸 가능하게 했다기보다 기존 수익 프로세스의 수익성을 올렸다고 봐요. AI 이전에 돈이 안 되던 일은 지금도 아마 돈이 안 되고, 지금 돈이 되는 프로세스에 AI를 붙여야 이야기가 달라진다는 거죠.
• AI는 양파 구조라 바깥 층만 봐서는 판단이 흔들려요: 칩·전력·연구소·하네스까지 한 번 훑어 두면 "이 회사가 왜 이 방향으로 가는지", "이 발표가 과장인지"를 스스로 가늠할 수 있어요.
• 프롬프트 실력은 곧 위임 실력이에요: 맥락·목표·좋은 결과의 모습·확인 방법, 이 네 가지는 사람에게 일을 맡길 때와 똑같아요. Nick은 모델을 사람처럼 대할 때 더 잘 작동한다고 보고, 그래서 "프롬프트를 쓰지 말고 위임하라"고 권해요.

오늘 당장 해볼 것

1. 내 사업에서 지금 실제로 돈을 벌어 주는 업무 하나를 골라, 원재료(입력) → 가공 단계 → 결과물(출력) 순서로 적어 보세요. 그중 매번 손으로 반복하는 단계가 AI·자동화를 붙일 첫 후보예요.
2. 다음에 Claude나 ChatGPT에 일을 맡길 때 맥락·목표·좋은 결과물 예시·확인 방법 네 줄을 먼저 쓰고 보내 보세요. 평소처럼 한 줄로 시켰을 때와 결과를 비교하면 차이가 바로 보입니다.
3. 이번 주에 3Blue1Brown의 'Large Language Models explained briefly'(5~10분)를 보고 Anthropic의 'Tracing the Thoughts of a Large Language Model'을 읽어 보세요. 토큰·환각이 왜 생기는지 알고 나면 AI 답을 어디까지 믿을지 감이 잡혀요.