앤드류 응: AI에 대한 두려움은 과장되었고, 규제는 해롭다

소수의 저명한 AI 기업들은 자신들의 시장 지위를 공고히 할 규제를 로비하기 위해 공포 기반의 서술을 적극적으로 유포하고 있다. 이러한 전략은 주로 기존 기업에 유리하도록 불균등한 경쟁 환경을 조성하고, 신규 진입자 및 오픈 소스 개발자에게 높은 비용과 제한적인 장벽을 부과하는 것을 목표로 한다. 궁극적인 목표는 소규모 연구자 및 개발자가 상당한 어려움에 직면하게 하여 AI 환경 내 경쟁과 혁신을 억제하는 시스템을 구축하는 것이다.

이러한 공포 조장 전술은 종종 AI 시스템의 고립된 오류나 실패를 선별적으로 부각시켜 지나치게 암울한 그림을 그린다. 또한, 데이터 센터의 물 사용량에 대한 과장된 주장과 같은 잘못된 정보는 AI 개발 및 영향에 대한 불필요한 불안감을 증폭시킨다.

코드를 작성하는 AI의 역량이 증가하고 있음에도 불구하고, 소프트웨어 엔지니어링 분야의 일자리 수는 계속해서 증가하여 종말론적인 시나리오를 주장하는 사람들의 예측을 반박하고 있다. 이러한 추세는 AI 도구가 많은 작업을 간소화하면서 기존 코딩 방식이 구식이 되어가는 직업의 변화를 나타낸다. 결과적으로 숙련된 엔지니어들은 더 높은 수요와 향상된 생산성을 경험하며, 역할이 축소되기보다는 진화하고 있음을 보여준다.

학생들, 특히 최근 및 현재 대학 졸업생들은 학업 과정에 성실히 임하고 좋은 학점을 받기 위해 노력해야 한다. 그러나 그들은 또한 대학이 최신 기술 발전 사항을 커리큘럼에 반영하는 데 최대 2년까지 뒤처지는 경우가 많다는 점을 인식해야 한다. 따라서 학생들은 전통적인 학업 프로그램에 아직 완전히 통합되지 않은 최첨단 기술을 습득하기 위해 Coursera 및 DeepLearning.AI와 같은 온라인 플랫폼을 통해 보충 학습 기회를 모색하는 것이 좋다.

이러한 새로운 접근성은 채용 담당자와 마케터 등 다양한 분야의 전문가들이 이제 소프트웨어 제작에 참여할 수 있음을 의미한다. 이러한 AI 도구를 활용하는 것은 생산성을 높일 뿐만 아니라, 개인이 자신의 역할과 관련된 솔루션을 직접 구축할 수 있게 함으로써 전반적인 직무 만족도를 향상시킨다.

이 팟캐스트는 '게스트'라는 AI 기반 프로젝트를 활용하여 이전 게스트의 분석 데이터를 분석하고 인용 및 활동과 같은 특정 기준에 따라 잠재적인 새 게스트의 순위를 매긴다. 게스트 선정 외에도 AI 도구는 다양한 소셜 미디어 채널에서 일관된 어조와 비즈니스 전략을 유지하는 데에도 사용된다. 적극적인 목표는 AI가 지속적인 피드백을 기반으로 출력을 계속 학습하고 개선하여 콘텐츠 제작을 더욱 최적화하는 '폐쇄 루프' 시스템을 구축하는 것이다.

이러한 지속적인 인간의 능력은 향후 몇 년 내에 AI에 의해 해결되거나 모방될 것으로 예상되지 않는다. 결과적으로, 세련된 판단력과 취향을 가진 더 많은 인간이 AI 시스템을 보완하는 데 계속해서 필수적이며, 이러한 고유한 인간의 특성을 활용할 것이다.

앤드류 응은 전통적인 다대일(one-to-many) 방식보다는 일대일(one-to-one) 튜터링 모델을 우선시하는 혁신적인 학습 경험 개발에 전념하는 'Learn Vector'라는 새로운 조직을 이끌고 있다. 현재의 기술 상태는 고도로 맞춤화되고 개인화된 학습 환경의 생성을 가능하게 한다. 이는 비디오 기반 코스에서 상당한 발전이며, 더 맞춤화되고 효과적인 교육 상호작용을 허용한다.

이러한 잘못된 서술은 대학에서 얻은 모든 지식이 빠르게 쓸모없게 될 것이라는 생각을 조장하여 기술 개발을 저해한다. 그는 사람들이 포기하게 만드는 것이 가장 해로운 결과 중 하나라고 믿는다. 특히 새로운 기술을 적극적으로 활용하고 적응하는 사람들이 현재 경제 환경에서 성공할 준비가 되어 있을 때 더욱 그렇다. 따라서 젊은이들이 새로운 기술에 몰두하는 것을 단념시키는 것이 만연한 부정적인 서술의 가장 파괴적인 결과로 간주된다.

이러한 변화는 AI가 개인이 문제를 주도적으로 식별하고 독립적으로 해결책을 구축할 수 있도록 지원한다는 것을 의미한다. 직장은 단순히 지시를 기다리는 직원들의 계층적 구조에서 벗어나, 주도적으로 프로젝트를 이끌어가는 사람들을 가치 있게 여기는 방향으로 나아가고 있다.

미래의 직장은 전통적인 계층 구조에서 벗어나 개인에게 훨씬 더 큰 자율성과 창의성을 제공할 것으로 예상된다. 종종 관리자들은 자신의 경력 경로를 보호하기 위해 무심코 직원들을 좁은 '수영 레인'으로 강요하여 광범위한 혁신을 방해한다. 응은 직원들이 직접 솔루션을 구축하고 고객과 상호 작용하도록 장려하는 환경을 조성하는 회사가 경직된 계층적 모델을 고수하는 회사보다 훨씬 더 뛰어난 성과를 낼 것이며, 더 기업가적이고 역동적인 문화를 조성할 것이라고 주장한다.

재무팀원들은 문서 일관성 검사 및 팀에 새로운 데이터 알림과 같은 관리 작업을 처리하기 위해 자체적으로 자동화 스크립트를 개발하고 있다. 이 기능을 통해 팀은 중앙 엔지니어링 지원을 기다릴 필요 없이 데이터 관리 인프라와 대시보드를 구축할 수 있다. 이 접근 방식은 일상적인 관리 작업에 대한 중앙 엔지니어링 부서의 의존도를 크게 줄여 전반적인 운영 효율성을 높인다.

앤드류 응은 하이퍼스케일러와 달리 개인 사용자 프라이버시 보호와 관련된 강력한 문화, DNA, 장기적인 비즈니스 모델을 보여주지 않는 기업과의 거래에 극도의 주의를 기울인다. 하이퍼스케일러는 확립된 비즈니스 모델과 데이터 처리와 관련된 엄격한 서비스 약관으로 인해 일반적으로 더 신뢰할 수 있다. 반대로, 소규모 AI 기업은 명시적이거나 명확한 통지 없이 사용자 데이터를 재훈련하기 위해 서비스 약관을 변경할 수 있다. 미공개 중요 정보(MNPI)와 같은 민감한 정보의 경우, AI Aspire는 강력한 안전장치가 마련되어 있지 않는 한, 특히 은행과 같은 금융 기관과 협력할 때 제3자 연구소와 공유하는 것을 피한다.

극도로 민감한 데이터의 경우, 앤드류 응은 신뢰할 수 있는 하이퍼스케일러가 제공하는 클라우드 서비스조차도 완전히 사용하지 않는다. 이러한 고도로 민감한 미공개 중요 정보(MNPI)에 AI 통합이 필요할 때, 그는 수동 처리 또는 격리된 로컬 모델 사용을 선택한다. 이 접근 방식은 중요한 데이터가 오프라인 상태로 직접 제어 하에 유지되도록 보장하여 클라우드 기반 저장 및 제3자 액세스와 관련된 위험을 완화한다.

앤드류 응은 특정 문제가 있는 AI 사용, 특히 비동의 성적 딥페이크가 불법화되고 엄격하게 처벌되어야 한다고 강력히 믿는다. 그는 그러한 응용 프로그램을 인공지능의 가장 역겨운 용도 중 하나로 묘사한다. 응은 AI 개발 전반에 대한 광범위한 제한과는 다른, 이러한 특정 유해 사용 사례를 금지하는 것을 목표로 하는 입법 노력을 지지한다. 그의 입장은 AI에 대한 광범위한 금지보다는 명확하게 남용되는 응용 프로그램에 대한 표적 규제를 옹호한다.

그는 디지털 도구를 통합하기 전에 수동 실습과 기초 학습의 중요성을 강조한다. 적절한 기초적 참여 없이 AI에 지나치게 의존하는 것은 학생들의 인지 발달과 지식을 효과적으로 내면화하는 능력에 부정적인 영향을 미칠 위험이 있다.

단순한 애플리케이션을 구축하는 것은 이제 비교적 쉽지만, 진정으로 의미 있는 회사를 설립하는 것은 여전히 믿을 수 없을 정도로 도전적인 일이다. 성공은 깊은 기술적 이해뿐만 아니라 고객의 요구와 시장 역학에 대한 심오한 통찰력을 필요로 한다. 코딩은 이 복잡한 과정의 작은 부분일 뿐이며, 장기적인 초점과 헌신적인 리더십이 중요하다. 단순히 빠르게 반복하는 것이 아니라 지속적인 노력과 단일 스레드 접근 방식이 회사 구축의 복잡성을 헤쳐나가는 데 필수적이다.

범용 인공지능(AGI)은 인간이 수행할 수 있는 모든 지적 작업을 수행할 수 있는 AI로 엄격하게 정의되는데, 이는 현재의 능력과는 거리가 먼 기준이다. 그러한 작업의 예로는 박사 학위 논문을 작성하거나 인간과 같은 이해력으로 복잡한 실제 환경을 탐색하는 것이 포함된다. 응은 AGI 마일스톤을 성급하게 주장하는 것에 대해 경고하며, 이러한 엄격한 정의에 따르면 AGI는 여전히 수십 년 후에나 가능하다고 말한다. 그는 AI의 현재 진행 상황에 대한 과장된 주장을 조장할 수 있는 인위적인 인센티브에 대해 경고한다.