젠슨 황 | 00:00

At some point, you have to believe something.

어느 순간엔, 뭔가를 믿고 나아가야 할 때가 옵니다.

We've reinvented computing as we know it.

엔비디아는 우리가 알고 있던 컴퓨팅의 개념 자체를 완전히 새로 썼어요.

────────────────────

아브람 | 00:04

What is the vision for what you see coming next?

앞으로 다가올 미래에 대해, 어떤 그림을 그리고 계신가요?

────────────────────

젠슨 황 | 00:06

We asked ourselves,

우린 스스로에게 물었죠.

If it could do this, how far can it go?

"이 기술이 이런 일까지 해낼 수 있다면, 과연 어디까지 가능할까?"

────────────────────

아브람 | 00:09

How do we get from the robots that we have now to the future world that you see?

지금 우리가 가진 로봇에서, 젠슨 황 씨가 상상하는 미래로 정말 나아갈 수 있을까요?

────────────────────

젠슨 황 | 00:14

Clearly, everything that moves will be robotic someday.

확실한 건, 언젠가 세상에서 움직이는 모든 게 전부 로봇화 될 거라는 겁니다.

And it will be soon.

그리고 이제 얼마 안남았어요.

We invested tens of billions of dollars

엔비디아는 수백억 달러를 투자했어요.

before it really happened.

그게 실현되기 전부터 말이죠.

No, that's very good.

와, 대단하신데요?

You did some research.

조사를 꽤 열심히 하셨겠는데요?

But the big breakthrough, I would say,

근데 제 생각에 진짜 큰 전환점은,

is when we...

그때였던 것 같아요...

────────────────────

아브람 | 00:28

That's Jensen Huang.

그의 이름은 '젠슨 황'입니다.

And whether you know it or not,

당신이 젠슨 황을 알든 모르든,

his decisions are shaping your future.

그의 결정들이 우리의 미래를 만들어 가고 있죠.

He's the CEO of NVIDIA,

젠슨 황은 엔비디아의 CEO인데,

the company that's skyrocketed over the past few years

엔비디아는 지난 몇 년 사이에 급부상하여

to become one of the most valuable companies in the world.

지금은 전 세계에서 가장 가치 있는 기업 중 하나가 됐죠.

Because they led a fundamental shift in how computers work,

왜냐하면, 엔비디아가 컴퓨터의 작동 방식에 근본적인 전환을 이뤄냈거든요.

unleashing this current explosion of what's possible with technology.

그리고 그 기술로 가능해진 일들이 지금 그야말로 폭발적으로 터져 나오고 있죠.

NVIDIA has done it again.

"엔비디아가 또 한 번 해냈습니다"

────────────────────

젠슨 황 | 00:51

We found ourselves being one of the most important technology companies in the world and potentially ever.

엔비디아는 어느 순간, 세계에서, 아니 어쩌면 역사상 가장 중요한 기술 기업 중 하나가 되어 있었죠.

────────────────────

아브람 | 00:55

A huge amount of the most futuristic tech that you're hearing about

요즘 우리가 자주 듣고 있는 미래 기술의 상당수가,

in AI

예를 들어 AI라든지,

and robotics

로봇 공학,

and gaming

게임이라든지,

and self-driving cars

자율주행 기술에서

and breakthrough medical research

그리고 첨단 의료 연구까지

relies on new chips and software designed by him and his company.

그 모든 게 젠슨 황과 엔비디아가 만든 새로운 칩과 소프트웨어에 기반하고 있죠.

During the dozens of background interviews that I did to prepare for this,

이 인터뷰를 준비하면서 수십 명과 사전 인터뷰를 진행했는데요,

what struck me most was

가장 인상 깊었던 건,

how much Jensen Huang has already influenced all of our lives over the last 30 years,

이미 지난 30년간 젠슨 황이 우리 삶에 얼마나 큰 영향을 미쳐왔는가였죠.

and how many said it's just the beginning of something even bigger.

그리고 그중 많은 사람들이 말하길, 이건 더 거대한 서막에 불과하다고 했고요.

We all need to know what he's building and why,

우린 모두 젠슨 황이 지금 무엇을 만들고 있는지, 그리고 왜 만드는지를 알아야 합니다.

and most importantly,

그리고 무엇보다 중요한 건,

what he's trying to build next.

엔비디아와 젠슨 황이 "앞으로 무엇을 만들려 하는가?" 입니다.

Welcome to Huge Conversations.

'Huge Conversations'에 오신 걸 환영합니다.

Thank you so much.

이렇게 와주셔서 정말 감사합니다.

────────────────────

젠슨 황 | 01:30

I'm so happy to do it.

저야말로 오늘 함께하게 되어 정말 기쁘네요.

────────────────────

아브람 | 01:33

Before we dive in, I wanted to tell you

본격적으로 시작하기 전에, 한 가지 말씀드리고 싶은 게 있는데요,

how this interview is going to be a little bit different

오늘 인터뷰가 어떻게 조금 다르게 흘러갈지 알려드리고 싶어서요.

than other interviews I've seen you doing something.

제가 봐왔던, 젠슨 황 씨가 뭔가 직접 하시던 다른 인터뷰들이랑 말이죠.

────────────────────

젠슨 황 | 01:39

Okay.

좋습니다.

────────────────────

아브람 | 01:40

I'm not going to ask you any questions about company finances.

저는 회사 재무에 관련된 질문 같은 건 하지 않을 거고요,

────────────────────

젠슨 황 | 01:43

You can ask me anything you want.

원하시는 거면 뭐든지 물어보셔도 돼요.

────────────────────

아브람 | 01:45

Thank you.

고맙습니다 !

I'm not going to ask you questions about your management style

경영 스타일에 대해 묻지도 않을 거고요,

or why you don't like one-on-ones.

왜 일대일 미팅을 안 좋아하시는지,

I'm not going to ask you about regulations

그리고 규제에 대해서도 묻지 않을 겁니다.

or politics.

정치 얘기도 말이죠.

I think all of those things are important,

물론 그런 주제들도 중요하다고 생각하지만,

but I think that our audience can get them well covered elsewhere.

그런 얘기는, 저희 채널 시청자분들이 다른 데서도 충분히 접할 수 있을 테니까요.

What we do on Huge If True is

저희 'Huge If True'는,

we make optimistic explainer videos

희망적인 시선으로 해설하는 영상을 만들고 있거든요.

and we've covered...

지금까지 다룬 주제들이...

────────────────────

젠슨 황 | 02:06

God, I'm the worst person to be an explainer video.

하하, 전 해설하는 영상에 가장 어울리지 않는 사람인데...

────────────────────

아브람 | 02:09

I think you might be the best.

아니에요, 전 오히려 완벽하실 것 같은데요?

And that's what I'm really hoping that we can do together

그리고 제가 진짜 바라는 건, 그걸 함께 해보는 거예요.

is make a joint explainer video about

같이 힘을 합쳐서 풀어내는 해설 영상을 만들어 보는 거죠.

how can we actually use technology to make the future better.

"기술을 실제로 어떻게 써야, 더 나은 미래를 만들 수 있을까?" 에 대한 내용으로요.

And we do it because we believe that when people see those better futures, they help build them.

왜냐하면 저희는 사람들이 더 나은 미래를 상상하게 될 때, 그걸 함께 만들어가게 된다고 믿거든요.

So the people that you're going to be talking to are awesome.

그러니까 오늘 저희 이야기를 들을 시청자들은 정말 멋진 사람들이죠.

They are optimists who want to build those better futures.

더 나은 미래를 만들고 싶어 하는 낙관적인 사람들이거든요.

But because we cover so many different topics,

그런데 저희가 다루는 주제가 워낙 다양하다 보니,

we've covered supersonic planes

초음속 비행기라든지,

and quantum computers

양자 컴퓨터라든지,

and particle colliders,

입자 충돌기 같은 걸 다뤘거든요.

it means that millions of people come into every episode without any prior knowledge whatsoever.

그러다 보니 영상마다 정말 아무런 배경지식 없이 시청하시는 분들도 정말 많이 계시죠.

You might be talking to an expert in their field who doesn't know the difference between a CPU and a GPU.

시청자가 자기 분야에선 엄청난 전문가이지만, CPU와 GPU의 차이를 모르는 분일 수도 있고,

or a 12 year old who might grow up one day to be you,

혹은 언젠가 '젠슨 황'이 될 12살의 어린아이가

but is just starting to learn.

이제 막 배우기 시작한 것일 수도 있죠.

And, for my part, I've now been preparing for this interview for several months,

그래서 저는 오늘 그런 사람들을 위해서 몇 달 동안 이 인터뷰를 위해 준비해 왔고,

including doing background conversations with many members of your team,

엔비디아에서 일하는 여러 직원과 사전 인터뷰도 하면서 말이죠.

but I'm not an engineer.

근데 제가 엔지니어는 아니기에,

So my goal is to help that audience see the future that you see.

오늘 제 목표는, 젠슨 황 씨가 보고 있는 미래를 시청자들도 함께 그려볼 수 있도록 돕는 거예요.

So I'm going to ask about three areas.

오늘은 크게 세 가지 주제에 대해 질문드릴 텐데요,

The first is, how did we get here?

첫 번째는, "우린 어떻게 여기까지 왔을까?" 입니다.

What were the key insights that led to this big fundamental shift in computing that we're in now?

지금 컴퓨팅의 근본적인 전환으로 이어지게 만든 핵심 인사이트가 뭐였을까요?

The second is,

두 번째는,

what's actually happening right now?

"지금은 실제로 어떤 일들이 벌어지고 있는가?"입니다.

How did those insights lead to the world

그런 핵심 인사이트들이 어떻게 세상에 이어져

that we're now living in that seems like so much is going on all at once?

지금처럼 한꺼번에 수많은 일들이 벌어지고 있는 세상까지 오게 된 걸까요?

And the third is,

그리고 세 번째는,

what is the vision for what you see coming next?

"앞으로 다가올 미래에 대해 '젠슨 황' 씨는 어떤 그림을 그리고 있는가?"입니다.

In order to talk about this big moment we're in with AI,

저희가 AI와 함께 맞이한 이 특별한 순간을 얘기하려면,

I think we need to go back to video games in the 90s.

90년대 비디오 게임을 하던 시절로 잠깐 돌아가 봐야 할 것 같아요.

At the time, I know game developers wanted to create more realistic-looking graphics,

그 당시 게임 개발자들은 더 현실감 있는 그래픽을 만들고 싶어 했다는 건 알고 있어요.

but the hardware couldn't keep up with all of that necessary math.

그런데 하드웨어가 그 모든 계산을 따라가지 못했죠.

NVIDIA came up with a solution that would change not just games but computing itself.

그때 엔비디아가 단순히 게임만이 아니라, 컴퓨팅 자체를 바꿔놓을 해결책을 내놨잖아요?

Could you take us back there and explain what was happening and

그 시절로 다시 돌아가서, 당시 무슨 일들이 벌어지고 있었는지,

what were the insights that led you and the NVIDIA team to create the first modern GPU?

그리고 어떤 인사이트가 젠슨 황님과 엔비디아 팀을 최초의 현대적 GPU를 만들게 했는지 설명해 주실 수 있을까요?

────────────────────

젠슨 황 | 04:11

So in the early 90s, when we first started the company,

음, 저희가 회사를 처음 시작한 게 90년대 초였는데요,

we observed that in a software program,

그때 소프트웨어 프로그램을 관찰하면서 깨달은 건

inside it, there are just a few lines of code.

그 안에서 실제로 실행되는 코드는 몇 줄 안 된다는 거였죠.

Maybe 10% of the code does 99% of the processing.

코드 전체 중 10% 정도가 전체 연산의 99%를 처리하고 있더라고요.

And that 99% of the processing could be done in parallel.

그리고 그 99%는 병렬로 처리할 수 있었지만,

However, the other 90% of the code has to be done sequentially.

반면에, 나머지 90%의 코드는 순차적으로 실행해야만 했죠.

It turns out that the proper computer, the perfect computer,

결국 제대로 된, '완벽한 컴퓨터'라는 건 뭘까 생각해 보니,

is one that could do sequential processing and parallel processing,

순차 연산도 잘하면서 동시에 병렬 연산도 잘할 수 있는 컴퓨터더라고요.

not just one or the other.

둘 중 하나만으론 안 되는 거죠.

That was the big observation.

그게 바로 가장 핵심적인 통찰이었어요.

And we set out to build a company to solve computer problems that normal computers can't.

그래서 저희가 기존의 컴퓨터가 풀 수 없는 문제를 해결하는 회사를 한번 만들어보자고 나선 거예요.

And that's really the beginning of Nvidia.

그게 진짜 엔비디아가 시작된 순간이었죠.

────────────────────

아브람 | 04:53

My favorite visual of why a CPU versus a GPU really matters so much

제가 가장 좋아하는, CPU랑 GPU의 차이가 왜 중요한지를 보여주는 시각적 예시가 있어요.

is a 15-year-old video on the NVIDIA YouTube channel

15년 전에 엔비디아 유튜브 채널에 올라온 영상인데,

where the Mythbusters, they use a little robot

'호기심 해결사' 프로그램에서 작은 로봇을 이용해

shooting paintballs one by one

페인트볼을 하나씩 쏘면서,

to show solving problems one at a time

문제를 한 번에 한 개씩 해결하는 모습을 보여줘요.

or sequential processing on a CPU.

그게 바로 CPU의 순차적 처리 방식을 보여주는 거죠.

CPU

그게 바로 CPU의 순차적 처리 방식을 보여주는 거죠.

But then they roll out this huge robot that shoots all of the paintballs at once,

그러다 다음 장면에서 페인트볼을 한꺼번에 쏘는 거대한 로봇이 등장해요.

doing smaller problems all at the same time

작은 문제들을 동시에 처리하는 방식이었고,

or parallel processing on a GPU.

그게 바로 GPU의 병렬 처리 방식을 보여주죠.

So Nvidia unlocks all of this new power for video games.

엔비디아는 그렇게 해서 비디오 게임에 쓸 수 있는 새로운 힘을 쥐여준 거예요.

Why gaming first?

근데 왜 하필 게임이 먼저였을까요?

────────────────────

젠슨 황 | 05:33

The video games requires parallel processing for processing 3D graphics.

비디오 게임은 3D 그래픽을 처리하기 위해 병렬 연산이 꼭 필요했어요.

And we chose video games

그리고 저희가 게임을 선택한 첫 번째 이유는,

because, one, we loved the application.

그쪽 응용 분야를 정말 좋아했기 때문이었죠.

It's a simulation of virtual worlds and

게임은 가상 세계를 시뮬레이션하는 거니까요.

who doesn't want to go to virtual worlds.

누가 그런 가상 세계에 안 들어가 보고 싶겠어요?

And we had the good observation that

그리고 그때 저희가 잘 캐치했던 게,

video games has potential to be the largest market for entertainment ever.

비디오 게임이 엔터테인먼트 역사상 가장 큰 시장이 될 가능성이 있다고 봤었던 겁니다.

And it turned out to be true.

그리고 결국 실제로 그렇게 됐죠.

And having it being a large market is important

그리고 그 시장이 커진다는 것도 굉장히 중요했어요.

because the technology is complicated.

왜냐하면 기술 자체가 굉장히 복잡하거든요.

And if we had a large market,

그리고 만약 시장이 클 때 어떤 부분이 좋냐면,

our R&D budget could be large, we could create new technology.

연구 개발 예산에 더 많은 돈을 쓸 수 있고, 그 덕에 새로운 기술도 만들어낼 수 있게 돼요.

And that flywheel between technology and market and greater technology

그렇게 기술과 시장, 그리고 더 발전된 기술 사이의 선순환 구조가,

was really the flywheel that got Nvidia to become one of the most important technology companies in the world,

그런 선순환 구조가 엔비디아를 세계 최고의 기술 기업 중 하나로 만들어줬죠.

and it was all because of video games.

그리고 그 모든 게 다 비디오 게임 덕분이었죠.

────────────────────

아브람 | 06:18

I've heard you say that GPUs were a time machine.

예전에 GPU를 '타임머신'이라고 표현한 걸 들은 적이 있는데요,

Could you tell me more about what you meant by that?

그게 무슨 의미였는지 조금 더 자세히 설명해 주실 수 있을까요?

────────────────────

젠슨 황 | 06:23

A GPU is like a time machine

GPU가 마치 타임머신 같은 게,

because it lets you see the future sooner.

왜냐하면 미래를 더 빨리 내다볼 수 있게 해주거든요.

One of the most amazing things anybody's ever said to me was

누군가 제게 해준 말 중 정말 인상 깊었던 게 있는데요,

a quantum chemistry scientist.

양자화학을 연구하는 과학자였죠.

He said,

그가 그러더군요,

Jensen, because of NVIDIA's work,

"젠슨, 엔비디아의 기술 덕분에"

I can do my life's work in my lifetime.

"제 평생의 연구를 살아있는 동안에 끝낼 수 있게 됐습니다"

That's time travel.

그건 시간 여행이잖아요?

He was able to do something that was beyond his lifetime,

자기 생애를 넘어서까지 해야 가능했던 일이,

within his lifetime.

자기 생애 안에 가능해지게 됐으니까요.

And that's because we make applications run so much faster.

그리고 그건 저희가 응용 프로그램을 훨씬 더 빠르게 작동하도록 만들었기 때문일 테고요.

and you get to see the future.

그러니 미래를 미리 볼 수 있게 된 거죠.

And so when you're doing weather prediction, for example, you're seeing the future.

예를 들어, 날씨 예측을 하고 있다면, 그건 사실상 미래를 보는 거잖아요?

When you're doing a simulation,

시뮬레이션을 돌리고 있을 때도,

a virtual city with virtual traffic,

가상의 도시, 그리고 가상의 교통 상황을 만들어 놓고,

and we're simulating our self-driving car through that virtual city,

그 가상의 도시 안에서 자율주행차를 테스트하고 있는 거죠.

we're doing time travel.

그건 결국 시간 여행을 하는 거예요.

────────────────────

아브람 | 07:10

So parallel processing takes off in gaming.

그렇게 게임에서 병렬 처리가 본격적으로 시작되면서

And it's allowing us to create worlds in computers that we never could have before.

이제는 컴퓨터 안에서 이전엔 절대 만들 수 없었던 세계를 창조할 수 있게 됐고,

And gaming is sort of this first incredible case of parallel processing unlocking a lot more power.

그래서 게임이 병렬 처리가 가진 엄청난 잠재력을 처음으로 이끌어낸 대표적인 사례라고 볼 수 있죠.

And then, as you said, people begin to use that power across many different industries,

그리고 말씀하신 것처럼, 사람들이 그 능력을 다양한 산업 전반에 활용하기 시작해요.

the case of the quantum chemistry researcher.

예를 들어 아까 말씀하신 양자화학 연구 학자처럼요.

When I've heard you tell that story, it's that he was running molecular simulations

제가 처음 그 얘기를 들었을 때 조사해 보니 그분이 분자 시뮬레이션을 돌리고 있었는데,

in a way where it was much faster to run in parallel on NVIDIA GPUs

그게 엔비디아 GPU를 써서 병렬로 돌리는 게 훨씬 더 빨랐던 거죠.

even then than it was to run them on the supercomputer with the CPU that he had been using before.

그게 심지어 이전까지 사용하던 CPU 기반 슈퍼컴퓨터보다도 말이죠.

────────────────────

젠슨 황 | 07:50

Yeah, that's true.

맞아요, 사실입니다.

────────────────────

아브람 | 07:51

So, oh my God, it's revolutionizing all of these other industries as well.

그러니까 이게 진짜 다른 모든 산업들까지 혁신을 일으킨 거예요.

It's beginning to change how we see what's possible with computers.

컴퓨터가 할 수 있는 일에 대한 우리의 상식이 바뀌기 시작한 거죠.

And my understanding is that in the early 2000s, you see this

그리고 제가 알기로는, 2000년대 초반에 젠슨 황 씨는 이런 흐름을 보고 계셨고,

and you realize that actually doing that is a little bit difficult

그리고 이게 막상 실제로 그렇게 쓰이려면 쉽지만은 않다는 것도 깨달으셨고요.

because what that researcher had to do is

왜냐하면 그 양자화학 과학자가 썼던 방식이,

he had to sort of trick the GPUs into thinking that his problem was a graphics problem.

GPU가 마치 자기 문제를 그래픽 문제인 것처럼 보이게 만들어야 했으니까요.

────────────────────

젠슨 황 | 08:16

That's exactly right.

정확하게 맞습니다.

No, that's very good.

와, 정말 대단하네요.

You did some research.

조사를 엄청 많이 하신 거 같아요.

────────────────────

아브람 | 08:20

So you create a way to make that a lot easier.

그래서 그 과정을 훨씬 더 쉽게 만들 방법을 개발해 내셨고요.

────────────────────

젠슨 황 | 08:22

That's right.

맞습니다.

────────────────────

아브람 | 08:23

Specifically, it's a platform called CUDA,

구체적으로 말하자면, 그게 바로 '쿠다'라는 플랫폼이고,

which lets programmers tell the GPU what to do

개발자들이 GPU에게 "이걸 해줘" 하고 직접 명령할 수 있게 해주는 도구죠.

using programming languages that they already know, like C.

이미 그들에게 익숙한 C 같은 프로그래밍 언어로 말이에요.

And that's a big deal because it gives way more people easier access to all of this computing power.

그리고 그게 진짜 큰 의미가 있는 게, 훨씬 더 많은 사람들이 이런 강력한 컴퓨팅 파워에 쉽게 접근할 수 있게 된 거니까요.

Could you explain what the vision was that led you to create CUDA?

그런 쿠다를 만들게 된 생각이나 계기가 뭐였는지 설명해 주실 수 있을까요?

────────────────────

젠슨 황 | 08:40

Partly researchers discovering it,

일부는 연구자들이 새로운 가능성을 발견한 것이고,

partly internal inspiration,

일부는 내부의 영감에서 비롯된 거고,

and partly solving a problem.

또 일부는 그냥 문제를 해결하기 위함이었죠.

A lot of interesting ideas come out of that soup.

그런 모든 게 뒤섞인 상황 속에서 흥미로운 아이디어들이 툭툭 튀어나오기도 하거든요.

You know, some of it is aspiration and inspiration, some of it is just desperation.

뭐랄까, 어떤 아이디어는 열망에서 나오기도 하고, 어떤 건 영감, 또는 절박함에서도 나오죠.

And so in the case of CUDA, it was very much the same way.

쿠다의 경우가 딱 그런 상황에서 만들어진 거였어요.

And probably the first external ideas of using our GPUs for parallel processing

그리고 아마 GPU를 병렬 연산에 최초의 외부 활용 사례는

emerged out of some interesting work in medical imaging.

의료 영상 분야에서 진행된 흥미로운 연구들 속에서 자연스럽게 흘러나온 거였어요.

A couple of researchers at Mass General were using it to do CT reconstruction.

매사추세츠 종합병원의 몇몇 연구자들이 CT 이미지를 복원하는 작업에 쓰고 있었죠.

They were using our graphics processors for that reason,

연구자들은 그런 이유로 GPU를 병렬 연상용으로 활용하고 있었고,

and it inspired us.

그게 저희에게 큰 영감을 줬어요.

Meanwhile, the problem that we're trying to solve inside our company

한편으로, 회사의 내부적으로도 풀어야 할 문제가 있었는데,

has to do with the fact that

그 문제가 뭐였냐면요,

when you're trying to create these virtual worlds for video games,

개발자들이 비디오 게임의 가상 세계를 만들 때,

you would like it to be beautiful,

그 세계가 아름답기를 바랄 뿐만 아니라,

but also dynamic.

생동감도 있었으면 할거잖아요?

Water should flow like water and

물은 진짜 물처럼 흐르고,

explosions should be like explosions.

폭발은 진짜 폭발처럼 제대로 터져야 하니,

So there's particle physics you want to do,

입자 물리학 같은 것도 구현하고 싶어지고,

fluid dynamics you want to do,

유체 역학도 넣고 싶겠죠.

and that is much harder to do if your pipeline is only able to do computer graphics.

근데 연산 체계가 단순히 그래픽만 처리하는 구조라면 그런 걸 구현하는 건 훨씬 어렵거든요.

And so we have a natural reason to want to do it in the market that we were serving.

그래서 저희가 주력하고 있던 비디오 게임 시장에서 그런 문제를 해결해야 할 자연스러운 이유가 있었던 거예요.

So researchers were also horsing around with using our GPUs for general purpose acceleration.

그리고 연구자들도 저희 GPU를 범용 연산 가속 같은 데 이것저것 재미 삼아 실험해 보는 경우들도 있었고요.

And so there are multiple factors that were coming together in that soup.

그래서 그런 흐름이 뒤섞인 상황 속에서 여러 가지 요인들이 한데 모이게 된 거예요.

When the time came and

그렇게 때가 되자,

we decided to do something proper and

저희가 제대로 된 걸 만들어보기로 결심했고,

create a CUDA as a result of that.

그 결과 쿠다가 탄생하게 됐죠.

Fundamentally, the reason why I was certain that CUDA was going to be successful

제가 근본적으로 쿠다가 성공할 거라고 확신했던 이유는,

and we put the whole company behind it

그리고 엔비디아 전체가 쿠다에 올인할 수 있었던 건,

was because fundamentally,

기본적으로 그런 확신이 있었거든요.

our GPU was going to be the highest volume parallel processors built in the world

엔비디아의 GPU가 전 세계에서 가장 많이 팔리는 병렬 연산 칩이 될 거라는 확신 말이에요.

because the market of video games was so large.

그만큼 비디오 게임 시장이 어마어마했으니까요.

And so this architecture has a good chance of reaching many people.

그래서 이 병렬 연산 시스템의 구조가 수많은 사람들에게 퍼져나갈 수 있을 거라고 봤던 거죠.

────────────────────

아브람 | 10:38

It has seemed to me like creating CUDA was this incredibly optimistic,

제 눈에는 정말 쿠다를 만든다는 게 굉장히 낙관적인 시도처럼 보였어요.

huge if true thing to do, where you were saying,

'성공만 한다면 엄청난 일'이 될 수 있는, ( Huge If True ) 그런 걸 하신 거잖아요?

where you were saying, if we create a way for many more people to use much more computing power,

"만약 더 많은 사람들이 훨씬 더 강력한 컴퓨팅 성능을 쓸 방법을 우리가 만든다면"

they might create incredible things.

"사람들이 정말 놀라운 결과를 만들어낼 수 있지 않을까?" 하고 말이죠.

And then, of course, it came true.

그리고 결국, 그게 진짜 현실이 됐고요.

They did.

사람들이 엄청난 걸 해냈잖아요?

In 2012,

2012년에,

a group of three researchers submits an entry to a famous competition

연구자 세 명이 한 팀을 이뤄서 한 유명한 대회에 출전하게 돼요.

where the goal is to create computer systems

그 대회는 특정 컴퓨터 시스템을 만드는 거였는데,

that could recognize images and label them with categories.

이미지를 인식할 수 있고, 그 이미지를 적절한 카테고리로 분류해 낼 수 있는 시스템을 말이죠.

And their entry just crushes the competition.

그런데 그 팀이 만들어낸 모델이, 다른 경쟁자들을 그냥 압도해 버려요.

It gets way fewer answers wrong.

오답률이 다른 팀들보다 훨씬 적었죠.

It was incredible.

정말 말도 안 되게 대단한 성과였어요.

It blows everyone away.

모든 사람이 충격을 받았고,

It's called AlexNet,

그 모델의 이름은, 알렉스넷

and it's a kind of AI called the neural network.

'신경망'이라고 불리는 AI의 한 종류였죠.

My understanding is one reason it was so good is

제가 이해하기론, 알렉스넷이 그렇게까지 뛰어날 수 있었던 이유 중 하나가

that they used a huge amount of data to train that system.

엄청난 양의 데이터를 학습에 활용했다는 거였고,

And they did it on NVIDIA GPUs.

그리고 그 학습을 엔비디아 GPU로 돌린 거죠.

All of a sudden, GPUs weren't just a way to make computers faster and more efficient.

그 순간부터 갑자기 GPU가 단지 컴퓨터를 더 빠르고, 효율적으로 만드는 부품이 아니라,

They're becoming the engines of a whole new way of computing.

완전히 새로운 컴퓨팅 방식의 엔진이 되어버린 거죠.

We're moving from instructing computers with step-by-step directions

이제 우리가 컴퓨터에 일일이 지시를 내리는 게 아니라,

to training computers to learn by showing them a huge number of examples.

수많은 예제를 보여주면서 스스로 배우게 만드는 방식으로 옮겨가고 있었던 거죠.

This moment in 2012 really kicked off this truly seismic shift that we're all seeing with AI right now.

그리고 2012년의 그 순간이, 지금 우리가 겪고 있는 AI 지각변동의 시발점이었던 거고요.

Could you describe what that moment was like from your perspective?

그 당시가 젠슨 황 씨의 눈에는 어떻게 보이셨는지, 좀 얘기해주실 수 있을까요?

And what did you see it would mean for all of our futures?

그리고 그게 우리 모두의 미래에 어떤 의미가 있을 거라고 보셨는지도요.

────────────────────

젠슨 황 | 11:58

When you create something new like CUDA,

쿠다처럼 완전히 새로운 걸 만들어낼 때는요,

if you build it, they might not come.

아무리 잘 만들어놔도, 사람들이 안 쓸 수도 있거든요.

And that's always the cynics perspective.

그게 냉소적인 사람들이 늘 갖는 시선이기도 하죠.

However, the optimist perspective would say,

그런데 낙관적인 시선을 가진 사람들은 어떻게 이야기하는지 아세요?

but if you don't build it, they can't come.

"근데 뭔가를 만들지 않는다면, 사람들이 쓸 수조차 없잖아요?"

And that's usually how we look at the world.

그게 바로 우리 같은 사람들이 평소에 세상을 바라보는 방식이거든요.

You know, we have to reason about intuitively why this would be very useful.

그러니까 만들고자 하는 게 왜 정말 유용할지를, 직관적으로 설득할 수 있어야만 해요.

And in fact,

그리고 실제로,

in 2012,

2012년에

Ilya Sutskever

일리야 서츠케버,

and Alex Krizhevsky

알렉스 크리제브스키,

and Geoffrey Hinton

그리고 제프리 힌튼이

in the University of Toronto, the lab that they were at,

토론토 대학교에 있는 자기네 연구실에서,

they reached out to a GeForce GTX580

지포스 GTX 580 그래픽카드에 관심을 가졌고,

because they learned about CUDA and

왜냐하면 그들은 이미 쿠다에 대해 알아봤고,

that CUDA might be able to be used as a parallel processor for training AlexNet.

그 쿠다가 알렉스넷을 훈련시키는 병렬 연산 구조로 쓸 수 있을지도 모른다고 생각했던 겁니다.

And so our inspiration that GeForce could be the vehicle to bring out this parallel architecture into the world

그래서 저희는, 지포스가 그런 병렬 구조의 시스템을 세상에 퍼뜨릴 수 있는 하나의 매개체가 될 수 있겠다는 생각에서 출발하게 됐죠.

and that researchers would somehow find it someday was a good strategy.

그리고 언젠가 연구자들이 그 가능성을 알아봐 줄 거라는 믿음도 결과적으로는 꽤 괜찮은 전략이었죠.

It was a strategy based on hope,

물론 그게 '희망'에 기반한 전략이었지만,

but it was also reasoned hope.

충분히 근거가 있는 희망이었어요.

The thing that really caught our attention was

그리고 저희의 눈길을 제대로 끌었던 게,

simultaneously we were trying to solve the computer vision problem inside the company

그때 마침 동시에 저희 내부에서도 컴퓨터 비전 문제를 해결하려고 애쓰고 있었거든요.

and we were trying to get CUDA to be a good computer vision processor.

쿠다를 이미지나 영상을 이해할 수 있는, 컴퓨터 비전용 연산 구조로 발전시키려고 했던 거죠.

And we were frustrated by a whole bunch of early developments internally

그리고 초기 내부 개발 단계에서 워낙 여러 가지 문제들이 겹치면서, 많이 답답했어요.

with respect to our computer vision effort and getting CUDA to be able to do it.

컴퓨터 비전 기술과 관련해서, 쿠다가 그걸 제대로 처리할 수 있게 만들려고 시도를 하면서 말이죠.

And all of a sudden we saw AlexNet

그러던 중 갑자기 등장한 게 알렉스넷이었어요.

this new algorithm

완전히 새로운 알고리즘이었죠.

that is completely different than computer vision algorithms before it,

그전까지의 컴퓨터 비전 알고리즘들과는 완전히 다른 접근 방식을 보여줬거든요.

take a giant leap in terms of capability for computer vision.

알렉스넷은 컴퓨터 비전 기술의 성능을 한 단계 도약시킨 혁신이었어요.

And when we saw that,

그리고 저희가 알렉스넷을 처음 봤을 때,

it was partly out of interest,

한편으로 순수한 흥미도 있었지만,

but partly because we were struggling with something ourselves.

사실 그보다 저희 스스로도 비슷한 문제로 고생하고 있었기 때문에 더 눈길이 갔죠.

And so we were highly interested to want to see it work.

그래서 "그게 진짜 잘 돌아갈까?" 하는 마음으로 굉장히 흥미롭게 봤던 거 같아요.

And so when we looked at AlexNet, we were inspired by that.

그렇기에 알렉스넷을 보면서 정말 큰 영감을 받게 됐고,

But the big breakthrough, I would say,

근데 제가 보기에 진짜 결정적인 전환점은

is when we saw AlexNet,

저희가 알렉스넷을 봤을 때

we asked ourselves,

스스로에게 물은 거죠.

you know, how far can AlexNet go?

"과연 이 알렉스넷 기술이 어디까지 갈 수 있을까?"

If it can do this with computer vision, how far can it go?

"컴퓨터 비전에서 이 정도 성과를 낼 수 있다면, 그 다음엔 어디까지 도달할 수 있을까?"

And if it could go to the limits of what we think it could go,

"그리고 만약 이 기술이 우리가 상상하는 한계까지 발전할 수 있다면"

the type of problems it could solve,

"도대체 어떤 문제들까지 풀 수 있을까?"

what would it mean for the computer industry

"그게 컴퓨터 산업 전체에 어떤 의미가 있을까?"

and what would it mean for the computer architecture?

"그리고 컴퓨터 구조 자체엔 어떤 변화를 불러오게 될까?"

And we were,

거기서 저희가 도출한 결론은,

And we rightfully reasoned that if deep learning architecture can scale,

만약 딥러닝 구조가 확장 가능하다면, 논리적으로 충분히 가능성이 있다고 판단했어요.

the vast majority of machine learning problems could be represented with Deep Neural Networks ( DNN ).

그러니까, 웬만한 머신러닝 문제들은 딥 뉴럴 네트워크로 풀어낼 수 있다고 본 거죠.

And the type of problems we could solve with machine learning is so vast

그리고 머신러닝으로 풀 수 있는 문제의 폭이 어마어마하게 넓기에

that it has the potential of reshaping the computer industry altogether.

컴퓨터 산업 자체를 통째로 뒤바꿀 수 있는 잠재력을 가진다고 본 거예요.

Which prompted us to re-engineer the entire computing stack,

그래서 그걸 계기로 저희는 컴퓨팅 스택 전체를 다시 설계하게 됐던 거고,

which is where DGX came from,

그 결과로 나온 게 바로 DGX 시리즈였죠.

and this little baby DGX sitting here.

여기 있는 이 작은 DGX도 그중 하나고요.

All of this came from that observation that we ought to reinvent the entire computing stack,

모든 건 컴퓨팅 스택을 처음부터 다시 설계해야 한다는 통찰에서 시작된 거예요.

layer by layer by layer.

가장 밑바닥부터 한 층 한 층 차근차근.

You know, computers, after 65 years since IBM System 360 introduced modern general-purpose computing,

IBM이 System/360으로 범용 컴퓨터 시대를 연 지 65년이 됐잖아요?

we've reinvented computing as we know it.

그리고 이제, 저희가 알던 컴퓨팅의 틀을 완전히 바꿔버린 거죠.

────────────────────

아브람 | 15:04

To think about this as a whole story.

이걸 하나의 흐름으로 보자면,

So parallel processing reinvents modern gaming

병렬 연산 처리가 현대 게임 산업을 완전히 바꿔놨고,

and revolutionizes an entire industry.

결국은 산업 전체를 송두리째 혁신시킨 거죠.

Then that way of computing,

그리고 그 방식의 컴퓨팅이,

that parallel processing,

즉, 병렬 연산 처리 방식이

begins to be used across different industries.

다양한 산업 분야에 걸쳐 퍼져나가기 시작했고,

You invest in that by building CUDA.

그걸 더 발전시키기 위해 쿠다라는 플랫폼에 투자해서 만들게 된 거고요.

And then CUDA and the use of GPUs

그렇게 만들어진 쿠다와 GPU의 활용이

allows for a step change in neural networks and machine learning

신경망과 머신러닝에서 한 단계 큰 도약을 가능하게 했고,

and begins a sort of revolution that we're now seeing

그게 지금 우리가 목격하고 있는 혁신의 시발점이 되었고,

only increase in importance today.

그 중요성은 더욱더 커지고 있는 거죠.

────────────────────

젠슨 황 | 15:38

All of a sudden, computer vision is solved.

그렇게 갑자기 컴퓨터 비전 문제도 해결됐고,

All of a sudden, speech recognition is solved.

갑자기 음성 인식 문제도 해결됐고,

All of a sudden, language understanding is solved.

갑자기 언어 이해까지도 가능해졌고,

These incredible problems associated with intelligence,

그런 지능과 관련된 엄청난 난제들이,

one by one by one by one, one by one,

하나씩 줄줄이 풀려가기 시작했어요.

where we had no solutions for in the past,

이전엔 도저히 답이 없던 문제들이,

desperate desire to have solutions for,

전부 다 우리가 간절히 해결되기를 바랐던 문제들이잖아요?

all of a sudden, one after another gets solved,

그런데 그게 갑자기 연달아 풀려버린 거예요.

you know, every couple of years.

몇 년 간격으로 말이죠.

It's incredible.

정말 믿기지 않을 정도예요.

────────────────────

아브람 | 16:00

Yeah, so you're seeing that in 2012.

그러니까요 ! 젠슨 황 씨는 그런 미래를 2012년에 보신 거잖아요?

You're looking ahead and

앞날을 내다보며

believing that that's the future that you're going to be living in now.

지금 저희가 살고있는 미래를 살거라는 걸 믿으셨고,

And you're making bets that get you there,

그런 미래를 향하는 데 리스크를 감수하고

really big bets that have very high stakes.

정말 큰 리스크를 안고서 베팅하신 거잖아요?

And then my perception as a layperson

그런데 제가 일반인 관점에서 보기엔

is that it takes a pretty long time to get there.

예상했던 미래, 즉 지금까지 도달하는 데 시간이 꽤 오래 걸린 것처럼 느껴지거든요.

You make these bets.

그렇게 결정을 내리시고 나서,

────────────────────

젠슨 황 | 16:18

Eight years,

8년입니다.

ten years.

아니, 10년이네요.

────────────────────

아브람 | 16:21

So my question is,

그래서 제가 여쭤보고 싶은 건,

If AlexNet happened in 2012,

알렉스넷이 2012년에 등장했는데,

and this audience is probably seeing and hearing so much more about AI and Nvidia specifically, 10 years later,

지금 이 영상을 보고 계신 분들은, 딱 10년이 지난 지금에야 AI와 엔비디아에 대해 이야기를 많이 접하고 계시잖아요?

why did it take a decade?

근데 그게 왜 10년이나 걸린 건가요?

And also, because you would place those bets,

그리고 젠슨 황 씨는 그런 결단들을 내려오셨으니까,

what did the middle of that decade feel like for you?

그 10년의 중간쯤엔 어떤 기분이었는지도 궁금합니다.

────────────────────

젠슨 황 | 16:41

That's a good question.

정말 좋은 질문이네요.

It probably felt like today.

그때도 아마 지금이랑 비슷한 느낌이었던 것 같아요.

You know? to me,

그러니까, 제 입장에선요,

To me, there's always some problem

항상 뭔가 해결해야 할 문제들이 있고,

and then there's some reason to be impatient.

그리고 항상 뭔가 조급해할 이유도 있죠.

There's always some reason to be happy about where you are and

그와 동시에 지금 이 자리에서 기뻐할 이유도 늘 있었고,

and there's always many reasons to carry on.

계속 앞으로 나아가야 할 이유도 많았습니다.

So I think as I was reflecting a second ago,

그래서 조금 전에 질문하셨을 때도 잠깐 되돌아봤지만,

that sounds like this morning.

딱 오늘 아침과 같은 기분이었던 것 같아요.

But I would say that in all things that we pursue,

근데 제가 하고 싶은 말은, 우리가 뭔가를 추구할 때는,

first you have to have core beliefs.

가장 먼저, 핵심 신념이 있어야만 해요.

You have to reason from your best principles,

그리고 그 신념은 가장 본질적인 원칙에서부터 나와야만 하죠.

and ideally you're reasoning from principles of either physics

이상적으로는 물리학적 원리 같은 걸 바탕으로 사고를 전개한다거나,

or deep understanding of the industry

아니면 업계에 대한 깊은 통찰에서부터 출발한다거나,

or deep understanding of the science,

또는 과학에 대한 깊은 이해에서 비롯된다거나,

wherever you're reasoning from.

그 어떤 이유에서 출발하든,

You reason from first principles,

가장 기초적인 원리에서부터 출발해야 하죠.

and at some point you have to believe something.

그리고 어느 순간엔, 믿음을 갖고 나아갈 수 있어야 해요.

And if those principles don't change

그리고 만약 그 원칙들이 변하지 않고,

and the assumptions don't change,

그 기반이 되는 전제조건이 바뀌지 않는다면,

then there's no reason to change your core beliefs.

핵심 신념을 바꿀 이유도 없는 거죠.

And then along the way,

그리고 그 여정 속에서는요,

there's always some evidence of

항상 어떤 증거들이 보이기 시작해요.

of, you know, of success

예를 들어, 성공의 조짐 같은...

and that you're leading in the right direction.

지금 나가가고 있는 방향이 옳다고 알려주는 신호 말이죠.

And sometimes you go a long time without evidence of success

근데 때로는 오랫동안 그런 성공의 증거가 안 보일 때도 있고요,

and you might have to course correct a little, but the evidence comes and

그럴 땐 살짝 방향을 조정해야 할 수도 있죠. 하지만 결국 증거는 찾아오게 되어 있어요.

if you feel like you're going in the right direction, we just keep on going.

그리고 지금 나아가고 있는 방향이 맞다고 느껴진다면, 그냥 계속 가는 거예요.

The question of why did we stay so committed for so long,

그리고 엔비디아가 왜 그렇게 오랫동안 그 길을 헌신적으로 버텨올 수 있었는지

the answer is actually the opposite.

그 질문에 대한 답은 사실 정반대였어요.

There was no reason to not be committed

딱히 그 길에 헌신하지 않을 이유가 없었죠.

because we believed it.

왜냐하면 저희는 그걸 믿었으니까요.

I've believed in NVIDIA for 30 plus years

저는 30년 넘게 엔비디아를 믿어왔고,

and I'm still here working every single day.

지금도 매일 같이 이 자리에서 일하고 있죠.

There's no fundamental reason for me to change my belief system,

제 신념 체계를 바꿔야 할 근본적인 이유가 전혀 없으니까요.

I fundamentally believe that the work we're doing in revolutionizing computing

저는 지금도, 우리가하는 일이 본질적으로 컴퓨팅의 혁신을 만들어가고 있다고 굳게 믿고,

is as true today, even more true today than it was before,

그 믿음은 지금, 이 순간에도 여전히 유효하고, 오히려 그때보다 더 강한 확신이 들어요.

and so we'll stick with it until otherwise.

그래서 딱히 특별한 이유가 생기지 않는 한, 지금 이 방향을 계속 고수할 겁니다.

There is, of course,

물론 그런 순간들도 있었죠.

very difficult times along the way.

지금까지의 여정에서 정말 힘든 시간도 있었고,

You know, when you're investing in something and nobody else believes in it,

아시잖아요, 내가 뭔가에 투자하고 있는데 아무도 그걸 믿지 않을 때의 그 기분.

and it costs a lot of money,

돈도 엄청나게 많이 들고,

you know, maybe investors or others would rather you just keep the profit,

투자자들이나 주변에선 그냥 이익이나 더 남기자고 할 수도 있고,

or you know, whatever it is, improve the share price, or whatever it is.

아니면 뭐, 주가를 올리든가 뭐 그런 걸 원할 수도 있죠.

But you have to believe in your future, you have to invest in yourself.

그런 상황에서도 결국 미래를 믿어야 하고, 계속 자기 자신에게 투자할 수 있어야 해요.

We believe this so deeply that we invested tens of billions of dollars

저희는 그걸 정말 진심으로 믿었기 때문에, 수백억 달러를 투자할 수 있었어요.

before it really happened.

그게 진짜 현실이 되기 전에 말이죠.

Yeah, It was 10 long years,

정말 길고 긴 10년이었지만,

but it was fun along the way.

그래도 그 여정 동안, 즐거웠어요.

────────────────────

아브람 | 19:25

How would you summarize those core beliefs?

그럼, 젠슨 황 대표님의 핵심 신념들을 정리하신다면 어떻게 말씀하시겠어요?

What is it that you believe about the way computers should work

대표님은 컴퓨터가 어떻게 작동해야 한다고 믿고 계신지,

and what they can do for us

그리고 어떤 도움을 줄 수 있다고 믿으시는지,

that keeps you not only coming through that decade,

그 믿음이 어떻게 대표님을 지난 10년을 헤쳐 나가게 했을 뿐만 아니라,

but also doing what you're doing now,

지금도 계속 그 길을 걸어가면서

making bets I'm sure you're making for the next few decades?

그리고 앞으로 수십 년을 내다보면서, 또다시 큰 결단들을 내릴 수 있게 하는 건가요?

────────────────────

젠슨 황 | 19:43

The first core belief was our first discussion was about accelerated computing,

첫 번째 핵심 신념은 저희가 처음에 이야기했던 '가속 컴퓨팅'에 대한 겁니다.

parallel computing versus general purpose computing.

즉, 병렬 컴퓨팅과 범용 컴퓨팅의 차이죠.

We would add two of those processors together and we would do accelerated computing.

저희는 그 두 개의 컴퓨팅 방식을 묶어서 ( GPU + CPU ) 가속으로 연산을 처리하려 했고,

And I continue to believe that today.

지금도 계속해서 유효한 핵심 원칙이라고 믿어요.

The second was the recognition that these deep learning networks,

두 번째는, 딥러닝 네트워크에 대한 인식이었어요.

these DNNs that came to the public during 2012,

2012년 딥 뉴럴 네트워크라는게 세상에 공개됐고,

these deep neural networks have the ability to learn patterns and relationships

이 딥 뉴럴 네트워크는 패턴과 관계를 학습할 수 있는 능력이 있었어요.

from a whole bunch of different types of data

그것도 아주 많은 다양한 종류의 데이터로부터 말이죠.

and that it can learn more and more nuanced features if it could be larger and larger.

덕분에 모델이 커지면 커질수록, 점점 더 미묘한 특징까지도 학습할 수 있게 된 겁니다.

And it's easier to make them larger and larger to make them deeper and deeper

그리고 그 모델을 더 크고 깊이 있게,

or wider and wider.

혹은 더 확장하는 것도 쉬워졌죠.

And so the scalability of the architecture

결국 이 컴퓨팅 구조의 확장성이

is empirically true.

경험적으로 입증된 겁니다.

The fact that model size and the data size being larger and larger,

그리고 모델의 크기와 데이터 양이 커질수록

you can learn more knowledge is also true.

더 다양한 지식을 학습할 수 있다는 것도, 역시 사실로 드러난 거고요.

empirically true,

실증적으로 입증된 거죠.

and so if that's the case,

이제 그게 사실이라면,

you could, you know, what are the limits?

이제 궁금해지잖아요? "과연 한계는 어디일까?"

Unless there's a physical limit or an architectural limit

만약 물리적인 한계나, 구조적인 한계,

or mathematical limit,

수학적인 한계 같은 게 없다면 말이죠.

and it was never found,

그리고 그런 한계는 아직 발견된 적이 없고,

and so we believe that you could scale it.

그래서 우린, 이 구조를 계속 확장할 수 있다고 믿는 겁니다.

Then the question, the only other question is what can you learn from data?

그러면 우리에게 남은 유일한 질문은, "데이터로부터 뭘 배울 수 있을까?" 예요.

What can you learn from experience?

"경험으로부터 뭘 배울 수 있을까?"

Data is basically digital versions of human experience.

데이터는 근본적으로, 인간 경험의 디지털 버전일 뿐이니까요.

And so what can you learn?

그렇다면 우리는 뭘 배울 수 있을까요?

You obviously can learn object recognition from images.

당연히, 이미지로부터 사물 인식을 배울 수 있겠고,

You can learn speech from just listening to sound.

소리만 들어도 음성을 학습할 수 있겠죠.

You can learn even languages

심지어 언어도 학습할 수 있을 테고,

and vocabulary and syntax and grammar and

어휘와 문장 구조, 문법까지도

all just by studying a whole bunch of letters and words.

그저 수많은 글자와 단어들만 잔뜩 분석하면 가능한 거죠.

So we've now demonstrated that

그렇게 이제 저희는 입증한 겁니다.

AI or deep learning has the ability to learn almost any modality of data,

AI, 혹은 딥러닝은 거의 모든 종류의 데이터를 학습할 수 있는 능력이 있고,

and it can translate to any modality of data.

그리고 그걸 다른 어떤 형태의 데이터로든 변환할 수 있다는 것을 말이죠.

And so what does that mean?

그렇다면 이게 무슨 의미일까요?

You can go from text to text, right?

먼저 텍스트에서 또 다른 텍스트로 변환할 수도 있겠고,

Summarize a paragraph.

즉, 단락을 요약할 수 있고,

You can go from text to text,

텍스트에서 텍스트로 옮기는 또 다른 작업으로는,

translate from language to language.

언어 간 번역도 있겠고요,

You can go from text to images.

텍스트에서 이미지로의 변환도 가능합니다.

That's image generation.

그게 바로 이미지 생성이죠.

You can go from images to text. That's captioning.

그리고 이미지에서 텍스트로 바꾸는 캡셔닝도 가능할거고요.

You can even go from amino acid sequences to protein structures.

심지어 아미노산 서열을 단백질 구조로 바꾸는 것도 가능해요.

In the future,

그리고 앞으로는,

you'll go from protein to words.

단백질 구조만 보고도 그게 어떤 역할을 하는지, 설명도 가능하게 될 겁니다.

What does this protein do?

사진을 넣고, "이 단백질은 어떤 기능을 하나요?"

Or give me an example of a protein that has these properties.

혹은 "이런 특성을 가진 단백질 예시를 보여줘" 같은 질문을 말이에요.

Identifying a drug target.

그렇게 되면, 신약 후보가 될 수 있는 단백질을 찾아내는 것도 가능해지겠죠.

And so you could just see that all of these problems are around the corner to be solved.

그래서, 우린 그런 아직 해결 불가능한 문제들이 풀릴 수 있는 지점의 코앞까지 온 겁니다.

You can go from words to video.

이제는 텍스트에서 비디오 생성도 가능한데,

Why can't you go from words to action tokens for a robot?

그렇다면, 단어를 로봇이 이해할 수 있는 행동 명령어로 바꾸는 것도 가능하지 않겠어요?

You know, from the computer's perspective, how is it any different?

컴퓨터 입장에선 그게 뭐가 다르겠어요?

And so it opened up this universe of opportunities and universal problems that we can go solve.

그래서 그런 기술들이, 우리가 풀 수 있는 보편적인 문제들과 새로운 가능성으로 가득 찬 세상을 열어준 셈인 거죠.

And that gets us quite excited.

그런 생각들이 저희를 꽤 들뜨게 해주고 있죠.

────────────────────

아브람 | 22:50

It feels like we are on the cusp of this truly enormous change.

지금이 정말 커다란 변화의 직전이라는 느낌이 드는데요,

When I think about the next 10 years,

제가 앞으로 10년을 생각해 보면요,

unlike the last 10 years,

지난 10년과는 전혀 다르게,

I know we've gone through a lot of change already,

물론 지금까지도 이미 수많은 변화를 겪어왔지만,

but I don't think I can predict anymore

이제는 더 이상 예측을 못 하겠다는 느낌이랄까요?

how I will be using the technology that is currently being developed.

지금 개발되고 있는 기술들을 앞으로 어떤 식으로 쓰게 될지조차 말이죠.

────────────────────

젠슨 황 | 23:09

That's exactly right. I think the reason why you feel that way

그게 정확하게 맞는 말인 게요, 왜 그렇게 느껴지시는지에 대한 제 생각은,

is the last 10 years was really about the science of AI.

돌이켜보면 지난 10년은 정말로 AI의 과학적 기반에 집중된 시기였거든요.

The next 10 years, we're going to have plenty of science of AI,

물론 AI 과학은 앞으로의 10년 동안도 계속해서 많이 발전하겠지만,

but the next 10 years is going to be the application science of AI.

그보다 중요한 건, 다음 10년은 AI 응용과학의 시대가 될 거란 거죠.

The fundamental science versus the application science.

그게 기초 과학이냐, 응용과학이냐의 차이거든요?

And so the applied research,

그래서 이제는 응용 연구가 중심이 되어서,

the application side of AI now becomes,

AI의 실제 적용 분야가 점점 더 중요해지는 거죠.

how can I apply AI to digital biology?

"AI를 디지털 생물학에 어떻게 활용할 수 있을까?"

How can I apply AI to climate technology?

"AI를 어떻게 기후 기술에 적용할 수 있을까?"

How can I apply AI to agriculture,

그리고 "AI를 농업에는 어떻게 활용할 수 있을까?"

to fishery,

"어업에는?"

to robotics,

"로봇공학에는?"

to transportation,

"교통 시스템에는?"

optimizing logistics?

"물류 최적화에는?"

How can I apply AI to teaching?

그리고 "AI를 교육에 어떻게 활용할 수 있을까?"

How do I apply AI to podcasting?

아니면 심지어 "AI를 팟캐스트에?"

────────────────────

아브람 | 23:53

I'd love to choose a couple of those to help people see

그중 몇 가지를 골라서, 사람들이 좀 더 직접 체감할 수 있도록 하고 싶은데요,

how this fundamental change in computing that we've been talking about is

지금까지 얘기한 이 컴퓨팅의 근본적인 변화가

actually going to change their experience of their lives,

실제로 사람들의 삶의 방식 자체를 어떻게 바꾸게 될지 말이죠.

how they're actually going to use technology that is based on everything we just talked about.

방금 얘기했던 기술들을 기반한 것들이 실제로 어떤 방식으로 쓰게 될지 말해보고 싶어요.

One of the things that I've now heard you talk a lot about

요즘 특히 젠슨 황 씨가 많이 언급하시는 걸 듣게 된 것 중 하나가

and I have a particular interest in is physical AI,

저도 특히 관심이 많은 분야인, 피지컬 AI

or in other words, robots.

다시 말해, 로봇에 대해서 말이죠.

────────────────────

젠슨 황 | 24:16

My friends.

인사하세요! 여러분, 제 친구들입니다.

────────────────────

아브람 | 24:18

meaning humanoid robots,

사람처럼 생긴 인간형 로봇부터,

but also robots like self-driving cars

자율주행차 같은 로봇,

and smart buildings

스마트 빌딩이라든가,

or autonomous warehouses,

자율적으로 움직이는 물류창고라든지,

autonomous lawnmowers or more.

자율 주행 잔디깎이 같은 것도 있죠.

From what I understand,

그리고 제가 느끼는 바로는,

we might be about to see a huge leap in what all of these robots are capable of,

이런 로봇들이 해낼 수 있는 일의 수준에서 정말 큰 도약이 일어날 거라는 거예요.

because we're changing how we train them.

이제 우리가 로봇을 훈련시키는 방식 자체가 바뀌고 있으니까요.

Up until recently, you've either had to train your robot in the real world,

불과 최근까지는 로봇을 실제 환경에서 직접 훈련해야만 했잖아요?

where it could get damaged or wear down,

그러다 보면 로봇이 손상되거나 마모될 수도 있었고요.

or you could get data from fairly limited sources

아니면 상당히 제한적인 환경에서만 데이터를 얻어야 했죠.

like humans in motion capture suits.

예를 들어, 몸의 움직임을 추적하는 슈트를 입은 사람들처럼요.

But that means that robots aren't getting as many examples as they need to learn more quickly.

그 말은, 로봇들이 빠르게 배우기 위해 최대한 필요한 만큼의 데이터를 충분히 받지 못한다는 뜻이에요.

But now,

그런데 이제는,

we're starting to train robots in digital worlds,

로봇들을 디지털 세계에서 훈련하기 시작했죠.

which means way more repetitions a day,

그 말인즉슨, 하루에도 훨씬 더 많은 반복 학습이 가능하단 뜻이고,

way more conditions,

다양한 조건들도 훨씬 더 많이 설정할 수 있기에

learning way faster.

학습 속도가 훨씬 빨라졌죠.

So we could be in that Big Bang moment for robots right now.

그래서 지금이야말로 우린 로봇 분야의 '빅뱅' 순간에 있는 걸지도 모릅니다.

And NVIDIA is building tools to make that happen.

그리고 엔비디아는 그런 미래를 가능하게 해줄 도구들을 만들고 있고요.

You have Omniverse,

엔비디아의 '옴니버스' 플랫폼이 대표적이죠.

and my understanding is this is 3D worlds that help train robotic systems

제가 알기로는, 옴니버스는 로봇 시스템 훈련을 위한 3D 가상 세계이고,

so that they don't need to train in the physical world.

그래서 이제 로봇들을 현실 세계에서 훈련하지 않아도 되게끔 해주는 거죠.

────────────────────

젠슨 황 | 25:29

That's exactly right.

정확히 맞습니다.

────────────────────

아브람 | 25:31

You just announced Cosmos,

그리고 최근에는 '코스모스'도 발표하셨죠.

which is ways to make that 3D universe much more realistic.

코스모스는 3D 세계를 훨씬 더 현실감 있게 만드는 기술이고요.

So you can get all kinds of different,

그래서 정말 다양한 상황들을 구현할 수 있는 거죠.

if we're training something on this table,

예를 들어, 이 테이블 위에서 어떤 훈련을 한다고 해보면,

many different kinds of lighting on the table,

그 테이블 위에 다양한 조명 환경을 설정할 수 있고,

many different times of day,

또는 하루 중 다양한 시간대에,

many different you know, experiences for the robot to go through

그렇게 로봇이 겪을 다양한 환경 경험을 만들 수 있는 거고,

so that it can get even more out of Omniverse.

그래서 옴니버스를 훨씬 더 효과적으로 활용할 수 있는 거죠.

As a kid who grew up loving Data on Star Trek,

스타트렉의 '데이터'라는 캐릭터를 정말 좋아하면서 자랐고,

Isaac Asimov's books, and

그리고 아이작 아시모프의 책들도 좋아했던 아이로서,

just dreaming about a future with robots,

그저 로봇과 함께하는 미래를 꿈꿨거든요.

how do we get from the robots that we have now

그럼 어떻게 지금 우리가 가진 로봇의 수준에서,

to the future world that you see of robotics?

젠슨 황 씨가 상상하는 미래의 로봇 세계로 넘어가게 될까요?

────────────────────

젠슨 황 | 26:11

Yeah.

좋습니다.

Let me use language models, maybe ChatGPT, as a reference for understanding omniverse and cosmos.

옴니버스와 코스모스를 조금 더 이해하기 쉽게 언어 모델인 챗GPT를 예로 들어볼게요.

And so, first of all,

자, 우선 말이죠,

when ChatGPT first came out,

챗GPT가 처음 나왔을 때,

it was extraordinary.

진짜 엄청났었죠.

And it has the ability to do, to basically, from your prompt, generate text.

기본적으로 사용자의 프롬프트에 따라 텍스트를 생성할 수 있는 능력이 있었어요.

However, as amazing as it was,

물론 그게 대단하긴 했지만,

it has the tendency to hallucinate

헛소리하는 성향이 있었죠.

if it goes on too long

답변이 너무 길어지거나,

or if it pontificates about a topic

아니면 어떤 주제에 대해 잘난 체하며 떠들기 시작하면서

you know, it is not informed about, it will still do a good job generating plausible answers.

잘 알지도 못하는 주제인데도, 그럴듯한 대답을 지어내는 경우가 있었어요.

It just wasn't grounded into truth.

그러니까 사실에 기반하지 않았던 거죠.

And so people call that hallucination.

사람들은 그걸 두고 '환각'이라고 부릅니다.

And so the next generation,

그래서 이후에 나온 다음 세대 모델에선,

shortly it had the ability to be conditioned by context.

얼마 지나지 않아, 문맥에 따라 반응을 조정할 수 있는 능력을 갖추게 됐죠.

So you could upload your PDF

예를 들어 PDF 파일을 업로드하면,

and now it's grounded by the PDF.

이젠 그 내용에 기반해서 답변하는 거죠.

The PDF becomes the ground truth.

PDF가 곧 사실 관계의 기준이 되는 겁니다.

It could actually look up search,

아니면, 웹 검색을 통해 정보를 찾을 수 있게 되어서,

and then the search becomes its ground truth.

그 검색 결과가 새로운 사실 관계의 기준이 되는 거죠.

And between that, it could reason about what is how to produce the answer that you're asking for.

그러한 정보들을 바탕으로, 원하는 답을 어떻게 생성해야 할지를 스스로 판단할 수 있게 된 거예요.

And so the first part is a generative AI.

그런 생성형 AI가 우리가 꿈꾸는 미래의 로봇 세상으로 가기 위한 첫 번째 요소이고,

And the second part is ground truth.

두 번째는 사실에 기반한 정보입니다.

And so now let's come into the physical world, the world model.

자, 그럼 이제 현실 세계의 '월드 모델'로 넘어가 볼게요.

We need a foundation model just like we need ChatGPT had a core foundation model.

우리가 챗GPT에 기반이 되는 핵심 모델이 있었던 것처럼, 로봇에도 그런 기반 모델이 꼭 필요하죠.

That was the breakthrough.

그게 하나의 기술적 돌파구였으니까요.

In order for robotics to be smart about the physical world,

로봇이 현실의 물리 세계를 똑똑하게 이해하기 위해선,

it has to understand things like gravity,

중력 같은 걸 제대로 이해할 수 있어야 하죠.

friction,

혹은 마찰,

inertia,

관성이나,

geometric and spatial awareness.

기하학적 인지력과 공간 감각 개념도 필요할 테고,

It has to understand that an object is sitting there even when I looked away.

사물들은 고개를 돌려 쳐다보지 않을 때도 여전히 그 자리에 있다는 것도 이해해야 하겠고요.

When I come back, it's still sitting there, object permanence.

그리고 다시 돌아봤을 때도 여전히 사물은 같은 자리에 있다는 '대상 영속성'도 이해해야겠죠.

It has to understand cause and effect.

그리고 원인과 결과의 관계도 이해할 수 있어야 하고,

If I tip it, it'll fall over.

예를 들어 제가 어떤 걸 기울이면, 쓰러지게 된다는 것을요.

And so these kind of physical common sense, if you will,

그래서 이러한 것들을 말하자면 물리적인 상식이라고 할 수 있겠고,

has to be captured or encoded into a world foundation model

그런 것들을 월드 기반 모델 안에 담아내고, 코드화해야 해요.

so that the AI has world common sense.

그래야 AI가 현실 세계에 대한 상식을 갖게 될 테니까요.

So, we have to go,

그래서 엔비디아가 직접 나서야 했어요.

Somebody has to go create that, and that's what we did with Cosmos.

왜냐하면 누군가는 그걸 만들어야 했고, 바로 저희가 코스모스를 통해 그걸 해낸 거죠.

We created a world language model.

'세계 언어 모델'을 만든 겁니다.

Just like ChatGPT was a language model, this is a world model.

챗GPT가 언어 모델이었다면, 코스모스는 세계 모델인 거죠.

The second thing we have to go do is

그다음으로 해야 할 일은,

we have to do the same thing that we did with PDFs and context and grounding it with ground truth.

챗GPT가 PDF와 문맥 같은 사실에 기반한 정보로 답변을 생성했던 것처럼

And so the way we augment cosmos with ground truth is with physical simulations.

코스모스에서 사실에 기반해 확장하는 방법은, 물리 시뮬레이션을 활용하는 거였어요.

Because omniverse uses physics simulation,

왜냐하면, 옴니버스가 물리 시뮬레이션 기반인데,

which is based on principled solvers.

그건 물리 법칙에 따라 정밀하게 계산하는 해석 방식을 기반하고 있거든요.

The mathematics is Newtonian physics.

쉽게 말해, 뉴턴 역학에 기반한 수학이죠.

It's the math we know.

우리가 익히 알고 있는 그 수학 말이에요.

Okay? all of the fundamental laws of physics we've understood for a very long time,

우리가 아주 오랫동안 이해해 온 기본적인 물리 법칙들

and it's encoded into, captured into Omniverse.

그 모든 것들이 옴니버스 안에 그대로 코드화돼 구현되어 있죠.

That's why Omniverse is a simulator.

그래서 옴니버스는 시뮬레이터인 겁니다.

And using the simulator to ground or to condition cosmos,

그리고 그 시뮬레이터를 활용해서 코스모스를 현실에 기반하도록 조정하면,

we can now generate an infinite number of stories of the future,

이제 우리는 무한한 미래의 시나리오들을 만들어낼 수 있게 되는 거죠.

and they're grounded on physical truth.

그리고 그 시나리오들은 실제 물리 법칙에 기반한 것들이고요.

Just like between PDF or search plus ChatGPT,

마치 PDF나 검색 결과를 챗GPT와 연결했을 때,

we can generate an infinite amount of interesting things,

무한에 가까운 양의 흥미로운 결과들을 만들어내고,

answer a whole bunch of interesting questions.

수많은 질문에 답할 수 있었던 것처럼,

The combination of omniverse plus cosmos, you could do that for the physical world.

옴니버스와 코스모스의 결합은, 우리에게 미래를 예측하고, 시뮬레이션하고, 질문에 답하는 그 모든 일들을 현실 세계를 바탕으로 할 수 있게 해주는 겁니다.

────────────────────

아브람 | 29:45

So to illustrate this for the audience,

청중분들이 머릿속으로 더 잘 그려볼 수 있게 예를 들어 설명하자면,

if you had a robot in a factory

공장에 로봇이 하나 있다고 해볼게요.

and you wanted to make it learn every route that it could take,

그리고 그 로봇에게 갈 수 있는 모든 경로를 학습시키고 싶다고 가정하면요,

instead of manually going through all of those routes,

일일이 모든 경로를 직접 이동시키는 대신에,

which could take days and could be a lot of wear and tear on the robot,

그렇게 하면 며칠이나 걸릴 수도 있고, 로봇 자체에도 무리가 많이 갈 수 있으니까요.

we're now able to simulate all of them digitally in a fraction of the time

그런데 이제는 그 모든 걸 디지털 환경에서 아주 짧은 시간 안에 시뮬레이션할 수 있게 된 거네요?

and in many different situations that the robot might face.

게다가 로봇이 겪을 수 있는 다양한 상황들도 포함해서요.

It's dark, it's blocked,

예를 들어, 어두운 환경이라던가, 길이 막혀 있다던가,

it's etc.

등등 그런 경우들도 말이죠.

So the robot is now learning much, much faster.

그러니까 이젠, 로봇이 훨씬 더 빠르게 학습할 수 있게 된 거죠.

It seems to me like the future might look very different than today.

그렇게 생각해 보면, 앞으로의 세상은 지금과는 정말 다르게 보일지도 모르겠네요.

If you play this out 10 years,

그렇다면 이런 흐름이 앞으로 10년간 전개될 때

how do you see people actually interacting with this technology in the near future?

가까운 미래에 사람들이 실제로 이런 기술과 어떻게 상호작용 하게 될 거라고 보세요?

────────────────────

젠슨 황 | 30:24

Clearly, everything that moves will be robotic someday,

확실한 건, 언젠가 세상에서 움직이는 모든 게 전부 로봇화될 거라는 겁니다.

and it will be soon.

그리고 이제 얼마 안 남았어요.

The idea that we'll be pushing around a lawnmower is already kind of silly.

잔디깎이를 직접 밀고 다닌다는 생각 자체가 이젠 좀 우습게 들리잖아요?

You know, maybe people do it because it's fun,

물론 그냥 재미로 하는 사람들도 있겠지만,

but there's no need to.

근데 이젠 굳이 그럴 필요가 없는 세상이라는 거죠.

Every car is going to be robotic.

자동차들도 다 로봇화될 거고요.

Human robots,

그리고 인간형 로봇도 말이죠,

the technology necessary to make it possible is just around the corner.

그걸 가능하게 만들 핵심 기술들도 바로 코앞까지 와 있어요.

Everything that moves will be robotic.

그러니 움직이는 모든 게 로봇화될 겁니다.

and they'll learn how to be a robot in omniverse cosmos

모든 기계가 옴니버스 + 코스모스 안에서 로봇이 되는 법을 학습하게 되겠죠.

and will generate all these plausible, physically plausible futures

그러니까, 그 안에서 물리적으로 말이 되는 미래 시나리오들로 시뮬레이션 되어

and the robots will learn from them

로봇들이 그런 시나리오들을 바탕으로 배우고,

and then they'll come into the physical world and you know it's exactly the same.

현실 세계로 나와서도 학습한 대로 정확히 똑같이 잘 작동하게 될 거예요.

A future where you're just surrounded by robots is for certain.

그러니 로봇들이 우리 일상에서 함께하는 미래는 확실히 올 겁니다.

And I'm just excited about having my own R2-D2.

그래서 저는 제 R2-D2를 갖게 될 생각에 너무 신나요.

And of course, R2-D2 wouldn't be quite the can that it is and roll around.

물론 R2-D2가 실제 영화 속 그 통 모양으로 뒹굴거리는 형태는 아니겠지만요.

It'll be a R2-D2.

그래도 제겐 여전히 R2-D2일 겁니다.

It'll probably be a different physical embodiment,

R2-D2가 나온다면 아마 조금 다른 구현체가 되겠지만,

but it's always R2.

언제나 영화랑 같은 'R2-D2'일 겁니다.

You know, so my R2 is going to go around with me.

그러니까 제 R2-D2는 늘 저와 함께 다니게 되는 거죠.

Sometimes it's in my smart glasses.

어쩔 땐 제 스마트 안경 속에 있을 것이고,

Sometimes it's in my phone.

때론 폰 속에,

Sometimes it's in my PC.

또 어떤 땐 PC에 들어있기도 하겠죠.

It's in my car.

아니면 자동차도 될 테고요.

So R2 is with me all the time

그렇게 R2-D2는 항상 제 곁에 있게 될 거예요.

including, you know, when I get home,

물론, 제가 집에 왔을 때도 포함해서요.

you know, where I left a physical version of R2

집에서는 물리적인 형태의 R2-D2가 저를 기다리고 있을지도 모르겠네요.

and, you know, whatever that version happens to be,

그게 어떤 모습이든 간에 말이죠.

you know, we'll interact with R2.

우리 모두가 자신만의 R2-D2와 상호작용하게 될 겁니다.

And so I think the idea that we'll have our own R2-D2 for our entire life

그래서 우리 인생 전체를 함께할 나만의 R2-D2가 생기게 될 거라는 생각이 들기도 하고요.

and it grows up with us,

우리가 로봇과 함께 자라는 거죠.

that's a certainty now.

그건 이제 기정사실이 됐습니다.

Yeah.

정말로요.

────────────────────

아브람 | 32:05

I think a lot of news media,

제 생각에 많은 언론들이

when they talk about futures like this, they focus on what could go wrong.

이런 미래에 대해 이야기할 때는 "뭐가 잘못되어서 문제가 생긴다면?"에 집중하는 경우가 많잖아요?

And that makes sense. There is a lot that could go wrong.

다 일리가 있는 말이기도 해요. 실제로 문제가 터질 여지도 많으니까요.

────────────────────

젠슨 황 | 32:14

We should talk about what could go wrong so we can keep it from going wrong.

무엇이 잘못될 수 있는지를 이야기해야만, 실제로 그렇게 되는 걸 막을 수 있으니까요.

────────────────────

아브람 | 32:18

That's the approach that we like to take on the show is

저희 채널이 콘텐츠를 만들 때의 접근하는 방식이 바로 그런 쪽이거든요.

what are the big challenges so that we can overcome them?

어떤 큰 도전 과제들이 있는지를 짚어보고, 그걸 어떻게 극복할지를 찾아보는 거죠.

What buckets do you think about when you're worrying about this future?

젠슨 황 씨는 그런 미래의 위험을 걱정할 때, 주로 어떤 기준이나 틀로 나눠서 생각하시나요?

────────────────────

젠슨 황 | 32:29

Well, there's a whole bunch of the stuff that everybody talks about,

글쎄요, 다들 얘기하는 대표적인 문제들이 엄청 많죠.

bias or toxicity

편향이라든지, 독성 발언이나

or just hallucination,

아니면 그냥 환각 : 지어내는 문제라던가요.

you know, speaking with great confidence about something it knows nothing about.

아무 근거도 없이, 굉장한 자신감으로 말도 안 되는 걸 말하는 거죠.

And as a result, we rely on that information.

그런 정보를 우리가 의존하게 된다면, 큰 문제니까요.

That's a version of generating fake information,

일종의 '가짜 정보'를 만들어내는 행위니까요.

fake news or fake images or whatever it is.

가짜 뉴스든, 조작된 이미지든 말이죠.

Of course, impersonation.

그리고 '사칭' 문제도 있습니다.

It does such a good job pretending to be a human.

사람인 척하는 건 기가 막히게 잘해서

It could do an incredibly good job pretending to be a specific human.

특정 인물인 척하는 것도 놀라울 만큼 잘하는 수준이죠.

So the spectrum of areas that we have to be concerned about

그렇게 우리가 주의 깊게 바라봐야 할 영역들의 범위는

is fairly clear.

꽤 뚜렷하게 드러나 있어요.

And there's a lot of people who are working on it.

그리고 이미 많은 사람들이 AI의 문제들을 해결하기 위해 노력 중이기도 하고요.

There's a, some of the stuff related to AI safety requires deep research and deep engineering.

AI 안전과 관련된 문제 중 일부는 아주 심도 있는 연구와 공학적인 접근이 필요해요.

And that's simply, it wants to do the right thing,

문제의 핵심 구조는 단순해요. AI는 옳은 일을 하려고 한 것뿐인데,

it just didn't perform it right and as a result hurt somebody.

단지 그걸 제대로 수행하지 못해서 그 결과로 AI가 누군가를 다치게 할 수 있다는 거죠.

You know, for example, a self-driving car that wants to drive nicely and drive properly and

예를 들어 자율주행차가 정말 안전하고, 올바르게 운전하기를 원했지만,

just somehow the sensor broke down or

어느 순간 갑자기 센서가 고장 났다거나,

it didn't detect something or

아니면 어떤 물체를 감지하지 못했다거나,

made it to aggressive turn or whatever it is,

회전을 너무 과격하게 했다거나, 뭐가 됐든 간에

it did it poorly, it did it wrongly.

형편없이 운전한 거고, 결과적으로 잘못된 행동을 한 거죠.

And so that's a whole bunch of engineering that has to be done

그러니 반드시 수행돼야 하는 수많은 공학적인 작업들이 있는 겁니다.

to make sure that AI safety is upheld by making sure that the product functioned properly.

AI가 기능을 제대로 수행하는지를 확실히 해야, 안전이 확고하게 유지될 수 있으니까요.

And then lastly,

그리고 마지막으로,

you know, what happens if the AI wants to do a good job, but the system failed?

AI가 뭔가를 잘 해보려 하는데, 시스템 자체가 고장 나버리면 어떻게 될까요?

Meaning the AI wanted to stop something from happening

그러니까, AI는 어떤 일이 벌어지는 걸 막으려고 했던 건데,

and it turned out just when it wanted to do it, the machine broke down.

알고 보니 딱 그 사고를 막으려 하던 순간에, 기계가 고장 나버린 거예요.

And so this is no different than a flight computer inside a plane having three versions of them.

사실 이런 문제를 막기 위해, 항공기에서도 비행 컴퓨터를 세 개씩 두는 식의 논리가 필요한 거거든요.

So there's triple redundancy inside the system, inside autopilots,

그래서 오토파일럿 시스템 안에는 삼중 백업 구조가 들어가 있는 겁니다.

and then you have two pilots,

항공기는 두 명의 조종사가 탑승하고,

and then you have air traffic control.

거기에 항공 교통 관제소도 있고,

And then you have other pilots watching out for these pilots.

그리고 다른 비행기의 조종사들이 서로를 지켜보기도 하죠.

And so the AI safety systems has to be architected as a community

그렇기에 AI 안전 시스템도 하나의 공동체처럼 설계돼야 합니다.

such that these AIs, one, work function properly.

즉, 각 AI가 제대로 작동하도록 하는 게 1번 조건이고요.

when they don't function properly, they don't put people in harm's way,

다음으로, AI가 제대로 작동하지 않더라도 사람이 위험에 빠지지 않게 해야 할 테고,

and that there's sufficiently safety and security systems all around them

마지막으로, 주변에 충분한 보안과 안전 시스템이 잘 구축돼 있어야겠죠.

to make sure that we keep AI safe.

그래야 우리가 AI의 안전을 확실하게 지킬 수 있을 겁니다.

And so the spectrum of conversation is gigantic,

그렇듯, 이 주제를 둘러싼 대화의 범위는 정말 방대해요.

and we have to take the parts apart and build them as engineers.

그러니 AI의 안전 문제를 철저히 분석해서 공학자의 시선으로 제대로 만들어가야겠죠.

────────────────────

아브람 | 35:12

One of the incredible things about this moment that we're in right now

지금 우리가 살고 있는 이 순간이 놀라운 이유 중 하나는요,

is that we no longer have a lot of the technological limits

기술적인 한계들이 더는 우리를 가로막지 않게 됐다는 점이에요.

that we had in a world of CPUs and sequential processing.

CPU 기반의 순차 처리 방식에서 마주하던 한계들을 말이죠.

And we've unlocked not only a new way to do computing

단순히 새로운 방식의 컴퓨팅을 열었을 뿐만 아니라,

and but also a way to continue to improve.

앞으로도 계속해서 발전해 나갈 수 있는 길도 함께 열린 거잖아요?

Parallel processing has a different kind of physics to it than

병렬 처리 방식은 다른 종류의 물리적 특성을 가지고 있으니까요.

the improvements that we were able to make on CPUs.

CPU에서 이룰 수 있었던 진보와는 다르게 말이죠.

I'm curious, what are the scientific or technological limitations that we face now

궁금한 게 있는데, 지금 이 시점에서 우리가 마주한 과학적, 기술적 한계에는 뭐가 있을까요?

in the current world that you're thinking a lot about?

젠슨 황 대표님이 가장 깊이 고민하고 계신 것 중에 말이죠.

────────────────────

젠슨 황 | 35:51

Well, everything in the end

음, 결국 모든 건,

is about how much work you can get done

우리가 얼마나 많은 작업을 해낼 수 있는가에 달려 있어요.

within the limitations of the energy that you have.

우리가 가진 에너지의 한계 안에서 말이죠.

And so that's a physical limit.

결국 그게 바로 물리적인 한계인 거고요.

And the laws of physics about transporting information

그리고 정보를 주고받는 데 적용되는 물리 법칙들도 있겠고요.

and transporting bits, flipping bits and transporting bits.

비트를 전송할 때 생기는 '비트 플립' 문제까지 포함해서 말이죠.

At the end of the day,

결국엔,

the energy it takes to do that limits what we can get done.

어떤 일을 해내는 데 소모되는 에너지가 우리가 해낼 수 있는 일의 범위를 제한하게 될 겁니다.

And the amount of energy that we have limits what we can get done.

뭔가를 이루기 위한 에너지의 총량이 곧 우리가 할 수 있는 일의 한계를 결정할 거라는 거죠.

We're far from having any fundamental limits that keep us from advancing.

우리의 발전을 가로막을 만큼의 근본적인 한계에 이르려면 아직 한참 멀었고요,

In the meantime, we seek to build better, more energy efficient computers.

그동안 우리는, 더 나은, 더 에너지 효율적인 컴퓨터를 만들기 위해 계속 움직이고 있는거죠.

This little computer,

이 작은 컴퓨터 있죠?

the big version of it

이거보다 더 큰 버전이

was $250,000.

무려 3억 5천만 원 정도 했어요.

Yeah.

네, 한 번 보세요.

That's a little baby, baby digits you know?

크기가 진짜 완전 귀여운 수준이죠?

This is an AI supercomputer.

그게 AI 슈퍼컴퓨터예요.

The version that I delivered, this is just a prototype. So it's a mock-up.

지금 이건 프로토타입이라서 실제로 작동하진 않는 모형이에요.

And so the, the, the very first version was DGX one.

가장 처음 만들었던 모델은 DGX-1 이였는데요,

I delivered to open AI in 2016 and that was $250,000,

2016년에 그 모델을 오픈AI에 납품했었는데, 당시 가격이 약 3억 원이었어요.

10,000 times more power, more energy necessary than this version.

지금 이 모델에 비해 1만 배나 더 많은 전력이 필요했고, 덩치도 더 컸죠.

And this version has six times more performance.

게다가 이 작은 애가 성능은 무려 6배나 더 높아요.

I know, it's incredible.

진짜, 말도 안 되게 놀랍죠?

────────────────────

아브람 | 37:12

We're in a whole new world.

완전히 새로운 세상에 들어선 거네요?

────────────────────

젠슨 황 | 37:14

And it's only since 2016.

게다가 이게 불과 2016년 이후의 변화라는 거죠.

And so eight years later,

그러니까 불과 8년 사이에,

we've increased the energy efficiency of computing by 10,000 times.

우리는 컴퓨팅의 에너지 효율을 무려 1만 배나 향상시킨 거예요.

And imagine if we became 10,000 times more energy efficient,

한 번 상상해 보세요. 우리가 1만 배나 더 효율적으로 진화했다면 어땠을까요?

or if a car was 10,000 times more energy efficient,

아니면, 자동차의 에너지 효율이 지금보다 1만 배 좋아졌다면 어땠을까요?

or electric light bulb was 10,000 times more energy efficient.

혹은 전구의 에너지 효율이 1만 배 향상됐다면요?

Our light bulb would be right now,

그렇다면 우리가 쓰는 전구가 지금쯤이면,

instead of 100 watts, 10,000 times less,

100와트가 아니라 그 1만 분의 1 수준의 전력으로

producing the same illumination.

똑같은 밝기를 낼 수 있게 되는 거죠.

Yeah. And so,

정말 그정도로 발전한 겁니다.

And so the energy efficiency of computing, particularly for AI computing that we've been working on,

그래서 우리가 계속 연구해 온 컴퓨팅 특히, AI 컴퓨팅의 에너지 효율은

has advanced incredibly.

정말 놀라운 수준으로 발전했왔죠.

And that's essential because we want to create more intelligent systems

그게 정말 중요한 이유는 우리가 더 똑똑한 시스템을 만들고 싶기 때문이고,

and we want to use more computation to be smarter

더 똑똑해지기 위해선 더 많은 연산 자원이 필요할 테니까요.

and so energy efficiency to do the work is our number one priority.

그래서 결국, 지금 저희에게 있어 에너지 효율성이 최우선 과제입니다.

────────────────────

아브람 | 38:07

When I was preparing for this interview I spoke to a lot of my engineering friends

제가 이번 인터뷰를 준비하면서 공학에 관심 많은 친구들한테도 많이 물어봤거든요.

and this is a question that they really wanted me to ask

그리고 그 친구들이 꼭 대신 물어봐달라고 했던 질문이 있어요.

so you're really speaking to your people here.

그러니까, 같은 미래를 그려나가는 분들에게 직접 얘기하시는 겁니다.

You've shown a value of increasing accessibility and abstraction

대표님은 기술의 접근성을 높이고, 복잡한 부분은 단순화하는 걸 중요하게 생각해 오셨잖아요?

with CUDA and allowing more people to use more computing power in all kinds of other ways.

쿠다를 통해 더 많은 사람들이 다양한 방식으로 연산 자원을 활용할 수 있게 됐고요.

As applications of technology get more specific,

그런데 지금은 기술이 점점 더 구체적인 목적에 맞춰지는 시대가 되어가고 있잖아요?

I'm thinking of transformers in AI, for example.

예를 들어 AI 분야에서 '트랜스포머' 같은 것처럼 말이죠.

structure

청취자분들을 위해 설명해 드리자면, 트랜스포머는 최근에 등장해서 굉장히 널리 쓰이고 있는 AI 구조입니다.

a huge number of

요즘 우리가 흔히 접하는 수많은 AI툴들이 이 트랜스포머 구조를 기반으로 하고 있죠.

pay attention

이 기술이 주목받는 이유는, 트랜스포머가 중요한 정보에 '주의를 기울이는' 구조로 설계돼 있기 때문인데요,

results

그 덕분에 훨씬 더 뛰어난 결과를 만들어낼 수 있게 해주거든요.

suited

그리고 특정 AI 모델에 딱 맞춰진 칩을 만들어 아주 효율적인 AI를 만들 수도 있죠.

architectures

그렇게 특정 목적에 맞게 세부적으로 구성된 방식이나, 설계 구조들이 점점 더 주목받게 되면서,

my understanding is there's a debate between how much you place these bets on burning them into the chip

제가 알기로는, 그런 구조들을 칩에 새겨 넣는 데에 얼마나 베팅할지를 두고 논쟁이 있는 걸로 알고 있거든요.

or designing hardware that is very specific to a certain task

어떤 특정 작업에 특화된 하드웨어를 설계할지,

versus staying more general.

아니면 더 일반적인 형태로 유지할지를 두고 말이죠.

And so my question is, How do you make those bets?

그래서 제가 정말 궁금한 건, 그런 중대한 순간에 어떻게 결정을 내리시나요?

How do you think about whether the solution is a car that could go anywhere

예를 들면 해결책이라는 게 어디든 갈 수 있는 범용적인 '차' 같은 건지,

or it's really optimizing a train to go from A to B?

아니면 A에서 B까지만 가도록 철저히 특화된 '기차'를 최적화하는 게 맞는 건지

You're making bets with huge stakes and I'm curious how you think about that.

거기에 젠슨 황 씨가 내리는 결정에 정말 큰 판돈이 걸리는 건데, 어떻게 판단하시는지가 궁금해요.

────────────────────

젠슨 황 | 39:34

Yeah, and that now comes back to exactly your question, what are your core beliefs?

결국 그 질문에 대한 답은 저희가 이야기했던 "당신의 핵심 신념은 뭔가?"로 돌아가게 됩니다.

And the core belief, either one, that Transformer is the last AI algorithm,

여기에서 핵심 신념은 가령 이런 거죠, 트랜스포머가 AI 역사상 마지막 알고리즘일 거라고 믿을 수도 있고,

AI architecture that any researcher will ever discover again,

즉, 앞으로 그 어떤 연구자도 더 나은 새로운 AI 구조를 발견하지 못할 거라는 핵심 신념을 갖고 있느냐,

or that Transformers is a stepping stone towards evolutions of Transformers

혹은, 트랜스포머는 더 발전된 트랜스포머로 나아가기 위한 디딤돌일 뿐이라고 보는 관점을 가지고,

that are barely recognizable as a Transformer years from now.

앞으로 몇 년만 지나면, 지금의 트랜스포머를 가까스로 알아볼 수 있을 정도로 변할지 모른다는 핵심 신념을 가질 수 있겠죠.

And we believe the latter. And the reason for that is because

그리고 엔비디아는 후자의 핵심 신념을 믿고 있는데, 그 이유는

you just have to go back in history and ask yourself,

그냥 역사 속으로 돌아가서, 스스로에게 물어보면 되거든요.

in the world of computer algorithms,

컴퓨터 알고리즘 세계의 역사,

in the world of software, in the world of engineering and innovation,

소프트웨어, 공학과 혁신의 역사를 되돌아보면,

has one idea stayed along that long?

그중에 단 하나의 아이디어가 그렇게 오래 살아남은 경우가 있었을까요?

And the answer is no.

그 답은 '없다' 입니다.

And so that's in fact the essential beauty of a computer.

사실 그게 바로 컴퓨터의 가장 본질적인 아름다움이라고 생각해요.

That it's able to do something today that no one even imagined possible 10 years ago.

지금, 이 순간에는 10년 전엔 아무도 상상조차 못 했던 일들을 해낼 수 있거든요.

And if you would have turned that computer 10 years ago into a microwave,

근데 만약 10년 전에 컴퓨터를 그냥 전자레인지처럼 고정된 기능으로 만들었다면

then why would the applications keep coming?

지금처럼 새로운 응용 프로그램들이 계속해서 나올 수 있었을까요?

And so we believe in the richness of innovation

그래서 엔비디아는 '혁신의 풍요로움'을 믿고,

and the richness of invention.

새로운 발명의 끝없는 가능성을 믿어요.

And we want to create an architecture that

그리고 엔비디아 만들고 싶은 구조는,

let inventors and innovators and software programmers and AI researchers

발명가와 혁신가, 그리고 소프트웨어 개발자와 AI 연구자들이

swim in the soup and come up with some amazing ideas.

복잡한 환경 속에서 마음껏 헤엄치며 놀라운 아이디어들을 만들어내는 구조를 만드는 겁니다.

Look at Transformers.

트랜스포머를 보면,

The fundamental characteristic of a transformer is this idea called attension mechanism.

트랜스포머의 가장 근본적인 특징은 '어텐션 메커니즘'이라고 불리는 개념입니다.

And it basically says the transformer is going to understand the meaning

이 메커니즘은 기본적으로, 트랜스포머가 단어의 의미를 이해하게 해주고,

and the relevance of every single word with every other word.

그리고 각각의 단어가 다른 단어들과 얼마나 관련이 있는지까지 파악합니다.

So if you had 10 words,

예를 들어 10개의 단어가 있다고 해보면,

it has to figure out the relationship across 10 of them.

그 10개의 단어 사이의 모든 관계를 계산해야 하죠.

But if you have 100,000 words or if your context is now as large as read a PDF

그런데 만약 10만 개 단어가 있거나, 혹은 PDF 파일 수준의 문맥이라면 어떻게 될까요?

But if you have 100,000 words or if your context is now as large as read a PDF

그런데 만약 10만 개 단어가 있거나, 혹은 PDF 파일 수준의 문맥이라면 어떻게 될까요?

and that can't read a whole bunch of PDFs

수많은 PDF 파일을 다 읽는 것도 지금은 어려울뿐더러,

and the context window is now like a million tokens

한 번에 처리하고 이해할 수 있는 텍스트의 길이가 백만 토큰 단위로 커진다면,

processing all of it, across all of it is just impossible.

그 모든 걸 한 번에 처리하는 건 사실상 불가능하겠죠.

And so the way you solve that problem is

그래서 그 문제를 해결하는 방법으로

there are all kinds of new ideas and flash attention or hierarchical attention or,

지금 '플래시 어텐션'이나 '계층적 어텐션'같은 새로운 아이디어들이 등장하고 있고,

you know, all the wave attention I just read about the other day.

아니면 제가 얼마 전에 본 '웨이브 어텐션' 같은 새로운 아이디어들이 필요하겠죠.

The number of different types of attention mechanisms that have been invented since the transformer is quite extraordinary.

그렇게 트랜스포머의 등장 이후에 생겨난 어텐션 방식만도 정말 놀라울 정도로 다양하고 획기적인 것들이 많습니다.

And so I think that that's going to continue

그래서 저는 이런 발전의 흐름이 계속될 거라고 보고요,

and we believe it's going to continue and

엔비디아도 그 흐름이 지속될 거라고 믿고 있고,

that computer science hasn't ended

컴퓨터 과학이 트랜스포머에서 끝난 것도 아니고,

and that AI research has not all given up.

AI 연구가 멈춘 것도 전혀 아니고,

We haven't given up anyhow and that

어떤 상황에서도 엔비디아는 포기한 적이 없었고,

and that having a computer that enables the flexibility of research and innovation and new ideas

그리고 지금은 연구와 혁신 그리고 새로운 아이디어가 자유롭게 나올 수 있도록 해주는 유연한 컴퓨터를 만드는 것이

is fundamentally the most important thing.

근본적으로 가장 중요한 일이라고 봅니다.

────────────────────

아브람 | 42:32

One of the things that I'm just so curious about,

제가 정말 궁금한 것 중 하나는요,

you design the chips.

대표님이 직접 칩을 설계하시잖아요?

There are companies that assemble the chips.

그 칩을 조립하는 회사들도 따로 있고,

There are companies that design hardware to make it possible to work at nanometer scale.

나노미터 단위에서 칩이 작동할 수 있도록 하드웨어를 설계하는 회사들도 있고요.

When you're designing tools like this,

대표님이 그런 정밀한 기술을 다루는 도구들을 설계하실 때,

how do you think about design in the context of what's physically possible right now to make?

지금 물리적으로 가능한 기술 수준 안에서, 대표님은 어떤 관점으로 설계에 접근하고 계신가요?

What are the things that you're thinking about with sort of pushing that limit today?

지금 그 한계를 더 밀어붙이기 위해, 대표님은 어떤 것들을 고민하고 계신가요?

────────────────────

젠슨 황 | 43:01

The way we do it is even though we have things made,

저희 방식은 어떻냐면요, 비록 외부에서 만들어진다고 해도

like for example our chips are made by TSMC,

예를 들면 지금 저희 칩은 지금 TSMC에서 제조하고 있는데요,

even though we have them made by TSMC,

비록 저희가 칩을 TSMC에서 생산한다고 해도,

we assume that we need to have the deep expertise that TSMC has.

TSMC가 가진 그 깊은 전문성은 당연히 저희 스스로도 갖추고 있어야 한다고 여깁니다.

And so we have people in our company who are incredibly good at semiconductor physics.

그래서 엔비디아 내부에도 반도체 물리학에 엄청나게 뛰어난 인재들도 있죠.

So that we have a feeling for, we have an intuition for

그런 사람들이 있어야 엔비디아도 감을 갖게 되고, 직관이 생기거든요.

what are the limits of what today's semiconductor physics can do.

지금의 반도체 물리학이 어디까지 가능한지 그 한계에 대해서 말이죠.

And then we work very closely with them to discover the limits

그리고 TSMC와 아주 긴밀하게 협력해서 그 한계를 함께 탐구하기도 하고요.

because we're trying to push the limits and so

엔비디아는 기술의 한계를 밀어붙이려는 회사니까요.

we'll discover the limits together.

그래서 그 한계가 어디인지 함께 찾아가는 겁니다.

We do the same thing in system engineering and cooling systems.

시스템 엔지니어링이나 냉각 시스템에서도 마찬가지고요.

It turns out plumbing is really important to us

알고 보니, 배관 설계가 저희한텐 꽤 중요한 부분이더라고요.

because of local cooling and maybe fans are really important to us because of air cooling.

부품별로 냉각해야 하다 보니, 공기 냉각을 위한 팬도 굉장히 중요하니까요.

We're trying to design these fans in a way almost like they're aerodynamically sound

그래서 저희는 팬도 공기역학적으로 완성도 있게 설계하려고 노력하고 있습니다.

so that we could pass the highest volume of air and make the least amount of noise.

최소한의 소음만을 내면서도 공기를 최대한 많이 통과시킬 수 있도록 말이죠.

So we have aerodynamics engineers in our company.

그래서 엔비디아에는 실제로 공기역학 전문 엔지니어들도 있습니다.

And so even though we don't make them,

그러니까 비록 저희가 그 팬을 직접 제조하지 않더라도

we design them and we have deep expertise of knowing how to have them made.

저희가 설계하고, 어떻게 만들어야 하는지에 대한 깊은 전문성도 갖고 있는 거죠.

And from that, we try to push the limits.

그렇기에 계속 기술의 한계를 밀어붙일 수 있는 거예요.

────────────────────

아브람 | 44:18

One of the themes of this conversation is that you are a person who makes big bets on the future.

오늘 대화의 주제 중 하나가 바로 젠슨 황 대표님이 미래를 향해 대담한 배팅을 해오신 분이라는 건데요,

And time and time again, you've been right about those bets.

그 베팅들이 매번 맞아 떨어었잖아요?

We've talked about GPUs, we've talked about CUDA, we've talked about bets you've made in AI.

GPU도 그랬고, 쿠다, 그리고 AI에 베팅하셨던 것까지도요.

────────────────────

젠슨 황 | 44:35

self-driving cars, and we're gonna be right on robotics.

자율주행차 그랬고, 이제 로봇 분야도 그렇게 될 겁니다.

────────────────────

아브람 | 44:39

This is my question. What are the bets that you're making now?

그래서 제가 묻고 싶은 건, 지금 대표님이 걸고 있는 베팅은 뭔가요?

────────────────────

젠슨 황 | 44:42

The latest bet, of course, we just described at the CES,

가장 최근의 베팅은 소비자 가전 전시회에서 막 발표한 건데요,

and I'm very, very proud of it, and I'm very excited about it,

제가 정말 자랑스럽게 생각하고, 정말 기대하고 있는 분야예요.

is the fusion of omniverse and cosmos

바로 옴니버스와 코스모스의 융합입니다.

so that we have this new type of generative world generation system,

그걸 통해 새로운 방식으로 가상 세계를 만들어내는 생성 시스템이 탄생하는 겁니다.

this multiverse generation system.

'다중우주 생성 시스템'이 말이죠.

I think that's going to be profoundly important

저는 그게 엄청나게 중요한 역할을 하게 될 거라고 생각해요.

in the future of robotics and physical systems.

로봇 공학과 실제 세계에서 작동하는 AI 시스템들의 미래에 있어서요.

Of course, the work that we're doing with human robots,

물론, 저희가 진행 중인 인간형 로봇 관련 프로젝트도 있고,

developing the tooling systems and the training systems

로봇이 실제로 뭔가를 만들고 조작할 수 있도록 학습하는 트레이닝 시스템도 있고요.

and the human demonstration systems and all of this stuff that you've already mentioned,

사람이 직접 시연한 걸 바탕으로 로봇이 배우는 시스템까지, 지금까지 이야기 나눴던 모든 걸 아우르고 있어요.

We're just seeing the beginnings of that work and

사실 지금은 그 모든 것들의 시작 단계일 뿐이고요,

I think the next five years are going to be very interesting in the world of human robotics.

앞으로 5년 동안은 인간형 로봇 분야에서 엄청나게 흥미로운 변화가 있을 거예요.

Of course, the work that we're doing in digital biology

그리고 또 하나, 디지털 생물학 분야에서 진행하고 있는 일도 있는데요,

so that we can understand the language of molecules

분자들의 언어를 이해할 수 있도록 하는 연구죠.

and understand the language of cells

세포 언어의 이해를 포함해서요.

and just as we understand the language of physics and the physical world,

우리가 물리학이나 실제 세계의 작동 원리를 하나의 언어처럼 이해하듯이

we'd like to understand the language of the human body and understand the language of biology.

이제는 인체의 언어, 생물학의 언어도 그렇게 이해하고 싶은 거죠.

And so if we can learn that and we can predict it,

만약 그 언어를 이해하고, 예측할 수 있게 된다면,

then all of a sudden our ability to have a digital twin of the human is plausible.

인간의 디지털 복제체를 구현할 수 있다는 게 진짜 그럴듯한 얘기가 되는 겁니다.

And so I'm very excited about that work.

그렇기에 그 분야도 정말 기대하고 있어요.

I love the work that we're doing in climate science

지금 기후 과학 분야에서 하는 일들도 정말 자랑스러운데요,

and be able to, from weather predictions,

날씨 예측 데이터를 바탕으로,

understand and predict the high-resolution regional climates,

아주 정밀한 지역별 기후 패턴까지 이해하고 예측할 수 있게 되는 거죠.

the weather patterns within a kilometer above your head.

지금 내 머리 위 1km 내에서 일어나는 날씨 변화까지도

that we can somehow predict that with great accuracy.

어떻게든 놀라울 정도의 정확도로 예측할 수 있게 되는 겁니다.

Its implications is really quite profound.

그 기술이 가져올 영향은 정말 어마어마하게 클 거고요.

And so the number of things that we're working on is really cool.

그렇게 지금 엔비디아가 하는 일들엔 정말 멋지고 흥미로운 것들이 많아요.

You know, we're fortunate

정말 운이 좋다고 생각이 드는 게,

that we've created this instrument that is a time machine.

저희가 미래를 들여다볼 수 있는 일종의 '타임머신' 같은 기구를 만들었다는 게요.

And we need time machines in all of these areas that we just talked about

지금까지 말씀드린 모든 분야엔 이런 타임머신 같은 기술이 꼭 필요하거든요.

so that we can see the future.

그래야 미래를 미리 들여다볼 수 있으니까요.

And if we could see the future and we can predict the future,

만약 우리가 미래를 볼 수 있고, 예측할 수 있다면

then we have a better chance of making that future the best version of it.

그럼 그 미래를 가장 나은 모습으로 만들어낼 가능성도 훨씬 커지겠죠.

And that's the reason why scientists want to predict the future.

그게 과학자들이 미래를 예측하고 싶어 하는 이유이자,

That's the reason why we try to predict the future in everything that we try to design

우리가 무언가를 설계할 때마다 항상 미래를 상상하는 이유잖아요?

so that we can optimize for the best version.

그래야 우리의 미래를 가장 좋은 모습으로 최적화해 나갈 수 있으니까요.

────────────────────

아브람 | 47:07

So if someone is watching this and

지금 이 영상을 보시는 분 중엔,

maybe they came into this video knowing that Nvidia is an incredibly important company

이 영상을 보러 왔을 땐, 엔비디아가 굉장히 중요한 회사라는 건 알고 계셨지만

but not fully understanding why or how it might affect their life

그게 왜 중요하고, 삶에 어떤 영향을 줄 수 있는지에 대해 몰랐던 분들도 있을 수 있잖아요?

and they're now hopefully better understanding a big shift that we've gone through

그런데 지금은, 우리가 겪어온 큰 기술의 변화에 대해 조금은 더 이해되셨을 거라고 생각해요.

over the last few decades in computing

특히 지난 수십 년 동안 컴퓨팅 분야에서 말이죠.

this very exciting very sort of strange moment that we're in right now

지금 우리가 서 있는 이 순간은, 정말 흥미롭고, 낯설기도 한 시점이잖아요?

where we're sort of on the precipice of so many different things.

엄청난 일들이 막 일어나려는 벼랑 끝에 서 있는 셈이니까요.

If they would like to be able to look into the future a little bit,

만약 그분들이 지금, 이 순간 미래를 조금이라도 들여다보고 싶다고 한다면,

how would you advise them to prepare or to think about this moment that they're in personally

어떻게 지금 그 사람들이 자신의 삶에서 이 변화의 시기를 준비하고 바라봐야 한다고 말씀하시겠어요?

with respect to how these tools are actually going to affect them?

특히, 그런 기술들이 실제로 자기 삶에 어떤 영향을 줄지에 관해서 생각해 볼 때 말이죠.

────────────────────

젠슨 황 | 47:50

Well,

글쎄요...

There are several ways to reason about the future that we're creating.

우리가 만들어가고 있는 미래를 어떻게 바라볼지에 대해서는 여러 가지 방식이 있어요.

One way to reason about it is,

그 방식 중의 하나는

suppose the work that you do continues to be important,

내가 지금 하고 있는 일이 앞으로도 계속 중요한 일일 거라고 한번 가정해 보는 거예요.

but the effort by which you do it

만약, 그 일을 하는 데 드는 노력이

went from being a week long to almost instantaneous,

일주일씩 걸리던 게 거의 즉시 끝나는 수준이 됐다면,

you know, that the effort of drudgery basically goes to zero.

그러니까 말 그대로, 지루하고 고된 반복 작업에 드는 노력이 사라진 거예요.

What is the implication of that?

그럼, 그게 우리한테 어떤 영향을 미치게 될까요?

This is very similar to what would change

그런 생각은 마치 이런 변화와도 비슷한데,

if all of a sudden we had highways in this country?

갑자기 나라 전체에 고속도로가 생기면 어떤 변화가 생길까요?

and that kind of happened, you know, In the last industrial revolution,

사실 그런 일이 산업 혁명 시기에 실제로 일어났잖아요?

all of a sudden, we have interstate highways.

어느 날 갑자기, 주간 고속도로가 깔렸으니까요.

And when you have interstate highways, what happens?

그렇게 주간 고속도로가 깔리니까 어떤 변화가 생겼을까요?

Well, you know, suburbs start to be created, and all of a sudden, you know,

도시 외곽 주거지들이 생겨났고, 또 갑자기

distribution of goods from east to west is no longer a concern.

동·서부 간의 유통이 더 이상 큰 걱정거리가 아니게 됐고,

And all of a sudden, gas stations start cropping up on highways,

그러다 보니 고속도로를 따라 주유소들이 불쑥 생겨나기 시작했고,

and fast food restaurants show up.

패스트푸드점들도 여기저기 생겨났죠.

You know, someone's motels show up

그리고 모텔들도 생겨났고요.

because people, you know, traveling across the state, across the country,

사람들이 주 경계를 넘어, 전국 곳곳을 돌아다녔으니까요.

just wanted to stay somewhere for a few hours or overnight.

사람들이 몇 시간, 또는 하룻밤 잠깐 머물 수 있는 곳이 필요했겠죠.

And so all of a sudden, new economies and new capabilities, new economies.

그렇게 갑자기 완전히 새로운 경제와 그것들을 가능하게 하는 서비스들이 생겨난 겁니다.

What would happen if video conference made it possible for us to see each other

화상 회의로 인해 서로의 얼굴을 마주 볼 수 있게 된다면 어떤 변화가 생길까요?

without having to travel anymore?

굳이 직접 출장을 가지 않아도 되면 어떨까요?

That all of a sudden, it's actually okay to work far further away from home

갑자기 사람들이 집에서 훨씬 더 멀리 떨어진 곳에서도 일할 수 있게 된 겁니다.

and from work and live further away.

회사로부터 더 멀리 떨어져 살 수 있게 말이죠.

And so you ask yourself kind of these questions.

그러니까 이런 식으로 계속해서 스스로 질문들을 던져보는 겁니다.

What would happen if I have a software programmer with me all the time

"만약 언제나 내 옆에 함께하는 소프트웨어 개발자가 있다면?"

and whatever it is I can dream up, the software programmer could write for me?

"그리고 내가 떠올리는 어떤 아이디어든, 그 개발자가 바로바로 구현해 줄 수 있다면?"

What would that do?

"그럼 그게 어떤 변화를 만들어낼까?"

What would happen if I just had a seed of an idea

"그냥 내 머릿속에 떠오른 초기 발상만으로도"

and I rough it out and all of a sudden a prototype of a production was put in front of me?

"대충 스케치만 했는데, 그게 갑자기 내 눈앞에 시제품으로 만들어져 나온다면?"

how would that change my life and how would that change my opportunity

"그게 내 삶을 어떻게 바꾸고, 내게 어떤 기회들을 열어줄까?"

you know what is a free me to be able to do and so on and so forth.

그렇게 내가 뭔가를 자유롭게 해낼 수 있게 된다면, 그 뒤로는 뭐든 계속 이어지겠죠.

So I think that the next decade intelligence not for everything

그래서 제 생각엔, 앞으로 10년 동안 모든 분야는 아니더라도,

but first for some things would basically become superhuman

적어도 일부 영역에서는 지능이라는 게 사실상 '초인적인 수준'에 도달할 거라고 봅니다.

I can tell you exactly what that feels like.

저는 그게 어떤 느낌인지, 정확히 말씀드릴 수 있는 게,

I'm surrounded by superhuman people, superintelligence from my perspective

제 주변엔 이미 그런 초인적인 사람들, 제 기준에선 '초지능'이라 할 만큼 뛰어난 사람들이 가득하거든요.

because they're the best in the world at what they do

그 사람들은 자기가 하는 일에 있어서 세계 최고 수준이고,

and they do what they do way better than I can do it.

그들이 하는 일에 있어서 저보다 훨씬 더 잘하거든요.

And I'm surrounded by thousands of them.

그리고 저는 그런 사람 수천 명들한테 둘러싸여 있고요.

And yet,

그런데도,

it never one day caused me to think all of a sudden I'm no longer necessary.

저는 제가 더는 필요 없는 존재라고 느낀 적은 단 하루도 없어요.

It actually empowers me and gives me the confidence

오히려 그런 환경이 제게 더 힘을 실어주고, 자신감을 줘서

to go tackle more and more ambitious things.

더 크고, 도전적인 일들에 맞설 수 있게 됐죠.

And so suppose now everybody

그런데 이제 한 번 상상해 보세요. 모든 사람이,

is surrounded by these super AIs that are very good at specific things

특정 분야에서 엄청나게 뛰어난 'AI 동료'와 함께 일하게 된다면요,

or good at some of the things.

혹은 일부 작업에서만 그렇다고 하더라도요.

What would that make you feel?

그럼, 사람들은 어떤 기분이 느껴질까요?

Well, it's going to empower you. It's going to make you feel confident.

그건 분명, 여러분에게도 힘을 실어줄 거예요. 자신감 넘치는 기분도 심어줄 거고요.

And I'm pretty sure you probably use ChatGPT and AI.

아마 아브람 씨도 지금 챗GPT 같은 AI를 쓰고 계실 거라고 생각하는데,

And I feel more empowered today.

저는 그런 AI 덕분에 훨씬 더 힘이 실리는 느낌이거든요.

more confident to learn something today.

뭔가 새로운 걸 배우는 데도 더 자신감 있는 느낌이고요.

The knowledge of almost any particular field,

거의 모든 특정 분야에 대한 지식을

the barriers to that understanding it has been reduced.

이해하는 데 걸림돌이 되는 장벽이 굉장히 낮아졌고,

I have a personal tutor with me all of the time.

지금은 늘 옆에 붙어 있는 개인 교사를 갖게 된 셈이니까요.

And so I think that that feeling should be universal.

저는 그 느낌이 모두가 함께 느낄 수 있는 보편적인 감정이 되어야 한다고 생각해요.

And if there's one thing that I would encourage everybody to do,

제가 모든 분께 꼭 권하고 싶은 게 딱 하나 있다면,

is to go get yourself an AI tutor right away.

지금 당장 AI 교사를 하나 갖추셨으면 해요.

And that AI tutor could, of course, just teach you things, anything you like,

그 AI 교사가 여러분이 배우고 싶은 건 무엇이든 가르쳐 줄 수 있을 테니까요.

help you program,

프로그래밍도 도와줄 것이고,

help you write,

글쓰기도 도와줄 거고,

help you analyze,

분석하는 데에도 마찬가지고요,

help you think,

생각 정리도 도와주고,

help you reason.

논리적 판단 까지 말이죠.

You know, all of those things is going to really make you feel empowered.

그런 모든 기능이 여러분에게 정말 큰 힘을 실어줄 거예요.

I think that that's going to be our future.

저는 그게 바로 우리가 맞이할 미래라고 생각해요.

We're going to become superhumans.

우리는 초인적인 존재가 되어갈 겁니다.

We're going to become superhumans because we have super AIs.

왜냐하면 우리 곁에 초지능 AI가 함께할 테니까요.

────────────────────

아브람 | 52:27

Could you tell us a little bit about each of these objects?

혹시 여기 있는 이 부품들에 대해 간단히 설명해 주실 수 있을까요?

────────────────────

젠슨 황 | 52:30

This is a new GeForce graphics card.

이건 새로 나온 지포스 그래픽카드예요.

────────────────────

아브람 | 52:34

Can I touch it?

만져봐도 될까요?

────────────────────

젠슨 황 | 52:35

Yes.

그럼요.

This is the RTX 50 series.

그리고 이건 RTX 50 시리즈죠.

It is essentially a supercomputer that you put into your PC.

쉽게 말해, PC에 꽂을 수 있는 슈퍼컴퓨터라고 보시면 돼요.

We use it for gaming.

주로 게임용으로도 많이 사용하고,

Of course, people today use it for design and creative arts.

물론 요즘은 디자인이나 창작 작업에도 많이 활용하고 있죠.

It does amazing AI.

AI 작업에도 정말 놀라운 성능을 발휘하고요.

The real breakthrough here, and this is truly an amazing thing,

결정적인 전환점이 된 건요, 정말 놀라운 일인데,

GeForce enabled AI

바로 이 지포스 덕분에 AI가 가능해졌고,

and enabled Geoffrey Hinton, Ilya Sutskever, and Alex Krizhevsky to be able to train AlexNet.

힌튼, 일리야, 알렉스가 알렉스넷을 학습시킬 수 있었죠.

We discovered AI and we advanced AI.

즉, 지포스의 도움으로 AI를 '발견'했고, AI를 '발전'시켰고,

Then AI came back to GeForce to help computer graphics.

그리고 이젠 그 AI가 다시 지포스로 돌아와서 그래픽 작업을 도와주게 된 거죠.

And so here's the amazing thing.

여기서 진짜 놀라운 점이 하나 있는데,

Out of 8 million pixels or so in a 4K display,

4K 디스플레이에 있는 약 800만 개의 픽셀 중에서,

we're computing, we're processing only 500,000 of them.

실제로 직접 연산하고 처리하는 픽셀은 단 50만 개밖에 안 돼요.

The rest of them, we use AI to predict.

나머지는 AI가 예측하도록 맡기는 겁니다.

The AI guessed it,

AI가 나머지를 추측해서 채워주는 거예요.

and yet the image is perfect.

그런데도 화면에 보이는 결과물은 완벽하죠.

We inform it by the 500,000 pixels that we computed, and we ray-traced every single one, and it's all beautiful, it's perfect.

지포스 그래픽카드가 레이 트레이싱으로 하나하나 계산한 아름답고 완벽한 50만 개의 픽셀이 AI에게 기준 데이터를 제공하고,

And then we tell the AI,

그리고 나서 AI에게 묻는 거예요.

if these are the 500,000 perfect pixels in the screen,

"만약 우리가 제공한 화면 속 50만 개의 픽셀이 완벽하다면"

what are the other 8 million?

"나머지 800만 개의 픽셀은 어떤 모습일까?" 하고요.

And it goes, it fills in the rest of the screen and it's perfect.

그러면 AI가 나머지 화면을 다 채워주는데, 결과가 정말 기가 맥히죠.

────────────────────

아브람 | 53:50

And if you only have to do fewer pixels,

그렇게 계산해야 할 픽셀의 수가 적어진다면,

are you able to invest more in doing that because you have fewer to do,

그만큼 연산해야 할 양이 줄어드니까, 남는 연산 자원을 그 픽셀들에 더 투자할 수 있고,

so then the quality is better, so the extrapolation that the AI does is better?

결국 픽셀의 품질도 더 높아지고, AI가 하는 예측 결과도 더 좋아지겠네요?

────────────────────

젠슨 황 | 54:03

Exactly, because whatever computing, whatever attention you have,

정확해요, 그래픽 카드가 가진 모든 연산 능력이나 집중력 같은 자원을

whatever resources you have,

그 어떤 모든 자원을

you can place it into 500,000 pixels.

50만 개 픽셀에 집중해서 쏟아붓는 게 가능해지는 거죠.

Now, this is a perfect example of why AI is going to make us all superhuman.

그게 바로 왜 AI가 우리를 초인적인 존재로 만들어줄 수 있는지를 보여주는 완벽한 사례인데요,

Because all of the other things that it can do, it'll do for us,

왜냐하면 대신 해줄 수 있는 수많은 일들을 AI가 맡아줘서,

allows us to take our time and energy and focus it on the really, really valuable things that we do.

그 덕분에 우리가 우리만이 할 수 있는, 진짜 가치 있는 일에 시간과 에너지를 쏟을 수 있게 해주는 거죠.

And so we'll take our own resource,

그래서 우리 인간만이 가진 자원,

which is, you know,

쉽게 말하자면, 음,

energy-intensive, attention-intensive,

에너지와 집중도가 많이 요구되는 일들에 쏟을 수 있게,

and we'll dedicate it to the few hundred thousand pixels

즉, 우리는 그런 소중한 자원을 수십만 개의 픽셀에만 전념하고,

and use AI to super-res it, up-res it, you know, to everything else.

나머지 모든 부분은 AI가 확장하고 고해상도로 변환해 주는 거예요.

And so this graphics card is now powered mostly by AI.

그래서 이 그래픽카드는 지금, 거의 대부분 AI로 작동하는 수준이죠.

And the computer graphics technology inside is incredible as well.

안에 들어간 컴퓨터 그래픽 기술도 마찬가지로 정말 뛰어나기도 하고요.

And then this next one, as I mentioned earlier,

다음으로 옆에 있는 DGX 스파크는, 아까 말씀드렸듯이,

in 2016, I built the first one for AI researchers,

2016년에 제가 처음으로 AI 연구자들을 위해 만들었던 모델이에요.

and we delivered the first one to OpenAI.

그리고 그 첫 번째 모델 DGX-1을 오픈AI에 전달했었죠.

and we delivered the first one to OpenAI.

그리고 그 첫 번째 모델 DGX-1을 오픈AI에 전달했었죠.

And Elon was there to receive it.

그때 일론 머스크가 직접 받았고요.

To Elon & The OpenAI Team ! To the future of computing and Humanity.

컴퓨팅과 인류의 미래 일론 머스크와 오픈 AI팀에게 !

I present you the world's first DGX-1 ! - Jensen Huang -

세상에서 처음으로 제작된 DGX-1을 선물합니다. - 젠슨 황 -

Thanks ! - Elon Musk -

고마워요 ! - 일론 머스크 -

And the reason for that is because AI has now gone from AI researchers to every engineer

왜냐하면 이제 AI는 연구자들만 쓰는 게 아니라 모든 엔지니어가 쓰는 기술이 됐기 때문이죠.

every student

모든 학생들,

every AI scientist

그리고 모든 AI 과학자들 까지

and AI is going to be everywhere

AI는 어디에나 있을 테니까요.

and so instead of these $250,000 versions,

그러니 예전처럼 약 3억 5천만 원짜리 모델 대신,

we're going to make these $3,000 versions

이런 약 4백만 원짜리 모델을 만들려는 거죠.

and Schools can have them,

그러면 학교들도 구매할 수 있고,

you know students can have them

학생들도 직접 구매해서 쓸 수 있게 되니까요.

and you set it next to your PC or a Mac

그냥 PC나 맥 옆에 두기만 하면 돼요.

and all of a sudden you have your own AI supercomputer

그러면 어느새 자기만의 AI 슈퍼컴퓨터가 생기게 되는 겁니다.

and you could you develop and build AIs.

그걸로 AI를 직접 개발하고 만들 수 있게 되는 거죠.

Build your own AIs, build your own R2-D2.

자신만의 R2-D2를 만들 수 있게 되는 겁니다.

────────────────────

아브람 | 55:53

What do you feel like is important for this audience to know that I haven't asked?

혹시 지금 시청 중인 분들이 꼭 알아야 할 중요한 것인데, 제가 아직 질문하지 않은 게 있다면 뭘까요?

────────────────────

젠슨 황 | 55:58

One of the most important things I would advise is,

제가 조언드리고 싶은 가장 중요한 것 중 하나는요,

for example, if I were a student today, the first thing I would do is to learn AI.

예를 들어, 지금 제가 학생이라면 제일 먼저 할 일은 AI를 배우는 겁니다.

How do I learn to interact with ChatGPT?

"챗GPT와 어떻게 잘 상호작용 할 수 있을까?"

How do I learn to interact with Gemini Pro?

"제미나이 프로랑은 어떻게 상호작용 해야 효과적일까?"

And how do I learn to interact with Grok?

"그록과는 또 어떻게 상호작용 해야 할까?"하는 질문들을 던지면서 말이죠.

Learning how to interact with AI

AI와 상호작용 하는 법을 배운다는 게

is not unlike being someone who is really good at asking questions.

좋은 질문을 던질 줄 아는 사람이 되는 것과 크게 다르지 않거든요?

You're incredibly good at asking questions,

아브람 씨가 질문을 정말 잘하시듯이,

and prompting AI is very similar.

AI에게 질문을 던지는 것도 굉장히 비슷하거든요.

You can't just randomly ask a bunch of questions.

그냥 무작위로 아무 질문이나 막 던지면 안 된다는 거죠.

And so asking AI to be an assistant to you

그래서 AI를 진정한 조력자로 만들고 싶다면,

requires some expertise in artistry and how to prompt it.

어떻게 질문하고, 어떤 식으로 요청할지를 아는 어떤 기술과 감각이 좀 필요하거든요.

And so if I were a student today,

만약 제가 지금 학생이라면,

irrespective of whether it's for math or for science or chemistry or biology or

그게 수학이든 과학이든, 화학이든 생물이든 간에 상관없이

it doesn't matter what field of science I'm going to go into or what profession I am,

어떤 과학 분야로 들어가든, 어떤 직업을 가졌든 그건 중요하지 않아요.

I'm going to ask myself, how can I use AI to do my job better?

저는 "AI를 어떻게 활용해야 내 일을 더 잘할 수 있을까?"하고 스스로에게 물어볼 겁니다.

If I want to be a lawyer, how can I use AI to be a better lawyer?

만약 변호사가 되고 싶다면, "어떻게 AI를 활용해야 더 뛰어난 변호사가 될 수 있을까?"

If I wanted to be a better doctor, how can I use AI to be a better doctor?

의사가 되고 싶다면, "어떻게 AI를 써서 더 유능한 의사가 될 수 있을까?"

If I want to be a chemist, how do I use AI to be a better chemist?

화학자라면, "어떻게 AI를 활용할 수 있을까?"

If I want to be a biologist, how do I use AI to be a better biologist?

생물학자라면, "AI로 어떻게 내 연구를 더 깊이 있게 할 수 있을까?"

That question should be persistent across everybody.

그런 질문들은 모든 사람이 공통으로 계속해서 던져져야 하는 질문이라는 겁니다.

And just as my generation grew up as a first generation that has to ask ourselves,

저희 세대가 처음으로 자라면서 그런 질문을 해야 했던 세대였죠.

how can we use computers to do our jobs better?

"어떻게 컴퓨터를 활용해서 일을 더 잘할 수 있을까?" 라고 질문하면서 말이에요.

The generation before us had no computers.

저희 이전 세대는 컴퓨터 자체가 없었고요.

My generation was the first generation that had to ask the question,

제 세대가 처음으로 이런 질문을 던져야 했던 세대였죠.

how do I use computers to do my job better?

"이 컴퓨터를 어떻게 써야 내가 일을 더 기깔나게 할 수 있을까?" 하고 말이에요.

Remember, I came into the industry before Windows 95.

생각해 보세요, 저는 윈도우 95가 나오기 전부터 이 업계에 있었거든요.

1984, there were no computers in offices.

1984년엔 사무실에 컴퓨터가 아예 없었어요.

And after that, shortly after that, computers started to emerge.

그 뒤로 얼마 안 있어, 컴퓨터가 점점 나오기 시작했어요.

And so we had to ask ourselves, how do we use computers to do our jobs better?

그래서 우리는 스스로에게 물어야 했죠. "어떻게 컴퓨터를 활용해서 일을 더 잘할 수 있을까?"

The next generation doesn't have to ask that question,

다음 세대들은 이제 그 질문을 할 필요가 없죠.

but it has to ask the obviously next question,

하지만 당연히 그다음으로 따라오는 질문은 해야 해요.

how can I use AI to do my job better?

"어떻게 AI를 활용해야 내 일을 더 잘할 수 있을까?"

That is start and finish, I think, for everybody.

저는 그 질문이 모든 사람에게 시작이자 끝이 될 거라고 생각합니다.

────────────────────

아브람 | 58:07

It's a really exciting and scary and therefore worthwhile question, I think, for everyone.

저도 그 질문이 정말 흥미롭고도 동시에 두렵지만, 그렇기 때문에 모두에게 더 가치 있는 질문일 거라고 봐요.

────────────────────

젠슨 황 | 58:13

I think it's going to be incredibly fun.

그래서 앞으로는 굉장히 재미있을 거라고 봅니다.

AI is obviously a word that people are just learning now.

분명히 AI라는 말도, 사람들이 이제 막 익히기 시작한 단어잖아요?

But it's made your computer so much more accessible.

그런 AI 덕분에 컴퓨터가 훨씬 더 쉽게 다가갈 수 있는 도구가 됐고요.

It is easier to prompt ChatGPT to ask it anything you like

이제는 그냥 챗GPT에 원하는 질문을 던지는 게,

than to go do the research yourself.

직접 자료를 찾는 것보다 훨씬 쉬워졌으니까요.

And so we've lowered the barrier of understanding.

즉, 우리는 이제 '이해'의 장벽을 낮췄고,

We've lowered the barrier of knowledge.

'지식'에 대한 장벽도,

We've lowered the barrier of intelligence.

'지능' 장벽조차 낮춰버렸어요.

And everybody really ought to just go try it.

그래서 이젠 누구나 한 번은 직접 써봐야만 해요.

You know, the thing that's really, really crazy is

진짜 말도 안 될 정도로 놀라운 건요,

if I put a computer in front of somebody and they've never used a computer,

만약 제가 누군가 앞에 컴퓨터를 갖다줬는데, 그 사람이 컴퓨터를 한 번도 써본 적 없는 사람이라면,

there is no chance they're going to learn that computer in a day.

하루 만에 컴퓨터를 배울 가능성은 없거든요?

There's just no chance.

그냥 진짜 불가능해요.

Somebody really has to show it to you.

누군가가 제대로 옆에서 알려줘야만 하겠죠.

And yet with ChatGPT,

그렇지만, 챗GPT는요,

if you don't know how to use it, all you have to do is type in,

어떻게 써야 할지 모르더라도, 그냥 이렇게 입력하기만 하면 돼요.

I don't know how to use ChatGPT. Tell me.

"챗GPT를 어떻게 쓰는지 모르겠으니까 알려줘"

And it would come back and give you some examples.

그럼 바로 예시를 보여주면서 알려줄 거예요.

And so that's the amazing thing.

그게 진짜 놀라운 점이죠.

The amazing thing about intelligence is

이 지능 ( AI )이 정말 놀라운 건요,

it'll help you along the way and make you superhuman along the way.

우리가 나아가는 동안 계속 옆에서 도와줄 것이고, 결국 우릴 '초인' 만들어줄 거라는 겁니다.

────────────────────

아브람 | 59:19

All right. I have one more question if you have a second.

좋습니다. 혹시 시간 괜찮으시면 마지막으로 하나만 더 여쭤볼게요.

This is not something that I plan to ask you, but on the way here, uh,

사실 이건 원래 질문할 계획에 없던 건데요, 여기로 오는 길에 문득 생각이 들었어요.

I'm a little bit afraid of planes,

제가 사실 비행기를 좀 무서워하거든요.

which is not my most reasonable quality.

그게 그렇게 합리적인 성격은 아니지만요.

And the flight here was a little bit bumpy,

근데 이번에 오는 길에 비행기가 좀 흔들렸어요.

very bumpy.

꽤 많이 흔들렸죠.

And I'm sitting there and it's moving and

이리저리 막 흔들리는 비행기 좌석에 앉아 있으니까

I'm thinking about what they're going to say at my funeral.

이런 생각까지 들더라고요. "내 장례식에서 사람들이 무슨 이야기를 할까?"

And after...

그리고 나서...

────────────────────

젠슨 황 | 59:48

She has good questions.

"좋은 질문을 가진 사람"

That's what the tombstone is going to say.

그게 묘비에 새겨질 문구겠네요.

────────────────────

아브람 | 59:52

I hope so.

그랬으면 좋겠네요 😄

────────────────────

젠슨 황 | 59:53

Yeah.

그럴 겁니다.

────────────────────

아브람 | 59:54

And after I loved my husband and my friends and my family,

만약 그렇다면, 제가 남편, 친구들, 가족들을 사랑했다는 얘기 다음으로는,

the thing that I hope that they would talk about was optimism.

사람들이 '낙관주의'에 대해 말해줬으면 좋겠어요.

I hope that they would recognize what I'm trying to do here.

제가 여기서 하고자 하는 일의 의미가 어떤 건지 사람들이 알아봐 줬으면 해요.

And I'm very curious for you.

그리고, 젠슨 황 씨는 어떨지가 정말 궁금해졌어요.

You've been doing this a long time.

오랜 시간 이 일을 해오셨잖아요?

It feels like there's so much that you've described in this vision ahead.

그리고 앞으로의 미래에 대한 그 비전 안에, 정말 많은 걸 그리고 계신 것 같고요.

What would the theme be that you would want people to say about what you're trying to do?

지금까지 해오신, 또 해나가실 모든 일들에 대해 사람들이 꼭 기억해 줬으면 하는 대표님만의 '메세지'는 뭐라고 생각하세요?

────────────────────

젠슨 황 | 1:00:27

Very simply,

정말 간단하게 말하자면,

they made an extraordinary impact.

"그들은 세상에 놀랄만한 영향을 남겼다"

And I think that we're fortunate because of some core beliefs a long time ago

저희는 정말 운이 좋았다고 생각해요. 오랜 시간 동안 저희가 믿어온 핵심 신념들 덕분이겠죠.

and sticking with those core beliefs

그리고 그 신념들을 꾸준히 지켜 왔고,

and building upon them.

그 신념들을 기반에 두고 가치를 쌓아 올렸기에,

We found ourselves today being one of the most,

그 결과, 지금 저희는 세계에서 가장 영향력 있고

one of the many most important and consequential technology companies in the world and potentially ever.

가장 중대한 기술 기업 중 하나로 여겨지게 됐습니다. 어쩌면 역사상일 수도 있고요.

And so we take that responsibility very seriously.

그래서 그 책임감을 정말 무겁게 받아들이고 있고요.

We work hard to make sure that the capabilities that we've created are available to

그리고 저희가 만들어낸 기술들이 확실하게 누구에게나 제한 없이 제공될 수 있도록 최선을 다하고 있습니다.

large companies as well as individual researchers and developers

대기업들뿐만 아니라, 개인 연구자와 개발자에게도 고루 닿을 수 있도록,

across every field of science, no matter profitable or not,

수익이 나든 안 나든 상관없이 모든 과학 분야에 걸쳐서

big or small, famous or otherwise.

규모가 크든 작든, 유명하든 아니든 말이죠.

And it's because of this understanding of the consequential work that we're doing

그 이유는 저희 엔비디아가 하는 일이 얼마나 중대한 일인지를 잘 알고 있고,

and the potential impact it has on so many people

그리고 그 일이 얼마나 많은 사람들에게 영향을 줄 수 있는지를 잘 알고 있기 때문에,

that we want to make this capability as pervasively as possible.

그래서 저희 엔비디아는 이 기술을 모두가 사용할 수 있도록 가능한 한 널리 퍼뜨리고 싶은 겁니다.

And I do think that when we look back in a few years,

그리고 언젠가 몇 년 후, 저희가 이 순간을 돌아보게 될 텐데,

And I do hope that what the next generation realized

그때 다음 세대가 꼭 깨달아줬으면 하고 바라는 게 있다면,

is first of all, they're going to know us because of all the gaming technology we create.

물론 엔비디아를 기억하게 되는 건 처음으로 저희가 만든 다양한 게임 기술 때문일 테죠.

I do think that we'll look back.

분명 우리는 이 시점을 다시 되돌아보게 될 거라고 생각해요.

And the whole field of digital biology and life sciences has been transformed.

그땐 생명과학과 디지털 생물학 분야는 완전히 바뀌었을 테고,

Our whole understanding of material sciences has completely been revolutionized.

재료 공학에 대한 이해도 완전히 극적으로 달라졌을 거고,

That robots are helping us do dangerous and mundane things all over the place.

로봇들이 위험하거나 지루하고 반복적인 일을 도와주고 있을 거고,

that if we wanted to drive, we can drive, but otherwise, you know, take a nap

원한다면 운전할 수는 있지만, 그렇지 않다면 그냥 한숨 잘 수도 있을 테고,

or enjoy your car like it's a home theater of yours.

아니면 차 안을 마치 집 영화관처럼 즐길 수도 있을 거고,

You know, read from work to home.

출퇴근길에 책을 읽는다든지

And at that point, you were hoping that you live far away

그쯤 되면 오히려 집이 좀 더 멀었으면 좋겠다는 생각이 들 수도 있겠죠.

and so you could be in a car for longer.

그래야 차 안에서 더 오래 즐길 수 있으니까요.

You know, and you look back and you realize that there's this company almost at the epicenter of all of that.

그렇게 뒤를 돌아봤을 때, 그 모든 변화의 중심에 한 회사가 있었다는 걸 깨달았으면 좋겠고,

And happens to be the company that you grew up playing games with.

그리고 알고 보니 그 회사가 바로 어릴 적 게임을 할 때부터 함께 자라온 그 회사였던 거죠.

And I hope that that to be what the next generation learn.

그게 바로 다음 세대가 엔비디아를 기억해 줬으면 하는 부분입니다.

────────────────────

아브람 | 1:03:03

Thank you so much for your time.

오늘 시간 내주셔서 정말 감사합니다.

────────────────────

젠슨 황 | 1:03:05

I enjoyed it. Thank you !

정말 즐거웠습니다. 고맙습니다 !

────────────────────

탄겐 ( 노르웨이 국부펀드 CEO ) | 1:03:07

Okay so I asked Jensen Huang

제가 젠슨 황한테 물어본 적이 있어요.

the CEO of NVIDIA

엔비디아 사장한테 말이죠.

You know how much do you work?

"얼마나 일하세요?" 하고 물어봤어요.

────────────────────

젠슨 황 | 1:03:12

He said Nicolai there is

"니콜라이, 있잖아요?"

there is hard work and then there is insanely hard work

"일을 하는 데에는 열심히 하는 것과 X친듯이 열심히 하는 게 있어요"

────────────────────

탄겐 | 1:03:16

So I said okay what about you then?

"그래서 젠슨 황 씨는 얼마나 하시는데요?"

────────────────────

젠슨 황 | 1:03:18

I work insanely hard

"제가 그 X친듯이 하는 사람이죠"

I work every day from a wake up at 5

"저는 매일 아침 5시에 일어나자마자"

until I go to bed at 9

"밤 9시에 자러 갈 때까지 일해요"

I work every weekday

"모든 평일에도 일하고"

Saturday Sunday every holiday I work all the time

"토요일, 일요일, 휴일 가릴 것 없이 항상 일해요"

────────────────────

탄겐 | 1:03:28

I said wow

"정말요?"

but

"그러면"

But when you relax?

"그럼 언제 쉬시는데요?"

────────────────────

젠슨 황 | 1:03:32

Yeah but

"그게 말이죠,"

I relax all the time he said

"저는 항상 쉬고 있는 건데요?"

because I love what I do

"왜냐하면 저는 제가 하는 것들이 즐겁거든요"

────────────────────

탄겐 | 1:03:37

And I think if you really love what you do

그래서 제 생각에 만약 당신이 정말 하고 싶은 게 있다면

it's not going to feel like work

그게 전혀 일처럼 느껴지지 않을 거라는 겁니다.