Biased Models를 만들며 쓰는 작업 노트를 그대로 공개한다. 방향을 잡는 노트, 사업 논지를 공개 출처로 검증한 보고서, 시장 리서치, 그리고 판단을 정리하는 워크벤치로 나뉜다. 외부 사실에는 출처 링크를 달았다. 개인 이름과 비공개 대화, 진행 중인 고객 논의는 역할 표현으로 바꾸거나 뺐다.
방향
- 한 선흩어진 생각을 "벤치마크 → 현장 접근 → 과제화 → 판매" 한 줄로 묶고, 정하지 못한 것을 기한과 판정 규칙이 있는 실험(E1~E15)으로 바꾼 노트. v1·v2·v3 후보·thesis를 모두 담았다.
- First principles"모델은 채점할 수 있는 피드백이 있는 곳에서 가장 빨리 는다"에서 출발해, 무엇이 참이어야 이 사업이 성립하는지 바닥까지 내려간 가설 트리와 사다리.
- 프로토타입 노트디지털 트윈(보는 거울)과 AFB 시험장(AI가 행동·채점받는 곳)의 8가지 기술 차이, NVIDIA Mega, Applied Compute, Trajectory, 디지털 트윈 투자 동향.
사업 논지 검증
하위 노트
- 논지 1: 안전표준·규제(CISA 공동지침, IEC 61508/61511, AI기본법)가 말하는 것과 PLC 코드 생성 연구의 안전 검증. 파는 것은 "안전한 AI"가 아니라 변경 전 검증 게이트.
- 논지 2: 온프렘국가핵심기술·기반시설 규제가 AI를 실제로 막는지, 설문이 말하는 저활용의 진짜 이유, 이미 풀리고 있는 업무 영역.
- 논지 3: 랩과 중소기업 데이터랩이 실제로 사는 것은 폐업 스타트업 데이터와 "과제+채점기"다. 거래 구조, 단가, 권리·개인정보 쟁점.
- 논지 4: 골든셋공장 문서(FDS·C&E·HAZOP)를 실행형 과제로 컴파일하는 표준과 사례, Verified 품질 기준, 한국 단가 추정.
- 시장·경쟁 지형자동화 벤더의 PLC 코드 생성 제품과 안전 문구, 국내 플레이어, 예산·구매 경로, 이중 고객 함정.
시장 리서치
- AI 데이터 벤더 지형Scale·Surge·Mercor·Handshake·micro1 등 데이터 벤더의 매출·가격·계약 형태와 제조 관련 신호.
- 제조 데이터 공급 사례Catena-X, Siemens 데이터 얼라이언스, KAMP, GE Predix 등 제조·산업 데이터를 모아 판 사례의 성공과 실패.
- 유사 사례한 버티컬에서 랩 공급으로 간 회사, 벤치마크를 쐐기로 쓴 팀(SWE-bench, FrontierMath, Vals), 커뮤니티를 파이프라인으로 쓴 사례.
- OpenAI Korea와 데이터 조달OpenAI 한국 법인의 공개 활동과 본사의 데이터 조달 방식. 지사가 데이터 사업 창구가 될 수 있는지.
- 한국 대기업 AI 조직과 해커톤국내 대기업의 AI·교육 조직, 해커톤 이력, 공개 발언에서 뽑은 산업 문제 재료.
- 산업 해커톤 선례Intrinsic, DARPA AIxCC, BEHAVIOR 등 산업 문제 출제형 대회와 후원 패키지, 대기업 클로즈드 밋업 형식.
- 공동 논문 전략2026~27 학회 마감, 산업 벤치마크가 위상을 얻은 경로, 랩 연구자 공저의 소속 정책 리스크, 논문 골격.