한 선 (v1)
벤치마크로 신뢰를 얻고 → 그 신뢰로 제조 현장 접근을 얻고 → 사람이 현장을 구조화해 채점되는 과제로 만들고 → 랩(OpenAI 등)에 판다. Team Attention은 이 선에 사람·관계·현금을 대는 연료다.
| 고리 | 무엇 | 지금 붙어 있는 생각·작업 | 이 고리의 성공 신호 |
|---|---|---|---|
| L1 신뢰 | AFB 공개 벤치·결함 감사·공동논문 | 리더보드, 사이트, 프론티어 랩 연구자와의 공동연구 논의(10/29), 국내 대학 연구자, PLCWorld V2(데이터 원천 파트너) | 랩·학계 연구자가 공저·인용·사용 |
| L2 접근 | 대기업=평가 고객, 중소=공급원 | 국내 대기업 SI(국가핵심기술 온프렘), 발전·정유 대기업, 중소 조선업체, 장비 제조사(전 OpenAI 관계자 경유), 제조 네트워크 파트너 | 문서 권한자와 미팅, 서면 스펙 |
| L3 과제화 | 사람이 구조화 → 코드 → 골든셋 | 안전(인터록 위반), 시뮬레이터, R4 합성, CAD 도면 | 과제당 원가·결함률이 팔 수 있는 수준 |
| L4 판매 | 벤더 경유(중간) → 랩 직판(최종) | 랩 한국 지사 제안, 벤더 견적, 국내 데이터 계약 논의 | 단가가 적힌 서면 스펙·PO |
| L0 연료 | Team Attention: 사람·관계·현금 | 기업 해커톤·AI 코딩 교육, 기관 교육 계약, 크레딧 | 계약 서명·입금 |
규칙: 어느 고리에도 안 붙는 작업은 동결하거나 보류 목록으로 보낸다.
결정 못 한 것 → 실험으로 정보를 얻는다
| # | 모르는 것 | 가장 싼 실험 | 신호 | 기한 | 판정 규칙 |
|---|---|---|---|---|---|
| E1 | 랩이 정말 이 데이터를 사나, 얼마에, 어떤 형태로 (L4) | ① 10/29 프론티어 랩 연구자 미팅에서 "누가 사나·무슨 형태"를 묻는다 ② 벤더 2곳(Mercor·Surge·micro1 중)에 샘플 과제 5개로 견적 문의 | 단가·스펙이 적힌 답 | 11/14 | 서면 스펙 1건↑ → 직판 트랙 유지 / 0건 → 벤더 경유만, 직판은 1/5 재검토 |
| E2 | 시뮬레이터가 순위·안전 판정을 바꾸나 (L1·L3) | Hard 30 중 10과제 × 3모델 × 3회만 plcsim 켜고 재실행(810회 대신 90회) | 순위 상관, 위반율 차 | 11/5 | 순위 상관 < 0.8 또는 위반율 차 > 5%p → 시뮬레이터 기반으로 전환 / 아니면 현행 유지, 결함만 수정 |
| E3 | 사람 검토가 결함을 얼마나 잡나 = "완전 자동" vs "사람이 구조화" (L3) | PLC 엔지니어 1명 4시간, 과제 10개 표본 검토(데이터 원천 파트너 측 또는 SI) | 사람이 찾은 결함 수 | 11/5 | 10개 중 2개↑ → 사람 검토를 상품·논문 핵심에 넣는다 / 0~1개 → 자동 주장 유지, 검토는 부록 |
| E4 | 대기업이 "변경 전 검증 게이트"에 돈을 내나 (L2) | 대기업 미팅 2곳에서 같은 질문 3개: 예산 항목·결재자·문서 권한자 | 세 질문에 이름이 나온 미팅 수 | 11/6 | 2곳↑ → PoC 제안서 / 0곳 → 대기업은 채널·신뢰용, 매출은 L4에 집중 |
| E5 | 중소 제조사가 데이터·자문을 내주나, 어떤 조건에 (L2→L3) | 중소 조선업체·데이터 원천 파트너에 같은 조건표(자문료·권리·원본 반출 없음) 제시 | 수락·거절 이유 | 11/14 | 1곳↑ 서면 동의 → 첫 공급 계약 / 0곳 → 조건(수익배분·익명화) 바꿔 2차 |
| E6 | 기업 해커톤이 L2 접근을 만들어 주나 (L0→L2) | 프론티어 랩 한국 지사에 제조 고객 1곳 파일럿 제안 | 고객사 이름이 나오나 | 11/20 | 나오면 해커톤=접근 채널로 공식화 / 안 나오면 Team Attention은 현금 축으로만 |
| E7 | 컴퓨팅을 어디서, 누구 돈으로 (운영) | 이번 주 모든 실행에 장소·비용 태그를 달고 2주 집계 + 세무 전문가에게 "법인 설립 전 비용 귀속" 한 질문 | 월 비용, GPU 시간 | 11/8 | 월 45만 원·GPU 주 20시간 넘으면 재검토, 아니면 클라우드(GCP) 기본 유지(10/25 결정) |
| E8 | 새 법인 이름이 법적으로 안전한가 | 변호사 30분(상표·동명 회사) + 도메인 확인 | 충돌 여부 | 11/7 | 충돌 없으면 확정 / 있으면 후보 2개로 같은 검사 |
실험이 아니라 지금 정하는 것 (정보가 아니라 약속의 문제)
- 11/6까지 AFB는 E1~E4에 필요한 것만 돌린다. 사이트 속도·max 실험·모델 확장·eval 생성기는 동결한다.
- 대기업 고객 데이터는 학습·판매에 쓰지 않는다(이미 결정).
- 외부 발송은 직전까지만 준비하고 구봉이 누른다(이미 결정).
v2 (2026-10-26): 손메모 반영
메모 판독 (불확실한 곳은 ?)
- 발전소(동그라미) / 정유 · physical eval
- 〈own your intelligence〉
- RSI → model → 회사 운영: 데이터센터 / "AI가 직접 회사를 운영할 수 있다 — 전기·CPU·GPU만 있다면"
- SW → 공장을 운영하려면? → 데이터 수집기 필요 → 현실
- 안전 → feedback loop = 개선의 핵심
- 「DX 안 된 게 문제.」 → "이게 SI처럼 ?? 시장이다!" (판독 불확실)
- 「내가 온전히 own 해야 돼.」 〈중소기업 구매〉
- 지금 내 생각을 한 선으로 모아야 돼 / 결정하지 못한 건 실험 후 획득
- 연구자 ― 데이터 홀더
풀어 낸 한 선 (v2)
AI는 전기·컴퓨트만 있으면 소프트웨어 회사는 이미 운영할 수 있다. 공장은 다르다: 현실을 읽는 데이터 수집기와, 안전을 지키며 도는 피드백 루프가 있어야 개선된다. 한국 중소 제조는 DX가 안 돼 그 루프가 없다. 그래서 SI처럼 큰 빈 시장이다. 남이 가진 데이터를 사고팔아서는 루프를 갖지 못한다. 그래서 공장 자체를 온전히 소유한다(중소기업 인수). 그 전 단계로, 연구자와 데이터 홀더를 잇고(벤치·데이터 사업), 안전을 재는 physical eval(AFB)로 신뢰와 현금을 만든다.
| 단계 | 하는 일 | 지금 선(v1)과의 관계 |
|---|---|---|
| 1. 잇는다 | 연구자(랩·대학) ↔ 데이터 홀더(중소 제조) | v1의 L1~L4 전부 = 이 단계 |
| 2. 잰다 | physical eval: 안전 위반·피드백 루프 품질 측정(AFB) | v1 L1·L3 |
| 3. 심는다 | 데이터 수집기 + 안전 피드백 루프를 한 현장에 설치 | 새로 생김 |
| 4. 소유한다 | 중소 제조사 인수 → AI가 운영하는 공장 | 새로 생김(own your intelligence) |
이 메모가 만든 긴장
- 회사 미션 문서는 "지금은 자율 회사·회사 디지털 트윈을 만들지 않는다"고 적혀 있다. 메모의 4단계(AI가 운영하는 공장 소유)는 이를 정면으로 바꾼다 → 미션 개정이냐, 별도 주체냐 결정 필요.
- "대기업 데이터는 안 판다"와 "온전히 own"은 맞물린다(소유한 공장의 데이터는 권리 문제가 없다).
- 4단계는 자본이 필요하다 → 투자 유치 서사와 직접 연결된다.
새 실험
| # | 모르는 것 | 가장 싼 실험 | 판정 (기한) |
|---|---|---|---|
| E9 | 중소 제조사 인수가 현실적인가(가격·매물·자금) | ① AI 롤업 선례 조사(미국 AI-enabled roll-up, 제조 인수 사례) ② 가업승계 매물 10곳 목록 + 대표 2명과 커피(소개자·제조 네트워크 파트너 경유) | 인수 가능 가격대(매출·EBITDA 배수)와 매도 의향 1곳 (11/30) |
| E10 | 데이터 수집기+안전 루프를 한 현장에 심을 수 있나 | 한 라인에 2주 로깅 설치 제안(설비 로그·알람·작업지시만, 원본 반출 없음) | 설치 동의 1곳, 2주 데이터로 과제 5개 (12/15) |
| E11 | "DX 안 됨"이 실제로 어느 정도인가 | E5·E9에서 만나는 업체에 디지털화 체크리스트 10문항 | 3곳 점수 → 시장 크기 가설 (11/30) |
v3 후보 (2026-10-26): Applied Compute 렌즈로 합친 그림 (가설, 실험 전)
출처: Applied Compute 정리, RLDR 강연 요약 4편.
Applied Compute의 핵심: 기업은 모델이 아니라 학습 루프를 소유한다. 루프 = weights + context + harness + evals + production feedback. FDE가 전문가 판단을 task·grader로 번역한다. "회사 수만큼 모델이 있어야 한다"(Satya Nadella).
빈칸: AC의 하네스는 소프트웨어라 리셋·반복이 공짜다. 공장은 현실에서 반복 시도를 못 한다. → 공장에는 "공장별 시험장"이 하네스 역할을 해야 한다.
합친 그림: 공장별 모델 공장 (Factory-specific intelligence)
- 받는다: 도면·사진·설명·계측 → AI가 그 공장의 시험장을 만든다 (E12)
- 고른다: 시험장에서 로봇·LLM 후보를 안전·비용으로 비교 → 배포 전 선택 (첫 상품, 싸고 빠름)
- 키운다: 그 시험장을 RL 하네스로 써서 공장 전용 운영 모델을 오픈 모델로 post-train → 온프렘 배포 (국가핵심기술 공정, 안전 보상으로 위반을 줄임) (E13)
- 돌린다: 실제 운전 기록(PLC·MES 로그)으로 시험장을 보정하고 다음 학습에 넣는다 = 안전 피드백 루프
- 소유한다: 루프를 가장 온전히 갖는 길은 공장 소유 (E9~E11)
고객 데이터는 그 고객의 모델에만 쓴다(대기업 데이터 비판매와 정합). 공장을 넘어 쌓이는 것은 시험장 생성기와 안전 채점기다.
긴장
- 북극성 "랩에 직판"과의 관계: v3에서 랩 판매는 부수 매출(합성·일반 환경)이 되고 중심은 공장별 모델이 된다. 북극성 교체 여부는 E12·E13 결과로 정한다.
- AC도 서비스 비중(FDE)이 커서 마진 부담이 있다. 공장은 더 무겁다.
새 실험
| # | 모르는 것 | 가장 싼 실험 | 판정 (기한) |
|---|---|---|---|
| E13 | 오픈 모델을 시험장+안전 보상으로 키우면 위반이 프론티어 수준으로 내려가나 | AFB 과제를 학습·홀드아웃으로 나누고, 프론티어 모델의 '안전 성공' trace로 오픈 모델(DeepSeek/Qwen 계열)을 SFT(증류) → 홀드아웃 위반율 측정. RL은 그다음 | 위반율 20% → 5% 이하, 성공률 유지 (12/15) |
구봉 thesis (2026-10-26, 구봉 발화 정리)
루프
- 기업 워크플로우의 eval 데이터를 만든다 → 그대로 RL 학습 데이터가 된다.
- 그 기업 워크플로우에만 강한 "편향된" 모델을 만들어, 회사·공장 같은 큰 단위를 돌린다.
- 운영에서 데이터가 생기면 다시 eval을 만든다. (반복)
현장의 특수함: 소프트웨어와 달리 쌓이지 않은 값이 많다. 하드웨어 신호, 공장 전체 CCTV, LLM과 연결 안 된 도면. 이걸 수집하는 것이 unfair advantage.
eval은 반복 상품: ① 상황이 변하니 계속 추가 ② 여러 워크플로우를 합쳐 더 큰 작업을 만들고, AI에게 더 큰 권한을 줘 전체를 더 효율적·도전적으로 운영하게 한다. 회사마다 만드는 노하우를 쌓아 자동화한다.
믿음(bullish): 독점 데이터가 이긴다. 이것이 유일한 해자다.
검토 메모 (Claude, 가설 표시)
- 해자의 단위는 쌓인 데이터(stock)가 아니라 계속 새 데이터를 만드는 파이프(flow)일 가능성: 설치한 수집 장치, 접근 권한, eval 자동 생성 노하우. 데이터는 공장이 바뀌면 낡는다(구봉 ①과 같은 말).
- 권리 문제: 고객 공장의 데이터는 고객 것이다. 고객 루프에서 남는 해자는 데이터가 아니라 노하우·생성기다. 데이터 자체가 해자가 되는 곳은 직접 소유한 공장뿐 → "own" 메모(4단계)와 직결.
- 반례 점검 필요: "데이터 해자는 생각보다 약하다"는 주장(규모 수확 체감, 유지 비용, 경쟁자가 합성·시뮬레이션으로 대체). 시뮬레이터·합성 데이터가 좋아질수록 독점 실측 데이터의 값은 어떻게 변하나?
- 시험 E15: 같은 과제군에서 (a) 실제 현장 기록 기반 eval로 키운 모델 vs (b) 공개·합성만으로 키운 모델을 홀드아웃 실측 과제로 비교 → 독점 데이터의 한계 효용을 숫자로. (E10 현장 수집 2주 데이터가 생긴 뒤, 2027-01)