영상 정리 · AgentOS
고졸로 OpenAI 연구원이 된 사람이 인터뷰에서 밝힌, AI를 선생으로 쓰는 공부법
이 정리는 한국어 해설자가 직접 한 말을 근거로 하지 않았습니다. 유튜브가 한국어 음성에 영어 받아쓰기를 돌리는 바람에, 해설 부분이 자막에서 통째로 빠졌기 때문입니다. 자막 290조각을 시각대별로 재 보면 이렇습니다.
· 0:00~2:05 — 해설자가 한국어로 말하는 구간. 조각 53개(18%)가 "트위터·오픈아이·구글" 같은 외래어 한두 개뿐입니다. 못 씁니다.
· 2:06~10:14 — 인용된 영어 인터뷰 클립 구간. 조각 237개(81%)가 멀쩡한 영어 문장입니다.
대신 그 영상이 인용한 원본 인터뷰의 영어 자막 전체를 근거로 썼습니다. 자막 조각 2,392개, 30초 묶음 137개, 86,411자. 해설 영상의 뼈대(장 구성·챕터 시각·핵심 메시지)는 그 영상의 설명글에서 가져왔습니다.
그래서 이 글에는 두 종류의 문장이 섞여 있습니다. 인터뷰 자막에서 나온 것은 시각(예: [10:32])을 붙였습니다. 시각이 없는데 내용이 있는 대목은 해설 영상 설명글에서 온 것이고, 그때마다 표시했습니다. 자세한 것은 맨 아래 부록 B에 있습니다.
본문에 들어가기 전에 세 낱말만 풀고 갑니다. 이걸 모르면 뒤에서 막힙니다.
이 장은 해설 영상이 자체적으로 붙인 틀입니다. 원본 인터뷰 75분 어디에도 카파시나 그의 트윗은 나오지 않습니다. 트윗 원문도 확인하지 못했습니다.
2020년 11월, 안드레 카파시가 트위터에 세 줄을 남겼습니다. 전문가가 되는 법에 대한 것이었습니다.
세 줄은 이랬습니다.
5년이 지난 지금 이 세 줄이 다시 회자되는 이유를, 해설 영상은 두 가지로 봅니다. 하나는 시대가 조언을 따라잡았다는 것이고, 다른 하나는 그 세 줄을 그대로 실행한 사람이 실제로 나타났다는 것입니다.
2020년에 이 조언은 사실상 이상론이었습니다. 프로젝트를 잡고 필요한 것만 그때그때 배우려면, 내가 지금 무엇을 모르는지 짚어 주는 사람이 옆에 붙어 있어야 합니다. 1:1 과외 선생이 필요하다는 뜻입니다. 대부분에게 그런 사람은 없었습니다.
지금은 다릅니다. 그리고 이 진단은 해설 영상이 지어낸 것이 아닙니다. 인터뷰이 본인이 똑같은 말을 합니다. 5장에서 그의 입으로 듣게 됩니다.
2019년 어느 날 저녁, 스웨덴 바지드라는 시골 마을. 열여덟 살 청년에게 사촌이 전화를 겁니다.
"방금 어떤 사람이랑 얘기했는데, 진짜 똑똑해. AI로 부품 추천 시스템 만드는 아이디어가 있대. 오늘부터 팔기 시작할 거야. 최대한 빨리 스톡홀름으로 와."
"야, 나 오늘 밤에 큰 파티 있어. 내일 갈게."
"안 돼."
가브리엘 피터슨 [02:18]
그는 다음 버스를 탔고, 다시는 학교로 돌아가지 않았습니다.
결정을 내린 게 아니라 그냥 그렇게 됐다고 그는 말합니다. 그 전까지 그는 자기가 AI를 하기엔 너무 멍청하다고 생각했습니다.
"항상 내가 너무 멍청하다고 생각했어요. AI를 좀 들여다보긴 했는데, 프로그래밍도 제대로 몰랐고, 세상에 나보다 훨씬 똑똑한 사람들이 널렸는데 내가 어떻게 경쟁하나 싶었죠."
가브리엘 피터슨 [01:43]
회사는 전자상거래 매장용 상품 추천 시스템을 만들었습니다. 아무도 창업을 해 본 적이 없었습니다. 콜드 메일은 안 먹혔고, 전화는 가끔 통했습니다. 결국 그는 큰 종이를 들고 회사 문을 직접 두드리러 다녔습니다. [02:50]
그리고 지금, 그는 O-1 비자(특기자 비자)로 샌프란시스코에 있고, OpenAI의 소라(Sora) 팀에서 영상 생성 모델을 만드는 연구 과학자입니다. 이 자리는 보통 박사 학위가 있어야 갑니다.
진행자가 물었습니다. "학교를 안 가면 그런 걸 어떻게 배웁니까?"
"그냥 일을 하면 좋은 점이 있어요. 항상 진짜 문제가 있다는 것. 그러면 모든 게 아주 단순해집니다. 상품 추천 시스템을 이 쇼핑몰에 붙이고 싶다 → 그러려면 웹페이지에서 요소를 골라내는 법을 알아야 하고 → 그걸 제대로 끼워 넣는 법을 알아야 하고… 이렇게 하나씩 짚어 나가면 됩니다."
가브리엘 피터슨 [07:16]
그리고 한마디 덧붙입니다. "압박 없이는 아무것도 못 배웁니다. 시간 무한히 줄 테니 이거 배워라, 돈은 안 나온다 — 그러면 절대 안 됩니다." [07:48]
이게 다음 장에서 그가 말할 방법의 씨앗입니다. 문제가 먼저고, 지식은 그 문제가 불러온다는 것.
여기서부터가 이 영상의 본론입니다. 그는 사람이 가장 빨리 배우는 방식을 이렇게 정리합니다.
"사람이 제일 빨리 배우는 건 이른바 탑다운(위에서 아래로) 방식이라고 생각합니다. 문제 하나에서 시작해서, 그 문제를 풀기 시작하는 데 필요한 걸 전부 읽고, 그러다 더 많은 문제를 발견하고, 그것들에 대해 읽고, 그렇게 문제의 핵심까지 내려가는 겁니다."
가브리엘 피터슨 [09:59]
학교는 바텀업입니다. 그는 그 순서를 이렇게 묘사합니다.
"머신러닝을 하고 싶다? 처음 4년쯤은 머신러닝을 할 생각은 접으세요. 수학부터입니다. 그다음 행렬 분류, 선형대수, 이런 것들이 쌓이고, 그다음에야 아주 자동화된 단순한 ML — 선형 회귀 같은 것들 — 이 나옵니다. 실무급 ML까지 가려면 아주 오래 걸립니다."
가브리엘 피터슨 [10:32]
이 질문이 이 장의 핵심입니다. 학교가 멍청해서가 아닙니다. 탑다운이 확장이 안 되기 때문입니다.
"탑다운 방식은 규모를 키우기가 극도로 어렵습니다. 선생이 항상 옆에 있어야 하니까요. 지금 이 순간 내가 정확히 어떤 조각을 배워야 하는지 알아야 하니까요. 바텀업은 다릅니다. 먼저 이걸 배우고, 그다음 이걸 배우고 — 훨씬 쉽게 굴러갑니다. 대단히 비효율적이지만요."
가브리엘 피터슨 [11:04]
정리하면 이렇습니다. 바텀업은 좋은 방법이라서 이긴 게 아니라, 한 명의 선생이 서른 명을 가르칠 수 있는 유일한 방법이라서 이겼습니다. 탑다운은 1:1 과외였고, 1:1 과외는 비쌌습니다.
그리고 이제 그 제약이 사라졌습니다. 지치지 않고, 아무 때나 부를 수 있고, 한 달에 2만 원인 1:1 과외 선생이 모두에게 생겼기 때문입니다. [24:24]
그래서 그는 이렇게 말합니다. "대학은 이제 기초 지식에 대한 독점권이 없습니다." [11:37]
말로만 하면 공허하니, 그가 든 예를 그대로 따라가 보겠습니다. 머신러닝을 배우고 싶다고 칩시다.
"어떤 프로젝트를 해야 하냐고 묻습니다. 프로젝트를 나 대신 짜 달라고 합니다. 버그가 생깁니다. 버그를 고치기 시작합니다. 뭔가 돌아갑니다. 거기서부터 특정 부분을 파고듭니다. '여기서 무슨 일이 일어나는 거죠? 이 모듈이 왜 모델을 학습시키는지 직관이 잡히게 설명해 주세요.' 설명을 해 줍니다. 그러면서 '행렬 곱셈과 선형대수를 씁니다'라고 합니다. 좋습니다, 그건 또 어떻게 작동하죠? 이것의 수학적 직관은 뭐죠? 그래프를 몇 개 그려서 이 부분의 직관이 잡히게 해 주세요. — 그러면 어느 순간 기초 지식이 전부 손에 들어와 있습니다. 밑에서부터 올라갈 필요가 없어진 겁니다."
가브리엘 피터슨 [12:11]
순서를 보세요. 프로젝트 → 버그 → 모듈 → 행렬 곱셈 → 선형대수 → 수학적 직관. 학교라면 정확히 거꾸로 갔을 순서입니다. 선형대수를 먼저 배우고 4년 뒤에 모듈을 만납니다.
이 방식을 말하면 늘 같은 반박이 돌아옵니다. 그는 그것도 짚습니다.
"사람들은 탑다운 문제 해결이 어떻게 굴러가는지 아직 체득하지 못했습니다. 늘 이렇게 말하죠. '그렇게 하면 문제를 진짜로 이해하는 일은 절대 없을 거다.' 사실이 아닙니다. 문제에서 시작해서 재귀적으로 내려가면 됩니다."
가브리엘 피터슨 [11:37]
다만 여기엔 조건이 하나 붙습니다. "내려간다"가 진짜여야 합니다. 답만 받아 챙기고 내려가지 않으면 이 방법은 그냥 답 베끼기가 됩니다. 그래서 다음 장이 필요합니다.
먼저 마음가짐 하나를 바꿔야 한다고 그는 말합니다. 이게 전부의 출발점입니다.
"AI를 나 대신 일을 시키는 것으로 보는 오해를, 나를 배우게 돕는 것으로 바꾸세요. 일을 끝내려고만 쓰지 말고, 실제로 거기서 배우세요. 이 마음가짐만 바꿔도 대부분은 도착한 겁니다."
가브리엘 피터슨 [18:51]
AI는 기본값으로 모두에게 무난한 답을 내놓습니다. 모두에게 무난한 답은 나에게 최적인 답이 아닙니다. 그래서 그는 응답 방식을 직접 지정합니다.
"저는 아주 자주 이렇게 말합니다. 극도로 직설적이고 구체적으로 답하라. 네가 만든 코드의 중간 상태와 모양(shape)을 항상 전부 보여 달라. 왜 그런 일이 일어나는지 직관적으로 이해되게 하라. 그리고 확신이 없으면 선택지들을 보여 주고, 남들은 무엇을 시도했는지, 왜 이건 되고 저건 안 됐는지 보여 달라."
가브리엘 피터슨 [19:24]
이 네 개가 하는 일은 하나입니다. 결과만 나오는 답을 막고, 과정을 강제로 꺼내는 것입니다. 중간 상태가 보이면 어디서 내가 이해를 놓쳤는지 내가 짚을 수 있습니다.
이해했다 싶으면 거꾸로 내가 AI에게 설명합니다. 그러면 AI가 틀린 데를 잡아 주거나, 내가 못 본 구석을 짚어 줍니다. 이걸 반복합니다. [17:44]
1장의 카파시 세 줄 중 두 번째 — "배운 것은 자기 말로 정리해서 가르쳐라" — 가 여기서 정확히 회수됩니다.
진행자가 이 전체를 한 마디로 요약하자, 그가 동의하며 두 가지 능력을 짚습니다.
"한 단어로 요약하면 재귀적 빈칸 메우기(recursive gap filling)입니다. 여기서 필요한 기술은 내 지식에 어떤 구멍이 있는지 아는 것입니다. […] 내가 이 부분을 진짜로는 이해 못 했다는 걸 알아채는 건 사실 꽤 어렵습니다. 훈련해야 하는 능력이에요. '잠깐, 내가 이걸 정말 이해한 건가?' 그게 첫 번째 신호입니다. 두 번째 신호는 맞물리는 순간을 알아채는 감각입니다. '아, 지금 딱 맞물렸다.'"
가브리엘 피터슨 [18:19]
그래서 목표가 정해집니다. '아하' 하는 순간을 최대한 자주 만드는 것. 그는 이걸 자기 효용 함수라고 부릅니다. 선형대수를 처음 이해했을 때, 역전파를 처음 이해했을 때의 그 느낌 — 그 딸깍거림을 쫓아다니는 것이 공부라는 뜻입니다. [19:58]
마지막으로 그가 강조하는 것은 기술이 아니라 습관입니다. 머리에 질문이 떠오르는 즉시 AI에 넣는 것.
본인도 이걸 익히는 데 1년이 걸렸다고 합니다. 사촌이 매달 "너 코딩 맨날 하면서 왜 아직도 안 써?"라고 밀어붙였는데도, "아 이 문제 있네 → 물어봐야지"가 자동으로 연결되기까지 1년이 걸렸습니다. [21:09]
"사람들이랑 얘기하다 보면 다들 질문이 잔뜩 있어요. 같이 일하다 보면 질문이 계속 나와요. 그러면 저는 그럽니다. 그거 물어보세요. 어떤 질문이든, 뭔가 추측해야 하는 상황이면 그냥 계속 물어보세요. 항상 거기 있잖아요. 힘도 거의 안 들고요."
가브리엘 피터슨 [21:41]
여기까지 들으면 이런 사람이 그려집니다. AI에 다 던지고 결과만 받아 쓰는 사람. 정반대입니다.
먼저 그가 논문을 어떻게 다루는지 보겠습니다. 대충 다루는 것처럼 보입니다.
진행자가 놀라자, 그가 바로 자릅니다.
"물론 저는 코드를 반드시 처음부터 끝까지 읽습니다. 이게 극도로 중요하다고 생각합니다. 코드를 그냥 던져 넣으면 안 됩니다. 아뇨, 저는 바이브 코더가 아닙니다. 코드에 관해서라면 저는 고집이 아주 셉니다."
가브리엘 피터슨 [27:10]
그리고 그가 자기 입장을 한 문장으로 정리하는데, 이게 이 영상 전체에서 가장 중요한 문장입니다.
"사람들이 보이는 첫 반응은 이겁니다. '아 너는 그냥 지름길 타고 싶은 거지, 제대로 이해할 생각은 없고, AI가 뱉은 쓰레기를 쏟아 내면 된다고 생각하는 거지.' 지름길을 타고 싶은 건 맞습니다. 확실히 맞아요. 다만 저는 기초 전부를 이해하기 위한 지름길을 타고 싶은 겁니다."
가브리엘 피터슨 [27:43]
차이를 보세요. 두 가지가 갈립니다.
| 줄이는 것 | 줄이지 않는 것 |
|---|---|
| 도달하는 데 걸리는 시간 선형대수를 4년 먼저 배우는 순서, 논문 통독, 코드 타이핑 |
이해의 깊이 내 코드의 모든 줄, 왜 이게 되는지, 안 되면 어디서 막히는지 |
그가 스스로를 놓는 자리도 명확합니다.
"보통 두 진영으로 갈립니다. 한쪽은 'AI가 다 해 주면 되지, 나는 일하기 싫어'. 다른 쪽은 '대학에 가야 한다, 기초 지식은 대학이 독점하고 있고 교수에게 배워야 한다'. 저는 아마 그 중간 어디쯤일 겁니다. 두 가지 다 필요하고, AI는 훌륭합니다. 모든 일에 써야 하고, 모든 걸 이해하는 데 써야 합니다."
가브리엘 피터슨 [28:16]
해설 영상은 이 대목을 한 줄로 옮깁니다. 작업은 시켜도, 이해는 맡기지 마라. (해설 영상 8:17, 설명글 기준)
제목의 그 문장이 나오는 대목입니다. 먼저 그가 왜 이 확신을 갖게 됐는지부터 봅니다.
"ML을 정말 잘하고 싶었고, 그래서 앞서 설명한 그 방식으로 갔습니다. 문제에서 시작하고, 어떤 문제를 풀어야 할지 물어보면 시작하기 좋은 문제를 줍니다. AI와 함께 코딩하고, 코드가 어떻게 도는지 이해하려 하고, 이해가 되면 모듈 하나하나로 깊이 들어가고, 재귀적으로 끝까지 내려갑니다. 그때 아주 강한 느낌이 왔어요. '와, 이걸 수학부터 시작해서 배웠어야 했다면 정말 힘들고 엄청 오래 걸렸겠구나.'"
가브리엘 피터슨 [48:06]
그리고 진행자가 이 대화를 한 줄로 압축합니다.
진행자: "디퓨전 모델을 배우는 데 탑다운이면 3일. 바텀업이면 6년. 이게 딱 맞는 비유네요."
[52:31]
가브리엘: "정확합니다."
6년의 내역은 이렇습니다. 미적분 1, 미적분 2, 선형대수, 그다음 머신러닝 개론… 그렇게 가야 겨우 디퓨전 모델을 만납니다. 대학을 마친 뒤에 시작한다면 마주치기까지만 최소 6년입니다. [53:02]
여기서 그가 던지는 질문이 이 장에서 제일 중요합니다.
"그런데 진짜 문제는 이겁니다. 6년 전에 내가 디퓨전 모델을 좋아할지 어떻게 압니까? 'AI 멋있어 보이네, 이 과목 들어야지' 하는 사람들을 정말 많이 아는데, 그들은 3년째가 되어서야 AI가 뭔지 알게 됩니다. 말이 안 되죠. 남은 인생을 걸 일을 골라 놓고, 그게 뭔지 아는 데 3년이 걸린다는 게."
가브리엘 피터슨 [53:02]
탑다운의 진짜 이득은 속도가 아니라는 뜻입니다. 맞는 길인지 아닌지를 빨리 알 수 있다는 것입니다. 3일이면 확인이 되니, 아니면 다른 걸 3일 해 보면 됩니다.
그는 이 주장을 쓸 때마다 사람들이 감정적으로 반응한다는 걸 알고 있습니다. 그리고 이유도 압니다.
"학계에는 아주 위험한 주장들이 있습니다. 그중 하나가 기초 지식은 오직 밑에서부터 쌓는 고전적 방식으로만 배울 수 있다는 겁니다. 사람들은 이걸 지키려고 전쟁도 불사할 기세예요. […] 왜 저렇게까지 화를 낼까 싶은데, 오래 걸려서 뭔가를 해낸 사람에게 '더 효율적인 방법이 있다'고 하면 자존심이 상하는 거죠."
가브리엘 피터슨 [49:49]
그리고 그가 굳이 이런 글을 쓰는 이유를 밝힙니다. 기분 상하게 하는 게 목적의 일부라는 것입니다.
"이런 걸 쓰면 사람들 기분이 상합니다. 솔직히 그게 좀 의도이기도 해요. 이 사람들이 다른 사람들의 진입을 막고 있기 때문입니다. 열일곱 살이 ML을 배우고 싶어서 먼저 해 본 사람들에게 물어보면, 다들 이럽니다. '시간 엄청 써야 해, 이 수업들 다 들어야 하고, 이 대학의 이 교수한테 배워야 하고, 어쩌고저쩌고.' 사실이 아닙니다."
가브리엘 피터슨 [50:21]
오해를 막기 위해 그가 직접 선을 긋습니다. 이 부분이 빠지면 이 영상은 그냥 대학 무용론이 됩니다.
"박사를 한 교수들은 놀라운 일을 해냈습니다. 세상에 아주 멋진 것들을 만들었고, 정말 중요한 연구를 했습니다. 제가 이 사람들을 깎아내리는 것처럼 들릴 수 있는데 전혀 그렇지 않습니다. 제가 깎아내리는 건 낡은 사고방식에 딸려 오는 개념들뿐입니다."
가브리엘 피터슨 [52:31]
그리고 대학에 가고 싶은 사람에게 그가 하는 제안이 실용적입니다. 먼저 끝을 3일 맛보고, 그다음에 대학을 가라는 것입니다.
"대학에 가고 싶어도 — 대학은 굉장히 좋은 경험 같아 보이고 아주 재미있어 보이니까요 — 그래도 가기 전에 이것들을 먼저 배워 볼 수 있습니다. 곧장 끝으로 가서 그게 어떤 건지 보는 겁니다. '오, 이거 진짜 재밌겠는데, 이걸 배울 준비가 됐어' 하고 알게 되면, 그건 아주 잘 내린 결정입니다."
가브리엘 피터슨 [53:36]
해설 영상의 엔딩(10:15 이후)은 "두 주인공은 지금"이라는 제목만 확인됩니다. 나레이션을 확보하지 못해 내용은 옮기지 못했습니다.
대신 인터뷰의 마지막 대목이 이 영상의 결론과 겹칩니다.
"얼마나 단순한지가 미친 겁니다. 결국 회사는 멋진 걸 할 수 있는 사람을 원합니다. 당신이 멋진 걸 할 수 있다는 걸 보여 주세요. 직장 구하는 것에 대해 들어 온 조언은 전부 지우고, 그 아주 단순한 사실에서 시작하세요. 그게 전부입니다."
가브리엘 피터슨 [54:41]
인터뷰에 없는 제 판단이라 따로 떼어 둡니다. 이 방법에는 자막에서 다뤄지지 않은 약점이 하나 있습니다. 탑다운으로 배우면 "내가 제대로 이해했는지"를 판정해 줄 사람이 없습니다. 학교의 진짜 기능 중 하나는 지식 전달이 아니라 시험, 즉 착각을 걸러내는 장치입니다.
가브리엘이 이 구멍을 어떻게 메우는지는 사실 본문에 다 나와 있습니다. 코드를 다 읽고, 되설명해서 확인받고, 실제로 돌려서 결과를 봅니다. 영상 모델은 결과가 화면에 그대로 나오니까요. 즉 그에게는 객관적으로 틀렸다고 말해 주는 대상이 늘 있습니다. 이 방법을 따라 할 때 제일 먼저 확인해야 할 것도 그것이라고 생각합니다. 내가 틀렸을 때, 무엇이 나에게 그걸 알려 주는가.
| 낱말 | 뜻 | 나온 곳 |
|---|---|---|
| 디퓨전 모델 | 잡음에서 시작해 잡음을 걷어내며 그림·영상을 만드는 AI 방식 | 0장, 6장 |
| 기초 지식 | 미적분·선형대수 같은 밑바닥 원리. 대학이 독점해 왔다고 여겨진 것 | 0장, 3장, 6장 |
| 바이브 코딩 | AI가 준 코드를 읽지 않고 돌아가기만 하면 쓰는 방식 | 0장, 5장 |
| 탑다운 학습 | 실제 문제에서 시작해 필요한 지식으로 파고 내려가는 방식 | 3장 |
| 바텀업 학습 | 기초부터 순서대로 쌓아 응용에 도달하는 방식. 학교의 방식 | 3장 |
| 재귀적 빈칸 메우기 | 모르는 지점을 찾아 파고들기를 반복하는 것. 이 공부법의 한 마디 요약 | 4장 |
| 파인만 기법 | 남에게 가르쳐 보면 내가 모르는 데가 드러난다는 공부법 | 4장 |
| 아하 순간 | 이해가 딸깍 맞물리는 순간. 이 빈도를 높이는 것이 목표 | 4장 |
| 소라 (Sora) | OpenAI의 영상 생성 모델. 가브리엘이 일하는 팀 | 2장 |
| O-1 비자 | 특기자에게 주는 미국 비자 | 2장 |
한국어 해설자가 직접 한 말은 이 정리에 들어 있지 않습니다. 유튜브 자동자막이 한국어 음성에 영어 받아쓰기를 돌렸기 때문입니다. 그래서 해설 구간(0:00~2:05과 클립 사이사이)은 "트위터·오픈아이·테슬라·구글·채팅" 같은 외래어 조각 53개만 남고 나머지는 아예 잡히지 않았습니다. 한국어 자막은 그 영어 자막을 기계번역한 것이라 똑같이 망가져 있습니다. (증거 파일: 원본자막/해설영상-자동자막-깨짐.srv1)
반대로 인용 클립 구간(2:06~10:14)은 자막이 멀쩡합니다. 그 부분은 영어 음성이라 영어 받아쓰기가 제대로 걸렸고, 조각 237개가 온전한 문장입니다. 다만 이 정리는 그 조각들 대신 원본 인터뷰 자막 전체를 근거로 썼습니다. 같은 대사를 포함하면서 잘려 나간 앞뒤 맥락까지 들어 있는 더 큰 자료이기 때문입니다.
그래서 해설 영상이 인용한 원본 인터뷰의 영어 자막(자막 조각 2,392개, 86,411자, 총 74분 52초)을 근거로 썼습니다. 해설 영상의 장 구성과 챕터 시각, 핵심 메시지 요약은 그 영상의 설명글에서 가져왔습니다. 해설자가 클립과 클립 사이에서 무슨 말을 덧붙였는지는 모릅니다.
받아쓰기 도구(Whisper 계열)를 설치하면 한국어 나레이션까지 복원할 수 있습니다. 설치가 필요한 일이라 진행하지 않았습니다.
자동자막은 처음 듣는 이름을 소리 나는 대로 적습니다. 아래는 이 인터뷰 자막에서 실제로 깨진 것들입니다.
| 자막에 찍힌 것 | 아마도 | 비고 |
|---|---|---|
| Chad, chat GBT, chatbt, shipb, ship, Shachi, Shach, sashi, shivbt | ChatGPT | 같은 낱말이 인터뷰 내내 아홉 가지 이상으로 깨졌습니다 |
| "universities that don't teach LGBT as a part of their curriculum" | LLM (대형 언어 모델) | 가장 위험한 오류. 문맥은 "대학이 LLM을 커리큘럼에서 안 가르친다"인데, 자막은 전혀 다른 사회적 주제로 바꿔 놓았습니다. 영상 맨 앞 훅으로도 쓰인 문장이라 오해가 크게 번질 수 있습니다 |
| restn net, resonant blocks | ResNet, residual block | 신경망 구조 이름 |
| Andrew and G | Andrew Ng (앤드루 응) | 고전 머신러닝 강의 제작자 |
| Max Tag Mark | Max Tegmark (맥스 테그마크) | 『Life 3.0』 저자 |
| linear algorithm | linear algebra (선형대수) | |
| "01 extraordinary ability visa" | O-1 비자 | |
| Vagid | ? | 스웨덴 지명. 확정하지 못했습니다 |
| "the pit" | ? | 그가 처음 일한 회사 이름으로 보이나 확정하지 못했습니다 |
| Cel Wen | Sigil Wen | 진행자. 채널명과 대조해 추정 |
| Gabriel Peterson | Gabriel Petersson (?) | 자막은 Peterson, 해설 영상은 "가브리엘 피터슨". 스웨덴식 철자는 s가 둘일 가능성이 있으나 확인하지 못했습니다 |