Y Combinator Startup School 2026
구글 수석과학자가 6,000명의 창업 지망생 앞에서 “모델이 20% 성공하는 문제 말고 0% 성공하는 문제를 골라라”라고 말했다. 열흘 뒤 그는 27년 다닌 회사를 떠나 자기 강연의 논지를 그대로 사명으로 삼은 회사를 세웠다. 강연을 조언집이 아니라 그 결정의 사전 설명서로 읽으면, 맞는 대목과 빠진 대목이 함께 드러난다.
2026년 8월 9일
7월 25일과 26일, 샌프란시스코 체이스 센터에서 열린 Y Combinator(와이 콤비네이터) 스타트업 스쿨 2026에는 6,000명 넘는 인원이 모였다. 전년의 세 배 규모다. 이틀 동안 무대에 오른 이름 중에는 젠슨 황과 샘 올트먼이 있었고, 구글 수석과학자 제프 딘도 있었다. 딘의 세션은 YC 파트너 다이애나 후와의 대담 형식으로 진행됐고, 8월 1일 팟캐스트로 공개됐다.
그리고 8월 5일, 구글은 딘이 27년 만에 회사를 떠난다고 발표했다. 함께 나가는 사람은 산자이 게마와트, 오리올 비냘스, 쿽 레. 네 사람이 세운 회사의 이름은 디스커버리 루프(Discovery Loop)이고, 공익법인(public benefit corporation) 형태이며, 명시된 목표는 “과학과 공학의 실험 루프를 자동화하는 것”이다. 알파벳이 창업 투자자로, 구글 클라우드가 컴퓨팅 파트너로 들어갔고 라디컬 벤처스와 코슬라 벤처스가 초기 라운드를 공동 주도했다. 같은 날 데미스 하사비스는 구글 딥마인드 최고경영자직에서 물러나 의장 겸 알파벳 수석과학자로 이동했다. 알파벳 주가는 4% 가까이 빠졌다.
와이어드의 스티븐 레비는 창업 아이디어가 “불과 몇 주 전에” 모였다고 전했다. 강연은 발표 열흘 전이었다. 그러니까 딘이 무대에서 자동화된 실험 루프의 중요성을 설명하던 시점에, 그는 이미 그 문장을 회사로 만들 준비를 하고 있었을 가능성이 높다. 이 사실을 알고 다시 들으면 강연은 중립적 전망 발표가 아니다. 한 연구자가 커리어를 걸기 직전에 자기 판단의 근거를 공개적으로 정리한 문서에 가깝다. 그렇다고 내용이 약해지는 것은 아니다. 다만 어디에 힘이 실렸고 어디가 비었는지를 읽는 기준이 달라진다.
강연에서 가장 많이 인용된 대목은 창업 주제 선택 기준이다. 딘의 조언은 이렇다. 만들려는 것을 범용 모델에 그냥 시켜 보라. 완전히 실패하면 좋은 신호다. 어설프게 되면 나쁜 신호다. 이미 부분적으로 되는 일은 데이터가 더 붙거나 모델이 커지면 곧 넘어온다. 그러니 성공률 0~1%인 문제를 찾고 20%인 문제는 피하라.
규칙으로서는 깔끔하지만, 성공률 하나로는 지속 가능성을 판별할 수 없다. 0%에는 두 종류가 섞여 있다. 구조적으로 모델이 접근할 수 없는 영역이라 0%인 경우와, 그저 아직 학습 분포에 없어서 0%인 경우다. 후자는 아무런 보호막이 되지 못한다. 2023년 ARC-AGI 벤치마크에서 프런티어 모델의 점수는 사실상 바닥이었고, 2024년 말에는 87%가 나왔다. 국제수학올림피아드 문제도 몇 년 사이 은메달권에서 금메달권으로 넘어갔다. 두 경우 모두 “지금 0%”라는 사실은 12개월 뒤를 전혀 보증하지 않았다.
흥미로운 것은 딘이 든 두 가지 예시가 성공률 얘기가 아니라는 점이다. 하나는 사용자의 개인 정보를 정리해 주는 제품처럼, 범용 모델이 애초에 볼 수 없는 데이터에 접근하는 경우다. 다른 하나는 알파폴드처럼 좁은 영역의 전용 학습 데이터를 확보해 작은 전용 모델을 만드는 경우다. 둘 다 모델이 못 하는 일이 아니라 모델이 가질 수 없는 데이터에 관한 이야기다. 규칙을 정확히 다시 쓰면 이렇게 된다. 성공률 0%인 문제를 찾지 말고, 프런티어 모델이 원리적으로 확보할 수 없는 데이터가 어디 있는지를 찾으라. 성공률은 그 데이터 격차의 대리 지표일 뿐이고, 대리 지표만 보면 곧 사라질 격차와 오래 갈 격차를 구분하지 못한다.
딘은 오늘날의 대형 모델이 “18세 인간이 보는 데이터의 약 1,000배”를 학습한다고 말했다. 이 비교의 방향은 맞지만 배율은 크게 축소돼 있다. 언어 습득 연구에서 통용되는 추정치는 13세까지 노출되는 단어가 1억 개 미만이고, 최근 프런티어 모델의 학습 토큰은 수조에서 수십조 규모다. BabyLM 챌린지 조직진의 정리에 따르면 격차는 3자릿수가 아니라 5~6자릿수다. 딘의 논지—인간이 훨씬 데이터 효율적이며 그 간극이 알고리즘 연구의 남은 공간이라는—는 정정된 숫자에서 오히려 강해진다.
강연에서 기술적으로 가장 단단한 부분은 에너지 얘기였다. 딘의 정리는 이렇다. 곱셈 한 번에 드는 에너지는 대략 1피코줄 수준인데, 그 값을 가속기의 고대역폭 메모리에서 연산 유닛까지 끌어오는 데 드는 에너지는 그 1,000배 수준이다. 그래서 배치를 묶는다. 데이터 이동 비용을 여러 샘플이 나눠 갖게 만들어야 하기 때문이다. 그런데 배치를 묶으면 지연이 늘어난다. 즉 대화형 서비스의 응답 속도 하한선은 소프트웨어 최적화 문제가 아니라 회로 수준의 에너지 비율에서 내려오는 제약이다.
배율은 공정과 정밀도에 따라 달라진다. 45나노 공정을 기준으로 한 마크 호로위츠의 고전적 측정치에서 32비트 부동소수점 곱셈은 3.7피코줄, 8킬로바이트 SRAM 읽기는 5피코줄, DRAM 읽기는 640피코줄이었다. 이 조합만 보면 약 170배다. 7나노급으로 내려오면 연산 에너지는 3분의 1 수준으로 떨어지지만 오프칩 메모리 접근 에너지는 거의 줄지 않아 비율이 1,000배에 근접한다. 저정밀 연산으로 가면 격차는 더 벌어진다. 8비트 정수 곱셈은 0.2피코줄 수준이라 분모가 더 작아지기 때문이다.
공정이 미세화되면서 연산 에너지는 줄었지만 메모리 접근 에너지는 정체했다. 그래서 “1,000배”는 고정된 물리 상수가 아니라 연산이 싸질수록 커지는 비율이다. 정밀도를 낮춰 연산 효율을 올릴수록 데이터 이동이 차지하는 몫이 커진다는 뜻이며, 이것이 저정밀 전용 하드웨어 논의가 결국 메모리 구조 논의로 귀결되는 이유다.
딘이 무대에서 하지 않은 계산이 하나 있다. 이 비율이 커진다는 것은 곱셈기를 더 넣어 얻는 이득이 빠르게 소진된다는 뜻이다. 전용 하드웨어의 다음 승부처는 연산 유닛 설계가 아니라 데이터를 얼마나 안 움직이느냐이고, 그것은 결국 메모리 계층과 패키징의 문제다. 그가 “추론 하드웨어를 더 특화해야 한다”고 말할 때 실제로 가리키는 대상은 연산기가 아니라 메모리다.
진행자가 “2026년의 ‘메모리에 들어간다’ 순간은 무엇인가”라고 묻자 딘은 고성능·저전력 추론 하드웨어를 꼽았다. 추론 지연이 에이전트 확산의 병목이고, 범용 장치보다 특화 장치가 에너지와 지연 모두에서 유리하며, 지연이 50배 개선된 세계를 상상해 보라는 것이었다.
방향은 맞다. 문제는 이것이 전망이 아니라는 데 있다. 강연 석 달 전인 2026년 4월 22일, 구글은 클라우드 넥스트에서 7세대 TPU(텐서 처리 장치) 아이언우드를 정식 출시하면서 8세대 로드맵을 함께 공개했다. 8세대는 구글 역사상 처음으로 학습용과 추론용을 별도 칩으로 쪼갠다. 브로드컴이 설계하는 학습용 TPU 8t(코드명 선피시)와 미디어텍이 설계하는 추론용 TPU 8i(코드명 제브라피시)이며, 둘 다 TSMC 2나노 공정에 2027년 말 목표다. 추론 칩은 HBM 스택 수를 줄여 단가를 20~30% 낮추는 방향으로 설계된다.
엔비디아 쪽도 다르지 않다. 2025년 9월 발표한 루빈 CPX는 추론의 프리필 단계만 겨냥해 HBM 대신 GDDR7을 쓰는 별도 등급이고, 2025년 12월 체결돼 2026년 GTC에서 공개된 그록(Groq) 라이선싱 계약은 SRAM 중심 디코드 계층을 확보하려는 움직임이다. 요약하면 학습·추론 일체형 가속기라는 전제는 이미 업계 전반에서 해체되는 중이었다.
사내 최고 기술 책임자가 자기 회사가 지난 분기에 발표한 방향을 “앞으로 이렇게 될 것”이라고 말할 때, 새로운 정보는 방향이 아니라 크기에 있다. 딘이 던진 숫자는 “지연 50배”다. 이 배율은 어떤 공개 자료로도 뒷받침되지 않는다. 아이언우드가 내세운 수치는 이전 세대 대비 칩당 4배 성능과 2배 전력 효율, 초대 클라우드 TPU 대비 30배 효율이다. 50배 지연 개선은 세대 단위 개선의 누적이 아니라 정밀도·메모리 구조·서빙 방식을 함께 바꿔야 나오는 숫자이고, 어느 쪽을 바꿔서 도달하겠다는 설명은 강연에 없었다.
딘은 청중 대부분이 아직 내면화하지 못한 사실로 “일부 문제 영역에서는 에이전트를 며칠, 몇 주 단위로 돌릴 수 있다”는 점을 들었다. 구체적 사례를 묻자 그가 꺼낸 것은 소프트웨어를 다른 프로그래밍 언어로 전면 이식하는 작업이었다. 이후 대화에서 그는 이 예시가 왜 잘 되는지도 스스로 설명했다. 원본 소프트웨어 자체가 완전한 명세이고, 파이썬 테스트를 고(Go)로 옮겨 통과 여부를 확인하며, 두 구현의 동작 차이가 사라질 때까지 반복할 수 있기 때문이다.
여기서 주장과 전제가 갈린다. 며칠·몇 주 자율 실행이 성립하는 조건은 모델 능력이 아니라 기계가 채점할 수 있는 정답지의 존재다. 정답지가 있으면 오류가 누적되지 않고 매 단계 제거된다. 정답지가 없으면 30~40단계쯤에서 궤도를 이탈한다는, 진행자가 지적하고 딘이 인정한 바로 그 현상이 나타난다.
독립 측정치는 이 구분을 뒷받침한다. METR(Model Evaluation & Threat Research)은 “인간 전문가 기준 몇 시간짜리 과제를 에이전트가 자율 수행할 수 있는가”를 시간 지평(time horizon)으로 측정한다. 2026년 기준 최상위 모델의 50% 성공 지평은 12시간 안팎이고, 같은 모델의 80% 성공 지평은 70분 수준이다. 2026년 5월 보고서는 가장 강한 모델이 50%에서 16~20시간, 80%에서 3~4시간에 이르렀다고 보면서, 16시간을 넘는 추정치는 과제 묶음이 포화돼 신뢰하기 어렵다는 단서를 달았다. METR 자신도 50% 지평을 “그 시간만큼 위임할 수 있다는 뜻이 아니다”라고 명시한다. 신뢰성이 중요한 업무는 98% 이상을 요구한다.
성공 기준을 50%에서 80%로 올리면 자율 수행 가능 시간이 한 자릿수 분의 일로 줄어든다. “며칠·몇 주”라는 서술과 실제 위임 가능 구간 사이의 거리는 대부분 이 간극에서 나온다. 기계 검증기가 있는 과제는 이 표의 바깥에 있고, 없는 과제는 아래쪽 막대에 붙어 있다.
따라서 “에이전트가 몇 주를 돈다”와 “에이전트가 40단계에서 무너진다”는 서로 모순되는 관찰이 아니다. 같은 사실을 검증기 유무에 따라 양쪽에서 본 것이다. 실무적 함의는 능력 대기가 아니라 검증기 구축이다. 자동 채점 가능한 명세를 만들 수 있는 업무부터 위임 대상이 되고, 그 명세를 만드는 일 자체가 당분간 사람의 몫으로 남는다.
강연 후반부의 핵심 논증은 실험 루프 자동화다. 가설을 세우고 실험을 구현하고 평가하고 반복하는 과학적 방법의 순환을 기계가 통째로 돌릴 수 있다면, 목표 함수가 측정 가능한 거의 모든 분야에서 발견 속도가 달라진다는 것이다. 딘은 병목이 평가 단계에 있다고 짚으면서 양자화학 사례를 들었다. 밀도범함수이론(DFT) 시뮬레이터는 분자 하나에 한 시간에서 하룻밤이 걸리는데, 그 입출력으로 신경망을 학습시켜 30만 배 빠르고 정확도는 거의 같은 대체 모델을 만들었다는 것이다. 그러면 점심 먹는 사이에 천만 개를 걸러 낼 수 있다.
숫자 자체는 실재한다. 다만 두 가지 단서가 붙는다.
첫째, 이 사례는 새로운 결과가 아니다. 딘은 2018년 스트라타 컨퍼런스와 ScaledML에서 같은 숫자를 같은 방식으로 인용했고, 2025년 다른 팟캐스트에서도 반복했다. 근거가 되는 연구는 2017년 발표된 양자화학용 메시지 전달 신경망 계열이며, 학습·평가 대상은 중원자 9개 이하 소형 유기분자 데이터셋이었다. 2026년의 자동화 루프 전망을 뒷받침하는 증거로 제시되는 관측치가 9년 전 것이라는 점은 그 자체로 정보다.
둘째, 학습된 대체 모델은 학습 분포 안에서만 유효하다. 이것은 딘이 에이전트의 실패 원인으로 지목한 바로 그 현상이다. 분포를 벗어나면 성능이 급격히 무너진다. 그런데 탐색 루프는 정의상 알려진 영역의 가장자리를 향해 밀고 나간다. 빠른 평가기가 빠른 이유는 근사이기 때문이고, 근사가 깨지는 지점은 루프가 도달하려는 바로 그 지점이다. 학습된 평가기를 목표 함수로 삼아 최적화하면 물질을 찾는 것이 아니라 평가기의 오차를 찾게 되는 구간이 반드시 생긴다.
강연은 성격이 다른 두 루프를 “자동화된 실험 루프”라는 한 이름으로 묶는다. 하나는 정확한 검증기를 쓴다. 컴파일하고, 테스트를 돌리고, 실측 시간을 재고, 형식 검증을 통과시킨다. 다른 하나는 학습된 근사 검증기를 쓴다. 앞의 것은 오류가 누적되지 않고 뒤의 것은 누적된다. 딘이 든 성공 사례—언어 간 코드 이식, 마이크로벤치마크 기반 성능 튜닝, 커널 최적화—는 전부 앞쪽이다. 30만 배 사례만 뒤쪽이다. 두 루프의 신뢰성 구조가 다르다는 사실은 강연에서 다뤄지지 않았다.
딥마인드의 알파이볼브는 이 구분을 실증한다. 2025년 5월 공개된 이 시스템은 제미나이 계열 모델이 후보 코드를 생성하고 자동 채점기가 적합도를 매기는 진화 탐색 구조인데, 성과가 나온 영역은 모두 정확한 검증이 가능한 곳이었다. 데이터센터 스케줄러 보그의 휴리스틱을 개선해 구글 전체 컴퓨팅 자원의 평균 0.7%를 상시 회수했고, 제미나이 학습에 쓰이는 행렬 곱 커널을 23% 빠르게 만들어 전체 학습 시간을 1% 줄였으며, 4×4 복소 행렬 곱을 49회가 아닌 48회 스칼라 곱셈으로 처리하는 방법을 찾아 56년 묵은 기록을 갱신했다. 생성기는 틀려도 되고 검증기가 정확하면 된다는 것이 이 구조의 핵심이다. 딘이 그리는 미래의 근거로 가장 강한 사례는 30만 배 대체 모델이 아니라 알파이볼브이며, 그 사례가 성립한 이유는 근사를 쓰지 않았기 때문이다.
딘은 지식 증류 논문이 학회에서 반려됐다는 일화를 들며 리뷰어 평이 “큰 영향이 없을 것 같다”였다고 회고했다. 실제 기록은 2014년 NeurIPS 본회의 반려이고 그가 과거 공개한 리뷰 문구는 “점진적이며 큰 영향이 없을 것”에 가깝다. 논문은 같은 해 딥러닝 워크숍에 실렸고 2015년 3월 arXiv에 올라갔다. 다만 대담에서 이 기법이 딘의 발명처럼 서술된 대목은 정확하지 않다. 해당 논문 자체가 앞선 모델 압축 연구를 출발점으로 명시한다.
또 하나. 딘과 게마와트가 쓴 성능 튜닝 문서를 “몇 달 전 공개했다”고 말했는데, 외부 공개는 2025년 12월 19일로 강연 시점 기준 7개월 전이다. 사내 원본은 2023년 7월부터 있었다. 이 문서는 단일 바이너리의 일반 성능 튜닝을 다루며 분산 시스템과 머신러닝 하드웨어 튜닝은 다루지 않는다고 첫머리에 밝히고 있다. “이 문서를 넣으면 제프 딘처럼 코드를 최적화할 수 있다”는 진행자의 요약은 문서 스스로 그은 선을 넘는다.
강연의 축은 네 개였다. 특화 하드웨어와 에너지, 컨텍스트 엔지니어링과 스킬, 자동화된 실험 루프, 그리고 작은 팀이 이길 수 있는 자리. 디스커버리 루프의 창업자 명단은 이 네 축과 거의 일대일로 겹친다. 게마와트는 강연에서 딘이 소개한 마이크로벤치마크 자동 튜닝 스킬의 공동 작업자다. 비냘스는 반려당한 증류 논문의 공저자이자 제미나이 기술 리드였다. 쿽 레는 모델 설계 자동화 연구인 AutoML-Zero를 이끈 사람이고, 딘이 2027년 예측으로 내놓은 “머신러닝 시스템이 스스로 실험을 돌려 개선되는 상태”는 그 연구의 확장판에 가깝다.
이 겹침은 강연을 무효화하지 않는다. 오히려 왜 그 네 가지가 그렇게 강조됐는지를 설명한다. 발화 위치가 강조점과 생략을 함께 만든다는 뜻이다. 예컨대 딘은 범용 모델이 계속 넓어지고 있으니 6개월·12개월 뒤에도 남아 있을 문제인지 따져 보라고 경고하면서도, 자기 회사가 겨냥한 영역—머신러닝 연구 자체의 자동화—이 바로 프런티어 연구소들이 전면적으로 투입하는 영역이라는 사실은 다루지 않았다.
더 눈에 띄는 것은 “2~3명이 방에 모여도 구글을 이길 수 있다”는 조언과 그 조언을 한 사람이 실제로 택한 경로의 차이다. 디스커버리 루프는 알파벳의 창업 투자와 구글 클라우드 컴퓨팅 계약을 깔고 출발했고, 라디컬·코슬라 공동 주도에 클라이너 퍼킨스와 라이트스피드가 참여했다. 강연이 제시한 해자는 특화 데이터와 좁은 영역이었는데, 정작 그가 확보한 해자는 컴퓨팅 접근권과 평판이다. 이것은 위선이 아니라 구조다. 실험 루프 자동화는 병렬 실험 수천 개를 상시로 돌리는 일이므로 애초에 컴퓨팅이 곧 진입 장벽이다. 즉 딘이 고른 문제는 그가 청중에게 권한 문제 유형이 아니며, 청중이 그의 조언을 따라 고를 수 있는 문제도 아니다.
“모델이 가질 수 없는 데이터를 찾으라”로 고쳐 쓴 규칙은 한국에서 다른 함의를 갖는다. 미국 창업자에게 접근 불가 데이터는 대체로 개인의 사적 정보이거나 아직 디지털화되지 않은 영역이지만, 한국에서 그 데이터의 상당 부분은 기관 안에 있다. 전력 계통 운영 이력, 의료 기록, 제조 공정 로그, 행정 데이터가 그렇다. 이 경우 해자는 모델링 역량이 아니라 접근 권한이고, 접근 권한은 기술 경쟁이 아니라 제도와 계약으로 결정된다. 규칙을 그대로 옮기면 “좋은 문제를 고르라”가 되지만, 실제로 필요한 판단은 “어느 기관과 어떤 조건으로 붙을 수 있는가”다. 이 층위는 강연이 다루지 않는다. 실리콘밸리에서는 데이터 접근이 제품 설계의 문제이고 한국에서는 규제와 조직의 문제이기 때문이다.
에너지 논지는 방향이 반대다. 데이터 이동이 병목이라는 결론은 메모리 산업에 직접 걸린다. 8세대 TPU가 학습용과 추론용을 나누면서 추론 칩의 HBM 스택 수를 줄이는 설계를 택했다는 사실은 두 가지를 동시에 말한다. 추론 물량이 늘어나면 칩당 HBM 탑재량은 줄어들 수 있고, 전체 칩 수량은 크게 늘어난다. 구글이 제시한 TPU 출하 전망은 2026년 430만 개, 2027년 1,000만 개, 2028년 3,500만 개 이상이다. 칩당 고부가 메모리 비중과 전체 수량이 반대 방향으로 움직이는 국면에서 어느 쪽 곡선이 더 가파른지가 메모리 업계의 실적을 가른다. 여기에 연산이 싸질수록 이동 비용의 비중이 커진다는 앞의 비율 문제를 겹치면, 메모리 자체에 연산을 붙이는 접근이 왜 다시 논의되는지도 설명된다.
아래 예측은 강연 내용이 아니라 위에서 대조한 현재 상태에서만 근거를 가져왔다. 각 항목에 반증 조건을 붙였다.
2027년 말까지 최소 두 개 이상의 주요 공급자가 추론 역할이 학습용보다 명시적으로 좁은 칩을 양산 물량으로 출하한다. 구글 TPU 8i와 엔비디아의 프리필·디코드 분리 라인이 그 최소 조건을 이미 로드맵으로 확정했다.
반증 조건: 구글이 8세대에서 학습·추론 라인을 다시 합치거나, 8i가 출시되되 범용 부품으로 포지셔닝될 경우. 또는 모델 구조 변화로 프리필·디코드 비대칭이 사라져 분리 설계의 경제성이 무너질 경우.
자동 채점이 가능한 영역(코드 이식, 커널 최적화, 형식 검증 대상)에서는 실질 자율 실행 시간이 계속 늘어나지만, 정답지를 만들 수 없는 과제에서 80% 신뢰도 기준 지평은 시간 단위에 머문다. 두 곡선의 분리가 지금보다 뚜렷해진다.
반증 조건: 자동 검증기를 쓰지 않는 과제 묶음에서 80% 성공 지평이 24시간을 넘는 독립 측정치가 나올 경우. 단 과제 묶음 포화로 인한 측정 불능은 반증으로 치지 않는다.
창업자들이 밝힌 1차 목표가 머신러닝 연구 자체의 자동화라는 점, 그리고 알파이볼브가 정확한 채점기 위에서만 성과를 낸 점을 근거로, 첫 발표 결과는 커널·컴파일러·알고리즘·아키텍처 탐색 계열이 될 가능성이 높다. 생물·재료 쪽 학습형 대체 모델 성과는 그보다 늦다.
반증 조건: 첫 공개 성과가 학습된 대체 평가기에 의존한 신약·재료 발견일 경우. 또는 18개월 안에 어떤 성과도 공개되지 않을 경우(이 경우는 예측의 대상 자체가 성립하지 않는다).
2027년 말까지, 2026년 시점에 프런티어 모델 성공률이 사실상 0이던 공개 과제 유형 가운데 최소 두 건이 12개월 안에 50% 이상으로 올라선 사례가 기록된다. 반대로 데이터 접근이 구조적으로 막힌 영역에서는 같은 종류의 도약이 관측되지 않는다.
반증 조건: 24개월 동안 0%에서 50%로 넘어간 과제 유형이 한 건도 나오지 않을 경우. 또는 반대로, 접근 불가 데이터에 의존하던 제품군이 데이터 없이도 범용 모델에 의해 대체되는 사례가 다수 관측될 경우.
강연에서 가장 오래갈 문장은 창업 조언이 아니라 방법론 쪽에 있었다. 딘은 취향을 기르는 법을 묻는 질문에, 앞으로 12개월 안에 중요해질 것 같은 항목을 지금 적어 두고 12개월 뒤 돌아가 채점해 보라고 답했다. 어느 것이 실제로 중요해졌고 어느 것을 다른 사람이 먼저 만들었으며 어느 것은 아무도 손대지 않았는지를 세어 보면, 판단력을 기르는 데 쓸 표본이 쌓인다는 것이다.
이 조언은 그가 무대에서 한 다른 모든 말에도 그대로 적용된다. 지연 50배, 며칠·몇 주짜리 에이전트, 자동화된 발견 루프—전부 12개월 뒤 채점 가능한 형태로 적어 둘 수 있는 항목들이다. 그리고 그 목록을 자기 손으로 채점하기 위해, 그는 열흘 뒤 회사를 나갔다.
본문의 수치와 일정은 공개 자료로 대조했다. TPU 1세대 성능 수치는 2017년 ISCA 논문 기준으로 동시대 GPU·CPU 대비 15~30배 속도, 와트당 연산 30~80배이며, 강연에서 언급된 “지연 20~30배”는 논문의 속도 배율과 대응한다. 시간 지평 수치는 과제 묶음 포화로 상단이 불확실하다는 측정 주체의 단서를 함께 적용해야 한다. 디스커버리 루프의 초기 계획과 자금 구성은 발표 시점 보도에 근거하며, 이후 변경될 수 있다.