루프를 닫으라고 명령할 수는 없다 — 그러니 그만두라

AI 네이티브 로보틱스 기업에서의 탑다운 대 바텀업: 승자는 왜 명령을 내지르는 대신 게임을 설계하는가 — 엔지니어가 내일 당장 만들 수 있는, 스마트 컨트랙트까지 내려간 정확한 메커니즘과 함께.

여러분도 본 적 있는 장면이 하나 있다.

임원이 일어나 새로운 전략을 발표한다: "Everyone here needs to innovate. Own it. Be entrepreneurial." (번역: 여기 있는 모두는 혁신해야 합니다. 주인의식을 가지세요. 기업가처럼 행동하세요.) 슬라이드가 뜬다. 로켓 그림이 그려져 있다. 모두가 고개를 끄덕이고 자리로 돌아가, 어제와 정확히 똑같은 만큼 혁신한다 — 즉, 누가 시킬 때까지 기다린다는 뜻이다.

한편 3마일 떨어진 곳에서는, 더 작은 로보틱스 회사의 Titan급 로봇이 눈에 띄게 덜 서툴러지고 있다 매일 밤 — 그런데 이걸 지시한 사람은 위에 아무도 없다. 한 현장 기술자가 아침 햇빛 아래서 그리퍼가 투명한 컵을 제대로 못 쥐는 걸 알아채고 실험을 한 번 돌렸을 뿐인데, 그 수정 사항은 지금 그녀에게 자동으로, 온체인으로 보상을 지급하고 있다.

그림 하나에 이 싸움 전체가 담겨 있다.하향식은 사람들에게 루프를 닫으라고 지시한다. 상향식은 루프를 닫는 것이 누가 봐도 유리한 선택이 되도록 판을 짜놓고, 그 다음엔 손을 뗀다.

나는 최근 이 두 번째 유형의 회사(AI 네이티브 Physical AI 운영체제)를 위한 런타임을 만드는 데 시간을 쏟았다. 열다섯 살짜리도 바로 이해할 멘탈 모델을 먼저 보여주고, 그다음 엔지니어에게 넘겨줄 부품들 — Solidity까지 포함해서 — 을 건네주겠다.

멘탈 모델: 두 개의 주방

같은 거리에 있는 두 식당을 떠올려보자.

주방 A는 하향식이다. 헤드 셰프가 주방 배식대 앞에 서서 소리를 지른다. 그릴 앞에 밀린 주문이 쌓이면? 그는 결국 알아채고 소리친다. 요리사가 더 빠른 준비 방법을 생각해냈다면? 헤드 셰프의 기분이 좋을 때를 노려야 한다. 과부하 걸린 뇌 하나를 거치지 않으면 아무것도 개선되지 않는다. 바쁜 밤이면 주방 A는 그 자체로 병목이다.

주방 B는 상향식 — 오픈 키친이다. 모든 요리사가 티켓 타임 보드를 볼 수 있다. 그릴이 밀리면, 누구든 요리사가 이를 지적하고 한 시프트, 한 스테이션에 한정해서 — 범위가 정해져 있고 되돌릴 수 있는 — 준비 방식 변경을 시도해볼 수 있다. expo — 변경을 실행한 요리사가 아니라 — 가 실제로 티켓 처리 시간이 줄었는지 확인한다. 그리고 팁 산정 공식은 벽에 써 붙여져 있다: 검증된 개선은 자동으로 지급되고, 계속 효과가 유지되면 더 많이 지급된다. 주방 B의 헤드 셰프는 절대 요리하지 않는다. 그는 주방을 구성하고, 냉장고를 차갑게, 칼을 날카롭게 유지하며, 공정하고 조작할 수 없는 팁 산정 공식을 만든다.

주방 A는 딱 천재 한 명 규모까지밖에 확장되지 않는다. 주방 B는 모두에게로 확장된다.

항목별로 살펴보기 — 엔지니어가 주방 B를 만들 수 있도록

구성 요소로 매핑되지 않는 메타포는 그냥 듣기 좋은 말일 뿐이다. 여기 그 매핑이 있다 — CNO(Chief AI-Native Officer)가 헤드 셰프이고, 나머지는 모두 시스템이다.

오른쪽 열을 보라. 이건 그냥 분위기가 아니라 조직 설계다. 그리고 그 중심에 있는 계약은 생각보다 훨씬 작다.

계약, 그것이 실제로 작동하는 언어로 말하자면

세 가지 타협 불가 조항은 가치관 포스터가 아니다. 이것들은require 명제다. 다음과 같다:

// maker != checker — enforced in code, not in a handbook
function attestClose(uint256 id, uint256 reward) external {
    require(isChecker[msg.sender], "not a referee");
    require(msg.sender != closes[id].maker, "maker != checker"); // the whole point
    // ...fund a vesting stream that re-verification extends (compounding)
}

// safety is a terminal gate, not a weighted term
function flagSafety(uint256 id) external onlyGuardian {
    // zero the UNRELEASED reward and halt — regardless of ROI
}

일을 한 사람이 돈을 위해 자기 결과물에 스스로 승인 도장을 찍을 수 있다면, 자기 시험을 자기가 채점하는 꼴이 된다. 그래서 이 원칙은maker != checker 온보딩 문서의 한 줄이 아니라 Solidity 코드 한 줄이어야 한다. 그리고 일회성 성과가 아니라 복리를 보상해야 한다. 인간의 부담을 계속 낮추는 해결책일수록 시간이 지날수록 더 많이 벌게 되는 것이다. 바로 이 하나의 장치가 사람들로 하여금 보너스 모양의 트로피 대신 레버리지를 쫓게 만든다.

"그래도 결국 위에 있는 똑똑한 사람들이 결정해야 하지 않나?" — 로봇공학 증거가 말하는 것

여기서부터가 직관에 반하는 대목이다. 이건 경영학적 의견이 아니라, 로봇 연구가 계속 보여주는 사실이다: 다양성이 단일한 지휘 지능을 이긴다.

• Open X-Embodiment / RT-X(2023)는 데이터를 다음 규모로 모았다: 22종의 로봇, 21개 기관, 527개 스킬, 16만 개 이상의 태스크. 그리고 발견한 것은 로봇 신체 간의 긍정적 전이 — 모델이 좋아진 건 어느 한 연구소가 지시를 내려서가 아니라 입력이 다양했기 때문이다. 한 실제 조작(manipulation) 연구에서는 성능 향상이 같은 시연을 더 많이 반복하는 것이 아니라 환경과 사물의 다양성에 비례해 커졌다.
• RT-2(Google DeepMind, 2023)는 엄선된 커리큘럼이 아니라, 방대하고 정제되지 않은 웹 지식을 흡수함으로써 일반화 능력을 얻었다.
• π0.5(Physical Intelligence, 2025)는 한 번도 본 적 없는 가정 환경에도 도달했는데, 그 방법은 이질적 데이터 공동학습(heterogeneous co-training) — 즉 여러 출처를 뒤섞은 학습이었다.

조직도로 옮겨서 말하자면: 모든 개선을 최고 경영진 한 사람에게 몰아넣는 회사는, 파란 상자 하나를 한 각도에서만 보고 학습한 로봇과 같다. 그 로봇은 갈색 상자가 나타나기 전까지는 한없이 자신만만하다가, 그 상자가 나타나는 순간 실존적 위기에 빠진다. 상향식은 물렁한 선택지가 아니다. 인용 문헌을 갖춘 쪽이다.

함정이 하나 있는데, 톱다운이 끈질기게 살아남는 이유도 바로 여기 있다. 바로 신뢰다. 바텀업은 나쁜 아이디어가 피해를 끼칠 수 없고 좋은 아이디어를 조작할 수 없을 때만 작동한다. 그 역할을 정확히 해내는 것이 바로 독립 심판과 안전-제로 게이트다. 회사가 모두에게 안전하게 실험을 허락할 수 있는 이유는 바로 검증되지 않은 것은 출시되지 않고 안전하지 않은 것은 살아남지 못하기 때문이다. 독립 심판과 안전-제로 게이트, 이 둘을 빼면 "모두에게 권한을"은 곧 "필터링되지 않은 모두의 낙관"이 되어버린다. 그 결과물은 아주 빠르면서 동시에 사고 보고서 그 자체인 로봇이다.

정직한 순서 (건너뛰지 말 것)

Solidity를 쓰는 것부터 시작하는 게 아니다. 화이트보드부터 시작한다. 오픈 루프 보드를 붙이고, 누구든 갭을 자기 것으로 주장하게 하고, 독립된 지표로 실험을 하나 돌리고, 첫 검증된 클로즈에 대해 수동 바운티로 보상을 지급한다. 사람이 루프 안에 있는 상태에서 이 게임이 재미있고 공정하다는 걸 먼저 증명하라. 그다음에야 실제로 통했던 정확한 지급 산식을 코드로 옮긴다. 손으로 먼저 돌려보지 않은 인센티브는 절대 코드로 짜지 마라 — 계약이 할 일은 단 하나, 이미 증명된 문화를 영구적이고 조작 불가능하게 만드는 것뿐이다.

결말은 이렇다 — 이게 이 글 전체의 논지를 한 호흡에 담은 것이다:

톱다운 회사는 꼭대기에 있는 사람이 컨디션 좋은 날만큼만 똑똑하다. 심판과 안전 게이트를 갖춘 바텀업 회사는 모두가 잠든 밤에도 매일 더 똑똑해진다. 후자를 지으면 로봇은 스스로 덜 서투르게 된다. 전자를 지으면 다리 달린 아주 비싼 토스터 하나와, 곧 뭔가 대단한 게 나올 거라고 앞에 나와 큰소리치는 임원 한 명을 갖게 될 뿐이다.

그러니 질문은 "어떻게 사람들이 관심을 갖게 만들까"가 아니다.

질문은 이거다: 질문은 이거다: 우리는 명령을 내리고 있는가, 아니면 벽에 팁 공식을 써 붙였는가?

나는 이걸 공개적으로 만들고 있다 — Physical-AI 네이티브 회사 OS(역할, 운영 루프 독트린, 온체인 인센티브 스케치)와 그 밑바탕이 되는 루프 엔지니어링 프레임워크 sos. 당신의 팀이 상향식과 하향식 사이에서 막혀 있다면, 어디서 막히는지 댓글로 알려달라 — 전부 읽는다.

→ 인센티브 독트린과 Solidity 스케치를 읽어보라 — repo: github.com/wjlgatech/physical-ai-native

#PhysicalAI #Robotics #AInative #Web3 #Leadership #BuildInPublic

참고문헌 (모두 실재하며 검색 가능)

• Open X-Embodiment: Robotic Learning Datasets and RT-X Models — Open X-Embodiment Collaboration, 2023 (22개 embodiment · 527개 스킬 · 16만 개 이상 태스크).
• RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control — Google DeepMind, 2023.
• π0.5: a Vision-Language-Action Model with Open-World Generalization — Physical Intelligence, 2025.
• Reflexion: Language Agents with Verbal Reinforcement Learning — Shinn et al., NeurIPS 2023 (에이전트를 위한 독립적 피드백 루프).

숫자는 위 출처들이 보고한 그대로 인용한 것이다. 주방과 현장 기술자 이야기는 예시일 뿐이다. 여기 나온 주장 중 이 출처들로 추적되지 않는 것이 있다면, 사실이 아니라 의견으로 취급하라.

초안 — github.com/wjlgatech/physical-ai-native 에서 · 모바일로 읽을 수 있도록 공유됨. Publish 버튼은 당신 몫이다.