AI 전문가 탐구 #4 — 오픈 소스를 무기로 삼은 연구자: LeCun의 세계 모델이 PM에게 가르치는 것
- LeCun이 CNN을 1989년에 개발한 후 30년간 “이것이 일반적 지능의 기초”라고 믿으며, 동시에 2024년 JEPA와 V-JEPA로 “LLM 시대 이후의 새로운 아키텍처”를 제시하는 이유는 LeCun의 어떤 사고 방식 때문인가?
- LeCun이 FAIR에서 PyTorch·LLaMA·Detectron을 모두 오픈소스로 공개한 전략과 AMI Labs($1.03B 시드 라운드, 2026)에서 “기술을 공개하되 상용화에서는 차별화”하는 전략의 일관성은 어디에 있는가?
- LeCun의 “기술을 닫아두면 자신만 느려지고 열어두면 생태계가 빨라진다”는 명제가, 기업의 “데이터 보안 vs 오픈소스 기여” 딜레마를 어떻게 해결하는가?
- V-JEPA가 zero-shot 로봇 제어를 달성했다는 것이 PM의 “요구사항 없이도 시스템이 동작한다”는 미래를 어떻게 의미하는가? PM 자체가 불필요해지는 시나리오에서 PM은 무엇을 할 것인가?
- PO: LeCun은 “컨트래리안 근육”을 강조. 증거가 뒷받침할 때 다수 합의에 반대하되 동시에 현실에 대한 정확한 정신 모델을 유지해야 한다. PO는 “기술을 언제 버릴 것인가”를 LLaMA 성공만큼 진지하게 고민해야 한다.
- PM: “행동의 결과를 예측하지 못하면 agentic system은 존재할 수 없다.” 이것이 LeCun의 세계 모델 개념. PM은 각 단계에서 “만약 이렇게 되면?”을 사전 시뮬레이션하고 폴백 계획을 여러 개 준비해야 한다.
- PL: 폐쇄 기술로 차별화하려는 유혹을 버리고 PyTorch처럼 표준으로 만들 기술과 AMI Labs처럼 독점할 응용 영역을 명확히 분리. 오픈소스 기여 자체가 조직 기술 역량을 10배 높인다는 신념을 코드 정책에 반영.
인물 프로필
Yann LeCun (1960-)
Meta Chief AI Scientist (前), AMI Labs 설립자, Turing Award 2018
.jpg){kind=link}
이 인물을 간접 체험하는 추천 영상:
도입부
PM 코치/컨설턴트로서 AI 대가를 분석하는 것은 단순한 인물 소개가 아닙니다. “이 사람의 사고 방식 중 어떤 부분이 프로젝트의 성공 확률을 높이는 데 직접 쓸 수 있는가?”를 묻는 과정입니다.
Yann LeCun은 1989년에 CNN을 개발하여 오늘날 컴퓨터 비전의 기초를 놓고, 20년간의 AI 겨울을 홀로 버티며, FAIR를 세워 오픈소스로 AI 생태계를 뒤흔들고, 65세에 10억 달러 스타트업을 창업한 인물입니다. 그의 커리어를 관통하는 단일 원리가 있습니다: “반응하지 말고 예측하라 — 세계 모델을 구축하라(Build a World Model, don’t just predict the next token).”
이 글에서는 그의 경력과 프로젝트를 분석하되, PO/PM/PL이 실제로 적용할 수 있는 세계 모델 사고(World Model Thinking)와 컨센서스에 도전하는 전략적 판단에 초점을 맞춥니다.
1. LeCun은 왜 “현재 LLM으로는 인간 수준 AI에 절대 도달할 수 없다”고 단언하며, 그 대안으로 어떤 아키텍처를 제시하는가?
2. 29년간 소수 의견을 유지하며 Turing Award를 받기까지의 인내에서, PM은 어떤 비전 관리 원칙을 추출할 수 있는가?
3. 오픈소스를 전략적 무기로 사용한 LeCun의 접근법이 PM의 개방형 혁신 전략에 어떻게 매핑되는가?
4. LeCun의 “세계 모델”과 PM의 “멘탈 모델”은 어떻게 같은 인지 기능의 다른 이름인가?
왜 Yann LeCun인가
AI 인물 탐구의 네 번째 대상을 선정한 기준은 “가장 많이 인용된 연구자”가 아닙니다. “PM/PL이 가장 직접적으로 사고 프레임을 빌릴 수 있는 전략적 패턴을 가진가”입니다.
7인 비교: 전략적 사고 매트릭스
LeCun은 7인 중 유일하게 4가지 전략적 차원을 모두 충족합니다. 특히 컨트래리안 비전(주류에 대한 체계적 반론)과 생태계 전략(오픈소스로 시장 지형 변경)의 조합은 PM이 배울 수 있는 가장 실전적인 전략 패턴을 제공합니다.
PM 코칭 현장에서 가장 흔한 실패 패턴 중 하나가 “모두가 좋다고 하면 따라가는” 의사결정입니다. LeCun의 커리어를 연구하면서 확인한 것이 있습니다. 그는 컨센서스를 단순히 거부하는 것이 아니라, 자신만의 “세계 모델”로 미래를 시뮬레이션한 결과 컨센서스와 다른 결론에 도달하는 것입니다. AI 겨울에도 neural network를 포기하지 않은 이유는 고집이 아니라, 그의 세계 모델이 “이 기술은 결국 작동한다”고 예측했기 때문입니다. PM에게 필요한 것은 반골 기질이 아니라, 정확한 멘탈 모델입니다.
LeCun의 커리어를 관통하는 반복 패턴
LeCun의 40년 경력을 관통하는 메타 패턴: “세계 모델을 먼저 구축하고, 그 모델이 말하는 대로 행동한다”
주요 프로젝트 — 경력 전체 궤적
1980년대에 CNN을 발명하고, 1990-2000년대 AI 겨울을 견디며, 2012년 딥러닝 혁명으로 비로소 인정받기까지 — LeCun의 40년 여정은 “옳은 것을 증명하는 데 얼마나 오래 걸릴 수 있는가”의 실증입니다. 그리고 그는 지금, “현재 LLM은 진정한 이해에 도달할 수 없다”며 다시 한번 학계와 산업의 컨센서스에 도전하고 있습니다. 이 인내와 확신의 궤적을 따라가 봅니다.
커리어 타임라인
1960년 파리 출생. ESIEE Paris 공학 학위(1983) → Sorbonne University 컴퓨터과학 박사(1987, 역전파 연구) → University of Toronto 박사후(1987-88, Hinton 지도) → AT&T Bell Labs(1988-2003, CNN/LeNet 개발, 미국 우체국 수표 인식 시스템 실배포) → NYU Courant Institute 교수(2003-현재) → Facebook/Meta FAIR 창립 디렉터(2013) → Chief AI Scientist(2018) → Turing Award(2018, Hinton/Bengio 공동 수상) → Meta 퇴사(2025년 11월) → AMI Labs 설립(2025) → $1.03B 시드 라운드(2026년 3월, 유럽 역사상 최대).
Mermaid 다이어그램: 3트랙 진화 맵
%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#fdf2d8', 'primaryTextColor': '#17160f', 'primaryBorderColor': '#8f5e00', 'lineColor': '#7a7868', 'secondaryColor': '#e6edfb', 'tertiaryColor': '#eeebd8', 'fontSize': '14px'}}}%%
graph LR
subgraph CNN["CNN 기초연구"]
direction LR
C1["박사 논문
1987"] --> C2["LeNet
1989"]
C2 --> C3["Bell Labs
1988-2003"]
C3 --> C4["NYU
2003-현재"]
end
subgraph FAIR["FAIR 산업화"]
direction LR
F1["FAIR 창립
2013"] --> F2["PyTorch
2016"]
F2 --> F3["LLaMA 1
2023"]
F3 --> F4["LLaMA 3
2024"]
end
subgraph WM["세계 모델 비전"]
direction LR
W1["케이크 비유
2016"] --> W2["JEPA 논문
2022"]
W2 --> W3["V-JEPA
2024"]
W3 --> W4["AMI Labs
2025-26"]
end
style CNN fill:#fdf2d8,stroke:#8f5e00,stroke-width:2px
style FAIR fill:#e6edfb,stroke:#1a4fd6,stroke-width:2px
style WM fill:#fcecea,stroke:#b52a1e,stroke-width:2px
세 트랙은 독립적이지 않습니다 — CNN 기초연구(기술 기반) → FAIR 산업화(생태계 전략) → 세계 모델 비전(패러다임 전환)으로 이어지는 하나의 커리어 아크입니다. 각 트랙이 다음 트랙의 전제 조건이 됩니다.
핵심 프로젝트 분석
LeNet/CNN: 실용적 AI의 원점 (1989)
29세의 LeCun이 Bell Labs에서 개발한 합성곱 신경망. “포유류의 시각 피질 구조에서 영감을 받아” 이미지의 위치에 상관없이 패턴을 탐지하는 혁신적 아키텍처를 설계했습니다. 미국 우체국의 우편번호 자동 인식에 배포되어, 1990년대 후반~2000년대 초반 미국 전체 수표의 10% 이상을 처리한 최초의 대규모 실배포 신경망 시스템입니다.
PM 관점에서 LeNet의 진정한 의미는 기술적 혁신이 아닙니다. 이론이 실제 생산 시스템으로 전환된 최초의 사례 — 즉 “연구실에서 우체국까지”의 전체 가치 사슬을 한 사람이 관통했다는 점입니다.
FAIR: 오픈 리서치로 산업을 바꾸다 (2013-2025)
2013년 LeCun은 Facebook AI Research의 창립 디렉터로 합류하면서 한 가지 원칙을 고집했습니다: “모든 논문을 공개 발표한다.” 기업 연구소가 영업 비밀을 지키던 시대에, 오픈 리서치 모델은 파격이었습니다.
FAIR의 10년 성과: PyTorch(사실상 표준 프레임워크), LLaMA 시리즈(오픈소스 LLM의 시장 파괴), Detectron/FAISS/fastText(특화 도구의 표준화). 이 모든 것이 오픈소스로 공개되어 AI 연구 생태계를 근본적으로 변화시켰습니다.
LeCun이 LLaMA 2의 상용 라이선스 공개를 내부에서 강력히 주장한 이유: “기술을 가능한 한 널리 개방하여 발전 속도를 극대화하면, 선의의 행위자들이 항상 기술 우위를 유지한다.” PM 관점으로 번역하면: PMO 표준, 템플릿, 방법론을 조직 내부에서 “오픈소스”로 운영하면, 각 팀이 기여하면서 전체 품질이 올라간다. 지식을 움켜쥐는 PM보다 공유하는 PM이 결국 더 큰 영향력을 갖습니다.
JEPA와 세계 모델: LLM 이후를 설계하다 (2022-현재)
2022년 LeCun은 “A Path Towards Autonomous Machine Intelligence” 논문에서 JEPA(Joint Embedding Predictive Architecture)를 발표합니다. 핵심 원리: 픽셀이나 토큰 수준의 예측이 아닌, 추상적 표현 공간(latent space)에서의 예측. 인간이 세계를 학습하는 방식 — 관찰된 부분으로부터 세계의 다른 부분을 예측하는 — 을 모방합니다.
기존 LLM 방식이면 “다음 토큰 하나”만 예측합니다. JEPA는 세계의 추상적 표현 전체를 시뮬레이션합니다. GPU 효율성도 2-10배 우수합니다.
LeCun은 “3~5년 내 완전히 다른 패러다임의 시스템이 등장할 것”이라 예측합니다. AMI Labs의 $1.03B 시드 라운드는 투자자들도 이 예측에 베팅하고 있음을 보여줍니다. 기업 AI 전략을 수립할 때: (1) LLM 기반 시스템과 world model 기반 시스템의 하이브리드 접근을 준비하고, (2) 센서 데이터, 비디오, 물리적 세계 데이터 수집 파이프라인을 선제적으로 구축해야 합니다.
AMI Labs: 65세의 재출발 (2025-2026)
2025년 11월, LeCun은 12년간 재직한 Meta를 떠납니다. Meta가 LLM 스케일링에 집중하면서 자신의 세계 모델 비전과 괴리가 심화되었기 때문입니다. Advanced Machine Intelligence Labs(AMI Labs)를 파리에 설립하고, 2026년 3월 유럽 역사상 최대 규모인 $1.03B 시드 라운드(pre-money $3.5B)를 완료합니다.
투자자 라인업: Bezos Expeditions, Eric Schmidt, Mark Cuban, Tim Berners-Lee — 기술 역사를 만든 사람들이 LeCun의 세계 모델에 베팅했습니다.
산업에 미친 영향 — “예측하라, 반응하지 마라”
LeCun은 기술만 개발한 것이 아니라, AI가 세계를 이해하는 방식에 대한 근본적 패러다임 전환을 주도했습니다.
패러다임 전환 테이블
기업의 향후 AI 영향과 준비 항목
1. 오픈소스 AI 전략
LLaMA가 가르치는 교훈: 오픈소스 모델의 성능이 클로즈드 모델에 근접하면 시장 구조가 바뀐다. LLaMA 1 공개 후 Mistral(전 Meta 연구자 창업) 등 오픈소스 경쟁사가 대거 등장했고, Google까지 Gemma를 오픈 릴리스로 대응했습니다.
준비 항목: – 오픈소스 모델(LLaMA, Mistral 등) 기반 fine-tuning 역량 확보 – API 비용 vs 자체 인프라 운영의 장기 비용 비교 – vendor lock-in 위험 감소를 위한 멀티 모델 전략
2. LLM 한계 인식과 하이브리드 전략
LeCun이 지적하는 현재 LLM에 없는 4가지: 물리적 세계 이해, 영속적 기억, 추론, 계획 수립. 텍스트/대화 중심 업무에는 LLM이 유효하지만, 제조, 물류, 로봇, 의료 등 물리적 세계를 다루는 산업에서는 근본적 한계가 있습니다.
준비 항목: – LLM이 잘하는 영역과 못하는 영역의 명확한 구분 – 물리적 세계 데이터(센서, 비디오, IoT) 수집 파이프라인 선제 구축 – “LLM + world model” 하이브리드 아키텍처 R&D 팀 구성
3. 세계 모델 기반 AI 대비
AMI Labs의 초기 타겟 시장: 헬스케어, 로봇, 웨어러블, 산업 자동화. JEPA 기반 시스템의 2-10배 GPU 효율성은 비용 측면에서도 기업에 매력적입니다.
준비 항목: – JEPA 아키텍처에 대한 기술 팀 역량 확보 – 자사의 “물리적 세계 문제”가 무엇인지 정의 – world model 벤더/스타트업 생태계 모니터링
4. 멀티모달 AI 투자
LeCun의 비전에서 미래 AI는 텍스트만이 아닌 비디오, 센서, 물리적 상호작용을 통합 이해합니다. V-JEPA 2가 zero-shot 로봇 제어를 달성한 것은 이 비전이 실현 단계에 접어들었음을 보여줍니다.
준비 항목: – 텍스트 중심 AI 파이프라인을 멀티모달로 확장하는 로드맵 – 비디오/이미지 데이터 자산의 체계적 관리 – 로보틱스/자동화와 AI의 교차 영역 투자 검토
파급 효과 테이블
PO/PM 관점에서 본 LeCun의 사고 체계
LeCun의 World Model 개념은 PM이 프로젝트, 이해관계자, 시장에 대한 정신 모델을 어떻게 구축하고 유지해야 하는지를 직접적으로 보여줍니다. 반응하기 전에 예측하고, 실행하기 전에 시뮬레이션하는 습관 — 이것이 LeCun의 사고 체계에서 PM이 가져갈 수 있는 가장 실용적인 원칙입니다.
PO 관점: 비전/전략 설정 패턴
PM 관점: 프로젝트 운영 원리
LeCun 사고 모델 다이어그램
%%{init: {'theme': 'base', 'themeVariables': {'primaryColor': '#fdf2d8', 'primaryTextColor': '#17160f', 'primaryBorderColor': '#8f5e00', 'lineColor': '#7a7868', 'secondaryColor': '#e6edfb', 'tertiaryColor': '#eeebd8', 'fontSize': '14px'}}}%%
graph TD
A["세계 모델 구축
World Model First"] --> B["예측 기반 계획
Plan Before Act"]
A --> C["컨트래리안 판단
Challenge Consensus"]
B --> D["행동 전 결과 시뮬레이션
Actor + Critic Module"]
C --> E["증거가 뒷받침하면
소수 의견도 유지"]
D --> F["오픈소스 전략
생태계 효과 극대화"]
E --> F
F --> G["장기 인내
29년의 비전 관리"]
G --> H["전략적 전환
환경 불일치 시 이탈"]
H --> I["새로운 플랫폼에서
비전 재실행"]
style A fill:#fdf2d8,stroke:#8f5e00,stroke-width:2px
style F fill:#e6edfb,stroke:#1a4fd6,stroke-width:2px
style I fill:#fcecea,stroke:#b52a1e,stroke-width:2px
전통 PM 프레임워크 매핑
PO/PM/PL을 위한 메타인지 가이드
이 섹션의 핵심은 “컨트래리안 근육”을 기르는 것입니다 — 증거가 뒷받침할 때 다수의 합의에 반대할 수 있는 능력과, 동시에 현실에 대한 정확한 정신 모델을 유지하는 균형 감각입니다. 아래 4단계 가이드는 LeCun이 29년간 실증한 “소수 의견의 힘”을 실무에서 안전하게 훈련할 수 있도록 설계되었습니다.
– 잘못된 적용: “LLM은 안 된다고 하니까 우리 AI 프로젝트 중단하자” → 현재 LLM이 유효한 영역은 분명히 존재
– 올바른 적용: “LLM의 한계를 정확히 이해하고, 우리 도메인에서 LLM이 못하는 부분을 보완할 전략을 준비하자”
– 잘못된 적용: “오픈소스가 정답이니까 다 공개하자” → 핵심 경쟁력과 공개 범위의 전략적 구분 없이
– 올바른 적용: “공개할 때 생태계 효과가 극대화되는 영역을 식별하고, 전략적으로 개방한다”
2열 카드: PM 루트 vs PL 루트
PM 루트 — 프로젝트의 “세계 모델” 구축
LeCun의 핵심 기여: “행동의 결과를 예측하지 못하면 agentic system은 존재할 수 없다.” PM도 마찬가지입니다.
PM이 적용할 3단계: 1. 모델 구축: 프로젝트의 이해관계자, 리스크, 의존성을 하나의 내부 모델로 통합 2. 시뮬레이션: 의사결정 전 “이 결정의 2차, 3차 효과는?”을 멘탈 모델로 예측 3. 업데이트: 새로운 정보가 들어올 때마다 모델을 수정 — 오래된 가정에 기반한 모델은 위험
PL 루트 — 오픈소스 리더십
LeCun의 핵심 기여: 기술을 닫아두면 자신만 느려지고, 열어두면 생태계가 빨라진다.
PL이 적용할 3단계: 1. 공유 설계: 팀의 기술 자산 중 개방하면 전체가 이득인 영역 식별 2. 기여 유도: 오픈 코드리뷰, 내부 오픈소스 프로젝트 운영으로 참여 촉진 3. 표준 확산: 팀의 코딩 표준, 아키텍처 패턴을 조직 전체에 “de facto standard”로 확산
4단계 메타인지 훈련
PM/PL이 LeCun의 사고 체계를 내재화하기 위한 4단계 훈련입니다. 핵심은 “프레임워크를 외우는 것”이 아니라 “세계를 이해하는 방식 자체를 업그레이드”하는 것입니다.
Step 1: 인지 — 나의 멘탈 모델 점검 (Week 1-2)
목표: 현재 자신의 의사결정 모델이 얼마나 정확한지 인식(metacognitive awareness)
Step 2: 모델 — 세계 모델 구축 훈련 (Week 3-4)
목표: 프로젝트/이해관계자/시장에 대한 통합 멘탈 모델을 의식적으로 구축
Step 3: 예측 — 멘탈 모델로 예측하기 (Week 5-6)
목표: 구축한 세계 모델을 실제 예측에 활용, 정확도를 검증
Step 4: 통합 — 컨트래리안 사고의 일상화 (Week 7-8)
목표: 증거 기반의 독립적 판단이 습관이 되는 상태
Quick Start: 이번 주부터 시작할 5가지
LeCun이 PM/PL에게 던지는 가장 근본적인 질문은 이것입니다: “당신은 다음 이슈에 반응하고 있습니까, 아니면 세계 모델로 미래를 예측하고 있습니까?” Autoregressive LLM이 “다음 토큰”만 예측하듯, 반응형 PM은 “다음 이슈”에만 대응합니다. 하지만 LeCun이 29년간 증명한 것처럼, 정확한 세계 모델을 가진 사람은 AI 겨울도, 주류의 비판도, 조직의 방향 전환도 견딜 수 있습니다. PM에게 세계 모델이란, 프로젝트와 이해관계자와 시장에 대한 정확하고 지속적으로 업데이트되는 내부 표현입니다. 이것을 구축하고 유지하는 능력이, LeCun이 PM에게 가르치는 가장 핵심적인 교훈입니다.
“Agentic systems cannot exist without predicting consequences of actions, and LLMs cannot do this. So we need world models.” — 이 문장에서 “agentic systems”를 “유능한 PM”으로, “LLMs”를 “반응형 관리자”로 바꿔 보세요. 유능한 PM은 행동의 결과를 예측하지 않고서는 존재할 수 없고, 반응형 관리자는 이것을 할 수 없습니다. 그래서 우리에게는 세계 모델이 필요합니다.
다음 편 예고
LeCun이 “세계 모델로 예측하라”고 가르쳤다면, Hinton은 “그 예측에 안전 마진을 포함시켜라”고 경고합니다. 같은 Turing Award를 받은 두 사람의 AI 위험 시각이 정반대인 이유를 탐구합니다.
시리즈 상호 연계 — 7인의 사고 체계 연결 맵
시리즈 전체 보기
Tags
시리즈 네트워크에서 이 편과 연결된 글
- P-0 · AI 인물 탐구
7인의 사고 체계 종합 프레임워크 - P-3 · AI 인물 탐구
PM 코치가 바라보는 AI 전문가 탐구 3편: Demis Hassabis - P-5 · AI 인물 탐구
PM 코치가 바라보는 AI 전문가 탐구 5편: Geoffrey Hinton - P-11 · AI 인물 탐구
Agentic 시대 PO·PM·PL 5-Domain 역량 통합편 - K-4 · 사고 체계
Karpathy: AI의 사고 체계를 PM에 어떻게 적용할까? - B-5 · PM/PL 역할 전환
Agentic 시대, PM/PL과 엔지니어는 무엇을 준비해야 하는가
- P-0 7인의 사고 체계 종합 프레임워크
- P-1 Karpathy: 제약 설계 + 닫힌 루프
- P-2 Sutskever: 압축이 곧 지능이다
- P-3 Hassabis: 제1원리 분해
- P-4 LeCun: 세계 모델 + 예측
- P-5 Hinton: 거버넌스 + 자기부정
- P-6 Ng: AI 전환 플레이북
- P-7 Fei-Fei Li: 인간중심 설계
- P-8 Builders 종합: Boris·Cat·Truell·Masad·Murati·Brockman
- P-9 Operators 종합: Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
- P-10 Hardware 양강: Jensen Huang · Lisa Su
- P-11 PO·PM·PL 역량 통합: 5-Domain × 3-Level
전체 시리즈 가이드
Agentic PM — AI 에이전트 시대의 PM/PL·엔지니어 가이드 →
7개 카테고리 30+편으로 구성된 시리즈. AX 전략 · 현장 검증 · PM/PL 역할 전환 · 사고 체계 · AI 인물 탐구 · 실전 도구 · 실전 실험.
AI 전문가 탐구 시리즈 (A→E · 12편)
📘 A · Roots — 사고 체계
종합 ·
Karpathy ·
Sutskever ·
Hassabis ·
LeCun ·
Hinton ·
Ng ·
Fei-Fei Li
🛠️ B · Builders — 도구·프로덕트 비전
Boris·Cat·Truell·Masad·Murati·Brockman
🏛️ C · Operators — 회사·시장 동학
Altman·Amodei·Nadella·Pichai·Zuckerberg·Suleyman
⚙️ D · Hardware — 물리·경제 제약
Jensen Huang · Lisa Su (NVIDIA · AMD)
🎯 E · Integration — PO·PM·PL 통합 역량
5-Domain × 3-Level 통합 매트릭스
Peter Kim — PM 코치 / 15년+ 국내 대기업 PM 컨설팅 · PMP/CSP/CBAP · projectresearch.co.kr