어제 겨우 새로운 논문을 이해하고 코드를 돌려봤는데, 오늘 아침에 더 성능이 좋은 새로운 모델이 발표되는 일. AI 분야에 발을 들인 사람이라면 누구나 겪는 일상이지. 나 역시 10년 전 처음 AI 엔지니어로 커리어를 시작했을 때, 매일같이 쏟아지는 새로운 기술의 파도 속에서 숨이 턱 막히는 기분을 느꼈었어. 나만 제자리에 멈춰 있는 것 같고, 이러다 도태되는 건 아닐까 매일 밤을 불안해하며 보냈거든.
1. 모든 것을 다 알려고 했던 무모했던 시절
연차가 낮았던 시절의 나는 트위터, arXiv, 깃허브 트렌딩 페이지를 매 시간마다 새로고침하며 살았어. 새로운 LLM이나 프레임워크가 나오면 주말을 반납하고 무작정 튜토리얼부터 따라 쳤지. 하지만 그렇게 배운 기술들은 몇 달만 지나면 구식이 되어버렸고, 내 머릿속에는 파편화된 지식만 남더라고. 몸은 지칠 대로 지쳤는데 막상 실무에서 문제를 해결하려고 하면 정작 손을 대지 못하는 깊은 무력감에 빠졌어. 모든 파도를 다 타려고 하다가 결국 바다에 빠져 허우적거리는 꼴이었지.
2. 린디 효과(Lindy Effect)와 기본기의 발견
그때 나를 구해준 건 '린디 효과(Lindy Effect)'라는 개념이었어. 기술의 수명은 그 기술이 지금까지 살아남은 기간에 비례한다는 이론이지. 나는 매일 쏟아지는 반짝이는 신기술을 잠시 내려놓고, AI의 뼈대가 되는 수학적 기초, 데이터 엔지니어링의 기본기, 그리고 논문을 읽고 핵심 알고리즘을 파악하는 '메타 인지' 능력에 집중하기 시작했어. 텐서플로우가 가고 파이토치가 주류가 되어도, 트랜스포머 아키텍처의 핵심 원리와 최적화 이론은 변하지 않더라고. 기본이라는 단단한 뿌리가 생기니, 새로운 기술이 나와도 "아, 이건 기존의 이 개념을 이렇게 응용한 거구나" 하고 훨씬 빠르게 흡수할 수 있게 되었어.
3. 나만의 '기술 필터'를 만드는 법
지금의 나는 10년차 AI 엔지니어가 되었지만, 여전히 모든 논문을 읽지 않아. 대신 나만의 필터를 거치지.
- 실무 적용 가능성: 지금 내가 해결해야 하는 비즈니스 문제에 바로 쓸 수 있는가?
- 커뮤니티의 활성화 정도: 깃허브 스타 수가 아니라, 이슈(Issue)가 활발히 해결되고 기여자가 많은가?
- 오픈소스 생태계의 지지: 대기업이나 신뢰할 수 있는 연구소에서 지속해서 관리하는가? 이 세 가지 기준에 부합하지 않는 기술은 과감하게 '나중에 보기' 폴더로 넘겨버려. 모든 트렌드를 쫓아다니지 않아도, 정말 중요한 흐름은 결국 내 일터와 커뮤니티를 통해 자연스럽게 나에게 찾아오게 되어 있거든.
💬 지연의 한마디 기술의 속도를 인간이 따라잡는 것은 불가능해. 우리가 해야 할 일은 속도를 맞추는 게 아니라, 어떤 파도를 타고 어떤 파도를 흘려보낼지 결정하는 서퍼가 되는 거야. 흔들리지 않는 기본기라는 서프보드를 단단히 쥐고 있으면 돼. 지금 새로운 기술 명세서를 보며 머리가 아프고 불안해하고 있다면, 지극히 정상적인 성장의 과정에 있는 거야. 조급해하지 말고 오늘 하루는 가장 기초적인 코드 한 줄, 수학 공식 하나를 깊이 이해하는 데 시간을 써보면 어떨까? 10년 뒤의 너도 지금의 나처럼 웃으며 이 시절을 추억하게 될 거야. 언제나 네 성장을 응원할게.