"2~3년 후에는 사람들이 단일 시뮬레이션 세션에 1억 달러를 지불할 세상이 올 것이다."
Jun Park이 이끄는 Simile은 "미래 인간 행동 예측 시뮬레이션 마켓"을 표방한다. 기업·정부가 신제품 출시, 정책 시행, M&A 등 중대 의사결정 이전에 디지털 트윈 사회 전체를 시뮬레이션해 결과를 미리 본다는 것.
Harry Stebbings의 반응: "이번 방송은 최근 몇 년 중 가장 기술적으로 깊은 AI 대화였다." Jun의 테제는 명확하다 — 이 세대 AI 기업은 방어 가능한(defensible) 독특한 데이터 획득 전략 없이는 살아남을 수 없다.
Jun의 스탠포드 연구팀은 25명의 NPC가 사는 게임 마을을 만들었다. 각 에이전트는 GPT-3.5 기반, 아침에 일어나 → 일과 수행 → 출근 → 관계 형성. 발렌타인데이 전날부터 관찰이 시작됐다.
아무런 지시 없이 에이전트들이 자발적으로 발렌타인 파티를 기획하고, 카페를 함께 꾸미고, 서로 초대장을 돌렸다. 관계가 형성되고 감정이 이어졌다.
이 실험은 agentic workflow라는 개념의 원형이 됐고, 오늘날 LangChain·AutoGPT·BabyAGI가 표준으로 채택한 3가지 원리를 정립했다.
LLM은 기본적으로 기억이 없다. 룸메이트를 만날 때마다 "처음 뵙겠습니다"가 반복된다. Jun의 해결책은 단순했다 — 모든 경험을 마크다운 텍스트 파일에 기록. 하지만 컨텍스트 윈도우 한계에 부딪힌다. 한 주에 오믈렛을 5번 먹었다면? 단순 나열 대신 의미 추출이 필요하다.
일정 주기마다 에이전트는 자신에게 묻는다: "왜 이번 주에 오믈렛을 이렇게 자주 먹었나?" "바빴나? 좋아하나?" "왜 도서관에서만 공부하나?" 이 성찰에서 고차원 인사이트가 형성된다 — "이 연구 주제에 진짜 투자하고 있구나", "이건 내 어린 시절과 연결돼 있을지도".
에이전트가 스스로 일정을 계획하고 우선순위를 정한다. 이 3개 축이 오늘날 모든 에이전트 프레임워크의 표준이 됐다.
"이 세대 AI 기업들에게 핵심은: 방어 가능한(defensible) 독특한 데이터 획득 전략을 가져야 한다."
단순 오픈소스 데이터로는 경쟁 우위가 없다. 독점적 데이터 플라이휠을 돌려야 한다. Simile의 경우: 시뮬레이션 실행 → 인간 행동 데이터 축적 → 모델 개선 → 더 정확한 시뮬레이션.
Jun의 새로운 평가 기준: 전통적 AI 평가는 "정확도 몇 %?"였지만, 앞으로는 "실제 인간 행동을 얼마나 잘 예측하나?"가 벤치마크가 된다.
수십 년간 컴퓨터 과학의 꿈은 "어떤 환경에서도 인간처럼 행동하는 범용 에이전트"였다. LLM + 웹 데이터 = 처음으로 이 꿈이 실현 가능한 기반이 마련됐다. 도메인 특화 모델이 필요 없다 — 단일 아키텍처로 다양한 상황에 대응한다.
시뮬레이션의 잠재 시장:
Jun의 마무리: "우리는 이제 단순 오픈소스 벤치마크의 시대를 지나, 진짜 세계의 대리인(proxy) 역할을 하는 AI로 옮겨가고 있다."