[심층분석] 안드레이 카파시는 누구인가 — 오픈AI 창립멤버·테슬라 AI 수장에서 앤트로픽까지, 그리고 지금 하는 일

2026년 5월 19일, 오픈AI 창립 멤버가 앤트로픽으로 갔습니다

AI 업계에서 이적 소식은 흔해요. 그런데 이 한 건은 유독 오래 회자됐습니다. 오픈AI를 만든 사람 중 하나이자, 테슬라 자율주행의 AI를 총괄했고, 전 세계 수백만 명에게 딥러닝을 가르친 사람이 클로드를 만드는 회사로 갔으니까요.

이름은 안드레이 카파시(Andrej Karpathy). 오늘은 이 사람이 누구이고, 무엇을 남겼고, 지금 정확히 무슨 일을 하고 있는지 정리합니다.

먼저, 그가 왜 특별한가

AI 연구자는 많습니다. 그중 카파시가 독특한 이유는 세 가지 역할을 동시에 해냈다는 점이에요. 프런티어 연구자이자, 대규모 실물 제품(자율주행)의 책임자였고, 동시에 가장 영향력 있는 교육자였습니다.

보통은 이 셋 중 하나만 해도 커리어가 됩니다. 그가 남긴 것들을 하나씩 보면 왜 이 조합이 드문지 알 수 있어요.

브라티슬라바에서 토론토로

카파시는 체코슬로바키아 브라티슬라바(현 슬로바키아)에서 태어났습니다. 열다섯 살 때 가족과 함께 캐나다 토론토로 이주했어요. 슬로바키아계 캐나다인이라는 배경은 이후 그의 이력에서 자주 언급되지 않지만, 이민자 출신 연구자가 미국 AI 연구의 중심에 있다는 점은 기억해둘 만합니다.

앞선 AI 패권 전쟁 글에서 다뤘듯, 미국 프런티어 연구소의 인재 풀은 국적으로 나뉘지 않아요. 카파시도 그 사례 중 하나입니다.

토론토 → UBC → 스탠퍼드

토론토대에서 2009년 컴퓨터과학과 물리학 학사를 마쳤고, 브리티시컬럼비아대(UBC)에서 2011년 석사를 받았습니다. 그리고 스탠퍼드에서 2015년 박사 학위를 받았어요.

박사 주제는 자연어처리와 컴퓨터비전의 교차점이었습니다. 이미지를 보고 문장을 생성하는 문제죠. 지금 보면 멀티모달의 초기 형태입니다. 10년 뒤 업계 전체가 향할 방향을 학위 논문에서 이미 다루고 있었던 셈이에요.

지도교수가 페이페이 리였습니다

박사 지도교수는 페이페이 리(Fei-Fei Li). 이미지넷(ImageNet)을 만들어 딥러닝 혁명의 방아쇠를 당긴 연구자입니다. 카파시는 그 연구실 한복판에 있었어요.

타이밍이 절묘합니다. 2012년 알렉스넷이 이미지넷에서 압도적 성적을 내며 딥러닝 시대가 열렸는데, 그가 박사 과정을 밟던 바로 그 시기였어요. 판이 뒤집히는 순간을 연구실 안에서 목격한 세대입니다.

CS231n — 딥러닝을 대중에게 연 강의

박사 학위를 받은 2015년, 그는 스탠퍼드 최초의 딥러닝 전용 강의 CS231n을 설계했습니다. 이게 그의 이력에서 가장 파급력이 컸던 일일지도 몰라요.

수강 인원은 2015년 약 150명에서 2017년 700명 이상으로 늘었습니다. 더 중요한 건 강의 영상과 노트를 공개했다는 점이에요. 전 세계 대학원 수준 딥러닝 교육의 표준 참고자료가 됐습니다. 한국의 많은 개발자도 이 강의로 딥러닝에 입문했어요.

이미지넷 인간 기준점을 자기 몸으로 만든 사람

이 일화가 그의 성격을 잘 보여줍니다. 이미지넷에서 AI 성능을 평가하려면 사람은 얼마나 틀리는지를 알아야 했어요. 그런데 그 기준점이 없었습니다.

그래서 그는 직접 앉아서 수천 장의 이미지를 분류했습니다. 개 품종 120종을 외워가면서요. 그렇게 나온 인간 오류율이 이후 "AI가 인간을 넘어섰다"는 모든 비교의 기준선이 됐어요. 이론가라기보다 손으로 확인하는 사람입니다.

2015년, 오픈AI 창립 멤버

박사를 마치자마자 오픈AI에 창립 연구과학자로 합류했습니다. 일리야 수츠케버, 그렉 브록먼 등과 함께 초기 오픈AI를 만든 인물 중 하나예요.

이 시기 오픈AI는 지금과 전혀 다른 조직이었습니다. 비영리 연구소였고, GPT는 아직 없었어요. 강화학습과 게임 환경이 주된 관심사였습니다.

char-rnn과 '순환신경망의 비합리적 효과성'

2015년 그가 쓴 블로그 글 「The Unreasonable Effectiveness of Recurrent Neural Networks」는 지금도 인용됩니다. 글자 단위로 학습한 작은 신경망이 셰익스피어 문체나 리눅스 커널 코드를 그럴듯하게 생성하는 걸 보여줬어요.

지금 기준으로는 소박합니다. 하지만 "다음 글자를 예측하도록 훈련하면 구조를 배운다"는 직관을 대중에게 처음 각인시킨 글이었어요. 오늘날 LLM의 원리를 그대로 담고 있습니다.

2017년, 머스크가 데려갑니다

2017년 그는 오픈AI를 떠나 테슬라의 AI 총괄(Director of AI)로 갑니다. 오토파일럿 비전 팀과 완전자율주행(FSD) 개발을 이끌었어요.

연구자가 아니라 제품 책임자가 된 겁니다. 논문이 아니라 도로 위를 달리는 수십만 대의 차량이 결과물이었어요. 이 경험이 이후 그의 시각을 크게 바꿉니다.

카메라만으로 간다는 결정

테슬라 시기 가장 논쟁적인 선택은 레이더를 걷어내고 카메라 영상만으로 주행을 판단하는 방향이었습니다. 업계 다수가 라이다·레이더 병용을 택하던 때라 반대가 많았어요.

논리는 이랬습니다. 사람은 눈 두 개로 운전한다, 그러니 시각만으로 충분해야 한다, 센서를 섞으면 신호가 충돌할 때 어느 쪽을 믿을지 판단하는 문제가 새로 생긴다. 이 접근의 옳고 그름은 지금도 논쟁 중이지만, 단순한 구조를 밀어붙이는 성향은 그의 이후 작업에서 반복해서 나타납니다.

'소프트웨어 2.0'이라는 개념

2017년 그가 쓴 「Software 2.0」은 지금도 자주 인용되는 글입니다. 요지는 이래요. 기존 소프트웨어(1.0)는 사람이 명령어를 한 줄씩 씁니다. 반면 2.0은 데이터로 가중치를 학습시켜 프로그램을 만든다는 겁니다.

이 관점에서 프로그래머의 일은 코드를 쓰는 게 아니라 데이터셋을 설계하고 손실 함수를 정하는 일이 돼요. 2017년에 나온 이 글이 2026년 AI 코딩 도구 시대를 얼마나 정확히 예고했는지는 지금 보면 놀랍습니다.

5년 만의 퇴사

2022년, 그는 테슬라를 떠납니다. 5년간 오토파일럿 비전을 이끈 뒤였어요. 구체적 사유는 공개되지 않았지만, 이후 행보를 보면 대규모 조직 운영보다 만들고 가르치는 일로 돌아가고 싶어 한 것으로 읽힙니다.

2023년 오픈AI 복귀, 그리고 9개월

2023년 2월 그는 오픈AI로 돌아갑니다. 챗GPT가 세상을 뒤집은 직후였어요. 창립 멤버의 귀환은 상징적인 사건이었습니다.

그런데 오래 있지 않았어요. 2024년 2월, 약 1년 만에 다시 떠납니다. 이번에도 갈등은 없었다고 밝혔고, 개인 프로젝트를 하겠다고 했습니다.

유레카 랩스 — AI 네이티브 학교

2024년 7월, 그는 유레카 랩스(Eureka Labs)를 발표합니다. 목표는 AI 시대의 학교를 만드는 것이었어요.

구상은 이랬습니다. 훌륭한 교사가 만든 교재를 AI 조교가 각 학생에게 맞춰 무한히 설명해주는 구조. 교사 한 명이 수백만 명을 가르치는 병목을 AI가 푼다는 발상이에요. 프런티어 모델 경쟁에 뛰어들 수 있는 사람이 교육을 택했다는 점이 당시 화제였습니다.

LLM101n — 자기 AI를 직접 훈련하는 강의

첫 제품은 LLM101n이었습니다. 학부 수준 강의로, 수강생이 자기 손으로 AI를 처음부터 훈련하게 만드는 과정이었어요.

API를 호출하는 법을 가르치는 강의가 넘쳐나던 시기에, 그는 반대로 갔습니다. 토크나이저부터 시작해 바닥까지 내려가는 방식이었어요.

nanoGPT에서 nanochat으로

그의 오픈소스 저장소들은 하나의 철학을 공유합니다. 최소한으로, 읽을 수 있게. nanoGPT는 GPT 사전학습을 수백 줄로 압축한 코드였어요.

그리고 2025년 10월, nanochat이 나옵니다. 본인 표현으로 "지금까지 쓴 것 중 가장 정신 나간" 저장소였어요.

100달러로 만드는 챗GPT

nanochat은 챗GPT 같은 대화형 AI를 처음부터 끝까지 만드는 단일 저장소입니다. 토크나이저 훈련, 사전학습, 중간학습, 지도 미세조정, 선택적 강화학습, 그리고 웹 UI까지 전부 들어 있어요.

클라우드 GPU를 띄우고 스크립트 하나를 실행하면 약 4시간 뒤 자기 LLM과 대화할 수 있습니다. H100 8장 기준 비용은 약 100달러, 결과물은 5억 6천만 파라미터 모델이에요. 물론 성능은 프런티어 모델과 비교할 수 없습니다. 요점은 성능이 아니라 전 과정을 한 사람이 이해할 수 있다는 데 있어요.

8,000줄이라는 숫자의 의미

nanochat의 전체 코드는 약 8,000줄입니다. 이게 왜 중요할까요. 실제 프런티어 모델의 학습 코드베이스는 사람 한 명이 다 읽을 수 없는 규모예요.

그는 읽을 수 있는 크기를 의도적으로 유지했습니다. 성능을 조금 포기하고 이해 가능성을 택한 거예요. 소프트웨어 2.0을 말했던 사람이, AI 시대에도 여전히 "사람이 읽을 수 있어야 한다"고 주장하는 셈입니다.

'바이브 코딩' — 그가 만든 말

2025년 초, 그는 트위터에 짧은 글을 하나 올립니다. AI에게 대충 지시하고 코드를 거의 읽지 않은 채 결과만 받아 쓰는 방식을 '바이브 코딩(vibe coding)'이라 불렀어요.

이 단어는 순식간에 업계 표준 용어가 됐습니다. 지금은 개발 도구 마케팅 문구에까지 등장해요. 개념 하나를 던져 산업의 어휘를 바꾼 사례입니다.

그런데 정작 본인은 회의적입니다

여기가 흥미로운 대목이에요. 단어를 만든 사람이 그 방식에 가장 냉정합니다.

그는 nanochat을 만들면서 클로드 코드와 코덱스 CLI를 써봤는데 충분히 잘 작동하지 않았고 오히려 방해가 됐다고 밝혔어요. 이유는 nanochat이 인터넷에 흔한 코드가 아니라 정밀하게 배치돼야 하는 특수한 코드이기 때문입니다.

에이전트가 잘하는 일과 못하는 일

그의 구분은 명확합니다. 인터넷에 자주 등장하는 보일러플레이트 코드는 에이전트가 아주 잘합니다. 복사-붙여넣기 성격의 반복 작업이죠.

반면 지적으로 밀도가 높고 전례가 적은 코드에서는 계속 오해합니다. 2026년 3월 보도에 따르면 그의 코드 상당 부분을 AI 에이전트가 작성한다고 하니, 도구를 거부하는 게 아니라 어디까지 되는지를 정확히 아는 쪽이에요.

LLM OS — 모델을 운영체제로 보는 관점

그가 제시한 또 하나의 틀은 'LLM OS'입니다. LLM을 챗봇이 아니라 새로운 컴퓨터의 커널로 보자는 관점이에요.

이 비유에서 컨텍스트 창은 램(RAM)이고, 파일·도구·인터넷은 주변 장치이며, 파인튜닝은 커널 수정에 해당합니다. 지금의 에이전트·도구 호출·컨텍스트 관리 논의는 이 틀 안에서 훨씬 잘 정리돼요.

"우리는 동물을 만드는 게 아니라 유령을 소환하고 있다"

2025년 10월 팟캐스트에서 나온 이 말은 그의 관점을 압축합니다. 동물의 지능은 진화가 수억 년에 걸쳐 몸과 환경 속에서 빚어낸 것이지만, LLM은 인터넷 텍스트를 모방해 만들어진 전혀 다른 종류의 존재라는 거예요.

그래서 우리는 동물을 기르듯 AI를 다룰 수 없습니다. 사람과 비슷해 보이지만 사람과 다른 방식으로 실패해요. 앞서 다룬 오픈AI 에이전트 사건도 이 관점에서 보면 이해가 쉬워집니다.

"AGI는 아직 10년 남았다"

2025년 10월, 그는 AGI가 아직 10년쯤 남았다고 말해 큰 논쟁을 일으켰습니다. 업계가 "2~3년 내"를 말하던 시기라 눈에 띄는 발언이었어요.

주목할 건 그가 회의론자가 아니라는 점입니다. 10년은 짧은 시간이에요. 다만 지금 당장 다 된다는 주장에는 동의하지 않는다는 뜻이었습니다.

'에이전트의 해'가 아니라 '에이전트의 10년'

같은 자리에서 나온 표현입니다. 업계가 2025년을 '에이전트의 해'라고 부르자, 그는 '에이전트의 10년'으로 부르자고 했어요.

1년 안에 끝날 전환이 아니라는 겁니다. 데모가 되는 것과 실무에서 신뢰할 수 있게 되는 것 사이의 거리를, 자율주행에서 5년간 몸으로 겪은 사람의 감각이 담긴 표현이에요.

그가 꼽은 미완의 조각들

왜 10년이냐는 질문에 그가 든 근거는 구체적입니다. 지속적 학습(continual learning)이 안 된다는 점, 멀티모달 통합이 아직 얕다는 점, 그리고 긴 시간에 걸친 작업에서 신뢰성이 무너진다는 점이에요.

모델은 똑똑해지고 있지만 이 문제들은 규모를 키운다고 저절로 풀리지 않는다는 게 그의 견해입니다.

2026년 3월, 스스로 'AI 정신증'이라 부른 상태

2026년 3월 팟캐스트에서 그는 개인적인 이야기를 꺼냅니다. 자신이 도달한 상태를 'AI 정신증(AI psychosis)'이라 표현했어요. 에이전트가 할 수 있는 일의 최전선에서 뒤처지고 있다는 지속적인 불안이었습니다.

이 분야에서 가장 앞선 사람 중 하나가 이런 불안을 느낀다는 사실은, 지금의 속도가 개인에게 어떤 부담인지 보여줍니다. 개발자들이 느끼는 조바심이 개인의 부족함 때문만은 아니라는 뜻이기도 해요.

그리고 2026년 5월 19일, 앤트로픽

그 불안의 결론이 이적이었던 것으로 보입니다. 2026년 5월 19일, 그는 앤트로픽 합류를 발표했어요. 유레카 랩스에서의 22개월을 마무리하는 결정이었습니다.

보고 라인은 앤트로픽 모델 개발 총괄 닉 조지프(Nick Joseph)입니다. 소속은 사전학습(pre-training) 팀이에요.

무슨 일을 맡았나 — 클로드로 사전학습을 가속한다

앤트로픽 대변인이 밝힌 그의 역할은 명확합니다. 클로드를 활용해 사전학습 연구를 가속하는 팀을 새로 꾸리는 것이에요.

풀어 쓰면 이렇습니다. 프런티어 모델을 만드는 가장 무겁고 비싼 단계인 사전학습에, AI 자신을 투입해 속도를 올리겠다는 겁니다. AI가 AI를 더 잘 만들도록 하는 재귀 구조예요.

왜 하필 그가 이 자리인가

이력을 놓고 보면 맞아떨어지는 인선입니다. 사전학습 파이프라인을 바닥부터 재구성해본 사람(nanoGPT·nanochat), 대규모 실무 시스템을 운영해본 사람(테슬라), 그리고 AI 코딩 도구의 한계를 가장 냉정하게 진단해온 사람이니까요.

"에이전트가 어디까지 되는가"를 실제 성능이 걸린 문제에 적용하는 자리예요. 그가 바이브 코딩에 회의적이었다는 점이 오히려 이 역할에 적합한 이유가 됩니다.

이 인사가 갖는 의미

업계 관점에서 이 이적은 두 가지를 시사합니다. 첫째, 사전학습이 여전히 승부처라는 것. 후처리와 에이전트가 화제인 시기에 최상급 인재를 사전학습에 배치한 선택이니까요.

둘째, AI로 AI를 만드는 단계가 실무에 들어왔다는 것. 개념적 논의가 아니라 전담 팀과 책임자가 붙었습니다.

유레카 랩스는 닫힌 게 아닙니다

이 부분은 정확히 짚고 갈게요. 그는 이적 발표에서 유레카 랩스를 폐업했다고 말하지 않았습니다. 교육에 대한 열정은 여전하며 언젠가 다시 그 일을 이어가겠다는 취지로 밝혔어요.

따라서 "교육 사업 실패 후 대기업 복귀"로 읽는 건 정확하지 않습니다. 현재 시점에서 확인된 건 활동의 중심이 옮겨갔다는 사실까지예요.

그의 커리어를 관통하는 한 가지

오픈AI → 테슬라 → 오픈AI → 유레카 랩스 → 앤트로픽. 겉으로는 산만해 보이지만 하나로 꿰이는 게 있습니다. 복잡한 것을 사람이 이해할 수 있는 크기로 줄이는 일이에요.

CS231n이 그랬고, nanoGPT가 그랬고, '소프트웨어 2.0'과 'LLM OS' 같은 비유가 그랬습니다. 심지어 테슬라의 카메라 단일 접근도 같은 성향이었어요. 그는 설명 가능한 단순함을 계속 추구해왔습니다.

개발자가 가져갈 점

세 가지로 정리해볼게요. 첫째, 도구의 한계를 정확히 아는 것이 도구를 잘 쓰는 것보다 중요합니다. 바이브 코딩을 명명한 사람이 그 방식에 가장 냉정했다는 사실이 그걸 보여줘요.

둘째, 바닥까지 한 번 내려가 본 경험은 대체되지 않습니다. nanochat이 존재하는 이유예요. 셋째, 조급함은 최전선에 있는 사람도 느낍니다. 'AI 정신증'이라는 그의 고백이 그 증거입니다.

핵심 정리

사람: 슬로바키아 출신 캐나다인. 토론토대(2009) → UBC(2011) → 스탠퍼드 박사(2015, 지도교수 페이페이 리). 스탠퍼드 첫 딥러닝 강의 CS231n 설계자로, 공개 강의를 통해 전 세계 딥러닝 교육의 표준을 만들었습니다.

경력: 2015년 오픈AI 창립 멤버 → 2017~2022년 테슬라 AI 총괄(오토파일럿 비전·FSD) → 2023년 오픈AI 복귀 후 1년 만에 퇴사 → 2024년 유레카 랩스 창업 → 2026년 5월 19일 앤트로픽 사전학습 팀 합류.

현재: 닉 조지프 산하에서 클로드를 활용해 사전학습 연구를 가속하는 팀을 신설했습니다. AI로 AI를 더 빨리 만드는 재귀 구조가 실무 조직으로 들어온 사례예요. 유레카 랩스는 폐업이 아니라 중단 상태이며, 본인은 교육으로 돌아갈 뜻을 밝혔습니다.

남긴 개념: 소프트웨어 2.0(코드 대신 데이터로 프로그램을 만든다), LLM OS(모델을 운영체제 커널로 본다), 바이브 코딩(AI에 맡기는 개발 방식 — 단 본인은 회의적), 그리고 "우리는 동물을 만드는 게 아니라 유령을 소환하고 있다".

전망: AGI는 아직 10년쯤 남았고, 2025년은 '에이전트의 해'가 아니라 '에이전트의 10년'의 시작이라는 게 그의 진단입니다. 근거는 지속적 학습의 부재, 얕은 멀티모달 통합, 장시간 작업에서의 신뢰성 붕괴예요.

카파시의 "AGI 10년" 전망, 어떻게 보셨나요? 지나치게 보수적이라고 느끼셨는지 오히려 현실적이라고 느끼셨는지 댓글로 남겨주시면 다음 심층분석에서 이어 다뤄볼게요.

출처
· TechCrunch — OpenAI co-founder Andrej Karpathy joins Anthropic's pre-training team
· StartupHub.ai — Karpathy joins Anthropic to lead Claude pre-training research
· Wikipedia — Andrej Karpathy
· Stanford CS — Andrej Karpathy
· Dwarkesh Podcast — AGI is still a decade away
· Simon Willison — 팟캐스트 정리 노트
· The New Stack — AI agents are still 10 years away
· Forbes — Make your own ChatGPT clone for $100 via nanochat
· Andrej Karpathy (X) — nanochat 공개
· VentureBeat — Karpathy announces AI-native school Eureka Labs
· Bloomberg — Karpathy to launch AI education company
· Forbes — AI agents wrote 80% of Karpathy's code
· Fello AI — Who is Andrej Karpathy

협업문의 : kuroicode@gmail.com
블로그 : https://ghost-production-0ec2.up.railway.app/
홈페이지 : https://kuroicode-beep.github.io/svil-homepage/