We finally got $SPCX volume, $35b so far which I believe already makes most ever for an IPO and by far the most active name on day. My $58b guess looking ok, maybe a touch high. The all-time volume record for any stock any day is held by $TSLA which once did $158b at end of 2020.
$SPCX - CITADEL HANDLES RECORD RETAIL IPO ORDERS
Citadel Securities said it processed a record number of retail orders during an IPO auction, based on its internal data. The firm described the activity as the largest retail order flow it has handled for an IPO auction to date.
한 유튜버가 일주일 동안 스크린을 포함한 불필요한 시각·청각 자극을 전부 차단하는 실험을 했음. 휴식 시간엔 핸드폰 대신 벽을 20분간 응시하고, 이동 중엔 음악도 안 틀고, 배경 영상 없이 하나에만 집중하는 생활.
결과가 꽤 충격적이었음.
1. 뇌에는 '멘탈 대역폭'이라는 한계가 있음
생산성 전문가 라이언 도리스가 말하는 핵심 개념임.
우리 뇌가 하루에 처리할 수 있는 정보의 총량은 정해져 있음. 이걸 멘탈 대역폭이라고 부름.
문제는 이 대역폭을 뭘로 채우고 있느냐임.
아침에 눈 뜨자마자 인스타 피드 넘기고, 유튜브 틀어놓고 밥 먹고, 이메일 확인하고, 줄 서면서 뉴스 보고.
이게 다 '입력(Input)'임. 뇌 입장에서는 전부 처리해야 할 정보임.
정작 중요한 일을 시작할 때쯤이면 대역폭이 이미 반쯤 소모된 상태인 거임.
집중 못 하는 게 의지 부족이 아니라, 시작 전에 이미 뇌를 다 써버린 거임.
2. 실험의 세 가지 규칙
지루한 휴식 취하기: 쉬는 시간에 폰 보지 말고 벽을 응시함. 뇌가 진짜로 쉬려면 새로운 자극이 0이어야 함.
막간의 시간 머무르기: 줄 서거나 이동할 때 음악이나 영상으로 빈틈을 채우지 않음. 그냥 가만히 있음.
한 번에 하나씩 하기: 멀티태스킹을 멈춤. 배경 음악도 영상도 없이, 지금 하는 일 하나에만 집중함.
핵심은 전부 '입력을 줄이는 것'임. 뇌에 들어오는 정보를 막아서 대역폭을 지키는 거임.
3. 바뀐 건 집중력만이 아니었음
대역폭이 확보되니까 일에 대한 몰입도가 확 올라갔는데, 의외의 변화도 있었음.
반려견이랑 산책하는 순간이 더 풍요롭게 느껴지고, 가족과 대화할 때 더 깊이 몰입하게 됐음.
자극을 줄이니까 일상의 작은 순간들이 더 또렷해진 거임.
4. 실험 후 정리한 실전 팁 네 가지
가장 중요한 일 전에는 다른 일을 하지 말 것. 하루 중 대역폭이 가장 꽉 찬 첫 시간을 핵심 목표에만 쓸 것.
집중 안 될 때는 10~15분 벽 응시. 대역폭 리셋됨. 지루함이 끝나면 일이 훨씬 흥미롭게 느껴짐.
가능하면 종이와 펜을 쓸 것. 화면은 알림, 색상, 아이콘으로 뇌를 피곤하게 만듦. 종이는 출력에만 집중하게 해줌.
이메일, SNS, 유튜브 같은 입력은 하루 최대한 늦은 시간으로 미룰 것.
재밌는 건, 이 실험의 핵심이 '더 열심히 하는 법'이 아니라는 점임.
오히려 정반대임. 덜 넣는 법임.
생산성을 올리려면 뭔가를 더 해야 한다고 생각하기 쉬운데, 진짜 병목은 이미 너무 많이 넣고 있다는 거였음.
집중력의 시대가 끝난 건 아님. 다만, 집중력을 지키려면 더 하는 게 아니라 덜 넣는 게 먼저인 것 같음.
Lots of people asked how I used Fable to edit its own launch video so I made a video about that!
TLDR it wrote a lot of code & tool calls to use transcription services, ffmpeg, do colorgrading, use the figma mcp, make remotion UI and render it.
I didn't touch a video editor.
ANTHROPIC'S CLAUDE FABLE 5 SYSTEM PROMPT JUST LEAKED
Someone extracted the full internal system prompt from claude fable 5 and it's a goldmine for anyone building with llms
here's what's actually inside:
▫️ fable 5 and mythos 5 share the same underlying model fable is the public version with extra safety guardrails, mythos goes to approved orgs only
▫️ model strings exposed: claude-fable-5, claude-opus-4-8, claude-sonnet-4-6, claude-haiku-4-5-20251001
▫️ knowledge cutoff is end of jan 2026 but claude is instructed to web search anything that might've changed
▫️ detailed instructions on when NOT to be sycophantic no excessive apologies, no self-abasement, maintain self-respect even when users are rude
▫️ artifacts get persistent key-value storage via https://t.co/MCCaxedDab enabling journals, trackers, leaderboards across sessions
▫️ strict copyright rules baked in hard limit of 15 words per quote, one quote per source max, never reproduce lyrics or poems
▫️ memory system is opt-in claude only has memories if the user enables it in settings
▫️ claude can now end conversations with an end_conversation tool if users become abusive
▫️ full mcp app integration logic connectors need opt-in before claude calls third-party tools on your behalf
the most interesting part? how much of claude's "personality" is explicitly engineered in the prompt vs emergent from training.
github repo: https://t.co/eL70F3LWBh
SemiAnalysis의 HVDC 견해에는 일부 동의하기 어렵다
SemiAnalysis가 말하는 방향성 자체는 맞다.
AI 데이터센터의 전력 구조는 결국 AC 중심에서 DC 중심으로 이동할 수밖에 없다. 그리고 그 최종 형태가 800VDC/HVDC 기반의 전력 아키텍처라는 점도 맞다.
다만 문제는 타임라인이다.
SemiAnalysis는 800VDC의 본격적인 전환, 특히 데이터센터 전체 전기 구조를 바꾸는 중앙집중형 정류기 기반 아키텍처를 2028~2029년 Phase 3로 보고 있다.
하지만 나는 이 부분에는 동의하기 어렵다.
왜냐하면 지금 AI 데이터센터가 마주한 병목은 단순한 “차세대 기술 채택”의 문제가 아니라, 당장 전력 변환 효율을 올리지 않으면 랙 밀도와 전력비, 냉각비, 전력 인입 문제를 감당하기 어려운 구조적 압박이기 때문이다.
AI 서버는 이미 기존 데이터센터의 전력 설계를 벗어나고 있다.
GPU 수가 늘고, 랙당 전력 밀도가 올라가고, 전력 변환 단계가 많아질수록 손실은 누적된다. 기존 AC 기반 UPS·PDU·PSU 체계는 여러 번의 변환 과정을 거치기 때문에 손실이 커지고, AI 워크로드처럼 부하 변동이 큰 환경에서는 더 비효율적이다. 2026년 공개된 800VDC 데이터센터 시뮬레이션 논문도 기존 UPS 기반 AC 공급망은 여러 변환 단계와 저주파 변압기로 인해 손실이 누적된다고 설명한다.
즉, HVDC는 “2028년에 해도 되는 선택지”가 아니다.
지금부터 2027년 안에 반드시 풀어야 하는 생존형 과제에 가깝다.
전력은 기다려주지 않는다
CPO는 지연될 수 있다.
구리는 더 오래 버틸 수 있고, 플러그형 광모듈도 아직 개선 여지가 있다. 실제로 SemiAnalysis도 CPO가 오랫동안 기대를 받아왔지만, 배치 가능한 제품은 2025년에야 본격 등장했고, 그 사이 플러그형 트랜시버가 비용 효율성·운영 친숙도·표준화 측면에서 기본 경로로 남아 있다고 설명한다.
하지만 전력은 다르다.
광통신 병목은 “속도와 거리”의 문제다.
전력 병목은 “물리적으로 더 꽂을 수 있느냐”의 문제다.
네트워크는 구리, 플러그형 광모듈, NPO, CPO 사이에서 우회 경로가 있다.
하지만 전력은 우회 경로가 제한적이다. 랙당 전력 밀도가 올라가면 결국 변환 효율, 배전 손실, 냉각 부담, 전력 인입 용량이라는 벽에 동시에 부딪힌다.
그래서 나는 HVDC와 CPO를 같은 선상에서 보면 안 된다고 본다.
CPO는 성능 최적화의 문제이고,
HVDC는 인프라 생존성의 문제다.
CPO 지연에는 동의한다
반대로 CPO 지연에 대해서는 SemiAnalysis의 견해에 크게 동의한다.
CPO는 기술적으로 매력적이다. 스위치 ASIC의 대역폭이 커질수록 전기 신호를 프론트패널까지 끌고 가는 방식은 점점 비효율적이 된다. IDTechEx도 스위치 ASIC 대역폭이 수십 Tbps에서 수백 Tbps로 올라가면서 플러그형 구조가 전력 소모, 신호 무결성, 프론트패널 밀도 측면에서 제약을 받는다고 설명한다.
하지만 문제는 양산성이다.
CPO는 단순히 광엔진을 가까이 붙이는 기술이 아니다.
열, 수율, 리워크, 테스트, 패키징, 광정렬, 서비스성까지 모두 같이 풀어야 한다. 특히 데이터센터 사업자는 장애 발생 시 모듈을 쉽게 교체할 수 있는 구조를 선호한다. 플러그형 광모듈이 여전히 강한 이유도 여기에 있다.
그래서 CPO는 방향은 맞지만, 시장 침투 속도는 느릴 수밖에 없다.
당장 AI 클러스터는 멈출 수 없다.
그러면 고객은 완성도가 낮은 CPO보다 검증된 플러그형 광모듈, 구리, NPO 계열을 더 오래 끌고 갈 가능성이 높다.
결론: HVDC는 앞당겨지고, CPO는 밀린다
내가 보는 핵심은 이것이다.
HVDC는 SemiAnalysis가 보는 것보다 빨라질 가능성이 높고,
CPO는 SemiAnalysis가 말하는 지연론에 동의한다.
전력은 지금 당장 풀어야 하는 병목이다.
AI 데이터센터는 GPU를 더 넣고 싶어도 전력이 받쳐주지 않으면 확장할 수 없다. 전력 변환 효율을 높이고, 배전 손실을 줄이고, 랙 밀도를 올리는 일은 2028년의 과제가 아니라 2026~2027년의 과제다.
반면 CPO는 급하지 않다.
광통신은 아직 대체 경로가 있다. 구리와 플러그형 광모듈은 예상보다 오래 버틸 수 있고, CPO는 수율과 비용, 서비스성 문제가 풀릴 때까지 지연될 가능성이 높다.
따라서 이번 SemiAnalysis 견해를 투자 관점에서 해석하면 이렇게 정리할 수 있다.
광통신 차세대 업그레이드는 지연될 수 있다.
하지만 전력 아키텍처 전환은 지연되기 어렵다.
그래서 단기적으로는 CPO 순수 기대감보다,
전력 변환, HVDC, SiC/GaN, 전력 모듈, 서버 전원 아키텍처, 데이터센터 전력 인프라 쪽이 더 현실적인 병목 투자처가 될 가능성이 높다.
한 줄로 말하면,
CPO는 꿈의 업그레이드지만, HVDC는 당장의 생존 장치다.
Introducing Claude Fable 5: a Mythos-class model that we’ve made safe for general use.
Its capabilities exceed those of any model we’ve ever made generally available.
반도체 팹으로 해남이 거론되었던 첫째 이유로 대규모 신재생 에너지에서 생산되는 전기가 이유라는 ㅂㅂ(?)가 엑스에 있다는게 놀랍습니다 ㅎ 제가 그간 써온 신재생 관련 아티클이나 포스팅을 꼭 읽어보시기 바랍니다.
그리고 전남이나 광주가 거론되는 이유는 단순합니다. 그냥 정치적 논리입니다. 솔직히 입지적으로는 거기보다 나은 지역이 널린 건 온 국민이 다 아는 내용입니다.
"하네스는 얇게, 스킬은 두텁게"라는 말이 돈다. 모순처럼 들린다. 같은 시스템인데 하나는 얇으라, 하나는 두터우라니.
모순이 아니다. 하네스라는 단어가 두 가지로 쓰여서 생기는 혼동이다.
넓은 의미의 하네스는 능력 표면 전체다.
규칙, 스킬, 에이전트, 도구 연결까지 AI가 일하는 데 필요한 모든 것. 스킬도 에이전트도 이 안에 들어간다.
좁은 의미는 오케스트레이션 루프, 곧 글루(glue)다.
컨텍스트를 관리하고, 어떤 도구를 부를지, 언제 무엇을 부를지를 정한다. 항상 켜져서 돈다.
"얇게"는 이 좁은 의미다.
항상 도는 글루는 얇아야 한다. 무거우면 매 순간 비용이 나가고, 복잡하면 어디서 멈출지 통제가 안 된다.
"두텁게"는 스킬을 가리킨다.
스킬은 필요할 때만 불러오는 페이로드라 두터워도 된다. 오히려 검증되고 구체적이고 재사용 가능할수록 부를 가치가 있다.
그래서 둘은 하네스 안이냐 밖이냐가 아니다.
항상 켜진 글루(얇게)냐, 온디맨드 페이로드(두텁게)냐의 구분이다. 얇은 글루가 두터운 스킬을 적시에 부른다. 이것이 잘 돌아가는 AI 시스템의 모양이다.
AI는 얇은 글루로 도는가, 다 켜둔 채 무겁게 도는가?
#AI #처음배우는AI
AI로 글로벌 앱을 혼자 만들어 수익을 내는 사람의 인사이트 5가지
① 레버리지는 모델이 아니라 에이전트를 어떻게 세팅했느냐에서 나옵니다
핵심은 에이전트에게 세 가지를 쥐여주는 것:
- 눈: 앱 화면을 스크린샷으로 보게 해 직접 QA시킨다
- 손: 터미널(tmux)을 제어하게 해 로그 보고 서버 껐다 켜며 스스로 디버깅하게 한다
- 분신: git worktree로 여러 기능을 동시에 병렬 개발시킨다
모델을 바꾸기보다, 에이전트가 혼자 루프를 돌 수 있게 만드는 데 시간을 써야합니다
② 더 똑똑한 모델은 내가 공들인 세팅을 한순간에 무용지물로 만듭니다
→ 쓰는 도구에 과몰입하지 말고 주기적으로 갈아엎으세요
그리고 도구는 용도별로 나눠 쓰세요
③ 이제 희소한 건 구현력이 아니라 무엇을 만들지 아는 안목입니다
구현에서 막히는 일은 거의 없어졌습니다
시간은 "이걸 만들면 누가, 왜, 돈을 내고 쓸까?"라는 질문에 답을 찾는 데 쓰세요
코드가 흔해질수록, 무엇이 팔릴지 먼저 알아보는 눈이 진짜 자산이 됩니다
④ AI에게 맡길 건 코딩이 아니라 결정 주변의 모든 잡일입니다
경쟁 제품 리서치, 작명, 랜딩페이지, 번역·배포까지 직접 하는 것보다 AI가 더 빠르고 확실합니다
→ 판단을 위한 사전작업을 통째로 넘겨보세요
그래야 나는 무엇을 만들지 판단하는 일에만 집중할 수 있습니다
⑤ 어디서 파느냐는 얼마에 파느냐만큼 중요합니다
같은 가격이라도 시장마다 체감하는 허들이 다릅니다
결제 저항이 낮은 시장에선 같은 제품이 훨씬 쉽게 팔리죠
→ 한국 시장보다 큰 영어권 시장을 겨냥해 만들어보세요
이는 일종의 가격 전략이기도 합니다
난 게임을 즐겨하지 않는데 이런건 진짜 유익함
만원으로 데이터 센터의 복잡한 구조와 컴퓨터 인프라를 이해하는 스팀게임 : Data Center
빈 방에서 시작해서
랙 구매 → 서버 장착 → 모든 케이블을 직접 손으로 하나하나 연결해야함
실제 데이터 센터처럼 고객 트래픽을 처리하는 시뮬레이션 게임
출시 48시간 만에 180개가 넘는 리뷰가 달렸고, 플레이어들은 “최근 본 시뮬레이션 게임 중 가장 몰입감 있다”, “컴퓨팅 인프라를 이해하는 데 최고”라는 평가를 하고 있습니다.
공부는 오래전부터 바텀업 방식으로 내려왔다.
1. 먼저 기초를 배운다.
2. 그다음 응용을 배운다.
3. 그다음 문제를 푼다.
4. 마지막에야 “이걸 어디에 쓰는지” 알게 됐다,
수학도 그랬고, 영어도 그랬고, 심지어 코딩도 그랬다. 학교와 학원은 대부분 같은 방식으로 움직였다. 기초 개념을 설명하고, 숙제를 내고, 시험으로 확인했다. 이 방식은 그 과거에 가장 현실적이고 효과적인 방식이었다.
우리가 기억 하듯이 과거에는 한 명의 선생님이 30명, 50명의 학생을 동시에 봐야 했다. 학생마다 막히는 지점이 달랐지만, 수업은 한 방향으로 갈 수밖에 없었다.
어떤 학생은 이미 이해한 내용을 20분 더 들어야 했고, 어떤 학생은 교과서 한단원에서 막혔는데도 다음 단원으로 끌려갔다. 선생님이 나쁘기 때문이 아니라. 교육 시스템 자체가 그랬던 것이다.
기초부터 차근차근 쌓는 방식은 산업 혁명시대 획일화된 인재를 만들 교육에 맞춘 최적화된 시스템이였다.
문제는 이 방식이 개인에게 항상 최적의 교육은 아니라는 점이다.
사람은 이론적인 기초만 오래 붙잡고 있으면 금방 지쳐버린다. “이걸 왜 배워야 하지?”라는 질문이 생기고, 그 질문에 답을 얻기 전에 포기를 해버린다.
코딩을 배우는 사람이 변수, 반복문, 조건문을 몇 주 동안 배우다가 지치는 이유도 비슷하다. 진짜 만들고 싶은 건 앱, 봇, 자동화, 게임, 웹사이트인데 눈앞에는 그것을 이루기 위한 조건들이 있었고 그 허들을 보고 포기하는 사례도 엄청나게 많았다.
이건 산을 오르는 것보다 지도를 외우는 일에 가깝다고 본다.
탑다운 방식은 반대로 간다고 생각하면 된다.
먼저 만들고 싶은 것을 정한다.
그다음 필요한 개념을 거꾸로 배운다.
“웹사이트를 만들고 싶다”에서 시작하면 HTML, CSS, JavaScript가 왜 필요한지 사이트를 만들고 나서 작동하면서 보면 보인다. “트레이딩 봇을 만들고 싶다”에서 시작하면 API, 데이터, 조건문, 리스크 관리의 필요성이 생기게 되고 그것을 공부하게 된다.
“AI 에이전트를 만들고 싶다”에서 시작하면 프롬프트, 함수 호출, 메모리, 툴 사용, 서버가 따로 떨어진 지식이 아니라 하나의 시스템으로 묶어서 작동이 안되거나 어려운 부분 부터 딥하게 파고 들어가게 된다.
이 방식의 최대 장점은 동기 부여가 된다는 것이다.
사람은 내 눈앞에 목적지가 보일 때 끈기 있게 학습과 일에 집중하게 된다.
하지만 과거에는 탑다운 학습이 엄청나게 위험했다.
큰 그림부터 던져주면 학생은 중간에서 길을 잃었다. 모르는 개념이 너무 많이 튀어나왔고, 피드백할 사람은 부족했다. “일단 만들어봐”라는 말은 멋있지만, 초보자에게는 거의 방치에 가까웠다. 에러 하나가 나면 한 시간씩 막혔고, 검색어조차 몰라서 검색도 못 했고 오히려 그 업무와 공부를 싫어하게 됐다.
그래서 선생님들은 다시 기초부터 가르쳤다.
그게 가장 안전했기 때문이다.
그런데 AI가 이 전제를 깨고 있다.
AI는 24시간 옆에 붙어 있는 개인 튜터에 가깝다. 학생이 어느 지점에서 막혔는지 바로 물어볼 수 있고, 같은 개념을 다른 비유로 다시 설명하게 만들 수 있고, 지금 만드는 프로젝트에 맞춰 필요한 지식만 잘라서 배울 수 있다. 예전에는 “모르면 멈춤”이었다. 지금은 “모르면 즉시 물어봄”으로 바뀌고 있다.
탑다운 학습이 강해지는 이유는 기초가 덜 중요해졌기 때문은 절대 아니다.
오히려 반대다. 기초는 여전히 중요하다. 다만 기초를 배우는 타이밍이 바뀌었다고 생각하면 된다. 예전에는 “언젠가 필요할 테니 미리 배워라”였지만. 지금은 “지금 이 부분이 막혔으니 바로 배워라”가 가능해졌다.
이 차이는 작아 보이지만 엄청난 지식 인플레이션이 온다.
사람은 필요성을 느낀 순간 가장 빨리 배운다고 한다. 자전거 구조를 책으로 먼저 배우는 사람보다, 자전거를 타다 넘어지고 나서 브레이크와 균형을 배우는 사람이 더 빨리 이해하는 것과 비슷하다.
AI는 이 방식을 강화시켜 준다.
예전에는 막히면 선생님을 기다려야 했다. 학원 시간이 끝나면 따로 질문할 수 없었고 내가 책을 보면서 일일히 검색해야 했다. 검색을 해도 내가 뭘 모르는지 몰라서 엉뚱한 글만 읽었다. 지금은 에러 메시지를 그대로 붙여넣고 “내가 뭘 모르는지부터 설명해줘”라고 물을 수 있다.
이해가 안 되면 “중학생도 이해하게 비유로 설명해줘”라고 다시 요청할 수 있다. 그래도 안 되면 “내 프로젝트 코드 기준으로 설명해줘”라고 문제의 니치를 좁힐 수 있다.
이게 사실 과거 부잣집 도련님들이 했던 개인 튜터의 역할이였다.
이제 공부의 출발점은 교과서 첫 페이지가 아니라
내가 만들고 싶은 것, 해결하고 싶은 문제, 도달하고 싶은 프로젝트가 우선이 되야하지 않을까?
기초는 여전히 중요하다.
다만 이제는 기초가 출발점이 아니라, 목적지로 가는 길에서 만나는 친구가 된것이 아닐까?
증권사 리포트 팩트만 발라먹는 꿀팁
1. 애널리스트의 주관은 소음일 뿐.
-"예상한다", "확신한다" 같은 주관적 예측이나 전망은 과감히 스킵할 것.
-리포트의 가치는 그들이 논리를 방어하기 위해 채워 넣은 가공된 데이터에 있음.
-통계청, 해외 기관 등에서 취합한 팩트 지표와 숫자만 발라내 내 판단의 근거로 삼으면 됨.
2. 사실 수집은 철저히 효율성
-리포트는 방대한 정보 수집 시간을 획기적으로 줄여주는 무료 도구임.
-네이버 금융의 '종목·산업 분석' 탭과 '에프앤가이드'를 활용해 데이터를 크로스 체크해야 함.
-구글에 [종목명] filetype:pdf로 검색하면 남들이 놓치는 숨은 리포트까지 샅샅이 찾아낼 수 있음.
3. 소외된 데이터까지 긁어모으는 실전 팁
-섹터별 베스트 애널리스트를 찾아서 신뢰도 높은 자료를 우선 확보할 것.
-기관이 다루지 않는 중소형주는 기자 정신을 가진 가치투자자들의 블로그를 통해 도움을 받을 수 있음.
-목표가나 컨센서스는 참고만 하고, 오직 사실(Fact)만 취사선택하는 능력을 길러야 함.
결국 혜자는 나만의 데이터(업무 일상)을 활용한 본인이 잘할 수 있는 온톨로지(도메인 지식, 메모리) 구축 -> 적절한 하네스 구조를 만들어 그 파이프라인이 강화되고 더 똑똑해지게 하는 것 - 평가/검증 구조, 수많은 도구들 중 적절한 걸 골라 미니멀하게 조합하기, 빠르게 이해하기