살아가는 이야기

금융에 대한 기본 지식을 잘 설명해준 책이다.

금리나 환율이나 모두 '돈의 값'이죠.

금리는 대내적인 돈의 값이고, 환율은 대외적인 돈의 값이라고 생각하면 됩니다.

채권은 돈을 빌린 사람이 돈을 빌려준 사람에게 주는 돈을 빌렸음을 확인해주는 일종의 차용증과 같은 겁니다.

고정금리부채권의 줄임말인데, 그냥 정기예금이라고 생각하면 쉽습니다.

오늘 제가 은행에 가서 10년짜리로 중도해지가 안되는 정기예금을 가입하고, 연 1%의 금리를 받기로 했다고 합시다.

그런데 다음날 금리가 올라서 이제는 연 5%를 받을 수 있다고 하네요.. 10년간 풀리지 않는 저주를 받은 겁니다.

그럼 이 채권을 누군가에게 넘기고 싶겠죠. 다른 사람이 사면서 조건을 제시합니다.

10년간 매년 4%씩 이자 손실을 보게 되었으니, 정기예금 원금에서 그만큼을 빼고(할인하고) 사주겠다고 합니다.

울며 겨자 먹기로 손실을 떠안고 정기예금을 넘기게 되죠.

녜, 금리가 뛰면 채권의 가격은 하락합니다. 채권이 고정금리부태권이기 때문에 그렇습니다.

하나 더 장기 채권의 경우 그 손실 폭이 더 큽니다.

국채는 국가가 돈을 빌리고 난 후, 국가에 돈을 빌려준 사람들에게 제공하는 차용증입니다...

회사가 돈을 빌리고 차용증을 써준 것을 회사채라고 합니다.

아무도 예상하지 못한 사건이 현실화되면서 금융시장을 뒤흔드는 것, 이를 '블랙스완'이리고 합니다...

이렇게 중국의 부채가 거대한 리스크임에도 표면화되지 않을 것이라 생각하고 있는 상황을 가리켜

'회색 코뿔소'라고 표현합니다.

'블랙스완'은 발생할 확률은 매우 낮지만 일단 일어나면 큰 충격을 주는 위험을,

'회색 코뿔소'는 예상할 수 있지만 간과하기 쉬운 위험을 말한다.

돈 구하기 어려워 지면 시중에 돈이 말라버리는 현상, 이른바 '신용경색'이 현실화됩니다.

코로나19 시대에는 심장으로 이 병이 전이되는 것을 차단하고자

은행권이 대규모로 보유하고 있던 장기국채를 사들이는 양적완화를 단행한 거죠

통화 스와프는 Fed가 300억 달러를 찍을 때 이걸 미국 초단기 국채를 담보로 해서 찍는 게 아니라

특별히 한국 원화를 담보로 해서 찍겠다고 말하는 겁니다.

그러면서 한국은행이 찍어낸 원화를 담보로 가져오고, 그걸 담보로 300억 달러를 찍어서 한국은행에 넘겨주는 것이죠.

양적완화 그 자체를 말한다면 '중앙은행이 장기국채를 사들이는 프로그램이다'라고 하면 되죠...

이렇게 장기국채를 사들이면서 실물경제를 지원하는 정책을 '양적완화'라고 말합니다.

거의 대부분의 금리는 시장에서 자금에 대한 수요와 공급에 의해 결정이 되는데요,

유일하게 하나의 금리만 중앙은행에 의해 정해집니다.

그게 바로 중앙은행이 정책적으로 정하는 금리인 '기준금리'입니다.

기준금리를 인하하는 것만으로는 효과가 제한되다 보니

어쩔 수 없이 장기국채를 사면서 장기금리를 낮추는 이례적인 방법을 도입한 것이 2008년 금융위기 때였습니다..

지금까지 초단기국채만 사들이던  Fed가 장기국채를 사들였다고 말했죠.

이제는 더 나아가 회사채를 사들일 수도 있죠. 예를 들어 애플 회사채를 담보로 해서 돈을 찍는 겁니다.

혹은 구글이나 포드의 회사채를 담보로 돈을 찍어주는 겁니다. 이런 정책을 '질적완화'라고 합니다...

그 과정에서 장기국채를 매입하면서 돈을 찍는 '양적완화'와 국채에서 더 나아가

회사채를 매입하면서 돈을 찍는 '질적완화'라는 정책이 나온 겁니다.

대칭적물가목표가 무엇인지를 아는 게 중요한 것은 아닙니다.

과거에는 물가 상승, 즉 인플레이션만 걱정하던 Fed가

이제는 물가 상승과 비슷한 수준으로 물가 하락 및 부진한 물가 상승을 걱정한다는 것이 핵심입니다

돈을 풀어도 물가가 오르지 않는 이유

- 최저가 경쟁 부추기는 아마존

- 원할한 공급으로 장기 저유가 유지

- 좀비 기업의 단가 끌어내리기

- 작아진 소비시장

- 통화가치를 낮추는 환율전쟁

- 적재된 과도한 부채

고압경제는 실물경제를 뜨겁게 만들어서 경제 주체들의 수요를 폭발시키는 정책입니다.

시나리오

- 고물가/고성장: 주식 good, 채권 bad, 원자재+금 good

- 고물가/저성장: 주식 bad, 채권 bad, 원자재+금 good

- 저물가/고성장: 주식 good, 채권 good, 원자재+금 bad

- 저물가/저성장: 주식 성장주 good, 채권 good, 금 good

AI의 세상은 이전과 다른 인식이 펼쳐지는 세상이다.

세상에 대한 나의 관점, 철학, 삶의 방식이 달라진다.

사고하고, 고민하며 방향을 잡아가는 것이 마땅히 필요하다.

인간이 뇌를 덜 사용하고 기계를 더 사용한다면 사라지는 능력이 있을 것이다.

예를 들어, 비판적 사고력, 작문력, 묘사력이 위축된다.

인간은 AI 시스템의 출력물에 당당히 이의를 제기하는 능력을 길러야 한다.

양자론에서는 관찰이 현실을 만든다고 상정한다.

관찰 이전에는 고정된 상태가 없고, 따라서 그 무엇도 명확히 존재한다고 할 수 없다.

정말로 그렇다면, 그리고 기계의 관찰로도 현실이 고정된다면, AI 시스템의 관찰이

초인적 속도로 이루어진다는 점을 감안할 때 현실을 규정하는 행위가 더욱더 빠르게 발전할 것이다.

우리가 의존하는 기계로 현실의 구조가 결정되고 다라서 달라진다면,

이제 우리는 아직 이해할 수 없는 새로운 미래를 탐색하고 이끌어갈 준비를 해야 한다.

감히 범접하기 어려운 사유를 행사하는 권력체에 추종자들이 집단으로 복종하는 현상은 인류사에서 종종 나타났다.

강력한 도덕적, 전략적, 지도체제가 필수다.

원칙이 없으면 인류는 전제 혹은 무질서, 즉 무제한적 권력의 지배 혹은 허무주의적 자유라는 위험에 처할 수 있다.

만일 우리가 이 기술을 완전히 통제할 수 없다면 어떻게 할 것인가?

정보에 맥락이 더해질 때 지식이 된다. 그리고 지식에 소신이 더해지면 지혜가 된다.

역사적으로 볼때 소신이 생기려면 홀로 성찰하는 시간이 필요했다.

하지만 인터넷은 이용자에게 수천, 수억명의 의견을 쏟아 부으며 혼자 있을 시간을 허락하지 않는다.

홀로 생각할 시간이 줄어들면 용기가 위축된다.

용기는 소신을 기르고 지키기 위해 꼭 필요하며 특히 새로운 길, 그래서 대체로 외로운 길을 걸을 때 중요하다.

인간은 소신과 지혜를 갖출 때만 새로운 지평을 탐색할 수 있다...

AI가 삶에 점점 더 넓게 영향을 미치면서,

우리의 정신이 홀로 선택과 행동을 하고, 체계화하고, 평가하던 시대가 저물고 있다.

AI는 비정밀하고 약동적이고, 창발적이며, 힉습이 가능하다.

AI는 데이터를 소비하여 학습하고, 데이터를 토대로 관찰하며 결론을 도출한다.

최신 AI는 머신러닝으로 모델을 만들고 현실의 피드백을 반영해 모델을 조정함으로써,

현실에 근접한 결과를 도출하고 고전적 알고리즘으로는 분석하지 못했을 모호한 요소를 분석한다....

훈련 단계에서 AI는 새로운 데이터를 입력받고 신경망 내의 가중치를 조정한다.

예를 들어 일반적 신경망은 인간의 얼굴 사진을 인식할 수 있지만,

'생성형' 신경망은 진짜처럼 보이는 인간의 얼굴 사진을 만든다. 서로 개념 자체가 다르다...

생성자가 딥페이크 제작에 악용될 우려도 있다.

딥페이크는 어떤 사람이 하지 않은 말이나 행동을 실제로 한 것처럼 감쪽같이 위조한 결과물이다.

생성자는 우리의 정보 공간을 더 풍요롭게 채우겠지만 적절히 견재하지 않으면

현실과 허구의 경계를 허물어버릴 가능성이 농후하다...

생성형 AI를 만들 때 주로 사용하는 훈련 기법은 상호보완적인 학습 목적을 가진 두 신경망을 경쟁시키는 것이다.

이를 '생성형 적대 신경망'이라고 부른다.

GAN은 잠재적 출력을 생성하는 '생성망'과 조악한 출력의 생성을 막는 '판별망'으로 구성된다.

비유하자면 생성망은 브레인스토밍을 하고, 판별망은 유의미하며 현실적인 아이디어를 선별한다.

훈련은 생성망과 판별망을 번갈아가며 진행된다.

생성망을 훈련할 때는 판별망을 고정하고, 판별망을 훈련할 때는 생성망을 고정한다.

AI는 자신의 발견을 반추하지 못한다...

AI는 반추하지 못하고, 그러고 싶다는 윤리적 혹은 철학적 충동도 느끼지 않는다.

그저 제가 아는 기법을 이용해 결과를 산출할 뿐이고,

그 결과는 인간의 관점에서 봤을 때 시시하거나 충격적일 수 있고, 온건하거나 악의적일 수 있다.

AI는 반추하지 못하므로 그 행동의 의의를 결정하는 것은 인간의 몫이다. 따라서 인간이 AI를 규제하고 관리해야 한다.

AI는 인간처럼 맥락을 이해하거나 행동을 반추하지 못하기 때문에 더더욱 인간이 주시해야 한다...

AI는 반추만 못하는 것이 아니라 실수도 저지른다. 인간이라면 어린 아이도 저지르지 않을 실수를 범하기도 한다.

개발자가 아무리 결점을 보완한 후 가동한다고 해도 문제가 다 잡히지 않는다.

AI의 불안정성은 학습의 피상성에 기인한다.

AI가 지도학습이나 강화학습으로 입력과 출력의 관계를 파악하는 방식은

인간이 다차원적 개념화와 경험으로 현상을 이해하는 것과 전혀 다르다....

AI는 지각하는 존재가 아니며 자신이 무엇을 모르는지 모른다.

그래서 인간이 볼 대는 명백한 착오를 못 알아차리고 방치하기도 한다...

AI가 소기의 행동을 수행하는지 평가하는 절차가 반드시 수립돼야 한다...

앞으로 AI를 대상으로 하는 전문성 인증 및 검정 프로그램을 개발하는 일이 각 사회의 중대한 과제가 될 것이다...

이렇게 AI를 테스트할 수 있는 이유는 머신러닝이 학습 단계와 추론 단계로 나뉘기 때문이다.

AI가 가동되는 상태에서 학습이 지속된다면 2016년에 마이크로스프트의  챗봇 테이가 일으킨 불미스러운 사태처럼

예상을 벗어나거나 바람직하지 않은 행동을 습득할 가능성이 있다....

대부분의 AI는 훈련과 가동 단계가 분리된다. 훈련을 마치면 학습된 모델, 즉 신경망의 매개변수들이 고정된다.

다시 말해 AI의 진화가 중단되기 때문에

인간은 AI가 예상을 벗어나거나 바람직하지 않은 행동을 습득할 가능성을 염려하지 않고 그 역량을 평가할 수 있다.

AI는 세 가지 차원에서 코드의 통제를 받는다.

첫째, 코드에 AI가 수행할 수 있는 행동의 매개변수가 지정된다.

둘째, AI는 최적화 대상을 정의하고 지정하는 목적함수로 통제된다.

셋째, 당연한 말이지만 AI는 원래 인식하고 분석하도록 지정된 입력만 처리할 수 있다.

AI가 스스로 코드를 작성하더라도 그것은 알파제로가 체스를 두는 것과 마찬가지로 영리할지언정,

반추 능력과 자유의지가 없이 철저히 규칙을 따르는 행위에 불과할 것이다.

우리 시대의 모순은 디지털화로 인간이 이용하는 정보가 계속 늘어나지만

진중한 사색에 필요한 공간은 점점 줄어든다는 사실이다.

끊임없이 범람하는 콘텐츠 때문에 사유의 비용이 증감함에 따라 사유의 빈도는 감소한다.

AI는 지금 우리가 아는 의미의 이성을 약화하는 움직임을 촉진한다.

SNS는 사유의 공간을 축소하고, 온라인 검색은 개념을 습득하려는 의지를 감소시킨다.

자신이 해석하거나 통제할 수 없는 지능이 생소하면서도 유익한 결론을 도출하는 세상에서,

그 결정을 따르는 것이 과연 어리석은 짓일가?

이런 논리에 의해 다시 주술적 세계관이 만들어진다.

이번엔 AI가 신의 대리인이 되어 계시를 내리고 일부 인간이 그 지시를 맹목적으로 따르는 구도다.

특히 AGI가  신같은 지능으로 세계를 이해하고 그 구조와 안에 내포된 가능성을 직감하는 초인적 존재로 여겨질 수 있다.

AI 시대의 특성을 잘 반영하고 시대의 지침이 될 윤리체계를 확립하는 일이 무엇보다 중요하다.

이는 어느 한 분야에 맡길 수 없는 과업이다.

AI를 개발하는 컴퓨터과학자와 기업가, AI를 배치하길 원하는 군사전략가, AI를 조성하려는 정치 지도자,

AI의 더 깊은 의의를 탐구하는 철학자와 신학자는 각자의 위치에서 큰 그림의 조각만 볼 수 있을 뿐이다.

현재의 인공 지능은 터미네이터 수준으로 갑자기 점프하지는 않을 것이다.

하지만 전투용 로봇이 이미 만들어져 사용되고 있다.

인공 지능은 특정 기능을 향상 시키는 수준이지만, 다양한 것들을 복합적으로 학습할 수준이되면 이야기는 달라진다.

언젠가 그 시절은 올 것이다.

규칙을 주입받은 인공지능: SVM(Support Vector Machine)

SVM은 데이터를 임베딩해 인공지능 데이터베이스에 추가하던 서포트 벡터를 갱신시키는 형태로 학습하는 인공지능이다.

인간 따라하기: 엔드 투 엔드와 인공신경망

어린 아이가 하듯 인간 두뇌가 하는 데이터를 처리하는 방식을 엔드 투 엔드라고 부른다.

입력한 데이터에 과도한 처리를 하지 않고, 데이터를 그대로 신경망에 넣어주고 답을 찾도록 만드는 것이다...

1958년 퍼셉트론이라는 인공신경망이 등장한다.

퍼셉트론은 코넬 대학교의 심리학자 프랭크 로젠블랫이 제안했다.

이는 입력-은닉층-출력 구조를 만들되, 은닉층이 단 1층뿐인 가장 단순한 형태의 인공신경망이었다...

이 시기에 은닉층이 여러 겹인 인공신경망을 심층(인공)신경망이라 부르게 되었으며,

각 인공 뉴런의 활성화 정도를 조정하기 위한 활성함수를 도입하기도 했다.

또한 이 시기에 심층신경망 학습 문제를 해결하는 아주 중대한 발견이 있었다.

딥러닝의 아버지라 불리는 제프리 힌튼이 1986년 역전파라는 학습 방법론을 발견한 것이다....

역전파 방법론은 인공 뉴런의 역할을 하나씩 찾아 일일이 조정해 주는 대신,

인공 신경망의 가장 킅부분인 출력단에서 입력단까지 반대 방향으로 오차를 전달해주는 방식이다.

2007년 NVIDA는 CUDA를 런칭한다.

NVIDA는 CUDA를 통한 프로그램이 최대한 기존 CPU 기반의 프로그래밍과 차이가 없도록 하기 위해

하위 호환뿐만 아니라 함수 이름을 뿥이는 것까지 세심히 살폈다.

인간 뇌의 중요한 기능 중 하나는 사물을 보건아 소리를 듣는 등 감각기관을 이용해 현실의 자극을 받아들인 뒤

이를 분석, 판단 하는 것이다. 이러한 것을 인식이라 한다.

인간의 뉴런은 여러 신호가 시간을 두고 도착하는 형태가 될 수 밖에 없다.

SNN(Spiking Neural Network)은 이런 차이를 개선하기 위해 제인된 인공 신경망 구조이다.

PiM은 Process-in Memory의 역자로, 말 그대로 메모리 안에서 무언가를 처리한다는 의미이다.

좋은 글의 핵심이라 할만하다.

남에게 보여주지 않고 혼자만 알고 싶을정도로 좋은 글이다.

우리가 무언가를 그 자치로만 집어내어 보면 결국 그것이 우주의 다른 모든 부분과 이어져 있다는 것을 깨닫게 된다 

모든 것은 연결되어 있다.

당신의 마음을 디버그하라

의도적으로 배우기

경험 축적

초점 유지하기

전문성을 넘어서

드라이퍼스 모델의 다섯단계

단계 1: 초보자, 초보자는 레시피가 필요하다

단계 2: 고급 입문자, 고급 입문자는 큰 그림을 필요로 하지 않는다

단계 3: 중급자, 중급자는 문제를 해결할 수 있다.

단계 4: 숙련자, 숙련자는 자가 교정을 할 수 있다

단계 5: 전문가, 전문가는 직관으로 일한다.

R 모드는 직접 제어할 수 없습니다

사람은 저 멀리 하늘보다도 더 먼 마음 속에 스쳐가는 섬광을 인식하고 품을 줄 알아야 한다

하지만 보통 그런 특이한 생각은 특이하기 때문에 인지하지 못하고 놓쳐버린다 -랄프 왈도 에머슨-

만약 거부감이 들고 시도해보고 싶지 않은 것이 있다면 그것이 바로 제일 먼저 해봐야 할 것입니다.

무언가를 만들때는 불합리하고 비실용적인 것들과 친해져야 하고요,

배울 때는 너무 열심히 배우고 기억하려고 하지 마십시오.

그저 '익숙해지는 것'이 먼저 입니다. 먼저 의미를 이해하고 해보세요. 전체적인 요점을 잡아내는 것입니다.

우리는 의심이나 불확실성을 만나면 불편해합니다.

이 불편함이 너무 크다보니 진행중인 이슈를 빨리 해결해서 불확실성을 제거하고 종결지으려고 합니다

하지만 불확실성은 좋은 것일 수도 있습니다. 선택의 가능성을 열어두는 것이죠.

우리가 증명할 수 있는 것은 논리가 있기 때문이고, 우리가 발견할 수 있는 것은 직관이 있기 때문이다. -앙리 푸앵카레-

배워야 할 신기술이나 예전 기술의 새 버젼은 끊임없이 등장합니다.

기술 자체는 별로 중요하지 않습니다. 중요한 것은 지속적으로 배우는 것입니다.

학습은 누군가 여러분에게 해주는 것이 아닙니다. 여러분이 하는 것입니다.

지식을 경험없이 그 자체로만 습득하는 것은 효과적이지 않습니다.

목표와 피드백 없이 무작위로 접근하게 되면 무작위적인 결과를 낳습니다.

"어디로 가고 있는지 모른다면 조심해야 한다. 그곳에는 도달하지 못할테니까." -요기 베라-

목표는 목적에 도달할 수 있게 해준다.

경험을 축적하는 것은 학습과 성장의 열쇠입니다. 뭔가를 하면서 배우는 것이 최고죠.

놀이라는 단어의 첫 번째 의미는 목적없는 탐험의 의미죠.

우리는 단순히 정보를 받아들이기보다 스스로의 정신적인 모델을 형성하도록 설계되어 있습니다.

문제를 찔러서 탐험하고 '익숙해질' 수 있어야 합니다.

문제를 가지고 노는 것이 문제를 쉽게 만든다는 의미는 아닙니다.

다만 우리가 배우는 방식에 더 가까이 다가서는 것입니다....

실제 삶에는 교과과정 같은 게 없습니다. 실수할 수도 있고 지저분해지겠지요.

하지만 이런 어지러움이 바로 여러분에게 필요한 피드백입니다.

놀이의 두 번째 의미는 별난 것, 혹은 감히 말하건데, 재미입니다.

재미있는 것은 좋은 것이다.

실패는 발견으로 가는 입구다.

효율적이고 여러분을 지탱해주는 학습환경은 세 가지를 안전하게 보장해줘야 합니다.

탐험, 발명, 그리고 적용입니다.

의식적으로 노력하는 것이 단순한 인식보다 못하다는 것입니다.

사실, 너무 열심히 노력하는 것은 실패로 가는 지름길입니다.

마음이 압박을 받을 때는 여러거지 다른 일들을 차단해버립니다. 시야는 좁아집니다.

비유적으로뿐 아니라 실제 시야도 좁아집니다. 다른 선택사항을 고려하지 못하게 됩니다.

더 나쁜 것은 R 모드의 활동이 거의 차단된다는 것입니다. 시간은 L 모드가 장악합니다.

시간을 결정적인 것으로 인식하면 R 모드는 일할 기회를 일어버립니다.

압박이 사라지면 더 주의력이 높아집니다. 편안해지고 그저 관찰하게 됩니다...

인지는 노력을 이깁니다. 날카로운 감시속에서 흠집이 나면서도 그저 잘 인지하고 편안하게 느끼기는 어렵습니다.

늘 모든 밴드에서 최악의 연주자가 되세요.

만약 거기서 가장 잘 하는 사람이라면 다른 밴드로 옮겨야 합니다.

제 생각에 이 방법은 다른 모든 것에도 통하는 것 같습니다...

다른 말로 여러분이 기술 수준이 높은 사람들에게 줄러싸여 있으면 여러분은 자신의 기술 수준을 높일 수 있습니다...

다른 사람의 행동을 보면 똑같이 따라 하려고 하게 됩니다.

다중 초안이 의식을 형성한다.

'컨설턴트의 세가지 법칙'을 들어본 적이 있나요?

보통 계획이 잘못될 수 있는 세 가지 경우를 떠올릴 수 없거나,

혹은 문제에 대해 세 가지 다른 해답을 내놓지 못한다면 아직 충분히 생각하지 않은 것이라는 이야기입니다.

"초보자의 마음을 가지면 많은 기회가 있지만 전문가 중에 그런 사람은 드물다" -순류 스즈키 로시-

우리는 새롭고 신선한 속성을 느끼지 못한다면 잊어버리게 됩니다.

레오나르도 다빈치는 600년 전에 이에 대한 불평을 했었죠.

"사람들은 보지 않고 보고, 듣지 않고 듣고, 맛을 느끼지 않고 먹으며, 느끼지 않고 만지고, 생각하지 않고 말한다."

우리는 늘 이런 점에서 유죄입니다.

바빠서 허겁지겁 식사를 하고 맛이나 풍미를 느끼지 않고 가버립니다.

사용자나 고객이 제품에 대해 원하는 것을 정확하게 말하는 것을 귀로는 듣지만 머리로는 듣지 않습니다.

눈은 늘 뭔가를 보지만 머리는 보지 않습니다. 이미 알고 있다고 가정해버립니다.

세상을 바라보고 또 바라보는 것, 우리 자신을 바라 보는 것, 바로 있는 그대로 완전하게 바라보는 것입니다.

"영원한 불침번은 자유의 비용이다". -존 필풋 커란의 유명한 경구, 1790-

영원한 불침번은 자유의 비용일 뿐 아니라 자각의 비용이기도 합니다.

자동조종에 맡기면 아무것도 조종하지 못합니다.

길고 곧게 뻗은 고속도로에서는 그래도 되지만 인생은 종종 굽이굽이 좁은 열두 고개를 넘어가는 것에 가깝습니다.

스스로를, 그리고 자신의 상태를 지속적으로 재평가하고

습관과 과거의 지혜가 눈앞에 있는 진실을 보는 눈을 가리지 못하게 해야 합니다.

1.늘 맥락을 고려하라

2.초보자는 규칙을 활용하고 전문가는 직관을 활용하라

3.네가 모른다는 것을 알라

4.보고 따라 하면서 배우라

5.전문가를 남아 있게 만들어라

6.창의성, 직관, 고안력이 필요하다면 정형화된 방법론을 피하라

7.배우는 기술을 배우라

8.떠오르는 모든 아이디어를 잡아라. 그러면 더 잘 활용하게 될 것이다.

9.분석을 통해서 배우는 것만큼 종합을 통해서 배우라

10.좋은 디자인을 위해 노력하라. 훨씬 더 나은 결과를 얻을 수 있다.

11.뇌를 믿음과 지속적인 단련으로 재구성하라

12.뇌를 더 많이 활용하고 싶다면 감각적인 경험을 늘려라

13.R모드가 이끌고 L모드가 따라오게 하라

14.L모드와 R모드가 만나는 점으로 메타포를 활용하라

15.강력한 메타포를 만들려면 유머 감각을 키워라

16.어려운 문제를 풀려면 키보드에서 떨어지세요

17.문제를 푸는 시각을 바꾸어 보라

18.예외를 살펴보라:'드물다'는 것이 '결코 일어나지 않는다'를 의미하지는 않는다.

19.불확실성을 편하게 생각하라

20.기억보다 글로 쓴 것을 신뢰하라. 모든 기억은 읽기와 쓰기가 함게 일어난다.

21.과격한 주장을 억제하고 다양성을 열어두라

22.사람마다 다른 버그를 갖고 있다는 것을 인지하라

23.진화한 생명체답게 행동하라. 숨을 쉬되, 뱀처럼 쇳소리는 내지 말라

24.직관을 신뢰하되 검증하라

25.목적을 달성하기 위해 SMART 목표를 만들어라

26.의도적인 학습을 위한 투자를 계획하라

27.자신에게 맞는 최고의 학습 방법을 찾아라

28.서로 배우고 가르치기 위한 스터디 그룹을 만들라

29.의도적으로 읽으라

30.R모드와 L모드를 모두 사용해서 메모하라, 목적 없이 '놀기'를 활용하라

31.글을 써라: 문서화는 문서보다 중요하다

32.보라, 하라, 가르쳐라

33.더 많이 배우려면 더 많이 놀아라

34.유사성에서 배우고, 차이점에서 배운 것을 버려라

35.자신의 환경에서 탐험하고, 발명하고, 적용하라. 안전하게.

36.판단하지 말고 지켜본 후 행동하라, 뭔가를 그냥하지 마라. 일단 멈춰라

37.스스로에게 실패를 허락하라. 그것이 성공으로 가는 길이다.

38.마음속으로 성공을 그려라

39.주의를 기울이는 법을 배우라

40.생각할 시간을 만들어라

41.위키를 이용해 정보와 지식을 관리하라

42.인터럽트를 관리하기 위해 작업 규칙을 세우라

43.이메일을 더 적게 보내라. 그러면 더 적게 받을 것이다.

44.이메일 대화를 위한 자신만의 템포를 선택하라

45.집중력을 유지하기 위해 인터럽트에 마스크를 씌워라

46.모니터를 여러 개 쓰면 컨텍스트 전환을 피할 수 있다.

47.컨텍스트를 최대화하기 위해 개인 작업흐름을 최적화 하라

48.핸들을 잡으세요. 자동조종에 기댈 수 없습니다.