목차
1. intro
2. Hyperliquid 간단소개
3. Jeff yan
4. 하이퍼리퀴드가 금융 인프라를 위해 준비하는 것들
- 주말리스크 가장 먼저 반영하는 온체인 시장
- 삼성 하이닉스 24/7 리스팅
- S&P 다우 존스 지수 공식 라이센스 체결
- 전통 거래소들의 팔로업
- Hyperliquid의 방향성은 워싱턴으로 가고 있음
- 네이티브 USDH 포기하고 USDC를 선택한 이유
- 토큰화 증권도 준비하는 중
5. 결국 하이퍼리퀴드는 KYC를 도입할 것
6. 기존 증권사가 불편해 할 미래에 도착해있음
7. 세금과 정치적 문제
8. 크립토 거래소와 기존 증권사의 가장 큰 차이점은 다룰 수 있는 자산과 상품의 종류입니다.

최소 청약 금액 10만 달러를 5일에 환전한 청약 참여자라면 환차손만 260만원에 달한다. 달러당 5~10원 수준인 환전 수수료를 더하면 손실은 더욱 커진다.

1. 남들이 고른 문제를 풀지 말라는 말
대부분은 자기가 문제를 고른다고 착각하지만, 실제로는 남들이 던져준 문제를 따라갑니다.
예를 들면:
요즘 모두가 하는 주제
유명 연구실이 낸 논문
트위터에서 핫한 키워드
지도교수나 회사가 시킨 과제
이런 걸 따라가면 이미 늦은 게임에 들어가는 겁니다.
진짜 중요한 건 “내가 진짜 풀고 싶은 문제는 뭐지?”를 먼저 정하는 것입니다.
투자로 바꾸면:
남들이 이미 떠드는 코인 따라가기
이미 펌핑된 내러티브 따라가기
유명 계정이 찍은 섹터 따라가기
이게 아니라,
“앞으로 진짜 필요해질 인프라는 뭐지?”
“아직 사람들이 과소평가하는 병목은 뭐지?”
이걸 먼저 보는 게 연구자의 태도라는 말입니다.

⸻

2. 좋은 취향은 타고나는 게 아니라 훈련된다
글에서 말하는 taste, 즉 취향은 단순히 감이 좋다는 뜻이 아닙니다.
뭐가 중요한 문제인지, 뭐가 2 년 뒤에도 살아남을 아이디어인지 구별하는 능력입니다.
이건 훈련할 수 있습니다.
방법은 단순합니다.
어떤 논문이나 프로젝트를 보기 전에 결과를 예측해본다
“이건 2 년 뒤에도 중요할까?” 미리 찍어본다
나중에 맞았는지 확인한다
틀렸으면 왜 틀렸는지 기록한다
즉, 감으로 찍는 게 아니라 예측 → 피드백 → 교정을 반복하라는 말입니다.
콘텐츠로 치면:
이 뉴스가 진짜 중요한가?
그냥 하루짜리 떡밥인가?
이게 다음 내러티브로 이어질 수 있나?
사람들은 지금은 무시하지만 나중에 다시 볼 주제인가?
이걸 계속 예측하고 검증하면 감이 좋아집니다.

⸻

3. 다들 보는 자료만 보면 다 같은 생각을 하게 된다
이 부분도 중요합니다.
글에서는 “공유된 리딩 리스트는 공유된 생각을 만든다”고 합니다.
즉, 모두가 보는 자료만 보면 모두와 같은 결론을 같은 타이밍에 내게 됩니다.
그 결론은 가치가 낮습니다.
예를 들면:
모두가 보는 X 스레드
모두가 요약한 arXiv 논문
모두가 인용하는 리포트
이미 커뮤니티에 퍼진 해석
이런 것만 보면 남보다 앞서기 어렵습니다.
그래서 글에서는 오래된 자료, 원문, 부록, 제한사항, 실패 사례를 보라고 합니다.
왜냐하면 진짜 힌트는 보통 요약글이 아니라:
논문 부록
Limitations 섹션
실패한 실험
오래된 아이디어
과거에 묻혔다가 지금 다시 쓸 수 있는 개념
여기에 있기 때문입니다.

⸻

4. 모든 걸 기록하라는 이유
글에서 가장 현실적인 조언은 이겁니다.
머릿속 생각은 글로 쓰기 전까지는 완성된 것처럼 느껴진다.
막상 적어보면 빈틈이 보입니다.
논리가 안 이어짐
전제가 검증 안 됨
두 주장이 서로 충돌함
내가 보고 싶은 것만 보고 있었음
그래서 연구자는 실험 로그를 남겨야 합니다.
투자나 자동화에도 똑같습니다.
예를 들면:
가설: 이 프로젝트는 Physical AI 내러티브를 탈 가능성이 있다.
근거: 로봇 데이터, RWA 구조, 비상장 로봇 기업 노출
기대: 관련 섹터 관심 증가 시 재평가 가능
실제 결과: 관심은 늘었지만 유동성 부족
업데이트: 내러티브는 맞지만 거래 구조가 약하다
이렇게 남겨야 나중에 실력이 늡니다.
기록이 없으면 그냥 “그때 느낌상 맞았던 것 같은데?”가 됩니다.

⸻

5. 연구 속도는 “내가 틀렸다는 걸 빨리 아는 속도”다
이 문장이 핵심입니다.
연구를 잘하는 사람은 맞는 아이디어만 내는 사람이 아니라, 틀린 아이디어를 빨리 버리는 사람입니다.
그래서 도구가 중요합니다.
실험을 빨리 돌릴 수 있어야 함
결과 비교가 쉬워야 함
반복 작업이 자동화돼 있어야 함
작은 버전으로 먼저 테스트해야 함
AI 자동화나 코딩에서도 똑같습니다.
처음부터 거대한 시스템 만들지 말고:
아주 작은 기능으로 먼저 검증
단일 케이스에서 제대로 작동하는지 확인
로그 보고 실패 원인 확인
그다음 확장
이게 진짜 연구 방식입니다.

⸻

6. 결과물을 대충 보지 말고 직접 뜯어보라는 말
손실 곡선이 내려간다, 정확도가 오른다, 수익률이 좋다.
이런 숫자는 위안을 줄 수 있지만, 진짜 이해는 아닙니다.
글에서는 출력물을 직접 보라고 합니다.
AI 모델이면:
실패한 답변 100 개를 직접 읽기
이상한 케이스 분류하기
가장 큰 실패 유형부터 고치기
투자면:
손실 난 트레이드 100 개 보기
왜 들어갔는지 분류
가장 큰 손실 패턴 찾기
콘텐츠면:
조회수 낮은 글 100 개 보기
제목 문제인지, 주제 문제인지, 타이밍 문제인지 분류
가장 큰 실패 이유부터 고치기
즉, 숫자만 보지 말고 실패 사례를 직접 해부하라는 말입니다.

⸻

7. 일부러 방황하라는 말
처음 고른 분야가 내 운명은 아닙니다.
처음에는 여러 분야를 건드려봐야 합니다.
AI 기준으로는:
RL
평가
인터프리터빌리티
시스템
데이터
에이전트
이런 걸 실제로 해봐야 어디서 내 강점이 터지는지 압니다.
이건 크립토도 똑같습니다.
PerpDEX
RWA
AI
Physical AI
예측시장
프라이버시
DePIN
로컬 모델
여러 영역을 직접 파봐야 내가 남들보다 이상하게 잘 보는 구석을 찾습니다.
글에서 말하는 핵심은:
처음부터 한 분야에 정착하려 하지 말고, 여러 곳에서 수업료를 내라.

⸻

8. 사람과 네트워크도 연구 자산이다
좋은 연구자는 혼자 방 안에서만 잘하는 사람이 아닙니다.
아이디어를 공개하고
반쯤 완성된 생각을 던지고
비판을 받고
도구를 공유하고
어려운 걸 쉽게 설명합니다
이 과정에서 협업, 추천, 기회가 생깁니다.
중요한 건 완성된 결과만 공개하는 게 아니라, 생각하는 방식 자체를 보여주는 것입니다.
그래서 공개 글이 강력한 자산이 됩니다.
왜냐하면 그 글은 “이 사람이 어떻게 생각하는지”를 보여주는 위조하기 어려운 샘플이기 때문입니다.