- 코딩과 채팅이 현재 가장 효과적인 AI 활용사례가 맞다.
- 조만간 새로운 소셜 경험을 제공하는 서비스, 구글 닥스에 AI를 잘 적용한 새로운 워크플로우, 사람 수준의 업무를 하는 Agent들이 나올 것이다.
- 더 놀라운 건 AI가 새로운 과학을 발견하는 것이다. 단순히 사람이 하는 수준을 넘어서 새로운 발견을 하는 것은 앞에 있는 모든 발전을 압도할 수 있다.
- 처음엔 과학자들과 협업하는 Co-pilot 형태로 생산성을 3배 높이고 점차 새로운 물리학을 발견할 수 있는 단계로 나아갈 것입니다.
- 이미 사람들은 AI를 사용해서 시장 조사를 하고, 새로운 제품을 찾아내고, 아마존에서 물건을 팔고 광고를 만들고 있습니다.
- OpenAI는 일반 차량의 자율 주행을 기존의 어떤 접근 방식보다 훨씬 더 잘 해낼 수 있는 새로운 기술이 있다고 생각합니다. → 테슬라가 많은 데이터에 모델을 붙이는 식으로 문제를 해결했다면 OpenAI가 자율주행에서도 쓸만한 모델을 만드는 식으로 문제를 해결하고 있는 것 같다. 만약 자율주행에서 Waymo, Tesla 수준 혹은 이를 뛰어넘는 무언가를 만든다면 OpenAI의 가치는 훨씬 더 높아질 수 있겠다.
- 5-10년 안에 훌륭한 휴머노이드 로봇을 가지게 될 것.
- 소비자들이 결국 우리에게 원하는 것은, 더 좋은 단어가 없어서 말하자면, '에테르(ether)' 속에 살면서 모든 표면과 제품을 통해 여러 방식으로 그들을 돕는 'AI 컴패니언'이라고 생각합니다. 그 존재는 당신과 당신의 목표, 당신이 성취하고 싶은 것, 그리고 당신의 정보를 알아가게 될 겁니다.
- 그것이 항상 당신과 함께 있고, 센서로 가득 차서 무슨 일이 일어나는지 이해하고 많은 것을 계속 추적한다면... 완전히 다른 종류의 장치를 상상할 수 있죠.
- AI 팩토리: 전자(electron)부터 ChatGPT 쿼리까지
→ 영화 Her가 조만간 현실화되고 우리보다 우리를 더 잘아는 작은 기기를 모든 사람들이 들고다닐 수 있겠다.
- 핵융합이 일어날 것이고, 새로운 종류의 핵분열도 일어날 것이라고 생각합니다.
https://youtu.be/mZUG0pr5hBo
- 조만간 새로운 소셜 경험을 제공하는 서비스, 구글 닥스에 AI를 잘 적용한 새로운 워크플로우, 사람 수준의 업무를 하는 Agent들이 나올 것이다.
- 더 놀라운 건 AI가 새로운 과학을 발견하는 것이다. 단순히 사람이 하는 수준을 넘어서 새로운 발견을 하는 것은 앞에 있는 모든 발전을 압도할 수 있다.
- 처음엔 과학자들과 협업하는 Co-pilot 형태로 생산성을 3배 높이고 점차 새로운 물리학을 발견할 수 있는 단계로 나아갈 것입니다.
- 이미 사람들은 AI를 사용해서 시장 조사를 하고, 새로운 제품을 찾아내고, 아마존에서 물건을 팔고 광고를 만들고 있습니다.
- OpenAI는 일반 차량의 자율 주행을 기존의 어떤 접근 방식보다 훨씬 더 잘 해낼 수 있는 새로운 기술이 있다고 생각합니다. → 테슬라가 많은 데이터에 모델을 붙이는 식으로 문제를 해결했다면 OpenAI가 자율주행에서도 쓸만한 모델을 만드는 식으로 문제를 해결하고 있는 것 같다. 만약 자율주행에서 Waymo, Tesla 수준 혹은 이를 뛰어넘는 무언가를 만든다면 OpenAI의 가치는 훨씬 더 높아질 수 있겠다.
- 5-10년 안에 훌륭한 휴머노이드 로봇을 가지게 될 것.
- 소비자들이 결국 우리에게 원하는 것은, 더 좋은 단어가 없어서 말하자면, '에테르(ether)' 속에 살면서 모든 표면과 제품을 통해 여러 방식으로 그들을 돕는 'AI 컴패니언'이라고 생각합니다. 그 존재는 당신과 당신의 목표, 당신이 성취하고 싶은 것, 그리고 당신의 정보를 알아가게 될 겁니다.
- 그것이 항상 당신과 함께 있고, 센서로 가득 차서 무슨 일이 일어나는지 이해하고 많은 것을 계속 추적한다면... 완전히 다른 종류의 장치를 상상할 수 있죠.
- AI 팩토리: 전자(electron)부터 ChatGPT 쿼리까지
→ 영화 Her가 조만간 현실화되고 우리보다 우리를 더 잘아는 작은 기기를 모든 사람들이 들고다닐 수 있겠다.
- 핵융합이 일어날 것이고, 새로운 종류의 핵분열도 일어날 것이라고 생각합니다.
https://youtu.be/mZUG0pr5hBo
YouTube
Sam Altman on The Future of AI | Ep. 13
(If you enjoyed this, please like and subscribe!)
This was a fun one! Sam is my brother and the CEO of a small company in SF called OpenAI. I’m glad he was able to take time out of his busy schedule to give me a hard time and share his thoughts on the future…
This was a fun one! Sam is my brother and the CEO of a small company in SF called OpenAI. I’m glad he was able to take time out of his busy schedule to give me a hard time and share his thoughts on the future…
수학의 모차르트 테렌스타오가 바라보는 AI
Q: 딥마인드의 알파프루프(AlphaProof)와 같은 AI가 수학 문제를 푸는 것에 대해 어떻게 생각하시나요?
A: AI가 국제수학올림피아드(IMO) 수준의 문제를 푸는 것은 매우 인상적이며, 무엇이 가능한지를 보여주는 훌륭한 성과입니다. 하지만 현재 접근 방식은 확장성에 한계가 있습니다. AI는 실수를 하고, 증명이 길어질수록 실패율이 기하급수적으로 증가합니다.
- 인간 수학자와 AI의 차이: 현재 AI는 '잘못된 길로 들어섰을 때'를 인지하는 능력, 즉 '수학적 후각(mathematical smell)'이 부족합니다. AI가 생성한 증명은 겉보기에는 완벽해 보이지만, 미묘하고 어리석은 오류를 포함하는 경우가 많습니다.
- 미래: 만약 AI가 이런 '후각'을 갖게 된다면 인간 수준의 수학자와 경쟁하거나 협력할 수 있을 것입니다.
Q: AI가 필즈상을 수상하는 날이 올까요?
A: 어떤 수준의 협력을 말하는지에 따라 다릅니다. 이미 AI는 논문 작성 시 자동 완성 기능 등으로 도움을 주고 있습니다. 하지만 AI가 주도적으로 필즈상 수준의 공헌을 하려면 시간이 더 필요합니다.
- 가까운 미래의 예측: 저는 이번 10년 안에 AI가 사람들이 관련 없다고 생각했던 두 분야 사이의 **새로운 추측(conjecture)을 생성**할 수 있을 것이라 봅니다. 이는 매우 의미 있는 돌파구가 될 것입니다.
Q: 수학을 공부하는 젊은이들에게 어떤 조언을 해주고 싶으신가요?
A:자신만의 수학 언어를 찾는 것이 중요합니다. 인간의 뇌에는 진화적으로 주어진 '수학 센터'가 없기 때문에, 각자 시각, 언어, 게임 등 다른 뇌 영역을 재활용하여 수학을 합니다. 한 가지 교육 방식이 맞지 않더라도, 유튜브, 포럼, 책 등 다양한 자료를 통해 자신에게 맞는 방식을 탐구해보세요. 또한, 특정 기술보다는 추상적 개념을 다루는 법, 문제 해결 능력과 같은 **이전 가능한 기술(transferable skills)**을 기르는 것이 중요합니다.
최근에 무스타파 슐만(Deepmind 공동창업자)도 비슷한 이야기를 했다. AI시대에 Personal Tutor가 붙어서 무엇이든 전문가 수준으로 배울 수 있어서 가장 중요한 자산은 의지력/습관이 될 것 같다.
향후 10년간 가장 큰 커리어 성장 가속기: 학습에 매우, 매우 능숙해지는 것.
- 당신의 학습 스타일을 파악하세요.
- AI를 사용해 자료를 그 형식/스타일(팟캐스트, 퀴즈 등)로 변환하세요.
- 지식을 적용하세요.
- 반복하세요.
빠르게 배우고, 빠르게 성장하라.
Q: 딥마인드의 알파프루프(AlphaProof)와 같은 AI가 수학 문제를 푸는 것에 대해 어떻게 생각하시나요?
A: AI가 국제수학올림피아드(IMO) 수준의 문제를 푸는 것은 매우 인상적이며, 무엇이 가능한지를 보여주는 훌륭한 성과입니다. 하지만 현재 접근 방식은 확장성에 한계가 있습니다. AI는 실수를 하고, 증명이 길어질수록 실패율이 기하급수적으로 증가합니다.
- 인간 수학자와 AI의 차이: 현재 AI는 '잘못된 길로 들어섰을 때'를 인지하는 능력, 즉 '수학적 후각(mathematical smell)'이 부족합니다. AI가 생성한 증명은 겉보기에는 완벽해 보이지만, 미묘하고 어리석은 오류를 포함하는 경우가 많습니다.
- 미래: 만약 AI가 이런 '후각'을 갖게 된다면 인간 수준의 수학자와 경쟁하거나 협력할 수 있을 것입니다.
Q: AI가 필즈상을 수상하는 날이 올까요?
A: 어떤 수준의 협력을 말하는지에 따라 다릅니다. 이미 AI는 논문 작성 시 자동 완성 기능 등으로 도움을 주고 있습니다. 하지만 AI가 주도적으로 필즈상 수준의 공헌을 하려면 시간이 더 필요합니다.
- 가까운 미래의 예측: 저는 이번 10년 안에 AI가 사람들이 관련 없다고 생각했던 두 분야 사이의 **새로운 추측(conjecture)을 생성**할 수 있을 것이라 봅니다. 이는 매우 의미 있는 돌파구가 될 것입니다.
Q: 수학을 공부하는 젊은이들에게 어떤 조언을 해주고 싶으신가요?
A:자신만의 수학 언어를 찾는 것이 중요합니다. 인간의 뇌에는 진화적으로 주어진 '수학 센터'가 없기 때문에, 각자 시각, 언어, 게임 등 다른 뇌 영역을 재활용하여 수학을 합니다. 한 가지 교육 방식이 맞지 않더라도, 유튜브, 포럼, 책 등 다양한 자료를 통해 자신에게 맞는 방식을 탐구해보세요. 또한, 특정 기술보다는 추상적 개념을 다루는 법, 문제 해결 능력과 같은 **이전 가능한 기술(transferable skills)**을 기르는 것이 중요합니다.
최근에 무스타파 슐만(Deepmind 공동창업자)도 비슷한 이야기를 했다. AI시대에 Personal Tutor가 붙어서 무엇이든 전문가 수준으로 배울 수 있어서 가장 중요한 자산은 의지력/습관이 될 것 같다.
향후 10년간 가장 큰 커리어 성장 가속기: 학습에 매우, 매우 능숙해지는 것.
- 당신의 학습 스타일을 파악하세요.
- AI를 사용해 자료를 그 형식/스타일(팟캐스트, 퀴즈 등)로 변환하세요.
- 지식을 적용하세요.
- 반복하세요.
빠르게 배우고, 빠르게 성장하라.
우리 시대의 새로운 '컨베이어 벨트'는 바로 AI로 재정의된 워크플로우가 될 것입니다.
과거 컨베이어 벨트가 자동차 산업의 생산성을 폭발시켰듯, AI 워크플로우는 지식 노동의 생산성을 바꿀것입니다. 기업의 가장 큰 가치는 바로 이 '업무 방식의 혁신'에서 창출될 것입니다.
많은 사람들이 이미 GPT나 Copilot을 사용하고 있지만, 실제 본인의 업무에는 효과가 미미하거나 정확성이 떨어지는 경우가 많습니다. 범용 AI는 우리 회사의 고유한 지식과 복잡한 업무 프로세스를 이해하지 못하는 '똑똑한 인턴'과 같아서, 핵심적인 가치를 만들어내는 데 한계가 있습니다.
하지만 우리 회사의 데이터와 도메인 지식을 깊이 학습한 AI 도구와 에이전트는 다릅니다. 이들은 '숙련된 전문가'처럼 일하며, 그 성능은 이미 놀라운 수준에 도달했고 기하급수적으로 발전하고 있습니다.
가장 명확한 증거는 소프트웨어 개발 분야에서 나타나고 있습니다. 코딩 데이터로 학습한 AI 도구(Cursor 등)와 에이전트는 이미 개발자의 생산성을 극적으로 높였으며, 심지어 비개발자도 간단한 앱을 만들 수 있는 시대를 열고 있습니다.
그렇다면, 이 성공 모델을 회사가 가진 다른 모든 데이터(재무, 법무, 마케팅 등)에 적용한다면 어떨까요? AI 에이전트를 중심으로 업무 방식을 완전히 재설계했을 때, 우리 회사의 생산성과 결과물의 수준은 과연 어디까지 도달할 수 있을까요?
우리는 일하는 방식을 바꿔야합니다. 그렇지 않으면 누군가 먼저 바꿀것입니다.
과거 컨베이어 벨트가 자동차 산업의 생산성을 폭발시켰듯, AI 워크플로우는 지식 노동의 생산성을 바꿀것입니다. 기업의 가장 큰 가치는 바로 이 '업무 방식의 혁신'에서 창출될 것입니다.
많은 사람들이 이미 GPT나 Copilot을 사용하고 있지만, 실제 본인의 업무에는 효과가 미미하거나 정확성이 떨어지는 경우가 많습니다. 범용 AI는 우리 회사의 고유한 지식과 복잡한 업무 프로세스를 이해하지 못하는 '똑똑한 인턴'과 같아서, 핵심적인 가치를 만들어내는 데 한계가 있습니다.
하지만 우리 회사의 데이터와 도메인 지식을 깊이 학습한 AI 도구와 에이전트는 다릅니다. 이들은 '숙련된 전문가'처럼 일하며, 그 성능은 이미 놀라운 수준에 도달했고 기하급수적으로 발전하고 있습니다.
가장 명확한 증거는 소프트웨어 개발 분야에서 나타나고 있습니다. 코딩 데이터로 학습한 AI 도구(Cursor 등)와 에이전트는 이미 개발자의 생산성을 극적으로 높였으며, 심지어 비개발자도 간단한 앱을 만들 수 있는 시대를 열고 있습니다.
그렇다면, 이 성공 모델을 회사가 가진 다른 모든 데이터(재무, 법무, 마케팅 등)에 적용한다면 어떨까요? AI 에이전트를 중심으로 업무 방식을 완전히 재설계했을 때, 우리 회사의 생산성과 결과물의 수준은 과연 어디까지 도달할 수 있을까요?
우리는 일하는 방식을 바꿔야합니다. 그렇지 않으면 누군가 먼저 바꿀것입니다.
👍1
Continuous Learning_Startup & Investment
우리 시대의 새로운 '컨베이어 벨트'는 바로 AI로 재정의된 워크플로우가 될 것입니다. 과거 컨베이어 벨트가 자동차 산업의 생산성을 폭발시켰듯, AI 워크플로우는 지식 노동의 생산성을 바꿀것입니다. 기업의 가장 큰 가치는 바로 이 '업무 방식의 혁신'에서 창출될 것입니다. 많은 사람들이 이미 GPT나 Copilot을 사용하고 있지만, 실제 본인의 업무에는 효과가 미미하거나 정확성이 떨어지는 경우가 많습니다. 범용 AI는 우리 회사의 고유한 지식과 복잡한…
Anthropic은 어떻게 AI를 사용하고 있나?
https://whchoi98.notion.site/How-Anthropic-teams-use-Claude-Code-20b04ef7e60e80febfb1d3581905f99a
1. 재무팀 구성원은 코드 작성 경험 없이 “이 대시보드에서 데이터를 조회하고, 정보를 얻은 다음 이 쿼리를 실행하고, Excel 출력물 생성”
2. 신입 사원을 위한 코드베이스 네비게이션: Claude는 문서화된 Claude.md 파일을 분석해 작업에 필요한 관련 파일을 찾아주고, 데이터 파이프라인의 상위 종속성을 설명하며, 대시보드에 어떤 데이터가 들어오는지도 알려줍니다. 이는 전통적인 데이터 카탈로그나 검색 도구를 대체합니다.
3. 문서 갱신: Claude에게 수행한 작업 요약 및 개선사항 제안을 요청합니다. 이를 통해 문서와 워크플로우 가이드가 점진적으로 개선되며 지속적인 개선 루프가 형성
4 자가 검증 루프를 설정하세요: Claude가 빌드, 테스트, 린트를 자동으로 수행하도록 설정하면 자율적으로 더 오래 작업할 수 있으며, 오류도 스스로 감지할 수 있습니다. 테스트 코드를 먼저 생성하도록 지시하면 더욱 효과적입니다.
5. 반복적인 리팩토링 자동 처리 병합 충돌이나 중간 수준의 복잡한 파일 리팩토링과 같이 에디터 매크로로 해결하기엔 어렵고, 대규모 개발 노력을 들이기엔 애매한 작업을 Claude에 맡깁니다. 상태를 커밋하고 Claude에게 30분 동안 자율적으로 작업하게 한 뒤 결과가 만족스러우면 채택하고, 아니면 다시 처음부터 시작합니다.
6. Figma 플러그인으로 대량 광고 이미지 생성 정적인 이미지 광고를 수작업으로 복사·편집하던 방식에서 벗어나, Figma 플러그인을 만들어 텍스트만 바꿔 최대 100개의 변형 이미지를 자동 생성합니다. 수작업으로 수 시간 걸릴 작업이 한 번의 클릭으로 완료되어 크리에이티브 생산량이 10배 증가했습니다.
7. Meta Ads 분석용 MCP 서버 구축 Meta Ads API와 연동되는 MCP 서버를 구축해, 캠페인 성과, 비용, 광고 효과 등을 Claude Desktop App 안에서 바로 조회할 수 있게 했습니다. 플랫폼 간 전환 없이 분석이 가능해 ROI 최적화에 직접 기여합니다.
8. 복잡한 워크플로우는 하위 에이전트로 분할하세요 하나의 프롬프트나 흐름으로 모든 작업을 처리하려 하지 말고, 헤드라인용 에이전트, 설명용 에이전트처럼 나누면 디버깅이 쉽고 결과물 품질도 향상됩니다.
9. 프론트엔드 시각 요소 및 상태 관리 직접 수정 이전에는 폰트, 색상, 여백 등의 시각적 요소를 변경하려면 문서 작성 → 엔지니어와 피드백 반복의 과정을 거쳐야 했지만, 이제는 Claude Code로 디자이너가 직접 구현합니다. 일부 디자이너는 “보통 디자이너가 다루지 않는 상태 관리 로직까지 직접 수정”하기도 하며, 원하는 완성도를 스스로 달성할 수 있게 되었습니다.
10. GitHub Actions 기반 자동 티켓 처리 GitHub 이슈나 티켓을 생성하면 Claude가 자동으로 코드 제안을 작성합니다. Claude Code를 직접 실행하지 않고도 티켓 기반으로 버그 수정이나 마이크로 피처 개선 작업이 자동화됩니다.
11. 법무팀 워크플로우 자동화 구성원이 적절한 법률 담당자를 찾을 수 있도록 돕는 ‘전화 트리’ 시스템의 프로토타입을 Claude Code로 구축했습니다. 전통적인 개발 리소스 없이도 법무팀 전용 툴을 제작하는 데 성공했습니다.
https://whchoi98.notion.site/How-Anthropic-teams-use-Claude-Code-20b04ef7e60e80febfb1d3581905f99a
1. 재무팀 구성원은 코드 작성 경험 없이 “이 대시보드에서 데이터를 조회하고, 정보를 얻은 다음 이 쿼리를 실행하고, Excel 출력물 생성”
2. 신입 사원을 위한 코드베이스 네비게이션: Claude는 문서화된 Claude.md 파일을 분석해 작업에 필요한 관련 파일을 찾아주고, 데이터 파이프라인의 상위 종속성을 설명하며, 대시보드에 어떤 데이터가 들어오는지도 알려줍니다. 이는 전통적인 데이터 카탈로그나 검색 도구를 대체합니다.
3. 문서 갱신: Claude에게 수행한 작업 요약 및 개선사항 제안을 요청합니다. 이를 통해 문서와 워크플로우 가이드가 점진적으로 개선되며 지속적인 개선 루프가 형성
4 자가 검증 루프를 설정하세요: Claude가 빌드, 테스트, 린트를 자동으로 수행하도록 설정하면 자율적으로 더 오래 작업할 수 있으며, 오류도 스스로 감지할 수 있습니다. 테스트 코드를 먼저 생성하도록 지시하면 더욱 효과적입니다.
5. 반복적인 리팩토링 자동 처리 병합 충돌이나 중간 수준의 복잡한 파일 리팩토링과 같이 에디터 매크로로 해결하기엔 어렵고, 대규모 개발 노력을 들이기엔 애매한 작업을 Claude에 맡깁니다. 상태를 커밋하고 Claude에게 30분 동안 자율적으로 작업하게 한 뒤 결과가 만족스러우면 채택하고, 아니면 다시 처음부터 시작합니다.
6. Figma 플러그인으로 대량 광고 이미지 생성 정적인 이미지 광고를 수작업으로 복사·편집하던 방식에서 벗어나, Figma 플러그인을 만들어 텍스트만 바꿔 최대 100개의 변형 이미지를 자동 생성합니다. 수작업으로 수 시간 걸릴 작업이 한 번의 클릭으로 완료되어 크리에이티브 생산량이 10배 증가했습니다.
7. Meta Ads 분석용 MCP 서버 구축 Meta Ads API와 연동되는 MCP 서버를 구축해, 캠페인 성과, 비용, 광고 효과 등을 Claude Desktop App 안에서 바로 조회할 수 있게 했습니다. 플랫폼 간 전환 없이 분석이 가능해 ROI 최적화에 직접 기여합니다.
8. 복잡한 워크플로우는 하위 에이전트로 분할하세요 하나의 프롬프트나 흐름으로 모든 작업을 처리하려 하지 말고, 헤드라인용 에이전트, 설명용 에이전트처럼 나누면 디버깅이 쉽고 결과물 품질도 향상됩니다.
9. 프론트엔드 시각 요소 및 상태 관리 직접 수정 이전에는 폰트, 색상, 여백 등의 시각적 요소를 변경하려면 문서 작성 → 엔지니어와 피드백 반복의 과정을 거쳐야 했지만, 이제는 Claude Code로 디자이너가 직접 구현합니다. 일부 디자이너는 “보통 디자이너가 다루지 않는 상태 관리 로직까지 직접 수정”하기도 하며, 원하는 완성도를 스스로 달성할 수 있게 되었습니다.
10. GitHub Actions 기반 자동 티켓 처리 GitHub 이슈나 티켓을 생성하면 Claude가 자동으로 코드 제안을 작성합니다. Claude Code를 직접 실행하지 않고도 티켓 기반으로 버그 수정이나 마이크로 피처 개선 작업이 자동화됩니다.
11. 법무팀 워크플로우 자동화 구성원이 적절한 법률 담당자를 찾을 수 있도록 돕는 ‘전화 트리’ 시스템의 프로토타입을 Claude Code로 구축했습니다. 전통적인 개발 리소스 없이도 법무팀 전용 툴을 제작하는 데 성공했습니다.
whchoi98 on Notion
How Anthropic teams use Claude Code | Notion
Anthropic 팀들은 어떻게 Claude Code를 사용하는가?
Continuous Learning_Startup & Investment
우리 시대의 새로운 '컨베이어 벨트'는 바로 AI로 재정의된 워크플로우가 될 것입니다. 과거 컨베이어 벨트가 자동차 산업의 생산성을 폭발시켰듯, AI 워크플로우는 지식 노동의 생산성을 바꿀것입니다. 기업의 가장 큰 가치는 바로 이 '업무 방식의 혁신'에서 창출될 것입니다. 많은 사람들이 이미 GPT나 Copilot을 사용하고 있지만, 실제 본인의 업무에는 효과가 미미하거나 정확성이 떨어지는 경우가 많습니다. 범용 AI는 우리 회사의 고유한 지식과 복잡한…
Private Equity + AI 시도도 꽤 많이 이루어지고 있다
https://open.substack.com/pub/thecapitaledge/p/ai-e3a?r=1dax0&utm_medium=ios
https://open.substack.com/pub/thecapitaledge/p/ai-e3a?r=1dax0&utm_medium=ios
Substack
AI 롤업: 새로운 전략인가 또 하나의 유행인가
과연 AI 롤업은 이커머스 롤업의 전철을 피할 수 있나
👍2
- 소프트웨어 1.0 | 인간이 기계에게 명령하는 시대
개발자가 파이썬 같은 언어로 컴퓨터에 명시적인 지시를 내립니다. 마치 상세한 레시피를 보고 그대로 요리하는 것과 같습니다.
- 소프트웨어 2.0 | 데이터가 코드를 쓰는 시대
신경망이 방대한 데이터를 보고 스스로 패턴을 학습해 코드를 만듭니다. 셰프가 수만 개의 요리 데이터를 보고 최고의 레시피를 터득하는 것과 같습니다. 자율주행, 의료 AI가 대표적입니다.
- 소프트웨어 3.0 | 대화가 프로그래밍이 되는 시대
바로 지금, LLM의 시대입니다. 가장 큰 혁신은 프로그래밍 언어가 '자연어'로 바뀐 것입니다. 이제 우리는 대화를 통해 컴퓨터를 프로그래밍합니다. 셰프에게 "달콤하면서도 짭짤한 파스타 만들어줘"라고 말만 하면 요리가 완성되는 세상입니다.
카파시는 현재의 LLM을 "1960년대의 원시적인 운영체제(OS)"에 비유합니다.
- 원시적 입출력: 우리는 텍스트로 명령하고 텍스트로 결과를 받는, 그래픽이 없는 '터미널' 환경에 있습니다.
- 직접적인 제어: 추상화된 버튼 없이, LLM이라는 OS의 엔진(커널)에 직접 말을 걸어야 합니다.
- 상태의 부재: 대화가 끝나면 모든 것을 잊어버리는 **'단기 기억상실증'**을 겪습니다. 매번 맥락을 다시 설명해야 하죠.
- 비직관성: 텍스트만으로는 복잡한 정보를 이해하기 어렵습니다. 시각적 정보가 훨씬 효율적입니다.
LLM은 한편으론 초인적인 지식을 가졌지만, 다른 한편으론 거짓말(환각)을 하고 어이없는 실수를 합니다. 이런 '결함 있는 천재'와 어떻게 협력해야 할까요?
"정답은 '부분 자율성(Partial Autonomy)'입니다. 우리는 AI를 완전 자율 로봇으로 만들기보다, 인간의 능력을 증강시키는 '아이언맨 슈트'처럼 만들어야 합니다."
이를 위해선 인간이 AI를 효과적으로 통제하며 생산성을 극대화하는 새로운 도구(GUI)가 필요합니다.
- 성공 사례 (Cursor / Perplexity): 코딩 도구 Cursor나 검색 엔진 Perplexity는 훌륭한 예시입니다. 이들은 복잡한 작업을 AI에게 맡기되, 그 과정을 시각적으로 보여주고 최종 결정은 인간이 쉽게 내릴 수 있도록 돕습니다. 사용자는 작업의 난이도에 따라 AI의 자율성 수준을 조절할 수 있습니다.
"AI가 아이디어를 내는 것은 쉽지만, 그 아이디어를 현실로 만드는 과정에서 AI는 너무 과하게 행동하려는 경향이 있습니다. 1만 줄짜리 코드 변경을 한 번에 제안하면 인간은 검증할 수 없습니다. AI를 '짧은 목줄에 묶어' 단계적으로 협력하는 지혜가 필요합니다."
인간이 아닌, AI 에이전트(Agent)가 쉽게 일할 수 있는 새로운 인프라를 만드는 것입니다.
에이전트를 위한 빌드(Build for Agents)란?
- 웹사이트 정보를 AI가 이해하기 쉬운 마크다운(Markdown) 형식으로 제공합니다.
- 인간에게 '클릭하세요'라고 말하는 대신, AI가 즉시 실행할 수 있는 **명령어(CURL)**를 제공합니다.
- GitHub 주소를 살짝 바꿔, 복잡한 코드를 AI가 읽기 좋은 **단일 텍스트**로 변환해줍니다.
https://youtu.be/LCEmiRjPEtQ
개발자가 파이썬 같은 언어로 컴퓨터에 명시적인 지시를 내립니다. 마치 상세한 레시피를 보고 그대로 요리하는 것과 같습니다.
- 소프트웨어 2.0 | 데이터가 코드를 쓰는 시대
신경망이 방대한 데이터를 보고 스스로 패턴을 학습해 코드를 만듭니다. 셰프가 수만 개의 요리 데이터를 보고 최고의 레시피를 터득하는 것과 같습니다. 자율주행, 의료 AI가 대표적입니다.
- 소프트웨어 3.0 | 대화가 프로그래밍이 되는 시대
바로 지금, LLM의 시대입니다. 가장 큰 혁신은 프로그래밍 언어가 '자연어'로 바뀐 것입니다. 이제 우리는 대화를 통해 컴퓨터를 프로그래밍합니다. 셰프에게 "달콤하면서도 짭짤한 파스타 만들어줘"라고 말만 하면 요리가 완성되는 세상입니다.
카파시는 현재의 LLM을 "1960년대의 원시적인 운영체제(OS)"에 비유합니다.
- 원시적 입출력: 우리는 텍스트로 명령하고 텍스트로 결과를 받는, 그래픽이 없는 '터미널' 환경에 있습니다.
- 직접적인 제어: 추상화된 버튼 없이, LLM이라는 OS의 엔진(커널)에 직접 말을 걸어야 합니다.
- 상태의 부재: 대화가 끝나면 모든 것을 잊어버리는 **'단기 기억상실증'**을 겪습니다. 매번 맥락을 다시 설명해야 하죠.
- 비직관성: 텍스트만으로는 복잡한 정보를 이해하기 어렵습니다. 시각적 정보가 훨씬 효율적입니다.
LLM은 한편으론 초인적인 지식을 가졌지만, 다른 한편으론 거짓말(환각)을 하고 어이없는 실수를 합니다. 이런 '결함 있는 천재'와 어떻게 협력해야 할까요?
"정답은 '부분 자율성(Partial Autonomy)'입니다. 우리는 AI를 완전 자율 로봇으로 만들기보다, 인간의 능력을 증강시키는 '아이언맨 슈트'처럼 만들어야 합니다."
이를 위해선 인간이 AI를 효과적으로 통제하며 생산성을 극대화하는 새로운 도구(GUI)가 필요합니다.
- 성공 사례 (Cursor / Perplexity): 코딩 도구 Cursor나 검색 엔진 Perplexity는 훌륭한 예시입니다. 이들은 복잡한 작업을 AI에게 맡기되, 그 과정을 시각적으로 보여주고 최종 결정은 인간이 쉽게 내릴 수 있도록 돕습니다. 사용자는 작업의 난이도에 따라 AI의 자율성 수준을 조절할 수 있습니다.
"AI가 아이디어를 내는 것은 쉽지만, 그 아이디어를 현실로 만드는 과정에서 AI는 너무 과하게 행동하려는 경향이 있습니다. 1만 줄짜리 코드 변경을 한 번에 제안하면 인간은 검증할 수 없습니다. AI를 '짧은 목줄에 묶어' 단계적으로 협력하는 지혜가 필요합니다."
인간이 아닌, AI 에이전트(Agent)가 쉽게 일할 수 있는 새로운 인프라를 만드는 것입니다.
에이전트를 위한 빌드(Build for Agents)란?
- 웹사이트 정보를 AI가 이해하기 쉬운 마크다운(Markdown) 형식으로 제공합니다.
- 인간에게 '클릭하세요'라고 말하는 대신, AI가 즉시 실행할 수 있는 **명령어(CURL)**를 제공합니다.
- GitHub 주소를 살짝 바꿔, 복잡한 코드를 AI가 읽기 좋은 **단일 텍스트**로 변환해줍니다.
https://youtu.be/LCEmiRjPEtQ
YouTube
Andrej Karpathy: Software Is Changing (Again)
Andrej Karpathy's keynote on June 17, 2025 at AI Startup School in San Francisco. Slides provided by Andrej: https://drive.google.com/file/d/1a0h1mkwfmV2PlekxDN8isMrDA5evc4wW/view?usp=sharing
Chapters:
00:00 - Intro
01:25 - Software evolution: From 1.0 to…
Chapters:
00:00 - Intro
01:25 - Software evolution: From 1.0 to…
❤1
AI 시대, '바이브 코딩'을 넘어 진정한 프로 팀이 일하는 법
AI 코딩 툴은 엄청난 속도 향상을 가져왔습니다. 하지만 잘못 사용하면 오히려 프로젝트를 망치고 기술 부채만 쌓이게 됩니다. 이 가이드는 '분위기(Vibe)'만으로 일할 수 없는, 실제 제품을 만드는 프로 엔지니어링 팀이 어떻게 AI를 활용하여 더 나은 제품을 만드는지에 대한 실전 경험담
AI는 '증폭기'다: 당신의 실력이 곧 AI의 실력
가장 중요한 원칙은 이것입니다. AI는 당신의 능력을 증폭시킬 뿐입니다. 당신이 뛰어난 엔지니어라면 AI는 당신을 더욱 위대하게 만들지만, 실력이 부족하다면 AI는 그 부족함을 더욱 증폭시킬 것입니다.
왜 뛰어난 엔지니어가 AI를 더 잘 쓸까요?
명확한 소통 능력: 기술적 아이디어를 정확하고 상세하게 전달할 수 있습니다.
'메카닉의 감각': 좋은 시스템으로 가는 길을 본능적으로 알고, 그 방향으로 LLM을 조종합니다.
탄탄한 기본기: 새로운 도구나 시스템을 빠르게 습득합니다.
세련된 취향: 무엇이 좋은 코드이고 무엇이 나쁜 코드인지 아는 날카로운 안목이 AI의 결과물에 그대로 반영됩니다.
나쁜 프롬프트 vs. 좋은 프롬프트
나쁜 예시 (생각이 부족한 프롬프트):
"분당 10개 요청으로 사용자를 제한하는 파이썬 속도 제한기를 작성해줘."
결과: 그럴듯해 보이지만, 엣지 케이스나 좋은 관행을 놓친 코드가 나올 가능성이 높습니다.
좋은 예시 (전문가의 프롬프트):
"다음 요구사항을 만족하는 파이썬 토큰 버킷 속도 제한기를 구현해줘:
사용자 ID별 분당 10개 요청 제한
동시 접근을 위한 스레드 안전성 보장
만료된 사용자 항목 자동 정리
(허용 여부, 재시도 시간) 튜플 반환
~~~”
팁: 메타프롬프팅(Metaprompting)을 활용하세요. 간단한 작업을 AI에게 주고, "이 작업을 더 잘하려면 어떤 점을 고려해야 할까?"라고 되물어보세요. AI가 스스로 더 좋은 프롬프트를 만들도록 유도할 수 있습니다.
2. 좋은 환경이 좋은 AI를 만든다: 인간에게 좋은 것은 AI에게도 좋다
소프트웨어 엔지니어링은 단순히 코드를 짜는 행위가 아닙니다. 비즈니스 요구를 만족시키는 거대한 멘탈 모델을 만들고 유지하는 기술입니다. AI도 이 시스템의 일부로 참여해야 합니다.
결론적으로, AI는 인간 엔지니어가 번성하는 환경에서 똑같이 번성합니다. 당신의 팀과 코드베이스가 고품질일수록 AI는 더 똑똑하게 일합니다.
AI가 좋아하는 환경의 특징:
좋은 테스트 커버리지
자동화된 코드 포맷팅 및 테스트
지속적인 통합 및 배포 (CI/CD)
잘 정리된 기술 문서와 커밋 메시지
일관된 코드 스타일과 패턴
명확하게 정의되고 잘게 쪼개진 기능 개발 단위 (스토리 카드)
실화: 잘 정리된 서비스와 엉망인 서비스 두 곳에서 AI에게 같은 난이도의 작업을 시켰습니다. 결과는? AI는 잘 정리된 환경에서 훨씬 뛰어난 성과를 냈고, 엉망인 환경에서는 혼란스러워하며 작업을 제대로 완수하지 못했습니다.
3. 실전 AI 코딩 전술: 에디터 안팎에서 활용하는 법
에디터 안에서 (In-editor)
1. 최고의 모델을 사용하세요. 돈을 아끼지 마세요: 더 좋은 모델은 복리 효과처럼 더 큰 결과 차이를 만듭니다.
2. 컨텍스트 제공의 달인이 되세요: 작업에 꼭 필요한 파일만 @로 언급하고, 관련 문서만 링크하여 AI의 집중력을 높이세요.
3. 규칙을 명시하세요 (RULES.md): 기술 스택, 코딩 표준, 흔한 실수 등을 RULES.md 파일에 정리해두면 AI가 이를 참고하여 더 좋은 코드를 작성합니다.
4. 문제를 잘게 나누세요: 큰 기능은 작은 작업 단위로 나누어 하나씩 처리하고 커밋하세요. AI는 구체적일수록 더 잘 작동합니다.
5, AI의 제안을 당연하게 여기지 마세요: "왜 이런 선택을 했어? 다른 대안은 없어?"라고 물으며 더 깊이 생각하도록 유도하세요.
에디터 밖에서 (Outside the editor)
1. AI로 당신의 스킬을 키우세요: AI는 지치지 않는 선생님입니다. 새로운 코드, 기술 스택, 모범 사례를 배우는 데 적극적으로 활용하세요.
2. 방대한 문서를 쉽게 만드세요: 코드베이스를 AI에게 던져주고 기능 설명, 테스트 케이스 분석 등을 시키세요. 문서는 이제 저렴하게 생산할 수 있는 자산이며, 이는 다시 AI와 팀 동료의 효율을 높이는 선순환을 만듭니다.
3. 사소한 마찰을 줄이는 '윤활유'를 만드세요:
- 모의 서버(Mock server): 프론트엔드와 백엔드 팀 간의 협업을 원활하게 합니다.
- 자동화 스크립트: 반복적인 배포, 문제 해결 가이드를 자동화된 스크립트로 만듭니다.
4. 코드 리뷰에 활용하세요:
- AI에게 코드 변경사항 요약, 배포 방법 설명을 맡기세요.
- 첫 리뷰는 AI 봇에게 맡겨 시간을 절약하되, 절대 인간의 최종 리뷰를 대체해서는 안 됩니다.
4. AI가 바꾸는 '장인 정신'의 의미
1. 섣부른 추상화를 피하세요: 과거에는 반복을 피하기 위해 추상화가 중요했지만, 이제는 AI 덕분에 약간의 반복은 감수할 만합니다. 섣부른 추상화 대신 변화에 더 유연하게 대처할 수 있습니다.
2. 다시 만드는 비용이 저렴해졌습니다: 작은 단위의 코드보다 전체적인 구조와 패턴이 더 중요해졌습니다. 아이디어를 검증하기 위해 빠르게 여러 프로토타입을 만들어보고, 마음에 들지 않으면 다시 만들면 됩니다.
3. 테스트는 이제 협상의 여지가 없습니다: AI는 테스트 코드를 매우 빠르게 생성합니다. 테스트를 작성하지 않을 핑계는 이제 사라졌습니다. 단, AI가 만든 단언(assertion)은 반드시 직접 리뷰해야 합니다.
https://blog.nilenso.com/blog/2025/05/29/ai-assisted-coding/
AI 코딩 툴은 엄청난 속도 향상을 가져왔습니다. 하지만 잘못 사용하면 오히려 프로젝트를 망치고 기술 부채만 쌓이게 됩니다. 이 가이드는 '분위기(Vibe)'만으로 일할 수 없는, 실제 제품을 만드는 프로 엔지니어링 팀이 어떻게 AI를 활용하여 더 나은 제품을 만드는지에 대한 실전 경험담
AI는 '증폭기'다: 당신의 실력이 곧 AI의 실력
가장 중요한 원칙은 이것입니다. AI는 당신의 능력을 증폭시킬 뿐입니다. 당신이 뛰어난 엔지니어라면 AI는 당신을 더욱 위대하게 만들지만, 실력이 부족하다면 AI는 그 부족함을 더욱 증폭시킬 것입니다.
왜 뛰어난 엔지니어가 AI를 더 잘 쓸까요?
명확한 소통 능력: 기술적 아이디어를 정확하고 상세하게 전달할 수 있습니다.
'메카닉의 감각': 좋은 시스템으로 가는 길을 본능적으로 알고, 그 방향으로 LLM을 조종합니다.
탄탄한 기본기: 새로운 도구나 시스템을 빠르게 습득합니다.
세련된 취향: 무엇이 좋은 코드이고 무엇이 나쁜 코드인지 아는 날카로운 안목이 AI의 결과물에 그대로 반영됩니다.
나쁜 프롬프트 vs. 좋은 프롬프트
나쁜 예시 (생각이 부족한 프롬프트):
"분당 10개 요청으로 사용자를 제한하는 파이썬 속도 제한기를 작성해줘."
결과: 그럴듯해 보이지만, 엣지 케이스나 좋은 관행을 놓친 코드가 나올 가능성이 높습니다.
좋은 예시 (전문가의 프롬프트):
"다음 요구사항을 만족하는 파이썬 토큰 버킷 속도 제한기를 구현해줘:
사용자 ID별 분당 10개 요청 제한
동시 접근을 위한 스레드 안전성 보장
만료된 사용자 항목 자동 정리
(허용 여부, 재시도 시간) 튜플 반환
~~~”
팁: 메타프롬프팅(Metaprompting)을 활용하세요. 간단한 작업을 AI에게 주고, "이 작업을 더 잘하려면 어떤 점을 고려해야 할까?"라고 되물어보세요. AI가 스스로 더 좋은 프롬프트를 만들도록 유도할 수 있습니다.
2. 좋은 환경이 좋은 AI를 만든다: 인간에게 좋은 것은 AI에게도 좋다
소프트웨어 엔지니어링은 단순히 코드를 짜는 행위가 아닙니다. 비즈니스 요구를 만족시키는 거대한 멘탈 모델을 만들고 유지하는 기술입니다. AI도 이 시스템의 일부로 참여해야 합니다.
결론적으로, AI는 인간 엔지니어가 번성하는 환경에서 똑같이 번성합니다. 당신의 팀과 코드베이스가 고품질일수록 AI는 더 똑똑하게 일합니다.
AI가 좋아하는 환경의 특징:
좋은 테스트 커버리지
자동화된 코드 포맷팅 및 테스트
지속적인 통합 및 배포 (CI/CD)
잘 정리된 기술 문서와 커밋 메시지
일관된 코드 스타일과 패턴
명확하게 정의되고 잘게 쪼개진 기능 개발 단위 (스토리 카드)
실화: 잘 정리된 서비스와 엉망인 서비스 두 곳에서 AI에게 같은 난이도의 작업을 시켰습니다. 결과는? AI는 잘 정리된 환경에서 훨씬 뛰어난 성과를 냈고, 엉망인 환경에서는 혼란스러워하며 작업을 제대로 완수하지 못했습니다.
3. 실전 AI 코딩 전술: 에디터 안팎에서 활용하는 법
에디터 안에서 (In-editor)
1. 최고의 모델을 사용하세요. 돈을 아끼지 마세요: 더 좋은 모델은 복리 효과처럼 더 큰 결과 차이를 만듭니다.
2. 컨텍스트 제공의 달인이 되세요: 작업에 꼭 필요한 파일만 @로 언급하고, 관련 문서만 링크하여 AI의 집중력을 높이세요.
3. 규칙을 명시하세요 (RULES.md): 기술 스택, 코딩 표준, 흔한 실수 등을 RULES.md 파일에 정리해두면 AI가 이를 참고하여 더 좋은 코드를 작성합니다.
4. 문제를 잘게 나누세요: 큰 기능은 작은 작업 단위로 나누어 하나씩 처리하고 커밋하세요. AI는 구체적일수록 더 잘 작동합니다.
5, AI의 제안을 당연하게 여기지 마세요: "왜 이런 선택을 했어? 다른 대안은 없어?"라고 물으며 더 깊이 생각하도록 유도하세요.
에디터 밖에서 (Outside the editor)
1. AI로 당신의 스킬을 키우세요: AI는 지치지 않는 선생님입니다. 새로운 코드, 기술 스택, 모범 사례를 배우는 데 적극적으로 활용하세요.
2. 방대한 문서를 쉽게 만드세요: 코드베이스를 AI에게 던져주고 기능 설명, 테스트 케이스 분석 등을 시키세요. 문서는 이제 저렴하게 생산할 수 있는 자산이며, 이는 다시 AI와 팀 동료의 효율을 높이는 선순환을 만듭니다.
3. 사소한 마찰을 줄이는 '윤활유'를 만드세요:
- 모의 서버(Mock server): 프론트엔드와 백엔드 팀 간의 협업을 원활하게 합니다.
- 자동화 스크립트: 반복적인 배포, 문제 해결 가이드를 자동화된 스크립트로 만듭니다.
4. 코드 리뷰에 활용하세요:
- AI에게 코드 변경사항 요약, 배포 방법 설명을 맡기세요.
- 첫 리뷰는 AI 봇에게 맡겨 시간을 절약하되, 절대 인간의 최종 리뷰를 대체해서는 안 됩니다.
4. AI가 바꾸는 '장인 정신'의 의미
1. 섣부른 추상화를 피하세요: 과거에는 반복을 피하기 위해 추상화가 중요했지만, 이제는 AI 덕분에 약간의 반복은 감수할 만합니다. 섣부른 추상화 대신 변화에 더 유연하게 대처할 수 있습니다.
2. 다시 만드는 비용이 저렴해졌습니다: 작은 단위의 코드보다 전체적인 구조와 패턴이 더 중요해졌습니다. 아이디어를 검증하기 위해 빠르게 여러 프로토타입을 만들어보고, 마음에 들지 않으면 다시 만들면 됩니다.
3. 테스트는 이제 협상의 여지가 없습니다: AI는 테스트 코드를 매우 빠르게 생성합니다. 테스트를 작성하지 않을 핑계는 이제 사라졌습니다. 단, AI가 만든 단언(assertion)은 반드시 직접 리뷰해야 합니다.
https://blog.nilenso.com/blog/2025/05/29/ai-assisted-coding/
Nilenso
AI-assisted coding for teams that can't get away with vibes - nilenso blog
...
❤1
AI 기술은 세상을 바꾸고 있지만, 정작 AI 제품을 알리고 퍼뜨리는 '유통' 방식은 제자리걸음입니다. 곧 새로운 '게임 체인저'가 등장해 이 판을 뒤흔들 것입니다. 과거 페이스북, 구글처럼 새로운 플랫폼은 처음엔 문을 활짝 열어주다가, 힘이 세지면 문을 닫고 통행세(수수료)를 걷습니다. 그 다음 주인공이 바로 ChatGPT가 될 것이고, 우리는 이 피할 수 없는 게임에서 어떻게 살아남고 이길 수 있는지 생각해야합니다.
AI가 부수고 있는 옛날 길, 새로운 길은 어디에?
문제: AI 덕분에 놀라운 제품을 만들 수 있게 됐지만, 정작 고객에게 알릴 방법이 막히고 있습니다. AI 검색이 기존의 검색엔진최적화(SEO)를 무력화하고, 소셜 미디어는 점점 더 폐쇄적으로 변하고 있죠.
역사 속 힌트: 원래 기술과 유통의 발전은 시간 차가 있습니다. 인터넷이 나오고 한참 뒤에 구글이, 스마트폰이 나오고 한참 뒤에 페이스북 광고가 세상을 지배했습니다. AI 시대도 마찬가지입니다.
다가올 미래: AI 기술이 폭발한 지 얼마 안 됐으니, 이제 곧 새로운 유통의 '왕'이 등장할 차례입니다. 그리고 이번엔 그 속도가 훨씬 빠를 겁니다.
모든 플랫폼의 '달콤한 유혹'과 '배신'의 3단계 법칙 이 법칙을 모르면 당신도 언젠가 '토사구팽' 당할 수 있습니다.
1단계: 세력 키우기 (나만의 성벽 쌓기)
플랫폼은 자신만의 독점적인 무기(페이스북의 '인맥', 구글의 '검색 데이터')를 정합니다.
2단계: 문 활짝 열기 ("모두에게 공짜로 나눠드립니다!")
자신의 성벽을 더 높고 단단하게 쌓기 위해, 개발자들에게 "우리 플랫폼 위에서 마음껏 놀아보세요!"라며 파격적인 혜택(무료 API, 엄청난 홍보 효과)을 제공합니다. 당신의 서비스가 플랫폼을 더 강하게 만들어주니까요.
3단계: 문 닫고 통행세 걷기 ("이제부터 유료입니다.")
플랫폼이 시장을 장악하면, 갑자기 태도를 바꿉니다. 무료였던 기능이 유료가 되고, 없던 규칙이 생깁니다. 잘나가던 서비스의 아이디어를 베끼거나, 높은 수수료를 요구하며 생태계를 통제하기 시작합니다.
다음 왕은 'ChatGPT'가 될 것이다
ChatGPT의 진짜 무기: 단순히 똑똑한 대답이 아닙니다. 바로 **당신에 대한 '맥락'과 '기억'**입니다. 당신의 과거 대화, 취향, 업무 스타일을 모두 기억하는 AI 비서는 다른 어떤 AI도 따라 할 수 없는 강력한 무기입니다. 한번 길들여지면 떠나기 어렵죠.
이미 시작된 신호: OpenAI는 이미 외부 서비스와의 연동 기능을 늘리고, 관련 인력을 대거 채용하고 있습니다. 더 많은 '기억'을 수집해 독점적인 성벽을 쌓기 위한 움직임입니다.
정해진 배신의 시나리오: ChatGPT가 당신의 모든 것을 '기억'하게 되면, 3단계 법칙에 따라 문을 닫기 시작할 겁니다. 수수료를 요구하고, 유용한 기능들을 독점하며, 결국엔 당신의 서비스를 위협할 수 있습니다.
왜 하필 ChatGPT인가?
압도적인 '단골 고객' 수: ChatGPT는 다른 AI 서비스와 비교할 수 없을 정도로 사용자 충성도(리텐션)가 높습니다. 마치 페이스북이나 슬랙처럼, 한번 쓰기 시작하면 계속 쓰게 되는 마력을 가졌죠.
충성도의 힘: 충성도 높은 사용자들이 많다는 것은, 더 많은 개발자들이 ChatGPT를 위한 서비스를 만들게 된다는 의미입니다. 이는 더 많은 '기억'을 쌓는 선순환으로 이어져, 누구도 넘볼 수 없는 제국을 만들게 됩니다.
우리는 어떻게 해야 할까? (피할 수 없는 게임)
선택지는 없다: 경쟁사가 먼저 ChatGPT와 손잡고 더 나은 서비스를 내놓는다면, 우리도 결국 그 흐름에 동참할 수밖에 없습니다.
맹목적인 합류는 금물: 전략적으로 접근해야 합니다. "이 달콤한 시기는 얼마나 갈까?", "우리가 주는 것과 얻는 것은 무엇인가?"를 냉정하게 따져봐야 합니다.
가장 중요한 전략: ChatGPT의 도움을 받되, 나만의 '성벽'을 따로 쌓아야 합니다. 고객과 직접 소통하는 창구를 만들고, 우리만의 데이터를 확보하며, ChatGPT 없이도 살아남을 수 있는 핵심 가치를 만들어야 합니다.
https://blog.brianbalfour.com/p/the-next-great-distribution-shift
AI가 부수고 있는 옛날 길, 새로운 길은 어디에?
문제: AI 덕분에 놀라운 제품을 만들 수 있게 됐지만, 정작 고객에게 알릴 방법이 막히고 있습니다. AI 검색이 기존의 검색엔진최적화(SEO)를 무력화하고, 소셜 미디어는 점점 더 폐쇄적으로 변하고 있죠.
역사 속 힌트: 원래 기술과 유통의 발전은 시간 차가 있습니다. 인터넷이 나오고 한참 뒤에 구글이, 스마트폰이 나오고 한참 뒤에 페이스북 광고가 세상을 지배했습니다. AI 시대도 마찬가지입니다.
다가올 미래: AI 기술이 폭발한 지 얼마 안 됐으니, 이제 곧 새로운 유통의 '왕'이 등장할 차례입니다. 그리고 이번엔 그 속도가 훨씬 빠를 겁니다.
모든 플랫폼의 '달콤한 유혹'과 '배신'의 3단계 법칙 이 법칙을 모르면 당신도 언젠가 '토사구팽' 당할 수 있습니다.
1단계: 세력 키우기 (나만의 성벽 쌓기)
플랫폼은 자신만의 독점적인 무기(페이스북의 '인맥', 구글의 '검색 데이터')를 정합니다.
2단계: 문 활짝 열기 ("모두에게 공짜로 나눠드립니다!")
자신의 성벽을 더 높고 단단하게 쌓기 위해, 개발자들에게 "우리 플랫폼 위에서 마음껏 놀아보세요!"라며 파격적인 혜택(무료 API, 엄청난 홍보 효과)을 제공합니다. 당신의 서비스가 플랫폼을 더 강하게 만들어주니까요.
3단계: 문 닫고 통행세 걷기 ("이제부터 유료입니다.")
플랫폼이 시장을 장악하면, 갑자기 태도를 바꿉니다. 무료였던 기능이 유료가 되고, 없던 규칙이 생깁니다. 잘나가던 서비스의 아이디어를 베끼거나, 높은 수수료를 요구하며 생태계를 통제하기 시작합니다.
다음 왕은 'ChatGPT'가 될 것이다
ChatGPT의 진짜 무기: 단순히 똑똑한 대답이 아닙니다. 바로 **당신에 대한 '맥락'과 '기억'**입니다. 당신의 과거 대화, 취향, 업무 스타일을 모두 기억하는 AI 비서는 다른 어떤 AI도 따라 할 수 없는 강력한 무기입니다. 한번 길들여지면 떠나기 어렵죠.
이미 시작된 신호: OpenAI는 이미 외부 서비스와의 연동 기능을 늘리고, 관련 인력을 대거 채용하고 있습니다. 더 많은 '기억'을 수집해 독점적인 성벽을 쌓기 위한 움직임입니다.
정해진 배신의 시나리오: ChatGPT가 당신의 모든 것을 '기억'하게 되면, 3단계 법칙에 따라 문을 닫기 시작할 겁니다. 수수료를 요구하고, 유용한 기능들을 독점하며, 결국엔 당신의 서비스를 위협할 수 있습니다.
왜 하필 ChatGPT인가?
압도적인 '단골 고객' 수: ChatGPT는 다른 AI 서비스와 비교할 수 없을 정도로 사용자 충성도(리텐션)가 높습니다. 마치 페이스북이나 슬랙처럼, 한번 쓰기 시작하면 계속 쓰게 되는 마력을 가졌죠.
충성도의 힘: 충성도 높은 사용자들이 많다는 것은, 더 많은 개발자들이 ChatGPT를 위한 서비스를 만들게 된다는 의미입니다. 이는 더 많은 '기억'을 쌓는 선순환으로 이어져, 누구도 넘볼 수 없는 제국을 만들게 됩니다.
우리는 어떻게 해야 할까? (피할 수 없는 게임)
선택지는 없다: 경쟁사가 먼저 ChatGPT와 손잡고 더 나은 서비스를 내놓는다면, 우리도 결국 그 흐름에 동참할 수밖에 없습니다.
맹목적인 합류는 금물: 전략적으로 접근해야 합니다. "이 달콤한 시기는 얼마나 갈까?", "우리가 주는 것과 얻는 것은 무엇인가?"를 냉정하게 따져봐야 합니다.
가장 중요한 전략: ChatGPT의 도움을 받되, 나만의 '성벽'을 따로 쌓아야 합니다. 고객과 직접 소통하는 창구를 만들고, 우리만의 데이터를 확보하며, ChatGPT 없이도 살아남을 수 있는 핵심 가치를 만들어야 합니다.
https://blog.brianbalfour.com/p/the-next-great-distribution-shift
Brianbalfour
The Next Great Distribution Shift
Thank you to Casey Winters, Aaron White, Dan Hockenmaier, Fareed Mosavat and Adam Fishman for reading early versions of this and providing feedback.
❤1👍1
Continuous Learning_Startup & Investment
- 소프트웨어 1.0 | 인간이 기계에게 명령하는 시대 개발자가 파이썬 같은 언어로 컴퓨터에 명시적인 지시를 내립니다. 마치 상세한 레시피를 보고 그대로 요리하는 것과 같습니다. - 소프트웨어 2.0 | 데이터가 코드를 쓰는 시대 신경망이 방대한 데이터를 보고 스스로 패턴을 학습해 코드를 만듭니다. 셰프가 수만 개의 요리 데이터를 보고 최고의 레시피를 터득하는 것과 같습니다. 자율주행, 의료 AI가 대표적입니다. - 소프트웨어 3.0 | 대화가 프로그래밍이…
컴퓨터 화면이 사라진다: LLM 시대, 우리가 상상해야 할 새로운 인터페이스
지난 40년간 우리는 정해진 규칙에 따라 컴퓨터를 ‘조작’해왔습니다. 창(Windows)을 열고, 아이콘(Icons)을 찾아, 메뉴(Menus)를 눌러 원하는 기능을 실행했죠. 하지만 LLM이 새로운 운영체제(OS)가 되면서, 이 모든 규칙이 무너지고 있습니다. 이제 우리는 컴퓨터를 조작하는 대신, 우리의 ‘의도’를 전달하게 됩니다. 그리고 이 근본적인 변화는 우리가 매일 마주하는 ‘화면(GUI)’의 개념 자체를 뒤바꿀 것입니다.
미래의 인터페이스는 ‘보여주는’ 것이 아니라, ‘대화하고 협업하는’ 것이 될 겁니다.
그렇다면 LLM 네이티브 시대의 좋은 인터페이스는 어떤 모습일까요?
1. 당신의 말 한마디에 태어나는 ‘임시 UI’
미래에는 고정된 화면이 없습니다. 오직 당신의 목표와 AI와의 대화만이 존재합니다.
“다음 주 제주도 2박 3일 가족 여행 계획 짜줘”라고 말하면, AI는 검색 결과 링크를 던져주는 대신 항공권, 숙소, 맛집 후보가 담긴 비교/선택용 카드 UI를 그 자리에서 생성합니다. 당신이 그 카드들을 보며 “아니, 렌터카는 필요 없어”라고 말하면 렌터카 카드는 즉시 사라지고, “이 호텔은 왜 추천했어?”라고 물으면 “요청하신 ‘해변 근처 4성급’ 조건과 평점을 모두 만족합니다”라는 설명과 함께 새로운 옵션 카드가 나타납니다. 모든 결정이 끝나면 이 UI는 미련 없이 사라지죠.
이는 단순히 대화형 인터페이스를 넘어섭니다. 사용자의 의도와 맥락에 따라, 그 순간에만 존재하는 ‘상황인지형 동적 UI(Context-Aware & Ephemeral UI)’입니다. 더 이상 우리는 정해진 메뉴판에서 음식을 고르는 것이 아니라, 우리의 주문에 맞춰 셰프가 즉석에서 요리를 내어주는 경험을 하게 될 겁니다.
2. ‘블랙박스’가 아닌 ‘유리상자’ 속 AI
AI가 모든 것을 알아서 처리하면 편리하지만, 동시에 불안합니다. ‘과연 제대로 하고 있는 걸까?’라는 의심이 들죠. 신뢰할 수 있는 인터페이스는 AI의 생각과 계획을 투명하게 보여줘야 합니다.
미래의 인터페이스는 AI의 작업 계획을 ‘1. 항공권 검색 → 2. 숙소 검색 → 3. 맛집 리스트업’과 같은 순서도나 체크리스트로 시각화해서 보여줄 겁니다. 우리는 이 ‘유리상자’ 속을 들여다보며 특정 단계를 건너뛰거나 수정하는 등 실시간으로 개입하고 감독할 수 있습니다. AI는 더 이상 마법 같은 블랙박스가 아니라, 내가 모든 과정을 이해하고 제어할 수 있는 유능한 파트너가 됩니다.
3. ‘앱’의 경계가 무너지고, ‘목표’만 남는다
이러한 인터페이스의 변화는 궁극적으로 ‘앱’이라는 개념을 해체시킵니다.
현재 우리는 ‘항공권 앱’, ‘호텔 앱’, ‘지도 앱’을 각각 열어서 작업합니다. 하지만 미래에는 그럴 필요가 없습니다. LLM이라는 OS가 우리의 “여행 계획”이라는 최종 목표를 이해하고, 각 앱의
‘기능(capability)’만을 도구처럼 불러와 조합하기 때문입니다.
더 이상 우리는 ‘포토샵을 열어서…’라고 생각하지 않을 겁니다. 그저 “이 사진에서 배경 좀 지워줘”라고 말하면, LLM은 포토샵의 배경 제거 ‘기능’만 빌려와 결과를 보여줍니다. 이제 우리에게 중요한 것은 어떤 앱을 쓰느냐가 아니라, 어떤 목표를 달성하고 싶으냐는 것뿐입니다.
참고한 컨텐츠 https://x.com/karpathy/status/1935779463536755062
지난 40년간 우리는 정해진 규칙에 따라 컴퓨터를 ‘조작’해왔습니다. 창(Windows)을 열고, 아이콘(Icons)을 찾아, 메뉴(Menus)를 눌러 원하는 기능을 실행했죠. 하지만 LLM이 새로운 운영체제(OS)가 되면서, 이 모든 규칙이 무너지고 있습니다. 이제 우리는 컴퓨터를 조작하는 대신, 우리의 ‘의도’를 전달하게 됩니다. 그리고 이 근본적인 변화는 우리가 매일 마주하는 ‘화면(GUI)’의 개념 자체를 뒤바꿀 것입니다.
미래의 인터페이스는 ‘보여주는’ 것이 아니라, ‘대화하고 협업하는’ 것이 될 겁니다.
그렇다면 LLM 네이티브 시대의 좋은 인터페이스는 어떤 모습일까요?
1. 당신의 말 한마디에 태어나는 ‘임시 UI’
미래에는 고정된 화면이 없습니다. 오직 당신의 목표와 AI와의 대화만이 존재합니다.
“다음 주 제주도 2박 3일 가족 여행 계획 짜줘”라고 말하면, AI는 검색 결과 링크를 던져주는 대신 항공권, 숙소, 맛집 후보가 담긴 비교/선택용 카드 UI를 그 자리에서 생성합니다. 당신이 그 카드들을 보며 “아니, 렌터카는 필요 없어”라고 말하면 렌터카 카드는 즉시 사라지고, “이 호텔은 왜 추천했어?”라고 물으면 “요청하신 ‘해변 근처 4성급’ 조건과 평점을 모두 만족합니다”라는 설명과 함께 새로운 옵션 카드가 나타납니다. 모든 결정이 끝나면 이 UI는 미련 없이 사라지죠.
이는 단순히 대화형 인터페이스를 넘어섭니다. 사용자의 의도와 맥락에 따라, 그 순간에만 존재하는 ‘상황인지형 동적 UI(Context-Aware & Ephemeral UI)’입니다. 더 이상 우리는 정해진 메뉴판에서 음식을 고르는 것이 아니라, 우리의 주문에 맞춰 셰프가 즉석에서 요리를 내어주는 경험을 하게 될 겁니다.
2. ‘블랙박스’가 아닌 ‘유리상자’ 속 AI
AI가 모든 것을 알아서 처리하면 편리하지만, 동시에 불안합니다. ‘과연 제대로 하고 있는 걸까?’라는 의심이 들죠. 신뢰할 수 있는 인터페이스는 AI의 생각과 계획을 투명하게 보여줘야 합니다.
미래의 인터페이스는 AI의 작업 계획을 ‘1. 항공권 검색 → 2. 숙소 검색 → 3. 맛집 리스트업’과 같은 순서도나 체크리스트로 시각화해서 보여줄 겁니다. 우리는 이 ‘유리상자’ 속을 들여다보며 특정 단계를 건너뛰거나 수정하는 등 실시간으로 개입하고 감독할 수 있습니다. AI는 더 이상 마법 같은 블랙박스가 아니라, 내가 모든 과정을 이해하고 제어할 수 있는 유능한 파트너가 됩니다.
3. ‘앱’의 경계가 무너지고, ‘목표’만 남는다
이러한 인터페이스의 변화는 궁극적으로 ‘앱’이라는 개념을 해체시킵니다.
현재 우리는 ‘항공권 앱’, ‘호텔 앱’, ‘지도 앱’을 각각 열어서 작업합니다. 하지만 미래에는 그럴 필요가 없습니다. LLM이라는 OS가 우리의 “여행 계획”이라는 최종 목표를 이해하고, 각 앱의
‘기능(capability)’만을 도구처럼 불러와 조합하기 때문입니다.
더 이상 우리는 ‘포토샵을 열어서…’라고 생각하지 않을 겁니다. 그저 “이 사진에서 배경 좀 지워줘”라고 말하면, LLM은 포토샵의 배경 제거 ‘기능’만 빌려와 결과를 보여줍니다. 이제 우리에게 중요한 것은 어떤 앱을 쓰느냐가 아니라, 어떤 목표를 달성하고 싶으냐는 것뿐입니다.
참고한 컨텐츠 https://x.com/karpathy/status/1935779463536755062
X (formerly Twitter)
Andrej Karpathy (@karpathy) on X
Cool demo of a GUI for LLMs! Obviously it has a bit silly feel of a “horseless carriage” in that it exactly replicates conventional UI in the new paradigm, but the high level idea is to generate a completely ephemeral UI on demand depending on the specific…
❤4
황민호님
향후 1년 이내
우선 개발 현장의 AI 에이전트 채택률이 급상승하여, 많은 개발팀이 파일럿으로 이를 도입하고 성공 사례가 공유될 것입니다. 최근 발표된 Codex, Claude Code, Jules 등이 2025년 말까지 안정화 버전을 출시하고 더 많은 사용자에게 개방될 가능성이 높습니다. 유사하거나 더 좋은 기능을 가진 에이전트들이 등장할 것입니다. 개발자들은 자연스럽게 일상 업무에서 AI와 협업하게 되고, 새로운 프로젝트를 시작할 때 “AI 지원 여부”가 생산성에 큰 영향을 미치는 요인으로 떠오를 것입니다.
기업 내부적으로는 AI 거버넌스 팀이 생겨서, 각 팀의 AI 활용을 지원하고 정책을 수립하는 움직임이 시작될 수 있습니다. 또한 AI 코딩 능숙도에 따른 인력 재배치가 진행되어, 일부 반복 작업 인력은 다른 창의적 업무로 전환되거나 AI 관리 업무로 이동할 것입니다. 일부 소규모팀에서 놀랄만한 성과를 내는 사례가 나타날 것입니다.
단기적으로 크게 우려했던 대규모 실직 사태나 개발자 불필요 현상은 일부 나타나긴 하겠지만, 오히려 AI로 보강된 개발자의 높은 생산성으로 프로젝트 기간 단축, 품질 향상 등의 긍정적 성과가 부각될 전망입니다. 다만 일부 개발자의 경우 업무량이나 난이도가 증가할 수 있습니다.
AI가 코드를 작성해주지만 그만큼 더 많은 기능을 더 짧은 시간에 만들 것을 요구받거나, AI 산출물을 검증하느라 정신없어지는 상황이 올 수 있습니다. 이에 따라 일부 개발자들은 과로 또는 스트레스를 호소할 가능성도 있어, 기업 문화 차원에서 AI 활용에 대한 현실적 목표 설정과 워크로드 관리가 필요할 것입니다.
기술적으로는 향후 1년간 AI 코딩 모델의 신뢰성 개선이 이루어져, 지금 가끔 발생하는 할루시네이션이나 실수 사례가 확연히 줄어들고, 보안 민감 코드를 작성할 때 경고를 주는 등 안전장치가 강화될 것입니다. 1년 후에는 AI 에이전트가 작성한 코드라도 현재보다 훨씬 신뢰성 있게 바로 프로덕션에 투입할 수 있는 수준에 가까워지고, 이를 경험한 개부분의 개발자들의 인식도 “AI가 꽤 쓸 만하다”는 쪽으로 바뀌게 될 것입니다.
향후 1년 이내
우선 개발 현장의 AI 에이전트 채택률이 급상승하여, 많은 개발팀이 파일럿으로 이를 도입하고 성공 사례가 공유될 것입니다. 최근 발표된 Codex, Claude Code, Jules 등이 2025년 말까지 안정화 버전을 출시하고 더 많은 사용자에게 개방될 가능성이 높습니다. 유사하거나 더 좋은 기능을 가진 에이전트들이 등장할 것입니다. 개발자들은 자연스럽게 일상 업무에서 AI와 협업하게 되고, 새로운 프로젝트를 시작할 때 “AI 지원 여부”가 생산성에 큰 영향을 미치는 요인으로 떠오를 것입니다.
기업 내부적으로는 AI 거버넌스 팀이 생겨서, 각 팀의 AI 활용을 지원하고 정책을 수립하는 움직임이 시작될 수 있습니다. 또한 AI 코딩 능숙도에 따른 인력 재배치가 진행되어, 일부 반복 작업 인력은 다른 창의적 업무로 전환되거나 AI 관리 업무로 이동할 것입니다. 일부 소규모팀에서 놀랄만한 성과를 내는 사례가 나타날 것입니다.
단기적으로 크게 우려했던 대규모 실직 사태나 개발자 불필요 현상은 일부 나타나긴 하겠지만, 오히려 AI로 보강된 개발자의 높은 생산성으로 프로젝트 기간 단축, 품질 향상 등의 긍정적 성과가 부각될 전망입니다. 다만 일부 개발자의 경우 업무량이나 난이도가 증가할 수 있습니다.
AI가 코드를 작성해주지만 그만큼 더 많은 기능을 더 짧은 시간에 만들 것을 요구받거나, AI 산출물을 검증하느라 정신없어지는 상황이 올 수 있습니다. 이에 따라 일부 개발자들은 과로 또는 스트레스를 호소할 가능성도 있어, 기업 문화 차원에서 AI 활용에 대한 현실적 목표 설정과 워크로드 관리가 필요할 것입니다.
기술적으로는 향후 1년간 AI 코딩 모델의 신뢰성 개선이 이루어져, 지금 가끔 발생하는 할루시네이션이나 실수 사례가 확연히 줄어들고, 보안 민감 코드를 작성할 때 경고를 주는 등 안전장치가 강화될 것입니다. 1년 후에는 AI 에이전트가 작성한 코드라도 현재보다 훨씬 신뢰성 있게 바로 프로덕션에 투입할 수 있는 수준에 가까워지고, 이를 경험한 개부분의 개발자들의 인식도 “AI가 꽤 쓸 만하다”는 쪽으로 바뀌게 될 것입니다.
❤1
Q. OpenAI가 '스케일링 가설(scaling hypothesis)'을 진지하게 받아들인 최초의 회사였나요?
A. 최초라고 단정하긴 어렵지만, 가장 먼저 큰 성공을 거둔 것은 맞습니다. 가설을 증명하려 한 것이 아니라, 도타(Dota) 2 프로젝트에서 컴퓨팅 자원을 2배로 늘릴 때마다 성능도 2배로 향상되는 것을 '관찰'했습니다. 문제를 먼저 찾는 일반적인 스타트업과 달리, 우리는 기술의 가능성을 먼저 쫓았습니다.
Q. 도타 프로젝트에서 얻은 다른 교훈은 무엇인가요?
A. 결과 기반 목표("이 날짜까지 이기자")는 통하지 않는다는 경영 교훈을 얻었습니다. 대신 실험, 기능 구현 같은 '투입' 기반 목표를 설정해야 합니다. 딥러닝도 마찬가지로, 결과를 직접 통제할 순 없지만, 올바른 데이터를 투입하고 평가하면 마법 같은 결과를 얻을 수 있습니다.
Q. AI의 다음 개척지로 여겨지는 '개인화'에 대해 어떻게 생각하나요?
A. 매우 중요합니다. 저 자신도 이제는 ChatGPT가 제 정보를 기억하길 원할 정도로 유용해졌습니다. 우리는 제품팀과 연구팀이 긴밀히 협력하며 사일로(silo) 없이 이 문제를 해결하고 있습니다. 핵심은 매우 유능한 기본 모델을 만든 뒤, 각 조직의 코드나 역사 같은 특정 컨텍스트와 연결하는 것입니다.
Q. 최초로 성공적인 반응을 얻은 사용 사례는 무엇이었나요?
A. 텍스트 어드벤처 게임인 'AI Dungeon'이 최초의 유료 고객이었습니다. GPT-3는 훌륭한 데모였지만 신뢰성이 낮았고, GPT-4와 후속 학습(post-training) 기술이 등장하고 나서야 실제 비즈니스를 구축할 수 있었습니다.
Q. AI 제품 개발이 운영체제(OS)의 한계에 부딪힌 것처럼 느껴지나요? AI의 놀라운 잠재력에 비해, 우리가 일상에서 AI를 사용하는 경험(UX)은 왜 이렇게 단절되고 원시적인가?
A. 성능이 압도적이면, 불편함은 감수하게 됩니다." (Capability > Convenience) 현재 AI의 UX가 불편한 것은 사실이지만, 그 불편함을 상쇄하고도 남을 만큼 AI의 '성능(Capability)'이 강력하다면 사람들은 기꺼이 그 불편을 감수하고 사용할 것. 결국 편의성은 따라올 것입니다. 휴대폰 폼팩터를 가진 애플/삼성이 바뀌던 혹은 OpenAI가 새로운 폼팩터를 만들어내는 방향이 될것입니다.
Q. 2023년에 화두였던 '데이터 장벽(data wall)' 문제는 어떻게 되었나요?
A. 패러다임은 계속 바뀝니다. 하나의 S-커브가 한계에 도달하면 합성 데이터나 강화학습(RL) 같은 새로운 S-커브가 나타납니다. 강화학습은 AI가 스스로 데이터를 생성하는 방식이므로 데이터 장벽 문제를 우회할 수 있습니다.
Q. AI가 대규모 코드베이스처럼 깊은 맥락 이해가 필요한 작업에는 취약하지 않나요?
A. 이미 바뀌고 있습니다. 코덱스(Codex)는 대규모 코드베이스 내에서 특정 기능이 어디에 구현되었는지 찾는 데 저보다 뛰어납니다. 핵심은 매우 유능한 기본 모델을 만든 뒤, 각 조직의 코드나 역사 같은 특정 컨텍스트와 연결하는 것입니다.
https://youtu.be/E6hCFDfkijU
A. 최초라고 단정하긴 어렵지만, 가장 먼저 큰 성공을 거둔 것은 맞습니다. 가설을 증명하려 한 것이 아니라, 도타(Dota) 2 프로젝트에서 컴퓨팅 자원을 2배로 늘릴 때마다 성능도 2배로 향상되는 것을 '관찰'했습니다. 문제를 먼저 찾는 일반적인 스타트업과 달리, 우리는 기술의 가능성을 먼저 쫓았습니다.
Q. 도타 프로젝트에서 얻은 다른 교훈은 무엇인가요?
A. 결과 기반 목표("이 날짜까지 이기자")는 통하지 않는다는 경영 교훈을 얻었습니다. 대신 실험, 기능 구현 같은 '투입' 기반 목표를 설정해야 합니다. 딥러닝도 마찬가지로, 결과를 직접 통제할 순 없지만, 올바른 데이터를 투입하고 평가하면 마법 같은 결과를 얻을 수 있습니다.
Q. AI의 다음 개척지로 여겨지는 '개인화'에 대해 어떻게 생각하나요?
A. 매우 중요합니다. 저 자신도 이제는 ChatGPT가 제 정보를 기억하길 원할 정도로 유용해졌습니다. 우리는 제품팀과 연구팀이 긴밀히 협력하며 사일로(silo) 없이 이 문제를 해결하고 있습니다. 핵심은 매우 유능한 기본 모델을 만든 뒤, 각 조직의 코드나 역사 같은 특정 컨텍스트와 연결하는 것입니다.
Q. 최초로 성공적인 반응을 얻은 사용 사례는 무엇이었나요?
A. 텍스트 어드벤처 게임인 'AI Dungeon'이 최초의 유료 고객이었습니다. GPT-3는 훌륭한 데모였지만 신뢰성이 낮았고, GPT-4와 후속 학습(post-training) 기술이 등장하고 나서야 실제 비즈니스를 구축할 수 있었습니다.
Q. AI 제품 개발이 운영체제(OS)의 한계에 부딪힌 것처럼 느껴지나요? AI의 놀라운 잠재력에 비해, 우리가 일상에서 AI를 사용하는 경험(UX)은 왜 이렇게 단절되고 원시적인가?
A. 성능이 압도적이면, 불편함은 감수하게 됩니다." (Capability > Convenience) 현재 AI의 UX가 불편한 것은 사실이지만, 그 불편함을 상쇄하고도 남을 만큼 AI의 '성능(Capability)'이 강력하다면 사람들은 기꺼이 그 불편을 감수하고 사용할 것. 결국 편의성은 따라올 것입니다. 휴대폰 폼팩터를 가진 애플/삼성이 바뀌던 혹은 OpenAI가 새로운 폼팩터를 만들어내는 방향이 될것입니다.
Q. 2023년에 화두였던 '데이터 장벽(data wall)' 문제는 어떻게 되었나요?
A. 패러다임은 계속 바뀝니다. 하나의 S-커브가 한계에 도달하면 합성 데이터나 강화학습(RL) 같은 새로운 S-커브가 나타납니다. 강화학습은 AI가 스스로 데이터를 생성하는 방식이므로 데이터 장벽 문제를 우회할 수 있습니다.
Q. AI가 대규모 코드베이스처럼 깊은 맥락 이해가 필요한 작업에는 취약하지 않나요?
A. 이미 바뀌고 있습니다. 코덱스(Codex)는 대규모 코드베이스 내에서 특정 기능이 어디에 구현되었는지 찾는 데 저보다 뛰어납니다. 핵심은 매우 유능한 기본 모델을 만든 뒤, 각 조직의 코드나 역사 같은 특정 컨텍스트와 연결하는 것입니다.
https://youtu.be/E6hCFDfkijU
YouTube
A Cheeky Pint with OpenAI cofounder Greg Brockman
Greg Brockman—OpenAI cofounder and Stripe's first engineer—joins John Collison to talk about research-driven product development, an early moment he thought OpenAI was doomed, S curves in AI advancement, and energy bottlenecks.
Full transcript on Substack:…
Full transcript on Substack:…
❤2
Coatue가 바라보는 시장과 AI
1. AI는 이제 시작, 역사상 가장 큰 기술 혁명이 될 것이다.
AI는 이전의 PC, 인터넷 혁명을 뛰어넘는 '슈퍼 사이클'의 초입에 있습니다. 과거 철도나 제조업이 그랬던 것처럼, AI가 미국 전체 시가총액의 75%를 차지할 수도 있다는 전망은 AI의 잠재력이 아직 무한하다는 것을 의미합니다. 투자는 이미 Mag7을 넘어 AI 전력, 소프트웨어, 반도체 등 전방위로 확산되고 있으며, AI는 모든 산업의 경계를 허물며 경제의 근간을 바꿀 것입니다.
2. 비트코인은 더 이상 무시할 수 없는 자산이며, 마음을 열어야 한다.
미국의 규제 명확성 증가와 스테이블코인의 실질적인 사용 사례가 늘면서 암호화폐는 새로운 국면을 맞았습니다. 특히 비트코인은 변동성이 줄며 기관 투자자들이 주목하는 자산이 되었습니다. 과거의 실패 경험 때문에 새로운 가능성을 외면하는 것은 큰 실수가 될 수 있습니다. 위대한 투자자는 "마음을 바꿀 수 있는" 유연성을 가져야 합니다.
3. 데이터는 거짓말을 하지 않는다: ChatGPT는 구글을 위협하고 있다.
많은 사람들의 '느낌'이 데이터로 증명되었습니다. 코튜(Coatue)의 분석 결과, ChatGPT 유료 구독자는 구글 검색 사용량이 실제로 8~11% 감소했습니다. 경쟁자들이 등장했음에도 ChatGPT의 성장세는 꺾이지 않고 있으며, 이는 검색 광고에 의존하는 기존 강자에게 실질적인 위협이 되고 있음을 보여줍니다.
4. "GPU 확보량"이 미래 클라우드 시장의 승자를 예측하는 바로미터다.
AI 시대의 핵심 자원인 엔비디아 GPU를 누가 얼마나 확보했는지가 미래 클라우드 시장 점유율을 예측하는 가장 중요한 선행 지표가 될 수 있습니다. 현재 1위인 AWS의 GPU 확보량이 상대적으로 적은 반면, 오라클과 신흥 강자 코어위브(CoreWeave)는 공격적으로 GPU를 확보하고 있습니다. 이는 클라우드 시장의 지각 변동이 이미 시작되었음을 시사합니다.
5. AI가 미국의 부채 위기를 해결할 수 있다.
미국의 막대한 부채가 높은 인플레이션을 유발할 것이라는 비관론이 팽배합니다. 하지만 AI가 가져올 폭발적인 '생산성 향상'이 경제 파이 자체를 키워 부채 문제를 해결할 수 있다는 반론이 힘을 얻고 있습니다. 투자자들이 여전히 4.5% 금리로 30년 만기 미국 채권을 사는 이유는 바로 이 '높은 성장과 낮은 인플레이션'이라는 낙관적인 미래에 베팅하고 있기 때문입니다.
6. 얼어붙었던 투자 시장이 풀리고 있다: 지금은 속도가 생명이다.
지난 몇 년간 닫혀 있던 IPO와 M&A 시장이 다시 열리고 있습니다. 특히 메타가 스케일 AI 지분 49%를 사실상 회사 가치 100%에 해당하는 돈을 주고 산 것은 AI 시대의 경쟁이 얼마나 치열하고 '속도'가 중요한지를 보여주는 상징적인 사건입니다. 시장의 승자가 되기 위해선 막대한 프리미엄을 지불해서라도 즉시 인재와 기술을 확보해야 한다는 절박함이 깔려 있습니다.
7. AI는 '마진 확장 황금기'를 열고 있다.
AI는 기업들이 직원을 늘리지 않고도 매출을 극대화하는 시대를 열었습니다. 마이크로소프트의 직원 수가 정체된 상태에서 성과가 폭발하고, 앱러빈(AppLovin)이 인력을 35% 줄이고도 매출을 2배로 늘린 것이 그 증거입니다. 이는 개별 기업의 수익성을 넘어 경제 전체의 생산성을 끌어올리는 동력이 될 것입니다.
8. 모든 기업에게 던지는 질문: 성장 단계에 맞는 생존 전략을 세워라.
기업은 자신의 성장률과 수익성 상태에 따라 다른 전략을 취해야 합니다.
고성장 & 흑자 기업: IPO를 준비하라.
고성장 & 적자 기업: 대규모 투자 유치로 '철옹성'을 쌓아라.
저성장 & 흑자 기업: 현실에 안주하지 말고, AI를 활용해 공격적으로 재투자하라.
저성장 & 적자 기업: 가장 위험한 상태. 과감하게 기존 사업을 버리고 새로운 기회에 올인하는 '재창조' 수준의 변화를 감행해야 살아남을 수 있다.
https://youtu.be/4JA7n0wTChw
https://drive.google.com/file/d/1Srl8Y4pBoKtNVYZBxmfj2TEMYM5tp1mE/view?pli=1
1. AI는 이제 시작, 역사상 가장 큰 기술 혁명이 될 것이다.
AI는 이전의 PC, 인터넷 혁명을 뛰어넘는 '슈퍼 사이클'의 초입에 있습니다. 과거 철도나 제조업이 그랬던 것처럼, AI가 미국 전체 시가총액의 75%를 차지할 수도 있다는 전망은 AI의 잠재력이 아직 무한하다는 것을 의미합니다. 투자는 이미 Mag7을 넘어 AI 전력, 소프트웨어, 반도체 등 전방위로 확산되고 있으며, AI는 모든 산업의 경계를 허물며 경제의 근간을 바꿀 것입니다.
2. 비트코인은 더 이상 무시할 수 없는 자산이며, 마음을 열어야 한다.
미국의 규제 명확성 증가와 스테이블코인의 실질적인 사용 사례가 늘면서 암호화폐는 새로운 국면을 맞았습니다. 특히 비트코인은 변동성이 줄며 기관 투자자들이 주목하는 자산이 되었습니다. 과거의 실패 경험 때문에 새로운 가능성을 외면하는 것은 큰 실수가 될 수 있습니다. 위대한 투자자는 "마음을 바꿀 수 있는" 유연성을 가져야 합니다.
3. 데이터는 거짓말을 하지 않는다: ChatGPT는 구글을 위협하고 있다.
많은 사람들의 '느낌'이 데이터로 증명되었습니다. 코튜(Coatue)의 분석 결과, ChatGPT 유료 구독자는 구글 검색 사용량이 실제로 8~11% 감소했습니다. 경쟁자들이 등장했음에도 ChatGPT의 성장세는 꺾이지 않고 있으며, 이는 검색 광고에 의존하는 기존 강자에게 실질적인 위협이 되고 있음을 보여줍니다.
4. "GPU 확보량"이 미래 클라우드 시장의 승자를 예측하는 바로미터다.
AI 시대의 핵심 자원인 엔비디아 GPU를 누가 얼마나 확보했는지가 미래 클라우드 시장 점유율을 예측하는 가장 중요한 선행 지표가 될 수 있습니다. 현재 1위인 AWS의 GPU 확보량이 상대적으로 적은 반면, 오라클과 신흥 강자 코어위브(CoreWeave)는 공격적으로 GPU를 확보하고 있습니다. 이는 클라우드 시장의 지각 변동이 이미 시작되었음을 시사합니다.
5. AI가 미국의 부채 위기를 해결할 수 있다.
미국의 막대한 부채가 높은 인플레이션을 유발할 것이라는 비관론이 팽배합니다. 하지만 AI가 가져올 폭발적인 '생산성 향상'이 경제 파이 자체를 키워 부채 문제를 해결할 수 있다는 반론이 힘을 얻고 있습니다. 투자자들이 여전히 4.5% 금리로 30년 만기 미국 채권을 사는 이유는 바로 이 '높은 성장과 낮은 인플레이션'이라는 낙관적인 미래에 베팅하고 있기 때문입니다.
6. 얼어붙었던 투자 시장이 풀리고 있다: 지금은 속도가 생명이다.
지난 몇 년간 닫혀 있던 IPO와 M&A 시장이 다시 열리고 있습니다. 특히 메타가 스케일 AI 지분 49%를 사실상 회사 가치 100%에 해당하는 돈을 주고 산 것은 AI 시대의 경쟁이 얼마나 치열하고 '속도'가 중요한지를 보여주는 상징적인 사건입니다. 시장의 승자가 되기 위해선 막대한 프리미엄을 지불해서라도 즉시 인재와 기술을 확보해야 한다는 절박함이 깔려 있습니다.
7. AI는 '마진 확장 황금기'를 열고 있다.
AI는 기업들이 직원을 늘리지 않고도 매출을 극대화하는 시대를 열었습니다. 마이크로소프트의 직원 수가 정체된 상태에서 성과가 폭발하고, 앱러빈(AppLovin)이 인력을 35% 줄이고도 매출을 2배로 늘린 것이 그 증거입니다. 이는 개별 기업의 수익성을 넘어 경제 전체의 생산성을 끌어올리는 동력이 될 것입니다.
8. 모든 기업에게 던지는 질문: 성장 단계에 맞는 생존 전략을 세워라.
기업은 자신의 성장률과 수익성 상태에 따라 다른 전략을 취해야 합니다.
고성장 & 흑자 기업: IPO를 준비하라.
고성장 & 적자 기업: 대규모 투자 유치로 '철옹성'을 쌓아라.
저성장 & 흑자 기업: 현실에 안주하지 말고, AI를 활용해 공격적으로 재투자하라.
저성장 & 적자 기업: 가장 위험한 상태. 과감하게 기존 사업을 버리고 새로운 기회에 올인하는 '재창조' 수준의 변화를 감행해야 살아남을 수 있다.
https://youtu.be/4JA7n0wTChw
https://drive.google.com/file/d/1Srl8Y4pBoKtNVYZBxmfj2TEMYM5tp1mE/view?pli=1
YouTube
Coatue’s Laffont Brothers. AI, Public & VC Mkts, Macro, US Debt, Crypto, IPO's, & more | BG2
Open Source bi-weekly convo w/ Bill Gurley and Brad Gerstner on all things tech, markets, investing & capitalism. This week, they welcome Coatue’s Thomas and Philippe Laffont to discuss the AI Super cycle, Stablecoin and crypto, consumer AI, NVIDIA GPU’s…
❤1
요즘 여러 AI스타트업에서 찾는 인재들
Quora는 회사 전체의 내부 AI 적용 방식을 이끌어갈 최초의 AI 자동화 엔지니어를 채용합니다. 이 직무는 LLM(거대 언어 모델)이 Quora의 일상적인 운영에 어떻게 자리 잡게 될지 그 방식을 만들어나갈 수 있는 특별한 기회입니다. 주요 목표는 가능한 한 많은 업무를 자동화하여 생산성을 높이고, 제품 품질, 의사결정 및 내부 프로세스를 개선하는 것입니다.
당신은 조직 내 여러 팀과 긴밀하게 협력하여 영향력이 큰 문제를 파악하고 해결하게 됩니다. 또한, 최첨단 모델의 성능이 지속적으로 향상됨에 따라 새로운 잠재력을 끊임없이 평가하게 됩니다. Poe를 통해 다양한 최첨단 모델에 접근할 수 있고, AI에 집중하는 조직의 일원으로서, 실험하고, 빠르게 반복하며, 내부 서비스를 출시하기에 최적의 위치에 있게 될 것입니다.
이 직무는 단순한 연구나 프로토타입 제작에 그치지 않고, 호기심이 많고 실용적이며 실질적인 영향력을 만드는 데 동기를 부여받는 엔지니어에게 이상적입니다. 당신은 유용성, 신뢰성, 지속적인 적응에 중점을 두고, Quora의 내부 AI 애플리케이션에 대한 접근 방식의 기반을 마련하게 될 것입니다.
주요 책임:
AI를 사용하여 기존 업무를 자동화하고 직원의 생산성을 높이는 내부 도구 및 시스템을 개발하고 유지보수합니다.
이러한 소프트웨어를 만드는 과정 자체를 자동화하기 위해 AI를 최대한 활용합니다.
전사 팀들과 협력하여 고충(pain points)을 이해하고, 영향력이 큰 자동화 또는 프로세스 개선 기회를 파악합니다.
AI 기반의 작은 유틸리티나 자동화 기능을 신속하게 프로토타이핑하고, 이를 빠르게 프로덕션 환경에 배포합니다.
아키텍처, 라이브러리, 기술과 같은 영역에서 AI가 내리는 선택을 감독하고, AI가 해결할 수 없을 때 프론트엔드 및 백엔드 서비스 전반의 복잡한 시스템을 디버깅할 준비가 되어 있어야 합니다.
민감한 데이터나 비즈니스에 중요한 로직을 처리할 수 있는 시스템에 대해 높은 신뢰를 받는 오너(owner)로서의 역할을 수행합니다.
여러 부서와 협력하여 개발된 도구가 잘 도입되고 명백한 가치를 제공하는지 보장합니다.
최신 모델과 도구에 대한 정보를 지속적으로 업데이트하고, 그 지식을 업무에 적용합니다.
최소 자격 요건:
프롬프트 엔지니어링 및 자동화된 평가(evals)를 포함하는 LLM 기반 도구를 제작한 경험.
Python, React, JavaScript에 대한 높은 숙련도를 갖춘 5년 이상의 풀스택 개발 경험.
뛰어난 디버깅 능력과 여러 프로젝트를 동시에 관리할 수 있는 역량.
특히 민감하거나 비즈니스에 중요한 데이터에 대한 높은 수준의 주인의식(ownership)과 책임감.
뛰어난 커뮤니케이션 능력과 협력적인 사고방식.
빠르게 변화하고 때로는 우선순위가 바뀌는 모호한 환경에서 근무하는 것에 익숙해야 합니다.
제품 개발 외의 팀과 협력하며 일해 본 경험.
타인을 위한 파트너가 되고 유용성을 창출하는 것을 즐기는 타고난 협력가.
https://x.com/adamdangelo/status/1936504553916309617
Quora는 회사 전체의 내부 AI 적용 방식을 이끌어갈 최초의 AI 자동화 엔지니어를 채용합니다. 이 직무는 LLM(거대 언어 모델)이 Quora의 일상적인 운영에 어떻게 자리 잡게 될지 그 방식을 만들어나갈 수 있는 특별한 기회입니다. 주요 목표는 가능한 한 많은 업무를 자동화하여 생산성을 높이고, 제품 품질, 의사결정 및 내부 프로세스를 개선하는 것입니다.
당신은 조직 내 여러 팀과 긴밀하게 협력하여 영향력이 큰 문제를 파악하고 해결하게 됩니다. 또한, 최첨단 모델의 성능이 지속적으로 향상됨에 따라 새로운 잠재력을 끊임없이 평가하게 됩니다. Poe를 통해 다양한 최첨단 모델에 접근할 수 있고, AI에 집중하는 조직의 일원으로서, 실험하고, 빠르게 반복하며, 내부 서비스를 출시하기에 최적의 위치에 있게 될 것입니다.
이 직무는 단순한 연구나 프로토타입 제작에 그치지 않고, 호기심이 많고 실용적이며 실질적인 영향력을 만드는 데 동기를 부여받는 엔지니어에게 이상적입니다. 당신은 유용성, 신뢰성, 지속적인 적응에 중점을 두고, Quora의 내부 AI 애플리케이션에 대한 접근 방식의 기반을 마련하게 될 것입니다.
주요 책임:
AI를 사용하여 기존 업무를 자동화하고 직원의 생산성을 높이는 내부 도구 및 시스템을 개발하고 유지보수합니다.
이러한 소프트웨어를 만드는 과정 자체를 자동화하기 위해 AI를 최대한 활용합니다.
전사 팀들과 협력하여 고충(pain points)을 이해하고, 영향력이 큰 자동화 또는 프로세스 개선 기회를 파악합니다.
AI 기반의 작은 유틸리티나 자동화 기능을 신속하게 프로토타이핑하고, 이를 빠르게 프로덕션 환경에 배포합니다.
아키텍처, 라이브러리, 기술과 같은 영역에서 AI가 내리는 선택을 감독하고, AI가 해결할 수 없을 때 프론트엔드 및 백엔드 서비스 전반의 복잡한 시스템을 디버깅할 준비가 되어 있어야 합니다.
민감한 데이터나 비즈니스에 중요한 로직을 처리할 수 있는 시스템에 대해 높은 신뢰를 받는 오너(owner)로서의 역할을 수행합니다.
여러 부서와 협력하여 개발된 도구가 잘 도입되고 명백한 가치를 제공하는지 보장합니다.
최신 모델과 도구에 대한 정보를 지속적으로 업데이트하고, 그 지식을 업무에 적용합니다.
최소 자격 요건:
프롬프트 엔지니어링 및 자동화된 평가(evals)를 포함하는 LLM 기반 도구를 제작한 경험.
Python, React, JavaScript에 대한 높은 숙련도를 갖춘 5년 이상의 풀스택 개발 경험.
뛰어난 디버깅 능력과 여러 프로젝트를 동시에 관리할 수 있는 역량.
특히 민감하거나 비즈니스에 중요한 데이터에 대한 높은 수준의 주인의식(ownership)과 책임감.
뛰어난 커뮤니케이션 능력과 협력적인 사고방식.
빠르게 변화하고 때로는 우선순위가 바뀌는 모호한 환경에서 근무하는 것에 익숙해야 합니다.
제품 개발 외의 팀과 협력하며 일해 본 경험.
타인을 위한 파트너가 되고 유용성을 창출하는 것을 즐기는 타고난 협력가.
https://x.com/adamdangelo/status/1936504553916309617
❤1
[AI 반도체 사업의 본질은 무엇인가]
예전 고(故) 이건희 회장은 반도체 사업의 본질을 “양심사업”이라고 말했다. 여기서의 ‘양심’이란, 정직하게 수율을 지키고, 고객이 요구한 품질을 책임지며, 수년간의 설계와 공정 개발, 납기와 신뢰를 바탕으로 꾸준히 거래를 이어가는 산업적 자세를 뜻했다. 실제로 메모리 반도체나 로직 칩의 세계에서는 미세한 공정 수치 하나, 단일 비트의 오류율 하나도 숨기지 않고 고객에게 보고하고, 꾸준히 개선하는 성실한 자세가 기업의 명운을 가를 만큼 중요했다.
하지만 AI 반도체의 시대가 열리면서, 이 ‘업의 본질’이 근본적으로 변화하고 있다. 이제 중요한 것은 단순한 정직함이나 신뢰의 문제를 넘어서, 얼마나 빠르게 소통하고, 얼마나 유연하게 진화하며, 얼마나 깊이 사용자 요구를 흡수하는가에 달려 있다. 즉 AI 반도체는 ‘양심’이 아니라 ‘대화’의 산업이다. 설계자, 알고리즘 개발자, 최적화 엔지니어, 서비스 운영자 간의 긴밀한 상호작용 없이는 도저히 성공할 수 없는 산업이 된 것이다.
1. 변화하는 기술의 속도, 따라잡지 못하는 반도체 주기
오늘날 AI 기술은 눈부시게 빠르게 진화한다. 모델 구조는 몇 달 단위로 바뀌고, 양자화 방식이나 추론 최적화 프레임워크는 거의 주 단위로 쏟아진다. FP4, Speculative Decoding, Disaggregation, Continuous Batching, PagedAttention, Attention의 linear화 등, 알고리즘의 변화 속도는 반도체 설계와 양산 주기를 훨씬 초월한다.
반도체는 기본적으로 느린 산업이다. 설계에 수개월, 검증에 수개월, 양산에는 다시 수개월 이상이 걸린다. 그래서 AI 반도체는 기존의 ‘기술 진보가 곧 시장 성공’이라는 공식이 더 이상 통하지 않는다. 그보다는 “시장과 알고리즘이 지금 어디로 가고 있는지를 얼마나 가까이에서 지켜보고, 즉각 반응할 수 있는가”, 즉 ‘대화력’과 ‘적응력’이 중요해진 것이다.
2. 제품이 아닌 생태계를 기획해야 하는 시대
이제 AI 반도체를 만드는 기업은 단순히 스펙 좋은 칩을 설계하는 것으로는 성공할 수 없다. 어떤 연산이 실제 워크로드에서 병목이 되는지, 메모리 계층 구조는 어떻게 최적화되어야 하는지, 통신 패턴은 어떤 형태로 구현되어야 병렬성이 극대화되는지 등을 파악하기 위해서는, 실제 알고리즘을 매일 실험하는 개발자들과의 끊임없는 커뮤니케이션이 필요하다.
특히 중요한 것은 엔비디아의 H100이나 GH200 같은 칩을 매일 다뤄본 최적화 엔지니어들, LLM 추론 파이프라인을 직접 설계하는 서비스 인프라 팀, 커널 튜닝을 실시간으로 반복하는 모델 개발자들이다. 이들은 "이런 연산은 비효율적이고", "이 구조는 메모리 병목이 크다", "이런 데이터 접근 방식은 확장성이 떨어진다"는 문제를 피부로 느끼며 살아가는 사람들이다. 그들의 피드백은 논문보다 생생하고, 설계 문서보다 현실적이다.
이런 전문가들의 인사이트 없이 만들어진 AI 반도체는 결국 시장과 멀어질 수밖에 없다. 아무리 높은 FLOPS, 숫자상의 높은 전력 효율을 자랑해도, 실제 필드의 요구사항이 반영된 알고리즘들이 구동되지 않으면 쓰이지 않는다.
3. DeepSeek 사례: 알고리즘과 하드웨어의 진화적 상호작용
중국의 DeepSeek는 이 점을 보여주는 대표 사례다. 이 회사는 단순히 모델을 잘 만든 것이 아니라, 어떤 하드웨어 구조가 어떤 알고리즘에서 가장 잘 작동하는지를 철저히 분석했다. 그리고 실제로 GPU 자원을 어떻게 쓰면 가장 낮은 단가로 고성능 추론이 가능한지를 실증했다. 이는 “좋은 하드웨어가 좋은 알고리즘을 만드는 시대”에서 “좋은 알고리즘이 하드웨어를 다시 정의하는 시대”로의 전환을 상징한다.
DeepSeek처럼 실제 서비스 환경에서 하드웨어를 직접 다뤄본 조직의 실험 결과는, 향후 AI 반도체의 방향성을 정하는 데 있어 매우 중요한 참고가 된다. 다음 세대 칩을 기획할 때도, "무엇을 더 가속화해야 하는가", "어떤 부분이 병목이었는가"를 설계자보다 사용자에게 물어야 한다.
4. AI 반도체는 '제품 산업'이 아니라 '커뮤니케이션 산업'
이제 AI 반도체 사업은 더 이상 '완성된 제품을 만들어 파는' 산업이 아니다. 그것은 점점 ‘계속 설계하고 계속 개선하는 과정 중심의 산업’으로 바뀌고 있다. 그 과정은 기획자와 개발자, 알고리즘 설계자와 인프라 운영자 사이의 끊임없는 피드백 루프 위에 놓여 있다.
이러한 맥락에서 보면, 반도체 사업은 점점 더 ‘개방형 협업 모델’로 변모하고 있다. 초기 기획부터 알고리즘 팀이 참여하고, 테스트베드는 실제 서비스 워크로드를 반영하며, 최적화는 서비스 현장에서 실험을 통해 이뤄져야 한다. 기존의 ‘스펙 정의 -> 칩 설계 -> 양산 -> 고객’이라는 일방향 흐름이 아니라, 기획–설계–검증–실험–피드백이 동시다발적으로 이루어지는 ‘대화형 개발 구조’가 필요한 것이다.
5. 정책은 기술보다 구조를 설계해야 한다
이제 막 출범한 새 정부도 AI 반도체 산업을 국가적 전략으로 삼고 있다. 하지만 진정한 정책은 단순히 예산을 지원하는 것이 아니라, 실제 알고리즘 개발자와 반도체 기획자가 협업할 수 있는 구조를 설계하는 것이다. 정책은 기술보다 거버넌스와 생태계를 설계해야 한다.
-- 국책과제에 서비스 기업의 최적화팀이 공동 기획자로 참여하도록 제도화해야 하며,
-- 공공 테스트베드를 단순 벤치마크용이 아니라, 실사용자 시나리오 중심의 실험 환경으로 전환해야 하며,
-- 평가도 현재 필드에서 사용 중인 칩들과의 비교를 통해, 실질적인 피드백과 후속 개선으로 이어져야 한다.
그리하여 손에 때가 묻은 사람들이 기술 정책의 테이블에 앉을 수 있도록 해야 한다. 바로 그들이, 우리가 만들어야 할 AI 반도체의 사용자이자 평가자이며, 미래의 공동 설계자이기 때문이다.
6. 결론: 업의 본질이 바뀌고 있다
AI 반도체 산업은 이제 ‘양심’의 산업을 넘어서, ‘대화’의 산업이 되고 있다. 이건희 회장이 말한 양심은 여전히 중요하지만, 오늘날의 경쟁은 더 빠르고, 더 복잡하며, 더 상호작용적이다. 기술력만으로는 이길 수 없다. ‘현장을 이해하는 대화력’, ‘문제를 귀 기울이는 태도’, ‘지속적으로 진화할 수 있는 실험력’이 새로운 AI 반도체 산업의 본질이다.
대한민국이 AI 반도체 강국이 되기 위해서는, 이제 그 본질을 재정의하는 데서 시작해야 한다. 제품을 넘어 생태계를 만들고, 기술을 넘어 사람과 연결되는 산업을 만드는 것—그것이 AI 반도체 시대의 진정한 경쟁력이다.
이동수님
예전 고(故) 이건희 회장은 반도체 사업의 본질을 “양심사업”이라고 말했다. 여기서의 ‘양심’이란, 정직하게 수율을 지키고, 고객이 요구한 품질을 책임지며, 수년간의 설계와 공정 개발, 납기와 신뢰를 바탕으로 꾸준히 거래를 이어가는 산업적 자세를 뜻했다. 실제로 메모리 반도체나 로직 칩의 세계에서는 미세한 공정 수치 하나, 단일 비트의 오류율 하나도 숨기지 않고 고객에게 보고하고, 꾸준히 개선하는 성실한 자세가 기업의 명운을 가를 만큼 중요했다.
하지만 AI 반도체의 시대가 열리면서, 이 ‘업의 본질’이 근본적으로 변화하고 있다. 이제 중요한 것은 단순한 정직함이나 신뢰의 문제를 넘어서, 얼마나 빠르게 소통하고, 얼마나 유연하게 진화하며, 얼마나 깊이 사용자 요구를 흡수하는가에 달려 있다. 즉 AI 반도체는 ‘양심’이 아니라 ‘대화’의 산업이다. 설계자, 알고리즘 개발자, 최적화 엔지니어, 서비스 운영자 간의 긴밀한 상호작용 없이는 도저히 성공할 수 없는 산업이 된 것이다.
1. 변화하는 기술의 속도, 따라잡지 못하는 반도체 주기
오늘날 AI 기술은 눈부시게 빠르게 진화한다. 모델 구조는 몇 달 단위로 바뀌고, 양자화 방식이나 추론 최적화 프레임워크는 거의 주 단위로 쏟아진다. FP4, Speculative Decoding, Disaggregation, Continuous Batching, PagedAttention, Attention의 linear화 등, 알고리즘의 변화 속도는 반도체 설계와 양산 주기를 훨씬 초월한다.
반도체는 기본적으로 느린 산업이다. 설계에 수개월, 검증에 수개월, 양산에는 다시 수개월 이상이 걸린다. 그래서 AI 반도체는 기존의 ‘기술 진보가 곧 시장 성공’이라는 공식이 더 이상 통하지 않는다. 그보다는 “시장과 알고리즘이 지금 어디로 가고 있는지를 얼마나 가까이에서 지켜보고, 즉각 반응할 수 있는가”, 즉 ‘대화력’과 ‘적응력’이 중요해진 것이다.
2. 제품이 아닌 생태계를 기획해야 하는 시대
이제 AI 반도체를 만드는 기업은 단순히 스펙 좋은 칩을 설계하는 것으로는 성공할 수 없다. 어떤 연산이 실제 워크로드에서 병목이 되는지, 메모리 계층 구조는 어떻게 최적화되어야 하는지, 통신 패턴은 어떤 형태로 구현되어야 병렬성이 극대화되는지 등을 파악하기 위해서는, 실제 알고리즘을 매일 실험하는 개발자들과의 끊임없는 커뮤니케이션이 필요하다.
특히 중요한 것은 엔비디아의 H100이나 GH200 같은 칩을 매일 다뤄본 최적화 엔지니어들, LLM 추론 파이프라인을 직접 설계하는 서비스 인프라 팀, 커널 튜닝을 실시간으로 반복하는 모델 개발자들이다. 이들은 "이런 연산은 비효율적이고", "이 구조는 메모리 병목이 크다", "이런 데이터 접근 방식은 확장성이 떨어진다"는 문제를 피부로 느끼며 살아가는 사람들이다. 그들의 피드백은 논문보다 생생하고, 설계 문서보다 현실적이다.
이런 전문가들의 인사이트 없이 만들어진 AI 반도체는 결국 시장과 멀어질 수밖에 없다. 아무리 높은 FLOPS, 숫자상의 높은 전력 효율을 자랑해도, 실제 필드의 요구사항이 반영된 알고리즘들이 구동되지 않으면 쓰이지 않는다.
3. DeepSeek 사례: 알고리즘과 하드웨어의 진화적 상호작용
중국의 DeepSeek는 이 점을 보여주는 대표 사례다. 이 회사는 단순히 모델을 잘 만든 것이 아니라, 어떤 하드웨어 구조가 어떤 알고리즘에서 가장 잘 작동하는지를 철저히 분석했다. 그리고 실제로 GPU 자원을 어떻게 쓰면 가장 낮은 단가로 고성능 추론이 가능한지를 실증했다. 이는 “좋은 하드웨어가 좋은 알고리즘을 만드는 시대”에서 “좋은 알고리즘이 하드웨어를 다시 정의하는 시대”로의 전환을 상징한다.
DeepSeek처럼 실제 서비스 환경에서 하드웨어를 직접 다뤄본 조직의 실험 결과는, 향후 AI 반도체의 방향성을 정하는 데 있어 매우 중요한 참고가 된다. 다음 세대 칩을 기획할 때도, "무엇을 더 가속화해야 하는가", "어떤 부분이 병목이었는가"를 설계자보다 사용자에게 물어야 한다.
4. AI 반도체는 '제품 산업'이 아니라 '커뮤니케이션 산업'
이제 AI 반도체 사업은 더 이상 '완성된 제품을 만들어 파는' 산업이 아니다. 그것은 점점 ‘계속 설계하고 계속 개선하는 과정 중심의 산업’으로 바뀌고 있다. 그 과정은 기획자와 개발자, 알고리즘 설계자와 인프라 운영자 사이의 끊임없는 피드백 루프 위에 놓여 있다.
이러한 맥락에서 보면, 반도체 사업은 점점 더 ‘개방형 협업 모델’로 변모하고 있다. 초기 기획부터 알고리즘 팀이 참여하고, 테스트베드는 실제 서비스 워크로드를 반영하며, 최적화는 서비스 현장에서 실험을 통해 이뤄져야 한다. 기존의 ‘스펙 정의 -> 칩 설계 -> 양산 -> 고객’이라는 일방향 흐름이 아니라, 기획–설계–검증–실험–피드백이 동시다발적으로 이루어지는 ‘대화형 개발 구조’가 필요한 것이다.
5. 정책은 기술보다 구조를 설계해야 한다
이제 막 출범한 새 정부도 AI 반도체 산업을 국가적 전략으로 삼고 있다. 하지만 진정한 정책은 단순히 예산을 지원하는 것이 아니라, 실제 알고리즘 개발자와 반도체 기획자가 협업할 수 있는 구조를 설계하는 것이다. 정책은 기술보다 거버넌스와 생태계를 설계해야 한다.
-- 국책과제에 서비스 기업의 최적화팀이 공동 기획자로 참여하도록 제도화해야 하며,
-- 공공 테스트베드를 단순 벤치마크용이 아니라, 실사용자 시나리오 중심의 실험 환경으로 전환해야 하며,
-- 평가도 현재 필드에서 사용 중인 칩들과의 비교를 통해, 실질적인 피드백과 후속 개선으로 이어져야 한다.
그리하여 손에 때가 묻은 사람들이 기술 정책의 테이블에 앉을 수 있도록 해야 한다. 바로 그들이, 우리가 만들어야 할 AI 반도체의 사용자이자 평가자이며, 미래의 공동 설계자이기 때문이다.
6. 결론: 업의 본질이 바뀌고 있다
AI 반도체 산업은 이제 ‘양심’의 산업을 넘어서, ‘대화’의 산업이 되고 있다. 이건희 회장이 말한 양심은 여전히 중요하지만, 오늘날의 경쟁은 더 빠르고, 더 복잡하며, 더 상호작용적이다. 기술력만으로는 이길 수 없다. ‘현장을 이해하는 대화력’, ‘문제를 귀 기울이는 태도’, ‘지속적으로 진화할 수 있는 실험력’이 새로운 AI 반도체 산업의 본질이다.
대한민국이 AI 반도체 강국이 되기 위해서는, 이제 그 본질을 재정의하는 데서 시작해야 한다. 제품을 넘어 생태계를 만들고, 기술을 넘어 사람과 연결되는 산업을 만드는 것—그것이 AI 반도체 시대의 진정한 경쟁력이다.
이동수님
👍3
AI시대 전력 문제에 우리는 얼마나 준비가 되었는가?
—
신정규님
# ISC 2025 이야기: 유럽 슈퍼컴퓨팅과 AI 인프라의 현재와 미래
유럽의 슈퍼컴퓨팅 컨퍼런스인 International Supercomputing Conference - High Performance (줄여서 ISC) 2025를 6월 초중순에 다녀왔다. 시간이 좀 지났다. 귀국하자마자 업무에 치이고, 다시 샌프란시스코 출장을 오는 바람에 정리가 늦어졌다. 비행기 안에서 정리하던 생각을 채팅으로 나눠보다가, 정리하면 어떻냐는 권유를 받아 글 형태로 대화 내용을 정리해 본다.
## 유럽의 소버린 AI 전략과 그 이면
이번 ISC에서 가장 인상적이었던 것은 유럽이 소버리니티(sovereignty)와 오픈소스 기반 엑사스케일 컴퓨팅에 올인하고 있다는 점이다. 엑사스케일은 엑사플롭스를 처리할 수 있는 슈퍼컴퓨팅 시스템을 부르는 말이다. EU 차원의 협동 전략과, 각 국가별로 언어와 역사관의 문제로 독자적으로 진행하려는 흐름이 충돌하고 있었다. 이 긴장감이 엑사스케일 슈퍼컴퓨터를 짓는 컨소시엄 구성에 그대로 드러났다.
놀라운 것은 투자 규모다. 프랑스가 올해 초 AI 분야에 100조원 투자를 천명한 이후, 엑사스케일 컨소시엄 참가 티켓 사이즈가 기본 100조원이 되었다. 물론 이 100조원의 실체를 제대로 이해할 필요가 있다. AI 투자 100조라고 했을 때 그 절반 이상은 GPU가 아닌 전력망 개편, 전력 수급, 부지 조성 같은 인프라 비용이다. 현재의 기간망은 엑사스케일 컴퓨터들을 수용할 수 없기 때문이다.
예를 들어 원래 10조원 들여 남서 전력계통을 수도권에 연결하는 계획이 있었다면, 10조원을 추가로 써서 용량을 3배로 늘리고 AI 투자 20조원으로 라벨링하는 식이다. 이는 유럽만의 이야기가 아니다. 미국도, 우리나라도 마찬가지다. 우리가 사회간접자본(SOC)이라고 생각했던 것들이 AI 시대에 맞춰 대대적으로 갈아엎어져야 하는 상황에 와 있다.
## 엔비디아와 AMD의 유럽 공략
이런 상황을 놓칠 리 없는 엔비디아와 AMD는 각 국가를 상대로 소버린 AI 풀패키지 플랫폼 공급을 위해 전사 차원에서 영업 중이다. (엔비디아의 경우 ISC에서도 언제나처럼 참여하지만 https://www.nvidia.com/en-us/events/isc/, 정확하게 겹치는 일정으로 프랑스의 VivaTech 부대 행사로 GTC Paris 를 개최했다. 연초에는 잡혀있지 않은 일정이었다.) 흥미로운 것은 유럽 국가들이 소버린 AI를 바라보는 관점이다. 이들은 이를 무기 구입과 비슷하게 바라본다.
크게 네 가지 그룹으로 나뉜다:
1. 통째로 사와도 그 나라 땅에 갖다 놓으면 그 나라 것이라고 주장하는 그룹
2. 자생하지 않으면 결국 종속된다고 주장하는 그룹
3. 전자로 시작해서 후자로 가자는 그룹
4. 처음부터 자체 개발에 올인하자는 그룹
이런 딜레마를 가장 극명하게 보여주는 사례가 유럽은 아니지만 사우디아라비아다. 2023년 중순 미국으로부터 GPU 금수조치가 내려진 후, 2024년 내내 대안을 찾아 모든 국가로부터 NPU나 대안 솔루션을 소싱했다. 우리나라 기업들도 많이 갔고, 투자도 받고, 공급도 하고 계약들도 했다. 그런데 바이든 정부 말기에 국가별 GPU 구매량 제한에 티어를 나눠서 GPU 구입 물량을 풀어주자마자, GPU 대안을 알아보던 모든 자본을 전부 홀딩하고 그걸로 엔비디아 GPU를 살 수 있는 최대 물량으로 사고 있다. 언제 또 못 사게 될지 모르니까.
## 미국과 유럽의 슈퍼컴퓨팅 접근법 차이
미국과 유럽의 슈퍼컴퓨팅 접근이 다른 이유는 각 주체가 동원할 수 있는 펀드의 규모 차이 때문이다. 미국은 학계에서 창업해서 그대로 업계로 이어지는 실리콘밸리와, 핵물리학 등의 거대 과학 기반 수요가 서로 어우러진 복잡한 구조를 가지고 있다. 민간에서도 천문학적인 펀드를 동원하지만, 동시에 국가에서도 천문학적인 투자를 동시에 붓고 있다.
흥미로운 변화는 2021년까지는 AI와 HPC (High Performance Computing, 고성능 컴퓨팅 분야)가 필요한 연산 종류가 달라서(AI는 속도를 위해 수치정확도를 16비트 이하로 낮추는 식으로 진행되었고, HPC는 시뮬레이션이나 연산을 위해 64비트 고정밀도 연산에 집중했다) 각기 따로 놀다가, 2022년부터 시뮬레이션 기반 예측을 AI로 어림할 수 있음을 깨닫게 되면서 AI/HPC가 급격하게 합쳐지고 있다는 점이다. 2023년부터 기획되는 슈퍼컴퓨터들은 사실상 슈퍼컴퓨터와 AI 컴퓨터를 분리할 수가 없게 되었다.
반면 유럽은 애초부터 그 정도의 펀드 조성이 어려워서 유럽연합의 슈퍼컴퓨터를 공동 조성하고 품앗이하는 식으로 사용해 왔다. Mare Nostrum(지중해라는 뜻)이 대표적이다. 1~4호기까지는 HPC용이었고, 5호기부터는 사실상 GPU 클러스터다. 50%는 유럽연합에서 출자하고, 나머지 50%는 국가들이 갹출해서 100%를 만든 후, 투자 퍼센트만큼 GPU 타임을 갖고 간다. 우리나라로 따지면 KISTI 슈퍼컴퓨터 1~5호기를 거치며 CPU기반에서 이번에 GPU 클러스터로 간 것과 같은 변화이다. CPU만 고집하던 일본의 슈퍼컴퓨터들도 최근 2년간 기획되고 올해 런칭하는 3대의 슈퍼컴퓨터들은 전부 GPU 클러스터다.
## 유럽의 엑사스케일 도전과 갈등
문제는 Mare Nostrum의 성능이 엑사스케일 슈퍼컴퓨터의 1/3~1/2 정도라 최근 요구되는 수준에 못 미친다는 점이다. 그래서 첫 엑사스케일 슈퍼컴퓨터로 짓고 있는 유럽의 GPU 클러스터가 Jupiter다.
여기서부터 갈등 비슷한 것이 보인다. 유럽 국가들이 기존 PRACE와 EuroHPC가 운영하는 Mare Nostrum에서 원하는 만큼 자원을 받지 못하는 문제를 겪고 있다. 전체 타임의 50%는 EU가 유럽 전체에 필요한 공동 연구 및 출자가 힘든 소규모 국가들에게 나눠주고, 나머지 50% 중에서 돈 낸 만큼만 쓰기 때문에, 전체 스케일이 아무리 커도 각 나라가 쓸 수 있는 양은 적다. 그래서 대규모 슈퍼컴퓨터 건조 계획과, AI 기가 팩토리 계획 등을 발표중이다. 그 두가지의 결이 다른데 뒤에서 설명해 보겠다.
그래서 EU에서도 자본을 동원할 수 있는 국가들이 3~4개씩 모여서 유럽연합과 별도로 엑사스케일 슈퍼컴퓨터를 세우고 있다. 우리가 보기엔 "그냥 단독으로 세우면 되지 않나?"라고 할 수 있지만, 우리나라를 유럽에 갖다 놓으면 인구수도, 국력도 EU 내 중진국 4개 정도를 합친 사이즈라 그런 생각이 드는 것이기도 하다. (우리나라는 사실 우리가 생각하는 것보다 큰 나라다.)
영국은 실제로 엑사스케일 슈퍼컴퓨터를 단독으로 세운다고 2023년에 국가 과제를 냈다. 당시 5월경에 영국의 NPU 제조사인 GraphCore가 "GPU 발주는 우리한테 줘야 한다"고 유명 신문들에 전면광고를 때려서 이슈가 됐었다. 그런데 그해 가을에 그 과제는 엔비디아 기반의 슈퍼컴퓨터가 수주했고, 겨울에 GraphCore의 유럽 연구팀은 메타가 인수해갔고, 회사는 소프트뱅크가 5천억에 사 갔다. 지금 다시 각 국가가 NPU 산업을 육성하려는 상황이라, 영국 정부도 아쉬워하고 있을 것이다.
프랑스, 네덜란드, 독일, 스위스 같은 국가들이 연합을 만들어서 현재 엑사스케일 슈퍼컴퓨터가 4기 건조 중이거나 건조 예정이다. 이런 컨소시엄을 만들 때 북유럽 3국이나 스위스를 꼭 끼워준다는 점이 재미있다. 현재 건조 중인 클러스터들을 보면 하나는 스위스, 나머지는 전부 북유럽에 위치하고 있다. 냉각과 전력 문제 때문이다. 독일 등 유럽과 노르웨이 등 북유럽의 슈퍼컴퓨팅 전기료를 비교하면 3배 정도 차이가 나고, 냉각 난도가 엄청나게 차이가 난다.
—
신정규님
# ISC 2025 이야기: 유럽 슈퍼컴퓨팅과 AI 인프라의 현재와 미래
유럽의 슈퍼컴퓨팅 컨퍼런스인 International Supercomputing Conference - High Performance (줄여서 ISC) 2025를 6월 초중순에 다녀왔다. 시간이 좀 지났다. 귀국하자마자 업무에 치이고, 다시 샌프란시스코 출장을 오는 바람에 정리가 늦어졌다. 비행기 안에서 정리하던 생각을 채팅으로 나눠보다가, 정리하면 어떻냐는 권유를 받아 글 형태로 대화 내용을 정리해 본다.
## 유럽의 소버린 AI 전략과 그 이면
이번 ISC에서 가장 인상적이었던 것은 유럽이 소버리니티(sovereignty)와 오픈소스 기반 엑사스케일 컴퓨팅에 올인하고 있다는 점이다. 엑사스케일은 엑사플롭스를 처리할 수 있는 슈퍼컴퓨팅 시스템을 부르는 말이다. EU 차원의 협동 전략과, 각 국가별로 언어와 역사관의 문제로 독자적으로 진행하려는 흐름이 충돌하고 있었다. 이 긴장감이 엑사스케일 슈퍼컴퓨터를 짓는 컨소시엄 구성에 그대로 드러났다.
놀라운 것은 투자 규모다. 프랑스가 올해 초 AI 분야에 100조원 투자를 천명한 이후, 엑사스케일 컨소시엄 참가 티켓 사이즈가 기본 100조원이 되었다. 물론 이 100조원의 실체를 제대로 이해할 필요가 있다. AI 투자 100조라고 했을 때 그 절반 이상은 GPU가 아닌 전력망 개편, 전력 수급, 부지 조성 같은 인프라 비용이다. 현재의 기간망은 엑사스케일 컴퓨터들을 수용할 수 없기 때문이다.
예를 들어 원래 10조원 들여 남서 전력계통을 수도권에 연결하는 계획이 있었다면, 10조원을 추가로 써서 용량을 3배로 늘리고 AI 투자 20조원으로 라벨링하는 식이다. 이는 유럽만의 이야기가 아니다. 미국도, 우리나라도 마찬가지다. 우리가 사회간접자본(SOC)이라고 생각했던 것들이 AI 시대에 맞춰 대대적으로 갈아엎어져야 하는 상황에 와 있다.
## 엔비디아와 AMD의 유럽 공략
이런 상황을 놓칠 리 없는 엔비디아와 AMD는 각 국가를 상대로 소버린 AI 풀패키지 플랫폼 공급을 위해 전사 차원에서 영업 중이다. (엔비디아의 경우 ISC에서도 언제나처럼 참여하지만 https://www.nvidia.com/en-us/events/isc/, 정확하게 겹치는 일정으로 프랑스의 VivaTech 부대 행사로 GTC Paris 를 개최했다. 연초에는 잡혀있지 않은 일정이었다.) 흥미로운 것은 유럽 국가들이 소버린 AI를 바라보는 관점이다. 이들은 이를 무기 구입과 비슷하게 바라본다.
크게 네 가지 그룹으로 나뉜다:
1. 통째로 사와도 그 나라 땅에 갖다 놓으면 그 나라 것이라고 주장하는 그룹
2. 자생하지 않으면 결국 종속된다고 주장하는 그룹
3. 전자로 시작해서 후자로 가자는 그룹
4. 처음부터 자체 개발에 올인하자는 그룹
이런 딜레마를 가장 극명하게 보여주는 사례가 유럽은 아니지만 사우디아라비아다. 2023년 중순 미국으로부터 GPU 금수조치가 내려진 후, 2024년 내내 대안을 찾아 모든 국가로부터 NPU나 대안 솔루션을 소싱했다. 우리나라 기업들도 많이 갔고, 투자도 받고, 공급도 하고 계약들도 했다. 그런데 바이든 정부 말기에 국가별 GPU 구매량 제한에 티어를 나눠서 GPU 구입 물량을 풀어주자마자, GPU 대안을 알아보던 모든 자본을 전부 홀딩하고 그걸로 엔비디아 GPU를 살 수 있는 최대 물량으로 사고 있다. 언제 또 못 사게 될지 모르니까.
## 미국과 유럽의 슈퍼컴퓨팅 접근법 차이
미국과 유럽의 슈퍼컴퓨팅 접근이 다른 이유는 각 주체가 동원할 수 있는 펀드의 규모 차이 때문이다. 미국은 학계에서 창업해서 그대로 업계로 이어지는 실리콘밸리와, 핵물리학 등의 거대 과학 기반 수요가 서로 어우러진 복잡한 구조를 가지고 있다. 민간에서도 천문학적인 펀드를 동원하지만, 동시에 국가에서도 천문학적인 투자를 동시에 붓고 있다.
흥미로운 변화는 2021년까지는 AI와 HPC (High Performance Computing, 고성능 컴퓨팅 분야)가 필요한 연산 종류가 달라서(AI는 속도를 위해 수치정확도를 16비트 이하로 낮추는 식으로 진행되었고, HPC는 시뮬레이션이나 연산을 위해 64비트 고정밀도 연산에 집중했다) 각기 따로 놀다가, 2022년부터 시뮬레이션 기반 예측을 AI로 어림할 수 있음을 깨닫게 되면서 AI/HPC가 급격하게 합쳐지고 있다는 점이다. 2023년부터 기획되는 슈퍼컴퓨터들은 사실상 슈퍼컴퓨터와 AI 컴퓨터를 분리할 수가 없게 되었다.
반면 유럽은 애초부터 그 정도의 펀드 조성이 어려워서 유럽연합의 슈퍼컴퓨터를 공동 조성하고 품앗이하는 식으로 사용해 왔다. Mare Nostrum(지중해라는 뜻)이 대표적이다. 1~4호기까지는 HPC용이었고, 5호기부터는 사실상 GPU 클러스터다. 50%는 유럽연합에서 출자하고, 나머지 50%는 국가들이 갹출해서 100%를 만든 후, 투자 퍼센트만큼 GPU 타임을 갖고 간다. 우리나라로 따지면 KISTI 슈퍼컴퓨터 1~5호기를 거치며 CPU기반에서 이번에 GPU 클러스터로 간 것과 같은 변화이다. CPU만 고집하던 일본의 슈퍼컴퓨터들도 최근 2년간 기획되고 올해 런칭하는 3대의 슈퍼컴퓨터들은 전부 GPU 클러스터다.
## 유럽의 엑사스케일 도전과 갈등
문제는 Mare Nostrum의 성능이 엑사스케일 슈퍼컴퓨터의 1/3~1/2 정도라 최근 요구되는 수준에 못 미친다는 점이다. 그래서 첫 엑사스케일 슈퍼컴퓨터로 짓고 있는 유럽의 GPU 클러스터가 Jupiter다.
여기서부터 갈등 비슷한 것이 보인다. 유럽 국가들이 기존 PRACE와 EuroHPC가 운영하는 Mare Nostrum에서 원하는 만큼 자원을 받지 못하는 문제를 겪고 있다. 전체 타임의 50%는 EU가 유럽 전체에 필요한 공동 연구 및 출자가 힘든 소규모 국가들에게 나눠주고, 나머지 50% 중에서 돈 낸 만큼만 쓰기 때문에, 전체 스케일이 아무리 커도 각 나라가 쓸 수 있는 양은 적다. 그래서 대규모 슈퍼컴퓨터 건조 계획과, AI 기가 팩토리 계획 등을 발표중이다. 그 두가지의 결이 다른데 뒤에서 설명해 보겠다.
그래서 EU에서도 자본을 동원할 수 있는 국가들이 3~4개씩 모여서 유럽연합과 별도로 엑사스케일 슈퍼컴퓨터를 세우고 있다. 우리가 보기엔 "그냥 단독으로 세우면 되지 않나?"라고 할 수 있지만, 우리나라를 유럽에 갖다 놓으면 인구수도, 국력도 EU 내 중진국 4개 정도를 합친 사이즈라 그런 생각이 드는 것이기도 하다. (우리나라는 사실 우리가 생각하는 것보다 큰 나라다.)
영국은 실제로 엑사스케일 슈퍼컴퓨터를 단독으로 세운다고 2023년에 국가 과제를 냈다. 당시 5월경에 영국의 NPU 제조사인 GraphCore가 "GPU 발주는 우리한테 줘야 한다"고 유명 신문들에 전면광고를 때려서 이슈가 됐었다. 그런데 그해 가을에 그 과제는 엔비디아 기반의 슈퍼컴퓨터가 수주했고, 겨울에 GraphCore의 유럽 연구팀은 메타가 인수해갔고, 회사는 소프트뱅크가 5천억에 사 갔다. 지금 다시 각 국가가 NPU 산업을 육성하려는 상황이라, 영국 정부도 아쉬워하고 있을 것이다.
프랑스, 네덜란드, 독일, 스위스 같은 국가들이 연합을 만들어서 현재 엑사스케일 슈퍼컴퓨터가 4기 건조 중이거나 건조 예정이다. 이런 컨소시엄을 만들 때 북유럽 3국이나 스위스를 꼭 끼워준다는 점이 재미있다. 현재 건조 중인 클러스터들을 보면 하나는 스위스, 나머지는 전부 북유럽에 위치하고 있다. 냉각과 전력 문제 때문이다. 독일 등 유럽과 노르웨이 등 북유럽의 슈퍼컴퓨팅 전기료를 비교하면 3배 정도 차이가 나고, 냉각 난도가 엄청나게 차이가 난다.
NVIDIA
NVIDIA at ISC 2025 (ISC25)
Join NVIDIA at ISC 2025 (ISC25) to see how HPC, machine learning, digital twins, and high performance data analytics are driving our future.
👍3
## 오픈소스 전략과 언어 모델의 정치학
유럽연합 내의 EuroHPC는 실질적으로 완전 풀뿌리 교육 기관 및 지역 기관들의 연합이다. 각 학교나 기관별로 인력 파견 및 교류 등이 굉장히 활발하다. Tier 4, 3은 대학 및 연구소, 국가의 지방정부들이고(우리로 따지면 도나 대도시 수준), Tier 2가 국가, Tier 1이 국가 연합 및 유럽 전체에 해당되는 범위다. Tier 2부터는 공유자원 구축을 기본으로 하고 있다.
유럽이 전 소프트웨어 스택을 오픈소스로 가지고 간다는 부분도 뚜렷했다. 엔비디아는 이를 겨냥해 Nemo 솔루션을 앞세워 국가별 소버린 언어모델까지도 직접 개발해주며, 오픈소스 AI 프레임워크들을 유료로 지원해주겠다고 홍보했다. Nemo 자체가 엔비디아가 직접 개발한 게 아니라, 엔비디아도 기여했지만 다른 많은 회사나 오픈소스 커뮤니티, 대학들이 만든 오픈소스들을 번들링한 것에 테크서비스를 붙인 것이다. 우리나라에서도 3개사가 도입해서 모델 만들 때 쓴 Nemo Megatron의 경우도 코어는 마이크로소프트의 오픈소스다. 불안함을 달래기 위해 유럽 스타트업들과 협력해서 소버린 모델을 만들어 준다는 발표도 했다.
유럽에서 공용 클러스터에서 국가별 또는 컨소시엄별 GPU 클러스터를 만드는 이면에는 복잡한 사정이 있다. EU에서는 공용 멀티링구얼 LLM을 만드는 로드맵이 있는데, 유럽은 역사가 복잡해서 모두가 동의하는 역사 관점이 없다. 그 부분이 국가별로 AI 모델을 보유하려는 움직임의 근거 중 하나로 쓰이고 있다. 이후 교육 및 검색에 AI가 도입될 경우 국가 정체성 차원에서 중요한 이슈가 된다는 논리다.
엔비디아나 AMD가 대규모 이벤트를 유럽 지역에서 지난주에 열었고 열 준비를 하는 것(GTC Paris 같은)도 이런 맥락에서 이해할 수 있다. 모델 빌드 소프트웨어와 데이터까지 줘도 엔비디아는 아쉬울 게 없다. 하드웨어 판매가 핵심 수익모델이고 소프트웨어는 경쟁력 강화 수단이기 때문이다.
## 전력망이 진짜 문제
엔비디아가 올해 3월 GTC에서 3년 로드맵을 발표하며 랙당 600kW 전력을 요구할 거라고 했는데, 지금 한국에 30kW도 거의 없다. 어떻게 기반 기술들을 로드맵에 맞출지는 모른다. 엔비디아의 발표는 이게 말이 되게 기술을 다 거기 맞추라는 선언적인 의미가 있다.
채팅을 나눈 이제현님이 첨언해 주신 것처럼, 우리나라 AI 관련 투자나 전력을 이야기할 때 생산만 인지하시는 분들이 많은데 전력망이 진짜 큰 이슈다. 발전단만 해도 원전이나 재생에너지 중 하나를 일방 주장해서 안 되고 천연가스 등 변동성 대응 자원까지 포함해서 포트폴리오를 짜야 하는 문제다. 송전과 배전은 이 복잡한 발전과 수요까지 생각해서 시스템을 갈아엎어야 하는데, 그러자면 시스템 운영이 지금과 비교할 수 없을 만큼 고도화되어야 한다. 아주 복잡하고 어려운 문제인데 그만큼 대중이나 다른 분야의 전문가들이 알기 힘들어서 간과하는 사항이다.
지금은 GPU에 묻혀 덜 보이지만 당장 여름 지나 올 하반기만 되어도 모두가 전력 이야기만 하고 있을 것이다. 중국이 태양광과 원자력에 어마어마하게 집중하는 이면도 함께 봐야 한다.
## 슈퍼컴퓨터가 곧 AI 팩토리
"슈퍼컴퓨터와 AI 팩토리를 구분해야 하지 않나?"라는 질문을 받기도 하는데, 2023년 이후엔 구조상으로는 구분이 안 된다. 그냥 포장만 다르지 다 GPU 클러스터다. 지금 ISC 가서 보면 유럽 슈퍼컴퓨터들도 AI 팩토리나 토큰 생성기라고 자기들이 홍보하고 있다. 둘의 용도는 인프라의 종류가 아니라 인프라의 사용 목적으로 갈리고 있다고 보는 게 맞다.
Jupiter가 2월부터 가동 중이고 완공은 아마 연말일 텐데, 누가 봐도 고전적 슈퍼컴퓨터가 아니고 그냥 AI 팩토리다. H100이 34TFLOPs니까 대충 3만 장부터 엑사스케일로 쳐주니, Jupiter의 경우에도 CPU로 일부 플롭스를 채우고 수량으로는 2만장 이상 규모의 GPU를 갖추게 될 것이다. 미국의 경우 엑사스케일이 꽤 있어서 비교적 유럽이나 중국, 우리나라처럼 절박하지 않다. 그래서 스타게이트 정도가 되어야 임팩트가 있다.
이번 ISC에서는 GraphCore가 사라진 영향으로 유럽의 NPU를 볼 기회는 없었다. 미국 회사들이 대거 참여할 11월 SC 2025에서 많이 보게 될거다. 미국은 NPU 개발에 정부 주도로 돈을 가장 많이 지원하고 있는 나라일것이다. 우리나라와 비교해보면 리벨리온, 퓨리오사 이렇게 개발 지원 과제나 상용 과제를 별도로 만들어서 주는 식인데, 미국은 직접 지원도 엄청난 규모로 하지만, 국책연구소들한테 NSF 등의 펀드를 줄 때 GPU 구입은 불가능하고 NPU만 살 수 있게 한 조건이 걸린 투자를 연간 조 단위로 낸다. 그래서 아르곤 랩 등이 NPU 사서 그걸로 연구도 하고, 갑갑하면 NPU용 소프트웨어 등도 직접 만들고, 예제도 만들어내는 식이다. 직접 지원 대신 수요처를 통해서 투자를 돌려서도 진행하는 식이다. 우리가 이름 들어본 Cerebras, Groq, SambaNova 전부 아르곤 연구소나 DARPA에 물량 공급을 하게 해서 아직 생존시켜 놓았다.
## 상업화 단계에 들어선 AI 인프라
미국 쪽에서 10만장 단위의 GPU를 구입하기 시작했는데, 이제 몇몇 부분에서 AI 상업화가 성공하면서 투자 흐름 자체가 전략적으로 바뀐 부분이 있다. 모델 개발에 드는 GPU 사용 비용은 응용처를 찾기 전까진 선행연구에 가까워서 매몰비용 처리를 했던 것이고, 지금 민간투자가 왕창 들어와서 구성되는 부분들은 모델 인퍼런스에 훨씬 더 집중한 곳들이다.
그래서 서비스용 GPU 팜의 경우 이윤은 발생하지 않더라도 매출이 발생하기 때문에, 투자 비용의 일부 또는 대부분을 정당화할 수 있게 되어 공격적인 물량 투자가 가능하다. 10,000장을 훈련용으로 썼다면 2022년 정도엔 10,000장이 다 매몰비용이 된 거고, 2025년엔 100,000장을 서비스용으로 써서 90,000장 정도를 매출로 도로 회수할 수 있다면 마찬가지로 손해는 10,000장만 보는 상황이다. 서비스용 모델 크기의 한계 및 최적화가 끊임없이 일어나고 있어서 잘하면 이윤 구간에도 들어갈 수 있어 보인다. 그래서 우리 눈엔 말도 안 되는 규모의 투자가 보이게 되는 것이다.
여섯 자리 수의 대규모 GPU 투자가 있으려면 매출 파이프라인이 존재하거나 계획이 명확해야 한다. 그리고 매출이 발생하는 영역부터는 이제 국가 단독이 아니라 공동투자 및 펀딩의 영역이 되고 있다.
유럽연합 내의 EuroHPC는 실질적으로 완전 풀뿌리 교육 기관 및 지역 기관들의 연합이다. 각 학교나 기관별로 인력 파견 및 교류 등이 굉장히 활발하다. Tier 4, 3은 대학 및 연구소, 국가의 지방정부들이고(우리로 따지면 도나 대도시 수준), Tier 2가 국가, Tier 1이 국가 연합 및 유럽 전체에 해당되는 범위다. Tier 2부터는 공유자원 구축을 기본으로 하고 있다.
유럽이 전 소프트웨어 스택을 오픈소스로 가지고 간다는 부분도 뚜렷했다. 엔비디아는 이를 겨냥해 Nemo 솔루션을 앞세워 국가별 소버린 언어모델까지도 직접 개발해주며, 오픈소스 AI 프레임워크들을 유료로 지원해주겠다고 홍보했다. Nemo 자체가 엔비디아가 직접 개발한 게 아니라, 엔비디아도 기여했지만 다른 많은 회사나 오픈소스 커뮤니티, 대학들이 만든 오픈소스들을 번들링한 것에 테크서비스를 붙인 것이다. 우리나라에서도 3개사가 도입해서 모델 만들 때 쓴 Nemo Megatron의 경우도 코어는 마이크로소프트의 오픈소스다. 불안함을 달래기 위해 유럽 스타트업들과 협력해서 소버린 모델을 만들어 준다는 발표도 했다.
유럽에서 공용 클러스터에서 국가별 또는 컨소시엄별 GPU 클러스터를 만드는 이면에는 복잡한 사정이 있다. EU에서는 공용 멀티링구얼 LLM을 만드는 로드맵이 있는데, 유럽은 역사가 복잡해서 모두가 동의하는 역사 관점이 없다. 그 부분이 국가별로 AI 모델을 보유하려는 움직임의 근거 중 하나로 쓰이고 있다. 이후 교육 및 검색에 AI가 도입될 경우 국가 정체성 차원에서 중요한 이슈가 된다는 논리다.
엔비디아나 AMD가 대규모 이벤트를 유럽 지역에서 지난주에 열었고 열 준비를 하는 것(GTC Paris 같은)도 이런 맥락에서 이해할 수 있다. 모델 빌드 소프트웨어와 데이터까지 줘도 엔비디아는 아쉬울 게 없다. 하드웨어 판매가 핵심 수익모델이고 소프트웨어는 경쟁력 강화 수단이기 때문이다.
## 전력망이 진짜 문제
엔비디아가 올해 3월 GTC에서 3년 로드맵을 발표하며 랙당 600kW 전력을 요구할 거라고 했는데, 지금 한국에 30kW도 거의 없다. 어떻게 기반 기술들을 로드맵에 맞출지는 모른다. 엔비디아의 발표는 이게 말이 되게 기술을 다 거기 맞추라는 선언적인 의미가 있다.
채팅을 나눈 이제현님이 첨언해 주신 것처럼, 우리나라 AI 관련 투자나 전력을 이야기할 때 생산만 인지하시는 분들이 많은데 전력망이 진짜 큰 이슈다. 발전단만 해도 원전이나 재생에너지 중 하나를 일방 주장해서 안 되고 천연가스 등 변동성 대응 자원까지 포함해서 포트폴리오를 짜야 하는 문제다. 송전과 배전은 이 복잡한 발전과 수요까지 생각해서 시스템을 갈아엎어야 하는데, 그러자면 시스템 운영이 지금과 비교할 수 없을 만큼 고도화되어야 한다. 아주 복잡하고 어려운 문제인데 그만큼 대중이나 다른 분야의 전문가들이 알기 힘들어서 간과하는 사항이다.
지금은 GPU에 묻혀 덜 보이지만 당장 여름 지나 올 하반기만 되어도 모두가 전력 이야기만 하고 있을 것이다. 중국이 태양광과 원자력에 어마어마하게 집중하는 이면도 함께 봐야 한다.
## 슈퍼컴퓨터가 곧 AI 팩토리
"슈퍼컴퓨터와 AI 팩토리를 구분해야 하지 않나?"라는 질문을 받기도 하는데, 2023년 이후엔 구조상으로는 구분이 안 된다. 그냥 포장만 다르지 다 GPU 클러스터다. 지금 ISC 가서 보면 유럽 슈퍼컴퓨터들도 AI 팩토리나 토큰 생성기라고 자기들이 홍보하고 있다. 둘의 용도는 인프라의 종류가 아니라 인프라의 사용 목적으로 갈리고 있다고 보는 게 맞다.
Jupiter가 2월부터 가동 중이고 완공은 아마 연말일 텐데, 누가 봐도 고전적 슈퍼컴퓨터가 아니고 그냥 AI 팩토리다. H100이 34TFLOPs니까 대충 3만 장부터 엑사스케일로 쳐주니, Jupiter의 경우에도 CPU로 일부 플롭스를 채우고 수량으로는 2만장 이상 규모의 GPU를 갖추게 될 것이다. 미국의 경우 엑사스케일이 꽤 있어서 비교적 유럽이나 중국, 우리나라처럼 절박하지 않다. 그래서 스타게이트 정도가 되어야 임팩트가 있다.
이번 ISC에서는 GraphCore가 사라진 영향으로 유럽의 NPU를 볼 기회는 없었다. 미국 회사들이 대거 참여할 11월 SC 2025에서 많이 보게 될거다. 미국은 NPU 개발에 정부 주도로 돈을 가장 많이 지원하고 있는 나라일것이다. 우리나라와 비교해보면 리벨리온, 퓨리오사 이렇게 개발 지원 과제나 상용 과제를 별도로 만들어서 주는 식인데, 미국은 직접 지원도 엄청난 규모로 하지만, 국책연구소들한테 NSF 등의 펀드를 줄 때 GPU 구입은 불가능하고 NPU만 살 수 있게 한 조건이 걸린 투자를 연간 조 단위로 낸다. 그래서 아르곤 랩 등이 NPU 사서 그걸로 연구도 하고, 갑갑하면 NPU용 소프트웨어 등도 직접 만들고, 예제도 만들어내는 식이다. 직접 지원 대신 수요처를 통해서 투자를 돌려서도 진행하는 식이다. 우리가 이름 들어본 Cerebras, Groq, SambaNova 전부 아르곤 연구소나 DARPA에 물량 공급을 하게 해서 아직 생존시켜 놓았다.
## 상업화 단계에 들어선 AI 인프라
미국 쪽에서 10만장 단위의 GPU를 구입하기 시작했는데, 이제 몇몇 부분에서 AI 상업화가 성공하면서 투자 흐름 자체가 전략적으로 바뀐 부분이 있다. 모델 개발에 드는 GPU 사용 비용은 응용처를 찾기 전까진 선행연구에 가까워서 매몰비용 처리를 했던 것이고, 지금 민간투자가 왕창 들어와서 구성되는 부분들은 모델 인퍼런스에 훨씬 더 집중한 곳들이다.
그래서 서비스용 GPU 팜의 경우 이윤은 발생하지 않더라도 매출이 발생하기 때문에, 투자 비용의 일부 또는 대부분을 정당화할 수 있게 되어 공격적인 물량 투자가 가능하다. 10,000장을 훈련용으로 썼다면 2022년 정도엔 10,000장이 다 매몰비용이 된 거고, 2025년엔 100,000장을 서비스용으로 써서 90,000장 정도를 매출로 도로 회수할 수 있다면 마찬가지로 손해는 10,000장만 보는 상황이다. 서비스용 모델 크기의 한계 및 최적화가 끊임없이 일어나고 있어서 잘하면 이윤 구간에도 들어갈 수 있어 보인다. 그래서 우리 눈엔 말도 안 되는 규모의 투자가 보이게 되는 것이다.
여섯 자리 수의 대규모 GPU 투자가 있으려면 매출 파이프라인이 존재하거나 계획이 명확해야 한다. 그리고 매출이 발생하는 영역부터는 이제 국가 단독이 아니라 공동투자 및 펀딩의 영역이 되고 있다.
NVIDIA
NVIDIA at ISC 2025 (ISC25)
Join NVIDIA at ISC 2025 (ISC25) to see how HPC, machine learning, digital twins, and high performance data analytics are driving our future.
👍2
## 중동 자본의 유럽 진출
유럽과 중동의 협력에는 두 가지 이유가 있다. 첫째, 유럽의 가장 큰 이슈가 돈이 없는 것이고, 중동은 안정적인 연산자원 확보의 문제가 있어서 이해가 맞았다. 둘째, 중동에서 AI 인프라를 차세대 투자처로 바라보고 있어서, 거대 규모의 펀드를 조성하고 웬만한 곳에 다 들어가서 돈 대고 지분받는 움직임이 시작됐다.
그런데 민간 자본이 들어오면 기존 정부 주도 또는 정부 전액 투자가 되는 자원과 섞을 수가 없다. 이윤을 내는 목표의 사업이 함께 들어오기 때문이다. 그런 맥락에서 유럽 대상으로 볼 때 모델 개발과 모델 기반 서비스 운영, 그리고 이를 뒷받침하는 자본 구조를 구분해 볼 필요가 있다. 슈퍼컴퓨팅 영역과 결합되고 있는 건 모델 개발 영역이고, 서비스 운영은 민간 자본이 들어와서 진행되는 영역이다. 앞에서 대규모 GPU 슈퍼컴퓨터 건조 계획과, AI 기가 팩토리 계획의 결이 다르다고 한 부분이다.
## 소버린 AI의 서로 다른 의미
"소버린 AI"라고 할 때는 의미를 잘 구분 짓는 게 중요해지고 있다. 어디까지가 소버린이고 어디까지가 AI인가? 허큘리스 미사일에서 영감을 얻은 현무 미사일은 소버린 국방인가? 같은 질문이다. 자주 이야기하지만 우리나라는 하드웨어부터 소프트웨어, 모델까지 엔드투엔드 개발이 가능한 전세계 두 나라 (중국과 한국) 중 한 나라라 이런 고민을 할 수 있다. 중국은 운영체제(는 리눅스 기반이지만)와 AI 프레임워크까지 독립적으로 개발하고 진행할 정도로 의존성을 줄이고 있다. 유럽의 경우 팹이 없어서 우리와 상황이 달라서 가능한 선택지가 차이가 난다. 유럽의 경우 기성 AI 가속기는 구매하고, 오픈소스 소프트웨어 생태계를 개발해 자체 데이터를 올리는 것을 소버린 AI 의 경계선으로 보고 있다.
공공과 민간, 그 사이에서 다양하게 시도되고 발표되는 유럽 AI 팩토리를 주제로 ISC에서 이야기를 나누며, 소버리니티를 놓고 일 년 넘게 다양한 정의들이 공전하는 우리나라 상황이 떠올랐다. 사람마다 정의가 다르고, 포지션이 다 다르니 의견이 다를 수 밖에 없다. 의견이 다를 수 있어서 다행이라는 생각이 들었다. 선택의 여지가 많다는 것이기도 하기 때문이다.
우리나라도 엑사스케일급 GPU 클러스터가 지금 예정된 것만 해도 민간에서 2건 이상, 공공에서 1건이 있다. 이를 위해 사회 기간망, 특히 전력망 및 전력 소스의 엄청난 업그레이드가 필요한 상황이다. 시점이 중요한데, 그 이유는 전력 생산 시스템, 전력망 및 네트워크 확충은 오래 걸리는 일이고, 미래 수요가 예측이 안 되는 만큼 지금 눈에는 필요 없을 만큼 선제 투자해야 하는 부분이기 때문이다.
기간망 개편은 고민 없이 그냥 가야 할 때가 있는 종류의 투자다. 한 번 깔고 나면 추가 투자하기가 어려운 종류의 시설중 대표적인 것이 전력망이다. 1990년대에 우리나라 전체에 광통신망 깔 때 ADSL로 충분하지 않냐는 여론이 있었다. 그 때 지은 광통신망이 결국 어떤 효과를 불러 일으켰는지 모두가 알고 있다. 이상하게 들릴 수 있지만, 계통별로 나뉜 현재의 모든 전력 그리드를 이어야 할 상황이며, 거점간 기간 전력망은 지금 용량의 최소 30배가 될 필요가 있지 않나 싶다. 엔비디아가 제시한 로드맵만 따라가도 GPU 전력 소모는 3년 후면 단위 부피당 13배가 된다.
## 맺으며
처음 전기랑 전화선 깔았고, 그다음에 초고속 인터넷과 무선통신망 깔았고, 이제 그런 레벨의 세 번째 변화라고 보면 어떤 변화가 생길지, 도대체 AI 예산 100조를 어떻게 만들어서 어디에 쓰일 것인지 납득하기 쉬울 것이다. ISC 2025에서 본 유럽의 모습은 이 거대한 변화의 한가운데서 각자의 방식으로 미래를 준비하는 모습이었다.
서둘러야 하는 상황인데, 세계의 상황이 녹록치 않다. 유럽에 있는 동안 이란과 이스라엘 충돌이 뉴스를 뒤덮었었다. 서니베일에서 이 글을 쓰는 동안 미국 뉴스도 전쟁 이야기로 뒤덮여 있다. AI의 응용이 워낙 광범위해서, 가면 갈수록 무기시장이랑 레토릭 호환이 잘 되고 있어서 걱정이다.
이정도로 6월 10일에서 13일까지 열린 ISC 2025의 감상을 정리해본다. 전시의 1/3은 양자컴퓨터였지만 위에선 생략했다. 내년이면 할 이야기가 많아지지 않을까 싶다.
유럽과 중동의 협력에는 두 가지 이유가 있다. 첫째, 유럽의 가장 큰 이슈가 돈이 없는 것이고, 중동은 안정적인 연산자원 확보의 문제가 있어서 이해가 맞았다. 둘째, 중동에서 AI 인프라를 차세대 투자처로 바라보고 있어서, 거대 규모의 펀드를 조성하고 웬만한 곳에 다 들어가서 돈 대고 지분받는 움직임이 시작됐다.
그런데 민간 자본이 들어오면 기존 정부 주도 또는 정부 전액 투자가 되는 자원과 섞을 수가 없다. 이윤을 내는 목표의 사업이 함께 들어오기 때문이다. 그런 맥락에서 유럽 대상으로 볼 때 모델 개발과 모델 기반 서비스 운영, 그리고 이를 뒷받침하는 자본 구조를 구분해 볼 필요가 있다. 슈퍼컴퓨팅 영역과 결합되고 있는 건 모델 개발 영역이고, 서비스 운영은 민간 자본이 들어와서 진행되는 영역이다. 앞에서 대규모 GPU 슈퍼컴퓨터 건조 계획과, AI 기가 팩토리 계획의 결이 다르다고 한 부분이다.
## 소버린 AI의 서로 다른 의미
"소버린 AI"라고 할 때는 의미를 잘 구분 짓는 게 중요해지고 있다. 어디까지가 소버린이고 어디까지가 AI인가? 허큘리스 미사일에서 영감을 얻은 현무 미사일은 소버린 국방인가? 같은 질문이다. 자주 이야기하지만 우리나라는 하드웨어부터 소프트웨어, 모델까지 엔드투엔드 개발이 가능한 전세계 두 나라 (중국과 한국) 중 한 나라라 이런 고민을 할 수 있다. 중국은 운영체제(는 리눅스 기반이지만)와 AI 프레임워크까지 독립적으로 개발하고 진행할 정도로 의존성을 줄이고 있다. 유럽의 경우 팹이 없어서 우리와 상황이 달라서 가능한 선택지가 차이가 난다. 유럽의 경우 기성 AI 가속기는 구매하고, 오픈소스 소프트웨어 생태계를 개발해 자체 데이터를 올리는 것을 소버린 AI 의 경계선으로 보고 있다.
공공과 민간, 그 사이에서 다양하게 시도되고 발표되는 유럽 AI 팩토리를 주제로 ISC에서 이야기를 나누며, 소버리니티를 놓고 일 년 넘게 다양한 정의들이 공전하는 우리나라 상황이 떠올랐다. 사람마다 정의가 다르고, 포지션이 다 다르니 의견이 다를 수 밖에 없다. 의견이 다를 수 있어서 다행이라는 생각이 들었다. 선택의 여지가 많다는 것이기도 하기 때문이다.
우리나라도 엑사스케일급 GPU 클러스터가 지금 예정된 것만 해도 민간에서 2건 이상, 공공에서 1건이 있다. 이를 위해 사회 기간망, 특히 전력망 및 전력 소스의 엄청난 업그레이드가 필요한 상황이다. 시점이 중요한데, 그 이유는 전력 생산 시스템, 전력망 및 네트워크 확충은 오래 걸리는 일이고, 미래 수요가 예측이 안 되는 만큼 지금 눈에는 필요 없을 만큼 선제 투자해야 하는 부분이기 때문이다.
기간망 개편은 고민 없이 그냥 가야 할 때가 있는 종류의 투자다. 한 번 깔고 나면 추가 투자하기가 어려운 종류의 시설중 대표적인 것이 전력망이다. 1990년대에 우리나라 전체에 광통신망 깔 때 ADSL로 충분하지 않냐는 여론이 있었다. 그 때 지은 광통신망이 결국 어떤 효과를 불러 일으켰는지 모두가 알고 있다. 이상하게 들릴 수 있지만, 계통별로 나뉜 현재의 모든 전력 그리드를 이어야 할 상황이며, 거점간 기간 전력망은 지금 용량의 최소 30배가 될 필요가 있지 않나 싶다. 엔비디아가 제시한 로드맵만 따라가도 GPU 전력 소모는 3년 후면 단위 부피당 13배가 된다.
## 맺으며
처음 전기랑 전화선 깔았고, 그다음에 초고속 인터넷과 무선통신망 깔았고, 이제 그런 레벨의 세 번째 변화라고 보면 어떤 변화가 생길지, 도대체 AI 예산 100조를 어떻게 만들어서 어디에 쓰일 것인지 납득하기 쉬울 것이다. ISC 2025에서 본 유럽의 모습은 이 거대한 변화의 한가운데서 각자의 방식으로 미래를 준비하는 모습이었다.
서둘러야 하는 상황인데, 세계의 상황이 녹록치 않다. 유럽에 있는 동안 이란과 이스라엘 충돌이 뉴스를 뒤덮었었다. 서니베일에서 이 글을 쓰는 동안 미국 뉴스도 전쟁 이야기로 뒤덮여 있다. AI의 응용이 워낙 광범위해서, 가면 갈수록 무기시장이랑 레토릭 호환이 잘 되고 있어서 걱정이다.
이정도로 6월 10일에서 13일까지 열린 ISC 2025의 감상을 정리해본다. 전시의 1/3은 양자컴퓨터였지만 위에선 생략했다. 내년이면 할 이야기가 많아지지 않을까 싶다.
NVIDIA
NVIDIA at ISC 2025 (ISC25)
Join NVIDIA at ISC 2025 (ISC25) to see how HPC, machine learning, digital twins, and high performance data analytics are driving our future.
👍3
미국은 원자력 에너지를 초당적 어젠다로 삼고 과감한 투자를 집행하고 훌륭한 기업가들과 기술자들이 뛰어들고 있다.
질문: 당신의 삶의 궤적을 향상시킨, 재정적이든 아니든, 당신이 투자한 사람은 누구인가요?
답변: 일론 머스크입니다. SpaceX에서 그를 위해 일했고, 이후 파운더스 펀드를 통해 SpaceX, 뉴럴링크, 보링 컴퍼니 등에 투자했습니다. 특히 스페이스X의 스타링크(Starlink) 위성 인터넷 서비스는 공상 과학 같던 기술을 현실로 만들어 제 삶에 직접적인 영향을 주었습니다.
질문: 재정적 지원을 받는 사람과 자본이 적지만 추진력이 강한 사람 중 누가 더 뛰어난 성과를 낼 것이라고 보나요?
답변: 자본이 적지만 추진력이 강한 사람이 이길 것이라고 생각합니다.
원자력 에너지의 중요성
질문: 왜 미국은 원자력 에너지를 더 진지하게 받아들이지 않았나요?
답변: 최근 몇 년 사이 진지하게 받아들이기 시작했습니다. 과거 수십 년 동안은 그렇지 못했습니다. 1950~60년대에는 원자력이 미래 에너지로 여겨졌으나, 이후 무기에 대한 공포와 스리마일 섬(Three-Mile Island) 같은 사고에 대한 두려움 때문에 수십 년간 정체되었습니다. 하지만 이제는 양당 모두 원자력이 탄소 배출이 없는 청정하고 신뢰할 수 있는 기저부하(baseload) 에너지원임을 인정하고 있습니다.
질문: 스리마일 섬 원전 사고는 정확히 무엇이었고, 그 영향은 어땠나요?
답변: 1979년 펜실베이니아에서 운영자의 실수로 인해 원자로의 부분적 용융(meltdown)이 발생한 사고입니다. 하지만 격납 용기 덕분에 방사능 누출로 인한 사망자는 단 한 명도 없었습니다. 이 사고가 미국의 원자력에 대한 공포를 수십 년간 지속시켰지만, 역설적으로 현재 마이크로소프트는 이 원자로 중 하나를 AI 데이터센터에 전력을 공급하기 위해 재가동할 계획입니다. 이는 원자력의 안전성을 보여주는 사례입니다.
질문: 에너지 생산과 국가 발전은 어떤 관계가 있나요?
답변: 에너지 생산은 GDP와 직접적으로 연결됩니다. 2010년 이후 미국의 전력 생산은 정체된 반면, 중국은 2배로 늘렸습니다. 높은 GDP를 가진 저에너지 국가는 존재하지 않습니다. AI, 제조업, 경제적 영향력에서 미국이 주도권을 가지려면 더 많은 에너지가 필수적입니다.
AI 시대와 차세대 원자로
질문: AI 붐이 에너지 수요에 미치는 영향은 무엇인가요?
답변: 2030년까지 AI가 필요로 하는 전력량은 현재 미국 전체 전력망과 맞먹을 것으로 예측됩니다. 이는 기하급수적인 성장이며, 지금 당장 원자로와 핵연료 생산을 확대해야 함을 의미합니다.
질문: 소형 원자로(mini-reactors)는 현재 사용되고 있나요?
답변: 아직 상업적으로 사용되지는 않습니다. 현재 많은 기업들이 설계 및 건설 단계에 있으며, 약 5년 후부터 전력망에 연결되기 시작할 것으로 예상됩니다. 이 소형 원자로들은 공장에서 대량 생산하여 비용을 낮추고 건설 기간을 단축하는 것을 목표로 합니다.
제너럴 매터와 미국의 우라늄 농축
질문: 제너럴 매터는 왜 우라늄 농축 사업을 시작했나요?
답변: 현재 미국은 자체적으로 핵연료를 생산할 상업적 농축 능력이 거의 없기 때문입니다. 필요한 농축 우라늄의 대부분을 러시아, 프랑스 등 해외 국영 기업에 의존하고 있습니다. 이는 국가 안보와 에너지 독립에 큰 위협이 되므로, 미국 내 농축 시설을 복원하는 것이 시급합니다.
질문: 핵연료는 어떻게 만들어지나요?
답변: 5단계로 이루어집니다.
채굴(Mining): 땅에서 우라늄을 캔다. (미국에 능력 있음)
변환(Conversion): 농축을 위해 우라늄을 가스 형태로 바꾼다. (미국에 일부 능력 있음)
농축(Enrichment): 동위원소에 따라 우라늄을 분리하는 정제 과정. (미국에 상업적 능력 거의 없음)
재변환(Deconversion): 농축된 우라늄을 다시 고체로 만든다.
연료 가공(Fabrication): 원자로에 맞는 형태로 펠릿이나 입자를 만든다. (미국에 능력 있음)
질문: 핵연료 펠릿 하나의 에너지 효율은 어느 정도인가요?
답변: 약 1인치(2.5cm) 높이의 농축 우라늄 펠릿 하나는 석탄 1톤 또는 석유 100배럴과 맞먹는 에너지를 가지고 있습니다. 이는 엄청난 에너지 밀도입니다.
질문: 차세대 원자로는 왜 더 높은 농축도의 연료를 필요로 하나요?
답변: 기존 원자로는 5% 농축 우라늄을 사용하지만, 차세대 소형 원자로는 10~20%로 더 높게 농축된 연료(HALEU)를 사용합니다. 이를 통해 원자로 크기를 줄여 공장에서 생산하고 운송할 수 있게 되어, 건설 비용과 기간을 획기적으로 줄일 수 있습니다.
원자력 폐기물 문제
질문: 원자력 폐기물은 심각한 문제인가요?
답변: 아닙니다. 흔히 '폐기물'이라고 부르는 것은 '사용후핵연료'이며, 녹색 점액이 아니라 고체 금속 덩어리입니다. 미국 역사상 발생한 모든 사용후핵연료를 모아도 올림픽 규격 수영장의 절반밖에 채우지 못합니다. 현재는 각 원전 부지 내의 견고한 콘크리트 용기에 안전하게 보관되고 있으며, 이는 원자력 반대론자들이 제기하는 과장된 문제입니다.
정부 지원 및 미래 전망
질문: 미국 정부는 원자력 확대를 위해 어떤 노력을 하고 있나요?
답변: 최근 몇 년간 초당적인 지원이 이루어지고 있습니다.
HALEU 가용성 프로그램: 차세대 원자로용 고농축 우라늄 생산을 촉진하기 위해 27억 달러 규모의 구매 계약 프로그램을 시작했습니다. 제너럴 매터도 이 프로그램에 선정되었습니다.
러시아산 우라늄 수입 금지: 에너지 자립을 강화하기 위한 조치입니다.
4개의 행정명령: 공급망 강화, 원자로 테스트 절차 간소화, 국방부의 자체 원자로 배치, 원자력규제위원회(NRC) 개혁 등을 통해 규제를 현대화하고 산업을 가속화하고 있습니다.
질문: 미래에 모든 것이 원자력으로 움직이게 될까요? (자동차, 비행기 등)
답변: 자동차나 비행기 같은 운송수단에 직접 원자로를 탑재하는 것은 비효율적이고 안전 문제도 있어 가능성이 낮습니다. 하지만 매우 저렴해진 원자력 전기를 사용해 합성 항공유나 자동차 연료를 생산하는 방식으로는 가능할 수 있습니다. 주된 변화는 전력망에서 원자력 비중이 크게 늘어나는 것입니다.
질문: 신형 원자로는 냉각수 문제를 어떻게 해결하나요?
답변: 최신 4세대 원자로는 물을 사용하지 않는 폐쇄 루프 냉각 방식을 사용합니다. 헬륨이나 이산화탄소 같은 기체를 냉각재로 사용하고 자동차 라디에이터처럼 팬으로 열을 식히기 때문에, 물이 부족한 서부 사막 지역에도 설치할 수 있습니다.
질문: 우주에서 원자력을 사용할 가능성이 있나요?
답변: 네, 가능성이 있습니다. 중국은 이미 우주에 원자력 발전소 배치를 추진 중이며, 미국에서도 스타트업들이 우주 태양광 발전을 연구하고 있습니다. SpaceX의 스타십(Starship)으로 발사 비용이 획기적으로 저렴해지면, 우주에서 에너지를 생산해 지구로 전송하는 것이 현실화될 수 있습니다.
SpaceX와 파운더스 펀드
질문: 30여 명의 직원만 있던 초기 SpaceX 시절은 어땠나요?
답변: 매우 재미있고 빠르게 진행되었습니다. 당시 목표는 '발사 비용 절감' 하나로 명확했습니다. 자동차 드래그 레이싱 커뮤니티 출신 엔지니어들이 많아 저비용 고성능 기계를 만드는 데 집중했으며, 이들의 노력 덕분에 미국은 전 세계 위성 발사 시장의 80~90%를 차지하는 압도적인 리더가 되었습니다.
질문: 파운더스 펀드는 어떤 투자 철학을 가지고 있나요?
답변: "창업자가 자신의 회사를 계속 운영하도록 힘을 실어주자"는 철학으로 2005년에 설립되었습니다. 당시 벤처캐피탈 업계가 창업자를 교체하려는 경향과 달리, 파운더스 펀드는 창업자의 비전과 리더십을 신뢰합니다. 또한, 다른 투자자들이 꺼리는 국방(Anduril), 우주(SpaceX), 생명공학(Neuralink) 등 어렵지만 중요한 문제를 해결하는 회사에 투자합니다.
질문: 뉴럴링크(Neuralink)에 대한 두려움은 없나요?
답변: 아니요, 두렵지 않습니다. 향후 10년간 뉴럴링크는 사지마비, 루게릭병, 시각 및 청각 장애 등을 치료하는 데 집중할 것입니다. 이는 수많은 사람들의 삶을 완전히 바꿔놓을 수 있는 긍정적인 기술입니다. 인간-AI 결합과 같은 논의는 아직 매우 먼 미래의 일이며, 자발적인 선택이 될 것입니다.
질문: 당신의 삶의 궤적을 향상시킨, 재정적이든 아니든, 당신이 투자한 사람은 누구인가요?
답변: 일론 머스크입니다. SpaceX에서 그를 위해 일했고, 이후 파운더스 펀드를 통해 SpaceX, 뉴럴링크, 보링 컴퍼니 등에 투자했습니다. 특히 스페이스X의 스타링크(Starlink) 위성 인터넷 서비스는 공상 과학 같던 기술을 현실로 만들어 제 삶에 직접적인 영향을 주었습니다.
질문: 재정적 지원을 받는 사람과 자본이 적지만 추진력이 강한 사람 중 누가 더 뛰어난 성과를 낼 것이라고 보나요?
답변: 자본이 적지만 추진력이 강한 사람이 이길 것이라고 생각합니다.
원자력 에너지의 중요성
질문: 왜 미국은 원자력 에너지를 더 진지하게 받아들이지 않았나요?
답변: 최근 몇 년 사이 진지하게 받아들이기 시작했습니다. 과거 수십 년 동안은 그렇지 못했습니다. 1950~60년대에는 원자력이 미래 에너지로 여겨졌으나, 이후 무기에 대한 공포와 스리마일 섬(Three-Mile Island) 같은 사고에 대한 두려움 때문에 수십 년간 정체되었습니다. 하지만 이제는 양당 모두 원자력이 탄소 배출이 없는 청정하고 신뢰할 수 있는 기저부하(baseload) 에너지원임을 인정하고 있습니다.
질문: 스리마일 섬 원전 사고는 정확히 무엇이었고, 그 영향은 어땠나요?
답변: 1979년 펜실베이니아에서 운영자의 실수로 인해 원자로의 부분적 용융(meltdown)이 발생한 사고입니다. 하지만 격납 용기 덕분에 방사능 누출로 인한 사망자는 단 한 명도 없었습니다. 이 사고가 미국의 원자력에 대한 공포를 수십 년간 지속시켰지만, 역설적으로 현재 마이크로소프트는 이 원자로 중 하나를 AI 데이터센터에 전력을 공급하기 위해 재가동할 계획입니다. 이는 원자력의 안전성을 보여주는 사례입니다.
질문: 에너지 생산과 국가 발전은 어떤 관계가 있나요?
답변: 에너지 생산은 GDP와 직접적으로 연결됩니다. 2010년 이후 미국의 전력 생산은 정체된 반면, 중국은 2배로 늘렸습니다. 높은 GDP를 가진 저에너지 국가는 존재하지 않습니다. AI, 제조업, 경제적 영향력에서 미국이 주도권을 가지려면 더 많은 에너지가 필수적입니다.
AI 시대와 차세대 원자로
질문: AI 붐이 에너지 수요에 미치는 영향은 무엇인가요?
답변: 2030년까지 AI가 필요로 하는 전력량은 현재 미국 전체 전력망과 맞먹을 것으로 예측됩니다. 이는 기하급수적인 성장이며, 지금 당장 원자로와 핵연료 생산을 확대해야 함을 의미합니다.
질문: 소형 원자로(mini-reactors)는 현재 사용되고 있나요?
답변: 아직 상업적으로 사용되지는 않습니다. 현재 많은 기업들이 설계 및 건설 단계에 있으며, 약 5년 후부터 전력망에 연결되기 시작할 것으로 예상됩니다. 이 소형 원자로들은 공장에서 대량 생산하여 비용을 낮추고 건설 기간을 단축하는 것을 목표로 합니다.
제너럴 매터와 미국의 우라늄 농축
질문: 제너럴 매터는 왜 우라늄 농축 사업을 시작했나요?
답변: 현재 미국은 자체적으로 핵연료를 생산할 상업적 농축 능력이 거의 없기 때문입니다. 필요한 농축 우라늄의 대부분을 러시아, 프랑스 등 해외 국영 기업에 의존하고 있습니다. 이는 국가 안보와 에너지 독립에 큰 위협이 되므로, 미국 내 농축 시설을 복원하는 것이 시급합니다.
질문: 핵연료는 어떻게 만들어지나요?
답변: 5단계로 이루어집니다.
채굴(Mining): 땅에서 우라늄을 캔다. (미국에 능력 있음)
변환(Conversion): 농축을 위해 우라늄을 가스 형태로 바꾼다. (미국에 일부 능력 있음)
농축(Enrichment): 동위원소에 따라 우라늄을 분리하는 정제 과정. (미국에 상업적 능력 거의 없음)
재변환(Deconversion): 농축된 우라늄을 다시 고체로 만든다.
연료 가공(Fabrication): 원자로에 맞는 형태로 펠릿이나 입자를 만든다. (미국에 능력 있음)
질문: 핵연료 펠릿 하나의 에너지 효율은 어느 정도인가요?
답변: 약 1인치(2.5cm) 높이의 농축 우라늄 펠릿 하나는 석탄 1톤 또는 석유 100배럴과 맞먹는 에너지를 가지고 있습니다. 이는 엄청난 에너지 밀도입니다.
질문: 차세대 원자로는 왜 더 높은 농축도의 연료를 필요로 하나요?
답변: 기존 원자로는 5% 농축 우라늄을 사용하지만, 차세대 소형 원자로는 10~20%로 더 높게 농축된 연료(HALEU)를 사용합니다. 이를 통해 원자로 크기를 줄여 공장에서 생산하고 운송할 수 있게 되어, 건설 비용과 기간을 획기적으로 줄일 수 있습니다.
원자력 폐기물 문제
질문: 원자력 폐기물은 심각한 문제인가요?
답변: 아닙니다. 흔히 '폐기물'이라고 부르는 것은 '사용후핵연료'이며, 녹색 점액이 아니라 고체 금속 덩어리입니다. 미국 역사상 발생한 모든 사용후핵연료를 모아도 올림픽 규격 수영장의 절반밖에 채우지 못합니다. 현재는 각 원전 부지 내의 견고한 콘크리트 용기에 안전하게 보관되고 있으며, 이는 원자력 반대론자들이 제기하는 과장된 문제입니다.
정부 지원 및 미래 전망
질문: 미국 정부는 원자력 확대를 위해 어떤 노력을 하고 있나요?
답변: 최근 몇 년간 초당적인 지원이 이루어지고 있습니다.
HALEU 가용성 프로그램: 차세대 원자로용 고농축 우라늄 생산을 촉진하기 위해 27억 달러 규모의 구매 계약 프로그램을 시작했습니다. 제너럴 매터도 이 프로그램에 선정되었습니다.
러시아산 우라늄 수입 금지: 에너지 자립을 강화하기 위한 조치입니다.
4개의 행정명령: 공급망 강화, 원자로 테스트 절차 간소화, 국방부의 자체 원자로 배치, 원자력규제위원회(NRC) 개혁 등을 통해 규제를 현대화하고 산업을 가속화하고 있습니다.
질문: 미래에 모든 것이 원자력으로 움직이게 될까요? (자동차, 비행기 등)
답변: 자동차나 비행기 같은 운송수단에 직접 원자로를 탑재하는 것은 비효율적이고 안전 문제도 있어 가능성이 낮습니다. 하지만 매우 저렴해진 원자력 전기를 사용해 합성 항공유나 자동차 연료를 생산하는 방식으로는 가능할 수 있습니다. 주된 변화는 전력망에서 원자력 비중이 크게 늘어나는 것입니다.
질문: 신형 원자로는 냉각수 문제를 어떻게 해결하나요?
답변: 최신 4세대 원자로는 물을 사용하지 않는 폐쇄 루프 냉각 방식을 사용합니다. 헬륨이나 이산화탄소 같은 기체를 냉각재로 사용하고 자동차 라디에이터처럼 팬으로 열을 식히기 때문에, 물이 부족한 서부 사막 지역에도 설치할 수 있습니다.
질문: 우주에서 원자력을 사용할 가능성이 있나요?
답변: 네, 가능성이 있습니다. 중국은 이미 우주에 원자력 발전소 배치를 추진 중이며, 미국에서도 스타트업들이 우주 태양광 발전을 연구하고 있습니다. SpaceX의 스타십(Starship)으로 발사 비용이 획기적으로 저렴해지면, 우주에서 에너지를 생산해 지구로 전송하는 것이 현실화될 수 있습니다.
SpaceX와 파운더스 펀드
질문: 30여 명의 직원만 있던 초기 SpaceX 시절은 어땠나요?
답변: 매우 재미있고 빠르게 진행되었습니다. 당시 목표는 '발사 비용 절감' 하나로 명확했습니다. 자동차 드래그 레이싱 커뮤니티 출신 엔지니어들이 많아 저비용 고성능 기계를 만드는 데 집중했으며, 이들의 노력 덕분에 미국은 전 세계 위성 발사 시장의 80~90%를 차지하는 압도적인 리더가 되었습니다.
질문: 파운더스 펀드는 어떤 투자 철학을 가지고 있나요?
답변: "창업자가 자신의 회사를 계속 운영하도록 힘을 실어주자"는 철학으로 2005년에 설립되었습니다. 당시 벤처캐피탈 업계가 창업자를 교체하려는 경향과 달리, 파운더스 펀드는 창업자의 비전과 리더십을 신뢰합니다. 또한, 다른 투자자들이 꺼리는 국방(Anduril), 우주(SpaceX), 생명공학(Neuralink) 등 어렵지만 중요한 문제를 해결하는 회사에 투자합니다.
질문: 뉴럴링크(Neuralink)에 대한 두려움은 없나요?
답변: 아니요, 두렵지 않습니다. 향후 10년간 뉴럴링크는 사지마비, 루게릭병, 시각 및 청각 장애 등을 치료하는 데 집중할 것입니다. 이는 수많은 사람들의 삶을 완전히 바꿔놓을 수 있는 긍정적인 기술입니다. 인간-AI 결합과 같은 논의는 아직 매우 먼 미래의 일이며, 자발적인 선택이 될 것입니다.
❤2