[(삼성/조현렬) SpaceX S-1 서류 내 태양광 코멘트]
보고서: bit.ly/4a34Bex
■ News, SpaceX S-1 문서 제출
지난 20일 SpaceX는 SEC에
IPO 위한 서류(S-1)를 제출.
이 서류엔 동사의 실적, 사업 전략,
향후 성장 계획 등이 포함되었으며,
이를 통해 우주 태양광 산업에 대한
힌트를 확인 가능.
■ Point (1), 100GW 이상 Capa 목표 재확인
동사는 2028년부터 AI 컴퓨팅 위성 배치하고,
장기적으로 연간 100GW의 궤도 컴퓨팅 용량(OCC)
설치 목표.
즉, 이를 위한 태양광 패널은
100GW 이상 필요하기에,
태양광 100GW Capa 목표를 재확인했다고 판단.
■ Point (2), 태양광 내재화/외부 조달 병행
더불어 우주 태양광 패널에 대한
중대한 공급망 제약을
예상하지 않는다고 언급하고,
자체 수직계열화를 포함한
글로벌 생산능력이
동사의 요구사항 충족하기에
충분하다고 언급.
즉, 태양광 패널 생산에 있어
내재화+외부 조달 투트랙을 시사.
■ Point (3), 탈중국 공급망 강조
동사는 위험 요소/정부 규제에 있어,
동사의 발사체, 위성, 궤도 AI 컴퓨팅 장비는
미국 국무부의 ITAR(국제무기거래규정),
미국 상무부의 EAR(수출관리규정),
미국 재무부의 OFAC(해외자산통제국) 제재의
엄격한 통제를 받는다고 언급.
특히 ITAR는 미국의 민감한 우주/국방 기술에
무기 금수 조치 국가(중국, 러시아 등)의
인력/기술/핵심 부품이 개입되는 것을 법적 차단.
즉, 우주 태양광 패널은 지상 대비
훨씬 더 강한 탈중국 공급망 요구받을 수 있음을 시사.
■ View, OCI홀딩스 수혜 가능성 재확인
금번 S-1 서류를 통해
SpaceX가 탈중국 태양광 공급망 구축에
노력하는 이유를 확인 가능.
바꿔 말하면, 향후 OCI홀딩스와 같은
비중국산 폴리실리콘의
미국 우주태양광 산업향
수요가 강할 수 있음을 시사.
OCI홀딩스의 수혜 가능성을 재확인했으며,
Capa는 3.5만 톤(우주 비중 0%)에서
6.5만 톤(우주 비중 77%)으로 성장하는 점은
12MF EBITDA와 Target Multiple 동반 상향을 시사.
신재생 내 Top-pick 의견 유지.
(컴플라이언스 기승인)
보고서: bit.ly/4a34Bex
■ News, SpaceX S-1 문서 제출
지난 20일 SpaceX는 SEC에
IPO 위한 서류(S-1)를 제출.
이 서류엔 동사의 실적, 사업 전략,
향후 성장 계획 등이 포함되었으며,
이를 통해 우주 태양광 산업에 대한
힌트를 확인 가능.
■ Point (1), 100GW 이상 Capa 목표 재확인
동사는 2028년부터 AI 컴퓨팅 위성 배치하고,
장기적으로 연간 100GW의 궤도 컴퓨팅 용량(OCC)
설치 목표.
즉, 이를 위한 태양광 패널은
100GW 이상 필요하기에,
태양광 100GW Capa 목표를 재확인했다고 판단.
■ Point (2), 태양광 내재화/외부 조달 병행
더불어 우주 태양광 패널에 대한
중대한 공급망 제약을
예상하지 않는다고 언급하고,
자체 수직계열화를 포함한
글로벌 생산능력이
동사의 요구사항 충족하기에
충분하다고 언급.
즉, 태양광 패널 생산에 있어
내재화+외부 조달 투트랙을 시사.
■ Point (3), 탈중국 공급망 강조
동사는 위험 요소/정부 규제에 있어,
동사의 발사체, 위성, 궤도 AI 컴퓨팅 장비는
미국 국무부의 ITAR(국제무기거래규정),
미국 상무부의 EAR(수출관리규정),
미국 재무부의 OFAC(해외자산통제국) 제재의
엄격한 통제를 받는다고 언급.
특히 ITAR는 미국의 민감한 우주/국방 기술에
무기 금수 조치 국가(중국, 러시아 등)의
인력/기술/핵심 부품이 개입되는 것을 법적 차단.
즉, 우주 태양광 패널은 지상 대비
훨씬 더 강한 탈중국 공급망 요구받을 수 있음을 시사.
■ View, OCI홀딩스 수혜 가능성 재확인
금번 S-1 서류를 통해
SpaceX가 탈중국 태양광 공급망 구축에
노력하는 이유를 확인 가능.
바꿔 말하면, 향후 OCI홀딩스와 같은
비중국산 폴리실리콘의
미국 우주태양광 산업향
수요가 강할 수 있음을 시사.
OCI홀딩스의 수혜 가능성을 재확인했으며,
Capa는 3.5만 톤(우주 비중 0%)에서
6.5만 톤(우주 비중 77%)으로 성장하는 점은
12MF EBITDA와 Target Multiple 동반 상향을 시사.
신재생 내 Top-pick 의견 유지.
(컴플라이언스 기승인)
Samsungpop
삼성증권
신뢰에 가치로 답하다
Forwarded from [메리츠 Tech 김선우, 양승수, 김동관]
[메리츠증권 전기전자/IT부품 양승수]
▶ Vera CPU 톺아보기
(Feat. SoCAMM2, LPDDR)
[메모리기판 및 SoCAMM 관련주 급등]
- 5월 21일 국내 메모리기판 및 SoCAMM 관련주 전반에서 강한 주가 상승 발생
- 엔비디아가 실적 발표에서 Vera CPU 독립 랙만으로도 올해 200억달러 규모의 매출 기회를 제시하고, 중장기적으로는 관련 시장 규모가 약 2,000억달러까지 확대될 수 있다고 전망한 영향
- 또한 엔비디아는 Vera CPU가 본격 생산 단계에 진입했으며, OpenAI, SpaceX, Anthropic 등 주요 AI 기업에 초기 시스템 공급을 시작했음을 재차 강조
[Vera CPU랙 등장의 최대 수혜는 SoCAMM과 LPDDR]
- 당사가 이전 리포트에서 지속적으로 강조해온 바와 같이, Vera CPU 랙 등장의 최대 수혜는 SoCAMM
- Vera CPU 랙은 256개의 Vera CPU로 구성되며, Vera CPU 1개당 8개의 SoCAMM2 메모리 모듈이 탑재
- 이에 따라 Vera CPU 랙에는 단일 랙 기준 총 2,048개의 SoCAMM2 메모리 모듈이 필요
- Pod 단위의 판매는 칩 단위애서의 기능 세분화와 기능별로 특화된 다양한 형태의 트레이 및 랙의 등장으로 연결되며, 이는 곧 PCB의 구조적인 수요 증가로 직결
- 이는 기존 NVL72 서버랙의 단일 랙당 SoCAMM2 탑재량 288개(Vera CPU 36개 사용) 대비 약 7.1배 많은 수준으로, Vera CPU 랙 확산은 SoCAMM 수요의 구조적 확대를 견인할 전망
- 기존 당사는 SoCAMM2 메모리 모듈 기판 가격을 ㎡당 3,000달러, ㎡당 기판 생산량을 480개, 환율 1,400원으로 가정해 2027년 SoCAMM2 메모리 모듈 기판 시장 규모를 약 3,410억원으로 예상 (올해 대비 2배 이상 확대되는 수준)
- 또한 LPDDR 수요도 급증할 전망. 이는 Pod당 SoCAMM2 사용량은 8,704개이며, SoCAMM2 용량을 192GB로 가정할 경우 하나의 SuperPod에는 약 1,632TB의 메모리가 필요하기 때문
- 당사는 2027년 Vera Rubin NVL72 서버랙 출하량을 91,000개로 전망하고 있으며, 이를 기반으로 Vera Rubin Pod이 약 5,700대 출하된다고 가정하면 SoCAMM2 기준 총 9,084PB의 메모리 수요가 발생
- 이는 8GB 스마트폰 약 11.9억대에 해당하는 메모리 수요로, 연간 스마트폰 출하량 약 13억대에 근접하는 규모
[단일랙 외부 판매로 생기는 업사이드]
- 다만 앞서 제시한 SoCAMM2/LPDDR 시장 전망은 엔비디아의 Vera CPU 독립 랙 외부 판매를 반영하지 않은 보수적인 가정
- 전일 엔비디아는 Vera CPU 독립랙만으로도 200억달러의 매출 기회를 제시했으며, 중장기적으로는 관련 시장 규모가 약 2,000억달러까지 확대될 수 있다고 전망
- Vera CPU의 대당 가격을 5,000달러로 가정하면 200억달러 매출은 약 400만개의 Vera CPU 판매를 의미
- Vera CPU 1개당 8개의 SoCAMM2가 탑재되는 구조를 감안하면 이는 약 3,200만개의 SoCAMM2 메모리 모듈 수요로 연결되며, 모듈당 용량을 192GB로 가정할 경우 추가 메모리 수요는 약 6,144PB 수준
- 앞서 제시한 기판 단가 및 생산성 가정을 적용할 경우, SoCAMM2 메모리모듈 기판 기준 약 2,800억원의 추가 시장 기회가 생김을 의미
- 결국 Vera CPU 독립 랙 판매는 기존 Vera Rubin Pod 기반 수요에 더해지는 별도 업사이드 요인이며, SoCAMM2와 LPDDR 수요 전망의 추가 상향 가능성을 높이는 핵심 변수로 판단
[투자 전략 점검]
- 결론적으로 국내 SoCAMM 및 LPDDR 패키징 관련 밸류체인에 대한 긍정적 시각을 유지
- 이번에 부각된 Vera CPU 단일 랙의 외부 판매 시장 확대는 SoCAMM 및 LPDDR 패키징의 중장기 TAM 확대를 가속화하는 요인으로, 관련 밸류체인의 수혜 강도가 시장 기대를 지속적으로 상회할 가능성이 높기 때문
- 이에 따라 SoCAMM·LPDDR 패키징 밸류체인 전반에 대한 바스켓 매수 관점의 대응도 유효하다고 판단
https://buly.kr/883HJkI (링크)
*동 자료는 Compliance 규정을 준수하여 사전 공표된 자료이며, 고객의 증권투자결과에 대한 법적 책임소재의 증빙자료로 사용될 수 없습니다.
▶ Vera CPU 톺아보기
(Feat. SoCAMM2, LPDDR)
[메모리기판 및 SoCAMM 관련주 급등]
- 5월 21일 국내 메모리기판 및 SoCAMM 관련주 전반에서 강한 주가 상승 발생
- 엔비디아가 실적 발표에서 Vera CPU 독립 랙만으로도 올해 200억달러 규모의 매출 기회를 제시하고, 중장기적으로는 관련 시장 규모가 약 2,000억달러까지 확대될 수 있다고 전망한 영향
- 또한 엔비디아는 Vera CPU가 본격 생산 단계에 진입했으며, OpenAI, SpaceX, Anthropic 등 주요 AI 기업에 초기 시스템 공급을 시작했음을 재차 강조
[Vera CPU랙 등장의 최대 수혜는 SoCAMM과 LPDDR]
- 당사가 이전 리포트에서 지속적으로 강조해온 바와 같이, Vera CPU 랙 등장의 최대 수혜는 SoCAMM
- Vera CPU 랙은 256개의 Vera CPU로 구성되며, Vera CPU 1개당 8개의 SoCAMM2 메모리 모듈이 탑재
- 이에 따라 Vera CPU 랙에는 단일 랙 기준 총 2,048개의 SoCAMM2 메모리 모듈이 필요
- Pod 단위의 판매는 칩 단위애서의 기능 세분화와 기능별로 특화된 다양한 형태의 트레이 및 랙의 등장으로 연결되며, 이는 곧 PCB의 구조적인 수요 증가로 직결
- 이는 기존 NVL72 서버랙의 단일 랙당 SoCAMM2 탑재량 288개(Vera CPU 36개 사용) 대비 약 7.1배 많은 수준으로, Vera CPU 랙 확산은 SoCAMM 수요의 구조적 확대를 견인할 전망
- 기존 당사는 SoCAMM2 메모리 모듈 기판 가격을 ㎡당 3,000달러, ㎡당 기판 생산량을 480개, 환율 1,400원으로 가정해 2027년 SoCAMM2 메모리 모듈 기판 시장 규모를 약 3,410억원으로 예상 (올해 대비 2배 이상 확대되는 수준)
- 또한 LPDDR 수요도 급증할 전망. 이는 Pod당 SoCAMM2 사용량은 8,704개이며, SoCAMM2 용량을 192GB로 가정할 경우 하나의 SuperPod에는 약 1,632TB의 메모리가 필요하기 때문
- 당사는 2027년 Vera Rubin NVL72 서버랙 출하량을 91,000개로 전망하고 있으며, 이를 기반으로 Vera Rubin Pod이 약 5,700대 출하된다고 가정하면 SoCAMM2 기준 총 9,084PB의 메모리 수요가 발생
- 이는 8GB 스마트폰 약 11.9억대에 해당하는 메모리 수요로, 연간 스마트폰 출하량 약 13억대에 근접하는 규모
[단일랙 외부 판매로 생기는 업사이드]
- 다만 앞서 제시한 SoCAMM2/LPDDR 시장 전망은 엔비디아의 Vera CPU 독립 랙 외부 판매를 반영하지 않은 보수적인 가정
- 전일 엔비디아는 Vera CPU 독립랙만으로도 200억달러의 매출 기회를 제시했으며, 중장기적으로는 관련 시장 규모가 약 2,000억달러까지 확대될 수 있다고 전망
- Vera CPU의 대당 가격을 5,000달러로 가정하면 200억달러 매출은 약 400만개의 Vera CPU 판매를 의미
- Vera CPU 1개당 8개의 SoCAMM2가 탑재되는 구조를 감안하면 이는 약 3,200만개의 SoCAMM2 메모리 모듈 수요로 연결되며, 모듈당 용량을 192GB로 가정할 경우 추가 메모리 수요는 약 6,144PB 수준
- 앞서 제시한 기판 단가 및 생산성 가정을 적용할 경우, SoCAMM2 메모리모듈 기판 기준 약 2,800억원의 추가 시장 기회가 생김을 의미
- 결국 Vera CPU 독립 랙 판매는 기존 Vera Rubin Pod 기반 수요에 더해지는 별도 업사이드 요인이며, SoCAMM2와 LPDDR 수요 전망의 추가 상향 가능성을 높이는 핵심 변수로 판단
[투자 전략 점검]
- 결론적으로 국내 SoCAMM 및 LPDDR 패키징 관련 밸류체인에 대한 긍정적 시각을 유지
- 이번에 부각된 Vera CPU 단일 랙의 외부 판매 시장 확대는 SoCAMM 및 LPDDR 패키징의 중장기 TAM 확대를 가속화하는 요인으로, 관련 밸류체인의 수혜 강도가 시장 기대를 지속적으로 상회할 가능성이 높기 때문
- 이에 따라 SoCAMM·LPDDR 패키징 밸류체인 전반에 대한 바스켓 매수 관점의 대응도 유효하다고 판단
https://buly.kr/883HJkI (링크)
*동 자료는 Compliance 규정을 준수하여 사전 공표된 자료이며, 고객의 증권투자결과에 대한 법적 책임소재의 증빙자료로 사용될 수 없습니다.
#AI #온톨로지
안드레 카파시 인터뷰 at Sequoia Capital (26.04.30)
- 오픈AI 창립 멤버-테슬라 오토파일럿 리드였던 카파시의 이번 인터뷰는 정말 중요하다고 생각
- 25년 12월, AI 코딩에 특이점이 왔음. 모델이 출력한 코드 블록들이 별도의 인간 개입 없이 단 한 번에 완벽하게 빌드되고 작동하기 시작함 (= 바이브 코딩)
- 리서치 -> 계획 -> 코드 -> 테스트 -> 디버깅모든 프로세스 끝까지 AI 혼자 가능해짐
- 이런 성능 향상이 선형적이 아니라 계단식으로 향상 중
- 소프트웨어 개발이 '명시적 코딩'에서 LLM 기반의 목적지향적 프롬프팅으로 이동함
사례 1) 과거 1.0 방식에서는 수많은 다른 플랫폼 환경에 대응하기 위해 스크립트가 복잡하게 비대해짐. 반면 3.0방식에서는 정교한 가이드라인 텍스트 자체를 복사하여 에이전트에게 통째로 주입
-> 에이전트는 자체 지능을 바탕으로 사용자의 로컬 환경을 실시간으로 진단하고, 알아서 지능적 조치를 취하며 루프 내에서 스스로 디버깅을 완료함
사례 2) 카파시의 MenuGen이라는 사이드 프로젝트의 붕괴
- 이미지 생성기로 식당 메뉴의 음식 사진을 만들어서 보여주는 앱을 만들었음
- 앱을 만들기 위해 메뉴 사진 촬영 -> OCR 항목 추출 -> 이미지 생성기 -> 백엔드 API -> Vercel 배포의 과정이 필요함
- But 이제 이런 앱은 단 한줄의 프롬프트로 앱을 대체 가능함
"나노 바나나로 메뉴 위에서 음식 사진 오버레이해줘"
- 즉, 코드가 빨라진게 아니라 일반적 정보처리 자체가 자동화된 것. 코드가 사라진 자리에 신경망이 직접 들어감
- 따라서 앞으로 앱을 만들기 전에 프롬프트 한 줄로 대체되는지를 고민해봐야함
- 결국엔 코드가 거의 사라지고 인공신경망이 모든 일을 하게 될 것임
- 1950-60년대에는 컴퓨터가 계산기형이 될지 신경망형이 될지 분명하지 않았지만 결국 CPU기반의 계산기 경로를 감
- 고전적 하드웨어 컴퓨팅을 구축했고 신경망을 그 안에서 가상화하는 방식이었지만, 이제 주객전도될 예정
- 따라서 앞으로는 신경망이 호스트 프로세서가 되고 CPU는 Co-프로세서로 떨어질 것. 즉, 신경망이 메인이고, 결정론적 계산이 필요할 때만 CPU를 부르는 그림
- 당장 이렇게 되진 않겠지만 방향은 정해졌고, 이쪽으로 단계적으로 가게 될 것
** 안드레 카파시가 말하는 궁극적인 인공신경망은 세상의 법칙을 이해하는 LLM 기반의 '월드 모델'
- 인간 혹은 시스템이 아웃풋의 정답 여부를 '쉽게 검증할 수 있는' 도메인을 가장 먼저, 극적으로 자동화함
- 프론티어 AI랩들이 최고 성능의 모델을 훈련할 때 핵심은 거대한 강화학습(RL) 환경임
** 강화학습(RL) = AI 행동에 따라 맞으면 +, 틀리면 -로 점수를 주고, 점수를 최대화하는 방향으로 학습하는 방식
- 아웃풋에 대해 명확한 검증 보상을 줄 수 있는 환경이 갖춰지면 RL 루프가 무한히 돌면서 모델의 역량을 비약적으로 파괴력 있게 끌어올림
- 이 때문에 수학, 코딩 등 정답의 검증이 명확한 도메인에서는 성능이 우뚝 솟구치는 반면, 주관적이고 검증이 모호한 영역에서는 성장이 정체되는 들쭉날쭉한 역량 형태를 보여줌
- 모델이 이토록 들쭉날쭉하다는 사실은 우리가 AI를 무조건 신뢰해서는 안 되며, 반드시 인간이 개입하여 통제 가능해야한다는 걸 시사함
- 이러한 들쭉날쭉함은 기술적 한계뿐만 아니라, AI 랩들이 상업적 가치가 높은 특정 검증 가능 도메인(코딩 등)에 데이터 분포를 의도적으로 집중시켰기 때문이기도 함. 충분히 검증 가능함에도 경제적 실익이 낮아 데이터 믹스에서 소외된 도메인들이 많음
- GPT-3.5에서 GPT-4로 넘어갈 때 모델의 체스 능력이 기하급수적으로 상승하여 대중은 모델 자체의 인지 추론 능력이 비약적으로 진화한 줄 알았으나, 실제로는 OpenAI 내부의 누군가가 사전 학습(Pre-training) 데이터셋에 엄청난 양의 체스 기보 데이터를 의도적으로 투입했기 때문임
안드레 카파시 인터뷰 at Sequoia Capital (26.04.30)
- 오픈AI 창립 멤버-테슬라 오토파일럿 리드였던 카파시의 이번 인터뷰는 정말 중요하다고 생각
Q1. 최근 개발자로서 그 어느 때보다 뒤처진 느낌을 받는다고 하셨는데, 그 이유와 이것이 신나는 감정인지 아니면 불안한 감정인지?
- 25년 12월, AI 코딩에 특이점이 왔음. 모델이 출력한 코드 블록들이 별도의 인간 개입 없이 단 한 번에 완벽하게 빌드되고 작동하기 시작함 (= 바이브 코딩)
- 리서치 -> 계획 -> 코드 -> 테스트 -> 디버깅모든 프로세스 끝까지 AI 혼자 가능해짐
- 이런 성능 향상이 선형적이 아니라 계단식으로 향상 중
Q2. LLM을 단순한 소프트웨어의 연장선이 아니라 '새로운 컴퓨터'라는 컴퓨팅 패러다임으로 보시는데, Software 1.0, 2.0, 3.0의 차이점과 이를 믿는 팀은 무엇을 다르게 구축해야하는지?
- 소프트웨어 개발이 '명시적 코딩'에서 LLM 기반의 목적지향적 프롬프팅으로 이동함
소프트웨어 1.0 = 인간이 직접 코드를 짜는 방식
소프트웨어 2.0 = 인간이 데이터셋을 구성하고 신경망을 학습시켜 소프트웨어를 만드는 방식
소프트웨어 3.0 = 인터넷 전체의 방대한 데이터로 LLM을 충분히 큰 스케일로 학습시키면, 모델이 데이터 내의 수많은 태스크를 암묵적으로 멀티태스킹하며 스스로 '프로그래밍 가능한 하나의 가상 컴퓨터'로 진화하는 시대
-> LLM에 프롬프트 작성으로 프로그래밍이 가능
사례 1) 과거 1.0 방식에서는 수많은 다른 플랫폼 환경에 대응하기 위해 스크립트가 복잡하게 비대해짐. 반면 3.0방식에서는 정교한 가이드라인 텍스트 자체를 복사하여 에이전트에게 통째로 주입
-> 에이전트는 자체 지능을 바탕으로 사용자의 로컬 환경을 실시간으로 진단하고, 알아서 지능적 조치를 취하며 루프 내에서 스스로 디버깅을 완료함
사례 2) 카파시의 MenuGen이라는 사이드 프로젝트의 붕괴
- 이미지 생성기로 식당 메뉴의 음식 사진을 만들어서 보여주는 앱을 만들었음
- 앱을 만들기 위해 메뉴 사진 촬영 -> OCR 항목 추출 -> 이미지 생성기 -> 백엔드 API -> Vercel 배포의 과정이 필요함
- But 이제 이런 앱은 단 한줄의 프롬프트로 앱을 대체 가능함
"나노 바나나로 메뉴 위에서 음식 사진 오버레이해줘"
- 즉, 코드가 빨라진게 아니라 일반적 정보처리 자체가 자동화된 것. 코드가 사라진 자리에 신경망이 직접 들어감
- 따라서 앞으로 앱을 만들기 전에 프롬프트 한 줄로 대체되는지를 고민해봐야함
Q3. 아직 안만들어졌지만 2026년까지 곧 당연해지는 것은?
- 결국엔 코드가 거의 사라지고 인공신경망이 모든 일을 하게 될 것임
- 1950-60년대에는 컴퓨터가 계산기형이 될지 신경망형이 될지 분명하지 않았지만 결국 CPU기반의 계산기 경로를 감
- 고전적 하드웨어 컴퓨팅을 구축했고 신경망을 그 안에서 가상화하는 방식이었지만, 이제 주객전도될 예정
- 따라서 앞으로는 신경망이 호스트 프로세서가 되고 CPU는 Co-프로세서로 떨어질 것. 즉, 신경망이 메인이고, 결정론적 계산이 필요할 때만 CPU를 부르는 그림
- 당장 이렇게 되진 않겠지만 방향은 정해졌고, 이쪽으로 단계적으로 가게 될 것
** 안드레 카파시가 말하는 궁극적인 인공신경망은 세상의 법칙을 이해하는 LLM 기반의 '월드 모델'
Q4. 어떤 도메인이 위태로울지?
- 인간 혹은 시스템이 아웃풋의 정답 여부를 '쉽게 검증할 수 있는' 도메인을 가장 먼저, 극적으로 자동화함
- 프론티어 AI랩들이 최고 성능의 모델을 훈련할 때 핵심은 거대한 강화학습(RL) 환경임
** 강화학습(RL) = AI 행동에 따라 맞으면 +, 틀리면 -로 점수를 주고, 점수를 최대화하는 방향으로 학습하는 방식
- 아웃풋에 대해 명확한 검증 보상을 줄 수 있는 환경이 갖춰지면 RL 루프가 무한히 돌면서 모델의 역량을 비약적으로 파괴력 있게 끌어올림
- 이 때문에 수학, 코딩 등 정답의 검증이 명확한 도메인에서는 성능이 우뚝 솟구치는 반면, 주관적이고 검증이 모호한 영역에서는 성장이 정체되는 들쭉날쭉한 역량 형태를 보여줌
- 모델이 이토록 들쭉날쭉하다는 사실은 우리가 AI를 무조건 신뢰해서는 안 되며, 반드시 인간이 개입하여 통제 가능해야한다는 걸 시사함
- 이러한 들쭉날쭉함은 기술적 한계뿐만 아니라, AI 랩들이 상업적 가치가 높은 특정 검증 가능 도메인(코딩 등)에 데이터 분포를 의도적으로 집중시켰기 때문이기도 함. 충분히 검증 가능함에도 경제적 실익이 낮아 데이터 믹스에서 소외된 도메인들이 많음
- GPT-3.5에서 GPT-4로 넘어갈 때 모델의 체스 능력이 기하급수적으로 상승하여 대중은 모델 자체의 인지 추론 능력이 비약적으로 진화한 줄 알았으나, 실제로는 OpenAI 내부의 누군가가 사전 학습(Pre-training) 데이터셋에 엄청난 양의 체스 기보 데이터를 의도적으로 투입했기 때문임
#AI #온톨로지
- 기존 모델이 기본적으로 해결하지 못하는 비분포 영역의 비즈니스라면, 기업이 직접 독자적인 파인튜닝 데이터셋과 자체 강화학습(RL) 환경을 구축해야만 생존할 수 있음
- 창업가가 특정 산업 도메인에서 차별화되고 방대하며 다각화된 강화학습(RL) 환경이나 평가 데이터셋을 직접 구축해 낼 수만 있다면, 기성 오픈소스나 상용 파인튜닝 프레임워크의 레버를 당겨 AI 랩들을 능가하는 압도적인 수직 특화 모델을 완성할 수 있음. 이는 현시점 확실하게 작동하는 기술적 방정식
- 이를 선점하는 스타트업이 거대한 기회를 잡을 것임
- 장기적으로 볼 때 이 세상에 완벽히 자동화 불가능한 고유 영역이란 존재하지 않으며 거의 모든 도메인은 어떻게든 검증 가능하게 빚어낼 수 있다고 확신함
- 문학적 글쓰기나 예술적 취향처럼 주관적인 영역조차도 여러 대의 상이한 LLM 심사위원단을 정교하게 구성해 상호 검증 프로토콜을 돌리면 충분히 합리적이고 일관된 검증 보상 시스템을 도출할 수 있음
- 따라서 핵심 쟁점은 자동화가 원천적으로 가능하냐 불가능하냐가 아님. 단지 특정 영역이 상대적으로 '구현하기 쉬운가 아니면 까다로운가(Easy vs Hard)'의 차이일 뿐이며, 시간의 문제일 뿐 결국 모든 도메인은 인공지능의 자동화 체계 안으로 편입될 것임
- 바이브 코딩은 모두를 위해 저점을 높이는 것
- 에이전틱 엔지니어링은 기존 상업용 프로페셔널한 품질 기준을 유지하면서 고점을 높이는 것. 바이브 코딩의 한계인 보안 취약점, 엉망인 코드 구조를 방치하면 안됨
- 과거에는 10배 뛰어난 '10x 엔지니어'를 논했으나, 에이전틱 엔지니어링 방법론을 완벽히 내재화한 현대의 마스터 엔지니어는 AI 에이전트 군단을 지휘하여 10배를 아득히 초과하는 100배의 퍼포먼스를 낼 수 있음
- 평범한 개발자는 AI를 단순 보조 도구로 여기지만, AI 네이티브 개발자는 Claude Code나 Codex 같은 최신 에이전트 도구의 숨겨진 모든 기능과 API 명세를 뼛속까지 이해하고 활용함
- 현재 단계의 AI 에이전트들은 아무리 뛰어나도 본질적으로 숙련도가 떨어지는 인턴 레벨의 엔티티들임
- 따라서 인간은 미적 감각, 최종적 판단력, 엔지니어링적 취향, 그리고 고차원적인 감독 능력을 계속 키워나가야하며, 해당 능력의 가치가 치솟을 것
- 따라서 인간은 자질구레한 코딩 라인을 치는 노동을 멈추고, 에이전트가 절대로 혼자서 똑바로 설계하지 못하는 명확하고 세부적인 제품 사양서(Specification), 구조적 마스터플랜(Plan), 그리고 엄격한 기술 문서(Docs)를 에이전트와 소통하며 촘촘하게 정의하는 '총괄 기획 및 아키텍처 설계'를 맡아야 함
- 인간은 자잘한 API 명칭은 까먹을지언정, 그 밑바단에서 텐서(Tensor)가 물리적으로 어떻게 작동하는지, 메모리 상의 뷰를 수정하는 것과 실제 스토리지 공간을 물리적으로 복사하는 것의 컴퓨터 아키텍처적 효율성 차이가 무엇인지 같은 '공학적 메커니즘과 본질'을 완벽하게 꿰뚫고 있어야 함
- 인류가 구축한 지구상의 모든 디지털 인프라, 소프트웨어, 네트워크 프로토콜은 에이전트가 읽고 직접 행동할 수 있도록 완전히 밑바닥부터 새로 재작성되어야 함
- 현재의 모든 시스템은 철저히 시각과 청각과 손가락을 가진 '인간 사용자의 편리함'만을 타겟으로 설계된 구시대의 유산임
- 내 에이전트가 0.001초 만에 파싱해서 인프라를 자동 제어할 수 있도록 기계 독해가 완벽히 최적화된(Legible to LLMs) 명세 파일과 API 가이드라인을 제공하는 게 기본 상식이 되어야 한다가 나의 핵심 주장임
- 한 단계 더 나아가 가까운 미래에는 나의 에이전트가 당신의 에이전트와 직접 프로토콜로 다이렉트 통신하여 밀리초 단위로 미팅 조율 및 비즈니스 조율을 끝마치고 인간에게 최종 승인 보고만 올리는 세상이 일상화될 것이며 이 변화의 초입에 서 있음
- Thinking은 아웃소싱할 수 있다. 그러나 Understanding은 아웃소싱할 수 없다.
- 외부 정보와 지식의 본질은 결국 인간인 '나의 뇌 속'으로 들어와서 완전히 소화되어야만 함
- 왜냐하면 "우리가 궁극적으로 도대체 무엇을 만들어야 하는가?", "이 비즈니스를 왜 수행해야 하는가?", "지능 에이전트 군단을 어느 가치 있는 방향으로 드라이브해야 하는가?"를 판단하는 최종 디렉팅의 보틀넥은 여전히 온전히 인간의 뇌에 머물러 있기 때문임
- 기성 LLM과 에이전트 시스템은 정보를 조합하고 쏟아내는 '사고 연산'은 기막히게 잘할지언정, 맥락의 본질을 인간처럼 깊이 있게 '이해'하는 영역에서는 결코 도달하지 못했기 때문임. 이해의 영역은 오직 인간만의 신성한 독점 영역임
- 내가 LLM을 활용해 나만의 맞춤형 개인 지식 위키를 자율 구축하는 프로젝트에 이토록 열광하는 본질적인 이유도 여기에 있음
- 방대한 트렌드 아티클과 원본 고정 데이터들을 에이전트에게 주입하면 기계가 나를 위해 지식을 다각도로 합성하고 정렬해 나만의 위키 사전을 지속해서 확장해 나감. 나는 그 구조화된 지식 베이스에 끊임없이 날카로운 고차원적 질문을 던지며 다각도로 인사이트를 추출해 냄.
- 즉, 저렴해진 인공지능의 계산력을 레버리지 삼아, 나의 '인간적 이해력의 지평'을 지구상 그 누구보다 빠르고 거대하게 폭발시키는 도구로 활용하는 것임.
- 지능이 흔해지는 시대일수록, 역설적으로 기계를 부려 자신의 고차원적 이해력을 극한으로 증폭해 내는 학습 능력과 본질적 메커니즘을 꿰뚫는 공학적 이해가 인간이 추구해야 할 가장 위대하고 가치 있는 생존 전략으로 남을 것임
https://www.youtube.com/watch?v=96jN2OCOfLs&t=349s
Q5. 창업가에게는 어디에 기회가 있는지?
- 기존 모델이 기본적으로 해결하지 못하는 비분포 영역의 비즈니스라면, 기업이 직접 독자적인 파인튜닝 데이터셋과 자체 강화학습(RL) 환경을 구축해야만 생존할 수 있음
- 창업가가 특정 산업 도메인에서 차별화되고 방대하며 다각화된 강화학습(RL) 환경이나 평가 데이터셋을 직접 구축해 낼 수만 있다면, 기성 오픈소스나 상용 파인튜닝 프레임워크의 레버를 당겨 AI 랩들을 능가하는 압도적인 수직 특화 모델을 완성할 수 있음. 이는 현시점 확실하게 작동하는 기술적 방정식
- 이를 선점하는 스타트업이 거대한 기회를 잡을 것임
Q6. 자동화가 쉬워 보이지만 실제로는 어려운 영역은?
- 장기적으로 볼 때 이 세상에 완벽히 자동화 불가능한 고유 영역이란 존재하지 않으며 거의 모든 도메인은 어떻게든 검증 가능하게 빚어낼 수 있다고 확신함
- 문학적 글쓰기나 예술적 취향처럼 주관적인 영역조차도 여러 대의 상이한 LLM 심사위원단을 정교하게 구성해 상호 검증 프로토콜을 돌리면 충분히 합리적이고 일관된 검증 보상 시스템을 도출할 수 있음
- 따라서 핵심 쟁점은 자동화가 원천적으로 가능하냐 불가능하냐가 아님. 단지 특정 영역이 상대적으로 '구현하기 쉬운가 아니면 까다로운가(Easy vs Hard)'의 차이일 뿐이며, 시간의 문제일 뿐 결국 모든 도메인은 인공지능의 자동화 체계 안으로 편입될 것임
Q7. 바이브 코딩 vs 에이전틱 엔지니어링 차이?
- 바이브 코딩은 모두를 위해 저점을 높이는 것
- 에이전틱 엔지니어링은 기존 상업용 프로페셔널한 품질 기준을 유지하면서 고점을 높이는 것. 바이브 코딩의 한계인 보안 취약점, 엉망인 코드 구조를 방치하면 안됨
- 과거에는 10배 뛰어난 '10x 엔지니어'를 논했으나, 에이전틱 엔지니어링 방법론을 완벽히 내재화한 현대의 마스터 엔지니어는 AI 에이전트 군단을 지휘하여 10배를 아득히 초과하는 100배의 퍼포먼스를 낼 수 있음
Q8. 평범한 개발자와 완전히 'AI 네이티브'한 개발자의 차이는?
- 평범한 개발자는 AI를 단순 보조 도구로 여기지만, AI 네이티브 개발자는 Claude Code나 Codex 같은 최신 에이전트 도구의 숨겨진 모든 기능과 API 명세를 뼛속까지 이해하고 활용함
Q9. 에이전트 시대, 더 가치있어지는 인간의 기술은?
- 현재 단계의 AI 에이전트들은 아무리 뛰어나도 본질적으로 숙련도가 떨어지는 인턴 레벨의 엔티티들임
- 따라서 인간은 미적 감각, 최종적 판단력, 엔지니어링적 취향, 그리고 고차원적인 감독 능력을 계속 키워나가야하며, 해당 능력의 가치가 치솟을 것
- 따라서 인간은 자질구레한 코딩 라인을 치는 노동을 멈추고, 에이전트가 절대로 혼자서 똑바로 설계하지 못하는 명확하고 세부적인 제품 사양서(Specification), 구조적 마스터플랜(Plan), 그리고 엄격한 기술 문서(Docs)를 에이전트와 소통하며 촘촘하게 정의하는 '총괄 기획 및 아키텍처 설계'를 맡아야 함
- 인간은 자잘한 API 명칭은 까먹을지언정, 그 밑바단에서 텐서(Tensor)가 물리적으로 어떻게 작동하는지, 메모리 상의 뷰를 수정하는 것과 실제 스토리지 공간을 물리적으로 복사하는 것의 컴퓨터 아키텍처적 효율성 차이가 무엇인지 같은 '공학적 메커니즘과 본질'을 완벽하게 꿰뚫고 있어야 함
Q10. 인류가 직면할 에이전트 중심의 미래는?
- 인류가 구축한 지구상의 모든 디지털 인프라, 소프트웨어, 네트워크 프로토콜은 에이전트가 읽고 직접 행동할 수 있도록 완전히 밑바닥부터 새로 재작성되어야 함
- 현재의 모든 시스템은 철저히 시각과 청각과 손가락을 가진 '인간 사용자의 편리함'만을 타겟으로 설계된 구시대의 유산임
- 내 에이전트가 0.001초 만에 파싱해서 인프라를 자동 제어할 수 있도록 기계 독해가 완벽히 최적화된(Legible to LLMs) 명세 파일과 API 가이드라인을 제공하는 게 기본 상식이 되어야 한다가 나의 핵심 주장임
- 한 단계 더 나아가 가까운 미래에는 나의 에이전트가 당신의 에이전트와 직접 프로토콜로 다이렉트 통신하여 밀리초 단위로 미팅 조율 및 비즈니스 조율을 끝마치고 인간에게 최종 승인 보고만 올리는 세상이 일상화될 것이며 이 변화의 초입에 서 있음
Q11. 지능의 비용이 극도록 저렴해지는 시대에 인간이 여전히 깊게 학습할 가치가 있는 영역은?
- Thinking은 아웃소싱할 수 있다. 그러나 Understanding은 아웃소싱할 수 없다.
- 외부 정보와 지식의 본질은 결국 인간인 '나의 뇌 속'으로 들어와서 완전히 소화되어야만 함
- 왜냐하면 "우리가 궁극적으로 도대체 무엇을 만들어야 하는가?", "이 비즈니스를 왜 수행해야 하는가?", "지능 에이전트 군단을 어느 가치 있는 방향으로 드라이브해야 하는가?"를 판단하는 최종 디렉팅의 보틀넥은 여전히 온전히 인간의 뇌에 머물러 있기 때문임
- 기성 LLM과 에이전트 시스템은 정보를 조합하고 쏟아내는 '사고 연산'은 기막히게 잘할지언정, 맥락의 본질을 인간처럼 깊이 있게 '이해'하는 영역에서는 결코 도달하지 못했기 때문임. 이해의 영역은 오직 인간만의 신성한 독점 영역임
- 내가 LLM을 활용해 나만의 맞춤형 개인 지식 위키를 자율 구축하는 프로젝트에 이토록 열광하는 본질적인 이유도 여기에 있음
- 방대한 트렌드 아티클과 원본 고정 데이터들을 에이전트에게 주입하면 기계가 나를 위해 지식을 다각도로 합성하고 정렬해 나만의 위키 사전을 지속해서 확장해 나감. 나는 그 구조화된 지식 베이스에 끊임없이 날카로운 고차원적 질문을 던지며 다각도로 인사이트를 추출해 냄.
- 즉, 저렴해진 인공지능의 계산력을 레버리지 삼아, 나의 '인간적 이해력의 지평'을 지구상 그 누구보다 빠르고 거대하게 폭발시키는 도구로 활용하는 것임.
- 지능이 흔해지는 시대일수록, 역설적으로 기계를 부려 자신의 고차원적 이해력을 극한으로 증폭해 내는 학습 능력과 본질적 메커니즘을 꿰뚫는 공학적 이해가 인간이 추구해야 할 가장 위대하고 가치 있는 생존 전략으로 남을 것임
https://www.youtube.com/watch?v=96jN2OCOfLs&t=349s
YouTube
Andrej Karpathy: From Vibe Coding to Agentic Engineering
Andrej Karpathy (co-founder of OpenAI, former head of AI at Tesla, and now founder of Eureka Labs) talks with Sequoia partner Stephanie Zhan at AI Ascent 2026 about what's changed in the year since he coined "vibe coding." He explains why he's never felt…
❤3
기억보단 기록을
- 방대한 트렌드 아티클과 원본 고정 데이터들을 에이전트에게 주입하면 기계가 나를 위해 지식을 다각도로 합성하고 정렬해 나만의 위키 사전을 지속해서 확장해 나감. 나는 그 구조화된 지식 베이스에 끊임없이 날카로운 고차원적 질문을 던지며 다각도로 인사이트를 추출해 냄.
Thinking은 아웃소싱할 수 있다. 그러나 Understanding은 아웃소싱할 수 없다.
개인적으로 이번 안드레 카파시 인터뷰에서 얻는 인사이트가 굉장히 많음
올해 내가 구축하는 개인 온톨로지 프로젝트도 카파시와 같은 맥락에서 출발함. 단순히 지식을 쌓는 LLM 위키로 끝나는게 아닌 시간이 흐를수록 내 누적된 데이터도 유기적으로 연결되고 진화하는 동적 온톨로지 구축을 지향함
시간이 흐르면서 지식의 복리가 쌓일수록 LLM에게 할루시네이션을 최소화한 뇌를 장착하기 위해 만드는 중. 아마 카파시도 명칭은 LLM 위키지만 이런 느낌이지 않을까 싶음
앞으로 에이전트가 인간의 여러 역할을 대체할수록 나만의 온톨로지 유무가 퍼포먼스를 크게 좌우할거라 생각함
🔥2
기억보단 기록을
#AI #온톨로지 Q5. 창업가에게는 어디에 기회가 있는지? - 기존 모델이 기본적으로 해결하지 못하는 비분포 영역의 비즈니스라면, 기업이 직접 독자적인 파인튜닝 데이터셋과 자체 강화학습(RL) 환경을 구축해야만 생존할 수 있음 - 창업가가 특정 산업 도메인에서 차별화되고 방대하며 다각화된 강화학습(RL) 환경이나 평가 데이터셋을 직접 구축해 낼 수만 있다면, 기성 오픈소스나 상용 파인튜닝 프레임워크의 레버를 당겨 AI 랩들을 능가하는 압도적인 수직 특화…
안드레 카파시:
저도 여전히 시스템의 일부이고, 정보가 어떻게든 제 머릿속에 들어와야 하거든요. 근데 우리가 뭘 만들려는지, 왜 할 만한 가치가 있는지, 에이전트들을 어떻게 방향 잡아줘야 하는지, 그걸 파악하는 것조차 제가 보틀넥이 되어가고 있다는 느낌이 들어요.
휴먼이 보틀넥이다..
Forwarded from 카이에 de market
* Ben Bajarin
(테크 기술/시장 분석경력 25년)
2026년을 훨씬 넘어가는 메모리 부족이 모두에게 닥칠 것입니다..
다시 말하지만, 추론/에이전트 AI에 필요한 메모리(그리고 저장 공간)가 얼마나 되는지 지켜보세요.
https://x.com/i/status/2057892608412950956
(테크 기술/시장 분석경력 25년)
2026년을 훨씬 넘어가는 메모리 부족이 모두에게 닥칠 것입니다..
다시 말하지만, 추론/에이전트 AI에 필요한 메모리(그리고 저장 공간)가 얼마나 되는지 지켜보세요.
https://x.com/i/status/2057892608412950956
X (formerly Twitter)
Ben Bajarin (@BenBajarin) on X
Memory shortage lasting WELL past 2026 everyone..
Again, just wait until you see how much memory (and storage) is required for inference/agentic AI.
Again, just wait until you see how much memory (and storage) is required for inference/agentic AI.
기억보단 기록을
#AI #온톨로지 Q5. 창업가에게는 어디에 기회가 있는지? - 기존 모델이 기본적으로 해결하지 못하는 비분포 영역의 비즈니스라면, 기업이 직접 독자적인 파인튜닝 데이터셋과 자체 강화학습(RL) 환경을 구축해야만 생존할 수 있음 - 창업가가 특정 산업 도메인에서 차별화되고 방대하며 다각화된 강화학습(RL) 환경이나 평가 데이터셋을 직접 구축해 낼 수만 있다면, 기성 오픈소스나 상용 파인튜닝 프레임워크의 레버를 당겨 AI 랩들을 능가하는 압도적인 수직 특화…
#AI #단상
개인적으로 생각하는 카파시의 3가지 Key Insight는
1. 프론티어 AI 랩들의 사전 학습 데이터에는 구조적인 공백이 있고, 커버 불가능한 도메인이 있다.
즉, 점수화/검증하기 어려운 물리 세계 데이터를 가진 산업, 기업들이 Vertical AI를 구축하는건 여전히 유효하며, 이런 시스템 유무가 압도적인 해자를 만들어낼 것.
해자의 핵심은 자체적인 파인튜닝 데이터셋과 독자적인 강화학습(RL) 보상 환경을 구축하는 것이다.
2. AI 에이전트가 활성화되더라도 인간이 지속적인 피드백을 주는 Human-in-the-loop 구조는 계속해서 필요하다.
그리고 이 구조가 그대로 녹아있는 플랫폼(PLTR AIP = AI 제안 → 인간 승인 → 실행 루프 구조 → 인간 피드백 → 동적 온톨로지에 반영)을 가지고 있는건 바로 팔란티어
현재 이 구조를 엔터프라이즈/정부/국방 레벨에서 실전 검증된 소프트웨어로 구현하고 있는 곳은 팔란티어가 유일하지 않을까
3. 에이전트가 실행을 대체할수록 '무엇을 만들지, 어느 방향으로 드라이브할지'를 판단하는 디렉팅 능력이 보틀넥이 된다.
이 판단력의 질은 개인의 온톨로지 깊이에 비례한다. 탄탄한 지식 구조를 가진 사람일수록 에이전트 군단을 더 정확한 방향으로 지휘할 수 있고, 투자 thesis 설정이나 비즈니스 의사결정 같은 고차원 의사결정에서도 온톨로지가 경쟁 우위가 될 것
https://blog.naver.com/aaaehgus?Redirect=Update&logNo=224294303864
개인적으로 생각하는 카파시의 3가지 Key Insight는
1. 프론티어 AI 랩들의 사전 학습 데이터에는 구조적인 공백이 있고, 커버 불가능한 도메인이 있다.
즉, 점수화/검증하기 어려운 물리 세계 데이터를 가진 산업, 기업들이 Vertical AI를 구축하는건 여전히 유효하며, 이런 시스템 유무가 압도적인 해자를 만들어낼 것.
해자의 핵심은 자체적인 파인튜닝 데이터셋과 독자적인 강화학습(RL) 보상 환경을 구축하는 것이다.
2. AI 에이전트가 활성화되더라도 인간이 지속적인 피드백을 주는 Human-in-the-loop 구조는 계속해서 필요하다.
그리고 이 구조가 그대로 녹아있는 플랫폼(PLTR AIP = AI 제안 → 인간 승인 → 실행 루프 구조 → 인간 피드백 → 동적 온톨로지에 반영)을 가지고 있는건 바로 팔란티어
현재 이 구조를 엔터프라이즈/정부/국방 레벨에서 실전 검증된 소프트웨어로 구현하고 있는 곳은 팔란티어가 유일하지 않을까
3. 에이전트가 실행을 대체할수록 '무엇을 만들지, 어느 방향으로 드라이브할지'를 판단하는 디렉팅 능력이 보틀넥이 된다.
이 판단력의 질은 개인의 온톨로지 깊이에 비례한다. 탄탄한 지식 구조를 가진 사람일수록 에이전트 군단을 더 정확한 방향으로 지휘할 수 있고, 투자 thesis 설정이나 비즈니스 의사결정 같은 고차원 의사결정에서도 온톨로지가 경쟁 우위가 될 것
https://blog.naver.com/aaaehgus?Redirect=Update&logNo=224294303864
👍3