핵심 주장
Fireworks AI 창업자 Lin Qiao(린 치아오)는 이 인터뷰에서 하나의 큰 명제를 세운다: **"미래는 AGI 하나가 모든 걸 지배하는 세상이 아니라, 수백만 개의 특화된(specialized) 인텔리전스가 존재하는 세상이 될 것"**이다. 그녀는 OpenAI·Anthropic류의 범용 인텔리전스(General Intelligence)를 부정하지 않지만, "일반 지능 하나가 모든 문제를 최선의 방식으로 풀 수 있다"는 AGI 정의 자체를 인간 사회의 실제 다양성과 모순된다고 본다. 세상은 지역마다, 회사마다 서로 다른 가치체계·정책·비즈니스 방식·취향을 가지고 있고, 이것이 바로 "인간을 인간답게 만드는 것"이기 때문에 단일 모델·단일 회사의 취향으로 획일화되는 미래는 "우리 스스로를 로봇 군단으로 만드는 것"이라고 경고한다.
이 특화 지능 테제 위에서 그녀는 Fireworks의 사업 논리를 편다: 지능이 데이터의 파생물이라면, 학습 데이터의 절대다수는 실제로 퍼블릭 인터넷(범용 모델 학습 데이터)이 아니라 기업 내부에 잠겨 있는 사적 데이터다. 이 활성화되지 않은 데이터를 활성화시키는 것이 바로 "프라이빗 인텔리전스" = 특화 지능의 사업 기회라는 것이다. 이 관점에서 Anthropic 같은 기업용 AGI 사업조차 그녀는 "결국 하나의 모델이 모든 걸 풀 수 있다"는 전제로 움직인다고 비판하며, Fireworks는 반대로 "당신의 데이터를 당신의 지능으로 바꿔주는" 특화·커스터마이징 플랫폼으로 포지셔닝한다.
또 하나의 핵심 주장은 토큰 경제학이다. 그녀는 향후 3년간 토큰 비용이 10배 하락하고, 이것이 사용량을 100배 증가시킬 것이라 예측한다. 현재 비용이 높은 이유는 순수하게 공급망(칩·전력·데이터센터) 병목 때문이며, 자유시장 원리상 높은 가격은 경쟁을 유발하고 경쟁은 비용을 낮춘다고 설명한다. 이 예측이 맞다면 "AI가 capex 버블"이라는 우려는 반대로 뒤집혀서 — 오히려 우리는 컴퓨트 투자를 과소평가하고 있는 것이 된다.
근거와 사례
1) Lin Qiao의 배경과 창업 서사
- 2000년 미국에 이민 온 1세대 이민자, 분산 시스템/데이터베이스 박사 학위
- 리서치랩을 거쳐 LinkedIn에서 데이터 처리 시스템·프로덕트 구축
- 2015년 창업을 결심했지만 "제품·기술은 알아도 사람을 다루는 스킬셋이 없다"고 판단, 창업을 미루고 Facebook에 합류(원래 1~2년만 있다 나갈 계획이었으나 7년 재직)
- 48세에 창업 — Harry Stebbings(Eric Vishrier로 STT 오인식된 진행자 본인)가 "빅테크 임원 출신에는 투자하지 않는다"는 원칙을 깼을 만큼 이례적인 케이스. 창업 핸드셰이크 직후 그의 어드바이저가 "빅테크 임원 출신 창업 성공 사례가 드물다"며 반대했지만 파트너십은 유지됨
- 15분 미팅 후 $10M 체크 — Harry가 "10년 투자 경력 중 가장 쉬웠던 투자 결정"이라 평가
2) Jensen Huang과의 대화 — "특화되지 않은 범용 회사는 없다" Jensen Huang의 GTC 키노트 이후 즉흥 대화에서 그가 던진 말: "모든 회사는 특정한 신념 위에 세워져 있다. 그렇지 않다면 그 회사가 존재할 이유가 없다." 이 통찰이 Lin Qiao의 특화 지능 테제의 근간이 된다 — 회사의 제품 설계, 시스템 설계, 데이터, 사용자와의 상호작용에 깊이 새겨진 "고유함"은 외부 회사가 절대 복제할 수 없다는 것.
3) SaaS 시대와의 단절 — "Product Market Fit ≠ Durable Business" 과거 SaaS 시대엔 PMF를 찾으면 곧 지속 가능한 사업이 보장됐다(인프라가 커머디티였기 때문). 지금은 PMF를 찾은 스타트업이 "스케일하면 파산으로 스케일한다(scaling to bankruptcy)"는 역설에 빠진다. 대기업 인큐먼트조차 트래픽이 크기 때문에 AI 기능을 전체 고객베이스로 확장하면 비용이 감당 안 돼 CFO가 승인하지 않는 상황이 벌어진다 — 이것이 오픈 웨이트 모델(자체 커스터마이징 가능)로 눈을 돌리게 만드는 구조적 이유다.
4) 오픈소스 vs 클로즈드 논쟁 Fireworks 창업 초기 "자체 모델을 만들 것인가, 오픈 모델 위에 지을 것인가"를 두고 공동창업자들 간 깊은 논쟁이 있었다. 오픈 커뮤니티에 베팅한 이유는 "오픈니스가 사용자에게 통제권을 준다"는 신념 때문. 실제로 지난 2년간 오픈/클로즈드 모델 둘 다 품질 임계점을 넘어서면서, Fireworks는 자사 채용·후보자 소싱·재무 프로세스·코딩 디버깅에까지 오픈 모델과 자체 에이전트를 활용 중이다.
5) 토큰 규모와 성장 지표
- 하루 40조(40 trillion) 토큰 처리, 대부분 커스터마이징된 모델에서 발생 (오프더셸프 모델 아님)
- 연말까지 토큰 처리량 20~100배 증가 예상
- ARR $800M, 연말까지 최소 2배 성장 목표
- 직원 규모: 1년 전 50명 → 현재 200명
6) 중국 오픈소스 모델과 국가안보 리스크 OpenRouter 상위 6개 모델이 현재 중국 모델이라는 지적에 대해, Lin Qiao는 "오픈이든 클로즈드든 모든 모델에 자체 가드레일을 둘러야 한다"고 답한다 — 어떤 모델 제공자든 자기 판단/취향을 학습 과정에 주입하기 때문에 그것이 당신 회사와 정확히 일치할 수 없다는 논리다. 최근 중국이 자국 오픈 모델에 대한 접근을 제한하려는 움직임에 대해선 "오픈 생태계의 아름다움은 단일 공급자가 아니라는 점 — 미국도 인재밀도와 자원으로 자체 오픈 생태계를 구축할 수 있고 구축해야 한다"고 답한다.
7) Cursor 파트너십 — 분산 RL 인프라 혁신 Fireworks의 CTO Dmytro(Dimma)가 Cursor에 수개월간 상주하며 RL 인프라를 구축한 사례. 대형 하이퍼스케일러는 10만 개 GPU를 인피니티밴드로 연결한 초고가 단일 클러스터에서 트레이너+RL 롤아웃을 함께 돌리지만, Fireworks·Cursor는 자본 효율을 추구하며 두 프로세스(가중치 튜닝 트레이너 vs 합성/실제 코딩 환경에서 리워드를 받는 RL 롤아웃)를 분리해 5~6개 데이터센터 리전에 걸쳐 완전 분산 시스템으로 운영한다. 핵심 난제는 리전 간 모델 가중치 동기화 지연이 리워드 신선도를 좌우한다는 점이며, 이를 해결하는 자체 분산 기술을 개발했다고 설명한다.
8) Zero KLD — 트레이닝-추론 비트 동등성 Fireworks가 "극단적으로" 추구하는 품질 지표. 트레이닝 시스템과 추론 시스템 간 모델이 이동할 때 수치가 완전히 동일(bit-equivalent)해야 한다는 원칙 — 이게 깨지면 고객이 트레이닝에 투자한 비용을 추론 단계의 품질 저하로 "할인 당하는" 셈이 되기 때문에 이를 절대 허용하지 않는다는 것.
9) 법률 산업 사례 — Harvey vs Lagora 자체 모델을 구축한 Harvey와 그렇지 않은 Lagora 비교. 1년 전엔 프론티어 모델이 너무 빨리 좋아져서 자체 모델을 만들지 않는 쪽이 옳아 보였지만, 지금은 반대로 보인다는 관찰. 법률 분야는 환각(hallucination) 허용도가 0에 가까워 특히 도구 호출(tool-calling)의 정확도와 하네스(harness) 설계가 사업 경쟁력의 핵심이 된다고 설명한다.
10) 마진 구조와 성장-마진 트레이드오프 전통 SaaS 80% 마진 대비 Fireworks는 30~40% 대인데, 이는 "뉴노멀"이 아니라 하이퍼그로스 단계의 선택이라고 설명한다. 마진 최적화는 "제약을 부과하는 것"이고 제약은 혁신을 늦춘다 — 그래서 성장과 차별화(마진)를 동시에 최적화하되, 마진만을 위해 성장을 극단적으로 희생하지 않겠다는 철학을 밝힌다.
11) 하드웨어 감가상각 재정의 과거엔 하드웨어 수명 6년, 하드웨어 출시 주기 3년이었지만, 이제 한 벤더에서 1년에 3개 SKU가 나올 정도로 하드웨어 혁신 속도가 빨라졌고 신모델은 최신 하드웨어에서 최적 성능을 낸다. 이 때문에 "빌드 vs 바이" 결정의 다이내믹스 자체가 바뀌었다고 지적한다.
구조화된 시사점
AI 밸류체인 재해석 (5-Layer AI Cake, Jensen Huang의 프레임) 애플리케이션 → 모델 → 인프라 → 칩 → 에너지로 이어지는 계층 구조에서, Fireworks는 "모델과 인프라 사이"에 위치한 특화 인텔리전스 레이어를 점유한다. Lin Qiao는 애플리케이션 레이어로는 절대 진출하지 않을 것이라 못 박지만, 데이터센터 레이어로의 확장은 "항상 테이블 위에 있다"고 열어둔다 — 단, 칩 레이어는 "타이핑 아웃되면 되돌리기 힘든" 결정이라 워크로드가 충분히 안정화되기 전엔 진입하지 않겠다는 명확한 원칙을 갖고 있다.
투자자 관점에서의 시사점
- "권력선(power line) 사업이 좋은 사업인가"라는 질문에 Lin Qiao는 "모든 걸 대체하진 않는다"고 답한다 — 즉 프론티어 모델(파워라인)과 특화 인텔리전스(가전제품)는 공존하는 레이어라는 인식
- 승자독식(winner-take-all) 시장이 아니라 "장기 게임에서 소수의 강자로 진동하며 정착"하는 시장 구조라는 관점(법률 시장 사례로 뒷받침 — 2년 전엔 여러 스타트업이 있었지만 지금은 2개 정도로 정리)
- 오픈소스 발전 속도가 "폐쇄 모델 대비 90% 효율에 15배 저렴"한 수준까지 왔다는 사실은, 프론티어 연구소들의 밸류에이션 논쟁에 직접적인 압력으로 작용
국가/주권 인텔리전스로의 확장 프랑스가 잠깐 어드민에 의해 서비스가 막혔던 사례를 언급하며(원문 "fable be banned … 19 days"), 유럽이 "우리가 OpenAI·Anthropic의 인프라 위에 앉아 있다가 언제든 꺼질 수 있다"는 공포를 느낀 것과 마찬가지로, 국가 단위든 기업 단위든 "자기 인텔리전스를 소유하는 것"이 필수가 될 것이라는 전망. 이는 전력망을 국가가 자체 소유해야 한다는 비유로 연결된다.
조직·채용 철학 Fireworks는 "극단적 오너십(extreme ownership)"을 최우선 채용 기준으로 삼는다 — 사람을 박스(직무)에 가두지 않고 각자가 "이 문제는 내가 끝까지 본다"고 스스로 선언하며 일하는 구조. 이민자 비중이 높은 채용 철학도 언급된다. Jensen Huang의 리더십에서 배운 것은 "리더십 = 특권이 아니라 판단력이며, 판단력은 현장 컨텍스트를 직접 알아야만 나온다"는 것 — 그래서 Jensen이 이메일에 1분 안에 답장하고 디테일까지 파고드는 이유를 창업 4년 차에 이르러서야 체감했다고 고백한다.
향후 3년 전망 — "모든 회사가 자기 인텔리전스를 소유하는 시대" 소프트웨어 산업의 역사적 유비를 든다 — SaaS 시대에도 모든 회사가 표준화된 소프트웨어만 쓰지 않고 자체 소프트웨어 스택을 구축했던 것처럼, AI 시대에도 모든 회사가 자기 인텔리전스를 소유하는 것이 "선택이 아니라 필수"가 될 것이라는 최종 결론.
핵심 요약 (20줄)
- Fireworks AI CEO Lin Qiao는 "AGI 하나가 모든 걸 지배하는 미래"에 반대하며, 수백만 개의 **특화 인텔리전스(specialized intelligence)**가 공존하는 미래를 주장한다.
- 학습 데이터의 절대다수는 퍼블릭 인터넷이 아니라 기업 내부에 잠긴 사적 데이터이며, 이를 활성화하는 것이 특화 지능 사업의 근거다.
- Anthropic의 엔터프라이즈 사업조차 "하나의 모델이 모든 걸 푼다"는 AGI 전제 위에 있다고 비판적으로 짚는다.
- Jensen Huang과의 대화에서 나온 통찰 — "특화되지 않은 범용 회사는 없다, 모든 회사는 고유한 신념 위에 세워진다"가 그녀 테제의 핵심 근거다.
- 단일 회사의 취향으로 획일화된 미래는 "우리 자신을 로봇 군단으로 만드는 것"이라며 강하게 경계한다.
- SaaS 시대엔 PMF=지속가능성이었지만, 지금은 스케일할수록 **파산으로 스케일(scaling to bankruptcy)**하는 역설이 존재한다.
- 토큰 비용은 향후 3년간 10배 하락하고, 이는 사용량 100배 증가를 이끌 것이라 예측한다.
- 이 예측이 맞다면 AI 캐펙스 버블론은 오히려 반대 — 우리는 컴퓨트 투자를 과소평가하고 있는 것.
- 오픈소스 모델은 지난 3개월간 급속히 따라잡아, 폐쇄 모델 대비 90% 효율에 15배 저렴한 수준에 도달했다.
- 하루 40조 토큰 처리, 대부분 커스터마이징 모델에서 발생하며 연말까지 토큰량 20~100배 증가 전망.
- 중국 오픈소스 모델이 OpenRouter 상위권을 차지한 데 대해, 오픈/클로즈드 무관하게 자체 가드레일이 필수라고 답한다.
- Cursor와의 파트너십에서 CTO Dimma가 수개월 상주하며, 트레이너와 RL 롤아웃을 분리해 5~6개 데이터센터 리전에 걸친 완전 분산 RL 인프라를 구축했다.
- Zero KLD(트레이닝-추론 비트 동등성)를 극단적으로 추구하는 이유는 고객의 트레이닝 투자가 추론 단계에서 손실되지 않게 하기 위함이다.
- 법률 분야 사례(Harvey vs Lagora)에서, 환각 허용도가 0에 가까운 산업일수록 자체 모델·하네스 소유가 중요해진다.
- 5-Layer AI Cake(앱-모델-인프라-칩-에너지) 프레임에서 Fireworks는 애플리케이션 레이어엔 절대 진출하지 않지만, 데이터센터 레이어는 항상 검토 대상이라 밝힌다.
- 칩 레이어는 "타이핑 아웃되면 되돌리기 힘든" 결정이라, 워크로드가 충분히 안정화되기 전까진 진입하지 않는다는 원칙을 지킨다.
- 마진 구조는 전통 SaaS 80% 대비 **30~40%**대이며, 이는 뉴노멀이 아니라 하이퍼그로스 단계의 선택이라고 설명한다.
- 채용 철학의 핵심은 극단적 오너십이며, "리더십은 특권이 아니라 판단력"이라는 Jensen Huang의 리더십 교훈을 강조한다.
- ARR $800M, 연말까지 최소 2배 성장 목표, 직원 수는 1년 새 50명에서 200명으로 증가했다.
- 결론적으로 "모든 회사가 자기 소프트웨어 스택을 소유했듯, 모든 회사가 자기 인텔리전스를 소유하는 것이 필수가 될 것"이라는 전망으로 마무리된다.