AI 컴퓨트는 왜 소수 연구소로 중앙집중화되는가

URL: https://www.youtube.com/watch?v=aV26V1UvkJw 날짜: 2026-09-01 채널: Dwarkesh Patel 출연: Dylan Patel, SemiAnalysis 창립자 원문 제목: Dylan Patel – "Every force is screeching towards centralization." 영상 ID: aV26V1UvkJw

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI 모델의 규모의 경제, 컴퓨트 부족, 더 높은 수익률, 자기개선 연구가 모든 컴퓨트를 소수 AI 연구소로 밀어 넣고 있으며, 이 흐름을 막을 수 있는 현실적인 힘은 규제와 물리적·금융적 제약뿐이다.==

• 올해 새로 가동되는 컴퓨트의 약 3분의 1이 OpenAI와 Anthropic을 최종 고객으로 하며, 이미 계약된 물량 기준으로 내년에는 40~50%에 이를 수 있다.
• 최신 모델은 같은 전력에서 과거보다 훨씬 큰 매출을 만들고, 연구소는 외부 추론보다 내부 연구에 컴퓨트를 배분할 경제적 유인을 갖는다.
• 전력·데이터센터·반도체·부채를 포함한 AI 인프라 투자가 2020년대 후반 세계 경제의 큰 부분을 차지하면 금리와 국가부채, 비AI 기업의 자산가치까지 흔들릴 수 있다.

Dwarkesh Patel과 Dylan Patel은 AI를 단순한 소프트웨어 산업이 아니라 전력, 반도체, 데이터센터, 신용시장, 노동시장을 재배치하는 거대한 자본 배분 체계로 분석한다. 현재의 추세가 이어지면 소수 연구소가 세계에서 가장 효율적으로 컴퓨트를 돈과 지식으로 바꾸는 주체가 되고, 시장은 그들에게 더 많은 컴퓨트를 우선 배정한다. AI가 인간 수준의 연구자와 노동자를 대량으로 만들어내기 시작하면 컴퓨트와 노동의 집중은 곧 권력의 집중으로 이어진다. 두 사람은 이 결말을 피하려면 AI 발전이 느려지거나 정부가 의도적으로 배포·건설을 제한해야 한다고 보지만, 그런 제약 자체가 경제적·정치적 충격을 만든다고 말한다.

1. 현재 AI 연구소의 컴퓨트와 수익 구조

AI 연구소의 비용 구조는 벤처 자본으로 손실을 버티던 단계에서, 추론 수익으로 연구와 추가 인프라를 재투자하는 단계로 넘어가고 있다.

1.1. 경제성장의 중심이 된 AI 인프라

1. AI 투자가 GDP 성장의 큰 부분을 차지한다

   1. 지난해의 변화: 미국의 지난해 GDP 성장 대부분이 AI 인프라 투자에서 나왔다는 것이 Dylan의 진단이다.
   2. 올해의 최종 수요자: 올해 새로 온라인에 들어오는 컴퓨트의 약 3분의 1은 OpenAI 같은 연구소를 위한 물량이다. 다른 기업이 데이터센터를 짓고 연구소에 임대하더라도 최종 수요가 연구소에서 나오면 연구소 컴퓨트로 계산한다.

2. 자본지출의 폭발

   1. 현재 규모: 올해 컴퓨트 관련 자본지출은 1조 달러를 조금 넘는 수준으로 언급된다.
   2. 2028년 전망: 현재 계약과 건설 계획이 이어지면 2028년에는 2조 달러를 넘을 수 있다. 연구소가 차지하는 비중도 계속 커진다.
   3. 연구소의 지출 단계: 연구소는 연간 수백억 달러를 쓰는 기업에서 수천억 달러를 쓰는 기업으로, 2020년대 후반에는 조 단위의 지출을 약정하는 주체로 변할 수 있다.

1.2. 손실에서 높은 컴퓨트 수익률로

1. 벤처자본 의존에서 자체 매출로의 전환

   1. 수익 전환: Anthropic은 2분기에 흑자로 전환하기 시작했고, OpenAI도 Codex와 GPT-5.6의 성장으로 3분기부터 흑자 가능성이 거론된다.
   2. 자본의 역할 변화: 새 자본이 더 이상 필요 없다는 뜻은 아니다. 외부 자본은 성장을 가속하는 데 계속 쓰이지만, 사업의 더 큰 부분이 투자금이 아니라 자체 매출로 운영되기 시작했다.
   3. 마진의 상승: 지난 1년 반 동안 연구소의 마진이 급격히 상승했다. 과거에는 모델 토큰을 인프라 원가보다 싸게 팔아 총마진이 음수였지만, 이제는 고성능 모델이 전력 단위당 큰 매출을 만든다.

2. 메가와트당 매출의 변화

   1. 기본 원가: 컴퓨트의 기본 비용은 메가와트당 대략 1,000만~1,500만 달러 범위다.
   2. 과거 모델의 문제: Nvidia Hopper GPU에서 GPT-4를 서비스할 때는 OpenAI가 음의 총마진을 기록했다.
   3. 현재 모델의 수익성: OpenAI의 GPT-5.6, Anthropic의 Opus 5, Mythos·Fable 5 같은 최신 모델은 메가와트당 매출이 5,000만 달러까지 올라갈 수 있다.
   4. 재투자 루프: 추론 용량에 10달러를 쓰고 50달러의 매출을 만들면, 비용을 뺀 이익을 다시 학습에 투입할 수 있다. 추론 수익이 연구용 컴퓨트 확대의 내부 자금원이 된다.

2. 컴퓨트 중앙집중화가 가속되는 방식

신규 컴퓨트의 물량뿐 아니라 최신 칩의 효율과 연구소의 지불능력까지 고려하면, 명목 전력량보다 훨씬 빠르게 유효 컴퓨트가 두 연구소로 모인다.

2.1. OpenAI와 Anthropic의 수요가 신규 물량을 흡수한다

1. 연구소 컴퓨트의 급증

   1. 연초와 연말의 격차: 연초 OpenAI는 약 2GW, Anthropic은 2GW 미만의 컴퓨트를 보유·사용하는 것으로 추정됐지만, 연말에는 두 곳 모두 5GW를 넘을 수 있다.
   2. 올해의 신규 비중: 두 연구소가 올해 추가되는 컴퓨트의 약 30%를 차지한다.
   3. 내년의 계약 물량: 이미 서명된 계약만 봐도 내년에는 OpenAI와 Anthropic이 신규 컴퓨트의 40~50%를 차지할 수 있다.

2. 누가 컴퓨트를 건설하는지는 바뀌어도 최종 수요는 같다

   1. SpaceX의 임대: SpaceX는 대규모 컴퓨트를 건설해 Anthropic과 OpenAI에 임대할 가능성이 크다. 이 연구소들이 한계 컴퓨트에 가장 높은 가격을 지불할 수 있기 때문이다.
   2. 연구소의 자체 인프라: OpenAI는 자체 칩을 설계하고, Anthropic은 Google TPU를 구매해 FluidStack과 함께 배치하기 시작했다.
   3. 중앙집중화의 의미: 소유권이 클라우드 기업이나 우주 기업에 있더라도, 컴퓨트가 어느 모델의 추론과 연구를 위해 예약되는지가 실질적인 지배력을 결정한다.

2.2. 전력량보다 빠른 유효 FLOP의 증가

1. 글로벌 컴퓨트와 프런티어 컴퓨트의 성장률

   1. 전 세계 증가: 세계 전체 컴퓨트는 기가와트 기준으로 매년 두 배가 될 수 있다.
   2. 프런티어 증가: 최첨단 연구소의 컴퓨트는 매년 세 배가 되는 흐름으로 설명된다.
   3. 신규 전력량: 올해 약 30GW, 내년 약 50GW, 그 다음 해 약 70GW의 추가가 기본 추정치로 제시된다.

2. 세대교체가 만드는 추가 배수

   1. 칩의 효율: GB300, TPUv7, Tranium 3 같은 최신 칩은 이전 세대보다 와트당 성능이 3~5배 높다.
   2. 연구소의 실질 점유율: 연구소가 2027년 말 신규 컴퓨트의 절반을 차지하면, 그 물량은 과거의 모든 컴퓨트보다 높은 성능을 갖는다.
   3. 2028년의 결과: 현재 추세가 멈추지 않으면 2028년 말 두 연구소가 각각 50GW 이상, 합쳐서 100GW에 가까운 컴퓨트를 통제하고 세계에서 사용 가능한 FLOP의 대부분을 차지할 수 있다. Dylan은 80GW 수준의 신규 물량조차 매우 낙관적인 상한이라고 덧붙인다.

2.3. 공급망은 돈보다 느리게 반응한다

1. 1GW 생산에 필요한 제조 기반

   1. 웨이퍼 요구량: Vera Rubin급 1GW를 만들려면 N3 웨이퍼 약 5만 5,000장, N5 웨이퍼 약 6,000장, DRAM 웨이퍼 약 17만 장이 필요하다는 계산이 소개된다.
   2. 팹 장비와 건설: 장비만 30억~40억 달러, 클린룸·셸·부대시설까지 포함하면 약 60억 달러의 팹 자본지출이 필요하다.
   3. 투자 대비 매출: 이 생산능력은 매년 1GW를 만들고, 현재 가격에서 1GW가 연간 약 1,000억 달러의 AI 매출을 만들 수 있다는 가정이 제시된다. 5년 동안 누적하면 첫해 생산분부터 순차적으로 1조 달러를 넘는 최종 AI 매출이 발생할 수 있다.

2. 자본주의의 신호는 공급망 끝까지 지연된다

   1. 100배의 격차: 중간 사업자의 비용을 넉넉히 제외해도 팹 자본지출과 최종 AI 매출 사이에는 100배 이상 차이가 있다. 1달러를 100달러로 바꿀 수 있는 시장에서는 기업들이 생산 확대 방법을 찾게 된다.
   2. 거울과 EUV 장비: ASML EUV 장비에 들어가는 특수 거울과 터빈처럼 병목이 된 부품은 높은 가격에 거래되지만, 생산설비를 늘리는 데는 긴 시간이 걸린다.
   3. 불스휩 효과: 수요가 갑자기 폭증해도 공급망의 가장 뒤쪽 업체가 즉시 증산하지 못한다. 2030년까지 연간 EUV 장비 100대가 필요하다는 전망도 불과 몇 달 전에는 충분히 큰 수량으로 인식되지 않았다.
   4. 돈으로도 즉시 해결되지 않는 문제: 특정 공급업체에 100억 달러를 주고 증설을 요구하면 전망은 바뀔 수 있지만, 공급망의 모든 기업에 동시에 해야 한다. 올해와 내년, 그다음 해까지는 자본과 생산 리드타임이 제약으로 남는다.

3. 컴퓨트 가격, 모델 공개, 그리고 연구 우선 배분

연구소가 메가와트당 가장 큰 가치를 만들더라도, 규제와 내부 연구 수요가 실제 외부 매출과 컴퓨트 거래가격을 다르게 만든다.

3.1. 컴퓨트는 이미 연구소가 가장 높은 가격을 낼 수 있는 자원이다

1. 일반 사업자도 수익을 낼 수 있는 가격대

   1. 현재의 기회: GB300 랙을 구하고 Kimi 가중치, VLM, SGLang을 내려받아 OpenRouter에 올리면, 기술적으로 아주 단순하지는 않아도 로켓과학은 아닌 방식으로 컴퓨트 비용보다 많은 매출을 만들 수 있다.
   2. 도구의 보조: Codex와 Fable 같은 코딩 모델이 설치와 운영을 도와 진입 장벽을 낮춘다.
   3. 가격의 상승 압력: 누구나 메가와트당 1,000만~1,500만 달러 가격에서 수익을 만들 수 있으므로, 연구소가 더 큰 물량을 확보하려면 이보다 훨씬 높은 가격을 지불해야 한다.

2. 2027년 가격과 공급자의 선택

   1. 연구소의 매출 전망: 최신 모델을 계속 공개할 수 있다면 2027년 말 연구소의 평균 메가와트당 매출은 5,000만 달러 이상, 회사 전체 혼합 기준으로 7,000만~8,000만 달러까지 가능하다는 전망이 나온다.
   2. 클라우드의 가격 결정: SpaceX가 1,500만 달러가 아니라 2,500만~5,000만 달러에 컴퓨트를 팔기 시작하면 Nvidia, SK hynix, Micron, Samsung, 기판 업체까지 차례로 가격을 올릴 유인이 생긴다.
   3. 거래가격의 범위: 내년 말에도 대부분의 컴퓨트는 금융 조달과 공급 구조 때문에 메가와트당 2,000만 달러 아래에서 거래될 가능성이 있지만, SpaceX가 Google에 4,000만 달러 안팎으로 판매한 것과 같은 예외 거래는 늘어난다.

3.2. 규제가 외부 매출과 발전 속도를 늦출 수 있다

1. 최고 모델이 공개되지 않는 문제

   1. OpenAI의 지연: OpenAI는 Astra를 공개하지 않았고, 학습을 2주간 중단한 사례가 언급된다.
   2. Anthropic의 지연: Anthropic은 안전성 평가에서 다음 모델로 추정되는 Model 2를 공개하지 않았다. 외부에 공개하지 않는다고 해서 연구소가 뒤처졌다는 뜻이 아니라, 최고 성능 모델을 배포하지 않는다는 뜻이다.
   3. 수익성의 역전 가능성: 최고 모델을 계속 숨기면 다른 모델이 따라잡아 메가와트당 매출이 정체되거나 다시 하락할 수 있다. 이 경우 연구소가 컴퓨트에 2,500만~5,000만 달러를 지불할 능력도 약해진다.

2. 데이터센터 규제의 공급 충격

   1. 지역 규제 사례: 뉴욕은 데이터센터 건설을 막고, 텍사스는 모라토리엄을 검토하며, 오하이오는 일정 반경의 모든 부동산세를 부담하게 하려는 움직임을 보인다.
   2. 경제적 효과: 데이터센터 공급이 줄고 건설비가 오르면 그 비용은 컴퓨트 가격과 AI 서비스 가격으로 전가된다.
   3. 느린 외부 발전과 빠른 내부 발전: 규제가 외부 공개를 막더라도 연구소 내부 모델은 계속 좋아질 수 있다. 경쟁 우위를 위해 공개 모델보다 6개월 앞선 모델을 내부에 두는 상황도 가능하다. 발전이 빨라질수록 그 6개월의 격차는 더 큰 기술 격차가 된다.

3.3. 수익을 배당하는 대신 AGI 연구에 투입하는 유인

1. 추론 비중이 줄어드는 비합의적 전망

   1. 일반적인 예상: 많은 사람은 대부분의 컴퓨트가 앞으로 추론에 쓰일 것이라고 본다.
   2. Dylan의 반대 전망: 연구소가 메가와트당 3,000만~4,000만 달러를 벌 때 추론에 40%를 배정했다면, 매출이 6,000만~7,000만 달러로 올라가도 같은 40%를 추론에 쓸 이유는 약해진다.
   3. 내부 연구의 선택: 추론 이익을 배당·자사주 매입으로 돌리는 대신 AGI를 만들면 미래 현금흐름의 현재가치를 훨씬 크게 만들 수 있다. Anthropic과 OpenAI의 경영진뿐 아니라 이사회도 내부 연구를 선택할 가능성이 높다.

2. 관찰되는 연구 배분 변화

   1. 매출과 컴퓨트의 불일치: Anthropic은 매달 전월보다 더 많은 컴퓨트를 추가하지만, 초기에 급증하던 연간반복매출(ARR) 증가는 정체됐다. 증가한 한계 컴퓨트의 더 큰 비중이 추론이 아니라 연구개발로 간다는 뜻이다.
   2. 현재 예산 분해: 역사적으로 총 컴퓨트의 약 60%가 학습, 40%가 추론이었다. 학습 60%는 다시 연구 약 50%, 개발 약 10%로 나뉜다. 연구는 새 아키텍처·데이터 혼합·하이퍼파라미터·어텐션 기법을 시험하는 작업이다.
   3. 대규모 학습의 실제 동시성: Anthropic이 Mythos를 사전학습할 때 한 시점에 쓴 컴퓨트는 약 200MW 미만이고 기간은 약 두 달이었다. RL은 한 번의 동시 실행량이 더 작지만 전체 기간의 총량은 더 클 수 있다.
   4. 유휴 용량의 이유: 여러 클러스터를 조정하고 한 장소에 모으기 어렵고, 멀티사이트 학습이 어렵다. RL에서 롤아웃을 계속 늘린다고 성능이 비례해 좋아지지도 않는다. 그래서 수GW를 보유해도 실제 한 번의 학습에 사용할 수 있는 양은 200MW 수준일 수 있다.
   5. 자동화가 바꿀 분배: 자동 코딩·자동 연구자·연속학습이 발전하면 연구와 학습에 사용할 수 있는 비중이 커지고, 지금의 연구·개발·추론 구분도 흐려진다.

4. 세계 컴퓨트 경쟁과 중국의 위치

미국 연구소로의 집중은 중국을 단순히 배제하는 문제가 아니라, 질적으로 다른 칩과 금융·정책 체계가 각자의 성장곡선을 만드는 문제다.

4.1. 2028년 글로벌 컴퓨트 규모

1. 세계 전체의 전력량

   1. 기본 전망: 올해 30GW, 내년 50GW, 2028년 70GW가 추가되면 2028년 세계 전체 AI 컴퓨트는 200GW를 넘을 수 있다.
   2. 그 이후: 2029년 신규 추가량은 90~100GW 정도로 시작해 기울기가 더 가팔라질 수도 있다. 100GW씩 추가되는 세계는 비정상적으로 큰 매출과 GDP 성장률을 의미한다.
   3. 불확실성: 4년보다 먼 시점은 RSI가 시작됐는지, 세계 경제가 연 10% 성장하는지에 따라 전혀 다른 체제가 될 수 있어 예측하기 어렵다.

2. 질로 보정한 점유율

   1. 연구소의 2028년 점유율: 두 연구소가 2028년에 합쳐 100GW를 보유하면 신규 컴퓨트의 70~80%를 차지하는 상황까지 상정된다.
   2. 가격의 역할: 이 목표를 달성하려면 연구소가 메가와트당 2,500만~5,000만 달러까지 지불해야 한다. 단순히 전력량만 비교하면 최신 칩의 효율과 AI 작업 적합성을 놓치게 된다.
   3. 시장 파괴: 현재는 1,000만~1,500만 달러에 컴퓨트를 임대해 누구나 수익을 낼 수 있지만, 연구소가 100GW를 흡수하면 다른 사업자는 더 높은 가격을 감당하거나 물량을 포기해야 한다.

4.2. 중국의 양적 증가와 질적 격차

1. 2022년 이후의 재배치

   1. 과거 비중: 2022년 미국은 세계 신규 컴퓨트의 45~50%, 중국은 30~35%를 추가했고 나머지가 다른 지역이었다.
   2. 현재 비중: 대중국 규제와 미국의 급격한 증설 이후 미국은 새로 배치되는 AI 데이터센터 전력의 약 70%를 차지한다. 중국은 10% 미만이다.
   3. 2028년 추정: 중국의 AI 컴퓨트는 30GW 이하일 수 있고, 미국 연구소 하나가 중국 전체의 2029~2030년 컴퓨트를 질적으로 앞설 수 있다.

2. 중국의 국내 생산과 추격

   1. 2026년의 조달: 중국은 밀수된 칩에 크게 의존한다. TSMC가 Huawei가 아닌 기업으로 알고 생산한 칩이 Huawei로 흘러가거나, Samsung HBM이 우회 공급되는 사례가 언급된다.
   2. 2027~2028년의 팹: SMIC와 CXMT 같은 기업의 팹이 올라가면서 국내 생산량이 연간 수백만 개 단위로 늘어날 수 있다. 2028년에는 중국산 칩으로 5~10GW를 추가하는 전망이 제시된다.
   3. 성능 차이: 중국산 칩의 30GW는 Nvidia·Google·OpenAI가 2028년에 사용하는 칩의 30GW와 같지 않다. 성능을 보정하면 중국의 50GW가 미국산 칩 20GW에 해당할 수 있다.
   4. 2029년의 제조 도약: 중국이 2029년에 50GW를 추가하는 것은 합리적인 전망이다. 다만 그 대부분이 국내 칩이면 미국산 20GW 정도의 유효 컴퓨트가 된다.

3. 수출통제와 중국의 반작용

   1. 정책 변수: 미국의 이른바 Match Act 통과 여부, EUV 장비 수출통제의 지속 여부, 중국이 국내 장비를 얼마나 빨리 만들 수 있는지가 결과를 바꾼다.
   2. 제조업의 장점: 중국은 제조 규모를 빠르게 키우는 데 강하다. 수출통제가 유지돼도 외국 칩 구매를 늘리거나 허용된 격차를 좁힐 수 있다.
   3. 금융과 보조금: 미국 금융시장은 스타트업에 공격적으로 자금을 대지만 중국 금융시장은 처음에는 덜 공격적이다. 반대로 중국이 한 산업을 전략산업으로 정하면 다른 나라의 반도체 산업을 합친 것보다 큰 보조금을 투입한다.
   4. 시간이 중국 편이 되는 조건: AI의 자기개선이 느려져 시간이 길어지면 중국은 반도체와 컴퓨트에서 빠르게 따라잡을 수 있다.

4.3. 컴퓨트가 적어도 모델이 앞서는 이유

1. 중국 모델의 현재 효율

   1. 공개 성능: 중국 주요 연구소는 공개적으로 보이는 모델 성능에서 보유 컴퓨트 규모에 비해 크게 뒤처지지 않는다.
   2. 규모의 차이: 주요 중국 연구소의 총 컴퓨트는 많아야 100~200MW 수준이고, ByteDance의 Seed가 예외적으로 더 많다. Kimi도 1GW에 가까운 컴퓨트를 쓰는 것은 아니다.
   3. 미국 연구소와의 대비: Anthropic은 연말 5GW 이상을 사용할 수 있지만, 모델의 최종 사전학습은 한 번에 200MW 미만만 필요할 수 있다.

2. 컴퓨트 격차가 향후 중요해지는 시점

   1. 현재의 완충지대: 연구소 컴퓨트 중 50%가 아이디어·아키텍처·데이터·하이퍼파라미터를 시험하는 연구이고, 10%가 개발이며, 40%가 추론이라면 보유량 차이가 곧바로 모델 성능 차이가 되지 않는다.
   2. 자동 연구의 시작: 자동 코딩과 자동 연구가 본격화되면 연구 실험을 훨씬 많이 병렬화할 수 있어, 미국 연구소가 가진 수GW의 유휴·분산 자원이 실질적 우위가 된다.
   3. RSI의 분기점: 모델이 다음 모델의 연구를 직접 돕는 단계에 이르면, 중국의 낮은 컴퓨트 증가율은 단순한 숫자 차이가 아니라 발전 속도의 차이가 된다.

5. 인프라 자본지출과 금리의 거시경제 충격

AI의 높은 투자수익률은 자본을 끌어들이지만, 필요한 규모가 너무 커지면 신용시장과 정부 재정이 병목이 된다.

5.1. 100GW를 만들 때 숨겨진 자본지출

1. IT 자본지출만 계산하면 안 된다

   1. 컴퓨트 자체: 연간 100GW를 현재 가격으로 구축하면 컴퓨트 자본지출만 약 5조 달러다.
   2. 전력과 데이터센터: 발전소는 30년 자산이고 데이터센터는 15~20년 자산이다. 전력과 건물은 칩이 들어오기 훨씬 전에 지어야 한다.
   3. 선행 건설: 올해 100GW, 내년 150GW, 그다음 해 200GW를 만들려면 내년에 들어갈 건물과 그다음 해의 발전소·터빈도 올해부터 발주해야 한다.

2. AI 자본지출 통계의 범위

   1. 과소 집계: 업계에서 4,000억~5,000억 달러라고 부르는 AI 자본지출은 서버, 네트워크, 광섬유, 트랜시버, 광통신 같은 핵심 IT에 가깝다.
   2. 누락된 비용: 데이터센터 건물, 전력망, 발전소, 터빈, 미래 증설분은 별도로 더해야 한다.
   3. 후반부 규모: 모든 공급망을 포함하면 2020년대 후반 연간 추가 자본지출은 7조~10조 달러에 가까울 수 있다. 이는 세계 경제의 약 10분의 1, 대부분이 미국에서 집행된다면 미국 경제의 4분의 1~3분의 1에 해당하는 규모다.

5.2. 누가 11조 달러의 투자를 조달하는가

1. 기존 자금원의 한계

   1. 2024~2029년 누적치: 두 사람의 모델은 해당 기간 AI 인프라 자본지출을 약 11조 달러로 잡는다.
   2. 현금과 신용: 현금흐름으로 약 6조 달러를 조달해도 5조 달러 이상은 신용시장에서 발행해야 한다.
   3. 하이퍼스케일러의 변화: Google, Microsoft, Amazon, Meta는 지금까지 현금흐름과 자사주 매입 축소로 성장비용을 댔지만, 이제는 현금 전부를 자본지출에 쓰고 부채까지 일으킨다.

2. 새로운 자본 공급자

   1. 반도체 기업: Nvidia와 Broadcom, 메모리 기업이 고객의 증설을 돕기 위해 직접 자금을 제공할 수 있다.
   2. 인프라 투자자: 전통적인 인프라 투자자들이 교량 대신 데이터센터를 사는 방향으로 자본을 돌린다.
   3. 가계와 채권 투자자: 주택이나 정부채보다 하이퍼스케일러·데이터센터·연구소의 부채를 선택할 수 있다. Anthropic이 추가 10억 달러를 위해 20% 금리를 지불하더라도 SpaceX에서 메가와트당 5,000만 달러에 임대하는 것보다 싸다면 자금을 조달한다.
   4. 경제의 재배치: 이 선택이 누적되면 주택, 소비재, 정부채권에 들어가던 자금이 AI 인프라 부채로 이동한다.

5.3. 높은 수익률이 금리를 끌어올리는 군집효과

1. AI가 대출 수요를 잠식한다

   1. 투자수익률의 격차: 데이터센터를 건설해 연구소에 임대하면 감가상각 기준 건설비의 10배에 임대할 수 있다는 식의 사례가 제시된다. 1달러가 1년 뒤 2달러나 10달러가 되는 사업이 등장하면 시장의 요구수익률이 높아진다.
   2. 구축 효과: 정부가 빌릴 돈, 기업이 공장을 지을 돈, 소비자가 주택담보대출로 빌릴 돈이 AI 인프라와 경쟁한다.
   3. 금리의 상향 압력: AI가 만들어내는 수익이 높을수록 경제 전체의 자본 기회비용과 대출금리가 오른다.

2. 미국 재정과 다른 국가의 취약성

   1. 미국의 과세 선택지: 데이터센터가 미국에 지어지면 미국 정부는 데이터센터와 그 수익을 과세할 수 있다.
   2. 세입 구조의 문제: 법인세는 연방 세입의 10% 미만이고, 80% 이상은 급여세와 소득세다. 자동화가 진행되면 후자의 기반이 줄어든다.
   3. 부채 서비스: 현재 세입의 약 20%가 이자 지급에 쓰인다. 금리가 1%포인트 오르면 5년 기준 비중이 약 25%가 되고, 5%포인트 오르면 40%를 넘는다. 정부가 매년 2조 달러를 추가 차입한다는 점까지 포함하면 40%가 60%를 넘을 수 있다.
   4. 국가별 차이: 미국은 데이터센터를 국내에 유치해 세원을 키우면 버틸 가능성이 있지만, 부채가 많고 세수가 적으며 단기 부채를 자주 갱신하는 파키스탄·나이지리아 같은 국가는 새 금리 체제에서 디폴트 위험이 크다.

3. 기업과 금융시장의 연쇄 반응

   1. 취약 업종: 소비재 기업, 통신사, 은행처럼 부채를 많이 쓰는 업종은 시장 스프레드가 오르면 압박을 받는다.
   2. 은행의 미스매치: 부채는 자산보다 빠르게 재가격화되므로 신용 스프레드가 폭발하면 은행의 마진이 무너진다.
   3. 주식의 할인율: 할인율이 3~5%에서 8~10%로 오르면 장기 현금흐름을 가진 Johnson & Johnson이나 철도회사 같은 안정적 기업의 현재가치가 크게 낮아진다. S&P 500 전체가 AI 덕분에 성장해도 개별 비AI 주식은 급락할 수 있다.
   4. 금리의 체감치: Meta는 현재 5~6% 정도로 자금을 조달하지만, 컴퓨트 수익이 크면 8%도 기꺼이 낼 수 있다. Meta가 250bp 더 지불하면 경제 전체의 차입비용도 비슷하게 오른다.

6. 자동화·RSI와 새로운 성장 체제

두 사람은 모든 변화가 즉시 특이점으로 이어진다고 주장하지 않는다. 다만 특이점 이전에도 자본과 노동의 가격이 급변할 수 있다고 본다.

6.1. 특이점 전의 두 번째 볼커 충격

1. 역사적 비유

   1. 1980년대 사례: 인플레이션을 잡기 위해 Paul Volcker가 실질금리를 약 8%까지 올렸고, 그 결과 주로 라틴아메리카의 약 40개 국가가 해당 10년에 디폴트했다.
   2. 반복 가능성: AI 인프라가 5조 달러 이상의 신용을 흡수하면 개발도상국에서 두 번째 볼커 충격과 비슷한 국가부도 물결이 나타날 수 있다.
   3. 시점: 이 충격은 특이점이 도래하기 전에도 발생한다. 특이점 이후의 거대한 성장률을 전제로 하지 않아도, 지금의 건설과 차입만으로 금리 상승이 가능하다.

2. 자동화 경제의 금리

   1. 성장 속도의 상한: 인간 노동력은 매년 두 배가 될 수 없지만, 완전 자동화된 경제에서는 노동력과 생산 설비를 복제할 수 있다.
   2. Damon Binder의 관점: 투입산출표를 보면 인간이 병목이 아닌 경제에서는 로봇 공장이 로봇 공장을 만들고, 경제의 물적 재고를 훨씬 빠르게 늘릴 수 있다.
   3. 2030년대 가설: 세계 경제가 매년 두 배로 성장하는 단계에 이르면 금리는 소비와 위험을 반영해 성장률에 가까워지고, 2030년대에는 수십 퍼센트가 될 수 있다. Dylan은 머리 한편으로는 수백 퍼센트일 가능성도 떠올리지만 최소한 수십 퍼센트라는 보수적 표현을 택한다.

6.2. 비AI 자산과 국가의 가치가 재평가된다

1. 할인현금흐름의 붕괴

   1. 비AI 국가: AI 생산에 참여하지 않는 국가는 높은 이자를 감당하지 못해 채무불이행에 빠질 수 있다.
   2. 비AI 주식: 금리가 수십 퍼센트가 되면 장기 현금흐름의 현재가치는 거의 0에 가까워진다.
   3. 재정의 한계: 연방정부가 AI를 과세하지 못하면 부채 이자가 현재 세수보다 커질 수 있다.

2. 자본의 기회비용

   1. 기존 지출의 비교: 정부가 사람에게 연금과 급여를 지급하는 데 쓰는 돈은 로봇 공장을 만들고, 그 로봇 공장이 또 다른 로봇 공장을 만드는 데 쓰지 못하는 돈이다.
   2. 경제적 압력: 자본의 기회비용이 너무 높아지면 복지·주택·소비·전통산업 투자가 AI 증설과 경쟁할 수 없게 된다.
   3. 정치적 현실: 자본주의는 수익성이 높은 곳으로 자원을 재배치하지만, 실제 세계에는 규제·선거·신용시장·지역 주민의 반대가 있다. 따라서 순수 경제 모델이 원하는 만큼의 GW가 건설되지 않는다.

7. 노동력과 권력의 중앙집중화

컴퓨트가 특정 기업에 몰리는 것은 인프라 소유권만의 문제가 아니다. 모델이 사람처럼 일하기 시작하면 소수 기업이 세계의 유효 노동력을 보유하는 문제가 된다.

7.1. 유효 AI 인구가 매년 10배가 되는 구조

1. 컴퓨트와 알고리즘의 이중 배수

   1. 프런티어 FLOP: 프런티어 컴퓨트는 FLOP 기준으로 매년 4~5배 증가한다.
   2. 능력당 필요량 감소: 같은 수준의 능력을 만드는 데 필요한 컴퓨트는 알고리즘 개선으로 매년 3배씩 줄어드는 방향이다.
   3. 유효 인구: 두 효과를 곱하면 프런티어 연구소가 보유하는 동일 능력의 AI 노동자 수가 매년 약 10배 증가한다.

2. 인간 노동력과의 비교

   1. 현재의 한계: 지금 AI는 완전한 직무를 자율적으로 수행하거나 인간처럼 계획을 실행할 만큼 충분히 좋지 않아, 큰 유효 노동력 숫자가 즉시 경제를 바꾸지는 않는다.
   2. OpenAI의 가상 경로: OpenAI가 올해 1,000만 명의 AI 노동자에 해당하는 능력을 갖고, 내년에 1억 명, 그다음 해에 10억 명으로 늘린다는 예가 제시된다.
   3. 2020년대 말의 가능성: 성장률이 둔화돼도 몇 년이면 한 연구소가 지구상의 인간 수보다 많은 유효 노동력을 보유할 수 있다.

7.2. RSI가 없어도 중앙집중화되는 이유

1. 규모의 경제

   1. 학습의 상각: 특정 기술이나 지식을 학습하는 비용은 수십억 번의 세션과 수십억 명의 사용자에게 분산된다. 한 연구소가 한 번 훈련한 능력을 거의 무료에 가깝게 대규모로 재사용할 수 있다.
   2. 희소 자원의 최적화: 컴퓨트가 부족할 때 조금이라도 앞선 모델은 같은 자원으로 더 많은 가치를 만들고, 희소 컴퓨트에 더 높은 마크업을 붙일 수 있다.
   3. 배포 데이터와 지속학습: 더 넓게 배포된 모델은 더 많은 현실 데이터를 얻고, 지속학습을 통해 다시 다음 모델의 품질을 높인다.
   4. 자기개선의 선순환: 가장 좋은 모델이 다음 모델을 연구하는 데 사용되면, 앞선 연구소의 컴퓨트·데이터·지능이 서로를 강화한다.

2. 중앙집중화의 결과

   1. 작업 산출의 집중: 세계의 작업 산출 대부분이 컴퓨트를 계속 흡수하는 두 연구소에 집중될 수 있다.
   2. 정렬 문제의 집중: 그 AI들이 잘못 정렬되어 있다면 세계의 대부분의 유효한 마음과 노동이 같은 방향으로 잘못 정렬되는 문제가 생긴다.
   3. 정렬되어도 남는 문제: 모델이 정렬되어 있어도 소수 기업이 경제와 정보, 노동에 과도한 영향력을 갖는 사실은 변하지 않는다.
   4. RSI 이후의 배수: RSI가 없을 때도 특정 능력의 AI 인구가 연 10배로 늘지만, RSI가 시작되면 지능 또는 유효 인구가 연 100배·1,000배로 증가할 수 있다.

8. 중앙집중화를 피할 수 있는 정치적 선택

마지막 논의의 핵심은 AI가 중앙집중화를 만들 것인지가 아니라, 그렇게 강한 집중을 어떤 제도와 속도로 다룰 것인지다.

8.1. "모든 힘이 중앙집중화로 향한다"는 결론

1. 선택지를 좁히는 힘들

   1. 수익률: 앞선 연구소는 같은 전력에서 더 많은 매출을 만들고, 그 매출로 더 많은 칩과 전력을 구매한다.
   2. 규모의 경제: 학습 비용을 수십억 사용자에게 상각하고 배포 데이터를 얻어 다음 모델을 개선한다.
   3. 자기개선: 최고의 모델이 연구자와 코딩 도구가 되어 다음 모델의 개발 속도를 높인다.
   4. 희소성: 컴퓨트가 부족할수록 가장 효율적인 연구소가 높은 가격을 지불해 물량을 더 가져간다.

2. 정치가 개입하지 않을 때

   1. 시장 구조: 현재 AI 관련 경제도 Nvidia, OpenAI, Anthropic, 하이퍼스케일러 등 소수 기업에 큰 비중이 몰려 있다.
   2. RSI의 함의: RSI·AGI를 믿는다면 최고의 컴퓨트 사용자가 가장 큰 가치를 만들고, 시장은 그 사용자를 향해 컴퓨트를 계속 재배치한다.
   3. Dwarkesh의 문제 제기: "모든 힘이 중앙집중화를 향해 삐걱거리며 달려간다"는 결론은 무섭지만, 현재 추세를 설명하는 가장 간단한 문장이다.

8.2. 정부 통제와 시장 집중 사이의 딜레마

1. 자유시장에 대한 역전

   1. 기존 자본주의: 자본주의가 성장한 이유는 분산된 의사결정과 분산된 권력, 법치였고, 지나치게 중앙집중된 자본주의 경제는 더 분산된 경제보다 느리게 성장했다.
   2. AI의 반전: AI는 중앙집중된 소유와 조정이 더 효율적인 경제를 만들 수 있다. 여전히 사유재산이지만 참여 기업 수가 매우 적은 구조다.
   3. 현재 규모: 미국 경제 전체에서 AI가 차지하는 비중은 아직 수% 또는 그보다 작은 수준으로 논의되지만, Nvidia·연구소·하이퍼스케일러가 AI 경제의 큰 부분을 이미 구성한다.

2. 두 가지 불완전한 선택

   1. 기업 집중: 한 기업 또는 소수 기업이 자원과 컴퓨트를 거의 모두 가져가고, 그 기업이 옳은 결정을 하기를 바라는 경로다.
   2. 정부의 속도 제한: 정부가 모델 공개, 내부 사용, 데이터센터, 팹 건설을 제한해 발전을 늦추고 권력 균형을 유지하는 경로다.
   3. 신뢰의 문제: 정부를 민간기업보다 더 신뢰할 수 있다는 보장은 없고, 대화 속에서는 정부·Dylan·Z 어느 쪽도 자동으로 신뢰할 수 없다는 농담이 나온다.
   4. 필요한 지적 과제: AGI 이후의 탈중앙화·광범위한 권한 분산 비전은 규모의 경제를 무시하지 않은 채 설계돼야 한다. 두 사람은 이런 제도적 설계가 아직 큰 지적 프로젝트로 남아 있다고 말한다.

8.3. 모든 가치를 연구소가 가져가지는 않는다는 유일한 완충지대

1. 현재의 가치 분배

   1. 사용자와 애플리케이션: 모델의 가치를 실제로 가장 많이 포착하는 쪽은 사용자다. Jane Street는 OpenAI 모델과 독점 계약을 맺어 토큰으로 시장에서 수익을 만들고, Anthropic의 대형 고객으로서도 지불한 비용보다 훨씬 큰 가치를 얻는다.
   2. 대형 고객의 사례: Meta가 Anthropic 매출의 최대 10%를 차지한다는 소문이 있었고, Meta는 광고 알고리즘을 최적화해 참여 시간을 5% 늘리는 식으로 모델 비용보다 훨씬 큰 이익을 얻을 수 있다.
   3. 메가와트당 가치 격차: Anthropic이 메가와트당 1억 달러를 벌어도 Jane Street는 그 컴퓨트로 3억~5억 달러의 가치를 만들 수 있다. 모델 연구소가 모든 가치와 권력을 즉시 독점하지 않는다는 점이 유일한 완충지대다.

2. 내부 연구가 완충지대를 무너뜨릴 수 있다

   1. 외부보다 높은 내부 수익: Anthropic이 외부 고객에게 메가와트당 1억 달러를 받고, Jane Street가 2억 달러의 가치를 만들더라도, Anthropic이 내부 AI 연구에 쓰면 수억 달러의 미래 가치를 만들 수 있다.
   2. 컴퓨트의 재배분: 그래서 연구소는 토큰을 외부로 보내 고객이 돈을 벌게 하기보다 내부 모델 개발에 컴퓨트를 돌린다. 외부 사용자에게 이미 제공한 컴퓨트를 다시 가져오는 힘이 중앙집중화를 강화한다.
   3. 마지막 농담: Dwarkesh가 조사와 크레딧 공부로 메가와트당 얼마의 가치를 만드는지 묻고, 두 사람은 8만 개의 가능한 세계 중 Anthropic이 세상을 소유하지 않는 한 세계가 있는지 농담한다. Jane Street가 스폰서라는 점을 거듭 상기시키며 인터뷰를 마친다.

광고·협찬 구간에서 언급된 내용

Grokbot 채용 워크플로

Dwarkesh는 팟캐스트 영상 에디터를 찾기 위해 Grokbot에 자신의 요구사항을 길게 설명한 연락처 덤프를 넣었다. 여러 하위 에이전트가 지난 1년간의 이메일, X 피드와 DM, 선호 다큐멘터리의 엔드 크레딧, 자신이 구독하는 유튜버들의 편집자를 각각 검색하고, Grokbot이 후보를 기준에 맞춰 필터링했다. 첫 결과에는 탈락자가 많았지만 피드백을 주자 훨씬 나은 후보 목록이 나왔고, 매주 이메일과 DM을 검사하는 루틴으로 저장했다. 영상에서는 x.ai/bot을 안내한다.

Antithesis 결정론적 소프트웨어 테스트

Antithesis는 완전한 재현성을 제공하는 결정론적 소프트웨어 테스트 플랫폼으로 소개된다. 시스템의 어느 시점으로든 시간여행해 애플리케이션·데이터베이스·환경 전체를 멈추고, 장애 직전으로 되돌아가 네트워크 트래픽을 추가 기록할 수 있다. 노드를 죽이거나 기능을 끈 뒤 다시 실행하고 다른 가설을 시험할 수 있으며, 원래 타임라인이 보존되므로 프로덕션에서 한 번뿐인 파괴적 분석을 반복할 수 있다. API를 통해 에이전트가 실험을 수행하는 기능과 antithesis.com/warcash 주소가 안내된다.

Jane Street ML 인턴십

Jane Street는 ML 엔지니어링과 ML 연구에 초점을 둔 두 종류의 인턴십을 모집한다고 소개된다. 연구팀이 아직 풀지 못한 시장 참여자 행동과 거래 역학의 질문이 실제 인턴 프로젝트가 되며, 최근 논문을 금융시장에 적용하는 작업도 포함된다. 수천 개의 상호연결된 비정상 시계열, 낮은 신호대잡음비, 경쟁자와의 적대적 비정상성, 고차원성이 문제의 특징이다. 금융 지식보다 ML 연구 배경이 중요하고, 2027년 인턴십 지원 주소로 janestreet.com/bourash가 안내된다.

주요 발언 모음

"Every force is screeching towards centralization."

"If I spend 10 bucks on inference capacity, I can actually generate 50 bucks of revenue."

"The limiter on AGI is not how fast the research engineers can crank the gear; it is how much the rest of the world lets that happen."

"The effective population of the frontier is currently increasing 10x year over year for a given level of capabilities."

핵심 데이터 & 수치

• 신규 컴퓨트의 연구소 비중: 올해 약 30%, 내년 계약 기준 40~50%가 OpenAI와 Anthropic으로 향한다.
• 연구소 컴퓨트: OpenAI 약 2GW·Anthropic 2GW 미만에서 연말 각각 5GW 이상으로 증가할 수 있다.
• 추가 글로벌 컴퓨트: 올해 30GW, 내년 50GW, 2028년 70GW, 2029년 90~100GW가 제시된다.
• 2028년 연구소 전망: OpenAI와 Anthropic이 합쳐 약 100GW, 신규 물량의 70~80%까지 차지할 수 있다.
• 메가와트당 가격·매출: 기본 컴퓨트 원가 1,000만~1,500만 달러, 최신 연구소 매출 최대 5,000만 달러, 2027년 혼합 매출 7,000만~8,000만 달러 전망이다.
• 1GW 제조 기반: N3 웨이퍼 5만 5,000장, N5 웨이퍼 6,000장, DRAM 웨이퍼 17만 장, 팹 자본지출 약 60억 달러가 필요하다.
• AI 인프라 자금: 2024~2029년 누적 자본지출 약 11조 달러 중 약 6조 달러는 현금, 5조 달러 이상은 신용으로 조달해야 한다.
• 미국 재정: 연방 세입의 10% 미만이 법인세, 80% 이상이 급여세·소득세이며 현재 세입의 약 20%가 부채 이자에 사용된다.
• 중국의 위치: 2022년 신규 컴퓨트의 30~35%에서 현재 신규 AI 데이터센터 전력의 10% 미만으로 낮아졌고, 2028년 30GW 이하가 전망된다.
• AI 노동력: 가상 경로상 한 연구소의 유효 AI 노동력이 1,000만 명에서 1억 명, 다시 10억 명으로 늘 수 있다.

결론 및 시사점

1. AI 컴퓨트의 경쟁력은 전력량이 아니라 모델이 전력에서 만들어내는 매출과 연구 진전으로 측정해야 한다.
2. 컴퓨트의 소유자가 클라우드나 SpaceX여도 최종 수요와 고수익 사용처가 두 연구소에 있으면 실질 권력은 연구소로 집중된다.
3. 모델 공개를 막는 안전 규제는 외부 서비스의 매출과 공급자의 투자수익을 낮추지만, 내부 연구와 경쟁 우위를 강화할 수 있다.
4. 연구소는 매출이 높아질수록 추론을 외부에 판매하기보다 AGI·RSI 연구에 컴퓨트를 투입할 경제적 유인을 갖는다.
5. AI 인프라가 요구하는 7조~10조 달러의 연간 자본지출은 전력과 칩의 문제가 아니라 금리·국가부채·비AI 자산가치의 문제로 확장된다.
6. 미국은 데이터센터를 과세해 세원을 늘릴 수 있지만, 자동화로 급여세와 소득세가 줄어드는 재정 구조를 함께 고쳐야 한다.
7. 중국은 낮은 품질의 국내 칩을 빠르게 대량생산할 수 있으므로, AI 발전이 느려질수록 수출통제의 효과는 줄어든다.
8. AI가 인간 수준의 노동을 수행하면 소수 연구소가 지구 인구보다 큰 유효 노동력을 보유할 수 있어, 컴퓨트 집중은 곧 노동과 권력의 집중이 된다.
9. 분산된 의사결정이 성장의 원천이었던 전통적 자본주의와 달리, AI 경제에서는 중앙집중된 학습과 배포가 더 효율적일 수 있다.
10. 탈중앙화된 AGI 이후를 원한다면 규모의 경제와 자기개선의 선순환을 인정한 제도적 설계가 필요하지만, 영상에서는 아직 그 해법이 보이지 않는다고 결론낸다.

핵심 요약 (20줄)

AI 인프라 투자는 미국 경제성장의 중심으로 이동했고 연구소가 신규 컴퓨트의 가장 큰 최종 수요자가 됐다.

OpenAI와 Anthropic은 벤처자본 손실을 넘어 자체 매출로 연구와 인프라를 재투자하는 단계에 들어섰다.

최신 모델은 메가와트당 수천만 달러의 매출을 만들어 기존 컴퓨트 원가와 큰 격차를 보인다.

두 연구소는 올해 신규 컴퓨트의 약 30%, 내년에는 40~50%를 차지할 수 있다.

칩 세대교체로 와트당 성능이 3~5배 높아져 명목 전력량보다 유효 컴퓨트가 빠르게 증가한다.

2028년 두 연구소가 합쳐 100GW를 보유하고 세계 신규 컴퓨트 대부분을 흡수할 가능성이 제시된다.

팹과 EUV 거울, 터빈 같은 공급망 병목은 높은 수익률에도 긴 증설 기간 때문에 즉시 해소되지 않는다.

연구소가 더 많은 물량을 확보하려면 컴퓨트 가격은 메가와트당 수천만 달러 수준으로 상승할 수 있다.

안전 규제로 최고 모델의 공개와 데이터센터 건설이 늦어지면 외부 매출과 컴퓨트 구매력도 약해질 수 있다.

연구소는 추론 이익을 배당하기보다 더 큰 미래 가치를 만드는 내부 AGI 연구에 컴퓨트를 돌릴 유인이 있다.

실제 모델 사전학습은 수GW 보유량보다 훨씬 작은 동시 컴퓨트로 진행되며 나머지는 연구와 개발에 분산된다.

미국은 신규 AI 전력의 약 70%를 배치하는 반면 중국은 10% 미만을 배치하고 있다.

중국은 국내 칩을 빠르게 증산할 수 있지만 성능을 보정하면 미국산 컴퓨트와의 격차가 더 크게 남는다.

2028년 연간 100GW 규모의 증설은 전력·건물·터빈까지 포함해 수조 달러의 추가 자본지출을 요구한다.

2024년부터 2029년까지 약 11조 달러의 AI 인프라 투자 중 5조 달러 이상은 신용시장에 의존할 수 있다.

AI의 높은 투자수익률은 정부·기업·가계의 대출 수요와 경쟁해 경제 전체의 금리를 끌어올린다.

금리 상승은 부채가 많은 국가와 기업을 압박하고 비AI 주식의 장기 현금흐름 가치를 크게 낮춘다.

컴퓨트와 알고리즘 개선을 합치면 프런티어 연구소의 동일 능력 AI 노동력은 매년 약 10배 증가할 수 있다.

학습의 규모의 경제와 배포 데이터, 자기개선은 RSI가 없어도 컴퓨트와 권력을 소수 연구소에 집중시킨다.

AI 이후의 분산된 미래를 원한다면 기업 독점과 정부 통제 사이에서 규모의 경제를 반영한 새로운 제도를 찾아야 한다.