AI 특이점과 투자 사이클, 수학적 충격, 샌프란시스코의 변화

URL: https://www.youtube.com/watch?v=IUDl4bD1UMA 날짜: 2026-10-12 채널: Chester Roh (AI Frontier Korea / 노정석)

📌 핵심 질문 / 이 대화가 다루는 핵심 논점

==AI가 싱귤래리티를 향해 질주하는 동안, 막대한 인프라 투자는 철도·광통신 붐처럼 과투자와 붕괴를 거쳐 표준화될 것이며, 그 다음 가치가 이동할 희소한 자원은 소비자의 관심·도메인 맥락·책임·리더십·브랜드다.==

• 빅테크 4곳의 2026년 자본지출 계획은 7,250억 달러로, 한국의 연간 GDP에 가까운 약 1,000조 원 규모다.
• AI 기업의 현재 매출은 이 투자액을 따라가지 못하며, 코딩 이후의 기업 업무와 소비자 사용이 같은 속도로 유입될지는 아직 입증되지 않았다.
• 철도 붐처럼 인프라 제공자와 투자자는 큰 손실을 볼 수 있지만, 값싸고 풍부해진 인프라 위에 새로운 유통·콘텐츠·서비스를 올린 사업자가 더 큰 가치를 가져갈 수 있다.
• 모델 자체는 중국 모델과 오픈 모델의 추격으로 상품화되고 가격이 내려간다. 가치는 칩·데이터센터 같은 아래 계층과, 고객의 맥락을 이해하고 결과에 책임지는 애플리케이션·도메인 사업자 쪽으로 이동한다.
• 수학은 722개의 AI 연구 결과가 공개되며 자기 차례의 알파고 모멘트를 맞았다. 이 충격은 교육·연구·암호·모든 지식 노동이 각자의 차례를 맞을 수 있다는 신호다.

노정석은 빠르게 변하는 현상을 잠시 멀리서 바라보는 비즈니스 생각 실험을 제안한다. 최승준은 Mathpocalypse와 연구·교육의 함의를, 박종현은 샌프란시스코에서 확인한 inference·영상·로보틱스·소비자 시장의 현장을 보탠다. 세 관점은 모두 모델의 최신 벤치마크보다 수요의 실제 유입, 사회적 채택 속도, 희소성의 이동을 관찰해야 한다는 결론으로 수렴한다.

1. 시장을 읽는 좌표계: 시간 격차와 도메인 격차

현재 AI 산업은 한 회사가 모두 지배하는 직선이 아니라, 첨단 모델에서 일반 대중까지 시간과 도메인의 간격을 두고 퍼져 나가는 좌표계로 볼 수 있다.

1.1. Frontier에서 대중까지 이어지는 시간차

1. 두 축으로 시장을 배치하기

   1. time gap: x축은 최첨단 성능이 일반 시장에 도착하기까지의 시간차다.
   2. domain gap: y축은 같은 모델 능력이 특정 산업·업무에 적용되기까지의 도메인 차이다.
   3. adoption frontier: 녹색선 오른쪽은 AI를 따라오는 집단이고 왼쪽은 아직 채택하지 않은 집단이다.

2. 계층별 추격 속도

   1. Frontier Labs: OpenAI와 Claude 같은 회사가 싱귤래리티를 향해 우상단의 최첨단을 끌고 간다.
   2. Quasi Frontier Labs: Qwen과 DeepSeek 같은 회사가 약 2~6개월의 간격으로 뒤따른다.
   3. 버티컬 사업자: 법무·컨설팅·회계 회사가 범용 영역에서 한 발 물러나 domain-specific한 업무를 붙잡는다.
   4. 대중과 지식 영역: 최첨단과 버티컬 뒤에 대중이 따라오고, LLM을 넘어 각 도메인의 지식과 실제 업무로 확장된다.

1.2. 가상 세계에서 물리적 노동까지

1. RL 환경의 난이도

   1. 도메인의 virtual한 끝에는 LLM으로 대표되는 지식 산업이 있다.
   2. 반대편 physical의 끝에는 human labor가 있다.
   3. virtual에 가까울수록 보상 신호를 제공하는 RL environment를 만들기 쉽다.
   4. 현실 세계와 physical 영역에 가까워질수록 평가·보상 신호를 정의하고 수집하기 어렵다.

2. RLVR 경계와 현실의 단절

   1. 거대한 산업들이 두 끝점 사이에 몰려 있으며, 현재 커뮤니티는 RLVR 경계 부근에 걸쳐 있다.
   2. 엔지니어와 사업가가 모인 커뮤니티에서는 모델 성능·수학·코딩 자동화가 일상적인 이야기지만, 한 걸음만 밖으로 나가면 그런 속도로 살지 않는 거대한 인구가 있다.
   3. 바깥에서는 Tesla FSD와 현대자동차의 주행 보조 장치가 같은 것이라는 토론도 여전히 벌어진다.
   4. AI는 아직 대다수 대중에게 일어나지 않은 사건이다. Trump가 superintelligence라는 표현으로 바꾸자고 했고 SpaceX까지 SI로 불리기 시작했지만, 그 언어 변화가 대중의 실제 채택을 뜻하지는 않는다.

1.3. 도망자 플레이북과 모델 작업의 귀환

1. 따라잡는 사람이 돈을 버는 구조

   1. Frontier Player가 제공하는 가치를 빨리 알아차리고 자신의 도메인이 안전한지 판단하는 것이 첫 단계다.
   2. 실제 수익은 Frontier Lab보다 시간차를 두고 뒤따르는 사업자에게 생기는 경우가 많다.
   3. 자신의 도메인에 RL 환경을 구축하면 단순히 범용 모델을 호출하는 것보다 방어력을 만들 수 있다.

2. 프롬프트 만능론의 후퇴

   1. 불과 2~3년 전에는 training·fine-tuning·모델 작업이 사라지고 prompt engineering으로 대체된다는 말이 널리 퍼졌다.
   2. 이제는 다시 fine-tuning과 모델 작업을 담당하는 사람들의 시대가 조금씩 돌아오고 있다.
   3. Jev는 도메인에 맞춘 모델·에이전트 작업이 어떤 식으로 살아남는지 보여주는 좋은 사례로 언급된다.

2. 2026년 AI 투자의 크기와 불안정한 수요

2.1. 투자와 매출 사이의 큰 간격

1. 자본지출의 규모

   1. 빅테크 4곳이 2026년 말까지 쓰겠다고 밝힌 자본지출을 합치면 7,250억 달러다.
   2. 대화에서 사용한 거친 환산으로 약 1,000조 원이며, 한국의 연간 GDP와 비슷한 규모다.
   3. 자체 이익, 주식 발행, 장부에 즉시 드러나지 않는 부채까지 동원된 금액이라 단순 현금지출만으로 해석하면 안 된다.
   4. Nvidia는 한 분기에 약 89조 원, 거의 100조 원에 가까운 돈을 번다.

2. AI 모델 회사의 매출 추정

   1. Anthropic과 OpenAI는 매출을 공식적으로 공개하지 않으므로 외부 데이터 포인트를 이용해 ARR을 추정한다.
   2. 두 회사의 합산 연간 규모는 대화에서 약 400억~650억 달러, 약 100조 원 수준으로 거칠게 제시됐다.
   3. 두 회사의 매출은 빅테크 인프라 투자액의 약 10분의 1에 불과하며, Nvidia가 한 분기에 회수하는 금액과 비슷한 수준이다.
   4. Anthropic·OpenAI 외 neocloud까지 넓혀 부풀린 연간 수익을 약 1,750억 달러로 잡아도 7,250억 달러 투자의 3분의 1~4분의 1 수준이다.

3. 투자를 정당화하는 낙관적 전제

   1. 지금은 시작에 불과하고 앞으로 훨씬 더 성장한다는 전제가 있다.
   2. 기업 시장을 넘어 소비자 시장이 열리면 규모를 가늠할 수 없을 만큼 커진다는 기대가 있다.
   3. Google·Meta·Apple이 현재 만드는 거대한 산업 전체가 AI로 대체될 수 있다는 기대까지 자본 유입을 뒷받침한다.
   4. 문제는 이 낙관적 수요가 실제로 투자 속도를 따라잡을지다.

2.2. 1,000조 원을 감각으로 바꾸기

1. 국가 규모와 비교

   1. 한국의 1년 정부 예산은 약 400조 원이다.
   2. 한국의 연간 GDP는 약 1,000조 원이며, 민간·기업·정부가 한 해에 생산하고 쓰는 총량에 해당한다.
   3. GPU를 언제 샀고 언제 매출을 만들었는지까지 맞춰 계산하기는 어렵기 때문에, 비교는 2026년 투자와 수익을 같은 해에 뭉뚱그린 생각 실험이다.
   4. 정확한 애널리스트 예측이 아니라 큰 흐름을 보기 위한 숫자이므로 일부 포인트는 틀릴 수 있다는 전제가 붙는다.

2. 롯데타워 비유

   1. 성수동 사무실에서 보이는 잠실 롯데타워의 부지·레지던스·호텔을 모두 합친 부동산 가치를 약 10조 원으로 설명할 수 있다.
   2. 1,000조 원은 그런 10조 원짜리 랜드마크를 100개 세우는 정도의 감각으로 이해할 수 있다.

2.3. 성장 산업인데도 독점으로 수렴하지 않는 이유

1. Frontier 모델의 진입 조건

   1. Anthropic·Google·OpenAI만 frontier 모델을 만들 수 있는 것은 아니다.
   2. 충분한 자본·compute·데이터셋·인재를 확보하면 누구나 frontier 모델을 시도할 수 있다는 사실이 널리 퍼졌다.

2. 전형적인 escape velocity와 다른 AI

   1. 보통 급성장 산업에서는 한두 회사가 탈출 속도를 넘고 독점 시장을 만든다.
   2. 제약 산업처럼 기술적 독점이나 특허로 뒤에서 안정적으로 돈을 버는 구조가 생기기도 한다.
   3. AI에서는 피곤할 정도로 참여자가 계속 들어오고 다원화가 지속된다.
   4. 참여자들이 계속 진입하는 근거는 시장이 앞으로 커질 것이라는 전제 하나다.

2.4. 현재 고객 구성은 누구인가

1. 미국 소비자의 사용과 결제

   1. Andreessen Horowitz 자료에 따르면 미국인의 약 절반이 AI를 사용한다.
   2. 구독료를 내는 사람은 5%가 채 되지 않는다.
   3. 매출의 절반 이상을 상위 10%가 내고, 상위 1~2%가 약 20%를 차지한다.
   4. 매출이 위쪽으로 극단적으로 쏠린 구조다.

2. 상위 매출을 만드는 workload

   1. 큰 매출은 ChatGPT식 일반 채팅보다 workflow 자동화 에이전트에서 나온다.
   2. 영상 제작과 코딩도 주요 workload다.
   3. 매출 상위 사용자는 모델과 대화하는 것이 아니라 실제 결과물을 생산하는 agent 서비스를 사용한다.

3. 코더에서 15억 지식 노동자로

   1. 전 세계 코더는 약 3,000만 명이며, 이들은 사실상 agent 코딩 시장에 거의 모두 들어왔다.
   2. 코더들이 만드는 AI 매출은 약 100조 원 규모로 제시됐다.
   3. 전 세계 지식 노동자는 약 15억 명(1.5B)이다.
   4. 15억 명이 코더와 같은 수준으로 agent를 사용할지는 알 수 없다. 실제 업무 자동화가 아니라 이메일 요약 정도만 요청할 수도 있다.
   5. OpenAI와 Anthropic이 일반 지식 노동자를 위해 오피스 제품과 묶은 Work를 내놓았지만, 유의미한 성장 지표를 공개하지 않는다. 빠른 성장이 있었다면 적극적으로 꺼내 홍보했을 것이므로, 코딩을 제외한 지식 노동의 채택은 아직 크지 않다는 추정이 가능하다.

4. 소비자 애플리케이션의 빈자리

   1. OpenClaw가 대중의 손에 들어갔을 때의 파급력이 연초부터 관심사였고, Grokbot과 Muse도 거론됐다.
   2. Muse는 500만 명이 사용한다고 알려졌고 Grokbot도 사용자 규모가 언급되지만, 실제로 대중이 폭넓게 쓰는 소비자 앱은 아직 많지 않다.
   3. 현재 과투자의 핵심 전제는 모든 지식 노동자와 소비자 사용 사례가 앞으로 유입된다는 것이다.

3. 철도 붐이 보여주는 AI 투자 사이클

3.1. 철도가 만든 첫 번째 채택 충격

1. 증기기관에서 상업 철도까지

   1. 1700년대 후반 증기기관이 등장했고 산업혁명을 이끌었다.
   2. 증기기관으로 공장이 자동화되기 시작했고, 그 첫 번째 거대한 산업 인프라가 철도였다.
   3. 최초의 철도 노선은 1825년에 만들어졌고, 1830년 맨체스터와 리버풀을 잇는 상업 노선이 출발했다.

2. 맨체스터-리버풀의 경제적 변화

   1. 리버풀은 면화를 수입했고 맨체스터에는 면화를 직조해 천을 만드는 공장이 밀집했다.
   2. 철도 이전에는 운하가 두 도시의 운송을 사실상 독점했다.
   3. 철도는 운하보다 싸고 빠르게 화물을 이동시켰고, 승객 이동까지 폭발시켰다.
   4. “우와, 세상이 바뀌겠구나”라는 반응은 ChatGPT가 처음 등장했을 때의 충격과 닮았다.

3.2. 과투자와 실패, 그리고 인프라 위의 진짜 수익

1. 건설 붐의 구조

   1. 각 도시와 지선에 철도 건설 붐이 일어났다.
   2. 수익성이 있는 구간에도 노선 하나가 아니라 여러 노선이 계속 생겼다.
   3. 수십 년 동안 철도 투자금이 몰렸고, “노선을 지으면 시장이 어마어마하게 커진다”는 믿음이 과투자를 만들었다.

2. 철도 투자자의 손실

   1. 결과적으로 철도에 과투자가 일어났고 많은 철도 회사가 망했다.
   2. 철도 노선 자체에 투자한 투자자는 거의 돈을 회수하지 못했다.
   3. 은행과 전문 투자자뿐 아니라 일반 투자자와 소비자까지 채권시장에 뛰어들어 나라 전체가 철도에 돈을 댔다.

3. 가치는 인프라 위로 이동했다

   1. 남은 철도와 싸진 운송비가 사람들의 행동과 생활 방식을 바꿨다.
   2. 시골 농장주가 신선한 우유를 도시로 배달하는 산업이 생겼다.
   3. 신선한 채소를 도시로 보내는 사업도 철도 위에 올라갔다.
   4. 운송업자는 망했지만, 운송 인프라 위에 부가가치를 올린 사업자가 수익을 가져갔다.
   5. 더 큰 관점에서는 사회 전체가 빠르고 싼 이동의 수혜를 얻었다.

3.3. 통합·표준화·규제로 끝난 100년 주기

1. 구조조정

   1. 과투자를 견디지 못한 철도 산업은 통합 국면으로 들어갔다.
   2. 미국에서는 JP Morgan 같은 금융가가 회사를 통합했고, 영국에서도 소수 과점 사업자가 노선을 가져갔다.
   3. 서로 표준화되지 않은 노선과 시간표가 정리됐고, 정부는 요금 담합을 막는 규제를 도입했다.
   4. 소수 과점 사업자가 규제를 받으며 큰돈을 벌기 어려운 산업이 된 뒤 약 100년의 철도 주기가 끝났다.

2. AI와 철도의 공통점과 차이

   1. 현재 AI는 미래 시장에 대한 장밋빛 전망으로 인프라에 과투자하는 초창기 시장이다.
   2. 자본이 계속 들어오는 동안 시장은 계속 커지지만, 소비자 채택과 매출 성장이 기대보다 느리다는 물음표가 찍히는 순간이 진실의 순간이다.
   3. AI의 주기는 철도의 100년보다 훨씬 짧아 1~2년 단위로 진행된다.
   4. 철도는 건설 후 수십 년 남지만, 모델은 약 4개월이면 다음 상품에 밀려나는 재고에 가깝다.
   5. 구조조정이 끝난 뒤 철도 인프라 위에서 통신판매·소포 배송·도시화·지식산업이 꽃핀 것처럼, AI도 인프라가 싸고 범용화된 뒤 진짜 소비자 시장이 열릴 수 있다.

3.4. 부채가 만든 현재의 과투자 지점

1. 자본시장이 물음표를 찍는 조건

   1. 소비자 도입이 예상보다 느리거나 Anthropic·OpenAI 매출 증가율이 투자액에 비해 더디면 주식 투자와 신주 발행이 흔들린다.
   2. equity financing만으로 부족하면 기업은 부채를 끌어온다.
   3. 현재 인프라 투자의 부채 financing 비중은 80%를 넘는 것으로 언급됐다.

2. 철도 채권과 닮은 GPU·데이터센터 금융

   1. hyperscaler가 부채를 동원한다.
   2. 인프라 투자 전문 PE가 데이터센터와 GPU에 투자한다.
   3. 일반 투자자가 참여하는 민간 채권 상품도 GPU 붐과 데이터센터 건설 붐을 기회로 판매되고 있다.
   4. 공급이 실제 수요보다 많이 생기는 이유는 현실의 수요가 아니라 시장이 훨씬 커질 것이라는 기대와 자본 유입이다.

3. 반복되는 공급 과잉

   1. 광통신망은 실제 필요한 양보다 많이 깔렸다.
   2. 워드 프로세서와 Web 2.0 시절의 웹 애플리케이션도 필요한 수보다 훨씬 많이 투자됐다.
   3. 모바일 앱 시대에는 카메라 앱 하나면 충분해도 수천 개의 카메라 앱이 생겼다.
   4. AI도 같은 방식으로 과잉 공급을 만들고, 이후 통합·표준화·상품화·규제를 거칠 가능성이 있다.

4. 수요가 따라잡을지 판단하는 지표

4.1. 코딩 이후의 다음 workflow

1. 현재까지의 가파른 성장

   1. 코딩은 과거 소프트웨어 시장의 전체 크기에 해당하는 거대한 workflow였다.
   2. 약 1년에 걸쳐 코더들이 agent 코딩에 유입됐고, 그 기간 Anthropic과 OpenAI의 매출이 급격히 상승했다.
   3. 현재 투입 대비 수익이 낮은 것은 B냐 C냐의 선택보다 다음 유입 자체가 충분하지 않기 때문이다.

2. 2027년에 확인할 질문

   1. 코딩만큼 workflow에 잘 맞고 같은 열광도와 채택 속도를 가진 다음 업무가 등장할지 봐야 한다.
   2. 2027년에도 Anthropic·OpenAI의 매출이 2026년과 같은 성장률을 유지하는지가 첫 번째 지표다.
   3. 수요는 두 회사에만 잡히지 않고 Google·Meta·Microsoft·수많은 소형 회사로 분산될 수 있으므로 회사별 매출보다 전체 성장률을 봐야 한다.

4.2. GPU 투자를 흡수할 기업 수요

1. 설비와 고객의 균형

   1. 자본시장은 GPU로 대표되는 과투자를 현재 모두 소화하고 있다.
   2. 한국 GDP와 비슷한 돈이 투입되는 규모가 정당화되려면 GPU와 클라우드를 지불하는 수요자가 계속 늘어야 한다.
   3. 데이터센터 사업자는 “지으면 짓는 대로 다 팔린다”고 말하지만, 수치가 현실화되면 이 낙관론은 달라질 수 있다.

2. 붕괴의 크기를 결정하는 변수

   1. neocloud·Anthropic 등 AI 매출이 GPU 투자액을 계속 따라잡는지가 핵심이다.
   2. 그 사이 인프라 투자액이 줄어드는지도 중요하다.
   3. 기업용 수요는 B2B 코딩 이후의 agent adoption으로 확인된다.
   4. 투입 대비 매출의 격차가 크면 큰 붕괴가, 작으면 작은 붕괴가 일어날 수 있다.

4.3. 소비자가 Google과 Amazon의 매출을 가져갈까

1. 소비자 전환 후보

   1. Muse·Grokbot·Gemini Spark 같은 애플리케이션이 소비자 시장을 열 수 있다.
   2. 검색과 쇼핑도 중요한 전장이다. Amazon의 상품 판매와 Google의 전통 검색 매출은 여전히 매우 크다.
   3. AI 검색과 소비자 앱이 Google 검색·Amazon 상품 판매의 매출을 실제로 가져가는지가 두 번째 큰 지표다.

2. 아직 확인되지 않은 변화

   1. AI가 기존 검색과 쇼핑 매출을 완전히 가져갔다고 말하기에는 이르다.
   2. 소비자가 AI를 사용한다는 사실과 기존 플랫폼의 돈을 AI 서비스에 지불한다는 사실은 다르다.

5. 모델의 상품화와 희소성의 이동

5.1. 모든 계층으로 확장하는 사업자들

1. 전문화에서 전면 확장으로

   1. 1년 전에는 한 회사가 fine-tuning, orchestration 소프트웨어, 모델 등 한 영역을 담당한다고 말했다.
   2. 지금은 OpenAI·Anthropic부터 모든 경계 없이 확장한다.
   3. 두 회사는 바이오·법무·기업 내부 workflow·오피스 같은 거대한 버티컬은 직접 하며, 나머지만 파트너십으로 남기겠다고 공개적으로 말한다.
   4. 모든 계층의 사업자가 모든 계층으로 확장하는 현상은 아직 어느 계층이 가치의 중심인지 아무도 확신하지 못한다는 뜻이기도 하다.

2. 모델이 value capture를 독점하지 못하는 이유

   1. 모델을 잘 만드는 회사가 돈을 모두 벌 것이라는 초기 예상은 빗나가고 있다.
   2. 모델은 범용화되며 가격이 내려간다.
   3. 중국 모델과 다른 모델이 2~4개월 뒤에 따라오고 능력이 상향 평준화된다.
   4. Frontier 모델이 가격을 올리면 합리적인 기업은 조금 부족해도 GLM이나 DeepSeek으로 옮겨갈 수 있다.

5.2. 가치가 위와 아래로 분산되는 구조

1. 아래 계층

   1. NVIDIA 같은 칩 사업자와 데이터센터 사업자는 모델의 가격 경쟁과 무관하게 설비 수요에서 수익을 얻는다.
   2. inference 인프라와 특수 목적 GPU도 가치가 생기는 영역이다.

2. 위 계층

   1. 모델 위의 애플리케이션이 가치 확보의 다른 후보지만, 애플리케이션 시장은 아직 본격적으로 열리지 않았다.
   2. 현재 몇 개의 성공 사례만 있을 뿐, 대중적 소비자 애플리케이션 생태계는 형성 중이다.
   3. 모델 사업자와 이미 AI 시장에 들어온 유망 회사들이 사방으로 확장하는 것은 그들 역시 정답을 모른다는 증거다.

5.3. 경제학적 희소성

1. 소비자 시장의 관심

   1. 공급은 무한히 늘어날 수 있지만 돈을 내는 소비자의 수는 제한되어 있다.
   2. 인구가 줄면 결제 가능한 소비자는 더욱 희소해진다.
   3. 따라서 소비자의 시선이 머무는 곳이 가치를 확보한다.

2. 기업 업무의 맥락과 책임

   1. 과거에는 무언가를 만드는 능력이 희소했지만, AI가 제작 능력을 널리 공급하면 다음 희소 자원을 찾아야 한다.
   2. 희소 자원은 쌓인 맥락과 책임이다.
   3. AI를 잘 다루면서 사업을 해본 사람은 남이 시킨 일을 수행한 사람이 아니라, 업무를 구성하고 위험을 감수하고 결과에 책임진 사람이다.
   4. Palantir 같은 회사와 특정 도메인의 AI workflow 컨설팅·솔루션 회사가 모델과 고객 사이에서 value capture를 할 가능성이 있다.

3. 불확실한 의사결정과 리더십

   1. AI가 대체하는 항목은 evaluation metric이 분명한 업무다.
   2. 여전히 희소한 영역은 evaluation metric이 확실하지 않은 불확실성의 영역이다.
   3. 그곳에서 “그럼에도 이쪽으로 가자”고 결정하고, 결정에 책임지고, AI와 사람에게 계속 실행을 독려하는 능력이 리더십이다.
   4. AI 시대에 이 능력을 가진 사람이 산업별 컨설팅을 끝내고 역량을 일반화해 새로운 회사를 만들면 큰 가치가 생길 수 있다.

5.4. 코딩 시장의 정점과 두 번째 성장

1. 코딩의 선행 도착

   1. 코딩에는 들어올 사람이 거의 모두 들어왔다.
   2. 노정석은 구독료로만 토큰 비용을 100만 원 넘게 지불하지만, 앞으로 더 늘리지는 않을 것 같다고 말한다.
   3. 코딩 workflow는 거의 끝에 왔다는 판단이지만, 더 지켜봐야 한다는 유보도 남긴다.

2. 거품 이후의 진짜 성장

   1. 자본시장 관점에서 거품이 한 번 터질 시점에 가까워졌을 수 있다.
   2. Anthropic과 NVIDIA 주가는 하락할 수 있다.
   3. 그러나 정점에서 내려온 뒤 두 번째의 제대로 된 성장이 시작될 수 있다.
   4. 투자자는 현재의 과열과 이후의 범용화·저가화·새로운 응용 성장 사이클을 구분해 읽어야 한다.

5.5. 브랜드라는 희소성

1. Lablup 패널의 답

   1. 한국의 이진원·활성·노타 김태훈 CTO·Lablup 김준기 CTO와 함께한 패널에서 AI 회사들이 전 영역으로 확장하는 현상이 관찰됐다.
   2. 신정규 대표에게 앞으로 무엇이 중요해지는지 묻자 “브랜드가 중요해집니다”라는 답이 나왔다.
   3. 모두가 같은 재화를 공급해도 믿을 수 있고, 거래하면 앞으로 이익을 얻을 것 같은 상대와 거래하려는 선택이 브랜드를 만든다.

2. 버튼을 누르는 일의 종말

   1. 아무 생각 없이 시킨 일을 수행하고 버튼만 눌러 돈을 받는 시장은 끝나간다.
   2. 예술가가 지역마다 하나씩 필요했던 시절에는 지역의 예술가가 안정적으로 돈을 벌 수 있었다.
   3. 인터넷이 서울과 뉴욕의 예술가를 같은 시장에서 경쟁시키면서 시장은 커졌지만, 블록버스터만 큰돈을 벌게 됐다.
   4. 모든 산업이 K-pop 엔터테인먼트처럼 변한다. 시장과 스타의 기대값은 커지지만, 소수의 스타와 다수의 무급·저수익 연습생이 공존한다.

6. 샌프란시스코에서 확인한 Frontier의 현장

6.1. 사람을 돕는 LLM에서 사람을 제거하는 자동화로

1. Jev의 출발점

   1. 현재 LLM은 사람을 돕는 방식으로 학습됐다.
   2. 사람을 보조하는 것만으로는 큰 성장에 한계가 있다.
   3. 사람이 완전히 빠져도 업무를 자동화하는 시스템이 되어야 더 큰 성장 가능성이 열린다.

2. 수요보다 부족한 inference 설비

   1. 현재 inference 수요가 설비 공급보다 많아, 만드는 즉시 팔리는 상황이다.
   2. Modal inference 컨퍼런스에는 유명 회사 창업자들의 발표가 동시에 여러 세션으로 열렸다.
   3. inference 회사의 가치와 자금력이 높고, 여러 창업자와 회사가 협업을 위해 시간을 투자하는 모습이 관찰됐다.

6.2. GPU를 구하면 inference를 팔 수 있다

1. YC 스타트업의 공통 답변

   1. 박종현은 길에서 우연히 만난 YC 배치 스타트업에게 inference를 팔기 어려운지 GPU를 구하기 어려운지 물었다.
   2. 대부분 “GPU를 사는 게 어렵다. GPU만 살 수 있으면 inference는 다 팔 수 있다”고 답했다.
   3. 현재 병목은 수요 부족이 아니라 GPU 접근성일 수 있다.

2. 특수 목적 inference

   1. Dreamscale Labs는 로봇을 움직이는 VLA(vision-language-action)·world action model inference를 팔려 한다.
   2. 로봇 inference는 반응 속도가 중요하므로 샌프란시스코 안의 GPU를 찾는다.
   3. video generation inference도 커지고 있다.
   4. 영화 제작사용 영상 생성 inference, 로봇용 inference처럼 한 단계씩 도메인 가치를 더해 풀 패키지로 경쟁한다.
   5. Vast, Weights & Biases, OpenRouter, Fal과 LTX 등 업체들이 행사를 열어 고객과 개발자를 모으며 생존을 걸고 경쟁한다.

6.3. AI 영화와 영상 편집의 소비자 신호

1. AI 영화 상영회

   1. AI만으로 만든 영화를 상영하는 행사에 참석했을 때 작품이 완벽하지는 않았지만 우는 관객이 있었다.
   2. 실제 수요자 관점에서 AI 영화가 열릴 수 있고, 영화를 만들어 상영하는 시장이 성립할 수 있다는 신호다.
   3. IMDb에 이미 올라가 평점까지 받은 AI 제작 영화도 꽤 있었고, 대부분 중국계 작품이었다.
   4. 숏 드라마·마이크로 드라마 포맷은 잘 팔리고 있으며 AI로도 많이 제작된다.
   5. 영화 제작사들이 공개적으로 말하지 않을 뿐 AI로 장면을 생성하지 않는 곳이 없다는 업계의 뉘앙스가 전해졌으나, 해당 주장은 독립적으로 확인되지는 않았다.

2. 한국 사례와 생성 품질

   1. 김 부장 드라마의 북한 장면이 AI로 만들어졌다는 사례가 언급됐다.
   2. 유튜브에는 스타크래프트 영화 같은 시리즈가 올라오며, 한국 창작자들이 이 영역에서 강점을 보일 가능성이 있다.
   3. 영화로서 인정받으려면 어색한 흔적을 들키지 않아야 한다.
   4. 발로 수풀을 밟았을 때 수풀이 반응하는 방식까지 눈으로 비교해도 알아채지 못하도록 세밀하게 조정한다.

3. Descript의 숨은 모델

   1. Descript는 영상 편집 분야에서 매출과 인기가 높은 서비스다.
   2. 오디오를 영상 타이밍에 맞춰 정확히 전사하려면 0.1초의 오차도 허용하기 어렵다.
   3. 이런 모델은 오픈소스로 많지 않으며, 논문만 공개되고 open weight가 아닌 경우가 있다.
   4. B2C 회사는 소비자 시장을 열기 위해 내부에서 특화 모델을 직접 연구하고 만든다.

6.4. 로보틱스의 데이터 공장

1. 공통 키워드: deploy와 scale-up

   1. Modal 행사에서 Generalist·Physical Intelligence·1X 창업자들이 로보틱스의 배포와 확장에 대해 이야기했다.
   2. 언어 모델의 scale-up과 달리 로봇·영상은 데이터 용량이 압도적으로 크다.
   3. 여러 환경에서 양질의 영상을 모아 학습하려면 실제 산업 현장에 배포해야 한다.

2. 데이터 수집 방식

   1. Physical Intelligence는 가능한 많은 산업 환경에 로봇을 배포해 작동 데이터를 얻으려 한다.
   2. Generalist는 전 세계 공장을 데이터 공장처럼 활용해 여러 장소의 영상을 한곳에 모으려 한다.
   3. 1X의 휴머노이드 Neo를 실제로 볼 기회가 있었고, 물리적 지능 영역도 곧 크게 열릴 가능성이 보였다.

6.5. “샌프란은 다르다”와 열린 Frontier

1. 느슨하게 열린 이너 서클

   1. 박종현은 이미 큰 인맥이 없어도 frontier 사람들과 대화할 수 있을지 의심하며 샌프란시스코에 갔다.
   2. 실제로는 생각보다 접근 기회가 열려 있었고, 소개를 요청하면 사람들이 잘 소개해 줬다.
   3. frontier 집단은 닫힌 엘리트 클럽이라기보다 원하면 가까이 가서 정보를 얻을 수 있는 느슨한 네트워크에 가깝다.

2. 샌프란시스코의 물리적 효과

   1. 온라인에서 AI로 무엇이든 만들 수 있는데 굳이 물리적으로 갈 필요가 있느냐는 부정적 감정이 있었다.
   2. 직접 와서 상호작용하자 정보의 밀도와 사람의 태도가 다르다는 판단이 생겼다.
   3. 박종현은 이를 “샌프란은 달라 병”이라고 표현했고, 남은 기간 최대한 머물고 싶다고 말했다.
   4. 귀국 전 video LLM 창업자와 Video as Code 행사를 열기로 했다.
   5. Video as Code는 video generation 모델만 쓰는 것이 아니라, LLM이 비디오를 이해하고 코드를 만들어 코드로 좋은 영상을 만드는 접근이다.

7. Mathpocalypse: 수학의 AlphaGo 모멘트

7.1. OpenAI의 722개 공개와 수학의 충격

1. 공개된 결과

   1. OpenAI는 2026년 10월 6일 GitHub와 공식 블로그에 722개의 manuscript를 공개했다.
   2. 이 중 3건은 오류 때문에 철회됐다.
   3. OpenAI는 기존 수학 벤치마크가 포화됐기 때문에 미해결 연구 문제를 모델 평가에 사용했다고 밝혔다.
   4. 최승준은 수학을 발전시키려는 프로젝트라기보다 모델 역량을 높이기 위해 수학을 제물로 삼은 인상을 받았다고 말했다.

2. 문제와 분야의 범위

   1. 연구 결과의 계열은 약 372개로 집계됐고, 모델에 풀라고 제공한 미해결 문제는 약 4,000개였다.
   2. 준리만 문제를 풀었다는 화제는 리만 가설 자체가 아니라 그 전 단계에 해당하는 문제를 푼다는 뜻이다.
   3. 수론을 비롯한 약 17개 수학 분야, 전체 수학 분야의 약 40%에 걸치는 결과였다.
   4. MathDB에는 난제가 약 9만 개 가까이 등재되어 있어 규모는 크지만 전체 수학을 다룬 것은 아니다.

3. 빠른 연구 일정

   1. 8월 28일 내부 모델 훈련이 시작된 것이 아니라 재개됐다.
   2. 9월 8일 Navier–Stokes 관련 성과가 발표됐다.
   3. 9월 11일 필즈상 수상자들이 성명을 냈다.
   4. 9월 21일 이미 100개 이상을 해결했다는 발표와 함께 자문단을 통한 검토가 예고됐다.
   5. 9월 29일 자문단 권고가 나왔고, 10월 6일 722건이 공개됐다.

7.2. 수학계의 반응과 검증 부담

1. 공개 반대와 자문단의 우려

   1. AHM이라는 강경 성명은 인간의 수학을 해야 하며 AI의 수학을 받아들일 수 없다는 서명을 모았다.
   2. 일부는 법적 조치와 로비까지 언급했지만 실제로 막을 수 있는지에 대해서는 자조가 섞였다.
   3. 자문단은 내부 모델로 먼저 결과를 내고 연구자와 격차를 만드는 방식이 건강하지 않다고 지적했다.
   4. 수학계 전체에 이렇게 결과를 쏟아내는 방식과 공개되지 않은 모델의 선점은 연구 생태계에 도움이 되지 않는다는 권고였다.

2. Proofs and Prompts의 반응 분류

   1. 2026년 8월 발족한 Proofs and Prompts는 AI·수학·자동 증명을 논의하고 실험하는 사이트다.
   2. 100개 넘는 해법에 대한 수학자·학생·저명 연구자의 100개 넘는 반응을 모았다.
   3. AI로 분류한 태그는 경탄·흥분 36건, 상실·슬픔 22건이었다.
   4. 낙관·희망, 담담한 관망, 신진 연구자의 반응, 접근성·불평등 우려도 포함됐다.
   5. manuscript가 일반 수학 논문처럼 peer review를 거쳐 표현이 정제되지 않아 읽기 어렵다는 불만이 있었다.
   6. 평생 연구한 분야이기에 호기심을 억누르기 어렵지만, 읽고 정제하고 검증하는 일을 왜 무료 노동으로 해야 하느냐는 부담도 컸다.

3. 생태계에 대한 핵심 걱정

   1. 연구자들은 실제로 논문을 읽고 부족한 부분을 찾고 개선하는 일을 계속하고 있다.
   2. 동시에 젊은 수학자를 양성하는 방식과 수학 학문 생태계가 위협받는다는 우려가 주류 반응이다.
   3. 논문 수와 성과가 학문적 성취의 대리 지표가 된 것은 Goodhart의 법칙처럼 평가가 본래 목적에서 이탈한 결과다.
   4. 논문과 연구 생산이 폭발하는 지금이 학계 전체의 평가 체계를 바로잡는 기회가 될 수도 있다.

7.3. Math 2.0과 다른 업계의 냉담한 시선

1. Terence Tao의 문제 제기

   1. Terence Tao는 Math 2.0이라는 표현을 쓰기 시작했고, 자신의 블로그와 Mathstodon을 공론장으로 열었다.
   2. Caltech 발표 슬라이드에서는 Math 1.0과 Math 2.0, 앞으로의 방향을 논의했다.
   3. AI가 수학자들에게 연구 결과를 영화의 스포일러처럼 먼저 보여준다는 문제의식도 드러났다.
   4. 암 치료에 비유한 슬라이드는 논란이 됐다. 치료 효과가 있으면 기전을 모두 이해하지 못해도 임상을 계속해야 한다는 의학적 논리로 읽힐 수 있었기 때문이다.
   5. 일부는 이 비유를 근거로 수학계가 오만하고 역풍을 맞는다고 비판했다.

2. 소프트웨어 업계의 반응

   1. Tristan Buckmaster의 연구가 추월당했거나 활용됐다는 의혹을 둘러싼 사례가 냉소적 반응의 근거로 인용됐다.
   2. “진리를 탐구하는 것이 중요한가, 수학자의 밥그릇을 지키는 것이 중요한가”라는 비판이 나왔다.
   3. Eric S. Raymond는 소프트웨어 업계가 이미 2~3년 전에 AI 충격을 받아들이고 견뎠으니 수학계도 앞으로 나아가야 한다는 강한 태도를 보였다.
   4. Kent Beck도 비슷한 말을 했다. 먼저 충격을 맞은 소프트웨어 업계가 수학계를 다소 냉담하게 바라보는 분위기다.
   5. Karpathy가 소프트웨어 1.0·2.0·3.0으로 구조 변화를 구분했듯, Math 2.0은 수학의 구조 자체가 바뀐다는 뜻으로 읽힌다.

3. 수학계가 선택할 수 있는 방향

   1. 증명 자체보다 문제를 추구하는 과정에서 얻는 이해가 중요하다는 주장이 Navier–Stokes 이후 강해졌다.
   2. 수학계는 혼란과 감정을 공개적으로 표출하면서 정체성과 업을 유지할 방법을 논의하고 있다.
   3. 바둑계와 소프트웨어 업계가 겪은 사례를 바탕으로 수학의 새 공론장을 만들고 있다는 점에서 이전 업계보다 건강하게 대응한다는 평가가 나왔다.

7.4. 암호와 공격의 문턱

1. 공개키 암호의 잠재적 위험

   1. Vitalik Buterin과 관련 인물들은 이번에 다뤄진 정수론 문제가 RSA와 공개키 암호에 양자 컴퓨팅과 다른 방식의 위협이 될 수 있다고 우려했다.
   2. 알고리즘은 계산에 너무 많은 시간이 걸린다는 전제 위에 안전성이 세워져 있다.
   3. 새로운 shortcut이 생겨 알고리즘 복잡도가 내려가면 당장 해킹할 수 없어도 암호 자체의 안전성은 흔들릴 수 있다.

2. 공격 자동화

   1. 해외에서도 화제가 된 한국 은행 공격에 DeepSeek가 사용된 흔적이 언급됐다.
   2. 모든 문제를 컴퓨팅 자원을 투입하는 검색 문제로 바꾸면 공격의 문턱도 낮아진다.
   3. “해줘, 해줘, 해줘”의 시대는 연구뿐 아니라 공격과 악용에도 적용된다.

8. RSI, convex hull, 그리고 보이지 않는 미래

8.1. 한 달 사이의 모델 역량 변화

1. Navier–Stokes에서 372개 문제까지

   1. 9월 초 Navier–Stokes 결과에는 10,000개의 agent와 88시간이 필요했다.
   2. 한 달 뒤인 10월 초 ChatGPT Pro Thinking은 문제 하나를 약 3시간에 해결했고, 공개된 약 372개 문제는 평균적으로 그 정도 자원으로 풀렸다고 전해졌다.
   3. 단순하게 보면 한 달 사이 RL을 통한 역량이 크게 상승했다.
   4. 처음 어려운 문제를 풀 때 만들어진 10,000개 agent의 좋은 풀이 궤적이 다음 training의 데이터가 됐을 가능성이 있다.

2. Convex hull of ideas

   1. 처음 경로를 뚫을 때 큰 자원이 필요하지만, 풀이의 가닥을 알면 후속 추격은 쉬워진다.
   2. 수학자들은 모델이 기존 문헌 사이의 아이디어를 연결하는 “convex hull of ideas”를 잘 만든다고 본다.
   3. 전문 수학자는 자기 분야 밖의 문헌을 깊이 알기 어렵지만 모델은 서로 먼 문헌을 조사하고 연결한다.
   4. “이 아이디어와 저 아이디어를 연결해서 이 결과를 냈다고?”라는 반응이 실제로 나왔다.
   5. Google에서 Gemini RSI와 TPU를 담당했던 Patrick Toulme도 이런 연구 흐름을 언급했다.

8.2. RL과 재귀적 자기 개선

1. RSI loop의 효과와 비용

   1. 모든 랩이 RSI loop를 돌리고 있다.
   2. RL은 수학·코드 역량을 빠르게 올리지만, 너무 많이 하면 언어 능력에 손실이 생길 수 있다.
   3. 읽기 어려운 manuscript와 여전히 매끄럽지 않은 글쓰기가 과도한 RL과 관련 있는지 의문이 제기됐다.
   4. Anthropic의 다음 pre-training run이 시작됐다는 소문도 있고, 계속 훈련과 개선이 반복된다.

2. 체크포인트 경쟁

   1. Gemini 4는 Argon을 전체 공개하지 않았지만 내부 코딩 성능이 부족하다는 반응이 있었다.
   2. Barium-B가 나오고 Carbon을 굽는 등 체크포인트가 계속 올라간다.
   3. RL을 계속 시키다가 우연히 좋은 체크포인트가 나오면 그것을 모델로 구워 발표하는 방식이다.
   4. Hugging Face 쪽 연구자는 OpenAI GitHub를 RL target으로 삼는 흐름을 말했고, 빅테크 의뢰로 RL 환경을 만드는 회사가 크게 늘었다.
   5. RL environment와 RL dataset을 판매하는 회사는 높은 수익을 올린다.
   6. OpenAI의 Bel이 12월에 더 좋아질 것이라는 소문, 아직 공개되지 않은 Fable 5.5와 Gemini 4 관련 내부 반응 등은 확정된 사실이 아니라 실리콘밸리의 빠른 루머 순환을 보여준다.

3. 새 경계를 만드는가

   1. 한 가설은 AI가 기존 아이디어의 볼록 껍질 안에서 조합을 잘할 뿐 완전히 새로운 축을 만들지는 못한다는 것이다.
   2. LessWrong 쪽에서는 모델이 껍질 안의 조합을 넘어 외삽해 경계를 확장할 수도 있다고 반박한다.
   3. AI의 경계와 인간의 경계가 다를 수 있고, 실제 경계가 어디인지 아무도 정의하지 못한다.

8.3. Taleb의 convex tinkering

1. 손실을 제한하는 실험
   1. 최승준은 개념을 이해하려고 볼록 껍질을 즉시 조작해 보는 interactive storytelling을 만들었다.
   2. Nassim Taleb의 convex tinkering은 옵션처럼 손실을 제한하고 성공했을 때의 이익을 크게 만드는 방식이다.
   3. 흥미로운 시도가 실패하면 손실이 제한되지만, 하나가 터지면 앞선 실패를 모두 만회할 수 있다.
   4. 이는 AI 시대의 사업 실험과 연구 선택에서 두꺼운 꼬리(fat tail)를 활용하는 방법이다.

8.4. Chollet의 지능 폭발 회의론

1. 투입과 성취의 비선형 관계

   1. François Chollet은 재귀적 자기 개선 이후 지능 폭발이 오지 않을 것이라는 부정적 뉘앙스의 글을 썼다.
   2. 과학은 이미 자기 자신을 개선하는 RSI 같은 구조를 갖고 있지만, 과학의 역사에서 투입이 늘어난 만큼 성취가 늘지는 않았다.
   3. 투입이 기하급수적으로 올라가도 성취는 선형으로 늘어날 수 있으므로 RSI가 곧 지능 폭발을 뜻하지는 않는다.
   4. Chollet은 Michael Nielsen과 Patrick Collison이 2018년에 연구한 과학 생산성 자료를 근거로 삼았다.

2. Vinge가 말한 미래의 벽

   1. Michael Nielsen은 Vernor Vinge의 1993년 글 『The Coming Technological Singularity: How to Survive in the Post-Human Era』를 인용했다.
   2. 기술이 나오기 전에는 미래를 예측하기 쉬웠지만, 강력한 기술의 증거가 쌓일수록 그 기술로 무엇을 할지 구체적으로 상상하기 어려워진다.
   3. 초지능이 가능해져도 미래는 불투명한 벽처럼 보인다는 SF 작가의 딜레마다.
   4. Hinton이 말한 “안개가 지수적으로 감소한다”는 비유처럼 가까운 것은 보이지만 조금 먼 미래는 불투명하다.
   5. 이런 소식을 계속 견디는 일 자체가 정신적으로 힘들다는 최승준의 솔직한 감정이 나왔다.

9. 교육, 의식, 일상으로 들어오는 변화

9.1. 교육은 원래의 가치를 지켜야 하는가

1. 현재 일상과 교육의 거리

   1. 모델이 오늘 무엇을 할 수 있는지는 교육 분야의 일상을 아직 크게 바꾸지 않았다.
   2. 학생이 자기 시간을 쓰고 자기 머리로 연습하는 일을 AI에 전부 위임하면 교육의 본래 가치가 훼손된다.
   3. AI를 쓰더라도 원래 하던 학습을 잘하는 능력을 보전하자는 주장은 교육이 전통적으로 하던 일과 겹친다.
   4. 그래서 동시대 AI 기술이 교육에 들어올 자리가 오히려 교육의 본래 목적과 충돌하는 것처럼 보인다.

2. 새로운 교육 소비자 앱

   1. 박종현이 만난 공동 이벤트 주최자는 AI로 교육을 더 잘하려 한다.
   2. 3Blue1Brown과 비슷한 교육 목표를 AI로 더 잘 구현하려는 접근이다.
   3. 숭고한 교육 목표를 가진 창업자가 실제로 소비자 앱을 만들고 있어, 교육용 AI 시장이 이제 태동할 가능성이 보인다.

3. 실험의 한계

   1. 미래를 알아차리려면 실패를 빠르게 차단하고 성공 가능성이 있는 선택지를 실험해야 한다.
   2. 그러나 실패가 치명적인 분야에서는 epistemic action, 즉 알아차리기 위한 실험의 표본 수를 많이 찍을 수 없다.
   3. 교육은 그런 고위험 분야 중 하나다.
   4. Nielsen이 말한 에너지·자원 같은 예측 가능한 제약 조건을 기준으로 보면 일부 미래는 여전히 추정할 수 있다.

9.2. “미래를 예측하는 가장 좋은 방법은 창조하는 것”

1. 창조로 미래를 선택하기

   1. 노정석은 맞든 틀리든 자신이 옳다고 믿는 미래로 가서 “이게 맞다”고 외치다 보면 그것이 미래가 될 수 있다고 말했다.
   2. 빠른 변화 속에서는 예측보다 직접 만드는 일이 미래에 영향을 미치는 방식이 된다.

2. 각자의 차례

   1. 수학자들은 자기 차례가 올 것을 예감했지만 실제로 맞고 나서 감정은 전혀 달랐다.
   2. 어떤 사업가든 자기 차례를 맞을 수 있으며, 그 형태는 미리 알 수 없다.
   3. 사업가·교육자·연구자·창작자 모두 자기 분야가 수학과 같은 AlphaGo moment를 맞을 가능성을 고려해야 한다.

9.3. 영혼, functional consciousness, 그리고 종교

1. Anthropic과 종교계

   1. 교황이 AI 의식과 관련된 글을 자주 올리고, Anthropic의 Chris Olah 등이 종교계 인사들을 만났다는 흐름이 언급됐다.
   2. Anthropic은 10월 8일 Usage Policy를 업데이트해 학대하는 듯한 발언을 하는 사용자에게 사용 권한을 주지 않는 방향을 논의했다.
   3. AI 의식·종교계 반응·Anthropic IPO의 관계가 하나의 사회적 이슈로 묶인다.

2. 영혼과 의식에 대한 답변

   1. 영혼이 있느냐는 질문에 최승준은 아직 있다고 생각하지 않는다고 답했고, 박종현은 있다고 답했다.
   2. 논점을 consciousness로 좁히자 Anthropic은 functional consciousness가 있다고 주장하지만 상담과 공감 획득의 용도로 쓰지는 않는다는 견해가 나왔다.
   3. 박종현은 영혼·의식이 사람들이 사고 과정과 상호작용을 추상적으로 부른 이름이라면, AI도 사람과 강한 감정적 상호작용을 만들 때 그 개념에 닿을 수 있다고 봤다.
   4. AI 영화로 사람들이 실제로 우는 현상은 생성 주체가 AI라는 사실과 감정적 효과가 별개임을 보여주는 사례다.
   5. 노정석은 substrate만 다를 뿐 AI와 인간의 사고가 동형(isomorphic)일 수 있다고 말했다.

3. 교황 Leo 14세

   1. Leo 14세는 학부에서 수학을 공부하고 신학을 했으며 5개 국어를 구사하는 인물로 소개됐다.
   2. 취임 자료에서 산업혁명을 언급하며 AI 시대의 종교와 인류가 어떠해야 하는지 고민하는 역할을 자임했다.
   3. 예술은 인간의 것이어야 한다는 교황 측 발언이 계속 나오는 배경이다.

9.4. 가족의 한마디가 보여준 인식의 도약

1. Tesla 안의 Grok

   1. Tesla에서 FSD를 켜고 Grok과 대화하면 낮은 latency로 답하고 function call을 수행해 분석 결과를 가져온다.
   2. 가족이 옆에서 듣다가 “야, 이거 Optimus에 달아놓으면 사람이네”라고 말했다.
   3. Tesla가 바로 그 방향을 추진하고 있다.

2. 외부인의 단계적 도약

   1. 모델 벤치마크·크기·체크포인트에 익숙한 사람은 모델 간 격차에 둔감해질 수 있다.
   2. 바깥의 일반인은 자신이 직접 보고 인지하는 가치가 변할 때마다 단계적으로 인식을 바꾼다.
   3. Grok의 자동차 탑재와 자연스러운 상호작용은 기술 내부자의 그래프보다 일반인의 인식 전환을 더 선명하게 만든다.

주요 발언 모음

“아직 많은 대중에게 AI는 일어나지 않은 일이에요.”

“정작 운송업자들은 다 망했는데요. 그 위에 새로운 가치를 올렸던 사람들이 돈을 벌거든요.”

“모델 값은 계속 싸져요. 그런데 capex는 계속 늘어나고 있고.”

“가치를 확보하는 곳은 기술이 뛰어난 곳, 돈이 많은 곳이 아니라 언제나 희소한 곳으로 이동합니다.”

“앞으로 뭐가 중요해집니까? 브랜드가 중요해집니다.”

“사람을 도와주는 게 아니라 사람이 완전히 빠져도 완전히 자동화할 수 있는 걸 만들어야 정말 큰 성장 가능성이 열릴 것이다.”

“샌프란은 달라 병에 걸려버리고 말아서.”

“모든 문제가 정말 컴퓨팅을 투입한 검색의 문제로 다 바뀌고 있어서, 해줘, 해줘, 해줘의 시대가 오고 있습니다.”

“미래를 예측하는 가장 좋은 방법은 창조하는 것이다.”

“누구나 자기 차례가 올 거라는 걸 생각해야 된다고 저는 봐요. 어떤 영역에서든요.”

핵심 데이터 & 수치

• 2026년 빅테크 4곳의 CapEx: 7,250억 달러, 대화의 환산으로 약 1,000조 원.
• 한국 연간 정부 예산: 약 400조 원.
• 한국 연간 GDP: 약 1,000조 원.
• Nvidia 분기 수익: 약 89조 원, 거의 100조 원.
• Anthropic·OpenAI 합산 ARR 추정: 약 400억~650억 달러, 약 100조 원 수준으로 언급.
• neocloud까지 합친 AI 매출 추정: 약 1,750억 달러로 잡아도 CapEx의 3분의 1~4분의 1.
• 미국 AI 사용자: 약 50%.
• AI 유료 구독자: 5% 미만.
• 매출 집중도: 상위 10%가 절반 이상, 상위 1~2%가 약 20%.
• 전 세계 코더: 약 3,000만 명.
• 전 세계 지식 노동자: 약 15억 명.
• 철도 최초 노선: 1825년.
• 맨체스터-리버풀 상업 철도: 1830년.
• AI 인프라 부채 financing: 80% 초과로 언급.
• 모델 재고 주기: 약 4개월.
• OpenAI 공개 manuscript: 722건, 오류로 3건 철회.
• 결과 계열: 약 372개.
• 제공된 미해결 수학 문제: 약 4,000개.
• 다룬 수학 분야: 약 17개, 전체의 약 40%.
• MathDB 미해결 문제: 약 9만 개.
• Navier–Stokes 실험: 10,000 agent, 88시간.
• 한 달 뒤 ChatGPT Pro Thinking: 문제 하나당 약 3시간.
• Proofs and Prompts 반응 태그: 경탄·흥분 36건, 상실·슬픔 22건.
• Descript 내부 전사 모델 요구 오차: 0.1초도 허용하기 어려움.
• Muse 사용자: 약 500만 명으로 언급.

핵심 요약 (20줄)

1. AI 산업은 Frontier Labs에서 대중까지 time gap과 domain gap을 두고 확장되는 좌표계로 볼 수 있다.
2. OpenAI와 Claude 뒤를 Qwen과 DeepSeek가 2~6개월 간격으로 따라오며 모델 경쟁을 다원화한다.
3. virtual 지식 업무는 RL 환경을 만들기 쉽지만 physical 노동은 보상 신호를 정의하기 어렵다.
4. AI는 대다수 대중에게 아직 일어나지 않은 사건이며, frontier 커뮤니티와 현실 사이에는 큰 adoption gap이 있다.
5. 빅테크 4곳은 2026년에 7,250억 달러를 AI 인프라에 투자할 계획이다.
6. Anthropic·OpenAI와 neocloud의 매출은 현재 투자액의 속도를 아직 따라잡지 못한다.
7. 코딩은 거의 모든 주요 사용자가 agent workflow에 들어온 첫 번째 거대한 시장이다.
8. 다음 workflow와 15억 지식 노동자의 유입이 코딩과 같은 속도로 일어날지는 입증되지 않았다.
9. 철도 붐은 인프라 회사와 투자자가 망해도 값싸진 인프라 위의 새로운 사업이 가치를 가져간다는 교훈을 남겼다.
10. GPU·데이터센터 투자도 부채와 민간 채권을 동원한 철도식 과투자 국면과 닮았다.
11. 수요가 매출로 따라오지 못하면 AI 인프라는 통합·표준화·상품화·규제를 거쳐 싸질 수 있다.
12. 모델 가격은 중국 모델과 오픈 모델의 추격으로 내려가고 가치 포획은 칩·데이터센터와 애플리케이션으로 분산된다.
13. 애플리케이션의 희소성은 기술보다 소비자 관심, 도메인 맥락, 결과에 대한 책임에서 생긴다.
14. 샌프란시스코의 inference 스타트업들은 GPU만 확보하면 수요가 있다는 병목을 공통으로 말한다.
15. AI 영화·마이크로 드라마·정밀 전사 모델은 소비자 애플리케이션 시장이 태동하는 신호다.
16. Physical Intelligence·Generalist·1X는 로봇을 실제 현장에 배포해 거대한 데이터를 모으고 scale-up하려 한다.
17. OpenAI의 722개 수학 manuscript 공개는 수학계가 맞은 AlphaGo moment이자 Math 2.0 논쟁의 출발점이다.
18. 수학 AI는 문헌 사이의 아이디어를 조합하고 RL로 능력을 높이지만, 젊은 연구자와 검증 노동의 생태계를 위협할 수 있다.
19. RSI가 지능 폭발로 이어질지는 불확실하며, 에너지·자원·생산성의 제약과 먼 미래의 불투명한 벽을 함께 봐야 한다.
20. 각 분야의 자기 차례는 오며, 신호와 잡음을 구분하면서 옳은 질문을 만들고 직접 미래를 창조해야 한다.

결론 및 시사점

1. 과열과 장기 성장을 분리해 판단한다: 현재의 AI CapEx가 과도하다는 사실과 AI 인프라가 장기적으로 사회적 가치를 만든다는 사실은 동시에 참일 수 있다. 철도 투자자는 손실을 봤지만 철도 위의 신선식품·우편·도시화가 번성했다.
2. 수요를 매출로 확인한다: 2027년에는 코딩 이후 workflow가 유입되는지, Anthropic·OpenAI를 포함한 전체 AI 매출 성장률이 유지되는지, GPU·데이터센터의 고객이 계속 늘어나는지를 관찰해야 한다.
3. 범용 모델에만 베팅하지 않는다: 모델은 2~4개월 만에 추격당하고 상품화된다. 고객의 도메인 맥락, 평가 체계, 책임, workflow 구축 능력이 더 강한 방어선이 된다.
4. 희소한 자원을 만든다: 소비자의 주의를 얻거나, 불확실한 의사결정을 내리고 결과에 책임지거나, 신뢰할 수 있는 브랜드를 쌓는 능력이 제작 능력보다 오래 희소할 수 있다.
5. 작게 실험하고 손실을 제한한다: Taleb식 convex tinkering으로 실패 비용이 제한된 시도를 반복하고, 한 번의 큰 성공이 누적된 실패를 만회하도록 설계한다. 단, 교육처럼 실패가 치명적인 분야는 epistemic action의 표본 수가 제한된다는 점을 고려한다.
6. 각자의 AlphaGo moment를 준비한다: 수학계가 예감했던 자기 차례를 실제로 맞았듯, 사업·교육·연구·창작 분야에도 차례가 온다. 모델의 벤치마크를 구경하는 데서 멈추지 말고 어떤 질문이 정말 가치 있는지 찾아야 한다.
7. 미래를 창조하는 쪽에 선다: 먼 미래를 정확히 예측하기 어려운 안개 속에서는 자신이 옳다고 믿는 미래를 실제로 만들고, 결과를 관찰하며 질문을 고쳐 가는 전략이 가장 현실적이다.

메타데이터

• 원문 제목: EP 118. Inside the Singularity | AI Investment Cycles, the Math Shock, and the San Francisco Mood
• Nuggets 제목: AI 특이점과 투자 사이클, 수학적 충격, 샌프란시스코의 변화
• 채널 표기: Chester Roh
• 영상 원본 채널명: AI Frontier Korea (노정석)
• Video ID: IUDl4bD1UMA
• 게시일: 2026-10-11 (한국 시간 기준 처리일: 2026-10-12)
• 길이: 약 90분 10초
• 핵심 주제: AI 투자 사이클, 인프라 과투자, 모델 상품화, 희소성, inference, 로보틱스, Mathpocalypse, RSI, 교육과 의식