EP 118. 특이점의 한가운데: AI 투자 사이클, 수학 쇼크, 샌프란시스코 분위기

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AI 투자 사이클의 지속 여부는 코딩 이후의 수요 확대에 달려 있으며, 수학의 충격적 성과와 샌프란시스코의 활기는 기술 발전과 실제 도입이 서로 다른 속도로 진행됨을 보여준다.

📌 핵심 요점

1. 모델 발전과 시장 도입 사이에는 시차가 있다. 선도 모델을 일상적으로 쓰는 개발자와 아직 업무를 바꾸지 않은 기업·대중의 경험은 크게 다르다. 사업 기회는 이 간극에서 기술의 가치를 전달하거나, 특정 도메인의 강화학습 환경과 워크플로를 구축하는 데서 생길 수 있다.
2. 막대한 인프라 투자를 정당화하려면 코딩 이후의 매출이 필요하다. 영상은 빅테크 4개 사의 설비투자 계획을 7,250억 달러로, OpenAI·Anthropic의 합산 연간 매출을 약 100조 원으로 추정해 비교한다. 다만 기간과 집계 범위가 다른 거친 비교이며, 핵심 쟁점은 일반 지식노동자와 소비자가 코딩 사용자만큼 빠르게 유입될지다.
3. 기술의 성공이 투자자의 수익을 보장하지는 않는다. 철도 사례에서는 과투자와 투자 손실 이후에도 인프라와 낮아진 운송비가 남아 새로운 사업을 키웠다. AI에서도 모델 가격 하락과 경쟁 확대가 이어지면 가치가 칩·데이터센터 또는 애플리케이션으로 이동할 수 있고, 업무의 맥락·책임·신뢰가 차별화 요소가 될 수 있다는 전망이다.
4. 샌프란시스코 현장에서는 추론 공급 부족과 제품별 정밀화가 관찰된다. 만난 추론 스타트업들은 판매보다 GPU 확보가 어렵다고 답했다. 영상·로봇·편집 서비스는 지연 시간, 세부 표현, 전사 정확도 같은 요구에 맞춰 기능과 모델을 다듬고 있으며, 현지 교류는 프런티어 기업과 정보에 접근할 기회를 제공했다.
5. OpenAI의 수학 성과는 역량 확대와 검증 부담을 함께 드러낸다. 영상에 따르면 연구 원고 722건 중 3건이 오류로 철회됐고, 약 4천 개 문제에 대한 결과는 약 372개 계열로 소개됐다. 전체 난제나 리만 가설의 해결을 뜻하지 않으며, 원고 검증 노동·연구 접근성·젊은 연구자 양성을 둘러싼 논쟁이 이어졌다. 재귀적 자기 개선이 지능 폭발로 이어질지, AI가 교육의 사고 훈련을 어떻게 도울지도 열린 문제다.

🧩 배경과 문제 정의

• AI 모델과 수학·코딩 능력의 발전 속도가 가팔라지지만, 기술을 가까이서 쓰는 집단과 대중·기업의 실제 도입 속도 사이에는 큰 격차가 있다.
• 막대한 AI 인프라 투자에 비해 현재 매출은 작으며, 투자의 정당성은 지식노동과 소비자 시장이 앞으로 크게 성장한다는 기대에 달려 있다.
• 철도 등 과거 인프라 투자 사이클을 통해 과투자 이후의 산업 구조와 가치의 이동을 살펴본다. 수치 비교와 미래 전망은 정밀한 예측이 아닌 생각 실험이며, 오류와 불확실성을 전제로 한다.

🕒 시간순 섹션별 상세정리

1. 기술 선도와 도입 시차로 나뉘는 AI 시장

• 시장을 시간 격차와 도메인 격차의 두 축으로 보면, OpenAI·Claude 같은 선도 업체 뒤를 Qwen·DeepSeek 등이 약 2~6개월 간격으로 따라오고, 법무·컨설팅·회계 같은 도메인별 업체들이 그 뒤에 위치한다. [02:24]
• 선도 업체들은 지식 중심의 LLM을 넘어 다른 도메인으로 확장한다. 기술을 이미 따라오는 집단과 아직 도입하지 않은 집단의 경계도 함께 움직인다. [02:58]

2. 검증 가능한 가상 영역과 현실 산업 사이의 격차

• LLM 중심의 가상 영역에서는 보상 신호를 주는 강화학습 환경을 만들기 쉽지만, 물리적 세계와 인간 노동에 가까워질수록 어려워진다. 그 사이에 거대한 산업들이 있으며, 자신들의 활동 영역은 RLVR 경계 부근에 있다는 판단이다. [04:00]
• 엔지니어와 사업가 커뮤니티에서 일상적인 모델 발전과 코딩 자동화가 다른 집단에서는 아직 현실로 받아들여지지 않는다. 많은 대중에게 AI 변화는 아직 일어나지 않은 일에 가깝다. [05:08]

3. 도입 시차를 활용하는 사업과 도메인별 모델 작업

• ASI가 등장하면 RLVR 경계 위의 산업들이 크게 흔들릴 것이라는 전망이다. 선도 업체가 제공하는 가치를 빨리 파악하고 자신의 도메인이 얼마나 안전한지 판단하는 일이 사업의 출발점이 된다. [05:37]
• 선도 업체 밖의 많은 사업은 뒤늦게 따라오는 고객에게 기술의 가치를 전달하며 수익을 얻는다. 여기서 더 나아가면 도메인별 강화학습 환경을 직접 구축하는 전략이 가능하다. [06:01]

4. 막대한 설비투자와 현재 매출 사이의 간극

• 빅테크 4개 사의 2026년 연말까지 설비투자 계획 합계는 7,250억 달러, 원화로 약 1천조 원에 가까운 규모로 드러난다. 엔비디아의 분기 매출은 약 89조 원으로 비교된다. [07:38]
• OpenAI·Anthropic은 매출을 공개하지 않아 외부 단서로 ARR을 추정하며, 두 회사의 합산 연간 매출은 원화 약 100조 원으로 계산된다. 이 비교에서는 설비투자가 매출의 약 10배이고, 두 회사의 연간 매출이 엔비디아 한 분기 매출과 비슷하다. [08:17]

5. 기술 독점으로 수렴하지 않는 선도 모델 경쟁

• 선도 모델 개발은 특정 회사만의 능력이 아니라 자본·연산 자원·데이터셋·인재를 확보하면 다른 참여자도 도전할 수 있는 영역으로 인식되고 있다. [11:07]
• 빠르게 발전하는 산업에서 한두 회사가 기술 독점을 확보하는 모습과 달리, AI에서는 참여자가 계속 늘고 경쟁이 다원화된다. 시장이 더 커질 것이라는 기대가 신규 진입을 뒷받침한다. [11:49]

6. 낮은 유료 전환율과 에이전트 작업에 집중된 매출

• 인용된 Andreessen Horowitz 자료에 따르면 미국인의 약 절반이 AI를 쓰지만 구독료를 내는 사람은 5% 미만이다. 매출의 절반 이상은 상위 10%에서, 약 20%는 상위 1~2%에서 발생해 매출이 상위 이용자에게 집중돼 있다. [12:29]
• 매출을 만드는 주요 작업은 일반적인 채팅보다 워크플로 자동화·영상 제작·코딩 같은 에이전트 서비스에 가깝다. [12:52]

7. 지식노동자와 소비자가 코딩만큼 AI를 사용할지는 불확실하다

• 인용 자료는 전 세계 코더 약 3천만 명이 사실상 대부분 유입돼 약 100조 원의 매출을 만든다고 본다. 지식노동자는 약 15억 명으로 제시되지만, 이들이 코딩 에이전트만큼 많이 사용할지 이메일 요약 같은 간단한 작업에 머물지는 알 수 없다. [13:33]
• 일반 지식노동자를 겨냥한 Work 제품의 성장 지표는 공개되지 않았다. 이를 근거로 코딩 이외 지식노동의 사용이 아직 크지 않을 것이라고 추정하지만, 확인된 성장 수치는 없다. [14:06]

8. 철도의 초기 성공이 중복 투자로 이어진 과정

• 철도 사례에서는 최초 노선이 1825년, 맨체스터와 리버풀을 연결한 상업 노선이 1830년에 만들어졌다. 면화 수입과 직조 산업을 연결하던 운하 운송을 철도가 대체하기 시작했다. [16:59]
• 더 싸고 빠른 운송은 운하의 독점을 깨고 화물뿐 아니라 여객과 사람들의 이동도 확대했다. 이러한 변화는 ChatGPT의 첫 등장처럼 새로운 시장에 대한 기대를 크게 키웠다. [17:26]

9. 투자 손실 뒤에 남은 인프라의 가치와 산업 통합

• 철도 투자자들이 손실을 본 뒤에도 인프라와 낮아진 운송비는 남았다. 신선한 우유와 채소를 도시로 보내는 사업처럼 철도 위에 새로운 가치를 만든 산업들이 수익을 얻었다. [18:52]
• 투자 붐에는 은행과 전문 투자자뿐 아니라 일반 투자자도 채권을 통해 참여했다. 투자 손실과 별개로 부가가치를 만든 사업자와 사회 전체가 인프라의 혜택을 받았다는 해석이다. [19:38]

10. AI 투자 사이클의 전환점은 자본시장의 의심이다

• 현재 AI는 미래 시장의 확대를 기대하며 인프라 과투자가 진행되는 초기 국면에 대응한다는 판단이다. 철도 사례의 파산 단계에 해당하는 업체들은 아직 나오지 않았다고 본다. [20:41]
• 자본이 계속 들어오는 동안 시장은 커질 수 있지만, 소비자 도입이나 OpenAI·Anthropic의 매출 증가가 기대보다 느리다는 의심이 생기면 자금 조달의 전환점이 올 수 있다. [21:12]

11. 미래 수요에 대한 기대가 실제 필요보다 많은 공급을 만든다

• 광통신망·워드프로세서·웹 애플리케이션·모바일 앱에서도 시장 확대 기대가 자본 유입을 낳고, 실제 필요한 수요보다 많은 공급을 만들었다. AI 역시 비슷한 상황에 있다는 판단이다. [23:17]
• 네오클라우드 등을 포함해 넓게 집계한 연간 수입도 약 1,750억 달러로 제시돼, 설비투자 7,250억 달러의 약 3분의 1~4분의 1 수준에 그친다. 다음 해에는 훨씬 큰 매출이 필요하지만, 그만큼 성장할지는 회의적으로 본다. [24:06]

12. 코딩 이후의 유입 속도가 투자 기대를 충족해야 한다

• 코딩 사용자가 약 1년에 걸쳐 에이전트 코딩 시장으로 들어오면서 OpenAI·Anthropic 매출이 급상승했다는 설명이다. 다음 성장에는 다른 워크플로도 코딩만큼의 열광과 도입 속도를 보여야 하지만, 현재는 그렇지 않다는 관찰이다. [24:44]
• 실제 수요가 기대에 미치지 못하면 자본시장 붕괴와 투자 손실이 발생하고, 과투자된 공급이 통합되면서 표준화·상품화·규제로 이어질 수 있다는 전망이다. [25:19]

13. AI는 철도보다 사이클이 짧고 모델의 수명이 짧다

• 철도 붐은 서부 개척과 남북전쟁 등 활동 범위가 넓어지는 변화와 맞물렸지만, 1800년대 후반 거품 붕괴를 거쳐 소수 과점 체계로 바뀌었다. [26:08]
• 철도에서 약 100년에 걸친 변화가 AI에서는 거의 1~2년 단위로 진행된다는 비교다. 철도는 건설 후 수십 년 남는 반면, 모델은 약 4개월 뒤 다음 제품이 나오는 짧은 수명의 재고에 비유된다. [26:38]

14. 신규 진입과 가격 하락이 함께 진행되는 현재 국면

• 중국·미국뿐 아니라 한국·유럽·일본에서도 선도 모델 개발에 진입하는 모습은 낙관적 자본 유입이 끝난 단계보다 그 중간에 가깝다는 판단이다. 투자 확대가 더 이어질 여지가 있다고 본다. [27:33]
• 이전에는 선도 모델의 격차와 생산성을 근거로 3천 달러·1만 달러 요금제 같은 고가 전망이 있었지만, 현재는 모델 가격이 계속 내려가고 설비투자는 늘고 있다. 소비자 시장은 표준화와 범용재화 이후 열릴 것이라는 전망이다. [28:09]

15. AI 생산성 향상에는 업무 체계의 재설계가 필요할 수 있다

• AI로 지식노동이 크게 바뀌고 대량 실업이 발생할 것이라는 예상과 달리, 아직 변화는 체감상 크지 않다. 기존 지식노동 체계가 AI에 맞게 바뀌지 않았기 때문일 수 있다는 해석이다. [28:43]
• 공장에서 증기기관을 큰 전기모터로 교체하는 데 그쳤을 때는 생산성 증가가 작았지만, 작은 모터를 작업별 기계에 배치하고 공정을 다시 짜면서 생산성이 높아졌다는 비유가 근거다. [29:36]

16. AI 투자의 지속 가능성은 코딩 이후의 매출 성장에 달려 있다

• Palantir와 FDE·AX 구축 사업을 포함한 기업 시장은 아직 충분히 열리지 않았다는 진단이다. 코딩 이외의 수요가 생겨 Anthropic과 OpenAI의 성장률이 2027년에도 유지되는지, 수요가 다른 사업자로 분산되더라도 시장 전체의 성장이 이어지는지가 중요하다. [30:58]
• 자본시장은 GPU 과투자를 흡수하고 있지만, 1,000조처럼 국가 GDP에 견줄 규모의 투자를 정당화하려면 지속적인 고객 확보가 필요하다. 향후 조정의 크기는 GPU 투자와 neocloud·모델 기업 등의 매출 사이 격차가 줄어드는지, 투자 증가세가 둔화하는지에 달려 있다는 전망이다. [32:17]

17. 모델의 범용화가 사업 경계를 무너뜨리고 수익을 위아래로 이동시킨다

• AI 기업들은 미세조정·오케스트레이션·모델 개발처럼 한 영역에 집중하던 방식에서 벗어나 여러 계층으로 확장하고 있다. OpenAI와 Anthropic도 바이오·법무·기업 워크플로 같은 거대 분야를 직접 맡고 나머지를 제휴 대상으로 삼는 방향이다. [34:13]
• 모델 가격은 낮아지고 중국 모델은 2~4개월 뒤에 따라오는 만큼, 선도 모델이 가격을 올리면 기업은 성능이 조금 부족하더라도 GLM이나 DeepSeek으로 옮길 수 있다. 모델 개발사가 예상만큼의 수익을 확보하기 어려워지는 이유다. [35:01]

18. 희소한 소비자 관심과 업무의 맥락·책임이 새로운 가치의 중심이 된다

• 기존 사업자들까지 사방으로 확장하는 모습은 시장 내부에서도 유망한 방향을 확신하지 못한다는 신호다. 가치가 이동하는 기준은 기술력이나 자본 규모 자체보다 희소성이라는 관점이다. [36:36]
• 소비자 시장에서는 공급을 계속 늘릴 수 있지만 돈을 내는 소비자의 수는 제한되어 있고 인구도 줄어든다. 따라서 소비자의 시선이 머무는 곳이 희소한 자원이 된다. [36:56]

19. 코딩 시장의 성숙 이후에는 거품 조정과 두 번째 성장 가능성이 있다

• 코딩은 이미 들어올 사람이 대부분 들어왔고 워크플로도 성숙 단계에 가까워졌다는 평가다. 구독료로 100만 원 넘게 쓰는 발언자도 더 지출할 것 같지 않다는 경험이 추가 수요의 한계를 뒷받침한다. [38:22]
• 자본시장에서는 거품이 터질 만한 시점에 가까워졌다는 판단이다. 조정 과정에서 Anthropic이나 NVIDIA의 주가가 하락할 가능성이 있지만, 이후 두 번째 본격적인 성장 사이클이 올 수 있다는 전망도 함께 드러난다. [39:14]

20. 불확실한 상황의 의사결정과 신뢰가 차별화 요소가 된다

• 기업의 AI 적용 실험에서는 과거에 희소했던 업무 중 일부를 AI로 대체할 수 있지만, 평가 기준이 명확하지 않은 업무는 여전히 희소하다. 불확실성 속에서도 방향을 결정하고 책임지며 실행을 지속시키는 리더십의 가치가 커진다. [40:43]
• 특정 산업에서 축적한 컨설팅 역량을 다른 고객에게 적용할 수 있다면, 모델과 고객 사이에서 수익을 확보하는 기업으로 발전할 가능성이 있다. [41:07]

21. 연결된 시장에서는 소수의 스타에게 수익이 집중된다

• 지시받은 일을 생각 없이 수행하고 버튼만 눌러 돈을 받는 시장은 끝났다는 진단이다. 인터넷으로 지역 간 경쟁이 연결되면서 예술가도 동네 단위가 아니라 서울과 뉴욕이 함께 참여하는 시장에서 경쟁한다. [42:26]
• 통합된 시장은 커지지만 수익은 블록버스터에 집중된다. 스타의 막대한 보상을 기대하는 참여자가 계속 유입되는 K-pop 시장처럼, 개별 산업에서도 소수는 큰돈을 벌고 다수는 수익을 얻지 못하는 구조가 나타날 것이라는 전망이다. [43:15]

22. 사람을 돕는 AI에서 사람이 빠지는 완전 자동화로 확장한다

• Jev 개발자의 관점에서는 사람을 돕도록 학습된 LLM만으로는 성장에 한계가 있다. 사람이 완전히 빠져도 작동하는 자동화를 구현해야 더 큰 성장 가능성이 열리며, 이것이 Jev를 만든 목적이다. [44:18]

23. 샌프란시스코의 현재 추론 시장에서는 GPU 확보가 병목이다

• 현재 설비를 기준으로 보면 추론 수요가 공급보다 많아 설비를 늘리는 만큼 판매된다는 현장 관찰이 있다. Modal 행사에 유명 기업 창업자들이 대거 참여한 모습도 추론 사업자의 자금력과 협업 매력을 보여주는 사례다. [45:19]
• 현장에서 만난 추론 스타트업 대부분은 판매보다 GPU 구매가 어렵다고 답했다. GPU를 확보하면 추론을 모두 팔 수 있다는 반응은 장기적인 투자 회수 우려와 별개로 현재의 공급 부족을 보여준다. [45:55]

24. 특수 목적의 추론과 산업별 패키지가 경쟁 수단이 된다

• 추론 사업은 LLM을 넘어 로봇의 VLA·world action model과 영상 생성으로 확장되고 있다. Dreamscale Labs는 로봇의 반응 속도가 중요해 샌프란시스코 안에 있는 GPU를 찾는 사례다. [46:24]
• 영화 제작사나 로봇 고객에 맞춰 추론 위에 기능을 쌓고 전체 패키지의 가치를 높이는 경쟁이 나타난다. Vast·Weights & Biases·OpenRouter·Fal 등의 행사와 협업도 고객과 사업자를 모으려는 활발한 움직임에 해당한다. [47:20]

25. AI 영상은 실제 관객 반응과 제작 현장의 정밀도를 시험하고 있다

• AI로만 만든 영화 상영작은 완벽하지 않았지만 일부 관객은 눈물을 보였다. 이미 IMDb에 등록되어 평점까지 받은 AI 영화도 관찰되어, 실제 제작·상영 수요가 열릴 가능성을 뒷받침한다. [48:25]
• 숏폼 마이크로 드라마가 잘 팔리고 AI로도 제작된다는 현장 이야기가 있다. 영화 제작사들이 모두 AI 장면 생성을 활용한다는 주장도 있었지만 진위는 확인되지 않았다. 국내 사례로는 김 부장 드라마의 북한 장면과 유튜브의 스타크래프트 영상이 나온다. [49:27]

26. 소비자용 영상 편집 서비스는 필요한 모델을 내부에서 직접 만든다

• Descript 같은 영상 편집 서비스에는 음성을 정확한 시간 위치에 맞춰 전사하는 모델이 필요하다. 0.1초의 오차도 허용하기 어려운 요구에 비해 적합한 모델과 오픈소스 선택지는 많지 않다. [50:43]
• 일부 소비자 서비스 기업은 필요한 모델을 내부에서 연구·개발하고, 논문만 공개한 채 모델 가중치는 내부용으로 유지한다. 소비자 시장을 열기 위해 범용 모델을 쓰는 수준을 넘어 제품 요구에 맞게 AI를 정밀하게 다듬는 사례다. [51:14]

27. 로봇 기업은 실제 배치와 영상 데이터 확보로 규모를 키운다

• Generalist·Physical Intelligence·1X의 주요 관심사는 실제 배치와 규모 확대다. 로봇 학습은 영상 용량이 크기 때문에 다양한 환경의 양질의 데이터를 수집하고 학습에 활용하는 문제가 중요하다. [52:09]
• Physical Intelligence는 여러 산업 환경에 로봇을 배치해 데이터를 얻고, Generalist는 세계 각지의 데이터 공장에서 영상을 모으는 방식을 추진한다. 이러한 움직임을 근거로 피지컬 AI 시장도 곧 열릴 수 있다는 기대가 드러난다. [52:34]

28. 샌프란시스코의 개방적인 교류가 정보 접근 경험을 바꾼다

• 행사에서 1X의 Neo 실물을 보고 Physical Intelligence 공동 창업자에게 직접 질문할 기회가 있었다. 기존 인맥이 없어도 프런티어 집단에 접근하고 정보를 얻을 기회가 예상보다 열려 있다는 경험이다. [53:34]
• 온라인으로도 AI 작업을 할 수 있는데 물리적으로 방문할 이유가 있는지 의문이 있었지만, 현지 상호작용을 통해 얻는 정보와 사람의 차이를 체감하면서 평가가 달라졌다. 소개를 요청하면 적극적으로 연결해 준다는 경험도 이를 뒷받침한다. [54:25]

29. Video as Code는 LLM의 영상 이해와 코드 생성을 활용한다

• 현지에서 준비하는 Video as Code 행사는 영상 생성 모델로 장면을 만드는 방식 대신, LLM으로 영상을 이해하고 코드를 생성해 좋은 비디오를 만드는 접근을 다룬다. 이 방식으로 성과를 내는 창업자와 사례를 공유하는 세션을 계획하고 있다. [55:21]

30. OpenAI의 수학 성과는 대규모이지만 전체 난제 해결과는 거리가 있다

• OpenAI는 10월 6일 연구 원고 722건을 공개했고, 그중 3건은 오류로 철회된 상태다. 기존 수학 평가에서 모델 성능이 포화되어 미해결 연구 문제로 평가 범위를 넓혔다는 설명이 성과 공개의 배경이다. [56:46]
• 약 4천 개의 미해결 문제를 주었고 결과의 계열은 약 372개로, 모든 문제를 해결한 것은 아니다. 화제가 된 준리만 문제도 리만 가설 자체의 해결은 아니며, 발언자는 정확한 문제 내용은 모른다고 전제한다. [57:32]

31. 빠른 성과 공개는 검증 방식과 연구 접근성 논쟁을 낳았다

• 내부 모델 훈련은 8월 28일 재개됐고, 9월 8일 Navier–Stokes 관련 성과와 9월 11일 필즈상 수상자들의 성명이 이어졌다. 9월 21일에는 이미 100개 이상을 해결했으며, 자문을 거쳐 9월 29일 권고를 받고 10월 6일 결과를 공개했다. [58:46]
• AHM은 인간의 수학을 지키고 AI 수학에 반대한다는 서명을 모았다. 자문단도 연구 원고를 대량으로 쏟아내는 방식과 연구자에게 공개되지 않은 내부 모델로 격차를 만드는 방식이 학계에 도움이 되지 않는다는 비판을 공식적으로 제기했다. [59:40]

32. 수학자들의 경탄·상실감과 무상 검증 노동

• 8월에 발족한 Proofs and Prompts는 AI와 수학의 자동 증명 등을 논의·실험하는 곳으로 소개됐다. 100개 이상의 해법에 대한 수학자와 학생들의 반응을 AI로 분류한 결과, 경탄·흥분은 36건, 상실·슬픔은 22건이었다. [1:00:41]
• 동료 심사를 거쳐 표현을 정제하지 않은 원고는 읽기 어려워 해독과 검증에 무상 노동이 필요하다는 불만이 나왔다. 함께 읽고 소화하자는 의견과 무시하자는 의견이 공존했고, AHM의 성명에는 법적 조치와 로비 등 강경 대응도 포함됐다. [1:01:33]

33. Math 2.0을 둘러싼 생태계 우려와 외부의 반론

• 젊은 수학자의 양성과 학문 생태계가 위협받는다는 우려가 주류 반응으로 소개됐다. Terence Tao는 블로그를 공론장으로 활용하며 Math 1.0과 2.0, 앞으로의 방향을 논의했고, AI가 수학자의 탐구를 영화처럼 미리 스포일한다는 문제의식도 드러냈다. [1:03:10]
• Tao의 암 치료 비유에는 기전을 완전히 이해하지 못해도 임상 효과가 환자에게 도움이 된다면 진보를 이어가야 한다는 반론이 붙었다. 소프트웨어 업계에서는 진리 탐구보다 수학자의 생계를 지키려는 것 아니냐는 비판과, 이미 비슷한 충격을 감내했으니 수학계도 적응해야 한다는 냉담한 반응이 나왔다. [1:04:05]

34. 정수론 성과가 제기한 암호화 위협과 공격 문턱 하락

• 이번에 다뤄진 정수론 문제가 RSA 등 공개키 암호에 양자 컴퓨팅과 별개의 AI 위협이 될 수 있다는 우려가 소개됐다. 해당 분야를 충분히 이해하지 못한다는 한계를 전제로 한 설명이며, 암호가 실제로 깨졌다는 주장은 아니다. [1:07:20]
• 공개키 암호는 계산에 막대한 시간이 필요하다는 전제에 의존하므로, 새로운 접근이 계산 복잡도를 낮추면 안전성이 흔들릴 가능성이 있다. 당장 해킹할 수준은 아니라는 단서와 함께, DeepSeek를 활용한 한국 은행 공격 사례를 들어 공격을 시도하는 문턱도 낮아지고 있다는 평가가 나왔다. [1:07:51]

35. 논문 중심 평가를 재검토할 기회와 모델 역량 확대의 동기

• 논문 성과가 학문적 성취의 대리 지표가 되면서 평가가 굿하트의 법칙처럼 왜곡됐다는 비판이 나왔다. AI 충격을 이를 바로잡을 기회로 보는 의견도 있으며, 논문 생산의 폭증은 수학을 넘어 학계 전반의 문제로 확대되고 있다. [1:08:44]
• OpenAI의 관심은 학계의 평가 문제보다 모델 역량을 높이는 데 있고, 이를 위해 더 어려운 문제가 필요하다는 해석이 제시됐다. Noam Brown과 Mark Chen이 인용한 내부 모델의 성능 그래프도 개선이 계속되고 있다는 신호로 읽혔다. [1:09:18]

36. 문제 풀이 자원 감소와 학습 데이터의 재활용 가능성

• 9월 초 Navier–Stokes 사례에는 1만 개 에이전트와 88시간이 투입됐지만, 10월 초에는 약 372개 문제가 ChatGPT Pro Thinking에서 에이전트 하나당 평균 3시간 정도로 풀렸다고 소개됐다. 이 차이를 한 달 사이 강화학습으로 역량이 크게 높아졌다는 신호로 해석하는 추측이 나왔다. [1:09:51]
• 앞선 대규모 탐색에서 얻은 좋은 풀이 궤적이 다음 훈련의 데이터가 됐을 수 있다는 가설이 제시됐다. 처음 돌파할 때는 큰 자원이 필요해도 경로를 찾은 뒤에는 후속 풀이가 쉬워질 수 있다는 해석이다. [1:10:31]

37. 강화학습의 역량 향상과 언어 품질 저하 가능성

• Google에서 RSI 관련 작업을 하는 Patrick Toulme의 글에는 여러 연구소가 재귀적 자기 개선 루프를 돌리고 있으며, 강화학습이 수학·코딩 역량을 높이지만 과도하면 언어 능력에 손실을 준다는 주장이 담겼다. 읽기 어려운 수학 원고나 글쓰기의 한계도 이와 관련 있을 수 있다는 추측이 이어졌다. [1:11:40]
• Fable 5.5를 라우팅으로 사용한 사람들의 긍정적 반응과 OpenAI의 Bel이 12월에는 더 좋아질 것이라는 이야기가 소개됐다. 공개된 성능 검증이 아니라 소문이라는 점이 명시됐다. [1:12:30]

38. 계속되는 훈련과 강화학습 환경 공급 사업

• Anthropic이 다음 사전학습을 시작했다는 소문과 Gemini 4 관련 시연·비공개 고객 행사가 언급됐다. Gemini의 Argon 전체 출시 전부터 Barium-B와 Carbon 등 후속 체크포인트가 이어지고 있다는 이야기도 나왔다. [1:13:00]
• 강화학습을 계속 진행하다 좋은 체크포인트가 나오면 모델로 발표하는 방식이 공통된 패턴이라는 해석이 제시됐다. 내부 반응이나 체크포인트에 관한 이야기를 확정된 출시 성과로 볼 근거는 제시되지 않았다. [1:13:31]

39. AI의 혁신이 기존 아이디어의 경계를 넘을 수 있는가

• 일부 수학자는 AI가 기존 아이디어를 조합해 새로운 지점을 만들더라도 완전히 새로운 축을 만드는 것은 아닐 수 있다고 본다. 다만 그 조합 능력 자체는 탁월하고 충격적이라는 평가가 함께 제시됐다. [1:14:39]
• LessWrong 등에서는 AI가 기존 범위 안의 조합뿐 아니라 외삽으로 경계를 확장할 수도 있다는 반론이 나왔다. 그 경계가 어디인지 알 수 없고, AI와 인간의 경계가 다를 가능성도 있어 한계를 단정하기 어렵다는 의견이 이어졌다. [1:15:10]

40. 손실을 제한하고 큰 성공을 노리는 볼록 팅커링

• 볼록 껍질과 관련 개념을 직접 조작하며 이해하는 인터랙티브 도구가 활용됐다. Nassim Taleb의 볼록 팅커링은 옵션처럼 손실을 한정한 상태에서 여러 가능성을 시도하고, 성공했을 때의 이득을 크게 얻는 방식으로 설명됐다. [1:15:41]
• 드물게 발생하는 큰 성공이 여러 실패의 손실을 만회하고도 남을 수 있다는 점에서 두꺼운 꼬리의 가능성이 중요해진다. 해당 도구는 이런 개념을 이해하기 위한 실험으로 만들어졌다. [1:16:41]

41. 재귀적 자기 개선이 지능 폭발로 이어질지에 대한 이견

• François Chollet은 과학도 이미 자기 개선 구조를 갖지만, 투입 증가에 비례해 성취가 늘지는 않는다고 주장했다. 투입이 기하급수적으로 늘어야 성취가 선형으로 증가한다면, AI의 재귀적 자기 개선이 가능해도 지능 폭발은 일어나지 않을 수 있다는 관점이다. [1:17:06]
• Chollet이 인용한 과학 생산성 연구의 공동 저자 Michael Nielsen은 최근 Vernor Vinge의 1993년 특이점 글을 인용했다. 기술 발전의 증거가 많아져도 그 기술로 무엇을 하게 될지는 오히려 불투명한 벽처럼 예측하기 어려울 수 있다는 문제의식이다. [1:18:01]

42. 교육의 핵심 가치를 지키면서 AI의 역할을 찾는 어려움

• 모델의 새 역량이 당장 교육의 일상을 크게 바꾸지는 않지만, 학생이 자신의 시간과 사고를 써서 연습하는 과정을 AI에 모두 위임하면 기존 교육의 가치가 훼손될 수 있다는 우려가 제기됐다. 그 가치를 지키면서 동시대의 변화를 어디에 받아들일지는 선명하지 않다. [1:20:17]
• 현재의 변화를 인지하려고 노력해도 교육이 어디로 향하는지 잘 보이지 않는다는 불안이 드러났다. 기술적 성과를 교육적 의미로 연결하는 데 아직 간극이 있다는 고민이다. [1:21:06]

43. 미래를 만드는 실험과 교육에서의 실패 제약

• 자신이 옳다고 믿는 미래를 직접 만들어 가는 방식이 대응책으로 제안됐다. 다만 실패를 빠르게 차단하고 성공 가능성을 여러 번 시험하는 접근도, 실패가 치명적인 분야에서는 시도 횟수가 제한될 수 있으며 교육이 그런 분야일 수 있다는 우려가 나왔다. [1:22:08]
• 교육에서 알아차리기 위한 실험을 어떻게 할지는 아직 정리되지 않은 고민으로 남았다. 한편 미래 전체를 예측하기 어려워도 에너지와 자원처럼 분명한 제약 조건을 기준으로 삼으면 일부 방향은 보일 수 있다는 Nielsen의 관점이 소개됐다. [1:23:03]

44. AI 의식과 영혼에 대한 서로 다른 판단

• Anthropic이 Chris Olah 등을 통해 종교계 인물들을 만났다는 이야기와, 10월 8일 사용 정책 업데이트에 학대하는 듯한 발언과 사용 권한을 연결하는 내용이 있다는 설명이 나왔다. AI 의식, 종교계의 반응, Anthropic의 IPO를 연결하는 논의도 언급됐지만 관계가 구체적으로 규명되지는 않았다. [1:23:28]
• 최승준은 AI에 영혼이 있다고 아직 생각하지 않으며, Anthropic의 주장을 기능적 의식에 관한 것으로 구분했다. 자신은 AI를 상담이나 공감보다 도움을 얻는 용도로 사용하기 때문에 정서적으로 거리를 두고 있다고 설명했다. [1:24:21]

45. Tesla의 Grok 경험이 바꾼 일반 사용자의 인식

• Tesla에서 FSD를 켜고 Grok과 대화한 경험에서는 낮은 응답 지연과 함수 호출을 통한 분석·결과 반환이 인상적인 특징으로 꼽혔다. 이를 들은 가족은 Optimus에 같은 기능을 붙이면 사람처럼 느껴지겠다는 반응을 보였다. [1:27:03]
• 일반 사용자는 모델 크기나 벤치마크보다 직접 경험한 가치의 변화에서 AI 발전을 체감한다. 이런 경험이 생길 때마다 인식이 단계적으로 도약할 수 있다는 평가가 나왔다. [1:27:39]

46. 계속되는 역량 향상 속에서 질문과 자기 역할을 찾기

• 앱 제작과 역공학의 확산은 모델 역량 상승의 결과라는 해석이 제시됐다. 모든 분야에 동일하게 적용되지는 않지만 잘 적용되는 영역에서는 효과가 크며, 한 달 사이에도 성장이 관측돼 연말에는 상황이 다시 달라질 수 있다는 전망이 나왔다. [1:28:11]
• 일상이 크게 달라지지 않더라도 자신의 일을 찾아야 하며, 옳은 질문을 만드는 능력은 더욱 희소해질 수 있다는 의견이 나왔다. 여러 틀린 질문과 사고 실험을 거치는 과정에서 유효한 질문을 찾을 수 있다. [1:28:50]

47. 앞서 언급한 과정의 지속

• 앞서 언급한 과정을 앞으로도 이어가겠다는 의지를 나타낸다 [1:30:02]

48. 녹화 종료와 감사 인사

• 오늘 녹화는 이 지점에서 마무리한다 [1:30:06]
• 박종현이 감사 인사를 전해진다 [1:30:08]

🧾 결론

• 현재의 핵심 간극은 빠른 모델 역량 향상과 느린 업무·소비자 도입 사이에 있다. 새 모델의 성능만으로 시장 확대의 속도를 판단하기는 어렵다.
• 철도와의 비교는 투자 손실 이후에도 사회적 가치와 새로운 사업이 남을 수 있다는 생각 실험이다. AI의 짧은 모델 수명과 빠른 변화 때문에 같은 경로를 확정할 수는 없다.
• 수학 성과의 의미는 원고 수뿐 아니라 검증된 결과, 연구자의 이해, 검증 비용과 접근성을 함께 살펴야 드러난다.
• 빠른 변화에 대응하려면 유효한 질문을 만들고 책임지는 역량이 필요하다. 교육에서는 학생이 직접 생각하고 연습하는 가치를 지키면서 실험의 범위를 정해야 한다.

📈 투자·시사 포인트

• 코딩 이후의 수요를 추적필요가 있다. 기업 에이전트와 소비자 서비스가 실제 유료 사용과 반복 매출을 만드는지, 시장 전체의 성장이 이어지는지가 투자 지속성의 핵심 관찰 지표다.
• 투자·매출·조달 구조를 함께 봐야 한다. 매출이 기대보다 느리게 늘면 자금 조달의 전환점이 올 수 있다는 전망이다. 영상의 부채 조달 비중과 매출 추정치는 집계 범위와 원자료 확인이 필요하다.
• 현재 GPU 부족과 장기 투자 회수 위험은 동시에 존재할 수 있다. 현장 사업자의 높은 추론 수요만으로 전체 인프라 투자의 장기 수익성을 판단하기는 어렵다.
• 모델 가격 하락은 계층별 수익 배분을 바꿀 수 있다. 대체 모델로 이동하기 쉬워질수록 모델 개발사의 가격 결정력이 약해질 수 있으며, 고객의 구체적인 문제를 해결하는 제품과 도메인 사업의 성과를 따로 살펴야 한다.
• 업무 재설계가 생산성 확대의 관건일 수 있다. 기존 업무에 AI를 추가하는 수준을 넘어 공정을 바꿔야 효과가 커질 수 있다는 가설이다. 소비자 관심, 업무 맥락, 책임과 신뢰를 확보하는 사업이 가치 이동의 후보로 제시된다.

⚠️ 불확실하거나 확인이 필요한 부분

• 설비투자 7,250억 달러, 모델 기업 합산 매출 약 100조 원, 넓게 집계한 연간 수입 1,750억 달러, 부채 조달 비중 80% 초과는 영상에서 제시한 수치다. 투자 계획·ARR 추정·연간 매출의 기준과 대상이 달라 직접 비교에는 한계가 있다.
• 낮은 유료 전환율과 상위 이용자 매출 집중은 인용 자료에 근거한다. 코더 대부분이 이미 유입됐다는 평가와 코딩 외 시장이 작다는 판단도 추정이 포함되며, Work 제품의 확인된 성장 수치는 제시되지 않았다.
• 철도형 과투자 조정, 소비자 시장의 후속 성장, 가치의 상하 이동은 전망이다. 조정 시점이나 특정 기업의 가격 하락을 확정하는 근거로 쓰기 어렵다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 투자 수치를 다시 사용할 때 원자료, 대상 기업, 집계 기간, 계획과 실제 집행의 구분을 확인하고 ARR과 연간 매출을 구별한다.
• 코딩 외 기업 업무와 소비자 서비스의 유료 전환, 반복 사용, 매출 증가를 추적해 기대 수요가 실제 수요로 이어지는지 확인한다.
• 자신의 업무에서 평가 기준이 명확한 작업을 골라 AI 적용을 실험하고, 처리 시간·오류·검토 부담을 기록해 워크플로 변경의 효과를 비교한다.
• 수학 성과를 인용하기 전에 해당 원고의 철회·수정·검증 상태와 정확한 문제 범위를 확인한다. 원고 수를 난제 해결 수로 바꾸어 표현하지 않는다.

❓ 열린 질문

• 코딩 이후의 지식노동과 소비자 수요는 인프라 투자 기대를 충족할 만큼 빠르고 깊게 확대될 수 있을까?
• 현재의 추론 공급 부족은 얼마나 지속되며, 공급 확대와 가격 하락 이후 수익은 어느 계층에 남을까?
• AI 수학의 검증 비용과 연구 접근성 문제를 해결하면서 젊은 연구자의 학습·탐구 기회를 어떻게 유지할 수 있을까?