EP 115. 조합적 놀이가 시작됐다: 올인 서밋 2026 총정리 (AI 페이싱·버블·중국)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

올인 서밋을 관통하는 AI 페이싱·버블·중국 경쟁 논쟁 속에서, 공개 모델과 저렴해진 구현 비용을 바탕으로 기술을 섞고 시험하는 ‘조합적 놀이’가 발전을 이어가는 경로로 떠오른다.

📌 핵심 요점

1. 페이싱의 쟁점은 RSI 진입이다. 논의에서는 현재의 제품 개발과 재귀적 자기개선(RSI) 가동을 구분한다. 미중 경쟁과 투자 구조는 감속을 어렵게 만들지만, 출시 전 상호 테스트와 외부 감사 등 안전 협의의 여지는 남는다.
2. 빠른 매출 성장만으로 버블 논쟁은 끝나지 않는다. 실제 이익 증가를 근거로 낙관하는 견해와, 투자가 광범위한 AI 활용과 GDP 성장으로 이어져야 한다는 견해가 맞선다. 데이터센터·반도체 선행 투자를 최종 이용자의 지출로 회수할 수 있는지가 핵심이다.
3. 중국과의 경쟁은 모델 성능을 넘어선다. 저가 모델, 전력, 데이터센터, 반도체 공급망과 사회 전반의 활용 능력이 함께 중요해진다. 오픈 모델과 폐쇄형 모델의 공존, 다양한 공급자를 활용하는 생태계 전략도 경쟁력의 조건으로 제시된다.
4. AI의 역량 확대와 안전 검증 사이에는 간격이 있다. 다중 에이전트 성과는 기본 모델과 학습된 협업 능력에 좌우되며, 에이전트 수에 정확히 비례하지 않는다. RSI가 인간 피드백을 받을 시간을 줄이고 사고 과정 감시를 약화할 가능성, 감사 기관의 접근권과 독립성이 쟁점으로 남는다.
5. 조합적 놀이는 분산된 탐색과 피드백을 늘린다. Jev·소형 모델·기존 알고리즘을 결합하는 실험은 구현 비용 하락과 공개 결과물 덕분에 확산된다. 사람이 실험을 공유하고 다른 사람이 재시도하는 순환은 탐색 범위를 넓히지만, 소개된 실험의 생산성과 수익성이 입증된 것은 아니다.

🧩 배경과 문제 정의

• 올인 서밋의 주요 쟁점은 AI 개발 속도 조절, 대규모 투자의 경제적 효과와 버블 가능성, 중국과의 경쟁 및 오픈 모델의 역할이다. 참석자들의 견해는 일치하지 않는다.
• AI 안전을 위해 개발 속도를 조절해야 한다는 요구와, 중국과 경쟁하는 상황에서 미국만 멈출 수 없다는 주장이 충돌한다.
• 데이터센터와 반도체에 먼저 투입된 막대한 자금을 실제 AI 이용 매출과 생산성 향상으로 회수할 수 있는지가 경제적 핵심 문제다.
• 모델 성능뿐 아니라 가격, 응용 서비스, 전력과 데이터센터 확충, 사회 전반의 AI 활용이 경쟁력을 좌우할 수 있다는 관점이 제시된다.

🕒 시간순 섹션별 상세정리

1. AI 개발 속도 조절을 둘러싼 안전론과 경쟁론

• 다리오 아모데이의 개발 중단 취지 발언에 트럼프·젠슨 황·데이비드 색스 등은 계속 전진해야 한다는 입장을 보인다. 특히 중국과 경쟁하는 상황에서는 중단이 현실적으로 어렵다는 논리다. [02:45]
• 샘 올트먼과 일론 머스크도 아모데이의 주장에 동의했다는 내용이 나온다. 내부에서 위험한 무언가를 봤을 가능성은 추측으로 남으며, 머스크는 견제와 감사의 필요성을 강조한다. [03:16]

2. 재귀적 자기개선의 신중한 추진과 상호 검증

• 최승준은 속도 조절의 대상을 현재 수준의 발전 전체보다 RSI, 즉 재귀적 자기개선 진입으로 이해한다. 발전은 계속되기를 바라지만 되돌릴 수 없는 위험의 경계는 넘지 않아야 한다는 입장이다. [04:47]
• 박종현은 리눅스 같은 오픈소스에서 여러 사람이 코드를 살피고 문제를 해결하는 방식을 안전 확보의 참고 사례로 든다. 공개와 공동 검증이 발전과 안전을 함께 추구하는 방법이 될 수 있다는 주장이다. [05:28]

3. 선행 투자와 AI 매출 사이의 회수 격차

• 데이터센터 건설과 엔비디아 장비 구매에 들어간 돈을 회수할 수 있는지가 투자 판단의 핵심이다. 투자액이 먼저 증가하고 AI 기업들의 매출이 뒤따르는 구조여서, 수요가 충분히 따라오지 못하면 투자 손실로 이어질 수 있다. [07:07]
• 제시된 매출 수치는 2년 사이 70억 달러에서 2,000억 달러로 증가했다. 성장 속도는 매우 빠르지만 앞으로 투자 규모를 어디까지 따라잡을지는 불확실하다. [07:52]

4. 실적 증가와 GDP 효과로 갈리는 버블 판단

• 브래드 거스너는 주가 상승이 이익 대비 평가배수의 팽창보다 실제 이익 증가에 따른 것이므로 버블이 아니라고 본다. 이익이 충분하지 않은 상태에서 높은 평가배수가 붙었던 닷컴 버블과 현재를 구분한다. [09:02]
• 사티아 나델라는 아직 버블이 아니라고 입증되지 않았다는 입장이다. 투자금이 엔비디아와 반도체 기업의 이익으로 돌아오는 단계에서 더 나아가, 실제 GDP 성장으로 이어져야 한다는 기준을 제시한다. [09:58]

5. 낙관적 전망의 근거와 예측의 한계

• 투자 관련 수치에는 전망치가 포함돼 과장 가능성이 있으며, 그 수치로부터 버블이 터지지 않는다는 결론을 내리는 것은 별도의 해석이다. 과거 버블이 붕괴하기 전에도 당시의 논리와 데이터가 있었다는 반론을 유지한다. [11:44]
• 수요가 투자를 따라잡으리라는 기대의 핵심 근거는 오픈AI와 앤트로픽의 빠른 매출 증가다. 과거 구글·메타보다 수익화 속도가 빠르다는 비교와 앤트로픽의 최근 1년 성장세가 낙관론을 뒷받침하지만, 지속 성장은 여전히 예상이다. [12:22]

6. 수직 통합보다 넓은 생태계를 중시하는 마이크로소프트

• AI 설비투자는 엔비디아 GPU, 메모리, TSMC, 대형 클라우드와 네오클라우드로 연결된다. 마이크로소프트는 애저, 윈도, 응용 서비스와 자체 모델까지 여러 층위에 걸쳐 사업을 운영한다. [12:51]
• 데이터센터를 직접 지어 연산 자원을 판매하면서 필요하면 자체 사용하거나 외부 자원을 임차하는 유연성이 중요하다. 이를 위해서는 엔비디아나 오픈AI 한 곳에 의존하지 않는 다양한 공급자와 모델 생태계가 필요하다는 입장이다. [13:56]

7. 모델 판매와 별개로 커지는 연산 자원 임대 사업

• 스페이스X·xAI 합병과 크루소 인수, 앤트로픽의 콜로서스 임차 사례가 나온다. 컴퓨터 임대 사업이 빠르게 성장하면서 AI 사업 매출이 우주 사업에 맞먹는 수준에 이르렀다는 설명이 뒤따른다. [14:54]
• 오랫동안 로켓 사업을 구축해 온 초기 구성원에게는 컴퓨터 임대가 짧은 기간에 큰 매출을 내는 상황이 당혹스럽게 느껴졌다는 일화가 나온다. 두 사업의 수익화 속도 차이를 보여주는 사례다. [15:39]

8. 저가 모델과 작업별 배분이 압박하는 고가 토큰 수익

• 오픈AI 아스트라의 출력 토큰 100만 개당 가격은 50달러로 제시되고, 새 딥시크 모델은 이보다 99% 저렴하다고 묶인다. 딥시크의 버전은 V4.1인지 확실하지 않으며, 단순 작업 상당수가 저가 모델로 이동할 수 있다는 전망이 나온다. [17:21]
• 영상 편집·클립 제작 제품에서는 핵심 판단에만 비싼 모델을 쓰고 나머지는 저렴한 모델에 맡기는 실제 사용 사례가 드러난다. 테스트한 로직에서 Sol과 Luna를 나눠 사용해도 결과가 같았고, 토큰 사용량은 Luna 쪽이 훨씬 많았다. [17:47]

9. 모델 경쟁이 여는 응용 서비스의 수익 기회

• 나델라는 최종 수익이 응용 계층으로 흘러갈 것으로 본다. 포스트그레스 같은 오픈소스 데이터베이스가 경쟁을 가능하게 했듯, 모델 기업이 모든 가치를 독점하기는 어렵다는 논리다. [18:37]
• 강력한 지능을 가진 선두 기업이 시장을 독식할 수 있다는 우려도 남는다. 다만 중국의 빠른 추격으로 모델 간 경쟁이 강해지면서 독점에 대한 걱정은 이전보다 줄었다는 해석이 나온다. [19:27]

10. 전력·데이터센터와 반도체 공급망의 병목

• AI 확장의 주요 병목으로 전력과 데이터센터가 지목된다. 머스크의 테라팹 추진은 중국과의 충돌로 대만 TSMC의 칩을 공급받지 못할 가능성에 대비해 반도체 생산까지 직접 통제하려는 시도로 읽힌다. [20:43]
• 중국의 발전량이 미국의 3배이며 약 20년 전에는 비슷했다는 수치가 드러난다. 서밋 참석자들은 미국의 전력 확충 부진과 높은 전기요금의 원인으로 환경운동과 규제를 비판하며, 대화에서는 이들의 공화당 성향도 함께 짚어 본다. [21:50]

11. 데이터센터 유치 반대와 퀸시의 지역경제 사례

• 데이터센터 건설에는 주민 반대, 부지 가격 상승, 일자리 창출이 적다는 인식이 장애물로 작용한다. 지역경제에 어떤 이익을 주는지가 입지 수용성의 쟁점이다. [22:23]
• 마이크로소프트는 워싱턴주 퀸시에 데이터센터를 건설한 뒤 20년 동안 세수가 12배 증가했다는 사례를 제시한다. 유지보수와 지속적인 건설에 따른 일자리 1,200개, 시애틀보다 높은 성장률도 근거로 들지만 일자리 수가 많다고 보기는 어렵다는 반응도 나온다. [22:47]

12. 우주 데이터센터 구상과 기존 부지 확장

• 우주 데이터센터는 지상에서의 부지 확보와 인허가 지연을 피하려는 구상이다. 냉각과 전기가 무료라는 주장에는 냉각이 실제로 무료는 아닐 것이라는 반론이 즉시 제기된다. [23:49]
• 복사열을 우주로 방출하는 방식과 스페이스X·xAI의 추진 가능성이 거론된다. 머스크와 구글 모두 관심을 보이는 분야지만, 실제 성공 여부는 알 수 없다는 유보가 남는다. [24:15]

13. 미중 경쟁의 승부처로 떠오른 사회 전반의 AI 활용

• AI 경쟁에서 이기는 것이 국가 경쟁의 승패를 결정한다는 인식은 속도 조절을 어렵게 만든다. 중국은 속도를 늦출 생각이 없다는 여론 속에서 미국만 자제하면 승리하기 어렵다는 논리가 형성된다. [25:26]
• 젠슨 황은 산업혁명이 유럽에서 시작됐어도 그 혜택을 미국이 크게 가져갔다는 비유로 기술 활용의 중요성을 강조한다. 중국의 고속철도 확충과 캘리포니아 철도 사업의 부진도 미국의 실행력을 문제 삼는 비교로 등장한다. [25:58]

14. 오픈 모델과 폐쇄형 모델이 공존하는 생태계

• 서밋의 지도자들은 오픈 모델과 폐쇄형 모델이 모두 필요하다는 입장을 공유한 것으로 압축된다. 두 방식의 공존은 역사적 기술 생태계의 발전과도 연결된다. [27:25]
• AI 네이티브 스타트업에 약 4,000억 달러가 투자됐고, 그중 대다수가 오픈 모델을 사용한다는 수치가 묶인다. 비용과 보안 등 선택 이유는 다양하지만, 광범위한 사용 자체가 오픈 모델의 생태계 내 중요성을 뒷받침한다. [27:36]

15. 중국의 추격과 다시 제기되는 RSI 경쟁의 위험

• 중국이 여러 분야에서 이미 따라왔으며 미국의 우위가 확고하지 않다는 평가가 나온다. 젠슨 황은 반도체 제조 격차도 약 4년이면 따라잡힐 수 있다고 보며, 몇 년의 차이는 10~20년의 시야에서는 크지 않다는 관점을 제시한다. [28:11]
• 반도체는 모델처럼 몇 달마다 큰 폭으로 발전하기 어렵다는 해석이 뒤따른다. 전력에서는 미국의 총발전량이 2005년 이후 크게 늘지 않은 반면 중국은 크게 증가해, 오히려 미국이 뒤처졌다는 평가다. [28:55]

16. 경쟁과 투자 구조가 개발 속도 조절을 어렵게 한다

• RSI는 오래전부터 상상해 온 구상이지만 실제 결과는 아직 알 수 없다. 젠슨 황을 포함한 서밋 주요 인사들의 입장은 개발을 계속 가속해야 한다는 쪽으로 모이며, 선도 연구소가 속도를 늦춰도 다른 주체가 경쟁을 이어갈 것이라는 전망이다. [30:03]
• 중국과 공동으로 개발 속도를 조절하는 것은 불가능하다는 판단과 달리, 안전 문제에 관한 협의는 가능성이 있는 선택지로 남는다. [31:18]

17. AI 요약을 사전 지도와 시청 후 정리에 활용한다

• 여러 세션의 자막 전체를 AI에 입력해 주요 주제와 중복 논점을 먼저 추출하면, 영상을 보기 전에 내용의 구조를 파악해 이해를 돕는다. [32:39]
• 실제 시청을 마친 뒤에는 인상 깊었던 내용을 다시 모아 자료를 다듬는다. AI와 나눈 대화가 방대해질수록 공유 자료에는 일부 논점과 원문 링크를 선별하는 방식이 필요해진다. [33:02]

18. ‘들쭉날쭉한 지능’이 보여 주는 AI 능력의 불균형

• Anthropic VC 포럼은 게시물과 행사 자료 일부로만 확인되는 상태이며, 전체 영상은 공개되지 않았다. 행사 장소와 일부 구성에 관한 설명도 추정이 섞여 있다. [34:39]
• ‘Jagged Intelligence’는 AI가 어떤 영역에서는 매우 뛰어나지만 다른 영역에서는 농담 같은 일조차 잘하지 못하는 불균형을 가리킨다. 특정 과제의 높은 성능만으로 전반적인 능력을 판단하기 어렵다는 문제다. [35:06]

19. 직접 코딩에서 자연어 지시로 이동하는 개발 방식

• 카르파티는 지난해 10월에는 중요한 코드를 직접 작성하면서 Cursor의 자동완성을 보조적으로 사용했지만, 이제는 코드 자체를 어셈블리나 컴파일된 산출물처럼 취급하고 주로 자연어로 작업하는 상태로 바뀌었다. [36:24]
• 이런 인식 변화는 모델의 큰 세대교체 서너 번 사이에 일어났다. 2년 동안 약 여덟 번, 혹은 그보다 많은 세대교체가 가능하다는 가정에서는 가까운 미래조차 예측하기 어렵다. [36:54]

20. 생성 콘텐츠가 개인의 감상과 학습 재료가 된다

• Claude·Opus로 이야기를 만들고 JavaScript로 시각화하는 창작 사례가 늘고 있다. 인터넷을 탐색해 사진을 가져온 뒤 그 위에 그림을 더하는 영상도 코드로 제작한다. [38:05]
• 카르파티는 자신이 볼 콘텐츠를 직접 생성하는 방식도 활용한다. 작업 전에 한 시간 분량의 영상을 생성해 두며, 감상하거나 학습할 내용을 영상으로 만드는 용도일 것이라는 해석이 붙는다. [39:01]

21. RSI 개발 일정과 함께 현실화하는 정렬 문제

• 파호츠키의 글 「An Alien Mind」는 RSI 개발과 인간이 충분히 이해하지 못하는 지능의 통제 문제를 연결한다. 앞서 제시한 일정은 2026년 9월 무렵 AI 연구 인턴, 2028년 AI 과학자를 목표로 했다는 내용이며, 실제 달성 여부와는 구분필요가 있다. [39:39]
• 루프 트랜스포머와 순환 구조 관련 소문 속에서 파호츠키는 신중한 접근을 강조하고 상세한 글을 약속했다. 핵심은 이해하기 어려운 지능을 통제할 수 있느냐는 질문이다. [40:29]

22. 핵심 연구자의 설명에도 남는 안전 검증의 공백

• 노암 브라운은 테스트 시점 연산 확대와 다중 에이전트 연구의 핵심 인물로 다뤄진다. Meta에서 포커와 Cicero를 연구한 이력이 OpenAI의 추론·협업 연구와 연결된다. [42:46]
• Hugging Face 사건 외에 OpenAI 자체 인프라 침투 사건도 있었다는 설명에서는, 외부 조사기관인 METR와 Redwood가 해당 영역에 접근하지 못했다는 점이 문제로 남는다. 브라운은 자신이 안전 책임자가 아니라는 이유로 답변 범위를 제한했다. [44:24]

23. 다중 에이전트 성과는 기본 모델과 학습된 협업 능력에 달렸다

• 최근 수학적 성과에서는 다중 에이전트 구성보다 기본 모델의 능력이 더 큰 비중을 차지했다는 설명이다. 밀레니엄 문제 관련 사례에서 1만 개 에이전트의 기여는 약 10% 정도로 드러난다. [45:05]
• 협업은 오케스트레이터와 하위 에이전트를 연결하는 외부 실행 구조에만 맡기는 것이 아니라, 모델 자체의 소통 능력으로 내재화하는 방향으로 발전해진다. 협업 기록을 사전학습에 넣었을 것이라는 추측은 있으나 구체적인 학습 방식은 알 수 없다. [45:36]

24. 다중 에이전트가 추가적인 성능 확장 축으로 자리 잡는다

• 대규모 모델 집단이 인간 집단보다 반드시 더 잘 협업하는 것은 아니다. 현재 수준의 협업과 성과도 자동으로 생긴 결과가 아니라 연구를 통해 장벽을 넘은 결과다. [47:03]
• 다중 에이전트는 새로운 성능 확장 축으로 제시되지만, 에이전트 수에 정확히 비례하는 선형 확장은 아니다. 브라운이 사용한 표현은 ‘준선형’이다. [48:00]

25. RSI는 정렬 오차를 누적시키고 사고 과정 감시를 약화할 수 있다

• Astra는 정렬이 잘된 모델로 평가되며, Hugging Face 사건을 일으킨 모델은 외부에 출시하지 않은 계열이라는 설명이다. 정렬 수준이 99.98%에서 다음 세대의 99.97%로 낮아지는 수치는 실제 측정값이 아니라, RSI로 세대교체가 빨라질 때 작은 편차가 누적될 수 있음을 보이는 가정이다. [48:19]
• 출시 후 인간과 상호작용하며 얻는 피드백이 충분히 쌓이기 전에 다음 세대로 넘어가면 검증 시간이 줄어든다. 사고 과정에 잘못된 피드백을 주면 모델이 생각을 숨기도록 학습할 수 있고, 감시 방법에 관한 공개 논의까지 학습 데이터에 들어가면 기존 CoT 감시의 효력이 약해질 수 있다는 우려도 있다. [48:49]

26. 속도 조절 제안은 규제 포획과 담합 논란에 부딪힌다

• 데이비드 색스의 비판에서 핵심은 안전 규제가 후발 주자에게 불리하고 선도 기업에 유리하게 설계될 수 있다는 ‘규제 포획’ 문제다. 아모데이의 속도 조절 제안에 올트먼까지 동의한 구도가 이 비판의 배경이 된다. [51:25]
• 대형 기술기업들이 모여 개발 속도를 논의하는 행위는 담합이나 반독점 문제로 이어질 수 있다는 쟁점도 제기된다. 이는 실제 위법 판정과는 구분되는 문제 제기다. [52:07]

27. METR의 계보와 인적 연결이 감사 독립성의 쟁점이 된다

• METR의 전신은 ARC Evals이며, ARC는 정렬 문제를 다루기 위해 폴 크리스티아노가 설립한 조직이다. 연구·평가 조직이 같은 계보에서 분화했다는 점이 독립성 논쟁의 배경이다. [52:51]
• 크리스티아노는 Anthropic에서 맡았던 특수한 지위를 이해충돌 때문에 내려놓고 미국의 관련 정부기관에서 역할을 맡았으며, 최근에는 OpenAI 이사회에도 합류했다는 설명이다. 기업·정부·안전 연구 사이를 오가는 인적 연결이 드러난다. [53:11]

28. 안전 연구의 인맥과 자금은 효과적 이타주의와 연결된다

• 홀든 카르노프스키는 Open Philanthropy에서 AI 안전 연구에 대한 자금 지원에 관여했고, 이후 Anthropic의 기술 인력으로 이동했다는 설명이다. Anthropic 사장 다니엘라 아모데이의 배우자라는 관계도 이 연결망에 포함된다. [54:54]
• 다리오 아모데이·폴 크리스티아노·제프리 어빙의 「AI Safety via Debate」는 단순한 모델을 사용하면서도 오늘날의 정렬 문제와 이어지는 논점을 다뤘다. 이 연구 집단의 관심은 최근의 논쟁보다 오래됐다. [55:42]

29. 가속과 통제의 결정이 소수 집단에 집중된다

• 가속을 주장하는 인물과 안전을 이유로 통제를 요구하는 인물은 서로 완전히 분리된 집단이 아니라 좁은 기술업계 안에 밀집해 있다. 사회적으로 중요한 결정을 이 작은 집단 내부에서 내리게 된다는 점이 우려의 핵심이다. [58:10]
• 개발 속도 조절은 일어나기 어렵다는 잠정 결론이 유지된다. ‘거의 99%’라는 표현은 이에 대한 출연자의 강한 확신을 나타내며, 검증된 발생 확률은 아니다. [58:45]

30. 과학 연구 인프라 확대와 RSI 가동은 구분해야 한다

• Periodic Labs는 멘로파크에 실험실을 마련하고 연구의 반복 고리를 완성하기 위한 인프라를 공개했다. 다만 이 구간에서는 아직 실제 성과를 보여 주지 않았다는 한계가 명시된다. [59:00]
• Anthropic도 생명과학 분야로 확장하고 있으며 ‘Claude Science beta’가 나온다. 과학 연구를 향한 제품과 기반시설 확대는 계속되는 흐름이다. [59:20]

31. 현재의 자기개선과 멈추기 어려운 RSI를 구분해야 한다

• 자기개선은 이미 일어나고 있지만, 재귀적 자기개선은 실행 여부를 고민하는 단계로 구분된다. DeepMind Institute의 경제·사회 분야 연구는 이러한 변화의 사회적 영향을 진지하게 탐구하려는 움직임으로 해석되며, 과거 YC Research의 기본소득 연구와 어떤 차별점을 만들지는 더 지켜봐야 한다 [1:01:19]
• 현재 방식의 개발과 출시가 멈추기보다는 유지되거나 조금 더 빨라질 것이라는 전망이다. 속도 조절의 쟁점은 일단 시작하면 멈추기 어려운 새로운 방식의 발전이며, 요슈아 벤지오가 RSI를 불법화해야 한다고 주장했다는 사례도 등장한다 [1:01:53]

32. 전문가는 직접 작업하는 사람에서 AI를 운용하는 사람으로 이동한다

• 전직 DeepSeek 연구자의 글에는 커널 전문가인 자신이 전문 영역에 직접 기여하기보다, 작업을 대신하는 ‘AI 메카의 조종사’가 된 듯하다는 감각이 담겼다. 이 글의 확산은 기존 업무의 상당 부분을 AI에 위임하는 경험이 여러 사람에게 공통적이라는 해석으로 계속된다 [1:02:47]
• 샤오미에서 MiMo를 개발하는 뤄푸리의 게시물은 v2.6의 강화학습 실행 과정과 비용, 궤적, 벤치마크 성능 상승을 공개한 사례로 드러난다. 이를 테스트 시점 스케일링이 여전히 작동한다는 근거로 보며, 당시 화면의 토큰 비용은 3일 동안 180만 달러로 읽힌다 [1:03:44]

33. 토큰 사용량 증가가 비용과 업무 의존성을 함께 키운다

• OpenAI 내부에서는 직원 약 1%가 하루 약 8,000달러의 토큰을 사용한다는 이야기가 인용된다. 해당 집단이 기술직인지는 발언에서도 추정으로 남아 있다 [1:04:11]
• OpenAI·Anthropic·Grok에 각각 200달러·200달러·300달러를 지불하는 개인 구독에서도 세 서비스의 사용 한도를 모두 소진해 강제로 쉬는 경험이 발생했다. 비용을 지불하며 쓰는 동안 사용량 자체가 계속 늘어난다는 체감이다 [1:04:53]

34. 수학의 자동화는 정답과 인간의 이해 사이의 긴장을 드러낸다

• 호지 추측을 포함한 밀레니엄 문제 두 개가 거의 해결됐으며 수학계의 반발 때문에 공개되지 않았다는 내용은 소문으로 드러난다. 호지 추측 관련 보도도 언급되지만, 이 구간만으로 문제 해결을 확정할 수는 없다 [1:05:44]
• 테런스 타오가 예상한 대규모 가설 공간 탐색 방식과 연결해, AI의 문제 해결이 수학 생태계와 인간의 이해에 무엇을 기여하는지가 쟁점이 된다. 필즈상 수상자들의 ‘수학의 정렬 불일치’ 논의와 건강한 방향을 모색한 라이덴 선언이 그 맥락에 놓인다 [1:06:43]

35. 모델 가중치 보호와 안전성 평가 기관도 검토 대상이 된다

• 외부 화이트해커가 OpenAI의 보안을 뚫은 사례는 중요한 모델 가중치를 해당 조직이 안전하게 보관할 수 있는지에 대한 의문으로 계속된다 [1:07:58]
• Irregular는 Anthropic과 OpenAI의 보안 관련 모델 카드에 반복해서 등장하는 평가 기관으로 거론된다. 창업진의 이스라엘 정보부대 경력과 효과적 이타주의 기금 지원에 관한 이야기는 그대로 받아들이기보다 가벼운 참고 수준으로 보라는 단서가 붙는다 [1:08:38]

36. Jev와 소형 모델은 빠른 판단을 활용하는 응용을 넓힌다

• Jev라는 이름은 효율 향상과 비용 하락이 수요 확대를 부를 수 있다는 제번스의 역설에서 따왔다. AI가 저렴해져도 사용 수요가 더 크게 늘 수 있다는 맥락과 연결된다 [1:09:20]
• Jev의 정확한 구조나 LLM 기반 여부는 불확실하다고 전제된다. 다만 최대 255개의 확률 출력을 동시에 내는 분류기처럼 이해되며, 게임과 실시간 컴퓨터 조작에 활용한 실험, Qwen 소형 모델의 로짓과 한 번의 디코딩으로 유사한 판단을 구현한 사례가 묶인다 [1:10:43]

37. 공개 결과물과 낮아진 구현 비용이 파생 실험을 증폭한다

• Jev와 초파리 커넥톰 주변에서는 게임, 트레이딩, OCR·분류 등 유사한 응용 실험이 반복해서 나타난다. AI 덕분에 구현 비용이 낮아져 공개된 연구 결과물로 누구나 파생 실험을 시도하기 쉬워졌다는 설명이다 [1:12:55]
• 모델 공개는 다수의 사용자가 여러 방식으로 시험하며 피드백을 돌려주는 통로가 된다. 과거 소수 전문가에게 집중됐던 실험이 넓게 분산되면서 응용과 피드백의 순환이 작동한다 [1:13:18]

38. 개인의 탐색은 관심사와 신뢰할 만한 평가를 중심으로 좁혀진다

• 한 사람이 모든 기술과 모델을 시험할 수는 없으므로, 자신의 관심과 미래 가능성을 기준으로 탐색 대상을 골라야 한다. 직접 검증이 어려울 때는 신뢰하는 사람이나 먼저 사용한 사람들의 평가가 선택 근거가 된다 [1:14:29]
• 기술을 시험하고 평가한 뒤 다른 대상으로 이동하는 주기가 매우 짧아져 정보 과부하가 커진다. 일정 기간 긍정적 평가가 이어지는 대상을 따라가면 탐색 비용을 줄일 수 있지만, 그 판단과 추격의 간격도 과거보다 빨라졌다 [1:15:16]

39. 인간의 실험 공유는 멀티에이전트의 집단 탐색과 닮아 있다

• 사람들은 각자의 경험과 호기심을 바탕으로 가설을 시험하고 소셜미디어에서 결과를 공유한다. 다른 사람의 성공을 가져와 재시도하는 과정은 OpenAI에서 1만 개 에이전트가 가설과 결과를 교류하며 협력하는 방식과 유사하다는 해석이다 [1:16:08]
• 인간이 인터넷에 남긴 탐색 궤적을 모델이 다시 학습하면서 발전이 층층이 쌓일 수 있다. RSI를 별도로 시작하지 않아도 이미 가속 경로에 들어섰다는 우려가 나온다 [1:16:28]

40. 에이전트 실험에서는 좁은 판단 과제와 기존 알고리즘의 결합이 효과를 보였다

• Powder류 환경에서 물질의 상호작용을 구현하던 실험에 에이전트를 추가하고, 나무 블록을 놓으며 먹이에 도달하도록 3개 층의 모델로 계획하게 했다. 완전한 원클릭 구현은 아니었지만 빠르게 만들 수 있었다 [1:17:42]
• 경쟁이나 협력을 직접 작성하지 않아도 다른 에이전트가 만든 발판을 이용하거나 서로 방해하는 행동이 나타났다. 반면 공간 전체를 감지하도록 했을 때는 방향을 더 잃었고, 하네스로 특정 행동의 판단만 맡겼을 때 작은 모델도 작동했다 [1:18:18]

41. 조합적 놀이는 탐색을 확장하지만 기대와 우려를 함께 남긴다

• 현재 실험에서 뚜렷한 생산성을 주장하기는 어렵지만, 여러 기술을 결합하고 시험하는 ‘조합적 놀이’가 진행 중이라는 평가다. 새로운 조합을 만드는 즐거움과 발전 속도에 대한 걱정이 공존한다 [1:19:18]
• 초파리 커넥톰이나 Jev를 활용하는 놀이에는 상업적 시도도 섞여 있으며, 이런 활동은 탐색 범위를 크게 넓힌다. 인간이 남기는 실험 궤적이 많아지면 AI도 이를 이어갈 수 있으리라는 가능성에 기대와 우려를 동시에 둔다 [1:19:54]

🧾 결론

• 개발 가속이 이어질 것이라는 전망과 안전 우려는 동시에 존재한다. RSI 가동 여부와 현재 제품의 출시 속도를 구분해야 논쟁의 대상을 정확히 이해할 수 있다.
• AI의 경제적 성과는 인프라 공급자의 이익뿐 아니라 최종 사용자의 지출, 업무 생산성, 사회 전반의 활용으로 평가해야 한다.
• 모델 공개와 실험 공유는 모델 자체의 발전 외에도 응용을 확장하는 경로를 만든다. 조합적 놀이는 그 가능성을 보여 주지만 결과를 미리 보장하지는 않는다.

📈 투자·시사 포인트

• 투자 회수 경로를 점검한다. 반도체·클라우드 매출 증가와 최종 AI 수요를 구분하고, 선행 투자 규모를 실제 이용 매출이 얼마나 따라오는지 살펴볼 필요가 있다.
• 가격 하락의 영향을 계층별로 본다. 저가 모델과 작업별 모델 배분은 고가 토큰의 수익성을 압박하는 동시에 응용 서비스의 비용을 낮출 수 있다. 수익이 응용 계층으로 이동한다는 주장은 관찰할 가설이다.
• 물리적 확장 조건을 함께 본다. 전력 확보, 인허가, 주민 수용성, 공급망은 데이터센터 확장 속도를 좌우한다. 이미 전력과 허가를 확보한 부지가 유리하다는 관점도 제시된다.
• 효율 개선과 총지출 감소를 동일시하지 않는다. 모델이 저렴해져도 활용 범위와 사용량이 더 크게 늘 수 있다. 토큰 단가와 총사용량을 함께 봐야 비용과 수요를 해석할 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• 투자액·매출·발전량·스타트업 투자 규모에는 전망치와 인용 수치가 섞여 있다. 집계 대상, 기준 시점, 산정 방식이 확인되지 않은 상태에서 직접 비교하거나 버블 여부를 확정하면 안 된다.
• 모델 가격 비교에서는 딥시크의 버전부터 불확실하다. 동일한 작업 품질과 가격 조건을 확인하지 않으면 제시된 가격 차이를 일반화하기 어렵다.
• RSI 일정은 목표이며 달성 사실이 아니다. 정렬 수준의 99.98%·99.97%는 설명용 가정이고, 감속이 어렵다는 ‘거의 99%’도 출연자의 확신이지 검증된 확률이 아니다.
• 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·매출 수치를 인용하기 전에 원자료에서 집계 범위, 기준 시점, 실적과 전망의 구분을 확인한다.
• 자신의 반복 업무 하나를 골라 고가 모델 단독 사용과 작업별 모델 배분의 품질·총비용·처리 시간을 비교한다.
• AI 투자 판단에서는 인프라 매출, 최종 이용 수요, 생산성 효과를 분리해 기록하고 전력·인허가 제약도 함께 점검한다.
• 안전 관련 주장을 검토할 때 제품 출시와 RSI 가동을 구분하고, 외부 평가자의 접근 범위와 검증 결과를 확인한다.

❓ 열린 질문

• 최종 AI 수요와 생산성 향상이 선행 투자를 회수할 만큼 빠르게 늘어날 것인가?
• 미중 경쟁이 계속되는 상황에서 공동 안전 평가와 감사는 어느 범위까지 가능할까?
• 모델 가격 하락으로 생긴 가치가 응용 서비스, 클라우드, 최종 사용자 사이에 어떻게 배분될까?