🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Claude Mythos와 Fable 5 논쟁은 모델 성능 경쟁이 post-training 인프라, 도메인 데이터셋, 접근 통제, sovereign AI로 넘어가는 다음 국면을 보여준다.

📌 핵심 요점

1. AI Frontier 100회 시점에서 지난 3년의 변화는 ChatGPT 초기 충격, GPT-4, reasoning model, Fable 공개로 이어지며 “불가능”의 기준이 반복적으로 무너진 과정으로 정리된다.
2. Anthropic의 Mythos/Fable 공개는 단순한 신모델 출시가 아니라, 비미국 국적자 접근 제한과 고위험 도메인 차단 사례까지 겹치며 모델 성능·안전·정책·접근권 문제가 동시에 드러난 사건으로 다뤄진다.
3. 프런티어 경쟁의 중심은 단순한 pretraining scale만이 아니라 post-training, post-training 인프라, inference와 training loop 운영, 그리고 도메인별 고품질 데이터셋 생산 능력으로 이동하고 있다.
4. 바이오·신약개발·longevity 영역에서는 기존 산업 내부자가 문제의 난이도를 높게 보는 반면, AI 진영은 생물학을 DNA·protein·cell·organ 등 여러 modal의 통합 학습 문제로 보고 GPT-2 moment에 가까운 초기 기회로 해석한다.
5. Fable 5의 체감 성능은 사용 영역에 따라 갈리지만, 사이버 보안·생물학 같은 최전선 연구 영역에서는 이전에 어려웠던 작업이 가능해지는 경계 효과가 더 크게 관찰되며, 비용과 성능의 trade-off가 핵심 판단 기준이 된다.

🧩 배경과 문제 정의

• AI Frontier가 100회를 맞은 지금, 지난 3년간 ChatGPT 초기 국면에서 GPT-4, reasoning model, Fable 공개로 이어지며 AI 프런티어의 변화 속도는 크게 달라졌다.
• Anthropic의 Mythos/Fable 공개, 미국 정부 규제, 비미국 국적자의 접근 제한이 맞물리면서 모델 성능뿐 아니라 통제, 접근권, 정책 리스크가 핵심 쟁점으로 부상했다.
• 샌프란시스코의 스타트업, 데이터셋 기업, 에이전트 구축 기업, 프런티어 랩 관계자들과의 접점 속에서 다음 경쟁축은 단순한 모델 크기가 아니라 post-training 인프라와 도메인별 데이터셋 공급으로 좁혀지고 있다.
• LLM에서 불가능하다고 여겨졌던 과제가 반복적으로 깨진 경험은 바이오, 신약개발, longevity 같은 다른 도메인에도 투영되며, 기존 산업 내부자와 AI 출신 창업자 사이의 기대치 차이를 키우고 있다.

🕒 시간순 섹션별 상세정리

1. 100회와 지난 3년의 변화 속도

• 2026년 6월 14일 녹화 기준 AI Frontier는 100회에 도달했고, 처음에는 학습 목적의 대화로 시작했지만 약 3년 사이 프런티어 소식을 빠르게 따라가는 채널로 확장됐다 [00:13]
• ChatGPT 출시 직후와 GPT-4 공개 초기를 지나, GPT-4를 AGI의 불꽃으로 해석하던 시기부터 유니콘 그림 같은 과제는 더 복잡한 시각 생성 과제로 이어졌고, 불가능하다고 여긴 기준도 계속 무너졌다 [00:57]

2. Mythos/Fable 공개와 접근 제한 논란

• Anthropic은 4월 Mythos라는 모델을 제한적으로 공개했고, 약 두 달 뒤 Fable이라는 이름으로 공식 공개되면서 커뮤니티에서 모델 변화와 파급효과 검증이 빠르게 확산됐다 [01:53]
• Fable 공개 직후 미국 정부 규제로 비미국 국적자의 접근을 완전히 막는 정책이 나오면서, 성능 논쟁에 정책·국적·접근권 문제가 함께 얹혀 논란이 커졌다 [02:18]

3. 스케일 경쟁의 중심축과 post-training 인프라

• AI 경쟁에서 가능성 자체를 부정하는 분위기는 약해졌고, 핵심 쟁점은 scale이 더 커질 때 어떤 변화가 생기며 어떤 인프라가 이를 뒷받침할 수 있는지로 이동했다 [03:38]
• 모델 규모가 커질수록 더 많은 데이터셋과 고품질 pretraining 데이터가 필요해지고, 작은 모델로 pretraining 데이터 품질을 높여 성능을 끌어올리려는 연구 흐름도 관찰된다 [04:11]

4. 도메인별 데이터셋 생산과 프런티어 랩의 반복 경쟁

• 금융만 보더라도 investment banking, 세무 처리, 개인 금융 업무처럼 세부 task가 나뉘며, 각 task에 맞는 데이터셋을 잘게 쪼개 만드는 방식이 확산되고 있다 [06:20]
• 모델 scale이 계속 커질수록 도메인과 직업 전문가의 case-by-case 데이터를 만들어 학습시키는 순환이 반복되고, 이 과정이 benchmark 상승으로 계속된다 [06:40]

5. 바이오·신약개발을 바라보는 기존 산업과 AI 진영의 온도차

• 바이오와 material science, 특히 biology 영역에서는 Periodic Labs 같은 사례와 함께 프런티어 스타트업의 방향이 주목받고, 관련 사업 기회를 찾는 젊은 창업자들도 예상보다 많이 포착된다 [08:14]
• LLM 영역에서는 지난 3~4년 동안 불가능하다고 여겨진 과제들이 reasoning model과 post-training 발전으로 차례로 무너졌고, AGI에 가까운 능력이 이미 등장했다는 인식도 생겼다 [09:05]

6. 생물학을 새로운 modal로 보는 접근

• DNA, protein, cell, organ 수준에서 일어나는 생물학적 현상을 소리·이미지·비디오처럼 서로 다른 modal로 보고, 이를 한 번에 넣어 학습시키려는 접근이 AI 진영의 기본 관점에 가깝다 [11:20]
• 생물학의 여러 층위를 수작업 문제로 각각 쪼개기보다 멀티모달 학습 대상으로 통합하면, 대형 모델의 일반화 능력이 기존 과학 도메인의 specific problem까지 확장될 수 있다는 기대가 생긴다 [11:35]

7. 미국 AI 스타트업 밸류에이션과 한국 창업자의 접근 격차

• 미국에서는 트랜스포머의 한계와 새로운 월드 모델을 주장하는 10대·20대 천재 창업자들에게 자본이 반복적으로 반응하고, 아직은 실패보다 기대가 더 강하게 작동한다 [12:30]
• 과거에도 비슷한 주장을 내세운 젊은 창업자들이 실제 문제를 풀지 못하고 팀과 회사가 무너진 사례가 있어, 자본시장 안에는 기대와 회의가 동시에 존재한다 [12:55]

8. 글로벌 네트워크가 프런티어 정보 접근성을 바꾼다

• 미국 현지에서는 한국 네트워크만으로 만나기 어려운 젊은 창업자와 연구자를 접할 수 있고, 인도·중국 네트워크가 프런티어 랩 내부 정보 흐름에 큰 역할을 한다 [14:29]
• 중국계 인력이 프런티어 랩 안에 많이 존재하며, 현재 프런티어가 어디에 있는지와 각 회사의 상황에 대한 비공개성 높은 정보가 그 네트워크를 통해 흘러나온다 [14:46]

9. Fable 5 출시는 Mythos의 안전 공개 버전으로 읽힌다

• Opus 4.8 이후 몇 주가 아니라 12일 만에 Fable 5가 공개됐고, 출시 명분은 안전장치 확보에 맞춰져 있다 [15:28]
• 안전·생물학 관련 내용은 앞단에서 기계적으로 차단되는 구조로 보이며, Mythos를 그대로 공개하기보다 Fable이라는 공개용 형태로 포장한 흐름이 드러난다 [15:45]

10. Dario Amodei 글과 Anthropic 일정은 공개·통제·상장 맥락으로 계속된다

• Dario Amodei의 블로그 흐름은 Machines of Loving Grace, DeepSeek 규제와 수출통제, 기술의 청소년기, AI exponential 정책 논의로 이어지며 안전과 정책 프레임을 반복한다 [18:17]
• 5월 28일 Opus 4.8 공개 시점에는 H라운드 965억 달러 밸류에이션이 나왔고, 6월 1일에는 Anthropic의 S-1 관련 비공개 초안 제출로 보이는 일정이 겹친다 [19:18]

11. Fable 5 사건은 IPO 전략과 전략자산화 신호를 동시에 만든다

• TAM 관점에서는 국가권력이 언제든 개입할 수 있다는 신호가 불리하지만, 사건이 작은 해프닝으로 수습되면 오히려 능력 인증 효과가 남을 수 있다 [20:34]
• OpenAI의 GPT-5.5가 아직 나오지 않은 가운데 RSI 흐름과 Anthropic의 일정이 겹치며, 2028년 완전 자동화 AI 연구원 전망과도 연결된다 [21:12]

12. 체감 성능은 사용 영역에 따라 갈리고, 프런티어 연구에서는 차이가 커진다

• Fable 5 사용 반응은 갈린다. 어떤 사용자는 Opus보다 크게 낫지 않다고 느끼지만, 다른 사용자는 유료로라도 써야 할 만큼 의미 있는 모델로 받아들인다 [22:35]
• Opus 4.8의 경계를 넘을 필요가 없는 영역에서는 Fable 5의 추가 이득이 잘 체감되지 않으며, 그런 사용자에게는 기존 모델이 비용 면에서 더 나은 선택지가 된다 [23:00]

13. Loop Engineering의 등장과 기존 루프와의 차이

• 수백 쪽 분량의 자료를 모두 읽기 어렵기 때문에 초반 검토는 세부 검증보다 전체 감각을 파악하는 수준에 머문다 [24:03]
• 판매·마케팅 영역에서 Loop Engineering이라는 새 용어가 떠오르고, Claude Code의 Boris Cherny와 OpenClaw의 Peter Steinberger, OpenAI 관계자들이 비슷한 시기에 loop 관련 논의를 꺼낸다 [24:19]

14. Fable 가격이 드러내는 토큰 비용과 모델 규모 추정의 한계

• 프런티어 모델이 작업을 펼친 뒤 다시 수렴하는 구조가 공식화되면서 token 비용이 크게 늘 수 있고, Fable을 위임형 loop에 직접 넣으면 비용 문제가 곧바로 드러난다 [25:28]
• Fable은 Opus보다 대략 2배 비싸며, 100만 출력 token 기준 가격이 50달러라 입력보다 출력 비용 부담이 훨씬 크다 [25:55]

15. Anthropic의 비싼 가격과 분산 인프라가 만든 압박

• 경쟁 환경에서는 모델 가격이 원가에 가깝게 형성될 수 있고, Fable의 100만 token당 입력 10달러·출력 50달러 구조는 현재 가장 비싼 축에 속한다 [27:58]
• Anthropic은 Google TPU, Amazon Trainium, NVIDIA를 모두 활용하는 넓은 인프라 전선을 갖고 있어 inference에서는 이해 가능한 선택이지만, training과 post-training에서는 통합 플랫폼 대비 불리해질 수 있다 [28:49]

16. Fable을 loop에 태울 때 생기는 API 비용 폭증

• Fable은 6월 22일까지 임시 공개된 뒤 구독 모델 편입이나 종량 과금 지속 여부를 지켜볼 예정이었지만, 이후 정부 제재라는 변수까지 겹친다 [30:36]
• Dynamic Workflows에서는 단일 실행이 최대 1,000개 agent까지 확장될 수 있고, 1,500개의 Sonnet 4.6을 쓰던 작업은 약 400달러에서 Fable 기준 약 1,500달러 수준으로 뛰어오른다 [31:06]

17. Test-time compute의 가능성과 인간 노력 대비 비용 논쟁

• 더 낮은 비용으로 사람이 일부 노력을 투입하면 더 빠르고 정확하게 끝낼 수 있는 일도 있는데, 현재 흐름은 더 비싼 돈을 내고 모델을 오래 일하게 하는 쪽으로 기운다 [32:07]
• test-time compute에는 아직 더 뽑아낼 수 있는 여지가 많고, 더 큰 규모를 만들 수 있으면 모델이 처리할 수 있는 영역도 크게 넓어진다 [32:23]

18. Claude의 재귀적 확장과 RSI 방향성

• Claude가 혼자 일하다가 여러 Claude가 함께 일하고, Claude가 다시 Claude를 만드는 그림은 recursive self-improvement에 가까운 방향성을 상징한다 [33:20]
• 하나의 구조가 더 큰 블록에서도 자기 자신과 비슷하게 반복되는 모습은 생명세포 분열이나 프랙털 같은 동형 구조에 가깝다 [33:43]

19. Mythos 10T와 프런티어 학습 규모의 급팽창

• Mythos는 10T 모델로 다뤄지며, 이 규모를 학습시키는 계산량 자체가 이미 산정하기 어려운 수준에 들어선다 [36:00]
• 과거 프런티어 모델은 3T나 5T 수준에서 학습됐다는 이야기가 많았지만, 현재 기준은 30T 쪽으로 이동하고 토큰 수는 계속 늘어나는 흐름이다 [36:16]

20. 한계효용 체감과 반도체·전력·데이터센터 수혜

• Dario Amodei의 “Machines of Loving Grace”에서 다뤄진 수학적 한계효용 체감 전망은 특정 영역에서 이미 현실화되는 흐름으로 보인다 [37:03]
• Sam Altman이나 Dario Amodei의 발언을 해석하던 시기와 달리, 현재 국면은 당사자들도 정리할 여유 없이 미지의 영역으로 끌려 올라가는 상태에 가깝다 [37:23]

21. 투입 대비 성능 향상과 10T 이후의 현실적 장벽

• 대형 기술기업들이 아직 무너지지 않는 이유는 시장의 기대가 계속 커지는 동시에, 그 기대에 부응하는 outcome도 일정 수준 이어져 왔기 때문이다 [38:03]
• 투입을 10배 늘릴 때 체감 gain이 약 2배 늘어나는 흐름이라면, 1T에서 10T로 올라간 Mythos의 성능 개선도 같은 스케일링 관점에서 이해할 수 있다 [38:33]

22. Sovereign AI와 미중 전략 게임, 한국의 기회

• 10T 모델을 둘러싼 situational awareness는 이미 미국 정부의 관리 움직임과 맞물려 있으며, sovereign AI 수요도 빠르게 확대되고 있다 [40:08]
• 목표 모델이 확인되면 중국도 계산량과 시간의 함수로 같은 목표에 접근할 수 있고, 수출통제 역시 중국이 대응 전략을 세울 수 있는 변수로 작동한다 [40:20]

23. Fable 5와 모델 대화가 드러내는 사용자-모델 관계

• Norbert Wiener의 《The Human Use of Human Beings》는 자동화 사회에서 인간의 쓸모를 묻는 고전으로 다시 소환되며, Fable 5 경험과 맞닿은 문제의식이 된다 [42:35]
• 교육 관련 글을 Fable 5에 넣고 대화한 뒤, 별도 세션에서 그 대화를 다시 검토하면서 모델과 사용자를 둘러싼 이중 대화 구조가 형성된다 [43:19]

24. 시스템의 목적, 자기 인식, Fable 5의 한계와 강점

• “The purpose of a system is what it does”라는 사이버네틱스 문장은 의도나 목표보다 실제로 수행되는 일이 모델과 사용자의 관계를 보여준다는 관점으로 계속된다 [45:11]
• Fable 5와의 대화는 코드 생성 같은 실용적 사용을 넘어, 매혹적인 주제 안으로 깊이 들어가고 그 과정을 즐기는 자기 모습을 다시 인식하게 만든다 [45:45]

25. 1년 만에 달라진 AI 개발 환경

• 지금이 AI 혁명의 결정적 시기로 남을 수도 있지만, 2~3년 뒤에는 더 극단적인 변화가 나타나며 지금의 판단 기준 자체가 다시 바뀔 가능성도 있다 [48:02]
• 지난해 5~6월에는 Claude Code가 무엇이고 어떻게 써야 하는지가 유튜브 커뮤니티에 막 퍼지기 시작했는데, 1년 뒤의 변화 폭은 전혀 다른 시대처럼 느껴질 만큼 커졌다 [48:59]

26. 코딩보다 커진 엔지니어링과 도구 자가증식

• 사람이 실제 코드를 한 줄씩 쓰지 않는 경우가 늘어도, 사용 가능한 시스템을 만들려면 에이전트와 함께 더 높은 수준의 아키텍처와 공학 문제를 풀어야 한다 [50:00]
• 수천 줄 규모에서는 문제가 없던 코드가 며칠 사이 6만 줄까지 커지면 중복과 리팩터링 부담이 커지고, 의미 수준의 중복을 찾아내는 도구가 필요해진다 [50:17]

27. AI Frontier의 다음 단계와 커뮤니티 확장

• AI Frontier 주변에는 이미 정보를 제공하는 사람들이 커뮤니티를 이루고 있으며, 주간 단위 요약만으로는 변화 속도를 따라가기 어려워지고 있다 [51:02]
• 사람의 속도로는 감당하기 어려운 변화 속도 속에서 커뮤니티 구성원을 서로 연결하는 시스템이 필요하며, 실리콘밸리와 서울 사이의 기회를 더 강하게 이어가는 것이 다음 과제가 된다 [51:39]

🧾 결론

• 이번 에피소드의 중심 메시지는 “더 큰 모델이 더 좋다”에 머물지 않고, 프런티어 AI 경쟁이 데이터셋, post-training, 인프라, 정책 통제, 전략자산화의 결합 문제로 바뀌고 있다는 점이다.
• Mythos와 Fable 5는 성능 논쟁뿐 아니라 안전 공개 버전, 생물학 관련 차단, 미국 정부 개입, 비미국 접근 제한이라는 이슈를 통해 AI 모델이 국가 단위 관리 대상이 될 수 있음을 보여주는 사례로 해석된다.
• 사용자는 Fable 5 같은 프런티어 모델을 평가할 때 일반적인 체감 성능만으로 판단하기 어렵고, 자신이 다루는 문제가 Opus급 모델의 경계를 넘는지, 고난도 연구·분석 영역인지, 비용 대비 산출물이 충분한지 따져야 한다.
• 바이오와 material science 영역에서는 기존 산업의 세부 문제 해결 방식과 AI 진영의 멀티모달 일반화 접근이 충돌하고 있으며, 이 간극이 새로운 창업·투자 기회로 이어질 수 있다.
• 검증 필요: Mythos의 정확한 규모, Anthropic의 S-1 관련 일정, Amazon 개발자의 jailbreak 신고 정황, 정부 제재의 구체적 배경 등은 영상 내 해석과 정황으로 제시된 내용이므로 별도 확인이 필요하다.

📈 투자·시사 포인트

• 프런티어 모델 경쟁이 계속될수록 반도체, 전력, 데이터센터, 분산 인프라, inference 최적화, post-training 시스템은 구조적 수혜 영역으로 남을 가능성이 크다.
• 모델 자체보다 도메인별 데이터셋을 생산·정제·평가하는 기업, 그리고 post-training loop를 효율적으로 운영하는 인프라 기업의 중요성이 커질 수 있다.
• Fable 5처럼 고성능이지만 비싼 모델은 모든 업무에 일괄 적용되기보다, 고난도 연구·보안·바이오·복잡한 분석처럼 비용을 정당화할 수 있는 영역에서 먼저 경제성이 검증될 가능성이 높다.
• Sovereign AI 흐름은 미국과 중국의 전략 게임 속에서 한국에도 기회를 만들 수 있지만, 단순 모델 개발보다 자원 배분, 데이터 확보, 글로벌 네트워크, 국가 차원의 우선순위 설정이 함께 필요하다.
• 미국 AI 스타트업 시장에서는 작은 팀도 높은 밸류에이션을 인정받는 사례가 언급되며, 한국 창업자에게는 현지 네트워크 접근성과 프런티어 정보 흐름에 직접 연결되는 능력이 중요한 경쟁력이 된다.
• 검증 필요: Fable 5의 장기 가격 정책, Anthropic·OpenAI·Meta 등 프런티어 랩의 실제 학습 규모, sovereign AI 관련 국가별 정책 방향은 영상 시점 이후 바뀔 수 있으므로 최신 공개 자료와 함께 확인해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 영상에서는 Anthropic의 Mythos, Fable, Fable 5, Opus 4.8 공개 시점과 관계가 언급되지만, 각 모델명·출시일·공개 범위·접근 제한 여부는 공식 발표나 신뢰 가능한 외부 자료로 별도 확인이 필요하다.
• Fable 공개 직후 미국 정부 규제로 비미국 국적자의 접근이 막혔다는 설명은 영상 내 해석으로 제시되며, 실제 규제 주체, 적용 범위, 법적 근거, 시행 기간은 확인이 필요하다.
• Mythos가 10T 모델이고 프런티어 학습 규모가 30T 방향으로 이동했다는 언급은 transcript 안에서 확정 근거가 제시되지는 않으므로, 공식 문서나 독립적인 기술 분석 없이는 단정하기 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

• Anthropic 공식 블로그, 모델 릴리스 노트, API 문서에서 Mythos/Fable/Fable 5/Opus 4.8 관련 명칭과 출시 일정을 대조한다.
• 미국 정부 규제 또는 수출통제와 관련된 공식 발표, 행정명령, 보도자료가 실제로 있었는지 확인한다.
• 영상에서 언급된 Fable 가격, 입력·출력 토큰 단가, 구독/종량 과금 조건을 공식 가격표 기준으로 검증한다.
• “post-training 인프라”와 “도메인별 데이터셋 공급”이 프런티어 경쟁의 핵심이라는 주장에 대해 최근 연구·기업 사례를 추가로 수집한다.

❓ 열린 질문

• Fable 5의 의미는 범용 사용자 경험보다 사이버 보안·생물학 같은 최전선 연구 영역에서 더 크게 드러나는가?
• post-training 경쟁에서 병목은 모델 아키텍처보다 데이터셋 생성, 평가 루프, inference/training 인프라 쪽으로 완전히 이동하고 있는가?
• 생물학을 DNA·protein·cell·organ의 멀티모달 문제로 통합해 학습하는 접근은 실제 신약개발 성과로 이어질 수 있는가?