✨메모리 시대를 끝내러 온 광학 source

1. 반도체 스타트업 Volantis가 $88M을 조달하며 AI의 Memory Wall을 광학 인터커넥트로 해결하겠다고 나섬

2. 지금 GPU는 HBM을 옆에 붙여 대역폭을 확보하지만, 전기 배선의 물리적 거리 때문에 한계가 있음

3.Volantis는 수 mm 수준인 전기 연결을 광학으로 늘려, 메모리 칩렛을 하나의 풀처럼 묶는 구조를 제시함

4. 첫 제품 목표는 10TB 메모리와 240TB/s 대역폭으로, 20조 파라미터급 모델까지 빠르게 추론하는 것

5. 핵심은 HBM을 더 많이 쌓는 게 아니라 메모리와 연산 사이의 거리 자체를 없애는 것에 가까움

6. 이 구조가 성공하면 AI 인프라의 가치가 GPU + HBM 중심에서 광학 I/O, 패키징, 메모리 풀링, 시스템 설계로 더 넓게 이동함

7. 중요한 건 HBM의 절대 수요보다 지금처럼 제한된 패키지 공간과 대역폭에서 발생하는 희소성 프리미엄이 약해질 수 있다는 점

8. 광학 인터커넥트가 GPU 간 연결을 넘어 GPU<>메모리 내부까지 침투하면 포토닉스 시장의 TAM 자체가 한 단계 커짐

✍️HBM의 물리적 한계를 빛으로 우회한다면 다음은 광학 인터커넥트, 패키징, 시스템 아키텍처. HBM 투자자라면 가장 경계해서 봐야 할 기술

🔋구글 AI 인프라 총괄이 말하는 진짜 병목 source

1. 데이터센터는 이제 PU/TPU에 맞춰 전력, 냉각, 네트워크까지 함께 설계하는 거대한 전용 컴퓨터에 가까워지고 있음

2. 구글은 FLOPS보다 실제 워크로드가 얼마나 제대로 돌아가는지를 뜻하는 Goodput을 훨씬 중요하게 봄

3. 가속기 10만 개 규모에서는 하루에도 여러 번 장애가 발생하기 때문에 성능보다 안정성과 복구 능력이 중요함

3. 구글의 목표는 토큰 생성 능력을 6개월마다 2배 늘리는 것. 그 개선의 상당 부분은 모델과 소프트웨어에서 나옴

4. 이게 하드웨어 수요 감소를 뜻하진 않음. 추론 수요는 빠르게 증가해 기존 장비로는 부족, 데이터센터를 계속 건설 중

5. 특히 장시간 작동하는 에이전트가 늘어나면 CPU, DRAM, 스토리지, 네트워크가 훨씬 많이 필요해짐

6. 네트워크에서는 광통신의 중요성이 커지고 있으며 구글은 Optical Circuit Switching을 활용해 장애가 발생한 TPU 랙을 우회함

7. 구글이 장기적으로 가장 근본적인 병목이라고 지목한 것은 전력임

8. 데이터센터 전력은 수년 전부터 전력회사와 계획해야 하며, 송전망/발전/ESS까지가 데이터센터 투자의 일부임

9. 심지어 구글이 우주 데이터센터까지 실제로 검토하는 가장 큰 이유 역시 지구에서의 전력 공급 제약 때문임

✍️인프라 경쟁 단위는 GPU → 서버 → 랙 → 데이터센터 → 전력망으로 확장됨. HBM만 보면 된다는 thesis는 깨지고 있음. 가장 구조적이고 대체하기 어려운 병목은 전력

😺그간의 수학 난제를 모조리 해결 중인 오픈AI source

· 최근 AI의 수학 정복을 '그래서 뭐? 그냥 수학이잖아?' 정도로 받아들이면 핵심을 이해하지 못한 것
· AI의 수학적 돌파는 현실 세계에서 어떤 변화를 만들어낼까?

1. 블라소프–맥스웰 방정식
- 핵융합 연구의 이론적 토대를 강화해, 인류 문명을 움직일 무한한 청정에너지를 확보

2. 칼데론 문제
- 전기 신호를 활용한 휴대용 인체 스캐너 개발로, 의료 영상 진단의 비용을 낮추고 접근성을 높임

3. 최대 기수 매칭
- 대규모 기증자 풀에서 신장 교환 조합을 빠르게 찾아, 병원의 생명을 구하는 장기이식 조율을 지원

4. 역탄성 문제
- 조직의 강도를 시각화하는 영상 기술을 통해, 인체 내부의 종양을 찾아냄

5. 멈퍼드–샤 추측
- 뇌 영상에서 조직의 변화를 더 정밀하게 식별해, 질병의 징후를 조기에 발견함

6. 보스–아인슈타인 응축
- 양자 센서의 이론적 기반을 강화해, GPS 없이도 차량이 위치를 파악하고 주행하도록 함

7. 단순 확률 게임
- 자율주행차와 로봇의 안전성을 사전에 더 정밀하게 검증해, 위험한 오류가 현실에서 발생하지 않도록 함

8. 행렬 곱셈
- 동일한 컴퓨팅 자원으로 AI 연산 비용을 낮추고, 더 큰 규모의 과학 시뮬레이션을 수행함

9. 편집 거리
- DNA 서열을 더 빠르게 비교해, 질병과 연관된 유전적 변화를 밝힘

10. k-서버 문제
- 로봇의 불필요한 이동과 에너지 소비를 줄여, 물류창고의 운영 효율을 높이고 운송 비용을 절감함

✍️수학은 모든 과학의 토대라는 사실을 상기할 필요가 있음. 따라서 수학적 발견의 속도를 높일 수 있다면, 수백 년에 걸쳐 이루어질 과학적 진보를 단 몇 달로 압축할 수도 있음

♾수학 난제 해결은 시작에 불과한 이유 source

최근 OpenAI가 공개한 수학 연구 결과는 상당히 이례적
- 4,000개 문제를 대상으로 내부 AI 모델을 평가
- 372개 연구 결과군에 걸쳐 수백 편의 수학 논문 원고 공개
- 대다수 결과에 평균 3시간의 추론 컴퓨팅 자원 사용

1. 핵심은 AI가 수학 난제를 풀었다는 사실보다, 인류의 과학적 발견 속도 자체가 가속되기 시작했다는 점

2. 그동안 과학 발전은 소수의 뛰어난 연구자와 인간의 제한된 지적 생산성에 의존해 왔음

3. 그러나 앞으로는 컴퓨팅 자원과 AI의 추론 능력이 과학적 발견의 속도를 결정하는 핵심 변수임

4. 더욱 중요한 건 AI가 스스로 알고리즘과 연산을 개선하는 자기강화적 피드백 루프도 이미 시작됐다는 것

5. 이러한 개선이 누적되면 단순한 지수성장을 넘어 기술 발전의 성장률 자체가 가속되는 현상도 가능함

6. 반면 지능의 공급이 폭증하는 속도를 물리적 세계가 따라가지 못하면서 에너지, 인프라, 제조 역량의 병목은 더욱 심화됨

7. AI가 신기술을 발견하는 속도가 빨라질수록 기존 기술의 경쟁우위와 수명은 오히려 짧아짐

8. 산업 전체는 폭발적으로 성장하는 동시에 개별 기업과 기술의 장기적 존속 가능성은 낮아지는 역설이 발생하게 됨

9. 지난 수백 년의 과학 발전은 인간의 제한된 지적 생산성을 전제로 이루어졌음

10. 역사상 처음으로 발견의 주체가 인간에서 AI로 이동하고 있음. 인류는 기술 발전 속도를 아직까지 '극도로' 과소평가하고 있음

11. 인간의 지적 생산성이라는 제약이 해소되기 시작한다면, 지난 100년의 발전 속도로 향후 1년을 예측하는 것 자체가 무의미함

📍AI 에이전트와 RWA가 바꾸는 금융의 미래 source

1. 지난 15년간 블록체인은 기술적 가능성에도 불구하고 실질적인 존재 이유를 증명하는 데 어려움을 겪었음

2. 에이전트의 등장이 전환점이 될 수 있음. AI는 24시간 자산을 운용하고, 최적의 금리와 투자처를 탐색하며 거래를 실행할 수 있음

3. 문제는 기존 금융 시스템이 인간을 위해 설계됐다는 것. 복잡한 인증과 정산 절차는 AI 기반 금융의 병목으로 작용할 수 있음

4. 반면 블록체인은 24시간 작동하며 자산, 소유권, 거래,정산을 프로그래밍할 수 있는 인프라로, 에이전트와 구조적으로 궁합이 좋음Z

5. 여기에 주식/국채/원자재 등 실물자산의 토큰화가 본격화되면서, 기존 DeFi와 전통 금융을 가로막던 장벽도 허물어지기 시작

6. Robinhood의 주식 토큰을 비롯해 온체인 자산은 매매를 넘어 다른 앱으로 이동하고, 담보/대출/결제 활용으로 진화 중

7. Hyperliquid가 주말에도 원유 가격을 거래할 수 있는 시장으로 부각된 사례는 상시 가동되는 금융 인프라의 잠재력을 보여줌

8. 미국의 토큰화 증권 관련 규제 변화까지 맞물리며, 제도권 금융 인프라의 일부로 진입할 기회를 맞고 있음

✍️인간은 시드 문구와 가스비, 브릿지 등 불편한 UX를 감수하면서 블록체인을 이용해야 했지만, AI에게 이런 복잡성은 문제가 되지 않음

💬Citrini의 AI 크립토 투자 바스켓 source

1. Citrini가 AI 에이전트와 온체인 금융의 융합을 다룬 리서치와 함께 15종의 크립토 투자 바스켓을 공개

2. DRV, LIT, ETHFI(각 10%), AAVE, ENA(각 9%)에 높은 비중을 배정하고, SOL, HYPE, AERO, ZRO, LINK, ONDO 등으로 분산

3. 이에 enzo는 해당 바스켓을비판하며, 에이전트 시대에는 인프라 전반보다 실제 사용자가 몰리는 앱에 집중해야 한다고 주장

4. AI에게 '탈중앙화된 오라클'을 묻는 사용자는 드물지만, '비트코인 레버리지 거래를 어디서 할까?'라고 묻는 사용자는 많을 것이라는 것

5. 이 경우 AI는 브랜드나 서사보다 유동성, 수수료, 실행 품질을 비교해 Hyperliquid 같은 플랫폼을 선택할 가능성이 있음

6. 이러한 관점에서 enzo는 HYPE·LIT(거래), ZRO·NEAR(상호운용성), ZEC(프라이버시), BP·SOL(토큰화), PUMP(투기), PRL·VVV(연산)를 제시

7. 에이전트가 금융을 자동화할수록 경쟁력 있는 서비스로 유동성이 집중되면서, 크립토 시장에서도 승자독식이 강화될 수 있다는 주장

8. 인간은 커뮤니티, 마케팅, 내러티브의 영향을 많이 받지만, AI는 주어진 목표를 달성하기 위한 비용과 효율성을 지속적으로 비교함

9. 이러한 환경에서는 인프라의 기술적 우수성보다 실제 서비스의 경쟁력과 유동성 네트워크 효과가 더욱 중요해질 가능성이 있음

💰주식 토큰화의 진짜 승자는 블록체인이 아니다 source

주식이 온체인으로 이동할 때, 누가 돈을 벌게 될까?

1. 온체인 토큰화 주식 규모는 32억 달러. 주식, 지수, ETF 무기한 선물 미결제약정도 30억 달러를 돌파하며 시장이 빠르게 성장 중

2. 최근 3개월간 보유 주소는 급증했지만, 분석 대상 지갑의 97.5%는 보유액이 100달러 미만으로 실질 자금 유입은 제한적

3. 현재 대부분의 주식 토큰은 실제 주식이 아닌 수탁 주식에 대한 청구권으로, 주주권과 발행사 신용위험 측면에서 한계가 존재

4. 진짜 혁신은 매매보다 담보 활용에 있음. 엔비디아 주식을 팔지 않고도 온체인에서 USDC를 빌려 다른 금융활동에 활용할 수 있다는 것

5. 외인이 보유한 미국 주식만 20조 달러로, 기존 증권계좌의 주식이 온체인으로 이전되기 시작하면 시장 규모는 완전히 달라짐

6. 그러나 엔비디아 주식만 11개 체인에 19종의 토큰이 존재하며, 결국 유동성과 담보 활용성이 집중되는 소수의 표준 토큰만 살아남게 됨

7. 흥미롭게도 주식 토큰 발행사는 수익성이 낮고, 실제 수익은 고객을 확보한 로빈후드나 바이낸스 같은 거래소와 금융 앱에 집중되는 구조

8. 장기적으로는 주식 자체를 온체인에 기록하는 네이티브 토큰화가 확산되면서 기존 발행사, 수탁기관의 역할까지 축소될 것

✍️스테이블코인 발행사는 준비자산의 이자를 가져가지만, 주식 토큰 발행사는 주식의 배당금을 투자자에게 귀속시켜야 하므로 수익화 구조가 상대적으로 불리함

📈S&P500, 앞으로 10년은 연 -3% 수익률? source

높은 밸류에이션은 폭락의 신호일까, 달라진 시장의 반영일까?

1. 뱅크오브아메리카의 분석
- S&P500의 정규화 PER은 31배로, 과거 회귀모형상 향후 10년 연평균 수익률은 -3%로 추정
- 반면 동일가중 S&P500의 PER은 24배로, 예상 수익률은 연 +3% 수준
- 1987년 이후 PER과 향후 10년 수익률 간의 역사적 설명력은 무려 81%

2. 타이밍이 아니라 시간의 문제
- PER는 매수, 매도 타이밍이 아닌 장기 기대수익률과 투자 위험의 지표
- 높은 밸류는 미래 성장을 이미 가격에 반영했다는 뜻이며, 그만큼 투자자가 기다려야 할 시간이 길어질 수 있음
- 즉, 비싸다는 이유만으로 하락하는 것은 아니지만, 향후 수익률의 상당 부분을 선반영했을 가능성이 높음

3.1987년과 2026년의 S&P500
- 과거 대비 기술주 비중이 확대됐고, 기업들의 수익성, 자본효율, 재무건전성도 달라짐
- 수익성이 낮은 기업과 높은 기업에 동일한 PER 기준을 적용하는 것은 적절하지 않음
- 지수의 PER 상승은 단순한 고평가뿐 아니라 구성 기업의 질적 변화를 반영

4. 동일가중 지수가 더 유리하다는 의미일까?
- 시가총액가중과 동일가중 지수의 PER 격차는 초대형 기술주에 집중된 시장의 프리미엄을 보여줌
- 다만 저렴한 PER이 저평가를 의미하지는 않으며, 성장성과 수익성의 차이도 고려해야 함
- 특히 과거 회귀모형의 ±3%는 확정적 전망이 아닌 역사적 관계를 외삽한 추정치임

✍️PER 31배라는 이유로 증시를 비관하는 것도, 빅테크의 높은 수익성을 이유로 가격을 정당화하는 것도 경계해야 함

🤑AI 반도체 투자는 끝났다 (Goldman Sachs) source

1. 골드만삭스의 최근 시장 토론에서 AI 투자 내러티브가 반도체 중심의 설비투자에서 추론 경제와 AI 앱으로 확장되고 있다는 분석이 등장함

2. 현재 시장은 2027년까지의 AI 설비투자에 대해서는 상당한 가시성을 확보했지만, 2028년 이후에도 성장이 지속될 수 있을지는 의문을 제기하고 있음

3. 최근 반도체 기업들의 밸류 압축 역시 이러한 불확실성을 반영한다는 것.
이에 따라 투자자들의 관심이 반도체에서 AI를 실제로 활용하는 산업으로 확장되고 있음

4. 특히 추론 경제, 사이버보안, 데이터 인프라 등이 새로운 수혜 영역으로 거론됨. 시장은 에이전트가 얼마나 빠르게 확산하고, 얼마나 큰 소비자 시장을 창출할 수 있을지 주목하고 있음

5. 결국 이번 3분기 실적 시즌의 핵심은 AI의 실질적 경제 가치가 될 전망. 기업들의 AI 도입에 따른 비용 절감, 신규 매출 창출, 하이퍼스케일러의 투자수익률이 중요 기준

6. 한편 미국 증시의 상승 종목 집중도는 닷컴버블 이후 극단적인 수준. S&P500 중위 종목은 15% 하락했지만, 골드만은 기업 실적과 가벼운 투자자 포지션 등을 근거로 연말까지 상승할 가능성을 높게 평가함

7. 핵심은 인프라 투자가 끝난다는 이야기가 아니라, 시장이 그다음 단계의 성장을 선반영하기 시작했다는 것

8. 지난 투자의 핵심이 얼마나 많은 GPU와 HBM이 필요한가였다면, 앞으로는 '그 막대한 컴퓨팅 자원을 활용해 누가 얼마나 많은 경제적 가치를 창출하는가'로 확장됨

9. 이러한 내러티브의 이동이 반드시 반도체에 부정적이라고 단언할 순 없음. 에이전트와 앱이 수요를 창출한다면 이는 컴퓨팅, 메모리, 전력 인프라 수요를 다시 정당화하는 근거가 될 수 있기 때문

✍️결국 AI 투자의 다음 단계는 앱의 경제적 가치가 다시 인프라 투자를 정당화하는 선순환 구조가 실제로 성립하는지 검증하는 과정이 될 것

😯AI를 믿지 마라 source

· MS CEO 사티아 나델라가 초지능 시대의 AI 보안에 관한 흥미로운 글을 발표함
· AI 모델을 신뢰할 대상이 아니라, 잠재적인 내부 보안 위협으로 취급해야 한다는 것

1. 기존 소프트웨어와 AI의 차이
- 전통 소프트웨어는 문제가 발생하면 어떤 코드가 원인인지 추적할 수 있었음
- 반면 AI는 내부 작동 원리를 이해하거나 특정 행동의 원인을 정확하게 추적하기 어려움
- 우리는 이미 이런 AI에 기업의 기밀정보와 중요한 업무 권한을 넘겨주기 시작했음

2. 해결책은 AI를 신뢰하는 것이 아님
- 아무리 똑똑한 직원이라도 회사의 모든 정보와 권한을 부여하지는 않음
- AI 역시 실수하거나 외부 공격에 악용될 수 있는 내부자로 취급
- 핵심은 AI의 지능과 AI가 행사할 수 있는 권한을 분리하는 것

3. 나델라가 제안한 7가지 통제 원칙
- 모델 다양성: 하나의 AI에 모든 판단과 검증을 의존하지 않기
- 관측 가능성: 모든 주요 행동을 위변조 불가능한 기록으로 남기기
- 검증 가능성: 정상 작동뿐 아니라 오류와 공격 상황까지 지속적으로 테스트
- 독립적 권한 통제: AI가 접근할 정보와 실행할 작업은 외부 시스템에서 결정
- 독립적 감사: AI가 자신의 행동을 스스로 검증하는 구조 방지
- 격리 및 중단: AI가 침해됐다고 가정하고 언제든 작동을 중단할 수 있도록 설계
- 사고 공개: 문제가 발생하면 원인과 대응 방법을 공유

✍️신뢰할 수 있는 초지능 시스템은 믿을 만한 모델을 사용하는 시스템이 아니라, 모델을 적게 신뢰해도 되는 시스템

😆AI 산업에 대한 낙관론과 회의론 source

낙관론: AI에 지출할 돈은 아직 무궁무진
- AI가 생성한 코드가 늘어날수록 보안 검증 수요도 증가함
- 또한 코딩 AI는 지능 못지않게 속도가 중요해지면서 더 빠른 응답을 위한 컴퓨팅 지출이 확대될 전망
- 개인과 기업의 AI 활용률 격차는 여전히 크며, 기존 기술이 확산되는 것만으로도 상당한 수요 증가가 가능
- 이미지/영상 생성은 이제 실용화 단계에 진입했지만, 실시간 4K 3D 세계를 구현하기까지는 막대한 컴퓨팅 자원이 필요
- AI 에이전트가 장시간 자율적으로 작업하기 시작하면 인간의 사용 시간에 제한받지 않고 토큰을 소비하게 됨
- 특히 과학 연구, 금융 트레이딩 등 외부에서 관측하기 어려운 다크 인퍼런스 수요는 아직 초기

회의론: AI가 성장한다고 돈 버는 건 아님
- 바이브코딩을 비롯한 일부 영역에서는 이미 모델의 지능이 충분한 수준에 도달
- 이제 더 똑똑한 모델보다 저렴하고 빠른 모델이 중요
- 기업용 AI 소프트웨어 역시 장기적으로 기대에 못 미칠 가능성이 있음
- AI가 기존 업무를 저렴하게 대체하면서 소프트웨어 기업의 가격 결정력을 약화
- AI 모델이 스스로 더 저렴하고 효율적인 모델을 만드는 현상도 가속화되며 실제로 특정 AI 활용 비용이 90% 이상 감소함
- 현재 컴퓨팅 자원 부족의 상당 부분은 빅테크와 AI 연구소의 치열한 모델 개발 경쟁에서 비롯됨
- 투자 수익에 대한 기대가 꺾이면 공급과잉으로 전환될 위험도 있음
- 저가 모델 확산과 안전 문제에 따른 모델 출시 지연까지 겹치면 AI 산업 전반에 강한 가격 하락 압력이 발생할 수

✍️생각해 봐야할 부분
- 흥미로운 부분은 AI에 대한 낙관론과 회의론이 서로 모순되지 않는다는 것
- AI의 활용량이 폭발적으로 증가하더라도, 모델 효율화와 가격 경쟁으로 단위당 컴퓨팅 비용은 하락함
- 반대로 AI가 저렴해질수록 지금까지 경제성이 없었던 새 활용처가 등장하면서 수요가 증가할 수
- 결국 향후 AI 인프라 투자에서 중요한 건 컴퓨팅 효율 개선과 신규 수요 창출 중 어느 쪽이 더 빠르게 진행되는가
- 특히 현재의 수요가 지속 가능한 추론 시장에서 발생하는 것인지, 모델 개발 경쟁에서 비롯된 일시적 수요인지 구분해야
- AI 산업의 장기 성장과 인프라의 단기 공급과잉은 충분히 동시에 발생할 수 있기 때문

🤔10조 달러 RWA 시장, 정작 뭘 사야 될까? source

1. 월가의 자산 토큰화 전망이 공격적으로 변하고 있음. 모건스탠리는2030년 RWA 시장에 10조 달러, SC는 2028년 토큰화 자산 4조 달러를 전망함. 현재 RWA 시장은 스테이블코인 제외 390억 달러에 불과함. 이 거대한 시장의 성장에 투자자는 어떻게 참여할 수 있을까?

2. 직관적 수혜자는 자산이 발행되는 블록체인. 현재 이더리움은 토큰화 RWA 시장의 43%를 차지하고 있으며, 스테이블코인에서도 핵심 결제 인프라로 기능하고 있음. ETH는 이러한 금융 인프라 확장에 투자하는 대표적인 수단

3. 그러나 금융자산이 온체인으로 이동하려면 네트워크만으로는 부족함. 가격, 준비금, 금리 등 외부 데이터와 체인 간 상호운용성, 규제 준수 인프라도 필요함. SC가 체인링크를 주목하는 이유이며, 금융 시스템의 핵심 연결망을 장악할 가능성에 베팅

4. 자산 자체보다 금융의 새로운 레일을 장악하는 사업자가 더 흥미로운 투자 대상. 인프라뿐 아니라 자산의 발행, 유통, 거래에서도 기회가 발생함. Circle, Robinhood 같은 기업부터 Uniswap, Hyperliquid 등 온체인 거래 프로토콜까지 잠재적 수혜

5. 중요한 점은 RWA 시장이 10조 달러로 성장한다고 해서 크립토에 10조 달러 자금이 유입되는 것은 아님. 기존 금융자산의 소유권과 거래 인프라가 온체인으로 이전되는 것이며, 그 과정에서 누가 얼마나 많은 수수료와 경제적 가치를 확보하는지가 핵심

✍️자산 토큰화는 크립토 산업에서 가장 구조적인 성장 내러티브. 중요한 건 얼마나 많은 자산이 토큰화되냐보다, 그 자산들이 어디에서 발행되고, 거래되고, 담보로 활용되며, 누가 그 과정의 통행료를 가져가느냐