✖️지능의 대폭락 (Chamath Palihapitiya) source

1. 정보 다음은 전문성
- 인터넷은 정보의 비용을 0으로 낮췄음
- AI는 전문적 판단의 비용을 0으로 낮추는 중
- 핵심은 지식 검색이 아니라 판단·분석·설계 능력의 보급화

2. 범용 AI는 빠르게 상품화
- 모두가 같은 모델을 쓰면 누구도 엣지가 없음
- 오픈소스와 모델 효율화로 범용 지능의 가격은 계속 하락
- 장기적으로 모델 자체보다 워크플로우·데이터·배포력이 더 중요

3. 진짜 해자는 자기 알파의 시스템화
- 기업의 고유 노하우는 직원 머릿속에 있던 비정형 자산
- AI는 이 노하우를 문서·소프트웨어·자동화 시스템으로 고정시킴
- 승자는 AI를 쓰는 회사가 아니라 자기 전문성을 AI에 박아 넣는 회사

4. 결론
- 소프트웨어는 세상을 먹었고, 이제 지능이 전문직을 먹는 중
- 단순 AI 테마보다 중요한 건 누가 독점 지능을 시스템화하느냐
- 장기적 알파는 AI로 복제 가능한 고유한 판단 체계에서 나옴

🔹ETH의 다음 내러티브는 프로토콜 재창조 source

비탈릭이 공개한 Lean Ethereum 로드맵은 단순 업그레이드가 아님
PoW → PoS 전환이 두 번째 이더리움이었다면, 이번은 세 번째
검증, 합의, 상태, 가스, 프라이버시, 양자내성, VM 전부 갈아엎는 장기 리빌딩

1. 검증 방식의 변화
- 지금은 노드가 직접 재실행하며 검증하는 구조
- 앞으로는 recursive STARKs 기반의 수학적 증명
-쉽게 말해 정답임을 증명받는 체인으로 이동

2. 프라이버시와 양자내성의 기본값화
- 프라이버시는 더 이상 앱단의 옵션이 아님
- 멤풀, 상태트리, 트랜잭션 구조 설계 단계부터 프라이버시화
- 양자 리스크도 후순위가 아니라 핵심 프로토콜 과제화
- 기존 기관 입장에서는, 거래가 노출되는 구조의 한계가 명확했었음

3. 상태 구조의 재설계
- 가장 큰 변화는 state. 기존 동적 상태는 유지하되, 확장은 제한적으로
- 대신 ERC20, NFT, DeFi에 적합한 싸고 확장성 좋은 신규 상태 타입 추가
- 2030년 이더리움은 기존형 state 2TB + 신규 확장형 state 100TB 구조
- 앱을 다시 짜면 수수료가 10배 이상 낮아질 수 있음

4. 결론
- 타임라인은 3년 이상. 중요한 부분은 2028년 이후에야 본격화될 것
- ETH 토크노믹스 개선이 직접적으로 포함된 로드맵은 아님
- Tempo, Canton 같은 기관용 체인이 RWA 시장을 먹으려는 동안, 이더리움은 느리지만 정도를 걷는 중

📈노무라, 메모리 계속 간다 source

1. 노무라는 글로벌 메모리 매출에 대해 2024년 1,810억 달러 → 2030년 2.6조 달러로 폭발적인 성장을 전망함. 6년간 14.5배. CAGR로는 56%의 어마어마한 수치

2. 핵심은 데이터센터가 메모리 시장의 중심 고객으로 바뀐다는 것. 과거 사이클은 PC·모바일·소비재 수요가 주도. 앞으로는 클라우드, AI 서버, 추론 인프라, 스토리지, 네트워크 장비가 주도

3. AI 전용 수요만 커지는 게 아님. 2030년 AI 데이터센터 메모리 수요 비중은 20%. 일반 데이터센터 수요도 34% 수준. HBM만 아니라 DRAM, NAND, SSD, 고대역폭 메모리, 광통신, 패키징, 기판까지 함께 감

4. 이건 메모리의 역할 변화에 가까움. 지금 메모리는 AI 인프라의 병목이자, 데이터센터 Capex의 핵심 원가, GPU 효율을 결정하는 실질 처리량 자산, 공급 리드타임 긴 전략 자원임

5. 병목은 메모리, 패키징, 기판, 광통신, 전력에서 계속됨. 수혜도 하이닉스, 마이크론에서 끝나지 않음. HBM 장비, 테스트, 패키징, CoWoS, 기판, InP/광통신 소재까지 퍼짐

✖️근미래의 AI 관련 46가지 생각 source

1. 지능: 알고리즘 진보의 과소평가
- 많은 사람들은 AI 발전을 최근 몇 년의 연장선에서 보고 있음
- 그러나 앞으로도 지능 생산에서 여러 차례의 알고리즘적 OOM, 즉 자릿수 단위의 효율 개선이 가능
- 단순히 더 큰 모델, GPU의 문제가 아니라, 같은 자원으로 훨씬 더 많은 지능을 뽑아내는 방법이 계속 발견될 수 있다는 뜻
- AI 모델은 계속 더 자율적이고, 더 똑똑해지고 있음
- 수학과 코드는 이미 스케일링과 강화학습으로 무너지고 있으며, 다음은 비검증 영역까지 확장됨
- 결국 검증 가능한 문제 vs 검증 불가능한 문제라는 구분도 약해질 것
- 장기 과제를 수행하려면 반드시 장기 훈련이 필요하다는 주장도 틀림
- 긴 작업은 단순히 긴 시간의 문제가 아니라, 중간중간 오류를 수정하며 전진하는 문제
- AI 에이전트가 이 오류 수정 능력을 갖추기 시작하면 장기 작업 능력이 크게 개선됨
- 모든 기술 분야에서 알파고 '신의 한 수' 같은 모멘텀을 보게 될 것
- 이후에는 그런 퀀텀 점프조차 평범해 보이는 시대가 올 것

2. 컴퓨트: 병목이지만 영구적이지 않다
- 당분간 컴퓨트는 가장 치열한 병목자원이지만 결국 완화될 것
- 더 많은 가속기, 팹, 전력 인프라가 들어오면서 지능 생산의 병목은 시간이 지나며 이동
- 현재 지능 공급망은 AI 랩 중심으로 매우 중앙화됨
- 하지만 랩들이 자동화하려는 핵심은 연구자와 알고리즘 우위 발견 능력
- 이게 자동화되면, 장기적으로는 랩의 우위가 자본, 컴퓨트, 데이터, 제품력, 유통망 쪽으로 이동
- 다만 오픈소스가 무조건 유리해지는 것은 아님
- 컴퓨트 가격과 기회비용 때문에 오픈소스·학계는 오히려 더 굶주림
- 자본이 있어도 실제 컴퓨트 용량을 선점하지 못하면, 대형 랩과 경쟁하기 어려움

3. 로보틱스: ChatGPT 모멘텀은 아직
- 로봇 분야에도 ChatGPT 출시와 같은 대중적 충격의 순간이 올 것
- AI 발전 속도를 감안하면 생각보다 빠르게 올 것
- AI가 물리 시스템 엔지니어링까지 가속하면 로봇 발전 속도도 급격히 빨라짐
- 다만 로봇 수량이 실제 세계에 대규모로 깔리는 데에는 시간이 필요
- 2030년 전후로 연간 1억 대 수준의 로봇 생산도 가능
- 자동차는 연간 1억 대, 스마트폰은 연간 10억 대 생산되는 만큼, 로봇도 대량 생산 체제로 감
- 현재 로보틱스의 한계로 보이는 것들, 예컨대 데이터 부족, 낮은 샘플 효율, 하드웨어 난이도, 물리 세계의 복잡성 등은 곧 해결됨
- 세계 전체의 로봇 수요는 형태별로 합산하면 수십억 대 이상
- 물리 노동을 자동화할 경제적 유인이 너무 크기 때문

4. 과학과 진보: 문명의 발전 엔진 자동화
- 과학은 자동화되고 가상화됨
- 생물학, 재료과학 등에서 로봇 실험실, 시뮬레이션, 신경망 모델, 현실 실험이 결합되며 연구 속도가 빨라짐
- 핵심은 실험 당 얻는 가치와 시간당 진보율이 올라간다는 점
- 딥러닝에는 스케일링 법칙이 있듯, 문명 진보 자체에도 진보 법칙이 있음
- 지금 인류는 진보를 생산하는 기계를 자동화하고 있음
- 즉 AI는 하나의 기술이 아니라, 다음 기술들을 더 빠르게 만들어내는 메타 기술
- 미래는 두 갈래로 볼 수 있음
- 하나는 기술 트리가 깊어, 계속 새로운 발명과 발견이 무한히 이어지는 미래
- 다른 하나는 생각보다 기술 트리가 얕아 빠르게 기술적 성숙에 도달하고, 이후에는 확장만 하는 미래
- 어느 쪽인지 아직까지는 알 수 없음

5. 자본과 생산: 자본주의는 더 강해지고, 가격은 한계비용으로 수렴
- 더 많은 자본과 더 많은 지능이 결합하면 자본주의의 속도는 더 빨라짐
- 시장은 더 빠르게 균형으로 이동하고, 중요한 재화의 가격은 장기적으로 한계비용에 가까워짐
- AI, 식품, 주거, 의료, 전자제품, 엔터테인먼트, 여행 등이 모두 압도적으로 저렴해짐
- 채굴, 운송, 공장, 물류센터, 유지보수, 공급망 개선까지 자동화됨
- 공급망 전체의 운영·개선·확장 과정이 자동화됨
- 인간 일자리는 오래 남아 있을 수 있음
- 장기적으로 대부분의 사람은 경제적으로 의미 있는 역할을 할 수 없음
- 특히 지식노동에서는 인간이 한계 기여를 하기 어려움
- 일자리의 미래는 직업별로 다르게 갈림
- 소비자와 직접 연결된 직업은 상대적으로 오래 남음
- 반대로 공급망 중간 단계에 있고, 인간 고유성이 낮은 직업은 자동화 압력이큼

6. 불평등: 영구 하층과 영구 상층의 문제
- 영구 하층이 실제 문제가 될 것
- 다만 소득 차이보다도 제한된 행위능력의 문제로 나타날 것
- 돈은 보장되더라도, 중요한 선택권과 영향력을 잃는 계층이 생길 것
- AI 부의 수혜자들이 모두에게 좋은 일이라고 말하면서도, 실제로는 지위를 포기하지 않으려는 모순이 존재
- 사람들은 이미 이 이중성을 감지하고 있으며, 이에 대한 반발이 커질 것
- 영구 하층이 있다는 것은 영구 상층이 있다는 뜻이고, 권리·권력·폭력의 문제와 연결됨

7. 문화와 심리: 인간 정신도 재설계 대상
- 인간의 심리는 현재 환경 변화 속도를 따라가지 못함
- 그러나 풍부한 지능과 자동화가 생기면, 심리·정신의학도 빠르게 발전
- 수십 년 안에 정신의학과 심리학에서 1000년치 혁신이 일어날 것
- 불확실성이 커질수록 사람들은 권력, 지위, 부를 더 강하게 추구함
- 이 과정에서 사람들은 타인에게 해로운 선택도 좋은 일로 포장할 것

8. 조정 문제: AI 시대의 핵심 리스크는 거버넌스
- 사회 모든 규모에서 더 나은 조정이 필요
- 국가, 기업, 연구소, 시장, 개인이 모두 AI 발전 속도를 감당할 수 있는 제도적 조정 능력을 가져야 함
- 새로운 조정 메커니즘이 필요. 국제적 AI 조정도 필요할 수
- 예컨대 조약, GPU 카운팅, 군사적 AI 경쟁 완화 장치 등이 논의될 수
- 하지만 GPU는 핵무기보다 범용적이기 때문에 통제하기 어렵다는 문제가 있음
- AI 랩들의 자발적 속도 조절이나 일시 정지도 예전보다 가능성이 커짐
- 다만 현재 시점에서 일시 정지는 적절하지 않음
- 특이점으로 가는 줄타기에서 너무 많은 다른 요소를 깨뜨릴 수 있고, 적대적 행위자도 존재하기 때문

9. 권력·안보·자유: 가장 어두운 부분은 자동화된 강제력
- AI 시대에 권력 집중이 매우 위험
- 특히 감시사회, 자동화된 군사 공급망, 자동화 무기, AI 기반 치안 시스템이 결합하면 자유주의적 제도와 충돌
- 기관들은 모든 방향에서 변화 압력을 받을 것
- 변화가 제대로 설계되지 않으면, 안전이라는 명분이나 선의의 권력 확장을 통해 폭정으로 이어짐
- 그래서 더 나은 제도가 필요
- 사이버, 바이오, 인프라, 신경, 밈, 물리학 등 여러 영역에서 아직 알 수 없는 취약점이 존재
- AI가 더 깊은 알고리즘 탐색 능력을 갖추면 방어도 강해질 수 있지만, 파괴 능력도 강해짐
- 알고리즘적으로 깊은 문명에서 어떤 일이 벌어지는지 우리는 모름
- 로봇이 대규모로 배치되면 단순 소프트웨어 AI보다 더 직접적인 물리적 리스크가 생김
- 쿠데타, 장악, 사이버 공격 표면 확대 같은 위험을 진지하게 다뤄야 함
- 군대, 경찰, 정부 법 집행 메커니즘도 결국 인간보다 똑똑한 자동화 시스템으로 바뀔 것
- 이 경우 민주주의, 자유, 사적 권력, 국가권력의 경계가 다시 정의됨

✍️AI의 본질은 진보를 생산하는 기계의 자동화이며, 앞으로 핵심은 얼마나 빨리 발전하느냐보다 그 힘을 누가 소유하고 어떻게 조정하느냐에 있음

☝AI는 소프트웨어 왕좌 교체 (COATUE) source

1. Coatue 자료가 말하는 핵심은 기술 파도마다 시장 리더십이 완전히 교체됐다는 점임

2. 메인프레임 → PC → 네트워크 → 웹 → 모바일 → SaaS → AI. 각 시대마다 기존 강자는 일부만 생존했고, 대부분의 초과수익은 새로운 지배 기업에서 나왔음

3. 지금도 같은 일이 벌어지는 중. Q2 기준 AI Labs의 net new ARR 전망은 450억 달러로, 하이퍼스케일러 380억 달러, 퍼블릭 소프트웨어 190억 달러를 넘어섬. 시장은 총매출보다 신규 매출이 어디서 발생하는지에 더 높은 멀티플을 줌

4. OpenAI 내부 Codex 사용도 흥미로움. 엔지니어링만의 도구가 아니라 금융, 리크루팅, 법무까지 토큰 사용 비중이 90% 전후로 올라옴. 즉 AI가 기업 운영체제로 들어가는 중

5. 다음 단계는 더 중요함. AI가 제조·수술·가정용 로봇·자율 시스템으로 이동 중. 소프트웨어가 현실 세계를 보고, 판단하고, 행동하면 컴퓨트, 메모리, 전력, 네트워크, 센서, 로보틱스 인프라가 더 중요해짐

6. 지금 시장은 소프트웨어 매출의 발생 위치가 레거시 SaaS에서 AI 네이티브 시스템으로 이전되는 손바뀜 구간

🥇Hyperliquid: 24/7 리스크 프라이싱 엔진 source

1. 시장은 Hyperliquid를 크립토 DEX로 보지만 이 프레임은 틀렸음

2. 본질은 perp가 레거시 파생상품의 가장 큰 마찰을 제거했다는 것

3. 만기, 롤오버, 주말 갭 없는 24/7 거래. 즉, 사용자가 원하는 건 언제든 방향성 레버리지를 잡는 단순한 도구였던 것

4. 2025년 CEX perp 거래량은 62조 달러. 현물 거래량 19조 달러보다 훨씬 크고, 전체 파생상품 거래량의 대부분을 차지

5. 중요한 건 DEX perp의 침투율. Hyperliquid 등장 전 2023년 초에는 CEX 대비 1% 미만, 지금은 14%까지 올라옴

6. Hyperliquid의 목표는 코인 선물 거래소가 아님. 주식, 원자재, 지수, 비상장사까지 전부 한 장소에 넣는 것. Jeff Yan의 표현대로 Housing All of Finance

7. 실제로 전통시장이 닫힌 시간에 Hyperliquid가 가격발견을 한 사례들이 나오고 있음. 은, 오일, S&P500 perp, Cerebras IPO, SpaceX perp...

8. 이건 NYSE·CME가 닫혀 있을 때 가격이 먼저 생기는 장소가 되고 있다는 뜻

9. 제일 무서운 포인트는 수익 구조. Hyperliquid는 월간 거래량 2,500억 달러, 연환산 매출 8억 달러를 만들고 있고, 매출의 99%를 바이백에 쓰는 구조

10. HYPE는 거래소 캐시플로우에 가장 직접적으로 연결된 온체인 자산

11. 물론 가장 큰 리스크는 규제임. 미국에서 perp가 열리면 기회도 커지지만, 동시에 Coinbase·CME·ICE 같은 규제권 플레이어와 정면 경쟁하게 됨

12. 앞으로 Hyperliquid의 핵심은 "온체인 시장이 전통시장이 닫힌 시간과 상장 전 자산의 가격발견을 먼저 가져갈 수 있느냐?"임

🔹난립하는 기업 자체 L1의 미래 source

1. 기업들은 풀스택을 직접 소유해야 한다는 욕구 때문에 자체 PoA L1을 출시함. 초기에는 대규모 인센티브와 제휴 마케팅으로 사용량이 붙을 수 있음

2. 보조금이 끝나면 실상은 드러남. L1은 단순한 체인 실행이 아님. 검증자, 클라이언트, 하드포크, 브리지 보안, 지갑, 익스플로러, 유동성까지 전부 관리해야 함

3. 여기서 수요가 없는 체인은 L2 이동이 아니라 그냥 종료됨. L2라고 없던 수요를 새로 만들어주지는 못함

4. 일정한 거래량과 사용처를 확보한 체인은 L2로 전환할 유인이 큼. 자체 시퀀서·수수료·권한 통제는 유지하면서, 이더리움의 보안·정산·업그레이드를 공유할 수 있기 때문

5. L2는 실패한 기업 체인을 살리는 구조조정 수단이 아니라, PMF를 찾은 기업 체인의 운영비를 줄이는 확장 방식에 가까움

6. 향후 3년 기업 체인 시장의 핵심은 L1과 L2의 승부가 아님. 체인을 만들었는지가 아니라, 인센티브가 사라진 뒤에도 남는 수요가 있는가임

⌨AI 2040: 컴퓨터 소유권의 시대 source

1. 2029년 미·중이 초지능 경쟁 중단에 합의하고, 2035년 인간 최고 전문가 수준에서 고도화를 멈춘 뒤, 통제가 검증된 2040년에 다시 초지능으로 확장. 경쟁 대신 통제된 확장

2. 핵심은 시간 확보·연구 공개·프론티어 AI의 분산·컴퓨트의 가역성. 알고리즘은 퍼지면 회수할 수 없지만, 칩과 데이터센터는 제한·폐기할 수 있음. AI 거버넌스의 중심은 컴퓨트

3. AI를 제한해도 경제는 폭발함. 2032년 6천만 AI 에이전트가 인간보다 20배 빠르게 일해, 광산·공장 등 로봇 공급망과 물리 인프라 병목이 폭발. 시나리오상 미국 실질 GDP 성장률은 50%

4. 노동소득이 줄면 세금 기반도 바뀜. 소득세 중심 국가가 컴퓨트·로봇 생산 허가료를 걷어 시민배당으로 분배. 2035년 AI/로봇이 노동의 85%를 담당, 미국 성인 배당은 연 100만 달러까지 상승

5. 경쟁이 확대되면 AI 자체는 상품화되고 마진은 낮아짐. 반면 컴퓨트, 전력, 반도체 제조, 데이터센터, 로봇, 토지, 이 자산의 소유권·정산 인프라는 더 희소해짐

6. AI가 생산을 담당하는 시대에는 누가 컴퓨트와 생산수단을 소유하고, 그 수익을 어떤 레이어에서 분배하는가가 중요해짐. 크립토는 이 지점에서 소유권·결제·배당 인프라로 재평가됨

💲OUSD는 USDT를 이기기 어려울 겁니다 (ARK Invest) source

1. 150개 기업이 참여한 Open USD(OUSD)가 주목받고 있지만, 스테이블코인의 네트워크 효과는 컨소시엄 규모에서 나오지 않음. 실제 해자는 유동성, 담보 인정, 결제 흐름, 사용 습관, 브랜드 신뢰에 있음

2. OUSD 역시 규제상 보유자에게 직접 이자 지급 구조가 아니라, 준비금 운용 수익을 유통 플랫폼·사업자와 나누는 모델. 수익이 매력적이더라도 기존 생태계에 의존하는 핵심 사업을 흔들 만큼 크지 않음

3. 바이낸스가 대표 사례. 바이낸스에는 450억 USDT가 있고, 기축통화로 자리 잡음. OUSD 수익의 90%를 받아도 연간 15.5억 달러지만, 이를 위해 250억 달러의 매출 엔진을 위험에 빠뜨리는 것은 비합리적

4. 거래소에서 스테이블코인은 단순 현금이 아님. 호가 기준통화, 담보, 리스크 관리 자산, 운전자본, 회계 단위를 담당함. 따라서 교체 비용은 기존 유동성과 거래량이 무너질 위험까지 포함함

5. 컨소시엄 구성원의 이해관계도 동일하지 않음. 지갑·대출·거래소는 잔고와 준비금 수익을 중시하지만, 결제·송금 사업자는 거래 회전율을 중시함. 일부는 OUSD 공급을 만들겠지만, 일부는 결제 레일로만 사용할 가능성이 큼

6. OUSD가 무의미한 것은 아님. 다만 좋은 수익 배분만으로 USDT의 내재된 유동성을 대체하기는 어려움. 스테이블코인의 해자는 준비금 금리가 아니라, 돈이 움직이고 있는 장소에 얼마나 깊게 박혀 있느냐임

🔹이더리움의 진짜 경쟁력 source

1. 이더리움의 강점은 혁신할 수 있는 표면적이 넓다는 것. 실행·정산·데이터 가용성·합의를 분리해 놓았기 때문에, 누구나 코어 프로토콜의 허락 없이 특정 레이어를 개선할 수 있음

2. 롤업, DA, 리스테이킹, ZK 증명 시장, MEV, 클라이언트, 지갑, 인텐트, 상호운용성, 토큰·계정·AI 에이전트 표준까지 모두 별도의 경쟁 시장으로 발전함. 모듈형 구조에서는 하나의 접점이 곧 산업이 됨

3. 반면 모놀리식 체인은 하나의 통합된 제품으로서 높은 성능을 빠르게 제공함. 기술 초기에는 이런 수직통합이 유리함. 실제로 Solana는 블록스페이스 성능에서 이 전략의 장점을 보여주고 있음

4. 그러나 처리량이 충분히 싸지고 흔해지면 경쟁 기준은 속도에서 중립성·유연성·커스터마이징·개방성으로 이동함. IBM 메인프레임이 모듈형 PC에, 독점 네트워크가 TCP/IP에 밀렸던 것과 같은 구조임

5. 모놀리식 체인은 한 팀이 전체 스택에서 계속 세계 최고여야 함. 이더리움은 코어를 최소화한 채 수천 개 팀이 각 레이어에서 서로 경쟁하도록 만들면 됨

6. 이더리움의 해자는 외부 개발자가 이더리움을 더 가치 있게 만들수록 네트워크 전체가 강해지는 구조임. 성능은 복제할 수 있지만, 누적된 혁신의 표면적은 복제하기 어려움

⏲️AI, 생각의 처리량 (Cerebras CEO) source

1. AI 인프라 증설은 전시 동원 이후 최대 규모의 자본·전력 투입임. 단일 데이터센터가 도시보다 많은 전력을 사용하고, Cerebras는 이미 250억 달러의 수주 잔고를 확보함

2. OpenAI, Anthropic, Google, Microsoft, AWS가 동시에 공급 부족을 겪는 만큼, 핵심은 수요가 생길지가 아니라 예약된 수요를 얼마나 빨리 공급하느냐임

3. 모든 AI 지출이 생산적인 것은 아님. 초기 AWS처럼 엄청난 가치와 막대한 낭비가 동시에 발생함. 기업들도 무제한 토큰을 뿌리는 단계에서 벗어나, 어려운 문제엔 프론티어, 반복 업무엔 저렴한 모델을 배분 중

4. 가장 중요한 병목은 추론 속도. 추론이 곧 생각이라면, 빠른 시스템을 24시간 돌리는 것은 수개월 동안 수행할 사고량을 며칠로 압축하는 것. 빠른 추론은 연구·의사결정 시간을 매입하는 시간의 차익거래임

5. OpenAI와 Amazon이 자체 칩을 만드는 이유는 타사의 칩에 종속되지 않는 것임. 앞으로 컴퓨트 경쟁에서 중요한 것은 공급망과 가격 결정권의 일부라도 직접 통제하는 능력임

6. 모델 시장은 프론티어, 오픈소스 모델의 이중 구조로 재편됨. 고난도 추론에만 최고급, 대부분 업무에는 저렴한 오픈소스면 충분. 규제 산업과 정부는 온프레미스 운영과 데이터 통제를 원하기에, 지능 주권이 실구매 기준으로 부상

7. 현실을 설득력 있게 영상으로 생성할 수 있는 모델은 현실의 움직임도 이해하고 있기 때문에, 하나의 월드 모델이 영화를 만들고 로봇을 제어하는 구조로 이어짐. 생성형 미디어와 피지컬 AI는 점차 하나의 기술 스택으로 수렴 중

⬇️오르지 않는 토큰 source

1. 업계는 토큰을 투자자산으로 설계해왔음. 하지만 실제 소비 경제에 필요한 것은 쓸 수 있는 내부 화폐임. 아케이드 토큰은 마일리지, 포인트, 게임머니를 퍼블릭 블록체인으로 옮긴 개념

2. 핵심은 소비용이라는 점. 발행자는 정해진 가격에 토큰을 공급하는 faucet과 상품·서비스 상환, 소각, 바이백 같은 sink를 통해 가격을 관리함. 토큰을 예측 가능한 결제 단위로 만드는 구조

3. 스테이블코인과도 다름. 현금을 보상으로 주면 사용자는 바로 생태계 밖에서 쓸 수 있지만, 아케이드 토큰은 내부 소비를 유도함. 발행자는 할인·보너스·유효기간·상환 조건 등을 프로그래밍해 유저 행동을 설계할 수 있음

4. 온체인화의 진짜 의미는 폐쇄형 로열티 프로그램을 여러 사업자가 공유하는 공개 네트워크로 전환하는 데 있음. Blackbird의 $FLY처럼 여러 식당이 같은 토큰을 발행·수용하면, 경쟁 업체끼리도 생태계를 만들어 전체 파이를 키울 수 있음

5. 이 토큰의 역할은 성장 엔진임. 초기 유저에게 가치를 배분하고, 반복 소비를 만들고, 가맹점과 개발자를 유입시키며, 장기적으로는 네트워크 토큰으로 전환하기 전 수요를 부트스트랩하는 온램프가 됨. 다만 가격 상승 기대를 섞는 순간 본래 설계는 무너짐

6. Web2 포인트는 기업 DB에 갇혀 있었고, Web3 토큰은 지나치게 금융화돼 있음. 다음 소비자 크립토의 핵심은 그 중간. 가격이 오르는 토큰이 아니라, 사람들이 아무 생각 없이 반복해서 쓰는 토큰. 토큰의 대중화는 지출에서 시작됨

🔄AI 시대의 승자는 삽과 전선 (BCG) source

1. BCG가 2,368개 기업의 2021~2025년 연평균 주주수익률을 분석한 결과, 상위권은 광산 24.6%, 항공우주·방산 23.5%, 석유·가스 22.9%, 전자부품 22.8%, 건설 22.0%가 차지

2. 가장 극적인 변화는 기술 섹터 내부에서 발생함. 기술 하드웨어는 8위, 전자부품은 4위에 올랐지만, 소프트웨어·IT 서비스는 전년 4위에서 31위로 추락했고 수익률도 15.7%에서 4.8%로 낮아짐

3. 이유는 명확함. 현재 AI가 만드는 경제적 가치는 소프트웨어 앱보다 반도체·데이터센터·전력·냉각·네트워크·원자재·건설에 축적되고 있음. 지금의 투자 사이클은 지극히 물리적임

4. 여기에 지정학과 공급망 재편까지 겹침. 각국의 방산 지출, 에너지 안보, 리쇼어링, 인프라 투자, 고금리는 에너지·광산을 올리고 있음. 경기 순환이라기보다 자본이 무형자산에서 전략적 실물자산으로 이동하는 구조적 로테이션

5. 그렇다고 유망 산업만 사면 되는 것은 아님. 35개 산업 중 32개에서 상위 25% 기업은 시장 전체 중앙값인 12%를 상회함. 산업은 지형을 결정하지만, 최종 승자는 전략·자본배분이 결정

6. 장기 수익률의 원천은 결국 성장임. 10년 기준 상위 기업의 TSR 17% 중 8%p가 성장에서 나왔고, 나머지는 마진 개선, 현금환원에서 발생. 미국 기업의 기대 프리미엄이 닷컴버블보다 높다는 점을 고려하면, 멀티플보다 수익성과 현금흐름이 중요

7. AI를 현실에 구현하기 위해 반드시 필요한 전력·칩·자원을 누가 공급하는가. 다만 실물자산이라는 이유만으로 사는 것도 위험함. 승자는 AI 병목에 노출돼 있으면서, 성장과 자본규율을 동시에 갖춘 기업

✖️AI 시대의 진짜 IP는 학습 루프 (Satya Nadella) source

1. 과거의 정보 역설은 판매자가 정보를 공개해야만 그 가치를 설명할 수 있다는 문제였음. AI 시대에는 반대임. 기업은 AI를 유용하게 쓰기 위해 자사의 업무 방식, 판단 기준, 내부 지식까지 모델에 알려줘야 함

2. 결국 기업은 사용료와 자신만의 노하우로 AI에 두 번 지불함. 모델의 성능을 더 끌어올리고 싶을수록 더 많은 내부 지식을 투입해야 함

3. 유출 위험은 원본 데이터에만 있지 않음. 프롬프트, 에이전트 툴 사용 기록, 피드백, 평가셋, 승인·거절 패턴에는 조직이 무엇을 좋은 결과로 판단하고 어떻게 의사결정하는지가 축적됨

4. 이 학습이 모델 제공자에게만 쌓인다면, 기업이 AI를 많이 사용할수록 정작 기업의 고유 지식은 외부 플랫폼을 더 똑똑하게 만듦. 경제적 가치는 학습 인프라를 소유한 기업으로 수렴함

5. 따라서 기업 AI의 핵심 자산은 모델 접근권이 아님. 자체 평가셋, 메모리, 작업 기록, 피드백, 가중치와 이를 재학습할 권리를 보유하는 것. 클라우드 시대에 기업이 데이터를 축적했다면, AI 시대에는 학습 자체를 축적해야 함

6. 아키텍처 역시 특정 모델과 분리돼야 함. 프론티어 모델이 교체돼도 기업의 업무 맥락과 평가 기준, 베테랑 직원처럼 축적된 조직 지능은 남아 있어야 함. 모델은 교체 가능하기에, 핵심은 학습 루프임

7. 락인은 학습 루프에서 발생함. 모델은 바꿀 수 있지만, 기업이 수년간 축적한 판단 기준과 조직 지능은 만들기 어려움. 앞으로 가장 강한 기업은 AI를 사용할수록 자신의 지능이 내부에서 복리로 쌓이는 기업