🇨🇳화웨이가 칩 150만개를 만들어도 엔비디아의 4% source

1. 수량의 착시
- 올해 화웨이가 Ascend 150만개, 엔비디아가 GPU 590만개를 생산할 것으로 추정
- 성능을 H100로 환산하면 88만개 대 2,300만개. 화웨이의 연산량은 엔비디아의 4%

2. 진짜 병목
- 화웨이 칩 중 중국산 HBM을 사용하는 물량은 24만개. 해외 HBM 비축분도 올해 소진
- 중국산 HBM만 사용하면 2028년까지 화웨이의 연산량은 엔비디아의 1%. AI 제재의 핵심도 메모리

3. 다음 장벽
- CXMT 증산으로 엔비디아와의 HBM 격차는 26년 73배에서 28년 11배까지 감소
- 메모리당 연산성능 격차는 2.7배에서 9배로 확대. HBM을 확보한 다음에는 SMIC 공정·패키징·CANN 소프트웨어가 새 병목

4. 결론
- 하이닉스·Micron의 HBM 수율과 공급배분은 부품사 점유율을 넘어 국가별 AI 연산량을 결정하는 변수
- 다만 실제 출하량, CXMT 수율과 중국 데이터센터의 실사용 성능으로 검증해야

✍️중국 AI 자립은 칩 출하량이 아니라 HBM을 거쳐 실제 배치되는 유효 연산량으로 평가

📰OpenAI의 GPT-7, 밀레니엄 난제 해결하다 source⁠

유체의 메커니즘을 완벽히 계산할 수 있게 돼, 정확도 100%의 기상 예측이 가능해짐

1. 난제 해결 발표
- OpenAI가 나비에–스톡스 밀레니엄 문제의 증명을 공개했다고 발표
- Astra보다 강력한 미공개 모델을 사용했음
- 특정 조건에서 유체 방정식의 해가 무한대로 치솟을 수 있다는 내용
- 이로써 날씨를 완벽히 예측하게 됐다는 뜻까진 아니며, 학계의 독립 검토는 별개임

2. AI 연구팀의 방법론
- 1만 개의 AI가 접근법을 나눠 탐색하고, 발견한 내용을 공유하며 88시간 만에 증명에 도달
- 연구진은 유망한 방향에 자원을 집중시켰고, 이후 컴퓨터로 논리를 검증하는 작업까지 진행
- 여러 AI의 탐색·협업·검증을 조직한 방식이 핵심

3. 연산의 새 수요
- 이런 성과가 반복된다면 기업과 연구기관은 미해결 문제를 풀기 위해 AI를 장시간 가동할 이유가 생김
- AI 사용료의 비교 대상도 달라짐
- 구독료를 넘어 연구기간을 얼마나 단축하고, 어떤 발견을 만들어내느냐로 지출을 판단

✍️ AI 인프라의 시장이 커지는 또 하나의 경로는, 연구개발 예산이 새로운 지식을 찾는 연산에 투입되는 것

🫡AI 비관론은 이제는 끝낼 시점 source

1. "2년 뒤면 대체될 테니 빨리 돈 벌어야 한다." "우리 제품의 해자는 뭔가." "경쟁사를 따라잡아야 한다."

2. 이런 사고방식은 너무 근시안적임. 신적인 능력을 얻고도, 관심은 자리를 어떻게 지킬까에만 머물러 있는 것

3. 탄소 포집, 수질 오염, 차세대 배터리, 질병 정복... 도전할 문제는 얼마든지 산적해 있음

4. 기술의 목적을 기존 사업 방어에 가두지 말고, 다음 세대가 자랑스러워할 일을 하자는 이야기

5. 투자에서도 중요한 관점임. AI가 기존 일을 얼마나 싸게 하느냐와 AI 덕분에 처음으로 해볼 만해지는 일이 무엇이냐는 다름

6. 연구비가 낮아졌을 때, 기업이 연구비를 줄일 수도 있지만 같은 예산으로 더 많은 실험을 할 수도 있음

7. 그동안 비용 때문에 포기했던 연구가 사업으로 성립할 가능성도 생김. 인건비 절감만 계산하면 이쪽 기회를 놓치게 됨

8. 물론 고객을 붙잡아두는 장벽과, 고객의 문제를 계속 더 잘 해결해서 쌓이는 경쟁력은 구분해야 함

9. 진짜 본질은 AI에 대체되지 않을 기업 찾기가 아닌, AI가 좋아질수록 풀 수 있는 문제가 커지는 기업 찾기임

10. 방어력만 보지 말고, 기술 발전이 그 회사의 사업 기회를 얼마나 넓혀주는지도 봐야 함

✍️Price to Dream Ratio, 가진 꿈과 그릇의 크기가 가치를 결정하는 시대. 그 크기가 가장 큰 기업은...?

🇺🇸미중이 함께 상대해야 할 제3의 초강대국 source

1. 폴 튜더 존스가 WSJ 기고에서 던진 경고. 미국과 중국이 AI 패권을 놓고 경쟁하는 동안, AI 자체가 두 나라 모두 통제하기 어려운 힘으로 성장할 수 있다는 것

2. 그가 주목하는 전환점은 재귀적 자기개선(RSI)임. AI가 더 나은 AI를 개발하고, 그렇게 만들어진 AI가 다시 다음 세대를 개선하는 순환. 이 과정이 본격화되면 발전 속도가 인간의 이해와 검증 속도를 앞지름

3. 같은 능력이 질병 치료와 에너지 문제 해결을 앞당길 수도 있음. 하지만 유용한 일을 훨씬 잘하는 능력과 인간의 의도대로만 행동하는 능력이 함께 발전한다고 보장할 수는 없음

4. 존스는 AI가 감시를 피하고 허가받지 않은 행동을 했다는 허깅페이스 사건을 경고 신호로 제시함. 특히 해당 사건에는 아직 자기개선이 개입하지 않았다는 점을 강조. 더 강력한 단계가 오기 전에 통제 능력을 갖춰야

5. 여기서 미중 경쟁의 딜레마가 생김. 상대가 앞서갈까 두려워 개발을 서두르지만, 그 경쟁이 양국 모두 감당하기 어려운 위험을 키울 수 있음. 상대국에 뒤처지지 않는 것과 인간이 통제권을 유지하는 것은 다른 문제

6. 그래서 존스는 양국 전문가의 공동 브리핑과 안전한 개발, 확산을 위한 일정 합의를 촉구함. 실제 합의가 이뤄졌다는 소식은 아님. AI 안전을 국가 간 경쟁과 별개로 다뤄야 할 공동 과제로 올리자는 제안

✍️ AI 패권 경쟁에서 먼저 만드는 것만으로 승리가 완성되지는 않음. 그 힘을 끝까지 통제할 수 있어야 함

💻 Software is about to eat the world much faster (a16z) source

1. 개발의 속도
- 안드레센이 강조한 변화는 소프트웨어 생산을 사람의 코딩 속도에 맞출 필요가 줄어든다는 것
- 벤츠의 오래된 시스템 전환은 당초 예상 8개월에서 8일로 단축됐다고 함

2. 잠겨 있던 수요
- 개발비가 내려가면 고객이 적거나 매출이 작아 만들지 못했던 소프트웨어도 사업성이 생김
- 중소기업의 사내 도구, 방치된 업무 자동화처럼 필요하지만 개발자를 붙이기엔 비쌌던 일이 새로운 시장으로 들어오는 것

3. 경쟁의 이동
- 제품을 만들기 쉬워지면 경쟁자도 늘어남. 고객의 문제를 정확히 이해하고, 실제로 쓰게 만드는 능력이 더 중요
- 코드 작성이 빨라져도 검증, 보안, 운영은 남음. 완성품을 믿고 맡길 수 있어야 개발비 절감이 사업의 확장으로 이어짐

✍️ 소프트웨어 제작비가 무너질수록, 무엇을 만들 수 있느냐보다 무엇을 만들어야 팔리느냐가 중요

🧠 학습 데이터가 바닥나면, AI의 발전은 끝날까? source

1. 고정된 가정
- AI가 모든 일을 배우려면 인간의 작업 기록을 끝없이 모아야 한다는 주장은 지금의 학습방식이 계속 유지된다는 가정에 기대고 있음
- 톰 데이비슨은 AI가 학습 알고리즘 자체를 개선하면, 같은 능력을 훨씬 적은 데이터로 익힐 수 있다고 주장

2. 학습법의 개선
- 핵심은 정답을 더 많이 외우게 하는 데서 끝나지 않음
- 새로운 과제를 더 적은 예시로 배우는 방법을 AI가 직접 연구하는 것
- 이것이 가능해지면 더 나은 AI가 다음 학습법을 개발하고, 그 학습법으로 다시 더 나은 AI를 만드는 순환이 생김

3. 남아 있는 간극
- 새로운 지식을 검증하고 고품질 데이터를 만드는 데 시간이 든다는 점은 인정함
- 다만 이것이 발전을 늦출 수 있어도 영구히 막지는 못함
- 아직 지능 폭발이 입증됐다는 뜻은 아님. AI가 만든 학습법이 새로운 과제와 현실 환경에서도 성과를 내는지가 핵심

✍️ AI의 장기 한계를 판단할 때는 남은 데이터의 양과 함께, 같은 데이터로 얼마나 더 많이 배울 수 있는지도 봐야

🖥 GPU 사용료에도 선물시장이 필요하다 (Pantera) source

1. 거대한 장외시장
- 판테라의 Jay Yu는 GPU 사용권 거래 상당수가 아직 중개인, 계약에 의존한다고 지적
- 그가 예상하는 다음 단계는 전력시장처럼 연산 사용권을 표준화하고, 미래 가격까지 거래하는 시장

2. 반대편의 걱정
- AI 기업은 앞으로 연산비가 오를까 걱정하고, GPU 임대업체는 사용료가 떨어져 투자금을 회수하지 못할까 걱정함
- 미래 사용료를 미리 정할 수 있다면 양쪽 모두 사업계획을 세우기 쉬워짐
- 이미 예약한 연산 중 남는 물량을 재판매하는 서비스도 등장

3. 표준화의 벽
- 같은 GPU라도 위치, 연결 속도, 서비스 품질이 다르면 같은 상품이 아님
- 사용권을 거래하려면 약속한 성능을 실제로 공급할 수 있어야 함
- 먼저 필요한 것은 안정적 공급과 믿을 만한 거래 기록. 여기서 헤지, 대출 같은 금융사업이 파생될 수 있음

✍️ AI가 커질수록 연산을 공급하는 사업뿐 아니라, 연산 가격의 불확실성을 줄여주는 사업에도 기회

🤔속도조절론 대두, AI 산업 이제 꺾였나? source

- AI가 가짜여서가 아니라 너무 진짜여서 생긴 역설적 강세 근거
- 이번 속도조절론은 AI 인프라의 장기 강세 논리를 강화하기도 함
- 다만 기술의 잠재력과 투자자의 수익을 연결하는 방식은 바꿔야

1. 브레이크의 이유
- 아모데이가 제시한 배경은 AI가 AI 개발을 돕기 시작하면서 발전 속도가 빨라졌다는 판단임
- 성능 정체가 아니라 통제의 어려움을 문제 삼은 것
- 기술이 예상보다 강력하다는 방증으로 읽을 수 있지만, 개발사의 평가가 성능, 경제성의 독립 검증은 아님
- Anthropic의 우선 확약은 상주 외부 평가자 도입임. 학습 컴퓨팅 제한은 공조를 위한 논의 대상으로, 투자 축소 확정은 아님
- 다만 말뿐인 우려도 아님. OpenAI는 8월에 안전조치를 위한 일부 학습의 일시 중단을 공개했음
- 실제 시간과 비용을 감수한 행동은 발언보다 무게가 있지만, 연구 지연과 설비투자 삭감은 구분해야

2. 느린 개발, 넓은 보급
- 차세대 모델의 성능 개선과 이미 확보한 성능의 보급은 다른 축임
- 현재 모델이 충분히 유용하다면 개발 속도를 조절해도 기업 도입과 추론 수요는 커질 수 있음
- 안전성 확보가 대형 사고와 광범위한 사용 제한을 줄인다면, 단기 속도를 희생해 더 오래가는 수요를 얻을 가능성도 있음
- 안전 확보 자체도 연산을 요구함. OpenAI는 당시 모니터링에 감시 대상 추론 연산량의 약 20%가 추가로 필요하다고 추정했음
- 안전 투자가 곧 인프라 수요 감소라는 등식도 성립하지 않음. 다만 사용 비용 상승이라는 부담도 함께 생김

3. 경계해야할 확신
- 추론이 훈련 둔화를 메워도 같은 투자액이 같은 업체와 제품으로 돌아온다는 보장은 없음
- 효율 개선에 따른 업무당 연산량 감소를 상쇄하고도 남을 만큼 실제 사용이 늘어야 총 연산 수요가 증가함
- 메모리는 수요가 늘어도 공급이 따라잡으면 가격결정력과 초과마진이 약해질 수 있음
- TrendForce도 이번 논쟁 전부터 일반 DRAM의 가격 저항을 지적하고 가격 상승률 둔화를 전망했음. 이를 HBM, NAND 전체 전망으로 확대할 수는 없음
- 이미 폭발적 성장을 가격에 반영했다면 기술의 강력함을 재확인하는 효과보다 이익 회수 지연의 부담이 클 수도. 주가 하락이 곧 기술에 대한 부정은 아닌 이유

✍️이번 논의는 오히려 기술의 중요성에 대한 확신을 높일 근거일 수 있음. 다만 기술 발전이 곧바로 공급업체의 이익이 되는 건 아님