🟢 Drift 해킹 피해자산 리스트

현재 총 피해액: 284.39M

✅ 스테이블코인 계열 (85.98M)

USDC: 70.80M
USDT: 5.65M
USDS: 4.99M
EURC: 0.68M
USDY: 0.54M
SYRUPUSDC: 3.32M

✅ BTC 계열 (16.24M)

WBTC: 4.36M
CBBTC: 11.29M
ZBTC: 0.59M

✅ ETH 계열 (4.69M)

WETH: 4.69M

✅ 기타 SOL 생태계 (177.48M)

JLP: 159.36M
BSOL: 1.02M
INF: 2.50M
MSOL: 1.99M
JITOSOL: 3.60M
DSOL: 4.47M
JUP: 0.43M
FARTCOIN: 4.11M

항상 리스크관리가 중요합니다

실제로는 리스크가없어보여도
체인멈춤, 거래소입금불가, 거래소출금불가, 탈출유동성없음, 브릿지낚시, 프로젝트배신(협의된 교환비 지키지않음) 등등 잘 보이지 않는
돈을 잃을 기회는 얼마든지 존재하는거 같아요

최근들어서는 돈을 잃을 가능성이 존재하는건 거의 안하는것 같아요
evplusbet을 한다고 하더라도
시드의 한계로 시행횟수를 충분하게 가져갈수없는 경우가많으니
잃지않는걸 가장 중요하게 생각하고있습니다

시장에 아비트라지하는 사람밖에 안남은게 저점같은데
비트가 좀 올랐으면 합니당..

AI 그리프트를 경계하되, AI 무용론에 취하지 말자

요즘 트위터를 비롯한 여러 플랫폼에는 비슷한 종류의 글이 넘쳐난다.
“AI로 얼마를 벌었다.”
“이 프롬프트 하나로 생산성이 몇 배가 됐다.”
“이제 인간은 이것만 하면 된다.”

이른바 ‘AI Productivity Porn’이라 불리는 콘텐츠들이다. 자극적이고, 빠르고, 보기 좋다. 그리고 대개는 지나치게 단순하다. 어떤 것은 의도적으로 과장되어 있고, 어떤 것은 특정한 조건과 맥락을 생략한 채 성공 사례만 부풀린다. 심지어 누군가는 애초에 닿을 수 없는 무지개를 팔기도 한다. 그런 면에서 AI 그리프트를 경계해야 한다는 말은 분명 맞다.

하지만 여기서 한 걸음 더 나아가야 한다.
과장이 많다는 사실과, 실제 가치가 낮다는 판단은 같은 말이 아니다.

이 둘을 구별하지 못하면 사고가 급격히 미끄러진다.
AI에 대한 과장이 많다 → 그래서 AI FOMO는 위험하다 → 그러므로 AI는 별것 아니다 → 결국 챗봇 수준의 유행일 뿐이다.
이 흐름은 그럴듯해 보이지만, 사실상 논리적 비약이다. 과장과 실체 부재는 동의어가 아니다. 어떤 분야에 허풍과 홍보가 많다는 사실은 오히려 그 분야에 실제 기회와 전환의 가능성이 있기 때문에 나타나는 현상일 수도 있다.

물론 지금의 AI 담론에는 분명 문제가 있다. 사람들의 불안을 자극하고, 뒤처질 것 같은 공포를 팔고, 마치 누구나 쉽게 엄청난 결과를 낼 수 있는 것처럼 말한다. 그러나 그 반작용으로 생겨나는 또 다른 극단 역시 위험하다. AI FOMO를 비판한다는 명분 아래, AI 자체를 무의미한 것으로 축소해버리는 태도 말이다. 최근에는 오히려 이 비판의 언어가 사람들에게 일종의 안식처가 되는 장면도 보인다. “봐라, 다 과장이다.” “역시 별거 아니었다.” “괜히 호들갑이었다.” 이런 말들은 지적으로 냉정해 보이고, 한 발 떨어져 상황을 꿰뚫어 본 것처럼 보이게 만든다. 하지만 그 만족감이 현실 대응을 대신할 수는 없다.

사람은 원래 '모두가 그렇다'고 말하는 흐름 속에서 '나는 아니라고 본다'고 말하고 싶어 한다. 거기에는 차별화의 쾌감이 있다. 남들과 다른 판단을 내렸다는 자의식도 있다. 그러나 남들과 다르게 보이고 싶다는 욕망이 언제나 더 정확한 판단을 보장해주지는 않는다. AI 과장을 비판하는 일이 곧 AI의 가능성까지 부정하는 명분이 되어서는 안 된다. 그 둘은 엄연히 다른 문제다.

오히려 중요한 것은 이것이다.
과장된 말들이 많은 상황에서도, 실제로 AI를 잘 쓰는 사람들은 분명 존재한다는 사실이다.

상위 1%의 사용자들은 이미 AI를 단순한 잡담용 챗봇으로 쓰지 않는다. 그들에게 AI는 초안 작성기나 검색 보조기를 넘어, 사고를 확장하고, 작업 흐름을 재설계하고, 실질적인 실행력을 증폭시키는 도구다. 이 차이는 단순히 재능의 문제가 아니다. 무엇을 검증해야 하는지 알고, 어떻게 세팅해야 하는지 알고, 어떤 맥락에서 어떤 방식으로 연결해야 하는지를 이해하는 사람과 그렇지 않은 사람의 차이다. 결국 AI의 효용은 기술 자체보다, 그것을 다루는 구조와 태도에서 갈린다.

그래서 일반적인 사용자 기준에서 AI를 '쉽게, 곧바로, 엄청나게 잘' 쓰기 어렵다는 말은 맞다. 아직 초기이기 때문이다. 처음 접하는 도구는 원래 어렵다. 익숙하지 않은 물건은 사용법도, 한계도, 응용 범위도 처음에는 잘 보이지 않는다. 어느 분야든 마찬가지다. 자동차가 막 보급되던 시절에 누구나 운전을 잘할 수 있었던 것은 아니다. 컴퓨터가 대중화되던 초기에 누구나 생산성 혁신을 즉시 누린 것도 아니다. 새로운 도구는 배워야 하고, 시행착오를 거쳐야 하며, 자기 환경에 맞게 조정해야 한다.

그런 점에서 'AI를 너무 쉽게 말하는 사람들'은 분명 문제다. 그러나 그 문제를 이유로 '애초에 별 의미가 없는 기술'이라고 결론내리는 것은 더 큰 실수일 수 있다. 중요한 것은 기대를 버리는 일이 아니라, 기대를 다루는 법을 배우는 일이다.

게다가 우리는 종종 지나치게 즉각적인 결과만을 요구한다. 무언가 당장 눈에 보이는 산출물이 나와야만 가치가 있다고 생각한다. 하지만 실제로는, 결과물이 나오기 전에 먼저 깔아야 하는 기반이 있다. 도로를 깔아야 차가 달릴 수 있다. 운송에만 몰두하면 결국 짐을 들고 걸어갈 수밖에 없다. 집에 식기구와 설비가 없으면, 사람은 애초에 요리할 생각 자체를 하지 못한다. 반대로 제대로 된 조리 환경이 갖춰지면, 그때 비로소 요리하려는 수요가 생기고, 더 나아가 도구 자체를 혁신하는 사람도 등장한다.

AI도 마찬가지다. 많은 사람이 '당장 뭘 만들었느냐'에만 집착하지만, 실제로 더 중요한 것은 “무엇을 할 수 있게 되었느냐”일 수 있다. 제대로 된 세팅, 반복 가능한 워크플로우, 검증 가능한 활용 방식, 자신의 일과 연결되는 인터페이스. 이런 것들은 겉으로 보기엔 덜 화려하지만, 장기적으로는 결과물 그 자체보다 더 큰 차이를 만든다. 할 수 있는 것이 중요하다면, 할 수 있게 만드는 것은 그보다 더 중요하다.

결국 개인에게 필요한 태도는 양극단을 동시에 경계하는 것이다.
한쪽에서는 허황된 약속에 휩쓸리지 않아야 한다.
다른 한쪽에서는 냉소를 지성으로 착각하지 않아야 한다.

확인은 기본이어야 한다. 누군가가 “AI로 얼마를 벌었다”고 말하면, 그대로 믿기보다 조건을 봐야 한다. 무엇을 자동화했는지, 얼마나 재현 가능한지, 어떤 전제가 필요한지, 무엇이 생략되었는지 살펴야 한다. 그러나 동시에, 세상에 과장이 많다는 이유만으로 스스로 시도조차 접어버려서는 안 된다. 무지개가 손에 잡히지 않는다고 해서, 무지개 쪽으로 달리는 일이 아무 의미도 없는 것은 아니다. 오아시스가 있을지 없을지 불확실하더라도, 찾으러 걸어야 발견 확률이 조금이라도 올라간다. 가만히 앉아 있는 사람에게는 아무 가능성도 열리지 않는다.

물론 모두가 같은 속도로 변할 수는 없다. 대부분의 사람은 익숙한 방식에 머무는 편이 편하다. 바뀌기란 원래 어렵다. 과거에 안주하는 것이 심리적으로 더 안전하게 느껴지는 것도 자연스럽다. 하지만 그렇기 때문에 더더욱, 우리는 무엇에 안주하고 있는지 스스로 경계해야 한다. 요즘 진짜 위험한 것은 AI FOMO만이 아닐 수 있다. 어쩌면 더 위험한 것은, 그 FOMO를 비판하는 언어에 기대어 아무것도 하지 않는 자신을 정당화하는 일일지도 모른다.

이제 질문은 단순하다.
AI에 대해 떠도는 수많은 말들 사이에서, 우리는 무엇에 집중해야 하는가.

답은 분명하다.
AI를 둘러싼 과장에 취할 것이 아니라, AI를 어떻게 잘 쓸지에 집중해야 한다.
AI를 맹신할 것이 아니라, 검증하면서도 적극적으로 다뤄야 한다.
허풍을 비판하는 데서 멈출 것이 아니라, 실제로 쓸 수 있는 구조를 만들어야 한다.

결국 사람은 선택할 수 있는 자유가 넓은 환경을 스스로 만들어가야 한다. 할 수 있는 도구를 갖추고, 할 수 있는 방식을 익히고, 할 수 있는 상태를 설계해야 한다. 변화의 초기에 필요한 것은 확신도 냉소도 아니다. 확인하면서도 전진하는 태도다.

AI 시대에 정말 경계해야 할 것은 과장 그 자체만이 아니다.
과장을 비판한다는 이유로 가능성 전체를 버리는 일이다.
우리가 집중해야 할 것은 소음이 아니라 활용이다.
떠드는 사람들을 구경하는 것이 아니라, 실제로 쓸 수 있게 되는 것이다.

흘러가는 대로 남들이 하던 방식에 머물고, 과거에 안주하고, 바뀌지 않는 다수로 남는 것은 쉬운 일이다.
하지만 쉬운 태도가 늘 옳은 태도는 아니다.
지금 필요한 것은, 환상에 속지 않으면서도 가능성을 포기하지 않는 사람이다.

그리고 아마 앞으로의 차이는 바로 그 태도에서 갈릴 것이다.

가짜뉴스라네요

https://v.daum.net/v/20260402174625976

[드리프트 케이스: 사건이 터지면 폴리마켓부터 오세요]

해킹 당한 순간, 빠른 트레이더들은 $100M이 넘는 또다른 해킹이 26년 내에 발생할까? 라는 종목에 달려가서 수익을 창출했습니다. 저도 놓쳤지만, 큰 사건이 있을때 바로 폴리마켓에 달려가면 왠만한 종목이 다 있기 때문에, 혹시 사건 터지면 바로 폴리마켓에 뭐 할 꺼 있나? 라는 띵킹 프로세스를 가져가보는 것도 좋겠습니다.

이런 기회가 엄청 큰 알파는 아닌게
호가창 텅텅이라 가장 빠르게 달려갔어도
100달러 정도 벌었을거라 봅니다.

🟢 YZi Labs, Predict.fun 추가 투자 발표

-YZi Labs와 Susquehanna Crypto는 Predict.fun에 대한 추가 투자 발표, 금액은 별도의 발표 없음

-Susquehanna Crypto는 유동성 및 시장품질 개선을 담당

원문

https://x.com/monghyun523/status/2039719175346937885?s=20

5만불 챌린지 후기 (1) (1/30~ 3/30)

AI 작동에서의 재밌는 이야기 : AI는 열린 범주에 대해 제대로 처리하지 않는다.

이런 경험 아마 다들 해보았을 것이다.
등...이 적혀있는 글이라고 하더라도 AI는 대부분 앞에 적혀있는 예시에 포커싱을 맞춘다.

사과, 배, 복숭아 등... 과일이 ...
라는 글이 있다면, AI는 사과/배/복숭아에 포커싱을 맞춘다. 좋게 이야기하면 포커싱을 맞추는 것이고, 나쁘게 이야기하면 예시에 갇혀버리는 것이다.

AI는 등...이라는 부분에 해당하는 열린 범주를 적극적으로 확장하기보단 보수적으로 행동하여 먼저 나온 A, B, C를 사실상 핵심 범위로 받아들인다.

하지만, 단순히 대화에서만 이런 문제가 발생하면 문제가 되지 않지만 - 설계, 구현 작업, 전략 구성, 깊은 사고 과정에서 이러한 문제가 발생하면 큰 문제로 이어지기가 쉽다.

해결법

1. 입력 해석 단계 자체를 바꾸어야한다.
AI는 보이는 구체 단어를 우선 포착하고, 그 단어들과 가까운 것들을 연상하며 그 주변에서 답을 생성한다.

답변 생성 이전에 해석 레이어가 하나 더 필요하다.

예시 : 사과, 배, 복숭아
상위 범주 후보 : 과일
예시의 역할 : 정의가 아니라 샘플
맥락적 의미 범주 : AI가 생성
확장적 의미 범주 : AI가 생성

이런 식으로 AI가 답변 이전에 사고를 진행해야한다.

2. 예시 → 추상화 → 재확장 2단계 추론 형태
지금의 문제는 예시 → 답변 의 형태라 이런 문제가 생기는 것이다.
반드시 예시 → 추상화 → 확장 → 답변으로 바꾸어야한다.
최대한 확장적으로 생각하게 만드는 것이다.

단계 1 : 예시를 추상화
예시들이 공통으로 가리키는 상위 개념을 찾아냄.
트위터, 디스코드, 텔레그램 등... → 커뮤니티/커뮤니케이션 플랫폼
빗썸, 업비트 등... → 한국 암호화폐 거래소
Cluade, GPT, Gemini 등... → 생성형 AI 모델/서비스 (Cloud LLM Services)

단계 2 : 추상화된 범주를 다시 확장
예시 밖의 항목을 의도적으로 탐색해야한다.
트위터/디스코드/텔레그램만 말하지 말고
레딧, 깃헙, 포럼, 카카오톡, 슬랙 등...에 대해서 생각해야한다.

단계 3 : 마지막에 예시와 비예시를 분리 검토
예시 포함 답
예시 밖의 관련 답
관련 없어 제외한 것

단계 4 : 맥락적 사고
텍스트 내부의 흐름과 내용을 파악하여, 다양한 범주 중에서 가장 가까운 범주들을 대상으로 설정
빗썸, 업비트 등... → 한국 암호화폐 거래소 or 암호화폐 거래소
항상 상황에 따라 단어들은 다른 의미를 가짐.
해당 내용이 한국 암호화폐 거래소로만 생각해야하는 경우가 있고, 암호화폐 거래소를 의미하는 경우도 있음.
첫번째 경우에는 바이낸스, 바이비트, 코인베이스와 같은 외국 거래소들은 범주에 들지 못하고
두번째 경우에는 외국 거래소들도 그 범주 내에 들어가야함.

3. 출력 전 검사 단계
생성 후 자기검사/타 AI 검사를 거치고 결과를 출력해야함.

검사 내용
1. 내가 답변에서 제시된 예시만 반복하고 있나?
2. 예시들이 가리키는 더 큰 범주를 명시했나?
3. 예시 밖의 유효 후보를 최소 몇 개 이상 검토했는가?
4. 사용자가 예시를 들었을 뿐인데 임의로 폐쇄 목록처럼 다루었는가?
5. 등...을 기타 유사 항목 포함으로 실제 반영했는가?
6. 상위 범주를 올바르게 추출했는가?
7. 예시 밖의 항목들을 포함했는가?
8. 불필요한 범주 확장을 하진 않았는가?
9. 제외 범위도 설명했는가?

4. 표현 형식의 전환
자연어의 등...이라는 단어는 너무 약하다.
사람은 맥락으로 이해하지만, 모델은 토큰 평향성이 존재한다.

따라서, 사람이 구조화된 명시를 하거나, 구조화된 명시를 하는 과정이 필요하다.
AI가 그 과정을 처리해줄 수도 있다.

트위터, 디스코드, 텔레그램 등에서 반응을 봐줘.
라는 말 보다는
트위터, 디스코드, 텔레그램(비한정적 예시)와 그 외의 커뮤니티/소셜/실시간 대화 채널 전반에서 반응을 확인하라. 예시 외 채널도 포함해 탐색해라.
라고 하는 것이 낫다.

템플릿 1

아래 예시는 설명용일 뿐, 범위를 제한하지 않는다.
먼저 예시들의 공통 상위 범주를 정의하고, 그다음 예시 밖의 관련 항목까지 포함해 답변하라.
답변할 때는

상위 범주 정의
예시에 포함되는 항목
예시 밖이지만 포함되는 항목
제외되는 항목
순서로 정리하라.

템플릿 2

앞에 나온 단어들을 정답 목록처럼 취급하지 말고 샘플로 취급하라.
샘플에 매이지 말고 사용자의 실제 의도 범위를 재구성하라.

템플릿 3

예시 단어에 앵커링되지 말고, 예시가 가리키는 개념 공간 전체를 탐색하라.
예시 밖 후보를 최소 5개 이상 검토한 뒤 답하라.

문제의 해결법을 시스템 레벨로 바꿀 수도 있다.

1. 입력에 대해서 분해
목표
예시
제약
상위 범주
확장 여부
제외 범위

2. 예시 비중 감쇠
예시 토큰을 일반 핵심 명사보다 낮은 가중치로 해석하게 함.

3. 범주 확장 모듈
임베딩/온톨로지/지식그래프 기반으로 상위 범주를 확장

4. 반대 방향 탐색
예시 근처만 찾지 말고, 같은 범주인데 예시에 없는 것들을 찾게 만들어야함.
'비슷한데 나오지 않은 것'을 찾는 별도의 과정이 필요하다.

중요한 점 : 정확한 범주화
무한 확장은 또한 다른 문제가 될 수 있다.
Claude, GPT, Gemini 등... → 오픈소스 로컬 모델 포함 or 메이저한 Cloud LLM or 상용 LLM 챗봇
다양한 범주로 확인 될 수 있다. 따라서 정확하지 않고 다양하게 해석될 수 있다면, 사용자에게 되묻는 것이 필요로한다.

그 이전에 예시들의 공통점, 문장 전체 목적, 도메인 제약, 사용자의 실제 질문 의도와 같은 맥락을 파악하는 것도 또한 중요하다.
즉, 가장 중요한 것은 의미와 의도 기반 재구성이다.

사용자의 프롬프트 : 사용 혹은 자동 전환
사용자가 아래와 같은 프롬프트를 사용하거나, 등...과 같이 열려있는 프롬프트를 입력하면 자동으로 아래와 같은 프롬프트로 전환되어 입력되거나 이해되어야한다.

방식 A
아래 단어들은 예시일 뿐이며 한정 목록이 아니다.

방식 B
앞의 예시를 반복하지 말고, 그 예시들이 속한 더 큰 범주를 기준으로 답하라.

방식 C
예시 단어에 앵커링되지 말고, 예시 외 관련 항목도 반드시 검토하라.

방식 D
먼저 상위 개념을 정의한 뒤 답하라. 바로 예시 기반으로 답하지 마라.

AI Agentic System을 만드는 사람이라면 이쯤되면 어떻게 해결해야 할 지에 대해서 예측되는 부분이 있을 것이다.

등...과 같은 열린 범주 신호를 감지하면
요소 확장/범주 설정/상위 범주 파악/맥락 이해를 다루는 AI Agent를 따로 두어, 본 Agent (실제 대화하는 에이전트/작업을 설계하는 Agent) 가 결정/대답 하기 이전에 문제를 해결하여 결정/결론/대답하도록 한다. 또한, 예시 → 추상화 → 재확장 2단계 추론을 담당하는 개별 독립 Agent를 둔다.

혹은 다른 AI Agent가 열린 범주가 감지되면 프롬프트를 자동전환하도록 한다. (아래 단어들은 예시일 뿐이며 한정 목록이 아니다. 앞의 예시를 반복하지 말고, 그 예시들이 속한 더 큰 범주를 기준으로 답하라. 예시 단어에 앵커링되지 말고, 예시 외 관련 항목도 반드시 검토하라. 먼저 상위 개념을 정의한 뒤 답하라. 바로 예시 기반으로 답하지 마라.)

또한, 결정/결론/대답 이전에 다른 Agent를 통해 검수를 하는 것도 또한 필요로 한다.
확장 → 검색 → 통합까지 붙이는 것도 필요하다.

이러한 방법으로 해결하거나, 사용자가 이러한 문제를 인식하고 해결하기 위한 방법을 이해하고 인지하고 있는 것이 필요로 한다.

https://x.com/monghyun523/status/2039737102963999059?s=20

5만불 챌린지 후기(2)

$EDGEX: 거래소로 전송

팀 지갑에서 바이비트에 100만 달러 이상을 입금했습니다. 한 시간 전에는 게이트에 10만 달러가 입금되었습니다.

아마도 이것이 마지막 전송은 아닐 것입니다.
조심하세요, 흔히 그렇듯이 조작이 있을 수 있습니다.

지갑:
0x5cbE2dda520e744C87A080b01394F57F7d29cc3c

빗썸 출금 정책변경

- 거래량 부족한 종목들 퍼센트로 수수료부과
- 0~1% 적용될예정인듯
- 현재 잡코인경우 일일출금한도 말도안되게 엄청낮음 (2~500만원)
- 추가로 출금을 퍼센트 수수료뗴는건 좀 너무한듯

https://feed.bithumb.com/notice/1652538

Polymarket

"2026년 4월에 시행될 $5M 이상의 스포츠 유동성 지원 프로그램을 발표합니다"

고수형님들은 이거 미리 로직 짜러 가시겠죠?

https://docs.polymarket.com/market-makers/liquidity-rewards?dub_id=sFMe4re1RToxEXNA#april-2026-%E2%80%94-liquidity-incentive-program

[토스, 자체 메인넷 및 코인 발행 추진]
토스가 자체 메인넷 구축과 함께 자체 디지털자산 발행을 추진하고 있다고 블록미디어가 보도했다. 토스는 레이어1 블록체인 네트워크(메인넷) 기반으로 자체 코인(네이티브 토큰)을 발행하고, 이를 결제 및 금융 서비스에 활용하는 방안을 논의 중이다. 향후 메인넷 위에 레이어2를 얹는 구조를 통해 확장성과 유동성을 확보하는 방향도 고려 중이다. 웹3 지갑 개발도 병행 중이다. 별도의 앱 설치 없이 기존 토스 앱 내에 지갑 기능을 내장해 디지털자산 보관과 결제를 동시에 지원하는 것이 목표다.
https://coinness.com/news/1153672
기사보기 : https://www.blockmedia.co.kr/archives/1073826?utm_source=telegram&utm_medium=social#google_vignette

비트코인 블록타임이 평균 10분이고 이더리움 finalization도 15분 잡아야 하는데 5분주기면 confirmation 수준을 여러 레벨로 분리해서 점검하기라도 하겠단 건가요?
이런거 고려했다 vs 안했다

ChatGPT 컴퓨팅 40% 증가 전망… 홍하이, 콴타, 위스트론 등 수혜

OpenAI, GPT 6.0 신모델 출시 소문

챗봇, 웹 브라우저, 코덱스(Codex) 등 3대 기능 통합으로 연산 능력 40% 급증 예상


OpenAI가 새로운 모델인 GPT 6.0을 출시할 것이라는 소식이 전해졌습니다. 이번 모델은 챗봇, 웹 브라우저, 그리고 코덱스(Codex) 등 세 가지 주요 기능을 통합하며, 연산 능력은 약 40% 폭증할 것으로 예상됩니다. 텍스트, 음악, 이미지, 영상을 동시에 처리할 수 있게 됨에 따라 컴퓨팅 파워(연산력) 수요가 크게 늘어날 전망입니다. 이에 따라 AI 서버 공급망인 폭스콘(2317), 콴타(2382), 위스트론(3231) 등 파운드리 업체들의 향후 실적 모멘텀이 강화될 것으로 법인들은 내다보고 있습니다.

업계에 따르면 OpenAI는 이달 중순 새로운 AI 모델인 GPT 6.0을 선보일 예정입니다. GPT 6.0의 연산 능력은 GPT 5.4 대비 40% 향상될 기미를 보이고 있으며, 코드 작성, 추론 및 지능형 애플리케이션 관련 기능이 현저히 개선됨과 동시에 텍스트, 오디오, 이미지, 비디오 등 멀티모달 제품 생성이 가능해질 것으로 보입니다.

뿐만 아니라 GPT 6.0은 챗봇인 ChatGPT, 코덱스(Codex), 그리고 아틀라스(Atlas) 브라우저 등 관련 애플리케이션을 전면 통합하여 하나의 '슈퍼 AI 모델'을 구축할 것으로 기대됩니다. 알려진 바에 따르면, OpenAI가 앞서 소라(Sora) 영상 지원을 종료했던 주요 이유가 바로 GPT 6.0 모델 출시를 위해서였다고 합니다. 현재 GPT 6.0은 초기 훈련을 마쳤으며, OpenAI의 공식 발표 후 정식 서비스될 예정입니다.

OpenAI는 이미 마이크로소프트(MS), 아마존 AWS 등 대형 클라우드 서비스 제공업체(CSP)와 연산 협력 합의를 체결한 상태입니다. 이들 CSP 대기업의 AI 서버는 홍하이, 콴타, 위스트론, 위잉(6669) 등 관련 대만 업체들이 수주했습니다.

특히 글로벌 파운드리 1위인 홍하이는 L6~L11 단계의 주문을 확보했으며, 현재 수주 물량은 2027년까지 가득 찬 상태입니다. 법인들은 홍하이의 올해 운영 실적이 분기별로 상승 곡선을 그리며 연간 매출이 두 자릿수 성장하여 역대 최고치를 경신할 것으로 보고 있습니다.

홍하이의 3월 연결 매출은 8,037억 3,800만 대만달러로 전월 대비 34.9% 증가하며 동기 대비 최고치를 기록했으며, 전년 대비로는 45.57% 성장했습니다. 1분기 연결 매출은 2조 1,290억 대만달러로, 전분기 대비 18.2% 감소했으나 역대 가장 강력한 1분기 실적(전년 대비 29.7% 증가)을 달성했습니다.

콴타(Quanta)는 엔비디아(NVIDIA) GPU 아키텍처 서버를 통해 CSP 대기업의 AI 인프라 시장을 공략하고 있습니다. 현재 주력 출하 제품은 GB300이며, 올해 하반기부터는 베라 루빈(Vera Rubin) AI 서버 양산을 시작해 하반기 실적 성장의 핵심 열쇠가 될 전망입니다. 법인들은 콴타의 올해 운영 실적이 두 자릿수 성장을 기록하며 매출 신기록을 세울 것으로 기대하고 있습니다.

이 밖에도 위스트론(Wistron)과 위잉(Wiwynn) 등 대형 업체들은 아마존 AWS 공급망에 진입했습니다. 위스트론은 AI 서버 브랜드 업체 공급 및 L6 등급 AI 서버를 담당하며 간접적으로 CSP 시장에 진출했습니다. 위잉은 L10/L11 규격의 AI 서버 위탁 생산을 담당하며, 엔비디아 베라 루빈 AI 서버 대량 주문뿐만 아니라 CSP 대기업의 ASIC(주문형 반도체) 서버 주문까지 확보한 상태입니다.

https://money.udn.com/money/story/11162/9425203?from=edn_subcatelist_cate