AI 발전의 네 가지 축: 알고리즘, 데이터, 연산, 에너지 - 앞으로 주목해야 할 것은?
1. 딥러닝은 2010년대부터 대중에게 알려졌으나, 그 시초는 1950년대 후반 로젠블랫의 퍼셉트론 알고리즘에 기원함.
2. 1969년 민스키와 페퍼트가 퍼셉트론의 한계(예, XOR 문제 해결 불가)를 증명하여 미국 방부의 2천만 달러 투자 계획이 무산되고 AI 겨울이 도래함.
3. 이후 딥러닝과 심볼릭 AI는 부흥과 침체를 반복하였으며, 핵심 병목은 알고리즘이 아니라 학습할 충분한 데이터와 연산 능력의 부족이었음.
4. 2010년대에 빅데이터의 등장과 GPU를 통한 대규모 병렬 연산 기술이 발전하면서 데이터와 연산 병목이 해소되어 딥러닝이 폭발적으로 발전함.
5. 딥러닝 모델은 전통적 회귀 분석 모델보다 훨씬 많은 파라미터를 보유하여, 엄청난 연산 능력을 요구함.
6. 딥러닝의 핵심 연산은 단순 사칙연산을 대규모 병렬 처리하는 방식임.
7. 20세기에는 알고리즘 진전에도 불구하고 데이터와 연산 병목 때문에 AI 발전이 제약되었으나, 2010년대부터 이러한 제약이 해소되어 AI가 급격히 발전함.
8. 2020년대까지 AI 발전은 주로 모델 스케일 확대(더 많은 파라미터, 데이터, 연산)로 이루어졌으며, “더 크면 된다”는 공식이 확신으로 작용함.
9. 연산 병목을 극복한 사례로 NVIDIA의 주가 상승이 있으며, 이는 투자자들에게 중요한 신호가 됨.
10. 단기적인 GPU 수량 문제보다 AI 네 가지 요소(알고리즘, 데이터, 연산, 에너지) 중 연산 병목이 변화하는지가 NVIDIA의 주가를 판단하는 본질적 key라고 생각함.
11. 최근에는 단순 스케일 확대만으로는 AGI(인공지능 일반화)를 달성할 수 없다는 비판이 1~2년 전부터 제기됨.
12. 데이터 측면에서는 OpenAI가 활용 가능한 퍼블릭 데이터가 약 1년 정도 남았을 가능성과 고품질 텍스트 소스(예, 뉴욕 타임즈)의 제한으로 데이터 공급이 감소할 우려가 있음.
13. 만약 데이터가 새로운 병목이 된다면, 연산은 AI 발전에서 더 이상 주요 제약이 아니게 될 것.
14. 또 다른 잠재적 병목은 에너지임으로, 인플레이션 우려와 화석연료 기업의 투자 부진 등으로 에너지 부족 및 비용 상승 문제가 제기됨.
15. 에너지 비용 상승 시, 연산보다 에너지가 AI 발전의 새로운 병목이 될 수 있음.
16. GPU 수량 확대(예, 10개→100개, 100개→1,000개)는 효율적이지만, 10만 개에서 100만 개로의 확장은 의문이 많음.
17. 유명 학자들(예, 일리아 수츠케버, 게리 마커스 등)은 LLM 단순 스케일링만으로는 AGI를 달성할 수 없다고 지속적으로 주장함.
18. 딥러닝은 방대한 데이터 처리에는 뛰어나지만, 매크로나 기업 분석과 같이 드물고 다차원적인 데이터 분석에는 인간의 논리적, 연역적 추론이 우위임.
19. 현재 AI는 GPT 같은 파운데이션 모델에서 에이전트 AI로 전환되고 있으며, 에이전트 AI는 자율적으로 데이터를 수집하고 의사결정을 내릴 수 있음.
20. 예를 들어, 에이전트 AI는 실시간 속보 API, 재무 평가 API 등을 연동하여 트럼프의 정책 변화 알림이나 구글 실적 기반 자동 매매 등 투자 전략을 실행할 수 있음.
21. 장기적으로 AI 발전의 다음 병목은 연산이 아니라 고품질 데이터를 확보하는 데 있을 것이며, 투자자들은 이를 보유한 기업을 주목할 필요가 있음. 여기서 큰 기회가 발생할 가능성이 높음.
22. 사이버 보안 분야와 에너지(특히 원자력 관련) 분야도 투자 관점에서 주목할 섹터라고 생각함.
23. AI 섹터를 투자함에 있어 데이터, 알고리즘, 연산, 에너지 네 가지 축을 기준으로 섹터와 기업을 평가하며, 이를 통해 향후 투자 전략을 세워야 한다고 생각함.