[Interview] Nikhil Suresh, Silicon Valley VC in His 20s

URL: https://www.youtube.com/watch?v=HLpPC8HlL7M 날짜: 2026-07-23 채널: chester_roh

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==20대 실리콘밸리 벤처캐피털리스트 Nikhil Suresh가 Stanford, Mercor, Striker Venture Partners를 거치며 본 AI 산업의 프론티어와 한국의 기회에 대해 이야기한다.==

• 자신의 커리어가 Stanford의 네트워크, ChatGPT의 등장, 그리고 Mercor에서의 실전 경험으로 어떻게 형성되었는지 설명한다.
• AI 시장의 가치 사슬(전력·데이터센터·칩·모델·애플리케이션)을 분석하고, 가장 큰 기회를 피지컬 AI(로보틱스)와 바이오에 둔다.
• 한국은 반도체·하드웨어·제조를 갖춘 국가로, 칩 설계·로보틱스·AI 인프라 분야에서 세계적 기회를 잡을 수 있다고 조언한다.

본 인터뷰는 노정석과 김민석(체스터로)이 AI 시장의 기술적·투자적 판도를 20대 투자자의 시선으로 짚어보는 대화다. 개인사, 투자 철학, 산업 전망, 한국 스타트업에 대한 조언이 전반에 걸쳐 다뤄진다.

---

1. Nikhil Suresh의 경력: 엔지니어에서 투자자로

이 섹션에서는 Nikhil이 어떻게 Stanford에서 벤처캐피털리스트로 이동했는지, 그 궤적의 핵심 선택과 계기를 다룬다.

1.1. 어린 시절과 교육: 엔지니어 가정에서 Stanford까지

1. 부모님의 영향과 조기 엔지니어링 경험

   1. 아버지의 경력: Nikhil의 아버지는 Early Warning Services에서 일했으며, 이 회사는 나중에 Zelle을 만들었다. Zelle은 은행 간 송금용 디지털 결제 시스템으로, Venmo와 유사한 역할을 한다.
   2. 아버지의 영향: 아버지는 Zelle 핵심 엔지니어링 작업을 이끌며 제품 개발에 참여했고, Nikhil은 아버지에게 엔지니어링에 관해 많은 것을 배웠다.
   3. 초기 환경: Arizona에서 자라 고등학교를 마친 뒤 Stanford에 진학했다.

2. Stanford 학부·대학원 경험

   1. 학위: Stanford에서 수학 학사(BS Math)와 컴퓨터공학 석사(MS Computer Science)를 받았다.
   2. 초기 포부: 1학년 때는 수학 교수가 되고 싶었다. 사람을 가르치고, 배우고, 순수 연구를 하는 삶에 대한 꿈이 있었다.
   3. 전환점: 수학 연구를 시작한 지 1년도 안 돼서 평생 화이트보드만 바라보며 사는 것이 아니라고 느꼈다. 특히 1학년이 ChatGPT가 처음 출시된 시기와 겹쳐, AI의 잠재력에 매료되었다.

3. 하드웨어에서 소프트웨어로

   1. 고등학교 전공 경험: 고등학교 4년 동안 반도체(하드웨어)를 공부했다.
   2. 대학에서의 목표: 대학에 와서는 소프트웨어 분야를 추가로 탐구하며, 소프트웨어와 하드웨어를 함께 다루고 싶었다.
   3. AI의 잠재력: ChatGPT의 등장은 새로운 역량과 자동화 가능성을 열었으며, 20~30년 동안 순수 수학 연구자로 사는 것이 AI가 이룰 수 있는 일만큼 중요하게 느껴지지 않았다.

4. 초기 스타트업과 연구

   1. 1학년 여름 인턴: 첫해 여름부터 몇몇 스타트업에서 일했다.
   2. VLSI 연구: 하드웨어 칩 설계, 즉 VLSI 회로에 관한 연구도 했으며, 딥러닝 응용을 위해 특화된 회로 설계를 다루었다.
   3. AI 연구 첫 접촉: 이것이 정식 AI 연구를 처음 접한 경험이었고, AI의 가능성에 무척 설렜다.

1.2. 스타트업 시기: 인턴, 창업, 그리고 Mercor

1. 다수의 스타트업 경험

   1. 인턴·파트타임: Stanford 시절 약 7~8개의 스타트업에서 인턴 또는 파트타임으로 일했다.
   2. 주당 20~30시간 근무: 일하는 것과 다른 사람들과 함께 일하는 것을 좋아해서, 스타트업에서 주당 20~30시간씩 일했다.
   3. 실전 학습: 각 스타트업에서 실제 제품과 운영, 팀워크를 직접 경험하며 커리어를 쌓았다.

2. 3학년 창업: 비디오 아바타 스타트업

   1. 창업 계기: 3학년 때 친구들과 함께 자신의 스타트업을 시작했다.
   2. 제품: HeyGen이나 Tavus 같은 비디오 아바타를 만드는 회사였다.
   3. 부트스트랩 운영: 초기에는 투자 없이 부트스트랩으로 운영하며 회사를 키울 수 있다고 생각했다.
   4. 폐업 이유: 비디오 모델을 저렴하고 안정적으로 대규모로 서비스하려면 많은 자금이 필요했고, 결국 회사를 접었다.

3. Mercor 합류와 초기 AI 데이터 사업

   1. 연결고리: 회사를 접은 몇 달 뒤 Mercor에 합류했다. 초기에 제품을 테스트하러 연락했던 곳이 Mercor였다.
   2. 시점: 2023년, Mercor가 시드 라운드를 유치하기 전이었다.
   3. 업무: 리서치 엔지니어링 업무를 이끌었으며, 초기에는 노동 시장과 관련된 일이 많았으나 합류한 지 몇 달 만에 휴먼 데이터로 초점을 전환했다.
   4. 성장: Mercor는 15명에서 현재 500명 이상으로 성장했다.

4. Mercor에서의 프론티어 접근

   1. 주요 랩과 협업: OpenAI, Anthropic, DeepMind, Meta를 비롯한 모든 주요 AI 연구소의 최고 팀과 일했다.
   2. 핵심 질문: 모델 성능을 높이는 데 어떤 데이터가 가장 중요한지, 어떤 eval과 벤치마크를 만들어야 하는지를 다루었다.
   3. 시야 확장: 폭넓은 시야를 얻으며, 이 경험이 투자자로서의 커리어로 이끌었다.

1.3. 투자자로의 전환: Striker Venture Partners

1. 파트너 Max와의 연결

   1. Striker 설립 제안: 파트너 Max가 Striker Venture Partners라는 새로운 투자사를 시작하면서 Nikhil에게 합류를 제안했다.
   2. 초기 반응: Nikhil은 처음에 벤처 투자에 그다지 관심이 없었고, AI 연구소 중 한 곳에서 연구자가 되고 싶었다.
   3. 설득: Max는 투자자로서 프론티어를 폭넓게 보면서 여러 분야의 최고 팀과 일할 수 있다는 점을 설득했다.

2. Striker의 투자 철학

   1. 집중 투자: 1,700만 달러 규모의 첫 펀드에서 약 10건의 투자를 목표로 한다. 현재는 약 7개 회사에 투자했다.
   2. 올인 파트너십: 이사회 자리를 맡아 채용, 전략, 운영, 자금 조달, 컴퓨트 등 회사에 필요한 것을 실질적으로 돕는다.
   3. 위험과 강제력: 투자가 10건뿐이어서 하나라도 잘못되면 펀드 가치가 0에 가까워질 수 있지만, 이는 기준을 높게 유지하도록 강제한다.
   4. 이해관계 일치: 창업자와 투자자가 서로 올인하며, 회사의 성공이 양쪽 모두에게 최선이 되도록 한다.

3. 첫 펀드와 포트폴리오

   1. 펀드 규모: 1,700만 달러.
   2. 투자 분야: 칩 설계·인퍼런스용 AI, 로보틱스용 월드 모델, 비디오 비주얼 reasoning 모델, 사이버보안 등.
   3. 출자자 규모: 출자자 10명으로, 최고 수준의 자본만 받고 최고 수준의 투자만 한다.
   4. 존속 우선: 회사가 어느 시점에서든 계속 살아남을 수 있도록 돕는 것이 가장 먼저 확인해야 할 사항이라고 강조한다.

---

2. Stanford와 인적 네트워크의 가치

이 섹션에서는 Nikhil이 대학, 특히 Stanford 경험을 어떻게 평가하는지, 그리고 인적 네트워크가 그의 커리어에 어떤 영향을 미쳤는지 다룬다.

2.1. 대학의 가치에 대한 Nikhil의 입장

1. 대학 무용론에 대한 반례

   1. 대학 비판: 요즘 젊은 AI 인재들 사이에서 4년간 학교에만 있으면 경험을 놓치고 뒤처진다는 생각이 퍼지고 있다.
   2. Nikhil의 반론: 그 지적은 타당하지만, 대학은 여전히 매우 가치 있는 경험이다. 특히 사람들과의 네트워크, 신뢰 구축, 폭넓은 지식 습득 측면에서 그렇다.
   3. 인턴 병행: Nikhil 자신도 여러 인턴십을 하며 대학에서 배우는 것 너머의 세계를 보려고 했다.

2. Stanford의 커뮤니티와 네트워크

   1. 인연 형성: Stanford에서 만나는 사람들과의 커뮤니티가 성장 과정에서 큰 도움이 된다.
   2. 장기적 시야: 주변 사람들이 5년·10년 뒤를 내다보며 무엇을 연구하는지 볼 수 있고, 이는 세상을 바라보는 방식과 문제의 흥미로움을 판단하는 데 영향을 준다.
   3. 신뢰 형성: 대학은 신뢰를 쌓고 네트워크를 만드는 시기이며, 특정 분야에 갇히지 않은 폭넓은 지식을 얻을 수 있다.

3. 프론티어 리서치 중심 교육

   1. 최신 지식 반영: Stanford의 많은 수업이 프론티어 리서치를 다뤘으며, 매 분기 최신 지식을 반영해 업데이트되었다.
   2. 최고 전문가 강의: 디퓨전, 인텔리전스, 뉴럴 네트워크 분야의 최고 전문가들이 직접 강의했다.
   3. 실제 연구자와의 만남: DeepMind, OpenAI 등에서 일하는 프론티어 연구자들이 수업에 와서 실제 프론티어가 어떤 모습인지 이야기했다.

4. Stefano Ermon의 디퓨전 수업

   1. 어려운 수업: 현재 Inception의 CEO인 Stefano Ermon의 디퓨전 수업은 노트와 인터넷, ChatGPT까지 사용할 수 있었지만 매우 어려웠다.
   2. 프론티어 수준 접촉: 당시 진행되던 프론티어 수준의 디퓨전 리서치를 직접 접할 수 있었다.
   3. 독점적 자료: 해당 교수는 다른 대학에서 쉽게 다루지 않는 많은 자료를 가지고 있었다.

2.2. 고등학교 시절의 연구: 반도체와 물리학

1. 수학에서 물리학으로

   1. 초기 관심: 대학, 아니 고등학교 때부터 수학에 큰 관심을 가졌다.
   2. 물리학 연결: 수학에 대한 관심이 자연스럽게 물리학에 대한 큰 관심으로 이어졌다.
   3. 실험물리학 랩 지원: 실험물리학 관련 연구를 하는 랩에서 일하고 싶어서 200~300명의 교수에게 무작위 이메일을 보냈다.

2. 반도체 연구 경험

   1. 대부분 거절: 200~300명의 교수에게 이메일을 보냈지만 한 분을 제외한 모두가 거절했다.
   2. 나노본딩 연구: 기회를 준 한 분과 일하며, 서로 다른 두 반도체 소재 사이의 나노본딩을 연구하고 서피스 에너지를 살펴보았다.
   3. 실제 대상에 대한 흥미: 실제로 만질 수 있는 현실의 대상, 즉 피지컬 월드의 물리적 분야에 관심이 많았다.

3. Theranos 사건과 바이오 재료 연구

   1. Theranos: 고등학교 1학년 때 Theranos 사건이 알려졌다. 적은 양의 혈액으로 검사할 수 있다고 주장했던 회사였다.
   2. 혈액 분석 연구: 랩에서 반도체를 대상으로 원소 분석과 본딩 프로세스를 연구하던 중, 이 기술을 혈액 분석에 적용할 수 있겠다고 생각했다.
   3. 폴리머 코팅 개발: 혈액을 고체화해 엑스선 광전자 분광법이나 이온 빔 분석 같은 분광 기법으로 분석할 수 있게 해주는 폴리머 코팅을 개발했다.

4. 고등학교 연구의 교훈

   1. 실용적 물리학자: 김민석은 Nikhil을 "실용적인 물리학자" 같다고 평가했다.
   2. 초기 깊이: 고등학생 때부터 하드웨어와 반도체에 깊이 파고든 것은 드문 경우였다.
   3. 지속적 영향: 이 경험은 Nikhil이 하드웨어·칩 설계 분야에 계속 강한 관심을 갖게 한 밑바탕이 되었다.

2.3. 인적 네트워크가 투자 딜에서 어떻게 작용하는가

1. Ricursive 투자 사례

   1. 창업자: Ricursive는 Anna Goldie와 Azalia Mirhoseini가 설립했다.
   2. Azalia와의 인연: Azalia는 Nikhil이 Stanford에서 연구 지도교수였으며, 인퍼런스 프로젝트를 함께 진행했다.
   3. Mixture of Experts: Azalia는 현재 많은 AI 모델에 널리 쓰이는 Mixture of Experts의 공동 개발자 중 한 명이다.
   4. AlphaChip: Anna Goldie와 Azalia는 Circuit Training과 AlphaChip을 공동 개발했으며, AlphaChip은 DeepMind에서 Google의 TPU 4개 세대를 설계하는 데 사용된 최초의 주요 AI 칩 설계 방식이었다.

2. Ricursive에 투자한 이유

   1. 독보적 전문성: 이 팀은 칩 설계 분야에서 최고 수준의 경험을 갖춘 명백한 리더였다.
   2. 신속한 결정: 첫 미팅을 마치자마자 "우리는 여러분에게 투자하고 싶습니다. 어떻게 해야 저희 돈을 받아주시겠습니까?"라고 말했다.
   3. 개인적 관계의 힘: Nikhil은 이 딜에서 개인적 관계가 큰 역할을 했음을 인정한다.

3. Reflection 이사회와의 접근성

   1. 파트너의 이사회 참여: Nikhil의 파트너들은 Reflection의 이사회에 참여하고 있다. Reflection은 미국의 오픈소스 랩으로, Anthropic과 OpenAI를 제외하면 비슷한 곳이 많지 않다.
   2. 프론티어 수준 정보: 이사회 참여를 통해 컴퓨트와 채용 판도에 관한 프론티어 수준의 지식을 얻는다.
   3. 차별화: 대부분의 VC는 이런 회사의 이사회에 참여하지 않으므로, 이것이 Striker의 차별화 요인이다.

4. 채용 지원 능력

   1. 스태프급 연구자 채용: "스태프 및 시니어 스태프급 연구자 채용을 도와드릴 수 있습니다"라고 말할 수 있는 위치에 있다.
   2. 창업자 평판: Nikhil의 파트너들은 창업자들과 함께 좋은 성과를 낸 실적이 있어서, 개인적 관계와 평판이 복합적으로 작용했다.
   3. 정보 우위: 컴퓨트와 모델의 현황, 세상이 향하는 방향에 관한 프론티어 수준의 관점이 딜에서 이길 수 있게 했다.

---

3. AI 시장의 가치 사슬과 투자 전망

이 섹션에서는 Nikhil이 AI 스택의 각 레이어(전력, 데이터센터, 칩, 모델, 애플리케이션)를 어떻게 보는지, 그리고 가치가 어디에 축적될 것인지를 분석한다.

3.1. AI 스택 하부: 전력, 데이터센터, 칩

1. 전력의 제약

   1. 가장 큰 제약: 미국에서 전력은 가장 제약이 큰 자원이다.
   2. 지방정부 반발: 새로운 데이터센터를 가동하는 데 지방정부의 반발이 상당하며, 시간이 오래 걸린다.
   3. 칩 부족과 포토닉스: 칩 부족과 포토닉스, 리소그래피 등 여러 요인이 맞물리며 데이터센터 구축이 지연된다.

2. 칩 확보의 어려움

   1. 미리 확보: 기업들은 2~3년 뒤에 사용할 칩의 임차권을 미리 확보해야 하는 상황이다.
   2. 가격 상승: 정확히 1년 전만 해도 프론티어 칩 가격이 1배 수준이었지만, 지금은 대규모 클러스터를 구축하려면 2~3배의 가격을 내야 한다.
   3. 컴퓨트 집약적 기업의 고민: 컴퓨트 집약적인 회사를 만들고 있다면, 어떤 자원과 투입 요소가 필요한지 일상적으로 고민해야 한다.

3. 가치 축적의 질문

   1. 가치가 어디에 축적될까?: 경제적 관점에서 가치가 칩 쪽, 부지·전력 쪽, 애플리케이션 쪽, 아니면 인프라 레이어 쪽에 축적될지를 평가해야 한다.
   2. 네오클라우드의 희소성: 네오클라우드가 많지만, 모델과 컴퓨트의 희소성은 과소평가되고 있다. 6개월 전에는 네오클라우드 10곳을 찾으면 모두 컴퓨트를 확보했지만, 지금은 매우 어렵다.
   3. 실제 가치 평가: 어떤 레이어가 실제로 가치를 누적하는지를 면밀히 모니터링해야 한다.

4. 오픈소스 모델과 포스트 트레이닝

   1. 오픈소스 모델 확산: 쉽게 포스트 트레이닝할 수 있는 더 나은 오픈소스 모델이 나오고, 포스트 트레이닝 인프라도 확충되고 있다.
   2. 토큰 이코노믹스: Uber, Coinbase 같은 대기업들이 토큰 이코노믹스를 더 현명하게 관리하기 시작했다.
   3. 마진 문제: 작년이나 재작년에는 네거티브 마진으로 운영되는 애플리케이션 레이어 회사가 많았지만, 이제는 모델이나 칩, 핵심 인프라를 소유하지 않으면 경제적으로 실현 가능한 구조를 만들기 어렵다는 것을 깨닫고 있다.

3.2. Mercor에서 배운 데이터 사업의 본질

1. 초기 데이터 과제

   1. GPT-4 시대: Nikhil이 일을 시작했을 때는 GPT-4와 초기 xAI 모델, 일부 DeepMind 모델을 트레이닝하는 시기였으며, reasoning이나 chain of thought는 두드러지지 않았다.
   2. 기초 문제: 초기 모델은 기본적인 수학·물리 문제도 풀지 못했고, "중학교 수준의 수학 문제를 어떻게 풀게 할 것인가?" 같은 과제가 많았다.
   3. 사람 찾기: 데이터 공급업체로서 당장 진행 중인 프로젝트에 투입할 사람을 어떻게 찾을 것인지가 초기 과제의 상당 부분이었다.

2. 데이터 품질과 운영

   1. 프로필 설계: 특정 태스크에 적합한 사람의 프로필은 어떤 모습이어야 하는지, 태스크는 어떻게 구성해야 하는지를 배웠다.
   2. 신뢰할 수 있는 전달: 데이터가 고객인 대형 AI 랩들이 보기에 타당하고 가치 있는 형태로 패키징되도록 운영을 관리하는 것이 중요했다.
   3. 새 프로젝트 제안: AI 랩에 실제로 가치 있는 새로운 프로젝트를 어떻게 제안할지를 알아내는 것도 중요했다. 예를 들어 "당신들의 모델은 이 부분을 잘하지 못하는 것 같습니다"라고 말하는 방식이다.

3. Reasoning과 코딩 데이터

   1. 코딩 데이터 비중: Mercor의 전체 지출 가운데 코딩 데이터가 가장 큰 비중을 차지했다. 랩들은 코딩 성능을 최고 수준으로 끌어올리는 데 큰 관심을 기울였다.
   2. 버티컬 태스크로 이동: reasoning 모델이 나온 이후에는 수학, 물리학, 법률, 바이오, 헬스 같은 버티컬 태스크와 틈새 태스크로 이동했다.

4. 데이터 사업의 과제와 전망

   1. 모델 역량 예측: 데이터 사업에서는 모델 역량이 도달한 지점보다 앞서가며, 현재뿐 아니라 3개월 뒤의 발전까지 예측해야 한다.
   2. 회사 정체성: 전일제 인력 공급 노동 시장 회사에서 시작했지만, 인간 데이터 사업이 엄청난 매출과 성장 잠재력을 제공하면서 회사 정체성을 조율해야 했다.
   3. 데이터 지출 지속: 당시에는 데이터 지출이 지금처럼 계속 증가할 것이 분명하지 않았지만, 실제로는 데이터 지출이 앞으로 몇 년간 계속 증가할 것이다.

3.3. 데이터 라벨링 시장의 경쟁 구도

1. 내부화 논쟁

   1. xAI와 OpenAI의 내부 라벨링: xAI는 한동안 전문가 수준의 라벨링을 내부에서 해왔고, OpenAI 같은 다른 랩도 이 방향으로 전환하기 시작했다.
   2. 시장의 두 영역: 데이터 지출은 AI 모델을 위한 eval·벤치마크·인간 데이터 영역과, 기업을 위한 verifier·오픈소스 모델용 RL 환경 영역으로 나뉜다.
   3. 기업 시장의 잠재력: Nikhil은 기업 쪽 데이터 환경 시장이 실제로 거대하며, 지식 노동 시장이 수조 달러 규모이므로 데이터 지출도 그에 비례할 것이라고 본다.

2. 데이터 라벨링 회사의 입지

   1. 경쟁 시장: Snorkel, Mercor, Surge, AfterQuery 같은 회사들이 이미 존재한다.
   2. 실행의 문제: 고품질 데이터를 제공하면서 고객 납품이 제때 이루어지도록 하는 것이 핵심이다.
   3. Mercor의 강점: Mercor는 역사적으로 이 부분을 매우 잘해왔다. 다양한 태스크 세트 전반에 걸쳐 수많은 벤치마크를 만드는 전문성이 강점이다.

3. 랩의 내부화 한계

   1. 자원 집중: 랩들이 자체 운영 체계를 구축할 수는 있겠지만, Mercor가 매끄러운 체계로 운영해 온 규모만큼의 자원이 있는지 의문이다.
   2. 우선순위 충돌: OpenAI는 모델 트레이닝 쪽과 데이터 생성 쪽 중 어디에 우선순위를 둘까?
   3. 시장 유지: 따라서 외부 데이터 라벨링·eval 전문 회사들은 여전히 강력한 입지를 유지할 것이다.

4. 기업 자체 eval 환경의 등장

   1. 콘텍스트와 기업 데이터: 기업의 자체 활동 기록과 데이터를 활용하는 것이 올해의 큰 주제라고 본다.
   2. 와트당 지능: Stanford의 Hazy Research와 Scaling Intelligence 그룹에서 제시한 "와트당 지능"(특정 태스크를 완료하는 데 드는 비용을 Wh로 측정)은 토큰 수, 와트당 비용, 토큰당 비용을 모두 포괄하는 중요한 지표이다.
   3. 비용 하락: 이 수치가 6개월 단위로 점차 낮아지고 있으며, 기업의 대규모 멀티에이전트 프레임워크가 상업성을 확보하는 방향으로 나아가고 있음을 보여준다.

---

4. 가장 큰 기회: 피지컬 AI(로보틱스)와 바이오

이 섹션에서는 Nikhil이 100점 만점으로 평가했을 때 어떤 분야에 가장 큰 가중치를 두는지, 그리고 피지컬 AI와 바이오가 왜 중요한지를 설명한다.

4.1. 피지컬 AI(로보틱스)에 40~50점

1. 피지컬 AI의 GPT 모먼트

   1. 현재 위치: Nikhil은 피지컬 AI가 지금 LLM의 GPT-2 시점에 더 가깝다고 본다.
   2. 파운데이션 모델 등장: Skild, Physical Intelligence, Generalist 같은 회사들이 로보틱스용 파운데이션 모델을 만들고 있다.
   3. 버티컬 활용: 이런 모델은 버티컬 SaaS 회사와 유사한 형태로 로보틱스에 활용될 것이다. 예를 들어 건설 회사들이 파인튜닝된 π 모델을 굴착기와 드릴에 사용하기 시작했다.

2. 로보틱스 데이터의 어려움

   1. LLM과의 차이: LLM에는 인터넷 전체가 데이터 소스로 있었지만, 로보틱스는 데이터를 직접 제작하고 구성해야 한다.
   2. 센서와 환경: 특정 응용 분야에 맞는 센서를 장착하고, 실제 세계나 시뮬레이션에서 데이터를 늘려 스케일업해야 한다.
   3. 월드 모델: 새로운 월드 모델 회사들이 많이 등장하고, Genie, Dreamer, GR00T, NVIDIA Cosmos 등에서 많은 개발이 이루어지고 있다.

3. 아키텍처 진화

   1. VLA에서 월드 액션 모델로: VLA(Visual-Language-Action)와 VLM에서 시작해 서서히 월드 액션 모델(World Action Model)로 이동하고 있다.
   2. 스케일링 법칙: LLM에서 그랬던 것처럼 로보틱스에서도 스케일링 법칙이 나타나기 시작했다.
   3. 확장 가능성: 제조와 조립 라인 태스크에 범용 파운데이션 모델이 더 큰 규모로 배포되면서 확실한 매출을 내기 시작하고 있으나, 얼마나 다양한 영역으로 확장될 수 있느냐가 문제이다.

4. 피지컬 AI의 보호 장벽

   1. 데이터 독점성: 물리적 환경에서 데이터를 수집하고 테스트하려면 어떤 형태로든 물리적 환경이 필요하므로, 프론티어 랩들이 쉽게 진입하지 못하는 영역이다.
   2. 시장 타이밍: 피지컬 AI는 아직 다소 이르고 발전에 시간이 더 필요한 분야도 있지만, 큰 돌파구가 나올 시점에 가까워지고 있다.
   3. 투자 집중: Nikhil은 현재 100점 중 40~50점을 피지컬 AI에 배분할 것이라고 말했다.

4.2. 바이오에 30~40점

1. 바이오가 다음 프론티어인 이유

   1. 랩들의 초점: Anthropic, OpenAI 등 프론티어 랩들이 생명과학 팀을 구축하고 신약 개발 정책을 마련하고 있다.
   2. 인류 문명의 프론티어: 생물학은 인류 문명의 가장 큰 프론티어 중 하나이며, 경제적으로도 해결해야 할 가장 중요한 문제 중 하나이다.
   3. 장수 문제: 특히 장수가 그런 문제 중 하나라고 본다.

2. 주요 바이오 AI 스타트업

   1. Isomorphic, Chai Discovery, Lila Sciences, Edison Scientific: 충분한 자본을 확보하고 이러한 문제들을 해결하려는 모습을 보이고 있다.
   2. Wet lab 연결: Codex와 에이전트를 wet lab에 연결해 신약을 개발하고, 바이오를 위한 실제 파운데이션 모델을 만드는 접근법이 있다.
   3. 과학을 위한 AI 플랫폼: Google, Anthropic, Edison Scientific에서 볼 수 있는 과학을 위한 AI 플랫폼도 중요하다.

3. 자동화된 연구

   1. 온라인 논문 활용: 온라인의 다양한 연구 논문에 담긴 모든 정보를 가져와 일종의 자동화된 연구로 구성하고 새로운 발견을 이끌어내는 것이 중요하다.
   2. 실제 랩과의 결합: 실제 랩과 함께하든 여러 에이전트만 활용하든, 이 영역이 무척 흥미롭다고 본다.
   3. 5년 후 바람: 5년 뒤에는 신약 개발에서 후보 물질을 발굴하는 데 걸리는 시간이 매우 짧아지고, 임상 단계의 실험도 더 빨라지기를 바란다.

4. 바이오 다음의 장기적 미래

   1. 인간 커뮤니티: 포스트 AGI의 장기적 상황에서 중요해지는 것은 사람들의 커뮤니티를 어떻게 만들 것인가이다.
   2. 의미 있는 교류: 사람들이 더 오래 살면서 더 많은 일을 하고 더 많은 것을 탐험하게 되는 상황에서, 서로 의미 있게 교류할 수 있는 수단과 제3의 공간을 계속 누리게 하려면 어떻게 해야 할까?
   3. 초점 이동: AGI가 핵심 문제들을 해결하고 필요한 모든 것을 구축할 수 있다면, 초점은 인간과 인간 사이의 연결을 어떻게 키우고 삶을 정말 살 만한 것으로 만들 것인가에 맞춰진다.

4.3. 그 외 관심 분야: 에이전트, 과학 AI, 커뮤니티

1. 에이전트 시대의 도래

   1. 2026년은 에이전트의 해: 올해는 모델들이 충분한 역량을 갖추고, 기업들도 AI를 더 사용하려 하기 때문에 에이전트의 해이다.
   2. 디지털 노동 시장: 발전이 필요한 거대한 디지털 노동 시장이 있고, 에이전트를 통해 그 시장을 고도화할 수 있다.
   3. 프로덕션 시스템 구축: 실제 프로덕션 시스템에서 에이전트를 어떻게 구축하는지에 대한 통찰이 중요하다.

2. 에이전트 스타트업의 경쟁

   1. 시장 포화: 에이전트 구축 역량은 누구나 쉽고 빠르게 익힐 수 있어, 많은 사람이 창업하고 시장이 이미 상당히 포화되어 있다.
   2. 차별화의 중요성: 단순히 "빠르게 움직일 수 있다"는 이유만으로는 부족하다. 왜 이 분야에 적합한 사람인지, 왜 이 일을 해야 할 사람이 바로 당신인지를 스스로에게 물어야 한다.
   3. 포지셔닝: 시장에서 어떻게 자리를 잡고, 어디에 포지셔닝해야 제대로 경쟁할 수 있을지를 파악하는 것이 중요하다.

3. 자율 기업과 멀티에이전트 구조

   1. 자율 기업 개발: 많은 신생 스타트업이 자율 기업 구축에 뛰어들고 있다.
   2. 지주회사 모델: 한 사람이 최상위 회사를 운영하고, 그 회사의 에이전트들이 여러 회사를 만들며, 그 회사들은 완전히 자율적으로 운영되고 오직 에이전트를 통해 서로 연결되는 구조가 될 수도 있다.
   3. 디지털 노동자의 연결: 산업혁명 당시 증기기관과 선박으로 세상이 엄청나게 연결됐던 것처럼, 이제는 자율적으로 이동하고 소통하며 trust graph와 관계를 구축할 수 있는 디지털 노동자가 생기는 것이다.

4. 모델 해석 가능성에 대한 관심

   1. Anthropic의 연구: Anthropic은 최근 모델이 어떻게 생각하는지와 기계론적 해석 가능성에 관한 매우 흥미로운 논문들을 발표했다.
   2. The J-Space: Anthropic이 발표한 'The J-Space' 논문은 모델들의 내부 프레이밍이 실제로 어떤 모습인지에 관한 연구 결과를 공개했다.
   3. 싱귤래리티 개념에 대한 몰두: 많은 연구자가 하나의 초강력 모델이 등장한다는 싱귤래리티 개념에 상당히 몰두해 있으며, 이에 대한 반작용으로 모델 내부를 이해하려는 연구가 성장하고 있다.

---

5. 한국의 기회와 조언

이 섹션에서는 Nikhil이 한국이라는 국가와 한국 창업가·엔지니어에게 어떤 기회와 조언을 남기는지 다룬다.

5.1. 한국이 갖춘 강점

1. AI 인재와 제조·하드웨어 역량

   1. 희소한 조합: 한국은 뛰어난 AI 인재와 제조 역량, 하드웨어를 모두 갖춘 몇 안 되는 나라 중 하나이다.
   2. 소버린 랩 가능성: 실제로 소버린 랩을 구축할 가능성이 있는 나라도 세계에 몇 곳뿐이며, 한국은 그다음 국가가 될 수 있다.
   3. 인재 밀도: 소프트웨어와 하드웨어 양쪽의 인재 밀도가 높다.

2. 세계적 기업과 생태계

   1. Samsung: 훌륭한 회사이며, 파운드리도 보유하고 있어 TSMC의 경쟁사이다.
   2. SK hynix: 메모리 분야의 훌륭한 회사이다.
   3. 역사적 강점: 한국은 역사적으로 하드웨어, 특히 전자공학과 반도체에 매우 강했다.

3. 차세대 AI 강국 가능성

   1. 역량 개발: 한국이 AI 전선의 차세대 강국 중 하나가 될 가능성이 충분하다.
   2. 할 수 있는 일이 많다: Nikhil은 한국이 할 수 있는 일이 정말 많다고 본다.
   3. 지금이 활용할 때: 지금이야말로 하드웨어와 소프트웨어 양쪽의 인재 네트워크를 제대로 활용할 때라고 강조한다.

5.2. 한국 스타트업에 대한 투자 조언

1. 하드웨어, 특히 칩 분야

   1. 첫 번째 선택: Nikhil이 지금 한국 스타트업에 투자한다면 가장 먼저 하드웨어 분야, 특히 칩 설계를 볼 것 같다고 말했다.
   2. 반도체와 메모리: 반도체와 메모리, 특정 아키텍처에 특화된 인퍼런스 칩을 만드는 분야에 관심이 있다.
   3. 세계 최고 수준: 한국은 전자공학과 하드웨어 분야에서 세계 최고 수준에 속하므로 고민할 필요가 없는 선택이다.

2. 로보틱스와 피지컬 AI

   1. 피지컬 AI: 하드웨어에 대한 질문에서 Nikhil은 피지컬 AI도 포함하지만, 칩 분야를 더 생각하고 있었다고 답했다.
   2. 데이터센터 부품: 데이터센터를 구축하려면 많은 부품이 필요하며, 한국은 이 생태계에서 강점을 가질 수 있다.
   3. SemiAnalysis 파티: 인터뷰 당일 저녁에 SemiAnalysis와 함께하는 파티가 있었고, 그곳에서 한국의 뛰어난 칩 스타트업들을 많이 만날 수 있을 것이라고 언급했다.

3. 창업가와 엔지니어에게

   1. 흥미로운 문제가 많다: 세상에는 정말 흥미로운 문제가 많다.
   2. 가장 어려운 문제에 도전: 해결해야 할 가장 크고 어려운 문제가 무엇인지 찾아내고, 가능한 한 가장 똑똑한 사람들을 모아 사람들의 삶을 실질적으로 바꿀 수 있다고 생각하는 문제에 진지하게 도전해야 한다.
   3. 인재 네트워크 활용: 한국에는 하드웨어와 소프트웨어 양쪽 모두에 훌륭한 인재 네트워크가 있으며, 지금이 이를 활용할 때이다.

5.3. 인터뷰에서 드러난 Nikhil의 사고 방식

1. 모든 창업자가 스스로에게 던져야 할 질문

   1. 왜 당신이 적합한가?: 에이전트 스타트업을 예로 들며, "무엇을 위한 제품을 만들 건가요?"와 "왜 이길 수 있다고 생각하나요?"에 대한 답변이 중요하다.
   2. 속도만으로는 부족: "빠르게 움직일 수 있기 때문입니다"라는 답은 아무 의미가 없다. 모두가 그렇게 생각하기 때문이다.
   3. 적합성과 사명: 왜 이 일을 해야 할 사람이 바로 당신인지, 이 분야에 적합한 사람인지를 명확히 해야 한다.

2. 예측 불가능성을 인정하는 태도

   1. 5년 후 예측: "5년 뒤 AI에서 가장 큰 변화는 무엇일까요?"라는 질문에 Nikhil은 "솔직히 모르겠다"고 답했다.
   2. 변화 속도: 세상이 훨씬 더 빠르게 변하고 있으며, 이제는 아예 예측하지 못하겠다는 생각이 든다.
   3. 많은 프로젝트: 정말 많은 훌륭한 사람이 수많은 훌륭한 프로젝트를 진행하고 있어서 예측이 어렵다.

3. 긍정적 영향을 주는 일의 중요성

   1. 창업에서 투자로: 에이전트 스타트업을 그만두고 투자에 뛰어든 이유는, 더 흥미롭고 더 많은 사람에게 도움이 될 수 있는 문제들이 있다고 생각했기 때문이다.
   2. 투자의 영향력: 많은 사람에게 매우 긍정적인 영향을 미칠 수 있는 아이디어에 투자함으로써 변화를 만들어낼 수 있다고 생각했다.
   3. 지속 가능한 사업: 정말 의미 있고 지속 가능하며 10~15년을 바칠 수 있는 사업을 만들고 싶었는데, 당시 에이전트 사업은 그것이 아니었다고 판단했다.

---

주요 발언 모음

"Stanford에서 수학 학사와 컴퓨터공학 석사 학위를 받았습니다. Stanford 1학년 때는 사실 수학 교수가 되고 싶었습니다."

"ChatGPT가 출시되었을 때는 정말 크게 놀랐습니다. 새롭게 열린 역량이 너무나 많았고, 세상의 여러 가지 일을 자동화하거나 다양한 측면을 탐구할 방법도 아주 많아졌습니다."

"Mercor는 15명에서 현재 500명 이상으로 성장했을 뿐만 아니라, OpenAI, Anthropic, DeepMind, Meta를 비롯한 모든 주요 랩의 최고 AI 팀들과 일할 수 있었습니다."

"Striker에서 투자자로 일하는 것은 프론티어를 폭넓게 보고 여러 분야의 최고 팀들과 일하면서 얼마나 깊고 넓게 들어갈지를 스스로 조절할 수 있습니다."

"저희 첫 번째 펀드의 규모는 1,700만 달러입니다. 지금까지 약 7개 회사에 투자했으며, 약 10건의 투자를 목표로 합니다."

"개인적으로 지금 당장을 기준으로 말씀드리면, 로보틱스와 피지컬 AI 파운데이션 모델이 매우 중요한 분야라고 생각합니다. 지금은 피지컬 AI의 GPT 모먼트와 비슷합니다."

"칩을 개선하는 데 걸리는 시간을 1년 반에서 단 몇 주로 줄일 수 있다면 엄청난 돌파구입니다."

"나머지 60점을 어디에 배분하겠느냐고 묻는다면 그중 30~40점 정도는 바이오에 줄 것 같습니다. 바이오는 다음의 큰 프론티어 중 하나라고 생각합니다."

"한국은 뛰어난 AI 인재와 제조 역량, 하드웨어를 모두 갖춘 몇 안 되는 나라 중 하나이기 때문에 정말 흥미롭다고 생각합니다."

"한국이 세계 최고 수준에 속하는 분야라고 생각합니다. 세계 거의 누구보다 뛰어난 지식과 전문성을 갖추고 있으니 고민할 필요가 없는 선택이죠."

"5년 뒤 AI에서 가장 큰 변화는 무엇일까요? 글쎄요. 솔직히 모르겠습니다. 세상이 훨씬 더 빠르게 변하고 있는 것 같습니다."

"세상에는 정말 흥미로운 문제가 많습니다. 한국에는 하드웨어와 소프트웨어 양쪽 모두에 훌륭한 인재 네트워크가 있으며, 지금이야말로 이를 제대로 활용할 때라고 생각합니다."

---

핵심 데이터 & 수치

• Nikhil Suresh의 학위: Stanford 수학 학사(BS Math), 컴퓨터공학 석사(MS Computer Science).
• Mercor의 성장: Nikhil 합류 당시 15명에서 현재 500명 이상으로 성장.
• Striker 첫 펀드 규모: 1,700만 달러.
• Striker 투자 목표: 펀드 전체를 통틀어 약 10건 집중 투자. 현재 약 7개 회사에 투자.
• Striker 포트폴리오 분야: 칩 설계·인퍼런스용 AI, 로보틱스용 월드 모델, 비디오 비주얼 reasoning 모델, 사이버보안.
• AI 시장 가중치(100점 만점): 피지컬 AI(로보틱스) 40~50점, 바이오 30~40점, 나머지는 에이전트 인프라·과학 AI 등에 분배.
• 로보틱스 위상: Nikhil은 피지컬 AI를 LLM의 GPT-2 시점에 비유.
• 칩 가격: 대규모 클러스터 구축 시 1년 전보다 2~3배 가격을 지불해야 하는 상황.
• 와트당 지능: Stanford Hazy Research / Scaling Intelligence에서 제시한 지표. Nikhil은 이 지표가 6개월 단위로 빠르게 낮아지고 있다고 언급.
• 한국 강점: AI 인재, 제조, 하드웨어(특히 반도체·메모리·파운드리)를 모두 보유.

---

결론 및 시사점

1. 20대 투자자의 시각: Nikhil Suresh는 Stanford, Mercor, Striker를 거치며 AI 프론티어를 현장에서 보고, 집중 투자를 통해 창업자와 올인하는 모델을 실천하고 있다.
2. 네트워크와 현장 경험의 가치: 그의 투자 딜은 개인적 관계, 연구자 네트워크, 이사회 참여를 통한 정보 우위에 크게 의존한다. 이는 일반 투자자가 쉽게 복제하기 어려운 부분이다.
3. AI 가치 사슬의 현재: 전력·데이터센터·칩의 병목이 커지고, 오픈소스 모델과 포스트 트레이닝의 발전으로 애플리케이션 레이어의 마진 압박이 심화되고 있다.
4. 가장 큰 투자 기회: 피지컬 AI(로보틱스)와 바이오가 다음 5년의 가장 큰 프론티어이며, 특히 피지컬 AI는 지금 GPT-2 시점에 가깝다.
5. 한국의 기회: 반도체·하드웨어·제조 역량을 갖춘 한국은 칩 설계, 로보틱스, AI 인프라 분야에서 세계적 기회를 잡을 수 있으며, 지금이 그 역량을 활용할 적기이다.
6. 창업가의 자기 질문: 모든 창업자는 "왜 이 일을 해야 할 사람이 바로 나인가?"라는 질문에 명확한 답을 가져야 한다. 속도만으로는 차별화가 되지 않는다.
7. 예측 불가능성을 인정하라: AI의 변화 속도가 너무 빨라져 5년 후를 예측하기 어렵다. 따라서 현재 가장 뛰어난 팀과 가장 큰 문제에 집중하는 것이 중요하다.

---

메타데이터

• 원본 영상: [Interview] Nikhil Suresh, Silicon Valley VC in His 20s
• 채널: chester_roh
• video_id: HLpPC8HlL7M
• drop_date: 2026-07-23
• 처리일: 2026-07-23
• 카테고리: startup
• 요약 메시지: Telegram, Slack #newsfeed 동시 전송
• 저장 경로: /Users/flowkater/Obsidian/flowkater/flowkater/Study/YouTube다이제스트/2026-07-23-chester_roh-Nikhil-Suresh-Interview.md