AI가 혁신의 경제학을 바꾸는 방식

URL: https://www.youtube.com/watch?v=GHPB1MwlKU0 날짜: 2026-08-27 채널: a16z 원문 제목: How AI Changes the Economics of Innovation 출연: Erik Torenberg, Martin Casado, Steven Sinofsky

---

📌 핵심 질문 / AI는 수학·소프트웨어·혁신의 경제적 제약을 어떻게 바꾸는가

==AI는 기존의 계산 도구처럼 인간이 정의한 문제를 더 높은 추상화 수준에서 처리하는 단계를 넘어, 문제의 논리와 목표를 모델에 위임하는 새로운 컴퓨팅 계층을 만들고 있다. 동시에 모델의 능력은 공학 인력의 부족보다 자본·컴퓨트의 투입량에 의해 제한되는 쪽으로 이동하고 있다.==

• 수학 문제를 푸는 능력은 흥미로운 추상화의 신호이지만, 그 자체로 현실의 물리 현상이나 경제적으로 중요한 병목을 해결한다는 증거는 아니다.
• 계산기·컴퓨터·클라우드가 그랬듯 새 도구는 문제를 없애기보다 사람들이 직접 다뤄야 할 추상화 수준을 바꾼다.
• 오늘날의 모델은 기존 프로그램처럼 인간이 알고리즘과 최종 상태를 명시하는 대신, 자연어 입력을 바탕으로 유용한 결과를 통계적으로 산출한다.
• 과거에는 10명 또는 20명의 팀에 거액을 주어도 공학 복잡도 때문에 쓸 수 없었지만, 현재의 AI 모델 개발에서는 충분한 자본이 곧 컴퓨트·토큰·모델 능력으로 전환된다.
• 이 전환은 스타트업과 대기업의 경쟁, 벤처캐피털의 시장 규모, 소프트웨어로 아직 다루지 못한 업무, 과학적 발견의 가능성과 위험을 동시에 재편한다.

1. 수학 성과가 보여주는 것과 보여주지 않는 것

1.1. 리만 가설 사례와 수학자의 양분된 반응

1. Claude에 리만 가설을 풀도록 요구한 사례

   1. Jared가 Claude에게 리만 가설(Riemann hypothesis)을 풀라고 시키고 “더 열심히 시도하라”고 했다는 게시물이 화제가 됐다.
   2. 실제로 진전이 있었는지는 불분명하지만, AI가 수학에서 이전과 다른 성취를 보이는지 묻는 상징적 사례가 됐다.
   3. 질문의 핵심은 특정 정리의 정답 여부보다, 수학적 추론의 진전이 무엇을 뜻하는지와 그것이 AGI(Artificial General Intelligence)의 경로인지에 있다.

2. 성취를 바라보는 두 집단

   1. 한쪽은 내용을 완전히 이해하지 못해도 어려운 문제가 풀린다는 사실 자체에 크게 흥분한다.
   2. 다른 쪽은 AI가 가짜 능력을 보이거나 일자리를 없애고 사람을 멍청하게 만들 것이라고 우려한다.
   3. 정작 가장 크게 영향을 받는 수학자들이 가장 흥분하는 경우가 많다는 점이 두려움 중심의 관점을 혼란스럽게 만든다.
   4. 수학자 중에는 AI가 자신의 업무 중 싫어하던 20%를 대신해 주므로 새 연구 프런티어를 탐색할 수 있다고 말하는 사람이 있다.
   5. 반대로 일부 수학자는 자신의 존재 이유가 사라지는 듯한 실존적 위기를 겪는다. “AI가 암을 해결했다면 암 연구자는 우울해하기보다 기뻐했을 것”이라는 농담은 문제의 사회적 가치와 개인의 업무 가치가 다를 수 있음을 찌른다.

1.2. 경제적 효용을 기준으로 본 수학 문제

1. 오래된 난제가 곧 시장 수요는 아니다

   1. Martin Casado는 AI를 평가할 때 경제적 효용(economic utility)을 중요한 기준으로 봐야 한다고 말한다.
   2. 어떤 수학 문제에 수많은 시간이 투입됐더라도, 수년에 걸쳐 그 문제를 연구한 박사후연구원(postdoc)들의 급여 총액은 매우 작을 수 있다.
   3. 그런 문제들은 어렵다는 사실과 별개로, 시장이 거대한 보상을 걸고 해결을 요구한 적이 없을 수 있다.
   4. 따라서 AI가 장기간 풀리지 않은 문제를 해결했다는 사실만으로 거대한 경제적 가치가 해방됐다고 검증할 수 없다.

2. AI가 수학에 강한 이유

   1. 수학은 거의 순수하게 공리적(axiomatic)인 영역이며, 서로 먼 분야의 지식을 넓게 알고 조합하면 되는 문제가 많다.
   2. 사람들이 “새 해법을 발견했다”고 소개하는 결과도 실제로는 한 사람이 몰랐던 다른 분야의 수학 도구를 빌려온 비교적 직선적인 조합인 경우가 있다.
   3. AI는 대부분의 인간이나 교육 과정이 감당하기 어려운 폭넓은 지식을 한 번에 훑고 조합하는 데 유리하다.
   4. 이 능력은 공리적 시스템과 게임처럼 규칙이 닫힌 영역에는 강하지만, 시장이 아직 해결하지 못한 현실 문제의 병목을 풀었다는 뜻은 아니다.

3. 수학은 시장의 선행 지표일 수 있지만 증명은 아니다

   1. Steven Sinofsky는 수학이 시장이 관심을 가질 만한 영역을 미리 보여주는 선행 지표(leading-edge indicator)일 수 있다고 본다.
   2. 학창 시절 AT&T에서 선형대수(linear algebra)를 계산하는 새 알고리즘을 만들었다는 사례가 소개됐다. 당시 성과의 설명은 United Airlines의 항공편 지도를 지난주보다 3시간 빨리 계산할 수 있다는 식이었다.
   3. 선형대수는 오늘날 AI의 핵심이지만, 그 알고리즘이 실제 경제적으로 중요한 작업의 결정적 장애물을 제거했는지는 별도로 확인해야 한다.
   4. 시장이 정말 큰 가치를 발견했다면, 연봉 3만 달러를 받는 박사후연구원이 5년간 혼자 고민하도록 내버려두기보다 시장 자원이 먼저 몰렸을 가능성이 크다.

1.3. 수학과 현실의 간극

1. “수학을 풀면 모든 것을 예측한다”는 비약

   1. 일부 창업자는 우주의 근본 원리가 수학으로 표현되므로 수학과 추론의 기반을 해결하면 모든 질문에 답할 수 있다고 주장한다.
   2. 반대편은 수학적 해법이 현실에 대해 아무것도 말해 주지 않을 수 있다고 지적한다.
   3. 12차원 공간이 무엇인지, 그 공간이 가늘거나 작은지조차 직관적으로 이해하기 어렵다는 농담은 수학적 성취와 현실 모델 사이의 거리감을 드러낸다.
   4. AI가 역대 최고의 StarCraft 플레이어가 되는 것과 현실의 경제·물리 문제를 푸는 것은 모두 강력하지만 서로 다른 능력일 수 있다.

2. 물리 시뮬레이션의 경험적 기반

   1. Martin은 별의 폭발, 비행기 주변의 공기 흐름, 풍동(wind simulator) 같은 대형 시뮬레이션 코드를 다뤘다.
   2. 시뮬레이션은 많은 미분방정식(differential equation)을 계산하지만, 그 방정식은 온도와 압력 등을 실제로 측정한 경험적 방정식 상태(equation of state)에 기반한다.
   3. 별이 폭발할지, 건물이 버틸지 같은 질문은 단순한 공리 조작과 다르며, 시뮬레이션을 실제로 실행해야 하는 계산적으로 환원 불가능한(computationally irreducible) 영역일 수 있다.
   4. 수학 문제를 모두 풀 수 있다는 주장과 물리 현상을 정확히 예측할 수 있다는 주장은 현재로서는 연결 고리가 부족하다.

2. 계산 도구가 만든 추상화의 역사

2.1. 네 색 정리와 컴퓨터가 제공한 우회 증명

1. 네 색 정리의 내용

   1. 평면 지도는 인접한 두 영역이 같은 색을 갖지 않도록 네 가지 색만 사용해 칠할 수 있다.
   2. 다섯 번째 색이 필요한 평면 지도는 존재하지 않는다.

2. 계산을 통한 증명

   1. 이 정리는 미적분처럼 사람이 한 번에 이해하는 짧은 증명으로 해결되지 않았다.
   2. 연구자들은 가능한 해의 조합 수가 유한하다는 점을 증명한 뒤, 그 유한한 경우를 모두 컴퓨터로 계산했다.
   3. 실제 증명은 약 200쪽에 걸친 조합의 나열에 가깝고, “모든 경우가 네 색으로 충분하다”는 결론을 계산으로 확인하는 우회적(bankshot) 증명이다.
   4. 계산 자원이 없었다면 불가능했던 방식이지만, 위상수학(topology)에서 강한 경계(bounds)를 세우는 등 실용적 응용도 제공했다.

3. 새 추상화의 의미

   1. 한 단계 높은 추상화가 “이 종류의 문제 전체를 풀 수 있다”고 말하면, 사람들은 내부 표현을 매번 처음부터 만들지 않고 그 추상화 위에 도구를 쌓을 수 있다.
   2. 인간이 2-3 트리(two-three tree)의 표현을 매번 고민하지 않아도 되는 것처럼, 새로운 계산 계층은 문제 해결의 출발점을 위로 올린다.

2.2. 주판에서 슬라이드 룰과 계산기로

1. 주판과 케르타(Kerta)

   1. Steven은 베이징 시장에서 관광객에게 프랑스어로 설명하던 주판을 7센트까지 흥정해 샀다고 농담한다.
   2. 오스트리아식 원형 슬라이드 룰인 케르타는 커피 그라인더나 후추 분쇄기처럼 생겼고, 옆면에 수를 설정한 뒤 한 방향으로 돌려 더하고 다른 방향으로 돌려 뺀다.
   3. 케르타는 로그 계산기가 아니라 산술(arithmetic) 도구이며, 20세기 중반 제품으로 Steven의 삼촌이 전쟁에서 가져왔다.
   4. 내부에는 정밀 가공된 금속 부품 약 600개가 들어 있고, 오늘날 같은 제품을 만들면 약 5만 달러가 들 수 있다. Steven은 발표를 준비하며 실제 사용법도 다시 익혔다.

2. 계산기가 교사의 역할을 위협한 순간

   1. TI-85 그래핑 계산기가 등장하자 수학 교사들은 종이에 XY 방정식의 그래프를 그리게 하던 수업이 끝났다고 걱정했다.
   2. Steven이 처음 접한 TI-35는 퍼센트와 팩토리얼(factorial) 정도만 제공했고, 표시할 수 있는 가장 큰 계산은 59 팩토리얼이었다.
   3. 그의 대학 시절에는 계산기 금지 수업이 있었고, 그래핑 계산기 세대 학생들은 시험 답안지에 풀이 과정을 전부 적어 계산기를 사용하지 않았음을 증명해야 했다.
   4. 계산기는 시험 문제가 요구하는 작업을 직접 수행했기 때문에 부정행위처럼 느껴졌다. 변화 자체가 아니라 이미 기준선이 된 기술은 덜 위협적으로 느껴진다는 심리가 작동했다.

3. Maxima와 MUMath

   1. MIT에서 1960년대 말과 1970년대 초부터 개발된 Maxima는 기호 수학(symbolic math)과 기계 보조 계산을 제공했다.
   2. 학생은 적분(integral)을 컴퓨터에 직접 입력할 수 있었고, Mathematica를 처음 본 사람은 “이건 마법 같다”고 반응할 정도였다.
   3. IBM PC에서 돌아가는 MUMath가 공학 수업에 들어오자 학생들은 공학 도서관에서 PC 디스크를 빌려 미적분 숙제의 답을 입력했다.
   4. 계산기가 시험 문제를 대신 풀어 주는 일이 부정행위로 여겨졌던 것처럼, 상징 수학 시스템도 인간이 직접 해야 한다고 믿던 논리를 흔들었다.

2.3. 전쟁·조류·컴퓨터 산업이 만든 계산 수요

1. 미분 계산과 초기 컴퓨터

   1. 차분기관(difference engine)은 적분을 계산하려는 장치였고, 조수(tide)를 계산하는 데서도 경제적 가치가 발생했다.
   2. 이후 계산 기술은 포탄과 미사일의 탄도표를 만드는 전쟁 노력에 활용됐다.
   3. 자동 계산 장치는 특정 수학 작업에서 인간보다 약 5,000배 빠르고 실수를 줄였다.
   4. Bletchley Park의 암호 해독은 전쟁에서 승리하는 결과로 이어졌고, ENIAC은 핵 연구와 군사 연구에서 손으로 적분하던 작업을 대체했다.

2. 계산의 파급효과

   1. 미사일 계산표와 전쟁용 계산은 우주 경쟁, 제트 엔진, 공장 자동화로 이어졌다.
   2. 당시 물리학자와 대중은 컴퓨터를 인류를 구하는 도구로 받아들였고, 부모들은 자녀에게 Westinghouse와 GE의 수학 대회에서 우승하라고 권했다.
   3. 냉전이 그 문화를 크게 밀어붙였지만, 더 넓게는 계산이 미래를 만든다는 기대가 사회에 자리 잡았기 때문이다.

3. IBM의 1953년 미래 안내서

   1. IBM의 1953년 브로슈어 『Light on the Future』는 컴퓨터가 무엇인지조차 아직 정해지지 않은 시대에 컴퓨팅의 미래를 설명했다.
   2. 표지에는 핵과 원자가 머리 주변을 도는 사람, 로켓과 실험관 같은 조명, 뒤편의 오실로스코프 파형이 등장했다.
   3. 브로슈어는 ENIAC 시대에서 IBM 704와 370 이전의 독자에게 16진수·10진수·2진수를 로마 숫자와 비교해 설명하고, 산술 장치(arithmetic unit), 이진 숫자(binary digit), 비트(bit), 음극선관(cathode-ray tube) 같은 용어 사전까지 제공했다.
   4. “바퀴의 유용성을 발명하고 알아보는 데 수백만 년이 걸렸다”는 문장으로 기술의 의미를 설명할 만큼, 독자는 컴퓨터의 기본 개념을 아직 공유하지 않았다.

2.4. 컴퓨터 구조에서 시스템 추상화로

1. 75년간의 표준 구조

   1. 디지털 컴퓨터의 조직은 입력(input), 저장(storage), 산술(arithmetic), 제어(control), 출력(output)으로 설명됐다.
   2. 네트워킹(networking)은 제어의 일부처럼 보이지만, 패킷이 컴퓨터를 떠난 뒤의 일을 잊는 사람이 많을 정도로 별도의 핵심 분야였다.
   3. 1990년대 말까지 필수였던 네트워킹 수업이 사라진 것은 이 계층이 어느 정도 추상화되어 해결됐다는 인식과 연결된다.

2. 전문 분야의 분화와 통합

   1. 저장 분야의 엔지니어는 진공관에서 드럼, 회전 디스크, 테이프로 이어지는 매체의 행렬을 따라갔다.
   2. 출력 분야는 텔레타이프에서 줄 단위 텔레타이프, 흑백 터미널, 컬러, 벡터 그래픽으로 발전했다.
   3. 컴퓨터과학과는 미사일 계산 때문에 수학과에서 갈라져 나왔고, 각 부품과 계층을 전문으로 하는 학과와 연구 그룹을 만들었다.
   4. 여러 전문 분야가 다시 시스템 그룹으로 합쳐지면서, 사람들은 개별 부품이 아니라 조합된 시스템을 다루는 추상화로 올라갔다.

3. 인간의 논리와 AI의 확률적 계층

3.1. 계산 도구와 문제 정의자의 관계

1. 기존 컴퓨팅의 역할 분담

   1. 프로그래머는 문제 정의, 논리, 정확성(correctness)을 통제하고 컴퓨터는 계산·네트워크·저장을 제공했다.
   2. 클라우드 데이터베이스나 제3자 라이브러리를 사용해도 입력과 출력, 라이브러리 선택은 인간이 알고 결정했다.
   3. 하위 계층은 더 높은 수준으로 올라가도 다음 계층에 결정론적으로(deterministically) 매핑할 수 있었다.

2. AI가 느끼게 하는 차이

   1. 사용자는 질문을 완전히 정리하지 않은 채 모델에게 답을 요구하고, 논리 자체를 제3자에게 넘기는 듯한 경험을 한다.
   2. “말을 잘 골라 모델 신에게 기도하면 유용한 답이 나온다”는 표현은 자연어 프롬프트와 확률적 결과의 관계를 풍자한다.
   3. 결과가 통계적이고 임의적으로 보인다는 점에서, 인간이 문제의 최종 상태와 모든 단계를 정의한 기존 계층과 질적으로 다르게 느껴진다.

3.2. 명령형·선언형·모델 기반 프로그래밍

1. 명령형(imperative) 프로그래밍

   1. 명령형 프로그램은 레시피처럼 각 단계를 작성하고 컴퓨터가 그 순서를 실행한다.
   2. 계산이 어떤 하드웨어와 저장 장치를 거쳐 수행되는지는 추상화되더라도, 프로그래머는 무엇을 언제 해야 하는지 알고 있다.

2. 선언형(declarative) 프로그래밍

   1. Prolog, Datalog, SQL, Makefile은 원하는 최종 상태를 말하고 그 상태에 도달하는 작업을 시스템에 맡긴다.
   2. 실행 경로와 소요 시간은 직접 제한하기 어렵지만, 최종 상태는 여전히 사람이 정의한다.
   3. Prolog의 경우 프로그래머가 도달해야 할 상태와 규칙을 코드로 제공하고, 시스템이 그 상태로 가는 방법을 찾는다.

3. 언어 모델의 새로운 위치

   1. 모델은 최종 상태가 무엇인지조차 정확히 지정되지 않은 자연어 요청에서 유용한 결과를 생성한다.
   2. 이 계층은 계산→명령형 프로그래밍→선언형 프로그래밍으로 이어진 흐름 다음에 놓이는, 인간 수준의 문제 설정 계층일 수 있다.
   3. 아직 이것이 단순히 한 단계 높은 추상화인지, 자연 현상·언어·컴퓨팅이 만나는 전혀 다른 층인지 판단하기 어렵다.

3.3. 그래핑 계산기와 전문가 시스템의 전조

1. 시험 문제를 대신 푸는 도구

   1. 그래핑 계산기가 부정행위처럼 느껴진 까닭은 시험 문제가 “그래프를 그려라”였고 계산기가 바로 그 작업을 수행했기 때문이다.
   2. 현재 AI에 대한 불안도 시험 문제가 요구하던 능력과 모델의 기능이 겹치기 때문에 커진다.
   3. 계산기와 상징 수학은 인간의 손계산을 줄였지만, 문제의 목표와 정답의 기준은 여전히 사람이 정했다.

2. 1980년대 전문가 시스템(expert system)

   1. AI 겨울(AI winter) 시기 Stanford에서는 AI와 의과대학을 결합해 의료 진단, 화학요법(chemotherapy), 유기 합성(organic synthesis) 프로젝트를 진행했다.
   2. Prolog를 비롯한 규칙 기반 시스템은 의사결정의 규칙을 사람이 명시한다는 점에서 새로운 위임의 맛을 보여줬다.
   3. 당시 기술은 제대로 작동하지 않았지만, 인간의 판단을 소프트웨어에 넘겨도 되는지에 대한 논쟁은 이미 시작됐다.
   4. 지금은 같은 방향의 시스템이 실제로 작동한다는 점이 차이를 만든다. 인간이 최종 상태를 정의하는 Prolog와 모델이 상태 자체를 제안하는 AI 사이에는 여전히 중요한 간극이 있다.

3. 맥락이 위험과 기대를 바꾼다

   1. 지금은 데이터센터 건설을 반대하는 사람이 많지만, 2년 전에는 주지사들이 데이터센터를 유치하려고 경쟁했다.
   2. 10년 전에는 주 정부들이 연기를 내뿜고 노동집약적인 자동차 공장을 유치하려고 경쟁했다.
   3. 같은 기술도 당시의 고용·성장·안보 맥락에 따라 진보의 상징이 되거나 위험한 외부효과가 된다.

4. 자본이 공학을 대체하는 혁신의 경제학

4.1. 자본 제약과 공학 제약의 역전

1. 과거의 10인 팀과 10억 달러

   1. 20년 전 10명짜리 스타트업에 10억 달러를 주면 사람을 고용하고 컴퓨터를 구매하는 데 돈을 쓰다가, 무엇을 해야 할지 몰라 자원을 소진했을 것이다.
   2. 10년 전에도 10억 달러는 엔지니어를 채용하고 코드를 작성하는 데 쓰였지만, 팀의 생산 속도와 소프트웨어 복잡도가 자연스러운 상한선이었다.
   3. 2년 전에는 1,000만 달러만으로도 Hewlett-Packard 장비를 사다가 자본이 소진될 수 있었다.
   4. 소프트웨어 조직에서는 인력 증가가 항상 성과 증가로 이어지지 않으며, “신화적 인월(mythical man-month)”이라는 프레드 브룩스의 경고가 실제 제약이었다.

2. 현재의 자본 전환

   1. 지금 20명에게 10억 달러를 주면 GPU, 토큰, 데이터센터, 모델 학습과 추론에 투입해 실제로 유용하게 사용할 수 있다.
   2. 산업의 병목이 공학(engineering-bound)에서 자본(capital-bound)으로 이동했고, 이는 단순히 추상화 계층 하나가 추가된 정도가 아니라 혁신·경쟁·방어력의 경제 법칙이 바뀐 것이다.
   3. 컴퓨팅은 처음 30~40년 동안 “무언가 하려면 먼저 컴퓨터를 사야 하는” 자본 제약에 묶여 있었고, 이후 공학 제약으로 이동했다.
   4. AI 모델 시대에는 다시 자본 제약으로 돌아왔다. 과거의 직관인 “모든 문제는 공학 문제”가 더 이상 보편 법칙이 아니다.

3. 매드맨과 OpenAI의 대비

   1. 《Mad Men》에는 광고회사에 컴퓨터와 복사기가 들어오자 사람들이 무엇에 써야 할지 몰라 뛰어다니는 장면이 나온다.
   2. 그들은 활용법을 알지 못해도 컴퓨터를 살 자본이 있고 최신 기술을 갖춘 회사처럼 보인다는 점을 즐겼다.
   3. 5년 전 Patrick과 Sam Altman의 인터뷰에서는 린 스타트업(lean startup) 시대에 OpenAI가 처음부터 거대한 자금을 조달한 일이 과소평가된 것인지 질문했다.
   4. 이전에는 공학 복잡도가 거액의 자본을 자연스럽게 제한했지만, AI는 소규모 팀이 큰 자금을 생산적으로 흡수할 수 있는 운영 규율을 만들었다.

4.2. 벤처캐피털과 사적 시장의 확장

1. “자본이 너무 많다”는 제로섬 관점

   1. 지난 10년 동안 벤처 업계에는 너무 많은 자본이 너무 적은 거래를 쫓는다는 불만이 반복됐다.
   2. 벤처캐피털은 본래 긍정적 합(positive-sum) 결과를 믿어야 하는데, 투자 가능한 거래 수가 고정돼 있다고 보는 제로섬 사고에 빠졌다는 비판이 나왔다.

2. 자본이 시장의 총주소가능시장(TAM)을 키운다

   1. 사적 시장으로 들어가는 자본이 늘면 더 많은 회사가 비상장 상태로 오래 남고, 사적 영역에 더 많은 가치가 축적된다.
   2. AI처럼 대규모 자본을 실제 컴퓨트로 소비하는 기술 파동은 투자 가능한 시장 자체를 확장한다.
   3. 따라서 사적 시장의 자본 유입은 고정된 파이를 나누는 일이 아니라 전체 TAM을 키우는 일일 수 있다.

3. 자본과 앱의 결합

   1. 자본을 투입해도 10년 동안 채용 담당자로 일하며 팀을 만들 필요가 없다면, 소프트웨어로 아직 서비스되지 않은 거의 모든 영역이 앱의 후보가 된다.
   2. 의료 기록, 의사 예약, 법률 업무처럼 사람들이 오랫동안 불평해 온 업무가 대상이 된다.
   3. “모두가 모든 것에 반대하지만 변호사가 더 많아지는 것만큼은 환영한다”는 농담은 AI 법률 자동화에 대한 묘한 사회적 합의를 꼬집는다.

4.3. 도메인 전문가가 만드는 소프트웨어

1. 도메인 지식과 코딩의 분리

   1. 상업용 부동산을 20년 경험한 사람은 현장의 문제를 잘 알지만 소프트웨어를 만들 줄 모른다는 이유로 아이디어를 구현하기 어려웠다.
   2. 과거에는 소프트웨어 공동창업자를 찾아 도메인 지식을 가르치는 조합이 필요했다.
   3. 이제는 도메인 전문가가 자본과 AI를 이용해 문제를 직접 제품으로 만들 가능성이 커졌다.
   4. “노코드(no-code)가 마침내 왔다”는 말은 일회성 코드 생성을 넘어, 문제를 아는 사람에게 구현 능력이 내려오는 상황을 가리킨다.

2. 의사 예약 프로그램 사례

   1. Martin이 20세 무렵 처음 찾아간 고객은 의대를 다니기 전 초기 컴퓨터과학을 전공한 의사였고, DOS 프로그램으로 병원 예약을 관리했다.
   2. 겉보기에는 시간표를 채우는 단순한 달력 문제였지만, 실제 전화 예약은 훨씬 복잡했다.
   3. 예약 담당자는 환자의 설명에서 키워드를 듣고 진료가 5분인지 20분인지, X선 장비나 EKG가 필요한지 판단했다.
   4. 의사 진료 10분만 잡는 것이 아니라 채혈과 여러 검사를 병렬로 배치해야 했고, 의사는 이 프로그램을 직접 완성하는 데 수년을 썼다.

3. 플랫폼 추상화의 누적

   1. AI가 만든 코드가 일회용으로 어려운 코드에 머무르지 않는 이유는 전화·운영체제·클라우드 등 다른 계층의 추상화도 함께 올라갔기 때문이다.
   2. 20년 전에는 회사를 만들 때 텍스트 컨트롤과 UI 위젯부터 직접 구현해야 했지만, 이제 전화 플랫폼과 프레임워크가 많은 요소를 제공한다.
   3. 인간은 낮아진 구현 비용을 이용해 현장의 숨은 규칙과 업무 흐름을 제품화할 수 있다.

5. AI 시대의 스타트업과 기존 대기업

5.1. 기존 우위가 약해지는 이유

1. 대기업의 전통적 강점

   1. 기존 기업은 자본, 현금흐름, 유통(distribution), 고객 접점을 갖고 있어 스타트업보다 유리했다.
   2. 스타트업은 마케팅 인력을 고용하고 어느 채널에 얼마를 써야 할지 추정하며 투자수익률(ROI)을 측정해야 했다.

2. AI가 수요와 유통을 바꾸는 방식

   1. 토큰과 GPU에 대한 수요는 사실상 무한하며, 회사는 얼마나 많은 돈을 넣을지 결정해 상단 퍼널(top of funnel)을 키울 수 있다.
   2. 유통과 수요를 만드는 전통적 난제가 자본 투입 문제로 바뀌면서 스타트업의 약점이 줄었다.
   3. Cursor, Anthropic, OpenAI가 빠르게 성장한 배경에는 제품만이 아니라 거대한 자본 조달과 그 자본을 수요로 바꾸는 구조가 있다.

3. 스타트업과 대기업의 자본 격차 축소

   1. 최근 AI 스타트업은 Microsoft나 Meta와 경쟁할 수 있을 만큼 자금을 조달한다.
   2. 대기업의 자본 우위가 사라진 것은 아니지만, 모델 개발에서는 자본을 확보한 스타트업이 경쟁선상에 올라선다.
   3. 이 때문에 기존의 “대기업이 작은 회사를 자본으로 즉시 파괴한다”는 예측이 맞지 않는다.

5.2. 혁신가의 딜레마와 대기업 문화

1. 스타트업은 대기업을 정면 공격하지 않는다

   1. 실리콘밸리의 대기업 구성원은 작은 회사를 곧 무너뜨릴 수 있다고 생각하지만, 실제 스타트업은 기존 기업이 목표로 삼지 않는 틈새에서 출발한다.
   2. 기존 기업은 스타트업보다 Amazon·Google·Microsoft 같은 다른 기존 기업의 행동을 더 신경 쓴다.
   3. AWS가 기존 회사를 몰아냈다는 사례처럼, 스타트업은 대기업의 핵심 전장을 정면으로 공격하기보다 새로운 사용 방식과 시장을 만든다.

2. 대기업을 묶는 문화적 물리 법칙

   1. 스코어카드, 필드 세일즈와 go-to-market, 보상 체계, 조직 구조, 레거시, 기존 고객은 큰 회사가 할 수 있는 일을 제한한다.
   2. 50만 고객을 서비스하는 회사는 기존 고객을 무시하고 완전히 다른 제품으로 방향을 틀기 어렵다.
   3. Clay Christensen의 혁신가의 딜레마(disruptor's dilemma)는 경영대학원의 이론이 아니라 물리학과에서 배워야 할 사실이라는 농담이 나온다.
   4. 혁신을 가로막는 문화적 제약은 기술이 좋아져도 자동으로 사라지지 않는다.

3. 클라우드와 AI의 공통점과 차이

   1. 클라우드는 데이터센터를 짓고, 네트워크 회선을 확보하고, AT&T에 연락하고, 이그레스(egress)를 설계하는 일을 추상화했다.
   2. 스타트업은 첫날 몇 시간 안에 서비스를 띄울 수 있고, AWS를 폐업시킬 수 있다고 생각하기보다 그 위에 제품을 만들었다.
   3. AI 모델도 거대한 인프라를 추상화하지만, 클라우드의 핵심 제공자는 압도적 공학 시스템을 구축한 반면 모델 경쟁은 자본 투입이 더 직접적인 병목이다.
   4. Google은 데이터와 인재, GCP의 뛰어난 엔지니어링을 갖고도 OpenAI와 Anthropic에 모델 경쟁에서 뒤처질 수 있다. 문화와 자본 배분이 일반적인 공학 실행력만큼 중요하기 때문이다.

5.3. ARM과 Surface가 보여준 문화적 맹점

1. Intel이 보지 못한 모바일 전환

   1. Steven은 Microsoft에서 ARM 기반 첫 Surface를 들고 Intel 지도부를 만났다.
   2. Intel 경영진은 새 컴퓨터에 흥분했지만 내부 칩이 무엇인지 물었고, ARM이라고 답하자 프린터에도 들어가는 칩이라는 반응을 보였다.
   3. ARM의 전력 효율, 그래픽, 상시 연결(always-connected)이라는 장점은 Intel이 익숙한 무어의 법칙(Moore's law)과 PC 중심의 경쟁 지표 밖에 있었다.

2. AI에도 반복되는 패턴

   1. Intel은 무어의 법칙을, Google은 하이퍼스케일(hyperscale)을 훌륭하게 실행했지만 새로운 컴퓨팅 위치를 자동으로 이해하지는 못했다.
   2. AI가 온디바이스(on-device)로 이동한다면 대규모 데이터센터 중심 기업의 강점과 맞지 않는 문제가 생긴다.
   3. 기존 기업은 자신의 성공을 만든 지표와 조직을 바꾸기 어렵고, 외부인이 보기 전까지 문화적 맹점의 크기를 과소평가한다.

6. 현재 AI 아키텍처의 한계와 불확실한 다음 단계

6.1. 분포 안에 묶인 모델

1. 현재 모델에 대한 기계적 이해

   1. 모델은 많은 데이터를 넣어 학습하고, 그 데이터에 묶인 채 분포(distribution)를 따라 움직인다.
   2. 한 사람은 모델이 베이즈식(Bayesian)으로 데이터가 만든 매니폴드(manifold)를 이동한다고 설명한다.
   3. 작동 원리를 기계적 관점에서 설명할 수 있다는 것과, 그 거대한 디지털 산출물이 실제로 어떤 문제를 풀 수 있는지 아는 것은 서로 다르다.

2. 분포 밖 능력에 대한 회의

   1. 현재 모델이 분포 밖(out-of-distribution) 문제를 안정적으로 해결하는지에 대해서는 부정적인 견해가 강하다.
   2. 한 영역에서 실제로 학습한 것이 다른 영역으로 이전되는 전이학습(transfer learning)이 모델의 일반적 능력으로 나타나는지도 확실하지 않다.
   3. 빠른 이륙(fast takeoff)이나 곧바로 이어지는 특이점(singularity)은 현재 관찰되지 않으며, 많은 사람은 그런 시나리오에 동의하지 않는다.

3. 그래도 남는 질문

   1. $50억을 들여 만든 모델은 인류 역사상 그만큼의 FLOPs와 데이터를 가진 최초의 디지털 산출물일 수 있다.
   2. 인간은 작동 원리는 알아도 이 정도 데이터와 연산량이 결합된 시스템의 능력을 직관적으로 상상하기 어렵다.
   3. 분포 밖 능력이 제한된다는 설명이 맞더라도, 모델 안에 이미 어떤 능력이 잠복해 있는지와 실제로 어떤 문제를 풀 수 있는지는 알기 어렵다.

6.2. 바이오메디슨과 약물 발견의 현실

1. 뇌 연구에서의 패턴 발견

   1. Steven의 가족 중 연구 의사는 AI를 사용해 뇌와 뇌수술 분야를 연구하며, 집에서 NVIDIA DGX Spark를 사용한다.
   2. “Sun Spark”나 Scott McNealy의 옛 Sun 제품이 아니라 NVIDIA의 Spark라는 농담은 하드웨어 이름의 혼동을 풀어 준다.
   3. AI는 한 사람이 경험으로만 알아볼 수 있는 패턴을 찾아내며, 특정 주제의 논문 1만 편이 모델에 들어 있다면 인간 전문가 누구도 보지 못한 관계를 드러낼 수 있다.
   4. 그 결과 새로운 연구 방향과 문제 해결의 실마리가 열리지만, 이는 현재도 가능한 기본적인 패턴 인식 능력에서 출발한다.

2. 약물 개발의 병목

   1. AI가 후보 물질(candidate)을 많이 제안하는 일이 곧 신약 개발의 핵심 병목을 해결하는 것은 아니다.
   2. 1980년대 이후 연구자들은 시험할 후보를 만들 능력이 이미 인간이 검증할 수 있는 양보다 많았다.
   3. 진짜 어려움은 후보의 효능(efficacy)과 안전성(safety), 특히 인간 환자에서의 검증이다.
   4. 따라서 AI가 논문에서 패턴을 발견하는 능력과 임상시험을 통과하는 약을 만드는 능력 사이에는 긴 실험·규제·환자 검증 과정이 남아 있다.

6.3. 거액의 모델이 만들어내는 메타경제적 불확실성

1. 예측을 포기해야 하는 규모

   1. 한 사람은 Bostrom식 재귀적 자기개선(recursive self-improvement)과 빠른 이륙을 과장된 시나리오로 보고 일축했다.
   2. 그러나 자신이 틀린 지점은, 모델에 자본을 계속 부어 넣을 수 있고 스케일링 법칙(scaling laws)이 계속 유지될 수 있다는 사실을 충분히 예상하지 못했다는 데 있다.
   3. 200억 달러짜리 모델을 만들고 그 안에서 어떤 문제든 풀게 할 수 있다면, 인간은 그 디지털 산출물의 잠재력을 이해하기 어렵다.
   4. 인터넷의 미래를 예측하는 메모 58편을 썼지만 많은 부분을 틀렸다는 경험도, 지금은 예측 불가능성을 인정해야 한다는 근거가 된다.

2. 자본을 모델 능력으로 바꾸는 메커니즘

   1. Anthropic 같은 회사가 거액을 조달하고 그 돈을 다시 모델에 넣는 구조는 단순한 투자 회수가 아니라 메타경제적 기계(meta-economic machinery)다.
   2. 이 구조가 100억 달러, 200억 달러, 1,000억 달러 규모의 학습 실행으로 이어질 수 있다.
   3. 과거의 논쟁이 “모델이 어떻게 작동하는가”였다면, 이제는 “이렇게 많은 돈을 모델에 넣었을 때 무엇을 할 수 있는가”가 핵심 질문이다.

3. 치료와 무기의 양면성

   1. 200억 달러를 투입한 모델이 암 치료를 실질적으로 돕는 일이 가능한지 누구도 단정할 수 없다.
   2. 같은 자원 집중이 암 치료가 아니라 무기 개발에 사용될 수도 있으며, 위험성은 자본의 사용 방향에 따라 달라진다.
   3. 이런 규모의 유용한 자원 집중은 전례가 드물고, 잘못 적용하면 매우 위험할 수 있다.

6.4. 무한 문제를 유한한 자본 문제로 바꾸기

1. 지수적 자원 투입의 한계

   1. 복잡한 공학 프로젝트는 보통 하나의 문제에 거액을 몰아넣는 방식으로 풀지 않았고, 인간은 지수적 성장을 잘 모델링하지 못한다.
   2. Intel에서 수십억 헤르츠의 클록과 수많은 트랜지스터를 만들면서도 그 자원을 무엇에 쓸지 몰랐던 경험은 하드웨어 용량과 활용의 차이를 보여준다.
   3. 모델 개발에서는 “모든 단백질 조합을 철저히 탐색하라”는 요구를 더 많은 컴퓨트와 자본의 문제로 바꿀 수 있다.

2. 새로운 경제적 법칙

   1. 과거에는 무한해 보이던 조합 탐색이 충분한 자본을 투입하면 유한한 계산 작업이 된다.
   2. 공학적 불가능성이 자본 투입량으로 환산되면서, 혁신의 물리 법칙이 달라진다.
   3. 이 변화가 곧 모든 문제가 해결된다는 뜻은 아니지만, 어떤 문제를 ‘불가능’이라고 부를지의 기준을 다시 쓰게 한다.

주요 발언 모음

“산업이 공학 제약 문제에서 자본 제약 문제로 이동했다. 이것은 근본적으로 다른 일이다.”

“수학을 모두 풀면 무엇이든 예측할 수 있다는 주장은 거대한 논리적 비약이다.”

“새 추상화가 생기면 사람들은 매번 처음부터 내부 표현을 만들지 않고 그 추상화 위에 도구를 쌓는다.”

“우리는 계산에서 명령형 프로그래밍으로, 그리고 사람이 최종 상태를 정의하는 방식에서 더 확률적인 계층으로 넘어가고 있다.”

“20명에게 10억 달러를 주면 지금은 그 돈을 실제로 유용하게 쓸 수 있다.”

“이전에 무한했던 문제에 자본을 투입하면 유한한 문제가 된다.”

핵심 데이터 & 수치

• 20명·10억 달러: 현재의 AI 모델 개발에서는 작은 팀도 GPU·토큰·학습에 거액을 생산적으로 투입할 수 있다는 상징적 사례다.
• 약 5만 달러: 600개의 정밀 금속 부품이 들어간 케르타를 오늘날 제작할 때의 추정 비용이다.
• 약 5,000배: 초기 자동 계산 장치가 특정 수학 작업에서 인간보다 빨랐던 정도다.
• 200쪽: 컴퓨터가 유한한 경우를 전부 검사한 네 색 정리의 계산 중심 증명이 가진 대략적 분량이다.
• 1953년: IBM이 컴퓨터의 개념과 용어를 대중에게 설명한 『Light on the Future』 브로슈어의 연도다.
• 30~40년: 컴퓨팅이 처음 자본 제약에 묶여 있던 기간으로 제시된 범위다.
• 5억 달러가 아닌 5십억 달러($5B): 인류가 만든 디지털 산출물 중 전례 없는 FLOPs와 데이터를 가진 모델의 규모를 설명하는 예시다.
• 100억·200억·1,000억 달러: 모델에 계속 자본을 투입할 때 능력과 위험을 예측하기 어려워지는 규모의 예시다.
• 1만 편의 논문: AI가 한 연구 주제의 방대한 문헌에서 인간 전문가가 경험으로는 찾기 어려운 패턴을 발견하는 사례다.
• 1980년대 이후: 신약 후보 생성 능력은 인간의 검증 능력보다 앞섰고, 현재의 병목은 효능·안전성·환자 시험이라는 맥락이다.

결론 및 시사점

1. 수학적 성취는 AI가 높은 추상화 수준에서 지식을 조합할 수 있음을 보여주지만, 경제적 가치나 물리적 예측 능력을 자동으로 보장하지 않는다.
2. 네 색 정리, 계산기, 상징 수학, 초기 컴퓨터는 인간이 직접 풀어야 할 문제의 위치를 한 단계씩 올렸다. AI도 그 흐름에 있지만 문제의 최종 상태와 논리까지 위임한다는 점에서 더 급진적이다.
3. 제품과 시장은 모델의 수학 점수보다 도메인 전문가가 실제 업무의 숨은 규칙을 제품으로 바꿀 수 있는지에 의해 결정될 가능성이 크다.
4. AI는 자본을 즉시 컴퓨트·토큰·모델 능력으로 바꾸므로, 소규모 스타트업이 기존 대기업과 경쟁할 수 있는 자본 역전을 만든다.
5. 벤처캐피털은 제한된 거래를 나누는 제로섬 시장보다, 거대한 자본을 소비하는 기술과 비상장 기업의 장기 성장을 통해 TAM이 커지는 긍정적 합 시장을 봐야 한다.
6. 기존 대기업의 진짜 방어벽은 데이터나 엔지니어링만이 아니라 고객·조직·보상·영업·문화의 고착이다. AI가 이를 자동으로 없애 주지는 않는다.
7. 바이오메디슨에서 AI의 단기적 강점은 새로운 후보를 마법처럼 만드는 일이 아니라, 방대한 논문과 경험에 흩어진 패턴을 찾아 연구 방향을 제안하는 일이다.
8. 모델이 분포 밖에서 무엇을 할 수 있는지, 수십억~수천억 달러의 자본 집중이 어떤 능력을 출현시킬지는 현재 누구도 신뢰성 있게 예측할 수 없다.
9. AI 안전과 정책의 초점은 빠른 자기개선에 대한 추상적 공포만이 아니라, 막대한 자본을 유용한 치료·발견에 쓸지 무기·위험한 목적에 쓸지 결정하는 메타경제적 구조에 맞춰야 한다.
10. 혁신의 새로운 기본 단위는 “얼마나 많은 엔지니어를 고용했는가”에서 “어떤 문제를 아는 사람이 얼마나 많은 자본과 컴퓨트를 문제에 집중할 수 있는가”로 이동한다.