AI 최후의 승자 이래서 구글입니다
서론: AI 시대의 본질을 꿰뚫는 수학
HBM(High Bandwidth Memory)의 아버지로 불리는 KAIST 김정호 교수는 AI의 본질을 이해하기 위해서는 수학적 기초가 필수적이라고 강조한다. 코끼리의 뒷다리만 만지고 전체를 상상할 수 없듯, 현상만 보고 AI를 논하는 것은 한계가 있다. 인공지능의 핵심 알고리즘은 세 가지 수학적 개념으로 표현된다.
행렬(Matrix): GPU가 수행하는 모든 계산의 기본 단위다. 메모리는 행렬의 1차원인 벡터를 기록하고, GPU는 이 행렬을 계산한다.
미분(Differentiation): AI의 학습 이론은 미분에 기반한다. 인공지능은 학습 과정에서 예측값과 실제값의 차이를 함수화하고, 그 함수의 기울기(미분값)가 0이 될 때까지 파라미터를 조정한다. 기울기가 크면 많이 틀렸다는 의미이고, 기울기가 0에 가까우면 정답에 근접했다는 의미다. 이 과정은 포물선을 따라 최저점을 찾아가는 것과 같다.
확률론(Probability): 잘했는지 못했는지를 결정하는 평가 함수는 확률 이론에 기반한다. 인간이 AI에게 가치를 부여하는 것은 궁극적으로 수학 함수를 통해서이며, 이 함수의 설계가 AI의 행동 방향을 결정한다.
김 교수는 대학 1학년 때 수학만 집중적으로 가르쳐야 한다고 주장할 정도로 수학의 중요성을 강조한다. 기술은 계속 변하지만 수학적 개념은 모든 분야를 관통하는 힘이 되기 때문이다. 실제로 그는 1981년 대학 2학년 시절 선형대수(Linear Algebra)를 공부한 것이 40년이 지난 지금까지도 반도체, HBM, AI를 넘나들 수 있는 기반이 되었다고 회고한다.
Google Gemini의 진화: 연말 실험이 보여준 미래
김 교수가 연말 연휴 동안 Google Gemini Pro 3.0을 활용해 수행한 일련의 실험은 생성형 AI의 현재 수준과 한계를 동시에 보여준다.
비주얼 생성: 자신의 사진 한 장을 제공하고 가발을 쓴 모습을 요청하자 20초 만에 결과물이 나왔다. 심지어 은색 머리로 색상 변경도 즉시 가능했다. 더 나아가 사진 한 장만으로 HBM 구조를 칠판에 설명하는 강의 동영상까지 생성했는데, 칠판의 내용이 논리적으로 완벽했을 뿐 아니라 본인의 글씨체까지 재현했다. 다만 목소리는 아직 학습이 충분하지 않아 재현하지 못했다.
게임 개발: 벽돌깨기 게임을 만들어달라고 요청하면서, 하단 바를 삼각형으로 만들어 공이 예측 불가능하게 튀도록 설정하고, 효과음까지 지정했다. 이 모든 과정을 한국어로 설명만 했을 뿐 직접 코딩하지 않았다. AI가 인간의 언어를 컴퓨터 언어로 번역하는 시대가 도래한 것이다.
Google Notebook LM의 활용: 왼쪽 칼럼에 논문과 유튜브 영상, PDF 파일을 업로드하면, 중앙에서 분석하고 요약하며, 오른쪽에서는 “Audio Overview” 기능으로 팟캐스트 형식의 음성 요약을 제공한다. 또한 인포그래픽 한 페이지 요약과 슬라이드 자료까지 자동 생성한다. 석박사 학생들에게는 완벽한 리서치 도구다.
칼럼 시각화: 김 교수가 작성한 “메모리 전성시대” 칼럼(3페이지 분량)을 입력하자, Gemini는 핵심 내용을 비주얼 자료로 자동 변환했다. 흥미로운 점은 칼럼에 포함된 “10년 내 천조 시장” 예측은 과하다고 판단해 제외했다는 것이다. AI가 작성자를 배려해 편집 판단까지 내린 것이다.
이러한 실험을 통해 얻은 통찰:
- 누구나 자신의 콘텐츠를 만들 수 있다 - 단, 정밀하고 논리적인 설명이 필요하다.
- 시간 소요가 증가한다 - 외주를 주는 것보다 AI와 소통하며 원하는 결과물을 얻는 데 더 많은 시간이 소요될 수 있다.
- 인간 대화가 감소한다 - AI와 상호작용하는 시간이 급증하면서 가족과의 대화 시간이 줄어드는 부작용이 있다.
- 아직 학부생 수준 - 자료 조사와 정리는 잘하지만, 인터넷에 없는 독창적인 연구나 의도 파악은 석박사 학생 수준에 미치지 못한다.
- 컴퓨팅 병목 현상 - 한 달 18만 원의 Gemini Pro에서도 동영상은 5초로 제한되고, 일정 횟수 이상 생성하면 다음 날을 기다려야 한다. 1분짜리 영상 생성에도 1분이 걸리는 것은 여전히 느리다.
2026년 AI 예측: 9가지 핵심 트렌드
김정호 교수는 CES 2026에서 Jensen Huang(NVIDIA)과 Lisa Su(AMD)의 키노트를 분석하며 올해 AI 시장을 관통할 9가지 기술 트렌드를 제시했다.
1. Reasoning and Thinking (논리적 추론 능력)
데이터를 던지면 이면의 의도와 맥락을 파악하는 능력이다. 사용자가 우울해 보이면 차분한 단조의 음악을 들려줄지, 아니면 기쁜 음악으로 반전을 시도할지 판단하는 것이 여기에 해당한다. Thinking 능력이 뛰어날수록 똑똑하고 일 잘하는 AI가 된다.
2. Multi-Modal (멀티모달)
지금까지는 LLM(Large Language Model) 중심의 텍스트 처리가 주류였다면, 이제는 동영상, 이미지, 음성을 통합적으로 처리하는 시대로 전환된다. 멀티모달은 메모리 수요 증가의 가장 큰 동인이다. 영상 학습과 생성은 텍스트 대비 약 1,000배의 메모리를 필요로 한다.
3. Mixture of Experts (전문가 혼합 모델)
국어 AI, 수학 AI, 물리 AI, 법률 AI 등 여러 전문 모델을 만들어놓고, 사용자 요청에 따라 특정 모델만 작동시키는 방식이다. 이는 전기 소비와 비용을 절감하는 동시에 메모리 효율성을 높인다. 기업 조직처럼 기능별로 분화하여 효율을 극대화하는 전략이다.
4. Multi-Agent Systems (다중 에이전트 시스템)
개발하는 AI, 추론하는 AI, 검색하는 AI, 평가하는 AI 등 역할을 나눠 협업하게 한다. 이를 통해 신뢰성을 높이고 작업을 효율화한다. 반도체 산업에서 설계 부서, 제조 부서, 테스트 부서가 분리되는 것과 같은 원리다.
5. Vibe Coding (AI가 AI를 개발하는 시대)
AI가 코딩을 수행하는 것을 넘어, AI가 스스로 필요한 AI를 개발하는 단계다. 예를 들어 멀티모달 AI를 평가하는 AI가 필요하면, 기존 AI가 그것을 코딩해서 만든다. Google의 DeepMind 팀은 이미 자체 Gemini를 활용해 테스트 AI를 개발하고 있다.
6. Personal AI (개인화 AI)
사용자의 성격, 환경, 과거 기록을 모두 파악하여 그 사람의 의도에 맞게 행동하는 AI다. 계속 사용할수록 사용자의 캐릭터를 학습하며, 이는 방대한 메모리가 필요한 이유이기도 하다. 과거 생성물과 대화 기록이 다시 학습 데이터로 활용된다.
7. Real-Time Training (실시간 학습)
과거에는 Pre-training(사전 학습)과 Post-training(사후 전문 교육), 그리고 RLHF(Reinforcement Learning from Human Feedback, 인간 피드백 강화 학습)로 분리되었다. 이제는 최근 뉴스까지 실시간으로 검색하고 학습하면서 즉시 답변한다. 이를 위해서는 가까운 곳에 최신 검색 자료와 개인 자료가 담긴 대용량 메모리, 특히 HBF(High Bandwidth Flash)와 SSD가 필요하다.
8. Voice Interface (음성 인터페이스)
파일을 업로드하고 입력하는 불편함을 넘어, 말만으로 모든 것을 처리하는 시대가 온다. 최고의 비서는 말의 뉘앙스까지 파악하여 “변일 없었어?”라는 짧은 질문에서도 “어제 영업 현장 사건이 오늘도 발생했는지”를 알아듣는다. 더 나아가 목소리의 감정 상태까지 파악하여 안 좋은 소식은 점심 때 전달하는 수준까지 발전할 것이다.
9. Agentic AI (에이전트 AI)
지금까지 AI는 시킨 일을 잘하는 수준이었다면, 에이전트 AI는 알아서 기획하고 평가하며 최종 보고서까지 작성한다. 여러 AI가 집단을 이루어 협업하며, 클라이언트 AI가 의료 AI, 법률 AI, 교육 AI 등을 호출해 일을 분담시킨다.
핵심은 AI 간 통신 프로토콜이다. A2A(Agent-to-Agent) 프로토콜과 MCP(Model Context Protocol)가 이를 가능하게 한다. 이는 AI들이 서로 작업을 주고받는 약속이며, 모델 파라미터가 아닌 프롬프트와 비용 정보만 교환한다.
김 교수는 9번 Agentic AI가 최종 승자를 결정하는 요소라고 단언한다. 이 생태계는 스마트폰에 탑재되어야 하며, 월 구독료 기반으로 작동할 것이다. 여기서 핵심은 누가 이 생태계의 표준을 장악하느냐다.
| 기업 | 보유 자산 | 약점 |
|---|---|---|
| 모델, 데이터, 단말기(Android), 서비스 플랫폼, AI 에이전트, 데이터 센터, TPU | HBM/HBF 외주 의존 | |
| NVIDIA | GPU, 광통신(Infiniband), 반도체 설계 역량 | 모델, 서비스, 단말기, 데이터 부재 |
| OpenAI | 최고 수준의 LLM 모델 | 단말기, 서비스, 하드웨어, 데이터 모두 부족 |
| Apple | 단말기(iPhone), 서비스 생태계, 자체 칩 | 모델 개발 지연 (Gemini 사용 검토 중) |
Google의 압도적 우위: Google은 검색, Gmail, YouTube, Google Drive, Google Maps를 통해 개인 데이터를 독점적으로 보유하고 있다. 사용자가 어디를 가고, 무엇을 검색하고, 무엇을 저장하는지 모두 알고 있다. 여기에 Transformer 모델(현재 생성 AI의 기반)을 개발한 것도 Google이며, AlphaGo로 AI의 가능성을 입증한 것도 Google이다. 유일하게 부족했던 반도체 부분도 TPU로 메웠다.
NVIDIA의 딜레마: NVIDIA는 GPU와 광통신 기술을 보유했지만, 서비스와 데이터가 없다. 따라서 자동차 업계(Mercedes-Benz 등)와 손잡고 Physical AI 시장으로 확장하려 하지만, 자동차는 하루 2시간 사용하는 반면 스마트폰은 20시간 이상 접촉하므로 근본적으로 불리하다.
연합의 가능성: Google이 모든 것을 장악한다면, NVIDIA를 중심으로 Apple, AMD, OpenAI 등이 연합할 가능성도 있다. 누가 대안을 제시할 수 있느냐가 관건이다.
메모리 전성시대: GPU에서 메모리로 패러다임 전환
왜 메모리가 더 중요해지는가
김 교수가 제시한 세 가지 이유:
1. 멀티모달 확장 (최우선)
- 영상, 음악, 이미지를 학습하고 생성하려면 텍스트 대비 약 1,000배의 데이터 처리가 필요하다
- 1분짜리 영상 생성에는 60프레임이 필요하므로, 한 프레임 만드는 시간의 60배가 소요된다
- 이는 단순히 학습뿐 아니라 생성(Generation) 과정에서도 막대한 메모리를 요구한다
2. 논리적 추론의 심화
- 단순 답변을 넘어 복잡한 논리적 추론(Reasoning)과 토론 능력을 갖추려면 더 많은 자료를 참조해야 한다
- Chain-of-Thought 방식으로 단계별 사고 과정을 거치는 것은 메모리 집약적이다
3. 개인화 맞춤형 서비스
- 개인의 모든 기록을 보유하고 있어야 맞춤형 서비스가 가능하다
- Short-term Memory(단기 기억)뿐 아니라 Long-term Memory(장기 기억)까지 관리해야 한다
- 태어나서부터 지금까지의 모든 동영상과 기록을 저장하고 학습에 활용하는 시대가 올 것이다
메모리 계층 구조의 진화
김 교수가 제시한 Memory Pyramid 2.0 개념:
[GPU 내부]
├─ Register (레지스터)
└─ SRAM (에스램)
[GPU 주변]
├─ HBM (High Bandwidth Memory) ← 현재 병목
├─ HBF (High Bandwidth Flash) ← 2027-2028 등장 예정
└─ SSD (Solid State Drive)
[네트워크 연결]
└─ Network Storage (데이터 센터급 저장소)
과거에는 메모리가 CPU 주변에 주로 배치되었다면, 이제는 GPU 옆에 피라미드 구조의 메모리 생태계가 형성된다.
- 위로 갈수록: 속도는 빠르지만 용량이 작다
- 아래로 갈수록: 용량은 크지만 속도가 느리다
흥미로운 점은 CPU 옆에도 동일한 피라미드가 필요하다는 것이다. 학습한 내용을 실제 업무에 활용할 때도 “도서관(대용량 저장소)에서 책상(작업 메모리)으로” 데이터를 가져와야 하기 때문이다.
AMD MI455X 분석: 메모리 병목의 증거
CES 2026에서 공개된 AMD MI455X 칩 구조를 분석한 결과:
- GPU 2개: 대형 GPU를 만들면 먼지 하나에도 불량률이 높아지므로, 수율을 위해 두 개로 분할한다. 10년 후에도 4개가 최대일 것이다 (GPU 간 통신 속도 한계).
- HBM 16개: 기존 8개에서 두 배로 증가. AMD가 메모리 병목을 명확히 인식하고 있다는 증거.
- 실리콘 면적 비교: HBM 16개를 층별로 펼치면(16층 × 16개 = 256배), GPU 단층보다 실리콘 면적이 더 크다. HBM이 GPU보다 중요한 시대로 전환 중이다.
김 교수는 향후 HBM 16개 뒤에 HBF 16개가 추가로 배치될 것이라고 예측한다.
NVIDIA Rubin의 한계
NVIDIA의 차세대 칩 Rubin의 성능 향상 수치:
- 인퍼런스 성능 5배 향상
- 트레이닝 속도 3.5배 향상
- HBM 대역폭 2.8배 증가
김 교수의 분석:
- 성능 향상의 대부분은 HBM 대역폭 증가에서 기인한다 (I/O 개수를 1024개에서 2048개로 두 배 증가).
- Floating Point 4 (FP4) 채택: 소수점 4자리까지만 계산하는 것으로, 기존 FP16/FP32 대비 정밀도를 낮춰 속도를 높인 것이다. 이는 “꼼수”일 수 있다.
- CES에서 Rubin을 “잠시만” 보여주고 지나갔다는 점에서 혁신성이 완화되고 있다는 느낌을 받았다.
대신 NVIDIA는 Physical AI를 강조하며 자율주행차와 로봇 시장으로 GPU 시장을 확대하는 전략을 펼치고 있다. 이는 시장 사수(Market Defense) 전략으로 보인다.
메모리 기업의 전략적 선택
삼성전자와 SK하이닉스가 직면한 딜레마:
현황:
- HBM 수요 폭발 → 증설 압력
- DRAM 일반 제품 수요도 유지해야 함
- 증설에는 2-3년(기존 업체), 신규 진입은 6년 이상 소요
전략적 선택지:
- 가격 전략: HBM 가격을 높게 유지하면서 DRAM 물량 조절
- 증설 전략: 수요가 10배 증가할 것으로 예상되지만, 리스크를 고려해 3배 증설
- 사이클 리스크: 10년 후에도 수요가 지속될지 불확실하지만, 10년이면 투자금 회수 가능
중국의 추격 가능성: 기술 개발 시간도 필요하지만, 미국의 장비·재료 수출 통제로 인해 속도가 느려질 수밖에 없다.
구글 생태계의 완결성
Google이 AI 생태계에서 압도적 우위를 점하는 이유는 버티컬 스택 전체를 보유했기 때문이다:
Google의 Full Stack
| 계층 | Google 보유 자산 | 외주/협력 |
|---|---|---|
| AI 에코시스템 | 광고, 구독, 데이터 판매 수익 모델 | - |
| AI 디바이스 | Pixel, Android 생태계 | - |
| AI 서비스 | Gmail, YouTube, Search, Maps, Drive | - |
| AI 모델 | Gemini, Transformer 아키텍처 | - |
| 데이터 | 검색 기록, 동영상, 이메일, 위치 정보 | - |
| AI 에이전트 개발 | Agent-to-Agent, MCP 프로토콜 | - |
| 데이터 센터 | 자체 데이터 센터 인프라 | - |
| TPU | 자체 AI 칩 설계 | IP: Broadcom, Packaging: Samsung/TSMC |
| HBM/HBF | - | Samsung, SK Hynix |
| Foundry | - | Samsung, TSMC |
왜 Google인가?
데이터 독점:
- 사용자가 어디를 가는지(Maps)
- 무엇을 검색하는지(Search)
- 무엇을 저장하는지(Drive)
- 무엇을 시청하는지(YouTube)
- 누구와 소통하는지(Gmail)
역사적 선견지명:
- 2016년: AlphaGo로 강화학습 입증
- 2017년: “Attention is All You Need” 논문으로 Transformer 모델 제시 (현재 모든 LLM의 기반)
- 10-20년 전부터 데이터 축적 전략 추진
반도체 자립:
- TPU 개발로 NVIDIA 의존도 감소
- 전력 효율 20-30% 향상 (멀티모달 특화 최적화)
- 자체 수요만으로도 대규모 투자 정당화 가능
경쟁자들의 약점
NVIDIA:
- 모델, 서비스, 단말기, 데이터 모두 부재
- 자동차 시장으로 우회하지만, 접촉 시간(하루 2시간 vs 스마트폰 20시간) 면에서 불리
- 데이터 생성(Synthetic Data)으로 돌파 시도 중이지만, 실제 사용자 데이터에는 미치지 못함
OpenAI:
- 모델 외에는 거의 없음
- 디즈니 투자 유치로 멀티모달 데이터 확보 시도
- 애플과의 협력 가능성 있으나, 애플도 Gemini 사용 검토 중
Apple:
- AI 모델 개발 지연
- 데이터는 보유했으나 학습 인프라 부족
- OpenAI 인수 또는 Gemini 탑재 등 외부 협력 불가피
투자 전략과 한국 기업의 위치
메모리 반도체 투자 논리
김정호 교수가 5대 연기금(국민연금, 공무원연금, 사학연금 등) 투자 책임자들에게 제시한 전략:
핵심 메시지:
- AI 반도체에 투자하라
- 미국과 한국 기업에 집중하라
- 중국은 제외하라
투자 대상 메모리 기업:
| 기업 | 주력 제품 | 강점 | 주의점 |
|---|---|---|---|
| SK Hynix | HBM, DRAM | HBM 점유율 1위, NVIDIA 주요 공급사 | - |
| Samsung | HBM, DRAM, NAND | 다각화된 포트폴리오, 파운드리 연계 | HBM 수율 개선 중 |
| Micron | DRAM, NAND | 미국 기업, 정부 지원 | 한국 기업 대비 기술 격차 |
| SanDisk (WD) | NAND, SSD | HBF용 NAND 공급 가능성 | - |
| Kioxia (일본) | NAND | HBF 시장 진출 가능 | 주가 흐름 관찰 필요 |
투자 근거:
- 수요는 10배 증가 예상 (10년 내)
- 공급은 3배 증설이 현실적 (리스크 관리)
- 가격 상승 여력 충분 (병목 현상 지속)
- SSD 수요 동반 상승 (Real-time Training 확산)
한국 기업의 생태계 포지셔닝
강점 영역:
- HBM/HBF: 세계 시장 과점 (SK Hynix, Samsung)
- DRAM: 기술 리더십 유지
- NAND: 3대 공급사 중 2개
- Foundry: TSMC 다음 선택지 (지정학적 리스크 분산)
약점 영역:
- AI 모델: 알고리즘, 데이터, 학습 인프라 모두 부족
- GPU: 개발 역량 전무
- 서비스 플랫폼: 글로벌 경쟁력 미약
- 데이터: 국내 시장 한정
전략적 방향:
- 부품 공급자로서의 입지 강화: HBM/HBF에서 기술 격차 유지
- Foundry + Memory 패키지: 고부가가치 패키징 기술 확보
- 틈새 AI 모델: 한국어 특화, 산업 특화 모델 개발
- 에이전트 AI 생태계 참여: MCP 프로토콜 기반 서비스 AI 개발
AMD의 부상 가능성
AMD MI455X의 혁신:
- GPU 2개 + HBM 16개 구성
- 2등 기업 특유의 공격적 혁신
- 가격 경쟁력: NVIDIA 대비 1/4 수준
AMD의 약점:
- CUDA 생태계 부재
- 메이저 파트너 부족
역사적 유추:
- CPU 시장에서 Intel 독주를 깨뜨린 선례 있음
- 시간이 걸리더라도 기술 격차 해소 가능
한국 AI 스타트업 사례:
- CUDA 포기하고 AMD GPU 채택
- 성능 유사, 가격 1/4
- 불편함을 감수할 만한 경제성
바둑 AI가 증명한 민주화의 역설
AlphaGo 이후 바둑계에 일어난 변화는 AI 시대의 교육과 경쟁 구조를 예고한다.
과거: 엘리트 중심, 기원 기숙 시스템, 스승의 중요성 현재: AI가 개인 교습, 우후죽순 신진 세력 등장, 민주화
함의:
- 선생 없이도 최고 수준 학습 가능
- 지리적·경제적 장벽 소멸
- 개인의 노력이 더 중요해짐
대학 위기와의 연결:
- MIT, Stanford 강의가 YouTube에 무료 공개
- Notebook LM이 논문을 친절한 목소리로 요약
- 굳이 캠퍼스에 가야 할 이유 감소
바둑 AI의 핵심 수학: 복리(Compound Interest)
바둑돌 하나를 두는 것은 최종 승패까지 영향을 미친다. AI는 각 수를 뒀을 때의 “미래 복리 효과”를 계산하여 최적의 수를 추천한다. 방송 해설에서 “승률이 54%로 올라갔습니다”라는 표현이 바로 이 복리 계산의 결과다.
DeepSeek의 혁신: 1년 전 DeepSeek라는 중국 기업이 이 복리 함수를 최적화한 논문을 발표했다. 겉으로는 복잡한 수식이지만, 본질은 중고등학교에서 배운 복리 원리다.
실전 조언: 개인이 할 수 있는 것
학부생·취업준비생
필수 역량:
- 수학: 선형대수, 미적분, 확률통계 (대학 1-2학년 수준)
- 논리적 사고: AI에게 정확히 설명하는 능력
- AI 툴 활용: Gemini, ChatGPT, Claude 등 능숙하게 사용
학습 전략:
- 전공보다 수학 부전공 추천
- AI가 코딩을 대신하므로, 개념과 철학이 더 중요
- 개인 프로젝트에 AI 활용 (게임, 앱, 논문 작성)
투자자
단기 전략 (1-2년):
- 삼성전자, SK Hynix (HBM 수혜)
- Google 모회사 Alphabet
- AMD (도전자 프리미엄)
중기 전략 (3-5년):
- Broadcom (AI 칩 IP, 네트워킹)
- SanDisk/Kioxia (HBF 시장)
- TSMC (파운드리 지정학)
장기 전략 (5-10년):
- 에이전트 AI 생태계 주도 기업 (아직 불확실)
- 데이터 기업: 디즈니, Netflix (멀티모달 원천 데이터)
위험 신호:
- 전력 공급 실패 (데이터 센터 건설 지연)
- HBF 개발 지연 (2027-2028 타이밍 중요)
- 에이전트 AI 생태계 표준 경쟁 결과
기업가·개발자
기회 영역:
- 에이전트 AI 서비스: 특정 도메인 전문 에이전트 (법률, 의료, 교육)
- MCP 기반 플러그인: Google/OpenAI 생태계 내 틈새 서비스
- 개인화 AI: 한국 문화·언어 특화
준비 사항:
- 개인이 게임·앱 개발 가능한 시대 (Gemini Vibe Coding)
- 경영자 없이도 창업 가능 (1인 기업의 폭발)
- 대신 논리와 시나리오 기획 능력 필수
결론: 수학과 철학의 시대
김정호 교수의 핵심 메시지는 명확하다. AI 시대의 본질은 기능이 아니라 수학이고, 미래의 경쟁력은 코딩이 아니라 논리적 사고다.
Google이 최후의 승자가 될 가능성이 높은 이유는:
- 데이터 독점: 10-20년간 축적한 사용자 데이터
- Full Stack 완성: 모델부터 단말기, 서비스까지
- 선견지명: Transformer, AlphaGo 등 핵심 기술 선점
- TPU 자립: NVIDIA 의존도 감소
그러나 변수는 존재한다:
- 에이전트 AI 생태계의 표준 경쟁: 누가 MCP를 장악하느냐
- NVIDIA-Apple-AMD 연합 가능성: 대안 진영 형성
- 중국의 DeepSeek 추격: 수학 혁신으로 효율성 돌파
한국은 메모리 강국으로서의 입지를 굳건히 하고, 에이전트 AI 생태계 내에서 독자적 역할을 찾아야 한다. 단순 부품 공급자를 넘어, 한국어·한국 문화 특화 AI로 글로벌 생태계에 연결되는 전략이 필요하다.
마지막 당부: 오타니의 타율이 3할 4푼이듯, 모든 예측이 맞을 수는 없다. 하지만 본질을 이해하고 준비한 자만이 기회를 잡을 수 있다. 지금은 수학을 공부하고, AI 툴을 익히며, 논리적 사고를 훈련할 시간이다.
투자 참고 기업 요약
| 분류 | 기업 | 포지션 | 투자 근거 |
|---|---|---|---|
| 메모리 | SK Hynix | HBM 1위 | NVIDIA 주요 공급, 기술 선도 |
| 메모리 | Samsung | HBM/NAND/Foundry | 다각화, 규모의 경제 |
| 메모리 | Micron | DRAM/NAND | 미국 기업, 정부 보조금 |
| 플랫폼 | Alphabet (Google) | Full Stack | 데이터, 모델, TPU, 생태계 |
| GPU | NVIDIA | GPU 1위 | 시장 지배력, CUDA 생태계 |
| GPU | AMD | 도전자 | 가격 경쟁력, 혁신성 |
| 네트워크 | Broadcom | AI 칩 IP, 네트워킹 | Google TPU 협력, 광통신 |
| NAND | SanDisk/Kioxia | HBF 후보 | 2027-2028 HBF 시장 |
본 리포트는 KAIST 김정호 교수의 강연을 바탕으로 작성되었으며, 투자 권유가 아닌 정보 제공 목적입니다.