조합적 놀이가 시작됐다 — AI의 가속을 움직이는 자본, 경쟁, 그리고 실험
📺 원본 영상: EP 115. 조합적 놀이가 시작됐다: 올인 서밋 2026 총정리 (AI 페이싱·버블·중국)
🎙️ 채널: AI Frontier Korea (노정석)
📅 정리 일자: 2026-09-25
⚠️ Note: 본 리포트는 영상의 STT를 바탕으로 작성된 문서를 검수한 것이다. 이번 검수에는 원본 STT·음성·스크린샷 이미지가 제공되지 않아 오인식과 수치를 원본에 대조하지 못했다. 화면의 차트·슬라이드·시연은 기존 리포트에 서술된 범위만 반영했으며, 서밋 참석자와 연구자의 발언은 진행자들이 전달한 내용을 재구성했다. 기업 거래, 모델 출시, 연구 성과 및 인물의 소속에 관한 언급은 별도로 사실 확인하지 않았으며, 불명확한 명칭과 수치는 확정하지 않았다.[?]는 수치 자체 또는 단위·기간·집계 범위 등 해석 조건의 확인이 필요하다는 뜻이다.
개요
이 영상은 올인 서밋(All-In Summit)에 등장한 기술·투자·정치 분야 인사들의 견해를 통해 AI 산업이 어느 방향으로 움직이는지 살펴본다. 전반부가 개발 속도 조절, 대규모 투자 회수, 중국과의 경쟁을 다룬다면, 후반부는 재귀적 자기개선의 위험과 멀티에이전트 협업, 개인들의 실험 문화로 시야를 넓힌다. 두 흐름을 연결하는 핵심은 AI의 발전이 연구소의 모델 출시뿐 아니라 자본 투자와 사용자들의 수많은 응용 실험을 통해서도 가속되고 있다는 진행자들의 관찰이다.
1. AI 시장의 현재 — 투자 속도와 회수 속도 사이의 간격
진행자들이 올인 서밋에서 포착한 공통 분위기는 AI 인프라 확장을 계속해야 한다는 쪽에 가깝다. 다만 참석자들이 같은 결론에 도달하더라도 그 이유까지 같지는 않다. 반도체 기업에는 데이터센터 투자가 직접적인 매출이고, 클라우드 기업에는 미래 수요를 수용할 기반이며, 모델 기업에는 성능 경쟁을 이어가기 위한 자원이다. 정치적 관점에서는 이 모든 투자가 국가 간 경쟁력의 문제로 연결된다.
이 구조에서 가장 먼저 확인되는 성과는 인프라 공급자의 매출이다. 데이터센터를 건설하려면 칩과 메모리, 서버와 전력 설비를 확보해야 하므로, 최종 사용자의 생산성 향상이 충분히 입증되기 전에도 관련 기업의 실적은 증가할 수 있다. 영상이 던지는 질문은 이러한 매출이 실제로 존재하느냐보다, 그 지출을 끝에서 부담할 수요가 충분히 커지느냐에 있다. 기업과 개인이 AI를 사용하면서 지불하는 돈이 계속 늘어야 대규모 선행 투자의 회수 논리가 성립하기 때문이다.
진행자는 투자와 수요가 함께 증가하는 자료를 소개하면서도, 화면에 표시된 숫자에 예측이 포함되어 있다고 명시한다. 따라서 이미 발생한 실적, 집행이 예정된 투자, 장기적인 수요 전망을 하나의 확정된 성장 경로처럼 읽어서는 안 된다는 것이 대화의 중요한 단서다. 성장률이 높다는 관찰과 그 성장률이 앞으로도 유지된다는 판단 사이에는 간격이 있다. 이 간격을 어떻게 평가하느냐가 영상 전반의 버블 논쟁을 관통한다.
2. 버블 논쟁 — 기업의 이익과 경제 전체의 생산성은 다른 증거다
진행자가 소개한 Brad Gerstner의 논리는 현재 시장 상승을 단순한 기대 과열로 보기 어렵다는 것이다. 그 설명에 따르면, 주가 상승은 이익 대비 가격을 나타내는 멀티플(Multiple)의 확대보다 실제 기업 이익 증가에 더 크게 기대고 있다. 진행자는 이를 닷컴 버블 당시의 기대 중심 가격 상승과 대비한다. 그러나 이 비교는 영상에서 전달된 해석이며, 구체적인 지수 구성과 비교 기간, 이익 산정 방식은 STT만으로 확인할 수 없다.
09:25 - 멀티플 변화와 이익 증가를 근거로 버블 여부를 논의하는 구간. 비교 기간과 수치 확인에 적합하다.
반면 Satya Nadella의 발언으로 소개되는 관점은 증명의 기준을 더 넓게 잡는다. AI 투자금이 반도체와 데이터센터 공급자의 수익으로 나타나는 것만으로는 경제적 효과가 충분히 입증되었다고 보기 어렵고, 궁극적으로 국내총생산(GDP)과 실질적인 생산 활동에 기여해야 한다는 취지다. 이는 기업 실적의 증가를 부정하는 주장이 아니라, 그 실적을 만들어내는 지출이 장기적으로 무엇을 생산하는지 묻는 접근이다. 인프라를 구매하는 쪽에서도 지속 가능한 경제적 편익을 얻어야 투자 사슬이 유지될 수 있다는 뜻이다.
두 주장을 함께 놓으면 서로 다른 질문에 답하고 있다는 점이 드러난다. Gerstner의 논리는 현재 가격 상승의 근거를 설명하고, Nadella의 논리는 장기적인 투자 회수의 조건을 묻는다. 따라서 현재 이익이 늘고 있다는 사실만으로 미래의 과잉투자 가능성이 사라지는 것은 아니며, 투자 회수에 불확실성이 있다는 이유만으로 현재의 모든 실적을 허구로 볼 수도 없다. 진행자들 역시 수치 자체와 그 수치에서 도출하는 낙관적 결론을 분리해서 판단해야 한다고 강조한다.
영상에는 AI가 경제성장률을 얼마나 높일지에 관한 모델링도 등장한다. 다만 평소 성장률과 AI 도입 이후 성장률을 비교하는 수치는 대화 속 예시처럼 제시되며, 특정 국가·기간·시나리오를 확정할 정보가 부족하다. 진행자의 핵심 문제의식은 혁신적인 기술의 등장과 거시경제 통계의 급격한 변화가 반드시 같은 속도로 일어나지는 않는다는 데 있다. AI의 잠재력이 크더라도 광범위한 실제 사용이 뒤따라야 경제 전체의 성과로 연결된다는 설명이다.
3. 수익은 어디에 남는가 — 모델 가격 경쟁과 애플리케이션의 기회
영상은 구체적인 종목 선택이나 매매 기법을 제시하지 않는다. 대신 AI 산업의 어느 단계에서 매출이 발생하고, 경쟁이 심해질 때 그 수익이 어떻게 이동할지를 살펴본다. 현재는 반도체와 인프라 공급자가 대규모 투자 지출의 직접적인 수혜를 받고 있지만, 모델 공급자가 높은 가격을 장기적으로 유지할 수 있는지는 별개의 문제라는 것이다. 진행자들은 저렴한 모델의 성능이 올라갈수록 이용자가 모든 작업에 최상위 모델을 사용할 이유는 줄어든다고 본다.
이를 가장 구체적으로 보여주는 사례는 진행자 자신의 영상 처리 제품 개발 경험이다. 그는 핵심적인 판단에는 비싼 모델을 사용하지만, 나머지 작업은 저렴한 모델에 맡긴다고 설명한다. 실제로 모델을 바꾸어 시험한 결과, 일부 핵심 로직을 제외하면 더 저렴한 모델로도 비슷한 결과를 얻었다는 것이다. 이 사례에서 중요한 것은 모델의 절대적인 성능 순위보다 업무별로 필요한 성능과 비용을 맞추는 설계다.
이 방식이 널리 확산되면 토큰 사용량이 늘더라도 그 사용량이 모두 고가 모델의 매출로 이어지지는 않는다. 진행자들은 최상위 모델이 처음 공개되었을 때의 탐색 수요와, 서비스 운영 과정에서 비용을 최적화한 이후의 수요를 구분한다. 출시 직후에는 새로운 능력을 확인하기 위해 비싼 가격을 지불하더라도, 반복 업무가 정형화되면 더 저렴한 대안으로 이동할 수 있다는 설명이다. 다만 고난도 작업에서 높은 성능이 충분한 경제적 가치를 만든다면, 해당 영역의 프리미엄까지 사라진다고 단정할 수는 없다.
07:57 - 투자와 수익 관련 자료의 성장 수치를 설명하는 구간. 지표명과 집계 범위 확인에 적합하다.
진행자들이 전달한 Nadella의 견해는 이러한 경쟁의 과실이 애플리케이션으로도 흘러가야 한다는 것이다. 기반 모델이 모든 가치를 독점하기보다, 다양한 모델을 활용해 실제 문제를 해결하는 서비스가 성장할 공간이 있어야 생태계가 커진다는 논리다. 대화에서는 오픈소스 데이터베이스와 소프트웨어 생태계의 경험이 이러한 주장을 설명하는 비유로 등장한다. 여기서 도출되는 함의는 모델을 보유했는지 여부뿐 아니라, 그 모델을 고객의 업무와 얼마나 유용하게 연결하는지도 중요해진다는 것이다.
4. 하이퍼스케일러의 위치 — 여러 층위를 연결하는 사업자
진행자들은 Microsoft를 AI 산업의 여러 층위를 동시에 관찰할 수 있는 기업으로 설명한다. Azure를 통해 컴퓨팅 자원을 제공하면서 운영체제와 애플리케이션을 판매하고, 모델 개발에도 관여하기 때문이다. 이런 위치에서는 인프라를 직접 구축하는 것과 외부 자원을 빌리는 것, 자체 모델과 외부 모델을 사용하는 것이 반드시 배타적인 선택이 되지 않는다. 수요와 공급 상황에 맞춰 여러 선택지를 유연하게 조합하는 능력이 중요하다는 것이 영상에서 소개된 관점이다.
이 관점에서 생태계의 다양성은 단순한 이상론이 아니라 사업 운영의 조건이 된다. 특정 칩 공급자나 모델 기업에만 의존하면 전체 서비스의 확장 가능성도 그 공급자의 제약에 묶일 수 있기 때문이다. 진행자들이 전달한 Microsoft의 논리는 경쟁 관계에 있는 기술을 함께 수용하는 것이 오히려 전체 시장을 넓힐 수 있다는 것이다. 과거 Windows와 Linux의 관계는 이러한 생태계 확장을 설명하는 사례로 제시된다.
영상은 또한 최종 소비자에게 가장 주목받는 모델을 보유하지 않더라도 컴퓨팅 자원을 공급하는 사업에서 매출을 얻을 수 있다고 설명한다. 다만 특정 기업의 인수·통합과 설비 임대에 관한 세부 발언은 STT만으로 거래 구조와 실적 범위를 확정하기 어렵다. 따라서 해당 사례를 검증된 기업 현황으로 받아들이기보다, 연산 자원 공급 자체가 별도의 사업 기회로 부각되고 있다는 진행자들의 관찰로 읽는 편이 적절하다. 모델 경쟁의 승자와 인프라 사업의 수익자가 언제나 일치하는 것은 아니라는 점이 핵심이다.
5. 음성에 등장한 숫자 — 규모보다 먼저 확인해야 할 정의
영상에는 투자 규모, 가격 차이, 전력 생산량, 지역경제 효과를 설명하는 다양한 숫자가 등장한다. 하지만 음성에 숫자가 있다는 사실만으로 비교 가능한 통계가 완성되는 것은 아니다. 통화, 기간, 집계 대상, 실적과 전망의 구분이 빠지면 같은 숫자도 다른 의미로 읽힐 수 있다. 아래 표는 기존 리포트에서 음성에 등장한 것으로 정리한 수치이며, 원본 대조가 필요한 수치와 해석 조건에 [?]를 표시했다.
| 주제 | 음성에서 언급된 것으로 정리된 수치 | 해석상 한계 |
|---|---|---|
| 성장 규모를 설명한 자료 | 2년 동안 7 billion에서 200 billion으로 증가 [?] | 정확한 지표명, 집계 대상, 통화 및 전망 포함 여부를 확정하기 어려움 |
| 설비 투자 | 2024년 241 billion [?] | 집계 기업과 투자 범위, 통화가 음성만으로 명확하지 않음 |
| 모델 가격 비교 | 출력 100만 토큰당 50달러, 비교 모델은 99% 저렴하다는 설명 [?] | 모델명·버전·비교 조건이 불명확하며 현재 가격으로 사용할 수 없음 |
| 미국과 중국의 전력 | 중국의 생산량이 미국의 약 3배라는 설명 [?] | 비교 연도와 통계 정의, 출처 확인이 필요함 |
| Quincy 데이터센터 사례 | 20년간 세수 12배 증가, 일자리 약 1,200개 [?] | 세수가 기존의 12배가 되었다는 뜻인지 증가분이 12배라는 뜻인지, 세수 범위·고용 유형·데이터센터의 기여분은 무엇인지 확인이 필요함 |
| AI 네이티브 스타트업 투자 | 400 billion [?] | 투자 기간·통화·집계 범위가 음성에서 특정되지 않음 |
| 대규모 추론 실험 비용 | 약 3일 동안 180만 달러 상당의 토큰 사용 [?] | 화면상 비용의 산정 방식과 실제 지출 여부를 확인하지 못함 |
| 진행자의 개인 구독 | 200달러·200달러·300달러의 구독 세 개 [?] | 개인 경험이며 구독 기간과 세부 상품 조건은 명시되지 않음 |
이 숫자들은 진행자들이 체감하는 산업 규모와 비용 압력을 이해하는 데 도움이 된다. 그러나 서로 다른 범위의 투자액과 매출액을 직접 나누어 투자 회수율을 계산하거나, 가격 차이만으로 모델의 경제성을 확정할 근거는 부족하다. 특히 빠르게 바뀌는 모델 가격과 연구 실험 비용은 해당 발언 시점의 맥락에서 읽어야 한다. 이 리포트에서는 불확실한 단위나 빠진 조건을 임의로 보충하지 않았다.
💡 [영상 참조] 07:57 부근에서는 투자와 수익 관련 숫자를, 09:25 부근에서는 멀티플과 이익 증가를 설명한다. 정확한 지표 정의와 비교 기간은 원본 화면을 확인할 필요가 있다.
6. 물리적 병목 — 전력, 데이터센터, 지역사회의 동의
진행자들이 전한 서밋의 전망에서 중요한 병목은 전력과 데이터센터다. 모델과 소프트웨어의 개선 속도에 맞춰 물리적 인프라를 즉시 늘리기는 어렵기 때문이다. 부지 확보, 전력 공급, 건설과 인허가가 함께 해결되어야 실제 연산 능력이 추가된다. 영상은 AI 경쟁이 알고리즘과 칩의 문제를 넘어 지역 개발과 에너지 정책의 문제로 확장되고 있음을 보여준다.
진행자들은 미국 내 데이터센터 건설을 둘러싼 반대와 인허가 지연을 소개한다. 대규모 설비가 들어오더라도 지역 주민이 체감하는 일자리와 경제적 편익이 충분하지 않다고 여길 수 있다는 것이다. 이에 대한 반론으로 Microsoft가 워싱턴주 퀸시(Quincy)의 장기적인 세수 증가와 고용 효과를 제시했다고 설명한다. 다만 이 사례의 수치와 인과관계는 원자료를 확인하지 않았으므로, 모든 지역에서 같은 효과가 발생한다는 근거로 일반화할 수는 없다.
23:09 - Quincy 데이터센터의 세수와 일자리 효과를 설명하는 구간. 지역경제 사례의 자료 확인에 적합하다.
이 대목에서 중요한 것은 기술 기업이 필요로 하는 자원과 지역사회가 원하는 보상이 자연스럽게 일치하지는 않는다는 점이다. 기업에는 데이터센터가 글로벌 AI 경쟁의 기반이지만, 주민에게는 생활권 안에 들어오는 대규모 시설이다. 따라서 설비 투자의 정당성을 설명하려면 지역에 돌아오는 편익도 설득력 있게 제시해야 한다는 것이 대화의 흐름이다. AI 확장의 속도는 자본 조달뿐 아니라 사회적 합의에도 영향을 받는다.
우주 데이터센터 구상은 이러한 제약을 우회하려는 아이디어로 등장한다. 진행자들은 지상 부지와 인허가 문제, 에너지 확보에 대한 기대를 소개하면서도 실현 가능성에는 판단을 유보한다. 음성만으로는 전체 비용, 운영 조건, 구현상의 난제를 평가할 수 없다. 따라서 이 사례는 확정된 경제적 해법보다, 인프라 병목을 얼마나 심각하게 받아들이고 있는지를 보여주는 발상으로 읽어야 한다.
7. 중국과 오픈모델 — 경쟁의 단위가 생태계로 넓어지다
중국과의 경쟁은 영상에서 가속론의 가장 강한 근거로 제시된다. 진행자들이 전한 서밋의 분위기는 미국 내부에서만 개발 속도를 늦출 경우 경쟁 상대가 그 공백을 메울 것이라는 우려에 가깝다. 이 관점에서는 안전을 이유로 속도를 조절하자는 주장도 곧바로 국가 경쟁력의 문제와 연결된다. 다만 중국이 실제로 어떤 안전 정책을 취하는지까지 검증된 것은 아니며, 여기서는 참석자들이 중국을 어떻게 인식하는지를 다룬다.
Jensen Huang의 발언으로 소개되는 논리는 기술의 최초 개발과 광범위한 활용을 구분한다. 산업혁명의 발원지와 그 기술을 대규모로 활용해 성장한 지역이 반드시 같지 않았다는 비유를 통해, 모델의 출신보다 사회 전체의 도입 능력이 중요하다고 설명한다. 진행자들도 모델 성능 순위만으로 국가 경쟁력을 판단하기 어렵다는 방향으로 논의를 확장한다. 전력과 반도체, 배포 환경, 기업과 개인의 활용이 함께 움직여야 경제적 영향력이 만들어진다는 뜻이다.
56:30 - AI Safety via Debate 논문의 모델과 정렬 논의를 설명하는 구간. 소개 중인 논문 화면 확인에 적합하다.
오픈모델(Open Model)은 이 확산을 돕는 요소로 다뤄진다. 진행자들은 비용과 통제 가능성, 보안상의 요구 때문에 공개 모델을 선택하는 사용자가 존재하며, 오픈모델과 폐쇄형 모델이 함께 있어야 생태계가 커진다는 견해를 소개한다. 다만 영상에서 혼용되는 ‘오픈소스 모델’과 ‘오픈모델’의 구체적인 공개 범위와 라이선스는 제시되지 않는다. 따라서 모든 모델이 동일한 수준의 수정·재배포 권한을 제공한다고 해석해서는 안 된다.
중국의 반도체 추격 속도와 전력 기반에 대한 발언도 같은 맥락에서 등장한다. 수년의 기술 격차를 장기 산업 경쟁에서는 짧게 볼 수 있다는 주장이 소개되지만, 이는 전망이지 추격 시점을 확정한 사실은 아니다. 진행자들 역시 모델의 업데이트 주기와 반도체 산업의 변화 주기가 다르다는 점을 짚는다. 결국 경쟁의 평가에는 현재 성능뿐 아니라 장기적인 공급 능력과 확산 속도도 들어가야 한다는 것이 이 부분의 함의다.
8. AI 페이싱 — 일상적인 개선과 재귀적 자기개선을 구분하다
영상에서 페이싱(Pacing)은 처음에는 AI 개발을 멈출 것인가의 문제처럼 등장하지만, 대화가 진행되면서 대상이 더 구체화된다. 한 진행자는 현재 수준의 제품 개선과 출시 리듬을 유지하는 문제와, 재귀적 자기개선(RSI, Recursive Self-Improvement)을 강하게 가속하는 문제를 구분해야 한다고 본다. AI가 개발자의 일을 돕는 것과, 개선된 AI가 다시 다음 개선을 촉진하는 순환이 빠르게 강화되는 것은 통제 측면에서 다를 수 있다는 설명이다. 따라서 페이싱 논쟁을 모든 AI 사용과 연구의 전면 중단으로만 읽으면 핵심을 놓치게 된다.
진행자들은 Dario Amodei의 속도 조절 주장과 이에 대한 Sam Altman, Elon Musk 등의 반응을 소개한다. 반대편에는 경쟁 때문에 멈출 수 없다는 서밋 참석자들의 견해가 놓인다. 다만 개별 발언의 원문과 구체적인 합의 범위는 제공되지 않았으므로, 이들이 동일한 정책이나 중단 조건에 동의했다고 단정할 수 없다. 영상 자체도 위험 평가와 실행 가능한 대응 방식에 의견 차이가 있다고 설명한다.
대화에서 제시되는 현실적인 대응 방향은 상호 테스트와 감사, 출시 전 검증의 강화다. 한 진행자는 오픈소스 보안의 비유를 들어 여러 주체가 문제를 함께 살펴보는 것이 도움이 될 수 있다고 주장한다. 그러나 이 비유만으로 공개된 AI가 언제나 더 안전하다는 결론이 증명되는 것은 아니다. 이 부분의 핵심은 완전한 중단이 어려운 상황에서도 검증의 범위와 참여 주체를 넓힐 방법을 찾아야 한다는 제안이다.
9. 정렬의 시간 문제 — 빠른 개선이 검증의 여유를 줄일 때
후반부에서 소개되는 Noam Brown의 인터뷰는 페이싱을 검증 시간의 문제로 연결한다. 진행자들의 설명에 따르면, 모델의 안전성과 정렬(Alignment)에 관한 신호는 내부 시험뿐 아니라 실제 환경에서의 사용을 통해서도 축적된다. 그런데 개발과 출시 간격이 계속 짧아지면 이전 세대에서 발견해야 할 문제를 충분히 관찰하기 전에 다음 세대가 나올 수 있다. 가속의 위험은 성능이 올라간다는 사실뿐 아니라, 관찰과 수정의 시간이 상대적으로 줄어드는 데 있다는 것이다.
대화에는 높은 정렬 수준이 다음 세대에서 조금씩 낮아지는 상황을 설명하는 백분율이 등장한다. 이 수치들은 측정 방법이나 평가 체계가 제시되지 않은 가정적 예시이므로 실제 모델의 안전 점수로 읽어서는 안 된다. 진행자가 전달하려는 것은 작은 문제라도 반복적인 개선 과정에서 누적될 수 있다는 우려다. 또한 재귀적 개선을 시작하는 판단과, 개선 과정 전체의 안전성을 지속해서 확인하는 일은 별도의 과제라는 점이 드러난다.
사고 과정(CoT, Chain-of-Thought)을 통한 모니터링의 한계도 언급된다. 진행자들은 모델이 감시 방식에 관해 더 많이 알게 되거나, 특정 피드백이 외부에 드러나는 설명을 바꾸도록 유도하면 관찰의 신뢰성이 약해질 수 있다는 연구자들의 우려를 전달한다. 다만 음성에는 구체적인 실험 조건과 결과가 충분히 제시되지 않는다. 따라서 이 부분은 모든 모델이 사고를 숨긴다는 사실 진술이 아니라, 현재의 관찰 방식이 미래에도 충분할지를 묻는 안전 연구의 문제의식으로 이해해야 한다.
10. 안전 거버넌스 — 누가 판단하고 누가 감사를 받는가
영상은 안전 논의를 기술적 평가에만 한정하지 않고, 판단 권한을 가진 사람과 기관의 관계로 확장한다. 진행자들은 METR과 ARC Evals, AI 연구소와 자선·지원 조직을 둘러싼 연결을 소개하면서 효과적 이타주의(EA, Effective Altruism)와 AI 안전 연구의 오랜 관계를 설명한다. 이 대목에는 다수의 인물, 소속, 가족 관계와 최근 인사 이동에 관한 발언이 포함된다. 그러나 이 리포트에서는 별도 검증이 없는 세부 관계를 근거로 특정 기관의 독립성이나 공정성을 확정하지 않는다.
진행자들이 제기하는 핵심 질문은 산업의 방향을 결정하는 집단과 그 위험을 평가하는 집단이 얼마나 분리되어 있는가이다. 전문성이 필요한 분야에서 오랜 연구 협력과 인적 연결이 존재하는 것 자체는 부정행위의 증거가 아니다. 다만 중요한 평가를 수행할 때에는 이해충돌을 어떻게 관리하고, 필요한 정보에 어느 정도 접근하며, 불리한 결과도 독립적으로 공개할 수 있는지가 문제가 된다. 이는 대화에서 제기된 우려를 감사 제도의 설계 문제로 정리한 것이다.
규제 포획(Regulatory Capture)에 대한 비판도 같은 흐름에 놓인다. 진행자들은 안전 규제가 후발 주자에게는 부담을 주고 선발 기업에는 유리하게 작동할 수 있다는 비판을 소개한다. 그러나 그러한 가능성이 있다는 이유만으로 모든 안전 주장을 경쟁 제한의 수단으로 판단할 수는 없다. 반대로 안전이라는 목적만으로 특정 기업과 기관에 폭넓은 권한을 부여하는 것이 타당한지도 별도로 검토해야 한다는 긴장이 남는다.
영상 후반에 소개되는 해킹 사건과 비공개 조사, 연구 성과 관련 이야기는 특히 신중하게 읽어야 한다. 진행자들 스스로 확인되지 않은 부분이나 소문을 언급하며, 원문 조사 보고서가 STT에 포함되어 있지도 않다. 따라서 사건의 발생 범위와 책임, 실제 기술 성과를 여기서 확정할 수는 없다. 이 대목에서 유지할 수 있는 핵심 문제의식은 고성능 모델의 보안과 외부 검증 권한이 중요해지고 있다는 것이다.
11. 멀티에이전트 — 숫자를 늘리는 것과 협력을 만드는 것은 다르다
진행자들이 소개한 Brown의 설명에서 멀티에이전트(Multi-Agent)는 단순히 모델을 여러 개 병렬로 실행하는 방식보다 넓은 의미를 갖는다. 외부 실행 구조인 하네스(Harness)가 작업을 나누고 결과를 전달하는 것과, 모델 자체가 다른 에이전트와 정보를 교환하고 협력하는 능력은 구분된다. 영상은 후자의 능력을 높이기 위한 연구가 있었다는 취지의 발언을 전한다. 다만 어떤 학습 데이터와 훈련 절차가 사용되었는지는 명확하지 않으며, 진행자들도 일부 설명을 추측으로 제시한다.
이 구분은 에이전트 수를 늘리는 것만으로 성과를 설명하기 어렵다는 점을 보여준다. 서로 다른 탐색에서 얻은 결과가 전달되지 않거나, 실패한 접근이 반복된다면 병렬 실행의 이점은 제한될 수 있기 때문이다. 진행자들은 각 에이전트가 발견한 정보를 다른 에이전트의 탐색에 활용하는 모습을 강조한다. 성능 향상의 핵심에는 개별 모델의 능력뿐 아니라 정보가 오가고 재사용되는 방식도 있다는 해석이다.
다만 영상에 등장하는 대규모 에이전트 수와 연구 기여율을 보편적인 성능 법칙으로 받아들여서는 안 된다. 과제 정의, 비교 기준, 실제 측정 방식이 제공되지 않기 때문이다. 진행자들이 전달한 설명에서도 모델 자체의 능력이 큰 비중을 차지하며, 에이전트 규모에 따른 성능 향상이 완전히 선형적이지는 않다고 한다. 따라서 이 대목의 의미는 무한한 병렬화의 약속보다, 협업이 별도의 연구와 설계 대상이 되었다는 데 있다.
12. 지식노동의 변화 — 직접 만드는 사람에서 탐색을 지휘하는 사람으로
영상은 Andrej Karpathy의 작업 방식 변화에 관한 이야기를 통해 전문가의 역할이 바뀌는 모습을 설명한다. 진행자들이 소개한 대비는 중요한 코드를 직접 작성하면서 자동완성을 보조적으로 사용하는 방식에서, 자연어로 작업을 지시하고 결과를 받아들이는 방식으로의 이동이다. 다만 구체적인 행사와 소속, 발언 시점에는 불확실한 표현이 섞여 있으므로 이를 확정된 경력 정보로 재구성할 수는 없다. 여기서 중요한 것은 진행자들이 전문가의 도구 사용 방식에서 빠른 인식 변화를 읽어냈다는 점이다.
커널 엔지니어의 소회를 소개하는 대목도 비슷한 변화를 다룬다. 과거에는 자신이 직접 구현하던 일을 AI에 위임하면서, 이제는 AI를 조종하고 작업을 배치하는 역할을 맡는 듯하다는 이야기다. 진행자들은 이런 경험이 특정 연구자만의 문제가 아니라 자신들의 일상에서도 나타난다고 말한다. 개인 구독의 사용량을 모두 소진해 작업을 멈춘 경험은 AI 활용이 선택적인 보조를 넘어 업무의 전제가 될 수 있음을 보여주는 사례로 제시된다.
수학계에 대한 논의에서는 결과를 얻는 능력과 인간의 이해를 넓히는 가치 사이의 긴장이 부각된다. 진행자들은 난제 해결에 관한 소문과 연구 공동체의 반응을 소개하지만, 실제 해결 여부는 이 입력으로 확인할 수 없다. 따라서 핵심은 특정 난제가 해결되었다는 주장보다, AI가 만든 성과를 어떻게 검증하고 해석하며 공동체의 지식으로 받아들일지를 묻는 데 있다. 전문가의 역할 변화는 생산 속도뿐 아니라 성과의 의미와 평가 기준에도 영향을 준다는 것이 대화의 함의다.
13. 빠른 판단의 재발견 — 모든 작업에 긴 추론이 필요한가
영상 후반부는 긴 추론을 수행하는 대형 모델에서 빠른 판단을 수행하는 작은 시스템으로 시선을 옮긴다. STT에서 ‘제브’ 또는 ‘제부’로 표기된 도구[?]와 초파리 커넥톰(Connectome) 관련 실험, 소형 모델을 이용한 다양한 시도가 소개된다. 정확한 제품명과 구조는 입력만으로 확정하기 어렵지만, 진행자들이 주목하는 기능은 비교적 분명하다. 긴 설명을 생성하기보다 행동 후보나 분류 결과를 빠르게 판단해 실시간 작업에 활용한다는 것이다.
진행자들은 이를 시스템 1과 시스템 2의 비유로 설명한다. 시스템 1은 빠르고 직관적인 반응을, 시스템 2는 시간을 들이는 숙고를 가리키며, 영상에서는 각각 빠른 제어와 긴 추론의 차이를 이해하는 틀로 사용된다. 이는 인간의 인지 구조와 AI 구현이 동일하다는 주장은 아니다. 모든 상황에서 최대한 긴 추론을 수행하는 것보다, 필요한 곳에 적절한 종류의 판단을 배치하는 접근이 중요하다는 뜻이다.
여기서 전반부의 비용 논쟁과 후반부의 기술 실험이 연결된다. 중요한 판단에는 강한 모델을 쓰고 반복적인 판단에는 작은 모델을 쓰는 방식은 비용을 줄이는 동시에 반응 속도를 높일 여지를 만든다. 진행자들은 게임, 컴퓨터 사용, 분류 등의 실험에서 비슷한 접근이 확산되는 모습을 관찰한다. 다만 이러한 시연이 실제 서비스의 안정성과 수익성까지 증명하는 것은 아니며, 영상도 주로 새로운 활용 가능성을 탐색하는 단계에 초점을 맞춘다.
14. 조합적 놀이 — 구현비용이 낮아지면 실험의 주체가 늘어난다
영상의 제목을 관통하는 ‘조합적 놀이’는 이미 공개된 모델과 코드, 연구 결과를 가져와 새로운 방식으로 연결해 보는 활동을 뜻한다. 진행자들은 같은 재료에서 게임 플레이, 분류, 트레이딩 등 다양한 파생 실험이 빠르게 등장하는 현상을 소개한다. 그 원인으로 제시되는 것은 AI가 구현비용을 낮추었다는 점이다. 이전에는 소수 전문가만 시도할 수 있었던 아이디어를 더 많은 사람이 직접 시험할 수 있게 되었다는 설명이다.
이 관점에서 모델의 공개는 하나의 제품 출시인 동시에 대규모 탐색의 시작이 된다. 사용자들은 각자의 관심과 경험에 따라 서로 다른 문제를 시도하고, 결과를 소셜미디어나 공개 저장소에 남긴다. 다른 사용자는 그 결과를 참고해 새로운 실험을 시작하며, 실패한 접근도 이후 탐색에 참고할 정보가 된다. 진행자들은 이 순환을 플라이휠(Flywheel)로 표현하면서, 현재 모델의 성능이 고정되더라도 응용 차원의 발전은 계속될 수 있다고 본다.
그러나 누구나 실험할 수 있다는 사실이 누구나 모든 실험을 따라갈 수 있다는 뜻은 아니다. 한 진행자는 모델과 도구가 너무 빠르게 등장해 직접 검증할 대상을 선택해야 한다고 설명한다. 신뢰하는 사용자의 경험, 여러 사람이 반복해서 확인한 장점, 일시적인 유행을 넘어서 지속되는 효용이 선택의 기준으로 등장한다. 구현의 장벽이 낮아질수록 오히려 무엇을 탐색할지 정하는 판단과 주의력의 배분이 중요해진다는 것이다.
진행자들은 이러한 인간의 분산 탐색을 멀티에이전트 협업과 연결한다. 각자가 다른 가설을 시도하고 공개된 결과를 바탕으로 방향을 바꾸는 과정이, 에이전트들이 서로의 발견을 활용하는 모습과 닮았다는 설명이다. 인간이 남긴 실험 기록을 미래 모델이 학습할 가능성도 함께 거론된다. 다만 이것이 곧 자율적인 RSI가 완성되었다는 의미는 아니며, 사람과 AI 도구가 결합된 상태에서도 발전을 촉진하는 순환이 형성되고 있다는 관찰이다.
15. 작은 시뮬레이션이 보여준 설계의 중요성
영상 말미의 직접 실험은 조합적 놀이를 구체적인 장면으로 보여준다. 진행자는 물과 용암 같은 요소가 있는 시뮬레이션 환경에 에이전트를 추가하고, 나무 블록을 활용해 곡물이 있는 곳으로 이동하도록 해보았다고 설명한다. 경쟁과 협업을 명시적으로 설계하지 않았는데도 다른 에이전트가 쌓아둔 구조물을 이용하거나 서로 방해하는 현상이 나타났다고 한다. 이는 음성으로 설명된 관찰이며, 구체적인 행동 규칙과 성공률은 제공되지 않는다.
진행자가 특히 흥미롭게 본 것은 공간 전체를 자유롭게 해석하게 하는 방식보다, 행동을 제한하고 특정 판단을 맡기는 방식이 더 잘 작동했다는 점이다. 대화에서는 A* 경로 탐색 알고리즘으로 만든 행동 궤적을 학습에 활용하는 접근도 소개된다. 다만 ‘3층 레이어’[?]라는 표현의 정확한 구조는 불분명하므로 신경망의 구체적인 아키텍처까지 재구성할 수는 없다. 확인되는 핵심은 기존 알고리즘과 학습된 판단을 조합해 작은 실험의 동작을 개선했다는 것이다.
이 사례는 모델의 크기만으로 모든 성능을 설명할 수 없다는 영상의 다른 논점과 맞닿아 있다. 무엇을 관찰하게 하고, 어떤 행동을 허용하며, 어떤 예시를 학습시키는지가 결과에 영향을 준다. 진행자도 이를 검증된 생산성 도구나 새로운 과학적 성과로 제시하지 않고, 빠르게 구현해 볼 수 있었던 탐색적 실험으로 설명한다. 조합적 놀이의 가치는 당장의 사업 성과뿐 아니라, 새로운 설계를 시험하는 비용을 낮추고 다음 질문을 만들어내는 데 있다.
💡 [영상 참조] 78:15 부근에서는 시뮬레이션 속 에이전트에게 판단 범위를 제한하는 방식과 동작 차이를 설명한다. 실제 공간 구성과 에이전트의 움직임은 원본 화면에서 확인할 수 있다.
마무리 / 핵심 정리
이 영상에서 진행자들이 도달하는 잠정적 전망은 AI의 현재 발전 리듬을 멈추기 어렵다는 것이다. 대규모 투자와 국가 간 경쟁, 공개 모델의 확산, 사용자들의 응용 실험이 서로 다른 경로로 가속을 뒷받침하고 있기 때문이다. 그러나 발전이 계속될 가능성이 높다는 판단과 모든 투자가 회수되거나 모든 위험이 통제될 것이라는 판단은 구분해야 한다. 영상은 바로 그 불확실성을 경제적 수요와 안전 검증이라는 두 질문으로 남긴다.
경제적 관점에서는 인프라 공급자의 실적을 넘어 최종 사용자의 효용과 지불이 지속되는지 확인해야 한다. 기술적 관점에서는 더 강한 모델의 등장뿐 아니라, 저렴한 모델과 기존 알고리즘을 적절히 조합하는 설계가 중요해진다. 안전의 관점에서는 현재의 제품 개선과 재귀적 자기개선의 가속을 구분하면서, 관찰과 감사에 필요한 시간을 어떻게 확보할지 논의해야 한다. 이 세 문제는 서로 연결되지만 어느 하나의 낙관론으로 나머지를 대신할 수 없다.
‘조합적 놀이’는 이러한 거대한 변화가 개인의 일상에 도달하는 모습이다. 누군가는 모델을 조합해 제품을 만들고, 누군가는 작은 시뮬레이션을 시험하며, 누군가는 다른 사람의 결과를 이어받아 새로운 가능성을 탐색한다. 진행자들이 표현하는 즐거움과 두려움은 같은 변화에서 나온다. 실험의 문턱이 낮아진 만큼 가능한 일은 늘어나지만, 그 실험들이 축적되어 어디까지 나아갈지를 예측하기는 더욱 어려워지고 있다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | EP 115. 조합적 놀이가 시작됐다: 올인 서밋 2026 총정리 (AI 페이싱·버블·중국) |
| 채널 | AI Frontier Korea (노정석) |
| 기존 리포트에 기재된 STT 범위 | 00:00–80:32 |
| 리포트 작성 | 2026-09-25 |
| 작성 방식 | YouTube 영상 STT 기반 리포트의 문맥 교정 및 불확실성 표기 보완 |
| 검수 자료 | 기존 리포트와 스크린샷 목록. 원본 STT·음성·이미지는 제공되지 않아 직접 대조하지 못함 |
| 스크린샷 | 목록의 네 항목 모두 로컬 경로만 있고 webUrl이 없어 삽입하지 않음 |
| 출처 범위 | 서밋·인터뷰·보고서에 관한 내용은 영상 진행자들의 설명을 재구성했으며, 외부 원자료는 별도로 검증하지 않음 |
💬 본 리포트는 영상 음성 내용을 바탕으로 작성된 문서를 검수한 결과다. 의견과 전망은 진행자 또는 진행자가 소개한 인사의 견해이며, 불확실한 수치·사건·연구 성과를 검증된 사실로 확정하지 않았다. 정확한 발언과 화면 자료는 원본 영상을 참조해 주세요.