[인터뷰] 실리콘밸리 20대 VC Nikhil Suresh
📺 원본 영상: [인터뷰] 실리콘밸리 20대 VC Nikhil Suresh
🎙️ 채널: AI Frontier Korea (노정석)
📅 정리 일자: 2026-07-21
⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료, 차트, 코드, 슬라이드 등은 포함되지 않을 수 있습니다. 일부 구간은 STT 품질이 낮아 문맥상 확실한 범위에서만 교정하고, 불명확한 내용은 생략하거나 제한적으로 해석했습니다.
개요
이번 인터뷰는 실리콘밸리에서 AI와 딥테크 스타트업을 가까이서 보고 있는 젊은 VC Nikhil Suresh를 초대해, 현재 AI 투자 시장의 구조와 다음 기회를 묻는 대화다. 대화의 중심에는 Stanford에서의 연구 경험, 인간 데이터와 평가 벤치마크의 중요성, AI 에이전트 스타트업의 시장 타이밍, 피지컬 AI와 바이오 AI, 그리고 한국 창업자들이 가질 수 있는 차별적 강점이 놓여 있다.
영상은 단순한 성공담보다 “어떤 시장이 왜 지금 열리고 있는가”를 묻는 쪽에 가깝다. Nikhil은 모델 자체의 성능 경쟁만으로는 설명되지 않는 데이터, 컴퓨트, 전력, 칩, 인프라, 도메인 전문성의 결합을 강조하며, AI 산업이 점점 더 현실 세계의 병목과 맞닿고 있다고 본다.
Stanford, 연구, 그리고 너무 빠르게 변하는 세계
Nikhil의 출발점은 Stanford에서의 학업과 연구 경험이었다. STT상 일부 전공명과 경력 설명은 불명확하지만, 대화의 맥락상 그는 Stanford에서 반도체, VLSI, 물리 기반 시스템, AI 연구와 맞닿은 경험을 쌓았고, 여러 인턴십을 통해 학교 바깥의 기술 세계를 빠르게 접한 것으로 보인다. 그는 원래 교수나 연구자의 길을 생각했지만, 실제 산업 현장에서 AI 기술이 다른 영역을 자동화하고 재구성하는 속도를 보면서 더 직접적으로 이 변화에 참여하고 싶어졌다고 설명한다.
흥미로운 지점은 그가 “대학이 여전히 중요한가”라는 질문에 대해 단순히 낡은 제도라고 답하지 않는다는 점이다. 그는 AI 인재들 사이에서 세상이 너무 빠르게 변하니 학교에 머물면 뒤처지는 것 아니냐는 감각이 커지고 있다고 인정한다. 그러나 동시에 대학은 사람을 만나고, 장기적으로 이어질 커뮤니티를 만들고, 자기 관심사를 형성하는 공간이라는 점에서 여전히 강력한 가치가 있다고 본다. 특히 Stanford처럼 프런티어 연구와 학생 프로젝트가 가까운 곳에서는, 수업 자체가 단순 지식 전달을 넘어 연구 최전선에 접근하는 통로가 된다.
그가 언급한 수업과 연구 환경은 AI 시대의 교육이 어디로 가는지 보여준다. 학생들은 Diffusion Model, Neural Network, Intelligent Systems 같은 주제를 배우고, 오픈 노트, 인터넷, ChatGPT 접근이 가능한 상태에서도 여전히 어려운 문제를 풀어야 한다. 이는 교육의 경쟁력이 “정보 접근”에서 “문제 설정과 동료 네트워크”로 이동하고 있음을 시사한다. AI가 지식을 쉽게 제공할수록, 어떤 질문을 붙잡고 누구와 함께 깊게 파고드는지가 더 중요해지는 것이다.
인간 데이터는 모델 경쟁의 숨은 인프라다
Nikhil이 초기 경력에서 중요하게 경험한 영역은 인간 데이터였다. 그는 Scale AI로 추정되는 회사에서 일하며, 회사가 초기 수십 명 규모에서 수백 명 규모로 성장하는 과정과 OpenAI, Anthropic, DeepMind, Meta 같은 최상위 AI 팀들과 협업하는 장면을 보았다고 말한다. 이 구간의 STT에는 잡음이 많지만, 핵심은 모델 성능을 끌어올리기 위해 어떤 데이터가 가장 중요하고, 평가(Eval)와 벤치마크를 어떻게 설계하며, 검증 가능한 고품질 데이터를 어떻게 만드는지가 매우 큰 문제였다는 점이다.
05:13 - Scale AI로 추정되는 회사의 인간 데이터, Eval, 벤치마크, 주요 AI 랩 고객에 대한 설명이 이어지는 구간
그는 2024년 OpenAI의 Reasoning Model 흐름 이후, 코딩 데이터가 특히 큰 비용과 관심을 끌었다고 언급한다. 코딩은 정답 검증이 비교적 가능하고, 모델의 추론 능력을 끌어올리는 데 효과적인 영역이기 때문에 초기에는 가장 중요한 데이터 카테고리로 부상했다. 그러나 이후에는 수학, 물리, 법률, 바이오, 헬스케어처럼 더 어려운 전문 영역으로 데이터 수요가 확장된다고 본다. 이는 AI 모델이 단순 텍스트 생성기를 넘어 고난도 문제 해결 시스템으로 이동하면서, 데이터의 가치도 “많은 데이터”에서 “검증 가능한 전문 데이터”로 바뀌고 있음을 뜻한다.
16:24 - Reasoning Model 이후 코딩 데이터와 전문 데이터 수요, 인간 데이터 생산의 어려움을 설명하는 구간
강연자에 따르면 이 시장의 어려움은 두 가지다. 첫째, 모델 역량이 너무 빠르게 변하기 때문에 지금 어떤 데이터가 필요한지 판단해도 3개월 뒤에는 병목이 달라질 수 있다. 둘째, 인간 데이터를 만드는 일은 노동 집약적이고 비용이 크기 때문에, 단순 인력 투입만으로는 빠르게 확장하기 어렵다. 결국 인간 데이터 회사는 AI 연구의 변화 속도를 읽는 능력과, 대규모 전문 인력을 운영하는 능력을 동시에 가져야 한다.
AI 에이전트 시대에도 데이터와 평가가 먼저다
영상 중반부에서 논의는 AI 에이전트와 엔터프라이즈 시장으로 넘어간다. Nikhil은 아직 우리가 완전한 “에이전트 시대”에 살고 있는 것은 아니며, 오히려 이제 막 시작되는 단계라고 본다. 그러나 거대한 에이전트 수요가 생긴다면, 그 기반에는 모델을 평가하고, 행동을 검증하고, 특정 업무에서 성능을 끌어올리는 데이터 인프라가 놓일 수밖에 없다고 설명한다.
특히 엔터프라이즈 관점에서는 모델 하나를 구입하는 문제가 아니라, 특정 업무를 수행하는 디지털 워커를 신뢰할 수 있느냐가 핵심이다. 기업 고객은 “이 모델이 일반적으로 똑똑하다”는 주장만으로 구매하지 않는다. 특정 워크플로에서 비용을 줄이고, 오류를 낮추며, 기존 시스템과 연결되고, 책임 소재를 관리할 수 있어야 한다. 따라서 AI 에이전트 스타트업의 경쟁력은 모델 호출을 감싼 얇은 Wrapper가 아니라, 고객 업무의 맥락과 검증 체계를 얼마나 깊게 장악했는지에서 나온다.
Nikhil은 AI 에이전트 스타트업의 시장 타이밍이 좋다고 평가한다. 최근 1년 사이 모델 성능이 실제 업무 자동화에 충분히 가까워졌고, 많은 창업자가 이 기회를 잡으려 하고 있기 때문이다. 하지만 그는 “우리가 더 빨리 만들 수 있다”는 답변만으로는 투자 설득이 어렵다고 말한다. 모두가 빠르게 만들 수 있는 시장에서는, 왜 이 팀이 이 특정 시장에서 이길 수 있는지, 어떤 도메인 지식과 고객 접근성, 데이터 우위를 갖고 있는지가 훨씬 중요해진다.
VC의 전략은 넓은 분산보다 강한 확신에 가깝다
Nikhil이 설명한 투자 철학은 일반적인 소액 분산 투자보다 높은 확신을 가진 집중 투자에 가깝다. 그는 좋은 경제적 수익만 원한다면 넓게 투자하는 전략도 가능하지만, 실제로 회사의 결과를 바꾸고 창업자와 깊게 일하려면 높은 확신을 가지고 제한된 수의 회사에 투자해야 한다고 말한다. 이 경우 VC는 단순히 돈을 넣는 사람이 아니라 채용, 전략, 운영, 후속 투자, 고객 연결을 돕는 파트너가 된다.
그가 현재 투자하거나 관심을 가진 영역으로는 AI for Chip Design, Inference, Robotics용 World Model, Video, Visual Reasoning Model, Cybersecurity 등이 언급된다. 이 목록은 AI 투자 시장이 단순히 모델 개발사에만 머물지 않는다는 점을 보여준다. AI의 다음 병목이 컴퓨트 비용, 칩 설계, 추론 효율, 물리 세계 이해, 보안, 전문 워크플로로 이동하면서, VC의 관심도 자연스럽게 스택 전체로 확장되고 있다.
24:58 - 투자 포트폴리오로 AI for Chip Design, Inference, Robotics World Model, Video, Visual Reasoning, Cybersecurity 분야를 언급하는 구간
투자 판단에서 그가 강조하는 것은 창업자의 배경과 문제에 대한 각도다. 왜 이 문제를 풀고 있는지, 어떤 배경 때문에 남들과 다른 관점을 갖게 되었는지, 이 팀이 해당 단계에서 승리할 이유가 무엇인지가 중요하다. 실제로 그는 한 칩 설계 관련 회사에 대해 첫 미팅 전부터 투자하고 싶다는 확신을 가졌다고 말하는데, 이는 팀이 해당 분야에서 탁월한 경험과 신뢰를 이미 갖고 있었기 때문으로 해석된다.
AI 가치사슬의 병목은 모델에서 전력과 인프라로 이동한다
AI 시장의 가치사슬에 대한 질문에서 Nikhil은 미국에서는 전력(Power)이 가장 큰 병목 중 하나라고 답한다. 대규모 데이터센터가 필요하고, 새로운 전력 공급과 인프라 확장이 뒤따라야 하기 때문이다. AI 붐이 모델과 소프트웨어의 문제처럼 보이지만, 실제로는 전력망, 데이터센터 부지, 냉각, 칩 공급, 네트워크 같은 물리적 제약이 산업의 성장 속도를 결정한다.
32:37 - AI 가치사슬에서 전력, 데이터센터, 칩, 모델, 소프트웨어, 서비스의 병목과 시장 타이밍을 설명하는 구간
그는 모델 회사, 특히 이른바 신생 프런티어 모델 랩의 경제성이 점점 어려워지고 있다고 본다. 6개월 전만 해도 많은 모델 스타트업이 대규모 컴퓨트를 확보할 수 있었지만, 지금은 훨씬 어려워졌다는 취지다. 모델을 직접 운영하지 않고, 칩이나 인프라를 소유하지 않으며, 단순 애플리케이션 레이어에서 수익을 내는 회사는 매출이 좋아 보여도 마진 구조가 취약할 수 있다. 이는 AI 애플리케이션 기업의 진짜 질문이 “얼마나 빨리 성장하는가”에서 “그 성장이 구조적으로 지속 가능한가”로 바뀌고 있음을 의미한다.
이 맥락에서 Open Source Model의 중요성도 커진다. Nikhil은 향후 인프라 회사들이 오픈소스 모델을 잘 운영하고, 토큰 효율을 극대화하는 방식에 더 많은 관심을 가질 것이라고 본다. 모델 성능이 상향 평준화되고 추론 비용이 빠르게 떨어진다면, 경쟁력은 특정 폐쇄형 모델 접근권보다 효율적인 서빙, 도메인별 최적화, 비용 대비 성능 관리에서 나올 가능성이 크다.
피지컬 AI는 아직 GPT-2 단계에 가깝다
피지컬 AI와 로보틱스에 대한 논의에서 Nikhil은 이 영역이 LLM의 역사와 비교하면 아직 이른 단계라고 본다. LLM에서는 GPT-1, GPT-2, GPT-3를 거치며 Pre-training Scaling Law, Reinforcement Learning, Test-time Compute 같은 핵심 패턴이 점차 발견되었다. 반면 피지컬 AI에서는 VLA(Vision-Language-Action), VLM(Vision-Language Model), World Model 등 다양한 구조가 실험되고 있지만, LLM만큼 명확한 스케일링 법칙이 확립되지는 않은 상태다.
피지컬 AI의 어려움은 데이터의 성격에서 나온다. 언어 데이터는 인터넷에 대규모로 존재하지만, 로봇이 물리 세계에서 행동하며 얻는 데이터는 수집 비용이 높고, 시뮬레이션과 현실 사이의 간극도 크다. 그래서 실제 세계 데이터, 시뮬레이션 데이터, 월드 모델을 어떻게 결합할지가 핵심 질문이 된다. Nikhil은 Genie, Dreamer, GR00T, NVIDIA Cosmos와 같은 월드 모델 계열의 시도들을 언급하며, 이 분야가 아직 많은 실험과 데이터 축적을 필요로 한다고 본다.
39:48 - 피지컬 AI와 월드 모델, Genie, Dreamer, GR00T, NVIDIA Cosmos 등을 언급하며 로보틱스 데이터 문제를 설명하는 구간
그럼에도 이 영역이 중요한 이유는 분명하다. AI가 소프트웨어 안에서만 작동하는 것이 아니라 물리 세계의 작업, 제조, 물류, 로봇, 칩 설계, 데이터센터 운영으로 확장되면 경제적 파급력은 훨씬 커진다. 따라서 피지컬 AI는 당장의 과열 테마라기보다, 장기적으로 AI가 현실 세계의 생산성을 바꾸기 위해 반드시 통과해야 하는 기술 축에 가깝다.
바이오 AI와 AI for Science는 다음 거대한 전장이다
Nikhil은 향후 관심 영역으로 바이오를 강하게 언급한다. 그는 OpenAI와 Anthropic 같은 프런티어 랩이 로보틱스로 이동하고 있다는 점을 인정하면서도, 60점을 배분한다면 30~40점은 바이오에 둘 수 있다는 취지로 말한다. 이는 바이오가 인류의 건강, 수명, 질병 치료와 직결되는 거대한 문제이면서, AI가 실질적 돌파구를 만들 가능성이 있는 영역이기 때문이다.
그가 언급한 Isomorphic Labs, Chai Discovery, Lila Sciences, Edison Scientific 등은 모두 AI를 과학 발견과 생명과학 연구에 적용하려는 흐름과 연결된다. 이 영역에서는 단순히 논문을 읽고 요약하는 모델이 아니라, 실험 설계, 가설 생성, 데이터 해석, 실험 자동화까지 이어지는 시스템이 필요하다. 특히 Wet Lab 또는 자동화 실험실 관점에서 에이전트가 실제 연구 장비와 연결될 경우, AI는 소프트웨어 도구를 넘어 과학 생산 시스템의 일부가 된다.
42:01 - 바이오 AI와 AI for Science 기업들이 실험, 연구, 생명과학 문제에 접근하는 흐름을 설명하는 구간
장기적으로 그는 AGI가 많은 소프트웨어, 인프라, 하드웨어 문제를 해결하는 데 기여하면, 인간은 더 오래 살고 더 많은 일을 하며, 인간 대 인간의 연결과 삶의 의미를 어떻게 키울 것인지에 집중하게 될 수 있다고 본다. 이 부분은 기술 전망을 넘어 인문적 질문으로 확장된다. AI의 궁극적 가치는 단순 자동화가 아니라, 인간이 무엇을 더 할 수 있게 되는가에 달려 있다는 관점이다.
한국 스타트업의 기회는 하드웨어와 피지컬 AI에 있다
한국에 대한 질문에서 Nikhil은 한국이 소프트웨어 랩과 하드웨어 역량을 동시에 가질 수 있는 몇 안 되는 나라 중 하나라고 평가한다. Samsung, Foundry 역량, TSMC와 경쟁 가능한 제조 기반, SK hynix의 메모리 역량은 한국이 AI 인프라 시대에 갖는 명확한 자산이다. 그는 많은 나라가 프런티어 AI 생태계를 만들고 싶어 하지만, 실제로 하드웨어와 소프트웨어 인재를 함께 보유한 국가는 제한적이라고 본다.
한국 스타트업이 집중할 수 있는 영역으로 그는 하드웨어를 가장 먼저 언급한다. 반도체, 메모리, 특정 Inference Chip, 특수 아키텍처, 데이터센터에 필요한 컴포넌트, 로보틱스와 피지컬 AI가 모두 자연스럽게 연결된다. 이는 한국 창업자들이 미국 소프트웨어 스타트업과 같은 방식으로만 경쟁할 필요가 없다는 뜻이다. 오히려 한국의 제조, 반도체, 부품, 시스템 통합 역량을 AI 수요와 결합할 때 더 차별화된 회사가 나올 수 있다.
45:31 - 한국 스타트업의 기회로 하드웨어, 반도체, 메모리, Inference Chip, 피지컬 AI를 강조하는 구간
다만 이 기회는 단순히 “한국은 하드웨어가 강하다”는 선언만으로 실현되지 않는다. AI 인프라 시장은 전력, 데이터센터, 칩, 모델, 소프트웨어, 고객 워크로드가 복잡하게 맞물려 있기 때문에, 창업자는 어느 지점에서 병목을 풀 것인지 명확히 정의해야 한다. Nikhil의 관점에서 좋은 한국 AI 스타트업은 기술적으로 깊고, 글로벌 고객 문제와 연결되며, 특정 스택에서 대체하기 어려운 우위를 가진 팀일 가능성이 높다.
ICML 이후의 관찰과 향후 5년
Nikhil은 한국 방문과 ICML에서의 경험을 통해 연구 커뮤니티의 질문이 바뀌고 있다고 말한다. 과거에는 새로운 모델 개념이나 실험 가능성 자체가 중심이었다면, 이제는 모델이 왜 특정 종류의 문제에서 실패하는지, 어떤 구조가 어떤 문제에 더 적합한지, 모델의 내부 사고나 Mechanistic Interpretability를 어떻게 이해할 수 있는지가 더 중요해지고 있다는 것이다. 이는 AI 연구가 단순 성능 경쟁에서 실패 모드, 신뢰성, 해석 가능성, 시스템 설계로 성숙하고 있음을 보여준다.
향후 5년에 대해서 그는 조심스럽다. 세상이 너무 빠르게 변하고 있어 1년 뒤도 예측하기 어렵다고 말하지만, 몇 가지 희망적 방향은 제시한다. 바이오 쪽에서는 더 빠른 실험과 임상 전 단계의 연구 가속이 중요하며, 에이전트 인프라 쪽에서는 Multi-agent Framework와 Auto-research, 자율적으로 회사를 운영하거나 연구를 수행하는 시스템이 등장할 수 있다고 본다.
마지막으로 그는 한국의 창업자와 AI 연구자들에게 흥미로운 문제가 많이 열려 있고, 한국에는 하드웨어와 소프트웨어 양쪽에 훌륭한 인재 네트워크가 있다고 말한다. 이 메시지는 단순한 격려보다 전략적 관찰에 가깝다. AI 산업이 모델 중심에서 인프라, 데이터, 칩, 로보틱스, 바이오로 확장될수록, 한국이 가진 산업 기반은 더 중요한 경쟁 자산이 될 수 있다.
마무리 / 핵심 정리
이번 인터뷰의 핵심은 AI 산업의 다음 경쟁이 모델 하나의 성능이 아니라, 그 모델을 둘러싼 데이터, 평가, 컴퓨트, 전력, 칩, 도메인 전문성의 결합에서 벌어진다는 점이다. Nikhil은 인간 데이터와 Eval이 모델 발전의 숨은 인프라가 되고, 에이전트 스타트업은 단순 구현 속도보다 특정 시장에서 이길 이유를 증명해야 하며, 피지컬 AI와 바이오는 아직 초기지만 장기적으로 거대한 기회가 될 것이라고 본다.
한국에 대한 시사점도 분명하다. 한국 창업자들이 글로벌 AI 경쟁에서 의미 있는 위치를 차지하려면, 단순 애플리케이션 Wrapper보다 반도체, 메모리, Inference Chip, 데이터센터 컴포넌트, 로보틱스, 바이오 실험 자동화처럼 산업적 깊이가 있는 영역을 겨냥할 필요가 있다. AI가 소프트웨어를 넘어 현실 세계의 병목을 풀기 시작하는 순간, 한국의 제조와 하드웨어 기반은 오히려 더 큰 전략적 자산이 될 수 있다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | [인터뷰] 실리콘밸리 20대 VC Nikhil Suresh |
| 채널 | AI Frontier Korea (노정석) |
| 리포트 작성 | 2026-07-21 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.