AI 판도 뒤집어졌다" 딥시크가 만든 AI 춘추전국시대, 돈은 이 쪽으로 몰릴 겁니다 / 이경일 대표 (풀버전)

https://www.youtube.com/watch?v=ADmsBXAJYFQ&list=WL&index=3&pp=gAQBiAQB

 

이경일 대표는 AI기술의 발전과 함께 양극화 심화라는 사회적 문제를 제기합니다. AI기술 독점으로 인한 부의 편중을 막기 위해, 미국과 중국을 제외한 제3국들은 전략적 양극화를 통해 AI경쟁력을 확보해야 한다고 주장합니다. GPT-4.5이후 AI는 더 이상 규모 경쟁이 아닌, 협업과 고뇌를 통해 발전할 것이며, 이는 AI서비스 시장의 춘추전국시대를 예고합니다. 솔트룩스는 이러한 변화에 발맞춰 저비용 고효율 AI모델 개발에 집중하고 있습니다. AI기술의 발전 방향과 사회적 영향에 대한 깊이 있는 통찰을 제공하는 영상입니다.

1.  AI 기술의 한계와 발전 방향

• GPT 4.5는 기존 AI모델보다 더 많은 데이터를 학습하여 답변과 지식이 풍부하지만, 인간의 가르침으로 안전하고 감성적인 답변을 지향한다.

• AI사용 비용은 증가했으며, 특히 4.5는 이전 모델보다 100배까지 비쌀 수 있다.

• AI의 크기 경쟁은 경제적 한계에 달했으며, 더 많은 데이터와 자원을 요구하나 그 효과는 한계에 봉착했다.

• 더 큰 AI를 만드는 대신, 협업과 언어를 통해 효율적으로 발전시키려는 방향이 모색되고 있다.

• 오픈 AI는 GPT 4.5를 마지막 모델로 보고, 다른 방식으로 AI발전을 시도하고 있다.

1.1. AI와 근무 시간의 현실

• 오픈 AI직원들은 평균 주당 80시간을 근무하는 것으로 알려져 있다.

• 주당 52시간 근무제가 도입된 한국에서, 개인적으로 평균 80시간 정도 일하고 있다고 언급된다.

• 대표님들은 보통 80시간 근무하는 것이 일반적이며, 같은 주제로 다른 CEO들도 비슷한 시간을 근무한다고 하고 있다.

• 근무 시간이 많아지면서, 머스크와 비슷한 수준의 근무를 하는 것으로 평가되며, 이는 여러 자회사를 운영하는 CEO의 경우 더욱 많아질 수 있다.

1.2. ChatGPT 4.5의 특징과 비용 문제

• ChatGPT 4.5는 현재 가장 선두 모델로, 공개된 버전 중 하나이다.

• 4.5의 개발 비용이 매우 크며, 사용 용도가 많기 때문에 비용이 비싸다.

• 일반 사용자는 특정 토큰 단위로 요금을 지불하게 되며, 서비스 사용 비용은 기존 모델에 비해 70배 비쌀 수 있다.

• 현재, 증권사 애널리스트 리포트를 요약하는 프로젝트를 진행 중인데, 이 또한 비용이 지속적으로 발생한다.

• 4.5는 이전 모델에 비해 더 풍부한 지식과 안전한 응답을 제공하지만, 가격 대비 그만큼 우수하지 않다고 평가된다.

1.3. 인공지능의 감성적 학습 접근 방식

• ENFJ와 ESTJ 성격 유형에 대해 언급되며, 감성적인 접근과 논리적 접근의 차이가 설명된다.

• 인공지능은 엄청난 데이터를 학습하여 여러 답변을 생성하고, 그 중에서 최적의 답변을 인간이 선택하는 과정을 포함한다.

• 특정 위험한 질문들에 대해서는 인공지능이 회피적인 답변을 하도록 프로그래밍되어 있으며, 이는 사회적으로 민감한 주제와 관련이 있다.

• 최근 모델 4.5에서는 더 많이 인간의 감성을 반영한 답변을 제공하도록 학습되어, 감정적으로 연결될 수 있는 능력이 강화되었다.

• 오픈 AI는 이러한 감성적 학습의 효율성을 높이기 위해 더 많은 자원을 투자하고 있으며, 따라서 서비스 비용 또한 증가할 것으로 예상된다.

1.4. AI 모델의 크기와 경제적 한계

• AI모델의 크기는 과거보다 최소 다섯 배에서 열 배 커졌으나, 이는 지능의 증가와는 비례하지 않는다.

• AI모델의 성장 과정에서 트랜스포머 기술의 도입으로 성장 기울기가 100배 빨라졌으나, 실제로는 경제적 한계가 문제로 대두되고 있다.

• 더 큰 AI모델을 만들기 위해서는 더 많은 데이터, GPU, 전기, 그리고 사람이 필요하며, 이로 인해 경제적 비용이 증가하여 한계에 부딪혔다.

• 인간의 뇌 크기와 지능에 대한 비교를 통해, 뇌 크기와 지능은 반드시 비례하지 않음을 강조하며, AI도 똑똑한 모델로 발전할 수 있는 가능성을 시사한다.

• AI모델의 발전을 위한 대안으로 더 똑똑한 모델을 추구하게 되는 경로로 이어지는 반응이 나타났다.

1.5. 인공지능의 진화와 협업 방식

• 인간은 언어를 통해 협업을 하며, 다양한 역할을 나누어 수행하는 것이 가능하다.

• 과거에는 철학자, 미술가, 과학자 등이 모든 분야에서 활약했으나, 현대에는 이는 불가능하다.

• 인공지능도 마찬가지로 모든 것을 잘하는 큰 모델을 개발하는 과정에서 다양한 접근 방식을 모색하고 있다.

• AI의 발전을 위해 초기에는 크기를 키우는 방식으로 접근했으나, 현재는 다른 방법을 적용해 보려는 시도를 하고 있다.

• 예를 들어, GPT 4.5는 큰 뇌를 만들기 위한 비용이 많이 드는 모델이며, 이에 대비해 더 유연한 방법을 찾고 있다.

 

2.  AI의 학습 방식 및 발전 단계

• COT(체인 오브 사고)는 분업화와 문서 기록을 통해 더 똑똑해지는 AI의 복잡한 개념을 나타낸다.

• 프리트레이닝 스케일링은 대량의 데이터를 AI에게 제공하여 스스로 학습하도록 하는 단계로, 비지도 학습의 형태를 띤다.

• 포스트 트레이닝 스케일링은 사전 학습 이후 AI가 인간의 도움 없이 스스로 개선하고 학습하는 과정으로, 비용을 효과적으로 줄일 수 있다.

• 증류 기술은 AI가 전문 지식을 활용하여 필요한 정보를 간략하게 정리함으로써 학습 효율성을 높이는 방법이다.

• 체인 오브 사고 방식은 AI가 복잡한 문제를 단계적으로 접근하여 해결책을 도출하는 데 도움을 주는 학습 방식이다.

2.1. AI의 발전과 미래 전망

• COT(Chain of Thought)는 분업화와 문서 기록을 통해 AI가 더 똑똑해지는 과정에 관련된다.

• 젠슨 황이 발표한 자료는 로봇 산업의 성장만 주목받지만, 그 이면에는 이미지 인식 기술의 발전과 관련된 심층적인 이야기가 숨어 있다.

• 알렉스 넷은 이미지 인식 네트워크의 선구자로, 인간 수준의 이미지 인식 기능을 갖추고 있으며, 이후 음성 인식 및 생성 AI발전에 기여했다.

• 디지털 마케팅 및 콘텐츠 제작 분야에서 AI를 통해 효율성을 높이고, 미래에는 AI 에이전트와의 협업모델이 중요해질 것이다.

• 의료 분야 및 셀프 드라이빙 카와 같은 새로운 시장에서 AI가 돈 벌 기회를 창출할 것으로 전망된다.

2.2. AI 사전 학습과 포스트 트레이닝 스케일링

• 프리트레이닝 스케일링은 사전 학습으로, 대량의 데이터를 AI에 제공하여 스스로 학습하게 하는 과정이다.

• 사전 학습에서는 비지도학습 방식으로, AI가 스스로 다양한 데이터를 분류하고 학습하도록 한다.

• 기존의 사전 학습 방식에서 얻는 성과가 감소하자, 포스트 트레이닝 스케일링이 필요성이 대두되었다.

• 포스트 트레이닝 스케일링은 인간이 AI에게 직접 가르치는 방식으로, AI의 행동에 대한 수정을 통해 학습을 진행한다.

• 강화 학습 기술인 리인포스먼트 러닝이 대폭 사용되면서, 비용 절감과 효율성을 높일 수 있었다.

2.3. 포스트 트레이닝 스케일링과 딥 시크의 사례

• 학습자는 오답 노트를 작성하여 스스로 문제를 풀고, 이는 포스트 트레이닝 스케일링의 일환이다.

• 면접자의 경우, 3년간 행정 고시 준비를 했고, 최소 2번 낙방한 경험이 있다.

• 딥 시크에서는 학습 압축을 돕기 위해 핵심 노트를 사용하여 시간을 절약하고 있다.

• 대표자는 증류 기법을 활용하여 데이터를 효과적으로 취합하고 비용을 절감하는 방식으로 학습을 진행한다.

• 데이터 학습은 협력을 통해 이루어지는 것이 아니라, 기계에 데이터를 제공하여 스스로 학습하게 함으로써 효율을 높였다.

2.4. AI의 질문 처리 및 암산의 어려움

• 인공지능 모델인 chatgpt는 사용자 질문에 대해 즉각적인 대답을 제공하지만, 인간은 어려운 질문에 대해 생각하는 시간이 필요하다.

• 인간은 절차적으로 복잡한 질문에 대해 대답하기 더 어렵고, 암산이 필요한 상황에서 그 답을 쉽게 찾지 못할 수 있다.

• 예시로, 12명이 음식을 주문할 때, 18인분이 나오면 몇 인분을 시켜야 하는지를 즉각적으로 계산하기 어렵다.

• 질문에 대한 답변이 틀리거나 잘못 나올 수 있으며, 인간도 같은 질문에 대해 잘못된 답변을 할 가능성이 존재한다.

• 최종적으로 12명에게 1.5인분이 돌아가게 되어, 8인 분만 시키면 적절하다는 결론을 도출할 수 있다.

2.5. 문제 해결의 체인 오브 소트 방식

• 체인 오브 소트는 문제를 해결할 때 한 번에 단순하게 풀 수 없는 요소들이 존재하는 경우에 해당된다.

• 문제 해결에 필요한 다양한 조건을 통해 우선순위를 설정하고, 이를 절차적으로 처리해야 한다.

• 체인 오브 소트방식에서는 사고 과정을 통해 질문을 잘라내고, 답변을 도출하기 위해 필요한 절차를 AI에게 학습시키는 방법이 있다.

• 암산할 때도 절차적으로 생각하는 것이 중요하며, 예를 들어 12명에게 음식을 나누어 줄 경우, 18인분을 12로 나누어 1.5인분으로 처리해야 한다.

• 전체적인 기준에 따라 명수를 나누며 문제를 해결하는 접근 방식이 일상적으로 필요하다는 점을 강조한다.

 

3.  AI의 사고 과정과 발전 방향

• AI는 데이터를 절차적으로 활용해 답변의 정확성을 높이며, 이를 통해 체인 오브 서트 기법을 사용하여 다양한 문제에 대해 사고하고 답변을 생성하는 방식이다.

• 복잡한 문제를 해결하기 위해 인공지능은 여러 번의 자기 검토 과정을 거치며, 이를 통해 더 나은 결과를 도출한다.

• 테스트 타임 스케일링을 통해 AI는 반복적으로 생각하고 학습하여, 더 스마트한 질문 처리와 답변을 제공할 수 있게 된다.

• AI는 정보를 처리할 때, 검색을 통해 최신성을 확보하고 보안문제를 해결하기 위한 노력이 계속되고 있으며, 다양한 방식으로 협업이 강조되고 있다.

• 미래의 AI는 단순한 답변 생성에서 벗어나, 고뇌하고 깊이 있는 사고를 통해 협업하며 더 나은 결과를 도출하는 방향으로 발전할 것이다.

3.1. AI의 절차적 답변 방식과 인간의 복잡한 사고과정

• AI는 데이터를 넣을 때 절차적으로 답변하도록 학습되어 오답 발생 확률이 줄어들고, 답변에 대한 이해도를 높인다.

• AI의 초기 기술인 체인 오브 서트는 과정 중에서 스스로 답변하며 생각하는 능력을 갖추게 한다.

• 복잡한 문제에 대해서는 암산이 어려워지며, 전문가들도 문제를 해결하기 위해 수식을 활용한다는 점이 강조된다.

• AI는 질문에 대한 1차 답변을 작성한 후, 이를 스스로 읽어 2차 답변을 생성하는 방식을 사용한다.

• AI는 반복적으로 자신이 쓰고 읽는 과정 속에서 문제를 해결하며, 이러한 절차는 시간을 끌기 위한 것이 아니라 스스로의 이해를 돕기 위한 과정으로 추정된다.

3.2. 딥 리서치와 스케일링의 개념

• 딥 리서치는 자신이 혼자 생각하는 것과 검색을 반복하는 과정을 통해 결과물을 도출하는 방법이다.

• 검색한 정보를 기반으로 자신의 이해를 깊게 하기 위해 추가 검색을 계속하는 것이 딥 리서치의 핵심이다.

• 딥 리서는 일반적으로 한 번의 검색이 8분에서 10분 소요되는 방식으로 진행된다.

• 스케일링은 더 큰 컴퓨터와 더 많은 데이터를 사용하여 AI를 더욱 똑똑하게 만드는 과정을 의미하며, 이는 반복적인 시간을 소모하는 테스트를 통해 이루어진다.

• 테스트 타임 스케일링은 AI의 사고를 시간으로 압축하고, 이를 통해 더 깊은 사고를 가능하게 한다.

3.3. ️ GPU의 필요성 및 AI의 발전 방향

• 현대 AI시스템은 더욱 많은 GPU를 요구하며, 이는 복잡한 기술적 요구사항을 나타낸다.

• GPU 사용량이 증가함에 따라 AI모델, 특히 LM(Language Model)이 일반 성능보다 훨씬 더 깊이 있는 답변을 제공할 것으로 보인다.

• AI는 단순히 질문에 대한 답변을 생성하는 것이 아니라, 자기 고찰과 여러 번의 추론을 통해 답을 찾는 방향으로 나아가고 있다.

• AI가 더 깊은 생각을 하고, 스스로 학습하며, 협업하는 시스템이 필요하다는 점이 강조되며, 이는 향후 AI의 방향성을 제시한다.

• 딥 리서치를 통한 연구 결과가 빠른 시간 내에 도출되는 점에서 AI의 능력이 대폭 향상되었음을 알 수 있다.

3.4. AI의 한계와 도전 과제

• AI기술에서 할루시네이션 현상이 문제로 지적되며, AI가 정확하지 않은 정보를 진실인 것처럼 대답하는 경우가 발생한다.

• 기존 AI는 학습한 정보에 기반하여 최신 정보에 대한 반응이 부족하고, 특정 질문에 답하지 못하는 한계가 있다.

• 보안 문제는 기업과 정부 모두에게 중요한 이슈이며, 한국에서는 딥 시크가 차단된 사례가 있다.

• AI개발에 소요되는 비용이 문제로 작용하며, 효과적인 ROI를 확보하기 위한 고민이 필요하다.

• 기술 발전뿐만 아니라, 수익성을 고려하여 거짓말을 최소화하고 최신 정보를 제공하는 것이 중요하다.

3.5. AI 문제 해결을 위한 다양한 접근 방식

• AI의 환각 현상을 줄이기 위해 더 큰 스케일의 기술을 개발하고 있으며, 이는 4.5 버전이 4.0 버전보다 현실성을 높이는 데 기여한다.

• 검색 기술을 활용하여 최신 정보를 포함시키고 환각 현상을 줄일 수 있는 오픈북 방식이 제안되었다.

• 온디바이스 AI와 같은 보안문제 해결 기술이 최근 PC 및 스마트폰에 적용되고 있으며, 이를 통해 데이터 유출 위험을 줄일 수 있다.

• MOE(Mixture of Experts) 방식으로 여러 개의 작은 모델이 협업하도록 하여, 다양한 전문가의 지식을 결합하는 접근법이 논의되고 있다.

• 대형 뇌 구성에 따른 비효율성을 언급하며, 매트릭스와 벡터를 통해 학습 및 추론 과정을 설명하고 있다.

 

4.  인공지능의 학습 효율성과 비용 절감 방법

• 인공지능은 정보가 비어있는 비효율적인 상태로 학습하게 되며, 특정 분야에 대해 집중적으로 기초 지식을 채우는 방식이 효과적이다.

• 응답의 질이 아닌 단순한 시험 통과로 똑똑하다고 하지만, 다양한 질문에 대한 대답이 부족할 수 있다.

• 비용 절감을 위한 방법으로 디스틸레이션과 양자화가 활용되며, 이를 통해 효율성을 높일 수 있다.

• 양자화는 다양한 선택지를 단순화하여 인공지능의 기억 용량과 응답 속도를 줄이는 방식이다, 이를 통해 학습의 효율성을 높이고 있다.

• AI 모델의 성장은 양극화된 경쟁 상황에서 필요하며, 소규모 기업도 새로운 아이디어와 비즈니스 모델을 통해 활용 및 적용할 수 있는 기회를 갖게 된다.

4.1. AI의 학습 및 효율성 논의

• 인공지능의 뇌는 영으로 채워져 있으며, 학습을 하지만 효율성이 낮은 문제점이 있다.

• MO 방식은 큰 뇌를 만들지 말고, 필요한 지식을 꽉 채운 상태로 협업하는 것을 목표로 한다.

• AI는 초기 학습 시 엄청난 데이터를 필요로 하지만, 이후 효율적인 질문으로 적은 정보로도 높은 성과를 낼 수 있다.

• 시험 통과는 인공지능이 똑똑해 보이게 하지만, 실제로 많은 정보에 대한 이해도가 부족할 수 있다.

• 이러한 비효율성은 현재 AI시스템에서도 나타나며, 다양한 질문에 대한 응답이 부족한 상황이다.

4.2. 양자화와 비용 절감 방법

• 디스틸레이션과 퀀타이제이션은 비용을 줄이는 방법으로 활용될 수 있다.

• 양자화는 데이터를 연속적으로 표현하는 대신 0 또는 1로 표현하여 인공지능의 처리 능력을 향상시킨다.

• 퀀타이즈된 데이터는 처리 용량을 줄이며, 문제 풀이 속도를 빠르게 한다.

• 성능은 약 2% 떨어지지만 비용은 1/로 줄어드는 효과가 있다.

• 특정 기술을 통해 성능을 다시 끌어올리는 방법도 모색되고 있으며, 이로 인해 비용 효율성을 극대화할 수 있다.

4.3. AI 기술의 발전과 생존 전략

• 부유한 individuals는 과외를 통해 전문성을 높이고, 데이터를 사용하여 뛰어난 AI모델인 GPT 4, 5를 개발하고 있다.

• 전 세계적으로 이러한 AI개발을 할 수 있는 회사는 오픈AI, 마이크로소프트, 구글 세 곳으로 제한적이다.

• 다른 회사들은 비용 문제로 인해 특정 분야(예: 변호사, 의사)에 집중하여 인재를 육성하고 협력하여 경쟁력을 키우고 있다.

• MOE(Mixture of Experts) 접근 방식을 통해 비용을 절감하며 다양한 모델을 시도하고 있다.

• 루시아 2는 기술적으로 발전한 AI모델로, 라모나 딥 시크보다 성능이 뛰어난 것으로 평가받고 있다.

4.4. AI 협업 및 학습 방법의 진화

• 모든 전문가는 AI 협업을 통해 효율적인 교육 방식을 찾고 있다는 주장을 하고 있다.

• 단순화된 학습 방법이 중요하며, 예를 들어 주식 투자에서 필요한 것은 구매 여부 두 가지 결정에 지나지 않는다고 강조된다.

• AI모델들이 서로의 학습을 통해 정보를 공유하고 개선하는 과정이 필요하다고 설명한다.

• AI의 디스틸레이션 기술이 이미 10년 전부터 논의되었으며, 최근 두 해 동안 구글과 오픈 AI에서도 광범위하게 활용되고 있다고 언급된다.

• 딥시크와 같은 AI들이 다른 모델들로부터 배워가는 과정이 피할 수 없는 현상으로, 이는 AI서비스의 경쟁 시대를 예고하는 내용이다.

4.5. AI와 양극화 문제에 대한 논의

• AI의 발전은 양극화 문제를 가속화할 가능성이 있으며, 소유가 많은 사람일수록 더 많은 이익을 얻을 수 있다.

• 가격이 대폭 하락할 경우, 다양한 서비스에 AI를 적용하려는 시도가 증가할 것이고 이는 시장 내 대중화를 촉진할 수 있다.

• 낮아진 AI사용 비용으로 인해 스타트업을 포함한 기업들이 AI를 적용한 비즈니스 모델을 실험할 기회를 더욱 많이 갖게 될 것이다.

• 성공 사례와 유즈 케이스가 급증할 것이며, 이는 한국 기업들에게 AI활용 방안을 찾아내는 성과를 가져오게 될 것이다.

• AI를 통해 새로운 앱이나 서비스를 개발하려는 창의적인 아이디어가 많아질 것으로 보이며, 이는 여러 분야에서 혁신을 이끌 수 있다.

 

5.  AI의 접근성과 전문화 양극화

• chatGPT의 API 연동 비용이 2천만 원에서 20만 원으로 하락하며 AI사용이 경제적으로 가능해지고 있다.

• 인공지능이 전기로 비유되며, 다양한 인공지능 제품들이 쏟아져 나올 것이라고 예측된다.

• AI의 고급화된 서비스 시장은 계속 증가할 것이나, 전문화된 인공지능 제품을 만드는 시장이 발전할 가능성도 클 것으로 보인다.

• AI를 직접 만들기보다, 기존의 AI기술을 활용하여 혁신적인 서비스를 만들려는 수요가 증가하고 있다.

• 피터 드러커 교수의 주장에 따라, 이미 시작된 미래를 주의 깊게 관찰하고 기회를 포착해야 한다는 점이 강조된다.

5.1. 인공지능의 발전과 비용 구조 변화

• chatGPT와 같은 인공지능 API 사용 비용은 한 달에 2천만 원으로 부담이 크지만, 20만 원으로 이용할 수 있는 옵션이 생겼다.

• 이러한 가격 인하로 인해 인공지능 서비스가 점점 더 접근 가능해지고, 다양한 서비스들이 시장에 출현할 것으로 예상된다.

• 인공지능을 직접 개발하는 대신 임대하여 사용할 수 있는 모델이 도입되고 있으며, 이는 비용을 전기료 수준으로 낮춰줄 것이다.

• AI는 플러그를 꽂아서 사용하는 전기 제품처럼 되어, 다양한 제품들이 시장에 출시될 것으로 보인다.

• 이러한 변화는 AI개발사에게도 영향을 미치며, 최소한의 비용으로 서비스 제공이 가능해지는 구조가 형성되고 있음을 나타낸다.

5.2. 인공지능의 전문화 및 양극화 현상

• 인공지능의 발전에서 모든 것을 잘하는 AI를 만드는 것은 어렵고 비용이 많이 드는 반면, 전문화된 AI는 만들 수 있다는 점이 강조된다.

• 한국과 미국의 법률 차이와 같이 다양한 도메인에 맞춘 전문화된 AI의 수요가 증가할 것으로 보이며, 이는 인공지능 기술의 활용 가능성이 크다는 것을 의미한다.

• 서비스와 제품을 만들기 위해 전문화된 AI를 개발하는 시장과 이미 존재하는 AI를 활용하는 시장이 양극화될 것으로 예상된다.

• 전략적 양극화는 제한된 리소스의 효율적인 관리를 의미하며, 이는 포기와 집중의 선택 과정을 포함한다.

• AI활용에 대한 수요가 증가함에 따라, AI기술을 통해 혁신적인 서비스를 만들려는 움직임이 확대되고 있으며, 이는 과거의 인터넷 시대와 유사한 변화를 가져올 것으로 추정된다.

5.3. AI와 서비스 개발 전략

• 피터 드러커는 미래 예측을 시도하기보다는 이미 시작된 미래를 잘 관찰해야 한다고 주장한다.

• 이미 시작된 AI관련 아이디어가 수백 개 존재하며, 더 늦기 전에 시작해야 한다는 점이 강조된다.

• 솔트룩스는 전문화된 분야에 집중하여 법률 및 의료 등 특화된 인공지능을 개발하고 있다.

• 자회사들은 고객 서비스나 시장 조사 등 응용 서비스에 집중하고 있으며, 이는 양극화 전략을 따르고 있다.

• 솔트룩스는 기술적 지원을 통해 다른 산업 분야의 성공을 도와주는 데 집중하고 있다.

5.4. GPU 수요와 시장 전망

• GPU의 필요량이 과거보다 증가할 것으로 보이며, 예전에는 10에서 현재는 약 15-20 정도 필요할 것으로 예상된다.

• 그러나 많은 투자자들은 100의 GPU가 필요할 것이라고 과대평가하여 투자를 한 경향이 있다.

• 가격 하락이 GPU 수요를 줄이는 것이 아니라, AI 적용 확대로 새로운 시장이 형성되어 수요가 증가할 가능성이 더 높다.

• 엔비디아의 GPU는 지속적으로 판매될 것이지만, 기대하는 만큼 팔리지는 않을 것으로 보인다.

• 경쟁이 심한 추론 시장으로의 전환이 도전 과제가 될 것이며, 이는 엔비디아에 있어 판매량 증가가 제한적일 수 있음을 암시한다.

5.5. AI 발전과 4차 산업의 기회와 위기

• 미국과 한국의 반도체 산업에서 기술의 차이가 나타나고 있다

• AI시장은 급격히 발전하고 있으며, 기술 발전에 대한 지속적인 학습과 적용이 필요하다.

• 4차 산업 시대에는 경제적 기회가 보이나, 빠르게 변화하지 않으면 양극화의 위험이 있다.

• 각 국가와 기업은 자신의 미래 전략을 결정해야 한다.

• 산업 발전에 따른 기업의 성장 가능성을 고민해야 하며, 지속적인 기술 학습이 중요하다.