AI의 1조 달러 문제

2025년을迎한 인공지능 산업은 중요한 변곡점에 서 있다. 이 산업은 계속해서 전례 없는 투자와 주목을 받고 있다. 특히 생성적 인공지능 분야에서 그러하다. 그러나 몇몇 기본적인 시장 역학은 우리가 향후 몇 년 동안 인공지능 산업에서 큰 변화를 맞이할 것이라는 것을 시사한다.

인공지능 스타트업을 이끌면서 산업의 빠른 발전을 관찰한 경험을 바탕으로, 나는 이번 년도에 많은 근본적인 변화가 있을 것이라고 믿는다. 대형 개념 모델(LCM)이 대형 언어 모델(LLM)에 대한 심각한 경쟁자가 될 것부터, 전문 인공지능 하드웨어의 부상, 빅 테크 기업들이 주요 인공지능 인프라 구축을 시작하여 마침내 오픈艾와 앤트로픽 같은 스타트업을 제치고 인공지능 독점을 확보할 수 있을지 모를 것이다.

인공지능 기업의 고유한 도전: 소프트웨어도 하드웨어도 아님

기본적인 문제는 인공지능 기업이 전통적인 소프트웨어와 하드웨어 사업 사이의 이전에 보지 못한 중간 지대를 운영한다는 것이다. 순수한 소프트웨어 기업과 달리 인공지능 기업은 상대적으로 낮은 운영 비용으로 인력에 투자하는 반면, 하드웨어 기업은 장기적인 자본 투자로 명확한 수익을 얻는 반면, 인공지능 기업은 고유의 도전을 직면한다.

이러한 기업은 GPU 클러스터와 인프라에 대한巨額의 초기 자본 지출이 필요하다. 매년 단지 컴퓨팅 자원에만 1억~2억 달러를 지출한다. 그러나 하드웨어 기업과 달리 이러한 투자를 장기간에 걸쳐 상환할 수 없다. 대신, 2년 사이클로 압축된 자금 조달 사이클에서 지속적인 성장과 최첨단 성능을 입증해야만 다음 평가를 정당화할 수 있다.

LLM의 차별화 문제

이 구조적인 도전에 더해지는 문제는 대형 언어 모델(LLM)의 능력의 빠른 수렴이다. 스타트업은 오픈소스 모델이 폐쇄형 모델과 비교할 수 있는 성능을 달성할 수 있음을 보여주었다. 그러나 기술적인 차별화는 이전에 높은 평가를 정당화하는 것이 점점 더 어려워지고 있다.

다시 말해, 새로운 LLM은 표준 벤치마크에 기반한 인상적인 성능을 보이지만, 기본 모델 아키텍처에真正한 의미 있는 변화를 가져오지 않는다.

이 도메인의 현재 한계는 세 가지 중요한 영역에서 비롯된다: 데이터 가용성, 데이터 큐레이션 방법, 컴퓨팅 아키텍처이다. 이러한 영역에서 효율성보다는 규모에서 이익이 나온다. 기업들은 지식을 더 적은 토큰으로 압축하고, 그래프 RAGs와 같은 더好的 엔지니어링 아티팩트를 개발하는 데 초점을 맞추고 있다. 본质적으로, 우리는 자연스러운 고원에 접근하고 있다. 여기서 더 많은 자원을 투입하면 감소하는 수익이 발생한다.

이러한 수렴은 예상보다 훨씬 빠르게 발생하고 있으며, 자금을 조달한 기업들에게는 시간 경쟁을 의미한다.

최신 연구 트렌드에 따르면, 이 문제를 해결하기 위한 다음 전선은 대형 개념 모델(LCM)의 등장이다. LCM은 자연어 이해(NLP) 영역에서 LLM과 경쟁하는 새로운 개념 아키텍처이다.

기술적으로 말하자면, LCM은 더 적은 반복으로 더好的 성능을 달성할 수 있는 잠재력을 가지고 있다. 나는 이러한 차세대 LCM이 스핀오프 팀에 의해 개발되고 상업화될 것이라고 믿는다.

수익화 타임라인 불일치

노력의 주기 압축은 또 다른 중요한 문제를 만들었다: 시장 출시와 지속 가능한 수익화 사이의 불일치이다. 인공지능 응용 프로그램의 수직화가 이전에 없던 속도로 진행되고 있다. 예를 들어, 음성 인공지능 에이전트는 몇 개월 만에 수익을 창출하는 제품으로 발전하고 있다. 그러나 이러한 빠른 상업화는 더深い 문제를 가린다.

예를 들어, 200억 달러의 가치가 있는 인공지능 스타트업은 4~5년 내에 10억 달러의 연간 매출을 창출해야 한다. 이는 기술적인 우수성만이 아니라 사업 모델의 극적인 변화를 필요로 한다. 즉, 연구 개발 중심에서 판매 중심으로 전환해야 하며,同時에 혁신의 속도를 유지하고巨額의 인프라 비용을 관리해야 한다.

새로운 LCM에 중점을 둔 스타트업은 초기 평가가 낮아 투자자에게 더 매력적인 투자 대상이 될 것이다.

하드웨어 부족과 새로운 대안

인프라를 자세히 살펴보자. 현재 모든 새로운 GPU 클러스터는 큰 기업에 의해 미리 구매되고 있다. 이는 작은 기업들이 클라우드 제공업체와 장기 계약을 체결하거나 완전히 시장에서 배제될 위험에 처하게 한다.

그러나 실제로 흥미로운 것은 하드웨어 풍경의 변화이다. 현재의 GPU 아키텍처는 생산에서 대부분의 기업이 필요로 하는 것에 비해 매우 비효율적이다. 이것은 супер컴퓨터를 사용하여 계산기 앱을 실행하는 것과 같다.

이것이 왜 나는 전문 인공지능 하드웨어가 우리 산업의 다음 큰 변화를 가져올 것이라고 믿는지이다. Groq와 Cerebras (CBRS ) 와 같은 기업은 전통적인 GPU보다 4~5배 더 저렴한 운영 비용을 가진 추론 전용 하드웨어를 구축하고 있다. 초기에 모델을 이러한 플랫폼에 최적화하기 위한 엔지니어링 비용이 더 높을 수 있지만, 대규모 추론 워크로드를 실행하는 기업들에게는 효율성의 이점이 명확하다.

데이터 밀도와 더 작은, 더智能한 모델의 부상

인공지능의 다음 혁신 전선으로 이동하려면 더 큰 컴퓨팅 능력과 더 풍부한 데이터셋이 필요할 것이다.

흥미롭게도, 더 작은, 더 효율적인 모델이 더 큰 모델과 경쟁하기 시작했다. 이는 사용 가능한 데이터에 대한 밀도에 대한 자산을 활용함으로써 가능하다. 예를 들어, 마이크로소프트의 FeeFree나 구글의 Gema2B와 같은 모델은 2~3억 개의 매개변수만으로도 8억 개의 매개변수를 가진 더 큰 모델과 비교할 수 있는 성능을 달성한다.

이러한 더 작은 모델은 데이터 밀도에 대한 강점으로 인해 크기에도 불구하고 강력하다. 이는 마이크로소프트와 구글과 같은 기업이 빙과 구글 검색과 같은 플랫폼을 통해 접근할 수 있는巨大的 다양한 데이터셋을 통해 얻을 수 있는 전략적인优势과 일치한다. (MSFT )

이 동态는 인공지능 개발에서 두 가지 중요한 “전쟁”이 진행되고 있음을 보여준다: 하나는 컴퓨팅 능력에 대한 전쟁이고, 다른 하나는 데이터에 대한 전쟁이다. 컴퓨팅 자원은 인공지능의 경계를 확장하는 데 필수적이지만, 데이터 밀도는 점점 더 중요해지고 있다.巨大的 데이터셋에 접근할 수 있는 기업은 더 작은 모델을 효율적이고 강력하게 훈련할 수 있는 고유한 위치에 있다.

누가 인공지능 전쟁에서 승리할 것인가?

이 contexto에서, 모두가 현재 인공지능 풍경에서 누가 가장 좋은 위치에 있는지 궁금해한다. 여기에는 몇 가지 생각이 있다.

주요 기술 기업은 아직 건설되지 않은 GPU 클러스터를 미리 구매하고 있다. 이는 작은 기업들이 시장에서 배제되는 환경을 만들고 있다. 오라클의 10만개 이상의 GPU 주문과 메타, 마이크로소프트와 같은 다른 기업들의 유사한 움직임이 이러한 추세를 보여준다.

이러한 기업은 인공지능 이니셔티브에 수백억 달러를 투자했으며, 수천명의 전문 인공지능 엔지니어와 연구자를 필요로 한다. 이는 앞으로 몇 개월 동안 많은 스타트업이吸収될 가능성이 있다.

2025년은 이러한 기업들이 대규모 연구 개발과 인프라 구축에 집중하는 해가 될 것이다. 그러나 2026년에는 이전에 없던 속도로 공격할 수 있는 위치에 있을 것이다.

그러나 이는 작은 인공지능 기업이 운이 나쁘다는 것을 의미하지 않는다. 이 분야는 계속해서 혁신하고 가치를 창출할 것이다. 일부 주요 혁신, 예를 들어 LCM,는 향후 몇 년 동안 새로운 출연자에 의해 주도될 가능성이 있다.

그러나 우리는 인공지능 기업의 자금 조달과 평가 구조의 근본적인 재구성이 발생할 가능성이 있다. 벤처 캐피탈이 더 차별화되면서, 기업들은 지속 가능한 유닛 경제학에 대한 명확한 경로를 입증해야 할 것이다. 이는 오픈소스 비즈니스에 대한 특 biệt한 도전이다. 이러한 비즈니스는 잘 자금을 조달한 독점 대안과 경쟁해야 한다. (GOOG )

오픈소스 인공지능 기업의 경우, 앞으로의 경로는 특정垂直 응용 프로그램에 중점을 두어야 한다. 여기서 투명성과 사용자 정의 기능이 독점 솔루션보다 명확한优势을 제공한다.