AI VIDEO BRIEFING
AI 투자 지형 2026: 실리콘밸리 20대 VC가 본 휴먼 데이터, 피지컬 AI, 바이오, 그리고 한국의 기회
스탠퍼드를 나와 머코어 초기 리서치 엔지니어를 거쳐 벤처캐피털을 차린 니킬 수레시가 AI 가치 사슬을 레이어별로 짚었다. 휴먼 데이터와 검증기, 전력·칩 병목, 피지컬 AI와 바이오의 순서, 한국이 파고들 지점까지 정리했다.
핵심 메시지
- AI 랩의 데이터 지출은 코딩에서 시작해 수학·물리·법률·바이오 같은 버티컬로 옮겨갔고, 앞으로 몇 년은 더 늘어난다는 것이 현장 관측이다.
- 지금 가장 희소한 자원은 모델이 아니라 전력과 칩이다. 1년 사이 프론티어 칩 확보 비용은 2~3배로 뛰었다.
- 레이어별 유망도를 100점으로 나누면 피지컬 AI에 40~50점, 바이오에 30~40점을 주겠다는 것이 이 투자자의 배분이다.
- 모델이나 칩, 핵심 인프라를 소유하지 않은 애플리케이션 회사는 오픈소스 모델을 잘 다루지 못하면 마진을 맞추기 어렵다.
- 한국은 소프트웨어와 하드웨어 인재를 함께 갖춘 소수의 나라이며, 지금 투자한다면 반도체·메모리·추론 칩부터 보겠다는 답이 돌아왔다.
쉽게 이해하기
AI 프론티어 코리아가 실리콘밸리 벤처캐피털 스트라이커 벤처 파트너스의 니킬 수레시를 초대해 나눈 대담이다. 그는 스탠퍼드에서 수학 학사와 컴퓨터공학 석사를 마쳤고, 재학 중 일고여덟 곳의 스타트업을 거친 뒤 인력·데이터 회사 머코어의 초기 리서치 엔지니어로 합류했다. 회사가 15명에서 500명 이상으로 커지는 동안 오픈AI, 앤스로픽, 딥마인드, 메타 등 주요 랩의 AI 팀과 일하며 각 랩의 최전선을 관찰했다고 말한다.
대담의 첫 축은 데이터다. 그가 합류하던 시절 모델은 중학교 수준 수학 문제조차 어려워했고, 초기 과제는 그런 문제를 풀릴 데이터를 어떻게 모으느냐였다. 이후 지출의 가장 큰 몫은 코딩 데이터가 차지했고, 그다음으로 수학·물리·법률·바이오·헬스 같은 버티컬로 넘어갔다. 데이터 라벨링을 랩이 내재화하면 시장이 줄어든다는 논쟁에 대해서는, 모델용 평가·벤치마크 시장과 기업용 검증기·강화학습 환경 시장이 따로 있으며 후자가 특히 크다고 봤다. 지식 노동 시장 자체가 수조 달러 규모이기 때문에 데이터 지출도 그에 비례한다는 논리다.
인프라 이야기로 넘어가면 병목의 위치가 달라진다. 미국에서는 전력이 가장 제약이 크고 지방정부의 반발도 만만치 않아 데이터센터 가동이 늦어진다. 여기에 칩 부족과 포토닉스·리소그래피 같은 요인이 겹치면서, 기업들은 2~3년 뒤 쓸 칩의 임차권을 미리 확보해야 하는 처지가 됐다. 정확히 1년 전만 해도 합리적이던 프론티어 칩 가격은 지금 대규모 클러스터 기준으로 2~3배가 됐다는 것이 그의 관측이다. 반면 네오클라우드는 화려하게 자금을 모으지만 실제 컴퓨트 확보는 훨씬 어려워졌다.
그는 레이어별 유망도를 100점으로 나눠 달라는 요청에 피지컬 AI에 40~50점, 바이오에 30~40점을 배분했다. 로보틱스 파운데이션 모델은 시각-언어-행동 모델에서 월드 액션 모델로 옮겨가는 중이며, 대형 언어 모델로 치면 GPT-2 무렵에 가깝다고 진단했다. 인터넷 전체를 학습 데이터로 쓸 수 있었던 언어 모델과 달리 로보틱스는 센서와 환경을 직접 구성해 데이터를 만들어야 하는 점이 결정적 차이다. 이미 건설 현장에서 굴착기와 드릴에 파인튜닝된 로봇 모델이 쓰이기 시작했다는 사례도 들었다.
마지막 축은 한국이다. 그는 소프트웨어와 하드웨어 인재를 동시에 갖춰 소버린 랩을 세울 수 있는 나라가 세계에 몇 곳 없다며, 삼성 파운드리와 SK하이닉스를 예로 들었다. 지금 한국 스타트업에 투자한다면 무엇을 보겠느냐는 질문에는 로보틱스보다 먼저 반도체와 메모리, 특정 아키텍처에 특화된 추론 칩을 꼽았다. 반면 에이전트 시장은 이미 포화 상태라고 봤고, '우리는 빠르게 움직인다'는 답으로는 아무것도 설명되지 않는다고 잘라 말했다.
주요 인사이트
- 데이터 사업의 진짜 난이도는 라벨링 자체가 아니라 예측이다. 모델 역량이 3개월 뒤 어디까지 갈지를 앞질러 보고 계약을 설계해야 하기 때문이다.
- 검증기는 자율적으로 만들어지지 않는다. 특정 업무에 맞는 검증기와 평가 세트는 결국 사람이 설계해야 하고, 그래서 가치가 그 지점에 쌓인다는 것이 그의 판단이다.
- 스탠퍼드 하지 리서치와 스케일링 인텔리전스 그룹이 제시한 '와트당 지능'은 작업 하나를 끝내는 데 드는 전력을 재는 단위로, 6개월 단위로 빠르게 내려가면서 대규모 멀티 에이전트의 상업성을 가늠하게 해 준다.
- 고확신 소수 집중 전략은 상승 여력을 키우는 대신 실패 여지를 없앤다. 1,700만 달러 규모 1호 펀드로 약 10건만 투자하면 한 건만 어긋나도 펀드 가치가 빠르게 무너진다는 위험을 그도 인정한다.
- ICML에서 그가 감지한 변화는 '어떤 새 아키텍처인가'에서 '왜 이 벤치마크에서 실패하는가'로 질문이 옮겨갔다는 점이다. 모델 내부를 들여다보는 해석 가능성 연구가 커지는 흐름과도 맞닿아 있다.
자주 묻는 질문
프론티어 랩이 데이터 라벨링을 직접 하면 데이터 회사는 무너지나요?
그는 xAI가 오래전부터 전문가 라벨링을 내부에서 해 왔고 오픈AI도 그 방향으로 움직이고 있다고 인정합니다. 다만 랩이 모델 학습과 데이터 생성 중 어디에 자원을 우선할지는 별개 문제이고, 기업용 검증기와 강화학습 환경이라는 또 다른 큰 시장이 있어 결국 실행력과 납기 품질의 문제로 귀결된다고 봅니다.
지금 컴퓨트 확보가 왜 그렇게 어려워졌나요?
미국에서는 전력이 가장 큰 제약이고 지방정부 반발까지 겹쳐 새 데이터센터 가동이 늦습니다. 칩 부족과 포토닉스·리소그래피 문제도 함께 작용해, 1년 전만 해도 합리적이던 프론티어 칩 가격이 지금은 2~3배 수준이며 기업들은 2~3년 뒤 쓸 칩의 임차권을 미리 잡고 있습니다.
로보틱스는 언어 모델로 치면 어느 단계인가요?
그는 GPT-2 무렵에 가깝다고 답합니다. 아키텍처가 시각-언어-행동 모델에서 월드 액션 모델로 진화하며 스케일링 법칙의 조짐이 보이지만, 인터넷처럼 바로 쓸 수 있는 데이터가 없어 실제 환경이나 시뮬레이션에서 데이터를 직접 만들어야 하는 단계입니다.
5년 뒤 무엇이 가장 크게 바뀔 것으로 보나요?
그는 예측이 어렵다고 전제하면서도 두 가지를 꼽습니다. 하나는 신약 후보 발굴 기간이 크게 줄고 임상 단계까지 빨라지는 것이고, 다른 하나는 한 사람이 최상위 회사를 운영하고 그 아래 에이전트들이 여러 회사를 자율적으로 굴리는 형태의 조직이 늘어나는 것입니다.
원문과 출처
이 글은 원본 영상의 자막을 바탕으로 한국어 독자를 위해 요약했습니다. 전체 맥락과 최신 정보는 원문에서 확인하세요.
YouTube 원본 영상 보기 ↗