- 막대한 선행 자본과 짧은 기술 주기가 결합하면서, 프론티어 AI 연구소는 신제품을 내놓는 즉시 다음 세대를 준비해야 하는 반도체식 트레드밀에 진입함
- 프론티어 모델 훈련비는 8년 동안 매년 약 2.4배 증가했으며, 최대 훈련 작업은 2027년 10억 달러를 넘어 2028년에는 100억 달러에 이를 수 있음
- 반도체 산업은 3~4년마다 침체를 겪으며 소수 기업 중심으로 재편됐지만, Nvidia·Apple·ARM처럼 제조보다 한 단계 위에서 설계·소프트웨어·생태계를 장악한 기업들은 큰 가치를 창출함
- AI에서도 프론티어 비용은 치솟는 반면 같은 성능을 구현하는 비용은 일부 추산으로 매년 10분의 1 수준까지 하락해, Cursor·Harvey·Abridge 같은 응용 기업이 직접 모델을 훈련하지 않고도 제품과 고객 관계를 구축할 수 있음
- 규모와 자본은 프론티어 연구소의 핵심 경쟁력이지만 더 넓은 사업 기회는 저렴하고 풍부해진 지능의 응용 계층에 있으며, 모델 공급자가 고객 시장에 진입할 수 있는 플랫폼 종속 위험은 별도로 평가해야 함
멈추지 않는 반도체 트레드밀
- 차세대 반도체 기업은 설계, 테이프아웃, 공정 인증, 제조·유통 확대에 막대한 자본을 투입하지만, 제품이 완성될 때면 시장은 이미 다음 세대를 요구함
- 이 주기를 따라가지 못한 기업은 인수·통합되거나 조용히 사업을 종료했으며, 기술 자체보다 자본 집약성과 개발 속도가 투자를 어렵게 만들었음
- 프론티어 모델 연구소 역시 대규모 자본을 투입해 제품을 출시하는 순간 다음 모델을 요구받는다는 점에서 같은 패턴을 보임
차세대 반도체 공정의 비용
- 구형 공정에서 수십만 달러였던 테이프아웃 비용은 3nm 전체 마스크 기준 1억 달러 이상에 이를 수 있음
- 비용 대부분은 웨이퍼가 아니라 마스크 세트와 비반복 엔지니어링에서 발생함
- International Business Strategies가 추산한 신형 칩의 전체 설계 비용은 공정이 미세해질수록 급격히 증가함
- 28nm: 약 4,000만 달러
- 7nm: 약 2억1,700만 달러
- 5nm: 약 4억1,600만 달러
- 3nm: 약 5억9,000만 달러
- 2nm: 7억2,500만 달러 이상
- 다만 이 수치에는 논쟁의 여지가 있음
- SemiAnalysis에 따르면 실제 스타트업이 최첨단 7nm 칩을 총 5,000만~7,500만 달러에 출시한 사례가 있어, 높은 추정치는 상한선으로 봐야 함
- 제조 시설까지 포함하면 부담은 더욱 커짐
- 3nm 생산 시설은 150억~200억 달러
- EUV 스캐너 한 대는 3억5,000만 달러 이상
- TSMC의 2026년 설비투자 계획은 520억~560억 달러
- 트랜지스터당 비용은 계속 하락하지만, 이를 상쇄할 만큼 충분한 생산량을 확보한 기업만 경제성을 얻을 수 있음
차세대 프론티어 모델의 비용
- GPT-4 최종 훈련에 투입된 상각 하드웨어 비용은 Epoch AI 추산 약 4,000만 달러임
- Stanford AI Index는 클라우드 임대 가격을 적용해 약 7,800만 달러로 계산함
- Sam Altman은 1억 달러 이상이 들었다고 밝힘
- Gemini Ultra의 추정 훈련비는 계산 방식에 따라 3,000만~1억9,100만 달러로 달라짐
- 방법론에 따라 첫 자릿수는 달라져도 비용의 규모 자체는 비슷하며, 개별 추정치보다 장기 증가 추세가 중요함
- Epoch AI에 따르면 프론티어 훈련비는 8년 연속 매년 약 2.4배 증가함
- 최대 훈련 작업은 2027년 10억 달러를 넘어설 수 있음
- Dario Amodei는 2028년에 100억 달러 규모의 훈련 작업이 등장할 수 있다고 전망함
- 2026년 프론티어 훈련 작업은 이미 2억~5억 달러 이상으로 추산됨
- 거대한 선행 자본, 빠른 출시 주기, 출시 직후 차세대를 요구받는 환경이 AI 연구소에 반도체 기업과 유사한 압박을 가함
AI 훈련 자산이 더 빠르게 감가되는 이유
- 반도체 공장은 여러 공정 세대에 걸쳐 재사용할 수 있으며, 감가상각이 끝난 기존 생산 라인도 수년 동안 수익을 창출할 수 있음
- 반면 훈련된 프론티어 모델은 경쟁사가 더 나은 모델을 출시하는 즉시 가치가 떨어지며, 오래된 반도체 공장과 같은 잔존가치가 없음
- 이 차이 때문에 프론티어 AI 연구소의 경제적 트레드밀은 반도체 제조보다 더 가혹할 수 있음
반도체 산업의 주기와 통합
- 반도체 산업에는 약 70년 동안 3~4년마다 침체가 찾아왔으며, 지금까지 15회 이상의 주기를 겪음
- 닷컴 버블 붕괴 당시 PHLX Semiconductor Sector Index(SOX)는 2000년 고점에서 약 82% 하락했고, Nvidia의 기업가치도 약 90% 감소함
- PitchBook 기준 반도체 스타트업 벤처투자는 2021년 약 145억 달러로 정점을 찍은 뒤 2022년 46% 감소한 78억 달러를 기록함
- 자금시장이 얼어붙기 전에 연구개발을 매출로 전환하지 못한 칩 스타트업은 운영자금이 고갈됨
- 수천 개 기업이 존재하던 산업은 수십 년에 걸쳐 소수 사업자 중심으로 통합됐으며, 특히 메모리 시장은 과점 구조가 됨
- 극단적인 자본 집약성과 끊임없는 세대교체가 결합하면 산업은 소수 승자에게 집중되고, 호황을 영구적인 상태로 오인한 기업은 다음 침체에서 큰 타격을 받음
반도체에서 더 큰 가치를 만든 계층
- 반도체 산업은 최첨단 공정 기업의 통합만 낳은 것이 아니라 기술 산업 전체의 거대한 가치 창출 기반이 됨
- Nvidia·Apple·Qualcomm·Broadcom·AMD는 직접 공장을 소유하지 않고 TSMC 등에 최첨단 제조의 자본 부담을 맡기는 팹리스 모델로 강력한 사업을 구축함
- ARM은 실리콘을 직접 다루지 않고 명령어 집합을 라이선스해 거의 모든 휴대전화에 진입함
- 이 기업들은 제조 트레드밀보다 한 계층 위에서 설계, 소프트웨어, 생태계를 장악하고 파운드리에 재무제표상의 위험을 넘김
- 더 큰 변화는 저렴하고 풍부하며 지속적으로 개선된 반도체 위에서 발생함
- 소프트웨어 산업
- 인터넷
- 스마트폰 경제
- 클라우드 컴퓨팅
- Google·Amazon과 앱 경제
- 최첨단 공정 경쟁에서 사라진 기업보다, 그 경쟁이 만든 저렴한 컴퓨팅 위에 사업을 구축한 기업들이 수십 년 동안 더 큰 성장을 누림
프론티어 비용 상승과 지능 비용 하락
- 프론티어 모델의 비용 상한은 10억 달러 이상으로 올라가지만, 특정 성능 수준에 도달하는 비용은 일부 추산으로 매년 10분의 1 수준까지 하락함
- 2023년 훈련비가 7,800만 달러였던 수준의 모델을 현재는 1,000만 달러 미만으로 만들 수 있다고 봄
- DeepSeek은 수백만 달러로 성능이 높은 모델을 훈련한 것으로 알려짐
- 정확한 수치는 논쟁 중이고 일부 추산은 지나치게 낙관적일 수 있지만, 공개 모델에서 같은 성능을 구현하는 비용이 하락하는 방향은 뚜렷함
- 지능은 컴퓨팅과 함께 비용 곡선을 따라 하락하고 있으며, 프론티어 경쟁과 그 위의 응용 시장은 서로 다른 경제성을 가짐
AI에 이식된 팹리스 전략
- 프론티어 모델 훈련에는 막대한 자금을 확보한 소수 연구소만 참여할 수 있지만, 그 위의 응용 계층은 더 많은 기업에 열려 있음
- Anysphere는 MIT 학생 4명이 2022년에 창업해 다른 기업의 프론티어 모델 위에 Cursor를 구축함
- 연환산 매출은 2025년 초 약 1억 달러에서 2026년 중반 약 40억 달러로 증가함
- SpaceX는 2026년 6월 약 600억 달러에 회사를 인수하기로 합의함
- Cursor는 프론티어 모델을 직접 훈련하지 않고 제품과 개발자 관계를 소유했으며, 모델 연구소가 훈련비를 부담하도록 함
- 같은 전략은 여러 산업에 적용되고 있음
- Perplexity: 검색
- Harvey: 법률 업무
- Sierra: 고객 서비스
- Abridge: 임상 현장
- Glean: 기업 내부 업무
- Foundry Robotics: 제조
- 이 기업들은 훈련 트레드밀에 직접 올라가지 않고 그 위에서 제품과 사업을 구축함
플랫폼 종속이라는 별도 위험
- 외부 모델 위에 제품을 만들면 모델 공급자가 응용 계층으로 올라와 고객사의 사업과 직접 경쟁할 수 있음
- 연구소들은 이미 자사 모델을 사용하는 일부 주요 고객과 경쟁하고 있음
- Cursor는 모델 제공자의 자체 코딩 도구와 경쟁하면서 소매 모델 가격을 부담한 반면, 공급자는 도매 수준의 경제성을 활용할 수 있었음
- 플랫폼 종속은 무시할 수 없는 투자 위험이지만, 프론티어 연구소가 부담하는 훈련비·세대교체 위험과는 성격과 진입 비용이 다름
투자에서 구분해야 할 두 유형
- 반도체 시대에는 두 유형의 기업이 성과를 냄
- 소수 기업은 최첨단 트레드밀을 계속 감당할 규모를 확보함
- 더 많은 기업은 저렴하고 풍부한 실리콘보다 한두 계층 위에서 지속 가능하고 마진이 높은 사업을 구축함
- 전체 가치 창출 규모에서는 두 번째 유형이 첫 번째 유형보다 훨씬 컸음
- 프론티어 모델 시대도 같은 방향으로 전개되고 있으며, 트레드밀을 시장 전체로 간주해서는 안 됨
- AI도 이전의 자본 집약적 기술 호황처럼 한 번 이상의 자금 가뭄을 겪을 수 있으며, 낙관적인 시장 자금으로 최신 세대를 조달하는 기업은 그 시기에 압박받게 됨
- 더 넓은 기회는 누가 프론티어 경쟁에서 승리하는가보다 지능이 저렴하고 풍부해진 뒤 무엇을 구축하는가에 있음
- Red Glass Ventures는 특히 저렴한 지능이 물리적 세계와 만나는 로보틱스, 하드웨어, 현실에서 직접 행동하는 시스템에 관심을 두고 있음