Sabitlenmiş Tweet
호랭교관
10.9K posts
호랭교관 retweetledi
"모두가 집을 소유하게 하고, 순자산 전부를 집 한 채에 밀어넣게 만든 것."
듣기엔 아메리칸드림인데, 여러분 이게 왜 함정인지 알면 등골이 서늘해짐.
집에 순자산을 다 넣는 순간 무슨 일이 벌어지냐. 국민이 부유하다고 느끼는 유일한 경로가 집값 상승 하나로 고정됨. 그럼 정부는 선택지가 없음. 표를 잃지 않으려면 집값을 매년 올릴 수밖에 없는 정책을 계속 펴야 함. 부양이든 규제든 대출이든 세금이든, 뭘 하든 결론은 하나임. 집값은 떨어지면 안 됨. 국민의 저축이 통째로 거기 묶여 있으니까.
이게 한국은 더 심함. 가계 자산의 대부분이 부동산 한 곳에 쏠려 있음. 그래서 정권이 바뀌어도 부동산 정책의 본심은 똑같음. 겉으론 잡겠다고 하지만 진짜로 폭락시키면 온 국민 순자산이 같이 녹음. 못 잡는 게 아니라 못 떨어뜨리는 거임. 여러분 집은 자산이 아니라 정치에 인질로 잡힌 저축통장인 거임.
다음은 세대 문제임. 30~40년 전엔 괜찮은 직장 하나면 집을 샀음. 지금은 영끌을 해도 못 감당함. 왜? 집값을 계속 올려야만 유지되는 시스템을 굴리다 보니, 먼저 올라탄 사람의 장부상 순자산을 지키려고 뒤에 오는 세대의 진입 가격을 하늘로 밀어버린 거임. 앞사람 저축을 떠받치는 비용을 뒷사람이 대출로 뒤집어쓰는 구조. 결국 다치는 건 사람임.
여기서 진짜 질문. 왜 저축을 정치에 휘둘리는 자산에 넣어야 하나? 집값은 정부가 떠받쳐줘야 유지되고, 화폐 가치는 중앙은행이 정하고, 당신 부의 실질은 늘 남의 손에 달려 있음. 부를 지키려고 산 자산에, 그 부를 남의 정책에 볼모로 내주는 조건이 붙어 있는 거임 💯
그러니 순자산을 어디 둘지 다시 생각해봐야 함. 누군가 값을 계속 떠받쳐줘야만 유지되는 저축은, 그 누군가가 손을 놓는 순간 무너짐. 진짜 안전한 저축은 정치가 값을 못 정하는 것, 아무도 더 찍어낼 수 없고 아무도 떨어뜨릴 이유가 없는 것임. 집에 인질로 잡힌 부를, 인질로 잡히지 않는 곳으로 옮기는 것부터가 시작임 ₿
한국어
호랭교관 retweetledi
미국 주식시장 24시간 개장위한 움직임
RWA stock들이 정식으로 소비자들에게 들어오기시작할텐데 각 국가에서 대응방식이 나뉘고 있는 것 같음
미국의 기조는 똑같음 24시간 시장을 개방하고, 이를 블록체인 위에 올려서 미국자산을 전세계에 공급하고 유동성을 흡수하려는 움직임을 가져가는 중
반면 국력이 약한 나라에서는 우선 해외 크립토 거래소를 차단하는 움직임도 나타나고 있고(동남아권), 이미 금지되어 있는 국가도 있음(중국)
또 개방하기 위해서 작업중인 일본도 있지만, 결국 미국 스탠스와 각 국의 상황을 보면서 조절할 것으로 보임.
한국에서도 이를 빠르게 인지한 금융사들이 미리 big3 거래소 지분을 가져가는 중이고, 금융 라이센스와 통합하여 뭐가 필요할지 모르는 상황에 파이프라인을 움켜쥐려는 의도로 해석됨.
사실 소규모 금융사라도 vasp라이센스 하나만 필요하다면 현재 한국의 죽어가는 vasp 사업자를 인수할 수 있기에 중요한 것은 전통 금융 라이센스를 갖고 금융결제망이 어떻게 구성될지 대응하는 것이 중요한 것 같음
하지만 이번 로빈후드에서 보았듯이 먼저 블록체인을 선점하려는 움직임은 금융사 각각에게 큰 이점으로 남을 것 같음.
한국이 24시간 거래를 하려면 우선 인프라와 구조부터 정비하는 것이 맞다고 생각되나, 시행되더라도 크립토 거래소에서 중심축이 흘러가진 않고 국내에서만 자신이 유동될 가능성이 높음.
글로벌로 RWA를 퍼트리는 회색지대는 이제 매우 주의깊은 시선으로 민감하게 검토될 것이나 단기간에 해결될 것 같은 사항은 아닐 것으로 생각됩니다
U.S. Securities and Exchange Commission@SECGov
The SEC will host a roundtable on September 17 to discuss moving towards 24-hour trading in the U.S. equity markets. Agenda, panelists, and registration info will be available soon. See additional info below ⬇️ sec.gov/newsroom/press…
한국어
호랭교관 retweetledi
ok this 2.2% stat just sent me down a rabbit hole.
a few more numbers i found:
> only 0.2% of U.S. households spend over $100 a month on AI
> only 1% of U.S. adults personally pay for Claude
> only 4% of U.S. adults use AI chatbots almost constantly
> only 6% of U.S. adults use Claude
> only 4.5% have ever had an AI agent complete a task for them
> only 8.3% of U.S. workers say AI lets them do work they couldn’t do before
we are still absurdly early
Olivia Moore@omooretweets
Only 2.2% of U.S. households have a paid AI subscription We are still so early
English
호랭교관 retweetledi
호랭교관 retweetledi
Recommended reading for the weekend:
1. Simon Willison — Kimi K3, and what we can still learn from the pelican benchmark
2. J.P. Morgan — Powering the AI Revolution
3. Zephyr — How to break the memory supercycle? Or is it even possible?
4. TrendForce — Humanoid Robots Part 1: The US-China Divide and Who Controls the Supply Chain
5. Hugging Face — Welcome Inkling by Thinking Machines
6. $ASML & $TSM — Earnings Transcripts
English
호랭교관 retweetledi
앞으로 제조업은 자기 제품에 운영 시스템을 붙혀서 판매하는 형태로 바뀌게 될 겁니다.
실제 일본 기업들은 그렇게 바뀌고 있구요.
다이킨으로 보자면 단순히 에어컨만 판매하던 기업이 빌딩 공조 시스템을 판매하고 있는 중이죠. 에어컨은 부가적인 요소가 되었습니다.
이렇게 봤을 때 알 수 있는 건, 이미 이런 형태로 진화 중이던 제조업이 AI라는 협력자를 만나, 본격적으로 시스템을 AI가 관리하는 형태로 판매하게 되는 겁니다.
여기서 중요한 포인트는 이런 기업들이 결국 “현실 세계의 데이터권”도 가져간다는 겁니다.
AI는 데이터가 없다면 쓸모가 없죠?
학습할 수 없으니까요. 그렇다면 이 물리적인 세계의 데이터는 왜 중요할까요? 그런 데이터는 오로지 실제로 가동되면서 나오기 때문입니다.
OpenAI가 아무리 학습한다고 한들, 실제 공장에 대한 데이터를 학습하려면 직접 공장을 짓거나 운영을 해야 한다는 겁니다.
그렇게 봤을 때 이 세계에서 진짜로 돈 버는 산업인 제조업에 유명한 AI 기업들이 들어오고 싶어도 쉽지 않다는 것을 알 수 있죠. 제어 시스템이 곧 데이터 제어권이기 때문에요.
그럼 아무리 좋은 모델을 가지고 있던 물리적 세계의 데이터. 거기서도 실제 돈이 되는 제조업의 데이터를 학습하고 피지컬 AI까지 이어가기 위해선 시스템을 판매하는 제조 기업들에게 불리한 포지션으로 들어올 수밖에 없다는 겁니다.
그게 하나의 해자가 될 것이며 앞으로 미래에 제조업을 두 가지로 찢어놓는 결과를 일으킨다고 보고 있구요.
Observer@TheObserverLee
한국어
호랭교관 retweetledi
8시간 공부보다 2시간으로 효율적인 공부하는 방법
1하루 8시간 책상에 앉는 사람과
2~3시간만 투자하는 사람 중 누가 더 많이 배울까?
상식적으론 8시간 같지만 현실은 정반대라는 영상을 봤음.
700명의 의대생을 연구했더니
최상위권 학생들의 평균 학습 시간은 하루 3~4시간이었고,
나머지가 오히려 하루 종일 도서관에 박혀 있었다고 함
내용을 정리해겠음
먼저 전제부터 짚고 감. 단순히 읽고 듣는 건 학습이 아님.
진짜 학습은 정보를 뇌 회로에 저장하는 것이라
교재를 100번 읽어도 뇌에 안 박히면 의미가 없다는 것
1. 학습 시간을 미리 정하고 완전히 고립되기
최상위권 학생들은 매일 같은 시간대를
미리 블록으로 잡아두고
그 시간엔 핸드폰을 끄고 가족에게도
연락 안 된다고 통보한 뒤 들어갔음.
집중력은 무한하지 않은데
뇌의 아데노신이 일종의 집중력 배터리라
너무 많이 쓰면 졸음이 쏟아짐
시간을 미리 정해두면
뇌가 그 시간을 위해 알아서 배터리를 충전해둠
하루 두 타임 정도만 정해두고
나머지 시간엔 자유롭게 놀아도 흡수율은 오히려 올라감
2. 배운 걸 누군가에게 가르치기
"한 번 보고, 한 번 해보고, 한 번 가르치기"
최상위권 학생들은 배운 걸
친구에게 설명하는 시간을 반드시 가졌음
경쟁 상황에서 알려주면 손해 같지만
알려주는 행위로 내가 얻는 이득이 압도적으로 크다고함
어차피 남들은 내가 습득한 방식 그대로 흡수하지 못함
전혀 관심 없는 분야인 사람에게 설명해도
머릿속 정리가 엄청나게 잘 됨
3. 반복해서 읽기 대신 셀프 테스트
(이게 가장 충격적인 부분)
한 실험에서 자서전을 네 번 읽은 그룹과
한 번만 읽고 셀프 테스트를
한 그룹을 비교했더니 후자의 기억 정확도가
압도적으로 높았음
6개월 뒤 최종 테스트에서도
'한 번 공부 + 세 번 테스트' 그룹이
'네 번 공부' 그룹을 앞섰음
공부 횟수가 아니라 정보에 얼마나
노출됐는지가 중요하다는 것
4. 정답을 맞혔는지는 중요하지 않음
문제를 풀고 답을 확인하는 것 자체가 배움의 과정임
한 번 공부하고 테스트해서 50%만 맞춰도 괜찮고
오히려 그게 처음부터 끝까지 다시 읽는 것보다
학습 효과가 훨씬 큼.
챕터 하나 보고 바로 책 덮은 뒤 백지에
다 적어보는 방식이면 충분함
5. 테스트 타이밍이 중요함
공부 직후 바로 테스트하고
시험 직전에 한 번 더 한 그룹이 압도적이었고
그 효과가 1년 이상 지속됐음
반대로 공부 후 바로 핸드폰을 보면
기억과 학습에 역효과 (공부할때 핸드폰 멀리해야함)
새로 배운 뒤 5~10초라도 생각하는 시간을 가지면
뇌의 해마가 평소보다 훨씬 빠르게 정보를 저장함
(수면 중 저장하는 렘수면 상태와 비슷한 수준)
6. 크고 야심찬 목표 갖기
후천적 천재들의 공통점임
엘리트 의대생들에게 공부하는 이유를
물으면 단순한 시험 통과가 아니라
나중에 자신의 능력으로 가족과
주변 사람들의 인생을 바꾸겠다는
장기적 꿈을 구체적으로 설명했음.
힘들 때마다 그 목표를 떠올리며 버틸 수 있었던 것
특히 집중력에 대한 부분이 중요함
집중이 흐트러지고 딴짓하게 되는 것마저
배움의 과정이라는 것.
뇌는 중요하다고 생각하는 것만으로도
집중력이 점진적으로 올라가고,
집중이 힘들고 피곤한 건
나쁜 신호가 아니라 신경 회로가 바뀌는 중이라는
긍정적 신호라는 얘기였음.
중요한 건 집중이 사라졌을 때 다시
그 과제로 돌아오는 연습을 반복하는 것.
한국어
호랭교관 retweetledi
중국 LLM 랩들의 성과에 대한 매우 뛰어난 통찰이기에 번역해서 인용합니다.
이번 KIMI K3의 성과가 매우 놀랍지만, 이걸 간과해선 안 될 것입니다.
“1. 중국은 최신 GPU나 충분한 수량의 GPU에 대한 접근권이 없습니다. 또한 고급 ASIC을 제조하는 데 필요한 리소그래피 장비 및 기타 전구체에도 접근할 수 없습니다.
2. 미국 연구소에 비해 훨씬 적은 수의 GPU만으로도, 중국 연구소들은 항상 미국 연구소들의 바로 뒤를 따라잡을 수 있습니다.
3. 이에 대한 한 가지 해석은 중국 연구소들이 모델 훈련에 있어 놀라운 효율성을 보유하고 있다는 것입니다. 이는 AI 인프라 구축에 대한 수요가 크게 줄어들 수 있음을 시사합니다.
4. 3단계의 문제점은 중국 모델들이 추론(inference) 과정이나 LLM을 쿼리할 때 추가적인 효율성을 보이지 않는다는 것입니다. 학습 효율성과 추론 효율성은 함께 따라오기 마련입니다.
5. 따라서 4단계에서 도출되듯이, 중국 연구소들이 엄청난 학습 효율성을 갖추면서도 그에 상응하는 추론 효율성이 없다는 것은 가능성이 낮습니다.
6. 따라서 그 원인은 중국 연구소들의 "학습 효율성"이 기본적으로 미국 모델로부터의 증류(distillation), 즉 미국 모델을 활용해 중국 모델을 학습시키는 방식에 있다는 것입니다.
7. 미국 모델들은 계속해서 AI를 발전시키고 학습을 위해 많은 GPU를 구매할 것입니다.
8. 미국 프론티어 모델을 쿼리(추론)하든 중국 오픈소스 모델을 쿼리하든, 여전히 비슷한 수의 GPU가 필요합니다. 추론용 GPU에 대한 수요는 학습용 GPU보다 더 빠르게 증가하고 있습니다.
그런가 하면 화웨이 어샌드와 같은 중국산 ASIC이 잘 작동하고 있다고 말하는 사람들도 있습니다. 그러나 이는 실제로 중국에 가보면 자국의 오픈소스 모델들이 컴퓨팅 자원 부족으로 인해 성능이 크게 제한되어 있다는 사실과 모순됩니다. 또한 중국 개발자들은 Claude 코드에 접근하기 위해 VPN을 사용합니다. 중국 모델들은 실제로 코딩에 뛰어나지만, 중국 내에서는 충분한 컴퓨팅 자원이 없기 때문에 중국 내에서 서비스될 때 성능이 제한됩니다.“
Jim Liu@jiahanjimliu
Will do. 1. China doesn't have the access to the latest or as many GPUs. Nor do they have access to lithography tools and other precursors to make advanced ASICs. 2. With a fraction of the GPUs of American Labs, Chinese Labs are able to always be right behind American Labs. 3. One read of this is that Chinese Labs have incredible efficiency in training models. This would imply demand for AI buildout would be greatly reduced. 4. The problem with step 3 is that Chinese Models have no additional efficiencies in inference or when you query the LLM. Training and inference efficiencies come hand in hand. 5. Thus from step 4, it's not likely the Chinese Labs have incredible training efficiencies and no inference efficiencies to match. 6. Thus the culprit is that Chinese Lab's "training efficiencies" is basically distilling from American models aka using American models to train Chinese Models. 7. American models will still continue to push AI forward and buy alot of GPUs for training. 8. Whether you query (inference) a American Frontier Model or Chinese Open Source Model - you still need around the same amount of GPUs. The demand for inference GPUs is growing faster than training GPUs. Then there are those who say Chinese ASICs like Huawei Ascend are doing great. This however, is contradicted by the fact that if you go to China, their own open source models are heavily nerfed due to lack of compute. Also Chinese developers use VPNs to get access to Claude code. Chinese models are in fact good at coding, yet in China they don't have enough compute so the Chinese models get nerfed when served in China.
한국어
호랭교관 retweetledi
"AI와 200만 줄의 코드를 작성하며 깨달은 것들"
25년 경력의 CTO.. AI와 단둘이 200만 줄 이상의 코드를 작성했지만, 만들어진 결과물 중 운영 검증을 통과한 것은 단 하나도 없었음.
인터페이스는 멀쩡하고 컴파일도 되지만, 런타임에 아무 일도 일어나지 않는 에이전트 시어터 현상이 반복됨.
원인은 AI에게 '무엇을(what)'과 '어떻게(how)'만 줬을 뿐, '왜(why)'를 주지 않았기 때문.
'왜'가 없으면 AI는 완성도의 실제가 아니라 완성도의 겉모습을 향해 달림.
데모는 되지만 프로덕션에서는 무너지는 코드가 양산됨.
가트너도 2027년까지 에이전트 AI 프로젝트 40% 이상이 폐기될 것으로 예측했으며, 원인은 모델의 무능이 아니라 사람의 잘못된 결정.
환각을 잡으려고 규칙을 늘리면, 환각과 창의성이 동시에 사라짐.. 둘은 같은 생성 메커니즘의 양면이기 때문.
돌파구는 규칙 대신 '왜'를 담은 판단 기준 문서를 AI 컨텍스트에 상시 물려두는 것.
같은 모델, 같은 코드베이스에서 컨텍스트만 바꿨을 뿐인데 결과물 품질이 확연히 달라짐. 더 좋은 모델이 아니라 더 좋은 맥락이 필요함.
규칙은 "이렇게 해라"라는 드레스 코드이고, '왜'는 "네 판단의 기준은 이것이다"라는 안목.
CHP.. Creative-Hallucination-Principles
창의성-환각-원칙의 균형은 영역마다 다르게 맞춰야 함. 프론트엔드는 창의성 쪽으로, 인프라/프로토콜은 원칙 쪽으로.
AI가 똑똑해질수록 이 다이얼을 맞추는 판단 노동은 줄지 않고 오히려 늘어남.
AI는 주어진 맥락을 거울처럼 비추기 때문에, 명확한 '왜'를 주면 명확함이, 모호함을 주면 모호함이 증폭됨.
자, 결론! AI 도입 전에 "이것을 왜 만드는가, 이 결정이 왜 옳은가, 이 실패가 왜 용납될 수 없는가"에 먼저 답할 수 있어야 한다.
좋은 글 읽었습니다. 🙏🏻
yozm.wishket.com/magazine/detai…
한국어
호랭교관 retweetledi
소프트웨어를 무시해온 나라가 AI를 잘할 리 없다
- 한국이 AI를 진지하게 받아들이지 못하는 문제는 하루아침에 생긴 게 아님
- 따져보면 오래전부터 이어져온 소프트웨어 직군 천대가 원인임
- 뛰어난 인재가 있어도 리더들은 기술을 이해하는 사람보다 숫자와 보고서를 다루는 사람을 더 선호해옴
- 그러다 보니 좋은 소프트웨어 기술자와 제품이 나와도 무시당하고 사라지는 구조가 굳어짐
- IT 기업이라는 곳들도 다르지 않음
- 네이버는 초기에 IT 인력이 회사를 만들어갔지만 대기업화되면서 개발자 대신 영업과 재무 출신이 위로 올라가며 발전이 멈춤
- 카카오도 혁신적인 서비스로 시작했지만 IT 인력을 외주처럼 쓰면서 점점 망가지는 중임
- 소프트웨어를 이렇게 취급하니 외국 소프트웨어 기업들에게 한국은 아주 좋은 시장이 됨
- 삼성과 하이닉스가 SAP, TIBCO, Oracle, Atlassian, ServiceNow에 갖다 바치는 돈만 봐도 규모가 엄청남
- 처음엔 싸게 공급해 알박기를 하고 바꾸기 힘들어지면 가격을 올리는 게 이들의 전략임
- 얼마 전 젠슨 황의 방한도 메모리 구매 못지않게 엔비디아 소프트웨어를 국내 대기업에 알박기하려는 목적이 컸음
- SK그룹은 그런 속내를 아는지 모르는지 선진 소프트웨어라며 받아들였을 수도 있음
- 지금은 싼 소프트웨어가 몇 년 뒤면 몇 배로 비싸져 있을 것임
- 이런 환경에서 좋은 소프트웨어 전문가들은 어떻게든 해외로 나감
- 인재가 빠져나가니 국내 소프트웨어 경쟁력은 계속 떨어지는 악순환이 반복됨
- 그 결과가 AI 시대에 LLM 모델 하나 제대로 못 만드는 지금의 한국임
Jukan@jukan05
One of the things I learned at ICML this year is that Korea is only pretending to take AI seriously. The hype surrounding Korean AI startups is absurdly inflated, and the same goes for university researchers. Compared with China, we are honestly nothing. Korea needs to copy China’s playbook. We should launch something similar to the Thousand Talents Plan to bring back brilliant Koreans working overseas and aggressively poach top foreign AI talent. Otherwise, Korea will simply become an AI-dependent country.
한국어
호랭교관 retweetledi
저는 다음 메모리 다운 사이클 이후 대한민국 경제가 큰 위기에 빠지리라 생각했습니다.
그래서 대한민국이 망했으면 좋겠어서, 메모리가 망하기를 기도했습니다.
그리고 오늘 오랜만에 국가 거시경제를 제 눈으로 직접 확인하기 위해 거리 시찰에 나선 뒤, 충격적인 진실을 알게 됐습니다.
그것은 나라가 진작에 망한 상태였다는 것입니다.
시장 바닥에는 생계가 무너진 자영업자들의 피눈물과 울음 소리가 가득했습니다.
메모리가 무너지면 나라가 망하는 게 아니라, 이미 망한 나라에서 메모리만이 유일한 희망으로 버티고 있었던 것입니다.
저는 더 이상 메모리가 망하기를 기도하기 어려워졌습니다.
이제는 정말로 장난이나 밈이 아니라, 수 많은 사람들의 목숨이 달린 일이 돼버렸기 때문입니다.
한국어
호랭교관 retweetledi
반도체 분할 매도로 의견 바꾼 이유
(라이프자산운용 배문성)
- 작년부터 코스피와 반도체 강력 매수를 외치던 라이프자산운용이 6월 중순부터 분할 매도와 차익 실현으로 입장을 바꿈
- 뷰를 바꾼 축은 두 가지로 금리 환경과 AI 인프라 투자 서사에서 동시에 균열이 보였기 때문임
- 지금 성장은 가계 소비가 아니라 30년 만의 AI 혁명발 설비 투자가 끌고 있어서 미국, 한국, 일본처럼 AI 투자 수혜국은 국채 금리가 계속 높게 유지됨
- 반도체라는 우등생이 반 평균 점수인 금리를 확 올려놓는 바람에 높은 금리를 못 버티는 다른 업종들이 상반기 내내 얻어맞는 장세가 이어짐
- 문제는 주가가 먼저 빠져도 금리는 뒤늦게 움직이는 후행 지표라서 반도체가 조정을 받아도 높은 금리가 한동안 시장을 계속 누를 수 있다는 점임
- 연초만 해도 연준 금리 인하 기대가 컸는데 6월 들어 오히려 추가 인상 가능성까지 나오면서 유동성 환경이 나빠짐
- BCA 리서치에 따르면 한국, 일본, 미국 모두 시가총액 대비 현금성 자산 비율이 역사적 저점 수준이라 매물이 쏟아질 때 받아줄 버퍼가 부족한 상태임
- 닷컴 버블이나 코로나 랠리는 연준이 금리를 확 낮춰준 덕에 가능했는데 지금은 그런 연료가 될 인하 이벤트가 안 보임
- 과거 마이크론, 인텔, 엔비디아 사례를 보면 기업이 1년 뒤 이익 둔화를 공식 발표하기 약 6개월 전이 주가 고점이었음
- 업계가 2028년 이후 이익 둔화를 내다보고 있다면 경험 많은 대형 기관들이 지금부터 비중을 줄이는 게 자연스러운 수순임
- AI 서사 쪽에서도 균열이 여섯 가지나 잡힘
- 중국의 가성비 오픈 웨이트 모델이 성능은 챙기고 가격은 확 낮추면서 6월 글로벌 토큰당 지불 비용 지표가 급락함
- 우버, 메타, MS, 테슬라 같은 빅테크가 직원들의 AI 토큰 사용을 제한하기 시작했는데 쓰기엔 편해도 매출로 직결되지 않는다는 판단 때문임
- 6월 미국 상무부가 클로드 3.5 등 사용을 갑자기 제한하려는 움직임을 보이자 통제권이 자기 손에 있는 오픈 웨이트 모델 선호가 강해짐
- MS, 구글, 아마존, 메타의 설비투자는 폭증하는데 영업이익 증가율이 못 따라가자 주주들이 비용 과다에 항의하기 시작함
- 나델라가 멀티모델 전략을 꺼내고 애플이 반도체 가격에 피로감을 내비치는 등 비싼 인프라를 무조건 때려 박겠다던 서사에 변화 기류가 감지됨
- 오픈AI가 요금 인하 검토와 IPO 연기 소식을 내고 소프트뱅크는 오픈AI 지분 담보 대출에 난항을 겪는 등 생태계 중심부에서도 자금 불안이 포착됨
- 삼성전자와 SK하이닉스의 2026에서 2027년 실적 자체는 여전히 견조해서 반도체가 망했다는 극단적 소신까지 가질 필요는 없음
- 지금은 소신보다 유연함이 필요한 시기라 하반기에는 기대 수익률을 낮추고 보수적으로 접근하라고 권함
- 반도체 비중이 과하게 쏠린 투자자라면 더블 탑 형태의 기술적 반등이 나올 때 조금씩 비중을 줄이는 전략이 유효함
- 7월 말 빅테크 실적과 가이던스 확인 전까지는 박스권 장세가 이어질 가능성이 높음
한국어
호랭교관 retweetledi
오늘 자 SK 최태원 회장의 블룸버그 인터뷰 내용을 정독했는데,
AI나 반도체 투자하시는 분들은 꼭 보셔야 할 역대급 인사이트가 많네요.
단순히 "HBM 잘 판다" 수준이 아니라 시장의 구조적 변화를 정확히 짚고 있습니다.
중요한 포인트들만 자연스럽게 풀어서 정리해드림.
먼저 SK하이닉스의 미국 ADR 상장 추진 소식.
이게 단순한 주식 거래 확대를 넘어 글로벌 자본을 당기고 미국 현지 탑티어 인재를 영입하기 위한(스톡옵션 활용) 전략적 교두보더라고요.
인터뷰에 나온 265억 달러(약 36조 원)가 거액 같지만,
최 회장은 SK의 전체 투자 스케일에 비하면 "지나치게 큰 수준은 아니다"라며 상당한 자신감을 보였습니다.
기술적으로 가장 소름 돋는 부분은 'KV 캐시(Key-Value Cache)' 수요 폭발을 예측한 점입니다.
과거엔 스마트폰 판매량 같은 '사람 수'에 따라 메모리가 늘어났다면,
이제는 인간이 안 써도 AI 에이전트들이 24시간 작동하며 데이터를 소모하죠.
특히 LLM 추론할 때 이전 문맥을 기억해두는 'KV 캐시' 때문에 메모리 대역폭과 용량 수요가 기하급수적으로 늘어납니다.
우리가 말하는 메모리 병목의 실체를 정확히 짚은 거죠.
지금 공급 부족이 어느 정도냐면,
하이닉스가 향후 5년간 생산 능력을 2배 늘릴 계획인데도 엔비디아나 빅테크 고객사들은 "그걸로 턱없이 부족하니 지금보다 5~6배는 더 달라"고 난리인 상황이랍니다.
HBM은 공정 난이도가 높아서 단기에 늘리기도 어렵고요.
최 회장은 이 쇼티지가 일시적 사이클이 아니라,
AGI(범용 인공지능)가 우리 사회에 완전히 정착할 때까지 장기 지속될 거라 내다봤습니다.
결국 SK의 종착지는 단순 HBM 제조사가 아닙니다.
이 강력한 하드웨어 주도권을 쥐고 AI 데이터센터(AIDC) 인프라, 자체 LLM 개발, 로봇·피지컬 AI, 헬스케어까지 AI 생태계 전반을 다 먹겠다는 'AI 풀스택' 로드맵을 대놓고 드러냈습니다.
판을 정말 크게 짜고 있네요.
마지막으로 요즘 핫한 'AI 거품론'에 대해서는, 일부 주가 과열은 있을지언정 "AI 기술 자체는 현실"이라고 선을 그었습니다.
기술이 발전하면서 토큰 비용(추론 비용)이 계속 낮아질 거고,
결국 전기나 인터넷처럼 누구나 일상적으로 쓰는 대중화 시대가 필연적으로 온다는 논리입니다.
단기 노이즈보다 이 거대한 공급 부족과 생태계 확장 흐름에 집중해야 할 때 같습니다.
-오선의 SAVE-
한국어
@Keli_fxck 진짜 그런 흐름이긴 하죠 ㅋㅋ 결국 데이터 깔고 앉은 플랫폼들이 밑에서 아무리 좋은 거 만들어도 다 빨아들여 버리니까요. 개인이나 작은 팀은 점점 설 자리가 좁아지는 느낌이라 좀 씁쓸하긴 하네요
한국어
🔄 "가장 똑똑한 모델" 경쟁이 끝나고 값싼 지능의 대량 배포 시대로 전환중
미래에셋 리서치센터는 수혜주로 팔란티어 $PLTR, 아마존 $AMZN, 엔비디아 $NVDA 3종목을 꼽음.
• 지금 AI 경제는 둘로 쪼개져 있음. 에이전트 방식 파워유저는 전 세계 인구의 0.2%뿐인데, 이들이 만든 추론 매출만 올해 말 2,000억 달러를 넘길 전망임.
• 돈과 일이 어긋나 있음. AI 매출의 90% 이상은 최상위 모델이 가져가지만, 실제 처리된 토큰의 80%는 무료 오픈소스 모델이 감당함.
• 최상위 모델 매출 대부분은 코딩 한 용도에서 나옴. 문서 분류, 고객 응대 같은 대량 업무는 이미 '충분히 쓸만한' 값싼 모델로 넘어가고있음
• 엔비디아는 신생 AI 인프라 사업자에게 최저 수익을 보증하는 사실상 은행 역할을 시작했고, 팔란티어는 'AI 주권'을 선언하며 엔비디아와 동맹을 맺음.
• 인터넷 공짜 데이터가 고갈되는 '데이터 장벽' 탓에 최상위 지능의 확장 속도에 상한이 걸림. 최고급 훈련 재료의 최대 매장지는 기업 내부 데이터임.
• 이 관점이 틀리는 유일한 시나리오는 프론티어 모델의 '역습', 즉 최고급 지능이 다시 압도적 격차를 벌리는 경우임.
희소해진 건 지능이 아니라 기업의 데이터와 권한이 지나가는 길목이고, 그 길목을 쥔 팔란티어·아마존·엔비디아가 다음 구간의 승자라는 리포트
📄 산업 리포트 · Market Insight | 2026.7.9 (AI 시장의 컬러가 바뀌었다)
한국어
@goodtek_xyz ㄹㅇ 모델 성능은 이제 다들 거기서 거기라 결국 데이터랑 그걸 굴릴 권한 쥔 쪽이 다 먹는 구조로 가는 것 같더라고요. 저도 사이드로 뭐 좀 만들어보려다 쓸만한 데이터가 없어서 막힌 적 있어서 그런지 더 와닿네요 ㅎㅎ
한국어
@block_atom 맞아요. 결국 모델 성능보다 데이터랑 권한, 그리고 어디에 붙어 있느냐가 더 중요해지는 느낌이에요 ㅎㅎ
한국어
@Phoenix_DF1 ㄹㅇ 실명 딱 박으면 오히려 김 빠지더라고요. 안 까니까 다들 혹시 내 얘긴가 싶어서 더 술렁이는 거고요 ㅋㅋ 이 맛에 돌려서 얘기하는 거지 직접 하면 재미없죠
한국어
@Phoenix_DF1 진짜 익명이라 오히려 더 솔직하게 쓸 수 있는 것도 있거든요ㅎㅎ 실명 걸면 아무래도 눈치 보게 되고 하고 싶은 말도 못 하게 되더라고요. 굳이 깔 이유가 없죠
한국어
@GOJO_CHAIN ㅋㅋ 이게 뭔가 뜨끔한 사람이 제일 먼저 반응하더라고요. 굳이 이름 안 박아도 알 사람은 알아서 찾아오는 게 신기하긴 해요 ㅋㅋ 저는 그 반응 구경하는 재미로 쓰는 것 같기도 하고요
한국어
@GOJO_CHAIN ㄹㅇ 반응만 봐도 대충 각 나오더라고요ㅋㅋ 진짜 상관없는 사람은 그냥 스크롤하고 넘어가거든요. 유독 발끈하는 사람들이 스스로 답을 알려주는 것 같아요
한국어