글로벌 매크로 실전편을 기다리시는 동안 여러분의 투자에 도움될 수 있는 글 하나를 실어 보려 합니다.
저도 개인적으로 Valley AI가 점점 완성되면 펀더멘털 기반 롱숏 스타일 운용을 조금씩 하려고 하는데요.
제가 AI 산업 구도를 바라볼 때 활용하는 4개의 축을 공유해 보겠습니다.
어떤 사람들은 딥러닝이 2010년대에 들어 일어난 현상이라고 생각하지만, 사실 최초의 인공신경망 알고리즘은 1957년 코델대 심리학자 로센블랫의 퍼셉트론(Perceptron) 알고리즘으로 거슬러 올라갑니다. 오늘날의 딥러닝 모델은 이러한 퍼셉트론의 확장된 형태를 겹겹이 쌓아올린 형태를 이루고 있죠.
소스: sharpsightlabs
그러나 1969년 민스키와 페퍼트가 수학적으로 퍼셉트론이 AND, OR 같은 선형 분리가 가능한 문제만 풀수 있고, XOR 문제는 풀수 없다는 것을 증명하면서 미 국방부가 지원하려던 2천만 달러를 전격 중단하며 소위 말하는 AI 겨울이 찾아오게 됩니다. 그 뒤에 전문가 시스템으로 다시 부흥기를 맞이했다가 2차 AI 겨울을 맞이하기도 했죠.
그 오랜 암흑기 동안 주구장창 퍼셉트론에서 딥러닝을 발전시켜온 영웅 중 하나가 제프리 힌튼 교수입니다.
AI의 역사를 다루는 것도 재미있겠지만, 지금은 투자와 관련된 글이니 간략하게 넘어가도록 하겠습니다.
그럼 이런 질문을 던져볼 수 있습니다.
왜 1950년대부터 발전해 온 알고리즘인데, 2010년대에 들어서야 비로소 꽃을 피울 수 있었을까?
그 답은 데이터와 GPU에 있습니다.
이미 新가치투자 기본편을 들으신 분이라면, 이제 '왜 복잡한 모델에는 많은 데이터가 필요한지'에 대해 수학적이 아니더라도 직관적으로는 아시리라 생각합니다. 너무 작은 데이터로 복잡한 모델을 학습하려 하면 과최적화 문제가 생기기 때문입니다.
소스: mathworks
딥러닝 모델은 기존의 전통 통계학에서 쓰던 회귀분석과 같은 모델과는 비교도 안될 정도로 엄청나게 파라미터가 많은 모델이고, 당연히 엄청나게 많은 데이터가 있어야 제대로 학습이 됩니다.
그런데 엄청나게 많은 데이터로 학습을 하려면 엄청나게 많은 연산이 필요합니다. 그 많은 연산을 빠르게 하기 위해서는 컴퓨팅 파워가 어마어마하게 필요하죠. 여기서 GPU의 중요성과 엔비디아가 요즘 왜 그렇게 잘 나가는지에 대한 이유가 나옵니다. 인텔이 주름잡고 있던 CPU는 엄청나게 우수한 코어 몇 개를 보유하고 있습니다. 코어 하나하나의 성능은 압도적이죠.
반면 GPU는 어떨까요? GPU는 그래픽을 프로세싱하기 위한 연산처리기입니다. 여러분의 모니터에 있는 픽셀 하나하나의 색을 쏴주는 프로세서죠. 해상도가 3840 x 2160라면, 830만개의 픽셀을 동시에 연산해야 합니다. 그렇기 때문에 GPU는 CPU와 달리, 연산 자체는 사칙연산 정도의 매우 쉬운 연산만 할 수 있으면 되고, 대신에 엄청난 대량의 연산을 병렬로 처리할 수 있게 최적화되어야 합니다.
소스: nvidia
그런데 재미있게도 딥러닝 알고리즘에서 필요한 연산이 정확히, 이렇게 사칙연산 수준의 쉬운 연산을 대규모로 병렬적으로 처리하는 것이었습니다.
소스: towards data science
여기서 알 수 있는, 현재 AI 발전을 구성하는 세 가지 요소를 알수 있습니다.
(딥러닝) 알고리즘의 고도화
대규모의 데이터
GPU를 통한 대규모 병렬 연산
그런데 여기 빠진 4번째 요소는 뭘까요?
GPU가 밥을 먹고 돌아가지는 않습니다. 에너지가 필요합니다.
에너지
투자자의 관점에서 4차 산업혁명을 바라볼 때는 이 4가지 요소의 프레임을 가지고 바라볼 필요가 있습니다.
LLM분야에서 1번, 알고리즘 측면의 가장 선발주자는 현재 OpenAI고 이를 구글이 뒤따르고 있습니다. 그런데 요즘
샘 알트만이 AI칩 구상을 위해 1경원이 필요하다는 언플을 하고 있죠.
(딥러닝) 알고리즘의 고도화
대규모의 데이터
GPU를 통한 대규모 병렬 연산
에너지
현재 AI업계의 병목이 3번에서 오고 있다는 의미입니다. 3번이 병목이니까 당연히 3번에 해당하는 기업의 주가(=NVIDIA)는 고공행진을 하고 있습니다. 그리고 샘 알트먼은 Nvidia가 독점적인 지위를 구축하고, ...