엔비디아가 이제 칩을 파는 걸 넘어, 자기 데이터센터의 세입자가 됐습니다. AI 데일리 브리핑, 쉬운 한국어입니다. 오늘은 텍사스의 초대형 임대 계약, 그리고 제품도 없는 연구실에 나간 큰 투자 이야기까지. 저는 긴 작업을 하는 에이전트가 왜 무너지는지, 그 실제 이야기가 궁금하네요. 첫 소식부터 갑니다.
크립토브리핑에서 전한 내용입니다:
엔비디아가 역사상 가장 큰 데이터센터 계약 가운데 하나를 확보했습니다. 엔비디아는 텍사스주 누에세스 카운티에 있는 Hut 8의 비컨 포인트 인공지능 데이터센터 캠퍼스를 최대 500억 달러에 빌리는 계약을 맺었습니다. 이 시설에는 엔비디아의 GPU 수십만 개가 들어갈 예정입니다.
오늘 숫자 하나로 정리됩니다. 엔비디아가 텍사스 누에세스 카운티에 있는 Hut 8의 데이터센터를 최대 500억 달러에 빌리기로 했어요. 파이낸셜타임스와 로이터가 7월 28일 보도했습니다. 반도체를 파는 회사가, 이제 그 반도체가 돌아가는 건물을 직접 빌려서 운영하는 세입자가 된 거예요. 704메가와트, 그리고 1기가와트짜리 전력 연결까지. 데이터센터 하나가 쓸 수 있는 전기 용량이 그만큼 크다는 뜻입니다. 근데 기본 계약은 196억 달러예요. 500억은 연장 옵션까지 다 쓴 최대치죠. 15년 임대에 갱신 옵션을 붙인 숫자를 헤드라인으로 파는 건, 좀 봐야 합니다. 맞아요. 그래도 구조가 재밌어요. Hut 8은 원래 비트코인 채굴 회사였고, 건물 짓기 전에 전력부터 확보했어요. 엔비디아는 그걸 빌린 다음, 일부를 대형 클라우드 회사들한테 다시 빌려주겠다는 거고요. 그 재임대 부분이 핵심이에요. 엔비디아가 GPU도 팔고, 건물도 잡고, 임대료도 받고. 캠퍼스 안에 들어갈 칩을 직접 설계하는 회사가 그 캠퍼스의 집주인 노릇까지 하는 거죠.
브렛 커의 브렛 커가 전한 내용입니다:
세이프 슈퍼인텔리전스는 제품도, 발표한 연구도, 매출도 없습니다. 직원 수는 20명에서 50명 사이입니다. 그런데도 그 자리를 얻었습니다. 엔비디아는 또 문서에서, "철저히 보호되던 이 회사의 연구를 보기 드물게 들여다본 뒤" 협력 관계를 맺었다고 밝혔습니다. 누군가가 그 연구를 살펴봤습니다. 그다음 누군가가 50억 달러짜리 수표를 썼습니다. 이 내용은 블룸버그가 처음 보도했고 로이터가 확인했습니다. 그리고 엔비디아는 반도체 개발 계획을 공개했습니다.
방금 다룬 Hut 8 임대 이야기가 엔비디아가 건물을 갖는 이야기였다면, 이건 더 조용한 쪽이에요. SSI, 그러니까 '세이프 슈퍼인텔리전스'라는 연구소에 엔비디아가 현금 50억 달러를 냈습니다. 그런데 브렛 커가 짚은 건 돈이 아니에요. 발표문 문단 뒤쪽에 묻혀 있던 한 문장이죠. 엔비디아가 '철저히 감춰진 이 연구소를 보기 드물게 들여다본 뒤에' 계약했다고, 문서에 그렇게 써 있어요. 잠깐, 정리 좀 하죠. 이 회사, 제품 없어요. 논문도 없고, 매출도 없고, 직원은 스무 명에서 쉰 명 사이. 그런데 엔비디아가 자기 반도체 설계 테이블에 자리를 내줬다는 거잖아요. 저는 보통 매출 없는 회사에 5억 달러 넘게 들어가면 눈썹이 올라가는데, 여기선 숫자가 문제가 아니에요. 고객은 원래 GPU 설계에 참견 못 해요. 근데 이 연구소는 로드맵을 같이 짠대요. 뭘 봤길래. 바로 그거예요. 저한테 흥미로운 건, 엔비디아가 산 게 지분이 아니라 '안을 들여다볼 권리'라는 점이에요. 누가 진짜 만들어지는 걸 볼 수 있느냐, 그 접근권 자체가 이번 거래의 핵심이었던 거죠. 블룸버그가 먼저 보도하고 로이터가 확인했는데, 커의 해석은 수츠케버가 '모델이 아니라 관찰자를 바꿨다'는 거예요. 멋진 문장이긴 한데, 저는 그 관찰자가 7단계짜리 작업에서 몇 번 틀리는지부터 보고 싶네요.
DEV 커뮤니티에서 전한 내용입니다:
제가 가장 좋게 본 점은 연구진이 방법 설명부터 시작하지 않는다는 것입니다. 먼저 실험 결과를 해부하듯 분석합니다. Qwen2.5-1.5B에, 같은 그룹 안의 결과를 비교해 학습하는 방식인 GRPO를 적용하고 ALFWorld에서 시험합니다. 그리고 "긴 작업 훈련의 붕괴"를 숫자로 측정할 수 있는 두 가지 실패 유형으로 나눕니다.
이거 제가 오래 궁금했던 숫자예요. 여러 단계를 이어서 하는 에이전트, 그러니까 스스로 일을 처리하는 AI 프로그램 말이죠. 저장대학교 팀의 BEACON 논문이 붕괴 지점을 딱 집어냅니다. 작업이 길어지면 성능이 조금 떨어지는 게 아니라 절벽처럼 무너져요. 원인 하나가 CAR인데, 같은 상황에서 한 똑같은 행동이 성공한 경로에선 칭찬받고 실패한 경로에선 벌을 받아요. 그 비율이 40%를 넘습니다. 저는 여기서 두 숫자가 좋아요. ALFWorld 긴 작업에서 53.5%가 92.9%로. 그리고 데이터 활용률이 23.7%에서 82.0%로 올라갔죠. 평균 점수 자랑이 아니라, 작업이 길수록 격차가 더 벌어진다는 주장이라서요. 데모 영상으로는 절대 안 보여주는 부분이죠. 실패 방식을 이름 붙여서 측정했다는 게 핵심이에요. Qwen2.5-1.5B라는 작은 모델로 재현 가능하게요. 맞아요. 10단계 중에 7단계에서 얼마나 틀리냐, 그게 현장에서 진짜 물어봐야 할 질문이거든요. 이 논문은 최소한 그걸 숨기지 않아요.
arXiv가 전합니다:
전통적인 알파 탐색은 서로 움직임이 많이 겹치지 않는 여러 예측 신호를 결합해, 위험을 고려한 높은 수익률을 냅니다. 하지만 딥러닝으로 주식 순위를 정하는 방식은 보통 주식마다 하나의 알파만 만듭니다. 더 복잡한 구조에 의존하지만, 구조가 복잡해질수록 추가로 얻는 효과는 줄어듭니다. 또한 서로 다른 모델이나 자동으로 경로를 고르는 방식으로만 다양성을 얻습니다. 알파 사이의 연관성은 직접 조절하지 않습니다.
이번엔 논문 하나예요. 이름은 MAPLE. 주식 투자에서 쓰는 '알파', 그러니까 시장 평균보다 높은 수익을 찾는 예측 신호를 여러 개 만드는 방법입니다. 제 눈을 잡은 건 성능 숫자가 아니라 비용이에요. 파라미터, 그러니까 모델 크기를 최대 쉰다섯 배 줄이고, 훈련 시간도 2.5배 짧아졌다고 합니다. 재밌네요. 보통 이런 논문은 '더 크고 복잡하게'로 가는데, 여기선 반대로 가서 아홉 개 비교 모델보다 성적이 좋았다고 하고요. 핵심은 신호 여러 개가 서로 너무 비슷하게 움직이지 않게 일부러 눌러준다는 점이에요. 미국, 중국, 일본 네 개 시장에서 위험 대비 수익 지표가 10에서 43퍼센트까지 올랐다고 합니다. 다만 백테스트, 그러니까 과거 데이터로 돌린 결과라는 건 기억해 두죠. 실제 돈이 들어가는 시장에서 같은 숫자가 나오는지는 또 다른 얘기니까요.
의견이나 다뤘으면 하는 이야기, 잘못된 내용이 있으면 이메일로 보내 주세요. 주소는 에이아이 데일리 브리핑 케이오 러너 앳 랜턴 팟캐스트 닷컴입니다. 여러분의 메시지를 기다리겠습니다.
오늘 다룬 모든 이야기의 링크는 쇼 노트에 있습니다. 더 알고 싶은 이야기가 있다면 천천히 읽어 보세요.
오늘의 AI Daily Briefing — Easy Korean은 여기까지입니다. 이 프로그램은 랜턴 팟캐스트입니다.