에포크 AI – 2030년의 AI: 추세를 연장하면 (AI in 2030: Extrapolating Current Trends)

원문: Epoch AI, AI in 2030: Extrapolating Current Trends (Sep 2025)
전문은 원문에서 확인하실 수 있습니다. 아래 글은 번역이 아니라, 에포크 AI의 논증을 한국어로 재구성한 정리입니다.

글의 배경과 개요

에포크 AI(Epoch AI)가 2025년 9월 구글 딥마인드(Google DeepMind)의 의뢰를 받아 내놓은 119쪽 분량의 보고서입니다. 묻는 질문은 하나입니다. AI 개발을 키워 온 지금의 추세가 2030년까지 그대로 이어진다면 그 세계를 떠받치는 데 무엇이 얼마나 필요하고, 그때의 AI는 무엇을 할 수 있게 되는가 하는 것입니다. 에포크 AI는 컴퓨트 스케일링이 AI 진보의 열쇠라는 전제에서 출발해, 그 전제가 참이라면 학습 컴퓨트, 투자, 데이터, 하드웨어, 에너지라는 다섯 가지 투입이 각각 어디까지 늘어나야 하는지를 계산하고 무엇이 그 성장을 멈춰 세울 수 있는지를 하나씩 따집니다. 이어서 기존 벤치마크의 진전 곡선을 연장하는 방식으로 2030년의 역량을 추정하고, 그 역량이 과학 연구개발(R&D)의 네 분야인 소프트웨어 공학, 수학, 분자생물학, 기상예측에서 어떻게 작동할지를 살핍니다. 결론은 추세가 대체로 이어진다는 쪽이며, 그렇다면 2030년의 최대 모델은 수천억 달러의 투자와 오늘날 최대 모델의 1,000배에 이르는 컴퓨트 위에서 학습하게 됩니다.

해설
에포크 AI는 AI 모델의 학습 컴퓨트, 데이터셋 규모, 하드웨어 성능, 개발 비용 같은 수치를 체계적으로 수집해 공개해 온 연구기관입니다. 이 보고서가 추세 외삽이라는 방법을 택한 것은 우연이 아니며, 본문에 등장하는 연간 4-5배, 2.7배, 2.3배 같은 성장률은 상당 부분 에포크 AI 자신이 구축한 데이터베이스에서 나옵니다.

이 점은 강점이자 한계로 함께 작동합니다. 측정된 것은 대단히 촘촘하지만, 측정되지 않은 것은 논의에서 빠지기 때문입니다.

핵심 내용 정리

• 컴퓨트 스케일링이 AI 진보를 이끌어 왔으며, 알고리즘 혁신과 데이터는 주로 컴퓨트를 더 쓸 수 있게 만드는 통로로서 중요합니다.
• 학습 컴퓨트, 투자, 데이터, 하드웨어, 전력이라는 다섯 투입 모두에서 지수 성장은 2030년까지 이어질 수 있으며, 어느 하나도 분명한 장벽으로 보이지 않습니다.
• 2030년의 최대 모델은 수천억 달러 규모의 투자와 오늘날 최대 모델의 1,000배에 해당하는 컴퓨트를 필요로 하고, 가장 큰 학습 실행 하나가 기가와트급 전력을 끌어다 씁니다.
• 어떤 과업이 스케일링에 반응하기 시작하면 그 뒤의 성능 개선은 상당히 예측 가능하므로, 기존 벤치마크의 진전을 연장해 2030년의 역량을 가늠할 수 있습니다.
• 그 연장선에서 2030년의 AI는 자연어 설명만으로 복잡한 과학 소프트웨어를 구현하고, 수학자가 증명 스케치를 형식화하는 일을 돕고, 생물학 실험 프로토콜에 관한 열린 질문에 답할 수 있습니다.
• 책상에서 이뤄지는 연구는 크게 번성하지만, 실험과 임상시험이 끼어드는 분야에서는 2030년까지 눈에 보이는 성과가 나오기 어렵습니다.
• AI 데이터센터의 전력 수요는 2030년 세계 전력 수요의 1.2% 수준에 이르고, 배출량은 에너지 믹스에 따라 세계 전체 배출의 0.03-0.3%를 차지합니다.

컴퓨트 스케일링에서 출발하는 예측

에포크 AI의 출발점은 단순한 전제 하나입니다. 학습과 추론에 더 많은 컴퓨트를 쓰는 일이 AI 역량을 끌어올리는 근본 동력이라는 것입니다. 알고리즘 혁신이나 데이터처럼 결정적으로 보이는 다른 요인들도 분명히 중요하지만, 그 중요성은 주로 컴퓨트를 더 쓸 수 있게 만든다는 데 있다고 봅니다. 이 전제에 대한 근거는 뒤에서 따로 다루며, 보고서는 일단 그것이 참이라고 가정했을 때 무엇이 따라 나오는지를 먼저 펼쳐 보입니다.

이 전제가 참이라면 가까운 미래의 AI 개발은 외삽으로 계산할 수 있는 대상이 됩니다. 컴퓨트 스케일링의 최근 추세와 그것을 떠받치는 투입, 곧 투자와 데이터와 전력을 함께 연장하면 되기 때문입니다. 에포크 AI가 기준선으로 삼는 방법은 추세 외삽입니다. 최근에 얼마나 빠르게 자랐는지를 보고, 그 성장의 원인을 조사하고, 성장을 가로막을 분명한 이유가 없다면 최근의 성장이 이어진다고 가정하는 방식입니다.

에포크 AI는 이 방법이 예측 연구에서 흔히 쓰이는 기준선이며(Armstrong 2001), AI 예측의 여러 영역에 이미 적용되어 왔다고 밝힙니다(Amodei and Hernandez 2018; Sevilla et al. 2024). 성장의 모양을 지수함수로 두는 이유도 설명합니다. 성장의 크기가 현재의 크기에 비례할 때 나타나는 형태이고, 경제성장이나 투자, 마이크로칩의 발전처럼 기술과 경제 진보의 여러 현상에서 같은 모양이 관찰되기 때문입니다.

여기서 논증은 두 방향으로 뻗습니다. 한쪽에서는 투자가 계속 늘어나는 한 컴퓨트가 2030년까지 현재의 지수 추세를 유지할 수 있고, AI의 진보가 스케일링으로부터 상당히 예측 가능하므로 그로부터 역량을 예측할 수 있습니다. 다만 역량 예측에는 조건이 하나 붙습니다. 관련 벤치마크에서 이미 어느 정도 진전이 나타나고 있어야 한다는 것입니다. 다행히 경제적으로 가치 있는 영역에는, 과학 R&D 안팎을 가리지 않고 쓸 만한 벤치마크가 이미 여럿 존재합니다.

다른 한쪽에서는 그렇게 예측된 역량이 다시 투자 쪽으로 되돌아옵니다. 그만한 역량이라면 경제적 가치가 매우 클 것이고, 그렇다면 컴퓨트에 대한 투자도 계속 늘어날 공산이 크다는 것입니다. 이 틀을 갖추면 2030년의 AI를 떠받치는 투입을 숫자로 물을 수 있게 됩니다. 그냥 계속 스케일하는 세계에서 2030년에 쓰이는 컴퓨트는 얼마인지, 그만큼을 확보하려면 AI 클러스터에 얼마를 투자해야 하는지, 그 클러스터에 전력을 대려면 전기가 얼마나 필요한지, 그 컴퓨트를 생산적으로 쓰려면 데이터가 얼마나 있어야 하는지를 차례로 묻는 것입니다. 같은 틀로 AI가 최소한 무엇을 할 수 있게 될지도 물을 수 있습니다.

[이해관계]
이 보고서는 구글 딥마인드가 의뢰해 작성되었고, 표지에 그 사실과 함께 모든 견해와 결론은 저자들의 것이며 구글 딥마인드의 입장이나 지지를 반드시 반영하지는 않는다는 고지가 붙어 있습니다. 고지가 있다고 해서 발화 위치가 사라지지는 않습니다. 보고서가 그리는 세계, 곧 2030년까지 컴퓨트가 1,000배로 늘고 수천억 달러가 투입되는 세계는 구글 딥마인드가 그 투자의 가장 큰 주체 가운데 하나로 서 있는 세계입니다.

보고서가 역량을 들여다보는 창으로 과학 R&D를 고른 대목도 같은 맥락에서 읽을 수 있습니다. 알파폴드(AlphaFold)와 기상예측 모델은 모두 구글 딥마인드의 성과이며, 뒤에서 분자생물학 절과 기상예측 절의 핵심 사례로 등장합니다.

알고리즘과 데이터라는 두 반론

스케일링 중심의 AI관에는 흔히 두 가지 반론이 제기됩니다. 알고리즘 혁신과 데이터입니다. 에포크 AI는 두 반론이 그림을 복잡하게 만들기는 해도 스케일링 중심의 관점과 양립한다고 봅니다.

알고리즘 혁신부터 보겠습니다. 알고리즘 혁신은 결정적인 역할을 하지만 컴퓨트 스케일링과 긴밀하게 짝지어져 있다는 것이 에포크 AI의 판단입니다. 쓰라린 교훈(bitter lesson)을 바꿔 말하면, 가장 중요하고 효과적인 알고리즘 혁신은 컴퓨트를 더 쓸 수 있게 해 주는 범용 방법입니다. 지난 수십 년 동안 나온 그런 혁신의 예로는 합성곱 신경망(convolutional neural network), 그래픽처리장치(GPU) 가속, 트랜스포머 구조, 그리고 대규모 언어모델(LLM) 사전학습이 꼽힙니다.

나아가 알고리즘 혁신 자체가 그 개발 과정에서 컴퓨트 스케일링에 의존한다는 증거도 일부 있습니다. 그렇다면 알고리즘 진보는 당연히 예상해야 하되, 컴퓨트 스케일링에 의해 가능해지고 컴퓨트 스케일링에 초점을 맞춘 형태로 예상해야 한다는 결론이 나옵니다. 다만 에포크 AI는 이것이 핵심 불확실성이라는 점을 함께 적어 둡니다. 만약 컴퓨트가 병목이 아니라면 역량은 이 보고서의 예측보다 더 빠르게 개선될 수 있습니다.

데이터 쪽 반론도 마찬가지입니다. 데이터는 AI 학습에 필수적이고 데이터셋의 품질은 결과를 크게 좌우하지만, 에포크 AI는 컴퓨트가 더 율속 단계에 가까운 투입이라고 보는 근거를 둘 제시합니다. 첫째, 적어도 범용 LLM을 다루는 지금의 학습 패러다임에서는 컴퓨트 쪽이 더 큰 병목입니다. 기존의 공개 텍스트와 다른 양식의 데이터만으로도 최소한 몇 년은 더 규모를 키울 수 있습니다.

둘째, 추론 스케일링이 학습을 더 컴퓨트 집약적으로 만들 가능성이 점점 커지고 있습니다. 사실상 컴퓨트를 들여 추론 학습용 데이터를 생성하는 구조가 되기 때문입니다. 물론 개별 응용 분야 안에서는 특정 데이터의 병목이 중요해질 수 있고, 이 문제는 과학 R&D를 다루는 뒷부분에서 따로 검토됩니다. 요컨대 스케일링을 따져 볼 때 데이터 확보 가능성은 반드시 함께 봐야 하지만, 그렇다고 해서 스케일링 중심의 관점이 무너지지는 않는다는 것입니다.

해설
쓰라린 교훈은 강화학습 연구자 리처드 서튼(Richard Sutton)이 2019년에 쓴 짧은 글의 제목입니다. 70년에 걸친 AI 연구에서 끌어낼 수 있는 가장 큰 교훈은 연산을 활용하는 범용적 방법이 결국 가장 효과적이며 그 격차도 크다는 것이라는 주장입니다. 인간의 지식을 손으로 집어넣어 만든 정교한 방법은 단기적으로는 앞서지만, 연산이 싸지면 더 단순하고 범용적인 방법에 번번이 추월당했다는 역사적 관찰이 그 근거입니다.

에포크 AI는 이 교훈을 한 걸음 더 밀어붙여 씁니다. 서튼의 원래 주장이 ‘범용 방법이 이긴다’라는 쪽이었다면, 이 보고서는 그 범용 방법이 결국 컴퓨트를 쓰기 위한 통로이므로 알고리즘 진보는 컴퓨트 스케일링의 종속변수에 가깝다고 읽습니다.

[반론]
공교롭게도 쓰라린 교훈을 쓴 당사자가 이 노선에 가장 날카롭게 반대합니다. 서튼은 2025년 9월 드와케시 파텔(Dwarkesh Patel)의 팟캐스트 대담에서 LLM 노선이 막다른 길이라고 주장했습니다. 인간이 만든 데이터를 모방하는 방식에는 정답 기준이 없고, 따라서 경험으로부터 스스로 배우는 체계와 달리 진짜 쓰라린 교훈의 길 위에 있지 않다는 논지입니다.

사전학습 스케일링을 사실상 개척한 일리야 수츠케버(Ilya Sutskever)도 2025년 11월 같은 팟캐스트에서 스케일링의 시대가 저물고 연구의 시대로 넘어가고 있다고 말했습니다. 데이터가 유한하기 때문에 컴퓨트를 늘리는 것만으로는 더 나아가지 못하며, 다시 아이디어를 찾아야 하는 국면이 왔다는 것입니다. 두 사람의 주장이 옳다면 이 보고서의 외삽은 그 전제에서부터 흔들리게 됩니다.

컴퓨트 스케일링이 예측하지 못하는 것

에포크 AI는 자기 방법이 할 수 없는 일을 꽤 긴 분량으로 적어 둡니다. 이 방법으로 예측할 수 없는 것은 범용인공지능(AGI), 곧 숙련된 인간 수준으로 어떤 인지 과업이든 수행하는 AI가 언제 등장하는가 하는 질문입니다. 이 질문에는 거대한 불확실성이 둘 겹쳐 있습니다. 하나는 AI 벤치마크 자체의 공백과 그것을 해석하는 우리 이해의 공백이고, 다른 하나는 앞으로 5년 안에 메워지지 않을 수도 있는 현재 AI 역량의 공백입니다.

벤치마크 쪽부터 보겠습니다. 지금의 벤치마크가 인간이 수행하는 과업 가운데 AI에게 가장 어려운 것들을 제대로 대표한다는 보장이 없습니다. 게다가 모든 벤치마크가 진전을 보이고 있는 것도 아닙니다.

예컨대 새롭고 실질적인 수학 정리를 자율적으로 증명하는 일처럼, 스케일링을 해도 아직 뚜렷한 개선이 나타나지 않는 과업이 있습니다. 진전을 보이는 벤치마크들을 모두 풀었을 때 AI가 어디까지 전문가 수준에 도달해 있을지는 근본적으로 불확실하고, 모든 벤치마크를 언제 풀게 될지도 마찬가지로 불확실합니다. 그럼에도 2030년까지 AI가 까다로운 벤치마크 다수를 풀어낼 것이라는 점은 상당히 확실하며, 이는 AI가 수행할 수 있게 될 유용한 과업에 분명한 함의를 지닙니다.

역량의 공백 쪽은 더 구체적입니다. 오늘날의 범용 AI 체계가 무엇을 못하는지를 보면, 2030년까지도 메워지지 않을 수 있는 영역이 어디인지 짐작할 수 있다는 것입니다. 에포크 AI가 꼽는 목록은 다음과 같습니다.

• 정보 검색과 환각 — 방대한 학습 말뭉치에서 관련 정보를 찾아내는 데는 탁월하지만, 비논리적인 환각으로 자주 빠집니다.
• 패턴 식별과 추론 — 많은 데이터를 소화해 밑에 깔린 패턴을 찾아내는 데는 뛰어나지만, 사람에게는 자연스러워 보이는 추론 단계를 안정적으로 적용하지 못합니다.
• 신뢰성과 강건성 — 더 넓은 범위의 문제이며, 다만 스케일링과 함께 점진적인 개선은 보여 왔습니다.
• 주체성 — 게임처럼 닫힌 최적화 문제를 푸는 데는 탁월하지만, 현실 세계에서 결과를 낳는 행동을 주체성을 가지고 수행하는 데는 고전합니다.
• 긴 맥락 — 긴 내용을 얕게 처리하는 속도는 인간보다 훨씬 빠르지만, 그렇게 확보한 긴 맥락의 정보를 어려운 문제를 푸는 데 활용하지는 못합니다.

이 공백들이 워낙 많다 보니 서로 겹치는지조차 확신하기 어렵다고 에포크 AI는 적습니다. 긴 맥락 이해가 추론의 강건성과 연결된 문제일 수도 있고, 완전히 별개의 문제일 수도 있다는 것입니다. 그리고 이 한계들은 벤치마크를 설계하고 해석하는 어려움과도 맞물려 있습니다. 이 한계들을 제대로 측정하는 벤치마크를 만드는 일 자체가 아직 풀리지 않은 문제이기 때문입니다.

어느 한계가 2030년까지 얼마나 개선될지, 기존 체계를 조금 손봐서 그냥 스케일하는 것만으로 개선될지, 그러려면 컴퓨트가 얼마나 더 필요할지는 모두 불확실합니다. 에포크 AI는 여기서 추론 모델의 사례를 꺼냅니다. 추론 스케일링 자체는 이전 체계에도 있었지만 강화학습(RL)이 그것을 훨씬 효과적으로 만들었고, 그 결과 여러 벤치마크에서 돌파가 나왔습니다. 이것이 스케일링을 진보의 동력으로 보는 관점을 흔드는 사례일지가 문제입니다.

에포크 AI는 양쪽을 다 적습니다. 스케일링 쪽에 유리한 해석은 이렇습니다. 많은 연구자가 더 나은 추론 스케일링이 필요하리라는 점을 미리 예측했고, 실제로 그것은 모델이 추론 강화학습이 작동할 만큼 충분히 커진 뒤에 도착했습니다. 또한 강화학습에도 학습 스케일링이 성립해서, 추론 학습에 컴퓨트를 더 쓸수록 추론 모델이 도달하는 역량이 좋아집니다.

반대쪽 해석은 이렇습니다. 같은 사례가 기존 결과로부터 예측하는 일의 어려움을 드러내기도 합니다. AI가 지금 고전하는 영역에서 돌파적인 알고리즘 진보가 나오는 일은 실제로 벌어지며, 그것은 본질적으로 예측하기 어렵습니다.

결국 스케일링 우선의 관점 안에서도 AGI에 도달하기까지 얼마나 더 스케일해야 하는지는 불명확하고, 그 과정에 상당한 알고리즘 진보가 필요한지도, 필요하다면 그것이 2030년까지 나올지도 불명확합니다. 에포크 AI는 이것이 스케일링 중심 예측이 맞닥뜨리는 가장 큰 난점이며, 특히 이미 진전 중인 벤치마크를 넘어서는 영역을 예측하려 할 때 그렇다고 인정합니다.

그럼에도 이 방법이 쓸모 있다는 것이 보고서의 입장입니다. 최소한의 기준선, 곧 스케일링이 이어지면 AI가 계속 잘하게 되리라고 예상할 수 있는 과업들을 예측할 수 있습니다. 그다음에는 그렇게 얻어진 역량이 실제 업무 과업에 어떤 영향을 미칠지 검토할 수 있습니다.

기준선에 포함되지 않은 과업들, 그리고 AI가 그것까지 해낼 경우의 자동화 함의도 따로 성찰할 수 있습니다. 마지막으로 그것이 사람들의 일 안에서 어떤 함의를 갖는지까지 따라갈 수 있습니다. 에포크 AI는 이 경로가 AI를 보는 두 경쟁적 관점, 곧 강력한 도구로서의 AI와 가상 동료로서의 AI를 잇는 다리가 된다고 말합니다.

[관점]
이 절은 보고서 전체의 안전장치입니다. 뒤에 나올 수많은 수치와 연도는 ‘이렇게 된다’가 아니라 ‘이보다 못하기는 어렵다’는 성격의 숫자라는 점을 여기서 미리 못 박아 두기 때문입니다.

투자자나 정책 담당자가 이런 보고서를 읽을 때 가장 쉽게 저지르는 오독이 바로 이 지점에 있습니다. 외삽값을 중심 추정치로 받아들이고 그 위아래로 오차를 그리는 식으로 읽으면, 에포크 AI가 의도한 것과 다른 그림이 됩니다. 에포크 AI가 내놓는 것은 분포의 중앙값이 아니라 하한선에 가깝고, 그 하한선이 이미 수천억 달러와 기가와트를 요구한다는 점이 이 보고서의 수사적 장치입니다.

다섯 가지 투입에 관한 핵심 예측

에포크 AI가 점검하는 투입은 컴퓨트, 투자, 데이터, 하드웨어, 그리고 에너지와 환경의 다섯입니다. 이 가운데 어느 것이든 계속되는 진보를 무너뜨릴 수 있습니다. 컴퓨트 스케일링이 더는 효과적이지 않게 되면 어떻게 되는지, 데이터가 바닥나면 어떻게 되는지 같은 질문입니다. 에포크 AI는 이 논거들의 설득력이 저마다 다르다는 점을 인정하면서도, 현재의 진보가 2030년까지 이어지는 것을 막을 단일한 설득력 있는 논거는 보이지 않는다고 판단합니다.

종합한 예측은 이렇습니다. 현 추세대로라면 2030년의 선도 AI 모델은 오늘날 선도 모델의 1,000배에 해당하는 컴퓨트로 학습됩니다. 그런 모델을 학습시키는 데 쓰이는 클러스터에는 2,000억 달러의 투자가 필요하며, 이는 현재 미국 국내총생산(GDP)의 1%에 가까운 금액입니다. 최대 규모 모델의 학습과 배포에는 기가와트급 전력이 들어갑니다. AI 데이터센터 전체의 전력 수요는 세계 전력 수요의 2% 이상으로 어렵지 않게 늘어날 수 있는데, 이는 전기차(2030년 약 2%, IEA 2025d)나 인터넷(2025년 2-3%, Rozite et al. 2023)이 차지하는 수요와 비슷한 수준입니다.

투입별 핵심 발견은 다음과 같습니다.

• 컴퓨트 — 학습 컴퓨트는 2010년 이후 연 4-5배로 늘어 왔고 비슷한 속도로 계속 늘어날 공산이 큽니다. 추론 컴퓨트를 키우는 일도 AI 개선의 또 다른 중요한 원천이 되지만 학습 컴퓨트의 증가를 방해하지는 않을 것으로 보며, 특정 모델이 생애 전체에 걸쳐 쓰는 추론 컴퓨트는 그 모델의 학습 컴퓨트와 비슷한 규모가 될 가능성이 높습니다.
• 투자 — 그 규모의 학습을 가능하게 하려면 필요한 AI 하드웨어에 현 추세로 수천억 달러가 듭니다. 개별 모델 개발의 상각 비용은 수십억 달러 수준이 됩니다. 이 전망은 현재의 AI 투자와 기업가치, 그리고 AI 클러스터 개발자들의 설비투자 계획과 어긋나지 않습니다. 프런티어 AI 연구소들은 이미 챗봇으로 수십억 달러를 벌고 있고 최근 몇 년 매출이 연 3배로 늘었으며, AI가 경제 전반의 순생산성을 끌어올린다면 그 가치는 수조 달러가 됩니다.
• 데이터 — 범용 AI 학습용 데이터셋은 최근 연 2.7배로 늘었지만 앞으로의 증가 양상은 크게 달라질 수 있습니다. 고품질의 인간 생성 텍스트가 희소해지면서 멀티모달 데이터와 합성 데이터로 옮겨 가는 일이 필요해질 수 있습니다. 최근의 추론 학습 추세는 인간이 제공하는 데이터를 훨씬 느린 속도로만 늘려도 합성 데이터를 통해 컴퓨트 스케일링이 이어질 수 있음을 시사합니다. 역량이 계속 개선된다면 특정 전문 데이터원, 곧 고가치 문제를 학습 대상으로 만들어 주는 데이터의 가치가 점점 커집니다.
• 하드웨어 — 선도 AI 칩의 총 설치 용량은 연 2.3배로 계속 늘어날 가능성이 높으며, 칩을 더 많이 만드는 일과 성능을 높이는 일이 함께 그 증가를 떠받칩니다. 가장 큰 AI 개발자들을 위한 대형 클러스터는 이미 계획되고 건설되는 중입니다. 다만 전력 수요 부담을 덜기 위해 대형 AI 워크로드가 여러 데이터센터로 갈수록 분산될 가능성이 큽니다.
• 에너지와 환경 — 프런티어 AI의 전력 수요는 학습과 추론을 합쳐 연 2.1배로, AI 에너지 수요 전반은 연 1.6배로 늘어날 것으로 봅니다. 그 경우 AI 데이터센터는 세계 전력 수요의 1.2%를 차지합니다. 데이터센터에 공급되는 에너지 믹스에 따라 AI의 전력 사용은 2030년 세계 배출량의 0.03-0.3%를 차지하는데, 적지 않은 양이지만 상업 항공편의 예상 배출량(2.5%, IEA 2025a)보다는 훨씬 작습니다. 에너지 생산, 산업 공정 최적화, 운송 같은 영역에서 AI가 배출을 줄일 잠재력은 입증되어 있으나, 이는 배포와 우선순위에 관한 사회적 결정에 크게 좌우됩니다.

해설
1,000배라는 숫자는 감이 잡히지 않을 만큼 큽니다. 에포크 AI 자신의 비유를 빌리면, 2030년의 최대 학습 실행에 해당하는 연산량은 2020년의 최대 AI 클러스터를 3,000년 넘게 쉬지 않고 돌려야 나오는 양입니다. 2,000억 달러라는 투자액도 마찬가지입니다. 한 세대의 모델을 학습시키기 위한 설비에 한 나라 경제의 1%에 해당하는 돈이 들어간다는 뜻입니다.

여기서 주의할 대목은 숫자의 단위가 서로 다르다는 점입니다. 2,000억 달러는 클러스터 하드웨어를 사는 데 드는 선투자이고, 수십억 달러는 그 설비 위에서 모델 하나를 만드는 데 배분되는 상각 비용입니다. 설비는 여러 모델에 걸쳐 쓰이기 때문에 두 숫자의 자릿수가 다릅니다.

[관점]
요약에 나온 성장률이 제각각이라는 점은 그 자체로 읽을 거리입니다. 프런티어 학습 컴퓨트는 연 4-5배, 선도 칩의 총 설치 용량은 연 2.3배, 프런티어 전력 수요는 연 2.1배, AI 에너지 수요 전반은 연 1.6배입니다. 가장 빠른 숫자와 가장 느린 숫자 사이에 세 배 가까운 격차가 있습니다.

이 격차가 모순이 아닌 이유를 에포크 AI는 각주에서 밝힙니다. 현재 개별 프런티어 학습 실행은 가동 중일 때 전 세계 설치 용량의 약 2.5%만 쓰고 있으므로, 최대 학습 실행이 전체 용량보다 빠르게 커질 여지가 아직 남아 있다는 것입니다. 바꿔 말하면 이 예측은 가장 큰 모델 하나가 세계 AI 연산 자원에서 차지하는 몫이 2030년까지 꾸준히 커진다는 전제 위에 서 있습니다. 그 몫이 몇 퍼센트에서 멈춘다면 4-5배라는 숫자부터 흔들립니다.

역량 예측이 과학 R&D로 좁혀지는 이유

2030년의 AI 체계는 어떤 역량을 갖게 되고 세상에 어떤 영향을 미치는가 하는 질문은 너무 넓습니다. 에포크 AI는 다룰 수 있는 크기로 만들기 위해 범위를 하나로 좁힙니다. 과학 R&D의 자동화입니다.

이 영역을 고른 이유는 두 가지입니다. 선도 AI 개발자 여럿이 과학을 위한 AI를 명시적 목표로 내걸고 있다는 점(Altman 2023; Amodei 2024; Google DeepMind, n.d.), 그리고 과학 R&D가 생산성을 더 넓게 끌어올리는 능력 때문에 경제에서 중요한 자리를 차지한다는 점입니다. 구체적으로 살피는 분야는 소프트웨어 공학, 수학, 분자생물학, 기상예측의 넷입니다.

에포크 AI는 이 선택에 단서를 답니다. R&D가 AI 자동화를 가장 먼저 겪거나 경제적으로 가장 중요한 활동 묶음이 되리라는 뜻은 아니라는 것입니다. AI 개발자들이 경제 전반의 수많은 과업을 폭넓게 자동화하는 쪽에서 더 큰 유인과 더 쉬운 과제를 마주하고 있다는 설득력 있는 논거가 있다고 인정합니다. 그럼에도 개발자들이 R&D에 명시적으로 초점을 맞추고 있다는 사실이 이 보고서가 R&D를 다루는 동기가 됩니다.

예측의 토대는 앞서 밝힌 대로 현재 AI 역량의 추세를 연장하는 것입니다. 에포크 AI는 이 접근이 지나치게 공격적일 수 있는 이유를 둘 짚고 넘어갑니다. 첫째는 벤치마크가 측정하려는 역량을 제대로 대표하지 못하는 경우입니다. 이 문제는 네 분야 각각에서 따로 검토하는데, 소프트웨어 공학과 생물학처럼 벤치마크 진전이 현실 세계의 진전과 상관된다는 경험적 증거가 이미 일부 존재하는 분야도 있습니다.

둘째는 과적합 때문에 벤치마크 진전이 기만적일 수 있는 경우입니다. 에포크 AI는 이것이 한 시점에서 모델끼리 비교할 때는 실제 문제이지만, 앞으로 몇 년에 걸친 진보를 폭넓게 예측하는 일에는 덜 문제가 된다고 봅니다. 과거의 벤치마크들도 과적합의 대상이었지만 그것을 풀어내는 일은 관련된 AI 역량의 진보와 나란히 갔기 때문입니다. 현재의 벤치마크가 과적합 탓에 진보를 과장하고 있다면 이 외삽은 공격적인 것이 되겠지만, 바닥에 실제 진보가 조금이라도 깔려 있는 한 외삽은 여전히 정보를 줍니다.

해설
과적합은 모델이 평가에 쓰이는 특정 문제 집합의 겉모습에 맞춰 최적화되어, 측정하려던 일반 능력보다 점수가 높게 나오는 현상입니다. 벤치마크 문제가 학습 데이터에 섞여 들어가는 오염도 비슷한 결과를 낳습니다.

에포크 AI의 반박 논리는 역사적 귀납에 기대고 있습니다. 이미지넷(ImageNet)이든 초기 언어 벤치마크든 과적합 논란을 겪지 않은 벤치마크는 없었지만, 그 벤치마크들이 풀려 가는 동안 실제 응용 능력도 함께 올라갔다는 것입니다. 이 논리는 과거 패턴이 이어진다는 가정에 의존하므로, 외삽의 신뢰도가 또 한 번 외삽에 기대는 구조가 됩니다.

[관점]
창을 과학 R&D로 좁힌 선택은 분석을 가능하게 만드는 동시에 결론의 성격을 바꿉니다. 과학 R&D는 AI 도구를 가장 빨리 받아들이는 집단이고, 산출물의 검증 비용이 상대적으로 낮으며, 종사자 수가 적어 조직 저항이 작은 영역입니다. 자동화가 가장 수월하게 보이는 표본을 들여다보는 셈입니다.

에포크 AI 자신이 각주에서 이 점을 인정한다는 사실은 중요합니다. 경제적 파급의 크기로 보면 콜센터, 행정, 마케팅처럼 사람 수가 많은 사무 직군의 자동화가 훨씬 큰 사건이지만 이 보고서의 시야 밖에 있습니다. 2030년 경제에 미칠 영향을 가늠하려는 독자라면 이 보고서를 전체 그림이 아니라 가장 선명하게 보이는 한 모서리로 읽는 편이 안전합니다.

네 분야에서 2030년에 가능해지는 일

에포크 AI가 내놓는 역량 예측의 요지는 분야마다 다릅니다. 공통점이 있다면 현실 과업과 거리가 가까운 벤치마크를 가진 분야일수록 예측이 선명해진다는 것입니다. 소프트웨어 공학이 가장 선명하고 수학이 그다음이며, 분자생물학과 기상예측은 물리 세계와 맞닿은 만큼 흐려집니다.

소프트웨어 공학

오늘날 일상적으로 수행되는 과업 상당수가 AI 에이전트로 자동화될 가능성이 큽니다. 잘 정의된 소프트웨어 이슈에 기반한 기존 벤치마크인 SWE-bench는 2026년에 풀릴 궤도에 올라 있습니다. 몇 시간이 걸리는 과학 코딩 문제와 연구 공학 문제를 다루는 RE-Bench의 진전은 더 느리지만, 현재의 궤적대로라면 2027년에 풀립니다. 핵심 불확실성은 더 열린 문제에서 인간의 감독이 병목이 될지 여부입니다.

수학

FrontierMath 같은 까다로운 수학 추론 벤치마크는 현 추세대로라면 이르면 2027년에 풀릴 수 있습니다. 수학자들은 그런 벤치마크를 풀어내는 AI가 스케치 논증을 발전시키고, 관련 지식을 찾아내고, 증명을 형식화하는 방식으로 자신들을 도울 수 있으리라고 예측합니다. 그렇게 되면 AI는 오늘날 소프트웨어 공학에서 코딩 조수가 맡은 역할과 비슷한 자리를 수학에서 차지합니다.

다만 소프트웨어 공학보다 더 큰 불확실성이 남습니다. 기존 수학 벤치마크가 그런 역량을 예측하는 데 유효한가 하는 문제입니다. 오늘날 가장 까다로운 수학 벤치마크는, 소프트웨어 벤치마크가 소프트웨어 공학자의 일상에서 떨어진 거리보다 수학자의 일상 업무에서 더 멀리 떨어져 있습니다. AI가 실질적인 결과를 자율적으로 증명하는 수준에 언제 오를지는 불명확하지만, 에포크 AI는 그 일이 2030년 전에 일어나는 것도 그럴듯하다고 봅니다.

분자생물학

PoseBusters처럼 단백질과 리간드의 상호작용을 다루는 공개 벤치마크는 향후 몇 년 안에 풀릴 궤도에 있습니다. 다만 임의의 단백질끼리의 상호작용을 높은 특이도로 예측하는 일, 특히 학습 데이터에서 멀리 떨어진 경우에는 시간이 더 걸리고 전망도 불확실합니다. 한편 AI 데스크 리서치 조수는 향후 몇 년간 생물학 R&D를 돕게 됩니다. 열린 형식의 생물학 질의응답 벤치마크는 불확실성이 크기는 해도 2030년까지 풀릴 궤도에 올라 있습니다.

중요한 단서가 하나 붙습니다. 기초 생물학 R&D의 진전이 제약 개발 같은 하류의 변화로 이어지려면 몇 년이 걸린다는 점입니다. 습식 실험실 실험과 임상시험 양쪽에 병목이 있기 때문입니다.

기상예측

AI 기상예측은 몇 시간에서 몇 주에 이르는 시간 범위에서 이미 전통적 방법을 넘어서고 있습니다. AI 방식은 운용 비용이 저렴하고 데이터가 더 쌓이면 추가로 개선될 여지가 있습니다. 다음에 놓인 큰 방법론적 과제는 예측 지평을 더 늘리는 쪽이 아니라 현재 지평에서 예측의 보정을 개선하는 쪽에 있습니다.

예측 지평에 관해서는 흥미로운 단서가 달려 있습니다. 최근까지는 혼돈 효과 때문에 시뮬레이션 기반 방법으로 약 3주를 넘는 결정론적 기상 예측이 불가능하다는 것이 널리 받아들여진 견해였습니다. 최근 연구는 그 판단이 지나치게 비관적이었는지를 묻고 있으며(Shen et al. 2024; Chen et al. 2024), 더 많은 데이터를 통합하면 순수한 수치 시뮬레이션의 한계를 넘어설 가능성도 거론됩니다. 다만 기상 예측은 훨씬 긴 시간 범위와 훨씬 낮은 시간 해상도를 다루는 기후 예측과는 구분해야 합니다.

개선 여지가 특히 큰 영역은 둘입니다. 희귀한 사건을 예보하는 일과 추가 데이터원을 통합하는 일입니다. 더 많은 역사 데이터와 더 세밀한 역사 데이터로 학습하면 예측이 좋아지고, 실시간 센서 입력을 더 많이 통합하면 실제 운용에서 성능이 올라갑니다.

개발과 배포에는 중요한 과제들이 놓여 있습니다. 연구 자금을 대는 일, 데이터에 접근하는 일, 특히 운용 단계에서 낮은 지연으로 데이터를 받는 일, 경우에 따라서는 데이터 기록 장비를 설치할 허가를 받는 일입니다. 그럼에도 개선된 기상예측은 전력 인프라, 농업, 운송, 비상 대응, 일상적인 계획 같은 영역에서 상당한 편익을 낼 수 있습니다.

해설
본문에 등장하는 벤치마크들은 각각 다른 종류의 일을 측정합니다. SWE-bench는 깃허브(GitHub)의 실제 이슈 가운데 단위 테스트가 붙어 있는 것들을 모은 것이고, RE-Bench는 채용 과제에 가까운 연구 공학 문제로 사람이 풀면 여덟 시간쯤 걸립니다. FrontierMath는 초기 경력 연구 수학자가 마주하는 문제에 가깝게 만들되 답을 숫자나 간단한 식으로 검증할 수 있게 설계한 벤치마크입니다. PoseBusters는 단백질의 결합 주머니를 알려 주지 않은 상태에서 리간드가 어디에 어떻게 붙는지를 맞히는 과제입니다.

이 설계 차이가 예측의 신뢰도 차이를 만듭니다. 단위 테스트로 맞고 틀림이 즉시 갈리는 과업과, 정답 자체가 실험으로만 확인되는 과업은 벤치마크 점수가 현실 역량으로 번역되는 비율이 다를 수밖에 없습니다.

[이해관계]
수학 예측의 근거가 되는 FrontierMath는 에포크 AI가 직접 만든 벤치마크입니다. 보고서는 자신이 설계한 평가의 점수 곡선을 연장해 수학 역량의 도달 시점을 2027년으로 제시하는 셈입니다.

이 벤치마크에는 별도의 이력이 있습니다. 2025년 1월 테크크런치(TechCrunch) 보도로 FrontierMath 제작에 오픈AI(OpenAI)의 자금이 들어갔고 그 사실이 뒤늦게 공개되었다는 점이 알려지면서, 평가 기관의 독립성을 둘러싼 비판이 제기되었습니다. 오픈AI의 o3가 이 벤치마크에서 기록을 세운 직후였습니다. 보고서 본문도 FrontierMath의 수치형 답안이 무차별 대입에 취약할 수 있어 어려운 수학 추론의 진보를 과대평가할 위험을 스스로 지적하고 있는데, 그 지적이 자기 벤치마크를 향한 것이라는 점을 함께 보아야 합니다.

과학 R&D 조수에 관한 세 가지 주장

에포크 AI는 범용 AI 조수가 2030년의 과학 R&D에서 어떤 자리를 차지할지를 확실성이 높은 순서로 세 단계에 걸쳐 제시합니다. 이 배열 자체가 보고서의 조심스러움을 보여 주는 장치입니다.

첫째 주장은 최소한 과학 R&D가 오늘날 소프트웨어 공학자의 코딩 조수에 견줄 만한 AI 조수를 갖게 되리라는 것입니다. 에포크 AI는 이를 거의 확실하다고 봅니다. 관련 역량에서 진전을 보이는 벤치마크가 이미 존재하고, 문헌 검토나 단백질 설계 같은 일에 쓰이는 AI 체계가 이미 돌아가고 있기 때문입니다.

물론 차이도 있습니다. 과학 쪽은 크고 이질적인 문헌을 검토하고 종합하는 데 초점이 더 쏠려 있는 반면, 기존 AI 코딩 도구는 대체로 단일 프로젝트라는 맥락 안에 머물러 있습니다. 그럼에도 맥락에 반응해 제안을 내놓는 일, 관련 정보를 찾아내는 일, 작고 닫힌 과업을 통째로 완수하는 일이라는 중요한 공통점이 있습니다.

둘째 주장은 최소한 AI 조수가 일상 생산성을 10-20% 개선하리라는 것이며, 적어도 실험이 끼지 않는 업무 과업에서는 그렇다는 단서가 붙습니다. 첫째보다 덜 확실한 주장입니다. 이 수치는 소프트웨어 공학자의 생산성을 다룬 무작위 시험에서 나온 출발점이며, 부정적 결과를 포함한 현재의 증거 상황은 소프트웨어 공학 절에서 따로 다룹니다. 에포크 AI는 수학자나 이론 생물학자의 업무가 소프트웨어 공학자보다 자동화에 덜 적합하더라도, 관련 벤치마크가 개선되고 있다는 증거가 이미 있고 앞으로 여러 해의 진보가 남아 있다고 봅니다.

셋째 주장은 효과가 이보다 더 클 수 있다는 것입니다. 10-20%라는 수치는 2023년 말부터 깃허브 코파일럿(GitHub Copilot)을 쓰기 시작한 소프트웨어 공학자들을 대상으로 측정된 값입니다(Cui et al. 2025). 그 이후 AI 체계는 상당히 개선되었고, 자율적으로 움직이는 소프트웨어 공학 에이전트의 역량이 나아지고 있다는 초기 증거도 나와 있습니다.

해설
여기서 말하는 10-20%는 노동생산성 통계의 상승률이 아니라, 개별 작업자가 같은 일을 끝내는 데 걸리는 시간이 줄어든 비율입니다. 두 숫자는 같지 않습니다. 개인의 작업 속도가 빨라져도 그것이 조직의 산출로 이어지려면 다른 공정이 함께 움직여야 하고, 산업 전체의 생산성 통계로 잡히려면 다시 한 단계가 더 필요합니다.

에포크 AI가 이 수치를 ‘최소한’이라는 말과 함께 쓴 것도 이 때문입니다. 비실험 업무라는 단서와 10-20%라는 범위를 떼어 내고 인용하면 보고서가 하지 않은 주장이 됩니다.

[반론]
AI 조수의 생산성 효과를 두고는 회의적인 추정도 나란히 존재합니다. 골드만삭스(Goldman Sachs)가 2024년 6월 발간한 보고서에서 짐 코벨로(Jim Covello)는 AI가 대체하려는 과업들이 애초에 저비용 과업이어서 투입 대비 효과가 맞지 않는다고 주장했습니다. 같은 보고서에 실린 조지프 브리그스(Joseph Briggs)의 추정은 훨씬 낙관적이어서, 한 기관 안에서도 편차가 컸습니다.

대런 애스모글루(Daron Acemoglu)는 2024년 4월 워킹페이퍼에서 더 낮은 수치를 제시했습니다. 과업 단위의 비용 절감폭과 AI에 노출되는 과업의 비중을 곱해 올라가면 향후 10년간 총요소생산성(TFP) 증가는 0.7% 안팎에 그친다는 계산입니다. 이 계산이 옳다면 에포크 AI가 투자의 정당성으로 드는 수조 달러의 경제적 가치는 상당 부분 사라집니다.

2030년이면 AI는 최소한 인터넷만큼 중요해집니다

에포크 AI가 그리는 그림은 요약하면 이렇습니다. AI를 더 키우면 더 많은 역량이 따라오고, 이는 지금까지 관찰된 바와 어긋나지 않습니다. 그 역량은 경제 전반에서 의미 있는 과업들을 자동화할 수 있으며 과학 R&D도 그중 하나입니다. 과학 R&D는 가치가 높고 빠르게 변하는 일이라 AI가 비교적 빨리 받아들여질 영역이지만, 같은 AI 진보는 다른 많은 부문에서도 귀중하게 쓰입니다. 실제로 학계가 기존 AI 도구를 빠르게 채택했다는 설문 증거가 있습니다(Oxford Academic 2024).

배포에는 시간이 걸리고 넘어야 할 병목도 많습니다. 그럼에도 현 추세가 2030년까지 이어진다면 근본적으로 달라진 세계가 적어도 시야에는 들어온다는 것이 에포크 AI의 판단입니다. 발전소 하나의 출력이 통째로 AI에 할당될 수 있다는 예측은 극단적으로 들릴 수 있지만, AI가 인터넷에 견줄 만큼 중요해지는 세계라면 그 정도 자원 배분은 정당화됩니다.

에포크 AI는 세 가지 흔한 반론을 꺼내 놓고 각각에 답합니다. 첫째, AI 역량이 지금 수준 근처에서 멈출 수 있다는 반론입니다. 오늘날의 알고리즘이 충분히 범용적이지 않을 수 있기 때문입니다. 이에 대해 에포크 AI는 기존 벤치마크 진전으로부터 단순히 외삽하는 일이 오히려 상당히 보수적인 기준선을 내놓는다고 답합니다.

둘째, 배포가 느릴 수 있다는 반론입니다. 특히 까다로운 R&D 과업에서, 또는 경제의 다른 핵심 부분에서 그렇습니다. 이에 대해서는 배포가 어려운 일이기는 해도 AI 기술이 역사상 가장 빠른 채택 곡선을 보여 왔다고 답합니다. 현재의 채택 추세는 2030년까지 수천억 달러의 매출에 이르는 경로와 어긋나지 않습니다.

셋째, 대량 채택이 컴퓨트 부족에 가로막힐 것이라는 반론입니다. 이에 대해서는 설치된 컴퓨트의 현재 추세가 그 반론에 반대되는 증거를 준다고 답하며, 자세한 계산은 뒤의 간주 절로 미룹니다.

에포크 AI의 결론은 이렇습니다. 이 예측들에는 상당한 불확실성이 있지만, 현 추세에 부합하는 예측이라는 점에서 기준선 예측의 자리를 차지해야 한다는 것입니다. 기본값으로 놓고 보면 2030년의 세계는 대규모로 배포된 고성능 AI 체계로 가득 차 있습니다. 기상예측 체계나 단백질 구조 모델링 같은 과학 도구로서, 그리고 적어도 어느 정도는 소프트웨어 공학처럼 현실의 실질적 목표를 좇는 자율 에이전트로서 그렇습니다. 에포크 AI는 지금 그 세계를 준비해야 한다는 문장으로 서론을 닫습니다.

[관점]
인터넷에 견주는 비유는 두 방향으로 읽힙니다. 한쪽에서는 변혁의 크기를 주장하는 말입니다. 다른 한쪽에서는 의외로 절제된 말이기도 합니다. 인터넷은 분명히 세상을 바꿨지만 선진국의 성장률을 폭발시키지는 못했고, 오히려 그 시기 생산성 통계의 부진은 경제학에서 오래된 수수께끼로 남아 있습니다.

에포크 AI가 지능 폭발이나 특이점 같은 언어를 피하고 인터넷을 기준점으로 고른 것 자체가 하나의 입장 표명입니다. 같은 스케일링 추세를 보면서 아셴브레너나 AI 2027 팀은 훨씬 급격한 그림을 그렸습니다. 이 보고서는 똑같은 그래프에서 출발해 의도적으로 덜 극적인 결론에 멈춰 섭니다.

[한국 관점]
보고서는 의사결정권자가 지금부터 준비해야 한다는 당부로 서론을 닫지만, 무엇을 준비해야 하는지는 나라마다 다릅니다. 한국의 경우 이 보고서가 제시한 다섯 투입 가운데 직접 통제할 수 있는 것은 사실상 하드웨어 한 축입니다. 선도 AI 칩의 설치 용량이 연 2.3배로 늘어난다는 예측은 고대역폭 메모리(HBM) 수요가 같은 속도로 늘어난다는 뜻이고, 그 공급의 상당 부분이 국내 기업에 걸려 있습니다.

반대로 전력은 통제하기 어려운 쪽입니다. AI 데이터센터가 세계 전력 수요의 1-2%를 차지하는 그림은 전력망에 여유가 있는 나라의 이야기이며, 발전과 수요가 지역적으로 크게 어긋나 있는 한국에서는 같은 비율이 훨씬 날카로운 계통 문제로 나타납니다. 제도 쪽에서는 2026년 1월 시행된 인공지능 기본법이 한국의 출발선이지만, 이 법은 고영향 인공지능의 규율에 무게가 실려 있어 보고서가 말하는 투입 측 준비, 곧 전력과 설비의 확보와는 다른 축을 다룹니다.

스케일링과 역량이라는 두 축

에포크 AI의 예측은 두 부분으로 짜여 있고, 보고서의 두 주요 장이 각각 그에 대응합니다. 스케일링과 역량입니다.

스케일링은 AI 진보에 가장 근본적으로 기여해 온 요소라고 에포크 AI는 봅니다. 더 많은 컴퓨트로, 더 많은 데이터 위에서 AI 체계를 학습시키면 더 강한 역량이 나왔다는 것입니다. 이것이 알고리즘 진보의 역할을 무시하는 말은 아닙니다.

여러 세대의 연구자와 엔지니어가 AI 개발을 개선할 혁신을 만드는 데 평생을 바쳐 왔습니다. 다만 AI 개발의 역사는 그 혁신들이 스케일링과 나란히 작동해 왔음을 보여 준다는 것이 에포크 AI의 읽기입니다. 스케일링을 가능하게 하거나 스케일링을 더 효율적으로 만드는 방식으로 말입니다.

스케일링에서 나오는 역량은 AI가 세상에서 쓰이는 방식을 결정합니다. 스케일링이 AI 개발의 율속 요인이라면 스케일링 예측으로 역량의 궤적을 그릴 수 있습니다. 그렇게 되면 2030년에 AI가 세상에서 무엇을 하고 있을지에 관한 예측이 가능해집니다. 기존의 진전 추세를 살피고 앞으로 연장하는 방식으로 말입니다.

컴퓨트를 키우면 성능이 좋아집니다

컴퓨트를 키우는 이유는 단순합니다. 성능이 좋아지기 때문입니다. 이는 학습 컴퓨트와 추론 컴퓨트 양쪽에 적용됩니다. 에포크 AI가 근거로 드는 대표적 사례는 GPQA라는 벤치마크입니다. 박사 수준의 과학 질문을 객관식으로 묻는 평가인데, 컴퓨트가 늘어남에 따라 성능이 개선되는 모양이 나타나고 비슷한 패턴이 여러 AI 벤치마크에서 관찰됩니다(Denain 2024).

다만 규모로부터 성능을 예측하는 일이 언제나 간단하지는 않습니다. 특히 완전히 새로운 역량이 언제 출현할지를 미리 가늠하는 일은 어렵습니다. 어떤 벤치마크에서 모델이 무작위 수준의 점수에 머물러 있다면, 개선이 시작되기까지 컴퓨트가 얼마나 더 필요한지 예측하기가 어렵기 때문입니다.

그러나 AI가 어떤 역량을 갖추기 시작했다는 초기 신호가 일단 나타나면 그 뒤의 스케일링은 대개 성능을 예측 가능하게 개선합니다(Owen 2024a; Schaeffer et al. 2023). 이 비대칭이 보고서 전체의 방법론을 떠받칩니다. 이미 진전이 보이는 벤치마크만 외삽하고, 진전이 전혀 없는 영역은 예측에서 빼는 이유가 여기 있습니다.

컴퓨트 스케일링은 학습 컴퓨트에서 가장 폭넓게 연구되었습니다. 스케일링의 예측 가능성은 컴퓨트 외의 변수들이 고정되어 있을 때 가장 높습니다. 프런티어 연구소가 주어진 구조와 학습 레시피를 그대로 둔 채 규모만 키우는 경우가 그렇습니다. 그런데 구조와 학습 방식과 데이터 구성이 제각각인 여러 모델을 한데 놓고 보더라도 벤치마크 성능은 컴퓨트와 상당히 상관되어 있다고 에포크 AI는 밝힙니다.

추론 컴퓨트 쪽은 최근 들어 중요한 진전이 있었습니다. 이전의 추론 컴퓨트 스케일링 방법들은 비효율적인 경향이 있었습니다. 새로운 추론 LLM은 추론 컴퓨트를 훨씬 비용 효율적으로 키울 수 있게 해 줍니다.

물론 예외는 있습니다. 일부 사후학습 강화를 추론 스케일링으로 친다면 몇몇 응용에서는 추론 스케일링이 이미 매우 비용 효율적이었습니다. 그럼에도 많은 과업, 특히 사람들이 언어모델을 실제로 쓰고 싶어 했던 과업에서 2024년 이전의 추론 컴퓨트 스케일링은 비쌌습니다.

벽에 부딪혔다는 주장의 네 가지 판본

최근 공개 논의에서 크게 번진 스케일링 반대 논거가 있습니다. 스케일링이 ‘수익 체감’에 들어섰다거나 ‘벽에 부딪혔다’는 주장입니다. 에포크 AI는 이 말이 참일 수 있는 방식이 여럿이며 그것들을 구분하는 일이 중요하다고 보고, 네 판본으로 나누어 각각에 답합니다.

가장 공격적인 판본은 스케일링 법칙 자체가 깨질 수 있다는 것입니다. 다음 토큰 예측 성능을 학습 컴퓨트와 연결하는 그 법칙 말입니다. 이에 대해 에포크 AI는 그것이 참임을 시사하는 공개 증거가 희박하다고 답합니다. 앞으로 그런 일이 일어날 수는 있지만, 특별히 그것을 예상할 이유가 지금은 없다는 것입니다.

조금 덜 공격적인 판본은 이렇습니다. 다음 토큰 예측에 관한 스케일링 법칙은 여전히 유효하지만, 하류 과업에서의 개선이 컴퓨트 스케일링에 근거한 기대나 연구자들의 직관에 못 미친다는 주장입니다. 언론인들이 선도 AI 연구소 연구자들의 말을 빌려 이 주장의 여러 판본을 펴 왔습니다.

에포크 AI는 공개된 정보로 보면 GPT-4 규모를 넘어 학습된 것으로 알려진 첫 모델들, 곧 GPT-4.5와 Grok-3의 벤치마크 성능이 컴퓨트 스케일링 추세에 대체로 부합한다고 반박합니다. 구체적으로 GPT-4.5는 GPT-4o보다 GPQA에서 약 20%, Math Level 5에서 26% 높은 점수를 냈습니다. 같은 벤치마크들에서 여러 모델을 놓고 보면 최근 성능은 컴퓨트 10배당 각각 14%와 19%씩 올라갔으므로, 대략 기대한 만큼 스케일한 셈입니다.

훨씬 느슨한 세 번째 판본이 있습니다. 스케일링 법칙도 정확하고 성능 개선도 기대대로지만, 추가로 스케일하는 일이 예전보다 어려워졌다는 주장입니다. 필요한 투자, 데이터, 전력 제약, 칩 생산, 지연 때문입니다.

에포크 AI는 이 판본이 설득력 있다고 인정합니다. 현대의 AI 학습 데이터센터는 수십만 GPU 규모에 이르고 있으며, 이는 단일 데이터센터가 전력을 댈 수 있는 한계에 접근하는 수준이어서 선도 개발자들이 복수 데이터센터 학습으로 옮겨 가게 만들고 있습니다(Gemini Team et al. 2023). 고품질의 공개 텍스트 데이터를 구하는 일도 점점 어려워지고 있을 수 있습니다. 다만 이런 제약들을 각 절에서 따로 조사한 결과, 종합하면 어느 것도 2030년 이전에 학습 스케일링 추세를 분명하게 제약하지는 않는다는 것이 에포크 AI의 결론입니다.

마지막 판본은 추론 모델이 등장한 뒤 추론 스케일링이 훨씬 효과적이어서 학습 스케일링이 벽에 부딪혔다는 주장입니다. 에포크 AI는 추론 모델이 중대한 진전이고 학습 스케일링의 세부를 바꾸겠지만, 추론 컴퓨트와 학습 컴퓨트가 비슷한 수준으로 함께 커질 가능성이 높다고 봅니다. 학습을 키우면 더 유능한 모델이 나오고, 그 모델은 주어진 추론 예산 안에서 더 많은 일을 할 수 있기 때문입니다.

추론 스케일링은 또 하나의 중요한 고려와 맞물립니다. 무엇을 학습 컴퓨트로 셀 것인가 하는 문제입니다. 최근의 프런티어 모델은 사후학습에 점점 더 의존하고 있고, 일부 보도에 따르면 사후학습 컴퓨트가 머지않아 사전학습 컴퓨트와 같은 수준까지 커질 수 있습니다(Amodei 2025). 설령 데이터 부족으로 사전학습 스케일링이 막히더라도, 합성 데이터에 대한 사후학습으로 옮겨 가는 것이 AI 개발의 다음 시대라고 예측해 온 저명한 연구자들이 여럿 있습니다.

해설
스케일링 법칙은 모델의 크기, 데이터의 양, 학습에 들어간 연산량과 모델의 손실, 곧 다음에 올 토큰을 얼마나 잘 맞히는가 사이에 성립하는 멱함수 관계를 가리킵니다. 여기서 핵심은 이 법칙이 보장하는 대상이 다음 토큰 예측 성능이라는 점입니다.

사람들이 실제로 관심을 두는 대상은 그것이 아니라 코드를 짜고 논증을 펴고 실험을 설계하는 능력입니다. 다음 토큰 예측에서 하류 과업으로 넘어가는 고리는 법칙으로 보장되지 않습니다. 벽에 부딪혔다는 주장의 두 번째 판본이 겨냥하는 지점이 정확히 이 고리이며, 앞 절의 결정계수 0.45가 측정하는 것도 같은 고리입니다.

[반론]
GPT-4.5를 증거로 드는 대목은 반대로도 읽을 수 있습니다. 오픈AI는 이 모델을 2025년 2월 연구 프리뷰로 공개했다가 같은 해 7월 14일 API에서 내렸습니다. 벤치마크 점수가 컴퓨트 추세에 부합했다는 사실과, 그 모델이 가격 대비 가치에서 상업적으로 유지되지 못했다는 사실은 양립합니다.

이 구분이 중요한 이유는 보고서의 투자 논증이 둘을 이어 붙이기 때문입니다. 성능이 추세대로 올라간다는 것과, 그 성능 향상이 투자액을 정당화할 만큼의 가치를 낳는다는 것은 다른 주장입니다. 다리오 아모데이(Dario Amodei)가 2026년 2월 드와케시 파텔의 팟캐스트에서 지수 곡선의 끝이 가까워졌다고 말한 것도 같은 간극을 겨냥합니다.

미래 역량의 궤적을 그리는 방법

지난 15년 AI 개발의 결과는 자연스럽게 하나의 질문으로 이어집니다. 스케일링은 우리를 어디로 데려가는가 하는 질문입니다. 에포크 AI는 이 질문을 세 갈래로 풉니다. 미래의 AI는 무엇을 할 수 있는지, 스케일링이 AGI나 그 너머로 이어지는지, 곧 인간이 수행하는 사실상 모든 인지 과업을 해낼 수 있는 AI로 이어지는지입니다(Morris et al. 2024).

에포크 AI는 여기서 답할 수 있는 것과 없는 것을 가릅니다. 어떤 인지 과업이든 수행하는 AI에 필요한 학습 컴퓨트와 추론 컴퓨트가 얼마인지에 대해서는 확신이 거의 없습니다. 여러 연구자가 인간 뇌의 뉴런이 수행하는 등가 연산량이나 진화 과정의 열역학적 한계를 기준점 삼아 AGI에 필요한 컴퓨트를 추정해 왔지만, 그 결과들은 예측 폭이 대단히 넓었습니다.

그러나 역량의 궤적을 그리는 일은 가능합니다. 스케일링은 AI 평가 성능에 대한 예측을 분명하게 허용하고, 우리는 이미 어려운 평가에서 인상적인 결과를 내는 AI 체계를 갖고 있기 때문입니다. 따라서 스케일링이 어떤 종류의 역량을 낳을지는 예측할 수 있습니다.

복잡한 소프트웨어를 구현하는 일이나 생물학 문헌을 검색하는 일 같은 과업에서 2030년의 AI 체계가 어느 수준에 있을지를 말하는 것입니다. 이 예측들에는 잡음이 섞이겠지만 기존의 진전이라는 근거 위에 서 있습니다. 에포크 AI는 그래서 설령 AGI에 못 미치더라도 선진 AI를 향한 궤적은 그릴 수 있다고 봅니다.

이 접근에는 또 하나의 중요한 도전이 따라붙습니다. 컴퓨트가 과연 율속 요인인가 하는 문제입니다. 여러 선도 AI 연구자는 선진 AI에 이르는 길에 알고리즘 혁신이 더 필요하리라고 예측합니다. 2024년 말 이전까지 추론 시점 스케일링이 비교적 비효율적이었고 추론 모델이 바로 그 문제를 해결한 혁신이었다는 사실이 그런 예측의 근거가 됩니다. 다만 에포크 AI는 그 혁신들이 필요한 컴퓨팅 하드웨어를 키우는 속도보다 빠르게 고안될 것이므로, 결국 스케일링이 구속력 있는 병목이 되리라고 봅니다.

이 점에 이견이 있다는 사실은 에포크 AI도 인정합니다. AI 연구자들은 선진 AI까지의 시간을 두고 대단히 폭넓은 믿음을 갖고 있습니다(Grace et al. 2024). 그럼에도 최근의 진보에 비추어 보면 이 가능성을 진지하게 받아들일 만하다는 것이 결론입니다. 스케일링이 핵심 역할을 한다면 그래프 위에 직선을 그어 연장하는 일이 선진 AI의 개발을 사고하는 데 유익한 방법이 됩니다.

해설
본문에서 AGI의 정의로 인용된 모리스 외(Morris et al. 2024)의 틀은 AGI를 하나의 문턱이 아니라 여러 수준으로 나눈 분류 체계입니다. 숙련된 성인의 하위 50% 수준을 유능한 단계로, 상위 10% 수준을 전문가 단계로, 상위 1% 수준을 거장 단계로, 인간 전부를 능가하는 수준을 초인 단계로 놓는 식입니다.

이 분류를 끌어다 쓴 선택은 보고서의 신중함과 맞닿아 있습니다. AGI가 언제 오는가라는 질문을 하나의 사건이 아니라 여러 문턱으로 쪼개면, 그 가운데 일부에 대해서는 외삽으로 답할 수 있고 나머지에 대해서는 모른다고 말할 수 있게 되기 때문입니다.

스케일 장이 다루는 것

5년 뒤 AI 개발에는 어떤 자원이 들어가는가 하는 질문이 이 장의 출발점입니다. 학습 컴퓨트 같은 핵심 투입을 외삽하면 AI 개발이 어떻게 진행될지 추론할 수 있고, 기존의 진전이 어떤 식으로 이어질지, 어디서 중대한 변화가 필요한지를 가늠할 수 있습니다. 에포크 AI의 방식은 기존 추세를 먼저 살피고 그것을 바꿀 수 있는 요인들을 하나씩 따지는 것입니다.

이런 외삽이 강력한 기준선이라는 주장에는 사후 검증이 붙어 있습니다. 학습 컴퓨트의 스케일업은 딥러닝 시대가 열린 2010년 이후 연 4배라는 비교적 일정한 추세를 유지해 왔습니다. 그리고 2020년 시점의 추세를 그대로 연장하는 것만으로 2024년의 최대 학습 실행을 상당히 정확하게 맞힐 수 있었습니다(Sevilla and Roldán 2024). 에포크 AI가 외삽을 기준선으로 삼는 근거가 여기 있습니다.

다섯 절의 종합 결론은 앞서 정리한 그대로이고, 이 장 도입부가 거기에 보태는 세부는 다음과 같습니다. 컴퓨트에서는 충분한 투자가 있는 한 학습 컴퓨트 추세가 이어질 가능성이 높되, 학습의 무게중심이 합성 데이터나 사후학습 쪽으로 옮겨 갈 수 있다고 봅니다. 학습 스케일링이 멈출 한 가지 이유는 역량 개선이 실망스러운 경우인데, 앞 장에서 그런 증거가 거의 없다고 논증한 바 있습니다. 한편 추론 컴퓨트 스케일링의 최근 진전은 모델 역량을 끌어올리는 보완적 경로이며, 상당한 불확실성 속에서 AI 연구소들이 결국 학습과 추론을 비슷한 수준으로 키울 것으로 예상합니다.

투자에서는 역사적으로 연 2-3배의 확대가 있었다는 점을 보이고, AI 주도 생산성 개선이 거대한 투자를 어떻게 정당화할 수 있는지를 간략히 검토합니다. 하드웨어 제조사들의 기업가치는 시장이 AI의 연간 창출 가치를 1조 달러 이상으로 기대하고 있음을 함의하며, 이는 클러스터 규모가 최소한 한 번 더 두 배가 되는 것을 뒷받침합니다. 그보다 큰 투자는 그에 상응하는 더 큰 가치로 정당화될 수 있고, 최근의 AI 매출 성장이 그 가능성을 지지합니다.

데이터에서는 범용 공개 텍스트가 2027년 이전에 소진될 수 있음을 보이면서도, 대규모 학습용 데이터가 바닥날 가능성은 낮다고 봅니다. 합성 데이터와 멀티모달 데이터라는 두 원천이 남아 있기 때문입니다. 하드웨어에서는 학습 컴퓨트 증가에 가장 크게 기여한 요인이 클러스터 크기였고 그다음이 학습 기간, 그다음이 하드웨어 성능이었음을 보입니다. 클러스터 크기 확대는 이어지겠지만 학습 기간은 정체할 수 있다는 잠정적 증거를 제시하는데, 최근 보도에 따르면 프런티어 모델의 학습이 두 달 안팎에서 안정화되었습니다.

에너지와 환경에서는 프런티어 학습의 전력 수요가 연 2배 안팎으로 늘어 왔고 계속될 가능성이 높다고 봅니다. 배출량은 에너지 믹스에 따라 크게 갈려서, 데이터센터가 저탄소 전력만 쓰면 2030년 세계 연간 배출의 0.03%까지 낮아지고 그리드 평균에 가까운 믹스를 쓰면 0.3%까지 올라갑니다. 에포크 AI는 태양광을 비롯한 재생에너지가 현재 전망을 크게 넘어 확대되지 않는 한 실제 값은 후자에 가까우리라고 봅니다. 전 세계 데이터센터는 현재 그리드 평균에 가까운 믹스를 쓰고 있고, 미국 데이터센터가 훨씬 친환경적인 반면 중국 데이터센터는 대체로 석탄으로 돌아가기 때문입니다.

종합하면 에포크 AI가 내놓는 스케일링 예측은 단순합니다. 현재의 추세가 대체로 이어지는 쪽이 가장 그럴듯한 결과라는 것입니다. 학습은 2010년 이후와 같은 속도로 계속 커지고 추론도 그와 나란히 커집니다. 이를 떠받치려면 투자가 극단적인 수준까지 늘어나야 하지만, 투자자들이 AI가 그에 상응하는 경제적 가치를 낼 것으로 예측하는 한 정당화됩니다. 그 결과 산업은 더 많은 AI 칩을 계속 배치하고 그에 비례해 더 많은 전력을 쓰며, 경제의 다른 핵심 부문과 비슷한 모습이 됩니다.

학습 컴퓨트는 2030년까지 연 4-5배로 늘어납니다

컴퓨트는 현대의 AI 진보와 그 이전의 역사적 진보를 모두 떠받쳐 왔습니다. 특히 전용 AI 하드웨어와 대형 학습 클러스터로 옮겨 간 일이 AI 역량 진보의 상당 부분을 이끌었습니다. 더 최근에는 전용 추론 모델이 추론 컴퓨트의 효율적인 스케일링을 가능하게 했습니다.

에포크 AI의 핵심 주장은 학습 컴퓨트가 2030년까지 연 4-5배로 계속 늘어날 가능성이 높다는 것입니다. 이 추세는 2010년 이후 꾸준히 유지되어 왔습니다. 더 큰 모델을 학습시키는 일은 AI 역량을 계속 개선하고 있습니다. 데이터와 하드웨어와 전력의 측면에서 추가 스케일링이 어려워지고 있는 것은 사실이지만, 이 기술적 난제들은 적어도 2030년까지는 모두 극복 가능해 보인다는 판단입니다. 남는 가장 큰 불확실성은 투자가 계속 늘어날지 여부입니다.

학습 컴퓨트 성장 추세는 14년 넘게 이어져 왔습니다. 주목할 만한 AI 모델들의 학습 컴퓨트가 2010년 이후 연 4-5배로 자랐고 프런티어 모델에서도 비슷한 패턴이 나타납니다. 최근의 프런티어 모델은 범용 AI 모델이었으며 학습 컴퓨트의 대부분이 언어 학습에 쓰였습니다. 이 추세가 이어진다면 2030년의 최대 모델은 10의 29제곱 FLOP으로 학습됩니다.

에포크 AI가 붙이는 설명은 이렇습니다. 그만한 연산량을 내려면 2020년의 최대 AI 클러스터를 3,000년 넘게 쉬지 않고 돌려야 합니다. 2020년 당시 최대 AI 클러스터의 최대 성능이 초당 약 10의 18제곱 FLOP이었기 때문입니다(Pilz et al. 2025).

이제 무엇이 이 추세를 바꿀 수 있는가 하는 질문이 남습니다. 에포크 AI는 스케일링을 계속하는 데 필요한 알고리즘이 이미 자리 잡고 있거나 가는 길에 발견된다고 가정한 위에서 이 질문을 던집니다. 여기서 말하는 필요한 알고리즘에는 두 층이 있습니다. 익숙한 기법을 더 큰 규모에서 쓰기 위한 저수준의 알고리즘 변경이 한 층이고, 긴 맥락의 기억을 다루는 더 나은 접근 같은 고수준의 혁신이 다른 한 층입니다. 후자의 혁신이 선진 AI로 가는 임계 경로 위에 있는지를 두고는 연구자들의 의견이 갈립니다.

제기되어 온 주요 병목은 다섯입니다. 투자, 데이터 고갈, 전력 제약, 칩 생산, 그리고 지연입니다. 에포크 AI는 이 가운데 어느 것도 계속되는 스케일링의 명백한 장애물은 아니라고 보며, 각각을 해당 절에서 따로 다룹니다.

다만 투자는 핵심 불확실성으로 따로 떼어 놓습니다. 투자는 다른 모든 잠재 병목과 상호작용하고, 시장과 사회와 거버넌스라는 더 넓은 맥락과도 얽혀 있기 때문입니다. 스케일링에 계속 투자하려면 관련 행위자들이 충분한 수익 가능성을 보아야 하고, 그러려면 스케일링이 역량을 계속 개선해야 합니다. 그런데 역량이 투자를 정당화할 만큼 개선될지는 더 불확실합니다.

이는 핵심 AI 역량이 언제 도달하는가에 달려 있는데 그 자체가 예측하기 어렵습니다. 게다가 도달 시점을 안다 해도 그것만으로 투자를 예측하기에는 충분하지 않습니다. 투자는 기대 수익보다 훨씬 앞서 집행될 수 있기 때문입니다.

해설
FLOP은 부동소수점 연산 한 번을 세는 단위이고, 학습 컴퓨트는 한 모델을 학습시키는 데 들어간 연산 횟수의 총합입니다. 10의 29제곱이라는 숫자는 일상의 비유로 옮기기 어려울 만큼 큽니다.

자릿수로 감을 잡는 편이 낫습니다. GPT-4의 학습 컴퓨트가 10의 25제곱 FLOP 안팎으로 추정되므로, 2030년의 최대 모델은 그보다 1만 배가량 큰 연산량 위에서 학습되는 셈입니다. 본문의 1,000배라는 표현은 GPT-4가 아니라 보고서 작성 시점인 2025년의 선도 모델을 기준으로 한 숫자입니다.

[반론]
에포크 AI 스스로 투자를 핵심 불확실성으로 지목했다는 점은 반론이 들어설 자리를 보고서가 먼저 열어 둔 것으로 읽힙니다. 하워드 막스(Howard Marks)는 2026년 2월 오크트리 메모에서 AI 투자 붐의 구조를 짚으며, 기술의 가치를 인정하는 일과 현재 가격이 그 가치를 반영하는지를 판단하는 일은 다른 문제라고 지적했습니다.

시트리니 리서치(Citrini Research)는 2026년 2월 글에서 더 구체적인 경로를 제시했습니다. AI 설비투자가 매출 성장을 앞질러 집행되는 구간이 길어지면 자금 조달 조건이 먼저 틀어지고, 그 시점이 역량의 정체보다 먼저 올 수 있다는 것입니다. 두 지적 모두 에포크 AI의 외삽이 기술적으로 틀렸다고 말하지 않습니다. 기술 추세와 자금 추세가 같은 속도로 가지 않을 수 있다는 지점을 공략합니다.

추론 스케일링은 학습 스케일링을 잠식하지 않습니다

추론 컴퓨트 스케일링의 최근 발전은 패러다임 전환으로 환영받았고, 일부는 이를 학습 스케일링이 느려지거나 멈추리라는 전망과 연결 지었습니다. 에포크 AI는 이 연결이 성립하지 않는다고 봅니다. 추론 모델 역시 학습 컴퓨트의 덕을 보기 때문입니다.

지금까지의 증거는 컴퓨트가 학습과 추론에 상당히 비슷하게 배분되어 왔음을 보여 줍니다. 대형 AI 개발자들의 보고된 지출과 에너지 배분을 보면 학습 컴퓨트와 추론 컴퓨트가 꽤 비슷한 규모입니다. 추론 쪽이 더 많이 받기는 했지만 60-80% 수준이어서 두 배분은 같은 자릿수 안에 머물러 있습니다. 총 설치 AI 컴퓨트가 연 2.3배로 자랐고 이것이 프런티어 AI 학습 클러스터의 성장과 비슷하다는 사실도(Pilz et al. 2025) 학습이 추론과 비슷한 속도로 자라 왔음을 시사합니다.

더 일반적인 논거는 경제적인 것입니다. 학습 컴퓨트와 추론 컴퓨트를 서로 맞바꿀 수 있는 한 AI 연구소들은 양쪽에 비슷한 자원을 계속 배분할 이유가 있습니다. 더 높은 품질의 모델을 학습시키면 주어진 성능 수준에 필요한 추론량이 줄어들고, 고정된 컴퓨트 예산에서는 양쪽에 대략 고르게 배분하는 쪽이 가장 효율적이기 때문입니다(Erdil 2024).

그렇다면 추론이 학습과 다른 속도로 스케일할 이유는 무엇일까요. 에포크 AI가 예상할 수 있는 주된 이유는 학습과 추론 사이의 교환 가능성이 소진되는 경우입니다. 기존 데이터로는 예측하기 어려운 일이며, 지금까지는 그런 교환이 계속 가능한 상태로 남아 있습니다.

한 가지 예외는 가중치 공개 모델입니다. 이 경우 개발자는 학습 컴퓨트만 부담하고 추론 비용은 사용자가 지므로 교환 자체가 성립하지 않습니다. 다만 공개 모델은 프런티어에 뒤처지는 경향이 있어, 그 영역의 다른 스케일링 패턴이 프런티어의 교환 구조에 미치는 영향은 작습니다.

더 그럴듯한 경로는 전력입니다. 대규모 학습 실행이 소수의 데이터센터에 컴퓨트를 집중해야 한다는 제약에 걸리고, 그 전력을 공급할 수 없거나 공급 비용이 크게 오른다면 균형은 추론 쪽으로 기울 것입니다. 그러나 추론이 학습 스케일링을 실제로 깎아내리려면 그런 장애가 극단적이어야 한다고 에포크 AI는 봅니다. 그리고 전력에 관해서는 2030년까지 추세대로 스케일하는 데 장애가 없다고 판단합니다.

해설
학습과 추론을 맞바꿀 수 있다는 말의 구체적인 내용은 각주에 수치로 들어 있습니다. 지금까지의 증거로 보면 모델의 역량을 고정한 채 학습 컴퓨트 한 자릿수를 추론 컴퓨트 한 자릿수와 교환할 수 있습니다. 추론에 100 제타FLOP, 학습에 1 제타FLOP을 쓰는 연구소라면 총 101 제타FLOP을 쓰는 셈인데, 이 교환 관계를 이용하면 추론 10 제타FLOP과 학습 10 제타FLOP, 곧 총 20 제타FLOP으로 같은 품질의 산출을 낼 수 있습니다.

여기서 나오는 결론이 직관에 반합니다. 최적 배분은 로그를 취한 컴퓨트의 교환 비율에 따라 정해지므로, 교환 비율이 아주 크더라도 실제 배분은 꽤 비슷해집니다. 다섯 자릿수 대 한 자릿수라는 극단적인 비율에서도 학습이 전체의 20%를 차지합니다. 추론이 훨씬 중요해 보이는 상황에서도 학습 투자를 크게 줄이는 것이 합리적이지 않다는 것이 이 계산의 요지입니다.

학습 비용은 연 2-3배로 늘어납니다

투자는 컴퓨트를 공급하기 위해 반드시 필요한 것입니다. 컴퓨트가 추세대로 계속 커지려면 2030년까지 수천억 달러의 투자가 들어가야 합니다. 에포크 AI는 이것이 극단적인 요구라는 점을 인정하면서도, 투자자들이 AI가 상당한 경제적 편익을 제공하리라고 믿는다면 정당화된다고 봅니다. AI가 경제 전반의 생산성을 끌어올릴 수 있다면 결국 수조 달러의 경제적 가치가 창출되고, 그 가치가 이 큰 투자를 떠받칩니다. 그리고 이 그림은 현재의 AI 매출 성장 추세와 어긋나지 않으며, 지금의 투자 패턴과 지출 계획이 이미 2028년까지의 스케일링과 부합합니다.

AI 학습 비용은 꾸준히 비싸져 왔습니다. 프런티어 AI 모델 학습 비용은 연 2.5배로 늘어 왔습니다. 현재의 프런티어 모델은 수십억 달러의 하드웨어 투자에 더해 상당한 에너지 비용과 노동 비용을 요구합니다. 컴퓨트의 상각 비용은 수억 달러 수준에 이르고 있으며 둔화할 조짐은 보이지 않습니다.

에포크 AI는 이 추세가 2030년까지 이어질 가능성이 꽤 높다고 봅니다. 근거는 이미 체결된 거래입니다. 다음 세대 AI 클러스터는 이미 2028년치로 가격이 반영되어 있어, 관련 행위자들이 최소 3년 더의 스케일링에 돈을 넣을 의향이 있음을 보여 줍니다.

그렇다면 무엇이 이 투자 추세를 흐트러뜨릴 수 있을까요. AI 규제부터 광범위한 경기 침체나 전쟁에 이르기까지 외부 사건은 분명히 존재합니다. 그런 외부 충격을 빼고 보면, 투자 둔화는 기업들이 학습용 컴퓨트 투자에서 물러나 더 저렴한 추론에 집중하는 모습으로 나타날 것입니다. 이는 역량 진전이 상대적으로 멈춰 선 세계에서 일어날 법한 일입니다. 그런 세계에서 투자자들은 대규모 학습 투자에서 큰 가치를 가져가리라 기대하지 않을 것이고, 수익은 대체로 기존 역량 수준에 가까운 AI 도구를 제공하는 데서 나오게 됩니다.

반대로 추세가 위로 꺾일 가능성도 에포크 AI는 열어 둡니다. 계속되는 AI 스케일링이 AI의 미래 수익에 대한 시장의 확신을 키우는 경우입니다. 충분히 큰 학습 실행 하나가 모든 업무 과업을 자동화할 수 있다고 가정한 단순화된 거시경제 모형에서는, 최적 AI 투자가 세계 GDP의 두 자릿수 퍼센트까지 빠르게 치솟습니다(Erdil et al. 2025).

종합하면 현재의 투자 추세가 이어지리라고 볼 상당히 강한 이유가 있다는 것이 에포크 AI의 결론입니다. AI가 경제 생산성을 크게 개선하리라 기대된다면 투자 추세는 정당화되고, AI 개발자와 칩 제조사의 현재 지출 계획이 현 추세와 부합하므로 최소 2028년까지는 스케일링이 계속되리라는 예측이 뒷받침됩니다.

[관점]
투자가 세계 GDP의 두 자릿수 퍼센트까지 간다는 모형은 그 자체로 읽을 가치가 있습니다. 세계 GDP가 100조 달러를 넘으므로 두 자릿수 퍼센트는 연간 10조 달러 이상을 뜻합니다. 역사적으로 어떤 단일 기술에도 그만한 비중의 자원이 투입된 적이 없습니다.

다만 이 숫자가 나오는 조건을 함께 보아야 합니다. 모형의 전제는 충분히 큰 학습 실행 하나가 모든 업무 과업을 자동화할 수 있다는 것입니다. 전제가 결론을 거의 그대로 담고 있는 구조입니다. 에포크 AI가 이 모형을 자기 중심 전망이 아니라 추세가 위로 꺾일 경우의 참고 사례로만 제시한 것도 그래서로 보입니다.

[한국 관점]
2028년까지의 발주가 이미 끝났다는 사실은 한국 기업의 실적 가시성과 직결됩니다. AI 클러스터 한 기에 들어가는 품목 가운데 HBM, 전력 변환과 배전 설비, 냉각 장비는 국내 기업의 수주 장부에 잡히는 항목이고, 이 수주는 모델이 실제로 돈을 버는지와 무관하게 선행합니다.

이 구조는 양쪽으로 작동합니다. 투자가 계속되는 동안에는 실적이 먼저 보이지만, 투자 사이클이 꺾일 때도 먼저 보이게 됩니다. 에포크 AI가 2028년까지는 비교적 확신하고 그 이후는 매출 성장에 조건을 거는 대목은, 국내 공급망 기업의 관점에서 보면 가시성이 분명한 구간과 그렇지 않은 구간을 가르는 선과 같습니다.

컴퓨트가 이미 개발 비용의 절반입니다

모델 개발 비용을 분해해 보면 컴퓨트가 가장 큰 단일 비용 항목입니다. 공개된 정보를 바탕으로 한 추정에 따르면 AI 칩, 서버 부품, 인터커넥트를 합친 컴퓨트가 프런티어 AI 개발에서 가장 큰 비용을 차지합니다(Cottier et al. 2024). 여기에는 대규모 학습 실행에 쓰인 컴퓨트뿐 아니라 그에 앞선 실험용 컴퓨트도 포함됩니다.

컴퓨트가 아닌 항목 가운데 가장 큰 것은 노동 비용입니다. 연구자 보상이 지출에서 상당한 비중을 차지하며, 최근 보도는 연구자 급여가 앞으로 더 오를 수 있음을 시사합니다(Isaac et al. 2025). 에포크 AI는 컴퓨트 스케일링이 추세대로 이어진다면 컴퓨트가 R&D 인력 대비 지출 비중에서 더 커질 것으로 봅니다. 다만 R&D 인건비가 어떻게 늘어나는지에 관한 공개 데이터가 거의 없어 이 부분의 불확실성은 큽니다.

해설
이 비용 분해는 기업의 재무제표가 아니라 공개 보도와 모델 사양에서 역산한 추정치입니다. 학습에 쓰인 칩의 종류와 수량, 학습 기간을 추정한 뒤 당시 시장 가격과 클라우드 임대료를 곱해 컴퓨트 비용을 구하고, 채용 공고와 보도된 보상 수준으로 인건비를 가늠하는 방식입니다. 따라서 절반이라는 비율은 정밀한 회계 수치가 아니라 자릿수 수준의 추정으로 읽어야 합니다.

연구자 급여가 더 오를 수 있다는 보도는 2025년 여름 메타(Meta)가 경쟁사 연구자를 거액의 보상 패키지로 영입하면서 불거진 인재 경쟁을 가리킵니다. 다만 이 경쟁이 전체 비용 구조에서 차지하는 몫은 컴퓨트에 비하면 작습니다.

매출이 추세대로 자라면 투자와 맞아떨어집니다

스케일링 중심 관점에 가장 흔히 제기되는 반론은 필요한 투자의 규모 자체입니다. AI 개발자들이 대규모 컴퓨트 인프라를 만들기 위해 정말로 수천억 달러를 투자하겠는가 하는 질문입니다.

에포크 AI가 내놓는 답은 매출입니다. 기존의 AI 매출 추세가 이 투자 규모와 이미 부합합니다. 최대 AI 개발자들은 이미 연간 수십억 달러를 버는 것으로 추정되고, 이 매출은 최근 몇 년 연 2-3배로 자라 왔습니다. 이 추세를 2030년까지 연장하면 수천억 달러의 매출이 나옵니다. 매출 성장이 계속된다면 AI 개발자들은 각 단계마다 그 투자의 가치를 보여 주는 분명한 증거를 손에 쥔 채 다음 투자를 집행하게 됩니다.

AI 하드웨어 쪽의 매출 전망과도 어긋나지 않습니다. 엔비디아의 매출이 현재의 주가수익비율(P/E)에 걸맞게 성장한다면, 현재의 마진 수준에서 연 매출이 약 2,000억 달러까지 자라야 합니다. 그리고 하드웨어에 그만큼이 쓰인다는 것은 AI 서비스 전체에는 그보다 더 많은 금액이 지출된다는 뜻입니다(Todd 2024).

[반론]
같은 계산을 반대 방향으로 돌린 글이 있습니다. 세쿼이아캐피털(Sequoia Capital)의 데이비드 칸(David Cahn)은 2024년 6월 글에서 AI 인프라에 들어간 설비투자를 회수하려면 연간 얼마의 매출이 필요한지를 역산했습니다. 엔비디아의 매출에 데이터센터 구축과 운영 비용, 그리고 사업자의 마진을 얹어 올라가면 6,000억 달러라는 숫자가 나오고, 당시 실제로 확인되는 AI 매출과의 격차가 그만큼 크다는 것이 요지였습니다.

두 계산은 같은 숫자를 다른 방향에서 봅니다. 에포크 AI는 매출이 연 2-3배로 자라므로 격차가 메워진다고 보고, 칸은 그 격차가 현재 실재한다는 점에 무게를 둡니다. 어느 쪽이 맞는지는 성장률이 몇 년을 더 버티는가에 달려 있으며, 이는 이 보고서가 스스로 핵심 불확실성으로 지목한 바로 그 지점입니다.

[관점]
엔비디아의 주가수익비율로 미래 매출을 추론하는 논증은 구조를 들여다볼 필요가 있습니다. 이 계산이 말하는 것은 시장이 AI 하드웨어 매출을 얼마로 기대하는가이지, 그 매출이 실제로 발생하는가가 아닙니다.

이 구분이 중요한 이유는 보고서가 그 기대를 투자 지속의 근거로 쓰기 때문입니다. 시장이 그렇게 기대하므로 투자가 계속될 것이고, 투자가 계속되므로 컴퓨트가 계속 커지고, 컴퓨트가 커지므로 역량이 올라가고, 역량이 올라가므로 시장의 기대가 유지된다는 고리입니다. 고리가 돌아가는 동안에는 각 단계가 모두 참이지만, 어느 한 단계가 끊기면 나머지도 함께 끊깁니다. 이 보고서가 그리는 2030년이 기술적 전망인 동시에 금융적 전망이기도 한 이유가 여기 있습니다.

데이터셋은 계속 커지되 구성이 달라집니다

데이터는 여러 방식으로 AI 개발에 결정적입니다. 에포크 AI는 두 갈래로 나누어 설명합니다. 첫째이자 아마도 가장 중요한 것은, 크고 범용적인 데이터셋이 언어와 이미지를 비롯한 생성 체계의 사전학습을 키우는 데 필수적이었다는 점입니다. 학습 컴퓨트의 증가는 모델 크기의 증가와 데이터셋 크기의 증가 양쪽에서 왔습니다. 데이터셋을 키우는 일은 오늘날 더욱 중요해졌을 수 있는데, 데이터가 더 있어야만 모델 크기를 효율적으로 키울 수 있기 때문입니다.

둘째는 여러 종류의 전문 데이터가 필요하다는 점입니다. 범용 AI 모델에서 전문 데이터는 베이스 모델을 사후학습해 더 사용자 친화적이고 안전한 채팅 모델로 만드는 데 쓰입니다. 전문 사후학습 데이터는 추론, 코딩, 계획처럼 널리 유용한 기술의 성능을 높이는 데도 중요합니다. 단백질 구조 예측 같은 더 좁은 응용에서는 해당 도메인의 데이터로 학습시킬 필요가 명백합니다.

추세부터 보겠습니다. 프런티어 언어모델의 학습 데이터셋은 연 2.7배로 늘어 왔습니다. 초기의 언어모델은 요약이나 질의응답 같은 특정 목적의 말뭉치로 학습되었습니다. 원래의 GPT 논문이 대규모 범용 사전학습으로의 전환을 표시한 분기점이었고, 그 뒤로 LLM은 인터넷 전반에서 긁어모은 점점 더 많은 양의 텍스트로 학습되기 시작했습니다.

학습 컴퓨트를 계속 키우려면 기업들은 데이터셋 크기도 계속 키울 가능성이 높습니다. 다만 데이터셋의 구성은 크게 달라질 수 있습니다. 특히 학습 컴퓨트가 추론 학습 쪽으로 옮겨 갈 수 있는데, 추론 학습은 인간이 만든 데이터를 훨씬 적게 씁니다.

에포크 AI가 드는 사례는 딥시크 R1입니다. 이 모델의 추론 학습은 수천만 토큰 규모의 인간 생성 검증 가능 데이터를 쓴 것으로 추정되는데, 그것이 강화학습용으로 수조 토큰의 생성 데이터를 낳았습니다. 따라서 인간이 만든 데이터만 세는 경우 데이터셋 성장은 앞으로 몇 년간 둔화할 수 있습니다.

해설
데이터가 더 있어야 모델 크기를 효율적으로 키울 수 있다는 말은 친칠라(Chinchilla) 결과를 가리킵니다. 2022년 딥마인드 연구진은 주어진 연산 예산에서 모델 파라미터 수와 학습 토큰 수를 대략 같은 비율로 함께 늘리는 것이 최적임을 보였습니다. 그 전까지의 대형 모델들은 크기에 비해 데이터를 덜 먹인 상태였다는 뜻입니다.

본문에 나오는 과잉학습이라는 말은 그 반대 방향의 선택입니다. 최적 비율보다 데이터를 훨씬 많이 먹여 모델을 작게 유지하는 방식인데, 추론 비용을 아끼려는 상업적 이유에서 널리 쓰입니다. 데이터 재고가 언제 소진되는가 하는 계산에서 과잉학습이 변수로 등장하는 이유가 여기 있습니다. 같은 연산량이라도 과잉학습을 하면 데이터를 훨씬 빨리 태웁니다.

데이터는 바닥나지 않지만 인간이 쓴 텍스트는 바닥날 수 있습니다

데이터 사용 추세는 공개 텍스트 데이터의 재고가 머지않아 소진될 수 있음을 보여 줍니다. 인간이 만든 공개 텍스트의 재고는 크기는 해도 유한해서 10의 14제곱에서 10의 15제곱 토큰 사이로 추정되는데, 현재 추세대로라면 프런티어 학습 실행이 2030년 이전에 그 재고 전체를 써 버릴 수 있습니다. 모델을 과잉학습시키는 경우에는 더 빨리 그렇게 됩니다. 에포크 AI는 여기에 두 가지 중요한 반론을 답니다. 멀티모달 데이터와 합성 데이터입니다.

멀티모달 데이터부터 보겠습니다. 범용 모델은 이미 이미지와 영상과 오디오로 점점 더 많이 학습되고 있습니다. 이런 데이터를 텍스트와 어떻게 등가로 환산할지는 분명하지 않지만, 기존의 토큰화 방식을 기준으로 가정하면 멀티모달 데이터는 공개 데이터 재고를 10배 이상 늘릴 수 있습니다. 역사적인 컴퓨트 스케일링 속도에서 그 정도면 사전학습 데이터셋이 2030년까지 계속 커질 수 있습니다.

다만 조건이 붙습니다. 그런 데이터로 학습하는 일이 가치 있는 AI 역량에서 그에 상응하는 개선을 내놓아야 한다는 것입니다. 현재 비텍스트 양식의 성능은 텍스트보다 뒤처져 있다고 볼 만합니다. 시각 질의응답 벤치마크는 순수 언어 벤치마크보다 더 단순한 질문에서도 인간 수준 아래에 머물러 있습니다. 따라서 단기적으로는 멀티모달 데이터의 상당한 스케일링을 예상해야 하지만, 연구소들이 그 방향을 더 밀고 나갈지는 불확실합니다.

합성 데이터는 최근 중요성이 부쩍 커졌습니다. 최신 세대의 프런티어 LLM이 합성 데이터를 많이 쓴다고 널리 믿어지기 때문입니다. 여기에는 구조적인 이유가 있습니다. 많은 도메인에서 해답을 만들어 내기는 어려워도 검증하기는 쉽습니다.

테스트가 딸린 소프트웨어 공학 문제가 대표적입니다. 해답을 높은 확신으로 검증하기 어려운 도메인에서도 기존 LLM이 채점기 역할을 할 수 있습니다. 합성 데이터의 이득이 얼마나 넓고 얼마나 오래갈지는 불확실하지만, 현재의 진전은 그것이 추가 스케일링의 중요한 방향이 되리라고 시사합니다.

규모의 감을 잡게 해 주는 숫자도 제시됩니다. 2024년 초 오픈AI는 하루 1,000억 토큰 규모를 생성하고 있었고 그 이후 사용량은 더 늘었을 것입니다. 이것이 그들이 만들어 낼 수 있는 합성 학습 데이터의 그럴듯한 양을 보여 줍니다.

연간 수십조 토큰씩 가용 데이터 재고를 늘리는 셈입니다. 덧붙여 합성 데이터로 학습하는 일은 기존 데이터로 그냥 학습하는 것보다 컴퓨트를 더 많이 씁니다. 모델이 단계를 제안하도록 여러 차례 추론을 돌려야 하고, 환경을 시뮬레이션하는 연산이 필요하며, 강화학습 신호를 주는 채점 모델의 추론도 들어가기 때문입니다.

요컨대 전통적인 사전학습 텍스트 데이터원은 머지않아 소진될 가능성이 높지만, 그것이 추가 컴퓨트 스케일링을 막지는 않으리라는 것이 에포크 AI의 결론입니다. 멀티모달 데이터와 합성 데이터 가운데 하나가 다루기 쉽고 가치 있다고 판명되는 한, 2030년까지 현 추세로 스케일할 데이터는 충분합니다. 합성 데이터의 일반화가 특히 잘 된다면 범용 데이터 스케일링은 영영 병목이 되지 않을 수도 있습니다.

해설
10의 15제곱 토큰이라는 재고는 감을 잡기 어려운 숫자입니다. 대략의 비유로는 위키백과 영어판 전체가 수십억 토큰 수준이고, 웹 크롤링 자료의 대표 격인 커먼크롤(Common Crawl)에서 중복을 걸러 낸 양이 수조 토큰 수준입니다. 10의 15제곱, 곧 1,000조 토큰이라는 추정은 공개되어 있고 긁어 올 수 있는 텍스트를 품질 기준을 많이 낮춰 모두 센 상한에 가깝습니다.

에포크 AI가 재고를 범위로만 제시하고 한 자릿수의 폭을 둔 것도 그래서입니다. 무엇을 쓸 만한 텍스트로 칠 것인가에 따라 열 배가 왔다 갔다 합니다.

[반론]
합성 데이터로 데이터 부족을 우회한다는 전망에는 유력한 반대 증거가 있습니다. 일리아 슈마일로프(Ilia Shumailov)를 비롯한 연구진은 2024년 7월 네이처(Nature)에 실린 논문에서, 모델이 생성한 데이터로 다시 모델을 학습시키는 과정을 반복하면 분포의 꼬리가 먼저 사라지고 결국 모델이 붕괴한다는 결과를 보고했습니다. 모델 붕괴라는 이름으로 알려진 현상입니다.

에포크 AI도 이 문제를 각주에서 인정합니다. LLM은 자신이 학습한 분포를 반영하는 데이터만 생성할 수 있는데 정작 중요한 역량은 그 분포 바깥에 있을지 모른다는 것입니다. 다만 합성 데이터가 베이스 모델의 분포만으로 만들어지는 것은 아니라는 점, 곧 실행 결과나 테스트 통과 여부 같은 외부 검증 신호가 함께 들어온다는 점을 들어 반박합니다. 쟁점은 그 외부 신호가 얼마나 넓은 영역에서 확보되는가로 좁혀집니다.

[한국 관점]
공개 인간 생성 텍스트의 재고가 소진된다는 진단은 언어마다 다른 속도로 닥칩니다. 웹에 축적된 텍스트의 압도적 다수가 영어이고 한국어의 몫은 그 일부에 그치므로, 한국어 데이터는 영어 데이터보다 훨씬 이른 단계에서 이미 희소합니다.

보고서 본문의 논리를 그대로 가져오면 이 점이 분명해집니다. 에포크 AI는 공개 코드가 적은 프로그래밍 언어에서 모델 성능이 떨어지고 그것이 학습 데이터를 반영한다고 적었습니다. 같은 논리가 자연어에도 작용합니다. 국내에서 소버린 AI 논의가 자체 모델 개발과 나란히 데이터 확보를 늘 함께 거론하는 이유도 여기에 있으며, 합성 데이터가 해법이 될지 여부는 검증 신호를 붙이기 쉬운 영역이 한국어에서 얼마나 확보되는가에 달려 있습니다.

전문 데이터의 가치가 올라갑니다

스케일링이 AI 역량을 계속 개선한다면 어떤 종류의 데이터가 더 가치 있어질까요. 에포크 AI는 이 질문에 기댈 실증 증거가 거의 없다고 전제한 뒤, 직관적으로 따라 나오는 함의를 짚습니다.

범용 AI 모델에서 중요해질 데이터로는 세 가지를 꼽습니다.

• 검증하기 쉬운 난제 — 해답을 쉽게 검증할 수 있으면서 경제적으로 가치 있는 역량과 연결된 까다로운 문제들입니다. 대표적인 예가 어렵지만 검증은 쉬운 소프트웨어 공학 문제입니다. 추론 사후학습용 합성 데이터를 만드는 데 쓸 수 있어 특히 가치가 큽니다. AI 개발자들이 까다로운 벤치마크를 개발하는 데 공을 들이고 있다는 사실에서 이미 그 증거가 보입니다.
• 소프트 기술 데이터 — 문체나 어조처럼 모델의 부드러운 측면을 특히 개선하는 데이터입니다. 합성 데이터로 해결되지 않는 범위에서 그렇습니다. 에포크 AI는 이것이 꽤 추측에 가깝다고 인정하면서도, AI 기업들이 시스템 프롬프트 최적화에 전념하는 연구자를 고용하고 선별된 예시 데이터를 준비하는 대규모 파이프라인에 투자한다는 점을 일부 증거로 듭니다.
• 지식을 넓히는 데이터 — 가치 있는 영역에서 모델의 지식을 확장하는 데이터이며, 특히 합성 데이터만 쓰는 것보다 효율적으로 그 일을 해내는 경우입니다. 많은 AI 개발자가 코딩 조수를 만들고 있는데, 사전학습용 공개 코드가 적은 프로그래밍 언어에서 성능이 떨어지는 것 같은 핵심 한계를 메우는 데이터가 여기 해당합니다.

세 번째 항목에는 중요한 단서가 붙습니다. 이 한계를 합성 데이터로 메우는 편이 나을지 기존 데이터를 더 모으는 편이 나을지가 분명하지 않다는 것입니다. 그리고 그보다 더 중요한 변수로 에포크 AI가 꼽는 것은 모델이 검색 도구를 써서 학습된 지식을 보강하는 데 얼마나 능숙해지는가입니다. 모델이 검색을 잘하게 되면 가치의 구조 자체가 바뀝니다. 검색으로 얻을 수 있는 데이터는 AI 개발자가 미리 수집해 둘 필요가 줄어들기 때문입니다.

더 좁은 AI 모델에서는 답이 단순합니다. 해당 응용을 다루는 데이터입니다. 이 보고서의 초점인 과학 R&D에서 관련된 예는 생체분자의 구조와 상호작용 데이터입니다.

단백질의 실험 구조를 모아 둔 기존 데이터베이스가 알파폴드 학습에 필수적이었고, 앞으로는 비슷한 데이터베이스가 더 넓은 범위의 분자와 그 속성을 다뤄야 합니다. 일반적으로 이런 데이터는 두 조건이 겹칠 때 결정적이 됩니다. 다른 데이터로부터의 전이 학습을 기대할 이유가 없을 때, 그리고 수집에 전문 지식이나 기술이나 장비가 필요할 때입니다.

해설
검증하기 쉬운 난제가 왜 특별히 가치 있는지는 추론 학습의 작동 방식과 맞물려 있습니다. 검증 가능한 보상을 이용한 강화학습(RLVR)에서 모델은 문제를 여러 방식으로 풀어 보고, 자동으로 매겨진 정답 여부를 신호 삼아 풀이 과정을 다듬습니다.

이 구조에서 정말 희소한 자원은 문제 자체가 아니라 채점기입니다. 단위 테스트가 딸린 코드나 수치 답이 정해진 수학 문제는 채점이 공짜에 가깝지만, 좋은 글이나 타당한 실험 설계는 그렇지 않습니다. 보고서가 소프트웨어 공학과 수학을 가장 자신 있게 예측하고 분자생물학과 기상예측을 조심스럽게 다루는 차이도 결국 여기서 갈립니다.

[관점]
검색 도구가 좋아지면 데이터 수집의 유인이 줄어든다는 지적은 데이터 경제의 방향을 뒤집을 수 있는 대목입니다. 지난 몇 년간 데이터 보유자와 AI 개발자 사이의 협상은 모델에 집어넣을 말뭉치를 두고 벌어졌습니다. 모델이 그때그때 찾아 쓰는 쪽으로 옮겨 가면 협상의 대상은 말뭉치가 아니라 접근권과 호출 단가가 됩니다.

에포크 AI는 이 가능성을 한 문단으로 짚고 넘어가지만 함의는 작지 않습니다. 보고서가 앞서 전문 데이터의 가치가 올라간다고 말한 것과 이 지적은 서로 반대 방향을 가리킵니다. 어느 쪽이 우세할지는 기술이 아니라 계약과 제도가 결정할 공산이 크고, 그 부분은 이 보고서의 시야 밖에 있습니다.

컴퓨트 성장은 칩 수에서 옵니다

전용 하드웨어는 현대 AI 개발에 필수적이었고 여전히 진보의 핵심 동력입니다. 에포크 AI는 이 절에서 세 가지를 보입니다. 학습 컴퓨트 성장의 대부분이 클러스터 크기 확대에서 왔다는 것, 그 확대가 다음 세대 클러스터에서도 이어질 가능성이 높다는 것, 그리고 분산 학습이 컴퓨트를 한곳에 모아야 할 필요를 줄여 스케일링을 더 쉽게 만들 수 있다는 것입니다.

성장의 출처부터 분해해 보겠습니다. 2018년 이후 프런티어 AI 모델에서 컴퓨트 스케일링의 대부분은 가속기를 더 많이 병렬로 돌리는 데서 왔습니다. 곧 클러스터 크기의 증가입니다. 하드웨어 성능 개선은 클러스터 크기 증가나 학습 기간 증가보다 작은 몫을 차지했습니다.

학습 기간이 큰 기여를 하지 못하는 데는 구조적인 이유가 있습니다. 알고리즘 진보와 하드웨어 진보가 긴 학습 실행을 억제하기 때문입니다. 학습이 너무 길면 나중에 시작해 그사이의 진보를 누리는 학습에 추월당할 위험이 생깁니다(Sevilla et al. 2022). 이는 학습 실행의 길이에 사실상 한계가 있고, 오늘날의 전형적인 기간인 몇 달에서 크게 늘어나지 않을 수 있음을 시사합니다.

한편 AI 하드웨어 자체는 계속 개선될 가능성이 높습니다. 이론적 분석은 최소 50배의 추가 개선 여지가 있어 현 추세로 2030년을 훨씬 넘어서까지 이어질 수 있음을 시사합니다(Ho et al. 2023). 물론 실제로는 더 일찍 문제가 생길 수 있습니다.

마이크로프로세서에서 데너드 스케일링이 끝난 것처럼 AI 칩의 진보도 느려질 수 있습니다. 에포크 AI는 아직 그런 증거가 없고 다가오는 칩 세대가 진보의 지속을 시사한다고 봅니다. 구체적인 근거로는 GPU의 달러당 성능이 연평균 1.3배씩 올라 왔다는 점, 그리고 엔비디아 B100이 H100의 약 1.7배 성능을 약 1년 반 뒤에 비슷한 출시 가격으로 내놓았다는 점을 듭니다.

[한국 관점]
성장의 출처가 칩 수량이라는 분해는 한국 공급망에 직접 닿습니다. 클러스터 크기가 커지는 방식의 성장은 가속기 수요를 그대로 늘리고, 가속기 한 장마다 HBM가 따라 붙습니다. 달러당 성능이 연 1.3배로 개선된다는 수치도 같은 방향으로 작동하는데, 세대가 바뀔 때마다 메모리 대역폭 요구가 함께 올라가기 때문입니다.

다만 이 의존은 한 방향이 아닙니다. 본문이 제시한 네 가지 교란 요인 가운데 하드웨어의 돌파가 현실이 되면, 곧 연산 방식이나 메모리 구조에서 지금과 다른 해법이 자리 잡으면 수요의 모양이 바뀝니다. 국내 기업의 위치는 현재 구조가 유지되는 동안 가장 강하고, 그 구조 자체가 바뀌는 국면에서 가장 시험받습니다.

다음 세대 클러스터는 이미 가격에 반영되어 있습니다

다음 세대 AI 클러스터는 스케일링이 계속될지를 가늠하는 데 유용한 증거를 줍니다. AI 클러스터 하드웨어를 사기 위한 선투자는 연 1.9배로 늘어 왔고, 수십억 달러어치 칩을 담은 대형 클러스터가 이미 건설되고 있습니다. 엔비디아 기반의 최대 AI 클러스터는 이미 10만 개가 넘는 H100 GPU로 구성되어 있으며, 그보다 큰 클러스터가 향후 1년 안에 지어지는 중입니다. 에포크 AI는 이것이 최소 한 세대 더의 AI 모델에서 컴퓨트 스케일링이 계속되리라는 점을 강하게 시사한다고 봅니다.

이 추세가 바뀔 수 있는 주요 이유로는 네 가지를 꼽습니다. 투자 의향의 변화, 하드웨어에서의 돌파, 학습에서의 돌파, 그리고 클러스터가 학습에서 추론으로 용도 변경되는 것입니다. 이 가운데 둘은 앞에서 이미 다루었습니다. 역량이 계속 스케일한다면 AI 개발에 계속 투자할 상당한 동기가 있다는 점, 그리고 클러스터를 추론으로 돌리는 일이 학습 추세를 늦출 만큼 큰 규모로 일어날 가능성은 낮다는 점입니다.

남는 것은 학습 효율에서의 돌파, 곧 알고리즘이나 하드웨어에서 큰 진전이 나오는 경우입니다. 에포크 AI는 그런 가능성이 분명히 존재한다고 인정하면서도 기본 예측에는 넣지 않습니다. 근거는 역사적 관찰입니다. 트랜스포머 구조만큼 큰 알고리즘 혁신도 이 추세를 교란하지 못했는데, 앞으로 5년 안에 그런 교란이 일어날 가능성은 낮아 보인다는 것입니다.

해설
10만 개가 넘는 H100이라는 규모는 전력으로 환산하면 감이 잡힙니다. H100 한 장의 설계 전력이 700와트 수준이고 서버와 냉각 설비를 포함한 실제 소모는 그보다 큽니다. 10만 장 규모의 클러스터는 100메가와트대 전력을 상시로 끌어다 쓴다는 뜻이고, 이는 중형 도시 하나의 수요에 해당합니다.

이 절에 나오는 성장률들이 서로 맞물리는 방식도 확인해 둘 만합니다. 클러스터 선투자가 연 1.9배로 늘고 달러당 성능이 연 1.3배로 좋아지면, 설치되는 연산 능력은 연 2.5배 안팎으로 늘어납니다. 앞서 나온 총 설치 용량 연 2.3배와 대체로 들어맞는 수치입니다. 그런데 프런티어 학습 실행은 연 4-5배로 커집니다. 차이는 가장 큰 학습 실행 하나가 전체 설치 용량에서 차지하는 몫이 해마다 커진다는 가정에서 나옵니다.

[관점]
트랜스포머를 근거로 삼는 논증은 뒤집어 보면 약한 구석이 있습니다. 트랜스포머는 추세를 교란하지 않은 것이 아니라, 추세를 위로 밀어 올린 혁신이었습니다. 더 적은 연산으로 같은 성능을 내게 만든 것이 아니라 연산을 더 쓸 수 있는 길을 열었기 때문입니다.

에포크 AI가 걱정하지 않겠다고 말한 돌파는 그와 반대 방향의 것, 곧 연산 수요 자체를 크게 줄이는 혁신입니다. 과거에 그런 종류의 돌파가 없었다는 사실은 앞으로도 없으리라는 근거가 되기에는 약합니다. 다만 이 반대 방향의 돌파가 일어난다면 보고서의 역량 예측은 유지되고 투자와 전력 예측만 낮아지므로, 결론에 미치는 영향은 비대칭적입니다.

학습은 여러 클러스터로 분산됩니다

개별 AI 클러스터가 전례 없는 크기에 이르는 것과 동시에, AI 개발의 변화가 컴퓨트를 한곳에 모아야 할 필요를 완화해 스케일링을 더 쉽게 만들 수 있습니다. 최근까지 프런티어 AI 모델은 개별 클러스터로 학습되었지만, 여러 정황이 그 전제가 바뀌고 있음을 보여 줍니다. 제미나이 울트라의 개발에 복수 데이터센터 학습이 기여했다는 사실이 공식적으로 보고된 것이 대표적입니다. 학습 실행에 관여하는 칩의 수는 계속 늘어나되 반드시 한 데이터센터 안은 아니게 됩니다.

합성 데이터와 추론 스케일링으로의 이동은 이 흐름을 더 밀어붙일 수 있습니다. 합성 데이터를 만드는 데 많은 추론 컴퓨트가 필요하다면, 그 작업은 여러 지점에 나누어 수행하기가 더 쉽습니다. 그리고 추론 스케일링이 생성 데이터의 품질을 높인다면, 학습을 위한 목적에서도 집중적인 추론 스케일링을 선호하게 될 수 있습니다.

반대 방향으로 작용하는 요인도 에포크 AI는 짚어 둡니다. 모델 가중치를 보호해야 할 필요가 커지는 것처럼 중앙집중을 선호하게 만드는 요인들입니다. 다만 그런 목표가 전체적으로 어떤 영향을 미칠지는 예측하기가 더 어렵다고 봅니다. 여러 학습 클러스터를 각각 보호하고 그 사이의 통신을 암호화하는 것으로 충분할 수도 있기 때문입니다.

해설
학습을 여러 데이터센터로 쪼개는 일이 왜 어려웠는지는 통신량의 문제입니다. 대규모 모델 학습에서는 각 단계마다 모든 가속기가 서로 기울기를 주고받아야 하고, 이 통신이 느리면 연산 장치가 놀게 됩니다. 한 건물 안에서는 초당 수백 기가비트의 전용 연결을 깔 수 있지만, 수백 킬로미터 떨어진 두 건물 사이에는 그만한 대역폭을 같은 비용으로 깔 수 없습니다.

이 제약을 우회하는 방법은 통신 빈도를 줄이도록 학습 절차를 바꾸는 것입니다. 사이트 안에서는 자주 주고받고 사이트 사이에서는 드물게 주고받는 계층적 방식이 대표적입니다. 합성 데이터 생성처럼 서로 독립적으로 돌릴 수 있는 작업의 비중이 커질수록 이 문제는 더 쉬워집니다.

[관점]
분산 학습은 거버넌스 쪽에서 더 큰 함의를 갖습니다. 지난 몇 년의 AI 통제 논의는 대형 학습이 한곳에 모인 거대한 클러스터를 필요로 한다는 전제 위에서 설계되었습니다. 칩의 흐름을 추적하고 대형 데이터센터를 감시하면 프런티어 학습을 포착할 수 있다는 발상이 수출통제와 컴퓨트 거버넌스 제안의 밑바탕이었습니다.

학습이 여러 지점으로 흩어지고 그중 상당 부분이 느슨하게 연결된 추론 작업으로 바뀌면 그 전제가 약해집니다. 에포크 AI는 이 변화를 스케일링을 쉽게 만드는 요인으로만 짚고 지나가지만, 같은 사실은 감독을 어렵게 만드는 요인이기도 합니다. 보고서가 위험을 다루지 않겠다고 밝힌 범위 설정이 어디서 비용을 치르는지를 보여 주는 대목입니다.

전력 수요는 연 2.1배로 늘어 10기가와트에 이릅니다

프런티어 AI 학습의 전력 수요는 연 2.1배로 늘어 왔습니다. 같은 기간 학습 기간도 함께 늘었기 때문에 프런티어 학습의 총 에너지 사용은 연 3배 가까이 늘었습니다. 다만 이 숫자들은 개별 모델 하나를 학습시키는 일의 추세를 재는 값입니다. 대부분의 조직은 한 해에 여러 모델을 학습시키고 실험에도 컴퓨트를 쓰므로, 조직 전체의 에너지 사용은 이보다 큽니다.

추론 쪽은 기록이 훨씬 부실합니다. 오픈AI처럼 대형 프런티어 모델에만 집중하는 개발자는 추론과 학습에 비슷한 금액을 쓴 것으로 보도되었습니다(Snodin et al. 2025). 메타처럼 훨씬 작은 모델을 대량으로 배포하는 개발자는 총 AI 컴퓨트의 약 20%를 대규모 학습 클러스터에 할당한다고 밝히고 있습니다. 다만 나머지 80% 가운데 얼마가 추론인지는 불확실합니다. 작은 모델들도 각자 학습이 필요하기 때문입니다(Wu et al. 2022).

AI 전체에 들어가는 전력량은 추적하기도 어렵고 예측하기는 더 어렵습니다. 학습과 추론을 합치고 프런티어가 아닌 모델까지 포함한 값이기 때문입니다. AI 칩 생산량과 하이퍼스케일러의 설비투자 계획에 기반한 전망은 연 1.5-2배 사이의 증가를 시사합니다(You and Owen 2025). 이 수치는 개별 학습 실행이 더 빠르게 커지는 것과 양립합니다. 가장 큰 학습 실행이 전체 AI 에너지 사용에서 차지하는 몫이 커지면 되기 때문입니다.

필요한 전력은 프런티어 학습에 중대한 도전이 됩니다. 오늘날 최대 학습 실행은 이미 100메가와트를 넘겨 쓰고 있고, 추세가 이어지면 2030년의 최대 학습 실행은 약 10기가와트를 요구합니다. 이 정도 소비는 가장 큰 몇 곳을 제외한 모든 발전소의 발전량을 넘어서며 엄청난 조직적 과제를 제기합니다. 에포크 AI는 이것이 둔화로 이어질 가능성을 인정합니다. 저기가와트급을 넘어서는 학습 실행은 2030년까지 물류적으로 불가능할 수도 있다는 것입니다.

그럼에도 둔화하지 않을 이유로 두 가지를 듭니다. 하나는 앞서 다룬 분산 학습입니다. 프런티어 학습 실행은 이미 여러 데이터센터로 지리적으로 흩어지기 시작했고 이것이 어려움을 덜어 줍니다.

다른 하나는 전력 공급을 빠르게 늘리는 방법들이 존재한다는 점입니다. 태양광과 배터리의 조합, 또는 계통과 분리된 가스 발전이 그런 예입니다(Datta and Fist 2025). AI 스케일업 수요가 현 추세대로 이어진다면 최대 학습 실행은 적어도 수 기가와트에는 이를 것이고, 이는 이미 계획된 클러스터 건설 규모와 부합합니다.

[한국 관점]
전력은 한국에서 이 보고서의 다른 어떤 투입보다 날카로운 제약입니다. 문제의 성격이 총량이 아니라 위치이기 때문입니다. 국내 데이터센터 수요는 수도권에 몰려 있는 반면 대규모 발전 설비는 해안에 몰려 있어, 전력이 충분해도 그것을 필요한 곳까지 보내는 송전 용량이 먼저 걸립니다.

보고서가 제시한 완화책 가운데 분산 학습은 이 제약과 잘 맞물리지만 계통과 분리된 가스 발전은 그렇지 않습니다. 후자는 입지와 배출 규제 양쪽에서 국내 여건과 충돌합니다. 2030년까지 국내에 기가와트급 AI 클러스터가 들어설 수 있는가 하는 질문은, 돈이나 칩의 문제라기보다 송전망 증설과 입지 분산이 얼마나 앞당겨지는가의 문제에 가깝습니다.

배출량은 세계 전체의 0.03-0.3%가 됩니다

지금까지 AI는 데이터센터 에너지 소비를 늘리는 방식으로 순 탄소배출을 증가시킨 것으로 보입니다. 구글의 상쇄 전 기본 탄소배출은 2019년에서 2024년 사이 48% 늘었고, 그 증가의 상당 부분이 AI 데이터센터에서 왔습니다(Google Sustainability 2024).

데이터센터의 배출원은 둘로 나뉩니다. 건설과 하드웨어 제조에서 나오는 내재 배출, 그리고 데이터센터에 공급되는 에너지에서 나오는 운영 배출입니다. 에포크 AI의 분석은 에너지 공급에 초점을 맞추는데, 선도 AI 데이터센터 총 배출의 70% 이상을 그쪽이 차지하는 것으로 추정되기 때문입니다.

결론은 범위로 제시됩니다. 데이터센터에 공급될 에너지 믹스에 따라 AI는 2030년 세계 배출의 0.03%에서 0.3% 사이를 차지합니다. 상당한 추가이기는 하지만, AI와 비AI를 합친 모든 데이터센터가 이미 내고 있는 배출, 곧 2025년 기준 1억 8,000만 톤보다는 작습니다(IEA 2025c). 범위의 하단은 공격적인 하한으로 사실상 대규모 태양광 공급에 의존하는 값이고, 상단은 현재 계통 평균 탄소집약도에 기반한 값이며 이는 천연가스의 탄소집약도와도 비슷한 수준입니다.

에포크 AI는 이 계산의 가정을 모두 공개합니다. 가정은 다음과 같습니다.

• 배출 범위 — 제조와 건설에서 나오는 내재 배출은 빼고 운영 배출에만 초점을 맞춥니다.
• 출발점 — AI 데이터센터가 2023년에 약 10테라와트시를 썼다고 가정하며, 이는 2023년 엔비디아 하드웨어 판매에 기반한 추정 범위의 높은 쪽을 취한 값입니다.
• 교차 검증 — 2024년 중반까지 370만 개의 H100 환산 칩이 가용했고, 이것들을 모두 H100의 700와트 효율로 쉬지 않고 돌리면 약 23테라와트시가 됩니다. 2023년 추정치보다 높은 것이 자연스러우므로 두 숫자는 꽤 일관됩니다.
• 전력 수요 — 세계 총 전력 수요의 출발점을 23,000테라와트시로 두고, AI를 뺀 나머지가 최근 추세인 연 2.7%로 자라 2030년 26,300테라와트시가 된다고 가정합니다. 비AI 수요가 전기차 보급 등으로 이보다 빨리 자라면 AI의 비중은 더 작아지므로 보수적인 가정입니다.
• 배출 기준선 — 2024년 세계 총 배출은 374억 톤이었고, 비AI 배출이 10년당 7%의 추세로 자라 387억 톤이 된다고 비관적으로 가정합니다.

계산의 결과는 이렇습니다. AI 전용 전력 소비가 연 2배로 늘어난다고 가정하면, 곧 학습 컴퓨트의 연 4-5배 성장과 연결된 현 추세를 따르면 2030년에 640테라와트시에 이르고 이는 총 전력 수요의 2.4%입니다. 세계 계통 평균 탄소집약도인 킬로와트시당 400그램의 에너지 믹스라면 배출은 1억 2,400만 톤이 되고, 이는 2030년 배출의 약 0.3%입니다. 탄소집약도가 태양광 패널 수준인 킬로와트시당 40그램이라면 약 0.03%가 됩니다.

에포크 AI는 더 비관적인 시나리오도 각주에서 짚습니다. 순 효과가 석탄 수준의 탄소집약도에 해당하는 경우입니다. AI의 에너지 수요가 선진국에서 기존 석탄 발전소를 계속 가동시키고 중국 같은 나라에서 석탄 발전소를 더 짓게 만든다면 생각해 볼 수 있는 시나리오입니다. 다만 지금까지 데이터센터의 실적과 청정에너지로의 사회적 전환을 고려하면 현재 계통 평균이 실무적으로 더 설득력 있는 상한이라고 봅니다.

해설
탄소집약도는 전기 1킬로와트시를 만들 때 나오는 온실가스를 이산화탄소 환산량으로 잰 값입니다. 본문의 두 수치가 범위의 양끝을 만듭니다. 세계 계통 평균인 400그램은 석탄과 가스와 원자력과 재생에너지가 섞인 현재 전력망의 평균이고, 40그램은 태양광 발전의 생애주기 배출, 곧 패널 제조와 설치까지 포함한 값입니다.

범위가 열 배로 벌어지는 이유가 여기 있습니다. AI가 얼마나 많은 전기를 쓰는가보다 그 전기를 무엇으로 만드는가가 배출을 더 크게 좌우합니다. 이 점은 뒤의 상쇄 논의로 곧장 이어집니다.

[관점]
공개된 계산 안에 맞지 않는 대목이 하나 있습니다. 에포크 AI는 2030년 AI 전용 전력 소비를 640테라와트시, 총 전력 수요의 2.4%로 제시한 직후에 배출을 1억 2,400만 톤으로 계산합니다. 그런데 킬로와트시당 400그램을 640테라와트시에 곱하면 2억 5,600만 톤이 나옵니다. 1억 2,400만 톤이라는 값은 310테라와트시 안팎, 곧 보고서 본문이 다른 곳에서 제시한 1.2% 시나리오에 대응하는 전력량에서 나오는 숫자입니다.

0.03%라는 하단도 마찬가지입니다. 킬로와트시당 40그램을 310테라와트시에 곱하면 0.03%가 나오지만 640테라와트시에 곱하면 0.07% 가까이 됩니다. 두 배의 차이이므로 결론의 성격을 바꿀 만한 오차는 아니지만, 상자 안에서 전력량 가정과 배출 계산이 서로 다른 시나리오를 쓰고 있다는 점은 짚어 둘 만합니다. 이 보고서를 인용할 때는 0.03-0.3%라는 범위가 2.4%가 아니라 1.2%의 전력 시나리오에 대응한다는 점을 함께 적는 편이 정확합니다.

상쇄의 세 가지 경로

AI가 늘린 배출이 의미 있게 상쇄될 수 있는가 하는 질문에 에포크 AI는 세 가지 경로를 놓고 답합니다. 저탄소 에너지를 크게 늘려 AI 데이터센터를 통째로 상쇄하는 경로, AI 알고리즘과 하드웨어의 효율이 충분히 개선되어 에너지 소비 추세 자체를 바꾸는 경로, 그리고 하류의 AI 응용이 다른 곳의 배출을 충분히 낮추는 경로입니다.

첫째 경로부터 보겠습니다. AI 데이터센터는 이미 태양광과 풍력과 수력을 상당히 쓰고 있지만, 간헐적인 태양광과 풍력을 보완할 안정적 기저부하를 위해 다른 에너지원도 자주 씁니다. 그런데 에포크 AI는 질문이 그보다 복잡하다고 지적합니다. 데이터센터가 재생에너지에 의존하면서 다른 수요를 비재생 에너지원으로 밀어낸다면 순 효과는 배출 증가이기 때문입니다. 따라서 진짜 질문은 재생에너지를 AI 수요 증가에 맞출 만큼 빠르게 늘릴 수 있는가가 됩니다.

답은 어렵지만 그럴듯하다는 쪽입니다. 재생에너지는 2023년 세계 발전의 30%에서 2030년 46%로 자랄 것으로 전망되고(IEA 2024), 국제에너지기구(IEA)의 전환 가속 시나리오에서는 60%까지 갈 수 있습니다. 여기서 에포크 AI가 꺼내는 비교가 이 절의 핵심입니다.

AI의 예상 전력 수요 1.2%는 에너지 전환에 관한 사회적 선택보다 작습니다. 전망된 46%와 실현 가능한 60% 사이의 차이는 AI의 예상 수요보다 12배 큽니다. 범위를 미국과 중국으로 좁히면 분석이 빡빡해지지만, 미국은 간헐성을 감안한 뒤에도 연 약 40기가와트의 재생에너지를 짓고 있으며 이는 현재 평균 발전량의 약 2%로 AI의 추가 수요와 비슷한 규모입니다.

둘째 경로인 효율 개선에 대해서는 에포크 AI가 회의적입니다. AI 알고리즘과 하드웨어의 효율은 계속 개선될 가능성이 높지만, 지금까지의 역사가 주의를 요구한다는 것입니다. AI 방법은 이미 효율에서 여러 자릿수의 개선을 이뤘는데 그것이 전력 소비의 대규모 증가와 나란히 일어났습니다. 학습이든 추론이든 하드웨어를 키울 강한 유인이 남아 있는 한 효율 개선이 순 에너지 소비를 줄일 가능성은 낮습니다. 게다가 효율 개선의 역사적 추세는 앞의 추정에 이미 암묵적으로 반영되어 있습니다.

셋째 경로인 하류 응용은 결정적으로 답하기 가장 어려운 질문입니다. AI가 경제의 다른 곳에서 배출을 충분히 줄여 자신의 배출을 상쇄할 수 있는가 하는 문제인데, 이는 AI로 인한 배출과 AI 모델의 하류 영향 양쪽에 크게 좌우됩니다.

에포크 AI의 답은 조건부입니다. AI가 총 배출의 의미 있는 비중을 차지하게 되면 다른 영역의 효과로 충분히 상쇄하기는 어려울 것입니다. 반대로 AI가 그만한 수준의 에너지 소비에 이르려면 극히 가치 있는 기술이어야 하므로 사회적 영향도 그만큼 클 것으로 예상됩니다.

AI가 배출을 줄일 수 있는 모든 경로를 체계적으로 계산하기는 어렵지만, AI가 자신이 유발하는 것보다 더 많은 배출을 줄여 현재 세계 배출의 한 자릿수 퍼센트를 막는 일은 그럴듯해 보입니다. 전력망의 공급과 수요를 더 잘 예측해 재생에너지 활용을 늘리는 일, 교통의 공유와 경로를 최적화해 자동차 배출을 줄이는 일이 그런 예입니다. 물론 이는 배포와 우선순위에 크게 의존하며, 달성 가능한 것에 대한 공격적인 추정에 기대고 있습니다.

해설
효율이 개선되었는데 총 소비가 늘어난다는 대목은 제번스의 역설이 작동하는 전형적인 모습입니다. 19세기 영국에서 증기기관의 석탄 효율이 좋아지자 석탄 소비가 줄기는커녕 늘어난 현상을 윌리엄 스탠리 제번스(William Stanley Jevons)가 관찰한 데서 온 이름입니다. 단위당 비용이 떨어지면 쓰임새가 늘어나 총 사용량이 오히려 커진다는 것입니다.

AI에서 이 역설이 특히 강하게 작동하는 이유는 수요가 사실상 포화되지 않기 때문입니다. 추론이 싸질수록 더 긴 사고연쇄를 돌리고 더 많은 후보를 생성하는 쪽으로 쓰임이 늘어납니다. 에포크 AI가 효율 개선을 상쇄 경로에서 사실상 제외하는 판단은 이 구조에 근거합니다.

[관점]
상쇄 논의에서 비교되는 두 숫자의 성격이 다르다는 점은 짚어 둘 필요가 있습니다. 배출 쪽 숫자는 현재 추세를 연장한 값인 반면, 감축 쪽 숫자는 보고서 자신의 그림 설명에 따르면 기존 프로그램과 연구의 증거에 기반해 달성 가능한 최대치입니다. 추세 외삽과 잠재력 상한을 나란히 놓고 비교하는 셈입니다.

같은 비대칭이 재생에너지 비교에도 있습니다. 46%와 60% 사이의 간격이 AI 수요보다 12배 크다는 지적은 정확하지만, 60%는 사회가 전환을 가속하기로 선택했을 때의 값입니다. AI 수요는 선택과 무관하게 추세대로 늘어나고, 상쇄는 선택이 있어야 일어납니다. 에포크 AI가 결론을 사회적 선택에 달려 있다는 말로 맺은 것은 이 비대칭을 스스로 인정한 것으로 읽힙니다.

역량을 추론하는 세 가지 증거

현 추세대로라면 2030년의 최대 모델은 오늘날보다 1,000배 많은 컴퓨트로 학습됩니다. 에포크 AI는 여기에 역사적 기준점을 붙입니다. 2030년까지 우리는 GPT-2에서 GPT-4로 가는 동안 벌어진 것에 견줄 만한 도약을 한 번 더 보게 됩니다.

그렇다면 그만한 스케일링이 이뤄진 뒤의 AI가 무엇을 할 수 있을지는 어떻게 추론할 수 있을까요. 에포크 AI는 논의를 땅에 붙들어 매기 위해 세 가지 증거원을 씁니다. AI 평가, 현재 AI 체계의 사용 실태, 그리고 도메인 전문가의 예측입니다.

첫째는 평가, 곧 벤치마크입니다. 앞 장에서 보았듯 AI의 평가 성능은 무작위 확률을 넘어 개선되기 시작한 뒤에는 규모와 함께 꽤 예측 가능하게 좋아집니다(Owen 2024a). 그래서 에포크 AI는 지금까지 진전을 보인 평가를 외삽하는 데 집중하고, 현재 AI의 범위를 완전히 벗어나 예측 가능성이 낮은 평가는 따로 표시해 둡니다.

도메인에 따라 벤치마크의 쓸모는 다릅니다. 소프트웨어 공학처럼 현실 문제와의 연결이 꽤 분명한 벤치마크가 존재하는 도메인이 있는가 하면, 벤치마크가 현실 업무 과업을 덜 분명하게 대표하는 도메인도 있습니다. 후자의 경우에도 개별 사례에서 증거를 얻을 수 있습니다. AI가 돕는 단백질 설계에 대한 체계적 벤치마크는 없을지 몰라도, 개별 결과들은 지금의 AI가 무엇을 해내는지 알려 줍니다.

벤치마크 결과가 현실 성능을 반영하지 않을 위험은 늘 존재합니다. 대표성 부족, 지표에 대한 과적합, 테스트셋 오염 같은 이유에서입니다. 그럼에도 벤치마크는 AI 체계를 개발하는 데 결정적인 역할을 하며 진보를 추적하는 귀중한 신호가 됩니다. 조심스럽게 해석하기만 하면 AI 역량에 관해 정보를 준다는 것이 에포크 AI의 입장입니다.

둘째는 현재의 사용 실태입니다. 기존 AI 체계가 실제로 쓰이고 있다는 사실은 현실 유용성의 강력한 증거입니다. 다만 이 증거는 늘 미래를 향하지는 않습니다. 기존 체계가 이미 유용해야 하고, 이상적으로는 우리가 외삽하려는 대상과 형식이 맞아야 합니다.

소프트웨어 공학 AI가 좋은 예입니다. 이미 긴밀한 인간 감독 아래 코드 조수로 널리 쓰이고 있다는 사실은 코드 지원이 프로그래머에게 유용하며 개선이 더 많은 편익을 주리라는 강력한 증거입니다. 그러나 독립적으로 움직이는 AI 코딩 에이전트가 언제 실용적으로 유용해지는가에 대해서는 약한 증거만 줍니다.

셋째는 도메인 전문가입니다. 많은 연구자가 현재의 AI 체계를 직접 실험하면서 미래의 AI가 자기 일을 어떻게 바꿀지 성찰하고 있습니다. 전문가의 예측은 그들이 내다보는 효과와, AI를 자기 일에 통합할 때 마주칠 잠재적 장애물에 관해 귀중한 정보를 줍니다.

에포크 AI는 이 세 증거를 종합해 AI 역량과 그것이 R&D 도메인에서 작동하는 방식을 질적으로 서술하고, 그로부터 2030년까지 과학 R&D가 어떻게 가속될지 그림을 그립니다. 다만 그 구체적 예측에 들어가기 전에 더 넓은 맥락을 먼저 논의합니다. 경제 전반에서 일어나는 AI 기반 자동화입니다.

해설
GPT-2에서 GPT-4로의 도약을 기준점으로 든 것은 이 보고서에서 가장 효과적인 비유 가운데 하나입니다. GPT-2는 2019년에 공개되었을 때 그럴듯한 문단을 이어 쓰는 수준이었고 일관된 추론은 거의 하지 못했습니다. GPT-4는 전문 자격시험을 통과하고 코드를 짜고 다단계 논증을 따라갑니다. 그사이의 학습 컴퓨트 차이가 대략 1,000배에서 1만 배 사이입니다.

비유가 설득력 있는 만큼 한계도 분명합니다. 같은 배수의 컴퓨트 증가가 같은 크기의 질적 도약을 낳는다는 보장이 없기 때문입니다. 에포크 AI가 이 비유를 역량 예측의 근거로 삼지 않고 스케일의 크기를 전달하는 장치로만 쓰는 것도 그래서입니다.

경제 전반의 자동화인가 R&D 자동화인가

AI의 미래 영향을 다루는 논의는 흔히 흥미로운 응용 영역에 초점을 맞추고 과학 R&D가 그 대표적인 예입니다. 에포크 AI는 이 보고서도 마찬가지라는 점을 인정합니다. 그러나 단기와 중기, 곧 몇 년이나 수십 년의 시간 척도에서는 경제 전반의 광범위한 자동화에서 더 큰 경제적 효과가 나온다는 논거가 있다고 짚습니다. 그리고 그 논거가 R&D 과업의 자동화를 어떻게 생각할지에 영향을 줍니다.

근거는 성장의 분해입니다. 명시적 R&D는 최근 수십 년 미국 노동생산성 성장의 약 20%를 차지하고, 그 노동생산성 성장은 다시 실질 GDP 성장의 절반 정도만 설명합니다. 비교하자면 자본심화가 노동생산성 성장의 약 절반을 차지합니다. 나머지는 더 나은 경영, 실행을 통한 학습, 지식의 확산 같은 요인에 귀속됩니다(Erdil and Barnett 2025).

물론 자본심화가 일어나려면 애초에 R&D가 일어나 쓸모 있는 형태의 자본이 만들어져야 합니다. 병원은 고급 MRI 기계를 들여놓아 더 생산적이 될 수 있지만, 그 MRI는 명시적 R&D와 기술 확산과 실행을 통한 학습의 순환을 거쳐 개발된 것입니다. 그럼에도 최근 역사에서 어느 시점을 떼어 놓고 보든 더 많은 경제성장은 새 R&D 프로젝트에 착수하는 데서가 아니라 이미 개발된 제품을 배치하는 데서 왔습니다.

따라서 단기의 경제 산출을 극대화하려면 유효 노동력을 키우는 쪽, 곧 경제 전반의 많은 과업을 자동화하고 더 많이 돌리는 쪽이 더 효과적입니다. R&D에 필요한 기술이 다른 과업의 기술과 겹치므로, 광범위한 자동화는 적어도 R&D 자동화와 나란히 일어날 가능성이 높습니다. R&D 노동이 특별히 가치 있는 노동인 만큼 자동화 노력이 더 쏠리리라고 선험적으로 예상할 수는 있지만, 배타적인 노력은 아닐 것입니다.

구체적인 예로 에포크 AI는 소프트웨어 공학을 듭니다. R&D 안에도 많은 소프트웨어 공학 과업이 있고 일부는 오늘날 이미 자동화되는 중입니다. 그러나 물량으로 보면 자동화되고 있는 소프트웨어 공학 업무의 대부분은 R&D가 아닙니다. 백엔드와 프런트엔드 개발자가 상업용이나 취미용 소프트웨어를 만드는 일을 돕는 쪽입니다. R&D 소프트웨어 공학의 자동화가 결국 더 큰 영향을 지닌 신기술로 이어질 수는 있지만, 역사적 사례에 비추어 그것은 더 긴 시간 척도의 일이며 배포의 유일한 초점도 주된 초점도 아닐 것입니다.

다만 에포크 AI는 반대 방향의 논거도 열어 둡니다. AI R&D는 자동화에 특히 두드러지게 노출되어 있고 가장 먼저 자동화를 겪는 영역 가운데 하나라는 논거입니다. AI R&D는 연구 노력에 대한 수확체증이 작동하는 도메인일 수 있고, 그것을 자동화하면 양의 피드백 고리가 생깁니다(Erdil et al. 2024). 이것이 소프트웨어만의 특이점을 다루는 논의에서 그려지는 결과입니다(Kokotajlo et al. 2025). 에포크 AI는 이 보고서가 알고리즘 혁신이 컴퓨트와 보완적이고 AI R&D 자동화가 다른 과업의 자동화와 겹치는 시나리오에 초점을 맞춘다고 밝히면서도, AI R&D의 급속한 자동화를 배제하기는 어려우며 이것이 AI 진보가 이 보고서의 전망보다 빨라질 수 있는 핵심 경로라고 적습니다.

해설
자본심화는 노동자 한 사람이 쓰는 자본의 양이 늘어나는 것을 말합니다. 같은 사람이 더 좋은 기계와 더 많은 설비를 쓰게 되면 생산성이 올라가는 경로이며, 새로운 지식을 만드는 일과는 구분됩니다.

이 분해가 보여 주는 바는 단순합니다. 실질 GDP 성장에서 명시적 R&D가 기여하는 몫은 절반의 20%, 곧 10% 안팎입니다. 과학 연구를 아무리 빠르게 돌려도 그것만으로는 경제 전체의 성장률을 크게 바꾸기 어렵다는 뜻입니다. 보고서가 과학 R&D를 창으로 삼으면서도 그 창이 전체 그림이 아니라고 거듭 단서를 다는 이유가 이 숫자에 있습니다.

[반론]
에포크 AI가 한 문단으로 넘긴 소프트웨어만의 특이점 시나리오는, 그것을 중심 전망으로 삼는 쪽에서 보면 전혀 주변적인 가능성이 아닙니다. 대니얼 코코타일로(Daniel Kokotajlo)를 비롯한 AI 퓨처스 프로젝트 연구진은 2025년 4월 발표한 시나리오에서, AI R&D 자동화가 임계점을 넘으면 알고리즘 진보가 자체 가속에 들어가면서 컴퓨트 증설 속도와 무관하게 역량이 치솟는 경로를 그렸습니다.

두 전망의 차이는 하나의 가정에 달려 있습니다. 알고리즘 진보가 컴퓨트와 보완적인가, 아니면 컴퓨트를 대체할 수 있는가 하는 것입니다. 에포크 AI는 전자를 택하고 그 선택 위에 모든 외삽을 세웁니다. 후자가 맞다면 이 보고서의 2030년은 지나치게 느린 그림이 됩니다.

수조 달러라는 숫자가 나오는 방식

AI가 경제 전반에 배포된다면 얼마나 가치 있을까요. 에포크 AI는 비물리적 업무 과업의 산출을 두 배로 만드는 가정에 기반한 여러 추정을 검토합니다. 답은 AI 역량과 배포에 크게 좌우되지만, 널리 쓰이는 AI 도구는 비물리적 업무의 생산성을 개선하는 것만으로 수조 달러의 경제적 가치를 만들 수 있습니다. 그런 이득이 2030년까지 아직 실현되지 않더라도, 투자는 그 시점의 실현이 아니라 AI의 역량과 궁극적 배포에 대한 믿음에 근거해 이뤄질 수 있습니다.

그렇다면 2030년까지 원격 근무 과업의 절반을 빠르게 가속하는 대량 자동화를 현실적으로 기대할 수 있을까요. 에포크 AI는 경제사에 비추어 회의할 이유가 있다고 봅니다. 기술적으로 가능하더라도 기술을 업무에 극도로 빠르게 통합해야 하기 때문입니다. AI가 그 재배치를 조율하는 일을 도와 속도를 높일 수는 있겠지만 그럼에도 상상하기 어렵습니다.

반대쪽 근거도 있습니다. AI 기술은 역사상 가장 빠른 채택 곡선을 보인 축에 들고(Hu 2023), 더 긴 시간 척도에서는 실질적 경제 이점 때문에 배포 유인이 강합니다. AI 매출이 현재 궤적을 유지한다면 2030년까지 AI가 수조 달러의 가치를 만들고 있거나 적어도 그것이 시야에 들어올 가능성이 높습니다.

위의 전망은 AI가 원격 과업 절반에 유용한 도구인 상황과 원격 과업 절반을 완전히 자동화하는 상황 사이를 가정합니다. 에포크 AI는 더 극단적인 전망도 하나 제시합니다. AI가 오늘날 원격 노동자가 하는 어떤 과업이든 수행할 수 있는 미래를 생각해 보자는 것입니다.

수십억의 그런 AI 원격 노동자가 경제에 큰 효과를 내리라고 상상하는 일이 그렇게 억지일까요. 기술 기업은 현재 GDP의 약 10%에 기여하고 있습니다. 그런 AI들은 비슷한 조직을 만들어 낼 수 있을 것이고, 그것만으로도 앞의 공격적인 전망에 가까워지기 시작합니다.

모형의 내부는 이렇게 구성됩니다. 기존 문헌과 유사한 과업 기반 자동화 모형을 씁니다(Barnett 2025; Acemoglu and Restrepo 2018). 노동이 과업에 배분되고 그 과업들이 자본과 결합해 경제 산출을 만들며, 자동화된 과업은 AI의 효과를 반영하는 배수만큼 유효 노동이 늘어납니다.

이 모형에서 과업들은 어느 정도 서로 보완적입니다. 에포크 AI가 드는 예가 명료합니다. 소프트웨어 회사가 엔지니어를 더 고용해 소프트웨어 공학 과업의 노동 투입을 두 배로 늘리면서 영업과 광고의 노동 투입은 그대로 둔다면, 매출이 두 배가 될까요.

원래 소프트웨어 노동이 수요에 크게 못 미쳤다면 그럴 수도 있지만 일반적으로는 영업이 점점 병목이 되리라 예상해야 합니다. 보완성의 정도는 자명하지 않으므로, 모형은 문헌의 값 범위에 기반해 꽤 대체 가능한 경우와 꽤 강한 보완성을 지닌 경우를 각각 따로 계산합니다. 전자가 더 큰 이득을, 후자가 더 작은 이득을 냅니다.

노출 범위는 원격 근무 가능성으로 잡습니다. 미국에서 업무 과업의 약 34%가 원격 수행 가능한 것으로 추정되며(Barnett 2025), 에포크 AI는 이를 AI 노출의 대리 지표로 씁니다. 그 가운데 자동화되는 비중을 10%에서 50%까지 달리 놓고 결과를 봅니다. 분석을 단순화하기 위해 자동화된 과업의 컴퓨트 비용이 인간 임금에 비해 작다고 가정하는데, AI가 현재 수행할 수 있는 과업에서 이에 대한 증거가 이미 있습니다.

연구 공학 과업 벤치마크에서 AI 에이전트는 몇 시간 길이까지는 인간 기준선을 능가했고 비용은 해당 인간 임금보다 10배 저렴했습니다. 게다가 주어진 수준의 AI 산출을 만드는 비용은 빠르게 떨어지고 있습니다. 인간 노동의 재배치에서 올 추가 이득은 무시하고, 경제를 고정된 과업 집합과 고정된 노동 배분으로 두되 자동화된 과업에서만 생산성이 오르는 것으로 모형화합니다.

결과는 이렇습니다. 원격 과업의 10%에서 산출이 두 배가 되면 GDP가 1-2% 늘어 수조 달러의 가치를 만듭니다. 원격 과업의 절반에서 산출이 10% 늘어나도 비슷한 효과, 곧 GDP 약 1% 증가가 나옵니다. 원격 과업 절반에서 산출이 두 배가 되면 GDP가 6-10% 늘어납니다. 이 마지막 수치는 계산 상자에서는 6-10%로, 그림 설명에서는 7-10%로 제시됩니다.

핵심 질문은 이 성장이 얼마나 빨리 실현되는가입니다. 에포크 AI는 자기 경제 모형이 시간 척도에 대해 아무 말도 하지 않는다고 분명히 밝힙니다. 그것은 배포와 채택에 달려 있습니다. 예상되는 AI 매출은 GDP 1-2% 증가에 대체로 부합하는 지출 수준을 시사하므로 시간 척도가 2030년만큼 이를 수 있습니다.

그러나 지출이 산출의 효과를 앞지를 수 있어 더 긴 시간 척도를 주장할 여지도 있습니다. 관련 사례로 드는 것이 웹에 대한 투자입니다. 1999년 IT 기업 투자는 수천억 달러에 이르렀는데, 전자상거래 매출이 그에 맞먹는 수준에 도달한 것은 2010년 무렵으로 보입니다(Winters et al. 2011). 에포크 AI는 AI가 필요한 역량을 실제로 달성하기만 한다면 수십 년은 비관적인 상한이라고 가정해도 안전해 보인다고 적습니다.

마지막으로 두 가지 반론을 다룹니다. 자동화로부터의 성장 전망이 바우몰 효과와 엥겔 효과를 고려하지 않아 지나치게 낙관적이라는 반론입니다. 둘 다 생산성 개선에서 오는 가치를 줄이는 효과인데, 생산성 개선이 경제 여러 부분의 상대적 가치나 구조를 바꾸기 때문에 생깁니다.

바우몰 효과는 자동화를 겪는 부문과 비슷한 임금 인상을 정체된 부문이 요구할 때 생산성 증가의 이득을 제한합니다. 과업 수준에서도 같은 말을 할 수 있습니다. 자동화하기 어려운 과업이 경제적으로 더 중요해지고, 자동화하기 쉬운 과업은 풍부해졌다는 바로 그 이유로 한계 가치가 줄어듭니다.

에포크 AI는 이 효과가 자기 모형의 과업 간 보완성에 이미 암묵적으로 포착되어 있다고 답합니다. 자동화된 과업의 유효 노동이 늘면 비자동화 과업 노동의 한계 가치가 그만큼 올라가기 때문입니다. 임금을 명시적으로 모형화하지는 않지만 과업의 경제적 가치가 원칙적으로 임금을 정하므로 본질적으로 같은 효과를 담고 있다는 것입니다(Acemoglu et al. 2024).

엥겔 효과는 소득이 늘면서 재량적 재화와 서비스에 대한 수요가 커질 때 생산성 증가의 이득을 제한합니다. 그 부문들의 생산성 향상이 낮다면 엥겔 효과가 바우몰 효과를 악화시킵니다. 에포크 AI는 엥겔 효과를 모형화하지 않았다고 밝히면서, 기존 실증 추정에 따르면 바우몰 효과와 엥겔 효과가 1948년부터 2014년까지 미국 GDP 성장을 약 25% 줄였고(Baqaee and Farhi 2019) 이 정도는 모형의 결론을 실질적으로 바꾸지 않는다고 답합니다.

컴퓨트가 모자라지 않겠는가 하는 의문에도 답이 준비되어 있습니다. 가상 노동자 하나가 오늘날 선도 모델의 일부와 비슷하게 초당 10의 14제곱 FLOP을 요구한다고 가정하면, 세계 인구의 10%에 해당하는 양은 초당 약 10의 23제곱 FLOP의 컴퓨트 용량이 됩니다. 세계 인구의 3분의 1이 노동인구이고 그들이 시간의 3분의 1을 일한다고 본 계산입니다. 그런데 현 추세로 2030년이면 엔비디아 칩만으로도 초당 2.6 곱하기 10의 23제곱 FLOP의 설치 용량이 존재하게 됩니다.

해설
과업 기반 모형은 대런 애스모글루와 파스쿠알 레스트레포(Pascual Restrepo)가 발전시킨 틀로, 경제를 직업이 아니라 과업의 집합으로 보고 자동화를 과업 단위로 다룹니다. 어떤 과업이 자동화되면 그 과업의 유효 노동이 늘어나고, 사람은 남은 과업으로 옮겨 갑니다.

이 틀에서 결과를 좌우하는 가장 중요한 숫자는 과업 간 대체탄력성입니다. 과업들이 서로 잘 대체되면 한 과업의 자동화가 전체 산출을 크게 밀어 올리고, 서로 보완적이면 자동화되지 않은 과업이 곧바로 병목이 되어 이득이 줄어듭니다. 에포크 AI가 결과를 하나의 숫자가 아니라 6-10%처럼 범위로 내놓는 것도 이 값을 문헌의 범위대로 열어 두었기 때문입니다.

[관점]
1999년 웹 투자를 드는 비유는 보고서가 의도한 것보다 더 많은 것을 말합니다. 에포크 AI는 이 사례를 투자가 산출을 10년쯤 앞설 수 있다는 근거로 쓰고, 닷컴 버블이 터진 뒤에도 그 가치가 결국 실현되었다는 점을 덧붙입니다.

그런데 투자자의 관점에서 보면 이 사례의 교훈은 반대쪽에 있습니다. 1999년에 수천억 달러를 넣은 주체들과 2010년에 전자상거래 매출을 거둔 주체들은 대체로 다른 집단이었습니다. 기술이 옳았다는 것과 그 기술에 먼저 돈을 넣은 쪽이 보상을 받았다는 것은 별개의 명제입니다. 이 보고서는 전자를 논증하며, 후자에 대해서는 아무 말도 하지 않습니다.

[한국 관점]
원격 수행 가능한 과업의 비중을 AI 노출의 대리 지표로 쓰는 방식은 경제 구조에 민감합니다. 미국의 34%라는 값은 서비스업과 사무 직군의 비중이 높은 경제에서 나온 숫자입니다. 제조업이 GDP와 고용에서 차지하는 비중이 큰 한국에서는 같은 기준을 적용하면 노출 비중이 더 낮게 나옵니다.

이 차이는 양면적입니다. 단기적으로는 AI 자동화에 따른 충격이 완만하다는 뜻이지만, 동시에 이 보고서가 그리는 생산성 이득에서 가져가는 몫도 작다는 뜻입니다. 그리고 보고서가 물리 세계와 맞닿은 영역은 2030년까지 상대적으로 덜 진보한다고 거듭 말하는 점을 함께 놓고 보면, 제조업 중심 경제가 AI의 이득을 체감하는 경로는 자국 내 과업 자동화보다 전방 산업의 수요 증가 쪽에 가까워집니다. 지금 국내에서 AI 수혜가 주로 반도체와 전력 설비 쪽 이야기로 돌아가는 구조와 맞아떨어지는 대목입니다.

네 분야를 미리 훑어보면

이제 보고서는 AI가 실제로 달성할 역량과 그것이 과학 R&D에 미칠 영향으로 넘어갑니다. 에포크 AI는 최근 제시된 틀 하나를 빌려 옵니다. 과학에서 AI가 기여할 수 있는 핵심 기회를 지식, 데이터, 실험, 모델, 해법의 다섯으로 나눈 틀입니다(Griffin et al. 2024). 네 분야는 이 다섯 기회에 대해 각각 다른 윤곽을 보입니다.

소프트웨어 공학에서는 현 추세대로라면 AI 코딩 조수와 에이전트가 범위가 잘 정해진 문제에 대해 소프트웨어의 풍요를 낳을 가능성이 높습니다. 이는 과학용 소프트웨어 개발에 분명히 기여합니다. 소프트웨어 공학을 위한 AI는 범용 생산성 향상으로 작동하므로 사실상 다섯 기회 전부에 관련됩니다. 특히 데이터 분석이나 소프트웨어 기반의 실험과 모델 구축은 쓸 수 있는 소프트웨어 공학의 양이 크게 늘면 분명한 혜택을 봅니다.

수학에서는 AI 조수가 소프트웨어가 걸어온 길을 따라 점점 유용해지고 점점 독립적이 될 가능성이 높습니다. 형식화의 장벽을 낮출 수 있다면 수학자들이 지식을 만들고 나누는 방식 자체를 바꿀 수 있습니다. 또한 완전한 증명으로 가는 직관을 발전시키는 데 도움을 줄 수 있으며, 해법 도구로서 의미 있는 규모의 부분 문제를 직접 풀 수도 있습니다.

분자생물학에서는 AI의 가속을 이끌 두 가지 서로 다른 비전이 존재합니다. 알파폴드 같은 표적 AI 도구가 계속 개선되어 핵심 생물학적 과정에 관한 전례 없는 데이터와 모델을 내놓는 길이 하나입니다. 다른 하나는 범용 AI 조수가 지식 공유를 혁신하고 피드백을 통해 실험을 가속하는 길입니다. 두 경로는 병행해서 추구될 것이고, 데이터가 풍부한 분야의 기초 연구는 번성할 것입니다. 다만 그것이 더 넓은 사회적 편익으로 번역되는 일은 더 느린 시간 틀에서 일어날 가능성이 높습니다.

기상예측에서는 AI가 기상 체계의 모델을 향상시키고 일상 날씨와 극한 기상 사건의 예보를 계속 개선할 것입니다. 매우 다양한 양식의 데이터를 통합하는 일이 추가 개선의 가능성을 열어 둡니다. 농업, 비상 계획, 운송, 전력과 수자원 인프라 같은 영역에서 이미 이뤄지고 있는 사회적 의사결정이 개선된 예보로 혜택을 봅니다. 예보가 크게 좋아지면 지금은 날씨를 고려하지 않는 다른 영역에서도 쓰일 수 있겠지만, 그 부분은 예측하기 어렵습니다.

해설
보고서가 빌려 온 다섯 기회는 AI가 과학에 들어가는 서로 다른 문에 해당합니다. 지식은 문헌을 찾고 종합하는 일, 데이터는 측정값을 모으고 정리하는 일, 실험은 무엇을 어떻게 시험할지 설계하고 수행하는 일, 모델은 현상을 설명하거나 예측하는 구조를 만드는 일, 해법은 정해진 문제를 직접 푸는 일입니다.

이 틀이 유용한 이유는 분야마다 병목이 다른 문에 걸려 있음을 드러내기 때문입니다. 수학은 해법과 지식의 문이 열리면 거의 모든 것이 풀리는 반면, 분자생물학은 지식과 모델의 문이 활짝 열려도 실험의 문이 좁으면 성과가 밖으로 나오지 못합니다. 보고서가 네 분야의 전망을 서로 다른 어조로 쓰는 근거가 이 구조에 있습니다.

벤치마크 진전은 현실 진전과 어떻게 연결되는가

네 분야 모두에서 되풀이되는 질문이 둘 있습니다. 벤치마크의 진전이 현실 역량의 진전과 어떻게 연결되는가, 그리고 그 현실 역량의 배포는 언제 일어나며 어떤 효과를 내는가입니다.

벤치마크 진전 자체는 놀라운 수준입니다. AI는 우리가 상세히 정의해 놓은 사실상 모든 과업에서 빠르게 좋아지며, 여기에는 도메인 전문가도 어려워하는 과제가 포함됩니다. 그런 결과를 해석하는 데는 중대한 단서가 붙지만, 에포크 AI는 불완전한 벤치마크조차 AI 역량의 실제 진보에 관한 유익한 신호가 된다고 봅니다.

논거는 두 갈래입니다. 하나는 인위성을 인정하면서 넘어서는 쪽입니다. 벤치마크용으로 만들어진 과업은 어떤 식으로든 인위적일 수밖에 없습니다. 쉽게 검증할 수 있어야 하고, 현재 AI의 한계를 탐색하려는 연구자들이 만들기 때문입니다. 그럼에도 벤치마크 진전은 분명히 어떤 실제 진보를 반영합니다.

다른 하나는 벤치마크가 갱신된다는 점입니다. 앞으로 만들어질 벤치마크는 AI가 기존 벤치마크를 풀어 가며 드러난 남은 공백을 보고 설계됩니다. 따라서 어떤 벤치마크가 밑바탕 역량이 완성되기 전에 풀릴 수는 있어도, 그 과정에서 상당한 진보는 실제로 이뤄진다는 것입니다.

배포를 가로막는 네 가지

역량이 생기는 일과 그 역량이 실제로 쓰이는 일은 다릅니다. 에포크 AI는 배포의 장애물을 넷으로 정리합니다. 흔히 논의되는 신뢰성, 업무 흐름 통합, 비용, 그리고 개발과 배포 양쪽에 걸치는 전문 데이터입니다.

신뢰성부터 보겠습니다. 체계를 믿을 수 없으면 대규모 배포도 자율적 배포도 어려워집니다. AI 체계는 벤치마크와 시연에서 인상적인 역량을 보이면서도 악명 높을 만큼 신뢰성이 떨어집니다.

LLM은 벤치마크 예시를 조금만 변형해도 성능이 떨어지는 경우가 많습니다(Mirzadeh et al. 2024). 다만 문제의 크기는 응용마다 다릅니다. 수학 결과처럼 쉽게 형식화하고 검사할 수 있는 영역에서는 신뢰성 문제가 상대적으로 작습니다. 그리고 신뢰성 자체가 시간이 지나며 개선되고 있다는 연구도 있습니다(Kwa et al. 2025; Vendrow et al. 2025). 에포크 AI는 배포가 신뢰성이 덜 결정적인 영역에서 먼저 일어나되, 신뢰성이 장기적 장애물로 남을 가능성은 낮다고 봅니다.

업무 흐름 통합은 성격이 다릅니다. 현실 업무에서 AI 체계를 쓰려면 서로 맞물린 여러 과업에 걸친 복잡한 변화가 필요한 경우가 많고, 이것이 생산성 개선을 크게 깎아 먹을 수 있습니다. 대부분은 개별 업무 흐름에 특수한 문제여서 일반론을 세우기 어렵지만, 에포크 AI는 세 가지 경향을 제시합니다. 실수의 결과가 덜 심각한 영역일수록 배포가 쉽고, 느린 경험적 피드백 고리가 덜 필요한 영역일수록 쉬우며, 데이터 가용성 문제가 적을수록 쉽습니다.

수학이 생물학 연구보다 쉽고, 문헌 연구가 습식 실험실 실험보다 쉽다는 식입니다. 여기서 되풀이해 떠오르는 핵심 질문은 쓰이는 AI 체계의 성격입니다. 과업을 완전히 자동화하는지 부분적으로 자동화하는지, 그리고 자동화하는 과업의 시간 지평이 얼마나 긴지입니다.

배포 비용에는 두 종류가 있습니다. 업무 흐름을 바꾸는 데서 오는 비용과 추론 컴퓨트 비용입니다. 앞의 것은 과업이 재배열되면서 비용 구조가 달라지는 문제입니다. 생화학자가 생체분자 구조 예측을 써서 실험에 드는 시간과 예산을 줄일 수 있지만, 그 대신 어떤 실험이 여전히 필요한지 가려내는 데 시간을 더 써야 할 수 있습니다. 이런 변화는 예측하기 어려우며 신뢰성 문제와도 밀접하게 얽혀 있습니다.

추론 컴퓨트 비용에 대해서는 낙관할 이유가 크다고 봅니다. 지금까지의 증거는 주어진 역량 수준에 대한 AI 추론 비용이 연 10배 이상의 속도로 떨어지고 있음을 보여 줍니다(Cottier et al. 2025). 이것이 이어진다면 현재 최첨단 벤치마크 결과가 비싼 추론을 쓰더라도 빠르게 싸질 것입니다. 관련해서, AI가 어떤 과업을 수행할 수 있게 되었을 때 지금까지는 대체로 인간 노동자보다 비용이 적게 들었습니다(Wijk et al. 2025). 따라서 추론 비용이 장기 병목이 되려면 추론 단가가 정체하거나, AI 자동화가 지금보다 훨씬 많은 과업 인스턴스를 수행해야 합니다.

필요한 용량을 가늠하는 계산도 제시됩니다. 현 추세대로라면 총 설치 AI 컴퓨트 용량은 2030년에 6억 H100 환산이 됩니다. 그중 적어도 절반은 추론에 배분될 가능성이 높습니다.

한편 세계 노동인구는 약 30억이고 시간의 약 3분의 1을 일하며 그 과업의 약 4분의 1이 원격 수행 가능합니다. 각 원격 노동자가 2030년의 AI 사용을 위해 H100 환산 한 장을 필요로 한다고 보면 약 2억 5,000만 장이 필요한데, 이는 예상 가용 컴퓨트의 대략 절반입니다. 실제로는 추론 컴퓨트가 과업의 가치와 자동화 가능성 양쪽을 따라 배분되겠지만, 이 대략의 계산은 대규모 배포에 쓸 물리적 컴퓨트가 충분하리라는 점을 시사합니다.

마지막은 전문 데이터입니다. 데이터 가용성 문제는 배포와 개발 양쪽에 영향을 줍니다. 수집이 비싸거나 물류적으로 어려울 때 특히 까다로워집니다. 센서 설치가 필요한 실시간 배포가 그런 예이고, 전문 습식 실험실에서만 얻을 수 있는 생체분자 상호작용 데이터도 마찬가지입니다. 일반적으로 소프트웨어와 수학 같은 도메인은 물리 실험 없이 데이터를 만들어 낼 수 있어 이 문제를 덜 겪습니다.

[반론]
신뢰성이 장기 장애물이 되지 않으리라는 판단에는 유력한 반대가 있습니다. 안드레이 카파시(Andrej Karpathy)는 2025년 10월 드와케시 파텔과의 대담에서 아홉의 행진이라는 표현을 썼습니다. 90%에서 99%로 가는 데 든 노력만큼이 99%에서 99.9%로 가는 데 또 들고, 그다음 구간에도 똑같이 든다는 것입니다.

이 주장이 맞다면 벤치마크 점수의 외삽과 실제 배포 가능성 사이에 큰 간극이 생깁니다. 벤치마크에서 70%가 90%가 되는 일은 곡선 위에서 한 칸이지만, 감독 없이 맡길 수 있는 수준까지 가려면 그 뒤로 같은 크기의 구간을 여러 번 더 지나야 하기 때문입니다. 에포크 AI가 신뢰성 개선의 증거로 드는 연구들은 개선의 방향을 보여 줄 뿐 남은 구간의 길이를 말해 주지는 않습니다.

분야별로 본 배포 난이도

에포크 AI는 네 장애물을 다섯 영역에 걸쳐 질적으로 평가해 둡니다. 분자생물학은 성격이 다른 두 갈래로 나뉘어 평가됩니다. 평가는 확신의 정도를 함께 담고 있어서, 장애가 다룰 만하다는 판단과 채택을 막을 수 있다는 판단이 각각 강한 경우와 약한 경우로 구분됩니다. 네 장애물 모두에서 가장 유리한 평가를 받은 영역은 소프트웨어 공학뿐입니다.

• 소프트웨어 공학 — 네 항목 모두에서 가장 긍정적인 평가를 받습니다. 시간 절감에 비해 검사가 빠르고 오류의 비용이 대개 높지 않아 신뢰성 문제가 작습니다. 이미 성공적으로 통합되고 있고 피드백 고리가 빠르며 과업 시간 지평도 꾸준히 개선되고 있습니다. 이미 비용 효율적으로 배포되고 있으며 더 싸질 가능성이 큽니다. 데이터는 풍부하게 존재하고 더 생성하기도 비교적 쉽습니다.
• 수학 — 대체로 긍정적이지만 확신의 강도가 낮습니다. 신뢰성은 검사가 가능할 것으로 보이고 오류 비용도 높지 않습니다. 배포 비용은 소프트웨어 도구나 기존 수학 도구와 비슷하다면 효율적일 것입니다. 전문 데이터는 잠재적 병목이나 합성 생성이 완화할 수 있습니다. 판단이 유보된 항목은 업무 흐름 통합인데, 형식화로의 전환이 필요할 수 있고 지금까지 현실에서의 성공 사례가 거의 없기 때문입니다.
• 분자생물학의 분자 예측 — 평가가 가장 엇갈립니다. 업무 흐름 통합에는 여러 현실 성공 사례가 있고 현재 체계 기준으로 추론 비용도 저렴합니다. 반면 신뢰성에서는 오류율을 특징짓기 어렵고 쉽게 검사되지 않으며 틀렸을 때의 비용이 큽니다. 전문 데이터도 병목일 가능성이 높고 수집에 실험이 필요합니다. 이 두 항목은 채택을 막을 수 있는 쪽으로 분류됩니다.
• 분자생물학의 데스크 리서치 지원 — 제한된 형태로 이미 비용 효율적으로 배포되고 있고 더 저렴해질 것으로 봅니다. 문헌 데이터는 꽤 풍부하고 실험이 필요 없지만 논문 바깥의 데이터에는 위험이 따릅니다. 업무 흐름 통합은 일부 성공 사례가 있으나 궁극적 범위가 불분명합니다. 신뢰성은 쉽게 검사되지 않는다는 점에서 채택을 막을 수 있는 쪽으로 분류됩니다.
• 기상예측 — 이미 대규모로 성공적으로 배포되어 있다는 점이 가장 강한 근거입니다. 돌리는 비용은 저렴하지만 업무 흐름을 재배열하는 데서 큰 비용이 생길 수 있습니다. 전문 데이터는 극한 사건처럼 일부에서 병목이 되지만 기존 데이터만으로도 가치 있는 용도가 뒷받침됩니다. 신뢰성은 판단이 유보되는데, 쉽게 검사되지는 않으나 기존 수치 방법으로 타당성을 점검할 수 있기 때문입니다.

에포크 AI는 이 요약 뒤에 전반적 평가를 덧붙입니다. 이 보고서가 다루는 모든 R&D 영역에서 AI의 기회는 풍부하고 현재의 추세는 엄청난 영향을 가리킨다는 것입니다. 특히 소프트웨어 공학과 단백질 구조 예측처럼 현실의 사용이 벤치마크가 내건 초기 약속을 확인해 준 영역에서 그 판단이 설득력 있다고 봅니다.

이미 바뀌고 있는 분야

AI는 코드 조수와 질의응답을 통해 이미 소프트웨어 공학을 바꾸고 있습니다. 에포크 AI의 예측은 여기서 한 걸음 더 나아갑니다. 현 추세대로라면 2030년의 AI는 자율적으로 이슈를 고치고 기능을 구현하며 어렵지만 잘 정의된 과학 프로그래밍 문제를 풀 수 있습니다.

소프트웨어 공학은 프런티어 AI 개발자들에게 특별한 관심 영역이며, 채팅 인터페이스와 코파일럿 같은 도구가 이미 널리 채택되어 있습니다(Yepis 2024). 그뿐 아니라 소프트웨어 공학은 여러 도메인에 걸쳐 과학 R&D의 핵심을 이룹니다. AI R&D는 특히 소프트웨어 공학과 긴밀하게 묶여 있는데, AI 연구의 상당 부분이 새 알고리즘을 고안하고 새 모델을 개발하는 소프트웨어 작업을 중심으로 돌아가기 때문입니다. 물리학과 화학과 생물학에서도 소프트웨어 공학은 과학 업무의 중요한 부분입니다.

에포크 AI는 이 분야에서 세 증거원을 모두 동원합니다. 오늘날의 현실 사용, 벤치마크 진전, 그리고 도메인 전문가가 말하는 현재의 열린 문제와 연구입니다. 종합하면 AI가 소프트웨어 공학을 극적으로 바꿀 것이고 이미 상당한 영향을 미치고 있다는 결론이 나옵니다. 그러나 현실에서 까다로운 과업을 끝까지 자율적으로 수행하는 역량에 대해서는 상당한 불확실성이 남습니다. 벤치마크 결과는 그 수준을 향한 빠른 진전을 보여 주지만, 도메인 전문가들은 특히 신뢰성과 업무 흐름 통합을 두고 의견이 갈립니다.

해설
외삽에 쓰인 두 벤치마크의 성격은 꽤 다릅니다. SWE-bench Verified는 실제 깃허브 이슈 가운데 단위 테스트가 딸린 것만 고른 모음이고, RE-Bench는 사람이 풀면 약 여덟 시간이 걸리는 연구 공학 과제로 채용 과제물에 가깝습니다. 전자가 짧고 명확한 문제라면 후자는 길고 느슨한 문제입니다.

RE-Bench의 외삽에는 기술적 전제가 하나 붙습니다. 이 벤치마크는 달성 가능한 최대 점수가 정해져 있지 않아서, 에포크 AI는 추정 최대 평균 점수의 하단인 정규화 점수 1.5를 100%로 놓고 곡선을 맞췄습니다. 상한을 낮게 잡으면 포화 시점이 앞당겨지는 효과가 있지만, 에포크 AI는 이 벤치마크가 아직 포화와 거리가 멀어 외삽에 거의 영향이 없다고 밝힙니다.

소프트웨어 공학의 과업별 진전 현황

에포크 AI는 소프트웨어 공학 과업을 난이도 순으로 늘어놓고 각각에 대응하는 벤치마크의 상태를 정리합니다. 목록의 맨 아래로 갈수록 벤치마크가 점점 성글어지다가 결국 사라집니다.

• 코드 조각 자동완성 — HumanEval 같은 단순 코딩 벤치마크는 이미 풀렸습니다. 코딩 조수 제품이 널리 배포되어 수십억 달러의 매출을 내고 있으며, 시험에서 개발자 생산성을 개선하는 것으로 나타났습니다.
• 작은 현실 이슈 해결 — 단위 테스트가 딸린 실제 이슈를 푸는 과업이며, SWE-bench가 꾸준히 개선되고 있습니다.
• 과학 R&D 코딩 문제 — 자연어 설명만으로 잘 정의된 과학 R&D 코딩 문제를 푸는 과업입니다. SciCode와 RE-Bench 같은 벤치마크가 꾸준히 개선되고 있고, 저명한 엔지니어들이 최근 AI 모델을 언어를 코드로 바꾸는 조수로 쓴다고 보고하고 있습니다.
• 프리랜서 장터 문제 — 수백에서 수천 달러의 가격이 매겨진 현실 코딩 문제를 푸는 과업이며, SWE-Lancer 벤치마크가 무작위 확률을 넘는 성능을 내며 꾸준히 나아지고 있습니다.
• 사이버보안 과제 — 전문가 수준의 캡처더플래그 과제를 완수하는 과업입니다. Cybench가 꾸준한 진전을 보이고 있으며, 한 LLM 기반 체계가 널리 쓰이는 sqlite 패키지에서 실제 취약점을 새로 찾아낸 사례도 있습니다.
• 논문 결과 재현 — 연구 논문의 결과를 코드로 재현하는 과업입니다. 논문만 제공하는 PaperBench는 진전의 초기 신호를 보이고, 저장소까지 제공하는 CORE-Bench는 꾸준한 진전을 보입니다.
• 열린 소프트웨어 공학 문제 — 고수준 요구사항만 주고 새 데이터베이스를 개발하게 하는 식의 실질적이고 열린 문제입니다. 이를 충실히 다루는 벤치마크는 사실상 존재하지 않습니다.

해설
목록에 나오는 벤치마크들은 측정 방식이 제각각입니다. HumanEval은 함수 하나를 설명대로 구현하는 짧은 문제 묶음이고, SciCode는 과학 논문에서 뽑은 계산 문제를 코드로 구현하게 합니다. SWE-Lancer는 실제 프리랜서 장터에 올라왔던 작업을 가져와 금액까지 함께 붙여 놓은 것이고, Cybench는 보안 경진대회 방식의 과제로 숨겨진 문자열을 찾아내면 성공으로 칩니다. PaperBench는 논문 한 편을 주고 그 결과를 처음부터 다시 구현하게 하는 가장 긴 과업에 속합니다.

검증 방식의 차이가 난이도 차이를 상당 부분 설명합니다. 단위 테스트가 통과 여부를 바로 알려 주는 과업은 학습 신호를 만들기 쉬워 빠르게 좋아지고, 무엇이 맞는 결과인지 판정 자체가 어려운 과업은 벤치마크로 만들기부터 어렵습니다.

[관점]
목록의 마지막 줄, 곧 열린 문제에 대응하는 벤치마크가 없다는 사실은 이 절에서 가장 중요한 정보일 수 있습니다. 이 보고서의 방법론은 진전이 보이는 벤치마크만 외삽하는 것이므로, 벤치마크가 없는 영역은 예측의 대상이 아니라 예측의 공백입니다.

그런데 소프트웨어 공학에서 사람이 실제로 보수를 받는 일의 상당 부분이 바로 그 공백에 있습니다. 무엇을 만들지 정하고, 요구사항이 모순될 때 조정하고, 기존 시스템의 제약 안에서 설계를 고르는 일입니다. 보고서가 2030년의 소프트웨어 공학을 극적으로 바뀌되 인간 감독이 남는 모습으로 그리는 것은, 자동화가 어디까지 올라오는지를 말하는 동시에 측정되지 않는 영역이 어디부터인지를 말하는 것이기도 합니다.

20-70%인가 20% 둔화인가

오늘날의 AI 체계는 이미 자연어 명세로부터 구현을 제공하고, 코드를 편집하는 중에 제안을 내놓고, 버그를 자율적으로 조사해 해결할 수 있습니다(Cui et al. 2025; Jimenez et al. 2024). 그러나 에포크 AI는 이 역량들이 아직 신뢰할 만하지 않으며 대개 엔지니어 업무의 쉬운 쪽 문제에 적용된다는 점을 분명히 합니다(Miserendino et al. 2025).

SWE-bench Verified가 그 예입니다. 이 문제들은 실제 깃허브 이슈에서 가져왔지만, AI의 시도가 성공했는지 명확히 판정할 단위 테스트가 있는 것만 골라 담았습니다. 그 선별의 결과로 거의 모든 문제가 파일 한두 개만 건드리고 주로 작은 이슈를 해결하는 것이 되었습니다.

오늘날 이 벤치마크의 선두 점수는 약 70%입니다. 무작위보다는 훨씬 낫지만 믿고 맡길 수준과는 거리가 멉니다. 그래서 오늘날의 AI는 대부분 긴밀한 감독 아래 조수로 쓰입니다.

현장 연구의 결과는 엇갈립니다. 대부분의 연구는 20-70%의 생산성 개선을 발견했고 개발자와 영역에 따라 편차가 컸습니다. 그런데 한 엄밀한 현장 연구는 놀랍게도 20%의 둔화를 발견했습니다.

에포크 AI가 인용한 문헌 검토는 일곱 건의 실증 연구를 식별했는데, 그중 여섯 건이 20-70%의 속도 향상이나 산출 증가를 보고했고 나머지 한 건이 둔화를 보고했습니다. 그리고 에포크 AI는 그 한 건이 방법론 면에서 가장 철저하다고 주장할 만하다는 점을 인정합니다. 그래서 20%를 출발점으로 삼되 현재 증거에 상당한 불확실성이 있음을 함께 적습니다.

벤치마크의 틀이 어디로 향하는지도 중요합니다. 많은 인기 벤치마크는 문제를 자율 공학 에이전트가 중요한 소프트웨어 과업을 끝까지 수행하는 구도로 짜 놓습니다(Jimenez et al. 2024; Miserendino et al. 2025; Wijk et al. 2025). 이것이 극단으로 가면 소프트웨어 공학의 성격 자체가 바뀌어 인간 엔지니어가 코딩 에이전트를 감독하는 형태가 됩니다(Yang et al. 2024).

다만 에포크 AI는 위 벤치마크들을 푸는 일이 그 극단적 결과에 이른다는 뜻은 아니라고 선을 긋습니다. 두 경우 모두 현실 문제에 비해 벤치마크가 더 명확히 정의되어 있고 더 짧으며 개념적으로 더 단순하기 때문입니다. 그럼에도 그것들을 푸는 일은 분명한 진보의 신호입니다.

가상 엔지니어 팀을 감독한다는 그림과 맞물려, 여러 AI 연구자는 AI가 향후 5년 안에 자기 업무의 실질적인 구현 과업을 자율적으로 수행하게 되고 더 높은 수준의 계획과 연구 아이디어 창출에서 경쟁하는 일은 그다음이 되리라고 예측합니다(Owen 2024b). 최근 증거는 주어진 신뢰성 수준에서 AI가 수행할 수 있는 자율 소프트웨어 과업의 시간 지평이 연 3.3배로 꾸준히 늘어 왔음을 보여 줍니다(Kwa et al. 2025).

다만 영역에 따라 전망이 갈립니다. AI 연구에는 계산 비용이 큰 실험과 학습이 따르므로, AI 에이전트가 스스로 상당한 컴퓨트 자원을 배분하게 된다면 극도로 신뢰할 수 있어야 합니다. 반면 웹페이지를 구현하고 디버깅하는 것처럼 위험이 낮은 과업에서는 전망이 훨씬 낙관적입니다.

해설
둔화를 보고한 연구는 모델 평가·위협 연구 기관(METR)이 2025년 7월 발표한 무작위 대조시험입니다. 자기가 수년간 기여해 온 대규모 오픈소스 저장소에서 실제 작업을 수행하는 숙련 개발자들을 대상으로, 과업마다 AI 도구 사용 여부를 무작위로 배정했습니다. 결과는 AI를 쓴 과업이 평균 19% 더 오래 걸렸다는 것이었고, 보고서는 이를 20%로 반올림해 인용합니다.

이 연구가 특히 주목받은 이유는 참가자들의 체감과 측정이 반대였다는 점입니다. 개발자들은 AI가 자신을 더 빠르게 만들었다고 느꼈지만 실제 기록은 그 반대였습니다. 다른 연구들과의 차이는 대상에 있을 가능성이 큽니다. 자기 코드베이스를 깊이 아는 숙련자가 익숙한 저장소에서 일하는 상황은 AI가 보탤 여지가 가장 작은 조건이기도 합니다.

남은 세 가지 장애물

자동화가 이끄는 소프트웨어의 풍요를 가로막을 수 있는 것은 무엇인가 하는 질문에, 에포크 AI는 가장 흔히 제기되는 우려 셋을 놓고 답합니다. 추론 비용, 신뢰성과 그에 따른 인간 감독의 필요, 그리고 열린 문제 해결에서 AI가 보이는 결함입니다(Owen 2024b).

추론 비용은 지금까지 소프트웨어 에이전트에게 비교적 감당할 만한 수준이었습니다. AI가 성공적으로 풀어낸 더 어려운 벤치마크 문제들에서 추론 비용은 해당 문제에 대응하는 인간 임금보다 훨씬 낮았습니다(Wijk et al. 2025). 중요한 단서는 더 어려운 문제를 풀려면 추론을 더 키워야 할 수 있다는 점입니다. 이에 맞서는 것이 비용 하락입니다.

선도 모델의 추론 비용은 연 10배 이상의 속도로 극적으로 싸졌습니다(Cottier et al. 2025). 설령 추론이 학습 컴퓨트와 비슷하게 연 4-5배로 커지더라도 현 추세에서는 순비용이 줄어듭니다. 따라서 추론 비용이 중기적으로 병목이 될 가능성은 낮아 보입니다.

신뢰성은 더 까다롭습니다. 가상 엔지니어 팀을 감독한다는 구도에서 인간 엔지니어가 개입해 코드 깊숙이 들어가야 할 필요가 조금이라도 남아 있다면 그것이 중요한 병목이 됩니다. 자연스러운 비교 대상은 오늘날 주니어 엔지니어를 감독하는 일입니다. 경험 많은 엔지니어가 가끔 상세한 입력을 넣어 주어야 하는 상황 말입니다. AI의 신뢰성이 인간보다 의미 있게 낮은 수준에 머문다면 소프트웨어 에이전트의 쓸모는 확장된 코딩 조수 수준에 머무르게 됩니다.

에포크 AI는 이 문제가 R&D 소프트웨어 공학에서 특히 심각할 수 있다는 점도 각주에서 짚습니다. 연구용 코드는 웹 개발과 달리 결과가 쉽게 검사되지 않기 때문입니다. 도메인 전문가들이 기계학습 실험용 소프트웨어 공학에 변혁적 전환이 얼마나 빨리 올지를 두고 다른 영역과 다르게 의견을 내는 이유도 여기에 있습니다.

열린 문제 쪽은 예측하기가 가장 어렵습니다. 다만 최근의 SWE-Lancer 같은 벤치마크는 현실의 프리랜서 과업이 이미 소프트웨어 에이전트의 사정권 안에 있음을 보여 줍니다. SWE-bench 과업보다 더 열려 있는데도 그렇습니다.

이 벤치마크는 단위 테스트가 아니라 종단 간 테스트를 쓰는데, 테스트가 에이전트에게 코드를 어떻게 구현할지 힌트를 주지 않으므로 더 열린 과업이 가능해집니다. 에포크 AI는 AI 에이전트가 머지않아 몇 시간짜리 프리랜서 소프트웨어 작업에 맞먹는 과업을 풀 수 있게 되고, 더 어려운 과업은 AI와 인간의 조합에만 접근 가능한 상태로 남으리라고 봅니다. 현 추세대로라면 이것도 계속 개선되어, 최소한 프로토타이핑이나 분석을 위한 소프트웨어 공학 에이전트가 싸고 어디에나 있는 세계로 이어집니다.

해설
시간 지평이 연 3.3배로 늘어난다는 지표는 조금 특이한 방식으로 정의됩니다. 사람이 수행하면 몇 분, 몇 시간이 걸리는 과업들을 모아 놓고, AI가 일정한 성공률을 유지하며 해낼 수 있는 과업의 길이가 어디까지인지를 재는 것입니다.

이 지표가 유용한 이유는 점수의 상한에 갇히지 않기 때문입니다. 어떤 벤치마크든 100%에 가까워지면 더는 진전을 측정할 수 없지만, 과업의 길이는 계속 늘려 가며 잴 수 있습니다. 연 3.3배라는 숫자를 그대로 연장하면 지금 한 시간짜리 과업을 해내는 모델이 몇 년 뒤에는 하루치 과업을 해낸다는 계산이 나오는데, 이것이 자율 에이전트 전망의 수치적 근거가 됩니다.

[한국 관점]
이 절의 예측이 한국 소프트웨어 산업에 닿는 지점은 업무의 성격에 있습니다. 국내 소프트웨어 매출의 상당 부분이 시스템통합(SI)과 그에 딸린 유지보수에서 나오는데, 이 영역의 업무는 요구사항이 문서로 비교적 명확하게 정의되고 검수 기준이 미리 정해지는 경우가 많습니다. 보고서가 가장 먼저 자동화된다고 보는 잘 정의된 문제의 범주와 겹치는 부분이 큽니다.

반대로 보고서가 벤치마크의 공백으로 남겨 둔 영역, 곧 무엇을 만들지 정하고 모순되는 요구를 조정하는 일은 국내 산업 구조에서 발주처 쪽에 더 많이 놓여 있습니다. 자동화가 아래에서 위로 올라온다는 보고서의 그림을 받아들인다면, 국내에서 먼저 영향을 받는 쪽은 구현 단계의 인력이고 그 변화가 인건비 기준의 도급 단가 구조와 어떻게 맞물릴지가 실질적인 쟁점이 됩니다.

수학 벤치마크는 수학자의 일에서 멀리 있습니다

수학을 위한 AI는 머지않아 연구 조수로 작동하면서 증명 스케치나 직관에 살을 붙이는 일을 시도할 수 있습니다. 수학자들의 초기 기록은 이미 AI가 자기 일에 도움이 된다고 적고 있습니다. 다만 AI 도구가 널리 쓰이려면 수학자들의 업무 흐름에 상당한 변화가 필요할 수 있습니다. 그리고 저명한 수학자들은 두 가지 점에서 크게 갈립니다. 기존 수학 AI 벤치마크가 자기 일과 얼마나 관련 있다고 보는가, 그리고 AI가 조수를 넘어 자율적으로 수학 결과를 만들어 내기까지 얼마나 걸린다고 보는가입니다.

에포크 AI가 먼저 짚는 것은 거리의 문제입니다. 수학 벤치마크는 전문 수학자의 업무 과업에서 소프트웨어 공학 벤치마크보다 더 멀리 떨어져 있습니다. 흔한 수학 벤치마크의 다수가 시험에 초점을 맞추고 있기 때문입니다. 학교 시험이거나, 여러 수학 올림피아드를 포함한 더 까다로운 초청 대회입니다. 이들은 AI의 진보에 관해 정보를 주기는 하지만, 벤치마크가 풀린 뒤 그것을 쓸모 있는 역량으로 옮겨 읽기가 덜 자연스럽습니다.

주목할 예외가 FrontierMath입니다. 이 벤치마크는 초기 경력 연구 수학자가 마주하는 질문과 비슷하게 문제를 구성하려 하면서도 답을 쉽게 검증할 수 있는 상태를 유지하려 했습니다. 몇몇 저명한 수학자가 이 벤치마크에서 가장 어려운 문제들의 난이도를 강조했습니다. 테런스 타오(Terence Tao)는 가장 어려운 부분집합에 대해, 가까운 시일 안에 그것을 푸는 유일한 길은 해당 분야의 진짜 전문가가 없다면 인접 분야 대학원생 정도의 준전문가가 최신 AI와 여러 대수 패키지를 조합해 함께 달려드는 것이라고 평했습니다.

해설
본문에 나오는 세 벤치마크는 요구하는 답의 형태가 다릅니다. AIME는 미국 수학 올림피아드 진출자를 가리는 고교 시험으로 답이 정수입니다. USAMO는 그 위 단계의 올림피아드로 증명을 써야 합니다. FrontierMath는 전문가 수준까지 난이도를 올리되 답은 숫자나 간단한 식으로 받습니다.

답의 형태가 중요한 이유는 채점 가능성 때문입니다. 숫자 답은 자동으로 맞고 틀림을 가릴 수 있어 강화학습의 보상 신호로 바로 쓸 수 있지만, 증명은 사람이 읽거나 형식 체계로 검증해야 합니다. 수학 AI의 진전이 수치 답 시험에서 먼저 나타나고 증명 시험에서 늦는 패턴은 수학적 난이도가 아니라 이 채점 구조의 차이에서 상당 부분 비롯합니다.

FrontierMath를 어떻게 읽을 것인가

이 벤치마크에서 뒤이어 나타난 빠른 진전은 문제들이 보였던 만큼 정말 어려웠는지에 대한 의문을 낳았습니다. 에포크 AI는 가능한 원인 하나를 자기 벤치마크의 설계에서 찾습니다. 해답을 검증 가능하게 만들기 위해 많은 문제가 수치 답을 쓰는데, 수치 문제는 설계자들의 의도와 달리 무차별 대입에 취약할 수 있다는 것입니다. 따라서 이 벤치마크가 까다로운 수학적 추론에서의 진보를 과대평가할 위험이 있습니다.

그럼에도 벤치마크의 타당성 문제와는 별개로, 여러 저명한 수학자가 수학 AI의 빠른 진보를 예상합니다. 심지어 수학 연구의 완전 자동화에 대해 매우 불확실하다는 단서를 달면서도 10년이라는 시간표를 제시한 경우도 있습니다(Glazer et al. 2024). 리처드 보처즈(Richard Borcherds)는 AI가 언제 연구에서 인간을 넘어서느냐는 물음에, 내년은 아니고 앞으로 100년 안에는 거의 확실하다고 한 뒤 “So I’ll go for about ten years or so”라고 답했습니다.

그렇다면 FrontierMath 같은 야심 찬 벤치마크가 풀린다면 수학에서 무엇이 가능해질까요. 수학자들이 내놓은 답은 조수의 역할에 가깝습니다. 그런 AI가 계산을 검증하고 추측을 시험하고 일상적인 기술적 작업을 처리하는 동안, 더 넓은 연구 방향을 정하고 통찰을 만들어 내는 일은 사람에게 남는다는 그림입니다(Glazer et al. 2024).

여러 수학자가 관심을 보인 또 다른 영역은 형식화와 소통입니다. 타오는 수학 논문을 쓴다면 증명을 증명 보조기에 설명하고 그것이 형식화를 돕게 하겠다고 말했습니다. AI가 형식화의 장벽을 낮추는 일은 수학자들이 지식을 만들고 나누는 방식 자체를 바꿀 수 있습니다.

해설
형식화는 사람이 읽는 수학 논증을 기계가 한 단계씩 검증할 수 있는 언어로 옮기는 작업입니다. 린(Lean) 같은 증명 보조기가 그 도구인데, 지금까지는 한 편의 논문을 형식화하는 데 원 논문을 쓰는 것보다 훨씬 많은 품이 들어 널리 쓰이지 못했습니다.

AI가 이 비용을 떨어뜨리면 두 가지가 바뀝니다. 하나는 검증입니다. 형식화된 증명은 사람이 읽지 않아도 옳음이 보장되므로, AI가 쏟아 내는 결과를 수학자가 일일이 검토하는 병목이 사라집니다.

다른 하나는 축적입니다. 형식화된 결과는 기계가 재사용할 수 있는 자산이 되어 다음 증명의 재료가 됩니다. 수학자들이 이 영역에 특별히 관심을 보이는 이유가 여기 있습니다.

[사후 맥락]
보고서가 증명 기반 시험을 조심스럽게 다루는 대목은 발표 시점과 어긋나는 데가 있습니다. 2025년 7월 국제수학올림피아드에서 구글 딥마인드의 제미나이(Gemini) 딥싱크와 오픈AI의 모델이 각각 금메달 수준의 성적을 냈습니다. 두 결과 모두 형식 언어가 아니라 자연어로 증명을 작성한 범용 모델에서 나왔습니다.

이는 보고서가 2025년 9월에 발표되기 두 달 전의 일인데, 본문은 증명 기반 시험이 머지않아 뒤따를 가능성이 있다는 선에서 서술을 멈추고 알파프루프(AlphaProof) 같은 특화 체계와 범용 체계를 여전히 구분해 둡니다. 보고서가 그리는 수학 AI의 궤적은 이 점에서 이미 한 박자 보수적이었던 셈이며, 자율적으로 실질적인 결과를 증명하는 수준이 2030년 전에 올 수도 있다는 본문의 단서는 그만큼 더 무겁게 읽을 만합니다.

수학의 과업별 진전 현황

에포크 AI는 수학 과업도 난이도 순으로 늘어놓고 대응하는 벤치마크의 상태를 정리합니다. 소프트웨어 공학과 마찬가지로 목록의 아래쪽에서 벤치마크가 사라집니다.

• 단순 산술 — GSM8k 같은 벤치마크는 이미 풀렸습니다. 다만 꽤 최근 모델에서도 신뢰성은 여전히 문제로 남아 있습니다.
• 학교 수학 시험 — SAT나 GRE 같은 학업 종료 시험은 풀렸으나 신뢰성이 나쁠 수 있습니다.
• 고교 수학 대회 — AIME처럼 수치 해답을 요구하는 시험은 대체로 풀렸습니다. USAMO처럼 증명을 요구하는 시험은 제미나이 2.5에서 급격한 진전을 보여 머지않아 뒤따를 가능성이 있습니다. 알파프루프 같은 특화 체계는 더 나은 성적을 냈지만 자가 대국으로 학습할 수 있는 형식적 환경에 특화되어 있습니다. 퍼트넘 시험 문제의 형식적 증명을 다루는 PutnamBench는 초기 진전의 신호가 일부 보이나 시간표를 확신할 만큼은 아닙니다.
• 전문가 수준 문제 — 며칠이 걸리는 까다로운 문제에 수치 답을 요구하는 과업이며 FrontierMath가 빠른 진전을 보였습니다. 다만 난이도 등급과 모델 유형이 다양해 해석이 까다롭습니다.
• 증명 형식화 — 비형식 언어로 쓰인 증명을 형식화하는 과업입니다. 이 영역은 아직 초기이며, 대부분의 프로젝트가 학부 교육과 수학 대회에서 가져온 자연어 문제 진술의 형식화를 시험하는 단계이고 체계적으로 벤치마크된 모델은 거의 없습니다.
• 실질적 정리 증명 — 보조정리나 정리를 증명하는 과업이며 아직 체계적 벤치마크가 없습니다. 특화 AI 체계가 수학자들이 유망한 추측을 찾아내거나 결과를 증명하도록 도운 사례는 있으나 상당한 수학자 입력이 필요했습니다.

좁은 도구, 초기 사용 기록, 그리고 병목

분석을 복잡하게 만드는 요소가 하나 있습니다. 수학을 위한 더 좁은 AI 체계가 여럿 존재하고 그중 다수가 지금까지 가장 인상적인 결과를 냈다는 점입니다. 알파프루프 같은 형식 체계는 범용 체계보다 먼저 국제수학올림피아드 문제에서 높은 점수를 얻었지만 아직 연구에 유용하다고 기록되지는 않았습니다. 다른 AI 도구들은 연구자를 유망한 추측으로 안내하거나 제약 아래에서 문제를 최적화하는 데 쓰여, 상당한 수학자 입력과 함께 새로운 결과로 이어졌습니다(Davies et al. 2021; Romera-Paredes et al. 2024; Novikov et al. 2025).

이 작업들은 실험 수학에 관한 이전 연구와 상당히 겹치지만, 전통적인 기계학습이 잡아내지 못할 패턴을 탐지하는 딥러닝 방법을 활용할 수 있다는 차이가 있습니다. 결과는 좁은 AI 체계와 LLM 위에 구축된 과업 특화 체계 양쪽에서 나왔으며, 도메인 전문가의 광범위한 문제별 설정 작업과 결합되어 쓰였습니다. 한 후속 리뷰는 이 과정의 거의 모든 단계에서 문제에 대한 깊은 수학적 지식이 필요했다고 서술합니다. 딥러닝 구조를 설계하는 단계, 데이터셋을 만드는 단계, 실험을 고르는 단계, 그것을 해석하는 단계, 그리고 당연하게도 정리를 증명하는 단계 모두에서 그랬다는 것입니다. 에포크 AI는 더 좁은 AI 도구가 범용 체계보다 먼저, 또는 동시에 대규모로 유용해질 가능성도 그럴듯하다고 봅니다.

소프트웨어 공학과 달리 수학에서는 기존 AI가 수학자의 생산성을 얼마나 개선했는지 조사한 체계적 연구가 없습니다. 다만 수학자들이 AI를 자기 일에 쓴다는 주목할 만한 기록들은 있습니다. 위의 좁은 도구 결과에 더해, 수학자들이 범용 LLM과 작업한 초기 인상을 공유해 왔습니다. 현재의 기록들은 AI가 믿을 만하게 도움이 되는 것과는 거리가 멀지만 때로 일상 연구에 의미 있게 도움이 된다고 시사하며, 유도를 성공적으로 정식화한 경우가 예로 거론됩니다(Burnham 2025). 타오는 당시 모델을 쓰는 경험을 “mediocre, but not completely incompetent” 대학원생을 지도하는 일에 비유하면서, 역량이 한두 번만 더 개선되고 컴퓨터 대수 패키지나 증명 보조기 같은 도구와 통합되면 유능한 대학원생 수준에 이르러 연구 수준의 과업에 상당히 쓸모 있어지리라고 덧붙였습니다.

마지막으로 배포를 가로막을 수 있는 요인들입니다. 여러 수학자가 감당할 만한 배포 비용, 전문 데이터의 부족, 열린 문제 해결의 중요성을 지적했습니다(Glazer et al. 2024).

비용은 소프트웨어 공학에서 논의한 이유로 큰 문제가 아닐 가능성이 높습니다. 추론 컴퓨트가 극적으로 커지더라도 비용 하락이 이를 보상할 것입니다. 반면 전문 데이터의 부족은 중요한 병목일 수 있습니다.

많은 연구 도메인이 소수의 관련 논문에 의존하고 있어서, AI 체계의 데이터 효율성에 따라서는 유용한 학습에 필요한 데이터가 아예 존재하지 않을 수 있습니다. 그리고 데이터 부족은 열린 문제 해결에 관한 우려와도 맞닿아 있습니다. 수학자들은 가장 흥미로운 문제에 대한 증명을 발표하지, 자신의 추론 과정과 오류와 중간 진행 상황을 상세히 기록해 공유하지는 않기 때문입니다.

업무 방식 자체가 병목이 될 수도 있습니다. 가끔 환각이나 미묘한 오류에 빠지는 AI 생성 결과가 대량으로 쏟아질 때 그것을 따라가려면 형식화가 더 흔해져야 하는데, 이는 그 나름의 과제를 가져옵니다(Yang et al. 2024).

그럼에도 AI의 진보와 전문가 의견에서 나오는 전반적인 그림은 꽤 낙관적입니다. AI는 수학 연구에 기여할 가능성이 높고, 최소한 오늘날 소프트웨어 공학에서 쓰이는 것과 비슷한 수준의 유용한 조수가 될 것입니다. 그 조수가 강력해지는 정도에 비례해 연구 발견의 속도도 올라가리라 예상됩니다. 다만 기본적으로 새로운 수학 결과가 응용 연구에 닿기까지 몇 년이 걸리므로 처음에는 더 넓은 사회에 눈에 띄는 영향이 거의 없을 것입니다(Frontier Economics 2014).

수학 R&D의 경제적 편익에 관한 기존 연구가 응용 R&D에 초점을 맞추고 컴퓨터과학이나 데이터 분석 같은 관련 직업의 GDP 기여를 세는 식으로 이뤄져 온 것도 그래서입니다(Deloitte 2013). 과학 R&D 전반의 사회적 수익은 사적 편익의 약 두 배로 추정되고 한계 R&D 자금의 수익률 추정치는 연 50% 안팎에 중심이 있는데, 데이터가 비교적 희소하다는 단서가 붙습니다. 장기적으로 기초 수학 R&D의 산출 증가는 응용 용도에 상당한 파급 편익을 낳고, 그 결과는 암호학과 통계학과 컴퓨팅과 물리학으로 차례로 퍼져 나갈 가능성이 높습니다.

두 갈래로 갈리는 길

과학자들은 분자생물학에서 AI가 갈 두 가지 다른 길을 구상합니다. 생체분자 모델링 같은 과업을 위한 변혁적 AI 도구가 한 길이고, 연구 과정의 일부를 자동화하는 범용 AI 조수가 다른 길입니다. 알파폴드 같은 도구는 이미 이 분야를 혁신하고 있으며 더 복잡한 구조에 대해 더 많은 속성을 예측하는 쪽으로 확장될 것입니다. 한편 생물학 연구를 위한 AI 조수는 아직 초기 단계지만 여러 핵심 R&D 단계를 가속할 가능성을 품고 있습니다.

생물학에서 AI가 가능성을 보이는 응용은 매우 많습니다. 생체분자의 구조와 상호작용 예측, 유전체 데이터의 분석과 편집, 이미징, 실험실 로봇공학이 모두 여기 들어갑니다. 분야가 넓어 에포크 AI는 두 영역에 집중합니다. 특화 도구와 범용 에이전트의 분기를 가장 잘 대표하는 영역으로, 생체분자의 예측과 설계, 특히 단백질을 다루는 쪽과 생물학 데스크 리서치 쪽입니다. 습식 실험실 연구를 위한 로봇공학이나 이미징 같은 다른 영역도 지극히 중요할 수 있지만, AI의 범위에 덜 직접적으로 들어가거나 분석하기가 덜 간단합니다.

생체분자의 예측과 모델링에서 AI는 놀라운 성공을 거두었습니다. 알파폴드2의 주 저자들이 2024년 노벨 화학상을 공동 수상했습니다. 알파폴드 같은 접근은 단백질 구조 예측을 혁신해, 잘 특징지어진 많은 단백질 도메인에 대해 평형 상태에서 실험에 가까운 정확도를 달성했습니다. 이후의 연구는 이 성공을 다른 문제로 옮기려 시도해 왔습니다. DNA와 RNA 같은 다른 생체분자, 동적 구조, 분자 사이의 상호작용, 나아가 표적 식별과 단백질 설계가 그 대상입니다.

해설
2024년 노벨 화학상은 세 사람에게 돌아갔습니다. 알파폴드2를 만든 두 사람이 구조 예측으로 받았고, 데이비드 베이커(David Baker)가 단백질 설계의 진전으로 같은 해 상을 함께 받았습니다. 베이커 연구실의 도구 다수는 원래 AI 접근을 쓰지 않았지만 RoseTTAFold처럼 쓰는 것도 있습니다.

본문의 설명에는 유보가 함께 붙어 있습니다. 실험에 가까운 정확도는 잘 특징지어진 단백질 도메인의 평형 구조에 대한 이야기이며, 본질적으로 무질서한 영역과 단백질 복합체와 일부 새로운 접힘에 대해서는 과제가 남아 있습니다. 단백질 접힘 문제가 풀렸다는 널리 퍼진 표현이 가리키는 범위가 생각보다 좁다는 뜻입니다.

한 가지 구분도 미리 해 둘 만합니다. 알파폴드나 RoseTTAFold처럼 주로 공간 데이터를 쓰는 특화 모델과, Evo나 프로젠(ProGen)처럼 대규모 생물학 서열 말뭉치로 학습된 단백질 언어모델(PLM)은 성격이 다릅니다. 보고서는 좁은 도구와 범용 AI를 나누어 논의하지만 그 경계가 흐릿하다는 점을 인정합니다. 생물학을 위한 최고의 범용 조수는 알파폴드 같은 도구를 호출해 쓰거나 도메인 특화 데이터로 추가 학습된 형태일 수 있습니다.

생체분자 예측의 현재와 한계

에포크 AI는 생체분자 예측 과업을 난이도 순으로 늘어놓습니다. 목록의 위쪽은 사실상 풀렸고 아래쪽은 무작위 확률을 넘기지 못하고 있습니다.

• 단백질 평형 구조 — 기본 구조에 대해서는 풀렸습니다. 다만 환각이나 본질적으로 무질서한 단백질 같은 과제가 남아 있습니다.
• 다른 생체분자와 복합체의 구조 — 단백질데이터뱅크(PDB)의 홀드아웃 세트나 CASP 대회 같은 관련 벤치마크에서 진전이 이어지고 있습니다.
• 맞춤 결합체 설계 — 고처리량 스크리닝 없이 설계하는 과업이며 알파프로테오 같은 시연 사례에서 달성되었습니다. 다만 임의의 표적에 대해서도 그런지는 확인되지 않았습니다.
• 단일 염기 변이 효과 예측 — ClinVar 같은 벤치마크에서 꾸준한 진전을 보입니다.
• 임의의 단백질 상호작용과 결합 — PoseBusters 같은 도킹 벤치마크는 진전을 보이지만, 임시로 수행된 시험들은 현재 방법이 임의의 현실 단백질끼리의 상호작용에서 고전한다는 점을 시사합니다.
• 저분자 상호작용 — 저분자의 결합 예측 성능은 야생 상태 벤치마크에서 무작위 확률을 넘어서기조차 어려운 상태입니다.
• 효능과 독성 같은 속성 — 활발한 연구 관심이 있고 AI 방법이 확률보다 낫다는 개별 결과들이 있습니다. 다만 대개 사전에 지정된 도메인 안에서 상당한 전문가 설정과 함께 이뤄진 것이며, 임의의 생체분자에 대한 속성 예측과는 다릅니다.

데스크 리서치 조수의 초기 성과

데스크 리서치 과업을 위한 AI는 더 최근에야 진전을 보이기 시작했습니다. LLM이 까다로운 문헌 검색 질문, 실험 프로토콜에 관한 추론, 그림 해석을 다루는 첫 객관식 벤치마크 일부를 최근 풀어냈습니다(Laurent et al. 2024). 현재 생물학 연구 과업을 위한 AI는 대체로 전문 지식에 관한 표현력 있지만 오류가 잦은 검색 엔진으로 작동합니다.

생물학에서 지금까지 AI의 가장 눈에 띄는 결과는 에이전트보다 도구에서 나왔습니다. 다만 AI 문헌 연구 도구가 약물 재창출 표적이나 새로운 치료법을 제안한 흥미로운 최근 결과들도 있습니다(Gottweis et al. 2025; Lu et al. 2024; Huang et al. 2024).

이 영역의 과업별 진전은 다음과 같습니다.

• 학교 수준 생물학 질문 — MMLU 안의 생물학 범주와 학교 시험 벤치마크는 풀렸습니다. 강건성과 신뢰성이 남은 과제이지만 꾸준히 개선되는 것으로 보입니다.
• 대학원 수준 객관식 질문 — GPQA 같은 벤치마크가 꾸준히 진전하고 있습니다.
• 습식 실험실 프로토콜에 관한 열린 질문 — 열린 형식의 ProtocolQA와 BioLP가 꾸준히 진전하고 있습니다.
• 최근 연구 문헌에 관한 질문 — 잘 정의된 질문을 다루는 LitQA 같은 벤치마크가 꾸준히 진전하고 있습니다.
• 종단 간 생명정보학 분석 — BixBench는 아직 뚜렷한 진전을 보이지 않으나 최근에 공개된 벤치마크입니다. BioCoder나 ScienceAgentBench처럼 덜 까다로운 생명정보 과업을 다루는 벤치마크는 꾸준히 진전하고 있습니다.
• 열린 연구 질문과 가설 제안 — 가설을 세우고 관련 실험과 선행연구를 식별하는 과업입니다. 이를 완전히 다루는 종단 간 벤치마크가 없으며, 공동과학자 같은 체계의 시연 결과가 진전을 시사하는 정도입니다.

해설
보고서가 공동과학자라고 부르는 것은 여러 AI 에이전트가 역할을 나누어 가설을 세우고 서로 비판하고 순위를 매기는 방식으로 연구 아이디어를 내놓는 체계입니다. 구글이 2025년 초 공개한 시연에서는 간 섬유증 치료 후보와 항생제 내성 기전에 관한 가설을 내놓고 실험실에서 일부가 확인되었다고 보고되었습니다.

에포크 AI가 이런 결과를 시연이라는 말로 조심스럽게 표현하는 이유는 평가 구조 때문입니다. 성공한 사례를 골라 보여 주는 것과, 정해진 문제 집합에서 성공률을 재는 것은 다릅니다. 이 영역에 종단 간 벤치마크가 없다는 말은 아직 후자가 불가능하다는 뜻입니다.

2030년의 생물학 R&D와 신약 파이프라인

2030년의 AI 지원 생물학 R&D는 어떤 모습일까요. 에포크 AI는 생화학과 약물 표적, 궁극적으로는 신약 개발 주변에 논의를 집중합니다.

벤치마크 진전은 RNA와 DNA와 단백질 복합체와 저분자와 상호작용 같은 다른 생체분자 예측 과업도 단백질과 비슷한 진전을 보이리라 시사합니다. 충분한 데이터를 찾거나 생성할 수 있다는 조건이 붙습니다. 구조 예측은 꾸준히 개선되어 수용체 결합 같은 다른 속성의 더 나은 예측을 가능하게 할 것입니다. 에포크 AI는 각주에서 더 구체적인 전망을 적습니다. 기존 단백질 도킹 벤치마크의 진전을 고려하면 2030년에는 무작위로 고른 표적에 대해서도 상호작용이 오늘날의 단백질 구조만큼 꽤 예측 가능해지리라는 것입니다.

실험실 실험은 여전히 지극히 중요하게 남겠지만, 주어진 표적 하나를 조사하는 데 드는 실험실 시간은 줄어들 것입니다. 한편 문헌을 탐색하고 실험을 디버깅하고 결과를 분석하는 일은 AI의 도움을 받게 되고, 데스크 리서치와 프로토콜 디버깅에 관한 기존 벤치마크는 포화될 것으로 보입니다. 전문가들은 둘 중 어느 쪽이 더 기여할지를 두고 의견이 갈리지만 양쪽 모두 진전하리라는 데는 동의합니다.

이는 초기 R&D를 상당히 가속합니다. 새 약물 표적을 떠올리고 조사하는 데 드는 연구자 시간이 전반적으로 줄고, 더 높은 결합 친화도와 더 낮은 독성과 다른 표적과의 적은 상호작용처럼 더 나은 특성을 가진 약물 쪽으로 방향을 잡게 됩니다.

그러나 하류의 신약 개발에서는 2030년까지 종단 간 생산성 효과가 완만할 가능성이 높습니다. 새 생의학 치료제에 요구되는 시간과 규제 절차 때문입니다. 새 약물이 시험과 승인을 거치는 데는 보통 8년이 걸립니다(Brown et al. 2021). 2030년에 승인되는 약물은 오늘날 이미 시험 파이프라인에 들어가 있는 것들일 가능성이 높고, 따라서 그 초기 개발에 AI가 관여했다면 그 일은 이미 지난 몇 년 사이에 벌어진 것입니다.

에포크 AI는 이것이 AI의 장기적 영향을 깎아내리는 말은 아니라고 덧붙입니다. 제약 파이프라인이 길다는 사실 자체가 AI가 신약 개발을 가속할 기회의 바탕이기 때문입니다. 역사적으로 특정 의약품에 가장 많은 시간이 들어가는 구간은 초기 개발이며, 한 연구는 새 표적의 착수에서 첫 임상시험까지 중앙값 28년이 걸린다고 식별했습니다(McNamee et al. 2017). 초기 연구를 가속하면 이 일정이 그에 상응해 단축될 수 있습니다.

더 장기적으로는 인실리코 예측이 현재 시험 중인 것보다 실질적으로 더 나은 치료제로 이어질 수 있습니다. AI가 설계한 치료제는 더 효과적이고 부작용이 적으며 시험 성공률이 높을 수 있고, 이는 다시 신약 개발의 경제성을 개선합니다. 현재 제약 R&D 지출의 약 절반이 이런 속성을 확인하는 임상시험에 쓰이는데, 세 단계에 걸쳐 단계마다 약 50%의 실패율을 보입니다(Sun et al. 2022). 다른 편익을 전부 무시하더라도 비싼 후기 단계 실패의 빈도를 줄이는 것만으로 변혁적일 수 있습니다.

또한 AI의 설계와 조직화가 완전히 새로운 생의학 공정을 가능하게 할 가능성도 있습니다. mRNA 백신처럼 처음부터 승인을 다시 받지 않고도 해마다 안전하게 갱신할 수 있는 공정이 개념적으로 비슷한 예입니다. 매년 수천억 달러가 제약 R&D에, 수조 달러가 의약품에 쓰이므로 하류의 영향은 지극히 가치 있을 것입니다.

[관점]
2030년에 승인되는 약물이 이미 파이프라인 안에 있다는 지적은 이 보고서에서 가장 날카로운 문장 가운데 하나입니다. 예측이 아니라 산술이기 때문입니다. 8년이라는 평균 기간을 받아들이면 2030년의 결과물은 이미 결정되어 있고, 지금 AI가 무엇을 해내든 그것은 2033년 이후의 승인 목록에나 나타납니다.

이 산술은 AI 신약 개발에 관한 공개 서사와 자주 어긋납니다. 투자 설명이나 언론 보도는 AI가 신약 개발 기간을 단축한다는 명제를 흔히 몇 년 안의 성과처럼 제시하지만, 규제 절차의 길이는 계산 능력과 무관하게 줄지 않습니다. 보고서가 책상 위의 연구는 번성하고 물리 세계와 규제가 끼는 영역은 뒤처진다고 요약한 대목의 가장 선명한 사례가 여기입니다.

[한국 관점]
이 시차는 국내 바이오 산업에서 특히 중요하게 읽힙니다. 국내 상장 바이오텍 상당수가 후보물질 발굴과 전임상 단계에 몰려 있고, 기업가치의 근거를 파이프라인의 진척에서 찾습니다. 보고서의 전망대로라면 AI가 가장 먼저 그리고 가장 크게 영향을 주는 구간이 바로 이 구간입니다.

다만 영향의 방향이 한쪽만은 아닙니다. 후보물질을 찾고 구조를 예측하는 일이 싸지면 그 단계의 희소성이 줄고, 경쟁 우위는 뒤쪽 단계, 곧 임상 설계와 수행 역량과 자금 조달 능력으로 옮겨 갑니다. 초기 단계 성과를 근거로 가치를 평가받아 온 기업에게 이는 기회이자 압력입니다. 보고서가 제시한 또 다른 숫자, 곧 단계당 50%의 임상 실패율을 낮추는 일이 경제적으로 가장 큰 보상을 준다는 지적도 같은 방향을 가리킵니다.

전문 데이터와 습식 실험실이라는 병목

연구자들이 자주 논의해 온 두 가지 잠재 병목이 있습니다. 전문 생물학 데이터의 필요성과 습식 실험실 실험의 지속적 중요성입니다(Lowe 2024b).

전문 데이터는 결정적으로 중요하며, 다른 문제들이 단백질 구조 예측만큼 데이터 수집에 순응적일지는 열린 질문입니다. 에포크 AI는 비관적인 진단 하나를 각주에 인용합니다. 미국 국립과학원의 생명과학 AI 보고서에 따르면, 핵산 서열과 구조 데이터라는 주목할 예외를 빼면 생명과학의 데이터는 파편화되어 있고 모델 학습에 적합할 만큼 강건하고 신뢰할 수 있으며 잘 큐레이션된 데이터는 희소합니다. 고품질 데이터셋을 위에서부터 만들어 내는 접근과 다양하고 작은 데이터셋을 아래에서부터 통합하며 데이터 조화 도구를 함께 쓰는 접근이 모두 타당한 해법으로 제시됩니다.

긍정적인 신호도 있습니다. 여러 이니셔티브가 생물학 AI 개발을 위해 이미 대규모로 생물학 데이터를 수집하고 있습니다. 생물학 AI를 계속 개선할 유인이 큰 만큼 데이터 수집은 더 확대될 가능성이 높습니다. 다만 문헌 연구 에이전트에도 데이터가 병목인지는 별도의 문제로 남아 있습니다. 출판 편향 때문에 그럴 수 있다는 우려가 있는 반면, 출판물 말뭉치는 인간 연구자에게 주어진 것과 같은 자료이고 그들도 그것으로 문헌 연구를 배운다는 반론도 있습니다.

습식 실험실 실험은 거의 확실히 일상 업무의 중요한 부분으로 남습니다. 여기서의 불확실성은 그 병목이 얼마나 심각할 것인가입니다. 이는 개선된 AI 방법이 필요한 실험의 양을 얼마나 줄일 수 있는지에 크게 달려 있습니다.

여러 현실 사례에서 단백질 구조 예측이 실험 기간을 상당히 줄였습니다. 말라리아 연구자 매슈 히긴스(Matthew Higgins)는 수년간 필요한 세부를 얻지 못해 애먹던 문제에 알파폴드를 더해 자기 모델과 결합했더니 “we could suddenly see how the whole system worked”라고 전했습니다. 에포크 AI는 이런 증언이 여러 프로젝트에 걸친 평균 절감 시간을 결정해 주지는 못하지만, 계산 방법이 때로 실제로 상당한 시간을 아낀다는 증거는 된다고 적습니다.

데이터와 실험의 필요성에 관한 우려에도 불구하고 AI는 생물학 R&D를 의미 있게 가속할 것이라는 결론입니다.

이미 수치 모델을 넘어선 영역

AI 기상예측은 몇 시간에서 몇 주에 이르는 예측 과업에서 이미 전통적 방법을 넘어설 수 있습니다. 게다가 AI 방법은 운용 비용이 저렴하고, 데이터를 신중하게 모으면 더 개선될 여지가 있습니다. 에포크 AI는 다음에 놓인 큰 과제를 넷으로 정리합니다. 기존 예측을 개선하는 일, 더 희귀한 사건을 예측하는 일, 어쩌면 더 멀리 내다보는 일, 그리고 개선된 예측을 활용해 바깥 세계에서 실제 편익을 내는 일입니다.

성능부터 보겠습니다. 기존 벤치마크는 대부분 AI가 몇 시간에서 수십 일에 이르는 지평에서 최첨단 수치 모델 앙상블과 대등하거나 더 낫다는 것을 보여 줍니다(Rasp et al. 2024). 온도와 기압과 바람과 강수 같은 핵심 변수의 예측에서 AI 방법은 10-30% 더 나은 성능을 낼 수 있습니다(Price et al. 2024). 이는 특정 위치와 시점의 특정 변수에 대한 개별 예보에서 참이고, 더 넓게는 앙상블 예보의 상대적 경제 가치라는 지표에서도 참입니다.

다만 중요한 단서가 붙습니다. 이런 체계는 역사적 기상 데이터셋으로 학습되는데 그 데이터셋이 다시 수치 기상 모델에 의존합니다. 따라서 중요한 의미에서 AI 방법은 수치 모델을 완전히 대체한다기보다 증강하는 쪽에 가깝습니다.

다음 과제는 지평 연장이 아니라 보정입니다

수치 기준선을 넘어 단기와 중기 지점 예보에서 정확도를 얼마나 더 끌어올릴 수 있을지는 분명하지 않습니다. 연구자들은 개선이 계속되리라 보고 있으며 다른 데이터로 파인튜닝할 가능성도 열어 둡니다(Price et al. 2024). 그런데 에포크 AI는 어쩌면 더 중요한 것이 다른 영역에 있다고 적습니다. 확률 모델의 보정을 개선하는 일, 특히 허리케인 같은 희귀 기상 사건에 대한 보정입니다. 배경 조사로 인터뷰한 한 기상예측 연구자는 극한 사건 예측이 어렵지만 핵심 관심 영역이라고 강조하면서, 기계학습의 가능성을 낮춰 보는 쪽에 걸지 않는 법을 배웠다고 말했습니다.

예측 지평을 늘리는 문제도 거론되기는 합니다. 수치 방법은 혼돈 효과 때문에 지점 예측에서 약 2주가 한계라고 역사적으로 믿어져 왔는데, 그 한계를 넘어설 수 있을지 묻는 초기 연구가 나와 있습니다(Shen et al. 2024; Chen et al. 2024). 다만 에포크 AI는 이것이 훨씬 긴 시간 범위를 다루는 기후 예측 문제와는 분명히 구별된다는 점을 짚습니다. 기후 예측을 위한 AI도 활발한 연구 관심 영역이지만, 기상예측에서 보이는 분명한 진전에 비하면 여전히 열린 질문에 가깝습니다.

데이터라는 병목과 경제적 가치

2030년까지 AI는 기상예측 R&D를 어떻게 바꿀까요. 에포크 AI는 기상예측을 위한 좁은 AI에 초점을 맞추되 앞 절들에서 논의한 것과 비슷한 범용 연구 에이전트의 발전도 함께 있으리라 추정합니다. 수치 기상예측 연구는 의심할 여지 없이 계속됩니다. 직접 예측하는 도구로서도, AI가 올라탈 기반으로서도 그렇습니다. 어쩌면 AI 체계가 경험적으로 발견한 패턴이 연구자들을 모델링에 중요한 새 효과로 이끌 수도 있습니다.

그보다 에포크 AI가 더 기대하는 것은 경험적 연구의 번성입니다. 데이터를 모으고, 새 데이터원을 모델에 통합하고, 그 성능을 검증하는 작업입니다. 인터뷰한 한 연구자는 데이터를 수집하고 더 잘 쓰는 데 연구 노력이 더 들어가면 근본적으로 관측이 주도하는 기상예보 접근으로 이어질 수 있다고 서술했습니다. 그리고 수집이 끝난 뒤의 연구는 비교적 민주화될 가능성이 높습니다. AI 기상예측 모델은 수치 방법에 비해 실험 비용이 일반적으로 저렴하기 때문입니다.

가로막는 과제는 대부분 데이터에 관한 것입니다. 기존 데이터를 늘 쉽게 구할 수 있는 것은 아니고, 수집 지연이 R&D에는 적합해도 실시간 운용에는 적합하지 않을 수 있습니다. 에포크 AI가 드는 예가 구체적입니다.

고도로 국지적인 대기 기록이 단기 예측에 유익하다고 해 보겠습니다. 그런 기록은 현장에 배치된 하드웨어에 저장되었다가 연구 프로젝트의 일환으로 몇 주마다 판독값이 올라오는 식으로 수집되는 경우가 있습니다. 연구에는 쓸 수 있어도 오늘 아침의 예보에는 쓸 수 없는 데이터입니다.

제안된 많은 데이터원은 아직 체계적으로 수집되지 않거나 공개되어 있지 않습니다(Bouallègue et al. 2024). 체계적인 데이터 수집은 예측 가능한 병목에 부딪힙니다. 자금, 기관 사이의 조율, 그리고 어떤 경우에는 데이터 기록 장비를 설치할 허가입니다.

이 과제들이 해결된다고 가정하면 AI는 기상예측을 통해 상당한 현실 영향을 낼 수 있습니다. 폭풍과 홍수와 가뭄 같은 극한 기상 예측이 사회적 대응을 어떻게 개선할 수 있는지에 관한 연구가 이미 진행 중입니다(Camps-Valls et al. 2025; Cohen 2024). 구름양과 습도와 강우 같은 일상적 현상의 예측도 전력 인프라와 농업과 운송에서 결정적인 결정에 영향을 줍니다(Talbott 2022; Google Research, n.d.-b).

경제적 가치의 규모도 제시됩니다. 허리케인 예측의 개선은 2007년부터 2020년까지 미국에서 700억 달러를 절약한 것으로 추정됩니다(Molina and Rudik 2024). 영국에서 일반 대중과 기업을 위한 기존 기상예보는 각각 수백억 달러의 가치로 평가되어(Herr et al. 2024), 전 세계적 가치가 수천억 달러에 이를 수 있음을 시사합니다.

에포크 AI의 결론은 조심스럽지만 분명합니다. 2030년이면 더 정확하고 더 잘 보정되고 더 자주 갱신되는 예측으로 기상예측 체계를 풍부하게 할 역량이 이론상 존재할 것입니다. 그런 예측을 어떻게 활용할지 알아내는 과제는 계속되겠지만, 비관적으로 보더라도 기존의 의사결정 과정은 혜택을 봅니다.

[한국 관점]
기상예측은 이 보고서의 네 분야 가운데 한국에서 편익이 가장 직접적으로 잡히는 영역일 수 있습니다. 한반도는 여름철 강수가 짧은 시간과 좁은 공간에 집중되고 복잡한 지형이 그 분포를 비틀어 놓아, 격자 간격이 성긴 전 지구 수치 모델이 특히 어려워하는 조건을 갖추고 있습니다. 보고서가 꼽은 다음 과제, 곧 희귀 사건의 확률 보정과 국지 데이터의 통합이 그대로 한국의 숙제이기도 합니다.

응용 쪽에서도 수요가 분명합니다. 태양광과 풍력의 비중이 늘수록 발전량 예측 오차가 계통 운영 비용으로 바로 환산되고, 이는 앞의 에너지 절에서 AI가 배출을 줄일 수 있다고 한 경로와 같은 통로입니다. 제약은 보고서가 지적한 것과 같습니다. 국내에서도 관측 자료의 상당 부분이 기관별로 흩어져 있고 실시간 공개 수준이 제각각이어서, 모델의 성능보다 데이터 접근과 기관 간 조율이 먼저 걸립니다.

보고서가 내린 결론

에포크 AI는 AI 개발을 이끄는 추세와 그것이 2030년까지 어떻게 전개될지를 검토했습니다. 핵심 논증은 학습 컴퓨트와 추론 컴퓨트의 계속되는 스케일링이 앞길을 어느 정도 예측 가능하게 만든다는 것이며, 여기에는 그 스케일링이 하류 역량을 계속 개선한다는 전제가 붙습니다. 대체로 현재의 추세는 2030년까지 이어질 가능성이 높습니다. 최대 AI 모델은 수천억 달러가 들고 오늘날 선도 모델보다 약 1,000배 많은 컴퓨트를 씁니다. 그리고 AI 역량의 진보에 비추어 그럴듯해 보이는 대로 생산성을 높여 수조 달러의 경제적 가치를 창출할 수 있다면, 그만한 값어치가 있는 투자가 됩니다.

과학 R&D에 관해서도 같은 방식으로 답했습니다. 특히 비교적 설득력 있는 증거가 있는 영역, 곧 관련 벤치마크가 존재하고 AI가 높은 성능 수준으로 올라갈 궤도에 있음을 보일 수 있는 과업들에 주목했습니다. 이 예측에는 단서가 붙지만 미래의 AI가 수행할 수 있을 과업에 관한 분명한 증거를 제공합니다.

AI는 두 가지 방식으로 과학 R&D를 돕습니다. 생체분자 예측 같은 특정 고가치 과업을 위한 특화 도구가 하나이고, 문헌 검토 같은 연구 과업을 위한 범용 에이전트가 다른 하나입니다. 지금까지의 증거는 전자에서 가장 강하며 기존 AI 도구가 여러 R&D 영역에서 이미 도움이 되고 있습니다. 범용 에이전트는 활발히 개발되고 있고 이미 초기 형태로 존재하지만, 얼마나 도움이 되는지에 관한 증거는 아직 더 적습니다.

[관점]
이 보고서의 논증 전체는 한 줄로 꿸 수 있습니다. 컴퓨트가 역량을 낳고, 역량이 가치를 낳고, 가치가 다시 컴퓨트에 대한 투자를 정당화한다는 고리입니다. 각 단계마다 추세선과 데이터베이스가 붙어 있어 어느 한 칸도 공중에 떠 있지 않습니다.

가장 약한 고리는 두 번째입니다. 컴퓨트에서 역량으로 가는 다리는 결정계수 0.45라는 상관으로 지지되고, 역량에서 가치로 가는 다리는 과업 기반 모형과 두 배로 벌어지는 범위에 기대고 있습니다. 보고서의 예측이 빗나간다면 컴퓨트가 모자라서가 아니라, 늘어난 컴퓨트가 기대한 만큼의 역량을 내지 못하거나 그 역량이 기대한 만큼 돈이 되지 않아서일 공산이 큽니다. 에포크 AI 자신이 투자를 핵심 불확실성으로 꼽은 것도 같은 지점을 가리킵니다.

다루지 않은 위험들

에포크 AI는 변혁적 기술에 따르는 위험을 이 보고서에서 검토하지 않았다고 분명히 밝힙니다. 그리고 그 공백이 무엇을 비워 두는지를 한 문단으로 짚고 넘어갑니다.

이 작업이 예측하는 2030년에는 오용의 분명한 잠재력이 있습니다. 과학 R&D를 위해 논의한 역량 다수가 사이버 공격이나 생물무기 제작 같은 이중용도의 가능성을 지니기 때문입니다. 현실 세계에서 목표를 추구할 수 있는 비교적 자율적인 에이전트의 전망은 이 그림을 한층 복잡하게 만듭니다.

더 넓은 사회적 위험도 있습니다. 선진 AI 개발을 둘러싼 경쟁은 노동시장의 교란부터 환경에 이르기까지 여러 위험을 동반합니다. 충분한 전력을 확보하고 특화 AI 하드웨어를 제조하려는 압박은 정치적 긴장을 높이고 상당한 환경 영향을 낳을 수 있습니다. 에포크 AI는 에너지 인프라에 따라서는 대규모 AI 스케일업조차 비교적 작은 탄소배출로 이어질 수 있음을 검토했다고 상기시키면서, 다만 다른 위험과 마찬가지로 이것 역시 AI를 어떻게 개발하고 그 사용을 어떻게 통제하며 위험을 어떻게 완화할지에 관한 사회적 선택을 필요로 한다고 덧붙입니다.

해설
이중용도는 같은 기술이 유익한 목적과 해로운 목적에 모두 쓰일 수 있는 성질을 가리킵니다. 이 보고서의 맥락에서 이 말은 추상적인 경고가 아닙니다. 본문에서 긍정적으로 다룬 바로 그 역량들이 그대로 위험의 목록이 되기 때문입니다.

단백질 설계와 결합 친화도 예측은 치료제 개발의 도구인 동시에 독성 분자 설계의 도구이고, 실험 프로토콜에 관한 열린 질문에 답하는 능력은 연구 조수의 핵심 기능인 동시에 생물학 지식의 진입 장벽을 낮추는 기능입니다. 캡처더플래그 사이버보안 과제와 실제 취약점 발견은 방어와 공격 양쪽에 그대로 쓰입니다. 보고서가 위험을 범위 밖에 두었다는 말은 그 목록을 다루지 않았다는 뜻이지, 그 목록이 별개의 영역에 있다는 뜻이 아닙니다.

[반론]
같은 역량 전망에서 정반대의 우선순위를 끌어내는 이들이 있습니다. 다리오 아모데이는 2024년 10월 글에서 데이터센터 속 천재들의 나라라는 표현으로 이 보고서보다 훨씬 강한 역량 전망을 제시했지만, 그 글과 이후의 글들에서 일관되게 위험 관리와 속도 조절을 논의의 중심에 두었습니다. 잭 클라크(Jack Clark)는 2025년 10월 연설에서 기술낙관주의가 적절한 두려움과 함께 가야 한다고 주장했습니다.

차이는 사실 판단이 아니라 서술의 범위에 있습니다. 세 쪽 모두 AI 역량이 빠르게 올라간다는 데 동의하며, 에포크 AI만 그 사실에서 따라 나오는 위험 논의를 보고서 밖에 둡니다. 의뢰자가 AI 개발사라는 점과 이 범위 설정이 무관한지는 독자가 판단할 몫이고, 보고서 스스로 결론에서 그 공백을 명시했다는 점은 공정하게 함께 보아야 합니다.

선택의 문제로 남는 것

에포크 AI는 AI 개발을 어떻게 가능하게 할지에 관한 선택들도 중요하다고 적습니다. 개발의 여러 핵심 추세에 대해 자금이나 규제 같은 결정이 결정적이기 때문입니다.

가장 중요한 예로 드는 것은 전력입니다. 미래의 AI 학습 실행이 기가와트급 전력, 곧 대도시 전체의 수요에 근접하는 전력을 요구한다면, 인프라에 대한 규제와 투자가 대규모 AI 학습이 어디서 얼마나 쉽게 일어날 수 있는지를 결정하게 됩니다. 마찬가지로 규제는 경제의 어디에서 자동화가 일어날 수 있는지에 큰 영향을 줄 수 있고, 잠재적으로 관할권 사이에 AI 배포의 큰 차이를 만들어 낼 수 있습니다. 에포크 AI는 그런 규제가 어떤 형태여야 하는지에 대해서는 입장을 취하지 않는다고 밝히면서, 다만 그것이 분명히 중요할 것이고 어쩌면 AI 개발의 궤적 자체를 좋게든 나쁘게든 바꿀 수도 있다고 적습니다.

마지막 문단은 이렇게 맺습니다. 2030년이면 AI는 경제 전반의 핵심 기술이 되어 사람들이 컴퓨터와 모바일 기기를 쓰는 모든 국면에 존재할 가능성이 높습니다. 덜 확실하지만 그럴듯하게, AI 에이전트가 많은 이들에게 가상 동료로 작동하며 자동화를 통해 그들의 일을 바꿀 수 있습니다. 이 예측들이 실현된다면 핵심 의사결정권자들이 앞으로 5년과 그 너머를 헤쳐 가면서 AI 문제를 우선순위에 두는 일이 지극히 중요합니다.

[관점]
입장을 취하지 않는다는 선언은 이 보고서의 성격을 마지막으로 한 번 더 규정합니다. 에포크 AI가 내놓은 것은 정책 제안이 아니라 기준선 예측이며, 그 기준선 위에서 무엇을 할지는 다른 사람들의 몫으로 남겨 둡니다.

이 중립이 완전하지는 않습니다. 규제가 자동화의 위치를 바꾸고 전력 정책이 학습의 위치를 바꾼다는 서술은 그 자체로 하나의 프레임을 제시합니다. 규제를 속도를 조절하는 변수로 놓는 프레임입니다. 같은 사실을 규제가 어떤 종류의 AI가 만들어지는지를 바꾼다는 쪽으로 서술할 수도 있었지만 보고서는 그 길을 택하지 않았습니다. 가치판단을 피하는 서술에도 선택은 들어 있습니다.

[한국 관점]
관할권 사이에 AI 배포의 큰 차이가 생길 수 있다는 지적은 한국에 가장 직접적으로 닿는 문장입니다. 이 보고서가 그린 2030년에서 한국의 위치는 투입 측과 배포 측에서 서로 다르게 나타납니다. 투입 측에서는 메모리와 전력 설비를 통해 세계 AI 스케일업의 공급망에 깊이 들어가 있고, 그 수요는 국내 정책과 거의 무관하게 결정됩니다.

배포 측은 반대입니다. 역량 있는 모델을 쓸 수 있는가는 국경과 무관해져 가지만, 그 모델을 어떤 업무에 어떤 조건으로 붙일 수 있는가는 전적으로 국내 제도의 문제입니다. 의료와 금융과 공공 영역에서 자동화의 허용 범위, 데이터 접근 조건, 그리고 전력과 입지의 결정이 그 조건을 이룹니다. 보고서의 마지막 당부, 곧 의사결정권자가 지금부터 AI 문제를 우선순위에 두어야 한다는 말은, 한국의 경우 공급망에서 얻는 몫과 배포에서 얻는 몫이 서로 다른 논리로 결정된다는 사실을 먼저 구분하는 데서 출발할 수 있습니다.

---

원문: Epoch AI, AI in 2030: Extrapolating Current Trends (Sep 2025)
전문은 원문에서 확인하실 수 있습니다.

참고할만한 글

• 안드레이 카파시 – AGI는 아직 10년 남았다 (AGI is Still a Decade Away) — 같은 벤치마크 진전을 보면서도 역량이 현실 업무로 번역되는 속도를 훨씬 느리게 보는 쪽의 논거를 담고 있습니다.
• 일리야 수츠케버 – 스케일링의 시대에서 연구의 시대로 (We’re Moving from the Age of Scaling to the Age of Research) — 이 보고서가 출발점으로 삼은 전제, 곧 컴퓨트를 계속 키우면 된다는 생각 자체를 정면으로 반박합니다.
• 데이비드 칸 – AI의 6,000억달러 질문 (AI’s $600B Question) — 같은 투자 규모를 매출 쪽에서 역산해, 현재의 설비투자를 회수하려면 얼마가 필요한지를 따져 봅니다.
• 대런 애스모글루 – AI의 단순한 거시경제학 (The Simple Macroeconomics of AI) — 과업 단위 자동화에서 출발하되 훨씬 낮은 생산성 효과를 추정해, 수조 달러라는 전망의 반대편에 섭니다.