돌비콩의 투자정복

📰Beyond Low Float, High FDV (GSR) source

A Larger Valuation Means Thinner Float

1. GSR이 주요 거래소의 토큰 상장 2,300건 이상을 분석함. 상폐, 실패한 토큰도 포함한 결과, 수익률은 상장 3일 안에 마이너스로 내려갔고 90일에는 반토막이었음

2. 특히 FDV, 즉 잠긴 물량까지 포함한 가치가 10억달러를 넘으며 출발한 토큰은 1년 뒤 수익률이 -81%였음. 유명하고 크게 시작한 프로젝트가 매수자에게 좋은 투자였던 것은 아님

3. GSR이 짚은 것은 상장에 참여하는 사람들의 이해관계임. 높은 상장가는 VC의 평가이익을 키우고, 팀 보유분의 가치를 높이며, 거래소에는 큰 자산을 상장했다는 성과가 됨

4. 다만 신규 매수자에게 유리한 출발점은 낮은 가격임. 같은 상장 이벤트를 보면서도 기존 보유자와 이제 사려는 사람의 좋은 가격이 서로 반대인 것

5. 적은 유통량으로 만들어진 가격에 나중의 잠긴 물량까지 풀리면, 시장은 계속 추가 공급을 흡수해야 함. 프로젝트가 발전하는 동안에도 토큰 가격은 내려갈 수 있는 이유임

6. 이 통계가 모든 신규 코인의 하락을 보장하거나 저유통만을 원인으로 입증하지는 않음. 다만 좋은 VC가 투자했다는 매력 뒤의 핵심은, 그 VC와 나는 같은 자산을 얼마나 다른 가격과 조건으로 샀는가일 것

💬현 시점 다시보는 작년 Messari의 예측 source

2025년 메사리가 지목했던 2026년 Top Pick은 HYPE와 ZEC

1. 최고 확신 종목으로 HYPE를 밀었는데, Perp DEX를 넘어 자체 L1, 유동성, 수익을 가진 금융 네트워크로 확장. 가격도 당시 대비 수 배 상승

2. ZEC도 메사리가 HYPE와 더불어 강하게 민 탑픽. 뜬금없던 프라이버시도 적중. ZEC는 프라이버시 재평가와 함께 가장 강했던 자산

3. 실제 돈을 벌고 토큰에 귀속되는 프로토콜을 사라는 주장도 정확. HYPE처럼 바이백 구조가 있는 토큰이 프리미엄을 받는 시장으로 변화

4. RWA가 2026년 핵심 성장축이라는 전망 역시 적중. 국채 토큰화를 넘어 주식, 사모자산, 전통 금융시장의 온체인 이동 단계까지 진입

5. Polymarket 중심으로 예측시장이 베팅 시장을 잠식한다는 예상도 맞았음. Kalshi, Robinhood까지 붙으면서 카테고리 전체가 커지는 모습

6. 신규 범용 L1에는 부정론도 적중. ETH, SOL 잡겠다고 야심차게 출범한 메가톤급 신규 L1는 죽어가는 중. 결국 이더리움, 솔라나만 남음

🤖AI가 AI를 연구하는 시대의 병목 (Noam Brown) source

1. 노암 브라운과 드와르케시 파텔의 인터뷰는 지능이 풍부해진 뒤에도 무엇이 발전을 제한하는가를 짚음. 에이전트를 늘린다고 비용까지 줄어들지는 않음

2. 일부 벤치마크에서는 에이전트 4개를 투입하면 작업 시간이 절반으로 줄지만, 총비용은 2배가 됨. 같은 일을 싸게 하는 것이 아니라, 연산자원을 더 써서 시간을 사는 구조임

3. 브라운은 인터뷰에서 다룬 수학 성과 역시 에이전트 숫자보다 강력한 기반 모델과 오랫동안 문제를 풀어가는 능력이 핵심이었다고 설명함. 대규모 협업의 효율은 아직 충분히 측정되지 않았음

4. AI가 모든 분야에서 인간을 넘어야 다음 AI를 개선할 수 있는 것은 아님. 학습 효율처럼 목표가 명확하고 성과를 측정할 수 있는 문제에 강한 것만으로도 연구에 기여할 수 있다는 설명임

5. 다만 좋은 아이디어도 모델을 학습시키고 결과를 확인해야 함. GPU와 순차적인 실험 시간은 여전히 필요함. 브라운이 가속을 예상하면서도 하룻밤 사이 지능 폭발을 보진 않음. 가속폭에는 불확실성이 큼

6. AI는 업무 맥락을 가진 채 복제할 수 있음. 여기에 회사 목표에 맞춰 일관되게 협업하도록 만들 수 있다면, 조직이 커지면서 생기는 내부 이해충돌도 줄일 여지가 있음

7. 즉, 작은 팀의 생산성을 높이는 동시에 큰 조직의 비효율도 줄일 수 있다는 것. 다만 대규모 AI 집단이 인간 조직보다 잘 협업한다고 입증된 단계는 아님

8. AI가 다음 AI를 만드는 과정에서는 능력뿐 아니라 인간의 의도에서 벗어나는 행동도 이어질 수 있음. 다음 세대가 더 똑똑하다고 더 안전하다는 보장은 없음

9. 평가 시간도 문제임. 3개월짜리 업무 수행 모델이 2개월마다 출시된다면, 검증하기 전에 다음 모델이 나옴. 출시를 늦추면 검증 시간은 벌지만, 내부 모델과 공개 모델의 격차는 커짐

10. 컴퓨트는 답변을 생성하는 자원을 넘어, AI 연구자가 가설을 검증하는 실험실이 될 수 있음. 지능의 비용이 내려가도 시도할 실험이 더 많이 늘어난다면 연산 수요는 커질 수 있다는 해석

🌐Dream-RSI, 더 큰 모델 없이도 AI는 개선된다 source

1. 구글 연구진이 공개한 Dream-RSI는 모델 자체를 재학습시키는 대신, 같은 모델이 문제를 탐색하는 방법을 개선함. 어디를 더 파고들고, 무엇을 병렬로 시도하고, 언제 포기할지를 바꾸는 방식

2. 핵심은 이미 돈을 들여 쌓은 실험 기록. 과거에 실행한 결과를 재사용해 여러 탐색 전략을 비교하고, 좋은 전략을 다음 실험에 투입함. 일종의 실험 복기로 다음 실험을 더 잘하는 구조임

3. 한 과제에서는 동일한 기반 모델의 고정 탐색 대비 발견 에이전트 호출이 42% 줄었음. 다만 모든 AI 작업의 비용이 그만큼 줄었다는 의미는 아님

4. AI 발전을 신모델 출시만으로 보면 놓치는 부분이 많음. 더 좋은 두뇌뿐 아니라, 같은 두뇌로 덜 헤매는 방법도 발전축. 작업 기록을 쌓고 성과를 평가하며 다음 시도를 개선하는 운영체계가 중요해짐

📈메모리, 가격보다 중요한 것은 이익의 수명 source

1. Citi 전망은 DRAM 가격이 2026년 242%, 2027년 23% 상승하고, 이후에도 2031년까지 연간 상승을 전망함. 핵심은 올해의 급등보다 그 이후에도 가격 하락을 가정하지 않는다는 점

2. 생산능력이 HBM으로 이동할수록 범용 DRAM 공급 여력은 줄어듦. HBM의 성장과 세대별 생산 부담 증가가 비HBM 공급을 압박함. 수요가 늘어나는 동시에, 기존 메모리를 공급 여력도 제약받는 구조

3. 마이크론의 실적상 FY2026 3분기 조정 매출총이익률은 85%. 이미 높은 수익성이 나타나고 있음. 회사는 12월부터 주주환원을 확대하고, 장기적으로 초과현금의 100%를 주주에게 돌려주겠다는 의향도 밝혔음

4. 높은 이익이 유지되고 자사주 매입으로 주식수까지 줄어든다면, 이익 증가와 주식수 감소가 양쪽에서 주당이익을 끌어올리게 됨

5. 재평가 핵심은 얼마나 많이보다 얼마나 오래 버나임. 같은 이익이라도 1년 뒤 사라질 이익과 수년간 이어질 이익의 가치는 다름. 여기에 현금이 실제 주주환원으로 연결된다면, 업황 호황 이상의 투자 논리가 만들어짐

6. 다만 2031년까지의 상승 전망이 사이클 소멸 증명은 아님. 봐야 할 것은 상승률 둔화 자체보다, 증설 이후에도 가격과 이익이 높은 수준을 유지하는지임

✍️메모리의 재평가를 결정할 것은 올해 이익의 높이보다, 그 이익이 지속되는 기간과 주주에게 돌아오는 현금

🤩2028년 메모리 다운사이클은 실존하나? source

1. AI 투자가 계속 늘어나도 메모리 공급사의 수익성이 같은 속도로 좋아진다는 보장은 없음. 2028년 메모리 사이클 논의의 핵심은 증설뿐 아니라, GPU 한 개에 얼마나 많은 HBM을 넣을 것인가라는 설계 변화

2. Rubin Ultra의 GPU당 HBM이 288GB에서 192GB로 낮아지고, 적층 수도 줄어들 가능성이 제기됨. 다만 이는 공식 발표가 아닌 업계 전언이며, 아닌 조건부 시나리오로 봐야 함

3. 가정이 맞다면 계산은 단순해짐. GPU당 용량이 288GB에서 192GB로 줄면, GPU 출하량이 50% 증가해야 기존과 같은 HBM 수요가 유지됨. GPU 출하 증가율만으로 메모리 수요를 추정하면 안 되는 이유임

4. 여기에 적층 수 감소와 수율 개선으로 웨이퍼 부담이 줄고, 남는 생산능력이 범용 DRAM으로 이동한다면 증설 효과와 겹칠 수 있다는 것. 반대로 GPU 출하 확대와 장기 공급계약은 충격을 완화할 수 있음

5. 따라서 GPU당 메모리 용량, 실제 출하량, HBM과 범용 DRAM 사이의 생산 배분, 계약 가격이 함께 중요함. 메모리 투자 논지를 위협하는 변화가 반드시 AI 수요 붕괴일 필요는 없음

6. AI는 더 커지는데, 고객이 메모리를 덜 사용하는 설계하는 상황도 공급사에는 부담. 지금은 침체를 단정하기보다, AI 성장 → 메모리 부족 → 높은 이익률의 연결고리가 설계와 계약에서 유지되는지 검증할 단계

중국 VC 거물이 보는 AI 산업 (GSR) source

1. 기술 우위는 일시적이다. 결국 경쟁은 채널, 브랜드, 비용, 운영 효율로 돌아감.

2. 좋은 스타트업은 3S다. Size / Scalable / Sustainable

3. 커스텀이 많을수록 Scale이 어렵다. 고객마다 새로 개발하면 제품보다 서비스업에 가까움.

4. 최고의 성장은 유저가 유저를 데려오는 구조다. 매체비보다 네트워크 효과와 자연 확산이 강함.

5. 단순 AI Feature는 위험하다. 대기업이 무료로 붙일 수 있으면 해자가 약함.

6. 기술보다 유저 입구가 더 중요할 수 있다. 위챗 같은 트래픽 입구가 후발주자 추격의 기반이 됨.

7. 양면, 다자 플랫폼은 해자가 강하다. 공급과 수요를 동시에 묶을수록 방어력이 커짐.

8. 고빈도 서비스가 독립 제품이 되기 쉽다. 이상적으론 주 1회 이상 사용.

9. 시장을 교육하려 하지 마라. 이미 있는 수요를 더 잘 해결하는 게 낫다

10. 유저 수보다 중요한 건 돈과 잔존이다. 결제, 리텐션, 업셀링이 핵심.

11. 표준화될수록 Scale이 쉬워진다. 비표준 서비스는 확장성이 떨어짐.

12. 성장보다 리텐션이 중요하다. AI 제품 기준으로 다음 달 50%+, 6개월 20%+를 언급.

13. AI는 Token Maxing → Value Maxing으로 간다. 가장 강한 모델보다 가장 효율적인 모델을 쓰는 방향.

14. 오픈소스 모델의 비중은 커질 수 있다. AI 인프라의 Linux 같은 역할을 할 것.

15. 좋은 AI 제품은 모델과 Prompt를 숨긴다. 유저는 모델이 아니라 결과만 선택하면 됨.

16. 좋은 AI 기회는 [기존 수요 * 10배 경험]. 새 수요보다 기존 문제를 압도적으로 개선하는 게 강함.

17. 주목 분야는 Role-playing, Coding, Video. 공통점은 고빈도, 강한 수요, 큰 경험 개선.

18. 중국 AI 소프트웨어의 해외 진출엔 오픈소스가 유리. 영업조직보다 제품과 커뮤니티로 직접 확산 가능.

19. 로봇은 꼭 범용일 필요가 없다. 고부가가치, 명확한 작업의 Vertical Robot이 더 현실적.

😒 Claude를 개발하는 Claude source

Claude가 회사의 AI 연구 개발 업무를 주도하는 비중이 3월 1%에서 8월 26%로 증가

1. Anthropic이 발표한 지표에 따르면, 8월 기준 Claude가 회사 AI 연구개발 업무의 26%를 주도함. 사람이 큰 목표를 주면 AI가 작업 대부분을 수행하고, 사람이 감독하는 단계라는 뜻

2. 측정 범위에서 완전히 자율적으로 수행되는 연구개발 업무는 없었음. 26%는 업무의 자동화 수준을 나타내는 수치이지, 연구 속도가 26배 빨라졌다는 뜻까진 아님

3. 다만 중요한 변화는 AI가 외부 생산성을 높이는 도구를 넘어, 자기 생산성을 높이는 도구가 된다는 점. 더 좋은 AI가 연구를 돕고, 그 연구가 다시 더 좋은 AI를 만드는 고리

✍️이제 신모델의 성능뿐 아니라 다음 모델을 만드는 기간과 비용이 실제로 얼마나 줄어드는지도 봐야 함

📰이번 사이클 DePIN이 기대되는 이유 source

1. 23~24년 DePIN은 아이디어보다 구조가 문제였음. 토큰으로 공급을 부트스트랩하는 발상은 좋았지만, 실제론 고FDV, 저유통 구조 때문에 VC와 공급자 물량이 지속적으로 매도압력으로 작용했음

2. 더 큰 문제는 네트워크 성장과 토큰 가치가 제대로 연결되지 않았다는 것. 사용량과 매출이 늘어도 토큰 홀더가 그 성장을 공유하기 어려웠고, 결국 토큰은 거버넌스 수단에 머무는 경우가 많았음

3. 그런데 지금은 상황이 달라짐. Memecoin, Pump, MetaDAO 등을 거치며 VC, Tier-1 CEX, 고FDV 없이도 온체인에서 자본과 유동성을 부트스트랩하는 방식이 훨씬 성숙해짐

4. 이제는 낮은 FDV로 시작해 수수료, 바이백, 유틸리티를 네트워크 레벨에서 설계하고, 투기적 수요를 단순 Pump가 아니라 공급/수요 확대를 위한 인센티브로 전환할 수 있음

5. 동시에 AI가 새 시장을 만들고 있음. 과거 DePIN이 지도, 대역폭처럼 존재하던 네트워크를 탈중앙화하려 했다면, 지금은 에너지, 컴퓨트, 인퍼런스, 데이터센터처럼 새롭게 조정해야 할 공급과 수요가 폭발 중

6. OpenRouter가 Inference 마켓인 것처럼, AI 시대에는 수많은 새로운 자원 마켓플레이스가 필요함. 토큰은 자금조달 수단이 아니라 초기 공급자, 사용자, 투기자의 이해관계를 한 방향으로 묶는 장치

7. 예를 들어 초기 유저가 토큰을 보유하고, 네트워크 사용량이 토큰 가치로 직접 연결된다면 사용 → 공유 → 신규 유저 유입 → 네트워크 성장 → 토큰 가치 상승이라는 플라이휠이 가능

8. 핵심은 Token-led 마켓임. 실제 공급과 수요를 모으고, 네트워크 사용이 토큰 가치로 귀속되며, 초기 참여자에게 충분한 업사이드를 주는 구조가 중요함

9. 반대로 또다시 고FDV, 저유통으로 시작하고, 토큰이 네트워크 성장과 분리돼 있다면 그냥 2024년 DePIN의 반복임. 이번 DePIN 2차전의 포인트는 토큰으로 새로운 시장을 조직하는 방식에 있음

✍️특히 에너지, 컴퓨트, 인퍼런스 쪽에서 이런 실험이 많이 나올 가능성이 높아 보임

🔘AI 속도조절론, 안전과 산업 주도권 source

1. 스티브 아이즈먼은 AI 기업들이 위기를 만들어내고 있다고 비판함. 이에 데메트리 코피나스는 기업의 이해관계를 의심하는 것과 AI 위험 자체를 부정하는 것은 구분해야 한다는 관점을 제시함

2. 코피나스는 선두 연구소들의 전략을 자금이 고갈되기 전에 초지능과 재귀적 자기개선에 도달하는 경쟁으로 봄. 막대한 지출을 감당해야 하는 상황이 정부와의 협력을 모색하는 동기로 작용할 수 있다는 해석임

3. 그는 이번 논의를 기술금융 자본, 국가안보 기관, 정치권, 시민의 이해관계가 맞물린 문제로 봄. 안전을 위한 협력이 기존 기업의 지위를 보호하는 방향으로 설계될 가능성과, 과정에서 시민 의견 배제를 우려

4. 한편 아모데이의 제안은 외부 평가자의 상주, 업계 공통 안전기준, 정부 간 협력임. 명시한 목적은 안전성 검증 시간을 확보하는 것. 제안의 내용과, 이를 자금주도권 확보를 위한 협상으로 보는 해석은 구분해야

5. 코피나스는 기존 자산의 가치를 지키는 선택이 다음 세대의 경제적 기회까지 보장하는 것은 아니라고 지적함. 동시에 이런 이해관계에 대한 비판이 AI 통제 위험을 가볍게 여길 이유도 되지 않는다고 강조함

✍️위험의 근거, 대응책의 효과, 비용과 이익의 배분을 각각 따져보자는 것. 주가가 오르는가, AI가 안전해지는가, 사회에 편익이 확산되는가

🔋Gemini 4.0 유출, 치타는 웃고있다? source

1. 타 프론티어 모델을 상회하는 Gemini 모델이 유출, 이와 관련된 루머 및 정정 글 등이 함께 올라오고 있음. 현재 자료만으로 경쟁 모델을 전부 압도했다는 결론을 확정할 근거는 부족함

2. 한편, 구글의 강점은 구조에 있음. 자체 AI 칩 TPU → Gemini 모델 → 클라우드 → 검색, 업무 도구까지 연결돼 있음. 모델을 만드는 기술뿐 아니라, 운영 인프라와 기존 사용자 접점을 함께 가진 것

3. 구글을 평가할 질문은 이번 모델 성능이 아스트라보다 얼마나 더 좋냐에서 끝나면 안 됨. 그 성능을 얼마나 낮은 비용으로, 얼마나 많은 일상 업무에 넣을 수 있는가가 중요

🪙토큰화의 본게임은 신용 창출 source

1. 토큰화의 종착지는 주식을 24시간 거래하는 시장보다 훨씬 큼. 출발점은 국채 수요처가 필요한 정부와 스테이블코인의 이해관계. 이후 스테이블코인으로 살 수 있는 자산이 늘어나고, 그 자산이 담보가 되며, 대출과 기업 자금조달까지 온체인으로 이동한다는 시나리오

2. 거래할 수 있는 자산을 만드는 것과, 그 자산으로 금융을 하는 것은 다른 단계임. 주식을 토큰으로 옮겨놓는 것만으로 끝나지 않음. 담보로 맡기고, 돈을 빌리고, 환위험을 관리하고, 기업이 주식/채권을 직접 발행할 수 있어야 온체인이 독립적인 자본시장에 가까워짐

3. 이 과정에서 프라이버시는 부가 기능이 아니라 기관 참여의 조건이 될 수 있음. 기관이 포지션과 자금 이동을 실시간으로 공개하면 거래 전략은 물론 기업의 자금 계획까지 노출되기 때문. 모든 것을 공개하는 금융보다, 필요한 권한에 따라 검증할 수 있는 금융이 중요

4. 저자는 여기서 한 걸음 더 나아감. AI가 자금을 운용하고, 수익으로 연산자원을 구입하고, 다시 능력과 수익을 확대하는 금융적 자기개선까지 전망함. 다만 이는 현재의 완성된 시장이 아니라 권리, 회계, 신용 인프라가 갖춰졌을 때 가능한 미래상

5. RWA의 가치는 실제로 얼마나 담보로 쓰이고, 대출을 만들고, 발행/거래 수익을 발생시키는지에서 판단해야 함. 자산은 온체인에 올라왔는데 권리와 현금흐름은 여전히 외부 사업자에게만 귀속된다면, 관련 토큰까지 수혜를 받는 것은 아님

🌎AI가 경제성장률 20%를 만들 수 있을까? source

1. 성능과 성장
- 두 경제학자는 AI의 폭발적 발전에 동의하면서도, 가까운 미래의 두 자릿수 경제성장에는 회의적
- 코딩이 빨라지는 것과 경제 전체가 빨라지는 것은 다름
- 건설/제조까지 자동화하고, 기업의 업무방식을 바꾸는 데는 별도의 시간이 필요

2. 돈의 이동
- 보고서를 공짜로 만들 수 있어도 사람들이 보고서를 무한정 사지는 않음
- 절약한 돈은 주거, 의료처럼 여전히 부족하거나 비싼 곳으로 이동함
- 잘하는 일이 더 빨라져도, 꼭 필요하면서 개선하기 어려운 일이 경제 전체의 속도를 제한함

3. 발견과 생산
- AI가 신약 후보를 찾아도 임상시험이 필요하고, 새로운 소재를 설계해도 공장을 지어야 함
- 뛰어난 아이디어가 곧바로 생산량과 매출이 되지는 않음. 그렇다고 작은 변화라는 뜻은 아님
- 연 4.7% 성장만 지속돼도 약 15년 만에 경제가 두 배가 됨. AI의 편익이 GDP에 모두 잡히는 것도 아님

✍️ AI가 성공한다는 확신과, 그 성공이 언제 누구의 이익이 되는지는 따로 계산해야 함

🤔속도조절론 대두, AI 산업 이제 꺾였나? source

- AI가 가짜여서가 아니라 너무 진짜여서 생긴 역설적 강세 근거
- 이번 속도조절론은 AI 인프라의 장기 강세 논리를 강화하기도 함
- 다만 기술의 잠재력과 투자자의 수익을 연결하는 방식은 바꿔야

1. 브레이크의 이유
- 아모데이가 제시한 배경은 AI가 AI 개발을 돕기 시작하면서 발전 속도가 빨라졌다는 판단임
- 성능 정체가 아니라 통제의 어려움을 문제 삼은 것
- 기술이 예상보다 강력하다는 방증으로 읽을 수 있지만, 개발사의 평가가 성능, 경제성의 독립 검증은 아님
- Anthropic의 우선 확약은 상주 외부 평가자 도입임. 학습 컴퓨팅 제한은 공조를 위한 논의 대상으로, 투자 축소 확정은 아님
- 다만 말뿐인 우려도 아님. OpenAI는 8월에 안전조치를 위한 일부 학습의 일시 중단을 공개했음
- 실제 시간과 비용을 감수한 행동은 발언보다 무게가 있지만, 연구 지연과 설비투자 삭감은 구분해야

2. 느린 개발, 넓은 보급
- 차세대 모델의 성능 개선과 이미 확보한 성능의 보급은 다른 축임
- 현재 모델이 충분히 유용하다면 개발 속도를 조절해도 기업 도입과 추론 수요는 커질 수 있음
- 안전성 확보가 대형 사고와 광범위한 사용 제한을 줄인다면, 단기 속도를 희생해 더 오래가는 수요를 얻을 가능성도 있음
- 안전 확보 자체도 연산을 요구함. OpenAI는 당시 모니터링에 감시 대상 추론 연산량의 약 20%가 추가로 필요하다고 추정했음
- 안전 투자가 곧 인프라 수요 감소라는 등식도 성립하지 않음. 다만 사용 비용 상승이라는 부담도 함께 생김

3. 경계해야할 확신
- 추론이 훈련 둔화를 메워도 같은 투자액이 같은 업체와 제품으로 돌아온다는 보장은 없음
- 효율 개선에 따른 업무당 연산량 감소를 상쇄하고도 남을 만큼 실제 사용이 늘어야 총 연산 수요가 증가함
- 메모리는 수요가 늘어도 공급이 따라잡으면 가격결정력과 초과마진이 약해질 수 있음
- TrendForce도 이번 논쟁 전부터 일반 DRAM의 가격 저항을 지적하고 가격 상승률 둔화를 전망했음. 이를 HBM, NAND 전체 전망으로 확대할 수는 없음
- 이미 폭발적 성장을 가격에 반영했다면 기술의 강력함을 재확인하는 효과보다 이익 회수 지연의 부담이 클 수도. 주가 하락이 곧 기술에 대한 부정은 아닌 이유

✍️이번 논의는 오히려 기술의 중요성에 대한 확신을 높일 근거일 수 있음. 다만 기술 발전이 곧바로 공급업체의 이익이 되는 건 아님

📎코인 백서에서 '앞으로'는 지우고 볼 것 source

1. 약속을 뺀 가치
- 질문은 간단함. 로드맵과 미래 파트너십을 모두 지운 뒤에도 그 코인에 무엇이 남는가
- 현재 수익이 남는지, 화폐로서의 신뢰가 남는지, 아니면 아직 실현되지 않은 약속만 남는지를 구분할 것

2. 다른 평가법
- Hyperliquid처럼 거래 수수료가 토큰 매입으로 연결되면 사업 수익과 환원 규모를 평가할 수 있음
- 비트코인은 기업 이익보다 희소성과 화폐적 신뢰가 핵심임
- 수수료가 없다는 이유만으로 모든 코인이 무가치한 것도, 사업 매출이 늘었다고 토큰 가치가 높아지는 것도 아님

3. 기다림의 대가
- 로드맵이 무가치하다는 이야기는 아님
- 다만 이미 수익을 내는 사업의 확장 계획과, 계획 외에는 남는 것이 없는 자산은 지연됐을 때 버티는 힘이 다름

✍️ 미래가 밝다는 설명을 듣기 전에, 그 미래가 늦어져도 남아 있을 가치가 먼저

🖥 GPU 사용료에도 선물시장이 필요하다 (Pantera) source

1. 거대한 장외시장
- 판테라의 Jay Yu는 GPU 사용권 거래 상당수가 아직 중개인, 계약에 의존한다고 지적
- 그가 예상하는 다음 단계는 전력시장처럼 연산 사용권을 표준화하고, 미래 가격까지 거래하는 시장

2. 반대편의 걱정
- AI 기업은 앞으로 연산비가 오를까 걱정하고, GPU 임대업체는 사용료가 떨어져 투자금을 회수하지 못할까 걱정함
- 미래 사용료를 미리 정할 수 있다면 양쪽 모두 사업계획을 세우기 쉬워짐
- 이미 예약한 연산 중 남는 물량을 재판매하는 서비스도 등장

3. 표준화의 벽
- 같은 GPU라도 위치, 연결 속도, 서비스 품질이 다르면 같은 상품이 아님
- 사용권을 거래하려면 약속한 성능을 실제로 공급할 수 있어야 함
- 먼저 필요한 것은 안정적 공급과 믿을 만한 거래 기록. 여기서 헤지, 대출 같은 금융사업이 파생될 수 있음

✍️ AI가 커질수록 연산을 공급하는 사업뿐 아니라, 연산 가격의 불확실성을 줄여주는 사업에도 기회

🥇경제는 부유해지고, 개인은 가난해지고 (Anthropic) source

1. 성장과 월급
- Anthropic이 공개한 모형에서는 경제가 두 배 빠르게 성장해도 지식노동자의 임금은 거의 늘지 않음
- 극단적 시나리오에서는 경제가 급성장하는 동시에 지식노동 임금이 하락함

2. 달라지는 희소성
- 설계와 문서 작업을 빠르게 처리하면 더 많은 건설사업을 추진할 수 있음
- 하지만 현장의 전기공, 건설인력까지 늘지 않음. 작업이 저렴해질수록 이를 현실에서 구현하는 노동의 수요가 커짐
- 다만 이 모형은 고성능 로봇의 등장은 반영하지 않았음

3. 소득의 이동
- 자동화가 확대되는 시나리오에서는 성장의 과실 중 자본 소유자에게 돌아가는 몫도 커짐
- 앞으로 AI 생산수단 소유의 중요성은 더욱 커지게 될 것임

✍️ AI 시대에는 경제가 얼마나 커지는지만큼, 그 커진 경제에서 내가 노동을 파는지 생산수단을 소유하는지가 중요

🤑FLOCK, OKX Boost + 무기한 선물 출시 #sponsored source

1. OKX가 FLOCK을 OKX Boost에 추가했고, FLOCK/USDT 무기한 선물 거래도 지원함

2. 이번 추가로 FLOCK은 바이낸스, OKX, Coinbase, Kraken, 업비트, 빗썸 등 주요 글로벌 거래소 전반으로 거래 접근성을 넓히게 됨

3. 거래소 한 곳 더 추가됐다는 사실보다, FLOCK이 CEX와 온체인 양쪽에서 유통 경로를 함께 확장하고 있다는 점이 핵심

4. 온체인에서는 BNB 체인, HyperEVM, Robinhood 체인 등으로 영역을 넓히고 있음

5. DeAI는 기술 자체만큼이나 사용자와 자산이 얼마나 쉽게 접근하고 거래할 수 있는지가 포인트

✍️시장 접근성을 넓힌 이벤트로, 넓어진 유통망이 실제 사용자 유입과 온체인 활동으로 얼마나 연결되는지 지켜볼 만함

🧠 학습 데이터가 바닥나면, AI의 발전은 끝날까? source

1. 고정된 가정
- AI가 모든 일을 배우려면 인간의 작업 기록을 끝없이 모아야 한다는 주장은 지금의 학습방식이 계속 유지된다는 가정에 기대고 있음
- 톰 데이비슨은 AI가 학습 알고리즘 자체를 개선하면, 같은 능력을 훨씬 적은 데이터로 익힐 수 있다고 주장

2. 학습법의 개선
- 핵심은 정답을 더 많이 외우게 하는 데서 끝나지 않음
- 새로운 과제를 더 적은 예시로 배우는 방법을 AI가 직접 연구하는 것
- 이것이 가능해지면 더 나은 AI가 다음 학습법을 개발하고, 그 학습법으로 다시 더 나은 AI를 만드는 순환이 생김

3. 남아 있는 간극
- 새로운 지식을 검증하고 고품질 데이터를 만드는 데 시간이 든다는 점은 인정함
- 다만 이것이 발전을 늦출 수 있어도 영구히 막지는 못함
- 아직 지능 폭발이 입증됐다는 뜻은 아님. AI가 만든 학습법이 새로운 과제와 현실 환경에서도 성과를 내는지가 핵심

✍️ AI의 장기 한계를 판단할 때는 남은 데이터의 양과 함께, 같은 데이터로 얼마나 더 많이 배울 수 있는지도 봐야

📦ETH는 가맹본부, SOL은 직영점, HYPE는 전문점 source

캐시 우드가 공유한 ARK 연구원의 비유. 같은 블록체인이라도 확장하는 방식과 돈이 남는 위치가 다르다는 이야기

1. ETH: 가맹망 확장
- L2가 고객을 모으고 서비스를 운영하면 이더리움은 보안과 정산을 제공함
- 외부 사업자의 투자로 생태계를 넓히는 가맹사업에 가까움
- 관건은 커진 활동이 ETH 수요로 얼마나 연결되느냐임
- L2가 돈을 많이 벌어도 이더리움에 지불하는 비용까지 비례해 늘지는 않음

2. SOL: 직접 운영
- 주요 앱의 거래를 하나의 체인에서 처리해 실행 수수료가 같은 네트워크 안에 남는 구조
- 대신 처리능력과 안정성도 그 네트워크가 책임져야 함
- 활동 증가의 수혜와 운영 부담을 함께 가져가는 셈임

3. HYPE: 거래에 집중
- 하이퍼리퀴드는 거래 서비스에서 발생하는 수수료를 HYPE 매입으로 연결함
- 이용자의 지출이 토큰 수요로 이어지는 경로가 비교적 짧음
- 반면 거래시장이 식으면 수익도 영향을 받음
- 범용 생태계의 확장과 특정 서비스의 수익성은 다른 투자 논리

✍️ 체인의 사용량을 비교하기 전에, 그 사용이 토큰 보유자에게 어떤 경제적 가치를 남기는가