mkrwolf

개인적인 생각 / Crypto & AI
M.S. in Data Science & Worked in AI

[Doug Colkitt @0xdoug]

The crazy thing is the ZCash bug was public on Github 4 days ago. And market didn't notice until today.

Seems like there'd be a lot of alpha setting up agents that do nothing but watch the Githubs commits and PRs of major crypto projects.

[mkrwolf @mkrwoof]

https://t.co/2H0DMx1S3Z

[mkrwolf @mkrwoof]

@Web3MapInk [email protected]

[Web3Map @Web3MapInk]

Introducing @Web3MapInk — a platform for detecting cross-chain arbitrage opportunities and potential exploits.

We detect opportunities across 10,000+ price sources.

(Detected the USR and DOT exploits within 30 seconds.)

Page: https://t.co/wscxbnwhwo

Learn more 👇

[Hyeon @hyeon__dev]

While "Physical AI" is undoubtedly the centerpiece of today’s AI discourse, the reality is that robotics still lacks its own Hugging Face. We are missing a standardized pipeline to collect, label, version, and train large scale robotic data. While language models grew on the free lunch of the internet, robots are destined to manufacture physical world data at a high cost for every single moment.

Currently, three major bets are being placed to bridge this gap. First is simulation. It has largely solved locomotion (e.g., quadrupeds), but it still hits the massive wall of "Sim to Real" in dexterous manipulation, where subtle friction and noise are the deciding factors. Second is teleoperation. While theoretically sound, the costs of maintaining skilled operators and the capital efficiency of deploying hardware are abysmal. Third is learning from human video. While robots can learn the "shape" of a motion, they fail to grasp the underlying physics, the pressure and tactile feedback, that actually make the movement work.

Ultimately, the winner in robotics will not be decided by flashy hardware, but by who can scrape together "noisy" real-world raw data the cheapest and fastest. In this context, web3 could also serve as a powerful solution to structural problems in robotics, far beyond being a mere payment utility.

The Three Pillars of the Web3 Robotics Moat

1. Micro Incentives Beyond Payments
Existing financial infrastructure cannot provide instant rewards to a global pool of data workers for every single meaningful trajectory (a sequence of states and actions). However, if realtime streaming payment technologies like x402 are introduced, we can drastically lower the unit cost of data collection while maintaining a global scale data supply chain.

2. Data Reliability and Provenance
Corrupted robot data leads directly to physical accidents. The process of proving that data was collected by a specific robot in a real environment(Proof of Physical Work) and recording it onchain is the key to both data history management and future royalty distribution. Furthermore, Web3 is uniquely positioned to facilitate decentralized labeling and inspection systems, where human supervisors are rewarded for judging the validity of data to bridge the gap between simulation and reality.

3. DePIN: Fractional Ownership of Robotic Assets
The massive hardware cost remains the biggest hurdle to robot adoption. The DePIN (Decentralized Physical Infrastructure Networks) model allows communities and corporations to share these costs, distributing the resulting revenue and data. This can completely transform the expansion speed of the capital-intensive robotics industry. When every physical node capable of collecting behavioral data (not just humanoids) is integrated into a network, the "Internet Moment" for robotics will finally arrive.

Conclusion
The future of Web3 robotics does not reside in flashy demo videos. The real moat will be captured by teams building networks that act as the "minimum unit of trust" between physical robotic entities and human data providers, networks that transform the purest physical experiences into data amidst the noise.

Can we expect to find such projects within the Web3 ecosystem?

[MONK @defi_monk]

https://t.co/apshnc9oOr

[고로치 @gorochi0315]

[Section 1: 서론 및 문제 제기]
Anish Moonka : 이 글을 끝까지 읽고도 AI를 이해하지 못하신다면, 앞으로의 10년은 여러분에게 혼란의 연속이 될 것입니다.

대부분의 사람들은 AI를 챗봇이라고 생각합니다.
이해합니다. 여러분은 ChatGPT를 열고, 이메일을 수정해 달라고 요청하며, 그러면 AI는 실제로 그렇게 해줍니다. 마법처럼 느껴지죠. 여러분은 무슨 일이 일어나고 있는지 스스로 이해하고 있다는 생각을 하며 자리를 뜹니다. 하지만 그것은 마치 식당에서 신용카드를 긁으면서 Visa가 정확히 어떻게 돈을 버는지 이해한다고 생각하는 것과 같습니다. 당신은 제품(Product)을 사용한 것이지, 시스템(System)을 본 것이 아닙니다.

저는 지난해의 대부분을 AI에서 실제로 진짜 돈이 어디로 흘러가는지 파악하는 데 보냈습니다. 솔직한 답변을 드리자면, 제가 엉뚱한 레이어(Layer)를 바라보는 것을 멈추기까지 당혹스러울 정도로 오랜 시간이 걸렸습니다. 저는 계속해서 ChatGPT나 클로드(Claude), 제미나이(Gemini)처럼 손에 잡히는 것들만 빤히 쳐다보고 있었습니다. 그동안 제가 이름조차 들어본 적 없는 인프라(Infrastructure)에는 7,000억 달러라는 거금이 조용히 투입되고 있었는데 말이죠. 들어본 적도 없는 칩(Chips)들, 지어낸 말처럼 들리는 약어(Acronyms)를 가진 패키징(Packaging) 기술들, 냉각 시스템, 발전소들 말입니다. 텍사스, 아이오와, 그리고 하이데라바드에서는 지금도 콘크리트 타설 작업이 한창입니다.

제가 아는 사람들 중 그 누구도 1년 전에는 이런 이야기를 하지 않았습니다. 하지만 지금은 다들 이야기하고 있죠.

이 글은 꽤 길어질 것입니다. 지금 당장 시간이 없으시다면, 북마크에 추가해 두었다가 나중에 다시 오십시오. 저는 데이터 센터에 전력을 공급하는 전기부터 여러분의 휴대전화에 깔린 앱에 이르기까지, 전체 AI 가치 사슬(Value chain)의 모든 레이어를 하나하나 짚어보고 싶습니다. 그리고 평생 연례 보고서(Annual report) 한 번 읽어본 적 없는 분이라도 충분히 이해할 수 있는 방식으로 설명해 드리고자 합니다.

전문 용어(Jargon)를 사용할 때는 그때마다 그 의미를 설명하겠습니다. 모든 주장에는 실제 수치를 덧붙일 것입니다. 그리고 제가 아직 확신하지 못하는 부분에 대해서도 솔직하게 말씀드리겠습니다. 실제로 그런 부분들이 몇 군데 있기 때문입니다.
이제 시작하겠습니다.

[Section 2: I - 5층 케이크 (그리고 왜 아무도 아래쪽 4개 층에 대해 이야기하지 않는가)]

AI는 인프라(Infrastructure)입니다. 인터넷이 그랬던 것처럼, 전기가 그랬던 것처럼, AI에게도 공장이 필요합니다. ~ 젠슨 황(Jensen Huang)

대부분의 사람들이 AI를 이해하는 방식은 대략 이렇습니다. '똑똑한 컴퓨터가 질문에 답을 해준다.'
이것은 인터넷을 가리켜 '동영상을 보는 곳'이라고 말하는 것과 같습니다. 기술적으로 틀린 말은 아닙니다. 하지만 핵심을 완전히 놓치고 있죠.

엔비디아(Nvidia)의 CEO 젠슨 황은 2026년 1월 다보스 포럼에서 AI를 5개 층으로 이루어진 시스템으로 묘사했습니다. 에너지(Energy), 칩(Chips), 클라우드(Cloud), 모델(Models), 애플리케이션(Applications)이 그것입니다. 그는 이 전체를 "인류 역사상 가장 거대한 인프라 구축 작업"이라고 불렀습니다.

이 '인프라'라는 단어에 대해 잠시 생각해 보십시오. 도로, 전력망, 수도 시스템 같은 것들 말입니다. 이것들은 문명이 작동하게 만드는 요소들이며, 고장이 나기 전까지는 아무도 그것에 대해 생각하지 않습니다. AI가 바로 그런 존재가 되어가고 있습니다. 눈에 보이지 않고, 필수적이며, 구축하는 데 엄청난 비용이 드는 것 말이죠.

저는 이것을 'AI 스택(The AI Stack)'이라고 부릅니다. 5개의 층이 서로 겹겹이 쌓여 있으며, 각 층은 그 위의 층에 자양분을 공급하고, 돈은 양방향으로 흐릅니다.

제가 드릴 수 있는 가장 간단한 버전은 이렇습니다:
* 에너지(Energy): 컴퓨터를 돌릴 전기가 필요합니다. 그것도 아주 많이요.
* 칩(Chips): 수학 계산을 수행할 특수 프로세서가 필요합니다. 이것은 여러분의 노트북에 들어있는 뇌와는 다릅니다.
* 클라우드(Cloud): 미친 듯이 빠른 네트워크로 연결된, 이 칩들로 가득 찬 거대한 창고가 필요합니다.
* 모델(Models): 데이터에서 패턴을 학습하는 실제 AI 소프트웨어, 즉 '뇌'가 필요합니다.
* 애플리케이션(Applications): 사람들이 실제로 사용하는 제품이 필요합니다. ChatGPT, 구글 검색, 은행의 부정 거래 탐지기 같은 것들입니다.

레이어 5(Layer 5)에만 집중하는 모든 AI 담론은 전체 그림의 80%를 놓치고 있는 것입니다.

그리고 투자자나 창업자, 혹은 세상이 어디로 가고 있는지 이해하려는 사람들에게 중요한 점은 이것입니다. 돈은 이 레이어들에 골고루 흐르지 않습니다. 돈은 특정 지점에 집중됩니다. 그리고 복리로 불어납니다. 지금 당장 돈은 대부분의 사람들이 보지 않는 곳에 집중되고 있습니다.

[Section 3: II - 돈을 쫓으십시오 (당신이 생각하는 그곳이 아닙니다)]

모든 사람의 마음은 애플리케이션 계층(Application layer)으로 향합니다. ChatGPT, 코파일럿(Copilot), 클로드(Claude), 퍼플렉시티(Perplexity). 이것들은 여러분이 직접 만지는 제품들이기 때문에, 그것이 이야기의 전부처럼 느껴집니다.

하지만 여기서 모든 사람들이 놓치고 있는 것이 있습니다.

2026년, 4대 클라우드 기업(아마존, 마이크로소프트, 구글, 메타)은 자본 지출(Capex, Capital expenditures)로 약 6,500억 달러에서 7,000억 달러 사이를 지출할 궤도에 올라와 있습니다. 이 네 곳을 합친 금액입니다. 단 1년 만에요. 이는 스위스의 GDP와 맞먹는 수준입니다. 그리고 이 중 거의 75%인 약 4,500억 달러가 AI 인프라로 직접 투입되고 있습니다.

챗봇이 아닙니다. 앱도 아닙니다. 건물, 칩, 케이블, 그리고 냉각 시스템으로 들어가는 돈입니다.

칵테일 파티에서 이런 주제로 이야기하는 사람은 아무도 없습니다. 그렇기 때문에 바로 그곳에 돈이 있다는 것을 알 수 있는 것입니다.

생각해 보십시오. 누군가 ChatGPT를 사용하기 전에, 누군가는 쇼핑몰 크기만한 데이터 센터를 짓고, 그 안을 수만 개의 특수 프로세서로 채우고, 대부분의 기업 가치보다 더 비싼 네트워킹 장비로 그것들을 연결해야 합니다. 그런 다음 매일 소도시 하나를 돌릴 수 있을 만큼의 전기를 그 전체 시스템에 공급해야 하죠. 매일매일 말입니다.

그것이 레이어 1부터 레이어 3까지의 이야기입니다. 보이지 않는 층들이죠. 진지한 자본이 투입되고 있는 층들입니다.

"하지만 OpenAI는 어떤가요? 그들은 수십억 달러를 벌고 있지 않나요?"

그렇습니다. OpenAI는 2025년 말까지 연간 반복 매출(ARR, Annualized Recurring Revenue) 200억 달러를 달성했습니다. 1년 전의 60억 달러, 그 전해의 20억 달러에서 급증한 수치입니다. 2년 만에 10배 성장을 이룬 것이죠. 역사상 그 어떤 기업도 이 정도 기반에서 매출을 그렇게 빨리 확장한 적은 없었습니다.

하지만 여기 함정이 있습니다. OpenAI는 2025년에 약 90억 달러의 현금을 태웠으며(Cash burn), 2026년에는 170억 달러의 현금 소진을 예상하고 있습니다. 그들의 추론 비용(Inference costs, 여러분이 질문을 던졌을 때 실제로 AI를 구동하는 비용)은 2025년에 84억 달러에 달했고, 2026년에는 141억 달러에 이를 것으로 전망됩니다. 그들은 2029년이나 2030년이 되어서야 현금 흐름이 플러스로 전환될 것으로 예상합니다.

그렇다면 그 타버린 현금은 다 어디로 갈까요?
그 돈은 스택의 아래쪽으로 흘러갑니다. 마이크로소프트 애저(Microsoft Azure)로 갑니다(OpenAI는 2032년까지 총매출의 20%를 마이크로소프트에 지불합니다). 칩을 사기 위해 엔비디아로 갑니다. 데이터 센터를 짓고 설비를 갖추는 기업들로 갑니다. 전기를 생산하는 전력 회사들로 갑니다.

가만히 들여다보고 있으면 여기에는 거의 순환적인 무언가가 있습니다. 마이크로소프트가 OpenAI에 투자합니다. OpenAI는 그 돈을 애저에 씁니다. 애저는 그 수익을 더 많은 엔비디아 칩을 사는 데 사용합니다. 엔비디아는 역대급 실적을 발표합니다. 모두가 축하합니다. 그리고 현금은 계속해서 산 아래로 흘러내려 갑니다.

대부분의 사용자는 스택의 맨 꼭대기에 있습니다. 대부분의 이익은 맨 바닥에 있습니다. 이 괴리가 바로 이 논의의 핵심입니다.

이것이 AI 가치 사슬의 첫 번째 교훈입니다. "매출(Revenue)은 위로 흐르고, 자본(Capital)은 아래로 흐른다."

[Section 4: III - 당신은 이미 이 영화를 본 적이 있습니다]

인류의 모든 문제는 공학적인 문제이며, 공학적인 문제는 해결될 수 있습니다. ~ 벅민스터 풀러(Buckminster Fuller)

만약 여러분이 AI에 무슨 일이 일어나고 있는지 이해하고 싶다면, 1880년에서 1920년 사이 전기에 어떤 일이 일어났는지 연구해 보십시오.

토마스 에디슨(Thomas Edison)이 1882년 맨해튼 펄 스트리트(Pearl Street)에 최초의 상업용 발전소를 세웠을 때, 사람들은 전기를 그저 신기한 구경거리 정도로 생각했습니다. 방을 밝히는 화려한 방법 정도로 말이죠. 가스등이 완벽하게 잘 작동하고 있는데, 왜 이런 게 필요하냐는 식이었습니다.

하지만 40년 만에 전기는 지구상의 모든 산업을 재편했습니다. 제조업, 운송, 통신, 의료, 엔터테인먼트까지 말입니다. 이때 승리한 기업들은 전구를 발명한 기업들이 아니었습니다. 발전소를 짓고, 구리선을 깔고, 발전기를 제조한 기업들이었습니다.

제너럴 일렉트릭(GE), 웨스팅하우스(Westinghouse), 유틸리티 기업들, 구리 광산 회사들, 그리고 건설사들이었죠.

똑같은 패턴이 AI에서도 반복되고 있습니다. 단지 수십 년이 걸렸던 과정이 몇 년으로 압축되었을 뿐입니다.

> AI → 데이터 센터 → 칩 → 원자재 → 에너지
> 전기 → 공장 → 기계 → 원자재 → 석탄/물

화살표의 진행 과정은 거의 동일합니다. 그리고 이번에도 승자는 주로 애플리케이션 계층에 있지 않습니다. 인프라 계층에 있습니다.

저는 이것을 '인프라 중력(Infrastructure Gravity)'이라고 부릅니다. 새로운 컴퓨팅 플랫폼이 등장할 때마다, 초기 부의 창출은 '곡괭이와 삽(Picks and shovels, 인프라 및 도구)'에서 일어납니다. 애플리케이션은 나중에 나옵니다. 애플리케이션이 모든 언론의 주목을 받지만, 인프라가 모든 마진(Margin)을 가져갑니다.

엔비디아(NVIDIA)는 2026년 1월에 종료된 2026 회계연도에 전년 대비 65% 증가한 2,159억 달러의 연간 매출을 기록했습니다. 그들의 데이터 센터 부문에서만 마지막 분기에 623억 달러의 매출을 올렸으며, 이는 전년 동기 대비 75% 성장한 수치입니다. 이제 이 단일 부문이 엔비디아 전체 매출의 91% 이상을 차지합니다. 생각해 보십시오. 한 분기에 680억 달러를 벌어들이는 회사가 있는데, 그중 10달러 중 9달러가 단 하나의 사업 라인에서 나오고 있는 것입니다.

엔비디아의 칩을 실제로 제조하는(그리고 거의 모든 다른 회사의 칩도 만드는) TSMC는 2025년에 1,225억 달러의 매출을 올리며 전 세계 파운드리(Foundry, 반도체 위탁 생산) 시장의 거의 70%를 점유했습니다. 가장 가까운 경쟁자인 삼성은 7.2%였습니다. 이는 과거 스탠더드 오일(Standard Oil)조차 불편해할 정도의 독점 수준입니다.

인프라가 항상 먼저 승리합니다. 문제는 그 기회의 창이 얼마나 오래 열려 있느냐 하는 것입니다.

누구에게든 인터넷 혁명이 무엇에 관한 것이었느냐고 물어보면 구글, 아마존, 페이스북이라고 대답할 것입니다. 하지만 초기에 실제로 돈을 번 곳이 어디였느냐고 물어본다면, 정답은 시스코(Cisco), 코닝(Corning), 그리고 광섬유를 깔았던 회사들입니다. 똑같은 이야기입니다. 시대만 다를 뿐이죠.

[Section 5: IV - 아무도 듣고 싶어 하지 않는 부분]

주식 시장은 인내심 없는 사람의 돈을 인내심 있는 사람에게 전달하는 장치입니다. ~ 찰리 멍거(Charlie Munger)

솔직히 말씀드릴 것이 하나 있습니다. 제가 투자자로서 AI에 처음 관심을 갖기 시작했을 때, 저도 대부분의 사람들이 저지르는 것과 똑같은 실수를 했습니다.

저는 애플리케이션 계층을 바라보았습니다. ChatGPT가 성장하는 것을 보았고, 앤스로픽(Anthropic)이 수십억 달러를 투자받는 것을 보았습니다. 그래서 저는 'AI 기업들이 승리할 것이니 AI 기업에 투자하자'라고 생각했습니다.

세 가지가 제 생각을 바꾸어 놓았습니다. 그리고 그 일들은 순차적으로 일어났는데, 각각의 깨달음이 이전의 것을 토대로 만들어졌기 때문에 그 순서가 중요합니다.

첫째, 저는 거의 모든 'AI 기업'이 현금을 쏟아붓고 있다는 사실을 알아차렸습니다. OpenAI, 앤스로픽, 미스트랄(Mistral), xAI 모두 버는 돈보다 쓰는 돈이 더 빠릅니다. 그들이 사업을 못 해서가 아니라, 컴퓨팅 비용이 구조적이기 때문입니다. 여러분이 AI 모델에 질문을 던질 때마다, 그 답변을 생성하는 데 진짜 돈이 들어갑니다. 그리고 모델이 똑똑해질수록 더 많은 연산(Compute)이 필요하며, 이는 곧 운영 비용이 더 많이 든다는 것을 의미합니다.
여러분이 'AI 승자'라고 생각하는 기업들이 사실은 돈을 가장 많이 쓰고 있는 기업들입니다.

둘째, 인프라 기업들이 구글 초기에나 볼 법한 마진으로 돈을 찍어내고 있다는 사실을 깨달았습니다. 엔비디아의 매출 총이익률(Gross margins)은 75% 수준을 맴돌고 있었습니다. TSMC는 수요가 공급을 워낙 압도적으로 초과하다 보니 생산 능력을 확장하는 동시에 가격을 인상하고 있었습니다. 이 기업들은 "언제 수익화할 것인가"라는 문제를 안고 있지 않습니다. 그들은 "글자 그대로 충분히 빨리 만들 수가 없다"는 문제를 가지고 있습니다. 이것들은 매우 다른 성격의 문제입니다.

셋째, 그리고 이것은 좀 불편한 진실이었는데, 제가 AI를 공학자가 아닌 소비자(Consumer)처럼 생각하고 있었다는 것을 깨달았습니다. 소비자는 앱을 봅니다. 공학자는 스택(Stack)을 봅니다.

일단 스택을 보고 나면, 다시는 보지 않던 때로 돌아갈 수 없습니다.
모든 AI 관련 발표는 자본 지출(Capex) 발표로 보이기 시작합니다. 모든 모델의 개선은 칩 주문으로 보입니다. 모든 새로운 기능은 데이터 센터 임대로 보입니다. 산업 전체가 일련의 동심원처럼 보이기 시작하고, 중심부로 갈수록 이익이 더 집중됩니다.

그래서, 아마 당신은 AI 모델을 팔로우해 온 소프트웨어 엔지니어일 수도 있습니다. 혹은 엔비디아를 300달러에 사서 다음 행보를 고민 중인 개인 투자자일 수도 있죠. 아니면 인도에서 이 모든 혁명을 멀리서 지켜보며 이것이 자신의 포트폴리오와 어떻게 연결되는지 궁금해하는 사람일 수도 있습니다.
(혹은 이 세 가지 모두에 해당할 수도 있는데, 그것이 가장 흥미로운 위치입니다.)

당신이 어디에 있든 원칙은 같습니다. 소비자는 제품을 봅니다. 투자자는 공급망을 봅니다. 최고의 투자자는 제품이 출시되기도 전에 공급망을 봅니다.

물론 지나고 나서 보니 이 모든 것이 깔끔하고 정돈된 것처럼 들립니다. 하지만 실제로는 그렇지 않았습니다. 저는 몇 주 동안 이 문제를 두고 고민을 거듭했습니다. 가치가 주로 애플리케이션 계층에 쌓였던 SaaS(서비스형 소프트웨어) 시대의 많은 패턴 매칭들을 지워내야 했습니다. 저는 계속해서 '제2의 OpenAI'를 찾고 싶어 했지만, 사실은 OpenAI가 누구에게 수표를 써주고 있는지를 봤어야 했습니다. AI는 구조적으로 SaaS와 다릅니다. 연산 요구량이 워낙 방대하기 때문에, 적어도 사이클의 현 단계에서는 인프라 계층이 더 많은 가치를 포착합니다.

스택을 이해하면 모든 뉴스를 읽는 방식이 바뀝니다. 모든 기업을 평가하는 방식이 바뀝니다. 자본을 배분하는 방식이 바뀝니다.

저는 앞으로 이와 같은 글을 더 많이 쓸 예정입니다. 투자, AI, 그리고 실제로 부가 어떻게 이동하는지에 대한 시스템을 깊이 있게 파고들 것입니다. 알고리즘이 다음 글을 보여주길 기다리고 싶지 않으시다면, 팔로우하고 알림을 켜두는 것이 가장 좋은 방법입니다.

[Section 6: V - 투자자의 지도: 레이어별 상세 분석]

좋습니다. 글이 길어지고 있으니 속도를 좀 내보겠습니다. 여기 AI 스택의 각 레이어에 대한 정확한 분석, 그곳에서 무슨 일이 일어나는지, 중요한 플레이어는 누구인지, 그리고 투자 기회는 어디에 있는지 정리해 드립니다.

끝까지 집중해 주십시오.

레이어 1: 에너지 (Energy)
AI 데이터 센터는 전력을 엄청나게 잡아먹습니다. 단 한 번의 대규모 AI 학습 실행에 소도시 하나가 1년 동안 사용하는 만큼의 전력이 소비될 수 있습니다. 이러한 시설들은 2026년까지 연간 약 90테라와트시(TWh)의 전력을 소비할 것으로 예상되는데, 이는 2022년 수준에서 약 10배 증가한 수치입니다.

여기서 명확한 투자 논거가 도출됩니다. 데이터 센터에 안정적인 전력을 생산, 전송 및 공급할 수 있는 자가 수혜를 입을 것입니다. 주요 데이터 센터 클러스터 인근의 원자력, 천연가스, 재생 에너지 기업들, 그리고 잉여 전력 용량을 가진 유틸리티 기업들이 해당됩니다. 전력망 인프라를 구축하는 기업들도 포함되겠죠.

젠슨 황은 2025년 10월에 이렇게 분명히 말했습니다. "데이터 센터의 자체 발전(Self-generated power)은 전력망(Grid)에 연결하는 것보다 훨씬 빠르게 진행될 수 있습니다."

기업들은 이미 데이터 센터에 직접 연결된 전용 발전 시설을 구축하며 전력망을 완전히 우회하고 있습니다. 이 부분은 저도 놀랐습니다. 이 기술 기업들이 기본적으로 그들 자신의 유틸리티 공급자가 되고 있는 셈입니다.

* 수혜 대상: 유틸리티 기업(특히 원자력 용량을 보유한 기업), 독립 발전 사업자, 변압기·개폐기 및 기타 전기 인프라 제조 기업. 인도에서는 하이퍼스케일러 캠퍼스가 아시아 전역으로 확장됨에 따라 전력 장비 및 송전 분야의 기업들이 혜택을 볼 것으로 보입니다.

레이어 2: 칩 (Chips)
엔비디아 덕분에 대부분의 사람들이 들어본 레이어입니다. 하지만 이곳은 단순히 한 회사 이상의 복잡한 구조를 가지고 있습니다.

칩 레이어는 그 자체로 하위 레이어들을 가지고 있으며, 각각의 경쟁 구조가 다릅니다. 최상단에는 칩을 설계하는 설계자(Designers)들이 있습니다. 엔비디아(GPU), AMD(GPU 및 CPU), 브로드컴(Broadcom, 맞춤형 ASIC), 퀄컴(Qualcomm), 그리고 점점 더 늘어나는 하이퍼스케일러 자체 칩(구글의 TPU, 아마존의 Trainium, 마이크로소프트의 Maia)들이 있습니다.

그다음에는 제조업체(Manufacturers)들이 있습니다. TSMC가 글로벌 파운드리 시장 점유율의 거의 70%를 차지하며 제조를 지배하고 있습니다. 삼성은 7.2%로 한참 뒤처진 2위입니다. 인텔은 파운드리 사업을 재건하려 노력 중이지만, 이는 결과가 보장되지 않은 다년 공사 프로젝트입니다.

그다음은 장비 레이어(Equipment layer)입니다. 칩을 만드는 기계를 만드는 회사들이죠. ASML은 가장 발전된 칩에 필요한 극자외선(EUV) 노광 장비를 만드는 지구상의 유일한 기업입니다.

어플라이드 머티어리얼즈(Applied Materials), 램 리서치(Lam Research), 도쿄 일렉트론(Tokyo Electron)이 그들과 나란히 자리 잡고 있습니다. 그 아래에는 메모리(AI 모델은 방대한 양의 고대역폭 메모리가 필요하며, SK하이닉스, 삼성, 마이크론이 중요한 3대 플레이어입니다)와 패키징(TSMC의 CoWoS 기술 같은 첨단 칩 패키징은 실질적인 병목 구간이 되었습니다)이 있습니다.

이곳의 집중도는 제가 계속해서 주목하는 부분입니다. 엔비디아는 AI 데이터 센터 GPU 시장의 약 92%를 점유하고 있는 것으로 추정됩니다. TSMC는 엔비디아, AMD, 브로드컴, 퀄컴, 애플을 포함한 거의 모든 주요 칩 설계자의 칩을 제조합니다. ASML은 말 그대로 지구상에서 유일한 EUV 노광 장비 공급업체입니다.

한 회사가 설계하고, 한 회사가 만들고, 한 회사가 만드는 기계를 만듭니다. 이러한 수준의 집중도는 투자 논거인 동시에 지정학적 리스크이기도 합니다. 그리고 저는 충분히 많은 사람들이 이 두 가지 생각을 동시에 진지하게 고민하고 있다고 보지 않습니다.

레이어 3: 클라우드 및 데이터 센터 (Cloud and data centres)
칩들이 거주하는 곳입니다. 서버로 가득 찬 거대한 창고 규모의 시설들이 고속 네트워킹으로 연결되어 있으며, 점점 더 정교해지는 열 관리 시스템(액체 냉각은 이제 '있으면 좋은 것'이 아니라 표준이 되고 있습니다)에 의해 냉각됩니다.

시장은 세 곳의 하이퍼스케일러가 지배하고 있습니다. 아마존 웹 서비스(AWS, 시장 점유율 31%), 마이크로소프트 애저(24%), 구글 클라우드(11%)입니다. 오라클(Oracle)도 2026년 자본 지출 목표를 500억 달러로 잡고 이 분야에서 공격적으로 성장하고 있습니다.

하지만 클라우드 레이어는 하이퍼스케일러보다 훨씬 더 깊게 들어갑니다. 폭스콘(Foxconn/Hon Hai)은 현재 전 세계 AI 서버의 약 40%를 조립합니다. 아리스타 네트워크(Arista Networks)와 크레도 테크놀로지(Credo Technology, 에너지 효율적인 데이터 전송 기술 덕분에 2025년 주가가 117% 상승함)는 모든 것을 연결하는 네트워킹 인프라를 구축합니다. 버티브(Vertiv)는 액체 냉각을 담당합니다. 에퀴닉스(Equinix)나 디지털 리얼티(Digital Realty) 같은 데이터 센터 리츠(REITs)는 토지와 건물을 소유합니다. 누군가는 콘크리트도 타설해야 합니다. 모든 층에는 그들만의 공급망이 있습니다.

뱅크 오브 아메리카(Bank of America)의 추정치에 따르면, 하이퍼스케일러들은 2026년에 영업 현금 흐름의 90%를 자본 지출(Capex)에 쏟아부을 예정입니다. 이는 2025년의 65%에서 상승한 수치입니다. 모건 스탠리(Morgan Stanley)는 이 기업들이 시설 구축 자금을 조달하기 위해 올해 4,000억 달러 이상을 빌릴 것으로 예상하는데, 이는 2025년의 1,650억 달러보다 두 배 이상 늘어난 수치입니다. 제가 이 수치를 처음 읽었을 때 눈을 의심했습니다. 단순히 컴퓨터 창고를 짓기 위해 단 1년 만에 4,000억 달러의 채권을 발행한다니 말이죠.

레이어 4: 모델 (Models)
이곳은 '뇌'에 해당하는 레이어입니다. 실제 AI 모델을 훈련하고 구축하는 회사들입니다.

주요 이름들은 이렇습니다. OpenAI(GPT 시리즈, 연간 반복 매출 200억 달러 이상), 앤스로픽(Anthropic, 클로드, 2026년 초 기준 연간 환산 매출 약 190억 달러로 보고됨), 구글 딥마인드(제미나이), 메타 AI(라마, 오픈 소스), 미스트랄, 그리고 xAI(일론 머스크의 회사, 그록 구축)입니다.

이 레이어는 가장 주목받는 동시에 가장 수익성이 낮다는 점에서 저를 매료시킵니다. OpenAI의 매출은 전례 없는 속도로 성장하고 있지만, 2026년에 170억 달러의 현금을 태우고 있습니다. 앤스로픽은 빠르게 성장하고 있지만 대규모 투자 라운드에 크게 의존하고 있습니다(2026년 초 보고된 기업 가치 1,700억 달러에 50억 달러 투자).

비즈니스 모델의 문제는 구조적입니다. 연산(Compute)에 더 많은 돈을 쓸수록 모델은 좋아지지만, 그 지출은 매출보다 더 빨리 증가합니다. 마치 요리를 할 때마다 이전보다 더 비싼 재료가 필요하지만, 고객은 가격이 그대로 유지되기를 기대하는 식당을 운영하는 것과 비슷합니다. 마진은 계속 압박을 받습니다. 이것이 언제 바뀔지는 저도 모릅니다. 어쩌면 바뀌지 않을지도 모르죠.

투자자들에게 이 레이어는 고위험 고수익 구간입니다. 이들 기업 대부분은 비상장사입니다. 여러분의 공개 시장 노출은 이들을 호스팅하는 클라우드 제공업체(OpenAI의 대지분을 소유하고 애저에서 연산을 실행하는 마이크로소프트 등)와 학습 과정에서 제품이 소비되는 칩 회사들을 통해 이루어집니다.

레이어 5: 애플리케이션 (Applications)
여러분이 매일 보는 레이어입니다. ChatGPT, 제미나이가 탑재된 구글 검색, 오피스의 마이크로소프트 코파일럿, 은행의 AI 기반 부정 거래 탐지, 넷플릭스 추천 시스템, 휴대전화의 사진 보정 기능 등입니다.

애플리케이션 레이어는 가장 넓고 가장 붐비는 곳입니다. 수천 개의 스타트업과 기존 기업들이 여기서 무언가를 만들고 있습니다. 결국 전체 주소 가능한 시장(TAM) 규모 면에서 가장 큰 레이어가 될 것이지만(일부 추정치는 2030년대 초반까지 2조 달러 이상으로 보고 있음), 현재로서는 마진이 가장 박하고 누가 승리할지에 대한 불확실성이 가장 큰 레이어이기도 합니다.

이 레이어에서의 차별점은 데이터입니다. 독특하고 독점적인 데이터를 가진 기업들이 지속 가능한 우위를 점할 것입니다. 세일즈포스(Salesforce)는 기업용 CRM 데이터를 가지고 있습니다. 블룸버그(Bloomberg)는 금융 데이터를 가지고 있습니다. 에픽(Epic)은 의료 기록을 가지고 있습니다. 이런 종류의 독점적 데이터 해자(Moat) 위에 앉아 있는 기업들은 일반적인 챗봇이 할 수 없는 방식으로 AI 모델을 미세 조정(Fine-tuning)할 수 있습니다.

투자자들에게 애플리케이션 레이어는 결국 가장 큰 상승 잠재력이 있는 곳이지만, 동시에 대부분의 자본이 파괴될 곳이기도 합니다. 대부분의 AI 스타트업은 실패할 것입니다. 살아남는 소수는 공격적으로 복리 성장을 하겠죠.

향후 3~5년 동안의 가장 좋은 수익은 아마도 이런 모습일 것입니다. 지금은 인프라, 나중에는 애플리케이션. 가장 영리한 자본은 이미 그에 맞춰 자리를 잡고 있습니다.

레이어 5에서 실제로 승리할 기업들은 아무도 얻을 수 없는 데이터를 쥐고 있는 기업들일 것입니다. 그리고 그들 중 대부분은 아직 스스로를 AI 기업이라고 부르지도 않습니다.

[Section 7: VI - "하지만 이것은 그저 거품(Bubble) 아닌가요?"]
투자자의 주된 문제, 그리고 심지어 그의 가장 큰 적은 아마도 자기 자신일 것입니다. ~ 벤저민 그레이엄(Benjamin Graham)

불편한 진실(The elephant in the room)을 직접적으로 다뤄보겠습니다.

"하지만 닷컴 버블 붕괴는 어쩌고요? 이것도 똑같은 것 아닌가요? 대규모 인프라 지출, 수익 부재, 그리고 모든 사람이 열풍에 휩쓸린 상황 말입니다."
타당한 질문입니다. 진지한 답변이 필요하죠.

여기에 차이점이 있습니다. 닷컴 시대에는 기업들이 아직 실현되지 않은 수요를 위해 인프라에 지출하고 있었습니다. 그들은 여전히 다이얼업(전화선) 인터넷을 쓰던 청중들을 위해 광섬유 네트워크와 웹 서버를 구축하고 있었죠. 인프라는 구축되었지만, 수요는 5~7년 동안 나타나지 않았고, 그사이의 모든 것들은 청산되었습니다.

2026년 현재, AI 수요는 이미 여기에 와 있습니다. 엔비디아는 칩을 충분히 빨리 만들어내지 못하고 있습니다. TSMC의 첨단 패키징 용량은 이미 매진되었습니다. 클라우드 컴퓨팅 임대 가격은 떨어지는 것이 아니라 오르고 있습니다. OpenAI는 2025년 3월과 10월 사이에만 주간 활성 사용자 4억 명을 추가했습니다. 모델은 사용되고 있습니다. 연산 자원은 소비되고 있습니다. 고객들은 돈을 내고 있습니다.
그렇다고 리스크가 없다는 뜻은 아닙니다. 엄청난 리스크가 존재합니다. 그리고 저도 인정하고 싶지 않을 만큼 그 부분에 대해 많이 생각합니다. 특히 다음 세 가지가 그렇습니다.

첫째, 자본 오배분(Capital misallocation).
기업들은 2026년에 데이터 센터에 6,500억 달러 이상을 지출하고 있습니다. 만약 AI 서비스로부터 발생하는 매출이 그 지출을 정당화할 만큼 빠르게 실현되지 않는다면, 이 기업들 중 일부는 심각한 마진 압박에 직면할 것입니다. 아마존의 잉여 현금 흐름은 올해 실제로 마이너스가 될 수도 있습니다. 그 아마존 말입니다. 클라우드 컴퓨팅을 사실상 발명한 그 회사조차도요.

둘째, 집중 리스크(Concentration risk).
AI 공급망은 위험할 정도로 집중되어 있습니다. TSMC는 전 세계 칩의 거의 70%를 제조합니다. ASML은 EUV 장비의 유일한 공급업체입니다. 엔비디아는 AI 데이터 센터 GPU의 92%를 설계합니다. 어떠한 종류의 중단(지정학적 리스크, 자연재해, 혹은 경쟁 상황)이라도 발생한다면 전체 스택에 파장을 일으킬 수 있습니다. 대만 신주(Hsinchu)에서 발생하는 단 한 번의 지진이 전 세계 AI 발전을 수년 뒤로 후퇴시킬 수 있습니다. 그 생각만으로도 여러분은 불편함을 느껴야 마땅합니다.

셋째, 딥시크(DeepSeek) 문제입니다.
2025년 1월, 중국의 AI 랩인 딥시크는 훈련 비용의 극히 일부만으로도 최첨단 성능에 근접한 모델을 출시했습니다. 이는 '더 많은 지출이 자동으로 더 나은 AI와 직결된다'는 가정에 도전장을 내밀었습니다. 만약 오픈 소스 및 효율적인 모델들이 계속해서 격차를 좁힌다면, 인프라 지출 논거는 약해질 것입니다. 저는 딥시크가 그 논거를 죽였다고 생각하지는 않습니다. 하지만 이전에는 없었던 변수를 도입했고, 그런 변수들은 그냥 사라지지 않습니다.

하지만 제가 계속해서 되새기는 틀은 이렇습니다. 매킨지(McKinsey)는 전 세계 누적 데이터 센터 투자가 2030년까지 6조 7,000억 달러에 달할 것으로 추정합니다. PwC는 AI가 2030년까지 글로벌 GDP에 15조 7,000억 달러를 기여할 수 있다고 봅니다. IDC는 AI 솔루션과 서비스가 2030년까지 22조 3,000억 달러의 누적 효과를 창출할 것으로 전망합니다.

설령 그 수치들이 50% 틀렸다고 해도, 우리는 여전히 인터넷 이후 가장 큰 기술 주도의 경제적 변화를 이야기하고 있는 것입니다. 문제는 그 규모(Magnitude)이지, 방향(Direction)이 아닙니다.

저는 "나는 AI에 대해 회의적이다"라고 말하는 사람들을 계속 봅니다. 마치 그것이 어떤 확고한 입장이라도 되는 것처럼요. 좋습니다. 모델에 대해 회의적이 되십시오. 타임라인에 대해 회의적이 되십시오. 하지만 공급망에 대해서 무지하지는 마십시오. 그것들은 다른 것입니다. 전자는 건강한 지적 태도이지만, 후자는 당신의 돈을 앗아갈 것입니다.

5년 후가 되면, 이번 사이클에서 승리한 이름들은 너무나 당연하게 느껴질 것입니다. 언제나 그랬듯이요. 지금의 게임은 모든 사람이 따라잡기 전에 그 구조를 먼저 보는 것입니다

[LOOPY @VibeEverything]

클로드 쓰는 사람 다 보세요 🧵

대부분이 그냥 채팅창처럼 사용하는데, 이 5가지 세팅만 하면 훨씬 강력하게 활용할 수 있습니다.

━━━━━━━━━━━━━━━━━━

✅ 1단계 | 데스크탑 앱 + Cowork 탭
Claude 데스크탑 앱 설치 후 Chat 말고 Cowork 탭에서 시작

✅ 2단계 | 모델 고정
Opus 4.6 선택 + Extended Thinking(확장 사고) 활성화
(절대 바꾸지 말 것)

✅ 3단계 | 폴더 구조 세팅
📁 ABOUT ME / PROJECTS / TEMPLATES / OUTPUTS
마스터 폴더 하위에 위 4개 폴더 생성

✅ 4단계 | ABOUT ME 폴더 안에 컨텍스트 파일 생성
• about-me.md → 업무와 역할
• my-voice.md → 말투, 싫어하는 표현, 예시 3개
• my-rules.md → 먼저 질문하기, 계획 보여주기, 승인 받기

✅ 5단계 | Global Instructions (한 번만 설정)
설정 → Cowork → Edit Global Instructions에서 아래 내용 붙여 넣기

→ 붙여넣기: "I'm [이름], [역할]. Read my files before every task. Ask clarifying questions before executing. Show a plan before acting. Never delete without my approval."

* 한 번 설정하면 매 세션 자동 적용
━━━━━━━━━━━━━━━━━━

세션 시작 전 체크 3가지 ✅
☑ Cowork 탭인가? (Chat ❌)
☑ Opus 4.6 + 확장 사고 활성화가 되어있는가?
☑ 컨텍스트 폴더가 연결되어 있는가?

이거 다 되면 10단어 길이의 프롬프트만으로 결과물 완성

저장해두고 써먹으세요 🔖

[Virtuals Protocol @virtuals_io]

https://t.co/W7gzclxJ7h

[Rahul @0xrahulweb3]

The Fastest Way to get a Web3 Job in 2026

Most people aren’t unemployed
They’re just looking in the wrong places

Web3 Career – https://t.co/JQNeMhcEq8
Remote3 – https://t.co/NrCTUryfTF
CryptoJobsList –
https://t.co/OK0GWFK850
Block Careers – https://t.co/YpVA1Flh4U
Midnight Careers – https://t.co/LMicXoOc2v
Dragonfly Jobs – https://t.co/PdNUHYJ6bT

Position yourself like an asset not an applicant .

Apply.

[Angina Pectoris @yeoulabba]

https://t.co/iyMwviUWU7

[0xJeff @0xJeff]

Consensus HK 2026: Side Event

- 10 Feb: RWAiFi Connect (GAIB, Plume, Kite AI, etc.)

- 10 Feb: The Fortified Stack: Building Compliant, Global Crypto-Native Payment Rails (AWS, Chainalysis, Sumsub, Triple-A)

- 10 Feb: Quantum Qafe Coffee Meetup @ Consensus HK (Sushi, W3JOE, HXCO, HACKVC, Kite AI, 0G)

- 10 Feb: Proof of AI - Builder and Influencer Night @ConsensusHK by Paypal Ventures & Kite AI & 499

- 11 Feb: Solana Accelerate APAC at Consensus

- 11 Feb: Coded @ Consensus HK: Scaling Infra with Builders, VCs & Market Makers (Optimum, AWS, Caladan, Amber Group, etc.)

- 11 Feb: Sentient Salon | HK Edition (Sentient, Kite AI, HASHKEY Capital)

- 11 Feb: Avalanche Convergence: Stablecoin & Real-World Assets (Hashkey, HFintech, Techhub News)

- 11 Feb: Institutional Capital X Solana RWAs (ft. Nest, Anchorage Digital, Synthesys, Superteam SG, Plume)

- 11 Feb: RWAfi. RAW HK Skyline Mixer: Road to Mainnet (Pharos, Ant Group, Digital Technologies, etc.)

- 11 Feb: Liquidity Harbour: DeFi & AI Punk Mixer (UST Web3 Labs, HKGHH, BitRush, Digital Visionaires Council)

- 12 Feb: HypurrCo Gathers @ Consensus HK 2 (HypurrCollective, Kagea, Coinpilot, HyperDrive, Auros, No Limit Holdings, Native Markets, Redstone, Velar, Anchorage, Pear Protocol)

- 13 Feb: Prediction Markets After Dark (Fireplace, Limitless, Polysights, Trendle, Prediction Index)

[Luma links to the events in my bio]

Have fun in Hong Kong! Let me know if there are other exciting events around.

[KID @JumperKid_0]

https://t.co/dMfHZWZm0E

[0xJeff @0xJeff]

AI and Crypto — "key architectures of the future" in @a16z $15B fund

Where Crypto and Crypto x AI can jump in

1. Infrastructure
- Stablecoins, on-chain payments, and micro-payments infrastructure
- On-chain wallets, on-chain primitives (defi)
- Provenance, identity, and reputation
- Cryptographic proofs and privacy techniques
- Decentralized AI accelerating developments, coordinating resources
- On-chain personal finance
- Crypto as the coordination & verification layer of $30T+ agentic economy

2. Applications
- Prediction markets and prediction markets products/agents
- Agent-powered consumer fintech & invisible payments
- DeFAI apps/agents
- Tokenized assets + all-in-one investing super app
- Verifiable content & on-chain media/reputation primitives

TL;DR -> For builders, If you can apply AI/Crypto into one (or more) of the sectors that a16z focuses on, part of the $15B can be yours.

[Miles Deutscher @milesdeutscher]

https://t.co/WoKO73P8ox

[zagen扎根(✱,✱) @0xzagen]

最全机器人赛道全景图
Robotics Landscape

项目分类与清单👇

机器人身份与经济基建L1

@peaq @iotex_io

robotics智能协调层

@openmind_agi @codecopenflow @NRNAgents

Capital Formation & Asset Tokenization (Robotics RWA)

@xmaquina @opentensor @virtuals_io @BitRobotNetwork @DualMintRWA @homebrewrobots @GAIB_AI

具身实体（机器人具身硬件）

@UnitreeRobotics @agilityrobotics @Figure_robot @BostonDynamics @DynaRobotics @Tesla_Optimus @TheSanctuaryAI @1x_tech

机器人基础模型
@GoogleDeepMind @NVIDIAAI @physical_int @SkildAI

数据层：

泛数据层: @reppo @opentensor @BitRobotNetwork

物理环境理解与mapping:
@GEODNET @Hivemapper @silencioNetwork @the_small_thing

真实世界交互数据:
@PrismaXai @frodobots @psdnai @Vader_AI_

仿真合成/空间计算:
@axisrobotics @AukiLabs @OpenGraph_Labs

人类意图数据:
@gen_intuition

分类与项目选择包含个人主观意见，同分类项目排名不分先后，同时符合多类别项目仅出现一次 NFA&DYOR

[Bongbongcrypto | 26Y1M @bongbongcrypto]

저는 ZK 이후 함께 주목받을 내러티브가 FHE이라고 생각합니다. (Feat. @zama_fhe, @octra)

FHE란?
FHE는 완전 동형 암호화 기술(Fully Homomorphic Encryption)로,
암호화된 상태 그대로 데이터를 연산할 수 있게 해주는 암호화 방식입니다.

즉 복호화 하지 않고도 암호문(Encrypted data)에 대해 연산을 수행할 수 있으며,
그 결과를 복호화하면 평문에 대해 연산한 결과와 동일한 값을 얻게 됩니다.

=========
FHE를 쉽게 이해해보자면,

기존 방식 (복호화가 필요한 방식)
1) 데이터를 암호화 하면 서버는 내용을 알 수 없습니다.
2) 하지만 계산하려면 잠깐 암호를 풀어야 합니다.
3) 예를 들어 5+3 을 계산하려면 아래와 같은 과정이 필요합니다.
- Enc(5), Enc(3) → 복호화 → 5, 3
- 계산 → 5 + 3 = 8
- 결과를 다시 암호화 → Enc(8)
> 즉, 계산하려면 결국 해당 데이터를 다시 들여다 봐야 합니다.

FHE 방식 (복호화 없이 계산 가능한 방식)
1) FHE는 처음부터 끝까지 암호화된 상태로 계산이 가능합니다.
2) 서버는 내용을 몰라도 계산만 수행할 수 있습니다.
- Enc(5) + Enc(3) → Enc(8)
- 결과를 복호화 하면 → 8
> 즉 데이터를 열지 않고도 계산이 가능하다는게 FHE의 장점입니다.

=========
이 FHE가 왜 중요하냐면,
1) 개인정보 보호 를 보호하면서 클라우드에서 연산할 수 있습니다.
- 민감한 정보를 서버에 맡기더라도 서버는 해당 데이터를 읽지 못한채 연산만 수행
- 의료정보, 금융정보, AI모델 학습데이터 등 프라이버시가 중요한 분야에서 매우 유용

2) Private AI 구현이 가능합니다.
- 암호화된 상태로 머신러닝 모델을 학습하거나 예측 가능

3) 규제를 지키면서도 데이터를 적극적으로 활용할 수 있습니다.
- GDPR(유럽 개인정보 보호법), HIPAA(미국 건강 정보 보호법) 등 규제를 만족하면서도 데이터 활용 가능

이러한 특성 덕분에 FHE는 Web3와 AI가 결합되고 있는 요즘, 프라이버시를 해치지 않으면서도 연산을 가능하게 하는
구조적 해답으로 주목받고 있습니다.

실제 이 내러티브를 기술적으로 실현하고 있는 대표적인 두 프로젝트가 있습니다.

=========
1) @zama_fhe
- 프랑스 기반의 FHE 인프라 레이어 팀
- 오픈소스 FHE 라이브러리인 Concrete SDK 개발
- SDK를 통해 암호화된 상태로 AI 추론, 스마트컨트랙트 실행 가능
- EVM 호환 Confidential Rollup 프로젝트인 Fhenix와 협업중
- 2023년 시리즈 A에서 $73M 펀드레이징
- Panera Capital, Multicoin Capital, Protocol Labs 리드, Gavin wood, Anatoly 등 투자
- 프라이버시 컴퓨팅 인프라 마켓을 선도하는 팀

2) @octra
- 유저 친화적인 FHE 기반 AI inference API 개발
- Prompt를 암호화된 채로 AI 모델에 전달, 결과만 복호화
- 서버는 사용자의 질문 내용을 알 수 없음 (여기가 매우 중요)
- 프라이버시 중심의 새로운 AI UX를 지향
- 2024년 프리시리즈 에서 $4M 펀드레이징
- Finality Capital Partners 리드, Big brain holdings 등 투자
- Zama는 인프라 레이어라면 Octra는 그 위에서 작동하는 응용 레이어에 해당

두 팀 모두 기술 구현을 떠나서 실제 사용가능한 형태로
FHE를 가져오고 있다는 점에서 Zama와 Octra는 매우 중요한 역할을 하고 있다고 생각합니다.

=========
ZK 내러티브가 등장하면서 '증명'에 관한 방법론들이 충분히 연구되어 왔습니다. 이 연장선에서 FHE의 내러티브가 각광받으며 '프라이버시를 유지한채 데이터를 처리하는' 방법이 이제는 연구되고 있습니다.

FHE는 지금 이 방법에 대한 가장 구조적인 대안으로 떠오르고 있습니다.
보이지 않는 연산이 필요한 시대가 다가오며 FHE는 매우 중요한 역할을 하게 될 것이라고 보고 있습니다.

[YQ @yq_acc]

https://t.co/DT7wwEmjmk

[DeFi Dave @defidave]

https://t.co/EFRjIThoPe

[0xJeff @0xJeff]

https://t.co/9fMQFxz1Co