AI 산업 취약성 탐구

초록

본 논문은 파운데이션 모델(FM) 생산을 위한 상류 가치 사슬을 중심으로 인공지능 산업의 구조적 취약성을 정량화하고자 AI 취약성 지수(AIVI)를 제안한다. 컴퓨트, 데이터, 인재, 자본, 에너지 다섯 가지 핵심 투입 요소를 모델링하고, 각 요소의 공급 위험을 가중치가 부여된 기하 평균으로 통합한다. 주요 발견은 컴퓨트 집중, 데이터 법적·윤리적 리스크, 인재 확보 난이도, 고자본 의존성, 에너지 수요 급증 등이며, 이러한 위험이 FM의 생산 및 downstream 가치 사슬에 파급 효과를 미친다.

상세 요약

이 연구는 현재 AI 생태계를 지배하고 있는 파운데이션 모델(FM)의 생산 메커니즘을 ‘다섯 입력-산출’ 프레임워크로 단순화한다. 첫 번째 입력인 컴퓨트는 대규모 GPU·TPU 클러스터에 대한 의존도가 높아, 몇몇 클라우드 제공업체와 반도체 제조업체에 공급이 집중되는 구조적 취약성을 드러낸다. 두 번째 입력인 데이터는 규모와 품질이 핵심이지만, 개인정보 보호법, 저작권 이슈, 그리고 데이터 독점 현상이 법적·윤리적 리스크를 증폭시킨다. 세 번째 입력인 인재는 고급 머신러닝 연구자와 엔지니어의 공급이 제한적이며, 이들의 이동성은 기업 간 경쟁과 국가 간 기술 격차를 확대한다. 네 번째 입력인 자본은 수십억 달러 규모의 투자와 장기적인 R&D 비용을 필요로 하며, 투자자들의 전략적 목표와 정책 변화에 따라 자금 흐름이 급격히 변동할 수 있다. 마지막 입력인 에너지는 대규모 학습 과정에서 전력 소비가 급증함에 따라 탄소 배출 및 전력 공급 안정성 문제가 부각된다. 논문은 각 입력의 대체 가능성을 ‘불완전 대체성’으로 가정하고, 가중치 부여 방식은 전문가 설문·문헌 기반 정성 평가와 실제 시장 점유율 데이터를 혼합해 산출한다. 이렇게 산출된 서브 인덱스들을 기하 평균으로 결합함으로써, 어느 하나의 입력이 심각하게 약화될 경우 전체 AIVI가 급격히 상승하도록 설계되었다. 또한, 이론적·경험적 벤치마크(예: 2020년 대비 2023년 GPU 출하량, 데이터 법규 강화 횟수 등)를 활용해 정규화 과정을 거쳐 비교 가능한 스코어 체계를 제공한다. 연구는 데이터 가용성의 한계, 가중치 주관성, 그리고 입력 간 상호작용을 완전히 포착하지 못한다는 제약을 인정하면서, 향후 동적 모델링과 시뮬레이션을 통한 정밀도 향상을 제안한다. 전체적으로, 이 논문은 AI 산업의 ‘생산 엔진’에 대한 구조적 위험을 최초로 정량화하려는 시도로, 정책 입안자·투자자·기업 전략가에게 중요한 인사이트를 제공한다.