3배 빠른 VLM·116억달러 계약, AI 비용이 이동한다

요약

AI 비용 경쟁이 단순한 모델 크기 대결에서 벗어나고 있다. Liquid AI는 작은 초안 모델이 여러 토큰을 먼저 제안하고 본 모델이 검증하는 방식으로 비전·언어 모델의 디코딩을 최대 3.13배 가속했다고 밝혔다. 반대편에서는 Anthropic이 Akamai의 분산 클라우드와 CPU 자원에 7년간 116억달러를 약정했다. 한쪽은 같은 모델의 한 단계를 줄이고, 다른 쪽은 장기 공급망을 묶는다.

데이터와 사람도 같은 계산서에 올라왔다. BabyLM은 1억 단어 이하의 제한된 학습 예산으로 데이터 효율을 높이는 연구를 이어가고 있다. Carnegie China의 최신 분석에서는 2025년 최상위 AI 연구 인력의 근무지 비중이 중국 41%, 미국 34%로 집계됐다. 연산량만 늘리는 전략이 한계에 닿을수록 좋은 데이터 구성과 인재가 더 희소한 자원이 된다.

그러나 모든 지연을 제거하는 것이 효율은 아니다. 워싱턴포스트는 미국과 러시아가 유엔 자율무기 논의 문서에서 AI가 제시한 표적을 사람이 공격 전에 검토하도록 하는 문구 등을 삭제했다고 보도했다. 아직 법적 구속력이 없는 협상 문서지만, 여기서 줄어든 인간 검토 시간은 오류와 책임의 비용으로 되돌아올 수 있다. 이번 흐름의 핵심은 비용 절감 자체가 아니라 어떤 비용을 남기고 누가 책임질지를 설계하는 일이다.

속도는 3배, 전체 시스템은 2.62배

Liquid AI가 공개한 LFM2.5-VL-3B-DSpark는 30억 매개변수급 비전·언어 모델 옆에 약 2억8000만 매개변수의 드래프터를 붙인다. 드래프터가 다음 토큰 묶음을 먼저 쓰면 본 모델이 한 번에 검증한다. 회사가 여섯 가지 비전 작업에서 측정한 결과, 디코딩은 애플 실리콘에서 최대 3.13배, H100에서 최대 2.66배 빨라졌고 엔드투엔드 개선은 각각 최대 2.62배와 2.27배였다. 이는 공급자 측 실험 수치이며 독립적인 광범위 재현 결과는 아직 아니다.

중요한 숫자는 3.13배보다 2.62배다. 이 기술은 토큰을 생성하는 디코딩 단계만 가속하고, 이미지를 읽는 비전 인코딩과 긴 입력을 처리하는 프리필은 그대로 둔다. 디코딩이 전체 지연에서 차지하는 몫이 작으면 체감 성능도 그만큼 제한된다. 특정 커널이나 벤치마크의 최고 배수만으로 제품 경험을 예측할 수 없는 이유다.

개발자와 제품 운영자에게 필요한 질문도 달라진다. 어떤 모델이 가장 빠른지가 아니라 실제 요청에서 이미지 처리, 검색, 도구 호출, 검증, 네트워크 대기가 각각 얼마나 걸리는지를 먼저 측정해야 한다. 작은 드래프터 하나가 큰 효과를 내는 경우도 있지만, 병목이 다른 단계에 있다면 더 많은 매개변수는 새 비용일 뿐이다.

116억달러가 산 것은 GPU만이 아니다

Akamai와 Anthropic의 계약은 AI 인프라 비용이 학습용 GPU에만 머물지 않는다는 점을 보여준다. Akamai의 공식 발표와 미국 증권거래위원회 공시에 따르면 Anthropic은 전용 클라우드 용량과 관리 지원 서비스에 7년간 약 116억달러를 약정했다. 발표는 대규모 CPU 워크로드와 분산 인프라를 강조하며, 관계가 확대되면 추가 약정은 최대 90억달러까지 늘어날 수 있다.

거래 구조도 단순 구매 계약보다 깊다. Akamai는 Anthropic에 자사 보통주의 최대 약 5%에 해당하는 비의결권 전환우선주 워런트를 발행했고, 일부는 초기 약정, 나머지는 추가 구매에 따라 단계적으로 확정된다. 다만 116억달러는 즉시 지급된 현금이나 확정 매출이 아니라 서비스 제공 조건과 해지 조항이 붙은 계약상 약정이다.

여기서 읽히는 변화는 추론과 에이전트 운영이 장기 설비 계획의 문제가 됐다는 사실이다. 모델 회사는 연산을 그때그때 사는 고객이 아니라 공급자의 자본 배치와 지분 구조까지 움직이는 앵커 고객이 된다. 반대로 제품 회사는 모델 선택뿐 아니라 7년짜리 공급 집중, 장애 조건, 데이터 위치, 엣지 배치 가능성까지 기술 부채로 관리해야 한다.

데이터 효율은 다음 비용 전쟁

BabyLM 2026은 인간 발달에서 영감을 받은 1억 단어 이하의 데이터 예산으로 언어모델을 훈련하는 공동 과제다. 1억 단어 트랙과 더 작은 1000만 단어 트랙, 영어·네덜란드어·중국어를 다루는 다국어 트랙을 운영한다. 목표는 거대한 데이터 수집 경쟁을 축소판에서 흉내 내는 것이 아니라, 제한된 입력에서 더 잘 배우는 학습 목표와 구조를 찾는 데 있다.

이 접근은 데이터 부족을 단순히 더 긁어모을 문제로 보지 않는다. 어떤 예시를 어떤 순서로 보여주고, 이미지·대화·교사 피드백을 어떻게 결합하며, 적은 자원에서 무엇을 평가할지를 연구 대상으로 만든다. 이 방법이 곧바로 프런티어 모델의 비용을 줄인다고 단정할 수는 없지만, 저자원 언어와 대학 연구팀처럼 대규모 사전학습 예산이 없는 곳에서는 실용적인 연구 경로를 넓힌다.

데이터 효율은 비용과 권리의 문제이기도 하다. 학습량이 적어질수록 출처가 불분명한 대규모 수집에 덜 의존할 수 있고, 분야별로 검증된 작은 데이터셋의 가치가 올라간다. 앞으로 경쟁력은 데이터의 총량보다 소유권이 명확하고 품질을 설명할 수 있는 학습 묶음을 얼마나 잘 구성하느냐에서 갈릴 가능성이 크다.

인재 지도는 모델 순위보다 천천히, 더 크게 움직인다

Carnegie China의 AI Talent v3.0은 NeurIPS 2025 채택 논문 저자 가운데 1만명 이상을 분석했다. 이 표본에서 최상위 AI 인력이 일하는 곳의 비중은 중국 41%, 미국 34%였다. 2022년에는 미국 46%, 중국 27%였으므로 근무지의 무게중심이 크게 이동했다. 중국에서 학부를 마친 연구자가 전체 표본에서 차지하는 비중도 57%로 집계됐다.

그렇다고 미국의 흡인력이 사라진 것은 아니다. 보고서는 2025년 미국이 2145명의 순인재 유입을 기록한 반면 중국은 1729명의 순유출을 기록했다고 분석한다. 중국 출신 연구자의 중국 잔류율은 2022년 57%에서 2025년 69%로 올랐지만 미국의 자국 인재 잔류율 89%에는 못 미쳤다. 한국은 77%로 두 번째로 높았고, KAIST는 최상위 인재 배출 기관 순위에서 3위에 올랐다.

이 결과는 한 학회 저자 표본에 기반하므로 세계의 모든 AI 인력을 대표하지는 않는다. 그래도 같은 방법으로 시간 변화를 비교했다는 점에서 방향성은 유용하다. 모델과 칩은 구매하거나 복제할 수 있지만, 연구 공동체와 경력 경로는 오랜 시간에 걸쳐 쌓인다. 국가와 기업의 AI 전략은 채용 숫자보다 인재가 머물 이유와 이동할 통로를 함께 설계해야 한다.

비용 절감의 마지막 단추는 인간 감독

유엔 군축실 공식 일정에 따르면 치명적 자율무기체계 정부 전문가 그룹은 8월31일부터 9월4일까지 제네바에서 두 번째 회의를 열었다. 워싱턴포스트는 마지막 협상 과정에서 미국과 러시아 대표단이 시스템의 예측 가능성과 신뢰성, 윤리적 고려, AI가 만든 군사 표적에 대한 공격 전 인간 검토를 요구하는 문구를 삭제했다고 보도했다. 보도는 비공개 회의 참석자와 문서 검토를 근거로 한다.

현재 문서는 법적 구속력이 있는 조약이 아니다. 참가국들은 합의 방식으로 규범과 운용 조치를 논의 중이며, 다음 단계에서 정식 협상 권한이나 구속력 있는 체계로 발전할지도 확정되지 않았다. 따라서 인간 감독이 국제법에서 사라졌다고 확대 해석해서는 안 된다. 다만 향후 협상의 기준선이 약해졌다는 사실은 분명한 신호다.

제품 운영에서도 같은 원리가 작동한다. 승인 단계를 없애면 처리 시간은 짧아지지만, 잘못된 표적이나 거래, 데이터 전송이 발생했을 때 누가 멈추고 설명할지가 사라진다. 인간 검토는 무조건 모든 단계에 붙이는 장식이 아니라 피해가 되돌릴 수 없는 지점에 배치하는 비용이다. 이 비용을 제거하면 시스템이 싸지는 것이 아니라 사고와 책임이 사용자와 사회로 이전된다.

Kyurasi 관점: 병목을 없애기 전에 이름을 붙여라

이번 흐름은 서로 반대처럼 보인다. 한쪽은 2억8000만 매개변수를 더해 전체 추론을 줄이고, 다른 쪽은 116억달러를 약정해 장기 용량을 확보한다. BabyLM은 데이터 예산을 줄이고, 인재 경쟁은 연구자에게 더 큰 선택권을 준다. 자율무기 협상은 인간 검토를 지연으로 볼지 안전의 핵심으로 볼지를 묻는다.

공통점은 비용을 없애는 대신 위치를 바꾼다는 데 있다. 디코딩 비용은 드래프터와 메모리로, 즉시 구매 위험은 장기 계약과 공급자 집중으로, 대규모 데이터 수집은 데이터 설계와 평가로 이동한다. 사람의 승인 시간을 줄이면 책임과 복구 비용이 커질 수 있다. 좋은 AI 시스템은 가장 싼 시스템이 아니라 이 이동을 측정하고 설명할 수 있는 시스템이다.

실무에서는 세 가지가 남는다. 벤치마크가 아니라 전체 요청 경로를 재고, 모델 계약과 인프라 계약을 분리해 잠금 효과를 확인하며, 되돌릴 수 없는 행동에는 명시적인 승인과 감사 기록을 둬야 한다. AI 경쟁의 다음 우위는 더 큰 모델 하나보다 어떤 병목을 자동화하고 어떤 병목은 의도적으로 남길지 판단하는 능력에서 나올 것이다.

출처

• Accelerating vision-language models with LFM2.5-VL-DSpark - Liquid AI / Hugging Face (https://huggingface.co/blog/liquidai/lfm2-5-vl-dspark)
• Akamai Announces $11.6 Billion Multi-year Agreement with Anthropic - Akamai (https://www.akamai.com/newsroom/press-release/akamai-announces-11-6-billion-multi-year-agreement-with-anthropic-to-support-growing-demand)
• Akamai Technologies Form 8-K - U.S. Securities and Exchange Commission (https://www.sec.gov/Archives/edgar/data/1086222/000119312526401048/d288154d8k.htm)
• BabyLM 4 at EMNLP 2026 - BabyLM Challenge (https://babylm.github.io/index.html)
• Who’s Ahead in the Global AI Talent Race? - Carnegie Endowment for International Peace (https://carnegieendowment.org/features/whos-ahead-in-the-global-ai-talent-race)
• CCW Group of Governmental Experts on Lethal Autonomous Weapons Systems (2026) - United Nations Office for Disarmament Affairs (https://meetings.unoda.org/meeting/79329)
• U.S., Russia stripped human oversight from global AI weapons pact - The Washington Post (https://www.washingtonpost.com/technology/2026/09/26/how-us-russia-weakened-global-effort-regulate-killer-ai/)