나발 라비칸트 “AI 연구소, 플라이휠로 인재·데이터 확보”

선도 AI 연구소가 우수 인재와 사용자 데이터를 끌어모아 모델 성능을 높이는 ‘플라이휠’ 구조를 구축한다는 분석이 나왔다.

나발 라비칸트(Naval Ravikant) 엔젤리스트 창업자이자 투자자는 10일 X에 올린 글에서 선도 AI 연구소의 전략을 설명했다. 관련 내용은 PANews가 전했다.

나발은 “가장 뛰어난 사람들이 선도 모델을 사용하게 하고, 이들의 입력과 모델 자체의 출력, 여기서 만들어진 합성 데이터와 훈련 환경을 추출해 학습에 다시 투입하는 것”이라고 말했다. 연구소가 인재를 확보하는 데 그치지 않고, 사용 과정에서 나온 결과물을 모델 개선에 연결한다는 의미다.

플라이휠은 사용자 증가와 서비스 개선이 서로를 다시 촉진하는 순환 구조를 뜻한다. AI 연구소가 우수 인재를 모으면 고품질 입력과 결과물이 쌓이고, 이를 활용한 모델 개선이 다시 이용자 유입으로 이어질 수 있다는 구상이다.

이 구조에서 사용자는 단순한 소비자가 아니라 모델 개선 과정에 참여하는 주체가 된다. 다양한 작업에서 생성된 입력과 출력은 모델이 어떤 요구에 대응해야 하는지 판단하는 자료로 활용될 수 있다.

나발은 이용자들이 선도 모델을 계속 사용하는 배경으로 AI 연구소 간 경쟁을 들었다. 연구소들이 성능을 겨루면서 모델이 빠르게 개선되고, 이용자는 더 나은 결과를 얻기 위해 선도 모델을 찾는다는 설명이다.

모델의 성능만으로 경쟁 우위를 가르는 방식에서 벗어나, 인재·사용자·데이터·훈련 환경의 연결 구조가 경쟁력의 일부가 될 수 있다는 분석이다. 사용자가 많을수록 작업 사례가 다양해지고, 연구소가 모델의 훈련 방식과 평가 환경을 조정할 여지도 커진다.

특히 입력 데이터와 모델 출력물을 함께 활용한다는 점이 핵심으로 꼽힌다. 여기에 사용 과정에서 생성된 합성 데이터와 훈련 환경까지 더해지면, 서비스 이용이 다음 학습 주기를 위한 자원으로 이어지는 구조가 만들어진다.

이는 AI 플랫폼의 인재 확보 경쟁과도 맞닿아 있다. AI 플랫폼을 둘러싼 인재 이동이 기업의 조직 형태와 개발자·이용자의 판단 기준에 영향을 줄 수 있다는 분석도 앞서 제기된 바 있다.

다만 이번 발언은 AI 연구소의 전략에 대한 나발의 분석이다. 특정 연구소가 같은 방식으로 데이터를 활용하고 있다는 사실이나 그에 따른 성과를 확인한 내용은 아니다.

AI 연구소 간 경쟁이 이어지는 동안 인재 확보와 모델 사용량, 데이터 활용 방식이 서로 맞물리는 구조가 강화될 수 있다는 것이 이번 분석의 요지다. 구체적인 연구소별 적용 현황과 성과는 별도 확인이 필요하다.