[CES 2025] 젠슨 황 NVIDIA CEO 기조연설 직관 후기 (1)
2025년 1월 6일 18시 40분, Las Vegas 스트립에 위치한 Mandaly Bay 호텔 이벤트 홀에서 열린 Jenson Huang NVIDIA CEO의 CES 2025 기조연설을 직접 관전했습니다. 강력한 GPU 컴퓨팅 역량을 바탕으로 인공지능 산업의 새로운 지평을 열어나가고 있는 NVIDIA인 만큼 정말 가슴뛰고 영광스런 자리가 아닐 수 없었습니다. 본 에세이에서는 입장부터 연설 끝까지의 모든 것을 기록하고 개인적인 생각을 첨언하고자 합니다.
입장
베가스에 오기 전부터 젠슨 황의 기조연설만은 꼭 들어야겠다고 다짐했었습니다. 다만, 저를 베가스까지 올 수 있게 해준 SBA 서울통합관 운영 주관사의 일정이 있어 자칫하면 기조연설을 듣지 못할 수도 있었습니다. 그러나 운 좋게도 일정이 빠르게 마무리되었고, 저는 동행 한 명과 함께 우버를 타고 기조연설이 열리는 만달레이 베이 호텔로 향했습니다.
4시 50분 경에 호텔 컨벤션 홀에 도착했고, 끝도 없이 늘어선 대기 행렬을 목격했습니다. 줄 끝에 다다르기 위해 속보로 20분 가까이를 더 이동해야만 했습니다. 이벤트 홀에 입장하기 전에는 검문검색이 있는데 이때 일반 입장객은 가로 세로 12인치 이상 되는 가방은 따로 검문을 받아야 하고 물을 포함한 일체의 음식은 반입할 수 없으며 랩탑이나 태블릿, 카메라 같은 일부 전자기기들도 반입이 제한됩니다. 이 점을 참고하시어 불이익을 받지 않도록 주의해주세요😭
그래도 시간을 잘 맞춘 덕에 연설 시작 30분 전에 무사히 이벤트 홀에에 들어갈 수 있었습니다. 자리는 왼쪽 2층석이었고, 연단이 잘 보이는 곳이었습니다.
젠슨 황 영접
드디어 텔레비전이나 유튜브에서만 보던 젠슨 황을 실물로 영접했습니다. 트레이드 마크인 가죽 재킷과 블랙 진을 입고 왔으며 첫 멘트부터 강력한 신뢰감과 인간 자체가 강건함을 느낄 수 있었습니다.
첫 번째 주제 - AI 기술의 진화 과정과 응용 영역의 확장
젠슨 황은 이 이미지에서 AI 기술의 진화 과정과 응용 영역의 확장을 설명합니다.
- AI 기술의 진화 과정
- Perception AI: 2012년 AlexNet으로부터 시작된 딥러닝 혁신은 Perception AI의 시작을 알렸습니다. 이 단계에서는 데이터를 인지하고 분석하는 기술에 초점이 맞춰져 있습니다. 음성 인식, 딥러닝 기반 추천 시스템, 분류/탐지 모델 등이 대표적인 예시입니다.
- Generative AI: 이 단계에서는 단순한 분석을 넘어서 AI가 새로운 데이터를 생성하는 능력이 부각됩니다. 현재 대부분의 언어 모델이 포함되는 영역입니다. Stable Diffusion, Sora, MidJourney 등도 포함됩니다.
- Agentic AI: 이 단걔애소는 인간과 상호작용하며 지능적인 대행 작업을 수행합니다. 토니 스타크의 자비스나 프라이데이를 생각해볼 수 있습니다. 현실에서는 코딩 보조 도구인 Cursor AI가 있습니다. AI가 점점 더 능동적이고 사용자 맞춤화된 역할을 수행합니다.
- Physical AI: 최종 단계는 결국 Physical 환경에서의 작업 수행 능력을 갖춘 AI입니다. 자율 주행, 일반 로봇 공학에 광범위하게 적용되는 AI가 대표적인 예시입니다.
젠슨 황은 이후 주제에서 엔비디아의 최신 기술을 통해 Physical AI를 지원하기 위한 최신 기술과 제품들을 소개합니다.
두 번째 주제 - 블렉웰 기반의 RTX 50 시리즈
젠슨 황이 가장 먼저 공개한 것은 화제의 중심인 새로운 GPU 아키텍처; 블렉웰과 그 기반의 RTX 50 시리즈입니다. 이 시리즈는 이전 세대 대비 성능과 효율성이 크게 향상되어 AI 모델의 훈련과 추론에 필요한 컴퓨팅 파워를 제공합니다. 또한 이전 세대와 대비해서 훨씬 저렴한 가격에 동급 혹은 이상의 성능을 보여주어 현장을 함성과 환호로 물들였습니다.
세 번째 주제 - 스케일링 법칙에 따른 지능과 컴퓨팅 파워의 변화
이후, 젠슨 황은 다음 주제로 넘어가면서 위 그래프에서 AI 모델의 성능(Intelligence)이 어떻게 스케일링 법칙(Scaling Laws)에 따라 컴퓨팅 리소스와 연관되는지를 설명합니다.
그래프에서 보이는 세 가지 주요 단계는 다음과 같습니다:
- Pre-Training Scaling (사전 학습 단계):
- 이 단계는 대규모 모델 훈련의 초기 단계로, 컴퓨팅 리소스를 늘릴수록 모델의 기본적인 성능이 선형적으로 증가합니다.
- 이 스케일링은 주로 다음에 의존합니다.
- 데이터 양: 더 많은 데이터를 학습할수록 모델이 더 나은 결과를 보여줍니다.
- 모델 크기: 파라미터의 크기를 증가시킴으로써 더욱 복잡한 패턴을 학습합니다.
- 컴퓨팅 자원: GPU와 같은 하드웨어 성능이 중요한 역할을 합니다.
- Post-Training Scaling (훈련 후 스케일링):
- 이 단계는 기본 모델에 대해 특정 작업이나 도메인에 맞춘 추가적인 학습 과정을 포함합니다.
- 대표적으로 Fine-Tuninng을 통해 사전 학습된 모델을 특정 문제(예: 의료 데이터 분석, 특정 언어 처리)에 맞게 세부적으로 조정합니다.
- Test-Time Scaling (“Reasoning”) (테스트 시점 스케일링 - 추론):
- 이 단계는 모델이 실제 환경에서 사용될 때의 성능을 극대화하기 위한 전략을 다룹니다.
- 추론 단계에서 GPU나 TPU와 같은 고성능 하드웨어를 활용해 빠르고 효율적인 결과를 생성합니다.
이 그래프는 컴퓨팅 리소스의 증가가 단순히 성능 향상으로 이어지는 것이 아니라 각 단계에서 다른 방식으로 기여한다는 점을 강조합니다. 즉, 이는 NVIDIA가 고성능 GPU를 지속적으로 개발하는 이유를 설명합니다. 특히 테스트 시점 스캐일링은 실시간 작업에서의 높은 컴퓨팅 능력을 요구하기 때문에 최신 아키텍처의 필요성이 더욱 부각됩니다.
젠슨 황은 AI의 스케일링 법칙이 지속되고 있음을 강조하며, 이전에 소개한 블렉웰과 이후 나올 주제인 Project Digits를 통해 엔비디아의 최신 기술과 제품이 이를 지원할 수 있음을 강조했습니다.