2025. 10. 15. Nvidia's Jensen Huang on AI & the Next Frontier of Growth

제공된 'Nvidia's Jensen Huang on AI & the Next Frontier of Growth' 인터뷰 스크립트 내용을 빠짐없이 시간 순서대로 정리했음.

1. 도입

• 진행자: 콘스탄틴 부어 (Constantine Buer), 세쿼이아 캐피탈 파트너 (AI 투자 초점).
• Nvidia & 시타델 증권 공통점:
  • 둘 다 뛰어난 비즈니스, 훌륭한 리더, 탁월한 운영.
  • 컴퓨팅 혁명에 의해 구동됨.
  • 각 산업의 기술 리더.
  • 덜 알려진 사실: 첫 외부 투자자가 세쿼이아 캐피탈.
    • Nvidia (1993년): 100만 달러 투자.
    • 시타델: 조금 더 투자.
• 젠슨 황 (Jensen Huang) 소개:
  • AI 컨퍼런스 최고 연사.
  • AI 혁명을 위한 전체 인프라 구축.
  • 세계에서 가장 가치 있는 회사(Nvidia) 설립.
• 젠슨 황 인사: "이렇게 아침을 맞이하니 좋다", (진행자: "당신은 몇 시간째 일했잖아요") "그렇다".

2. Nvidia의 시작: 엣지

• 청중: 세계 최고 기관 투자자들 (수조 달러 AUM 관리, '엣지' 탐색).
• 젠슨 황: 항상 '엣지'와 미래 통찰력 보유.
• 인터뷰 목표 (60분): Nvidia 초기부터 AI 혁명 중심까지, 그리고 Nvidia와 AI의 다음 단계(대부분 시간 할애).
• 질문 (1993년, 30세): Nvidia 창업 엣지는?
  • 당시 상황: PC 혁명, CPU 혁명, 무어의 법칙 시대, 마이크로프로세서(인텔) 및 트랜지스터 스케일링 법칙(Dinard scaling)이 화두, 실리콘 밸리 투자 집중.
  • Nvidia의 관찰 (다른 점):
    1. 범용 CPU는 매우 어려운 문제에는 비효율적.
    2. 가설 1: 더 특화된 가속기로 풀 수 있는 흥미로운 문제들이 있다.
    3. 가설 2: 범용 기술(트랜지스터 축소)은 결국 한계 도달 (Dinard scaling, Mead-Conway 원칙). 수익 감소 시점 도래.
    4. 컴퓨팅 문제는 거의 무한한 규모이며, 언젠가 새로운 컴퓨팅 접근 방식(가속 컴퓨팅)이 필요할 것.
  • Nvidia의 집중: 범용 컴퓨팅을 '가속 컴퓨팅' 기술로 보강 및 보완.
• '항상 앞서가는 법':
  • 첫 원칙(first principles)에서 추론.
  • 현재 잘 작동하는 것의 '기반'이 무엇인지, 그것이 '시간이 지남에 따라 어떻게 변할지' 자문하면 미래(see around corners) 예측 가능.

3. GPU의 일반화와 CUDA

• 질문: 그래픽 가속기 초기 성공 후, 2000년대 초 GPU를 범용 처리 장치로 일반화(CUDA)하려는 통찰은 어디서 왔나? (연구자들로부터?)
  • Nvidia 구축 어려움: 새로운 기술 발명 + 새로운 시장 발명.
  • 당시 (1993년): 새 컴퓨팅 플랫폼은 큰 시장 필요. (예: 실리콘 그래픽스 3D 시장은 너무 작았음).
  • 치킨과 달걀 문제: 새 아키텍처(기술) 위해 큰 시장 필요 vs 큰 시장은 아키텍처 없이는 부재.
  • Nvidia의 해결: 기술과 시장(현대 3D 그래픽 비디오 게임 시장) 동시 발명.
  • 세쿼이아(돈 발렌타인) 우려: "킬러 앱(Killer app)은?"
    • 젠슨: "일렉트로닉 아츠(Electronic Arts, EA)가 3D 그래픽 게임 만들 것."
    • 돈: "우리 EA 투자했는데 CTO 14살이고 차 태워줘야 함. 그게 킬러 앱?"
    • 결과: 3D 게이밍은 세계 최대 엔터테인먼트 산업 중 하나가 됨.
  • 3D 그래픽의 본질 (첫 원칙): 현실 시뮬레이션, 물리 시뮬레이션 (선형 대수 중요).
  • CUDA 발명 과정:
    1. 관찰: 3D 그래픽(매우 특화됨)의 본질(물리/수학)을 보고 GPU 일반화 방법 관찰.
    2. 경로 발명: 매우 수직적(특화) 산업 -> 점차 범용으로 성장하는 경로 발명 (드문 일).
    3. 발명 요소: 기술(GPU 일반화) + 신제품 + 시장 출시 전략 + 시장 채택 전략 + 생태계(플라이휠).
• 결론:
  • ARM, x86 외에 거의 모든 이가 사용하는 '새로운 컴퓨팅 플랫폼' 발명은 극히 드묾.
  • Nvidia는 30년 걸림.

4. AI 혁명과 AlexNet

• 배경: GPU 일반화 -> 연구자들이 무어의 법칙 한계 완화, 프로세싱 가속.
• 질문 (2010년대 초): 딥러닝(신경망 겨울)이 비주류일 때, 2012년 AlexNet (Nvidia GPU 가속) 돌파구가 AI 혁명을 직감한 순간인가? Nvidia가 중심이 된 엣지는?
  • 두 가지 우연:
    1. 젠슨 본인도 컴퓨터 비전 문제 해결 노력 중이었음 (당시 기술은 취약하고 일반화 어려워 불만).
    2. Nvidia 전략 'CUDA Everywhere': CUDA를 학계(지진 처리, 분자 역학, 입자 물리학, 양자 화학 등) 과학자들에게 보급 (젠슨이 직접 전 세계 대학 방문).
  • 연결: 위 전략 덕분에 2011-2012년, 컴퓨터 비전(ImageNet 콘테스트)을 풀려던 제프 힌튼, 앤드류 응, 얀 르쿤 등이 Nvidia에 연락.
  • 위대한 관찰:
    1. CUDNN (CUDA Deep Neural Network library) 발명: 딥러닝을 위한 새로운 솔버 제공. (스토리지 컴퓨팅의 SQL 같은 역할). 모든 연구자가 CUDA를 성공적으로 사용하게 됨.
    2. 결과 분석 (AlexNet): 컴퓨터 비전에서 큰 도약 확인. "왜 잘 되고, 다른 무엇을 잘할 수 있는가?"
    3. 본질 파악: 딥러닝 = 보편적 함수 근사기 (Universal Function Approximator).
       • 각 레이어 독립 훈련, 역전파 가능 -> 거의 모든 함수 학습 가능.
       • 진화: CNN (다차원 패턴 인식) -> RNN (상태 기계) -> LSTM (더 나은 상태 기계) -> Transformers (궁극의 상태 기계).
  • 결론:
    • "어떤 문제를 풀 수 있나?" -> "우리가 풀고 싶은 문제 대부분에 딥러닝 요소 적용 가능".
    • 10-20년 후 딥러닝 예측 -> 컴퓨팅 스택 전체(모든 칩, 시스템, 소프트웨어) 재창조 결심.
    • "아마도 역사상 최고의 결정 중 하나."

5. AI 팩토리

• 2016년: 세계 최초 AI 팩토리 DGX-1 제작.
• 일화 (OpenAI, 일론 머스크):
  • GTC에서 DGX-1 발표했으나 청중 반응 전무 (농담 수준).
  • 당시 자율주행차 협력 중이던 일론 머스크가 무대에서 "저 컴퓨터 뭐냐?", "DGX-1이다. 이런 이유로 만들었다."
  • 일론: "하나 필요하다." (첫 PO 확보)
  • 일론: "비영리 단체(nonprofit)가 있다."
  • 젠슨: (속마음) '새 제품 만들 때 첫 고객이 비영리라니...'
  • 젠슨이 직접 샌프란시스코 OpenAI 사무실로 DGX-1 배달 (DoorDash).
  • (현재 OpenAI는 매우 수익성 높은 비영리 단체. 이후 모든 모델이 Nvidia 기반.)
• Nvidia GPU의 스케일:
  • 사람들 상상: 작은 GPU (PC용, $500-$1000, 제프 힌튼 사용).
  • 현재: 랙 스케일 GPU (2톤, 120,000 와트, 약 300만 달러).
  • 1기가와트 AI 팩토리 GPU (약 500억 달러).
• 질문: AI 팩토리 확신 엣지는?
  • DGX-1 (노드당 30만 달러)은 크게 성공 못함.
  • 젠슨 결론: "충분히 크지 않았기 때문."
  • 더 큰 두 번째 버전(DGX-2)은 매우 성공적.
• Nvidia의 혁신 방식 (칩 설계 X, 전체 인프라 설계 O):
  • Nvidia는 빌딩, 전력만 주면 AI 팩토리 전체(네트워킹, 스위치, CPU, GPU, 모든 기술, 소프트웨어 스택) 구축 가능.
  • 통합 설계 -> 빠른 속도 가능.
  • 소프트웨어 호환성 유지: 매년 다음 세대 재설계 가능 (PC의 Windows 호환성 비유).
• 결과 (AI 팩토리 구축):
  • 물리적으로 가능한 한계 속도로 구축 중.
  • 알고리즘, 소프트웨어, 네트워킹, CPU, GPU 동시 설계 -> 무어의 법칙 한계 돌파.
  • 세대별 성능 약 10배 향상.
  • 이유: 1) 더 큰 문제 해결, 2) 동일 전력 성능 향상 = 비용 절감.
  • 고객은 비용 절감으로 더 큰 일(더 많은 수익) 창출.
• Nvidia 성공 요인: 최고 성능 + 최고 스케일 + 최저 비용.
• '데이터 센터'가 아닌 '팩토리'인 이유:
  • (예: 1기가와트 공장) Nvidia 성능이 3배 높으면 -> 공장 수익 3배.
  • "그들은 그것으로 돈을 벌고 있다(Making money)."
  • 고객들은 스케일/수익/처리량 증대 원함 -> Nvidia가 빠르게 혁신하는 이유.

6. AI 팩토리 플랫폼과 다음 단계

• 질문: 플랫폼 구성 요소와 다음 단계는?
  • 구성 요소: CPU, GPU, 네트워크 프로세서, 3종 스위치.
    1. 스케일업 스위치: 랙 스케일 컴퓨팅 (랙 하나를 컴퓨터로).
    2. 스케일아웃 스위치: 랙들 연결 (소프트웨어 탑재).
    3. 데이터 센터 연결 네트워킹: 빌딩 크기 시스템 연결. (100메가와트 ~ 기가와트).
• 질문: 왜 인프라 구축이 빠른가? (vs. 2000년 닷컴 버블)
  • 닷컴 버블 (2000년): Pets.com 등 비수익 기업, 산업 규모 200-300억 달러.
  • 현재 AI:
    1. 하이퍼스케일러의 AI 전환 (수천억 달러 수익 기반):
       • 구글(검색), 아마존, 메타(추천 시스템, 광고, UGC) 등 핵심 비즈니스가 이미 AI 기반.
       • 이들의 기존 CPU/고전 머신러닝 -> 딥러닝/AI 전환 자체로 수천억 달러 시장.
    2. 새로운 AI 시장 (AI 모델 제작사):
       • OpenAI, Anthropic, XAI, Google (Gemini), Meta 등. 이들이 AI 팩토리 구축 중.
    3. 새로운 AI 네이티브 기업 (에이전트 AI):
       • Harvey, Open Evidence, Cursor 등.
• AI의 새로운 타겟 (역사상 처음): 노동 산업.
  • 디지털 노동 / 에이전트 AI (Agentic AI): 기업 시장 보강/증강.
    • (예: Nvidia 엔지니어 100%가 Cursor 사용, 생산성 향상).
  • 물리적 AI (Physical AI): 노동 증강.
    • (예: 로보택시 = 디지털 운전기사).
    • 움직이는 모든 것(로봇 팔 등)에 AI 내장.
  • 시장 규모: 이 두 산업(에이전트, 물리 AI)은 세계 경제 100조 달러 규모.
• AI ROI 사례: 메타 (Meta)
  • 2022년 4분기, Apple이 attribution 데이터 제거 -> 메타 시총 수백억 달러 하락.
  • 메타 팀이 Nvidia GPU 기반 AI로 문제 해결, attribution 회복.
  • 시가총액 저점 대비 1조 달러 이상 회복. (이것이 AI의 ROI).
• 고전적 AI 사용 사례 (추천 시스템):
  • 세계에서 가장 복잡한 소프트웨어 생태계 (협업 필터링, 콘텐츠 필터링).
  • 빠르게 AI로 이동 중 (Netflix, Amazon, Tik Tok, Google Shorts, 맞춤형 광고).
  • 이것만으로도 막대한 GPU 필요.
• 기타: 퀀트 트레이딩(Citadel 등)도 인간의 특징 추출 -> AI로 이동 중.

7. 미래 투자와 AI 적용 분야

• 전망: 2025년 AI 투자 5,000억 달러 예상.
• AI의 미래 (메타포):
  • LLM = 현대 컴퓨터의 OS.
  • 그 위에 (단일 모델 아닌) AI 모델 시스템(앱) 구축.
• 1. 에이전트 AI / 디지털 인간
  • 디지털 소프트웨어 엔지니어 (AI 코딩): 수조 달러 기회.
  • 디지털 간호사, 회계사, 변호사, 마케터 등.
  • 패러다임 전환: 기술이 '도구' -> '디지털 동료/엔지니어'.
  • 미래 기업 인력 = 인간 + 디지털 인간 (일부 라이선스, 일부 고용).
  • 디지털 인간 = 서드파티(OpenAI, Harvey 등) + 자체 개발.
    • (Nvidia도 독점 지식/데이터 보호 위해 자체 AI 개발).
• AI가 팩토리를 필요로 하는 이유:
  • AI는 '생각'해야 함. (사전 컴파일/다운로드 방식 X).
  • 실시간 처리: 컨텍스트 수용 -> 생각 -> 출력 생성.
  • 이 '생각'과 '생성'에 컴퓨터(AI 팩토리) 필요.
  • 팩토리는 클라우드, 온프레미스 등 어디에나 존재하며 '토큰(지능)' 생산.
• 2. 로보틱스 / 물리 AI
  • 로보틱스가 가까운 이유 (사고 실험):
    1. (비디오 생성 AI): AI가 '젠슨이 병 따고 마시는' 비디오 생성 가능 -> 로봇도 조종 가능.
    2. (자율주행): 디지털 운전기사(로보택시) 가능 -> 물리 로봇도 운전 가능.
    3. (일반화): 로봇이 차 운전 가능 -> 피킹 로봇 등 다른 로봇도 가능.
  • 핵심: 인간이 도구(칼, 야구 방망이)를 몸의 확장으로 다루듯, AI도 자동차, 로봇 팔, 수술 로봇 등 물리적 확장(Embodiment) 조종 가능.
• 증거 (나머지는 엔지니어링 문제):
  1. 'AI 소프트웨어 코더' 존재 -> 마케팅, 회계 등 다른 소프트웨어 작성도 가능.
  2. '로보택시' 존재 -> 다른 로봇으로 일반화 가능.
• 결론: 이 모든 지능을 전달하고 확장하려면 AI 팩토리 필요.

8. 로보틱스의 미래

• 질문: 로보틱스 구현 방식 (단일 휴머노이드? 오픈소스?)
  • 로보택시는 이미 현실화, 도시 간 일반화 속도 빠름.
  • 발전 경로 (퀀트 트레이딩처럼): 인간 엔지니어링 특징 -> 딥러닝/엔드투엔드 모델.
  • 자율주행차 AI 모델 = 휴머노이드 로봇 AI 모델. (매우 유사).
  • 이유: 동일 지능, 다른 육체.
    • "나(젠슨)는 운전도 하고 내 몸도 조종하며 스테이크용 포크/나이프도 사용. 모두 같은 AI(지능)가 다른 육체로 하는 것."
  • 로보틱스 미래: 다중 양식(Multi-modality), 다중 육체(Multi-embodiment)를 갖춘 범용 AI.
• 미래 구현에 필요한 3가지 컴퓨터 (Nvidia가 모두 제공):
  1. AI 팩토리 (훈련): 모델 훈련.
  2. 시뮬레이션 컴퓨터 (학습): AI가 현실 개입 전 학습하는 가상 세계 (비디오 게임과 유사).
     • Omniverse (옴니버스): Nvidia의 시뮬레이터. 물리 법칙 준수.
     • Sim-to-Real 격차 매우 낮음.
     • 로봇이 Omniverse에서 학습 후, 현실 세계를 '또 다른 가상 세계 버전'으로 인지하며 작동.
  3. 로봇 두뇌 컴퓨터 (실행): 로봇이 실제 작동할 때 필요한 뇌.
• 결론: Nvidia는 거의 모든 로보틱스/자율주행차 회사와 협력 중. 이는 가장 큰 시장 중 하나가 될 것.

9. 넥스트 프론티어

• 질문: 로보틱스 외 다른 넥스트 프론티어는? (헬스케어?)
  • 1. 헬스케어:
    • 필요 기술 복잡하나 빠른 진전 중.
    • 논리: (AI가) 언어(문자열) 의미 이해 -> 세계(구조) 이해 (비디오 생성 원리) -> 구조를 가진 단백질/화학물질 이해 (예: AlphaFold).
    • 세포 이해: (ARC, EVO 2 파트너십) 세포용 파운데이션 모델(LLM) 등장.
    • 세포와 대화 가능 ("속성이 뭐냐", "무엇과 결합하나" 등).
  • 2. 통신:
    • 5G, 6G가 AI로 혁신될 것.
  • 3. 양자 컴퓨팅:
    • 양자-GPU 하이브리드 시스템.
    • CUDA-Q (CUDA 확장 아키텍처) 채택 증가.
    • GPU가 오류 수정, 양자 컴퓨터 제어, 후처리 담당 -> 양자 컴퓨터 일정 10년 단축.

10. 주권 AI와 미-중 정책

• 질문: 주권 AI와 미-중 수출입 정책 방향은?
  • 주권 AI:
    • 어떤 나라도 자국 데이터를 아웃소싱하고 지능을 수입하는 것에 의존 불가 (비합리적).
    • 모든 것을 직접 만들 필요는 없지만(수입/구매 가능), 자국 지능 생산 포기해선 안 됨.
    • 기술은 쉬워지고 오픈소스 역량도 많음.
    • 결론: 모든 국가는 [수입 + 구매 + 자체 구축] 조합을 할 것.
    • 전 세계(영국 Nscale, 프랑스 Mistral, 이탈리아, 스페인, 독일, 일본, 한국 등)에서 모멘텀 확인.
  • 미국의 대중국 수출 정책:
    • AI는 신기술, 규제 심사숙고 필요. 미국은 AI 레이스 승리 원함.
    • 젠슨의 경고: "중국에 해로운 것이 미국에도 해로울 수 있음 (심지어 더)."
    • 미국에 '도움'되는 정책이 무엇인지 성찰 필요 (첫 원칙).
    • 핵심 (첫 원칙): AI/소프트웨어 산업은 개발자가 중요. 개발자 확보가 미래 플랫폼 좌우.
    • "전 세계가 미국 기술(Nvidia) 기반으로 구축되길 원함."
    • 중국은 전 세계 AI 연구자 50% 보유.
    • 젠슨의 주장 (실수): "이 연구자들이 미국 기술 기반으로 AI를 구축하지 못하게 막는 것은 (첫 원칙상) 실수."
    • 균형 필요: (미국이) 앞서 나가는 것 vs 전 세계 연구자 확보.
    • 전부 아니면 전무가 아닌 미묘한 전략 필요.
  • 현재 상황:
    • Nvidia 중국 시장 점유율 95% -> 0% 됨.
    • "어떤 정책 입안자가 '미국이 가장 큰 시장 중 하나를 0%로 잃게 만든' 현 정책을 좋다고 생각할 리 없음."
    • Nvidia의 모든 예측은 중국 0% 가정. (개선 시 보너스)
    • "중국은 세계 2위 컴퓨터 시장. 미국이 불참하는 것은 실수." 정책 변경 희망.

11. AI 보안

• 질문: AI 보안의 미래는? (국가 행위자, 개인 오용)
  • 미래 AI 보안 = 사이버 보안과 유사:
    1. 커뮤니티(보안 책임자) 간 협력 (침입, 취약점 공유).
  • 젠슨의 가설:
    • AI(지능)의 한계 비용 -> 0 이라면,
    • 보안 AI의 한계 비용 -> 0.
  • 결과:
    • 모든 AI는 수많은 사이버 보안 AI에 둘러싸여 감시될 것. (수천, 수백만 개).
  • 결론:
    • AI 자체가 선해야 한다는 생각도 좋지만, 그것에 의존해선 안 됨.
    • (소프트웨어에 버그/바이러스가 있을 수 있음을 가정하듯) AI도 마찬가지.
    • AI를 안전하게 발전시키되, 많은 보안 AI로 둘러쌀 것.
  • 비유: 물리 세계(보안 1: 일반 100)와 달리, AI 세계는 역전 가능 (사이버 보안 에이전트 > 사람).

12. 생성형 AI

• 질문: 미래 컴퓨팅은 '생성형(Generated)'이 될 것이라는 의미는?
  • 미래 컴퓨팅 = 생성형.
  • 예시 1: Perplexity (검색 엔진)
    • 사용자가 보는 모든 것(답변)이 100% 생성됨.
    • 과거 (검색): 저장된, 검색된(Retrieval-based) 정보 목록(링크)을 사용자가 직접 소비.
    • 현재 (Perplexity): AI가 스스로 학습/읽고 콘텐츠 생성.
  • 예시 2: Sora (비디오 생성)
    • 모든 픽셀이 프롬프트에 의해 생성됨.
  • 예시 3: 현재 이 대화 (인간)
    • 젠슨과 콘스탄틴의 대화 100% 생성형.
    • (과거 컴퓨터처럼) 사무실 가서 파일 검색해서 오지 않음.
    • 현재 컨텍스트(청중, 상황) 기반 실시간 생성 중.
• 미래 컴퓨터:
  • CEO, 예술가, 시인처럼 사용자와 협업하며 고유 콘텐츠 생성.
• 결론:
  • 컴퓨팅의 미래는 100% 생성형.
  • 이를 위해 AI 팩토리 필요.
  • "우리는 이 여정의 시작점에 불과." (현재 인프라 수천억 달러 vs 미래 연간 수조 달러 인프라).
  • 이 컴퓨팅 패러다임은 인간의 마음(생각)과 훨씬 유사함.

13. 라이트닝 라운드

• (젠슨 농담: "답은 프라이드 치킨일 것.")
• Q. 월스트리트가 AI 팩토리 미래에서 과소평가하는 KPI?
  • 단위 에너지당 처리량.
  • 이것이 고객의 수익을 좌우함. (칩 선택 = 수익 결정)
  • CSP(클라우드 제공자) 사례: 올바른 선택(Nvidia) -> 수익 성장, 늦은 선택 -> 이후 올바른 선택.
  • (공장의 에너지당 토큰 생성률 = 수익)
• Q. Nvidia 플랫폼에서 가장 과소평가된 부분?
  • CUDA가 중요하지만, 그 위의 라이브러리 제품군.
  • CUDNN: 역사상 가장 중요한 라이브러리 중 하나 (SQL과 비견).
  • KUDF, Litho (반도체) 등 350개 라이브러리 보유. 이것이 Nvidia의 보물.
• Q. 과소평가된 기술 / 과대평가된 기술?
  • 과소평가: Omniverse (옴니버스).
  • (물리 AI 학습용 가상 세계).
  • 아직 사람들이 필요성을 모르지만, 로보틱스 산업 전반 확산 중. (10년 전 시작, 선견지명).
• Q. 비즈니스/리더십 철학에 영향 준 책?
  • 첫 미적분학 책 (수학이 움직인다는 것을 깨달음).
  • 클레이 크리스텐슨(Clay Christensen)의 모든 책 (친구였음).
  • 알 리스(Al Ries)의 "포지셔닝(Positioning)".
  • "사피엔스(Sapiens)".
  • 제프리 무어(Jeffrey Moore)의 "캐즘 마케팅(Crossing the Chasm)".
• Q. 위안을 주는 음식?
  • 프라이드 치킨.
• Q. 청중이 100억 달러를 AI에 투자하는 CIO라면?
  • 즉시 자체 AI 구축 실험 시작.
  • 과거: 직원 온보딩(문화, 철학, 방식, 데이터 접근)이 회사 정의.
  • 미래: AI 직원 온보딩 필요.
    • (파인튜닝 = 교육, 문화, 지식, 기술, 평가).
    • (젠슨이 자기 CIO에게 한 말): "회사 IT 부서 = 미래 에이전트 AI의 HR 부서."
  • 미래 회사 = 생물학적 직원 + 디지털 직원.

14. 결론

• 진행자 (콘스탄틴 부어) 요약:
  • Nvidia 이야기 = 예외적 일반화 (가속 그래픽 -> AI, 부품 -> AI 팩토리).
  • 서비스가 혁명의 기준선, 로보틱스는 모두의 미래.
  • 외교 정책, 프라이드 치킨까지 다룸.
• 젠슨 황 감사 인사.