2028년 AI 캐펙스 변수는 코딩 아닌 RSI

AI 투자 사이클의 지속 가능성을 둘러싼 논쟁의 축이 이동하고 있다. 그동안 시장에서는 2028년을 AI 자본지출(CapEx)의 정점으로 보는 시각이 우세했다. 근거는 단순했다. 코딩 영역을 제외하면 1조 달러 규모의 투자를 정당화할 만한 새로운 AI 수요처가 보이지 않는다는 것이다. 그러나 최근 중국 매체가 제기한 관점은 다르다. SSI가 젠슨 황이 이끄는 엔비디아로부터 투자를 유치하고 동시에 연산 능력을 10배 확대하겠다는 계획을 공개하면서, 진짜 변수는 애플리케이션이 아니라 RSI(Recursive Self-Improvement·재귀적 자기개선)라는 주장이 부상했다. RSI는 AI가 스스로의 성능을 개선하는 구조를 의미한다. 이 논리에 따르면 대형언어모델 연구는 이미 추가 연산 자원 투입이 성능 향상으로 이어지는 구간, 이른바 '스케일링할 가치가 있는 단계'에 진입했다. 향후 학습 방식은 인간이 설계한 데이터에 의존하기보다 AI가 AI를 훈련시키는 형태로 진화할 수 있으며, 이는 지속적이고 대규모인 컴퓨팅 자원을 전제로 한다. 이 해석은 최전선 AI 연구소들이 데이터센터와 연산 인프라를 공격적으로 늘리는 이유도 다르게 설명한다. 당장의 추론 트래픽을 감당하기 위한 증설이 아니라, 모델 성능이 여전히 대규모 확장에 반응한다는 판단이 투자 결정의 근거라는 것이다. 투자 관점에서 이 논점은 중요하다. AI 자본지출의 수명을 애플리케이션 매출로만 계산하면 정점 시점은 앞당겨지지만, 학습 자체가 연산을 소비하는 구조로 재정의되면 수요 곡선의 기울기와 지속 기간이 모두 달라진다. 가속기 설계 업체와 데이터센터 인프라 체인의 밸류에이션 논쟁 역시 이 전제 위에서 갈릴 가능성이 크다. 다만 RSI가 실제 학습 성과로 검증된 단계는 아니며, 현재로서는 프런티어 연구소들의 투자 행태에서 역으로 읽어낸 가설에 가깝다는 점은 유의해야 한다.