기사 · 기술
숫자로 보는 AI 붐
2010년 이후 주목할 만한 AI 모델의 학습에 쓰인 연산 능력은 5.7 개월마다 두 배가 되었습니다. Epoch AI 데이터의 481개 모델에 맞춘 추세선으로는 연 ×4.3입니다. Microsoft, Alphabet, Amazon, Meta, Oracle이 2026년 9월까지 4개 분기 동안 부동산과 설비에 쓴 돈은 $6,910억에 달해, ChatGPT 출시 직전 4개 분기의 4.5배 수준입니다. NVIDIA의 회계연도 2026 매출은 $2,160억에 달해 회계연도 2023의 8.01배 수준입니다.
2010년 이후 연 ×4.3, 주목할 만한 481개 모델에 맞춘 추세 기준. 2010년 이전: 20.5 개월마다
GPT-6 Astra, OpenAI, 2026년 9월
2019년 1, 추정치가 있는 모델은 모두 326
Microsoft, Alphabet, Amazon, Meta, Oracle. 2022년 9월까지 4개 분기에는 $1,540억
회계연도 2023: $270억. 순이익 $1,200억(매출의 56%)
학습 연산량은 5.7 개월마다 두 배
점 하나는 Epoch AI가 학습 연산량을 추정해 둔 주목할 만한 AI 모델 543개 중 하나입니다. 학습 연산량은 모델을 학습시키는 데 들어간 부동소수점 연산(FLOP), 즉 덧셈과 곱셈의 횟수입니다. 학습 연산량 40 FLOP의 1950년 Claude Shannon의 미로 찾기 기계 쥐 Theseus에서 시작해, 지금까지 가장 큰 모델인 OpenAI의 GPT-6 Astra(2026년 9월)의 9.4×10²⁶ FLOP까지 이어집니다.
눈금이 로그이므로 직선은 꾸준한 지수 성장을 뜻합니다. 2010년 이후 공개된 481개 모델을 지나는 최소제곱 직선은 연 ×4.3의 속도로 올라갑니다. 학습 연산량은 5.7 개월마다 두 배가 되었고, 이 직선을 따라 10년이 지나면 215만배 수준이 됩니다. 2010년 이전 62개 모델에서는 연 ×1.5, 즉 20.5 개월마다 두 배였습니다. 프런티어 모델(공개 당시 연산량 기준 상위 5개)은 2010년 이후 5.4 개월마다 두 배가 되었습니다(72개 모델).
수치는 추정치입니다. Epoch의 신뢰도 평가는 다음과 같습니다. 확실(어느 쪽으로든 3배 이내) 59%, 유력(10배 이내) 28%, 추측(약 31배 이내) 12%. 추측에 해당하는 모델은 속이 빈 점으로 표시했습니다. 이를 제외하면 2010년 이후 추세는 5.6 개월마다 두 배입니다.
추세를 표로 보기
| 모델 | 개수 | 두 배가 되는 기간 | 연 성장률 | R² |
|---|---|---|---|---|
| 2010년 이전의 주목할 만한 모델 | 62 | 20.5 개월 | ×1.5 | 0.69 |
| 2010년 이후의 주목할 만한 모델 | 481 | 5.7 개월 | ×4.3 | 0.66 |
| 2010년 이후의 프런티어 모델 | 72 | 5.4 개월 | ×4.6 | 0.97 |
| 2010년 이후의 언어 모델 | 302 | 4.9 개월 | ×5.5 | 0.68 |
| 2010년 이후, 추측 추정 제외 | 422 | 5.6 개월 | ×4.4 | 0.67 |
공개 시점(연 단위)에 대한 학습 연산량 log₂의 최소제곱. 두 배가 되는 기간 = 12 ÷ 기울기(개월), 연 성장률 = 2^기울기. R²는 로그 연산량의 흩어진 정도 가운데 직선이 설명하는 비율입니다.
해마다 가장 큰 모델
2010년 이후 연산량 기록은 24 회 새로 세워졌습니다. 2010년에 가장 컸던 모델: RNN LM, 학습 연산량 5.4×10¹⁶ FLOP. GPT-6 Astra의 연산량은 그 174억배 수준입니다.
Epoch AI는 모델 178개의 학습 연산 비용도 2023년 달러 기준으로 추정합니다. 가장 높은 추정치는 Grok 4(xAI, 2025년)의 $3.88억이고, $1.0억 초과 모델: 3 모델. 데이터에서 전력 소비가 가장 컸던 사례는 GPT-6 Astra 학습에 쓰인 100,000 칩의 약 233메가와트(Epoch 추정)입니다.
| 연도 | 모델과 개발사 | 학습 연산량, FLOP | 전년 대비 × | 연산 비용, 2023년 달러 |
|---|---|---|---|---|
| 2010 | RNN LMJohns Hopkins University · 미국 | 5.4×1016추측 | — | — |
| 2011 | CNN Committee (MNIST)IDSIA · 스위스 | 5.2×1016유력 | ×0.96 | — |
| 2012 | Unsupervised High-level Feature LearnerGoogle · 미국 | 6.0×1017유력 | ×11.5 | $16 |
| 2013 | DistBelief NNLMGoogle · 미국 | 2.6×1018유력 | ×4.35 | $3,255 |
| 2014 | SNM-skipGoogle · 미국 | 3.0×1020추측 | ×114 | — |
| 2015 | AlphaGo FanDeepMind · 영국 | 3.8×1020유력 | ×1.28 | $4,828 |
| 2016 | GNMTGoogle · 미국 | 6.6×1021유력 | ×17.4 | $20.1만 |
| 2017 | JFTGoogle Research, Carnegie Mellon University (CMU) · 미국 | 8.4×1020확실 | ×0.13 | $1.79만 |
| 2018 | ResNeXt-101 32x48dFacebook · 미국 | 8.7×1021확실 | ×10.4 | $13.4만 |
| 2019 | AlphaStarDeepMind · 영국 | 1.1×1023확실 | ×12.3 | $13.1만 |
| 2020 | GPT-3 175B (davinci)OpenAI · 미국 | 3.1×1023확실 | ×2.91 | $212만 |
| 2021 | FLAN 137BGoogle Research · 미국 | 2.0×1024확실 | ×6.52 | — |
| 2022 | Minerva (540B)Google · 미국 | 2.7×1024확실 | ×1.34 | — |
| 2023 | Gemini 1.0 UltraGoogle DeepMind · 미국 | 5.0×1025추측 | ×18.2 | $3,070만 |
| 2024 | Llama 3.1-405BMeta AI · 미국 | 3.8×1025확실 | ×0.76 | $5,290만 |
| 2025 | Grok 4xAI · 미국 | 5.0×1026추측 | ×13.2 | $3.88억 |
| 2026현재까지 | GPT-6 AstraOpenAI · 미국 | 9.4×1026유력 | ×1.88 | — |
해마다 공개된 모델 중 학습 연산량이 가장 큰 주목할 만한 모델입니다. 전년 대비 ×는 그 전해의 최대 모델과 비교한 값입니다. 연산량 아래에는 Epoch AI가 추정을 얼마나 확신하는지 표시했습니다. 비용: Epoch AI의 추정치가 있는 경우에 한합니다.
10²³ FLOP 클럽
Epoch AI는 10²³ FLOP 초과로 학습된 대규모 모델의 목록을 관리합니다. 일부 AI 규제가 기준으로 삼는 고정된 선입니다. 이 가운데 326개에 연산량 추정이 있습니다. 이 선을 처음 넘은 것은 2019년의 AlphaStar입니다. 2025년에는 선을 넘은 모델이 104 모델 나왔고, 2024년에는 101 나왔습니다.
더 높은 선을 처음 넘은 모델: 10²⁴ 초과 Wu Dao 2.0(2021년), 10²⁵ 초과 GPT-4(2023년) 및 10²⁶ 초과 Grok 3(2025년). 2025년에 공개된 10²⁵ FLOP 초과 모델: 9. 그해 클럽에 든 104개 가운데 90개는 누구나 내려받아 실행할 수 있는 오픈 웨이트로 공개되었고, 10개는 API나 호스팅 서비스로만 제공되었으며, 4개는 공개되지 않았습니다.
2026년은 아직 끝나지 않았습니다. 2026년 11월 10일까지 추정치가 있는 모델은 목록에 27 모델 올라 있습니다. Epoch는 새 모델을 몇 주 안에 추가하고 연산량 추정은 더 늦게 추가하므로, 최근 몇 달의 수치는 시간이 지나며 채워집니다. 연산량 추정이 없는 대규모 모델도 208개 목록에 올라 있지만 여기서는 세지 않았습니다.
사각형을 표로 보기
| 연도 | 10²³ 초과 | 10²⁴ 초과 | 10²⁵ 초과 | 10²⁶ 초과 | 추정 없음 |
|---|---|---|---|---|---|
| 2019 | 1 | 0 | 0 | 0 | 0 |
| 2020 | 2 | 0 | 0 | 0 | 0 |
| 2021 | 10 | 3 | 0 | 0 | 0 |
| 2022 | 23 | 3 | 0 | 0 | 8 |
| 2023 | 58 | 17 | 3 | 0 | 63 |
| 2024 | 101 | 39 | 6 | 0 | 66 |
| 2025 | 104 | 71 | 9 | 3 | 61 |
| 2026현재까지 | 27 | 25 | 7 | 1 | 10 |
연산량 추정이 있는 모델, 공개 연도별. 10²⁵ FLOP을 넘는 모델은 10²⁴와 10²³ 초과에도 포함됩니다. 추정 없음: Epoch의 대규모 모델 목록에는 있으나 연산량 수치가 없는 모델입니다.
누가 만드는가
10²³ FLOP 초과 모델 326개 가운데 미국 기관이 참여한 모델은 135개, 중국 기관이 참여한 모델은 139개입니다. 그다음 순위: 한국 (17), 프랑스 (10) 및 아랍에미리트 (8). 여러 기관이 만든 모델은 해당 기관의 국가마다 한 번씩 집계됩니다.
가장 많은 모델을 낸 곳은 Alibaba(36), Meta AI(24), Nvidia(20) 순입니다. 그룹은 데이터에 적힌 이름 그대로 구분하므로 Google 계열은 따로 집계됩니다: Google, Google DeepMind, Google Research, DeepMind 및 Google Brain.
연산량 추정이 있는 모델입니다. 모델은 이름이 올라 있는 국가와 기관마다 한 번씩 집계됩니다. 기관명은 Epoch AI의 표기를 따랐습니다.
대학이 아닌 기업
2025년에 공개된 주목할 만한 모델 109개 가운데 기업 단독이 92%개, 기업과 대학의 협력이 5%개, 대학 단독이 2%개였습니다. 2010~2014년에는 기업 단독이 19%개였습니다.
돈의 흐름: 빅테크의 설비투자
AI 모델을 학습시키고 운영하려면 칩이 가득한 데이터센터가 필요하고, 가장 큰 데이터센터를 짓는 기업들은 그 비용을 설비투자, 즉 부동산과 설비 취득에 쓴 현금으로 보고합니다. Microsoft, Alphabet, Amazon, Meta, Oracle이 2026년 9월까지 4개 분기 동안 지출한 돈은 합쳐서 $6,910억에 달해, 2022년 9월까지 4개 분기 지출 $1,540억의 4.5배 수준입니다. 2022년 9월까지는 ChatGPT가 2022년 11월 30일에 공개되기 직전의 마지막 분기입니다. 하루 기준 $18.9억, 초당 $21,900에 해당합니다.
규모에 견주면, 최근 4개 분기 이 5개 기업의 매출 대비 설비투자 비중은 36%(이전 13%), 영업활동으로 들어온 현금 대비는 95%(이전 54%)입니다. 가장 많이 지출한 기업: Amazon($2,150억).
공시에는 이 가운데 AI에 쓴 몫이 얼마인지 나와 있지 않습니다. 설비투자에는 사무실 등 다른 건물도 포함되고, Amazon의 경우 물류 창고와 배송망도 포함되며, 기업마다 자체 정의에 따라 보고합니다.
2022년 9월까지 4개 분기 대비 변화. 막대: 2015 이후 분기별 설비투자이며 기업마다 눈금이 다릅니다. 영업활동 현금흐름의 100% 초과: 영업으로 들어온 돈보다 더 많이 썼다는 뜻입니다. 카드를 누르면 기업 페이지로 이동합니다.
달력 연도별 설비투자
| 연도 | Microsoft | Alphabet | Amazon | Meta | Oracle | 합계 |
|---|---|---|---|---|---|---|
| 2015 | $65.5억 | $99.3억 | $45.9억 | $25.2억 | $16.1억 | $252억 |
| 2016 | $91.1억 | $102억 | $67.4억 | $44.9억 | $16억 | $322억 |
| 2017 | $87억 | $132억 | $120억 | $67.3억 | $20.4억 | $426억 |
| 2018 | $142억 | $251억 | $134억 | $139억 | $14.7억 | $682억 |
| 2019 | $135억 | $235억 | $169억 | $151억 | $15.9억 | $706억 |
| 2020 | $176억 | $223억 | $401억 | $152억 | $18.3억 | $970억 |
| 2021 | $232억 | $246억 | $611억 | $187억 | $31.2억 | $1,310억 |
| 2022 | $248억 | $315억 | $636억 | $312억 | $66.8억 | $1,580억 |
| 2023 | $352억 | $323억 | $527억 | $270억 | $69.3억 | $1,540억 |
| 2024 | $556억 | $525억 | $830억 | $373억 | $107억 | $2,390억 |
| 2025 | $831억 | $914억 | $1,320억 | $697억 | $355억 | $4,120억 |
| 20263개 분기 | $1,060억 | $1,320억 | $1,760억 | $831억 | $636억 | $5,600억 |
NVIDIA: 삽을 파는 회사
Epoch AI는 2020년 이후 공개된 주목할 만한 모델 278개의 학습 하드웨어를 기록합니다. 이 가운데 204개(73%)는 NVIDIA 칩으로, 68개(24%)는 Google TPU로 학습되었습니다.
엔비디아의 회계연도는 1월 하순에 끝납니다. 2026 회계연도는 2026년 1월 25일까지였습니다. 그해 매출은 $2,160억이며, ChatGPT 출시 2 개월 뒤에 끝난 2023 회계연도($270억)보다 8.01배 늘었습니다. 순이익은 $43.7억(매출의 16%)에서 $1,200억(56%)까지 늘었습니다.
공시에 실린 가장 최근 분기인 FY2027 2분기(2026년 7월 26일까지)의 매출은 $962억, 순이익은 $597억 규모였고, 매출원가를 빼고 남은 몫(매출총이익률)은 매출의 75% 수준이었습니다. 2026년 7월 26일까지 4개 분기를 합치면 매출 $3,030억, 순이익 $1,930억 수준입니다. 이 속도라면 회계연도 2016 NVIDIA 전체 매출($50.1억)과 맞먹는 순이익이 9.5 일마다 쌓인 셈입니다.
여기에 쓴 SEC 데이터에는 NVIDIA의 전체 매출만 있고 시장별 내역은 없으므로, 차트에는 합계를 나타냈습니다. 일반 투자자가 보유한 NVIDIA 주식의 시장가치(연차보고서 표지에 적힌 유통주식 기준이며 시가총액이 아닙니다)는 2022년 7월 말 $4,340억, 2025년 7월 말 $4.0조 수준이었습니다.
| 회계연도 | 매출 | 변화 | 매출총이익률 | 순이익 | 순이익률 |
|---|---|---|---|---|---|
| 회계연도 20162016년 1월 31일 종료 | $50.1억 | +7% | 56.1% | $6.14억 | 12.3% |
| 회계연도 20172017년 1월 29일 종료 | $69.1억 | +38% | 58.8% | $16.7억 | 24.1% |
| 회계연도 20182018년 1월 28일 종료 | $97.1억 | +41% | 59.9% | $30.5억 | 31.4% |
| 회계연도 20192019년 1월 27일 종료 | $117억 | +21% | 61.2% | $41.4억 | 35.3% |
| 회계연도 20202020년 1월 26일 종료 | $109억 | −7% | 62.0% | $28억 | 25.6% |
| 회계연도 20212021년 1월 31일 종료 | $167억 | +53% | 62.3% | $43.3억 | 26.0% |
| 회계연도 20222022년 1월 30일 종료 | $269억 | +61% | 64.9% | $97.5억 | 36.2% |
| 회계연도 20232023년 1월 29일 종료 | $270억 | +0% | 56.9% | $43.7억 | 16.2% |
| 회계연도 20242024년 1월 28일 종료 | $609억 | +126% | 72.7% | $298억 | 48.8% |
| 회계연도 20252025년 1월 26일 종료 | $1,300억 | +114% | 75.0% | $729억 | 55.8% |
| 회계연도 20262026년 1월 25일 종료 | $2,160억 | +65% | 71.1% | $1,200억 | 55.6% |
| 최근 4개 분기2026년 7월 26일까지 | $3,030억 | 74.7% | $1,930억 | 63.7% |
자주 묻는 질문
AI는 얼마나 빠르게 성장하고 있나요?
Epoch AI가 주목할 만한 모든 모델에 대해 추적하는 지표 가운데 하나가 학습 연산량입니다. 2010년 이후 5.7 개월마다 두 배가 되었으며, 481개 모델에 대한 최소제곱 추세로는 연 ×4.3씩 늘었습니다. 2010년 이전에는 20.5 개월마다 두 배가 되었습니다.
AI에서 FLOP이란 무엇인가요?
부동소수점 연산, 즉 소수의 덧셈 또는 곱셈 한 번입니다. 학습 연산량은 모델 하나를 학습시키는 데 들어간 연산의 총량입니다. Epoch AI의 추정으로 GPT-6 Astra의 학습에는 약 9.4×10²⁶ FLOP, 1950년 Theseus의 학습에는 40 FLOP 정도가 들었습니다.
AI 모델을 학습시키는 데 비용이 얼마나 드나요?
Epoch AI는 주목할 만한 모델 178개의 학습 연산 비용을 2023년 달러 기준으로 추정합니다. 가장 높은 추정치는 Grok 4(2025년)의 경우 $3.88억, 2025년에 공개된 모델 7개 추정치의 중앙값은 $4,460만입니다. 이 수치에는 연산 비용만 포함됩니다.
기술 기업들은 AI 데이터센터에 얼마나 쓰고 있나요?
공시에는 설비투자가 전체로만 보고되며 AI에 쓴 몫은 따로 나와 있지 않습니다. Microsoft, Alphabet, Amazon, Meta, Oracle의 2026년 9월까지 4개 분기 지출액은 $6,910억에 달했습니다(앞선 2022년 9월까지 4개 분기: $1,540억). 가장 많이 지출한 기업은 Amazon($2,150억)입니다.
NVIDIA는 얼마를 버나요?
2026년 1월 25일까지인 회계연도 2026의 매출은 $2,160억, 순이익은 $1,200억 수준이었습니다. 2026년 7월 26일까지 4개 분기: 매출 $3,030억, 순이익 $1,930억.
더 깊이 알아보기
숫자는 이렇게 계산합니다
- AI 모델: Epoch AI, ‘Data on AI models’. epoch.ai에 온라인으로 게시. https://epoch.ai/data/ai-models에서 가져옴 [온라인 자료]. 열람일 2026년 11월 15일. 라이선스 CC BY 4.0: Epoch AI를 출처로 밝히면 자유롭게 사용, 배포, 복제할 수 있습니다. 이 페이지의 차트, 추세, 개수는 BigCapital이 계산했습니다.
- 학습 연산량: 모델 학습에 쓰인 부동소수점 연산의 수로, 개발사가 보고한 값이거나 Epoch AI가 하드웨어와 학습 시간, 또는 모델 크기와 학습 데이터로 추정한 값입니다. 신뢰도는 Epoch의 90% 범위 기준이며, 확실은 3배 이내, 유력은 10배 이내, 추측은 약 31배 이내입니다.
- 추세: 추정치가 있는 주목할 만한 모델에 대해 공개 시점(연 단위)에 log₂(학습 연산량)을 놓고 구한 최소제곱 회귀입니다. 두 배가 되는 기간 = 12 ÷ 기울기(개월), 연 성장률 = 2^기울기. ‘2010년 이후’: 2010년 1월 1일 이후 공개된 모델. 기록: 이전의 모든 주목할 만한 모델보다 연산량이 큰 경우.
- 주목할 만한 모델: 최첨단 기술을 앞당겼거나, 인용 횟수가 많거나, 역사적으로 중요하거나, 널리 쓰인 모델로 Epoch가 정리한 목록입니다. 프런티어 모델은 공개 당시 학습 연산량이 상위 5위 안에 들었던 모델입니다. 대규모 모델: 10²³ FLOP을 넘는 모델로 Epoch가 정리한 목록이며, 공개 연도별로, 이름이 올라 있는 국가와 기관마다 한 번씩 집계합니다.
- 기업 수치: SEC EDGAR, 10-K와 10-Q 공시의 XBRL 기업 팩트(퍼블릭 도메인).
- 설비투자: 현금흐름표에서 부동산과 설비를 취득하는 데 지급한 금액으로, 기업마다 쓰는 XBRL 태그를 따릅니다. 따로 보고되지 않은 분기는 올해 누계에서 직전 누계를 뺀 값입니다. 매출, 순이익, 매출총이익, 영업활동 현금흐름은 공시된 그대로입니다. Amazon, 2017년 2분기: XBRL 데이터에 없어 회계연도 값에서 나머지 세 분기를 뺀 값입니다.
- 회계연도는 각 기업이 부르는 방식을 따릅니다. NVIDIA의 회계연도 2026 종료일은 2026년 1월 25일입니다. 설비투자 차트는 달력 분기를 사용합니다.
- 과거의 수치는 기록일 뿐 예측이 아닙니다. 이 페이지의 어떤 내용도 투자 조언이 아닙니다.
이 글 재사용하기
글과 차트는 CC BY 4.0에 따라 자유롭게 다시 게재, 번역, 수정할 수 있습니다. 이 페이지 링크와 함께 BigCapital.org를 출처로 밝혀 주세요. 다른 제공처의 데이터는 각자의 라이선스를 유지합니다(아래 출처 참고). 출처 표기 방법
출처: BigCapital.org — “숫자로 보는 AI 붐”, https://bigcapital.org/ko/articles/ai-boom/