에이전트 시대의 가장 큰 도전 과제는 훈련 데이터의 부재. 먼저, 인간의 행동 순서 데이터(클릭, 타이핑 등)가 필요하고, 인간의 내적 사고 과정 데이터(의사결정의 이유)도 필요.
… 특히 여러 에이전트가 문제를 분할해 병렬적으로 처리하는 ‘다중 에이전트 시스템’은 단일 에이전트 대비 90.2% 높은 성능을 보이지만, 그 대가는 상상을 초월. 일반 채팅 대비 단일 에이전트는 4배, 다중 에이전트 시스템은 무려 15배 더 많은 토큰을 소모. 이는 에이전트 시대의 컴퓨팅이 챗봇시대와는 완전히 다른 차원의 자원을 요구함을 의미.
애널리스트 대부분은 에이전트의 대중화에 필요한 컴퓨팅 자원과 빅테크의 CAPEX 규모를 과소평가하고 있다고 판단. 이 막대한 토큰 비용은 결국 고부가가치 업무에 에이전트를 도입하는 기업고객에게 전가될 것. 그 수요는 결국 에이전트의 성능에 달렸고, 그 성능은 토큰의 투입량에 비례. 이는 AI 인프라 투자의 새로운 슈퍼 사이클이 이제 막 시작되었음을 알리는 강력한 선행지표.
… 물리 AI, 특히 로보틱스 발전의 가장 큰 장벽은 훈련 데이터의 절대적 부족. 로봇 학습 데이터는 인터넷 스크래핑이 불가능하기 때문.