[인터뷰] 실리콘밸리 20대 VC Nikhil Suresh

한 줄 핵심

Nikhil Suresh는 AI 시대의 핵심 레버가 모델 자체보다 데이터·eval·인프라에 있으며, 특히 피지컬 AI·바이오·에이전트 시장이 앞으로 가장 큰 투자 기회라고 본다.

시간별 요약

1. 0:01
   Stanford에서 수학과 컴퓨터공학을 공부하고, 여러 스타트업과 Mercor에서 일하며 AI 데이터와 eval의 중요성을 체감한 경로가 투자로 이어졌다. ChatGPT 출시는 순수 연구보다 AI가 현실 문제를 자동화하는 쪽에 집중하게 만든 결정적 계기였다.
2. 5:00
   Mercor에서는 초기 노동시장 사업에서 휴먼 데이터와 벤치마크, verifier, eval 중심으로 무게중심이 이동했고, OpenAI·Anthropic·DeepMind·Meta 같은 프론티어 랩과 함께 일하며 데이터 수요가 계속 커질 것임을 확인했다. 데이터 지출은 내부 라벨링으로 끝나는 것이 아니라 기업용 오픈소스 최적화, 검증 환경 구축, 버티컬 태스크용 평가 체계로 확장되고 있다.
3. 23:00
   Striker의 투자 전략은 펀드당 약 10건만 투자하는 고확신·고집중 모델이며, 이사회 참여와 실질적 운영 지원으로 포트폴리오 회사의 생존과 성장을 돕는 방식이다. 칩 설계, 로보틱스, 비디오 reasoning, 사이버보안처럼 1000억 달러급 이상으로 커질 영역에서 창업자 배경과 문제 적합성을 강하게 본다.
4. 32:06
   AI 스택의 병목은 전력, 데이터센터, 칩, 컴퓨트 확보에 있고, 모델과 컴퓨트의 희소성은 여전히 과소평가되고 있다. 동시에 애플리케이션 레이어는 네거티브 마진 구조를 버리고 오픈소스 모델 포스트트레이닝과 토큰 효율 최적화로 이동하고 있으며, 가치의 상당 부분은 eval과 verifier에 축적될 가능성이 크다.
5. 37:00
   가장 큰 다음 물결은 피지컬 AI와 바이오이며, 피지컬 AI는 GPT-2에 가까운 초기 단계, 바이오는 장수·신약 개발·과학 자동화까지 걸린 더 큰 프론티어로 본다. 장기적으로는 AGI가 많은 물질적 문제를 해결한 뒤, 사람들 사이의 커뮤니티와 연결을 어떻게 강화할지가 핵심 과제가 된다.

실무 인사이트

• 에이전트나 AI 제품을 만들 때는 모델 성능보다도 verifier, eval, 운영 가능한 데이터 파이프라인을 먼저 설계해야 실제로 돈이 된다.
• AI 스타트업은 범용성만 내세우기보다 특정 버티컬의 문제와 창업자 배경이 강하게 맞물리는 지점을 찾아야 경쟁에서 살아남는다.
• 향후 유망 분야를 볼 때는 모델 레이어보다 전력, 컴퓨트, 칩, 포스트트레이닝, 물리적 데이터 접근성 같은 병목을 먼저 점검하는 것이 효과적이다.