- DeepSeek가 두 번째 투자 유치에 참여하던 일부 투자자에게 예정됐던 계약 체결을 진행하지 않고 협상을 당분간 중단한다고 구두로 통보했으며, 향후 절차를 재개할 가능성은 남아 있음
- 중단에는 창업자 Liang Wenfeng이 첫 투자 당시 발언으로 알려진 내용이 온라인에서 확산된 데 대해 불만을 가진 것이 일부 영향을 미쳤음
- 온라인에 유포된 회의록에는 중국 AI 개발의 Nvidia 칩 의존성과 AI 기술 수준에서 미국을 계속 뒤쫓고 있다는 발언이 담긴 것으로 알려짐
- DeepSeek는 6월 첫 투자에서 70억 달러를 유치한 뒤 후속 라운드에서 최소 100억 위안과 4,800억 위안 이상의 투자 전 기업가치를 목표로 했음
- 중국 기술 스타트업의 첫 투자 유치로는 사상 최대 규모였으며, 주요 투자자로 다음 기관이 참여함
- Tencent Holdings, CATL(Contemporary Amperex Technology), 중국 국가인공지능산업투자기금
- 두 번째 라운드에서는 최소 100억 위안을 추가로 유치할 계획이었으며, 참여 투자자 수에 따라 최종 규모가 더 커질 수 있었음
- 목표 투자 전 기업가치는 최소 4,800억 위안으로, 첫 투자 당시 약 500억 달러에서 상승한 수준임
- 회사는 컴퓨팅 용량 확대를 위한 자금 조달과 함께 IPO 준비를 시작했으며, 이르면 올해 상장을 신청할 수 있음
- DeepSeek 경영진은 잠재 투자자들에게 단기 상업화보다 획기적인 AI 연구에 무게를 두겠다는 방침을 전달함
DeepSeek Liang Wenfeng 투자자 미팅 유출 녹취록
- 5월 20일 열린 약 3시간 44분 분량의 투자자 미팅에서 DeepSeek는 수익 극대화나 상장보다 AGI와 인류에 대한 기여를 우선하는 회사로 규정됐으며, 유출본은 자동 음성 인식/AI 번역을 거쳐 고유명사와 숫자에 오류 가능성이 있음
- 오픈소스와 절제는 창업 초기부터 이어진 핵심 원칙이며, 내부 서비스와 동일한 모델을 공개하고 장비 비용을 약 10개월 안에 회수하는 수준의 합리적 이익만 취하면 오픈소스와 상업 서비스가 충돌하지 않음
- 기술 로드맵은 CoT → Agent → 지속 학습 → 자기 반복적 특이점 → 체화 지능 순서이며, 현재 Agent 다음의 결정적 병목은 별도의 대규모 재학습 없이 경험을 축적하는 지속 학습임
- 미국과 중국의 핵심 격차는 인재가 아니라 연산 자원이며, DeepSeek는 제한된 GPU에서 비용 효율을 극대화하고 TileLang/Huawei 칩 생태계를 활용해 이를 줄이는 데 집중함
- 소비자/기업용 제품과 API 매출은 AGI 연구에서 파생된 결과로 운영되며, 장기 경쟁력은 모델 성능 하나보다 비용/출시 시점/사용자 경험/팀 안정성에서 갈리게 됨
유출 녹취록의 성격
- 5월 20일 진행된 투자자 미팅의 녹음 파일은 약 3시간 44분 분량임
- 중국어 녹취록 링크는 유출 뒤 삭제된 상태
- 녹음을 자동으로 문자화한 뒤 AI로 번역/정리했으며, 화자가 구분되지 않고 일부 고유명사와 숫자에 인식 오류가 있을 수 있음
- 미팅 말미에는 GPU 수량 등 민감한 정보와 화면 녹화를 외부에 공유하지 말라는 안내가 나옴
돈보다 사명으로 시작한 회사
- DeepSeek 초기 구성원들은 돈을 많이 벌거나 자본시장에 진입하거나 상장하기 위해 합류하지 않았음
- AI가 인류에게 유용하고 돈을 넘어선 가치를 만들 수 있다는 믿음이 창업의 출발점이었음
- 회사의 가장 중요한 자산은 비전이며, 비전은 벽에 붙인 문구가 아니라 실제 행동과 세상을 대하는 태도임
- DeepSeek의 비전은 문서로 작성된 적도 없으며, 구성원마다 해석은 달라도 세상에 대한 선의와 변화를 만들겠다는 방향은 공유됨
- DeepSeek가 선호하는 서사는 천재가 특별한 일을 해낸 것이 아니라 평범한 사람들이 비범한 일을 해낸 것임
조직도와 KPI 대신 비전과 합의
- DeepSeek에는 뚜렷한 조직 구조가 없고, KPI 달성을 중심으로 운영되지도 않음
- 많은 인원을 규칙과 제도로 통제하기보다 공통의 비전으로 조직함
- 주요 의사결정은 Liang Wenfeng 개인의 명령이 아니라 구성원의 합의를 바탕으로 진행됨
- 경영은 두 개의 흐름으로 나뉨
- 모델 출시처럼 전사 협업이 필요한 업무는 위에서 아래로 배분됨
- 나머지 시간에는 각자가 중요하다고 생각하는 문제를 자유롭게 탐구함
- 공식 업무는 구성원 시간의 절반을 넘지 않는 것이 원칙이며, 나머지 시간에는 별도의 과제 배정 없이 연구할 수 있음
- 연구에는 여유 있는 환경이 필요하고, 수행하는 과제 자체를 제한하기 때문에 일반적으로 초과 근무를 하지 않음
- 제품의 불완전한 부분을 모두 서둘러 고치지 않는 것도 중요하지 않은 일을 포기한 결과임
- 인원이 늘어나면 일부 부서에는 계층이 생기겠지만, 모든 조직을 같은 방식으로 바꾸지는 않을 계획임
오픈소스는 방어적 선택이 아님
- DeepSeek의 오픈소스는 경쟁 압력 때문에 마지못해 선택한 전략이 아니라 처음부터 가진 핵심 신념임
- Zhipu 등의 오픈소스는 원래 의도라기보다 외부 환경에 대응하는 성격이 강하지만, DeepSeek에는 오픈소스 자체가 창업 목적에 포함됨
- AI가 장기적으로 인류 GDP의 약 10%를 차지할 정도로 커질 수 있다면 한 회사가 모든 가치를 독점하는 것은 불가능함
- 기존 소프트웨어는 시장이 수십억 달러 규모여서 오픈소스 전환이 사업을 크게 축소할 수 있었지만, AI는 작은 몫만 가져가도 충분히 큰 시장임
- AI에서 모든 이익을 차지하려는 기업은 더 적은 이익을 받고 서비스를 제공하는 경쟁자에게 밀리게 됨
- 성공하려면 자신이 가져갈 몫을 제한하는 절제의 메커니즘이 필요함
- 너무 적은 이익을 받으면 사업을 유지할 수 없고, 너무 많이 받으면 더 적게 가져가는 기업에게 패배하므로 합리적 이익이 균형점임
공개 모델과 내부 모델은 동일함
- 오픈소스로 공개하는 모델은 DeepSeek가 내부 서비스에 사용하는 모델과 동일함
- 더 약한 버전만 공개하고 더 좋은 모델을 내부에 남기는 방식은 사용하지 않음
- 모델 원리와 가중치를 모두 공개해도 같은 배포 비용과 운영 효율을 달성하려면 많은 엔지니어링과 조직 역량이 필요함
- 작은 스타트업은 실행할 힘이 부족하고, 대기업은 비용 절감 작업을 조직하기 어려우므로 현재 DeepSeek 규모가 적절한 중간 지점임
- 다른 회사가 DeepSeek 모델을 배포해 경쟁하는 것은 문제가 아님
- 더 큰 문제는 제3자가 세부 사항을 놓쳐 모델 성능이 나빠지거나 비용이 지나치게 높아지는 것임
- Alibaba/Zhipu/Moonshot 같은 경쟁자에게도 구현 방법을 공유할 수 있으며, 오픈소스에는 경쟁자와 경계를 두지 않는 태도가 포함됨
10개월 비용 회수를 기준으로 한 가격
- API 가격은 서버 장비 구입 비용을 약 10개월 안에 회수할 수 있는 수준으로 정해짐
- V3.2 Flash를 비롯한 모델에도 같은 기준이 적용됨
- 현재 수요는 가격 비탄력적이어서 가격을 두 배로 올려도 토큰 사용량은 크게 변하지 않고 매출은 거의 두 배가 될 수 있음
- 그럼에도 가격을 올리지 않는 이유는 수익 극대화가 목적이 아니기 때문임
- DDCP 모델은 초기 가격을 높게 설정했다가 4분의 1로 낮췄으며, 가격 인하 뒤 내부 구성원들이 함께 기뻐함
- 모델을 저렴하고 효과적으로 만들어 누구나 사용할 수 있게 하는 것이 구성원의 동기임
- 가격 인하는 경쟁사에는 ARR 감소지만, DeepSeek에는 제품을 만든 목적이 실현되는 사건임
- 현재 가격보다 더 낮출 기술적 여지는 남아 있음
- 이미 대부분의 사용자가 감당할 수 있는 수준이어서 추가 인하가 사용량이나 사회적 효용을 크게 늘리지는 않음
- 녹취록에서 10개월 회수 구조는 약 6배 수익으로 표현됐으며, 장기적으로는 4배나 3배 수준까지 낮아질 수 있음
- 100배 수익을 원하면 제3자의 독립 배포가 경쟁이 되지만, 제한된 이익만 취하면 오픈소스와 유료 API가 충돌하지 않음
절제는 AGI 성공 확률을 높이는 전략
- 절제는 단순한 도덕적 태도가 아니라 작은 기회를 포기해 더 중요한 목표를 얻는 사업 전략임
- 가격 인하와 오픈소스는 내부 구성원에게 성취감을 주고 조직 결속을 강화함
- 사회와 동료 기업에 이익을 나누는 행동은 장기적으로 AGI 달성 가능성을 높임
- AGI의 상업적 가치가 매우 크다면 지금 중요한 것은 시장에서 더 큰 몫을 차지하는 일이 아니라 성공 확률을 높이는 일임
- 지난해 춘절 기간 사용자가 급증했지만 사용자 유지/수익화/트래픽 현금화를 공격적으로 추진하지 않았음
- 다음 ByteDance나 Tencent가 되거나 슈퍼앱을 만드는 것은 목표가 아님
- 당시 소비자 트래픽은 앞으로의 AI 기회에 비하면 참깨에 불과하고, 더 큰 수박이 남아 있다고 여김
- 사용자는 낮은 비용으로 유지할 수 있어 확보했지만, 현재로서는 미래에 쓸 수도 있는 비용에 가까움
- AI 시대에 수조 달러 기업이 여러 개 생긴다면 그중 하나가 되는 것으로 충분하며, 모든 영역을 장악할 필요가 없음
소비자와 기업 사업은 AGI의 부산물
- 소비자(C-side) 제품과 기업(B-side) API는 별도의 사업 목표가 아니라 AGI 연구 과정에서 나온 중간 산출물임
- 모델을 개발한 뒤 API로 제공하는 데는 소수의 유지 인력만 필요함
- 별도의 영업이나 고객 지원 없이 사용자들이 직접 찾아옴
- 지난해 소비자 사용자 확보와 올해 기업 매출 성장은 제품 사업에 큰 노력을 들이지 않고 얻은 결과임
- 기업용 API 연간 반복 매출이 수억 달러에 도달할 수 있음
- AI 관련 매출이 10억 달러 수준이면 연구개발과 전체 비용을 충당해 현금 흐름을 흑자로 만들 수 있음
- 소비자와 기업 사업은 잘 운영하되 AGI와 같은 우선순위에 놓이지 않음
- 완전히 상업화 중심으로 전환할 시점은 아직 멀리 있음
- 최악의 경우 기술 발전이 멈춰도 API 사업만으로 상장회사를 유지할 수 있는 기반은 남음
- 광고/전자상거래/지역 생활 서비스 같은 상업화 구상은 기술 변화가 너무 빨라 수명이 짧음
- 지금 제품군을 확장하는 데 많은 시간을 쓰면 몇 달 뒤 가치가 사라질 수 있음
AGI로 가는 계단식 로드맵
- 현재 모델은 문제와 문맥/지시를 완전하게 제공하면 많은 영역에서 인간을 능가함
- 실제 업무에서는 필요한 장기 문맥을 매번 완전하게 제공할 수 없기 때문에 인간 직원을 대체하지 못함
- 인간 직원은 입사 뒤 두 달 동안 회사와 동료를 학습해 짧은 지시도 이해함
- AI는
Xiao Wang을 불러라라는 지시를 수행하려면 Xiao Wang이 누구인지/어떤 역할인지/어디에 있는지/어떻게 연락하는지를 모두 문맥으로 받아야 함 - 지능 발전은 다음의 계단을 따름
- CoT(Chain of Thought) 로 자기 성찰과 복잡한 추론이 가능해짐
- Agent가 CoT를 이용해 수행 가능한 업무 범위를 넓힘
- Agent의 한계 이후에는 지속 학습이 다음 병목이 됨
- 지속 학습을 갖춘 모델이 다음 버전을 직접 연구/개발하며 자기 반복적 특이점으로 이동함
- 이후 물리 세계에서 작동하는 체화 지능으로 이어짐
- 각 단계는 이전 단계의 기술을 활용하므로 앞선 연구가 버려지지 않음
- 체화 지능부터 개발하는 것보다 지속 학습과 자기 개선을 먼저 해결하는 편이 인간의 노동을 적게 요구함
- 특이점은 한순간의 폭발이 아니라 AI가 AI 연구를 가속하면서 나타나는 장기적이고 비선형적인 변화임
지속 학습이 다음 세대 모델의 조건
- 다음 세대라고 부를 모델에는 별도의 대규모 재훈련 없이 장기간 경험을 축적하는 지속 학습 능력이 필요함
- 아직 전 세계적으로 효과적인 방법이 발견되지 않았음
- DeepSeek에도 가능성 있어 보이는 아이디어는 있지만 검증된 상태는 아님
- 지속 학습은 하나의 기술이 아니라 여러 알고리듬/구성 요소/엔지니어링 문제로 이뤄진 연구 과제임
- 모델의 첫 번째 사용자는 외부 고객보다 DeepSeek 자체가 되어야 함
- 다음 모델을 더 빠르게 개발하는 데 도움이 되는 모델이 먼저 필요함
- DeepSeek 내부에서 유용한 모델이라면 다른 사용자에게도 유용할 가능성이 높음
- 지속 학습이 해결되면 AI가 연구 효율을 높이고, 이후 일반 지능과 자기 개선도 더 쉽게 달성할 수 있음
- AI에는 취향이나 직관이 부족한 것이 아니라 경험을 지속적으로 축적하는 능력이 부족함
- CoT와 지속 학습의 초기 연구는 대규모 연산보다 좋은 아이디어가 중요함
- 누구나 시도할 수 있지만 결과는 재능이나 운에 따라 달라지는
복권 뽑기와 비슷함
체화 지능이 최종 단계인 이유
- 일반 사용자의 실제 필요는 컴퓨터 안의 작업보다 집안일/노인 돌봄 같은 물리적 노동에 있음
- 따라서 체화 지능은 AI 발전의 피할 수 없는 종착점임
- 체화되지 않은 AGI는 다음 AI 모델 버전을 개발할 수 있는 시스템임
- 체화된 AGI는 다음 로봇 버전까지 스스로 개발할 수 있어야 함
- 지속 학습과 자기 개선을 먼저 해결하면 이후 로봇과 체화 지능 개발은 AI가 상당 부분 수행할 수 있음
지능의 주력선과 분리된 영역
- DeepSeek가 집중하는 지능 주력선은 GPT/CoT/Agent/지속 학습임
- 3D 생성/영상 생성/월드 모델은 좋은 사업이 될 수 있지만 현 단계의 지능 상한을 높이는 핵심 요소는 아님
- Sora 공개 뒤 많은 회사가 영상 생성에 뛰어들었지만, 영상 생성은 지능 로드맵과 직접 연결되지 않음
- 월드 모델은 정의가 넓고 다양한 접근을 포함하지만 지금은 AI 훈련과 지속 학습보다 우선순위가 낮음
- 멀티모달은 제품에 필요한 구성 요소이지만 지능 자체는 아님
- 멀티모달은 검색과 비슷한 보조 구성 요소이며, V4 이후 모델에는 네이티브 멀티모달이 포함될 예정임
- 환각은 후처리 학습으로 개선할 수 있는 제품 문제이며 현재 최우선 연구 과제는 아님
Coding Agent가 현재 최우선 응용 분야
- 중국에서는 특정 산업별 제품보다 범용 Agent에 집중하는 편이 적절함
- 범용 Agent 중에서는 Coding Agent가 가장 높은 우선순위임
- 금융/의료 같은 수직 에이전트는 이후 단계임
- Office처럼 목표가 분명한 Agent 확장과 지속 학습처럼 미해결된 연구를 동시에 진행할 수 있음
- 아이디어 중심 연구는 대규모 연산 자원을 많이 소비하지 않으므로 별도의 자원 배분 문제가 크지 않음
- 현재 Agent의 가장 큰 제약도 경험을 지속적으로 학습하지 못한다는 점임
양보할 수 없는 유일한 핵심은 팀 안정성
- DeepSeek가 양보할 수 없는 가장 중요한 이익은 팀 안정성임
- 핵심 인력이 남아서 연구를 계속하면 실패나 지연이 있어도 결국 AGI에 도달할 수 있음
- 돈과 연산 자원은 확보 가능한 문제지만 팀이 무너지는 것은 되돌리기 어려움
- 최근 투자 유치로 구성원에게 상당한 규모의 옵션이 제공되면서 이탈 위험이 크게 줄어듦
- 고참 핵심 인력이 안정되면 다른 구성원도 돈만이 아니라 AGI에 기여할 수 있는 환경 때문에 남게 됨
- DeepSeek의 이직률은 역사적으로 경쟁사보다 낮았지만 인력 안정은 여전히 가장 큰 위험임
- 투자 파트너도 DeepSeek의 성공을 가장 원하고 이해관계가 잘 맞으며 적대 가능성이 낮은 곳을 중심으로 선택됨
미국과의 격차는 인재가 아니라 연산 자원
- 중국과 미국의 AI 인재는 본질적으로 같은 중국인 인재 풀에서 나옴
- 뛰어난 인재가 모두 해외로 나가는 구조는 아니며, 국내에도 충분한 인재가 남아 있음
- 중국 인재가 뒤처져 보이는 현상은 실험에 사용할 연산 자원이 적어 경험을 쌓지 못한 결과임
- 당시 DeepSeek의 연산 자원은 약 2만 H-equivalent이며 대부분 최근 몇 달 사이 도입됨
- 합리적인 가격에 살 수 있다면 투자금을 가능한 한 NVIDIA GPU로 바꾸는 편이 은행에 현금을 보유하는 것보다 나음
- 가장 큰 미국 모델과 비슷한 약 8천억 활성 파라미터 모델을 훈련하려면 대략 다음 규모가 필요함
- NVIDIA GB300 약 5만 장
- Huawei 950 약 20만 장
- 현재 중국에서 가능한 실험은 수백억 활성 파라미터 규모임
- 1,500억/1,560억/2,500억 활성 파라미터로 이동하려면 훨씬 많은 연산 자원이 필요함
- 미국과의 종합 격차는 약 6~18개월, 넓게는 2년 정도임
- DeepSeek는 미국의 약 20분의 1 연산 자원으로 이 격차를 유지하고 있음
- 일부 영역에서는 더 적은 연산으로 격차를 3~6개월까지 줄일 수 있음
- 한 자릿수 이상 연산 격차가 있는 상황에서 종합적으로 미국을 따라잡는 것은 현실적이지 않음
스케일링 한계는 아직 멀리 있음
- 현재 모델 크기는 충분하다고 판단한 결과가 아니라 사용할 수 있는 연산 자원에 맞춘 결과임
- 데이터/모델 크기/훈련 비용을 포함한 스케일링의 수익은 여전히 뚜렷함
- 중국 모델은 미국보다 훨씬 작은 규모에 머물러 있어 스케일링 한계와 거리가 멂
- 미국에서 논의되는
scaling wall은 미국 모델의 문제이며 중국은 아직 그 수준에 도달하지 못함 - 500억 활성 파라미터 규모에서는 현재 오픈소스 모델과 추론 속도나 성능 차이가 크지 않음
- 비공개 대형 모델과는 상당한 격차가 남아 있음
- 이를 줄이려면 1,500억 활성 파라미터 이상의 모델이 필요함
- 1,500억 활성 파라미터 모델 훈련은 낙관적으로 연말, 늦어도 다음 해에 시작할 수 있음
- 편안한 출시 주기는 2~3개월이며, 각 버전에서 지속적인 개선이 필요함
비용 효율은 기술 목표이자 조직 문화
- 일반 상업 기업은 비용이 낮아지면 매출과 이익도 줄 수 있어 극단적인 효율 개선에 동기가 약함
- DeepSeek 구성원은 사용 비용을 직접 체감하는 평범한 사용자와 공감하기 때문에 모델을 더 싸고 가볍게 만드는 일을 중요하게 여김
- 중국의 연산 자원 부족과 중국산 칩 환경에서는 낮은 비용 자체가 필수적인 경쟁력임
- 같은 연산 예산에서 효율이 높을수록 더 큰 모델을 훈련할 수 있음
- 비용 절감은 서비스 가격뿐 아니라 모델 크기와 성능 향상으로도 이어짐
- 장기적인 모델 경쟁에서 가장 중요한 차별화 요소도 같은 품질을 얼마에 제공하느냐가 됨
모델 경쟁을 가르는 비용/시간/경험
- 모델 성능은 특정 벤치마크 한 항목이 아니라 동일한 비용 조건에서 종합적으로 비교해야 함
- 장기적으로 모델 회사 사이의 차이는 세 가지로 좁혀짐
- 같은 품질을 더 낮은 가격에 제공하는 비용
- 같은 기술을 몇 개월 먼저 제공하는 시간
- 제품의 편의성과 고착성을 만드는 사용자 경험
- BYD 배터리처럼 같은 기술 수준에서도 다른 회사가 동일한 가격을 맞추기 어려운 구조가 비용 장벽이 됨
- 사용자 경험에는 어느 정도 고착성과 장벽이 있지만 비용과 시간만큼 근본적이지 않음
- Anthropic의 Coding Agent 우위는 선발 효과에 따른 일시적 현상임
- Anthropic이 OpenAI를 압도하는 수준은 아니며, DeepSeek 내부에서도 약 절반은 OpenAI가 더 낫다고 여김
- 장기적으로 OpenAI/Google/Anthropic이 선두를 번갈아 차지하게 됨
중국 기반 모델 회사는 통합될 수밖에 없음
- 중국에는 미국의 주요 3개사보다 많은 기반 모델 회사가 존재함
- 너무 많은 회사가 같은 기반 모델을 만들면서 연산 자원과 인재가 분산됨
- 높은 마진이 지속되지 않으면 독자 기반 모델을 개발할 유인이 줄어듦
- 기반 모델의 이익은 매우 높은 수준이 아니라 합리적인 수준으로 내려가야 함
- 장기적으로는 3~4개 기반 모델 경쟁자만 남아도 충분함
- 큰 회사 두 곳과 작은 회사 두 곳 정도면 가격 경쟁이 유지될 수 있음
- 모델 간 차이가 비용과 출시 시점 정도로 줄어들면 한 회사가 대부분의 이익을 가져가는 구조는 성립하기 어려움
중국 AI의 구조적 강점
- 중국은 생산 능력/전력/제품화 역량을 바탕으로 글로벌 AI 시장의 주요 세 축 가운데 하나가 될 수 있음
- 중국 AI 제품은 미국 제품과 성능 차이가 크지 않으면서도 더 낮은 가격에 제공될 가능성이 높음
- 미국 기업은 비용을 최우선으로 두지 않지만 중국 기업은 비용 절감 능력을 축적하고 있음
- 중국 기업의 제품 개발 능력도 미국에 뒤지지 않음
- 장기적인 구조적 강점은 낮은 비용과 제품 역량임
CUDA 해자가 약해지는 세 가지 이유
- 중국산 AI 칩은 과거 소프트웨어 생태계가 부족해 활용하기 어려웠지만 현재는 대체가 가능한 역사적 기회를 맞음
- NVIDIA CUDA의 해자는 세 가지 이유로 약해지고 있음
- AI가 코드를 작성하면서 기존 소프트웨어 생태계를 빠르게 복제할 수 있음
- TileLang 같은 고수준 언어가 CUDA 연산자 구현 비용을 크게 줄임
- AI 전용 칩이 게임 GPU 구조에서 분리되면서 CUDA 호환성의 중요성이 낮아짐
- V3 훈련은 NVIDIA GPU를 사용했지만 대부분의 연산을 TileLang 기반으로 구현해 CUDA 생태계 의존을 줄임
- TileLang은 CUDA보다 적은 코드로 더 빠르게 연산자를 작성할 수 있음
- 저수준 실행 효율이 1~2% 낮아져도 받아들일 수 있는 수준임
- 같은 과정을 Huawei 칩에서 반복하면 생태계 전환이 가능함
- 1년 안에 중국산 칩 생태계가 충분히 작동한다는 사실을 입증할 수 있음
- 생태계보다 실제 칩 생산 능력이 더 큰 병목으로 남음
Huawei 950과 NVIDIA의 차이
- Huawei가 DeepSeek에 제공할 950 카드 수량은 약 1만6천 장임
- 이는 NVIDIA B-series 카드 약 4천 장에 해당하는 연산량임
- 인터넷 대기업에는 수십만 장이 공급될 수 있지만 DeepSeek에는 1만 장대만 배정됨
- 현재 모델에는 사용할 수 있지만 차세대 대형 모델을 훈련하기에는 부족함
- Huawei 950 네 장이 NVIDIA GB300 한 장 정도에 해당함
- 세대상 약 2년의 차이가 남아 있음
- 가격이 50%/100%/200% 높더라도 공급만 가능하면 대체 수단으로 사용할 수 있음
- Huawei 950 supernode는 GB200/GB300이 처리하는 작업을 비슷한 지연 시간으로 수행할 수 있음
- 중국산 칩의 소프트웨어 생태계 격차는 사라질 수 있지만 성능과 생산량에서는 당분간
4배의 카드 수/2년의 세대 차이가 남음 - 현재 패러다임의 모델은 중국이 1~2년 안에 따라잡을 수 있지만 AGI에는 지속 학습이 추가로 필요함
- 중국산 하드웨어가 충분한 생산 능력까지 갖추는 데는 몇 년이 더 필요함
칩과 응용 서비스를 모두 소유할 필요는 없음
- DeepSeek의 훈련 클러스터는 직접 구축함
- 칩을 직접 개발할지는 투자 대비 수익에 따라 달라짐
- 합리적인 가격에 장비를 살 수 있다면 발전소가 발전기를 직접 만들 필요가 없는 것처럼 칩도 직접 만들 필요가 없음
- 응용 서비스와 칩 산업까지 모두 수직 통합하기보다 기반 모델과 AGI 연구에 집중하는 편이 적절함
- 나머지 응용 영역은 파트너와 사용자가 맡을 수 있음
- AI 시장이 충분히 크기 때문에 산업 전체를 소유하지 않고 한 부분에 집중해도 수조 달러 규모 회사가 될 수 있음
데이터가 모델의 절반을 차지함
- 데이터는 모델의 약 절반을 차지할 만큼 중요함
- 현재 단계의 AI 성능 개선은 데이터 라벨링에 크게 의존함
- DeepSeek 핵심 연구자의 약 절반이 직접 데이터 라벨링 작업에 참여함
- 중국은 고급 데이터 라벨링에서 미국보다 비용 우위가 없음
- 미국 회사와 같은 규모의 고비용 라벨링 투자를 단기간에 따라가기는 어려움
- 우선 비용이 낮은 데이터를 라벨링하고, 고품질 연구 데이터 투자는 점진적으로 늘림
- 고품질 데이터 확보의 병목은 자금보다 사람과 시간임
- 중국이 본격적으로 고품질 데이터를 구축하기 시작한 지 약 6개월 정도이므로 추가 시간이 필요함
- 약 1년 뒤에는 고품질 데이터 격차를 상당 부분 줄일 수 있음
- 실제 데이터와 합성 데이터 모두 사용할 수 있음
- AlphaGo가 인간이 두지 않은 수를 만든 것처럼 인간이 표현한 지식의 범위 안에서도 인간 수준을 넘어설 수 있음
연구소처럼 운영되지만 결국 회사임
- DeepSeek는 순수 연구소처럼 운영되는 부분이 있지만 정부가 비용을 지원하는 기관은 아님
- Bell Labs나 다른 조직을 모방하지 않았으며, 현재 구조는 시대와 회사가 처한 조건에서 나온 결과임
- 기업용 매출은 당장 최우선 목표가 아니어도 장기적으로 회사를 생존시키는 기반임
- 이익을 넘어선 목표가 상업적 성공을 약화시키는 것은 아님
- 오히려 더 큰 사명이 인재를 끌어들이고 조직을 결속해 제품과 사업 성과로 이어질 수 있음
- 지금 가장 높은 수익률을 주는 활동은 제품군 확장이 아니라 AGI의 지능 상한을 높이는 일임