딥시크창업자 梁文锋의 전설적인 4시간 투자자 미팅

1.
메가프로젝트부터 포함하여 이재명정부가 들어선 이후 추진하는 AI전략은 미국주도의 AI전략과 함께 하는 것입니다. 이와 반대편에 있는 나라가 중국입니다. AI를 둘러싼 대립은 오픈웨이트 vs 클로즈드의 경쟁이기도 합니다. 중국은 어떤 AI전략을 추진하는지를 소개하는 기획이 임선영의 중국 AI 미래지도입니다.

얼마전에 실린 글이 엔비디아와 다른 길을 가겠다는 화웨이의 선언입니다. 아래는 전문이비다.

좀처럼 언론에 모습을 드러내지 않는 두 인물의 목소리가 최근 공개되면서 업계의 이목이 집중되고 있습니다. 한 명은 딥시크의 창업자 량원펑(梁文锋)이고, 다른 한 명은 화웨이 반도체의 수석과학자 랴오헝(廖恒)입니다. 이들은 각각 AI 모델과 반도체라는 서로 다른 영역에 서 있지만 최근 공개된 발언들을 들여다보면 놀랍게도 서로에게 갈채와 응원을 보내고 있었습니다.

이들의 인터뷰가 한때 왜곡되어 전해지기도 했습니다. 특히 량원펑의 경우 그의 내부 발언이 ‘화웨이 어센드 폄하’라는 프레임으로 잘려 나가 확산되었고 이에 대한 오해가 빠르게 번졌습니다. 그렇다면 그들이 실제로 주고받은 메시지는 무엇이었을까요? 그들의 발언 전체를 살펴봅니다.

‘화웨이 폄하’로 알려진 인터뷰 유출, 그 이면에 숨겨진 진실

2026년 7월, 량원펑의 3시간 44분에 달하는 비공개 투자자 회의 내용이 온라인에 유포되었습니다. 언론은 그의 발언 중 일부를 발췌해 보도했고 그중 가장 주목받은 구절은 이러했습니다. “화웨이 카드 4장이 엔비디아 카드 1장을 대체해야 하며, 기술적으로 약 2년 뒤처져 있다.”

이 문장만 보면 량원펑이 화웨이를 폄하한 것으로 읽히는 것이 무리는 아닙니다. 그러나 이는 결정적 맥락이 생략되 있었습니다. 량원펑의 완전한 발언은 이렇게 이어집니다. “하지만 가격이 200% 더 비싸도 상관없다. 우리는 소프트웨어 혁신으로 이를 극복할 것이며, 자국산 생태계를 끝까지 지원하겠다.”

결국 그의 메시지는 ‘화웨이가 부족하다’는 비판이 아니라, ‘부족함을 소프트웨어로 채우고, 끝까지 국산 생태계와 함께하겠다’는 강력한 의지였던 것입니다. 더 나아가 량원펑은 이 자리에서 다음과 같이 말했습니다.

“국산AI 칩 독립은 지금이 역사적 기회입니다. 국산 AI 칩의 하드웨어와 생태계는 모두 문제가 없습니다. 우리가 해야 할 일은 소프트웨어로 이 격차를 메우는 것입니다. 국산 칩 생태계는 전혀 문제가 없으며, 유일한 문제는 생산 능력입니다.”

뿐만 아니라 그는 화웨이가 최근 발표한 아틀라스 950 슈퍼도느 (Atlas 950 SuperPoD)에 대해 “성능과 가격에서 엔비디아의 GB200, GB300을 완전히 대체할 수 있다”고까지 평가했습니다. 이는 형식상의 발언이 아닌 실제 협력과 투자를 동반한 강력한 의지의 표명이었습니다. 실제로 딥시크는 화웨이와 협력하여 약 1만 6000장의 Ascend 950 NPU를 확보했으며, 이는 화웨이의 소프트웨어 생태계 검증을 완성하기 위한 실질적인 지원 조치였습니다.

소프트웨어가 하드웨어를 새롭게 정의하는 순간들

이처럼 량원펑이 국산 생태계에 대한 확고한 의지를 밝혔다면, 과연 딥시크는 어떤 구체적 성과로 이를 뒷받침하고 있을까요? 량원펑은 하드웨어의 물리적 한계를 단순한 ‘병목’으로 바라보지 않았습니다. 그는 그것을 소프트웨어 차원에서 극복해야 할 ‘개선점’으로 재정의하였고, 바로 이 인식의 전환이 딥시크의 효율성을 비약적으로 끌어올리는 결정적 계기가 되었습니다. 그 구체적 성과들이 바로 지금부터 살펴볼 혁신들입니다.

1) 탈CUDA의 열쇠 — 북경대 타일랭(TileLang)

타일랭(TileLang)은 북경대학 컴퓨터학원 팀이 개발한 고성능 AI 연산자(Operator, 커널) 프로그래밍 언어로, 딥시크가 이를 적극 도입해 자사 모델의 개발과 배포에 활용하고 있습니다. 타일랭의 가장 큰 혁신은 하드웨어 추상화 계층(Hardware Abstraction Layer)을 제공한다는 점에 있습니다.

그동안 개발자는 엔비디아 CUDA처럼 특정 하드웨어에 밀착한 언어로 코드를 작성해야 했습니다. 이는 개발 속도를 떨어뜨릴 뿐 아니라 한 번 작성한 코드를 화웨이 어센이나 AMD GPU 같은 다른 플랫폼에서 재사용하는 것을 사실상 불가능하게 만들었습니다. 코드가 특정 칩에 종속(lock-in)되어 버리는 것입니다.

타일랭은 이 문제를 깔끔하게 해결합니다. 파이썬(Python) 기반의 하드웨어 독립형 언어로 설계되어 개발자가 칩의 세부 구조를 일일이 다루지 않고도 고성능 커널을 작성할 수 있게 해 줍니다. 하드웨어에 대한 최적화는 컴파일러의 몫으로 넘어갑니다. 타일랭 컴파일러가 목표 하드웨어의 메모리 구조와 연산 유닛 구성을 자동으로 분석해 그 칩에 최적화된 기계어 코드를 생성하기 때문입니다.

바로 이 점에서 타일랭은 CUDA에 대한 의존을 낮추는 ‘탈 CUDA(De-CUDA)’ 전략의 핵심 도구로 평가받습니다. ‘한 번 작성해 여러 하드웨어에서 돌린다(write once, run anywhere)’는 이식성이야말로 앞서 량원펑이 말한 “엔비디아 CUDA 생태계의 해자가 빠르게 무너진다” 는 판단의 실질적 근거인 셈입니다.

이 추상화의 위력을 가장 극적으로 보여준 사례가 딥시크의 플래시어텐션(FlashAttention) 재구현입니다. 어텐션 연산의 메모리 병목을 줄여 주는 이 핵심 연산자는 기존 CUDA 기반의 하드웨어 밀착형 코드로 500줄을 넘었지만, 타일랭 버전은 단 80줄로 줄었습니다. 의미는 단순한 코드량 감소가 아닙니다. 생산성과 유지보수성이 높아진 것을 넘어 가장 전략적인 대목은 화웨이 어센드를 포함한 자국산 GPU 플랫폼에서 발표 당일(Day-0)부터 실행 가능한 성능을 확보했다는 점입니다.

통상 새 연산자가 나오면 국산 칩에서 돌리기까지 몇 주에서 몇 달의 이식·최적화가 필요하고, 그 시차 동안 국산 하드웨어는 늘 ‘뒤늦게 따라가는’ 위치에 머뭅니다. 타일랭은 이 시차를 사실상 ‘0’으로 좁혔습니다. 엔비디아에서 먼저 검증하고 국산 칩으로 이식하던 순서가, 처음부터 여러 하드웨어를 동시에 겨냥하는 구조로 바뀐 것입니다. 이것이 량원펑이 말한 CUDA 해자 붕괴의 가장 구체적인 증거입니다.

2) NSA(Native Sparse Attention)

타일랭이 연산자를 ‘어떻게 쓸 것인가(이식성)’ 의 문제를 풀었다면, NSA는 어텐션을 ‘어떻게 계산할 것인가(효율성)’ 의 문제를 근본에서 다시 설계한 사례입니다. NSA는 딥시크 AI 팀이 직접 개발한 프레임워크로, 기존의 어텐션(Attention) 메커니즘을 ‘하드웨어 정렬(Hardware-Aligned)’ 관점에서 재구성했습니다.

트랜스포머(Transformer)의 전체 어텐션(Full Attention) 방식은 텍스트 길이가 늘어날수록 계산량이 제곱(O(N²))으로 증가하는 구조적 한계를 안고 있습니다. 더 결정적인 문제는 이 부담이 GPU의 연산 능력보다 메모리 대역폭과 캐시 계층 구조에 집중된다는 점입니다. 랴오헝이 지적한 “진짜 병목은 연산이 아니라 대역폭”이라는 명제가, 알고리즘 층위에서 그대로 재현되는 지점입니다.

NSA는 이를 동적 계층적 희소 전략(Dynamic Hierarchical Sparse Strategy) 으로 돌파합니다. 모든 토큰을 동등하게 처리하는 대신, 정보의 중요도에 따라 세 개의 경로로 나누어 처리하는 방식입니다.

첫째, 압축 경로(Coarse-Grained) 는 전체 맥락을 요약한 ‘큰 그림’을 빠르게 파악합니다. 둘째, 선별 경로(Fine-Grained) 는 중요한 세부 정보가 담긴 토큰만 골라 집중합니다. 셋째, 원본 참조 경로는 필요할 때 원 토큰을 직접 참조해 정보 손실을 막습니다. 세 경로의 결과는 게이팅 메커니즘(Gating Mechanism)을 통해 하나로 통합되어 최종 출력을 생성합니다. ‘요약으로 훑고, 선별로 파고들되, 원본으로 검증한다’는 삼중 구조입니다.

NSA의 진정한 혁신은 이 희소화가 알고리즘 설계 단계부터 GPU의 메모리 구조와 연산 방식을 전제로 이루어졌다는 데 있습니다. 이론상의 효율에 그치지 않고, 실제 하드웨어에서의 실효 성능(effective performance)을 극대화하도록 ‘하드웨어 정렬’을 처음부터 내장한 것입니다. 그 결과 NSA는 전체 어텐션과 동등하거나 더 나은 정확도를 유지하면서도, 학습 속도는 최대 9배, 추론 지연은 최대 11.6배 개선하는 성과를 달성했습니다.

3) DSpark

타일랭이 이식성을, NSA가 어텐션의 효율성을 겨냥했다면 DSpark는 추론(inference) 단계의 속도를 정조준한 프레임워크입니다. 2026년 6월 발표된 DSpark는 추측 디코딩(Speculative Decoding) 기법을 발전시킨 추론 최적화 프레임워크입니다. 기존 대형 언어모델(LLM)은 토큰을 하나씩 순차 생성하는 자기회귀(Auto-regressive) 방식으로 텍스트를 만듭니다.

문제는 이 방식이 매 토큰마다 모델 파라미터를 메모리에서 읽어와야 해 메모리 대역폭에 큰 부담을 주는 반면, GPU의 풍부한 연산 능력은 충분히 쓰이지 못한 채 놀게 된다는 점입니다. 값비싼 연산 유닛이 데이터를 기다리며 대기하는, 전형적인 대역폭 병목(memory-bandwidth-bound) 국면입니다.

DSpark는 크기가 다른 두 모델을 결합해 이 문제를 풉니다. 작고 빠른 초안 모델(Draft Model) 이 여러 개의 후보 토큰을 한꺼번에 예측하면, 크고 정확한 검증 모델(Verification Model) 이 이들을 병렬로 한 번에 검증하는 방식입니다. 초안의 예측이 틀린 경우에는 검증 모델이 즉시 올바른 토큰으로 교정해 생성 품질을 유지합니다. 초고를 빠르게 쓰는 필자와, 그 원고를 한 번에 훑어 바로잡는 편집자의 분업에 가깝습니다.

DSpark의 진정한 통찰도 결국 같은 지점을 향합니다. GPU의 병목은 연산 능력이 아니라 메모리 대역폭에 있다는 확인, 그리고 이를 겨냥한 배치 처리(Batch Processing) 최적화입니다. 한 번의 메모리 읽기로 더 많은 작업을 처리하도록 설계해, 이론상의 계산량 감소를 실제 속도 향상으로 전환한 것입니다. 그 결과 DeepSeek-V4 온라인 서비스에서 단일 사용자 응답 속도는 85%, 고동시성(high-concurrency) 환경에서는 처리량(Throughput)이 4배 향상되는 성과를 거두었습니다.

세 사례는 서로 다른 지점을 공략했지만, 결국 하나의 명제로 수렴합니다. 연산이 아니라 대역폭이 병목이라면, 승부는 더 빠른 칩이 아니라 데이터를 덜 옮기는 설계에서 갈린다는 것입니다. 타일랭·NSA·DSpark는 바로 그 명제를 코드로 증명한 세 개의 디딤돌입니다.

종합해보면, 이러한 혁신들은 단순한 ‘소프트웨어 개선’이 아닙니다. 이는 알고리즘 설계자가 하드웨어의 동작 방식을 깊이 이해하고, 그 한계를 정확히 파악한 뒤, 이를 극복하는 새로운 소프트웨어 패러다임을 창조한 ‘통합적 시스템 사고’ 의 결과물입니다.

TileLang은 하드웨어 종속성이라는 ‘생태계의 벽’을 허물었고, NSA는 알고리즘 복잡성이라는 ‘계산의 벽’을 무너뜨렸으며, DSpark는 메모리 대역폭이라는 ‘물리적 병목’을 해소했습니다. 이는 딥시크가 단순한 모델 개발사를 넘어, AI 인프라 전체의 비용 구조와 성능 패러다임을 바꾸는 ‘시스템 혁신가’ 로 자리매김하고 있음을 여실히 보여줍니다.

화웨이 수석과학자의 경고: “엔비디아의 한계는 생각보다 가깝다”

그렇다면 이러한 딥시크의 소프트웨어 혁신은 하드웨어 제조사인 화웨이에게 어떤 의미를 가질까요? 이에 대해 화웨이 반도체 수석과학자 랴오헝(廖恒)은 최근 인터뷰에서 엔비디아의 전략에 대해 냉철한 경고를 내놓았습니다. “엔비디아가 칩을 키우고 랙 밀도를 높이는 아키텍처는 아마 1~2세대, 어쩌면 3세대까지 가능하겠지만, 4세대는 아마 불가능할 것입니다.”

그의 설명은 매우 직관적입니다. 칩이 커질수록 연산을 담당하는 면적은 빠르게 증가하지만 데이터와 전력 공급, 메모리는 주로 칩 주변에서 출입하기 때문에 그 증가 속도가 연산 면적을 따라잡지 못합니다. 이는 마치 공장은 계속 확장되는데 출입 도로는 그에 비례하여 넓어지지 않는 상황과 같습니다. “칩은 계속 확장되는 공장과 같습니다. 공장은 점점 커지고 기계는 점점 많아지지만, 공장 출입 도로는 동시에 넓어지지 않아 결국 병목이 생산 능력에서 운송 능력으로 옮겨가게 됩니다.”

랙도 마찬가지입니다. 연산 밀도가 높을수록 전력 공급과 방열이 더 어려워집니다. 칩 면적, 메모리 대역폭, 랙 소비 전력, 냉각 등 일련의 한계를 동시에 돌파해야 하는데, 그중 어느 하나라도 문제가 생기면 전체 시스템에 영향을 미칠 수밖에 없습니다.

이에 랴오헝은 이렇게 결론지었습니다. “우리는 엔비디아와 다른 길을 가기로 선택했습니다. 그들이 ‘조밀함’을 추구한다면, 우리는 ‘느슨함’을 선택했습니다.”

화웨이가 선택한 ‘느슨함’ 전략의 결정체가 바로 아틀라스 950 슈퍼노드(Atlas 950 SuperPoD) 입니다. 이 슈퍼노드는 단순히 1024장의 NPU 카드를 연결하는 것을 넘어, 최대 8192장의 NPU 카드를 하나의 논리적 컴퓨팅 단위로 통합합니다. 2026년 7월 세계인공지능대회(WAIC)에서 처음으로 실물이 공개된 이 제품은 1 EFLOPS FP8, 2 EFLOPS FP4의 연산 능력과 256TB의 전역 통합 메모리 주소 공간을 제공합니다.

물리적으로는 수많은 컴퓨팅 카드이지만 논리적으로는 하나의 컴퓨터처럼 작동하도록 설계된 이 시스템의 핵심에는 자체 개발한 ‘링취(灵衢, Unified Bus) 2.0’ 고속 인터커넥트 프로토콜이 자리 잡고 있습니다. 기존 프로토콜과 비교해 통신 대역폭은 15배 증가했고, 단일 점프 통신 지연 시간은 2마이크로초에서 200나노초로 10분의 1로 줄었습니다. 모든 칩을 초고밀도 랙에 집어넣는 엔비디아의 방식과 달리, 광 인터커넥트를 통해 컴퓨팅 유닛을 더 넓은 물리적 공간에 분산시킵니다.

이 전략을 가능하게 하는 기술적 초석은 초고속 광모듈입니다. Atlas 950 SuperPoD는 800GE SR ‘성운(星云)’ 광 인터커넥트 기술을 사용하며, 3만 개 이상의 광모듈이 8192개의 어센드 950 프로세서를 고효율로 연결합니다. 이전 세대의 400G 광모듈에서 한층 업그레이드된 800G SR8 DPO/LPO 광모듈을 전면 채택하여, 수만 개의 칩이 마치 하나의 초대형 컴퓨터처럼 작동하도록 합니다.

이로써 광모듈은 더 이상 서버의 단순한 부속품이 아닌, 슈퍼노드에서 ‘크로스 랙(Cross-rack)’ 통신을 담당하며 연산 능력의 병목을 결정하는 핵심 부품으로 자리매김했습니다. 실제로 하나의 Atlas 950 슈퍼노드에는 수천 개의 광모듈이 필요하며, 이는 1.6T 광모듈의 상용화를 앞당기는 계기가 되었습니다.

이러한 초대규모 연결은 엔지니어링적 도전과 함께 이론적 한계에 대한 고민을 동반합니다. 이는 반도체 업계의 경험 법칙인 ‘타오의 법칙(Tao’s Law)’ 과도 맞닿아 있습니다. 타오의 법칙은 시스템의 성능이 단일 칩의 속도가 아닌 칩 간 연결의 대역폭과 지연 시간에 의해 결정된다는 통찰입니다.

아무리 뛰어난 연산 능력의 칩이라도, 칩 간 데이터 이동이 병목을 일으키면 시스템 전체의 성능은 급격히 저하됩니다. 화웨이는 타오의 법칙을 주장하며 개별 칩의 성능보다 칩 간의 소통 능력에 집중함으로써 시스템 전체의 효율을 극대화하려 하고 있습니다.

또한, 광모듈 기술의 발전에도 주목할 필요가 있습니다. 차세대 초고속 광모듈의 핵심 기술로는 실리콘 포토닉스(Silicon Photonics), 박막 니오브산 리튬(Thin-film Lithium Niobate), 그리고 VCSEL(Vertical-Cavity Surface-Emitting Laser) 등이 경쟁하고 있습니다.

특히 Atlas 950에 채택된 VCSEL 기반 광모듈은 단거리 초고속 연결에서 뛰어난 에너지 효율과 비용 효율성을 제공하는 것으로 평가받습니다. 이는 ‘전기(Electrical) 신호’를 ‘광(Optical) 신호’로 변환하는 과정에서 발생하는 전력 소모와 지연을 획기적으로 줄여, 수천 개의 칩이 원활하게 소통할 수 있는 기반을 마련합니다. 결국 단일 칩의 한계를 극복하기 위해 칩과 칩을 잇는 ‘빛’의 속도와 효율에 승부를 건 것입니다.

랴오헝은 이 전략의 의미를 이렇게 설명합니다. “우리는 스무 개의 물리적 한계를 동시에 돌파할 수 없습니다. 그래서 가장 가치 있는 소수의 문제를 골라 집중적으로 공략하기로 했습니다. 그중 하나가 광 인터커넥트와 시스템 최적화입니다.”

엔비디아가 첨단 공정, HBM, 성숙한 서버 공급망을 활용해 시스템 밀도를 높이는 데 집중하는 반면, 화웨이는 중국이 가진 광통신, 전력, 인프라 조건을 활용해 공간으로 방열과 전력 공급의 유연성을 확보하려는 것입니다. 특히 Atlas 950은 전면 액체 냉각 구조를 채택하여 PUE(전력 사용 효율)를 1.15까지 낮추었습니다. 이는 기존 데이터센터의 평균 PUE 1.5~1.8과 비교해 획기적인 에너지 효율을 의미합니다.

결국 아틀라스 950 슈퍼노드는 시스템 수준에서 엔비디아와 다른 길을 가겠다는 화웨이의 선언이며, 광통신과 액체 냉각이라는 중국의 강점을 극대화한 전략적 선택입니다.

AI는 ’18층 목탑’의 시선으로 바라봐야

젠슨황이 AI 산업체인을 ‘5층 케이크’에 비유한데 반해 랴오헝은 18층 목탑을 바라보듯 해야 한다고 발언한 점도 흥미롭습니다.

탑층은 애플리케이션, 모델, 소프트웨어이고, 중층은 컴파일러와 칩 아키텍처이며, 하층은 웨이퍼 제조, 장비, 소재, 메모리, 광물입니다. 그중 한 층만 보아서는 AI 시스템의 진정한 능력을 설명할 수 없다고 말이죠. 소프트웨어는 하드웨어의 특성을 이해해야 하고, 하드웨어는 소프트웨어의 요구를 알아야 합니다. 이러한 상호 이해가 없으면 아무리 뛰어난 개별 기술도 시스템 전체의 성능으로 이어지지 않기 때문입니다.

특히 각 층의 시간 리듬이 완전히 다르다는 점은 중요한 통찰입니다. 소프트웨어는 10분마다 컴파일하고 실패해도 재시도할 수 있습니다. 그러나 칩은 18~20개월의 테이프아웃 주기를 가지며, 한 번의 실수에 2억~3억 위안이 들어갑니다. “버튼을 잘못 누르면 다시 시작할 수 없습니다.” 랴오헝은 “천재 박사도 칩은 할 수 없다”고 단언합니다.

판단력은 논문이 아닌, 수차례의 완전한 설계-테이프아웃-양산 주기에서 축적되며, 이를 위해 10년의 인내가 필요합니다. 중국 반도체 현장 엔지니어는 실리콘밸리보다 평균 20살 젊은데 이 ‘젊음’이 인재로 성장하기 위해서는 장기적인 안목과 지속적인 투자가 뒷받침되어야 한다고 덧붙였습니다.

딥시크와 화웨이를 주목하는 이유

이제 우리는 딥시크의 소프트웨어 혁신과 화웨이의 하드웨어 전략이 우연히 만난 것이 아니라 AI 생태계의 새로운 패러다임을 형성하고 있음을 알 수 있습니다. 딥시크는 알고리즘으로 하드웨어의 한계를 극복하고, 화웨이는 하드웨어로 알고리즘의 혁신을 받아들입니다.

TileLang은 국산 칩에서 즉시 실행되고, NSA는 하드웨어에 최적화된 채로 화웨이 어센드에 이식되었습니다. 화웨이는 DeepSeek-V4 전 모델을 Day-0부터 지원하겠다고 발표했고, 딥시크는 화웨이로부터 약 1.6만 장의 Ascend 950 칩을 확보했습니다.

량원펑이 유출된 회의에서 말한 그 약속, “우리는 소프트웨어 혁신으로 부족함을 채우고, 끝까지 국산 생태계를 지원하겠다”는 의지는 결코 빈말이 아니었습니다. 그는 아틀라스 950 슈퍼노드에 대해 “성능과 가격에서 엔비디아의 GB200, GB300을 완전히 대체할 수 있다”고 평가했고, “자국산 AI 칩의 독립은 지금이 역사적 기회”라며 적극적인 협력 의지를 밝혔습니다. 이에 랴오헝이 화답했습니다. “엔비디아와 다른 길을 가는 것이 두렵지 않은 이유는, 우리가 함께 걸어갈 동반자가 있기 때문입니다”라구요.

소프트웨어는 하드웨어를 이해해야 하고, 하드웨어는 소프트웨어를 이해해야 합니다. 어느 한 층만 떼어내서는 AI 시스템의 완성도를 설명할 수 없습니다. 모든 층이 유기적으로 맞물릴 때, 비로소 진정한 혁신이 가능해집니다. 그리고 이 지점에서 중국 AI의 현재를 가장 정확히 드러내는 태도가 나타납니다.

무엇이 부족해서 못 한다가 아니라, 부족하기에 다른 길로 나아간다는 자세입니다. 첨단 공정이 막히자 알고리즘으로 우회하고, 단일 칩이 뒤처지자 시스템으로 메우며, CUDA에 갇히자 새로운 언어로 빠져나가는 것. 결핍을 한계로 받아들이는 대신, 결핍을 다른 각도를 찾는 출발점으로 삼는 것. 중국 AI 발전이 지금부터라고 생각되는 이유입니다.

2.
위 기사에서 언급하는 딥시크 창업자의 인터뷰가 Liang Wenfeng Investor Meeting입니다.

대외비인데 유출되었다고 합니다. 다양한 번역이 돌아다닙니다. 그중 량원펑 투자자 교류회（완전판 전문）입니다.

량원펑 투자자 교류회（완전판 전문）

여러 투자자 여러분, 환영합니다. 저희가 처음 이 회사를 하게 되었을 때의 초심은, 제가 마지막에 얼마를 벌게 될지, 자본시장에 갈지, 상장할지, 어떻게 할지 같은 것을 생각한 것이 아니었습니다. 그래서 저희는 그런 초심이 없었습니다. 맨 처음 수십 명도 완전히 그렇게 생각하지 않았습니다. 만약 그렇게 생각했다면, 그는 오지 않았을 겁니다.

그래서 전체적으로 말하면, 저희는 이 세상에 대한 아주 큰 선의를 품고 이 일을 하고 있습니다. 그리고 이것이 인류에게 유용하다고 생각합니다. 이것은 돈을 넘어서는 일입니다. 물론 뒤로 가면서 이 일의 이익이 매우 크다는 것이 드러난 뒤에는 다른 유혹도 생겼습니다. 그건 또 다른 문제입니다. 하지만 저희가 출발한 초심, 저희의 비전, 그리고 지금까지 유지해 온 이 비전은 상업적 이익 극대화 방식으로 만들어진 것이 아닙니다.

저는 이 점이 꽤 중요하다고 생각합니다. 대략 20년 전, 경영 측면에서 제가 가장 존경한 사람은 GE의 전 CEO인 잭 웰치였습니다. 지금 돌아보면 그가 말한 대부분은 이미 틀렸을 수도 있습니다. 하지만 가장 중요한 한 가지는 맞았습니다. 한 회사에서 가장 중요한 것은 비전이라는 점입니다. 대기업을 관리하는 것은 규정과 제도에 의존하는 것이 아니라 비전에 의존합니다. 비전이란 무엇일까요?

비전은 벽에 걸린 구호가 아닙니다. 비전은 어떻게 말하느냐가 아니라 어떻게 하느냐입니다. 즉 실제로 어떻게 운영하느냐입니다. 어쨌든 잭 웰치의 원문은 제가 잊어버렸지만, 대략 이런 뜻이었습니다. 그래서 저희는 이렇게 많은 사람을 어떻게 관리하고 어떻게 조직하느냐고요? 사실 저희는 조직이 없습니다. 비전이 구동하는 것이고, 하나의 비전으로 조직되는 것입니다. 저희는 조직이 없습니다. 이것에는 장점도 있고 단점도 있습니다.

앞으로는 장점을 살리고 단점을 보완할 방법을 생각하겠지만, 이것이 저희의 특징입니다. 저희는 “어떤 KPI를 달성하겠다, 평가가 없다” 같은 방식으로 하는 것이 아닙니다. 오직 비전만 있습니다. 이 비전은 심지어 문서화되어 있지도 않습니다. 적어 놓은 것도 아니고, 어떤 것도 써 본 적이 없습니다. 이 비전은 저희가 일을 하는 방식, 그리고 이 세계를 대하는 태도 안에 있습니다.

아마 우리 회사의 각자도 이 비전을 이해하는 방식이 다를 것이고, 각자의 비전에도 차이가 있을 수 있습니다. 하지만 큰 방향에서는 일치합니다.

저는 여전히 이 세상에 대한 아주 큰 선의를 품고, 뭔가 해 보고 싶다는 마음이라고 생각합니다. 저희는 이것으로 조직되어 있습니다. 이제 먼저 제가 이야기하고, 끝난 뒤에 여러분이 질문하시면 됩니다. 아마 저는 이 비전을 중심으로 뒤의 이야기들을 하게 될 겁니다. 이 비전은 진짜입니다. 꾸며낸 것이 아닙니다. 저희는 정말 이렇게 생각하고, 정말 이렇게 합니다. 그렇지 않으면 저희의 많은 일을 설명할 수 없습니다. 왜 저희가 그렇게까지 오픈소스를 고집하느냐고요?

왜냐하면 이 비전 자체가 오픈소스를 요구하기 때문입니다. 이 비전이 없으면 사람들을 조직할 수 없습니다. 예를 들어, 도 오픈소스지만, 그들의 오픈소스는 저희의 오픈소스와 다릅니다. **의 오픈소스는 어쩔 수 없이 하는 느낌이 있습니다. 그들은 이것이 본의가 아니라고 느끼는 것 같습니다. 하지만 저희에게는 이것이 바로 본의입니다. 그리고 오픈소스라는 문제에 대해서는 처음부터 아주 분명하게 생각하고 있었습니다.

우선 첫 번째는 비전입니다. 두 번째는, 저희는 AI를 상업적으로 성공시키려면 오픈소스가 장점이 있다고 생각합니다. 이것은 조금 모순적으로 들리고, 직관에도 어긋나는 것처럼 보입니다. 역사적으로는 오픈소스와 상업화가 충돌해 왔기 때문입니다. 하지만 저는 AI는 예전과 다르다고 생각합니다.

왜냐하면 역사적으로 어떤 소프트웨어 회사의 시장은 1년에 수십억 달러 정도일 수 있고, 오픈소스로 풀어버리면 그 시장이 사라져서 수천만 달러 또는 몇억 달러만 남을 수 있기 때문입니다. 하지만 AI는 충분히 큽니다. 최종적으로는 인류 사회 GDP의 10퍼센트를 차지할 수도 있습니다. 예를 들어 그렇다는 것입니다. 그러면 이것은 엄청난 숫자입니다.

한 사람이 이 일을 독점하는 것은 불가능합니다. 당신은 이 일을 독점할 수 없습니다. 반드시 다른 사람들과 나눠야 합니다. 그렇지 않으면 분명히 살아남을 수 없습니다. 이것은 예전에 오픈소스로 하나의 소프트웨어를 만드는 것과는 다를 수 있습니다. 왜냐하면 그 소프트웨어 시장은 그렇게 크지 않았기 때문입니다. 하지만 AI라는 일은 정말 너무 큽니다. 만약 저희가 그 이익을 독점하려 한다면, 반드시 역사에 의해 버려질 것입니다. 저는 무엇보다 이것이 객관적 법칙이며, 하나의 역사관이라고 생각합니다.

제가 오픈소스를 하지 않으면 시장을 독점할 수 있다는 것이 아닙니다. 이건 이론적으로도 객관적 사실에 맞지 않습니다. 반드시 많은 저항을 만나게 되고, 반드시 다른 방식들이 나타나 당신이 그 목표를 이루는 것을 막을 것입니다. 이런 상황에서 저는 꼭 전통적인 상업 사고방식대로 갈 필요는 없다고 생각합니다. 당신이 얻을 수 있는 이익이 제한되어 있도록 보장하는 메커니즘이 필요합니다. 그래야 비로소 해낼 가능성이 생깁니다. 절제가 필요합니다. 저는 절제가 필요하다고 생각합니다.

저희 손에서 AI라는 일을 해내고 싶다면, 첫 번째로 절제가 필요하다고 생각합니다. 인류 GDP의 몇 퍼센트가 모두 내 것이 된다거나, 중국 GDP의 몇 퍼센트가 모두 내 것이 된다고 생각해서는 안 됩니다. 그렇게 생각할수록 더 해내기 어렵습니다.

그래서 저희는 처음부터 절제가 필요하다고 생각했습니다. 더 절제할수록, 이 일을 해낼 가능성이 더 커집니다. 이것은 상업적인 고려입니다. 물론 거시적인 고려이기도 합니다. 저는 이것이 직관에 부합한다고 생각합니다. 적어도 제 직관에는 부합합니다. 혹은 적어도 저는 정말 그렇게 생각합니다. 저희에게는 다른 많은 우위가 없습니다. 저희는 대단한 능력이 있는 것도 아닙니다. 저희가 남들보다 돈이 많은 것도 아니고, 인력이 다른 회사보다 더 뛰어난 것도 아닙니다. 사실 그렇지 않습니다.

생각해 보세요. 저희가 2년 전에 이 회사를 세웠을 때, 돈도 많지 않았고, 카드도 많지 않았고, 유명세도 없었고, 소집력도 없었습니다. 저희는 그저 매우 평범한 사람들의 무리였습니다.

정말로 저희는 평범한 사람들의 무리입니다. 제가 좋아하는 서사는 천재들의 집단이 비범한 일을 해냈다는 것이 아니라, 평범한 사람들이 비범한 일을 해냈다는 것입니다. 이것은 저희의 절제와 아주 깊은 관련이 있고, 저희의 절제와 비전이 한 줄기로 이어져 있습니다. 그렇다면 오픈소스와 상업화는 충돌할까요? 저는 AI라는 일에서는, 절제하지 않으면 일어설 수 없다고 생각합니다.

오픈소스는 절제의 한 부분입니다. 그리고 저희의 절제는 오픈소스에서만 나타나는 것이 아니라 많은 면에서 드러납니다. 하지만 전체적으로 말하면, 저희는 오픈소스라는 일, 절제라는 일을 고민하지 않을 수 없습니다. 더 절제할수록, 더 쉽게 해낼 수 있을지도 모릅니다. 적어도 지금까지는 그렇게 입증되고 있고, 지금까지는 그렇게 설명이 됩니다.

그렇지 않다면 왜 저희가 해낼 수 있었는지 설명할 방법이 없습니다. 저희에게는 별다른 무기가 없고, 출발점은 매우 낮았으며, 자원도 매우 적었습니다. 저희 사람들도 사실 그냥 우연히 모인 평범한 사람들입니다. 저 역시 대학을 졸업한 학생일 뿐이며, 가장 최상위 학교를 나온 것도 아닙니다. 이 절제 역시 저희 비전의 일부입니다. AI라는 일은 너무 크고, 이익도 너무 큽니다.

저희는 아주 절제합니다. 해내기만 하면 결국 이익은 매우 커집니다. 아무렇게나 조금만 나눠 가져도 이익은 매우 큽니다. 그래서 지금은 여기서 어떤 이익을 가져갈지, 어떻게 가져갈지를 전혀 고민할 필요가 없다고 생각합니다. 왜냐하면 이 이익은 충분히 크기 때문입니다. 아주 조금만 가져가도 이미 충분합니다. 그래서 저희는 이전에 말했습니다. 우리는 합리적인 이익만 취하고, 이익의 크기가 아니라 의지를 본다고요. 이것은 다릅니다.

이건 저희 API 가격 책정 이야기입니다. 저희는 API 가격을 정할 때 합리적인 이익이란, 시장에서 장비를 한 배치 사 와서 10개월에 원금을 회수하는 것이라고 생각합니다. 저는 이것이 합리적인 이익이라고 생각합니다.

현재 상황에서 리스크와 선행 투자 등을 고려하면, 서버 하나를 회계상으로는 3년이나 5년으로 상각하더라도, 사업적으로는 대략 10개월에 원금을 회수하면 충분하다고 생각합니다. OK, 저희는 충분하다고 생각합니다. 그래서 이것이 지금 저희 API 가격 책정의 논리입니다. 저희의 V3.2 Flash와 다른 것들도 모두 장비 비용을 10개월에 회수하는 구조입니다.

이것이 저희의 기준입니다. 사실 이것은 이익 극대화가 아닙니다. 이익 극대화라면 가격을 더 높게 설정해야 합니다. 왜냐하면 이 가격 구간에서는 사용자 수요에 탄력성이 없기 때문입니다. 즉 제가 가격을 절반 더 올리거나 두 배 올려도 token 소비량에는 큰 차이가 없습니다. 제가 가격을 한 배 더 비싸게 하면 총수입은 거의 한 배 가까이 늘어납니다. 잠깐만요, 제가 확인해 보겠습니다. 아, 아주 좋네요.

여러분께 이야기 하나 해드릴게요. 저희 모델 중 하나가 있었는데, 처음에는 수요가 너무 많을까 걱정해서 가격을 비교적 높게 정했습니다. 팀에서는 다들 그리 기뻐하지 않았습니다. 나중에 제가 가격을 다시 낮췄고, 4분의 1 수준까지 내리자 모두가 아주 기뻐했습니다. 저는 이것이야말로 저희의 진짜 생각이라고 봅니다.

즉 제가 앞에서 말한 그 비전입니다. 저희는 여전히 이것이 사람들에게 유용하기를 바랍니다. 저희가 가장 많은 돈을 버는 것이 아니라, 합리적인 이익을 벌 수 있는 상황에서 모두가 쓸 수 있기를 바랍니다. 이번에 회사의 다른 사람들 생각도 그랬다고 봅니다. 그때 가격을 내렸을 때 회사 단체방에서 많은 사람이 환호했고, 모두가 아주 기뻐했습니다. 왜냐하면 저희가 그렇게 많은 에너지와 진심을 들여 이 모델을 잘 만든 목적이 바로 그것이기 때문입니다.

목적은 아주 싸고 성능은 아주 좋아서 모두가 충분히 사용할 수 있게 하는 것입니다. 저희는 그것이 아주 기쁘다고 느낍니다. 그것이 저희의 동력이고, 비전이며, 회사가 함께 뭉쳐 이 일을 할 수 있게 하는 공감대라고 생각합니다. 이것이 회사 내부의 공감대입니다. 이 점은 꽤 특별할 것입니다. 왜냐하면 이런 가격 인하는 다른 경쟁자들에게는 분명 좋은 일이 아니고, 그들이 환호할 일도 아니기 때문입니다.

왜냐하면 당신의 수입, 당신의 ARR은 반으로 내리면 ARR도 반으로 떨어지기 때문입니다. 맞습니다. 이것이 저희가 다른 점입니다. 저희는 이 정도면 충분하다고 생각합니다. 회사 내부에서 보면, 10개월에 원금 회수면 사업적으로 저는 이미 매우 만족합니다. 회사 외부에서 봐도, 이 가격은 모두가 꽤 기뻐하고 반기는 가격이라고 생각합니다. 모두가 윈윈입니다. 회사와 사회, 그리고 모든 사람이 모두 윈윈입니다.

좋습니다. 방금 누군가 화면에 댓글로 10개월 회수라는 이익이 너무 높다고 남겼네요. 확실히 아직 가격을 더 내릴 여지는 있습니다. 모델 최적화 측면에서도 여지가 있습니다. 그래서 전체적으로 가격 인하 여지는 꽤 큽니다. 하지만 이 비용 구조에서 10개월 회수를 저희는 할 수 있어도 다른 곳은 못 합니다. 예를 들어 Alibaba나 Tencent는 저희 같은 최적화가 아니기 때문에, 그들의 비용은 몇 배 더 높을 것입니다.

여기에는 여전히 많은 최적화 작업이 있습니다. 방금 왜 저희가 계속 가격을 내리지 않느냐는 질문에 대해 말씀드리면, 그것은 탄력성이 없기 때문입니다. 제가 더 가격을 내려도 수요가 더 늘지 않거나, 늘어도 아주 조금만 늘어납니다. 왜냐하면 이 가격이면 모두가 이미 쓸 수 있고, 모두가 만족하는 가격이라고 느끼기 때문입니다. 이 가격이 비싸서 안 쓰는 상황은 아니라는 뜻입니다.

그래서 가격 인하는 우선 회사에 더 많은 수입을 가져오지 않습니다. 사회적으로도 더 큰 가치가 생기지 않습니다. 왜냐하면 이 가격이면 모두가 이미 만족하기 때문입니다. 가격을 더 낮춘다고 해서 사회 전체의 행복감이 많이 증가하지는 않습니다. 네, OK, 아무튼 지금 이 문제에서는, 가격 책정이라는 일에서 저희는 분명히

회사 수입을 최대화하거나 이익을 최대화하는 것을 출발점으로 삼지 않습니다. 이것이 저희 절제의 일부입니다. 단기적으로는 가격을 좀 높이면 수입이 좀 더 많아질 수 있습니다. 하지만 장기적으로는 정말 장담하기 어렵습니다. 왜냐하면 저는 절제가 하나의 전략이라고 생각하기 때문입니다. 저에게 절제는 하나의 전략입니다. 때로는 무엇인가를 포기하고, 그 대가로 다른 더 많은 것을 얻을 수 있기 때문입니다.

오픈소스도 사실 마찬가지입니다. 그것도 일종의 압력 완화이자 이익 양보라고 볼 수 있습니다. 우선 이 양보는 회사 내부에서 우리를 기쁘게 하고, 모두를 행복하게 하며, 직원들에게 성취감을 주고, 우리를 결속시킵니다. 그리고 이 양보는 사회에도 좋고, 사회도 기뻐하며, 다른 동종업계나 일반 사람들도 기뻐합니다.

그래서 이런 절제는, 장기적으로 볼 때 저희가 AGI를 해낼 확률을 높여 준다고 저는 이해합니다. 어떤 일을 고려할 때, 저는 AGI가 매우 큰 상업적 가치를 가질 것이라는 점을 조금도 의심하지 않습니다. 그렇다면 그 기반 위에서 제가 우선 고려하는 것은 어떻게 몫을 더 가져갈까, 어떻게 점유율을 더 얻을까가 아닙니다. 제가 우선 고려하는 것은 어떻게 해낼 확률을 높일까입니다. 이런 절제는 아마 다른 여러 방면에서도 드러날 것입니다.

예를 들어 작년 춘절에 사용자가 갑자기 많아졌지만, 저희는 그 사용자들을 붙잡겠다거나, 그 사용자들을 돈으로 바꾸겠다거나, 그 상업적 이익을 쟁취하겠다고 생각하지 않았습니다. 사용자 측에서 현금화를 하겠다고 하지 않았습니다. 저희는 사용자를 빼앗으려 하지 않았고, 돈을 벌려 하지 않았습니다. 대신 사용자를 잘 서비스하기 위해 아주 열심히 방법을 찾았습니다.

저희는 “다음 슈퍼 App을 만들겠다, 누군가와 경쟁하겠다, 다음 ByteDance가 되겠다, 다음 Tencent가 되겠다” 같은 생각을 하지 않습니다. 저희는 그렇게 할 수도 있지만, 그렇게 하지 않았습니다. 제 이해로는 이것도 절제의 일부입니다. 모든 돈을 다 벌겠다고 생각하면 안 됩니다. 사용자가 생겼다고 해서 다음 ByteDance가 될 수 있다고 생각하고, 그것까지 다 먹으려 해서는 안 됩니다.

저는 이것이 사업적으로는 통할 수 있고, 가능성도 있다고 생각합니다. 작년에 저희가 큰돈을 써서 ByteDance와 사용자 쟁탈전을 벌였다면, 그것도 하나의 플레이 방식이었을 것입니다. 하지만 저희가 택한 것은 아주 절제된 방식이었습니다. 즉 당신과 그걸 두고 싸우지 않겠다는 것입니다. 뒤에는 더 큰 수박이 있고, 앞의 것은 어쩌면 깨알 같은 참깨이기 때문입니다.

저는 모든 참깨를 다 주워서는 안 됩니다. 물론 그 참깨가 꽤 클 수는 있습니다. 하지만 저는 뒤에 있는 AI가 훨씬 더 크고, 앞의 것들은 크다고 볼 수 없다고 생각합니다. 지금 돌아보면, 작년에 저희가 C단에서 힘을 크게 쓰지 않은 것은 아마 옳았던 것 같습니다. 뒤에 정말 더 큰 수박이 있다는 것이 보이기 때문입니다. 앞의 것은 정말 작은 참깨에 불과했습니다. 만약 작년에 제가 돈이 많았고, 그 일을 매우 크게 만들었다면 무슨 이점이 있었겠습니까? 사실 얻는 것이 없습니다.

이것이 제 진짜 생각입니다. 왜냐하면 저는 뒤에 있는 AGI 기회가 매우 클 것이라고 생각하고, 그 AGI 기회는 언제나 매우 클 것이기 때문입니다.

저는 심지어 그때 제가 그 안에서 어느 위치를 차지할지, 혹은 그 안에서 제 비즈니스 모델이 무엇일지조차 고려할 필요가 없다고 생각합니다. 그렇게 큰 상업적 기회가 있기만 하면, 분명히 방법은 있습니다. 그래서 앞의 참깨도 저희는 줍습니다. 하지만 손 가는 대로 조금 줍는 정도이지, 멈춰 서서 그것을 중요한 일로 여기지는 않습니다. 그래서 작년의 C단 DAU 같은 것은 저는 아마 작은 일이라고 생각합니다.

하지만 저희도 주웠습니다. 그리고 비교적 낮은 비용으로 사용자의 사용을 유지했습니다. 나중에 쓸모가 있을 수도 있기 때문입니다. 지금은 그 사용자가 무슨 용도가 있는지 모르고, 지금은 순수한 비용 지출이지만 나중에는 유용할 수 있습니다. 손쉽게 얻을 수 있다면 자연스럽게 가져갈 것입니다. 올해를 보더라도, API나 AI 측면의 ARR 수입에서도 기회가 있을 가능성이 큽니다.

즉 수요가 계속 확대될 수 있고, 더 많은 GPU를 살 수 있다면, ARR을 수억 달러까지 만드는 것도 충분히 가능합니다. AI가 10억 달러까지 갈 수 있다면, 제 회사 현금흐름은 기본적으로 손익분기점을 넘을 수 있고, 제 연구개발 비용과 모든 비용을 감당할 수 있습니다.

그래서 이것도 가능성은 있습니다. 하지만 저희는 그것을 우선순위로 두지 않았습니다. 이건 저희가 하겠지만, 저는 이것이 중요한 일이라고 생각합니다. 다만 저희의 첫 번째 우선순위는 아니고, 오늘 정말 신경 쓰는 것도 아닙니다. 더 큰 기회는 아직 뒤에 있습니다. 앞의 기회, 작년의 C단이든 올해의 B단이든, 저는 이것이 해야 할 일이고 잘해야 할 일이라고 생각하지만, 이것이 저희의 목표는 아닙니다.

혹은 회사의 대부분 사람들은 이것을 매우 중요한 일이라고 보지 않습니다. AGI와 비교했을 때 동등하게 중요한 문제라고 보지 않습니다. 오픈소스 이야기는 조금 더 할 수 있습니다. 이전에 많은 질문이 오픈소스에 관한 것이었기 때문입니다. 우선, 저는 저희는 오픈소스를 할 것이고, 저희의 가장 강한 모델도 아마 오픈소스할 것이라고 생각합니다. 왜냐하면 폐쇄형으로 가서 얻을 수 있는 이점을 저는 보지 못하기 때문입니다. 필연적인 이점을 못 봅니다.

ByteDance는 모델이 폐쇄형인데, 그게 무슨 장점이 있습니까? 저는 장점이 보이지 않습니다. 모델을 오픈소스로 풀고 모든 것을 다 알려줘도, 그 문턱은 여전히 매우 높습니다. 다른 사람이 실제로 사용하려면 문턱이 아주 높습니다. 쓰기 어렵고, 그다음에 그걸 저비용으로 운영하려면 또 매우 어렵습니다. 그렇게 쉬운 일이 아닙니다.

제가 오픈소스로 공개했다고 해서 다른 사람이 저와 같은 배포 비용을 쉽게 달성할 수 있는 것은 아닙니다. 여기에는 여전히 많은 작업이 필요합니다. 원리는 다 이해할 수 있다고 해도, 모든 회사가 그 목표를 위해 인력을 조직할 의지와 능력을 가진 것은 아닙니다. 이 점은 저도 익숙합니다. 그들은 아마 이런 일을 잘하지 못할 수도 있습니다. 저항이 너무 크기 때문입니다. 비용을 통제하기가 매우 어렵고, 경영상의 제약과 물리적 제약이 많습니다.

이것도 스타트업의 장점입니다. 스타트업이 너무 작으면 이런 일을 할 힘이 없고, 대기업이면 조직하기가 어렵습니다.

이 일은 어디에나 어려움이 있습니다. 그래서 이것은 저희 같은 규모의 회사에 해당하는 sweet point입니다. 그리고 저희가 더 커지면 다른 문제가 생길 수 있고, 더 작으면 힘이 부족할 것입니다. 그래서 오픈소스에 대해서는, 저는 저희가 가격을 잘 정해야 한다고 생각합니다. 지금은 저희가 인식해야 할 것은, 남을 몰아붙이진 않는다는 것입니다.

왜냐하면 가격 모델 자체도 저는 매우 높은 비용을 받지 않을 것이고, 역시 10개월 회수 기준으로 받을 가능성이 높기 때문입니다. 10개월 회수 기준이면 이미 경쟁자를… 제가 10개월 회수 기준으로만 받아도 독립 배포를 하는 제3자가 이익을 남기기 어렵게 만들 수 있습니다. 제3자는 못 합니다. 그들은 그 비용을 맞출 수 없고, 분명히 못 합니다. 그래서 오픈소스는 저희 수입에 영향을 주지 않습니다. 물론 제가 100배의 이익을 벌고 싶다면, 오픈소스는…

(중략)
그러니까 오픈소스는, 제 생각에 저희 비즈니스 모델에 아무 영향도 없습니다. 전제는 저희가 6배 이익만 번다는 것입니다. 10개월 원금 회수는 대략 6배 이익에 해당합니다. 저희가 6배 이익만 버는 상황에서는 오픈소스가 아무 영향을 주지 않습니다. 하지만 100배 이익을 벌고 싶다면, 오픈소스는 분명 100배 이익에 영향을 줍니다. 제3자가 배포하면, 그쪽은 비용이 20배 수준일 수도 있고, 그러면 당신보다 더 낮을 수 있으니까요.

이 모델이 장기적으로 지속 가능하냐고요? 저는 가능하다고 생각합니다. 저희 비전 아래에서는 오픈소스가 장기적으로 지속 가능하다고 생각합니다. 혹은 저희는 그렇게 할 계획입니다. 절제가 있고, 또 장기적으로 더 큰 이익을 양보하는 측면도 있다고 볼 수 있습니다. 이 전략은 기술의 최전선에서 저희가 더 많은 기회를 갖게 하고, AGI를 해낼 확률도 더 크게 만듭니다. 저희는 더 여유로워집니다.

생각해 보세요. 저희는 아예 야근도 할 필요가 없습니다. 그렇게까지 어렵지 않기 때문입니다. 하지만 다른 회사들에게는 아주 어려울 수 있습니다. 너무 많은 것을 생각하기 때문입니다. 사실 어렵지 않습니다. 전혀 어렵지 않습니다. 처음 시작할 때는 외부에서 보기엔 저희가 매우 어려운 모델을 택한 것처럼 보였습니다. 연구를 하고, 가장 어려운 일을 하며, hard한 모델을 택한 것처럼 보였죠.

하지만 사실 저희는 다른 곳에서 많은 것을 포기했기 때문에 여전히 아주 강력하고, 또 꽤 가볍게 해내고 있습니다. 그래서 오픈소스라는 일에 대해 제 판단은, 이것이 지속 가능하다는 것입니다. 오픈소스와 상업적 유료화 사이에는 충돌이 없습니다. 전제는 6배 이익 수준이라면 충돌이 없다는 것입니다. 6배 이익이 높아 보일 수 있지만, 사실 높지 않습니다. 지금 AI 효율이 이렇게 높은 상황에서는 합리적인 이익이 이 정도일 수 있습니다.

미래에는 예를 들어 4배, 3배로 내려갈 수도 있습니다. 저는 이것이 이미… 더 아래로 내려가는 것은 불가능하다고 봅니다. 그래도 여전히 큰 이익이 남습니다. API를 파는 일만 봐도 그렇습니다. 하지만 저는 API를 파는 일이 그렇게 큰 매력을 가진다고는 생각하지 않습니다. 다만 이 일만 놓고 봐도, 저는 여기서 어떤 충돌도 보지 못합니다.

그리고 다른 사람들이 저희 모델을 배포해서 저희와 경쟁할까 봐 걱정하지도 않습니다. 전혀 걱정하지 않습니다. 오히려 그들이 배포해 주기를 바랍니다. 저희는 가능한 한 오픈소스 커뮤니티에 도움을 제공하고, 모두가 저희 모델을 배포할 수 있도록 협력하려 합니다. 그들이 저희 사업을 빼앗을까 걱정하지 않습니다. 시장이 충분히 크기 때문입니다. 저는 그들이 배포를 못 하거나, 세부를 잘못 처리해서 성능이 나빠지거나, 비용이 더 높아질까만 걱정합니다.

네, 여기에는 충돌이 없습니다. 그리고 작년에는, 제가 들었던 질문 중 To B 사업이 있을 때 많이 받은 질문이 이것이었습니다. C단에서 제가 오픈소스를 하면, C단과 또 충돌하는 것 아니냐는 것이죠.

왜냐하면 저에게는 트래픽 우위가 없고, 예를 들어 Tencent는 자체 트래픽이 많으니 저희의 오픈소스 모델을 배포하면 C단 사용자를 다 가져가서 제 C단 사용자를 빼앗아 갈 수 있지 않느냐는 것입니다. 하지만 실제로는 그렇지 않습니다. 여기도 이유가 많습니다. 그리고 질문은 이겁니다. 저희가 제공하는 오픈소스 모델과 저희가 직접 배포하는 모델이 같은가? 같습니다.

저희는 오픈소스로는 조금 떨어지는 모델을 내고, 실제 배포에서는 더 좋은 모델을 쓰는 식으로 하지 않습니다. 그렇지 않습니다. 똑같습니다. 이것도 결국 충돌이 없다는 것을 보여줍니다. 작년 한 해 내내 C단에서는 사실상 저희가 오픈소스 상태였는데도, C단 서비스에서 충돌을 보지 못했습니다. 정말 충돌이 없었습니다. 그래서 이것이 오픈소스 부분입니다.

그다음은 회사의 장기 vision입니다. 저는 저희 목표가 AGI여야 한다고 생각합니다. 각자 AI에 대한 정의가 다를 수는 있지만, 그렇다고 해서 AGI를 우리의 목표로 삼는 데 방해가 되지는 않습니다. 기술 경로를 보면, 사실 AGI의 로드맵은 비교적 선명합니다.

현재 세대의 AI 기술로 보면, 어떤 문제를 아주 명확히 설명하고, 완전한 맥락과 지시를 주면, 이미 인간을 넘어섭니다. 하지만 여기에는 정의가 있고 전제가 있습니다. 즉 당신이 완전한 맥락과 완전한 지시를 줘야 한다는 것입니다. 그리고 이 조건을 충족하기는 매우 어렵습니다.

예를 들어 오늘 우리가 회의를 하고 있는데, 사실 우리 사이에는 앞에 매우 길고 강한 맥락이 있습니다. 어쩌면 수십 년의 맥락이 있을 수도 있습니다. 그런데 AI는 그것을 갖고 있지 않습니다. 지금 AI가 가질 수 있는 것은 제한된 맥락 안에서 인간보다 더 잘한다는 것입니다. 하지만 여전히 인간을 대체할 수는 없습니다. 여기서 한 가지 더 부족한 점이 바로 지속 학습입니다. 인간도 지속 학습을 할 수 있기 때문입니다.

직원을 한 명 채용하면, 그 사람은 두 달 정도 시간을 들여 회사 환경과 업무를 익히고, 두 달간 적응하면 업무를 시작할 수 있습니다. 그리고 많은 일을 할 수 있습니다. 당신이 말하는 것도 이해할 수 있습니다. 예를 들어 “샤오왕을 불러 와”라고 하면 그가 샤오왕이 누구인지 압니다. 하지만 AI는 그렇지 않습니다. 그 두 달의 학습이라는 맥락이 없기 때문입니다.

AI에게 “샤오왕을 불러 와”라고 하면, 샤오왕이 누구인지, 직무가 무엇인지, 어디에 있는지, 어떻게 찾아야 하는지, 찾을 때 무엇을 주의해야 하는지까지 전부 알려줘야 합니다. AI에게 모든 맥락을 제공해야 합니다. 그런 경우 AI는 할 수 있지만, 모든 맥락을 주는 것은 불가능하고 현실적이지도 않습니다. 그래서 AI는 당신의 직원을 대체할 수 없습니다.

하지만 AI가 지속 학습 능력을 가지게 되어 직원처럼 회사에서 두 달을 학습할 수 있다면,

그때는 천하의 인간을 대체할 수 있습니다. 그래서 저희는 다음 단계까지 하나 부족한데, 바로 학습하는 법을 학습하는 것입니다. AI의 발전은 하나의 계단으로 이해할 수 있습니다. 작년에 올라간 계단은 CoT, 즉 Chain of Thought였습니다. 사고 연쇄 방식을 통해 지능 수준을 더 높은 단계로 올릴 수 있다는 것을 발견했기 때문입니다. 스스로 생각하게 하면 상한이 올라가고, AI가 더 많은 일을 할 수 있게 됩니다. 그래서 저희는 또 하나의 계단을 넘었습니다.

올해의 계단은 Agent입니다. Agent 방식으로 가면 훨씬 더 많은 일을 할 수 있고, 능력 범위가 더 넓어지며, 지능의 상한도 더 높아진다는 것을 발견했기 때문입니다. 왜 계단이냐고요? 뒤의 모든 단계는 앞의 기반 위에 세워지기 때문입니다. Agent는 CoT를 사용해야 하고, CoT도 앞 단계의 기반을 써야 합니다. 앞 단계는 언어 모델입니다. 그래서 어느 한 걸음도 헛걸음이 아닙니다.

그래서 AI의 발전, 지능의 방향은 추적 가능한 것입니다. 올해 가고 있는 계단이 Agent라면, Agent라는 계단도 결국 끝까지 갈 것입니다. 즉 해결 가능한 문제를 다 해결하고 나면, 그래도 여전히 당신의 직원을 대체할 수는 없지만, 그 능력의 상한에는 도달하게 됩니다.

마치 CoT와 같습니다. CoT가 상한에 도달한 뒤에는 이미 최정상 인간을 넘었습니다. 올림피아드 수학 문제나 코딩에서는 최정상 인간을 이미 넘어섰습니다. 하지만 여전히 그 자리에 머물러 있고, 그 기술만으로는 AGI에 도달하지 못했습니다. 그래서 AI의 지능 방향은 추적 가능합니다.

그다음 Agent 이후에 저희가 해결해야 할 문제는 지속 학습이라고 봅니다. 즉 모델이 지속적으로 학습할 수 있게 만드는 것, 강한 한 번의 훈련에 의존하는 것이 아니라 인간처럼 비교적 긴 시간에 걸쳐 지속 학습할 수 있게 만드는 것입니다. 이 문제는 작업 완수 등의 문제와도 같은 문제이며, 서로 관련되어 있고 같은 문제를 해결합니다.

지금 저희는 Agent라는 지점에 서 있고, 다음 병목은 지속 학습이라는 것을 볼 수 있습니다. 다음에 해결해야 할 문제는 지속 학습을 어떻게 해결하느냐입니다. 이것은 보입니다. 비교적 명확합니다. 앞을 가로막는 장애물이고, 반드시 넘어야 하며, 분명히 방법은 있을 것입니다. 다만 시간이 필요합니다. 지속 학습 이후에는 아마 하나의 특이점에 도달할 것입니다.

그 특이점은, 모델이 지속 학습할 수 있게 된 뒤에는 인간이 할 수 있는 모든 일을 할 수 있게 된다는 뜻입니다. 스스로 다음 버전을 개발하고, 스스로 더 연구해서 다음 인공지능 모델을 만들고, 그다음 모델을 또 개발할 수 있게 됩니다. 그래서 자기 반복을 실현하는 특이점에 도달하게 됩니다. 하지만 이 특이점은 사실 진짜 특이점은 아닙니다. 이것도 점진적인 과정입니다.

이 과정은 아마 꽤 긴 점진적 변화일 것이고, 돌연변화는 아닙니다. 다만 습관적으로 우리는 그것을 특이점이라고 부릅니다. 아주 오래전 예언자들이 여기서 특이점이 있을 것이라고 생각했기 때문입니다. 하지만 사실 그것은 특이점이 아니라 연속적인 과정입니다. 그리고 이 단계가 끝난 뒤에야 저는 embodied intelligence, 즉 구체화 지능이라고 생각합니다.

이것이 저희의 추측입니다. 저희가 보기에는 시간표가 이래야 합니다. 먼저 학습하는 법을 학습하는 문제를 해결하고, 그다음 지능의 특이점, 즉 자기 반복이 가능한 특이점에 도달하고, 그다음이 embodied intelligence입니다. embodied intelligence에 도달하면 현실 세계로 들어와 집안일도 해 주고, 노후 돌봄도 해 줄 수 있습니다. 저희는 이것이 꽤 이상적인 로드맵이라고 생각합니다. 하지만 사람마다 관점이 다르고, 옳고 그름은 없습니다. 다만 저희는 이 로드맵이 가장 가볍다고 생각합니다.

이 로드맵은 매 단계마다 새로 해야 할 것이 아주 적기 때문입니다. 이 로드맵이면 저희는 야근할 필요가 없습니다. 하지만 로드맵이 반대로 된다면, 예를 들어 embodied intelligence를 먼저 실현해야 한다면, 굉장히 힘들어집니다. 아주 고된 일입니다. 저희는 그런 로드맵을 원하지 않고, 좀 더 가볍게 하고 싶습니다.

만약 먼저 지속 학습을 해결하고, 그다음 자기 반복 특이점을 해결하고, 그다음 embodied intelligence를 해결한다면, 이 길은 아주 편합니다. 왜냐하면 뒤로 갈수록 앞의 기술로 뒤의 기술 개발을 도울 수 있기 때문입니다. 특이점 이후에 embodied intelligence를 하는 것은 사람이 할 필요가 없습니다. 저희가 직접 할 필요도 없고, 그 모델이 스스로 할 수 있습니다. 그래서 이것이 저희의 장기 목표가 무엇이냐에 대한 답입니다.

저는 그에게 이렇게 말합니다. 이것이 우리의 장기 목표이고, 우리가 말하는 AGI라고요. 다시 현실로 돌아가 보죠. 작년의 가장 중요한 현실은 모두가 Chatbot을 하고, C단 트래픽을 놓고 경쟁한다는 것이었습니다. 올해의 현실은 모두가 To B 수입을 놓고 경쟁하고, 그 안에 들어가야 한다는 것입니다. 참여하지 않으면 아예 판에 없게 되니까요, 그렇죠?

하지만 저희는 그것을 중요한 일이라고 생각하지 않습니다. 혹은 회사 내부에서 정말로 신경 쓰는 것은, 방금 제가 말한 AGI의 로드맵과 다음 기술 단계가 어떻게 돌파될까 하는 것입니다. 그런데 아주 이상한 점이 하나 있습니다. 가장 원하는 것은 오히려 얻기 어렵고, 그렇게까지 신경 쓰지 않는 것은 오히려 비교적 쉽게 얻어진다는 것입니다.

여기에는 전략적 우위가 있습니다. 저희는 마음속으로 AGI를 생각하고 있고, 실제로 하는 것도 AGI입니다. 그래서 응용, C단, B단을 할 때 그 일에 그렇게 많은 마음을 쓸 필요가 없습니다. 사실 아주 적은 에너지만 들이면 됩니다. 저는 기술의 더 높은 고지에 서서 상대적으로 한 단계 낮은 기술을 하는 것은 일종의 차원 축소 타격이라고 생각합니다.

적어도 작년 C단에서는 실제로 그랬습니다. 저희는 C단에 큰 힘을 쓰지 않았고, 한때는 사용자를 유지하는 것조차 별로 원하지 않았지만, 사용자가 떠나질 않았습니다. 정말 내쫓아도 안 나갈 정도여서 결국 다 남았습니다. 조금… 그리고 올해 B단의 수입은 현재로서는 성장세가 비교적 낙관적으로 보입니다. 제 생각엔 동종업계와 비교해도 꽤 좋은 숫자일 것 같습니다.

하지만 저희는 이 일에 큰 에너지를 쓰지 않았습니다. 저희는 아예 일 하나를 별도로 한 것이 아니라, 그냥 하는 김에 한 것입니다. 인터넷 지능의 상용화를 하더라도 AGI로 가는 이 단계는 제가 반드시 지나야 하는 계단입니다. AGI로 가는 길에서 저는 이 계단을 지나야 합니다. 그러니 이 기술들을 모두 API로 서비스한 것이고, 저는 별도의 다른 일을 한 것이 아닙니다. 저희는 여전히 AI를 하고 있고, 이것은 부산물입니다.

저는 API를 유지할 몇 명만 두면 됩니다. 심지어 고객센터도 없고, 영업도 필요 없고, 아무것도 필요 없습니다. 사용자가 스스로 찾아옵니다.

혹은 C단 사용자라고 여겨지는 사람들, C단이든 B단이든 모두 저희가 AGI를 하는 길 위의 부산물입니다. 모두 중간 산출물이고, AGI를 하는 것과 충돌하지 않습니다. 저는 C단을 하기 위해, 혹은 B단을 하기 위해 그것을 하는 것이 아닙니다. 저희가 AGI를 하는 것은 AGI를 하기 위해서이고, 마침 이것이 산출되니 상업화에 가져다 쓰는 것입니다. 이것이 다른 회사와 다릅니다.

다른 회사들은 그것을 위해, C단 사용자를 서비스하기 위해, 혹은 B단 사용자를 서비스하기 위해 그 모델을 만듭니다. 하지만 저희에게는 초심이 그렇지 않습니다. 저희의 초심은 여전히 AGI를 추구하는 것입니다. 저는 이것이 어느 정도 차원 축소 타격이라고 생각합니다. AGI는 더 큰 비전이고, 그 비전은 더 많은 뛰어난 사람들을 결집시킬 수 있으며, 더 강한 결속력을 가집니다.

그래서 저는 조직 측면에서 우위가 있고, 그 우위를 활용해… 그것은 일종의 차원 축소 타격입니다. 만약 당신이 상업 회사이고 비전이 C단 사용자를 잘 서비스하는 것이라면, 그것은 또 다른 이야기입니다. 그들은 제품, 사용자 서비스, 트래픽 측면에서 다른 우위를 가질 수 있지만, 기술에서는 우위가 없습니다. 지금은 모델 기술이 가장 중요한 시기라는 점이 유리합니다.

모델을 잘 만들어야 하고, 그 외의 것은… 네. 그래서 이것이 이전 저희 발전 궤적을 설명해 줍니다. 저희는 정말 AGI를 선택했고, 많은 사용자를 만들겠다고 생각하지 않았습니다. 작년 춘절에 갑자기 인기를 끌었을 때, 그건 저희 각본에 없었습니다. 저희는 그걸 전혀 생각하지 않았습니다. 저희는 그저 이 기술을 잘 만들고 싶었습니다.

하지만 그때 저는 발견했습니다. 우리 조직은 완전히 상업화되어 제품을 목표로 하는 조직과 비교했을 때, 인재와 조직 측면에서 추가적인 우위가 있었습니다. 이것도 매우 신기했습니다. 당시 C단에서 모두 머리 깨지게 경쟁했는데, 경쟁하지 않은 사람이 결국 끌고 갔습니다. 이것도 제가 앞서 말한 논리가 맞다는 것을 보여줍니다. 인재와 조직에서 실제로 우위가 있다는 뜻입니다.

이 인재 우위는 제 사람이 그들보다 더 똑똑하다는 뜻이 아니라, 이 인재들을 어떻게 조직하고, 어떻게 동기부여하고, 어떻게 협업하게 하느냐에서 우위가 있다는 뜻입니다. 왜냐하면 똑똑한 사람들을 모아놓는다고 해서 자동으로 협업이 되는 것도 아니고, 자동으로 어떤 목표를 향해 열정적으로 달려가 완수하게 되는 것도 아니기 때문입니다. 그래서 비전이 필요합니다. 저희의 이전 경험이 저에게 준 깨달음은, AGI라는 비전이 매우 강력하다는 것입니다.

OK, 이것이 질문입니다. 그리고 다음 질문은 핵심 이익의 중요성이 무엇인가입니다.

앞에서 제가 말했듯이, 저희는 많은 면에서 매우 절제해야 합니다. 하지만 우리의 핵심 이익은 무엇일까요? 사실 우리의 핵심 이익은 단 하나뿐입니다. 가장 큰 핵심 이익은 팀의 안정성을 유지하는 것입니다. 이것이 가장 큰 핵심 이익이고, 어쩌면 유일한 핵심 이익이라고 해도 됩니다.

제가 팀의 안정성만 유지할 수 있다면, 저는 반드시 해낼 수 있습니다. 반드시 AGI를 해낼 수 있습니다. 정말 단순합니다. 모두가 떠나지 않고 계속할 수만 있다면, 저는 반드시… 기본적으로 리스크가 거의 없습니다. 다만 조금 빠르냐 늦으냐, 좌절을 겪느냐의 문제일 뿐입니다. 좌절을 겪더라도 모두가 떠나지 않으면 다시 계속할 수 있습니다. 돈은 분명 문제가 아니고, 자원도 문제가 아니며, 다른 요소들은 모두 얻기 쉽습니다.

저희에게는 단 하나의 핵심 이익, 양보할 수 없는 단 하나가 있습니다. 반드시 팀의 안정성을 유지해야 합니다. 이것이 저희가 마주한 매우 큰 도전이고, 어쩌면 가장 큰 리스크라고 생각합니다. 물론 최근 이번 자금 조달로 그 리스크는 꽤 크게 완화되었습니다. 모두가 받은 스톡옵션이 꽤 많고, 금액도 꽤 크기 때문입니다.

팀 안정성 측면에서, 가장 중요한 직원들, 가장 오래된 직원들이 안정되기만 하면 다른 사람들은 잘 떠나지 않습니다. 다른 사람들은 스톡옵션이 적거나 수입이 조금 적더라도 떠나지 않습니다. 그들은 전적으로 돈만 보고 온 것이 아니고, 모두 AGI를 해낼 수 있는 환경에서 이 일을 하고 싶어 하기 때문입니다. 그래서 인재에게는 여전히 매력적입니다.

역사적으로 보면, 저희의 인재 이동은 꽤 적은 편입니다. 동종업계와 비교하면 저희의 인재 유출은 늘 적었습니다. 하지만 그럼에도 이것이 여전히 저희의 가장 큰 도전이고, 유일한 도전이라고 할 수 있습니다. 다른 것은 모두 시간 문제입니다. 다른 것들은 많아야 반년, 1년 늦추는 정도일 뿐, 못 만든다는 뜻은 아닙니다. 돈이 부족하지 않고, 자원이 부족하지 않으며, 사실 이런 것들은 다 부족하지 않습니다.

그래서 지금 저희가 하는 많은 일은 모두 팀 안정성을 유지하기 위한 것입니다. 이 점을 제외하면, 다른 것은 저는 다 포기할 수 있다고 생각합니다. 다 절제할 수 있습니다. 저희는 늘 매우 절제해 왔고, 어느 인터넷 대기업이든 중소기업이든 적이 되기를 원하지 않습니다. 저는 그들에게 힘을 실어 주고 싶고, 모두가 이 일을 하도록 돕고 싶고, 모두가 이 일을 더 잘할 수 있게 돕고 싶습니다.

이 역시 앞에서 말한 저희 사업적 의미의 일부입니다. 전제는 모두가 너무 간섭하지 않는다는 것이고…

이 전제 아래에서 저희는 누구든 기꺼이 돕고 협력할 의사가 있습니다. 심지어 경쟁자, Alibaba, Zhipu, Moonshot 같은 곳이 더 잘할 수 있도록 돕는 것도 마찬가지입니다. 왜냐하면 저희는 아무것도 잃지 않기 때문입니다. 어차피 저희는 오픈소스이고, 오픈소스도 경계를 최대한 분명히 설명하며 어떻게 해야 하는지, 재현할 수 있기를 바랍니다. 재현하지 못하면 물어보면 되고, 제가 어떻게 재현하는지 알려주면 됩니다. 그것이 원래 오픈소스의 일부입니다. 경쟁자라고 해서 달라지지 않습니다.

물론 협력 파트너라면 제가 더 많은 일을 해 주겠죠. 하지만 큰 이익 차원에서는 충돌이 없습니다.

외부와 교류할 때 저희 태도는, AGI의 메인 라인만 한다는 것입니다. 방금 말한 GPT, CoT, Agent 같은 것들만, 메인 라인만 합니다. AI 분야는 매우 넓고, 저희가 보기에 이 메인 라인 위에 있지 않은 것들이 많습니다. 예를 들어 3D, 비디오 생성은 지능의 메인 라인과 큰 관련이 없다고 생각하고, 그래서 하지 않습니다.

또 어떤 것들은, 예를 들어 세계 모델은 지금 지능의 상한과 큰 관련이 없다고 생각합니다. 그래서 그것도 하지 않습니다. 하지만 다른 사람들이 한다면 저희는 기꺼이 돕습니다. 시간이 있느냐는 별개의 문제지만, 이익 차원에서는 충돌이 없습니다. 저희는 이런 AI 기술이 다양한 생산 환경에 적용되어 사회 생산성을 높이고, 각 산업의 생산성 향상에 도움이 되기를 바랍니다.

저희는 이 일을 하는 동기가 매우 큽니다. 제가 시간이 있느냐, 사람이 있느냐, 혹은 저희 동료들이 흥미를 느끼느냐는 또 다른 문제입니다. 하지만 이익 차원에서는 충돌이 없고, 저희는 그 목적이 이루어지길 바랍니다. 그리고 저희는 이것이 상업과 아무 충돌도 없다고 생각합니다. 제가 받아야 할 이익도 여전히 줄지 않습니다.

저희가 이전부터 이런 태도를 유지해 왔지만, 실제로 이것 때문에 어떤 것을 덜 가져간 적은 없습니다. 오픈소스 때문이든, 저희의 선의 때문이든, 혹은 다른 사람을 도왔기 때문이든, 저희가 가져갈 것을 덜 가져간 적은 전혀 없습니다. 예를 들어 작년 C단 사용자, 저희는 지금도 C단 사용자가 꽤 많고, 꽤 안정적입니다. 올해 B단도 저는 꽤 낙관적이라고 생각합니다.

저희의 선의가 저희 상업적 이익에 영향을 준 적은 전혀 없습니다. 오히려 플러스가 되었을 수도 있습니다. 직관에 어긋나 보이지만 실제로 그렇습니다. 반대로 생각해 봅시다. 이것을 거스르면 제가 더 많이 가져갈 수 있었을까요? 아닙니다. 한 질문은 세계 모델이 왜 AI 지능 상한 향상과 관련이 없다고 보느냐는 것이죠. 제가 말한 것은 현 단계에서의 저희 판단입니다.

저희는 이것이 저희만의 AI 로드맵이지 유일한 로드맵은 아니라고 봅니다. 저희의 이해와 판단으로는, 현재 가장 중요한 것은 AI training을 잘하는 것입니다. AI training을 잘하는 데 세계 모델은 필요 없고, 심지어 멀티모달도 필요 없습니다. AI의 훈련 범위를 조금 줄이고 멀티모달이 없으면 못 하는 과제가 일부 생길 뿐이지, 알고리즘 자체가 성립하지 않는 것은 아닙니다. 멀티모달은 결국 해야 합니다.

지금 중요한 것은 training이고, 그다음 해결해야 할 것은 지속 학습 문제이며, 그다음은 스스로 질문하게 만드는 것입니다. 그런데 이 로드맵 안에는 세계 모델도 없고 비디오 생성도 없습니다. 비디오 생성은 처음 나왔을 때 아주 뜨거웠습니다. 마치 이것을 반드시 해야 하고, 하지 않으면 AI 회사가 아닌 것처럼 여겨졌습니다.

그래서 저는 좀 이상했습니다. 사실 조금만 생각해 보면, 그것은 지능의 로드맵과 별 관계가 없습니다.

실제로도 보셨듯이, Sora가 나온 뒤 모두가 했습니다. 대기업도 소기업도 모두 했습니다. 그런데 나중에는 소기업들이 다 잘라냈습니다. 지능의 상한과 관계가 없기 때문입니다. 다만 상업적으로는 좋은 사업입니다. 상업적으로 좋은 사업이긴 합니다. 하지만 지능과는 큰 관계가 없습니다. 저희는 그것이 좋은 비즈니스라서 하는 것이 아니라, 그것이 지능 로드맵 위에 있기 때문에 하는 것입니다.

비디오 생성은 비교적 명확해서 예로 든 것입니다. 세계 모델은 그 의미가 그렇게 명확하지 않습니다. 많은 것을 세계 모델이라고 부를 수 있기 때문입니다. 저희 판단으로는 세계 모델과 지능은 아직 이 단계에서 가장 중요한 일이 아닙니다. 가장 중요한 것은 AI training이고, 그다음 training 이후에 지속 학습을 어떻게 해결할지입니다.

이것이 저희 회사의 판단입니다. 물론 회사마다 판단은 다릅니다. 방금 제가 말한 것은, 회사 입장에서 가장 중요한 문제가 인력의 안정성이라는 것이었습니다. 또 다른 차원에서 보면, 저희는 무엇이 부족할까요? 미국과의 차이는 무엇일까요? 사실 차이는 단 하나, 자원입니다. 저희는 카드가 그렇게 많지 않고, 카드 수량도 여전히 적습니다.

현재 저희는 대략 H 환산 연산력으로 2만 장 정도입니다. 그중 대부분은 막 도착했고, 최근 한두 달 안에 들어왔으며, 아직 도착하지 않은 장비도 많습니다. 지난해 전체 연산력은 비교적 적었고, 올해는 매우 공격적으로 확충하고 있습니다. 현재 대략 2만 장 H 환산이고, 앞으로 몇 달 동안도 대량의 장비를 더 구매할 예정이며, 기본적으로 모두 NVIDIA입니다.

저희에게 카드가 얼마나 필요하냐고요? 지금은 당연히 많을수록 좋습니다. 저희가 감당할 수 있는 범위 안에서는 카드가 많을수록 좋습니다. 이것은 의심의 여지가 없습니다. 그래서 지금 전략은, 합리적인 가격 안에서 살 수 있는 만큼 다 사는 것입니다. 이 자금을 다 쓰고 난 뒤에도 얼마나 많은 카드를 살 수 있느냐에 따라, 살 수 있는 만큼 다 살 것입니다. 돈을 쓰는 속도는 계획에 없고, 가격만 합리적이면 얼마든지 삽니다.

만약 반년 안에 돈을 다 써 버릴 수 있다면, 저는 그게 좋은 일이라고 생각합니다. 반년 안에 돈을 다 쓸 수 있다면 너무 행복하고, 너무 이상적입니다. 실제로는 그렇게 많은 돈을 다 쓰기가 쉽지 않습니다. 그렇게 많은 카드를 살 수가 없고, 사기도 어렵고, 가격도 높습니다. 그렇다고 아주 비싼 가격으로 살 수도 없고, 가격이 합리적인지도 확인해야 합니다.

반년 안에 이 돈을 다 써 버릴 수 있다면 가장 이상적일 것입니다. 돈을 NVIDIA 카드로 바꾸는 것이 은행에 두는 것보다 확실히 낫기 때문입니다. 은행에 두면 지금도 아마 예금 금리가 2퍼센트 정도일 겁니다. 하지만 NVIDIA 카드는 10개월 사회적 비용 회수입니다.

그래서 살 수 있는 만큼 사야 합니다. 카드를 먼저 사 두고 나면, 뒤에 공간은 많습니다. 서비스를 제공하든 어떻게 하든, 현금흐름은 언제나 만들 수 있습니다. 현금흐름이 있으면 살 수 있고, 장부상에 현금을 아주 많이 쌓아 둘 필요도 없습니다. 그래서 저희는 그렇게 많은 카드를 못 사는 것만 걱정합니다.

돈을 모두 카드로 바꿀 수 있다면, 저희는 망설이지 않고 모든 돈을 카드로 바꿀 것입니다. 그리고 이 과정에서 일정한 프리미엄을 지불할 의향도 있습니다. 카드로 바꾸기 위해 어느 정도의 프리미엄을 감수할 의향이 있습니다. 그것이 너무도 값어치 있기 때문입니다. 프리미엄을 지불하고 나서도 사실 목표를 이루기 어렵습니다. 객관적으로 말하면, 올해 200억을 쓸 수 있다면 우리 조달 부서의 실적은 엄청난 수준일 것입니다.

저희와 미국의 차이는 주로 자원에 있고, 인력 차이는 크지 않습니다. 사람 측면에서는 거의 차이가 없습니다. 같은 사람들, 어쩌면 같은 중국인들이기 때문입니다. 중국인이 밖으로 나가면서 어떤 사람은 국내에 남고, 어떤 사람은 해외에 남습니다. 해외에 간 사람이 더 똑똑한 사람이라서 간 것은 아닙니다. 그렇지 않습니다. 사실 상당히 랜덤합니다.

가장 똑똑한 사람들 가운데 절반 조금 넘게 해외에 있고 절반 조금 덜이 국내에 남았다고 볼 수도 없습니다. 국내 인재는 부족하지 않고, 모수도 큽니다. 매년 그렇게 많은 사람이 보충됩니다. 인재는 병목이 아니고, 자원이 가장 큰 병목입니다. 자원은 우선 인재 양성에 영향을 줍니다. 연산력이 적으면 저희가 할 수 있는 실험 기회가 적고, 그래서 전체적으로 인재가 미국보다 뒤처집니다. 인재 격차의 본질도 결국 연산력 격차입니다.

현재 가장 큰 모델은 사실 저희가 훈련할 수 없습니다. 500억을 전부 써도 훈련할 수 없습니다. 억지로 쌓아도 운용할 수 없습니다. 지금 가장 큰 모델은 활성 파라미터가 대략 800B입니다. 국내는 아직 수십 B 규모에 머물러 있습니다. 국내 최대 모델도 수십 B 활성 수준이고, 즉 한 자릿수 차원이 아니라 한 자릿수 규모 차이가 납니다.

제가 미국과 같은 규모의 모델을 훈련하려면, 아마 5만 장 GB300이나 Huawei 950 기준으로 20만 장 카드가 필요할 것입니다. 이것은 훈련만 고려한 것이고, 연구는 아직 고려하지 않았습니다. 그래서 저희와 미국의 가장 큰 차이는 자원입니다. 지금 저희 자원, 그리고 올해 안에, 앞으로 몇 달 안에 확보할 자원, 곧 들어올 대규모 자원도 모두 10B 활성 규모에서 더 많은 실험을 하기에는 충분합니다.

왜냐하면 수십 B 활성 규모 안에서도 아직 해야 할 실험이 많고, 분명히 해야 할 일이 많기 때문입니다. 저희가 800B 모델을 훈련할 수 있기까지는 아직 멀었고, 시간이 많이 필요합니다. 카드가 그렇게 많지 않기 때문입니다. 그래서 미국과의 차이는 저는 자원 차이라고 봅니다.

저희는 우리가 보는 모든 차이, 인재 차이, 모델 능력 차이, 응용 차이까지도 모두 연산 자원 차이에서 비롯된 것이라고 볼 수 있다고 생각합니다.

연산 자원은 한편으로는 국내에서 카드 자체를 살 수 없다는 문제이고, 또 한편으로는 미국보다 자본 투입이 적다는 문제입니다. 자본 투입 구조에서 인재 급여가 차지하는 비중은 매우 낮습니다. 그들이 1억 달러 연봉을 준다고 해도, 계산해 보면 인재 급여 비중은 여전히 작고, 큰 비중은 연산력입니다. 이 문제는 현재로서는 기본적으로 답이 없습니다. Huawei의 생산량도 제한적이기 때문입니다.

제가 800B를 훈련하려면 Huawei 최신 카드 20만 장이 필요합니다. 이것도 훈련만이고, 연구는 아직 고려하지 않은 것입니다. 그래서 저희는 지금 그렇게 큰 규모로 미국과 경쟁하겠다는 생각을 전혀 하지 않습니다. 지금은 우리가 훈련할 수 있고, 감당할 수 있는 규모, 즉 수십 B 활성 규모에서 먼저 잘해 내야 합니다.

다음 단계에서 자원이 더 생기면, 그때 150B, 156B, 혹은 250B 활성 규모로 가는 것입니다. 그래서 저희와 미국 사이에는 지금 보기에 메우기 어려운 격차가 있습니다. 억지로 그렇게 큰 모델을 훈련할 수는 있지만, 충분한 연구를 할 수는 없습니다. 훈련 전에 충분한 연구를 할 수 없다는 뜻입니다.

또 모두가 꽤 관심 가지는 질문이 하나 있습니다. 대형 모델 경쟁의 종국에서는 차이가 어디에서 나타날까? 즉 최종적으로 대형 모델의 차이는 어디에서 드러날까? 저는 그 차이는 결국 그리 크지 않을 수도 있다고 생각합니다. 최종적인 차이는 세 가지 정도일 것입니다. 하나는 비용, 하나는 시간, 하나는 사용자 경험입니다. 그 외에는 아마 큰 차이가 없을 것입니다.

비용은 이해하기 쉽습니다. 같은 서비스, 같은 품질의 서비스를 어떤 비용으로 제공할 수 있느냐입니다. 같은 서비스를 예로 들면 BYD 배터리처럼, 동일한 기술 수준에서 다른 회사가 이 가격으로 제공할 수 있느냐가 어렵습니다. 이것은 쉽지 않고, 분명한 진입장벽입니다. 그래서 비용은 분명 차별 요소이고, 어쩌면 첫 번째 차이일 수 있습니다.

두 번째는 시간입니다. 언제 그것을 해내느냐입니다. 몇 달 빠르냐 늦느냐에 따라 다릅니다. 세 번째는 사용자 경험일 수 있습니다. 사용자 경험은 여전히 조금씩 다를 수 있고, 사용자 점착성과 진입장벽도 있을 수 있습니다. 하지만 본질적이진 않을 겁니다. 본질은 첫째 비용, 둘째 시간입니다. 먼저 해내느냐, 나중에 해내느냐. 같은 것을 더 빨리 하느냐, 더 느리게 하느냐입니다.

장기 상업화 경로와 제품 라인이 더 풍부해진 뒤 가격은 어떻게 정할 것인가? 저희는 지금 가장 가치 있고 에너지를 들일 만한 일은 여전히 AGI를 하는 것이라고 생각합니다. 지금은 AGI를 더 앞으로 밀어야 하고, 지능의 하한을 더 끌어올리고 앞으로 미는 것이 중요합니다. 이것이 현 단계에서는 더 많은 제품 라인을 만들고, 더 많은 상업화 경로를 고민하는 것보다 더 이득이 크고, 더 큰 수익을 가져오는 길입니다.

저는 앞으로 한동안, 그리고 과거 어느 시점에서도 아마 그랬을 것이라고 생각합니다. 즉 만약 저희가

많은 시간을 들여 제품을 풍부하게 만드는 것을 고민한다고 해서 무슨 소용이 있을까요? 반년 전에 논의한 상업화는 아마 광고를 하고, 전자상거래를 하고, 제품 안에 전자상거래를 심고, 로컬 라이프와 깊이 결합하는 것이었을 겁니다. 하지만 분명 소용이 없습니다. 변화가 너무 빠르기 때문입니다.

당신이 제품이 앞서 있는 단계, 혹은 지금 같은 단계에서 상업화 경로와 제품 라인을 깊이 고민하는 데 많은 시간을 쓴다면, 그 제품의 수명 주기는 아주 짧습니다. 아직 그때가 아니라고 생각합니다. 이것이 저희의 판단이고, 적어도 이전 경험은 모두 이 판단을 지지합니다. 지난 3년 동안 어느 시점에 와서 상업화 경로와 제품 라인을 이야기했더라도, 그건 시간 낭비였습니다. 미래를 예측하거나 미리 볼 수 없기 때문입니다.

당신이 예측할 수 있는 것은 아주 적습니다. 시간을 보니, 여러분 혹시 중간에 쉬었다 갈까요? 뭘 좀 드실까요? 아니면 계속 이야기할까요? 다들 이견이 없으면 계속하겠습니다. 세계 최고 수준의 AGI 연구를 하고 적절한 시점에 상업화를 하겠다는 것에 대해, 저희는 사실 늘 상업화를 해 왔다고 생각합니다. 저는 저희가 늘 상업화를 해 왔다고 생각합니다. 다만 상업화를 목표로 하지 않았을 뿐입니다.

저희는 AGI를 목표로 했지만, 계속 상업화를 해 왔습니다. 그래서 C단 사용자도 있고, B단 수입도 있는 것입니다. 역사적 경험으로 보면, 이 전략은 성공적이었습니다. 그리고 저는 저희가 완전히 상업화로 전환하는 시점은 아직 멀었다고 봅니다. 가장 큰 것은 여전히 기술의 연장선이고, 다음 세대 기술을 하며, 지금의 문제를 더 많이 해결하는 것입니다.

이 수익 대비 효과는, 개인적으로 보기에 지금 보이는 미래에서는 어느 시점이든 제품에 집중하는 것은 너무 이릅니다. 이것도 저희 절제의 일부입니다. 저는 이런 상업적 기회들이 다른 사람들이 하게 되기를 바랍니다. 이 AI를 어떻게 쓸지는 사회 전체와 모든 파트너가 함께 하고, 모두 함께 그 이익을 나눠 가지기를 바랍니다. 제가 독식하고 싶지 않습니다. 그것은 불가능합니다.

그리고 저희에게는 그렇게 많은 에너지도 없고, 그런 일을 할 만큼 조직에 사람도 많지 않습니다. 협력 파트너에 관해서는, 저희 이번 자금 조달은 매우 신중하게 고른 것입니다. 구체적으로 어떻게 협력할지는 별도의 제안이겠지만, 우선은 이익이 비교적 일치합니다. 저희와 이익이 가장 일치하고, 저희에게 가장 적대적이지 않으며, 저희가 성공하기를 가장 바라는 쪽들입니다.

모든 사람이 저희가 성공하기를 바라는 것은 아닙니다. 왜냐하면 저희는 여전히 많은 다른 사람들의 이익을 건드렸기 때문입니다. 회사의 중대한 전략, 기술·비즈니스 결정의 프로세스와 의사결정 메커니즘에 대해 말씀드리면, 저희 회사는 전체적으로 공감대를 기반으로 세워져 있습니다. 제가 혼자 모든 것을 결정하는 것이 아니라, 공감대를 찾는 방식입니다. 회사 내에서 제 권위와 영향력도 공감대를 기반으로 합니다.

예를 들어 제가 어떤 일을 하려면, 당연히 먼저 모두의 공감대가 무엇인지, 다들 하고 싶어 하는지 봅니다. 물론 제가 약간의 유도나 기울기는 줄 수 있지만, 그 유도의 힘은 제한적입니다. 매우 제한적입니다. 여전히 공감대를 기반으로 합니다.

이 의사결정 메커니즘은 사실 공감대를 찾는 메커니즘입니다. 제가 무언가를 밀어붙일 수 있다는 것이 아니라, 반드시 공감대가 있어야 추진할 수 있고, 그럴 때만 추진합니다. 현재 주요 에너지는 기본적으로 DeepSeek 쪽에 있습니다.

(중략)

각 회사 모델의 최종 효과 차이는 결국 종합적인 것이어야 합니다. 모델 효과를 비교할 때는 반드시 같은 비용 위에서 비교해야 의미가 있습니다. 차 두 대를 비교할 때도 같은 가격대 차를 비교하잖아요. 잘 만든 모델과 못 만든 모델의 차이는 특정한 어느 한 단계가 아니라 전체적인 수준에서 나타날 것입니다. Anthropic가 지금 OpenAI를 추월한 것이 장기적이냐고요?

저는 그것이 장기적이라고 생각하지 않습니다. 분명 단계적인 현상입니다. OpenAI와 Google은 앞으로 높은 확률로 번갈아 상승할 것입니다. 실제로 Anthropic의 Code Agent 우위는 그렇게 크지 않습니다. OpenAI를 압도한다고 말할 정도는 아닙니다.

저희 회사에서도 절반 정도는 평소 OpenAI가 더 낫다고 생각합니다. 사실 Anthropic는 선점 우위가 있지만, 그 우위는 곧 사라질 것입니다. 장기적으로 지켜낼 수 있는 우위는 아닙니다. 이 세 회사는 모두 대단합니다. 이 세 회사 중에서 효율이 가장 높은 곳은, 비용과 태운 돈이 가장 적은 곳일 것입니다.

글로벌 AI의 주도적 분업 구도에서는, 중국 회사가 맡을 가능성이 큰 역할은 여전히 최대 생산량 제공자일 것입니다. 상식적으로도 저희는 생산능력이 가장 큽니다. 칩도 아마 저희 생산능력이 가장 크고, 전력도 가장 많습니다. 그래서 최종적으로 AI에서도 저희는 아마 세 축 중 하나가 될 가능성이 큽니다.

중국인은 이 제품을 가장 싸게 만들 것입니다. 그리고 효과 면에서도, 해외 상품을 보더라도 지금 많은 제품은 중국산과 미국산 사이에 큰 차이가 없습니다. 미래에는 AI도 그럴 수 있습니다. 다만 중국산 AI는 더 저렴할 것입니다. 이 저렴함은 체계적으로 낮은 가격일 수 있습니다. 다른 산업에서 중국이 더 싼 서비스를 제공하는 것과 비슷할 수 있습니다.

저는 일을 할 때 항상 지금 이 시점에 무엇을 하는 것이 가장 수익이 큰지를 생각하는 습관이 있습니다. 만약 지금 제품을 하는 것이 가장 이익이 크다고 생각하면 제품을 할 것입니다. 만약 지금 AGI를 먼저 실현하는 것이 가장 이익이 크다고 생각하면 AGI를 먼저 할 것입니다. 분명히 저는 지금 제품을 하는 것이 가장 이익이 크다고 생각하지 않습니다. 국산 카드 적응 문제에 대해서는, 지금 사실 역사적인 기회가 있습니다.

이전에는 국산 카드 적응에 생태가 좋지 않다는 어려움이 있었습니다. 카드를 사 와도 쓸 수 없었고, NVIDIA 같은 생태가 없었습니다. 그래서 NVIDIA의 해자는 매우 강했습니다.

하지만 이것이 변하고 있습니다. NVIDIA CUDA의 해자는 빠르게 무너지고 있습니다. 빠르게 무너지는 이유는 아마 세 가지입니다. 첫째는 지금 AI가 생겼다는 점입니다. AI가 생긴 뒤에는 이 생태를 구축하는 일이 예전보다 훨씬 쉬워졌습니다. AI가 코드를 쓸 수 있기 때문입니다.

AI로 이 생태를 구축하면 NVIDIA와 똑같은 생태를 만들어 낼 수 있습니다. 첫째는 AI가 있기 때문이고, 둘째는 새로운 기술이 있기 때문입니다. 예를 들어 저희 쪽에서 TileLang이라는 기술이 나왔습니다. 일종의 고급 언어입니다.

이 고급 언어로 CUDA 연산자를 쓰면, NVIDIA의 전체 생태를 아주 빠르게 한 번 다시 쓸 수 있습니다. 여기에 AI까지 결합하면, 이 길에는 별 장애가 없어 보입니다. 물론 지금 아직 끝난 것은 아니고, 다 만들지도 않았습니다. 하지만 기술 경로상으로는 별 장애가 없어 보입니다.

또 하나는 CUDA가 원래 게임 카드에서 진화해 왔기 때문에, 많은 부분에서 게임 카드의 설계와 설정을 이어받고 있다는 점입니다. CUDA는 게임 카드와 호환됩니다. 과거에는 AI 계산이 아주 작은 분야였고, 시장도 게임 카드보다 작았기 때문에 이것이 합리적이었습니다. 하지만 지금은 계산 카드 시장이 게임 카드 시장보다 더 커졌고, 둘이 계속 묶여 있을 이유가 없어졌습니다.

지금의 추세는 앞으로 더 이상 그렇게 묶이지 않는다는 것입니다. 그러면 전용 칩은 Huawei든 NVIDIA 자체든 앞으로 모두 전용 칩이 될 것이고, 예전과 같은 형태는 아닐 것입니다. 이런 배경에서 기존 NVIDIA 생태의 역할은 크게 줄어듭니다. 전용 칩에게는 CUDA와 큰 관계가 없기 때문입니다. CUDA에 묶여 있는 것이 아닙니다.

혹은 이 칩이 설계될 때부터 이미 이 생태를 어떻게 만들지 고려한다는 뜻입니다. 조금 복잡하지만, 아무튼 지금은 국산 AI 칩 대체에 역사적 기회가 있습니다. 저희는 앞으로 1년 안에 하나의 검증이 가능하다고 봅니다. 국산 칩 생태에는 전혀 문제가 없다는 것이 검증될 것입니다.

이전에는 문제가 있다고 여겨졌고, 쓸 수 없고, 쓰기 어렵다고 여겨졌습니다. 하지만 앞으로 1년 안에 그 인식을 뒤집을 수 있을 것이고, 사실로 뒤집게 될 것입니다. 국산 AI 칩의 하드웨어와 생태에는 문제가 없고, 유일한 문제는 생산능력이 부족하다는 것입니다. 국산 카드 적응에는 장애가 없고, NVIDIA도 막지 못합니다.

만약 정상적인 상업 환경에서 NVIDIA 카드를 살 수 있다면 국산 대체는 비교적 어렵습니다. 하지만 NVIDIA 카드를 살 수 없는 상황에서는 모두 어쩔 수 없이 국산 칩을 해야 합니다. 이런 배경에서는 국산 카드 적응에 아무 장애가 없습니다. 국산 카드가 NVIDIA와 같은, 심지어 더 나은 생태를 구축하는 것에도 저는 장애가 없다고 봅니다. 다만 시간이 더 필요합니다.

현재 저희는 주로 Huawei와 협력하고 있습니다. Huawei는 그들 스스로 적응 작업을 하지만, 저희도 그 생태에 참여하고, Huawei 쪽에 깊이 참여합니다. Huawei의 문제는 여전히 생산능력 부족입니다. 예를 들어 Huawei가 저희에게 준 것은 대략 1만6천 장 카드 생산능력입니다. 인터넷 대기업은 아마 수십만 장이고, 저희는 1만여 장이니 이 비율도 꽤… 하지만 이것도 아마 Huawei의 총생산능력이 그 정도이기 때문일 것입니다.

그래서 저희는 Huawei로 더 큰 다음 모델을 훈련하겠다는 기대를 할 수 없습니다. 혹은 수백 B 활성 파라미터 모델을 훈련하겠다는 것은 올해는 어렵습니다. 하지만 내년이나 후년에는 기회가 있을지도 모릅니다. Huawei 카드 적응에서 저희가 주로 하는 일은 그들의 고급 언어 컴파일러를 잘 만드는 것, TileLang을 잘 만드는 것입니다. TileLang을 잘 만들면 문제가 아마 자연스럽게 풀릴 수 있습니다.

이 일은 말로 설명하면 조금 복잡하지만, 저희는 하고 있고, 끝난 뒤에 다시 설명하면 훨씬 명확할 것입니다. 이렇게 이해하셔도 됩니다. V3를 훈련할 때는 여전히 NVIDIA 카드를 썼지만, 이미 NVIDIA 생태는 쓰지 않았습니다.

V3는 NVIDIA 카드를 썼지만 NVIDIA 생태는 쓰지 않았고, 먼저 TileLang이라는 고급 컴파일러를 만들고, TileLang 생태를 기반으로 나머지 모든 일을 수행했기 때문에 사실상 NVIDIA 생태에 거의 의존하지 않았습니다. 이 전체 체계를 Huawei 카드 위에 다시 한 번 만들기만 하면 끝나는 것입니다.

저는 이것이 역사적인 사명이 될 수 있다고 생각합니다. 이전에 사람들이 국산 카드 생태가 나쁘다고 생각했던 인식을 완전히 뒤집을 수 있기 때문입니다. 지금은 하늘의 때와 땅의 이로움이 거의 다 갖춰졌고, 시간만 남았습니다. 1년 안에 아마 많은 사람들이 이 문제는 해결됐다고 이해하게 될 것이고, 남는 것은 생산능력 문제뿐일 것입니다. 저는 국산 연산력에 대해 비교적 낙관적입니다. 이 점에서는 NVIDIA가 자기 무덤을 파고 있다고 봅니다.

Huawei의 슈퍼노드, Huawei 950 슈퍼노드는 성능과 가격 면에서 NVIDIA GB200, GB300을 완전히 대체할 수 있습니다. 가격은 분명 더 비싸겠지만, 제한적으로만 비쌉니다. 50퍼센트 비싸도, 100퍼센트 비싸도 상관없습니다. 100퍼센트 비싸도 저는 가격 면에서 대체 가능하다고 봅니다.

작업 측면에서도 완전 대체 가능합니다. GB300이 할 수 있는 모든 작업은 Huawei 슈퍼노드도 할 수 있고, 지연 시간도 같습니다. 유일한 대가는 Huawei 카드 4장이 NVIDIA 카드 1장을 대체하고, 동시에 2년 뒤처진다는 것입니다. 4장이 1장을 대체한다는 것은 이해하실 수 있을 겁니다. 2년 뒤처진다는 것은 시간상 2년 뒤처진다는 뜻입니다.

Huawei 950 슈퍼노드는 올해 Q3나 Q4 물량이고, NVIDIA GB200은 2년 전 Q3 물량입니다. 2년 차이입니다. NVIDIA는 올해 Q3에 이미 차세대가 나올 수도 있습니다. 그래서 저희와 미국의 칩 격차는, 앞으로 생태에서는 더 이상 차이가 없겠지만, 칩에서는 4배와 2년의 차이입니다.

또 다른 질문은 저희가 상류로 수직 통합을 할 것인가입니다. 저는 하지 않기를 바랍니다. 또 하나의 질문은 저희가 상류 응용 쪽으로 수직 통합을 할 것인가인데, 저희는 그러지 않기를 바랍니다. 다른 사람들이 이 일을 해 주기를 바랍니다. 저는 모든 것을 다 먹고 싶지 않습니다. 한 조각이면 충분합니다. 제가 가장 잘하는 한 조각, 혹은 저희가 가장 핵심적이라고 생각하는 한 조각, 그리고 사용자와

직접 관련된 그 부분이면 충분합니다. 많은 산업 파트너들에게는 그들이 저희보다 더… 아마 그것은 그들 자신의 의미여야 하고, 제가 다 해석해 버리면 안 될 것입니다. 앞으로 대형 클러스터를 직접 지을 것이냐고요? 직접 짓는 것은 당연히 해야 합니다. 저희는 계속 그렇게 해 왔고, 모든 클러스터를 직접 구축했습니다.

하지만 앞으로 자체 칩까지 할 것이냐는, 거기서 수익이 얼마나 크냐에 달려 있습니다. Tesla, 육성… 이런 일 말입니다. 예를 들어 발전소를 운영한다고 해서 꼭 발전기를 직접 만들 필요는 없잖아요? 발전 설비는 다른 사람이 만들어도 되고, 가격만 합리적이면 왜 직접 만들겠습니까? 그래서 저는 칩을 직접 하지 않아도 되길 바랍니다. 합리적인 가격으로 칩을 살 수 있으면, 굳이 직접 할 필요가 없습니다.

이렇게 될 가능성이 높다고 봅니다. 최근 NVIDIA 칩의 이익률이 그렇게까지… 비록… 저희는 한 부분만 하길 바랍니다. AI라는 일은 매우 크고, 저는 전부 할 필요가 없습니다. 한 부분만 하면 됩니다. 거기에 집중하고, 그 비즈니스 이익이 이미 충분히 크다고 봅니다. AI 시대에 수조 규모 회사가 많이 나올 것이고, 저희도 그중 하나라고 생각합니다.

저희는 그중 한 작은 조각만 꾸준히 해도, 그중 하나가 되는 데는 문제가 없습니다. 제가 모든 것을 다 해야 할 필요는 없습니다. 저는 아주 의기양양하게 모든 걸 하겠다는 생각이 없습니다. 변하지 않기 어려운 부분이 가장 가능성이 높다고 생각합니다. 그리고 정말 다른 일을 하고 싶어지면 또 더 많은 아이디어가 생길 것이고… 이것이 저희 태도입니다.

예를 들어 적어도 To B와 To C 두 사업에서, 현재 보이는 바로는 진짜로 To C 폐쇄 루프를 만들고 싶어 하는 쪽보다 오히려 저희가 더 잘하고 있고, 진짜로 To B 폐쇄 루프를 만들고 싶어 하는 쪽도 어쩌면 저희보다 못할 수 있습니다. 더 많이 원할수록… 그리고 To B는 조금 더 얘기할 수 있습니다.

To B 사업의 상한은 결국 수요일 것입니다. 현재 세대 AGI, AI 기술 배경에서 To B 수요는 한계가 있을 것입니다. 빠르게 성장하겠지만 무한대로 큰 일은 아닙니다. 결국은 연산력이 아니라 수요의 제약을 받습니다. 현재 기술 조건에서는 수입이 얼마나 커질지는 결국 수요에 달려 있습니다.

이렇게 생각해 보세요. 제가 10개월이면 원금을 회수할 수 있으니, 쓸 곳만 있다면 당연히 바로 삽니다. 안 사는 이유는 그렇게 많은 일이 없기 때문입니다. 네, 수요는 기술이 계속 돌파되면 점점 더 커질 것입니다.

멀티모달 배치는 저희가 계속 하고 있습니다. 제품 측면에서는 중요합니다. C단 사용자 제품에는 중요합니다. 하지만 지능의 상한에 대해서는 하나의 컴포넌트일 뿐이고, 메인 라인 그 자체는 아닙니다. 하지만 컴포넌트로서 멀티모달은 당연히 할 것이고, 실제로 하고 있습니다. 관련 모델도 아마 나올 것입니다. V4와 V4 후속 버전은 네이티브 멀티모달을 지원하게 될 것입니다.

하지만 저희는 멀티모달을 지능 자체로 보지 않고 하나의 컴포넌트로 봅니다. 검색이 하나의 컴포넌트인 것처럼, 멀티모달도 마찬가지라고 이해합니다. Scaling에 대해서는, 저희는 Scaling을 믿습니다. 규모가 클수록 효과가 더 좋고, 더 많은 기능을 해금할 수 있다고 봅니다.

저희의 Scaling을 막는 것은 연산력입니다. 저희가 Scaling을 원하지 않아서가 아니라, 그렇게 할 연산력이 없기 때문입니다. 상한이 어디인지 아직 만져 본 적도 없습니다. 저희가 이렇게 큰 모델을 훈련하는 것은 이 정도 크기면 충분하다고 생각해서가 아니라, 제가 가진 자원이 딱 이 정도이기 때문입니다.

저는 제 자원을 기준으로 계산합니다. 제가 감당할 수 있고 훈련할 수 있는 모델이 얼마나 큰가를 따지는 것이지, 이 모델이면 충분하다고 생각하는 것이 아닙니다. 현재로서는 모델의 수익은 여전히 매우 뚜렷합니다. 저희는 아직 Scaling의 벽을 만날 기회조차 없었습니다. 그것은 아직 아주 멉니다.

실리콘밸리에서 Scaling이 끝났다고 말하는 것은 실리콘밸리 이야기입니다. 중국인에게는 그것이 아주 멉니다. 저희는 아직 그렇게까지 Scaling해 보지도 못했습니다. 이 Scaling에는 데이터 Scaling, 모델 규모 Scaling, 그리고 훈련 비용이 포함됩니다. 저희는 이 Scaling의 상한을 탐색하기에는 아직 한참 멉니다. 연산력이 그만큼 없기 때문입니다.

하지만 저희도 이 Scaling의 상한을 전력을 다해 밀어붙일 것입니다.

자금 조달이 끝난 뒤 연산력이 더 많아지면, 더 큰 모델을 훈련할 수도 있습니다. 얼마나 빨리 살 수 있느냐가 중요합니다. 가능한 한 짧은 시간 안에 살 수 있어야 합니다. 반년 안에 에너지를 다 써 버릴 수 있다면 가장 좋지만, 실제로는 어렵습니다. 다음 세대 모델의 핵심 능력에 대해 말하자면, 저는 그것이 반드시 지속 학습 능력을 가져야 다음 세대 모델이라고 부를 수 있다고 생각합니다. 그전까지 우리가 할 수 있는 것은 비용을 더 낮추고, 효과를 더 좋게 만들고, 속도를 더 빠르게 만드는 것입니다.

하지만 큰 돌파를 하려면 지속 학습 능력을 가져야 합니다. 그리고 또 한 가지 질문은, 왜 저희가 이 모델의 계산 효율을 그렇게 중요하게 여기느냐는 것입니다. 실제로 보니 모든 사람이 모델 효율을 중요하게 여기지는 않더군요. 상업화 회사 입장에서는 모델 효율을 추구할 동기가 없습니다. 모델 효율이 조금 높아져도… 그래서 모델 효율을 아주 높게 추구할 동기가 크지 않습니다.

그래서 몇몇 스타트업은 스스로도… 그들이 저비용을 추구한다고 말하는 것을 들어보지 못했을 겁니다. 그것은 그들의 이익과 맞지 않기 때문입니다. 비용이 낮아지면 무슨 돈을 벌겠습니까? 비용이 낮아지면 돈을 많이 받을 수 없습니다.

반대로 이것은 저희 비전의 일부입니다. 혹은 저희의 비전 때문에, 동료들이 비용을 중요하게 여깁니다. 저희 동료들은 모두 평범한 사람들이고, 이것을 쓰는 데 돈이 든다는 것을 압니다. 그래서 공감 능력이 있습니다. 다른 사람이 돈을 내고 써야 하니, 더 싸면 사람들이 받아들이기 쉽다는 점을 압니다. 그래서 많은 동료가 저희가 비용을 더 낮출 수 있기를 바랍니다.

하지만 순전히 상업적 관점에서 보면, 사실 그렇게 생각하지는 않을 것입니다. 상업 관점에서 보면…

비용이든 사업성이든, 이것은 첫 번째 우선순위가 아닙니다. 스타트업이든 대기업이든 이 서비스 비용은 사실 그렇게 높지 않습니다. 하지만 저는 이것이 가벼운 부담이길 바랍니다. 특히 중국처럼 연산력이 부족한 배경에서는 감당 가능한 수준이어야 하고, 국산 카드에서도 돌릴 수 있어야 한다고 생각합니다. 저비용은 우선 하나의 결과입니다.

저희 모델은 실제로 아키텍처 차원에서도 점점 더 저비용 방향으로 가고 있습니다. 이것은 저희 비전과 관련이 있습니다. 알고리즘적으로도 비용을 더 낮출 수 있는 방법이 아직 많습니다. 비용을 낮추는 또 다른 이유는, 비용이 낮을수록 더 큰 모델을 훈련할 수 있고, 더 큰 모델을 감당할 수 있기 때문입니다. 같은 연산력 아래, 연산력이 제한된 상황에서 계산 효율이 높을수록 더 큰 모델을 감당할 수 있습니다.

대기업은 꼭 그렇게 생각하지 않을 수 있습니다. 대기업은 자원을 더 넣어 해결할 수 있기 때문입니다. 하지만 저희는 비용 효율을 우선 고려합니다. 데이터류 모델의 가치에 대해 말하면, 데이터의 범위는 매우 넓고, 데이터는 거의 모델의 절반과 같습니다.

왜 제가 만약 AI가 GDP의 20퍼센트를 차지할 수 있다고 해도, 여기서 5퍼센트를 차지하겠다는 식의 생각은 절대 통하지 않는다고 보느냐 하면, 저는 분명 다른 누군가에게 패배할 것이기 때문입니다. 만약 다른 누군가가 나는 1퍼센트만 차지하면 된다고 말하면, 저는 분명 그에게 패배합니다. 이론적으로는 “AI와 전 인류 GDP에서 5퍼센트를 차지하겠다”는 계산이 성립하는 것처럼 보일 수 있습니다.

보세요, OpenAI는 그런 계산이 되는 것처럼 보입니다. 이론상으로는 문제없습니다. 하지만 문제가 있습니다. 1퍼센트만 차지해도 된다고 하는 다른 사람에게 패배하게 됩니다. 왜냐하면 다른 사람이 “나는 이렇게 잘 만들지만 전 세계 GDP의 1퍼센트만 가져가면 된다”라고 하면 그가 이기기 때문입니다.

그때 또 다른 사람이 나와서 “나는 0.1퍼센트만 가져가면 된다”라고 하면, 앞사람도 또 패배하게 됩니다.

거시적으로 보면 이 몇 퍼센트를 어디서 가져오든 차이는 없습니다. 다 똑같습니다. 더 많이 가져가려는 사람이 더 적게 가져가려는 사람에게 패배합니다. 심지어 정말 많이 가져가려 하지 않아도, 비전 자체가 많이 가져가겠다는 것이라면, 적게 가져가겠다는 비전을 가진 사람에게 패배합니다. 사실 아직 다들 돈을 가져가지도 않았고, 그저 비전일 뿐인데도 말입니다. 당신의 비전이 많이 가져가는 것이라면 이미 선제적으로 진 것이고, 더 큰 어려움에 직면하게 됩니다. 세상은 원래 그렇습니다.

OpenAI는 처음에는 진짜로 세계를 독점할 수 있다고 생각했지만, 실제로는 아주 많은 도전자들을 만나게 됩니다. 도전을 받으면 그렇게 편하지 않습니다. 미국 안에서도 도전을 받았고, 앞으로는 중국의 도전도 받을 수 있습니다. 중국인은 더 적게 가져가도 이 서비스를 제공할 의향이 있기 때문입니다. 중국 안에서도 더 적게 가져가려는 사람이 있을 것입니다.

하지만 결국 여기에는 균형점이 생깁니다. 너무 적게 가져가면 회사의 사업 논리가 성립하지 않고 살아남을 수 없기 때문입니다. 너무 적게 가져가면 못 살고, 너무 많이 가져가면 더 적게 가져가려는 사람에게 패배합니다. 그래서 저희는 이익을 최대한 많이 가져가거나, 수익 극대화 가격을 매기는 것이 아니라, 합리적인 수익만 번다는 것입니다. 이것이 하나의 설명입니다.

저는 이것을 믿습니다. 굳이 이유를 찾는 것이 아닙니다. 그럴 필요도 없습니다. 원래 이렇게 해 왔고, 이렇게 하는 데에는 분명 이유가 있습니다. 그 이유가 아주 통상적인 것은 아닐 수 있지만, 저희 회사 자체가 원래 통상적이지 않습니다. 저희 회사의 관리에는 사실 두 개의 라인이 있습니다. 하나는 위에서 아래로, 하나는 아래에서 위로입니다. 아래에서 위로는 각자가 하고 싶은 것을 스스로 하는 것입니다. 아무도 관리하지 않고 KPI도 없습니다.

위에서 아래로는 정사를 하는 것입니다. 우리가 집단적으로 어떤 일을 해야 하고, 전사적으로 협력해야 하는 일입니다. 예를 들어 V4를 내야 한다면 분업이 필요하고, 각자가 한 부분씩 해야 합니다. 그것이 위에서 아래로이고, 저희는 그것을 “정사(正事)”라고 부릅니다. 일반적으로 저희는 “정사”가 직원 시간의 절반을 넘지 않기를 바랍니다. 즉 “정사”가 절반을 넘지 않게 합니다.

나머지 절반 시간은 배정되지 않습니다. 본인이 하고 싶은 것을 하면 됩니다. 이것이 연구의 범위입니다. 스스로 탐색할 수 있도록, 무엇이 중요하다고 느끼는지에 따라 탐색하게 하고, 사전 요구사항은 없습니다. 회사가 지원할 수 있고, 연산력이 지원할 수 있다면 됩니다. 혹은 연산력이 거의 필요 없거나 아주 적게 필요하다면 아예 조율도 필요 없습니다. 현재 저희 조직 방식은 이렇습니다.

어떤 사람은 저희가 top-down이라고 하고, 어떤 사람은 bottom-up이라고 합니다. 저는 둘 다 맞다고 생각합니다. 제 기준 하나는 “정사”가 절반을 넘지 않는 것이 가장 좋다는 것입니다.

저희는 일반적으로 야근도 잘 하지 않습니다. 야근에는 두 가지 이유가 있습니다. 첫째, 연구를 하려면 비교적 느슨한 환경이 필요합니다. 너무 조이면 연구를 할 수 없습니다. 어차피 스스로 흥미를 가져야 하고, 평소에도 이런 문제를 생각해야 하기 때문에, 비교적 편안한 환경이어야 탐색이 가능합니다. 이것은 연구 문화의 필요 때문입니다. 둘째, 저희는 매우 집중합니다.

매우 집중한다는 것은 해야 할 일이 적다는 뜻입니다. 일이 많지 않으니 야근할 필요도 없습니다. 이것도 앞서 말한 절제와 한 줄기로 이어집니다. 제가 절제하기 때문에 많은 경우 아예 하지 않습니다. 그러면 해야 할 일이 적어지고, 각자에게 배분되는 일도 적어집니다. 저희 제품 중 많은 것이 완성도가 높지 않은 것을 보셨을 텐데, 저희는 그것을 굳이 메우지 않았습니다. 이것도 저희 문화의 일부입니다.

2.