2026-07-25 @Alisvolatprop12 DeepSeek, 2026년 5월 20일 량원펑과 투자자 회의 녹취록 전문(한국어 번역) 2/3편
Original Input
https://x.com/Alisvolatprop12/status/2080232825165664667?s=20
원문 제목: DeepSeek, 2026년 5월 20일 량원펑과 투자자 회의 녹취록 전문(한국어 번역) 2/3편
TL;DR (LLM)
- (LLM 요약 생성 실패)
원문
@Alisvolatprop12 (Alis volat propriis) · 2026-07-23 10:05
좋아요 97 · RT 4 · 댓글 3 · 조회 9764
[X 아티클: http://x.com/i/article/2080231236929568769]
마지막을 보면, 사회자가 이 회의를 녹화하지도 말고, 외부에 공유하지도 말 것을 당부했습니다. 그래서 5월 20일… 즉 2달 전에 열린 이 투자자 컨퍼런스 소식이 중국 인터넷 커뮤니티 일부에서만 공유되다가 비로서 글로벌로 나온 것 같습니다. 저작권 주장으로 원문이 삭제되었으므로 이 것도 삭제 요청이 들어오면 삭제해야합니다. 재미있게 읽어주시길 바랍니다.
7. 우리는 AGI의 메인 라인만 합니다
량원펑:
이 전제 아래에서는 누구든 기꺼이 지원하고 돕고자 합니다. 경쟁사도 예외가 아닙니다. 알리바바, 즈푸AI, 문샷AI가 더 잘할 수 있도록 도울 의향이 있습니다. 우리가 잃는 것이 없기 때문입니다.
우리는 원래 오픈소스를 하고 있습니다. 오픈소스란 경계를 모호하게 두는 것이 아니라, 방법을 가능한 한 명확히 설명해 다른 사람이 재현할 수 있게 하는 것입니다. 재현하지 못한다면 말씀해 주십시오. 어떻게 재현하는지 알려드릴 수 있습니다.
이것이 본래 오픈소스의 일부입니다. 상대가 경쟁사라고 해서 태도를 달리하지 않습니다. 물론 파트너라면 더 많은 일을 함께할 수 있습니다. 그러나 큰 이해관계에서는 충돌이 없습니다.
외부와 관계를 맺을 때 우리의 태도는 분명합니다. 우리는 AGI의 메인 라인만 합니다. 앞서 말씀드린 언어모델, CoT, 에이전트 같은 핵심 경로만 합니다.
AI 분야는 매우 넓습니다. 그러나 그중에는 메인 라인에 있지 않다고 보는 것이 많습니다. 예를 들어 3D와 영상 생성은 지능의 핵심 경로와 큰 관계가 없다고 생각하므로 우리가 직접 하지 않습니다.
월드 모델도 현 단계에서는 지능의 상한과 큰 관계가 없다고 봅니다. 따라서 그것도 하지 않을 것입니다. 다만 다른 사람이 한다면 기꺼이 돕겠습니다. 우리에게 시간과 인력이 있는지는 별개의 문제지만, 이해관계가 충돌하지는 않습니다.
우리는 AI 기술이 다양한 생산 현장에 적용돼 사회의 생산성을 높이고, 모든 산업의 생산성을 향상시키기를 바랍니다. 그 일을 지원할 동기가 매우 큽니다.
우리에게 시간과 인력이 있는지, 구성원이 그 문제에 관심을 갖는지는 별개의 문제입니다. 그러나 이해관계 측면에서는 충돌이 없고, 그런 목표가 실현되기를 바랍니다. 또한 그것이 상업적 이익과도 전혀 충돌하지 않는다고 생각합니다. 우리가 받아야 할 몫이 줄어들지 않습니다.
실제로 지금까지 이런 태도를 유지하면서도 아무것도 덜 얻지 않았습니다. 오픈소스를 했기 때문에, 선의를 보였기 때문에, 다른 사람을 도왔기 때문에 우리가 잃은 것은 없습니다. 예를 들어 지난해 확보한 C단 사용자는 지금도 상당히 많고 안정적으로 유지되고 있습니다.
올해의 B단 사업 전망도 낙관적입니다. 선의를 보였다고 해서 상업적 이익이 훼손되지 않았습니다. 전혀 영향이 없었고, 오히려 긍정적인 효과가 있었을 가능성이 큽니다. 직관에 어긋나 보이지만 실제로 그렇습니다. 반대로 생각해 보십시오. 이 원칙을 어기면 더 많은 것을 얻을 수 있습니까? 그렇지 않습니다.
월드 모델이 AI 지능의 상한을 높이는 것과 관계없다는 말을 어떻게 이해해야 하느냐는 질문이 있습니다. 제가 말한 것은 현 단계에 관한 우리의 판단입니다. 이것은 우리의 AI 로드맵일 뿐, 유일한 로드맵은 아닙니다.
우리의 이해와 판단으로는 현재 가장 중요한 것은 AI 훈련 자체를 잘하는 것입니다. AI 훈련을 잘하기 위해 월드 모델이 반드시 필요한 것은 아니며, 심지어 멀티모달도 필수는 아닙니다. 훈련 범위를 조금 좁히고 멀티모달을 제외하면 일부 과업을 하지 못할 뿐, 알고리즘의 성립 자체에는 영향을 주지 않습니다.
멀티모달은 결국 해야 합니다. 그러나 지금 중요한 것은 훈련입니다. 다음에는 지속 학습을 해결해야 하고, 그다음에는 AI가 스스로 문제를 제기하고 해결하는 능력을 다뤄야 합니다. 이 로드맵 안에는 월드 모델이나 영상 생성이 없습니다.
영상 생성은 처음 등장했을 때 매우 큰 관심을 받았습니다. 마치 반드시 해야 하고, 하지 않으면 AI 회사가 아닌 것처럼 여겨졌습니다. 저는 그것이 이상했습니다. 조금만 깊이 생각하면 영상 생성이 지능의 로드맵과 큰 관계가 없다는 점을 알 수 있기 때문입니다.
실제로 Sora가 처음 나온 뒤 대기업과 스타트업 모두 영상 생성을 시작했습니다. 그러나 이후 많은 스타트업이 그 사업을 정리했습니다. 지능의 상한과 관계가 없기 때문입니다.
상업적으로는 좋은 사업일 수 있습니다. 그러나 지능과는 관계가 없습니다. 우리는 사업성이 좋다는 이유만으로 어떤 일을 하지 않습니다. 지능의 로드맵에 포함된 일이라야 합니다.
영상 생성은 비교적 분명한 사례여서 예로 든 것입니다. 월드 모델은 의미가 더 모호합니다. 많은 것을 월드 모델이라고 부를 수 있기 때문입니다.
우리의 판단으로는 월드 모델 역시 현 단계에서 지능과 관련해 가장 중요한 문제는 아닙니다. 가장 중요한 것은 AI 훈련이고, 그다음은 훈련 이후 지속 학습을 어떻게 해결하느냐입니다. 이것은 우리 회사의 판단입니다. 다른 회사는 다른 판단을 할 수 있습니다.
회사 차원에서 가장 중요한 문제는 인력의 안정성이라고 말씀드렸습니다. 다른 차원에서 보면, 우리에게 부족한 것은 무엇이며 미국과의 격차는 무엇입니까? 사실 하나뿐입니다. 자원입니다.
우리에게는 GPU가 충분하지 않습니다. 현재 약 2만 장의 H급 등가 연산력을 보유하고 있습니다. 그중 대부분은 최근 한두 달 사이에 들어왔고, 아직 도착하지 않은 장비도 많을 수 있습니다.
지난해 전체 연산력은 매우 적었습니다. 올해는 이를 매우 공격적으로 확대하고 있습니다. 현재 약 2만 장의 H급 등가 연산력이 있고, 앞으로 몇 달 동안 대량의 장비를 추가로 구매할 예정입니다. 대부분 엔비디아 제품입니다.
GPU가 얼마나 필요하냐고 묻는다면, 지금은 많을수록 좋습니다. 우리가 감당할 수 있는 범위에서는 분명히 많을수록 좋습니다. 현재 전략은 합리적인 가격으로 확보할 수 있는 만큼 모두 사는 것입니다.
이번 투자금으로 살 수 있는 GPU는 모두 살 것입니다. 돈을 얼마나 빨리 쓰느냐는 계획의 문제가 아닙니다. 가격만 합리적이라면 확보 가능한 물량을 전부 매입합니다. 반년 안에 투자금을 다 쓸 수 있다면 좋은 일입니다. 반년 안에 전부 쓸 수 있다면 정말 행복하고 이상적인 상황입니다.
실제로는 그렇게 많은 돈을 쓰기가 매우 어렵습니다. 그만큼 많은 GPU를 구할 수 없기 때문입니다. 구매 자체가 어렵고 가격도 높습니다. 그렇다고 터무니없이 높은 가격을 지불할 수도 없으므로 가격의 합리성을 확보해야 합니다.
8. 미국과의 격차는 자원입니다
량원펑:
반년 안에 이 자금을 모두 쓸 수 있다면 가장 이상적입니다. 돈을 은행에 넣어두는 것보다 엔비디아 GPU로 바꾸는 편이 분명히 낫습니다. 은행 예금금리는 2% 안팎에 불과하지만, GPU는 약 10개월 안에 비용을 회수할 수 있습니다.
따라서 살 수 있는 만큼 사야 합니다. GPU를 먼저 확보하면 이후에는 선택지가 많습니다. 서비스를 제공해 현금흐름을 만들 수도 있고, 다른 방식으로 활용할 수도 있습니다. 현금흐름이 있으면 회사는 생존할 수 있으므로 계좌에 막대한 현금을 쌓아둘 필요가 없습니다.
우리가 걱정하는 것은 충분한 GPU를 사지 못하는 일뿐입니다. 자금을 전부 GPU로 바꿀 수 있다면 주저하지 않고 그렇게 할 것입니다. 일정 수준의 프리미엄도 지불할 의향이 있습니다. 그만큼 경제성이 좋기 때문입니다.
프리미엄을 지불하더라도 목표 물량을 확보하기는 어렵습니다. 객관적으로 말해 올해 200억 위안을 집행할 수 있다면 구매 조직이 대단히 뛰어난 성과를 낸 것입니다.
미국과의 격차는 주로 자원에 있습니다. 사람의 격차는 크지 않습니다. 인재 수준에는 거의 차이가 없습니다. 본질적으로 같은 인재 풀, 많은 경우 같은 중국인 인재 풀에서 나옵니다. 어떤 사람은 중국에 남고, 어떤 사람은 해외에 남거나 해외로 갑니다. 더 똑똑한 사람만 해외로 가는 것은 아닙니다.
상당 부분 우연에 가깝습니다. 가장 똑똑한 사람 가운데 절반보다 조금 많은 수가 해외로 갈 수도 있고, 절반보다 조금 적은 수가 국내에 남을 수도 있습니다. 중국에는 인재가 부족하지 않습니다. 인구 기반이 크고 매년 많은 인재가 새로 유입됩니다.
인재는 병목이 아닙니다. 가장 큰 병목은 자원입니다. 자원 부족은 우선 인재 양성에 영향을 줍니다. 연산력이 부족하면 실험 기회가 적기 때문에 전체적인 인재 역량이 미국보다 뒤처질 수 있습니다. 결국 인재 격차도 본질적으로는 연산력 격차에서 나옵니다.
현재 최대 규모의 모델은 우리가 훈련할 수 없습니다. 500억 위안을 모두 투입하더라도 사실상 어렵습니다. 설령 훈련 인프라를 구축하더라도 실제 서비스에 쓰기 어렵습니다. 현재 가장 큰 모델은 활성 파라미터가 약 800B에 이르는 것으로 보입니다. 중국은 아직 수십 B 활성 파라미터 규모에 머물러 있고, 국내 최대 모델도 수십 B 수준일 가능성이 큽니다. 한 자릿수 이상의 규모 차이가 있습니다.
그와 같은 크기의 모델을 훈련하려면 GB300 약 5만 장, 또는 화웨이 950 약 20만 장이 필요할 것입니다. 이것은 훈련에 필요한 수량일 뿐, 연구를 위한 실험 자원은 포함하지 않은 계산입니다. 따라서 미국과의 가장 큰 격차는 자원입니다.
현재 자원과 올해 안에 추가될 자원, 그리고 앞으로 몇 달 동안 들어올 대규모 자원을 모두 합쳐도 수십 B 활성 파라미터 규모에서 더 많은 실험을 하는 데 충분한 정도입니다. 이 규모에서도 아직 해야 할 실험이 많고 밝혀야 할 문제가 많습니다. 800B 모델을 훈련할 수 있는 시점까지는 상당히 멀었고, GPU도 크게 부족합니다.
그래서 미국과 우리의 차이는 자원의 차이라고 봅니다. 인재, 모델 능력, 애플리케이션에서 보이는 모든 차이도 결국 연산 자원 차이에서 비롯됐다고 볼 수 있습니다.
한편으로 중국에서는 GPU 자체를 구하기 어렵고, 다른 한편으로는 미국보다 자본 투입이 훨씬 적습니다. 이 산업에서 인건비가 차지하는 비중은 낮습니다. 미국 기업이 어떤 인재에게 1억 달러의 보상을 제시한다는 이야기가 나오지만, 전체 비용에서 인재 급여의 비중은 여전히 작습니다. 가장 큰 비용은 연산력입니다.
현재 이 문제에는 사실상 해법이 없습니다. 화웨이의 생산량도 제한돼 있기 때문입니다. 800B 모델을 훈련하려면 화웨이의 최신 GPU 20만 장이 필요합니다. 이것도 훈련만 계산한 것이고 연구 자원은 포함하지 않았습니다.
따라서 현재 우리는 그런 규모에서 미국과 정면으로 경쟁할 생각이 없습니다. 우선 우리가 훈련하고 실제로 사용할 수 있는 수십 B 활성 파라미터 규모의 모델을 잘 만들어야 합니다. 이후 자원이 더 늘어나면 150B, 156B 또는 250B 활성 파라미터 규모로 확대할 수 있습니다.
이 영역에서는 현재 미국과 쉽게 메우기 어려운 격차가 있습니다. 억지로 대형 모델을 한 번 훈련하는 것은 가능할 수도 있습니다. 그러나 훈련 전에 충분한 연구와 실험을 수행할 수 없습니다. 그것이 더 큰 문제입니다.
대형 모델 경쟁의 종착점에서 차이가 어디에서 나타날지도 많은 분이 궁금해합니다. 제 생각에는 최종적인 모델 능력 자체에는 아주 큰 차이가 남지 않을 수 있습니다.
최종 차이는 세 가지에서 나타날 것입니다. 비용, 시간, 사용자 경험입니다. 그 밖에는 큰 차이가 없을 가능성이 큽니다.
비용은 이해하기 쉽습니다. 동일한 품질의 동일한 서비스를 어떤 비용으로 제공할 수 있느냐는 문제입니다. 예를 들어 BYD의 배터리와 같은 기술 수준을 다른 회사가 같은 가격으로 제공할 수 있느냐를 생각해 보면 됩니다. 쉽게 따라 하기 어렵고, 분명한 장벽이 됩니다.
따라서 비용은 확실한 차별 요소이고, 아마 가장 중요한 요소일 것입니다. 두 번째는 시간입니다. 언제 그 수준에 도달하느냐가 중요합니다. 몇 달 먼저 도달하는 것과 몇 달 늦게 도달하는 것은 다릅니다.
세 번째는 사용자 경험입니다. 사용자 경험에도 차이가 있고, 일정한 락인 효과와 진입장벽이 생길 수 있습니다. 그러나 본질적인 요소는 아닙니다. 본질은 첫째 비용, 둘째 시간입니다. 같은 것을 먼저 만드느냐 나중에 만드느냐, 더 빨리 만드느냐 더 늦게 만드느냐가 중요합니다.
장기적인 상업화 경로와 제품 라인이 확대됐을 때 가격을 어떻게 정할 것이냐는 질문도 있습니다. 우리는 지금 가장 가치 있고 에너지를 쏟을 만한 일이 여전히 AGI라고 봅니다. AGI를 계속 전진시키고, 지능의 하한을 끌어올려야 합니다.
현 단계에서는 더 많은 제품 라인을 만들고 다양한 상업화 경로를 고민하는 것보다 이것이 더 경제적이고 기대수익이 큰 경로입니다. 앞으로 한동안도 그럴 것이고, 과거 어느 시점에서도 사실 마찬가지였습니다.
9. 지금 제품과 상업화에 몰두하는 것은 너무 이릅니다
량원펑:
우리가 제품을 더 풍부하게 만들 방법을 고민하는 데 많은 시간을 쓴다면 무슨 의미가 있겠습니까?
반년 전에 상업화 전략을 논의했다면 아마 광고를 하고, 전자상거래를 붙이며, 제품 안에 쇼핑 기능을 넣고, 지역 생활 서비스와 통합해야 한다는 결론이 나왔을 것입니다. 그러나 아무 의미가 없습니다. 변화가 너무 빠르기 때문입니다. 지금 단계에서 상업화 경로나 제품 라인을 오래 고민해도 제품의 수명주기가 매우 짧습니다.
아직 그럴 때가 아니라고 봅니다. 이것이 우리의 판단이고, 지금까지의 경험도 이를 뒷받침합니다. 지난 3년 동안 어느 시점에 상업화 경로나 제품 라인을 논의했더라도 대부분 시간 낭비였을 것입니다. 미래를 정확히 예측할 수 없고, 볼 수 있는 범위가 매우 제한적이기 때문입니다.
시간을 보니, 중간에 잠시 쉬어야 할지 모르겠습니다. 무엇인가 드시고 계속할까요, 아니면 바로 이어갈까요? 특별한 의견이 없으면 계속 말씀드리겠습니다.
우리는 세계 최고 수준의 AGI 연구를 하고 적절한 시점에 상업화하려 합니다. 사실 우리는 계속 상업화를 해왔습니다. 다만 상업화 자체를 목표로 삼지 않았을 뿐입니다. 목표는 AGI지만, 상업화도 계속했기 때문에 C단 사용자가 있고 B단 매출도 있습니다.
지금까지의 경험으로 보면 이 전략은 성공했습니다. 그리고 우리가 전면적으로 상업화 중심으로 전환하는 시점은 아직 아주 멀리 있다고 생각합니다. 가장 중요한 것은 기술을 계속 확장하고 차세대 기술을 개발해 현재의 문제를 해결하는 것입니다. 현재 보이는 미래의 범위 안에서는 어느 시점이든 제품에 집중하기에는 너무 이릅니다.
이것도 절제의 일부입니다. 이런 사업 기회는 다른 사람들이 맡기를 바랍니다. AI를 어떻게 활용할지는 사회 전체와 모든 파트너가 함께 만들고, 그 수익도 함께 나누어야 합니다. 우리가 독점하려 해서는 안 되고, 실제로 독점할 수도 없습니다. 우리에게는 그 모든 일을 할 에너지와 인력도 없습니다.
파트너와 관련해서 말씀드리면, 이번 투자자는 신중하게 선택했습니다. 구체적인 협력 방식은 별도의 문제지만, 우선 이해관계가 가장 잘 맞는 곳, 우리에게 적대감이 가장 적은 곳, 우리가 성공하기를 가장 바라는 곳을 선택하려 했습니다. 모든 사람이 우리가 성공하기를 바라는 것은 아닙니다. 우리의 존재가 다른 사람들의 이해관계를 훼손하는 부분도 있기 때문입니다.
회사에서 중대한 전략, 기술, 사업 결정을 어떤 절차와 메커니즘으로 내리느냐는 질문도 있습니다. 우리 회사는 전반적으로 합의에 기반합니다. 제가 혼자 모든 것을 결정하는 것이 아니라, 구성원의 합의를 구합니다. 회사 안에서 제가 가진 권위와 영향력도 합의에 기반합니다.
어떤 일을 추진하려 할 때 먼저 공동의 인식이 무엇인지, 구성원들이 정말 하고 싶어 하는지를 봅니다. 제가 어느 정도 방향을 제시하거나 유도할 수는 있지만 그 영향은 제한적입니다. 매우 제한적입니다. 결국 합의가 토대가 됩니다. 우리의 의사결정은 합의를 찾는 과정입니다. 제가 원한다고 무엇이든 밀어붙일 수 있는 구조가 아닙니다. 공동의 합의가 있어야 추진할 수 있고, 그런 경우에만 제가 추진합니다.
현재 제 에너지는 거의 모두 DeepSeek에 쓰고 있습니다.
사회자:
5분 정도 쉬겠습니다. 빠르게 메모를 정리하겠습니다. 여러분도 마이크를 켜고 의견을 주셔도 됩니다.
참석자:
저희 쪽은 괜찮습니다. 그래도 우선 5분 쉬었다가 하시죠.
량원펑:
회사별 모델의 최종 성능 차이는 하나의 특정 요소가 아니라 종합적인 결과로 나타날 것입니다. 모델 성능을 비교하려면 같은 비용 조건에서 비교해야 의미가 있습니다. 자동차 두 대를 비교할 때도 같은 가격대의 차를 비교하는 것과 같습니다.
잘 만든 모델과 그렇지 않은 모델의 차이는 특정 한 단계에만 있는 것이 아니라 전체 시스템에서 나옵니다.
Anthropic이 현재 OpenAI를 넘어선 상태가 장기적으로 이어질 것이냐는 질문이 있습니다. 저는 그렇지 않다고 생각합니다. 분명 일시적인 국면입니다. 앞으로 OpenAI와 Google이 번갈아 앞서갈 가능성이 큽니다. 현재 Anthropic이 코딩 에이전트에서 가진 우위도 그렇게 크지 않습니다. OpenAI를 압도하는 수준은 아닙니다.
우리 회사에서도 절반가량은 평소 OpenAI가 더 좋다고 생각합니다. Anthropic에는 선발 우위가 있지만, 그 우위는 빠르게 사라질 것입니다. 장기간 유지할 수 있는 우위는 아닙니다. 세 회사 모두 매우 뛰어납니다. 그중 Anthropic은 효율이 가장 높고, 투입하거나 소진한 자금도 가장 적은 편일 것입니다.
글로벌 AI 산업의 분업에서 중국 기업이 맡을 역할은 최대 생산량일 가능성이 큽니다. 일반적으로 중국은 생산능력이 가장 큽니다. 칩 생산능력도 장기적으로 가장 커질 수 있고, 전력 공급도 많습니다. 결국 중국 AI는 세계 AI의 세 축 가운데 하나가 될 가능성이 큽니다.
중국 기업은 제품 가격을 가장 낮게 만들 것입니다. 성능에서도 오늘날 많은 중국산 제품이 미국산과 큰 차이가 없습니다. 미래의 AI도 비슷할 수 있습니다. 중국산 AI는 더 저렴할 가능성이 큽니다. 일부 비용만 낮은 것이 아니라, 다른 산업에서 중국이 제공하는 서비스가 전반적으로 저렴한 것처럼 시스템 전체의 비용이 낮아질 수 있습니다.
저는 어떤 일을 결정할 때 “지금 무엇을 해야 기대수익이 가장 큰가”를 생각합니다. 지금 제품을 만드는 것이 가장 큰 수익을 준다고 판단하면 제품을 만들 것입니다. AGI를 먼저 실현하는 것이 가장 큰 수익을 준다고 판단하면 AGI를 먼저 합니다. 분명히 말씀드리면, 지금은 제품을 만드는 것이 기대수익이 가장 큰 선택이 아닙니다.
국산 GPU 적응 문제에는 현재 역사적인 기회가 있습니다. 과거 국산 GPU의 가장 큰 문제는 생태계가 좋지 않다는 것이었습니다. 장비를 사도 제대로 쓰기 어렵고, 엔비디아와 같은 생태계가 없었습니다. 그래서 엔비디아의 해자는 매우 강했습니다.
그러나 상황이 변하고 있습니다. 엔비디아 CUDA 생태계의 해자가 빠르게 약해지고 있습니다. 이유는 대략 세 가지입니다. 첫째, 이제 AI가 생겼습니다. AI가 코드를 작성할 수 있기 때문에 과거보다 생태계를 구축하기 훨씬 쉬워졌습니다.
10. CUDA의 해자와 국산 AI 칩의 기회
량원펑:
AI를 이용하면 엔비디아와 유사한 생태계를 다시 구축할 수 있습니다. 첫 번째 이유가 AI라면, 두 번째는 새로운 기술입니다. 예를 들어 우리에게는 TileLang이라는 고급 언어가 있습니다.
이 고급 언어로 CUDA 연산자에 해당하는 커널을 작성하면 엔비디아 생태계 전체를 빠르게 다시 구현할 수 있습니다. AI까지 결합하면 기술 경로상 큰 장애는 보이지 않습니다. 아직 완성되지는 않았지만, 경로 자체에는 뚜렷한 막힘이 없어 보입니다.
또 하나는 CUDA가 본래 게임용 GPU에서 발전했다는 점입니다. 여러 설계가 게임용 카드의 역사와 연결돼 있고, CUDA도 게임용 GPU와 호환되도록 만들어졌습니다. 과거에는 AI 연산 시장이 게임용 GPU 시장보다 훨씬 작았으므로 이런 구조가 합리적이었습니다.
그러나 이제 AI 연산용 GPU 시장이 게임용 GPU 시장보다 커졌습니다. 두 영역을 계속 결합해 둘 이유가 없습니다. 앞으로는 결합이 약해질 것입니다. 화웨이든 엔비디아든 향후 제품은 AI 전용 칩이 될 것이고, 과거의 범용 게임용 GPU와는 달라질 것입니다.
이런 배경에서는 기존 엔비디아 생태계의 역할이 크게 줄어듭니다. 전용 칩은 본질적으로 CUDA와 직접적인 관계가 없고 CUDA에 종속될 필요도 없습니다. 칩을 설계할 때부터 해당 칩의 생태계를 어떻게 구축할지 함께 고려할 수 있습니다.
조금 복잡한 이야기지만, 어쨌든 지금은 국산 AI 칩 대체에 역사적인 기회가 열려 있습니다. 앞으로 1년 안에 국산 칩 생태계에 실질적인 문제가 없다는 사실이 검증될 수 있다고 봅니다. 지금까지는 쓸 수 없고 사용성이 나쁘다는 인식이 있었지만, 1년 안에 실제 결과로 그 인식을 뒤집을 수 있을 것입니다.
국산 AI 칩은 하드웨어와 생태계 모두 본질적인 문제가 없습니다. 유일한 문제는 생산능력이 부족하다는 것입니다. 국산 GPU 적응에는 근본적인 장애가 없고, 엔비디아도 막을 수 없습니다. 정상적인 시장에서 엔비디아 GPU를 충분히 살 수 있다면 국산 대체가 어려웠을 것입니다. 그러나 엔비디아 GPU를 구할 수 없는 상황에서는 모두가 어쩔 수 없이 국산 칩을 써야 합니다.
이런 조건에서는 국산 GPU 적응에 큰 장애가 없습니다. 엔비디아와 같거나 오히려 더 나은 생태계를 만드는 것도 가능하다고 봅니다. 다만 시간이 필요합니다.
현재 우리는 주로 화웨이와 협력하고 있습니다. 화웨이가 자체 적응 작업을 하지만, 우리도 생태계 구축에 깊이 참여합니다. 화웨이의 문제는 여전히 생산능력입니다. 화웨이가 우리에게 배정한 물량은 약 1만 6천 장이고, 인터넷 대기업에는 10만 장 이상을 줄 수 있습니다. 우리 몫은 1만 장대에 불과하지만, 이것도 화웨이 전체 생산능력을 고려하면 가능한 최대치에 가까울 수 있습니다.
따라서 화웨이 GPU로 곧바로 차세대 대형 모델이나 수백 B 활성 파라미터 규모 모델을 훈련할 수는 없습니다. 올해는 어렵습니다. 다만 내년이나 그다음 해에는 기회가 생길 수 있습니다.
화웨이 GPU 적응에서 우리가 주로 하는 일은 고급 언어 컴파일러, 즉 TileLang을 완성하는 것입니다. TileLang이 충분히 좋아지면 문제는 자연스럽게 풀릴 수 있습니다. 설명이 복잡한 문제라서, 작업을 끝낸 뒤 설명하는 편이 더 명확할 것입니다.
V3 훈련을 예로 들면, 하드웨어는 엔비디아 GPU를 사용했지만 엔비디아 소프트웨어 생태계에는 거의 의존하지 않았습니다. 먼저 TileLang이라는 고급 컴파일러를 만들고, TileLang 기반 생태계에서 다른 모든 작업을 수행했습니다. 이미 엔비디아 생태계에 대한 의존도가 매우 낮습니다.
이 과정을 화웨이 GPU에서 다시 구현하기만 하면 됩니다. 저는 이것이 역사적인 과제가 될 수 있다고 생각합니다. 국산 GPU 생태계가 나쁘다는 기존 인식을 완전히 뒤집을 수 있기 때문입니다. 지금은 외부 조건이 거의 갖춰졌고 남은 것은 시간입니다. 1년 안에 많은 사람이 이 문제는 사실상 해결됐고, 남은 것은 생산능력뿐이라는 점을 이해하게 될 것입니다.
저는 국산 연산력에 비교적 낙관적입니다. 이 점에서 엔비디아는 스스로 무덤을 파고 있다고 생각합니다. 화웨이 950 슈퍼노드는 성능과 가격 측면에서 엔비디아 GB200·GB300을 대체할 수 있습니다. 가격은 더 비싸겠지만 그 차이는 제한적입니다. 50%, 100%, 심지어 200% 더 비싸도 결정적인 문제는 아닙니다.
예를 들어 가격이 100% 더 비싸더라도 실질적으로 가격 경쟁력이 있는 대체재라고 볼 수 있습니다. 수행 가능한 과업도 대체할 수 있습니다. GB300이 할 수 있는 일은 화웨이 슈퍼노드도 할 수 있고 지연시간도 비슷하게 맞출 수 있습니다. 대가는 화웨이 GPU 네 장이 엔비디아 GPU 한 장에 해당하고, 제품 세대가 약 2년 뒤처진다는 점입니다.
네 장이 한 장에 해당한다는 것은 화웨이 950 네 장으로 GB300 한 장의 성능을 낸다는 뜻입니다. 2년 뒤처진다는 것은 출시 시점의 차이입니다. 화웨이 950 슈퍼노드는 올해 3분기나 4분기 제품인데, 엔비디아 GB200은 2년 전 3분기 제품입니다. 약 2년 차이입니다.
엔비디아는 올해 3분기에 이미 다음 세대를 내놓을 수 있습니다. 따라서 미국과 중국의 칩 격차를 요약하면, 앞으로 생태계 격차는 사라지겠지만 칩 자체에서는 ‘네 배의 수량과 2년의 시간차’가 남아 있습니다.
상류나 하류로 수직 통합할 것이냐는 질문도 있습니다. 저는 그러지 않기를 바랍니다. 다른 사람들이 그 일을 맡았으면 합니다. 모든 것을 우리가 차지하고 싶지 않습니다. 한 부분만 하면 됩니다. 우리가 가장 잘하는 부분, 가장 핵심이라고 생각하는 부분만 맡고 싶습니다.
11. 모든 것을 차지할 필요는 없습니다
량원펑:
사용자와 직접 맞닿는 영역은 많은 산업 파트너가 우리보다 더 관심을 갖고 더 잘할 수 있습니다. 그 영역의 의미는 그들이 정의해야지, 우리가 대신 해석할 필요는 없습니다.
앞으로 대규모 클러스터를 직접 구축할 것이냐고 묻는다면, 그것은 반드시 해야 합니다. 우리는 줄곧 직접 클러스터를 구축했고, 현재의 모든 클러스터도 자체적으로 만들었습니다.
반면 자체 칩까지 개발할지는 기대수익이 얼마나 큰지에 따라 결정할 문제입니다.
발전소를 운영한다고 해서 반드시 발전기까지 직접 만들어야 하는 것은 아닙니다. 발전 설비를 다른 회사가 합리적인 가격에 공급한다면 굳이 직접 만들 이유가 없습니다.
그래서 저는 가능하면 칩을 직접 만들지 않기를 바랍니다. 합리적인 가격으로 칩을 구매할 수 있다면 자체 개발할 필요가 없습니다. 최근 엔비디아 칩의 이익 구조가 앞으로도 계속 유지될지는 확실하지 않습니다.
우리는 한 영역만 하고 싶습니다. AI는 매우 큰 산업이므로 모든 것을 할 필요가 없습니다. 한 부분에 집중하면 됩니다. 그 한 부분의 사업적 가치만으로도 충분히 큽니다. AI 시대에 조 단위 규모의 기업이 여러 곳 생긴다면, 우리가 그중 한 곳이 되는 것으로 충분합니다.
우리가 계속 작은 한 부분을 맡더라도 그중 한 회사가 되는 데 큰 문제는 없다고 봅니다. 모든 영역을 장악하겠다는 자신감이나 욕심을 가질 필요가 없습니다. 다른 것까지 하려 들면 조직은 더 힘들어지고 고민할 일만 늘어납니다. 이것이 우리의 태도입니다.
적어도 현재의 B단과 C단 사업을 보면, C단의 완결된 사업 구조를 정말로 만들려는 회사보다 오히려 우리가 더 잘한 부분이 있습니다. B단의 완결된 사업 구조를 만들려는 회사보다도 우리가 더 잘할 수 있습니다. 더 많이 가지려 할수록 오히려 잘하기 어려워질 수 있습니다.
B단 사업에 관해서 조금 더 말씀드리겠습니다. 현 세대 AI 기술에서 B단 사업의 상한은 결국 수요입니다. 수요는 빠르게 성장하겠지만 무한하지는 않습니다. 최종적으로는 연산력보다 수요의 제약을 받습니다.
현재 기술 조건에서 매출 규모는 결국 수요가 결정합니다. 우리는 10개월 안에 비용을 회수할 수 있으므로, 활용처만 있다면 GPU를 계속 살 것입니다. 문제는 아직 그렇게 많은 활용처가 없다는 것입니다. 기술이 계속 돌파구를 만들면 수요는 점점 커질 것입니다.
멀티모달은 줄곧 개발하고 있습니다. 제품에 중요하고 C단 사용자 제품에도 중요합니다. 그러나 지능의 상한과 관련해서는 하나의 구성요소일 뿐, 메인 라인 자체가 아닙니다.
구성요소로서 멀티모달은 반드시 할 것이고 이미 하고 있습니다. V4와 이후 버전은 네이티브 멀티모달을 지원할 가능성이 큽니다. 그러나 지능의 관점에서 멀티모달은 구성요소입니다. 지능 그 자체로 보지 않습니다. 검색과 같은 위치입니다.
검색도 구성요소이고 멀티모달도 구성요소입니다. 우리는 스케일링을 믿습니다. 규모가 커질수록 성능이 좋아지고 더 많은 능력이 열리는 것은 분명합니다. 우리를 막는 것은 연산력입니다. 스케일링을 원하지 않는 것이 아니라, 그만큼의 연산력이 없습니다.
우리는 아직 스케일링의 상한이 어디인지 보지 못했습니다. 지금 크기의 모델을 훈련하는 것은 그 크기로 충분하다고 판단해서가 아닙니다. 우리가 가진 자원으로 감당하고 훈련할 수 있는 최대 규모를 계산한 결과일 뿐입니다.
현재까지 모델 규모 확대의 수익은 매우 분명합니다. 우리는 아직 스케일링의 벽에 닿을 기회조차 없었습니다. 그 벽은 우리에게 매우 멉니다. 실리콘밸리에서 스케일링이 한계에 도달했다고 말한다면 그것은 실리콘밸리의 사정입니다. 중국은 아직 그 수준까지 스케일링하지도 못했습니다.
스케일링에는 데이터 스케일링, 모델 규모 스케일링, 훈련 비용 확대가 모두 포함됩니다. 연산력이 부족하기 때문에 그 상한을 탐색하려면 아직 멀었습니다. 그럼에도 우리는 스케일링의 상한을 계속 밀어붙일 것입니다.
투자 유치 이후 더 많은 연산력을 확보하면 더 큰 모델을 훈련할 수 있습니다. 가능한 한 짧은 기간 안에 GPU를 사고 싶습니다. 반년 안에 투자금을 모두 집행할 수 있다면 가장 좋지만, 현실적으로는 어렵습니다.
차세대 모델의 핵심 능력은 지속 학습이어야 합니다. 그래야 차세대 모델이라고 부를 수 있습니다. 그 이전까지 우리가 할 수 있는 것은 비용을 낮추고, 성능을 높이며, 속도를 더 빠르게 만드는 것입니다. 그러나 큰 돌파구가 되려면 지속 학습 능력을 갖춰야 합니다.
왜 우리가 모델의 계산 효율을 특별히 중시하느냐는 질문이 있습니다. 모든 회사가 모델 효율을 중요하게 생각하는 것은 아닙니다. 상업화를 중심으로 하는 회사는 모델 효율을 극단적으로 높일 동기가 크지 않습니다. 효율이 높아지면 서비스 원가가 낮아지기 때문입니다.
그래서 여러 스타트업이 저비용을 핵심 목표라고 말하지 않습니다. 그것은 그들의 사업적 이해와 맞지 않을 수 있습니다. 비용이 너무 낮아지면 무엇으로 돈을 벌고, 고객에게 어떤 가격을 받을 수 있겠습니까?
반대로 저비용은 우리 비전의 일부입니다. 우리 구성원들은 평범한 사람들이고, 이 서비스를 쓰는 데 돈이 든다는 사실을 압니다. 사용자가 비용을 지불해야 한다면 더 저렴할수록 더 많은 사람이 부담 없이 받아들일 수 있다는 공감이 있습니다.
그래서 많은 구성원이 비용을 더 낮추기를 바랍니다. 그러나 순수한 상업적 관점에서는 그렇게 생각하지 않을 수 있습니다.
12. 비용 효율과 조직 운영
량원펑:
상업적 관점에서 비용 절감은 반드시 첫 번째 우선순위가 아닙니다.
스타트업이든 대기업이든 현재의 서비스 원가 자체가 감당하지 못할 수준은 아닙니다. 그러나 우리는 서비스가 가볍고 부담 가능한 수준이기를 바랍니다. 특히 중국처럼 연산 자원이 부족한 환경에서 누구나 감당할 수 있고, 국산 GPU에서도 사용할 수 있어야 합니다.
낮은 비용은 우선 하나의 결과입니다. 우리의 모델 아키텍처는 줄곧 비용을 더 낮추는 방향으로 발전해 왔고, 이것은 우리의 비전과 연결돼 있습니다. 알고리즘 측면에서도 비용을 더 낮출 방법이 많이 남아 있습니다.
비용을 낮추려는 또 다른 이유는 더 큰 모델을 훈련하고 감당할 수 있기 때문입니다. 같은 연산력, 제한된 연산력 아래에서 계산 효율이 높으면 더 큰 모델을 운용할 수 있습니다.
대기업은 반드시 이렇게 생각할 필요가 없습니다. 자원을 추가해 문제를 해결할 수 있기 때문입니다. 그러나 우리는 비용 효율을 우선합니다.
데이터의 범위는 매우 넓고, 데이터는 모델 가치의 절반에 가까울 수 있습니다. 그런데 AI가 전 세계 GDP의 20%를 차지한다고 가정했을 때, 그중 5%를 우리가 가져가겠다는 목표를 세우면 절대로 성공할 수 없습니다. 다른 누군가가 “나는 1%만 가져가겠습니다”라고 말하면 그 사람에게 패배할 것이기 때문입니다.
AI를 통해 인류 전체 GDP의 5%를 차지한다는 계산 자체는 이론적으로 성립할 수 있습니다. OpenAI도 그런 계산을 하는 것처럼 보이고, 숫자만 보면 가능할 수 있습니다. 문제는 1%만 가져가겠다는 경쟁자에게 패배한다는 것입니다.
누군가 “이만큼 좋은 것을 만들었지만 세계 GDP의 1%만 받으면 충분합니다”라고 말하면 5%를 원하는 회사를 이길 수 있습니다. 또 다른 사람이 0.1%만 받겠다고 하면 앞선 회사를 다시 이길 수 있습니다.
거시적으로 보면 이 몇 퍼센트를 어디서 가져오는지는 본질적인 차이가 없습니다. 더 많이 가져가려는 사람은 더 적게 가져가려는 사람에게 패배합니다. 실제로 돈을 가져가기 전이라도 비전이 더 많이 가져가는 데 맞춰져 있으면, 더 적게 가져가겠다는 비전을 가진 사람에게 패배할 수 있습니다.
아직 누구도 실제 이익을 얻지 못했고, 지금은 비전만 존재합니다. 그런데도 당신의 비전이 더 많이 가져가는 것이라면 시작부터 이미 진 것입니다. 더 큰 어려움에 직면하게 됩니다. 세상은 원래 그렇게 움직입니다.
OpenAI는 처음부터 자신이 세계를 독점할 수 있다고 생각한 듯합니다. 그러나 실제로는 수많은 도전자와 마주하게 됩니다. 도전받는 순간 더 이상 수월하게 갈 수 없습니다. 미국 안에서도 도전이 생기고, 미래에는 중국의 도전도 받을 수 있습니다. 중국 기업은 더 적은 몫만 받고도 같은 서비스를 제공하려 할 수 있기 때문입니다.
중국 안에서도 더 적게 가져가려는 회사가 등장할 것입니다. 다만 결국 균형점은 생깁니다. 너무 적게 받으면 사업 논리가 성립하지 않아 회사가 생존할 수 없습니다. 너무 적게 가져가면 살아남지 못하고, 너무 많이 가져가려 하면 더 적게 가져가는 경쟁자에게 패배합니다.
따라서 우리는 가장 많은 이익을 얻거나 수익을 극대화하는 가격을 목표로 하지 않습니다. 합리적인 수준의 이익만 얻습니다. 이것이 우리의 설명입니다.
저는 이 논리를 실제로 믿습니다. 이미 그렇게 행동하고 있기 때문에 나중에 이유를 억지로 붙이는 것이 아닙니다. 그렇게 할 필요도 없습니다. 제가 이런 방식으로 행동하는 데는 이유가 있습니다. 그 이유가 일반적인 기업의 논리와 다를 수는 있지만, 우리 회사 자체가 일반적인 회사는 아닙니다.
우리 회사의 운영에는 두 개의 흐름이 있습니다. 하나는 하향식이고, 다른 하나는 상향식입니다.
상향식은 구성원이 스스로 하고 싶은 일을 정해 직접 하는 방식입니다. 누구도 간섭하지 않고 KPI도 없습니다.
하향식은 회사 전체가 함께해야 하는 공식 과제입니다. 예를 들어 V4를 출시하려면 역할을 나누고 각자가 일정 부분을 맡아야 합니다. 이런 일을 하향식 과제, 또는 ‘공식 업무’라고 부릅니다.
일반적으로 공식 업무가 직원 전체 시간의 절반을 넘지 않기를 바랍니다. 나머지 절반은 누구에게도 배정받지 않은 시간입니다. 무엇을 할지 스스로 정하고, 자신이 중요하다고 생각하는 것을 자유롭게 탐구할 수 있습니다. 사전 조건은 없습니다.
회사가 지원할 수 있고 연산 자원이 허용한다면 그대로 진행하면 됩니다. 연산 자원이 거의 필요하지 않은 연구라면 아예 별도의 조정도 필요하지 않습니다. 현재 우리는 이런 방식으로 조직을 운영합니다.
어떤 사람은 우리 조직이 하향식이라고 하고, 어떤 사람은 상향식이라고 합니다. 저는 둘 다 맞다고 생각합니다. 제 기준은 공식 업무가 전체 시간의 절반을 넘지 않는 것입니다.
우리는 일반적으로 야근도 많이 하지 않습니다. 이유는 두 가지입니다.
첫째, 연구에는 비교적 여유 있는 환경이 필요합니다. 사람을 지나치게 몰아붙이면 연구를 할 수 없습니다. 스스로 흥미를 갖고 평소에도 문제를 생각해야 하므로, 여유 있는 환경에서만 탐색이 가능합니다. 연구 문화에 필요한 조건입니다.
둘째, 우리는 극도로 집중합니다. 집중한다는 것은 해야 할 일이 적다는 뜻입니다. 일이 많지 않으면 야근할 필요도 없습니다.
이것은 앞서 말한 절제와 같은 흐름입니다. 절제하기 때문에 많은 일을 아예 하지 않습니다. 해야 할 일이 줄어들면 각자에게 배정되는 일도 적어집니다. 우리 제품에는 미완성된 부분이 많지만, 그것을 모두 보완하지도 않습니다.
이것도 우리 문화의 일부입니다.
질문이 많아 대부분 빠르게 훑어봤습니다. 다른 질문이 있으면 말씀해 주십시오.
사회자:
투자자 여러분께서는 자유롭게 마이크를 켜고 질문해 주십시오. 한 가지 당부드리겠습니다. 량원펑 대표가 GPU 수량을 포함해 민감한 수치와 상황을 많이 말씀했습니다. 외부에 전하지 마시고, 화면을 녹화해 공유하지도 말아 주십시오. 감사합니다. 질문이 있는 분은 자유롭게 말씀해 주십시오.