원문 제목: 《Kimi K3 대규모 출시: 중미 대형 모델 경쟁 구도 급변?》
원문 출처: Biteye

TL;DR

만약 당신이 포커에서 누가 이길지 외부에서 베팅해야 한다면, 게임 초반에 성급하게 베팅하지 마라.

1. 초기 패, 미국이 현재 우세하다. 최첨단 모델, 고급 칩, 달러 자본, 클라우드 플랫폼, 글로벌 소프트웨어 진입로가 미국의 가장 정돈된 패를 구성한다. 오늘 바로 패를 공개한다면, 미국의 승률이 더 높다.

2. 패의 변화가 너무 빠르다, 우세가 승세는 아니다. 대형 모델의 선도 기간이 안정적인 세대 차이에서 끊임없이 열리고 닫히는 시간 차이로 단축되고 있다. Kimi K3가 일부 장기 코드 평가에서 부분적으로 역전한 것은, 중국이 패를 보고, 분석하고, 재조합하는 속도가 크게 빨라졌음을 의미한다.

3. 연산력이 칩 깊이를 결정하고, 알고리즘이 칩의 가치를 재정의한다. 미국은 고급 칩, HBM, 상호 연결, CUDA, 초대형 클러스터를 보유하여 더 많은 동시 베팅과 반복 시도 기회를 가진다. 중국은 동일한 고액 칩을 확보하지 못하므로, 각 칩의 구매력을 높이는 방법을 모색한다.

4. 미국은 비장의 패를 쥐고, 중국은 테이블을 확장한다. OpenAI와 Anthropic은 능력 우위를 반복적으로 수익을 창출하는 '모델 임대료'로 전환하려 한다. 중국 업체는 저가, 오픈 가중치, 로컬 배포를 통해 유통권을 확보하고, 클라우드 서비스, 산업 배포, 개발 표준이 형성하는 '생태계 임대료'를争夺한다.

5. Token 가격은 단지 베팅 금액일 뿐, 단위 작업 비용이 팟(Pot)을 결정한다. 저렴함이 결정타와는 거리가 멀다. 진짜 대결은 동일한 작업을 완료하는 데 최종적으로 얼마가 드는가에 있다. 미국은 실패 비용이 가장 높은 핵심 작업을 방어하고, 중국은 더 많은 일반 작업이 팟에 참여할 자격을 갖추도록 시도한다.

6. 자본은 시행착오 권리를 구매할 뿐만 아니라, 수익 창출 카운트다운을 시작한다. 미국의 민간 AI 투자 규모는 현저히 앞서며, 더 많은 경로에 동시에 베팅할 수 있다. 중국의 자본은 더 분산되어 있으며, 대기업, 산업 자본, 정책에 더 의존한다. 양측이 소진하는 것은 단지 돈뿐만 아니라, 미래에서 빌려온 시간이다.

7. 시나리오가 많다고 해서 이미 완성된 패는 아니다. 중국은 실제 승패가 있는 비즈니스 패보(牌譜)가 부족하지 않지만, 거래, 이행, 품질 검사, 장비 운영 결과가 훈련으로 환류되어야만 산업 규모가 모델 우위로 전환될 수 있다.

8. 마지막으로, 누가 하락을 통제하고 판을 뒤엎는 변수를 피할 수 있는지도 봐야 한다. 고용 불안, 사기, 프라이버시 사고, 에이전트 통제 상실, 자본 거품, 규제 강화, 나아가 AGI의 조기 도래까지, 오늘날 가장 가치 있는 칩의 가치를 재평가하게 만들 수 있다.

서문: 플레이어 착석, 텍사스 홀덤 시작

천장에서 낮게 드리워진 조명, 녹색 펠트 테이블이 주변의 차가운 빛을 흡수하고, 칩과 카드, 그리고 먼저 깜빡이지 않는 두 쌍의 눈만 남았다. 공기 중에는 커피, 차가운 담배, 서버 발열, 그리고 새로 인쇄된 지폐의 환상적인 냄새가 섞여 있다. 누군가 미래를 담보로 내놓으려는 냄새다.

딜러는 고개를 숙여 카드를 섞는다. 손은 깨끗하고, 동작은 부드럽다. 시간은 항상 그렇다. 카드를 나눠주지만, 책임은 지지 않는다.

AI 테이블에는 원래 많은 사람들이 앉아 있었다. 유럽은 규제 서류를 들고 왔고, 일본과 한국은 칩 공급망에서의 위치를 고수했으며, 중동은 에너지와 석유 자본을 테이블 위에 쌓아 올렸다. 하지만 블라인드가 오르면서, 최첨단 모델, 초대형 클러스터, 글로벌 진입로를 계속 따라갈 수 있는 주요 국가는 미국과 중국뿐이었다.

미국 앞에는 맨해튼 스카이라인처럼 쌓인 칩 더미가 있다. OpenAI, Anthropic, Google, Meta가 눈에 띄게 드러나 있으며, 엔비디아, 클라우드 플랫폼, 달러 자본, 글로벌 소프트웨어 진입로가 그 아래에 단단히 자리 잡고 있다. 중국의 칩은 그렇게 정돈되지 않았지만 빠르게 두꺼워지고 있다: DeepSeek, Qwen, Kimi, Zhipu, MiniMax, Ji Yue, 그리고 그 뒤에 있는 인터넷 플랫폼, 오픈소스 커뮤니티, 국산 칩, 방대한 애플리케이션 시장이 상대방이 더 이상 예전 배당률로 여유롭게 베팅할 수 없을 정도로 두꺼워졌다.

딜러는 말없이 카드를 펼친다. 그 위에는 수성 광택 잉크로 선명하게 쓰여 있다: 대형 언어 모델.

ChatGPT가 처음 등장했을 때는 확실히 충격적이었지만, 처음 사용자 생활에 들어왔을 때는 단지 더 똑똑한 Siri에 불과했을 수도 있다. 사람들은 시를 쓰게 하고, 이야기를 짓게 하며, 양자 역학을 설명하게 했고, 진지한 표정으로 지어낸 헛소리를 캡처해서 여기저기 공유했다. 불과 몇 년이 지난 지금, 그 채팅창은 어느새 검색, 프로그래밍, 사무, 고객 서비스, 연구 프로세스 속으로 파고들었다.

그것은 진정으로 일을接管하기 시작했다. 즉, 생산성을.

1. 최첨단 모델 능력: 먼저 패를 보고, 그다음에 완성할 수 있는지 본다

텍사스 홀덤이든 다른 카드 게임이든, 아주 간단한 원칙이 있다: 좋은 패를 받았다고 이기는 것은 아니다. 좋은 패가 완성 패가 되기까지는 아직 멀고 험난하기 때문이다.

A와 K를 손에 쥐고 있으면 당연히 위압감이 느껴지지만, 플랍(공유카드)과 전혀 연결되지 않으면 당분간은 그저 A 원페어에 불과하다. 반대로, 눈에 띄지 않는 작은 패 두 장이 공유카드와 연결되면 오히려 어둠 속에서 기회를 엿보다가 스트레이트를 완성할 수도 있다.

대형 모델이 바로 이 시작 패와 같다.

1. 먼저 패를 살펴보자: 미국 패가 크고, 중국은 이미 앞자리에 앉았다

서로 다른 벤치마크는 각기 다른 능력을 측정하므로, 하나의 총점으로 단순히 합산할 수는 없다. 하지만 2026년 7월 17일 기준의 핵심 순위표들을 펼쳐보면, 현재 판의 대략적인 형태를 읽을 수 있다.

강력한 패는 점점 많아지고 있지만, 아직 모든 것을 압도하는 패는 없다.

최고 모델만 놓고 보면, 미국이 여전히 더 큰 시작 패를 쥐고 있다. Anthropic, OpenAI, Google, xAI, Meta가 최첨단 모델 요새를 형성하여 일반 추론, 코딩, 멀티모달, 에이전트 분야에서 번갈아 선두를 달리고 있다. 미국의 강점은 특정 회사가 우연히 1위에 오르는 것이 아니라, 최첨단 모델 공급의 전반적인 두께에 있다.

하지만 오늘 발표된 Kimi K3는 중국과 최대 패와의 격차를 현저히 좁혔다. 서드파티 Artificial Analysis는 K3에 57점을 부여하며 종합 지능 순위 4위에 올렸고, 이는 Claude Fable 5의 약 60점, GPT-5.6 Sol의 약 59점과 불과 2~3점 차이다. 이로써 중국 모델은 글로벌 종합 능력 상한선에 근접하기 시작했다.

코딩은 K3가 가장 멋지게 성공한 패다. 공개된 동일 그룹 테스트에서 K3의 Program Bench 점수는 77.8점으로 GPT-5.6 Sol의 77.6점보다 약간 높았다. SWE Marathon은 42.0점으로 Sol의 39.0점보다 높았고, Terminal-Bench 2.1은 88.3점으로 Sol의 88.8점에 근접했다. 사용자 블라인드 선정 결과인 Frontend Code Arena에서는 K3가 1679점으로 1위를 차지했으며, 7개의 프론트엔드 세부 분야 중 6개에서 1위를 기록했다.

따라서 판세가 변화했다. 미국은 여전히 종합 능력, 일반 경험, 체계화된 에이전트 능력의 상한선을 장악하고 있지만, 중국은 이제 코딩이라는 고가치 공유카드에서 여러 판을 이길 수 있게 되었다.

미중 최첨단 모델 간 경쟁이 전면적인 추격에서 국지적인 승패가 엇갈리는 구도로 전환되고 있다.

2. 판의 리듬: 세대 차이가 시차로 바뀌고 있다

벤치마크(Benchmarks)는 여전히 중요하지만, 점점 덜 중요해지고 있다.

핵심은, 벤치마크가 점점 더 우리에게 특정 순간의 판세 스냅샷만을 보여줄 뿐, 몇 주 후에 누가 선두를 유지할지는 알려주기 어렵다는 점이다.

모델 반복 속도가 느렸을 때는 한 번의 선두가 보통 반년 이상의 세대 차이를 의미했다. 그 시절에는 순위표의 높은 점수가 단순히 좋은 성적표일 뿐만 아니라, 충분히 넓은 기술적 해자(護城河)를 의미하기도 했다. 2026년 3월, 스탠퍼드대학교의 《2026 AI Index》에 따르면, 미국의 주요 모델들은 25 Arena Elo 점 미만의 좁은 구간에 밀집되어 있으며, Qwen과 DeepSeek도 최첨단 영역에 진입했다. 2025년 이후, 미중 모델은 여러 차례 순위를 교체했고, 2026년 3월 기준 양측 최고 모델의 공개 성능 격차는 약 2.7%였다.

따라서 벤치마크가 잃어가고 있는 것은 측정 능력이 아니라, 최종 결과를 예측하는 능력이다.

이러한 배경에서 "미중 대형 모델의 격차는 단 3개월"이라는 말이 등장했다. 이는 중국이 모든 방면에서 미국에 고정적으로 3개월 뒤처져 있다는 의미가 아니라, 양측의 경쟁이 비교적 안정적인 '세대 차이'에서 끊임없이 열렸다 닫혔다 하는 '시차'로 변화하고 있음을 의미한다. Moonshot AI(月之暗面)는 6월 12일 코드 특화 모델 K2.7 Code를 출시한 데 이어, 불과 35일 만인 7월 17일 플래그십 모델 K3를 내놓았다. 코드, 수학, 멀티모달, Agent, 실제 제품 경험 등 각 분야는 저마다 다른 시계를 가지고 있으며, 어떤 분야는 몇 달, 어떤 분야는 몇 주 차이에 불과하다.

추격 속도를 더욱 가속화하는 요소는 증류(Distillation)다. 학생 모델은 교사 모델의 파라미터를 볼 필요 없이, 그 답변, 코드 솔루션, 도구 사용 방식을 대량으로 학습함으로써, 상대가 이미 개척한 길을 따라 더 빠르게 일부 판단 경로를 습득할 수 있다. 증류 자체는 일반적인 기술이다. 논란의 여지는 경쟁자가 타사의 상업용 모델을 허가 없이 대규모로 호출했는지에 있을 뿐이다.

2026년 6월, Anthropic은 미국 상원의원에게 서한을 보내, 알리바바 및 Qwen 팀과 관련된 운영자가 약 2만 5천 개의 가짜 계정을 통해 Claude와 약 2880만 회의 상호작용을 시도하여, Agent 추론, 소프트웨어 엔지니어링 및 장기 작업 능력을 추출하려 했다고 주장했다. 이 주장은 Anthropic 측의 발언이므로, 독립적인 조사 결과와는 구분되어야 한다. 그러나 이는 적어도 한 가지 사실을 드러낸다: 미국의 최첨단 모델 기업들은 더 이상 파라미터, 칩, 훈련 코드만을 전략적 자산으로 간주하지 않으며, 모델이 생성한 답변조차도 능력 유출 가능성이 있는 경로로 보기 시작했다는 점이다.

미국은 여전히 더 자주 새로운 카드를 꺼내고 있지만, 중국은 카드를 읽고, 해체하고, 재조합하는 속도가 과거보다 훨씬 빨라졌다. 최고 자리는 단기 행동권이 되었으며, 더 이상 자연스럽게 장기적인 승리를 의미하지 않는다.

2. 승률 재계산: 연산력, 알고리즘, 데이터 및 인재가 판을 어떻게 바꾸는가

나무는 고요하고 싶지만 바람이 그치지 않고, 카드는 고요하고 싶지만 마음이 가라앉지 않는다.

한 플레이어가 분명 더 좋은 카드를 쥐고 있음에도 불구하고, 칩이 너무 얕거나 정보가 부족하거나 상대방의 범위를 전혀 읽지 못해 패배할 수 있다. 다른 플레이어는 처음에 약간 약한 패를 쥐었더라도, 더 적은 비용으로 몇 라운드를 더 지켜볼 수 있다면 승률을 조금씩 만회할 수도 있다.

연산력, 알고리즘, 데이터 및 인재가 합쳐져 결정하는 것은 바로 이 아직 실현되지 않은 승률 부분이다. 이는 한 AI 기업이 얼마나 많은 경로를 시도할 수 있는지, 한 번의 시행착오 비용이 얼마나 비싼지, 경험이 유지될 수 있는지, 그리고 다음 모델 업데이트 후에도 다시 테이블에 앉을 수 있는지를 결정한다.

1. 연산력: 미국은 최고 액면가를 통제하고, 중국은 경제적 실용성을 확보하기 위해 경쟁한다

기반 모델이라는 초기 패와 비교하면, 연산력이야말로 미국 손에 있는 진정한 황금 칩이다. 카드가 나쁘면 다음 공용 카드를 기다리면 되지만, 칩이 끊기면 테이블 옆에 계속 앉아 있기 어렵다.

미국은 고급 AI 연산력의 제조권을 쥐고 있다: 엔비디아가 가속기, 상호 연결 및 소프트웨어 스택을 정의하고, TSMC가 첨단 제조를 담당하며, 한일 기업이 HBM을 공급하고, 클라우드 업체가 수만 개의 칩을 훈련 클러스터로 조직한다. 칩, 네트워크, 스토리지, 전원 공급 및 CUDA가 서로 맞물려 있어, 최첨단 경쟁은 더 이상 단일 카드 성능 비교가 아니라, 하나의 'AI 공장'이 수만 개의 칩을 하나의 전체로 묶을 수 있는지에 달려 있다.

중국은 이미 '국산 AI 칩이 있느냐 없느냐'의 문턱을 넘었다. 화웨이 CloudMatrix는昇腾, 鲲鹏, 네트워크 및 소프트웨어를 통합 시스템으로 구성하여 DeepSeek 모델 훈련 및 추론에 사용한다. 진정으로 넘어야 할 것은 '실행 가능'에서 '경제적 실용성'으로 가는 것이다: 칩은 공급이 원활하고, 연결이 안정적이며, 조정이 가능해야 한다. 모델 마이그레이션은 감당할 수 없는 엔지니어링 비용을 초래해서는 안 된다. 만장 칩 클러스터가 한 달 동안 운영될 때, 대부분의 시간이 통신, 장애 및 호환성 문제에 소비되어서는 안 된다.

유효 연산력은 칩 수보다 더 정직하다. 이론적 연산력은 메모리 대역폭, 노드 통신, 소프트웨어 연산자, 장애 및 활용률의 여러 계층을 거쳐 감소한다. 만 장의 카드는 서류상으로는 인상적이지만, 실제로 지속적으로 훈련에 사용할 수 있는 능력은 단순 곱셈보다 훨씬 낮을 수 있다. 미국의 강점은 칩, HBM, 상호 연결 및 소프트웨어가 이미 동일한 훈련 요구를 중심으로 공동 최적화되었다는 점이다. 중국의 어려움은 한 고리를 보완할 때마다 병목 현상이 즉시 다음 고리로 이동할 수 있다는 점이다.

중국이 '경제적 실용성'이라는 문턱을 넘지 못하는 한, 미국은 칩 우위를 지속적으로 모델 승률에 반영할 수 있다. 그러나 일단 이 문턱을 넘으면, 수출 통제가 여전히 비용을 증가시키더라도 중국을 게임에서 배제하기는 어려워진다.

2. 알고리즘과 엔지니어링: DeepSeek가 칩의 가치를 재정의하다

텍사스 홀덤에서 칩이 많을수록 유리한 것은 당연하다. 하지만 상대가 당신이 쥔 10,000 단위 칩에서 0 두 개를 지워버리면, 테이블 위의 구매력은 다시 계산된다.

중국은 바로 그런 놀라운 카드, DeepSeek를 한 번 내놓은 적이 있다.

DeepSeek-V3 기술 보고서는 드물게 상세한 내역을 공개했다: 최종 완전 훈련에 약 278만 8천 H800 GPU 시간이 사용되었다. 이 수치에는 초기 탐색, 실패한 실험, 하드웨어 조달 및 인프라 비용이 포함되지 않았기 때문에, '약 600만 달러만으로 최첨단 모델을 훈련했다'는 주장은 청구서의 절반을 생략한 것이다. 그럼에도 이는 업계를 뒤흔들었는데, 많은 이들이 상식으로 여겼던 오래된 배당률을 깨뜨렸기 때문이다: 모델 성능과 연산 투자 사이에는 고정된 환율이 존재하지 않는다.

V3는 MoE 아키텍처를 채택하여 각 토큰이 일부 파라미터만 활성화한다; 멀티 헤드 잠재 주의 메커니즘으로 캐시를 압축하고, FP8 훈련으로 계산 및 통신 비용을 줄이며, 부하 균형으로 전문가 유휴 시간을 최소화한다. R1은 효율성을 후퇴 단계까지 확장했다: 수학, 코드 등 결과 검증이 가능한 작업에서 모델은 강화 학습을 통해 반복적으로 시행착오를 겪으며, 값비싼 수동 추론 예시를 자동 판별 가능한 보상 신호로 대체한다. 즉, DeepSeek는 추가 칩을 얻은 것이 아니라, 기존 칩을 더 효율적으로 작동하도록 만든 것이다.

미국은 여전히 새로운 경로를 탐색하는 데 더 뛰어나다. Transformer, Scaling Law, RLHF 및 다양한 Agent 프레임워크는 대부분 미국 연구 기관과 기업이 먼저 선도했다; 더 깊은 자본 풀 덕분에 연구소는 여러 검증되지 않은 방향에 동시에 베팅할 수 있다. 중국은 과거에 복제, 압축 및 엔지니어링 최적화에 더 강했다. DeepSeek 이후, 이 경계는 흔들리기 시작했다: 중국 팀은 더 이상 다른 사람의 경로를 더 저렴하게 만드는 데 그치지 않고, 업계의 비용 예상을 다시 쓰는 방법을 제시하기 시작했다.

그러나 알고리즘의 이점이 하드웨어를 영구적으로 대체할 수는 없다. 논문은 확산되고, 선도 모델도 동일한 기술을 흡수할 것이다; 효율성 향상은 더 많은 호출을 유발하여 절약된 연산력이 곧 새로운 수요에 소비된다. 플레이어는 베팅을 더 정밀하게 제어하는 법을 배웠지만, 블라인드도 계속 올라가고 있다.

따라서 엔지니어링 효율성이 중국에 갖는 전략적 가치는, 제한된 연산력으로 실험 횟수를 늘리고 검증 주기를 단축하며, 국산 하드웨어의 성숙을 위한 시간을 벌 수 있다는 점에 더 있다.

3. 데이터: 결과를 동반한 데이터가 가치를 높이고 있으며, 현재 미국이 우위를 점하고 있다

프로 포커 플레이어가 경기를 복기할 때, 당연히 자신이 A를 받았는지 K를 받았는지만 기록하지 않는다. 그는 전체 행동을 보존한다: 누가 먼저 베팅했는지, 턴 라운드에서 어떻게 레이즈했는지, 커뮤니티 카드가 어떻게 변했는지, 상대가 마지막에 무엇을 공개했는지, 자신의 판단이 어디서 틀렸는지까지.

데이터가 모델에 있어서도 마찬가지다.

초기 대형 모델은 주로 공개 인터넷에서 언어, 지식 및 코드를 학습했으며, 미국은 영어 웹페이지, GitHub, 논문 출판 및 글로벌 디지털 플랫폼을 통해 선발 우위를 확보했다. 고품질 공개 말뭉치가 반복적으로 사용되면서, 진정으로 희소해진 것은 모델이 읽지 않은 텍스트뿐만 아니라 명확한 결과를 동반해 작업 성패를 판단할 수 있는 데이터다.

고객 서비스 대화의 가치는 상담원이 무슨 말을 했는지에 있을 뿐만 아니라 문제가 해결되었는지에 있다. 프로그램 코드의 가치는 논리적으로 보이는지에 있을 뿐만 아니라 수정 후 테스트를 통과할 수 있는지에 있다. 결과를 가리키지 않는 데이터는 대부분 잡음에 불과하다.

2026년 초, 알리바바는 프로그래밍 Agent Qoder 훈련을 위해 맞춤형 Qwen-Coder를 개발하며, 실제 소프트웨어 작업, 제품 환경 및 엔지니어링 보상을 훈련에 도입했다. 알리바바는 공개한 바에 따르면, 반복 후 코드 온라인 유지율이 3.85% 증가했고, 도구 이상률이 61.5% 감소했으며, 토큰 소모가 14.5% 줄었다. 이 수치는 제조사에서 나온 것으로 외부 검증이 필요하지만, 전문 데이터의 가장 비싼 부분이 무엇인지 지적한다: 그 텍스트가 아니라 텍스트 뒤에 검증 가능한 결과다.

미국은 더 넓은 피드백 진입점을 보유하고 있다. ChatGPT, Claude, Gemini, GitHub 및 오피스 제품군은 전 세계 소비자, 개발자 및 기업을 연결하며, 모델 회사는 사용자가 어디서 답변을 수정하는지, 프로그래머가 어떤 코드를 유지하는지, Agent가 어느 단계에서 실패하는지 관찰할 수 있다.

중국의 기회는 더 밀집된 비즈니스 프로세스에 있다. 바이트댄스의 숏폼 비디오와 광고, 메이투안의 배달 및 물류, 알리바바의 전자상거래와 이행, 신에너지 자동차의 자율주행, 공장의 품질 검사 및 장비 운영 등 모든 체인은 실제 승패를 동반한다.

중국이 진정으로 부족한 것은 고품질의 완전한 포커 기록이다. 대량의 산업 데이터가 여전히 다른 기업, 부서 및 지역 시스템에 분산되어 있다. 작업이 표준화되고, 결과가 검증 가능하며, 데이터가 규정을 준수하는 조건에서 흐를 수 있을 때만 비즈니스 흔적이 모델 자산이 된다. 시나리오가 많다는 것은 원료가 많다는 것일 뿐, '모델 실행, 현실 피드백, 결과 회귀'의 짧은 체인을 형성할 수 있는지가 다음 훈련에서 영양분을 섭취할지, 아니면 정리할 수 없는 오래된 카드 한 창고를 얻게 될지를 결정한다.

4. 인재: 중국은 인재의 상류, 미국은 인재 증폭기

지난 몇 차례의 판에서 미중 경쟁은 항상 개별 테크 기업들이 나서서 겨루는 모습으로 비춰졌다. 미국 쪽에서는 OpenAI, Anthropic, Google, Meta가 나섰고, 중국 쪽에서는 DeepSeek, Zhipu AI, Moonshot AI, Alibaba, ByteDance가 등장했다.

테크 기업들은 모델을 출시하고, 연산 자원을 축적하며, 사용자를争夺하며 각국을 대표해 게임 테이블에서 계속 '출전'했다. 하지만 기업은 결국 대국 간 경쟁이 상업 세계에서 구현된 매개체에 불과하다. 어떤 기업이 어떤 카드를 읽을 수 있고, 어떤 전략에 베팅할 용기가 있으며, 한 번의 우위를 지속할 수 있는지를 진정으로 결정하는 것은 조직 뒤에 있는 인재다.

인재는 새로운 아키텍처를 제안하는 연구자일 수도, 훈련 시스템을 구축하는 엔지니어일 수도, 모델을 시장에 내놓는 제품 팀일 수도 있다. 범위를 더 넓히면, 대규모 AI 모델 생태계에 지속적으로 신인을 양성하고 공급하는 대학, 연구소, 경쟁 시스템도 포함될 수 있다.

대규모 AI 모델의 성공은 종종 한 과학자의 번뜩이는 아이디어로 설명되곤 하는데, 이는 신화를 창조하는 경향이 있는 오류다. 마치 프로 포커가 한 사람이 테이블에 앉아 있지만, 최고의 선수 뒤에는 코치, Solver, 핸드 데이터베이스, 체력 관리, 장기 자금 관리가 있는 것과 같다. 진정으로 안정적인 우위와 승세는 단 한 번의 신의 한 수에서 나오는 것이 아니라, 지속적인复盘과 오류 수정 시스템에서 비롯된다.

AI 기업도 마찬가지다. 최고 연구자는 특정 경로에 베팅할 가치가 있는지 결정할 수 있지만, 그 뒤에는 수백 명의 시스템 엔지니어가 연산 손실을 최적화하고, 장애를 처리하며, 우연한 성공을 반복 가능한 훈련과 제품으로 전환한다.

대국 간 인재 경쟁의 본질은 결국 누가 더 앉을 가치가 있는 게임 테이블을 제공할 수 있는지 비교하는 것이다. 최고의 연구자는 더 높은 급여, 더 깊은 연산 자원, 더 강한 동료, 더 중요한 문제, 그리고 실패를 더 허용하는 장소를 선택한다. 미국이 오랫동안 전 세계 고수들을 끌어모은 것은 바로 이러한 '게임 테이블 선택권' 덕분이다.

이 표에서 가장 아이러니한 점은 중국에 인재가 없다는 것이 아니라는 것이다. 정반대로, 중국은 이미 글로벌 최고 AI 인재의 가장 중요한 상류 중 하나다. 문제는 많은 인재가 초기 훈련을 마친 후, 최종적으로 미국의 증폭기에 연결된다는 점이다.

미국의 대규모 AI 모델 우위는 폐쇄적인 시스템이 자급자족한 결과가 아니다. 그것은 거대한 글로벌 인재 원심분리기와 같다. 중국, 인도, 유럽, 전 세계에서 가장 똑똑한 젊은이들을 미국의 박사 과정으로 빨아들이고, Stanford, MIT, Berkeley, CMU의 최고 연구소로 보낸 후, 최종적으로 OpenAI, Anthropic, Google DeepMind, Meta, Microsoft, NVIDIA와 같은 기업으로 공급하는 것이다.

대학은 여전히 방법론, 논문, 인재를 제공하지만, 방법론을 만장(萬丈) 규모의 클러스터, 글로벌 제품, 상업적 수익으로 확대할 수 있는 주체는 점점 더 기업으로 집중되고 있다. Stanford AI Index 통계에 따르면, 주요 최첨단 모델의 출시 주체는 이미 고도로 산업화되었다. 대학은 새로운 모델 유형을 발명하는 역할을 맡고, 기업은 진정한 대형 판을 장악하고 있다.

중국의 상황은 완전히 다르지 않다. 중국의 강점은 더 큰 엔지니어 인력 풀, 더 짧은 책임 체인, 그리고 산업 현장에 더 밀접한 업무 밀도에 있다.

이러한 엔지니어링 팀의 가치는 대규모 모델이 복잡한 시스템에 진입한 후에야 진정으로 드러난다. 최첨단 모델은 소수의 최고 과학자가 필요하지만, 모델의 실질적 적용에는 수백, 수천 명의 시스템 엔지니어, 데이터 엔지니어, 추론 최적화 엔지니어, 칩适配 엔지니어, 그리고 제품 팀이 필요하다. 미국은 소수의 최고 인재를 능력의 한계까지 밀어붙이는 데 능숙하고, 중국은 대규모 엔지니어를 산업 현장에 배치하는 데 더 능숙하다. 전자는 일반 능력의 상한선을 돌파하는 데 적합하고, 후자는 신속한 개조, 배포, 인도에 적합하다.

이것이 DeepSeek, Moonlight 등 기업이 중국 대규모 모델 서사에 가져온 변화이기도 하다. 이들은 중국 기업이 다른 조직 방식으로 게임에 참여할 수 있음을 증명했다: 더 긴밀한 팀, 더 짧은 피드백 체인, 더 강력한 엔지니어링 압축 능력, 그리고 젊은 인재가 핵심 업무에 더 빨리 진입할 수 있는 공간.

아마도, 미중 대규모 모델 게임의 진정한 승패는 현재가 아니라, 차세대 우수 인재들이 베이징, 상하이, 광저우 등에서 출발할 때 어느 곳을 자신의 주 무대로 삼을지에 달려 있다. 실리콘밸리로 날아가 미국의 초강력 증폭기에 접속할 것인가, 아니면 중국에 남아 확장 중인 새로운 판 위에서 국산 모델, 칩, 시스템, 산업 현장을 하나의 폐쇄 루프로 연결할 것인가.

3. 전략적 접근법: 미국은 고지를 점령하고, 중국은 농촌에서 도시를 포위한다

모델 선도력이 세대 차이에서 시간 차이로 압축되면, 문제는 더 이상 '누가 먼저 큰 카드를 내는가'가 아니라, 그 카드가 장기적 우위로 전환될 수 있는지 여부가 된다.

1. 미국이 밑바닥 카드를 지키는 것은 가격 결정권을 증명하기 위함이다

OpenAI, Anthropic, Google은 최강 모델을 구독 제품, API, 클라우드 플랫폼에 남겨둔다. 개발자는 호출할 수 있지만, 전체 가중치를 다운로드하거나 자유롭게 수정하거나 플랫폼을 우회하여 배포할 수는 없다.

폐쇄 소스는 우선 가격 결정 전략이다.

OpenAI와 Anthropic은 언제 공개 시장에 진입하든, 실리콘밸리와 월스트리트의 가격 결정 논리를 마주해야 한다. 자본 시장은 일회성 benchmark 1위에 대해 장기적으로 비용을 지불하지 않으며, 수익, 유지율, 총이익, 협상력을 더 중요하게 여긴다. 가장 진보된 모델의 진입점을 통제해야만, 각 호출, 각 구독 사용자, 각 기업 계약에 대해 요금을 부과하고, 일시적 선도력을 반복적으로 판매할 수 있는 자산으로 전환할 수 있다.

이 두 회사는 칩, 데이터센터, 에너지 등 중자산 비용을 부담하면서도 소프트웨어 플랫폼 수준의 가치 평가를 원한다. 가중치가 완전히 개방되면 클라우드 사업자와 애플리케이션 기업이 신속하게 호스팅, 패키징, 가격 인하를 할 수 있어 기초 모델이 동질화된 원자재로 전락할 수 있다. 훈련자는 가장 큰 위험을 부담하지만, 수익은 연산력과 진입점으로 흘러간다.

따라서 미국이 지키는 것은 단순한 기술 비밀이 아니라 모델 임대료다. API, Agent 프레임워크, 기업 권한, 데이터 연결 및 보안 감사는 모두 모델 외부에 잠금 계층을 추가한다. 고객이 더 깊이 연결될수록 전환 비용이 높아지며, 일시적인 우위가 다음 순위 변동을 견딜 가능성이 커진다.

2. 중국이 일부 전략을 공개하는 이유는 유통 권한을 얻기 위함

오늘 시진핑 주석은 WAIC(세계 인공지능 대회)에서 개방과 상생을 고수하고, 오픈소스 개방과 협력 공유를 장려하며, 글로벌 남반구 국가의 역량 강화와 디지털 격차 해소를 글로벌 AI 거버넌스의 중요한 방향으로 제시했다. 같은 날 발표된 대회 의장 성명은 책임감 있는 방식으로 오픈소스 생태계를 구축하고, 기업의 자율 선택과 지식재산권 보호를 존중하는 전제하에 AI 기술과 서비스의 접근성을 높여야 한다고 강조했다.

대부분의 중국 모델 기업은 ChatGPT, Google, Workspace와 같은 글로벌 진입점을 보유하지 않았다. 따라서 대형 모델을 자체 플랫폼에 가두는 것은 실리콘밸리 방식처럼 높은 수익을 가져오지 못할 수 있다.

따라서 가중치 개방은 우선 유통 수단이다.

DeepSeek, Qwen, GLM은 다운로드 가능한 가중치, 저가 API, 인터페이스 호환성 및 로컬 배포를 통해 개발자를 확보하고 있다. 오늘 출시된 Kimi K3는 이 전략을 '관대함'의 극한으로 밀어붙였다: 총 파라미터 2.8조, 네이티브 비전 지원, 최대 컨텍스트 100만 토큰. Moon's Dark Side는 이를 최초의 공개 3T급 모델이라고 밝히며, 7월 27일까지 전체 가중치를 공개하겠다고 약속했다.

중국은 다른 국가들이 자신의 카드를 가져가 관찰하고 탐색할 수 있도록 허용하며, 더 많은 국가가 미국 API에 완전히 의존하지 않는 또 다른 기술 옵션을 갖도록 한다. 이것이 '농촌이 도시를 포위한다'는 논리다: 가장 비싸고 폐쇄적인 중심 시장을 먼저 공략하는 대신, 개방된 가중치, 저가 API, 하드웨어 호환성을 통해 더 많은 수, 더 빡빡한 예산, 데이터 이전을 꺼리는 시나리오에 진입하는 것이다.

많은 개발도상국에게 가장 중요한 것은 모델이 순위표에서 몇 점 더 높은 점수를 받는 것이 아니다. 그들은 모델이 현지 언어를 지원하는지, 데이터가 반드시 국외로 나가야 하는지, 가격이 감당 가능한지, 자국 서버에 배포할 수 있는지, 공급자가 지리적 정치적 변화로 인해 갑자기 서비스를 중단하지 않는지에 더 관심이 있다.

시진핑 주석은 연설에서 향후 5년간 중국이 개발도상국을 대상으로 인공지능(AI) 전문 연수 교육 자리 5,000개를 제공하고, 동남아국가연합(ASEAN), 아랍연맹, 아프리카연합(AU), 라틴아메리카·카리브해공동체(CELAC), 상하이협력기구(SCO), 브릭스(BRICS)를 대상으로 국제 AI 응용 협력 센터를 설립하며, 기상 지능형 조기 경보 솔루션을 30개국에 도입할 것이라고 발표했습니다. 또한 세계 AI 협력 기구(WACO)가 상하이에서 공식 출범했습니다.

이로써 중국은 세 가지 층위로 구성된 상호 보완적인 분배 체계를 형성하고 있습니다.

첫 번째 층위는 모델입니다: 개방형 가중치와 저렴한 API를 통해 사용门槛을 낮춥니다.

두 번째 층위는 인프라입니다: 클라우드 컴퓨팅, 국산 칩, 로컬 배포 및 업종별 솔루션을 통해 실제 수요를 처리합니다.

세 번째 층위는 제도 네트워크입니다: 교육, 협력 센터 및 국제 기구를 통해 일회성 모델 다운로드를 장기적인 기술 관계로 전환합니다.

물론, 개방은 글로벌 관심과 채택률을 얻을 수 있지만, 방대한 클라우드 사업이 자동으로 비용을 회수해주리라 기대할 수는 없습니다. 이들은 공식 API, 기업 서비스, 프라이빗 배포 및 상위 제품에서 현금 흐름을 찾아야 합니다.

중국은 예측 가능한 시간 범위 내에서 개방형 가중치를 개발 표준으로, 개발 표준을 클라우드 및 애플리케이션 수익으로, 국제적 채택을 장기적인 생태계로 전환해야 합니다. 그렇지 않으면 소위 분배권은 일시적인 다운로드 수에 불과하며, 차세대 모델에 재투자할 수 있는 비즈니스 선순환 구조가 되지 못할 것입니다.

3. 미국은 모델 임대료를, 중국은 생태계 임대료를 노린다

미국은 모델 임대료를 징수하려 합니다: 최고의 성능과 플랫폼 잠금을 통해 호출, 구독 및 기업 계약이 지속적으로 자사의 유료 진입로를 통과하도록 하는 것입니다. 중국은 생태계 임대료를 확보하는 데 더 주력합니다: 모델 자체의 가격을 낮추고, 개방을 통해 개발자, 클라우드 워크로드, 기업 배포 및 기술 표준을 확보한 후, 그중 한 층위에서 가치를 회수하는 것입니다.

두 노선 모두 각자의 함정에 빠질 수 있습니다. 폐쇄형 플랫폼은 성능 격차가 줄어드는 것을 가장 두려워합니다. 높은 장벽이 명백히 더 나은 성능으로 뒷받침되지 않으면, 해자(垓子)에서 유료 톨게이트로 전락할 수 있습니다. 반면 개방형 노선은 박수는 받지만 현금은 잃기 쉬워, 해외 클라우드 및 애플리케이션 기업이 수익을 가져가고, 원천 제조사는 가장 비싼 훈련 비용을 부담하게 됩니다.

중국 노선은 한 번의 전환을 완료해야 합니다: 개방형 가중치에서 개발 표준으로, 개발 표준에서 클라우드 및 배포 수익으로, 그리고 수익과 실제 작업에서 차세대 모델에 필요한 연산 능력과 데이터를 확보하는 것입니다. 미국 역시 자사의 우위가 사용자 워크플로우에 깊숙이 침투하여 쉽게 대체할 수 없는 지능 계층이 될 수 있음을 입증해야 합니다.

미국은 증명하고 있다: 내 카드는 충분히 희소하니, 볼 때마다 돈을 내야 한다.

중국은 베팅하고 있다: 충분히 많은 사람이 같은 카드 덱을 사용하기만 하면, 확산 자체도 협상력을 만들어낸다.

4. 팟 오즈(Pot Odds) 판단: 싼값은 호의가 아니라, 규모화의 전제 조건

팟 오즈는 냉정한 질문에 답한다: 테이블 위의 칩을 차지하기 위해, 얼마나 더 많은 대가를 치러야 하는가? 카드가 아무리 멋져도, 매번 콜(Call)하는 비용이 터무니없이 비싸면 장기적으로 원금이 바닥난다.

1. API 가격표는 첫 번째 청구서일 뿐

2026년 7월 17일 기준, 몇 가지 대표적인 모델의 공개 API 가격은 다음과 같으며, 단위는 백만 토큰당이다. (가격은 수시로 조정될 수 있으며, 기업 장기 계약 가격을 의미하지는 않는다. Kimi K3의 입력 가격은 캐시 미스(Cache Miss) 기준으로 계산된다.)

이 표에서 여전히 국산 모델의 가격 우위를 볼 수 있지만, 더 이상 '국산 모델은 모두 수십 배 싸다'는 식으로 일반화할 수는 없다. DeepSeek은 초저가를 극한까지 밀어붙이는 반면, Kimi K3는 최첨단 코드 능력과 100만 토큰 컨텍스트를 바탕으로 높은 가격을 책정하려 한다. 중국 모델의 전략은 단일 가격 전쟁에서 저가 물량 공세와 고급 프리미엄이라는 두 가지 노선으로 분화되고 있다.

일이 이렇게 단순하지 않으며, 토큰도 그렇게 후하지 않다.

기업의 완전한 청구서에는 최소한 토큰, 도구 호출, 실패 재시도, 수동 검사, 그리고 지연 시간과 안정성을 위한 예비 리소스가 포함되어야 한다. 가격표는 첫 번째 항목만 나열할 뿐이며, 일단 오류가 발생하면 기업은 이후의 모든 오류 수정 단계에 대한 비용을 부담해야 한다.

진정으로 공정한 비교는 '백만 토큰에 얼마인가'가 아니라, 동일한 작업을 완료했을 때 계좌에서 최종적으로 얼마가 빠져나갔는가이다.

하지만 그럼에도 불구하고, 저가는 여전히 강력한 카드다. 고객 서비스, 요약, 문서 처리, 배치 코드 리뷰는 매일 수백만 번 호출될 수 있으며, 단일 호출의 차액은 규모에 의해 빠르게 증폭된다. 저렴하다는 것은 스타트업이 시도와 오류를 감행할 수 있고, 중소기업이 시장에 진입할 수 있으며, Agent가 데모 무대에서 일상 업무로 나아갈 기회를 가질 수 있음을 의미한다. 중국은 더 많은 일반적인 작업이 풀(Pool)에 참여할 자격을 얻도록 만들려고 한다.

2. 자본의 양날의 검: 자금 조달 규모는 시행착오 권리를 사지만, 수익 창출 카운트다운도 시작한다

네 개의 최첨단 연구소를 함께 놓고 보면, 자본 구조의 차이가 더욱 명확해진다.

자금 조달 규모의 차이는 미국 최고의 연구소가 미래 수년간의 칩, 데이터센터, 인력 예산을 한 번에 현재로 가져올 수 있음을 보여준다.

자본이 실제로 뒷받침하는 것은 대형 AI 모델 기업의 시행착오 권리다. 자금이 충분히 깊다면 10개의 연구 방향을 동시에 진행하고, 9개가 실패하더라도 10번째가 계속 살아남을 수 있으며, 수익이 발생하기 전에 데이터센터와 전력 계약을 선점할 수 있다.

하지만 모든 운명의 선물에는 어두운 곳에 가격표가 붙어 있다. 돈이 많을수록 수익을 내야 하는 시계는 더 빨리 움직인다. 막대한 기업 가치 평가, 신용 대출, 인프라 약속은 모두 미래 현금 흐름에 대한 빚이다. OpenAI와 Anthropic은 능력 우위를 구독, API, 기업 계약으로 전환하여, 중공업 비용을 부담하면서도 소프트웨어 플랫폼의 이익 구조를 가졌음을 증명해야 한다. 자본은 그들에게 더 깊은 판돈을 주었지만, 수익 창출 시한을 조용히 테이블 아래에 적어두었다.

중국의 자본 구조는 상대적으로 더 분산되어 있다. 인터넷 대기업은 클라우드와 소비자 사업으로 버팀목을 삼고, 스타트업은 산업 자본과 지방 및 중앙 정부의 정책 지원을 받으며, 공공 컴퓨팅 인프라가 기초 투자의 일부를 담당한다. 이는 핵심 방향이 단기 수익 부족으로 즉시 중단되지 않도록 할 수 있지만, 중복 투자, 낮은 활용률의 클러스터, 보조금에만 책임지는 프로젝트를 만들 수도 있다.

미국의 위험은 뜨거운 자금이 충분히 많아 아직 검증되지 않은 수요를 조기에 자본화하기 쉽다는 점이다. 중국의 위험은 뜨거운 자금이 충분히 집중되지 않아 최전방 연구가 장기 투자가 가장 필요한 시점에 단기 납품으로 전환될 수 있다는 점이다. 전자는 고가 모델이 막대한 투자를 충당할 수 있음을 증명해야 하고, 후자는 저가와 개방이 영구적인 보조금이 아니라 클라우드 수익, 기업 도입, 산업 효율성으로 이어질 수 있음을 증명해야 한다.

이번 판에서 양측이 태운 것은 돈만이 아니다. 가장 소중한 것은 미래에서 빌려온 시간이다.

3. 전력 제한이 전략적 공간을 결정: 중국은 인프라의 깊이를 보유

훈련은 집중적으로 폭발하는 부하이고, 검색, 사무, Agent 추론은 밤낮으로 멈추지 않는 부하이다. 모델이 수십억 번 호출될 때, 전기 요금, 계통 연계, 냉각, 칩 활용률이 모든 작업의 비용에 포함된다.

중국 에너지 인프라의 장점은 첫째로 규모다.

'인프라 강국'으로서 중국은 더 큰 전력 시스템을 보유하고 있으며, 풍력, 태양광, 에너지 저장, 원자력, 지역 간 송전 네트워크를 지속적으로 건설하고 있다. 대형 AI 모델에 필요한 데이터센터 건설이 새로운 대규모 부하를 가져올 때, 중국은 분명히 더 큰 공급 여유와 더 강력한 엔지니어링 확장 능력을 가지고 있다.

미국의 문제는 자본과 칩이 이미 문밖에서 기다리고 있지만, 전력망이 소프트웨어 업데이트 한 번으로 용량을 확장할 수 없다는 점이다. 미국 에너지부의 연구에 따르면, 고압 송전 프로젝트는 개발, 승인부터 완공까지 평균 약 10년이 소요되며, 일반적인 범위는 5년에서 17년이다. 발전 프로젝트의 경우, 계통 연계 신청부터 상업 운전까지의 평균 시간도 2008년 약 2년에서 2023년 약 5년으로 늘어났다.

2026년 6월, 미국 연방 에너지 규제 위원회(FERC)는 6개 지역 전력망 운영사에 대규모 부하 계통 연계 규칙을 설명하거나 개혁할 것을 추가로 요구했다. 연방 제도의 분권적 특성은 지역 송전선로 승인을 지연시키고, 변압기 등 장비의 납품 기간이 길어지며, 주(州), 발전 기업, 전력망 운영사, 데이터 센터 간에 비용 부담 주체를 두고 반복적인 협상이 필요하다는 것을 의미한다.

이와 대조적으로, 2026년에 완전 가동되는 중국 모바일 닝샤 중웨이 데이터 센터 단지는 누적 IT 전력이 332MW에 달하고, 지능형 컴퓨팅 규모는 100 EFLOPS를 초과하며, 녹색 전력 비율은 80% 이상 안정적으로 유지되고, 종합 전력 요금은 약 0.36위안/kWh이다. 이 프로젝트의 의미는 단지 전기 요금이 저렴하다는 것뿐만 아니라, 전원, 전력망, 에너지 저장 장치, 데이터 센터를 동시에 구축하여 에너지 자원을 직접 컴퓨팅 파워 공급으로 전환할 수 있다는 점에 있다.

따라서 에너지 인프라 측면에서 중국의 우위는 오히려 벤치마크(Benchmarks)에서의 우위보다 더 명확하다. 국제 에너지 기구(IEA)는 글로벌 데이터 센터 전력 소비가 2025년 약 485TWh에서 2030년 약 950TWh로 증가할 것으로 예상한다. 미국과 중국이 이 증가분의 거의 80%를 차지할 것이다. 경쟁이 모델 훈련에서 수십억 회의 지속적인 추론으로 전환됨에 따라, 중국의 에너지 인프라 우위는 더욱 중요해질 것이다. 훈련은 한 번의 클러스터 스케줄링을 기다릴 수 있지만, 추론 서비스는 연중무휴로 안정적이고 저렴한 전력을 필요로 하기 때문이다.

그러나 에너지 우위는 결국 칩 효율, 소프트웨어 최적화, 클러스터 활용률을 통해 환산되어야 한다. 저렴한 전력이라도 비효율적인 칩과 유휴 서버실에서 소비된다면 자동으로 저비용 지능이 되지 않는다. 진정으로 비교해야 할 것은 백만 번의 실제 작업을 완료하는 데 필요한 전력량, 칩 감가상각비, 인력 운영 유지비이다.

더 낮은 단위 작업 비용을 먼저 달성하는 쪽이 이 경쟁을 장기 소모전으로 끌고 갈 가능성이 더 높다. 이 점에서 중국의 국가 총동원 체제(举国体制)가 더 유리할 수 있다.

4. 중국이 도약해야 할 것은 비용 순환 고리

API, 자본, 에너지를 겹쳐 놓으면 승패는 쉽게 '누가 더 부유한가'로 귀결된다. 미국은 확실히 높은 투자로 모델의 한계를 돌파한 후, 글로벌 구독, 클라우드, 기업용 소프트웨어를 통해 비용을 회수할 수 있다. 반면 중국은 엔지니어링 최적화, 저가 모델, 인프라를 통해 호출 장벽을 낮추고, 대규모 사용을 통해 수익과 데이터를 찾으려 한다.

중국 노선의 위험은 모든 단계에서 가격을 낮추고 있지만, 충분한 이익을 남길 곳이 없다는 점에 있다. 저가 API가 단순히 호출량만 가져오고, 개방형 가중치가 다운로드 수만 가져오며, 지역 데이터센터가 건설 규모만 자랑한다면, 이 셋을 합쳐도 여전히 막대한 손실이 될 수 있다. 반대로 미국 노선의 위험은 모든 단계에서 높은 가격을 받을 수 있지만, 현저한 능력 차이를 지속적으로 유지해야 할 만큼 비용이 높다는 점이다.

현재 풀(Pool)의 배당률은 여전히 미국에 유리하다. 기술적 우위를 세계에서 가장 비싼 고객에게 판매할 수 있기 때문이다. 하지만 모델 성능이 점차 근접해지면, 단위 작업당 비용의 중요성이 급격히 커지고, 중국의 저가, 전력, 엔지니어링 효율성도 그 위력을 드러낼 것이다.

전제는 이러한 이점들이 결국 동일한 현금 흐름으로 합쳐져야 한다는 것이지, 각각은 훌륭하지만 고립된 세 개의 장부로 남아서는 안 된다는 점이다.

5. 풀(Pool) 확보: 누가 모델을 실제 업무에 적용할 수 있을까

패에서 앞서 있다고 해서 자동으로 칩이 앞으로 밀려오는 것은 아니다. 사용자가 지속적으로 사용하고, 기업이 기꺼이 비용을 지불하며, 작업이 검증 가능한 결과를 남겨야 기술적 우위가 실현된다. LLM 경쟁의 진정한 풀(Pool)은 단 네 가지뿐이다: 수익, 진입점, 피드백 데이터, 그리고 모델에 의해 재구성된 작업 흐름이다.

1. 미국이 먼저 진입점을 선점하고, 중국은 거래에 더 가깝다

ChatGPT는 먼저 사람들이 답을 찾는 습관을 바꾸고, 이후 글쓰기, 연구, 코드 및 기업 업무 공간으로 진출했다. Google은 Gemini를 검색, Workspace 및 클라우드에 통합했고, Anthropic은 Claude와 Claude Code를 통해 지식 작업과 소프트웨어 개발에 진입했다. 미국 모델 회사 뒤에는 본래 브라우저, 오피스 제품군, 코드 저장소 및 글로벌 클라우드 플랫폼이 있었다.

진입점은 순위표보다 따라잡기 어려운 이점이다. 기업이 한번 신원, 권한, 데이터 및 구매를 연결하면, 모델 교체는 단순히 이름을 바꾸는 것이 아니라 작업 흐름의 일부를 다시 분해해야 하는 일이 된다. OpenAI가 발표한 Signals 데이터에 따르면, 사용자 등록 6개월 후 일일 평균 메시지 수는 약 50% 증가하고, 시도하는 작업 유형은 두 배로 늘어났으며, 비영어권 사용자가 활성 사용자의 절반 이상을 차지했다.

중국 플랫폼은 글로벌 업무 진입점에서 더 멀지만, 구체적인 거래에는 더 가깝다. 알리바바는 Qwen을 타오바오와 티몰의 수십억 개 상품 카탈로그에 연결하여, 사용자가 대화 중에 비교, 주문, 배송 조회 및 사후 처리를 할 수 있게 했다. 모델이 연결하는 것은 단순한 웹페이지가 아니라, 판매자, 주문 및 이행 시스템이다. 사용자가 주문했는지, 추천이 수락되었는지, 배송 및 사후 처리가 완료되었는지, 모든 단계에 결과가 있다.

미국의 범용 모델은 먼저 사용자 진입점을 선점한 후 외부 서비스를 연결하는 반면, 중국의 슈퍼 플랫폼은 첫날부터 모델을 거래 폐쇄 루프에 배치할 수 있다. 전자는 더 강력한 글로벌 배포를 가지고 있고, 후자는 더 조밀한 행동 피드백에 밀착되어 있다.

2. 코딩(Coding)은 첫 번째 고부가가치 실험장

코딩은 가장 먼저 안정적인 유료화가 이루어졌는데, 그 이유는 결과 검증이 쉽기 때문입니다: 자동 완성이 수용되는지, 프로젝트가 컴파일되는지, 테스트를 통과하는지, 버그가 수정되는지, 어떤 대형 모델이 더 좋은지 한눈에 알 수 있습니다.

코딩 분야에서 미국은 원래 가장 강력한 패를 쥐고 있었습니다: GitHub, Microsoft, OpenAI, Anthropic 및 수많은 개발 도구가 전 세계 코드 진입점을 장악하고 있었고, 최상위 모델도 복잡한 저장소 작업에서 오랫동안 앞서 있었습니다. Kimi K3는 모델 성능 측면에서 새로운 격차를 만들어냈습니다. Moon’s Dark Side가 공개한 평가에 따르면, Kimi K3는 Program Bench와 SWE Marathon에서 GPT-5.6 Sol 및 Claude Fable 5를 능가했으며, Terminal-Bench 2.1에서는 GPT-5.6 Sol에 0.5점 차이로 뒤졌고, 일부 GPU 커널 최적화, 컴파일러 개발 및 칩 설계 작업에서 장기 실행 능력을 보여주었습니다. 하지만 모델이 몇 가지 평가에서 승리했다고 해서 개발 환경을 이미 확보한 것은 아닙니다. Kimi Code와 오픈 웨이트(Open Weight)는 배포를 보완하고 있지만, 중국은 여전히 GitHub, Codex 및 Claude Code가 축적한 사용자, 도구 체인 및 피드백 루프를 따라잡아야 합니다.

코드는 이미 미래 시장의 형태를 드러내고 있습니다: 최고의 모델은 복잡한 작업을 처리하고, 저렴한 모델은 자동 완성, 테스트 및 대량 검토를 담당하며, 기업은 난이도와 민감도에 따라 폐쇄형 클라우드와 로컬 모델 사이를 전환합니다. 결국 가치를 가져가는 것은 특정 모델이 아니라, 언제 어떤 모델을 사용해야 하는지 아는 시스템일 수 있습니다.

개발 환경을 장악하는 쪽이 모델을 더 빠르게 수정할 수 있습니다. 코드가 유지되는지 철회되는지, 테스트가 어느 단계에서 실패하는지, 개발자가 어떻게 변경하는지가 다음 훈련의 패턴이 됩니다.

3. To C Agent: 사용자 마인드를 선점하는 하향 공략의 핵심 카드

최첨단 모델이 패의 비교라면, To C Agent는 누가 모델의 능력을 수많은 사용자의 무의식적인 행동으로 바꿀 수 있는지를 겨루는 것입니다.

누군가 자료를 검색하거나, 파일을 정리하거나, 프레젠테이션을 만들거나, 여행을 계획하거나, 업무 문제를 해결하려 할 때, 가장 먼저 무엇을 열까요?

미국에서 현재 가장 대표적인 것은 OpenAI와 Anthropic이라는 두 장의 카드입니다.

ChatGPT는 이미 가장 강력한 AI 네이티브 브랜드 인지도를 형성했습니다. OpenAI는 이 카드를 두 가지 경로로 나누었습니다: ChatGPT Work(CodeX)는 연구, 문서, 표, 프레젠테이션 및 기타 완전한 결과물을 담당합니다. 사용자는 ChatGPT를 떠나지 않고도 질문 제기부터 완성된 결과물을 얻는 과정까지 진행할 수 있습니다.

Anthropic이 차지하는 사용자 인지도(mindshare)는 상대적으로 좁지만, 더 깊고 가치가 높아 공개된 연간 매출 기준으로는 한때 OpenAI를 넘어서기도 했다. Claude Code는 이미 많은 프로그래머들이 복잡한 프로젝트를 처리할 때 선호하는 도구가 되었고, Claude Cowork는 동일한 작업 방식을 연구원, 분석가 및 기타 지식 근로자에게 확장하여 Claude가 로컬 파일, 데스크톱 애플리케이션 및 다단계 작업을 직접 처리할 수 있게 한다.

미국에서는 매우 명확한 제품 인식이 형성되고 있다: 복잡한 작업이 있을 때, 어떤 소프트웨어를 열어야 할지 먼저 고민하지 말고, 먼저 Agent에게 맡기라는 것이다.

그러나 중국은 원래 이 길을 따르지 않았다.

처음에 중국 기업들은 Agent를 기업이 이미 잘하는 시나리오에 집어넣으려고 시도했다.

알리바바는 Qwen(千问)을 타오바오와 티몰의 40억 개 상품에 연결했다. 사용자는 대화를 통해 검색, 비교, 주문, 배송 조회 및 사후 처리를 할 수 있다. Qwen이 기반으로 하는 것은 알리바바가 이미 20년 넘게 운영해 온 상품, 판매자, 결제, 물류 및 사후 처리라는 전체 거래 체인이다.

바이트댄스는 콘텐츠 제작에 베팅했다. Seedance 2.0은 일반 사용자가 텍스트, 이미지, 오디오 및 비디오를 사용하여 완전한 시청각 창작을 제어할 수 있게 하며, Doubao(豆包), TikTok(抖音), CapCut(剪映) 및 크리에이터 생태계로 구성된 콘텐츠 배포 네트워크에 완전히 통합되었다.

메이투안은 LongCat을 기반으로 업그레이드한 '샤오투안(小团)'을 통해 이미 음식, 엔터테인먼트, 여행, 진료 등 생활 시나리오에 깊이 관여하고 있다. 2026년 노동절 기간 동안 메이투안은 '샤오투안'이 1억 명 이상의 사용자에게 서비스를 제공했다고 발표했다. 일반 Agent와 비교할 때, 메이투안이 보유한 것은 단순한 답변뿐만 아니라 상점, 리뷰, 위치, 재고, 이행 및 거래 결과까지 포함한다.

이에 따라, 중국과 미국의 To C Agent는 두 가지 다른 확장 방식을 형성했다. 미국은 AI 네이티브 진입점에서 외부로 확장하는 반면, 중국은 기존 시나리오에서 내부로 포위한다.

중국 경로의 위험은 인지도 분열에 있다. 쇼핑할 때는 Qwen을 열고, 창작할 때는 Doubao를 열고, 업무할 때는 WorkBuddy를 사용하는 것 자체가 혼란이다. 시나리오는 깊지만, 진입점은 여전히 분산되어 있다. 중국에는 위치가 좋은 여러 개의 테이블이 있지만, ChatGPT처럼 모든 사용자의 인지도를 하나의 이름 아래로 모을 수 있는 슈퍼 진입점은 아직 없다.

그리고 지금, 중국의 대기업들은 이를 깨닫고 미국에서 이미 검증된 범용 Agent 형태를 따라잡기 시작했으며, 채팅창을 작업대(workbench)로 개조하고 있다.

텐센트 WorkBuddy는 이미 하나의 명령어만으로 자료 정리, 데이터 분석, 문서 제작 및 콘텐츠 창작을 완료할 수 있습니다. Kimi의 범용 Agent, Kimi Claw, 그리고 샤오미 MiMo Claw도 파일, 도구 및 장기 작업을 대체하려 시도하고 있습니다. 이들이 하는 일은 ChatGPT Work 및 Claude Cowork와 점점 더 유사해지고 있습니다. 사용자는 목표만 제시하고, Agent는 단계를 분해하고 도구를 호출하여 최종 결과물을 전달합니다.

왜냐하면, 좋은 패 한 장으로 한 판을 이길 수는 있지만, 사용자의 기본 진입점을 선점하면 '치트키'처럼 이후의 모든 애플리케이션 시나리오를 훈련 경험으로 전환하여, '치트키'처럼 모든 패를 볼 수 있기 때문입니다.

여섯, 손실 통제: 제도와 사회의 압력 수용 능력

텍사스 홀덤은 결코 이기기만 하는 게임이 아닙니다. 아무리 강한 플레이어도 나쁜 패를 받을 수 있고, 올바른 판단을 내렸는데도 낮은 확률에 역전당할 수 있으며, 거대한 팟이 상대방에게 넘어가는 것을 지켜봐야 할 때도 있습니다.

프로 플레이어와 일반 플레이어를 진정으로 구분하는 것은 전자가 손실을 보지 않는다는 것이 아니라, 손실을 통제하고 감정이失控하는 것을 막아 이전 판의 손실이 다음 판의 판단을 망치지 않도록 한다는 점입니다.

AI 경쟁도 마찬가지입니다. 모델은 생산성을 높일 수 있지만, 일자리를 줄일 수도 있습니다. 콘텐츠 비용을 낮출 수 있지만, 사기와 딥페이크를 확대할 수도 있습니다. 기업 시스템에 진입하면 효율성을 높일 수 있지만, 한 번의 오류가 결제, 코드 및 핵심 데이터로 확산될 수도 있습니다.

1. 규제가 참여 범위를 결정한다

미국은 더 넓은 범위의 플레이 스타일에 가깝습니다. 기업이 먼저 제품을 출시한 후, 시장, 법원, 주 차원의 입법 및 규제 기관이 경계를 설정합니다. 이는 기업에 더 많은 실험 기회를 제공하지만, 일부 저작권, 프라이버시 및 제품 피해는 먼저 사회가 부담한 후 사후에 시정되어야 함을 의미합니다.

중국은 사전에 경계를 설정하는 것을 더 강조합니다. 등록, 콘텐츠 관리, 플랫폼 책임 및 업종 시범 운영은 명백한 위험을 줄이고 통일된 기준을 수립하는 데 도움이 됩니다. 그러나 경계가 모호하면 기업과 지방 정부가 책임을 회피하기 위해 규제를 과도하게 강화하여 손실 중단을 조기 폴드로 전환할 수 있습니다.

미국은 더 높은 변동성을 감수하고 더 많은 실험을 얻습니다. 중국은 통제 불능 확률을 낮추고 더 안정적인 추진을 얻습니다. 진정으로 뛰어난 제도는 영원히 느슨하거나 영원히 빡빡한 것이 아니라, 언제 범위를 확장하고 언제 칩을 회수할지 아는 것입니다.

2. 고용 충격이 사회가 감당할 수 있는 손실 규모를 결정한다

LLM이 가장 먼저 영향을 미치는 것은 언어 및 정보 처리 비중이 높은 직종입니다: 고객 서비스, 번역, 행정, 콘텐츠, 기초 프로그래밍, 법률 검색 및 일부 분석. 국제노동기구(ILO)는 전 세계 일자리의 약 4분의 1이 어느 정도 생성형 AI에 노출되어 있지만, 가장 높은 노출 등급에 속하는 고용은 약 3.3%에 불과하다고 추정합니다. 이는 모든 직업이 완전히 사라지는 것보다는 작업이 재구성되는 것에 더 가깝습니다.

위험은 특정 직무가 사라지는 데 있는 것이 아니라, 변화 속도가 사회가 새로운 일자리, 소득 및 안전망을 재편하는 속도를 앞지르는 데 있다. 기업은 몇 달 만에 AI를 도입할 수 있지만, 근로자는 기술을 다시 배우는 데 수년이 걸릴 수 있다. 경제는 장기적으로 성장하고 있지만, 일부 사람들은 이미 파산 직전에 이르렀다.

미국 노동시장은 더 유연하여 기업이 과감하게 직무를 재구성할 수 있지만, 그 비용은 개인과 가정에 더 많이 전가된다. 중국은 직업 교육, 산업 정책 및 대규모 조직을 통한 훈련 조정이 가능하지만, 더 많은 취업 인구와 더 높은 안정성 요구에 직면해 있다.

훌륭한 리스크 관리는 절대 하락하지 않는 것을 보장하는 것이 아니라, 한 번의 하락이 사람이 다시 게임에 참여할 능력을 잃지 않도록 하는 것이다.

3. 가장 위험한 것은 패배가 아니라 Tilt(틸트)다

Tilt는 포커 플레이어가 연속적인 나쁜 운을 겪은 후 이성을 잃고 손실을 쫓으며 베팅을 늘리고 기존의 효과적인 전략을 버리는 현상을 말한다. 사회 역시 기술적 열광과 규제적 공황 사이에서 반복적으로 Tilt 상태에 빠질 수 있다.

AI가 지속적으로 사기, 허위 콘텐츠, 고용 불안 및 프라이버시 사고를 초래한다면, 대중은 호기심에서 불신으로 돌아설 것이다. 기업은 여전히 차세대 모델이 모든 것을 해결할 수 있다고 믿을 수 있지만, 사회는 몇 번의 심각한 사고로 인해 전면적인 규제를 요구할 수 있다. 전자는 거품을 형성하기 쉽고, 후자는 단기적 손실 때문에 장기적 이익을 포기할 수 있다.

성숙한 사회적 수용도는 모든 사람이 낙관적으로 유지하도록 요구하는 것이 아니라, 대중이 기술의 경계를 알고, 알 권리, 철회권 및 이의 제기권을 가지도록 하는 것이다. 리스크 거버넌스는 모델이 '무엇을 말했는지'만 살펴볼 것이 아니라, 그것이 '무엇을 할 권리가 있는지'를 더 추궁해야 한다. Agent가 송금, 코드 수정 또는 핵심 시스템 호출을 실행할 때, 최소 권한, 이중 확인, 로그 감사 및 사고 책임이 프로세스에 포함되어야 한다.

진정한 압력 대처 능력은 실패가 발생한 후에도 판단력을 유지하고, 하락을 통제하며, 전략을 수정하여 일부 사람들의 손실이 전체 기술 발전을 아무도 감당하려 하지 않는 부실 채권으로 만들지 않는 것이다.

7. 테이블을 뒤엎는 변수: 게임을 무효화할 수 있는 외부 충격

앞서의 모든 비교는 한 가지 전제를 내포하고 있다: 게임이 현재의 규칙에 따라 계속될 것이라는 점이다. 모델은 점진적으로 향상되고, 연산력은 희소성을 유지하며, 자본은 지속적으로 투입되고, 공급망은 유지되며, 사회도 충격을 감수할 의향이 있다.

현실은 반드시 그렇지 않을 수 있다.

기술 혁명의 전환점은 종종 테이블 위의 베팅, 콜 또는 폴드가 아니라, 어떤 변수가 갑자기 칩의 가치를 바꾸고 규칙을 재작성하거나 심지어 테이블 자체를 뒤엎는 데서 온다.

1. AGI가 예상보다 일찍 도래하는 경우. 어떤 시스템이 장기적인 과학 연구, 프로그래밍 및 엔지니어링 설계를 안정적으로 완료하고 차세대 모델 개발에 실질적으로 참여할 수 있다면, 몇 개월의 리드가 따라잡기 어려운 격차로 이어질 수 있다. 단기적으로는 최첨단 연구소, 최고급 칩 및 클라우드 플랫폼을 보유한 미국에 더 유리하지만, 그 능력이 유출, 복제 및 증류되는지 여부가 우위를 독점할 수 있는지를 결정한다.

2. 연산 능력 병목 현상이 돌파되는가. 새로운 아키텍처, 저정밀도 연산 또는 전용 칩이 동등한 성능에 필요한 연산량을 한 자릿수로 줄인다면, 미국의 대규모 클러스터가 가진 일부 우위는 재평가될 것이다. 반면, 장기 체인 추론과 에이전트가 더 많은 토큰을 소비한다면 칩, 에너지, 클라우드, 자본은 더욱 집중될 것이다.

3. 봉쇄가 강화되고 공급망이 차단되는가. 미국이 제한을 클라우드 연산 능력, HBM, 장비 유지보수, 모델 접근, 인재 협력으로 확대한다면, 중국의 단기 비용은 더욱 크게 상승할 것이다. 그러나 봉쇄가 길어질수록 중국은 미국의 공급을 신뢰할 수 있는 기반으로 여기지 않게 된다. 더 극단적인 지정학적 갈등은 미국의 설계 동맹과 중국의 제조 시장을 동시에 타격할 것이며, 경쟁은 누가 더 빠르게 혁신하는지에서 누가 더 두꺼운 재고와 더 많은 대체 생산 능력을 보유했는지로 후퇴할 것이다.

4. AI 거품이 붕괴하는가. 에이전트가 절감한 비용이 모델 청구서를 충당하지 못한다면, 자본 시장은 현금 흐름과 이익을 기준으로 재평가할 것이다. 거품 붕괴는 LLM을 사라지게 하지 않지만, 평가 가치, 보조금, 낮은 활용률의 시설에 의존하는 참가자들을 게임에서 퇴출시킬 것이다.

5. AI 실업이 사회적 반발을 일으키는가. 사회는 대규모 실업이 발생할 때까지 기다리지 않고 반응할 수 있다. 초급 직위가 줄어들고 직업 진입로가 좁아지며 생산성 이익이 주로 플랫폼과 자본에 흘러간다면, 자동화 승인, 고용 보호, 새로운 분배 정책이 조기에 도입될 수 있다.

6. 오픈 모델이 권력 구조를 바꾸는가. 오픈 웨이트가 지속적으로 격차를 '대부분의 작업에 충분한 수준'으로 좁힌다면, 권력은 소수의 연구소에서 클라우드 플랫폼, 애플리케이션 기업, 로컬 데이터를 보유한 국가로 이동할 것이다. 그러나 오픈이 자연스럽게 중국에 유리한 것은 아니다. 진정한 승부는 누가 다운로드를 도구 체인, 표준, 수익, 차세대 훈련 자원으로 전환할 수 있는지에 달려 있다.

7. 중대한 안전 사고가 규제의 긴급 제동을 초래하는가. 고권한 에이전트가 심각한 금융, 의료, 네트워크 또는 인프라 사고를 일으키면, 모델 라이선스, 책임 보험, 배포 승인이 신속히 강화될 수 있다. 안전은 또한 산업 도구가 되어 외국 모델, 데이터, 연산 능력이 진입할 수 있는 시장 경계를 재정의할 수 있다.

이러한 변수들은 순서대로 오지 않는다. 봉쇄는 국산 칩을 가속화할 수 있고, 오픈 모델은 비용을 낮추지만 남용을 확대할 수 있으며, 거품 붕괴는 AGI를 지연시키거나 자원을 더 적은 기업으로 몰아넣을 수 있다. 고용 충격과 안전 사고는 같은 날 양국 규제를 동시에 깨울 수도 있다.

역사가 진정으로 방향을 틀 때, 그 움직임은 종종 진행 중인 판의 바깥에서 온다.

가장 값진 칩의 가치를 갑자기 떨어뜨리기도 하고, 원래 뒤쳐져 있던 쪽에 아무도 계산하지 못한 길을 열어주기도 한다.

맺음말

시선을 다시 처음의 그 초록색 테이블로 돌리면, 기계실 천장의 불빛은 여전히 차갑게 빛나고 있다.

미국은 여전히 더 큰 선공 패를 쥐고 있다. 최첨단 모델, 고급 칩, 자본, 글로벌 진입로를 장악하고 있어 오늘 당장 올인한다면 승률은 여전히 높다. 그러나 중국은 카드 게임 방식을 바꾸고 있다. 알고리즘으로 칩의 액면가를 재정의하고, 개방으로 테이블을 넓히며, 산업 현장에서 실제 승패가 있는 족보를 찾고, 비용 우위를 자기 강화 순환 고리로 만들려 한다.

이 경쟁은 전력, 자본, 인재, 사회적 인내심을 계속 소모할 것이다. 어느 한쪽이 진정으로 역량, 수익, 데이터, 연산력 간의 선순환을 구축하거나, 양측이 이 판을 이기는 대가가 승리라고 부르기에는 너무 높다는 것을 깨닫기 전까지는 말이다.

딜러는 재촉하지 않고, 손을 카드 더미 위에 얹고 있을 뿐이다. 문 밖에서는 이따금 바람 소리가 들려오는데, 아주 가볍고, 아직 재무제표에 기록되지 않은 나쁜 소식 같다.

테이블 위의 아무도 자리에서 일어나지 않았다.

참고 자료

1.Stanford HAI：2026 AI Index 전체 보고서 https://hai.stanford.edu/ai-index/2026-ai-index-report

2.Artificial Analysis：Intelligence Index https://artificialanalysis.ai/

3.Arena：Text Arena 순위표 https://arena.ai/leaderboard/text

4.Arena：Code Arena 순위표 https://arena.ai/leaderboard/code

5.Arena：Vision Arena 순위표 https://arena.ai/leaderboard/vision/overall

6.Arena：Agent Arena 순위표 https://arena.ai/leaderboard/agent

7.OpenAI：GPT-5.6 출시 설명 https://openai.com/index/gpt-5-6/

8.Kimi：Kimi K3 기술 블로그, 전체 평가 및 API 가격 https://www.kimi.com/blog/kimi-k3

9.DeepSWE：장기 소프트웨어 엔지니어링 평가 순위표 https://deepswe.datacurve.ai/

10.SWE-bench-Live：지속적으로 업데이트되는 소프트웨어 엔지니어링 평가 https://swe-bench-live.github.io/

11.The Japan Times：Anthropic의 알리바바 관련 증류 행위 고발 https://www.japantimes.co.jp/business/2026/06/25/companies/anthropic-alibaba-illegal-access/

12.Reuters：Anthropic의 알리바바 Claude 역량 추출 고발 https://www.investing.com/news/stock-market-news/anthropic-says-alibaba-illicitly-extracted-claude-ai-model-capabilities-4759021

13.OSWorld 2.0：장기 컴퓨터 조작 Agent 평가 https://osworld-v2.xlang.ai/

14.NVIDIA：Vera Rubin 플랫폼 양산 설명 https://nvidianews.nvidia.com/news/vera-rubin-full-production-agentic-ai-factory

15.Huawei CloudMatrix 384 시스템 논문 https://arxiv.org/abs/2506.12708

16.Associated Press：DeepSeek V4 및 昇腾(昇騰) 적응 보도 https://apnews.com/article/1ae6228c4928ddbb43f984e9b38f49dd

17. 昇腾(昇騰) 생산 환경에서의 MoE 및 멀티모달 배포 연구 https://arxiv.org/abs/2607.08215

18.DeepSeek-V3 기술 보고서 https://arxiv.org/abs/2412.19437

19.DeepSeek-R1 논문 https://arxiv.org/abs/2501.12948

20. 阿里云(알리바바 클라우드)：Qoder 훈련 사례 및 Qwen 애플리케이션 데이터 https://www.alibabacloud.com/blog/602859

21.MacroPolo：The Global AI Talent Tracker 2.0 https://macropolo.org/digital-projects/the-global-ai-talent-tracker/

22. 美国国家科学委员会(미국 국가과학위원회)：미중 STEM 인재 및 박사 교육 데이터 https://ncses.nsf.gov/pubs/nsbsep20261/stem-talent-education-training-and-workforce-2

23.South China Morning Post：DeepSeek 확장 채용 보도 https://www.scmp.com/tech/big-tech/article/3358394/deepseek-hiring-spree-chinese-ai-firm-seeks-newcomers-it-pursues-agi

24.DeepSeek：DeepSeek-V4 출시 설명 https://api-docs.deepseek.com/news/news260424/

25. 阿里云(알리바바 클라우드)：Qwen 오픈 모델 생태계 데이터 https://www.alibabacloud.com/blog/603042

26OpenAI：GPT-5.6 Sol 모델 및 API 가격 https://developers.openai.com/api/docs/models/gpt-5.6-sol

27.Anthropic：Claude Fable 모델 및 API 가격 https://www.anthropic.com/claude/fable

28.DeepSeek：API 가격 설명 https://api-docs.deepseek.com/quick_start/pricing/

29.OpenAI：2026년 자금 조달 설명 https://openai.com/index/accelerating-the-next-phase-ai/

30.Anthropic：Series H 자금 조달 설명 https://www.anthropic.com/news/series-h

31.TechCrunch：月之暗面(Moonshot AI) 자금 조달 보도 https://techcrunch.com/2026/05/07/chinas-moonshot-ai-raises-2b-at-20b-valuation-as-demand-for-open-source-ai-skyrockets/

32.Investing.com：DeepSeek 첫 외부 자금 조달 보도 https://www.investing.com/news/economy-news/deepseek-could-be-valued-at-up-to-50-billion-in-first-fundraising-sources-say-4663090

33.Reuters：미국 은행, OpenAI에 신용 한도 제공 https://www.reuters.com/legal/transactional/bofa-extends-first-520-million-loan-openai-ahead-ipo-source-says-2026-07-08/

34. 国际能源署(국제에너지기구)：Energy and AI 보고서 https://www.iea.org/reports/energy-and-ai

35. 国际能源署(국제에너지기구)：에너지와 AI 핵심 질문 보고서 https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary

36. 美国联邦能源监管委员会(미국 연방에너지규제위원회)：대규모 부하 계통 연계 개혁 조치 https://www.ferc.gov/news-events/news/ferc-launches-aggressive-targeted-action-speed-large-load-integration

37. 国家能源局西北监管局(국가에너지국 서북감독국)：닝샤 중웨이 데이터센터 B 단지 자료 https://xbj.nea.gov.cn/dtyw/hyxx/202606/t20260626_303639.html

38.OpenAI：기업 AI 사용 보고서 https://openai.com/business/guides-and-resources/the-state-of-enterprise-ai-2025-report/

39.OpenAI Signals：ChatGPT 글로벌 사용 확장 데이터 https://openai.com/index/how-chatgpt-adoption-has-expanded/

40. 阿里巴巴(알리바바)：Qwen, 타오바오 및 톈마오 상품 체계 연동 https://www.alibabagroup.com/en-US/document-1991231293551017984

41.Google Cloud：Gemini Enterprise 플랫폼 설명 https://cloud.google.com/blog/products/ai-machine-learning/the-new-gemini-enterprise-one-platform-for-agent-development

42. 阿里巴巴(알리바바)：2026년 5월 재무 보고서 및 클라우드 사업 설명 https://www.alibabagroup.com/en-US/document-1991364841188622336

43. 国家互联网信息办公室(국가인터넷정보판공실)：《인공지능 생성 합성 콘텐츠 식별 방법》https://www.cac.gov.cn/2025-03/14/c_1743654684782215.htm

44. 国际劳工组织(국제노동기구)：Generative AI and Jobs https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure

45. 国际劳工组织(국제노동기구)：발전 단계별 노동자의 AI 노출 연구 https://live.ilo.org/event/workers-exposure-ai-across-development-stages-2025-11-27

46. 五国网络安全机构(5개국 사이버보안 기관)：Agent 서비스 신중 도입 가이드 https://www.ncsc.govt.nz/protect-your-organisation/careful-adoption-of-agentic-ai-services/

47.Anthropic：Claude Fable 5 재배포 설명 https://www.anthropic.com/news/redeploying-fable-5

48. 美国商务部工业与安全局(미국 상무부 산업안전국)：2026년 5월 첨단 컴퓨팅 허가 지침 https://media.bis.gov/media/documents/bis-guidance-may-31-2026.pdf

원문 링크

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia