원문 출처: 텐센트 테크

딥시크(DeepSeek)가 최근 설립 이후 첫 외부 자금 조달을 완료했다. 이번 조달 총액은 500억 위안(약 74억 달러)을 넘었으며, 투자 전 기업 가치는 약 3675억 위안(약 543억 달러)으로 평가된다. 투자자 명단에는 딥시크 창립자 량원펑이 개인 자금 200억 위안, 텐센트가 100억 위안, CATL이 50억 위안, 왕이(Netease), 징동(JD), IDG 캐피털이 각각 30억 위안, 국가 인공지능 산업 투자 펀드가 10억 위안을 출자했다.

이전에 량원펑은 '자금 조달 불가, 상장 불가, 상업화 불가'라는 원칙을 내세운 바 있다. 이번 대규모 자금 조달은 딥시크가 공식적으로 자본 시장에 진출했음을 의미하며, 업계에서도 그 상업화 경로와 기술 비전에 대한 폭넓은 관심을 불러일으켰다.

최근 열린 한 투자자 간담회에서 량원펑은 딥시크의 조직 문화, 오픈소스 논리, 기술 로드맵 및 업계 경쟁 구도에 대한 견해를 상세히 설명했다.

다음은 텐센트 테크가 입수한 약 4시간 분량의 간담회에서 량원펑이 발언한 내용을 주제별로 정리한 118개 항목이다. 원문의 의미를 최대한 보존했으며, 약간의 편집만 가했다.

비전과 절제

1. 우리가 처음 이 회사를 시작할 때, 결국 얼마나 많은 돈을 벌지, 자본 시장에 나가서 상장할지 등을 고려하지 않았다. 처음 몇십 명은 전혀 그렇게 생각하지 않았다. 만약 그렇게 생각했다면 오지 않았을 것이다.

2. 우리는 이 세상에 대한 매우 큰 선의를 가지고 이 일을 하고 있다. 이것이 인류에게 유용하다고 생각하며, 돈 이상의 일이다. 우리의 출발 동기, 비전, 그리고 지금까지 유지해온 이 비전은 상업적 이익 극대화 방식으로 이루어진 것이 아니다.

3. 대기업을 운영하는 데 중요한 것은 규정이나 제도가 아니라 비전이다. 비전은 벽에 걸린 슬로건이 아니라, 어떻게 행동하는지, 즉 어떻게 실제로 운영하는지에 있다.

4. 우리는 조직이 없고, 비전에 의해 움직인다. 하나의 비전으로 조직된다. 우리는 'KPI를 달성해야 한다, 평가가 없다'는 방식으로 하지 않으며, 오직 비전만 있다.

5. 이 비전은 심지어 문서화되지도 않았다. 어떤 것도 글로 쓰지 않았다. 이 비전은 우리가 일하는 방식, 세상을 대하는 태도 속에 있다.

6. 우리는 다른 특별한 장점이 많지 않다. 우리는 뛰어난 재능이 없으며, 다른 사람보다 돈이 많지도 않고, 인력이 다른 회사보다 낫지도 않다. 사실 그렇지 않다. 2년 전 이 회사를 설립할 때, 우리는 돈도 많지 않고, 카드도 많지 않으며, 인지도도 없고, 영향력도 없었다. 우리는 아주 평범한 사람들일 뿐이다.

7. 당신이 더 절제할수록, 일을 더 쉽게 성공시킬 수 있습니다. 적어도 지금까지는 그렇고, 지금까지 설명이 가능합니다. 그렇지 않으면 우리가 어떻게 성공할 수 있었는지 설명할 방법이 없습니다. 우리는 무기도 없었고, 출발점도 매우 낮았으며, 자원도 매우 적었고, 우리 사람들은 그저 무작위로 모인 평범한 사람들이었습니다.

8. AI는 너무 크고, 이익도 너무 큽니다. 우리는 매우 절제하고 있습니다. 일단 성공만 하면, 결국 이익은 매우 커질 것입니다. 조금만 나눠도 이익이 엄청나기 때문에, 지금은 이 이익 중 어떤 부분을 어떻게 가져갈지 전혀 고민할 필요가 없습니다. 이 이익이 충분히 크기 때문입니다.

9. 작년 설날에 사용자가 갑자기 많아졌지만, 우리는 이 사용자들을 붙잡거나, 이 사용자들로 수익을 내거나, 상업적 이익을 챙기려 하지 않았습니다. 사용자에게서 이익을 얻으려 하지 않았습니다. 우리는 사용자를 빼앗지 않았고, 돈을 벌지 않았지만, 사용자에게 더 나은 서비스를 제공하기 위해 열심히 노력했습니다.

10. 우리는 다음 슈퍼 앱을 만들겠다거나, 누군가와 경쟁하겠다거나, 다음 바이트댄스나 다음 텐센트가 되겠다는 생각은 전혀 없습니다. 앞으로 AGI의 기회는 매우 클 것이며, AGI의 기회는 항상 매우 클 것입니다.

11. 절제는 전략입니다. 때로는 어떤 것을 포기함으로써 더 많은 다른 것을 얻을 수 있습니다. 오픈소스를 하지 않는 것도 마찬가지입니다. 그것은 우리의 압박으로 볼 수도 있고, 우리의 양보로 볼 수도 있습니다.

12. 이러한 절제는 장기적으로 AGI를 성공시킬 확률을 높일 수 있다고 이해합니다. 어떤 일을 고려할 때, AGI가 매우 큰 상업적 가치를 가질 것이라는 점을 의심하지 않습니다. 그 기반 위에서, 나는 먼저 내 몫을 어떻게 늘릴지, 어떻게 더 많이 가져갈지를 고려하지 않고, 어떻게 성공 확률을 높일지를 우선 고려합니다.

13. 우리는 항상 매우 절제하며, 어떤 대형 인터넷 기업이나 소형 기업과도 적이 되고 싶지 않습니다. 나는 그들에게 힘을 실어주거나, 모두가 이 일을 할 수 있도록 돕고 싶습니다.

14. 우리가 이전에 이런 태도를 유지했지만, 실제로 그로 인해 어떤 것도 덜 얻지 않았습니다. 오픈소스를 했거나, 우리의 선의나 다른 사람에 대한 도움 때문에 어떤 것도 덜 얻지 않았습니다. 오히려 플러스 요인이 있었을 수도 있습니다. 직관에 반하는 것처럼 보이지만, 실제로 그렇습니다.

15. 우리는 AGI를 목표로 하지만, 계속 상업화를 진행해 왔기 때문에 C端 사용자와 B端 수익이 있습니다. 역사적 경험으로 볼 때, 이 전략은 성공적이었습니다.

AGI 로드맵

16. 문제를 명확하게 설명하고, 완전한 맥락과 지침을 제공할 수 있다면, AI는 이미 인간을 능가합니다. 하지만 여기에는 정의와 전제가 있습니다: 완전한 맥락과 완전한 지침을 제공해야 한다는 것입니다.

17. AI는 직원을 대체할 수 없습니다. 하지만 AI가 지속적인 학습 능력을 갖추고, 직원처럼 회사에서 두 달간 학습한다면, 모든 사람을 대체할 수 있을 것입니다. 따라서 우리는 다음 단계로 가기 위해 '지속적 학습'이라는 요소가 부족합니다.

18. AI의 발전은 계단과 같다고 이해할 수 있습니다. 작년의 계단은 '사고 사슬(Chain of Thought)'이었습니다. 사고 사슬 방식을 통해 지능을 더 높은 수준으로 끌어올릴 수 있다는 사실을 발견했기 때문입니다.

19. 올해의 계단은 '에이전트(Agent)'입니다. 에이전트 방식을 사용하면 더 많은 작업을 처리할 수 있고, 능력 범위가 더 넓어지며, 지능의 상한선도 더 높아집니다. 에이전트는 CoT(사고 사슬)을 활용하고, CoT는 다시 이전 계단인 언어 모델을 활용합니다. 따라서 어떤 단계도 헛되지 않습니다.

20. 에이전트 이후에는 '지속적 학습' 문제를 해결해야 한다고 생각합니다. 즉, 모델이 강력한 훈련 없이도 인간처럼 장기간 지속적으로 학습할 수 있도록 만드는 것입니다.

21. 지속적 학습 이후에는 특이점(Singularity)에 도달할 수 있습니다. 이 특이점은 모델이 지속적으로 학습할 수 있게 되면, 인간이 할 수 있는 모든 일을 수행할 수 있게 된다는 의미입니다. 스스로 자신의 버전을 개발하고, 연구하며, 다음 버전을 개발하고, 더 발전된 인공지능 모델을 만들어낼 수 있습니다.

22. 이 특이점은 사실 하나의 특이점이 아니라 점진적인 과정입니다. 이 과정은 비교적 긴 점진적 변화일 수 있으며, 급격한 돌연변이가 아닙니다. 하지만 관례적으로 우리는 이를 특이점이라고 부릅니다.

23. 이것이 우리의 추측이며, 시간표는 다음과 같아야 한다고 봅니다: 먼저 '학습을 위한 학습'을 해결하고, 그다음 지능의 특이점, 즉 자기 반복이 가능한 특이점에 도달한 후, 마지막으로 '구체적 지능(Embodied Intelligence)'에 도달합니다. 구체적 지능에 도달하면 현실 세계로 진입하여 집안일을 돕고, 노인을 돌볼 수 있습니다.

24. 먼저 지속적 학습을 해결하고, 그다음 자기 반복 특이점을 해결한 후, 구체적 지능을 해결한다면, 이 길은 훨씬 수월해집니다. 이후 단계에서는 앞선 기술을 활용해 뒤따르는 기술을 개발할 수 있기 때문입니다.

25. 우리는 AGI의 메인 라인만 다룹니다. AI 분야는 매우 광범위하며, 3D나 비디오 생성과 같은 많은 요소는 이 메인 라인에 속하지 않는다고 생각합니다. 지능의 메인 라인과 큰 관련이 없다고 판단되므로, 우리는 이를 다루지 않을 것입니다.

26. 비디오 생성 기술이 처음 등장했을 때부터 큰 인기를 끌었고, 마치 반드시 해야 하는 일처럼 여겨졌습니다. 하지 않으면 AI 기업이 아닌 것처럼 말이죠. 그래서 저는 이상하다고 생각했습니다. 사실 자세히 생각해보면, 이는 지능(intelligence)의 로드맵과는 별 관련이 없습니다.

27. 상업적으로는 좋은 사업입니다. 상업적으로는 좋은 사업이에요. 하지만 이는 지능과는 관계가 없습니다. 우리는 단지 좋은 사업이기 때문에 하는 것이 아니라, 지능 로드맵에 포함된 것이기 때문에 할 것입니다.

28. 우리의 판단으로는, 세계 모델과 지능은 현재 단계에서 가장 중요한 것이 아닙니다. 가장 중요한 것은 AI 훈련과, AI 훈련 이후 지속적 학습(continual learning)을 어떻게 해결할지입니다. 이것이 우리 회사의 판단이며, 물론 회사마다 판단은 다릅니다.

29. 우리는 현재 AI가 AI 연구를 가속화할 수 있다는 내러티브를 믿고 있습니다. 즉, 선형적이지 않다는 것입니다. AI를 사용해 자체 연구를 가속화할 수 있기 때문에, 이후에는 비선형적이 될 수 있습니다.

30. 저는 임바디드(Embodied) AI가 결국에는 진입해야 한다고 생각합니다. 최종적으로는 임바디드가 되어야 합니다. 정상적인 사람의 경우, 그의 요구는 컴퓨터가 아니기 때문입니다. 맞죠? 정상적인 사람은 먹고, 마시고, 즐기고, 옷 입고, 살고, 이동하는 데 컴퓨터가 필요하지 않습니다. 그가 필요한 것은 구체적인 인력 수요를 해결할 임바디드 지능입니다.

31. 우리는 AGI가 무엇을 할 수 있길 바랄까요? 그것이 다음 버전의 모델을 반복(iterate)해주길 바랍니다. 마치 다음 버전의 모델을 반복해주는 것처럼요. 임바디드가 생기면, 우리는 그것이 다음 버전의 임바디드를 반복하고, 다음 버전의 로봇을 만들길 바랍니다.

32. 다음 세대 모델의 핵심 능력은 반드시 지속적 학습 능력을 갖춰야만 다음 세대 모델이라고 할 수 있습니다. 그 전까지 우리가 할 수 있는 것은 비용 절감, 효과 개선, 속도 향상뿐입니다. 하지만 큰 돌파구를 위해서는 지속적 학습을 갖춰야 합니다.

33. 현재 Agent의 능력이 제한된 이유는 지속적 학습을 할 수 없고, 효과적으로 지속적 학습을 할 수 없기 때문입니다. 만약 지속적 학습을 먼저 완성할 수 있다면, AI의 능력은 매우 강력해져서 우리 연구 효율성을 크게 높일 수 있습니다.

34. 지속적 학습을 먼저 구현하면, 범용 지능(General Intelligence)은 매우 쉬워질 것입니다. 이를 사용하면 쉽게 할 수 있습니다. 그래서 이것이 우리가 보고 싶어 하는 결과이며, 우리는 더 수월하고 편해집니다. 그렇지 않으면 지금처럼 수동으로 범용 지능을 개발하는 것은 힘들고 고된 일이며, 데이터 집약적이고 인력 집약적인 작업으로 효율성도 높지 않습니다.

팀과 인재

35. 우리의 이전 경험에서 얻은 교훈은 AGI라는 비전이 매우 강력하다는 것입니다. 인재 우위는 단순히 내 사람이 상대보다 더 똑똑하다는 뜻이 아니라, 이 인재들을 어떻게 조직하고, 어떻게 동기부여하며, 어떻게 협력하게 하느냐에 달려 있습니다.

36. 똑똑한 사람들을 모아놓는다고 해서 그들이 자연스럽게 협력하고, 열정적으로 하나의 목표를 향해 달려가며 완수하는 것은 아닙니다. 따라서 비전이 필요합니다.

37. 우리의 가장 큰 핵심 이익은 팀의 안정성을 유지하는 것입니다. 이것이 우리의 가장 큰 핵심 이익이며, 심지어 유일한 핵심 이익이라고 볼 수 있습니다. 팀의 안정성만 유지할 수 있다면 반드시 성공할 수 있고, 반드시 AGI를 완성할 수 있습니다. 이렇게 간단합니다.

38. 돈은 분명 문제가 아니며, 자원도 문제가 아닙니다. 다른 요소들은 쉽게 얻을 수 있습니다. 우리에게는 단 하나의 핵심 이익, 양보할 수 없는 단 하나의 것이 있습니다: 바로 팀의 안정성을 유지해야 한다는 것입니다.

39. 이것은 우리가 직면한 매우 큰 도전이자, 제 생각에는 가장 큰 위험입니다. 물론 이 위험은 최근의 이번 자금 조달을 통해 상당 부분 해소되었습니다. 모두가 받은 스톡옵션이 비교적 많고, 그 금액도 상당히 크기 때문입니다.

40. 팀 안정성 측면에서 볼 때, 가장 중요한 직원들, 가장 오래된 직원들만 안정적으로 유지된다면 다른 사람들은 쉽게 떠나지 않을 것입니다. 다른 사람들은 스톡옵션이 적고 수입이 적더라도 떠나지 않을 것입니다. 그들은 전적으로 돈만을 위해 오는 것이 아니기 때문입니다. 모두가 AGI를 완성할 수 있는 환경에서 이 일을 하고 싶어 합니다.

41. 나머지는 모두 시간 문제일 뿐입니다. 나머지는 기껏해야 우리를 반년이나 1년 늦출 수는 있지만, 완성하지 못하게 하지는 않습니다. 분명 돈이 부족하지 않고, 자원이 부족하지 않으며, 사실 이런 것들은 모두 부족하지 않습니다.

42. 우리와 미국의 차이는 주로 자원에 있으며, 인력 면에서는 차이가 크지 않습니다. 인력 면에서는 거의 차이가 없습니다. 왜냐하면 같은 사람들이기 때문입니다. 아마도 중국인일 것입니다. 중국인들이 해외로 나갈 때, 일부는 국내에 남고, 일부는 해외에 남으며, 일부는 해외로 갑니다. 똑똑한 사람들만 해외로 간다는 것은 아닙니다. 그렇지 않습니다.

43. 인재는 병목이 아니며, 자원이 가장 큰 병목입니다. 자원은 우선 인재 양성에 영향을 미칩니다. 연산 능력이 적기 때문에 우리가 할 수 있는 실험 기회가 적고, 따라서 우리의 인재는 전반적으로 미국에 비해 차이가 있습니다. 인재의 차이는 본질적으로 연산 능력의 차이 때문이기도 합니다.

44. AI 인재 부족도 일시적인 현상이며, 이미 상당히 완화된 것을 목격했습니다. AI 인재는 정말로 부족하지 않기 때문입니다. 각 회사는 곧 인재를 양성할 수 있으며, 인재 양성은 매우 빠릅니다.

45. 현재 중국에서 모델을 개발하는 기업이 너무 많습니다. 미국에는 아마 3곳 정도일 텐데, 중국은 기초 모델을 만드는 곳이 너무 많습니다. 결국에는 그렇게 많은 사람이 기초 모델을 만들 필요가 없어지고, 수렴될 것입니다.

46. 우리 회사의 관리는 사실 두 가지 라인으로 이루어집니다. 하나는 위에서 아래로, 다른 하나는 아래에서 위로입니다. 아래에서 위로는 각자 자신이 하고 싶은 일을 스스로 결정하고, 아무도 간섭하지 않으며 KPI도 없습니다.

47. 일반적으로 우리는 직원들이 절반의 시간을 자유롭게 쓰길 바랍니다. 하고 싶은 대로 하게 두는 거죠. 이는 연구의 영역으로, 스스로 탐구하고 자신이 중요하다고 생각하는 것을 탐색하게 하며, 사전 요구사항은 없습니다.

48. 우리는 보통 야근도 거의 하지 않습니다. 야근에는 두 가지 이유가 있습니다. 첫째, 연구를 하려면 비교적 여유로운 환경이 필요합니다. 너무 압박하면 연구를 할 수 없습니다. 스스로 흥미를 가지고 평소에 이런 문제들을 생각해야 하기 때문에, 여유로운 환경에서만 탐구가 가능합니다.

49. 둘째, 우리는 매우 집중합니다. 매우 집중한다는 것은 해야 할 일이 적다는 뜻입니다. 할 일이 많지 않으니 야근할 필요가 없습니다. 이는 앞서 말한 절제와 일맥상통합니다.

50. 우리 회사는 전체적으로 합의를 기반으로 운영됩니다. 제가 모든 것을 혼자 결정하는 것이 아니라 합의를 구합니다. 회사 내에서의 제 권위와 영향력은 합의 위에 세워져 있습니다.

51. 이 의사결정 메커니즘은 사실 합의를 찾는 과정입니다. 제가 무언가를 강제로 추진할 수 있는 것이 아니라, 반드시 합의가 있어야 추진할 수 있고, 그래야만 추진합니다.

52. 인원이 늘어남에 따라 조정을 할 것입니다. 곧 조정을 해야 합니다. 이미 조정을 시작했기 때문입니다. 조정을 하지 않으면 많은 일을 진행할 수 없습니다. 실제로 많은 부서는 조직 구조가 필요합니다.

연산력과 자원

53. 얼마나 많은 카드가 필요할까요? 지금은 당연히 많을수록 좋습니다. 우리가 감당할 수 있는 범위 내에서는 카드가 많을수록 좋습니다. 이는 의심의 여지가 없습니다. 그래서 현재 전략은 합리적인 가격 내에서 최대한 많은 카드를 사는 것입니다.

54. 사실 이렇게 많은 돈을 다 쓰는 것은 매우 어렵습니다. 그만큼 많은 카드를 사기도 어렵고, 가격도 높으며, 너무 비싼 가격에 살 수도 없어 가격이 합리적인지 확인해야 합니다. 올해 200억 위안을 쓸 수 있다면, 그것은 우리 구매 부서의 성과가 매우 뛰어난 것입니다.

55. 우리와 미국 사이의 가장 큰 차이는 자원에 있습니다. 연산 자원의 경우, 한편으로는 국내에서 카드 자체를 구매할 수 없고, 다른 한편으로는 자본 투입이 미국보다 적습니다. 자본 투입 측면에서 우리는 훨씬 부족하며, 인재 급여가 여기서 차지하는 비중은 매우 낮습니다. 그들이 1억 달러의 연봉을 제시하는 것을 보면, 계산해보면 인재 급여 비중은 여전히 적고, 대부분은 연산 자원에 사용됩니다.

56. 우리가 보는 모든 차이점(인재 차이, 모델 성능 차이, 응용 차이 포함)은 연산 자원의 차이에서 비롯된 것이라고 볼 수 있습니다.

57. 우리와 미국의 격차는 약 12개월, 즉 12~18개월, 또는 6~12개월 뒤처진 것으로 볼 수 있습니다. 간단히 말해, 미국보다 2년 뒤처져 있으며, 미국의 20분의 1에 해당하는 연산 자원으로 이 작업을 수행하고 있습니다.

58. 이 서사는 1~2년 뒤처져 있지만, 연산 자원은 20분의 1만 사용한다는 것입니다. 앞으로 우리는 이 서사를 바꿔서, 연산 자원을 몇 분의 1만 사용하면서도 시간을 더 단축해 6개월, 3개월로 줄이는 것이 목표라고 생각합니다.

59. Scaling(확장)에 대해 우리는 믿고 있습니다. 규모가 클수록 효과가 좋고 더 많은 기능을 해제할 수 있습니다. 우리의 Scaling을 막는 것은 바로 연산 자원입니다. Scaling을 원하지 않는 것이 아니라, 이 Scaling을 수행할 충분한 연산 자원이 없는 것입니다.

60. 우리가 이렇게 큰 모델을 훈련하는 것은 이 크기가 충분하다고 생각해서가 아니라, 이만한 자원을 가지고 있기 때문입니다. 자원에 따라 감당할 수 있고 훈련할 수 있는 모델 크기를 계산한 결과일 뿐, 이 모델이 충분하다는 의미는 아닙니다.

61. 실리콘밸리에서 Scaling이 한계에 도달했다고 말하는 것은 실리콘밸리 기준입니다. 중국인에게는 아직 그 지점과 거리가 멀며, 우리는 전혀 그 정도로 Scaling하지 않았습니다. 이 Scaling에는 데이터 Scaling, 모델 규모 Scaling, 그리고 훈련 비용이 포함됩니다.

국산 칩과 생태계

62. 엔비디아 CUDA의 해자는 빠르게 무너지고 있습니다. 한편으로는 이제 AI가 등장했고, AI 덕분에 생태계를 구축하는 것이 예전보다 훨씬 쉬워졌습니다. AI가 코드를 작성할 수 있기 때문입니다.

63. 이제 컴퓨팅 카드 시장이 게임 카드 시장보다 더 커졌기 때문에, 이 둘이 계속 결합될 필요가 없습니다. 현재 추세는 앞으로 더 이상 결합되지 않는다는 것입니다. 따라서 전용 칩은 화웨이든 엔비디아 자체든, 앞으로는 모두 전용 칩이 될 것이며, 이전의 것들과는 다릅니다.

64. 현재 중국산 AI 칩 교체에는 역사적인 기회가 있습니다. 앞으로 1년 안에 한 가지 사실이 입증될 것이라고 생각합니다: 중국산 칩의 생태계는 전혀 문제가 없습니다. 이전에는 문제가 있다고 생각했고, 사용할 수 없거나 사용하기 불편하다고 여겼지만, 앞으로 1년 안에 이러한 인식을 바꾸거나 사실을 통해 바꿀 수 있을 것입니다.

65. 중국산 AI 칩의 하드웨어와 생태계 모두 문제가 없으며, 유일한 문제는 생산 능력이 부족하다는 점입니다. 중국산 카드의 호환성에는 장애가 없으며, 엔비디아가 막을 수 없습니다. 정상적인 비즈니스 환경에서 엔비디아 카드를 구매할 수 있다면 중국산 교체는 어렵습니다. 하지만 엔비디아 카드를 구매할 수 없는 상황에서는 모든 사람이 어쩔 수 없이 중국산 칩을 사용해야 합니다.

66. V3 훈련 시에는 여전히 엔비디아 카드를 사용했지만, 더 이상 엔비디아 생태계를 사용하지 않았습니다. V3는 엔비디아 카드를 사용했지만, 엔비디아 생태계를 사용하지 않고 먼저 TileLang이라는 고급 컴파일러를 작성한 후, TileLang 생태계를 기반으로 다른 모든 작업을 수행하여 거의 엔비디아 생태계에 의존하지 않게 되었습니다.

67. 저는 중국산 컴퓨팅 성능에 대해 비교적 낙관적입니다. 이 점에서 엔비디아는 스스로 무덤을 파고 있다고 생각합니다. 화웨이의 슈퍼 노드, 화웨이 950 슈퍼 노드는 성능과 가격 면에서 엔비디아의 GB200, GB300을 완전히 대체할 수 있습니다.

68. 화웨이 카드 4장이 엔비디아 카드 1장을 대체합니다.

69. 미국과의 칩 격차에 대해, 생태계 측면에서는 앞으로 차이가 없을 것이라고 생각하지만, 칩 자체에서는 4배 차이와 2년의 격차가 있습니다.

70. 현재 주로 화웨이와 협력하고 있습니다. 화웨이는 자체적으로 호환 작업을 하지만, 우리는 이 생태계에 참여하여 화웨이에 깊이 관여할 것입니다. 화웨이의 문제는 여전히 생산 능력 부족입니다.

71. 5년 후에도 생산 능력 문제에 막혀 있을 것이라고 믿지 않습니다. 현재는 분명히 생산 능력 문제에 막혀 있고, 올해, 내년, 내후년에도 여전히 생산 능력 문제에 막혀 있을 수 있지만, 5년 후에는 그렇지 않을 수도 있다고 생각합니다. 저는 비교적 낙관적입니다.

경쟁 구도와 업계 판단

72. 각 모델의 최종 성능 차이는 종합적인 요소에서 비롯됩니다. 모델 성능을 비교할 때는 반드시 동일한 비용 조건에서 비교해야 의미가 있습니다. 두 대의 자동차를 비교할 때도 같은 가격대의 차량을 비교하는 것과 같습니다.

73. Anthropic이 현재 OpenAI를 앞지르는 것이 장기적인 현상일까요? 저는 장기적이지 않다고 생각하며, 이는 분명히 일시적인 현상입니다. OpenAI와 Google은 앞으로도 대체로 번갈아가며 상승할 가능성이 높습니다.

74. 글로벌 AI 분업에서 주도적인 역할을 할 때, 중국 기업이 맡을 가능성이 큰 역할 중 하나는 여전히 최대 생산량입니다. 일반적으로 우리의 생산 능력이 가장 크며, 칩을 포함해 칩 생산 능력도 가장 크고, 전력도 가장 많습니다.

75. 중국인들은 제품을 가장 저렴하게 만들고, 효과 면에서는 해외 상품과 비교해도 현재 많은 상품에서 중국산과 미국산 간에 큰 차이가 없습니다. 미래에는 AI도 이와 비슷할 수 있지만, 중국산 AI는 가격이 더 저렴할 가능성이 있습니다. 이 저렴함은 체계적인 저렴함일 수 있으며, 다른 산업에서 중국이 제공하는 서비스가 더 저렴한 것과 같을 수 있습니다.

76. 최종적인 차이는 세 가지 측면에서 나타나야 합니다: 하나는 비용, 하나는 시간, 하나는 사용자 경험입니다. 그 외에는 차이가 거의 없을 수 있습니다.

77. 비용은 분명 차이점이며, 저는 비용이 첫 번째 차이라고 생각합니다. 그다음 두 번째는 시간입니다. 언제 그것을 실현할 수 있느냐는 문제입니다. 몇 달 빠르거나 늦느냐에 따라 결과가 달라집니다.

78. OpenAI는 처음부터 정말로 이 세상을 독점할 수 있다고 생각했지만, 실제로는 많은 도전자들을 만나게 될 것입니다. 도전에 직면하게 되면 그렇게 쉽지 않을 것입니다. 미국도 도전에 직면할 것이며, 미래에는 중국의 도전도 받을 수 있습니다. 왜냐하면 중국인들은 더 적은 이익을 감수하면서도 서비스를 제공할 의향이 있기 때문입니다.

79. 더 많이 가져가는 사람은 더 적게 가져가는 사람에게 패배할 수 있습니다. 심지어 실제로 많이 가져가지 않아도 됩니다. 비전이 많이 가져가는 것이라면, 적게 가져가는 비전을 가진 사람에게 패배할 것입니다. 사실 모두가 돈을 받지 않은 상태에서 단지 비전만 있을 뿐입니다. 당신의 비전이 많이 가져가는 것이라면, 이미 진 것이며 더 큰 어려움에 직면하게 됩니다.

80. 우리에게 있어서, 우리는 이익을 최대화하거나 수익을 극대화하는 가격 책정을 추구하는 것이 아니라, 합리적인 수익만을 얻는 것입니다. 이것이 설명입니다. 저는 이것을 믿으며, 이를 위해 변명을 찾는 것이 아닙니다. 변명할 필요가 없기 때문입니다.

81. 많은 경험 측면에서 우리가 미국보다 더 잘할 수 있다고 생각합니다. 제품 능력 면에서도 미국에 뒤지지 않을 수 있습니다. 비용도 미국보다 낮을 것이므로, 중국은 여전히 경쟁력을 가질 것입니다.

82. 비용은 이해하기 쉽습니다. 그들은 그것을 하지 않기 때문에 이 능력을 발전시키지 않습니다. 그들은 분명 우리만큼 이 문제를 중요하게 여기지 않습니다. 우리는 이것을 매우 중요한 일로 여길 수 있지만, 그들에게는 중요하지 않습니다.

83. 대규모 모델은 두 개의 대기업이나 두 개의 소기업을 언급하지 않더라도 충분히 비교될 수 있습니다. 차이는 두 가지뿐입니다: 하나는 시간, 하나는 비용입니다. 따라서 어느 한 회사가 폭리를 취할 가능성은 없다고 생각합니다. 비용을 잘 통제하는 사람이 조금 더 벌고, 비용 통제가 나쁜 사람이 조금 덜 버는 것뿐입니다. 그게 전부입니다.

모델 연구 개발 및 기술

84. 우리 회사 직원 중 절반 정도는 평소에 OpenAI가 더 낫다고 생각합니다. 사실 Anthropic은 선발 우위를 가지고 있지만, 이 우위는 곧 사라질 것이며 장기적으로 유지할 수 있는 이점이 아닙니다. 이 세 회사 모두 뛰어나지만, 그중에서 효율성이 가장 높은 곳은 비용과 소모 자금이 가장 적을 것입니다.

85. 멀티모달 구축은 계속 진행 중입니다. 제품 측면에서 중요하고, C-엔드 사용자 제품에도 중요합니다. 하지만 지능의 상한선 측면에서는 하나의 구성 요소일 뿐, 본질적인 주류는 아닙니다.

86. 우리는 관련 모델을 출시할 예정이며, V4 및 V4 후속 버전은 네이티브 멀티모달을 지원할 것입니다. 하지만 멀티모달은 지능에 있어 구성 요소일 뿐, 지능 자체로 간주하지 않습니다.

87. 언어 모델의 스케일링에 한계가 있다고 보지 않습니다. 현재 우리의 지능 수준이나 미국의 지능 수준 모두 한계를 보이지 않습니다.

88. 내부적으로 많은 사람들이 이렇게 생각합니다: 우선 우리 자신에게 유용해야 하고, 먼저 우리 스스로 사용해야 합니다. 이것이 AGI를 실현하는 가장 빠른 방법입니다. 우리에게 유용하다면 다른 사람들에게도 유용할 가능성이 있지만, 먼저 우리 자신에게 유용함을 보장해야 합니다.

89. 우리가 만드는 모델의 첫 번째 목표는 사용자 편의성이 아니라, 우리 스스로의 편의성입니다. 우선 우리 자신에게 유용해야 합니다. 우리에게 유용해지면 다음 버전의 모델을 개발할 때 더 빨라집니다.

90. 우리는 이것을 '로또 긁기'라고 부릅니다. 진입 장벽이 낮아 누구나 시도할 수 있지만, 무엇이 나올지는 재능인지 다른 요인인지 저도 모릅니다. 따라서 자원을 할당할 필요는 없습니다. 다른 회사와 다른 점은, 우리가 이 문제를 논의하고 고민하는 데 시간을 투자하며 중요한 일로 여긴다는 것입니다.

상업화 및 가격 책정

91. 우리의 API 가격 책정은 합리적인 이윤을 목표로 합니다. 시장에서 장비를 구매해 10개월 안에 원가를 회수하는 것이 합리적인 이윤이라고 생각합니다.

92. 이윤 극대화를 원한다면 가격을 더 높여야 합니다. 이 가격대에서 사용자 수요는 비탄력적이기 때문에, 가격을 절반 더 올리거나 두 배로 올려도 토큰 소비량에 큰 차이가 없습니다.

93. 한 모델의 경우, 처음에는 수요가 너무 많을까 봐 가격을 높게 설정했는데 팀 내에서 좋아하지 않았습니다. 이후 가격을 4분의 1로 낮추니 모두가 기뻐했습니다.

94. B2B 비즈니스의 한계는 결국 수요에 달려 있습니다. 현재 AGI, AI 기술의 배경에서 B2B 수요는 제한적일 것입니다. 빠르게 성장하겠지만, 무한한 것은 아니며, 결국 수요에 의해 제약을 받지 연산 능력에 의한 것은 아닙니다.

95. 지금 생각하기에 가능하다면 모두 해야 한다고 봅니다. 올해 수억 달러의 B2B 수익을 올리고, C2C 사용자도 확보한다면 그 자체로 어느 정도 상업적 기반이 마련됩니다. 내년에 B2B 수익이 발생하고, 이 수요가 더 증가한다면 회사는 순이익에 가까워질 것이며, 이미 순이익을 낼 수도 있습니다.

96. 최악의 경우 API를 판매하는 것만으로도 상장사를 유지할 수 있습니다. 기술에 더 이상 새로운 발전이 없고, 우리 기술이 여기서 멈춘다면, 결국 API 판매에 집중해 서비스를 잘 제공하는 것만으로도 충분하다고 생각합니다.

97. 현재 상황에서 가장 합리적인 방법은 범용 Agent에 집중하는 것이라고 봅니다. 금융, 의사 등 다른 Agent는 우선순위가 낮아야 합니다. 먼저 코딩 Agent를 개발해야 합니다. 코딩 Agent는 많은 일을 할 수 있고, 다양한 수직적 Agent도 있습니다. 현재 가장 중요한 것은 코딩 Agent라고 생각합니다.

98. 저비용은 우선 결과물이라고 생각합니다. 우리 모델은 실제로 모델 아키텍처를 지속적으로 저비용 방향으로 발전시키고 있으며, 이는 우리의 비전과 관련이 있습니다. 알고리즘 측면에서도 비용을 더 낮출 수 있는 방법이 많이 있습니다.

99. 비용이 낮아지는 또 다른 이유는, 비용이 낮을수록 더 큰 모델을 훈련할 수 있고, 더 큰 모델을 감당할 수 있기 때문입니다. 동일한 연산 능력에서, 연산 능력이 제한된 상황에서 계산 효율이 높아지면 더 큰 모델을 감당할 수 있습니다.

오픈소스 전략

100. 우리는 오픈소스로 갈 것이며, 가장 강력한 모델도 오픈소스로 공개할 가능성이 높습니다. 폐쇄형 소스의 이점을 보지 못했고, 필연적인 이점도 보지 못했기 때문입니다. 바이트댄스의 모델은 폐쇄형 소스인데, 어떤 이점이 있을까요? 저는 어떤 이점도 보지 못했습니다.

101. 모델을 오픈소스로 공개해 모든 것을 알려주더라도, 그 진입 장벽은 매우 높습니다. 다른 사람이 사용하기도 어렵고, 사용하더라도 비용을 낮추는 것도 매우 어렵습니다. 쉽지 않습니다.

102. 오픈소스는 수익에 영향을 미치지 않습니다. 오픈소스는 우리의 비즈니스 모델에 전혀 영향을 주지 않는다고 생각합니다.

103. 저는 다른 사람들이 우리 모델을 배포해서 우리와 경쟁하는 것에 대해 전혀 걱정하지 않습니다. 오히려 그들이 배포하기를 바랍니다. 우리는 오픈소스 커뮤니티에 최대한 도움을 제공하여 모두가 우리 모델을 배포할 수 있도록 지원할 것입니다.

104. 외부와 협력할 때 우리의 태도는 오직 AGI의 본선에만 집중한다는 것입니다. 외부와 협력할 때 우리는 기꺼이 누구든지, 심지어 경쟁사인 알리바바, 지푸, 문앤다크니스까지도 더 잘할 수 있도록 돕고 지원할 의향이 있습니다. 우리는 잃을 것이 없기 때문입니다. 원래부터 오픈소스였으니까요.

105. 우리가 제공하는 오픈소스 모델과 우리가 직접 배포하는 모델이 동일한가요? 네, 동일합니다. 우리는 더 나쁜 모델을 오픈소스로 공개하고, 직접 배포할 때는 더 좋은 모델을 사용하지 않습니다. 그렇지 않으며, 동일합니다.

데이터와 포스트 트레이닝

106. 데이터는 거의 모델의 절반을 차지한다고 볼 수 있습니다. 앞서 데이터 레이블링 문제도 있습니다. 데이터 레이블링 측면에서 이는 우리의 자본 투입과 관련이 있습니다. 현재 자본 투입 구조로는 고품질 데이터 레이블링 비용을 감당하기 어렵습니다. 비용이 매우 높기 때문입니다.

107. 미국의 데이터 레이블링 비용과 중국의 데이터 레이블링 비용은 거의 차이가 없습니다. 중국에서 데이터를 레이블링하는 데 비용 우위가 없으며, 특히 고급 데이터를 레이블링할 때 비용 우위가 없어 미국처럼 데이터를 레이블링하는 데 투자하기 어렵습니다. 이 길은 중국에서 매우 어렵습니다. 데이터 레이블링이 너무 비싸기 때문입니다. 외부 레이블링이든 자체 레이블링이든 모두 어렵습니다.

108. 현재는 기본적으로 두 가지 방식을 병행하고 있습니다. 완전히 레이블링을 할 수 없는 것은 아닙니다. 일부 데이터 레이블링 비용은 낮고, 일부는 높기 때문에 먼저 비용이 낮은 데이터부터 레이블링합니다.

109. 현재 우리 회사 직원의 절반이 데이터 레이블링을 하고 있다고 볼 수도 있습니다. 핵심 연구원 중 절반, 가장 중요한 인력의 절반이 데이터 레이블링에 집중하고 있습니다. 우리는 데이터 레이블링에 집중하고 있습니다. AI 문제를 해결하는 것은 현재 단계에서 데이터 레이블링에 달려 있습니다.

110. 고품질 데이터 레이블링의 병목 현상은 시간이라고 생각합니다. OpenAI, 해외 기업, Anthropic의 경우 모두 더 일찍 시작했고, 자본도 더 많고, GPU도 더 많기 때문입니다.

111. 대규모 언어 모델의 환각 문제는 사용자 경험에 큰 영향을 미칩니다. 환각 문제를 해결할 방법이 있지만, 이는 장기적인 과제입니다. 환각 문제는 더 나은 포스트 트레이닝(Post-training)을 통해 해결할 수 있으며, 개선 가능한 문제라고 볼 수 있습니다.

조직 및 회사 포지셔닝

112. 우선, 우리에게는 모방할 대상이 없습니다. 모든 단계는 실제 상황에서 출발하여, 사실에 기반해 현실에 맞게 결정을 내리고, 우리가 어떻게 해야 하는지를 찾아가는 과정입니다. 따라서 이는 시대의 산물이자 현실 상황의 반영일 뿐, 모방의 결과가 아닙니다.

113. 우리는 분명히 상업화를 목표로 하고 있습니다. 결국 우리는 생존해야 하며, 우리는 어디까지나 회사이기 때문에 정부에서 한 푼도 지원해주지 않습니다.

114. 우리는 본질적으로 여전히 회사입니다. 다만 어떤 돈을 벌지, 언제 돈을 벌지, 얼마나 벌지, 무엇으로 돈을 벌지에 대해 선택과 집중을 하고 있습니다. 많은 회사들이 위대해지는 이유는 이윤 외의 추구가 있기 때문입니다. 그 추구는 결국 상업화를 방해하지 않을 뿐만 아니라, 오히려 더 나은 상업화를 가능하게 합니다.

115. 파트너의 경우, 사실 이번 자금 조달은 신중하게 선별한 것입니다. 우선, 이해관계가 비교적 일치한다고 생각합니다. 즉, 우리와 가장 이해관계가 일치하고, 우리에게 가장 적대적이지 않으며, 우리가 성공하기를 가장 바라는 사람들입니다. 모든 사람이 우리의 성공을 바라는 것은 아닙니다. 왜냐하면 우리는 여전히 많은 다른 사람들의 이익을 침해하고 있기 때문입니다.

116. AI는 현재 취향과 직감이 부족한 것이 아니라, 지속적인 학습 능력이 부족합니다. AI의 취향과 직감에는 문제가 없습니다. AI에게 글을 쓰게 해도, 그 취향과 직감은 문제가 없다고 생각합니다.

117. 우리는 한 부분만 하기를 원합니다. AI는 매우 큰 분야이기 때문에, 굳이 모든 것을 다룰 필요는 없다고 생각합니다. 한 부분에 집중하고, 그 분야의 비즈니스 이익이 충분히 크다고 판단된다면, AI 시대에 수많은 조 단위 기업이 탄생할 것이며, 우리도 그중 하나가 될 것이라고 생각합니다.

118. 우리는 더 많은 사람들을 지원하고 싶지만, 그만한 여력이 없습니다. 의지는 있고 이해 충돌도 없지만, 실제로 실행에 옮기느냐는 별개의 문제입니다. 적어도 여기에는 이해 충돌이 없으며, 우리는 협력과 상생을 원합니다.

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