다리오 아모데이 – 딥시크와 수출통제 (On DeepSeek and Export Controls)

원문: Dario Amodei, On DeepSeek and Export Controls (Jan 2025) 전문은 원문에서 확인하실 수 있습니다. 아래 글은 번역이 아니라, 다리오 아모데이의 논증을 한국어로 재구성한 정리입니다.

글의 배경과 개요

다리오 아모데이(Dario Amodei)는 앤트로픽(Anthropic)의 공동창업자이자 최고경영자이며, 오픈AI(OpenAI)에 있던 시절 스케일링 법칙(scaling laws)을 처음 문서로 정리한 연구진 가운데 한 사람입니다. 이 글은 2025년 1월 자신의 개인 사이트에 올린 것으로, 중국 AI 기업 딥시크(DeepSeek)가 훨씬 적은 비용으로 미국 프런티어 모델(frontier model)에 근접한 성능을 보여주면서 미국의 대중국 반도체 수출통제가 이미 무력해진 것 아니냐는 논쟁이 폭발한 직후에 쓰였습니다. 글이 답하려는 질문은 딥시크의 모델 공개가 수출통제 정책의 근거를 무너뜨리는지 하나뿐이며, 아모데이의 답은 정반대입니다. 그는 세 단계로 논증을 쌓습니다. 먼저 AI 발전을 지배하는 세 가지 역학을 정리하고, 그 틀로 딥시크의 두 모델이 실제로 무엇을 보여주었는지 다시 계산한 다음, 거기서 2026-2027년 세계가 단극이 될지 양극이 될지를 가르는 변수로 수출통제를 지목합니다. 기술 해설처럼 시작해서 국가안보 논증으로 끝나는 구조입니다.

핵심 내용 정리

• 아모데이는 딥시크의 저비용 성과가 대중국 반도체 수출통제의 근거를 약화시키기는커녕 오히려 더 절박하게 만들었다고 봅니다.
• 스케일링 법칙 때문에 같은 성능의 학습 비용이 내려가도 기업들은 절약분을 전부 더 똑똑한 모델에 다시 쏟아붓기 때문에 총지출은 줄지 않고 늘어난다고 설명합니다.
• 딥시크 V3는 공학적으로 진짜 혁신이지만 연 4배 수준으로 진행돼 온 비용 하락 곡선 위의 예상 가능한 한 점일 뿐이며, 미국 모델보다 7-10개월 뒤처진 성능을 상당히 싸게 낸 것이라고 평가합니다.
• R1은 혁신성 면에서 V3보다 훨씬 덜 흥미로우며, 추론 학습이 아직 스케일링 곡선의 초입에 있어 여러 기업이 잠시 비슷한 모델을 낼 수 있는 교차 구간의 산물이라고 봅니다.
• 거의 모든 일에서 거의 모든 인간을 능가하는 AI에는 수백만 개의 칩과 최소 수백억 달러가 필요하며, 2026-2027년에 등장할 가능성이 가장 높다고 전망합니다.
• 중국이 그 수백만 개의 칩을 확보하면 양극 세계가, 확보하지 못하면 미국과 동맹이 앞서는 단극 세계가 되며, 제대로 집행된 수출통제만이 그 갈림길을 결정한다고 주장합니다.
• 딥시크가 실제로 보유한 칩의 구성은 수출통제가 실패했다는 증거가 아니라 허점이 하나씩 메워지고 있다는 증거라고 읽습니다.

딥시크 충격 이후 다시 묻는 수출통제

아모데이는 이 글을 쓰기 몇 주 전 월스트리트저널(The Wall Street Journal)에 중국으로 가는 반도체 수출통제를 더 강하게 해야 한다는 기고를 냈습니다. 그 사이 중국 AI 기업 딥시크가 적어도 몇몇 측면에서는 더 낮은 비용으로 미국 프런티어 모델의 성능에 근접하는 데 성공했습니다. 이 글은 그 사건이 자기 주장을 무너뜨렸는지 스스로 점검하는 자리에서 출발합니다.

그가 다루지 않겠다고 먼저 선을 그은 것이 하나 있습니다. 딥시크가 앤트로픽 같은 미국 AI 기업에 위협이 되는지 여부입니다. 미국의 AI 주도권이 위협받는다는 주장 가운데 상당수가 크게 과장되었다고 보기는 하지만, 그 문제는 이 글에서 따질 대상이 아니라는 것입니다. 대신 딥시크의 모델 공개가 칩 수출통제 정책의 근거를 허무는지에만 집중합니다. 그의 답은 허물지 않는다는 것이고, 한 걸음 더 나아가 딥시크의 공개는 수출통제를 거둘 이유가 아니라 일주일 전보다 더 절실해진 이유라고 적습니다.

두 가지 단서를 덧붙입니다. 하나는 딥시크가 서구 모델에서 증류(distillation)했다는 보도인데, 이 글에서는 어느 쪽 입장도 취하지 않고 딥시크가 논문에서 밝힌 방식대로 학습했다는 말을 그대로 받아들인다고 밝힙니다. 다른 하나는 엔비디아(NVIDIA) 주가입니다. 딥시크 모델 공개가 엔비디아에 나쁜 소식이 아니라는 점은 AI 기업에 나쁘지 않다는 점보다 오히려 더 분명한데도 두 자릿수대 주가 하락이 나온 것은 당혹스럽다고 말합니다. 다만 이 글의 주된 목적은 어디까지나 수출통제 정책을 옹호하는 데 있다고 선을 긋습니다.

수출통제가 무엇을 위한 장치인지도 분명히 합니다. 민주주의 국가들이 AI 개발의 최전선에 남아 있게 하는 것입니다. 미중 경쟁 자체를 피해 가는 수단은 아니라고 못박습니다. 결국 미국과 다른 민주국가의 AI 기업이 중국 기업보다 더 나은 모델을 갖지 못하면 이길 수 없다는 전제를 그는 그대로 받아들입니다. 그러면서도 굳이 그럴 필요가 없는 상황에서 중국공산당(CCP)에 기술적 우위를 건네줄 이유는 없다고 덧붙입니다.

해설 딥시크는 항저우에 본사를 둔 AI 기업으로, 2023년 7월 퀀트 헤지펀드 하이플라이어(High-Flyer)의 공동창업자 량원펑(Liang Wenfeng)이 세웠고 하이플라이어가 소유하며 자금을 댑니다. 사전학습(pre-training) 모델 V3는 2024년 12월 26일에, 추론 모델 R1은 2025년 1월 20일에 공개되었고 두 모델 모두 가중치가 공개되었습니다. 특히 R1은 모델이 거치는 사고연쇄(chain of thought) 과정을 사용자에게 그대로 보여주는 방식이어서 일반 대중에게까지 파장이 번졌습니다.

시장이 반응한 날은 2025년 1월 27일입니다. 이날 엔비디아 주가가 하루 만에 약 17% 빠지면서 시가총액 약 5,890억 달러가 사라졌고, 이는 미국 증시 역사상 하루 기준 최대 규모의 감소로 집계되었습니다. 아모데이의 글은 그 직후에 나왔기 때문에, 기술 해설문이라기보다 시장의 첫 해석을 되돌리려는 개입에 가깝습니다.

[이해관계] 아모데이는 앤트로픽의 최고경영자이고, 앤트로픽은 딥시크·오픈AI와 같은 시장에서 경쟁하는 회사입니다. 중국 기업의 컴퓨트 접근을 제한하는 정책은 경쟁 구도에서 앤트로픽에 불리하게 작용하지 않습니다. 글 첫 줄에 나오는 월스트리트저널 기고 역시 그가 맷 포틴저(Matt Pottinger)와 함께 쓴 정책 제안이었고, 이 글은 그 주장의 연장선에 있습니다.

다만 발화 위치를 확인하는 일이 주장의 내용을 자동으로 깎아내리지는 않습니다. 그는 같은 글에서 엔비디아 주가 급락이 당혹스럽다고 적고 있고, 칩 판매 자체를 줄이자는 주장도 하지 않습니다. 통제 대상은 중국으로 가는 물량에 한정되어 있어서, 자기 회사에 유리한 결론과 자기가 믿는 안보 논리가 겹치는 자리에서 말하고 있다는 점을 독자가 알고 읽으면 충분합니다.

AI 발전을 지배하는 세 가지 역학

아모데이는 정책 논증으로 넘어가기 전에, AI 시스템이 어떻게 움직이는지에 관한 기본 역학 세 가지를 먼저 깔아 둡니다. 이것을 이해하지 못하면 딥시크의 성과를 읽는 방식 자체가 어긋난다고 보기 때문입니다.

스케일링 법칙

첫 번째는 스케일링 법칙입니다. 아모데이와 공동창업자들이 오픈AI에 있던 시절 가장 먼저 문서로 정리한 성질로, 다른 조건이 같다면 AI 시스템의 학습 규모를 키울수록 여러 인지 과업에서 성능이 전반적으로 매끄럽게 좋아진다는 것입니다.

그가 드는 예는 단순합니다. 100만 달러짜리 모델이 중요한 코딩 과업의 20%를 풀어낸다면, 1,000만 달러짜리는 40%, 1억 달러짜리는 60%를 풀어내는 식입니다. 숫자만 보면 완만해 보이지만 실제로는 함의가 거대해서, 10배를 더 쓰는 것이 학부생과 박사 수준의 차이에 해당할 수 있습니다. 기업들이 모델 학습에 그토록 막대하게 투자하는 이유가 여기에 있습니다.

곡선의 이동

두 번째는 곡선 자체가 옆으로 밀리는 현상입니다. 이 분야에서는 크고 작은 아이디어가 끊임없이 나오는데, 오늘날 모든 모델이 쓰는 트랜스포머(Transformer) 구조를 손보는 것일 수도 있고 같은 하드웨어 위에서 모델을 더 효율적으로 돌리는 방법일 수도 있습니다. 새로운 세대의 하드웨어도 같은 효과를 냅니다. 아모데이는 이런 개선을 컴퓨트 배수(compute multiplier)라고 부릅니다.

2배짜리 컴퓨트 배수를 하나 얻으면, 코딩 과업 40%를 1,000만 달러가 아니라 500만 달러에, 60%를 1억 달러가 아니라 5,000만 달러에 달성하게 됩니다. 프런티어 AI 기업들은 이런 배수를 정기적으로 여러 개씩 발견합니다. 1.2배 정도의 작은 것이 자주 나오고, 2배쯤 되는 중간 크기가 이따금 나오며, 아주 가끔 10배짜리가 나옵니다.

여기서 아모데이가 강조하는 반전이 나옵니다. 더 똑똑한 시스템을 가진다는 것의 가치가 워낙 크기 때문에, 곡선이 밀리면 기업들은 학습에 돈을 덜 쓰는 게 아니라 오히려 더 쓰게 된다는 것입니다. 효율 이득은 전부 더 똑똑한 모델을 학습시키는 데 재투입되고, 제약이 되는 것은 그 회사의 재무 여력뿐입니다. 사람들은 처음에는 비싸다가 나중에 싸진다는 그림에 자연스럽게 끌립니다. AI가 품질이 일정한 하나의 물건이어서, 싸지면 더 적은 칩으로 만들게 되리라는 상상입니다.

그러나 중요한 것은 스케일링 곡선이고, 곡선이 밀리면 우리는 그저 그 위를 더 빨리 달릴 뿐입니다. 곡선 끝에 놓인 것의 가치가 너무 크기 때문입니다. 2020년 그의 팀이 낸 논문은 알고리즘 진보에 따른 곡선 이동을 연 1.68배로 추정했는데, 그 뒤로 상당히 빨라졌을 것이고 이 수치에는 효율 개선과 하드웨어가 들어가 있지도 않습니다. 아모데이는 지금 기준으로는 연 4배쯤 되리라고 추측합니다.

학습 곡선이 밀리면 추론 곡선도 함께 밀립니다. 그래서 모델 품질을 고정해 놓고 보면 가격이 큰 폭으로 떨어지는 일이 수년째 이어져 왔습니다. 그가 드는 사례는 Claude 3.5 Sonnet으로, 최초의 GPT-4보다 15개월 늦게 나왔는데도 거의 모든 벤치마크에서 GPT-4를 앞서면서 API 가격은 10분의 1 수준입니다.

패러다임의 전환

세 번째는 스케일링되는 대상 자체가 바뀌거나, 학습 과정에 새로운 종류의 스케일링이 추가되는 일입니다. 2020년부터 2023년까지 주로 키운 것은 사전학습 모델이었습니다. 점점 더 많은 인터넷 텍스트로 학습시키고 그 위에 아주 약간의 다른 학습을 얹는 방식이었습니다.

2024년에 들어서면서 새로운 초점이 등장합니다. 강화학습(RL)으로 모델이 사고연쇄를 생성하도록 훈련시키는 방식입니다. 앤트로픽과 딥시크를 비롯한 여러 기업이, 그중에서도 9월에 o1-preview를 공개한 오픈AI가 특히 눈에 띄게, 이 학습이 수학이나 코딩 경진처럼 객관적으로 측정 가능한 일부 과업과 그와 닮은 추론에서 성능을 크게 끌어올린다는 것을 확인했습니다. 이 패러다임은 평범한 사전학습 모델에서 출발해, 두 번째 단계로 강화학습을 붙여 추론 능력을 더하는 구조입니다.

아모데이가 가장 중요하게 짚는 대목은 이 두 번째 단계가 아직 얼마나 초기인가입니다. 이런 종류의 강화학습 자체가 새롭기 때문에 모든 참가자가 2단계에 쓰는 돈이 아직 적습니다. 10만 달러 대신 100만 달러를 쓰는 것만으로도 큰 이득이 나오는 구간입니다. 기업들은 지금 이 단계를 수억 달러, 수십억 달러 규모로 끌어올리려고 빠르게 움직이고 있지만, 현재 위치는 강력한 새 패러다임이 곡선의 초입에 놓여 큰 이득이 빠르게 나오는 독특한 교차 구간입니다.

해설 여기서 말하는 스케일링 법칙은 2020년 1월에 나온 논문 「Scaling Laws for Neural Language Models」를 가리킵니다. 제러드 카플란(Jared Kaplan)과 아모데이를 포함한 당시 오픈AI 연구진이 쓴 것으로, 모델 크기와 데이터양과 컴퓨트를 늘릴 때 손실이 멱법칙 형태로 줄어든다는 관측을 담고 있습니다. 핵심은 개선이 매끄럽고 예측 가능하다는 쪽이지, 투입한 만큼 비례해서 좋아진다는 쪽이 아닙니다. 비용을 10배 늘려 정답률이 20%에서 40%로 가는 예시 자체가 심한 수익 체감을 보여줍니다.

본문의 컴퓨트 배수라는 말도 업계의 표준 용어라기보다 아모데이가 설명을 위해 끌어온 표현에 가깝습니다. 그리고 연 1.68배, 연 4배 같은 숫자는 공식 통계가 아니라 추정치입니다. 아모데이 자신이 추측이라고 못박고 있고, 알고리즘 효율 개선의 속도를 어떻게 측정할지는 연구자마다 방법이 달라 편차가 큽니다.

[관점] 2025년 1월 27일에 시장이 내린 해석과 아모데이의 해석은 같은 사실에서 정반대 결론으로 갈립니다. 시장은 학습 비용이 급락했으니 칩 수요가 줄어든다고 읽었고, 아모데이는 비용이 떨어질수록 더 많이 쓰게 된다는 제번스의 역설(Jevons paradox) 구도로 읽습니다. 둘을 가르는 것은 결국 지능에 대한 수요가 가격에 얼마나 탄력적인가라는 경험적 질문입니다.

이후 흐름은 아모데이 쪽에 가까웠습니다. 아마존(Amazon)과 알파벳(Alphabet)과 마이크로소프트(Microsoft)와 메타(Meta)가 2025년 초 내놓은 설비투자 계획은 합계 3,200억-3,250억 달러로 전년보다 크게 늘었고, 이후 분기를 거치며 알파벳과 아마존과 메타의 연간 전망은 더 올랐습니다. 다만 투자 판단으로 옮길 때는 한 겹을 더 봐야 합니다. 총지출이 늘어난다는 것과 그 지출이 어떤 칩과 어떤 단계로 흘러가는지는 다른 문제이기 때문입니다. 아모데이 본인이 학습 곡선과 추론 곡선을 구분해 설명하고 있듯, 효율 개선이 지출의 무게중심을 학습에서 추론으로 옮기면 메모리 구성과 네트워크 요구, 수혜 기업의 명단이 함께 바뀝니다.

[반론] 아모데이의 세 역학은 곡선이 앞으로도 계속 매끄럽게 밀린다는 전제 위에 서 있습니다. 그 전제를 정면으로 흔든 사람은 오픈AI 공동창업자였던 일리야 수츠케버(Ilya Sutskever)입니다. 그는 2024년 12월 NeurIPS 강연에서 지금 방식의 사전학습은 끝난다고 단언했는데, 컴퓨트는 하드웨어와 알고리즘과 클러스터로 계속 늘지만 인터넷은 하나뿐이라 데이터가 따라 늘지 않는다는 이유였습니다.

수츠케버는 2025년 11월 대담에서 이 진단을 한 걸음 더 밀어, 스케일링의 시대가 끝나고 연구의 시대로 넘어가고 있다고 말했습니다. 이 주장이 옳다면 아모데이가 뒤에서 제시하는 2026-2027년 일정표의 근거도 함께 약해집니다. 반대로 아모데이가 3번 역학에서 든 추론 학습의 등장은, 한 종류의 스케일링이 막히면 다른 종류가 붙는다는 그 자신의 반론으로 읽을 수도 있습니다.

딥시크의 두 모델을 뜯어보면

앞의 세 역학은 딥시크의 최근 공개를 읽는 도구가 됩니다. 한 달쯤 전 딥시크는 V3라는 모델을 내놓았는데, 이는 순수한 사전학습 모델로 앞서 말한 세 번째 역학의 1단계에 해당합니다. 엄밀히 하자면 추론 패러다임이 등장하기 전 모델들이 으레 거치던 아주 적은 양의 강화학습까지는 포함된 사전학습 모델입니다. 그리고 지난주에 2단계를 덧붙인 R1을 공개했습니다. 밖에서 이 모델들에 관해 모든 것을 확정할 수는 없으므로 이하는 자신의 최선의 이해라고 아모데이는 미리 단서를 답니다.

주목했어야 할 쪽은 V3였다

아모데이가 보기에 진짜 사건은 R1이 아니라 V3였고, 한 달 전에 사람들이 주목했어야 할 쪽도 V3였습니다. 앤트로픽은 분명히 주목했다고 그는 적습니다. 사전학습 모델로서 V3는 일부 중요한 과업에서 미국 최고 수준 모델의 성능에 근접하면서도 학습 비용은 훨씬 적게 들었고, 아주 좁은 범위의 과업에서는 오히려 더 강합니다. 다만 Claude 3.5 Sonnet은 실제 코딩 같은 다른 핵심 과업에서 여전히 훨씬 낫다는 단서를 붙입니다.

딥시크 팀이 이 결과를 만들어 낸 방식은 진짜이고 인상적인 혁신이었으며, 그 성격은 대부분 공학적 효율에 집중되어 있었습니다. 특히 KV 캐시(Key-Value cache)를 관리하는 방식과 전문가 혼합(MoE)이라는 기법을 종전보다 더 멀리 밀어붙인 대목에서 독창적인 개선이 있었다고 평가합니다.

600만 달러라는 숫자를 뜯어보면

여기서부터 아모데이는 네 가지를 차례로 반박합니다. 첫째는 딥시크가 미국 기업이 수십억 달러를 들인 일을 600만 달러로 해냈다는 서술입니다. 그는 앤트로픽에 대해서만 말할 수 있다면서, Claude 3.5 Sonnet은 학습에 수천만 달러대가 든 중간 크기 모델이며 정확한 숫자는 밝히지 않겠다고 합니다. 또 일부 소문과 달리 3.5 Sonnet은 더 크거나 더 비싼 모델을 동원하는 방식으로 학습되지 않았습니다. Sonnet의 학습은 9-12개월 전에 이뤄졌고 딥시크의 모델은 11월에서 12월 사이에 학습되었는데, 내부와 외부의 여러 평가에서 Sonnet이 여전히 뚜렷하게 앞섭니다.

그래서 공정한 서술은 딥시크가 7-10개월 더 오래된 미국 모델에 근접한 성능을 꽤 적은 비용으로 만들어 냈다는 것이고, 사람들이 말하는 비율 근처에도 가지 않는다는 것입니다. 600만 달러라는 숫자 자체는 딥시크 논문에 나온 것이고 그는 액면 그대로 받아들입니다. 그가 의심하는 것은 미국 기업의 모델 학습 비용과 이 숫자를 나란히 놓는 비교이며, 특정 모델 하나를 학습시킨 비용과 훨씬 큰 전체 연구개발 비용을 구분하지 않는 태도입니다. 다만 모델 크기는 검증할 수 있어도 토큰 수 같은 다른 요소는 검증할 수 없으니 600만 달러 자체도 완전히 확신할 수는 없다고 덧붙입니다.

둘째는 추세 계산입니다. 비용 곡선이 연 4배로 내려오는 것이 역사적 추세라면, 평범한 사업 흐름만으로도 지금쯤 3.5 Sonnet이나 GPT-4o보다 3-4배 싼 모델이 나올 때입니다. V3는 그 프런티어 모델들보다 성능이 낮으므로 스케일링 곡선상 2배쯤 뒤라고 잡으면, 이는 V3에 상당히 후한 가정인데, 1년 전 미국 모델보다 학습 비용이 8배쯤 적은 것은 전혀 이상할 게 없고 완전히 추세 위입니다. 자기 쪽 숫자는 밝히지 않겠지만, 딥시크의 학습 비용을 액면 그대로 받아들여도 잘해야 추세 위이고 그마저도 못 될 가능성이 높다고 그는 봅니다. 비교 삼아, 최초의 GPT-4에서 Claude 3.5 Sonnet으로 넘어올 때의 추론 가격 차이는 10배였고 3.5 Sonnet이 GPT-4보다 나은 모델이었습니다.

그래서 V3는 대규모 언어모델(LLM)의 경제학을 근본적으로 바꾸는 독보적 돌파구가 아니라, 진행 중인 비용 하락 곡선 위의 예상된 한 점이라는 것이 그의 결론입니다. 다만 이번에 달라진 것이 하나 있는데, 그 예상된 비용 하락을 가장 먼저 보여준 회사가 중국 기업이었다는 사실입니다. 전례가 없는 일이고 지정학적으로 중요한 일입니다. 미국 기업들도 곧 따라붙을 텐데, 딥시크를 베껴서가 아니라 그들 역시 늘 해 오던 비용 하락 추세를 달성하기 때문이라고 그는 말합니다.

셋째는 칩 보유량입니다. 딥시크든 미국 기업이든 간판 모델 하나를 학습시키는 데 쓴 것보다 훨씬 많은 돈과 칩을 갖고 있습니다. 여분의 칩은 모델에 들어갈 아이디어를 개발하는 연구개발에 쓰이고, 때로는 아직 공개할 준비가 안 됐거나 한 번에 성공하지 못해 다시 돌려야 하는 더 큰 모델을 학습시키는 데 쓰입니다. 보도에 따르면, 확실하다고는 할 수 없지만, 딥시크는 호퍼(Hopper) 세대 칩을 5만 개 보유하고 있습니다. 아모데이는 인터뷰에서 이를 H100 5만 개라고 말한 적이 있는데 보도를 미묘하게 잘못 요약한 것이라며 바로잡습니다. 호퍼 가운데 가장 널리 알려진 것이 H100이라 그렇게 가정했지만, 호퍼에는 H800과 H20도 들어가고 딥시크는 세 종류를 섞어 5만 개를 가진 것으로 보도되었습니다.

이 정도면 주요 미국 AI 기업이 보유한 양의 2-3배 이내이며, 예를 들어 xAI의 콜로서스(Colossus) 클러스터보다 2-3배 적은 수준입니다. 그는 다음 세대 클러스터에서는 수출통제 때문에 이 격차가 크게 벌어질 것으로 예상한다는 단서를 답니다. 5만 개의 호퍼 칩이면 가격은 10억 달러 안팎입니다. 따라서 개별 모델 학습 지출과 구분되는 기업 전체 지출로 보면, 딥시크가 쓴 돈은 미국 AI 연구소들과 크게 다르지 않습니다.

넷째는 스케일링 곡선이라는 분석틀 자체의 한계입니다. 모델마다 강점과 약점이 달라 조금씩 차별화되어 있는데, 곡선 위의 숫자는 그런 세부를 전부 무시한 거친 평균에 불과합니다. 그는 앤트로픽 모델에 대해서만 말할 수 있다면서, Claude가 코딩과 사람을 상대하는 대화 방식의 설계에서 특히 뛰어나다고 적습니다. 많은 사람이 개인적인 조언이나 지지를 구하는 데 Claude를 쓰는데, 이런 과업들에서는 딥시크와 비교 자체가 성립하지 않으며 이런 요소는 스케일링 숫자에 전혀 나타나지 않습니다.

R1은 왜 덜 흥미로운가

지난주에 공개되어 대중의 관심을 폭발시킨 쪽, 엔비디아 주가를 17%가량 끌어내린 쪽은 R1입니다. 그러나 혁신이나 공학의 관점에서 보면 R1은 V3보다 훨씬 덜 흥미롭다는 것이 아모데이의 평가입니다. R1이 한 일은 두 번째 학습 단계인 강화학습을 덧붙인 것이고, 본질적으로는 오픈AI가 o1으로 해낸 것을 재현한 것입니다. 규모도 결과도 비슷한 수준으로 보인다고 그는 적습니다.

R1이 그토록 주목받은 주된 이유 가운데 하나로 그가 꼽는 것은 모델 자체가 아니라 화면입니다. R1은 모델이 거치는 사고연쇄를 사용자에게 그대로 보여 준 첫 모델이었고, o1은 최종 답만 보여 줍니다. 딥시크는 사용자들이 그 과정을 흥미로워한다는 사실을 입증한 셈인데, 이는 어디까지나 사용자 인터페이스 선택이지 모델 자체와는 무관합니다.

기술적으로 더 중요한 함의는 따로 있습니다. 지금 우리가 곡선의 초기 구간에 있기 때문에, 강한 사전학습 모델에서 출발하기만 하면 여러 기업이 이런 유형의 모델을 만들어 낼 수 있다는 점입니다. V3를 이미 가진 상태에서 R1을 만드는 일은 아마 매우 저렴했을 것입니다. 그래서 지금은 여러 회사가 동시에 괜찮은 추론 모델을 내놓을 수 있는 일시적인 교차 구간이며, 모두가 이 모델들의 스케일링 곡선을 더 올라가는 순간 그 상태는 빠르게 사라질 것이라고 그는 봅니다.

해설 KV 캐시는 트랜스포머가 토큰을 하나씩 만들어 낼 때 앞서 처리한 토큰들의 키와 값 벡터를 저장해 두고 재사용하는 장치입니다. 맥락이 길어질수록 이 캐시가 메모리를 크게 잡아먹어서 긴 맥락 추론의 비용을 좌우합니다. 딥시크는 이 캐시를 저차원 잠재 벡터로 압축하는 다중 헤드 잠재 어텐션(MLA)이라는 방식으로 문제를 줄였습니다. 전문가 혼합은 모델의 피드포워드 부분을 여러 전문가로 쪼개 놓고 토큰마다 그중 일부만 켜는 구조로, V3는 전체 6,710억 파라미터 가운데 토큰당 약 370억만 활성화합니다.

600만 달러라는 숫자의 정체도 짚어 둘 만합니다. 딥시크 기술 보고서가 제시한 것은 최종 사전학습에 들어간 H800 GPU 사용 시간 약 278만 8,000시간에 시간당 2달러를 곱한 값이며, 보고서 자체가 이 금액에 선행 연구와 구조·알고리즘·데이터에 대한 실험 비용이 포함되지 않는다고 명시하고 있습니다. 아모데이가 특정 모델 학습 비용과 전체 연구개발 비용을 구분하라고 요구하는 지점이 정확히 여기입니다.

[관점] 비용을 어느 층위에서 세느냐에 따라 같은 회사의 숫자가 완전히 달라집니다. 세미애널리시스(SemiAnalysis)는 딥시크의 총 서버 자본지출을 10억 달러대로, 그중 GPU에만 들어간 금액을 5억 달러 이상으로 추정했고, 구글 딥마인드(Google DeepMind)의 데미스 하사비스(Demis Hassabis)도 600만 달러라는 서술이 과장이며 최종 학습 회차 비용만 보고한 것으로 보인다고 말했습니다. 아모데이의 세 번째 반박은 바로 이 층위에서 성립합니다.

그렇다고 최종 학습 실행 비용이 의미 없는 숫자는 아닙니다. 그것은 이미 클러스터와 연구 조직을 갖춘 회사가 모델 한 개를 더 찍어내는 한계비용에 가깝고, 그 수치가 낮아졌다는 사실은 곧장 추론 가격 경쟁으로 번집니다. 투자 판단에서는 기업 총자본지출, 모델 총개발비, 최종 학습 실행 비용이라는 세 층위를 섞지 않고 각각 무엇을 설명하는 숫자인지 구분해 두는 편이 안전합니다.

[반론] V3의 성과를 곡선 위의 예상된 점으로만 보는 평가에는 다른 시각이 있습니다. 에포크 AI(Epoch AI)의 에게 에르딜(Ege Erdil)은 2025년 1월 분석에서 V3의 구조 개선을 세 가지로 정리했는데, KV 캐시를 압축하는 다중 헤드 잠재 어텐션, 전문가를 잘게 쪼개고 공용 전문가를 두는 방식, 그리고 한 번의 순전파로 다음 토큰과 그다음 토큰을 함께 예측하는 다중 토큰 예측입니다. 그는 다중 헤드 잠재 어텐션을 긴 맥락 추론에서 가장 중요한 구조 혁신으로 꼽았습니다. 이런 기여를 단순한 비용 추세의 산물로만 볼 수 있느냐는 평가가 갈릴 수 있는 지점입니다.

600만 달러 논쟁에도 다른 방향의 지적이 있었습니다. 딥시크 기술 보고서는 처음부터 이 금액이 최종 학습분에 한정되며 선행 연구와 실험 비용이 빠져 있다고 적어 두었기 때문에, 숫자를 회사 전체 비용처럼 옮긴 쪽은 딥시크가 아니라 당시의 보도와 시장이었다는 논평이 일부에서 나왔습니다. 아모데이도 이 숫자 자체는 의심하지 않고 비교 방식만 문제 삼았다는 점에서, 그의 반박은 딥시크보다 그 숫자를 받아 적은 해석을 겨냥한다고 읽을 수 있습니다.

수출통제

여기까지가 서론이고, 아모데이가 실제로 말하고 싶었던 주제는 중국으로 가는 칩 수출통제입니다. 앞에서 정리한 사실들에 비추어 그는 상황을 다음과 같이 봅니다.

먼저 진행 중인 추세가 있습니다. 기업들은 강력한 AI 모델을 학습시키는 데 점점 더 많은 돈을 쓰고 있고, 그 와중에도 곡선은 주기적으로 밀려 특정 수준의 지능을 학습시키는 비용은 빠르게 떨어집니다. 두 흐름이 공존하는 이유는 더 똑똑한 모델을 학습시키는 일의 경제적 가치가 워낙 커서, 비용에서 얻은 이득이 거의 즉시 그 이상으로 먹혀 버리기 때문입니다. 아낀 돈은 원래 쓰려던 그 막대한 금액 그대로 더 똑똑한 모델을 만드는 데 다시 투입됩니다.

딥시크가 개발한 효율 혁신도 같은 길을 밟을 것입니다. 미국 연구소들이 아직 발견하지 못한 것이 있다면, 그 기법들은 곧 미국과 중국 양쪽 연구소에서 수십억 달러짜리 모델을 학습시키는 데 적용될 것입니다. 그 모델들은 원래 계획하던 수십억 달러짜리 모델보다 성능이 좋겠지만, 여전히 수십억 달러를 쓸 것입니다. 그리고 그 숫자는 거의 모든 일에서 거의 모든 인간보다 똑똑한 AI에 도달할 때까지 계속 올라갑니다.

2026년과 2027년의 두 세계

그런 AI를 만들려면 수백만 개의 칩과 최소 수백억 달러가 필요하며, 아모데이는 그 일이 2026년에서 2027년 사이에 일어날 가능성이 가장 높다고 봅니다. 딥시크의 공개는 이 전망을 바꾸지 않는데, 그것이 애초에 계산에 반영되어 있던 비용 하락 곡선 위에 대체로 놓여 있기 때문입니다.

그래서 2026년과 2027년에 우리는 극명하게 갈라진 두 세계 가운데 하나에 도달할 수 있습니다. 미국에서는 여러 기업이 수백억 달러를 들여 필요한 수백만 개의 칩을 확실히 갖게 됩니다. 남은 질문은 중국도 그 수백만 개를 손에 넣을 수 있느냐 하나입니다.

중국이 손에 넣는다면 양극 세계가 됩니다. 미국과 중국 모두 강력한 AI 모델을 보유하고, 그 모델들이 과학과 기술에서 극도로 빠른 진보를 일으킵니다. 아모데이가 이전 글에서 데이터센터 속 천재들의 나라(countries of geniuses in a datacenter)라고 불렀던 상태입니다. 그런 양극 세계가 무한정 균형을 유지하리라는 보장은 없습니다.

AI 시스템의 수준이 대등하더라도 중국은 더 많은 인재와 자본과 집중을 군사적 응용에 돌릴 수 있을 것입니다. 거대한 산업 기반과 군사전략적 이점까지 결합되면 AI뿐 아니라 모든 영역에서 세계 무대의 주도권을 쥘 수 있다고 그는 봅니다.

중국이 손에 넣지 못한다면 적어도 일시적으로는 단극 세계가 됩니다. 미국과 그 동맹만 그런 모델을 갖는 상태입니다. 그 단극 상태가 얼마나 갈지는 불확실하지만, AI 시스템이 결국 더 똑똑한 AI 시스템을 만드는 일을 도울 수 있기 때문에 일시적 우위가 지속적 우위로 바뀔 가능성이 적어도 존재합니다. 그 경우 미국과 동맹이 오래가는 주도권을 쥘 수 있습니다.

그는 여기에 목표가 무엇인지를 분명히 하는 단서를 답니다. 중국이나 다른 권위주의 국가가 강력한 AI에서 나오는 과학과 의학과 삶의 질의 혜택을 누리지 못하게 하려는 것이 아니며, 그 혜택은 모두가 누릴 수 있어야 한다는 것입니다. 막으려는 것은 그들이 군사적 지배력을 얻는 일 하나입니다.

중국 자체 칩에 대해서도 선을 긋습니다. 맷 포틴저와 함께 쓴 기고를 인용하며, 중국 최고의 AI 칩인 화웨이(Huawei) 어센드 계열이 엔비디아의 선두 칩보다 성능이 상당히 떨어지고 수요 증가를 따라갈 생산능력도 없을 수 있다고 적습니다. 오늘날 중국 바깥에는 주목할 만한 화웨이 어센드 클러스터가 하나도 없는데, 이는 국내 수요조차 감당하기 버겁다는 신호라는 것입니다.

결론은 짧습니다. 잘 집행된 수출통제만이 중국이 수백만 개의 칩을 확보하는 일을 막을 수 있고, 따라서 단극이냐 양극이냐를 가르는 가장 중요한 결정 변수라는 것입니다.

딥시크의 칩 목록이 말해 주는 것

딥시크의 성능은 수출통제가 실패했다는 뜻이 아니라고 그는 말합니다. 딥시크는 중간에서 많은 수준에 이르는 칩을 갖고 있었으니 강력한 모델을 개발하고 학습시킨 것이 놀랄 일이 아닙니다. 그들은 미국 AI 기업들보다 자원 제약을 실질적으로 더 심하게 받지 않았고, 수출통제가 그들을 혁신하게 만든 주된 요인도 아닙니다. 그들은 그저 매우 재능 있는 엔지니어들이며, 중국이 미국의 진지한 경쟁자인 이유를 보여줄 뿐입니다.

딥시크 사례가 중국이 언제든 밀수로 필요한 칩을 얻을 수 있다거나 통제에 늘 허점이 있다는 것을 입증하지도 않습니다. 그는 수출통제가 애초에 중국이 수만 개 수준의 칩을 얻는 것을 막으려고 설계된 적이 없다고 봅니다. 10억 달러어치의 경제활동은 숨길 수 있어도 1,000억 달러나 100억 달러를 숨기기는 어렵고, 100만 개의 칩은 물리적으로도 밀수하기 어려울 수 있습니다.

딥시크가 현재 보유한 것으로 보도된 칩의 구성을 들여다보면 더 분명해집니다. 세미애널리시스에 따르면 H100과 H800과 H20이 섞여 합계 5만 개입니다. H100은 출시 이후 줄곧 통제 대상이었으므로 딥시크가 갖고 있다면 밀수된 것일 수밖에 없는데, 엔비디아는 딥시크의 성과가 수출통제를 완전히 준수한 것이라고 밝힌 바 있습니다. H800은 2022년 1차 통제에서는 허용되었다가 2023년 10월 통제가 갱신되면서 금지되었으므로 금지 이전에 선적되었을 것입니다. H20은 학습에는 덜 효율적이고 샘플링에는 더 효율적이어서 여전히 허용되고 있는데, 아모데이는 이것도 금지해야 한다고 봅니다.

결국 딥시크가 굴리는 칩 함대의 상당 부분은 아직 금지되지 않았지만 금지되어야 할 칩, 금지되기 전에 선적된 칩, 그리고 밀수되었을 가능성이 매우 높아 보이는 칩으로 이루어져 있습니다. 그는 이것을 수출통제가 실패한 증거가 아니라 통제가 실제로 작동하면서 허점을 하나씩 닫고 있다는 증거로 읽습니다. 그렇지 않았다면 딥시크는 최고 사양 H100으로만 채운 함대를 갖추고 있었을 것입니다. 허점을 충분히 빨리 닫을 수 있다면 중국이 수백만 개의 칩을 확보하는 일을 막을 수 있고, 미국이 앞선 단극 세계가 될 가능성이 커집니다.

해설 본문에 등장하는 칩 이름들은 그 자체로 수출통제의 연혁입니다. 2022년 10월 미국 상무부가 1차 통제를 내놓자 엔비디아는 기준선 아래로 사양을 낮춘 H800을 만들어 중국에 팔았고, 2023년 10월 통제가 갱신되며 H800이 막히자 다시 H20을 만들어 팔았습니다. H20이 학습에는 약하고 샘플링에 강하다는 아모데이의 설명은 이 칩이 연산 성능은 낮추되 메모리 대역폭은 상대적으로 높게 둔 설계라는 점과 맞닿아 있습니다.

아모데이가 글 끝에서 여러 조치를 한꺼번에 열거한 것도 같은 맥락입니다. 2018년 푸젠진화(Fujian Jinhua)에 대한 수출 제한, 2022년 10월의 첨단 컴퓨팅·반도체 통제, 2023년 10월의 갱신, 그리고 이 글이 나오기 직전인 2025년 1월에 발표된 AI 확산 규칙(AI Diffusion Rule)까지가 그가 말하는 여러 라운드입니다. 통제가 완성된 울타리가 아니라 상대의 우회를 뒤따라가며 기준을 고쳐 쓰는 과정이었다는 점이 그의 논증에서 중요합니다.

[한국 관점] 이 글에서 한국이 등장하지는 않지만, 아모데이가 말하는 허점 닫기의 다음 단계가 한국 기업을 정면으로 겨냥했습니다. 미국은 2024년 12월 고대역폭 메모리(HBM)를 대중국 수출통제 대상에 넣으면서 메모리 대역폭 밀도가 제곱밀리미터당 초당 2기가바이트를 넘는 제품을 통제하기로 했는데, 상무부 스스로 당시 생산되는 모든 HBM 스택이 이 기준을 넘는다고 밝혔습니다. 사실상 한국산 HBM 전량이 대상이 된 것이고, 해외직접생산품규칙(FDPR)이 함께 적용되어 삼성전자와 SK하이닉스가 그대로 규제 범위에 들어갔습니다.

체감되는 충격은 두 회사가 달랐습니다. SK하이닉스는 생산량 대부분을 미국 쪽 수요에 대고 있어 당장의 타격이 작았던 반면, HBM 매출의 일정 부분을 중국에서 내던 삼성전자는 직접적인 영향을 받았습니다. 같은 조치에서 일본과 네덜란드 장비 기업에는 예외가 인정된 반면 한국 장비는 통제에 포함되었다는 점도 함께 짚을 대목입니다.

그래서 아모데이의 틀을 한국에 그대로 옮기면 어긋나는 지점이 생깁니다. 그의 글에서 수출통제는 민주국가가 치러야 할 비용이 거의 없는 선택처럼 보이지만, 공급망의 길목에 선 동맹국에게는 매출과 시장 접근이 걸린 선택입니다. 한국은 통제를 설계하는 쪽이 아니라 집행에 동원되는 쪽이고, 규칙이 바뀔 때마다 기업이 먼저 조정 비용을 부담합니다.

[사후 맥락] 이 글이 나온 뒤 수출통제는 아모데이가 바란 방향과 바라지 않은 방향으로 동시에 움직였습니다. 그가 금지해야 한다고 적었던 H20은 2025년 4월 9일 미국 정부가 중국 수출에 라이선스를 요구하면서 사실상 막혔고, 엔비디아는 재고와 구매 약정에 대해 55억 달러 규모의 손실을 인식했습니다. 반대로 조 바이든(Joe Biden) 행정부가 2025년 1월에 내놓은 AI 확산 규칙은 발효를 이틀 앞둔 5월 13일에 도널드 트럼프(Donald Trump) 행정부에 의해 폐기되었습니다.

H20을 둘러싼 결말은 또 달랐습니다. 2025년 7월 미국 정부가 판매를 다시 허용했고, 8월에는 엔비디아와 AMD가 중국 매출의 15%를 미국 정부에 내는 조건으로 라이선스를 받는 합의가 알려졌습니다. 수출통제를 안보 장치로 설명한 이 글의 전제와, 통제를 협상 카드이자 세수원으로 쓰는 이후의 운용 사이에는 분명한 간극이 있습니다.

적대자는 딥시크가 아니다

수출통제와 미국 국가안보에 집중한 글이기 때문에, 아모데이는 마지막에 한 가지를 분명히 해 둡니다. 그는 딥시크 자체를 적대자로 보지 않으며 이 글의 요점도 그들을 겨냥하는 데 있지 않다는 것입니다. 딥시크 연구자들이 한 인터뷰를 보면 유용한 기술을 만들고 싶어 하는 똑똑하고 호기심 많은 사람들로 보인다고 그는 적습니다.

그러나 그들은 인권을 침해해 왔고 국제 무대에서 공격적으로 행동해 온 권위주의 정부에 매여 있으며, 그 정부가 AI에서 미국과 대등해진다면 그런 행동에 훨씬 거리낌이 없어질 것이라고 봅니다. 수출통제는 이를 막는 가장 강력한 도구 가운데 하나입니다. 그리고 그는 글 전체의 결론을 한 문장으로 닫습니다. 기술이 더 강력해지고 투입 대비 효과가 커졌다는 사실이 수출통제를 거둬들일 이유가 된다는 발상은 전혀 말이 되지 않는다는 것입니다.

[반론] 같은 시기에 정반대 결론을 낸 논자들이 있었습니다. 브루킹스연구소(Brookings Institution)의 존 빌라세노르(John Villasenor)는 2025년 1월 말 논쟁에서 수출통제가 오히려 중국 반도체 기업을 더 혁신하게 만들었다고 주장했습니다. 아모데이가 이 글에서 통제가 딥시크를 혁신하게 만든 주된 요인은 아니라고 선을 그은 대목이 바로 이 쟁점과 맞닿아 있으며, 반사실을 확인할 수 없다는 점이 논쟁을 풀기 어렵게 만듭니다.

업계에서 가장 날 선 반박은 엔비디아에서 나왔습니다. 젠슨 황(Jensen Huang)은 2025년 5월 AI 확산 규칙 폐기를 환영하며 그 규칙을 실패로 규정했고, 바이든 행정부 출범 이후 중국 시장 점유율이 95%에서 50%로 떨어졌다는 수치를 들었습니다. 통제가 중국의 역량을 늦춘 것이 아니라 미국 기업을 시장에서 밀어내고 중국의 자립을 앞당겼다는 것이 이쪽 주장의 뼈대입니다.

[이해관계] 이 글의 주장과 아모데이가 이끄는 회사의 이해는 몇 달 뒤 공개적으로 부딪혔습니다. 앤트로픽은 2025년 4월 30일 AI 확산 규칙을 지지하는 입장문을 내면서, 중국으로의 밀수 사례로 임신한 배처럼 꾸민 보형물에 칩을 숨기거나 살아 있는 바닷가재와 함께 포장한 경우를 들었습니다. 엔비디아 대변인은 다음 날 미국 기업은 지어낸 이야기를 퍼뜨리지 말고 혁신으로 도전에 맞서야 한다고 응수했습니다.

두 회사의 위치를 보면 대립의 구조가 보입니다. 앤트로픽은 엔비디아 칩을 사서 쓰는 쪽이라 중국 시장에서 팔 칩이 없고, 엔비디아는 중국 매출이 직접 걸려 있습니다. 아모데이의 안보 논증이 틀렸다는 뜻은 아니지만, 그 논증이 자기 회사에 비용을 거의 지우지 않는 자리에서 나왔다는 사실은 독자가 알고 읽을 필요가 있습니다.

---

원문: Dario Amodei, On DeepSeek and Export Controls (Jan 2025) 전문은 원문에서 확인하실 수 있습니다.

참고할만한 글

• CSIS – 중국의 AI 미래를 틀어막다 (Choking off China’s Access to the Future of AI) — 아모데이가 기대는 2022년 미국 수출통제가 어떤 구조로 짜였는지를 자세히 풀어 줍니다.
• 아빈드 나라야난·사야시 카푸어 – 일반 기술로서의 AI (AI as Normal Technology) — AI를 군사적 우위를 가르는 결정적 기술로 보는 이 글의 프레임 자체에 반대하는 쪽의 논증입니다.
• 마크 저커버그 – 오픈소스 AI가 나아갈 길 (Open Source AI is the Path Forward) — 가중치를 공개하는 쪽이 오히려 미국의 우위를 지킨다는, 같은 문제에 대한 정반대 결론입니다.
• 다리오 아모데이 – 프런티어의 속도를 조절해야 한다 (We Must Pace the Frontier) — 같은 저자가 미중 경쟁과 안전 사이의 균형을 훨씬 뒤 시점에서 다시 정리한 글입니다.