이 영상은 공개된 투자자 교류회 녹취록을 1시간 35분 28초짜리 AI 음성으로 재구성한 자료입니다. 현장 원음도, 량원펑 본인의 음성도 아닙니다. 이 노트는 영상의 전체 음성을 직접 받아 적어 정리했으며, 발언의 사실 여부를 따로 검증하지 않았습니다.
재구성판이 전하는 량원펑의 생각을 한 문장으로 줄이면 이렇습니다. DeepSeek은 눈앞의 수익을 좇거나 제품 시장을 독차지하려 하지 않고, AGI에 도달할 가능성을 높이는 일에만 힘을 모읍니다.
더 많이 가지려 하지 않는 것이 전략입니다
량원펑은 DeepSeek을 세울 때 상장이나 자본시장, 최종 수익을 목표로 삼지 않았다고 말합니다. 초기 구성원들은 AI가 사람에게 쓸모 있기를 바랐습니다. 회사는 문서로 적은 구호나 KPI보다 실제 선택에서 드러나는 비전을 중심으로 움직였습니다.
그 비전의 핵심은 ‘절제’입니다. AI가 만들 이익이 워낙 크기 때문에 모든 몫을 차지하려 들면 오히려 실패할 가능성이 커진다는 판단입니다. 소비자가 몰렸을 때도 다음 슈퍼 앱이나 바이트댄스, 텐센트가 되려고 경쟁하지 않았습니다. 소비자 서비스와 기업용 API는 운영하지만 AGI보다 앞세우지 않습니다.
그에게 절제는 도덕적인 구호가 아니라 AGI에 도달할 가능성을 높이는 사업 전략입니다. 그는 제품 가격도 이 원칙으로 설명합니다. 장비를 산 뒤 약 10개월 안에 원가를 회수하면 충분한 이익이라고 봅니다. 이를 대략 6배 이익에 해당한다고 표현합니다. 한 모델의 수요가 너무 많을까 걱정해 처음에는 가격을 높게 잡았지만, 나중에 4분의 1로 내리자 구성원들이 환호했다는 일화도 들려줍니다.
오픈 소스도 같은 선택입니다. DeepSeek은 직접 제공하는 모델과 같은 성능의 모델을 공개할 계획입니다. 독립 사업자가 같은 모델을 받아도 DeepSeek만큼 배포 비용을 낮추기는 어렵기 때문에, 합리적인 이익만 바란다면 오픈 소스와 유료 API가 충돌하지 않는다고 봅니다. 반대로 100배 이익을 노린다면 다른 사업자의 배포가 위협이 됩니다.
AGI로 가는 다음 계단은 지속 학습입니다
현재 AI는 문제와 맥락을 빠짐없이 주면 사람보다 잘할 수 있습니다. 그러나 직원처럼 회사에서 두 달 동안 일하며 사람과 업무를 익히지는 못합니다. 누군가 “샤오왕을 불러 달라”고 말했을 때 직원은 그가 누구인지 알지만, AI에는 인물과 직책, 위치, 주의점을 매번 설명해야 합니다.
량원펑은 AI 발전을 계단으로 봅니다. 사고 사슬이 모델 스스로 생각하는 능력을 넓혔고, Agent가 처리할 수 있는 일의 범위를 키웠습니다. 그다음 계단은 지속 학습입니다. AI가 경험을 쌓아 다음 모델 개발을 도우면 AI 연구 자체가 빨라집니다. 그 뒤에는 AI가 스스로 문제를 만들고 연구를 개선하는 단계가 옵니다. 최종적으로 사람의 실제 노동 수요를 충족하려면 체화 지능도 필요하다고 봅니다.
다음 세대 모델의 기준은 단순히 더 빠르고 저렴한 모델이 아니라 지속해서 배우는 모델입니다. DeepSeek은 다른 사용자보다 DeepSeek 연구원에게 먼저 쓸모 있는 모델을 만들려고 합니다. 다음 모델을 더 빨리 개발하는 데 AI를 쓰는 것이 AGI에 이르는 가장 빠른 길이라고 보기 때문입니다.
지금 가장 중요한 응용 분야로는 Coding Agent를 꼽습니다. 금융이나 의료 같은 분야별 Agent보다 여러 일을 다루는 범용 Agent를 먼저 만들어야 한다고 봅니다. 다중 모달은 제품에 필요한 구성 요소이므로 V4 이후 모델에 넣을 계획이지만, 지능의 중심 경로로 보지는 않습니다. 영상·3D 생성과 세계 모델도 현 단계에서 지능의 상한을 높이는 핵심 과제가 아니라고 판단합니다. 사업성이 좋다는 이유만으로 이 분야에 들어가지는 않겠다는 뜻입니다.
지속 학습에는 아직 누구도 입증한 해법이 없습니다. DeepSeek도 여러 방법을 시험하고 있을 뿐입니다. DeepSeek은 환각을 더 나은 후속 학습으로 줄일 수 있는 제품 문제로 분류합니다. 고품질 데이터 라벨링은 비용과 시간이 많이 들며 중국이 미국보다 싸지도 않습니다. 핵심 연구원의 절반가량이 데이터 라벨링에 참여하고 있지만, 돈이나 장비보다 데이터를 쌓는 데 걸리는 시간이 병목이라고 설명합니다.
미국과의 격차는 인재보다 연산 자원에서 생깁니다
량원펑은 중국과 미국의 가장 큰 차이를 인재가 아니라 연산 자원에서 찾습니다. 중국에도 충분한 인재가 있지만 장비가 적어 실험 기회와 연구 경험이 부족합니다. 겉으로 보이는 인재와 모델의 격차도 결국 연산 자원의 차이에서 비롯됐다는 해석입니다.
DeepSeek이 당시 확보했거나 들여오던 장비의 연산 능력은 H급 장비 약 2만 장에 해당합니다. 미국의 가장 큰 모델은 활성 매개변수가 약 800B인 반면, 중국 모델은 수십 B 수준이라고 설명합니다. 비슷한 크기의 모델을 한 번 학습하려면 약 5만 장의 GB300이나 20만 장의 화웨이 950이 필요합니다. 량원펑은 충분한 사전 실험에 필요한 장비를 이 수치에 포함하지 않았습니다.
DeepSeek은 규모 확장의 한계에 부딪힌 것이 아니라, 그 한계를 시험할 장비가 부족합니다. 량원펑은 규모가 커질수록 성능과 기능이 좋아진다는 믿음을 유지합니다. 확보한 자금으로 합리적인 가격에 살 수 있는 GPU를 최대한 빨리 사고 싶다고 말합니다. 반년 안에 자금을 모두 장비에 쓸 수 있다면 오히려 이상적이지만, 실제 병목은 살 수 있는 장비의 수량입니다.
현재 방식으로는 미국이 쓴 연산량의 20분의 1만 사용합니다. 그 결과를 미국보다 약 12～18개월 늦게 따라갈 수 있다고 봅니다. 앞으로는 미국이 쓰는 연산량의 몇 분의 1만 쓰면서 미국보다 늦는 기간을 6개월, 나아가 3개월까지 줄이는 것을 목표로 삼습니다. 전체 자원이 한 자릿수 이상 차이 나는 동안 전면 추월은 어렵지만, 선택한 영역에서는 앞설 수 있다고 봅니다.
성능 하나만으로는 모델 경쟁의 최종 승패를 가를 수 없습니다. 비용이 같을 때 비교해야 합니다. 원가와 출시 시점, 사용자 경험이 핵심 차이를 만든다고 전망합니다. 특히 원가와 몇 달의 시간 차이를 가장 본질적인 장벽으로 봅니다.
중국산 칩의 문제는 생태계보다 생산량입니다
량원펑은 NVIDIA의 CUDA 생태계가 약해질 계기가 생겼다고 봅니다. AI가 코드를 작성하고, TileLang 같은 고급 언어로 GPU 연산자를 훨씬 적은 코드로 다시 만들 수 있기 때문입니다. 전용 AI 칩 시장이 게임용 GPU 시장보다 커지면서 기존 게임용 GPU 생태계에 계속 의존할 이유도 줄어듭니다.
DeepSeek은 V3를 NVIDIA 칩으로 학습했지만 CUDA에 전적으로 기대지 않았다고 설명합니다. 먼저 TileLang과 컴파일러 계층을 만들고 그 위에서 필요한 연산을 구현했습니다. 같은 작업을 화웨이 칩에 옮기면 중국산 칩에서도 비슷한 개발 환경을 만들 수 있다는 판단입니다. TileLang은 효율을 떨어뜨리는 우회로가 아니라 실행 효율을 높이는 수단이며, DeepSeek은 AI로 TileLang 코드를 쓰는 연구도 진행합니다.
중국산 칩은 쓸 수 없는 것이 아닙니다. 생산량이 부족해서 널리 쓰지 못합니다. 화웨이가 DeepSeek에 배정한 950 계열 칩은 약 1만 6천 장이며, NVIDIA B 계열 약 4천 장의 연산 능력에 해당한다고 말합니다. 다음 세대 모델을 학습하기에는 부족하지만 생태계를 검증하는 데는 쓸 수 있습니다.
그는 화웨이 칩 네 장이 NVIDIA 칩 한 장에 해당하고 출시 시점도 약 2년 늦다고 평가합니다. 그래도 가격이 두세 배 비싸더라도 같은 작업을 할 수 있다면 대체재가 될 수 있다고 봅니다. NVIDIA 장비는 약 5년, 화웨이 장비는 약 3년의 수명을 가정합니다. 향후 몇 년간 생산량 문제는 이어지겠지만 5년 뒤에도 같은 병목이 남아 있을 가능성은 낮게 봅니다.
DeepSeek은 대형 연산 시설을 직접 구축하되 칩 설계까지 맡고 싶어 하지는 않습니다. 합리적인 가격으로 살 수 있다면 발전소 운영자가 발전기를 직접 만들 필요가 없는 것과 같다고 설명합니다. DeepSeek은 자신들이 가장 잘하는 AGI 모델 개발에 집중하고 앞뒤 단계의 사업은 협력사에 맡기려 합니다.
DeepSeek은 연구 조직을 느슨하게 운영하면서 핵심 과제에 집중합니다
DeepSeek은 위에서 정한 일과 연구자가 스스로 고른 일을 함께 운영합니다. V4 출시처럼 전사 협력이 필요한 일은 역할을 나눕니다. 다만 연구자들이 이런 공식 업무에 쓰는 시간이 전체의 절반을 넘지 않게 하려고 합니다. 나머지 시간에는 각자가 중요하다고 판단한 문제를 탐구합니다.
회사가 하지 않을 일을 줄였기 때문에 연구자는 느슨한 환경에서 깊게 생각할 수 있습니다. KPI가 없고 야근도 많지 않습니다. 연구에는 여유가 필요하고, 절제 덕분에 애초에 할 일이 적기 때문입니다. 제품의 부족한 부분을 모두 메우지 않는 것도 같은 문화에서 나옵니다.
중요한 결정은 량원펑 한 사람이 내리지 않습니다. 먼저 구성원들과 공감대를 만들고, 필요한 경우 방향을 제안합니다. 자신의 영향력도 공감대에서 나온다고 설명합니다. 다만 인원이 늘면 모든 부서를 같은 방식으로 운영할 수 없습니다. 엄격한 계층이 필요한 부서와 느슨하고 수평적인 연구 부서를 나눠 운영하기 시작했다고 말합니다.
가장 중요한 자산은 팀의 안정성입니다. 돈과 장비는 다시 구할 수 있지만 핵심 인력이 흩어지면 AGI 연구가 끊깁니다. 최근 투자 유치로 오래 일한 핵심 구성원에게 상당한 선택권을 줄 수 있게 되면서 이 위험이 줄었다고 봅니다. 사람을 천재로 묘사하기보다 평범한 사람들이 같은 비전으로 비범한 결과를 만드는 조직을 원합니다.
제품과 수익은 AGI 연구의 부산물입니다
량원펑은 소비자 서비스와 기업용 API를 포기하지 않습니다. 다만 이를 목표로 삼지 않고 AGI로 가는 과정에서 생긴 기술의 부산물로 봅니다. API는 소수 인력으로 유지할 수 있고 영업 조직이나 고객 지원이 없어도 사용자가 찾아옵니다. 수요가 계속 늘어 기업용 매출이 수억 달러에 이르고 10억 달러 수준이 되면 연구비와 회사 비용을 충당할 수 있다고 예상합니다.
DeepSeek은 상업화를 거부하는 연구소가 아니라, 무엇으로 언제 얼마나 벌지를 고르는 회사입니다. 기술 발전이 멈추는 최악의 경우에도 API 사업에 집중하면 상장사를 지탱할 만한 기반이 된다고 봅니다. 그래서 Bell Labs처럼 사업화를 걱정하지 않는 연구 조직과는 다르다고 선을 긋습니다.
중국에는 기초 모델을 만드는 회사가 너무 많고 자원도 흩어져 있습니다. 높은 이익을 기대하기 어려워지면 대형 회사 두 곳과 작은 회사 두 곳 정도만 업계에 남을 수 있다고 전망합니다. 독점보다 서너 회사가 합리적인 이익을 두고 경쟁하는 구조를 예상합니다.
중국 AI의 구조적 강점으로는 낮은 원가와 제품 경험을 꼽습니다. 반면 OpenAI, Google, Anthropic 가운데 어느 한 곳이 계속 앞서지는 않을 것으로 봅니다. Anthropic의 Coding Agent 선점도 오래 이어질 독점적 우위는 아니며, 선두 회사들은 번갈아 앞설 가능성이 큽니다.
DeepSeek이 지키려는 경계는 분명합니다. 다른 인터넷 회사와 응용 사업자의 몫까지 차지하지 않습니다. 자신들은 AGI의 중심 경로에 집중하고, 사회와 협력사가 그 기술로 제품과 산업을 만듭니다. 량원펑이 말하는 절제는 바로 이 역할 분담을 오래 유지하기 위한 선택입니다.
https://www.youtube.com/watch?v=tf0FX6uQyWU
Deep Dive
2026-07-26
절제는 낮은 수익성이 아니라 이익의 상한을 정하는 전략입니다
량원펑이 말하는 ‘합리적인 이익’은 박한 이익이 아닙니다. 추론 장비값을 약 10개월 안에 회수한다면 장비 단위 수익성은 충분히 높습니다. 장비를 5년 동안 같은 조건으로 쓴다고 가정할 때 장비값의 약 6배에 해당하는 누적 매출이 생깁니다. 이 수치는 6배 영업이익이 아닙니다. 전력, 데이터센터, 장비의 유휴 시간과 노후화, 연구원 인건비, 데이터 라벨링, 다음 모델의 학습 비용을 빼야 회사 전체의 영업이익을 알 수 있습니다.
따라서 절제는 적자를 감수하거나 돈을 적게 벌겠다는 말이 아닙니다. API에서 충분한 이익을 얻되 독점 가격으로 가능한 최대 이익까지 요구하지 않겠다는 뜻입니다. 가격을 낮추고 모델을 공개하면 외부 개발자와 기업이 DeepSeek 생태계를 선택할 이유가 커집니다. 응용 사업까지 직접 차지하지 않으면 잠재적 경쟁자도 협력사로 남습니다. 일부 이익을 포기해 생태계와 연구 집중력을 얻는 선택입니다.
Coding Agent는 제품 하나가 아니라 자기 개선으로 가는 훈련장입니다
금융이나 의료 Agent는 기존 모델을 특정 산업에 적용한 제품입니다. 해당 산업의 데이터, 업무 흐름, 규제, 사용자 화면을 더해야 하지만 모델의 일반 지능이 반드시 높아지는 것은 아닙니다.
Coding Agent는 다릅니다. AI가 코드를 작성하고 실행한 뒤 테스트 결과를 확인해 스스로 고칠 수 있습니다. 생각을 실제 행동으로 옮기고, 결과를 검증하며, 목표를 끝까지 수행하는 Agent의 기본 순환을 훈련할 수 있습니다. DeepSeek 연구원이 다음 모델을 개발할 때도 바로 쓸 수 있습니다. AI가 AI 연구를 돕기 시작하면 다음 모델을 만드는 속도가 빨라집니다.
다중 모달은 AI에 눈과 귀를 더하는 제품 구성 요소에 가깝습니다. 영상·3D 생성도 유용한 사업이 될 수 있습니다. 세계 모델은 장기적으로 체화 지능에 필요할 수 있습니다. 량원펑은 이 분야의 가치를 부정하지 않습니다. 다만 현재 AI의 가장 큰 병목을 감각이나 콘텐츠 생성이 아니라 지속 학습에서 찾습니다. 한정된 인력과 GPU를 자기 개선으로 이어지는 과제에 먼저 쓰겠다는 우선순위입니다.
Key Insight
DeepSeek의 절제는 수익을 포기하는 태도가 아니라 충분한 API 이익으로 연구를 지탱하면서 독점 이익과 주변 사업을 내려놓는 전략입니다. Coding Agent와 지속 학습처럼 다음 AGI 연구를 더 빠르게 만드는 능력에 자원을 집중하고, 다중 모달과 산업별 응용은 필요한 구성 요소나 협력사의 몫으로 남깁니다.