Architectural Choices in China's Open-Source AI Ecosystem: Building Beyond DeepSeek

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

중국의 오픈소스 인공지능 생태계는 딥시크 이후 최고 성능의 단일 모델보다 전문가 혼합 구조, 다중양식, 소형 모델, 허용적 라이선스, 자국산 하드웨어와 배포 도구를 결합한 지속 가능한 시스템 구축으로 경쟁의 중심을 옮기고 있다.

📌 핵심 요약

• 2025년 중국의 주요 오픈소스 모델들은 높은 성능을 유지하면서도 학습·추론 비용과 배포 제약을 관리하기 위해 전문가 혼합 구조를 사실상의 기본 선택으로 채택했다.
• 경쟁 범위는 텍스트를 넘어 음성, 이미지, 영상, 3차원 콘텐츠, 임의 양식 간 변환, 에이전트로 확장됐으며, 모델 가중치뿐 아니라 데이터셋·평가·도구·워크플로까지 함께 공개되는 흐름이 강화됐다.
• 대형 전문가 혼합 모델을 능력의 상한선이나 교사 모델로 활용하고, 그 능력을 지역 실행과 업무 시스템 통합에 적합한 5억~300억 매개변수 규모의 소형 모델로 증류하는 계층적 구조가 형성됐다.
• 아파치 2.0과 같은 익숙하고 허용적인 라이선스가 널리 채택되면서 기업이 공개 모델을 수정하고 실제 서비스에 배포할 때 마주하는 법적·운영적 마찰이 낮아졌다.
• 모델 공개가 자국산 칩 지원, 양자화 형식, 추론 엔진, 분산 서빙, 학습 최적화와 결합되면서 경쟁 기준은 개별 모델의 성능에서 비용·하드웨어·운영 조건을 포괄하는 시스템 설계 역량으로 이동했다.

🧩 주요 포인트

1. 2025년 중국의 주요 오픈소스 모델들은 높은 성능을 유지하면서도 학습·추론 비용과 배포 제약을 관리하기 위해 전문가 혼합 구조를 사실상의 기본 선택으로 채택했다.
2. 경쟁 범위는 텍스트를 넘어 음성, 이미지, 영상, 3차원 콘텐츠, 임의 양식 간 변환, 에이전트로 확장됐으며, 모델 가중치뿐 아니라 데이터셋·평가·도구·워크플로까지 함께 공개되는 흐름이 강화됐다.
3. 대형 전문가 혼합 모델을 능력의 상한선이나 교사 모델로 활용하고, 그 능력을 지역 실행과 업무 시스템 통합에 적합한 5억~300억 매개변수 규모의 소형 모델로 증류하는 계층적 구조가 형성됐다.
4. 아파치 2.0과 같은 익숙하고 허용적인 라이선스가 널리 채택되면서 기업이 공개 모델을 수정하고 실제 서비스에 배포할 때 마주하는 법적·운영적 마찰이 낮아졌다.
5. 모델 공개가 자국산 칩 지원, 양자화 형식, 추론 엔진, 분산 서빙, 학습 최적화와 결합되면서 경쟁 기준은 개별 모델의 성능에서 비용·하드웨어·운영 조건을 포괄하는 시스템 설계 역량으로 이동했다.

🧠 상세 정리

1. 딥시크 이후 달라진 경쟁의 기준

이 글은 2025년 1월의 이른바 ‘딥시크 모멘트’ 이후 중국 오픈소스 공동체가 어떤 모델을 내놓았는지가 아니라, 그 모델들을 어떤 구조와 하드웨어 위에서 지속적으로 운영하려 했는지를 살핀다. 딥시크 R1은 강력한 추론 능력을 공개하고 재현 가능한 형태로 구현할 수 있음을 보여주었고, 이후 기업들은 성능 경쟁과 함께 비용, 배포 가능성, 라이선스, 하드웨어 적합성을 핵심 설계 조건으로 다루기 시작했다. 저자들은 전문가 혼합 구조의 확산, 다중양식의 병렬 발전, 소형 모델의 인기, 허용적인 라이선스, 자국산 칩 채택을 서로 분리된 현상이 아니라 생태계 전략을 구성하는 연결된 선택으로 본다. 따라서 논의의 초점은 최고 점수를 기록한 하나의 모델보다 학습부터 추론, 도구, 배포, 운영까지 이어지는 전체 시스템을 누가 더 현실적인 조건에 맞게 설계했는가로 이동한다.

2. 전문가 혼합 구조가 기본 선택이 된 이유

지난 1년 동안 키미 K2, 미니맥스 M2, 큐원3를 비롯한 중국의 주요 모델들은 거의 일제히 전문가 혼합 구조를 채택했으며, 딥시크 R1도 같은 계열에 속했다. 이 구조는 모든 요청에 모델 전체의 계산 자원을 투입하는 대신, 과업의 복잡성과 가치에 따라 필요한 전문가만 동적으로 활성화해 계산량을 조절하는 방식으로 설명된다. 서로 다른 하드웨어와 배포 환경에서 동일한 자원 조건을 전제하지 않아도 되므로, 높은 능력을 유지하면서 학습·추론 비용을 통제하고 광범위한 도입 가능성을 확보하려는 중국의 현실적 제약과 맞아떨어졌다. 글이 강조하는 2025년의 방향은 가능한 한 가장 강한 성능만 추구하는 것이 아니라, 지속적으로 운영되고 유연하게 배포되며 계속 진화할 수 있는 모델을 만들어 비용 대비 성능의 균형을 높이는 것이었다.

3. 텍스트를 넘어선 다중양식 경쟁

2025년 2월부터 오픈소스 활동은 텍스트 모델에 머물지 않고 임의 양식 간 변환, 텍스트 기반 이미지·영상 생성, 이미지 기반 영상 생성, 음성 합성, 3차원 콘텐츠, 에이전트로 빠르게 확장됐다. 공동체가 공개한 대상도 모델 가중치에 한정되지 않았으며, 추론 배포 기술, 데이터셋과 평가 체계, 도구 모음, 업무 흐름, 단말과 클라우드의 연계 방식이 함께 발전했다. 스텝펀은 음성·영상·이미지 생성과 처리 모델을 공개했고, 음성 간 직접 변환 모델인 스텝 오디오 R1.1이 비공개 모델을 앞서는 성능을 보였다고 소개됐다. 텐센트 역시 훈위안 비디오와 훈위안 3D를 통해 텍스트 밖의 경쟁에 참여했으며, 이러한 병렬적 공개는 개별 기능의 돌파보다 여러 프로젝트에서 재사용할 수 있는 시스템 수준의 역량이 형성되고 있음을 보여준다.

4. 대형 교사 모델과 실용적인 소형 모델의 공존

매개변수 5억~300억 규모의 모델은 지역 환경에서 실행하고 미세조정하며 기업 시스템이나 에이전트 업무 흐름에 통합하기가 상대적으로 쉬워 중국 오픈소스 생태계에서 높은 인기를 얻었다. 큐원 계열에서는 큐원 1.5-0.5B를 바탕으로 만들어진 파생 모델이 가장 많았으며, 이는 제한된 계산 자원이나 엄격한 규정 준수 조건에서 장기간 운영할 수 있는 모델에 대한 실제 수요를 드러낸다. 동시에 주요 기업들은 1천억~7천억 규모의 대형 전문가 혼합 모델을 능력의 상한선 또는 교사 모델로 사용하고, 그 능력을 여러 소형 모델로 증류하는 방식을 택했다. 그 결과 최상단에는 소수의 거대 모델이 있고 아래에는 다양한 현장 요구를 담당하는 다수의 실용 모델이 놓이는 계층이 형성됐으며, 월별 공개 현황에서 소형 모델의 비중이 커진 것도 이러한 사용 요구와 연결된다.

5. 허용적인 표준 라이선스의 확산

딥시크 R1 이후 중국 공동체가 공개한 모델에서는 아파치 2.0이 사실상 기본 선택에 가까워졌다고 글은 평가한다. 사용, 수정, 재배포, 상용 환경 적용을 폭넓게 허용하는 라이선스는 기업이 공개 모델을 실험 단계에서 실제 업무 시스템으로 옮길 때 발생하는 마찰을 낮췄다. 아파치 2.0이나 엠아이티처럼 널리 알려진 표준 라이선스는 개발자와 기업의 법무 조직이 이미 익숙하다는 장점도 있어, 허용 범위를 새로 해석해야 하는 부담을 줄인다. 반대로 개별 프로젝트에 맞춰 만든 규정 중심의 독자 라이선스는 익숙하지 않은 조건과 추가적인 법적 장벽을 만들 수 있으며, 글은 이러한 마찰이 맞춤형 라이선스 사용 감소에 영향을 주었다고 설명한다.

6. 모델 우선에서 하드웨어 우선으로

2025년의 모델 공개는 추론 체계, 양자화 형식, 서빙 엔진, 단말 실행 환경과 점점 더 긴밀하게 결합됐으며, 가중치를 내려받을 수 있게 하는 것만으로는 충분하지 않다는 인식이 강해졌다. 새로운 목표는 모델이 지정된 자국산 하드웨어에서 즉시 실행되고, 반복 가능한 절차로 안정성과 효율을 검증할 수 있게 만드는 것이었다. 딥시크 V3.2 실험판에서는 화웨이 어센드와 캠브리콘 칩이 공개 당일부터 지원됐고, 단순한 클라우드 시연이 아니라 가중치와 함께 재현 가능한 추론 절차가 제공됐다. 이 방식은 개발자가 발표 자료에 의존하지 않고 실제 환경에서 성능과 작동 여부를 직접 확인하게 하며, 모델 설계와 하드웨어 지원을 하나의 출시 단위로 묶는 변화를 선명하게 보여준다.

7. 자국산 칩 학습과 운영 기술의 공개

자국산 하드웨어 활용은 추론을 넘어 학습 단계로도 확대됐다. 앤트그룹의 링 모델은 자국산 인공지능 칩에 최적화한 학습으로 엔비디아 H800에 가까운 성능을 달성하고, 1조 토큰 학습 비용을 약 20퍼센트 줄였다고 소개됐다. 바이두의 첸판 시각언어 모델은 5천 개가 넘는 쿤룬 P800 가속기 군집에서 학습됐으며 병렬화와 효율 관련 세부 내용도 공개했고, 2026년 초에는 즈푸의 지엘엠 이미지와 차이나텔레콤의 텔레챗3가 전 과정을 자국산 칩으로 학습했다고 발표됐다. 운영 측면에서는 문샷 인공지능이 입력 처리와 생성 처리를 분리하는 기능을 포함한 문케이크 서빙 시스템을 공개해, 대규모 환경에서 모델을 안정적으로 운영하는 생산 수준의 경험을 공동체가 재사용할 수 있도록 했다.

8. 개별 모델을 넘어선 생태계 재구성

바이두의 패스트디플로이 2.0은 극단적 양자화와 군집 단위 최적화로 제한된 계산 예산에서 추론 비용을 낮추는 데 초점을 맞췄고, 알리바바의 큐원 생태계는 모델, 추론 체계, 양자화 전략, 배포 업무 흐름을 긴밀하게 연결했다. 이러한 사례는 모델과 도구, 운영 기술을 함께 제공할 때 생태계가 단순히 프로젝트 수를 늘리는 단계를 넘어 공통 기반 위에서 구조적으로 분화한다는 글의 결론을 뒷받침한다. 다만 중국 내 계산 자원 부족으로 즈푸가 사용량을 제한한다는 보도가 있었고, 미국의 하드웨어 판매와 수출 통제 변화에 중국이 어떻게 대응할지는 여전히 열린 문제로 남아 있다. 저자들은 딥시크 이후 중국 기업들이 고립된 모델 하나를 최적화하는 대신 오픈소스를 토대로 완전한 생태계를 구축하는 서로 다른 경로를 선택하고 있으며, 모델이 점차 범용화될수록 경쟁의 중심도 개별 성능에서 시스템 설계로 이동한다고 정리한다.

🧾 핵심 주장 / 시사점

• 전문가 혼합 구조와 소형 모델의 동시 확산은 상충하는 흐름이 아니라, 대형 모델에서 높은 능력을 확보한 뒤 필요한 계산만 사용하고 그 능력을 현장형 모델로 내려보내려는 하나의 비용·배포 전략으로 연결된다.
• 허용적인 라이선스와 재현 가능한 하드웨어 지원은 모두 공개의 범위를 가중치 접근성에서 실제 사용 가능성으로 넓힌다. 즉, 법적으로 수정·배포할 수 있고 기술적으로 목표 장비에서 검증할 수 있어야 공개 모델이 생산 시스템으로 이어질 수 있다는 관점이다.
• 원문이 제시하는 경쟁력의 핵심은 단일 성능 지표가 아니라 모델, 데이터, 평가, 양자화, 추론 엔진, 칩, 서빙과 운영 경험을 함께 제공하는 능력이다. 계산 자원 제약은 남아 있지만, 바로 그 제약 때문에 비용과 하드웨어 조건을 반영한 시스템 설계가 전략적 차별점으로 부상했다.

✅ 액션 아이템

• 전문가 혼합 구조를 중심으로 텍스트·음성·이미지·영상·3차원·형식변환·에이전트를 포괄하는 멀티모달 시스템 설계를 실제 운영안으로 정비한다.
• 대형 MoE 모델을 상한선·교사 역할에 두고 5억~300억 매개변수 소형 모델로 증류해 지역 실행과 업무 시스템 통합 성능을 검증한다.
• 아파치 2.0 등 허용적 라이선스, 자국산 칩 지원, 양자화 형식, 추론 엔진, 분산 서빙을 묶어 법적·운영 마찰을 낮춘 배포 체계로 정렬한다.

❓ 열린 질문

• 전문가 혼합 구조 기반 멀티모달 확장(음성·이미지·영상·3D·형식변환)이 비용·지연 측면에서 기존 단일 모델 대비 어떤 임계점을 갖는가?
• 대형 MoE의 능력을 얼마나까지 소형 모델로 증류했을 때 지역 실행 품질이 유지되는지를 어떤 지표로 판단할 것인가?
• 모델 가중치·데이터셋·평가·도구·워크플로 공개 결합이 실제 서비스 배포에서 법적·운영 마찰을 실질적으로 줄일 수 있는지 어떤 방식으로 가시화할 것인가?