The Future of the Global Open-Source AI Ecosystem: From DeepSeek to AI+

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

딥시크 R1 이후 중국의 인공지능 생태계는 오픈소스를 개별 모델 공개가 아닌 연구·인프라·산업 적용을 연결하는 기본 설계 원칙으로 받아들이며 대규모 배포와 통합 중심의 자생적 구조로 전환했다.

📌 핵심 요약

• 중국의 주요 인공지능 조직들은 모델뿐 아니라 논문, 데이터셋, 평가 도구, 배포 인프라까지 공개하며 오픈소스를 생태계 확장과 대규모 적용을 위한 전략으로 활용하고 있다.
• 알리바바는 큐원을 다양한 크기·과제·모달리티를 포괄하는 기반 모델군으로 확장했고, 텐센트·바이트댄스·바이두도 각자의 제품 및 기술 기반에 맞춰 오픈소스 참여를 강화했다.
• 문샷·지에이아이·미니맥스 같은 신생 기업뿐 아니라 샤오홍슈·빌리빌리·샤오미·메이퇀 같은 응용 중심 기업도 저비용의 강력한 공개 모델을 바탕으로 자체 모델 개발에 나섰다.
• 새 생태계의 핵심은 모델 수의 증가가 아니라 모델 확장, 배포 재사용, 소프트웨어와 하드웨어의 조정, 거버넌스 감사가 가능한 전 주기 체계가 형성됐다는 데 있다.
• 2017년 이후 축적된 컴퓨팅·에너지·데이터 기반 위에서 딥시크 R1이 촉매로 작용했고, 2025년의 ‘인공지능+’ 정책은 최고 성능 경쟁보다 산업 통합, 자율적 통제, 확장 가능한 전달에 무게를 실었다.

🧩 주요 포인트

1. 중국의 주요 인공지능 조직들은 모델뿐 아니라 논문, 데이터셋, 평가 도구, 배포 인프라까지 공개하며 오픈소스를 생태계 확장과 대규모 적용을 위한 전략으로 활용하고 있다.
2. 알리바바는 큐원을 다양한 크기·과제·모달리티를 포괄하는 기반 모델군으로 확장했고, 텐센트·바이트댄스·바이두도 각자의 제품 및 기술 기반에 맞춰 오픈소스 참여를 강화했다.
3. 문샷·지에이아이·미니맥스 같은 신생 기업뿐 아니라 샤오홍슈·빌리빌리·샤오미·메이퇀 같은 응용 중심 기업도 저비용의 강력한 공개 모델을 바탕으로 자체 모델 개발에 나섰다.
4. 새 생태계의 핵심은 모델 수의 증가가 아니라 모델 확장, 배포 재사용, 소프트웨어와 하드웨어의 조정, 거버넌스 감사가 가능한 전 주기 체계가 형성됐다는 데 있다.
5. 2017년 이후 축적된 컴퓨팅·에너지·데이터 기반 위에서 딥시크 R1이 촉매로 작용했고, 2025년의 ‘인공지능+’ 정책은 최고 성능 경쟁보다 산업 통합, 자율적 통제, 확장 가능한 전달에 무게를 실었다.

🧠 상세 정리

1. 딥시크 이후 형성된 자생적 오픈소스 생태계

이 글은 2025년 1월의 ‘딥시크 모먼트’ 이후 중국 오픈소스 공동체의 변화를 다룬 3부작 중 마지막 글로, 주요 중국 인공지능 조직의 경로와 오픈소스의 향후 방향을 살핀다. 저자들은 조직 내부의 이익과 세계 공동체가 얻는 효용이 맞물리면서 가까운 미래에 오픈소스가 중국 인공지능 조직의 지배적이고 대중적인 접근법으로 유지될 것이라고 본다. 공개 대상도 모델에 한정되지 않고 논문, 과학적 기법, 데이터, 배포 인프라로 넓어졌으며, 이러한 공유는 대규모 배포와 통합을 지향하는 전략과 연결된다. 딥시크는 허깅페이스에서 가장 많은 팔로어를 보유한 조직이고 큐원도 네 번째에 올라, 중국의 공개 생태계가 이미 국경을 넘어 영향력을 확보했음을 보여준다. 허깅페이스에서 인기가 높은 논문 다수가 바이트댄스, 딥시크, 텐센트, 큐원에서 나온다는 점도 모델 공개와 지식 공유가 함께 진행되고 있음을 나타낸다.

2. 알리바바와 큐원의 기반 모델 생태계 전략

알리바바는 오픈소스를 단일 모델을 알리는 수단이 아니라 생태계와 인프라를 구축하는 전략으로 배치했다. 큐원은 하나의 대표 모델에 역량을 집중하지 않고 다양한 크기, 과제, 모달리티를 포괄하는 모델군으로 지속적으로 확장됐으며, 허깅페이스와 모델스코프를 통해 빈번하게 갱신됐다. 그 결과 큐원의 영향력은 특정 버전의 성과보다 여러 환경에서 반복적으로 재사용되는 범용 인공지능 기반이라는 역할에서 나타났다. 2025년 중반에는 큐원을 기반으로 만든 모델이 허깅페이스에서 11만 3천 개를 넘었고, 큐원 태그가 붙은 저장소는 20만 개를 넘어 라마의 2만 7천 개와 딥시크의 6천 개를 크게 웃돌았다. 알리바바 전체의 파생 모델 규모도 구글과 메타를 합친 수준에 가까웠으며, 회사는 모델 개발을 칩·플랫폼·응용 프로그램과 연결해 하나의 공학적 체계로 통합했다.

3. 텐센트와 바이트댄스의 선택적 공개 확대

텐센트는 외부 모델을 활용하는 단계에서 자체 역량을 구축하고 공개하는 단계로 이동했다. R1 공개 직후 딥시크를 핵심 소비자용 제품에 빠르게 통합했지만, 처음부터 오픈소스를 대외적 구호로 내세우기보다는 플러그인 방식으로 성숙한 모델을 도입하고 대규모 내부 검증을 거친 뒤 자체 기술을 공개했다. 2025년 5월 이후에는 기존 강점을 보유한 비전, 영상, 삼차원 분야에서 텐센트 하이위안 계열 모델의 공개를 가속했고, 이 모델들은 공동체에서 빠르게 채택됐다. 바이트댄스는 ‘인공지능 응용 공장’ 접근법에 따라 제품 진입점과 대규모 사용에서의 경쟁력을 유지하면서 가치가 높은 구성 요소를 선별적으로 공개했다. 시드 팀은 다중양식 사용자 화면 이해를 위한 유아이 타스 1.5, 데이터 중심 코드 모델링을 위한 시드 코더, 체계적 추론 평가용 슈퍼지피큐에이 데이터셋을 공개했으며, 상대적으로 조용한 오픈소스 활동과 별개로 더우바오는 2025년 12월 일간 활성 사용자 1억 명을 넘어섰다.

4. 바이두의 폐쇄 중심 노선 전환

바이두의 변화는 기존 입장과 실제 전략 사이의 전환을 가장 뚜렷하게 보여주는 사례로 제시된다. 최고경영자가 오픈소스의 전망에 공개적으로 회의적인 태도를 보였고 회사도 수년간 폐쇄형 모델을 우선했지만, 이후 어니 4.5 계열의 무료 접근과 공개 배포를 통해 생태계에 다시 참여하기 시작했다. 이 과정에서 자체 오픈소스 프레임워크인 패들패들에 대한 투자를 재개하고, 2026년 1월 1일 기업공개 계획을 발표한 자체 인공지능 칩 쿤룬신과의 연계도 강화했다. 바이두는 모델, 칩, 프레임워크를 더 개방된 체계 안에서 연결함으로써 비용을 낮추고 개발자를 끌어들이며 기술 표준에 영향력을 행사할 수 있게 된다. 동시에 컴퓨팅 자원, 비용, 규제라는 공통 제약 아래에서도 핵심 구성 요소에 대한 전략적 통제는 유지하려는 구조다.

5. 반복되는 딥시크 모먼트와 신생 기업의 부상

딥시크 R1 이후 문샷, 지에이아이, 미니맥스 같은 신생 기업들은 수개월 안에 전략을 조정하며 오픈소스 공동체에 새로운 동력을 제공했다. 키미 K2, 지엘엠 4.5, 미니맥스 M2는 모두 에이아이 월드의 공개 모델 주요 이정표 순위에 포함됐으며, 2025년 말 지에이아이와 미니맥스는 당시 가장 발전된 자체 공개 모델을 내놓은 뒤 연이어 기업공개 계획을 발표했다. 키미 K2의 공개는 공동체에서 ‘또 하나의 딥시크 모먼트’로 널리 묘사돼, 강력한 공개 모델의 등장이 더 이상 단발성 사건에 머물지 않을 가능성을 보여줬다. 문샷은 기업공개를 발표하지 않았지만 시장 보도에 따르면 2025년 말까지 약 5억 달러를 조달했으며, 범용 인공지능과 에이전트 기반 시스템을 핵심 사업화 목표로 두었다. 이 흐름은 공개 모델의 기술적 성과가 투자, 사업화, 기업 성장 경로와 함께 움직이고 있음을 보여준다.

6. 응용 기업과 연구기관으로 확장된 참여 기반

기존에 응용 계층에 집중하던 샤오홍슈, 빌리빌리, 샤오미, 메이퇀도 자체 모델을 학습하고 공개하기 시작했다. 이들 기업은 실제 사용 환경과 산업별 데이터라는 고유한 강점을 보유하고 있었고, 오픈소스를 통해 강력한 추론 능력을 낮은 비용으로 이용할 수 있게 되자 내부 모델 구축이 현실적인 선택지가 됐다. 자체 모델은 외부 제공자의 비용 구조나 사용 제한에 종속되지 않으면서 각 기업의 구체적인 사업 환경에 맞춰 인공지능을 조정할 수 있게 한다. 연구기관과 broader 공동체는 이러한 변화를 더욱 적극적으로 수용해 베이징 인공지능 아카데미와 상하이 인공지능 연구소 등이 도구 체계, 평가 시스템, 데이터 플랫폼, 배포 인프라에 더 많은 역량을 투입했다. 플래그오픈, 오픈데이터랩, 오픈컴퍼스 같은 사업은 특정 모델의 단기 성능 경쟁보다 생태계가 장기간 작동하는 데 필요한 공통 기반을 강화하는 데 초점을 맞췄다.

7. 개별 모델을 넘어 완성된 전 주기 체계

새로운 생태계를 규정하는 특징은 공개 모델의 숫자가 많아졌다는 사실 자체가 아니라 연구에서 실제 운영까지 이어지는 전체 사슬이 형성됐다는 점이다. 공개된 모델은 다른 조직이 확장하고 조합할 수 있으며, 배포 방식은 재사용과 규모 확장이 가능해지고, 소프트웨어와 하드웨어도 상황에 따라 조정하거나 교체할 수 있다. 여기에 거버넌스 기능을 시스템 안에 포함하고 그 작동을 감사할 수 있는 기반까지 더해지면서 오픈소스는 단순한 가중치 공개를 넘어선다. 이는 고립된 기술적 돌파가 반복되는 단계에서 벗어나 실제 환경에서 지속적으로 가동할 수 있는 공학적 시스템으로 이동했다는 의미다. 따라서 모델은 더 이상 완결된 단독 제품이 아니라 더 큰 시스템 안에서 재사용되고 결합되는 구성 요소가 됐으며, 오픈소스는 선택 가능한 부가 요소가 아니라 시스템 설계의 기본 전제로 자리 잡았다.

8. 2017년 이후 축적된 컴퓨팅·에너지 기반

이 생태계는 딥시크 R1 이후 갑자기 만들어진 것이 아니라 2017년부터 누적된 인프라의 뒷받침 위에서 성장했다. 중국은 여러 해에 걸쳐 데이터센터와 컴퓨팅센터에 투자했고, ‘동부 데이터·서부 컴퓨팅’ 전략을 중심으로 전국 단위의 통합 컴퓨팅 배치를 추진했다. 국가 계획은 8개 주요 컴퓨팅 거점과 10개 데이터센터 군집을 지정해 동부의 컴퓨팅 수요를 중서부로 유도했으며, 에너지 공급 능력도 지속적으로 확대하려는 방향을 제시했다. 글에 따르면 2025년 중국의 전체 컴퓨팅 역량은 약 1,590 엑사플롭스에 이르며, 인공지능 학습과 배포에 맞춘 지능형 컴퓨팅 역량은 전년 대비 약 43퍼센트 증가할 것으로 예상됐다. 데이터센터의 평균 전력사용효율도 약 1.46으로 낮아져 효율이 개선됐고, 이러한 컴퓨팅·전력 기반은 대규모 인공지능 운영을 가능하게 하는 물리적 토대가 됐다.

9. ‘인공지능+’가 제시한 산업 통합 중심의 미래

2017년의 ‘차세대 인공지능 발전 계획’이 방향 설정과 기반 구축에 중점을 뒀다면, 2025년 8월의 ‘인공지능+’ 행동 계획은 대규모 배포와 산업 전반의 깊은 통합으로 초점을 옮겼다. 이는 범용 인공지능 자체를 추구하는 것과 방향이 다르며, 딥시크 R1은 이미 축적돼 있던 컴퓨팅·에너지·데이터 인프라를 공학적·생태계적 차원에서 활성화한 촉매로 평가된다. R1 이후 중국의 인공지능은 챗봇을 넘어 에이전트와 업무 흐름의 형태로 산업 공정에 더 깊게 들어가는 한편, 유연한 학습 경로와 현지화된 배포를 통해 자율적이고 통제 가능한 시스템을 강조하는 두 경로로 발전했다. 저자들은 2025년 중국의 변화가 최고 성능만을 추격한 결과가 아니라 오픈소스, 공학적 효율, 확장 가능한 전달을 중심으로 실용적 경로를 구축한 과정이라고 정리한다. 자원 제약은 발전을 단순히 제한하기보다 방향을 재구성했고, 앞으로는 자생력을 높여가는 중국 생태계와 세계 오픈소스 공동체가 어떻게 관계를 맺을지가 중요한 논점으로 남는다.

🧾 핵심 주장 / 시사점

• 중국에서 오픈소스는 기술 공개 자체보다 모델·논문·도구·배포 기반을 재사용 가능한 체계로 묶어 대규모 적용을 촉진하는 생태계 전략으로 기능한다.
• 딥시크 R1의 핵심 영향은 하나의 모델 성과에 그치지 않고 대기업, 신생 기업, 응용 기업, 연구기관이 각자의 강점에 맞춰 공개 생태계에 참여하도록 연쇄 반응을 일으킨 데 있다.
• ‘인공지능+’로 이어지는 흐름에서 경쟁의 중심은 단일 모델의 최고 성능보다 실제 산업에 통합할 수 있는 공학적 효율, 현지화된 배포, 자율적 통제, 지속 가능한 인프라로 이동했다.

✅ 액션 아이템

• 딥시크 R1 이후 공개된 모델·논문·평가도구·배포 인프라를 묶어 연구-인프라-산업 적용 연동 기준으로 오픈소스 전략을 재정의한다.
• 알리바바·텐센트·바이트댄스·바이두의 오픈소스 확장 방식 차이를 비교해 산업 적용 우선순위와 모델 확장 방향을 정리한다.
• 문샷·지에이아이·미니맥스 등 신생·응용 중심 기업의 저비용 공개모델 활용 사례를 기준으로 자체 모델 개발의 재사용 패턴을 점검한다.

❓ 열린 질문

• 모델 수의 증가보다 ‘전 주기 체계’가 핵심이라는 주장은 어떤 성능·운영 지표로 가장 먼저 검증할 수 있는가?
• 2017년 이후 컴퓨팅·에너지·데이터 기반과 2025년 인공지능+ 정책이 각각 실제 산업 통합 성과에 미친 기여를 어떻게 분리해 판단할 것인가?
• 오픈소스 공개가 활발한 주요 기업에서 연구, 배포, 하드웨어 조정이 균형을 이루었는지 평가할 핵심 비교 기준은 무엇인가?