미국의 AI 모델은 딥시크를 반영한다: 더 낮은 성능, 더 높은 비용, 그러나 미국의 규정 준수에 맞춰져 있음

전 OpenAI 최고기술책임자(CTO) 무스타파 술레이만의 첫 프로젝트가 미국과 중국 간 대규모 언어 모델(LLM) 개발 구도를 예상치 못하게 뒤집었다. 7월 15일, 그는 싱킹 머신스 랩(Thinking Machines Lab)을 설립하고 첫 모델 ‘잉클링(Inkling)’을 공개했다. 딥시크-V3(DeepSeek-V3)에서 영감을 받은 하이브리드 전문가(Hybrid Expert) 아키텍처를 활용하고, 문샷(Moonshot)의 키미 K2.5(Kimi K2.5)와 같은 오픈 모델에서 생성된 합성 데이터를 활용해 사후 학습 초기화를 수행한 결과, 성능은 미묘한 차이를 보였다. 여러 벤치마크에서 잉클링은 키미(Kimi)와 GLM보다 뒤처졌으며, 가격은 눈에 띄게 높았다. 20억 달러를 조달하고 120억 달러의 기업 가치를 달성했지만, 첫 출시가 기대만큼의 화제를 끌지 못했으며, 술레이만은 처음부터 최상위권 진입을 목표로 하지 않았을 수도 있다.

하드웨어 측면에서 잉클링은 스타 연구소의 명성에 걸맞다. 총 9,750억 개의 파라미터를 가진 하이브리드 전문가 아키텍처를 채택했으며, 토큰당 410억 개의 파라미터가 활성화된다. 전 학습(pre-training)에는 텍스트, 이미지, 오디오, 비디오를 아우르는 45조 개의 토큰이 사용되었으며, 최대 100만 개의 컨텍스트를 지원한다. 이 모델은 텍스트, 이미지, 오디오를 처리하며 텍스트를 출력하고, 성능, 속도, 비용의 균형을 맞추기 위해 추론 강도를 조정할 수 있다. 관대한 Apache 2.0 라이선스 하에 가중치가 공개됨에 따라, 개발자는 싱킹 머신스의 틴커(Tinker) 플랫폼을 통해 자체 배포하거나 파인튜닝할 수 있다. 전략은 명확하다: 잉클링은 소비자를 직접 타겟팅하기보다는 기업용 AI 애플리케이션의 기반(foundation)으로 기능한다.

기술 보고서에는 아키텍처의 중요한 세부 사항이 드러난다. 싱킹 머신스는 잉클링의 하이브리드 전문가 설계가 딥시크-V3을 따르며, 각 토큰이 하위 집합만 활성화하는 다수의 전문가 모듈과 딥시크-V3의 어시스턴트 없는 손실(load balancing) 균형을 특징으로 한다고 명시한다. 중국의 영향력은 학습 단계로도 확장된다. 사후 학습은 오픈 가중치 모델인 키미 K2.5의 합성 데이터를 사용한 지도 미세 조정(supervised fine-tuning)으로 시작되었다.

명확한 로드맵이 드러난다. 전 OpenAI CTO가 설립한 미국 연구소의 첫 모델이 딥시크의 아키텍처를 모방하고, 사후 학습은 키미의 데이터를 의존한다. 오픈 모델에서 기술을 차용하는 것이 본질적으로 문제가 되는 것은 아니다. 딥시크와 키미는 가중치와 사용 권한을 공개적으로 공유하며, 공공의 업적 위에 구축하기 때문이다. 더 주목할 만한 점은 중국의 모델 기술을 흡수했음에도 잉클링이 선배 모델을 능가하지 못한다는 사실이다. 싱킹 머신스는 솔직히 인정한다: 잉클링은 현재 오픈 소스이든 폐쇄 소스이든 가장 강력한 모델이 아니다.

수치는 격차를 강조한다. 최종 인간 시험 순수 텍스트 평가에서 잉클링은 29.7%의 점수를 기록한 반면, 키미 K2.6과 GLM 5.2는 각각 35.9%, 40.1%를 기록했다. 도구 사용 시 잉클링은 46%로 상승했지만, 여전히 키미 K2.6의 54%와 GLM 5.2의 54.7%에는 미치지 못했다. 실제 소프트웨어 엔지니어링 능력을 테스트하는 SWE-Bench Pro에서 잉클링은 54.3%의 점수를 기록했으며, 키미 K2.6은 58.6%, GLM 5.2는 62.1%였다. 격차는 터미널 벤치 2.1(Terminal Bench 2.1)에서 가장 두드러졌는데, 잉클링은 63.8%의 점수를 기록한 반면, 키미 K2.6과 GLM 5.2는 각각 71.3%, 82.7%를 달성했다.

잉클링은 웹 애플리케이션 설계, 오디오 이해, 보안 평가에서 뛰어나며, 특정 수학 과제에서는 키미와 딥시크보다 우수한 성능을 보인다. 그러나 종합적인 추론, 프로그래밍, 에이전트 능력 측면에서는 아직 최상위권에 도달하지 못했다. 가격 측면에서도 안도할 요소가 없다. 틴커 플랫폼에서 64K 버전은 프리필 토큰(Prefill Token) 100만 개당 1.87달러, 샘플 토큰(Sample Token) 100만 개당 4.68달러를 부과하며, 이는 이미 5할 할인된 가격이다. 256K 버전은 각각 3.74달러, 9.36달러이다. 키미 K2.6의 API 요금이 입력 0.95달러, 출력 4.00달러이고, GLM 5.2가 입력 1.40달러, 출력 4.40달러인 것과 비교할 때, 잉클링의 프리필 가격은 키미 K2.6의 거의 두 배이며, 생성 비용도 더 높고 명백한 가격 우위가 없다. 상황은 미묘하다: 아키텍처는 딥시크를 참조하고, 사후 학습은 키미에 의존하며, 성능은 중국의 선두 오픈 모델보다 뒤처지고, 가격은 더 높다.

흥미로운 점은 싱킹 머신스의 독특한 배경이다. 이 회사는 오픈AI 동문 네트워크와 유사하다. 2025년 2월 소개된 이 회사는 약 30명으로 구성되었으며, 그중 3분의 2가 오픈AI 출신이었고, 나머지는 메타(Meta)와 미스트랄(Mistral) 출신이었다. 창립 멤버에는 존 Schulman, 바렛 조프(Barret Zoph), 릴리안 웅(Lilian Weng), 앤드류 트롤로(Andrew Tulloch), 루크 메츠(Luke Metz)가 포함되었으며, 로이터는 술레이만이 전 직장인 오픈AI에서 최소 20명의 연구원을 영입했다고 보도했다.

술레이만은 2018년 오픈AI에 합류하여 DALL-E, Codex, ChatGPT, Sora에 기여했으며, 2022년 CTO가 되었다. 2023년 11월 알트만 해임 후 임시 CEO를 briefly 역임했다. 오픈AI의 개발 및 제품화에 정통한 이 그룹은 새로운 기술 시스템을 구축하기 위해 퇴사했으며, 외부인은 오픈AI 영감을 받은 경로를 기대했다. 그러나 주요 기술 출처는 중국 모델을 향하고 있으며, 이는 극적인 전환을 의미한다: 오픈AI를 가장 잘 아는 사람들이 결국 중국 모델의 기술 청사진을 채택했다.

이 결론은 신중한 분석이 필요하다. 오픈AI의 최근 최첨단 모델은 폐쇄 소스이므로 외부에서 가중치, 아키텍처, 학습 계획에 접근할 수 없다. 설령 술레이만이 내부 기술을 알았더라도, 그는 오픈AI의 상업적 비밀을 새 회사로 이전할 수 없었다. 반면, 딥시크와 키미는 가중치와 기술 보고서를 공개적으로 출시했으며, 이를 통해 그들의 아키텍처, 학습 방법, 도구 체인을 합법적으로 연구하고 재사용할 수 있다.

잉클링은 오픈 가중치 모델이며, 오픈 생태계를 구축하는 기업에게 딥시크와 키미와 같은 오픈 모델에서 성숙한 솔루션을 채택하는 것은 논리적인 엔지니어링 선택이다. 공개적으로 이용 가능한 중국의 업적을 무시하고 오픈 모델을 개발하는 것은 더 높은 시행착오 비용을 초래한다. 따라서 중국 모델에서 영감을 얻는 것이 술레이만이 딥시크가 오픈AI를 능가한다고 믿기 때문임을 증명하지는 않는다. 개방성과 참조 조건의 차이는 뚜렷하지만, 신호는 명확하다: 중국 모델은 오픈 가중치 공간에서 미국 AI 팀의 주요 참조 대상이 되었다.

진짜 질문은 기존 아키텍처와 학습 경험을 가진 싱킹 머신스가 왜 성능이 약하고 가격이 더 높은 잉클링을 생산했는가이다. 술레이만은 최상위 팀, 충분한 자금, 최신 NVIDIA 학습 시스템을 보유하고 있다. 이러한 격차를 간과할 이유가 없으며, 이는 고비용 대안이 계산된 결정일 가능성을 시사한다.

싱킹 머신스의 대우를 고려할 때, 잉클링은 단순한 괜찮은 모델을 넘어야 한다. 2025년 7월, 이 회사는 어떤 제품도 출시하기 전에 20억 달러의 시드 라운드를 완료했으며, 기업 가치는 120억 달러였다. 투자자에는 a16z, NVIDIA, AMD, 시큐이아(Sequoia)가 포함되었다. 4개월 후, 협상은 최대 5,000억 달러의 기업 가치를 목표로 했으며, 이 회사는 오픈AI와 앤트로픽(Anthropic)의 잠재적 경쟁자로 positioning되었다. 중국 모델보다 성능이 떨어지고 비용이 더 높은 제품을 출시하는 것은 기대에 미치지 못한다. 그러나 비즈니스 관점에서 볼 때, 술레이만은 벤치마크에서 승리할 의도가 없었을 수도 있다.

이 회사는 오픈 가중치, 멀티모달성, 사용자 정의 가능성을 강조하며, 기업이 틴커를 사용하여 잉클링을 고객 서비스, 코딩, 산업용 에이전트용 특수 모델로 파인튜닝하도록 장려한다. 술레이만은 벤치마크 순위를 우선시하지 않는 시장을 타겟팅한다. 기업은 사설 배포, 데이터 통제, 비즈니스 요구에 따른 지속적 학습을 더 중요하게 생각한다. 이러한 수요의 상당 부분은 중국 오픈 모델로 충족된다: 오픈AI와 앤트로픽은 여전히 폐쇄 소스이며, 메타의 Llama4가 기대 이하의 성과를 보인 후 오픈 소스 노력을 축소했다.Meanwhile, 딥시크, 키미, 툰(Qwen), GLM은 지속적으로 가중치를 출시하며, 성능은 훨씬 낮은 가격으로 미국 폐쇄 소스 모델에 근접하고 있다.

미국 기업들은 빠르게 대응했다. CNBC에 제공된 OpenRouter 데이터에 따르면, 2026년 2월 이후 미국 기업이 플랫폼을 통해 호출한 토큰 중 중국 모델의 주간 점유율은 30%를 초과했으며 46%에 달했다. 이는 2025년 상반기 평균 4.5%와 비교된다. Cursor는 Composer2를 위해 여러 기본 모델을 테스트한 결과, 강력한 평가로 인해 키미 K2.5를 선택했다. 브리지워터 펀드(Bridgewater Fund)는 틴커를 통해 알리바바의 툰을 파인튜닝하여 일부 최상위 폐쇄 소스 모델보다 더 나은 결과를 달성했다. 중국 오픈 모델은 미국 기업에게 비용 절감의 지름길이 되었으나, 이제 이 경로에 압박이 가해지고 있다.

동시에 미국 정부의 중국 AI 모델에 대한 규제 분위기가 강화되고 있다. 관련 부처들은 데이터 보안, 모델 출처, 공급망 위험에 대한 경고를 발부했으며, 중국 모델을 사용하는 일부 기업은 조사를 받고 있다. 통일된 제한이 없더라도 정책 불확실성은 기업의 선택에 영향을 미치며, 특히 정부 업무와 민감한 데이터를 다루는 기업들에게 그렇다.

이는 잉클링을 위한 시장 공간을 창출한다: 미국 기업의 오픈 가중치 모델로, Apache 2.0 라이선스를 사용하며, 사설 배포와 사용자 정의를 지원한다. 미국 기업은 중국 모델 사용으로 인한 정치적 논란을 걱정하지 않고 이를 선택하며, 정부 고객과 대형 기업의 규정 준수 검토를 통과하기가 더 쉬워진다. 잉클링의 진정한 가치는 이러한 규정 준수 확실성에 있다: 술레이만은 딥시크와 키미의 공공 업적을 미국 기업의 모델로 변환했다. 이 모델은 벤치마크에서 중국 모델을 물리칠 필요가 없으며, 중국 모델 계속 사용에 망설이는 미국 기업에게 수용 가능한 선택이면 된다. 이것이 더 높은 가격 설정을 설명한다: 정책이 경쟁 범위를 좁혔으므로 성능과 가격 격차는 덜 중요하다. 일부 미국 기업에게는 약간 약하고 더 비싼 모델이 충분하다.