량원펑
AGI를 향한 절제

우리 회사의 다른 동료들도, 우리가 처음 이 회사를 시작했을 때 애초에 마지막에 돈을 얼마나 벌겠다거나, 자본시장에 가겠다거나, 상장하겠다거나, 어떻게 하겠다는 생각은 하지 않았습니다. 그러니까 우리에게 그런 초심은 없었습니다.

처음의 수십 명은 전혀 그렇게 생각한 적이 없습니다. 그렇게 생각했다면 오지도 않았을 겁니다. 그래서 전체적으로 말하면, 우리는 이 세상에 대한 아주 큰 선의를 품고 이 일을 했고, 이게 인류에게 유용하며 돈 이외의 일이라고 생각했습니다.

물론 나중에 이 일의 이익이 아주 크다는 걸 알게 된 뒤에는 또 다른 유혹이 생겼는데, 그건 별개의 일입니다.

하지만 우리가 출발할 때의 초심과 비전, 그리고 지금까지 지켜 온 이 비전은 상업적 이익을 극대화하는 방식으로 하는 게 아닙니다. 이 점이 비교적 중요하다고 생각합니다.

대략 20년 전쯤 제가 경영에서 가장 숭배했던 사람은 GE의 전 CEO 잭 웰치였습니다. 지금 돌아보면 그가 한 말 대부분은 이미 틀렸을 수도 있지만, 가장 중요한 한 가지는 맞았습니다. 회사에서 가장 중요한 것은 비전이라는 겁니다.

큰 회사를 경영하는 것은 규정과 제도에 기대는 게 아니라 비전에 기대는 겁니다. 비전이 뭘까요? 비전은 벽에 걸어 둔 표어가 아니라, 어떻게 말하느냐가 아니라 어떻게 하느냐, 바로 실제로 어떻게 운영하느냐입니다. 아무튼 잭 웰치의 원문은 잊었지만 대략 이런 뜻입니다.

그래서 우리는 이렇게 많은 사람을 어떻게 관리하고 어떻게 조직했을까요? 사실 우리에게는 조직이 없고, 비전이 이끄는 겁니다. 하나의 비전에 기대 조직합니다. 우리는 조직이 없습니다.

여기에는 장점도 있고 단점도 있습니다. 앞으로는 장점을 살리고 단점을 피할 방법을 찾겠지만, 이게 우리의 특징입니다. 우리는 내가 무슨 KPI를 달성해야 한다거나, 평가가 있다거나 하는 방식으로 하지 않고 오직 비전만 있습니다.

이 비전은 심지어 문서로도 적혀 있지 않고, 글로 써 낸 적도 없으며, 어떤 것도 적어 둔 적이 없습니다. 이 비전은 우리가 일하는 방식과 이 세상을 대하는 태도 안에 있습니다. 아마 회사 사람마다 이 비전에 대한 이해도 다르고, 각자의 비전도 차이가 있겠지만 큰 방향에서는 일치합니다.

제 생각에는 역시 이 세상에 대한 아주 큰 선의를 품고 뭔가 조금 해 보려는 겁니다. 우리는 이것으로 조직됐습니다.

이제 제가 먼저 이야기하고, 끝난 뒤에 여러분이 질문해 주세요. 아마 이 비전을 중심으로 뒤의 이야기를 하게 될 겁니다. 이 비전은 진짜이고 지어낸 게 아닙니다. 우리는 정말 이렇게 생각하고 정말 이렇게 합니다. 그렇지 않으면 우리의 많은 일을 설명할 수 없습니다.

왜 우리가 이 비전을 가지고 오픈소스를 이렇게 고집할까요? 이 비전 자체가 오픈소스를 요구하기 때문입니다. 이 비전이 없으면 사람들을 조직할 수 없습니다.

예를 들어 즈푸도 오픈소스를 하지만, 즈푸의 오픈소스는 우리와 다릅니다. 즈푸의 오픈소스에는 억지로 한다는 느낌이 있습니다. 그들은 이것이 본의가 아니라고 생각하지만, 우리에게는 이것이 바로 본의입니다.

그리고 오픈소스라는 일에 관해서 우리는 처음부터 아주 분명하게 생각했습니다. 우선 첫째는 비전이고, 둘째로 우리는 AI를 상업적으로 성공시키는 데 오픈소스가 이점이 있다고 봅니다.

이건 조금 모순되고 직관에 어긋나게 들립니다. 역사적으로 오픈소스와 상업화는 충돌해 왔기 때문입니다. 하지만 AI는 이전과 다르다고 생각합니다. 역사적으로 소프트웨어 회사의 시장은 1년에 수십억 달러 정도일 수 있는데, 오픈소스로 풀면 시장이 사라져 수천만 또는 수억 달러만 남을 수도 있습니다.

하지만 AI라는 일은 충분히 큽니다. 예를 들어 최종적으로 인류 사회 GDP의 10퍼센트를 차지할 수도 있습니다. 그러면 사실 아주 큰 숫자입니다. 한 사람이 이 일을 독점한다는 것, 그건 불가능합니다. 반드시 다른 사람과 나눠야 하고, 그렇지 않으면 틀림없이 살아남지 못합니다.

이건 예전에 소프트웨어 하나를 오픈소스로 만들던 것과는 다를 수 있습니다. 그 소프트웨어의 시장은 그렇게 크지 않았기 때문입니다. 하지만 AI는 정말 너무 큽니다. 우리가 이 이익을 독점하려 한다면 반드시 역사에 버림받을 겁니다. 가장 중요한 건 이것이 객관적 법칙이고 역사관이라는 점이라고 생각합니다.

오픈소스를 하지 않는다고 해서 이 시장을 독점할 수 있는 게 아닙니다. 이론상으로도 객관적 사실에 맞지 않습니다. 반드시 많은 저항을 만나고, 반드시 다른 방법들이 그 목표를 이루지 못하게 막을 겁니다.

이런 상황에서는 반드시 전통적인 상업 사고를 따를 필요는 없다고 생각합니다. 자신이 얻을 이익이 제한되도록 보장하는 메커니즘이 있어야 비로소 성공할 가능성이 있습니다. 절제가 필요합니다. 저는 절제가 필요하다고 생각합니다.

우리가 우리 손으로 AI를 성공시키려 한다면, 우선 첫째로 절제가 필요하다고 생각합니다. 인류 GDP의 몇 퍼센트가 전부 내 것이 된다거나 중국 GDP의 몇 퍼센트가 전부 내 것이 된다고 생각해서는 안 됩니다. 그렇게 생각할수록 더 성공하지 못합니다.

그래서 우리는 처음부터 절제가 필요하다고 생각했습니다. 더 절제할수록 이 일을 성공시킬 가능성이 커집니다. 이것은 상업적 고려이고, 물론 거시적인 고려입니다.

저는 이게 직관에 맞는다고 생각합니다. 적어도 제 직관에는 맞고, 적어도 저는 정말 그렇게 생각합니다. 우리에게 다른 우위가 아주 많은 것도 아닙니다. 우리에게 무슨 대단한 능력이 있는 것도 아니고, 남보다 돈이 많은 것도 아니며, 인력이 다른 회사보다 더 좋다고 할 수도 없습니다. 사실 그렇지 않습니다.

생각해 보세요. 2년 전에 이 회사를 세웠을 때 우리는 돈도 많지 않았고, 카드도 많지 않았고, 인지도도 없었고, 호소력도 없었습니다. 우리는 그저 아주 평범한 사람들의 무리였습니다.

저는 정말 그냥 평범한 사람들의 무리입니다. 제가 좋아하는 서사가 있다면 천재들의 무리가 비범한 일을 해냈다는 게 아니라, 평범한 사람들의 무리가 비범한 일을 해냈다는 겁니다. 이것은 우리의 절제와 아주 큰 관련이 있고, 우리의 절제와 비전과 한 흐름으로 이어집니다.

그러면 오픈소스와 상업화가 충돌할까요? 저는 AI라는 일에서는 절제하지 않으면 일어서지 못한다고 생각합니다.

오픈소스는 절제의 일부입니다. 우리의 절제는 오픈소스에서만 드러나는 게 아니라 많은 면에서 드러납니다. 하지만 전체적으로 말하면 우리는 오픈소스라는 일을 고려할 필요도, 절제라는 일을 고려할 필요도 없습니다.

더 절제할수록 성공하기 쉬울 수 있습니다. 적어도 지금까지는 그것이 입증됐고, 지금까지는 설명이 됩니다. 그렇지 않으면 우리가 왜 성공할 수 있었는지 설명할 수 없습니다. 우리에게 무기도 없고, 출발점도 아주 낮고, 자원도 아주 적으며, 우리 사람들도 사실 무작위로 모인 평범한 사람들의 무리입니다. 저 자신도 그냥 대학을 졸업한 학생이고, 가장 일류인 학교를 졸업한 것도 아닙니다.

이 절제도 우리 비전의 일부입니다. AI라는 일은 너무 크고 이익도 너무 큽니다. 우리는 아주 절제합니다. 성공시키기만 하면 마지막의 이익은 모두 아주 클 겁니다. 조금만 나눠 가져도 이익이 아주 큽니다. 그러니 지금은 그 안에서 어느 부분의 이익을 어떻게 가져갈지 전혀 고려할 필요가 없다고 생각합니다. 이익이 충분히 크기 때문입니다.

조금만 나눠 가져도 이미 충분합니다. 그래서 전에 말했듯 우리는 합리적인 이윤만 벌고, 이윤의 크기가 아니라 의향만 봅니다. 이 둘은 다릅니다. 이건 우리의 API 가격 책정 얘기는 아닙니다. 우리는 API 가격에서 합리적인 이윤을, 대략 시장에서 장비 한 묶음을 사 와서 10개월 만에 원가를 회수하는 정도로 봅니다. 저는 이게 합리적인 이윤이라고 생각합니다.

현재 상황에서 위험과 초기 투입 등을 고려해 서버를 회계상 3년이나 5년에 걸쳐 상각하더라도, 상업적으로는 대략 10개월 만에 원가를 회수하면 충분하다고 봅니다. OK, 충분하다고 봅니다. 이게 현재 API 가격 책정의 논리입니다. 우리의 V3.2 Flash와 다른 것들도 모두 10개월 만에 장비 원가를 회수합니다.

이게 우리의 기준입니다. 사실 이윤 극대화가 아닙니다. 이윤을 극대화하려면 가격을 더 높게 정해야 합니다.

이 가격 구간에서는 사용자 수요에 탄력성이 없기 때문입니다. 가격을 절반 더 올리거나 두 배로 올려도 token 소비량은 큰 차이가 없습니다.

가격을 다시 두 배로 올리면 총수입은 거의 두 배가 됩니다. 잠깐만요, 제가 좀 대조해 볼게요. 아이고, 너무 좋네요.

여러분께 이야기를 하나 하겠습니다. 우리 DDCP라는 게 우리 모델입니다. 처음에는 수요가 너무 많을까 걱정해서 가격을 비교적 높게 정했는데, 팀 안의 모두가 별로 기뻐하지 않았습니다. 나중에 제가 가격을 다시 낮춰 4분의 1로 만들었더니 모두 아주 기뻐했습니다.

이게 우리의 진짜 생각이라고 봅니다. 제가 앞에서 말한 비전처럼, 우리는 이게 사람에게 유용하도록 하려는 것이지 우리가 가장 많은 돈을 벌려는 게 아닙니다. 합리적인 이윤을 벌 수 있는 상황에서 모두가 쓸 수 있게 하려는 겁니다. 이번에 우리 회사 다른 사람들의 생각도 그랬습니다. 그때 가격을 내릴 때 회사 단체 채팅방에서 많은 사람이 환호했고, 모두 아주 기뻐했습니다.

우리가 이렇게 많은 힘을 들이고 이렇게 정성을 다해 이 모델을 잘 만든 목적이 바로 그것이기 때문입니다. 목적은 아주 싸고 효과도 아주 좋아서 모두가 충분히 쓸 수 있게 하는 겁니다. 우리는 그게 아주 기쁘고, 그게 우리의 동력이고 비전이며, 우리 회사가 함께 뭉쳐 이 일을 할 수 있게 하는 공감대라고 생각합니다. 우리 회사 내부의 공감대입니다.

이 점은 비교적 특별할 겁니다. 가격 인하는 다른 경쟁자들에게는 틀림없이 좋은 일이 아니고, 그들은 분명 환호하지 않을 겁니다. 수입과 ARR가 있으니까요. 절반을 내리면 ARR도 절반으로 떨어집니다. 네, 이게 우리가 다른 점입니다.

우리는 이 정도면 충분하다고 봅니다. 회사 내부에서 보면 10개월 만에 원가를 회수하면 상업적으로 이미 아주 만족합니다. 회사 외부에서도 이 가격은 모두가 비교적 기뻐하고 반기는 가격이라고 생각합니다. 모두가 윈윈하고, 회사와 사회와 모든 사람이 윈윈합니다.

제 생각에는, OK, 방금 누군가 화면에 10개월 만에 원금을 회수하는 건 이윤이 너무 높다고 댓글을 남겼습니다. 확실히 가격을 더 내릴 여지가 있고, 확실히 더 있습니다. 모델 최적화에도 여지가 있으니 전체적인 가격 인하 여지는 비교적 큽니다.

하지만 이 원가로 10개월 만에 회수하는 건 우리는 할 수 있어도 다른 곳은 못 합니다. 알리나 텐센트 같은 곳은 우리의 최적화가 아니어서 원가가 이것보다 몇 배는 높을 겁니다. 여기에는 아직 최적화 작업이 많이 있습니다.

방금 왜 계속 가격을 내리지 않느냐고 했는데, 탄력성이 없기 때문입니다. 더 내려도 수요가 늘지 않거나 아주 조금만 늘어납니다. 이 가격이면 모두가 감당할 수 있고 모두가 만족합니다. 이 가격이 비싸서 쓰지 않는 일은 없습니다.

그래서 가격을 내려도 우선 회사 수입이 더 늘지 않고, 사회에도 더 많은 가치가 생기지 않습니다. 이 가격에 모두가 만족하기 때문입니다. 가격이 더 낮아져도 이 사회의 행복감이 많이 늘지 않습니다. 네, OK, 다만 방금 이 문제에서, 가격을 정하는 일에서 우리는 분명 …을 기준으로 하지 않습니다.

회사 수입이나 이윤을 최고로 만드는 것이 가장 처음의 출발점은 아닙니다. 이것은 우리 절제의 일부입니다. 단기적으로는 가격을 조금 높이면 수입이 조금 늘 수 있지만, 장기적으로는 정말 알 수 없습니다. 저는 절제가 하나의 전략이라고 생각하기 때문입니다.

저에게 절제는 하나의 전략입니다. 때때로 일부를 포기해 다른 것을 더 많이 얻을 수 있다는 데 있습니다. 오픈소스를 하지 않는 일도 사실 똑같습니다. 우리의 압박으로 볼 수도 있고, 우리가 이익을 양보하는 것으로 볼 수도 있습니다.

우선 이 이익 양보는 회사 내부에 아주 기쁜 일이고 모두가 즐거워하며, 직원들은 성취감을 느끼고 우리는 이로 인해 응집력을 갖게 됩니다. 또 이 이익 양보는 사회에 이롭고 사회도 아주 기뻐하며, 다른 동종업계 사람이나 일반인도 모두 기뻐할 겁니다. 그래서 이런 절제는 장기적으로 우리가 AGI를 성공시킬 확률을 높일 수 있다고 이해합니다.

어떤 일을 고려할 때 저는 AGI에 아주 큰 상업적 가치가 있으리라는 것을 전혀 의심하지 않습니다. 그 바탕에서 제가 우선 고려하는 것은 어떻게 점유율을 조금 더 높이고 조금 더 가져가느냐가 아니라, 어떻게 성공할 확률을 높이느냐입니다.

이 절제는 다른 많은 면에서도 나타날 수 있습니다. 예를 들어 작년 춘절에 사용자가 갑자기 아주 많아졌지만, 우리는 이 사용자들을 붙잡겠다거나 이 사용자들로 수익화하겠다거나, 상업적 이익을 빼앗아 사용자에게서 실현하겠다고 추구하지 않았습니다.

우리는 사용자를 빼앗지도, 돈을 벌지도 않았지만 사용자를 잘 서비스할 방법을 아주 열심히 찾았습니다. 다음 슈퍼 App을 만들고 누구와 경쟁하며, 다음 바이트댄스나 다음 텐센트를 만들겠다는 생각은 전혀 하지 않습니다.

우리는 그렇게 할 수 있지만 하지 않았습니다. 제 이해로 이것도 절제의 일부입니다. 무엇이든 다 벌려고 하지 마세요. 사용자를 얻으면 다음 바이트댄스를 만들 수 있을 것 같아서 그것까지 먹어 버리는 식입니다.

상업적으로는 가능하고 성립할 수 있다고 생각합니다. 작년에 우리가 큰돈을 써서 바이트댄스와 사용자를 다퉜어도 하나의 방식이었을 겁니다. 하지만 우리는 아주 절제된 방식을 택했습니다. 그것을 두고 다투지 않는 겁니다. 뒤에는 수박이 있고 앞의 것은 아마 모두 참깨이기 때문입니다.

저는 모든 참깨를 다 빼앗아서는 안 됩니다. 물론 이 참깨가 비교적 클 수도 있지만, 뒤의 AI에 비하면 앞의 것은 모두 크지 않다고 생각합니다. 지금 보면 작년에 C단에 힘을 쏟지 않은 건 맞았을 수 있습니다. 뒤에 정말 더 큰 수박이 있고, 앞에는 정말 작은 참깨들뿐이라는 걸 볼 수 있기 때문입니다.

작년에 제가 돈이 아주 많아서 이 일을 아주 크게 했다면 무슨 이점이 있었을까요? 얻는 게 아무것도 없습니다. 이게 제 진짜 생각입니다. 뒤의 AGI 기회는 아주 클 것이고, 뒤의 AGI 기회는 언제나 아주 클 거라고 생각하기 때문입니다.

그때 그 안에서 자리를 차지할지, 그 안에서 내 비즈니스 모델이 무엇일지조차 고려할 필요가 없습니다. 우리는 전혀 고려할 필요가 없습니다. 그렇게 큰 상업 기회가 있으면 반드시 방법이 생깁니다. 앞의 참깨도 줍겠지만 그냥 가는 길에 조금 줍는 것이지, 멈춰 서거나 그것을 중요한 일로 삼지는 않을 겁니다.

그래서 작년 C단의 DAU 같은 것은 작은 일일 수 있다고 생각합니다. 그래도 주웠고, 비교적 낮은 비용으로 사용자 이용을 유지했습니다. 나중에 쓸모가 있을 수 있기 때문입니다. 지금은 이 사용자가 무슨 쓸모가 있는지 모르고 순수한 비용 지출이지만, 나중에는 쓸모가 있을 수 있습니다.

가는 길에 얻을 수 있는 것이니 가는 김에 얻습니다. 올해를 보면 API나 AI 쪽 ARR 수입에도 기회가 있을 가능성이 큽니다. 이 수요가 계속 확대되고, 계속 확대되면서 그래픽카드를 더 많이 살 수 있다면 ARR 수억 달러 달성은 충분히 가능합니다.

AI로 10억 달러를 달성할 수 있다면 기본적으로 회사 현금흐름은 플러스로 돌아서 연구개발비와 모든 비용을 cover할 수 있을 겁니다. 이것도 가능하지만 우리는 우선순위로 삼아 하지 않았습니다.

이건 하겠지만, 저는 이게 중요한 일이라고 봅니다. 우리의 최우선 고려 사항도 아니고 오늘 정말 관심을 두는 일도 아닙니다. 더 큰 기회는 뒤에 있을 겁니다. 앞의 기회에는 작년 C단과 올해 B단이 포함됩니다. 이 일은 해야 하고 잘해야 하지만 우리의 목표는 아닙니다.

다시 말해 우리 회사 대부분의 사람은 이것을 아주 중요한 일이라고 보지 않고, AGI와 비교해 동등하게 중요한 문제라고 보지 않습니다.

오픈소스 이야기는 조금 더 할 수 있습니다. 이전에 많은 질문이 오픈소스에 관한 것이었기 때문입니다. 우선 우리는 오픈소스를 할 것이고, 가장 강한 모델도 아마 오픈소스로 공개할 겁니다. 폐쇄형의 이점이 보이지 않고 필연적인 이점도 보이지 않기 때문입니다. 바이트댄스의 모델은 폐쇄형인데 무슨 이점이 있습니까? 저는 무슨 이점이 있는지 보이지 않습니다.

모델을 오픈소스로 공개해 모든 것을 남에게 알려 줘도 문턱은 아주 높습니다. 다른 사람이 실제로 쓰는 문턱도 아주 높습니다. 실제로 쓰기도 어렵고, 둘째로 실제로 쓰면서 원가를 아주 낮게 만드는 것도 아주 어렵습니다. 그렇게 쉽지 않습니다.

제가 오픈소스로 공개한다고 해서 그가 쉽게 저와 같은 배포 비용을 달성할 수 있는 것은 아닙니다. 그 안에는 여전히 할 일이 아주 많습니다. 이런 작업의 원리는 모두 이해하더라도 모든 회사가 목표를 이루기 위해 인력을 조직할 의향과 능력을 갖춘 것은 아닙니다.

저도 이 점에는 아주 익숙합니다. 아마 그들은 이 일을 잘하지 못할 겁니다. 저항이 너무 크기 때문입니다. 원가를 통제하기 아주 어렵고, 관리상의 제약과 물리적 제약이 많습니다. 이것도 스타트업의 장점입니다. 스타트업이 너무 작으면 이 일을 할 힘이 없고, 대기업이면 조직하기 어렵습니다.

이 일에는 모두 어려운 점이 있습니다. 그래서 이건 우리 규모 회사의 스위트 스폿, sweet point에 해당합니다. 우리가 더 크면 아마 다른 문제가 없을 수도 있고, 더 작으면 동료들의 힘이 부족할 겁니다.

그래서 오픈소스에 관해서는 우리가 가격을 정해야 한다고 생각합니다. 현재 우리는 사람을 몰아붙이지 않을 거라는 점을 알아야 합니다. 가격을 정한 모델이라도 아주 높은 비용을 받지 않고, 아마 10개월 만에 원금을 회수하는 기준으로 받을 겁니다. 10개월 회수를 기준으로 하면 이미 경쟁자를 …

제가 10개월 만에 원금을 회수하는 기준을 쓰면 독립 배포하는 제3자가 이익을 낼 수 없게 할 수 있습니다. 제3자는 그 원가를 달성하지 못합니다. 틀림없이 못 합니다.

그래서 오픈소스는 제 수입에 영향을 주지 않습니다. 물론 제가 100배의 이윤을 벌겠다면 오픈소스는 …

말씀은 들리는데 영상이 끊긴 것 같아요, 사장님.

방금 전화가 들어왔던 것 같습니다.

그러니까 오픈소스는 우리의 비즈니스 모델에 아무 영향도 없다고 생각합니다. 전제는 우리가 6배 이윤만 버는 겁니다. 10개월 만에 원가를 회수하는 것은 대략 6배 이윤에 해당합니다. 6배 이윤만 버는 경우 오픈소스는 아무 영향이 없습니다.

하지만 100배 이윤을 벌려고 한다면 오픈소스가 정말 100배 이윤을 버는 데 영향을 줍니다. 제3자가 배포할 것이고, 그 원가가 20배라 해도 당신보다 낮을 수 있기 때문입니다.

이 모델이 장기적으로 지속 가능할까요? 가능하다고 생각합니다. 우리의 이 비전 아래에서는 오픈소스가 장기적으로 지속 가능하고, 적어도 우리는 그렇게 할 계획입니다. 절제가 있고, 또 당신에게 비교적 장기적인 이익을 양보하는 것으로 볼 수 있습니다.

이 전략은 기술의 앞쪽에서 우리에게 더 많은 기회를 주고, 우리가 AGI를 성공시킬 확률도 더 높여 줍니다. 우리는 더 여유롭습니다.

생각해 보세요. 우리는 아예 야근할 필요도 없습니다. 그렇게 어렵지 않으니까요. 하지만 다른 곳에는 아주 어려울 수 있습니다. 생각하는 게 너무 많기 때문입니다.

사실 어렵지 않습니다. 전혀 어렵지 않습니다. 막 시작할 때는 하나의 … 밖에서 보면 우리가 아주 어려운 모드를 골랐고, 연구를 하고 가장 어려운 일을 하니 hard 모드처럼 보일 수 있습니다. 하지만 사실 우리는 다른 곳에서 많은 것을 포기했기 때문에 여전히 아주 힘이 있고, 아주 수월하게 합니다.

그래서 오픈소스라는 일에 대한 제 판단은 실제로 지속된다는 겁니다. 오픈소스와 상업적 유료화 사이에는 충돌이 없습니다. 6배 이윤이라는 전제에서는 충돌하지 않습니다.

6배 이윤이 높아 보이지만 사실 높지 않습니다. 지금 AI 효율이 이렇게 높은 상황에서는 합리적 이윤이 아마 이 정도입니다. 미래에는 예를 들어 4배, 3배로 내려갈 수 있고, 저는 이게 이미 … 더 밑으로는 내려갈 수 없다고 생각합니다. 그래도 여전히 큰 이윤이 있습니다.

API 판매만 놓고 보는 이야기지만, 저는 API 판매가 그렇게 큰 매력이 있다고 생각하지 않습니다. 그래도 이 일만 보면 충돌이 없고, 저는 아무 충돌도 보지 못했다고 말할 수 있습니다.

그리고 다른 사람이 우리 모델을 배포해 우리와 경쟁할까 전혀 걱정하지 않습니다. 오히려 그들이 배포할 수 있기를 바랍니다.

우리는 가능한 한 오픈소스 커뮤니티에 도움을 주고, 모두가 우리 모델을 배포할 수 있게 지원합니다. 그가 이 사업을 두고 저와 경쟁할까 걱정하지 않습니다. 시장이 충분히 크기 때문입니다. 저는 그가 배포하지 못하거나 세부 사항을 잘못해 효과가 나빠지거나 원가가 비교적 높아지는 것만 걱정합니다.

네, 여기에는 충돌이 없습니다.

그리고 작년에 제가 물었던, 작년에 To B 사업이 있을 때 비교적 많이 물었던 것은 이겁니다. 우리 C단에서 제가 오픈소스를 하면 제 C단과 다시 충돌하지 않을까요? 제게 트래픽 우위가 없거나, 텐센트는 자체 트래픽이 많아서 우리 오픈소스 모델을 배포한 뒤 모든 C단 사용자를 받아 가고 제 C단 사용자를 전부 빼앗아 갈 수 있기 때문입니다.

하지만 사실 그렇지 않습니다. 여기에는 여전히 많은 이유가 있습니다.

그리고 문제는 이겁니다. 우리가 제공하는 오픈소스 모델과 우리가 직접 배포한 모델이 같습니까? 같습니다. 조금 떨어지는 모델을 오픈소스로 공개하고 직접 배포할 때 더 좋은 모델을 쓰는 일은 없습니다. 같습니다.

이것도 사실 충돌이 없다는 것을 보여 줍니다. 작년 한 해 내내 C단에서 우리는 기본적으로 오픈소스로 공개했고, C단 서비스와의 충돌을 보지 못했습니다. 정말 충돌을 보지 못했습니다. 그래서 이게 오픈소스 부분입니다.

그리고 다음은 회사의 장기 vision입니다. 우리 목표는 AGI여야 한다고 생각합니다. 사람마다 AI의 정의가 같지 않을 수 있지만, AGI를 목표로 삼는 데 방해가 되지는 않습니다.

기술 경로에서 보면 사실 AGI 로드맵은 비교적 명확합니다. 현재 세대 AI 기술은 문제를 아주 명확히 설명하고 완전한 맥락과 지시를 주면 이미 인간을 넘어섰습니다. 하지만 여기에는 정의와 전제가 있습니다. 완전한 맥락을 주고 완전한 지시를 줘야 합니다.

그런데 이 정의는 달성하기 아주 어렵습니다. 예를 들어 오늘 우리가 회의하는 데도 앞에 아주 길고 강한 맥락이 있습니다. 모두에게 수십 년의 맥락이 있을 수 있는데 AI에는 없습니다. 현재 AI가 가질 수 있는 것은 제한된 맥락 안에서 사람보다 더 잘하는 능력입니다.

하지만 여전히 인간을 대체할 수 없습니다. 여기에는 지속 학습이라는 한 가지가 더 부족합니다. 사람도 지속적으로 학습할 수 있기 때문입니다. 직원을 한 명 채용하면 회사 환경과 자기 일을 익히는 데 두 달 정도를 씁니다. 그가 두 달 동안 이야기하고, 이렇게 하면 일을 시작할 수 있습니다.

그는 많은 일을 할 수 있습니다. 당신 말을 알아들을 수도 있습니다. 예를 들어 샤오왕을 부르라고 하면 샤오왕이 누군지 압니다. 하지만 AI는 이 맥락이 없고, 앞의 두 달 동안 학습한 게 없습니다.

AI에게 샤오왕을 데려오라고 하면 샤오왕이 누구인지, 무슨 직책인지, 어디 있는지, 어떻게 찾아야 하는지, 찾을 때 무엇을 주의해야 하는지 알려 줘야 합니다. AI에게 모든 맥락을 줘야 합니다. 이런 상황에서는 AI가 할 수 있지만, 모든 맥락을 줄 수는 없고 현실적이지도 않습니다.

그래서 AI는 당신의 직원을 대체할 수 없습니다. 하지만 AI가 지속 학습 능력을 갖추고 당신의 직원처럼 회사에서 두 달을 학습한다면

그러면 세상 사람들을 대체할 수 있습니다. 그래서 다음 단계까지는 학습을 학습하는 것 하나가 더 부족합니다.

AI의 발전은 하나의 계단으로 이해할 수 있습니다. 작년에 오른 계단은 CoT, 즉 사고 사슬입니다. 사고 사슬 방식으로 지능을 더 높은 수준에 이르게 할 수 있다는 걸 발견했기 때문입니다. 스스로 생각하게 해서 상한을 높이고, 이 AI가 더 많은 일을 하게 할 수 있습니다.

그러면 우리는 또 하나의 계단을 넘었습니다. 올해의 계단은 Agent입니다. Agent 방식으로 더 많은 일이 있어도 할 수 있고, 능력 범위가 더 넓어지며, 지능의 상한도 더 높아진다는 걸 발견했기 때문입니다.

왜 계단일까요? 뒤의 각 단계는 모두 앞의 토대 위에 있기 때문입니다. Agent에는 CoT가 필요하고, CoT에도 앞의 계단이 필요합니다. 앞의 계단은 언어 모델입니다. 그러니 헛되이 오른 단계가 하나도 없습니다.

그래서 AI의 발전과 지능의 방향은 자취를 따라갈 수 있습니다. 올해 오르는 계단은 Agent지만, Agent라는 계단도 끝까지 오르게 됩니다. 해결 가능한 문제를 모두 해결한 뒤에도 직원을 대체하지는 못하지만, 이미 능력의 상한에 도달한 상태입니다.

CoT와 같습니다. CoT는 상한에 도달한 뒤 올림피아드 수학 문제를 풀고 프로그램을 쓰는 면에서 이미 가장 뛰어난 인간을 넘어섰습니다. 하지만 여전히 그곳에 멈춰 있고, 그 기술은 AGI에 도달하지 못했습니다.

그러니 보세요. AI 지능의 방향은 자취를 따라갈 수 있습니다. Agent 다음에는 지속 학습 문제를 해결해야 한다고 봅니다. 모델이 강한 훈련을 받아야만 하는 게 아니라, 사람처럼 비교적 긴 시간 동안 지속적으로 학습하게 만드는 방법입니다.

이 문제는 임무 완수 등과 같은 일이고 서로 관련돼 있으며 같은 문제를 해결합니다. 지금 우리는 Agent라는 지점에 서 있고, 다음 병목인 지속 학습을 볼 수 있습니다. 다음에 해결할 문제는 어떻게 지속적으로 학습하느냐입니다. 이건 보이고 비교적 명확합니다.

바로 앞을 막는 이 장애물에서 걸려 있습니다. 반드시 넘어야 하고, 틀림없이 넘을 방법이 있지만 시간이 필요합니다. 지속 학습 뒤에는 하나의 특이점에 올 수 있습니다. 이 특이점은 모델이 지속적으로 학습할 수 있게 되면 이미 인간이 할 수 있는 모든 일을 할 수 있다는 겁니다.

스스로 자기 버전을 개발하고, 스스로 다시 연구한 뒤 다음 버전과 더 앞선 인공지능 모델을 개발할 수 있습니다. 그래서 스스로 반복 개선할 수 있는 특이점에 도달합니다.

하지만 이 특이점은 특이점이 아니라 점진적인 과정입니다. 이 과정도 비교적 긴 점진적 변화일 수 있고 급변이 아닙니다. 다만 습관적으로 우리는 그것을 특이점으로 봅니다.

아주 오래전 예언가들은 여기에 특이점이 있을 거라고 봤지만 사실 특이점이 아니라 연속적인 과정입니다. 그리고 이 단계가 끝난 뒤에야 체화 지능이라고 생각합니다.

이건 우리의 추측입니다. 우리가 보는 시간표는 먼저 학습을 학습하는 문제를 해결하고, 그다음 지능의 특이점, 즉 자기 반복 개선이 가능한 특이점에 도달한 뒤, 그다음에 체화 지능으로 가는 겁니다. 체화 지능에 도달하면 현실 세계로 들어가 집안일도 해 주고 노후 돌봄도 해 줄 수 있습니다.

우리는 이것이 비교적 이상적인 로드맵이라고 보지만 사람마다 관점이 다르고 옳고 그름은 없습니다. 단지 우리는 이 로드맵이 가장 수월하다고 봅니다.

이 로드맵은 단계마다 새로 해야 할 일이 아주 적습니다. 이 로드맵이면 야근하지 않아도 됩니다. 하지만 로드맵이 거꾸로여서 예를 들어 체화 지능을 먼저 실현해야 한다면 여기서는 스스로 아주 힘들게 해야 하고 고된 일입니다. 우리는 그런 로드맵을 바라지 않고 좀 더 수월하게 하고 싶습니다.

지속 학습을 먼저 해결하고, 자기 반복 개선의 특이점을 해결한 뒤 체화 지능을 해결한다면 이 길은 아주 수월합니다. 뒤로 가면 앞의 기술로 뒤의 기술 개발을 도울 수 있기 때문입니다. 특이점 뒤에 체화 지능을 하면 사람이 할 필요도, 우리가 할 필요도 없고, 그 모델이 스스로 만들어 낼 수 있습니다.

그래서 이것이 우리의 장기 목표가 무엇이냐는 데 대한 답입니다. 저는 그에게 이게 바로 우리의 장기 목표, 우리가 말하는 AGI라고 했습니다.

모두 현실로 돌아옵시다. 작년에 가장 중요한 현실은 모두 Chatbot을 만들고 C단 트래픽을 빼앗아야 한다는 것이었습니다. 올해의 현실은 모두 To B 수입을 빼앗고 여기에 참여해야 한다는 겁니다. 참여하지 않으면 아예 판에 앉아 있지 못하니까요, 그렇지 않습니까?

하지만 우리는 그것을 중요한 일로 보지 않습니다. 다시 말해 회사 내부에서 우리가 정말 관심을 두는 것은 사실 방금 말한 AGI 로드맵과 다음 단계 기술을 어떻게 돌파하느냐입니다.

그런데 아주 이상한 점이 하나 있습니다. 가장 얻고 싶은 것은 오히려 얻지 못하고, 그렇게 신경 쓰지 않는 것은 오히려 꽤 쉽게 얻습니다.

여기에는 전략적 우위가 있습니다. 우리 마음에는 AGI가 있고 우리가 하는 것은 AGI입니다. 그러면 응용, C단, B단을 다시 할 때 그 일에 그렇게 많은 신경을 쓸 필요가 없고 사실 아주 적은 힘만 들이면 됩니다.

제 생각에는 기술적으로 높은 위치에 서서 상대적으로 낮은 단계의 기술을 하면 이런 차원 축소 공격이 가능합니다.

적어도 작년 C단에서는 정말 그랬습니다. 우리는 C단에 많은 힘을 들이지 않았고, 한때는 그 사용자들을 유지하고 싶지 않기까지 했는데 사용자들을 몰아내도 나가지 않았습니다.

정말 몰아내도 나가지 않아서 결국 모두 그대로 있습니다. 하지만 조금 … 그리고 올해 B단 수입은 지금 보기에 성장세가 비교적 낙관적입니다. 아마 이 수치는 동종업계와 비교해도 비교적 좋을 것 같습니다. 제 추정입니다. 하지만 우리는 이 일에 아주 큰 힘을 들이지 않았고, 아예 …하지 않았습니다.

어떤 일을 하나 하는 건 그냥 가는 김에 하는 겁니다.

인터넷 지능을 출시하고 나아갈 때 AGI의 이 단계는 제가 반드시 밟아야 하는 계단입니다. AGI로 가는 길에서 이 계단을 지나야 합니다. 그러면 이 기술들을 모두 API로 여러분에게 서비스하고, 저는 추가로 한 일이 없습니다.

우리는 여전히 AI를 하고 있고 이것은 부산물입니다. 몇 사람에게 이 API를 유지하게 하면 됩니다. 고객센터조차 없고 영업도 필요 없으며 아무것도 필요 없습니다. 사용자가 스스로 옵니다.

다시 말해 C단 사용자로 여겨지는 것, C단과 B단 모두 우리가 AGI로 가는 길의 부산물이고 중간 산출물이며, 제가 AGI를 하는 것과 충돌하지 않습니다. 저는 C단이나 B단을 하려고 그것을 하는 게 아닙니다. 우리는 AGI를 위해 AGI를 하고, 마침 이것이 산출되니 가져다가 상업화하는 겁니다.

이건 다른 회사와 다릅니다. 다른 회사는 이것을 하려고, C단 사용자나 B단 사용자를 서비스하려고 이 모델을 만듭니다. 하지만 우리에게 초심은 그렇지 않고, 우리의 초심은 여전히 AGI를 추구하는 겁니다.

이건 어느 정도 차원 축소 공격이라고 생각합니다. AGI는 더 큰 비전이고, 이 비전은 더 많은 뛰어난 사람을 결집하며 더 강한 응집력을 가집니다. 그래서 조직에서 우위가 있고, 그 우위를 이용해 … 그게 바로 차원 축소 공격입니다.

하지만 상업 회사이고 비전이 C단 사용자를 잘 서비스하는 것이라면 또 다른 이야기입니다. 제품, 사용자 서비스, 트래픽에서는 다른 우위가 있겠지만 기술에서는 우위가 없습니다.

현재 비교적 유리한 형세는 모델 기술이 가장 중요하다는 겁니다. 모델을 잘 만들어야 하고, 다른 것은 … 네, 그리고 이것이 우리의 이전 발전 궤적을 설명할 수 있습니다. 우리는 정말 AGI를 택했고 많은 사용자를 만들 생각을 전혀 하지 않았습니다.

작년 춘절에 우리가 갑자기 유명해졌을 때 그건 우리 각본에 없었습니다. 우리는 그런 것을 전혀 생각한 적이 없고, 그저 기술을 잘 만들려 했습니다. 하지만 그때 저는 우리 조직이 완전히 상업화되고 제품을 목표로 하는 조직에 비해 인재와 조직에서 추가적인 우위가 있다는 것을 알았습니다.

이것도 아주 신기합니다. 그때 C단을 놓고 모두 피 터지게 다퉜는데, 결국 다투지 않은 한 곳이 데려갔습니다. 이것도 제가 앞서 말한 논리에 일리가 있고, 정말 인재와 조직에서 우위가 있음을 보여 줍니다.

이 인재 우위는 우리 사람이 그들보다 더 똑똑하다는 뜻이 아니라, 이 인재들을 제가 어떻게 조직하고 동기를 부여하며 협업하게 하느냐에 우위가 있다는 겁니다. 똑똑한 사람들을 모아 둔다고 자연스럽게 협업하고, 자연스럽게 아주 열정적으로 하나의 목표를 향해 달려가 완수하는 것은 아니기 때문입니다. 그래서 비전이 필요합니다.

앞의 경험이 제게 준 깨달음은 AGI라는 비전이 아주 강력하다는 겁니다.

OK, 이게 질문입니다. 그리고 다음 질문은 핵심 이익의 중요성이 무엇이냐는 겁니다.

앞에서 우리는 많은 면에서 아주 절제해야 한다고 말했습니다. 하지만 우리의 핵심 이익은 무엇일까요? 사실 우리의 핵심 이익은 한 가지뿐입니다. 가장 큰 핵심 이익은 팀의 안정성을 유지하는 겁니다. 이것이 우리의 가장 큰 핵심 이익이고, 심지어 유일한 핵심 이익이라고 볼 수 있습니다.

팀의 안정성을 유지할 수만 있으면 반드시 성공할 수 있고, 반드시 AGI를 성공시킬 수 있습니다. 그렇게 간단합니다. 모두가 떠나지 않고 계속할 수만 있으면 저는 반드시 … 기본적으로 아무 위험도 없습니다. 단지 조금 이르거나 늦고 좌절을 만날 수 있을 뿐입니다. 좌절을 만나도 모두 떠나지 않으면 다시 계속할 수 있습니다.

돈은 분명 문제가 아니고 자원도 문제가 아닙니다. 다른 요소는 모두 쉽게 얻을 수 있습니다. 우리에게 핵심 이익은 하나, 물러설 수 없는 것도 하나뿐입니다. 반드시 팀의 안정성을 유지해야 합니다.

이것도 우리가 마주한 아주 큰 도전이고, 제가 보기에 가장 큰 위험입니다. 물론 이 위험은 최근의 이번 자금 조달로 상당히 해소됐습니다. 모두가 받은 옵션이 비교적 많고 금액도 비교적 크기 때문입니다.

팀 안정성에서 가장 중요한 직원과 가장 오래된 직원들이 안정되면 다른 사람은 별로 떠나지 않습니다. 다른 사람들은 옵션이 조금 적고 수입이 조금 적어도 떠나지 않습니다. 돈만 보고 온 게 아니고, 모두 AGI를 성공시킬 수 있는 환경에서 이 일을 하길 바라기 때문입니다.

그래서 인재에게는 여전히 매력이 있습니다. 역사적으로 보면 우리의 인재 이동은 비교적 적고, 동종업계와 비교해 언제나 적습니다. 하지만 이것은 여전히 우리의 가장 큰 도전이고 유일한 도전이라고 할 수 있습니다.

다른 것은 모두 시간 문제입니다. 다른 것은 많아야 우리를 반년이나 1년 늦출 뿐, 만들지 못하게 하지는 않습니다. 돈도 분명 부족하지 않고 자원도 분명 부족하지 않습니다. 사실 이런 것은 모두 부족하지 않습니다.

그래서 지금 우리가 하는 많은 일은 팀의 안정성을 유지하기 위한 겁니다. 이 점을 제외하면 다른 것은 모두 없어도 되고 모두 절제할 수 있다고 생각합니다. 우리는 줄곧 아주 절제해 왔고 어떤 인터넷 대기업이나 작은 회사와도 적이 되고 싶어 하지 않습니다.

저는 그에게 역량을 부여하거나, 모두가 이 일을 하도록 돕고 지원하고 싶습니다. 이것도 앞에서 말한 우리 상업적 의미의 일부입니다. 전제는 모두가 …을 간섭하지 않는 겁니다.

이 전제 아래에서 우리는 누구든, 심지어 알리, 즈푸, 문샷 같은 경쟁자까지도 더 잘하도록 아주 기꺼이 지원하고 돕습니다. 우리는 아무것도 잃지 않기 때문입니다. 원래 오픈소스이고, 오픈소스에서도 경계를 최대한 명확히 설명하지 않은 채 어떻게 하는지, 당신이 재현하기를 바랍니다. 재현하지 못하면 말하세요. 제가 어떻게 재현하는지 알려 드리겠습니다.

이건 원래 오픈소스의 일부이고, 당신이 경쟁자라고 해서 달라지지 않습니다. 물론 파트너라면 더 많은 일을 하겠습니다. 하지만 큰 이익에서는 충돌이 없습니다.

외부와 교류할 때 우리의 태도는 AGI의 주선만 한다는 겁니다. 방금 말한 GPT, CoT, Agent 등을 말하며 주선만 합니다. AI 분야는 아주 넓고, 그 주선에 있지 않다고 보는 것이 많습니다. 예를 들어 3D와 영상 생성은 지능의 주선과 큰 관련이 없을 수 있어서 하지 않을 겁니다.

또 세계 모델 같은 것도 지금은 지능의 상한과 큰 관련이 없다고 봐서 하지 않을 겁니다. 하지만 다른 사람이 한다면 우리도 기꺼이 돕겠습니다. 시간이 있느냐는 별개의 일이지만 이익에서는 충돌이 없습니다.

우리는 이런 AI 기술이 다양한 생산 환경에 쓰여 사회의 생산 효율을 높이고 각 업종의 생산 효율 향상을 돕기를 바랍니다. 우리는 이 일을 할 동기가 아주 큽니다.

제게 시간과 인력이 있는지, 우리 동료들이 스스로 관심을 느끼는지는 별개의 일입니다. 하지만 이익에서는 충돌이 없고 우리는 이 목적을 이루길 바랍니다. 그리고 이것이 상업과 전혀 충돌하지 않으며, 제가 받아야 할 이익도 여전히 줄지 않는다고 봅니다.

우리가 이전에 이런 태도를 지켰지만 사실 그것 때문에 무엇도 덜 얻지 않았다고 생각합니다. 제가 오픈소스를 했거나, 우리가 선의를 보였거나, 다른 사람을 도왔기 때문에 무엇을 덜 얻은 적이 없습니다. 예를 들어 작년 C단 사용자는 지금도 비교적 많고 비교적 안정적입니다.

올해 B단도 비교적 낙관적이라고 생각합니다. 우리의 선의 때문에 상업적 이익에 영향이 생긴 적이 전혀 없고, 오히려 가점이 됐을 수 있습니다. 직관에 어긋나 보이지만 정말 그렇습니다. 반대로 생각해도, 이를 거스르면 필연적으로 제가 더 많은 것을 얻을 수 있을까요? 아닙니다.

한 가지 질문은 세계 모델이 AI 지능 상한 향상과 관계없다는 말을 어떻게 이해하느냐는 겁니다. 제가 말한 것은 현재 이 단계에서의 우리 판단입니다. 우리가 보는 것이 있고, 이것은 우리 자신의 AI 로드맵이지 유일한 로드맵은 아닙니다.

우리의 이해와 판단으로는 현재 가장 중요한 것은 AI 훈련을 잘하는 겁니다. AI 훈련을 잘하는 데는 세계 모델이 필요하지 않고, 심지어 멀티모달도 필요 없습니다. AI 훈련 범위를 조금 줄이고 멀티모달이 없으면 일부 임무를 할 수 없을 뿐, 이 알고리즘의 성립에는 영향이 없습니다.

멀티모달은 결국 해야 합니다. 지금 중요한 것은 훈련이고, 다음 단계에 해결할 것은 지속 학습 문제이며, 그다음에 해결할 것은 스스로 질문하는 겁니다. 하지만 이 로드맵에는 세계 모델도 영상 생성도 없습니다.

영상 생성이 처음 나왔을 때 아주 뜨거웠고, 마치 반드시 해야 하며 하지 않으면 AI 회사가 아닌 것 같았습니다. 그래서 저는 아주 이상했습니다. 사실 자세히 생각하기만 하면 지능의 로드맵과 아무 관계가 없다는 걸 알 수 있습니다.

사실 영상 생성은 처음 Sora가 나온 뒤 모두가 했고 대기업과 작은 회사가 모두 했습니다. 하지만 작은 회사들은 나중에 모두 잘라 냈습니다. 지능의 상한과 관계가 없습니다.

하지만 상업적으로는 좋은 사업입니다. 상업적으로 좋은 사업이지만 지능과는 아무 관계가 없습니다. 우리는 좋은 사업이라는 이유로 하지 않고, 지능 로드맵 위에 있는 것이라야 합니다.

영상 생성은 상대적으로 비교적 명확해서 예로 든 겁니다. 세계 모델은 뜻이 그렇게 명확하지 않습니다. 많은 것을 세계 모델이라고 말할 수 있기 때문입니다.

우리 판단으로 세계 모델과 지능은 아직 현재 단계에서 가장 중요한 일이 아닙니다. 가장 중요한 것은 AI 훈련과 AI 훈련 뒤에 지속 학습을 어떻게 해결하느냐입니다. 이것이 우리 회사의 판단이고, 물론 회사마다 판단은 다릅니다.

방금 말한 회사에 가장 중요한 문제는 인력의 안정성입니다. 다른 차원에서 보면 우리에게 무엇이 부족할까요? 미국과의 격차는 무엇일까요? 사실 격차는 자원 하나뿐입니다.

우리에게 그렇게 많은 카드가 없고, 카드 수는 여전히 비교적 적습니다. 현재 대략 H 환산 연산력 2만 장이고, 그중 대부분은 막 도착했거나 최근 한두 달 사이 도착했습니다. 아직 오지 않은 기계도 많을 수 있습니다.

전체 연산력은 작년에 비교적 적었고, 올해 우리는 아주 공격적으로 연산력을 확충하고 있습니다. 현재 대략 H 환산 2만 장이며, 앞으로 몇 달 동안 대량의 기계를 더 사 올 겁니다. 기본적으로 모두 엔비디아입니다.

카드가 얼마나 필요할까요? 지금은 분명 많을수록 좋습니다. 우리가 감당할 수 있는 범위에서는 카드가 많을수록 좋다는 데 의심의 여지가 없습니다. 그래서 지금 전략은 합리적인 가격 안에서 살 수 있는 만큼 모두 사는 겁니다.

이번 자금 조달금을 다 쓴 뒤라면, 제가 살 수 있는 카드만큼 사겠습니다. 돈을 쓰는 속도는 계획에 있는 게 아니라, 가격만 합리적이면 있는 만큼 모두 삽니다. 반년 안에 돈을 다 쓴다면 좋은 일이라고 봅니다. 반년 안에 돈을 전부 쓸 수 있다면 너무 행복하고 너무 이상적입니다.

사실 이렇게 많은 돈을 다 쓰는 건 아주 쉽지 않습니다. 그렇게 많은 카드를 살 수 없고 사기 어려우며 가격도 아주 높습니다. 그렇다고 아주 높은 가격을 내고 살 수도 없고, 가격이 합리적이라는 걸 보장해야 합니다.

제가 반년 안에 이 돈을 다 써버릴 수 있다면 아마 가장 이상적일 겁니다. 돈을 엔비디아 카드로 바꾸는 게 은행에 넣어두는 것보다 분명 낫기 때문입니다. 은행에 넣어두면 지금은 아마 2포인트 이자인 것 같은데요. 하지만 엔비디아 카드를 사면 10개월의 사회적 비용입니다.

그러니 살 수 있는 만큼 사는 게 분명합니다. 우선 카드를 산 뒤에는 이후에 공간이 많이 생깁니다. 서비스를 제공하든 어떻게 하든 늘 현금흐름을 만들 수 있습니다. 현금흐름이 있으면 살아갈 수 있고, 장부에 아주 많은 돈을 쌓아둘 필요도 없습니다.

그래서 우리는 그렇게 많은 카드를 못 살까 봐만 걱정합니다. 돈을 전부 카드로 바꿀 수 있다면 주저 없이 모든 돈을 카드로 바꿀 겁니다. 그리고 여기에는 일정한 프리미엄도 지불할 의향이 있습니다. 카드로 바꾸기 위해 일정한 프리미엄을 낼 의향이 있다는 겁니다. 너무 수지가 맞으니까요.

프리미엄까지 지불해도 사실 이 목표를 이루기는 어렵습니다. 객관적으로 말해 올해 200억을 쓸 수 있다면 우리 구매 부서의 실적이 대단히 좋은 셈입니다.

미국과 우리의 격차는 주로 자원에 있고, 사람에서는 격차가 크지 않습니다. 사람에서는 거의 차이가 없습니다. 같은 부류의 사람이고, 어쩌면 중국인들이기 때문입니다. 중국인이 밖으로 나갈 때 일부는 국내에 남고 일부는 국외에 남고 일부는 해외로 갑니다. 똑똑한 사람만 해외로 간 것은 아닙니다.

사실 비교적 무작위입니다. 가장 똑똑한 사람들 중 절반보다 조금 많은 수가 해외로 간 것은 아닐 수 있지만, 절반보다 조금 적은 수는 국내에 남습니다. 국내에는 인재가 부족하지 않고, 모수도 큽니다. 매년 그렇게 많은 사람이 보충됩니다.

인재가 병목이 아니라 자원이 가장 큰 병목입니다. 자원은 우선 인재 양성에 영향을 줍니다. 연산력이 적으면 우리가 실험할 기회도 적기 때문에 인재 전체 수준에서 미국과 격차가 생깁니다. 인재 격차도 본질적으로는 연산력 격차 때문입니다.

현재 가장 큰 모델은 사실 우리가 훈련할 여력이 없습니다. 500억을 전부 써도 사실 훈련할 수 없습니다. 설령 쌓아 올려도 쓸 수 없습니다. 현재 가장 큰 모델은 활성화가 대략 800B입니다. 국내는 아직 수십 B 규모이고, 국내 최대 모델도 아마 활성화 수십 B일 텐데, 그러면 규모가 한 차수 차이 납니다.

제가 AI와 같은 크기의 모델을 훈련하려면 GB300 5만 장, 또는 화웨이 950 20만 장이 필요할 겁니다.

이건 훈련만 계산한 것이고 연구는 아직 고려하지 않았습니다. 그래서 미국과 우리의 가장 큰 격차는 자원에 있습니다.

우리가 지금 가진 자원과 올해 안, 앞으로 몇 달 동안의 자원은 곧 들어올 대규모 자원까지 포함해도 활성화 10B 규모에서 더 많은 실험을 하기에 충분할 뿐입니다. 활성화 수십 B 규모에서도 해야 할 실험이 많고 밝혀야 할 것도 많기 때문입니다. 활성화 800B 모델을 훈련할 수 있기까지는 아직 꽤 멀었고 시간도 많이 남았습니다. 카드가 그렇게 많지 않습니다.

그래서 미국과 우리의 차이는 자원의 차이라고 봅니다. 우리가 보는 모든 차이, 인재의 차이, 모델 능력의 차이, 응용의 차이까지 모두 연산 자원의 차이 때문이라고 볼 수 있습니다.

연산 자원은 한편으로 국내에서 카드 자체를 살 수 없고, 다른 한편으로 우리의 자본 투입이 미국보다 적습니다. 자본 투입 면에서 훨씬 적고, 인재 급여가 여기서 차지하는 비중은 아주 낮습니다. 그들이 1억 달러 같은 연봉을 제시하지만 계산해 보면 인재 급여 비중은 여전히 작고, 큰 몫은 연산력입니다.

이 문제는 현재 기본적으로 해법이 없습니다. 화웨이 생산량도 제한돼 있기 때문입니다. 제가 800B를 훈련하려면 화웨이 최신 카드 20만 장이 필요하고, 이것도 훈련만 계산했지 연구는 고려하지 않은 겁니다.

그래서 우리는 지금 그렇게 큰 규모에서 미국과 경쟁할 생각을 전혀 하지 않습니다. 지금 우리는 지고 있습니다. 그래도 우리가 훈련할 수 있고 사용할 수 있는 규모, 즉 활성화 수십 B 규모에서 먼저 잘 만들어야 합니다. 다음에 자원이 더 생기면 활성화 150B, 156B 또는 250B 규모로 키우는 겁니다.

그래서 이 부분에서 미국과 우리 사이에는 현재로서는 메우기 어려워 보이는 격차가 있습니다. 억지로 그렇게 큰 모델을 훈련할 수는 있지만 충분한 연구를 할 수 없습니다. 즉 훈련 전에 충분한 연구를 할 수 없습니다.

또 모두가 비교적 관심을 갖는 질문이 있습니다. 모든 대형 모델 경쟁에서 최종적인 차이는 어디에 나타날까요? 대형 모델의 최종 격차는 어디에 나타날까요? 저는 결국 큰 차이는 없을 수도 있다고 봅니다.

최종적인 차이는 세 가지일 겁니다. 하나는 비용, 하나는 시간, 하나는 사용자 경험입니다. 그 밖에는 아마 별 차이가 없을 겁니다.

비용은 이해하기 쉽습니다. 같은 서비스, 같은 품질의 서비스를 어떤 비용으로 제공할 수 있느냐입니다. 같은 서비스를 예로 들면 BYD의 배터리처럼, 같은 기술 수준에서 다른 회사가 이 가격에 제공할 수 있느냐는 꽤 어려운 문제라고 봅니다. 그렇게 쉽게 되는 일이 아니고 분명 장벽입니다.

그래서 비용은 분명 차이입니다. 아마 비용이 첫 번째 차이라고 봅니다. 두 번째는 시간입니다. 언제 해낼 수 있느냐입니다. 몇 달 빠르거나 몇 달 늦으면 달라집니다.

세 번째는 아마 경험일 겁니다. 사용자 경험은 어느 정도 다릅니다. 사용자 사이에는 어느 정도 사용자 충성도와 사용자 장벽도 있겠지만 본질적이지 않을 수 있습니다. 본질은 첫째 비용, 둘째 시간입니다. 먼저 만드느냐 나중에 만드느냐, 같은 것을 만드는 데 빠르냐 느리냐입니다.

장기 상용화 경로와 제품군이 더 풍부해진 뒤에는 어떻게 가격을 정할까요? 지금 가장 할 가치가 있고 가장 힘을 쓸 가치가 있는 일은 여전히 AGI를 하는 것이라고 봅니다. 지금 AGI를 더 앞으로 밀어야 합니다. 지능의 하한을 끌어올리고 앞으로 미는 겁니다.

현 단계에서는 이것이 더 많은 제품군을 만들고 더 많은 상용화 경로를 고민하는 것보다 수지가 맞거나, 수익이 더 큰 경로일 겁니다. 앞으로 한동안도, 과거 어느 시기에도 아마 그랬을 겁니다. 그러니까 만약 우리가…

우리가 많은 시간을 들여 제품을 풍부하게 하는 게 무슨 소용이 있을까요?

반년 전에 논의해서 나온 상용화가 무엇이었습니까? 분명 광고를 하고, 전자상거래를 하고, 제품 안에 전자상거래를 심고, 로컬 생활 서비스와 크게 통합하는 것이었을 겁니다. 분명 쓸모없습니다. 변화가 너무 빠르기 때문입니다. 이 제품은, 앞선 시점이나 지금 단계에서 상용화 검토와 상용화 경로, 제품군에 많은 시간을 쓰면 수명주기가 아주 짧습니다.

아직 그럴 때가 아니라고 봅니다. 이것이 우리의 판단이고, 적어도 앞선 경험은 모두 이 판단을 뒷받침합니다. 지난 3년 동안 어느 때든 제게 상용화 경로나 제품군을 말하는 것은 시간 낭비였습니다. 미래를 예측하거나 내다볼 수 없기 때문입니다. 내다볼 수 있는 것은 아주 적습니다.

시간을 보니, 다들 중간에 좀 쉴까요? 먼저 뭘 좀 먹을까요? 아니면 계속 이야기할까요? 별 의견이 없으면 계속 말하겠습니다.

세계 선도 AGI 연구를 하고 적절한 때 상용화한다. 저는 우리가 줄곧 상용화를 해왔다고 생각합니다. 다만 상용화를 목표로 하지 않았을 뿐입니다. 우리는 AGI를 목표로 하지만 계속 상용화를 해왔기 때문에 C단 사용자도 있고 B단 매출도 있는 겁니다.

역사적 경험을 보면 이 전략은 성공했습니다. 그리고 우리가 완전히 상용화로 전환할 시점은 아주 멀었다고 봅니다. 그래서 가장 큰 것은 여전히 기술의 연장이고, 다음 세대 기술을 만들고, 현재 문제를 더 많이 해결하는 것입니다. 이런 것의 수익 대비로 보면, 제 개인적으로는 지금 보이는 미래 어느 때든 제품에 집중하는 것은 너무 이릅니다.

그래서 이것도 우리 절제의 일부입니다. 이런 상업 기회는 다른 사람들이 하기를 바랍니다. 이 상업 기회와 AI를 어떻게 쓰는지는 사회 전체와 우리의 모든 파트너가 함께 하고, 다 같이 수익을 나누기를 바랍니다. 제가 독식하려는 게 아닙니다. 불가능합니다. 게다가 우리는 그렇게 많은 일을 할 여력도 없고 조직에도 그렇게 많은 사람이 없습니다.

파트너에 대해서는 사실 이번 투자를 세심하게 골랐습니다. 구체적으로 어떻게 협력하느냐는 제안이지만, 우선 이해관계가 비교적 일치한다고 봅니다. 우리와 이해가 가장 일치하고, 우리에게 가장 적대적이지 않거나, 우리가 성공하기를 가장 바라는 곳입니다. 모두가 우리가 성공하기를 바라는 것은 아닙니다. 우리가 다른 많은 사람의 이익을 해쳤기 때문입니다.

회사의 중대 전략과 기술·사업 결정의 절차와 의사결정 구조. 우리 회사 전체는 합의를 기반으로 합니다. 제가 혼자 모든 것을 결정하는 게 아니라 합의를 찾아야 합니다. 회사 안에서 제 권위와 영향력은 합의를 기반으로 합니다.

예를 들어 제가 어떤 일을 하려면 먼저 우리 모두의 합의가 무엇인지, 다들 하고 싶은지를 봅니다. 제가 어느 정도 유도하거나 성향을 보일 수는 있지만 그 유도의 작용은 제한적이고 아주 제한적입니다. 여전히 합의를 기반으로 합니다. 이 의사결정 구조는 사실 합의를 찾는 구조입니다. 제가 무언가를 밀어붙일 수 있다는 뜻이 아닙니다. 반드시 합의여야 밀고 갈 수 있고, 그래야 제가 추진합니다.

현재 주된 에너지는 기본적으로 DeepSeek 쪽에 있습니다. 5분 쉽시다. 제가 빨리 쓰겠습니다. 다들 마이크를 켜고 피드백을 좀 주세요. 저희 쪽은 문제없습니다. 아니면 먼저 5분 쉽시다.

각 회사 모델의 최종 효과 차이는 종합적인 차이여야 합니다. 모델 효과를 비교하려면 반드시 같은 비용에서 비교해야 의미가 있습니다. 자동차 두 대를 비교할 때도 같은 가격대의 차를 비교하니까요.

잘 만든 모델과 못 만든 모델의 차이는 특정 한 단계에 있는 게 아니라 전체에 있을 겁니다.

Anthropic이 지금 OpenAI를 넘어선 것이 장기적일까요? 장기적이지 않다고 봅니다. 분명 일시적인 극단입니다. OpenAI와 Google은 앞으로 높은 확률로 번갈아 상승할 겁니다. 사실 지금 Anthropic의 Code Agent 우위는 그렇게 크지 않고, OpenAI를 압도한다고 할 정도도 아닙니다.

우리 회사 사람 중 아마 절반은 평소 OpenAI가 더 낫다고 생각합니다. 사실 Anthropic에는 선발 우위가 있지만 이 우위는 곧 사라질 것이고 장기적으로 차지할 수 있는 우위는 아닙니다. 이 세 회사는 모두 대단합니다. 이 셋 중 효율은 그것이 가장 높고, 든 비용과 태운 돈도 아마 가장 적습니다.

글로벌 AI에서 분업을 주도할 때 중국 회사가 맡을 가능성이 큰 역할은 여전히 최대 생산량입니다. 상식적으로 우리의 생산능력이 가장 크고, 칩을 포함해 칩도 아마 우리의 생산능력이 가장 크며 전력도 가장 많습니다. 그래서 최종적으로 우리의 AI가 삼체 중 하나일 가능성이 큽니다.

중국인은 이 제품을 가장 싸게 만들 겁니다. 효과 면에서도, 결국 해외 상품과 지금 많은 중국산 상품은 미국과 차이가 크지 않습니다. 앞으로 AI도 그럴 수 있지만 중국산 AI가 더 쌀 수 있습니다. 이 저렴함은 시스템적으로 낮은 것일 수 있고, 다른 업종에서 중국이 제공하는 서비스가 더 저렴한 것과 같을 수 있습니다.

제가 일을 할 때 익숙한 사고는 이겁니다. 지금 무엇을 하는 게 수익이 가장 큰가? 지금 제품을 만드는 수익이 가장 크다고 생각하면 제품을 합니다. 지금 AGI를 먼저 실현하는 수익이 가장 크다고 생각하면 먼저 AGI를 합니다. 분명 지금 제품을 만드는 게 수익이 가장 크다고 생각하지 않습니다.

국산 카드 적응 문제라면 국산 카드에는 지금 사실 역사적인 기회가 있습니다. 이전 국산 카드 적응에는 생태계가 좋지 않다는 난제가 있었습니다. 카드를 사고도 쓸 수 없었고 엔비디아의 생태계가 없었습니다.

그래서 엔비디아의 해자는 아주 강합니다.

하지만 이 일은 변하고 있습니다. 엔비디아 CUDA의 해자가 빠르게 무너지고 있습니다. 빠르게 무너지는 이유는 세 가지일 수 있습니다. 하나는 지금 AI가 생겼고, AI가 생긴 뒤에는 이 생태계를 구축하기가 예전보다 훨씬 쉬워졌기 때문입니다. AI가 코드를 쓸 수 있습니다.

AI를 써서 이 생태계를 구축할 수 있고 엔비디아와 완전히 똑같은 생태계를 만들 수 있습니다. 첫째는 AI가 있기 때문이고, 둘째는 새로운 기술들이 있기 때문입니다. 예를 들어 우리 쪽에서 TileLang이라는 기술을 내놓았는데 고급 언어입니다.

이 고급 언어로 CUDA 연산자를 작성하면 엔비디아의 전체 생태계를 아주 빨리 전부 다시 쓸 수 있습니다. AI까지 결합하면 장애물이 없어 보입니다. 하지만 아직 완성되지 않았고 다 하지 못했습니다. 다만 이 기술 경로에는 장애물이 없어 보입니다.

또 하나는 CUDA가 엔비디아의 게임 카드에서 발전해 왔기 때문에 많은 부분에서 게임 카드의 설계와 설정을 이어받았다는 점입니다. CUDA는 게임 카드와 호환됩니다. 과거에는 AI 연산이 아주 작은 영역이고 게임 카드 시장보다 작았기 때문에 이것이 합리적이었습니다.

하지만 지금은 연산 카드 시장이 이미 게임 카드보다 커져서 둘을 계속 결합할 이유가 없습니다. 현재 추세는 앞으로 더는 결합하지 않는 것입니다. 전용 칩은 화웨이든 엔비디아 자체든 앞으로 모두 전용 칩이고 예전 것들과는 다릅니다.

이 배경에서 기존 엔비디아 생태계의 역할은 크게 줄었습니다. 전용 칩은 CUDA와 별 관계가 없고 CUDA에 묶이지 않기 때문입니다. 달리 말하면 이 칩을 설계할 때부터 생태계를 어떻게 구축할지 고려했습니다.

조금 복잡하지만 어쨌든 국산 AI 칩 대체에는 지금 역사적인 기회가 있습니다. 우리는 앞으로 1년 안에 한 가지가 검증되는 모습을 볼 수 있다고 봅니다. 국산 칩 생태계는 전혀 문제가 없다는 것입니다. 이전에는 문제가 있고 쓸 수 없고 쓰기 어렵다고 여겼지만, 앞으로 1년 안에 이 인식을 뒤집거나 사실로 이를 뒤집을 수 있다고 봅니다.

국산 AI 칩의 하드웨어와 생태계에는 모두 문제가 없고 유일한 문제는 생산능력이 부족하다는 것입니다. 국산 카드 적응에는 장애물이 없고 엔비디아도 막을 수 없습니다. 정상적인 상업 환경에서 엔비디아 카드를 살 수 있다면 국산 대체는 비교적 어렵습니다. 하지만 엔비디아 카드를 살 수 없는 상황에서는 모두 어쩔 수 없이 국산 칩을 해야 합니다.

이 배경에서 국산 카드 적응에는 어떤 장애물도 없습니다. 국산 카드가 엔비디아와 같거나 심지어 더 좋은 생태계를 만드는 데 장애물이 없다고 보지만 시간이 더 필요합니다.

우리는 지금 주로 화웨이와 협력합니다. 화웨이가 스스로 적응 작업을 하지만 우리도 이 생태계에 참여하고 화웨이 쪽에 깊이 참여할 겁니다. 화웨이의 문제는 여전히 생산능력 부족입니다. 화웨이가 우리에게 주는 생산능력은 대략 카드 1만 6천 장이고, 인터넷 대기업은 아마 십여만 장인데 우리는 1만여 장입니다. 이 비율은 비교적… 하지만 이것도 아마 화웨이 생산능력이 이만큼뿐이기 때문일 겁니다.

그래서 화웨이로 이후의 더 큰 모델, 즉 활성화 파라미터 수백 B 모델을 올해 훈련할 수 있다고 기대할 수는 없습니다. 하지만 내년이나 내후년에는 기회가 있을지도 모릅니다.

화웨이 카드 적응에서 우리가 주로 하는 일은 고급 언어 컴파일러를 잘 만들고 TileLang을 잘 만드는 것입니다. TileLang을 잘 만들면 문제가 쉽게 풀릴 수 있습니다. 이 일은 설명하면 비교적 복잡하지만 우리가 하고 있고, 다 하고 나서 설명하면 훨씬 명확할 겁니다.

이렇게 이해하면 됩니다. V3를 훈련할 때 엔비디아 카드를 썼지만 엔비디아 생태계는 이미 쓰지 않았습니다.

V3는 엔비디아 카드를 썼지만 엔비디아 생태계를 쓰지 않았습니다. 먼저 TileLang이라는 고급 컴파일러를 만들고 TileLang 생태계를 기반으로 다른 모든 일을 완성했기 때문에 이미 엔비디아 생태계에 거의 의존하지 않았습니다.

제가 이 체계와 과정을 화웨이 카드에서 다시 한 번 하면 완성됩니다. 여기에 역사적인 사명이 있을 수 있다고 봅니다. 국산 카드 생태계가 좋지 않다는 기존 인식을 완전히 뒤집을 수 있습니다. 지금은 천시와 지리가 거의 다 갖춰졌고 시간만 남았습니다. 1년 안에 많은 사람이 그 위에서 뭔가를 갖추거나, 이 문제가 해결됐다는 점을 모두 이해하게 될 겁니다. 남는 것은 생산능력 문제뿐입니다.

저는 국산 연산력에 비교적 낙관적입니다. 이 점에서 엔비디아는 자기 무덤을 파고 있다고 봅니다. 화웨이 슈퍼노드, 화웨이 950 슈퍼노드는 성능과 가격에서 엔비디아 GB200, GB300을 완전히 대체할 수 있습니다. 가격은 분명 더 비싸겠지만 한정적으로 비쌉니다. 50%, 100% 비싸도 되고, 100% 비싼 건 상관없고 200% 비싸도 상관없습니다.

예를 들어 100% 비싸다면 가격 면에서 이미 대체할 수 있다고 봅니다. 작업에서도 대체할 수 있습니다. GB300이 할 수 있는 모든 작업을 화웨이 슈퍼노드도 할 수 있고 지연시간 같은 것도 같습니다. 유일한 대가는 화웨이 카드 네 장이 엔비디아 카드 한 장을 대신하고, 동시에 2년 뒤처졌다는 것입니다.

네 장이 한 장을 대신한다는 건 이해할 수 있습니다. 2년 뒤처졌다는 뜻은 화웨이 950 네 장이 GB300 한 장을 대신할 수 있다는 것입니다. 2년 뒤처졌다는 건 시간상 2년 뒤처졌다는 뜻입니다. 화웨이 950 슈퍼노드는 올해 Q3나 Q4 물량이고 엔비디아 GB200은 2년 전 Q3 물량이라 2년 차이입니다.

엔비디아는 올해 Q3에 이미 신세대 제품이 나올 수 있습니다. 그래서 미국과 우리의 칩 격차는 앞으로 생태계에서는 더는 격차가 없겠지만 칩에서는 4배에 2년입니다.

또 하나의 질문은 우리가 업스트림으로 수직 통합할 것이냐입니다. 그러지 않기를 바랍니다. 그래서 질문은 우리가 업스트림 응용으로 수직 통합할 것이냐인데, 우리는 그럴 필요가 없기를 바랍니다. 다른 사람들이 이 일을 하길 바랍니다. 제가 모든 것을 다 먹고 싶지 않습니다. 한 조각만 먹으면 됩니다. 제가 가장 잘하는 조각, 또는 우리가 가장 핵심이라고 보는 조각만 먹고, 그다음 사용자와…

직접 관련된 그 부분입니다. 우리 산업 파트너 다수에게는 그들이 우리보다 비슷한 것에 더 관심을 둘 수 있다고 봅니다…

다른 사람에게 의미가 있어야지 제가 그것을 해석해서는 안 됩니다.

앞으로 대형 클러스터를 자체 구축할까요? 대형 클러스터 자체 구축은 분명 필요하다고 봅니다. 우리는 줄곧 이 일을 해왔고 모든 클러스터를 직접 구축했습니다. 하지만 앞으로 칩을 자체 개발할지는 여기서 얻는 수익이 얼마나 큰지에 달렸다고 봅니다. 수익이 얼마나 큰지에 달렸습니다.

Tesla, 육성… 이 일. 가령 발전소를 운영한다면 반드시 발전기를 만들 필요는 없지 않습니까? 발전 설비는 다른 사람이 만들 수 있습니다. 가격이 합리적이기만 하면 왜 직접 만들어야 합니까?

그래서 칩을 하지 않아도 되기를 바랍니다. 합리적인 가격에 칩을 살 수 있기를 바라며, 그러면 칩을 직접 만들 필요가 없습니다. 그럴 가능성이 크다고 봅니다. 최근 엔비디아 칩의 이윤이 꼭… 비록…

우리는 한 조각만 하기를 바랍니다. AI는 아주 큰 일이라 제가… 다 할 필요가 없습니다. 한 조각만 합니다. 집중하고 이곳의 사업 이익이 이미 충분히 크다고 봅니다. AI 시대에 조 단위 기업이 여러 곳 생긴다면 우리는 그중 하나일 겁니다.

우리는 줄곧 그중 작은 한 조각만 합니다. 우리가 그중 하나라는 데는 이미 별문제가 없고, 제가… 할 필요가 없습니다. 제가 자신만만하게 어떤 곳을 하겠다는 것은 아닙니다. 가장 가능성 큰 것은 비교적 바꾸기 어렵고, 정말 다른 것을 하고 싶으면 아이디어가 더 많을 것이고, 이것은… 이것이 우리의 태도입니다.

예를 들어 적어도 To B와 To C 두 사업에서 현재 보이는 것은, 정말 To C 폐쇄형 순환을 하려던 곳보다 오히려 우리가 더 잘했고, 정말 To B 폐쇄형 순환을 하려던 곳도 어쩌면 우리만큼 잘하지 못했습니다. 원하는 게 많을수록…

그리고 To B에 대해서는 몇 마디 더 할 수 있습니다. To B 사업의 상한은 여전히 수요에 의해 결정될 겁니다. 현 세대 AGI, AI 기술 배경에서 To B 수요는 제한적일 겁니다. 빠르게 성장하겠지만 무한한 것은 아니며 결국 연산력이 아니라 수요의 제약을 받습니다.

현재 기술 조건에서 매출이 얼마나 클지는 결국 수요에 달렸습니다. 이렇게 생각해 보세요. 저는 10개월이면 비용을 회수하니 쓸 곳만 있다면 분명 한꺼번에 사겠지만, 그렇게 많은 일이 없기 때문입니다. 맞습니다. 수요는 갈수록 커질 것이고 기술이 계속 돌파하면 이 수요도 갈수록 커질 겁니다.

멀티모달 배치는 계속 하고 있습니다. 제품에는 아주 중요하고 C단 사용자 제품에는 아주 중요합니다. 하지만 지능의 상한에서는 하나의 구성요소이지 주선 자체는 아닙니다.

하지만 구성요소로서 멀티모달은 분명 할 것이고 이미 하고 있습니다. 관련 모델을 내놓을 겁니다. V4와 V4 후속 버전은 네이티브 멀티모달을 지원할 겁니다. 하지만 지능에 대해 멀티모달은 구성요소이고 지능 자체로 보지 않습니다. 그 주선은 검색과 같습니다.

검색도 구성요소이고 멀티모달도 그렇습니다. 우리가 이해하기로 그것도 구성요소입니다. Scaling은 믿습니다. 규모가 클수록 효과가 좋고 더 많은 기능을 열 수 있습니다. 우리 Scaling을 막는 것은 연산력입니다. Scaling을 원하지 않는 게 아니라 그렇게 많은 연산력이 없어 Scaling을 못 하는 겁니다.

우리는 이 상한이 어디인지 건드리지 못했습니다. 이만한 모델을 훈련하는 것은 이 크기면 충분하다고 생각해서가 아니라 마침 자원이 이만큼 있기 때문입니다. 제 자원에 맞춰 감당하고 훈련할 수 있는 모델 크기를 계산해서 나온 것이지, 이 모델이면 충분해서가 아닙니다.

현재로 보면 모델 수익은 여전히 아주 뚜렷합니다. 우리는 아직 Scaling의 벽을 만날 기회도 없었고 그것은 우리에게 아주 멉니다. 실리콘밸리가 Scaling이 끝에 왔다고 말할 때 그것은 실리콘밸리 이야기입니다. 중국인에게 우리는 아직 멀었고 그 정도로 Scaling하지도 못했습니다.

이 Scaling에는 데이터 Scaling, 모델 규모 Scaling, 그리고 훈련 비용이 포함됩니다. 연산력이 그렇게 많지 않아서 우리는 Scaling 상한을 탐색하기까지 아직 꽤 멉니다. 하지만 이 Scaling의 상한을 밀어붙이는 데도 전력을 다할 겁니다.

융자를 마친 뒤 연산력이 더 많아지면 더 큰 모델을 훈련할 수 있습니다. 시간 안에 살 수 있으면 더 짧은 시간 안에 사고, 반년 안에 힘을 다 써버릴 수 있다면 가장 좋지만 실제로는 못 합니다.

차세대 모델의 핵심 능력은 지속 학습 능력이어야 차세대 모델이라 부를 수 있다고 봅니다. 그전까지 우리가 할 수 있는 것은 비용을 낮추고, 효과를 더 좋게 하고, 속도를 더 빠르게 하는 것입니다. 하지만 큰 돌파를 하려면 지속 학습을 갖춰야 합니다.

그리고 또 하나의 질문은 왜 우리가 모델의 계산 효율을 특별히 중시하는 것처럼 보이느냐입니다. 실제로 모두가 모델 효율을 중시하는 것은 아니라는 걸 발견했습니다. 상용 회사는 모델 효율을 추구할 동기가 없습니다. 모델 효율이 조금 높아지면…

그래서 모델 효율을 아주 높게 추구할 동기가 그렇게 크지 않습니다. 몇몇 스타트업도 스스로는… 저비용이 추구하는 것이라고 말하는 걸 들어본 적이 없을 겁니다. 그것은 그들의 이익에 맞지 않기 때문입니다. 비용이 낮아지면 무슨 돈을 법니까? 비용이 낮아지면 돈을 받을 수 없습니다.

반대로 이것은 우리 비전의 일부입니다. 또는 우리 비전 때문에 우리 동료들은 이 비용을 중시합니다. 우리 동료들은 모두 평범한 사람이고 이것을 쓰려면 돈이 든다는 걸 압니다. 다른 사람이 돈을 내고 써야 하니 조금 더 싸면 받아들일 정도가 높아진다는 공감 능력이 있습니다.

그래서 우리 동료 중 많은 사람은 비용을 더 낮추길 바랍니다. 하지만 상업적 관점에서 말하면 사실 그렇게 생각하지 않습니다. 상업적으로는…

비용이나 상업적 관점에서 보면 이것은 최우선순위가 아닙니다.

스타트업이든 대기업이든 이 서비스 비용은 전혀 높지 않습니다. 하지만 우리는 그것이 비교적 가볍고 감당 가능한 것이길 바랍니다. 특히 중국에서 연산력이 부족한 배경에서 감당할 수 있고 국산 카드에서도 쓸 수 있기를 바랍니다.

저비용은 우선 하나의 결과라고 봅니다. 우리 모델은 확실히 모델 아키텍처에서 줄곧 더 낮은 비용 방향으로 가고 있고 이는 우리 비전과 관련 있습니다. 알고리즘에도 여러 방법이 있어 비용은 더 내려갈 수 있습니다.

비용이 내려가는 또 다른 이유는 비용이 낮을수록 더 큰 모델을 훈련하고 감당할 수 있기 때문입니다. 같은 연산력, 연산력이 제한된 상황에서 계산 효율이 더 높으면 더 큰 모델을 감당할 수 있습니다.

대기업은 반드시 이렇게 생각하지 않을 수 있습니다. 대기업은 자원을 추가해 해결할 수 있습니다. 하지만 우리는 비용 효율을 우선 고려합니다.

데이터류 모델의 가치에서 데이터라는 범위는 비교적 넓고, 데이터는 거의 모델의 절반과 같아야 합니다. 왜 제가, 만약 AI가 GDP의 20%를 차지하고 제가 그 안에서 5%를 차지하려 한다면 절대 통하지 않는다고 생각할까요? 다른 사람이 저를 이길 것이기 때문입니다. 다른 사람이 1%만 차지하겠다고 하면 분명 그에게 집니다.

제 목표가 AI, 전 인류 GDP의 5%를 차지하는 것이라면 이론적으로 계산은 성립합니다.

OpenAI를 보세요. 그 계산은 맞는 것처럼 보이고 이론적으로 문제없습니다. 하지만 문제가 하나 있습니다. 1%만 차지하려는 다른 사람에게 질 겁니다.

다른 사람이 이렇게 잘하지만 전 세계 GDP의 1%만 가져가면 된다고 하면 그를 이깁니다. 그때 또 다른 사람이 나와 0.1%만 있으면 된다고 하면 앞사람을 또 이깁니다.

거시적으로 말해 이 몇 퍼센트를 어디서 가져오든 서로 차이가 없고 모두 같습니다. 많이 가져가는 사람은 적게 가져가는 사람에게 집니다. 실제로 많이 가져가지 않더라도 비전이 많이 가져가는 것이라면 비전이 적게 가져가는 사람에게 집니다.

사실 모두 돈을 얻지도 못했고 단지 비전일 뿐입니다. 비전이 많이 가져가는 것이면 먼저 진 겁니다. 더 큰 어려움에 맞닥뜨립니다. 세상은 이렇습니다.

OpenAI는 처음부터 정말 이 세계를 독점할 수 있다고 생각했지만 실제로는 아주 많은 도전자를 만날 겁니다.

도전을 받으면 그렇게 편하지 않을 겁니다. 미국이 겪는 도전도 있고, 앞으로는 중국의 도전도 받을 수 있습니다. 중국인은 더 적게 가져가면서도 이 서비스를 제공할 의향이 있기 때문입니다.

중국에서도 더 적게 가져가려는 사람이 있을 겁니다. 하지만 마지막에는 균형이 생깁니다. 너무 적게 가져가면 회사의 사업 논리가 성립하지 않아 살아남을 수 없기 때문입니다. 너무 적게 가져가면 못 살고, 너무 많이 가져가면 적게 가져가는 사람에게 집니다.

그래서 우리는 이윤으로 가장 많은 돈을 가져가거나 수익 극대화로 가격을 정하는 게 아니라 합리적인 수익만 법니다. 이것이 한 가지 설명입니다.

저는 이 일을 믿습니다. 이 일을 위해 이유를 찾는 게 아닙니다. 이유를 찾을 필요가 없습니다. 원래 이렇게 하고 있고, 이렇게 하는 데는 분명 이유가 있습니다. 이 이유가 아주 통상적이지 않을 수 있지만 우리 회사 자체가 원래 통상적이지 않다고 봅니다.

우리 회사의 관리는 사실 두 선입니다. 하나는 위에서 아래로, 하나는 아래에서 위로입니다. 아래에서 위로는 각자가 무엇을 하고 싶은지 정해 스스로 하고 아무도 관리하지 않으며 KPI도 없습니다.

위에서 아래로는 공식적인 것입니다. 집단적으로 어떤 일을 해야 해서 회사 전체가 함께 협력해야 합니다. 예를 들어 V4를 출시하려면 업무를 나눠 각자가 일부를 해야 합니다. 그것이 위에서 아래이고, 우리는 이 위에서 아래를 공식 업무라고 부릅니다.

보통 이 공식 업무가 직원 전체 시간의 절반을 차지하지 않기를 바랍니다. 공식 업무가 절반을 넘지 않는 겁니다. 나머지 절반은 배정받지 않고 하고 싶은 것을 합니다. 연구 범위 안에서 자신이 중요하다고 보는 것을 탐색하게 하며 사전 요구는 없습니다.

회사가 지원할 수 있고 회사 연산력이 그 일을 지원할 수 있거나, 연산력이 필요 없고 해야 할 일이 적다면 아예 조율하러 올 필요도 없습니다. 지금 우리는 이런 조직 방식입니다.

어떤 사람은 우리가 위에서 아래라고 하고 어떤 사람은 아래에서 위라고 합니다. 둘 다 맞다고 봅니다. 제 기준은 공식 업무가 절반을 넘지 않는 게 가장 좋다는 것입니다.

우리는 보통 야근도 많이 하지 않습니다. 야근에는 두 가지 이유가 있습니다. 첫째, 연구를 하려면 비교적 여유로운 환경이 필요합니다.

너무 몰아붙이면 연구할 수 없습니다. 스스로 흥미를 갖고 평소 이런 문제를 생각해야 하므로 비교적 여유로운 환경이어야 탐색할 수 있습니다. 연구 문화의 필요 때문입니다.

둘째, 우리는 아주 집중합니다. 아주 집중한다는 것은 해야 할 일이 적다는 뜻입니다. 그러면 할 일이 그렇게 많지 않아 야근할 필요가 없습니다.

이것은 앞서 말한 절제와 한 흐름입니다. 절제하기 때문에 많은 경우 아예 하지 않습니다. 할 일이 적어지면 각자에게 나뉘는 일도 적어집니다. 우리 제품 중 불완전한 것이 많다는 걸 볼 텐데, 그것을 보완하지도 않았습니다.

이것도 우리 문화의 하나입니다.

OK, 질문이 많아서 대부분 훑어봤습니다. 더 질문이 있으면 질문해 주세요.

투자자 여러분 자유롭게 마이크를 켜고 이야기해 주세요. 조금 알려드리자면 량원펑이 비교적 민감한 정보를 많이 말했으니 숫자나 상황, 카드 수량 같은 것을 절대 외부에 전하지 말아 주세요. 화면을 녹화해 외부에 공유하지도 말아 주세요. 모두 감사드리고, 질문이 있으면 자유롭게 마이크를 켜고 이야기해 주세요.

양 형님, 지속 학습이 언제 돌파를 가져올지에 관한 시간표를 좀 더 공유해 주실 수 있습니까? 지속 학습을 실현한다면 어떤 아키텍처와 알고리즘 혁신, 그리고 다른 핵심 요소가 더 필요한지도 포함해서요.

사람이 적고 연구가 필요합니다. 지금 전 세계가 이 문제를 연구하고 있습니다. 달리 말하면 투자자들이 지금 가장 많이 보는 것은 AGENT지만, 우리처럼 연구하는 사람들은 지금 학습과 이 학습 문제를 어떻게 해결할지를 더 많이 봅니다.

사실 학습은 하나의 기술이 아니라 하나의 문제일 수 있습니다. 이 문제를 해결하는 기술은 여러 가지일 수 있고 하나의 기술, 하나의 물건이 아니라 많은 것이 될 겁니다. 또는 AGI는 많은 것으로 구성되며 모델도 필요하고 다른 많은 것도 필요합니다.

사실 이것은 공학과 알고리즘의 문제이기도 합니다. 이 문제는 비교적 전문적이지만 방법도 많고 연구도 많습니다.

량 대표님, 감사합니다. 오늘 이런 기회를 주셔서 정말 감사합니다. 우선 처음에 하신 말씀에 꼭 화답하고 감사드리고 싶습니다. 아주 감동적이었고 저희에게도 많은 깨달음을 주었습니다. 이 팀이 가장 큰 선의를 품고 이 업계에서 사회와 인류 지능의 발전을 밀어 조금이나마 기여하고 싶다고 하셨습니다.

그리고 그 안에 이런 사명감과 비전이 있다고 하셨습니다. 저희가 지원하는 회사의 기업문화인 수기달인과 아주 비슷하다고 봅니다. 왜 팀을 이끌고 오픈소스를 하는지 깊이 이해했습니다.

저는 우리가 반얀나무 같은 작은 새들의 낙원 생태계를 만드는 모습으로 느낍니다. 만물을 이롭게 하되 다투지 않으면 모두에게 받아들여지고 만물이 공생하며 결국 어디에나 있게 됩니다. 그래서 이번 투자를 통해서도 이 사명과 비전에 대한 인정과 지지, 존중을 표현하겠습니다.

동시에 앞으로 이 산업에서 우리가 잘하는 분야 등에 힘을 보태고 싶습니다. 이 부분도 계속 여쭙고 논의하고 싶습니다. 예를 들어 미래 생태계 공동 구축에서, 지금 오픈소스 이후 업계의 파트너와 인재, 팀 중 얼마나 많은 곳이 우리가 공개한 현재 모델과 성과를 비교적 잘 재현할 수 있습니까?

앞으로 다음 단계에서 이 생태계를 더 발전시키려면 어떤 몇 가지 면에서 더 많은 고급 인재가 우리 모델에 이어 붙어 이를 재현해야 한다고 느끼십니까? 아니면 지금 GPU 연산력이 비교적 부족한 것입니까? 앞으로 모두 모델 매트릭스 방식이 될까요?

예를 들어 우리가 대형 기반 모델을 갈수록 더 잘 만들고, 각 업종의 파트너와 팀이 모델 매트릭스 안에서 수직 산업 모델이나 응용 모델을 만드는 겁니다. 이 부분은 현재 어떻게 발전하고 있습니까? 앞으로 한 단계씩 2년, 3년 뒤에는 어떤 생태계로 자랄 것이라 느끼십니까?

이것이 첫 번째로 여쭙고 싶은 것입니다. 둘째, 방금 여러 파트너에게 AI 하드웨어에 관한 관찰도 많이 공유하셨습니다. 글로벌 AI 대기업은 한 회사가 천억 달러 규모를 투자할 수 있는데 중국은 현재 하드웨어 연산력에 약점이 있어 보입니다.

이 문제가 얼마나 걸려야 해결되고 우리 AI 발전을 뒷받침해 연산력과 하드웨어 약점이 AGI의 발목을 잡지 않게 할 수 있다고 느끼십니까? 이것은 중국인이 앞으로 반드시 달성할 사명이고 시간과 자금 투입의 문제일 뿐, 우리는 분명 해낼 수 있다고 보십니까?

하지만 동시에 두 측면일 수도 있습니다. 한편으로 모델의 진보가 모델의 지능 향상을 가져와 단일 작업이나 일부 지능형 개체가 하드웨어와 연산력을 소비하는 양이 점차 줄고, 더는 그렇게 큰 연산이 필요하지 않을 수 있습니다. 모델이 발전하면 영리하게 계산할 수 있기 때문입니다. 제가 맞게 이해했는지 모르겠습니다.

다른 한편으로 하드웨어 기술의 진보가 연산 효율을 더 강하게 만들 겁니다. 양쪽이 서로를 향해 가는 경로일까요? 지금 이 시점에 현재의 960이나 H200으로 천억 달러 규모 연산력 투자를 한다면, 방금 3년 상각을 적용한다고 하셨는데 실제 수명주기는 기술 세대교체 기준 4~5년이라고 보십니까?

직설적으로 말해 지금 현재 카드로 연산센터에 만 장 클러스터를 만들면 3년 뒤에는 상대적으로 그렇게 앞서지 않은 연산력이 되지 않을까요? 현 단계에는 under construction이고 부족하지만 3년 뒤에는 상대적으로 질이 낮은 연산력이 남아도는 상황이 생길까요? 이런 현상이 있을지 모르겠습니다. 이상 두 질문을 여쭙습니다. 감사합니다.

감사합니다. 첫 번째 질문은 생태계 문제입니다.

우리가 지금 보기에는 아마 모든 기업이 인재 부족 문제에 직면합니다. 하지만 이 인재 부족은 단계적일 것이라고 봅니다. 모든 산업의 발전 초기에는 인재가 부족합니다.

예전에 웹사이트를 만들 때도 처음에는 웹사이트를 만드는 사람이 적어 인재가 아주 부족했습니다. 이후 인터넷에서 서버단을 할 때도 인재가 부족했습니다. 하지만 이런 인재 부족은 아주 빠르게 해결됐고 2~3년뿐이었습니다. 대량의 인재가 양성되기 때문입니다.

AI 인재 부족도 단계적이고 이미 크게 완화되는 모습을 봤습니다. AI 인재는 정말 부족하지 않고, 각 회사가 빠르게 사람을 양성할 수 있으며 사람을 키우는 것은 빠릅니다. 그래서 AI 업계 전체에서 생태계든 모델 회사든 무엇이든 인재는 부족하지 않습니다.

인재 부족은 분명 단기 현상입니다. 역사상 특정 부류 사람이 장기간 부족한 일은 없었습니다. 십여 년 전에 조종사가 아주 부족하고 양성 주기가 길다고 했던 기억이 나지만 그것도 곧 해결됐습니다.

그러니 인재 부족 문제는 걱정하지 않아도 됩니다. 그리고 국내에는 지금 모델을 만드는 회사가 조금 너무 많습니다. 여전히 너무 많습니다.

미국은 아마 세 곳뿐인데 중국은 기반 모델을 하는 곳이 너무 많습니다.

결국 그렇게 많은 사람이 기반 모델을 할 필요는 분명 없고 반드시 수렴할 겁니다. 그래서 자원도 비교적 분산되고 어느 정도 낭비됩니다. 우선…

회사마다 똑같은 일을 해야 하지만, 미국은 세 곳만 하면 되고 자원도 이 세 곳에만 집중됩니다. 중국은 자원이 아주 분산돼서 회사마다 받는 자원이 더 적습니다. 저는 이건 분명 수렴할 거라고 봅니다. 반드시 그럴 겁니다. 다만 과정이 필요하고, 최종적으로는 반드시 수렴할 겁니다.

그렇게 많은 회사가 필요하지 않습니다. 지금은 아마 다들 이 일의 이익률이 아주 높다고 생각해서 반드시 직접 해야 한다고 여길 겁니다. 하지만 이 일의 이익이 그렇게 높지 않을 수 있다는 걸 알게 되면, 아마 하지 않을 겁니다. 최근에는 분명 그렇게 이익이 높지 않습니다. 저는 그렇게 높은 이익이 있다고 믿지 않습니다. 객관적 법칙에 맞지 않기 때문입니다.

이건 우리가 한 단계에 있다는 뜻입니다. 만약 이익률이 아주 높다면, 그건 반드시 객관적 법칙에 맞지 않습니다.

우리는 합리적인 이익을 내야 합니다. 그러니까 이게 산업의 현황이고, 저는 분명 수렴할 거라고 봅니다.

그러니까 다들 대형 모델을 만드는 그 부분에서, 어느 한 회사가 독점하는 건 말할 것도 없고 내가 이익을 전부 가져가겠다는 건 분명 안 됩니다. 회사마다 합리적인 이익만 가져간다면 사실 그렇게 많은 사람이 대형 모델을 만들 필요가 없습니다. 중국은 마지막에 서너 곳이 경쟁하면 경쟁이 충분하고, 가격 경쟁을 하기에도 절대 충분합니다.

대형 모델은 아마 대기업 두 곳, 작은 회사 두 곳 정도면 비교적 충분할 겁니다.

생태계에 대해서는 생각이 그리 많지 않습니다. 우리는 더 많은 사람을 지원하고 싶지만 그렇게 많은 여력이 없습니다. 그런 의향은 있고 이해 충돌도 없지만, 실제로 하느냐는 또 다른 문제입니다.

하지만 적어도 여기에는 이해 충돌이 없고, 우리는 협력과 상생을 바랍니다. 우선 저는 대형 모델 회사가 이익 대부분을 가져갈 수 있다고 절대 생각하지 않습니다. 그건 불가능합니다. 대형 모델 회사가 이렇게 많고, 지금 격차가 그렇게 클 필요도 없기 때문입니다.

격차는 두 가지뿐입니다. 하나는 시간이고 하나는 비용입니다. 그러니 어느 한 곳이 폭리를 얻을 정도는 아니고, 저는 폭리가 날 정도는 아니라고 봅니다. 비용 통제를 잘하는 사람은 조금 더 벌고, 못하는 사람은 조금 덜 벌 뿐입니다. 그뿐입니다.

답이 됐나요? 첫 번째 질문은 답이 끝난 건가요?

다들 할 수… 앞으로 분명 많은 사람이 할 수 있다고 믿으시죠… 미래에는 사실… 모두의 데이터 응용 같은 것들이 순환하며 반복되고…

지금 들리나요? 감사합니다. 네, 답변 감사드립니다. 업계 생태계 안에서 말씀하신 전략적 위치도 아주 깊이 이해하고 존중합니다. 예를 들어 데이터 부분은 지금 공개된 데이터라면 모델 회사들이 모두 확보할 경로가 있을 거라고 봅니다. 방법 자체는 문제가 아닐 것이고, 시간과 비용의 문제일 뿐이겠죠.

그렇다면 이후 진짜 AGI에 도달할 때를 예로 들면, 모두가 구상하거나 이상적으로 생각하는 상태는 모델이 스스로 반복 개선하고 스스로 학습하는 것, 그러니까 자기가 자기를 훈련하는 것일 수 있습니다. 그렇다면 이 부분에서 현재 데이터는 시뮬레이션 데이터를 쓸 수 있다고 보시는지, 아니면 실제 데이터의 품질이 가장 높다고 보시는지요?

여전히 실제 데이터가 필요하다면, 그게 AI의 지능을 인류의 과거에 여전히 제한하게 되지는 않을까요…

이 차원에서는 인간이 실제로 과거에 가졌던 실제 데이터에 의존하기 때문인가요? 아니면 모의 데이터, 시뮬레이션 데이터, 생성 데이터 등의 방식으로 이 상한을 돌파해서 모델 능력이 인류의 과거 모든 실제…를 뛰어넘게 할 수 있나요?

저는 뛰어넘을 수 있다고 봅니다. 두 가지 면에서 뛰어넘을 수 있다고 보는데, 예를 들어 바둑에서 AlphaGo는 인간이 한 번도 본 적 없는 수를 뒀습니다. 그러니까 일정한 범위 안에서는 분명 인간을 뛰어넘습니다.

하지만 그것도 상한이 있을 수 있고 한계가 있을 수 있습니다. 다만 그 한계는 지금 우리가 볼 수 없습니다. 그래서 우리는 대체로 인간이 이미 가진, 우리가 이미 말로 표현할 수 있는 지식을 바탕으로 그것을 뛰어넘을 수 있다고 봅니다.

그러면 이 부분은 이후 실제 데이터에 의존하나요, 시뮬레이션 데이터에 의존하나요? 그게 작동할까요?

불가능하면 방법은 아주 많습니다.

좋습니다, 감사합니다. 시간도 많이 썼는데, 아까 AI Infra에 관한 문제도 계속 여쭙고 싶습니다.

두 번째 질문이 뭐였죠? 조금…

좋습니다. 간단히 빠르게 다시 말씀드리겠습니다. AI Infra 부분에 대해 여쭙고 싶습니다. 미래에는, 현재 모두가 연산력에 천억 달러 단위로 투자하고 있습니다. 이 부분에서 중국인은 미래 하드웨어에서 반드시 목표를 달성해 언젠가 고효율 연산력을 갖게 될 거라고 믿을 수 있지만, 실제 진행 과정에서는 현재 여전히 제약일 수 있습니다.

그렇다면 미래에는 두 측면이 함께 아래로 내려갈까요? 한편으로 모델 능력이 반복 개선된 뒤에는 연산력을 무식하게 쓰는 데서 영리하게 쓰는 쪽으로 바뀌어, 모델이나 과제 단위의 연산력 요구와 소모가 점차 한계적으로 줄어들 겁니다. 다른 한편으로 카드 같은 하드웨어의 능력 향상은 반복 속도를 점점 빠르게 하고 카드 한 장의 효율을 높일 겁니다.

그렇다면 이 과정에서는 어떤 현상이 나타날까요? 지금 만 장 카드 클러스터를 만들고 H200이나 960을 샀지만, 2~3년이 지나면 상대적으로 그렇게 질 좋은 연산력이 아니게 되고, 다시 상대적으로 낡은 장치가 되는 걸까요?

엔비디아 카드는 기본적으로 5년 감가상각으로 볼 수 있습니다. 화웨이 카드는 길어야 3년 감가상각이겠죠. 화웨이 950은 올해 쓰면 꽤 좋고 내년에 써도 괜찮다고 보지만, 그 뒤에 계속 쓰면 정말 전기를 너무 많이 먹을 것 같습니다.

화웨이 카드의 수명 주기는 분명 조금 더 짧을 겁니다. 원래부터 엔비디아보다 2년 늦었기 때문입니다. 하지만 격차가 그렇게 크지는 않다고 봅니다.

B200을 지금 얼마나 살 수 있든 저는 다 수지가 맞는다고 봅니다. 가령 텐센트 입장에서, 알리바바가 살 수 있다면 물량을 더 봐야 하고, 합리적인 가격에 살 수 있다면 분명 다 수지가 맞습니다. 하지만 비용을 계산할 때가 아니고, 아마 살 수 없을 겁니다.

알겠습니다. 우리의 연산력이 뒤처져 있다는 건 사실입니다. 이 사실은 세 측면으로 상쇄합니다. 첫 번째는 모델의 뒤처짐을 감수하는 겁니다. 우리는 그들보다 더 작은 모델만 쓸 수 있습니다. 얼마나 작으냐의 문제는 훈련의 문제입니다. 우리는 어느 정도 모델이 뒤처지고 모델 크기가 더 작은 것을 감수해야 합니다.

이 뒤처짐에는 장점이 하나 있습니다. 뒤처졌다는 건 시간이 더 많다는 뜻이고, 어느 정도 기술이 있으니, 그렇게 하면 영리한 방법을 쓸 수 있습니다.

감사합니다.

그래서 미국과의 격차는 아마 미국보다 12개월 뒤처진 것, 12~18개월 또는 6~12개월 뒤처진 것일 수 있습니다. 어쨌든 간단히 말하면 미국보다 2년 뒤처졌지만 미국의 20분의 1 연산력만으로 이 일을 해낸다는 겁니다.

이 서사는 1~2년 뒤처졌지만 그들의 20분의 1 연산력만 쓴다는 겁니다. 미래에는 이 서사를 바꿔야 합니다. 그들의 몇 분의 1 연산력을 쓰되 시간을 더 줄여서 6개월, 3개월로 줄이는 것이 목표라고 봅니다.

그리고 어떤 측면에서는 우리가 그들을 넘어설 수도 있습니다. 하지만 전체 연산력에 여전히 자릿수 단위 격차가 있는 상황에서 전면적으로 넘어서는 건 비현실적입니다. 다만 일부 중점 분야, 선택과 집중을 하는 곳에서는 우리가 넘어설 수도 있습니다.

알겠습니다. 감사합니다, 량 대표님. 자신감이 가득하네요. 함께 노력하겠습니다. 시간은 다른 분들께 넘기겠습니다. 감사합니다.

방금 공유 감사드립니다. 빠른 기술 질문 두 가지가 있습니다. 아까 기술 노선을 이야기하면서 이 단계에서 해결할 핵심 문제가 지속 학습이고, 해외에서도 현재 연구의 화두로 Recursive Improvement라고 한다고 말씀하셨습니다. 여쭙고 싶은데, 현재 기술적으로 가장 큰 난점은 무엇인가요? 대표님 관점에서는 언제 해결할 수 있을까요? 이것이 첫 번째 질문입니다.

두 번째 질문입니다. 동시에 아까 먼저 지속 학습을 해결한 다음 지능을 한다고 말씀하셨습니다. 그렇게 말씀하신 배경의 기술적 근원이 무엇인지도 이해하고 싶습니다. 지속 학습 문제를 해결한 뒤 DeepSeek이 범용 지능도 한다는 뜻인가요? 이 두 가지를 여쭙겠습니다.

기술 문제는 사실 설명하기가 조금… 난점은 우리가 아직 아주 잘 작동하는 방법을 찾지 못했다는 데 있습니다.

전 세계가 아직 좋은 방법을 찾지 못했고 모두가 더듬어 찾고 있습니다. 그래서 지금도 탐색 단계이고, 누가 이 문제를 해결할 다음 방법을 찾아낼지 모릅니다.

지금도 탐색 단계입니다. 우리에게 많은 아이디어가 있고 지금 보기에는 유망한 생각도 많지만, 아직 모두 완전히 해내지 못했습니다. 네, 이게 첫 번째입니다.

두 번째는, 지금 내부에서 이런 서사를 비교적 중요하게 봅니다. 다음 버전 모델을 훈련할 때 그 모델이 우리 자신의 개발을 도와주길 바랍니다. DeepSeek의 효율을 높일 수 있어야 합니다. 우리 모델의 최우선은 DeepSeek 자신의 업무 효율을 높여 다음 버전 모델을 개발할 때 더 많은 도움을 주게 하는 것입니다.

더 간단히 말하면 우리가 만드는 모델의 첫 번째 목표는 모두가 쓰기 좋은 게 아니라, 우리 자신이 쓰기 좋은 겁니다.

우선 우리 자신에게 유용해야 합니다. 우리에게 유용해진 뒤에는 다음 버전 모델을 개발할 때 더 빨라집니다.

내부의 많은 사람은 이렇게 생각합니다. 우선 우리 자신에게 유용해야 하고, 먼저 우리가 써야 합니다. 그리고 이게 AGI를 실현하는 가장 빠른 방법입니다. 우리가 쓰기 좋다면 다른 사람에게도 쓰기 좋을 수 있다는 뜻이지만, 먼저 우리가 쓰기 좋다는 걸 보장해야 합니다.

이 서사가 조금 이상하지만, 실제로 많은 사람이 이렇게 생각합니다. 사용자가 쓰기 좋은 것보다 우리 자신에게 더 크게 도움이 되길 바랍니다. 그래야 AGI를 훨씬 빨리 실현할 수 있습니다. 그러니까 이 서사의 논리는 우리가 AGI를 실현하도록 돕는다는 겁니다.

하지만 우선 우리가 실현하는 걸 돕는 겁니다. AGI를 실현하려면 이 도움이 필요합니다. 지금은 인공지능이 AGI 실현을 도와야 한다는 게 아주 확실합니다. 아직 자율적으로 일하는 건 아니고 사람과 협업할 뿐이지만, 이미 매우 유용합니다.

두 번째 질문인데, 아까 먼저 지속 학습 문제를 해결하고 그다음 범용 지능으로 들어간다고 하셨습니다. 이것이 이후에 대한 대표님의 예상인가요? 그 배경의 기술적 근원이 무엇인지 이해하고 싶습니다. 왜 먼저 지속 학습을 해결한 다음 범용 지능으로 들어가야 하나요? 이 부분에 대한 이후의 생각을 듣고 싶습니다.

지속 학습 문제를 해결하면 우리의 연구개발 진도를 크게 가속할 수 있기 때문입니다. 먼저 지속 학습 문제를 해결하면 범용 지능 문제는 말할 것도 없습니다. AI의 보조가 생기고, AI가 지속적으로 학습할 수 있다면 그 능력은 매우 강할 겁니다.

현재 Agent의 능력이 제한되는 건 지속 학습을 못하고 효과적으로 지속 학습하지 못하기 때문입니다. 지속 학습을 먼저 완성할 수 있다면 AI의 능력은 매우 강하고, 우리 자신의 연구 효율을 아주 크게 높일 수 있습니다.

지속 학습을 먼저 만들면 범용 지능은 아마 아주 쉬워질 겁니다. 그걸 이용하면 아주 쉬워집니다. 그래서 이건 우리가 비교적 보고 싶어 하는 결과라고 말한 겁니다. 우리가 힘을 덜 들이고 편해집니다. 그렇지 않으면 지금 사람이 범용 지능을 만들어야 하는데, 비교적 고되고 힘들며 데이터 집약적이고 인력 집약적인 일이고, 가성비도 높지 않습니다.

공유 감사합니다.

짧은 질문인데, 온라인 질문은 채팅방을 한번 보세요. AGI까지 얼마나 더 걸릴까요? 국내 하드웨어가 그 시간 안에 따라잡을 수 있을까요?

Zoom 회의의 그 채팅창 안에 있습니다.

좋습니다, 이건 봤습니다.

화웨이 950은 지금 화웨이가 우리에게 카드 1만 6천 장을 주는데, 이건 공개적으로 말해도 될 것 같습니다. 인터넷 대기업보다 한 자릿수 단위 적을 겁니다. 화웨이도 우리에게 이만큼만 줄 수 있습니다. 가격도 싸지 않기 때문입니다.

인터넷 대기업의 수요가 더 클 겁니다. 인터넷 대기업에는 더 필요합니다. 우리로서는 규정에 맞지 않는 카드를 일부 살 수 있습니다. 그래서 우리가 화웨이 950을 사는 목적은 여전히 화웨이가 이 생태계를 잘 만들도록 돕는 데 있습니다.

화웨이 950 카드 1만 6천 장은 B 시리즈 카드 4천 장에 불과합니다. 그래서 큰 물량이 아니고 의미도 크지 않습니다. 차세대 모델 하나를 훈련하기에는 부족하고, 현재 세대 모델만 훈련할 수 있으며 다음 세대 모델은 훈련하기에 부족합니다.

하지만 화웨이가 우선 이걸 잘 만들게 할 수는 있습니다. 화웨이 950에 관해서는 그렇습니다.

그러면 AGI까지 얼마나 더 걸릴까요? 국내 하드웨어가 그 시간 안에 따라잡을 수 있을까요?

AI라는 사업에서, AI라는 일에서는 국내가 1~2년이면 해외와 비슷해질 수 있거나, 어쩌면 올해 해외 모델을 대체할 수준이 될 수 있다고 봅니다. 지금 방식, 지금 패러다임의 AI는 그리 어려운 일이 아니어서 올해면 해낼 수 있을 겁니다. 하지만 그건 아직 AGI가 아닙니다.

적어도 저는 지속적으로 학습할 수 있어야 한다고 봅니다.

국산 하드웨어가 그 시간 안에 따라잡을 수 있을까요? 국산 쪽은 아마 몇 년이 필요하다고 봅니다. 국내는 먼저 생태계 문제를 해결해야 합니다. 생태계는 신뢰의 문제이기 때문입니다. 생태계 문제를 해결하고 나서 생산능력 문제를 해결하면, 점차 해결할 수 있을 거라고 봅니다.

5년 뒤에도 우리가 생산능력 문제에 막혀 있을 거라고는 별로 믿지 않습니다. 지금은 분명 생산능력 문제에 막혀 있고, 올해, 내년, 내후년에도 아마 여전히 생산능력에 막힐 수 있습니다. 하지만 5년 뒤에는 꼭 그렇지는 않을 거라고 보고, 저는 비교적 낙관적입니다.

그리고 두 번째 문제는 미래 조직 구조와 인원 규모 계획에 대한 생각입니다. 우선 이전의 우리 조직 구조는 조직 구조가 없었기 때문에 아주 분산돼 있었습니다. 하지만 인원이 더 늘어난 뒤에는 분명 일부 변화가 필요합니다.

지금은 여기서 많은 변화가 필요하다고만 말할 수 있고, 현재 한꺼번에 전부 표현하기는 어렵습니다. 최종적으로는 서로 다른 부서로 나눠야 할 겁니다. 일부 부서는 비교적 엄격한 계층 구조를 세워야 하고, 다른 일부 부서는 아마 비교적 느슨하고 수평적인 구조를 유지할 겁니다.

인원이 늘면서 이 조정을 할 겁니다. 아마 바로 이 조정을 해야 합니다. 이미 제가 조정하고 있기 때문입니다. 이 조정을 하지 않으면 많은 일을 추진할 수 없습니다. 실제로 조직 구조가 있어야 하는 부서가 많습니다.

그리고 또 질문이 있는데, CV가 그것보다 앞서는 어느 버전이냐는 거죠? 지금 온라인에 공개한 GCV4 버전은 아직 비교적 거칠고, 능력 면에서도 시간이 더 필요한 부분이 많습니다.

보통 저로서는 비교적 편한 출시 주기가 대략 2~3개월에 한 버전입니다. 지난 출시는 아마 4월 말이었으니 다음 출시는 아마 6월 말, 대략 그렇습니다. 별일이 없다면 버전이 나올 때마다 더 좋아질 겁니다.

50B 활성화 규모에서는 최종적으로 우리가 지금의 이 오픈소스 물결과 큰 차이가 없을 것 같습니다. 추론 속도와 성능 면에서 아마 큰 차이가 없을 것 같습니다.

하지만 그쪽의 큰 크기 모델, 공개하지 않은 모델과는 격차가 꽤 클 겁니다. 그 격차는 우리 활성 파라미터로는 따라잡을 수 없고, 분명 더 큰 모델이어야 합니다. 예를 들면 150B일 수 있습니다.

그렇다면 150B는 현재 훈련 진도대로라면 올해, 낙관적으로는 올해 말 훈련을 시작할 수 있고, 적어도 내년 4… 격차는 여전히 비교적 큽니다. 네, 이게 OCE와의 격차입니다.

안녕하세요. 질문이 하나 있습니다. 대표님은 AGI가 실현되는 과정이 점진적인 과정이지 돌연변이가 생기는 과정은 아니라고 자주 말씀하셨습니다. 그러면 임계점이 없는 과정이라고 이해해도 될까요?

임계점은 없지만 비선형적입니다. 지금 우리가 비교적 믿는 서사는 AI가 AI 연구를 가속할 수 있다는 겁니다. AI가 AI 연구를 가속할 수 있습니다. 그러니까 선형적이지 않습니다. AI로 자기 자신의 연구를 가속할 수 있으니 뒤로 갈수록 비선형적일 수 있습니다.

알겠습니다. 그러면 현재 대표님의, 앞의 결론을 제가 이해하기로는 언어 모델을 계속 scaling하는 것으로 충분하고, 이 상태에 도달하기에 충분하다는 뜻일까요?

언어 모델의 scaling은 지금 제가 상한을 보지 못했다고만 말할 수 있습니다. 현재 우리의 지능 수준이나 미국의 지능 수준 모두 상한을 보지 못했습니다.

알겠습니다. 제가 아주 궁금했던 건, 미국의 경우 800B 활성화 모델을 훈련시킬 수는 있지만 실제로 쓰지는 못해서 훈련만 해놓고 모두에게 내놓기도 어렵다고 하셨다는 점입니다. 실제로 조금 비싸기 때문입니다.

제가 전부터 아주 궁금했던 점은, 인류가 언어 능력을 가진 건 최근 10만 년의 일이고 그전에는 아마 37억 년 동안 진화했다는 겁니다. 하지만 AI 훈련에서는 그 순서를 거꾸로 할 수 있다고 하셨습니다. 그래도 최종적으로는 이른바, 꼭 세계 모델이라고 부르지는 않더라도 물리 모델이나 구현된 신체 부분으로 들어가야 하겠죠? 그러니까 이 상한 이후에는요.

네, 저는 구현된 신체로 분명 들어가야 하고 최종적으로는 구현된 신체라고 봅니다. 우리 회사로서는 자연스럽게 아마 종착점이 모두 구현된 신체일 겁니다. 보통 사람의 수요는 컴퓨터가 아니잖아요, 그렇죠? 보통 사람은 먹고 마시고 놀고, 의식주와 이동을 하지 컴퓨터가 필요하지 않습니다.

그에게 필요한 것은, 그래서 여전히 구현된 지능이 구체적인 인력 수요를 해결해야 합니다. 목표가 인력 수요를 줄이는 것이라면 구현된 신체는 피할 수 없다고 봅니다.

알겠습니다. 그러면 단계적으로 말해, 가령 임계점이라고까지 할 필요는 없지만 스스로 진화할 수 있고 비교적 잘 스스로 진화하거나, 이 SV와의 상승에 가까워지는 그 시점에, 저는 이 상태의 AI가 처음으로 현장에 적용될…

아마 지금과는 다를 겁니다. 우리는 그것이, 그러니까 구현된 신체가 없다고 가정하면 AGI를 어떻게 정의하거나 AGI가 무엇을 하길 바라나요? 다음 버전 모델을 반복 개선하도록 도와주고, 다음 버전 모델을 반복 개선하도록 도와주는 겁니다.

그리고 구현된 신체가 생긴 뒤에는 그것이 다음 버전의 구현된 신체를 반복 개선하고, 다음 버전 로봇을 만들게 하길 바랍니다.

저는 여전히 한 가지가 궁금합니다. 이전 DeepSeek 인터뷰 등을 보면 중요한 방향 선택과 연구 선택에서 안목과 직관이 중요하고 단순한 공학적 최적화가 아니라고 했습니다. 그러면 이후 AI가 스스로 진화할 수 있게 되면 이런 안목, taste, 직관은 여전히 중요한가요? 아니면 무엇이 중요해질까요?

AI는 지금 안목과 직관이 부족하지 않습니다. 부족한 건 지속 학습 능력입니다. AI의 안목과 직관에는 문제가 없습니다. 글을 하나 쓰게 해보면 그 안목과 직관은 제가 보기에 아무 문제가 없습니다.

앞에 질문이 몇 개 더 있었는데, 그 질문을 한번 보겠습니다. 화면에 몇 가지 질문이 올라왔는데 이쪽에서는 보이지 않네요.

량 대표님, 화면에 질문 하나를 남겼는데 제가 다시 읽어드리겠습니다. 사실 continuous learning, 그러니까 지속 학습은 대표님도 말씀하셨고 많은 연구자도 아직 해결되지 않은 연구 문제라고 했습니다. 그리고 그 coding agent, 특히 MILES를 따라잡는 것은, 그러니까…

Office 수준, MIS 수준까지 Scaling하는 건 비교적 확실한 목표입니다. 아직 해결되지 않은 연구 목표와 비교적 확실한 Scaling 목표 사이에서 연구 자원, 특히 연구자 인재 자원을 어떻게 배분해야 가장 좋은 균형과 효과를 낼 수 있다고 보시나요?

모델 Office는 비교적 확실한 목표지만 모델 MIS는 확실하다고 말하기 아직 어렵고 목표라고만 할 수 있습니다. 모델 Office는 비교적 확실하다고 봅니다.

CoT는 자원을 차지하지 않습니다. 친구 임의 연구를 하는 데는 카드를 소모하지 않고 아주 적은 카드만 필요하며, 필요한 건 아이디어입니다. 인재 자원도 소모하지 않습니다. 누군가 계속 거기서 할 필요가 없기 때문입니다. 프로젝트가 아니라 많은 사람이 그 문제를 생각해야 하는 겁니다.

그러니 거기에 무슨 자원을 배분할 필요가 없습니다. 모델을 훈련하고 모델을 만들고 발표하며, 모델의 효율 실험을 할 때야 자원이 필요합니다. 방금 말한 것은 사람과 카드 자원을 모두 많이 소모하지 않습니다.

그래서 우리는 이걸 복권 긁기라고 부릅니다. 문턱이 아주 낮아 누구나 긁을 수 있지만, 누가 무엇을 긁어낼지는 저도 재능에 달렸는지 무엇에 달렸는지 모릅니다.

그래서 여기에는 우리가 자원을 배분할 필요가 없습니다. 다만 우리가 다른 회사와 다른 점은 이 문제를 논의하는 데 시간을 쓰고, 이 문제를 생각하며 중요한 일로 여긴다는 겁니다.

회사 안에서 이건 중요한 문제이고 우리가 시간을 들여 생각할 문제지만, 많은 자원을 들여 할 필요는 없습니다.

그리고 아래 질문을 하나 더 보겠습니다. 대형 모델의 환각 문제가 사용자 경험에 비교적 영향을 줍니다. 환각 문제도 해결할 방법이 있지만 장기 과제입니다. 환각 문제는 더 좋은 Post-training으로 해결할 수 있고, 해결하거나 개선할 수 있는 문제라고 볼 수 있습니다.

다만 모두가 아주 큰 힘을 들여 하지 않았을 뿐입니다. 저로서는 환각이 문제이기는 하지만, 아마 제품 문제로 귀결합니다. 해결하겠지만 중점 문제는 아닙니다.

앞에는 데이터 라벨링 질문도 하나 있었습니다. 데이터 라벨링 면에서 이건 우리의 자본 투입과 관련 있습니다. 우리의 자본 투입 구조로는 그렇게 많은 고품질 데이터 라벨링 비용을 감당할 수 없습니다. 비용이 아주 높기 때문입니다.

미국의 데이터 라벨링 비용과 중국의 데이터 라벨링 비용은 별 차이가 없습니다. 중국에서 데이터를 라벨링한다고 비용 우위가 있는 게 아니고, 특히 고급 데이터를 라벨링할 때는 비용 우위가 없습니다. 그래서 미국처럼 데이터 라벨링에 투자하기 어렵습니다. 이 길은 중국에서 아주 어렵습니다. 데이터 라벨링이 정말 너무 비싸서, 외주로 하든 직접 하든 모두 괴롭습니다.

그래서 지금은 기본적으로 두 다리로 걷습니다. 우리가 전혀 라벨링할 수 없다는 게 아니라, 데이터 라벨링에는 비용이 낮은 것도 있고 높은 것도 있으니 먼저 비용이 낮은 것부터 합니다.

그래서 지금 우리 회사 사람의 절반이 데이터를 라벨링한다고 봐도 됩니다. 핵심 연구자, 가장 중요한 사람의 절반이 데이터를 라벨링합니다. 우리는 데이터 라벨링에 집중합니다. 지금 단계에서 AI 문제 해결은 데이터 라벨링에 달려 있습니다. 보면 그냥 데이터 하나입니다.

량 대표님, 감사합니다. 아주 특별하게 말씀해주셔서 저희가 크게 와닿았고 아주 좋았습니다. 감사합니다. 몇 가지 여쭙겠습니다.

첫 번째 질문입니다. 아까 중국 모델이 효율 면에서는 미국 모델보다 분명 강하다고 하셨습니다. 다른 몇몇 측면도 미래에는 미국보다 강할 수 있다고 하셨는데, 어떤 측면인가요? 우리가 지능이나 다른 어떤 측면에서 미국보다 강할 수 있을까요?

많은 경험 측면에서 우리가 미국보다 더 잘할 수도 있다고 봅니다. 자기 경험, 자기 제품 경험이 꽤 좋다고 말하는 게 아니라, 사용자 경험 면에서 우리가 미국보다 꼭 못하지는 않을 거라고 봅니다.

제품 측면, 제품 능력에서도 미국보다 꼭 못하지는 않을 겁니다. 비용도 미국보다 낮을 테니 중국이 여전히 경쟁력이 있을 수 있습니다.

다른 측면에 구조적 우위가 있느냐면 아마 없을 것 같습니다. 하지만 비용과 제품 이 두 측면에는 어느 정도 구조적 우위가 있다고 봅니다.

비용은 이해하기 쉽습니다. 그들은 아예 할 필요가 없어서 이 능력을 발전시키지 않기 때문입니다. 그들은 분명 우리만큼 이 일을 중시하지 않습니다. 우리는 아주 중요한 일로 볼 수 있지만 그들에게는 중요하지 않습니다.

제품도 마찬가지입니다. 원생적으로 많은 회사를 거치며 제품 능력은 여전히 괜찮습니다. 그래서 이 두 측면에는 구조적 우위가 있을 수 있다고 봅니다.

좋습니다. 두 번째 질문입니다. 아까 Post-training은 우리의 상대적 투입 비용이 높고 Anthropic과 OpenAI는 모두 막대한 금액을 투입한다고 하셨습니다. 이번 자금조달 이후 Post-training 투자를 확대할 생각인가요?

격차는 주로 고품질 데이터 라벨링에 있고, 주로 AI 연구 안에 있습니다. 분명 투자를 늘리겠지만 고품질 데이터 라벨링 같은 건 전형적으로 자본 투입의 문제가 아닙니다.

고품질 데이터 라벨링의 병목은 시간이라고 봅니다. 시간이 필요합니다. OpenAI나 해외, Anthropic은 모두 더 일찍 시작했고 자본도 더 많고 카드도 더 많기 때문입니다.

이런 상황에서 국내는 최근 반년 사이에야 시작했다고 볼 수 있으니 시간 면에서 더 필요하다고 봅니다. 이건 자본 투입과 큰 관련이 없습니다. 자본을 더 투입하지 않아도 기존 자본만으로 가장 빠른 속도로 확장하기에 충분하기 때문입니다.

하지만 이 속도에는 상한이 있습니다. 병목은 당장 사람이 더 생기지 않는 것이지 돈에도, 카드에도 막혀 있지 않습니다. 그래도 실제로 빠르게 확장하는 과정에 있습니다.

그래서 1년 안에 고품질 데이터 문제를 비교적 잘 해내는 건 국내에서도 기대할 수 있다고 봅니다. 면이 그렇게 차갑지는 않을 수 있다고 봅니다만, 실제로 시간이 필요합니다.

감사합니다. 그리고 세 번째 질문입니다. Anthropic이 자기 모델로 자기 제품을 만들면서 금융, 법률 같은 많은 수직 분야를 내놓는 걸 봤습니다…

심지어 미래에는 의료 방향으로도 가려고 하는데, 이런 수직 응용은 어느 단계가 되면 우리도 고려할까요?

미래 국내의 사업 모델이 어떨지, 또는 가장 순조로운 경로가 무엇일지 아직 명확히 생각하지 못했습니다. 우리는 아직 그 단계에 이르지 않았습니다. 국내 상황과 해외 상황은 꼭 같지 않고, 그때 국내가 어떤 모습일지는 지금 판단하기가 비교적 어렵습니다.

현재 국내 상황으로 보면 가장 합리적인 방법은 범용 Agent에 전력을 다하는 것이라고 봅니다. 금융, 의사 같은 Agent를 포함해 다른 Agent의 우선순위는 더 낮아야 합니다. 먼저 Coding을 해야 합니다. Coding Agent가 많은 일을 할 수 있고 수직형 Agent도 많이 있기 때문입니다. 현 단계에서 가장 중요한 건 여전히 Coding Agent라고 봅니다.

아주 명확하게 말씀해주셨습니다. 감사합니다. 또 하나 여쭙고 싶습니다. 사실 저희도 DeepSeek을 하면서 대표님을 아주 존경하고, 줄곧 매우 순수한 연구 방식으로 DeepSeek을 해오셨습니다.

하지만 지금 이 업계는 실제로 자본시장, 자본화의 길에 들어섰습니다. 대표님은 동료들에게도 투자자들에게도 아주 책임감 있는 분입니다. 그렇다면 순수 연구, 순수하게 AGI를 하는 방향과 자본시장 사이의 균형, 미래에는 분명 자본시장으로 가야 하고 분명 공개 주주도 있을 텐데, 앞으로 어떻게 balance하실 건가요? 이 점은 어떻게 생각하시나요?

지금은 둘 다 할 수 있다고 봅니다. 가령 올해 B단 매출이 수억 달러 나오고 C단 사용자도 있다면, 그 자체로 이미 어느 정도 사업 기반이 있습니다. 내년에 B단 매출이 있고 수요가 더 커질 수 있다면 회사는 순이익에서 멀지 않고, 어쩌면 이미 순이익을 낼 수도 있습니다.

그러면 이미 돈만 태우는 단계가 아닐 수 있어서 이후에 할 수 있고 운용할 수 있는 움직임은 꽤 클 것 같습니다. 또는 최악의 경우 API만 팔아도 상장사를 지탱할 수 있을 겁니다. 이후 기술에 새로운 진전이 없고 기술이 여기서 멈춘다면, 마지막에는 API 판매에 전력을 다하고 서비스를 잘하면 충분하다고 봅니다.

그래서 여전히 자신이 있고, 실제로 그렇게 어렵지 않습니다. 레버리지가 높은 곳이면서 아주 빠르게 발전하는 분야라서 그렇게 어렵지 않을 수 있습니다. 우리는 더 큰 꿈을 바라지만, 바닥을 받쳐줄 수 있는 실적도 있다고만 말할 수 있습니다.

감사합니다. 말씀 잘 들었습니다. 질문은 다 했습니다. 감사합니다.

공유 감사드립니다. 앞에서 언급한 몇 가지를 다시 여쭙고 싶습니다. DeepSeek이 다른 회사와 가장 크게 다른 점은 사실 우리 조직이 다른 사람들과 다르거나 조직 형태가 다르다는 데 있다고 봅니다.

하지만 조직 형태는 목표와도 관련 있고, 조직 자체의 경계와 효율도 고려해야 할 수 있습니다. 거시적 관점에서 우리 조직 형태에 좋은 학습 대상이 있을까요? 역사적으로 Bell Labs 같은 곳인지, 어떤 형태가 비교적 이상적일까요? 아니면 우리도 이상적인 대상이 없다고 보고 점차 스스로 탐색해야 할까요?

새로운 시기에는 아마 우리 스스로 탐색할 수밖에 없을 겁니다. 우리 조직 형태는 미국의 몇몇 회사와 분명 모두 다르잖아요, 그렇죠? 세 회사도 서로 다르지만 적어도 상업 회사의 관점에서 탐색할 겁니다.

저는 주로 조직 문제를 다시 한번 여쭙고 싶습니다.

우선 우리에게는 모방할 대상이 없습니다. 매 단계 실제 상황에서 출발해 사실에 근거하고 실제 상황에 따라 결정하면서 우리가 어떻게 해야 하는지 찾습니다. 그래서 시대의 산물이거나 현실 상황의 반영이지, 모방의 결과가 아닙니다.

그러니까 이 상황에서는 실제로 최적해가 이럴 수 있고, 또는 제 생각에 우리가 선택한 길이 이렇습니다. 매 단계 분명 생각했고 선택했으며, 어쨌든 선택한 결과가 이겁니다. 누가 이렇게 선택하는 걸 보고 우리도 선택한 게 아니라 장단점을 분석해 이렇게 선택했습니다.

미래에도 아마 마찬가지일 겁니다. 우리는 누구를 모방하지 않습니다. Bell Labs와도 다르다고 봅니다. 그곳은 명확히 상업화가 필요 없기 때문입니다. 왜냐하면 그건… 하지만 우리는 명확히 상업화해야 합니다. 최종적으로 살아남아야 하고, 어쨌든 회사이며 정부는 우리에게 한 푼도 주지 않습니다.

그래서 아주 원대한 사명이 있을 수 있지만 결국 회사이고, 어떻게 살아갈지 생각해야 합니다. 따라서 B단은 우리에게 분명 중요합니다. 앞으로 그것에 의존해 살아야 할 수도 있기 때문입니다. 다만 지금은 중요하지 않습니다. 현재는 비용선이기 때문입니다.

그래서 이건 여전히 다르고 Bell Labs와도 다릅니다. 우리는 본질적으로 여전히 회사입니다.

역사적으로도 이익 이외의 추구가 있었던 회사가 많습니다. 그렇다고 이익 이외의 추구가 있다고 해서 회사가 아니라고 할 수는 없습니다.

많은 회사가 위대해진 건 이익 이외의 추구가 있었기 때문입니다. 그 추구는 최종적으로 상업화를 방해하지 않았을 뿐 아니라 오히려 상업화를 더 잘하게 했습니다. 우리는 본질적으로 회사지만 어떤 돈을 벌지, 언제 벌지, 얼마나 벌지, 무엇에 의지해 벌지를 생각하면서 선택과 포기를 할 뿐입니다.

량 대표님, 짧은 질문 두 가지를 빠르게 여쭙겠습니다. 하나는 아까 MILOS가 아주 확실한 목표는 아닐 수 있지만 분명 그 방향으로 갈 거라고 말씀하셨습니다. 그리고 활성 파라미터가 예를 들면…

다음 세대는 아마 150~250B 정도일 수 있다고 하셨습니다. 이런 경우 150~250B는 O4.7을 목표로 하는 건가요, 아니면 다른 것을 목표로 할 수도 있나요? 이게 첫 번째 질문입니다.

두 번째 질문입니다. 앞에서 현재 전체 inference에서 CUDA 이외의 컴파일 언어를 일부 사용한다고 하셨습니다. 원래 우리는 엔비디아 생태계를 기반으로 해서 PTX 같은 걸 많이 썼을 수 있습니다. 지금 아까 말씀하신 TileLang 같은 것을 더 많이 쓰면 inference 효율이 크게 낮아지거나 단기적으로 효율이 낮아질까요?

이런 컴파일 언어 변화가 가져오는 효율 손실을 어떻게 보시는지, 아니면 장기적으로 보완할 수 있고 효율을 높이는 상태인지 궁금합니다.

효율을 높입니다. 크게 높입니다.

OK, 오히려 부정적인 영향은 없나요?

네, 효율을 크게 높입니다. 그래서 이건 기회입니다. 예전에는 CUDA 생태계를 떠날 수 없었지만 이제는 그 생태계를 버리고 더 간단한 방법, 바로 TileLang을 쓸 수 있습니다. 고급 언어라 프로그램 작성도 아주 빠르고 작성할 코드 양도 아주 적어져서, 제가 다시 한번 작성할 수 있습니다.

알겠습니다. 그러면 이 두 가지는 사실 대표님이 말씀하신 AI가 가져온 비교적 큰 기회 같은 것이고, 단기적으로 보완해야 할 단점은 아니라는 거죠?

네, 기술 발전의 큰 기회입니다. AI의 기회는 아닙니다. 우리에게는 AI로 TileLang을 작성하는 프로젝트도 있기 때문입니다.

그러면 더 빠르지 않나요?

지금은 모든 TileLang을 사람이 작성하지만, 그래도 원래 CUDA를 작성할 때보다 이미 훨씬 빠릅니다.

알겠습니다. 그러면 하드웨어 저수준의 실행 효율에도 영향이 없다고 보시나요?

1~2% 손실은 받아들일 수 있다고 봅니다.

OK, 알겠습니다. 이해했습니다. 좋습니다, 감사합니다. 아주 명확합니다.

다른 분들은 또 질문 없나요?

질문 없으면 오늘은 우선 여기까지 하겠습니다.

좋습니다, 감사합니다.

여러분 시간 내주셔서 정말 감사합니다. 량 대표님 감사합니다. 감사합니다.

안녕히 계세요.

안녕히 계세요.