← Back to list2026-07-17

GPU가 없는데 왜 따라잡히나: 중국 AI의 진짜 엔진

중국 AIAI 인재알고리즘 효율수출 통제산업 분석

질문은 단순합니다. 중국은 최첨단 GPU를 제대로 구하지 못합니다. 수출 통제가 있고, 구할 수 있는 칩은 한 세대 뒤처집니다. 그런데 모델은 계속 따라옵니다. 어떻게 가능한가.

가장 흔한 설명은 베꼈다는 것입니다. 미국 데이터를 긁었거나, 프런티어 모델을 증류했거나. 이 설명에는 사실의 조각이 들어 있습니다. 실제로 공개 고발도 있었습니다. 그런데 이 설명만으로는 결과가 설명되지 않습니다. 숫자를 보면 그렇습니다.

이 글은 실제 데이터로 그 메커니즘을 따라갑니다. 논문, 인재, 그리고 알고리즘입니다. 모든 수치는 공개 자료와 보도 기준이며, 특정 종목의 투자 판단은 다루지 않습니다.

첫 번째 층: 논문에서 이미 최상위다

먼저 연구 생산량입니다. 스탠퍼드 AI 인덱스와 관련 집계 기준으로, 중국은 2024년 인용되는 AI 논문의 최대 기여국으로 미국을 추월했고 2025년까지 그 자리를 지켰습니다. 전 세계 AI 논문의 17.8%, 인용의 20.6%가 중국에서 나옵니다.

다만 정확해야 합니다. 최상위 영역에서는 미국이 여전히 앞섭니다. 2024년 기준 가장 많이 인용된 100대 논문 중 미국이 64편, 중국이 41편입니다. 중국의 몫이 2021년 33편에서 41편으로 늘긴 했지만 아직 역전은 아닙니다. 반면 글로벌 100대 AI 기관 목록에서는 중국이 38곳, 미국이 35곳으로 중국이 앞서고, 중국과학원은 고임팩트 논문 585편으로 세계 기관 1위입니다.

정리하면 이렇습니다. 양과 인용에서는 중국이 이미 1위, 최상위 논문에서는 미국이 아직 우위, 기관 수에서는 중국이 근소 우위. 연구 역량 자체가 없는 나라가 모델을 베껴서 따라온다는 그림과는 거리가 멉니다.

두 번째 층: 미국 연구의 상당 부분도 중국계가 만든다

더 흥미로운 것은 인재의 국적 구성입니다. 매크로폴로의 글로벌 AI 인재 추적 기준으로 숫자는 이렇습니다.

학부 기준으로 세계 상위 20% AI 인재의 47%가 중국계입니다. 이들의 57%는 미국에서 일합니다. 그 결과 미국 기관 상위 AI 인력 가운데 중국 학부 출신이 38%로, 미국 출신 37%와 사실상 같습니다. 매크로폴로 추적 기준입니다.

학부 기준으로 세계 상위 20% AI 인재의 47%가 중국계입니다. 미국 출신은 18%, 유럽 12%, 인도 5%입니다. 그리고 이들 중 57%가 미국에서 일합니다. 결과적으로 미국 기관의 상위 AI 인력 가운데 중국 학부 출신이 38%, 미국 출신이 37퍼센트로 사실상 같습니다. 미국과 중국 출신을 합치면 미국 최상위 AI 인재의 75%가 되고, 이 비율은 2019년 58%에서 올랐습니다.

여기서 나오는 결론은 두 방향입니다. 하나는 미국의 우위가 자국 인재가 아니라 세계 인재를 끌어들이는 힘에서 나온다는 것입니다. 다른 하나는 그 인재 풀의 절반 가까이가 중국 교육 시스템에서 나온다는 것입니다. 즉 미국의 프런티어 연구와 중국의 연구는 인적으로 이미 깊게 얽혀 있습니다. 서로 다른 두 종족이 경쟁하는 그림이 아닙니다.

다만 여기에도 반대 방향의 사실이 있습니다. 중국에서 교육받은 상위 AI 연구자 중 중국에 남아 일하는 비율은 11퍼센트로, 2019년 16%에서 오히려 줄었습니다. 인재를 길러내는 것과 붙잡아 두는 것은 다른 문제입니다.

세 번째 층: 제약이 알고리즘을 낳았다

여기가 핵심입니다. 그리고 이것이 이 이야기에서 가장 검증하기 쉬운 부분입니다.

칩이 부족하면 두 가지 길이 있습니다. 포기하거나, 같은 칩으로 더 많이 뽑아내거나. 중국 연구진은 후자에 밀도 높게 매달렸고, 그 결과가 논문으로 공개돼 있습니다.

딥시크의 MLA(Multi-head Latent Attention)가 대표적입니다. 키와 값을 압축된 잠재 공간으로 투영해 KV 캐시를 대폭 줄이는 구조인데, 논문 기준으로 딥시크 V2는 이전 세대(67B) 대비 학습 비용 42.5% 절감, KV 캐시 93.3% 감소, 최대 생성 처리량 5.76배를 달성했습니다. 여기에 MoE(전문가 혼합), 그리고 가치 모델을 없애 메모리 부담과 학습 시간을 줄인 GRPO라는 강화학습 기법이 함께 붙습니다.

문샷의 Kimi Linear는 그 다음 수입니다. 본 블로그가 따로 정리한 것처럼, 선형 어텐션 세 층에 풀 어텐션 한 층을 섞어 1백만 토큰에서 디코딩 6.3배, KV 캐시 75% 절감을 달성하면서 벤치마크는 오히려 올렸습니다. 그리고 이 구조는 2.8조 파라미터 Kimi K3의 기반이 됐습니다.

칩이 부족하면 같은 칩에서 더 뽑아내야 합니다. 딥시크의 MLA와 문샷의 KDA는 그 압력의 산물이고, 둘 다 논문으로 공개돼 검증 가능합니다. 수치는 각 논문 기준입니다.

이 대목에서 중요한 것은 이 혁신들이 전부 공개돼 있다는 사실입니다. 훔친 것이라면 논문으로 쓰고 코드를 공개하고 체크포인트를 올릴 이유가 없습니다. MLA도 KDA도 남의 것을 가져온 것이 아니라 남들이 안 하던 것을 만든 것이고, 그래서 지금 전 세계가 그것을 읽고 씁니다.

본 블로그가 정리한 미국과 중국의 AI 추론 스택 분기의 논지가 여기서 반복됩니다. 제약이 아키텍처를 결정합니다. 미국은 전력이 부족해 실리콘을 이종화했고, 중국은 칩이 부족해 구조와 커널을 갈았습니다.

그렇다면 증류 논쟁은

이제 피할 수 없는 부분입니다. 그리고 정확해야 합니다.

증류 의혹은 소문이 아니라 공개된 고발입니다. 보도 기준으로 앤트로픽은 2026년 2월 문샷과 딥시크, 미니맥스를 지목해 조직적인 증류 캠페인을 주장했습니다. 자동 생성된 쿼리로 사고 사슬 추론과 에이전트 도구 사용, 코딩 워크플로를 자사 모델에서 뽑아냈다는 것이고, 문샷 한 곳에만 340만 건이 넘는 쿼리를 귀속했습니다. K3 공개 직후에도 프런티어 모델 증류로 격차를 좁힌 것 아니냐는 논쟁이 있었습니다. 다만 K3에 대한 증류는 확인되지 않았고, 문샷도 인정하지 않았습니다.

동시에 다른 방향의 사실도 있습니다. 서구 랩들 역시 공개·비공개 데이터를 긁어 학습했고, 그 문제로 지금 실제 소송이 진행 중입니다. 저작권 데이터로 훈련한 쪽이 증류를 지식재산 침해라고 비판할 때 생기는 긴장은 실재합니다. 이 분야의 규범은 아직 확정되지 않았고, 어느 쪽도 깨끗한 손으로 시작하지 않았다는 것이 정직한 서술입니다.

이 글은 그 규범 논쟁의 답을 내리지 않습니다. 대신 더 다루기 쉬운 질문을 던집니다. 증류로 결과가 설명되는가.

증류로는 설명이 안 되는 것

여기가 이 글의 핵심 논거입니다.

증류는 강력한 도구지만 만능이 아닙니다. 교사 모델의 출력을 받아도, 그것을 2.8조 파라미터 규모로 재현하려면 학습 인프라와 데이터 파이프라인, 커널, 그리고 무엇보다 시간이 필요합니다. 프런티어 모델이 나오고 두어 달 만에 그것을 증류해서 비슷한 급의 모델을 세상에 내놓는 것은 물리적으로 어렵습니다.

그런데 더 결정적인 것은 따로 있습니다. 증류로는 스승을 이길 수 없습니다. 증류는 정의상 교사의 능력을 근사하는 것이라 상한이 교사입니다. 그런데 실제 벤치마크를 보면 K3는 프런티어 모델에 전반적으로는 뒤지지만 일부 영역에서는 앞섭니다. 보도 기준으로 문샷 자신이 K3가 전반적으로 프런티어 최상위 모델에 못 미친다고 인정했으면서도, 특정 벤치마크에서는 프런티어급에 도달했고, 프런티어엔드 코드 아레나에서는 이전 세대의 18위에서 1위로 뛰어올랐습니다. 독립 평가기관은 K3의 지능을 최상위 바로 아래 급으로 놓습니다.

증류는 교사 모델 수준으로 빠르게 접근하는 데는 유효합니다. 그러나 정의상 상한이 교사이므로, 일부 영역에서 교사를 넘거나 새 구조를 발명하거나 초거대 학습 인프라를 운영하는 것은 설명하지 못합니다.

그리고 가격이 있습니다. K3의 공개 가격은 프런티어 최상위 모델의 3분의 1 이하 수준입니다. 이것은 증류로 얻어지는 것이 아닙니다. 싸게 서빙하려면 구조가 싸야 하고, 그것이 KDA와 MLA가 하는 일입니다. 훔쳐 온 가중치로는 원가 구조가 바뀌지 않습니다.

즉 베꼈다는 설명은 편하지만 결과의 절반만 설명합니다. 나머지 절반, 즉 새 구조를 발명하고 초거대 규모로 돌리고 3분의 1 가격에 서빙하는 능력은 증류로 얻어지지 않습니다.

냉정하게: 과대해석도 경계한다

반대 방향으로도 정확해야 합니다.

첫째, 중국이 앞섰다고 말하기는 이릅니다. 최상위 인용 논문은 미국이 여전히 앞서고, K3도 전반 성능에서는 프런티어 최상위에 못 미칩니다. 앞선 것은 특정 영역과 가격이지 전체가 아닙니다.

둘째, 인재는 여전히 미국으로 흐릅니다. 중국 교육을 받은 상위 연구자의 11%만 중국에 남습니다. 논문을 많이 쓰는 것과 최고의 연구자가 그 나라에서 일하는 것은 다른 문제입니다.

셋째, 효율화가 만능은 아닙니다. 미니맥스처럼 안정성을 이유로 다시 풀 어텐션으로 돌아간 사례가 있고, 알고리즘으로 아낀 것이 규모의 벽을 언제까지 대신할지는 열린 질문입니다. 칩 제약이 압력이자 창의의 원천이라는 서사는 낭만적이지만, 압력이 계속되면 언젠가 부러질 수도 있습니다.

맺으며

원래 질문으로 돌아갑니다. GPU가 부족한데 왜 따라잡히는가.

답은 세 층입니다. 연구 역량이 이미 최상위권에 있고(인용 기준 1위, 기관 수 1위), 세계 AI 인재의 절반 가까이가 중국계이며(미국 프런티어 연구의 38%도 그들이 만듭니다), 그리고 칩이 부족하다는 제약이 오히려 남들이 안 하던 알고리즘 최적화로 몰아붙였습니다. 딥시크의 MLA가 KV 캐시를 93% 줄이고, 문샷의 KDA가 디코딩을 6.3배 빠르게 만든 것은 훔쳐서 될 일이 아닙니다. 궁하면 통한다는 말이 여기서는 문자 그대로입니다.

증류 논쟁은 실재하고, 규범은 아직 정리되지 않았습니다. 그러나 그 논쟁의 결론과 무관하게 남는 사실이 있습니다. 베꼈다는 서사는 결과를 설명하지 못합니다. 그리고 실무자에게 더 중요한 것은 도덕적 판정이 아니라, 그들이 공개한 논문을 읽었는가입니다. MLA도 KDA도 arXiv에 있고 체크포인트는 허깅페이스에 있습니다. 가장 앞선 효율화 기법이 무료로 공개돼 있는데 그것을 읽지 않는 쪽이, 사실은 가장 뒤처집니다.

출처: 논문·인용 통계는 스탠퍼드 HAI AI Index 2026 및 관련 집계, 인재 데이터는 매크로폴로 글로벌 AI 인재 추적, 딥시크 수치는 DeepSeek-V2 논문(arXiv:2405.04434), 문샷 수치는 Kimi Linear 논문(arXiv:2510.26692), K3 성능·가격 및 증류 고발 관련은 Latent Space 등 보도 기준입니다. 증류 고발은 앤트로픽 측 주장이며 K3 관련 증류는 확인되지 않았고 문샷은 인정하지 않았습니다. 서구 랩의 데이터 수집 관련 소송은 진행 중이며 이 글은 그 규범 논쟁에 대해 판단을 내리지 않습니다. 본 글은 정보 제공 목적의 산업 분석이며 투자 자문이 아닙니다.