딥시크(DeepSeek) AI 등장, 딥시크 강점과 평가 및 AI 산업 향방

 

딥시크(DeepSeek) AI 등장

최근 DeepSeek AI 의 등장은 시장의 우려와 AI 산업 전망에 큰 변화를 불러일으키고 있습니다. 이를 ‘미국 AI vs 중국 AI’의 프레임으로 볼 수도 있지만, ‘선구자-빠른 추격자’라는 프레임으로 분석함으로써 현 상황을 보다 명확하게 파악할 수 있습니다.

OpenAI 의 선구자적 입장에서 제시했던 논문과 DeepSeek AI 가 채택한 방법론을 통해, DeepSeek AI 가 선구자의 발자취를 효과적으로 활용하여 빠르게 비용 효율화를 달성하고 경쟁력을 강화할 수 있었던 핵심 전략을 추정해 봅니다.

 

딥시크(DeepSeek) AI 강점

 

DeepSeek 에서 공개한 내용들에는 오픈소스의 성격이 강하게 드러납니다. 컴퓨팅 환경, 학습방식, 최적화방식 등에 대한 내용과 평가가 상세히 기록되어 있어 비용 효율화와 함께 향후 후발주자들이 빠르게 AI 산업에 참여할 수 있는 환경을 마련한 것으로 평가합니다.

 

OpenAI 를 비롯한 미국 빅테크 기업들의 선구자적인 역할은 지속될 것으로 기대되지만, 빠른 추격자의 등장은 시장 내러티브에 변화를 가져오고 있습니다.

 

시장의 우려가 커지면서 나오고 있는 ‘AI 버블 붕괴’, ‘미국의 AI 주도권 약화’ 시나리오 보다는 미국 빅테크 기업 중심의 AI 산업의 독점적 수혜 기대가 줄어들고, 빠른 추격자들에 의해 ‘시장성 있는’ AI 솔루션이 출현함으로써 보다 다양한 플레이어들이 경쟁에 참여하게 될 것으로 전망합니다.

 

현재 AI 관련 기술 개발에 국내 기업들은 비용 부담과 인프라 부족으로, 22 년 말 ~23 년 초 반짝했던 AI 기술 개발에 대한 선구적인 역할 기대감은 소멸한 상태 입니다.

 

그러나, 이번 DeepSeek AI 출현과 함께 후발주자들이 비용 효율적으로 상용화 가능성있는 AI 모델을 개발 할 수 있는 환경을 마렸했다고 판단, 국내 기업들도 Follower 로써 AI 생태계에 재진입 기대감이 나타날 것으로 예상합니다.

 

 

 

딥시크 강점 ① 비용 효율화 

DeepSeek R1 모델이 출시되기 전까지 AI 산업에 대한 시장의 기대는 주로 빅테크 기업들의 대규모 투자에 집중되어 있었습니다. 이로 인해 엔비디아(Nvidia)와 같은 AI 연산 장치 등과 같은 하드웨어 기업들이 독점적 지위를 확보하며 높은 주가 수익률을 기록하고 있었습니다.

 

그러나 시장을 선도하는 AI 개발 기업과 빅테크 기업들은 여전히 AI 기술의 1) 수익화 모델과 2) 비용 효율화라는 두 가지 핵심 질문에 대해 명확한 해답을 제시하지 못하고 있는 상황이었습니다.

 

이러한 배경 속에서 DeepSeek 의 AI 모델은 기존 모델과 유사한 수준의 성능을 유지하면서도 '비용 효율화'를 달성했다고 주장하며 주목받았습니다.

 

DeepSeek 의 AI 베이스 모델인 V3 는 560 만 달러라는 기존 모델 대비 약 1%~10% 수준의 비용으로 GPT-4o 와 유사한 수준의 성능을 기록했고, 추론 모델인 R1 모델의 비용은 명확히 공개 되지 않았지만 추론과 논리적인 사고 영역에서 뛰어난 성과를 기록했습니다.

 

R1 모델은 미국 수학경시대회(AIME) 벤치마크 테스트에서 79.8%의 정확도로 OpenAI 의 o1 모델이 기록한 수준을 소폭 상회 했고, 코딩 테스트에서도 96.3%의 백분위(상위 3.7%)로 OpenAI o1 모델과 유사한 수준을 기록했습니다.

 

더불어, R1 모델을 개발자, 사용자가 API 를 통해 이용할 경우, OpenAI GPT-o1 모델 대비 1/10 수준의 가격으로 관련 서비스를 제공하고 있습니다. 비용에 대한 정의와 그 명확성에 대한 의구심이 남아 있음에도 불구하고, DeepSeek 의 성과는 AI 개발의 비용 효율성을 현실화할 가능성을 시사합니다.

 

특히, DeepSeek 는 선구자인 OpenAI 가 걸어갔던 AI 개발 로드맵을 따르고 효율화 방안을 오픈소스와 자체 연구를 통해 적용함으로써, 고비용 구조를 극복하고 경쟁력 있는 AI 모델을 단기간에 출시할 수 있었습니다. 이는 기존 빅테크 기업들이 독점적으로 누려왔던 AI 산업의 수혜 구조에 변화를 암시하면서 미국 기술주 중심의 시장 충격을 만들었습니다.

 

 

 

딥시크 강점 ② Open AI의 강점 이용

DeepSeek가 공개한 논문에서는 OpenAI의 개발 방식을 직접 차용했다고 명시적으로 언급하지 않았습니다. 그러나 내용을 살펴보면, 선구자로서 OpenAI가 발표했던 AI 개발 방향을 상당 부분 뒤따랐다는 사실을 확인할 수 있습니다.

 

DeepSeek의 개발 방 향은 OpenAI의 선구적 담론을 충실히 이어받았으며, 여기에 오픈소스를 활용하고 추 가적인 효율화 방법론을 결합함으로써, 이번과 같은 성과를 냈다는 점이 특징적입니다.

 

DeepSeek의 개발 과정에서 OpenAI가 깔아 놓은 선구자의 길을 따라갔던 핵심 논문 과 강의 두 가지에 주목하고자 합니다. 이를 통해 ‘선구자’인 OpenAI와 ‘빠른 추격자’ 인 DeepSeek 사이에 어떤 기술적 연속성이 존재하는지 살펴보려 합니다.

 

또한, DeepSeek가 발표한 V3, R1 모델이 이 같은 맥락에서 연구를 진행하고 어떤 결과를 도출 했는지에도 주목할 것입니다. 첫번째로 2023년 3월 GPT-4 출시로 AI 모델 성능 향상이 화제가 되고 난 후, 2023 년 12월 OpenAI는 『Weak to Strong Generalization』이라는 논문을 발표했습니다.

 

이 논문은 “AI 모델이 너무 거대해져 인간의 직접적인 개입이 어려울 때, 기존 모델이 생성한 학습 데이터를 활용해 더 큰 모델의 성능을 개선할 수 있는가?”라는 선구자의 입장에서 AI 발전에 방향에 대한 중요한 질문을 다루고 있습니다.

 

기존에는 RLHF(Reinforcement Learning from Human Feedback)를 통해 사람의 피 드백을 모델 학습에 반영할 수 있었습니다. 하지만 모델 규모가 계속 커지면, 사람이 개입하기가 사실상 어려워질 수 있습니다.

 

이 논문에서는 GPT-2 모델로 생성한 라벨 링 데이터를 활용해 GPT-4의 성능을 얼마나 끌어올릴 수 있는지 연구했습니다. 결론 적으로, 더 낮은 성능의 모델 데이터라도 더 큰 모델의 성능 개선에 의미 있는 기여를 할 수 있다는 점을 확인했습니다.

 

이는 ‘선구자’인 OpenAI가 AI 발전 방향을 고민한 흔적을 보여주는 동시에, ‘빠른 추 격자’인 DeepSeek 입장에서도 기존 모델이 생성한 데이터를 활용해 성능을 개선할 가능성을 시사하는 중요한 연구입니다.

 

즉, 충분히 큰 규모의 모델을 개발할 때 다른 모델의 라벨링 결과를 참고할 수 있는 보장된 연구결과가 나와있었던 셈입니다. DeepSeek가 이러한 내용을 자신들의 모델(V3, R1)에 어떻게 적용했는지 살펴보면, 선구자의 발자취를 얼마나 빠르게 효율화하고 실질적인 성능 개선으로 이어갔는지 추 정할 수 있을 것입니다.

 

 

① Open AI 활용

 

우선, DeepSeek가 실제로 OpenAI의 GPT 모델이 생성한 데이터를 사용했는지는 공식적으로 확인되지 않았습니다. 다만, 12월 말 언론 보도에서 DeepSeek AI 모델에게 “당신이 누구냐”고 물었을 때 “OpenAI의 언어 모델인 GPT”라고 답변한 사례를 보면, DeepSeek 모델 학습에 GPT 모델로부터 생성된 데이터가 사용되었을 가능성을 추측해 볼 수 있습니다.

 

이는 비용 효율화의 일부를 담당했을 것으로 추정됩니다. 결국 OpenAI가 던졌던 ‘AI to AI 학습’에 대한 담론을 DeepSeek가 “빠른 추격자”로서 개발 전술로 활용했을 가능성이 높아 보입니다.

 

 

 

② Open AI 추론모델 활용

 

두번째로, 이번에 이슈가 된 DeepSeek-R1 모델의 추론능력을 학습하는 과정도 OpenAI가 GPT-o1을 발표하면서 제시했던 방향을 따른 것으로 추정하고 있습니다. 2022년 구글 브레인의 Wei가 제안했던 Chain of Thinking(이하 CoT) 아이디어와 이를 발전시킨 OpenAI의 CoT 기반 추론 모델 연구는 GPT-o1에서 구체화되었습니다.

 

DeepSeek에 따르면 이번 추론 모델 성능의 달성은 결국 강화학습에 대한 방식을 적용했기 때문에 나타났다고 밝히고 있습니다. 이 방법론에 대한 OpenAI의 고민은 2024년 9월, GPT-o1 모델이 발표되던 시기에 OpenAI 정형원 연구원님이 23년 MIT 에서 진행한 Don’t Teach, Incentivize 강의로 알 수 있습니다.

 

여기서는 AI 모델의 확장 과정에 인간의 직접적인 피드백 대신, 모델 스스로 보상(목적)을 설정하고 평가해 나가는 ”Inducive Incentive”의 개념을 제시했습니다.

 

OpenAI의 정 연구원님의 강의 내용에 따르면 모델이 확장할 수 있는 방식을 다음과 같이 제시합니다. ["사람에게 물고기를 주면 하루를 살게 하고, 물고기 잡는 법을 가르 치면 평생을 살게 한다."

 

저는 여기서 한 단계 더 나아가 동기(Incentive) 기반 방식으로 이 문제를 해결합니다 ["물고기의 맛을 가르쳐 그를 배고프게 하라."] 결국 모델의 논리적인 문제에 대한 목표 자체를 사람이 제시하는 것이 아니라, 적절한 목표 설정과 도달 방식을 Inducive Incentive를 통해 도달하도록 만들어라는 내용입니다.

 

GPT-o1이 공개되기 이전의 강의 이기 때문에 직접적으로 ‘강화학습’ 방식으로 추론 모델을 만든다는 언급 내용은 없었지만 실제 24년 12월 o1 모델 출시 당시 OpenAI는 게시물을 통해 ‘강화학습’을 통해 복잡한 추론 과정을 성공할 수 있다고 밝혔습니다.

 

강화학습에서 중요한 구조는 ‘보상(Reward)’을 통해 ‘행동(Action)’을 강화하는 방식의 구조라는 것입니다. 이때, ‘보상’을 설정하고 도달, 평가하는 방식을 모델 스스로 설정, 도달, 학습하도록 선제적인 연구가 진행 되고 있음을 알 수 있습니다.

 

 

 

③ Open AI 강화학습

 

DeepSeek가 강화학습을 통해 추론 모델을 성공한 사례라고 밝히고 있지만 OpenAI가 구체적인 방식을 공개하지 않았을 뿐 강화학습 방식은 이미 GPT-o1에서 사용되고 있던 방식임을 알 수 있습니다.

 

DeepSeek가 선구적인 논의들을 단계적으로 받아들여, 자신들의 V3와 R1 모델에 적용했을 것으로 추정됩니다. 1월 20일 발표한 R1모델에서는 다양한 방식으로 강화 학습을 적용했을 때 가질 수 있는 성과를 보이고 있으며, ’24년 12월 27일 공개된 V3 Technical Report에도 DeepSeek는 “(강화 학습기반 추론 모델인) R1 모델을 통해 기존 LLM의 추론 능력을 더욱 강화했다”고 밝힌 바 있습니다.

 

이를 종합하면, DeepSeek는 오픈소스로 공개된 방법론과 기존 AI 모델이 생성한 데이터 + 자체 학습용 데이터를 활용해 기본 모델을 학습하고, V3 모델까지 개발. 강화 학습 기법을 병행해 R1 모델을 개발한 것으로 보입니다.

 

이후 AI to AI 형태의 추가 학습 과정을 통해 V3 모델의 추론 능력을 끌어올렸을 것으로 추정됩니다. DeepSeek-R1 모델에서는 성능 향상과 모델 효율성을 동시에 달성하기 위해 MoE(Mixture of Experts), GRPO(Grop Relative Policy Optimization) 등 추가적인 학습 효율성을 위한 방법론들을 적용했다고 밝혔습니다.

 

이는 한정된 예산·시간으로도 충분히 경쟁력 있는 AI 모델을 만들 수 있음을 보여주며, 빠른 추격자 입장에서 "시장성을 갖는" 모델을 신속히 개발할 수 있는 가능성을 보인 사례로 해석할 수 있습니다.

 

결과적으로 DeepSeek는 AI 비용 절감과 일정 수준 이상의 성능 확보라는 두 마리 토끼를 잡았다는 점에서 의의가 있습니다. 그리고 효율성을 도달한 방식을 자세히 제시하고, 심지어 효과적이지 않았던 방법론까지 자세히 기술하면서 다른 추격자(Follower)들이 빠르게 비용 효율성을 가진 모델을 만들 수 있는 기반을 만들었다고 평가할 수 있습니다.

 

그러나, 이 성과가 선구자적인 기술 발전의 ‘방향 제시’와 ’외연 확대’에 해 당하기 보다는, 이미 제시된 담론과 로드맵을 효율적으로 활용·실현한 “빠른 추격자” 의 성공 사례에 가깝다고 볼 수 있습니다.

 

 

 

 

딥시크(DeepSeek) AI 평가

 

DeepSeek AI가 화제가 된 이후 주목해야할 것은 결국 선구자 역할을 하고있는 Open AI의 CEO에 알트먼 발언, 정책 담당자인 트럼프 대통령의 발언입니다.

 

결론적으로 샘 알트먼은 비용 효율화 측면에서 빠른 추격자로 딥시크를 인정하면서도 기술적 우 위와 AI 기술 발전에 대한 강한 자신감을 드러내고 있습니다. 더불어 여전히 많은 계 산 자원이 필요함을 시사하고 있습니다.

 

정책 담당자인 트럼프 대통령인 당장 규제 카드를 꺼내들기 보다는 건전한 시장 경쟁으로 미국 AI 산업 발전이 이루어 질 수 있을 것이라는 견해를 지니고 있습니다. 다만, 직접적인 언급과는 다르게 이번 딥시크 AI 출현 이후 하드웨어 중심의 재제가 빠른 시일 내에 소프트웨어 영역으로 확장 될 가능 성이 있다고 생각합니다

 

 

300x250

 

딥시크, 강력한 추격자로 인정

24년 12월 27일 DeepSeek의 V3모델 발표 이후 샘 알트먼은 다음과 같은 X 게시물을 올렸습니다. ’알고 있는 것을 베끼는 것은 쉽지만, 새로운 것을 하는 것은 엄청나게 어려운 일이다’ 이는 단순히 DeepSeek가 수 많은 추격자 중 하나라고 판단 한 것이며 자신들이 걸어왔던 길을 그대로 답습했을 뿐이라 평가한 것입니다.

 

그러나, 25년 1월 20일 DeepSeek-R1이 출시된 이후 28일 X에 ’R1모델이 상당히 인상적이며 특히 비용적인 측면에서 그들이 가지고 있는 능력이 인상적이다’ 밝혔습니다.

 

빠른 추격자로 AI 모델 개발에 있어서 의식해야할 대상으로 인식의 전환이 일어난 것입니다. 다만, ’ 우리는 더 나은 모델을 제공할 것이다’, ’우리는 더 많은 컴퓨팅 자원이 어느때 보다 중요한 시점에 와있다’ 라고 평가 하면서 계산에 관련된 하드웨어 자원에 대한 중요성을 다시 한번 강조 했습니다.

 

앞선 [OpenAI의 발자취를 이용한 DeepSeek] 에서 살펴본 MIT 강의 내용을 참고하면, 이번 알트먼 발언과 관련해 OpenAI 내부적으로 AI 발전 방향성을 다음과 같이 설정하고 있을 것으로 가늠해 볼 수 있습니다.

 

1) ’구조화된 모델’은 빠른 시간 안에 성과를 달성할 수 있지만 성능 개선 폭이 작다. 2) ’덜 구조화된 모델’은 계산 자원을 많이 필요로 하고 발전의 속도는 불확실 할 수 있으나 더 큰 성능 개선의 가능성을 지 닌다. 3) 우리는 늘어나는 컴퓨팅 자원 속에서 AI가 ’전문성’과 ’보편성’이 함께 발전이 이뤄진다고 보고 있고 확장성 있는 모델을 위한 연구를 지속하고 있다

 

 

딥시크, 투자 관점에서는?

투자의 관점에서 본다면 결국 OpenAI는 AI 기술의 선구자적인 지위로 AGI, ASI 도달을 위해 컴퓨팅 자원에 지속적인 투자를 할 것이다 라는 메세지를 받을 수 있습니다.

 

정책 담당자인 트럼프 대통령의 1월 27일 공화당 컨퍼런스 발언을 살펴보면, DeepSeek AI 출현에 대한 긍정적인 평가를 하고 있고 비용 축소의 영역까지 긍정적으로 평가 하고 있습니다.

 

시장의 건전한 경쟁이 자극이 될 수 있고 미국의 기술 우위가 유지된 상태로 시장성을 확보할 가능성을 긍정적으로 보고 있는 것입니다. 더불어 AI 개발 관련 규제를 완화함으로써 미국도 이러한 비용 효율화가 촉진 될 수 있다고 평가합니다.

 

다만, DeepSeek R1에 대한 논문의 내용과 직접 사용하며 체감한 한 것을 근거로 향후 빠른 시일 안에 AI 소프트웨어에 대한 규제 이슈가 나타날 것으로 전망 하고 있습니다. 기존에 AI 관련 기술 무역 재제가 하드웨어에 집중되어 있던 것이 소프트웨어로 확장될 가능성이 있을 것입니다.

 

DeepSeek R1이 강화 학습을 통해 모델을 형성한 과정을 살펴보면 인간의 개입 없이 강화학습을 진행 시켰음에도 수리, 논리적인 부분에서 좋은 성과를 보였습니다. 다만, 글의 형식과 전달에 대한 자연스러움이 부족해 사람이 개입한 세부조정(SFT, Supervised Fine Tune)을 통해 성능 개선이 있다고 밝혔습니다.

 

이는 AI 학습의 출발 점이 세부적인 기준을 기계가 직접 설정하고 학습함으로써 인간의 개입이 최소화된 형태에서 일어날 수 있는 윤리적 문제의 부상 가능성 또한 담고 있다고 보고 있습니다.

 

실제로 DeepSeek를 사용 하고 난 후기로, 논리적으로 배경지식을 활용해 서술하는 능력이 정말 뛰어나지만, 사용자의 명령과 의도를 GPT-o1 만큼 따르지 못했습니다.

 

인간이 지시, 의도한 바 대로 시행하지 않는 자율적인 AI에 대한 규제의 필요성이 빠르게 급부상 할 수 있을 것으로 보이며 선도자 입장의 국가인 미국은 저비용의 통제 불가능한 AI에 대한 규제를 이행할 것으로 생각합니다.

 

트럼프 대통령은 규제에 대해 서 완화적인 입장을 보이고 있고 이전 바이든 정부의 인공지능 안정성 관련 행정명령 을 폐지했지만, 중국이라는 플레이어가 추격자로 시장에 참여하게 되었을 때, 시장의 건전한 경쟁 효과 이상의 모델과 소프트웨어의 문제는 예방의 관점이 아닌 현실적인 문제의 해결 관점에서 이행 될 수 있을 것 입니다.

 

 

 

 

향후 AI 산업 전망

 

미국 증시

미국의 빅테크, AI 관련 기업이 여전히 선구자적인 위치를 지닐 것으로 예상하지만, 최근의 美 증시의 조정이 추후에도 재차 나타날 수 있다고 보고 있습니다.

 

미 국채 금리가 여전히 4%이상을 기록하고 있고 시장에 적용되는 할인율과 자본비용이 커짐에도 불구하고 상승할 수 있었던 배경 중 일부는 1) AI 관련 산업을 이끄는 선도적 위치 2) AI 산업이 상용화 될 경우 미국 기업들의 독점적인 이익을 얻을 것으로 기대했기 때문이라고 보고 있습니다.

 

그런데 이번 DeepSeek 사태를 통해서 AI 산업이 상용화 될 경우 미국 빅테크 기업 들의 독점적인 수혜에 대한 내러티브의 변화가 나타났다고 볼 수 있습니다.

 

이전에도 실적 발표에서 AI 관련 투자 집행이 늘어 날 때 1) 수익화 모델 2) 비용효율화 측면에서 우려가 반영되었었고 이번 DeepSeek 사건을 통해서 Fast Follower가 추격하는 상황에서 선도적인 위치를 공고히 하지 못하는 빅테크 기업들에게 요구되는 AI 투자 의 압력은 더욱 거세질 것으로 예상하고 있습니다.

 

1) 선구적인 성장 방향 제시 2) 비용 효율화 이 둘 중 하나를 충족 시키지 못할 것이라면 기술주의 추가적인 약세도 나타날 수 있다고 생각합니다.

 

AI 자체가 버블이라고 생각하지 않고 미국이 여전히 선도하는 위치에 있을 것이라 전망하고 있지만 ’선구자’ 역할에 대한 기대를 충족 하지 못한 채 투자 집행 규모가 늘 어나는 기업에 대한 밸류에이션 하락은 지속적으로 나타날 수 있을 것으로 예상하고 있습니다.

 

 

 

 

 

국내 증시

22년 초, OpenAI의 ChatGPT 3.5가 시장의 큰 관심을 받으면서 우리나라 소프트웨어 기업들에 대한 AI 개발에도 관심이 나타났습니다. 그러나 GPU 확보에 대한 자원의 문제와 개발 방향을 설정하는 과정에서 기술과 인프라 격차가 큰 폭으로 나타나면서 우리나라 소프트웨어 기업들의 AI 개발에 선구자적인 위치에 대한 기대는 소멸한 상태 입니다.

 

국내 인터넷/소프트웨어 기업들은 전문성, 일반성에서 발전 가능한 AI 모델 보다는 기존의 사업 영역에서 활용 가능한 수준의 전문성을 갖춘 AI 개발 방향으로 개발을 지속하고 있었고 투자자 입장에서도 성장성과 수익성을 담보할 수 없는 국내 AI에 대한 기대감이 크게 축소된 상황입니다.

 

그러나, DeepSeek라는 빠른 추격자가 등장했고 그 개발 과정에 대한 내용을 오픈소스로 공개해 추가적인 후발주자들이 효율적으로 활용할 수 있는 자원이 마련되었다는 것을 고려하면, 우리나라 인터넷/소프트웨어 상장기업 혹은 스타트업이 AI에 개발에 투입할 자본의 규모는 DeepSeek 출현 이전에 생각했던 요구자본규모 대비 큰 폭으로 줄어들 수 있을 것입니다.

 

절대적인 수준에서 미국, 중국 대비 갖추고 있는 하드웨어, 인프라, 인적자원이 부족한 상황이지만 후발주자의 입장에서 이미 앞서 개발된 자원을 활용할 경우 DeepSeek와 같이 작은 자본 규모로도 충분히 시장성 있는 AI 개발 방향에 대한 기대감이 부각 될 수 있을 것으로 예상합니다.

 

국내에서 보유한 GPU현황을 짚고 넘어가면, 현재 24년 국내 H100 보유 현황은 약 1.2만대 수준으로 파악되고 있습니다. 과기부 통신부 산하 SPRi가 발간한 ’2023 인공 지능산업 실태 조사’에 따르면 국내 기업들은 총 1961개의 H100 GPU를 가지고 있는 것으로 파악되었습니다.

 

다만, 해당 조사 시점에서 1년이 지난 현재 서버 업체들에 따 르면 국내 GPU 시장 규모는 최소 연 1조원 대에서 크게는 1조원대 중반에 이를 것으로 추정 됩니다. H100의 가격이 4000만원대로 가정할 경우 우리나라 안의 H100 보유 대수는 약 1.2만대 수준으로 파악 됩니다 .

 

이번 DeepSeek V3모델에서 약 2000대의 H800 칩을 이용했다는 것을 참고 하면, 현재 확보한 GPU로 충분히 시장성 있는 모 델의 개발이 가능할 수 있다고 보고 있습니다.

 

이러한 선구자-추격자 프레임으로 볼 때 우리나라 증시에서도 단기적으로 AI 개발에 대한 기대가 반영 될 수 있을 것으로 보이며, 중장기적으로도 국내 기업들의 AI 개발 방향 변화와 가시적인 성과가 나타날 경우 중장기적인 모멘텀으로 작용할 수 있을 것 으로 판단하고 있습니다.