0~15분: DeepSeek이 바꾼 판 — 중국이 전부 다 했다

노정석이 "2025년이 너무 가팔랐다"며 운을 떼자마자, 김성현이 조용하지만 단호하게 정리해. "생각보다 패러다임 전환은 초반에 집중됐어요. DeepSeek-R1이 나온 1월 이후로는 사실 그걸 이해하고 발전시키는 해였습니다."

올해 공개된 프런티어급 AI 모델 목록을 쭉 나열하는데 — DeepSeek, MiniMax, Kimi, Alibaba, Tencent, Ant, Meituan… 최승준이 슬쩍 끼어들어. "다 중국이에요." 노정석이 웃으며 받아. "100% 중국 아닌가요?" 김성현이 담담하게 확인해줘. "네, 100% 다 중국입니다."

여기서 중요한 포인트가 하나 나와. 예전엔 중국 기업들도 "우리 자원 내에서 작은 모델이나 만들자" 였거든. 그런데 DeepSeek이 적은 GPU로도 최고 성능을 낼 수 있다는 걸 증명하자마자, 다들 "그럼 우리도 프런티어 간다"로 방향을 확 틀었다는 거야. 자원의 한계가 아니라 의지와 방법론의 문제였던 거지.

15~35분: MoE — 같은 돈으로 7배를 뽑는 구조

김성현이 그래프 하나를 꺼내. 솔직히 그래프 자체는 복잡한데, 핵심은 간단해.

"기존 dense 모델 대비 MoE 모델은 같은 학습 비용으로 7배 이상의 성능이 나옵니다. 그리고 모델이 커질수록 이 차이가 더 벌어져요."

노정석이 고개를 갸웃하면서 물어. "근데 MoE가 왜 되는 건지 이론적으로 밝혀진 건 있나요?" 김성현이 잠깐 생각하다가 답해. "희소성이라는 개념으로 보는 게 제일 좋을 것 같아요. 수백 개의 전문가 모듈이 있는데, 매번 그 중 일부만 사용하는 거죠. 그래서 실제 연산은 적게 쓰지만 전체 시스템은 굉장히 큰 모델의 효과를 낼 수 있어요."

최승준이 "약간 조합 가능하고 모듈화된 느낌?" 하고 추임새를 넣으니 김성현이 "맞아요"라고 확인해줘. DeepSeek이 이 MoE 레시피를 잘 정립한 덕분에, 이제 다른 중국 기업들(Kimi, Mistral 등)이 DeepSeek 아키텍처를 그냥 가져다 쓰는 상황이 됐어. 마치 예전에 모두가 Llama 구조를 베이스로 썼던 것처럼.

35~50분: RLVR — RL이 에이전트를 만드는 방법

두 번째 키워드는 RLVR이야. 최승준이 깔끔하게 정리해줘. "RLHF가 챗봇을 만들기 위한 학습이었다면, RLVR은 에이전트를 만들기 위한 학습이다, 이렇게 말해도 되나요?" 김성현이 "네, 정확해요"라고 답해.

핵심 아이디어는 이래. 기존엔 AI가 중간 과정을 잘 했는지 일일이 설계해줘야 했어. 근데 RLVR은 그냥 "최종 결과물이 맞으면 보상"이야. 코딩 에이전트라면 코드가 실제로 작동하면 OK, 아니면 NO. 중간 과정은 AI가 알아서 학습해.

여기서 노정석이 재밌는 비유를 들어. "고등학교 수학 교과서에서 유제를 통해 기본 스킬을 배우지만, 뒤에 연습 문제 30개를 풀어봐야 시험을 볼 수 있잖아요." 김성현이 바로 받아. "실제로 해보지 않으면 배울 수 없는 것들이 있죠. 그게 RL의 가장 큰 역할이에요."

그리고 흥미로운 발견 하나가 나와. RL이 새로운 능력을 부여하냐 vs 기존 능력을 끌어내는 거냐는 논쟁에서 — 2025년 연구들의 결론은 이래. "기본 스킬(atomic skill)은 pre-training에서 배우고, 그 스킬들을 조합하는 능력은 RL로 배운다." 마치 사칙연산을 아는 것과, 사칙연산을 순서에 맞게 조합해서 복잡한 문제를 푸는 것은 다른 능력이라는 거야.

50~60분: 레시피는 공개됐는데 왜 중국만 하냐? + 데이터가 전부다

최승준이 좀 의아한 질문을 해. "레시피가 이렇게 알려져 있는데 왜 미국하고 중국밖에 못 한 거예요?" 세 명이 웃으면서 침묵하다가 노정석이 말해. "이게 결국 페이퍼에 안 나오는 암묵지가 있는 거야. '이 하이퍼파라미터에서 여기가 망한다'는 걸 경험해본 사람만 알거든."

김성현이 또 하나 뼈 때리는 말을 해. "모델은 제품이고, 데이터는 모델이다." 결국 어떻게 데이터를 만드느냐가 모든 걸 결정한다는 거야. 그리고 역설적인 사실 하나 — 프런티어 기업들이 데이터 가공할 때 대부분 Qwen 30B 같은 오픈 모델을 써. 모델을 만들려면 데이터가 필요하고, 데이터를 만들려면 모델이 필요한 순환 구조인 거지.

60~71분: 2026년 예측 — 스스로 배우는 AI가 온다

마지막 파트는 2026년 전망이야. 김성현이 세 가지 방향을 짚어.

첫째, 스케일업. 중국 기업들은 지금 GPU를 더 사고 싶어서 안달이 나 있어. "RL을 해보니까 모델이 클수록 더 잘 되더라. 그럼 더 키우면?" 이 욕구가 2026년에 폭발할 거야.

둘째, 지속 학습(continual learning). 사람이 데이터를 만들어주는 게 가장 큰 병목이 되고 있어. 자율주행 비유가 나와 — 90%까지는 쉽게 만들지만 99.9%를 위해선 엣지 케이스 데이터를 끝없이 모아야 하잖아. AI도 마찬가지야. 근데 AI가 스스로 "이게 중요하다"고 판단하고 배울 수 있다면? 그게 지속 학습이야. 김성현은 2026년에 이 징조가 보일 확률을 50%로 봤어.

셋째, self-play. 알파고처럼 AI끼리 경쟁하면서 스스로 발전하는 거야. 근데 바둑과 달리 언어·코딩 문제는 "어렵게 만들기"가 너무 쉬워(말도 안 되는 문제 만들면 정답률 0%니까). 그래서 "사람이 보기에 가치 있는 문제를 만드는 능력"이 핵심이고, 이게 결국 AI가 사람의 가치와 정렬되어야 한다는 얘기로 수렴해.

마지막에 노정석이 물어. "성현 님은 이런 세상에서 어떻게 사실 거예요?" 김성현이 잠깐 웃다가 담담하게 대답해. "그냥 즐기기로 했습니다."

---