디프스루크는 수십억 달러 자금을 확보했지만 AGI 연구에 집중하고자 한다

딥시크(Deepseek)는 약 100억 달러 규모의 투자 유치를 앞두고 있으며, 이 라운드에서 약 450억 달러의 기업가치를 인정받을 것으로 알려졌다. 창업자 량원펑(Liang Wenfeng)은 단기 수익화보다 AGI(범용 인공지능) 연구를 우선시하겠다는 입장을 투자자들에게 명확히 전달하고 있다. 딥시크는 이미 DeepSeek-V3, R1 같은 모델을 통해 MoE(Mixture-of-Experts) 아키텍처, MLA(Multi-head Latent Attention), 그리고 강화학습 기반 추론 능력 향상(RLHF가 아닌 순수 RL 기반 reasoning) 등 비용 효율적인 학습 기법으로 주목받아 왔다. AGI 연구 우선 전략은 곧 더 큰 규모의 사전학습, 새로운 추론 패러다임 실험, 그리고 합성 데이터·자가 개선(self-improvement) 루프에 대한 장기 투자로 이어질 가능성이 크다.

개발자 관점에서 가장 큰 임팩트는 "고성능 오픈웨이트 모델의 지속적 공급"이다. 딥시크는 그동안 모델 가중치와 기술 보고서를 비교적 투명하게 공개해 왔고, 단기 수익보다 연구에 자본을 투입한다는 방향성은 이 기조가 유지될 가능성을 높인다. 이는 OpenAI·Anthropic의 폐쇄형 API에 종속되지 않고 자체 인프라에서 LLM을 운영하려는 팀에게 직접적인 대안이 된다. 특히 한국의 SaaS·금융·공공 도메인처럼 데이터 주권과 온프레미스 추론이 중요한 환경에서 딥시크 계열 모델은 vLLM·SGLang·TensorRT-LLM 기반 서빙 스택과 결합해 토큰당 비용을 글로벌 프런티어 모델 대비 수 분의 1 수준으로 낮출 수 있는 선택지로 자리잡고 있다.

다만 엔지니어가 유의해야 할 리스크도 명확하다. 첫째, AGI 지향 연구는 모델 라인업의 잦은 세대 교체를 의미하므로, 프롬프트·튜닝·평가 파이프라인을 특정 체크포인트에 강하게 결합(tight coupling)하지 말고 모델 추상화 레이어(LiteLLM, OpenAI 호환 게이트웨이 등)를 두는 편이 안전하다. 둘째, 중국발 모델에 대한 미국·EU의 수출 통제 및 규제 동향, 그리고 사내 보안·컴플라이언스 정책 검토가 선행돼야 하며, 특히 개인정보·코드베이스를 호스팅된 딥시크 API로 보내는 구성은 피하고 자체 호스팅 또는 신뢰 가능한 추론 공급자를 거치는 구조를 권장한다. 셋째, R1 계열의 reasoning 모델은 chain-of-thought 토큰 비용이 일반 모델보다 크게 늘어나므로, 라우팅 레이어에서 "복잡한 추론 → R 계열, 단순 분류·요약 → V 계열"로 분기하는 코스트 최적화 전략을 미리 설계해 두는 것이 좋다.

지금 시점에서 개발자가 취해야 할 액션은 세 가지로 정리된다. (1) 사내 LLM 평가 하네스에 딥시크 최신 오픈웨이트 모델(V3.x, R1 계열)을 정기 벤치마크 대상으로 등록해 자체 도메인 태스크 성능을 추적할 것. (2) 추론 인프라 측면에서 FP8·MoE 서빙을 지원하는 최신 런타임(SGLang, vLLM 0.6+)과 H100/H200·국산 NPU 호환성을 미리 검증해 두면, 향후 더 큰 MoE 모델이 공개됐을 때 빠르게 도입할 수 있다. (3) AGI 연구 가속화는 곧 agentic·tool-use·long-horizon planning 능력의 비약적 향상을 의미하므로, 현재 단순 RAG 챗봇 수준에 머물러 있는 사내 AI 제품 로드맵을 "에이전트형 워크플로 자동화" 방향으로 재정의하고, 그에 맞는 관측·평가(LangSmith, Arize, 자체 trace 시스템) 인프라를 선제적으로 구축하는 것이 경쟁력 확보의 관건이 될 것이다.