[작성자:] ltoptimization

여러번 언급했던 바와 같이, 서구 AI가 독자적인 점유율을 지켜나갈 수 있다면 MDB 투자에 대해 전혀 걱정이 없다.
하지만 DeepSeek, Kimi K2 등 낮은 트레이닝 비용으로 만든 AI 모델을 실리콘밸리에서 실제 사용하고 있다는 소식은 서구 AI 모델들의 경쟁력에 대한 근본적 의문을 제기하게 하였다.

‘스푸트니크 모먼트’라고 하는데, 쉽게 말하면 우리가 가만히 있다가는 큰일나겠다는 절박함을 느끼게 되는 시점을 의미한다.
미국은 스스로 세계적으로 기술을 선도하고 있다고 생각하고 있었는데 1957년 소련이 세계 최초 인공위성인 스푸트니크 1호를 발사하면서 엄청난 충격을 받게 된 사건이 역사상 첫번째 스푸트니크 모먼트가 되었다.

그 이후 미국은 다시 기술 패권을 찾을 수 있었다.
DeepSeek이후 중국 AI는 다시 미국에 스푸트니크 모먼트를 제공하고 있다.
그 결론은 다시 미국을 포함한 서구권 AI 밸류체인의 승리로 귀결될까?
아니면 Will it be different this time?

그리고 그 안에서 LTO는 어떤 투자 기회를 찾을 수 있으며,
커버기업인 MDB의 성장성과 수익성에는 어떤 영향을 미칠지 고민해보겠다.

서구 vs. 중국 : AI 모델의 근본적인 차이와 전망

개발 모델의 차이: CAPEX 중심 vs. 비용 효율성

’25년 초 DeepSeek, 최근 Kimi K2 등 중국의 AI 모델들은 서구의 거대 AI 모델들과 비교해 극도로 저렴한 비용으로 유사한 성능을 보여주며 글로벌 AI 시장에 충격을 주고 있다.
이는 단순한 기술적 성과를 넘어, AI 개발과 상용화에 대한 근본적인 접근 방식의 차이를 드러내는 ‘스푸트니크 모트‘로 받아들여지고 있다.

서구와 중국의 AI 모델은 개발 철학, 비용 구조, 그리고 시장 전략에서 대조를 이루고 있으며,
이는 향후 AI 산업의 발전 방향과 투자 전략에 중대한 영향을 미칠 것으로 예상된다.

서구의 AI 모델은 대규모 CAPEX에 기반한 독점적이고 폐쇄적인 시스템을 구축하는 반면,
중국은 오픈소스를 활용하고 정부의 전략적 지원을 받아 비용 효율성을 극대화하는 개방적인 모델을 추구하고 있다.
이 두 모델의 충돌과 공존은 향후 수년간 AI 산업의 핵심 화제가 될 것이다.

서구 AI : 고비용 독점 모델

서구, 특히 미국의 AI 산업은 민간 기업을 중심으로 한 대규모 자본 투자(CAPEX) 중심의 개발 모델을 특징으로 한다.

OpenAI, Google, Microsoft, Meta 등 빅테크는 수십억 달러 규모의 자본을 투입하여 초대형 AI 모델을 개발하고, 이를 독점적으로 운영하고 있다.
이들은 고성능 GPU 클러스터, 대규모 데이터 센터, 그리고 최고 수준의 인재 확보에 막대한 비용을 지출하며, 이는 중국 기업들의 투자 규모를 크게 상회한다.

이러한 전략은 기술적 우위를 확보하고, 고성능 모델을 통해 시장을 선점하는 데 목적이 있다.
그러나 이는 동시에 AI 기술의 진입 장벽을 높이고, AI 서비스의 가격을 비싸게 만들어 중소기업이나 개발자들의 접근성을 제한하여 자본을 소유한 소수의 대기업과 고급 사용자에게 AI의 혜택을 집중시키는 결과를 낳을 수 있다.

중국 AI : 저비용 오픈소스 모델

중국의 AI 개발 모델은 서구와는 대조적으로, 비용 효율성과 오픈소스를 통한 생태계 확장에 초점을 맞추고 있다.
(독재 정치 시스템을 갖고 있는 중국에서 오히려 더 분산적인 구조의 AI 모델이 발전하고 있다는 것이 아이러니하다)

중국 기술 기업들은 서구 기업들에 비해 상대적으로 적은 CAPEX로도 경쟁력 있는 AI 모델을 개발하는 데 성공하고 있다.
일부 분석가들은 중국의 대형 기술 기업들이 미국 기업들의 10분의 1 수준의 CAPEX만으로도 운영하고 있다고 지적한다.

이는 중국 기업들이 오픈소스 모델을 적극 활용하고, 커뮤니티 기반의 개발을 통해 비용을 절감하는 전략을 채택하고 있기 때문이다.
또한, 중국 정부의 전폭적인 지원과 대규모 데이터 보유, 다양한 응용 시나리오를 활용한 학습 등이 이러한 저비용 고효율 개발을 가능하게 하는 요인으로 작용하고 있다.
중국의 AI 모델들은 종종 오픈소스로 공개되어, 개발자들이 자유롭게 접근하고 활용할 수 있도록 하며, 이는 AI 기술의 빠른 확산과 다양한 응용 분야에서의 실험을 촉진하고 있다.
이러한 전략은 AI 기술의 대중화와 산업 전반의 AI 도입을 가속화시키며, 특히 개발 도상국이나 예산에 제약이 있는 기업들에게 매력적인 대안이 되고 있다.

Kimi K2와 DeepSeek의 사례 분석

중국 AI의 저비용 고성능 전략을 가장 잘 보여주는 사례는 Moonshot AI의 Kimi K2와 DeepSeek의 모델들이다.

이들 모델은 서구의 최첨단 AI 모델들과 비교해 뒤처지지 않는 성능을 보여주면서도,
훨씬 저렴한 가격으로 API를 제공하고 있어 글로벌 AI 시장의 주목을 받고 있다.
이들의 성공은 단순히 기술적 우수성을 넘어, 중국 AI 산업의 실행력을 보여주는 증거다.

Kimi K2는 초장문 맥락 이해 능력으로, DeepSeek는 오픈소스를 통한 빠른 기술 혁신으로 각각 주목받고 있으며,
이들은 중국 AI가 단순히 서구 기술을 모방하는 것이 아니라,
독자적인 혁신을 통해 경쟁력을 확보하고 있음을 입증하고 있다.

Kimi K2: MoE 아키텍처와 낮은 API 가격

China startup Moonshot AI rivals U.S. with cheap open model | TechTarget

Moonshot AI가 개발한 Kimi K2는 1조 개 이상의 총 매개변수와 320억 개의 활성화 매개변수를 가진 대규모 언어 모델이다.
이 모델은 특히 ‘24.3월, 단일 대화에서 최대 200만 개의 중국어 문자를 처리할 수 있는 초장문 맥락 이해 능력으로 주목을 받았다.
이러한 성과는 의료, 교육, 고객 서비스 등 문서 중심의 업무에서 매우 실용적인 가치를 지닌다.

Kimi K2는 Mixture-of-Experts (MoE) 아키텍처를 채택하여, 전체 매개변수를 활용하는 것보다 훨씬 적은 계산 리소스로도 높은 성능을 달성할 수 있게 해준다.
MoE 구조의 우수성과 서구 AI 모델이 이런 전략을 사용하지 않은 이유에 대해 Chat GPT에 분석을 요청하여 얻은 결과를 아래 공유한다.

Kimi K2의 MoE 구조와 비용 효율성: 서구권 LLM들과의 비교

Kimi K2와 MoE 모델 개요

중국 Moonshot AI가 2025년 공개한 Kimi K2는 약 1조 개의 매개변수를 갖춘 대화형 **대규모 언어 모델(LLM)**입니다intuitionlabs.ai. 이 모델의 가장 큰 특징은 MoE(Mixture of Experts), 즉 ‘전문가 혼합’ 구조를 채택했다는 점입니다. MoE란 하나의 거대한 신경망을 여러 개의 “전문가” 하위 모델로 나누고, 입력에 따라 일부 전문가만 활성화하여 응답을 생성하는 방식입니다medium.comblogs.nvidia.com. 다시 말해, 모든 질문에 모델의 모든 부분을 다 쓰지 않고, 관련된 부분만 선택적으로 사용합니다. 이는 사람이 뇌의 특정 영역만 사용하여 과제를 수행하는 것에 비유할 수 있습니다. 아래 그림에서처럼 MoE 모델은 입력에 따라 해당 분야 전문가들만 가동하고 나머지는 쉬게 하여, 불필요한 연산을 줄입니다blogs.nvidia.com. 이러한 스파스(sparse) 구조 덕분에, Kimi K2는 1조 개에 달하는 거대한 파라미터를 갖고 있음에도 매 토큰(token)마다 약 32억 개 정도의 파라미터만 활성화되는 효율성을 보입니다arxiv.org. (즉, 전체의 약 3%에 해당하는 파라미터만 사용됩니다.) 이는 Kimi K2가 384개의 전문가 네트워크를 갖추고, 그중 8개 전문가만 선택적으로 동작하도록 설계되었기 때문입니다intuitionlabs.ai.

MoE 모델의 개념도: 거대한 신경망을 여러 “전문가”로 나누고 입력마다 관련된 일부 전문가들만 활성화하는 구조를 보여준다. 뇌가 작업별로 특정 부위를 사용하는 것처럼, MoE 모델은 라우터(router)를 통해 매 토큰마다 최적의 전문가들을 골라낸다blogs.nvidia.com.

Kimi K2는 이러한 구조 덕분에 초록(context) 길이를 128k 토큰까지 지원하며, 복잡한 단계적 추론과 도구 활용에 특화된 에이전틱(agentic) 지능을 목표로 설계되었습니다intuitionlabs.ai. 예를 들어 여러 단계를 거쳐 계획을 세우고 도구를 호출하는 등, 단순 문장 답변을 넘어 자율적으로 사고하고 행동을 결정하는 능력을 키우려 한 것입니다. Kimi K2의 기본(pre-training) 모델은 이러한 에이전틱 AI 능력을 염두에 두고 방대한 데이터를 학습했으며, 이후 **지시 튜닝(Instruction Tuning)**과 자체 생성한 다단계 문제 해결 데이터로 추가 학습을 거쳐 대화형 임무에 최적화되었습니다intuitionlabs.ai.

Kimi K2 MoE 구조의 기술적 특징과 장점

Kimi K2의 MoE 구조에는 몇 가지 핵심 구조적 혁신과 기술적 장점이 있습니다:

효율적인 거대 모델 구현: MoE를 통해 규모와 효율성의 균형을 달성했습니다. Kimi K2는 총 1조 개의 파라미터로 거대한 모델이지만, 토큰 당 활성화되는 파라미터는 32억 개 수준이라서 사실상 300억 규모 모델처럼 동작합니다arxiv.org. 이는 동일 성능의 밀집(dense) 구조 모델 대비 계산량을 크게 줄이는 효과가 있습니다. 실제로 전체 모델 용량은 키우면서도 매 연산에 드는 비용을 줄였기 때문에, 거대한 모델을 기존 자원으로도 훈련시키고 활용할 수 있었습니다cameronrwolfe.substack.comblogs.nvidia.com.

전문가 분업으로 인한 특화 효과: MoE의 각 전문가 네트워크는 서로 독립적으로 학습되며 특정 입력 유형이나 작업에 특화될 수 있습니다medium.commedium.com. 예를 들어 어떤 전문가는 코드를 잘 처리하고, 다른 전문가는 창의적 글쓰기나 수학 문제에 능할 수 있습니다. 입력 질문이 들어오면 **게이팅 네트워크(라우터)**가 자동으로 관련 높은 전문가들을 선택하고 해당 부분만 계산을 수행합니다medium.commedium.com. 이렇게 하면 모델 전체를 모두 동원하는 경우보다 더 정확하고 풍부한 응답을 낼 수 있습니다. Kimi K2의 경우 이러한 구조로 코딩, 추론, 수학 등 여러 분야에서 최고 수준의 성능을 보이며, 일부 영역에서는 GPT-4나 GPT-5 같은 폐쇄형 최첨단 모델들을 능가하기도 합니다intuitionlabs.ai. 실제 보고에 따르면, Kimi K2의 지시-튜닝 버전은 코드 생성 테스트에서 GPT-4.1을 능가하고(패스@1 기준 53.7% vs 44.7%), 고난도 벤치마크 시험(“Humanity’s Last Exam”)에서도 GPT-5를 앞서는 점수를 기록했습니다 (K2 44.9% vs GPT-5 41.7%)intuitionlabs.ai. 이러한 성과는 MoE 구조가 성능을 희생하지 않으면서도 효율을 높일 수 있음을 입증합니다.

안정적인 초대규모 학습 기법: 1조 파라미터나 되는 거대 MoE 모델을 학습하려면 기존 방법으로는 학습 불안정성 문제가 컸는데, Kimi K2 팀은 이를 해결하는 전용 최적화기를 도입했습니다. 예를 들어 MuonClip이라는 새로운 옵티마이저를 사용하여 15.5조 토큰이라는 막대한 데이터로 사전학습을 시키면서도 학습 손실 폭발이나 불안정 현상 없이 안정적으로 진행할 수 있었다고 합니다intuitionlabs.ai. 특히 QK-Clip이라는 가중치 클리핑 기법을 적용해, 초거대 모델에서 발생하는 그래디언트 폭주를 억제했다고 합니다intuitionlabs.ai. 그 결과 Kimi K2는 1조 규모 학습에서도 손실 스파이크가 한 번도 없이 끝까지 훈련을 마쳤다고 보고되었습니다arxiv.orgarxiv.org. 이는 그만큼 MoE 구조에서의 대규모 학습 안정화 기술을 확보했음을 의미합니다.

실용적인 긴 맥락 처리와 툴 사용: Kimi K2는 맥락 길이를 128K 토큰까지 확장하여, 아주 긴 문서나 대화도 한 번에 처리할 수 있습니다intuitionlabs.ai. 또한 다양한 툴(예: 계산기, 코딩 인터프리터 등)을 다단계로 호출하며 문제를 해결하도록 훈련된 에이전트형 데이터로 튜닝되어, 수백 단계에 걸친 연속 작업도 논리 흐름을 유지하며 수행할 수 있습니다intuitionlabs.ai. 독립 평가에 따르면 Kimi K2는 300회 이상의 연속적인 툴 호출도 문맥을 잃지 않고 이어갈 정도로 긴 추론에 강인함을 보였습니다intuitionlabs.ai. 이런 능력은 일반적인 LLM보다 복잡한 시나리오 처리나 자율 에이전트 실행에 유리합니다.

경량화 및 배포 용이성: MoE 구조라고 해서 반드시 복잡한 장비가 필요한 것은 아닙니다. Kimi K2 팀은 양자화(quantization) 기법을 적용해 모델을 4비트 정밀도로 압축하면서도 성능 저하를 최소화했습니다intuitionlabs.ai. 그 결과 Kimi K2의 추론 모델은 4비트 정밀도로도 원래와 유사한 품질을 내며, 덕분에 상대적으로 적은 GPU 자원으로도 구동이 가능합니다. 실제 보도에 따르면 Kimi K2는 최신형 애플 M3 Ultra GPU 두 장만으로도 초당 15 토큰 정도의 생성 속도를 낼 수 있다고 하니, 이 정도면 개인 개발자가 고사양 PC로 시험해볼 수도 있는 수준입니다intuitionlabs.ai. 또한 Kimi K2는 오픈 소스로 공개되어(변형 MIT 라이선스) 누구나 모델 가중치를 내려받아 활용할 수 있기 때문에, 연구자나 기업들이 저렴한 비용으로 최첨단 AI를 활용해볼 수 있게 했다는 점도 큰 장점입니다intuitionlabs.aiintuitionlabs.ai.

MoE 구조의 비용 효율성 분석

Kimi K2가 주목받는 가장 큰 이유 중 하나는 뛰어난 비용 효율성입니다. 앞서 언급했듯, MoE 모델은 계산 자원을 절약하면서도 거대 모델의 이점을 얻을 수 있는 구조입니다. Dense(밀집) 모델에서는 입력 하나를 처리할 때 매번 모델의 모든 파라미터를 연산해야 합니다. 예컨대 GPT-3처럼 175억 파라미터 짜리 모델이면 질문 하나에 175억 개 모두를 계산에 사용합니다. 반면 MoE 모델에서는 거대한 전체 파라미터 중 필요한 일부만 활성화하지요medium.commedium.com. Kimi K2의 경우 1조 개 중 32억 개 정도(약 3%)만 사용하므로, 사실상 32억짜리 모델을 돌리는 정도의 연산비용만 들게 됩니다arxiv.org. 이러한 선택적 계산(conditional computation) 덕분에 성능 대비 비용 효율이 훨씬 높습니다. NVIDIA의 분석에 따르면, 최첨단 MoE 모델들은 동일 하드웨어에서 밀집 모델 대비 최대 10배 빠른 속도로 작동하며, 토큰당 비용을 1/10 수준으로 절감할 수 있다고 합니다blogs.nvidia.comblogs.nvidia.com. 이는 곧 같은 돈으로 10배 더 많은 추론 작업을 처리하거나, 동일한 연산으로 더 똑똑한 모델을 활용할 수 있다는 뜻입니다.

이 비용 상의 이점은 실제 사례에서도 확인됩니다. **Kimi K2 팀은 약 4백만 달러(한화 50억 원 남짓)**의 비교적 적은 예산으로 이 1조 파라미터 모델의 학습을 완료했다고 알려져 있습니다pub.towardsai.net. 놀랍게도 이렇게 훈련된 Kimi K2는 세계 최고 수준으로 꼽히는 GPT-5 수준의 모델과 어깨를 나란히 하거나 일부는 앞서는 성능을 냈습니다pub.towardsai.netintuitionlabs.ai. 반면 GPT-4나 GPT-5와 같은 모델을 개발한 서구권 기업들은 수천억 원 규모의 투자와 초대형 데이터센터 인프라가 필요했다고 전해지죠. 예를 들어 OpenAI의 GPT-4 모델은 **학습에만 수천만 달러(추정 약 7천8백만 달러)**가 소요된 것으로 추산되고cybolink.com, 구글의 차세대 Gemini 모델은 훈련 비용이 1억 9천만 달러에 달했다는 보고도 있습니다cybolink.com. 이를 감안하면, Kimi K2는 경쟁 모델 대비 10분의 1 이하 비용으로 비슷한 성능을 구현해낸 셈입니다. 실제로 한 애널리스트는 Kimi K2의 혁신을 가리켜 “불과 1%의 비용으로 실리콘밸리를 이겼다”고 평했는데pub.towardsai.net, 이는 과장이 아니라 그만큼 MoE 구조가 경제성 면에서 파괴적인 임팩트를 보여줬다는 의미일 것입니다.

또한 추론(서비스) 비용 측면에서도 MoE 모델은 유리합니다. 한 보고에 따르면 Kimi K2를 활용해 복잡한 코딩 작업 하나를 완료하는 데 드는 비용이 **약 0.5위안(한화 100원 미만, $0.07 정도)**에 불과했다고 합니다intuitionlabs.ai. 반면 동일한 작업을 폐쇄형 상용 모델 API로 시도하면 수십 배 이상 비용이 들 수 있습니다 (예: 한 폐쇄 모델은 백만 토큰당 약 $3 달러, 즉 비슷한 작업에 몇 달러의 비용 추산)intuitionlabs.ai. 결국 MoE 기반 Kimi K2는 한 번 답변을 생성하는 데 들어가는 계산량과 금전적 비용 모두 매우 저렴하며, 이는 사용자들이 낮은 비용으로 고성능 AI 서비스를 이용할 수 있음을 뜻합니다. 특히 Kimi K2처럼 오픈소스로 공개된 MoE 모델은 클라우드 API 사용료 없이 자체 서버나 로컬 환경에 올려 운용할 수도 있으므로, 기업 입장에서 장기 운용 비용을 크게 절감할 잠재력이 있습니다intuitionlabs.aiintuitionlabs.ai.

정리하면, MoE 구조의 기술적 장점은 다음과 같이 요약할 수 있습니다:

연산 효율 증대: 필요할 때만 일부 모델 파라미터를 사용하므로, 토큰당 연산량이 감소되어 응답 속도와 비용 면에서 유리합니다blogs.nvidia.com.

모델 규모 대비 성능 극대화: 동일 자원으로 훨씬 큰 모델을 운용할 수 있어 성능을 높이면서도 비용 증가는 억제합니다cameronrwolfe.substack.com.

전문가의 전문성 활용: 여러 전문가 네트워크가 각기 다른 지식/능력을 담고 있어, 한 모델에 다양한 분야의 최적화된 지능을 동시에 갖출 수 있습니다.

확장성과 유연성: 전문가 수를 늘리는 방식으로 비교적 쉽게 모델 용량을 키울 수 있어 확장성이 좋습니다arxiv.org. 또한 일부 전문가만 수정/재학습하는 식의 모듈식 업데이트도 잠재적으로 가능합니다.

비용 접근성: 연구팀이나 중소기업도 비교적 적은 예산으로 최첨단 모델을 학습/활용할 수 있는 길을 열어줍니다. 실제로 Kimi K2의 사례에서 수십 배 비용 절감 효과가 입증되었습니다pub.towardsai.netcybolink.com.

서구권 LLM들과의 비교: 왜 MoE를 선택하지 않았나?

한편, OpenAI나 Google 같은 서구권 주요 AI 플랫폼들은 지금까지 Kimi K2와 같은 극단적인 MoE 구조를 적극 도입하지 않고, 주로 **대규모 자본 지출(CAPEX)**을 통한 하드웨어 투자를 바탕으로 성능을 끌어올리는 전략을 취해왔습니다. 예컨대 GPT-5.2 (OpenAI의 차세대 GPT 시리즈)나 Google의 Gemini 3.0 같은 모델들은 내부 구조를 상세히 공개하진 않았지만, 업계 관측에 따르면 수백억~천억 개 이상의 파라미터를 지닌 거대 모델을 밀집 구조로 운용하고 있는 것으로 보입니다. 이들은 모델 구조 혁신보다는 막대한 컴퓨팅 자원 투입으로 성능을 확보하는 경향이 있습니다cybolink.comcybolink.com. 실제로 OpenAI는 GPT-4 등을 개발하면서 마이크로소프트 애저 클라우드에 수십억 달러 규모의 연산 리소스를 투입했고, 2024년 한 해에만 추론 서비스 비용으로 120억 달러 이상을 지출했다는 보도도 있습니다theregister.com. 구글 역시 자체 AI 모델들을 위해 대규모 **TPU 팟(pod)**과 데이터센터 증설에 아낌없이 투자해 왔습니다. 다시 말해, 서구 빅테크들은 충분한 자본력과 인프라를 지렛대 삼아 모델을 키우고 돌리는 방식을 선택한 것입니다.

이러한 “브루트포스(Brute-force)형” 접근을 택한 이유는 몇 가지로 분석됩니다:

자본 및 인프라의 여유: OpenAI나 구글 같은 기업들은 일찌감치 수십억 달러의 투자를 유치하고 거대한 데이터센터를 확보했습니다. 돈과 자원이 넉넉하다 보니, 새로운 아키텍처를 모색하기보다는 검증된 밀집 모델을 더 크게, 더 많이 돌리는 것이 현실적이었습니다. 예를 들어 GPT-3에서 GPT-4로 갈 때 모델 파라미터 수와 학습 데이터량을 대폭 늘리고, 그에 맞춰 슈퍼컴퓨터 급 하드웨어를 증설하는 식으로 성능을 끌어올렸습니다cybolink.comcybolink.com. 이는 기술적 모험을 줄이고도 최고 성능을 달성할 수 있는 길이기도 했습니다. 기업 입장에서는 확실한 방법에 자본을 투입해 단기간에 목표 성능에 도달하는 것이, 새로운 구조를 탐색하다 실패하는 위험을 지는 것보다 낫다고 판단한 것입니다.

MoE 구조의 복잡성과 성숙도 문제: MoE 자체는 새로운 개념은 아니지만(구글이 2021년 Switch Transformer 등을 통해 선도적으로 연구한 바 있음medium.com), 이를 상용 대규모 모델에 안정적으로 적용하는 데에는 어려움이 많았습니다. MoE 모델을 훈련/서빙하려면 여러 GPU에 전문가들을 분산시키고, 매 토큰마다 동적으로 통신하여 결과를 합쳐야 하는데, 이는 소프트웨어 최적화부터 하드웨어 연결까지 해결해야 할 난관들이 존재합니다blogs.nvidia.comblogs.nvidia.com. NVIDIA 역시 “MoE 모델을 실제 제품 수준으로 확장하는 것은 악명 높게 어렵다(notoriously difficult)”고 지적하면서, 이를 위해서는 하드웨어-소프트웨어의 극한 최적화가 필요하다고 밝혔습니다blogs.nvidia.com. 다시 말해, 빅테크들이 MoE를 채택하지 않은 한 가지 이유는 구현과 운영의 복잡성입니다. 실제로 OpenAI GPT-4의 경우도 내부적으로 일부 MoE 기법을 활용했을 가능성이 거론되지만medium.com, OpenAI는 정확한 구조를 공개하지 않았고, 안정성 문제 등으로 완전한 MoE 모델을 내세우지는 않은 것으로 추정됩니다. 기업들은 수백 명의 엔지니어 팀으로도 촉박한 일정에 모델을 만들어야 하다 보니, 상대적으로 보수적인 선택을 한 것으로 볼 수 있습니다. (한 스타트업 관계자도 “MoE 모델 학습은 정말 어렵다. 우리는 수많은 과학적·성능상의 도전과제를 겨우 극복하며 파이프라인을 구축했다”고 밝힌 바 있는데cameronrwolfe.substack.com, 이처럼 MoE는 전문 지식과 노하우가 필요한 어려운 길입니다.)

품질 및 일관성에 대한 고려: 새로운 MoE 구조가 항상 기존 밀집 모델보다 나은 품질을 보장하는 것은 아니며, 특히 미세조정(파인튜닝)이나 RLHF(인간 피드백 강화학습) 단계에서 제어가 까다로울 수 있습니다. 여러 전문가로 나뉘어 있다 보니 학습이 고르게 이루어지지 않으면 특정 전문가에 지식 편중이 생기거나, 응답 생성 시 예측 불가능한 변동성이 나타날 수 있다는 지적도 있었습니다. 예를 들어 MoE 모델은 내부에 다양한 전문가들이 경쟁하듯 상호작용하기 때문에, 동일한 입력에도 비결정론적(non-deterministic) 결과를 낼 가능성이 더 높다는 분석도 제기되었습니다152334h.github.io. 반면 단일 거대 모델은 하나의 거대한 분포를 학습하므로 상대적으로 출력이 일관되고 튜닝하기 용이할 수 있습니다. OpenAI나 구글이 초창기에는 밀집 모델로도 충분한 성능을 끌어낼 자신이 있었고, 그 거대한 모델을 사람 피드백으로 직접 미세조정하면서 안정적인 성능 확보에 집중한 것으로 보입니다. 요컨대, 일정 수준 이상 자원이 있다면 검증된 방식을 통해 안전하게 고품질 모델을 만드는 게 유리하다고 판단한 것입니다.

데이터 및 생태계 측면: 서구권 거대 모델들은 단순히 모델 아키텍처뿐만 아니라 훈련 데이터의 양과 질, 그리고 후처리 기법 등에서도 강점을 지니고 있습니다. 예를 들어 OpenAI는 인터넷 전체를 아우르는 방대한 텍스트에 더해, 인간 전문가들이 레이블링한 정제된 데이터와 피드백을 통해 모델을 조율합니다. 이렇게 얻은 지식의 풍부함과 응답의 세련됨이 경쟁 우위인데, 이는 부분적으로 모델 크기 덕분에 담을 수 있는 정보량과 후처리 단계의 투자 덕분입니다. MoE 구조를 도입하면 모델 자체는 효율적이지만, 결국 데이터가 부족하면 성능이 제한되기 마련입니다. 서구권 기업들은 여전히 “더 큰 모델+더 많은 데이터” 전략을 주된 무기로 삼았고, 이 접근을 뒷받침하기 위해 자본을 데이터 수집과 인프라에 투입해온 것입니다. 반면 중국을 비롯한 다른 플레이어들은 방대한 공개 데이터 접근이나 인적자원 측면에서 핸디캡이 있기에, 모델 구조 혁신을 통한 차별화에 무게를 실었다고도 볼 수 있습니다.

독점 기술 및 모방 우려: 마지막으로, 서구권 리더들이 MoE 구조를 기피한 이유 중 하나는 기술 모방에 대한 견제심리일 수 있습니다. MoE 모델의 개념과 구현법은 학계와 오픈소스 커뮤니티를 통해 비교적 공유되기 쉬운 편입니다. 만약 OpenAI가 GPT-4부터 대놓고 MoE를 전면 도입했다고 가정해보면, 그 개념 자체는 새로운 것이 아니므로 다른 경쟁자들도 비슷한 구조를 따라하면서 빠르게 추격할 가능성이 있습니다. 그러나 초거대 밀집 모델을 막대한 자본으로 학습하는 방식은 따라하려 해도 웬만한 기업이나 연구소는 엄두를 낼 수 없는 진입장벽이 됩니다. 즉, **“돈의 장벽”**을 세움으로써 경쟁 우위를 지키는 측면도 있었던 것이죠. 실제로 GPT-4 수준의 모델을 새로 개발하려면 수천억 원대의 투자와 전문 인력, 그리고 수년간 축적된 노하우가 필요해 쉽게 모방할 수 없습니다. 반면 Kimi K2가 시연한 MoE 접근법은 비용 면에서는 문턱이 낮지만, 기술적 구현력이 필요하다는 점에서 또 다른 장벽이 있습니다. Kimi K2 팀이 공개한 보고서를 보면, 1조 파라미터 MoE를 훈련하기 위해 256대 이상의 GPU를 병렬로 연결하고arxiv.orgarxiv.org, 체크포인팅과 통신을 최적화하는 복잡한 분산 시스템을 개발해야 했습니다arxiv.orgarxiv.org. 이러한 시스템 엔지니어링 역량과 알고리즘 혁신 없이는 단순히 MoE 아이디어만 안다고 해서 따라 만들기 어렵습니다. 요컨대, 서구권은 자본 장벽, Kimi K2는 기술 장벽으로 각자의 모방 난이도를 높인 양상이라고 할 수 있습니다.

결론 및 시사점

Kimi K2의 등장은 초거대 언어모델 개발 패러다임에 중요한 물음을 던졌습니다. 과거에는 최고 성능의 AI를 얻으려면 천문학적 비용의 연산 자원 투입이 불가피하다고 여겨졌지만, Kimi K2는 창의적인 모델 구조 설계와 효율화로 비용 장벽을 크게 낮출 수 있음을 보여주었습니다pub.towardsai.netcybolink.com. MoE 구조의 스케일-효율 트레이드오프 극복은 연구 공동체와 업계에 모델 대형화의 새로운 길을 제시했고, 실제로 최근에는 개방형 LLM들 중 상당수가 MoE를 채택하며 급속히 발전하고 있습니다blogs.nvidia.comblogs.nvidia.com. 반면 여전히 OpenAI, 구글 등 거대 기업들은 자체 자본과 인프라를 바탕으로 한 정공법으로 차세대 모델을 밀어붙이고 있으며, 이는 단기간 내 최고의 성능을 끌어내는 데 유효한 전략입니다. 다만 이 접근법은 막대한 비용 구조를 수반하기에, 상용 서비스의 채산성이나 AI 기술의 민주화 측면에서 제약이 있다는 지적도 나오고 있습니다theregister.com.

향후에는 이 두 흐름이 서로 수렴할 가능성도 있습니다. 즉, MoE와 같은 효율적 아키텍처를 점진적으로 도입하면서도, 여전히 막대한 훈련 데이터와 튜닝 기법을 활용하는 혼합 전략이 등장할 수 있습니다. 이미 구글의 Gemini 모델 일부 버전에 MoE 아이디어가 접목되고 있다는 보고가 있고ibm.combdtechtalks.substack.com, OpenAI도 비용 절감을 위해 다양한 최적화를 모색 중인 것으로 알려져 있습니다. 결국 핵심은 “지능 대비 비용”을 얼마나 낮추느냐인데, Kimi K2가 보여준 바와 같이 새로운 발상과 과감한 설계가 있다면 거대한 자본 없이도 최첨단 AI를 달성할 수 있음을 우리는 목격했습니다. 이는 국내외 많은 연구자와 기업들에게 효율적인 AI 연구개발의 중요성을 환기시켰고, AI 기술의 접근성 확대라는 긍정적 효과도 가져왔습니다. 앞으로도 이러한 MoE 모델의 발전과 기존 방식의 경쟁을 주시함으로써, 더 뛰어나면서도 모두가 활용하기 쉬운 AI를 향한 길이 열리길 기대해 봅니다.

Sources: 주요 참고 자료는 Kimi K2 공식 기술 보고서arxiv.orgarxiv.org, Moonshot AI 발표 및 NVIDIA 기술 블로그blogs.nvidia.comblogs.nvidia.com, Stanford AI Index 보고서cybolink.comcybolink.com, 그리고 관련 언론 기사intuitionlabs.aitheregister.com 등을 기반으로 하였습니다.

이러한 효율적인 설계는 Kimi K2의 운영 비용을 크게 절감시켜, 이를 API 가격에 반영할 수 있게 했습니다. Kimi K2의 API 가격은 OpenAI의 GPT-4에 비해 약 10분의 1 수준으로 알려져 있어, 개발자들에게 매력적인 대안이 되고 있습니다. 또한, Kimi K2는 코드 생성, 디버깅, 최적화 등 AI 코딩 분야에서 국내 최고 수준의 성능을 보이며, 복잡한 작업을 자동으로 분해하고 실행할 수 있는 강력한 Agent 구축 능력을 제공합니다. 이러한 기술적 우수성과 경제적 이점의 결합은 Kimi K2가 중국 AI 시장을 넘어 글로벌 시장에서도 주목받는 이유입니다.

DeepSeek: 오픈소스 모델의 경쟁력

DeepSeek는 또 다른 중국 AI 스타트업으로, 오픈소스 모델을 통해 빠르게 기술력을 쌓고 있다.
DeepSeek의 모델은 오픈소스 커뮤니티를 통해 활발히 개발되고 있으며,
이는 기술의 빠른 반복과 개선을 가능하게 한다.
DeepSeek의 모델들은 코딩, 수학, 논리적 추론 등에서 높은 성능을 보여주며,
특히 DeepSeek-v3-0324 모델은 Kimi K2와의 비교에서도 경쟁력 있는 성과를 거두었다.

DeepSeek의 전략은 기술의 민주화와 AI 생태계의 확장에 기여하며,
이는 중국 AI가 단순히 기술 추종자가 아니라, 혁신적인 개발 모델을 통해 글로벌 AI 시장에서 독자적인 위치를 구축하고 있음을 보여준다.
DeepSeek의 오픈소스 접근법은 개발자들이 모델을 자유롭게 활용하고 개선할 수 있도록 하여, AI 응용 분야의 다양성과 창의성을 촉진하고 있다.
이는 중국 AI가 기술적 우수성뿐만 아니라, 생태계 구축과 커뮤니티 기반의 혁신을 통해 지속 가능한 경쟁력을 확보하고 있음을 뜻한다.

근본적 차이의 원인 : 기업 vs. 정부 주도

서구와 중국의 AI 개발 모델이 이렇게 극단적으로 다른 방향으로 발전할 수 있었던 근본적인 원인은 두 지역의 AI 산업을 주도하는 주체의 차이에서 찾을 수 있다.

서구는 민간 기업, 특히 대형 기술 기업들이 AI R&D와 투자를 주도하는 반면, 중국은 정부가 전략적 목표 하에 AI 산업을 체계적으로 육성하고 지원하는 체계를 구축하고 있습니다.
이러한 주도권의 차이는 AI 개발의 속도, 방향, 그리고 최종 목표에 있어서 명확한 차이를 만들어내고 있으며, 향후 AI 경쟁의 양상을 결정짓는 핵심 요인이 될 것이다.

서구 : 민간 기업 중심의 투자와 R&D

서구의 AI 산업은 OpenAI, Google, Microsoft, Meta 등과 같은 민간 기업들이 주도한다.

이들 기업은 주주 이익 극대화를 목표로 하며, AI 기술을 통해 새로운 수익원을 창출하고 기존 사업을 강화하는 데 초점을 맞추고 있다.
이러한 민간 주도의 개발 모델은 시장의 수요와 기술의 가능성에 따라 빠르게 반응하고,
혁신적인 제품과 서비스를 출시하는 데 강점을 가지고 있다.

그러나 동시에, AI 개발은 수익성과 관련된 단기적 성과에 집중될 수 있으며,
장기적이고 기초적인 연구에는 상대적으로 소홀할 수 있는 한계가 있다.

민간 기업들은 AI 기술을 독점적으로 보유하고, 시장 지배력을 확보하려는 경향이 있어,
AI 기술의 민주화와 보편적 혜택 실현에는 제약이 있을 수 있다.

즉, 서구의 AI 개발은 기업의 전략적 선택과 시장의 논리에 따라 움직이기 때문에,
AI의 사회적, 윤리적 측면에 대한 고려가 상대적으로 부족할 수 있다.

중국 : 정부 주도의 전략적 투자와 생태계 조성

중국의 AI 산업은 정부가 전략적으로 주도하고 있다.
중국 정부는 ‘차세대 AI 발전 계획’ 등을 통해 AI를 국가 핵심 전략 산업으로 육성하고, 막대한 자금과 정책적 지원을 아끼지 않고 있다.
‘25년 한 해에만 중국은 AI에 8900억 위안(약 1250억 달러)을 투자했으며, 이는 전년 대비 18% 증가한 수치다.
특히, 정부의 직접 지원이 3450억 위안(39%)으로, 정부의 역할이 매우 크다.
Top 50+ Chinese AI Investment Statistics [2025] | Second Talent

중국 정부는 AI 기초 연구, 인프라 구축, 산업 융합, 인재 양성 등 AI 밸류체인 전반에 걸쳐 체계적인 지원을 하고 있으며, 이는 중국 AI가 빠르게 성장할 수 있는 원동력이 된다.
또한, 중국 정부는 AI 기술을 사회 전반에 걸쳐 확산시켜, 스마트 시티, AI+제조업, AI+의료 등 다양한 응용 분야에서 AI를 활용하는 데 적극적이다.

AI 발전 방향에 미치는 영향

서구와 중국의 이러한 근본적인 개발 모델의 차이는 향후 AI 산업의 발전 방향에도 큰 영향을 미칠 것으로 예상된다.

서구는 기술 우위를 유지하고, 고급 시장을 집중 공략하는 전략을 지속할 가능성이 높으며,
중국은 대규모 상용화와 다양한 응용 분야의 확장을 통해 AI 산업의 규모와 영향력을 키워나갈 것으로 보인다.

이러한 두 가지 전략의 충돌과 공존은 향후 AI 산업의 지형도를 재편할 것이며,
투자자들에게는 새로운 기회와 도전을 동시에 제시할 것이다.

서구: 기술적 우위 유지와 고급 시장 집중

서구의 AI 기업들은 고성능 GPU, 첨단 반도체 설계, 그리고 기초 AI 알고리즘 등 AI 밸류체인의 상류에서의 기술적 우위를 유지하는 데 집중할 것으로 예상된다.
NVIDIA, AMD, Intel 등의 미국 기업들은 세계 최고 수준의 AI 칩 설계 기술을 보유하고 있으며, 이는 서구 AI가 지속적인 경쟁력을 확보할 수 있는 핵심 요소다.

OpenAI, Anthropic, Google 등은 기초 모델 개발에서 여전히 선두를 달리고 있으며,
이들은 고성능 AI 모델을 통해 엔터프라이즈 솔루션, 의료, 금융 등 고부가가치 시장을 공략하는 전략을 지속할 것이다.

서구 AI는 정확성, 투명성, 안정성을 중시하는 분야, 예를 들어 제약, 은행, 정부 기관 등에서 강점을 가질 것으로 보이며,
이들 분야는 높은 수익성과 규제 준수를 요구하기 때문에 서구 AI의 고급화 전략과 부합한다.

그러나, 중국 AI의 저비용 공세가 지속될 경우, 서구 AI는 점차 가격 경쟁력에서 밀리고, 상대적으로 좁은 시장에 집중될 수 있다는 리스크도 존재한다.

중국: 대규모 상용화와 응용 분야 확장

중국의 AI 산업은 정부의 전략적 지원과 대규모 내수 시장을 바탕으로 AI 기술의 대규모 상용화와 다양한 응용 분야로의 확장을 가속화할 것으로 예상된다.
중국은 이미 AI+제조업, AI+의료, AI+금융, AI+에너지 등 다양한 산업 분야에서 AI를 적극적으로 도입하고 있으며,
이는 AI 기술의 가치를 검증하고, 산업 전반의 생산성을 향상시키는 데 기여하고 있다.
중국의 AI 모델들은 낮은 비용과 높은 활용성을 바탕으로, 소매, 소비재, 미디어 등 B2C 서비스 분야에서 강점을 가질 것으로 보인다.

또한, 중국은 AI 기술을 스마트 시티, 정부 플랫폼 등에 통합하여, AI를 일상 생활에 밀접하게 연결하는 데 성공하고 있다.
이러한 대규모 상용화 전략은 AI 기술의 보급을 가속화하고, AI 산업의 규모를 빠르게 키워나가는 데 효과적이다.
향후 중국은 AI 기술의 독자적인 표준을 확립하고, 글로벌 AI 시장에서 미국과 양분하는 독자적인 생태계를 구축할 가능성이 높다.

AI 밸류체인 분석 : 서구와 중국의 각축장

AI 산업은 Upstream(반도체, 클라우드 인프라), Midstream(AI 알고리즘, LLM), Downstream(AI 응용 서비스, 소프트웨어)으로 구성된 복잡한 밸류체인을 형성하고 있다.

서구와 중국은 이 밸류체인의 각 단계에서 서로 다른 강점과 약점을 가지고 있으며,
이는 두 지역의 AI 경쟁 양상을 결정짓는 핵심 요인이다.

서구는 상류의 반도체와 기초 연구에서 강점을 가지는 반면,
중국은 하류의 응용 분야와 대규모 데이터, 시장 규모에서 우위를 점하고 있습니다.
이러한 밸류체인별 경쟁 구도는 향후 AI 산업의 가치 창출 구조와 주요 기업들의 협상력 변화에 큰 영향을 미친다.

AI 밸류체인 구조 : 상류, 중류, 하류

AI 산업의 밸류체인은 크게 세 가지 계층으로 구분된다.
Exploring China’s Leading AI Hubs: A Regional Analysis

상류는 AI 시스템의 하드웨어적 기반을 제공하는 계층으로, 반도체 칩, 클라우드 인프라, 데이터 센터 등이 포함된다.
중류는 AI 시스템의 소프트웨어적 핵심인 AI 알고리즘, 기계 학습 프레임워크, 대형 언어 모델(LLM) 등으로 구성된다.
하류는 AI 기술이 실제로 적용되는 응용 서비스와 소프트웨어로,
AI 챗봇, 자율주행, 스마트 팩토리, AI 기반 의료 진단 등 다양한 분야에 걸쳐 있다.

세 계층은 서로 긴밀하게 연결되어 있으며, 각 계층의 발전이 전체 AI 산업의 성장에 기여한다.

상류 : 반도체, 클라우드 인프라

AI 밸류체인의 상류는 AI 시스템이 작동하기 위한 물리적 기반을 제공한다.
이 계층에는 AI 연산을 수행하는 데 핵심적인 반도체 칩(특히 GPU), 대규모 데이터를 저장하고 처리하는 클라우드 인프라, 그리고 데이터 센터가 포함된다.
이 계층은 막대한 자본 투자와 첨단 기술이 요구되며, 높은 수익성을 보장한다.

NVIDIA, AMD, Intel 등의 미국 기업들이 설계에서 강점을 가지고 있으며,
대만의 TSMC와 한국의 삼성이 제조에서 주도권을 가지고 있다.

중국은 이 분야에서 미국의 수출 규제에 직면해 있지만, Huawei, Cambricon 등의 기업을 통해 자체 반도체 개발에 박차를 가하고 있으며,
동시에 희토류 등 반도체 제조에 필요한 핵심 소재의 공급에서 전략적 우위를 확보하고 있다.

중류 : AI 알고리즘, LLM

AI 밸류체인의 중류는 AI 시스템의 ‘두뇌’에 해당하는 계층으로,
AI 알고리즘, 기계 학습 프레임워크, 대형 언어 모델(LLM)이 이에 속한다.
이 계층은 AI 기술의 핵심적인 혁신이 일어나는 곳으로,
기술적 난이도가 높고, 연구 개발 역량이 중요하다.

중류 계층은 AI 산업에서 혁신과 산업 가치 측면에서 가장 중요한 부문으로, 이 분야의 경쟁력이 전체 AI 산업의 경쟁력을 결정짓는 핵심 요소다.

미국은 OpenAI, Google, Anthropic 등이 GPT, Gemini, Claude 등의 선도적인 LLM을 개발하며, 이 분야에서 기술적 우위를 유지하고 있다.

중국은 Baidu, Alibaba, Tencent 등의 대기업과 Moonshot AI, DeepSeek 등의 스타트업이 빠르게 추격하고 있으며,
특히 중국의 방대한 데이터와 다양한 응용 시나리오를 활용한 학습을 통해,
서구 모델들과의 기술 격차를 빠르게 좁히고 있다.

하류 : AI 응용 서비스, 소프트웨어

AI 밸류체인의 하류는 AI 기술이 실제로 우리의 삶과 산업에 적용되는 부문이다.
AI 챗봇, 자율주행 자동차, 스마트 팩토리, AI 기반 의료 진단, 개인화된 콘텐츠 추천 등 다양한 응용 서비스와 소프트웨어가 이에 해당한다.
이 계층은 AI 기술의 상용화와 보급을 결정짓는 가장 중요한 분야로, 시장 규모와 성장 잠재력이 매우 크다.
(개인적으로는 이 분야가 결국 가장 많은 부가가치를 가져가게 될 것이라 생각한다)

중국은 방대한 인구와 다양한 산업 구조를 바탕으로, 이 분야에서 매우 빠른 성장을 보이고 있다.
특히 스마트 홈, 자율주행, AI 기반 도시 관리 시스템 등에서 중국은 선도적인 위치를 차지하고 있으며, AI 응용 서비스의 대규모 상용화에 성공하고 있다.

서구와 중국의 주요 기업 분석

서구와 중국의 AI 밸류체인에는 각각 강력한 기업들이 포진하고 있으며, 이들은 각자의 전략과 강점을 바탕으로 AI 경쟁에서 주도권을 확보하려 하고 있다.
서구는 NVIDIA, OpenAI, Google, Microsoft 등이 하드웨어, 기초 모델, 클라우드 인프라에서 강력한 영향력을 가지고 있는 반면,
중국은 Alibaba, Tencent, Baidu, Huawei, 그리고 Moonshot AI, DeepSeek 등의 신생 강자들이 정부의 전략적 지원을 등에 업고 빠르게 성장하고 있다.

구분	서구 주요 기업	중국 주요 기업
상류 (인프라)	NVIDIA (GPU), AMD, Intel (반도체 설계)	Huawei (Ascend 칩), Cambricon (AI 칩 설계)
중류 (모델)	OpenAI (GPT), Google (Gemini), Anthropic (Claude)	Moonshot AI (Kimi K2), DeepSeek, Alibaba (Qwen), Baidu (Ernie)
하류 (응용)	Microsoft (Copilot), Google (Bard)	Tencent (Hunyuan Bot), ByteDance (豆包), Alibaba (Tongyi Qianwen)

서구 : NVIDIA, OpenAI, Google, Microsoft

서구 AI 산업을 이끄는 주요 기업들은 각자의 분야에서 독보적인 위치를 차지하고 있다.

NVIDIA는 AI 연산에 필수적인 GPU 시장의 절대강자로, 세계 AI 인프라의 핵심을 제공한다.
OpenAI는 GPT 시리즈를 통해 생성형 AI의 새로운 지평을 열었으며,
고성능 LLM 개발의 선두 주자로 자리잡았다.
Google은 DeepMind를 비롯한 자체 AI 연구소를 통해 AI 기초 연구에서 선도적인 역할을 하고 있으며, Gemini 모델을 통해 OpenAI와 경쟁하고 있다.
Microsoft는 OpenAI와의 전략적 파트너십을 통해 Azure 클라우드에 AI 기능을 통합하며, 엔터프라이즈 AI 시장에서 강력한 입지를 구축하고 있다.

이들 기업은 막대한 자본과 인재, 그리고 축적된 기술력을 바탕으로 AI 밸류체인의 상류와 중류에서 강력한 경쟁력을 보유하고 있다.

중국: Alibaba, Tencent, Baidu, Huawei, Moonshot AI

중국 AI 산업은 대기업과 스타트업이 협력하며 빠르게 성장하고 있다.

Alibaba는 전자상거래와 클라우드 사업을 바탕으로 AI 기술을 다양한 분야에 적용하고 있으며, Moonshot AI 등 AI 스타트업에 전략적 투자를 하며 AI 생태계를 구축하고 있다.
Tencent는 소셜 미디어와 게임 사업을 통해 축적한 데이터와 기술력을 바탕으로 AI를 개발하며, 특히 AI+제조업 분야에 집중하고 있다.
Baidu는 중국의 대표적인 AI 기업으로, 자율주행, 음성 인식, LLM 등 다양한 AI 분야에서 선도적인 역할을 하고 있다.
Huawei는 AI 칩 개발에 집중하며, 미국의 수출 규제에 대응하며 중국 AI 산업의 자립을 위한 핵심 기업으로 성장하고 있다.
Moonshot AI와 DeepSeek 등의 스타트업은 Kimi K2, DeepSeek-v3 등의 혁신적인 모델을 개발하고 있다.

밸류체인별 협상력

AI 밸류체인의 각 계층에서는 서로 다른 기업들이 협상력을 가지고 있으며, AI 트렌드가 심화될수록 이러한 협상력의 균형은 변화할 것으로 예상된다.
현재는 상류의 반도체 기업들이 막대한 협상력을 가지고 있지만,
향후 AI 기술이 보편화되고, 응용 분야의 중요성이 커질수록 하류의 AI 소프트웨어 및 서비스 기업들의 협상력이 강화될 것이다.

현재 : 상류 반도체 기업의 지배력

현재 밸류체인에서 가장 큰 협상력을 가지고 있는 것은 상류의 반도체 기업들, 특히 NVIDIA다.
AI 모델의 학습과 추론에 필수적인 고성능 GPU를 독점적으로 공급하고 있는 NVIDIA는 전 세계 AI 기업들이 그들의 제품 없이는 AI 개발을 할 수 없을 정도로 막강한 영향력을 가지고 있습니다

미국의 수출 규제로 인해 중국 기업들이 NVIDIA의 최신 GPU를 구하기 어려운 상황은, 반도체가 AI 산업에서 얼마나 전략적인 자원인지를 보여주는 단적인 예다.

상류 기업들의 지배력은 AI 산업의 초기 단계에서는 당연한 현상이지만,
AI 기술이 성숙해지고, 소프트웨어와 응용 분야의 중요성이 커질수록 점차 약화될 수 있다.

협상력의 변화 : 하류 응용 분야의 부상

AI 트렌드가 심화되고, AI 기술이 보편화될수록, 밸류체인의 협상력은 상류에서 하류로 이동할 것으로 예상된다.
AI 기술 자체가 차별화 요소가 아니라, AI를 어떻게 활용하느냐, 어떤 가치를 창출하느냐가 더 중요해질 것이기 때문에 AI를 활용한 혁신적인 서비스와 응용 프로그램을 개발하는 하류 기업들이 점차 더 높은 협상력을 가지게 될 것이다.

AI를 활용해 의료 진단의 정확도를 높이는 기업, 자율주행 기술을 상용화하는 기업, 개인화된 교육 서비스를 제공하는 기업 등은 AI 기술을 실질적인 가치로 전환시키는 역할을 하기 때문에,
시장에서 더 높은 평가를 받을 수 있다.

또한, 소비자가 직접 비용을 지불하는 B2C AI 서비스가 성장함에 따라, 사용자 경험과 브랜드, 마케팅 역량이 중요해지며, 이는 하류 기업들의 협상력을 강화하는 요인이 될 것입니다.

소비자 직접 지불 모델의 협상력

AI 산업의 지속 가능한 성장을 위해서는, 기업이나 정부의 보조금이 아닌, 소비자가 직접 비용을 지불하는 AI 소프트웨어 응용 분야가 활성화되어야 한다.
이러한 B2C AI 서비스는 AI 기술의 실질적인 가치를 검증하고, AI 기업들의 수익성을 보장하는 데 핵심적인 역할을 한다.

AI 소프트웨어 응용 분야의 성장

AI 소프트웨어 응용 분야는 AI 기술이 실제로 우리의 일상과 산업에 스며들어, 새로운 가치를 창출하는 분야다.

AI 기반의 개인 비서, 창의적인 콘텐츠 생성 도구, 스마트 홈 제어 시스템, 개인화된 건강 관리 앱 등은 소비자들이 직접 비용을 지불할 만한 충분한 가치를 제공할 수 있다.
이러한 응용 분야는 AI 기술의 보편화와 함께 폭발적인 성장을 할 것으로 예상되며, 이는 AI 산업의 새로운 성장 동력이 될 것이다.
특히, 중국은 내수 시장이 크고 중국 정부도 내수 주도 경제성장을 추구하고 있어 AI 소프트웨어 응용 분야에서 세계적인 강자로 성장할 잠재력을 가지고 있다.

B2C AI 서비스의 경쟁력

B2C AI 서비스는 AI 기술의 최종 수혜자인 소비자들에게 직접적인 가치를 제공하는 서비스다.
이러한 서비스는 AI 기술의 복잡성을 소비자가 쉽게 이해하고 활용할 수 있도록 하는 것이 핵심이며, 사용자 경험, 편의성, 개인화된 기능이 중요한 경쟁 요소가 된다.

중국의 AI 기업들은 WeChat, Taobao 등의 플랫폼을 통해 AI를 일상 생활에 밀접하게 통합하고 있으며, 이는 중국 AI가 B2C 시장에서 강력한 경쟁력을 가질 수 있는 기반을 마련한다.

향후 B2C AI 서비스는 AI 산업의 주요 수익원이 될 것이며,
이 분야에서의 경쟁력은 AI 기업의 지속 가능한 성장을 결정짓는 핵심 요소가 될 수밖에 없다.

AI 경쟁 시나리오 분석과 가능성 예측

서구와 중국의 AI 경쟁은 단순한 기술 경쟁을 넘어, 경제, 정치, 군사 등 다양한 측면에서 전개되는 전면적인 경쟁이다.

경쟁의 미래는 여러 가지 시나리오로 전개될 수 있으며, 각 시나리오의 가능성을 예측하는 것은 AI 관련 투자 전략을 수립하는 데 매우 중요하다.

중국 AI의 저비용 고성능 전략이 성공적으로 이어진다면, 중국이 AI 트렌드에서 확고한 우위를 차지하는 시나리오가 실현될 수 있으며,
반대로 서구가 수출 통제를 통해 중국 AI의 성장을 억제하는 시나리오도 가능하다.
또한, 두 진영이 서로 다른 강점을 인정하고, 공존하며, 협력하는 하이브리드 모델도 현실적인 대안이 될 수 있다.

시나리오	가능성	핵심 근거	주요 리스크
중국 AI의 지배적 우위	중간	– 저비용 고성능 모델의 경쟁력  – 대규모 데이터와 정부 지원	– 기술 격차 존재  – 반도체 의존 (미국 수출 규제)
서구-중국 AI의 공존	높음	– 하이브리드 AI 전략 (기업별 맞춤형 사용) – 기술 교류의 필요성 (글로벌 이슈 해결) – 글로벌 기업들의 중국 AI 활용 사례	– 지정학적 긴장의 심화 – 기술 표준의 분화
서구의 기술 통제로 중국 AI 축소	낮음	– 반도체 수출 규제  – 기술 봉쇄 정책	– 중국의 자체 기술 개발 (Huawei 등)  – 중국의 막대한 내수 시장

중국 AI의 지배적 우위 (가능성: 중간)

중국 AI가 저비용, 대규모 데이터, 정부의 전폭적인 지원을 바탕으로 서구 AI를 앞서며, AI 트렌드에서 확고한 우위를 차지하는 시나리오다.
이 경우, 중국은 AI 기술의 표준을 주도하고, 글로벌 AI 시장을 장악하며,
서구 AI는 점차 시장 점유율을 잃고, 축소되는 상황에 직면하게 됩니다.

저비용, 대규모 데이터, 정부 지원

이 시나리오의 가장 강력한 근거는 중국 AI의 압도적인 비용 경쟁력이다.
Kimi K2, DeepSeek 등의 중국 AI 모델은 서구 모델과 비슷한 성능을 제공하면서도,
훨씬 저렴한 가격으로 API를 제공하고 있다.
China startup Moonshot AI rivals U.S. with cheap open model | TechTarget

비용 경쟁력은 AI 기술의 대중화와 산업 전반의 AI 도입을 가속화시킬 것이다.
또한, 중국은 방대한 인구와 다양한 산업에서 생성되는 대규모 데이터를 보유하고 있으며,
정보보호 규제가 낮은 수준으로 거의 제한없이 데이터를 활용할 수 있어,
AI 모델의 학습과 고도화에 유리한 조건을 가지고 있다.
무엇보다도, 중국 정부의 전략적이고 체계적인 지원은 중국 AI 산업의 지속 가능한 성장을 보장하는 가장 강력한 원동력이다.

이러한 요인들이 결합된다면, 중국 AI가 단기간에 글로벌 시장에서 지배적인 위치를 차지하는 것이 가능해질 수 있다.

리스크: 기술 격차, 반도체 의존

그러나 이 시나리오에는 몇 가지 리스크가 존재한다.
첫째, 아직까지는 서구 AI 모델, 특히 OpenAI의 최신 모델과 비교했을 때, 중국 AI 모델이 약간의 기술적 격차를 보이고 있다.
격차가 빠르게 좁혀지고 있지만, 완전히 해소되지는 않았다.

둘째, 중국 AI 산업은 여전히 고성능 AI 칩, 특히 NVIDIA의 GPU에 상당히 의존하고 있다.
미국의 수출 규제가 지속된다면, 중국 AI 산업의 성장에 병목 현상이 발생할 수 있다.
중국이 자체 반도체 기술을 빠르게 개발하고 있지만, 아직까지는 서구 수준에 도달하지 못했기 때문에, 이는 중국 AI의 지속적인 성장에 불확실성을 더하는 요소다.

서구-중국 AI의 공존 (가능성: 높음)

서구와 중국이 각자의 강점을 살려, 서로 다른 영역에서 경쟁하며 공존하는 시나리오다.
서구는 기술적 우위를 바탕으로 고급 시장을, 중국은 저비용을 바탕으로 대중 시장을 공략하는 형태로 발전할 수 있다.

하이브리드 AI 전략, 기술 교류

서구와 중국의 AI 경쟁이 극단적인 대립 양상으로 치닫지 않고, 공존의 방향으로 발전할 수 있는 근거는 여러 가지가 있다.

첫째, 하이브리드 AI 전략의 가능성이다.
많은 글로벌 기업들이 서구 AI와 중국 AI를 병행하여 사용하는 전략을 취할 가능성이 높다.
예를 들어, 고성능이 필요한 연구 개발에는 서구 AI를, 일반적인 상용 서비스에는 중국 AI를 활용하는 방식이다.
이는 기업들의 비용을 절감하면서도, AI 기술의 활용도를 극대화할 수 있는 전략이다.

둘째, 기술 교류의 필요성이다.
AI는 기후 변화, 질병 치료, 에너지 문제 등 지구적 문제를 해결할 수 있는 잠재력을 가진 기술로, 서구와 중국의 AI 기술이 협력하고, 기술 교류를 활성화해야 한다는 공동의 이해관계는 서구-중국 AI의 공존을 가능하게 하는 중요한 요인이 될 수 있다.

Nestlé, Starbucks의 중국 AI 활용

일부 글로벌 기업들은 이미 중국의 AI 기술을 활용하기 시작했다.
예를 들어, Nestlé, Starbucks 등은 중국의 AI 기술을 활용해 고객 데이터를 분석하고, 마케팅 전략을 수립하는 등의 활동을 하고 있다.

이는 중국의 AI 기술이 이미 상업적으로 충분한 가치를 지니고 있음을 보여주는 사례이며, 향후 더 많은 글로벌 기업들이 중국 AI를 활용할 가능성이 있음을 시사한다.
이러한 사례들은 서구와 중국의 AI가 단순한 경쟁 관계를 넘어, 협력과 공존의 가능성도 열어두고 있음을 보여준다.

서구의 기술 통제로 중국 AI 축소 (가능성: 낮음)

서구권이 반도체 수출 규제, 기술 봉쇄 등을 통해 중국의 AI 발전을 억제하고, 중국 AI가 축소되는 시나리오다.

반도체 수출 규제, 기술 봉쇄

서구권, 특히 미국은 이미 중국에 대한 반도체 수출 규제를 시행하고 있으며, 이는 중국의 AI 발전에 큰 제약이 되고 있다.

고성능 AI 칩이 없으면, 대규모 AI 모델의 학습과 고성능 AI 서비스의 제공이 어려워진다.
또한, 서구권은 AI 관련 핵심 기술과 소프트웨어에 대한 중국의 접근을 제한하는 기술 봉쇄 정책도 시행하고 있다.
기술 통제가 강화된다면, 중국 AI의 발전은 상당히 둔화될 수 있다.

중국의 자체 기술 개발, 역내수요

그러나 서구의 기술 통제가 중국 AI를 완전히 축소시킬 가능성은 낮다.
첫째, 중국의 자체 기술 개발이다.
중국은 Huawei 등 국내 기업을 통해 자체 AI 칩과 소프트웨어를 개발하는 데 막대한 투자를 하고 있으며, 언젠가는 서구 수준의 기술력을 갖추게 될 가능성이 높다.

둘째, 역내수요다.
중국은 14억 인구를 가진 내수 시장을 보유하고 있다.
내수 시장만으로도 중국 AI 기업들은 충분한 성장 동력을 확보할 수 있으며,
서구 시장에 대한 의존도를 줄일 수 있다.
따라서 서구의 기술 통제가 중국 AI를 완전히 멈추게 하기는 어려울 것으로 예상된다.

중국 AI 밸류체인내 MongoDB의 위치와 전망

MongoDB는 NoSQL DBaaS(Database-as-a-Service) 시장의 선두 주자로, AI 시대의 데이터 관리 수요 증가에 따라 중요한 역할을 하고 있다.
다만, 시나리오에 따라서는 중국의 AI 밸류체인에서 MongoDB의 위치와 전망 분석이 투자 결정에 있어 중요한 요소가 될 수 있다.

MongoDB의 현재 : 데이터 인프라 핵심 기업

MongoDB는 유연한 문서 기반 데이터 모델과 강력한 확장성을 바탕으로, AI 애플리케이션 개발에 적합한 데이터베이스로 주목받고 있다.
AI는 다양하고 비정형적인 데이터를 처리해야 하며, MongoDB의 스키마리스(Schema-less) 구조는 이러한 AI의 요구사항을 충족시키는 데 탁월하다.

중국 AI 밸류체인에서 MongoDB의 역할

MongoDB는 중국의 AI 밸류체인에서도 중요한 역할을 하고 있습니다.
중국의 주요 클라우드 기업들과의 전략적 파트너십을 통해, 중국 시장에 진출하며, 중국의 AI 애플리케이션 개발에 핵심적인 데이터베이스로 활용되고 있다.

Tencent Cloud, Alibaba Cloud와의 전략적 파트너십

MongoDB는 Tencent Cloud, Alibaba Cloud 등 중국의 주요 클라우드 기업들과 전략적 파트너십을 맺고 있다.
이를 통해 MongoDB는 중국 내에서 안정적인 서비스를 제공할 수 있으며, 중국의 개발자들에게 익숙한 환경에서 MongoDB를 사용할 수 있게 해준다.
이러한 파트너십은 MongoDB가 중국 시장에서의 입지를 강화하고, 중국의 AI 생태계에 깊숙이 통합되는 데 기여하고 있다.

VolcEngine (ByteDance)과의 협업

MongoDB는 ByteDance의 클라우드 서비스인 VolcEngine과의 협업을 통해,
중국의 AI 밸류체인에서 핵심적인 역할을 하고 있다.

VolcEngine은 MongoDB를 “AI 데이터 베이스”로 포지셔닝하며,
다양한 AI 애플리케이션에 MongoDB를 활용하고 있다.
예를 들어, ByteDance의 AI 챗봇 ‘豆包’ 는 MongoDB를 활용해 실시간 음성 대화의 컨텍스트를 관리하며, AI 캐릭터 플레이 앱 ‘猫箱’ 은 MongoDB를 활용해 AI 캐릭터의 기억을 저장하고 검색한다.

이러한 사례들은 MongoDB가 중국의 AI 애플리케이션 개발에 실질적으로 활용되고 있음을 입증한다.

MongoDB의 미래 전망

MongoDB의 중국 AI 밸류체인에서의 미래는 세 가지 시나리오로 전개될 수 있다.
대체 가능성, 나름의 영역 유지, 그리고 지배적 사업자로의 성장이다.

대체 가능성 : 중국 내국산 DBMS (신창)

MongoDB가 중국에서 대체될 수 있는 가장 큰 리스크는 신창(信创) 정책이다.

신창은 ‘정보 기술 응용 혁신’을 의미하며, 중국 정부가 주도하는 국내 IT 산업 보호 및 육성 정책이다.
이 정책의 핵심은 정부 기관, 공공 기관, 그리고 중요한 산업 분야에서 외국 기술 대신 중국 자체의 기술과 제품을 사용하도록 장려하는 것이다.
이는 MongoDB와 같은 외국 데이터베이스 기업들에게는 중대한 도전이다.
신창 정책에 따라, 많은 중국 기업들이 외국 데이터베이스 솔루션 대신 국내에서 개발된 대체품을 선택해야 하는 압력을 받고 있다.

이는 MongoDB가 중국의 핵심 산업이나 정부 프로젝트에 진입하는 것을 어렵게 만든다.

나름의 영역 유지 : 파트너십을 통한 시장 진입

비록 신창 정책과 같은 도전에 직면하고 있지만, MongoDB는 Tencent Cloud와 같은 현지 파트너들과의 전략적 협력을 통해 중국 시장에서 나름의 영역을 유지하고 확장할 수 있다.
Tencent Cloud와의 파트너십은 MongoDB에게 중국 시장에 진입할 수 있는 중요한 통로를 제공한다.
협력을 통해 MongoDB는 Tencent의 광범위한 고객 기반과 클라우드 인프라를 활용할 수 있으며, 이는 MongoDB가 독자적으로 달성하기 어려운 수준의 시장 침투를 가능하게 한다.

또한, MongoDB는 AI 시대에 맞춰 지속적으로 제품을 혁신하고 있으며,
이는 중국 시장에서의 경쟁력을 강화하는 데 기여한다.
MongoDB는 Atlas Vector Search와 같은 AI 네이티브 기능을 도입하여, AI 애플리케이션의 핵심 요구사항인 벡터 검색을 지원하고 있으며,
이러한 기술적 혁신은 MongoDB가 단순한 데이터 저장소를 넘어, AI 애플리케이션의 핵심 인프라로 진화하고 있어 다른 중국 회사의 DBaaS로 쉽게 대체되기 어렵다는 근거를 제공한다.

지배적 사업자로의 성장 : AI 네이티브 기능 강화

MongoDB가 중국 AI 밸류체인에서 지배적 사업자로 성장하기 위해서는 AI 네이티브 기능을 지속적으로 강화하고, AI 애플리케이션의 핵심 데이터 플랫폼으로 자리 잡는 것이 중요하다. MongoDB는 이미 이 방향으로 나아가고 있으며, AI 검색 및 검색 기능을 데이터베이스 레이어로 가져오는 것을 목표로 하고 있다.
이미 알고 있는 것처럼, Voyage AI의 인수는 이 전략의 핵심 부분이었다.
기술 통합을 통해 MongoDB는 개발자들이 별도의 시스템을 관리하거나 외부 API를 사용하지 않고도, MongoDB 내에서 고품질의 임베딩을 생성하고, 벡터 검색을 수행하며, 결과를 재순위 매길 수 있도록 한다.

이러한 종합적인 전략을 통해 MongoDB는 단순한 NoSQL 데이터베이스를 넘어, AI 시대의 핵심 데이터 플랫폼으로 진화하고 있으며,
이는 중국을 포함한 글로벌 시장에서 지배적 사업자로 성장할 수 있는 강력한 기반을 제공한다.

중국 AI DBaaS 투자 기회 : MDB 투자 리스크 보완

중국 AI 데이터베이스 시장의 특징

중국의 AI 데이터베이스 시장은 서구와는 다른 독특한 특징을 가지고 있다.
전통적으로 MySQL, PostgreSQL과 같은 오픈소스 관계형 데이터베이스가 중심이었지만,
AI 시대의 도래와 함께 AI-Ready 및 AI-Native 데이터베이스로의 전환이 빠르게 진행되고 있다.

이는 중국 AI DBaaS 시장이 매우 역동적이며, 새로운 투자 기회를 제공하고 있음을 의미한다.

MySQL, PostgreSQL 중심의 생태계

중국의 데이터베이스 시장은 오랜 기간 동안 MySQL, PostgreSQL과 같은 오픈소스 관계형 데이터베이스가 중심이었다.

이는 중국의 많은 인터넷 기업들이 초기에 오픈소스 솔루션을 채택하여 빠르게 성장할 수 있었기 때문이다.
전통적인 데이터베이스들은 트랜잭션 처리와 정형 데이터 관리에 강점을 가지고 있지만, AI 시대의 비정형 데이터, 대규모 확장성, 그리고 유연한 스키마 요구사항에는 한계를 보이고 있다.

그러나 이미 구축된 방대한 생태계와 개발자들의 익숙함 때문에, 여전히 중국 시장에서 중요한 위치를 차지하고 있다.

AI-Ready 및 AI-Native로의 전환

AI 시대의 도래와 함께, 중국의 데이터베이스 시장은 AI-Ready 및 AI-Native로의 전환을 가속화하고 있다.

AI-Ready 데이터베이스는 기존의 데이터베이스에 AI 기능을 추가하거나, AI 애플리케이션과의 통합을 강화한 것을 의미한다.
예를 들어, 관계형 데이터베이스에 벡터 검색 기능을 추가하거나,
AI 모델의 학습 데이터를 효율적으로 제공하는 기능을 강화하는 것이 이에 해당한다.

AI-Native 데이터베이스는 AI 애플리케이션의 요구사항에 맞춰 처음부터 설계된 데이터베이스로, 벡터 데이터베이스가 대표적인 예다.

이러한 전환은 중국의 AI DBaaS 시장이 매우 빠르게 진화하고 있으며, 새로운 기술과 비즈니스 모델이 등장할 수 있는 기회의 장을 제공하고 있다.

5.2. 주요 투자 후보 기업 분석

중국의 AI DBaaS 시장은 빠르게 성장하고 있으며, MongoDB를 보완하거나 대체할 수 있는 다양한 투자 기회를 제공한다.

중국의 주요 클라우드 서비스 제공업체들은 AI에 최적화된 데이터베이스 서비스를 개발하고 있으며, 이는 중국의 AI 밸류체인에서 중요한 역할을 한다.
또한, 벡터 데이터베이스와 같은 AI 네이티브 데이터베이스를 전문으로 하는 스타트업들도 주목할 만하다.
이러한 기업들은 중국의 AI 발전에 맞춰 특화된 솔루션을 제공하며,
빠른 성장 잠재력을 가지고 있다.

Alibaba Cloud: Lindorm, Tair, DashVector

Alibaba Cloud는 중국의 AI DBaaS 시장에서 가장 중요한 플레이어 중 하나다.
Alibaba Cloud는 AI에 최적화된 다양한 데이터베이스 서비스를 제공하며,
이는 중국의 AI 밸류체인에서 핵심적인 역할을 한다.
그들의 데이터베이스 포트폴리오는 Lindorm, Tair, 그리고 DashVector와 같은 제품들을 포함한다.
Lindorm은 HBase와 호환되는 고도로 최적화된 NoSQL 데이터베이스로, 높은 처리량과 동시성을 요구하는 시나리오에 적합하다.
Tair는 Alibaba Cloud의 인메모리 데이터베이스 서비스로, 매우 낮은 지연 시간을 요구하는 애플리케이션에 적합하다.
DashVector는 Alibaba Cloud의 벡터 데이터베이스 서비스로, AI 애플리케이션의 핵심 요구사항인 의미 검색 및 유사성 검색을 지원한다.

Tencent Cloud : X-Stor, MongoDB 파트너십

Tencent Cloud는 중국의 AI DBaaS 시장에서 또 다른 핵심 플레이어다.
그들은 자체 개발한 멀티모델 NoSQL 데이터베이스인 X-Stor를 통해 독특한 경쟁력을 확보하고 있다.
X-Stor는 그래프, 와이드 컬럼, 문서, 시계열 등 다양한 데이터 모델을 하나의 시스템에서 처리할 수 있도록 설계되었다.
이는 Tencent가 소셜 네트워크, 비디오 스트리밍, 온라인 게임 등 다양한 서비스를 운영하면서 발생하는 복잡한 데이터 관리 요구사항을 해결하기 위해 개발되었다.
또한, Tencent Cloud는 MongoDB와의 전략적 파트너십을 통해 중국의 AI DBaaS 시장에서 강력한 입지를 구축하고 있다.

Huawei Cloud : GeminiDB, Document Database Service

Huawei Cloud는 중국의 AI DBaaS 시장에서 기술 자립을 추구하는 대표적인 기업입니다.
그들은 자체 개발한 GeminiDB를 통해 NoSQL 데이터베이스 서비스를 제공하며,
이는 MongoDB와 같은 문서 데이터베이스의 기능을 제공합니다.

GeminiDB는 고성능, 고가용성, 그리고 강력한 보안 기능을 자랑하며, 특히 정부, 금융, 통신 등 엔터프라이즈급 시장에서 강점을 가지고 있다.
또한, Huawei Cloud는 Document Database Service를 제공하여,
MDB API와 호환되는 서비스를 제공함으로써, 기존 MDB 사용자들이 쉽게 전환할 수 있도록 지원한다.

Huawei는 “신창” 정책의 수혜를 입는 대표적인 기업으로, 중국의 AI DBaaS 시장에서 중요한 역할을 할 것으로 예상된다.

Zilliz : Milvus 벡터 데이터베이스

Zilliz는 중국의 AI DBaaS 시장에서 AI 네이티브 데이터베이스를 전문으로 하는 대표적인 스타트업이다.
그들의 핵심 제품인 Milvus는 오픈소스 벡터 데이터베이스로, AI 애플리케이션의 핵심 요구사항인 고차원 벡터 데이터의 효율적인 저장 및 검색을 전문으로 한다.

Milvus는 의미 검색, 이미지 검색, 추천 시스템, 그리고 생성형 AI 애플리케이션에서 중요한 역할을 한다.
Zilliz는 Milvus를 기반으로 Zilliz Cloud라는 완전 관리형 DBaaS를 제공하며, 이는 기업들이 벡터 데이터베이스의 복잡한 운영 및 유지보수 없이도 AI 애플리케이션을 개발하고 운영할 수 있도록 한다.
Zilliz는 Alibaba Cloud와 같은 주요 클라우드 서비스 제공업체들과의 협력을 통해 중국의 AI 생태계에서 중요한 역할을 하고 있다.

5.3. 투자 전략 제안

중국 AI의 급부상과 AI 산업의 빠른 변화는 투자자들에게 새로운 기회와 도전을 제시하고 있다.
MDB에만 투자하는 것은 서구 AI가 축소되는 시나리오하에서 리스크가 있을 수 있으므로, 중국의 AI DBaaS 기업들을 포트폴리오에 추가하는 것을 고려해볼 수 있다.
이는 리스크를 분산시키고, 중국 AI의 성장에 따른 수익을 기대할 수 있는 전략이다.

포트폴리오 다각화 : MDB와 중국 기업 병행 투자

MDB와 중국의 AI DBaaS 기업들을 병행 투자하는 것은 AI 산업의 불확실성에 대응하는 효과적인 전략이다.
MDB는 글로벌 시장에서의 선도적인 위치와 기술력을 바탕으로, 서구 AI가 지속적으로 성장하는 시나리오에서 수익을 창출할 수 있다.

반면, 중국의 AI DBaaS 기업들은 중국의 막대한 내수 시장과 정부의 전략적 지원을 바탕으로, 중국 AI가 지배적인 위치를 차지하는 시나리오에서 높은 성장 잠재력을 가지고 있다.
따라서, 이 두 가지 투자를 병행함으로써, 어느 시나리오가 실현되더라도 포트폴리오의 안정성을 확보할 수 있다.

HTAP, 다모달, 데이터 플랫폼 관심

AI 시대의 데이터베이스는 단순한 데이터 저장소를 넘어, HTAP(Hybrid Transactional
/Analytical Processing), 멀티모달(Multimodal), 데이터 플랫폼으로 진화하고 있다.

HTAP는 트랜잭션 처리와 분석 처리를 하나의 시스템에서 수행할 수 있도록 하여, 실시간 AI 애플리케이션의 성능을 향상시킨다.

멀티모달은 텍스트, 이미지, 비디오 등 다양한 형태의 데이터를 처리할 수 있도록 하여, AI 애플리케이션의 범위를 확장시킨다.

데이터 플랫폼은 데이터베이스, 데이터 레이크, 데이터 분석 등 다양한 데이터 관리 기능을 통합한 플랫폼으로, AI 개발의 생산성을 높인다.

투자자들은 이러한 기술 트렌드에 주목하고, 이를 구현하고 있는 기업들에 투자하는 것을 고려해야한다.

---

가치투자 커뮤니티를 성장시켜나가고 있습니다.
운영 계획과 방향성을 한 번 읽어보시고,
텔레그램과 유튜브 채널을 통해 소통하고 있으니 공감이 가신다면 참여해주세요!
쌍방향 소통을 원하는 분들은 카카오톡 채널로 와 주시면 좋을 거 같습니다.
자료실을 통해 리포트, 뉴스도 공유하고 있으니 참고하시면 도움이 될 거 같습니다.