딥시크 자체 AI 칩 추진, AI 경쟁의 초점이 비용과 공급망으로 넓어진다

중국 AI 기업 딥시크가 엔비디아와 화웨이 의존도를 낮추기 위해 자체 AI 칩 개발을 추진하고 있다고 로이터가 7월 7일 보도했다. 보도에 따르면 이 칩은 새 모델을 학습시키는 훈련용보다, 이미 학습된 AI가 사용자 질문에 답을 내는 ‘인퍼런스’ 용도에 초점을 둔 것으로 알려졌다. 아직 초기 단계지만, AI 경쟁의 중심이 모델 성능뿐 아니라 비용, 공급망, 하드웨어 통제력으로 넓어지고 있음을 보여주는 사례다.

핵심은 ‘자체 칩’이라는 표현 자체보다 그 뒤에 있는 현실적 제약이다. 딥시크는 외부 파트너와 논의하고 칩 설계 인력을 늘리는 것으로 전해졌지만, 칩 설계와 대량 생산은 다른 문제다. 최첨단 AI 반도체는 TSMC, 삼성, 인텔 같은 소수 제조 역량, 고대역폭 메모리(HBM), 첨단 패키징, ASML의 노광 장비 같은 병목에 묶여 있다. AI 기업이 자체 칩을 설계하더라도 실제 공급망에서는 여전히 제한된 자원을 놓고 경쟁해야 한다는 뜻이다.

이 흐름은 딥시크만의 움직임은 아니다. 마이크로소프트, 구글, 아마존, 메타, 오픈AI 등 주요 AI 기업들은 이미 맞춤형 칩 개발이나 대체 연산 인프라 확보를 추진해 왔다. 엔비디아 GPU는 성능과 소프트웨어 생태계에서 강점을 갖고 있지만, 가격과 공급 상황이 데이터센터 비용과 서비스 운영비에 직접 영향을 준다. 맞춤형 칩은 엔비디아를 곧바로 대체한다기보다, 특정 업무를 더 싸고 효율적으로 처리하고 협상력을 높이기 위한 선택지로 이해하는 편이 현실적이다.

딥시크의 경우 미국의 대중국 반도체 수출 통제라는 변수도 크다. 중국 기업들은 엔비디아의 최신 AI 칩을 안정적으로 확보하기 어려운 환경에서 화웨이 칩, 자체 설계, 모델 경량화, 오픈소스 모델 최적화 같은 대안을 동시에 찾고 있다. 이번 보도는 중국 AI 기업들이 모델 개발만이 아니라 인프라 비용과 공급 리스크까지 직접 관리하려는 방향으로 움직이고 있음을 보여준다.

보스턴권 독자에게 이 뉴스는 단순한 중국 AI 기업 소식으로만 보기는 어렵다. 보스턴은 대형 반도체 제조 기지라기보다 대학 연구, 로보틱스, 바이오테크, 클라우드 소프트웨어, 엔터프라이즈 AI가 맞물린 시장이다. 따라서 이 뉴스가 곧바로 지역 내 대규모 칩 생산 일자리로 이어진다고 보기는 어렵다. 다만 AI 모델을 실제 서비스에 올리고 비용을 줄이는 역할, 하드웨어 제약을 이해하는 소프트웨어 직무, 데이터센터와 클라우드 비용을 관리하는 업무의 중요성은 더 커질 가능성이 있다. 이는 참고용 시장 해석이지, 특정 기업의 채용 확대를 직접 예고하는 신호는 아니다.

유학생과 취업 준비생에게는 ‘AI를 쓸 줄 안다’는 표현만으로는 차별화가 어려워지는 흐름으로 읽힌다. 앞으로는 AI가 어디에서 비용을 많이 쓰는지, 어떤 상황에서 큰 모델 대신 작은 모델이나 캐싱을 활용할 수 있는지, 인퍼런스 속도와 비용을 어떻게 줄일 수 있는지를 설명할 수 있는 역량이 더 자주 거론될 수 있다. 관련 키워드로는 인퍼런스 최적화, 분산 시스템, GPU 프로그래밍, CUDA와 Triton, PyTorch 컴파일러, 모델 경량화, MLOps, 클라우드 비용 분석, 반도체 공급망 이해 등이 있다.

비자 스폰서십이 필요한 지원자라면 직무의 성장성뿐 아니라 회사가 해당 역할을 장기적으로 유지할 사업 모델을 갖고 있는지, 과거 스폰서십 경험이 있는지도 함께 확인할 필요가 있다. 다만 비자와 이민 문제는 개인별 학위, 고용 형태, 회사 정책, 시점에 따라 달라질 수 있으므로 일반 정보 차원에서만 봐야 한다. 채용 공고에서 ‘AI’라는 단어만 볼 것이 아니라, 실제 업무가 모델 개발인지, 서비스 운영인지, 인프라 비용 관리인지, 고객 데이터 처리인지 구분해 보는 것이 실무적으로 더 유용하다.

현직 소프트웨어 엔지니어에게는 AI 기능을 붙이는 능력만큼 운영비를 줄이는 능력이 중요해지고 있다. 같은 모델을 더 빠르고 싸게 돌리는 모델 서빙, 캐싱, 평가 자동화, 데이터 파이프라인, 보안과 규정 준수 업무는 AI와 함께 늘어나는 역할에 가깝다. 제품·비즈니스 직군도 ‘AI 기능 출시’ 자체보다 고객당 연산 비용, 벤더 의존도, 장애 대응, 데이터 통제 방식을 이해해야 실제 의사결정에 참여하기 쉬워진다.

창업 관심자에게도 이번 흐름은 중요한 신호다. AI 스타트업의 경쟁력은 시연 화면만으로 설명되기 어렵다. 런웨이, 즉 보유 현금으로 버틸 수 있는 기간은 모델 호출 비용과 인프라 비용에 크게 좌우된다. 자체 모델을 만들지 않더라도 어떤 모델을 언제 쓰고, 어떤 업무는 작은 모델이나 규칙 기반 시스템으로 처리할지 설계하는 능력이 투자자와 고객에게 더 중요한 질문이 되고 있다.

이번 보도는 엔비디아 중심 AI 생태계가 단기간에 흔들린다는 뜻이라기보다, AI 시장이 더 성숙한 비용 경쟁 단계로 들어가고 있다는 신호에 가깝다. 앞으로 볼 변수는 맞춤형 칩이 실제 생산까지 이어지는 속도, 고대역폭 메모리와 패키징 공급 상황, 그리고 기업들이 AI 투자비를 매출과 생산성으로 얼마나 설명할 수 있는지다. 보스턴의 구직자와 현직자에게는 모델 이름보다 AI를 운영 가능한 시스템으로 만드는 역량이 더 현실적인 관찰 지점이 되고 있다.