미국 당국은 중국 AI 연구소 Moonshot이 급성장한 Kimi K3 모델을 Anthropic 기술을 복제해 만들었다는 비난을 강화하고 있지만, TechCrunch가 인용한 연구자들은 그 설명이 시기와 K3 수준의 모델을 만들기 위해 필요한 기술 작업에 맞지 않는다고 말한다.

이 분쟁은 한 모델에만 국한되지 않는다. Kimi K3는 TechCrunch가 현재 이용 가능한 가장 큰 오픈웨이트 LLM이라고 설명한 바 있으며, 이번 의혹은 워싱턴이 중국 오픈웨이트 모델과 이를 학습시키는 데 사용되는 인프라에 대한 더 강한 제한을 논의하고 있다는 보도와 함께 나왔다. AI 개발자와 기업 구매자에게 이 사건은 정치만큼이나 더 어려운 질문을 던진다. 오늘날의 모델 진보 중 얼마나 많은 부분이 증류(distillation)에서 나오고, 얼마나 많은 부분이 원래 학습, 강화학습, 그리고 희소한 컴퓨팅 자원 접근에서 나오는가 하는 질문이다.

백악관 과학고문 마이클 크라치오스는 Moonshot이 중국 수출 승인을 받지 않은 Nvidia 하드웨어를 사용하면서 Anthropic의 Fable을 복제했다고 주장했다. TechCrunch에 따르면 크라치오스는 이 주장에 대한 뒷받침 증거를 제시하지 않았고, Moonshot은 학습 과정에 대한 질문에 답하지 않았다. 스콧 베센트 재무장관도 미국이 중국 모델에서 미국산 대규모 언어 모델의 “워터마크”를 찾고 있다고 말했지만, TechCrunch는 그 워터마크가 무엇인지 불분명하며 재무부도 이를 명확히 설명하지 않았다고 보도했다.

연구자들이 회의적인 이유

연구자들의 핵심 반박은 정치적이라기보다 실무적이다. Laude Institute와 Snorkel AI의 브레이든 핸콕은 TechCrunch에 Fable만을 증류한 것만으로는 Fable이 공개된 직후 그렇게 강력한 Kimi K3 같은 모델이 나왔다는 것을 설명할 수 없다고 말했다. 그의 주장은 경과 시간에 관한 것이다. Anthropic의 Fable이 7월 1일에야 공개됐다면, 충분한 출력을 수집하고, 대규모 학습 사이클을 돌리고, 그 후 약 2주 안에 경쟁력 있는 출시를 내놓을 여지가 거의 없다는 것이다.

Allen Institute for AI의 네이선 램버트도 TechCrunch가 인용한 팟캐스트에서 비슷한 지점을 말했다. 그의 견해로는 모델 출력에서의 단순한 지도 미세조정은 최첨단 시스템이 강해질수록 덜 결정적이 되고 있으며, 후학습은 강화학습에 훨씬 더 크게 의존하고 있다. 만약 단순 증류만으로 최첨단 능력을 재현할 수 있다면, 같은 접근법으로 이미 더 많은 연구소가 격차를 좁혔어야 한다고 그는 시사했다.

이 구분은 중요하다. 업계에서 “증류”는 지도 미세조정을 위한 프롬프트-응답 쌍 수집부터 모델의 추론 패턴을 더 체계적으로 복제하려는 시도까지 여러 다른 행위를 가리킬 수 있다. TechCrunch가 인용한 연구자들은 이 과정의 가벼운 형태는 모델이 스타일이나 “태도”를 흉내 내는 데 도움이 될 수 있지만, 그 자체로 큰 성능 도약을 만들어낼 가능성은 낮다고 말한다.

증류, 강화학습, 그리고 비용 장벽

TechCrunch의 보도는 Fable 의혹이 의문시되는 더 기술적인 이유를 보여준다. 고급 후학습은 이제 단순히 스크래핑되거나 질의된 출력만이 아니라, 대규모 강화학습 실행에 의존하는 경우가 많다.

램버트는 TechCrunch에 Fable과 비슷한 행동을 깊이 재현하려면 단순한 지도 미세조정보다 강화학습이 필요할 가능성이 높다고 말했다. 실제로는 더 강한 모델이 더 약한 모델의 답변을 채점하고 학습 과정이 그에 따라 업데이트되는, 엄청난 수의 에이전트 평가를 실행하는 것을 뜻할 수 있다. TechCrunch는 이러한 실행이 수천만 개의 에이전트를 포함할 수 있다고 지적했다.

이는 두 가지 이유에서 중요하다. 첫째, Anthropic 같은 최첨단 제공자의 외부 API를 대규모 채점에 사용하면 비용이 많이 들고 느리다. 둘째, 연구소가 이를 은밀하게 하려 해도 그 과정 자체가 병목을 만든다. TechCrunch가 인용한 연구자들은 이런 실행의 경제성과 지연 시간이 Fable에서 Kimi K3로의 빠른 도약이라는 이론을 덜 설득력 있게 만든다고 주장했다.

이런 점이 Moonshot이 미국 모델에서 증류하지 않았다는 것을 증명하는 것은 아니다. 다만 증류가 있었다면 그것은 여러 입력 중 하나일 뿐이며, Kimi K3의 보고된 품질에 대한 완전한 설명은 아닐 수 있음을 시사한다. AI 제품 팀에게 이는 유용한 구분이다. 모델 모방은 행동을 형성할 수 있지만, 최첨단 성능은 점점 더 학습 파이프라인, 보상 설계, 인프라, 그리고 대규모 데이터 큐레이션에 달려 있다.

이전의 Anthropic 비난과 흐릿한 업계 경계

Anthropic이 경고 신호를 보낸 것은 이번이 처음이 아니다. TechCrunch는 올해 초 Anthropic이 Moonshot, DeepSeek, MiniMax가 자사 모델을 체계적으로 증류했다고 공개적으로 비난했다고 보도했다. TechCrunch에 따르면 Anthropic은 IP 주소와 메타데이터를 통해 이 회사들과 연결되는 자사 시스템과 사용자 간 수백만 건의 교류를 발견했다고 말했으며, 이를 일반적인 고객 사용이 아닌 의도적인 능력 추출이라고 규정했다.

Anthropic은 Fable이 Kimi K3 개발에 관여했는지에 대한 TechCrunch의 구체적인 질문에 답하지 않았다. 이로 인해 광범위한 과거 비난과 Kratsios의 보다 좁고 새로운 주장 사이에 공백이 남는다.

이 이야기는 업계 전반에서 어떤 형태의 증류가 매우 일반적이 되었는지 때문에 더 복잡해진다. TechCrunch는 일론 머스크가 올해 초 SpaceXAI가 Grok 개발을 돕기 위해 OpenAI 모델을 증류했다고 증언했으며, 그 관행이 일반적이라고 말했다고 전했다. 이 언급이 법적 또는 정책적 우려를 없애는 것은 아니지만, 금지된 복제와 합성 데이터 또는 모델이 생성한 학습 자료의 허용된 사용 사이에 선명한 경계를 긋는 것이 얼마나 어려운지를 보여준다.

기업 AI 팀에게 이 모호성은 중요하다. 공급업체 리스크는 이제 모델 정확도나 가격만의 문제가 아니다. 학습 데이터의 출처, 출력이 다른 상용 모델을 통해 생성되었는지, 향후 분쟁이 접근성, 라이선스 또는 규정 준수에 영향을 줄 수 있는지까지 포함한다.

컴퓨팅 자원 문제는 복제 주장만큼이나 중요할 수 있다

Kratsios의 두 번째 주장은 Fable 주장 자체보다 정책 입안자들이 더 무시하기 어려울 수 있다. 그는 Moonshot이 중국으로의 수출 제한이 있는 이런 하드웨어를 사용하면서 Grace Blackwell 300s와 GB300이 장착된 서버를 태국에서 포함한 고급 Nvidia 시스템을 사용했다고 말했다.

TechCrunch는 Georgetown의 Center for Security and Emerging Technology 소속 샘 브레스닉이 첨단 칩의 암시장 시장이 존재한다고 말했다고 보도했다. 또한 기사에서는 미국 서버 제조사 Supermicro의 창업자가 첨단 칩을 중국으로 밀수한 혐의로 5월에 기소된 사실도 언급했다.

만약 칩 접근 주장이 사실로 확인된다면, 이는 워싱턴이 이미 우려하는 패턴을 강화할 것이다. 즉, 고급 컴퓨팅에 대한 통제는 그것을 시행하는 데이터센터 운영자, 리셀러, 물류 체인만큼만 강하다는 것이다. 브레스닉은 TechCrunch에 데이터센터 운영자가 누가 최첨단 하드웨어에서 대규모 학습을 수행하는지 식별할 수 있도록 고객확인(KYC) 규칙을 지지한다고 말했다.

TechCrunch는 또한 바이든 행정부가 2024년에 데이터센터를 위한 연방 KYC 규칙을 제안했지만, 도널드 트럼프 대통령 아래에서는 더 이상의 진전이 없었던 것으로 보인다고 전했다. 이는 모델 가중치만큼이나 학습 능력이 지정학적으로 민감할 수 있는 시점에 정책 공백을 남긴다.

개발자들에게 시사점은 분명하다. 충분한 최첨단 컴퓨팅에 접근할 수 있는 연구소는 증류라는 극적인 지름길 없이도 더 나은 강화학습과 확장을 통해 품질 격차를 줄일 수 있다. 다시 말해, 진정한 경쟁 우위는 여전히 인프라일 수 있다.

증거, 주장, 그리고 여전히 입증되지 않은 것들

현재 공개된 증거는 불완전하다. Moonshot이 Anthropic의 Fable을 복제했다는 주장은 TechCrunch에 따르면 Michael Kratsios가 제기했지만, 그는 출처나 기술적 증거를 제시하지 않았다. 중국 모델의 “워터마크”에 대한 Scott Bessent의 주장 역시 기술적 세부사항이 없다. TechCrunch는 재무부와 Anthropic 모두 질문에 대해 이를 명확히 설명하지 않았다고 전했다.

반면 Braden Hancock과 Nathan Lambert의 회의론은 증거 기반이라기보다 분석적이다. 그들은 Moonshot이 확실히 증류를 사용하지 않았다고 말하는 것이 아니다. 알려진 시기표, 관찰된 Kimi K3의 강점, 그리고 강화학습의 중요성 증대로 볼 때 “Fable 활용이 Kimi K3를 설명한다”는 주장은 기껏해야 불완전해 보인다고 말하는 것이다.

TechCrunch는 또한 Kimi K3를 현재 이용 가능한 가장 큰 오픈웨이트 LLM으로 소개하지만, 공개된 벤치마크와 독립 평가로 뒷받침되지 않는 한 광범위한 성능 함의는 신중하게 받아들여야 한다. 이 사안에서는 공개된 벤치마크 표도, 학습 로그도, Moonshot의 직접적인 기술 설명도 없다. 그만큼 결론을 내릴 수 있는 범위는 제한적이다.

AI 개발자와 기업 구매자에게 주는 시사점

모델 개발자에게 이번 일은 증류 방어만으로는 경쟁 구도를 정리할 수 없다는 점을 상기시킨다. chain-of-thought 보호, 속도 제한, 워터마킹, 의심스러운 API 사용 모니터링은 Anthropic이나 Fable 주변의 유출을 줄일 수 있지만, 경쟁자가 자체 강화학습, 데이터 작업, 컴퓨팅 접근을 통해 개선하는 것을 막지는 못한다.

Kimi K3, DeepSeek, MiniMax의 제품 같은 오픈 모델을 평가하는 기업에게는 출처와 정책 리스크가 이제 기술적 실사 항목의 일부다. 팀은 모델의 학습 경로가 향후 제한을 촉발할 수 있는지, 수출 통제 집행이 지원이나 호스팅을 방해할 수 있는지, 해외 인프라 의존이 법적 또는 조달상의 문제를 만드는지 물어봐야 한다.

더 넓은 시장에 대해 가장 강한 교훈은 중국 연구소를 더 이상 단순한 모방자로 쉽게 치부할 수 없다는 점일 수 있다. Hancock은 TechCrunch에 미국 관찰자들이 이런 팀들의 기술적 역량을 종종 과소평가한다고 말했다. 그 평가는 정책 논쟁을 끝내지는 못하지만, 제품 팀과 투자자들이 모든 진전을 파생적이라고 가정하기보다 실질을 보고 역량을 평가하도록 만든다.

앞으로 주목할 점

첫째, Fable과 Anthropic 관련 의혹 뒤에 있는 기술적 증거가 나오는지 주목해야 한다. 특히 미국 정부나 Anthropic이 추정되는 워터마크, 질의 패턴, 인프라 흔적에 대한 구체적인 내용을 공개한다면 더욱 그렇다.

둘째, Moonshot이 Kimi K3의 학습, 평가, 또는 컴퓨팅 소스에 대해 더 자세한 내용을 공개하는지 지켜봐야 한다. 부분적인 공개만으로도 이 논쟁의 균형은 달라질 수 있다.

셋째, Nvidia 시스템과 관련된 데이터센터 규정 준수 규칙과 수출 통제 집행, 특히 중국 밖의 GB300 관련 배치에 주목해야 한다. 모델 라이선스보다 컴퓨팅 접근 쪽에서 정책 변화가 더 빨리 올 수 있다.

마지막으로, 다른 오픈웨이트 LLM 출시가 미국 최첨단 API에 대한 명백한 의존 없이 Kimi K3와의 격차를 좁히는지 지켜봐야 한다. 그렇게 된다면 Allen Institute for AI와 Laude Institute 진영의, 단순한 증류가 아니라 확장과 강화학습이 최근 성과를 이끌고 있다는 주장이 더 강해질 것이다.

Creati.ai 시각

이 이야기에서 가장 중요한 것은 증류가 실제로 있었는지가 아니라, 정책 입안자들이 기술적으로 빈약한 설명으로 실제 경쟁 변화에 대응하고 있는지 여부다. TechCrunch 보도에 따르면, Anthropic의 Fable이 Kimi K3의 결정적 요소였다는 공개된 근거는 아직 없다. 전문가들의 견해는 더 좁지만 더 신뢰할 만하다. 일부 증류는 있었을 수 있지만, 아마 전체 결과를 설명하지는 못한다는 것이다.

이것이 중요한 이유는 AI 시장이 챗 스타일 모방 논쟁에서 강화학습 시스템, 평가 루프, 컴퓨팅 접근을 둘러싼 싸움으로 이동하고 있기 때문이다. 개발자와 구매자에게 주는 실질적 교훈은 수사보다 모델 출처, 인프라 노출, 그리고 벤더가 법적·지정학적 혼란 없이 품질 개선을 지속할 수 있는지에 더 집중하라는 것이다.