‘딥시크 R2’라는 이름은 어디로 갔나

2025년 1월, 딥시크 R1이 공개됐을 때 AI 업계는 그야말로 충격에 빠졌습니다. 오픈AI의 o1에 맞먹는 추론 성능을 단 80억 원 수준의 학습 비용으로 달성했다는 사실이 알려지자, 엔비디아 주가가 급락하고 실리콘밸리 전체가 ‘딥시크 쇼크’를 논했습니다. 그 후 업계는 자연스럽게 차세대 모델 ‘딥시크 R2’를 손꼽아 기다렸습니다.

그런데 2026년 3월 현재, 딥시크 R2는 아직 공식 출시되지 않았습니다. 흥미로운 점은 나무위키 DeepSeek 항목이 “2026년 3월 기준으로 DeepSeek-V4로 이름을 바꿔 출시할 가능성이 높다는 루머가 돌고 있다”고 명시하고 있다는 것입니다. 즉, R2라는 이름은 사라지고 V4라는 브랜드로 대체될 가능성이 높습니다. 실제로 딥시크는 V3.1, V3.2 등 V 시리즈를 지속적으로 업그레이드해 왔으며, 순수 추론 모델을 가리키는 R 시리즈 명칭 대신 멀티모달 기능까지 통합한 통합 모델로서 V4라는 이름을 선택할 공산이 크다는 분석이 지배적입니다.

이 글에서는 편의상 딥시크 R2/V4를 혼용해서 사용하겠습니다. 핵심은 이름보다 내용입니다. 왜 이 모델이 1년 넘게 나오지 않았는지, 그리고 실제로 어떤 기술을 담고 있는지를 파헤쳐 봅니다.

▲ 목차로 돌아가기

1년 이상 출시가 미뤄진 진짜 이유 3가지

1화웨이 어센드 칩 훈련 실패

2025년 8월, 영국 파이낸셜타임스(FT)가 복수의 관계자를 인용해 충격적인 사실을 보도했습니다. 딥시크가 R2(V4) 훈련에 화웨이의 어센드(Ascend) 칩을 사용했으나 기술적 문제로 훈련이 실패했다는 것입니다. 중국 정부는 자국 반도체 생태계 육성을 위해 화웨이 칩 사용을 권장했고, 화웨이는 직접 엔지니어 팀을 파견했지만 소프트웨어 호환성과 연결 안정성 문제를 끝내 해결하지 못했습니다. 결국 딥시크는 학습 단계는 엔비디아 칩, 추론 단계는 화웨이 칩으로 이원화하는 타협점을 선택할 수밖에 없었습니다.

2량원펑 CEO의 ‘성능 불만족’ 결단

2025년 6월, 복수의 내부 소식통은 “딥시크 창업자 량원펑이 R2의 성능이 아직 충분하지 않다고 판단해 출시 시기를 결정하지 못했다”고 전했습니다. 이는 단순한 기술 문제가 아니라 전략적 판단의 영역입니다. 딥시크 R1이 일으킨 ‘딥시크 쇼크’의 파급력은 단순히 성능이 높아서가 아니라, 기대를 뛰어넘는 ‘서프라이즈 효과’ 덕분이었습니다. V4도 같은 충격을 주지 못한다면 오히려 역효과가 날 수 있다는 계산이 작용했을 것입니다.

3미국 반도체 수출 규제의 가속화

2025년 8월, 미국 정부는 엔비디아 칩의 중국 수출을 허용하면서도 중국 내 매출의 일부를 미국 정부에 납부하고 칩에 위치 추적 기능을 탑재하도록 요구하는 조건을 부과했습니다. 이에 중국 정부는 엔비디아 칩 사용 기업들에게 사용 목적과 장소를 보고하도록 의무화했습니다. 딥시크가 자유롭게 고성능 GPU를 활용하는 환경 자체가 정치·외교적 변수에 의해 압박받게 된 것입니다. 로이터 보도에 따르면, 딥시크는 V4 공개 시 엔비디아·AMD에는 사전 버전을 제공하지 않고 화웨이·캠브리콘에만 조기 접근을 허용하는 결정을 내렸습니다. 이는 미국과의 기술 갈등이 모델 출시 전략에까지 영향을 미치고 있음을 보여줍니다.

▲ 목차로 돌아가기

딥시크 V4가 품고 있는 핵심 기술 2가지

출시가 미뤄지는 동안 딥시크는 V4의 핵심 기술을 논문 형태로 공개했습니다. 숫자 싸움보다 훨씬 더 중요한 것은 아키텍처 혁신이며, 이 두 기술이 AI 산업의 게임 체인저가 될 이유가 있습니다.

① 엔그램(Engram) 메모리 아키텍처

2026년 1월 13일, 딥시크 연구진은 arXiv(논문번호 2601.07372)에 ‘엔그램’ 아키텍처 논문을 공개했습니다. 기존 트랜스포머 모델은 모든 지식을 GPU의 값비싼 VRAM에 저장해야 했지만, 엔그램은 정적인 지식(사실·언어 패턴)은 저렴한 시스템 메모리(DRAM)에 분리 저장하고 필요할 때 O(1) 복잡도로 즉각 조회하는 방식을 채택했습니다. 이는 인간의 장기 기억에서 필요한 정보만 작업 기억으로 불러오는 인지 구조와 매우 흡사합니다.

내부 실험에서 ‘Needle-in-a-Haystack’ 테스트의 다중 쿼리 정확도가 84.2%에서 97.0%로 향상되었습니다. 100만 토큰 이상의 초장문 맥락에서도 정보 손실과 환각(Hallucination)이 현저히 줄어드는 효과를 보였습니다. 코딩 작업처럼 수십만 줄의 코드베이스를 통째로 기억하며 작업해야 하는 환경에서 특히 강력한 경쟁 우위가 됩니다.

② 다양체 제약 초연결(mHC) 기술

arXiv 논문 2512.24880에 소개된 mHC(Manifold-Constrained Hyper-Connections) 기술은 수백 레이어짜리 초거대 모델의 학습 불안정성을 수학적으로 해결합니다. 기존 잔차 연결(Residual Connection) 방식은 모델이 깊어질수록 신호가 기하급수적으로 폭발하는 고질적 문제가 있었는데, mHC는 싱크혼-크놉 알고리즘으로 연결 행렬을 이중 확률 행렬로 제약해 신호를 안정적으로 제어합니다. 딥시크 V4가 1조 개(1 Trillion) 파라미터 규모의 초대형 MoE 모델임에도 훈련 비용을 획기적으로 낮출 수 있었던 배경이 바로 이 기술입니다.

▲ 목차로 돌아가기

유출 벤치마크 사태의 진실과 실제 기대치

2026년 1월 말~2월 초, 인터넷은 ‘딥시크 V4 벤치마크 유출‘로 들썩였습니다. 소프트웨어 엔지니어링 능력 지표인 SWE-bench Verified에서 83.7%를 기록했고, AIME 2026에서 99.4%를 달성했다는 내용이 레딧과 X(트위터)를 통해 급속히 확산됐습니다. 당시 최고 경쟁 모델이었던 GPT-5.2 High(80.0%), Claude 4.5 Opus(80.9%), Gemini 3 Pro(76.2%)를 모두 압도하는 수치여서 충격은 배가됐습니다.

그러나 냉정한 교차 검증 결과, 해당 데이터는 조작된 것으로 판명됐습니다. 결정적 증거는 비교 모델 점수의 불일치였습니다. 유출 차트에서 Kimi K2.5(24.37점)가 Gemini 3 Pro(37.52점)보다 HLE 점수가 높게 표시됐는데, 이는 이미 공개된 공식 벤치마크와 정면으로 배치되는 사실이었습니다. 유출 정보를 처음 게시한 레딧 사용자는 논란이 확산되자 게시물을 자진 삭제했고, FrontierMath 벤치마크를 주관하는 Epoch AI 관계자도 직접 “해당 유출은 거짓”이라고 확인했습니다.

그렇다고 실망할 필요는 없습니다. 허구의 벤치마크 뒤에 있는 기술적 실체 — 엔그램·mHC·블랙웰 최적화 FlashMLA 커널 — 는 훨씬 더 중요하고 실질적입니다. 딥시크의 깃허브 FlashMLA 리포지토리에서 발견된 ‘MODEL1’ 식별자와 FP8 기반 혼합 정밀도 연산 코드는 V4가 단순한 업그레이드가 아닌 아키텍처 전면 재설계임을 강력하게 시사합니다. 확인된 공식 목표는 추론 비용 100만 토큰당 약 0.27달러로, Claude Opus 4.5의 15달러 대비 약 1/55 수준입니다.

▲ 목차로 돌아가기

GPT-5·Claude·Gemini와의 판세 비교

딥시크 V4(R2)가 출시 시점에 마주할 경쟁 모델들의 현황을 파악하는 것은 매우 중요합니다. 2026년 3월 현재를 기준으로 주요 AI 모델의 포지션을 정리하면 다음과 같습니다.

OpenAI와 Anthropic의 입장에서 딥시크 V4는 가성비 전쟁의 직격탄입니다. 코딩과 정밀 추론을 강점으로 구독료를 받아온 Claude에게 1/50 가격의 동급 성능 모델은 구독 해지 압박으로 직결됩니다. 반면 구글은 딥시크의 알고리즘 효율화 기술을 자사 TPU에 빠르게 이식할 수 있는 하드웨어 내재화 역량 덕분에 오히려 운영 비용을 낮추는 기회로 활용할 수 있는 구조입니다. 이른바 ‘제본스의 역설(Jevons Paradox)’ — 효율이 높아질수록 전체 소비는 늘어난다 — 이 빅테크들의 CAPEX(설비투자) 전략에 그대로 반영되고 있습니다.

엔비디아 역시 단기적으로는 ‘알고리즘이 좋으면 GPU를 덜 쓴다’는 심리적 압박을 받지만, 장기적으로는 AI 추론 시장이 폭발적으로 확대되면서 루빈(Rubin) 아키텍처 기반의 추론 전용 칩 수요가 오히려 늘어날 것이라는 분석이 우세합니다.

▲ 목차로 돌아가기

딥시크 V4가 바꿀 AI 생태계 지형도

딥시크 R2(V4)의 등장이 가져올 변화는 단순한 모델 성능 경쟁을 넘어섭니다. 이 모델은 AI의 경제성을 근본부터 재정의하는 도화선이 될 것입니다.

오픈소스 진영의 비약적 도약

딥시크는 V1·V2·V3를 모두 오픈 웨이트(Open Weights)로 공개했습니다. V4 역시 오픈소스 공개 가능성이 높습니다. 만약 1조 파라미터급 초거대 모델의 가중치가 누구에게나 공개된다면, 전 세계 개발자와 스타트업들이 최고 수준의 AI 모델을 자사 서버나 저렴한 클라우드에서 직접 운용하는 시대가 열립니다. 이는 GitHub Copilot, Cursor 같은 코딩 도구부터 법률·의료·금융 분야 특화 AI 서비스까지, AI 도입의 진입 장벽을 획기적으로 낮춥니다.

코딩 자동화 시장의 지각변동

엔그램 아키텍처의 특성상 수십만 줄의 코드베이스 전체를 메모리에 상주시키고, 필요한 함수나 의존성을 즉각 참조하며 코드를 작성하는 것이 가능해집니다. 기존 AI 코딩 도구들이 컨텍스트 윈도우 제한과 ‘중간 내용 망각’ 현상으로 한계를 보였던 대규모 레포지토리 리팩토링, 레거시 코드 마이그레이션 영역에서 딥시크 V4는 압도적인 경쟁 우위를 확보할 수 있습니다. 딥시크가 자체 개발 중인 AI 코딩 도구 ‘LIC’ 역시 이 V4의 강력한 엔그램 백엔드를 기반으로 엔터프라이즈 개발 워크플로우 시장을 공략할 것으로 예상됩니다.

미·중 기술 패권 전쟁의 새 국면

딥시크 V4는 단순한 AI 모델이 아닙니다. 미국의 반도체 수출 규제에 맞서 중국이 알고리즘과 아키텍처 혁신으로 하드웨어 한계를 돌파할 수 있는지를 증명하는 시험대입니다. 엔비디아나 AMD에 사전 버전을 공유하지 않고 화웨이·캠브리콘에 조기 접근을 허용한 것도 같은 맥락입니다. 기술 주권을 향한 중국의 움직임이 AI 소프트웨어 계층에서 더욱 노골화되고 있음을 보여줍니다.

▲ 목차로 돌아가기