Zhipu는 AI 물량 축적 흐름 속에서 컴퓨팅 용량과 하드웨어 비축을 확보하기 위해 50억 달러 규모의 기술 장부를 편성한다.

AI 산업의 경쟁 초점은 “우리가 이를 구축할 수 있는가?”에서 “우리가 지속적으로 반복하고 경계를 꾸준히 넓힐 수 있는가?”로 이동했다. 전자에는 영감의 순간이 담길 수 있지만, 후자는 조직 성숙도, 제품 전략, 자본 준비금, 장기적 비전의 축적에 달려 있다. 특히 자본은 다른 모든 생산성 요소를 뒷받침하는 필수적인 ‘탄약고이자 양식고’ 역할을 한다. 이러한 현실은 최근 Zhipu, ByteDance, Alibaba, Tencent 등 주요 제조사들의 자금 조달 라운드를 뒷받침한다. 9월 13일 저녁, Zhipu는 약 20억 달러의 지분 발행과 30억 달러의 전환사채를 포함하여 약 50억 달러의 조달을 완료했다고 발표했다. 이 자금은 주로 모델 연구 개발 및 컴퓨팅 인프라에 할당될 예정이다. 발표 이후 자본 시장과 AI 커뮤니티에서는 다음과 같은 날카로운 질문들이 제기되었다: 왜 Zhipu는 이 자금이 필요한가? 이 자금은 어디에 투입되는가? 그리고 어떤 전략적 우위를 확보하게 되는가?

지속되는 AI 마라톤에서의 승패 요인은 근본적으로 변화했다. 제1단계에서는 모델 성능이 주로 알고리즘 혁신에 기인했다. 제2단계에서는 진정한 차별화 요소가 바로 그 혁신들을 반복적으로 안정적으로 재현할 수 있는 능력이다. 이는 실험 스케줄링, 데이터-컴퓨팅 비율, 기반 인프라 클러스터 오케스트레이션 등 정교한 엔지니어링 시스템을 요구한다. 이러한 운영상의 세부 사항들은 벤치마크 리더보드에 거의 나타나지 않지만, 모델 반복을 지속하는 데 결정적이다. 지속적인 반복이 이제 업계의 공통된 인식임에도 불구하고, 장기간에 걸쳐 일관되게 실행할 수 있는 기업은 드물다. 따라서 리듬 자체도 하나의 역량 지표가 되었다. 올해 초 Google은 I/O 컨퍼런스에서 차세대 플래그십 Gemini 3.5 Pro의 임박한 출시를 예고했으나, 반복적인 지연을 겪었다. 여러 해외 언론 보도에 따르면, 이 지연들은 코딩 및 Agent 능력의 부족에서 비롯되었다. 반복 리듬에서 뒤처진 것은 일시적으로 Google을 하반기 업계 논의의 중심에 놓이게 만들었다. 반면, 몇몇 국내 AI 기업들은 더 안정적인 리듬을 유지해 왔다. 예를 들어 Zhipu는 2월부터 8월까지 GLM-5, GLM-5.1, GLM-5.2, GLM-5.3을 순차적으로 배포했으며, 평균적으로 두 달마다 주요 업그레이드를 진행했다. 이전에 출시된 GLM-4.6 및 GLM-4.7 역시 동일한 리듬을 따랐다. 제3자 분석 기업 Artificial Analysis에 따르면, 지난 11개월 동안 Zhipu의 플래그십 모델이 Composite Intelligence Index에서 얻은 점수는 32에서 60으로 상승했으며, 이는 전 세계 최전선 tiers 내에 단단히 자리매김함을 의미한다. 여러 AI 연구자들은 AI Technology Review와의 인터뷰에서 이러한 궤적을 지적하며, 이러한 빠른 반복과 능력 향상은 업계에서 흔하지 않다고 관찰했다. 그들은 고립된 높은 벤치마크 점수가 운 좋은 하이퍼파라미터 튜닝의 결과일 수 있지만, 지속적이고 다세대에 걸친 개선은 견고한 R&D 역량, 조직 효율성, 엔지니어링 시스템이 필요하다고 강조한다. 한 연구원은 AI Technology Review에게 “현재 대형 모델 반복의 병목 현상은 대개 ‘아이디어를 구상할 수 있는가’가 아니라 ‘그 아이디어를 일정대로 재현 가능한 결과물로 변환할 수 있는가’”라고 말했다. “Zhipu의 꾸준한 납기는 그들의 생산 계획 및 엔지니어링 역량이 확고히 자리 잡았음을 나타낸다.” 최소한 공개 정보를 기준으로 볼 때, Zhipu의 개발 체인은 끊어지지 않았다. 회사의 다음 행보는 풍부한 자본을 활용하여 이러한 모멘텀을 유지하고, 대형 언어 모델의 진화 궤적을 선도하거나 유지하는 것이다.

자본 준비금을 보충하는 것은 Zhipu만의 우선순위가 아니다. 9월 초, ByteDance는 데이터 센터 및 AI 인프라를 목표로 하는 약 296억 달러의 신디케이션 대출을 확보한 것으로 알려졌다. 8월, Alibaba는 글로벌 컴퓨팅 자원 및 AI 데이터 센터에 주로 할당된 HK$80억 규모의 신규 지분 발행을 완료했다. Tencent는 6월에 약 47억 달러의 사채를 발행했으며, Baidu, Meituan, Kuaishou와 같은 기타 주요 기술 기업들도 사채 시장에서 대기 중인 것으로 보고되었다. 해외 플레이어들도 마찬가지로 활발하다. SoftBank는 OpenAI의 슈퍼 생태계 확장을 지원하기 위해 3월에 400억 달러의 브리지 파이낸싱 라운드를 최종 확정했다. 또한, 여러 연구 기관들은 세계 상위 9개 클라우드 서비스 제공업체의 총 자본 지출이 2026년까지 8,867억 달러를 초과할 것으로 전망한다. 그러나 자금 조달만으로는 충분하지 않다. 시장은 이 자금들이 어떻게 배정될지를 면밀히 주시하고 있으며, 배정 전략이 다음 파도의 기술 세대 격차에서 누가 주도권을 확보할지를 결정할 것이다. Zhipu의 자금 조달 발표에 따르면, 지분 발행 및 전환사채의 순이익은 총 HK$393억 정도이다. 이 중 약 60%, 즉 HK$235억은 차세대 GLM 아키텍처, 완전 자율 학습 시스템, 대규모 훈련, 추론 및 컴퓨팅 인프라에 할당될 예정이다. AIsectors를 추적하는 한 증권 분석가는 AI Technology Review에게 “프리미엄을 가진 전환사채의 지배력은 장기 자본 선호도를 나타낸다”며 “무이자(Zero coupons)는 회사가 즉시 이자를 지불하지 않도록 하며, 전환 가치는 유보되므로 긴 R&D 주기를 가진 기업에 매우 적합하다”고 말했다. 이는 명확히 Zhipu의 장기 주기 지향을 신호한다. 이러한 자신감은 입증된 상용화 루프에 크게 뿌리를 두고 있다. 최근 중간 재무 보고서에 따르면 H1 매출은 전년 대비 399.7% 증가한 RMB 954백만에 도달했다. 오픈 플랫폼 및 API 매출은 RMB 825백만으로 전년 대비 2,736% 급증했으며, 전체 매출에서 차지하는 비중은 2025년 말의 26.3%에서 86.5%로 뛰었다. 클라우드 기반 청구 서비스가 수익의 backbone이 되면서 프로젝트 기반 납품에 대한 의존도가 줄었다. 기초가 탄탄해짐에 따라 초점은 첨단 R&D 추진으로 이동한다. 발표에 따르면, 차세대 GLM 개발 예산은 몇 가지 핵심 기술 과제에 목표를 맞추고 있다: 기본 모델에서 유효 규모 확장, 초장기 문맥 및 네이티브 멀티모달리티를 위한 엔드투엔드 통합 모델링 발전; 추론 비용을 크게 높이지 않고 추론을 위한 유효 컴퓨팅 깊이 증가를 통해 장사슬 추론 및 자기 수정 강화; 프리트레이닝, 미들트레이닝, 포스트트레이닝 확대 및 장수명 강화 학습 탐색 공간 확장; 복잡한 실제 엔지니어링 환경을 밀접하게 반영하는 작업 샌드박스 구축. R&D 관점에서 이러한 이니셔티브는 세 가지 핵심 방향으로 집약된다. 첫째, 훈련 규모. 스케일링 법칙은 여전히 최고 AI 기업들의 주요 방어선이다. 스케일링 반복에는 기본 파라미터 확대뿐만 아니라 훈련 컴퓨팅, 추론 컴퓨팅, 환경 복잡성의 심화가 포함된다. Zhipu의 8월 GLM-5.3 릴리스는 이를 입증한다: 장수명 작업 환경 및 포스트트레이닝 규모를 확장함으로써 엔드투엔드 작업 완료율이 50% 이상 증가했으며, 이는 현재의 규모 배당이 아직 정점에 도달하지 않았음을 증명한다. 둘째, 실험의 연속성. 대형 모델 훈련은 중단에 매우 민감하다. 역사적으로 GPU 부족은 직렬 실험 스케줄링을 강요하여 피드백 주기를 연장시켰다. 풍부한 컴퓨팅은 이러한 병목을 제거하여 반복 리듬을 격월별 마일스톤에서 더 밀집되고 민첩한 사이클로 진화시킨다. 속도 자체가 장벽이다. 능력 격차는 종종 팀이 연간 완료하는 고품질 ‘가설-검증-수정’ 폐쇄 루프의 수를 반영한다. 셋째, 파이프라인 지향 R&D 시스템. 자금 조달은 훈련 데이터 생성 및 필터링, 작업 환경 구축, 장수명 추론, 기반 컴퓨팅 최적화를 포함한다. 집단적으로 이러한 투자는 전체 훈련 파이프라인을 대상으로 하여 단일 모델을 훨씬 넘어선 가치를 창출한다. 기본 모델을 교체하는 것은 주기적인 행동이지만, 파이프라인은 매일 축적되고 최적화된 엔지니어링 자산이다. 이것이 대규모 자본을 인프라에 투입하는 핵심 가치이다. 한 대형 모델 알고리즘 전문가는 이전에 “작업 환경 구축은 파이프라인에서 가장 저평가된 구성 요소”라며 “이는 단일 포인트 벤치마크에 직접 반영되지 않지만, 장수명 복합 능력의 천장을 결정한다. 모델이 며칠에 걸친 실제 비즈니스 로직을 숙달하려면 훈련 측이 먼저 작업을 실행 가능하고 검증 가능하며 재현 가능한 환경으로 분해해야 하며, 이는 클러스터, 스토리지, 문서화, 코드베이스를 위한 통합 시스템을 요구한다”고 지적했다. 업계 최고 팀들 사이에서 파이프라인 구축은 올해 뚜렷하게 나타나고 있으며, 차별화는 주로 투자 강도와 실행 속도에 있다. 이러한 방향들을 종합하면, Zhipu는 훈련 규모, 실험 빈도, 엔지니어링 시스템 전반에 걸쳐 탐색 공간을 크게 넓히려는 목표를 가지고 있다.

컴퓨팅 및 파이프라인 확장이 즉각적인 필요를 해결한다면, 이번 자금 조달 라운드에서 가장 선구적인 기술 신호는 Zhipu가 차세대 아키텍처를 위한 ‘완전 자율 학습(Fully Self-Training)’을 명시적으로 추구한다는 점이다. 비교적 고정된 프레임워크 및 컴퓨팅 제약 하에서 대형 모델 훈련은 데이터, 환경, 인프라 튜닝이라는 세 기둥을 중심으로 이루어진다. 이 세 가지 모두 점점 더 AI에 의해 자동화되고 있다. 데이터 측면에서 ‘자기 생산 및 자기 학습’의 직접적인 촉매제는 사용 가능한 데이터 세트의 접근성이 다가오는 한계점이다. 업계의 공통된 인식은 수동 주석이 포함된 고품질 데이터와 공개적으로 접근 가능한 코퍼스 모두 포화 상태에 근접하고 있다는 것이다. 차세대 최전선 모델은 수조 개의 고정밀 증분 토큰을 필요로 하므로, 모델 기반 생성 및 필터링이 가장 많이 논의되는 경로이다. Zhipu의 명시된 접근 방식은 교차 검증을 포함한다: 하나의 모델이 콘텐츠를 생성하고 다른 모델이 검토 및 검증한다. 적대적 검사에 통과한 데이터만이 훈련 세트에 진입하여 파이프라인을 조달에서 자기 생산으로 전환한다. 그러나 위험은 계속 존재한다. Zhipu의 R&D 팀에 가까운 한 전문가는 “모델이 모델을 훈련시키는 과제는 출력의 정확성을 검증하는 것”이라며 “생성과 검토는 동시에 보정되어야 합니다. 그렇지 않으면 양쪽 모두 함께 drifting할 위험이 있습니다”라고 설명했다. 합성 데이터에 대한 업계 논쟁은 계속되고 있으며, 모델 생성 데이터에 과도하게 의존함이 성능 저하를 유발하는지에 대해 확실한 결론은 없다. 작업 환경에서는 AI 기반 구축이 금지될 정도로 높은 설정 비용 때문에 동기가 부여된다. 모델은 실제 전문가 워크플로우를 반영하는 환경을 필요로 하며, 더 밀접한 정렬이 더 높은 가치의 훈련 신호를 낳는다. 모델이 실제 환경 내에서 프로세스를 추출, 생성, 검증, 정제하도록 허용하는 것은 이러한 비용을 줄이는 한 방법이다. 인프라 최적화는 다른 난관에 직면한다: 경험의 부족이다. 시스템 스케줄링, 추론 경로 설계, 연산자 효율화와 같은 작업들은 과거에는 베테랑의 직관에 의존했지만, 이제 AI에 의해 침투되고 있다. 공개 데이터에 따르면 GLM-5.3 기반 인프라 에이전트들은 이미 엔지니어들이 연산자를 최적화하고 성능 병목을 진단하며 배포 스택을 개선하는 것을 돕고 있다. 이전 세대 모델을 활용하여 차세대 모델을 훈련시키는 것은 7월에 공개된 Zhipu의 ‘Touch High’ 전략을 따르는 주요 기술 경로이다. 이 접근법은 고립되어 있지 않다. 올해 내내 선도적인 연구소들은 포스트트레이닝 및 강화 학습에 할당된 컴퓨팅 비중을 늘리고 있으며, 모델 생성 데이터 및 자동화 훈련 시스템을 탐구하고 있다. 해외 논의는 종종 이를 연구 워크플로우 자체의 자동화로 규정한다. Zhipu는 이러한 추세와 밀접하게 일치하지만, ‘완전 자율 학습’을 공개된 전략 내러티브에 명시적으로 삽입함으로써 자신을 구분한다. 그러나 자기 학습은 exceptionally 자본 집약적이다. 자기 생산 데이터, 새로 구축된 환경, 반복적인 인프라 튜닝은 모두 막대한 컴퓨팅, 높은 인재 밀도, 광범위한 엔지니어링 오버헤드를 요구한다. 자본은 단지 하나의 변수일 뿐이다. 시간 창(window)과 경쟁자의 반복 속도는 결과를 바꿀 수 있다. “이 경로가 성공할지는 아마도 2~3년 안에 분명해질 것”이라고 R&D 전문가는 경고했다. “지금 결론을 내리기에는 너무 이르다.”

업계 내에서 이번 자금 조달 라운드는 Zhipu의 이후 역량 도약을 위한 발판으로 널리 간주된다. 중요한 관찰 창은 향후 12개월에 남아 있다. 세 가지 주요 developments가 주의 깊게 모니터링될 필요가 있다. 첫째, 차세대 GLM의 릴리스 리듬 및 능력 향상의 규모이다. GLM-5.3이 포스트트레이닝 스케일링의 효과를 입증했음에도 불구하고, 기본 모델의 아키텍처 변경은 벤치마크 점수 alone보다 더 많은 정보적 무게를 가질 것이다. 둘째, 완전 자율 학습의 구체적인 진전이다. 데이터 생산이 자율적으로 확장될지, 작업 환경이 체계화될지, 인프라 튜닝이 모델 주도형이 될지는 단일 제품 출시에서 즉시 드러나지 않을 것이지만 엔지니어링 실행에 내재될 것이다. 셋째, 컴퓨팅 역학(dynamics). GLM-5.3-Flash의 익명 테스트 단계 동안 모든 트래픽은 국내 칩을 통해 라우팅되었으며, 10만 개의 국내 가속기로 구성된 클러스터가 하루 100조 토큰 이상의 처리량을 처리했다. 이후 국내 컴퓨팅 조달 및 파트너십의 속도는 실험 규모를 얼마나 공격적으로 확장할 수 있을지를 직접적으로 결정할 것이다. 궁극적으로 대형 모델 경쟁은 기업이 점진적으로 더 강력한 모델을 지속 가능하게 훈련시킬 수 있는 능력으로 귀결된다. 적절한 자본은 엔진이 더 높은 용량으로 작동하도록 보장한다. 다음 장이 어떻게 전개될지는 지켜봐야 할 일이다.