DeepSeek의 보도된 1GW 데이터센터 계획, 효율 우선 전략 시험대에 올려

보도에 따르면 DeepSeek는 내몽골에 1기가와트 규모의 데이터센터를 계획하고 있으며, 이는 Google News 헤드라인을 자사의 효율 우선 이미지에 대한 직접적인 도전으로 바꿔 놓고 있다. 이 캠퍼스가 추진된다면 이 중국 AI 개발사는 발전소급 전력 규모의 인프라를 추구하는 기업들과 어깨를 나란히 하게 된다.

이 계획은 DeepSeek가 공개적으로 확인한 바 없다. 프로젝트 보도에 따르면, 회사는 울란차브에 시설을 건설하고 2027년 말이나 2028년 초에 부분 가동을 시작하려 한다. 이 세부 사항은 프로젝트를 잘 아는 익명의 관계자들로부터 나왔다.

이 구분은 중요하다. 계획 단계, 전력이 공급되는 건물, 완전히 활용되는 AI 클러스터는 서로 매우 다른 이정표다. 현재 공개된 보도는 부지, 전력 공급 계약, 건설 파트너, 칩 공급업체, 최종 배치 일정 중 어느 것도 특정하지 않는다.

그럼에도 보도된 규모는 DeepSeek를 둘러싼 논의를 바꾼다. DeepSeek의 부상은 더 나은 모델 아키텍처가 대형 미국 연구소들과 경쟁하는 데 필요한 컴퓨팅 자원을 줄일 수 있음을 시사했다. 1기가와트 캠퍼스는 효율성이 더 많은 인프라에 대한 수요를 없애지는 못했음을 보여준다.

따라서 핵심 긴장은 DeepSeek와 특정 미국 경쟁사 간의 대결이 아니다. 이는 DeepSeek의 효율성 서사와 갈수록 강력해지는 모델을 훈련하고 서비스하는 데 따르는 물리적 요구 사이의 긴장이다.

OpenAI의 Stargate 프로그램은 초대형 캠퍼스를 공개 전략의 일부로 만들었다. DeepSeek는 제한된 하드웨어를 더 효율적으로 사용하는 반대 경로를 대표하는 듯했다. 새 보도는 두 경로가 결국 전력, 가속기, 메모리, 냉각, 네트워킹, 자본이라는 동일한 희소 자원으로 수렴함을 시사한다.

DeepSeek가 보도상 계획하는 내용

헤드라인의 주장은 구체적이지만, 이를 뒷받침하는 근거는 여전히 제한적이다.

보도에 따르면 DeepSeek는 중국 내몽골 지역의 도시인 울란차브에 1기가와트 용량의 데이터센터를 검토하고 있다. 1기가와트는 1,000메가와트와 같지만, 보도된 캠퍼스 용량이 반드시 그 수준의 지속적인 컴퓨팅 수요를 뜻하는 것은 아니다.

이 프로젝트는 단계적으로 가동될 것으로 전해진다. 원 보도에서 인용한 소식통들은 2027년 말이나 2028년 초 무렵 부분 가동을 예상한다. 공개적으로 이용 가능한 DeepSeek 발표는 어느 목표도 확인하지 않는다.

이 정도 규모의 시설에서는 단계적 인도가 일반적이다. 개발업체는 변전소, 데이터 홀, 냉각 시스템, 컴퓨팅 클러스터를 별도 단계로 완공할 수 있다. 따라서 캠퍼스는 계획된 용량의 상당 부분이 미완성인 상태에서도 부분 가동될 수 있다.

‘계획’이라는 말 역시 매우 넓은 범위의 활동을 포괄한다. 초기 부지 조사, 전력 협상, 예비 엔지니어링, 또는 완전한 자금 조달을 갖춘 건설 프로그램을 의미할 수 있다. 현재 보도는 DeepSeek가 그 범위 중 어디에 위치하는지 밝히지 않는다.

앞선 정황은 더 폭넓은 입지 주장을 뒷받침한다. 채용 보도에 따르면 DeepSeek는 2026년 4월 내몽골의 데이터센터 직무를 공고했다. 해당 공고는 서버, 네트워킹, 건설, 규정 준수, 최종 운영과 관련된 업무를 맡을 엔지니어와 딜리버리 매니저를 찾았다.

이 공고는 DeepSeek 데이터센터 위치에 관한 첫 공개 정보였다. 회사가 현지 운영 전문성을 원한다는 점을 보여줬다. 하지만 공석 두 자리가 그 자체로 1기가와트 프로젝트를 입증한 것은 아니다.

특히 딜리버리 직무는 프로젝트 착수부터 건설과 시운전에 이르는 책임을 포함한 것으로 전해져 관련성이 컸다. 이 범위는 DeepSeek가 기존 클러스터를 단순 임차하는 것이 아니라 물리적 인프라 관리를 준비하고 있음을 시사했다.

울란차브는 이런 작업에 논리적인 입지다. 중국은 토지, 에너지 자원, 더 서늘한 날씨를 제공할 수 있다는 이유로 대형 컴퓨팅 프로젝트를 서부와 북부 지역에 배치해 왔다. 울란차브는 베이징 주변 수요 중심지에도 비교적 가깝다.

서늘한 환경은 연중 일부 기간 기계식 냉각 요구량을 낮출 수 있다. 이는 운영 효율에 도움이 되지만, 설계된 열 관리 시스템의 필요성을 없애지는 않는다. 고밀도 가속기 랙은 주변 온도만으로는 감당할 수 없는 집중 열을 발생시킨다.

이 입지는 중국의 동수서산(东数西算) 정책에도 부합한다. 이 국가 프로그램은 기업들이 적합한 워크로드를 서부 지역에 배치하면서 더 동쪽의 경제 중심지를 서비스하도록 장려한다.

대규모 AI 훈련 작업은 대화형 애플리케이션보다 더 긴 거리를 감내할 수 있다. 훈련은 장기간에 걸쳐 방대한 데이터세트를 처리하는 반면, 사용자 대상 추론은 대체로 더 짧은 네트워크 경로의 이점을 얻는다. 추론은 모델이 훈련된 뒤 답변을 생성하는 과정이다.

DeepSeek는 내몽골 캠퍼스를 훈련, 배치 처리 또는 지연 시간 민감도가 낮은 추론에 활용할 수 있다. 또한 이 시설을 사용자와 더 가까운 곳의 소규모 배치와 연결할 수도 있다. 워크로드 구성은 공개되지 않았다.

따라서 1기가와트라는 수치는 보도된 상한선 또는 캠퍼스 목표로 취급해야 한다. 이는 DeepSeek가 이미 그 전력을 소비할 만큼 충분한 가속기를 보유하고 있다는 증거가 아니다.

Google News 보도가 지금 중요한 이유

Google News 기사가 중요한 이유는 DeepSeek가 모델 설계에서 전체 컴퓨팅 스택의 통제로 확장하고 있기 때문이다.

DeepSeek는 2025년 초 상당한 하드웨어 제약 속에서도 선도 시스템들과 경쟁한 모델을 공개한 뒤 국제적 주목을 받았다. 이 회사의 기술 작업은 효율적인 훈련, 선택적 파라미터 활성화, 가속기 간 최적화된 통신을 강조했다.

이 전략은 통념에 도전했다. 많은 투자자와 기술 기업은 더 큰 클러스터를 더 강력한 모델로 가는 가장 명확한 경로로 여겨 왔다. DeepSeek는 엔지니어링 선택이 지출, 컴퓨팅 자원, 모델 성능 간의 관계를 바꿀 수 있음을 보여줬다.

효율성이 컴퓨팅의 필요성을 없앤다는 뜻은 아니었다. 이는 DeepSeek가 가용 하드웨어에서 더 많은 유용한 작업을 끌어냈다는 의미다. 수요가 커지면 이러한 절감은 더 많은 사용자, 더 긴 컨텍스트, 더 큰 실험, 더 잦은 모델 업데이트를 지원할 수 있다.

이것이 보도의 중심에 있는 반등 효과다. 작업당 자원 사용량이 줄면 총수요도 줄 수 있지만, 훨씬 더 많은 작업을 경제적으로 만들 수도 있다. AI 개발사는 절감된 용량을 추가 추론이나 훈련에 사용할 수 있다.

DeepSeek의 자체 모델 문서는 왜 이 구분이 중요한지 보여준다. V3 기술 보고서는 각 토큰이 모델의 일부만 활성화하는 전문가 혼합 아키텍처를 설명한다. 이 설계는 모든 토큰마다 모든 파라미터를 활성화하는 방식과 비교해 계산량을 줄인다.

이런 기술은 개별 워크로드의 경제성을 개선한다. 그러나 DeepSeek가 운영하려는 워크로드 수에 고정된 한계를 두지는 않는다. 더 많은 사용자와 더 강력한 추론 모드는 용량을 빠르게 흡수할 수 있다.

모델 개발사에는 한 번의 주목받는 훈련 실행 외에도 다양한 활동을 위한 인프라가 필요하다. 이들은 데이터 준비, 실험, 평가, 안전성 테스트, 미세 조정, 반복적인 체크포인트 실행을 수행한다. 제품 서비스는 출시 후 지속적인 추론 수요를 더한다.

DeepSeek가 맞춤형 추론 칩을 개발한다는 보도는 이 해석을 강화한다. 칩 개발 보도에 따르면 이 프로젝트는 훈련이 아닌 추론을 목표로 한다.

추론 중심 설계는 예측 가능한 모델 연산에 맞춰 하드웨어를 최적화할 수 있다. 이 접근법은 범용 가속기에 대한 의존도를 낮추고 대규모 서비스의 에너지 효율을 개선할 수 있다. 동시에 시간, 제조 접근성, 메모리, 소프트웨어, 배치 전문성도 필요하다.

칩과 데이터센터를 모두 구축하면 DeepSeek는 이러한 구성 요소가 상호작용하는 방식을 더 많이 통제할 수 있다. 회사는 모델 아키텍처, 컴파일러, 네트워킹, 메모리, 냉각을 하나의 시스템으로 조율할 수 있다.

이러한 수직 통합은 최대 규모 AI 플랫폼에서 흔하다. Google은 자사 서비스를 위한 tensor processing units를 개발한다. Amazon과 Microsoft는 Nvidia 및 AMD가 공급하는 칩과 함께 자체 가속기를 사용한다. Meta 역시 일부 AI 워크로드용 하드웨어를 개발했다.

DeepSeek는 다른 제약에 직면해 있다. 미국의 수출 통제는 중국의 최첨단 미국산 AI 프로세서 접근을 제한한다. 회사는 불확실한 공급, 국내 대안, 규제 변화 가능성을 고려해 계획해야 한다.

전용 캠퍼스가 이 문제를 해결하는 것은 아니다. 비어 있는 데이터 홀은 모델을 훈련할 수 없다. DeepSeek가 충분한 가속기, 고대역폭 메모리, 네트워킹 하드웨어, 전력 장비를 확보할 수 있을 때에만 이 프로젝트는 전략적으로 유용해진다.

이 때문에 Google News 헤드라인은 일상적인 건설 기사보다 더 큰 무게를 지닌다. 이는 현지 채용, 모델 확장, 칩 개발, 보도된 기가와트급 캠퍼스라는 이전에는 분리돼 있던 네 가지 신호를 연결한다.

이 신호들은 함께 인프라 독립성을 추구하는 기업을 묘사한다. 동시에 소프트웨어 연구만으로는 수반하지 않는 건설, 공급망, 실행 리스크에 DeepSeek를 노출한다.

효율성과 기가와트 규모는 서로 반대가 아니다

DeepSeek의 보도된 확장은 효율적인 AI를 반증하지는 않지만, 효율성이 자동으로 전체 인프라 수요를 줄인다는 생각은 반증한다.

겉보기 모순은 서로 다른 두 측정 기준에서 시작된다. 모델 효율성은 특정 훈련 또는 추론 작업에 필요한 자원을 설명한다. 캠퍼스 규모는 여러 작업과 사용자 전반에 걸쳐 이용 가능한 총 인프라를 설명한다.

기업은 첫 번째 측정 기준을 개선하면서 두 번째를 확장할 수 있다. 각 쿼리에 필요한 컴퓨팅 작업이 줄어들면 DeepSeek는 같은 하드웨어로 더 많은 쿼리를 처리할 수 있다. 또한 요청당 비용을 비례적으로 늘리지 않고도 더 긴 답변이나 더 복잡한 추론을 지원할 수 있다.

따라서 더 나은 효율성은 확장을 더 매력적으로 만들 수 있다. 잘 활용되는 가속기는 더 많은 산출물을 만들고, 이는 또 다른 가속기를 추가하는 사업성을 개선한다. 같은 논리는 수십 년 동안 컴퓨팅 시장을 형성해 왔다.

보도된 프로젝트 역시 맥락이 필요하다. AI 인프라 경쟁에서 1기가와트는 전략적 단위가 됐다. 이는 더 이상 단지 매우 큰 건물을 설명하지 않으며, 여러 시설과 전용 전력 전략을 갖춘 캠퍼스를 의미한다.

OpenAI의 Stargate 계획은 가장 분명한 비교 대상이다. 이 프로그램은 1기가와트 이상을 지원할 수 있는 여러 캠퍼스를 논의해 왔다. OpenAI는 이러한 시설을 미래 모델을 훈련하고 서비스하기 위한 기반으로 제시했다.

DeepSeek는 처음에는 그 논지를 약화하는 듯 보였다. 효율적인 모델을 통해 일부 관찰자들은 업계에 그러한 대규모 시설이 필요한지 의문을 제기했다. 그러나 OpenAI CEO Sam Altman은 더 저렴한 컴퓨팅이 대규모 클러스터의 필요성을 없애지는 않을 것이라고 주장했다.

보도된 내몽골 프로젝트는 Altman의 주장 일부를 뒷받침한다. 효율성으로 알려진 연구소조차 기가와트급 용량에서 전략적 가치를 보고 있는 것으로 보인다. 다만 이는 제안된 모든 AI 캠퍼스나 전망을 검증하는 것은 아니다.

DeepSeek와 OpenAI는 여전히 서로 다른 제도적 경로를 따른다. OpenAI는 인프라 제공업체, 칩 기업, 재무적 후원자와의 파트너십에 크게 의존한다. DeepSeek는 대외적으로 더 낮은 프로필을 유지하며 공개된 상업적 관계도 더 적은 방식으로 운영돼 왔다.

모델 배포 전략도 다르다. DeepSeek는 완화적인 조건으로 모델 가중치를 공개해 제3자가 일부 시스템을 독립적으로 운영할 수 있도록 했다. OpenAI는 주로 호스팅 제품과 애플리케이션 프로그래밍 인터페이스를 통해 접근을 제공한다.

이 차이는 추론이 이루어지는 위치에도 영향을 준다. 다운로드 가능한 모델은 외부 클라우드, 기업, 로컬 머신으로 일부 수요를 분산시킨다. 중앙에서 호스팅되는 모델은 더 많은 수요를 제공업체의 인프라 안에 집중시킨다.

그러나 오픈 모델 배포가 퍼스트파티 수요를 없애는 것은 아니다. 사용자는 편의성, 신뢰성, 속도, 관리형 확장성을 위해 여전히 호스팅 서비스를 선택한다. 개발자는 차세대 다운로드 가능 모델을 만들기 위해서도 내부 클러스터가 필요하다.

핵심 대립 구도는 여전히 약속과 현실이다. 약속은 알고리즘 효율성이 모델 발전과 인프라 규모의 연결을 느슨하게 한다는 것이다. 현실은 경쟁 압력이 기업들로 하여금 모든 효율성 향상을 더 많은 성능으로 전환하도록 유도한다는 점이다.

그렇다고 효율성이 무의미해지는 것은 아니다. 효율적인 시스템은 고정된 작업량에 대한 전력 사용량을 줄이고 AI 접근성을 넓힐 수 있다. 또한 공급 제약 속에서 어떤 기업이 수익성 있게 운영할 수 있는지를 결정할 수도 있다.

이 구분은 기업 구매자에게 중요하다. 모델의 학습 이력은 실제 사용 시 이용 가능한 용량에 대해 거의 말해주지 않는다. 구매자는 지연 시간, 가동 시간, 요청 한도, 데이터 거버넌스, 배포 옵션, 예측 가능한 성능을 중요하게 본다.

대규모 캠퍼스는 DeepSeek가 대용량 애플리케이션을 제공할 수 있는 역량을 강화할 수 있다. 반면 단일 지역, 복잡한 에너지 계약, 건설이 끝나기 전에 구식이 될 수 있는 하드웨어에 대한 의존도를 높일 수도 있다.

개발자에게 이 보도된 프로젝트는 모델 아키텍처와 인프라 설계가 분리할 수 없는 관계가 되고 있음을 시사한다. 소프트웨어 최적화는 그 아래의 정확한 메모리, 네트워크, 가속기 구성에 점점 더 의존한다.

지식 근로자에게 즉각적인 영향은 덜 직접적이다. 더 많은 인프라는 응답 속도와 가용성을 개선할 수 있지만, 더 나은 답변을 보장하지는 않는다. 모델 품질은 여전히 학습 데이터, 사후 학습, 평가, 제품 설계에 달려 있다.

AI 시스템을 평가하는 팀은 단일 모델 제공업체와 무관하게 자체 소스 자료와 의사결정을 보존해야 한다. 검색 가능한 AI 지식 베이스는 모델, 한도 또는 호스팅 방식이 바뀌더라도 조직의 맥락을 계속 활용할 수 있게 해준다.

칩 문제는 이 프로젝트의 가장 어려운 제약 조건이다

전력은 기가와트급 캠퍼스를 뒷받침할 수 있지만, 가속기가 그 전력을 유용한 AI 컴퓨팅으로 전환할 수 있는지를 결정한다.

현재 उपलब्ध한 보도는 DeepSeek가 의도한 하드웨어를 특정하지 않는다. 이 누락은 중국의 AI 개발업체들이 고성능 Nvidia 프로세서와 반도체 제조 장비에 영향을 미치는 통제 아래 운영되고 있기 때문에 핵심적이다.

미국의 한 고위 관리는 2월 DeepSeek가 Nvidia Blackwell 칩을 사용해 최근 모델을 학습했다고 주장했다. 이 관리는 해당 프로세서들이 내몽골에 클러스터로 배치됐을 가능성이 높다고도 말했으며, 이는 수출 통제 관련 보도에 따른 것이다.

DeepSeek는 이 설명을 확인하지 않았다. 해당 관리는 정부가 정보를 어떻게 확보했는지, 또는 칩이 어떻게 중국에 도달한 것으로 추정되는지 공개하지 않았다. Nvidia는 이 구체적 주장에 대한 논평을 거부했다.

따라서 이 주장은 확인된 채용 공고 및 보도된 캠퍼스 계획과 분리해 다뤄야 한다. 심각한 의문을 제기하지만, 검증된 하드웨어 재고를 제공하지는 않는다.

DeepSeek는 이전에 Nvidia H800 프로세서를 사용했다고 공개적으로 문서화했다. 이 칩들은 워싱턴이 2023년 말 통제를 강화하기 전 중국 시장을 위해 설계됐다. 이 회사는 Huawei의 Ascend 하드웨어에 맞춰 소프트웨어를 조정하기도 했다.

어느 경로도 완전한 확실성을 제공하지는 않는다. 고성능 Nvidia 제품에 대한 접근은 수출 정책과 집행에 달려 있다. 국내 가속기는 제조, 고대역폭 메모리, 소프트웨어 호환성, 대규모 클러스터 신뢰성의 한계를 극복해야 한다.

고대역폭 메모리는 가속기 가까이에 배치되는 특수 메모리로, 모델이 매우 높은 속도로 데이터를 이동할 수 있게 한다. 대규모 AI 시스템은 프로세서가 충분한 산술 성능을 제공하더라도 메모리 병목에 묶일 수 있다.

네트워킹도 또 다른 제약이다. 수천 개의 가속기에서 학습하려면 빠르고 조율된 통신이 필요하다. 연결이 느리거나 소프트웨어가 신뢰할 수 없으면 값비싼 프로세서가 계산 대신 대기하게 될 수 있다.

1기가와트 캠퍼스는 이런 과제를 증폭시킨다. 통신과 장애율이 병목이 되면 프로세서를 추가해도 성능이 선형적으로 증가하지 않는다. 더 큰 클러스터에는 고급 스케줄링, 스토리지, 모니터링, 복구 시스템이 필요하다.

DeepSeek는 이 문제와 관련된 기술적 경험을 보유하고 있다. 이전 연구는 통신 효율성과 프로세서 간에 이동해야 하는 정보량을 제한하는 방법에 초점을 맞췄다. 이러한 최적화는 클러스터 규모가 커질수록 더욱 가치가 높아진다.

그럼에도 맞춤형 추론 칩이 학습 제약을 즉시 해결하지는 못한다. 추론 하드웨어는 기존 모델에서 출력을 생성하는 반면, 학습 하드웨어는 해당 모델을 생성하거나 업데이트하는 데 필요한 반복 계산을 수행한다.

DeepSeek는 이 역할을 분리할 수 있다. 학습에는 국내산 또는 수입 가속기를 사용하고, 프로덕션 추론에는 맞춤형 칩을 배포할 수 있다. 같은 캠퍼스 내에서 여러 프로세서 계열을 조합할 수도 있다.

혼합 환경은 유연성을 제공하지만 소프트웨어 비용을 높인다. 엔지니어는 각 플랫폼용 컴파일러, 커널, 모델 형식, 모니터링 도구를 유지해야 한다. 작업 부하에 따라 성능은 크게 달라질 수 있다.

제조는 또 다른 불확실성을 만든다. 프로세서를 설계한다고 해서 경쟁력 있는 제조 공정이나 충분한 메모리에 대한 접근이 보장되는 것은 아니다. 칩 프로젝트에는 패키징, 테스트, 펌웨어, 드라이버, 신뢰할 수 있는 대량 생산도 필요하다.

여기서 일정이 중요하다. 2027년 말 또는 2028년 초 부분 가동을 목표로 하는 캠퍼스는 그보다 앞서 내려진 하드웨어 결정에 맞춰 설계될 것이다. 그러나 AI 프로세서와 랙 설계는 더 짧은 주기 안에도 바뀔 수 있다.

DeepSeek는 일찍 확정하거나 유연한 인프라를 설계해야 한다. 서로 다른 랙에는 서로 다른 전력 공급, 냉각, 네트워킹 구성이 필요하기 때문에 유연성은 건설 복잡성을 높일 수 있다.

고밀도 최신 가속기에는 액체 냉각이 필요할 가능성이 높다. 이 기술은 실내 전체에 냉각 공기를 순환시키는 방식에 전적으로 의존하지 않고, 컴퓨팅 부품 근처의 유체를 통해 열을 전달한다.

이 보도는 DeepSeek가 액체 냉각, 직접 칩 냉각 시스템 또는 다른 설계를 계획하는지 말하지 않는다. 예상 랙 밀도, 물 요구량, 비상 발전에 대해서도 공개하지 않는다.

이런 세부 사항 없이 독자는 1기가와트를 프로세서 수로 환산하려 해서는 안 된다. 시설 전력에는 냉각, 스토리지, 네트워킹, 조명, 변환 손실 및 기타 시스템이 포함된다. 하드웨어 선택은 각 메가와트가 제공할 수 있는 컴퓨팅 출력도 바꾼다.

1기가와트 주장이 입증하지 못하는 것

이 프로젝트는 여전히 보도된 구상일 뿐이며, 자금 조달, 건설, 하드웨어 확보 또는 운영 용량의 증거는 아니다.

첫 번째 불확실성은 DeepSeek가 부지를 확보했는지 여부다. 대규모 캠퍼스에는 광범위한 토지, 광섬유 경로, 물 또는 대체 냉각 자원, 전력망 연결, 환경 인허가가 필요하다. 이 프로젝트와 관련해 공개적으로 확인된 것은 없다.

두 번째는 전력이다. 1기가와트 연결에는 유리한 지역 에너지 여건 이상이 필요하다. 전력회사는 송전 용량을 검토하고, 변전소를 건설하며, 변압기를 조달하고, 단계적 전력 공급 일정을 수립해야 한다.

전력 장비는 제조 리드타임이 긴 경우가 많다. 토지와 자금이 확보됐더라도 전력망 연계가 핵심 경로가 될 수 있다. 현재 보도는 전력회사나 에너지 공급업체와의 계약을 공개하지 않는다.

세 번째 불확실성은 자금이다. DeepSeek는 창업자 Liang Wenfeng의 High-Flyer 조직과 연결된 지원에 수년간 의존한 뒤 외부 투자를 모색해 온 것으로 알려졌다. 그러나 캠퍼스 예산과 자금 조달 구조는 여전히 공개되지 않았다.

전력 수치만으로 신뢰할 만한 추정치를 도출해서는 안 된다. 프로젝트 비용은 토지, 에너지 인프라, 프로세서 선택, 냉각 설계, 건설 기준, 각 단계에 포함되는 용량에 따라 달라진다.

네 번째 불확실성은 가동률이다. 완공된 외피 시설이 있어도 이를 채울 만큼의 프로세서가 없을 수 있다. 부분 가동 중인 캠퍼스는 수년 동안 계획된 용량의 일부만 소비할 수 있다.

이 구분은 다른 기가와트급 프로젝트에 대한 논의를 이미 복잡하게 만들었다. 7월 보도에 따르면 중국 AI 기업 Z.ai는 국내 칩을 사용해 1기가와트 시설의 일부를 가동하기 시작했다. 위치, 실제 가동 용량, 하드웨어 공급업체에 관한 공개 세부 정보는 제한적이었다.

다섯 번째 불확실성은 2027년 또는 2028년 일정이다. 데이터센터 일정은 인허가, 전력 공급, 장비 부족, 설계 변경 또는 자금 조달로 지연될 수 있다. DeepSeek는 이 날짜를 공개적으로 채택하지 않았다.

여섯 번째는 환경 성과다. 내몽골은 상당한 재생에너지 자원을 제공하지만, 지역적 위치만으로 프로젝트의 전력 구성은 확정되지 않는다. 시간대별 발전량과 전력망 조건이 소비와 관련된 실제 배출량을 결정한다.

서늘한 날씨는 전체 시설 에너지와 컴퓨팅 장비가 사용하는 에너지를 비교하는 전력 사용 효율을 개선할 수 있다. 그러나 물, 비상 발전기, 토지 이용 또는 송전 시설 건설에 관한 의문에는 답하지 못한다.

용량 집중은 복원력 위험도 만든다. 대규모 지역 캠퍼스는 운영을 단순화하고 공유 인프라의 혜택을 볼 수 있다. 그러나 지역 정전, 광섬유 중단, 극한 기상, 규제 조치에 대한 노출도 높일 수 있다.

DeepSeek는 이 위험을 이중화 송전선, 분산형 서비스, 보조 지역을 통해 관리할 수 있다. 그러한 배치에 대해서는 보도된 바가 없다.

시장 위험도 있다. 첫 단계가 가동되기 전에 모델과 프로세서 설계가 바뀔 수 있다. 하나의 아키텍처에 맞춰 최적화된 인프라 계획은 미래 시스템에 다른 냉각이나 네트워킹이 필요해지면 효율성을 잃을 수 있다.

오픈 모델 채택은 수요 예측을 더 어렵게 만든다. DeepSeek는 제3자가 자사 모델을 배포할 때 영향력을 얻을 수 있지만, 이러한 배포가 반드시 DeepSeek 자체 시설 내 작업 부하를 만들어내는 것은 아니다.

반대로 인기 있는 호스팅 서비스는 갑작스러운 추론 수요를 만들 수 있다. 소비자 애플리케이션은 예측하기 어려운 피크를 만들 수 있는 반면, 기업 고객은 서비스 약정과 안정적인 용량을 기대한다.

회의적인 해석은 간단하다. DeepSeek는 칩, 전력 또는 자금 조달 의존성을 해결하지 못한 채 야심 찬 캠퍼스를 검토하고 있을 수 있다. 공개 증거만으로 이 프로젝트가 건설 중이라고 묘사하기는 어렵다.

긍정적인 해석도 분명하다. 1기가와트 보도가 나오기 몇 달 전부터 채용이 시작됐고, 이 회사는 자체 추론 칩을 추진 중인 것으로 알려졌다. 이러한 움직임은 인프라에 대한 통제력을 높이기 위한 일관된 전략을 이룬다.

어느 해석도 결론이 되기에는 충분한 증거를 갖추지 못했다. 적절한 표현은 여전히 “계획 중인 것으로 알려졌다”이다.

Google News 헤드라인 이후 주시할 세 가지 신호

이 이야기의 다음 단계는 같은 1기가와트 수치를 반복하는 추가 보도가 아니라 검증 가능한 약속에 달려 있다.

첫 번째 신호는 공개된 부지 또는 전력 계약이다. 특정 필지, 전력 유틸리티 파트너, 변전소 계획, 규제기관 제출 문서가 확인되면 프로젝트는 일반적인 계획 단계를 넘어선다.

전력 관련 문서는 “1기가와트”의 의미도 분명히 해줄 것이다. 이는 궁극적인 캠퍼스 목표치, 확보된 계통 연계 용량, 또는 첫 건설 단계에 계획된 용량을 뜻할 수 있다.

DeepSeek 또는 지방 당국이 단계적 전력 공급을 확인한다면 프로젝트 일정의 신뢰도는 높아진다. 반대로 이런 문서가 나타나지 않는다면 2027년이나 2028년 목표에 대한 신뢰는 낮아져야 한다.

두 번째 신호는 하드웨어 공개다. DeepSeek가 전체 장비 목록을 공개할 필요는 없지만, 기술 문서는 지원되는 가속기, 네트워킹 시스템, 자체 칩 개발 현황을 보여줄 수 있다.

상용 배포가 가능한 추론 칩은 DeepSeek가 자사 모델을 중심으로 설계된 하드웨어로 상당한 용량을 채울 수 있다는 주장을 강화할 것이다. 칩 개발이 지연되면 이 회사는 Huawei와 불확실한 Nvidia 접근성에 더욱 의존하게 된다.

독자들은 향후 모델 보고서도 주시해야 한다. 기술 설명에는 학습과 추론에 사용된 프로세서 계열이 자주 명시된다. 이를 통해 국산 하드웨어가 일부 워크로드만 처리하는지, 아니면 전체 배포를 지원하는지 확인할 수 있다.

세 번째 신호는 실제 건설과 운영의 증거다. 시공사 발표, 장비 주문, 위성 이미지, 지역 제출 문서, 지속적인 운영 인력 채용은 익명의 계획 관련 보도보다 더 강력한 확인 근거가 된다.

운영상의 이정표는 의례적인 발표보다 중요하다. 의미 있는 시험은 건물이 전력을 공급받는지, 랙이 반입되는지, 클러스터가 인수 테스트를 통과하는지, 그리고 실제 서비스 트래픽이 시작되는지다.

이 신호들은 그 순서대로 나타나야 한다. 부지와 전력 약정은 실현 가능성을 입증한다. 하드웨어 공개는 컴퓨팅 가치를 입증한다. 운영 증거는 실행력을 입증한다.

한 가지 신호가 없다고 해서 프로젝트가 즉시 사실이 아니라고 단정할 수는 없다. DeepSeek는 역사적으로 운영 관련 정보를 거의 공개하지 않았다. 그러나 비밀주의는 외부 독자가 더 높은 검증 기준을 적용해야 한다는 뜻이기도 하다.

이는 특히 Google News를 통해 이 이야기를 따라갈 때 중요하다. 하나의 원 보도에 근거한 여러 기사가 독립적인 확인처럼 보이게 만드는 집계형 헤드라인이 나올 수 있다. 독자는 각 주장을 최초로 식별 가능한 출처까지 추적해야 한다.

더 큰 판단은 이미 한층 분명해졌다. DeepSeek의 효율성 연구는 인프라 경쟁을 끝내지 않았다. 대신 개발자가 인프라의 각 단위에서 끌어낼 수 있는 역량의 양을 바꿨다.

Ulanqab 캠퍼스가 진전된다면 DeepSeek는 아키텍처가 여전히 중요하다고 주장하면서 기가와트 시대에 합류하게 된다. 이 조합은 미국 AI 연구소와 중국 하드웨어 공급업체 모두에 압박을 가한다.

미국 개발사들은 초대형 캠퍼스가 자사 전략을 DeepSeek와 구분한다는 단순한 주장을 유지하기 어려워진다. 중국 칩 제조사들은 국산 대안을 대규모로 시험하는 동시에 자체 추론용 실리콘을 개발할 수도 있는 까다로운 고객을 마주하게 된다.

개발자들은 그 결과로 확보된 용량이 모델 가용성, 컨텍스트 처리, 추론 속도를 개선하는지 지켜봐야 한다. 기업 구매자들은 배포 지역, 데이터 통제, 신뢰성, 하드웨어 투명성을 살펴야 한다.

그 밖의 모든 이들은 발표된 용량과 실제로 작동하는 컴퓨팅 자원 사이의 격차를 주시해야 한다. 1기가와트는 유용한 워크로드를 안정적으로 실행할 수 있는 프로세서에 전력이 실제로 공급된 뒤에야 의미가 있다.

Google News 헤드라인은 이 조사를 끝내는 것이 아니라 시작한다. 결정적인 질문은 더 이상 DeepSeek가 효율성 또는 규모를 중시하는지가 아니다. 심각한 하드웨어 및 공급 제약 아래에서 이 회사가 두 가지를 결합할 수 있는지다.

2027년 말까지 가장 강력한 증거는 또 하나의 익명 수치가 아닐 것이다. 그것은 운영 중인 클러스터, 문서화된 칩 전략, 그리고 인프라를 신뢰할 수 있는 AI 결과물로 전환하는 서비스가 될 것이다.