딥시크를 며칠 써보고 놀랐던 것은 접근성이었습니다

2025년 2월 딥시크를 사용한 뒤 남긴 초기 리뷰입니다. 현재 모델의 성능·요금·서비스 안정성을 평가한 글은 아닙니다.

딥시크를 열었을 때 화면에서 하는 일은 익숙했습니다. 질문을 쓰고 답을 받고, 검색이나 더 깊이 생각하는 기능을 선택합니다. 제가 ChatGPT와 비슷하다고 말한 것은 이런 사용 방식이었습니다. 내부 모델과 모든 기능까지 같다는 뜻은 아니었습니다.

며칠 써보고 가장 크게 느낀 매력은 접근성이었습니다. 당시 일반 대화 서비스를 별도 구독 결제 없이 써볼 수 있었는데, 제가 던진 질문에는 꽤 만족스러운 답이 돌아왔습니다. 개발용 API의 과금과는 구분한 경험입니다.

좋았던 답변과 멈췄던 답변

한국어 답변이 괜찮다는 인상을 받았습니다. 다만 같은 문제를 정해 반복 측정한 벤치마크는 아니었습니다. 어떤 언어 구조 때문에 더 잘한다는 설명도 확인한 사실이 아니어서 결론으로 삼지 않습니다.

사용하면서 호출이 끊기거나 응답이 오지 않는 경우도 겪었습니다. 좋은 답변을 한 번 만드는 것과 필요할 때 안정적으로 서비스를 제공하는 것은 다른 문제라는 생각이 들었습니다. 당시 접속자가 늘어서 그랬을 것이라는 추측만으로 장애 원인을 확정할 수는 없습니다.

중국 정치와 관련된 일부 질문에서 원하는 답을 받지 못하는 모습도 눈에 들어왔습니다. 답변을 보여주기 직전에 걸러지는 듯한 인상을 이야기했지만, 내부에서 어느 단계에 어떤 처리를 하는지는 직접 확인하지 못했습니다. 사용 경험과 내부 구조에 대한 추측은 나눠봐야 합니다.

공개된 모델이 만든 또 하나의 선택지

영상에서는 모델 공개를 요리법을 나눠주는 일에 비유했습니다. 다른 사람들이 모델을 받아 활용하고, 더 작은 모델을 만드는 흐름이 흥미로웠습니다.

DeepSeek-R1 공식 저장소는 모델과 가중치, Qwen·Llama 기반의 증류 모델들을 공개했습니다. 이 사실이 학습에 쓰인 모든 원자료와 개발 과정 전체를 공개했다는 뜻은 아닙니다. 일반 사용자가 웹에서 무료로 대화하는 것과 모델을 직접 운영하는 데 드는 비용도 구분해야 합니다. DeepSeek-R1 공식 저장소

제게 중요한 것은 선택지가 늘어난다는 점이었습니다. 한 서비스의 방식만 당연하게 받아들이기보다, 어떤 도구가 자기 일에 맞는지 비교할 여지가 커졌습니다.

싸게 만들었다는 숫자를 읽을 때

당시 낮은 개발비 이야기가 크게 주목받았습니다. 여기에는 비용의 범위를 확인할 필요가 있습니다.

DeepSeek-V3 기술 보고서의 약 557만6천 달러는 H800 GPU 시간당 비용을 가정해 계산한 해당 모델의 공식 학습 비용입니다. 앞선 연구와 실험 비용은 제외한다고 명시했습니다. 이를 회사 전체의 연구개발비나 R1 전체 개발비로 바꾸어 읽으면 안 됩니다. H800도 일반 가정용 GPU를 뜻하지 않습니다. DeepSeek-V3 기술 보고서

영상에서 말한 다른 회사의 20분의 1이라는 비교도 같은 범위의 비용끼리 비교했는지 확인하지 않은 채 반복하기는 어렵습니다. 제가 놀랐던 지점은 효율에 관한 새로운 질문이 생겼다는 것이었습니다.

주식시장과 다른 회사의 제품 발표도 함께 떠올렸지만, 개별 주가 변동이나 업데이트 일정을 모두 딥시크 하나의 결과라고 단정할 수는 없습니다.

서비스 경쟁에서 인프라를 생각하게 됐습니다

당시 Stargate 발표를 보며 모델을 만드는 기술뿐 아니라 자금과 데이터센터까지 함께 움직이는 모습에 관심이 갔습니다. 2025년 1월21일 공식 발표에는 SoftBank·OpenAI·Oracle·MGX가 초기 투자자로 소개됐습니다. 이는 발표한 계획이며 그 규모가 이미 모두 집행됐다는 뜻은 아닙니다. Stargate 최초 발표

저는 AI가 하나의 서비스에서 사회의 기반으로 넓어질 수 있겠다고 생각했습니다. 경쟁의 다음 승자를 정하려는 이야기보다, 사용자가 더 쉽게 좋은 도구를 만나는 상황이 반가웠습니다.

한국에서도 사람들의 일하는 방식을 바꿀 좋은 기술과 서비스가 나오기를 바랐습니다. 새로운 AI를 며칠 써본 리뷰가 그런 기대까지 이어졌던 것이 기억에 남습니다.