DeepSeek V4 Preview: 1.6조 파라미터 오픈소스 LLM 아키텍처와 Huawei Ascend 기반 극저비용 설계

R1 이후 가장 중요한 릴리스

2026년 4월 24일, DeepSeek이 V4 Preview를 공개하며 AI 업계에 다시 한 번 충격을 안겼다. 1.6조 파라미터라는 전례 없는 규모를 오픈소스로 공개했을 뿐 아니라, Nvidia GPU 대신 Huawei Ascend 칩 기반으로 구축했으며 입력 토큰당 $0.14라는 극단적 저가 정책을 동시에 선보였다. DeepSeek V4는 15개월 전 R1이 글로벌 시장을 뒤흔든 이후 가장 중요한 릴리스로 평가받고 있으며, 오픈소스 LLM 생태계와 AI 반도체 시장 모두에 구조적 변화를 예고하고 있다.

DeepSeek V4는 두 가지 변형으로 출시됐다. V4-Pro는 총 1.6조 파라미터에 490억 활성 파라미터를 보유하며, V4-Flash는 총 2,840억 파라미터에 130억 활성 파라미터로 구성된다. 컨텍스트 창은 100만 토큰을 지원하며, 이는 단일 호출에서 수백 페이지 분량의 문서를 처리할 수 있음을 의미한다.

모델의 메모리 요구사항도 획기적으로 줄었다. DeepSeek는 기존 대비 9.5배 낮은 메모리 요구사항을 달성했다고 발표했으며, 이는 MoE(Mixture of Experts) 아키텍처와 희소 활성화 메커니즘의 결합으로 가능해졌다.

가격 구조는 다음과 같다. V4-Flash 기준 입력 토큰당 $0.14/백만 토큰, 출력 토큰당 $0.28/백만 토큰이며, V4-Pro는 입력 $1.74/백만 토큰, 출력 $3.48/백만 토큰이다.

490억만 켜지는 1.6조 파라미터

DeepSeek V4의 규모와 효율성을 동시에 달성하게 해 준 핵심 기술은 MoE(Mixture of Experts) 아키텍처다. 전통적인 Dense 트랜스포머가 모든 파라미터를 매 토큰마다 활성화하는 것과 달리, MoE는 입력에 따라 전문가 네트워크 중 일부만 선택적으로 활성화한다.

⤢✕

V4-Pro의 경우 1.6조 전체 파라미터 중 추론 시 490억만 활성화된다. 이는 전체의 약 3%에 해당하며, 실제 추론 비용은 490억 파라미터 모델과 유사한 수준으로 유지된다. 이 구조가 극저비용 가격 정책을 가능하게 하는 핵심 메커니즘이다.

전문가 라우팅(Expert Routing) 알고리즘은 각 토큰에 대해 상위 K개의 전문가를 선택한다. DeepSeek는 부하 균형(Load Balancing) 손실 함수를 최적화해 특정 전문가에게 과부하가 집중되는 현상을 방지하며, 이를 통해 분산 학습 환경에서도 안정적인 성능을 유지한다.

Nvidia 없이 학습한다는 것

DeepSeek V4가 업계의 주목을 받은 또 다른 이유는 Nvidia GPU 대신 Huawei Ascend NPU를 핵심 학습 인프라로 채택했다는 점이다. 이는 미중 AI 반도체 갈등이 심화되는 상황에서 중국 AI 기업이 실질적인 대안 인프라를 구축했음을 입증한다.

Huawei Ascend 950 시리즈는 AI 연산에 최적화된 NPU(Neural Processing Unit)로, HCCL(Huawei Collective Communications Library)을 통해 멀티-NPU 분산 학습을 지원한다. Huawei는 DeepSeek V4 출시와 동시에 Ascend SuperNode 전 제품 라인에서 완전한 Day-0 호환성을 확인했으며, Cambricon과 Hygon도 동시에 호환성 인증을 완료했다.

⤢✕

HCCL은 NVIDIA의 NCCL(NVIDIA Collective Communications Library)에 해당하는 Huawei의 집단 통신 라이브러리다. AllReduce, AllGather, ReduceScatter 등 분산 학습에 필수적인 집단 연산을 최적화하며, Ascend 아키텍처의 독자적인 인터커넥트 구조에 맞게 설계됐다.

분산 학습 전략 측면에서 DeepSeek V4는 세 가지 병렬화를 결합했다. 텐서 병렬화(Tensor Parallelism)는 단일 레이어의 가중치 행렬을 여러 NPU에 분산하며, 파이프라인 병렬화(Pipeline Parallelism)는 레이어를 단계별로 나눠 순차 처리한다. 데이터 병렬화(Data Parallelism)는 동일 모델의 복사본이 서로 다른 배치를 처리하는 방식이다.

가격이 극단적인 진짜 이유

DeepSeek V4의 가격 정책은 기존 상용 API 대비 얼마나 극단적인가. GPT-5.5의 입력 토큰 가격을 100으로 기준할 때, V4-Flash는 약 10-15 수준에 해당한다. 이는 단순한 가격 경쟁이 아니라 비즈니스 모델의 근본적 차이에서 비롯된다.

오픈소스 LLM의 총소유비용(TCO) 분석은 단순 API 가격 비교보다 복잡하다. 자체 배포(Self-Hosting) 시나리오에서는 컴퓨팅 인프라 비용, 엔지니어링 운영 인력, 모델 업데이트 및 유지보수 비용이 추가된다. 반면 API 서비스 이용 시에는 이러한 운영 부담 없이 사용량 기반 과금만 발생한다.

V4의 9.5배 낮은 메모리 요구사항은 자체 배포 시나리오에서 특히 중요하다. 동일한 하드웨어 투자로 더 큰 모델을 배포할 수 있거나, 더 적은 하드웨어로 동급 모델을 운용할 수 있기 때문이다.

중국 내 기업들의 반응도 주목할 만하다. DeepSeek V4 발표 이후 중국 기술 기업들이 Huawei Ascend 칩 수요를 급격히 늘리고 있다는 보도가 나왔으며, 이는 Nvidia 의존도를 줄이려는 중국 산업계의 구조적 전환을 가속화할 것으로 보인다.

MIT 테크놀로지 리뷰가 짚은 의미

MIT Technology Review는 DeepSeek V4가 중요한 세 가지 이유를 다음과 같이 분석했다. 첫째, Huawei 칩으로 최첨단 모델 학습이 가능함을 입증했다. 이는 미국의 AI 반도체 수출 규제가 중국의 AI 개발을 근본적으로 막지 못한다는 것을 보여 준다. 둘째, 오픈소스 공개를 통해 글로벌 연구 커뮤니티가 1.6조 파라미터 규모의 아키텍처를 직접 연구할 수 있게 됐다. 셋째, $0.14/백만 토큰이라는 가격은 AI 서비스 비용의 기준점을 근본적으로 낮추며 업계 전반의 가격 조정을 촉진할 것이다.

규모·인프라·가격이 함께 바뀐 릴리스

DeepSeek V4 Preview는 1.6조 파라미터 규모, Huawei Ascend 기반 학습, 극저가 정책이라는 세 가지 요소가 결합된 역사적 릴리스다. MoE 아키텍처와 희소 활성화를 통한 추론 효율성 극대화, HCCL 기반 멀티-NPU 병렬화로 실현된 Nvidia 독립적 학습 인프라는 AI 산업의 기술적 지형을 재편하고 있다. 오픈소스 공개로 인해 글로벌 커뮤니티가 이 아키텍처를 연구·발전시킬 수 있다는 점에서 V4의 영향력은 단기 벤치마크 경쟁을 넘어 장기적으로 지속될 것이다.