← 블로그로
Ai약 10 분 읽기

중국 GPU 업체가 학습 수치를 공개했지만 비교 대상은 밝히지 않았다

게시일 2026년 11월 15일
중국 GPU 업체가 학습 수치를 공개했지만 비교 대상은 밝히지 않았다

11월 6일, 중국의 한 통신 업계 콘퍼런스에서 무어 스레즈(Moore Threads)가 MTTS5000 플랫폼의 학습 결과를 공개했다. 핵심 지표는 원칙적으로 검증이 가능할 만큼 구체적이다. 2360억 파라미터 규모의 MoE 모델을 처음부터 학습했고, 코퍼스는 25조 토큰을 넘고, MMLU 점수는 국제 주류 연산 카드와 같은 수준이며, 유효 학습 시간은 90%를 넘는다.

플랫폼은 PH100 칩 위에서 돌아간다. 회사 측은 이 칩이 국가 정보보안 평가를 통과한 첫 배치에 포함됐다고 말하며, 소프트웨어 스택은 MUSA다.

뜯어볼 것이 많고, 큰 구멍도 하나 있다. 모든 숫자가 자체 보고이고, 비교 대상은 국제 주류 학습용 GPU라고만 적혀 있다. 모델명은 없다. 이 표현은 지금의 최상위 제품부터 3년 된 부품까지 다 덮는다. 기준선의 이름과 구성이 나오기 전까지 그 배수는 마케팅이다.

그래도 몇몇 주장은 처리량 비율보다 정보량이 많다. 특히 하나는 볼 만하다.

실제로 중요한 숫자

유효 학습 시간 90% 초과는 이 발표에서 가장 눈에 안 띄는 수치이자 가장 많은 것을 말해 주는 수치다. 클러스터가 실제 시간 중 얼마를 일에 쓰고 얼마를 기다리는 데 썼는지를 잰다. 고장 난 노드, 체크포인트 정지, 네트워크 이상, 작업 재시작을 기다린 시간이다.

어두운 표면 위에 나란히 놓인 똑같은 강철봉 한 줄, 그중 하나만 거울처럼 연마되어 얇은 황동 심으로 살짝 들려 있다

피크 FLOPS는 데이터시트 숫자다. 유효 학습 시간은 운영 숫자다. 대규모 클러스터는 이론 활용률을 크게 밑도는 것으로 악명이 높고, 그 이유가 칩인 경우는 드물다. 스케줄러가 어떻게 움직이는지, 인터커넥트가 안정적인지, 장애 복구가 얼마나 빠른지, 스택의 어디까지를 벤더가 직접 쓰고 어디부터를 빌려 왔는지가 관건이다.

2360억 MoE를 처음부터 학습하면서 90%를 유지하는 국산 스택은 행렬곱이 얼마나 빠른지보다 어려운 주장을 하는 셈이다. 지루한 부분이 돌아간다는 주장이다. 사실인지는 별개의 질문이지만, 방향은 맞다.

클러스터를 90% 아래로 끌어내리는 고장 유형은 잘 알려져 있고 하나도 화려하지 않다. 동기 스텝 전체를 늦추는 뒤처진 GPU, 학습을 몇 분씩 멈추는 체크포인트 쓰기, all-reduce 트래픽에서 성능이 떨어지는 패브릭, 작업 사이에 카드를 놀리는 스케줄러. 고치는 일은 소프트웨어 작업이고 엔지니어-년 단위로 계산된다. 데이터시트가 보여 줄 수 없는 부분이다.

처음부터 학습한다는 것의 의미

국산 가속기 발표는 대부분 파인튜닝이나 추론을 다룬다. 더 쉽고 결과도 빨리 나오기 때문이다. 무작위 초기화에서 2360억 MoE를 25조 토큰으로 학습하는 것은 다른 급의 주장이다. 몇 달간의 연속 운전, 규모에 맞는 체크포인트 관리, 그리고 수렴하거나 수렴하지 않을 loss 곡선.

MMLU 동등성은 약한 대리 지표다. 이미 포화된 벤치마크이고, 모델은 전혀 다른 학습 경로를 거쳐도 비슷한 점수에 도달할 수 있다. 그래도 확인되는 것은 이번 실행이 무너지지 않았다는 점이다. 망가진 분산 학습 작업은 정상 범위의 점수를 내는 모델을 만들지 못한다.

발표의 나머지 두 항목은 MMLU보다 흥미롭다. 같은 스택으로 베이징대학교의 월드 모델 EvoPhys-World5D를 네이티브로 학습했고, 이 모델이 스탠퍼드 WorldScore의 월드 생성 부문에서 37일 연속 1위를 지켰다고 한다. 베이징 지위안 인공지능 연구원의 구현체 모델 RoboBrain2.5 학습도 엔드투엔드로 지원했다고 밝혔다.

이름이 있는 제3자 워크로드라서 자체 벤치마크보다 반증하기 쉽다. 모델이 실재하고 리더보드 순위가 진짜라면, 이 클러스터는 무언가를 해낸 것이다.

자율주행 주장

구체적인 워크로드가 붙은 유일한 배수는 자율주행 BEV 인지다. 단일 머신과 듀얼 머신 학습 처리량이 국제 주류 학습용 GPU의 1.56배에서 1.67배라고 회사는 밝힌다.

인지 모델은 공정한 시험대다. 중간 규모에 데이터를 많이 먹고, 메모리 대역폭과 인터커넥트에 민감하다. 새 아키텍처가 이기거나 지는 지점이 정확히 여기다. 이 워크로드에서 1.6배는 잘 다듬은 스택이 구형 부품을 상대할 때는 그럴듯하고, 현행 최상위를 상대할 때는 배치 크기와 정밀도에 대한 맥락이 아주 많이 붙지 않는 한 말이 안 된다.

그 맥락은 한 줄도 없다.

무엇이 있으면 믿을 수 있나

공개 세 가지면 대부분 정리된다.

기준선 부품의 모델명, 메모리 구성, 인터커넥트 토폴로지를 밝혀야 한다. 그것이 없는 처리량 비교는 비교가 아니다.

2360억 학습에 대해 최종 MMLU만이 아니라 loss 곡선과 토큰 단위 처리량을 공개해야 한다. 학습 효율은 벤치마크보다 훨씬 먼저 곡선에 나타난다.

그리고 학습 코드 중 MUSA 네이티브가 얼마이고 CUDA에서 이식한 것이 얼마인지 밝혀야 한다. 이식은 괜찮다. 이식한 것을 네이티브라고 부르는 것은 다른 주장이고, 기업이 마이그레이션을 계획할 때 실제로 보는 지점이 거기다.

무리한 요구가 아니다. 학습 클러스터를 사는 사람이라면 계약 전에 누구나 묻는 것이고, 답은 보통 기조연설이 아니라 NDA 아래에 있다.

벤더가 어떤 숫자를 공개할지 고르는 데는 이유가 있다. 중국의 기업 구매자는 경쟁 가속기를 직접 벤치마크하기 어렵다. 비교하려면 두 플랫폼을 같은 방에 놓아야 하는데, 수출 통제 때문에 그 방을 꾸리기가 힘들다. 그 공백에서 벤더 자료가 참조 문서가 되고, 충분히 많은 강연에서 반복된 주장은 사실처럼 기능하기 시작한다.

그 공백이 조달 결정과 보도자료 사이의 거리다.

전략적 해석

중국의 국산 가속기 이야기는 세 단계를 지나왔다. 추론이 돌아가는가, 파인튜닝이 되는가, 학습이 되는가. 이번 발표는 세 번째를 메우려는 시도다. 흥미로운 대목은 주장의 틀이 벤치마크 커널이 아니라 대형 MoE의 완전한 학습 실행으로 옮겨간 점이다.

숫자가 제3자 재현을 견디면 실무적 결과는 엔비디아가 한 건을 놓치는 선을 넘어선다. 중국 연구소가 수출 허가 없이 프런티어 규모 학습을 계획할 수 있게 되고, 이는 가격보다 계획의 시간축을 더 크게 바꾼다.

견디지 못하면 그래도 이 발표는 무언가를 표시한다. 호소의 축이 추론의 동등성에서 학습의 동등성으로 옮겨간 지점이다. 되돌리기 어려운 주장이고, 다음 숫자들은 그것을 기준으로 읽히게 된다.

관련 글