3.3조 달러를 지운 중국 Kimi K3, 무엇이고 왜 주가를 흔들었나요

2026년 7월 16일, 중국 스타트업 문샷AI(Moonshot AI)가 초대형 오픈모델 Kimi K3를 공개한 뒤 며칠 만에, 전 세계 반도체 주식에서 3조 3,000억 달러 규모의 시가총액이 증발했어요. 필라델피아 반도체지수(SOX)는 고점 대비 20% 넘게 빠지며 기술적 베어마켓에 진입했고, 삼성전자와 SK하이닉스도 함께 흔들렸죠.

시장은 이 사건을 "제2의 딥시크(DeepSeek) 쇼크"라고 불러요. 훨씬 저렴한 비용 구조로 미국 최상위 폐쇄형 모델에 근접한 성능을 낸 개방형 모델이 또 한 번 등장하면서, 빅테크가 쏟아붓는 막대한 AI 인프라 투자가 정말 정당한지에 대한 의문이 다시 불붙은 거예요.

그런데 Kimi K3가 정확히 무엇이길래 시장이 이렇게 반응했을까요? 그리고 저비용 고성능 모델의 등장은 정말 GPU 수요를 줄이는 신호일까요, 아니면 오히려 늘리는 신호일까요? 오늘은 Kimi K3의 실체부터 주가 하락의 메커니즘, 그리고 엇갈리는 두 가지 해석까지 차분히 정리해볼게요.

[Kimi K3 출처]

Kimi K3, 도대체 뭐길래 이 난리인가요?

Kimi K3는 문샷AI가 2026년 7월 16일 공개한 2조 8,000억 개(2.8T) 파라미터의 오픈웨이트(open-weight) 대형언어모델(LLM)이에요. 지금까지 공개된 오픈소스 모델 중 역대 최대 규모죠. 여기서 파라미터는 모델이 학습 과정에서 조정하는 내부 가중치의 개수를 말하는데, 이 수가 클수록 더 복잡한 패턴을 담아낼 잠재력이 커져요. 이전까지 최대 기록이었던 DeepSeek V4 Pro보다 약 1.75배 큰 셈이에요.

오픈웨이트라는 점도 중요해요. 모델의 가중치 전체를 공개해 누구나 내려받아 자신의 서버에서 직접 실행할 수 있다는 뜻이거든요. GPT나 Claude 같은 폐쇄형 모델은 API를 통해서만 쓸 수 있는 것과 대비되죠. Kimi K3의 전체 가중치는 2026년 7월 27일 허깅페이스(Hugging Face)에 공개될 예정이에요.

스펙만 봐도 만만치 않아요. 한 번에 처리할 수 있는 입력의 길이를 뜻하는 컨텍스트 윈도우가 100만(1M) 토큰에 달하고, 텍스트뿐 아니라 이미지를 직접 입력받는 네이티브 비전도 지원해요. 규모, 개방성, 처리 범위 세 가지를 한꺼번에 끌어올린 모델인 거죠. 모델 개요는 BBC 코리아 보도에서도 다뤘어요.

핵심 스펙을 한눈에 정리하면 다음과 같아요.

Kimi K3의 아키텍처는 뭐가 다른가요?

Kimi K3가 화제가 된 건 단순히 크기 때문만은 아니에요. 같은 성능을 더 적은 연산으로 내기 위해, 모델 내부 구조에서 여러 새로운 기법을 도입했거든요. 조금 기술적이지만, 왜 이 모델이 "효율의 돌파구"로 평가받는지 이해하려면 핵심만 짚고 넘어갈 필요가 있어요.

Kimi Delta Attention (KDA) — 연산을 선형으로

어텐션(attention)은 모델이 입력 토큰들 사이의 연관성을 계산하는 핵심 연산이에요. 문제는 기존 방식이 토큰 수가 늘어날수록 연산량이 제곱으로 폭증한다는 점이었죠. 100만 토큰짜리 긴 문서를 다루려면 이 비용이 감당하기 어려워져요.

[Kimi Delta Attention (KDA). 출처]

Kimi K3는 전체 어텐션 레이어의 4분의 3을 Kimi Delta Attention이라는 선형 어텐션 방식으로 채웠어요. 토큰 수에 비례해 연산량이 완만하게 늘어나는 구조라, 긴 입력에서도 메모리 효율이 훨씬 높아요. 긴 컨텍스트를 저렴하게 처리하는 비결이 여기에 있죠.

Gated MLA — 손실 없는 정보 검색

선형 어텐션은 빠르지만, 멀리 떨어진 정보를 정확히 되짚는 능력이 떨어질 수 있어요. 그래서 나머지 4분의 1 레이어에는 Gated MLA(Multi-Head Latent Attention)를 배치했어요. 전역적이고 손실 없는 정보 검색을 담당하는 부분이죠. 빠른 선형 어텐션과 정확한 전역 어텐션을 섞어, 속도와 정확도를 동시에 잡으려는 설계예요.

Attention Residuals — 이전 레이어를 다시 꺼내 쓰기

여기에 Attention Residuals(AttnRes)라는 새로운 기법도 더했어요. 앞선 레이어에서 계산한 표현을 필요할 때 선택적으로 다시 불러오는 방식이에요. 정보가 깊은 레이어를 지나며 희미해지는 문제를 줄여, 모델이 맥락을 더 오래 붙잡을 수 있게 해줘요.

Stable LatentMoE — 896명 중 16명만 일한다

가장 눈에 띄는 건 초희소(sparse) 전문가 혼합(MoE) 구조예요. MoE는 모델을 여러 개의 '전문가(expert)' 하위 신경망으로 나눠두고, 입력마다 그중 일부만 골라 활성화하는 방식이에요. Kimi K3는 무려 896개 전문가를 두고, 그중 단 16개만 활성화해요. 활성 비율이 1.8%에 불과하죠.

이게 왜 중요할까요. 파라미터 총량은 2.8조 개지만, 토큰 하나를 처리할 때 실제로 계산에 참여하는 '활성 파라미터'는 그 일부뿐이에요. 덩치는 역대 최대인데 실제 추론 비용은 크게 낮출 수 있다는 뜻이에요. 여기서 정밀도를 낮춘다는 건, 숫자를 더 적은 비트로 표현해 연산과 메모리 부담을 줄인다는 의미예요. Kimi K3는 가중치를 4비트(MXFP4)로 표현하는 양자화까지 더해, 문샷AI는 이전 세대 Kimi K2 대비 약 2.5배의 확장 효율을 달성했다고 밝혔어요.

896개 중 16개. Kimi K3가 토큰 하나를 처리할 때 실제로 활성화하는 전문가의 수예요. 역대 오픈모델 중 가장 큰 전문가 풀을 두고도, 실제 연산은 그중 1.8%만 사용하죠.

규모는 최대로 키우되 실제 계산은 최소로 줄이는 이 설계가, Kimi K3를 '크면서도 효율적인' 모델로 만든 핵심이에요. 아키텍처 상세는 Tom's Hardware 분석에 잘 정리돼 있어요.

성능은 진짜 미국 최상위에 근접했나요?

숫자로 보면 그렇다고 말할 수 있어요. Kimi K3는 독립 평가기관 Artificial Analysis의 인텔리전스 지수에서 57점을 기록했어요. 앤트로픽의 Claude Opus 4.8과 GPT-5.5를 넘어선 점수예요. 최상위권인 Claude Fable 5(60점)와 GPT-5.6 Sol Max(59점)에는 아직 못 미치지만, 그 격차가 눈에 띄게 좁혀졌죠.

특히 두각을 나타낸 영역은 코딩과 에이전트 작업이에요. 프론트엔드 코드 아레나(Frontend Code Arena) 벤치마크에서는 1,679점으로 1위에 올랐어요. 단순한 코드 자동완성 수준을 넘어, GPU 커널 최적화, 트리톤(Triton)형 컴파일러 자체 제작, 심지어 45nm 공정 기반 반도체 설계 같은 고난도 엔지니어링 과제를 자율적으로 수행한 사례가 공개되며 화제를 모았죠.

57점. Kimi K3가 Artificial Analysis 인텔리전스 지수에서 받은 점수예요. 앤트로픽 Claude Opus 4.8과 GPT-5.5를 넘어선 개방형 모델은 지금까지 없었어요.

공개 타이밍도 전략적이었어요. 구글이 차세대 모델 Gemini 3.5 Pro를 발표하기 불과 몇 시간 전에 Kimi K3를 던지면서, 글로벌 AI 업계의 시선을 단숨에 가져갔거든요. 벤치마크와 가격을 총정리한 DataCamp 리포트도 참고할 만해요.

[ Kimi K3는 독립 평가기관 Artificial Analysis의 인텔리전스 지수. 출처]

가격은 얼마나 저렴한가요?

Kimi K3의 API 가격은 입력 100만 토큰당 3달러, 출력 100만 토큰당 15달러예요. 이미 처리한 입력을 재사용하는 캐시 입력은 100만 토큰당 0.3달러까지 내려가고요. 여기서 토큰은 모델이 텍스트를 잘게 나눠 처리하는 최소 단위를 뜻해요.

흥미로운 점은, 이 가격이 지금까지 나온 중국 모델 중에서는 가장 비싸다는 거예요. 문샷AI가 성능에 자신이 있다는 신호이기도 하죠. 그럼에도 서구의 프론티어 모델과 비교하면 여전히 훨씬 저렴한 수준이에요. '최상위권에 근접한 성능을, 프론티어보다 낮은 가격에'라는 조합이 바로 시장을 긴장시킨 핵심이에요.

왜 "제2의 딥시크 쇼크"라고 불리나요?

2025년 초, 중국 DeepSeek이 저비용 고성능 모델을 내놓으며 엔비디아 주가를 하루 만에 크게 무너뜨린 사건을 기억하실 거예요. 당시 시장의 공포는 하나였어요. "AI를 이렇게 싸게 만들 수 있다면, 그 비싼 GPU를 그렇게 많이 살 이유가 있나?"

Kimi K3는 그 질문을 더 큰 규모로 다시 던졌어요. 딥시크보다 훨씬 큰 2.8조 파라미터 모델을, 오픈웨이트로, 미국 최상위에 근접한 성능으로 공개했으니까요. 모건스탠리 등 분석가들은 이를 두고 중국 LLM이 규모·성능·가격 전반에서 미국을 전방위로 추격하고 있다는 신호로 해석했어요.

투자자 입장에서 핵심 우려는 이거예요. 개방형 모델이 이 정도 성능을 이 가격에 낸다면, 빅테크가 수천억 달러씩 쏟아붓는 AI 자본지출(CAPEX)의 정당성이 흔들리고, 엔비디아처럼 AI 인프라를 파는 기업들의 경제적 해자도 위협받는다는 거죠. 이 논리가 반도체 주식 전반의 매도세로 번졌어요. 딥시크와의 비교는 파이낸셜뉴스 보도에서 자세히 다뤘어요.

주가는 실제로 얼마나 빠졌나요?

Kimi K3 공개 직후, 글로벌 반도체·AI 관련주가 폭넓게 하락했어요. 며칠 사이 전 세계 반도체 시가총액에서 3조 3,000억 달러 이상이 증발했죠.

3조 3,000억 달러. Kimi K3 공개 후 며칠 사이 전 세계 반도체 주식에서 사라진 시가총액이에요. 오픈모델 하나가 글로벌 자본시장을 이만큼 흔든 사건은 드물었어요.

주요 시장별 낙폭을 정리하면 다음과 같아요.

주간 기준으로 보면 2025년 4월 이후 최악의 반도체 매도세였어요. 특히 SOX가 고점 대비 20% 넘게 빠지며 베어마켓 문턱을 넘은 게 상징적이었죠. TSMC는 분기 영업이익이 77% 급증했다는 호실적을 발표하고도 주가가 7% 빠졌어요. 시장이 실적보다 '앞으로의 수요'를 더 걱정했다는 방증이에요.

국내 시장의 충격은 조선비즈 코스피 보도와 삼성·SK하이닉스 관련 보도에서, 미국 반도체주의 낙폭은 Business Insider 보도에서 확인할 수 있어요.

[Kimi K3 공개 직후, 글로벌 반도체·AI 관련주 급락. 출처]

그런데 정말 GPU 수요가 줄어들까요?

여기서부터가 흥미로워요. 시장은 겁을 먹었지만, 저비용 고성능 모델이 정말 인프라 수요를 줄이는지에 대해서는 전문가들의 해석이 정반대로 갈려요.

우려론 — 효율이 곧 수요 감소다

첫 번째 시각은 시장의 매도세를 그대로 반영해요. 같은 성능을 절반 비용으로 낼 수 있다면, 그동안 'AI에는 무조건 최신 GPU를 최대한 많이'라는 전제로 세워진 투자 계획이 흔들린다는 거죠. 특히 개방형 모델이 무료에 가깝게 풀리면, 값비싼 폐쇄형 API와 그 뒤를 받치는 초대형 데이터센터 투자가 과잉일 수 있다는 우려예요.

이 논리에서 가장 취약한 건 '학습용 최신 GPU'에 베팅한 진영이에요. 모델을 밑바닥부터 새로 학습시키는 데 드는 초대형 클러스터의 수요가, 잘 만들어진 오픈모델을 가져다 쓰는 방향으로 옮겨가면 줄어들 수 있다는 거죠. TSMC가 호실적에도 주가가 빠진 게 이 심리를 잘 보여줘요.

반론 — 제본스의 역설, 오히려 수요가 는다

두 번째 시각은 정반대예요. SemiAnalysis 같은 일부 기관은 오히려 Kimi K3가 GPU와 고대역폭 메모리(HBM) 수요를 더 늘릴 수 있다고 봐요. 근거는 제본스의 역설(Jevons' Paradox)이에요. 어떤 자원을 쓰는 효율이 좋아지면, 비용이 낮아진 만큼 그 자원의 총사용량은 오히려 늘어난다는 경제 원리죠.

AI에 대입하면 이렇게 돼요. 추론 비용이 싸지면 더 많은 기업과 개발자가 AI를 쓰기 시작하고, 한 번 쓰던 곳은 더 많이 쓰게 돼요. 여기서 추론은 이미 학습을 마친 모델이 실제 요청에 답을 만들어내는 과정을 말하는데, 서비스가 커질수록 학습보다 추론에 쓰이는 컴퓨팅이 훨씬 많아져요. 오픈모델이 널리 퍼진다는 건, 곧 그 모델을 실제로 돌릴 추론용 GPU가 더 많이 필요해진다는 뜻이기도 하죠.

게다가 Kimi K3처럼 긴 컨텍스트와 새로운 어텐션 구조를 쓰는 모델은 메모리를 다루는 방식이 까다로워, 특정 구간에서는 고대역폭 메모리(HBM)의 대역폭 요구가 오히려 커질 수 있다는 분석도 있어요. HBM은 GPU 바로 옆에 붙어 데이터를 빠르게 공급하는 고속 메모리를 말하는데, 삼성전자·SK하이닉스가 세계 시장을 주도하는 분야예요. 실제로 Invezz 분석은 SK하이닉스 같은 메모리·설계 기업이 이 흐름에서 오히려 수혜를 볼 수 있다고 짚었어요.

어느 쪽이 맞을지는 시간이 답해줄 거예요. 다만 딥시크 쇼크 때도 초기 급락 이후 엔비디아 주가가 결국 회복했다는 점은, 효율화가 곧바로 수요 붕괴로 이어지지는 않았다는 참고점이 돼요. 이번에도 급락 직후 저가 매수세가 유입되며 낙폭을 일부 되돌리는 움직임이 나타났고요.

Moonshot AI는 어떤 회사인가요?

Moonshot AI는 알리바바와 텐센트 등의 투자를 받아 빠르게 성장한 중국 AI 스타트업이에요. 2026년 5월 기준 기업가치가 200억 달러에 도달했고, 최근에는 홍콩 증시 상장을 추진하며 300억 달러 이상의 밸류에이션을 노리는 것으로 알려졌어요. 연간반복매출(ARR)도 2026년 4월 2억 달러에서 6월 3억 달러로 빠르게 늘었죠. 투자 유치 배경은 TechCrunch 보도에서 다뤘어요.

다만 그늘도 드러났어요. Kimi K3 출시 이틀 만에 이용자가 폭증하면서 컴퓨팅 자원 부족으로 신규 유료 구독을 일시 중단하는 사태가 벌어졌거든요. 개방형 모델의 인기가 곧바로 인프라 부담으로 돌아온 셈이에요. 역설적이지만, 이 장면 자체가 '효율적인 모델이 나와도 결국 더 많은 컴퓨팅이 필요하다'는 반론에 힘을 싣기도 해요. 구독 중단 사태는 한겨레 보도에서 확인할 수 있어요.

[Moonshot AI 로고. 출처]

정리하자면

Kimi K3는 역대 최대 규모의 오픈웨이트 모델이면서, 새로운 어텐션 구조와 초희소 MoE로 효율까지 끌어올린 모델이에요. 미국 최상위 폐쇄형 모델에 근접한 성능을 더 낮은 가격에 내놓으면서, '제2의 딥시크 쇼크'로 불리는 반도체·AI 주가 급락을 촉발했죠.

하지만 주가의 급락이 곧 인프라 수요의 소멸을 뜻하는 건 아니에요. 저비용 고성능 모델은 AI를 더 널리 퍼뜨리고, 그 확산이 다시 더 많은 연산과 메모리를 부른다는 반론도 팽팽하니까요. 문샷AI가 출시 이틀 만에 컴퓨팅 부족을 겪은 것처럼, 효율과 수요는 단순한 반비례 관계가 아니에요.

결국 이번 사건이 던지는 진짜 질문은 'AI가 싸졌으니 인프라가 덜 필요한가'가 아니라, '싸진 AI를 누가, 얼마나, 어떤 인프라 위에서 돌릴 것인가'일지도 몰라요. 모델의 판도가 흔들릴수록, 그 아래 인프라를 어떻게 설계하느냐가 더 중요해지는 이유예요.