Hacker News • 8일 전

오픈소스 모델의 추격과 앤스로픽의 위기

IMP

8/10

핵심 요약

최근 발표된 Kimi K3와 Qwen 3.8 등 고성능 오픈소스 기반 모델은 최고 수준(SOTA)의 AI 성능을 무료로 제공하며 폐쇄형 선도 기업들에게 큰 위협이 되고 있습니다. 이는 AI 모델의 상용화 과정에서 발생하는 막대한 추론(Inference) 비용을 절감하고 자체 인프라를 보유한 기업들에게 유리한 경쟁 구도를 형성합니다. 결국 인프라가 없는 모델 중심 기업들은 가격 경쟁이나 완벽한 기술 독점을 통한 생존 전략을 강요받게 될 것입니다.

번역된 본문

제목: Kimi K3, Qwen 3.8, 그리고 앤스로픽(Anthropic)의 잠재적 위기 작성자: Wojciech Gryc · 2026년 7월 19일 · 5분 분량

지난주에 최고 수준(SOTA)의 파운데이션 모델(foundation model) 두 가지가 출시되었습니다. 문샷 랩스(Moonshot Labs)의 Kimi K3 [1]와 알리바바(Alibaba)의 Qwen 3.8 [2]입니다. 두 모델 모두 성능 면에서 앤스로픽(Anthropic)의 Fable 5에 필적한다고 알려져 있으며, 향후 몇 주 내로 모델 가중치(weights)가 공개될 예정입니다. Kimi K3와 Qwen 3.8는 최상위 모델 개발자들에게 전략적 도전 과제를 안겨주며, 앞으로 경쟁하기 위해 무엇을 해야 하는지를 보여줍니다. 이들은 오픈소스 모델만으로도 최고 수준의 기술 경쟁력(SOTA frontier)을 달성할 수 있음을 증명합니다. 이는 특히 앤스로픽에게 큰 위협이 되며, 향후 제품 차별화에서 어려움을 겪을 위험을 안게 되었습니다. 우리는 파운데이션 모델의 경제학을 살펴보고, Kimi K3와 Qwen 3.8 등장에 따른 전략적 의미를 논의할 것입니다.

프론티어 랩(Frontier Lab, AI 선도 연구소) 및 공급업체의 경제학 파운데이션 모델을 구축하는 것은 매우 비용이 많이 듭니다. 연구원(즉, 인건비), 컴퓨팅(compute, 즉 칩과 데이터센터), 그리고 컴퓨팅을 구동할 전력이 필요합니다. 모델이 한 번 구축된 후 가장 큰 비용은 사용자가 실제로 모델을 사용하게 하는 '추론(Inference)' 과정에서 발생합니다. 인건비, 컴퓨팅, 전력은 여전히 필요하지만, 모델이 업데이트되지 않기 때문에 모델을 훈련할 때와 비교하면 인건비는 상대적으로 낮으며, 대부분의 한계 비용(marginal costs)은 컴퓨팅과 전력에 집중됩니다. 다시 말해, 추론 비즈니스를 운영하려면 전력과 데이터센터 컴퓨팅이라는 두 가지 비용을 최적화해야 합니다. 가치 사슬(value chain)을 더 많이 소유할수록 가변 비용은 고정 비용으로 전환됩니다.

그렇다면 어떤 선택지가 있을까요? 첫째, 데이터센터를 임대하고 전력 비용을 지불하는 방식입니다. 이는 앤스로픽, 노ledge 애틀러스(GLM 5.2 제작사), 문샷 랩스(Kimi K3 제작사)가 하는 방식으로, 자체 데이터센터나 발전소를 소유하지 않습니다. 둘째, 자체 데이터센터를 구축하고 전력만 다른 공급업체로부터 결제하는 방식입니다. 이는 메타(Meta)와 알리바바(Alibaba)의 접근법입니다. 마지막으로, 스페이스X(SpaceX)처럼 자체 발전소와 데이터센터를 모두 직접 소유하는 방법도 있습니다. 어떤 전략을 선택하느냐에 따라 원가 구조와 마진이 달라집니다.

첫 번째 경우, 고객의 추론 비용에 마진을 붙여 수익을 창출합니다. 불행히도 이는 비용이 매출과 함께 증가함을 의미하며, 사용량이 늘어난다고 해서 마진율이 커지지는 않습니다. 반대로 발전소 및/또는 데이터센터를 직접 소유하면 추론 원가 구조의 상당 부분이 고정 비용이 되므로, 더 많은 고객이 제품을 더 자주 사용할수록 마진이 커질 수 있습니다.

마진, 가치 사슬, 그리고 전략적 의미 프론티어 랩의 마진 접근 방식은 장기적인 성과에 큰 영향을 미칩니다. 인프라 스택(stack)을 더 많이 소유할수록 해당 인프라를 통해 수익을 창출할 여지가 커집니다. 최고의 모델을 보유하겠다는 포부를 가질 수 있지만, 항상 그것이 결정적인 것은 아닙니다. 오픈소스 모델을 호스팅할 수도 있고(특히 성능이 가장 뛰어난 모델이라면!), 자사 하드웨어를 임대해 줄 수도 있습니다. 이것이 바로 메타(Meta)가 잠재적으로 앤스로픽에 서버 용량을 임대해 주려 하고 [3], 스페이스X(SpaceX)가 그렇게 하는(펜타곤에 임대해 주는 것과 함께 [4], [5]) 이유입니다.

만약 자체 데이터센터나 발전 시설을 소유하고 있지 않다면, 성공을 좌우하는 유일한 요소는 '모델에 대한 수요'뿐입니다. 이들의 모델은 단순히 좋은 수준을 넘어 최고여야 하며, 그렇지 않으면 매우 저렴하면서도 '충분히 좋은' 수준이어야 합니다. 이는 추론 비용을 바닥으로 떨어뜨리려는 끊임없는 경쟁이거나, 아니면 최고의 모델 공급자가 되기 위한 끊임없는 경쟁을 의미합니다. 이는 엄청난 위험을 수반합니다. 앤스로픽, OpenAI, DeepSeek, 문샷 랩스, 그리고 노ledge 애틀러스(GLM 5.2 제작사)는 지속적으로 경쟁하며 선두를 유지해야 하며, 그렇지 않으면 초경쟁적인 파운데이션 모델 시장에서 죽음을 맞이할 위험이 있습니다.

순수하게 모델에만 집중하는 기업의 경우, 승리할 수 있는 유일한 방법은 (1) 경쟁자를 따돌릴 수 있는 충분한 컴퓨팅 파워를 바탕으로 재귀적 자기 개선(recursive self-improvement)을 가장 먼저 달성하거나, (2) 어떻게든 시장을 폐쇄하는 것입니다.

원문 보기

원문 보기 (영어)

Labs Blog About Contact Log In Request a Demo Research Kimi K3, Qwen 3.8, and Anthropic's (potential) Unravelling By Wojciech Gryc · July 19, 2026 · 5 min read This past week, two state-of-the-art (SOTA) foundation models were launched: Moonshot Labs' Kimi K3 [1] and Alibaba's Qwen 3.8 [2] . Both are allegedly close to Anthropic's Fable 5 in performance, and both will have their model weights released publicly in the coming weeks. Kimi K3 and Qwen 3.8 represent a strategic challenge to top-tier model developers and what they'll need to do to compete moving forward. They prove that the SOTA frontier is possible to attain with open models, and this represents a major threat, particularly to Anthropic, which risks struggling with product differentiation in the future. We'll explore foundation model economics and then their strategic implications given Kimi K3 and Qwen 3.8. Frontier Lab (and Vendor) Economics Foundation models are incredibly expensive to build. They require researchers (i.e., payroll), compute (i.e., chips and data centers), and electricity to power the compute. Once a model is built, the biggest cost is inference: enabling your users to actually use the models. Payroll, compute, and electricity are still required, but the vast majority of marginal costs are limited to compute and electricity—since models aren't being updated, payroll costs are relatively low compared to when training the models. In other words, running an inference business requires you to optimize for two costs: electricity and data center compute. The more of the value chain you own, the more your variable costs become fixed costs. What are your options, then? First, you can lease data centers and pay for electricity. This is what Anthropic, Knowledge Atlas (makers of GLM 5.2), and Moonshot Labs (makers of Kimi K3) do; they do not own their own data centers or power plants. Another option is to build your own data centers, paying other suppliers for electricity. This is the Meta and Alibaba approach. Finally, you can also build your own power generators and own your data centers, like SpaceX. Your strategy impacts your cost base and thus your margin. In the first case, you make money by adding a margin to your customers' inference. Unfortunately, this means your costs scale with your revenue; your margin doesn't grow with your usage. Conversely, if you own the power plants and/or data centers, you make much of your inference cost base a fixed cost, so your margin can grow as more customers use your product more often. Margins, Value Chains, and Strategic Implications Your frontier lab's approach to margin has a huge impact on your long-term outcome. The more of the infrastructure stack you own, the more you can monetize said infrastructure. You can aspire to have the best model, but it doesn't always matter—you can host open source models (especially if they are the best performing models!), or you can lease your hardware. This is exactly why Meta is potentially leasing its server capacity to Anthropic [3] and why SpaceX [4] is doing so (along with leasing to the Pentagon [5] ). If you don't own data centers or power generation, the only thing that matters for your success is model demand. Your models can't just be good, they need to be the best, or cheap and “good enough.” This is a constant race to the bottom on inference costs, or alternatively a constant race to be the best model provider. This represents a huge risk. Anthropic, OpenAI, DeepSeek, Moonshot Labs, and Knowledge Atlas (the makers of GLM 5.2) need to constantly compete and hope they retain their lead, or risk certain death in the hypercompetitive foundation model market. In the case of purely model-focused companies, the only way to win is (1) be the first to achieve recursive self-improvement with enough compute to leave your competitors in the dust, (2) somehow close the market off via regulation, or (3) build a product that is so unique or sticky that it can't be copied. Anthropic's Uniquely Precarious Position Anthropic is the frontier lab that has most heavily leaned into a regulatory strategy and a focus on recursive self-improvement. Its focus on ethics, as seen via its self-censoring Fable and Mythos (before being forced to further prevent releases by the US government), is tied to this regulatory strategy. While Anthropic retains the lead in model performance, its models are also incredibly expensive in relation to OpenAI or open models. As shown in Figure 1 [6] , Fable 5 is nearly 3× as expensive per completed task. It remains to be seen if users are willing to pay so much for the better model. Some researchers and founders expect a price war, either via competition [7] or because AI benchmarks that don't take price into account are becoming saturated and less helpful [8] . While Anthropic has invested in products like Claude Code or Cowork, its focus on harnesses is a risk. OpenCode, OpenClaw, Hermes, and numerous other harness startups are now innovating in this space. While the barrier to building a foundation model is very high, there's almost no barrier to launching your own AI harness. This is where OpenAI has an advantage over Anthropic. While its models are trailing Anthropic's in recent months, its investments in product, consumer experience, site publishing, voice, and hardware are all directions that have clearer moats. The company is more open to investing in data center ownership and power generation. While some argue this causes OpenAI to lose focus, it'll make OpenAI more resilient in the long run; it has the flexibility and risk appetite to try and build products with network effects and moats, and to optimize for its long-run margin. Anthropic faces a massive unbundling risk. Its models are the benchmark to beat, its products are increasingly challenged by closed and open source competitors, and its economic model puts it at a disadvantage. Barring regulatory intervention or actual AGI invention, Anthropic will likely struggle to retain its spot as the #1 foundation model vendor. Kimi K3's and Qwen 3.8's Implications Kimi K3 was released on July 16 [9] . Qwen 3.8 was announced on July 19 [10] . GLM 5.2, another top-tier open model, was released in mid-June [11] . This is much larger than the “DeepSeek moment” of 2025 because it shows multiple labs can compete with and catch up to well-capitalized model vendors like Anthropic and OpenAI, not to mention Meta or SpaceX (i.e., Grok). It shows a sustained pattern of competition, catchup, and maybe even one day, outperformance… especially when cost considerations are incorporated into the mix. More importantly, as sustainable long-term businesses, model-only providers are particularly at risk. Knowledge Atlas, Moonshot Labs, and Anthropic face defensibility challenges versus OpenAI, Alibaba, SpaceX, Meta, and Google. Enjoyed this post? Subscribe for updates Get future posts on research automation, fact verification, and geopolitical risk delivered to your inbox. We will never share your e-mail with anyone. Additional information Thank you! You're on the list. Please try again. Something went wrong. No spam, unsubscribe anytime. References and Footnotes Reuters; China’s Moonshot unveils world’s largest open AI model, closing gap with US rivals X; Qwen on X: “Qwen3.8 is launching and going open-weight soon!” Reuters; Meta in talks for $10 billion Anthropic compute deal, NYT reports Reuters; SpaceX signs cloud deal with Google WSJ; SpaceX in Talks to Provide Computing Power for Pentagon’s AI Push Artificial Analysis; AI Model & API Providers Analysis Bloomberg; China’s Zhipu Says AI Price War Will Spread Internationally X; François Chollet on X: “Reporting benchmark results as a scalar number, e.g. '75% on XYZ' is completely mean

오픈소스 AI 모델 인프라 기술 경쟁