뤄푸리: OpenClaw가 촉발한 중국 AI 패러다임 전환—에이전트 시대, 1T 모델과 1:1 사전·사후 학습 비율, 그리고 파격적인 조직 개편이 필수다
장샤오쥔 팟캐스트 인터뷰, 2026년 4월 24일
샤오미(Xiaomi) 대규모 모델 팀을 이끄는 뤄푸리(Luo Fuli)가 OpenClaw가 촉발한 극적인 패러다임 전환 이후 첫 심층 기술 인터뷰에 나섰다. 그녀는 AI 산업이 단 두 달 만에 '챗(Chat)'에서 '에이전트(Agent)'로 어떻게 근본적으로 변화했는지, 그리고 왜 대다수 팀이 여전히 잘못된 방향으로 가고 있는지 밝혔다. 딥시크(DeepSeek)를 거쳐 샤오미의 MiMo-V2 시리즈 개발을 이끌기까지의 여정을 솔직하게 풀어낸 뤄푸리는 에이전트 시대를 정의하는 조직적 격변, 기술적 돌파구, 그리고 불편한 진실들을 가감 없이 공개했다.
OpenClaw의 4시간 동안의 깨달음: 제품의 꼼수에서 연구 가속기로
춘절 기간 OpenClaw를 처음 접했을 때 뤄푸리의 반응은 냉담했다. 그녀는 이를 "Claude Code에 인스턴트 메시징 UI를 얹은 것"이자, Skillhub와 같은 운영상의 꼼수가 돋보이는, 본질보다는 제품 디자인에 치중한 도구로 보았다. 하지만 춘절 연휴 중 늦은 밤 설치해 본 경험이 모든 것을 바꿔놓았다. "새벽 2시부터 6시까지 그것과 대화를 나눴습니다." 그녀가 회상했다. "도파민인지 엔도르핀인지 계속 분비되더군요. 너무 흥분돼서 잠을 한숨도 잘 수 없었습니다." 호기심으로 시작했던 일은 3일간의 탐구 여정으로 이어졌다.
첫날은 감성 지능을 확인했다. 시스템은 시간이 늦어지자 그녀에게 잠자리에 들 것을 권유했고, 매 대화 라운드마다 현재 시간을 세심하게 배치한 맥락 설계를 통해 따뜻함을 전달했다. 둘째 날에는 기대치를 훨씬 뛰어넘는 팀 관리 및 조직 구조 설계 능력을 발견했다. 하지만 셋째 날은 결정적이었다. OpenClaw는 몇 주가 걸릴 것으로 예상했던 연구 과제들을 단 한두 시간 만에 완료했다. 여기에는 다중 라운드 상호작용을 시뮬레이션하기 위한 '유저 에이전트(User Agent)' 구축도 포함되어 있었다. "매우 복잡한 에이전트 프레임워크 설계가 모델 자체의 능력 부족을 상당 부분 보완할 수 있다는 것을 처음으로 체감했습니다." 뤄푸리가 설명했다.
기술적 통찰은 핵심적이었다. OpenClaw의 성공은 정교하게 조율된 맥락, 계층적 구조를 갖춘 지속적 메모리 시스템, 약점을 보완하기 위한 다중 모델의 공동 활용, 그리고 현대 모델의 한계를 우회하는 자율적 문제 해결 능력에서 기인했다. "OpenClaw를 사용할 때 저는 모델 자체에는 신경 쓰지 않습니다. OpenClaw 프레임워크 설계 자체가 모델의 결함을 메우기 위해 에이전트의 안무(choreography)를 최대한 활용하려 하기 때문이죠." 그녀가 말했다. 이는 단일 생성 모델의 능력만을 활용하려 했던 Claude Code와는 근본적으로 다른 접근 방식이었다.
강제된 전환: 왜 중국 AI 팀들에게는 선택지가 없었나
뤄푸리는 춘절 연휴 복귀 후 하루 만에 팀 전체가 OpenClaw 대화 100라운드를 달성할 것을 지시했다. 물론 실제 준수 여부를 일일이 확인하지는 않았다고 그녀는 인정했다. 목표는 강제가 아닌 경험의 강요였다. "Mac Mini 몇 대를 구입해 배포하고, 각기 다른 OpenClaw 그룹에 배치했습니다." 그녀가 말했다. "개인의 상상력은 한계가 있습니다. 하지만 다른 사람들이 OpenClaw로 실제로 무언가를 해내는 것을 보면 자신의 상상력도 자극받게 되죠."
이틀 만에 팀은 '들썩이기' 시작했고, 상상조차 못 했던 기능들을 발견하며 단체 대화방이 폭발했다. 3~4주 만에 그들은 "이전이라면 30~40주가 걸렸을" 연구를 끝마쳤다. 효율성 증대는 매우 극적이어서, 뤄푸리는 이제 "길어야 한두 달, 천천히 해도 서너 달이면 배울 수 있는" 환경이 경험보다 더 중요해졌다고 믿는다.
이러한 가속화는 불편한 현실을 만들었다. 중국의 선도적인 팀들은 챗 패러다임을 완성할 것인가, 아니면 에이전트 패러다임의 급진적인 불확실성을 수용할 것인가라는 선택의 기로에 놓였다. "최고 수준의 프로그래밍 경험을 추구한다면, 지금도 Claude Code와 Claude Opus 4.6 조합이 최고입니다." 뤄푸리가 인정했다. "하지만 그것이 코딩 이외의 시나리오에서 높은 정확도와 완결성을 보장한다는 의미는 아닙니다." 주저했던 팀들은 몇 달의 시간을 허비했다.
1T 티켓: 왜 파라미터 규모가 필수 불가결해졌나
뤄푸리는 새로운 진입 장벽에 대해 직설적이다. "에이전트 시대입니다. Claude Opus 4.6 수준의 티켓이 필요합니다." 그녀가 단언했다. "연구, 사전 학습(Pre Train), 사후 학습(Post Train)을 고려하면 3:1:1 비율이 매우 합리적인 카드입니다." 즉, 1T 파라미터 모델의 사전 학습에 컴퓨팅 파워 3을 쓴다면, 사후 학습에 1, 연구에 최소 1을 추가로 투입해야 한다는 의미다.
이는 사전 학습에 압도적인 비중을 두었던 챗 시대의 3:5:1 비율이나 2023~2024년의 극단적인 사전 학습 강조 기조에서 크게 벗어난 것이다. "이제 선도적인 팀들이라면 사전 학습과 사후 학습 비율을 1:1로 맞춰야 합니다." 뤄푸리가 관찰했다. 구조적인 이유 때문이다. 에이전트 작업은 더 긴 맥락, 더 많은 토큰 소비, 그리고 순수 사전 학습만으로는 제공할 수 없는 복잡한 다중 턴 상호작용 조율 능력을 요구한다.
하이브리드 어텐션의 입증: 1년 전의 아키텍처 결정
MiMo V2 시리즈의 기술적 기반은 왜 전략적 확신이 반응적인 개발보다 중요한지를 보여준다. 뤄푸리의 팀은 업계 전체(GLM-5, Kimi의 K2, 딥시크의 V2/V3/R1)가 MLA(Multi-head Latent Attention)를 선택할 때 하이브리드 어텐션(Hybrid Attention)을 선택했다. "챗 시대에는 MLA가 매우 훌륭한 모델 구조인 것이 맞습니다." 그녀가 인정했다. "하지만 에이전트 패러다임에는 적합하지 않다고 봅니다."
문제는 MLA가 당시 가용하던 H 시리즈 칩에 최적화되어 메모리 접근과 연산 사이의 완벽한 임계점을 달성하도록 설계되었다는 점이다. 이로 인해 MTP(Multi-Token Prediction)와 같은 추론 가속 기술을 추가할 여지가 없다. 반면, 슬라이딩 윈도우와 풀 어텐션 레이어 비율을 7:1로 맞춘 하이브리드 어텐션은 의도적으로 연산 여유를 남겨 MTP를 적용할 수 있게 했고, 이를 통해 Flash 모델은 100~150 TPS, Pro 모델은 60~100 TPS를 달성하며 사용자에게 압도적인 속도감을 제공한다.
사후 학습의 숨겨진 복잡성: 왜 대부분의 에이전트 작업은 가짜인가
뤄푸리는 2023년과 2024년 초에 발표된 에이전트 연구들에 대해 혹평을 가했다. "그건 에이전트가 아닙니다. 챗보다 조금 복잡한 맥락일 뿐이죠." 그녀가 일축했다. SWE-bench나 BrowseComp 같은 벤치마크들은 "산업 수준의 가용 능력이 없는" 단순한 프레임워크로 좁은 시나리오만을 테스트했다. 이런 벤치마크로 학습된 모델을 Claude Code나 OpenClaw에 연결하면 "사용할 수 없다는 것을 금방 알게 됩니다. 문제가 너무 많거든요."
진정한 에이전트 사후 학습은 근본적인 변화를 요구한다. 첫째, 다양한 맥락에서 다중 라운드 상호작용을 시뮬레이션할 수 있는 유저 에이전트가 필요하다. 둘째, 이전 커리어에서 다뤘던 퀀트 트레이딩 보상보다 훨씬 불명확한 환경에 대한 보상 시스템을 설계해야 한다. "보상은 명확하지 않고 계속 변합니다." 그녀는 가치관과 의미를 정렬하는 철학적 판단이 끊임없이 요구된다고 지적했다.
조직적 지진: 그룹도, 직급도, 사전-사후 학습의 구분도 없다
가장 파격적인 것은 뤄푸리가 약 100명 규모의 팀을 그룹 구분 없이, 의도적으로 평평한 계층 구조로 운영한다는 점이다. "사후 학습을 하는 사람들이 현재의 중요한 패러다임 변화를 다루려면 다양성의 관점이 필요합니다." 그녀가 주장했다. "많은 사후 학습 인력들이 특정 장면(scene)에 기반해 작업하는데, 이는 시각의 다양성이 부족합니다. 사전 학습자라면 가장 먼저 다양성에 집중해야 하죠."
이로 인해 팀 내 유연성이 자연스럽게 확보되었다. 사전 학습 인력이 사후 학습으로 이동하는 것은 조직적 명령 때문이 아니라 "많은 능력과 특성이 공유되기 때문"이다. 채용 기준은 경험에서 기본 능력, 호기심, 열정으로 바뀌었다. 뤄푸리는 대학 2~3학년생을 적극 채용한다. "그들의 유연함과 적응력은 오염되지 않았습니다. 자연스럽게 업무 회의를 받아들이고 엄청난 가치를 창출하죠."
MTP의 예상치 못한 역할: 부차적인 기능에서 속도 차별화 요소로
MTP는 MiMo 아키텍처에 뒤늦게 추가되었다. "Pro 모델 학습 중반 이후, 하이브리드 어텐션 설계에 상당한 연산 여유가 있다는 것을 깨달았을 때" 도입되었다. "그렇게 많이 남을 줄은 몰랐죠." 뤄푸리가 회상했다. "남은 연산을 효과적으로 활용할 방법을 고민하다 MTP가 적격이라고 판단했습니다."
놀라운 점은 MTP가 사전 학습 강화뿐만 아니라 추론 시 '추론 가속기' 역할을 한다는 것이다. "왜 우리만 추론 시 MTP를 사용할까요? 우리 모델 구조가 자연스럽게 연산 여유를 남겨두기 때문입니다." 하이브리드 어텐션 설계로 확보된 이 구조적 여유 덕분에 MiMo는 MLA 기반 모델들이 연산 한계에 부딪힐 때 100~150 TPS의 속도를 내며 사용자들로부터 "정말 빠르다"는 반응을 이끌어낸다.
AGI 타임라인 가속화: 2026년 내 60~70% 도달
지난 춘절 인터뷰 당시 뤄푸리는 AGI까지 "최소 2년"이 남았다고 생각했다. 이제 그녀는 올해 안에 "최소 60~70%" 수준에 도달할 것이라 믿는다. "2년 내에 충분히 가능할 것 같습니다." 그녀는 AGI를 "대부분의 사람이 스스로를 잃어버리고 기존 업무 방식을 포기하게 되는 지점"으로 정의한다. 업무가 생산적 가치를 만들어내고, 그것이 기존 방식을 잠식하기 시작할 것이기 때문이다.
핵심 변수는 'AI가 AI를 학습시키는 것'이다. 이는 시스템이 최고 수준의 인재들과 대등한 지능에 도달하고 스스로 새로운 연구를 수행하는 능력을 갖추게 되는 "상징적인 노드"다. 2026년의 주요 테마는 "생산성의 전환, 즉 고생산성 시나리오에서의 지속적인 돌파"다. 이는 개인의 영웅적 노력보다는 그룹의 지혜를 통해 지능을 생성하는 긴 임무, 다중 에이전트 협업, 그리고 오케스트레이션을 요구한다.
오픈 소스의 당위성: 분산된 지능을 통한 AGI 가속
뤄푸리는 AGI 종착지에 도달하기 위해 오픈 소스가 필수적이라고 본다. "이 문제를 역으로 추적해 보면 얼마나 많은 칩이 필요한지 알 수 있습니다. 과연 이 칩들이 한 회사에서 생산되고 구매될까요? 그렇지 않습니다. 분산될 것입니다." 칩과 추론 능력이 다양한 제조사와 모델 회사들로 분산된다면, 오픈 소스는 에이전트 프레임워크, 칩 설계, 에너지 시스템을 포함한 전체 생태계의 발전을 견인하는 강제적 기능이 된다.
샤오미의 접근 방식은 대기업임에도 불구하고 기업가 정신을 반영한다. "지금 대기업에서 일한다는 느낌이 들지 않습니다." 뤄푸리가 말했다. "샤오미 전체가 매우 기업가 지향적입니다. 겉모습은 대기업이지만 실제로는 매우 유연한 회사죠." 경쟁 환경은 압축되고 있다. 2023년의 격차가 사전 학습 규모 대 혁신적 아키텍처였다면, 2026년 현재는 에이전트 사후 학습을 중심으로 재편하지 못한 팀들은 영구적으로 뒤처지고 있다. "앞으로 두세 달이 정말 흥미진진할 것입니다." 뤄푸리가 예견했다. 그리고 여전히 과거의 방식으로 에이전트 업무를 수행하는 이들에게 그 흥미진진함은 공포가 될 것이다.