DeepSeek의 mHC, AI 모델 스케일링을 재편할 "획기적 돌파구"

중국의 AI 스타트업 DeepSeek가 2026년 초, AI 모델 학습 방식을 혁신할 수 있는 새로운 연구를 공개했다. Manifold-Constrained Hyper-Connections (mHC) 방법론은 잔차 연결(residual connections)을 확장해 여러 내부 정보 스트림을 생성하는 접근법이다.

핵심 혁신

mHC는 기존의 잔차 연결을 넘어서 모델 내부에 다중 정보 흐름 경로를 만들어낸다. 이를 통해 AI 모델이 더 효율적으로 학습하고 확장될 수 있도록 한다. 업계 분석가들은 이 방법이 모델 아키텍처 설계의 패러다임을 바꿀 수 있다고 평가한다.

산업 영향

DeepSeek의 연구는 AI 모델 스케일링의 비용 효율성을 개선할 가능성을 제시한다. 현재 대규모 언어 모델(LLM)의 학습 비용은 수억 달러에 달하는데, mHC와 같은 혁신은 이 비용을 크게 줄일 수 있는 잠재력을 가지고 있다.

Semi Engineering은 Google의 최근 연구를 인용하며, "LLM 추론 하드웨어를 위한 4가지 아키텍처 기회"를 다루는 등 AI 하드웨어와 소프트웨어의 공동 최적화가 업계의 주요 트렌드로 자리 잡고 있다고 전했다.

연구 맥락

DeepSeek의 mHC 논문은 2026년 2월 현재 arXiv에 공개되어 있으며, 학계와 산업계의 주목을 받고 있다. 이는 2025년 하반기 발표된 Recursive Language Models (RLM)과 함께 LLM 아키텍처 혁신의 중요한 사례로 꼽힌다.

출처: DeepSeek AI Blog, Semi Engineering