바이두, AI 훈련 비용 94% 절감한 '어니(ERNIE) 5.1' 공개

바이두의 새로운 ERNIE 5.1 AI는 유사한 대규모 모델과 비교하여 사전 학습 비용을 94% 절감했습니다. 이는 업계를 지배해 온 자본 집약적 전략에 도전하는 행보이며, 중국의 이 기술 대기업을 비용 효율적인 AI 개발의 리더로 자리매김하게 했습니다.

바이두는 이 기술을 '다차원 탄성 사전 학습(multi-dimensional elastic pre-training)'이라고 설명하며, 처음부터 새 모델을 구축하는 대신 기존 ERNIE 5.0 아키텍처에서 하위 네트워크를 추출하고 압축하는 방식을 상세히 공개했습니다.

이 압축을 통해 전체 파라미터는 기존 모델의 약 3분의 1로 줄어들었고 활성 파라미터는 절반으로 감소했음에도 불구하고, ERNIE 5.1은 LMArena 검색 리더보드에서 1,223점으로 세계 4위를 차지했습니다. AIME26 수학 벤치마크에서는 도구 지원 시 99.6%를 기록하며 구글의 Gemini 3.1 Pro에 이어 2위를 차지했습니다.

나스닥에 상장된 바이두(BIDU)에게 일반적인 수백만 달러의 훈련 비용 중 단 6%만으로 플래그십 성능을 달성한 것은 상당한 경쟁 우위를 제공합니다. 이러한 돌파구는 OpenAI, 구글, 마이크로소프트와 같은 라이벌들에게 직접적인 압박을 가하며, 2025년 딥시크(DeepSeek)의 저비용 추론 모델이 일으킨 시장 파장을 상기시킵니다. 이는 시장 전체가 보다 효율적인 아키텍처로 선회하도록 가속화하고 글로벌 AI 경쟁에서 바이두의 입지에 도움이 될 수 있습니다.

훈련 효율성의 새로운 벤치마크

ERNIE 5.1을 통한 바이두의 접근 방식은 업계에 만연한 '거거익선(bigger is better)' 철학에서 크게 벗어난 것입니다. 처음부터 새 모델을 훈련하기 위해 막대한 컴퓨팅 비용을 지불하는 대신, 회사는 더 큰 모체인 ERNIE 5.0의 지식 베이스를 물려받았습니다. 이러한 효율성 우선 전략은 2025년 딥시크의 R1 모델이 보여준 영향력과 유사합니다. R1은 쿼리당 비용을 98% 낮추면서도 OpenAI의 o1 성능과 맞먹었으며, 이는 엔비디아 시가총액의 6,000억 달러 조정을 촉발한 바 있습니다.

새 모델의 기반 기술은 바이두가 '다중 교사 온-폴리시 증류(MOPD)'라고 부르는 4단계 강화 학습 시스템입니다. 이 시스템은 코드, 추론, 에이전트 작업에 특화된 모델들을 병렬로 학습시켰습니다. 그런 다음 이러한 특화된 기술들을 하나의 통합 모델로 증류했는데, 이는 한 가지 능력을 향상시키면 다른 능력이 저하되는 '시소 효과'를 방지하기 위해 설계된 방법입니다. 마지막 온라인 학습 단계에서는 개방형 대화 능력을 정교화했습니다.

경쟁 구도 및 시장 영향

ERNIE 5.1의 성능은 다른 모든 중국 모델을 앞서며 서구권 경쟁 모델들과 어깨를 나란히 하는 수준에 도달했습니다. 복잡한 다단계 작업에 필수적인 에이전트 능력은 이미 이전 중국 벤치마크인 DeepSeek-V4-Pro를 넘어섰습니다. 전문가 수준의 질문 답변 능력을 측정하는 GPQA 벤치마크에서 ERNIE 5.1은 서구의 주요 폐쇄형 소스 모델들의 성능에 근접했습니다.

중국 검색 시장의 76% 이상을 장악하고 있는 바이두는 이번 성과를 통해 프런티어 모델 훈련 비용의 막대한 부담 없이 서비스를 강화할 수 있게 되었습니다. 회사는 ERNIE 5.1이 이미 AI 롤플레잉 앱부터 숏폼 드라마 생성 도구에 이르기까지 중국 내 10개 이상의 플랫폼에 배포되고 있다고 밝혔습니다.

투자자들에게 경쟁력 있는 성능을 유지하면서 훈련 비용을 획기적으로 낮춘 바이두의 성공은 강세 신호가 될 수 있습니다. 이는 엔비디아와 같은 주식의 랠리를 이끌었던 AI 하드웨어 및 컴퓨팅 수요만이 성공을 위한 유일한 길은 아닐 수 있음을 시사합니다. 바이두는 5월 13~14일 베이징에서 열리는 Create 2026 개발자 컨퍼런스에서 산업용 애플리케이션에 대한 더 자세한 내용을 제공할 예정이며, 이 행사는 바이두의 기업 및 글로벌 확장 전략의 신호를 확인하기 위해 면밀히 주시될 것입니다.

이 기사는 정보 제공 목적으로만 작성되었으며 투자 조언을 구성하지 않습니다.