---
title: "국내 의료 AI 파운데이션 모델 경쟁 — 루닛 vs 딥노이드, 32B 고도화 레이스"
published: 2026-04-08T19:05:04.524Z
canonical: https://jeff.news/article/1629
---
# 국내 의료 AI 파운데이션 모델 경쟁 — 루닛 vs 딥노이드, 32B 고도화 레이스

루닛이 16B 모델로 임상 실증을 마치고 32B 고도화에 돌입한 가운데, 딥노이드가 H200 GPU 256장을 단독 확보해 멀티모달 32B 모델 'MedZero-32B' 개발에 착수함. 두 기업 모두 구글 메드젬마를 넘어서는 게 목표.

국내 의료 AI 파운데이션 모델 시장에서 루닛과 딥노이드가 32B 모델 개발 경쟁에 돌입함. 같은 목표지만 전략은 완전히 다름.

## 루닛 — 텍스트 기반, 단계적 고도화

- 과기부 '인공지능 특화 파운데이션 모델' 사업 1단계 임상 실증 통과, 2단계 진입
- 카카오헬스케어·SK바이오팜 등 **23개 기관 컨소시엄** 주관
- 1단계: **16B(160억 파라미터)** 의과학 특화 모델 자체 개발
  - 논문·임상기록·약물정보·진료 가이드라인 등 텍스트 중심 학습
  - RAG 기능 + 에이전트 시스템 구축
  - 의학 문헌 이해, 근거 기반 응답 등 5가지 성능 평가 목표 모두 달성
- 일산병원 임상 실증에서 약물 이상반응(ADR) 분석, 응급실 환자 분류 지원 가능성 확인
- 2단계 계획:
  - 모델 **32B로 고도화**
  - 실증 범위를 전국 **9개 의료기관 + 2개 제약사**로 확대
  - 4월 초 **허깅페이스에서 오픈소스 공개**
  - 7월 의과학 해커톤 개최
- 인프라: B200 GPU 256장 확보, 단 23개 기관과 자원 분산 사용

## 딥노이드 — 영상 멀티모달, 속도전

- 과기부 '첨단 GPU 활용 지원 사업' **단독 선정**
- **엔비디아 H200 GPU 256장**(서버 32대) 확보
  - 클라우드 비용 환산 시 **100억원 이상** 규모
  - 컨소시엄 없이 단독 점유
- 목표 모델: **MedZero-32B** (320억 파라미터 멀티모달)
  - X-ray·CT·MRI 등 의료 영상 데이터 중심
  - 약 **1PB** 규모 의료 영상+텍스트 데이터 학습
  - 자체 개발 '래드제로(RadZero)' 멀티모달 인코더 활용
- 중간 단계 없이 처음부터 32B 목표, **연내 완성** 추진
- IRB 승인 거쳐 비식별화된 병원 데이터 활용
- 완성 후 API 또는 오픈소스로 공개 예정

## 전략 비교

- **루닛**: 텍스트 기반 → 16B 검증 → 32B 고도화 (단계적 접근)
- **딥노이드**: 영상 멀티모달 → 바로 32B 직행 (속도전)
- 루닛은 23개 기관과 GPU 분산, 딥노이드는 단일 모델에 GPU 집중

> [!IMPORTANT]
> 두 기업 공통 기준점: **구글 메드젬마(MedGemma)**
> - 2025년 5월 공개, 4B 멀티모달 / 27B 텍스트 전용 / 27B 멀티모달 3개 버전
> - MedQA 벤치마크에서 27B 모델이 **87.7%** 기록 (50B 미만 오픈 모델 최고)
> - 2026년 1월 CT·MRI 지원 강화한 v1.5 업데이트
> - 단, 구글도 임상 적용 가능 수준은 아니라고 인정

---

## 기술 맥락

루닛과 딥노이드가 같은 32B 규모를 목표로 하지만 접근법이 완전히 다른 게 흥미로워요. 루닛은 텍스트 기반으로 먼저 16B를 검증하고 올라가는 방식이고, 딥노이드는 처음부터 영상 멀티모달 32B를 바로 찍겠다는 거거든요.

GPU 할당 구조도 핵심 차이예요. 루닛 컨소시엄은 B200 256장을 23개 기관이 나눠 쓰는 구조라 실질적으로 모델 학습에 쓸 수 있는 컴퓨트가 제한적이에요. 반면 딥노이드는 H200 256장을 단독으로 쓸 수 있어서 학습 속도 면에서는 확실히 유리하거든요. 클라우드 비용 100억원 이상이라는 건 꽤 의미 있는 규모예요.

모델 아키텍처 선택도 중요해요. 루닛은 텍스트 중심 + RAG + 에이전트 조합으로 임상 현장에서 바로 쓸 수 있는 실용성을 먼저 확보하는 전략이에요. 딥노이드의 MedZero-32B는 1PB 규모 영상 데이터를 학습하는 멀티모달 모델이라 학습 난이도 자체가 훨씬 높거든요. 자체 개발한 RadZero 인코더가 얼마나 잘 작동하느냐가 관건이에요.

메드젬마가 기준점이 된 건 당연한 수순이에요. MedQA 87.7%는 50B 미만에서 꽤 높은 숫자고, 구글이 오픈소스로 풀었기 때문에 벤치마크 비교가 투명하게 가능하거든요. 다만 구글 스스로도 임상 적용은 아직이라고 하니, 결국 모델 성능보다는 실제 병원에서의 임상 실증 데이터가 진짜 차별화 포인트가 될 거예요.

루닛이 이미 일산병원에서 ADR 분석, 응급실 분류 같은 실제 임상 태스크를 검증했다는 건 상당히 의미 있어요. 딥노이드는 모델 완성 후에야 이런 검증을 시작할 수 있으니, 속도전에서 이기더라도 임상 데이터 확보에서는 루닛이 선행 우위를 가질 수 있거든요. 의료 AI는 결국 규제 승인과 현장 채택이 최종 관문이라서, 모델 크기보다 실증 결과가 더 중요해질 가능성이 높아요.

## 핵심 포인트

- 루닛: 23개 기관 컨소시엄, 16B 임상 실증 완료 → 32B 고도화 + 허깅페이스 오픈소스 공개
- 딥노이드: H200 256장 단독 확보(클라우드 비용 100억원+), MedZero-32B 연내 완성 목표
- 공통 타겟: 구글 메드젬마 27B (MedQA 87.7%)
- 루닛은 텍스트 기반 단계적 접근, 딥노이드는 영상 멀티모달 직행 전략

## 인사이트

같은 32B를 목표로 하지만 전략이 완전히 다름. 루닛은 컨소시엄+단계적 검증, 딥노이드는 GPU 독점+속도전. 결국 의료 AI는 모델 성능보다 임상 실증 데이터 확보가 진짜 승부처가 될 듯.