미국 AI, 중국 오픈 모델에 기대는 역설

미국 AI, 중국 오픈 모델에 기대는 역설

AI 뉴스 썸네일

미국 기업은 가장 강한 폐쇄형 AI 모델을 만들고 있어요. 그런데 미국 개발사가 자유롭게 고치고 소유할 수 있는 오픈 모델을 만들 때는 Qwen과 Kimi 같은 중국 모델에 기대는 일이 늘고 있어요. 폐쇄형 프런티어의 우위가 오픈 모델 생태계의 우위로 곧장 이어지지 않는 이유예요. 1

핵심 요약

구분	핵심	왜 볼 만한가요
오픈 모델 생태계	Qwen 기반 신규 미세조정·변형 모델의 비중이 2024년 1월 1%에서 2026년 2월 69%로 커졌어요	미국 기업도 제품과 연구에 중국 오픈 가중치를 쓰는 구조가 굳어질 수 있어요
학습 경로	중국 오픈 모델의 출력은 후속학습에 쓸 수 있지만 GPT나 Claude 출력은 약관상 같은 방식으로 쓰기 어려워요	미국의 프런티어 능력이 자국 오픈 모델로 직접 이전되기 어려운 규칙 차이가 생겨요
공급망과 보안	오픈 가중치는 로컬 실행과 수정 권한을 주지만 학습 데이터와 숨은 동작까지 보여 주지는 않아요	국방·정보·핵심 인프라는 성능뿐 아니라 모델 출처와 감사 가능성도 따져야 해요

1. 프런티어는 미국이 앞서도 오픈 계층은 다르게 움직여요

Sequoia Capital의 Dean Meyer와 Konstantine Buhler는 미국 AI 산업에 두 개의 상반된 흐름이 생겼다고 짚었어요. GPT와 Claude 같은 폐쇄형 프런티어 모델은 미국 기업이 이끌고 있어요. 반면 기업이 내려받아 수정하고 후속학습할 수 있는 오픈 가중치 영역에서는 중국 모델의 영향력이 빠르게 커졌어요. ATOM 보고서 기준으로 Qwen을 바탕으로 만든 신규 미세조정·변형 모델의 비중은 2024년 1월 1%에서 2026년 2월 69%까지 올랐어요. 2

이 차이는 모델 성능 순위만으로 설명하기 어려워요. 서구 기업은 중국 오픈 모델을 제품의 기반 모델로 쓰고, 더 작은 모델을 가르치는 교사 모델이나 합성 데이터의 원천으로도 활용해요. Thinking Machines가 Inkling을 독립적으로 사전학습한 뒤, 지도 미세조정의 출발점으로 Moonshot의 Kimi K2.5가 만든 합성 데이터를 쓴 사례가 대표적이에요. 중국 모델에서 배울 수 있는 합법적 경로는 열려 있지만 미국 폐쇄형 모델의 출력에는 같은 경로가 막혀 있다는 게 글의 문제의식이에요. 2

증류는 비싼 마지막 구간을 줄여요

사전학습은 폭넓은 지식을 가진 기반 모델을 만들어요. 이후의 후속학습은 코딩, 추론, 도구 사용처럼 제품에 필요한 행동을 다듬어요. 강한 교사 모델의 응답으로 작은 모델을 학습하면 시행착오가 큰 능력 개발의 일부를 더 저렴한 학습 문제로 바꿀 수 있어요.

728x90

중국 오픈 모델의 성장을 증류 하나로 설명하면 곤란해요. 연구진, 연산 자원, 사전학습 품질, 소프트웨어와 하드웨어의 공동 설계도 함께 작용해요. 다만 강한 기반 모델을 프런티어에 가까운 시스템으로 끌어올리는 마지막 구간에서는 교사 모델과 합성 데이터가 비용과 시간을 줄여 줘요. ATOM 보고서는 실제 파생 모델 관계를 추적해 오픈 모델 생태계에서 기반 모델의 영향력이 어떻게 이동했는지 보여 줘요. 3

오픈 가중치와 공급망 독립은 같은 말이 아니에요

오픈 가중치를 내려받으면 특정 버전을 로컬에서 실행하고 수정할 수 있어요. 공급자가 서비스를 중단해도 그 버전은 계속 쓸 수 있어요. 하지만 다음 세대 모델의 공개 여부까지 통제할 수는 없어요. 새 Qwen이나 Kimi가 더 좋은 기반 모델과 합성 데이터 원천이 되는 구조라면, 공개가 멈췄을 때 기존 제품은 작동해도 개선 속도는 늦어질 수 있어요. 2

보안 감사에도 한계가 있어요. 가중치는 학습 결과를 압축한 파일이라 전체 학습 데이터, 데이터 정제 과정, 학습 중 개입을 그대로 드러내지 않아요. 특정 중국 모델에 백도어가 있다는 뜻은 아니에요. 가중치를 확보했다는 사실만으로 숨은 동작이 없다고 입증할 수도 없다는 얘기예요. 소비자용 서비스와 국방·정보·핵심 인프라는 받아들일 수 있는 공급망 위험의 수준이 달라요.

왜 중요한가요

기업이 오픈 모델을 고를 때는 현재 벤치마크 점수만 비교하면 부족해요. 기반 모델의 출처, 다음 버전에 대한 접근 가능성, 합성 데이터의 계보, 보안 감사 범위를 함께 확인해야 해요. 특히 한 공급자의 모델을 교사와 평가 기준으로 동시에 쓰면 제품의 개선 방향까지 그 공급자에게 묶일 수 있어요. 2

원문 저자들은 자격을 확인한 미국과 동맹국 기업에 제한적이고 계량 가능한 교사 모델 접근권을 판매하는 방안을 제안해요. 민감한 생물학·사이버 능력은 제외하고, 최신 프런티어보다 시차를 둔 기능만 허용하며 사용 기록을 감사하는 방식이에요. 이는 확정된 정책이 아니라 Sequoia Capital 투자자들이 제시한 제안이에요. 누가 접근할 수 있는지, 가격은 어떻게 정할지, 경쟁을 해치지 않으면서 안전을 지킬 수 있는지는 별도 논의가 필요해요.

개발팀에는 더 현실적인 질문이 남아요. 지금 선택한 오픈 모델을 다른 계열로 바꾸는 비용이 어느 정도인지, 학습 데이터와 평가셋을 특정 모델에 종속되지 않게 관리하는지 확인할 필요가 있어요. 오픈 가중치 사용권만 확보했다고 장기적인 기술 독립까지 얻는 것은 아니에요.

참고 자료

1. 미국의 오픈 모델 패러독스 — GeekNews
2. America’s Open-Model Paradox — Sequoia Capital
3. The Open Model Initiative: Ecosystem Analysis and Model Lineage — arXiv