THINK CRAFT

CONTACT chihye.noh@thinkcraft.biz

INTRO소개
소개 서랍 보기

노치혜 Chihye Noh

노치혜(Chihye Noh)의 개인 아카이브. AI 시대의 기술 정치학을 고민합니다. 기술 철학, 정치경제학, 민주주의와 자본주의, 거버넌스에 관한 글, 강연, 보고서를 기록합니다.

THINKCRAFT 대표

노치혜 프로필 사진
FIG. CN
이력
  • 기본소득당 여성위원회 위원장 2025.07–2026.09
  • nonce 엔지니어, 커뮤니티·사업개발 2025.02–2026.08
  • DSRV 사업기획 매니저, 미래금융연구소 연구원 2024.05–2024.12
  • 빗썸코리아 사업개발 매니저, 빗썸경제연구소 연구원 2022.04–2023.10
  • 『디지털자산 시대가 온다』 공동 저자

INTERVIEW · FACE DRAWING SEOUL

번역

[2025] 지커 외 「공공 AI 백서」 번역 (2/3) 3~4장 생성형 AI 스택과 공공 AI 프레임워크 (2026.11.14)

펠릭스 지커(Felix Sieker, 베르텔스만 재단), 알레크 타르코프스키(Alek Tarkowski, Open Future), 레아 김펠(Lea Gimpel, 디지털 공공재 연합), 카일린 오즈번(Cailean Osborne, 옥스퍼드 인터넷 연구소)이 2025년 5월 펴낸 「Public AI – White Paper」를 한국어로 번역한 글이다. 분량이 길어 세 편으로 나눠 올린다. 이 프로젝트는 베르텔스만 재단(Bertelsmann Stiftung)의 reframe[Tech] 프로젝트가 의뢰하고 Open Future가 지원했다. 원문 PDF는 Open Future에서 받을 수 있다(DOI 10.11586/2025040). 원문 본문은 CC BY 4.0 라이선스로 공개되어 있으며, 인포그래픽은 CC BY-NC-ND 4.0이라 별도로 싣지 않았고, 원문 쪽수를 적어 두었으니 참고 바란다. 각주의 서지 정보는 원문 그대로 두었다.

다른 번역글은 번역 카테고리에서 볼 수 있다.


3. 생성형 AI 스택

AI 스택 개요

[그림: Figure 4 | Layers of the AI stack (그림 4. AI 스택의 계층), 원문 32쪽 참조]

AI 시스템은 여러 계층으로 쌓인 기술 스택으로 이해할 수 있다. 각 계층은 서로 영향을 주고받으며 서로를 떠받친다. 계층마다 대개 고유한 목적이 있고, 흔히 서로 다른 주체가 만든 여러 구성 요소가 전체 시스템을 만들고 운영하는 데 기여한다. 인터넷을 흔히 기술 스택으로 설명하듯, 이런 모듈식 관점은 AI 개발과 배포에 얽힌 역할, 의존 관계, 협업 형태를 분명히 보여 준다.63

기본 AI 스택은 아래에서 위로 다음 계층으로 이루어진다.

  • 컴퓨트: AI 개발과 배포를 가능하게 하는 물리적, 소프트웨어 인프라를 가리키는 토대 계층이다. 핵심은 AI 모델을 훈련하고 실행하는 데 필요한 대규모 병렬 연산을 처리하도록 설계된 특수 프로세서, 곧 칩이다. 주로 GPU가 여기에 해당한다. 이 칩을 대규모로 쓰려면 두 가지가 꼭 필요하다. 하나는 GPU 성능을 최적화하는 소프트웨어 프레임워크이고, 다른 하나는 GPU를 데이터센터에 통합하는 일이다. 데이터센터에서 GPU는 겹겹이 쌓이고 네트워크로 연결되어 강력하고 확장 가능한 컴퓨팅 시스템이 되며, 이 시스템은 흔히 클라우드 플랫폼을 통해 제공된다.
  • 데이터: AI 개발의 사전학습과 사후학습 단계에 쓰이는 데이터셋의 저장, 처리, 전송을 다루는 계층이다.
  • 모델: AI 모델 자체를 가리키는 계층이다. 각 모델은 아키텍처와 훈련으로 다듬어진 매개변수(가중치와 편향)로 이루어진다. 이런 모델은 보통 클라우드 기반 서비스로 배포된다.
  • 애플리케이션: 이 계층에서 AI 모델은 사용자가 직접 쓰는 시스템과 애플리케이션에 들어간다. 이런 애플리케이션을 돌리려면 추가 연산 능력이 필요한데, 이를 추론 컴퓨트 또는 테스트 시점 컴퓨트(test-time compute)라고 부른다.

공공 AI 개발 경로를 분석하면서 우리는 컴퓨트, 데이터, 모델 계층에 집중한다. 애플리케이션 계층은 다루지 않는다. 이 계층은 여기서 논의하는 핵심 계층의 하류에 있기 때문이다. 공공 AI 애플리케이션이 존재할 수 있는지는 이런 토대 계층의 자원을 조율해 만든 AI 시스템이 얼마나 쓸 수 있고 어떤 능력을 갖추었는지에 달려 있다. 그래서 공공 AI 정책의 요소를 검토할 때 애플리케이션 개발 경로는 핵심 보완 조치로 따로 제시한다.

하드웨어에서 애플리케이션에 이르는 기본 계층 말고도, 다른 중요한 기능을 강조하려고 계층을 더 나누기도 한다. 예를 들어 모질라(Mozilla)는 AI 시스템의 안전을 보장하는 도구와 장치가 중요하다는 점을 드러내려고 자사 AI 스택에 안전장치 계층을 넣었다.64 비슷하게, AI 개발을 이끄는 사람의 재능과 노하우가 없어서는 안 된다는 점을 강조하려고 인재 계층을 덧붙이는 경우도 많다.65

AI 개발에 쓰이는 소프트웨어도 AI 스택 전체를 가로지르는 계층으로 볼 수 있다. 개발자들은 계층마다 독점 솔루션과 오픈소스 솔루션을 두루 쓴다. 컴퓨트 수준에서 소프트웨어는 AI 모델을 개발하고 배포하는 동안 하드웨어 자원을 관리하고 조율하는 데 꼭 필요하다. 소프트웨어는 추상화 계층을 만들어, 개발자가 저수준 하드웨어의 복잡함을 직접 다루지 않고도 연산 능력을 활용하게 해 준다. 예를 들어 엔비디아(Nvidia)의 CUDA는 GPU에 직접 접근하게 해 주고 AI 작업에 맞게 GPU 사용을 최적화한다. PyTorch는 하드웨어의 복잡함을 감추고 고수준 API를 제공해 모델을 효율적으로 개발하게 해 주는 딥러닝 프레임워크다.

데이터 계층에서는 소프트웨어가 데이터의 수집, 처리, 정리를 관리한다. 모델 계층에서는 개발 환경과 함께 훈련, 평가, 미세조정 도구를 제공한다. 널리 쓰이는 오픈소스 라이브러리로는 머신러닝 모델 훈련용 scikit-learn과 PyTorch, 대규모 언어 모델 훈련용 GPT-NeoX, 모델 추론과 서빙용 vLLM, 미세조정용 transformers, 평가용 LM Harness와 lighteval이 있다. 애플리케이션 계층에서 소프트웨어는 API, 모니터링 시스템, 사용자 인터페이스를 제공해 하류 개발자와 사용자가 AI 모델에 접근하고 쓸 수 있게 한다.

소프트웨어 개발은 스택의 모든 계층에 걸쳐 있기 때문에, 소프트웨어만 다루는 공공 AI 개발 경로를 따로 정하기는 어렵다. 그 대신 소프트웨어 개발 지원은 각 경로 안에서 핵심 보완 조치로 다루어야 한다.

아래 절에서는 공공 AI 정책을 설계할 때 스택 모델이 주는 장점을 짚고, 이 모델이 AI 생태계의 권력 집중을 어떻게 드러내는지 살핀다. 이어서 세 핵심 계층인 컴퓨트, 데이터, 모델을 자세히 본다. 이 계층들의 특성은 공공 AI 이니셔티브가 헤쳐 나가야 할 상업 자원 의존을 만들어 낸다. 또한 독립적인 공공 AI 시스템을 만들려는 모든 노력이 고려해야 할 핵심 사항이기도 하다.

AI 스택 개념의 장점

스택 모델은 복잡한 기술을 거버넌스하는 데 쓸모 있는 틀이 될 수 있다. 여기서 거버넌스란 스택의 여러 계층에 통제력을 행사하고, 각 계층의 주체들을 조율해 기술 전체를 활용함으로써 특정 결과를 얻어 내는 일을 말한다. 이런 통제의 대표적 형태는 규제와 자율 규범이며,66 거버넌스의 핵심 질문은 스택의 여러 계층이 서로 어떻게 맞물리는가에 관한 것이다.

이 모델은 공급망 분석과도 잘 맞는다. 특히 하드웨어 수준에서 기술 시스템 안에 의존과 권력 집중이 어떻게 생기는지 드러내 준다.67 권력은 스택의 계층마다 쌓일 수 있는데, 스택 모델은 이런 집중과 그것이 기술 시스템 전반에 미치는 영향을 분명히 보여 준다.

이 관점은 AI 시스템과 다른 디지털 인프라(인터넷, 온라인 플랫폼, 데이터센터 등)의 연결 관계도 보여 준다. 또한 산업계, 정부, NGO, 학계, 공동체 같은 여러 주체가 서로 기대면서 서로에게 영향을 준다는 점도 드러낸다.68

에이다 러브레이스 연구소(Ada Lovelace Institute)의 연구자들은 AI 개발에 자원이 많이 들기 때문에 "하류" 사용자가 대개 거대 AI 기업인 "상류" 공급자에 의존하게 되는 경우가 많다고 지적한다. 이런 역학을 보면 정책 입안자가 AI 스택 전반에서 가치가 어떻게 만들어지고 분배되는지 이해해야 할 필요가 분명해진다.69

상업 주체가 통제하는 스택에서 기업은 흔히 수직 통합을 추구한다. 제3자 구성 요소를 받아들이기보다 스택 전체를 장악하려는 것이다. 이는 독점적 권력으로 이어질 수 있으며, 특히 디지털 플랫폼이나 클라우드 인프라에서 그렇다.70 또 다른 전략은 "보완재를 상품화하는(commoditize the complement)" 것이다. 한 계층에서 독점력을 얻는 한편, 다른 계층에서는 경쟁을 부추겨 그 계층을 상품화하는 방식이다. 사업 관점에서 스택 모델은 어디서 이윤이 나는지 분석하는 방법이 된다. 이때 GPU 같은 의존 관계와, 많은 솔루션이 공개적으로 공유되는 환경에서의 경쟁을 함께 고려한다.71

반면 공공적 접근은 통제가 아니라, 공익 목표를 이루도록 여러 구성 요소와 계층을 조율하는 데 초점을 둔다. 스택이라는 비유에 기반한 계층적 접근은 AI를 더 잘 거버넌스하게 해 준다.72 이 접근은 AI 시스템의 복잡성을 고려하면서 그 상호의존적 성격도 보여 준다. 여러 계층의 의존 관계, 핵심 자원 공유의 이점, 그리고 이것이 모델 개발에 미치는 영향을 함께 살필 수 있게 한다. 예를 들어 스택 전체를 고려하는 정책은 컴퓨트 자원 말고도 여러 문제를 다룰 수 있다. 유럽의 AI 대륙 행동 계획(AI Continent Action Plan)은 이런 "풀스택" 접근의 예다. 연산 능력, 훈련 데이터, 모델, AI 시스템 배포에 관한 조치를 모두 담고 있기 때문이다.73

스택 비유는 공공 AI 전략의 두 가지 핵심 질문에 답하는 데도 도움이 된다. 하나는 완전히 공공적인 AI 스택이 가능한가이고, 다른 하나는 그렇지 않다면 AI 스택 전반에서 어떤 개입이 의존을 최소화하면서 공공 가치를 가장 잘 만들어 낼 수 있는가이다. 5장에서 우리는 이 분석을 바탕으로 공공 AI로 가는 경로를 제안한다.

첫 번째 질문은 주권 AI 전략과 밀접하다. 주권 AI 전략은 국가가 자국 AI 스택을 독립적으로 통제하게 하는 것을 목표로 한다. 이 생각을 강하게 밀어붙이는 곳은 엔비디아다. 엔비디아는 하드웨어 계층에서 지배적 위치에 있으며, 연산 능력을 통제하려는 국가들을 주요 고객으로 삼고 있다.74 주권 AI 프로그램은 원칙적으로 AI 스택 전체를 통제해야 하므로 논란이 매우 큰 개념이다. 파블로 차베스(Pablo Chavez)가 지적하듯 이는 이루기 어렵다. "실제로 AI 주권을 추구하는 대부분의 나라가 하고 있는 일은 젠가 같은 AI 스택을 쌓는 것이다. 이 스택은 변화하는 기술, 시장, 지정학적 조건을 이해하고 대응할 만큼의 통제력과 AI 기술 지식을 주지만, 완전한 통제에는 미치지 못한다."75 다음 장들에서 우리는 주권적 통제를 추구하지 않는 공공 AI의 비전을 내놓는다. 이 비전의 목표는 공공선을 위해 AI 스택 전반의 자원을 조율할 능력을 확보하는 것이다.

AI 스택의 권력 집중

공공 AI 비전은 디지털 주권 자체에 초점을 두지는 않지만, 공익을 위한 AI 시스템을 개발하려면 어떤 형태의 "주권", 곧 AI 스택에 대한 통제가 필요한지라는 질문을 피할 수 없다. 달리 말해 공공 AI는 스택의 여러 계층에 존재하는 권력 집중을 다루어야 한다. 이 계층들에서는 지배적이거나 독점에 가까운 지위를 가진 상업 주체가 핵심 자원을 쥐고 있다. 컴퓨트 계층에서 특히 그렇다. 쓸 만한 대안을 만드는 데 드는 투자 규모가 워낙 커서 그런 통제는 불가능하지는 않더라도 극히 어렵다. 그 결과 AI 시스템이 만들어 내는 가치는 점점 사유화되고, 어떤 경우에는 독점된다. 공공 AI 정책은 이런 흐름을 누그러뜨리려 한다.

시장 집중은 트랜스포머 기반 생성형 AI 모델을 훈련하고 배포하는 데 드는 막대한 비용에서 비롯된다. 최첨단 모델을 훈련하는 비용을 감당할 수 있는 기업은 몇 곳뿐이다. 딥시크(DeepSeek)가 처음에는 AI 훈련의 경제학에 변화를 가져온 것처럼 보였지만, 이후 분석은 그렇지 않다고 보았다.76 GPU를 사들이는 높은 비용에 더해, 충분한 네트워크 인프라를 갖춘 데이터센터를 짓고 하드웨어 구동과 냉각에 드는 전기 같은 운영비를 대려면 큰 투자가 필요하다. 그래서 자체 데이터센터에 막대한 투자를 해야 하는 풀스택 접근을 추구할 수 있는 곳은 아마존, 구글, 메타, xAI, 마이크로소프트 등 가장 큰 AI 기업 몇 곳뿐이다.77 이 가운데 구글과 아마존은 자체 칩(구글의 TPU, 아마존의 Inferentia와 Trainium)을 개발해 완전히 통합된 AI 스택을 갖추었다. 나머지는 여전히 GPU 시장에서 독점적 지위를 가진 엔비디아에 의존한다.

그러나 비용은 훈련에서 끝나지 않는다. 대형 AI 모델을 배포하는 데도 돈이 많이 든다. 사용자 질의를 실시간으로 처리하려면 상당한 컴퓨트 자원을 계속 써야 하기 때문이다. 예를 들어 OpenAI의 ChatGPT는 수천 개의 GPU를 쉬지 않고 돌려야 해서 2023년에 하루 운영비가 최대 70만 달러에 이르렀다고 한다.78

이런 재정 부담 때문에 풀스택 역량이 없는 선도 AI 기업들(OpenAI, 앤트로픽(Anthropic), 미스트랄 AI(Mistral AI) 등)은 아마존 웹 서비스, 마이크로소프트 애저, 구글 클라우드 같은 클라우드 하이퍼스케일러와 제휴를 맺었다. 그 결과 한쪽의 AI 스타트업과 스케일업, 다른 한쪽의 클라우드 하이퍼스케일러 사이에서 자본이 순환하는 구조가 생겼다. 세 클라우드 하이퍼스케일러가 "2023년 신생 AI 기업이 조달한 270억 달러 가운데 무려 3분의 2를 댔다"는 추정이 있고,79 AI 스타트업이 조달한 자본의 대부분, 곧 "초기 라운드에서는 최대 80~90%"가 같은 클라우드 하이퍼스케일러에게 되돌아갔다는 추정도 있다.80

AI 자원과 그 자원이 낳는 재무적 수익이 이처럼 고르지 않게 배분되는 것은 현대 AI 기술의 결정적 특징이다. 이 분야는 AI 시스템의 훈련과 배포에 드는 높은 비용 때문에 자연독점의 특성을 보인다. 이 비용은 연산 능력에 대한 엄청난 수요, 높은 칩 가격, 대규모 데이터셋을 구하고 준비하는 데 드는 노력, 독점 데이터에 대한 제한된 접근, 클라우드 플랫폼 간의 높은 전환 비용에서 나온다. 생성형 AI의 규모의 경제는 "승자가 대부분을 가져가는(winner-takes-most)" 역학을 낳는다. 이 역학은 네트워크 효과와 선점자 이점으로 더 강해진다. 일찍 등장한 대규모 시스템은 사용자가 만든 데이터와 이미 확보한 고객 기반의 덕을 보기 때문이다. 이런 불평등은 특정 관할권에 한정되지 않는 전 지구적 현상이다.81

이런 권력 집중은 무엇보다 컴퓨트 계층에서 일어난다. AI 개발은 세 지배적 클라우드 사업자인 아마존, 마이크로소프트, 구글, 그리고 현재 칩 시장의 압도적 점유율을 가진 엔비디아에 크게 의존한다.82 데이터 계층에서도 선도 AI 개발 연구소들은 대개 자신이 소유하거나 통제하는 플랫폼에서 생성된 독점 데이터에 특권적으로 접근할 수 있다는 이점을 누린다. AI 기업 xAI와 소셜미디어 플랫폼 X의 합병이 이런 흐름을 잘 보여 준다. 두 회사 모두 일론 머스크(Elon Musk)의 소유다.83

이와 밀접하게 관련된 것이 "컴퓨트 격차(compute divide)"의 등장이다.84 소수의 하이퍼스케일러와 이들과 제휴한 AI 연구소를 빼면 대부분의 기업은 AI 개발과 배포에 필요한 컴퓨트를 빌려 써야 한다. 이 비용 때문에 "GPU 부자" 기업과 "GPU 빈자" 기업 사이에 격차가 생겼다.85 비슷한 "컴퓨팅 격차"는 상업 연구소와 학술 또는 비영리 연구 기관 사이에도 있다.86 전 지구적으로는 GPU를 갖춘 데이터센터가 고르지 않게 분포하면서 새로운 형태의 디지털 격차가 생겼다. 이제 나라들은 세 등급으로 나뉜다. 최첨단 AI를 개발할 수 있는 고급 GPU 데이터센터를 갖춘 "컴퓨트 북반구(Compute North)" 국가, 기존 AI를 배포하기에 알맞은 덜 강력한 시설을 갖춘 "컴퓨트 남반구(Compute South)" 국가, 그리고 그런 인프라가 전혀 없어 외국 컴퓨팅 자원에 기대야 하는 "컴퓨트 사막(Compute Desert)" 국가다.87

세계 어디서나 공공 및 비상업 컴퓨팅 자원은 상업 연산 능력에 비하면 아주 적다. 공공 부문은 연구용 슈퍼컴퓨터를 처음 개발하며 일찍 뛰어들었지만, 오늘날 그 투자는 앞서 본 상업 컴퓨트 용량의 성장에 뒤처져 있다. 게다가 공공 슈퍼컴퓨터는 생성형 AI와 관계없는 폭넓은 연구를 지원해야 한다. 그래서 AI 훈련에 최적화되어 있지도 않고, 배포된 AI 시스템에 추론 컴퓨트를 제공하는 데 쓸 수도 없다. 그 결과 비영리 및 학술 이니셔티브조차 이제는 대개 기업 인프라에 기댄다. 공공의 컴퓨트 투자는 재정, 인프라, 생태 측면의 한계에도 묶여 있다.

에이다 러브레이스 연구소가 공공 컴퓨트 이니셔티브를 전 세계적으로 조사한 결과를 보면, 대부분은 혼합형 공급 및 재원 모델에 의존한다. 이들은 민간 부문의 자원과 전문성에 기대면서, 상업 컴퓨트에 대한 공공의 감독을 보장하려 한다.88

세실리아 리캅(Cecilia Rikap)은 가장 큰 AI 기업들이 행사하는 권력이 기술 소유에 국한되지 않기 때문에 통상적인 시장 집중을 넘어선다고 주장한다.89 이 기업들은 다양한 전략을 써서 통제력을 굳히고 다른 이들이 만든 가치를 사유화한다. 벤처 캐피털을 지렛대 삼아 지식과 역량에 우선 접근하고, 클라우드 서비스와 수직 통합으로 입지를 다지며, AI 인재를 끌어가고, 연구 의제에 영향을 미치는 것 등이다.

이런 권력 집중은 공공 AI 인프라를 개발하는 데 큰 도전이 된다. 공공 AI 인프라는 스택의 여러 계층에서 독점 또는 과점 주체에 의존해야 하기 때문이다. 이에 대한 대응으로 두 가지 전략이 나왔다. 하나는 상업 지출에 맞먹는 규모로 데이터센터와 연산 능력에 대규모 투자를 해서 컴퓨트 계층에서 독립을 꾀하는 전략이다. 그러나 이 경우에도 엔비디아가 독점적 지위를 굳히고 있는 탓에 그 회사의 GPU에 기댈 수밖에 없다. 다른 하나는 컴퓨트 계층의 의존을 받아들이고, 대신 모델 계층과 공공 모델 위에 세우는 애플리케이션 개발에서 독립을 꾀하는 전략이다. 공공 AI로 가는 이런 경로는 5장에서 더 자세히 다룬다.

스택 주요 계층의 특성

다음 절들에서는 AI 스택의 세 핵심 계층인 컴퓨트, 데이터, 모델에 있는 핵심 자원과 인프라의 특성을 더 자세히 설명한다. 공공 AI 정책을 설계할 때는 이런 특성을 고려해야 한다.

컴퓨트

널리 받아들여진 정의가 없는 상황에서 "컴퓨트"는 성능 지표를 뜻하기도 하고, 이 계산을 수행하는 물리적 하드웨어, 곧 반도체를 뜻하기도 한다.90 성능 지표로서 컴퓨트는 초당 계산 횟수나 부동소수점 연산 횟수(FLOPs)로 측정한다. 영국 정부는 컴퓨트를 "일상적인 컴퓨터의 능력을 넘어서는 계산 작업을 처리하기 위해 처리 능력, 메모리, 데이터 저장소, 네트워크를 대규모로 결합한 컴퓨터 시스템"으로 정의한다.91

OpenAI의 2018년 분석에 따르면, AI 훈련에 쓰인 연산 능력은 "딥러닝 시대"가 시작된 2012년 이후 30만 배 늘었다. 머신러닝 시스템의 훈련 실행 120건을 분석한 Epoch.ai의 후속 연구는 최근 몇 년 동안 해마다 4배씩 늘었다는 사실을 발견했다. 지난 수십 년 사이 가장 빠른 기술 확장 가운데 하나다. 전체적으로 훈련 컴퓨트는 2010년 이후 무려 100억 배 커졌다.92

그러나 앞으로 규모를 더 키우는 데는 네 가지 핵심 제약이 있다. 에너지 소비, 칩 제조, 데이터 가용성, 그리고 AI 훈련에 내재한 속도 한계다.93

컴퓨트가 무엇을 포함하는지, 생성형 AI 개발에서 어디에 병목이 생기는지 더 잘 이해하려면 이 계층을 세 핵심 구성 요소로 나누어 보면 좋다. 첨단 칩(주로 GPU), 그리고 이 칩을 대규모로 쓰는 데 필요한 두 요소인 칩을 효율적으로 쓰게 해 주는 특수 소프트웨어와 GPU를 네트워크로 엮어 대규모 컴퓨팅 시스템을 만드는 데이터센터다.

첨단 칩

칩, 곧 반도체는 오늘날 쓰이는 기술 하드웨어 가운데 가장 중요한 것으로 꼽을 만하다. 칩은 모든 디지털 기술의 토대이고 대부분 경제 활동의 뼈대 구실을 한다. AI 모델을 훈련하고 배포하는 데는 흔히 수조 번의 계산이 들어가는 막대한 연산이 필요한데, 이는 칩 하나하나에 새겨진 수십억 개 트랜지스터의 작업을 조율하는 현대 칩의 능력에 달려 있다.

칩은 두 범주로 나뉘며, 범주마다 공급망, 생산 요건, 전략적 의존 관계가 다르다.

  • 메모리 칩은 데이터를 저장하고 데이터에 접근할 수 있게 한다. 이는 고성능 AI 작업에 꼭 필요하고, 모든 계산 작업의 전제 조건이다.
  • 로직(또는 처리) 칩은 CPU, GPU, 그리고 TPU 같은 특수 칩을 포함하며 계산을 수행한다.

AI의 빠른 발전은 주로 특수 로직 칩의 개선이 이끌었다. 기존 CPU는 AI 훈련에 너무 느렸기 때문에, 원래 그래픽 렌더링용으로 개발된 GPU를 이 목적에 맞게 바꾸고 최적화했다.94

칩을 돌리는 소프트웨어 프레임워크

특수 소프트웨어의 역할을 아는 것은 매우 중요하다. 이 소프트웨어는 하드웨어와 인프라를 잇는 다리 구실을 하며, 생성형 AI 생태계에 지금 나타나는 권력 집중의 상당 부분을 설명해 준다.

AI 모델을 훈련하고 배포하는 데 GPU를 효과적으로 쓰려면 특수 소프트웨어 프레임워크와 도구가 필요하다. 잘 알려진 예로 엔비디아의 CUDA(Compute Unified Device Architecture)와 AMD의 ROCm(Radeon Open Compute)이 있다. 특히 CUDA는 GPU 가속 컴퓨팅의 업계 표준이 되었고 일찍부터 선점자 이점을 얻었다. 2007년에 나온 CUDA는 개발자가 AI 훈련과 배포에 핵심적인 범용 작업에 GPU의 병렬 처리 능력을 활용할 수 있게 해 준다.95

CUDA의 중요성은 2012년 AlexNet 개발 때 특히 분명해졌다. 이 프레임워크 덕분에 신경망을 훈련할 수 있었고, 계산 시간이 몇 주에서 몇 시간으로 줄었다.96 오늘날 메타와 구글이 각각 오픈소스로 공개한 PyTorch와 TensorFlow 같은 주요 딥러닝 프레임워크는 CUDA와 깊이 통합되어 있어, 경쟁 플랫폼이 자리를 잡기 어렵다. 언론은 주로 엔비디아의 GPU를 조명하지만, CUDA도 엔비디아에게 그만큼 강력한 경쟁 "해자"다.

반면 AMD가 개발한 ROCm은 비슷한 기능을 제공하도록 설계된 오픈소스 대안이다. ROCm은 다양한 프로그래밍 모델을 지원하고 개방형 플랫폼을 제공하지만, CUDA만큼 널리 채택되지는 못했다. 엔비디아가 개발자 생태계에 대규모로 투자한 덕분에 CUDA는 대부분의 AI 연구자와 기업이 선호하는 사실상의 표준으로 굳어졌다.97 이 독점 네트워크의 인기는 AI 개발에 큰 의존을 낳는다.

데이터센터

데이터센터는 컴퓨팅, 저장, 네트워크 인프라를 제공하는 복합 시설이다. 데이터센터가 있기에 GPU는 대규모로 쓸 수 있는 컴퓨팅 자원으로 통합된다. 여기에는 GPU뿐 아니라 네트워크 인터페이스와 그 밖의 하드웨어 요소도 포함된다. 저장 인프라는 AI 학습에 필요한 방대한 데이터셋을 담고, 네트워크 인프라는 데이터센터 안의 시스템 구성 요소를 연결하고, 컴퓨트 노드 사이에 데이터를 옮기며, 시설을 최종 사용자와 전 세계 클라우드 네트워크에 잇는다.98

데이터센터를 짓고 운영하는 데 드는 비용은 막대하다. 하드웨어, 에너지와 냉각 시스템, 네트워크 인프라, 인력이 모두 들어간다. 최첨단 데이터센터는 수만 개의 고성능 GPU로 돌아가며, 이 GPU는 주로 엔비디아(Nvidia)가 공급한다. 예를 들어 xAI가 대규모 언어 모델 그록(Grok)을 학습시키려고 2024년에 구축한 AI 학습 클러스터는 같은 종류 가운데 손꼽히는 규모로, 엔비디아 H100 GPU 10만 개로 시작해 그해 말 20만 개로 늘었다.99 이런 투자에는 수십억 달러가 드는 것으로 추산되며, 이 회사는 이를 위해 60억 달러를 조달한 것으로 알려졌다.100

데이터

데이터는 AI 시스템에 결정적인 자원이다. 현대 AI의 발전은 방대한 양의 데이터가 인터넷에 디지털 형태로 쌓이고 나서야 가능해졌다. 여기서 데이터라는 말은 모든 종류의 정보, 콘텐츠, 데이터 출처를 아우르는 포괄적인 용어로 쓰인다. AI 학습이 대규모로 데이터를 쓰는 파괴적인 새 용도로 떠오르면서, 최근 몇 년 사이 접근과 이용에 관한 규칙과 규범이 달라졌다. 이 때문에 저작권을 둘러싼 오래된 논쟁이 다시 불붙었고, 공정한 데이터 이용에 대한 우려와 소수의 지배적인 상업 AI 기업이 데이터를 착취할 위험에 대한 우려가 새로 생겨났다.

현재의 AI 스케일링 패러다임에서는 더 뛰어난 모델을 만들려면 점점 더 큰 데이터셋이 필요하다. 처음에는 개발자들이 접근할 수 있는 데이터를 최대한 끌어다 썼기 때문에 개발 과정에 끝이 없어 보였다. 하지만 오늘날 데이터는 점점 유한한 자원으로 여겨진다. Epoch.ai의 연구자들은 2026년에서 2032년 사이에 "인간 데이터 정점(peak human data)"의 순간이 올 수 있다고 예측한다. 이때가 되면 데이터 부족 때문에 현재 패러다임 안에서는 더 이상 성능을 끌어올리지 못할 수도 있다.101 데이터 출처 이니셔티브(Data Provenance Initiative)의 연구도 AI 개발에 데이터가 쓰이는 데 대응해 여러 주체가 자신이 웹에 게시하는 콘텐츠의 이용 가능성을 줄이는 조치를 취하고 있음을 보여 준다.102

AI 시스템 개발은 데이터와 관련해 역설에 부딪힌다. 데이터는 넘쳐나면서 동시에 부족하다. 한편으로, 웹 전체의 콘텐츠가 지배적인 상업 생성형 모델 모두를 학습시키는 기초 자원이 되었고 그 개발자들이 이를 공짜로 썼다는 사실은 데이터가 풍부하다는 증거다. 다른 한편으로, 이용 가능한 데이터의 상당 부분은 여전히 독점적이다. 가장 큰 상업 AI 기업들에게는 제한된 독점 데이터에 접근할 수 있다는 점이 핵심 경쟁 우위가 된다. 이런 데이터는 흔히 같은 기업이 운영하는 소비자 대상 디지털 플랫폼에서 쌓인다.103 다른 이들에게는 이런 고품질 데이터에 접근하지 못한다는 것이 큰 경쟁 열위가 된다.

AI 학습을 위한 데이터 출처

AI 학습의 맥락에서 데이터와 데이터셋을 이야기할 때는 데이터가 하나로 균질한 개념이 아니라는 점을 알아야 한다. 생성형 AI 모델은 다양한 출처의 데이터로 학습하며, 이 데이터는 접근성, 라이선스, 구조, 민감도에 따라 나눌 수 있다.

가장 중요한 범주는 접근성이며, 비공개(독점) 데이터, 공개 데이터, 개방적으로 공유되는 데이터를 구분해야 한다. 비공개 데이터에는 보통 지배적인 온라인 플랫폼을 소유하고 지금은 생성형 AI 모델을 만들고 있는 기업(예: 메타, 구글, 마이크로소프트, AWS)이 모은 사용자 생성 콘텐츠가 들어간다. OpenAI나 앤트로픽(Anthropic) 같은 기존 AI 기업도 자사 챗봇이 만들어 낸 데이터를 쓸 수 있다. 공개 데이터는 개방된 인터넷의 콘텐츠로, AI 기업이 직접 수집(스크래핑)하거나 커먼 크롤(Common Crawl)과 그 파생 데이터셋 같은 형태로 모인다. 마지막으로 위키미디어(Wikimedia)의 데이터처럼 개방 라이선스가 적용된 데이터는 품질이 좋고 학습에 써도 법적으로 확실하다는 점에서 개발자들이 높이 평가한다.

데이터는 여러 형태로 존재하며, 형태마다 적용되는 법적 틀이 다르고 그에 맞는 거버넌스가 필요하다. AI 학습에 데이터를 쓰면 저작권 문제가 생기는 일이 많고,104 그래서 창작자, 출판사, 권리자가 주요 AI 기업을 상대로 제기하는 주목받는 침해 소송이 늘고 있다. 이 소송들은 특히 공정 이용(fair use) 원칙에 따라, 저작물을 명시적 허락이나 라이선스 없이 AI 학습에 어디까지 쓸 수 있는지를 묻는다.

일부 AI 연구소가 허락 없이, 어쩌면 법을 어기면서 데이터를 썼다는 증거도 늘고 있다. 주요 AI 기업이 얽힌 여러 소송이 이를 보여 준다. 예를 들어 해적 사이트에서 가져온 책 18만 3,000권이 담긴 Books3 데이터셋은 2022년에 나온 초기 세대 모델의 학습에 쓰였다.105 권리자들의 압력으로 결국 이 데이터셋의 사용은 중단되었지만, 메타는 2024년까지도 비슷한 해적 저장소인 LibGen으로 모델을 학습시킨 것으로 보도되었다.106 2025년에는 해적판 책과 연구 논문을 모아 놓은 애나스 아카이브(Anna's Archive)가 딥시크(DeepSeek)를 비롯한 AI 기업들에 자기 데이터베이스 접근 권한을 주었다고 발표했다.107 이런 사례는 데이터 이용에 관한 한 AI 학습이 법적 회색 지대에서, 때로는 법의 테두리 밖에서 이루어지는 일이 많다는 것을 보여 준다.

생성형 AI 학습을 규율하려고 여러 저작권 제도가 도입되었다. 가장 대표적인 것은 2019년 디지털 단일 시장 지침(Digital Single Market Directive)에 따른 유럽연합의 텍스트·데이터 마이닝 예외로, 상업적 학습에 대한 옵트아웃(opt-out) 조항을 포함한다. 그러나 이런 제도를 어떻게 해석하고 집행할지는 여전히 분명하지 않고, 영국에서 옵트아웃을 두고 벌어지는 정책 논쟁에서 보듯 점점 더 많은 이의가 제기되고 있다.108

그 밖의 학습 데이터로는 개인 데이터(개인정보 보호법의 적용을 받음)와, 산업·익명화·통계·행정 데이터셋 같은 비개인 데이터가 있다. 모든 종류의 데이터에 일반 원칙을 적용할 수는 있지만, 데이터 공유에 "모두에게 맞는 하나의" 방식은 없다. 데이터를 어떻게 공유하고 접근할 수 있는지, 그리고 얼마나 "개방"될 수 있는지를 결정하는 가장 중요한 두 요소는 저작권과, 프라이버시 또는 개인 데이터에 대한 권리다.

AI 학습 데이터셋에 관한 지금의 공론은 사전학습 데이터에만 초점을 맞추는 경우가 많다. 저작권법과 데이터 거버넌스 법은 공개된 인터넷 데이터를 학습 데이터셋에 재사용할 수 있게 하되 착취는 막는 균형을 찾으려 한다. 그러나 AI 개발자들 사이에 흔한 시각, 곧 데이터는 자유롭게 쓸 수 있는 원자재라는 생각과, 그 데이터를 만들고 관리하는 사람들의 관점 사이에는 긴장이 있다.

사후학습 단계에서 쓰는 데이터셋의 역할이 점점 커지고 있다는 점도 짚어 둘 필요가 있다. 예를 들어 RLHF에 기반한 방법에는 인간의 선호에 관한 데이터가 필요한데, 보통 생성형 AI 프롬프트와 응답의 묶음이다. 새로운 유형의 추론 모델은 모델이 지시를 따르고, 문제를 풀고, 결과를 평가하도록 돕게 설계된 데이터셋에 기댄다.109 이런 종류의 학습이 점점 중요해지는 만큼, 공론장에서도 이런 데이터셋의 제공과 거버넌스를 다뤄야 한다. 이런 데이터셋은 만들어지는 방식이 다른 경우가 많고, 같은 법적 우려를 낳지도 않는다.110 첫째, 미세조정(fine tuning) 데이터셋은 대개 특정 분야나 응용에 맞춰져 있어서 그 맥락에 맞는 거버넌스가 필요하다. 생성형 AI의 핵심 분야 가운데 상당수, 예컨대 의료와 금융은 민감한 데이터에 의존한다. 둘째, 모델 성능을 평가하는 벤치마크는 핵심 도구이며, 사전학습 데이터와 달리 디지털 공공재로 개발하고 공유할 수 있는 경우가 많다. 표준화된 벤치마크가 생성형 AI 개발의 방향을 잡아 주기 때문에, 벤치마크는 개방된 접근과 건전한 거버넌스로 득을 본다. 다만 일부 경우, 특히 보안 관련 벤치마크에서는 개방성이 제한될 수 있다.111

합성 데이터

생성형 AI 모델이 만들어 낸 합성 데이터는 AI 개발에 점점 더 많이 쓰이는 독특한 범주의 데이터이며, 그 나름의 거버넌스 과제를 안고 있다. 인공적으로 만들어지기 때문에 빠르고 싸게 생산할 수 있다. 지식재산권 제한을 받지 않고, 프라이버시를 비롯한 권리 관련 문제도 대개 피해 간다. 예를 들어 프라이버시를 보호하려고 실제 환자 데이터 대신 합성 건강 데이터를 쓸 수 있다. 일반적으로 합성 데이터는 실제 세계의 패턴을 반영하면서 프라이버시를 지키거나 편향을 줄이는 데 쓰일 수 있다. 마이크로소프트의 소형 언어 모델 Phi 계열처럼 전적으로 합성 데이터로만 학습한 모델도 있다.112 최근에는 모델 증류(model distillation)라는 새로운 모델 개발 패러다임이 합성 데이터 학습과 비슷한 방식을 쓴다. 이 패러다임에서는 "교사" 생성형 AI 모델이 출력을 만들고, "학생" 모델이 그 출력을 따라 하도록 학습한다. 그래서 원래의 사전학습 데이터에 접근할 필요가 없다.

일부 연구자는 합성 데이터의 잠재력, 특히 AI 학습 과정에서 개인 데이터를 보호하는 능력을 낙관한다.113 반면 관련 위험을 경고하는 연구자도 있다. 가장 두드러진 것은 모델 붕괴(model collapse)로, 모델이 실제 데이터가 아닌 합성 데이터로 학습할 때 성능이 떨어진다는 가설이다.114 합성 데이터 사용은 여전히 논쟁거리이며, "모델 붕괴" 가설의 타당성에 대해서도 다른 연구자들이 의문을 제기했다.115 웹에 생성형 AI 콘텐츠가 늘어나는 것이 웹 콘텐츠로 AI 모델을 사전학습하는 데에도 영향을 줄지는 분명하지 않다. 그리고 합성 데이터는 아마도 일부 과제(책임 있는 AI 학습 같은)에는 도움이 되겠지만, 더 뛰어난 모델을 학습시킬 만큼 다양하고 복잡한 데이터가 부족하다는 문제 같은 다른 과제는 넘어서지 못할 것이다.

모델

생성형 AI 모델은 주어진 유형의 입력을 주어진 유형의 출력으로 처리하도록 학습된 통계 모델이다. 모델의 핵심은 다음 두 가지로 이루어진다.

  • 아키텍처(예: 신경망, 트랜스포머, 확산 네트워크)
  • 파라미터(곧 학습을 거쳐 최적화된 가중치와 편향)

생성형 AI 분야에서 모델은 주로 트랜스포머 아키텍처나 그 변형 위에 세운 신경망이다.116

이어지는 부분에서는 여러 유형의 모델과 그 개발 경로를 개관한다. 파운데이션 모델, LLM, 소형 모델의 차이를 설명하고, 모델을 파생시키는 여러 방법을 자세히 살펴본다. 기존 모델이 개방적으로 공유된다면 그것으로부터 새 모델을 파생시킬 수 있고, 이는 협업과 자원 공유의 생태계를 북돋는다.

현재 생성형 AI 모델을 분류하는 일관된 유형론은 없다. 파운데이션 모델, 범용 AI, 대규모 언어 모델, 소형 언어 모델 같은 용어가 여러 유형의 모델을 가리키는 데 흔히 쓰이며, 대개 파라미터 크기로 구별된다.

파운데이션 모델

스탠퍼드대학교 파운데이션 모델 연구센터(Center for Research on Foundation Models)의 정의에 따르면, 파운데이션 모델은 "대규모의 폭넓은 데이터로 학습되어 다양한 다운스트림 작업에 맞게 조정할 수 있는" 모델이다.117 이 모델들은 트랜스포머 패러다임의 AI 개발을 대표하며 막대한 컴퓨트와 데이터 자원을 필요로 한다. 범용 능력을 갖추고 있어서 더 전문화된 모델을 개발하는 바탕이 될 수 있다. 이렇게 쉽게 조정할 수 있기 때문에 파운데이션 모델은 인프라적 특성을 지닌 범용 기술로 기능한다.118 유럽연합의 AI 법(AI Act)이 도입한 범용 AI라는 법적 개념도 이 생각에 바탕을 두며, LLM이라는 용어도 대개 같은 유형의 모델을 가리킨다. 파운데이션 모델이 꼭 멀티모달인 것은 아니지만, 멀티모달 능력을 갖춘 파운데이션 모델이 늘고 있다. 예를 들어 OpenAI의 GPT-4는 텍스트와 이미지를 모두 처리할 수 있는 파운데이션 모델이다.

소형 모델

소형 언어 모델과 소형 비전 모델을 포함한 소형 모델은 LLM을 대신하는 작고 효율적인 모델로, 성능과 자원 요구 사이의 균형을 맞추도록 설계된다.119 크기는 보통 수백만에서 수십억 파라미터로, 수천억 개를 담기도 하는 대형 모델과 대비된다. 소형 모델이라는 말은 대개 요약이나 분류 같은 개별 작업을 수행하는 BERT 같은 작업 특화 모델에는 쓰지 않는다. 이런 모델이 여전히 산업용 AI 응용의 큰 몫을 차지하는데도 그렇다. 소형 모델도 큰 모델처럼 대개 트랜스포머 아키텍처에 기반하며, 처음부터 학습시키거나 증류, 가지치기(pruning), 양자화 같은 기법으로 파운데이션 모델에서 파생시킬 수 있다. 소형 모델은 효율성, 접근성, 맞춤화에서 장점이 있어서 자원이 제한된 기기, 엣지 컴퓨팅 환경, 특정 분야 응용에 배치하기에 알맞다. 연산 능력과 메모리가 덜 필요해 다양한 이해관계자가 더 널리 도입할 수 있으면서도, 목표한 용도에서는 강한 성능을 유지한다.

개방형 모델

개방형 모델(open model)은 아키텍처와 학습된 파라미터(곧 가중치와 편향)를 오픈소스 라이선스로 공개한 AI 모델이다.120 2021년 EleutherAI가 OpenAI의 GPT에 대한 개방형 대안으로 GPT-Neo를 공개한 이래,121 AI 연구자와 개발자가 개방형 모델을 공개하는 일이 점점 흔해졌다. 예를 들어 2023년에는 파운데이션 모델의 66%가 개방형 모델로 공개되었고, 허깅 페이스 허브(Hugging Face Hub)에는 150만 개가 넘는 모델이 올라와 있다.122

그러나 현재 AI 모델의 개방형 공개에는 표준 방식이 없으며, 이른바 개방형 모델 상당수가 오픈소스 소프트웨어 개발에서 확립된 규범에 비해 큰 제약을 안고 있다. 학습 데이터를 공개하지 않거나, 제한적인 라이선스를 쓰거나, 상업적 이용을 금지하는 식이다. "오픈소스 모델"이라는 표현은 흔히 생성형 AI의 맥락에서 전통적인 오픈소스 기준을 희석하는 오픈워싱(open-washing) 시도로 여겨진다.123

최근 몇 년 사이 무엇이 개방형 모델인지를 더 정확히 정의하려는 노력이 이어졌다. 이는 AI 모델을 관리하고 공유하는 표준화된 방법을 만들기 위해 꼭 필요한 단계다. 생성형 AI 커먼즈(Generative AI Commons)의 모델 개방성 프레임워크(Model Openness Framework)124와 모질라 재단(Mozilla Foundation)의 파운데이션 모델 개방성 프레임워크(Framework for Openness in Foundation Models)125 같은 틀은 모델 아키텍처와 파라미터를 넘어서는 구성 요소를 최대 16개까지 꼽는다. 여기에는 코드 구성 요소(학습, 평가, 추론용), 데이터 구성 요소(학습, 사후학습, 평가용), 문서(모델 카드, 데이터셋 카드 등)가 포함된다.

바르셀로나 슈퍼컴퓨팅 센터(Barcelona Supercomputing Center), 앨런 AI 연구소(Allen Institute for AI), EleutherAI 같은 몇몇 연구소와 비영리 이니셔티브는 학습된 파라미터, 코드, 데이터, 문서를 포함한 모델의 모든 구성 요소를 자유·오픈소스 라이선스로 공개해 오픈소스 AI의 기준을 더 높이려 한다.

주요 AI 기업 대부분은 모델을 비공개로 두고 상업용 API로만 접근하게 하지만, 메타는 모델 개방 전략을 택했다. 그러나 메타의 모델은 자체 라이선스가 부과하는 제약 때문에 일반적으로 받아들여지는 오픈소스 기준에 못 미친다.126 미스트랄(Mistral), 딥시크, 코히어(Cohere) 같은 다른 AI 기업도 개방형 모델을 공개했다. 최근 몇 달 동안 딥시크는 상업적 목표와 오픈소스 사명을 결합한 AI 연구소의 가장 강력한 사례로 꼽힌다.

개방형 모델은 모델 파생을 가능하게 하고, 이를 통해 규모에서 오는 이점을 넘어서는 이점을 지닌 더 작고 전문화된 모델을 만들 수 있다. 딥시크가 이를 보여 주었다. 딥시크 연구자들은 DeepSeek-R1 모델(파라미터 6,710억 개)의 추론 능력을 15억에서 700억 파라미터 규모의 더 작은 모델들로 증류했다. R1이 허깅 페이스 플랫폼에 공개되고 일주일 만에 500개가 넘는 파생 버전이 공유되었고, 대부분은 양자화된 모델이었다.127 이 파생 모델들 가운데 눈여겨볼 것은 Perplexity.ai가 만든 오픈소스 파생 모델로, 원래 중국 모델의 "검열을 해제"했다.128

여러 AI 개발 프로젝트를 지식, 구성 요소, 또는 모델 전체의 공유에 뿌리를 둔 더 넓은 생태계의 일부로 보는 것이 유용하다. 이런 협업 방식의 요소는 주요 상업 연구소를 포함해 AI 지형 곳곳에서 찾아볼 수 있다. 동시에 오픈소스 AI에 헌신하고 신뢰할 수 있는 AI 또는 책임 있는 AI에 뜻을 같이하는 팀들로 이루어진, 더 좁게 정의된 생태계도 생겨났다.129 분산형 개발 노력과 빅사이언스(Big Science) 프로젝트 같은 AI 협업체는 생태계 구축의 가장 강력한 사례에 속한다.130 성숙한 AI 개발 생태계에는 상호운용성과 데이터 공유 표준, 벤치마크, 책임 있는 AI 개발을 위한 모범 사례, 거버넌스 프레임워크도 포함된다.131

4. 공공 AI 프레임워크

이 절에서는 공공 디지털 인프라라는 더 넓은 개념을 바탕으로 공공 AI의 정의를 제안한다. 공공 AI를 정의하고 그 발전을 뒷받침할 정책을 제시한 기존 문서 세 편도 함께 참고한다.

디지털 인프라의 공공성을 따지는 기준은 막연한 공익 개념에 머물러서는 안 된다. 공공 가치가 어떻게 만들어지는지에 대한 분명한 이해에 기대야 한다. 공공 디지털 인프라의 정의는 세 가지 핵심 특성, 곧 속성, 기능, 통제 형태를 짚어 냄으로써 이 일을 해낸다.

앞 절에서 설명한 AI 스택 프레임워크와 이 공공 디지털 인프라 정의를 결합해, 우리는 공공 속성, 공공 기능, 공공 통제가 AI 스택의 각 층위에 어떻게 적용될 수 있는지를 살펴 공공 AI를 정의하는 접근을 제안한다. 아울러 공공 AI가 비공공 자원, 특히 칩과 컴퓨트 층위의 자원에 의존할 수 있다는 사실을 반영해 공공 AI 공개의 단계적 스펙트럼도 제시한다.

공공 디지털 인프라라는 개념

공공 디지털 인프라는 공공 속성과 공공 기능, 그리고 다양한 형태의 공공 통제를 결합해 공공 가치를 최대화하도록 설계된 디지털 인프라다.132 이 개념은 디지털 공공 인프라(digital public infrastructure, DPI)와 관련이 있지만, 핵심 디지털 플랫폼과 커뮤니케이션 서비스의 대안을 제공하는 데 초점을 둔다.133 이런 인프라는 공익을 증진하고 공공 가치를 최대화한다는 목표 아래 구축되고 운영된다. 소수에게 권력을 집중시키고 그 대가를 다수에게 떠넘기는 착취적 솔루션과는 대조된다.

오픈 퓨처(Open Future)가 제안한 이 정의는 UCL 혁신·공공목적연구소(UCL Institute for Innovation and Public Purpose, IIPP) 연구자들의 선행 작업을 바탕으로 한다. 인프라가 어떻게 공공 가치를 만들어 낼 수 있는지를 설명함으로써 이런 인프라의 공공적 성격을 더 정확히 정의하려는 것이다. "'공공'이 무엇을 뜻하는지를 이렇게 복합적으로 풀어 보는 작업[...]"의 목표는 "논의의 초점을 인프라의 기술적 측면(곧 무언가를 디지털로 만드는 일)에서 사회적 의미(곧 무언가를 공공의 것으로 만드는 일)로 옮기는 것"이다.134

IIPP 보고서는 공공 디지털 인프라의 특성 가운데 앞의 두 가지에 집중한다. 공공 속성은 인프라의 접근성, 개방성, 상호운용성을 가리킨다. 이 특성들은 대개 개방형 라이선스나 상호운용 장치를 통해 누구나 제한 없이 접근할 수 있게 하는 것을 목표로 한다.

인프라의 공공 기능이란 인프라가 시장 기반 재화나 서비스의 대체 공급자 역할에 그치지 않고 공공의 목표에 이바지한다는 뜻이다. 이런 목표에는 시민 참여를 가능하게 하는 일, 공동체와 사회적 관계를 키우는 일, 경제 활동을 북돋는 일, 삶의 질을 높이는 일, 필수 역량을 확보하는 일 등이 포함될 수 있다. 공공 인프라는 흔히 공공재, 곧 순수한 시장 가치가 아닌 사회적 가치를 지닌 자원을 만들어 낸다. 브렛 프리시먼(Brett Frischmann)은 그런 공공재의 예로 연구를 든다.135 인프라의 공공 기능은 시장 행위자가 남긴 공급 공백을 메우는 일을 동반하는 경우가 많다.

마리아나 마추카토(Mariana Mazzucato)가 제시한 공동선(common good) 개념은 공동의 목표를 추구하는 일과 공동의 과정 및 관계를 돌보는 일을 함께 포함한다. 이 관점은 사회적 가치를 만들어 내는 과정에서 거버넌스가 중요하다는 점을 강조하며, 국가를 공공 기업가이자 시장 형성자로 자리매김한다. 공동선 관점은 방향을 설정하고 집단행동을 조율하는 국가의 역할을 부각한다. 국가는 효과적인 거버넌스로 공동 창작과 참여를 보장하고, 집단 학습을 촉진하며, 접근성과 투명성, 책무성을 확보할 수 있다. 이것들은 모두 디지털 인프라에서 공익을 증진하는 데 꼭 필요하다.136

공익
"공공을 위한"
공공 통제
"공공의, 공공에 의한"
공공 속성 공공 기능 공공 통제 공공 재원 공공 생산
인프라는 공개적으로 접근 가능하고, 개방적이거나 상호운용 가능하다. 인프라는 공익 목표 달성과 공공재 창출에 이바지한다. 인프라는 공공이 운영하거나 감독한다. 인프라는 공공 재원으로 운영된다. 인프라는 공공이 생산한다.

표 1. 공공성의 정의: 공공 인프라의 속성, 기능, 통제. 출처: 저자 작성. 다음을 바탕으로 수정: https://openfuture.eu/wp-content/uploads/2024/11/241113_Digital-Commons-as-Providers-of-Public-Digital-Infrastructures.pdf

공공 속성이나 공공 기능 어느 하나만으로는 공공성을 정의하기에 충분하지 않다. 속성에만 초점을 두면 인프라가 어떻게 쓰이는지, 그리고 그 결과가 어떤지에는 무관심할 수 있다. 예를 들어 오픈소스 AI 솔루션도 공공의 목표가 아닌 사적 목표를 위해 쓰일 수 있다. 반대로 기능에만 초점을 두면 접근성을 놓칠 수 있다. 다시 말해 공익 목표는 폐쇄적인 민간 인프라로도 달성할 수 있다.

공공 디지털 인프라는 공공 통제라는 기준도 충족해야 한다.137 공공 통제는 공공 감독, 공공 재원, 나아가 인프라의 공공 생산과 공급 등 여러 형태를 띨 수 있다. 이런 인프라가 반드시 국가 소유이거나 공공 기관이 생산한 것일 필요는 없다. 중요한 것은 공공 통제가 있느냐이며, 이는 공동선을 위한 거버넌스로도 이해할 수 있다. 이것이 디지털 인프라가 공공성 기준을 충족하기 위한 최소 필요조건이다.

뒤에서는 공공 디지털 인프라의 이 세 특성을 AI 스택에 적용해 공공 AI의 전체 정의를 제시한다. 공공 통제는 가장 복잡한 특성이다. 이분법적 선택이 아니라, 인프라의 공공 생산, 재원 지원, 통제 형태를 수반하는 여러 접근이 있다. 공공 행위자가 그런 인프라를 전부 생산하거나 소유할 필요는 없다. 중요한 것은 나머지 특성을 충족하는 공공 디지털 인프라를 뒷받침하도록 다른 행위자들을 조율하는 능력이다.

공공 디지털 인프라의 공공·민간·시민 행위자

공공 디지털 인프라의 소유, 그리고 공공·민간·시민 행위자 각각의 역할은 핵심 쟁점이다. 생성형 AI의 맥락에서 이는 대체로 공공 AI 구축의 핵심 의존 요소인 컴퓨팅 파워를 누가 소유하거나 통제하느냐의 문제다. 적절한 형태의 공공 통제는 지속가능성을 보장할 수 있다. 반면 어떤 형태의 민간 통제는 이익은 사유화되고 위험은 사회화되는 상황을 낳을 위험이 있다.

따라서 정부와 공공 기관은 공공 AI 스택을 포함한 공공 디지털 인프라의 개발과 거버넌스에서 중심 역할을 맡아야 한다. 세계은행(World Bank)이 지적했듯 정부는 "더 넓은 사회와 경제의 이익을 위해 디지털 공공 인프라를 제공할지, 어떻게 제공할지를 결정하는 데 일차적 역할과 책임"을 져야 한다.138 그러므로 이런 인프라의 구축은 여러 행위자가 참여하는 집단적 노력이지만, 집단행동을 조율하고 적절한 결과를 보장하는 핵심 역할은 국가가 맡는다.

정부를 결과와 공공 가치의 조율자로 보는 이 관점은 전통적인 공공/민간 소유 구분을 넘어선다. 여러 행위자의 행동을 조율한다는 생각은 "정부의 방향 설정, 중앙에서 정의한 공공 목적, 대규모 계획이 시장 메커니즘, 민간 행위자, 대중 의견과 아직 형성 중인 방식으로 결합되는 것"을 뜻한다.139 이렇게 함으로써 국가는 집단행동을 이끌 뿐 아니라, 공공 인프라가 사적 이익을 위해 포섭되지 않도록 보호한다. 동시에 상업 행위자들이 AI 스택에 대한 통제력을 얻으려고 쓰는 전략을, 공공 AI 정책의 특징이어야 할 미션 지향 접근에 맞게 바꿔 쓸 수도 있다.

국가의 역할을 이렇게 이해하려면, 정부를 수동적 행위자나 시장 실패를 바로잡는 존재로만 보던 시각에서 벗어나 다양한 기여자를 조율할 수 있는 조율자로 인식해야 한다. 공공 디지털 인프라(PDI)의 구축은 미션 지향 전략과 시장 형성형 정책 접근을 따라야 한다.140 디지털 인프라로 공공 가치를 만들어 내는 일은 시장을 고치거나 시장의 공백을 메우기 위한 수단에 그치지 않는다. 그 자체로 목표다. 중요한 점은 민간 부문을 포함한 여러 행위자가 공공 가치를 만들어 낼 수 있다는 것이다. 이 공동 창작 과정을 이끄는 국가의 능력이 국가의 직접 생산 능력보다 더 중요하다.

공공 AI에 관한 제안들

지난 한 해 동안 Public AI Network, 모질라(Mozilla), Vanderbilt Policy Accelerator 등 여러 조직이 공공 AI 의제를 위한 프레임워크를 내놓았다. 각 제안은 AI의 개발과 배포를 통해 공공 가치를 최대화하고 공동선을 지키기 위한 일련의 조건을 제시한다. 우리는 이 제안들을 분석해 공공 AI를 규정하는 공통 특성들을 찾아냈다.

Public AI Network

Public AI Network의 정책 문서는 공공 개입에 대한 마리아나 마추카토의 미션 지향 접근과 매우 가까운 틀을 택한다. 이 문서는 공공 AI 이니셔티브가 공동선을 지키는 데 꼭 필요하다고 주장한다. "차세대 인프라가 […] 공적으로 책임지지 않는 소수의 빅테크 기업의 통제 아래" 있다면 이 목표는 이루기 어렵다는 것이다.141 따라서 공공 AI는 "공동선의 증진을 핵심 목표로 삼는" 대안들의 집합으로 정의된다. 이 정의를 충족하기 위해 문서는 다음과 같은 "최소 실행 가능 요건"을 제시한다.

  • 공공 접근: 모든 사람에게 AI 도구에 대한 저렴하고 직접적인 접근을 제공한다.
  • 공공 책무성: 시민이 기술 발전의 방향을 만들어 갈 수 있도록 힘을 실어 준다.
  • 영구적 공공재: AI 개발을 위한 지속 가능한 토대를 마련한다.

여기서 공공 접근이라는 개념은 원래 시장이 제공하는 핵심 AI 기술에 대해 공공 선택지를 제공하는 것을 뜻한다. 그렇게 해서 자연 독점이 되기 쉬운 상업적 제품에 대한 대안을 마련한다. 여기에는 코드 라이브러리, 학습 데이터, 컴퓨트 자원처럼 AI 개발에 필수적인 도구에 대한 접근이 포함된다. 공공 AI는 새로 만들어진 공공재에 대한 접근을 보장하는 것도 목표로 한다. 공공 책무성은 신뢰할 수 있는 AI 원칙을 준수한다는 측면과 AI 개발에 대한 대중 참여를 키운다는 측면 모두에서 이해된다. 여기에는 감독 장치, 그리고 사회적 필요와 대중이 가치 있게 여기는 역량을 중심에 둔 분명한 공공 목적이 포함된다.

마지막으로 영구적 접근성 요건은 공공 AI가 사적 이익에 얽매이지 않는 안정적이고 믿을 만한 토대가 되도록 하기 위한 것이다. Public AI Network는 이것이 반드시 직접적인 공공 소유를 뜻하지는 않는다고 강조한다. 대신 공공 AI가 "공공재로서 지속 가능하게 개발되고 독립적으로 유지되어, 공공 통제가 영구히 보장되도록" 하는 전략을 지지한다.

모질라 재단(Mozilla Foundation)

모질라 재단은 공공 AI의 노력을 "모든 사람이 신뢰할 수 있는 방식으로 AI를 만들고 사용하는 데 따르는 마찰을 줄이는" 일로 설명한다. 재단의 분석에 따르면 시장은 수익성 있는 좁은 범위의 응용에만 우선순위를 두므로 "우리 사회가 AI에 필요로 하는 모든 것"을 만들지는 않을 것이다.142 이에 대응해 모질라는 세 가지 핵심 목표를 중심으로 "탄탄한 이니셔티브 생태계"를 구축하는 공공 AI 의제를 제안한다.

  • 공공재: AI 기술 스택의 모든 층위에서 개방적이고 접근 가능한 공공재와 공유 자원을 만든다.
  • 공공 지향: 사람과 공동체, 특히 시장 주도 개발에서 가장 소외된 이들의 필요를 중심에 둔다.
  • 공공 활용: 공익을 위한 AI 응용, 특히 상업적 유인 때문에 방치되거나 민간 개발에 맡기기 부적절하다고 여겨지는 응용을 우선한다.

모질라는 공공 AI 이니셔티브를 민간 AI 개발과 대비해 규정하며, 현재 이 분야를 지배하는 독점 모델에 맞설 경쟁력 있는 대안을 지지한다. 그러면서도 공공 AI는 민간 기업을 대체하려는 것이 아니라 "다른 필요를 위해 기술을 만드는 다른 방식"을 제공하며 그들과 공존하려는 것이다. 결국 이 보고서는 공공, 시민, 상업 행위자가 함께하는 다원적인 공공 AI 생태계를 주장한다.

보고서는 공공 AI 솔루션이 오늘날 AI 생태계에서 보이는 해악을 되풀이하게 만들 수 있는 중대한 위험 세 가지도 짚는다. 첫째, 분명한 공공 지향 없이 공공재 생산에만 집중하는 대안 생태계가 만들어질 위험이다. 둘째, 충분한 재원이 없어 재정적으로 지속 불가능해질 위험이다. 셋째, 공공 AI가 정부와 공공 재원에 지나치게 의존하게 될 위험이다.

이 점에서 모질라의 접근은 마추카토의 미션 지향 AI 개발 모델과 갈린다. 모질라는 공공 AI를 기업의 통제와 정부의 통제 모두로부터 독립적으로 작동하는 생태계로 규정하기 때문이다. 재단의 표현으로는 "빅테크든 각국 정부든 어느 한 주체가 AI의 미래를 일방적으로 결정할 수 없는, 회복력 있고 다원적인 AI 생태계가 필요하다." 그러나 이 비전은 현재 생태계의 구조적 의존을 충분히 다루지 못하며, 이를 완화할 구체적인 전략도 제시하지 않는다.

Vanderbilt Policy Accelerator

백서 「공공 AI를 위한 국가안보 논거(The National Security Case for public AI)」는 AI 시스템이 민주주의와 국가안보에 가할 수 있는 위협, 구체적으로는 AI 시스템이 "전 세계 민주주의의 회복력을 위협할 수 있다"는 맥락에서 공공 AI에 접근한다.143 여기서 공공 AI는 이중 목적 전략으로 제시된다. 민주적 가치, 프라이버시, 그 밖의 기본권을 지키는 동시에 국방과 국토안보를 위한 안전하고 회복력 있는 솔루션을 제공한다는 것이다.

Vanderbilt Policy Accelerator의 공공 AI 프레임워크는 두 요소로 이루어진다.

  • 공공 재원으로 개발되고, 공공이 소유하며, 공공이 운영하는 AI 기술 스택을 개발한다.
  • AI 기술 스택의 각 층위에 공익사업(public utility)식 규제를 도입한다.

보고서는 AI 분야에 공공 선택지(public option), 곧 공공이 제공하고 관리하는 AI 스택 및 공급망의 구성 요소를 마련해야 한다고 주장한다. 이 비전은 특히 하드웨어 층위에서 기존 독점에 도전하고, 공공 데이터센터, 공공 클라우드 서비스, AI 개발을 위한 공공 데이터셋의 구축과 정부 내 AI 인재 채용을 촉진하기 위한 대규모 정부 투자를 요구한다.

이런 공공 이니셔티브는 독점적 또는 과점적 시장 지배력을 가진 민간 AI 기업을 겨냥한 엄격한 공익사업식 규제로 보완되어야 한다. 제안된 규제 조치에는 AI 스택의 서로 연결된 여러 층위에 걸친 독점적 통제를 해체하려는 구조 분리 규칙, 모든 행위자에게 동등한 접근을 보장하는 비차별 규칙, 외국인의 소유, 통제, 투자에 대한 제한이 포함된다. 이런 규제는 혁신, 효과성, 회복력을 해치지 않으면서 정부에 민간 계약자를 공급할 수 있는 경쟁적 민간 산업을 유지하는 데 필요하다고 여겨진다.

이 제안은 AI 분야의 공공 선택지와 규제받는 민간 AI 시장 사이의 역학에 대한 비전을 제시한다. 정부가 자체 솔루션을 개발하면 민간 계약자들의 가격이 더 경쟁적으로 바뀔 것으로 기대된다. 동시에 시장 경쟁은 규제 조치로 한층 더 뒷받침된다. 이 제안은 민간 기업에 대한 의존과, AI로 사회적 과제를 해결할 공공 부문 역량을 키울 필요 사이에서 균형을 잡으려 한다.

공공 AI 인프라의 정의

세 제안 모두 앞 절에서 설명한 공공 디지털 인프라 프레임워크에 대응시킬 수 있다. 공동선을 강조하는 Public AI Network의 문서가 이 모델과 가장 가깝다. Vanderbilt Policy Accelerator는 AI 스택 안의 권력 집중에 대처하고 AI 인프라에 대한 진정한 공공 소유를 확립해야 한다는 가장 강력한 논거를 내놓는다.

이 제안들은 공공 행위자와 민간 행위자의 관계, 특히 인프라의 통제와 소유에 관한 관계를 제대로 설정하는 일이 공공 AI 이니셔티브의 핵심 과제라는 점도 인정한다. 예를 들어 모질라의 문서는 공공 AI를 여러 행위자가 참여하는 생태계로 보는 중요한 개념화를 제시한다.

  Public AI Network 모질라 Vanderbilt
공공 속성 공공 접근, 영구적 공공재 공공재 공공 선택지
공공 기능 공공 책무성 공공 지향 공공 선택지
공공 통제 공공 책무성 공공 활용 공공 선택지, 공익사업식 규제

표 2. 공공 AI의 여러 정의를 공공 디지털 인프라 프레임워크에 대응시킨 결과. 출처: 저자 작성.

이 제안들과 공공 디지털 인프라 개념을 바탕으로, 공공 AI 인프라는 AI 스택의 다음 세 가지 특성으로 정의할 수 있다.

  • 공공 속성: 공공 AI는 개방성과 상호운용성을 바탕으로 스택의 구성 요소에 누구나 제한 없이 접근할 수 있게 한다. 핵심 구성 요소는 디지털 공공재로 공유되고, 솔루션은 개방형 표준 위에 구축된다. 시스템과 절차는 감사할 수 있고 투명하다. 이런 속성은 시장 집중과 지배적 상업 행위자에 대한 의존을 줄이는 데 도움이 된다.
  • 공공 기능: 공공 AI는 폭넓은 사회적, 경제적 기능을 뒷받침하는 기반 시스템과 서비스를 제공하며, 특히 그 위에서 이루어지는 하위 활동과 공공 편익을 가능하게 한다. 지식 공유와 시민 참여 같은 필수적인 공공 역량을 뒷받침한다. 공공 AI 스택은 사용자 권리와 사회적 가치를 지키면서 혁신이 가능한 환경을 만든다.
  • 공공 통제: 공공 AI는 생성형 AI 스택을 떠받치는 인프라에 대한 공공 통제, 공공 재원, 공공 생산 가운데 하나 이상을 포함한다. 이는 정부의 직접 공급에서 다른 행위자들에 대한 공공의 조율에 이르기까지 다양한 거버넌스 형태를 띨 수 있다. 목표는 집단적 의사결정과 책무성 장치를 갖춰 AI 스택을 민주적 통제 아래 두는 것이다. 공공 소유는 "영구적 공공재"라는 개념이 담고 있듯 장기적 지속가능성도 보장해야 한다.

전체 스택을 아우르는 AI 인프라도, 그 개별 층위나 구성 요소도 공공 AI 인프라의 특성을 띨 수 있다. 예를 들어 공공이 소유한 컴퓨팅 자원이나 오픈소스 AI 모델은 공공 AI 인프라에 해당한다. 그러나 앞 장에서 다룬 것처럼 층위들 사이에 상호의존성이 있으므로, 정책은 전체 스택을 아우르는 접근을 지원해야 한다.

정보 상자 | 공공 AI 인프라, 스택, 시스템

이 보고서에서 공공 AI 스택, 공공 AI 인프라, 공공 AI 시스템이라는 용어는 공공 AI 정책의 목표와 바람직한 결과를 설명하는 데 쓰인다. 따라서 이 용어들이 어떻게 다르고 어떻게 서로 연결되는지 분명히 해 둘 필요가 있다.

인프라는 사회 전반의 기능을 수행하고 하위 활동과 사회적 편익의 토대를 제공하는 시설, 시스템, 제도다. 프리시먼은 인프라를 "많은 목적을 위한 공유된 수단"으로 정의하며, 인프라를 공유 자원으로 다뤄야 한다고 강조한다.144

공공 정책이 공공 AI 인프라 구축에 집중해야 하는 이유는 두 가지다. 첫째, 범용 기술인 AI는 응용 범위가 열려 있고 사회적 영향이 커서 인프라적 특성을 띤다. 이 점에서 AI는 인터넷 같은 이전의 디지털 기술과 비슷하다. 둘째, 인프라를 공유 자원으로 보는 프리시먼의 개념은 커먼즈 기반 관리 전략으로 폭넓고 개방된 접근을 가능하게 할 수 있음을 시사한다. AI의 인프라적 성격을 강조하면 폭넓은 접근을 보장하기 위해 AI를 공공 자원으로 관리해야 한다는 생각에 힘이 실린다. AI 인프라는 서로 연결된 층위들로 이루어진 AI 스택으로도 이해할 수 있다.

한편 AI 기술은 흔히 AI 시스템으로 불리기도 한다. 이 말은 "수단"을 제공할 뿐 아니라 스스로 작동하고 과업을 수행하며 "목적"을 달성하는 기술의 구체적 사례를 가리킨다. AI 시스템은 그 아래의 인프라 층위 위에서 작동하는 최종 제품이나 응용이다. 완전한 AI 시스템에는 기반 하드웨어와 컴퓨팅 파워, 모델 학습에 쓰인 데이터, 코드, 모델 아키텍처, 학습된 모델 자체(곧 매개변수), 그리고 스택 위에 구축된 응용 층위가 포함된다. 이와 달리 공공 AI 이니셔티브는 데이터셋을 디지털 공공재로 공개하거나 지속 가능한 모델 개발 생태계를 지원하는 식으로 한 가지 유형의 구성 요소 제공에만 집중할 수도 있다. 이런 구성 요소 하나하나가 그 자체로 공공 AI 인프라의 특성을 충족해야 한다.

공공 AI 정책 프레임워크는 AI 시스템을 배포하는 것만으로는 사회적 목표를 이루기에 충분하지 않다고 전제한다. 그보다는 공익을 위한 AI 시스템의 운영을 뒷받침할 공공 AI 인프라를 구축해야 한다. 동시에 공공 AI 정책에는 AI 솔루션이라고도 불리는 특정 AI 시스템의 배포가 포함될 수도 있다. AI 배포의 목적과 영향이 아직 불분명한 지금, 이런 초점은 특히 중요하다.

공공 AI 시스템이 인프라 기능을 수행할 수 있다는 사실은 이 문제를 더 복잡하게 만든다. 예를 들어 생성형 AI 모델은 구체적인 AI 시스템이면서 디지털 인프라로도 기능할 수 있다. 범용 AI 모델이라고도 불리는 파운데이션 모델이 이런 인프라적 특성을 보인다. 이런 모델은 오픈소스로 공개되면 새로운 모델이나 파생 모델의 기반이 될 수 있다.

AI 시스템의 공공성 그라디언트

앞 절에서는 공공 AI 인프라를 정의하려는 여러 제안을 살펴보고, 더 넓은 의미의 공공 디지털 인프라 정의도 함께 소개했다. 오늘날 이 정의를 온전히 충족하는 공공 AI 인프라 사례는 거의 없거나 아예 없다. 가장 흔히 꼽히는 이유는 공공이 소유한 컴퓨트 자원이 부족하다는 점, 소수 클라우드·데이터센터 사업자의 과점에 기대고 있다는 점, 그리고 칩 생산이 사실상 독점 상태라는 점이다. 상업 솔루션이나 부품에 의존하는 것 자체가 문제는 아니다. 많은 공공 인프라가 상업적 범용재를 쓰기 때문이다. 문제는 시장 역학에서 독립적인 인프라, 곧 공공재를 만들고 공익에 봉사할 수 있는 인프라의 개발을 조율할 공공의 역량이 부족하다는 데 있다.

공공 AI 인프라의 세 가지 특성인 공공적 속성, 공공적 기능, 공공적 통제는 함께 공공성의 정도를 좌우한다. 완전히 공공적인 AI 인프라 사례도 일부 있지만, 컴퓨트 계층의 의존성 때문에 이런 배치는 대개 어렵다. 공공 컴퓨팅 인프라는 보통 어떤 형태로든 민관 협력을 거쳐 구축된다. 그래서 AI 시스템의 공공성을 하나의 그라디언트(gradient), 곧 연속적인 단계로 바라보는 것이 유용하다.

이 그라디언트는 세 가지 특성(속성, 기능, 통제)과 그 특성이 AI 스택의 각 계층에 어떻게 적용되는지를 기준으로 공공성의 여러 수준을 나타낸다.145 이 세 특성이 함께 어우러져, 인프라가 공익 목표를 뒷받침하고 시장 행위자에게서 독립된 발전 경로를 걸을 수 있는지를 결정한다. 따라서 그라디언트는 정책 입안자가 AI 시스템의 공공성을 높이고 개별 사업의 공공 가치를 강화할 전략을 찾는 데 쓸 수 있는 실용적인 도구다.

이 그라디언트는 완전히 공공적인 AI 시스템에서 반(半)공공적인 시스템을 거쳐, 공공적 기능이 최소한에 그치는 상업적 폐쇄형 시스템까지 이어지는 연속체로 이해할 수 있다. 공공성 쪽으로 갈수록 솔루션은 지배적 시장 사업자에 덜 의존하고, 공공의 행위 주체성을 가능하게 하며, 독립적이고 임무 지향적인 발전 경로를 더 잘 뒷받침한다.

공공성 그라디언트는 AI 인프라, 시스템, 구성 요소가 공익 목표에 더 부합하려면 무엇이 바뀌어야 하는지도 보여 준다. 예를 들어 많은 공개 모델은 공개 가중치처럼 강한 공공적 속성을 지니지만, 공공 목표를 위해 실제로 배치되지 않아 공공적 기능을 다하지 못한다. Hugging Face Hub 같은 플랫폼에 공유된 모델은 실험용으로 쓸 수는 있어도 교육, 의료, 기후 완화 솔루션에 꼭 통합되는 것은 아니다.

또 다른 예로 라마(Llama) 같은 메타(Meta)의 모델, 미스트랄(Mistral)과 딥시크(DeepSeek)의 모델처럼 널리 알려진 공개 가중치 모델이 있다. 이 모델들은 하위 혁신과 모델 개발을 가능하게 해 간접적으로 공공적 기능을 뒷받침한다. 그러나 학습 데이터와 학습 과정이 투명하지 않아 더 넓은 접근과 책무성이 제한되므로, 전반적인 공공성은 여전히 낮다.

그라디언트 틀은 이 백서의 핵심 기여 가운데 하나다. 이 틀은 속성, 기능, 통제라는 차원을 기준으로 AI 사업을 완전한 공공에서 완전한 민간까지 이어지는 연속선 위에 배치하는 모델을 제시한다. 정책 입안자는 이를 진단과 전략의 도구로 삼아, 어떤 개입이 지금 어디에 있는지 평가하고 투자, 규제, 제도 설계 가운데 어떤 정책 수단이 그 공공성을 높일 수 있는지 가려낼 수 있다. 이 틀은 특히 AI 스택의 컴퓨트, 데이터, 모델 계층에서 내리는 선택을 평가할 때 쓸모가 있다.

그라디언트 위의 위치는 공공 AI 인프라의 세 특성을 얼마나 충족하느냐에 달려 있다. 약한 형태의 공공성은 적어도 공공적 속성과 어느 정도의 공공적 기능을 요구한다. 더 강한 형태는 공공적 통제까지 확보해야 한다.

[그림: Figure 5 | Gradient of publicness (그림 5. 공공성 그라디언트), 원문 53쪽 참조]

이 차이는 AI 스택의 세 기초 계층인 컴퓨트, 데이터, 모델에 체계적으로 대응시킬 수 있다. 각 수준의 구체적 사례들은 공공 AI 인프라의 특성을 충족하는 정도가 저마다 다르다.

수준 1: 공공적 속성을 지닌 AI 구성 요소의 상업적 제공. 상업 주체가 개발해 공유하는 특정 구성 요소로, 대개 공개 모델이나 라이브러리다. 공익 목표와 함께 자사 솔루션을 둘러싼 생태계를 유지하려는 상업적 이해를 지닌 조직이 이를 공개적으로 접근 가능하게(흔히 공개 공유 방식으로) 내놓는다. 이런 인프라는 대체로 공공적 속성이 높고, 공공적 기능은 낮거나 중간이며, 공공적 통제도 낮거나 중간이다.

사례: 파이토치(PyTorch)146는 메타가 오픈소스로 공개했고 현재 리눅스 재단(Linux Foundation)이 관리하는 딥러닝 프레임워크다. 공개적으로 공유되고 공동으로 운영되는 AI 구성 요소로, AI 개발에서 중심 역할을 한다. 메타와 다른 기여자들은 파이토치를 중심으로 연구와 혁신이 서로 보완하는 생태계를 만들었고, 그 안에서 메타가 주도적 역할을 유지하고 있다.

수준 2: 공공적 속성과 기능을 지닌 상업적 AI 인프라. 민간이 통제하지만 어느 정도의 접근을 보장하고 공익 지향성을 지닌 인프라를 말한다. 상업 컴퓨트에 대한 공공 접근이나 데이터와 모델을 공유하는 플랫폼 같은 장치가 여기에 든다. 이런 인프라는 대체로 공공적 속성이 높고, 공공적 기능은 중간이며, 공공적 통제는 낮다.

사례: 허깅페이스(Hugging Face)147는 "좋은 머신러닝의 민주화"를 사명으로 내건 상업 주체다. 오픈소스 AI 생태계의 중추 역할을 하는 모델·데이터셋 공유 플랫폼을 운영한다.

수준 3: 공공 컴퓨팅 인프라. 슈퍼컴퓨터와 데이터센터처럼 전액 공공 부문 재원으로 마련되거나 민관 협력으로 구축된 공공 컴퓨팅 자원이다. 이런 인프라는 대체로 공공적 속성이 불분명하고(구체적인 접근 조건을 따로 두지 않는 한), 공공적 기능은 낮거나 중간이며, 공공적 통제는 중간이거나 높다.

사례: AI 팩토리(AI Factories)148는 공공과 민간 재원을 섞어 마련한 EU의 공공 슈퍼컴퓨터다. 스타트업과 연구기관을 지원하는 것이 목적이며, 생성형 AI 개발도 그 목표 가운데 하나다.149

수준 4: AI 구성 요소의 공공 제공. 데이터셋, 벤치마크, 평가 도구처럼 공공 재원으로 개발되었거나 공공 인프라에서 호스팅되는 개별 구성 요소다. 데이터셋이나 소프트웨어처럼 컴퓨트에 전혀 의존하지 않는 경우도 있다. 이런 인프라는 대체로 공공적 속성이 높고, 공공적 기능은 중간이거나 높으며, 공공적 통제도 높다.

사례: 커먼 보이스(Common Voice)150는 AI 학습용 음성 데이터를 공유하는 공개 플랫폼을 제공하는 모질라(Mozilla)의 사업이다. 책임 있고 개방적인 데이터 공유의 모범 사례로 널리 인용된다.

수준 5: 상업 컴퓨트로 구축한 풀스택 공공 AI 인프라. 공공적 속성과 기능을 지니지만 개발과 배치 단계 모두에서 상업 컴퓨트에 의존하는 인프라다. 이런 인프라는 대체로 공공적 속성이 높고, 공공적 기능은 중간이거나 높으며, 적어도 컴퓨팅 파워 면에서는 공공적 통제가 낮다.

사례: OLMo151는 앨런 인공지능 연구소(Allen Institute for AI)가 만든 공개 모델로, 모델, 코드, 학습 데이터의 투명성에서 높은 기준을 세웠다. 연구소는 구글(Google)과 협력해 구글의 Augusta 컴퓨팅 인프라에서 모델을 학습시키고, 구글의 클라우드 플랫폼인 Vertex AI에 배치했다.

수준 6: 풀스택 공공 AI 인프라. 데이터, 모델, 컴퓨트 자원을 통합하되 그 모두가 공공 AI 기준을 충족하는 인프라다. 이런 인프라 위에 구축된 시스템은 계층 간 시너지를 누리고 상업적 의존에서 자유롭다. 이런 인프라는 대체로 공공적 속성이 높고, 공공적 기능은 중간이거나 높으며, 공공적 통제도 중간이거나 높다.

사례: 알리아(Alia)152는 스페인의 공공 연구기관인 바르셀로나 슈퍼컴퓨팅 센터(Barcelona Supercomputing Center)가 자체 슈퍼컴퓨터 MareNostrum 5로 개발한 대형 언어 모델이다. 투명성과 개방성에서 높은 기준을 세웠고, 스페인어와 스페인의 네 가지 공동 공용어를 지원해 언어 격차를 메운다.

공공성 그라디언트를 살펴보면 몇 가지 중요한 점이 드러난다. 첫째, 컴퓨팅 파워가 필요한 사업 대부분은 상업 사업자에 계속 의존할 것이다. 공공기관이 자체 슈퍼컴퓨터를 운영하는 드문 경우만 예외다. 둘째, 특정 구성 요소, 특히 데이터셋과 모델 개발용 오픈소스 소프트웨어를 제공하는 일은 이런 의존이 적어서 공공성이 높은 AI 인프라를 만들기가 더 쉽다. 셋째, 컴퓨팅, 데이터, 소프트웨어를 통합하는 풀스택 접근을 조율할 수 있으면 계층 간 시너지가 생겨 공공성이 크게 높아진다. 따라서 공공 AI 전략에서는 개별 구성 요소에 집중하는 고립된 노력보다 풀스택 사업이 더 중요하다. 거꾸로 말하면, 공공 AI 구성 요소는 조율된 풀스택 틀의 일부일 때 더 큰 효과를 낸다.

공공 AI 정책의 목표와 거버넌스 원칙

공공 AI 정책의 목표는 상업 시스템과 경쟁하는 인프라를 만드는 데 있지 않아야 한다. 공공 개입은 대안을 뒷받침하는 데 집중해야 한다. 새로운 선택지를 내놓고, 새로운 개발 패러다임을 진전시키고, 새로운 역량을 키우는 것이다. 다음 장에서는 임무 지향적이고 공익에 기반한 AI 접근을 뒷받침하는 거버넌스 원칙을 제시한다. 이는 공공 정책이 상업적 이해가 이끄는 AI 경쟁에 뛰어들거나 투기적인 미래 수요에 매달리지 말아야 한다는 뜻이기도 하다.153

컴퓨트 계층에서 의미 있는 개입이 무엇인가 하는 문제는 이 접근을 잘 보여 준다. 공공 컴퓨트의 역할을 다룬 에이다 러브레이스 연구소(Ada Lovelace Institute) 보고서는 "이러한 정책의 목표는 단순히 더 많이, 더 빨리 짓는 것이 아니라 집중된 권력에 맞서고 AI 공급망 전반에서 공공 가치 창출을 촉진하는 것이어야 한다"고 지적한다. 또 "공공 컴퓨트 투자는 오히려 AI 개발의 역학, 나아가 산업 전체가 나아갈 방향을 근본적으로 바꾸는 산업정책 수단으로 보아야 한다"고 말한다.154

AI 생태계에 권력이 집중된 현실 앞에서는 이렇게 설정한 공공 정책 목표조차 지나치게 야심 차거나 비현실적일 수 있다. 정책은 생성형 AI 시장에 근본적인 영향을 미치려 하기보다, 의존을 줄이고 공공 가치를 만들어 낼 독립적 역량을 키우는 일을 우선해야 한다. 핵심 전략 과제는 지배적 AI 기업들이 디지털 스택과 네트워크에 대한 통제를 굳히고 막대한 민간 자금을 동원해 AI 스택에서 입지를 강화하는 상황에서 효과적인 공공 개입이 무엇인지 찾아내는 것이다.155

공공 AI 정책의 목표는 다음과 같아야 한다.

  • 강한 공공적 속성과 기능을 보장해, 구성 요소가 최대한 공공적인 AI 인프라를 개발한다.
  • 공공 컴퓨트 인프라 투자, 공익 조건을 붙인 조달 정책, 그 밖의 거버넌스 장치를 통해 컴퓨팅 파워와 하드웨어를 공급하는 지배적 상업 사업자에 대한 의존을 줄인다.
  • 시장 주도 개발에만 기대지 않고 공공적 기능을 뒷받침하는 개입으로, 공공성이 더 높은 AI 인프라를 개발할 유인을 만든다.
  • 공공 AI 개발에 필수적인 디지털 공공재를 찾아내고, 그 개발과 유지에 재원을 대고 지원한다.
  • AI 개발의 새로운 패러다임을 진전시켜, 독점적 AI 구성 요소에 대한 의존을 줄이는 연구와 혁신을 촉진한다.
  • 공공 부문이 AI 개발에 의미 있게 참여할 수 있도록 충분한 연구 인력과 제도적 역량을 갖춘다.

공공 AI의 거버넌스

AI 시스템의 거버넌스는 어떤 공공 AI 의제에서든 꼭 필요한 요소다. 여기서 거버넌스란 여러 행위자가 AI와 관련한 결정을 내리고 집행하는 과정, 구조, 조율된 행동을 가리킨다. 이 개념은 전통적인 법적 틀을 넘어 표준, 실천 강령, 자발적 라이선스 모델, 공동체 기반 규칙처럼 규범을 세우고 지키는 다양한 방법을 포함한다.

거버넌스는 원하는 결과를 얻으면서 잠재적 위험과 피해를 줄이려면 다양한 이해관계자가 함께 일해야 한다는 점을 강조한다. 공공 AI의 맥락에서 이러한 거버넌스 장치는 생성형 AI 시스템과 그 기반 구성 요소가 공공 소유이거나, 최소한 의미 있는 공공 감독을 받도록 하는 데 목적이 있다. 이는 AI 인프라가 공공적 속성과 공공적 기능의 기준을 충족하도록 돕는다. 이 장치들 가운데 일부는 디지털 인프라가 공익에 봉사하는 데 필요한 기초 조건도 다룬다.

아래에서는 공공 AI 거버넌스의 핵심 원칙을 개관한다. 어떤 원칙은 AI 솔루션의 공공적 성격을 강화하는 데 초점을 둔다. 다른 원칙은 더 넓게, AI 시스템 전반에 적용되는 좋은 거버넌스 기준이다. 공공적 기능을 다하려면 AI 시스템은 책무성, 투명성, 지속가능성을 보장하는 높은 거버넌스 기준을 충족해야 한다.

이를 위해 공공 AI 거버넌스는 다음과 같은 상위 원칙에 바탕을 두어야 한다.

  • 방향성과 목적: 공공 AI 인프라는 분명한 의도와 방향을 가지고 구축해야 하며, 공공 가치와 아래에 제시한 원칙에 부합해야 한다. 공공 행위자는 자원과 이해관계자를 조율해 공공 AI 사업이 공공 가치를 만들고 공동선에 봉사하도록 해야 한다.156
  • 커먼즈 기반 거버넌스: 데이터셋, 소프트웨어, 모델을 비롯한 AI 시스템의 핵심 구성 요소는 커먼즈(공유지)로 관리해야 한다. 이런 틀은 개방적 접근을 장려하면서 책임 있는 사용, 민주적 감독, 공동 관리를 확립한다. 커먼즈 기반 거버넌스는 독점적 소유에 도전하고 자원에 대한 공동 통제를 촉진하는 접근들을 아우른다.157 이는 자원에 대한 폭넓은 접근과, 권리를 보호하고 품질을 보장하며 공공 가치(경제적 가치 포함)를 만들어 내는 거버넌스 장치 사이에서 균형을 잡는다.158
  • 모델과 그 구성 요소의 공개: 모델 가중치, 아키텍처, 문서를 포함한 AI 모델의 핵심 구성 요소는 오픈소스 라이선스로 공개하고, 누구나 사용, 연구, 수정, 재배포할 수 있게 해야 한다. 공개 모델의 거버넌스에는 강한 투명성 요건이 들어가야 하며, 가능하면 학습 데이터셋도 공개적으로 공유해야 한다.159
  • 오픈소스 소프트웨어: AI의 발전은 scikit-learn과 파이토치처럼 공동체 주도 과정으로 개발·유지되는 오픈소스 도구에 크게 기대 왔다. 오픈소스 AI 도구는 디지털 공공재 표준(Digital Public Goods Standard)160에 따라 디지털 공공재로 관리해야 하며, 특정 업체에 치우치지 않는 투명한 공동체 거버넌스와 개발 과정을 갖추어야 한다.
  • 조건부 컴퓨팅: AI 스택에 대한 공공 투자는 가능한 한 기술의 개발과 사용 방식을 규정하는 구체적 조건과 규칙에 연계해야 한다. 이 원칙은 컴퓨팅 하드웨어와 인프라에 대한 공공 투자에 특히 중요하다. 공공 재원으로 제공되는 한정된 컴퓨트 자원은 효율적으로, 그리고 개방성 같은 공익 목표에 맞게 쓰여야 한다.
  • 디지털 권리 보호: 공공 AI 시스템은 프라이버시와 개인정보 보호, 저작권, 표현의 자유, 정보 접근권을 포함한 디지털 권리 보호에서 높은 기준을 세워야 한다. 이를 위해서는 투명성, 책무성, 고충 처리 장치, 탄탄한 위험 평가·완화 틀이 필요하다.
  • 지속가능한 AI 개발: AI 시스템은 환경적 지속가능성, 공정한 자원 이용, 장기적인 사회적 편익을 증진하는 방식으로 개발하고 배치해야 한다. AI 인프라의 공공 조달에는 지속가능한 컴퓨트 공급과 책임 있는 공급망 구축에 관한 요건이 들어가야 한다.161
  • 호혜성: 공공 AI 자원의 혜택을 받는 공공·민간 행위자는 하위 애플리케이션과 파생 제품도 이 거버넌스 원칙을 따르도록 해야 한다. 이는 공공 가치의 사유화를 막고 기업 포획을 방지하는 데 도움이 된다.

이러한 거버넌스 원칙을 반영할 때, 공공 AI 정책은 공익 활용 사례를 위해 컴퓨트, 데이터, 모델 역량을 제공하는 데 그쳐서는 안 된다. AI 인프라가 어떻게 개발되고 사용되는지까지 형성해야 한다.

주

63. Cole Stryker, "What Is an AI Stack?" IBM. 29 November 2024. https://www.ibm.com/think/topics/ai-stack

64. Adrien Basdevant, et al. "Towards a Framework for Openness in Foundation Models. Proceedings from the Columbia Convening on Openness in Artificial Intelligence." Mozilla. 21 May 2024. https://foundation.mozilla.org/en/research/library/towards-a-framework-for-openness-in-foundation-models/

65. Ganesh Sitaraman and Alex Pascal. "The National Security Case for Public AI." Vanderbilt Policy Accelerator for Political Economy and Regulation. 24 September 2024. https://cdn.vanderbilt.edu/vu-URL/wp-content/uploads/sites/412/2024/09/27201409/VPA-Paper-National-Security-Case-for-AI.pdf

66. José Van Dijck. "Seeing the Forest for the Trees: Visualizing Platformization and Its Governance." New Media & Society, vol. 23, no. 9, Sept. 2021, pp. 2801–19. DOI.org (Crossref), https://doi.org/10.1177/1461444820940293

67. Eleanor Shearer, Matt Davies and Mathew Lawrence. "The Role of Public Compute." Ada Lovelace Institute. 24 April 2024. https://www.adalovelaceinstitute.org/blog/the-role-of-public-compute/ Accessed 3 April 2025, Ana Validivia, ibid.

68. Victoria Ivanova et al. "Future Art Ecosystems. Vol.4 Art x Public AI." Serpentine Labs. 2025. https://reader.futureartecosystems.org/briefing/fae4/

69. Sabrina Küspert, Nicolas Moës, Connor Dunlop. ibid.

70. Cecilia Rikap. "Antitrust Policy and Artificial Intelligence: Some Neglected Issues." Institute for New Economic Thinking. 10 June 2024. https://www.ineteconomics.org/perspectives/blog/antitrust-policy-and-artificial-intelligence-some-neglected-issues

71. Matt Bornstein, Guido Appenzeller, and Martin Casado. "Who Owns the Generative AI Platform?" Andreessen Horowitz. 19 January 2023. https://a16z.com/who-owns-the-generative-ai-platform/

72. Jakob Mökander, et al. "Auditing Large Language Models: A Three-Layered Approach." AI and Ethics, vol. 4, no. 4, Nov. 2024, pp. 1085–115. Springer Link, https://doi.org/10.1007/s43681-023-00289-2

73. "AI Continent Action Plan." European Commission. 9 April 2025. https://commission.europa.eu/topics/eu-competitiveness/ai-continent_en

74. Angie Lee. "What is sovereign AI?" Nvidia. 28 February 2024. https://blogs.nvidia.com/blog/what-is-sovereign-ai/ Accessed 3 April 2025.

75. Pablo Chavez. "Sovereign AI in a Hybrid World: National Strategies and Policy Responses." Lawfare, 7 November 2024. https://www.lawfaremedia.org/article/sovereign-ai-in-a-hybrid-world--national-strategies-and-policy-responses

76. Dario Amodei. ibid.

77. Ben Thompson. "AI Integration and Modularization." Stratechery. 29 May 2024. https://stratechery.com/2024/ai-integration-and-modularization/

78. Aaron Mok. "It Costs OpenAI Millions of Dollars a Day to Run ChatGPT, Analyst Estimates." Business Insider. 25 April 2023. https://www.businessinsider.com/how-much-chatgpt-costs-openai-to-run-estimate-report-2023-4

79. George Hammond. "Big Tech Outspends Venture Capital Firms in AI Investment Frenzy." Financial Times, 29 December 2023. https://www.ft.com/content/c6b47d24-b435-4f41-b197-2d826cce9532

80. Matt Bornstein, Guido Appenzeller, and Martin Casado. ibid.

81. Competition and Markets Authority. "AI Foundation Models: Update Paper." GOV.UK, 16 April 2024. https://www.gov.uk/government/publications/ai-foundation-models-update-paper; Anselm Küsters, Matthias Kullas. "Competition in Generative Artificial Intelligence." CEP. 12 March 2024. https://www.cep.eu/eu-topics/details/competition-in-generative-artificial-intelligence-cepinput.html; Tejas N. Narechania and Ganesh Sitaraman. "Antimonopoly Tools for Regulating Artificial Intelligence." SSRN. 25 September 2024. https://www.ssrn.com/abstract=4967701

82. Jai Vipra and Sarah Myers West. "Computational Power and AI." AI Now Institute. September 27, 2023. https://ainowinstitute.org/publication/policy/compute-and-ai

83. Maxwell Zeff. "Elon Musk says xAI acquired X." TechCrunch. 29 March 2025. https://techcrunch.com/2025/03/29/elon-musk-says-xai-acquired-x/

84. Bridget Boakye, et al. "State of Compute Access: How to Bridge the New Digital Divide." Tony Blair Institute. 7 December 2023. https://institute.global/insights/tech-and-digitalisation/state-of-compute-access-how-to-bridge-the-new-digital-divide

85. Alistair Barr. "The tech world is being dividing into 'GPU rich' and 'GPU poor.' Here are the companies in each group." Business Insider Nederland, 28 August 2023, https://www.businessinsider.nl/the-tech-world-is-being-dividing-into-gpu-rich-and-gpu-poor-here-are-the-companies-in-each-group/

86. Tamay Besiroglu, et al. The Compute Divide in Machine Learning: A Threat to Academic Contribution and Scrutiny? arXiv:2401.02452, arXiv, 8 Jan. 2024. arXiv.org, https://doi.org/10.48550/arXiv.2401.02452

87. Vili Lehdonvirta, Bóxī Wú and Zoe Hawkins. (2024). "Compute North vs. Compute South: The Uneven Possibilities of Compute-based AI Governance Around the Globe." Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 7(1), 828-838. https://doi.org/10.1609/aies.v7i1.31683

88. Matt Davies and Jai Vipra. "Mapping global approaches to public compute." Ada Lovelace Institute. 4 November 2024. https://www.adalovelaceinstitute.org/policy-briefing/global-public-compute/

89. Cecilia Rikap. "Dynamics of Corporate Governance Beyond Ownership in AI." Common Wealth. 15 May 2024. https://www.common-wealth.org/publications/dynamics-of-corporate-governance-beyond-ownership-in-ai

90. Amlan Mohanty. "Compute for India: A Measured Approach." Carnegie Endowment for International Peace. 17 may 2024. https://carnegieendowment.org/posts/2024/05/compute-for-india-a-measured-approach?lang=en

91. Department of Science, Innovation and Technology. "Independent Review of The Future of Compute: Final Report and Recommendations." GOV.UK. https://www.gov.uk/government/publications/future-of-compute-review/the-future-of-compute-report-of-the-review-of-independent-panel-of-experts Accessed 23 Apr. 2025.

92. Jaime Sevilla, et al. "Compute Trends Across Three Eras of Machine Learning." Epoch AI. 16 Feb. 2022. https://epoch.ai/blog/compute-trends

93. Jamie Sevilla. "Can AI Scaling Continue Through 2030?" Epoch AI. 20 Aug. 2024. https://epoch.ai/blog/can-ai-scaling-continue-through-2030

94. 최근에는 구글의 텐서 처리 장치(TPU)나 아마존의 Trainium 칩 같은 다른 맞춤형 AI 가속기도 개발되었거나 개발 중이다. 그러나 AI에서 지배적인 로직 칩은 주로 엔비디아가 공급하는 GPU이므로, 이 백서는 다른 가속기를 중점적으로 다루지 않는다.

95. Fatima Hameed Khan, et al. "Advancements in Microprocessor Architecture for Ubiquitous AI: An Overview on History, Evolution, and Upcoming Challenges in AI Implementation." Micromachines 2021, 12(6), 665; https://doi.org/10.3390/mi12060665

96. Alex Krizhevsky, et al. "ImageNet Classification with Deep Convolutional Neural Networks." NeurIPS Proceedings. https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf

97. Serhii Nakonechnij. "ROCm vs CUDA Practical Comparison." Scimus. 12 August 2024 https://thescimus.com/blog/rocm-vs-cuda-a-practical-comparison-for-ai-developers/

98. Aadya Gupta and Adarsh Ranjan. "A primer on compute. Carnegie Endowment for International Peace." 30 April 2024. https://carnegieendowment.org/posts/2024/04/a-primer-on-compute?lang=en

99. Mark Mantel. "xAI Has Apparently Completed the World's Fastest Supercomputer." Heise Online. 4 September 2024. https://www.heise.de/en/news/xAI-has-apparently-completed-the-world-s-fastest-supercomputer-9857540.html

100. Wayne Williams. "Elon Musk raises USD 6 billion for xAI's Memphis data center; will purchase 100,000 NVIDIA chips to boost Tesla's full self-driving FSD capabilities." 28 November 2024. https://www.techradar.com/pro/elon-musk-raises-usd6-billion-for-xais-memphis-data-center-will-purchase-100-000-nvidia-chips-to-boost-teslas-full-self-driving-fsd-capabilities Accessed 3 April 2025.

101. Jamie Sevilla, et al. "Can AI scaling continue through 2030?." Epoch AI. 20 August 2024. Available at: https://epoch.ai/blog/can-ai-scaling-continue-through-2030

102. Shayne Longpre, et al. Consent in Crisis: The Rapid Decline of the AI Data Commons. arXiv:2407.14933, arXiv, 24 July 2024. arXiv.org, https://doi.org/10.48550/arXiv.2407.14933

103. Cade Metz, et al. "How Tech Giants Cut Corners to Harvest Data for A.I.." New York Times. 8 April 2024. https://www.nytimes.com/2024/04/06/technology/tech-giants-harvest-data-artificial-intelligence.html

104. Daniel J. Gervais. "The Heart of the Matter: Copyright, AI Training, and LLMs." SSRN. 1 November 2024. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4963711 Accessed 3 April 2025; Matthew Sag. "Fairness and Fair Use in Generative AI." SSRN. 20 December 2023. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4654875 Accessed 3 April 2025.

105. Alex Reisner. "These 183,000 Books Are Fueling the Biggest Fight in Publishing and Tech." The Atlantic, 25 September 2023. https://www.theatlantic.com/technology/archive/2023/09/books3-database-generative-ai-training-copyright-infringement/675363/

106. Alex Riesner. "The Unbelievable Scale of AI's Pirated-Books Problem." The Atlantic. 20 March 2025. https://www.theatlantic.com/technology/archive/2025/03/libgen-meta-openai/682093/

107. Anna's Archive. "Copyright Reform Is Necessary for National Security." Anna's Archive (blog). 31 January 2025. https://annas-archive.li/blog/ai-copyright.html Accessed 3 April 2025.

108. Joseph Bambridge and Dan Bloom. "UK Plans Fresh Round of Talks to Take Sting out of AI Copyright Proposals." POLITICO, 3 April 2025, https://www.politico.eu/article/uk-plans-fresh-round-talks-lawmakers-ai-copyright-proposals/

109. Nathan Lambert. "The State of Post-Training in 2025." Interconnects. 12 March 2025, https://www.interconnects.ai/p/the-state-of-post-training-2025

110. Nathan Lambert. "Why reasoning models will generalize." Interconnects. 28 January 2025, https://www.interconnects.ai/p/why-reasoning-models-will-generalize Accessed 3 April 2025.

111. Peter Mattson, et al. "Perspective: Unlocking ML requires an ecosystem approach." MLCommons. 10 March 2023. https://mlcommons.org/2023/03/unlocking-ml-requires-an-ecosystem-approach/

112. Microsoft. "Phi open model family." Microsoft. https://azure.microsoft.com/en-us/products/phi/ Accessed 23 April 2025.

113. Philippe De Wilde, et al. "Recommendations on the Use of Synthetic Data to Train AI Models." Tokyo: United Nations University, 2024. https://collections.unu.edu/eserv/UNU:9480/Use-of-Synthetic-Data-to-Train-AI-Models.pdf

114. Ilia Shumailov, et al. "AI Models Collapse When Trained on Recursively Generated Data." Nature, vol. 631, no. 8022, July 2024, pp. 755–59. www.nature.com, https://doi.org/10.1038/s41586-024-07566-y; University of Oxford. "New Research Warns of Potential 'Collapse' of Machine Learning Models." Department of Computer Science, 25 July 2024. https://www.cs.ox.ac.uk/news/2356-full.html

115. Rylan Schaeffer, et al. "Position: Model Collapse Does Not Mean What You Think." arXiv:2503.03150, arXiv, 18 Mar. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2503.03150

116. Dan Hendrycks, et al. "Measuring Massive Multitask Language Understanding." arXiv:2009.03300, arXiv, 12 Jan. 2021. arXiv.org, https://doi.org/10.48550/arXiv.2009.03300

117. Rishi Bommasani, et al. ibid.

118. Alison Gopnik. "What AI Still Doesn't Know How to Do." The Wall Street Journal. 15 July 2022. https://www.wsj.com/tech/ai/what-ai-still-doesnt-know-how-to-do-11657891316

119. https://medium.com/@nageshmashette32/small-language-models-slms-305597c9edf2

120. Matt White, et al. "The Model Openness Framework: Promoting Completeness and Openness for Reproducibility, Transparency, and Usability in Artificial Intelligence." arXiv:2403.13784, arXiv, 18 Oct. 2024. arXiv.org, https://doi.org/10.48550/arXiv.2403.13784

121. Sid Black, et al. "GPT-NeoX-20B: An Open-Source Autoregressive Language Model." arXiv:2204.06745, arXiv, 14 Apr. 2022. arXiv.org, https://doi.org/10.48550/arXiv.2204.06745

122. Yolanda Gil and Raymond Perrault. "Artificial Intelligence Index Report 2025." Stanford University Human-Centered Artificial Intelligence. 7 April 2025. https://hai-production.s3.amazonaws.com/files/hai_ai_index_report_2025.pdf

123. David Gray Widder, et al. "Open (For Business): Big Tech, Concentrated Power, and the Political Economy of Open AI." 4543807, 17 Aug. 2023. Social Science Research Network, https://doi.org/10.2139/ssrn.4543807

124. Matt White, et al. ibid.

125. Adrien Basdevant, et al. ibid.

126. Stefano Maffuli. "Meta's LLaMa License Is Not Open Source." Open Source Initiative, 20 July 2023, https://opensource.org/blog/metas-llama-2-license-is-not-open-source

127. Florent Daudens. "Yes, DeepSeek R1's Release Is Impressive. But the Real Story Is What…." LinkedIn. https://www.linkedin.com/posts/fdaudens_yes-deepseek-r1s-release-is-impressive-activity-7289681233427484672-I9MY Accessed 24 Apr. 2025.

128. AI Team. "Open Sourcing R1 1776." Perplexity (blog). 18 February 2025. https://www.perplexity.ai/hub/blog/open-sourcing-r1-1776

129. Mark Surman. "Introducing Mozilla.ai: Investing in trustworthy AI." Mozilla (blog). 22 March 2023. https://blog.mozilla.org/en/mozilla/introducing-mozilla-ai-investing-in-trustworthy-ai/

130. Jennifer Ding, et al. "Towards Openness Beyond Open Access: User Journeys through 3 Open AI Collaboratives." arXiv:2301.08488, arXiv, 20 Jan. 2023. arXiv.org, https://doi.org/10.48550/arXiv.2301.08488

131. Peter Mattson, et al. ibid.

132. Jan Krewer and Zuzanna Warso. "Digital Commons as Providers of Public Digital Infrastructures." Open Future, 13 November 2024. https://openfuture.eu/publication/digital-commons-as-providers-of-public-digital-infrastructures

133. 두 개념에 대한 설명은 다음을 참고: Jan Krewer. "Signs of Progress: Digital Public Infrastructure Is Gaining Traction." Open Future, 13 March 2024. https://openfuture.eu/blog/signs-of-progress-digital-public-infrastructure-is-gaining-traction

134. Zuzanna Warso. "Toward Public Digital Infrastructure: From Hype to Public Value." AI Now. 15 October 2024. https://ainowinstitute.org/publication/xii-toward-public-digital-infrastructure-from-hype-to-public-value

135. Brett M. Frischmann. "Infrastructure: The Social Value of Shared Resources." Oxford Academic, 24 May 2012. https://doi.org/10.1093/acprof:oso/9780199895656.001.0001

136. Mariana Mazzucato. "Governing the Economics of the Common Good: From Correcting Market Failures to Shaping Collective Goals." Journal of Economic Policy Reform, vol. 27, no. 1, Jan. 2024, pp. 1–24. DOI.org (Crossref), https://doi.org/10.1080/17487870.2023.2280969

137. 오픈 퓨처의 공공 디지털 인프라 보고서는 이 특성을 공공 소유라는 말로 설명한다. 이 보고서에서는 이를 공공 통제로 바꿔 표현한다. 공공 통제는 공공 소유의 여러 형태를 포함하지만 거기에 국한되지 않는다. 다음 참고: Jan Krewer and Zuzanna Warso, ibid.

138. Vyjayanti T. Desai, et al. "How Digital Public Infrastructure Supports Empowerment, Inclusion, and Resilience." World Bank Blogs, 15 March 2023. https://blogs.worldbank.org/en/digital-development/how-digital-public-infrastructure-supports-empowerment-inclusion-and-resilience

139. Stephen J. Collier, James Christopher Mizes, and Antina von Schnitzler, "Preface: Public Infrastructures / Infrastructural Publics," Limn, https://limn.it/articles/preface-public-infrastructures-infrastructural-publics/

140. Mariana Mazzucato. "From Market Fixing to Market-Creating: A New Framework for Innovation Policy." Industry and Innovation, vol. 23, no. 2, Feb. 2016, pp. 140–56. DOI.org (Crossref), https://doi.org/10.1080/13662716.2016.1146124

141. Public AI network. "Public AI: Infrastructure for the common good." 10 August 2024. https://publicai.network/whitepaper

142. Nik Marda, Jasmine Sun and Mark Surman. "Public AI. Making AI work for everyone, by everyone." Mozilla. September 2024. https://assets.mofoprod.net/network/documents/Public_AI_Mozilla.pdf

143. Ganesh Sitaraman and Alex Pascal. ibid.

144. Brett M. Frischmann, ibid.

145. 이 그라디언트는 생성형 AI 공개 방식의 그라디언트에 관한 아이린 솔라이먼(Irene Solaiman)의 연구에서 착안했다. 참고: Irene Solaiman. “The Gradient of Generative AI Release: Methods and Considerations.” arXiv:2302.04844, arXiv, 5 Feb. 2023. arXiv.org, https://doi.org/10.48550/arXiv.2302.04844 Accessed 3 April 2025.

146. PyTorch. https://pytorch.org/ Accessed April 27 April 2025.

147. Hugging Face. https://huggingface.co/ Accessed 27 April 2025.

148. European Commission. “AI Factories.” Digital Strategy. https://digital-strategy.ec.europa.eu/en/policies/ai-factories Accessed 27 April 2025.

149. AI Factories | Shaping Europe’s digital future

150. Common Voice Mozilla. https://commonvoice.mozilla.org/en Accessed 27 April 2025.

151. OlMo Ai2. https://allenai.org/olmo Accessed 27 April 2025.

152. Alia. https://www.alia.gob.es/eng/ Accessed 27 April 2025.

153. Zuzanna Warso, ibid.

154. Eleanor Shearer, Matt Davies and Mathew Lawrence, ibid.

155. Cecilia Rikap, “Antitrust Policy and Artificial Intelligence: Some Neglected Issues,” Institute for New Economic Thinking, 10 June, 2024, https://www.ineteconomics.org/perspectives/blog/antitrust-policy-and-artificial-intelligence-some-neglected-issues

156. Mariana Mazzucato, David Eaves and Beatriz Vasconcellos. “Digital public infrastructure and public value: What is ‘public’ about DPI?.” UCL Institute for Innovation and Public Purpose. 2024. https://www.ucl.ac.uk/bartlett/publications/2024/mar/digital-public-infrastructure-and-public-value-what-public-about-dpi

157. Alek Tarkowski and Jan Zygmuntowski. “Data Commons Primer.” Open Future, 20 September 2022. https://openfuture.eu/publication/data-commons-primer

158. Alek Tarkowski and Zuzanna Warso. “Commons-Based Data Set Governance for AI.” Open Future, 21 March 2024. https://openfuture.eu/publication/commons-based-data-set-governance-for-ai

159. Alek Tarkowski. “Data Governance in Open Source AI.” Open Future, 24 January 2025. https://openfuture.eu/publication/data-governance-in-open-source-ai

160. DPG Alliance. “DPG Standard.” GitHub. Accessed 27 April 2025. https://github.com/DPGAlliance/DPG-Standard

161. Green Screen Coalition, et al. “Within Bounds: Limiting AI‘s environmental impact.” Green Screen Coalition. 5 February 2025. https://greenscreen.network/en/blog/within-bounds-limiting-ai-environmental-impact/

노치혜 (2026). [2025] 지커 외 「공공 AI 백서」 번역 (2/3) 3~4장 생성형 AI 스택과 공공 AI 프레임워크 (2026.11.14). 노치혜 Chihye Noh | THINKCRAFT.

RESEARCH FILES