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 (3/3) 5장 공공 AI로 가는 세 갈래 길 (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.


5. AI 전략과 공공 AI로 가는 세 갈래 길

이 장에서는 공공 AI 전략의 핵심 요소를 정리한다. 이를 위해 AI 시스템의 세 핵심 층위인 데이터, 컴퓨트, 모델을 바탕으로 공공 AI 솔루션을 개발하는 세 경로를 제시한다.

수직 통합된 AI 스택이라는 비유는 맨 아래의 하드웨어 층이 모든 AI 시스템의 인프라 기반을 이룬다는 뜻을 담고 있다. 우리는 이 개념을 넓혀 데이터셋과 모델도 공공 인프라의 한 형태로, 곧 공공 AI 솔루션을 개발하는 데 바탕이 되는 핵심 구성 요소로 다루자고 제안한다. 다시 말해 공공 AI로 가는 경로는 세 가지가 있을 수 있다. 각각 컴퓨팅 파워, 데이터셋, 모델을 공공 인프라 자원으로 개발하는 데 초점을 둔다.

이 장의 목적은 AI 스택의 여러 층위에 걸친 개입을 포함해, 완결된 공공 AI 전략이 어떤 모습일 수 있는지 보여 주는 것이다.

공공 AI 전략의 요소

앞 장에서 보았듯이, 공공 AI 개발에서 풀스택 접근은 부분적 해법보다 공공성의 정도가 높다. 따라서 공공 AI 전략은 공공 AI 모델 생태계를 뒷받침하도록 컴퓨팅 파워와 학습 데이터의 공급을 조율해야 한다. 이 생태계에는 최첨단 "정점(capstone)" 모델 하나와 다양한 소형 모델이 포함될 것이다. 이를 뒷받침하는 조치로는 연구와 혁신에 대한 투자, 탄탄한 인재 기반과 제도적 역량의 구축, 그리고 공공 AI 시스템을 구체적인 솔루션과 용도에 배치할 수 있게 하는 프로그램이 있어야 한다.

이때 공공 AI 전략은 지금 주요 상업 연구소들 사이에서 벌어지는 "AI 경쟁"에서 벗어나야 한다. 다시 말해 AI 기술을 잠재적 초지능이 아니라 "평범한 기술"로 다뤄야 한다.162 이는 컴퓨트 투자를 모델 개발과 배치의 명확한 목표에 연동하는 실용적인 개발 전략을 뜻한다. 이 전략의 또 다른 축은 AI 개발을 더 지속가능한 경로로 이끄는 데 두어야 한다. 소형 모델, 그리고 에너지 소비와 환경 발자국 면에서 AI 기술을 더 지속가능하게 만드는 혁신이 그 중심이다.

이어지는 절에서는 이 전략의 요소를 세 경로로 나누어 더 자세히 설명한다. 각 경로는 AI 스택의 한 층위, 곧 컴퓨트, 데이터, 모델에 초점을 둔다. 어느 경우든 공공 AI 정책의 목표는 AI 시스템과 그 구성 요소에 대한 공공적 속성, 기능, 통제를 확보하는 것이어야 한다.

  1. 컴퓨트 층위: 컴퓨트 층위의 공공 AI 전략은 상업용 컴퓨팅 파워에 대한 의존을 줄이고, 필요하면 공공이 소유한 컴퓨트 인프라를 구축하는 것을 목표로 해야 한다. 이를 뒷받침하는 조치로는 (모델 층위에서) 더 효율적인 AI 개발 패러다임에 대한 연구, 그리고 공공 AI 이니셔티브에 필요한 컴퓨팅 수요를 의미 있게 추정하기 위한 연구가 있다.
  2. 데이터 층위: 데이터 층위에서 공공 AI 전략은 공개적으로 접근할 수 있으면서 민주적이고 커먼즈 기반인 틀로 거버넌스되는 고품질 데이터셋의 개발을 장려해야 한다. 이러한 거버넌스 모델은 공공적 속성과 기능을 보장하는 한편, 무임승차 같은 부적절한 가치 추출로부터 데이터를 보호해야 한다.
  3. 모델 층위: 모델 층위에서 공공 AI 전략은 강한 공공적 속성을 갖춘 기술을 어떻게 개발할 수 있는지 보여 주는 오픈소스 생성형 AI 생태계를 토대로 삼아야 한다. 또한 기술 그 자체가 아니라 공공 가치 창출에 초점을 둔 명확한 개발 의제를 세워, 이들 기술의 공공적 기능을 강화하는 것을 목표로 해야 한다. 표적화된 애플리케이션 개발과 수요 창출이 그 수단이다.

[그림: Figure 6 | Elements of a public AI strategy (그림 6. 공공 AI 전략의 요소), 원문 59쪽 참조]

종합하면 이 공공 AI 전략은 상당히 복잡하며, 정책 목표를 이루기 위해 다양한 행위자의 행동을 조정할 수 있는 새로운 형태의 거버넌스를 요구한다. 전략을 효과적으로 이끌고 조율할 수 있는 강력한 제도적 틀이 필요하다.

공공 AI 생태계와 조율 기관

공공 AI 전략은 개별 이니셔티브나 단독 기관의 역량에만 집중하기보다, 공공 생성형 AI 인프라와 시스템의 생태계를 만드는 것을 목표로 해야 한다. 중앙집중식 공공 AI 개발을 요구하는 주장은 오픈소스 개발 규범에 힘입은 현대 AI 연구의 분산적 성격을 간과하는 경우가 많다. 공공 컴퓨트 자원처럼 중앙집중식 역량에 투자할 때에도, 공공 AI 전략은 공공적 기능과 공공 가치 창출을 중심으로 하는 더 넓은 생태계를 함께 지원해야 한다.

4장에서 제안한 거버넌스 메커니즘은 데이터, 소프트웨어, 지식의 공유를 장려하고 생태계 안 솔루션 간의 상호운용성을 보장함으로써 이러한 생태계 기반 접근을 뒷받침한다.

이 생태계가 번성하도록 하려면 산업정책과 공공조달 같은 시장 형성 수단을 포함해 공공기관의 힘을 활용해 생태계를 지원하고 강화해야 한다. 공공기관 역시 이 생태계의 일부가 되어야 하며, 공공 AI 솔루션은 이 생태계 안에서 개발된 인프라 위에 구축되어야 한다.163

이 생태계에서 핵심 역할은 분산된 행위자 네트워크 전반의 행동을 조율할 수 있는 공공기관이 맡아야 한다. 조율이란 공공 디지털 인프라가 어떻게 생산되는지, 그리고 시간이 흐르며 달라지는 필요와 가치에 어떻게 맞춰 가는지를 관리하는 일이다. 그러한 필요, 가치, 조건이 바뀔 때 생태계를 조정하는 능력도 여기에 포함된다.164 다시 말해 제대로 조율한다면 한 기관이 공공 AI 생태계 안 여러 인프라의 생성적 역량을 통제할 수 있다.

따라서 조율 기관, 또는 더 현실적으로는 기관들의 네트워크가 생태계에서 결정적인 역할을 한다. 다른 공공재를 성공적으로 제공하고 복잡한 생태계를 조정해 온 조직에서 영감을 얻은 이러한 기관의 청사진이 여럿 제안되었다.

브랜든 잭슨(Brandon Jackson)은 채텀하우스(Chatham House)에 기고한 글에서 "AI를 위한 BBC", 곧 영국 AI 공사(British AI Corporation, BAIC)를 제안한다. 그는 이를 "모든 사람이 강력하고 책임 있게 구축된 AI 역량에 접근할 수 있도록 보장하는 새로운 기관"이라고 설명한다. "그러나 BAIC는 민간 AI 기업과 정면으로 경쟁하는 존재 이상이어야 한다. 독립적인 길을 개척하며 공익을 위한 혁신적 디지털 인프라를 구축할 힘을 주는 제도 설계를 갖추고 설립되어야 한다."165

미래세대센터(Center for Future Generations)의 또 다른 제안은 "AI를 위한 CERN"을 구상한다.166 이는 자체 연구와, 학계 및 산업계와 협력하는 폭넓은 권한을 결합한 더 중앙집중적인 기관 모델이다. 다니엘 크레스포(Daniel Crespo)와 마테오 발레로(Mateo Valero)는 별도의 제안에서 유럽의 공공 AI 노력이 에어버스(Airbus)와 갈릴레오(Galileo)에서 영감을 얻어야 한다고 주장한다. 두 사례는 산업 행위자들을 성공적으로 조정해 혁신적이고 경쟁력 있는 기술을 개발한 예다.167 가장 최근에는 2025년 2월 파리 AI 행동 정상회의에서 출범한 CurrentAI 파트너십이 정부, 자선단체, 민간 기업의 노력을 조정해 세계 차원에서 공익 AI 개발을 조율하는 것을 목표로 하고 있다.168

강조해 둘 점은, 이 간행물이 특정한 제도 모델을 처방하려는 것이 아니라는 점이다. 그보다는 사려 깊은 제도 설계가 효과적인 공공 AI 전략의 기반이라는 점을 부각하려는 것이다.

공공 AI 인프라로 가는 세 갈래 길: 컴퓨트, 데이터, 모델

각 경로는 공공 AI의 목표를 달성하고 시장 독점에 대한 의존을 해소하는 서로 다른 접근을 제시한다. 경로마다 먼저 병목과 기회를 개관하고, 이어서 제안하는 해법을 나열한다. 끝으로 지원 조치에 관한 추가 권고 세 가지를 제시한다.

이 절들의 목표는 모든 해법에 대한 상세한 청사진을 제공하는 것이 아니다. 공공 AI로 가는 세 층위와 경로 전반에 걸쳐 조정된 포괄적 전략의 윤곽을 그리는 것이 목적이다. 이 권고들은 공공 AI 인프라 구축의 경제적 측면은 고려하지 않는다. 그 측면은 정책이 만들어지는 구체적인 지역 또는 권역의 맥락에 따라 정해져야 한다. 또한 공공 AI 노력을 빠짐없이 나열하려는 것도 아니며, 사례는 여러 해법을 보여 주기 위해서만 넣었다.

공공 AI로 가는 컴퓨트 경로

컴퓨팅 인프라는 공공 AI 개발의 기반이지만, 정책 접근은 실제 인프라 수요에 대응하는 일과 부풀려진 투자 주장을 피하는 일 사이에서 균형을 잡아야 한다. 컴퓨트는 AI 발전에 필수적이지만, 공공 이니셔티브는 지배적인 상업 행위자들의 막대한 지출 방식을 따라 하려 하기보다 표적화되고 전략적인 투자를 우선해야 한다.

컴퓨트: 병목

컴퓨트는 AI 개발과 배치에 없어서는 안 될 구성 요소다. 그러나 그 지형은 극도로 복잡한 공급망과, 소수의 강력한 행위자가 지배하는 시장 역학으로 규정된다. 앞 장에서 설명했듯이 컴퓨트는 세 가지 핵심 구성 요소로 나눌 수 있다. 첨단 칩, 그 칩을 구동하는 소프트웨어 프레임워크, 그리고 데이터센터다.

하드웨어 수준에서 반도체 생산은 세계에서 가장 복잡하고 전 지구적으로 분산된 공급망으로 널리 여겨진다. 보통 칩 설계, 전공정 제조, 후공정 제조의 세 단계로 나뉜다.169 칩 설계는 대개 전문 소프트웨어를 써서 반도체의 아키텍처와 레이아웃을 만드는 일이다. 전공정 제조는 첨단 파운드리에서 이루어지는 제작 공정으로, 포토리소그래피와 여러 정밀 기법으로 칩 하나하나에 수십억 개의 트랜지스터를 새긴다. 후공정 제조는 칩을 기기에 통합하기 전에 조립, 패키징, 테스트하는 일이다.

이 공급망의 각 단계는 고도로 전문화되어 있고 소수 기업의 손에 집중되어 있다. 예를 들어 네덜란드의 ASML은 첨단 칩 제조에 필수적인 장비인 극자외선(EUV) 리소그래피 장비를 생산할 수 있는 세계 유일의 기업이다. 이 장비는 10만 개가 넘는 부품으로 이루어지며 한 대에 약 3억 5천만 유로에 이른다.

전공정 제조는 특히 자본과 기술 집약적이어서 시장 집중이 극단적이다. 이 영역에서 사업을 할 수 있는 기업은 삼성과 대만 TSMC(Taiwan Semiconductor Manufacturing Company)를 비롯한 소수뿐이다. 2024년 TSMC는 AI 학습과 배치에 필수적인 첨단 로직 칩 시장에서 90%의 점유율을 차지했다.170 같은 해 TSMC는 300억 달러가 넘는 설비투자를 했고, 지정학적 긴장에도 불구하고 엔비디아(Nvidia) 칩의 대부분과 함께 여러 중국 기업의 칩을 제조했다.171

전문 소프트웨어 프레임워크도 상당한 종속을 낳는다. 엔비디아 GPU에서만 돌아가도록 설계된 독점 플랫폼 CUDA는 시장을 지배하며 '울타리 친 정원(walled garden)' 생태계를 만들어 냈다. CUDA와 엔비디아 하드웨어의 깊은 통합, 탄탄한 머신러닝 라이브러리와 프레임워크 생태계, 뛰어난 다중 GPU 확장 능력은 이 회사의 지위를 굳히고 경쟁자에게 상당한 진입 장벽을 세웠다.

마지막 층인 데이터센터는 칩과 소프트웨어를 결합해 실제로 쓸 수 있는 컴퓨트 시스템으로 만든다. 이러한 시설 역시 막대한 비용과 운영의 복잡성 때문에 집중도가 높다. 2025년 1월 오픈AI(OpenAI), 오라클(Oracle), 소프트뱅크(SoftBank)는 데이터센터 인프라에 최대 5천억 달러를 투자할 계획인 스타게이트(Stargate) 프로젝트를 발표했다. 이 투자가 실현될 수 있을지는 불확실하지만, 그 규모는 컴퓨트 주도권을 둘러싼 세계적 경쟁이 격화되고 있음을 보여 준다.172 2024년 마이크로소프트(Microsoft), 메타(Meta), 아마존(Amazon), 애플(Apple) 같은 기업은 물리적 인프라에 약 2,180억 달러를 지출했다. 그 결과 최첨단 데이터센터는 여전히 자본력이 큰 대기업이나 공공이 지원하는 이니셔티브의 영역으로 남아 있다.173

요컨대 칩, 소프트웨어, 데이터센터라는 세 구성 요소는 소수의 지배적 행위자에 대한 깊은 의존을 드러내며, 컴퓨트 시장의 극단적인 자본 집약성을 반영한다.

컴퓨트 역량 확보를 목표로 하는 공공 이니셔티브는 공공 가치보다 주권에 좁게 초점을 맞추는 경우가 많다. 이러한 노력은 컴퓨트를 국가 자원으로 다루고, 역량 확대 자체를 목적으로 본다. 대개 상업 파트너와 함께 진행되는 투자는 공공 가치 조건과 연결되는 일이 드물고, 자국 상업 행위자를 키우는 데 쓰이는 경우가 많다. 상업 컴퓨트 인프라 위에 세운 주권 AI라는 개념은 기존 행위자의 시장 지배력을 오히려 강화할 위험이 있다.

공공 컴퓨트 제공이 필수적이라는 공감대가 정책 결정자들 사이에서 커지고 있지만, 높은 비용과 빠른 기술 변화 때문에 이러한 개입은 쉽지 않다. 주권 AI 전략과 달리, 목표는 단지 국가 역량을 늘리는 데 그쳐서는 안 되며 이 투자가 공공의 이익을 낳도록 보장하는 데 있어야 한다.

컴퓨트: 기회

컴퓨팅 인프라의 높은 시장 집중도와 자본 집약성은 공공 컴퓨트 이니셔티브를 개발하는 데 큰 어려움을 준다. 에이다 러브레이스 연구소(Ada Lovelace Institute)의 「컴퓨팅 커먼즈(Computing Commons)」 보고서가 지적하듯이 "정책 결정자들은 공공 컴퓨트 프로젝트만으로 무엇을 이룰 수 있는지에 대해 현실적이어야 한다." 반도체 공급망의 의존 관계 때문에 "대부분의 관할권에서 생산을 '자국으로 들여오겠다'는 목표는 단기에서 중기적으로 거의 불가능에 가까울 것"이기 때문이다.

이 보고서는 또한 "압도적으로 미국과 중국에 본사를 둔 최대 기술 기업들이 운영하는 AI 인프라에 대해 진정으로 독립적인 대안이 부족하다"는 점을 짚는다.174 동시에 컴퓨트 비용은 계속 가파르게 오르고 있어, 최근 몇 년 동안 AI 학습 실행에 드는 지출이 해마다 2.5배씩 늘었다.175 효율과 최적화가 나아지고 있지만 총지출은 여전히 막대하며, 일부 선도 AI 기업은 앞으로 몇 년 동안 수천억 달러를 투자할 계획을 발표했다.

높은 자본 요구와 빠른 기술 변화를 고려하면, 정부가 유일한 공급자가 아니라 여러 파트너 중 하나로 참여하는 민관 협력을 추진하는 편이 더 현실적이다. 미국에서 과학 중심의 파운데이션 모델을 구축하는 이니셔티브인 Aurora GPT와 유럽의 AI 팩토리(AI Factories) 이니셔티브는 모두 이러한 협력의 사례이며, 그 결과 공공성의 정도가 높은 인프라가 만들어졌다.

게다가 공공 컴퓨트 이니셔티브에는 두 가지 큰 약점이 있다. 첫째, 효과적인 배분 메커니즘이 없고, 어떤 AI 구성 요소와 인프라를 우선해야 하는지에 대한 분명한 비전 없이 운영되는 경우가 많다. 모든 프로젝트에 대규모 컴퓨트가 필요한 것은 아니며, 건전한 공공 컴퓨트 전략을 세우려면 실제 컴퓨팅 수요를 더 잘 이해해야 한다. 명확한 기준과 거버넌스가 없으면 자원이 잘못 배분되거나 충분히 쓰이지 못할 위험이 있다. 잠재적인 "AI를 위한 CERN" 같은 대규모 이니셔티브는 어떤 기관, 연구자, 프로젝트에 어느 수준의 컴퓨트가 필요한지 파악하는 체계적인 수요 평가에서 출발해야 한다. 이러한 수요 중심 접근이 배분 정책, 접근 규칙, 향후 확장의 길잡이가 되어야 한다. 미션 중심 전략은 컴퓨트 사용을 명확한 공공 목표와 연결해야 한다.

둘째, 컴퓨트 이니셔티브는 흔히 주권 자산으로 규정되며, 국가 통제와 역량 확대 자체를 목적으로 삼는다. 이런 관점은 누가 어떤 목적으로 컴퓨팅 파워에 접근하는가라는 더 의미 있는 질문보다 AI 주권을 둘러싼 지정학적 서사를 앞세울 위험이 있다.

이러한 구조적 의존을 고려하면, 공공 AI로 가는 컴퓨트 기반 경로의 대부분은 공공성 스펙트럼의 중간쯤에 놓일 가능성이 크다.

컴퓨트 경로에 대한 정책 권고는 다음과 같다.

오픈소스 AI 개발을 위한 공공 컴퓨트

첫 번째 권고는 개방되고 접근 가능한 학습 데이터를 갖춘 완전한 오픈소스 AI 프로젝트가 충분한 컴퓨트 자원을 쓸 수 있도록 보장하는 것이다. 모든 공공 AI 의제의 핵심 관심사는 최첨단에 견줄 만한 역량을 갖춘 개방형 모델이 적어도 하나는 존재하도록 보장하고, 그런 모델을 개발하고 다룰 제도적 역량을 함께 갖추는 것이어야 한다(이는 모델 경로 절에서 더 다룬다). 공공 슈퍼컴퓨터와 공공이 지원하는 데이터센터 이니셔티브는 이를 가능하게 하는 데 필수적인 역할을 한다.

주목할 만한 사례는 앨런 AI 연구소(Allen Institute for AI)와 EU의 EuroHPC AI 팩토리 이니셔티브의 일부인 LUMI 슈퍼컴퓨터의 협력이다. 2024년 앨런 연구소는 사전학습 데이터셋까지 포함한 완전한 오픈소스 언어 모델 OLMo를 공개했는데, 이 모델은 LUMI의 컴퓨팅 파워로 학습되었다.176 EuroHPC 이니셔티브는 EU 기금, 각국 예산, 민간 기여를 함께 재원으로 삼는 준공공 인프라의 한 형태다.177

또 다른 사례는 아르곤 국립연구소(Argonne National Lab)가 인텔(Intel)과 협력해 이끄는 미국 프로젝트 Aurora GPT다. 이 프로젝트는 Aurora 슈퍼컴퓨터와 인텔이 제공한 GPU를 활용한 민관 협력으로 과학용 파운데이션 모델을 개발한다.178 유럽에서는 바르셀로나 슈퍼컴퓨팅 센터(Barcelona Supercomputing Center)가 최근 개방적이고 투명하며 공공적이라고 소개한 스페인어 모델 Alia를 공개했다.179

이 사례들은 공공 컴퓨트가 오픈소스 AI 노력을 지원할 잠재력을 보여 준다. 그러나 최전선에서 계속 발전하고 널리 배치되려면 공공 컴퓨팅 역량을 지속적으로 확대하고 업그레이드해야 한다. 독점 모델이 빠르게 발전을 거듭하면서, 개방형 모델이 너무 뒤처질 위험이 커지고 있다. 이 격차가 벌어지지 않게 하려면 오픈소스 AI 개발을 위한 공공 컴퓨트 접근을 넓히는 것이 필수적이다.

연구기관을 위한 공공 컴퓨트

공공 AI 전략의 두 번째 전략적 축은 학술기관과 공공 연구기관의 컴퓨트 접근을 넓히는 것이다. 많은 대학이 GPU의 높은 비용과 제한된 공급 때문에 심각한 제약을 겪으며, 비싼 상업 클라우드 서비스에 의존하는 경우가 많다. 최첨단 AI 연구가 폐쇄적인 민간 연구소에 갇히지 않고 대학과 연구소에서도 이루어지도록 하려면 공공 슈퍼컴퓨팅과 데이터센터 이니셔티브에 대한 투자가 필수적이다.

학계에 컴퓨트 접근을 제공하는 것은 최고의 AI 인재를 공공 연구기관으로 끌어들이고 붙잡아 두는 방법이기도 하다. 적절한 자원이 없으면 연구자와 학생은 자금이 풍부한 기업 연구소로 향할 수 있고, 이는 완전한 오픈소스 모델과 공익 애플리케이션의 개발을 제약한다.

공공 컴퓨트 이니셔티브 간 조정 강화

기존의 많은 공공 컴퓨트 이니셔티브는 인프라를 주로 주권 자산으로 규정하며 국가 통제와 국내 역량을 강조하는 경향이 있다. 그러나 이처럼 주권을 앞세우는 접근은 공공 AI의 더 넓은 미션을 파편화할 위험이 있다. 진정한 공공 AI 의제라면 좁은 국가 전략을 강화하기보다, 공공 투자의 효과를 극대화하기 위해 국경을 넘는 협력, 특히 민주주의 국가 간의 협력을 촉진해야 한다. 조정된 전략이 없으면 정부들은 노력을 중복하고, 자원을 충분히 활용하지 못하며, 오픈소스 AI 생태계를 지원하고 독점 모델에 대한 실행 가능한 공공 대안을 만드는 데 필요한 규모에 이르지 못할 위험이 있다.

조정 강화가 시급한 분야 중 하나는 유럽의 AI 팩토리 이니셔티브다. 이 이니셔티브는 대형 슈퍼컴퓨팅 거점 같은 전략적 위치에 데이터센터를 세웠다. 잠재력을 온전히 발휘하려면 국경을 넘는 더 깊은 협력이 도움이 될 것이다. 이러한 접근을 구현한 제안 하나가 "AI를 위한 에어버스" 모델이다.180 이 모델은 자원을 모으고 공동 역량을 구축해 고성능 개방형 AI 모델을 만들자고 주장한다. 흩어진 인프라를 응집력 있고 전략적이며 효과적인 공공 AI 생태계로 바꾸려면 이러한 협력 틀을 지원하는 일이 필수적이다.

공공 AI로 가는 데이터 경로

AI 개발을 위한 데이터 출처에 대한 현재의 접근은 독점적 통제와 공공 출처에서의 무제한 추출 사이를 오간다. 컴퓨트 경로와 달리, 데이터 커먼즈를 세우는 일은 주로 기술이나 하드웨어에 대한 투자의 문제가 아니다. 여러 유형의 데이터에 대한 더 나은 거버넌스가 필요하다. 데이터 경로는 가치 추출을 막고 공평한 접근을 보장하는 거버넌스 메커니즘을 갖춘 진정한 디지털 공공재를 만들 기회를 준다. 이를 위해서는 독점적 통제, 데이터 사용에 대한 동의 감소, 데이터 품질에 대한 관심 부족이라는 병목을 극복해야 한다.

데이터: 병목

AI 개발의 상당 부분이 개방적 공유 문화에 힘입고 있지만, 데이터 관행은 대체로 독점적 통제나 공개 출처의 규제 없는 사용으로 형성된다. 고품질의 유용한 데이터셋을 공유하려고 의미 있게 노력하는 AI 개발팀은 드물다. 동시에 이들은 소셜 네트워크와 온라인 플랫폼의 이용자 생성 데이터와 개인 데이터, 또는 독점 계약으로 얻은 데이터 같은 독점적 출처를 통해 경쟁 우위를 얻으려 한다. 공개 웹 콘텐츠는 품질을 걸러 내고 높이려는 시도와 함께 계속 크롤링되고 스크레이핑된다. 그러나 콘텐츠 소유자들이 자기 도메인의 크롤링에 대한 동의를 점점 더 철회하면서, 개방형 웹을 떠받치던 사회계약이 무너지고 있다는 징후가 보인다. 이러한 흐름은 부정적 피드백 고리를 만들어, 스테판 페르휠스트(Stefaan Verhulst)가 말한 "데이터 겨울", 곧 데이터를 공동선에 이바지하는 자원으로 보려는 의지의 쇠퇴로 이어진다.181

AI 학습을 위한 데이터 사용에 관한 거버넌스와 윤리 문제도 또 하나의 주요 병목이다. 상업 모델을 공개 인터넷 전체로 학습시키는 관행은 흔히 불명확한 법적 조건과 최소한의 투명성 아래 이루어지며, 적절한 감독이 없다는 것을 보여 준다. 그 결과 세계의 지식 커먼즈와 문화 커먼즈에서 가치가 추출된다.182 데이터 출처 이니셔티브(Data Provenance Initiative)가 모은 증거에 따르면 웹 크롤링에 대한 동의는 꾸준히 줄고 있으며, 특히 콘텐츠가 AI 학습에 쓰이는 도메인에서 그렇다.183 또한 위키미디어 재단(Wikimedia Foundation)의 최근 데이터는 AI 기업 웹 크롤러가 일으키는 자동화 트래픽이 빠르게 늘어 재정적 부담이 되고 있음을 보여 준다.184

데이터 품질은 또 다른 과제다. 컴퓨트 관련 의존과 달리, 낮은 데이터 품질이 AI 개발을 멈추게 하지는 않겠지만 생성형 AI 솔루션의 유용성과 무결성을 훼손한다. 공개된 콘텐츠로 모델을 학습시키는 관행은 부실한 거버넌스뿐 아니라 데이터 품질에 대한 관심 부족도 드러내는 경우가 많다. 일부 전문가가 이 문제를 제기했지만,185 되풀이되는 사례들은 거버넌스 관행이 여전히 불충분함을 보여 준다.

그 결과 웹에서 스크레이핑한 콘텐츠로 만든 대규모 데이터셋이 널리 쓰이면서, 자원이 풍부한 문자 언어와 지배적 문화 서사가 과대 대표되는 것 같은 편향을 강화하고 기존 불평등을 악화할 위험이 있다. 어떤 경우에는 노골적 이미지를 포함한 유해 콘텐츠가 대규모로 확산되기도 했다.186 세계적 차원에서 부적절한 데이터 거버넌스는 새로운 형태의 데이터 식민주의와 추출적 관행을 가능하게 하는 것으로 점점 더 인식되고 있다.187

데이터: 기회

공공 AI 개발의 데이터 경로는 디지털 공공재로 기능하는 데이터셋과 콘텐츠 컬렉션의 풀을 만드는 것을 목표로 한다. 데이터는 보통 AI 개발을 위한 공공 인프라로 여겨지지 않는다. 하지만 실제로는 공공적 속성을 지니고, 공공 기능을 수행하며, 공공 통제를 받을 수 있다.188 그렇게 되려면 이중의 의무가 필요하다. 접근을 넓히는 것, 그리고 다양한 데이터 출처를 더 잘 보호하는 것이다. 데이터의 경우 핵심 과제는 상류의 의존성보다 하류의 위험에 있다. 곧 공공 데이터가 사적 이익을 위해 추출되어 불평등을 강화할 위험이다.189 이런 일은 민간 행위자가 데이터에서 생긴 경제적 가치를 차지하면서, 그 데이터를 공공재로 만들거나 유지해 온 사람과 기관에는 아무것도 돌려주지 않을 때 일어난다.

그러므로 데이터 공유 노력은 초점을 옮겨야 한다. 쓸 수 있는 데이터의 양을 늘리는 데서 벗어나, 데이터의 질을 높이고 가치 추출로부터 보호되는 공정하고 지속 가능한 공유를 보장하는 거버넌스 장치를 갖추는 쪽으로 가야 한다. 그 결과 데이터 투명성과 새로운 제한적 접근(gated access) 모델(예를 들어 개인정보 권리를 보호하기 위한 모델)이 거버넌스의 핵심 쟁점으로 떠오르고 있다. 또한 적어도 연구 목적으로는 상업 데이터셋에 대한 접근을 보장하는 것이 공익적 용도로 민간 데이터를 확보하는 데 꼭 필요한 호혜적 조치다.

모델 개발자들은 언제나 고품질 공개 데이터셋에 기대어 왔다. 위키백과(Wikipedia)는 구조화된 고품질 데이터셋의 대표적인 예다. 책도 여전히 기초적인 데이터 출처다.190 Books3 데이터셋의 사례처럼 법적 지위가 모호할 때조차 그렇다. 학습 데이터의 양을 늘리는 것만이 유일한 전략도 아니고 가장 효과적인 전략도 아니다. 개발자들은 이미 웹에서 긁어 온 데이터의 질을 높이는 데 집중하고 있다. Common Crawl 데이터를 걸러 내고 정제하는 FineWeb 데이터셋 같은 프로젝트가 그 예다.

고품질 데이터 출처는 생성형 AI 개발의 여러 단계를 뒷받침할 수 있다. 사전학습, 사후학습 또는 적응(adaptation), 추론, 그리고 합성 데이터 생성이 그것이다.191 데이터셋 개발의 새로운 접근법은 사전학습에 덜 의존하고 사후학습 단계에 더 집중한다. 이 단계에는 "야생에서" 쉽게 찾거나 공개 출처에서 긁어 올 수 없는 데이터가 필요하다. 전문 모델을 미세조정하기 위한 특정 분야 데이터, 그리고 지시 튜닝(instruction tuning)에 쓰이는 대화와 과제별 예시가 여기에 들어간다. 예를 들어 모델 증류(distillation)에서 개발자는 사람이 새로 만든 데이터가 아니라 "교사" 모델이 생성한 합성 데이터에 의존한다. 따라서 공공 개입은 공개적으로 이용 가능한 데이터의 거버넌스와, 전문 데이터셋 및 도구의 개발을 모두 다뤄야 한다. 후자는 공공 AI를 위한 소프트웨어와 도구 생태계의 일부로서 추가 조치 절에서 더 자세히 다룬다.

데이터는 균질한 개념이 아니다. 데이터 이용은 저작권과 개인정보 규제를 비롯해 데이터 권리를 보호하는 여러 법적 틀의 적용을 받는다. 그래서 데이터 공유는 완전 개방형부터 제한적 접근 모델까지 하나의 스펙트럼 위에 놓여 있다. 그 각각은 커먼즈(공유지) 기반 거버넌스의 한 형태로 이해할 수 있다. 이런 접근법들은 몇 가지 핵심 원칙에 기대고 있다. 필요한 제한은 유지하되 가능한 한 많은 데이터를 공유할 것, 데이터 출처에 대해 투명할 것, 데이터 주체의 선택을 존중할 것, 공유 자원을 보호할 것, 데이터셋의 질을 유지할 것, 그리고 이를 관리할 신뢰받는 기관을 세울 것이다.

데이터 경로에 대한 정책 권고는 다음과 같다.

디지털 공공재로서의 데이터셋

위키미디어(Wikimedia) 콘텐츠 같은 오픈 데이터는 생성형 AI 모델 개발의 기초 자원이었다. 공개 라이선스가 적용된 데이터와 콘텐츠를 AI 학습에 쓰면 모델 개발에서 법적 확실성을 얻을 수 있다는 장점이 있다. GovLab의 연구에 따르면 "오픈 데이터, 특히 정부나 연구 기관의 오픈 데이터와 생성형 AI가 만나면 생성형 AI 결과물의 질을 높일 수 있을 뿐 아니라, 생성형 AI의 활용 사례를 넓히고 오픈 데이터 접근을 민주화하는 데도 도움이 된다."192 따라서 오픈 데이터는 기후변화나 보건 같은 전 지구적 과제를 다루는 해법에서 생성형 AI의 공공 기능을 뒷받침할 잠재력이 있다.193

오픈 데이터셋을 AI 학습에 쓰면 현재의 모델 개방성 관행을 넘어설 가능성도 생긴다. 지금은 모델 가중치는 공유되지만 학습 데이터는 닫혀 있고 불투명하다. 오픈 데이터가 있으면 완전히 개방된 AI 모델을 개발할 수 있다.194 EleutherAI, Spawning, 앨런 AI 연구소(Allen Institute for AI) 같은 조직이 이런 모델을 만드는 작업을 진행하고 있다.

공공 AI 정책은 10년 넘게 쌓인 오픈 데이터 인프라 개발 경험을 토대로 삼을 수 있다. 다만 접근 방식은 바뀌어야 한다. 가능한 한 많은 데이터를 공개하는 데서 그치지 말고, AI 학습을 위해 목적에 맞게 만든 고품질 데이터셋을 의도적으로 만들어야 한다. 파운데이션 모델 학습 말고도 이미 많은 이니셔티브가 계산 연구를 위한 오픈 데이터를 제공하며 개방형 접근의 가치를 보여 주고 있다. 대표적인 예로 인간 게놈 프로젝트(Human Genome Project), CERN의 Open Data 포털, NASA의 Earthdata 플랫폼이 있다.

공공 데이터 커먼즈

공공 데이터 커먼즈는 커먼즈 기반의 데이터 관리를 통해 공익 목표를 달성하려는 데이터 거버넌스 틀이다.195 이런 커먼즈는 오픈 데이터 접근법을 보완한다. 특히 권리를 보호해야 하는 민감한 데이터를 다루는 경우, 또는 데이터셋을 만들고 유지하는 데 따르는 경제적 요인을 고려해야 하는 경우에 잘 맞는다.

공공 데이터 커먼즈는 세 가지 핵심 원칙에 따라 운영되어야 한다.

  • 명확한 공유 틀과 허가 인터페이스로 접근을 관리한다
  • 정의된 공동체, 신뢰받는 기관, 민주적 통제를 통해 집단적 거버넌스를 보장한다
  • 사명 지향적 목표와 공익 지향적 라이선스로 공공 가치를 만들어 낸다

AI 학습을 위한 데이터 커먼즈를 세우려면 신뢰받는 중개자 역할을 할 전담 공공 기관이 필요하다. 이 기관은 현대적인 학습 데이터셋을 위한 호스팅 플랫폼을 구축할 기술 역량도 갖춰야 한다. 공공 데이터 커먼즈는 문지기 역할을 한다. 다양한 유형의 데이터를 지원하고, 개방형 접근부터 개인과 집단의 데이터 권리를 지키는 제한적 접근 모델까지 유연한 거버넌스를 적용한다. 데이터 커먼즈 작업은 흔히 공동체가 소유한 데이터를 착취로부터 보호해야 한다는 필요에서 출발한다. 대표적인 예로 Te Hiku Media가 개발한 마오리어 데이터셋과 AI 도구, 그리고 Common Voice와 African Languages Project가 큐레이션한 아프리카 언어 데이터셋이 있다.

공공 AI로 가는 모델 경로

모델 개발과 관련된 병목은 대체로 앞서 설명한 컴퓨트 층과 데이터 층의 과제에서 비롯된다. 트랜스포머 패러다임에서는 제한된 연산 능력과 학습 데이터에 대한 제한된 접근이 유능한 모델을 만드는 능력을 제약한다. 한편 이 층은 모델과 관련 도구 및 구성 요소를 개방적으로 공유하는 강한 규범을 특징으로 한다. 그럼에도 이 층의 병목은 주로, 개방형 모델 개발이라는 더 넓은 생태계의 "갓돌(capstone)" 역할을 할 만큼 고성능인 개방형 모델이 없다는 점과 관련된다.

반면 공공 통제와 공공적 속성에서 높은 기준을 충족하는 작은 모델은 많다. 하지만 이들은 대개 연구용이나 공학적 산물에 머문다. DeepSeek의 사례처럼 최첨단 개방형 모델을 만드는 데는 여전히 막대한 컴퓨트 자원이 필요하고, 이런 자원은 대체로 자금이 넉넉한 상업 행위자만 쓸 수 있다. 앨런 AI 연구소가 공개한 완전 오픈소스 OLMo 모델 같은 주목할 만한 예외도 있지만 드물다. 그 결과 개방형 모델 위에 맞춤형 공익 애플리케이션을 개발하는 데 집중하는 하류 이니셔티브는 더더욱 적다.

모델: 병목

모델 층에서 공공 AI 정책의 목표는 공익적 용도로 배포할 수 있는 개방형 AI 모델의 활발한 개발을 보장하는 데 맞춰져야 한다. 지배적인 트랜스포머 패러다임에서 모델 개발은 컴퓨트, 그리고 충분한 고품질 학습 데이터의 부족과 관련된 심각한 제약에 부딪힌다.

파운데이션 모델을 처음부터 만드는 일은 비용이 엄청날 뿐 아니라, 최첨단 역량이 빠르게 발전하는 탓에 금세 낡아 버릴 위험도 크다. 그래서 상업 AI 연구소와 정면으로 경쟁하려는 대규모 공공 투자는 정당화하기 어렵다. 공공 컴퓨트 자원이 제공되는 경우에도 배포는 여전히 큰 장애물이다. 프랑스 정부가 Jean-Zay 슈퍼컴퓨터로 BLOOM 모델을 지원한 사례가 그렇다.

모델 층에서 개방성과 접근성은 천차만별이다. 공개 전략에는 완전한 오픈소스 모델부터 API 기반 접근, 완전히 닫힌 모델까지 여러 단계가 있다.196 최첨단 모델을 만드는 주요 AI 연구소들은 다양한 전략을 택한다. 일부는 지난 한 해 동안 더 개방적인 쪽으로 움직였지만, 오픈소스 AI의 정의를 충족하는 모델을 공개한 곳은 하나도 없다. 기껏해야 일부가 가중치를 공개할 뿐, 학습 데이터를 밝히거나 학습 과정을 투명하게 공개하지는 않는다. 비교적 개방적인 행위자 가운데 모든 모델의 가중치를 꾸준히 공개하는 연구소는 DeepSeek뿐이다. Mistral과 Alibaba Labs는 일부 모델을 이런 방식으로 공개하고, Meta는 제한적인 라이선스로 여러 모델을 공유했다. 다른 기업들은 특정 모델만 공개했다. 대개 더 작거나 특정 과제용 모델로, 구글의 Gemma와 BERT, OpenAI의 Whisper, 마이크로소프트의 Phi 등이다.

앞서 설명했듯 모델 개발, 특히 컴퓨트 접근이 제한된 연구소의 모델 개발은 흔히 공개된 모델이나 아키텍처에서 파생 모델을 만드는 방식으로 이뤄진다. 이 때문에 Meta, Mistral, Alibaba Labs, DeepSeek 같은 주요 상업 행위자에 대한 의존이 생긴다. 어느 경우든 학습 데이터와 방법에 대한 투명성이 불완전해 이후의 연구와 개발을 가로막는다.

지난 2년 동안 여러 개방형 소형 모델이 공개되었다. 대개 주요 AI 연구소가 남겨 둔 언어적, 지역적 공백을 메우려고 개발된 것이다. AI Singapore가 만든 SEA-LION 모델, Cohere의 다국어 모델 계열인 Aya, 풀뿌리 이니셔티브 Spichlerz가 만든 폴란드어 LLM인 Bielik이 그 예다. 그러나 이런 개발자들은 보통 모델의 장기적인 개발이나 배포를 이어 갈 자원이 부족해, 이런 대안의 영향력이 제한된다.

모델 자체가 이후 AI 개발을 가능하게 하는 핵심 구성 요소이긴 하지만, 그 밖의 AI 모델 구성 요소에 대한 개방형 접근도 그만큼 중요하다. Model Openness Framework197와 Columbia Convening on Openness and AI의 Framework for Openness in Foundation Models198가 지적하듯, AI의 개방성은 개별 모델의 아키텍처와 매개변수를 넘어선다. 모델을 학습, 미세조정, 평가하는 데 쓰인 코드와 데이터셋도 포함한다.199, 200 이런 요소의 개발도 AI 개발 바깥의 많은 오픈소스 프로젝트에서 전형적으로 볼 수 있는 비슷한 제약을 겪는다.

모델: 기회

이런 제약을 보면 공공 AI 이니셔티브에는 상업 AI 개발과 정면으로 경쟁하는 것과는 다른 접근이 필요하다. 공공 AI 전략은 가장 크고 가장 유능한 모델을 만들기 위한 값비싼 경쟁에 뛰어드는 것을 목표로 삼아서는 안 된다. 공공 컴퓨트 역량을 대폭 늘리지 않는 한 그런 전략은 현실적이지도 지속 가능하지도 않다. 그 대신 경쟁력 있는 개방형 AI 모델과 그것을 만드는 데 필요한 구성 요소의 생태계를 키우는 데 초점을 맞춰야 한다.

기술 발전 속도가 빠르다는 것은 모델을 개발하거나 배포하는 데 필요한 자원이 빠르게 바뀔 수 있다는 뜻이다. 새로운 AI 패러다임이 등장하면 모델 개발이나 배포에 성공하기 위한 요구 조건은 언제든 달라질 수 있다. 예를 들어 최근 모델 증류 기술이 발전하면서 비교적 적은 비용으로 작고 효율적인 모델을 만들 수 있게 되었다. 이런 모델은 이전 세대의 대형 모델과 충분히 겨룰 수 있다.

공공 AI로 가는 모델 기반 경로는 더 저렴하면서도 유능한 모델을 가능하게 하는 기술 발전을 분명히 이해하는 데서 출발해야 한다. 그리고 오픈소스 AI 생태계 전체와 공익 혁신을 뒷받침하는 표적 투자가 함께 따라야 한다. 이 경로는 최첨단 "갓돌 모델(capstone model)"의 개발과, 더 지속 가능하고 특정 필요에 맞는 파생 소형 모델의 제작을 모두 지원해야 한다.

모델 경로에 대한 정책 권고는 다음과 같다.

갓돌 모델의 제공

오늘날 이른바 개방형 모델 대부분은 진정한 오픈소스 기준에 못 미친다. 학습 데이터, 핵심 문서, 학습 과정에 대한 투명성을 빠뜨리는 경우가 많다. 이는 과학적 재현 가능성을 해치고, 모델의 편향을 감사하거나 평가하기 어렵게 만든다. 그 결과 핵심 인프라가 점점 더 민주적 감독 없이 민간 행위자에 의해 형성되고 있다. 특히 프런티어에서 그렇지만, 최첨단 모델이 모두 민간 기업에서 나오는 것은 아니다. 예를 들어 앨런 AI 연구소의 OLMo 2는 개방적이고 투명한 대안이 가능함을 보여 준다.

탄탄한 공공 AI 전략은 공개적으로 이용 가능한 고성능 모델의 개발과 장기적 지속 가능성을 키워, 독점 시스템에 맞설 공공 대안의 풍부한 생태계를 확보해야 한다. 그중에서도 정부는 적어도 하나의 "갓돌 모델"을 만드는 일을 우선해야 한다. 이는 영구히 개방되고 민주적으로 운영되며, AI 역량의 프런티어나 그 가까이에 머무는 것을 지향하는 모델이다. 이 모델은 대표적인 공공 자산일 뿐 아니라 폭넓은 연구, 혁신, 배포의 토대가 될 것이다. 이런 모델이 여럿 나올 수도 있지만, 갓돌 모델은 전략적 닻 역할을 한다. 오픈소스는 전 지구적인 작업이므로, 모델이 어느 나라에서 왔는지보다 오픈소스 기준을 지키는지가 우선해야 한다.

그러나 AI 혁신 속도가 빠르기 때문에 최첨단 모델을 만드는 일에는 금세 낡아 버릴 위험이 따른다. 선도적인 상업 연구소의 새로운 돌파구가 공공의 노력을 빠르게 앞지를 수 있다. 아래에서 다루듯, 보완적인 선택지로는 소형 모델과 특정 분야 모델에 대한 투자, 그리고 AI 연구개발 역량(곧 인적 자본)에 대한 투자가 있다.

더 넓은 생태계의 지속 가능하고 믿을 만한 토대로 기능하려면 갓돌 모델은 영구적인 공공재로 제공되어야 한다. 공공 AI 전략은 모델 개발뿐 아니라 장기적인 배포, 특히 추론 컴퓨트 비용을 감당할 재원도 확보해야 한다.

소형 모델과 특정 분야 모델의 개발

제한된 공공 컴퓨트 자원은 공공 가치를 만들어 내거나 시장 역학을 바꾸는 표적 개입에 전략적으로 쓸 수 있다. 특정한 언어적, 문화적 공백을 메우는 소형 언어 모델이 좋은 예다. 이런 공공 AI 이니셔티브는 상업 시장에서 정면으로 경쟁하려는 것이 아니라 공공 가치를 만들어 내는 대안을 마련하려는 것이다.

예를 들어 AI Singapore가 개발한 SEA-LION(Southeast Asian Languages in One Network)은 동남아시아 언어와 문화적 맥락에 맞춘 특정 분야 모델을 만드는 데 집중한다. 버마어, 중국어, 영어, 필리핀어, 인도네시아어, 크메르어, 라오어, 말레이어, 타밀어, 태국어, 베트남어 등이다. 이로써 전 지구적 상업 AI 개발이 놓친 필요를 채운다. 마찬가지로 카탈루냐 정부가 이끄는 AINA 프로젝트는 문화 보존에 기여하려고 카탈루냐어 AI 모델 개발을 지원한다.

트랜스포머 아키텍처와 그 스케일링 법칙을 넘어서는 대안적 개발 방식에 대한 연구도 필요하다. 혁신은 자원을 덜 쓰는 AI 기술을 만드는 데 초점을 맞춰야 한다. 대안적 모델 아키텍처에 대한 투자는 단순한 기술적 호기심이 아니다. AI 개발의 지속 가능성을 확보하기 위한 전략적 필요다. 계산 부담을 줄이면 이런 대안 모델은 에너지 수요와 운영 비용을 낮춰, 공공 기관과 연구 조직이 첨단 AI 역량을 더 쉽게 쓸 수 있게 해 줄 것이다.

지속 가능하고 개방적인 AI 개발 생태계

공공 AI 전략에는 AI 개발의 핵심 소프트웨어 구성 요소인 다양한 디지털 공공재에 대한 표적 투자가 포함되어야 한다. 데이터 준비용 파이썬 라이브러리인 pandas부터 머신러닝 라이브러리 scikit-learn, 딥러닝 프레임워크 PyTorch까지, 널리 쓰이는 소프트웨어 도구 상당수는 핵심적인 역할을 하고 상당한 공공적, 경제적 가치를 만들어 내는데도 지속 가능성 문제로 어려움을 겪는다.

정부는 이런 도구의 유지보수, 보안, 발전에 재원을 대는 핵심 역할을 할 수 있다. 이미 시작한 곳도 있다. 독일의 Sovereign Tech Fund는 핵심 파이썬 라이브러리를 지원하고, 프랑스의 국가 AI 전략은 scikit-learn과 더 넓은 데이터 과학 커먼즈의 발전에 3,200만 유로를 약속했다.201

공공 AI 시스템의 안전하고 책임 있는 개발을 돕는 개방형 접근 AI 안전 연구와 오픈소스 도구에 투자할 필요도 커지고 있다. Inspect(영국 AI 안전 연구소), Compl-AI(취리히 연방공대), ROOST(2025년 AI 행동 정상회의에서 출범) 같은 프로젝트는 AI의 안전성, 규정 준수, 정렬을 평가하고 개선하는 데 도움을 주는 공공 지향 도구의 예다.

마지막으로, 모델의 역량과 사회적 영향을 측정하려면 개방형 벤치마크가 꼭 필요하다. 현재 벤치마크는 주로 기술적 성능에 초점을 맞추지만, 새로운 벤치마크는 AI 시스템이 공공 목표에 얼마나 잘 봉사하는지를 평가해야 한다. 특히 공공 안전이나 일반 이익이 크게 걸린 규제 산업 안에서 그렇다.

추가 조치

세 가지 경로를 통해 공공 AI 인프라와 역량을 구축하는 정책 말고도, 공공 AI 정책이 성공하려면 몇 가지 조치가 더 필요하다. 이 조치들은 주로 혁신할 만큼 충분한 인재와 역량, 협력을 지속할 도구와 자원, 영향력 있는 해법을 만들 능력을 갖춘 생태계를 뒷받침하는 데 목적이 있다.

AI 인재와 역량에 투자한다

노동력 전반과 미래 세대에 걸쳐 AI 역량, 지식, 기술에 투자하는 것은 효과적인 공공 AI 전략의 초석이다. 이런 노력은 공공 생성형 AI 모델의 개발을 가능하게 할 뿐 아니라, 연구 기관, 중소기업, 공공 기관, 비디지털 부문 등 폭넓은 이해관계자가 지역의 필요에 맞게 AI 기술을 도입하고, 고쳐 쓰고, 그 방향에 영향을 미칠 수 있게 한다.

역량 구축은 모델 개발에 딸린 부차적인 일이 아니다. 정부가 할 수 있는 가장 전략적인 역할 가운데 하나이고, 작은 나라일수록 더 그렇다. 이런 나라들은 최첨단 모델 학습을 선도하지는 못할 수 있다. 하지만 지역 개발자, 연구자, 기관이라는 튼튼한 기반에 투자한다면 개방형 파운데이션 모델을 활용해 지역에 맞는 AI 애플리케이션을 만들 수 있다. 자본 집약적인 모델 학습과 달리, 역량 구축은 기술과 함께 진화할 수 있는 지속 가능하고 유연한 혁신의 토대를 제공한다.

이를 위해서는 기술, 연구, 제도적 지원에 대한 공공 투자가 필요하다. 공익 연구 의제를 위한 보조금부터 명확한 임무를 지닌 전담 연구소 설립 자금까지 포함된다. 예를 들어 2023년 출범한 영국의 AI 안전 연구소(AI Safety Institute)는 공공 재원, 국가 컴퓨트 자원 접근, 응용 안전 연구를 결합해 책임 있는 AI 개발을 지원한다. 마찬가지로 민간 부문이 자금을 대는 대만의 AI 아카데미(AI Academy)는 컴퓨트 접근을 바탕으로 한 교육 프로그램과 산학 협력을 통해 노동시장의 인재 공백을 메운다. 이런 모델들은 여러 부문에 걸친 인적 자본 투자가 회복력 있고 포용적인 공공 AI 생태계를 어떻게 떠받칠 수 있는지 보여 준다.

패러다임을 바꾸는 혁신을 지원한다

이 보고서는 대부분 공공 생성형 AI를 개발할 경로를 제안하는 데 집중했다. 그러면서 트랜스포머 아키텍처와 관련 스케일링 법칙에 기반한 현재 개발 패러다임의 현실을 고려했다. 바로 이것이 컴퓨트 층의 의존성을 낳는 근본 원인이고, 완전한 공공 AI를 이루기 어렵게 만든다. 그러므로 공공 AI 전략은 패러다임을 바꾸는 혁신을 지원하는 데도 초점을 맞춰야 한다. 새로운 AI 모델 아키텍처를 설계하고 AI 솔루션의 에너지 효율을 높이려는 노력은 공공 AI 전략의 핵심 요소다. AI 스택의 의존성을 옮겨 AI 개발의 전반적인 조건을 바꿀 수 있기 때문이다. AI 개발 패러다임과, 하드웨어 및 인프라에 얽힌 경제 구조가 바뀌면 결국 공공 컴퓨트와 클라우드 인프라를 제공할 수 있게 될 것이다. 이런 개입이 이뤄지면 상업 하이퍼스케일러와 컴퓨트에 대한 의존이 줄어, 오늘날 반(半)공공인 해법이 완전한 공공 해법이 될 수 있다. 슈퍼컴퓨팅 센터 같은 공공 컴퓨트 역량에 대한 투자는 새롭고 더 지속 가능한 AI 개발 패러다임에 관한 연구 의제와 짝을 이뤄야 한다.

AI 생태계를 위한 소프트웨어와 도구에 투자한다

앞에서 소프트웨어는 AI 스택의 다른 층을 가로지르며 모든 층에서 핵심 역할을 하는 별도의 횡단 층으로 정의했다. 소프트웨어는 컴퓨팅 하드웨어를 관리하고, 방대한 데이터셋을 만들고 다루며, 생성형 AI 모델을 학습시키거나 배포하는 데 반드시 필요하다. 그래서 공공 AI 정책에는 오픈소스 소프트웨어 개발 지원 예산이 포함되어야 한다. 그 형태는 여러 가지일 수 있다. AI를 위한 개방형 디지털 인프라(Open Digital Infrastructure)에 투자해 온203 독일 Sovereign Technology Fund 같은 모범 사례를 본뜬 공공 AI 인프라 기금,202 앞서 말한 기금이나 영국 연구혁신청(UK Research and Innovation, UKRI) 같은 기존 공공 재원 기관을 통한 표적 지원,204 또는 프랑스가 국가 AI 전략에서 scikit-learn과 더 넓은 데이터 과학 커먼즈에 자금을 댄 것처럼 AI 전략을 통한 오픈소스 소프트웨어 직접 지원205이 그것이다.

하드웨어 중심의 컴퓨팅 투자와 달리, 소프트웨어 개발은 비교적 적은 재원으로 큰 효과를 낼 수 있다. 이런 소프트웨어 개발은 오픈소스 AI 생태계를 뒷받침하고, 협력을 보장하며, 역량 개발을 돕는다.

이 권고는 소프트웨어에 한정되지 않는다. 평가 프레임워크, 벤치마크, 개발 환경 같은 다른 도구도 포함한다. 사후학습에 민주적 의견을 반영하는 프레임워크처럼 새로운 도구를 개발하는 일도 여기에 들어갈 수 있다.206 어느 경우든 오픈소스 소프트웨어 개발에 공공 재원을 투입하면 진입 장벽이 낮아지고, (CUDA의 경우처럼) 핵심 구성 요소에 대한 독점적 통제 때문에 새로운 병목이 생기는 일을 막을 수 있다. 스택에서 지원이 부족한 구성 요소에 특히 관심을 기울여야 한다. 데이터 처리 파이프라인, 모델 평가 도구 모음, 배포 단계의 공공 책임성을 뒷받침하는 도구 등이다. 지원은 초기 개발에서 끝나지 않고, 디지털 공공재로 다뤄지는 핵심 소프트웨어와 도구의 유지보수까지 이어져야 한다.

AI 배포 경로를 만든다

원칙적으로 공공 인프라는 다양한 행위자가 이용하면서 파급 효과, 곧 긍정적 외부효과를 만들어 낸다. 동시에 이런 인프라 위에 만들어진 애플리케이션과 해법은 공공 AI의 가치를 더 직접적으로 실현한다. 실제 문제를 다루고 눈에 보이는 사회적 혜택을 낳을 수 있기 때문이다. 이런 애플리케이션은 기반 인프라를 개선하는 데 필요한 피드백도 제공한다.

AI는 범용 기술이므로, 공공 AI 인프라는 추상적이고 삶의 모든 영역은 아니더라도 많은 영역에 폭넓게 적용된다. 이 인프라에 대한 투자의 잠재력을 살리려면 구체적인 해법을 개발해야 한다. 그렇지 않으면 데이터셋처럼 공공 AI에 담긴 역량과 가치가 상업 행위자에게 넘어가 사적 이익을 위해 쓰일 위험이 있다. 공공 AI 스택 위에 만든 애플리케이션은 상업 AI 개발이 제대로 다루지 않는 문제를 해결할 수 있다. 따라서 초점은 공익 목표를 진전시키는 데 두어야 한다. 민간 산업에 투자할 유인이 없는 영역, 또는 선점 효과와 네트워크 효과를 누리는 상업 행위자가 가치를 차지할 위험이 있는 영역이다.207

공익 애플리케이션을 만들려는 최근의 노력으로는 다음이 있다. AI 기반의 지역 의사결정과 인도적 대응을 위해 데이터의 책임 있는 재사용을 장려하는 GovLab의 New Commons Challenge, 조직이 농민, 간호사, 기술자를 비롯한 현장 노동자를 위한 AI 비서를 개발하도록 돕는 Gooey.ai의 Workflow Accelerator, 그리고 앨런 AI 연구소가 운영하는 AI 기반 야생동물 보전 플랫폼 EarthRanger다.

맺음말: 사명 중심의 공공 AI 정책

3장에서 제시한 공공 AI의 특성은 AI 시스템의 아키텍처나 역량과 상관없이 변하지 않는다. 공공 AI는 개방적이고 접근 가능해야 하며, 공공 가치를 만들어 내고, 공공 통제 아래 있어야 한다. 이런 의미에서 공공 AI의 비전은 의도적으로 기술 중립적이다.

그러나 공공 AI 정책은 공익에 봉사하려면 어떤 종류의 기술이 필요한지도 분명히 밝혀야 한다. 그러려면 정책 논의가 개발되고 배포되는 AI 시스템의 유형에 관한 근본적인 질문을 적어도 어느 정도는 다뤄야 한다.

특히 공공 AI 정책은 많은 선도적 상업 AI 연구소가 내세우는 비전인 범용 인공지능(Artificial General Intelligence, AGI)이라는 관념과 씨름해야 한다. 모호하고 논쟁적인 이 용어는 대개 인간의 지능과 같거나 그것을 넘어서는 AI 시스템을 가리킨다. 예를 들어 OpenAI는 AGI를 "경제적으로 가치 있는 대부분의 일에서 인간을 능가하는 고도로 자율적인 시스템"으로 정의한다.208 정책 입안자는 AGI 개념에 신중하게 접근해야 한다. 이 개념은 흔히 과열 주기를 부추기고 기술 결정론을 키우기 때문이다.209

대안은 AI를 문화적 기술210, 또는 "보통의 AI(normal AI)"211로 다루는 것이다. 곧 초인적 역량을 보이지 않더라도 우리 사회를 근본적으로 바꿀 수 있는 기술로 보는 것이다.

이 보고서가 제안하는 공공 AI 전략에는 최첨단 파운데이션 모델의 개발이 포함된다. 상업 AI 개발의 상당 부분을 이끄는 과열을 피하면서, 공공 AI 정책은 AI 역량의 수요와 공급을 모두 꼼꼼히 분석한 데 기반해야 한다. 이 경우 탄탄한 최첨단 모델을 오픈소스 기술로 제공하면 시장의 중요한 공백을 메울 수 있다. 상업 모델은 기껏해야 가중치만 공개하고 학습 데이터나 개발 과정에 대한 투명한 문서는 내놓지 않기 때문이다.

앞의 모델 경로에서 설명했듯, 우리는 공공 파운데이션 모델의 제작과 다양한 소형 모델의 개발을 함께 지원할 것을 권고한다. 이 두 갈래 접근은 중심이 되는 유능한 모델의 혜택을 누리면서 더 전문적이고 지속 가능한 해법에도 투자하는 오픈소스 AI 생태계를 키운다. 두 방향 사이의 정확한 균형은 AI 개발의 경제학과 대중의 필요를 더 자세히 분석해 정해야 한다.

현재 AI 전략들은 AI가 다뤄야 할 사회적 필요도, 그 필요를 채우는 데 요구되는 기술적 역량도 구체적으로 밝히지 않는 경우가 많다. 대신 AI에 대한 공공 투자는 흔히 산업 정책이 경제 침체의 처방으로 파괴적 혁신을 지원해야 한다는 막연한 믿음에서 나온다. 이런 투자는 시민의 실제 일상적 필요보다 산업계의 요구를 따르는 경우가 너무 많다.212

컴퓨팅 파워에 대한 공공 투자 제안들이 이 문제를 잘 보여 준다. 이런 제안은 어떤 유형의 AI 시스템을 개발할지, 어떤 컴퓨팅 자원이 필요한지에 대한 분명한 분석이나 근거가 없는 경우가 많다. 그 결과 공공 AI 정책은 상업 AI 부문의 상당 부분을 움직이는 "많을수록 좋다"는 지속 불가능한 투자 논리를 되풀이할 위험이 있다. 이 보고서가 제시한 원칙에 따라 AI를 공공 디지털 인프라로 구축하는 쪽으로 방향을 바꾸면, 이런 함정을 피하고 AI 개발을 공공선에 맞출 수 있다.

주

162. Arvind Narayanan and Sayash Kapoor. “AI as Normal Technology.” Knight First Amendment Institute. 2025. https://kfai-documents.s3.amazonaws.com/documents/2b27e794d6/AI-as-Normal-Technology---Narayanan---Kapoor.pdf Accessed 3 April 2025.

163. Katja Bego. “Towards Public Digital Infrastructure: A Proposed Governance Model.” Nesta, 30 March 2022. https://www.nesta.org.uk/project-updates/towards-public-digital-infrastructure-a-proposed-governance-model/; Alek Tarkowski, et al. “Generative Interoperability.” Open Future, 11 March 2022. https://openfuture.eu/publication/generative-interoperability

164. Antonio Cordella and Andrea Paletti. “Government as a platform, orchestration, and public value creation: the Italian case.” Government Information Quarterly, 36 (4). ISSN 0740-624X. https://doi.org/10.1016/j.giq.2019.101409

165. Brandon Jackson. “The UK needs a ‘British AI Corporation’, modelled on the BBC.” Chatham House. 10 June 2024. https://www.chathamhouse.org/2024/06/artificial-intelligence-and-challenge-global-governance/07-uk-needs-british-ai-corporation

166. Alex Petropoulos, et al. “Building CERN for AI.” Center for Future Generations. 30 January 2025. https://cfg.eu/building-cern-for-ai/

167. Daniel Crespo and Mateo Valero. “Es la hora de ‘AIbus’: por qué Europa debe crear una gran empresa de AI.” El Pais. 11 April 2024. https://elpais.com/tecnologia/2024-04-11/es-la-hora-de-aibus-por-que-europa-debe-crear-una-gran-empresa-de-ai.html

168. “Nouveau partenariat pour promouvoir l‘IA d‘intérêt général.” Élysée. 11 February 2025. https://www.elysee.fr/emmanuel-macron/2025/02/11/nouveau-partenariat-pour-promouvoir-lia-dinteret-general

169. Jan-Peter Kleinhans and Julia Christina Hess. “Governments’ role in the global semiconductor value chain #2.” Stiftung Neue Verantwortung. 6 July 2022. https://www.interface-eu.org/publications/eca-mapping

170. “TSMC’s Advanced Processes Remain Resilient Amid Challenges.” Trendforce. 8 April 2024. https://www.trendforce.com/news/2024/04/08/news-tsmcs-advanced-processes-remain-resilient-amid-challenges/

171. Chris Miller. “Chip War. The Fight for the World‘s Most Critical Technology.” Simon & Schuster. 4 October 2022. https://www.simonandschuster.com/books/Chip-War/Chris-Miller/9781982172008

172. Steve Holland. “Trump announces private-sector $500 billion investment in AI infrastructure.” Reuters. 22 January 2025. https://www.reuters.com/technology/artificial-intelligence/trump-announce-private-sector-ai-infrastructure-investment-cbs-reports-2025-01-21/

173. Michael Flaherty. “Tech dollars flood into AI data centers.” Axios. 26 December 2024. https://www.axios.com/2024/12/20/big-tech-capex-ai

174. Matt Davies and Jai Vipra. “Computing Commons.” Ada Lovelace Institute. 7 February 2025. https://www.adalovelaceinstitute.org/report/computing-commons/

175. Be Cottier et al. “How Much Does It Cost to Train Frontier AI Models?” Epoch. 25 January 2024. https://epoch.ai/blog/how-much-does-it-cost-to-train-frontier-ai-models

176. Allen Institute for AI, “Hello OLMo: A Truly Open LLM.” Allen Institute for AI Blog. January 9 January 2024. https://allenai.org/blog/hello-olmo-a-truly-open-llm-43f7e7359222

177. European High-Performance Computing Joint Undertaking (EuroHPC JU). “Discover EuroHPC JU.” https://eurohpc-ju.europa.eu/about/discover-eurohpc-ju_en Accessed 27 April 2025.

178. Rusty Flint. “AuroraGPT: Argonne Lab and Intel.” Quantum Zeitgeist. 14 March 2024. https://quantumzeitgeist.com/auroragpt-argonne-lab-and-intel/

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

180. Daniel Crespo and Mateo Valero. ibid.

181. Stefaan Verhulst. “Are We Entering a Data Winter?” Policy Labs. 21 March 2024. https://policylabs.frontiersin.org/content/commentary-are-we-entering-a-data-winter

182. Paul Keller. “AI, the Commons and the Limits of Copyright.” Open Future. 7 March 2024. https://openfuture.eu/blog/ai-the-commons-and-the-limits-of-copyright/

183. Shayne Longpre et al. “Compulsory Licensing for Artificial Intelligence Models,” arXiv preprint. 24 July 2024. https://arxiv.org/abs/2407.14933

184. Birgit Mueller et al. “How Crawlers Impact the Operations of the Wikimedia Projects,” Diff, Wikimedia Foundation Blog, 1 April 1 2025. https://diff.wikimedia.org/2025/04/01/how-crawlers-impact-the-operations-of-the-wikimedia-projects/

185. Will Orr and Kate Crawford. “Is AI Computation a Public Good?” SocArXiv preprint. 2024. https://osf.io/preprints/socarxiv/8c9uh_v1

186. Abeba Birhane et al. “Multimodal datasets: misogyny, pornography, and malignant stereotypes.” arXiv preprint. 5 October 2021. https://arxiv.org/pdf/2110.01963 Accessed 3 April 2025.

187. James Muldoon and Boxi A. Wu. “Artificial Intelligence in the Colonial Matrix of Power.” Philosophy & Technology 36, no. 80 (2023). https://doi.org/10.1007/s13347-023-00687-8 Accessed 3 April 2025.

188. Digital Public Goods Alliance, et al. "Exploring Data as and in Service of the Public Good." https://www.digitalpublicgoods.net/PublicGoodDataReport.pdf Accessed 23 April 2025.

189. Paul Keller and Alek Tarkowski. "The Paradox of Open." Open Future. https://paradox.openfuture.eu/ Accessed 23 April 2025.

190. Alek Tarkowski et al. "Towards a Books Data Commons for AI Training." Open Future. 8 April 2024. https://openfuture.eu/publication/towards-a-books-data-commons-for-ai-training/

191. Hannah Chafetz, Sampriti Saxena and Stefaan G. Verhulst. "A Fourth Wave of Open Data? Exploring the Spectrum of Scenarios for Open Data and Generative AI." The GovLab. May 2024. https://www.genai.opendatapolicylab.org/

192. Digital Public Goods Alliance, ibid.

193. Hannah Chafetz, Sampriti Saxena and Stefaan G. Verhulst. ibid.

194. Stefan Baack, et al. "Towards Best Practices for Open Datasets for LLM Training Proceedings from the Dataset Convening." Mozilla. 13 January 2025. https://foundation.mozilla.org/en/research/library/towards-best-practices-for-open-datasets-for-llm-training/

195. 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/ Accessed 3 April 2025.

196. Irene Solaiman. ibid.

197. Matt White, et al. ibid.

198. Adrien Basdevant, et al. ibid.

199. Matt White, et al. ibid.

200. Adrien Basdevant, et al. ibid.

201. Ministère de l'Enseignement supérieur, de la Recherche et de l'Innovation. "Stratégie nationale pour l'intelligence artificiele – 2e phase." 8 November 2021. https://www.enseignementsup-recherche.gouv.fr/sites/default/files/2021-11/dossier-de-presse---strat-gie-nationale-pour-l-intelligence-artificielle-2e-phase-14920.pdf Accessed 23 April 2025.

202. Paul Keller. "European Public Digital Infrastructure Fund." Open Future. 27 February 2023. https://openfuture.eu/publication/european-public-digital-infrastructure-fund/

203. Adriana Groh. "AI Sovereignty Starts with Open Infrastructure." Sovereign Tech Agency. 27 February 2025. https://www.sovereign.tech/news/ai-sovereignty-open-infrastructure/

204. Tom Milton, Cailean Osborne, Matt Pickering. "A UK Open-Source Fund to Support Software Innovation and Maintenance." Centre for British Progress. 17 April 2024. https://britishprogress.org/uk-day-one/a-uk-open-source-fund-to-support-software-innovati

205. "Stratégie nationale pour l'intelligence artificiele – 2e phase." 8 November 2021. https://www.enseignementsup-recherche.gouv.fr/sites/default/files/2021-11/dossier-de-presse---strat-gie-nationale-pour-l-intelligence-artificielle-2e-phase-14920.pdf Accessed 23 April 2025.

206. "A Roadmap to Democratic AI." The Collective Intelligence Project. March 2024. https://www.cip.org/research/ai-roadmap

207. Nik Marda, Jasmine Sun and Mark Surman, ibid.

208. Lauren Leffer. "In the Race to Artificial General Intelligence, Where's the Finish Line?." Scientific American. 25 June 2024. https://www.scientificamerican.com/article/what-does-artificial-general-intelligence-actually-mean/

209. Zuzanna Warso. "The Digital Innovation We Need. Three lessons on EU Research and Innovation funding." Open Future. 12 November 2024. https://openfuture.eu/publication/the-digital-transformation-we-need/

210. Henry Farrell, et al. "Large AI models are cultural and social technologies." Science. 13 March 2025, Vol 387, Issue 6739, pp. 1153-1156. https://www.science.org/stoken/author-tokens/ST-2495/full

211. Arvind Narayanan and Sayash Kapoor. ibid.

212. Zuzanna Warso and Meret Baumgartner. "Putting money where your mouth is? Insights into EU R&I funding for digital technologies." Critical Infrastructure Lab. 2025. https://openfuture.eu/publication/putting-money-where-your-mouth-is/

노치혜 (2026). [2025] 지커 외 「공공 AI 백서」 번역 (3/3) 5장 공공 AI로 가는 세 갈래 길 (2026.11.14). 노치혜 Chihye Noh | THINKCRAFT.

RESEARCH FILES