오픈 웨이트 모델과 폐쇄형 모델, 네 가지 선택 기준

LLM 성능 리더보드 맨 위 여덟 자리. 전부 폐쇄형 모델이에요. 그런데도 연구실과 기업은 한발 뒤처진 오픈 모델을 굳이 내려받아 써요. 순위표만 놓고 보면 손해 보는 선택 같은데요, 모델을 고를 때 따지는 축이 성능 하나가 아니라서 벌어지는 일이에요. MIT 테크놀로지 리뷰가 개방성 논쟁을 풀어 쓴 해설이 이 지점을 다루는데, 읽다 보면 두 진영의 차이는 ‘어느 쪽이 더 똑똑한가’보다 ‘모델 본체가 누구 손에 있는가’에 가깝다는 게 보여요. 구조적으로 어디서 갈리는지부터 보고, 어떤 상황에서 어느 쪽을 고를지는 그다음에 따질게요.

두 진영을 가르는 선은 가중치를 공개하느냐 하나

폐쇄형부터요. ChatGPT나 Claude를 움직이는 모델이 여기 속하는데, 들어가는 문이 웹사이트, 앱, API 셋뿐이에요. 우리가 보내는 건 프롬프트. 돌려받는 건 응답. 그게 전부죠. 모델 본체는 제공사 쪽에 남아 있고 우리 손에는 넘어오지 않아요.

오픈 모델은 그 본체를 직접 내려받는 모델이에요. 모델의 내부 구조에 관한 정보는 ‘가중치’라고 부르는 아주 긴 숫자열에 담겨 있는데요, 이 숫자열이 공개돼 있다는 뜻이에요. 파일을 받고 나면 그 모델은 내 장비 안에 들어와 있는 거고요.

용어 하나는 짚고 넘어가야 해요. 가중치만 공개된 모델을 따로 ‘오픈 웨이트 모델’이라고 부르기도 하거든요. 학습 절차 같은 정보까지 더 많이 내놓은 모델과 구분하려고 쓰는 말이에요. 그러니 ‘오픈’이라는 수식어가 붙어 있으면 가중치까지만 열렸는지, 학습 과정까지 열렸는지부터 확인하는 습관을 들이는 게 좋아요. 단어는 같은데 열린 범위가 다르니까요. 이름표 하나로 뭉뚱그리면 학습 절차는 닫혀 있는 모델까지 ‘전부 공개’로 착각하게 되거든요.

가중치가 손에 있어야 열리는 작업 네 가지

본체가 손에 들어오면 할 일의 목록이 확 길어져요. 원문이 꼽은 내용을 실무 쪽 시선으로 다시 묶으면 이렇게 네 덩어리예요.

• 자체 실행: 자기 컴퓨터나 하드 드라이브에 올려서 직접 돌려요.
• 재학습: 모델이 다르게 행동하도록 다시 학습시켜요. 단, 그럴 만한 전문성과 자원이 있을 때 얘기예요.
• 내부 관찰: 모델의 내부 동작, 그리고 답을 내기 전에 문제를 풀어 가는 ‘사고의 연쇄(chain of thought)’를 들여다봐요.
• 조합·압축·파인튜닝: 여러 오픈 모델을 엮어 새 시스템을 만들고, 압축해서 효율을 높이고, 새 용도에 맞게 미세 조정해요.

폐쇄형 모델 앞에서 연구자가 하는 일은 프롬프트를 보내고 응답을 관찰하는 선을 크게 넘지 못해요. AI 시스템을 이해하고 개선하려는 학계 연구자라면 거의 예외 없이 오픈 모델로 작업하게 된다는 게 원문의 설명인데요, 취향 문제가 아니에요. 연구가 목적이면 선택의 여지가 사실상 없는 셈이죠. 네 가지 가운데 재학습에만 ‘전문성과 자원’이라는 단서가 붙어 있다는 점도 눈여겨볼 만해요. 내려받는 건 누구나 하지만, 고쳐 쓰는 건 그럴 여력이 있는 팀의 몫이라는 얘기니까요.

성능 격차는 몇 달, 고르는 순서는 질문 네 개

성능만 떼어 놓고 보면 폐쇄형이 위예요. 해설 기사가 실린 시점 기준으로 Artificial Analysis LLM 리더보드의 상위 8개 모델이 모두 폐쇄형이었어요. 다만 오픈 모델도 개발 진도로 따지면 몇 달 정도 뒤처진 수준이라고 해요. 격차의 단위가 ‘달’이라는 얘기예요. 순위표는 계속 바뀌는 물건이라 이 숫자를 외워 봐야 소용이 없고, 모델을 고르는 그 시점에 리더보드를 직접 열어 보는 쪽이 맞아요.

비용은 방향이 반대예요. Mozilla가 낸 보고서는 실행을 외부 제공업체에 맡기는 경우에도 오픈 모델이 일반적으로 폐쇄형보다 싸다고 봤어요. ‘오픈 모델은 장비를 직접 사야 하니까 오히려 비싸지 않나’ 하고 헷갈리기 쉬운데요, 직접 돌리는 길과 남에게 맡기는 길이 따로 있고, 후자에서도 비용 우위가 나온다는 얘기예요. 얼마나 싼지 수치까지는 이 글이 참고한 범위에서 확인하지 못했어요. ‘일반적으로’라는 단서가 달린 결론으로만 받아들이는 게 맞겠죠.

고르는 법으로 넘어갈게요. 특정 모델 이름부터 검색하지 말고 기준을 먼저 세우는 게 순서예요. 아래 네 가지를 위에서부터 물어보면 대부분 답이 나와요.

1. 최상위 성능이 꼭 필요한 작업인가. 그렇다면 폐쇄형이 우선이에요. 몇 달의 격차를 감수해도 되는 작업이라면 다음 질문으로 넘어가요.
2. 데이터가 회사 밖으로 나가면 곤란한가. 민감한 데이터나 독점 정보를 AI로 처리하려는 기업에는 자체 하드웨어에서 로컬 모델을 돌리는 구성이 운영을 안전하게 지키는 최선의 방법일지 모른다고 원문은 짚어요.
3. 모델 안을 들여다보거나 고쳐야 하는가. 내부 관찰, 재학습, 압축, 파인튜닝이 필요하면 오픈 모델 말고는 길이 없어요.
4. 비용이 가장 큰 제약인가. 오픈 모델을 외부 제공업체를 통해 쓰는 방식이 후보에 올라요.

네 질문 가운데 답이 하나로 딱 정해지는 건 3번뿐이에요. 나머지는 ‘우선’이나 ‘후보’ 수준이라 팀 사정에 따라 저울질이 남아요.

전제 조건을 빼먹으면 안 돼요. 로컬 실행에는 모델을 올릴 자체 하드웨어가, 재학습에는 전문성과 자원이 들어가요. 팀에 그 여력이 없는데 ‘오픈이니까 공짜’라는 생각으로 덤비면 일정이 무너지기 쉬워요. 내려받는 것과 돌리고 고치는 것은 별개의 비용이니까요. 필요한 사양은 모델마다 다르니 받으려는 모델의 배포 문서에서 확인하세요.

누구나 받아서 고친다는 장점이 그대로 위험 논거가 된다

앞에서 장점으로 꼽은 바로 그 특성이 우려의 출발점이에요. Anthropic은 중국 기업 Z.ai가 내놓은 GLM-5.3이 큰 사이버 공격 위험을 제기한다고 주장하는 보고서를 냈는데요, 핵심 우려는 이 강력한 모델을 누구든 자유롭게 내려받아 수정한다는 점이었어요. 강력한 모델이라는 점에, 아무나 손댄다는 배포 방식이 겹친 게 문제로 지목된 거죠. 진영은 둘로 갈려요. AI 안전을 걱정하는 쪽은 오픈 모델이 악의적인 행위자에게 쉽게 오용된다고 경고해요. AI의 실용적 잠재력에 무게를 두는 쪽은 이런 힘이 소수 대기업의 닫힌 문 뒤에만 있어서는 안 된다고 맞서고요.

이 논쟁을 읽을 때는 말하는 사람이 어디에 서 있는지를 같이 봐야 해요. Nvidia CEO 젠슨 황은 미국이 오픈 모델을 더 많이 개발해야 한다고 적극적으로 주장하는데, 사람들이 오픈 모델을 돌리려고 하드웨어를 계속 사면 이득을 보는 자리에 있어요. Anthropic의 다리오 아모데이는 더 신중한 접근을 주장하고요. 이쪽은 싸고 강력한 모델이 퍼지면 사업이 흔들릴 만한 회사를 이끌어요. GLM-5.3 보고서를 낸 곳이 바로 그 Anthropic이라는 점도 같이 기억해 둘 만하죠. 그렇다고 양쪽 주장이 장삿속뿐이라는 뜻은 아니에요. 원문도 상업적 동기 밑에 실질적인 견해 차이가 깔려 있다고 봐요. 텍사스대 오스틴 정보대학원의 데이비드 그레이 위더 조교수는 개방성 논쟁에서 어느 편에 서느냐가 AI 자체를 어떻게 보느냐에 크게 좌우된다고 말해요.

한국 팀에는 사내 실행이라는 카드와 미국 의존 문제가 걸려 있다

한국에서 일하는 팀 입장에서 달라지는 건 크게 두 가지예요. 하나는 데이터 통제권. 고객 정보나 사내 기밀처럼 외부로 보내기 부담스러운 데이터를 다루는 팀이라면, 가중치를 받아 사내 장비에서 돌리는 구성이 선택지에 들어와요. API 호출만 되는 폐쇄형에서는 애초에 없던 카드죠.

다른 하나는 의존도예요. 원문은 세계에서 가장 정교한 해킹 모델이 모두 미국에서 만들어지고, 다른 나라가 그 모델을 자국 사이버 방어에 쓰게 될지는 전적으로 미국 기업과 미국 정부에 달려 있다고 짚어요. 한국도 여기서 말하는 ‘다른 나라’ 쪽이에요. 강력한 오픈 모델은 이 균형을 바꿀 변수로 거론돼요. 같은 ‘강력한 오픈 모델’이 앞 섹션에서는 사이버 공격 위험으로, 여기서는 의존을 줄일 변수로 등장한다는 점이 이 논쟁의 까다로운 부분이에요.

여기부터는 추측이에요. 한국어 사내 문서나 특정 업종 데이터에 맞춘 파인튜닝은 가중치가 있어야 가능한 작업이라서, 국내 팀이 체감하는 차이는 이 지점에서 가장 클 것으로 보여요. 반대 방향의 부담도 있어요. 로컬에서 돌리는 모델은 제공사가 중간에서 걸러 주는 구조가 아니거든요. 오용 방지와 보안 점검의 책임이 가져다 쓰는 팀으로 넘어온다고 보는 편이 안전해요.

확인된 것과 아직 불확실한 것

확인된 것

• 폐쇄형 모델은 웹사이트·앱·API로만 접근하고, 오픈 모델은 가중치를 직접 내려받아요.
• 해설 기사 게재 시점 기준 Artificial Analysis LLM 리더보드 상위 8개 모델은 모두 폐쇄형이고, 오픈 모델은 몇 달가량 뒤처져 있어요.
• Mozilla 보고서는 외부 제공업체에 실행을 맡겨도 오픈 모델이 일반적으로 더 싸다고 봤어요.
• Anthropic은 GLM-5.3의 사이버 공격 위험을 주장하는 보고서를 냈어요.

아직 불확실한 것

• 오픈 모델이 폐쇄형보다 실제로 얼마나 더 위험한지. 이 글이 참고한 범위에서는 위험 쪽 근거를 구체적으로 확인하지 못했어요.
• 몇 달 수준인 성능 격차가 유지될지, 좁혀질지.
• 각국 정부와 사회가 전면 금지와 무제한 공개 사이 어디쯤에 선을 그을지.
• 커뮤니티가 만든 개선에 크레딧과 보상이 돌아가는 구조가 자리 잡을지.

개방이 권력은 나눠도 보상까지 나눠 주진 않는다

오픈 모델을 지지하는 가장 큰 논거는 성능도 비용도 아니에요. 통제권이에요. 토니 블레어 글로벌 변화 연구소의 선임 정책 고문 엘리자베스 시거는 권력이 대규모로 집중되는 일을 막고 이 기반 기술을 공공재로 만드는 것이 가장 분명한 논거라고 말해요. AI를 돌리는 인프라를 누가 쥐느냐가 인터넷의 정보를 누가 통제하느냐만큼 큰 질문이 됐다는 거죠. 장기 회복력 센터(Centre for Long-Term Resilience)의 AI 정책 책임자 해미시 홉스도 비슷한 쪽이에요. 각 개인이 자신에게 충실하고 안전한 AI 시스템을 갖는 세계가, 정부가 속을 알 길 없는 초지능 시스템을 두고 그냥 믿으라고 하는 세계보다 훨씬 덜 걱정스럽다고 봐요.

반론도 묵직해요. 가나의 저자원 언어용 오픈 소스 AI 도구를 만드는 Ghana NLP의 공동 창립자 폴 아준레는, 오픈 모델이 형편이 덜 넉넉한 나라의 노동과 전문성으로 기업이 이득을 보고 힘을 더 모으는 통로로도 쓰인다고 지적해요. 패턴은 이래요. 회사가 모델을 공개하고, 커뮤니티가 어떻게 쓰고 고치는지 지켜본 다음, 그 개선을 원작자에 대한 크레딧이나 보상 없이 자사 제품에 흡수하는 거예요. 마크 저커버그도 커뮤니티의 개선을 Meta의 스택에 통합하는 능력을 오픈 모델 공개의 핵심 이점으로 꼽은 적이 있어요. 공개하는 쪽이 스스로 밝힌 이점과 아준레가 비판하는 지점이 같은 곳을 가리키는 셈이죠. 아준레의 표현을 빌리면 오픈 소스의 이상은 고귀하고 가치도 크지만, 실제 구현 방식은 매우 추출적인 쪽으로 기울어요.

‘오픈이 선이고 폐쇄가 악’ 같은 구도로 외우면 틀려요. 전면 금지와 무제한 공개 사이에는 여러 선택지가 있고, 어느 쪽을 택하든 안전과 민주화 사이에서 무언가를 내주게 돼요. 실무에서 챙길 건 두 가지로 줄어요. 모델을 고를 때는 성능·데이터·수정 필요성·비용을 차례로 따지기. 논쟁 기사를 읽을 때는 누가 어떤 이해관계로 말하는지 함께 보기. 순위표는 계속 바뀌는 물건이지만, 이 두 가지는 순위가 뒤집혀도 그대로 쓰는 기준이에요.

출처: MIT Tech Review AI

AI리서치팀

Daily News Korea AI리서치팀은 인공지능, 머신러닝, 생성형 AI의 최신 동향과 실용적 활용법을 연구합니다. ChatGPT, 클로드, 미드저니 등 AI 도구 비교 분석과 활용 가이드를 제공합니다.