🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

허깅페이스는 미국 백악관 AI 행동계획에 대한 의견서에서 개방형 AI와 오픈 사이언스가 성능 향상, 광범위한 도입, 자원 효율성, 신뢰성 및 보안을 함께 달성하기 위한 핵심 기반이라고 주장했다.

📌 핵심 요약

• 허깅페이스는 2025년 3월 14일 백악관 과학기술정책실의 AI 행동계획 정보요청에 답변을 제출하고, 개방형 AI 시스템과 오픈 사이언스를 국가 AI 전략의 기본 요소로 인정해야 한다고 제안했다.
• OlympicCoder와 OLMo 2의 사례는 비교적 작은 모델이나 학습 데이터와 학습법이 공개된 모델도 일부 복잡한 작업에서 상용 API 전용 모델과 대등하거나 더 높은 성능을 낼 수 있음을 보여준다.
• 첫 번째 권고는 공개 연구, 오픈소스 소프트웨어, 공공 연구 인프라, 컴퓨팅 자원, 맞춤형 모델, 신뢰할 수 있는 공개 데이터셋에 대한 지원과 접근성을 확대하는 것이다.
• 두 번째 권고는 소형 모델, 엣지 실행, 추론 연산량 절감, 중간 규모 학습 지원을 통해 다양한 조직이 용도와 위험 수준에 맞는 효율적이고 신뢰할 수 있는 AI를 개발하도록 돕는 것이다.
• 세 번째 권고는 학습 데이터와 절차를 추적할 수 있는 투명한 모델, 공개 도구, 통제된 학습 환경, 망 분리 환경에서 실행 가능한 오픈 웨이트 모델을 활용해 AI 도입의 보안을 강화하는 것이다.

🧩 주요 포인트

1. 허깅페이스는 2025년 3월 14일 백악관 과학기술정책실의 AI 행동계획 정보요청에 답변을 제출하고, 개방형 AI 시스템과 오픈 사이언스를 국가 AI 전략의 기본 요소로 인정해야 한다고 제안했다.
2. OlympicCoder와 OLMo 2의 사례는 비교적 작은 모델이나 학습 데이터와 학습법이 공개된 모델도 일부 복잡한 작업에서 상용 API 전용 모델과 대등하거나 더 높은 성능을 낼 수 있음을 보여준다.
3. 첫 번째 권고는 공개 연구, 오픈소스 소프트웨어, 공공 연구 인프라, 컴퓨팅 자원, 맞춤형 모델, 신뢰할 수 있는 공개 데이터셋에 대한 지원과 접근성을 확대하는 것이다.
4. 두 번째 권고는 소형 모델, 엣지 실행, 추론 연산량 절감, 중간 규모 학습 지원을 통해 다양한 조직이 용도와 위험 수준에 맞는 효율적이고 신뢰할 수 있는 AI를 개발하도록 돕는 것이다.
5. 세 번째 권고는 학습 데이터와 절차를 추적할 수 있는 투명한 모델, 공개 도구, 통제된 학습 환경, 망 분리 환경에서 실행 가능한 오픈 웨이트 모델을 활용해 AI 도입의 보안을 강화하는 것이다.

🧠 상세 정리

1. 백악관 AI 행동계획에 대한 허깅페이스의 입장

허깅페이스는 2025년 3월 14일 백악관 과학기술정책실이 진행한 AI 행동계획 정보요청에 공식 답변을 제출했으며, 이 글은 그 답변의 핵심 내용을 요약한다. 허깅페이스가 내세운 중심 주장은 개방형 AI 시스템과 오픈 사이언스가 기술 발전의 부수적 요소가 아니라 성능, 효율성, 도입 확산 및 보안을 가능하게 하는 근본적인 기반이라는 것이다. 개방형 접근은 연구 결과와 시스템을 검토하고 재사용하며 각 환경에 맞게 조정할 수 있도록 해 기술의 신뢰도와 활용 범위를 넓힌다. 이에 따라 정책은 폐쇄형 시스템만을 중심으로 설계하기보다 개방적이고 협력적인 개발 생태계가 지속적으로 성장할 수 있도록 지원해야 한다는 것이 의견서의 출발점이다.

2. 개방형 모델의 성능과 발전 속도

글은 개방형 AI가 일반적으로 더 투명하고 조정 가능하며 과학적 검증에 적합할 뿐 아니라, 여러 작업에서 널리 사용되는 상용 API 전용 시스템의 성능을 재현하거나 능가해 왔다고 설명한다. 이러한 성과가 더 짧은 개발 기간과 향상된 자원 효율성 속에서 나타나는 경우도 늘고 있다는 점을 강조한다. 사례로 허깅페이스의 OlympicCoder는 70억 개 매개변수와 공개된 사후 학습 방법을 사용해 복잡한 코딩 작업에서 Claude 3.7보다 높은 성능을 보였다. 또한 AI2의 완전 개방형 OLMo 2는 학습 데이터까지 공개하면서도 o1-mini와 대등한 성능을 기록했다. 글은 이 사례들을 개방성과 높은 성능이 양립할 수 있으며, 개방형 개발이 성능과 비용 양쪽에서 실질적인 선택지가 되고 있다는 근거로 제시한다.

3. 권고 1: 오픈소스와 오픈 사이언스를 AI 성공의 기반으로 인정

첫 번째 권고는 오픈소스와 오픈 사이언스를 AI 발전의 핵심 기반으로 명시적으로 인정하고 지속적으로 지원하라는 것이다. 현재의 첨단 AI 시스템은 어텐션 메커니즘, 트랜스포머 구조, 비용을 낮춘 사후 학습 알고리즘과 같은 공개 연구뿐 아니라 PyTorch, 허깅페이스 라이브러리, 슈퍼컴퓨터 운영체제 같은 오픈소스 소프트웨어 위에서 발전해 왔다. 자유롭게 재사용하고 수정할 수 있는 시스템에 대한 투자는 경제적 파급 효과를 증폭시키고 국가 경제에도 의미 있는 기여를 할 수 있다고 글은 설명한다. 특히 소규모 개발자와 연구자도 활용할 수 있도록 공공 연구 인프라와 컴퓨팅 자원, 맞춤형 모델, 신뢰할 수 있는 공개 데이터셋에 대한 폭넓은 접근을 보장해야 한다. 이는 개방형 모델의 성능과 비용 경쟁력이 높아지는 상황에서 기술적 진보와 경제적 성과를 지속하기 위한 정책 조건으로 제시된다.

4. 권고 2: 자원 제약을 줄이는 효율적 AI 개발

두 번째 권고는 AI를 도입하거나 자체 환경에 맞게 수정하려는 조직이 겪는 자원 제약을 해소해 혁신이 개발 생태계 전반으로 확산되도록 하는 것이다. 이를 위해 엣지 기기에서도 실행할 수 있는 소형 모델, 추론 과정의 연산 요구량을 줄이는 기술, 중간 규모의 컴퓨팅 자원으로 학습할 수 있도록 돕는 방안이 중요하다고 제안한다. 이러한 접근은 대규모 자원을 보유한 일부 조직에만 AI 개발 역량이 집중되는 것을 피하고, 자원이 제한된 조직도 자체 목적에 맞는 모델을 개발하거나 조정할 수 있게 한다. 글은 효율성을 단순한 비용 절감 문제가 아니라 다양한 사용자가 실제 요구에 적합한 시스템을 선택하고 혁신에 참여하기 위한 전제 조건으로 다룬다.

5. 효율성과 목적 적합성이 신뢰성을 높이는 방식

글은 모든 용도를 하나의 범용 모델로 해결하는 방식보다 사용 환경에 맞게 설계된 효율적인 시스템이 더 높은 신뢰성을 제공할 수 있다고 설명한다. 특히 의료처럼 위험도가 높은 분야에서는 완전한 범용 모델이 신뢰할 수 없는 결과를 보인 사례가 있으므로, 구체적인 목적과 운영 조건을 반영한 모델이 필요하다고 강조한다. 작고 목적 지향적인 AI 시스템은 실제 사용 맥락에서 평가하기 쉽고, 제한된 컴퓨팅 자원을 더 적절하게 배분하며, 조직이 성능과 위험을 직접 검토할 수 있게 한다. 또한 조직이 데이터 준비부터 학습, 평가, 배포에 이르는 개발 단계 전반에서 기술 역량을 축적하도록 돕는다. 결국 효율성과 신뢰성에 대한 투자는 더 많은 사용자가 자신의 요구에 가장 적합한 시스템을 선택하고 책임 있게 활용하도록 만드는 기반이다.

6. 권고 3: 개방성·추적성·투명성을 통한 보안 강화

세 번째 권고는 오픈소스 소프트웨어 분야에서 축적된 정보보안과 사이버보안 경험을 바탕으로, 개방적이고 투명한 AI 시스템을 안전한 개발과 배포의 핵심 수단으로 활용하라는 것이다. 다만 모든 환경에 동일한 수준의 공개를 요구하기보다 보안 요구에 따라 서로 다른 개방 수준을 적용해야 한다고 설명한다. 학습 데이터와 학습 절차까지 제공하는 완전 투명 모델은 광범위한 안전성 검증과 인증을 지원할 수 있으며, 최신 학습 기법을 구현한 공개 인프라와 도구는 조직이 통제된 환경에서 필요한 모델을 직접 학습하도록 돕는다. 오픈 웨이트 모델은 외부 네트워크와 분리된 환경에서도 실행할 수 있어 민감한 정보가 관련된 위험을 관리하는 데 중요한 역할을 할 수 있다. 따라서 투명한 시스템의 도입을 우선하고 공개 자원의 개발과 활용 역량을 지원하는 것이 중요 분야의 AI 보안을 강화하는 핵심 조치로 제시된다.

🧾 핵심 주장 / 시사점

• 이 글에서 개방성은 단순한 정보 공개가 아니라 모델을 검증하고 수정하며 통제된 환경에서 직접 운영할 수 있게 하는 성능·확산·보안의 공통 기반으로 다뤄진다.
• OlympicCoder와 OLMo 2 사례는 모델 규모나 폐쇄성이 성능을 단독으로 결정하지 않으며, 공개된 학습 데이터와 사후 학습 방법도 경쟁력 있는 결과를 만드는 데 기여할 수 있음을 보여준다.
• 세 가지 권고는 공공 인프라와 공개 자원에 대한 접근 확대, 목적에 맞는 효율적 모델 개발, 추적 가능한 시스템을 통한 보안 강화를 하나의 연결된 정책 방향으로 제시한다.

✅ 액션 아이템

• 허깅페이스의 제안을 반영해 공개 연구·오픈소스·공공 인프라·컴퓨팅 지원의 범위와 접근성 확대안을 정비한다.
• OlympicCoder와 OLMo2 사례를 기준으로 공개 데이터와 학습법이 공개된 소형 모델의 성능 우위 과제 조건을 재정리한다.
• 2차·3차 권고를 바탕으로 소형·엣지·중간규모 학습 및 통제된 학습 환경을 조합한 신뢰 가능한 도입 형태를 점검한다.

❓ 열린 질문

• 개방형 AI와 오픈 사이언스를 국가 전략의 핵심으로 둘 때 공개성 확대와 위험 통제는 어디에서 균형을 맞출 수 있는가?
• 공개 모델이 상용 API와 동등 성능을 보이는 과제에서 판단 근거를 어느 지표로 정해 어떤 범위를 먼저 우선 적용할 것인가?
• 망 분리 환경에서 오픈 웨이트 모델을 운영할 때 학습 데이터·절차 추적을 어느 수준까지 공개해도 보안이 유지될 수 있는가?