거대언어모델

15 Contents

AI 시대, 슈퍼컴퓨터는 어떻게 세상을 읽는가 | 이식 KISTI 원장

전쟁이라는 극한의 상황은 역설적으로 과학기술의 비약적인 발전을 불러오는 계기가 되었습니다. 제2차 세계대전 당시 포탄의 사거리를 정확히 계산하는 일은 전쟁의 승패와 직결된 문제였으나, 온도와 습도, 바람 등 수많은 변수를 고려해야 했기에 인간의 손으로 정교한 사격표를 만드는 데는 물리적인 한계가 따랐습니다. 이러한 비효율을 극복하고 연산의 속도와 정확도를 높이기 위해 탄생한 것이 바로 현대적 의미의 컴퓨터입니다. 기계는 인간이 며칠 밤을 새워야 했던 복잡한 수식을 지치지 않고 순식간에 풀어내며 현대 과학의 새로운 지평을 열어주었습니다. 컴퓨터의 활용은 단순한 포탄 계산을 넘어 시뮬레이션의 영역으로 확장되었습니다. 오늘날 물리학, 화학, 생물학 등 기초 과학은 물론 기상학에 이르기까지 수많은 연구자가 슈퍼컴퓨터를 활용해 가상 공간에서 정밀한 실험을 수행하고 있습니다. 컴퓨터는 그 자체로 똑똑한 지능을 가졌다기보다는 과학자가 설계한 공식에 따라 방대한 연산을 성실하게 수행하는 장치에 가깝습니다. 따라서 연구자가 정확한 수식만 제공할 수 있다면, 컴퓨터는 인간이 현실에서 직접 수행하기 어려운 수많은 가설을 안전하고 빠르게 검증해 주는 강력한 연구 도구가 됩니다. 이제 우리는 인공지능이 일상 깊숙이 들어온 시대를 살고 있습니다. 방대한 정보를 순식간에 요약하고 복잡한 연구를 돕는 인공지능은 이제 단순한 보조 도구를 넘어 과학자의 든든한 동료라는 평가까지 받고 있습니다. 그러나 인공지능이 제시하는 결과가 항상 완벽할 수는 없다는 점을 우리는 반드시 명심해야 합니다. 기계는 여전히 학습된 데이터의 범주 내에서 움직이며 예기치 못한 실수를 할 수 있기 때문에, 최종적인 판단과 책임은 오로지 인간의 몫으로 남아있습니다. 인간만이 가진 영감과 풍부한 경험을 바탕으로 기계의 결과물을 판별하는 과정은 기술의 시대에도 변함없이 중요합니다. 인간의 언어와 기계의 언어는 근본적으로 다른 체계를 가지고 있지만, 현대 기술은 그 간극을 확률적 체계라는 혁신적인 방법으로 메웠습니다. 거대 언어 모델(LLM)은 문맥 속에서 특정 단어 뒤에 어떤 단어가 올지 확률적으로 예측하며 인간의 말을 이해하는 듯한 모습을 구현해 냈습니다. 챗GPT와 같은 서비스는 방대한 데이터와 정교한 신경망 모델, 그리고 엄청난 규모의 계산 자원을 투입하여 완성되었습니다. 이를 통해 인공지능은 단순히 정보를 기계적으로 처리하는 수준을 넘어, 대화 상대의 상황을 추론하고 감정의 상태까지 파악하는 놀라운 단계에 이르게 되었습니다. 기술이 아무리 비약적으로 발전하더라도 인공지능이 결코 흉내 낼 수 없는 영역은 바로 '직접적인 경험'입니다. 인공지능은 수만 권의 책을 순식간에 읽고 요약할 수 있지만, 사람이 소설을 읽으며 머릿속에 장면을 그리고 범인을 추리하며 느끼는 정서적 고양은 온전히 인간만이 누릴 수 있는 특권입니다. 요약된 정보보다 중요한 것은 지식을 습득하는 과정에서 얻는 간접 경험과 사유의 깊이입니다. 효율적인 학습을 위해 기술의 도움을 받더라도, 우리 삶을 풍요롭게 만드는 직접적인 경험의 가치와 스스로 생각하는 힘을 잊지 말아야 인공지능과의 공존이 더욱 진정한 의미를 가질 수 있습니다.

AI 시대, 슈퍼컴퓨터는 어떻게 세상을 읽는가 | 이식 KISTI 원장
한국과학기술정보연구원🧫🧬과학문화 즐기기🔬🧪
  • 융합
  • 공학·기술

AI의 기억과 생각은 어디까지?🧐 l 2026 미래 과학 트렌드 북콘서트

인공지능의 역사는 영국의 수학자 앨런 튜링이 던진 '기계가 생각할 수 있을까?'라는 질문에서 시작되었습니다. 그는 2014년 영화 '이미테이션 게임'의 실제 주인공으로, 현대 컴퓨터의 최초 청사진을 그린 인물이기도 합니다. 튜링은 기계의 지능을 정의하기 위해 '이미테이션 게임', 즉 튜링 테스트라는 개념을 제안했습니다. 이는 벽 너머의 판단자가 인간과 기계의 대화를 구분하지 못할 때 해당 기계에게 지능이 있다고 간주하는 방식입니다. 이 아이디어는 오늘날 우리가 인공지능과 대화하는 모든 기술적 토대의 출발점이 되었습니다. 자연어 처리라는 분야는 인간이 일상적으로 사용하는 '자연어'를 기계가 이해하고 생성하도록 만드는 연구입니다. 기계가 말을 한다는 것은 기본적으로 다음에 올 단어를 확률적으로 예측하는 과정과 같습니다. 예를 들어 '나의 죽음을 적에게'라는 문구 뒤에 '알리지 말라'가 올 확률이 가장 높다고 계산하여 문장을 완성하는 식입니다. 과거 스마트폰의 자동 완성 기능도 이와 유사한 원리였지만, 최신 인공지능은 그 예측 능력이 아득히 정교해져서 인간과 구분이 어려울 정도로 자연스럽고 탁월한 문장 구사력을 보여줍니다. 챗GPT와 같은 현대의 인공지능은 문장을 직접 인식하기보다 '토큰'이라는 더 작은 단위로 쪼개어 처리합니다. 기계는 자연어 자체를 이해하지 못하므로, 각 토큰을 숫자로 이루어진 벡터값으로 변환하여 고차원적인 의미 공간상에 배치합니다. 이 공간에서 의미가 유사한 단어들은 서로 가깝게 위치하게 되며, 인공지능은 학습을 통해 이러한 의미 관계를 스스로 파악합니다. 즉, 우리가 입력하는 질문은 기계 내부에서 복잡한 숫자들의 연산으로 치환되며, 이를 바탕으로 가장 적절한 답변 토큰을 하나씩 생성해 내는 것입니다. 인공지능의 구조는 인간 뇌의 뉴런과 시냅스 연결망에서 영감을 얻은 '인공신경망'을 기반으로 합니다. 뇌 속의 학습이 시냅스 연결 강도의 변화로 나타나듯, 인공지능 역시 '매개변수'라고 불리는 숫자 값들을 조정하며 학습합니다. GPT-2가 15억 개의 매개변수를 가졌던 것에 비해, 최신 모델인 GPT-4는 무려 1조 7,600억 개의 매개변수를 보유하고 있습니다. 이처럼 방대한 규모의 연산 능력을 갖추었기에 이를 '거대 언어 모델(LLM)'이라 부르며, 챗GPT나 제미나이 같은 고성능 AI들이 탄생할 수 있었습니다. GPT는 생성형(Generative), 사전 학습된(Pre-trained), 트랜스포머(Transformer)의 약자로, 여기서 핵심은 트랜스포머라는 신경망 구조입니다. 2017년에 발표된 이 기술은 문장 내의 모든 토큰 사이의 연관성을 계산하는 '어텐션(Attention)' 메커니즘을 사용합니다. 이전의 기술들을 압도하는 성능을 지닌 이 방식은 문맥의 흐름을 정확히 파악하여 긴 문장도 막힘없이 생성할 수 있게 해주었습니다. 이러한 기술적 진보 덕분에 인공지능은 단순한 도구를 넘어 인간의 언어적 파트너로서 우리 일상 속에 깊숙이 자리 잡게 되었습니다.

AI의 기억과 생각은 어디까지?🧐  l 2026 미래 과학 트렌드 북콘서트
국립과천과학관과학강연👨‍🏫
  • 뇌인지과학
  • 수학
  • 융합

생성형 AI와 오픈소스가 여는 바이오 연구 패러다임

인공지능 기술은 단순한 대화를 넘어 인간처럼 추론하고 스스로 행동하는 에이전트 시대로 진입하고 있습니다. 샘 올트먼이 제시한 인공일반지능(AGI)의 단계 중 세 번째인 에이전트 단계는 이미 현실화되었으며, 이제는 아인슈타인처럼 복잡한 난제를 해결하는 ‘이노베이터’ 단계를 향해 나아가고 있습니다. 특히 생물학 분야는 데이터가 방대하고 복잡하여 인공지능이 혁신을 일으키기에 가장 적합한 영역으로 꼽힙니다. 여러 개의 전문 에이전트가 협업하는 멀티에이전트 시스템은 생명과학의 난제를 해결하며 인간 과학자의 한계를 보완하는 강력한 도구가 될 것입니다. 과거 4조 원이 넘게 들었던 인간 게놈 프로젝트의 유전체 분석 비용이 이제는 100달러 수준으로 떨어지며 데이터의 폭발적 증가를 가져왔습니다. 구글 딥마인드와 엔비디아 같은 빅테크 기업들은 이러한 막대한 데이터를 학습하여 단백질 구조를 예측하고 유전체의 맥락을 이해하는 파운데이션 모델을 잇달아 발표하고 있습니다. 연구자들이 수십 년간 고생하며 찾았던 유전체 패턴을 인공지능은 시퀀싱 분석만으로 단숨에 해결하기 시작했습니다. 이는 단순한 기술 발전을 넘어 질병의 근본 원인을 찾고 치료하는 슈퍼 휴먼 인공지능 시대의 서막을 알리는 신호입니다. 의료 및 생명과학 분야의 전문 지식을 학습시키기 위해 수천만 건의 의생명 문헌과 의학 교과서를 활용한 특화 모델 개발이 가속화되고 있습니다. 기존에는 전문의 수준의 분석력을 확보하기 위해 수년의 시간이 걸렸지만, 오픈소스 기반의 거대언어모델(LLM)을 파인튜닝함으로써 그 기간을 획기적으로 단축할 수 있게 되었습니다. 6년이 걸리는 의대 교육 과정을 단 6주 만에 학습시킨다는 목표 아래, 의료 현장의 복잡한 질문에 답하고 논문을 분석하는 수준까지 도달했습니다. 이러한 기술은 인프라가 부족한 지역에서도 수준 높은 의료 솔루션을 제공하는 기반이 됩니다. 바이오 데이터의 생산과 실험 과정 역시 인공지능과 로봇이 결합한 자동화 파운드리 시스템으로 진화하고 있습니다. 가설 수립부터 실험 설계, DNA 추출, 시퀀싱 및 결과 리포트 작성에 이르기까지 사람이 거의 개입하지 않는 ‘클로즈드 루프’ 형태의 실험실이 운영되고 있습니다. 인류가 수십 년간 축적한 단백질 데이터보다 훨씬 많은 양을 짧은 시간 안에 확보하여 신약 개발의 속도를 높이는 방식입니다. 이제 실험은 더 이상 인간의 전유물이 아니며, 인공지능이 주도적으로 가설을 세우고 이를 물리적 실험으로 검증하는 데이터 중심의 과학 시대가 열리고 있습니다. 미래의 헬스케어는 개인의 유전 정보와 장기적인 건강검진 기록을 통합 분석하는 개인화된 인공지능 에이전트가 담당할 것입니다. 수백만 개의 변이를 자연어로 해석하여 건강 위험을 경고하고 맞춤형 생활 습관을 제안하는 시스템은 초고령 사회의 의료 난제를 해결할 핵심 열쇠입니다. 바이러스나 면역학 등 각 분야의 전문 에이전트들이 클라우드 상에서 협업하며 최적의 치료법을 도출하는 멀티에이전트 시스템은 인공지능 과학자의 실현을 앞당기고 있습니다. 우리는 이제 인공지능이 스스로 가설을 세우고 혁신을 일구는 이노베이터 단계를 목전에 두고 있습니다.

생성형 AI와 오픈소스가 여는 바이오 연구 패러다임
한국전자통신연구원오픈소스 테크데이
  • 생명과학
  • 융합
  • 공학·기술

거대언어모델 개발의 전 과정을 하나로 통합한 플랫폼, AIDE

인공지능(AI) 기술이 산업 전반을 혁신하며 거대언어모델(LLM)의 역할이 나날이 확대되고 있습니다. 방대한 텍스트를 학습해 인간처럼 소통하는 LLM은 무한한 가능성을 지녔지만, 이를 실제로 개발하는 과정은 결코 만만치 않습니다. 데이터의 수집과 정제, 모델 학습과 정교한 평가에 이르기까지 막대한 시간과 비용, 전문 지식이 필수적이기 때문입니다. 이러한 장벽을 허물기 위해 KISTI는 연구자와 기업이 기술적 한계에 부딪히지 않고도 독자적인 언어 모델을 성공적으로 구축할 수 있도록 돕는 강력한 도구를 설계했습니다. 이 플랫폼은 채팅 기능과 사용자의 문서를 활용한 맞춤형 질의응답 시스템인 검색증강생성(RAG) 등 실용적인 도구들을 제공합니다. 특히 2025년에는 단일 머신에서도 구동할 수 있도록 경량화되어 사용자의 편의성을 대폭 높였습니다. 이러한 기술력은 실제 현장에서도 빛을 발하고 있습니다. 국방 분야에서는 행정 및 군수 정비 지원 AI를 구축하고, 위성 운영 분야에서는 시스템 모니터링과 이상 상태 감지에 활용되어 업무 효율성을 극대화하고 있습니다. 이는 사용자가 데이터만 있다면 최첨단 인공지능(AI)을 즉시 실무에 도입하여 성과를 낼 수 있음을 보여줍니다. AIDE는 KISTI의 다른 지능형 플랫폼들과 결합하여 더욱 강력한 시너지를 창출합니다. 과학기술 정보를 직접 검색하는 KISTI-MCP, 문서의 표와 이미지를 종합적으로 분석하는 DOREA, 그리고 25종 이상의 도구로 모델을 공정하게 평가하는 SpectraBench가 그 예입니다. 이러한 통합적인 생태계는 연구 기관과 기업이 안전하고 신속하게 맞춤형 AI를 개발하여 최신 정보를 업무에 반영할 수 있는 최적의 환경을 제공합니다. KISTI는 앞으로도 과학기술 데이터와 인공지능(AI)의 결합을 통해 대한민국의 AI 혁신을 선도하며 미래를 함께 만들어 나갈 계획입니다.

거대언어모델 개발의 전 과정을 하나로 통합한 플랫폼, AIDE
한국과학기술정보연구원키스티 이런 곳입니다👾
  • 융합
  • 공학·기술

안전성평가연구소 l "AI가 독하네 AI를 활용한 독성연구" l 제 2회 독성정책연구포럼

인공지능 기술은 최근 노벨 물리학상과 화학상 수상자들이 모두 AI 관련 연구자였던 것에서 알 수 있듯이, 이제 생명 과학과 의학 연구 전반에서 핵심적인 위상을 차지하고 있습니다. 독성 정책 연구 포럼은 이러한 기술적 흐름에 발맞추어 과학 기술을 통해 사회 문제를 해결하고 연구 개발의 효율성을 극대화하는 방안을 모색합니다. 특히 산업계와 학계, 연구소가 협력하여 인공지능이 독성 연구와 정책 수립에 어떠한 혁신을 가져올 수 있을지 깊이 있는 논의가 필요한 시점입니다. 원자력 연구 분야에서 인공지능은 고전적인 수치 해석의 한계를 극복하는 수학적 도구로 활용되고 있습니다. 복잡한 원자로 내부의 물리 현상을 시뮬레이션하거나 수천 개의 계측 신호를 실시간으로 분석하여 이상 징후를 사전에 탐지하는 것이 대표적입니다. 기존의 방법론을 데이터를 기반으로 한 딥러닝 모델로 대체함으로써, 예측의 정확도를 높이고 수치 해석에 소요되는 방대한 시간을 획기적으로 단축하고 있습니다. 이는 원자력 안전 관리의 패러다임을 바꾸는 중요한 변화입니다. 최근에는 단순한 데이터 분석을 넘어 연구 행정 전반을 돕는 ‘에이전트 AI’의 도입이 활발해지고 있습니다. 보안이 중요한 연구 환경에 맞춰 폐쇄망 기반의 자체 모델을 구축하고, 원자력 분야에 특화된 지식 데이터를 학습시킨 맞춤형 GPT를 활용하는 방식입니다. 이를 통해 복잡한 규정 확인이나 기술 동향 보고서 작성 등 반복적이고 방대한 입력이 필요한 업무를 효율화할 수 있습니다. 연구자마다 지능형 조수를 두고 연구의 본질적인 탐구에만 집중할 수 있는 환경이 조성되고 있습니다. 사회과학 분야에서도 인공지능은 새로운 연구 파트너로서의 가능성을 보여주고 있습니다. 거대 언어 모델을 활용해 창의적인 연구 아이디어를 제안하거나 대규모 콘텐츠 분석을 수행함으로써 인간의 한계를 보완합니다. 다만 인공지능이 제공하는 결과물을 올바르게 판단하고 가공하기 위해서는 연구자 본연의 역량이 더욱 중요해집니다. 좋은 논문을 감별할 수 있는 안목과 비판적 사고가 전제될 때, 인공지능은 연구의 생산성을 비약적으로 높여주는 강력한 도구가 될 수 있기 때문입니다. 독성 예측의 핵심 기술인 QSAR(구조-활성 상관관계)는 화합물의 구조를 숫자로 변환하여 독성 유무를 판단하는 함수 시스템입니다. 베가(VEGA)나 톡스 스타(Tox-Star)와 같은 프로그램은 이러한 원리를 이용해 실험 없이도 물질의 위험성을 사전에 스크리닝할 수 있도록 돕습니다. 특히 OECD 가이드라인을 준수하는 투명한 검증 과정을 통해 예측 결과의 신뢰도를 객관적으로 평가할 수 있게 되었습니다. 이는 불필요한 동물 실험을 줄이고 신약 개발이나 화학 물질 등록에 필요한 비용과 시간을 절감하는 데 기여합니다. 인공지능 연구의 성패를 좌우하는 가장 큰 요인은 양질의 원시 데이터를 확보하고 가공하는 과정에 있습니다. 실제 연구 현장에서는 프로젝트 시간의 상당 부분을 데이터 전처리에 쏟을 만큼 이 과정은 매우 고됩니다. 하지만 체계적으로 관리된 데이터는 인공지능 모델의 정확도를 높이는 결정적인 자산이 됩니다. 따라서 단순히 알고리즘의 성능을 높이는 데 그치지 않고, 연구 데이터의 보관부터 변환, 활용에 이르는 전 과정을 표준화하고 공유할 수 있는 거버넌스 구축이 필수적으로 요구됩니다. 미래의 과학 연구는 인공지능과 인간 연구자가 협동하는 ‘에이전트 시스템’ 체제로 나아갈 것입니다. 인공지능이 방대한 데이터를 처리하고 실험 설계를 자동화하는 동안, 인간은 인공지능의 결과물을 검토하고 최종적인 의사 결정을 내리는 역할에 집중하게 됩니다. 인공지능이 인간을 완전히 대체하기보다는 각자의 영역에서 상호 보완적으로 작동할 때 과학 기술의 진보는 가속화될 것입니다. 연구자는 변화하는 환경 속에서 새로운 기술을 도구로 활용할 수 있는 소양을 끊임없이 길러야 합니다.

안전성평가연구소 l "AI가 독하네 AI를 활용한 독성연구" l 제 2회 독성정책연구포럼
국가독성과학연구소
  • 화학
  • 생명과학
  • 융합
  • 공학·기술

EXAONE 3.0 7.8B Instruction Tuned Language Model

LG AI Research는 2021년 GPT-3의 등장 직후부터 거대 언어 모델의 가능성을 예견하고 EXAONE 프로젝트를 시작했습니다. 초기에는 학술적 질문에 답하는 전문가용 모델 개발에 주력하며 RAG 개념을 결합한 성과를 거두었으며, 이러한 기술력을 바탕으로 최근 성능이 대폭 향상된 EXAONE 3.0을 공개했습니다. 이번 모델은 단순한 성능 지표를 넘어 실제 사용자들이 일상에서 체감할 수 있는 실용적인 사용성을 확보하는 데 중점을 두었습니다. 한국어 연구 생태계의 발전을 위해 개방형 연구 문화를 지향하며 누구나 활용 가능한 환경을 구축하고자 노력하고 있습니다. 모델 설계 단계에서는 하드웨어 효율성을 극대화하기 위해 7.8B 매개변수 규모를 선택하고, A100 GPU 한 장으로도 원활한 운용이 가능하도록 최적화했습니다. 특히 그룹 쿼리 어텐션(GQA)을 도입하여 연산 효율을 높였으며, 한국어와 영어를 동시에 처리할 수 있는 10만 개의 어휘 사전을 구축했습니다. 독자적인 토크나이저 기술을 통해 한국어 문장을 다른 글로벌 모델 대비 훨씬 효율적으로 압축함으로써, 동일한 문맥 창 안에서 더 많은 정보를 처리하고 추론 속도를 높이는 강점을 확보했습니다. 이는 한국어 특유의 의미 단위를 세밀하게 반영한 결과입니다. 학습 과정에서는 한정된 컴퓨팅 자원을 극대화하기 위해 데이터의 양보다 품질에 집중하는 전략을 취했습니다. 단순히 방대한 웹 데이터를 넣는 대신, 두 단계의 사전 학습 과정을 거쳐 학술적 가치가 높고 정제된 고품질 데이터를 선별하여 학습시켰습니다. 그 결과 Llama 3.1과 같은 글로벌 모델에 비해 훨씬 적은 토큰 학습량으로도 대등하거나 그 이상의 성능을 발휘할 수 있었습니다. 특히 중복된 저품질 문구를 과감히 제거하고 데이터 문서의 구성력을 엄격하게 평가함으로써 모델의 지능적 깊이를 더했으며, 이는 한국어와 영어 두 영역 모두에서 균형 잡힌 성장을 이끌어냈습니다. 사후 학습 단계에서는 지시 이행 능력을 강화하기 위한 SFT와 사용자 친화적인 답변 생성을 돕는 DPO 알고리즘을 적용했습니다. 특히 한국어 성능을 객관적으로 검증하기 위해 전문 번역가의 검수를 거친 Ko-MT-Bench를 제작하여 평가에 활용했으며, 실제 사용자 지시를 수행하는 '실제 사용 사례' 항목에서 압도적인 성과를 기록했습니다. 8B 이하 규모의 공개 모델 중에서는 최고 수준의 점수를 획득하며 한국어 특화 모델로서의 입지를 굳혔고, 수학적 추론이나 코딩 능력에서도 경쟁력 있는 지표를 보여주며 다양한 응용 가능성을 입증했습니다. 기술적 성취뿐만 아니라 AI 윤리와 신뢰성 확보에도 심혈을 기울였습니다. 사내 전담 팀과 법률 전문가를 통해 데이터 저작권과 개인 정보 보호 문제를 철저히 점검하고 있으며, 한국지능정보사회진흥원의 신뢰성 평가에서 GPT-4와 대등한 수준을 인정받았습니다. 허깅페이스를 통해 공개된 이번 모델은 이미 많은 연구자에 의해 양자화 모델로 제작되거나 다른 기술과 결합하며 오픈 소스 생태계의 이점을 톡톡히 누리고 있습니다. 앞으로도 사용자들의 피드백을 적극적으로 수용하여 더욱 안전하고 고도화된 모델을 지속적으로 선보일 계획입니다.

EXAONE 3.0 7.8B Instruction Tuned Language Model
한국전자통신연구원오픈소스 테크데이
  • 수학
  • 융합
  • 공학·기술

오픈소스 / 데이터 라이선스의 이해

소프트웨어 산업은 오랜 시간 지식재산권이라는 틀 안에서 권리자를 보호하고 로열티를 받는 방식으로 성장해 왔습니다. 하지만 오픈소스는 이러한 독점적 모델에서 벗어나 이용자에게 사용, 복제, 배포의 자유를 부여하는 혁신적인 철학을 제시합니다. 단순히 코드를 공개하는 것에 그치지 않고, 누구나 기술을 공부하고 수정하며 그 결과물을 다시 사회와 공유할 수 있도록 장려하는 것입니다. 이는 기술 혁신의 속도를 비약적으로 높이는 계기가 되었으며, 현재 클라우드와 인공지능 환경에서 그 가치가 더욱 주목받고 있습니다. 오픈소스 라이선스는 그 성격에 따라 크게 두 가지 방향으로 나뉩니다. 아파치나 MIT 라이선스처럼 저작자 표시와 같은 최소한의 규칙만 요구하는 '허용적 라이선스'가 있는 반면, GPL처럼 파생 저작물까지 동일한 라이선스로 배포하도록 강제하는 '카피레프트 라이선스'가 존재합니다. 1990년대 후반 오픈소스 이니셔티브(OSI)가 설립되면서 상업적 이용 허용과 소스 코드 제공 등 10가지 요건을 정의한 이후, 이러한 라이선스 체계는 개발자들이 자유롭게 협업하면서도 서로의 권리를 존중할 수 있는 법적 토대가 되었습니다. 인공지능 기술의 정점인 거대언어모델(LLM)은 방대한 학습 데이터를 필요로 하며, 이 과정에서 새로운 데이터 라이선스 쟁점이 발생합니다. GPT-3와 같은 모델의 학습 데이터를 분석해 보면 위키피디아와 같은 신뢰도 높은 자료와 더불어 방대한 웹페이지 데이터가 핵심적인 역할을 합니다. 그러나 현재 대다수 데이터가 영어에 편중되어 있어 특정 언어 중심의 사고가 AI에 투영되는 한계가 있습니다. 따라서 진정한 오픈소스 AI의 발전을 위해서는 소프트웨어 코드뿐만 아니라 학습 데이터의 투명성과 다양성을 확보하는 일이 매우 시급합니다. 국내 인공지능 생태계에서도 학습 데이터 확보는 기술 주권을 지키기 위한 핵심 과제입니다. 네이버의 하이퍼클로바X는 플랫폼 내의 블로그와 지식iN 자료를 활용해 한국어 특화 성능을 구축했습니다. 이는 이용 약관을 통해 데이터 활용에 대한 동의를 얻는 방식으로 법적 리스크를 관리하려는 시도입니다. 하지만 언론사 기사와 같이 저작권이 명확한 콘텐츠의 경우, 여전히 권리자와의 협상과 적절한 보상 체계 마련이 중요한 쟁점으로 남아 있습니다. 이는 기업이 기술 개발만큼이나 윤리적·법적 책임에 민감해야 함을 보여줍니다. 인터넷상의 방대한 콘텐츠를 허락 없이 학습하는 행위가 저작권 침해인지에 대해서는 '공정 이용' 원칙이 주요하게 논의됩니다. 과거 검색 엔진이 정보를 수집하고 인덱싱하는 과정이 원저작자의 권리를 해치지 않는 보완재로 인정받은 전례가 있기 때문입니다. 하지만 인공지능은 원저작물을 대체하거나 새로운 경쟁 관계를 형성할 가능성이 있어 법적 판단이 훨씬 복잡합니다. 현재로서는 합법과 불법의 경계가 명확하지 않기에, 기업들은 리스크를 상시 모니터링하며 감당 가능한 범위 내에서 사업을 전개하는 유연한 리스크 관리 전략이 필요합니다. 학습 데이터셋인 '더 파일(The Pile)'의 구성을 분석해 보면 데이터의 종류에 따라 법적 위험도가 천차만별임을 알 수 있습니다. 오픈 액세스로 공개된 논문이나 위키피디아 자료는 상대적으로 리스크가 낮지만, 무단 복제된 도서 데이터나 최근 유료화된 플랫폼 데이터는 심각한 저작권 소송의 원인이 되기도 합니다. 실제로 글로벌 거대 IT 기업들도 학습 데이터의 무단 사용으로 인해 권리자들로부터 소송을 당해 재판을 진행 중입니다. 따라서 앞으로의 AI 모델 개발은 투명한 데이터 출처 관리와 합법적인 확보 절차가 품질만큼이나 중요한 경쟁력이 될 것입니다. 최근 공개된 메타의 라마(Llama) 3.1과 같은 모델들은 뛰어난 성능을 자랑하지만, 이용자 수에 따라 사용을 제한하는 등 전통적인 오픈소스 정의(OSD)에서는 다소 벗어나 있습니다. 이는 인공지능 시대에 '오픈소스'라는 용어를 어떻게 재정의할 것인가에 대한 근본적인 질문을 던집니다. 이에 대응하여 오픈소스 이니셔티브(OSI)는 AI의 코드, 모델, 데이터를 아우르는 새로운 표준을 정립하는 작업을 진행 중입니다. 유럽의 AI 법안 등 국제적인 제도 변화와 맞물려, 공유와 협력이라는 오픈소스의 정신이 인공지능이라는 새로운 환경에서 어떻게 진화할지 주목해야 할 시점입니다.

오픈소스 / 데이터 라이선스의 이해
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

[강연] 교육AI를 탄생시킨 놀라운 수학적 아이디어 2_by 노현빈 / 2024 봄 카오스강연 '세상에 나쁜 수학은 없다' 6강 두 번째 이야기 | 6강 ②

최근 인공지능 열풍의 중심에는 챗GPT와 같은 거대 언어 모델(LLM)이 있습니다. 하지만 LLM의 본질은 단순히 문맥상 가장 적절한 다음 단어를 예측하여 나열하는 것에 불과합니다. 교육 현장에서 인공지능이 진정한 가치를 발휘하기 위해서는 단순히 말을 잘하는 것을 넘어, 학생을 가르친다는 행위의 본질과 교육적 맥락을 깊이 이해해야 합니다. 이를 위해 대수기하학의 정교한 수학적 도구들이 교육 인공지능의 근본적인 모델을 설계하는 데 핵심적인 역할을 수행하고 있습니다. 효과적인 교육을 위한 첫걸음은 학생의 현재 상태를 정확히 파악하는 것입니다. 교육학에서는 이를 구조주의와 구성주의라는 두 가지 관점에서 접근합니다. 구조주의는 지식의 선후 관계를 연결한 '지식 그래프'를 통해 학생의 성취도를 측정하며, 구성주의는 학생마다 지식을 받아들이는 방식이 다르다는 점에 주목합니다. 인공지능은 이러한 관점들을 결합하여 학생이 수행한 다양한 과업 데이터를 분석하고, 이를 바탕으로 학생의 실력을 다각도로 진단하고 이해하는 과정을 거칩니다. 학생에게 수만 개의 문제를 풀게 하는 것은 현실적으로 불가능하기 때문에, 인공지능은 적은 수의 샘플 테스트만으로도 전체 실력을 예측하는 모델을 활용합니다. 이는 '스무고개' 게임처럼 정보량을 극대화할 수 있는 최적의 질문을 던져 후보군을 좁혀나가는 원리와 같습니다. 이를 통해 생성된 '열지도(Heatmap)'는 학생이 특정 개념을 맞힐 확률을 시각화하여 보여줍니다. 결과적으로 중학생이 몇 문제만 풀어도 고등학교 과정에서 겪을 어려움까지 미리 예측할 수 있게 됩니다. 딥러닝 모델은 흔히 내부 작동 원리를 알 수 없는 '블랙박스'에 비유되곤 합니다. 하지만 교육 현장, 특히 공교육에서는 평가의 근거를 설명할 수 있는 투명성이 매우 중요합니다. 이를 해결하기 위해 수학의 공리적 접근법이 도입됩니다. 학생들 간의 실력을 비교 가능한 좌표계로 변환하고, 공정한 평가 기준을 수립함으로써 블랙박스 모델의 한계를 보완합니다. 이러한 수학적 장치는 학부모와 학생이 인공지능의 평가 결과를 신뢰하고 받아들일 수 있는 논리적 토대가 됩니다. 인공지능의 학습 추천 알고리즘은 알파고의 승률 계산 방식과 유사한 최적화 과정을 거칩니다. 단순히 약점을 보완하거나 난이도를 조절하는 수준을 넘어, 특정 문제를 풀었을 때 기대되는 점수 상승 폭을 계산하여 최단 시간 내에 실력을 올릴 수 있는 경로를 찾아냅니다. 흥미로운 점은 이러한 수학적 최적화 결과가 인간의 직관인 망각 곡선이나 선수 지식 체계와도 일맥상통한다는 것입니다. 이는 수학적 모델이 교육의 본질적인 효율성을 정교하게 포착하고 있음을 시사합니다. 수많은 학습 경로 중 최적의 조합을 찾는 것은 계산적으로 매우 복잡한 문제입니다. 하지만 교육 평가 모델을 '서브모듈러(Submodular)'라는 수학적 성질을 만족하도록 설계하면, 매 순간 최선의 선택을 하는 것만으로도 전체적인 최적해에 근접할 수 있습니다. 이는 햄버거 세트 메뉴의 가격 정책처럼 추가적인 학습의 효용을 수학적으로 정의하는 방식입니다. 이러한 설계를 통해 인공지능은 방대한 데이터 속에서도 학생에게 가장 효과적인 교육 과정을 실시간으로 제시할 수 있게 됩니다. 인공지능 기술의 궁극적인 지향점은 인간의 잠재력을 최대한으로 끌어올리는 데 있습니다. 수학적으로 모든 인간은 자신만의 고유한 지표에서 누구보다 뛰어난 '맥시멀(Maximal)'한 존재입니다. 인공지능은 교사가 학생 개개인에게 더 깊은 관심을 기울일 수 있도록 돕는 강력한 보조 도구가 되어야 합니다. 기술이 제안하는 맞춤형 처방과 인간 교사의 정서적 교감이 결합될 때, 학생들은 자신의 독창성을 발견하고 잠재력을 꽃피우는 진정한 교육의 가치를 경험하게 될 것입니다.

[강연] 교육AI를 탄생시킨 놀라운 수학적 아이디어 2_by 노현빈 / 2024 봄 카오스강연 '세상에 나쁜 수학은 없다' 6강 두 번째 이야기

노현빈

카오스재단2024 카오스강연 '세상에 나쁜 수학은 없다'
  • 수학

[KIMM TV] 사람 말귀 알아듣고, 스스로 척척, 제조업 작업에도 인공지능 로봇 활약! #ai로봇 #인공지능 #로봇 #세계최초 #기계연김창현

기존의 로봇 기술은 정해진 작업을 수행하는 데에는 매우 능숙하지만, 작업 환경이나 대상이 바뀌면 새로운 설정을 입력해야 하는 어려움이 있었습니다. 한국기계연구원 인공지능(AI)기계연구실에서는 이러한 한계를 극복하고자 로봇이 제조 현장의 변화에 유연하게 적응할 수 있는 기술을 연구해 왔습니다. 명령을 이해하고 작업 계획을 세우며 실제 이동과 작업을 수행하는 모든 과정을 통합하여, 로봇을 보다 손쉽게 현장에 적용할 수 있도록 만드는 것이 이 연구의 시작점이었습니다. 이를 통해 복잡한 제조 환경에서도 효율적인 작업 수행이 가능해졌습니다. 연구팀은 작업자의 명령을 이해하고 작업을 수행하는 순서를 스스로 생성하여 실제 실행까지 한 번에 처리하는 자동화 기술을 개발했습니다. 기존에도 이와 유사한 연구들이 실험실 수준에서 시도된 적은 있었지만, 실제 제조 공정에 이를 적용하여 성공적으로 테스트를 진행한 것은 이번이 처음입니다. 현재 이 지능형 로봇은 전기차 부품을 생산하는 실제 제조 라인에 투입되어 사람을 대신해 작업을 수행하고 있습니다. 연구진은 향후 이 기술을 더욱 고도화하여 다른 다양한 제조 공정으로 범위를 확대해 나갈 원대한 계획을 세우고 있습니다. 제조 현장에서 로봇이 원활하게 동작하기 위해서는 빠르고 정확한 움직임이 필수적입니다. 하지만 현재의 기술 수준에서 단일 인공지능(AI) 모델만으로 이러한 정밀도와 속도를 동시에 만족시키기에는 무리가 있습니다. 이를 해결하기 위해 연구팀은 작업, 주행, 인식 등 각각의 기능별로 특화된 인공지능(AI)을 활용하는 방식을 채택했습니다. 분야별로 최적화된 인공지능(AI) 기술들을 유기적으로 구성함으로써, 현장의 요구 조건을 모두 충족하는 동시에 사용자가 훨씬 더 간편하게 시스템을 조작할 수 있는 환경을 구축하는 데 성공했습니다. 이 시스템의 핵심은 거대언어모델(LLM)을 활용하여 사용자의 자연어 명령을 로봇용 함수로 변환하는 데 있습니다. 변환된 함수는 가상 환경에서 사전에 최적의 동작 경로를 시뮬레이션한 뒤, 실제 환경에서 인식 및 주행 인공지능(AI)과 상호작용하며 작업을 완수합니다. 특히 로봇 '세이'는 연구소 정보와 같은 기본 데이터와 일반 상식을 결합하여 사람과 자연스러운 대화를 나눌 수 있는 지능을 보여줍니다. 따로 답변을 프로그래밍하지 않아도 로봇 스스로 정보를 바탕으로 응답을 생성하는 능력은 인공지능(AI) 기술이 로봇과 얼마나 밀접하게 통합되었는지를 잘 보여줍니다. 본 연구의 핵심 가치는 전문가가 아니더라도 누구나 로봇을 손쉽게 활용할 수 있다는 점에 있습니다. 작업자가 일일이 복잡한 프로그래밍 과정을 거치지 않고 대화하듯 명령을 내리면, 로봇이 스스로 작업 방식을 추론하여 실행하기 때문입니다. 이러한 변화는 제조 전반의 생산성을 획기적으로 향상시킬 뿐만 아니라, 위험하고 열악한 업무 환경을 개선하여 근로자의 안전을 보장하는 데에도 큰 도움을 줄 것입니다. 인공지능(AI) 기술로 무장한 로봇은 이제 사람의 삶을 더 좋게 만드는 든든한 조력자로서 우리 곁에 더 가까이 다가오고 있습니다.

[KIMM TV] 사람 말귀 알아듣고, 스스로 척척, 제조업 작업에도 인공지능 로봇 활약! #ai로봇 #인공지능 #로봇 #세계최초 #기계연김창현
한국기계연구원[KIMM TV]
  • 융합
  • 공학·기술

[EOST2023] 거대 인공지능 모델의 고효율 학습을 위한 자동 최적 3D 병렬화 프레임위크

거대 언어 모델(LLM)의 시대가 도래하면서 인공지능 모델의 크기는 개별 GPU의 처리 용량을 훌쩍 넘어섰습니다. 엔비디아의 '메가트론'을 넘어서겠다는 포부를 담은 '옵티머스 프라임' 프로젝트는 이러한 거대 모델을 여러 개의 GPU에서 효율적으로 다루기 위한 연구에서 시작되었습니다. 여러 장의 GPU를 마치 하나의 거대한 장치처럼 활용하여 학습과 추론의 효율성을 극대화하는 것이 이 프로젝트의 핵심 목표입니다. 인공지능 연구에 필요한 자본력은 갈수록 거대해지고 있으며, 이는 기술 개발의 강력한 진입 장벽으로 작용합니다. 온프레미스 클러스터를 구축하거나 클라우드 자원을 활용하는 모든 과정에서 막대한 비용이 소요되는데, 이때 하드웨어 자원의 잠재력을 최대한으로 끌어내지 못하면 경제적 손실은 더욱 가중됩니다. 따라서 소프트웨어적으로 인프라 활용 효율을 높이는 기술은 단순히 성능 향상을 넘어 전체적인 개발 비용 절감과 직결되는 핵심적인 요소입니다. 현대 인공지능의 연산량과 메모리 요구량은 하드웨어의 발전 속도를 압도하며 급증하고 있습니다. 수천억 개의 파라미터를 가진 모델을 학습시키기 위해서는 테라바이트 단위의 메모리가 필요하지만, 단일 서버로는 이를 감당할 수 없어 필연적으로 통신 지연과 분할의 문제가 발생합니다. 모델을 어떻게 잘라 배치하고 통신 시간을 어떻게 숨길 것인가 하는 문제는 시스템 엔지니어링 측면에서 매우 복잡하고 정교한 최적화 전략을 요구하게 됩니다. 과거에는 모델 개발자가 수동으로 병렬화 코드를 작성해야 했지만, 이제는 이를 자동화하려는 시도가 이어지고 있습니다. ETRI는 파이토치 2.0 생태계와 연동하여 모델 구조를 분석하고 최적의 병렬화 전략을 자동으로 도출하는 엔진을 개발 중입니다. 이는 마치 데이터베이스에서 쿼리문을 입력하면 시스템이 알아서 최적의 실행 계획을 짜주는 것과 같습니다. 개발자는 모델의 로직에만 집중하고, 복잡한 분산 처리는 소프트웨어 계층에서 해결하는 구조입니다. ETRI는 현재 개발 중인 고효율 학습 엔진을 오픈 소스로 공개하여 국내외 개발자들과 함께 생태계를 고도화해 나갈 계획을 세우고 있습니다. 단순히 기존의 외국산 소프트웨어를 가져다 쓰는 관행을 넘어, 우리만의 독자적인 인프라 기술을 확보하고 다양한 기여자들이 협력하여 최적화 엔진을 발전시키는 것이 필수적입니다. 이러한 노력을 통해 대한민국 인공지능 하부 구조의 기술 자립과 효율성을 동시에 달성할 수 있을 것으로 기대됩니다.

[EOST2023] 거대 인공지능 모델의 고효율 학습을 위한 자동 최적 3D 병렬화 프레임위크
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

[EOST2023] AI와 오픈소스: 혁신, 자본, 기여자의 역학

소프트웨어의 역사는 40년 전 자유 소프트웨어 재단(FSF)의 설립과 함께 큰 전환점을 맞이했습니다. 초기에는 독점 체제에 맞서려는 사상적 운동으로 시작되었으나, 리눅스와 아파치 같은 혁신적인 도구들이 등장하며 독자적인 기술 생태계를 구축했습니다. 이제 오픈소스는 단순한 대안을 넘어 현대 연산 자원의 핵심으로 자리 잡았으며, 전 세계 슈퍼컴퓨터의 100%가 리눅스로 가동되는 등 보이지 않는 곳에서 디지털 세상의 기반이 되고 있습니다. 현재 우리가 사용하는 소프트웨어의 약 97%는 오픈소스를 기반으로 하며, 이는 현대 기술 문명을 지탱하는 필수적인 인프라 역할을 수행합니다. 전통적인 제조 산업인 자동차 분야조차 오픈소스 없이는 개발이 불가능할 정도로 그 영향력이 막대합니다. 개발자들은 언어나 컴파일러부터 이미 공개된 자원을 활용하며, 이는 기술 혁신의 진입 장벽을 낮추고 전 세계적인 네트워크 효과를 통해 소프트웨어의 규모를 폭발적으로 확장하는 계기가 되었습니다. 특히 딥러닝으로 대표되는 AI 분야는 태생부터 오픈소스 문화와 밀접하게 연결되어 있습니다. 깃허브와 같은 협업 플랫폼이 활성화된 이후 본격적으로 성장한 이 분야는 파이토치나 텐서플로우 같은 프레임워크를 누구나 자유롭게 사용할 수 있게 했습니다. 모델의 발전 속도가 워낙 빠르고 규모가 유도하는 성능 향상이 뚜렷하기 때문에, 코드를 공개하는 것에 대한 저항감이 적으며 이를 통해 전 세계 연구자들이 실시간으로 혁신을 공유하게 되었습니다. 하지만 AI의 급격한 성장은 자본과 연산 자원의 집중이라는 새로운 과제를 던져주었습니다. 과거의 오픈소스가 기여자의 열정만으로 가능했다면, 현재의 거대 언어 모델은 막대한 비용과 GPU 자원을 필수적으로 요구합니다. 이러한 특성 때문에 혁신의 주도권이 거대 클라우드 기업으로 쏠리는 현상이 발생하고 있습니다. 이는 오픈소스 본연의 가치와 자본의 논리가 충돌하는 지점으로, 생태계의 지속 가능성을 고민하게 만드는 중요한 시점입니다. 최근의 갈등은 라이선스의 변화에서도 극명하게 나타납니다. 클라우드 기업들이 오픈소스 프로젝트에 무임승차하는 사례가 늘어나자, 일부 기업들은 기존의 완전한 공개 라이선스 대신 특정 조건하에서만 허용되는 라이선스로 전환하기 시작했습니다. 이는 오픈소스 사상가들과 기업 간의 복잡한 내전 양상을 띠고 있으며, 소프트웨어의 소유권과 공유의 범위를 어디까지 설정할 것인가에 대한 깊은 논쟁을 불러일으키고 있습니다. 다행히도 최근에는 라마나 팔콘과 같은 파운데이션 모델들이 공개되면서 독점적인 API 기반 모델에 대한 대안이 마련되고 있습니다. 수많은 국가와 기관들이 인공지능이 특정 기업의 전유물이 되지 않도록 모델을 무료로 배포하고 있으며, 이는 다시 오픈소스 커뮤니티의 폭발적인 파인튜닝 시도로 이어지고 있습니다. 이러한 움직임은 기술적 리더십을 확보하려는 전략인 동시에, 인공지능 기술에 대한 접근성을 보장하려는 민주적인 노력이기도 합니다. 결국 다음 10년의 소프트웨어 형태를 정의할 AI 생태계는 혁신과 자본, 그리고 기여자라는 세 가지 축이 어떻게 균형을 이루느냐에 달려 있습니다. 오픈소스는 지난 40년 동안 다수의 참여자가 혁신을 만드는 체계적인 방법론을 증명해 왔습니다. 연산 자원의 비용을 낮추고 기술 스택을 단순화하여 모두에게 평등한 접근성을 제공하는 것이 앞으로의 과제입니다. 이 세 다리가 균형을 잘 잡을 때 소프트웨어라는 솥은 비로소 안정적으로 유지될 것입니다.

[EOST2023] AI와 오픈소스: 혁신, 자본, 기여자의 역학
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

[EOST2023] 원자력 분야의 거대언어모델 활용

인공지능 연구 분야는 개방과 공유, 협업의 문화를 바탕으로 다른 학문보다 훨씬 빠르게 발전하고 있습니다. 소스 코드를 공개하고 연구자들이 자발적으로 커뮤니티를 형성해 지식을 나누는 문화는 기술 혁신의 핵심 동력이 되었습니다. 최근 등장한 거대 언어 모델(LLM)인 파운데이션 모델은 기존의 패러다임을 완전히 바꾸어 놓았습니다. 특정 작업을 위해 방대한 데이터를 모으고 개별 모델을 학습시키던 방식에서 벗어나, 이제는 잘 구축된 하나의 모델을 다각도로 활용하여 인간 이상의 성능을 끌어내는 시대로 접어들었습니다. 거대 언어 모델(LLM)의 등장은 데이터 구축 사업의 효율성 측면에서도 큰 충격을 주었습니다. 과거 수십억 원의 예산을 투입해 수동으로 구축했던 데이터셋보다 거대 언어 모델(LLM)을 활용해 생성한 데이터가 품질 면에서 더 우수한 경우도 빈번해졌습니다. 이는 복잡한 수학 문제를 풀거나 시각 정보를 기반으로 질의응답을 수행하는 고난도 과제에서도 마찬가지입니다. 특정 목적만을 위해 개발된 인공지능 모델보다 범용적인 파운데이션 모델이 더 정교한 결과물을 내놓으면서, 인공지능 연구의 흐름은 이제 프롬프트 엔지니어링과 소량의 양질 데이터를 활용하는 방향으로 진화하고 있습니다. 원자력 분야에서도 이러한 기술을 실무에 도입하려는 시도가 활발합니다. 대표적으로는 검색 증강 생성(RAG) 기술을 활용한 지능형 챗봇 구축을 꼽을 수 있습니다. 거대 언어 모델(LLM)의 입력 제한을 극복하기 위해 방대한 규정집을 벡터화하여 저장한 뒤, 질문과 가장 관련 있는 정보를 추출하여 답변을 생성하는 방식입니다. 이를 통해 연구원 내부의 규정 질의응답은 물론, 대민 홍보용 캐릭터를 활용한 친근한 서비스까지 가능해졌습니다. 과거에는 막대한 비용이 소요되던 고성능 챗봇 개발이 효율적인 아키텍처 덕분에 누구나 접근 가능한 영역으로 들어왔습니다. 하지만 실전 배치 과정에서는 프롬프트 보안과 정보의 정확성이라는 과제가 남습니다. 프롬프트 엔지니어링을 통해 모델의 역할을 설정하더라도, 사용자의 유도 질문에 의해 내부 설정이 노출되거나 잘못된 정보를 전달할 위험이 존재하기 때문입니다. 이를 해결하기 위해 답변 생성 시 외부 검색 기능을 연동하여 실시간 정보를 반영하거나, 질문의 성격에 따라 모델의 동작 모드를 스스로 결정하게 하는 고도화 작업이 진행되고 있습니다. 전문 지식이 필요한 경우 영문 데이터를 우선 참조한 뒤 다시 번역하여 제공함으로써 답변의 신뢰도를 높이는 전략도 유효하게 작용합니다. 향후 원자력 분야의 인공지능은 단순한 문서 작업을 넘어 물리적 환경과 결합한 'AI 운전원'의 형태로 진화할 전망입니다. 원자력 발전소는 안전이 최우선인 규제 산업으로, 방대한 운영 절차서와 설계 문서를 정교하게 이해하는 인공지능이 필수적입니다. 현재 정보를 기반으로 미래를 예측하는 디지털 트윈 기술과 거대 언어 모델(LLM)을 결합하면, 사고 상황에서 최적의 의사결정을 지원하는 지능형 에이전트 구현이 가능해집니다. 컴퓨터 비전과 물리 모델, 그리고 언어 모델이 융합된 이 시스템은 인간 운전원의 판단을 도와 원자력 시설의 안전성을 한 차원 높여줄 것입니다.

[EOST2023] 원자력 분야의 거대언어모델 활용
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

[EOST2023] 거대언어모델을 활용한 연구 효율화

ChatGPT가 등장한 지 1년도 채 되지 않아 바드, 하이퍼클로바X, 라마 등 다양한 거대 언어 모델(LLM)들이 쏟아져 나오고 있습니다. 현재 이 시장은 거대하고 강력한 모델을 지향하는 흐름과 오픈소스 기반의 최적화 모델을 지향하는 두 가지 흐름으로 나뉩니다. 초창기에는 텍스트 생성에만 치중되어 할루시네이션(환각) 문제가 심각하다는 우려도 컸습니다. 하지만 사용자가 직접 작성한 글을 번역하고 요약하며, 말투를 교정하는 등의 정교한 작업이 가능해지면서 단순한 검색 엔진을 넘어선 활용 가능성을 보여주고 있습니다. 거대 언어 모델(LLM)의 흥미로운 점은 가르치지 않은 능력이 발현되는 '창발' 현상입니다. 일정 규모 이상의 모델은 숫자 계산이나 논리적 추론, 심지어 문맥 속에 숨겨진 감정까지 파악해 내는 능력을 보여줍니다. 예를 들어 소년이 소녀에게 꽃을 주고 자리를 치워주는 행동을 묘사한 지문을 통해 두 사람 사이의 감정을 '사랑'으로 추론해 내기도 합니다. 이러한 능력은 연구자가 지문이나 근거 자료를 제공하고 그 안에서 새로운 통찰을 이끌어내거나 논리적인 분석을 요청할 때 매우 강력한 도구가 됩니다. 연구 현장에서 인공지능을 효율적으로 활용하기 위해서는 '검색 증강 생성(RAG)' 기술이 필수적입니다. 이는 단순히 모델의 지식에만 의존하는 것이 아니라 규정, 특허, 논문 등 신뢰할 수 있는 외부 데이터를 모델에게 제공하여 답변을 생성하게 하는 방식입니다. 이를 통해 오류를 방지하고 기관 내부의 데이터베이스를 기반으로 정확한 정보를 처리할 수 있습니다. 수많은 정보를 목적에 맞게 가공하고, 한정된 자원을 어디에 투자할지 결정하는 의사 결정 과정에 인공지능이 깊숙이 개입할 수 있게 된 것입니다. 이제 연구자는 핵심 질문만 던지면 인공지능이 보고서의 초안을 작성하고 관련 논문을 찾아 요약해 주는 시대를 살고 있습니다. SciSpace나 Perplexity 같은 도구는 수백 페이지에 달하는 논문 속에서 필요한 정보를 단숨에 추출하며, 인용 관계를 그래프로 보여주어 학문적 지도를 그려주기도 합니다. 또한 코딩 지식이 없어도 거대 언어 모델(LLM)에게 데이터 분석을 시키거나 발표용 그림을 생성하게 하는 등 작업 시간을 획기적으로 단축할 수 있습니다. 며칠이 걸리던 문헌 조사가 단 몇 시간 만에 끝나는 효율화가 현실이 되었습니다. 기술의 발전은 연구자에게 일의 본질이 무엇인지 다시 묻게 합니다. 이미지 생성 인공지능을 활용해 논문의 개념도를 그리거나 발표 자료를 꾸밀 때는 저작권과 윤리적 가이드라인을 지키는 것이 중요합니다. 인공지능은 더 이상 미래의 기술이 아니라 이미 누구나 누릴 수 있는 현재의 기술이기에, 이를 활용하지 않는 것은 손해에 가깝습니다. 인간은 역사적으로 새로운 도구와 싸워 이기려 하기보다 이를 이용해 더 큰 성취를 이뤄왔습니다. 이제 인공지능을 동료로 삼아 단순 작업에서 벗어나 더 깊고 창의적인 연구에 몰입해야 할 때입니다.

[EOST2023] 거대언어모델을 활용한 연구 효율화
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

[EOST2023] 패널토의: 오픈소스가 만드는 LLM의 미래는?

인공지능 기술의 비약적인 발전 배경에는 오픈소스 커뮤니티의 헌신적인 노력이 자리 잡고 있습니다. 특히 LLM(거대언어모델) 분야에서 오픈소스는 기술의 민주화를 이끌며 전 세계 연구자들이 지식을 공유하고 협력하는 장을 마련했습니다. 이러한 협력은 단순히 업무를 분담하는 차원을 넘어, 서로의 코드를 리뷰하고 아이디어를 융합하며 개인과 기술이 동시에 성장하는 선순환 구조를 만들어냅니다. 커뮤니티를 통한 지식의 팽창은 곧 인공지능 생태계의 근간이 됩니다. LLM의 고질적인 한계로 지적되는 할루시네이션은 RAG(검색 증강 생성) 기술을 통해 보완되고 있습니다. 신뢰성이 중요한 전문 분야에서는 모델이 단순히 답변을 생성하는 것에 그치지 않고, 답변의 근거가 되는 원문 규정이나 문서를 함께 제시하는 시스템적 접근이 필수적입니다. 비록 인공지능이 100% 오류를 차단하기는 어렵지만, 사용자가 직접 답변의 근거를 확인하고 검증할 수 있는 환경을 제공함으로써 기술의 실무 적용 가능성과 신뢰도를 점진적으로 높여가고 있습니다. 과거의 연구 방식이 타인의 논문을 처음부터 끝까지 재현하는 장인 정신에 기반했다면, 현대의 인공지능 연구는 공개된 소스코드를 바탕으로 새로운 아이디어를 빠르게 실험하고 적용하는 효율성을 지향합니다. 이는 연구 속도를 획기적으로 높여 기술의 상용화 주기를 단축하는 계기가 되었습니다. 또한 ChatGPT와 같은 도구는 사용자마다 각기 다른 답변과 해결책을 제공함으로써, 우리 사회가 우려하는 획일화가 아닌 오히려 지식의 다양성을 증진하는 예기치 못한 긍정적 효과를 보여주고 있습니다. 많은 전문가가 오픈소스 LLM이 언제쯤 클로즈드 모델인 GPT-4의 성능을 추월할 것인지 주목하고 있습니다. 과거 스테이블 디퓨전이 이미지 생성 분야에서 보여준 폭발적 성장 사례처럼, 오픈소스 커뮤니티의 집단지성은 기술적 도약을 가능케 하는 막강한 저력을 지니고 있습니다. 특히 컨트롤넷과 같은 혁신적인 제어 기술이나 모델 내부의 창발적 현상을 규명하는 연구가 결합한다면, 오픈소스 모델은 단순한 추종을 넘어 특정 전문가 영역에서 독보적인 활용 가치를 증명할 것입니다. 모든 산업 영역에서 범용적인 거대 모델이 반드시 필요한 것은 아닙니다. 네트워크 장비 제어나 보안이 중시되는 산업 현장과 같이 자원 효율성이 중요한 환경에서는 파라미터 수를 최적화한 sLLM(소형 거대언어모델)이 더 현실적인 대안이 됩니다. 도메인 특화 데이터를 학습하고 특정 작업에 최적화된 소형 모델은 온사이트 배포에 유리하며, 이는 복잡한 비즈니스 로직에 실질적으로 투입되어 유의미한 운영 성과를 내는 핵심적인 역할을 수행할 것으로 기대됩니다. 인공지능 기술의 등장은 언어의 장벽을 허물고 정보 습득의 속도를 비약적으로 가속화하고 있습니다. 실시간 통역과 고도화된 번역 기술은 연구자들이 글로벌 지식에 접근하는 비용을 획기적으로 낮춰주었으며, 이는 비영어권 국가의 연구 역량을 강화하는 데 크게 기여하고 있습니다. 이제 연구자에게 중요한 역량은 방대한 데이터를 어떻게 효율적으로 정리하고 자신의 연구에 창의적으로 녹여낼 것인가 하는 지식 관리 능력이며, 인공지능은 이를 뒷받침하는 강력한 조력자가 되었습니다. 정부출연연구기관과 같은 공공 영역에서는 기업이 간과하기 쉬운 사회적 약자 보호나 공익적 목적의 인공지능 활용 전략을 수립해야 합니다. 개별 연구원이 AI 에이전트의 도움을 받아 연구 보고서 작성이나 기술 동향 분석을 효율적으로 수행할 수 있는 인프라 구축이 시급합니다. 각 기관이 프롬프트 엔지니어링이나 데이터 사이언스 전문 인력을 확보하여 연구 현장의 생산성을 극대화하고, 안전한 인공지능 활용을 위한 규제 검증 절차를 마련하는 것이 미래의 핵심 과제입니다.

[EOST2023] 패널토의: 오픈소스가 만드는 LLM의 미래는?
한국전자통신연구원오픈소스 테크데이
  • 융합
  • 공학·기술

국가 플래그십 초고성능컴퓨팅 인프라 고도화 사업 온라인 공청회(21.11.10)

우리나라는 1988년부터 국가초고성능컴퓨팅법에 근거하여 국가적 수준의 컴퓨팅 인프라를 구축하고 거대 과학 및 인공지능 연구를 지원해 왔습니다. 현재 운영 중인 5호기 '누리온'은 도입된 지 3년 만에 활용률이 80~90%에 달하며 이미 과부하 상태에 놓여 있습니다. 연구자들이 요청하는 자원의 절반 정도만 지원할 수 있는 현 상황을 타개하기 위해, 정부는 국가 플래그십 초고성능 컴퓨터 인프라 고도화 사업을 통해 6호기 구축을 본격적으로 추진하고 있습니다. 초고성능 컴퓨터는 반도체, 시스템, 소프트웨어 기술이 집약된 첨단 기술의 결정체이자 경제와 사회 전반의 초혁신 플랫폼으로 자리 잡고 있습니다. 미국, 중국, 일본 등 세계 주요국들은 매년 조 단위의 예산을 투입하며 엑사스케일급 시스템 구축을 통해 기술 패권 경쟁을 벌이고 있습니다. 우리나라도 이러한 글로벌 흐름에 대응하여 4차 산업혁명 시대의 국가 경쟁력을 확보하고, 컴퓨팅 강국으로 도약하기 위한 선제적인 인프라 확충과 독자적인 기술력 확보가 매우 시급한 상황입니다. 6호기 구축을 위한 수요 예측 결과에 따르면, 우리나라 연구 현장에는 최소 600 페타플롭스(PFLOPS) 이상의 성능이 필요한 것으로 나타났습니다. 이는 글로벌 10위권 이내의 성능 변화 추세를 분석한 하향식(Top-down) 방식과 2,500여 명의 전문가 의견을 수렴한 상향식(Bottom-up) 방식을 종합하여 산출된 목표입니다. 6호기는 전통적인 시뮬레이션 연구는 물론, 최근 급격히 증가하고 있는 초거대 AI 모델 학습 수요까지 충분히 수용할 수 있는 규모로 설계되어 연구 생산성을 획기적으로 높일 전망입니다. 기술적으로 6호기는 CPU와 GPU를 혼합한 투트랙 아키텍처를 채택하여 범용 연산과 인공지능 특화 연산을 동시에 지원할 계획입니다. 특히 인공지능 분야의 수요를 적극적으로 반영하여 GPU 비중을 높게 설정하고, 고속 데이터 처리를 위한 SSD 기반 스토리지와 넓은 대역폭의 인터커넥트를 구성할 예정입니다. 또한, 이미 확보된 전용 공간과 기반 시설을 효율적으로 활용하여 2023년 말 가동을 목표로 하고 있으며, 이는 데이터 폭증 시대에 대응하는 국가적 핵심 전략 자산이 될 것입니다. 6호기의 도입은 항공우주, 미세먼지 예측, 신약 개발과 같은 거대 과학 분야의 한계를 극복하는 중요한 열쇠가 될 것입니다. 실험이 불가능한 극한 환경을 가상 공간에서 정밀하게 모사함으로써 연구의 정확도를 높이고 사회 문제 해결에 직접적으로 기여할 수 있습니다. 동시에 수천억 개의 매개변수를 가진 초거대 AI 모델 개발 등 중소기업과 스타트업이 대기업 수준의 인공지능 경쟁력을 갖출 수 있도록 든든한 연구 기반을 제공하여 국가 전반의 디지털 혁신을 가속화할 것입니다. 일각에서는 상용 클라우드 서비스 이용을 대안으로 제시하기도 하지만, 높은 활용률을 상시 유지해야 하는 연구 인프라의 특성상 자체 구축이 훨씬 경제적입니다. 6호기를 클라우드로 대체할 경우 소요 비용이 약 2조 원 이상으로 추산되나, 직접 구축 시에는 약 3천억 원 규모로 해결이 가능하여 예산 효율성이 매우 높습니다. 또한 노후화된 시스템을 유지하는 것보다 고효율의 최신 장비로 교체하는 것이 전기료와 유지보수 측면에서 국가 재정 운영에 훨씬 유리하다는 점도 확인되었습니다. 본 사업은 단순히 장비를 도입하는 것에 그치지 않고, 국산 기술력을 배양하여 궁극적으로 우리 기술로 초고성능 컴퓨터를 만드는 기틀을 마련하는 데 목적이 있습니다. 6호기 구축 이후에도 7호기 로드맵을 이어가며 국가 전략 분야에 자원을 집중 배분하고, 사용자 교육과 최적화 지원을 강화하여 연구자들이 마음껏 도전할 수 있는 환경을 조성할 것입니다. 이는 우리나라가 과학기술 강국으로 발돋움하고 미래 산업의 주도권을 선점하는 중요한 이정표가 될 것으로 기대됩니다.

국가 플래그십 초고성능컴퓨팅 인프라 고도화 사업 온라인 공청회(21.11.10)
한국과학기술정보연구원
  • 융합
  • 공학·기술