국대 AI 파운데이션 모델 5대 컨소시엄, 12/30 1차 성과 핵심 정리

국산 AI 기초 모델은 장기적으로 데이터 주권을 확보하기 위한 장치다. 학습 데이터와 파운데이션 모델 소유권을 국내에 두면, 해외 사업자의 정책 변화나 라이선스 이슈에 덜 휘둘린다.

한국어 특화 인공지능 모델 수요도 크다. 한국어·한자·혼종어·공공 문서 포맷처럼 글로벌 LLM이 상대적으로 약한 영역에서 한국형 대규모 언어모델이 품질 우위를 가질 여지가 있다. 방언·존댓말·법률·행정 문체까지 정교하게 다루는 모델이 특히 요구된다.

국대 AI 파운데이션 모델 사업은 동시에 국가 인프라 구축 프로젝트다. 전력·통신망처럼 AI 모델과 학습·추론 인프라를 공공·민간이 공유하면, 중소기업·스타트업도 상용급 국산 모델 위에서 빠르게 실험과 서비스를 전개할 수 있다.

• 기간·예산: 2025~2027년 약 3년 동안, 5개 정예팀이 동일 트랙에서 경쟁한다.
• 성능 목표: 매년 글로벌 SOTA 대비 격차를 줄여, 3년 내 95~96% 수준 도달을 공식 목표로 삼는다.
• 단계별 평가: 매년 중간 평가로 팀별 성과를 점검하고, 벤치마크·데모·사업화 계획을 종합 평가한다.
• 탈락 구조: 5개 팀이 동시에 출발하지만, 성과가 부족한 팀은 이후 라운드에서 제외되는 컷오프 방식이 적용된다.
• 개선 방향: 한국어·코딩·멀티모달 지표를 기준으로 국산 AI 모델 성능 한계와 개선 과제를 매년 다시 설정한다.

현재 국산 파운데이션 모델은 GPT‑4.1, Claude 3.7, Gemini 2.0, 최신 Llama 같은 최상위 모델과 비교하면 한 세대 정도 뒤에서 추격하는 구도에 가깝다. 파라미터 수나 벤치마크 점수보다 생태계와 제품 완성도에서 격차가 더 크다.

이번 사업의 현실적인 목표는 절대 1위가 아니라, 글로벌 톱 티어 대비 90%대 중후반 성능의 한국형 대규모 언어모델을 안정적으로 확보하는 것이다. 해외 오픈소스 LLM과 국산 모델 비교 관점에서는, 순수 성능은 글로벌 커뮤니티가 빠르더라도 한국어·규제 대응·공공 활용에서는 국산 모델이 전략적 선택지가 되는 그림에 가깝다.

네이버클라우드 컨소시엄은 검색·쇼핑·지도·포털 데이터를 바탕으로 국민 일상에 녹아드는 멀티모달 파운데이션 모델 기술을 겨냥한다. 텍스트·음성·이미지·지도 정보를 한 번에 이해하는 옴니형 모델이 방향성으로 제시된다.

국내 기업용 AI 모델 구축 측면에서는, 네이버클라우드 플랫폼 안에서 국산 AI 기초 모델을 API·콘솔 형태로 제공하는 구조가 유력하다. 공공·민간이 같은 기반 모델을 쓰되, 도메인별 파인튜닝과 보안 설정만 다르게 가져가는 국가 공통 인프라 성격이 짙다.

• SOLAR 계열 모델을 확장한 Solar WBL 기반으로, 고성능이면서도 경량·고효율 LLM 아키텍처를 지향한다.
• 학습·추론 비용을 낮춰 클라우드뿐 아니라 온프레미스 도입 가능한 국산 AI 모델 구조를 설계해, 국내 기업용 AI 모델 구축 진입 장벽을 낮추는 전략이다.
• 문서·OCR·검색·오피스 업무 등 실제 산업 현장에서 바로 쓰이는 툴을 앞세워, 향후 1,000만 명 규모 사용자를 확보하는 목표를 제시한다.
• 한국 기업 맞춤형 파운데이션 모델 활용 사례를 빠르게 쌓아, 스타트업 주관 컨소시엄답게 민첩한 제품화를 실험하는 포지션이다.

SK텔레콤 컨소시엄은 초거대 모델과 포스트‑트랜스포머 구조까지 포괄하는 차세대 아키텍처 연구를 전면에 내세운다. 통신·모바일·미디어·모빌리티 데이터를 활용해 실세계 맥락 이해가 강한 멀티모달 파운데이션 모델 기술을 구축하는 방향이다.

여기에 여러 작업을 자동으로 수행하는 AI 에이전트·자동화 전략이 결합된다. 고객 상담, 네트워크 운영, 광고·콘텐츠 추천, 차량·로봇 제어 같은 영역에서 LLM이 의사결정과 실행까지 이어가는 실증 프로젝트가 핵심 축이다.

• 약 200B 파라미터급 범용 LLM을 중심으로, 텍스트·음성·비전·3D까지 대응하는 생성 모델을 목표로 한다.
• 게임·엔터테인먼트 데이터로 학습한 창의적 생성 능력을 바탕으로, 제조·유통·로보틱스 등 산업 AI 전환에 특화된 파생 모델을 여러 갈래로 전개하는 구상이다.
• 한국 기업 맞춤형 파운데이션 모델 활용 사례로, 대규모 제조사·콘텐츠 기업과의 PoC·공동 프로젝트를 통해 현장 요구를 반영하는 파이프라인을 구축하는 데 초점을 둔다.

LG AI연구원 컨소시엄은 초대형 K‑EXAONE을 국산 플래그십 모델로 세우는 목표를 내세운다. 다국어·멀티모달·코딩까지 아우르는 범용 모델로, 글로벌 톱 티어와 동급 수준 성능을 겨냥한다.

국내 AI 파운데이션 모델 현황 측면에서, 자체 GPU 인프라와 국산 AI 칩, MLOps·자동 미세튜닝 툴까지 결합한 풀스택 생태계 구성이 특징이다. 연구·산업 모두에서 쓰이는 공통 플랫폼을 구축해, LG 그룹사뿐 아니라 외부 기업·연구기관까지 흡수하는 허브 역할을 지향한다.

• 일시·장소: 2025년 12월 30일 오후, 서울 코엑스 오디토리움에서 대국민 공개 행사로 열린다.
• 형식: 과기정통부·NIPA 주최 발표회로, 5개 팀이 순서대로 20분 내외 프레젠테이션과 데모를 진행한다.
• 공개 항목: 각 팀의 언어·다국어·코딩·멀티모달 성능 지표, 모델 아키텍처 개략, 학습·추론 인프라 전략 등이 소개된다.
• 체험존: 로비 부스에서 한국어 생성, 문서 요약·검색, 코드·이미지 관련 기능을 직접 써볼 수 있는 체험이 제공된다.
• 비공개 영역: 정확한 파라미터 수, 세부 학습 데이터 구성, 내부 평가 점수 등 민감 정보는 비공개 평가 절차로 따로 다뤄진다.

이번 행사는 국대 AI 파운데이션 모델이 실제로 어느 수준까지 왔는지 보여주는 첫 공식 스냅샷이다. 언어·코딩·지식·추론 벤치마크를 통해 국산 AI 모델 성능 한계와 개선 방향을 객관적으로 가늠할 수 있다.

멀티모달 데모는 텍스트 중심 LLM을 넘어, 음성·이미지·영상까지 아우르는 멀티모달 파운데이션 모델 기술 성숙도를 가늠하는 지표다. 산업별 데모는 단순 PoC를 넘어, 실제 서비스·제품에 언제부터 임베딩될 수 있는지에 대한 현실적인 타임라인을 보여줄 수 있다.

개발자 입장에서는 각 팀이 공개하는 API 규격, 지원 언어·토큰 정책, 파인튜닝·에이전트 기능 유무가 핵심 체크포인트다. 이 정보가 향후 1~2년간 어떤 국산 모델을 실험·도입 대상으로 삼을지 결정하는 기준선이 된다.

국대 AI 파운데이션 모델 사업은 막대한 GPU 예산과 클라우드 자원을 특정 5개 팀에 집중하는 구조다. 국내 AI 인프라·GPU 자원 부족 문제를 완화하는 동시에, 공공 용도의 공통 인프라를 남기는 방식으로 설계됐는지 확인하는 계기가 된다.

클라우드 개방성과 오픈소스 정책은 국내 기업용 AI 모델 구축 전략에 직접 영향을 준다. 모델이 어느 수준까지 오픈소스·API형으로 개방되는지에 따라, 스타트업·중소기업이 국산 모델을 활용할 수 있는 폭이 크게 달라진다.

정책적으로는 첫 탈락 팀이 발생하는 시점부터 선택과 집중 논쟁이 본격화된다. 시장 측면에서는 선정되지 않은 클라우드·모델 사업자와의 연합, 해외 LLM 사업자와의 하이브리드 전략 등 다양한 대응이 등장하며, 스타트업 투자·협력 지형에도 파급효과가 예상된다.

• 성능: 최신 GPT·Claude·Gemini가 여전히 절대 성능 우위에 있어, 고난도 창작·코딩은 해외 상용 LLM, 한국어 행정·법률·도메인 지식 작업은 국산 모델을 우선 고려하는 이원화 전략이 현실적이다.
• 비용: 국산 AI 파운데이션 모델 도입 비용 비교 시, 토큰 단가·구독료뿐 아니라 네트워크 비용·데이터 이동 비용까지 합산해 보는 것이 필요하다.
• 데이터 주권: 해외 오픈소스 LLM과 국산 모델 비교에서 가장 큰 차이는 데이터 위치와 규제 대응이다. 민감 정보·개인정보를 다루는 업무는 국내 리전, 더 나아가 온프레미스 운용 여부를 기준으로 판단하는 편이 안전하다.

• 매년 공개되는 벤치마크에서, 한국어·코딩·멀티모달 지표가 글로벌 레벨 대비 몇 퍼센트까지 좁혀지는지 수치를 확인한다.
• 개방 범위 측면에서는 API 공개 수준, 온프레미스 라이선스 정책, 오픈소스 모델·가중치 제공 계획을 주기적으로 살핀다.
• 생태계 지표로는 SDK·플러그인·튜토리얼·커뮤니티 규모, 파트너사와 한국 기업 맞춤형 파운데이션 모델 활용 사례 수를 추적하는 것이 좋다.

국대 AI 파운데이션 모델 사업의 5개 컨소시엄은 범용·국민형·산업 전반을 아우르는 기초 인프라를 담당한다. 이 위에 의료·바이오·법률·교육 같은 특화 파운데이션 모델 사업이 별도 트랙으로 얹히는 구조다.

국내 AI 파운데이션 모델 현황을 보면, 특화 모델은 범용 모델의 언어·추론 능력을 재사용하면서 민감 데이터·전문 지식을 추가 학습하는 방식으로 설계된다. 범용 5개 팀이 제공하는 API·온프레미스 패키지 위에 각 부처·기관이 특화 계층을 쌓는 2층 구조가 기본 상정이다.

의료·바이오 파운데이션 모델은 의료 기록·유전체·임상 데이터처럼 일반 모델이 접근하기 어려운 고난도 데이터를 학습한다. 이로써 범용 모델이 제공하지 못하는 정밀한 답변과 의사결정 보조 기능을 제공하고, 기본 언어·추론 능력은 범용 국대 AI 모델에서 가져오는 구조다.

한국 기업 맞춤형 파운데이션 모델 활용 사례로는, 병원·제약사가 국산 범용 모델을 온프레미스로 들여와 자체 의료 데이터를 얹어 특화 모델을 만드는 형태가 예상된다. 범용·특화 모델이 레이어처럼 결합하면, 규제 준수와 데이터 주권을 지키면서도 글로벌 수준 AI 기능을 확보하는 시너지를 기대할 수 있다.