오픈웨이트 AI, 왜 OpenAI·Anthropic의 폐쇄형 모델을 위협하나 10가지 이유

2025년 1월 27일, 글로벌 투자자에게 거의 알려지지 않았던 중국의 한 연구소가 단 하루 만에 엔비디아(Nvidia) 시가총액 5,890억 달러를 날려버렸다. 미국 증시 사상 최대 당일 손실이었다. 촉발자는 DeepSeek였고, ‘죄목’은 바로 개방성(Open)이다.

심지어 비트코인 (BTC) 가격까지 흔들렸다. 시장이 받아들여야 했던 메시지는 단순했다. 최전선(프런티어) AI는 더 이상 소수의 폐쇄형 연구소만의 전유물이 아니라는 점이다.

핵심 포인트

오픈웨이트 모델은 학습이 끝난 파라미터를 누구나 내려받아 실행·수정·재학습할 수 있게 공개하지만, 학습 코드와 데이터까지 모두 여는 완전한 오픈소스 AI와는 구분된다.

공개 리더보드 상에서 최고 오픈 모델과 최고 폐쇄형 모델 간 품질 격차는 약 1년 만에 8%에서 2% 미만으로 줄어든 반면, 추론 비용은 수백 배 급락했다.

저비용 배포, 국가 안보·주권 논리, 우호적 규제, 방대한 개발자 생태계가 결합하며 ‘API 전용’ 사업자에 맞선 오픈웨이트 진영의 모멘텀이 커지고 있다.

오픈웨이트 AI의 정확한 의미

‘오픈웨이트’라는 표현은 자주 느슨하게 쓰이지만, 정의는 분명하다. 오픈웨이트란 개발자가 학습이 끝난 신경망의 파라미터, 즉 모델이 학습을 통해 습득한 내용을 담은 숫자들을 공개하는 것이다. 이용자는 이를 내려받아 자체 서버나 기기에서 바로 돌리고, 필요하면 파인튜닝할 수 있다.

다만 오픈웨이트는 오픈소스와 동일하지 않다. **오픈소스 이니셔티브(Open Source Initiative)**는 2024년 10월 28일 ‘오픈소스 AI 정의’를 내놓으며 훨씬 더 높은 기준을 제시했다. 진정한 오픈소스 AI로 인정받으려면 웨이트뿐 아니라 학습 코드, 그리고 숙련된 개발자가 시스템을 상당 수준 재현할 수 있을 만큼의 학습 데이터 정보를 함께 공개해야 한다.

오늘날 ‘오픈소스’로 마케팅되는 대다수 모델은 이 기준을 충족하지 못한다. **메타(Meta)**의 Llama, **알리바바(Alibaba)**의 Qwen, DeepSeek 모두 웨이트는 내놓지만, 데이터 레시피는 전부 공개하지 않는다.

오픈소스 이니셔티브는 이 차이를 분명히 지적한다. 웨이트 공개만으로는 전통적 오픈소스 소프트웨어가 보장해온 자유를 제공할 수 없다는 것이다. 이 간극이 이른바 ‘오픈 워싱(open washing)’ 논쟁에 기름을 붓고 있다. 기업이 재현에 필수적인 요소들을 쥔 채 겉으로만 ‘오픈’을 내세운다는 비판이다.

그럼에도 개발자 입장에서 가장 중요한 전리품은 여전히 웨이트다. 웨이트만 있으면 모델을 서비스로 띄우고, 경량화하고, 재학습해 제품에 탑재할 수 있다. 실제로 각 공개 방식이 의미하는 바는 다음과 같다.

오픈웨이트: 학습이 완료된 파라미터를 공개하고, 사용·수정·상업적 활용까지를 허용하는 라이선스를 함께 제공
완전 오픈소스: 웨이트 + 학습 코드 + 모델 재현이 가능할 수준의 데이터 문서화까지 공개
폐쇄형: 어떤 것도 내려받을 수 없고, API 등 인터페이스를 통한 계량·과금형 접근만 허용

지금 폭발적으로 늘어나는 것은 그 중간 지대인 오픈웨이트 모델이다. 그리고 이 영역이야말로 폐쇄형 연구소를 잠 못 들게 만드는 존재다.

OpenAI·Anthropic의 방식과 무엇이 다른가

OpenAI와 Anthropic는 정반대 전략을 펼쳐왔다. 최고 성능의 웨이트는 자사 데이터센터에만 보관하고, 외부에는 API를 통해서만 접근을 허용한다. 이용자는 프롬프트를 보내고 응답을 받지만, 실제 모델에는 손댈 수 없다.

이 구조는 상업적 논리가 뚜렷하다. 막대한 학습 비용을 보호하고, 구독·사용량 기반 수익을 안정적으로 거둘 수 있으며, 필요 시 정책을 바꾸거나 접근을 차단할 수 있다.

안전 측면의 명분도 있다. Anthropic의 CEO **다리오 아모데이(Dario Amodei)**는 웨이트가 공개되는 순간, 개발자는 더 이상 안전장치를 업데이트하거나 위험한 시스템을 회수할 수 있는 통제력을 잃게 된다고 주장해왔다.

문제는 ‘의존성’이다.

모델이 남의 서버에만 존재하면, 가격·가동률·데이터 활용 조건·버전 폐기 일정까지 모두 공급자 마음이다. 귀사의 핵심 제품은 들여다볼 수도, 통제할 수도 없는 타사 인프라 위에 올라타게 된다.

OpenAI는 수년간 ‘열린 연구’를 강조해왔지만, 실제로는 2019년 GPT-2 이후 언어 모델을 공개하지 않았다. 그러다 2025년 8월 5일, 처음으로 gpt-oss 두 종을 내놓았다. 허용 범위가 넓은 Apache 2.0 라이선스를 택한 것 역시, 오픈웨이트 진영이 가하는 압력에 대한 사실상의 양보로 읽힌다. 폐쇄형 API 비즈니스를 만든 회사가, 결국 오픈 진영의 경기장에 직접 내려온 셈이다.

오픈웨이트가 중앙집중형 모델을 위협하는 10가지 이유

이 모든 것이 곧바로 오픈웨이트의 완승을 보장하는 것은 아니다. 최전선 성능은 여전히 초대형 연구소에 있고, 리스크도 분명하다. 다만 지난 3년간 흐름은 일관되게 폐쇄·과금형 모델과 반대 방향을 가리켜 왔다.

핵심은 ‘블랙박스를 비싼 돈 주고 빌릴 이유’가 점점 약해지고 있다는 점이다. 기술, 경제, 정치가 동시에 수렴하면서 발생한 변화다.

아래 10가지 이유가 현재 균형추가 어떻게 기울고 있는지 보여준다.

1. 품질 격차는 거의 사라졌다

가장 중요한 사실은 ‘수렴’이다. 스탠퍼드대 2025 AI 인덱스는 Chatbot Arena 리더보드에서 최고 폐쇄형 모델과 최고 오픈 모델의 점수 차이가 2024년 1월 8%에서 2025년 2월 1.7%로 줄었다고 지적했다.

최상위권도 붐비기 시작했다. 1위와 10위 모델 간 격차는 1년 새 11.9%에서 5.4%로 좁혀졌다.

두 번째로 좋은 옵션의 비용이 첫 번째의 일부 수준에 불과하다면, 폐쇄형에 지불하는 프리미엄을 정당화하기는 점점 어려워진다. 독점성이 전부인 사업자에게는 치명적인 가격 구조다.

2. ‘지능’의 가격이 붕괴했다

비용 하락 속도는 품질 격차 축소보다 더 가팔랐다. Epoch AI와 Artificial Analysis 자료를 인용한 AI 인덱스에 따르면, GPT-3.5 수준 쿼리 100만 토큰 처리 단가는 2022년 11월 약 20달러에서 2024년 10월 0.07달러로 떨어졌다고 정리했다.

2년이 채 안 되는 기간에 약 280배 하락한 셈이다.

DeepSeek는 같은 논리를 학습 단계까지 밀어붙였다. V3 기술 보고서는 2,048개의 엔비디아 H800 GPU로 약 560만 달러에 최종 학습을 마쳤다고 주장한다. 비슷한 서방 모델이 수천억~수조 원을 쏟아부은 것과 대비된다. ‘값싼 지능’의 시대에는 이를 널리 배포하는 쪽이 유리하지, 가장 꽁꽁 숨겨둔 쪽이 유리하지 않다.

3. 모델의 ‘소유권’을 갖게 된다

폐쇄형 모델을 ‘임대’하면, 곧바로 집주인의 룰을 따라야 한다. 공급업체는 언제든 가격을 올리고, 약관을 바꾸며, 귀사의 제품이 기반한 버전을 퇴역시킬 수 있다.

웨이트를 ‘보유’하면 이 지렛대가 사라진다. 특정 버전을 고정해 수년간 그대로 돌릴 수 있고, 인프라 공급자를 바꿔도 애플리케이션을 통째로 갈아엎을 필요가 없다.

벤더 종속은 추상적 우려가 아니라, 전환 비용·강제 마이그레이션·협상 불가능한 가격 구조라는 현실로 돌아온다. 웨이트 소유는 이를 하나씩 무력화한다.

필요한 만큼 특정 모델 버전을 동결해, 장기간 안정적으로 사용
클라우드 사업자를 옮기거나 온프레미스로 이전해도 전체 구조를 다시 짤 필요 없음
하루아침에 서비스가 깨지는 ‘예고 없는 버전 종료’ 리스크 회피

물론 관대한 오픈 라이선스에도 단서 조항은 존재한다. 메타의 Llama 라이선스는 월간 활성 이용자 7억 명을 넘는 기업에 별도 계약을 요구한다. 그래서 오픈소스 원칙주의자들은 Llama를 ‘진짜’ 오픈소스로 부르지 않는다.

4. 프라이버시와 데이터 주권

어떤 데이터는 물리적으로 건물을 나갈 수 없다. 병원·은행·정부 기관 등은 민감한 데이터를 제3자 API로 보낼 수 없는 법적·규제적 제약이 걸려 있다.

오픈웨이트는 모델을 데이터 쪽으로 ‘옮겨가는’ 방식으로 이 문제를 풀어준다. 온프레미스나 프라이빗 클라우드 내부에 모델을 올려 민감 정보가 공급업체 경계를 넘지 않도록 할 수 있다.

이 단일한 특성만으로도 폐쇄형 API가 들어갈 수 없는 문이 열리고 있다. 규제가 빡빡한 환경에서는 온프레미스 통제가 종종 결정적 요인으로 작동한다.

5. 각국, ‘자국 모델’ 경쟁에 본격 가세

주권 리스크에 대한 불안은 전 세계적이다. 점점 더 많은 정부가 소수 미국·중국발 API에 대한 의존을 전략적 위험으로 간주하기 시작했다.

2025년 9월 2일, EPFL, ETH 취리히(ETH Zurich), 스위스 국립 초고성능컴퓨팅센터는 1,000개가 넘는 언어, 15조 토큰으로 학습한 완전 공개 모델 ‘Apertus’를 발표했다. 아부다비의 **기술혁신연구소(Technology Innovation Institute)**는 2023년부터 오픈 모델 ‘Falcon’ 패밀리를 내놓고 있고, 다른 국가들도 잇따라 자국 모델 프로젝트에 나섰다.

지역별 패턴은 뚜렷하다.

스위스: 웨이트·데이터·코드까지 전부 공개한 Apertus 출시
UAE: 관대한 조건으로 연속된 Falcon 모델 공개
프랑스, 인도, 일본, 한국: 국내 모델·연산 인프라 구축에 공공 자금 투입

‘빌려 쓰기만 허용된’ 모델로는 주권 AI를 만들 수 없다. 웨이트 공개가 전제조건이며, 이 점에서 정부는 자연스럽게 오픈 진영의 후원자가 된다.

6. 규제의 방향도 ‘개방’ 쪽으로

정책도 개방을 향해 기울고 있다. 2025년 7월 23일, 백악관은 ‘America’s AI Action Plan’을 발표하며 ‘오픈소스 및 오픈웨이트 AI 장려’라는 소제목을 달았다.

유럽 역시 방향성만 놓고 보면 비슷하다. EU AI법(AI Act)은 무상·오픈소스 범용 모델에 대해, 시스템적 리스크로 분류되지 않는 한 일부 문서화 의무를 면제해 준다.

최전선 바로 아래 등급의 모델에 한해서라도, ‘잠그기’보다 ‘풀어놓기’에 인센티브가 실린 셈이다. AI 경쟁의 최대 플레이어 중 하나인 미국 정부가 오픈웨이트를 공개적으로 장려하는 순간, 폐쇄형이 누리던 묵시적 우위는 흔들릴 수밖에 없다.

7. 개발자 생태계는 거대한 플라이휠

규모는 규모를 부른다. **허깅페이스(Hugging Face)**는 2025년 한 해 동안 사용자 1,300만 명, 공개 모델 200만 개, 공개 데이터셋 50만 개를 넘는 규모로 성장했다.

다운로드 경쟁이 모든 것을 말해준다. 메타에 따르면 Llama는 2024년 12월 초 6억5,000만 회에서 2025년 3월 18일 10억 회 다운로드를 돌파했다. 알리바바의 Qwen 역시 7억 다운로드에 도달했다(이후 수치는 기사에 이어질 내용이다).

이렇게 한번 생태계가 형성되면, 튜토리얼·튜닝 레시피·서드파티 툴·플러그인·파생 모델이 눈덩이처럼 불어난다. 어느 순간부터는 ‘오픈을 선택하는 것’이 아니라 ‘오픈을 선택하지 않기 위해 추가 비용을 감수해야 하는’ 역전된 구조가 만들어진다. 2026년 1월 기준 누적 휴깅페이스(Hugging Face) 다운로드 수는 수백만 건에 이르렀고, 이를 기반으로 파생된 모델만 18만 개를 넘어섰다. 이 과정에서 해당 계열은 가장 많이 포크된(open family 기준) 모델 자리를 라마(Llama)에서 빼앗았다.

오픈 모델 위에서 이뤄지는 모든 파인튜닝, 어댑터 적용, 양자화 작업은 곧 그 모델의 해자를 더 깊게 파는 일이다. 폐쇄형 API로는 이런 커뮤니티 기반의 누적 효과를 흉내 낼 수 없다. 손에 쥘 수 없는 모델 위에는 아무도 진정으로 쌓아 올릴 수 없기 때문이다.

내 노트북에서 돌아가는 AI

오픈 웨이트는 값싼 도구 체인을 통해 일반 하드웨어와 만난다. 양자화(quantization)는 모델을 더 낮은 정밀도로 압축해 필요한 메모리를 줄이고, LoRA와 같은 기법은 전체를 재학습하지 않고도 일부만 효율적으로 미세 조정한다.

이걸 대중화한 것은 로컬 런타임이다. Ollama, llama.cpp, vLLM 같은 도구 덕분에 이제 개발자는 고성능 데이터센터가 아니라 소비자용 GPU 한 장, 심지어 노트북만으로도 충분히 쓸 만한 모델을 직접 띄울 수 있다.

2,000달러짜리 기기에서 직접 실행할 수 있는 모델은, 원격에서 누구도 스위치를 내려 끌 수 없는 모델이다. 그 자립성이 바로, 사용량에 따라 과금되는 폐쇄형 모델이 끝내 제공하지 못하는 가치다.

감사를 가능하게 하는 투명성

볼 수 없으면, 들여다볼 수도 없다. 폐쇄형 API는 결과만 돌려줄 뿐, 그 결과가 어떻게 나왔는지 메커니즘을 검증할 방법을 제공하지 않는다.

반대로 오픈 웨이트는 연구자가 모델 자체를 직접 탐구하고, 어떤 상황에서 실패하는지 분석하며, 안전성을 공개적으로 시험할 수 있게 한다. 오픈 진영이 “시간이 갈수록 더 신뢰 가능한 모델”을 주장하는 근거는 바로 이 투명성이다.

의사결정 과정을 설명해야 하는 규제 산업에서는 이런 가시성이 선택이 아니라 필수다. 많은 경우, 이는 법적 요구사항이기도 하다.

분산형 프런티어

가장 새로운 동인은 AI와 크립토가 만나는 접점에 있다. 웨이트가 공개돼 있다면, 이를 학습·서빙하는 컴퓨팅 자원은 특정 기업 데이터센터 한곳에 묶일 이유가 없다.

Prime Intellect 같은 프로젝트는 전 세계에 분산된 하드웨어를 묶어 모델을 학습하고, 원격 노드가 실제로 주장한 연산을 수행했는지 검증하는 방식을 설계하고 있다. Bittensor는 자체 토큰 TAO (TAO)로 보상되는 머신 인텔리전스 마켓을 운영하며, 연산 능력을 실시간으로 가격에 반영한다.

솔직한 한계도 있다. 오늘 기준으로 분산형 학습은 여전히 중앙집중식 대규모 클러스터보다 느리고 비용도 더 든다. 다만, 오픈 웨이트와 검증 가능한 토큰화 컴퓨팅이 결합한 이 구조는 폐쇄형 연구소가 복제하기 어려운 새로운 경쟁 축이라는 점에서 의미가 크다.

Also Read: 픽셀 11, 가격 인상의 배경은 ‘AI 데이터센터 비용’이라고 구글은 말한다

결론

오픈 웨이트가 폐쇄형 연구소를 시장에서 지워버리지는 못할 것이다. 최전선 경쟁에서는 여전히 막대한 컴퓨팅 자본을 투입하는 쪽이 유리하고, 오픈 릴리스는 최고 성능의 폐쇄형 모델을 수개월 간격으로 뒤쫓는 구조에 머물 가능성이 크다. 한 번 배포된 공개 웨이트는 회수할 수 없다는 점에서 오남용 리스크도 상존한다.

그러나 “극복한다”는 것은 “소멸시킨다”는 뜻이 아니다. 무게중심을 이동시킨다는 의미에 가깝고, 그 이동은 이미 시작되었다.

성능 격차는 눈에 띄게 얇아졌고, 지능의 단가는 제로에 수렴하고 있으며, 정부·개발자·규제기관은 점점 손에 쥘 수 있는 모델을 선택하고 있다. 중앙집중식 AI는 최상단에서 편의성을 계속 팔겠지만, 나머지 시장은 조용히 ‘소유 가능한 웨이트’ 쪽으로 발걸음을 옮기고 있다.