[전문가 기고] 한국형 AI, 어떻게 'K-테크'의 불안함 씻어낼까

최호섭 IT칼럼니스트 [사진=아주경제DB]

딥시크로 중국발 인공지능(AI)에 대한 우려가 커지고 있다. 미국과 중국이 AI 패권을 쥐고, 우리는 그 플랫폼 안에 종속될 것이라는 걱정이 딥시크를 통해 떠오른다. 모든 기술을 내재화하는 한국형 AI가 시급하다는 목소리도 커진다.

국내에서 AI 기술에 대한 이해도를 높이고, 관련 기술을 단단히 다지는 것은 꼭 필요한 과제다. 대중들은 딥시크를 통해서 중국이 AI 기술에서 성과를 내고 있다는 것에 놀라고 있지만 사실 중국은 일찌감치 AI에 대한 관심을 가져왔다. 중국 대학들의 AI 교육도 그 성과를 인정받고 있고 많은 인재들이 AI 중심으로 꼽히는 미국 빅테크 기업의 핵심 자리를 꿰차고 있다.

미국도 중국도 어느 날 갑자기 AI에 대한 깨달음을 얻게 된 것이 아니다. AI는 막대한 규모의 경험과 투자가 필요한 사업이다. 또한 이를 위해서는 그래픽처리장치(GPU)를 비롯한 막대한 컴퓨팅 파워가 필요하다. 투자 없이는 기존 산업을 따라가기는커녕 새로 시작하는 것 자체도 부담이 될 수밖에 없다. 결국 투자에 여유를 갖는 대기업을 위주로 중심이 흘러갈 수밖에 없다.

근본부터 모든 AI 관련 산업을 우리가 내재화해야 한다는 움직임도 눈에 띈다. 하지만 그동안 많은 산업 분야에 ‘K’를 앞세워 한국형 표준과 독자적인 기술을 갖추려는 것과 같은 접근은 적절하지 않아 보인다. 민간의 수요에 기반한 기술 주도가 우선시되어야 하고, 국가적인 지원은 보편성에 초점을 맞춰 이뤄질 필요가 있다.

이미 AI를 통해 일거리에 영향을 받는 변화가 시작되었고, 일에 AI를 받아들일지 혹은 받아들이지 않을지를 결정하는 것 자체가 권력을 증명하는 하나의 잣대가 되고 있다. AI를 통해 정보에 대한 격차가 더해지는 것 역시 우려할 만한 일이다. 국가적인 AI 접근은 바로 기술적인 장벽을 최소화하고 누구든 AI를 통해 각자의 일을, 또 삶을 바꾸어 놓을 수 있는 ‘보편성’에서 출발할 필요가 있다. 애초 AI 기업들이 내세운 기술의 목표도 ‘대중화’에 있다. 접근 장벽을 낮추는 것은 기업의 선의뿐 아니라 국가적인 접근이 뒷받침되어야 할 것이다.

가장 위협적인 것은 근본적인 기술을 내재화하는 과정에서 당장 현실적이지 않은 접근이 이뤄지는 것이다. 단적으로 AI 모델을 개발하는 프레임워크를 새로 만든다거나 엔비디아의 쿠다(CUDA) 라이브러리를 무시하는 새로운 반도체의 개발부터 시작해서 독자적인 모델을 개발한 다음에야 본격적으로 AI를 시작한다는 식의 접근을 경계할 필요가 있다.

현재 우리나라의 AI 기술은 늦었다고 볼 수도 있지만 그렇다고 크게 뒤처졌다고 볼 필요도 없다. 생성형 AI와 대규모 언어 모델에 대한 기술들은 한두 명이, 몇몇 기업이 스스로 완성할 수 없는 일이다. 더 커다란 지식의 공유가 필요하고, 데이터 수집과 학습을 통해 공유된 지식이 검증되는 것이 현재의 AI 시장이다.

그래서 더 많은 기술들이 오픈소스로 공개되고, 기술 연합을 통해서 발전을 이어간다. 현재의 모든 언어 모델의 뿌리가 되는 구글의 트랜스포머 모델이 개방되면서 AI가 본격적으로 언어를 받아들이는 방법이 현실화된 것처럼 현재의 AI는 '함께' 만들어가는 것을 중심에 두고 있다.

이를 뒤집어 생각하면 사실상 많은 기술의 사례들이 공개되어 있고, 확실성이 보장된다면 기업이든 국가든 빠르게 따라잡을 수 있는 여지는 있다. 물론 그사이에 앞서 나가는 기업들이 발걸음을 빨리 하는 것은 명확한 일이지만 국내에서도 이미 적지 않은 기술적 경험이 확보되어 있기 때문에 그 간극을 좁혀 나가는 것을 목표로 할 필요가 있다.

지금 K-AI에 필요한 것은 명확하다. 빠르게 국내에서 안심하고 쓸 수 있는 수준의 보편적인 AI 기술의 기반이 잡히는 것이다. 왜 필요한지, 어디에 쓸지에 대한 답을 빨리 찾아낸다면 무엇을 해야 할지가 명확히 보이는 법이다.

한국형 AI의 중요한 목표 중 하나인 데이터 주권은 어떻게 해야 할까? 명확한 수요와 목표를 바탕으로 모델이 만들어진다면 저절로 더 많은 사람들이 접근하게 마련이고 데이터도 집중되게 될 것이다. AI에 필요한 학습 데이터는 막대하고, 그건 누가 모은다고 모을 수 있는 게 아니라 저절로 모여야 한다. 결국 시작은 '우리에게 AI가 왜 필요한가'에 대한 고민이 되어야 한다.