알리바바의 AI 잔칫상, 공짜인데 왜 손이 안 갈까

최근 알리바바가 퀀3.8-맥스(Qwen3.8-Max)라는 긴 이름의 인공지능 모델을 공개했습니다. 자기들 말로는 챗GPT를 만든 오픈AI나 앤트로픽의 최신 모델과 어깨를 나란히 한다고 합니다. 심지어 모델의 설계도에 해당하는 '가중치(weights)'를 통째로 공개했습니다. 누구나 가져다가 쓸 수 있다는 뜻입니다. 솔깃한 제안입니다. 최고급 레스토랑의 주방장이 자신의 필살기 레시피를 공책에 빼곡히 적어 길거리에서 나눠주는 셈입니다.

저도 이런 걸 보면 못 참고 직접 만져봐야 직성이 풀리는 성격이라, 며칠 붙잡고 들여다봤습니다. 과연 소문난 잔치에 먹을 것은 얼마나 될까. 결론부터 말하자면, 레시피는 진짜였지만 우리 집 부엌에선 도저히 그 맛을 낼 수 없는 요리였습니다. 그리고 주방장은 왜 공짜로 레시피를 나눠주는지, 그 속셈이 훤히 보였습니다.

'공짜 엔진'이라는 이름의 값비싼 선물

알리바바가 공개한 것은 '오픈 웨이트(open-weight)' 모델입니다. 흔히 '오픈 소스'라고 부르는 것과 비슷하지만 조금 다릅니다. 오픈 소스는 프로그램의 모든 설계도를 공개하는 것이라면, 오픈 웨이트는 AI 모델의 핵심인 '가중치' 뭉치를 공개하는 겁니다.

가중치가 뭐냐. AI를 거대한 빌딩의 수만 개짜리 다이얼 스위치 뭉치라고 상상해 봅시다. 어떤 질문이 들어왔을 때, 각 다이얼을 어떻게 조절하느냐에 따라 AI의 답변이 달라집니다. 수개월 동안 수십억 개의 문서를 읽게 하면서 이 다이얼 값을 최적으로 맞춰나가는 과정을 '학습(training)'이라고 부릅니다. 이 고된 학습이 끝나고 최종적으로 맞춰진 다이얼 값들의 묶음, 그것이 바로 가중치입니다. 사실상 AI의 뇌 그 자체라고 봐도 무방합니다.

알리바바는 이 뇌를 통째로 복사해서 가져가라고 내놓은 겁니다. 왜 이런 '자선사업'을 할까요? 속셈은 간단합니다. AI 시장의 판을 바꾸고 싶기 때문입니다.

지금 AI 시장은 오픈AI나 구글처럼 강력한 모델을 자기들 서버에만 꽁꽁 숨겨두고, 사용료를 받는 '폐쇄형 API' 방식이 대세입니다. API(Application Programming Interface)란 식당 주방과 손님 사이의 종업원 같은 겁니다. 손님은 종업원에게 주문만 하면 되고, 주방에서 무슨 일이 일어나는지는 알 필요 없이 완성된 요리만 받습니다. 편리하지만 비싸고, 메뉴에 없는 건 주문할 수 없습니다.

반면 알리바바나 메타가 택한 오픈 웨이트 전략은 다릅니다. 이들은 식당을 차리는 대신, 최고급 엔진을 공짜로 나눠주는 자동차 회사에 가깝습니다. “이 엔진으로 스포츠카를 만들든 트럭을 만들든 마음대로 하세요. 대신 우리 엔진을 쓰는 차가 많아지면, 나중에 부품이나 정비는 우리 걸 쓰게 되겠죠?” 하는 식입니다. 당장의 서비스 이용료 대신, 기술 생태계의 표준을 장악하려는 더 큰 그림입니다. 안드로이드가 공짜로 풀리면서 스마트폰 시장을 장악하고 구글이 그 위에서 광고로 돈을 버는 것과 같은 이치입니다.

하지만 세상에 공짜는 없습니다. 공짜 엔진은 받았지만, 그 엔진을 얹을 차체와 바퀴, 변속기는 직접 구해야 합니다. 기름값도 계속 내야 하고, 고장 나면 고칠 기술자도 필요합니다. 이 ‘부대 비용’이 만만치 않습니다.

그래서, 퀀 3.8 맥스. 써보니 어떻냐면

저도 직접 경험해보기 위해 가장 큰 모델 중 하나인 720억 개 파라미터(앞서 말한 다이얼 스위치의 개수)짜리 모델을 내려받아 봤습니다. 파일 크기만 140기가바이트(GB)가 넘습니다. 일반 컴퓨터에서는 어림도 없습니다.

이 모델을 겨우 돌리려면 최소한 엔비디아의 A100 같은 전문가용 그래픽처리장치(GPU)가 두세 개는 필요합니다. 이런 GPU는 개당 가격이 수천만 원에 달하고, 이걸 빌려 쓰는 클라우드 서비스 비용만 한 달에 수백만 원이 듭니다. 여기서부터 '공짜'라는 말이 무색해집니다.

며칠간 이런저런 질문을 던져봤습니다. 한국어로 된 복잡한 맥락의 글을 요약하거나, 간단한 코드를 짜는 능력은 제법 인상적이었습니다. 웬만한 국내 스타트업이 만든 AI 모델보다는 낫다는 생각이 들 정도였습니다. 하지만 딱 거기까지였습니다. 미묘한 문화적 뉘앙스가 필요한 질문에는 엉뚱한 답을 내놓기 일쑤였습니다. 마치 한국 드라마로 한국어를 배운 외국인과 대화하는 느낌이랄까요. 기본적인 의사소통은 되지만, 속 깊은 대화를 나누기엔 어딘가 어색한 벽이 느껴졌습니다.

알리바바는 자체 성능 평가(벤치마크)에서 자기들 모델이 GPT-4 같은 최고 모델과 대등하거나 일부 항목에서는 능가했다고 자랑합니다. 이건 반은 맞고 반은 틀립니다.

벤치마크는 AI에게 특정 문제집을 풀게 하고 점수를 매기는 시험입니다. 그런데 출제자가 자기 모델에 유리한 문제만 골라서 시험을 보면 어떻게 될까요? 당연히 점수가 잘 나올 수밖에 없습니다. 그래서 모델 개발사가 발표하는 벤치마크 점수는 ‘우리 아이가 이번 수학경시대회에서는 옆집 영재를 이겼어요’ 하는 부모님 자랑 정도로만 듣는 게 좋습니다. 진짜 실력은 생활기록부 전체를 봐야 알 수 있습니다.

실제로 제3자 기관들이 여러 모델을 동일한 기준으로 평가하는 'LMSYS 챗봇 아레나' 같은 곳의 순위를 보면, 퀀 시리즈는 아직 최상위권과는 격차가 있습니다. 나쁘지 않은 상위권 학생이지만, 전교 1등은 아닌 셈입니다.

데자뷔: 4세대 언어와 CASE 도구의 추억

이런 상황을 보고 있으니, 30년 전의 풍경이 떠올라 기시감이 들었습니다. 1980년대와 90년대, 소프트웨어 업계에는 '4세대 언어(4GL)'와 'CASE(Computer-Aided Software Engineering) 도구'라는 것이 유행했습니다.

당시 이 도구들의 광고 문구는 지금의 '노코드(No-Code)'나 AI 코드 생성 도구와 놀랍도록 비슷했습니다. “더 이상 복잡한 코딩은 필요 없습니다! 화면에 네모 몇 개 그리고 선으로 이으면 프로그램이 뚝딱 완성됩니다!” 개발자가 아닌 사람도 프로그램을 만들 수 있는 시대가 온다고 다들 흥분했습니다.

결과는 어땠을까요? 이 도구들은 간단한 재고 관리나 고객 명단 프로그램처럼, 정형화된 문제를 푸는 데는 제법 유용했습니다. 하지만 조금만 복잡하고 특이한 요구사항이 들어가면 한계에 부딪혔습니다. 결국 그 ‘조금 복잡한’ 부분을 해결하기 위해 다시 개발자가 투입되어야 했습니다. 결국 4세대 언어와 CASE 도구는 프로그래머를 없애지 못했습니다. 그저 프로그래머가 하던 일의 일부를 덜어주고, 더 어렵고 중요한 문제에 집중하게 만들었을 뿐입니다.

지금의 오픈 웨이트 AI 모델들이 딱 그 모양새입니다.

• 이미 잘 학습된 모델을 가져다 쓰면, 밑바닥부터 AI를 만드는 수고를 덜 수 있습니다. (CASE 도구처럼)
• 하지만 우리 회사 데이터에 맞게 미세조정(파인튜닝, fine-tuning)하고, 우리 서비스에 맞게 통합하고, 예상치 못한 오류를 잡아내는 일은 여전히 숙련된 엔지니어의 몫입니다.
• 결국 '쉬운 90%'는 자동화되지만, 프로젝트의 성패를 가르는 '어려운 10%'는 그대로 남거나 오히려 더 복잡해집니다.

새로운 도구가 등장한다고 해서 문제의 본질적인 어려움이 사라지는 경우는 거의 없습니다. 어려움의 형태가 바뀔 뿐입니다.

미중 AI 전쟁? 실체는 '플랫폼 생태계' 전쟁

많은 사람들이 알리바바의 행보를 미국과 중국의 기술 패권 경쟁이라는 거대한 서사로 해석합니다. 틀린 말은 아니지만, 그 속을 들여다보면 훨씬 더 현실적인 ‘플랫폼 전쟁’의 양상이 보입니다.

AI 시장의 두 가지 큰 흐름을 레스토랑 사업에 비유해 봅시다.

오픈AI나 구글은 뉴욕 맨해튼 한복판의 미슐랭 3스타 레스토랑과 같습니다. 최고의 요리를 제공하지만 가격이 비싸고 예약도 힘듭니다. 알리바바나 메타는 창고형 매장에서 최고급 유기농 식재료와 비밀 레시피를 담은 밀키트를 파는 코스트코 같습니다. 잘만 활용하면 레스토랑보다 싸고 맛있게 나만의 요리를 만들 수 있지만, 그러려면 상당한 요리 실력과 주방 설비가 필요합니다.

이 전쟁의 핵심은 '누가 더 똑똑한 AI를 만드느냐'를 넘어 '누가 더 많은 개발자를 자기편으로 끌어들이느냐'로 넘어가고 있습니다. 한번 특정 엔진(모델)에 익숙해진 개발자들은 쉽게 다른 엔진으로 갈아타지 않기 때문입니다. 결국 더 많은 차가 다니는 길이 표준이 되듯, 더 많은 개발자가 쓰는 모델이 사실상의 표준이 될 가능성이 높습니다.

그래도 중국 모델은 못 믿겠다? 절반의 진실

'중국산 AI'라는 꼬리표는 두 가지의 흔한 오해와 합리적 의심을 낳습니다.

첫 번째 오해: “중국 모델은 어차피 미국 기술을 베낀 짝퉁 아닌가?” 이는 이제 절반만 맞는 말이 되었습니다. 몇 년 전만 해도 중국 AI 모델은 서구권 모델의 기술을 따라가는 데 급급했습니다. 하지만 이제는 막대한 자본과 인력을 투입해 빠르게 격차를 줄였고, 특정 분야(예: 중국어 처리 능력)에서는 이미 서구 모델을 앞서기도 합니다. 퀀 모델의 성능이 알리바바의 주장만큼 부풀려졌을 순 있어도, 그 발전 속도 자체를 폄하해서는 안 됩니다. ‘메이드 인 차이나’ 제품이 조악한 품질의 대명사였던 시절을 지나, 이제는 일부 영역에서 세계 최고 수준에 도달한 것과 비슷한 흐름입니다.

두 번째 오해와 진실: “중국 정부의 검열이나 데이터 유출 위험이 있지 않을까?” 이는 훨씬 더 복잡한 문제입니다. 만약 알리바바 클라우드 서버에 있는 API 서비스를 이용한다면, 중국의 데이터 안보 관련 법률에서 자유로울 수 없으므로 충분히 가질 수 있는 합리적 의심입니다.

하지만 오픈 웨이트 모델은 이야기가 다릅니다. 우리는 모델의 뇌(가중치)만 다운로드해서 우리 회사 소유의 서버, 심지어 인터넷이 끊긴 서버에서도 돌릴 수 있습니다. 모델이 멋대로 중국 어딘가로 우리 데이터를 보내는 일은 기술적으로 불가능에 가깝습니다. 진짜 문제는 눈에 보이지 않는 곳에 있습니다. 바로 AI를 학습시킨 데이터의 편향성입니다. 특정 이념이나 문화적 관점이 깊게 배어있는 데이터로 학습된 AI는, 우리도 모르는 사이에 편향된 결과물을 내놓을 수 있습니다. 이것은 비단 중국 모델만의 문제는 아니지만, 우리가 통제하거나 검증할 수 없는 데이터로 학습되었다는 점은 분명한 위험 요소입니다.

결국 중국 모델을 쓰는 것은 '안전한가'의 문제가 아니라, '우리가 이 위험을 관리할 능력이 있는가'의 문제로 귀결됩니다.

판돈은 올랐고, '판단'의 값이 비싸졌다

알리바바의 퀀, 메타의 라마 같은 강력한 오픈 웨이트 모델의 등장은 개발자들에게 축복인 동시에 저주입니다. 선택지가 많아진다는 것은 그만큼 어떤 선택을 해야 할지 결정하는 일이 더 어려워진다는 뜻이기 때문입니다.

과거에는 AI를 도입한다고 하면 선택지가 명확했습니다.

1. 오픈AI의 GPT API를 쓴다.
2. 구글의 모델을 쓴다.
3. 돈과 시간이 많으면 직접 만든다.

하지만 지금은 수십 개의 쓸만한 오픈 모델이 쏟아져 나옵니다. 이제 기업의 기술 리더들은 훨씬 더 복잡한 질문에 답해야 합니다.

• 우리 서비스에 가장 적합한 모델은 무엇인가? (성능, 라이선스, 언어 지원 등)
• 직접 운영(self-hosting)할 것인가, 아니면 관리형 서비스를 쓸 것인가? 그 비용 차이는?
• 우리 회사 데이터를 이용해 미세조정(파인튜닝)을 해야 할까? 한다면 어떤 기술로, 얼마나 해야 할까?
• 모델이 내놓는 결과물의 저작권, 편향성, 사실관계 오류 등의 법적 책임은 누가 질 것인가?

코드를 짜는 능력보다, 이런 복잡한 상황을 종합적으로 이해하고 최적의 경로를 결정하는 '판단력'의 가치가 훨씬 더 중요해졌습니다. 마치 유능한 요리사가 단순히 레시피를 잘 외우는 사람이 아니라, 냉장고 속 재료를 보고 즉흥적으로 최고의 요리를 만들어내는 사람인 것과 같습니다.

결국 알리바바가 던진 공짜 미끼는 AI 생태계 전체의 판돈을 올려버렸습니다. 이제 플레이어들은 더 적은 비용으로 게임에 참여할 수 있게 됐지만, 이기기 위해서는 훨씬 더 정교한 전략과 판단이 필요해졌습니다. 단순 기술의 시대를 지나, 기술을 다루는 지혜의 시대로 넘어가고 있는 셈입니다.

Q. 그래서, 일반 회사에서 지금 당장 퀀 같은 중국 모델을 써도 되나요? A. 기술 검증이나 내부 연구용으로는 '네', 하지만 고객에게 제공하는 핵심 서비스에 바로 적용하는 것은 '아니오'입니다. 마치 처음 보는 식재료로 손님상에 낼 메인 요리를 바로 만드는 것과 같습니다. 먼저 주방에서 직원들끼리 충분히 맛보고 테스트하는 과정이 필요합니다. 보안, 운영 비용, 한국어 성능의 미묘한 차이 등을 꼼꼼히 따져볼 전문 인력이 없다면, 차라리 돈을 내고 검증된 상용 서비스를 쓰는 게 훨씬 안전하고 결과적으로 저렴할 수 있습니다.

Q. 벤치마크 점수는 믿을 만한가요? GPT-4를 이겼다는 게 사실인가요? A. 참고만 하십시오. 벤치마크는 AI에게 정해진 문제집을 풀게 하는 시험과 같습니다. 실제 세상의 복잡하고 애매한 문제들은 그 문제집에 없는 경우가 대부분입니다. 특히 모델 개발사가 직접 공개한 점수는 자기 모델에 유리한 문제만 골라 풀었을 가능성을 배제할 수 없습니다. 독립적인 제3자 평가나, 직접 써보면서 우리 서비스에 필요한 능력을 갖췄는지 확인하는 과정이 훨씬 더 중요합니다.

Q. 미국이 반도체 제재를 하는데 중국 AI 발전이 어떻게 가능한가요? A. 쉽지 않은 길이지만, 여러 가지 방법으로 버티고 있습니다. 첫째, 제재 이전에 비축해 둔 고성능 칩 재고가 아직 있습니다. 둘째, 기존 칩의 성능을 최대한 쥐어짜 쓰는 소프트웨어 최적화 기술이 함께 발전하고 있습니다. 셋째, 화웨이처럼 자체적으로 칩을 개발하려는 노력이 계속되고 있습니다. 넷째, 여러 개의 저사양 칩을 병렬로 묶어 하나의 고성능 칩처럼 쓰는 기술도 연구 중입니다. 물론 효율은 떨어지겠지만, '전혀 못 하는 것'과 '어렵게라도 해내는 것'은 큰 차이가 있습니다. 미국의 제재가 당장은 중국 AI 발전의 발목을 잡겠지만, 장기적으로는 중국의 기술 자립 의지를 더 자극하는 역효과를 낳을 수도 있습니다.