미리보기
미리듣기
공개된 AI 가중치를 직접 내려받아 돌리고, 미세조정하고, 검증하는 방법을 다룬다. 라마·딥시크·허깅페이스부터 로컬 실행, 합성 데이터, 벤치마크와 모델 평가까지 실제 경험을 바탕으로 설명한다. 핵심은 어떤 모델이 최고인가가 아니라 내 목적에 맞는 모델을 고르고 통제하며 검증할 수 있는가다.
개방의 전도사가 개방을 접었다는 논평과 함께 ‘라마 시대의 종언’이 거론되었다. 그런데 넉 달 뒤 방향이 다시 바뀌었다. 2026년 8월 메타는 개인 컴퓨터에서 AI 에이전트를 구동하도록 설계한 매개변수 300억 개 규모의 멀티모달 모델 뮤즈 글리머(Muse Glimmer)를 공개했다. 커뮤니티 라이선스 대신 조건 없는 아파치 2.0을 택하고 신청 절차도 없앴다. 라마보다 한층 더 열어 버린 것이다. 개방에서 폐쇄로 다시 개방으로 오간 이 궤적이 이 장의 결론을 증명한다. 개방은 선의가 아니라 전략이며 자사에 유리할 때 선택되고 불리하면 조정된다. 그리고 메타의 선택과 무관하게 라마가 연 생태계는 되돌릴 수 없는 흐름이 되었다. 가중치를 공개하고 파생 모델이 꽃피고 그 생태계가 표준이 되는 공식은 더는 특정 기업의 전유물이 아니다. 오픈웨이트 AI를 이해하려면 ‘누가 왜 여는가’를 함께 읽어야 한다.
－01_“라마와 메타의 개방 전략” 중에서
개방과 파생의 순환에는 그림자도 있다. 동질화가 그 하나다. 최근 연구진이 70여 개 최신 모델에 열린 질문을 던져 비교했더니 서로 다른 회사의 다른 모델들이 놀랄 만큼 비슷한 답변으로 수렴하는 현상이 확인되었다. 모두가 비슷한 공개 데이터로 학습하고 앞선 모델의 출력을 받아 배우는 증류가 반복되면서 생태계 전체가 하나의 ‘인공 집단정신(Artificial Hivemind)’처럼 닮아 간다는 경고다. 다양성을 약속했던 개방이 오히려 획일화를 낳을 수 있다는 역설이다.
－03_“허깅페이스와 모델 생태계” 중에서
다만 모든 문제의 답이 미세조정인 것은 아니다. 실무에서는 세 가지 도구를 구분해 쓰는 감각이 중요하다. 요구 사항이 지시문으로 설명 가능한 수준이라면 프롬프트로 충분하다. 비용이 없고 즉시 되돌릴 수 있기 때문이다. 모델이 모르는 최신 정보나 사내 지식이 필요한 경우라면 가르치기보다 찾아 읽히는 편이 낫다. 질문과 관련된 문서를 검색해 모델에게 함께 건네는 검색 증강 생성(RAG)이 그 방법이다. 지식의 갱신이 잦은 업무에 적합하다.
－06_“미세조정과 파생 모델” 중에서
기술과 제도가 완성되기 전까지, 그리고 완성된 뒤에도, 마지막 방어선은 사람의 습관이다. 충격적인 이미지일수록 공유 전에 출처를 찾아본다. 한 장의 이미지보다 보도와 원출처의 교차 확인을 믿는다. 탐지기의 판정은 참고하되 맹신하지 않는다. 교육 현장이라면 한 걸음 더 나아갈 필요가 있다. 탐지기로 학생을 적발하는 데 힘을 쏟기보다 과제의 설계를 결과물 중심에서 과정 중심으로 바꾸고 AI 사용의 투명한 표기를 문화로 만드는 쪽이 지속 가능한 대응이다. 교육 현장에 선 사람으로서 저자가 판별 연구에서 얻은 결론도 같다. 완벽한 탐지기는 오지 않는다. 대신 생성 기술의 원리와 한계를 이해하는 시민이 늘어날수록 가짜 한 장이 만들 수 있는 소동의 크기는 줄어든다. 판별은 기술의 문제이자 결국 리터러시의 문제다.
－09_“AI 생성물 판별” 중에서
교보문고: