Garry Tan의 AI 증류 계획, 프런티어 랩의 통제에 도전

Garry Tan은 프런티어 랩들이 AI 증류를 제한하려는 가운데, 미국의 AI 증류 접근 방식을 과감하게 바꾸자고 제안했다. Y Combinator의 CEO인 그는 규모가 작은 미국 오픈 웨이트 개발자들이 선도적인 미국 모델에서 학습하고 더 많은 국내 대안을 출시할 수 있기를 원한다. 그의 입장은 프런티어 기업이 고객의 모델 출력 재사용 방식을 통제해야 한다는 생각에 도전한다.

The Garry Tan AI distillation 제안은 중국 AI 개발자들을 둘러싼 갈등이 격화되는 시점에 나왔다. Anthropic은 DeepSeek, Moonshot AI, MiniMax가 Claude의 역량을 추출하기 위한 조직적인 캠페인을 벌였다고 주장한다. Tan의 대응은 이 학습 기법을 금지하자는 것이 아니다. 그는 미국 개발자들이 국내 체계 아래 이를 활용하기를 바란다.

이는 통상적인 국가안보 논리를 뒤집는다. OpenAI와 Anthropic은 무단 증류가 미국의 역량을 해외 경쟁사로 이전하는 지름길이라고 묘사해 왔다. Tan은 제한 조치가 미국 사용자들을 폐쇄형 미국 서비스나 오픈 웨이트 중국 모델 중 하나에 의존하게 만들 수 있다고 주장한다. 따라서 이 논쟁은 단순한 복제를 넘어선다. 프런티어 지능을 독립적인 제품으로 전환할 수 있는 주체가 누구인지에 관한 문제다.

Garry Tan의 AI 증류는 국내 대안을 만들 수 있다

Tan은 미국이 해외 오픈 웨이트 경쟁에 대응하기 위해 해외 개발자들을 차단하는 데 그치지 않고, 더 많은 미국 오픈 웨이트 모델을 만들어야 한다고 본다.

모델 증류는 더 유능한 다른 시스템이 생성한 답변을 활용해 한 시스템을 훈련하는 방식이다. 대형 시스템은 교사 역할을 하고, 더 작은 학생 모델은 그 출력에서 학습한다. 개발자는 이 응답을 훈련 사례, 평가 자료 또는 강화 학습을 위한 피드백으로 활용할 수 있다.

증류 자체는 이례적인 일도, 자동으로 남용에 해당하는 일도 아니다. AI 기업들은 자사의 대형 모델을 이용해 더 작은 제품을 훈련하는 일을 정기적으로 한다. 한 기업이 다른 기업의 서비스에 허가 없이 체계적으로 질의한 뒤, 그 답변을 경쟁 모델 개발에 사용할 때 갈등이 시작된다.

Tan은 이 기법과 기만적인 접근 사이에 선을 그었다. 그는 미국 스타트업이 자격 증명을 훔치거나, 조직적인 계정 네트워크를 숨기거나, 기술적 보호 조치를 회피하라고 요구하는 것이 아니다. 그는 프런티어 제공업체가 서비스 계약을 통해 경쟁 목적의 훈련을 금지할 수 있어야 하는지에 의문을 제기한다.

2026년 9월 11일 보도된 발언에서 Tan은 자신이 “미국식 증류 체계”라고 부른 방안을 주장했다. 규모가 작은 미국 연구소들은 미국 프런티어 시스템에 합법적으로 접근하고, 그 출력을 사용해 오픈 웨이트 대안을 훈련하게 된다. 오픈 웨이트란 전체 데이터셋이 비공개로 남아 있더라도, 훈련된 파라미터를 다른 사람이 다운로드해 실행할 수 있음을 뜻한다.

Tan의 주장은 경쟁 정책과 지식 소유권에 관한 주장을 결합한다. 프런티어 모델은 책, 소프트웨어, 공개 웹사이트, 토론 및 기타 인간의 작업물에서 학습했다. 따라서 그는 개발사들이 공개 자료에서 학습할 폭넓은 자유를 주장하면서도 모델 출력에서 이뤄지는 후속 학습은 엄격히 제한하는 데 모순이 있다고 본다.

“폐쇄형 웨이트 모델에 대한 API 호출로 사용자와 고객이 무엇을 하는지 통제하는 것은 제약적으로 느껴진다”고 Tan은 TechCrunch에 말했다. 그는 공개 데이터로 훈련된 지능에 대한 접근이 제한적인 약관 뒤에 잠긴 무언가보다는 공공재에 더 가깝다고 설명했다.

그의 입장은 프런티어 연구에 자본이 필요하다는 사실을 부정하지 않는다. Tan은 모델 역량을 발전시키는 기업들이 지속 가능한 사업을 구축해야 한다고 말했다. 또한 오픈 웨이트 시스템이 사용자 자유와 접근성을 보존해야 한다고 주장했다.

이 균형은 그의 제안에서 핵심이다. 국내 증류 프레임워크는 교사 모델 제공업체에 보상하는 동시에, 소규모 개발자에게 실질적인 재사용 권한을 부여해야 한다. 그러한 권한이 없다면 접근은 독립적인 경쟁자를 만들지 못한 채 기존 강자를 보호하는 통상적인 라이선스 프로그램이 될 수 있다.

Tan은 상세한 법적 구조, 기술 프로토콜 또는 보상 공식을 제시하지 않았다. 대신 그는 현재 제한의 전제가 되는 가정에 이의를 제기했다. 그의 제안은 경쟁 모델 훈련을 금지된 추출 행위로 다뤄야 하는지, 아니면 AI 역량이 확산되는 정상적인 방식으로 봐야 하는지를 묻는다.

이 구분은 중요하다. 승인된 증류 프로그램은 공격과는 매우 다른 모습일 것이기 때문이다. 이는 신원이 확인된 참여자, 협상된 접근 권한, 문서화된 데이터셋, 보안 요건 및 평가 의무를 활용할 수 있다. 이러한 조건은 책임성을 유지하는 동시에 국내 오픈 웨이트 개발자들이 역량 격차를 좁힐 수 있는지 시험하게 한다.

따라서 즉각적인 변화는 기술적이라기보다 정치적이다. 저명한 스타트업 투자자가 선도적인 모델 제공업체들이 제한하려는 관행을 미국 연구소들이 채택하도록 공개적으로 장려했다. 그의 개입은 증류 통제가 미국의 리더십에 필요하다는 주장에 오픈 웨이트 지지자들이 제시할 직접적인 답을 제공한다.

미국 오픈 웨이트 연구소가 압박받는 이유

미국 오픈 웨이트 개발자들은 폐쇄형 국내 API와 중국 기업들이 출시한 유능한 모델 사이에서 점점 커지는 전략적 압박에 직면해 있다.

폐쇄형 모델을 기반으로 구축하는 스타트업은 편리한 접근을 얻지만, 기반이 되는 웨이트를 통제하지는 못한다. 제공업체는 모델 동작을 수정하고, 접근 정책을 변경하며, 새로운 제한을 도입하거나 버전 제공을 중단할 수 있다. 스타트업은 모델 동작이 자사 제품을 직접 규정하는 시장에서 경쟁하면서 이러한 의존성을 감수해야 한다.

오픈 웨이트 모델은 다른 운영 구조를 제공한다. 개발자는 이를 사설 인프라에 배포하고, 제한된 작업에 맞춰 미세 조정하며, 업그레이드 전에 특정 버전을 평가할 수 있다. 또한 외부 API 제공업체를 기다리지 않고도 변경 사항이 제품에 미치는 영향을 검토할 수 있다.

이러한 이점은 민감한 문서, 규제 대상 워크플로 또는 독점 소프트웨어를 다루는 기업에 중요하다. 팀은 추론 환경을 데이터 가까이에 유지하고 선택한 모델 버전을 보존할 수 있다. 여전히 강력한 보안, 평가 및 거버넌스가 필요하지만, 배포에 대한 통제력을 얻는다.

문제는 처음부터 프런티어 모델을 훈련하려면 막대한 컴퓨팅 자원, 전문 연구자 및 대규모 데이터셋이 필요하다는 점이다. 규모가 작은 미국 연구소는 OpenAI, Anthropic, Google 또는 Meta가 수행한 모든 투자를 단순히 재현할 수 없다. 증류는 교사의 전체 훈련 과정을 재현하지 않고도 선택된 역량에 도달하는 더 짧은 경로를 제공한다.

중국 오픈 웨이트 개발자들은 이러한 압박을 강화했다. DeepSeek, Moonshot, Alibaba 및 기타 연구소는 개발자들이 다운로드, 개조하거나 저렴한 서비스를 통해 사용할 수 있는 모델을 출시했다. 각 모델이 어떤 방식으로 만들어졌든, 그 उपलब्ध성은 미국 시장이 일관되게 제공하지 못한 대안을 미국 개발자들에게 제공한다.

이는 정책적 모순을 만든다. 미국 정부 관계자들은 중국 기술에 대한 의존을 제한하려 하지만, 국내 증류에 대한 엄격한 통제는 미국 대안의 수를 줄일 수 있다. 역량 이전의 한 경로를 차단한다고 해서 규모가 작은 미국 연구소가 독자적으로 경쟁력 있는 시스템을 훈련할 자원을 자동으로 얻는 것은 아니다.

Tan의 제안은 이 격차를 겨냥한다. 미국 스타트업이 승인된 절차를 통해 국내 프런티어 모델에서 학습할 수 있다면, 미국 법인이 관리하고 미국 인프라 내에서 사용되는 모델을 만들 수 있다. 이 결과가 기술적 동등성을 보장하지는 않지만, 이용 가능한 공급업체 기반을 확대할 수는 있다.

이 압박은 엔터프라이즈 구매자에게도 미친다. 조직들은 전체 AI 워크플로가 하나의 제공업체에 묶이는 것을 좀처럼 원하지 않는다. 조달팀은 가용성, 데이터 처리, 모델 안정성, 지연 시간, 마이그레이션 비용 및 서비스 중단 시 운영 가능성을 고려한다.

다양한 오픈 웨이트 시장은 이들 구매자에게 또 다른 선택지를 제공한다. 까다로운 작업에는 프런티어 API를 사용하면서, 반복 가능한 작업은 로컬에서 통제하는 모델에 맡길 수 있다. 증류는 특정 역량을 중심으로 이러한 소형 시스템을 훈련하는 데 도움이 될 수 있지만, 성능은 구매자의 실제 워크로드에서 측정되어야 한다.

이는 기업이 장기간 유지되는 지식 시스템을 구축할 때 특히 관련성이 높다. 검색 가능한 지식 베이스는 단일 모델 계약보다 오래 지속될 수 있다. 정보 아키텍처를 하나의 제공업체와 분리해 두면 향후 모델 변경을 더 쉽게 관리할 수 있다.

개발자는 모델 소유권과 애플리케이션 품질도 구분해야 한다. 오픈 웨이트가 신뢰할 수 있는 답변, 우수한 검색 또는 안전한 배포를 자동으로 제공하지는 않는다. 이는 구축자에게 모델 아티팩트에 대한 보다 직접적인 통제권을 줄 뿐이다. 그 통제가 실질적 가치를 만드는지는 여전히 주변 제품에 달려 있다.

따라서 Tan의 가장 강력한 주장은 모든 스타트업에 오픈 웨이트 모델이 필요하다는 것이 아니다. 미국 개발자들에게 소수의 폐쇄형 제공업체 밖에 신뢰할 만한 선택지가 필요하다는 것이다. 그런 선택지가 없다면 미국은 프런티어 연구를 주도하면서도 모델 통제가 필요한 기업에 제한적인 국내 선택지만 제공하게 될 수 있다.

프런티어 랩은 증류를 추출 위협으로 본다

OpenAI와 Anthropic은 경쟁 목적의 증류가 개발 비용이나 안전장치를 이전하지 않은 채 가치 있는 역량을 이전할 수 있기 때문에 이를 경제적·보안적 문제로 본다.

Anthropic은 2026년 2월 가장 명확한 경계를 제시했다. 이 회사는 DeepSeek, Moonshot, MiniMax가 약 24,000개의 사기 계정을 통해 Claude와 1,600만 건이 넘는 상호작용을 생성한 조직적인 캠페인을 식별했다고 밝혔다.

Anthropic의 distillation findings에 따르면, 이 캠페인들은 탐지를 피하기 위해 프록시 서비스와 조직적으로 운영된 계정을 사용했다. 프롬프트는 코딩, 도구 사용, 에이전트형 추론, 모델 평가 등의 영역에 집중됐다. Anthropic은 네트워크 데이터, 요청 메타데이터, 인프라 패턴 및 업계 파트너의 정보를 바탕으로 이 캠페인의 주체를 특정했다고 밝혔다.

이 수치는 독립적인 공개 감사 결과가 아니라 Anthropic의 조사 결과로 남아 있다. 지목된 기업들의 정확한 훈련 데이터셋은 외부인이 완전히 검토할 수 없다. 다만 Anthropic이 설명한 계정 동작은 일반적인 고객 실험의 범위를 넘어선다.

Anthropic은 정치적 논쟁에서 종종 사라지는 중요한 구분도 제시한다. 이 회사는 증류를 합법적이고 널리 사용되는 훈련 방식으로 본다. 이 회사의 반대는 경쟁사가 기만적 접근, 계정 사기, 지역 제한 회피 또는 기타 금지된 행위를 통해 역량을 획득하는 데 있다.

이 회사에 따르면 한 프록시 네트워크는 동시에 20,000개가 넘는 사기 계정을 운영했다. 이러한 시스템은 여러 서비스에 걸쳐 요청을 분산하고, 제공업체가 차단한 뒤 계정을 교체할 수 있다. 이 때문에 비정상적으로 많은 호출을 하는 단일 고객을 탐지하는 것보다 귀속과 집행이 더 어렵다.

OpenAI의 계약상 입장도 유사하게 제한적이다. 현재의 service agreement는 정의된 허용 사용 사례를 제외하면, 고객이 출력을 사용해 경쟁 AI 모델을 개발하는 것을 일반적으로 금지한다. 또한 모델 추출 공격과 접근 보호 장치를 우회하려는 시도도 금지한다.

이러한 계약은 프런티어 제공업체에 고객을 상대로 한 직접적인 집행 수단을 제공한다. 기업은 법정에서 저작권 침해를 먼저 입증하지 않아도 계정을 정지하거나 API 접근 권한을 철회할 수 있다. 모델 출력으로부터 학습하는 행위의 포괄적인 법적 지위가 여전히 확정되지 않았다는 점에서 이는 중요하다.

경제적 우려는 명확하다. 프런티어 연구소는 연구, 컴퓨팅 인프라, 데이터 준비, 안전성 테스트, 제품 운영에 투자한다. 경쟁사가 완성된 서비스에 질의해 그중 가장 가치 있는 행동 특성을 다른 모델로 이전할 수 있다면, 그 경쟁사는 초기 비용의 상당 부분을 피하게 된다.

보안 논거는 상업적 손실을 넘어선다. Anthropic은 증류된 모델이 교사의 안전장치를 보존하지 않은 채 능력을 재현할 수 있다고 말한다. 이후 그 가중치가 공개되면, 원래 제공업체는 모델을 회수하거나 사용자를 모니터링하거나 배포된 모든 사본을 수정할 수 없다.

이후의 open-weight 입장에서 Anthropic은 증류가 중국의 프런티어 역량을 미국 시스템의 수준에 수개월 내로 끌어올릴 수 있다고 주장했다. 또한 open-weight 모델에 대한 전면 금지에는 반대하면서 산업적 규모의 추출에 대응할 것을 촉구했다.

이러한 구분은 한 가지 쟁점에서 Anthropic을 수사적 표현이 시사하는 것보다 Tan에 더 가깝게 둔다. 양측 모두 open-weight AI의 역할을 인정한다. 둘 다 증류의 정당한 활용도 인정한다. 이견은 기업 간 학습을 누가 승인해야 하는지, 그리고 원래 제공업체가 어느 정도의 통제권을 유지해야 하는지에 관한 것이다.

Tan은 사적 권력이 집중될 위험에서 출발한다. Anthropic은 역량 탈취와 되돌릴 수 없는 배포의 위험에서 출발한다. 따라서 양측은 서로 다른 행위자를 주된 위협으로 본다.

Tan에게 과도한 제한은 기존 강자를 보호하고 미국 open-weight 경쟁을 약화시킨다. 프런티어 제공업체에게 느슨한 접근은 경쟁사가 막대한 비용이 든 역량을 전유하고 안전 통제를 제거하도록 만든다. 실행 가능한 국내 체계는 둘 중 어느 하나를 허상으로 치부하기보다 두 우려를 모두 다뤄야 한다.

공익 논거, 계약과 안전성에 부딪히다

가장 어려운 질문은 증류가 작동하는지 여부가 아니라, 미국이 기만적 추출을 정상화하거나 프런티어 연구 자금 조달의 유인을 약화하지 않으면서 이를 승인할 수 있는지다.

Tan의 공익 논거가 직관적으로 설득력을 갖는 이유는 프런티어 AI가 고립된 기업 지식에서 탄생한 것이 아니기 때문이다. 모델 개발업체들은 방대한 인간 표현물 집합으로 시스템을 훈련했다. 저자, 프로그래머, 연구자, 교육자, 온라인 커뮤니티가 현대 언어 모델을 유용하게 만든 자료의 상당 부분을 만들었다.

이러한 역사는 모델이 생성한 정보에 절대적인 사후 통제권이 부여되어야 한다는 주장에 복잡성을 더한다. 출판사와 창작자들은 이미 동의 없는 학습을 이유로 AI 기업에 이의를 제기해 왔다. Tan은 이제 자사 서비스를 통해 다른 모델이 학습하는 것을 계약으로 막으려는 기업들에 유사한 공정성 논리를 적용한다.

그러나 도덕적 대칭성이 법적 질문을 해결해 주지는 않는다. 공개적으로 접근 가능한 정보가 저작권, 계약, 개인정보 또는 데이터베이스 제한에서 자동으로 자유로워지는 것은 아니다. 마찬가지로 API 응답을 받았다고 해서 경쟁 훈련을 위해 수백만 건의 응답을 수집할 허가가 반드시 부여되는 것은 아니다.

국내 증류 시스템은 정당한 접근의 기준을 정의해야 한다. 이 정의는 참여 기업이 미국 기업인지 여부에만 의존할 수 없다. 자격 증명 탈취, 허위 신원, 계정 농장 운영, 의도적인 우회는 개발자의 국적과 무관하게 기만적이다.

또한 일반적인 제품 사용과 체계적 추출을 구별해야 한다. 이 경계는 기술적으로 어렵다. 안전성을 위해 수천 개의 프롬프트를 평가하는 기업은 특히 양측 모두 좁은 역량을 대규모로 시험할 때 학습 데이터를 구축하는 기업과 비슷해 보일 수 있다.

Brookings 펠로우 Kyle Chan은 이러한 탐지 과제를 커다란 건초더미에서 바늘을 찾는 일에 비유했다. 연방 대응에는 폐쇄형 미국 모델에서 핵심 특성을 추출하는 외국 행위자를 식별하기 위한 절차 제안이 포함됐다. 그러나 의심스러운 트래픽을 식별하는 일은 다른 모델이 정확히 어떻게 훈련됐는지 입증하는 일보다 쉽다.

같은 불확실성은 승인된 국내 참여자에게도 영향을 미칠 것이다. 프런티어 연구소는 가장 강력한 추론, 코딩 또는 생물학 역량은 보류한 채 제한적인 증류 접근을 제공할 수 있다. 소규모 개발업체는 공식 허가를 받더라도 경쟁력 있는 모델을 만들기에는 불충분한 정보만 받을 수 있다.

구체적인 상업 조건을 공개하지 않더라도 가격과 용량은 또 다른 장벽이 될 수 있다. 프런티어 제공업체는 자체 API 한도와 인프라를 통제한다. 승인된 훈련에 막대한 질의량이 필요하다면, 접근 조건은 여전히 자금력이 탄탄한 기업에 유리할 수 있다.

안전성 테스트는 별도의 상충 관계를 제시한다. open-weight 개발업체는 제작자의 허가 없이 공개된 모델을 검토하고, 미세 조정하고, 배포할 수 있다. 이는 연구와 지역적 통제를 뒷받침하지만, 동시에 원래 개발업체가 심각한 취약점을 발견한 뒤 시스템을 신뢰성 있게 회수할 수 없다는 뜻이기도 하다.

국내 프레임워크는 출시 전 평가를 요구할 수 있다. 또한 모든 모델을 동일하게 취급하기보다 역량에 따른 단계적 규칙을 만들 수 있다. 작고 특화된 모델은 고급 사이버 또는 생물학 역량을 지닌 시스템과 같은 요건을 적용받아서는 안 된다.

그러나 테스트가 배포 문제를 없애지는 못한다. 벤치마크는 새로운 역량을 놓칠 수 있고, 사용자는 출시 후 가중치를 미세 조정할 수 있다. 사본이 유통되기 시작하면 이후의 제한은 도달 범위가 제한적이다.

이 제안은 투자 유인을 약화할 위험도 있다. 정확한 비용이 공개되지 않더라도 프런티어 연구는 여전히 비싸다. 성공한 모든 역량이 즉시 경쟁사의 학습 재료가 되어야 한다면, 민간 기업은 외부 접근을 줄이거나 공개를 늦출 수 있다.

Tan은 프런티어 연구소가 사라져야 한다고 주장하지 않는다. 그는 이들이 자금을 계속 지원받는 동시에 open-weight 개발업체도 실질적인 자유를 얻기를 원한다. 빠진 장치는 교사가 실질적 경쟁을 거부할 권한을 갖지 않으면서도 교사와 학생 사이에 수익을 어떻게 나눌지에 관한 것이다.

라이선싱은 가능한 경로 중 하나지만, 그 세부 사항이 가치를 결정할 것이다. 라이선스는 특정 학습 용도를 승인하고, 출처 표기를 요구하며, 기만적 접근을 금지하고, 보안 의무를 정할 수 있다. 그러나 이미 자리 잡은 기업만 통과할 수 있는 비싼 관문이 될 수도 있다.

감독형 연구 프로그램은 또 다른 모델을 제공한다. 참여자는 통제된 환경에서 프런티어 출력을 이용하고, 학습 방법을 문서화하며, 가중치를 공개하기 전에 평가 결과를 공개할 수 있다. 이러한 프로그램은 국내 증류가 유용하고 더 안전한 대안을 만들어 내는지에 대한 증거를 제공할 것이다.

어느 접근도 더 광범위한 소유권 분쟁을 해결하지는 못한다. 프런티어 연구소는 학습 자료가 공개 소스에서 왔더라도 모델 행동이 독점적 연구를 반영한다고 주장할 수 있다. 개방 지지자들은 기업이 기반 지식을 집중했다는 이유만으로 행동 역량이 영구적인 사유 재산이 되어서는 안 된다고 반박할 수 있다.

이 갈등은 소프트웨어 호환성과 플랫폼 통제를 둘러싼 과거 분쟁과 닮았지만, AI 모델은 더 큰 불확실성을 도입한다. 학생 시스템은 단순한 인터페이스를 복제하지 않는다. 일반 지식, 전문적 추론, 오류, 안전 패턴을 포함할 수 있는 통계적 행동을 흡수한다.

회의적인 결론은 피할 수 없다. Tan은 실제 경쟁 문제를 지적했지만, 미국의 증류 체계가 강력한 개방형 모델을 합법적이고 안전하게 제공할 수 있음을 아직 보여주지 못했다. 개발업체가 투명한 프로그램을 통해 이 아이디어를 검증하기 전까지, 이는 운영 모델이 아니라 정책 논제에 머무를 것이다.

Tan의 계획이 작동하는지 보여줄 세 가지 신호

다음 단계는 개방성을 둘러싼 또 한 차례의 논쟁이 아니라 미국 개발업체, 프런티어 연구소, 정책 입안자의 구체적인 약속에 달려 있다.

첫 번째 신호는 신뢰할 만한 미국 open-weight 개발업체가 기업 간 증류를 공개적으로 채택하는지 여부다. 발표에는 교사 모델, 승인 근거, 목표 역량, 공개 조건이 명시돼야 한다. 은밀하게 합성 데이터를 사용하는 것은 Tan의 제안을 시험하지 못한다. 핵심 질문은 정당한 경쟁 접근에 관한 것이기 때문이다.

투명한 프로젝트에는 비교 평가도 필요하다. 개발업체는 학생 모델을 기본 모델, 교사 모델, 다른 open-weight 시스템과 비교해 시험해야 한다. 이러한 결과는 소수의 주목도 높은 벤치마크가 아니라 실제 워크로드를 다뤄야 한다.

그러한 모델이 문서화된 허가 아래 우수한 성능을 보인다면 Tan의 주장은 힘을 얻는다. 이는 국내 증류가 숨겨진 계정이나 탈취한 자격 증명에 의존하지 않고도 모델 선택지를 넓힐 수 있음을 보여줄 것이다. 진지한 연구소가 이 과정을 시도하지 않는다면, 이 제안은 상업적·법적 현실과 동떨어져 보일 것이다.

두 번째 신호는 프런티어 제공업체가 명시적인 증류 라이선스나 파트너십을 만드는지 여부다. 현재 계약은 흔히 경쟁 모델 개발을 제한하기 때문에 일반적인 API 접근만으로는 충분하지 않다. 의미 있는 프로그램은 독립 참여자가 경쟁할 수 있는 무언가를 학습하고 공개하도록 허용해야 한다.

제공업체의 안전장치가 중요할 것이다. 신원 확인, 트래픽 모니터링, 역량 제한, 출시 전 평가는 정당한 학습과 Anthropic이 설명한 운영을 구분할 수 있다. 명확한 규칙은 어떤 행위가 집행 조치를 촉발하는지 개발업체가 이해하는 데도 도움이 될 것이다.

프로그램이 서류상으로만 존재한다면 이 신호는 Tan의 주장을 약화할 것이다. 좁은 허가, 제한된 출력, 실질적 배포를 막는 조건은 현재의 시장 구조를 유지할 것이다. 성공적인 프레임워크는 학생 개발업체에 실제 독립성을 제공해야 한다.

세 번째 신호는 미국 정책 입안자들이 모델 추출을 어떻게 정의하는지다. 의회와 연방 기관은 미국 AI 시스템에 대한 외국의 접근을 검토하고 있으며, 프런티어 기업들은 더 많은 위협 정보를 공유하고 있다. 광범위한 표현은 기만적 공격과 함께 정당한 연구 및 국내 경쟁까지 포괄할 수 있다.

표적화된 정책은 사기, 무단 계정 네트워크, 우회, 탈취한 자격 증명, 민감한 역량 추출에 초점을 맞출 것이다. 이는 라이선스를 받은 증류와 독립적인 open-weight 개발의 여지를 보존할 수 있다. 그러한 결과는 국가 안보와 국내 개방성이 반드시 충돌할 필요는 없다는 Tan의 핵심 주장을 강화할 것이다.

더 광범위한 금지는 정책을 반대 방향으로 이끌 것이다. 모델 출력에 기반한 경쟁 학습이 본질적으로 불법으로 취급된다면, 미국 open-weight 연구소가 격차를 좁힐 경로는 줄어들 것이다. 개발업체는 그때 독립 학습, 자발적으로 협력하는 제공업체와의 협업, 또는 해외 open-weight 모델에 의존하게 될 것이다.

독자들은 이 신호들을 이 순서로 지켜봐야 한다. 먼저 투명하게 구축할 의지가 있는 개발업체를 찾아야 한다. 둘째, 프런티어 연구소가 유용한 권리를 부여하는지 살펴봐야 한다. 셋째, 정책이 기만적 추출과 승인된 학습을 구별하는지 검토해야 한다.

Garry Tan AI 증류 논쟁은 개방성이 언제나 좋은지 또는 언제나 위험한지를 결정한다고 해결되지 않을 것이다. 실질적 시험은 미국 연구소들이 접근 규칙을 존중하고 심각한 위험을 검증하면서 독립적으로 사용할 수 있는 모델을 생산할 수 있는지다.

앞으로 수개월 동안 국내 open-weight 모델이 등장할 때마다 세 가지 질문을 던져야 한다. 누가 그 학습 출력을 제공했는가, 어떤 허가가 그 접근을 규율했는가, 그리고 어떤 평가가 그 안전성 주장을 뒷받침하는가? 명확한 답은 Tan의 제안을 실행 가능한 경쟁 전략으로 바꿀 것이다. 답이 없다면 미국은 집중된 국내 API와 해외 open-weight 시스템 사이에서 같은 선택지를 계속 마주하게 될 것이다.