오픈 웨이트 AI는 사용자에게 통제권을 주지만, 오픈 소스는 더 높은 기준을 요구한다

새로운 유럽 규제 집행이 시작되기 불과 며칠 전, Google News가 익숙한 AI 업계의 갈등을 다시 부각했다. 다운로드 가능한 가중치가 곧바로 모델이 오픈 소스임을 뜻하지는 않는다는 점이다.

이 구분은 의미론적 논쟁처럼 들릴 수 있다. 그러나 개발자가 학습 결정을 감사하거나, 모델을 재현하거나, 제한적인 라이선스 아래에서 배포하려 할 때는 전혀 다르다. 오픈 웨이트 AI는 학습된 파라미터를 공개하지만, 오픈 소스 AI는 실질적인 수정에 필요한 자료에 대한 더 폭넓은 권리와 접근을 약속한다.

이 차이는 이제 Meta, Google, 모델 배포업체, 기업 구매자, 규제기관에 실질적인 영향을 미친다. 핵심 경쟁 구도는 더 이상 오픈 모델과 폐쇄형 API의 대결이 아니다. 이는 ‘오픈’이라는 표현을 유연하게 사용하는 업계와, 구체적인 자유·문서화·라이선스를 요구하는 공식 표준 간의 대립이다.

Google News가 오픈 웨이트 AI 논쟁을 다시 불러오다

이번 보도가 중요한 이유는 다운로드 페이지가 비슷해 보여도, 이제 ‘오픈’이라는 말이 실질적으로 서로 다른 여러 유형의 공개 방식을 가리키기 때문이다.

Google News를 통해 배포된 Fierce Network의 헤드라인은 답하기 어려운 근본적인 질문을 던진다. 오픈 웨이트 AI와 오픈 소스 AI를 가르는 것은 무엇일까? 짧게 말하면 접근권, 법적 권리, 재현 가능성이다.

모델 가중치는 학습 과정에서 생성되는 수치형 파라미터다. 이는 학습된 모델이 입력을 출력으로 변환하는 방식을 결정한다. 이 파라미터를 공개하면 다른 주체는 모든 요청을 원래 제공업체에 보내지 않고도 모델을 실행할 수 있다.

이러한 접근은 로컬 추론, 비공개 배포, 파인튜닝, 독립적 테스트를 지원할 수 있다. 기업은 자체 보안 경계 안에 모델을 둘 수 있다. 연구자는 원격 인터페이스에 전적으로 의존하지 않고도 모델의 동작을 살펴볼 수 있다.

하지만 가중치는 모델 개발의 산출물 중 하나일 뿐이다. 가중치만으로는 모든 학습 출처, 데이터 필터링 결정, 평가 절차, 최적화 설정이 드러나지 않는다. 또한 모델을 사용하거나 재배포할 수 있는 무제한의 법적 허가가 자동으로 부여되는 것도 아니다.

이 때문에 개발 자료가 불완전한 다운로드 가능 모델에는 대체로 ‘오픈 웨이트’라는 표현이 더 정확하다. 이는 제공업체가 무엇을 공개했는지를 설명하며, 모든 구성 요소가 확립된 오픈 소스 표준을 충족한다는 의미를 내포하지 않는다.

오픈 소스 AI는 더 폭넓은 약속을 한다. Open Source AI Definition은 사용자가 어떤 목적으로든 AI 시스템을 사용하고, 연구하고, 수정하고, 공유할 자유를 가져야 한다고 명시한다.

이러한 자유는 전체 시스템과 관련 구성 요소를 포괄해야 한다. 따라서 이 정의는 모델 파라미터, 학습 및 추론 코드, 그리고 학습 데이터에 관한 충분히 상세한 정보를 요구한다.

데이터 요건이 보호되거나 비공개인 학습 항목을 모두 공개하라고 요구하는 것은 아니다. 대신 숙련된 사람이 실질적으로 동등한 시스템을 만들 수 있을 만큼 출처, 범위, 선택, 라벨링, 처리에 관한 정보를 요구한다.

이는 체크포인트 파일을 공개 저장소에 올리는 것보다 높은 기준이다. 파라미터를 불러오고 응답을 생성하는 추론 코드만 공개하는 수준도 넘어선다.

시점은 Google News의 논의에 추가적인 무게를 실어 준다. 유럽 당국은 2026년 8월 2일, 더 새로운 모델에 대한 범용 AI 의무의 전면 집행을 앞두고 있다.

European Commission는 이 의무가 처음으로 적용된 시점이 2025년 8월 2일이라고 밝힌다. 이후 1년은 일부 제공업체와의 협력에 초점을 둔 전환 기간으로 제공됐다.

이제 용어는 커뮤니티 내 평판 이상의 영향을 미친다. 문서화 의무, 규제 면제, 조달 검토, 하위 단계 개발자가 이용할 수 있는 증거에 영향을 줄 수 있다.

독자에게 중요한 변화는 다운로드 가능한 모델의 존재 자체가 아니다. 그러한 모델은 수년 전부터 존재해 왔다. 변화한 점은 개방성 주장이 점점 정의된 기술적·법적 기준에 따라 검증되고 있다는 사실이다.

오픈 웨이트 접근이 오픈 소스에 미치지 못하는 이유

오픈 웨이트는 사용자에게 운영상 통제권을 주지만, 오픈 소스는 시스템을 이해하고 재구축하는 데 필요한 자유와 정보까지 요구한다.

기업이 모델을 다운로드한 뒤 어떤 일이 일어나는지 생각해 보자. 엔지니어는 파라미터를 호스팅하고, 성능을 측정하고, 양자화를 적용하고, 내부 사례를 이용해 모델을 파인튜닝할 수 있다.

양자화는 메모리와 컴퓨팅 요구량을 낮추기 위해 모델 값의 정밀도를 줄이는 방식이다. 파인튜닝은 특정 작업에 맞게 동작을 조정하기 위해 더 좁은 데이터세트로 학습을 계속하는 것이다.

이 기능들은 가치가 크다. 호스팅 제공업체에 대한 의존도를 낮추고, 팀이 민감한 프롬프트를 통제된 인프라 안에 유지할 수 있게 해 준다.

그러나 이들 기능 중 어느 것도 원래 모델이 어떻게 만들어졌는지를 반드시 보여 주지는 않는다. 엔지니어는 어떤 데이터 출처가 모델의 동작을 형성했는지 알지 못할 수 있다. 전처리 코드, 학습 설정, 중간 체크포인트, 원래의 평가 스위트가 없을 수도 있다.

이러한 공백은 재현 가능성을 제한한다. 연구자가 체계적인 실패를 발견하면 출력값을 연구하고 공개된 파라미터를 변경할 수 있다. 하지만 실패 원인을 특정 데이터 선택까지 추적하거나 원래 학습 과정을 재현할 수 있는 것은 아니다.

라이선스는 또 다른 구분선을 만든다. 제공업체는 가중치를 공개하면서 특정 용도, 사용자 규모, 재배포, 경쟁 서비스에 제한을 둘 수 있다.

그러한 제한은 정당한 상업적 또는 안전 목적에 기여할 수 있다. 그러나 개별 사안별 허가 없이 어떤 목적으로든 사용할 수 있어야 한다는 정의를 충족하지 못하게 한다.

따라서 이 라벨은 단일한 이분법적 상태가 아니라 스펙트럼을 설명한다. 어떤 공개는 학습 데이터를 제공하지 않으면서도 폭넓은 접근을 제공할 수 있다. 또 다른 공개는 코드를 공개하면서 가중치에 용도 분야 제한을 붙일 수 있다.

Linux Foundation의 Model Openness Framework는 이 스펙트럼을 평가하는 더 상세한 방법을 제공한다. 이는 모델 개발 수명 주기 전반에 걸친 17개 구성 요소를 평가한다.

Class III 수준은 오픈 라이선스 아래 아키텍처, 파라미터, 기본 문서를 포괄한다. Class II는 핵심 데이터세트와 함께 학습·평가·추론 도구를 추가한다.

Class I은 원시 학습 데이터세트, 중간 체크포인트, 로그, 광범위한 연구 문서까지 패키지를 확장한다. 이 수준은 엔드투엔드 과학적 재현 가능성을 목표로 한다.

이러한 등급은 구매자가 모호한 라벨을 구체적인 질문으로 바꾸는 데 도움이 된다. 어떤 산출물이 제공되는가? 각 산출물에는 어떤 라이선스가 적용되는가? 다른 팀이 이를 검사하고, 수정하고, 재배포할 수 있는가?

그 답은 일상 업무에서 중요하다. 예를 들어 의료 소프트웨어 공급업체가 로컬에서 호스팅할 수 있고 전문 문서에 맞게 조정할 수 있는 모델을 원한다고 가정해 보자.

오픈 웨이트는 배포 요건을 충족할 수 있다. 하지만 학습 코퍼스에 부적절한 자료가 포함됐는지, 라이선스가 의도한 상업 워크플로를 허용하는지는 해결하지 못한다.

보안팀은 또 다른 문제에 직면한다. 로컬 접근은 적대적 테스트와 배포 패키지 검사를 가능하게 한다. 하지만 학습 세부 정보가 없으면 암기, 숨겨진 편향, 비정상적인 실패 패턴에 대한 조사에는 여전히 제약이 생긴다.

민감한 정보를 위한 도구를 선택하는 지식 근로자도 관련된 문제를 마주한다. 다운로드 가능한 모델은 로컬 처리를 지원할 수 있지만, 모델의 개방성이 애플리케이션의 개인 문서 처리 방식을 결정하지는 않는다.

애플리케이션의 저장, 검색, 로깅, 권한 설계는 여전히 중요하다. personal knowledge base를 평가하는 사용자는 모델 라벨만이 아니라 전체 데이터 경로를 검토해야 한다.

따라서 오픈 웨이트는 결함 있는 범주가 아니다. 이는 분명한 운영상 이점을 지닌 유용한 배포 모델이다. 문제는 제공업체나 논평자가 이를 완전한 오픈 소스와 동등한 것으로 제시할 때 시작된다.

그러한 치환은 구매 결정에서 중요한 정보를 제거한다. 또한 라이선스와 개발 투명성이 크게 다른 두 공개 방식을 비교 가능한 것처럼 보이게 할 수 있다.

Meta와 오픈 소스 표준은 서로 다른 방향으로 움직이고 있다

Meta의 입장은 핵심 갈등을 포착한다. 모델 제작자는 실용적 개방성을 원하지만, 표준 단체는 기업의 재량을 넘어 유지되는 자유를 요구한다.

Meta는 다운로드 가능한 파운데이션 모델을 주요한 상업·연구 수단으로 만드는 데 기여했다. Llama 공개는 개발자에게 폐쇄형 호스팅 시스템에 전적으로 의존하는 방식의 대안을 제공했다.

이 모델들은 단순한 기대를 보편화하는 데 도움을 줬다. 성능이 뛰어난 AI 모델은 제작자의 클라우드 밖에서도 로컬 테스트, 맞춤화, 배포가 가능해야 한다는 기대다.

Meta는 Llama를 오픈 소스라고 자주 설명해 왔다. 그러나 회사의 라이선스와 공개 관행은 이 설명을 둘러싼 지속적인 이견을 낳았다.

Open Source Initiative는 2024년 10월 AI 정의 버전 1.0을 발표했다. 이 발표는 느슨했던 용어 논쟁을 직접적인 표준 갈등으로 전환했다.

Meta는 하나의 정의가 현대 AI 개발의 복잡성을 완전히 포착할 수 있다는 생각을 거부했다. 회사 대변인은 이전의 소프트웨어 정의가 빠르게 발전하는 AI 모델을 포괄하지 못했다고 말했다.

이견은 학습 데이터 공개에 일부 초점을 맞춘 open-source dispute에 기록돼 있다. Meta는 Llama 가중치를 제공하지만, OSI 프레임워크가 요구하는 모든 요소를 공개하지는 않는다.

양측 입장 모두 실제 제약에 대응한다. 모델 개발자는 공개 자료, 라이선스 자료, 생성 자료, 제한된 자료가 뒤섞인 방대한 데이터로 학습한다. 모든 항목을 공개하면 개인정보 보호, 계약, 보안, 저작권 의무와 충돌할 수 있다.

표준 옹호자들은 사용자에게 출처와 처리에 관한 실질적인 정보가 여전히 필요하다고 반박한다. 그러한 정보가 없다면 사용자는 전체 시스템을 연구하거나 실질적으로 동등한 모델을 만들 수 없다.

OSI 정의는 보편적 공개 대신 상세한 정보를 요구함으로써 이용할 수 없는 데이터를 수용하려 한다. 제공업체에 공유할 수 없는 데이터를 설명하고, 학습 자료를 어떻게 확보·선택·라벨링·필터링했는지 밝히도록 요구한다.

이 절충안에도 비판자는 있다. 일부 오픈 소스 옹호자는 진정한 재현이 목표라면 데이터 설명이 원본 데이터세트를 대체할 수 없다고 주장한다.

다른 이들은 모든 학습 구성 요소를 요구하면 대부분의 대형 모델이 이 라벨에 도달할 수 없게 된다고 본다. 이 관점에서는 지나치게 엄격한 정의가 근본적인 법적 장벽을 해결하지 못한 채 유용한 공개만 줄일 수 있다.

이 논쟁을 Meta 대 투명성으로 축소해서는 안 된다. Meta는 자사 모델을 중심으로 대규모 개발자 커뮤니티를 지원할 유인이 있다. 동시에 비용이 많이 드는 학습 방식을 보호하고 영향력이 큰 활용에 대한 통제권을 유지할 유인도 있다.

OSI는 다른 제도적 역할을 맡는다. 이는 사용자 자유, 수정, 재배포를 중심으로 발전한 용어의 의미를 보호한다.

이러한 유인 차이는 한쪽이 실질적인 이용 가능성을 강조하는 이유를 설명한다. 다른 쪽은 하위 사용자에게 주어지는 자유가 완전하고, 법적으로 신뢰할 수 있으며, 원래 제공업체와 독립적인지를 강조한다.

Google의 입장은 기업 분류가 단순한 라벨을 거부할 수 있는 이유를 보여 준다. Google은 Gemini를 통해 폐쇄형 서비스를 제공하는 동시에 다운로드 가능한 Gemma 모델도 공개한다.

한 회사는 호스팅형, 오픈 웨이트, 더 투명한 연구 전략을 동시에 추진할 수 있다. 따라서 분석의 핵심 단위는 회사 전체의 브랜딩이 아니라 개별 모델 릴리스와 라이선스다.

같은 논리는 Mistral, Alibaba 및 다른 모델 개발사에도 적용된다. 각 릴리스는 가중치, 코드, 데이터 정보, 사용 권한을 서로 다르게 조합해 공개할 수 있다.

기업 구매자는 배포 전에 이러한 조합을 문서화해야 한다. ‘오픈 소스’라고 표시된 체크박스 하나만 있는 조달 양식은 가장 중요한 세부 사항을 가린다.

더 강력한 검토는 최소 네 가지 질문을 분리한다. 조직이 파라미터를 확보할 수 있는가? 이를 실행하고 수정할 수 있는가? 그 결과물을 재배포할 수 있는가? 원래 시스템이 어떻게 만들어졌는지 검토할 수 있는가?

이 질문들은 오픈 웨이트 AI의 실질적 이점을 보존하면서도, 오픈 소스라는 명칭을 본래 의미 이상으로 확장하지 않게 한다.

Google News 헤드라인이 기업 구매자에게 의미하는 것

이제 이 용어는 기업 리스크 검토에서 법적 노출, 기술적 독립성, 그리고 확보 가능한 증거의 양을 바꾼다.

가장 직접적인 우려는 라이선스다. 모델을 다운로드할 수 있다고 해서 기업이 오픈 소스 소프트웨어에서 기대하는 모든 권한이 부여되는 것은 아니다.

팀은 통합이나 파인튜닝에 투자하기 전에 라이선스를 검토해야 한다. 파일럿 단계에서는 감당할 만해 보이는 제한도 제품이 고객을 확보하거나 새로운 시장에 진출한 뒤에는 심각해질 수 있다.

재배포에는 특히 주의해야 한다. 기업은 모델을 내부적으로 운영할 수 있더라도, 고객에게 제공하는 소프트웨어에 이를 포함할 때는 다른 조건에 직면할 수 있다.

사용 제한 역시 검토가 필요하다. 일부 라이선스는 정의된 유해 활동을 금지하거나, 매우 큰 서비스에 대한 권리를 유보하거나, 표준 오픈 소스 라이선스가 받아들이지 않는 조건을 부과한다.

두 번째 우려는 공급업체 의존성이다. 오픈 웨이트는 고객이 실행 가능한 모델 사본을 보유하므로 운영상 종속을 줄일 수 있다.

그러나 이 보호에는 한계가 있다. 조직은 여전히 독점 학습 데이터, 문서화되지 않은 도구, 특정 하드웨어 스택, 또는 원래 제공업체가 통제하는 업데이트에 의존할 수 있다.

전환 비용도 상위 계층으로 이동할 수 있다. 한 모델 계열을 중심으로 광범위한 파인튜닝, 검색, 평가 시스템을 구축한 기업은 교체 비용이 높아질 수 있다.

오픈 소스 AI는 구성 요소가 재구축과 수정을 허용할 때 더 강한 이론적 독립성을 제공한다. 실제 독립성은 여전히 엔지니어링 역량과 컴퓨팅 자원에 달려 있다.

접근 권한이 운영 비용을 없애지는 않는다. 다운로드 가능한 모델에는 인프라, 모니터링, 보안 패치, 평가, 숙련된 인력이 필요하다.

호스팅형 시스템은 그 부담의 상당 부분을 제공업체에 이전한다. 그 대가로 모델 동작, 업데이트 시점, 요청 처리에 대한 통제력은 줄어든다.

세 번째 우려는 증거다. 규제 대상 조직은 시스템이 왜 그렇게 동작하는지, 그리고 그 주변에 어떤 통제가 있는지를 설명해야 하는 경우가 많다.

전체 학습 데이터에 접근한다고 해서 대규모 신경망이 완벽하게 해석 가능해지는 것은 아니다. 그럼에도 상세한 데이터 정보, 평가 코드, 학습 문서는 감사 품질을 높일 수 있다.

오픈 웨이트는 독립적인 행동 테스트를 지원한다. 오픈 도구는 그러한 테스트를 개발사의 원래 절차와 비교하기 쉽게 만든다.

이 구분은 기업이 고용, 신용, 의료, 교육 또는 핵심 인프라에 AI를 사용할 때 중요해진다. 이러한 적용 사례는 기반 모델 자체를 규율하는 규칙을 넘어서는 의무를 유발할 수 있다.

EU AI Act는 그 중요성을 보여준다. 유럽연합 집행위원회의 GPAI 가이드라인은 특정 무료·오픈 소스 릴리스가 여러 문서화 요건의 면제를 받을 수 있다고 명시한다.

이 면제에는 조건이 있다. 라이선스는 접근, 사용, 수정, 배포를 허용해야 하며, 파라미터, 아키텍처, 사용 정보는 공개되어야 한다.

이는 저작권 정책 또는 학습 콘텐츠 요약 의무를 없애지 않는다. 또한 시스템적 위험을 초래하는 것으로 분류된 범용 모델에는 적용되지 않는다.

집행위원회는 제공업체가 그 분류에 이의를 제기할 기회를 전제로, 10^25 부동소수점 연산을 초과해 학습된 모델은 시스템적 위험이 있다고 추정한다. 당국은 역량이나 영향에 근거해 다른 모델도 지정할 수 있다.

시스템적 위험 모델 제공업체는 평가, 사고 보고, 위험 완화, 사이버 보안 의무를 진다. 이러한 요건은 모델이 오픈 소스인 경우에도 적용된다.

이 프레임워크는 가벼운 라벨링을 위험하게 만든다. 마케팅 페이지가 모델을 오픈이라고 부르는 것만으로 규제 면제를 만들어낼 수는 없다.

기업은 제공업체의 규제상 지위가 자동으로 하류 사용자에게 이전된다고 가정해서는 안 된다. 고객의 의무는 역할, 수정 사항, 배포 맥락, 의도된 사용에 따라 달라진다.

집행위원회는 대부분의 파인튜닝이 수정자를 새로운 범용 모델 제공업체로 만들지는 않는다고 말한다. 가이드라인은 원래 학습 연산량의 3분의 1을 초과하는 경우와 연계된 예외적 기준을 제시한다.

이는 일반적인 적응 작업에는 안심할 만한 내용이다. 그러나 하류 시스템이 자체 위험 범주와 관련된 요건에서 면제되는 것은 아니다.

보안팀 역시 균형 잡힌 평가가 필요하다. 오픈 파라미터는 방어자가 공급업체의 인터페이스에 의존하지 않고 모델을 검사하고 테스트하게 해준다.

같은 접근성은 악의적 행위자가 안전장치를 제거하거나 오용을 최적화하는 데도 도움이 될 수 있다. 폐쇄형 API는 파라미터에 대한 직접 접근을 제한하지만, 통제와 가시성을 한 제공업체에 집중시킨다.

어느 방식도 자동으로 안전한 것은 아니다. 더 나은 선택은 위협 모델, 배포 통제, 인력, 연결된 데이터의 민감도에 달려 있다.

기업 검토는 모든 개방성 주장 뒤에 있는 증거를 기록해야 한다. 리포지터리가 보인다는 사실만으로는 충분하지 않다. 공개 파일에도 제한적인 조건이 붙어 있거나 중요한 개발 자료가 누락돼 있을 수 있다.

Google News 헤드라인은 실제 계약에 영향을 미치는 범주 오류를 드러낸다는 점에서 성공적이다. 오픈 웨이트는 가용성을 설명한다. 오픈 소스는 자료, 권리, 자유의 더 폭넓은 조합을 설명한다.

진짜 절충점은 통제력과 재현성의 관계다

오픈 웨이트 AI는 배포 통제력을 극대화할 수 있지만, 과학 및 오픈 소스 커뮤니티가 기대하는 재현성을 제공하지 않을 수 있다.

이 글의 핵심 절충점이다. 사용자는 추론을 직접 통제할 수 있지만, 원래의 개발 과정을 재현하지는 못할 수 있다.

이 중간 지점은 모델 공급업체에 매력적이다. 학습 레시피, 데이터세트, 상업적 우위를 보호하면서 도입과 외부 개발을 장려하기 때문이다.

많은 고객에게도 매력적이다. 대부분의 기업은 기반 모델을 처음부터 다시 학습할 계획이 없다.

그들은 유능한 시스템을 비공개로 운영하고, 더 좁은 도메인에 맞게 조정하며, 하나의 API에 대한 요청 단위 의존을 피하고자 한다. 오픈 웨이트는 이러한 목표를 충족할 수 있다.

이러한 구매자에게 모든 학습 산출물을 요구하는 일은 당장 큰 가치를 더하지 못할 수 있다. 조직에 그 자료를 활용할 컴퓨팅 예산이나 전문성이 없을 수도 있다.

연구자, 감사인, 공공기관은 다른 필요를 가진다. 이들은 데이터 출처를 검토하고, 실험을 재현하며, 안전성 주장을 시험하거나, 모델을 독립적으로 보존해야 할 수 있다.

가중치만 공개한 릴리스는 이 모든 목표를 충족할 수 없다. 최종 파라미터를 파인튜닝하는 것은 상위 단계의 데이터 선택을 바꾸고 학습을 반복하는 것과 동등하지 않다.

제공업체가 안전성이나 편향에 대해 광범위한 주장을 할 때 재현성 격차는 더 심각해진다. 외부 연구자는 그러한 주장을 검증하려면 비교 가능한 평가 코드, 데이터세트, 절차가 필요하다.

모델 동작은 배포 후에도 변한다. 양자화, 파인튜닝, 검색 시스템, 시스템 프롬프트는 모두 출력을 바꿀 수 있다.

이는 책임 소재를 정하기 어렵게 만든다. 실패는 원래 모델, 하류 수정, 애플리케이션 계층, 또는 사용 중 제공된 데이터에서 비롯될 수 있다.

완전한 개방성이 이 복잡성을 없애지는 않는다. 대신 체인을 검사하고 특정 동작이 시스템에 유입된 지점을 식별할 기회를 더 많이 만든다.

완전 공개를 비판하는 이들은 정당한 안전 우려를 제기한다. 상세한 학습 방법이나 제한 없는 가중치를 공개하면 오용의 진입 장벽이 낮아질 수 있다.

그러나 증거는 비밀 유지를 완전한 보호장치로 취급하는 것을 뒷받침하지 않는다. 폐쇄형 시스템도 인터페이스를 통해 악용되거나, 탈취되거나, 리버스 엔지니어링되거나, 충분한 감독 없이 배포될 수 있다.

오픈 릴리스는 방어 역량도 강화할 수 있다. 독립 연구자는 취약점을 찾아내고, 평가 체계를 구축하며, 주요 제공업체가 간과한 언어 또는 커뮤니티에 맞게 모델을 조정할 수 있다.

올바른 결론은 모든 모델이 모든 구성 요소를 공개해야 한다는 것이 아니다. 제공업체가 자신의 릴리스를 정확하게 설명해야 한다는 것이다.

‘오픈 웨이트’는 완전한 재현성을 약속하지 않으면서도 의미 있는 접근성을 전달한다. ‘오픈 소스’는 공개된 표준을 충족하는 릴리스에만 사용돼야 한다.

단계적 분류를 갖춘 프레임워크는 더 높은 정밀도를 제공할 수 있다. Linux Foundation의 17개 구성 요소 모델은 개방성을 산출물과 라이선스 전반에서 측정할 수 있음을 보여준다.

이 접근법은 완전히 폐쇄적인 것과 완전히 재현 가능한 것 사이의 거짓 양자택일을 피한다. 사용자에게는 구체적 차원을 비교하게 하면서도, 최상위 기준에는 엄격한 정의를 유지하게 한다.

표준화된 문서는 이러한 비교를 더 쉽게 만들 것이다. 모든 모델 카드는 가중치 접근, 아키텍처, 추론 코드, 학습 코드, 데이터 정보, 평가, 라이선스 제한을 나열할 수 있다.

카드는 공개된 산출물과 향후 제공이 약속된 자료도 구분해야 한다. 나중에 더 개방될 리포지터리는 지금 그러한 구성 요소를 제공하는 리포지터리와 동등하지 않다.

독립적인 검증은 여전히 필요하다. 대부분의 모델 카드는 제공업체가 작성하며, 필요한 산출물이 없다는 사실은 포괄적인 표현으로 가려질 수 있다.

리포지터리 호스트와 모델 카탈로그는 구조화된 개방성 필드를 표시함으로써 도움을 줄 수 있다. 다운로드 가능한 파라미터만을 근거로 단일 ‘오픈’ 배지를 부여해서는 안 된다.

기업 팀도 내부적으로 같은 패턴을 채택할 수 있다. 라이선스와 산출물은 릴리스마다 바뀔 수 있으므로 검토 기록에는 정확한 모델 버전이 담겨야 한다.

이 문서는 향후 마이그레이션을 지원한다. 또한 법무, 보안, 엔지니어링 팀이 ‘오픈’에 대한 서로 다른 해석에 의존하지 않고 같은 대상을 논의하게 한다.

회의적인 관점도 중요하다. OSI 정의나 Linux Foundation 프레임워크 어느 쪽도 기업이 느슨한 용어를 사용하는 것을 막을 수는 없다.

표준은 개발자, 정부, 구매자, 배포 플랫폼이 채택할 때 영향력을 얻는다. 그 실질적 효력은 이 집단들이 증거를 요구하는지에 달려 있다.

따라서 정의 논쟁은 조달을 통해서도 판가름 날 것이다. 고객이 정확한 공개를 보상한다면, 모델 개발사는 더 완전한 자료를 공개할 이유를 얻게 된다.

성능이 모든 의사결정을 지배한다면, ‘오픈 소스’는 계속해서 탄력적인 마케팅 용어로 기능할 수 있다. 기술적 구분은 남겠지만, 많은 구매자는 배포 후에야 이를 마주하게 될 것이다.

EU 집행이 시작되면서 주목할 점

세 가지 신호는 오픈 웨이트 AI와 오픈 소스 AI가 뚜렷한 시장 범주가 되는지, 아니면 단지 별개의 라벨에 그치는지를 보여줄 것이다.

첫 번째 신호는 2026년 8월 2일 이후의 규제 처리다. 유럽연합 집행위원회는 그날부터 신규 모델에 대한 범용 AI 의무를 전면 집행하기 시작할 것이라고 밝혔다.

제공업체가 무료·오픈 소스 면제를 주장하는지, 그리고 당국이 그러한 주장을 어떻게 평가하는지 지켜봐야 한다. 공개 결정은 라이선스, 이용 가능한 파라미터, 아키텍처, 사용 정보에 관한 실질적인 경계를 설정할 수 있다.

엄격하고 증거에 기반한 처리는 여기서 설명한 구분을 강화할 것이다. 제공업체 브랜딩에 따른 광범위한 면제는 이를 약화할 것이다.

두 번째 신호는 Meta, Google, Mistral 및 기타 개발사가 제공하는 모델 출시 문서다. 새 릴리스에서는 학습 코드, 데이터 출처, 평가 자료, 라이선스 변경 사항을 살펴봐야 한다.

더 완전한 패키지는 open weight와 open source 사이의 거리를 좁힐 것이다. 지속적인 제약이 있는 가중치 전용 릴리스는 벤더들이 중간 범주를 선호한다는 점을 확인해줄 것이다.

세 번째 신호는 조달 행태다. 대기업과 공공 기관은 모델 선정 과정에서 산출물 단위의 질문을 던짐으로써 더 명확한 용어 사용을 이끌어낼 수 있다.

가중치 제공 여부를 재배포 권한 및 재현 가능성과 구분하는 입찰 공고, 거버넌스 정책, 모델 카탈로그를 주목해야 한다. 이러한 변화는 표준에 관한 논쟁을 지속 가능한 구매 요건으로 바꿀 것이다.

Google News는 단순히 “open”으로 설명된 모델을 계속 노출하겠지만, 독자들은 그 단어에서 잠시 멈춰야 한다. 어떤 파일을 사용할 수 있는지, 어떤 권한이 부여되는지, 학습 과정의 어떤 부분이 여전히 공개되지 않는지를 물어야 한다. 그런 다음 그 답을 실제 과업에 맞춰야 한다. 로컬 배포에는 접근 가능한 가중치만으로 충분할 수 있지만, 감사와 과학적 재현에는 훨씬 더 많은 것이 필요하다. 다음 모델 발표는 라벨이나 벤치마크만으로 평가해서는 안 된다. 가용성을 개방성으로 간주하기 전에 라이선스, 개발 자료, 데이터 공개 내용, 규제 상태를 확인해야 한다.