국가대표 AI 2차전, 승부처는 에이전틱 AI와 연산 효율

4개 팀에서 2개 팀으로 줄어드는 국가대표 AI 경쟁

• 정부의 ‘독자 AI 파운데이션 모델 프로젝트’ 2차 평가가 이달 진행됨

  • 대상은 LG AI연구원 컨소시엄, 업스테이지, SK텔레콤, 모티프테크놀로지스 4개 팀임
  • 이번 평가로 2개 팀을 고르고, 선발된 팀들은 5개월 동안 최종 경쟁을 이어감
  • 국민평가, 전문가평가, 벤치마크 평가가 함께 들어감

• 이번 승부처로 꼽히는 건 에이전틱 AI 역량임

  • 한 번의 포괄적인 명령으로 특정 업무를 끝까지 처리하는 능력이 중요해졌다는 얘기임
  • 단순 챗봇 성능보다 추론, 도구 호출, 업무 수행 안정성이 더 중요해지는 흐름임

SKT와 LG는 초대형 모델 카드

• SK텔레콤은 독자 AI 파운데이션 모델 ‘A.X K2’를 공개함

  • 허깅페이스에 6880억 개, 즉 688B 파라미터 규모로 소개함
  • 직전 모델 A.X K1의 519B보다 커졌고, 수학·과학 추론, 한국 지식, 장문 추론 능력을 강화했다고 설명함
  • 제조 영역에선 KG스틸, 코넥과 제조 특화 AI 에이전트 적용을 추진함

• SKT는 국방 분야도 같이 언급함

  • 국방부와 협업해 A.X K1 기반 양자화 모델 3가지를 개발함
  • 보안과 데이터 주권이 중요한 국방 특성을 고려해 메모리 사용량을 줄이고 처리 속도를 높였다는 설명임

• LG AI연구원은 ‘K-엑사원 2.0’을 허깅페이스에 공개함

  • 국내 최대인 750B 파라미터 규모라고 설명함
  • 1차 모델 236B 대비 3배 이상 커졌음
  • 지원 언어는 한국어, 영어, 스페인어, 독일어, 일본어, 베트남어에 프랑스어, 이탈리아어, 포르투갈어, 폴란드어를 더해 총 10개로 확장됨

업스테이지와 모티프는 효율 쪽에 힘을 줌

• 업스테이지는 오픈웨이트 거대언어모델 ‘솔라 오픈 2’를 공개함

  • 전작 ‘솔라 오픈’을 기반으로 단순 질의응답을 넘어 수십 번의 추론과 도구 호출을 반복하는 에이전트 사용성에 최적화했다고 설명함
  • 전체 파라미터는 2500억 개지만 실제 작업에서는 필요한 150억 개만 활성화하는 전문가 혼합 구조를 택함
  • 양자화를 적용하면 엔비디아 H200 GPU 2장으로 구동돼 기업 부담이 적다고 주장함

• 모티프테크놀로지스는 ‘모티프 3’ 프리뷰 버전 중간 평가 결과를 공개함

  • 314B 파라미터 규모의 파운데이션 모델임
  • 전문가 혼합 구조를 써서 실제 추론 때는 약 4%인 13B만 선택적으로 활성화함
  • 초대형 모델을 전부 켜는 대신 필요한 일부만 쓰는 방식으로 연산 효율을 강조함

결국 돈과 GPU가 판을 가름

• 정부 지원 규모도 꽤 구체적으로 나옴

  • 배경훈 과기정통부 장관은 1차 통과 기업이 엔비디아 GPU 500장에서 735장 수준 지원을 받는다고 밝힘
  • 미토스급 모델 개발에는 베라 루빈 1만 장 정도가 필요하고, 현재 가격 기준 약 3조5000억 원에 달한다고 언급함
  • 다만 추가 지원은 확정된 건 아니고 재정 당국을 설득 중이라고 덧붙임

• 한국 AI 생태계에는 꽤 직접적인 뉴스임

  • 독자 모델이 실제로 산업 현장에 들어가면 제조, 국방, 공공, 금융 같은 영역에서 선택지가 생김
  • 반대로 GPU와 운영비를 감당하지 못하면 모델 공개 자체가 이벤트로 끝날 수 있음

---

기술 맥락

• 이번 프로젝트에서 중요한 선택은 한국어와 산업 현장에 맞는 독자 파운데이션 모델을 정부 주도로 키우겠다는 거예요. 해외 폐쇄형 모델을 그대로 쓰면 편하지만, 국방이나 공공처럼 데이터 주권이 중요한 영역에선 제약이 크거든요.

• 평가 기준이 에이전틱 AI로 이동하는 것도 자연스러워요. 기업은 챗봇이 멋진 답을 하는 것보다, 문서 찾고 도구 호출하고 여러 단계를 거쳐 업무를 끝내는 모델을 원하니까요.

• SKT와 LG는 큰 모델로 추론 능력과 다국어 지원을 밀고, 업스테이지와 모티프는 MoE로 실제 구동 비용을 낮추는 방향을 강조해요. 둘 다 전략이지만, 배포 환경이 제한된 기업에선 효율 쪽 가치가 크게 보일 수 있어요.

• 양자화가 계속 언급되는 이유도 여기에 있어요. 모델 크기를 줄이고 속도를 높여야 H200 몇 장 수준에서도 운영 가능성이 생기거든요. 좋은 모델을 만드는 것과 서비스로 굴리는 건 다른 문제예요.

• 정부 지원에서 GPU 500~735장, 베라 루빈 1만 장, 3조5000억 원 같은 숫자가 나오는 건 AI 경쟁이 연구비 싸움이 아니라 인프라 싸움이라는 뜻이에요. 모델 아키텍처 선택이 곧 비용 구조 선택이 되는 셈이에요.