Open Weights란 용어를 들어보신 적 있으신가요? AI 기술이 빠르게 발전하면서, 이제는 많은 사람이 인공지능과 관련된 다양한 용어들을 접하게 되었습니다. 특히 최근 들어 GPT OSS, QWEN Image, WAN 등 여러 기업이 경쟁적으로 새로운 모델을 발표하고 공개하면서 관련 뉴스들도 끊임없이 쏟아지고 있죠.
예를 들어, Open AI가 ChatGPT의 로컬 실행 버전인 GPT OSS를 준비하던 시기, 공식 발표 이전에 Open Weights가 유출되었다는 소식이 먼저 들려 화제가 되었습니다. 그리고 며칠 뒤 실제로 해당 모델의 Open Weights가 모두 공개되면서 더 큰 주목을 받았는데요.
하지만 AI 분야가 낯선 사람들에게는 “Open Weights가 대체 무엇을 의미하는 걸까?”라는 의문이 들 수 있습니다. 오늘은 이 개념을 조금 더 쉽게 풀어보겠습니다.
Open Weights(가중치)란?
우선 Weight(가중치)라는 개념부터 살펴봐야 합니다. AI 모델은 수많은 수학적 계산 식(뉴런, 파라미터)으로 이루어져 있는데, 이 계산 식에서 가장 중요한 값이 바로 가중치(weight)입니다. 가중치는 모델이 학습을 통해 얻은 ‘지식’이라고 할 수 있습니다.
- 사람이 경험을 통해 지식을 쌓듯,
- AI 모델은 데이터를 학습하면서 가중치를 업데이트하고,
- 결국 이 가중치들이 모여 모델의 성능을 결정짓습니다.
즉, Open Weights란 이 학습된 가중치 값들을 공개해 누구나 내려받아 활용할 수 있도록 제공하는 것을 의미합니다.
Open Weights 예시
| 구분 | 동물 | 귀여움 | 속도 | 승차인원 | 식비 | 주유비 |
| 강아지 | 1 | 1 | 0.5 | 0 | 0.2 | 0 |
| 말 | 1 | 0.5 | 0.8 | 0.2 | 0.8 | 0 |
| 자동차 | 0 | 0.1 | 1 | 1 | 0 | 1 |
가중치라는 개념을 조금 더 직관적으로 이해하기 위해, 강아지, 말, 자동차를 예로 들어보겠습니다. 위 표에서는 강아지, 말, 자동차를 표현하는 항목(파라미터)을 총 6개로 나누고, 항목별 강아지, 말, 자동차에 관련 정도(가중치)를 0~1의 범위 내 점수로 나타낸 결과입니다. 예를 들어, 강아지와 말은 ‘동물’이라는 항목에 대해서는 둘 다 1점으로 기록하지만, 자동차는 동물과 관련이 없으므로 0점이 됩니다. 마찬가지로 귀여움, 속도, 승차인원, 식비, 주유비 등에서 강아지, 말, 자동차가 가지는 관련 정도가 다르므로 그 점수가 각각 다르게 산정될 수밖에 없습니다.
| 구분 | 동물 | 귀여움 | 속도 | 승차인원 | 식비 | 주유비 |
| 강아지 | 1 | 1 | 0.5 | 0 | 0.2 | 0 |
| 고양이 | 1 | 0.8 | 0.4 | 0 | 0.2 | 0 |
| 말 | 1 | 0.5 | 0.8 | 0.2 | 0.8 | 0 |
| 자동차 | 0 | 0.1 | 1 | 1 | 0 | 1 |
만약 여기에 고양이를 추가로 학습하게 되면 어떻게 될까요? 아마도 강아지와 매우 비슷한 점수(가중치)를 가지면서도 상대적으로 조금 조정된 값이 채워질 수밖에 없을 것입니다. 이 같은 방식으로, 오리, 너구리, 표범, 곰 등 다양한 동물들을 테이블에 추가할 수 있습니다. 하지만 새로운 동물이나 사물이 추가될수록, 그에 따른 항목별 상대적인 점수가 변경될 수 있습니다. 예를 들어, 현재 상태에서 자동차의 속도가 1점으로 가장 높지만, 기차나 비행기가 새로 학습된다면, 이때 비행기의 속도가 1점으로 가장 높아야 하니, 자동차의 속도는 상대적으로 낮은 값으로 조정되어야 할 것입니다. 즉 학습이 지속할수록, 그에 따라 가중치도 계속해서 업데이트 될 수 있습니다.
학습이 완료된 상태, 즉, 가중치가 모두 산정된 표(가중치 값 = 모델)가 있다면, 우리는 어떤 사물이 강아지에 가까운지, 말에 가까운지, 또는 자동차에 가까운지 판단할 수 있습니다. 만약 항목의 수가 6개 이상, 수억, 수십억 개로 더욱 늘어난다면 강아지나 고양이를 더욱 정교하게 특정할 수 있을 것입니다.
AI 모델도 위와 마찬가지입니다. 그 점수(가중치)를 학습하는 방식은 모델의 구조(architecture)에 따라 다를 수 있지만, 최종적으로 학습이 완료된 가중치(Weights)를 공개(Open)한다는 의미는, 해당 모델이 가진 정보를 일반인들이 활용할 수 있다는 의미가 됩니다.
Open Weights vs Open Source
많은 분들이 “Open Weights = Open Source”라고 생각하지만, 두 개념은 조금 다릅니다.
- Open Source
- 모델의 코드, 학습 데이터, 훈련 과정, 그리고 가중치까지 전부 공개
- 누구나 모델 구조와 학습 방법을 수정하거나 재현 가능
- 예: 초기 Stable Diffusion 공개 모델
- Open Weights
- 훈련이 끝난 모델의 가중치만 공개
- 모델을 그대로 실행하거나 파인튜닝해 활용 가능
- 하지만 학습 데이터나 학습 코드 전체가 공개되지 않을 수 있음
따라서 Open Weights는 완전한 오픈 소스보다는 한 단계 좁은 개념이지만, 그 자체로도 엄청난 가치가 있습니다. 왜냐하면, 연구자나 개발자는 “학습 과정” 없이도 이미 강력한 성능을 가진 모델을 바로 사용할 수 있기 때문이죠.
왜 중요한가?
결국 Open Weights를 공개한다는 것은 AI 기술을 일반 대중 모두가 공유할 수 있도록 제공한다는 의미입니다. 따라서 Open Weights 공개는 AI 생태계에서 혁신을 가속화합니다.
- 기업은 새로운 서비스를 빠르게 구축할 수 있고,
- 연구자는 모델을 검증하거나 새로운 실험을 시도할 수 있으며,
- 개인 개발자도 거대한 인프라 없이 최신 모델을 체험할 수 있습니다.
뿐만 아니라 Open Weights 공개는, 특정 기업이나 단체의 기술 독점을 견제할 수도 있기 때문에, 인공지능을 더 많은 사람에게 개방하고 기회를 창출할 수 있는 중요한 역할을 하고 있습니다. 앞으로 여러분께서도 AI 뉴스를 접할 때 “Open Weights 공개”라는 표현이 나오면, 이제는 “아, 이건 모델의 학습된 지식을 모두 내려받을 수 있게 되었다는 뜻이구나” 라고 이해하신 뒤, 어떻게 하면 이 기술을 잘 활용할 수 있을지 더욱 주의 깊게 살펴보시기 바랍니다.