Open Weights와 Open Source AI, 무엇이 다를까? AI 업계가 '오픈소스' 대신 '오픈 웨이트'를 말하는 이유

💡 팩트 브리핑

  • 오픈소스는 "어떻게 만들었는가"를 공개하는 것이고, 오픈 웨이트는 "이미 학습된 모델 자체"만 공개하는 것으로, 서로 다른 개념입니다.
  • 진짜 오픈소스 AI로 인정받으려면 가중치뿐 아니라 학습 코드·추론 코드·(가능하면) 데이터까지 공개해 누구나 사용·연구·수정·공유할 수 있어야 합니다.
  • 실제로는 충분히 개방되지 않았는데 오픈소스인 것처럼 홍보하는 행위인 오픈워싱(Open-washing)

AI 모델을 다운로드해서 쓸 수 있으면 흔히 "오픈소스"라고 부르지만, 정확히는 그렇지 않은 경우가 많습니다. 어떤 회사는 모델 가중치만 공개해놓고 "오픈소스 AI 공개"라고 홍보하기도 합니다. 이번 글에서는 오픈소스와 오픈 웨이트의 차이, 그리고 이 둘을 혼동해서 벌어지는 오픈워싱 논란까지 명확하게 정리해 드립니다.

Open Weights와 Open Source AI


1. Open Weights와 Open Source AI, 무엇이 다른가

Open Weights (오픈 웨이트)

AI 모델이 학습을 통해 얻은 결과물인 가중치(Weights, 매개변수) 파일과 모델 구조를 공개한 형태입니다.

  • 다운로드해서 로컬 실행 및 파인튜닝(Fine-tuning)이 가능합니다.
  • 원본 학습 데이터셋, 데이터 구축 과정, 학습 코드 등 핵심 자산은 비공개인 경우가 많습니다. (기업의 지식재산권·영업비밀 보호가 목적입니다.)
  • 라이선스에 따라 상업적 이용이나 재배포에 제약이 있을 수 있습니다.

Open Source AI (오픈소스 AI)

다른 사람이 처음부터 같은 모델을 재현하거나 개선할 수 있는 수준으로 공개하는 것을 말합니다. 아래 요소가 공개되어야 합니다.

  • 모델 아키텍처(구조)
  • 학습 코드
  • 추론 코드
  • 모델 가중치
  • (가능하면) 학습 데이터 또는 데이터 생성 방법 — 저작권·개인정보 문제로 완전 공개는 드뭅니다.

핵심 조건은 누구나 제한 없이 사용(Use)·연구(Study)·수정(Modify)·공유(Share)할 수 있는 '4대 자유’가 보장되어야 한다는 점입니다.

최근에는 "Open Source AI"보다 “Open Weights” 표현이 더 많이 쓰입니다. 대부분의 모델이 가중치는 공개하지만, 학습 데이터나 전체 학습 과정까지는 공개하지 않기 때문입니다.

2. Open-washing 논란: 왜 시끄러운가

오픈워싱(Open-washing)은 실제로는 충분히 개방되지 않았는데 마치 오픈소스인 것처럼 홍보하는 행위입니다. 전형적인 패턴은 이렇습니다.

항목 공개 여부
모델 가중치 ✅ 공개
학습 데이터 ❌ 비공개
학습 코드 ❌ 비공개
재학습 방법 ❌ 비공개
상업적 사용 ❌ 제한 있음

가중치만 공개해놓고 "Open Source AI를 공개합니다"라고 발표하는 회사들이 있다 보니, 커뮤니티에서는 "이건 Open Source가 아니라 Open Weights 아닌가?"라는 지적이 꾸준히 나옵니다.

논란이 생긴 이유는 기존 소프트웨어 세계에서 "오픈소스"의 의미가 이미 명확했기 때문입니다. 소스 공개·수정 가능·재배포 가능·라이선스 조건 충족이라는 기준이 있었는데, AI는 가중치만 공개해도 누구나 사용할 수 있다는 특성 때문에 많은 기업이 이를 "Open Source AI"로 홍보해왔습니다. 이에 Open Source Initiative(OSI)는 오픈 웨이트와 오픈소스 AI가 다르다는 입장을 밝히며 AI 전용 오픈소스 기준을 마련하는 중입니다.

대표 사례: Meta의 Llama

  • ✅ 가중치는 공개
  • ❌ 라이선스 제한 존재
  • ❌ 학습 데이터 비공개
  • ❌ 완전한 재현 불가

이런 이유로 "Llama는 오픈 웨이트 모델이지, 진정한 오픈소스 AI는 아니다"라는 의견이 꾸준히 제기되고 있습니다.

3. 라이선스, 왜 확인해야 하나

한 줄로 정리하면, 라이선스는 “이 AI 모델을 어디까지, 어떤 방식으로 사용할 수 있는지 정하는 법적 계약”입니다. AI를 공부하는 단계에서는 크게 신경 쓰지 않아도 되지만, 서비스를 만들거나 회사·프리랜서 프로젝트에 모델을 적용할 때는 반드시 확인해야 하는 요소입니다.

4. 공개 범위별 한눈에 비교

구분 Open Source AI Open Weights Closed Weights
핵심 정의 가중치뿐 아니라 학습 코드·데이터 정보까지 OSI 기준을 충족하며 공개 가중치 파일과 실행 코드를 공개, 다운로드·수정 가능 내부 구조·가중치 완전 비공개, API·웹서비스로만 제한 제공
데이터 투명성 높음 (재현 가능한 정보 폭넓게 공개) 비공개 또는 일부만 공개 전면 비공개
사용자 통제력 최상 (재학습·수정·재배포·상업적 활용 가능) 높음 (로컬 실행·파인튜닝 가능, 라이선스 제약 존재) 낮음 (제공자 정책·API 환경에 종속)
라이선스 OSI 승인 오픈소스 라이선스 (Apache 2.0, MIT, BSD 등) 기업·프로젝트별 자체 라이선스 또는 일부 오픈소스 라이선스 독점(Proprietary) 라이선스, API 약관에 따름
상업적 이용 대체로 자유 (라이선스 조건 준수 시) 가능한 경우가 많으나 모델별 확인 필수 API 약관 범위 내에서만 가능
재배포 가능 (라이선스 조건 준수 시) 모델별로 허용 범위가 다름 불가
대표 모델 AI2 OLMo, EleutherAI Pythia, LLM360 (Amber 등) Meta Llama, Alibaba Qwen, DeepSeek, Mistral AI OpenAI GPT, Anthropic Claude, Google Gemini

자주 헷갈리는 개념 정리

흔한 오해 정확한 설명
오픈소스 AI = 오픈 웨이트 오픈소스 AI는 학습 코드·데이터까지 공개해야 하지만, 오픈 웨이트는 가중치만 공개해도 성립합니다
가중치만 공개하면 오픈소스다 가중치 공개만으로는 오픈소스로 인정되지 않으며, OSI 기준(4대 자유) 충족 여부가 핵심입니다
Llama는 오픈소스 모델이다 Llama는 가중치는 공개했지만 라이선스 제한과 데이터 비공개로 오픈 웨이트 모델로 분류됩니다
"Open Source"라고 홍보하면 다 진짜다 실제로는 충분히 개방되지 않고 오픈소스처럼 홍보하는 것을 오픈워싱이라 부릅니다

모델을 고를 때는 "오픈소스인가?"보다 “어디까지 공개되어 있는가?”와 “라이선스가 무엇인가?”를 확인하는 것이 실질적으로 더 중요합니다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

주가 향방 가르는 '실적 발표', 한국과 미국 차이점 총정리

이미지
💡 팩트 브리핑 3줄 요약 실적 발표는 단순한 성적표 확인을 넘어, 기업의 미래 방향성을 검증하는 종합 평가회입니다.  한국은 '당장의 영업이익' 결과 숫자에 집중하는 반면, 미국은 '미래 전망(가이드런스)'과 치열한 질의응답에 더 크게 반응합니다.  주가 움직임은 숫자 자체보다 시장 예상치(컨센서스)와 얼마나 달랐는지에 따라 좌우됩니다. 실적 발표에서 숫자는 좋았는데도 왜 주가는 떨어질까요? 반대로 실적이 기대에 못 미쳤는데도 주가가 오르는 경우는 왜 생길까요? 실적 발표는 숫자보다 '시장 기대'와 '미래 전망'이 더 중요한 이벤트입니다. 이번 글에서는 실적 발표의 진행 과정과 한국·미국 시장의 차이, 투자자가 꼭 확인해야 할 핵심 포인트를 정리했습니다. 1. 실적 발표는 언제 이루어질까? 상장 기업은 대개 분기마다 실적을 발표하며, 주식 시장에서 가장 바쁜 실적 시즌은 주로  1월 중순~2월, 4월, 7월, 10월 입니다. 이 시기가 되면 시장은 기업들이 내놓는 성적표에 집중하게 됩니다. 실적 발표 진행 순서 4단계 핵심 재무제표 공시: 매출, 영업이익, 순이익 등 손익계산서 수치 우선 공개 부문별 성과 세분화: 사업부 및 주요 제품 라인별 세부 실적 발표 미래 전망 제시: 기업의 향후 투자 계획 및 가이던스(Guidance) 안내 경영진 컨퍼런스 콜: 경영진과 애널리스트 간의 실시간 Q&A 세션 진행 투자자가 체크해야 할 핵심 지표 5가지 매출액 및 영업이익 : 기업의 외형적 성장성과 실질적인 수익성 확인 시장 컨센서스 달성 여부 : 증권가 예상치 대비 어닝 서프라이즈/쇼크 판가름 기업 가이던스 : 경영진이 공식 발표하는 다음 분기/연간 실적 목표치 재무 건전성 및 잉여현금흐름 : 기업의 자금 유동성과 안정성 지표 전방 산업 업황 및 성장 가능성 : 기업이 속한 섹터의 향후 시장 전망 실적 발표 때 주가의 움직임은 단순한 숫자 자체보다 '시장 예상치와 얼마나 달랐는지'...
자세한 내용 보기

AI 용어 총정리 - LLM, Ollama, MCP, Agent 핵심 개념 완벽 이해

이미지
💡 팩트 브리핑 AI 입문에서는 대부분의 용어를 모델(Model), 서비스(Service), 런타임(Runtime), 에이전트(Agent)라는 네 가지 역할로 이해하면 구조를 파악하기 쉽습니다. Ollama는 AI 모델 자체가 아니라 내 컴퓨터에서 모델을 실행해 주는 로컬 런타임(Runtime) 프로그램입니다. MCP는 LLM이 외부 도구 및 데이터베이스와 통신하기 위해 사용하는 표준 프로토콜입니다. AI 관련 뉴스나 기술 아티클을 읽다 보면 ChatGPT, GPT-5.5, Ollama, MCP, Agent 등 수많은 용어가 쏟아져 나와 헷갈린 적이 많으셨을 겁니다. “ChatGPT가 모델 아닌가?”, "Ollama는 AI 이름인가?"처럼 개념이 모호하게 얽히면 AI 기술을 제대로 활용하기 어렵습니다. 이번 글에서는 복잡한 AI 용어를 생태계 구조부터 핵심 개념까지 한눈에 이해할 수 있도록 명확하게 정리해 드립니다. 1. AI 생태계의 4대 핵심 축: Model, Service, Runtime, Agent AI 생태계를 이해하는 가장 쉬운 방법은 각 기술의 역할 을 구분하는 것입니다. 대부분의 AI 용어는 아래 4가지 범주 중 하나에 속합니다. Model (모델 / LLM): 언어를 이해하고 답변을 생성하는 AI의 두뇌 자체입니다. (예: GPT-5.5, Gemini 3.1 Pro, Qwen3, Gemma4, Kimi K3) Cloud Service (서비스): 일반 사용자가 웹이나 앱으로 AI를 사용할 수 있도록 제공하는 인터페이스 입니다. (예: ChatGPT, Gemini, Claude) Runtime (런타임): AI 모델을 실제로 실행(Inference)하고 관리하는 소프트웨어 입니다. (예: Ollama, LM Studio, vLLM) Agent (에이전트): 단순 답변을 넘어 파일 수정, 터미널 명령, Git 작업 등을 스스로 수행하는 자율형 시스템 입니다. (예: Claude Code, Clin...
자세한 내용 보기

AI 기업 투자 전 필수 체크! CAPEX 뜻과 OPEX 차이 총정리

이미지
💡 팩트 브리핑 3줄 요약 CAPEX는 미래 성장을 위해 설비나 인프라 등 장기 자산에 투자하는 자본적 지출입니다. 일상 운영비인 OPEX와 달리 CAPEX는 자산으로 계상된 후 감가상각을 통해 비용 처리됩니다. 빅테크의 AI 과잉 투자 우려가 커진 만큼 CAPEX 대비 수익성(ROIC) 확증이 중요해졌습니다. AI 관련주나 빅테크 기업에 투자할 때 실적 발표에서 가장 자주 등장하는 단어 중 하나가 바로 'CAPEX'입니다. 막대한 투자 금액이 발표될 때마다 주가가 상반된 반응을 보여 초보 투자자들을 혼란스럽게 만들곤 합니다. 이번 글에서는 CAPEX의 정확한 개념과 OPEX와의 차이점, 그리고 AI 시대에 CAPEX 분석이 왜 중요한지 핵심 포인트를 알아봅니다. CAPEX란 무엇인가? OPEX와의 핵심 차이점 CAPEX(Capital Expenditures, 자본적 지출)는 기업이 장기간 사용할 자산을 취득하거나 기존 자산의 가치를 높이기 위해 지출하는 비용을 의미합니다. 쉽게 말해 단기 소모성 경비가 아닌 미래의 성장을 위한 장기 투자금 입니다. 회계 처리 방식에서도 일반 운영비와 명확한 차이를 보입니다. CAPEX는 지출한 해에 전액 비용으로 처리하지 않고 일단 자산 으로 기록한 뒤, 사용 기간에 걸쳐 감가상각(Depreciation) 을 통해 나누어 비용으로 인식합니다. 반면, 기업의 일상적인 활동에 들어가는 비용은 OPEX(Operating Expenditures, 운영비)로 분류되어 당기 비용으로 바로 처리됩니다. 📊 CAPEX vs OPEX 핵심 비교 정리 1. CAPEX (자본적 지출) 목적: 장기 성장 및 경쟁력 확보 (미래를 위한 투자) 회계 처리: 자산으로 계상한 뒤, 사용 기간에 걸쳐 감가상각을 통해 비용 처리 대표 예시: 공장 건설, 데이터센터 구축, 서버 직접 구매 2. OPEX (운영비) 목적: 일상적인 기업 운영 및 유지 회계 처리: 지출 ...
자세한 내용 보기