원문은 The AI Prism에 게시되었습니다.

오픈 웨이트 (Open-weight) 경쟁은 더 이상 부차적인 사건이 아닙니다.

지난 10년의 대부분 동안, 첨단 AI의 이야기는 누가 단 하나의 최고의 폐쇄형 모델 (Closed model)을 훈련할 수 있는가에 대한 이야기였습니다. 이러한 프레임은 이제 더 중요한 경쟁, 즉 전 세계가 실제로 실행하는 가중치 (Weights)를 누가 공급하느냐라는 문제를 가리고 있습니다. 당신은 오늘 밤 중국의 프런티어급 (Frontier-grade) 모델을 다운로드하여 자신의 하드웨어에서 미세 조정 (Fine-tune)할 수 있으며, 이는 미국의 어떤 프런티어 연구소 (Frontier lab)도 대등하게 제공하지 못하는 옵션입니다.

이러한 변화는 각주 수준의 일이 아닙니다. 이것은 왜 Qwen이나 DeepSeek가 공공 리더보드 (Leaderboard)에 절대 등장하지 않을 기업들이 구축한 제품의 기반에 자리 잡고 있는지를 설명하는 구조적 변화입니다. AI의 무게 중심은 가장 높은 점수를 받는 모델에서, 대규모로 배포하기에 가장 저렴한 모델로 이동하고 있습니다.

해자 (Moat)는 모델 그 자체에 있었던 적이 없습니다. 한 관찰자가 언급했듯이, 지속 가능한 우위는 가중치 (Weights)가 아니라 모델을 둘러싼 기업 서비스 — 계약, 통합, 삶의 질을 높여주는 기능들 — 에 존재합니다 (werd.io, 2025). 오픈 릴리스 (Open release)는 미국의 컴퓨팅 (Compute) 열세를 배포 (Distribution) 우위로 전환시키며, 미국 클라우드 벤더들이 마진을 남기는 바로 그 계층을 범용화 (Commoditize)합니다.

도입 (Adoption)을 측정하는 것은 본질적으로 어렵고, 다운로드 횟수는 실제 배포 (Deployment)를 나타내는 불완전한 대리 지표입니다. 하지만 곡선의 방향은 명확합니다. 오픈 계층 (Open layer)은 워싱턴이 통제하지 않는 연구소들로부터 대규모로 공급되고 있으며, 그 사실이 이제 정책을 따르는 것이 아니라 정책을 형성하고 있습니다.

"오픈 웨이트 (Open weights)"가 실제로 제공하는 것

오픈 웨이트 (Open-weight) 모델은 파라미터 (parameters)를 공개하므로, 사용자가 자신의 서버에서 모델을 실행하고, 수정하며, 데이터를 자신의 신뢰 경계 (trust boundary) 내에 유지할 수 있습니다. 이러한 자율성은 민감한 워크로드 (workloads)를 외국 API를 통해 전달할 수 없거나 전달하지 않으려는 팀들에게 핵심적인 요소입니다. 폐쇄형 제공업체 (Closed providers)는 접근 권한을 판매하지만, 오픈 제공업체 (open providers)는 모델 자체를 건네줍니다.

실질적인 차이는 비용, 통제권, 그리고 벤더 (vendor)의 허가 없이 지속적으로 반복 (iterating)할 수 있는 자유에서 나타납니다. 가중치 (weights)를 직접 소유하고 있다면, 연구소 (lab)의 가격 인상이나 정책 변경이 사용자의 제품을 중단시킬 수 없습니다. 이러한 회복 탄력성 (resilience) 덕분에 도입은 정체되지 않고 복리로 증가해 왔으며, 의료 및 금융과 같은 규제 산업이 자체 호스팅 (self-hosted) 오픈 모델을 선호하는 이유이기도 합니다.

오픈이라고 해서 위험이 없는 것은 아닙니다. 모델을 로컬 (locally), 신뢰할 수 있는 클라우드 (cloud), 또는 Hugging Face와 같은 중립적인 추론 제공업체 (inference provider)를 통해 실행하면 대부분의 데이터 주권 (data-sovereignty) 우려를 제거할 수 있지만, 많은 도입자가 여전히 연구소 자체의 앱이나 API를 기본값으로 사용합니다 (Stanford HAI, 2025). 의존성 문제는 실재하지만, 이는 폐쇄형 API가 결코 허용할 수 없는 방식으로 구매자가 통제할 수 있는 선택 사항입니다. "소버린 AI (sovereign AI)"를 추구하는 정부들에게 있어, 국내 하드웨어에서 실행되는 오픈 모델은 자율성을 확보하는 가장 깨끗한 경로입니다.

다운로드 기록: Qwen이 Llama를 추월하다

2025년 9월, Alibaba의 Qwen 제품군은 Meta의 Llama를 제치고 Hugging Face에서 가장 많이 다운로드된 LLM 제품군이 되었으며, 이는 Stanford의 DigiChina 보고서에 기록된 이정표입니다 (Stanford HAI, 2025). 2026년 초까지 Qwen은 누적 다운로드 수 10억 회를 돌파하며, 서구권의 어떤 오픈 제품군보다도 훨씬 앞서 나갔습니다 (index.dev, 2026).

지리적 분할 또한 시사하는 바가 큽니다. 2024년 8월부터 2025년 8월 사이, Hugging Face의 전체 다운로드 중 중국 개발자의 비중은 **17.1%**였던 반면, 미국 개발자는 **15.8%**였습니다 (Stanford HAI, 2025). 2025년 9월에는 해당 플랫폼에서 출시된 모든 새로운 미세 조정 (Fine-tuned) 모델 중 중국 기반 파생 모델이 **63%**를 차지했습니다.

이러한 수치 이면에 있는 폭넓은 범위는 놀랍습니다. 보고서에 따르면 상위 10개 오픈 소스 거대 모델 중 8개가 현재 중국 모델이며, Qwen 하나만으로도 2026년 2월에 1억 5,360만 건의 다운로드를 기록했습니다. 이는 그다음 순위인 8개 주요 플레이어의 합계보다 두 배 이상 많은 수치입니다 (index.dev, 2026). 또한 Qwen은 200,000개 이상의 파생 모델을 탄생시켰는데, 이는 오픈 파운데이션 모델 (Open foundation model)로서 해당 규모에 도달한 최초의 사례이며, Google의 약 72,000개, Meta의 46,000개와 비교됩니다.

비용은 조용한 도입 엔진입니다

벤치마크가 최고라고 말하기 때문에 모델을 채택하는 것이 아닙니다. 제품을 출시하기에 충분히 저렴하기 때문에 채택하는 것입니다. 중국 연구소들은 추론 (Inference) 비용을 미국 프런티어 (Frontier) 모델 요금의 극히 일부 수준으로 책정하고 있으며, 이는 토큰 소모가 빠른 코딩 및 대량 워크로드에서 가장 중요하게 작용합니다. 결정의 근거는 충성도가 아닌 산술입니다.

종합 보고서에 따르면, 현재 미국 AI 스타트업의 약 **80%**가 중국 오픈 모델을 기반으로 구축하고 있으며, 중국 오픈 모델의 글로벌 AI 사용 점유율은 단 1년 만에 **1.2%**에서 거의 **30%**까지 상승했습니다 (index.dev, 2026). 자금이 부족한 스타트업에게 Gemini급 모델보다 약 3배, 미국의 최상위 플래그십 모델보다 무려 12배나 낮은 가격 차이는 단순한 세부 사항이 아닙니다. 그것은 생존 가능한 제품과 폐쇄형 베타 (Closed beta) 사이의 차이입니다 (index.dev, 2026).

비용 또한 워크로드(workload)의 구성을 설명해 줍니다. 코딩(coding) 작업이 2025년 초 라우팅된 LLM 사용량의 약 **11%**에서 2026년 중반 50% 이상으로 급증함에 따라, 코딩 분야에서 강력하고 저렴한 성능을 보이는 중국 모델들이 이 급증세를 장악했습니다 (index.dev, 2026). 도입은 '저렴하고 충분히 괜찮은(cheap, good-enough)' 계층을 따라 이루어지며, 이 계층은 압도적으로 중국 모델들이 차지하고 있습니다. 프리미엄 추론(reasoning) 분야는 여전히 미국 연구소들이 수익과 기업의 신뢰를 장악하고 있는 작은 틈새 시장으로 남아 있습니다.

단일 챔피언이 아닌, 연구소들의 포트폴리오

'중국 AI'를 하나의 행위자로 취급한다면 그 구조를 놓치게 됩니다. 이 분야는 하나의 포트폴리오입니다. 생태계의 폭을 넓히는 Alibaba의 Qwen, 가격 대비 성능(price-performance)을 앞세운 DeepSeek, 기업 및 정부를 겨냥한 Zhipu의 GLM, 그리고 코딩 및 도구 사용(tool use)에 특화된 Moonshot의 Kimi가 그것입니다. 각 연구소는 단일한 국가적 챔피언을 추구하기보다 서로 다른 통제 지점(control point)을 추구합니다.

아키텍처(architecture) 선택 또한 이러한 전략을 강화합니다. 많은 중국 연구소들은 미국의 첨단 칩 수출 통제(Stanford HAI, 2025)에 대한 직접적인 대응으로, 제한된 컴퓨팅 자원에서 더 높은 성능을 짜낼 수 있는 전문가 혼합(Mixture-of-Experts, MoE) 설계를 채택하고 있습니다. 제약 조건 하에서의 효율성은 타협이 아니라, 그 자체로 제품의 핵심 논제(product thesis)입니다. 오랫동안 독점 모델(proprietary models)을 옹호해 온 Baidu조차 2025년 6월에 방향을 선회하여 Ernie 4.5의 가중치(weights)를 공개적으로 출시했습니다.

이 생태계는 좁지 않고 깊습니다. 대학 연구소부터 Tencent 및 ByteDance와 같은 클라우드 거물에 이르기까지, 현재 10개 이상의 중국 기관들이 강력한 모델을 공개적으로 출시하고 있습니다 (Stanford HAI, 2025). Zhipu의 GLM-4.5는 균형 잡힌 범용 능력 (generalist capability)을 위해 다중 전문가 학습 (multi-expert training)을 사용하며, 2025년 말 Zhipu는 해외 사용자 수가 10배 급증하여 약 100,000명의 API 사용자에 도달했다고 보고했습니다. Alibaba는 Qwen을 HP 및 AstraZeneca와 같은 고객을 보유한 “AI 운영 체제 (AI operating system)”로 마케팅합니다. 상업적 논리는 무료 가중치 (free weights)를 통해 도입을 씨앗처럼 뿌리고, 클라우드 및 미세 조정 (fine-tuning)을 통해 수익화 가능한 후속 수요를 포착하는 것입니다.

시장을 움직인 충격

DeepSeek의 2025년 1월 출시는 연구자들에게 인상을 남기는 것 이상으로 시장을 움직였습니다. Nvidia는 주가가 17% 하락하면서 (CNBC, 2025) 단일 세션 동안 시가총액 약 6,000억 달러를 잃었으며, 이는 당시 미국 역사상 최대 규모의 일일 손실이었습니다. 이러한 매도세는 미국 기술 섹터 전반에 타격을 주었으며 Dell, Oracle, Super Micro를 함께 끌어내렸습니다.

이러한 공포는 단순한 두려움을 반영했습니다: 만약 한 연구소가 수출 규정을 준수하는 H800 칩을 사용하여 600만 달러 미만으로 경쟁력 있는 모델을 학습시킬 수 있다면, 컴퓨팅 해자 (compute moat)는 예상보다 훨씬 좁아 보인다는 것입니다 (CNBC, 2025). Broadcom 역시 같은 날 17% 하락하며 2,000억 달러를 잃었는데, 이는 투자자들이 지출 논리 (spending thesis) 전체에 의문을 제기하고 있다는 신호였습니다. 이 사건은 몇 달 만에 미국의 정책 사고를 재편하고 오픈 웨이트 (open weights)를 워싱턴의 의제로 밀어 올린 “경종 (wake-up call)”이 되었습니다.

미국 프런티어 연구소들이 폐쇄적(proprietary)인 상태를 유지한 이유

대부분의 미국 프런티어 연구소들은 성능의 우위와 기업의 신뢰가 개방성을 통한 배포의 이점보다 더 클 것이라고 판단하며, 자사의 핵심 모델 가중치(weights)를 폐쇄적으로 유지해 왔습니다. 하지만 오픈 소스 경쟁자들이 가장 어려운 에이전트적(agentic) 과업들을 제외한 모든 분야에서 품질 격차를 좁혀옴에 따라, 그 베팅은 현재 압박을 받고 있습니다. 독점적(Proprietary) 공개는 기술적 필연성이 아닌 전략적 선택으로 남아 있습니다.

이러한 패턴은 선도적인 미국 연구소들 사이에서 나타나는 광범위한 오픈 연구(open research)로부터의 후퇴 양상과 일치하며, 이는 가장 뜨거운 AI 스타트업들이 연구 발표를 중단한 이유에서 살펴본 트렌드이기도 합니다. 최고의 연구 성과가 API 뒤로 숨겨질 때, 오픈 생태계는 인재의 가시성과 차세대 개발자들을 위한 학습 신호(training signal)를 모두 잃게 됩니다. 미국의 대응은 늦었지만 실질적이었습니다. OpenAI는 2025년 8월 Apache 2.0 라이선스 하에 오픈 웨이트(open-weight) gpt-oss 모델들을 공개했으며, 백악관의 2025년 7월 AI 행동 계획(AI Action Plan)은 오픈 웨이트를 혁신과 보안을 위한 전략적 자산으로 격상시켰습니다.

그럼에도 불구하고 미국은 여전히 자사의 가장 강력한 모델들을 기본적으로 폐쇄형으로 취급하는 반면, 중국은 가장 강력한 공개 모델들에 대해 개방성을 기본값으로 취급합니다. 이러한 공개 전략의 비대칭성은 단일 벤치마크보다 더 강력하게 '누가 누구를 기반으로 구축하는가'를 재편하고 있습니다. 또한, 일부 미국 기업들이 품질과 관계없이 컴플라이언스(compliance, 규제 준수) 문제로 인해 중국의 가중치를 사용할 수 없게 됨에 따라, 그 자체로 하나의 브랜딩 장벽을 형성하고 있습니다.

워싱턴의 정책적 갈림길

트럼프 행정부의 AI 행동 계획은 외국 적대국에 대한 수출 통제를 강화하는 동시에 오픈 웨이트 모델을 전략적 자산으로 명시했습니다. 더 어려운 문제는 이러한 통제를 외국 오픈 모델 자체로까지 확장하여, 다운로드 가능한 파일을 통제된 수출품처럼 취급할 것인지 여부입니다. 만약 그러한 조치가 취해진다면, 이는 미국이 수십 년 동안 오픈 소프트웨어를 다뤄온 방식으로부터 급격한 단절을 의미하게 될 것입니다.

2025년 1월의 AI 확산 프레임워크 (Framework for AI Diffusion)는 가장 진보된 폐쇄형 (closed) 모델의 가중치 (weights)를 통제하기 위해 ECCN 4E091을 생성했으나, 오픈 웨이트 (open-weight) 출시물은 의도적으로 제외했습니다. 조시 홀리 (Josh Hawley) 상원의원이 제안한 “미국의 AI 역량과 중국의 분리법 (Decoupling America’s AI Capabilities from China Act)”은 오픈 소스 (open-source) 모델을 포함한 모든 중국 모델의 수입을 금지할 것입니다. 수출 통제 학자들은 이러한 포괄적인 제한이 허점이 많을 것이며, 확산을 막지 못한 채 주로 국내 혁신만을 처벌하게 될 것이라고 주장합니다 (Just Security, 2025). 그들이 제안하는 보다 완화된 방식은 정체성 기반의 금지 대신, 독립적인 감독과 결합된 모델별 위험 평가 (model-by-model risk assessment)입니다.

스타트업 창업자들의 반발

2026년 7월, 새로운 리틀 테크 협회 (Little Tech Association)를 통해 조직된 Proton과 Y Combinator 네트워크를 포함한 실리콘밸리의 약 200개 기업이 정부에 중국의 오픈 웨이트 (open-weight) 모델에 대한 접근을 차단하지 말 것을 촉구했습니다 (Politico, 2026). 이들의 서한은 미국의 리더십을 유지하기 위해서는 세계를 선도하는 미국의 오픈 모델 (open models)뿐만 아니라, 이미 전 세계적으로 사용 가능한 오픈 모델에 대한 지속적인 접근권도 필요하다고 주장합니다.