2026년 8월 27일, 과학기술정보통신부가 ‘독자 AI 파운데이션 모델’ 프로젝트에서 만든 학습 데이터 29종을 AI 허브에 공개했습니다. 규모는 약 3,544만 건, 토큰으로 약 1조 5,600억 개입니다. 네이버클라우드·업스테이지·SK텔레콤·NC AI·LG AI연구원 다섯 팀이 각자 모델을 만들려고 기획하고 구축한 데이터를 그대로 풀어 놓은 것입니다. 질문은 자연스럽게 따라옵니다. 대기업이 아니라 개인도 받아서 쓸 수 있는지, 상업적으로 써도 되는지, 그리고 1조 5,600억 토큰이면 도대체 얼마나 큰 것인지입니다.
이 글은 그 세 질문에 답합니다. 독자 파운데이션 모델 프로젝트가 무엇인지는 독파모 글에서 다뤘으니, 여기서는 데이터 자체에 집중합니다.
목차
무엇이 공개됐나
| 항목 | 내용 |
|---|---|
| 공개일 | 2026년 8월 27일 |
| 규모 | 29종, 약 3,544만 건, 약 1조 5,600억 토큰 |
| 구축 주체 | 네이버클라우드·업스테이지·SK텔레콤·NC AI·LG AI연구원 |
| 종류 | 대규모 사전학습 데이터, 영상·음성 등 멀티모달 데이터, 안전성 검증용 레드티밍 데이터 |
| 배포처 | AI 허브(aihub.or.kr) |
| 이용 대상 | 국내 기업·연구자·학생 등 누구나 |
| 비용 | 무료 |
눈에 띄는 것은 ‘레드티밍 데이터’입니다. 모델이 위험한 요청에 어떻게 반응하는지 시험하기 위해 만든 공격 질문 모음으로, 보통 회사 밖으로 잘 나오지 않는 자료입니다. 한국어 환경의 안전성 평가 자료가 공개된 셈이라, 모델을 만드는 쪽뿐 아니라 평가하는 쪽에도 쓸모가 있습니다.
개인도 받을 수 있나 — 됩니다, 절차가 있습니다
AI 허브는 원래 개인 회원가입이 가능한 사이트이고, 이번 데이터도 같은 방식입니다.
- AI 허브에 회원가입합니다. 개인 계정으로 됩니다.
- 데이터를 검색해 상세 페이지에서 이용 신청을 합니다. 이용 목적과 약관 동의가 들어갑니다.
- 승인 후 다운로드합니다. 대용량이라 파일이 여러 조각으로 나뉘어 있고, 전용 다운로드 도구를 쓰게 하는 경우가 있습니다.
- 일부 민감한 데이터는 다운로드 대신 ‘안심존’이라는 보안 개발 환경 안에서만 쓸 수 있습니다. 별도 신청이 필요합니다.
즉 “누구나”는 맞지만 “클릭 한 번”은 아닙니다. 그리고 1조 토큰대의 사전학습 데이터는 개인 컴퓨터 저장 공간으로 감당하기 어려운 크기이므로, 개인이 실제로 다룰 수 있는 건 29종 가운데 특정 용도의 작은 세트일 가능성이 큽니다.
상업적으로 써도 되나 — 학습 목적이면 됩니다, 재판매는 안 됩니다
프로젝트의 공동활용 데이터 지원사업 공고에 따르면 AI 학습 목적의 상업적·비상업적 이용이 모두 가능합니다. 다만 조건이 둘 붙습니다.
| 가능 | 불가 |
|---|---|
| 학습에 써서 만든 모델을 상업 서비스에 사용 | 학습용 데이터 자체를 재판매 |
| 연구·교육·개인 실험 | 공공저작물과 실질적으로 같은 산출물을 만드는 것(기술적 조치 필요) |
두 번째 조건은 풀어 쓰면 “데이터 안의 문서를 그대로 뱉어 내는 모델을 만들지 말라”는 뜻입니다. 데이터 세트마다 이용 조건이 조금씩 다를 수 있으므로, 실제로 쓰기 전에 각 세트의 상세 페이지에 적힌 라이선스를 확인하는 게 안전합니다.
1조 5,600억 토큰은 얼마나 큰가
토큰은 모델이 글을 잘게 나눈 단위로, 한국어는 대략 글자 하나에서 두 글자 정도가 토큰 하나입니다. 감을 잡기 위한 비교를 표로 옮기면 이렇습니다.
| 비교 대상 | 대략의 토큰 수 |
|---|---|
| 장편소설 한 권 | 10만~20만 |
| 한국어 위키백과 전체 | 수십억 |
| 이번 공개 데이터 | 1조 5,600억 |
| 주요 상용 모델의 사전학습 데이터(공개 추정치) | 수조~수십조 |
다시 말해 위키백과 수백 배 규모이고, 상용 초거대 모델의 학습량과 비교하면 한 자릿수 아래입니다. 한국어 모델을 처음부터 만들기엔 부족하지만, 기존 오픈 모델을 한국어와 특정 분야에 맞게 추가 학습시키기에는 충분히 큰 양입니다. 모델 이름에 붙는 Instruct·Distill 같은 말이 무엇인지는 모델 이름 용어 글에서, 로컬에서 모델을 돌리는 파일 형식은 GGUF·MLX 글에서 이어집니다.
왜 푸나 — 다섯 팀 밖으로 확장하려는 것
독자 파운데이션 모델 프로젝트는 정부가 정예팀을 골라 국산 모델을 만드는 사업입니다. 정예팀만 좋은 데이터를 갖고 있으면 생태계가 다섯 곳으로 좁아집니다. 데이터를 풀면 대학·스타트업·개인 개발자가 같은 재료로 파생 모델과 응용 서비스를 만들 수 있고, 그게 프로젝트가 말하는 ‘AI 생태계 활성화’의 실제 내용입니다. 8월 20일 개인정보 보호법 개정안 통과와 같은 달에 나온 것도 우연은 아닙니다. 한쪽은 데이터를 쓸 수 있는 법적 길을, 다른 쪽은 쓸 수 있는 데이터 자체를 마련한 것입니다(개인정보 보호법 개정 글).
정리 — 받아서 무엇을 해 볼 수 있나
- 학생·연구자 — 한국어 말뭉치와 레드티밍 데이터로 모델 평가·안전성 연구. 안심존이 필요한 세트는 신청 절차를 미리 확인.
- 스타트업 — 오픈 모델에 한국어·도메인 추가 학습. 상업 이용 가능하되 재판매 금지와 산출물 조건 준수.
- 개인 개발자 — 29종 중 작은 세트를 골라 파인튜닝 실험. 전체를 받겠다는 계획은 저장 공간부터 계산.