[AI MEMO] 국가가 직접 만든 AI, 교육 기준을 다시 세우는 순간

공공 인프라로 확장되는 주권 AI 체계
지역성·데이터 통제로 재편되는 교육 모델 구조
전력·칩·조달을 포함한 운영비용 중심의 정책 설계

본 기사는 스위스 인공지능연구소(SIAI)의 SIAI Research Memo 시리즈 기고문을 한국 시장 상황에 맞춰 재구성한 글입니다. 본 시리즈는 최신 기술·경제·정책 이슈에 대해 연구자의 시각을 담아, 일반 독자들에게도 이해하기 쉽게 전달하는 것을 목표로 합니다. 기사에 담긴 견해는 집필자의 개인적 의견이며, SIAI 또는 그 소속 기관의 공식 입장과 일치하지 않을 수 있습니다.

세계 주요국이 주권적 AI를 교육 기반 인프라로 편입하기 시작했다. 한국은 엔비디아(NVIDIA)와 손잡고 26만 개 GPU를 공공·민간 ‘AI 팩토리’에 배치하는 구상을 제시했고, 유럽도 유럽고성능컴퓨팅공동체(EuroHPC)를 축으로 공공 AI 팩토리망을 넓혀가고 있다. 라틴아메리카는 지역 언어와 법령을 반영한 Latam-GPT를 직접 개발하며 실리콘밸리 중심 모델 의존을 벗어나는 흐름을 강화하고 있다. 교육·사법·행정이 외부 기업이 아닌 국가가 소유하고 검증 가능한 모델 위에서 작동해야 한다는 요구가 커지면서, 교육 신뢰를 확보하는 일이 국가 전략의 핵심 과제로 부상했다.

공공 인프라로 자리 잡는 주권적 AI

주권적 AI가 핵심 인프라로 떠오르는 배경에는 교육·행정 서비스가 외부 플랫폼에 전적으로 기대기 어렵다는 현실이 있다. 플랫폼 기준이 바뀌는 순간 교과 과정과 행정 절차가 동시에 흔들릴 수 있어, 국가가 직접 통제권을 확보해야 한다는 요구가 빠르게 커지고 있다. 이런 문제의식은 스위스에서 가장 먼저 구체적 정책으로 구현됐다.

스위스는 ETH 취리히, EPFL, 스위스 국가슈퍼컴퓨팅센터(CSCS)를 중심으로 개방형 다국어 모델 ‘Apertus’를 개발하며 공공 인프라 기반 모델의 가능성을 보여줬다. Apertus는 공공 인프라에서 훈련돼 데이터 출처·훈련 과정·안전 조치를 모두 검증할 수 있도록 설계됐고, 정부와 연구기관은 모델의 품질과 적용 기준을 직접 확인할 수 있게 됐다. 국가가 원하는 내용을 모델에 반영할 수 있다는 점에서 이 투명성의 의미는 크다.

유럽과 한국도 같은 방향으로 움직이고 있다. 두 지역 모두 공공 컴퓨팅 자원을 확충하고 평가 절차를 제도화해 국가 기준을 충족하는 모델을 직접 구축하는 전략을 택하고 있다. 이러한 움직임이 누적되면서 주권적 AI는 정책 담론을 넘어 실제 공공 인프라의 중심 축으로 들어오기 시작했다.

결국 개방성과 통제권이 교육 시스템을 판단하는 새로운 기준으로 자리 잡고 있다. 이는 주권적 AI가 단순한 기술 선택을 넘어, 향후 공공 체계 전체의 설계 원리를 규정하는 요소로 떠오르고 있음을 보여준다.

지역 맥락을 반영한 모델 구축이 필수 조건으로 부상

글로벌 모델이 지역 특성을 반영하지 못하는 한계는 주권적 AI의 필요성을 더욱 분명하게 만든다. 언어·표현·법령을 제대로 이해하지 못하면 교실·행정 현장에서 오류가 누적되고, 이는 곧 공공 서비스의 신뢰도 하락으로 이어지기 때문이다. 이 문제가 실제로 드러난 사례가 라틴아메리카다.

칠레 국가 인공지능 센터(CENIA)가 추진하는 Latam-GPT 프로젝트는 이러한 문제를 해결하기 위한 시도다. 프로젝트는 스페인어·포르투갈어뿐 아니라 원주민 언어까지 포함해 지역 데이터를 폭넓게 수집하고, 이를 토대로 정교한 모델을 훈련하고 있다. 이렇게 확보된 언어 기반은 코드스위칭이나 지역 표현으로 인한 오차를 줄여 교실에서의 사용성을 높인다.

나아가 국가별 교육 자료·시험지·행정 문서까지 학습에 포함하는 방식은 모델이 실제 교실에서 사용하는 언어·맥락을 충실히 반영하도록 한다. 이 점은 교육 공정성을 높이고 지역 간 학습 격차를 줄이는 데 중요한 역할을 한다.

지역성을 반영한 모델 구축은 선택이 아니라 필수적인 공공 인프라 구축 과정이다. 국가가 직접 데이터를 만들고 품질을 관리해야만 교육 현장이 신뢰할 수 있는 AI 시스템이 마련되기 때문이다.

구축·차용·혼합으로 나뉘는 국가별 전략

주권적 AI를 마련하는 방식은 크게 구축(Build)·차용(Borrow)·혼합(Blend) 세 유형으로 정리된다. 국가마다 기술력·예산·컴퓨팅 자원이 다르기 때문에 전략 선택도 자연스럽게 달라진다.

스위스는 처음부터 자체 모델 개발을 목표로 한 구축 전략을 택했다. ‘Apertus’ 사례처럼 데이터 관리와 훈련 전 과정을 국가가 직접 통제할 수 있다는 점에서 강점이 크다. 다만 상당한 예산·전문 인력·장기적 컴퓨팅 자원이 필요해 부담이 적지 않다. 그럼에도 스위스는 고소득 민주 국가에서도 개방형 모델 구축이 가능하다는 기준점을 제시했다.

라틴아메리카는 차용 전략을 따른다. 오픈웨이트 모델에 LoRA 등 경량화 기법을 적용해 교육·행정에 맞게 빠르게 조정하는 방식이다. 인프라가 충분하지 않은 국가에서도 단기간에 실행할 수 있어 현실성이 높다.

유럽연합은 두 방식을 결합한 혼합 전략을 선택했다. 유럽고성능컴퓨팅공동체(EuroHPC)의 공공 컴퓨팅 자원을 중심에 두고, 민간 모델과 생태계를 함께 활용하는 구조다. EU는 2024년 7개 AI 팩토리를 구축한 데 이어 2025년 6곳을 추가하며 접근성을 넓히고 있다. 민간 기업 미스트랄(Mistral)의 잇따른 공개 모델 출시도 이 구조를 더 견고하게 만든다. 세 전략의 목적은 동일하다. 외국 폐쇄형 모델 의존을 줄이고, 공공·교육기관이 스스로 접근 가능한 AI 기반을 확보하는 데 있다.

전력·칩·조달이 드러내는 교육 현장의 실질 비용

주권적 AI는 전력·칩·조달 부담을 동시에 드러내며 교육 현장의 운영 구조에 새로운 압력을 만든다. 이는 단순히 기술을 들여오는 문제가 아니라, 교육 인프라 전반을 다시 설계해야 하는 과제로 이어진다.

국제에너지기구(IEA)는 글로벌 데이터센터 전력 소비가 2030년 945TWh에 이를 것으로 전망한다. AI 특화 센터의 비중이 커질수록 국가 교육망이 감당해야 할 전력 비용도 함께 늘어난다. 특히 피크 시간과 수업 시간이 겹치면 AI 기반 수업 운영에 직접적인 제약이 발생할 수 있다.

칩 공급도 핵심 변수다. 엔비디아가 시장 점유율 80~90%를 차지하고 있어 공급 지연과 가격 변동 위험이 상존한다. 유럽이 네덜란드 액셀레라AI(AxeleraAI)에 6,160만 유로(약 900억원)를 투입해 자체 추론 칩 개발을 추진하는 이유도 여기에 있다. 공급망을 다변화하지 않으면 공공 AI 인프라 전체가 흔들릴 수 있기 때문이다.

한국도 대응 속도를 높이고 있다. 정부는 2027년까지 주권형 모델을 개발할 5개 팀을 선정하고, 1차로 GPU 1만3,000개를 확보해 기반 확장에 착수했다. 공공·민간 AI 팩토리를 합치면 최대 26만 개 GPU로 확대 가능한 구조가 된다. 이에 따라 전력 수급, 냉각 설비, 유지 비용까지 포함한 총비용(TCO) 분석이 필수 절차로 자리 잡고 있다.

결국 교육 현장이 취해야 할 조치는 분명하다. 수업 시간대에 맞춘 전력 계약, 연간 조달 예산의 통합 관리, 공익 목적 컴퓨팅 자원의 사전 확보가 필요하다. 주권적 AI를 안정적으로 운영하려면 기술보다 인프라·전력·조달 체계를 먼저 설계해야 한다는 결론에 다다른다.

본 연구 기사의 원문은 Sovereign AI Is Becoming Public Infrastructure을 참고해 주시기 바랍니다. 본 기사의 저작권은 스위스 인공지능연구소(SIAI)에 있습니다.