2026년 6월, GeekNews를 통해 소개된 Apertus는 단순한 공개 모델을 넘어 주권 AI라는 새로운 정체성을 내건 파운데이션 모델이다. 스위스 3개 기관의 합작이라는 점에서 학술적 신뢰성을 확보했고, 가중치뿐 아니라 학습 데이터와 정렬 원칙까지 전면 공개했다는 점에서 기존 오픈소스 LLM과 명확히 구분된다. 본문에서는 Apertus의 기술적 공개 범위와 글로벌 오픈소스 거대 모델 경쟁에서의 위치를 함께 살펴본다.
- Apertus는 EPFL, ETH Zurich, CSCS 세 기관의 협력으로 공개된 주권 AI 지향 오픈 파운데이션 모델이다.
- 가중치, 학습 데이터, 학습 코드, 방법론, 정렬 원칙이 모두 문서화되어 외부 재현이 가능한 수준의 투명성을 제공한다.
- 특정 국가나 기업에 종속되지 않는 독립적 AI 스택 확보를 목표로, 오픈소스 LLM 경쟁에 새로운 축을 제시한다는 평가를 받는다.
Apertus는 오픈의 범위를 가중치에서 데이터와 거버넌스까지 확장함으로써, 주권 AI 운동의 상징적 오픈 파운데이션 모델로 자리매김할 것으로 전망된다.
Apertus란 무엇인가
Apertus는 2026년 6월 22일 GeekNews를 통해 소개된 파운데이션 모델로, 스위스 EPFL, ETH Zurich, CSCS 세 기관이 공동으로 개발했다. 모델명 Apertus는 라틴어로 열려 있다는 의미를 지니고 있으며, 이름 그대로 오픈을 핵심 가치로 내세운 프로젝트다. 발표 직후부터 오픈소스 AI 커뮤니티와 주권 AI 담론 양쪽에서 동시에 관심을 모은 사례로 평가된다.
스위스 3기관 합작 프로젝트의 탄생 배경
Apertus는 단일 대학 혹은 단일 기업의 결과물이 아니다. 공학 분야 주요 연구기관인 EPFL과 ETH Zurich, 그리고 스위스 국가 슈퍼컴퓨팅 센터인 CSCS가 힘을 합쳐 만든 협력 프로젝트다. CSCS가 보유한 대규모 컴퓨팅 인프라 위에서 EPFL과 ETH Zurich의 연구 역량이 결합된 형태로, 학술 기관 중심의 대형 모델 개발이라는 점에서 실리콘밸리 중심의 기존 LLM 개발 구조와 차이를 보인다는 평가를 받는다. 이러한 다기관 협력 구조 자체가 Apertus의 신뢰성과 재현 가능성을 뒷받침하는 기반으로 작용한다.
주권 AI 콘셉트와 핵심 차별점
주권 AI란 특정 국가나 특정 민간 기업에 종속되지 않고, 독자적으로 AI 핵심 스택을 확보하려는 개념을 말한다. Apertus는 이 콘셉트를 내세우며, 학습 데이터의 출처와 처리 과정, 모델 가중치, 학습 절차, 정렬 원칙을 모두 외부에서 감사하고 재현할 수 있도록 공개했다. 이는 상용 API 중심의 폐쇄형 모델이나 가중치만 공개한 기존 오픈소스 모델과 명확히 구분되는 핵심 차별점으로 분석된다.
오픈의 범위: 가중치를 넘어 데이터와 방법론까지
Apertus의 가장 두드러진 특징은 오픈의 범위 자체다. 기존 오픈소스 LLM은 가중치 공개 여부에 초점이 맞춰져 있었지만, Apertus는 데이터와 방법론까지 공개 범위를 확장했다. 이는 모델의 행동을 결정짓는 학습 데이터와 정렬 절차가 블랙박스로 남는 문제를 해소하려는 의지로 해석된다.
학습 데이터 공개와 재현 가능성
Apertus는 학습에 사용된 데이터셋의 구성과 처리 파이프라인 관련 정보를 함께 공개한다. 데이터의 출처, 필터링 기준, 라벨링 절차, 중복 제거 방식 등이 문서화되어 있어, 제3자 연구팀이 유사한 데이터 혼합을 재구성하고 학습을 재현할 수 있는 환경을 마련했다. 이러한 수준의 데이터 투명성은 오픈소스 LLM 중에서도 드문 사례로 평가받으며, 감사 가능성과 신뢰성 측면에서 강점을 제공한다.
코드, 가중치, 정렬 원칙의 전 과정 문서화
Apertus는 학습과 추론에 사용된 코드, 최종 모델 가중치, 그리고 정렬 단계에서 적용된 원칙까지 문서화해 공개했다. 정렬 원칙 공개는 단순한 성능 공개를 넘어 모델의 가치관과 안전 정책을 외부에서도 검토할 수 있게 만든다는 점에서 의의가 크다. 결과적으로 Apertus는 모델 개발의 전 과정을 외부에서 추적 가능한 형태로 제공하는, 이른바 오픈 사이언스 수준의 공개성을 갖춘 모델로 평가된다.
| 공개 항목 | 공개 범위 | 의미 |
|---|---|---|
| 학습 데이터 | 데이터셋 구성, 처리 파이프라인, 필터링 기준 | 학습 결과 재현 및 감사 가능 |
| 학습 코드 | 전체 학습 및 추론 코드 | 제3자 재현 실험 지원 |
| 모델 가중치 | 최종 가중치 공개 | 다운스트림 활용 및 파인튜닝 가능 |
| 방법론 문서 | 학습 절차 및 평가 방식 | 기술적 의사결정 추적 가능 |
| 정렬 원칙 | 안전 정책 및 가치 정렬 절차 | 모델 행동의 투명한 검토 가능 |
글로벌 오픈소스 LLM 경쟁에서의 포지셔닝
Apertus의 등장은 기존 오픈소스 LLM 경쟁 구도에 새로운 축을 추가했다. 그동안 오픈소스 진영은 성능 경쟁과 가중치 공개 여부에 집중해 왔지만, Apertus는 주권 AI라는 거버넌스 콘셉트와 데이터 투명성을 결합함으로써 차별화된 포지셔닝을 시도하고 있다. 그 결과 성능뿐 아니라 신뢰성과 독립성 차원에서 새로운 기준으로 재평가될 필요가 있다는 평가가 나온다.
주요 오픈 파운데이션 모델과의 비교
기존 오픈 파운데이션 모델들은 대체로 가중치 공개에 초점을 맞추고, 학습 데이터는 부분적으로만 공개하거나 공개하지 않는 경우가 많았다. Apertus는 여기에 더해 학습 데이터와 정렬 원칙까지 전면 공개함으로써 오픈의 범위를 확장했다. 또한 단일 기업의 이해관계가 아닌 다기관 학술 협력이라는 점에서도 기존 모델들과 차별화된다. 이러한 특성은 Apertus를 주권 AI 운동의 상징적 모델로 부각시키는 핵심 요인으로 작용한다.
국가·기업 종속 탈피라는 전략적 메시지
Apertus의 공개 시점은 글로벌 AI 패권 경쟁이 심화되는 시점과 맞물린다. 특정 국가의 규제가 강해지거나 특정 기업의 서비스가 변경될 경우, 이에 종속된 AI 스택은 즉각적인 리스크에 노출된다. Apertus는 학술 기관 주도의 다국가 협력 모델을 통해 이러한 종속을 줄이고, 유럽 지역 주도의 독립적 AI 역량 확보를 상징한다는 메시지를 전달한 것으로 분석된다. 다만 이러한 상징성이 실제 거버넌스 효과로 이어지기 위해서는 지속 가능한 운영 체계가 뒷받침되어야 할 것으로 보인다.
전략적 의의와 향후 과제
Apertus는 주권 AI라는 콘셉트를 오픈소스 방식으로 구현한 상징적 모델로 평가받는다. 다만 공개의 범위를 확대했다는 점 자체가 곧바로 글로벌 AI 패러다임의 변화를 의미하지는 않는다. 향후 Apertus가 상징성을 넘어 실질적 대안으로 자리매김하기 위해서는 커뮤니티 기여와 거버넌스 측면의 과제를 함께 해결해 나가야 한다.
커뮤니티 기여와 지속 가능성
오픈 파운데이션 모델이 장기적으로 가치를 유지하려면 외부 개발자와 연구 커뮤니티의 지속적 기여가 필수적이다. Apertus는 데이터와 정렬 원칙까지 공개함으로써 커뮤니티가 모델의 한계를 진단하고 개선안을 제안할 수 있는 기반을 마련했다. 다만 학술 기관 중심 프로젝트의 특성상 상용 제품 수준의 업데이트 속도와 유지보수 자원을 확보하는 것이 도전 과제로 남아 있다. 커뮤니티 기반의 기여 생태계가 얼마나 활성화되느냐가 모델 지속 가능성을 가를 것으로 보인다.
거버넌스와 신뢰성을 둘러싼 남은 과제
Apertus는 학습 데이터와 정렬 원칙을 공개함으로써 거버넌스 투명성 측면에서 높은 기준을 제시했다. 그러나 공개된 정보가 실제 모델의 행동을 충분히 설명하는지에 대한 검증은 여전히 외부 연구진의 몫으로 남아 있다. 또한 다기관 협력 구조에서 의사결정 권한과 책임 소재를 명확히 정의하는 거버넌스 프레임이 지속될 경우, Apertus는 주권 AI 운동의 신뢰할 수 있는 참조 모델로 기능할 수 있을 것으로 분석된다. 반대로 이러한 거버넌스가 약화될 경우, 오픈의 상징성만 남고 실질적 영향력은 제한될 가능성이 있다.
정리하면, Apertus는 가중치와 데이터를 모두 공개한 주권 AI용 오픈 파운데이션 모델로, 학술 기관 중심의 협력 구조와 전 과정 문서화를 통해 기존 오픈소스 LLM과 명확히 구분되는 새로운 기준을 제시했다. 그러나 그 상징성이 실질적 대안으로 이어지기 위해서는 커뮤니티 기여 활성화와 거버넌스 지속성이 동시에 뒷받침되어야 할 것으로 판단된다.
참고 출처: