AI 사후 학습 30만달러의 역전, 울트라마린 1 플래시(Ultramarine 1 Flash) 비용 혁신

초거대 인공지능 경쟁은 오랫동안 천문학적인 자본과 그래픽처리장치(GPU) 클러스터를 가진 빅테크의 전유물로 여겨졌습니다. 수천억 원이 들어가는 사전 학습(Pre-training) 단계에서 승부가 갈린다는 통념이 시장을 지배했기 때문입니다. 하지만 이제는 기초 모델 위에 정교한 AI 사후 학습(Post-training)을 덧입히는 방식이 그 공식을 빠르게 깨뜨리고 있습니다.

거대 모델을 처음부터 새로 짓지 않아도 실무 영역에서는 얼마든지 프런티어급 성능을 낼 수 있다는 증거가 등장했습니다. 불과 5명으로 꾸려진 소규모 연구팀이 오픈소스 모델을 조련해 거대 상용 모델의 아성을 넘어선 것입니다. 자본의 크기가 곧 지능의 한계를 결정하던 시대가 저물고, 데이터 정제와 학습 설계의 밀도가 승패를 가르는 국면으로 접어들었습니다.

5인의 연구팀이 증명한 오픈소스 기반의 도약

AI타임스 보도에 따르면 페이퍼 인스트루먼츠(Paper Instruments)는 현지시간 14일 전문 지식 업무에 초점을 맞춘 '울트라마린 1 플래시(Ultramarine 1 Flash)'를 선보였습니다. 이들은 단 5명의 인력으로 약 30만달러(약 4억원)의 비용만을 투입해 기존 오픈소스 모델을 추가 훈련했습니다. 그 결과 일부 지식 작업 벤치마크에서 앤트로픽(Anthropic)의 최신 모델인 '클로드 페이블 5(Claude Fable 5)'를 앞지르는 성과를 냈습니다.

이번 모델의 밑바탕이 된 것은 기존에 공개된 'GLM-5.3 플래시' 모델입니다. 연구팀은 백지상태에서 매개변수를 키우는 대신, 검증된 기반 모델을 가져와 특정 목적에 맞게 다듬는 전략을 택했습니다. 현재는 API 형태로 서비스를 먼저 열었으며, 향후 2주 뒤에 모델 가중치(Weights)까지 외부에 공개할 방침입니다.

이 사례가 업계에 던지는 메시지는 단순히 가성비 좋은 모델 하나가 추가됐다는 데 그치지 않습니다. 지식 증류와 모델 최적화 기술이 성숙하면서, 작은 조직도 명확한 타깃 영역만 잡으면 빅테크의 범용 모델과 대등하게 맞설 수 있음을 보여줍니다. 기초 체력은 오픈소스 생태계에서 빌리고, 실무 지능은 독자적인 후속 훈련으로 완성하는 분업 구조가 자리 잡고 있습니다.

AI 사후 학습이 바꾼 비용과 성능의 경제학

기존의 사전 학습이 방대한 텍스트를 읽히며 언어의 기초 규칙과 배경지식을 습득하게 하는 과정이라면, AI 사후 학습은 그 지식을 실제 업무 문제 해결에 맞게 정렬하고 고도화하는 단계입니다. 아무리 박학다식한 모델이라도 실무 현장의 복잡한 지시사항을 정확히 따르지 못하면 기업 입장에서는 도입 가치가 떨어집니다. 페이퍼 인스트루먼츠가 30만달러의 예산을 집중적으로 쏟아부은 곳도 바로 이 실무 정렬 과정입니다.

특히 기업들이 인공지능을 실제 업무에 붙일 때 가장 큰 장벽으로 꼽는 것은 다름 아닌 추론 및 운영 비용입니다. 최고 성능의 범용 모델은 복잡한 추론을 잘 해내지만, 매번 호출할 때마다 과도한 비용이 청구되어 대규모로 확장하기 어렵습니다. 울트라마린 1 플래시는 바로 이 지점의 비효율을 정면으로 파고들어 압도적인 격차를 만들어냈습니다.

위 표에서 드러나듯 가장 결정적인 지표는 자체 평가에서 나타난 작업당 약 63분의 1이라는 파격적인 비용 절감 폭입니다. 더 높은 벤치마크 점수를 기록하면서도 운영 단가를 수십 분의 일로 낮췄다는 것은 기업 고객의 손익계산서를 완전히 바꿀 수 있는 수치입니다. 앤트로픽의 클로드 고도화 전략이 거대한 지능의 상한선을 넓히는 데 주력한다면, 신생 연구팀들은 그 틈새에서 실무 단가를 파괴하는 방식으로 시장을 잠식하고 있습니다.

기업들이 범용 거대 모델 대신 특화 모델을 찾는 이유

현장의 기업들은 시를 쓰거나 모든 분야의 잡학을 꿰뚫고 있는 만능 인공지능을 원하지 않습니다. 재무 분석, 법률 문서 검토, 데이터 추출처럼 조직 내부의 전문 지식 작업을 흔들림 없이 저비용으로 처리해 줄 도구가 필요할 뿐입니다. 범용 모델의 거대한 크기는 이런 단일 목적 업무에서는 오히려 불필요한 연산 낭비로 이어지기 쉽습니다.

• 도메인 집중도를 통한 성능 역전: 모든 영역에 자원을 분산하는 대신 전문 지식 작업이라는 좁고 깊은 영역에 학습 자원을 몰아주어 거대 모델보다 높은 정밀도를 확보합니다.
• 반복 호출 환경에서의 비용 방어: 사내 업무 자동화 에이전트는 한 번의 요청에 수십 번의 추론을 반복하므로, 작업당 비용을 63분의 1로 줄이는 것이 곧 프로젝트의 생존을 결정합니다.
• 가중치 공개를 통한 통제권 확보: API 호출을 넘어 향후 가중치까지 공개되면, 보안에 민감한 기업들이 자체 인프라 내부에 모델을 직접 구축해 데이터를 지킬 수 있습니다.

결국 울트라마린 1 플래시가 택한 'API 선공개 후 가중치 개방'이라는 투트랙 행보는 이러한 기업의 갈증을 정확히 겨냥한 포석입니다. 초기에는 가벼운 API로 빠른 도입과 테스트를 유도해 성능과 비용 효율을 직접 체감하게 만듭니다. 그 뒤 가중치를 풀어 오픈소스 생태계의 표준 지식 작업 모델로 자리매김하려는 영리한 확산 전략으로 읽힙니다.

IT-SUE의 시각

울트라마린 1 플래시의 등장은 인공지능 산업의 부가가치가 어디서 창출되는지를 보여주는 명확한 이정표입니다. 그동안 시장의 시선이 모델의 크기를 키우는 '사전 학습의 자본 전쟁'에 쏠려 있었다면, 이제 진짜 승부처는 이미 세상에 나온 오픈소스 기반 모델을 얼마나 날카롭게 벼려내느냐는 'AI 사후 학습의 설계 전쟁'으로 이동하고 있습니다.

30만달러라는 비용은 빅테크 입장에서는 하루치 인프라 운영비에도 못 미치는 금액이지만, 5명의 정예 인력이 명확한 목적의식을 가지고 투입했을 때는 프런티어 모델을 위협하는 무기가 됩니다. 앞으로 기업용 AI 시장은 소수의 거대 모델이 독식하는 구조가 아니라, 탄탄한 오픈웨이트 모델 위에 각 산업의 전문성을 정교하게 입힌 특화 모델들이 주도권을 나눠 갖는 다극화 체제로 재편될 것입니다. 자본의 벽 뒤에 숨어 있던 빅테크의 해자가 생각보다 훨씬 얇아지고 있습니다.