it-sue

2026년 6월, 엔비디아는 자사의 피지컬 AI 플랫폼 ‘코스모스 3’를 완전 개방형으로 공개했다. 로봇과 자율주행차를 학습시키는 이 모델의 핵심 기능은 카메라로 찍은 진짜 영상이 아니라, AI가 스스로 만들어낸 가상의 영상과 시뮬레이션 데이터였다. 로봇 팔이 실패해도, 자동차가 사고를 내도 괜찮다. 어차피 현실이 아니기 때문이다.

이 장면이 보여주는 건 단순한 신기술 하나가 아니다. AI 업계 전체가 데이터를 구하는 방식 자체를 바꾸고 있다는 신호다. 그 중심에 있는 개념이 바로 합성 데이터다. 지금 이 용어를 이해하지 못하면, 앞으로 AI 기업들의 경쟁 구도를 절반밖에 읽지 못한다는 게 필자의 생각이다.

합성 데이터란 무엇인가 — 정의와 등장 배경

합성 데이터는 실제 세계에서 수집한 데이터가 아니라, 알고리즘이나 AI 모델이 인공적으로 생성한 데이터를 말한다. 사람의 대화 기록이나 CCTV 영상 대신, AI가 그럴듯하게 만들어낸 텍스트·이미지·영상·시뮬레이션 궤적을 학습에 쓰는 방식이다.

이 개념이 갑자기 조명받는 이유는 크게 세 갈래다. 첫째는 흔히 ‘데이터 벽’이라 불리는 현상이다. 인터넷에 존재하는 양질의 텍스트 데이터가 점점 고갈되고 있다는 연구 결과가 꾸준히 나온다. 둘째는 저작권 문제다. AI 학습에 쓰인 데이터의 출처를 둘러싼 소송이 이어지면서, 기업들은 법적 리스크가 낮은 데이터원을 찾게 됐다. 셋째는 프라이버시 규제다. 의료·금융 데이터처럼 민감한 정보는 실제 데이터 대신 통계적 특성만 닮은 합성본으로 대체하려는 움직임이 커지고 있다.

필자가 보기엔 이 세 가지 압력이 동시에 작용했다는 점이 중요하다. 어느 하나만 있었다면 합성 데이터가 지금처럼 산업 표준으로 떠오르지 않았을 것이다.

실제 데이터와 합성 데이터, 무엇이 다른가

구분	실제 데이터	합성 데이터
수집 비용	높음 (크롤링·라벨링·구매)	상대적으로 낮음 (생성 인프라 비용)
저작권·법적 리스크	출처 불분명 시 분쟁 소지	생성 방식에 따라 리스크 완화 가능
프라이버시	개인정보 포함 위험	통계적 특성만 보존 가능
희귀 상황 재현	수집이 어려움 (사고 상황 등)	원하는 만큼 시뮬레이션 가능
신뢰성 리스크	낮음 (현실 반영)	편향·오류가 반복 증폭될 위험

표에서 보듯 합성 데이터가 만능은 아니다. 특히 마지막 줄의 신뢰성 문제는 뒤에서 다시 짚어볼 만큼 무겁다. 개인적으로는 이 표의 균형을 이해하지 못한 채 합성 데이터를 ‘공짜 데이터’처럼 취급하는 시선이 가장 위험하다고 본다.

기업들은 합성 데이터를 어떻게 실전에 쓰고 있나

엔비디아의 코스모스 플랫폼이 대표 사례다. 텍스트·이미지·영상·행동 궤적을 아우르는 대규모 멀티모달 데이터셋으로 학습됐다. 로봇이나 자율주행 개발사는 이 모델로 직접 합성 데이터를 만들어 자사 모델을 훈련시킨다. 일종의 ‘데이터 공장’ 역할인 셈이다. ZDNet 코리아 보도에 따르면 이 플랫폼은 오픈소스로 풀려 로봇·자율주행 학습 주기를 수개월에서 수일로 줄이는 것을 목표로 한다.

마이크로소프트의 소형언어모델 ‘파이(Phi)’ 시리즈도 비슷한 맥락이다. 대규모 원시 데이터 대신 정제된 합성 데이터를 집중적으로 학습에 활용한다. 그 결과 몸집은 작지만 특정 과제에서 큰 모델과 견줄 성능을 낸다는 평가를 받는다. 이런 접근은 이 블로그에서 다룬 바 있는 월드모델과도 맞닿아 있다. 월드모델 역시 현실을 그대로 담기보다, 시뮬레이션으로 만든 상황을 통해 세계의 규칙을 익히는 방식이기 때문이다.

가트너는 2022년 보고서에서 2021년 1% 수준이던 AI 학습 데이터 중 합성 데이터 비중이 빠르게 커질 것이라 전망한 바 있다. 그 예측이 정확히 실현됐는지를 단정하기는 어렵지만, 이후 빅테크들의 행보를 보면 그 방향성만큼은 현실이 됐다는 분석이 나온다.

그림자: 모델 붕괴라는 리스크

다만 합성 데이터에는 분명한 그늘도 있다. AI가 만든 데이터로 또 다른 AI를 반복해서 학습시키면, 원본 데이터에 있던 다양성이 조금씩 사라지는 현상이 관찰됐다. 학계에서는 이를 ‘모델 붕괴’라 부른다. 네이처지에 게재된 연구는 이런 재귀적 학습이 모델 품질을 점진적으로 떨어뜨릴 수 있다고 경고했다. 자세한 내용은 네이처 논문 원문에서 확인할 수 있다.

여기서 눈에 띄는 건, 그럼에도 기업들이 합성 데이터를 포기하지 않는다는 점이다. 대신 실제 데이터와 합성 데이터를 일정 비율로 섞고, 사람이 검수하는 단계를 추가하는 식으로 위험을 관리하는 쪽을 택하고 있다.

IT-SUE의 시각

필자는 합성 데이터를 단순한 ‘대체재’로 보지 않는다. 오히려 AI 산업의 무게중심이 ‘데이터를 모으는 능력’에서 ‘데이터를 설계하는 능력’으로 옮겨가고 있다는 신호로 읽는다. 크롤링으로 인터넷을 긁던 시대에서, 원하는 상황을 정교하게 시뮬레이션해 만들어내는 시대로 넘어가는 셈이다.

이 변화가 흥미로운 이유는 데이터의 ‘양’ 경쟁이 ‘설계 역량’ 경쟁으로 바뀌기 때문이다. 데이터를 많이 가진 기업보다, 원하는 데이터를 원하는 형태로 만들어낼 수 있는 인프라와 노하우를 가진 기업이 유리해진다는 뜻이다. 엔비디아가 GPU를 팔던 회사에서 시뮬레이션 플랫폼 회사로 스스로를 재정의하는 것도 이런 맥락에서 이해할 수 있다.

동시에 모델 붕괴 리스크는 이 흐름에 브레이크를 걸 변수다. 합성 데이터를 무분별하게 쌓기만 하는 기업이 있다. 반대로 실제 데이터와의 균형을 지키며 검증 체계를 갖춘 기업도 있다. 이 둘의 격차는 앞으로 더 벌어질 것이라는 게 필자의 전망이다. 결국 이 싸움의 승자는 데이터를 가장 많이 만든 곳이 아니라, 가장 믿을 만하게 만든 곳이 될 가능성이 크다.