네이버·SKT 특급 AI 데이터 무상으로 푼다… 1.56조 어치 토큰 공개

국내 최고 수준의 인공지능(AI) 기술력을 보유한 네이버클라우드, SK텔레콤 등 5개 기업의 개발 노하우가 담긴 1.56조 토큰 규모의 고품질 AI 학습용 데이터가 무상으로 풀린다.

과학기술정보통신부와 한국지능정보사회진흥원(NIA)은 '독자 AI 파운데이션 모델' 프로젝트에 참여 중인 5개 정예팀이 1차 단계평가 과정에서 확보한 총 29종, 약 3,544만 건의 데이터를 AI 허브를 통해 본격 개방한다고 밝혔다.

대형 AI 모델 학습 위한 핵심 자산

이번에 개방되는 데이터는 네이버클라우드, 업스테이지, SK텔레콤, NC AI, LG AI연구원 등 국내를 대표하는 AI 기업들이 각자의 개발 전략에 맞춰 2025년 기준 150억 원의 예산을 투입해 확보한 핵심 자산이다.

해당 데이터셋은 사전학습용 대규모 텍스트부터 영상과 음성을 아우르는 멀티모달 데이터, AI 안전성 확보를 위한 레드티밍 데이터까지 다양하게 구성되어 있다. 과기정통부에 따르면 이는 이론적으로 약 70~80B(700억~800억 파라미터) 수준의 대형 AI 모델 학습에 바로 활용될 수 있는 방대한 규모다.

네이버부터 LG까지… 5개 정예팀 데이터 구축 현황

각 기업은 자사의 특화된 기술 영역에 맞춘 고품질 데이터를 대거 공개했다.

네이버클라우드는 영상 이해 및 이미지 생성 학습을 지원하기 위해 공개 영상 234만 건 및 방송 영상 52만 건 클립을 기반으로 한 텍스트 캡션 1,550만 건과 음성 질의응답 1,200만 건을 구축했다.

업스테이지는 AI 에이전트 개발과 추론 및 판단 능력 고도화를 돕는 1조 토큰 규모의 대규모 사전학습 데이터와 50만 건의 사후학습 데이터를 마련했다.

SK텔레콤은 신뢰성과 안전성 향상에 집중했다. 수학, 과학, 법률 등 고난도 다단계 추론 데이터를 비롯해 음성·이미지 사후학습용 데이터와 약 1만 건의 한국형 레드티밍 데이터를 구축했다.

NC AI는 제조 분야 기술문서와 민원 상담 음성 등 산업 현장 데이터를 바탕으로 거대언어모델(LLM) 핵심 역량 데이터 7종을 구축하여 멀티모달 통합학습을 지원한다.

LG AI연구원은 국내 50개 실제 가정환경에서 가사 활동을 촬영한 17만 개 이상의 영상 클립 등 피지컬 AI 멀티모달 데이터셋을 구축해 비전언어모델(VLM) 및 로보틱스 연구의 기반을 다졌다.

엄격한 검증 마친 고품질 데이터, 누구나 무료 활용

개방되는 데이터의 신뢰성과 안전성을 보장하기 위해 NIA와 한국정보통신기술협회(TTA)는 데이터 품질검증, 개인정보 및 유해성 검증, 라이선스 제약 데이터 제외 등 엄격한 정화 작업을 수행했다. 네이버클라우드, 업스테이지, SK텔레콤, NC AI는 검증된 데이터 전량을 개방하며, LG AI연구원은 의무 개방량인 50% 이상 기준에 맞춰 통계적으로 선별하여 개방한다.

이번에 공개된 29종의 데이터는 기업, 연구자, 학생 등 대한민국 국민이라면 누구나 AI 허브의 '독자AI모델 데이터' 메뉴를 통해 무료로 내려받아 활용할 수 있다. 민감할 수 있는 일부 데이터는 보안이 보장된 온라인 환경인 안심존을 통해 제공된다.

"AI 생태계 질적 성장 이끌 밑거름 될 것"

정부는 이번 데이터 개방이 국내 AI 산업의 글로벌 경쟁력을 한 단계 끌어올리는 계기가 될 것으로 전망하고 있다.

김경만 과기정통부 인공지능정책실장은 "독자 AI 파운데이션 모델 프로젝트는 단순한 모델 개발을 넘어, 개발 과정에서 축적된 노하우를 통해 AI 생태계 전반의 질적 성장을 이끄는 데 큰 의미가 있다"며 "오늘 개방된 데이터가 대한민국 AI 생태계의 자생력과 경쟁력을 높이는 든든한 밑거름이 되기를 기대한다"고 강조했다.