과학기술정보통신부와 한국지능정보사회진흥원(NIA)은 '독자 AI 파운데이션 모델' 프로젝트에 참여한 5개 정예팀이 구축한 인공지능(AI) 학습용 데이터 29종을 AI허브를 통해 공개한다고 27일 밝혔다.
공개 데이터는 약 3544만건, 1조5600억 토큰 규모다. 2025년 투입된 데이터 구축·가공 예산 150억원으로 마련됐으며, 700억~800억개 매개변수를 갖춘 대형 AI 모델의 학습에도 활용할 수 있는 분량이다. 사전학습용 대규모 데이터뿐 아니라 영상·음성 등 멀티모달 자료와 모델 안전성을 점검하는 레드티밍 데이터도 포함됐다.
팀별로 보면 네이버클라우드는 공개·방송 영상 286만건과 이를 토대로 만든 텍스트 1550만건, 음성 질의응답 1200만건을 구축했다. 영상 이해와 이미지 생성 모델 개발에 활용할 수 있다. 업스테이지는 1조 토큰 규모의 사전학습 자료와 추론·판단·실행 능력을 높이기 위한 사후학습 데이터 50만건을 내놨다.
SK텔레콤은 수학·과학·법률 분야의 고난도 추론 자료와 음성·이미지 데이터, 국내 법령과 사회적 가치관을 반영한 한국형 레드티밍 데이터 약 1만건을 공개했다. 엔씨에이아이는 제조 기술문서와 민원 상담 음성 등을 기반으로 긴 문맥 이해, 다단계 추론, 멀티턴 대화 등 산업 현장형 데이터 7종을 구축했다.
LG AI연구원은 국내 50개 가정에서 50종이 넘는 가사 활동을 촬영한 피지컬 AI 자료를 선보였다. 17만개 이상의 영상 클립에 객체·자세·맥락 정보 등을 다층으로 표시해 로봇과 비전언어모델(VLM) 연구에 활용할 수 있도록 했다.
NIA와 한국정보통신기술협회(TTA)는 개인정보와 유해성, 품질 및 이용권 문제를 검증한 뒤 공개 범위를 정했다. 네이버클라우드·업스테이지·SK텔레콤·엔씨에이아이는 검증을 통과한 자료 전부를, LG AI연구원은 의무 공개 비율인 50% 이상을 통계적으로 선별해 개방한다.
국내 기업과 연구자, 학생 등은 AI허브의 '독자AI모델 데이터' 메뉴에서 무료로 내려받을 수 있다. 민감도가 높은 일부 자료는 보안 환경인 안심존에서 별도 신청을 거쳐 이용해야 한다. 과기정통부는 2차 단계평가 과정에서 추가로 확보하는 데이터도 검증을 마치는 대로 공개할 계획이다.