科学技術情報通信部と韓国知能情報社会振興院（NIA）は「独自AIファウンデーションモデル」プロジェクトに参加した5つの精鋭チームが構築した人工知能（AI）学習用データ29種をAI Hubを通じて公開すると27日に明らかにした。
公開データは約3544万件、1兆5600億トークン規模である。2025年に投入されたデータ構築・加工予算150億ウォンで用意し、700億〜800億個のパラメーターを備えた大型AIモデルの学習にも活用できる分量である。事前学習用の大規模データだけでなく、映像・音声などのマルチモーダル資料やモデル安全性を点検するレッドチーミングデータも含めた。
チーム別に見ると、NAVERクラウドは公開・放送映像286万件と、これを基に作成したテキスト1550万件、音声Q&A1200万件を構築した。映像理解と画像生成モデルの開発に活用できる。アップステージは1兆トークン規模の事前学習資料と、推論・判断・実行能力を高めるための事後学習データ50万件を公開した。
SKテレコムは数学・科学・法律分野の高難度推論資料と音声・画像データ、国内法令と社会的価値観を反映した韓国型レッドチーミングデータ約1万件を公開した。NC AIは製造技術文書と民願相談の音声などを基に、長文脈理解、多段階推論、マルチターン対話など産業現場型データ7種を構築した。
LG AI研究院は国内50世帯で50種を超える家事活動を撮影したフィジカルAI資料を披露した。17万個以上の映像クリップに物体・姿勢・文脈情報などを多層で付与し、ロボットとビジョン言語モデル（VLM）研究に活用できるようにした。
NIAと韓国情報通信技術協会（TTA）は個人情報と有害性、品質および利用権の問題を検証した後に公開範囲を定めた。NAVERクラウド・アップステージ・SKテレコム・NC AIは検証を通過した資料の全てを、LG AI研究院は義務公開比率である50％以上を統計的に選別して開放する。
国内企業と研究者、学生などはAI Hubの「独自AIモデルデータ」メニューで無料でダウンロードできる。感度が高い一部資料はセキュア環境である安心ゾーンで別途申請を経て利用しなければならない。科学技術情報通信部は2次段階評価の過程で追加確保するデータも検証が終わり次第公開する計画である。