5,190억 개의 파라미터. SK텔레콤 정예팀은 정부의 독자 AI 파운데이션 모델 프로젝트(이하 독파모)를 통해 초거대 모델 A.X K1을 개발했다. 지난 1월 SKT 정예팀은 프로젝트 1단계 평가를 통과했으며, 오는 8월 2단계 평가를 앞두고 A.X K1의 후속 모델 개발에 속도를 내고 있다.

이 가운데 SKT는 지난 2월 연구개발 인턴을 모집해 모델 학습과 최적화, 데이터 구축 등 다양한 연구를 수행하고 있다. Omnimodal Foundation Model팀에서 활동 중인 조성혜, 홍민기 인턴을 만나 독파모 개발 현장에서의 경험을 들어봤다.

국가 AI 경쟁력 확보를 향한 도전, 현장에서 체감한 의미와 책임

연구개발 인턴으로 합류한 홍민기(왼쪽) 님과 조성혜(오른쪽) 님.

Q. SKT 정예팀 프로젝트에 참여하게 된 계기와 맡은 역할을 소개 부탁드립니다.
조성혜 : 2026년 2월 석사 졸업 이후 분산학습 분야에서 경험을 쌓고 싶던 차에 링크드인에서 SKT 독파모 프로젝트 인턴 공고를 보고 지원하게 되었습니다. 현재는 VLM(vision language model)의 학습 속도를 개선하기 위해 병목 현상전체 처리 과정에서 특정 단계의 속도가 느려져 작업 효율이 제한되는 현상을 찾고 해결하는 업무를 하고 있습니다. 향후에는 학습 단계를 넘어서 실제 서비스 환경에서의 VLM 서빙 시스템 최적화까지 연구를 이어갈 예정입니다.

홍민기 : 독자 파운데이션 모델 개발 소식을 접해오던 중, 카네기멜론대학교 방문 연구 이후 귀국을 준비하면서 인턴 공고를 보게 되었습니다. 기존에 연구해오던 멀티모달 추론 분야 경험을 프로젝트에서 이어갈 수 있겠다고 판단해 참여하게 되었고, 현재는 이미지를 활용한 추론 데이터셋을 구축하는 역할을 맡고 있습니다.

Q. 독자 AI 파운데이션 모델 프로젝트에 직접 참여하신 소감은 어떠신가요?
조성혜 : 국가 차원의 독자 AI 파운데이션 모델 구축 프로젝트에 직접 참여하게 되어 매우 뜻깊게 생각합니다. 단순한 연구를 넘어 국가 전략 기술 발전에 기여한다는 책임감을 느끼며 연구에 임하고 있습니다. 특히 정부와 SKT의 지원을 바탕으로 대규모 모델과 인프라 환경에서 연구를 수행하며, 개인 연구에서는 접하기 어려운 수준의 규모와 복잡도를 경험할 수 있었던 점이 의미 있었습니다.

홍민기 : 기술 개발을 넘어 한국의 AI 주권과 미래 경쟁력을 만들어가는 과정에 참여하고 있다는 점에서 책임감과 소속감을 함께 느끼고 있습니다. 대규모 데이터 설계부터 인프라, 모델 구조까지 다양한 영역이 함께 맞물려 진행되는 만큼 기술적인 깊이 뿐만아니라 협업의 중요성도 실감할 수 있었습니다. 쉽지 않은 도전이지만, 제가 맡은 영역에서 모델 성능 향상에 기여한다면 한국 AI 생태계의 지속적인 성장에 도움이 될 수 있다고 생각합니다.

사용자 경험으로 이어지는 모델 성능 개선, 연구 과정에서 마주한 기술 과제

Q. 현재 수행 중인 연구는 모델 성능 향상 측면에서 어떤 의미를 가지나요?
조성혜 : 모델 성능을 높이기 위해서는 반복적인 학습이 필수적인데, 한 번의 학습에 걸리는 시간이 길어질수록 좋은 모델을 찾는 데 더 많은 시간이 필요합니다. 이 시간을 줄이면 더 빠르게 성능이 높은 모델을 확보할 수 있기 때문에, 학습 속도를 개선하는 작업이 중요하다고 보고 있습니다. 이후에는 inference 최적화학습이 완료된 AI 모델이 실제 서비스에서 더 빠르고 효율적으로 답변하도록 성능을 개선하는 과정
까지 이어지면 실제 서비스에서 응답 속도를 개선할 수 있습니다. 이러한 최적화 과정이 결국 사용자에게 더 빠르고 안정적인 AI 경험을 제공하는 기반이 된다고 생각합니다.

Omnimodal Foundation Model팀 조성혜 님.

Q. 이러한 연구가 실제 사용자 경험에는 어떤 변화를 가져올까요?
홍민기 : 저는 사전 학습 단계에서 활용되는 데이터셋을 구축하고 있습니다. 사전 학습된 모델이 실제 문제 해결 상황에서 더 정확하게 추론할 수 있도록 돕는 과정으로, 특히 이미지와 텍스트가 함께 활용되는 복합적인 상황에서 모델 성능을 높이는 데 의미가 있습니다. 실제 사용자 입력과 유사한 형태의 데이터를 기반으로 연구를 진행하고 있으며, 이미지 번역이나 문제 풀이처럼 멀티모달 환경에서 모델이 보다 정확한 결과를 도출할 수 있도록 하는 것이 목표입니다.

Omnimodal Foundation Model팀 홍민기 님.

Q. 실제 A.X K1 후속 모델의 개발 과정에서 경험한 기술적 도전 과제는 무엇이었나요?
조성혜 : 가장 어려웠던 점은 모델 학습 속도를 늦추는 원인을 정확히 찾는 일이었습니다. 처음에는 계산 과정 자체의 문제라고 생각했지만, 실제로는 이미지 데이터의 길이가 제각각이라 처리 효율이 떨어지는 부분이 영향을 주고 있었습니다. 이 경험을 통해 모델 성능은 알고리즘뿐 아니라 데이터를 어떻게 정리하고 처리하느냐에 따라서도 크게 달라질 수 있다는 점을 느꼈습니다.

홍민기 : 이미지와 텍스트를 함께 이해하는 AI가 더 잘 추론할 수 있도록 데이터를 설계하는 일이 가장 큰 과제였습니다. 단순히 정답만 맞히도록 하는 것이 아니라, 문제를 해결하는 과정까지 학습할 수 있도록 데이터를 구성해야 했기 때문입니다. 어떤 데이터를 학습하느냐에 따라 모델 성능이 크게 달라지기 때문에, 데이터의 양보다 품질이 더 중요하다는 점을 체감했습니다.

초거대 AI 모델 개발, 협업으로 만들어지는 경쟁력

Omnimodal Foundation Model팀 홍민기 님과 조성혜 님.

Q. SKT의 인턴 경험에서 특히 의미 있었던 점은 무엇인가요?
홍민기 : 일반적으로 인턴은 보조적인 역할에 머무르는 경우가 많다고 생각했는데, SKT에서는 인턴도 하나의 구성원으로서 문제를 정의하고 실험 방향을 함께 논의하며 주도적으로 연구를 진행할 수 있었습니다. 팀의 실무자들로부터 다양한 관점의 피드백을 받을 수 있었으며, 여러 팀이 함께 하나의 모델을 점검하고 개선해 나가는 과정이 특히 의미 있게 느껴졌습니다.

또한 세미나와 행사 참여 기회도 폭넓게 제공되어 다양한 연구 흐름을 접할 수 있었고, 필요한 지원이 충분히 제공된 덕분에 기존에 아이디어로만 생각했던 최신 방법들을 실제 연구에 적용해 볼 수 있었습니다.

Q. SKT 컨소시엄의 협업 환경에서 인상 깊었던 점은 무엇인가요?
조성혜 : SKT에서 자체 보유한 타이탄(TITAN) 슈퍼컴퓨터 환경에서 분산학습을 수행할 수 있었던 점이 인상 깊었습니다. 기존에는 단일 서버 기반 환경에서 연구를 진행했는데, 대규모 GPU 클러스터 환경에서는 훨씬 다양한 방식으로 실험을 진행할 수 있어 흥미로웠습니다. 이러한 환경에서 여러 노드를 활용해 학습을 진행하면서, 대규모 모델을 다루는 방식 자체가 이전과는 다르다는 점을 체감할 수 있었습니다.

또한 SKT를 중심으로 여러 기관과 전문 연구자들이 함께 참여하는 컨소시엄 환경에서 협업하며, 국가 전략 수준으로 연구가 확장되는 과정을 직접 경험할 수 있었다는 점도 의미 있었습니다.

조성혜 님은 모델 학습 시스템의 속도 개선 연구를 진행하고 있다.

Q. 독파모 프로젝트에 참여하면서 ‘소버린 AI’의 필요성에 대해 어떻게 느끼셨나요?
홍민기 : 독자적인 데이터와 기술을 기반으로 모델을 구축하면 데이터 유출이나 기술 종속에 대한 우려를 줄일 수 있습니다. SKT 정예팀은 현재 개발 중인 519B 규모의 A.X K1을 자체적으로 구축한 점에서, 성능 측면에서도 글로벌 경쟁력을 확보할 수 있는 기반이 된다고 봅니다. 또한 SKT 정예팀은 선행 기술 연구부터 데이터 확보, 모델 학습과 운영 역량까지 결합된 컨소시엄 구조를 갖추고 있어 소버린 AI 구현에 중요한 강점을 가지고 있다고 생각합니다. 실제 연구를 진행하면서 한국어 데이터가 충분하지 않다는 점을 체감했는데, 이러한 부분을 자체적으로 보완해 나갈 수 있다는 점에서도 의미가 있습니다.

Q. 독파모 프로젝트 참여를 통해 느낀 점과 앞으로의 목표는 무엇인가요?
조성혜 : 대형 GPU 클러스터 환경에서 분산학습 시스템을 직접 최적화해보는 경험이 가장 큰 배움이었습니다. 이러한 환경에서 실제 모델 개발을 경험해볼 수 있었다는 점이 의미 있었고, 앞으로도 해당 분야 연구를 계속 이어가고 싶습니다.

홍민기 : 한국어와 로컬 환경에 최적화된 모델의 필요성을 직접 체감했습니다. 실제 개발 환경에서 협업하며 연구를 진행한 경험을 바탕으로, 앞으로는 LLM과 VLM을 넘어 실제 세계를 이해하는 월드 모델텍스트나 이미지를 넘어, 실제 세계의 환경과 변화를 이해하고 예측할 수 있도록 설계된 AI 모델 분야의 연구에서도 기여하고 싶습니다.

조성혜, 홍민기 님은 서로 다른 연구를 맡고 있지만, 모두 초거대 AI 모델 개발의 중요한 한 축을 담당하고 있다. 모델 학습 효율을 높이는 연구와 이미지 기반 추론 성능을 강화하는 연구는 각기 다른 영역에서 출발했지만, 궁극적으로 하나의 모델 완성도를 높이기 위해 맞닿아 있다. 두 인턴은 이번 경험을 바탕으로 앞으로도 각자의 연구 분야에서 전문성을 이어갈 계획이다.