OpenAI, GPT-4 학습에 유튜브 영상 100만 시간 이상 무단 전사 논란

인공지능 모델을 학습시킬 고품질 텍스트 데이터가 인터넷상에서 바닥을 드러내고 있습니다.

뉴욕타임스의 보도에 따르면, OpenAI는 이미 2021년에 쓸 만한 텍스트 데이터를 모두 소진했습니다. 이에 GPT-4 학습에 필요한 데이터를 확보하기 위해 음성 인식 모델인 Whisper를 개발했고, 100만 시간이 넘는 YouTube 영상을 무단으로 전사해 학습 데이터로 밀어 넣었습니다.

OpenAI 내부에서도 이러한 방식이 법적으로 문제가 될 수 있음을 인지하고 있었지만 공정 이용에 해당한다고 판단한 것으로 알려졌습니다. 심지어 그렉 브록만 OpenAI 회장까지 직접 영상 수집 작업에 관여했다고 전해집니다.

OpenAI만의 문제가 아닌 빅테크 전체의 데이터 가뭄

OpenAI는 YouTube에 손을 대기 전 이미 GitHub의 코드 저장소, 체스 기보 데이터베이스, 학습 플랫폼 Quizlet의 과제물까지 긁어모아 학습에 활용했습니다.

Google 대변인은 자사의 robots.txt 파일과 이용약관이 YouTube 콘텐츠의 무단 수집을 엄격히 금지하고 있다고 밝혔습니다. YouTube의 닐 모한 CEO 역시 최근 Sora 모델을 겨냥해 비슷한 경고를 남긴 바 있습니다. 하지만 뉴욕타임스는 Google 역시 자체 AI 모델 훈련을 위해 YouTube 영상을 텍스트로 변환해 사용했다고 지적했습니다. Google은 크리에이터와의 계약 범위 내에서만 사용했다는 입장입니다.

심지어 Google 법무팀은 Google Docs와 같은 오피스 도구 내 사용자 데이터까지 AI 학습에 활용할 수 있도록 개인정보 보호 정책 수정을 요구했습니다. 이용자들의 반발을 피하기 위해 미국 독립기념일 연휴 직전인 7월 1일에 정책 개정을 조용히 발표한 정황도 드러났습니다.

Meta 역시 뒤처지지 않기 위해 고군분투했습니다. 유출된 내부 회의 녹음에 따르면, Meta AI 팀은 저작권 보호 저작물의 무단 사용을 논의했습니다. 인터넷에 존재하는 거의 모든 영어 서적, 에세이, 시, 뉴스를 다 소진하자 대형 출판사를 통째로 인수하는 방안까지 검토했습니다.

왜 중요한가

월스트리트저널은 이번 주 보도에서 2028년이면 AI 모델의 데이터 소비량이 인류가 새로 생산하는 콘텐츠 양을 넘어설 수 있다고 경고했습니다. 지금의 프론티어 AI 경쟁은 사실상 인터넷에 남은 데이터를 긁어모으는 한계점에 도달한 셈입니다.

일반 이용자와 콘텐츠 창작자 입장에서 이는 심각한 문제입니다. YouTube에 올린 개인 영상이나 클라우드 문서에 작성한 초안이 기업들의 약관 변경을 거쳐 AI의 훈련용 사료로 쓰이고 있기 때문입니다. 법적 공방이 연이어 제기되는 상황에서도 빅테크 기업들은 일단 학습부터 시키고 보자는 식의 행보를 이어가고 있습니다.

우리가 보기에 빅테크의 이러한 데이터 수집 방식은 현재의 LLM 진영이 직면한 명백한 한계를 드러냅니다. 연휴 직전에 약관을 슬쩍 바꾸거나 100만 시간의 영상을 전사해 쓰는 모습은 우아한 혁신이라기보다는 데이터 고갈에 직면한 다급함에 가깝습니다.

모델 스스로 데이터를 만들어내는 합성 데이터나 단계별로 데이터를 주입하는 커리큘럼 러닝 등이 대안으로 거론되지만, 아직 효과가 완전히 검증되지 않았습니다. 기존 인간의 저작물에 의존하는 현행 패러다임을 기술적으로 극복하지 못한다면, 빅테크 기업들이 마주할 법적 리스크와 데이터 장벽은 갈수록 높아질 것으로 보입니다.