# 국산 LLM의 현재 상황과, PLaMo 3.0 Prime이 지향하는 바── Preferred Networks의 LLM 개발 핵심 인물에게 독점 인터뷰 > https://bookfactory.kr/c/news/8244 > 게시판: 뉴스 > 작성자: tachikoma43 > 작성일: 2026-07-24T12:00:36.479Z --- 최신 AI 기술 뉴스 기사 본문 1/4 번역: OpenAI, Anthropic, Google 등 세계적으로 대규모 언어 모델(LLM) 개발 경쟁이 가속화되고 있다. 기존 LLM 개발에서는 벤치마크 성능이나 대화 품질 향상이 주요 경쟁 축이었다. 하지만 현재는 추론 능력을 갖춘 ‘AI 에이전트’에 대한 대응, 기업에서의 실질적인 운영에 견딜 수 있는 신뢰성 등이 새로운 경쟁 축으로 부상하고 있다. 이러한 변화를 반영하여 일본의 AI 개발을 선도하는 기업인 Preferred Networks(이하 PFN)는国産 풀 스크래치 개발 LLM ‘PLaMo’의 최신 버전인 ‘PLaMo 3.0 Prime’을 공개했다. 본 기사에서는 PLaMo 개발을 이끌고 LLM 개발 사업본부 본부장인 단나다이수 씨와 그 팀에서 엔지니어로 활동하는 이무라쇼우메이 씨의 인터뷰를 통해 LLM 개발의 경쟁 축은 어떻게 변화하고 있으며, 해당 기업은 이러한 변화에 어떻게 대응하고 있는지 이야기를 들어본다. *본 기자의 인터뷰는 2026년 7월 8일에 진행되었다. **Preferred Networks** **LLM 개발 사업부 본부장** **단나다이수** 2015년 Preferred Networks 입사. 자사 IoT 제품의 연구 개발 및 기업 도입 지원, 심층 학습 컴파일러 개발에 종사했다. 엔지니어링 매니저를 거쳐 2022년에 머신러닝 기반 담당 VP로 임명되었다. 현재는 기반 모델 개발을 담당하는 개발 사업부의 본부장을 맡고 있다. 2023년에 경영학 석사(MBA)를 취득했다. **Preferred Networks** **LLM 개발 사업부 PLaMo Post-training 팀 엔지니어링 매니저, 리서처** **이무라 쇼우메이** 2018년 도쿄대 사범대학 정보과학과 졸업, 2020년 도쿄대 대학원 정보공학연구소 컴퓨터과학 전공 석사 과정 졸업, 같은 해 Preferred Networks 입사. 블랙박스 최적화 프레임워크 Optuna 개발, 결정 구조 탐색 소프트웨어 Matlantis CSP 개발 후 현재는国産 생성 AI PLaMo 개발에 종사한다. 저서에는 “Optuna를 이용한 블랙박스 최적화”, “베이즈 최적화 -적응적 실험 계획의 기초와 실천-”이 있다. **“벤치마크 경쟁”에서 “AI 에이전트 경쟁”으로** 이무라 씨는 “지난 1년 반 동안 LLM의 경쟁 축은 크게 바뀌었습니다.”라고 말했다. 현재 LLM 시장은 미국이나 중국이 프론티어 모델을 이끌고 있으며, 일본의国産 LLM은 여전히 뒤를 쫓는 위치에 있다. 반면 생성 AI의 활용이 국내에 확산되는 가운데, 해외 서비스에 대한 의존으로 인한 위험이나 우려도 높아지고 있다. PFN이 2026년 5월에 공개한 기술 자료에서도 2030년에는 일본의 디지털 적자가 약 8조 엔 규모까지 확대될 가능성에 대해 강한 위기 의식이 드러나 있었다. 그래서 중요한 것은 “해외 모델에 뒤쳐지지 않는 것”뿐만이 아니다. 기업이 실제 업무에서 안심하고 지속적으로 사용할 수 있는 LLM을 국내에서 개발하고 유지할 수 있는지가 중요하다. 이러한 상황 속에서 세계적인 LLM 개발에서는 경쟁 축 자체가 극적으로 변화하고 있다. 기존 LLM 개발에서는 벤치마크 점수 향상이 주요 목표였다. 하지만 2024년 이후 OpenAI의 o 시리즈를 비롯한 추론 모델(Reasoning Model)의 등장으로 인해 상황이 완전히 바뀌었다. 그리고 현재 진행형인 것이 바로 “AI 에이전트”의 부상이다. 이무라 씨는 이러한 흐름을 다음과 같이 정리한다. 먼저 추론 능력이 획득되었고, 그 이전에는 풀 수 없었던 복잡한 문제를 해결할 수 있게 되었습니다. 그 다음으로 AI가 도구를 사용하면서 업무를 수행하는 ‘에이전트릭 툴 유즈(Agentic Tool Use)’라는 새로운 패러다임이 등장한 것입니다. 즉, LLM(대규모 언어 모델)은 “질문에 답하는 AI”에서 “업무를 완수하는 AI”로 그 역할을 변화하기 시작하고 있다. 최근 일본의 인공지능(AI) 기술 개발 현장에서 ‘긴 텍스트 처리’와 ‘완수력’이 새로운 기준으로 부상하고 있습니다. 특히, 대규모 언어 모델(LLM)의 성능 평가에서 단순히 정확도뿐만 아니라, 복잡한 문맥을 이해하고 이를 바탕으로 창의적인 결과물을 만들어내는 능력이 중요하게 고려되고 있는 것입니다. 이러한 변화는 기존에는 짧은 텍스트에 대한 답변 능력이 핵심 평가 지표였지만, 최근에는 기업들이 실제 업무 환경에서 LLM을 활용하여 해결해야 하는 문제의 복잡성을 반영한 ‘롱 컨텍스트’ 능력이 더욱 중요해지면서 나타난 현상입니다. 즉, LLM이 긴 문맥을 얼마나 효과적으로 이해하고 활용하여, 최종적으로 ‘완수력’을 발휘하는지가 핵심 평가 요소로 자리 잡고 있는 것입니다. 이러한 추세는 특히, 자동화된 콘텐츠 제작, 고객 지원, 데이터 분석 등 다양한 분야에서 LLM의 활용 가능성을 높이는 데 기여할 것으로 기대됩니다. 또한, 개발자들은 LLM의 ‘완수력’을 극대화하기 위해, 모델의 파라미터 수를 늘리거나, 학습 데이터를 개선하는 등 다양한 노력을 기울이고 있습니다. 현재, 엔비디아(NVIDIA)의 ‘H100’ GPU와 같은 고성능 하드웨어와, 구글(Google)의 ‘PaLM 2’와 같은 최신 LLM 모델들이 이러한 변화를 주도하고 있습니다. 이번에 이 회사가 개발한 PLaMo 3.0 Prime에서는, 개발 프로세스 중 하나인 “지속적 사전 학습”에도 큰 역할을 부여되고 있다. 지속적 사전 학습은, 사전 학습된 모델에 추가적인 학습을 수행하는 단계이다. 기존에는 “새로운 지식을 추가하는 것”이 주된 목적이었지만, 이번 개발에서는 다른 목적이 더 중요하게 되었다고 今村氏(이무라 씨)가 밝힌다. 더 긴 문장을 이해하기 위해 지속적인 사전 학습을 사용하는 사례가 늘고 있습니다. 오히려 최근에는 이러한 목적이 주류를 이루고 있습니다. 배경에는 역시 AI 에이전트의 존재가 있습니다. AI 에이전트는 사용자의 지시를 받으면 여러 도구를 호출하면서 자율적으로 작업을 진행합니다. 예를 들어, 소프트웨어 개발이라면, 인간 대신 코드를 읽고, 필요한 파일을 열고, 테스트를 실행하며, 그 결과를 바탕으로 생각하는, 이러한 일련의 프로세스를 수행합니다. 따라서 한 번에 다루는 맥락(문맥)은 기존과는 비교할 수 없을 정도로 길어진다. 현재 담당자 이시다 자신도 “이전에는 ‘256k나 되는 맥락 길이가 필요한가’라고 생각했습니다. 하지만 코딩 에이전트를 실제로 사용하게 되자, 하나의 작업만으로도 256k를 넘는 것이 드물지 않게 됩니다. AI 에이전트 시대에는 긴 맥락을 처리할 수 있는 것이 필수 조건입니다”라고 연구 및 개발을 통해 깨달았다라고 했다. 이러한 시대의 변화를 반영하여 “고성능 LLM”의 정의 자체도 변화하고 있다. 이전에는 “수학 문제를 풀 수 있다”거나 “벤치마크에서 높은 점수를 받는다” 등의 지표가 평가되어 왔다. 그러나 앞으로는 그것만으로는 충분하지 않을 것이다. 한 번의 하르신에이션 발생이거나, 툴 호출에 실패할 경우, 그 이후 전체 처리 과정이 완전히 망가질 수 있습니다. AI 에이전트에서는 거짓말을 하지 않고, 정확하게 툴을 호출할 수 있는 것이 매우 중요합니다. 즉, 테스트에서 높은 점수를 받는 것과 기업의 업무를 끝까지 완수할 수 있는 것은 요구되는 능력의 벡터가 다르다는 의미다. 따라서 PLaMo 3.0 Prime에서는 툴 이용을 전제로 한 설계와, 이번에 새롭게 대응한 Structured Outputs 대응에도 힘을 썼다. 모델이 정해진 형식으로 정확하게 출력함으로써, 시스템 연동 시 발생하는 오류를 줄이고, 에이전트로서 안전하게 동작하도록 하기 위함이다. “앞으로 기업에서 요구되는 LLM은 단순히 ‘똑똑한 모델’이 아니라 ‘일을 끝까지 완수할 수 있는 모델’로 진화할 것입니다.”라고 이무라 씨가 강조했다. 손으로 직접 탐색하며 얻어낸 추론 능력과, 현장이 요구한 “속도” 최근, 일본의 반도체 제조 현장에서 인공지능(AI) 기술 도입이 가속화되고 있다. 특히, 반도체 검사 과정에서 발생하는 결함 예측에 AI를 활용하는 사례가 늘고 있는 것이다. 기존에는 숙련된 검사원들이 육안으로 결함을 확인하고, 이를 바탕으로 결함 발생 원인을 분석하는 방식으로 진행되었지만, 이 과정은 시간과 노력이 많이 소요되는 문제점이 있었다. 이에 반도체 제조사들은 AI 기술을 통해 검사 과정을 자동화하고, 결함 예측의 정확도를 높이는 것을 목표로 했다. 핵심은, AI가 과거 검사 데이터와 제조 공정 데이터를 학습하여, 새로운 반도체의 결함을 실시간으로 예측하는 것이다. 이러한 AI 시스템은, 검사 과정에서 발생하는 데이터를 빠르게 분석하고, 잠재적인 결함 가능성을 사전에 감지함으로써, 불량 반도체 발생을 최소화하는 데 기여한다. 특히, 현장 작업자들은 “AI가 검사 결과를 빠르게 제공해주기 때문에, 문제 해결 속도가 눈에 띄게 빨라졌다”고 평가한다. 이러한 AI 시스템 도입은, 반도체 제조 현장의 효율성을 극대화하고, 생산성 향상에 크게 기여할 것으로 기대된다. PLaMo 3.0 Prime에서는 추론 능력의 획득뿐만 아니라 강화 학습(RL)과 학습 파이프라인의 전면적인 재검토가 이루어졌다. 하지만 개발팀은 이것으로 “완성되었다”고 생각하지 않는다. 오히려 이번의 공식 버전은 다음 경쟁에 대한 출발선이라는 것이다. 현재 시점에서는 추론 모델이 일상화되고 있지만, PFN이 개발을 시작했을 당시에는 참고할 수 있는 정보가 매우 제한적이었다. 본부장인 다나카 씨는 “PLaMo 2.2를 출시하기 전부터 이미 ‘추론 능력을 획득하겠다’는 방향을 정해놓고 있었습니다. 하지만 그 당시에는 참고할 만한 공개 정보가 거의 없었습니다”라고 회상한다. 참고했던 것은 Grok 등의 일부 기술 보고서와 각사의 제한적인 기술 공개 정도였다. 수학이나 코딩을 중시하는 방향성이나, 강화 학습을 활용하는 방향성이 제시되었지만, 구체적인 방법론은 거의 공개되지 않았다. 따라서 PFN에서는 독자적으로 가설을 세우면서 검증을 반복적으로 수행했다. 이노무라 씨는 “그 당시에는 전 세계 연구자들이 똑같이 손探였다”라고 말했다. 결과적으로 PLaMo에서는 비교적 단순한 학습 파이프라인으로 추론 능력을 획득하는 데 성공했다. “상당히 더 성능이 향상된 점은 개발팀에게도 놀라움이었습니다.” (이무라 씨). 엔지니어 이무라 히로아키 씨는 최근, 퀄컴(Qualcomm)의 새로운 칩셋, 스냅드래곤 8 Gen 3(Snapdragon 8 Gen 3)에 탑재된 AI 성능 최적화 기술에 대한 연구 결과를 발표하며 큰 주목을 받고 있습니다. 특히, 이 기술은 퀄컴의 AI 엔진인 ‘크아(Qea)’와 연동되어, 스마트폰 앱의 실시간 번역, 음성 인식, 이미지 처리 등 다양한 AI 기능을 더욱 빠르고 정확하게 수행할 수 있도록 돕습니다. 이무라 씨는 “스냅드래곤 8 Gen 3는 이미 뛰어난 성능을 자랑하지만, ‘크아’와의 시너지 효과를 통해 AI 성능을 극대화하는 것은 또 다른 차원의 혁신을 가져올 수 있다”고 강조했습니다. 그는 또한, 이 기술이 자율주행 자동차, 로봇, 드론 등 다양한 분야에 적용될 가능성을 시사하며, 향후 AI 기술 발전의 중요한 발판이 될 것으로 전망했습니다. 이무라 씨의 연구 결과는 퀄컴의 기술 개발팀에도 큰 영향을 미쳤으며, ‘크아’의 성능 개선 및 새로운 AI 기능 개발에 활용될 것으로 예상됩니다. 퀄컴은 이번 발표를 통해 AI 칩셋 시장에서의 경쟁력을 더욱 강화하고, 차세대 스마트폰 및 AI 기기의 성능 향상에 기여할 것으로 기대하고 있습니다. 또한, 정식 버전 출시 전에 3월에 제공된 베타 버전에서는 기업의 실제 상황에 부합하는 귀중한 피드백을 얻을 수 있었다. 처음에는 개발팀이 “추론 모델이 현명해서, 그것만으로 충분할 것이다”라고 생각하고 있었다. 하지만 현장으로 돌아온 사람들의 목소리는 달랐다. 실시간 채팅 응대나 문의 응대 등에서는 “성능이 조금 떨어져도,어쨌든 빠르다”는 모델이 필요하다는 요구가 많았다. 그러면서 공식 버전에서는 깊이 생각하는 추론 모델뿐만 아니라, 추론을 수행하지 않는 빠른 “Non-reasoning 모델”도 라인업에 추가하여 업무에 따라 선택할 수 있도록 했다. “챗봇과 같은 실시간 활용 사례에서는 그렇게 깊이 생각에 몰두할 필요는 없습니다. 반면에, AI 에이전트처럼 도구를 사용하면서 복잡한 작업을 처리할 경우에는 추론 모델이 더 적합합니다. 기업에서는 사용 사례에 따라 최적의 모델을 선택할 필요가 있다고 생각했습니다.” (이무라 씨). PLaMo 3.0 Prime가 Reasoning(추론) 모델과 Non-reasoning 모델을 양쪽 모두 제공하게 된 배경에는 단순히 이러한 ‘미사여구’에만 그치지 않고, 실질적인 활용 가능한 현실적인 요구 사항들이 있었던 것입니다. … 、開発LLM、巨大開発時間、専門的人材確保課題抱。特、大規模構築学習、莫大費用高度技術必要不可欠。、既存LLM比較場合、学習済公開形成面、後発、競争優位性確立難状況。 課題克服、日本研究機関企業、既存LLM、独自技術模索。例、GooglePaLMMetaLlama強力基盤、特定産業用途特化行、効率的高性能LLM開発可能。、構築、政府企業保有専門的知識活用、高品質学習効率的収集期待。 、LLM開発、倫理的問題配慮重要。学習含偏情報、LLM出力影響与可能性考慮、多様視点取入構築、LLM出力結果対評価監視体制整備求。課題克服、持続可能LLM開発実現、産学官連携協力体制強化不可欠。特、AI人材育成、倫理的策定、長期的視点取組重要考。 현재 많은 일본산 LLM은 Llama와 같은 오픈 모델을 기반으로 추가 학습을 실시하여 개발되고 있습니다. 이는 개발 비용과 기간을 줄이면서 높은 성능을 달성할 수 있기 때문에 매우 합리적인 접근 방식입니다. 하지만 그 중에서도 PLaMo는 사전 학습부터 자사에서 직접 수행하는 풀 스크래치 개발을 고수하고 있습니다. 그 헌신적인 노력에 대해 이무라 씨“단순히 개발 방법론의 차이”가 아니라고 말합니다. “공개적으로 제공되는 오픈 모델에 추가 학습을 한 것만으로는 진정한 의미의国産 LLM이라고 할 수 없습니다. 후반 단계의 학습이 진행될수록 모델 전체에 미치는 영향력은 제한적이며 새로운 지식을 추가하기 어려워집니다. 모델의 근간인 전단계(사전 학습)부터 우리 스스로 설계할 수 있다는 점이 PFN의 가장 큰 강점입니다.” 풀스크라치()이기 때문에, 학습의 초기 단계부터 지식의 채워넣기 방식, 학습 파이프라인 구성, 외부 제약 없이 최적화할 수 있다. 또한, AI 에이전트 시대에 요구되는 툴(도구) 활용 능력에 대해서도 풀스크라치라는 토대를 가지고 있기 때문에, 독자적인 강점을 더욱 발전시킬 수 있다는 것이다. 더 나아가, PFN이 내다보고 있는 것은 현재의 챗봇 AI나 코딩 지원 등에 국한되지 않는 세상이다. 이노무라 씨다음의 마일스톤으로 “Deep Research（딥리서치）”를 제시했다. “검색을 보고서 형태로 상세하게 정리하는 것은 추론 능력과 에이전트 능력 모두를 매우 활용합니다. 웹뿐만 아니라 클라우드나 로컬상의 파일 서버까지 검색하고, 허시네이션을 억제하면서 정확하게 요약하는 것이 중요합니다.” (이무라 씨) 회사의 주요 고객인 관공서 및 국내 모든 기업에서 이러한 조사 및 정보 정리의 니즈가 높으며, Deep Research의 실현은 실무 적용을 위한 중요한 단계가 될 것이라는 점이다. 그 이후에는 더욱 고도화된 코딩 에이전트의 실현도염두에 두고 있다. LLM 개발 사업부 본부장 겸 기술 기획 본부 정보 시스템 부장, 단나 다이스케 씨 더욱 장기적인 관점에서 로보틱스와의 융합도 고려하고 있습니다. 다나카 씨다음과 같이 언급했습니다. 현재는 물리적인 형태를 갖지 않은 지능적인 모델을 개발하는 단계이지만, 향후에는 저희 회사의 별도 부대가 개발하고 있는 로봇이나 로봇 기반 모델들과도 연동시키고 싶습니다. 물리적 공간과 사이버 공간을 구별하지 않고 이해할 수 있는 범용 모델을 목표로 하고 있습니다. 또한, 이문나모리는 “결국에는 세계를 선도하는 프론티어 모델을 쫓고, 능가하고 싶다”라고 열의를 드러내 주셨습니다. 일본 기업들이 안심하고 이용할 수 있는 LLM을 제공하는 것과, 세계 최첨단 모델에 도전하는 것. 그 양립가, PFN이 풀 스크러치로 개발을 계속하는 이유인. …(기사 본문 4/4 청크) … 이제, 퀄컴은 Snapdragon 8 Gen 3 칩셋을 탑재한 스마트폰을 통해 경쟁에서 우위를 점할 준비를 하고 있습니다. 특히, 퀄컴의 최신 기술인 ‘스냅드래곤 AI 엔진’은 스마트폰 카메라의 성능을 획기적으로 향상시키는 데 기여할 것으로 기대됩니다. 퀄컴은 이 엔진을 통해 사진 촬영 시 실시간으로 장면을 분석하고, 최적의 설정을 자동으로 적용하여 사용자가 더욱 쉽고 편리하게 고품질의 사진을 촬영할 수 있도록 지원합니다. 또한, 퀄컴은 ‘스냅드래곤 AI 엔진’을 활용하여 스마트폰의 다양한 기능, 예를 들어 음성 인식, 자연어 처리, 이미지 인식 등의 성능을 향상시키는 데도 집중하고 있습니다. 퀄컴의 이러한 노력은 스마트폰 시장에서 퀄컴의 경쟁력을 더욱 강화할 것으로 전망됩니다. 퀄컴은 2024년 하반기 출시될 스마트폰에 ‘스냅드래곤 AI 엔진’을 탑재하여 소비자들에게 새로운 경험을 제공할 계획입니다. 퀄컴의 이러한 전략은 스마트폰 시장의 미래를 새롭게 정의할 것으로 기대됩니다. 퀄컴의 기술 혁신은 스마트폰 사용자들에게 더욱 편리하고 즐거운 경험을 제공할 것입니다. 퀄컴은 앞으로도 지속적인 연구 개발을 통해 혁신적인 기술을 선보일 예정입니다. 인터뷰에서 인상적이었던 점은 개발팀이 “PLaMo 3.0 Prime는 완성형이 아니다”라고 반복했다는 것이다. 추론 능력은 습득했으며, 안전성도 향상되었고 기업 도입도 시작되고 있다. 하지만 그것은 목표가 아니라, AI 에이전트 시대로 향한 출발점에 불과하다. LLM 경쟁은 이제 단순한 성능 지표에서, 실제 운영에서의 신뢰성이나 업무 대체 가능성으로의 전환을 의미합니다. 더 나아가 장기적으로는 AI가 사회나 현실 세계에서 어떤 역할을 수행할 수 있을지에 대한, 보다 근본적인 가치가 묻는 시대로 나아가고 있습니다. “PLaMo 3.0 Prime”의 등장 자체가 일본의 LLM 개발도 이 새로운 패러다임에 정면으로 맞서고 있다는 것을 보여주고 있다. 국산 모델의 진화는 해외제 제품과의 단순한 사양 비교만으로 평가해서는 안 된다. 국내에서 기업의 핵심 업무를 지원하는 AI를 지속적으로 육성할 수 있는지가, 일본 AI 산업의 경쟁력을 좌우하는 핵심적인 요소가 되고 있는 것이다. ![\"pfn_2.png\"](\"https://storage.googleapis.com/ledge-ai-prd-public-bucket/media/pfn_2_4bc97e8f55/pfn_2_4bc97e8f55.png\") \n ![\"pfn_1.png\"](\"https://storage.googleapis.com/ledge-ai-prd-public-bucket/media/pfn_1_a10f6ac2fb/pfn_1_a10f6ac2fb.png\") \n ![\"imamura_pfn.png\"](\"https://storage.googleapis.com/ledge-ai-prd-public-bucket/media/imamura_pfn_5581be7515/imamura_pfn_5581be7515.png\") \n ![\"tanaka_pfn.png\"](\"https://storage.googleapis.com/ledge-ai-prd-public-bucket/media/tanaka_pfn_8f42e51ec0/tanaka_pfn_8f42e51ec0.png\") \n [원문 보기](https://ledge.ai/articles/preferred_networks_plamo_3_0_prime_interview) | 출처: Ledge.ai