앤트로픽 사이언, 모노노케 설계 출처 논란

앤트로픽(Anthropic)의 새 버전 관리 시스템 사이언(Scion)이 메타(Meta)의 모노노케(Mononoke) 설계를 깊이 참고하고도 그 이름을 밝히지 않았다는 비판이 나왔다. 모노노케 개발에 참여한 필자는 사이언 소개 글의 핵심 개념과 용어가 자신이 2022년에 설명한 내용과 닮았다고 지적한다. 쟁점은 공개된 설계를 다시 썼느냐가 아니라, AI가 기존 기술을 토대로 새 시스템을 만들 때 누구의 작업을 어디까지 밝혀야 하느냐다.

핵심요약

  • 앤트로픽은 사이언이 파생 데이터(원본을 바탕으로 계산해 만든 자료)를 활용해 블레임(코드 변경 이력을 추적하는 기능) 등의 작업을 효율화한다고 소개했고, 모노노케 개발 참여자는 같은 접근을 과거에 설명했다고 밝혔다.
  • 앤트로픽은 선행 사례로 메타의 새플링(Sapling)을 언급했지만, 필자는 사이언과 특히 닮은 모노노케의 이름이 빠졌다고 비판했다.
  • 필자는 모노노케 설계를 가져다 쓰는 일 자체에는 반대하지 않으며, 공개된 아이디어를 적용한 뒤 출처를 제대로 밝히는 일이 중요하다고 강조했다.
  • 토론에서는 새플링을 언급한 것으로 충분한지, 사이언이 모노노케의 데이터 모델을 직접 참고했다면 별도로 밝혀야 하는지를 두고 의견이 갈렸다.
  • AI가 기존 설계를 찾아 적용하는 일이 쉬워질수록 결과물의 출처를 확인하고 설명할 책임은 이를 발표하는 사람과 조직에 남는다.

사이언이 내세운 ‘파생 데이터’

앤트로픽은 사이언이라는 새 버전 관리 시스템을 소개하면서 ‘파생 데이터’라는 개념을 설명했다. 이를 활용하면 블레임 같은 작업을 더 효율적으로 처리할 수 있다는 것이다. 블레임은 코드의 변경 이력을 살펴보는 기능인 만큼, 규모가 큰 저장소를 다루는 시스템에서는 이런 작업을 어떻게 처리하는지가 중요한 설계 문제다. 필자가 주목한 것도 사이언이 어떤 기능을 내놓았다는 사실보다, 그 기능을 설명하는 방식이었다.

필자는 자신의 2022년 글에서 모노노케의 파생 데이터와 블레임을 같은 맥락으로 설명했다고 밝혔다. 당시 글은 자신이 참여해 만든 메타의 소스 관리 서버를 다룬 자료였다. 두 설명을 나란히 놓은 필자는 공통점이 비슷한 문제에 도달한 정도를 넘어선다고 판단했다. 사이언의 데이터 모델과 용어가 모노노케를 얼마나 직접적으로 따랐는지가 이번 논쟁의 출발점이다.

2017~18년의 설계, 2022년의 기록

필자는 모노노케가 나온 시기를 되짚으며 팀의 작업을 강조한다. 그의 설명에 따르면 메타 팀은 2017~18년에 당시로서는 일반적인 방향과 다른 선택을 하며 모노노케를 설계했다. 그 구상을 공개적으로 풀어 쓴 사례가 2022년 자료다. 필자에게 사이언은 새 문제를 처음부터 풀어 낸 결과라기보다, 시간이 지나 다른 조직에서도 쓰이게 된 설계의 한 사례다.

그렇다고 필자가 모노노케를 아무 영향도 받지 않은 독창적 발명으로 내세우는 것은 아니다. 그는 팀 역시 구글(Google)의 SrcFS부터 데이터베이스의 선행 기록 로그(write-ahead log·변경 내용을 먼저 기록하는 방식)까지 여러 선행 기술을 살폈다고 적었다. 좋은 설계는 기존 작업을 검토하고 이어받으며 발전한다는 점을 인정한 셈이다. 그래서 그의 불만은 영향을 받은 사실 자체가 아니라, 그 관계를 독자에게 어떻게 설명했느냐에 맞춰져 있다.

새플링은 적고 모노노케는 빠뜨린 소개 글

해커뉴스(Hacker News) 토론에 인용된 앤트로픽 소개 글은 거대한 모노레포(여러 프로젝트의 코드를 한 저장소에서 관리하는 방식)를 위한 소스 관리 기술의 선행 사례로 구글의 파이퍼(Piper)와 메타의 새플링을 든다. 사이언을 만들 때 이들 시스템에서 얻은 경험을 참고할 수 있었다는 취지다. 앤트로픽이 기존 기술을 전혀 언급하지 않은 것은 아니다. 새플링을 거론했으므로 메타 계열 작업에 대한 출처 표시는 이미 했다는 의견이 나온 이유도 여기에 있다.

하지만 필자가 문제 삼는 대상은 그보다 구체적인 모노노케다. 토론에서는 모노노케가 메타에서 쓰인 새플링 시스템의 서버 측 부분이라는 설명이 나왔다. 필자는 새플링에서 얻은 교훈을 참고했다는 포괄적인 표현만으로는 사이언 설계와 모노노케의 밀접한 관계가 드러나지 않는다고 본다. 같은 계열의 이름을 한 번 적었느냐보다, 독자가 어떤 설계가 어디에서 왔는지 알아볼 수 있게 했느냐가 그의 기준이다.

이 차이는 기술 소개 글의 인상도 바꾼다. 필자는 앤트로픽의 글을 읽으면 클로드(Claude)가 해당 설계를 만들어 낸 듯 보이지만, 핵심 통찰 가운데 상당수는 메타 팀이 오래전에 마련한 것이라고 주장한다. 그는 모노노케를 언급하지 않은 일이 표절에 가까울 정도라고 표현했다. 다만 토론에서는 새플링을 이미 인용한 상황에서 별도 이름까지 요구하는 것이 적절한지, 실제로 모노노케를 직접 참고했는지 구분해야 한다는 반론도 제기됐다.

복제를 탓하는 것이 아니라 출처를 묻는다

필자는 앤트로픽이 모노노케의 설계를 가져다 쓰는 데 반대하지 않는다고 선을 그었다. 좋은 아이디어가 널리 쓰이도록 하는 것이 코드를 오픈소스로 공개하는 이유 가운데 하나라는 설명이다. 앞선 작업을 바탕으로 더 많은 사람이 시스템을 만드는 일과, 그 작업을 처음 해낸 것처럼 이야기하는 일은 다르다는 뜻이다. 이번 글의 요구는 사용을 막거나 독점권을 주장하는 쪽이 아니라 공을 정확히 돌리는 쪽에 가깝다.

필자는 비교 대상으로 커서(Cursor)의 시스템을 다룬 글도 제시한다. 그 사례 역시 비슷한 통찰을 담고 있지만 핵심 설계에는 차이가 있다는 것이다. 비슷한 문제를 풀었다는 이유만으로 모든 시스템을 모노노케의 복제로 묶지 않겠다는 취지로 읽힌다. 따라서 사이언을 향한 비판은 파생 데이터라는 개념 하나의 소유권 주장보다, 데이터 모델과 용어까지 이어지는 유사성에 무게를 둔다.

다만 공개된 글에서 확인할 수 있는 것은 필자가 제시한 문제의식과 앤트로픽 소개 글의 표현이다. 사이언의 구현을 항목별로 비교한 상세한 기술 분석이 이 글에 담긴 것은 아니다. 토론에서 한 사용자는 데이터 모델이 용어까지 직접 옮겨온 수준이라고 주장한 반면, 다른 사용자는 직접 참고한 경우와 비슷한 개념을 독립적으로 적용한 경우를 나눠 봐야 한다고 했다. 같은 유사성을 보더라도 출처 표기에 요구하는 수준이 다른 것이다.

AI가 설계할 때 더 쉬워진 선행 작업 확인

필자는 대규모 언어 모델(LLM·방대한 자료를 학습해 글과 코드 등을 생성하는 모델)이 새 시스템 설계를 도울수록 기존 설계의 영향이 더 커질 수 있다고 본다. 모노노케는 오픈소스로 공개돼 있어 모델이 참고할 수 있는 작업이라는 설명이다. 필자는 모델에 선행 사례를 물으면 모노노케와 사이언의 유사성을 짚는다고도 적었다. 그렇다면 설계를 소개하는 쪽에서도 그 관계를 확인하고 명시하기가 이전보다 쉬워졌다는 주장이다.

여기서 AI의 역할은 단순히 코드를 빨리 작성하는 데 그치지 않는다. 기존 시스템을 찾아 읽고, 유용한 구조를 골라 새 문제에 적용하는 과정에도 모델이 관여할 수 있다. 그 결과물이 매끄럽게 작동할수록 발표 글에서는 무엇이 새롭게 해결한 부분이고 무엇이 앞선 설계에서 온 부분인지 더 분명히 설명해야 한다. 필자가 문제 삼는 ‘클로드가 모두 설계한 듯한’ 인상도 바로 그 구분이 흐려질 때 생긴다.

결국 사이언을 둘러싼 다툼은 설계의 품질과 출처 표기를 별개로 보자는 요구다. 모노노케의 접근이 다른 조직의 시스템에 도움이 됐다면 필자에게도 반가운 일이다. 그러나 기술의 계보가 ‘선행 사례에서 교훈을 얻었다’는 한 문장으로 압축될 때, 실제로 어떤 팀이 어떤 선택을 먼저 했는지는 사라질 수 있다. AI를 활용한 개발이 보편화될수록 선행 작업을 찾는 능력뿐 아니라 그것을 정확히 설명하는 습관이 중요해진다는 것이 글의 결론이다.

커뮤니티 의견

한 사용자는 앤트로픽이 파이퍼와 새플링을 이미 선행 사례로 언급했고, 모노노케도 새플링과 연결된 구성요소라며 비판의 요지를 이해하기 어렵다고 했다. 이에 대한 답글은 사이언의 데이터 모델과 용어가 모노노케를 직접 따른 수준이라면, ‘교훈을 참고했다’는 표현만으로는 부족하다고 맞섰다. 논쟁의 초점은 출처 표기의 유무보다 얼마나 구체적으로 밝혔느냐에 놓였다.

다른 사용자는 AI 에이전트에 프로젝트를 맡겼다가 결과물에 소규모 GitHub 프로젝트의 이미지 링크가 섞인 것을 보고, 기존 프로젝트를 상당 부분 가져왔음을 알게 된 경험을 들었다. 사이언에서도 비슷한 일이 더 큰 규모로 벌어졌을지 궁금하다는 의견이다. 답글에서는 모델이 검색하지 않더라도 학습 과정에서 익힌 풀이를 다시 내놓을 수 있다는 관점이 제시됐다.

오픈소스 공유에 미칠 영향을 걱정하는 목소리도 있었다. 한 사용자는 LLM이 공개된 아이디어를 잘 찾아내면서도 출처를 밝히지 않는 일이 반복되면, 개발자들이 지식을 나눌 유인이 줄어들 수 있다고 했다. 그는 이를 법적 권리 문제만이 아니라 서로 다른 사람들이 협업하며 좋은 소프트웨어를 만드는 과정의 문제로 봤다.

어느 수준까지 인용해야 하느냐는 반론도 나왔다. 한 사용자는 모노노케를 직접 살펴보고도 밝히지 않은 경우와 새플링을 참고하다 비슷한 개념에 이른 경우는 구분해야 한다고 주장했다. 모든 관련 시스템의 자료를 거슬러 읽고 이름을 적는 것이 통상적인 기대인지도 물었다. 답글은 모노노케가 새플링의 서버 측 부분이라는 관계를 짚으며, 기술 글을 내는 조직이라면 그 차이를 설명할 수 있어야 한다고 반박했다.

또 다른 사용자는 새 시스템을 만들었다고 강조하기보다 기존 새플링·모노노케를 쓰거나 확장해 기여할 수 없었느냐고 물었다. 답글에서는 AI 에이전트가 인프라를 만들 수 있다는 시연과, 그 시스템을 이해하고 유지·운영하는 일은 별개라는 지적이 이어졌다. 이는 출처 표기 논쟁을 넘어 새로 만드는 선택 자체를 묻는 시각이다.

AI 에이전트와 사람의 책임을 구분하는 의견도 있었다. 한 사용자는 사람이었다면 기존 시스템과의 연결을 알아채고 밝혔을 가능성이 크지만, 에이전트는 목표 달성에 집중하느라 선행 기술 조사를 건너뛸 수 있다고 봤다. 그렇더라도 최종 결과물의 출처를 설명할 책임은 에이전트가 아니라 이를 사용하고 발표한 쪽에 있다고 강조했다.

사이언 설계의 품질을 의심하는 사용자도 있었다. 파생 데이터 시스템과 관련해 모델이 참고할 학습 자료가 많지 않고, 자신이 시험한 모델들은 이 분야에서 오류나 비효율적인 선택을 보였다는 이유다. 여기에 필자는 클로드가 모노노케 코드베이스를 직접 분석하고 복제하도록 지시받았기 때문에 사이언 설계가 좋다고 답했다. 이는 필자가 토론에서 밝힌 설명으로, 그의 최초 글보다 더 직접적인 주장이다.

대기업에서 익힌 설계를 다른 회사에서 다시 만드는 일은 자연스러운 지식의 흐름이라는 의견도 나왔다. 이에 대한 반박은 재사용 자체가 아니라 이미 알려진 접근을 AI 시대의 새로운 성과처럼 소개하는 태도가 문제라는 것이었다. 기술자는 익숙한 해법을 가져갈 수 있지만, 그 해법이 어디서 왔는지 설명하는 일까지 생략할 수는 없다는 주장이다.

핵심통찰

사이언 논쟁은 오픈소스 설계를 다시 쓰지 말자는 주장이 아니다. 앤트로픽이 새플링을 언급했음에도 모노노케를 둘러싼 비판이 나온 것은, 넓은 계열의 이름을 적는 것과 실제로 닮은 설계를 짚는 것이 다르기 때문이다. AI가 기존 코드를 분석하고 적용하는 속도가 빨라질수록 발표 글에는 성능 설명과 함께 설계의 계보도 필요하다. 앞으로 볼 것은 사이언이 어떻게 운영되는지만이 아니라, 앤트로픽이 어떤 선행 작업을 토대로 삼았는지 얼마나 구체적으로 설명하느냐다.


원본: Anthropic’s Scion is heavily inspired by Mononoke · sunshowers

토론: Hacker News