[테크업팩토리]AI 특이점 ‘AGI’ 실현 위한 필수요건
‘테크업팩토리’는 스타트업과 투자업계에서 가장 ‘핫’한 미래유망기술을 알아보는 코너입니다. 우리의 일상과 산업의 지형을 바꿀 미래유망기술의 연구개발 동향과 상용화 시점, 성장 가능성 등을 짚어봅니다.
[이 기사에 나온 스타트업에 대한 보다 다양한 기업정보는 유니콘팩토리 빅데이터 플랫폼 ‘
데이터랩‘에서 볼 수 있습니다.]
“다음은 피지컬 AI(인공지능) 시대가 될 것이다.”
지난달 6일(현지시간) CES 2025 개막 하루 전 기조연설에 나선 엔비디아의 젠슨 황 최고경영자(CEO)는 이같이 말했다. 2017년 이후 8년만에 CES 기조연설에 나선 젠슨 황이 던진 화두는 피지컬 AI, 가상의 공간을 넘어 모빌리티와 휴머노이드 등 물리적 실체를 직접 작동하는 AI를 뜻한다.
피지컬 AI 실현을 위한 시도는 주변에서 여럿 보인다. 구글의 로보택시 ‘웨이모’, 테슬라의 휴머노이드 ‘옵티머스’ 등이다. 그러나 피지컬 AI를 실제 일상생활에 적용하는 일은 쉽지 않다. 물리적 실체를 갖고 있는 만큼 돌발상황이 발생했을 때 이용자에게 어떤 신체적 피해를 입힐지 가늠하기 어렵다. 피지컬 AI 관련 업체들이 인공일반지능(AGI) 개발에 매달리는 이유다.
물고기 낚는 법 배우는 AGI, ‘팔방미인’ 된다
━
챗GPT, 클로드, 바드, 라마 등 일반적으로 많이 사용되는 생성형 AI 서비스는 제한적 인공지능(ANI)이다. ANI는 인간의 역량만으로 수행하기 어려운 방대한 양의 데이터를 분석한다. 이세돌과 바둑으로 맞붙은 ‘알파고’, 자연어를 처리 생성하는 거대언어모델(LLM) 등이 이에 해당한다.
ANI의 특징은 특정 목적과 분야에 한정된다는 점이다. 알파고의 경우 바둑, LLM의 경우 자연어 처리와 생성만 할 수 있다. 또 특정 규칙과 알고리즘에 따라 작업할 뿐 자율적 사고가 불가능하다.
AGI는 ANI와 다른 몇가지 특징이 있다. 이는 AGI 능력을 평가하기 위한 ‘확장 튜링 테스트'(Extended Turing Test) 항목을 보면 잘 드러난다. △다중 모달 평가 △광범위한 능력 테스트 △인간과의 구별 △실제 응용 △물리적 세계 상호작용 등으로 구성됐다.
이중 텍스트를 포함해 시각, 청각 등 다양한 입력 형식에 대한 대처능력을 평가하는 다중 모달 평가와 언어 이해, 추론, 실용적 문제 해결, 사회적 상호작용, 윤리적 의사결정 등을 종합적으로 평가하는 광범위한 능력 테스트는 AGI를 ANI와 구분짓는 대표적인 평가 항목이다. 스스로 문제를 인식하고, 추론해 해결하며 텍스트 외 다양한 입력 형식에도 유연하게 대처하는 게 특징이다.
이경하 한국과학기술정보연구원(KISTI) 초거대AI연구단장은 “ANI는 이미 얼굴 인식 등 다양한 분야에서 상용화까지 실현된 상태지만, AGI는 아직 연구 중인 분야”라며 “LLM(거대언어모델)을 AGI 실현에 있어 가장 유망한 기술로 분류하기도 하지만 아직 확실치 않다”고 설명했다.
AGI 실현 위한 ‘메타러닝’…데이터처리 관건
━
AGI를 구현하는데 있어 가장 필수적인 요건 중 하나는 메타러닝이다. 메타러닝를 한마디로 표현하면 ‘학습하는 방법을 학습’하는 것이다. AI가 새로운 작업을 효율적으로 처리할 수 있는 학습 방법 자체를 배워야 한다. 수천개의 데이터로 기준 모델이 필요한 기존 머신러닝과는 차이가 있다.
예를 들어 요리 레시피를 만들어주는 AI를 만든다고 하자. 기존 머신러닝 방식은 수천개의 레시피를 익혀 최적의 레시피를 제공한다. 반면, 메타러닝은 조리법을 학습한다. 최적의 고기 굽기 온도는 얼마인지 간은 어느정도 해야하는지 배운다. 이를 토대로 다양한 레시피를 추천한다.
두 학습 방식의 차이는 확장성이다. AGI의 특징인 여러 상황에 유연하게 대처하려면 이 같은 학습 방식이 필요하다. 학습 데이터가 기존 머신러닝보다 적게 든다는 점도 장점이다.
그러나 장점만 있는 건 아니다. 메타러닝에는 기존 머신러닝보다 더 많은 계산 자원을 필요로 한다. 그만큼 더 큰 메모리가 필요하다. 메타러닝으로 쌓은 메타지식이 일반화하는 과정에서 오류가 날 수 있다는 점도 문제다. 오히려 특정 분야에 특화된 ANI보다 성능이 더 떨어질 수 있다.
이 단장은 “아직 AI는 다양한 분야에서의 지식을 일반화하는 능력이 부족하다”며 “학습 데이터에 의존적이며 인지적 유연성을 갖고 있지 않다”고 말했다.
이어 “AGI를 구현하는데 있어 단순히 기술적 문제가 아니라 인지적 유연성, 윤리적 판단, 안전성 등 다차원적인 도전 과제가 존재한다”며 “이를 해결하기 위해서는 기술 뿐만 아니라 철학적, 윤리적 논의와 함께 글로벌 협력과 규체 체계 구축이 필요하다”고 덧붙였다.
댓글0