인공지능에 대한 아이디어는 실현되기까지 수십 년 동안 사상가들을 사로잡았습니다. 이 개념은 여전히 C-3PO에서 스카이넷에 이르기까지 공상과학 소설에서 인기 있는 비전을 연상시킵니다.
관심이 높아졌음에도 불구하고 범용 인공지능은 간결하고 보편적으로 받아들여지는 정의를 거부해 왔습니다. 1950년, 앨런 튜링은 기계 지능을 평가하기 위해 튜링 테스트를 제안했습니다. 튜링은 기계가 진정으로 생각하는지(그가 다루기 어렵다고 생각한 질문)를 판단하는 대신 행동에 초점을 맞췄습니다. 기계의 행동이 인간의 행동과 구별할 수 없는 수준일 수 있을까요?
놀랍게도, 오늘날의 일부 인공지능 모델은 인간의 지능을 모방한 복잡한 반응을 만들어 냄으로써 튜링 테스트를 통과합니다.
2025년 3월 1일(현지시간), 미국의 경제 전문지 월스트리트 저널(The Wall Street Journal)의 A15면에 IT계의 전설과도 같은 에릭 슈미츠 (Eric Schmidt, 구글의 CEO 및 구글 회장을 역임)가 쓴 칼럼 〈인공지능이 새로운 르네상스를 열 수 있을까? (AI Could Usher In a New Renaissance)〉이 게재되었습니다. 세상을 변혁시키는 데 앞장섰던 그의 목소리로 인공지능의 미래를 들어보도록 하겠습니다.
에릭 슈미츠는 월스트리트 저널의 기사를 통해 “기술이 발전함에 따라 범용 인공지능을 달성하기 위한 기준도 높아졌습니다. 일부 사람들은 인공지능이 좁고 집중된 작업을 넘어 인간이 할 수 있는 모든 지적 작업을 이해하고 배우고 수행할 수 있는 일반화된 능력을 갖추게 될 때 범용 인공지능(AGI)이 실현될 것이라고 믿습니다.”라고 말하고 있습니다.
다른 사람들은 범용 인공지능을 더 광범위하게 정의하는데, 범용 인공지능은 여러 분야에서 최고의 인간 두뇌와 일치하거나 그 이상의 지능을 가진다고 정의합니다. 딥마인드 테크놀로지스의 CEO인 데미스 하사비스는 범용 인공지능을 아인슈타인이 당시 가지고 있던 지식만으로 상대성 이론을 발명할 수 있는 능력이라고 정의합니다.
이러한 서로 다른 정의는 범용 인공지능을 움직이는 표적처럼 보이게 만들어, 애매모호하면서도 흥미롭게 만듭니다. 이 모든 것을 정리하기 위해서는 범용 인공지능이 무엇인지 말해주는 것이 도움이 됩니다. 범용 인공지능은 무오류적인 지능이 아닙니다. 다른 지능 시스템과 마찬가지로, 실수는 학습 과정에 유용할 수 있습니다. 범용 인공지능도 진실의 유일한 원천이 아닙니다. 우리의 세계에 대한 지식은 확률적이고 복잡하며, 특히 아원자 및 은하계 규모에서 그러하지만 일상생활에서도 그러합니다. 각각의 뚜렷한 능력과 세계에 대한 이해 방식을 가진 다수의범용 인공지능 시스템이 등장할 수 있습니다.
정확한 정의에 대한 합의가 이루어지지 않았음에도 불구하고, 범용 인공지능의 미래에 대한 윤곽이 서서히 드러나고 있습니다. 세계 최고의 과학자들의 지적 수준에서 수행할 수 있는 인공지능 시스템이 곧 출시될 예정이며, 아마도 10년 안에 출시될 것으로 보입니다.
범용 인공지능으로의 전환의 핵심 지표는 인간이 생성한 정보를 단순히 검색하고 재조합하는 것이 아니라, 인공지능이 자체적인 발견을 바탕으로 지식을 생산할 수 있는 능력일 것입니다. 그러면 범용 인공지능은 현재의 지식의 한계를 뛰어넘을 것입니다.
이 기능의 일부는 이미 관찰되었습니다. 2020년부터 DeepMind의 AlphaFold는 이전에 유사한 구조가 알려지지 않은 경우에도 단백질 구조를 예측할 수 있습니다. DeepMind는 또한 Fun-Search를 만들었는데, 2023년에 평가자와 함께 대규모 언어 모델의 힘을 통합하고, 이러한 구성 요소들 사이에서 반복하여 결과를 개선함으로써 악명 높은 수학 퍼즐인 캡 세트 문제에 대한 새로운 솔루션을 공개했습니다.
OpenAI와 DeepSeek의 최신 추론 모델은 이 반복적인 훈련을 기반으로 구축되었으며, 놀라운 발전을 이루고 있습니다. OpenAI의 o3 모델은 2024년 미국 수학 경시대회에서 96.7%의 점수를 받았습니다. ARC-AGI 테스트(모델의 추론을 인간의 추론과 비교하기 위해 고안된 테스트)에서는 거의 88%의 점수를 받았습니다. 이것은 점진적인 발전이 아니라 AGI를 향한 진정한 도약입니다.
이러한 추론 모델의 성능은 훈련 방법론의 현저한 발전에서 비롯됩니다.
GPT-4와 같은 기초 모델은 트랜스포머 알고리즘과 대규모 신경망을 통해 방대한 데이터 세트에서 패턴과 연결을 식별하는 딥러닝을 통해 훈련되었습니다.
이는 일반적으로 다음 단어 예측을 통해 구현됩니다. 모델에 문장을 입력하고, 단어를 제거한 다음, 해당 단어를 다시 넣도록 모델을 훈련합니다.
추론 모델은 강화 학습을 전통적으로 훈련된 모델과 중첩하는 다른 접근 방식을 취합니다. 정적 데이터 세트에서 학습하는 대신, 강화 학습은 시행착오를 통해 목표 지향적 보상을 통해 모델을 적극적으로 훈련하는 것을 포함합니다. 모델은 해결책을 시도하고, 장애물에 부딪히면 더 나은 접근 방식을 찾을 때까지 전략을 조정합니다. 최신 시스템은 검색 및 검색 기반 방법과 테스트 타임 훈련을 통합하여 더 나은 결과를 얻기 위해 새로운 접근 방식으로 작업을 테스트합니다.
시스템이 스케일 프리 상태에 도달하면 마법이 시작될 것입니다. 마치 마법처럼 들리죠. 스케일 프리 상태란 시스템이 스스로 생성된 데이터로 스스로 학습할 수 있는 상태를 의미합니다. 이때 시스템은 전기에만 의존하여 스스로 발전합니다.
그 초기 사례 중 하나가 바로 바둑을 스스로 학습한 컴퓨터 프로그램인 알파고 제로입니다. 규칙이 명확하고 개별적이기 때문에 시스템이 승리의 확률을 최적화할 수 있습니다. 정의된 규칙과 피드백을 통해 기술의 게임과 가장 유사한 지식 영역이 바로 초지능이 처음 등장하는 영역입니다.
이러한 비대칭적 발전에 특히 적합한 두 가지 분야가 있는데, 바로 수학과 프로그래밍입니다.
생물학이나 실제 실험이 필요한 다른 분야와는 달리, 이 두 분야는 대체로 독립적입니다. 수학 증명은 시스템 자체 내에서 확인하고 검증할 수 있습니다. 마찬가지로, AI는 인간 개입 없이도 정의된 목표를 달성하는 데 필요한 코드를 식별하고, 그 코드를 개발하고, 개선할 수 있습니다.
이러한 시스템은 가능한 해결책을 반복하면서 스스로 주도적인 연구를 수행할 것입니다. 그들은 자신들의 접근 방식을 개선하기 위해 스스로에게 답을 제공할 뿐만 아니라, 인터넷과 다른 모델의 집단 지식을 활용할 수도 있습니다.
수학 분야의 슈퍼 인텔리전스는 이미 도달할 수 있는 수준에 도달했을지도 모릅니다. 2월에, 딥 마인드의 알파 지오메트리 2는 공식적으로 최고의 인간 경쟁자들을 능가하여, 올림픽 지오메트리 문제를 금메달리스트 수준의 수준으로 해결했습니다.
이러한 초지능적 수학 도구는 자연어에 능통한 프런티어 모델과 결합되어 형식적 추론과 의미적 추론 사이의 격차를 해소할 수 있습니다. 이러한 통합은 추론의 발전을 위한 토대를 마련하고 물리학, 경제학 등 다른 분야에서 새로운 발견을 가능하게 할 수 있습니다.
초지능 시스템도 본질적인 제약에 직면하게 될 것입니다.
인간의 인지 능력이 물리적, 생물학적 한계에 의해 제한되는 것처럼, 인공지능도 물리적 세계의 한계에 종속될 것입니다. 많은 과학 실험, 특히 생물학 실험은 물질 세계에 뿌리를 두고 있어야 합니다.
또한, 새로운 발견이 나올 때까지 시스템이 끝없는 시나리오를 순환하는 이 무차별 대입 방식이 범용 인공지능을 향한 유일한 길도, 최적의 길도 아니라는 것을 알게 될 것입니다. 대안적인 접근 방식은 유추에 의한 추론, 여러 영역에 걸친 통찰의 종합 등 인간에게서 파생된 기술을 사용하는 것입니다.
아인슈타인은 철저한 수학적 반복을 통해 일반 상대성 이론을 발견한 것이 아니라, 겉보기에 서로 다른 현상을 연결하는 개념적 도약을 통해 발견했습니다. 이러한 사고 방식이 AI 시스템에 적용될 수 있다면, 인공지능이 접근할 수 있는 지식의 범위가 현재의 이해를 훨씬 뛰어넘을 것입니다.
범용 인공지능의 출현은 인간 지식과 능력에 새로운 르네상스를 가져올 수 있습니다. 신약 개발의 가속화부터 기업 운영, 개인화된 교육, 우주 탐사를 위한 새로운 재료 개발에 이르기까지, 범용 인공지능은 인류가 직면한 가장 시급한 문제 중 일부를 해결하는 데 도움이 될 수 있습니다. 아마도 가장 중요한 것은 범용 인공지능이 인간 지능을 증강시켜 우리가 우리 자신과 우주에서 우리의 위치를 더 잘 이해할 수 있도록 도와줄 수 있다는 것입니다.
