[생성형 AI(Generative AI), 인간의 창작 영역을 넘본다! (70)] AGI(범용인공지능), 가시권에 들어왔는가? ⑤
최봉 산업경제 전문기자 입력 : 2024.09.11 00:30 ㅣ 수정 : 2024.09.12 06:29
[기사요약] 오늘날 AI 연구 및 개발의 주요 과제 중 하나, Narrow AI와 AGI의 경계 어디에 그을지 파악하는 것 AGI와 Narrow AI의 차이점 이해하고 파악하는 것이 중요 특정 지능이 프로세스, 결과, 자율성 등에 따라 Narrow AI와 AGI로 다르게 판단될 수 있기 때문 Narrow AI가 AGI로 가는 중간 기착지라면, 사회와 비즈니스 기획자 모두 그 차이점과 관계 이해하는 것 중요 시간이 지남에 따라 Narrow AI 모델의 전반적인 능력이 계속 향상되고 있어..
사람들은 시, 소설, 보고서 등 글쓰기, 그림 그리기, 알고리즘 코딩 등 창작의 세계가 그동안 인간에게만 허락된 별도의 영역이라 알고 있었다. 그런데 AI(인공지능)의 발전과 함께 이제는 진화한 AI가 스스로 창작의 영역을 넘보는 시대가 되었다. 생성형 AI(Generative AI)의 등장은 인간에게 어떤 의미가 있으며 우리의 미래에 어떤 영향을 미칠지 가늠하기 쉽지 않지만, 생성형 AI는 이미 여러 분야에서 현실로 나타나 적용되고 있다. 우리에게 성큼 다가온 생성형 AI의 시장현황, 다양한 이슈와 관심 사항 등을 살펴보기로 하자. <편집자 주>
[출처=medium]
[뉴스투데이=최봉 산업경제 전문기자] AI 기술의 과거와 현재, 그리고 미래의 잠재력을 파악하기 위해, 좁은 의미의 AI(Narrow AI, 약한(Weak) AI라고도 함)와 AGI(범용인공지능, 강한(Strong) AI라고도 함)의 차이점을 이해하는 것이 중요하다고 이 시리즈의 지난 편에서 언급한 바 있다.
그런데 오늘날 AI 연구 및 개발의 주요 과제 중 하나는 Narrow AI와 AGI의 경계를 어디에 그을지 파악하는 것이다. 이렇게 되면 궁극적으로 지능(intelligence) 자체의 본질과 정의로 논의의 초점이 돌아간다.
일반적으로 AI의 정의는 지능의 정의만큼 모호하므로 Narrow AI와 AGI를 정확히 구성하는 것이 무엇인지에 대한 많은 논쟁도 자연스럽게 벌어질 수 있다.
윌 스미스가 주연한 영화 ‘아이로봇(i,Robot)’의 한 장면 [출처=gemmo]
• AGI와 Narrow AI의 차이점 파악하는 것 중요
그렇다면 AGI와 Narrow AI의 차이점을 파악하는 것이 중요한 이유는 무엇인가?
이러한 정의가 중요한 이유는 특정 지능이 프로세스, 결과 또는 자율성에 따라 Narrow AI와 AGI로 다르게 판단될 수 있기 때문이다. 실제로 어떤 사람들은 챗봇도 독립적인 언어 능력을 갖추고 있기 때문에 AGI의 예라고 주장하기도 한다.
대부분의 AI 엔지니어는 실용적이고 결과 지향적인 접근 방식을 통해 차이점을 평가한다. 실제로 이들 중 상당수는 특정 작업의 성능과 기술만 중요하게 생각한다. 중요한 철학적 질문은 고려 대상이 되지 않는다.
그러나 사회의 관점에서 볼 때, AGI와 Narrow AI를 구분하는 데에는 많은 것이 연관되어 있다. 규제, 편향성, 공정성, 책임성 등의 문제가 모두 그 해답에 달려 있다. 특정 작업의 성능과 기술만이 아닌..
또한, 현재 AI 분야의 주요 업체 대부분이 AGI를 달성하는 것을 목표로 삼고 있다. Narrow AI 시스템을 구축하려는 많은 시도는 대부분 향후 더 크고 더 많은 기능을 갖춘 인공지능으로 보상받기 위한 것이다.
따라서 Narrow AI가 진정한 의미의 인공지능, 즉 AGI로 가는 중간 기착지에 불과하다면, 사회와 비즈니스 기획자 모두 그 차이점과 관계를 이해하는 것이 중요하다.
[출처=futurebeeai]
• AGI와 Narrow AI의 관계 살펴보기
인공지능 연구 파트에는 현재의 Narrow AI 능력을 가속화하고 확장하면 자연스럽게 AGI로 이어질 수 있다고 주장하는 학파가 있다.
즉, 사전 학습된 생성형 트랜스포머에 충분한 텍스트와 학습을 투입하면 결국에는 더 넓은 추론 능력과 더 일반적인 능력을 갖추게 된다는 것이다.
이러한 생각에 대한 몇 가지 증거는 테스트에서 LLM(대규모 언어 모델)의 성능이 갑자기 도약하는 것으로 나타났기 때문이다. 이러한 능력은 모델이 점점 더 많은 데이터로 훈련됨에 따라 나타나는 것으로 보인다.
티핑 포인트(tipping point)에 도달하면 갑자기 수학 능력을 향상시키고, 까다로운 논리 문제를 해결하거나, 이전에는 접근 불가능했던 개념을 연결시키는 데 필요한 기술을 발휘한다.
하지만 이러한 결과가 실제 추론 능력의 향상을 입증한다는 데 모두가 동의하는 것은 아니다. 특히 2023년에 발표된 연구에서는 겉으로 보이는 도약이 실제로는 테스트 수행 방식에서 비롯된 통계적 인공물(artifact)일 수 있다고 주장했다(“Is There an AI Metrics Mirage?”, American Scientist, 2024).
[출처=gemmo]
그러나 모두가 동의할 수 있는 한 가지는 시간이 지남에 따라 이러한 모델의 전반적인 능력이 계속 향상되고 있다는 것이다.
언제일지는 아직 확실하게 단정할 수 없지만, 분명한 것은 AGI의 시대가 점점 다가오고 있다는 사실이다.
