범용 인공 지능은 인간과 동일한 수준의 고도 문제 해결, 비판적 사고, 인지 기능을 완벽하게 갖춘 AI 에이전트입니다. 범용 인공 지능은 연구원과 기업이 개발을 위해 활발히 연구하고 있으나, 현재로서는 여전히 가설적 단계에 머물러 있는 인공 지능 분야입니다.
AI(인공 지능)는 최근 몇 년 사이 빠르게 발전했습니다. 현대 비즈니스 환경에 대응하려는 대부분의 기업에도 AI는 주요 화두가 되고 있습니다. 임원진부터 초급 실무자까지 모든 수준의 전문가들이 AI의 미래에 대해 기대와 함께 적지 않은 우려를 표하고 있습니다. 생성형 AI가 급격히 확산되면서 많은 사람들은 AI가 머지않아 여러 분야에서 인간 직원을 대체하게 되는 건 아닌지 처음에는 의문을 제기했습니다.
현재까지 AI는 인간을 불필요한 존재로 만들지는 않았습니다. 그 대신, 비즈니스 세계는 AI의 역량을 활용해 효율성을 높이고 워크플로우를 최적화하기 시작했습니다. 이는 현재 활용 중인 AI가 연구원들이 정의하는 약한 AI에 해당하기 때문이기도 합니다. 인간 수준의 역량을 갖춘 강한 AI, 즉 AGI(범용 인공 지능)는 아직은 가설적 개념이지만 실제로 구현될 경우 세상에 훨씬 더 중대한 영향을 미칠 수 있습니다.
AI(또는 약한 인공 지능)는 특화된 작업을 수행하도록 설계된 기술로, 많은 경우 인간보다 더 높은 성능을 발휘합니다. 현재 대부분의 사람들이 사용하는 AI는 약한 AI이며, 기능이 제한적임에도 불구하고 매우 성공적으로 AI가 발전된 사례입니다. 약한 AI는 반응형 머신과 제한된 메모리 머신 이렇게 두 가지 유형으로 구분됩니다. 반응형 머신은 즉각적인 요청에는 응답할 수 있으나, 데이터를 저장하거나 과거 경험을 통해 학습하는 기능은 없습니다. 제한된 메모리 머신은 정보를 저장하며 새로운 데이터를 접할 때마다 이를 기반으로 학습합니다.
많은 사람들이 약한 AI가 일상생활 전반에 얼마나 깊숙이 스며들어 있는지 잘 인식하지 못합니다. AI의 대표적인 예시는 다음과 같습니다.
- 생성형 언어 모델인 ChatGPT
- 이메일 스팸 필터
- Spotify와 같은 음악 애플리케이션의 셔플 기능
- Google Maps와 같은 GPS 내비게이션
- SMS 메시징의 자동 교정 기능 Siri 또는 Alexa와 같은 스마트 어시스턴트
강한 AI, 즉 범용 인공 지능은 문제 해결, 비판적 사고, 학습을 포함한 인간 수준의 인지적 사고를 온전히 수행할 수 있습니다. AGI는 학습한 정보를 새로운 상황에 적용할 수 있으며 환경 변화에도 능동적으로 적응할 수 있습니다. AGI는 아직 존재하지 않지만, 인간은 오래전부터 그 모습이 어떨지 상상해 왔습니다. 스타워즈와 스타트렉의 개성 있거나 유능한 안드로이드부터 2001: 스페이스 오디세이와 터미네이터 시리즈에 등장하는 악의적 AGI까지 매우 다양합니다.
약한 AI는 현재 특정 작업만 수행할 수 있지만, 각 작업을 매우 높은 수준으로 처리하며 인간의 역량을 뛰어넘는 경우도 있습니다. 일반적으로 AI를 활용하면 인간의 오류를 줄이고 효율성을 높일 수 있습니다. 강한 AI도 이와 유사한 이점을 제공할 가능성이 높습니다. 강한 AI는 인간의 오류 없이 인간이 따라갈 수 없을 정도의 속도로 작업을 처리할 수 있습니다.
이 둘의 가장 큰 차이는 강한 AI는 실제 인간처럼 학습하고 사고할 수 있는 능력을 가지게 된다는 점입니다. 약한 AI는 프로그래밍된 대로만 작동할 수 있습니다. 스스로 아이디어를 만들어 내고 자체적으로 개선할 수 있게 되면, 그때 비로소 강한 AI가 됩니다.
AGI가 아직은 먼 미래의 일일지라도, 연구원들은 이에 머무르지 않고 그다음 주요 마일스톤을 향해 지속적으로 연구를 이어가고 있습니다. 과학자들은 진정한 범용 인공 지능이 개발된 이후의 다음 단계는 초인공지능을 만드는 것으로 예측합니다. 초인공지능은 강한 AI와 마찬가지로 인간의 모든 인지 기능을 수행할 수 있습니다. 그러나 초인공지능은 완전한 자기 인식 능력을 가지며 인간 지능을 뛰어넘을 것으로 예상됩니다. 초인공지능은 인간이 수행할 수 있는 범위를 넘어서는 능력을 갖추게 됩니다. 현재 초지능은 AGI와 마찬가지로 아직 가설적 개념에 불과합니다.
현재의 AI가 AGI가 되기 위해서는 여러 핵심 능력에 숙달해야 합니다.
AGI는 사물을 보고 공간적 특성을 판단하는 능력을 갖추어야 합니다. 현재 AI는 색상을 완전히 식별하지 못합니다. 예를 들어, 표지판에 스티커가 붙어 있으면 AI는 그것이 빨간색 정지 표지인지 구분하지 못하는 경우가 많습니다. 인간과 AGI는 색이 여러 가지여도 해당 물체가 정지 표지판임을 문제없이 식별할 수 있습니다. 또한 AI는 정적인 이미지에서 3차원 정보를 추출하지 못합니다. AGI는 이미지가 2차원이라도 해당 물체가 구체임을 파악할 수 있습니다.
인간은 소리가 나는 방향을 파악하고 배경에서 이루어지는 대화도 이해할 수 있습니다. AI는 이러한 기능을 수행할 수 없지만, AGI는 공간적 거리를 판단하고 큰 소리 뒤에서 이루어지는 작은 대화도 인식할 수 있게 될 것입니다.
인간의 손은 별다른 노력 없이도 매우 다양한 작업을 수행할 수 있습니다. 진정한 AGI가 되기 위해서는 인간과 유사한 정교한 동작 수행 능력을 개발해야 합니다. 이러한 능력이 갖춰지면 AGI는 퍼즐을 풀고 물체를 조작할 수 있게 됩니다.
어린아이도 여러 문장을 읽고 현재 AI의 역량으로는 따라갈 수 없는 수준으로 내용을 이해합니다. AGI로 발전하기 위해서는 모든 형태의 커뮤니케이션을 읽고 보고 이해할 수 있어야 합니다. 이는 언어 자체뿐 아니라 그 의미까지 파악하는 능력을 포함합니다. 이 능력은 AGI가 더 고도화된 작업을 수행하기 위해 필요한 지식을 학습하는 데 핵심적인 기반이 됩니다.
AGI로 발전하기 위해서는 문제를 파악하고 해결할 수 있는 능력이 필요합니다. 현재 알려진 시스템 중에는 별도의 지시 없이 문제를 효과적으로 해결할 수 있을 만큼의 상식적 능력을 갖춘 시스템이 없습니다. 향후 AGI는 문제를 진단하고 이를 해결할 능력을 갖추게 될 가능성이 있습니다.
3차원 공간을 탐색하고 투영할 수 있는 AI 모델도 존재합니다. 그러나 진정한 AGI는 인간의 개입 없이도 이러한 능력을 스스로 수행할 수 있습니다. 현재 AI 모델도 많은 부분을 수행할 수 있지만, 인간의 지침 없이는 불가능합니다. AGI는 매핑과 위치 파악을 스스로 동시에 수행할 수 있게 됩니다.
현재의 AI는 진정한 의미의 창작을 할 수 없습니다. 프롬프트에 따라 단어를 배열할 수는 있지만, 고유한 결과물을 만들지는 못합니다. 반면 AGI는 실제로 새로운 것을 창조할 수 있게 될 것입니다. 전문가들은 AGI가 지속적으로 발전하려면 스스로 코드를 재작성하고 새로운 개선점을 찾아낼 수 있어야 한다고 전망합니다.
이상적으로는 AGI가 인간이 기꺼이 상호작용하고 싶어 하는 존재가 되어야 합니다. 이것이 가능해지려면 AGI는 신체 언어와 얼굴 표정에서 인간의 감정을 인식하고 그에 맞춰 상호작용 방식을 결정할 수 있어야 합니다. AI는 얼굴 스캔을 통해 감정을 식별하기 시작했지만, 기능이 매우 제한적이고 정확도도 낮습니다. 사실 인간도 감정을 이해하는 데 어려움을 겪을 수 있습니다.
AGI가 감정을 이해할 수 있게 되면 인간과 자연스러운 방식으로 상호작용할 수 있습니다. 이는 Siri나 Alexa같은 개인 비서의 자동 생성 응답과는 다릅니다. 고유한 대화를 나눌 수 있으며 주변 사람들의 감정에 따라 적절한 발화를 결정할 수 있게 됨을 의미합니다.
연구원들은 인공 지능 분야를 확장하고 AGI를 개발하기 위해 지속적으로 연구를 진행하고 있습니다. 다음은 범용 인공 지능을 개발하기 위해 시도되고 있는 주요 연구 접근 방식입니다.
일부 연구원들은 상징적 사고를 이해하고 활용하는 능력이 인간 지능의 핵심이라고 봅니다. 이러한 연구원들은 기술이 이러한 사고방식을 모방하도록 가르치는 방법을 연구하고 있습니다. 이 방식이 성공하면 AGI를 실현할 수 있다고 믿습니다.
이 연구 분야는 인간 뇌를 전기 신호를 발화하는 복잡한 신경망이라는 점에 초점을 둡니다. 연구원들은 이러한 시스템을 재현함으로써 AGI를 개발할 수 있기를 기대하고 있습니다.
일부 연구원들은 인간 지능을 여러 구성 요소가 함께 작용하여 전체를 합한 것보다 더 큰 기능을 만들어내는 하이브리드 시스템으로 보고 있습니다. 이들은 다양한 방식으로 이러한 구조를 모방해 인간과 유사한 지능을 구현하려 하고 있습니다.
보편주의 연구원들은 일반 지능 이론을 수학적으로 완전히 규명할 수 있으면 AGI도 구현할 수 있다고 믿습니다. 이들은 이를 현실에 적용하기 위해 순수 이론 모델을 기반으로 연구를 진행하고 있습니다.
일부 과학자들은 인간 지능을 구현하려면 물리적 신체가 반드시 필요하다고 믿습니다. 이들은 AGI를 실현할 돌파구를 찾기 위해 인간 신체의 물리적 표현과 AI를 통합하려는 연구를 진행하고 있습니다.
대다수 연구원에게 AGI는 아직 먼 미래의 목표입니다. 그럼에도 불구하고 연구원들은 특정 기술 역량이 AGI 연구를 견인할 것임을 알고 있습니다. 현재 꾸준히 개선되고 있는 주요 분야는 다음과 같습니다.
딥 러닝은 신경망을 훈련해 데이터 간의 복잡한 관계를 이해하도록 교육시키는 AI 분야입니다. 연구원들은 복잡한 신경망 구조를 구축하고 AI가 텍스트, 음성, 이미지, 영상 등 다양한 데이터를 이해하도록 훈련합니다.
생성형 AI는 학습된 지식을 기반으로 콘텐츠를 생성하는 딥 러닝의 하위 분야입니다. 이러한 모델은 방대한 데이터를 통해 학습하여 인간이 만든 것과 유사한 콘텐츠를 생성하는 방법을 익힙니다.
NLP(자연어 처리)는 AI 모델이 인간의 언어를 이해하고 생성하도록 학습시키는 기술 분야입니다. 챗봇과 같은 AI 도구 작동하는 핵심 원리이기도 합니다.
컴퓨터 비전은 시각 데이터에서 공간 정보를 추출, 분석, 이해하는 AI의 능력입니다. 장애물을 감지하고 차량을 피하는 자율주행차 개발을 위해 계속 발전하고 있습니다.
로봇공학은 물리적 작업을 수행할 수 있는 기계 시스템을 개발하는 분야입니다. 이 기술이 발전하면 AGI가 실제 환경에서 더 완전하게 구현되어 다양한 서비스와 작업을 수행할 수 있게 됩니다.
AGI는 아직 존재하지 않으며, 이 연구 분야에는 해결해야 할 여러 가지 복잡한 난제가 있습니다.
현재 많은 AI 시스템은 서로 소통할 수 없습니다. 이해관계 충돌로 인해 연구원과 모델 간 데이터 공유가 이루어지지 않고 있습니다. 이러한 격차는 AI의 범용적 발전을 방해합니다.
인간의 정신이 어떻게 작동하는지를 이해하는 일은 인간에게도 어렵습니다. 지능의 본질을 완전히 파악하지 못하면 인간과 유사한 역량을 지닌 기술을 개발하기가 어렵습니다. 이를 실현하려면 연구원들은 먼저 인간 지능의 작동 방식을 깊이 이해해야 합니다.
AI 시스템은 서로 단절된 독립 실행형 환경에서 작동하고 있습니다. 현재는 데이터 공유와 공동 작업을 규제하고 지원할 프로토콜이 마련되어 있지 않습니다. 이는 AGI 모델이 발전하기 위해 갖추어야 할 인간 사회의 복잡한 네트워크 구조와 부합하지 않습니다.
기업의 궁극적인 전략은 AI 개발과 활용에 투입된 자원에서 투자 수익을 창출하는 것입니다. 그러나 AI는 완성형 결과물이 아니라 여러 단계에 걸친 점진적 개발로 이루어지기 때문에 성과를 측정하기가 어렵습니다. 이로 인해 연구를 비즈니스 전략과 일치시키는 데 어려움이 발생할 수 있습니다.
많은 조직은 AI를 비즈니스 운영에 어떻게 적용할지에 대한 명확한 계획이나 정책이 부족합니다. 경영진 또한 AI 시스템의 작동 방식에 대한 이해가 부족하여 고비용의 AI 전문가에 의존해야 합니다. 이러한 요인은 구현 비용을 높이고 복잡한 AGI 시스템 개발에 장애물이 됩니다.
인간처럼 사고하고 행동하는 AI 시스템에 대한 논의는 흔히 큰 두려움을 불러일으킵니다. 사람들은 AGI가 세상을 장악하거나 사생활이 사라질 것을 걱정하기도 합니다. 이러한 우려의 상당수는 이성이 아닌 감정적 요인에서 비롯됩니다. 하지만 범용 인공 지능 시스템 개발에는 실제로 고려해야 할 위험이 존재합니다. 대표적인 위험 요소는 다음과 같습니다.
AGI의 악의적 활용 가능성
AGI 학습 데이터의 편향으로 인해 편향된 모델이 개발될 위험
데이터와 개인정보 보안의 취약성
이러한 기술을 효과적으로 규제하기 위한 입법적 과제
AGI는 인간이 수행할 수 있는 모든 작업을 처리하도록 설계되며 이는 다양한 이점을 제공합니다.
일상 업무 중 상당수는 단조롭고 반복적이어서 더 높은 생산성을 발휘하는 데 방해가 됩니다. AGI는 이러한 작업을 인간보다 더 많이 그리고 훨씬 더 빠르게 수행할 수 있습니다. 그러면 사람들은 이러한 단순 작업을 직접 수행할 필요가 없어집니다. 예를 들어, 완전 자율주행 차량은 인간이 직접 운전할 필요가 없게 해줍니다. 대신 사람들은 직접 운전하지 않고도 한 장소에서 다른 장소로 이동하기만 하면 됩니다. AGI는 진열대 정리나 가사와 같은 작업을 수행하게 될 수도 있습니다.
AGI는 휴식 없이 장시간 높은 출력을 유지하며 작업할 수 있습니다. 따라서 집중력 저하나 피로 누적 없이 작업을 완료할 수 있습니다. 이는 AGI가 많은 작업을 인간의 개입 없이 단독으로 수행하게 될 수도 있음을 의미합니다. 필요에 따라 장시간 수술에서 외과의를 보조하는 등의 지원 역할을 하게 될 수도 있습니다.
일부 작업은 인간에게 매우 위험하며 강한 AI는 이러한 환경에서 인간의 직접적인 개입을 줄이는 효과적인 방법이 될 수 있습니다. 예를 들어, 광산 작업은 유해할 수 있고 수중 용접은 극도로 위험합니다. 인간과 유사한 섬세한 조작 능력을 갖춘 AGI 로봇은 이러한 환경에서 필요한 작업을 인간의 안전을 해치지 않고 수행할 수 있습니다.
또한 일부 전문가들은 AGI 로봇이 우주 간 탐사를 위한 해법이 될 수 있다고 기대합니다. 이러한 로봇은 더 적은 자원으로 장거리 이동이 가능하며 과학자들에게 현재 기술보다 훨씬 더 심층적인 연구 데이터를 제공할 잠재력을 지니고 있습니다.
약한 AI는 이미 특정 상황에서 재난을 감지하여 예방을 돕고 있습니다. 강한 AI는 이러한 능력을 더욱 발전시켜 불확실한 상황에서 중요한 도움을 제공할 수 있습니다. 예를 들어, AGI 모델은 재난을 예측하고 최적의 대피 경로를 제시할 수 있습니다.
AGI는 여러 윤리적 우려를 일으킬 수 있습니다. 가장 큰 우려는 이처럼 강력한 기술을 어떻게 규제할 것인가입니다. AGI의 사용 방식을 누가 결정해야 할까요? 문제가 발생했을 때 책임은 누구에게 있을까요? 이는 AGI 개발 과정에서 반드시 다루어야 할 중요한 질문이지만, 실제로 해결하기는 매우 어렵습니다. 현재 AI 윤리 정책을 책임지고 수립하는 주체는 존재하지 않습니다.
AGI를 어떻게 공정하게 훈련할 것인가 역시 중요한 윤리적 난제입니다. 전문가들은 강한 AI를 만들기 위해서는 모델을 방대한 데이터로 훈련해야 한다고 예측합니다. 는 인간의 편향이 AGI에 유입될 가능성을 열어둘 수 있습니다. AGI가 특정 데이터로만 학습할 경우, 이후 그 편향이 그대로 반영될 수 있습니다.
지능은 측정이 불가능하기 때문에 AGI가 실제로 만들어졌는지를 판단하기는 어렵습니다. 이에 연구원들은 어떤 시스템이 진정한 강한 AI로 인정될 수 있는지를 평가하기 위한 여러 테스트를 제안했습니다.
튜링 테스트는 1950년대 영국 연구원인 앨런 튜링이 제안한 최초의 AI 평가 방식입니다. 그는 진정한 AGI라면 기계라는 사실을 드러내지 않고 인간과 대화를 나눌 수 있어야 한다고 판단했습니다. 기계가 인간을 매우 정교하게 모방하기 때문에 인간은 자신이 다른 인간과 대화하고 있다고 믿게 됩니다.
이 테스트에는 세 참여자가 포함되며, 인간 판별자는 나머지 두 대상 중 누가 인간이고 누가 기계인지 판단해야 합니다. 판별자가 기계를 식별하지 못하면 해당 시스템은 AGI로 간주됩니다.
애플의 공동 창립자인 스티브 워즈니악은 기계가 커피를 만드는 전체 과정을 수행할 수 있으면 인간 수준의 지능을 갖추었을 가능성이 매우 높다고 주장했습니다. 해당 기계는 재료를 찾고 위치를 파악하여 한곳에 모은 뒤 작업을 수행할 수 있습니다.
2012년 벤 괴르첼이라는 연구원은 기계가 인간처럼 대학에 입학하고 강의를 수강하며 학위를 취득할 만큼 충분한 시험을 통과할 수 있으면 인간 수준의 지능을 갖춘 것으로 볼 수 있다고 주장했습니다. 중국의 한 AI 로봇이 두 가지 대입 수학 시험에 합격했지만, 나머지 단계는 아직 어떤 약한 AI도 완료하지 못했습니다.
닐스 J. 닐슨은 AI가 인간과 동일한 수준으로 업무를 수행할 수 있을 때 AGI 수준에 도달한 것으로 볼 수 있다고 주장했습니다. 결국 AGI는 인간 근로자와 동등하게 고용될 수 있습니다.
AGI는 미래의 기술일 수 있지만 연구원들은 지금 이 순간에도 여전히 많은 발전을 이루고 있습니다. 다음은 범용 AI의 주목되는 최신 동향입니다.
자연어 처리는 OpenAI의 ChatGPT 등장 이후 최근 몇 년 동안 크게 성장했습니다. GPT-4는 종합적인 언어 처리를 위해 100조 개의 매개변수를 처리할 수 있습니다. 이는 인간과 자연스럽게 상호작용하고 소통할 수 있는 AI 개발이 실현 가능한 단계에 있음을 의미합니다.
메타버스를 확장하려는 움직임은 AGI 개발을 위한 공간을 조성할 가능성을 지니고 있습니다. AI는 메타버스를 구축하는 데 기여할 수 있으며 챗봇은 사용자가 가상 세계에서 자연스럽게 적응하도록 도울 수 있습니다.
자동화는 이미 대부분의 비즈니스와 산업에서 현실이 되었습니다. 초자동화는 조직 전반의 자동화 범위를 확대하여 자동화 수준을 다음 단계로 끌어 올리고 있습니다. 이는 AI가 중요한 역할을 수행해 온 분야입니다.
전문가들은 더 많은 사람들이 AI에서 발생할 수 있는 편향에 주목할 것으로 예측하고 있습니다. 이는 결과적으로 AI 활용 및 교육을 규제하고 관리하는 인력이 증가로 이어질 것입니다. 더 많은 기업이 AI 담당자와 최고 AI 규정 준수 전문가를 채용할 것으로 예상됩니다.
로우코드 또는 노코드 시스템은 코딩 지식이 없는 사람도 사용하고 실험할 수 있는 사용자 친화적 인터페이스를 제공합니다. 이러한 발전은 AI를 다룰 수 있는 사람의 범위를 확대하고 AGI 개발에서 혁신이 이루어질 가능성을 높일 수 있습니다.
사람들이 AI가 자신의 일자리를 대체할 것을 두려워하지만, AI를 업무 환경에 도입하되 인간 의존적인 상태로 유지하는 방향이 현재 추세입니다. 이러한 추세는 사람과 AI가 협력하는 방식에서 더욱 공고해질 것으로 예상되며 이는 AGI의 기반을 마련할 것입니다.
챗봇은 특정 작업을 수행할 수 있는 가상 비서입니다. 예를 들어, 챗봇은 고객 서비스 담당자의 도움 없이도 사용자가 비밀번호를 재설정하도록 도울 수 있습니다. 이러한 에이전트는 기업이 인간 직원과 운영 비용에 의존하던 부분을 대체했습니다. AGI는 이러한 흐름을 더욱 가속화할 것입니다.
사람들이 AI의 편향과 오류를 더 인식하게 되면서 AI 윤리에 대한 논의도 증가하고 있습니다. AI 사용의 윤리에 대한 관심은 앞으로도 AI와 AGI를 논의할 때 지속적인 핵심 주제가 될 것입니다.
기업들은 이미 채용 과정에 AI를 도입하기 시작했습니다. 일부 편향 문제가 존재하지만, 이러한 방식은 HR 팀의 시간을 크게 절약하고 기업의 비용을 상당히 절감할 수 있습니다. 예를 들어, 기술을 활용해 이력서를 분석하고 인터뷰 대상 후보군을 선정하는 방식이 있습니다.
제한된 형태의 AI는 이미 사람들의 생활 방식과 비즈니스 운영 방식에서 중요한 역할을 담당하고 있습니다. AI는 단조로운 작업을 처리하고 프로세스 속도를 높일 수 있습니다. 이러한 이유로 ServiceNow의 Now Platform®에는 생성형 AI, 머신 러닝 프레임워크, 자연어 이해, 검색 및 자동화, 분석 및 프로세스 마이닝이 포함되어 있습니다.
이 플랫폼의 AI는 생산성과 효율성을 향상해 업무 경험을 개선하도록 설계되었습니다. ServiceNow의 AI를 통해 생성형 AI가 귀사의 비즈니스를 어떻게 다음 단계로 발전시킬 수 있는지 확인해 보세요.
양자 컴퓨팅은 알고리즘 처리 속도를 높이고 AGI 생성에 필요한 방대한 데이터를 모델이 효율적으로 처리할 수 있게 해줍니다. 양자 컴퓨팅이 AI 성능을 어떻게 강화할 수 있는지를 탐구하는 연구가 계속 진행되고 있습니다.