AGI Week 1 - AGI 소개 및 현재 연구 동향
AGI 개념, 최신 연구 동향 및 접근법
GIST에 입학하고 맞이하는 25년 첫 학기, 대학원생으로써 처음 듣는 과목 중 하나입니다.
사실 원래 이쪽 분야에 관심이 있었고 연구 방향도 이쪽으로 잡으려고 생각했었지만, 너무 도전적인 일이 될 것 같아 겁먹고 포기한 분야이기도 합니다. 그래도 이렇게 수업으로나마 경험해볼 수 있어서 좋기도 하고, 신설 과목이라 다같이 도전해보는 느낌으로 진행되어 굉장히 힘들지만(?) 재밌을 것 같은 수업입니다.
이 수업은 범용인공지능(AGI)에 대해 소개하고 직접 프로젝트를 진행함으로써 AGI가 갖추어야 하는 ‘지능’의 덕목이 무엇인지 생각해보는 프로젝트 주도 수업입니다.
그러기 위해선 우선 AGI가 뭔지부터 알아야겠죠. 오늘 이 글에서는 AGI의 개념과 연구 동향, 벤치마크 그리고 LLM과의 관계에 대해 알아보고자 합니다.
AGI(범용 인공지능)란 무엇인가?
현대 인공지능은 주로 특정 작업에 최적화된 “좁은 인공지능(Narrow AI)”으로 발전해왔습니다. Tom Mitchell이 1998년에 기계학습에 대해 내린 정의만 봐도 알 수 있죠.
A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its peformance on T, improves with experience E.
머신러닝과 딥러닝 모두 초반에는 이 철학을 기반으로 발전되어 왔습니다. input과 output 형태가 하나로 정의된 채 데이터를 기반으로 fitting을 하는 기계가 바로 머신러닝, 그 과정에서 신경망을 사용하면 딥러닝이었죠. 물고기의 길이와 무게를 입력하면 어종을 예측하는 모델한테, 오늘 날씨와 강수량을 알려주고 공원 방문객 수를 예측하라고 하는 건 바보같은 짓이죠(물론 이는 LLM과 자기주도학습 패러다임이 등장하며 옛말이 되었습니다).
이에 반해 AGI는 인간과 유사한 지능을 갖추어 다양한 문제를 해결할 수 있는 범용적 인공지능을 의미합니다. AGI는 단순히 데이터 처리나 특정 알고리즘을 넘어, 학습, 추론, 문제 해결, 창의적 사고 등 인간의 인지 기능 전반을 아우르도록 설계됩니다. 입력받는 데이터의 type뿐만 아니라 그 형태, 구조 또한 하나로 정해져 있지 않고 그 구조를 파악하고 이해, 인지하는 것까지 인공지능의 인지 기능에 포함됩니다.
핵심 특징
- 범용성: 한 가지 특정 작업에 국한되지 않고 여러 분야에 적용 가능
- 자율 학습: 환경 변화에 적응하고 스스로 새로운 정보를 습득하는 능력
- 인간 수준의 이해: 복잡한 상황과 맥락을 이해하고 적절한 판단을 내릴 수 있음
AGI 연구 동향
AGI 연구는 단순한 기술적 도약뿐만 아니라 철학적, 윤리적 문제까지 포괄하는 광범위한 분야입니다. 최근 몇 년간 AGI 연구는 다음과 같은 방향으로 발전하고 있습니다.
모듈화된 접근 방식
여러 개의 전문 인공지능 시스템을 통합하여 범용 인공지능을 구현하려는 시도가 증가하고 있습니다. 각 모듈은 특정 기능(예: 자연어 처리, 이미지 인식 등)을 담당하며, 이들을 통합하는 방법론이 AGI 연구의 핵심 과제로 부각되고 있습니다.자기 지도 학습(Self-supervised Learning)
데이터에 라벨을 붙이지 않아도 스스로 패턴을 학습할 수 있는 자기 지도 학습 기법은 AGI 개발에 중요한 돌파구로 인식되고 있습니다. 이는 인간이 경험을 통해 학습하는 방식과 유사한 접근법을 제공하며, 특히 대규모 데이터셋을 활용할 때 유용합니다.강화 학습(Reinforcement Learning)과 시뮬레이션
실제 환경이나 가상의 시뮬레이션을 통해 에이전트가 스스로 최적의 행동을 찾아내는 강화 학습은 AGI 구현에 필수적인 요소로 자리잡고 있습니다. 이 과정에서의 피드백 루프는 지속적인 성능 향상을 이끌어내며, 복잡한 문제 해결 능력을 키우는 데 도움을 줍니다.설명 가능 인공지능(Explainable AI)
AGI가 인간의 지능을 모방하기 위해서는 결정 과정과 결과에 대한 해석이 중요합니다. 설명 가능한 인공지능 연구는 AGI 시스템이 어떤 이유로 특정 결정을 내렸는지 이해할 수 있도록 하여 신뢰성을 높이고, 나아가 윤리적 고려사항을 충족시키는 데 기여합니다.
AGI 벤치마크
개발에 대한 시도는 다양한 방법이 있겠죠. 그렇다면 테스트는 어떨까요? 인공지능이 범용적인 지능을 가지고 있는지 판단하려면, 우선 우리가 범용적으로 말하는 ‘지능’이 무엇인지부터 알아야 합니다. 이 ‘지능의 정의’에 대한 고찰은 해당 수업의 2-4주차 동안 다루게 될 것입니다.
AGI의 발전을 평가하기 위해 다양한 벤치마크와 테스트가 제안되고 있습니다. 벤치마크는 시스템이 실제 환경에서 얼마나 유연하게 작동하는지, 다양한 문제를 얼마나 효과적으로 해결하는지를 측정하는 기준이 됩니다.
- 일반 지능 테스트: 인간의 IQ 테스트와 유사하게 다양한 인지 기능(논리적 사고, 문제 해결, 창의력 등)을 평가하는 방식
- 다중 도메인 평가: 하나의 시스템이 여러 분야(언어, 이미지, 로봇 공학 등)에서 동등하게 우수한 성능을 보이는지를 검증
- 실시간 상호작용 테스트: 환경과 실시간으로 상호작용하며 학습하는 능력을 평가하는 시뮬레이션 환경 구축
이러한 벤치마크는 단순한 정량적 성능 평가를 넘어, AGI가 실제 인간과 유사한 수준의 판단력과 적응력을 갖추었는지를 종합적으로 평가하는 데 중점을 둡니다.
LLM(대형 언어 모델)과의 관계
최근 AGI 연구에서 LLM은 중요한 역할을 하고 있습니다. LLM은 거대한 양의 텍스트 데이터를 기반으로 언어를 이해하고 생성하는 능력이 뛰어나, 범용 인공지능의 한 구성 요소로 활용되고 있습니다. LLM과 AGI의 관계에 대해서는 수업 전반기에 걸쳐 다루게 될 것입니다.
언어 이해와 추론:
LLM은 복잡한 문장 구조와 맥락을 파악하는 데 탁월하며, 이는 AGI가 다양한 상황에서 적절한 반응을 도출하는 데 필수적입니다.다양한 분야로의 확장:
언어를 통한 지식 전달 및 문제 해결은 많은 영역에서 활용 가능합니다. 예를 들어, 의료, 법률, 교육 등 다양한 분야에서 LLM을 기반으로 한 시스템이 전문가 수준의 조언을 제공할 수 있는 가능성이 열리고 있습니다.다중 모달 통합:
최신 연구들은 텍스트뿐만 아니라 이미지, 소리 등 여러 모달리티를 통합하는 방향으로 나아가고 있습니다. LLM은 이러한 통합 과정에서 핵심적인 역할을 하며, 다른 형태의 데이터와 결합되어 보다 범용적인 인공지능 시스템을 구축하는 데 기여합니다.지속적인 자기 개선:
LLM은 대규모 데이터 학습을 통해 지속적으로 업데이트되고 개선됩니다. 이러한 특성은 AGI가 환경 변화에 능동적으로 적응하는 데 중요한 기반이 됩니다.
결론
AGI는 단순한 문제 해결을 넘어, 인간과 유사한 수준의 포괄적 지능을 목표로 하는 미래형 인공지능입니다. 이를 구현하기 위해 연구자들은 다양한 접근법과 기술, 그리고 벤치마크를 통해 성능을 측정하고 개선해 나가고 있습니다.
이 수업은 그 접근법과 기술, 연구 철학에 대해 배우고 직접 프로젝트를 진행하며 AGI에 한 발자국 더 가까워지는 것이 목표입니다.