[번역] 세콰이어캐피탈: 생성형 AI의 액트 원
![[번역] 세콰이어캐피탈: 생성형 AI의 액트 원](/content/images/size/w2000/2024/10/-------------AI----1.webp)
생성형 AI가 등장한 지 2년이 지난 지금, AI 연구는 '즉각적인 반응을 보이는 사전 학습 방식'에서 '시간을 들여 생각하는 추론 방식'으로 발전하고 있다. 이러한 발전은 새로운 AI 기반 애플리케이션의 출현을 이끌고 있다. 2년 전 우리가 발표했던 "생성형 AI: 창의적인 새로운 세상"이라는 글 이후로 AI 생태계는 완전히 다른 모습으로 변모했으며, 이제 우리는 앞으로의 변화를 예측해보고자 한다.
생성형 AI 시장의 토대는 마이크로소프트/OpenAI, AWS/앤트로픽, 메타, 구글/딥마인드와 같은 거대 기업들의 연합을 통해 안정세를 찾아가고 있다. 현재는 탄탄한 자금력과 경제적 기반을 갖춘 대기업들만이 이 시장에서 경쟁할 수 있다. 아직 승부가 나지 않았고 게임 이론에서처럼 경쟁은 더욱 치열해지고 있지만, 시장의 기본 구조는 확고해지고 있으며 앞으로는 더 저렴하고 풍부한 AI 예측 서비스를 만나볼 수 있을 것이다.
LLM 시장이 안정화되면서 새로운 영역이 열리고 있다. 현재의 초점은 '시스템 2' 사고라 불리는 추론 능력을 개발하고 확장하는 데 맞춰져 있다. 알파고에서 영감을 받은 이 새로운 단계는 단순한 패턴 인식을 넘어, AI가 의도적으로 추론하고 문제를 해결하며 인지적 작업을 수행할 수 있게 하는 것을 목표로 한다. 이와 함께 새로운 인지 구조와 사용자 인터페이스는 이러한 추론 능력을 사용자들이 어떻게 활용하고 상호작용할 수 있을지를 결정하는 중요한 요소가 되고 있다.
이러한 변화는 AI 시장의 창업자들에게 어떤 의미를 가질까? 또한 기존 소프트웨어 기업들에게는 어떤 영향을 미칠까? 투자자의 관점에서 생성형 AI 스택의 어느 계층이 가장 높은 수익을 가져다줄 것인가?
우리는 생성형 AI 시장에 대한 최신 분석을 통해, 기초 LLM 계층의 통합이 어떻게 고차원적 추론과 에이전트 기능 경쟁의 새로운 장을 열었는지 살펴볼 것이다. 더불어 새로운 인지 구조와 사용자 인터페이스를 갖춘 차세대 '킬러 앱'에 대해서도 논의할 것이다.
영원한 딸기밭
2024년 가장 주목할 만한 모델 업데이트는 OpenAI의 o1(이전의 Q*, 일명 스트로베리)이다.
이는 단순히 OpenAI가 모델 품질 순위에서 본연의 위치를 되찾았다는 것을 넘어, 현재 구조의 획기적인 발전을 보여준다. 특히 주목할 점은 이것이 추론 시간 연산을 통해 진정한 일반 추론 능력을 갖춘 최초의 모델이라는 점이다.
이는 어떤 의미를 가질까? 기존의 사전 학습 모델들은 방대한 데이터를 기반으로 다음 토큰을 예측하며, '학습 시간 연산'에 의존한다. 규모가 커지면서 기본적인 추론이 가능해졌지만, 이는 매우 제한적이었다. 만약 모델이 더 직접적으로 추론할 수 있도록 학습한다면 어떨까?
이것이 바로 스트로베리가 이루고 있는 혁신이다. '추론 시간 연산'이란 모델이 응답하기 전에 잠시 멈추고 생각할 시간을 갖는 것을 의미하며, 이 과정에서 더 많은 연산이 필요하다. 바로 이 '멈추고 생각하는' 과정이 실제 추론이다.
알파고 x LLMs
모델이 멈추고 생각할 때는 무엇을 하는 것일까? 2016년 3월 서울로 잠시 돌아가보자. 이때 딥러닝 역사상 가장 중요한 순간 중 하나가 일어났다. 바로 알파고와 전설적인 바둑기사 이세돌의 대국이었다. 이는 단순한 AI와 인간의 대결이 아니었다. AI가 단순한 패턴 모방을 넘어 실제로 '생각'하는 모습을 세상에 보여준 역사적 순간이었다.
그렇다면 알파고는 딥 블루와 같은 이전의 게임 AI 시스템과 무엇이 달랐을까? LLM처럼 알파고도 약 3천만 개의 기보와 자가 대국에서 얻은 수많은 데이터를 바탕으로 인간 전문가들의 움직임을 모방하도록 사전 학습되었다. 하지만 사전 학습된 모델의 즉각적인 반응과 달리, 알파고는 잠시 멈추고 생각할 시간을 가졌다.
추론 시간 동안 모델은 수많은 미래 시나리오를 탐색하고 시뮬레이션하며, 각 시나리오를 평가한 후 가장 높은 기대값을 가진 시나리오나 답변을 선택한다. 알파고는 더 많은 시간이 주어질수록 더 나은 성능을 보여준다. 추론 시간 없이는 최고의 인간 기사들을 이길 수 없지만, 추론 시간이 늘어날수록 실력이 향상되어 결국에는 최고의 인간 기사들마저 뛰어넘게 된다.
이제 LLM의 세계로 돌아와보자. 여기서 알파고를 재현하는 데 가장 어려운 점은 응답을 평가하는 가치 함수를 구축하는 것이다. 바둑의 경우는 비교적 단순하다. 게임을 끝까지 시뮬레이션해 승자를 가리고, 다음 수의 기대값을 계산할 수 있기 때문이다.
코딩도 마찬가지로 비교적 간단하다. 코드를 실행해보면 작동 여부를 바로 확인할 수 있다. 하지만 에세이 초안이나 여행 일정, 긴 문서의 핵심 요약을 어떻게 평가할 수 있을까? 이런 이유로 현재의 추론 방식에는 한계가 있으며, 스트로베리가 코딩, 수학, 과학과 같은 논리적 영역에서는 강점을 보이지만 글쓰기처럼 더 개방적이고 비정형화된 영역에서는 상대적으로 약점을 보이는 것이다.
스트로베리의 구체적인 구현 방식은 철저히 비밀에 부쳐져 있지만, 그 핵심은 모델이 만들어내는 사고의 연결 고리에 대한 강화 학습에 있다. 모델의 사고 과정을 살펴보면 인간의 사고와 추론 방식을 닮은 흥미로운 현상들이 나타나고 있음을 발견할 수 있다.
예를 들어 o1은 추론 시간이 늘어나면서 자연스럽게 막힌 상황에서 되돌아가는 능력을 보여준다. 또한 기하학 문제를 풀 때 구면 위의 점들을 시각화하는 것처럼 인간의 사고방식을 모방할 뿐만 아니라, 프로그래밍 대회에서 인간과는 전혀 다른 방식으로 문제를 해결하는 등 새로운 사고방식도 보여주고 있다.
연구팀들은 모델의 추론 능력을 높이기 위해 보상 함수 계산법 개선이나 생성기와 검증기 간의 격차를 줄이는 등 다양한 방식으로 추론 시간 연산을 발전시키고 있다. 이는 심층 강화 학습이 다시 한번 주목받게 되는 계기가 되었으며, 전혀 새로운 추론 계층의 탄생을 예고하고 있다.
시스템 1 vs 시스템 2 사고
본능적인 즉각 반응인 '시스템 1'에서 깊이 있는 의도적 추론인 '시스템 2'로의 도약은 AI의 새로운 도전 과제다. 이제는 모델이 단순히 정보를 아는 것을 넘어 실시간으로 멈추고, 평가하고, 추론하며 결정을 내릴 수 있어야 한다.
사전 학습은 시스템 1의 영역이라 할 수 있다. 알파고가 바둑의 수백만 가지 수를 학습하든, LLM이 페타바이트 규모의 인터넷 텍스트를 학습하든, 그 목적은 인간의 게임 플레이나 언어 사용과 같은 패턴을 모방하는 것이다. 하지만 모방이 아무리 뛰어나도 진정한 추론이라고는 할 수 없다. 특히 학습하지 않은 복잡한 새로운 상황에서는 제대로 된 사고가 불가능하다.
이런 한계를 극복하기 위해 시스템 2 사고가 필요하며, 이것이 최신 AI 연구의 핵심이다. 모델이 '멈추고 생각할' 때는 단순히 학습된 패턴을 재생하거나 과거 데이터에 기반한 예측을 하는 것이 아니다. 여러 가능성을 탐색하고, 잠재적 결과를 분석하며, 추론을 통해 결정을 내리는 것이다.
많은 경우 시스템 1만으로도 충분하다. Training Data의 최신 에피소드에서 노암 브라운이 지적했듯이, 부탄의 수도가 무엇인지는 더 오래 생각한다고 해서 답이 나오는 것이 아니다. 아는가 모르는가의 문제일 뿐이다. 이런 상황에서는 패턴에 기반한 빠른 기억 회상이 가장 효과적이다.
하지만 수학이나 생물학의 획기적 발견과 같은 복잡한 문제는 즉각적이고 본능적인 반응만으로는 해결할 수 없다. 이러한 혁신적 발전에는 깊이 있는 사고와 창의적인 문제 해결력, 그리고 무엇보다 충분한 시간이 필요했다. AI도 마찬가지다. 가장 어렵고 의미 있는 문제들을 해결하기 위해서는 단순한 패턴 매칭을 넘어, 인류의 발전을 이끌어온 것과 같은 깊이 있는 추론을 할 수 있도록 진화해야 한다.
새로운 스케일링 법칙: 추론 경쟁의 시대가 열리다
o1 논문이 보여준 가장 중요한 인사이트는 새로운 스케일링 법칙의 등장이다.
LLM의 사전 학습은 이미 잘 알려진 법칙을 따른다. 더 많은 연산과 데이터를 투입할수록 모델의 성능이 향상되는 것이다.
o1 논문은 연산 확장의 새로운 지평을 열었다. 모델에 더 많은 추론 시간(또는 '테스트 시간') 연산을 제공할수록 추론 능력이 높아진다는 사실을 밝힌 것이다.
만약 모델이 수 시간, 수일, 혹은 수십 년 동안 생각할 수 있다면 어떤 일이 벌어질까? 리만 가설을 해결하고 아시모프의 마지막 질문에 답할 수 있을까? 이러한 변화는 우리를 거대한 사전 학습 클러스터의 시대에서 '추론 클라우드' - 작업의 복잡성에 따라 연산 능력을 유연하게 조절할 수 있는 새로운 환경으로 이끌 것이다.
하나의 모델이 모든 것을 지배할까?
오픈AI, 앤트로픽, 구글, 메타가 추론 계층을 확장하고 더욱 강력한 추론 기계를 개발해나가는 상황에서 어떤 일이 벌어질까? 과연 모든 것을 지배하는 단 하나의 모델이 등장할까?
생성형 AI 시장 초기에는 단일 모델 기업이 압도적인 힘을 가지고 다른 모든 응용 프로그램을 흡수할 것이라는 가설이 있었다. 하지만 이 예측은 두 가지 측면에서 빗나갔다.
첫째, 모델 계층에서는 최첨단 기능을 향한 치열한 경쟁이 계속되고 있다. 물론 누군가가 광범위한 자가 학습을 통해 혁신적인 도약을 이룰 수도 있지만, 아직까지 그런 징후는 보이지 않는다. 오히려 모델 계층은 더욱 치열한 경쟁 양상을 보이고 있으며, 이는 GPT-4의 토큰당 가격이 지난 개발자 데이 대비 98%나 하락한 것에서도 잘 드러난다.
둘째, ChatGPT를 제외하면 대부분의 모델들은 응용 프로그램 영역에서 눈에 띄는 성과를 거두지 못했다. 현실 세계는 그만큼 복잡하기 때문이다. 뛰어난 연구자들조차 모든 분야의 세부적인 업무 프로세스를 이해하는 것을 부담스러워한다. 그래서 API 단계에서 멈추고 현실 세계의 복잡한 문제는 개발자 생태계에 맡기는 것이 더 효율적이고 경제적이다. 이는 응용 프로그램 계층에게는 새로운 기회가 될 수 있다.
복잡한 현실 세계: 맞춤형 인지 구조의 필요성
과학자가 목표를 달성하기 위해 계획을 세우고 실행하는 방식은 소프트웨어 엔지니어의 작업 방식과는 판이하게 다르다. 심지어 같은 소프트웨어 엔지니어라도 일하는 회사에 따라 그 방식이 다르다.
연구소들이 범용 추론의 한계를 넓혀가고 있지만, 실용적인 AI 에이전트를 만들기 위해서는 여전히 특정 응용 분야나 도메인에 맞는 추론 능력이 필요하다. 현실 세계는 너무나 복잡해서 일반적인 모델만으로는 각 도메인과 응용 분야에 필요한 특수한 추론을 효과적으로 구현할 수 없기 때문이다.
이런 맥락에서 인지 구조의 개념이 등장한다. 이는 시스템의 사고 방식을 의미하며, 구체적으로는 사용자의 입력을 받아 행동으로 옮기거나 응답을 생성하는 코드와 모델 간의 상호작용 흐름을 말한다.
팩토리 AI의 사례를 살펴보자. 팩토리의 각 '드로이드' 제품은 특정 작업을 수행하기 위해 인간의 사고방식을 본떠 만든 맞춤형 인지 구조를 갖추고 있다. 이를 통해 풀 리퀘스트 검토나 백엔드 간 서비스 마이그레이션 계획 수립 및 실행과 같은 복잡한 작업을 처리할 수 있다.
팩토리의 드로이드는 모든 의존성을 분석하고, 코드 변경을 제안하며, 단위 테스트를 추가한 뒤 인간의 검토를 받는다. 승인이 나면 개발 환경에서 변경사항을 실행하고, 모든 테스트를 통과한 후에야 코드를 병합한다. 이는 마치 인간처럼 단순한 블랙박스 답변이 아닌, 체계적인 단계별 작업을 수행하는 것이다.
앱들은 어떻게 되고 있나?
AI 사업을 시작한다고 가정해보자. 어느 계층을 공략할 것인가? 인프라 분야에서 엔비디아나 대형 클라우드 기업들과 경쟁하는 것은 거의 불가능하다. 모델 분야에서 오픈AI나 메타와 겨루는 것도 마찬가지다.
하지만 앱 분야에서 기업 IT나 글로벌 시스템 통합업체들과 경쟁하는 것은... 잠깐, 이건 실현 가능해 보인다!
기반 모델들은 마법 같은 능력을 보여주지만 동시에 매우 복잡하다. 일반 기업들은 블랙박스 같은 작동 방식이나 환각 현상, 불편한 작업 과정을 감당하기 어렵다. 일반 사용자들은 빈 화면을 보고 무엇을 물어봐야 할지 모른다. 바로 이런 점들이 응용 프로그램 계층의 기회가 된다.
2년 전만 해도 많은 응용 프로그램 기업들이 'GPT-3를 단순히 포장만 했다'는 비웃음을 샀다. 하지만 지금은 이런 '포장'이 지속 가능한 가치를 만드는 핵심 방법 중 하나로 인정받고 있다. 단순한 '포장'으로 시작한 것들이 이제는 정교한 '인지 구조'로 진화한 것이다.
AI 응용 프로그램 기업들은 단순히 기반 모델 위에 사용자 인터페이스만 얹은 게 아니다. 이들은 복잡한 인지 구조를 갖추고 있다. 여러 기반 모델을 조율하는 라우팅 시스템, RAG를 위한 벡터/그래프 데이터베이스, 안전한 사용을 위한 가드레일, 그리고 인간의 사고 과정을 모방한 응용 프로그램 로직까지 모두 포함하고 있다.
Service-as-a-Software 서비스의 소프트웨어화
과거 클라우드로의 전환은 '소프트웨어의 서비스화'였다. 소프트웨어 기업들이 클라우드 서비스 제공자로 변신했고, 이는 3,500억 달러 규모의 시장을 만들어냈다. 반면 AI로의 전환은 '서비스의 소프트웨어화'다.
소프트웨어 기업들이 인간의 노동을 소프트웨어로 전환하고 있다. 이는 단순한 소프트웨어 시장이 아닌, 수조 달러 규모의 서비스 시장을 목표로 한다는 것을 의미한다.
'일을 판다'는 것은 무슨 뜻일까? 시에라(Sierra)의 사례를 보자. B2C 기업들은 고객 상담을 위해 자사 웹사이트에 시에라를 도입한다. 시에라의 임무는 고객 문제 해결이며, 문제를 해결한 건수에 따라 수익을 얻는다. 기존의 '사용자 좌석' 개념은 없다. 단순히 해결해야 할 문제가 있고, 시에라가 이를 해결하면 그만큼의 대가를 받는 것이다.
이것이 많은 AI 기업들이 추구하는 방향이다. 시에라는 문제 해결에 실패할 경우 자연스럽게 인간 상담원에게 전환할 수 있다는 장점이 있다. 모든 기업이 이런 이점을 가진 것은 아니다. 최근의 트렌드는 먼저 '코파일럿'(인간 협업 모드)으로 시작해서, 충분한 경험을 쌓은 후 '오토파일럿'(완전 자동화 모드)으로 발전하는 것이다. 깃헙 코파일럿(GitHub Copilot)이 대표적인 사례다.
새로운 세대의 AI 에이전트 애플리케이션
생성형 AI의 추론 능력이 발전하면서 새로운 형태의 AI 에이전트 애플리케이션들이 속속 등장하고 있다. 이러한 애플리케이션 기업들은 어떤 특징을 가질까? 흥미롭게도 이들은 기존의 클라우드 기업들과는 완전히 다른 양상을 보인다:
- 클라우드 기업들이 소프트웨어 매출을 목표로 했다면, AI 기업들은 서비스 매출을 겨냥한다.
- 클라우드 기업들이 라이선스 단위로 소프트웨어를 판매했다면, AI 기업들은 성과 단위로 서비스를 제공한다.
- 클라우드 기업들이 쉽고 빠른 도입을 위한 상향식 접근을 했다면, AI 기업들은 긴밀한 소통과 높은 신뢰를 바탕으로 한 하향식 접근을 선택한다.
이러한 새로운 AI 에이전트들은 지식 산업 전반에 걸쳐 다양한 형태로 나타나고 있다. 대표적인 예시를 보면:
- Harvey: 법률 자문 AI
- Glean: 업무 지원 AI
- Factory: 소프트웨어 개발 AI
- Abridge: 의료 기록 AI
- XBOW: 보안 테스트 AI
- Sierra: 고객 서비스 AI
이런 AI 에이전트들은 점점 낮아지는 추론 비용에 맞춰 서비스 제공 비용을 절감하면서, 기존 시장을 확장하고 새로운 시장을 창출하고 있다.
XBOW의 사례를 살펴보자. XBOW는 AI 기반의 '펜테스터'를 개발하고 있다. '펜테스트' 즉 침투 테스트는 기업이 자사의 보안 시스템을 평가하기 위해 실시하는 모의 해킹이다. 생성형 AI가 등장하기 전에는 고도로 숙련된 전문가가 수동으로 수행해야 했기에 비용이 매우 높았다. 그래서 기업들은 법규 준수와 같이 꼭 필요한 경우에만 제한적으로 펜테스트를 실시했다.
그러나 XBOW는 최신 추론 LLM을 활용한 자동화된 펜테스트가 최고급 인력의 성능과 맞먹는다는 것을 입증했다. 이는 펜테스트 시장을 크게 확대하고, 기업 규모에 관계없이 상시적인 보안 점검이 가능한 새로운 시대를 열고 있다.
SaaS 업계에 던지는 새로운 화두
올해 초 우리는 유한책임파트너들과 만나 'AI 혁명이 기존 클라우드 기업들을 무너뜨릴 것인가'라는 질문을 논의했다. 우리는 처음에 단호하게 '아니오'라고 답했다. 전통적으로 스타트업과 기존 기업의 경쟁은 스타트업이 유통망을 구축하고 기존 기업이 제품을 개발하는 속도 싸움이었다.
젊은 기업들이 혁신적인 제품으로 기존 기업들이 새 제품을 내놓기 전에 시장을 선점할 수 있을까? AI의 핵심 경쟁력이 기반 모델에서 나온다는 점을 고려할 때, 우리는 그렇지 않을 것이라고 보았다.
기존 기업들이 우위를 점할 것으로 예상한 이유는 간단하다. 스타트업과 동일하게 기반 모델에 접근할 수 있으면서도, 이미 풍부한 데이터와 탄탄한 유통망을 보유하고 있기 때문이다. 따라서 스타트업들의 기회는 기존 소프트웨어 기업들과 경쟁하는 것이 아니라, 자동화가 가능한 새로운 업무 영역을 개척하는 데 있다.
하지만 이제 우리의 생각이 바뀌고 있다. 앞서 언급한 인지 구조를 보라. 모델의 기본 기능을 신뢰할 수 있는 완전한 비즈니스 솔루션으로 전환하려면 엄청난 엔지니어링 작업이 필요하다. 우리는 'AI 네이티브'의 의미를 지나치게 과소평가하고 있는 것은 아닐까?
20년 전, 온프레미스 소프트웨어 기업들은 SaaS를 비웃었다. "그게 뭐 대수냐? 우리도 서버 운영하고 인터넷으로 서비스 제공할 수 있지!" 겉보기에는 단순해 보였다.
하지만 이후 비즈니스 전반의 혁신적 변화가 일어났다. 제품 개발은 워터폴과 PRD에서 애자일과 AB 테스트로, 시장 진입 전략은 기업 대상 영업에서 제품 주도 성장과 분석으로, 비즈니스 모델은 높은 초기 비용과 유지보수 수익에서 순수익 증가율과 사용량 기반 과금으로 진화했다. 거의 모든 온프레미스 기업이 이 변화에 적응하지 못했다.
AI도 이와 비슷한 변화를 가져올 수 있지 않을까? AI가 서비스 판매와 소프트웨어 대체라는 두 가지 기회를 모두 제공할 수 있지 않을까?
Day.ai를 통해 우리는 미래의 모습을 엿볼 수 있다. Day는 AI 기반의 새로운 CRM이다. 기존에는 시스템 통합업체들이 세일즈포스를 기업에 맞게 구성하는 데만 수십억 달러를 벌어들였다.
반면 Day는 이메일과 캘린더 접근 권한, 그리고 간단한 설문지 응답만으로 기업에 완벽히 맞춤화된 CRM을 자동으로 만들어낸다. 아직 모든 기능을 갖추지는 못했지만, 사람의 개입 없이도 스스로 업데이트되는 이 마법 같은 시스템은 이미 많은 기업들의 전환을 이끌어내고 있다.
우리의 투자 전략
투자자로서 우리는 어디에 주목하고 있으며, 자금은 어떤 분야로 흘러가고 있을까? 다음은 우리의 관점이다.
인프라
이는 대형 클라우드 기업들의 영역이다. 여기서는 경제적 논리보다는 게임 이론적 행동이 지배적이다. 벤처 캐피털이 발을 들이기에는 매우 위험한 시장이다.
모델
이는 대형 클라우드 기업들과 금융 투자자들의 놀이터다. 대형 클라우드 기업들은 현재의 자산을 미래의 수익과 맞바꾸는 전략을 쓰고 있다. 결국 이 투자금은 연산 처리 비용으로 다시 자신들의 클라우드 사업으로 돌아올 것이다. 한편 금융 투자자들은 '과학 기술의 매력'에 사로잡혀 있다. 모델들은 매력적이고 개발팀들의 실력도 인상적이지만, 경제적 타당성은 뒷전이다!
개발자 도구와 인프라 소프트웨어
이 영역은 전략적 투자자들보다 벤처 캐피털에게 더 매력적이다. 클라우드 전환기에 이 분야에서 15개 가량의 기업이 10억 달러 이상의 매출을 달성했는데, AI 시대에도 비슷한 성공 사례가 나올 것으로 예상된다.
애플리케이션
벤처 캐피털이 가장 주목하는 영역이다. 클라우드 전환기에 20여 개, 모바일 전환기에 또다른 20여 개의 기업이 10억 달러 이상의 매출을 달성했다. AI 시대에도 이러한 성공 스토리가 반복될 것으로 전망된다.
마무리 생각
생성형 AI의 다음 단계에서는 추론 R&D의 성과가 응용 프로그램 영역으로 빠르고 깊이 있게 확산될 것으로 보인다. 현재까지의 인지 구조들은 주로 영리한 '제약 해제' 기술에 의존해왔다. 하지만 이러한 능력들이 모델 자체에 더 깊이 통합되면서, AI 에이전트 애플리케이션들은 더욱 정교하고 강력해질 것이다.
연구 분야에서는 추론과 추론 시간 연산이 앞으로도 핵심 주제가 될 것이다. 새로운 스케일링 법칙의 발견으로 다음 단계의 경쟁이 시작된 것이다.
그러나 특정 분야의 실제 데이터를 수집하고 도메인별 인지 구조를 구현하는 것은 여전히 큰 과제로 남아있다. 바로 이 지점에서 현장에 가까운 애플리케이션 제공 업체들이 복잡한 현실 문제를 해결하는 데 강점을 발휘할 수 있을 것이다.
앞으로는 팩토리의 드로이드처럼 여러 AI가 협력하는 다중 에이전트 시스템이 추론과 사회적 학습을 구현하는 주요 방식이 될 것이다. 일단 AI가 실질적인 일을 할 수 있게 되면, 이러한 AI 팀들은 우리가 상상하는 것보다 훨씬 더 큰 성과를 이룰 수 있을 것이다.
우리 모두가 기다리는 것은 생성형 AI의 '37번째 수'다. 알파고가 이세돌과의 두 번째 대국에서 보여준 것처럼, 범용 AI가 초인적이고 독창적인 생각으로 우리를 놀라게 할 그 순간이다. 이는 AI가 '의식을 갖게 된다'는 의미가 아니다(알파고도 그렇지 않았다).
그보다는 우리가 AI를 통해 인식, 추론, 행동의 과정을 진정으로 새롭고 유용한 방식으로 구현했다는 것을 의미한다. 이것이 바로 AGI의 시작일 수 있으며, 만약 그렇다면 이는 특별한 사건이 아닌 기술 발전의 자연스러운 다음 단계가 될 것이다.
본 콘텐츠는 2024년 10월 9일 발행된 "Generative AI’s Act o1"을 번역한 것입니다.
저는 전문 번역가가 아니기 때문에 오역이 있을 수 있습니다. 또한 본 글은 원저작자의 요청에 따라 불시에 삭제될 수 있습니다. 감사합니다.