파운데이션 모델을 활용한 AI 시대

지금은 바야흐로 인공지능의 시대이다. 인공지능은 1950년대 앨런 튜링의 기계 지능에 대한 연구와 존 매카시의 ‘인공지능’ 용어 도입을 시작으로 발전을 거듭해 왔다. 이후 1960년대와 70년대에는 규칙 기반 시스템과 퍼셉트론을 통한 초기 기계 학습 연구가 이루어졌고, 1980년대에는 전문가 시스템의 개발로 인공지능에 대한 기대가 높아졌다. 1990년대와 2000년대에는 컴퓨팅 파워의 향상과 효율적인 알고리즘 개발로 인해 인공지능의 가능성이 점차 실현되기 시작했다. IBM의 딥 블루가 체스에서 세계 챔피언을 이기는 등 인공지능의 성과가 대중의 관심을 끌었지만, 여전히 일상생활에서 체감할 수 있는 수준에는 도달하지 못했다.
2010년대에 들어 딥러닝 기술이 급격히 발전하면서 대량의 데이터를 이용해 복잡한 패턴을 학습할 수 있게 되었고, 이를 통해 인공지능의 성능이 비약적으로 향상되었다. 단순한 실험적 단계를 넘어 실제 응용 가능한 수준으로 발전하는 전환점을 이룬 것이다. 2024년 현재, 인공지능은 전 세계인의 삶에 영향을 미치고 있으며, 모든 산업 분야에도 큰 변화를 일으키고 있다. 최근에는 대규모 데이터를 이용한 자가지도 학습(Self-Supervised Learning) 기반의 파운데이션 모델을 활용한 AI가 주목받고 있다. 그 대표적인 예가 바로 ChatGPT다.
지난 10여 년간 많은 연구자와 학생들이 인공지능 분야에 뛰어들었다. 이들은 다양한 문제 해결과 모델 개발에 기여했으며, 그 결과 인공지능 기술은 급속도로 발전했다. 그러나 이제 AI 연구자들은 어떤 방향으로 나아가야 할지 고민이 필요한 시점이다. 파운데이션 모델이 기존 AI 모델들의 기능을 통합해 가고 있기 때문에, 더 이상 AI 엔지니어가 필요 없을 수 있다는 우려 때문이다. 우리는 인공지능의 새로운 도전 과제에 직면하고 있으며, 연구자들은 새로운 영역에서의 탐구가 필요하다.

AI의 다음 연구 분야, 로봇 AI

인류가 개발해 온 기술들은 모두 인간의 필요에 의해 개발되어 왔다. 바퀴와 도르래 같은 기계적 도구는 인간의 물리적 노동을 덜어 주기 위해 발명되었으며, 증기 기관으로 대량 생산과 이동이 가능해졌다. 인공지능 역시 인간의 지적 노동을 줄여 주기 위해 발전해 왔다. 고대 그리스 신화의 탈로스(Talos)나 중세 유럽의 골렘(Golem)처럼, 인간은 인간을 보호하고 노동을 대신할 수 있는 존재를 꿈꾸었고, 이는 사람처럼 생각하고 일할 수 있는 로봇에 대한 열망으로 이어졌다. 현재 우리가 가지고 있는 AI는 이미지나 자연어를 처리하는 데 특화되어 있기 때문에 인간 대신 컴퓨터를 조작해 주는 골렘이라고 할 수 있다. 이제 우리는 이 AI가 컴퓨터 앞을 벗어나 실제 물리적 세상에서 인간의 노동을 대신하기를 기대하고 있다. 이러한 맥락에서 AI의 다음 연구 분야는 로봇일 가능성이 높다.
로봇 AI는 이미지 처리나 자연어 처리와 어떤 점이 다를까? 이미지 처리나 자연어 처리 분야에서는 지연 시간이 그렇게 중요하지 않다. ChatGPT에 질문을 했을 때나 주차장 번호판 인식에 1초 정도의 지연이 있어도 큰 문제가 되지 않는다. 반면, 로봇 AI는 지연 시간에 매우 민감하다. 로봇이 걸음을 걸을 때는 즉각적으로 지면과의 반발에 반응해야 하며, 물건을 집을 때는 물체의 모양에 즉각적으로 순응하여 손의 모양을 변형해야 한다. 이러한 즉각적인 반응이 없으면 로봇 AI는 작업에 실패하게 된다. 따라서 고차원적 언어 지능이 생각하는 목적에 맞도록, 행동 지능이 동시에 즉각적으로 처리될 때 비로소 로봇 AI가 가능해진다.

로봇 AI 구현을 위해 넘어야 할 기술적 장벽들

로봇 AI가 구현되기 위해서는 먼저 더 빠른 반응 속도를 가진 AI가 필요하다. 이를 위해 두 가지 접근이 가능하다. 하나는 클라우드 컴퓨팅 센터에서 더 빠르게 계산 결과를 만들어서 로봇에게 되돌려주는 방법이며, 다른 하나는 로봇 내부에 GPT의 지능에 행동 지능도 포함하는 거대 지능을 구현하는 방법이다. 클라우드 컴퓨팅 방식을 구현하려면 더 빠른 AI 계산이 가능한 컴퓨팅 기술, 반응 시간을 보장하는 실시간 운영 기술, 센서 정보를 더 빠르게 보내고 받을 수 있는 통신 기술이 필요하다. 이는 더 강력한 컴퓨팅 기술과 더 빠른 통신 기술의 발전을 요구한다. 반면 임베디드 AI 방식을 구현하려면 통신 기술에 대한 필요성은 줄어들지만, 강력한 컴퓨팅 파워를 수 kg 이내로 구현할 수 있는 기술이 필요하다. 현재 기술로는 클라우드 컴퓨팅 방식이 좀 더 실현 가능성이 높아 보이지만, 궁극적으로는 임베디드 방식을 추구할 것으로 보인다.
이 두 접근 방식 모두 더 가벼운 로봇 몸체, 더 빠르고 강력한 구동기, 인간의 피부, 눈, 전정기관 등의 수용기 역할을 할 더욱 진보된 센서 기술이 필요하다. 이를 위해 물리학, 전자공학, 화학, 재료공학, 기계공학 등 다양한 학문 분야의 기술이 접목되어야 한다. 아마도 지금의 GPT를 개발하기까지 소요된 노력보다 훨씬 많은 노력이 다양한 기술 분야에서 이루어져야 비로소 로봇 AI가 가능할 것이다.
이러한 변화는 이미 시작되어, 테슬라와 피규어 같은 기업들은 AI를 가진 휴머노이드를 대대적으로 광고하고 있다. 그러나 현재 수준은 시각-언어 파운데이션 모델에 기존의 로봇 제어 기술을 결합한 형태이거나, 무대 뒤에서 사람이 원격조정을 하는 수준에 그치고 있는 것으로 보인다.

시각-언어-행동 지능을 End-to-End로 처리할 수 있는 파운데이션 모델을 개발하고 이를 성공적으로 로봇에 적용하기 위해서는 앞서 설명한 기술들이 최소 수십 년간 더 연구되어야 할 것이다. 물론 그 과정에서 일상 생활에 도움이 되는 로봇들이 점점 강화된 기능으로 출시될 것이며, 로봇 AI 연구자들의 고용 시장도 점차 커질 것으로 예상된다. AI의 발전으로 인해 연구자들의 역할은 변화하고 있으며, 그로 인해 인류가 수천 년간 동경해 왔던 지능을 가진 로봇의 출현이 가까워지고 있다.