인공일반지능(AGI)의 길을 닦다.

지난 몇 년 동안 OpenAI와 Meta는 AI 애플리케이션의 필수 구성 요소인 기초 AI 모델을 발전시키는 데 상당한 진전을 이루었다. 이러한 발전은 모델이 누락된 단어와 픽셀을 예측하는 방법을 학습하는 생성 AI 훈련 전략에서 비롯된다. 이 방법을 통해 생성 AI는 놀라울 정도로 유창한 결과를 제공할 수 있었지만, 상식과 전략적 계획이 필요한 심층적인 상황 이해나 강력한 문제 해결 기술을 제공하는 데는 부족하다. 결과적으로 복잡한 작업을 처리하거나 미묘한 이해가 필요한 경우 이러한 기반 AI 모델은 정확한 응답을 생성하지 못하는 경우가 많다. 이러한 제한은 인공일반지능(AGI) 개발을 향한 추가 발전의 필요성을 강조한다.

또한 AGI 탐구는 인간과 동물에서 관찰되는 학습 효율성, 적응성, 응용 능력에 부합하는 AI 시스템 개발을 추구한다. 진정한 AGI에는 최소한의 데이터를 직관적으로 처리하고, 새로운 시나리오에 빠르게 적응하고, 다양한 상황에 걸쳐 지식을 전달할 수 있는 시스템이 포함된다. 이러한 기술은 세상의 복잡성에 대한 타고난 이해에서 비롯된다. AGI가 효과적이려면 상호 연결된 작업을 실행하고 해당 작업의 결과를 예측할 수 있는 고급 추론 및 계획 기능이 필수적이다. AI의 이러한 발전은 실제 문제의 복잡성을 관리할 수 있는 더 깊고 상황에 맞는 형태의 지능을 배양하여 현재의 단점을 해결하는 것을 목표로 한다.

AGI를 위한 강력한 추론 및 계획 모델을 향하여

상징적 방법, 강화 학습 등 AI에 추론 및 계획 능력을 주입하기 위한 전통적인 방법론은 상당한 어려움에 직면한다. 상징적 방법은 자연스럽게 표현된 문제를 구조화된 상징적 표현으로 변환해야 한다. 이 프로세스는 상당한 인간 전문 지식이 필요하고 오류에 매우 민감하며 약간의 부정확성이라도 심각한 오작동으로 이어질 수 있다. 한편 강화 학습(RL)은 효과적인 전략을 개발하기 위해 환경과의 광범위한 상호 작용이 필요한 경우가 많다. 이러한 접근 방식은 데이터 수집이 느리거나 비용이 많이 드는 경우 비실용적이거나 엄청나게 비용이 많이 들 수 있다.

이러한 장애물을 극복하기 위해 최근 발전은 고급 추론 및 계획 기능을 통해 기본 AI 모델을 향상시키는 데 집중되었다. 이는 일반적으로 상황 내 학습이라는 방법을 활용하여 추론 중에 모델의 입력 컨텍스트에 직접 추론 및 계획 작업의 예를 통합함으로써 달성된다. 이 접근 방식은 잠재력을 보여주었지만 일반적으로 단순하고 간단한 시나리오에서만 제대로 작동하며 일반인공지능(AGI)을 달성하기 위한 기본 요구 사항인 다양한 영역에 걸쳐 이러한 기능을 이전하는 데 어려움을 겪는다. 이러한 제한은 더 광범위하고 복잡하고 다양한 실제 문제를 해결할 수 있는 기본 AI 모델을 개발하여 AGI 추구를 발전시켜야 할 필요성을 강조한다.

Meta와 OpenAI의 추론과 계획의 새로운 영역

Meta의 수석 AI 과학자인 얀 르쿤(Yann LeCun)은 생성 AI의 추론 및 계획 능력의 한계는 주로 현재 훈련 방법론의 단순한 특성 때문이라고 지속적으로 강조해 왔다. 그는 이러한 전통적인 방법이 전략적 사고와 계획 기술을 개발하기보다는 주로 다음 단어나 픽셀을 예측하는 데 집중한다고 주장한다. 르쿤 은 AI가 가능한 솔루션을 평가하고, 실행 계획을 수립하고, 선택의 의미를 이해하도록 장려하는 고급 교육 기술의 필요성을 강조한다. 그는 Meta가 공항 통근을 포함하여 파리 사무실에서 뉴욕 사무실로 이동하는 여정의 모든 요소를 조율하는 등 AI 시스템이 복잡한 작업을 독립적으로 관리할 수 있도록 이러한 정교한 전략을 적극적으로 연구하고 있다고 밝혔다.

한편, GPT 시리즈와 ChatGPT로 유명한 OpenAI는 Q-star라는 비밀 프로젝트로 주목을 받아왔다. 구체적인 내용은 부족하지만 프로젝트 이름은 강화 학습 및 계획에 중요한 도구인 Q-learning과 A-star 알고리즘의 가능한 조합을 암시한다. 이 이니셔티브는 GPT 모델의 추론 및 계획 기능을 향상하려는 OpenAI의 지속적인 노력과 일치한다. Meta 및 OpenAI 경영진과의 토론을 바탕으로 한 파이낸셜 타임즈의 최근 보고서는 이러한 중요한 인지 영역에서 우수한 성능을 발휘하는 AI 모델을 더욱 개발하려는 이들 조직의 공동 노력을 강조한다.

AI 시스템에서 향상된 추론의 변형 효과

OpenAI와 Meta가 추론 및 계획 기능을 통해 기본 AI 모델을 지속적으로 향상함에 따라 이러한 개발은 AI 시스템의 잠재력을 크게 확장할 준비가 되어 있다. 이러한 발전은 다음과 같은 잠재적인 개선을 통해 인공지능의 획기적인 발전을 가져올 수 있다.

●향상된 문제 해결 및 의사 결정: 추론 및 계획 기능으로 강화된 AI 시스템은 시간이 지남에 따라 행동과 그 결과에 대한 이해가 필요한 복잡한 작업을 처리하는 데 더 적합하다. 이는 원인과 결과에 대한 미묘한 이해가 필요한 전략적 게임플레이, 병참 계획, 자율적 의사결정 시스템의 발전으로 이어질 수 있다.

●도메인 간 적용성 향상: 도메인별 학습의 제약을 극복함으로써 이러한 AI 모델은 추론 및 계획 기술을 의료, 금융, 도시 계획 등 다양한 분야에 적용할 수 있다. 이러한 다재 다능함을 통해 AI는 처음 훈련받은 환경과 현저히 다른 환경에서 문제를 효과적으로 해결할 수 있다.

●대규모 데이터 세트에 대한 의존도 감소: 최소한의 데이터로 추론하고 계획할 수 있는 모델로 이동하는 것은 몇 가지 예를 통해 빠르게 학습할 수 있는 인간의 능력을 반영한다. 이러한 데이터 요구량 감소로 인해 AI 시스템 교육에 필요한 계산 부담과 리소스 수요가 낮아지는 동시에 새로운 작업에 적응하는 속도가 향상된다.

●AGI(인공일반지능)를 향한 단계: 추론 및 계획을 위한 이러한 기본 모델은 언젠가 기계가 인간이 할 수 있는 모든 지적 작업을 수행할 수 있는 AGI 달성에 더 가까이 다가가도록 해준다. AI 기능의 이러한 발전은 사회적으로 상당한 영향을 미칠 수 있으며, 우리 삶에서 지능형 기계에 대한 윤리적, 실용적 고려 사항에 대한 새로운 논의를 촉발할 수 있다.

결론

OpenAI와 Meta는 추론 및 계획 역량 강화에 중점을 두고 차세대 AI 개발에 앞장서고 있다. 이러한 개선은 AI 시스템이 더 넓은 맥락과 장기적인 결과에 대한 복잡한 이해가 필요한 복잡한 작업을 처리할 수 있도록 하는 것을 목표로 하는 인공일반지능(AGI)에 더 가까이 다가가는 데 핵심이다.

이러한 기능을 개선함으로써 AI는 의료, 금융, 도시 계획 등 다양한 분야에 더 광범위하게 적용되어 대규모 데이터 세트에 대한 의존도를 줄이고 적응성을 향상시킬 수 있다. 이러한 발전은 AI의 실제 적용 범위를 확장할 것을 약속할 뿐만 아니라 AI가 모든 지적 작업에서 인간만큼 유능하게 수행할 수 있는 미래에 더 가까워지도록 하여 AI를 일상 생활에 통합하는 것에 대한 중요한 대화를 촉발한다.