Artificial General Intelligence (AGI)

인공 일반 지능(AGI)은 컴퓨터 과학에서 이론적인 이정표를 의미하며, 기계가 인간의 능력을 능가하거나 대등한 수준으로 다양한 작업을 이해하고 학습하며 적용할 수 있는 인지적 유연성을 갖춘 상태를 말합니다. 특정 기능을 수행하도록 설계된 현재의 AI 시스템과 달리, AGI는 자율적인 추론, 익숙하지 않은 환경에서의 문제 해결, 한 도메인에서 습득한 경험을 다른 도메인으로 일반화하는 능력을 갖출 것입니다. AGI는 여전히 심도 있는 연구와 논쟁의 대상이지만, OpenAI 및 Google DeepMind와 같은 주요 연구 기관들의 궁극적인 목표이며, 우리가 기술과 상호작용하는 방식을 근본적으로 바꿀 것으로 기대됩니다.

Link to this sectionAGI와 좁은 의미의 AI(Narrow AI) 구분#

AGI에 도달하기 위해 필요한 비약적인 발전을 이해하려면, 현재 우리가 상호작용하고 있는 인공지능(AI)와 AGI를 구분하는 것이 필수적입니다.

• 인공 협소 지능(ANI): 약 인공지능(Weak AI)이라고도 불리는 이 범주는 현재 존재하는 모든 AI 애플리케이션을 포함합니다. 이러한 시스템은 특정된 사전 정의 작업에 탁월합니다. 예를 들어, Ultralytics YOLO26은 객체 탐지 및 이미지 분할에 최적화된 최첨단 ANI 모델입니다. YOLO26은 인간보다 빠르고 정확하게 객체를 식별할 수 있지만, 해당 작업을 위해 명시적으로 재학습되지 않는 한 체스를 두거나 시를 쓸 수는 없습니다.
• AGI(강 인공지능): 종종 강 인공지능(Strong AI)이라고 불리는 AGI 시스템은 단일 모달리티에 국한되지 않습니다. 이는 진정한 전이 학습(transfer learning)을 수행하여 물리학 시뮬레이션에서 배운 논리를 금융 시장에 적용할 수 있는 능력을 의미합니다. 이러한 수준의 범용성은 인간 두뇌의 광범위한 인지 컴퓨팅(cognitive computing) 능력을 모방합니다.

Link to this section핵심 특성과 과제#

AGI를 개발하려면 단순히 신경망(NN)에 더 많은 데이터를 추가하는 것을 넘어선 상당한 기술적 난관을 극복해야 합니다. 여기에는 다음을 지원하는 아키텍처 생성이 포함됩니다:

• 추상적 추론: 사전의 특정 훈련 데이터 없이 복잡하고 새로운 상황을 분석하여 논리적 결론을 도출하는 능력.
• 상식: 인과관계와 물리 법칙에 대한 직관적 이해로, 현재의 딥러닝(DL) 모델들이 완전히 파악하기 어려운 특성입니다.
• 의식: 기계가 지각력을 가질 수 있는지에 대한 철학적 및 기술적 도전 과제로, 종종 중국어 방 논변(Chinese Room Argument)과 같은 사고 실험에서 다루어집니다.

이러한 특성을 달성하려면 NVIDIA와 같은 혁신 기업의 고급 하드웨어와 효율적인 모델 최적화 기술에 의존하는 막대한 컴퓨팅 자원이 필요할 것으로 보입니다.

Link to this section가상의 실제 애플리케이션#

AGI는 아직 존재하지 않으므로 그 응용 분야는 추측에 불과하지만 변혁적일 것입니다. Stanford HAI와 같은 기관의 전문가들은 AGI가 완전히 자율적인 에이전트로서 산업을 혁신할 수 있다고 제안합니다.

1. 자율 과학 연구: 스캔 데이터에서 이상 징후를 강조하여 의사를 지원하는 현재의 의료 분야 AI와 달리, AGI는 독립적으로 의학 문헌을 검토하고 가설을 세우며 질병 치료를 위한 실험을 설계할 수 있습니다.

2. 범용 로봇 공학: 로봇 공학 분야에서 AGI는 기계가 비정형 환경을 탐색할 수 있도록 할 것입니다. AGI 기반 로봇은 가사 노동을 수행하고, 요리하며, 재프로그래밍 없이도 가정의 고유한 구조와 필요에 적응하여 노인 간호를 제공할 수 있습니다. 이는 로봇 공학 분야의 AI에 새로운 가능성을 열어줍니다.

Link to this section현재 AI의 한계 시각화#

아직 AGI를 코딩할 수는 없지만, 고급 ANI(좁은 의미의 AI)의 기능을 보여줄 수는 있습니다. 다음 코드 스니펫은 ultralytics 패키지를 사용하여 추론 작업을 실행합니다. 이는 모델이 특별히 훈련된 객체만 탐지하도록 제한되어 있으며 AGI와 같은 일반적인 이해가 부족하기 때문에 ANI의 사례를 보여줍니다.

from ultralytics import YOLO

# Load the YOLO26 model (Artificial Narrow Intelligence)
# This model excels at vision tasks but is limited to its training domain
model = YOLO("yolo26n.pt")

# Perform object detection on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")

# The model identifies patterns, but does not 'understand' the scene context
results[0].show()

Link to this section앞으로의 길: ANI에서 AGI로#

현재의 연구는 멀티모달 학습을 통해 좁은 범위의 애플리케이션과 일반 지능 사이의 간극을 메우고 있습니다. GPT-4 및 거대 언어 모델(LLM)과 같은 모델들은 텍스트, 코드, 이미지를 동시에 처리함으로써 일반적인 추론의 조짐을 보이기 시작했습니다. Ultralytics Platform과 같은 도구는 개발자가 점점 더 정교한 모델을 훈련할 수 있도록 지원하며, 언젠가 진정한 AGI로 이어질 수 있는 기초 연구에 기여하고 있습니다. 현재로서는 지도 학습을 마스터하고 특정 작업을 최적화하는 것이 AI의 가치를 활용하는 가장 효과적인 방법입니다.