Artificial General Intelligence (AGI)

범용 인공지능(AGI)은 거의 모든 인지 작업에서 인간의 능력과 같거나 이를 뛰어넘고, 각 작업을 위해 별도로 구축하거나 재학습하지 않아도 새로운 작업을 학습하는 가상의 인공지능(AI)입니다. 대부분의 정의에 따르면 오늘날 사용되는 모든 AI 시스템은 학습한 범위 내에서만 능력을 발휘하는 협의 인공지능(ANI)입니다. 다만 여러 분야에서 글쓰기, 코딩, 추론을 수행하는 대규모 언어 모델(LLM)이 등장하면서 이 경계에 관한 활발한 논의가 이어지고 있습니다. 현대적 용법에서 강인공지능은 AGI의 동의어입니다. Mark Gubrud는 1997년에 이 용어를 사용했으며, 연구자인 Shane Legg와 Ben Goertzel이 2002년경 널리 알렸습니다.

AGI의 정의#

AGI에는 합의된 단일 정의가 없으며, 주요 제안은 서로 다른 기준을 측정합니다.

• 경제적 산출: OpenAI의 헌장은 AGI를 "대부분의 경제적으로 가치 있는 업무에서 인간을 능가하는 고도 자율 시스템"으로 정의합니다.
• 성능과 범용성: Google DeepMind 팀은 AGI 수준을 제안했습니다. 이 체계는 두 축에 따라 시스템을 평가합니다. 하나는 숙련된 성인과 비교한 성능이며, 비숙련 인간과 같거나 다소 나은 수준인 초기 단계부터 모든 인간보다 우수한 초인간 수준까지로 나뉩니다. 다른 하나는 해당 성능을 한 가지 작업에서 발휘하는지, 아니면 새로운 기술 학습을 포함한 다양한 비물리적 작업에서 발휘하는지입니다.
• 학습 효율성: François Chollet은 "지능의 척도에 관하여"(2019)에서 지능을 기술 습득 효율성으로 정의합니다. 즉, 기존 지식이 제한된 상황에서 시스템이 한 번도 접해 보지 않은 작업을 얼마나 빠르게 익히는지를 뜻하며, 이미 축적한 기술의 양을 의미하지 않습니다.
• 마음과 이해: 철학적 쟁점은 기계가 실제로 이해하고 마음을 가질 수 있는지 여부이며, 이는 John Searle의 1980년 중국어 방 논증에서 말하는 강한 AI의 본래 의미입니다.

AGI 수준 프레임워크는 최대 세 가지 질문으로 시스템을 분류하며, 먼저 범용성을 살펴봅니다.

저자들은 ChatGPT, Bard, Llama 2와 같은 2023년 챗봇을 초기 AGI 단계에 배치하고, 그보다 높은 모든 범용성 수준은 아직 달성되지 않은 것으로 분류했습니다. 반면 좁은 범위의 시스템은 이미 초인 수준까지 척도 전반에 걸쳐 있으며, AlphaFold, AlphaZero, Stockfish를 초인 수준에 포함했습니다.

AGI와 좁은 AI, 초지능의 차이#

• ANI: 정해진 범위 안에서는 뛰어난 성능을 발휘하지만, 그 범위 밖의 작업을 수행하려면 새로운 데이터와 재학습이 필요합니다. COCO로 학습한 Ultralytics YOLO26 디텍터는 수준 프레임워크에서 좁은 범주에 속합니다. 이미지당 수 밀리초 만에 80개 객체 클래스를 찾아 라벨을 지정하지만, 재학습하거나 주변의 다른 시스템을 활용하지 않는 한 새로운 클래스를 학습하거나 질문에 답하거나 동작을 계획할 수 없습니다.
• AGI: 대부분의 인지 작업에서 숙련된 사람과 비슷한 능력을 발휘하고, 학습한 내용을 훈련받지 않은 분야에도 적용합니다. 오늘날 전이 학습이 제공하는 능력은 서로 밀접하게 관련된 작업 사이에서만 가능합니다.
• 인공 초지능(ASI): 사실상 모든 분야에서 최고의 인간을 능가합니다. 사람이 따라갈 수 있는 속도보다 빠르게 자체 지능을 향상하는 시스템은 기술적 특이점을 상정하는 시나리오입니다.
• 강한 AI: 현대적 용례에서는 AGI와 동의어입니다. Searle의 원래 의미에서 강한 AI는 문자 그대로 마음을 가진 기계입니다. 이는 이해 능력 테스트로는 다루지 않는 주장입니다.

최첨단 LLM은 이러한 범주를 모호하게 만듭니다. 하나의 모델이 계약서를 작성하고 경시 수학 문제를 풀며 이미지를 설명할 수 있지만, 능력은 고르지 않습니다. 이를 들쭉날쭉한 지능이라고 하며, 학습이 끝나면 가중치는 더 이상 학습하지 않습니다.

미해결 과제#

• 지속 학습: 배포된 모델은 컨텍스트 윈도우 안에서만 적응하며, 새로운 데이터로 추가 학습하면 이전 기술을 치명적으로 망각할 위험이 있습니다.
• 신뢰성: 전문가 시험을 통과한 모델도 환각과 같이 확신에 찬 오류를 생성하며, 해결할 수 있는 작업을 조금만 단순하게 변형해도 예측할 수 없는 방식으로 실패합니다.
• 물리적 세계: 체화된 AI 시스템은 실제 환경에서 지각하고 계획하고 행동해야 합니다. 장면이 어떻게 변하는지 예측하는 월드 모델은 여기에 필요한 상식을 구현하기 위해 제안된 방법 중 하나입니다.
• 정렬과 제어: AI 안전성 연구는 초정렬을 포함해 감독자를 넘어설 수 있는 시스템이 사람이 의도한 목표를 계속 추구하도록 하는 방법을 다룹니다.

AGI를 향한 진전 측정#

정의가 서로 다르므로 테스트도 다릅니다. ARC-AGI 벤치마크는 Chollet의 정의에 따라 사람이 쉽게 푸는 새로운 퍼즐을 사용하며, 답을 암기할 수 없도록 비공개 테스트 세트에서 점수를 측정합니다. 2026년 3월에 출시된 ARC-AGI-3는 정적인 격자 퍼즐을 수백 개의 대화형 게임 환경으로 대체했습니다. 이 환경에는 설명이나 명시된 목표가 없으므로 에이전트는 탐색하고 규칙을 추론하며 계획을 세워야 합니다. 출시 당시 인간 테스터는 100%, 최첨단 AI 시스템은 0.51%를 기록했습니다. 2026년 9월 ARC Prize Foundation은 OpenAI의 GPT-6 Astra가 표준 테스트 하네스에서 62.7%, 이동 사이에 모델의 추론 상태를 유지하는 하네스에서 99.9%를 달성했다고 보고했으며, 벤치마크를 포화 상태에 이르게 해도 AGI를 입증하는 것은 아니라고 밝혔습니다. Humanity's Last Exam과 같이 지식에 중점을 둔 테스트는 전문가 수준의 질의응답을 측정합니다.

AGI가 언제 등장할지에 대한 예측은 매우 다양합니다. 주요 AI 학회에 논문을 발표한 연구자 2,778명을 대상으로 한 설문조사가 2024년에 발표되었으며, 종합 예측에서는 보조 장치 없이 작동하는 기계가 2047년까지 가능한 모든 작업에서 인간을 능가할 확률을 50%로 제시했습니다. 이는 같은 연구팀이 1년 전에 실시한 설문조사보다 13년 이른 시점입니다.