Artificial General Intelligence (AGI)

범용 인공지능 (AGI)은 기계가 다양한 작업에 걸쳐 인간의 능력에 필적하거나 이를 뛰어넘는 수준으로 지식을 이해하고 학습하며 적용할 수 있는 인지적 유연성을 갖추는 컴퓨터 과학의 이론적 이정표를 의미합니다. 특정 기능을 수행하도록 설계된 현재의 AI 시스템과 달리, AGI는 자율적인 추론, 익숙하지 않은 환경에서의 문제 해결, 한 영역에서 얻은 경험을 다른 영역에 일반화하는 능력을 갖출 수 있습니다. AGI는 여전히 활발한 연구와 논쟁의 대상이지만, OpenAI 및 Google DeepMind와 같은 주요 연구 기관의 궁극적인 목표이며, 우리가 기술과 상호작용하는 방식을 혁신할 가능성을 제시합니다.

AGI와 좁은 AI의 구분#

AGI에 도달하기 위해 필요한 도약을 이해하려면, 오늘날 우리가 사용하는 인공지능 (AI)과 AGI를 구분하는 것이 중요합니다.

• 인공 좁은 지능 (ANI): 약한 AI라고도 하는 이 범주에는 현재 존재하는 모든 AI 애플리케이션이 포함됩니다. 이러한 시스템은 구체적으로 사전 정의된 작업에서 뛰어난 성능을 발휘합니다. 예를 들어, Ultralytics YOLO26은 객체 감지와 이미지 세그멘테이션에 고도로 최적화된 최첨단 ANI 모델입니다. YOLO26은 인간보다 더 빠르고 정확하게 객체를 식별할 수 있지만, 해당 작업을 수행하도록 명시적으로 재학습하지 않는 한 체스를 두거나 시를 쓸 수 없습니다.
• AGI (강한 AI): 흔히 강한 AI라고 하는 AGI 시스템은 단일 모달리티에 제한되지 않습니다. AGI는 진정한 전이 학습을 수행하여 물리학 시뮬레이션에서 학습한 논리를 금융 시장에 적용할 수 있습니다. 이러한 수준의 다재다능함은 인간 두뇌의 광범위한 인지 컴퓨팅 능력을 모방합니다.

핵심 특성과 과제#

AGI를 개발하려면 신경망 (NN)에 데이터를 더 추가하는 것만으로는 해결할 수 없는 중대한 기술적 난제를 극복해야 합니다. 이를 위해서는 다음을 지원하는 아키텍처를 구축해야 합니다.

• 추상적 추론: 사전에 특정 학습 데이터가 없어도 복잡하고 새로운 상황을 분석하고 논리적 결론을 도출하는 능력입니다.
• 상식: 인과관계와 물리 법칙을 직관적으로 이해하는 능력으로, 현재의 딥러닝 (DL) 모델이 완전히 습득하기에는 여전히 어려운 특성입니다.
• 의식: 기계가 지각 능력을 가질 수 있는지에 관한 철학적·기술적 과제로, 중국어 방 논증과 같은 사고 실험에서 자주 논의됩니다.

이러한 특성을 구현하려면 막대한 컴퓨팅 리소스가 필요할 가능성이 높으며, NVIDIA와 같은 혁신 기업의 첨단 하드웨어와 효율적인 모델 최적화 기법에 의존하게 됩니다.

가상의 실제 애플리케이션#

AGI는 아직 존재하지 않으므로 그 활용 분야는 추측에 기반하지만 혁신적인 변화를 가져올 수 있습니다. Stanford HAI와 같은 기관의 전문가들은 AGI가 완전한 자율 에이전트로 작동하여 산업을 혁신할 수 있다고 제안합니다.

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

2. 범용 로보틱스: 로보틱스 분야에서 AGI는 기계가 비정형 환경을 탐색할 수 있도록 합니다. AGI 기반 로봇은 재프로그래밍 없이도 각 가정의 고유한 구조와 요구 사항에 적응하여 집안일을 하고, 요리하며, 노인 돌봄을 제공할 수 있습니다. 이를 통해 로보틱스 분야 AI의 새로운 가능성이 열립니다.

현재 AI의 한계 시각화#

아직 AGI를 코딩할 수는 없지만, 고도화된 좁은 AI의 역량은 보여줄 수 있습니다. 다음 코드 스니펫은 ultralytics 패키지를 사용하여 추론 작업을 실행합니다. 모델이 특별히 학습한 객체만 감지하도록 제한되어 있고 AGI와 같은 일반적인 이해 능력이 없으므로, 이는 ANI를 나타냅니다.

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()

앞으로의 방향: ANI에서 AGI로#

현재 연구는 멀티모달 학습을 통해 좁은 애플리케이션과 일반 지능 사이의 간극을 좁혀가고 있습니다. GPT-4 및 대규모 언어 모델 (LLMs)과 같은 모델은 텍스트, 코드, 이미지를 동시에 처리하여 일반적인 추론 능력의 가능성을 보이기 시작했습니다. Ultralytics Platform과 같은 도구는 개발자가 점점 더 정교한 모델을 학습할 수 있도록 지원하며, 언젠가 진정한 AGI로 이어질 수 있는 기초 연구에 기여합니다. 현재로서는 지도 학습을 숙달하고 특정 작업을 최적화하는 것이 AI의 가치를 활용하는 가장 효과적인 방법입니다.