AGI에서 ASI로: Google DeepMind 요약

대부분의 사람들은 AGI를 최종 목표로 이야기합니다.

최근 Google DeepMind의 논문은 초점을 전환합니다. 이 논문은 더 어려운 질문을 던집니다: AGI 이후에는 어떤 일이 벌어질까요?

이 논문은 두 단계를 구분합니다:

  • AGI (Artificial General Intelligence, 인공 일반 지능): 다양한 작업에서 평균적인 인간 수준의 성능을 발휘하는 AI입니다. 추론, 계획 및 문제 해결이 가능합니다.
  • ASI (Artificial Superintelligence, 인공 초지능): 거의 모든 영역에서 대규모 인간 전문가 집단을 능가하는 AI입니다.

ASI는 단순히 체스에서 이기거나 코드를 작성하는 모델이 아닙니다. 이는 전체 연구소나 기업을 능가할 수 있는 시스템입니다.

논문은 AGI에서 ASI로 나아가는 네 가지 방식을 설명합니다:

  • 스케일링(Scaling): 더 많은 데이터, 더 많은 컴퓨팅 자원, 그리고 더 나은 하드웨어를 사용하는 것.
  • 알고리즘적 전환(Algorithmic Shifts): 단순히 모델의 크기를 키우는 것이 아니라, Transformer와 같은 더 나은 아키텍처를 찾는 것.
  • 재귀적 자기 개선(Recursive Self-Improvement): AI가 연구자들이 더 나은 AI 코드를 작성하도록 돕는 것입니다. 이는 AI가 스스로의 발전을 가속화하는 피드백 루프를 생성합니다.
  • 멀티 에이전트 시스템(Multi-Agent Systems): 하나의 거대한 모델에서 인간 조직처럼 함께 작동하는 수천 개의 전문화된 AI 에이전트로 전환하는 것입니다.

하지만 몇 가지 병목 현상이 이러한 진보를 늦출 수 있습니다:

  • 데이터 한계: 고품질의 인간 텍스트가 고갈될 수 있습니다.
  • 물리적 제약: 스케일링에는 막대한 양의 에너지, 칩, 데이터 센터가 필요합니다.
  • 연구의 난이도: AI가 발전함에 따라, 남은 문제들은 해결하기 훨씬 더 어려워질 수 있습니다.
  • 인간적 요인: 안전, 규제, 그리고 사회적 저항이 발전 속도를 결정할 것입니다.

엔지니어와 개발자에게 이것은 단순한 철학적 논쟁이 아닙니다. 이것은 공학적 도전 과제입니다.

AI의 미래는 다음 사항에 달려 있을 것입니다:

  • 신뢰할 수 있는 에이전트 아키텍처 구축.
  • 장기 기억 및 도구 사용 능력 향상.
  • 인간의 능력을 초과하는 시스템을 평가하는 더 나은 방법 개발.
  • 다수 에이전트로 구성된 분산 시스템 관리.

AGI는 이정표입니다. ASI는 규모의 전환입니다.

출처: https://dev.to/marrouchi/from-agi-to-asi-a-summary-of-google-deepminds-latest-paper-2ndd