📋한눈에 보는 AI 요약AI 자동 요약▶ 펼쳐보기
AI가 이제는 사람이 만들어 준 학습 자료에만 의존하지 않고, 스스로 자기에게 필요한 문제를 만들어 공부하기 시작했습니다. 마치 시험 준비를 할 때 틀린 문제만 모아서 오답 노트를 만들고, 거기서 더 어려운 문제를 스스로 출제하는 것과 비슷합니다. 이 방식은 추론 AI, 소프트웨어를 다루는 에이전트 AI, 로봇까지 다양한 분야에 적용되고 있습니다. 삼성전자의 김민수 PL은 이를 ‘셀프 이볼빙 데이터’라고 부르며, AI가 부족한 부분을 찾아 데이터를 만들고 다시 학습하는 순환 구조가 미래 AI 발전의 핵심이라고 설명했습니다.
왜 중요한가요?사람이 일일이 학습 데이터를 만들어 주지 않아도 AI가 스스로 성장할 수 있게 되면, AI 개발 속도와 비용 문제가 크게 개선되고, 결국 더 똑똑한 AI가 우리 생활 곳곳에 빠르게 적용될 수 있기 때문에 중요합니다.
주요 용어 설명
셀프 이볼빙 데이터 (Self-Evolving Data)AI가 자기 학습 결과를 보고 부족한 부분을 파악한 뒤, 그 부분을 보완할 학습 자료를 스스로 만들어내는 방식입니다. 학생이 시험을 본 뒤 틀린 부분만 골라 오답 노트를 만들고, 거기서 다시 문제를 내서 공부하는 것과 비슷합니다.
합성 데이터 (Synthetic Data)실제 세계에서 수집한 것이 아니라 AI나 컴퓨터 프로그램이 인공적으로 만들어낸 학습 자료입니다. 예를 들어 로봇 훈련을 위해 실제로 물건을 집는 대신, 컴퓨터 시뮬레이션 안에서 가상의 물건 집기 연습 데이터를 대량으로 생성하는 것입니다.
월드모델 (World Model)로봇이 어떤 행동을 하면 주변 환경이 어떻게 변할지를 미리 예측하는 가상 시뮬레이션 모델입니다. 실제 로봇을 움직이지 않고도 컴퓨터 안에서 다양한 상황을 미리 경험해 볼 수 있어, 비용과 위험을 줄이면서 학습 데이터를 만들 수 있습니다.
강화학습 (Reinforcement Learning)AI가 시행착오를 거치면서 좋은 결과를 낳는 행동에는 보상을, 나쁜 결과를 낳는 행동에는 벌점을 주어 스스로 더 나은 방법을 찾아가는 학습 방식입니다. 게임에서 점수를 높이기 위해 여러 전략을 시도하며 배우는 과정과 비슷합니다.
⚡ Claude AI가 독자를 위해 자동 생성한 요약입니다. 원문을 함께 읽어보세요.
AI는 이제 자신에게 필요한 학습 데이터를 스스로 만들어내기 시작했다. 한 문제를 맞히면 더 어려운 문제를 만들고, 틀리면 어디에서 문제 풀이가 막혔는지 찾아 그 약점을 겨냥한 문제를 다시 만든다. 그렇게 학습 결과에 따라 다음에 AI가 무엇을 배워야 할지 정하는 식으로 모델이 고도화한다.
현재 프런티어 AI 기업들이 맞닥뜨린 병목은 ‘다음에 어떤 문제를 풀게 할 것인가’이다.
지난 6월 미국 기술매체 와이어드는 페이스북 모회사 메타가 사내에서 직접 AI 학습용 퍼즐과 복잡한 코딩 문제를 직접 만들게 했다고 보도했다. 무려 약 6,500명의 엔지니어와 제품 담당자로 구성된 ‘응용 AI(Applied AI)’ 조직에 하달된 미션이었다. 일부 엔지니어들에게 공개된 코드와 문서를 더 읽히는 것만으로는 최신 모델의 약점을 드러낼 새로운 문제를 충분히 확보하기 어려워지자, 소프트웨어를 만들던 고급 인력을 AI 학습 데이터 제작에 투입한 것이다.
하지만 사람이 계속 새로운 문제를 만들어 주는 방식은 비용과 속도 면에서 한계가 뚜렷하다. 모델 성능이 높아질수록 더 어렵고 새로운 문제가 필요하고, 이를 설계하고 검증하는 데 드는 시간과 비용도 함께 늘어난다. 그래서 AI 경쟁에 뛰어든 기업들의 질문도 ‘데이터를 어디서 더 가져올 것인가’에서 ‘AI가 배워야 할 데이터를 스스로 만들어낼 수 있는가’로 옮겨가고 있다.
MIT 테크놀로지 리뷰와 함께, 미래를 앞서가세요 !!
한달에 커피 2잔값으로 즐기기
온라인 멤버
지면 매거진 멤버
(온라인+지면) 프리미엄 멤버
유료회원 플랜 보기
회원이면 로그인하기
회원가입
회원 가입 후 유료 구독 신청을 하세요 !!
