5월 초 알파벳(Alphabet)의 인공지능 연구소 딥마인드(DeepMind)가 다양한 작업을 수행할 수 있는 새 ‘범용형’ 인공지능(AI) 모델 ‘가토(Gato)’를 선보였다. 딥마인드는 가토가 아타리(Atari) 비디오 게임 플레이, 사진 설명 작성, 채팅, 실제 로봇팔을 이용한 블록 쌓기 등을 포함해 총 604개의 작업을 수행할 수 있다고 발표했다.

딥마인드의 설명대로라면 가토가 대단히 흥미로운 AI라는 점은 부인할 수 없는 사실이다. 그러나 일부 연구자들은 가토가 출시되고 일주일 동안 지나치게 흥분한 듯한 모습을 보였다.

딥마인드의 수석연구원이자 가토에 관한 논문의 공동 저자인 난도 드 프레이타스(Nando de Freitas)는 흥분을 억누르지 못했다. 그는 트위터에서 “게임은 끝났다!”라며 가토가 인공일반지능(AGI: artificial general intelligence)으로 향하는 확실한 길을 보여준다고 밝혔다. 인공일반지능이란 인간과 비슷하거나 인간을 뛰어넘는 수준의 AI를 의미하는 모호한 개념이다. 그는 인공일반지능을 구축하는 것이 이제는 규모의 문제일 뿐이라고 주장했다. 즉 가토 같은 AI 모델의 규모와 성능을 더 키우면 인공일반지능 구축에 성공할 수 있다는 것이다.

당연하게도 프레이타스의 발표에 흥분한 언론은 딥마인드가 인간과 비슷한 수준의 AI에 ‘거의 도달했다’고 보도했다. 이렇게 과장된 보도가 현실보다 앞서나간 것은 이번이 처음이 아니다. 오픈AI(OpenAI)의 언어모델 GPT-3와 이미지 생성 AI 달-E(DALL-E) 같은 다른 놀라운 새 AI 모델들이 발표됐을 때도 이번과 유사하게 거창한 주장들이 등장했다. 그러나 AI 분야의 많은 이들은 일부 AI 모델을 둘러싼 이런 종류의 과열된 담론으로 인해 다른 중요한 AI 연구 분야들이 제대로 주목받지 못한다고 생각한다.

이러한 평가가 나온다는 것은 안타까운 일이다. 가토가 AI 모델의 발전 과정에서 상당히 흥미로운 단계에 해당하기 때문이다. 최근 일부 AI 모델들은 다양한 기술을 혼합하기 시작했다. 예를 들어 달-E는 텍스트 설명을 바탕으로 이미지를 생성한다. 다른 모델들은 단일한 학습 기법을 사용해서 이미지와 텍스트 인식 방법을 모두 배우기도 한다. 한편 딥마인드의 알파제로(AlphaZero)는 바둑, 체스, 장기 두는 법을 배웠다.

그러나 여기에는 중대한 차이점이 있다. 알파제로는 한 번에 한 가지 작업만 배울 수 있었다. 우선 바둑 두는 법을 학습한 알파제로는 체스 두는 법을 배우기 전에 바둑에 관해 학습했던 모든 내용을 잊어야 했고, 장기를 배울 때도 마찬가지였다. 알파제로는 한 번에 두 가지 게임을 동시에 플레이하는 법을 배울 수 없었다. 그러나 가토는 다르다. 가토는 동시에 다양한 작업을 학습한다. 즉 다른 기술을 학습하기 전에 이전에 학습했던 기술을 잊을 필요 없이 배운 내용을 전환하는 것이 가능하다. 이는 작지만 매우 중요한 진전이다.

아쉬운 점은 가토가 한 가지 작업만 할 수 있는 모델들만큼 작업 수행 능력이 뛰어나지 않다는 것이다. 매사추세츠 공과대학교(MIT)에서 인공지능과 자연어 및 음성처리를 전문으로 하는 조교수 제이컵 안드레아스(Jacob Andreas)는 “로봇들은 여전히 세상이 작동하는 방식에 관해 텍스트로 ‘상식적인 지식’을 배워야 한다”고 말했다.

그러한 학습 방식은 예를 들어 집안에서 사람들을 도울 수 있는 로봇들에게 유용할 수 있다. 안드레아스는 “로봇을 주방에 내려놓고 처음으로 차를 끓여달라고 요청하면 로봇은 차를 끓이는 데 어떤 과정이 필요한지, 티백이 찬장 어디에 들어있을 가능성이 큰지 알 수 있다”고 설명했다.

일부 외부 연구자들은 프레이타스의 주장을 노골적으로 무시하기도 했다. 딥러닝(deep learning)에 비판적인 AI 연구원 게리 마커스(Gary Marcus)는 “그건 ‘지능’과는 거리가 멀다”며, “가토를 둘러싼 과대광고들은 AI 분야가 쓸모없는 ‘승리주의 문화’로 인해 엉망이 되고 있다는 것을 보여준다”고 말했다.

마커스는 인간과 비슷한 수준의 지능에 도달할 만한 잠재력이 있다며 흥분을 크게 불러일으키곤 하는 딥러닝 모델들이 “만약 사람이 그런 실수를 한다면 어딘가 문제 있는 사람처럼 취급받을만한” 그런 실수를 범하곤 한다고 말했다.

그는 “자연은 우리에게 ‘아무 소용도 없다’는 것을 말해주려고 하고 있지만, AI 분야는 언론이 하는 듣기 좋은 말들을 너무 믿고 있어서 자연의 경고를 알아챌 수가 없다”고 덧붙였다.

딥마인드에서 프레이타스와 함께 가토에 관해 연구했던 재키 케이(Jackie Kay)와 스콧 리드(Scott Reed)조차도 프레이타스의 주장에 관한 질문을 받자 신중한 태도를 보였다. 그들은 가토가 인공일반지능에 가까워지고 있는 AI 모델이라는 생각에 선뜻 동의하지 않았다. 케이는 “사실 현재 상황에서 그런 예측을 하는 게 가능하다고 생각하지 않는다. 그런 이야기는 피하려고 한다. 마치 주식시장을 예측하는 것과 마찬가지”라고 말했다.

리드는 어려운 질문이라고 답하며 “대부분의 머신러닝 연구원들은 신중한 태도로 대답을 피할 것이라고 생각한다. 예측하기는 매우 어려운 일이지만 언젠가 우리가 인공일반지능에 도달하기를 바란다”고 말했다.

어떤 면에서는 딥마인드가 가토를 ‘범용형’ AI라고 부르는 바람에 가토가 인공일반지능을 둘러싼 AI 분야의 지나친 과대광고의 희생양이 됐을 수도 있다. 오늘날 AI 시스템들은 ‘좁은(narrow)’ AI라고 불리는데 이는 AI가 텍스트 생성처럼 특정적이고 제한된 작업만 할 수 있다는 의미이다.

딥마인드의 몇몇 연구원을 포함한 일부 기술 전문가들은 언젠가 인간이 인간만큼 또는 인간보다 더 나은 기능을 보일 수 있는 ‘폭넓은(broader)’ AI 시스템을 개발할 것이라고 생각한다. 어떤 이들은 그런 AI를 ‘인공일반지능’이라고 부르지만 다른 이들은 이를 ‘마법에 대한 믿음’에 비유하기도 한다. 메타의 수석 AI 과학자 얀 르쿤(Yann LeCun) 같은 최고 연구자들은 대부분 그런 AI가 애초에 가능한 것인지 의문을 품고 있다.

가토는 동시에 많은 작업을 수행할 수 있다는 의미에서 ‘범용형(generalist)’ AI이다. 그러나 이는 모델이 기존에 학습했던 것과 다른 새로운 작업에도 유의미하게 적응할 수 있는 ‘범용(general)’ AI와는 완전히 다르다. MIT의 안드레아스는 “그런 AI를 실현하려면 아직도 갈 길이 너무나 멀다”고 말했다.

안드레아스는 모델의 규모를 키운다고 해서 모델이 ‘평생 학습’을 하지 못하는 문제를 해결할 수 있는 것은 아니라고 말했다. 여기서 ‘평생 학습’이란 AI 모델이 어떤 작업을 한 번 학습하면 그 작업이 암시하는 모든 내용을 이해하고 다른 결정을 내릴 때도 그 정보를 활용한다는 의미이다.

AI 및 로봇공학 연구원이자 팀니트 게브루(Timnit Gebru)가 공동 설립한 ‘블랙인AI(Black in AI)’의 일원인 이매뉴얼 카헴브웨(Emmanuel Kahembwe)는 가토 같은 모델을 둘러싼 과대광고가 AI의 전반적인 발전에 해가 된다고 말했다. 그는 “관심 바깥으로 밀려나 있거나 연구비 지원이 부족하거나 더 많은 관심이 필요한 매우 흥미로운 주제들이 많이 있지만 기술 대기업이나 그런 기업에 속한 수많은 연구자들은 그런 흥미로운 주제에 관심이 없다”고 밝혔다.

AI 프로젝트에 ‘영원히’ 연구비를 지원하는 자선단체 패트릭 J. 맥거번 재단(Patrick J. McGovern Foundation)의 회장 빌라스 다르(Vilas Dhar)는 기술 기업들이 한 걸음 물러서서 자신들이 지금 만들고 있는 것을 만들고 있는 이유를 천천히 살펴보아야 한다고 말했다.

그는 이렇게 설명했다. “인공일반지능은 우리가 위대해질 수 있도록 이끌어줄 도구를 제작해서 우리를 지금보다 더 나은 존재로 만들 수 있다는 ‘매우 인간적인’ 생각을 의미한다. 이는 매우 좋은 생각이지만, 그런 생각은 오늘날 우리가 직면한 실질적인 문제들이 있고 우리가 AI를 사용해서 그런 문제들을 해결하려고 시도해야 한다는 사실에서 우리의 주의를 딴 데로 돌리고 있기도 하다.”