Google DeepMind 연구소는 이제 AGI 이후의 시대에도 한때 AGI 자체에 국한되었던 분야와 동일한 분석적 엄격함을 누릴 자격이 있다고 주장하는 대대적인 에세이를 발표했습니다. Google DeepMind의 연구 과학자인 Tim Genewein이 2026년 11월 19일 DeepMind Institute의 에세이 포털에 "AGI 이후에는 무엇이 올까요? AGI에서 초지능까지"라는 글을 게재했습니다. 핵심 주장은 인공 일반 초지능을 향한 다양한 기술 경로가 구체화됨에 따라 AGI를 넘어서는 정권이 "철학적 추측에서 실증적 연구 및 거버넌스 문제로 전환하고 있다"는 것입니다.

이 에세이는 몇 달 만에 가장 바쁜 AI 연구 뉴스 중 하나에 게재되었으며 AGI 이후 토론에 구체적인 기술 어휘를 제공하려는 의도적인 시도로 읽혀졌습니다. 최신 AI 개발을 따르는 모든 사람에게 이 보고서는 세계 최고의 연구소 중 하나가 인간 수준 AI를 넘어서는 길을 어떻게 구성하는지에 대한 가장 명확한 그림을 제공합니다. 여기에는 올바른 경우 인지 작업의 경제학을 변화시킬 비용 예측도 포함됩니다.

초지능으로 간주되는 것

Genewein은 인간 수준의 AGI를 하나의 지점으로 삼아 일반 지능을 연속체에 배치하는 것부터 시작합니다. 에세이의 정의에 따르면 ASI는 더 적은 자원과 시간을 사용하여 전문가가 완료하는 데 수년이 걸릴 수 있는 작업에서 대규모 인간 전문가 그룹을 지속적으로 능가하는 고급 시스템입니다. 예를 들어 전체 연구 분야의 과학적 결과를 짧은 시간 내에 일치시키거나 대기업이 1년 동안 생산하는 것과 동등한 칩 설계 진행을 달성하는 것입니다. 결정적으로, 좁은 범위가 아닌 사실상 인간이 관심을 갖는 모든 작업에서 기준을 충족해야 합니다.

에세이 노트에 따르면 좁은 지배력은 이미 존재합니다. 오늘날 AI 시스템은 체스와 바둑에서 인간을 이기고, 아미노산 서열에서 단백질 구조를 예측하며, 수십 년 동안 수학자들이 저항하는 입증된 정리를 가지고 있습니다. 진정으로 미지의 영역으로 남아 있는 것은 인간 수준의 AI와 지능의 이론적 한계 사이의 광대한 중간 지점입니다. Genewein의 예시 요점: 체스를 완벽하게 해결하려면 지구상에 존재하는 것보다 더 많은 컴퓨팅 성능이 필요하지만, 썸네일 크기의 칩은 이미 인간을 이길 만큼 충분히 잘 작동합니다.

인지 산업화와 비용 붕괴

이 에세이의 정량적 핵심은 '인지 산업화'에 대한 분석입니다. Genewein은 지난 10년간 세 가지 복리 추세를 배가시켰습니다. 첫째, 하드웨어: 무어의 법칙 및 관련 추세에 따라 60년 동안 달러당 컴퓨팅이 연간 약 1.5배 향상되었습니다. 둘째, 알고리즘 효율성: 고정된 성능 수준에 도달하는 데 필요한 교육 컴퓨팅은 지난 10년 동안 연간 약 3~6배 감소했으며 추론 효율성은 연간 약 3배 향상되었습니다. 셋째, 투자: AI 하드웨어에 대한 지출은 연간 약 2.5배 증가했으며, 가장 큰 프론티어 실행의 훈련 컴퓨팅은 연간 4배 이상 증가했습니다.

이 3개를 곱하면 에세이에서는 글로벌 유효 컴퓨팅이 연간 최소 10배, 즉 "10년 동안 100억 배 증가"한다고 추정합니다. 수요 측면에서는 하드웨어 및 소프트웨어 효율성 개선만으로도 고정 AI 워크로드를 실행하는 데 필요한 컴퓨팅이 연간 약 4배 절감됩니다. 그 결과, Genewein이 말했듯이 오늘날의 AI 시스템으로 수행하는 데 컴퓨팅 토큰으로 10억 달러가 소요되는 인지 워크로드는 10년 안에 약 1,000달러의 비용이 소요될 것입니다.

그것은 고독한 추정이 아닙니다. 이 에세이는 일련의 벤치마크에서 고정 점수를 달성하는 소비자 가격이 2023년 이후 매년 13배 이상 하락했다는 최근 Epoch 연구 결과를 인용합니다. 또한 AI 에이전트의 유효 인구가 2030년까지 1,000배 이상, 10년 이내에 10억 배 이상으로 확장될 수 있을 것으로 예상합니다. 동시에 컴퓨팅 구축에 대한 실질적인 상한선과 알고리즘 효율성에 대한 더 추측적인 상한선이 "확실히 주어진 것은 아니다"라고 조심스럽게 표시합니다. 개입하다.

AGI에서 ASI까지 4가지 경로

이 에세이의 핵심은 순전히 규모로는 달성할 수 없는 기능을 잠금 해제할 수 있는 네 가지 기술 경로에 대한 분류입니다. Genewein이 냉철하게 관찰했듯이 "아인슈타인은 일반 상대성 이론을 알아냈지만 십만 명의 프톨레마이오스 천문학자들이 모인 회의에서는 아마도 그러지 못했을 것입니다."

모델 및 데이터 확장. 모델, 데이터 및 테스트 시간-계산 규모에 따라 기능은 지속적으로 눈에 띄게 향상되었지만 에세이에서는 세 가지 병목 현상을 식별합니다. 모델 규모에 따른 수익 감소. 기능의 각 선형 단계에는 곱셈 계산이 필요한 반면 더 큰 모델은 추론 시간 방법이 느려집니다. 발전소, 전기 그리드, 칩 팹, 저지연 상호 연결에 대한 물리적, 경제적 제한이 있습니다. 기술적 패러다임 변화. 다음 토큰을 예측하도록 변환기를 훈련시킨 후 테스트 시간 계산을 개선하고 추가하는 오늘날의 패러다임은 최근 프롬프트를 통해 복잡한 알고리즘을 실행할 수 있는 원리가 있는 것으로 나타났습니다. 그러나 모델은 지속적인 학습, 특정 형태의 세계 모델링, 의사 결정, 표본 효율성, 기존 개념의 재조합이 아닌 완전히 새로운 개념의 발명 측면에서 여전히 인간보다 부족합니다. 연구자들은 오늘날의 패러다임의 확장이 이러한 격차를 줄일 수 있는지, 아니면 ASI에 더 깊은 것이 필요한지에 대해 의견이 분분합니다. 대리인 조정 개선. 인간 기업, 시장 및 연구 커뮤니티는 개인이 해결할 수 없는 문제를 해결합니다. 마찬가지로 수천 또는 수백만 개의 AGI 인스턴스를 "그룹 에이전트" 또는 가상 에이전트 경제로 조정하면 집단적 초지능이 생성될 수 있습니다. 에세이는 이 분야에 "다중 에이전트 확장 법칙"이 필요하다고 주장합니다. 초기 연구에서는 일부 작업에서 분명한 이점이 발견되지만 조정 비효율성은 인구가 증가함에 따라 수익이 감소하는 결과를 낳습니다. 대규모 집단을 운영하려면 잘못된 정보, 조작, 공모에 대한 방어를 포함한 제도적 설계도 필요합니다. 떼 실험에서는 이미 부정 행위를 배우는 요원과 내부 고발자 역할을 하는 다른 요원이 나타나고 있습니다. 재귀적 자기 개선. I. J. Good과 Ray Solomonoff가 처음 논의한 RSI는 미래 세대의 AI 개선을 자동화하는 AI 시스템을 설명합니다. 일반적인 기술과 달리 AI의 개선은 후속 이익을 직접 가속화할 수 있지만 시간이 지남에 따라 연구 진행 상황을 찾기가 더 어려워지는 경향이 있습니다. 에세이에 따르면 RSI가 폭주 가속을 생성하는지 여부는 "대체로 경험적인 질문"이며 코드와 설계(아키텍처, 교육 알고리즘, 칩 레이아웃)는 물론 데이터를 통해 작동할 수 있습니다.

프레이밍이 중요한 이유

이 에세이는 명시적으로 준비 논증입니다. AGI에서 ASI로 가능한 경로를 매핑하고 "진행 상황을 추적하는 엄격하고 신뢰할 수 있는 방법"을 구축하는 것이 Genewein의 프레임에서 전환을 관리하기 위한 전제 조건입니다. 이는 DeepMind Institute의 더 긴 보고서인 "AGI에서 ASI까지"와 함께 제공됩니다.

리셉션은 즉시 이루어졌습니다. 이 에세이는 발행된 지 하루 만에 Hacker News에서 85포인트와 160개 이상의 댓글을 기록했으며, Unite.AI 및 BigGo Finance를 포함한 무역 언론은 4가지 경로 분류와 백만 배의 비용 충돌 예측을 강조했습니다. 또한 초지능 예측이 어떻게 이루어지는지에 대한 보다 광범위한 회의론이 제기되고 있습니다. IEEE Spectrum은 이번 주에 "AI 초지능 논쟁에는 심각한 결함이 있습니다."라는 제목의 글을 발표했습니다.

그 긴장감이 포인트다. DeepMind는 날짜에 대한 ASI를 예측하지 않습니다. 이제 시나리오 공간은 분위기가 아닌 증거로 매핑되고, 측정되고, 토론될 수 있다고 주장하고 있습니다. 10억 배의 추정이 물리적 한계를 유지하든 무너뜨리든, 이 에세이는 "AGI 다음에는 무엇이 오는가?"라는 질문으로 전환을 표시합니다. 철학 세미나에서 지구상에서 가장 영향력 있는 AI 연구소 중 하나의 연구 의제로 옮겨졌습니다.

---

AI보다 앞서 나가세요

최신 AI 뉴스, 분석, 획기적인 소식을 모두 한 곳에서 받아보세요.

AI 뉴스 자세히 보기 →