AI대학원(인공지능융합연구센터)

(사진=셔터스톡)

많은 전문가는 2026년을 '실행하는 AI의 해'라고 강조하고 있습니다. 지난해까지 많은 기업이 AI 도입을 테스트했다면, 올해는 이를 통해 실적을 내야 한다는 말입니다. 심지어는 챗GPT와 제미나이도 같은 예측을 내놓고 있습니다.

이에 따라 연구도 여기에 초점을 맞춰지는 분위기입니다. 모델의 성능을 높이는 것은 물론, 효율을 높이고 실제 사용에서 확실한 성과를 내는 쪽에 무게가 실리고 있습니다. 

벤처비트는 1일 2026년 '기업 팀이 주목해야 할 AI 연구 트렌드 4가지'라는 글을 통해 이를 설명했습니다.

여기에 꼽힌 4가지는 ▲지속 학습(Continual learning) ▲세계 모델 ▲오케스트레이션 ▲정제(Refinement)입니다. AI 관계자들이라면 이미 익숙한 개념일 것으로 보입니다.

우선 지속 학습은 지난해 12월 열린 '뉴립스'에서 대세로 떠올랐다고 소개해 드린 바 있습니다. 데이비드 루안 아마존 부사장 등이 강조했던 내용입니다.

이는 모델을 완전히 재훈련하지 않고도 새로운 정보를 효율적으로 통합하는 방식을 말합니다. 특히, 미세조정 과정에서 발생하는 '치명적 망각(Catastrophic Forgetting)'을 방지하는 것이 중요합니다.

AI 모델에 지식을 추가하는 가장 일반적인 방법은 기존 정보와 새로운 정보를 혼합해 재학습하는 것 즉, 미세조정입니다. 하지만, 이는 비용이 많이 들고 시간이 오래 걸리며 복잡한 과정이라 대부분 기업에는 어렵습니다.

따라서 상당수 기업은 최신 정보나 특화된 정보를 추가하기 위해 검색 증강 생성(RAG)을 사용합니다. 그러나 이는 모델의 내부 지식을 업데이트하는 것이 아니기 때문에 지식 한계를 벗어나거나 사전 학습 당시 사실과 실제 데이터가 충돌하면 문제가 발생할 수 있습니다. 

이에 비해 지속 학습은 모델이 재학습 없이 내부 지식을 업데이트할 수 있도록 합니다. 즉, '스스로 학습하는 AI'를 말합니다.

대표적인 것이 MIT의 ‘SEAL(Self-Adapting Language Models)'과 구글의 ‘중첩 학습(Nested Learning)’입니다. SEAL은 새로운 정보를 학습에 최적화된 형태로 재구성하고, 하이퍼파라미터까지 지정하는 등 자체적으로 미세조정 지침을 만드는 방식이며, 구글은 장기 메모리 모델 '타이탄'을 활용하는 데 초점이 맞춰졌습니다.

방식은 다르지만, 모델의 지속적인 자체 학습이 가능하게 만드는 것입니다. MIT의 연구가 지난해 6월 등장한 이후 칭화대학교와 알리바바 등도 관련 연구를 내놓기 시작했습니다.

이처럼 모델의 자기 학습이 가능해지면, 기업은 많은 문제를 해결할 수 있습니다. 변화하는 환경에 빠르게 적응하고, 에이전트의 기억을 동적으로 조정해 효율을 높일 수 있기 때문입니다.

이 때문에 오픈AI는 MIT의 SEAL 팀을 흡수한 것으로 알려졌습니다. 이 분야는 기존의 사전 학습과 사훈 학습을 넘는, 새로운 트렌드가 될 가능성이 큽니다.

월드 모델에 대해서는 별도 설명이 없어도 될 듯합니다. 이미 구글 딥마인드와 페이페이 리 교수의 월드 랩스에 이어, 얀 르쿤 전 메타 수석 과학자의 AMI 랩의 출범으로 가장 주목받는 분야이기 때문입니다.

이 모델의 핵심은 AI가 텍스트를 넘어 물리적 문제를 해결해야 한다는 것입니다. 특히, 르쿤이 주창한 V-제파(V-JEPA)는 사람이 라벨링한 데이터가 없어도 주변 환경을 이해하고, 예측 불가능한 사건에 대응하며, 현실 세계의 불확실성에 잘 적응해야 하는 것이 핵심입니다.

이는 AI의 실제 세계의 활용성, 피지컬 AI를 위한 중요한 요소입니다. 

오케스트레이션은 지난해부터 에이전트를 위한 핵심 기술로 꼽혀 왔습니다. 이는 올해 아니, 앞으로 몇년 간 AI 연구의 중심을 이룰 것으로 보입니다.

첨단 대형언어모델(LLMl)은 각종 벤치마크에서 인간을 능가할 정도의 성능을 보여주지만, 복잡한 구조와 많은 단계를 거쳐야 하는 실제 문제 해결에서 제 성능을 발휘하지 못한다는 점을 해결해 줄 것으로 기대되는 기술입니다. 즉, 모델이 작업의 맥락을 이해해 정교한 계획을 짜고 이에 맞춰 적절한 모델과 도구를 선택, 최적의 결과를 내도록 합니다.

지난해 초부터 이미 많은 연구와 제품이 등장했습니다. 그리고 모델의 전반적인 성능 향상에 맞춰, 연구도 점점 세분화되고 있습니다. 

가장 최근에는 구글과 MIT 연구진이 다중 에이전트 시스템(MAS)이 어떤 조건에서 최적의 성능을 내는지에 대한 논문을 발표했습니다. 현재 기술 수준에서는 에이전트 수를 3~4명 정도로 제한하는 것이 가장 효율적이라는 조언도 덧붙였습니다.

엔비디아도 지난달 다양한 도구와 모델을 통합하는 오케스트레이터 모델의 편향을 제거하는 학습법을 공개했습니다.

(사진=셔터스톡)

마지막으로 꼽힌 '정제'는 낯선 용어처럼 보이지만, 이미 몇차례 소개된 개념입니다. LLM이 생성한 답을 모델 내부에서 비판하고 수정하고 검증하며 정확도를 높이는 과정입니다.

이는 오픈AI와 구글이 지난해 국제수학올림피아드 등에서 금메달을 획득하는 데에도 활용한 것으로 알려지며 화제가 된 기술입니다. 오픈AI는 이를 내부적으로 '범용 검증기(Universial Verifier)'라고 부르는 것으로 알려졌습니다.  

AI 모델의 AGI 벤치마크로 유명한 ARC 제단은 지난달 블로그를 통해 2025년을 '정제 루프(Refinement Loop)의 해'라고 규정했습니다. 케글(Kaggle) 대회를 진행한 결과, 정제에 관한 오픈 소스 논문들이 눈에 띄는 성과를 발휘했다는 것입니다.

이 기술이 중요한 것은 LLM의 한계인 환각이나 부정확한 답변을 막을 수 있기 때문입니다. 그러나 모델이 추론을 반복한다는 점 때문에, 일반 모델보다 엄청나게 많은 컴퓨팅이 필요합니다. 예를 들어, 정제와 유사한 계산 집약적 모델인 구글의 '제미나이 3 딥 싱크'는 컴퓨팅 비용이 제미나이 3 프로의 100배에 달하는 것으로 알려졌습니다.

하지만 ARC는 '포우에틱(Poetiq)'이라는 정제 시스템이 제미나이 3 딥 싱크를 기반으로 했음에도 불구하고 더 높은 정확도를 달성했으며, 동시에 비용은 절반 이하로 줄였다고 밝혔습니다. 즉, 효율적인 시스템 엔지니어링이 고비용 문제를 극복할 수 있음을 입증했다는 내용입니다.

따라서 앞으로의 연구는 이처럼 비용을 줄이고 효율을 높이는 데 집중될 것으로 보입니다. 만약 이 기술이 계속 발전한다면, 법률이나 의료, 재무와 회계 등 정보 위험도가 높은 분야에서도 AI 도입이 활발해질 수 있기 때문입니다.

이처럼 앞의 4가지 연구 트렌드는 AI를 실제 기업 환경에서 더 정확하고 효과적으로 사용하게 만드는 데 초점이 맞춰져 있습니다. 이 때문에 2026년은 AI 실행의 해라고 불리는 것입니다.

물론 AGI를 향한 경쟁은 계속될 것이고, 오픈AI 같은 곳은 일반 소비자의 사용성 확대를 위해 집중할 것입니다. 그리고 거의 모든 AI 기업은 B2B를 가장 중요한 분야로 생각할 것이 확실합니다. 이제는 수익을 내지 못하면, 살아남기 어려운 시점이기 때문입니다.

실제로 디 인포메이션은 미라 무라티의 싱킹 머신즈 랩(TML)이 올해 구글에 인수될 것으로 예측했습니다. TML은 실리콘 밸리 사상 시드 투자에서 가장 많은 모금액을 기록한 곳입니다

같은 이유로 일론 머스크 CEO가 xAI를 테슬라와 합병할 것이라는 예측도 나왔습니다. xAI는 별 수익 없이 막대한 자금을 까먹는 것으로 알려졌기 때문입니다.

결국 이런 분위기가 연구에도 큰 영향을 미칠 것이라는 분석입니다. 특히 개념 증명 단계였던 에이전트가 이제는 결과를 내야 하는 시점입니다. 만약 성공하지 못한다면, 많은 기업의  AI 도입이 중단되거나 미뤄질 수도 있다는 지적입니다.

또 기업은 강력한 모델을 채택하는 것은 물론, 이를 정확하고 최신 상태로 유지하며 비용 효율적으로 관리하는 제어 시스템을 구축하는 것이 과제로 떠올랐다는 결론입니다.

출처 : AI타임스(https://www.aitimes.com)