AGI 및 미래 AI
AI와 2027년: 기억 기능이 기계 지능의 새로운 시험대가 된다

핵심 포인트기억 테스트는 단순한 사실 회상이 아니라 교정과 유보를 판단할 것이다.
더 보기
- 기억 테스트는 단순한 사실 회상이 아니라 교정과 유보를 판단할 것이다.
- 선별된 구조화된 기억은 통제된 비교에서 구분되지 않은 전체 이력보다 더 나은 성과를 보여야 한다.
- 어시스턴트 제품은 사용자를 위해 보유하는 정보의 출처와 범위를 공개할 것이다.
어시스턴트는 마야가 프로젝트를 맡고 있다는 사실을 기억한다. 그러다 마야가 프로젝트를 다른 사람에게 넘긴다. 다음 날, 어시스턴트는 자신 있게 마야에게 또 다른 업무를 맡긴다. 사실 하나는 기억했지만 세상이 어떻게 달라졌는지는 놓친 것이다. 이 작은 실패는 기계 지능이 직면한 훨씬 더 큰 문제를 보여준다.
기억 기능은 시스템이 어떤 정보가 여전히 유효한지, 무엇을 검색해야 하는지, 무엇을 수정하거나 잊어야 하는지 판단할 수 있을 때만 유용하다. 2027년에는 이런 판단 능력이 모델이 얼마나 많은 과거 정보를 보유할 수 있는지보다 더 엄격한 역량 평가 기준이 될 것이다.
기억 기능은 이미 여러 형태로 구현돼 있다. MemGPT는 계층적 컨텍스트 관리를 탐구했다. Titans는 테스트 시점에 업데이트되는 신경망 메모리 모듈을 도입했다. Google의 Gemini 개인화 설정과 Microsoft Copilot의 메모리 설정은 사용자가 정보를 지속적으로 저장하고 이를 관리하는 선택지를 보여준다. 이러한 메커니즘을 하나의 역량으로 뭉뚱그려서는 안 된다. 저장된 기록 검색, 컨텍스트 유지, 학습된 매개변수 업데이트는 각각 서로 다른 가능성과 실패 요인을 낳는다.
아래 예측은 이러한 메커니즘에서 관찰 가능한 진전에 관한 것이다. 기억 점수를 근거로 AGI 도달 시점을 제시하거나, 시스템이 정보를 보유하는 능력에서 의식이 있다고 추론하지는 않는다.
1. 기억력 평가는 사실 회상을 넘어 더 확장될 것이다
어제의 답을 기억하는 능력은 어제의 답이 틀린 것으로 드러나기 전까지는 칭찬하기 쉽다. 2027년에는 새로운 기억력 평가에서 답변 수정, 적절한 답변 유보, 이전 경험의 활용을 한데 묶어 시험할 것이다. 시스템은 질문과 비슷한 문장을 검색하는 데 그쳐서는 안 된다. 과거의 정보가 언제 관련 있는지, 또 그 정보를 믿고 답하면 현재의 답변이 오히려 나빠지는 경우는 언제인지 알아야 한다.
시간에 따른 추론은 적절한 문구를 찾는 것보다 더 까다롭다. 고객이 환불을 받았을 수도 있고, 정책이 만료됐을 수도 있으며, 예외가 단 한 건에만 적용됐을 수도 있다. 어시스턴트는 지금 어떤 상태가 중요한지 재구성해야 한다. 그러려면 서로 모순되는 업데이트, 명시적인 시간 경계, 그리고 이용 가능한 기록만으로는 답할 수 없는 질문을 포함한 평가가 필요하다.
LongMemEval은 이미 시간에 따른 추론, 지식 업데이트, 답변 유보를 포함한 능력을 평가한다. 따라서 이전의 모든 기억력 평가를 단순 회상 평가라고 설명하는 것은 정확하지 않다. 2026년에 도입된 LongMemEval-V2는 워크플로, 변화하는 상태, 반복적으로 발생하는 운영 세부 사항 등 특정 환경에서 쌓은 경험으로 논의를 확장한다. 엄선된 질문 451개는 대화를 기억하는 것과 특정 업무 환경에서 유용하게 기능하는 것의 차이를 보여준다.
LoCoMo도 중요한 참고 사례다. 사람의 검증과 편집을 거친 긴 대화를 활용한다. 이 평가의 구성 방식은 방법론상의 문제도 드러낸다. 생성된 대화 기록은 실제 업무에서 흔히 볼 수 있는 모순되고 불완전한 기록보다 더 깔끔한 구조를 띨 수 있다. 그런 기록으로 만든 벤치마크를 통과했다고 해서 모든 배포 환경에서 안정적으로 기억 기능을 발휘한다는 뜻은 아니다.
내 예측은 이런 요건을 더 강하게 결합하는 방향으로 향한다. 에이전트는 워크플로가 실패했다는 사실을 기억하고, 그 경험이 나중에 주어진 업무와 관련 있는 이유를 파악하며, 당시의 조건이 더는 성립하지 않을 때는 그 교훈을 적용하지 않아야 한다. 그러려면 기록 어딘가에 있는 문구를 재현하는 데 점수를 주는 대신, 저장된 정보와 그에 뒤따르는 의사결정 사이의 관계를 평가해야 한다.
2027년에 주목할 점
사실이 바뀐 뒤 에이전트가 어떻게 대응하는지, 이용 가능한 기록이 불완전할 때 어떻게 하는지, 과거의 교훈이 새로운 업무와 관련될 때 어떻게 활용하는지를 시험하는 기억력 평가를 주목하자. 공개된 과제와 채점 방식이 있으면 진전을 더 쉽게 평가할 수 있다. 회상 점수만 높아지는 것은 세션 간 연속성이 안정적으로 유지된다는 점을 입증하는 데 제한적인 근거밖에 되지 않는다.
기업에 주는 시사점
지속적으로 정보를 기억하는 어시스턴트를 평가하는 팀은 자체 업무에서 발생하는 변화, 즉 개정된 정책, 변경된 담당자, 만료된 선호 사항, 불완전한 기록을 바탕으로 테스트를 구성해야 한다. 에이전트가 행동을 업데이트하고 불확실성을 인정하는지 확인하자. 이런 사례는 이름이나 선호 사항을 기억하는 모습을 보여주는 것만으로는 드러나지 않는 운영상의 약점을 밝혀낼 수 있다.
2. 통제된 평가에서는 선별된 기억이 구분 없이 쌓인 이력을 앞선다
기록이 많을수록 혼란이 생길 가능성도 커질 수 있다. 오래된 지시, 반복된 일화, 유용한 관찰이 모두 긴 컨텍스트 안에서 주의를 끌기 위해 경쟁할 수 있다. 2027년의 통제된 평가에서는 선별해 구조화한 기억이 구분 없이 쌓인 전체 이력보다 상당한 격차로 앞설 것으로 예상한다. 기반 모델과 이용 가능한 정보를 동일하게 유지하면 결과는 특히 흥미로워질 것이다. 성능 향상이 단순히 더 강력한 모델을 제공해서가 아니라 경험을 체계화한 데서 비롯될 것이기 때문이다.
유용한 기억 기능은 정보를 선별하고 체계화한다는 것이 핵심이다. 현재 유효한 사실과 더 이상 유효하지 않은 사실을 구분하고, 의사결정의 근거를 보존하며, 필요한 순간에 워크플로에 관한 교훈을 찾아낼 수 있다. 전체 대화 기록을 제공하면 모든 세부 정보를 이용할 수 있지만, 새로운 질문이 나올 때마다 모델이 관련된 상태를 다시 구성해야 한다.
그런 직관이 반드시 들어맞는 것은 아니다. 요약 시스템은 나중에 필요한 유일한 세부 정보마저 삭제할 수 있다. 검색 시스템은 관련 사건을 가져오지 못할 수 있다. 색인 과정에서 모델이 추측한 내용을 확정된 사실로 취급할 수도 있다. 메모리를 작성하는 과정에서 미묘한 세부 정보가 빠졌고 답변이 그 정보에 달려 있다면, 전체 맥락을 제공하는 편이 더 나은 기준선일 수 있다.
설계 방안의 범위는 색인, 검색, 읽기 방식의 선택을 살펴보는 LongMemEval 논문에서 이미 확인할 수 있다. MemGPT의 계층 구조는 활성 맥락에 담을 수 있는 정보를 관리하는 초기 시스템 차원의 접근법을 제시한다. 이는 평가된 설계에 관한 연구 성과다. 이러한 연구 성과가 존재한다고 해서 내 전망에 필요한 10포인트 우위나 독립적인 재현이 입증되는 것은 아니다.
가장 많은 것을 드러내는 사례는 정보의 갱신과 시간적 제약이 관련된 경우일 것이다. 고객이 주소를 두 번 변경했다면, 올바르게 답하려면 가장 최근에 승인된 주소와 그 주소가 언제부터 유효했는지에 관한 기록이 필요할 수 있다. 상태를 세심하게 관리하면 이 차이를 명확히 나타낼 수 있다. 평면적인 이력에도 모든 사실이 담길 수 있지만, 그럴 경우 모델이 잘못된 사실을 선택할 여지는 더 커진다.
2027년에 주목할 점
구조화된 메모리와 전체 이력 맥락에 동일한 기본 모델을 통해 같은 정보에 접근하게 하는 비교 연구를 주목해야 한다. 가장 설득력 있는 결과는 본 적 없는 질문을 사용하고, 답변 정확도뿐 아니라 메모리 작성 비용도 공개할 것이다. 비교 대상의 이력을 잘라 내거나 답을 미리 알고 증거를 선택해야만 얻을 수 있는 성능 향상은 설득력이 떨어진다.
기업에 주는 시사점
애플리케이션 아키텍처의 일부로 메모리 설계를 평가해야 한다. 수정 사항과 상충하는 기록을 포함한 대표적인 작업을 대상으로 검색, 요약, 구조화된 상태, 더 긴 맥락을 비교해야 한다. 메모리 유지와 오류 수정에 드는 비용도 고려해야 한다. 더 큰 맥락을 허용하면 도움이 될 수 있지만, 시스템이 올바른 정보를 검색해 적용한다는 증거는 여전히 필요하다.
3. 메모리 제품은 저장하는 정보의 근거를 확인할 수 있게 할 것이다
사용자에 관한 정보를 기억하는 어시스턴트라면 그 정보의 출처를 보여 주고 사용자가 이를 수정할 수 있게 해야 한다. 여러 대화에서 정보를 추론해 서로 다른 환경에서 재사용하게 되면 당연해 보이는 이 기대도 지키기 어려워진다. 2027년에는 주요 어시스턴트 제품에서 이러한 관계 중 일부를 더 쉽게 살펴볼 수 있게 될 것이다. 실질적인 진전은 사용자가 메모리가 어디에 사용될 수 있는지 명확히 이해한 상태에서 그 내용을 질문하고, 수정하거나 삭제할 수 있게 되는 것이다.
사용자가 메모리 항목의 출처와 그 항목에 의존하는 정보가 무엇인지 물을 수 있다면 해당 항목의 유용성은 커진다. 한 대화에서 직접 밝힌 선호는 여러 문서에서 추론한 사실과 지위가 다르다. 잘못된 추론은 이후의 답변에 어떤 영향을 미쳤는지 사용자가 일일이 찾아내지 않아도 수정할 수 있어야 한다.
중요한 제어 기능은 이미 마련되어 있다. Microsoft의 개인정보 보호 문서는 메모리 설정과 대화 기록 및 그 밖의 개인화 선택 사항을 구분한다. Google의 임시 채팅 및 개인화 관련 발표는 이전 대화의 활용 여부를 선택하는 방법을 설명한다. Google의 2026년 채팅 및 메모리 가져오기 관련 발표는 지속적인 맥락이 어떻게 이동성 기능으로 자리 잡아 가는지도 보여 준다. 이 전망은 삭제 버튼의 등장이 아니라 여러 제어 기능을 한층 통합한 관리 환경을 내다본다.
출처 정보는 내용을 직접 확인할 수 있을 만큼 구체적이어야 한다. “사용자의 기록을 바탕으로”라는 문구는 데이터의 범주를 밝힐 뿐, 특정 주장의 근거를 제시하지는 않는다. 출처 링크나 날짜가 기록된 자료가 있으면 사용자는 명시적인 지시와 해석을 구분할 수 있다. 적용 범위에 관한 설명을 통해 해당 메모리가 향후 채팅, 특정 작업 공간, 또는 연결된 도구를 통해 수행하는 작업 중 어디에 적용되는지 알 수 있어야 한다.
삭제에 관한 표현도 그만큼 신중해야 한다. 제품의 활성 메모리 저장소에서 항목을 제거한다고 해서 원본 대화가 삭제되거나 백업이 완전히 제거되거나 모델 가중치에서 정보가 학습 취소되는 것은 아니다. 제품은 실제로 수행하는 작업을 설명해야 한다. 내 전망에서 요구하는 것은 사용자가 확인할 수 있는 제품 제어 기능과 문서화이지, 모든 저장 계층에서 완벽하게 삭제된다는 주장이 아니다.
진전을 기대하는 이유는 윤리적일 뿐 아니라 실용적이기도 하다. 어시스턴트가 의존하는 상태를 사용자가 바로잡을 수 없다면, 믿고 맡길 수 있는 장기 협업자로 거듭날 수 없다. 수정은 시스템 운영의 일부다. 메모리를 보여 주는 세련된 인터페이스라도 메모리의 출처와 이후 활용 방식을 설명하지 않는다면 이러한 필요를 일부만 충족할 뿐이다.
2027년에 주목할 점
저장된 항목을 확인 가능한 출처와 연결하고, 수정이나 삭제를 허용하며, 해당 정보가 어디에 재사용될 수 있는지 설명하는 메모리 인터페이스를 주목해야 한다. 이러한 기능은 개별 항목마다 함께 작동해야 한다. 일반적인 메모리 요약이나 전체 이력을 삭제하는 제어 기능만으로는 출처와 적용 범위에 관한 중요한 의문이 해소되지 않는다.
기업에 주는 시사점
지속적으로 작동하는 비서를 도입하기 전에 직원들이 시스템에 저장된 정보를 확인하고 수정할 수 있는 방법을 마련해야 한다. 공급업체에는 활성 메모리, 원본 대화, 그 밖에 보관되는 기록을 구분해 설명하고 각 제어 기능의 범위도 밝혀 달라고 요청해야 한다. 이러한 답변을 바탕으로 사람과 프로젝트, 업무 관계가 바뀌는 상황에서도 정확한 맥락을 유지할 책임을 기업 내에서 배정할 수 있다.
4. 지속적 학습은 보존이라는 제약 속에서 제한적인 진전을 보일 것이다
새로운 것을 배우느라 유용한 것을 소리 없이 잃어서는 안 된다. 이것이 지속적인 매개변수 업데이트와 신경망 메모리에 따르는 어려운 절충점이다. 2027년에는 상당한 규모의 모델에서 제한적이나마 진전이 있을 것으로 예상한다. 새로운 지식은 분명히 늘면서 기존 평가에서의 성능은 대체로 유지되는 식이다. 이런 결과가 흥미로운 이유는 바로 그 제약을 지켜 내기 때문이다. 이전 테스트를 없애면 개선을 주장하기는 쉬워지겠지만, 그 주장의 의미는 크게 줄어든다.
이는 시스템이 모든 과제를 무기한 학습한다는 주장보다 범위가 좁다. 새로운 경험으로 모델을 업데이트하면 이미 갖춘 능력에 지장을 줄 수 있다. 설득력 있는 결과를 얻으려면 반복 업데이트를 거치는 동안 새로운 정보를 습득하는 능력과 기존 능력을 유지하는 정도를 모두 측정하고, 업데이트에 필요한 연산량도 공개해야 한다.
Titans 논문은 신경망의 장기 메모리와 테스트 시점의 암기를 연구한다. MIRAS는 연관 메모리, 학습 목표, 정보 유지, 최적화에 관한 선택지를 바탕으로 일련의 시퀀스 모델을 설명한다. Google의 연구 설명은 이 연구가 특정 아키텍처와 메모리 메커니즘을 다룬다는 점을 분명히 한다. 이를 모든 배포된 언어 모델이 핵심 지식을 계속 바꾼다는 증거로 제시해서는 안 된다.
더 최근에 발표된 수면 프레임워크 발표(2026년 10월 27일)은 능동적 처리와 사전 할당된 메모리 구성 요소로의 오프라인 통합을 번갈아 수행하는 방식을 설명한다. 이 연구 접근법은 망각을 줄이면서 정보를 습득하는 방법을 제시한다. ‘수면’이라는 명칭은 계산 과정에 빗댄 표현이며, 이 프레임워크는 고정된 아키텍처와 명시된 업데이트 규칙에 따라 작동한다.
이러한 방향은 전망에 개연성을 더하지만, 근거는 아직 초기 단계이며 실험 설계에 크게 좌우된다. 평가 질문이 업데이트 사례와 비슷하면 시스템이 학습한 것처럼 보일 수 있다. 평균 점수를 유지하면서도 작지만 중요한 능력을 잃을 수도 있다. 경험을 통합하는 데 추가 연산량을 지나치게 많이 써서 실제 배포에 매력적이지 않은 결과가 나올 수도 있다. 독립적인 재현과 기존 성능 및 새로운 성능의 분리 보고가 필수적이다.
2027년에 주목할 점
반복 업데이트를 거치는 동안 새로운 학습 성과와 유지된 능력을 각각 보고하고, 독립적으로 재현할 수 있는 실험을 살펴보자. 연산 비용, 데이터 오염 점검, 기존 과제에서의 성능은 필수적으로 확인해야 할 맥락이다. 새로 학습한 자료에서는 성능이 향상됐지만 다른 영역에서는 하락한다면, 주요 학습 점수가 올랐더라도 습득과 유지 사이의 절충이 여전히 크다는 뜻이다.
기업에 주는 시사점
연구개발(R&D) 팀과 모델 공급업체는 유망한 학습 메커니즘과 배포 준비가 끝난 업데이트 프로세스를 구분해야 한다. 모든 파일럿에는 회귀 테스트, 통제된 업데이트 데이터, 버전 추적, 이전 상태로 복구하는 방법이 필요하다. 제품 계획은 지속적인 적응이 모든 고객 과제에서 안정적으로 작동하리라는 가정이 아니라, 입증된 습득 능력과 유지 능력, 운영 비용을 바탕으로 수립해야 한다.
변화 속에서도 연속성을 유지하는 것이 유용한 척도다
유용한 메모리 시스템은 경험에 압도되지 않을 만큼 선별적이어야 하며, 변화하는 세상에 대응할 수 있을 만큼 수정 가능해야 한다. 시스템의 실수는 흔히 사소해 보인다. 오래된 선호를 기억하거나, 담당자를 잘못 짚거나, 예외를 지나치게 폭넓게 적용하는 식이다. 그러나 이런 실패는 많은 것을 드러낸다. 비서가 상호작용의 기록을 바탕으로 다음 상황에서 올바른 판단을 내릴 수 있는지를 보여 주기 때문이다.












