AGI 및 미래 AI
DeepMind Institute, AGI에서 초지능으로 이어지는 네 가지 경로를 제시하다

핵심 포인트전 세계의 실효 컴퓨팅은 하드웨어와 알고리즘 전반에서 매년 최소 열 배 이상 성장해 왔다.
더 보기
- 전 세계의 실효 컴퓨팅은 하드웨어와 알고리즘 전반에서 매년 최소 열 배 이상 성장해 왔다.
- 훈련 컴퓨팅만 제한한다고 해서 반드시 진전이 멈추지는 않는데, 경로들이 복합적으로 작용할 수 있기 때문이다.
- 더 가까운 시기의 과제는 더 빠른 에이전트 속도와 수를 진정으로 새로운 능력과 구별하는 것이다.
DeepMind Institute는 2026년 11월 19일, AI가 인간 수준의 범용 인공지능(AGI)에서 인공 초지능(ASI)으로 발전할 수 있는 네 가지 경로를 개괄하는 에세이를 발표했다. 이와 함께 급속한 발전이 계속될 가능성은 있지만, 이를 확신하기는 어렵다고 강조했다.
네 가지 경로는 모델과 데이터의 지속적인 규모 확대, 기술 패러다임의 전환, 대규모 에이전트 집단 간의 협력, 그리고 AI 시스템이 후속 시스템의 개선에 기여하는 재귀적 자기 개선이다. 각 경로에는 서로 다른 기술적 병목과 측정상의 문제가 따른다.
이 에세이에서 AGI란 거의 모든 인지 과제에서 대체로 인간 수준의 역량을 갖춘 시스템을 뜻한다. ASI는 인간 전문가 집단이 수년간 수행할 수 있는 거의 모든 관심 분야의 과제에서, 더 적은 자원과 시간으로 그 집단을 안정적으로 능가해야 한다. 체스, 바둑 또는 단백질 구조 예측처럼 특정 분야에서 인간을 뛰어넘는 성능을 보이는 것만으로는 이에 해당하지 않는다.
이 에세이는 Google DeepMind가 2026년 6월 12일자로 작성일을 밝힌 기술 보고서 AGI에서 ASI로와 그 뒤에 이어진 연구소의 논의를 바탕으로 한다. 보고서의 arXiv 원문은 ASI의 기준을 다음과 같이 제시한다. 2010년에 이용할 수 있었던 기술과 문화적 산물을 활용해 하나의 문제를 10년간 연구하는, 긴밀히 협력하는 전문가 수만 명을 안정적으로 능가하는 것이다. 앞선 보고서에서도 같은 네 가지 경로의 틀을 소개했다.
ASI도 이론적인 지능의 한계에는 여전히 크게 못 미친다. 에세이는 기후, 면역 체계, 인간 사회를 비롯한 현실 세계의 시스템을 임의로 정밀하게 예측하지 못하게 하는 물리적·논리적·복잡성의 제약을 짚는다. 따라서 인간 수준의 AI는 하나의 연속선 위에 있는 한 지점일 뿐이며, 그 지점과 한계 사이에는 넓고 대부분 아직 탐구되지 않은 영역이 놓여 있다.
인지 노동의 산업화와 비용 하락
에세이는 하드웨어 개선, AI 하드웨어 투자, 알고리즘 효율을 종합한 전 세계 실효 연산 능력이 매년 최소 10배씩 증가해 왔다고 추산한다. 이 증가율이 10년간 이어진다고 가정하면 100억 배에 이른다. 이러한 추세가 유지된다면 현재 실행 가능한 AI 에이전트 하나마다 인간 인구보다 더 많은 수의 동급 에이전트를 실행할 수 있다는 시나리오다.
에세이의 비용 사례에서는 하드웨어와 추론 효율의 개선으로 연산 수요가 매년 약 4분의 1 수준으로 줄어드는 것으로 가정한다. 이 속도라면 연산 토큰에 10억 달러가 드는 작업의 비용은 10년 뒤 1,000달러가 된다. 그에 따른 인지 노동의 표준화와 자동화를 에세이는 일상적인 육체노동의 상품화에 비유해 ‘인지 노동의 산업화’라고 부른다. 최첨단 기술이 극적으로 발전하지 않더라도 이러한 변화는 지식 노동과 더 넓은 경제를 재편할 수 있다.
에세이는 일부 인지 과제에 인간의 도움이 필요하다면 규모 확대만으로 완전한 AGI에 도달하지 못할 수도 있다고 경고한다. 인간 수준에 가까운 시스템을 폭넓게 이용할 수 있게 되면, 더 빠르고 더 많은 에이전트가 약한 형태의 ASI로 가는 간극을 메우는 데 도움을 줄 수 있다. 이때 디지털 시스템의 처리 속도, 메모리, 컴퓨팅 하드웨어 간 이동성, 코드와 메모리 상태를 거의 손실 없이 복제하는 능력, 그리고 높은 대역폭으로 경험을 공유하는 능력이 힘을 보탤 수 있다.
네 가지 경로와 그 제약
규모 확대를 계속하면 고품질 학습 데이터가 고갈될 수 있고, 역량을 한 단계 높일 때마다 연산량과 모델 크기를 몇 배씩 늘려야 해 수익이 감소할 수 있다. 전력 생산, 전력망, 칩 제조, 하드웨어 상호 연결과 관련된 물리적·경제적 한계도 존재한다. 현재의 아키텍처, 데이터, 평가를 토대로 맞춘 스케일링 법칙만으로는 AGI나 ASI에 어느 정도의 규모가 필요한지 자신 있게 예측할 수 없다.
패러다임 전환은 지속적 학습, 일부 형태의 세계 모델링, 의사 결정, 그리고 특정 역량에 도달하는 데 시스템이 필요로 하는 학습 데이터의 양을 뜻하는 표본 효율성에서 나타나는 격차를 해소하는 데 초점을 둔다. 현재 시스템은 기존 개념을 재조합하는 데 그치지 않고 완전히 새로운 개념과 추상화를 만들어 내지 못할 수도 있다. 연구자들은 현재 주류인 트랜스포머 패러다임을 점진적으로 바꾸는 것만으로 이런 격차를 메울 수 있을지, 아니면 더 근본적인 전환이 필요한지를 두고 의견이 엇갈린다.
에세이는 에이전트 간 협력이 집단적 발전 경로를 제공하지만, 다중 에이전트 규모 확대에 관한 법칙은 아직 마련되지 않았다고 말한다. 협력의 비효율, 허위 정보, 조작, 담합은 대규모 집단의 역량을 약화할 수 있으므로 제도적·조직적 방어책이 필요하다. 재귀적 자기 개선은 코드와 하드웨어 설계, 배포 과정에서 생성되는 재사용 가능한 데이터, 또는 에이전트 집단 내 전문화를 통해 피드백 고리를 더한다. 피드백이 부실하면 이러한 고리가 멈추거나 성능을 떨어뜨릴 수 있다. 수학적 증명처럼 결과를 자동으로 검증할 수 있는 분야에서는 더 빠른 발전이 예상된다.
이러한 경로들은 서로 상승 효과를 낼 수 있다. 에세이는 한 경로가 정체되면 경제적·지정학적 경쟁으로 다른 경로에 노력이 쏠릴 수 있으므로, 학습 연산만 제한해서는 전반적인 발전을 반드시 막을 수 없다고 주장한다. 다른 투입 요소가 발전하는 가운데 하나만 억제하면 역량 ‘오버행’이 생길 수도 있으며, 제약이 완화되거나 우회된 뒤에는 발전 속도가 더 가팔라질 수 있다.
AGI를 넘어선 진전 측정
제안된 대응 방안은 최첨단 연구소와 국가·국제 기관을 아우르는 학제 간 협력을 통해 모델링하고, 측정하고, 예측한 뒤 이를 반복하는 것이다. 필요한 지표를 마련하려면 최첨단 모델에 접근할 수 있어야 하고, 평가에 상당한 컴퓨팅 자원을 투입해야 하며, 새로운 벤치마킹 및 모델링 방법도 개발해야 한다.
이러한 경로가 ASI로 이어질지, 또 언제쯤 그렇게 될지는 아직 밝혀지지 않았다. 당면한 과제는 에이전트의 속도와 수적 증가를 진정한 새 역량과 구분할 수 있는 평가 체계를 구축하는 한편, 서로를 강화할 수도 있는 경로를 추적할 수 있도록 공공 기관에 충분한 접근 권한과 컴퓨팅 역량을 제공하는 것이다.












