인간처럼 생각하기: AI는 유추적 추론 능력을 개발할 수 있을까?

새로운 것을 마주하면 인간은 본능적으로 비교 대상을 찾는다. 원자에 대해 배우는 아이는 전자가 원자핵을 “행성이 태양을 돌듯이” 돈다는 말을 들을 수 있다. 기업가는 자신의 스타트업을 “반려동물 미용 서비스의 우버”라고 소개할 수 있다. 과학자는 비전문가에게 뇌가 정보를 “컴퓨터처럼” 처리한다고 설명할 수 있다.

한 대상이 깊은 구조에서 다른 대상과 어떻게 닮았는지 알아보는 이러한 사고의 도약을 유추적 추론이라고 한다. 이것이 현재 형태의 인간 지능과 AI를 구분하는 요소일 수도 있다. 지금까지 실현되지 않은 AI의 성배인 범용 인공지능(AGI)을 언젠가 개발하려면, 기계가 유추적으로 사고하는 법을 배우는 것이 애초에 가능한지 알아내야 한다. 이보다 더 중요한 문제는 없다. 답이 “아니요”라면 가장 정교한 AI 시스템조차 영원히 거창한 계산기에 머물 것이다. 학습한 데이터를 재배열하는 것 이상이 필요한 문제는 풀 수 없을 것이다.

이해의 구조

유추적 추론은 표면적 유사성이 아니라 구조적 유사성의 수준에서 작동한다. 예를 들어 심장과 물 펌프는 무엇이 비슷한가? 겉모습은 분명 아니다. 둘 다 시스템 안에서 유체를 순환시킨다는 정확히 같은 기능을 수행한다는 점이다. 한 맥락의 관계를 다른 맥락에 대응시키는 이 능력이야말로 인간의 학습과 창의성, 문제 해결을 독특하게 만든다.

현실의 사례는 많다. 뛰어난 독일 화학자 아우구스트 케쿨레는 뱀이 자기 꼬리를 무는 꿈에서 벤젠의 구조에 대한 단서를 얻었다. 오늘날 프로그래머는 주방 정리에서 배운 교훈을 코드 구성에 적용하고, 교사는 전류를 파이프 속을 흐르는 물에 비유한다.

그러나 현재의 AI 시스템은 이 흔한 인지 능력을 매우 어려워한다. 요청을 받으면 현대의 대규모 언어 모델(LLM)은 “시간은 돈이다”라는 말의 이유를 기꺼이 설명하거나 언어 추론 퍼즐을 완성한다. 하지만 점점 쌓이는 증거는 이들이 진정한 구조적 대응보다는 정교한 패턴 매칭을 수행하는 경우가 많음을 시사한다. 연구자가 훈련 데이터에서 벗어나는 새로운 유추 문제를 제시하면 성능이 급락하곤 한다. LLM은 이전에 본 유추를 재현하는 데는 뛰어나지만 새로운 연결을 만들라는 요구에는 어려움을 겪기 때문이다.

유추적 추론 없이는 AGI도 없다

분명히, 유추적 추론은 AGI의 필수 조건이다. 이 능력이 없으면 AI 시스템은 새로운 상황에 취약하며, 한 분야에서 유용한 지식을 다른 분야의 문제 해결에 적용할 수 없다. 예를 들어 화창한 캘리포니아 도로에서 주행하는 법은 배웠지만 그 학습을 눈길에 적용하지 못하는 자율주행차를 생각해 보자. 이 차의 AI는 값비싼 패턴 매칭 장치이지 진정한 지능을 갖춘 시스템이 아니다. 진정한 지능이라면 세부 사항이 달라도 빙판길 주행이 다른 미끄러운 노면 상황과 구조적으로 유사하다는 점을 알아보는 인지적 유연성이 필요하다.

물론 같은 원리는 자율주행차 이외의 분야에도 적용된다. 유추적 사고는 과학, 의학적 진단, 법적 추론, 창작의 발전도 이끈다. 이 능력이 없는 AI는 도서관 전체를 암기했지만 분야를 넘나들며 지식을 종합하지 못하는 학자와 같다. 인상적이기는 하지만, 극히 제한된 의미에서만 그렇다.

유추하는 사고 능력 구축하기

그렇다면 인간처럼 유추적으로 추론하는 AI 시스템을 개발하려면 무엇이 필요할까? 새롭게 진행되는 연구와 유추적 사고의 근본적 성격을 고려하면 몇 가지 핵심 조건과 기법이 필요해 보인다.

구조적으로 풍부하고 다양한 훈련 데이터

첫 번째 요건은 AI 시스템이 표면적인 텍스트 패턴을 넘어서는 데이터로 학습하도록 하는 것이다. 과학 논문과 기술 문서, 창작물, 설명 자료가 방대하게 축적된 인터넷은 좋은 출발점이다. 하지만 인터넷 데이터라고 해서 아무것이나 충분한 것은 아니다. 필요한 것은 구조적 다양성이다. 즉 AI가 추상적인 패턴을 인식하도록 이끌려면 개발자는 훈련 첫날부터 서로 대비되는 사례를 제시해야 한다. 건축 설계도와 음악 악보, 수학적 증명과 시, 법적 논증과 요리법을 나란히 훈련 데이터에 담을 수 있다. 각 분야는 서로 다른 유형의 관계 구조를 가지므로 미래의 AGI는 이런 연습에서 도움을 얻을 수 있다.

더 중요한 점은 데이터가 단순한 통계적 상관관계뿐 아니라 구조적 관계를 보존하고 부각해야 한다는 것이다. 지식 그래프와 인과관계 도식, 개념 사이의 명시적인 관계 표현은 AI가 연관성을 기계적으로 암기하는 대신 구조를 “보는” 법을 배우도록 도울 수 있다. 사물이 무엇인지만이 아니라 어떤 원리에 따라 서로 관련되는지도 가르친다고 생각하면 된다.

훈련 데이터의 범위를 넘어 시험하기

AI가 단지 모방 능력을 높이는 것이 아니라 실제로 유추적 추론을 배우고 있는지 확인하려면, 처음 접하는 상황에 구조를 대응시키는 능력을 의도적으로 탐색하는 도구가 필요하다. 이를 위해서는 훈련 데이터에 등장할 법한 어떤 내용과도 의도적으로 다른 시험 문제, 즉 연구자들이 “반사실적” 과제라고 부르는 문제를 만들어야 한다.

예를 들어 “강아지와 개의 관계는 새끼 고양이와 ____의 관계와 같다” 같은 일반적인 유추를 완성하라고 하는 대신, 가상의 개념을 사용하는 문제를 제시하거나 이전에 서로 연결된 모습을 본 적 없는 분야 사이의 관계를 대응시키도록 요청할 수 있다. 특정 비교를 한 번도 접하지 않았더라도 재료와 요리법의 관계가 증거와 법적 논증의 관계에 대응한다는 사실을 알아볼 수 있을까? 이런 시험을 통해 시스템이 근본적인 구조를 이해하는지, 비슷한 사례를 떠올리는 데 그치는지 알 수 있다.

중요한 것을 측정하기

AI 개발자에게 좋은 소식은 인간이 유추를 처리하는 방식을 다룬 인지과학 연구가 수십 년간 축적되어 있다는 것이다. 이 연구를 활용해 유추적 추론을 평가할 탄탄한 벤치마크를 만들 수 있다. 다만 벤치마크는 유추 시험의 정답 수를 세는 데 그쳐서는 안 된다. 정말 필요한 것은 AI가 표면적 유사성을 무시하면서 대응시킬 만한 관계를 알아보고, 대응 관계 전체의 일관성을 유지하는지 포착하는 지표다.

여기에는 더 높은 차원의 관계를 알아볼수록 점수를 주는 평가 체계가 포함될 수 있다. 예를 들어 원자와 태양계 모두에 궤도 운동이 있다는 사실뿐 아니라 그 궤도를 지배하는 인과관계도 이해한다면 AI는 더 높은 점수를 받을 것이다. 미리 구성된 유추 문제를 완성하는 데 그치지 않고, 새로운 개념을 설명할 적절한 유추를 자발적으로 만들어 내는지도 평가할 수 있다.

프롬프트로 추론 지원하기

최근 연구는 AI의 유추적 사고 능력이 어떤 방식으로 요청받는지에 크게 좌우된다는 점을 시사한다. 유추를 유도하는 프롬프팅은 모델을 구조적 대응 과정으로 명시적으로 안내하는 것으로, 아무런 안내 없이 문제만 제시할 때보다 정교한 추론을 이끌어 낼 수 있다. 먼저 출발 분야의 관계를 찾아내도록 한 뒤, 그 관계를 대상 분야에 대응시키라고 명시적으로 요청하는 식이다.

이 기법은 현재 AI 시스템의 유추 능력을 높이는 동시에 미래 모델용 훈련 데이터를 만든다는 두 가지 목적에 쓰일 수 있다. 안내를 받은 유추적 추론이 성공한 사례를 기록하면, 후속 시스템이 이 과정을 더 자연스럽게 수행하도록 가르칠 예시를 만들 수 있다.

하이브리드 아키텍처

인간 수준의 유추적 추론을 실현하려면 순수 신경망 접근법을 넘어서야 할 수도 있다. 패턴 인식과 기호 추론, 즉 구조적 관계를 명시적으로 표현하고 조작하는 방식을 결합한 하이브리드 시스템이 빠진 조각을 채울 수 있다. 신경망은 암묵적인 패턴을 학습하는 데 뛰어나지만, 기호 시스템은 유추적 추론에 필요한 구조적 일관성과 논리적 대응을 보장할 수 있다.

하이브리드 아키텍처는 아직 초기 단계이지만 연구자들은 그 잠재력을 활발히 탐구하고 있다. 일부 연구자는 신경망과 기호 추론의 결합을 주장하며, 이것이 유추 능력을 높일 수 있다고 본다. 다른 연구자들은 하이브리드 모델을 지지한다. 이 모델들은 AI가 정보를 지어내거나 피상적인 유추에 머무르는 경향에 대응하도록 설계되었다.

앞으로의 방향은?

누구에게 묻느냐에 따라 유추적 추론은 이미 나타나고 있는 능력이거나, AI가 단지 모방을 더욱 정교하게 하는 것일 수 있다. 어느 쪽이 진실에 가깝든, AGI라는 꿈을 실현하려면 더 큰 모델이나 더 많은 데이터만으로는 부족하다는 점은 분명하다. AI 시스템을 구성하고 훈련하며 평가하는 방식에도 근본적인 혁신이 필요하다.

AI의 변혁적 역량이 펼쳐지면서 유추적 추론은 중요한 성능 기준이자 현재 AI의 능력과 진정한 인간 인지 사이의 간극을 냉정하게 일깨우는 지표가 된다. AI가 민주주의와 시민의 관계가 오케스트라와 연주자의 관계에 대응한다는 점을 알아보고, 표면적인 특징이 아닌 조율과 대표성, 상호작용에서 생겨나는 조화라는 깊은 구조적 관계를 인식한다면 진정한 지능을 향한 중요한 문턱을 넘어선 셈이 될 것이다.