지금의 컴퓨터 시스템으로 AGI에 도달할 수 없는 이유

지금의 컴퓨터 시스템으로 AGI에 도달할 수 없는 이유

― 아키텍처·에너지·세계 모델·계산 이론의 네 층위에서

 

인공일반지능(Artificial General Intelligence, AGI)은 특정 과제에 국한되지 않고 인간이 수행하는 거의 모든 지적 활동을 해내는 기계를 가리킨다. 거대 언어모델의 눈부신 발전은 그 목표가 임박했다는 낙관을 불러왔지만, 오늘날 우리가 딛고 선 컴퓨터의 근본 구조를 들여다보면 이 하드웨어와 계산 패러다임 위에서 진정한 일반지능을 구현하기 어려운 구조적·이론적 이유가 드러난다. 여기서는 아키텍처, 에너지, 세계 모델, 계산 이론이라는 네 층위에서 그 한계를 차례로 짚어 본다.

 

첫째는 폰 노이만 병목이다. 1945년 폰 노이만이 제안한 저장 프로그램 방식은 오늘날 거의 모든 컴퓨터의 토대이지만, 연산을 담당하는 CPU와 데이터를 담는 메모리가 물리적으로 분리되어 있다는 근본적 제약을 안고 있다. 두 장치가 하나의 버스를 공유하기 때문에 명령어 인출과 데이터 처리가 동시에 일어날 수 없고, 바로 이 지점에서 처리량이 제한된다. 이것이 이른바 ‘폰 노이만 병목’이며, 프로세서 속도가 메모리 접근 속도를 앞질러 온 지난 수십 년 동안 그 격차는 오히려 벌어져 ‘메모리 장벽(memory wall)’으로까지 불린다. 벨기에 루뱅대 연구진은 이 구조적 제약이 AI 모델과 데이터 규모가 커질수록 막대한 에너지 소비와 지연을 낳는다고 지적한다. 저장과 연산을 같은 뉴런에서 동시에 수행하는 인간의 뇌와 달리, 폰 노이만 기계는 지능이 요구하는 대규모 병렬성과 국소성을 원리적으로 갖추기 어렵다.

AI활용

반응형

둘째는 에너지 효율의 격차다. 인간의 뇌는 약 860억 개의 뉴런과 100조 개의 시냅스로 이루어져 있으면서도 12~20와트, 즉 희미한 백열전구 수준의 전력만으로 지각·기억·언어·감정·운동을 실시간으로 처리한다. 반면 대규모 언어모델은 수천 개의 GPU로 채워진 데이터센터를 필요로 하며, 텍사스 A&M대 연구진의 설명에 따르면 이런 데이터센터는 기가와트 단위의 전력을 소모한다. 연산 한 번당 소비 에너지로 환산하면 현대 GPU는 뇌보다 대략 10만~100만 배 많은 에너지를 쓴다. 스위스 블루브레인 프로젝트는 뇌의 전체 처리를 실시간으로 시뮬레이션하려면 약 27억 와트, 원자력발전소 세 기의 출력에 맞먹는 전력이 든다고 추산했다. 지능을 ‘흉내 내는’ 데에도 이 정도 에너지가 든다면, 그보다 훨씬 복잡한 일반지능을 현재의 실리콘 위에서 확장하는 일은 물리적으로도 경제적으로도 지속 가능하지 않다.

 

셋째는 세계 모델과 체화의 부재다. 튜링상 수상자이자 메타의 수석 AI 과학자인 얀 르쿤은 다음 단어를 예측하는 자기회귀(autoregressive) 언어모델만으로는 인간 수준의 지능에 이를 수 없다고 오랫동안 주장해 왔다. 그에 따르면 지능적 행동은 세계를 이해하고 기억하며 추론하고 계획하는 능력을 요구하는데, 언어는 세계의 낮은 차원의 압축된 그림자일 뿐이다. 르쿤은 텍스트만으로는 물리적 세계를 온전히 담을 수 없으며, 네 살배기 아이가 시각을 통해 받아들이는 감각 정보의 양이 대형 언어모델의 전체 학습 데이터를 능가한다고 지적한다. 그는 심지어 “고양이의 감각-운동 능력이 언어모델을 능가한다”고까지 말한다. 다시 말해 현재의 모델은 인간 지능을 소유한 것이 아니라 모방할 뿐이며, 세계에 대한 내적 모델과 신체적 접지(grounding)가 없는 한 규모를 키우는 것만으로 일반지능이 저절로 창발하지는 않는다.

 

넷째는 계산 이론이 그은 한계선이다. 여러 연구자는 환각(hallucination), 곧 사실이 아니거나 근거 없는 내용을 생성하는 현상이 언어모델의 우연한 결함이 아니라 계산 가능성 그 자체에서 비롯되는 본질적 특성임을 형식적으로 증명했다. 시앙 외 연구진(2024)은 대각선 논법에 기대어, 계산 가능한 어떤 언어모델도 모든 입력에 대해 환각을 피할 수 없음을 보였다. 바네르지 등은 괴델의 제1 불완전성 정리와 정지 문제(halting problem)의 결정 불가능성을 근거로, 학습 데이터의 개선이나 아키텍처 수정, 사실 검증 장치의 추가로도 이러한 ‘구조적 환각’을 완전히 제거할 수 없다고 논증한다. 이는 오늘날의 계산 틀 안에서 정보 인출과 생성이 원리적으로 결정 불가능한 영역을 포함한다는 뜻이다. 완전한 신뢰성이 원리적으로 불가능한 토대 위에, 인간처럼 스스로를 검증하고 진위를 판별하는 일반지능을 세우는 일은 그만큼 근본적인 벽에 부딪힌다.

 

물론 이 한계들이 인공지능의 진보 자체를 부정하는 것은 아니다. 인메모리 컴퓨팅, 뉴로모픽 칩, 세계 모델 기반 아키텍처처럼 폰 노이만 구조를 벗어나려는 시도가 활발하며, 이들은 각각의 벽을 조금씩 낮추고 있다. 그러나 요점은 분명하다. 지금 우리가 서 있는 컴퓨터 시스템―순차적 폰 노이만 아키텍처, 막대한 에너지를 요구하는 실리콘, 세계와 단절된 텍스트 학습, 그리고 결정 불가능성이라는 이론적 천장―은 그 자체로 일반지능을 담기에는 부족한 그릇이다. AGI가 언젠가 실현된다면, 그것은 현재 패러다임의 단순한 연장선이 아니라 계산의 방식 자체를 다시 쓰는 근본적 전환 위에서 이루어질 것이다.