글로벌 칼럼 | 생성형 AI라는 광풍이 잦아들 때 보이는 것

지금쯤이면 다들 챗GPT와 같은 생성형 AI 툴을 사용해서 애플리케이션을 만들고 제안서를 작성하거나 미뤄둔 직원 인사고과를 작성하는 등의 작업을 해봤을 것이다. 그렇지 않더라도 적어도 LLM(Large Language Model)에 이것저것 물어보기라도 했다면 생성형 AI 툴이 인간을 모방하여 결과물을 보여주는 능력에 분명 감탄했을 것이다.
 

동시에 완벽하지 않다는 점도 확실히 인식했을 것이다. 실제로 챗GPT나 깃허브 코파일럿과 같은 생성형 AI 툴에 관한 온갖 장밋빛 미래와는 별개로, 툴을 이끄는 프롬프트를 만들고 결과물을 검토하기 위해서는 여전히 숙련된 사람의 개입이 필요하다. 이런 상황은 당분간은 바뀌지 않을 것이다.

사실 생성형 AI의 큰 가치는 시험을 치거나 법률 문서 또는 소프트웨어 애플리케이션 코드를 작성하는 능력이 아니라 AI의 중요성을 부각했다는 데 있다. 생성형 AI에 관한 모든 과장이 필연적으로 걷히고 나면, 결국 남는 것은 딥러닝과 머신러닝에 대한 투자 증대다. 그리고 이것이 생성형 AI가 세운 가장 큰 공으로 남을 것이다.

생성형 AI 만능론자에게 전하는 말

생성형 AI에 대해 흥분하지 않기도 어렵다. 소프트웨어 개발자 관점에서 생성형 AI는 온갖 종류의 힘들고 단조로운 일을 없애 더 가치 있는 코딩에 집중하게 해준다고 약속한다. 개발자 대부분은 여전히 AWS 코드위스퍼러(CodeWhisperer)와 같은 생성형 AI 코딩 툴을 가볍게 실험하는 수준이지만, 데이터세트(Datasette) 창업자 사이먼 윌리슨처럼 깊게 파고들어 “비약적인 생산성 증대와 온갖 원대한 프로젝트의 가능성을 발견”한 사람도 있다.

윌리슨이 생성형 AI에서 많은 효과를 얻은 대표적인 이유는 경험이다. 윌리슨은 깃허브 코파일럿과 같은 툴을 사용해서 필요한 코드의 80%를 생성할 수 있으며, 어느 부분에서 툴의 결과물을 사용할 수 있고 어느 부분에서 나머지 20%의 코드를 작성해야 하는지 안다. 대부분 개발자는 윌리슨에 비해 경험과 전문성이 부족하고, 따라서 생성형 AI 사용으로 얻는 효과에 대한 기대치도 아마 윌리슨보다는 낮춰야 할 것이다.

AI 물결이 밀려올 때마다 우리는 비슷한 과장 주기를 거치게 될 것이다. 그때마다 과장에서 현실적인 희망을 가려내는 법을 배워야 한다. 머신러닝을 예로 들어 보자. 머신러닝이 처음 등장했을 때 데이터 과학자들은 더 간단한 툴을 사용해도 되는 일까지 포함해서 모든 일에 머신러닝을 적용했다.

하지만 데이터 과학자 노아 로랑은 “머신러닝이 최선의 해결책이 되는 비즈니스 문제는 극소수이며 비즈니스 문제 대부분은 좋은 데이터와 데이터가 지닌 의미에 대한 충분한 이해만 있으면 해결이 가능하다”라고 주장했다. 즉, 페타바이트 규모의 데이터에서 패턴을 찾는 알고리즘을 개발하는 것이 아무리 멋져 보인다 해도, 간단한 수학이나 SQL 쿼리가 더 현명한 접근 방법인 경우가 많다.

비슷한 맥락에서 디프블루(Diffblue) CEO 매튜 로지는 최근 생성형 AI는 다양한 질문에 맞지 않고, 강화 학습으로 성공적인 결과를 얻을 가능성이 더 높다며 “게임 플레이부터 코드 작성에 이르기까지 모든 종류의 작업에서 작고 빠르고 실행 비용도 저렴한 강화 학습 모델이 수천억 개의 매개변수를 사용하는 LLM보다 낫다”라고 주장했다. 로지는 생성형 AI가 과장이라고 주장하는 것이 아니다. 생성형 AI를 컴퓨터 과학의 모든 문제가 아닌 일부 문제를 해결하는 데 유용한 툴로 인식해야 한다고 주장하는 것이다.

생성형 AI 경제의 분수 효과

AI를 한 걸음 물러서서 바라보면, 생성형 AI는 미디어의 과장과 기업 투자에 막대한 영향을 미치고 있지만 엔비디아 엔지니어 아몰 와가 지적한 바와 같이 전체적인 AI 환경 내에서 차지하는 비중은 작은 편이다. ‘AI’는 인간과 기계의 상호작용을 가장 광범위하게 표현하는 용어다. 와가 설명했듯이 AI는 “의도한 결과에 대한 명시적 지침 없이 기계가 학습하고 작업을 수행하게 함으로써 인간의 행동을 모방하는 기술 분야”다.

생성형 AI도 이런 설명에 부합할까? 물론 그렇다. 그러나 먼저 데이터로부터 학습해서 그 데이터를 근거로 예측을 하는 알고리즘을 지칭하는 AI의 하위 집합인 머신러닝이 있다. 그다음에는 신경망 계층을 사용해서 더 인간처럼 생각하도록 컴퓨터를 훈련하는 머신러닝의 하위 집합인 딥러닝이 있다. 마지막으로 생성형 AI는 여기서 한 걸음 더 나가서 입력을 기반으로 새로운 콘텐츠를 생산하는 딥러닝의 하위 집합이다.

생성형 AI로 인해 엔비디아의 데이터센터 지출 비용이 급증하는 모습이나 생성형 AI가 클라우드 컴퓨팅 서비스 버셀(Vercel) 도입에 미치는 영향을 보면 생성형 AI가 궁극의 AI라고 생각하기 쉽다. 물론 생성형 AI는 지금 최고의 인기를 누리고 있지만, 이 인기는 아마 한때의 인기로 지나갈 것이다. 지나갈 것이 거의 확실하다.

생성형 AI가 웹3(기억하는 사람이 있을까?) 또는 블록체인(나쁜 기억을 떠올리게 했다면 유감이다)과 같은 모호함 속으로 사라질 것이라는 말은 아니다. 광범위한 AI 환경에서 생성형 AI가 적합한 영역과 그렇지 않을 영역을 더 현실적으로 판단하게 될 것이다. 

물론 생성형 AI가 컴퓨팅에 미치는 “구조적” 영향에 대한 마시모 르 페레의 열광적인 찬양도 들어볼 수는 있다. 페레는 “지금 우리는 생성형 AI가 할 수 있는 일의 빙산의 일각만 보고 있을 뿐”이라며, “생성형 AI가 주도할 미래에는 전문가가 10배 더 빠르게 일할 수 있고, 10배 더 많은 비전문가가 지금의 인터페이스로는 상상도 할 수 없었던 방식으로 IT에 액세스할 수 있게 된다”라고 주장한다.

물론 그 미래의 일부분은 가능할 것이다. 그럴 가능성이 높다. 그러나 생성형 AI는 AI의 하위 집합의 하위 집합의 하위 집합이다. 지금은 모든 관심이 생성형 AI에 쏠려 있지만, 필자가 보기에 더 흥미롭고 큰 영향을 미치는 것은 AI라는 더 큰 그림이다. 이 시간은 지나갈 것이다. 그 과정에서 생성형 AI가 AI, 머신러닝, 딥러닝의 잠재력을 상기시키고 그에 따라 투자가 이뤄진다면 과장의 시기를 보낼 만한 가치가 있을 것이다.
editor@itworld.co.kr