넘버스
넘버스
마이크로소프트의 주장이 잘못된 텍스트를 거침없이 내놓는 이른바 ‘환각 현상’을 두고 하는 말은 아닐 것이다. 게다가 GPT는 체스나 바둑 같은 게임에 서툴고, 수학도 잘 못하며, 아마 오류와 버그가 뒤범벅된 코드를 내놓을 수 있다. 그렇다고 LLM/GPT가 모두 과대포장이라는 뜻은 아니다. 전혀 그렇지 않다. 다만 생성형 AI를 둘러싼 논의에서 어느 정도 균형감을 갖고 과대포장을 대폭 걷어내자는 말이다.
IEEE 스펙트럼(IEEE Spectrum)의 기사에 따르면 오픈AI의 공동 설립자 겸 수석 과학자 일리야 서츠케버를 포함한 몇몇 전문가는 인간의 피드백이 포함된 강화 학습을 추가하면 LLM 환각을 없앨 수 있다고 믿는다. 하지만 메타의 AI 연구소 수석 과학자 얀 르쿤, 최근 구글에서 퇴사한 딥러닝의 아버지 제프리 힌튼 등 다른 전문가는 현재 대규모 언어 모델에 근본적인 결함이 있다고 주장한다. 이 두 사람은 대규모 언어 모델에 언어가 설명하는 현실을 이해하는 데 필수적인 비언어적 지식이 부족하다고 본다.
디프블루(Diffblue) CEO 매튜 롯지는 인포월드와의 인터뷰에서 “게임부터 코드 작성까지 모든 작업에서 작고, 빠르며, 실행 비용이 저렴한 강화 학습 모델이 수천억 개의 매개변수를 가진 LLM을 가볍게 앞선다”라고 밝혔다.
그렇다면 엉뚱한 곳에서 황금을 찾고 있는 건 아닐까?
게임 한판?
롯지의 말처럼 강화 학습이 훨씬 더 잘할 수 있는 영역에 생성형 AI를 우격다짐으로 밀어 넣는 중일 수 있다. 게임이 대표적인 예다. 체스 인터내셔널 마스터인 레비 로즈만이 올린 챗GPT와 체스를 두는 영상을 보면, 챗GPT는 자기 말을 잡는 등 터무니없는 수를 두는가 하면, 반칙까지 저지른다. 또한 오픈소스 체스 소프트웨어 스톡피시(Stockfish)는 신경망을 전혀 사용하지 않는데, 10수 만에 챗GPT의 항복을 받아냈다. LLM이 과대포장에 비해 훨씬 못 미친다는 것을 보여주는 좋은 사례다.구글 알파고는 강화 학습을 기반으로 한다. 강화 학습은 하나의 문제에 다양한 해결책을 생성 및 시도하고, 그 결과를 사용해 다음 제안을 개선한다. 그리고 이 과정을 수천 번 반복해 최상의 결과를 찾는다. 알파고에서 AI는 다양한 수를 시도하면서 해당 수가 좋은 수인지, 해당 위치에서 승리할 가능성이 높은지 등을 예측한다. 이 피드백을 사용해 승리할 수 있는 수순을 따르고, 다른 가능한 수를 생성한다. 이 과정을 확률적 탐색(probabilistic search)이라고 한다. 이 방식은 게임 플레이에 매우 효과적이다. 알파고는 과거에 여러 바둑 고수를 격파했다. 알파고도 완벽한 것은 아니지만, 현재 최고의 LLM보다 성능이 뛰어나다.
확률 대 정확성
LLM이 다른 유형의 AI에 비해 상당히 뒤떨어진다는 증거를 제시하면, 지지자들은 LLM이 “앞으로 더 나아질 것”이라고 이야기한다. 하지만 롯지는 “이 주장이 맞으려면 LLM이 이런 종류의 작업을 더 잘할 수 있는 이유를 이해해야 하지만, 그게 어렵다”라고 언급했다. GPT-4가 특정 프롬프트에 대해 어떤 결과를 내놓을지 아무도 예측할 수 없어서다. 이 모델은 인간이 설명할 수 없다. 그렇기 때문에 프롬프트 엔지니어링은 무의미하다고 롯지는 말했다. 아울러 AI 연구진이 LLM의 새로운 속성(emergent properties)이 존재한다는 것을 증명하기도 어려운 일이며, 예측하기는 훨씬 더 어렵다고 지적했다.아마도 최선의 반론은 귀납법일 것이다. GPT-4는 GPT-3에 비해 더 크기 때문에 일부 언어 작업에서 더 뛰어나다. 따라서 그보다 더 큰 모델은 더욱 뛰어나지 않을까? 과연 그럴까? 롯지에 따르면 “문제는 GPT-3가 어려움을 겪은 작업에서 GPT-4도 고전하고 있다는 점이다.” 그중 하나가 수학이다. GPT-4는 GPT-3보다 그나마 덧셈은 잘하지만, 곱셈을 비롯한 다른 수학 연산에는 여전히 서툴다.
언어 모델을 더 크게 만든다고 해서 이런 고질적인 문제가 마법처럼 해결되진 않는다. 또 오픈AI조차도 더 큰 모델이 답은 아니라고 밝혔다. 이유는 오픈AI 포럼에서 언급된 적 있는 LLM의 근본적인 특성에 있다. “대규모 언어 모델은 본질적으로 확률적이며, 학습 데이터에서 관찰한 패턴에 따라 가능성 높은 출력을 생성하는 방식으로 동작한다. 수학 및 물리 문제는 대체로 정답이 하나만 존재하는데 이 하나의 답을 생성할 확률은 매우 낮을 수 있다.”
반면 강화 학습 기반의 AI는 목표를 추구하는 AI 프로세스이기 때문에 정확한 결과를 도출하는 데 훨씬 더 뛰어나다. 강화 학습은 원하는 목표를 향해 반복 동작하며, 목표에 가장 근접한 최상의 답을 생산한다. 롯지는 “반면에 LLM은 반복하거나 목표를 추구하도록 설계되지 않았다. ‘적당히 좋은’ 원샷(one-shot) 또는 퓨샷(few-shot) 답변을 제공하도록 설계됐다”라고 강조했다.
‘원샷’ 답변은 모델이 생성하는 첫 번째 답으로, 프롬프트에서 일련의 단어를 예측하는 방식으로 얻는다. ‘퓨샷’ 접근 방식에서는 모델이 더 나은 예측을 할 수 있도록 추가 샘플이나 힌트를 제공한다. 또 LLM은 더 나은 응답의 가능성을 높이기 위해 어느 정도의 무작위성을 수용하기 때문에 동일한 질문에 서로 다른 답을 내놓을 수 있다.
LLM 진영이 강화 학습을 무시하는 것은 아니다. GPT-4는 “인간의 피드백을 통한 강화 학습(RLHF)”을 수용한다. 즉, 코어 모델은 인간 운영자에 의해 일부 답변을 다른 답변보다 선호하도록 훈련되지만, 근본적으로 모델이 생성하는 답을 처음부터 변경하진 않는다. 롯지는 예를 들어 LLM이 “웨인 그레츠키는 아이스 (OO)을/를 좋아한다”라는 문장을 완성하기 위해 다음과 같은 답을 생성할 수 있다고 말했다.
1. 웨인 그레츠키는 아이스크림을 좋아한다.
2. 웨인 그레츠키는 아이스하키를 좋아한다.
3. 웨인 그레츠키는 얼음낚시를 좋아한다.
4. 웨인 그레츠키는 아이스 스케이팅을 좋아한다.
5. 웨인 그레츠키는 아이스 와인을 좋아한다.
여기서 인간 운영자는 웨인 그레츠키가 캐나다의 전설적인 아이스하키 선수이기 때문에 아이스하키(또는 아이스 스케이팅)를 좋아할 가능성이 높다고 생각해 답변의 순위를 매길 수 있다. 이 모델을 학습시키는 데는 인간 운영자의 순위와 더 많은 사람이 작성한 응답이 사용된다. 주목할 부분은 GPT-4가 웨인 그레츠키의 선호도를 정확하게 알고 있는 척하지 않으며, 단지 주어진 프롬프트를 완성하기 위한 가장 가능성 높은 답을 제공한다는 점이다. 결국 LLM은 정확성이나 일관성이 높도록 설계되지 않았다. 롯지는 이 모든 것은 AI를 대규모로 적용하는 데 있어 강화 학습이 생성형 AI를 능가한다는 의미라고 언급했다.
소프트웨어에 강화 학습 적용하기
소프트웨어 개발은 어떨까? 많은 개발자가 깃허브 코파일럿(Copilot), 아마존 코드위스퍼러(CodeWhisperer) 같은 생성형 AI 기반 도구를 사용하면서 생산성 향상을 경험하고 있다. 이런 도구는 통합 개발 환경에서 코드 삽입 지점 전후의 코드를 기반으로 다음에 올 가능성이 높은 코드를 예측한다.실제로 비주얼 스튜디오 매거진(Visual Studio Magazine)의 데이비드 라멜은 코파일럿의 최신 버전이 이미 자바 코드의 61%를 생성한다고 말했다. 이러다가 소프트웨어 개발자라는 직업이 사라지지 않을까 걱정하는 사람을 위해 말해두자면, 이런 도구에는 완성된 코드를 확인하고, 제대로 컴파일 및 실행되도록 편집하기 위한 ‘사람의 관리 감독’이 필요하다. 사실상 자동 완성은 IDE의 초창기부터 IDE의 대표적인 기능이었으며, 코파일럿을 비롯한 코드 생성기는 그 기능의 유용성을 대폭 높여줬다. 하지만 자바 코드의 61%를 작성하는 데 필요한 대규모 자율 코딩은 그렇지 않다.
롯지는 강화 학습이 대규모 자율 코딩을 정확하게 수행할 수 있다고 말했다. 물론 롯지가 이렇게 이야기한 데는 다 이유가 있다. 디프블루는 2019년 상용 강화 학습 기반 단위 테스트 작성 도구 ‘커버(Cover)’를 출시했다. 커버는 인간의 개입 없이 전체 단위 테스트를 작성해 복잡하고 오류가 발생하기 쉬운 작업을 대규모로 자동화할 수 있게 해준다.
이런 사실을 고려하면 롯지의 주장이 편향적이라고 할 수 있지 않을까? 당연히 그렇다. 하지만 롯지는 소프트웨어 개발에서 강화 학습이 생성형 AI를 능가할 수 있다는 주장을 뒷받침할 풍부한 경험도 갖고 있다. 현재 디프블루는 강화 학습을 사용해 가능한 모든 테스트 방법을 탐색하고, 각 방법에 자동으로 테스트 코드를 작성하며, 이렇게 작성된 테스트 중 가장 적합한 테스트를 선택한다. 이 도구가 각 방법의 테스트를 생성하는 데 소요되는 시간은 평균 1초다.
롯지는 아무도 이해하지 못하는 프로그램에 대해 1만 개의 단위 테스트 작성을 자동화하는 것이 목표라면 강화 학습이 유일한 현실적 해결책이라면서, “LLM은 경쟁 상대가 되지 않는다. 이 정도 규모에서 사람이 효과적으로 감독하고 코드를 수정할 방법이 없으며, 모델을 더 크고 복잡하게 만든다고 해결되지 않는다”라고 설명했다.
결론은 이렇다. LLM의 가장 강력한 장점은 일반 언어를 처리한다는 것이다. 명시적으로 학습하지 않은 언어 작업도 수행할 수 있다. 즉, 콘텐츠 생성(카피라이팅)을 비롯한 많은 작업에 유용하다. 롯지는 “하지만 그렇다고 해서 LLM이 강화 학습 기반의 AI 모델을 대체할 수 있는 것은 아니다. 강화 학습이 더 정확하고, 더 일관적이며, 대규모로 작동한다”라고 전했다.
editor@itworld.co.kr
Tags
함께 보면 좋은 콘텐츠
Sponsored
Seagate
“작지만 큰 영향력” 하드 드라이브의 나노 스케일 혁신
ⓒ Seagate 플래터당 3TB라는 전례 없는 드라이브 집적도를 자랑하는 새로운 하드 드라이브 플랫폼이 등장하며 디지털 시대의 새로운 이정표를 세웠다. 플래터당 3TB를 저장할 수 있다는 것은 동일한 면적에서 스토리지 용량을 기존 드라이브 대비 거의 두 배로 늘릴 수 있다는 것을 의미한다. 이러한 혁신은 데이터 스토리지의 미래와 데이터센터의 디지털 인프라에 괄목할 만한 영향을 미친다. AI의 발전과 함께 데이터의 가치가 그 어느 때보다 높아졌다. IDC에 따르면 2027년에는 전 세계에서 총 291ZB의 데이터가 생성될 것으로 예측되며, 이는 스토리지 제조 용량의 15배 이상일 것으로 보인다. 대부분의 데이터를 호스팅하는 대형 데이터 센터에 저장된 데이터 중 90%가 하드 드라이브에 저장된다. 즉, AI 애플리케이션의 주도로 데이터가 급증함에 따라 물리적 공간을 늘리지 않으면서도 데이터를 저장할 수 있는 스토리지 기술 혁신이 필요하다. 데이터 스토리지 인프라를 업그레이드하는 것은 단순히 기술적인 문제가 아니라 지금 시대가 직면한 규모, 총소유비용(TCO), 지속가능성이라는 과제에 대한 논리적 해답인 셈이다. 열 보조 자기 기록(HAMR) 기술은 선구적인 하드 드라이브 기술로 드라이브 집적도 향상을 위해 지난 20년 동안 수많은 연구를 거쳐 완성되어 왔다. 씨게이트 모자이크 3+ 플랫폼은 이러한 HAMR 기술을 씨게이트만의 방식으로 독특하게 구현한 것으로, 미디어(매체)부터 쓰기, 읽기 및 컨트롤러에 이르는 복잡한 나노 스케일 기록 기술과 혁신적인 재료 과학 역량을 집약한 결정체다. 이 플랫폼은 데이터 비트를 변환하고 자기 및 열 안정성을 유지하면서 더욱 촘촘하게 패킹해서 각 플래터에 훨씬 더 많은 데이터를 안정적이고 효율적으로 저장할 수 있다. 예를 들어, 기존 데이터센터에 있는 16TB 드라이브를 30TB 드라이브로 업그레이드하면 동일한 면적에서 스토리지 용량을 두 배로 늘릴 수 있다. 더 낮은 용량에서 업그레이드한다면 상승 폭은 더욱 커진다. 이 경우, 테라바이트당 전력 소비량이 40% 감소하는 등 스토리지 총소유비용(TCO)이 크게 개선된다. 또한 효율적인 자원 할당과 재활용 재료 사용으로 운영 비용을 절감하고 테라바이트당 탄소 배출량을 55% 감소시켜 데이터센터가 지속 가능성 목표를 달성할 수 있다. 드라이브 집적도 향상은 하이퍼스케일과 프라이빗 데이터센터의 판도를 바꿀 수 있다. 데이터센터가 급증하며 전력사용량과 탄소배출량 역시 늘어나 데이터센터의 지속가능성이 화두가 되고 있는 가운데, 과학기술정보통신부는 ‘탄소중립 기술혁신 추진전략-10대 핵심기술 개발방향’에서 2030년까지 데이터센터 전력소모량을 20% 절감하겠다고 밝힌 바 있다. 이러한 목표에 발맞춰, 집적도를 획기적으로 개선한 대용량 데이터 스토리지를 활용하는 것은 원활하고 지속적인 AI 모델 학습, 혁신 촉진 및 비즈니스 성공을 위해 필수적이다. 엔터프라이즈 데이터센터의 경우 제한된 공간, 전력, 예산에 맞춰 확장할 수 있는 지속 가능한 방법을 찾아야 한다. 하드 드라이브의 집적도 혁신은 점점 더 커져가는 클라우드 생태계와 AI 시대에 대응하는 해답이자, 동일한 공간에 더 많은 엑사바이트를 저장하면서도 자원 사용은 줄이도록 인프라를 확장할 수 있는 방법이다. 이는 글로벌 데이터 영역에서 경쟁력을 유지하고 글로벌 디지털 경제의 선두주자로서 입지를 강화하는 데 매우 중요하다.
Seagate
'반박 불가' 하드 드라이브와 SSD에 관한 3가지 진실
ⓒ Getty Images Bank 하드 드라이브가 멸종할 것이라는 논쟁이 10년 넘게 계속되고 있다. 빠른 속도와 뛰어난 성능이 필요한 애플리케이션에 적합한 플래시 스토리지의 연매출이 증가하고 있는 것은 자명한 사실이다. 하지만, 클라우드의 보편화 및 AI 사용 사례의 등장으로 인해 방대한 데이터 세트의 가치가 높아지는 시대에 하드 드라이브는 플래시 스토리지로 대체할 수 없는 가치를 가지고 있다. 전 세계 엑사바이트(EB) 규모 데이터의 대부분을 저장하는 하드 드라이브는 데이터센터에서 그 어느 때보다 필수적이다. 전 세계 데이터 세트의 대부분이 저장된 엔터프라이즈 및 대규모 클라우드 데이터센터는 데이터 성장에서 핵심이 될 것이다. 하드 드라이브와 SSD를 비교하자면, 하드 드라이브 스토리지는 2022년에서 2027년 사이 6,996EB 증가할 것으로 예상되는 반면, SSD는 1,363EB 증가할 것으로 보인다. ⓒ Seagate 생성형 AI 시대에는 콘텐츠를 경제적으로 저장해야 하기 때문에 플래시 기술과 밀접하게 결합된 컴퓨팅 클러스터는 더 큰 하드 드라이브 EB의 다운스트림 수요를 직간접적으로 촉진할 것이다. 하드 드라이브가 왜 데이터 스토리지 아키텍처의 중심이 될 수밖에 없는지는 시장 데이터를 근거로 설명 가능하다. 가격 책정 근거 없는 믿음 : SSD 가격이 곧 하드 드라이브 가격과 같아질 것이다. 사실 : SSD와 하드 드라이브 가격은 향후 10년간 어느 시점에도 수렴하지 않을 것이다. 데이터가 이를 명확하게 뒷받침한다. 하드 드라이브는 SSD에 비해 테라바이트당 비용 면에서 확고한 우위를 점하고 있으며, 이로 인해 하드 드라이브는 데이터센터 스토리지 인프라의 확고한 주춧돌 역할을 하고 있다. IDC 및 포워드 인사이트(Forward Insights)의 연구에 따르면, 하드 드라이브는 대부분의 기업 업무에 가장 비용 효율적인 옵션으로 유지될 것으로 전망된다. 엔터프라이즈 SSD와 엔터프라이즈 하드 드라이브의 TB당 가격 차이는 적어도 2027년까지 6대 1 이상의 프리미엄이 유지될 것으로 예상된다. ⓒ Seagate 이러한 TB당 가격 차이는 장치 구입 비용이 총소유비용(TCO)에서 가장 큰 비중을 차지하는 데이터센터에서 특히 두드러지게 드러난다. 장치 구입, 전력, 네트워킹, 컴퓨팅 비용을 포함한 모든 스토리지 시스템 비용을 고려하면 TB당 TCO는 하드 드라이브 기반 시스템이 훨씬 더 우수하게 나타난다. ⓒ Seagate 따라서, 플래시는 특정 고성능 작업의 수행에 탁월한 스토리지이지만, 하드 드라이브는 당분간 안정적이고 비용 효율적이며 널리 채택된 솔루션을 제공하는 데이터센터에서 계속해서 주류로 사용될 것이다. 공급과 확장의 관계 근거 없는 믿음 : NAND 공급이 모든 하드 드라이브 용량을 대체할 정도로 증가할 수 있다. 사실 : 하드 드라이브를 NAND로 완전히 교체하려면 감당할 수 없는 설비투자(CapEx)가 필요하다. NAND 산업이 모든 하드 드라이브 용량을 대체하기 위해 공급을 빠르게 늘릴 수 있다는 주장은 재정적, 물류적으로 엄청난 비용이 발생한다는 점을 간과한 낙관적인 생각이다. 산업 분석기관 욜 인텔리전스(Yole Intelligence)의 2023년 4분기 NAND 시장 모니터 리포트에 따르면, 전체 NAND 산업은 2015년~2023년 사이 3.1제타바이트(ZB)를 출하하면서 총 매출의 약 47%에 해당하는 2,080억 달러의 막대한 자본 지출을 투자해야 했다. 반면, 하드 드라이브 산업은 데이터센터 스토리지 수요의 거의 대부분을 매우 자본 효율적인 방식으로 해결하고 있다. 씨게이트가 2015년~2023년 사이 3.5ZB의 스토리지를 출하하며 투자한 자본은 총 43억 달러로, 전체 하드 드라이브 매출의 약 5%에 불과하다. 그러나 NAND 산업의 경우 ZB당 약 670억 달러에 해당하는 금액을 투자한 것으로 나타나 하드 드라이브가 데이터센터에 ZB를 공급하는 것이 훨씬 더 효율적임을 알 수 있다. ⓒ Seagate 작업 부하 근거 없는 믿음 : 올 플래시 어레이(AFA)만이 최신 엔터프라이즈 작업 부하의 성능 요구를 충족할 수 있다. 사실 : 엔터프라이즈 스토리지 아키텍처는 일반적으로 디스크 또는 하이브리드 어레이, 플래시, 테이프를 사용하여 특정 작업 부하의 비용, 용량, 성능 요구 사항에 최적화할 수 있도록 미디어 유형을 혼합한다. 기업이 플래시 없이는 최신 작업 부하의 성능 수요를 따라잡지 못할 위험이 있다는 주장은 다음과 같은 3가지 이유로 반박 가능하다. 첫째, 대부분의 최신 작업 부하에는 플래시가 제공하는 성능상의 이점이 필요하지 않다. 전 세계 데이터의 대부분은 클라우드와 대규모 데이터센터에 저장되어 있으며, 이러한 환경에서는 작업 부하 중 극히 일부에만 상당한 성능이 필요하다는 파레토 법칙을 따르고 있다. 둘째, 예산 제약이 있고 데이터 세트가 빠르게 증가하는 기업들은 성능뿐만 아니라 용량과 비용의 균형을 맞춰야 한다. 플래시 스토리지는 읽기 집약적인 시나리오에서는 탁월한 성능을 발휘하지만 쓰기 작업이 증가하면 내구성이 떨어져 오류 수정과 오버프로비저닝에 추가 비용이 발생한다. 또한, 대규모 데이터 세트나 장기 보존의 경우 영역 밀도가 증가하는 디스크 드라이브가 더 비용 효율적인 솔루션일 뿐만 아니라 수천 개의 하드 드라이브를 병렬로 활용하면 플래시를 보완하는 성능을 달성할 수 있다. 셋째, 수많은 하이브리드 스토리지 시스템은 다양한 미디어 유형의 강점을 단일 유닛에 원활하게 통합하고 최대한으로 활용할 수 있도록 세밀하게 조정된 소프트웨어 정의 아키텍처를 사용한다. 이러한 스토리지는 유연성을 제공하므로 기업은 지속적으로 변화하는 요구 사항에 따라 스토리지 구성을 조정할 수 있다. AFA와 SSD는 고성능의 읽기 집약적인 작업에 매우 적합하다. 하지만 하드 드라이브가 이미 훨씬 낮은 TCO로 제공하는 기능을 AFA로 불필요하게 비싼 방법으로 제공하는 것은 비용 효율적이지 않을 뿐만 아니라, AFA가 하드 드라이브를 대체할 수 있다고 주장하는 근거가 될 수 없다.
추천기사
