년 4월 AI 및 로봇 연구 동향

1. 2022년 AI 연구 지형의 변화와 주요 동향

2022년 4월은 인공지능(AI) 및 로봇공학 연구의 역사에서 중요한 변곡점으로 기록된다. 이 시기를 전후하여 발표된 일련의 연구들은 기술 발전의 패러다임을 전환하고, 향후 연구 개발의 방향성을 제시하는 이정표가 되었다. 본 보고서는 해당 시점의 AI 연구 지형을 거시적 관점에서 조망하고, 이후 논의될 구체적인 기술 발전의 배경을 심층적으로 분석하고자 한다. 스탠포드 인간중심 AI 연구소(HAI)의 ‘AI Index 2022’ 보고서를 필두로 한 다양한 자료를 통해, 당시의 폭발적인 투자 증가, 미-중 기술 경쟁의 심화, 그리고 이에 따른 AI 윤리 및 거버넌스 논의의 부상을 살펴본다. 이를 통해 2022년 4월이 단순히 개별적인 기술적 성과가 나타난 시점이 아니라, AI 생태계 전반의 구조적 변화가 가시화된 시점임을 논증한다.

1.1 AI Index 2022 리포트 기반 거시 동향 분석

2022년 초에 발표된 AI Index 보고서는 AI 분야의 양적 팽창이 질적 변화로 이어지는 임계점에 도달했음을 명확히 보여준다. 가장 두드러진 지표는 민간 부문의 투자 규모다. 2021년 AI 분야에 대한 민간 투자는 935억 달러에 달하며 2020년 대비 두 배 이상 성장했다.1 이러한 자본의 집중은 AI 기술이 더 이상 학문적 탐구의 대상을 넘어, 실질적인 산업적 가치를 창출하는 핵심 동력으로 인식되고 있음을 방증한다.

투자 증가는 AI 특허 출원의 급격한 증가로 이어졌다. 2010년부터 2021년까지 전 세계 AI 특허 출원은 30배 이상 증가했으며, 2021년 한 해에만 2020년 대비 76.9% 성장했다.1 특히 이러한 성장은 중국의 폭발적인 특허 출원 증가에 기인한 바가 크며, 미국, 중국, 유럽·영국 3개 지역이 전 세계 AI 출원 특허의 72.5%를 차지하는 등 기술 패권 경쟁이 가속화되는 양상을 보였다.1

연구 분야에서도 미국과 중국이 양강 구도를 형성하며 전 세계 AI 학술 출판물을 주도했다. 주목할 점은 양국 간의 경쟁이 심화되는 동시에, 기관 간 협력 연구 또한 활발히 이루어졌다는 사실이다. 대학-비영리기관(29.84%), 기업-대학(11.58%), 대학-정부(8.09%) 순으로 협력 비중이 높게 나타나, 산학연 협력 생태계가 AI 기술 발전의 중요한 기반임을 시사했다.1

이러한 거시적 동향은 AI 기술 발전의 선순환 구조가 형성되었음을 보여준다. 막대한 자본과 데이터의 집중은 소수의 거대 기업 및 국가 연구 기관이 초거대 모델 개발을 주도하는 환경을 조성했다. 이는 2장에서 상세히 다룰 구글의 PaLM(Pathways Language Model)과 같은 기념비적인 연구의 등장을 가능하게 한 직접적인 배경이 되었다. 즉, 2022년의 AI 연구 지형은 단순한 기술적 진보를 넘어, 자본, 데이터, 인재, 그리고 지정학적 역학이 복합적으로 작용하는 거대한 생태계의 변화를 반영하고 있었다.

1.2 AI 인력 및 생태계의 지정학적 역학

AI 기술 패권 경쟁의 이면에는 인재 확보를 위한 치열한 경쟁이 존재한다. 특히 미국은 AI 분야에서의 리더십을 유지하기 위해 해외 인재에 대한 의존도가 매우 높은 구조를 가지고 있다. 2022년 발표된 보고서에 따르면, 미국 내 컴퓨터 과학 분야 대학원 학위 소지자 중 50% 이상이 해외 출생이며, 재학 중인 컴퓨터 과학 대학원생의 경우 그 비율이 약 70%에 육박한다.2 이는 미국의 개방적인 연구 환경과 세계 최고 수준의 대학 및 기업이 글로벌 인재를 끌어들이는 강력한 유인으로 작용하고 있음을 보여준다.

그러나 이러한 구조는 동시에 미국의 잠재적 취약점이기도 하다. 미국의 AI 경쟁력은 자국 내 인력 양성 시스템만으로는 유지되기 어려우며, 글로벌 인재의 지속적인 유입에 크게 의존하고 있다. 이는 미국의 이민 정책 변화나 중국을 비롯한 경쟁 국가들의 적극적인 인재 유치 전략에 따라 그 기반이 흔들릴 수 있음을 의미한다.2 실제로 타국들은 우호적인 이민 경로를 신설하고 파격적인 인재 유치 프로그램을 가동하며 국제적인 경쟁을 심화시키고 있다.2

따라서 미-중 기술 패권 경쟁은 단순히 발표되는 논문이나 특허의 수를 비교하는 차원을 넘어, 인재 파이프라인이라는 더 근본적인 차원에서 전개되고 있다. AI 인력의 글로벌 유동성과 각국의 정책적 대응은 향후 AI 기술 지형의 판도를 결정할 핵심 변수로 작용할 것이다.

1.3 AI 윤리 및 거버넌스의 부상

AI 기술의 성능이 기하급수적으로 향상되면서, 그 사회적 영향력에 대한 성찰과 규제의 필요성 또한 핵심적인 의제로 부상했다. 특히 언어 모델의 성능이 비약적으로 발전함과 동시에, 모델이 학습 데이터에 내재된 편향을 그대로 답습하거나 증폭시키는 문제가 심각하게 대두되었다.1 이에 따라 산업계에서도 AI의 공정성, 투명성, 설명가능성(XAI)과 관련된 연구가 급증하는 추세를 보였다.1

기술의 발전 속도와 사회적 규범 형성 사이의 간극은 전 세계적인 현상이었다. AI 기술에 대한 입법 활동은 세계 각국에서 활발하게 진행되었으나, 구체적인 법제화까지는 더딘 진행을 보였다.1 이는 AI 기술의 복잡성과 빠른 변화 속도로 인해 명확하고 실효성 있는 규제안을 마련하기가 어렵기 때문이다.

이러한 상황 속에서 AI 연구는 순수한 기술 공학의 영역을 넘어, 심리학, 사회학, 철학, 법학 등 다양한 인문사회과학 분야와의 융합이 필수적인 ‘사회-기술(Socio-technical)’ 분야로 진화하고 있다.3 AI 시스템이 인간의 일상과 사회 구조에 깊숙이 통합되면서, 기술적 최적화뿐만 아니라 사회적 가치와 규범에 부합하는 시스템을 설계하는 것이 중요해졌기 때문이다. AI의 성능이 특정 영역에서 인간 수준에 근접하거나(예: 시각적 질문 응답(VQA) 성능 79.8% 달성 1) 초월함에 따라(예: 체스 엔진 성능 1), 기술 개발과 사회적 수용 사이의 간극을 메우기 위한 노력은 선택이 아닌 필수가 되었다. 이러한 흐름은 5장에서 다룰 ’로봇의 법적 지위’와 같은 심도 있는 윤리적, 법적 논의의 이론적 배경을 형성한다.

1.4 2022년 4월의 핵심 연구 주제 조망: 스케일링, 그라운딩, 그리고 다각화

본 보고서는 2022년 4월에 발표된 주요 연구들을 세 가지 핵심 키워드를 통해 심층적으로 분석한다. 이 키워드들은 당시 AI 및 로봇공학 분야의 가장 중요한 연구 흐름을 요약하고, 본 보고서의 전체적인 구조를 관통하는 중심축 역할을 한다.

1. 스케일링(Scaling): 구글의 PaLM이 상징적으로 보여준 패러다임으로, 모델의 파라미터 수, 훈련 데이터의 양, 그리고 컴퓨팅 파워의 규모를 확장하는 것만으로도 기존에는 불가능했던 새로운 질적 능력(emergent abilities)이 발현될 수 있다는 개념이다. 이는 AI 성능 향상의 가장 확실하고 강력한 방법론으로 자리 잡았다.

2. 그라운딩(Grounding): 구글의 SayCan 연구가 제시한 방향성으로, 대규모 언어 모델이 가진 추상적이고 방대한 지식을 물리적 현실 세계의 구체적인 행동과 연결하려는 시도다. 이는 AI의 지능을 실용적이고 유용한 작업 수행 능력으로 전환하기 위한 필수적인 과제다.

3. 다각화(Diversification): 로봇공학 분야에서 두드러진 현상으로, 기존의 산업용 로봇을 넘어 의료, 극한 환경 탐사, 사회적 상호작용, 생체모방 등 다양한 영역으로 연구의 지평이 확장되는 것을 의미한다. 이는 로봇 기술이 사회의 다층적인 요구에 부응하며 발전하고 있음을 보여준다.

이 세 가지 키워드는 서로 독립적이지 않고 상호 유기적으로 연결되어 있다. 스케일링을 통해 강력해진 AI 모델은 그라운딩을 통해 현실 세계에서 더 유용한 능력을 발휘할 수 있게 되며, 이는 다시 로봇공학의 다각화를 촉진하는 기술적 기반이 된다.

이러한 변화의 기저에는 강력한 상호 촉진적 피드백 루프가 형성되어 있었다. 2021년에 확인된 막대한 민간 투자는 AI 연구, 특히 대규모 컴퓨팅 인프라 구축의 직접적인 동력이 되었다.1 이러한 투자는 하드웨어 및 분산 시스템의 발전으로 이어졌고, 그 결과 MLPerf 벤치마크에서 AI 학습 시간이 2018년 6.2분에서 2021년 0.2분(13.8초)으로 3년간 27배 이상 단축되는 경이적인 효율성 향상을 가져왔다.1 이렇게 발전된 인프라는 PaLM과 같은 5,000억 파라미터급 초거대 모델의 훈련을 현실적으로 가능하게 만들었다.4 이 모델은 기존에 불가능했던 복잡한 추론 작업에서 ’불연속적 성능 향상’을 보여주며 AI의 잠재력을 재정의했고 4, 이는 다시 새로운 산업적 응용 가능성을 열어 더 많은 자본 투자를 유치하는 선순환 구조를 완성했다. 따라서 2022년 4월은 단순히 개별 연구가 발표된 시점을 넘어, ’자본 → 인프라 → 모델 스케일링 → 성능 향상 → 가치 창출’로 이어지는 강력한 피드백 루프가 본격적으로 가동되기 시작했음을 보여주는 상징적인 시점이라 할 수 있다.

2. 대규모 언어 모델의 도약: PaLM과 그 파급 효과

2022년 4월 5일, 구글 연구팀은 arXiv에 ’PaLM: Scaling Language Modeling with Pathways’라는 제목의 논문을 공개하며 AI 연구 커뮤니티에 큰 파장을 일으켰다.4 이 논문은 당시까지 공개된 밀집 활성화 언어 모델 중 가장 큰 규모인 5400억 개의 파라미터를 가진 PaLM(Pathways Language Model)을 소개했다. PaLM의 등장은 단순히 파라미터 수의 기록 경신을 넘어, 초거대 모델을 훈련시키기 위한 새로운 시스템 아키텍처의 혁신, 그리고 모델의 규모 확장이 어떻게 예측 불가능한 질적 도약을 이끌어내는지를 실증적으로 보여주었다는 점에서 심대한 의의를 가진다. 이 장에서는 PaLM의 기술적 세부 사항과 그것이 AI 연구 패러다임에 미친 영향을 심층적으로 분석한다.

2.1 PaLM의 아키텍처와 규모: 5400억 파라미터 모델의 기술적 의의

PaLM은 5400억 개의 파라미터를 가진 밀집 활성화(densely activated), 디코더-온리(decoder-only) 트랜스포머(Transformer) 기반 언어 모델이다.4 ’밀집 활성화’라는 특징은 추론 과정에서 모델의 모든 파라미터가 계산에 참여함을 의미하며, 이는 GLaM(Generalist Language Model)과 같은 희소 모델(sparsely activated mixture-of-experts) 아키텍처와 대조된다.8 희소 모델이 특정 입력에 대해 일부 전문가 네트워크(expert network)만을 활성화하여 계산 효율성을 높이는 반면, 밀집 모델은 엄청난 계산 비용을 감수하고서라도 모델의 모든 용량을 활용하여 성능을 극대화하려는 전략을 취한다.

PaLM의 훈련에는 7800억 개의 고품질 토큰으로 구성된 방대한 데이터셋이 사용되었다. 이 데이터셋은 필터링된 웹 페이지, 서적, 위키피디아, 뉴스 기사, GitHub의 오픈소스 코드, 그리고 소셜 미디어 대화를 포함하는 다국어, 다종의 데이터로 구성되어 모델이 폭넓은 지식과 다양한 언어적 스타일을 학습하도록 설계되었다.5

PaLM의 등장은 당시 치열하게 전개되던 초거대 언어 모델 경쟁의 정점을 상징했다. 엔비디아와 마이크로소프트가 공동 개발한 Megatron-Turing NLG 530B 모델과 유사한 규모로 8, AI 분야의 선두 기업들이 모델의 규모를 확장하는 데 사활을 걸고 있었음을 보여주었다. 이는 AI 연구가 더 이상 소규모 학술 연구실 수준을 넘어, 막대한 자본과 컴퓨팅 자원을 동원할 수 있는 거대 조직의 각축장이 되었음을 알리는 신호탄이었다.

2.2 Pathways 시스템: 초거대 모델 훈련을 가능케 한 분산 학습 패러다임

5400억 개에 달하는 파라미터를 가진 모델을 훈련하는 것은 그 자체로 엄청난 공학적 도전이다. PaLM의 성공은 Pathways라는 혁신적인 머신러닝 시스템이 있었기에 가능했다. PaLM은 6144개의 TPU v4 칩을 사용하여 Pathways 시스템 위에서 훈련되었다.4 Pathways는 수천 개의 가속기 칩에 걸쳐 단일 모델을 매우 효율적으로 훈련할 수 있도록 설계된 대규모 오케스트레이션 레이어다.5

Pathways의 핵심은 비동기 분산 데이터플로우(asynchronous distributed dataflow) 설계에 있다.5 기존의 분산 훈련 방식이 데이터 병렬화(data parallelism)나 모델 병렬화(model parallelism) 중 하나에 의존하거나 경직된 조합을 사용했던 것과 달리, Pathways는 이들을 유연하게 결합하여 가속기 간의 통신 병목 현상을 최소화하고 계산 자원의 활용률을 극대화한다. 이러한 아키텍처적 혁신 덕분에 PaLM 훈련 과정에서는 57.8%의 하드웨어 FLOPs 활용률을 달성할 수 있었는데, 이는 당시 대규모 언어 모델 훈련에서 달성된 최고 수준의 효율성이었다.5

Pathways의 등장은 PaLM이라는 ’결과물’만큼이나 중요한 ’과정’의 혁신이었다. 이는 단순히 더 많은 하드웨어를 연결하는 것을 넘어, 초거대 모델 훈련이라는 극한의 과제를 해결하기 위한 새로운 시스템 아키텍처 패러다임을 제시했다. Pathways는 향후 더 거대한 모델의 등장을 예고하는 기술적 기반이 되었으며, AI 연구가 모델 아키텍처뿐만 아니라 이를 뒷받침하는 시스템 공학의 발전과 긴밀하게 맞물려 있음을 명확히 보여주었다.

2.3 불연속적 성능 향상(Discontinuous Improvements): 모델 스케일링이 가져온 질적 변화

PaLM 논문이 제시한 가장 중요한 학술적 기여 중 하나는 ’불연속적 성능 향상’이라는 개념을 실증적으로 보여준 것이다. 연구팀은 PaLM을 80억, 620억, 5400억 개의 세 가지 규모로 훈련하여 모델 크기에 따른 성능 변화를 체계적으로 분석했다.5

분석 결과, 대부분의 태스크에서는 모델 규모가 커짐에 따라 성능이 예측 가능하게 점진적으로 향상되는 경향을 보였다. 그러나 일부 복잡한 태스크에서는 특정 임계점을 넘어서자 성능이 이전과는 비교할 수 없을 정도로 급격하게 도약하는 현상이 관찰되었다. 이러한 현상을 ‘불연속적 향상(discontinuous improvements)’ 또는 ’창발적 능력(emergent abilities)’이라 칭한다.4

이러한 현상은 특히 다단계 논리 추론, 인과관계 파악, 심지어 농담의 의미를 설명하는 것과 같이 고도의 추론 능력을 요구하는 태스크에서 두드러졌다.6 예를 들어, PaLM은 제시된 농담에 대해 “이 농담은 ’마이크로소프트(Microsoft)’와 ’마이크로-소프트(micro-soft)’라는 단어의 발음이 비슷한 것을 이용한 언어유희입니다“와 같이 그 기저에 깔린 논리 구조를 설명하는 능력을 보여주었다.6 이는 모델이 단순히 패턴을 암기하는 것을 넘어, 추상적인 개념을 이해하고 설명하는 능력을 갖추기 시작했음을 시사한다.

이 발견은 AI 연구의 핵심적인 패러다임 전환을 가져왔다. 즉, 모델의 규모를 특정 임계점 이상으로 확장하는 것은 단순히 더 많은 지식을 저장하는 ’양적 변화’가 아니라, 이전에 없던 새로운 능력을 발현시키는 ’질적 변화’를 이끌어낸다는 것이다. 이는 ’더 많은 것이 다르다(More is different)’는 필립 앤더슨의 개념처럼, 양이 질로 전이되는 현상을 AI 모델에서 확인한 것이다. 이 발견은 AI의 성능을 높이기 위한 가장 확실한 경로가 스케일링이라는 ’스케일링 가설(Scaling Hypothesis)’에 강력한 경험적 증거를 제공했으며, 이후 AI 연구 커뮤니티가 더욱 거대한 모델을 개발하는 데 매진하게 되는 직접적인 계기가 되었다.

2.4 관련 연구 동향: 인간 피드백 기반 강화학습(RLHF)

PaLM이 모델의 ’능력(Capability)’을 극한으로 끌어올리는 연구였다면, 거의 같은 시기에 발표된 또 다른 중요한 연구는 그 능력을 인간의 의도와 가치에 맞게 ’정렬(Alignment)’하는 문제를 다루었다. PaLM 논문이 공개된 지 불과 일주일 뒤인 2022년 4월 12일, AI 스타트업 Anthropic은 ’인간 피드백 기반 강화학습으로 유용하고 무해한 조수 훈련하기(Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback)’라는 논문을 발표했다.9

이 연구는 인간이 두 가지 모델 응답 중 더 선호하는 것을 선택한 데이터를 사용하여 선호도 모델(preference model)을 훈련하고, 이 모델이 부여하는 점수를 보상 신호로 삼아 언어 모델을 강화학습으로 미세 조정하는 RLHF(Reinforcement Learning from Human Feedback) 기법을 제안했다.9 이 방법론을 통해 모델이 단순히 정답을 맞히는 것을 넘어, 인간 사용자에게 ‘도움이 되고(helpful)’ ‘무해한(harmless)’ 방식으로 상호작용하도록 훈련할 수 있었다.

PaLM과 RLHF 연구가 거의 동시에 발표되었다는 점은 시사하는 바가 크다. 이는 2022년 4월 당시 AI 연구 커뮤니티가 모델의 성능을 폭발적으로 향상시키는 것과 동시에, 그 강력해진 힘을 어떻게 안전하게 통제할 것인가라는 두 가지 핵심 과제를 병행하여 고민하고 있었음을 보여준다. PaLM이 연 ’초거대 모델의 시대’에서, RLHF는 모델이 인간 사회에 수용될 수 있도록 만드는 필수적인 보완 기술로 자리 잡게 되었다. 실제로 이 기술은 이후 OpenAI의 ChatGPT를 비롯한 수많은 대화형 AI의 핵심 기술로 채택되며 그 중요성을 입증했다.

표 1: PaLM 모델과 동시대 주요 언어 모델 비교. 이 표는 PaLM의 등장이 고립된 사건이 아니라, 당시 치열했던 초거대 모델 경쟁의 정점이었음을 보여준다. 파라미터 수, 훈련 데이터, 핵심 기술, 그리고 벤치마크 성능을 비교함으로써 PaLM의 기술적 위치와 기여를 객관적으로 파악할 수 있다.

3. 언어와 현실의 연결: 체화된 AI의 부상과 SayCan

PaLM과 같은 대규모 언어 모델(LLM)이 보여준 경이로운 언어 능력은 AI의 가능성을 한 단계 끌어올렸지만, 동시에 근본적인 한계를 드러냈다. LLM의 지능은 텍스트라는 디지털 세계에 갇혀 있으며, 물리적 현실 세계와는 단절되어 있다. 2022년 4월 4일, 구글과 Everyday Robots의 공동 연구팀이 발표한 ‘Do As I Can, Not As I Say: Grounding Language in Robotic Affordances’ (일명 SayCan) 연구는 바로 이 문제, 즉 추상적인 언어 지능을 물리적 세계의 로봇 행동과 연결하는 ‘접지(Grounding)’ 문제에 대한 혁신적인 해법을 제시했다.10 이 연구는 언어 모델의 의미론적 계획 능력과 로봇의 물리적 수행 가능성(Affordance)을 결합함으로써, 체화된 AI(Embodied AI) 연구에 새로운 방향을 제시했다.

3.1 문제 정의: 언어 모델의 현실 기반 접지(Grounding) 문제

LLM은 방대한 텍스트 데이터를 학습함으로써 세상에 대한 풍부한 의미론적 지식을 인코딩한다.10 예를 들어, “음료를 쏟았으니 닦을 것을 가져다줘“라는 요청을 받으면, LLM은 ’스펀지’나 ’수건’이 적절한 도구이며, 일반적인 청소 절차는 ’도구를 찾고-집어서-가져온다’는 것을 알고 있다. 그러나 이러한 지식은 현실 세계의 구체적인 맥락과 분리되어 있다. LLM은 눈앞에 스펀지가 있는지, 로봇이 스펀지를 집을 수 있는 팔을 가졌는지, 스펀지까지 가는 경로에 장애물은 없는지를 알지 못한다.11

이것이 바로 AI의 오랜 난제인 ’심볼 그라운딩 문제(Symbol Grounding Problem)’의 현대적 버전이다. ’스펀지’라는 단어(심볼)의 의미를 아는 것과, 특정 로봇이 특정 환경에서 ’눈앞의 스펀지를 집을 수 있는지’라는 물리적 가능성을 아는 것은 전혀 다른 차원의 문제다. LLM이 생성하는 그럴듯한 계획이 실제 로봇에게는 실행 불가능한 ’환각(hallucination)’에 불과할 수 있다. SayCan 연구는 바로 이 간극을 메우는 것을 핵심 목표로 설정했다.

3.2 SayCan의 핵심 방법론: 언어 모델의 의미론적 계획과 로봇 어포던스의 결합

SayCan의 핵심 아이디어는 두 개의 이질적인 지식 소스, 즉 언어 모델이 제공하는 ’무엇이 유용한가(what is useful)’와 로봇의 환경 및 능력에서 비롯되는 ’무엇이 가능한가(what is possible)’를 결합하는 것이다. 이 결합을 위해 연구팀은 확률이라는 공통의 언어를 사용했다.11

행동을 결정하는 과정은 다음과 같은 두 가지 확률의 곱으로 이루어진다:

1. 언어 모델 (Say): 먼저, LLM에게 현재의 상위 지시사항(예: “음료를 쏟았어”)과 로봇이 수행할 수 있는 모든 기본 기술(skill) 목록을 프롬프트로 제공한다. LLM은 각 기술이 주어진 지시사항을 해결하는 데 얼마나 의미론적으로 적절하고 유용한지를 평가하여, 각 기술에 대한 확률 P_{\text{LLM}}(\text{skill} \vert \text{instruction})을 계산한다. 이는 LLM의 방대한 상식에 기반한 ‘의미론적 유용성’ 점수다.

2. 가치 함수 (Can): 동시에, 로봇은 자신의 현재 상태(state)와 환경 인식을 바탕으로, 각 기본 기술을 성공적으로 수행할 수 있는 확률을 평가한다. 이 확률, 즉 어포던스(affordance)는 미리 강화학습이나 모방학습을 통해 훈련된 각 기술별 가치 함수(value function)를 통해 계산된다: P_{\text{VF}}(\text{success} \vert \text{state}). 이는 로봇의 물리적 능력과 현재 환경의 제약에 기반한 ‘실행 가능성’ 점수다.

최종적으로 로봇이 수행할 행동은 이 두 확률의 곱이 가장 높은 기술로 선택된다. 이를 수식으로 표현하면 다음과 같다:

\text{Score}(\text{skill})=P_\text{LLM}​(\text{skill}∣\text{instruction})\times P_\text{VF} \cdot (\text{success}∣\text{state})
이 접근법의 강력함은 그 단순성과 명료함에 있다. 예를 들어, “음료를 쏟았어“라는 지시에 대해 LLM은 “스펀지를 집어“라는 기술에 매우 높은 P_{\text{LLM}} 점수를 부여할 것이다. 하지만 만약 로봇이 아직 스펀지를 찾지 못해 스펀지가 시야에 없다면, 가치 함수는 “스펀지를 집어” 기술의 성공 확률, 즉 P_{\text{VF}}를 거의 0으로 평가할 것이다. 결과적으로 이 기술의 최종 점수는 매우 낮아진다. 반면, “스펀지를 찾아“라는 기술은 비록 최종 목표는 아니지만 현재 상태에서 실행 가능하므로(P_{\text{VF}}가 높음) 더 높은 최종 점수를 받아 선택될 수 있다. 이처럼 SayCan은 LLM의 추상적 계획을 로봇의 현실적 제약으로 효과적으로 필터링하여, 의미적으로 유용하면서 동시에 물리적으로 실행 가능한 행동을 선택하게 한다.

3.3 실험 분석: 복잡하고 장기적인 자연어 명령 수행 능력

SayCan의 효과를 검증하기 위해, 연구팀은 실제 로봇을 사무실 주방 환경에 배치하고 101개의 다양한 자연어 명령을 수행하도록 테스트했다. 초기 버전에서는 구글의 FLAN 언어 모델을 사용했으나, 이후 PaLM을 통합하여 성능을 비약적으로 향상시킨 ’PaLM-SayCan’을 선보였다.11

실험 결과는 매우 인상적이었다. PaLM-SayCan은 101개의 테스트 과제에 대해 84%의 계획 성공률(올바른 행동 순서를 생성)과 74%의 실행 성공률(최종 목표 달성)을 기록했다. 이는 이전 LLM(FLAN)을 사용했을 때와 비교하여 계획 오류와 실행 오류를 각각 50% 이상 감소시킨 결과다.11

더 나아가 PaLM-SayCan은 “방금 운동했으니, 회복하게 음료수랑 간식 좀 가져다줘“와 같이 여러 하위 목표를 포함하는 복잡하고 추상적인 명령도 성공적으로 해석하고 수행했다. 또한, “쏟은 콜라를 버리고, 닦을 것을 가져온 뒤, 대체 음료를 가져다줘“와 같이 8단계에서 최대 16단계에 이르는 장기적인(long-horizon) 작업도 순차적으로 계획하고 실행하는 능력을 보여주었다.11 이는 SayCan이 단기적인 반응을 넘어, 복잡한 목표를 달성하기 위한 일련의 행동을 생성하고 실행할 수 있음을 입증한 것이다.

3.4 시사점: 체화된 AI 연구의 새로운 방향성 제시

SayCan 연구의 가장 중요한 시사점은 언어 모델의 성능 향상이 로봇의 물리적 작업 수행 능력 향상으로 직접 이어진다는 점을 세계 최초로 정량적으로 입증했다는 것이다.11 이는 순수하게 디지털 공간에서 발전하던 LLM 연구가 로봇공학이라는 물리적 세계에 즉각적이고 강력한 파급 효과를 가질 수 있음을 의미한다. 이 발견은 이후 두 분야의 융합 연구를 폭발적으로 가속하는 기폭제가 되었다.

또한, SayCan은 로봇 프로그래밍의 패러다임을 근본적으로 바꿀 잠재력을 제시했다. 과거의 로봇 프로그래밍은 엔지니어가 특정 작업을 위한 모든 행동 순서를 명시적으로 코딩해야 하는 고도로 전문화된 영역이었다. 반면 SayCan이 제시하는 패러다임에서는, 개발자는 로봇에게 ‘물건 집기’, ‘서랍 열기’, ’특정 장소로 가기’와 같은 기본적인 기술(skill)들만 가르치면 된다. 그러면 사용자는 “내 물 좀 가져다줄래?“와 같이 자연어로 최종 목표만 제시하면, 로봇이 스스로 상황을 판단하고(Can) 상식을 동원하여(Say) 기본 기술들을 조합해 과업을 수행한다.

이러한 접근법은 LLM을 고수준의 의미론적 지식과 계획을 제공하는 ’두뇌’로, 로봇을 그 계획을 물리적 세계에서 실행하는 ’손과 발, 그리고 눈’으로 활용하는 효과적인 협력 프레임워크를 구축한 것이다.10 이는 로봇 기술의 접근성을 획기적으로 높이고, 인간과 로봇의 상호작용을 더욱 직관적으로 만들어 로봇 기술의 대중화와 고도화를 위한 중요한 이정표를 세웠다고 평가할 수 있다.

표 2: SayCan의 핵심 구성요소 및 기능. 이 표는 SayCan의 아이디어를 ’Say’와 ’Can’이라는 두 축으로 분해하여, 언어 모델의 역할과 로봇의 물리적 제약이 어떻게 수학적으로 결합되어 지능적 행동으로 발현되는지를 직관적으로 보여준다.

4. AI 핵심 기술 역량의 발전 동향

2022년 4월은 PaLM과 SayCan이라는 거대 담론이 AI 연구의 전면에 나선 시기였지만, 그 이면에서는 AI 생태계를 구성하는 다양한 핵심 기술 분야에서도 의미 있는 발전이 꾸준히 이루어지고 있었다. 컴퓨터 비전, 강화학습 등 전통적인 AI 분야의 지속적인 성능 고도화와 더불어, 양자 컴퓨팅과 같은 새로운 패러다임을 AI에 접목하려는 미래지향적 시도들이 병행되었다. 이 장에서는 당시 기술 발전의 다층적인 면모를 분석하여, AI 생태계가 어떻게 유기적으로 성장하고 있었는지를 조명한다.

4.1 컴퓨터 비전: 확산 모델의 ‘지각 우선 훈련(Perception Prioritized Training)’

2022년경 컴퓨터 비전 분야에서 가장 주목받는 생성 모델 중 하나는 확산 모델(Diffusion Models)이었다. 확산 모델은 원본 이미지에 점진적으로 노이즈를 추가하는 순방향 과정(forward process)과, 노이즈로부터 원본 이미지를 복원하는 역방향 과정(reverse process)을 학습하여 고품질 이미지를 생성한다. 기존의 훈련 방식은 모든 노이즈 레벨에서의 복원 손실을 동등하게 혹은 단순한 가중치로 합산하여 최적화했다.15

그러나 2022년 4월 5일에 발표된 ‘Perception Prioritized Training of Diffusion Models’ (arXiv:2204.00220) 논문은 이러한 접근 방식에 근본적인 질문을 던졌다.15 연구팀은 모든 노이즈 레벨이 모델 학습에 동등하게 기여하지 않는다는 점에 착안했다. 분석 결과, 이미지가 약간만 손상된 상태(높은 신호 대 잡음비, Signal-to-Noise Ratio, SNR)에서는 모델이 주로 인지하기 어려운 미세한 디테일을 복원하는 법을 배우는 반면, 이미지의 내용이 거의 알아볼 수 없을 정도로 심하게 손상된 상태(낮은 SNR)에서는 모델이 객체의 전체적인 형태, 전역적인 색상 구조와 같은 지각적으로 풍부하고 중요한 고수준 컨텍스트를 학습하게 됨을 발견했다.15

이러한 관찰에 기반하여, 연구팀은 P2(Perception Prioritized) 가중치 기법을 제안했다. 이 기법은 훈련 과정에서 모델이 고수준의 지각적 개념을 학습하는 낮은 SNR 레벨의 손실 항에는 더 높은 가중치를 부여하고, 미세한 디테일만 학습하는 높은 SNR 레벨의 손실 항에는 낮은 가중치를 부여하는 방식이다.15 실험 결과, 이 간단한 가중치 재설계만으로도 다양한 데이터셋과 모델 아키텍처에서 기존 방식 대비 생성된 이미지의 품질이 유의미하게 향상됨을 입증했다.

이 연구는 AI 모델 훈련에 있어 중요한 패러다임 전환을 시사한다. PaLM의 스케일링 법칙이 ’더 큰 규모가 더 나은 품질을 낳는다’는 거시적 방향성을 제시했다면, P2 가중치 연구는 ’어떻게 더 효율적으로 학습하여 품질을 높일 것인가’라는 미시적이고 실용적인 해법을 제시한다. 이는 막대한 훈련 비용과 시간이 요구되는 초거대 생성 모델 분야에서, 자원을 효율적으로 사용하여 최적의 성능을 이끌어내는 방법에 대한 중요한 단초를 제공했다는 점에서 의의가 크다.

4.2 자연어 처리, 강화학습 등의 지속적 성능 고도화

PaLM과 같은 혁신적인 모델의 등장은 진공 상태에서 이루어진 것이 아니다. 이는 AI의 각 하위 분야에서 수년간 축적된 점진적인 성능 향상의 토대 위에서 가능했다. 스탠포드 AI Index 2022 보고서는 2021년까지 다양한 AI 벤치마크에서 꾸준한 성능 고도화가 이루어졌음을 보여준다.1

• 이미지 분류: 구글 Brain Team의 CoAtNets 모델은 2021년 말 기준 ImageNet Top-1 에러율을 10% 미만(정확도 90.88%)으로 낮추었으며, 이는 2012년 AlexNet 시절과 비교하면 오류율이 1/4 수준으로 감소한 것이다.1

• 시각적 질문 응답 (VQA): 이미지와 질문을 함께 이해하고 답하는 VQA 태스크에서 AI의 성능은 2015년 55.4%에서 2021년 79.8%로 향상되어, 인간의 평균 수준(80.8%)에 거의 도달했다.1

• 기계 번역: WMT2014 벤치마크에서 영어-독일어 번역 능력은 2014년 대비 68.1% 향상되는 등 괄목할 만한 성장을 보였다.1

• 음성 인식: 특정 음성 인식 벤치마크(VoxCeleb)에서 최신 AI 시스템의 오류율은 2017년 7.8%에서 2021년 0.42% 수준으로 대폭 감소했다.1

• 강화학습: 구글의 MuZero 에이전트는 일반적인 강화학습 환경인 Procgen 벤치마크에서 2019년 대비 128.6% 개선된 성능을 보이며, 더 넓은 범위의 문제에 대한 일반화 능력을 입증했다.1

이러한 개별 분야에서의 꾸준한 발전은 더 크고 복합적인 AI 시스템을 구축하는 데 필수적인 기반 기술을 제공했다. 예를 들어, 향상된 이미지 인식 및 자연어 이해 능력은 SayCan과 같은 체화된 AI 시스템이 현실 세계를 인식하고 인간의 명령을 이해하는 데 결정적인 역할을 했다. 이처럼 각 하위 분야의 점진적이고 견고한 발전이 전체 AI 생태계의 혁신적인 도약을 이끄는 보이지 않는 밑거름이 된 것이다.

4.3 양자 AI(Quantum AI): 새로운 컴퓨팅 패러다임의 가능성 탐색

2022년 4월의 연구 지형은 현재의 딥러닝 패러다임을 넘어서는 미래의 컴퓨팅 기술에 대한 탐색 또한 활발히 이루어지고 있었음을 보여준다. 그중 가장 주목받는 분야는 양자 컴퓨팅(Quantum Computing)을 AI에 접목하려는 양자 AI(Quantum AI) 또는 양자 머신러닝(Quantum Machine Learning, QML)이다.

2010년대 후반부터 QML 관련 학술 논문의 수는 매년 거의 두 배씩 기하급수적으로 증가하는 추세를 보였다.18 이는 양자 기술의 하드웨어(QPU)와 소프트웨어(Qiskit, TensorFlow Quantum 등)가 빠르게 발전하면서 연구자들이 접근하기 용이해졌기 때문이다.18

QML이 주목받는 가장 큰 이유는 ’지수적 표현력(exponential expressivity)’이라는 잠재력 때문이다. 양자역학의 중첩(superposition)과 얽힘(entanglement) 원리를 이용하는 양자 신경망(Quantum Neural Networks, QNNs)은 고전적인 심층 신경망(DNN)보다 훨씬 적은 파라미터로도 복잡한 함수를 효율적으로 표현할 수 있는 가능성을 가진다.18 이는 모델의 크기가 기하급수적으로 커지는 현재 딥러닝의 한계를 극복할 수 있는 대안이 될 수 있다.

물론 2022년 4월 시점에서 양자 AI는 아직 초기 탐색 단계에 있으며, 실용적인 문제 해결 능력을 입증하기까지는 많은 과제가 남아있다. 그러나 이는 현재의 ’AI 붐’이 언젠가 마주할지 모를 기술적 정체기, 즉 ’AI 겨울’을 방지하고 지속 가능한 발전을 이끌어낼 잠재적 해결책 중 하나로 진지하게 논의되기 시작했음을 보여준다.18 이는 AI 연구 커뮤니티가 단기적인 성능 향상에만 매몰되지 않고, 장기적인 관점에서 컴퓨팅 패러다임 자체의 혁신을 모색하고 있음을 보여주는 중요한 흐름이다.

5. 로봇공학 연구의 다각적 진화

2022년 4월은 대규모 언어 모델과 체화된 AI가 큰 주목을 받았지만, 동시에 로봇공학 분야 자체의 연구 지평 또한 놀라운 속도로 다각화되고 있었음을 보여주는 시기였다. 전통적인 산업 현장을 넘어, 인간이 접근하기 어려운 극한 환경 탐사, 생명의 진화 원리를 모방한 새로운 로봇 설계, 인간의 신체 기능을 복원하고 증강하는 의료 로봇, 그리고 로봇의 사회적 역할에 대한 법적·윤리적 고찰에 이르기까지, 로봇공학은 기술과 사회의 다양한 접점에서 그 영역을 확장하고 있었다. 이 장에서는 당시 발표된 주요 연구들을 통해 로봇공학의 다층적인 발전 양상을 분석한다.

5.1 필드 및 탐사 로봇공학: 행성 탐사를 위한 협업 로봇 시스템(TRUSSES)

극한 환경, 특히 우주 탐사 분야에서 로봇의 역할은 절대적이다. 그러나 달이나 화성과 같이 예측 불가능하고 험준한 지형은 단일 로봇 시스템의 능력만으로는 극복하기 어려운 도전 과제를 제시한다. 이러한 문제에 대한 해법으로, 펜실베이니아 대학 연구팀은 NASA의 지원을 받아 TRUSSES(Temporarily, Reversibly, Unlocking Stability between System) 프로젝트를 통해 이종(heterogeneous) 로봇 간의 협업 시스템을 선보였다.19

이 프로젝트의 핵심 아이디어는 각기 다른 장단점을 가진 로봇들을 물리적으로 연결하여 시스템 전체의 성능을 극대화하는 것이다. 연구팀은 안정적이지만 모래 지형에서 접지력이 약한 바퀴형 로버(rover)와, 기동성이 뛰어나지만 쉽게 균형을 잃을 수 있는 다리형 로봇(legged robot)을 활용했다. 뉴멕시코의 사막에서 진행된 필드 테스트에서, 이 두 로봇은 단독으로는 오를 수 없었던 가파른 모래 언덕을 서로를 지지하며 함께 등반하는 데 성공했다.19

이 연구는 로봇 시스템 설계에 대한 중요한 패러다임 전환을 보여준다. 이는 완벽한 성능을 가진 단일 로봇을 개발하려는 기존의 접근 방식에서 벗어나, 다소 불완전하더라도 각자의 강점을 가진 여러 로봇이 협력함으로써 전체 시스템의 강건성(robustness)과 문제 해결 능력을 높이는 방향으로 나아가는 것이다. 특히 “한 로봇이 실패하더라도 시스템 전체는 기능을 유지할 수 있다“는 개념은, 작은 실패가 치명적인 임무 실패로 이어질 수 있는 우주 탐사 환경에서 매우 중요한 가치를 가진다.19

5.2 생체모방 및 진화 로봇공학: 로봇 형태(Morphology) 진화 연구 동향

자연의 생명체들은 수억 년의 진화 과정을 통해 각자의 환경에 완벽하게 적응한 놀라운 형태(morphology)와 행동 양식을 발전시켜왔다. 이러한 진화의 원리를 로봇 설계에 적용하려는 연구 분야가 바로 진화 로봇공학(Evolutionary Robotics)이다. 2022년 4월 14일, 저명 학술지 ’Frontiers in Robotics and AI’는 ’진화하는 로봇 형태(Evolving Robotic Morphologies)’를 주제로 한 특별호를 발간하며 이 분야의 최신 연구 동향을 집대성했다.20

이 특별호에 실린 연구들은 인간 설계자의 직관과 경험을 넘어, 진화 알고리즘이라는 창발적 과정을 통해 예기치 못한 혁신적인 로봇 형태와 제어기를 자동으로 발견하려는 시도들을 소개했다. 특히 주목받은 것은 MAP-Elites와 같은 ‘품질-다양성(quality-diversity)’ 알고리즘이었다. 이 알고리즘들은 단순히 성능이 가장 좋은 단 하나의 최적해를 찾는 것이 아니라, 성능이 우수하면서도 형태적으로나 행동적으로 다양한 해(solution)들을 동시에 탐색한다.20 이러한 접근법은 예측 불가능한 환경 변화에 더 잘 적응할 수 있는 유연하고 강건한 로봇 집단을 만들어낼 잠재력을 보여준다.

또한, 시뮬레이션에서 진화시킨 로봇 설계를 실제 하드웨어로 자동으로 조립하고 테스트하는 EMERGE(Easy Modular Embodied Robot Generator) 플랫폼과 같은 연구도 소개되었다.20 이는 진화 로봇공학이 이론적 탐구를 넘어 현실 세계에 적용 가능한 기술로 발전하고 있음을 보여주는 사례다. 이처럼 생명의 원리를 모방하여 로봇을 설계하려는 시도는 로봇공학의 창의적 지평을 넓히는 중요한 연구 방향으로 자리 잡고 있다.

5.3 의료 및 보조 로봇공학: 기능적 전기 자극(FES)을 결합한 하이브리드 외골격 로봇

로봇공학은 인간의 신체적 한계를 극복하고 삶의 질을 향상시키는 데 중요한 역할을 한다. 특히 의료 및 재활 분야에서 웨어러블 로봇 기술의 발전은 척수 손상, 뇌졸중 등으로 인해 거동이 불편한 환자들에게 새로운 희망을 제시하고 있다. 2022년 4월 ’Frontiers in Robotics and AI’에 발표된 한 연구는 모터로 구동되는 전통적인 외골격 로봇에 기능적 전기 자극(Functional Electrical Stimulation, FES)을 결합한 하이브리드 시스템을 제안했다.21

FES는 마비된 근육에 직접 전기 신호를 보내 근육을 활성화시키는 기술로, 재활 과정에서 근육 위축을 방지하고 신경 재활을 촉진하는 치료적 이점을 가진다. 그러나 FES만으로는 근육 피로로 인해 지속적이고 안정적인 토크를 생성하기 어렵다는 한계가 있다. 연구팀은 이 문제를 해결하기 위해, 모터의 기계적 힘과 FES에 의한 생물학적 힘을 지능적으로 결합하는 제어 전략을 개발했다. 신경망 기반의 반복 학습 제어기(iterative learning controller)를 사용하여, 시스템이 반복적인 동작(예: 앉았다 일어서기)을 수행하면서 FES와 모터 간의 토크 생성을 적응적으로 최적 분배하도록 설계했다.21

이 연구는 로봇이 단순히 인간의 움직임을 기계적으로 대체하거나 보조하는 것을 넘어, 인간의 생체 신호 및 반응과 실시간으로 상호작용하며 최적의 도움을 제공하는 ‘인간-로봇 통합(Human-Robot Integration)’ 시스템으로 발전하고 있음을 보여준다. 기계적 시스템과 인간의 신경근계가 하나의 폐쇄 루프(closed-loop) 안에서 협력하는 이러한 접근법은 미래 재활 및 보조 로봇공학이 나아갈 핵심적인 연구 방향을 제시한다.

5.4 로봇의 법적 및 윤리적 지위: ‘전자적 인격(Electronic Personhood)’ 논의의 시작

AI와 로봇의 자율성이 고도화되면서, 이들이 사회의 일원으로 활동할 때 발생하는 책임과 권리의 문제를 어떻게 다룰 것인가에 대한 사회적, 법적, 윤리적 논의가 본격적으로 시작되었다. 2022년 4월 4일, ‘Frontiers in Robotics and AI’ 저널은 ’로봇은 (법적) 지위를 가져야 하는가?(Should Robots Have Standing?)’라는 도발적인 제목의 연구 토픽을 통해 이 문제를 정면으로 다루었다.22

이 연구들은 특히 유럽 의회에서 제안되어 큰 논쟁을 불러일으킨 ’전자적 인격(electronic persons)’이라는 개념을 중심으로, 고도로 자율적인 AI와 로봇에 법인격(legal personhood)을 부여하는 제안의 타당성과 사회적 수용도를 탐구했다.22 법인격 부여는 자율주행차가 사고를 냈을 때 그 법적 책임을 누구에게 물을 것인지(소유자, 제조사, 아니면 AI 자체?), 또는 AI가 창작한 예술 작품의 저작권은 누구에게 귀속되는지와 같은 복잡한 문제들에 대한 하나의 해결책이 될 수 있다.

물론 이러한 제안은 수많은 철학적, 법리적 반론에 직면해 있다. 그러나 이러한 논의가 학술지의 주요 주제로 다루어지기 시작했다는 사실 자체가 로봇공학이 순수한 공학의 영역을 넘어 법학, 철학, 사회학과 깊이 교차하는 지점에 도달했음을 보여주는 상징적인 사건이다. 이는 기술 발전이 기존의 사회 제도를 어떻게 변화시키고 새로운 규범의 필요성을 촉발하는지를 보여주는 중요한 사례이며, 미래 사회를 대비하기 위한 선제적인 논의가 시작되었음을 의미한다.

표 3: 2022년 4월 주요 로봇공학 연구 분야 및 핵심 발표 요약. 이 표는 로봇공학이라는 광범위한 분야에서 동시다발적으로 이루어지는 다양한 연구들을 체계적으로 정리하여 보여준다. 이를 통해 각 하위 분야의 핵심 문제의식과 기술적 접근법을 한눈에 비교하고, 로봇공학 연구의 전체적인 지형을 이해할 수 있다.

6. 결론: 2022년 4월 연구 동향의 종합적 분석 및 전망

2022년 4월은 인공지능과 로봇공학 연구의 역사에서 하나의 분수령을 이룬 시기였다. 이 시기에 발표된 연구들은 개별적인 기술적 성과를 넘어, AI 연구의 근본적인 패러다임 변화와 미래 발전 방향을 암시하는 중요한 흐름들을 형성했다. 본 보고서에서 심층 분석한 연구들을 종합하여, 2022년 4월이 갖는 역사적 의미를 평가하고 향후 연구에 대한 전망을 제시하고자 한다.

6.1 핵심 동향 요약: LLM과 로봇공학의 융합 가속화

2022년 4월의 연구 지형은 두 개의 거대한 흐름이 합류하는 지점으로 요약될 수 있다. 첫 번째 흐름은 PaLM으로 대표되는 **‘지능의 수직적 확장’**이다. 이는 모델, 데이터, 컴퓨팅의 규모를 극한으로 확장함으로써 추상적 지능의 한계를 돌파하고, 이전에 없던 새로운 능력을 창발하려는 시도다. 두 번째 흐름은 SayCan과 다각화된 로봇공학 연구들이 보여준 **‘지능의 수평적 확장’**이다. 이는 강력해진 AI의 지능을 물리적 현실 세계의 다양한 문제 해결에 적용하고, 인간 사회의 다층적인 요구에 부응하려는 노력이다.

이 두 흐름의 결합은 특히 ’대규모 언어 모델(LLM)과 로봇공학의 융합’이라는 형태로 구체화되었다. SayCan 연구가 입증했듯이, LLM의 발전은 더 이상 텍스트 생성이나 번역과 같은 디지털 영역에만 머무르지 않고, 로봇이 복잡한 물리적 과업을 수행하는 능력에 직접적인 영향을 미치기 시작했다. 이는 ’범용 인공지능(AGI)’이라는 원대한 목표를 향한 연구에 있어, 추상적 추론 능력과 물리적 실행 능력을 결합하는 구체적이고 실현 가능한 경로를 제시했다는 점에서 중요한 의의를 가진다.

6.2 기술적 시사점: 스케일링 법칙의 유효성과 현실 기반 접지의 중요성

분석된 연구들은 미래 AI 시스템이 갖추어야 할 두 가지 핵심 원칙을 명확히 보여준다.

첫째, 스케일링 법칙의 지속적인 유효성이다. PaLM은 모델의 규모를 키우는 것이 여전히 AI 성능을 향상시키는 가장 확실한 방법론이며, 양적인 변화가 예측 불가능한 질적 변화를 이끌어낼 수 있음을 다시 한번 증명했다. 이는 AI 연구가 앞으로도 더 크고 강력한 모델을 구축하는 방향으로 나아갈 것임을 시사한다.

둘째, 현실 기반 접지(Grounding)의 필수성이다. 동시에 SayCan은 아무리 뛰어난 언어적, 논리적 지능이라도 물리적 세계의 제약 조건(affordance)에 기반하지 않으면 실용적인 가치를 갖기 어렵다는 점을 명확히 했다. AI의 지능은 현실 세계의 센서 데이터와 상호작용하고, 물리적 행동으로 발현될 때 비로소 완성된다.

결론적으로, 미래의 성공적인 AI 시스템은 이 두 가지 원칙을 동시에 추구해야 할 것이다. 즉, ‘크고 강력하게(Scale)’ 모델을 구축하는 동시에, 그 능력이 ‘현실에 발 딛고(Ground)’ 있도록 설계해야 한다.

6.3 향후 전망: AI 연구의 다음 단계를 향한 제언

2022년 4월의 연구들은 AI의 눈부신 가능성을 보여주었지만, 동시에 앞으로 해결해야 할 중대한 과제들을 남겼다. 향후 AI 연구는 다음의 세 가지 방향으로 나아가야 할 것이다.

• 효율성(Efficiency): PaLM과 같은 초거대 모델의 막대한 훈련 비용과 에너지 소비는 지속 가능하지 않다. ‘P2 가중치’ 연구와 같이, 더 적은 데이터와 컴퓨팅 자원으로 더 효율적으로 학습하는 방법에 대한 연구가 더욱 중요해질 것이다. 이는 AI 기술의 민주화와 환경적 책임을 위해서도 필수적이다.

• 안전과 정렬(Safety and Alignment): 모델의 능력이 인간을 초월하는 영역으로 나아갈수록, 그 능력을 인간의 가치와 의도에 부합하도록 통제하는 ‘정렬’ 기술의 중요성은 기하급수적으로 커진다. RLHF와 같은 초기 연구를 발전시켜, 기술적으로 강력하면서도 신뢰할 수 있고 안전한 AI를 개발하는 것이 AI 연구의 최우선 과제가 되어야 한다.

• 사회적 합의(Social Consensus): ’전자적 인격’에 대한 논의에서 보았듯이, AI와 로봇이 사회 깊숙이 통합됨에 따라 발생하는 법적, 윤리적, 사회적 문제에 대한 범사회적 논의와 합의 형성 노력이 기술 개발과 병행되어야 한다. 엔지니어와 연구자들은 사회 구성원들과의 적극적인 소통을 통해 책임감 있는 혁신을 이끌어야 할 의무가 있다. 2022년 4월은 이러한 논의가 더 이상 먼 미래의 일이 아니라, 우리 앞에 당면한 현실임을 명확히 보여준 시점이었다.

7. 참고 자료

1. AI Index 2022의 주요 내용과 시사점 - 소프트웨어정책연구소, https://www.spri.kr/download/23034
2. Strengthening the U.S. AI Workforce | Center for Security and Emerging Technology, https://cset.georgetown.edu/publication/strengthening-the-u-s-ai-workforce/
3. AAAI 2025 Presidential Panel on the Future of AI Research - The Association for the Advancement of Artificial Intelligence, https://aaai.org/wp-content/uploads/2025/03/AAAI-2025-PresPanel-Report-FINAL.pdf
4. PaLM: Scaling Language Modeling with Pathways, https://arxiv.org/abs/2204.02311
5. Google Trains a 540B Parameter Language Model With Pathways, Achieving ‘Breakthrough Performance’ - Synced Review, https://syncedreview.com/2022/04/06/google-trains-a-540b-parameter-language-model-with-pathways-achieving-breakthrough-performance/
6. Google PaLM: Scaling Language Modeling with Pathways - YouTube, https://www.youtube.com/watch?v=CF-sdpE9IVM
7. PaLM - Wikipedia, https://en.wikipedia.org/wiki/PaLM
8. [PDF] PaLM: Scaling Language Modeling with Pathways - Semantic Scholar, https://www.semanticscholar.org/paper/PaLM%3A-Scaling-Language-Modeling-with-Pathways-Chowdhery-Narang/094ff971d6a8b8ff870946c9b3ce5aa173617bfb
9. Training a Helpful and Harmless Assistant with Reinforcement …, https://arxiv.org/abs/2204.05862
10. [2204.01691] Do As I Can, Not As I Say: Grounding Language in Robotic Affordances - arXiv, https://arxiv.org/abs/2204.01691
11. SayCan: Grounding Language in Robotic Affordances, https://say-can.github.io/
12. Do As I Can, Not As I Say: Grounding Language in Robotic Affordances - Google Research, https://research.google/pubs/do-as-i-can-not-as-i-say-grounding-language-in-robotic-affordances/
13. PaLM-SayCan: Robots Following Instructions Through Feasible Actions - Weights & Biases, https://wandb.ai/telidavies/ml-news/reports/PaLM-SayCan-Robots-Following-Instructions-Through-Feasible-Actions–VmlldzoyNDg5NzQ1
14. [Robotics] Do As I Can, Not As I Say: Grounding Language in Robotic Affordances - Medium, https://medium.com/@amiable_cardinal_crocodile_398/robotics-do-as-i-can-not-as-i-say-grounding-language-in-robotic-affordances-e6d1b74035fd
15. Perception Prioritized Training of Diffusion Models - CVF Open Access, https://openaccess.thecvf.com/content/CVPR2022/papers/Choi_Perception_Prioritized_Training_of_Diffusion_Models_CVPR_2022_paper.pdf
16. (PDF) Perception Prioritized Training of Diffusion Models - ResearchGate, https://www.researchgate.net/publication/359709936_Perception_Prioritized_Training_of_Diffusion_Models
17. jychoi118/P2-weighting: CVPR 2022 - GitHub, https://github.com/jychoi118/P2-weighting
18. Research Highlights - Quantum AI Technology | Mitsubishi Electric Research Laboratories, https://www.merl.com/research/highlights/quantum-ai
19. Helping robots work together to explore the Moon and Mars - Penn Engineering Blog, https://blog.seas.upenn.edu/helping-robots-work-together-to-explore-the-moon-and-mars/
20. Editorial: Evolving Robotic Morphologies - Frontiers, https://www.frontiersin.org/journals/robotics-and-ai/articles/10.3389/frobt.2022.874853/full
21. Editorial: Next Generation User-Adaptive Wearable Robots - Frontiers, https://www.frontiersin.org/journals/robotics-and-ai/articles/10.3389/frobt.2022.920655/full
22. Should Robots Have Standing? The Moral and Legal Status of Social Robots - Frontiers, https://www.frontiersin.org/research-topics/17908/should-robots-have-standing-the-moral-and-legal-status-of-social-robots/magazine