DeepMind CEO, AGI는 4년 이내에 나올 수 있다고. 마지막 세 가지 부족한 부분은 대부분의 사람들이 생각하는 것과 다르다.

(dev.to)

Google DeepMind CEO 데미스 허사비스는 2030년경 AGI의 도래를 예측하며, 현재 AI가 가진 세 가지 핵심 결함으로 지속적 학습, 장기 추론, 그리고 실질적 메모리의 부재를 꼽았습니다. 그는 단순히 컨텍스트 윈도우를 확장하는 것은 인간의 '작업 기억'을 늘리는 것과 같으며, 진정한 AGI를 위해서는 정보를 선별하고 통합하는 'AI 해마(Hippocampus)'와 같은 구조가 필수적이라고 강조합니다.

이 글의 핵심 포인트

1데미스 허사비스는 2030년경 AGI가 등장할 수 있다고 예측
2현재 AI의 3대 결함: 지속적 학습(Continual Learning), 장기 추론(Long-term Reasoning), 실질적 메모리(Real Memory)
3컨텍스트 윈도우 확장은 인간의 '작업 기억'을 늘리는 것과 같으며, 장기 기억과는 무관함
4AI에게는 정보를 선별하고 장기 저장소에 통합하는 '해마(Hippocampus)' 기능이 필요함
5AI 에이전트의 자율성과 신뢰성을 확보하기 위해서는 독립적이고 인덱싱 가능한 메모리 모듈이 필수적임

이 글에 대한 공공지능 분석

왜 중요한가

현재 AI 발전의 패러다임이 '모델 크기'와 '컨텍스트 윈도우 확장'이라는 양적 팽창에서 '지능의 구조적 완성도'라는 질적 도약으로 이동하고 있음을 시사합니다. 이는 단순한 모델 활용을 넘어, AI 에이전트의 신뢰성과 자율성을 결정짓는 핵심 기술적 난제가 무엇인지 명확히 정의해 줍니다.

배경과 맥락

최근 AI 업계는 100만 토큰 이상의 거대 컨텍스트 윈도우 경쟁을 벌이고 있으나, 이는 인간의 '작업 기억(Working Memory)'을 늘리는 것과 같아 장기적인 지식 축적에는 한계가 있습니다. 허사비스는 인간의 해마가 정보를 선별하고 장기 기억으로 통합하듯, AI에도 정보를 효율적으로 인덱싱하고 관리하는 별도의 시스템이 필요하다고 주장합니다.

업계 영향

LLM을 단순히 호출하는 '래퍼(Wrapper)' 서비스의 시대는 저물고, AI 에이전트에게 지속적인 기억과 추론 능력을 부여하는 '메모리 레이어'나 '추론 엔진' 개발이 차세대 핵심 비즈니스가 될 것입니다. 이는 RAG(검색 증강 생성)를 넘어선, 보다 구조화되고 지속 가능한 데이터 관리 기술 수요를 창출할 것입니다.

한국 시장 시사점

한국의 AI 스타트업들은 거대 모델 자체를 만들기보다는, 특정 도메인(의료, 법률, 제조 등)에 특화된 '지속 가능한 지식 저장 및 추론 시스템' 구축에 집중해야 합니다. 모델의 컨텍스트를 관리하고 효율적인 인덱싱을 제공하는 'AI 인프라/미들웨어' 영역에서 글로벌 경쟁력을 확보할 기회가 있습니다.

이 글에 대한 큐레이터 의견

많은 창업자가 LLM의 컨텍스트 윈도우가 커지는 것을 보며 "이제 모든 데이터를 다 넣을 수 있다"고 오판하곤 합니다. 하지만 허사비스의 지적처럼, 이는 단순히 책상이 넓어지는 것일 뿐, 책상 위에 쌓인 쓰레기와 중요한 서류를 구분하는 능력은 별개의 문제입니다. 진정한 AI 에이전트의 가치는 '무엇을 기억하고 무엇을 잊을 것인가'를 결정하는 지능적 필터링에 있습니다.

따라서 스타트업은 모델의 성능에 의존하는 것을 넘어, 에이전트가 사용자와의 상호작용을 통해 어떻게 '학습'하고 '성장'할 수 있는지에 대한 아키텍처를 설계해야 합니다. 'AI 해마' 역할을 할 수 있는 효율적인 메모리 모듈이나, 장기적인 추론 체인을 관리하는 기술적 해법을 제시하는 기업이 차세대 AI 생태계의 강력한 플레이어가 될 것입니다.

원문 보기 →