흥미로운 점은 이제 업계 논의가 "AGI가 가능하냐?"에서 "AGI 이후 무엇이 오느냐?"로 이동하고 있다는 것입니다.
논문은 ASI(초지능)로 가는 경로를 크게 4가지로 제시합니다.
* 더 큰 모델과 컴퓨팅 자원
* 새로운 아키텍처
* AI가 AI 연구를 수행하는 재귀적 개선
* 다수의 AI가 협업하는 집단지성 시스템
특히 연구진은 ASI를 단순히 IQ가 높은 모델이 아니라,
기업·연구소·국가 수준의 문제를 인간 조직보다 더 잘 해결할 수 있는 시스템
으로 정의합니다.
개인적으로 중요한 부분은 재귀적 개선(Self-Improvement)입니다.
지금도 이미 Claude, Codex, Gemini 같은 모델들이 코드 작성, 실험 자동화, 논문 분석, 평가 데이터 생성에 활용되고 있습니다.
즉 AI가 연구 생산성을 높이고, 그 결과 더 좋은 AI가 만들어지는 루프가 일부 시작된 상태입니다.
논문은 데이터 부족, 컴퓨팅 비용, 에너지, 알고리즘 한계 등을 주요 병목으로 지목했지만, 최근 흐름을 보면 업계는 병목을 해결하는 방향으로 계속 움직이고 있습니다.
* 합성 데이터
* 모델 증류
* 에이전트 기반 연구 자동화
* 분산 학습
* 추론 최적화
등이 모두 같은 문제를 풀기 위한 시도들입니다.
결국 중요한 통찰은 AGI 자체보다도,
AGI가 연구원, 엔지니어, 기업가 역할을 일부 수행하기 시작하는 순간부터 발전 속도가 달라질 수 있다는 점입니다.
만약 AI가 AI 연구를 가속하는 단계에 진입한다면, 미래의 경쟁력은 모델을 사용하는 능력보다 AI를 활용해 새로운 시스템을 만드는 능력에서 나올 가능성이 높습니다.
AGI는 끝이 아니라 시작점일 수 있다는 것이 이 논문의 핵심입니다.