현재 AI는 매번 새로 출근하는 천재 인턴에 가깝습니다. Liang이 말하는 AGI는 회사에서 두 달 동안 사람과 업무를 배우고, 다음 날에도 그 경험을 가진 채 출근하는 직원에 가까움.
지속학습은 긴 컨텍스트나 장기 메모리와는 조금 다릅니다. 긴 컨텍스트는 과거 정보를 많이 넣어주는 것이고, 장기 메모리는 필요할 때 과거 정보를 다시 찾는 것.
지속학습은 여기서 한 단계 더 나아감. 과거 경험을 저장하는 데 그치지 않고, 그 경험을 통해 이후의 판단과 업무 방식 자체가 안정적으로 달라지는 영역.
CoT가 한 문제 안에서의 사고시간을 늘리고, Agent가 수행할 수 있는 행동의 길이를 늘렸다면, 지속학습은 여러 작업과 시간을 가로질러 경험을 축적하게 만듦. 말 그대로 지능의 수명을 늘리는 단계. 이 능력이 생기면 Agent는 매번 같은 비용으로 같은 업무를 반복하는 소프트웨어에서, 사용할수록 특정 조직의 사람·규칙·예외에 적응하는 자산으로 바뀔 수 있음.
이때부터 AI는 단순한 보조 도구를 넘어 일부 직무를 장기간 안정적으로 맡을 수 있는 시스템에 가까워짐. 인력 대체 역시 추상적인 전망이 아니라, 업무 단위로 따져볼 수 있는 현실적인 문제가 됨.
이 영역이 핵심이 되면 AI의 실제 능력은 모델 성능 하나로 설명되지 않을 가능성이 큰데, 기본 모델 + 장기 기억 + 업무 도구 + 권한 + 과거 행동과 피드백으로 평가될 것임.
이는 같은 기본 모델을 사용하더라도 어느 회사에서 누구와 일했고, 어떤 실패와 수정을 경험했는지에 따라 전혀 다른 AI가 될 수 있다는 의미로, 기업의 해자도 모델 API 자체가 아니라, AI가 조직 안에서 축적한 업무 경험과 판단 기록으로 이동할 것임. AI는 구독하는 소프트웨어에서 시간이 쌓일수록 가치가 커지는 운영 자산으로 바뀔 수 있음.
DeepSeek가 비용 효율을 중시하는 이유도 여기에 있는데
내부적으로는 계산 비용 절감 → 더 많은 실험과 더 큰 모델 → 학습 속도 향상 → AGI 도달 확률 상승
외부적으로는 저렴한 API와 오픈소스 → 더 많은 이용자와 개발자 → 생태계·피드백·협력 확대
즉 DeepSeek의 저비용 전략은 단순한 가격 경쟁이 아니라 제한된 계산 자원으로 지능의 상한을 더 빠르게 밀어 올리고, 그 결과를 넓게 배포해 AGI 개발에 유리한 환경을 만드는 전략에 가깝다고 평가할 수 있음.