최근 인공지능의 화두는 딥시크였다. 산업계와 학계에서 딥시크에 대한 논의가 폭넓고도 촘촘하나, 여기에선 기존 GPT와 대비되는 제로 기술에 대해 알아보기를 원한다. 기술적 측면에서 보면 딥시크는 GPT와 같은 기존 인공지능 모델의 친척 정도로 보는 것이 적절하지만 GPT와 대비되는 특징 하나가 눈에 띈다. GPT가 인간이 만든 데이터를 학습하는 것에서 출발해 마지막 출력단 정렬 과정에서 강화학습을 사용했다면, 딥시크의 기반 모델인 딥시크 R1제로는 인간의 데이터 학습보다는 추론 문제 해결 자체에 집중한다. 그 결과 종종 인간에게 생소한 언어를 사용하지만 수학이나 코딩과 같은 논리적 문제 해결 분야에서 두각을 보인다. 이 모델 방식은 알파고를 상대로 100전 100승으로 격파한 알파고 제로 모델을 떠올리게 한다.
알파고 제로의 가장 큰 특징은 인간의 기보를 전혀 참고하지 않았다는 점이다. 바둑 규칙만 습득한 후, 자체 대국을 통해 독학으로 바둑의 이치를 터득했다. 불과 36시간 만에 인간의 기보를 학습한 버전을 추월했고, 3일 만에 알파고 리(이세돌 구단을 4대 1로 이긴 버전)의 수준에 도달했다. 그리고 약 한 달 뒤, 기존 인공지능 바둑왕인 ‘알파고 마스터(커제 9단을 3대 0으로 이긴 버전)’를 넘어, 100전 100승을 의미하는 5000점이 넘는 엘로(Elo) 점수를 획득했다. 엘로 점수는 각종 게임이나 바둑, 체스 등 실력을 점수화하는 평점 시스템이다. 알파고 제로는 무(無)에서 출발한 덕분에 인간의 선입견과 한계로부터 자유를 얻은 것일까? 눈에 띄는 것은 강화학습만으로 지도 학습의 성과를 능가할 가능성은 모두가 알고 있었지만, 그것을 실제로 성공시켰다는 점이다. 다시 말하면 알파고가 바둑의 기보라는 인간 데이터를 베이스로 강화 학습해 이세돌 기사와 세기의 대결을 펼쳤다면, 이후 출시된 알파고 제로에서는 인간 데이터를 사용하지 않은 제로 베이스의 강화학습을 사용해 경량화와 성능 향상이라는 ‘두 마리 토끼’를 모두 잡은 것이다.
현재 인공지능 시대를 구분해본다면 딥시크 이전과 이후로 나눌 수 있다. 이전 시대의 GPT와 알파고가 인간의 데이터를 재료 삼아 인공지능으로 요리해낸 것이라면, 딥시크 제로와 알파고 제로는 순수한 인공지능 베이스를 인간의 양념에 재어 놓았다고 볼 수 있다. 이는 인간의 문제 해결 방식이 기존 방법보다는 때로는 제로 베이스가 나을 수도 있음을 시사한다.
빈 석판, 백지, 제로 베이스를 뜻하는 타불라 라사(tabula rasa)에서 출발해 후천적으로 학습하는 제로 인공지능은 제로 샷 학습(Zero-Shot Learning) 을 바탕으로 한다. 제로 샷 학습의 핵심은 모델이 기존 데이터와 지식을 바탕으로 새로운 상황을 추론할 수 있도록 한다. 이를 위해 일반적으로 속성(attribute) 기반의 접근 방법이 사용된다. 예를 들어, 모델이 각각의 동물 사진을 ‘포유류’ ‘조류’ 등의 속성으로 학습했다면, 훈련 과정에서 본 적 없는 ‘팽귄’ 사진을 보고도 ‘조류’라는 속성을 바탕으로 팽귄을 인식할 수 있다. 이 학습 기술은 기계 학습 모델이 훈련 중에 본 적 없는 데이터나 작업에 대해 예측을 수행할 수 있도록 하는 것을 목표로 한다. 즉, 제로 샷 학습을 통해 모델은 본 적 없는 새로운 상황에도 유연하게 대응할 수 있다. 이러한 학습 방식은 특히 데이터가 부족하거나 다양한 변형이 필요한 분야에서 유용하다.
GPT가 사용하는 인간의 지식은 비싸지만 제로 인공지능인 딥시크가 생산하는 지식은 상대적으로 싸다. 그리고 제로 인공지능은 인간과 인공지능의 지식을 증류해 가성비를 높일 수 있고 AI의 범용성과 적용 가능성을 크게 확장시키며, 특히 데이터가 부족하거나 다양성이 요구되는 분야에서 그 가치를 발휘할 것이다. 그래서 지금이 우리에겐 제로 AI 같은 개념을 활용해 기존 문제를 해결하거나 새로운 기회를 창출하려는 자세도 필요한 시점이다.
)
