**번역본뉴스입니다. 오역이 있을수 있습니다.
구글의 최신 연구는 AI가 향해 가고 있다고 생각하는 방향에 대한 상당히 완전한 그림을 내놓았습니다.
구글 딥마인드(DeepMind)의 60페이지 분량 논문인 "AGI에서 ASI로(From AGI to ASI)"는 시스템이 인간 수준의 지능(AGI)에서 초지능(ASI)으로 이동할 수 있는 4가지 방법을 제시합니다. 첫 번째 직관적인 경로는 '스케일링(확장)'입니다. 더 큰 모델, 더 많은 컴퓨팅, 더 많은 데이터 등 기본적으로 제미나이(Gemini)와 같은 시스템의 뒤를 받치고 있는 궤적입니다. 두 번째는 오늘날의 트랜스포머 구조와는 다른 새로운 알고리즘을 통한 '불연속적인 변화(패러다임 전환)'입니다. 세 번째는 모델이 자체 아키텍처와 훈련 루프를 스스로 반복하며 개선하는 '재귀적 자기 개선(recursive self-improvement)'입니다. 네 번째는 수많은 AGI 수준의 에이전트들이 협력하여 단일 시스템보다 더 큰 것을 만들어내는 '집단 지성(멀티 에이전트 협업)'입니다.
이것이 로드맵이라면, 그다지 다음 문제는 '신뢰성'입니다. 구글 연구원들은 모델이 확신의 정도에 대해 말하는 것과 실제로 내부에서 "믿는" 것을 일치시키는 방법인 "충실한 불확실성(faithful uncertainty)"을 제안합니다. 확신을 가지고 답하거나 거부하는 대신, 모델은 불확실할 때 명시적으로 헤징(위험 회피 표현)을 할 수 있습니다. 이러한 불확실성 신호는 도구를 호출할 때, 검색할 때, 또는 메모리에 의존할 때와 같은 결정을 내릴 수 있게 합니다. 이는 또한 논문에서 "유틸리티 택스(utility tax)"라고 부르는 현상, 즉 엄격한 환각 방지 규칙으로 인해 모델이 지나치게 조심스러워져 유용성이 떨어지는 문제를 해결하기 위한 방안으로 프레임화되었습니다.
그다음은 '지식 처리'입니다. 구글 클라우드의 오픈 지식 포맷(OKF, Open Knowledge Format)은 기업 정보가 AI 시스템용으로 패키징되는 방식을 표준화하려는 시도입니다. 이는 흩어져 있는 내부 데이터를 가벼운 메타데이터가 포함된 구조화된 마크다운(Markdown) 폴더로 변환합니다. 문서 간의 링크는 간단한 지식 그래프를 형성합니다. 목표는 '이동성'입니다. 에이전트는 모든 시스템에 대해 맞춤형 파이프라인을 구축할 필요 없이 여러 클라우드와 프레임워크 전반에서 이 데이터를 흡수할 수 있습니다.
그 위에서 작동하는 것이 '실행'입니다. 제미나이 3.1 프로(Gemini 3.1 Pro)를 기반으로 구축된 제미나이-SQL2(Gemini-SQL2)는 자연어를 SQL 쿼리로 번역하고 이를 실제 데이터베이스에 대해 실행합니다. BIRD 벤치마크에서 이 모델은 80.04%의 실행 정확도에 도달하여, 72.8%를 기록한 오픈AI의 GPT-5.5-xhigh와 70.9%를 기록한 앤트로픽의 클로드 오푸스 4.6(Claude Opus 4.6)을 앞섰습니다.
--------------------------------------------------------------------------------------광고(Advertising)--------------------------------------------------------------------------------------------------------
머스크의 스페이스X, IPO 수일 만에 ...
