Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 기사는 현재 AI가 단순히 상관관계를 학습하는 수준에 머물러 있으며, 실제 물리 세계에서는 한계에 부딪힌다고 지적합니다. 차세대 AI는 '무엇인지'를 아는 것을 넘어 '왜 그런지'를 이해하는 인과관계(causality) 모델을 목표로 해야 합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 X @berryxia (자동 발견)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기AI는 정말로 '전혀 아니다'라는 수준에 있는 영역들이 여전히 있습니다!
공백과 발전할 공간은 막대합니다!
지금 AI는 컵을 제대로 잡지도 못합니다. 손이 실제로 닿기도 전에 컵이 저절로 날아가 버립니다.
GeekPark에서 진행된 이번 에피소드의 대화에서 Aether AI의 창립자인 Huang Biwei 교수는 이 예를 들었습니다: 오늘날의 비디오 생성 모델은 '손이 컵에 다가갈 때, 컵이 자주 움직인다'와 같은 상관관계를 학습할 뿐이지, '왜 움직이는지...'와 같은 인과관계(causality)를 학습하는 것이 아닙니다.
채팅에서는 잘못된 말을 해도 편집해서 고치면 되지만, 로봇 공학, 자율 주행, 생물의학처럼 실제 물리 세계에 진입하면 이야기가 다릅니다.
변수 하나만 잘못 계산해도 그 결과는 현실적입니다. 환각(Hallucinations)은 여기서는 그렇게 재미있지 않습니다.
따라서 차세대 AI의 격차는 세상을 더 정확하게 예측하는 것이 아니라, 세상이 왜 돌아가는지를 진정으로 이해하는 데 달려 있습니다.
이것이 바로 인과적 세계 모델(causal world models)이 목표로 하는 것입니다: AI가 단순히 표면만 보는 것이 아니라 메커니즘을 이해하도록 만드는 것입니다.
Huang 교수의 팀 벤치마크에 따르면, 인과 구조는 로봇의 성공률을 2550% 향상시키는 동시에 샘플 필요량을 510배 줄일 수 있습니다.
같은 양의 데이터로도 구조만 바꾸면 경제성이 완전히 달라집니다.
이전에는 모두 상관관계를 확장하는 것이 우리를 끝까지 데려다줄 것이라고 생각했지만, 이제 물리 세계가 그 접근 방식을 정면으로 때려눕혔습니다.
진정한 지능은 '무엇인지 아는 것'에서 '왜인지를 아는 것'으로 진화해야 합니다.