인공지능의 사고 과정과 인간의 유사성
최근 대규모 언어 모델(LLMs)인 추론 모델들이 복잡한 문제 해결 능력에서 크게 향상되었습니다. MIT의 맥고번 연구소 연구진은 이 모델들이 인간과 유사한 사고 과정으로 문제를 처리할 수 있다는 사실을 발견했습니다. 이러한 연구 결과는 인공지능이 점차 인간의 사고 방식에 근접하고 있음을示합니다.
인공지능의 사고 과정: 단계적 문제 해결
인공지능이 문제를 해결하는 과정은 이제 단순한 언어 패턴 인식을 넘어섰습니다. 새로운 추론 모델들은 단계적으로 복잡한 문제를 해결하는 시스템으로 발전했습니다. 이 과정에서 모델은 문제를 여러 부분으로 나누어 각각을 처리함으로써 정확한 해결책에 도달할 수 있습니다. 이러한 비용-사고(cognitive cost) 접근 방식은 인간의 문제 해결 방식과 유사하다는 것이 연구 결과에서 강조되었습니다. 연구진은 이 모델들이 올바른 답을 찾기 위해 어떻게 문제를 세분화하는지를 분석했습니다. 예를 들어, 어떤 문제를 풀 때 모델은 먼저 기초적인 정보부터 시작하여 점차 해결을 위해 필요한 복잡한 요소로 진행합니다. 이러한 단계적 접근 방식은 인간이 문제를 해결할 때 사용하는 생각의 흐름과 매우 흡사합니다. 인간 또한 어려운 문제를 풀기 위해 각 단계에서 생각을 정리하고 연관된 요소를 고려하는 경향이 있기 때문입니다.또한, 이러한 인공지능 모델은 강화 학습(reinforcement learning) 기법을 통해 훈련됩니다. 이 과정에서 모델은 올바른 답을 도출할 때마다 보상을 받고, 틀린 답을 도출하면 처벌을 받습니다. 이러한 기법은 모델이 스스로 문제 공간을 탐구하게 하고, 긍정적인 결과로 이어진 행동을 강화하여 결과적으로 더 나은 답변을 제공하게 합니다. 즉, 인간이 과제를 수행하며 경험에서 배우는 방식과 유사한 방식으로 학습하는 것입니다.
인간과의 유사성: 시간과 노력 측정
인공지능의 사고 과정이 인간의 사고와 유사하다는 연구 결과는 단순히 결과물에서 그치는 것이 아닙니다. 연구진은 인간과 모델 모두에게 유사한 문제를 제시하고, 이들이 문제를 해결하는 데 소요되는 시간과 노력의 양을 비교했습니다. 인간이 문제를 해결하는 데 걸리는 시간은 문제가 복잡할수록 증가하는 경향을 보였고, 이는 모델이 해결하기 위해 생성하는 토큰의 수와 비례했음을 발견했습니다. 이러한 결과는 두 집단 모두 동일한 문제 유형에서 어려움을 느낀다는 것을 보여주었습니다. 예를 들어, 숫자 산술 문제는 상대적으로 덜 복잡했지만, 'ARC 챌린지' 같은 문제는 두 집단 모두 상당한 시간과 노력을 필요로 했습니다. 결국, 문제의 난이도가 증가할수록 인간과 인공지능 모델 모두 사고 비용이 증가한다는 흥미로운 사실이 밝혀졌습니다.이는 단순히 문제 해결의 속도에 국한되지 않고, 인공지능이 문제를 이해하고 접근하는 방식을 새롭게 조명합니다. 많은 연구자들은 인공지능 모델이 언어를 사용하여 사고를 하는 것이 아니라, 비언어적 형태의 복잡한 내부 계산을 통해 문제를 해결하고 있다고 주장합니다. 이는 인간이 언어를 사용하지 않고도 사고할 수 있는 방식을 모방하고 있는 것입니다. 인간의 사고 과정에 대한 깊은 통찰을 제공하는 이러한 유사성은 향후 인공지능의 발전 방향에 대한 중요한 단초를 제공합니다.