올해는 어떤 IT 이슈들이 시장에서 이슈를 선점하고 미래의 시장을 꿈꾸게 했을까? 2024년 IT 업계를 바쁘게 했고, 앞으로 우리의 삶에 영향을 미칠 7개의 이슈를 살펴보고자 한다.

모든 기업들에게 작년과 올해는 유난히 숨 가쁘고 위태로운 시기로 보인다. 이는 빠르게 발전하는 AI가 기존 시장의 힘의 균형을 재편하고, 인간의 능력에 대한 경계를 허물고 있다는 불안감 때문이다. 올해 IT 이슈를 돌아보면 AI와 관련된 주제가 대부분을 차지하고 있다. SNS가 청소년에게 미치는 부정적 영향에 대한 논의로 일부 국가에서 청소년 사용이 금지되는 사례나, 애플(Apple)의 MR(혼합현실 디바이스 출시와 같은 뉴스조차 AI 이슈에 가려지는 느낌이다.
* 본 콘텐츠의 내용은 SK텔레콤의 공식 입장이 아니며 SK텔레콤의 의견과 다를 수 있습니다.

Sovereign AI

AI는 단순한 기술 혁신을 넘어 미래 산업과 생활 전반, 심지어 국가 안보에서도 핵심적인 역할을 하는 기술이다. AI는 방대한 데이터를 활용하기 때문에, 한 국가의 AI 기술이 특정 기업에 종속될 경우 산업과 서비스뿐만 아니라 문화, 가치관, 사고체계와 같은 무형의 가치까지 영향을 받을 수 있다는 우려가 있다. 이러한 우려는 AI 기술을 산업 차원에서만 바라보지 않고, 국가가 디지털 주권을 보호하기 위해 AI 가치 사슬에서 특정 역할을 해야 한다고 강조하는 ‘Sovereign AI’라는 개념으로 발전한다.

Sovereign AI는 자국의 기술로 모델이나 데이터를 구축한다는 보호주의적 접근보다는, 선도 기업의 AI 기술을 활용하더라도 해외 AI 기술에 종속되지 않는 경쟁력을 확보하려는 노력에 더 가깝다. 현재 가장 주목받는 정책을 추진하고 있는 나라는 프랑스다. 프랑스는 2017년부터 AI 국가 경쟁력 강화를 위한 정책을 시행해왔으며, 해외 기업 유치를 위해 적극적인 외교 활동을 하고 있다. 또한, 미스트랄 AI(Mistral AI)프랑스의 언어 모델 개발 및 관련 서비스에 불리할 수 있는 데이터 수집 내역 공개 의무 조항이 EU의 AI 법안 초안에 포함되자, 독일과 협력하여 해당 조항을 폐기한 사례도 있다.*
올해 9월 26일, 한국도 AI G3 강국 실현을 위한 ‘국가 AI전략 정책방향’을 발표했다. 한국은 높은 디지털 역량과 HBM 등 다양한 인프라를 보유하고 있어, 명확한 정책적 지원과 시너지를 통해 목표를 달성할 수 있을 것으로 기대된다.

* EU’s new AI Act risks hampering innovation, warns Emmanuel Macron, Financial Times, December 12, 2023. https://www.ft.com/content/9339d104-7b0c-42b8-9316-72226dd4e4c0

AI 단백질 예측

바이오 분야에서 단백질 구조 예측에 AI가 도입되면서 신약 개발에 기술적인 돌파구가 생겼다. 복잡한 3차원 구조의 단백질 구조를 예측하는 데 AI를 활용하면, 특정 속성을 지시한 후 몇 시간에서 며칠 내에 단백질 구조를 예측할 수 있게 되었다.

특히 올해 주목할 만한 점은 노벨 화학상의 절반이 단백질 예측에 기여한 구글(google) 딥마인드의 CEO와 연구원 존 점퍼에게 돌아갔다는 것이다. 2020년에 공개된 알파폴드2는 단백질 구조 예측률이 90%에 달하며, 이는 인간이 단백질을 예측하고 조합하는 데 신기원을 이뤄냈다고 평가된다. 올해 5월, 딥마인드 팀은 국제 학술지 ‘네이처(Nature)’를 통해 디퓨전 모델을 추가 적용한 알파폴드3를 공개했다. 알파폴드3는 단백질을 구성하는 각 원자의 좌표를 계산하여 단백질 구조를 더욱 정밀하게 파악할 수 있다.

단백질 구조에 대한 이해는 신약 개발뿐만 아니라 지구라는 거대한 유기체를 이해하는 데도 필수적인 기술이다. 플라스틱 분해 효소와 생분해성 단백질 소재 등도 이러한 단백질 구조의 이해에서 출발하므로, 더 나은 지구를 위해서도 중요한 기술이다.

LLM 성능 향상 한계에 대한 논의

LLM(대형 언어 모델)은 입력값과 가장 관련성이 높은 단어를 조합하는 알고리즘을 기반으로 한다. 인지과학에서 인간의 사고 체계를 직관과 경험에 기반해 빠르게 작동하는 ‘시스템 1’과 집중력을 발휘해 논리를 세우는 ‘시스템 2’로 설명하는 것에 비유하자면, LLM 알고리즘은 시스템 1에 가깝다.

반면, 별도의 데이터베이스(DB)를 활용해 논리를 보완하고 근거를 제시하는 기술인 RAG정보 검색과 생성 모델을 결합한 기술로, LLM이 외부 데이터베이스에서 정보를 검색하여 보다 정확하고 근거 있는 답변을 생성할 수 있도록 돕는다.는 LLM에 시스템 2를 추가하려는 노력으로 볼 수 있다. 이러한 맥락에서 LLM의 환각(Hallucination) 현상LLM이 사실과 다른 정보를 생성하거나 잘못된 내용을 만들어내는 현상으로, 모델이 훈련 데이터에 기반하지 않은 비논리적인 결과를 도출할 때 발생한다. 은 기술적 오류라기보다는 LLM의 본질적인 특징으로 이해하는 것이 합리적이다.

올해 10월, 애플 연구진은 LLM의 수학적 논리성 문제에 대한 논문*을 발표했다. 이 논문에서는 LLM이 간단한 수학 개념을 이해하는 데 심각한 문제가 있으며, 데이터에서 수학 개념을 적용하는 과정에서 이름이나 숫자를 바꾸는 것만으로도 정답률이 10% 이상 떨어질 정도로 안정적이지 않다고 지적했다. 업계 대부분이 이를 인식하면서도 환각이라는 모호한 용어로 문제를 회피했던 반면, 애플 연구진은 이를 명확히 지적한 점에서 주목받았다.

* Mirzadeh, I., Alizadeh, K., Shahrokhi, H., Tuzel, O., Bengio, S., & Farajtabar, M. (2024). GSM-Symbolic: Understanding the limitations of mathematical reasoning in large language models. arXiv preprint arXiv:2410.05229. https://arxiv.org/abs/2410.05229

11월에는 OpenAI의 차세대 플래그십 모델인 ‘Orion’의 성능이 기존 모델과 비교해 크게 개선되지 않아 성능 개선 전략을 고민한다는 소식이 전해졌다. Orion은 모델 크기와 훈련 데이터가 증가하면 성능이 향상될 것이라는 규모의 법칙(Scaling Law)모델의 크기와 훈련 데이터의 양이 증가할수록 성능이 향상된다는 이론을 기본 가정으로 하고 있지만, 이에 대한 수정이 불가피할 것으로 보인다. 이는 모델 거대화 경쟁이 한계에 다다르고 있음을 시사한다. 앞으로는 ‘모델 크기 vs. 성능’의 프레임을 넘어 AI 모델의 논리성을 위한 기술적 돌파구를 찾는 연구가 확대될 것으로 기대된다.