AI100 보고서, 데이터·연산 비용을 확장 제약으로 지목

스탠퍼드대의 인공지능 100년 연구(AI100)가 더 많은 데이터와 연산 자원을 투입해 AI 성능을 높이는 방식의 한계를 짚었다. 고품질 학습 데이터는 부족해지고, 최첨단 모델의 개발 비용은 높아지고 있다는 진단이다.

이는 스탠퍼드대가 공개한 세 번째 AI100 보고서 'AI의 주류화: 확장의 시대와 생성형 AI의 부상'(AI Goes Mainstream: The Scaling Era and the Rise of Generative AI)에 담긴 내용이다. AI100은 2014년 시작된 장기 연구로, 연구진은 5년마다 AI 기술의 발전과 사회적 영향을 평가한다.

이번 보고서가 살핀 '확장'은 모델 학습에 쓰는 데이터와 연산량을 늘리는 방식이다. 이 방식은 생성형 AI 발전을 이끌었다. 그러나 AI100 보고서는 규모가 커지면 성능도 일정하게 개선된다는 기존의 경험칙이 실제 활용 능력을 충분히 설명하지 못한다고 지적했다. 일부 작업에서는 효율적으로 학습한 작은 모델이 더 큰 모델보다 나은 결과를 냈다.

보고서 저자들은 최첨단 AI 개발이 미국과 중국의 소수 주체에 집중된 점을 거버넌스 문제로 규정하고, 더 명확한 거버넌스 구조와 대중 참여가 필요하다고 주장했다고 크립토브리핑은 전했다.

데이터 확보에도 제약이 있다. 대규모 모델에는 많은 학습 자료가 필요하지만, 양질의 새 데이터를 계속 구하기는 어렵다. 웹에서 수집한 자료를 학습에 쓰는 과정에서는 저작권 문제가 제기됐다. 보고서는 공개 자료뿐 아니라 이용 허가를 받은 자료와 기업이 독점적으로 보유한 자료도 모델 개발에 쓰이고 있다고 설명했다.

연구진은 데이터의 양을 늘리는 것과 함께 품질을 가려 쓰는 방법을 다뤘다. 중복 자료를 덜어내고 유용한 자료를 선별하면 전체 데이터 규모를 비례해 키우지 않아도 성능을 개선할 수 있다는 것이다. AI로 만든 합성 데이터 역시 활용할 수 있지만, 실제 데이터를 모든 영역에서 대신할 수는 없다고 봤다.

대규모 투자에 대한 평가도 유보했다. 보고서는 AI 데이터센터 건설이 전력과 물 수요를 늘리고 있다고 지적했다. 반면 AI 투자의 성과는 경제 전체의 지표나 기업의 투자수익에서 아직 뚜렷하게 드러나지 않았다고 평가했다. 비용이 커지는 만큼 성능 개선과 실제 활용 성과를 따져봐야 한다는 취지다.

본지도 앞서 미국 데이터센터의 전력망 제약과 자금 조달 비용 상승이 AI 기업가치 재평가론으로 이어지고 있다는 분석을 전한 바 있다. 연산 능력을 확보하는 계약만으로는 시설의 전력 접근성과 운영 비용까지 해결되지 않는다는 지적이었다.

기술 개발의 집중은 운영 원칙을 누가 정하느냐는 문제로 이어진다. 보고서 핵심 요약은 AI가 많은 사람의 일과 교육에 영향을 미치지만, 개발과 배포 방향을 정하는 과정에 대중이 참여할 기회는 적었다고 지적했다. 국제적인 AI 관리 체계도 국가별 안보·산업 정책에 따라 갈라져 있다고 평가했다.

규제 방식에는 이견이 있다는 점도 함께 담았다. 모델의 크기나 학습 자원에 기준을 두는 방식은 기술 변화에 뒤처질 수 있다. 의료·금융 등 사용 분야별로 규율하는 방식은 구체적인 피해에 대응할 수 있지만, 분야를 넘나드는 AI를 다루려면 감독 기관 사이의 조정이 필요하다. 보고서는 지나치게 엄격한 규제가 경쟁력을 낮출 수 있다는 우려도 소개했다.

AI100은 확장 국면이 언제 끝날지, 이미 끝나고 있는지 단정하기 어렵다고 밝혔다. 보고서의 결론은 AI 개발이 멈춘다는 뜻이 아니다. 모델 크기와 데이터 양만으로 성능을 판단하기 어려워졌으며, 연산·데이터·알고리즘을 함께 살펴야 한다는 것이다.