21명 연구진, 시각 일반 지능을 AGI 연구 의제로 제시

구글 딥마인드와 하버드대 연구자가 참여한 21명의 연구진이 시각 경험을 범용인공지능(AGI) 연구의 핵심 경로로 검토한 백서를 공개했다. 백서는 특정 모델이나 AGI 달성 시점을 제시하지 않았다.

히로카쓰 가타오카를 포함한 연구진은 2026년 8월 26일 ‘Visual General Intelligence: A White Paper’를 공개했다. 저자 명단에는 로버트 가이호스(Robert Geirhos) 구글 딥마인드 연구자와 일룬 두(Yilun Du) 하버드대 연구자가 포함됐다.

백서가 제시한 시각 일반 지능(VGI)은 하나의 모델이나 아키텍처를 뜻하지 않는다. 이미지·동영상·기하 데이터를 바탕으로 예측, 생성, 복원, 공간 이해, 행동 능력을 학습하는 연구 방향을 가리킨다.

연구진은 언어 중심의 AGI 연구가 텍스트 예측을 통해 일반화 능력을 확장해온 것처럼, 시각 데이터에서도 비슷한 지능이 형성될 수 있는지를 물었다. 시각 정보에는 물체의 형태와 공간 관계, 움직임, 물리적 구조처럼 언어로 명시되지 않은 정보가 담긴다는 설명이다.

백서는 시각 지능을 이미지 인식에 한정하지 않았다. 미래 상황 예측, 보이지 않는 구조 복원, 3차원 공간 표현, 새로운 환경에서의 지속 학습을 연구 대상으로 제시했다.

로봇이 주변을 관찰한 뒤 행동하고 그 결과를 다시 학습에 반영하는 신체화된 지능과 능동적 인식도 논의 대상에 포함됐다. 이는 시각 정보를 단순히 분류하는 작업을 넘어 실제 환경과의 상호작용까지 연구 범위를 넓힌 것이다.

언어를 배제하자는 주장은 아니다. 연구진은 시각을 핵심 축으로 삼되 언어·청각·촉각·고유수용감각을 결합하는 다중모달 접근을 함께 제시했다.

로버트 가이호스(Robert Geirhos) 구글 딥마인드 연구자는 “생성형 동영상 모델은 시각 파운데이션 모델이 될 것”이라고 백서에서 밝혔다. 생성형 동영상 모델이 특정 작업만 수행하는 도구를 넘어 여러 시각 과제를 처리하는 기반 모델로 발전할 수 있다는 연구 관점이다.

다만 이 발언은 검증된 제품 성능이나 업계의 합의를 뜻하지 않는다. 백서는 생성형 동영상 모델의 성능 수치와 제품 출시 계획을 제시하지 않았다.

백서는 VGI의 정의와 벤치마크, 학습 방식, 시각과 언어의 관계가 아직 하나로 정리되지 않았다고 설명했다. 시각 경험만으로 AGI가 가능하다는 실증 결과도 담지 않았다.

이번 논의는 2026년 6월 열린 CVPR 2026 VGI 워크숍에서 출발했다. CVPR 공식 프로그램에는 ‘Visual General Intelligence’ 워크숍이 포함됐고, 구글 리서치의 행사 안내에도 가이호스의 VGI 세션이 기재됐다.

구글 딥마인드는 앞서 AGI의 성능·범용성·자율성을 분류하는 틀과 AGI 이후 초지능으로 이어지는 경로를 논의해왔다. 구글 딥마인드의 AGI 연구는 성능과 범용성, 자율성의 기준을 둘러싼 논쟁으로도 이어졌다.

이번 백서는 그 연구 흐름을 시각 경험과 물리적 세계 이해의 관점으로 확장한 문서다. 생성형 동영상, 공간 인공지능, 로봇 학습, 월드 모델 연구와 연결될 수 있지만 구체적인 상용화 일정은 제시되지 않았다.

앞서 구글 딥마인드는 AGI 이후 초지능으로 이어지는 경로로 재귀적 개선 가능성도 논의했다. AGI 이후 재귀적 자기개선 가능성이 업계의 연구·투자 논의로 거론된 바 있다.

현재 VGI는 완성된 기술이나 제품이 아니라 시각 학습이 일반 지능으로 이어질 수 있는 조건을 탐색하는 연구 의제다. 백서에는 모델 출시 일정과 AGI 도달 시점, 성능 우위에 관한 내용이 없다.