AGI는 아직 멀었다… LLMS는 길이 아니다 : Gary Marcus의 2025 전망
최근 몇 년간 AI업계는 AGI(Artificial General Intelligence) 실현 가능성에 대한 기대와 우려가 교차하는 복잡한 양상을 보여주고 있습니다. 2025년 현재, 세계적인 AI 전문가들은 강한 일치된 견해로 “지금의 큰 언어 모델(LLMs)은 궁극적인 AI의 길이 아니며, 아직 멀었다“라고 평가하며 기존 기대를 재조명하고 있습니다. 이번 글에서는 Gary Marcus의 최신 분석과 함께, AI의 현황과 앞으로 나아가야 할 방향성에 대해 깊이 탐구합니다.
목차
- AGI 실현 실패와 현재 상태 : 왜 LLMS는 기대의 롤모델이 아니었는가
- 전문가와 업계 인사들이 밝히는 현실 : AGI는 아직 멀고, 더딘 길
- LLMS 한계의 핵심 원인과 기술적 도전
- AI 버블과 시장 현황 : 기대와 실망
- 앞으로 나아갈 길 : 기술적, 정책적, 연구적 과제
AGI 실현 실패와 현재 상태 : 왜 LLMS는 기대의 롤모델이 아니었는가
최근 연구와 핵심 한계 : 분산전이(Distribution Shift) 문제
2025년 상반기, 애플의 논문발표는 LLMs의 한계를 확실히 드러내는 계기가 되었습니다. 특히, ‘분산전이’ 문제는 30년 넘게 AI 연구에서 핵심 난제였으며, 이의 심각성은 최신 연구를 통해 재확인되었습니다. Apple의 논문은 “LMS는 학습된 데이터 분포에서 벗어난 문제(분포전이)에 대해 심각한 성능 저하를 일으킨다”고 명확히 지적합니다. 이 문제는 강력한 확장성으로 유명한 LLM들도 극복하지 못하는 핵심 한계입니다.
| 연구/논문 | 핵심 발견 | 문제점 |
|---|---|---|
| Apple Reasoning Paper (June 2025) | 분산전이 문제 부각, 30년 전부터 제기된 문제 해결 불가 | 일관성 유지 실패, 일반화 부족 |
| Mirage Paper (2025) | 대규모 모델에서도 병렬 병목, 확장성 한계 지속 | 미세 조정 후 성능 향상 어려움 |
이 핵심적 한계는, 기존의 “전용적 확장” 전략으로는 AGI와 같은 능력에 도달하기 어렵다는 점을 강하게 시사합니다.
우려의 목소리 : GPT-5 및 최근 AI 성과의 과대평가 붕괴
지난해 기대를 모았던 GPT-5의 론칭은 예상과 달리 실망을 안겼습니다. 출시 일정이 여러 차례 연기되었으며, 공개된 성능 평가 역시 기대 이하였습니다. GPT-4에 비해 눈에 띄는 성능 향상은 제한적이었으며, ‘추론’과 ‘이해력’에 대한 기대치 역시 현실과 괴리되었습니다.
| 모델 | 기대치 | 실제 성능 | 논란 점 |
|---|---|---|---|
| GPT-4 | 놀라운 자연어 처리 능력 | 안정적, 의미 이해 미흡 | hallucination, 편향 문제 존재 |
| GPT-5 | 초월적 인지 능력 | 심층적 성능 저하, 한계 돌파 실패 | 기대와 달리 기대 이하 |
이 과정은 AI 시장 전반에 과도한 기대와 불확실성을 동시에 증폭시키며, 일부 전문가들은 ‘거품’이 꺼지고 있음을 우려하고 있습니다.
전문가와 업계 인사들이 밝히는 현실 : AGI는 아직 멀고, 더딘 길
빅네임들의 견해와 평가 : Sutton, Karpathy, Hassabis
AI 핵심 인사들은 공개적으로 현재의 LLM은 AGI 실현의 장애물임을 인정하고 있습니다. Rich Sutton은 “강화학습의 한계를 넘어서는 게 급선무”라고 지적하며, “현재 모델들은 명확한 인지적 이해를 결여했다”고 평가합니다.
| 전문가 | 예상 시점 | 핵심 의견 | 근거 |
|---|---|---|---|
| Sutton | 2030년 이후 | RL 한계, 확장만으로는 부족 | 인지적괘리, 일반화 실패 |
| Karpathy | 2035년 이상 | AGI는 최소 10년 후 | 현재 모델의 능력은 좁은 영역 한정 |
| Hassabis | 장기적 대안 모색 필요 | 수학적 이해 부족, 과대평가 경계 | 신경망의 근본 한계 |
공개적 토론과 시장 관심 : 기대와 실망
시장 기대는 여전히 높았으나, 최근 연구 발표와 전문가들의 냉정한 평가 속에 과대 기대가 점차 꺾이고 있는 모습입니다.
| 사건 | 내용 | 시장 반응 |
|---|---|---|
| 초기 기대 | AGI 가능성에 대한 낙관 | 투자 물결 증대 |
| 2025년 후반 | 한계 재확인, 기대 축소 | 투자 위축, 재평가 요청 |
이처럼, 지금의 상황은 AI의 “과대평가”와 “시장 버블”이 한계에 다다랐음을 보여줍니다.
LLMS 한계의 핵심 원인과 기술적 도전
근본적 한계 : 확장성 외 인지적 한계
LLMs이 더 이상 발전 속도를 내지 못하는 핵심 이유는, 수십억 개의 파라미터를 늘려도 신경망 내부 구조의 한계를 뛰어넘기 어렵기 때문입니다. 특히, 병렬병목 문제와 병렬 계산의 비효율성은 현재 구조에서 스케일링의 성장을 저해하는 대표적 문제입니다.
| 문제 원인 | 설명 | 개선 방안 |
|---|---|---|
| 확장성의 한계 | 파라미터 증가로 향상 한계 도달, 비효율적 병렬화 | 신경기호, 하이브리드 아키텍처 |
| 인지적 한계 | 기계적 학습만으로는 진정한 이해와 추론 불가 | 수학적 구조와 시맨틱 통합 |
대안 모색 : 신경기호(Neuro-symbolic), 혼합 아키텍처
이와 관련, 최신 연구들은 신경기호 또는 심볼릭 AI와 머신러닝의 결합을 제시하며, 기존의 통계적 모델만으로는 해결할 수 없는 인지적 이해력 문제를 타개하는 방향으로 나아가고 있습니다.
AI 버블과 시장 현황 : 기대와 실망
시장 기대치와 현실 : ROI 저조와 위험
대기업을 포함한 전 세계 투자자들은 여전히 수조 원을 AI 분야에 쏟아 붓고 있지만, 실질적 성과는 기대 이하입니다. MIT의 NANDA(Natural Data-Driven Applications) 연구에 따르면, 95%의 AI 프로젝트는 ROI(투자수익률)가 미미하거나 부진하며, 향후 5년 내 8000억 달러의 수익 손실이 예상됩니다.
| 기업명 | 투자액 | 기대 수익 | 실적 | 비고 |
|---|---|---|---|---|
| 대형 빅테크 | 수십억 달러 | 강력한 AI 생태계 구축 | 일부 성공, 대부분 미흡 | 과대 기대와 내부 리스크 공존 |
과대 기대의 재생산 : 지금도 수조 원 투자, 그러나 위험 신호 있음
여전히 “10년 안에 AGI 실현”이라는 비현실적 기대가 퍼지고 있으며, 이로 인한 재정적, 평판적 리스크가 커지고 있습니다. 지속적인 버블 조짐과 함께, 시장은 과대평가된 기대를 수그러뜨리고 보다 현실적인 개발 방향으로 전환해야 한다는 목소리가 높아지고 있습니다.
앞으로 나아갈 길 : 기술적, 정책적, 연구적 과제
단기 전략 : 특화 AI·도메인별 솔루션이 우선
현 시점에서는 분야별, 도메인별 특화 AI를 개발하고, 적용하는 것이 현실적이고 실질적 성과를 내는 길입니다. 신경기호와 수학적 접근법을 결합해, “인공지능을 믿을 수 있는 도구”로 전환하는 것이 필수입니다.
장기적 미래 : 가능성은 여전히 있지만, 기다림 필요
기술 진보와 연구 방향의 변화, 규제 및 인프라 개선이 병행되면, 언젠가 유의미한 AGI에 근접할 가능성도 존재합니다. 그러나 현재는 실용적 해결책과 장기적 관심사에 집중하는 전략이 바람직합니다.
마무리 요약
지금의 AI 발전은 기대와는 달리, AGI 도달에 가까워 보이지 않으며, 기존 LLMS의 한계는 확장으로 극복하기 어렵습니다. 정교한 신경기호와 하이브리드 모델 개발, 실무 중심의 AI 적용이 미래의 관건입니다. 실현 가능성에 성급한 기대를 버리고, 기술적 깊이와 시장 신뢰를 키우는 전략이 요구됩니다.
작은 목표에 집중하며, 신뢰할 수 있는 AI 생태계를 만들어가세요.
출처
- Gary Marcus’s Analysis and Reports (2025)
- Apple Reasoning Paper (June 2025)
- Mirage Paper (2025)
- MIT NANDA Report
- Sutton, Karpathy, Hassabis Articles
- Financial Market Data