인간 수준의 추론 능력, 벡터 기호 대수를 통해 ARC-AGI 벤치마크 돌파 가능성 열렸다¶
원제목: Vector Symbolic Algebras for the Abstraction and Reasoning Corpus
핵심 요약
- 인간의 추론 능력을 모방한 새로운 신경 상징적 방법론이 ARC-AGI 벤치마크에서 가능성을 보이고 있음.
- 벡터 기호 대수(VSA)를 활용하여 추상적 객체를 표현하고, 효율적인 학습 및 추론 과정을 가능하게 함.
- 해당 방법론은 GPT-4 대비 월등한 성능을 보이면서도 훨씬 적은 계산 비용을 요구하여 AI 발전의 새로운 방향을 제시함.
상세 내용¶
본 논문은 인공 일반 지능(AGI)의 발전을 가늠하는 중요한 척도인 추상 및 추론 코퍼스(ARC-AGI) 벤치마크에 대한 새로운 접근 방식을 제시합니다. ARC-AGI는 인간에게는 직관적이지만 최첨단 AI 시스템에게는 여전히 극복하기 어려운 도전 과제로 남아 있습니다. 연구팀은 신경과학과 심리학에서 영감을 받아, 인간 지능 모델링 방식을 통합한 인지적으로 타당한 ARC-AGI 해결사를 제안합니다. 이 해결사는 '시스템 1'의 직관과 '시스템 2'의 이성적 추론을 결합하여 효율적이고 해석 가능한 과정을 만들어냅니다.
핵심은 벡터 기호 대수(VSA)라는 신경 상징적 방법론을 활용하는 것입니다. VSA는 고차원 벡터에 구조화된 정보를 담아 추상적인 객체를 효과적으로 표현할 수 있도록 합니다. 이를 통해 연구팀의 해결사는 객체 중심의 프로그램 합성을 수행하며, VSA를 이용하여 솔루션 탐색을 유도하고 적은 데이터로도 효율적인 신경망 학습을 가능하게 합니다. 이러한 접근 방식은 기존 딥러닝 모델들이 겪는 샘플 효율성 부족과 명시적인 추론의 어려움을 해결하는 데 기여할 수 있습니다.
예비 결과는 고무적입니다. 제안된 해결사는 ARC-AGI-1-Train에서 10.8%, ARC-AGI-1-Eval에서 3.0%의 점수를 기록했습니다. 비록 절대적인 수치는 아직 낮지만, 이는 이 벤치마크에서 AI가 달성한 가장 높은 점수 중 하나이며, 인간의 85.0% 성능에 비해 극복해야 할 격차를 보여줍니다. 하지만 더 간단한 벤치마크에서는 놀라운 성능을 보여주었는데, Sort-of-ARC에서 94.5%, 1D-ARC에서 83.1%의 점수를 기록했습니다.
특히 주목할 점은 1D-ARC에서의 성능입니다. 제안된 해결사는 GPT-4와 같은 최신 대규모 언어 모델을 훨씬 능가하는 성능을 보이면서도, 계산 비용은 극히 일부에 불과했습니다. 이는 VSA 기반의 접근 방식이 AI의 효율성을 비약적으로 향상시킬 수 있는 잠재력을 가지고 있음을 시사합니다. 연구팀은 자신들의 접근 방식이 VSA를 ARC-AGI에 적용한 최초의 시도이며, 현재까지 개발된 가장 인지적으로 타당한 ARC-AGI 해결사라고 주장합니다.
이 연구는 기존 딥러닝 패러다임의 한계를 극복하고, 인간과 유사한 수준의 유연한 추론 능력을 갖춘 AI를 개발하는 데 중요한 발걸음이 될 수 있습니다. VSA와 같은 신경 상징적 방법론은 AI가 더 적은 데이터로 더 복잡한 문제를 해결하고, 그 과정을 더 잘 이해하며, 예측 불가능한 상황에서도 강건하게 작동하도록 만들 수 있습니다. 이러한 발전은 향후 AI가 더욱 광범위한 분야에서 실질적인 문제 해결에 기여할 수 있는 기반을 마련할 것입니다.
편집자 노트¶
이번 연구는 인공지능, 특히 인공 일반 지능(AGI) 분야에서 오랜 숙제로 남아 있던 '추상적 사고'와 '추론' 능력의 한계를 돌파할 수 있는 새로운 가능성을 제시한다는 점에서 매우 중요합니다. 'ARC-AGI(Abstraction and Reasoning Corpus for Artificial General Intelligence)'는 단순히 패턴 인식이나 데이터 학습을 넘어, 주어진 몇 가지 예시만으로 규칙을 파악하고 이를 새로운 상황에 적용하는 인간의 유연한 지능을 측정하는 벤치마크입니다. 지금까지 GPT-4와 같은 최첨단 AI 모델조차 이 벤치마크에서 인간 수준에는 한참 못 미치는 성과를 보여왔기에, 이번 연구 결과는 AI 연구의 패러다임 전환을 예고하는 신호로 볼 수 있습니다.
연구의 핵심은 '벡터 기호 대수(Vector Symbolic Algebras, VSA)'라는 독특한 접근 방식입니다. VSA는 인간의 뇌가 정보를 처리하는 방식을 모방하려는 시도로, 복잡한 추상적 개념이나 구조를 고차원의 벡터 공간에 효과적으로 표현할 수 있게 합니다. 이는 AI가 데이터를 단순히 숫자들의 집합으로 보는 것이 아니라, 그 안에 담긴 의미와 관계를 '기호'처럼 다룰 수 있게 해준다는 의미입니다. 이러한 '기호적' 처리 능력은 AI가 직관(빠르고 무의식적인 판단)과 이성(느리고 논리적인 판단)을 결합하여 문제를 해결하는 인간의 사고 과정을 더 가깝게 모방할 수 있도록 돕습니다. 특히, VSA는 적은 데이터만으로도 학습이 가능하고, 그 작동 방식을 이해하기 쉽다는 장점을 가지는데, 이는 기존 딥러닝의 '블랙박스' 문제와 대규모 데이터 의존성을 극복할 수 있는 대안으로 주목받고 있습니다.
이러한 VSA 기반 접근법이 ARC-AGI 벤치마크에서 유의미한 성과를 거두고, 심지어 GPT-4보다 훨씬 적은 계산량으로도 뛰어난 성능을 보였다는 점은 우리 일상에 큰 영향을 미칠 잠재력을 가지고 있습니다. 앞으로 AI가 더욱 정교하고 인간과 유사한 방식으로 사고하고 판단하게 된다면, 교육, 의료, 창작 등 다양한 분야에서 인간을 보조하는 역할뿐만 아니라, 인간이 해결하기 어려웠던 복잡한 문제를 주도적으로 해결하는 데 기여할 수 있을 것입니다. 또한, AI 개발 과정의 효율성을 높여 기술 격차를 줄이고, AI 기술의 접근성을 향상시키는 데도 긍정적인 영향을 미칠 것으로 기대됩니다. 다만, VSA 방식이 아직 초기 단계이며 ARC-AGI에서의 성능이 인간 수준에 도달하기까지는 더 많은 연구와 발전이 필요할 것입니다. 그럼에도 불구하고, 이 연구는 AGI 실현을 위한 새로운 경로를 제시했다는 점에서 매우 의미 있는 성과입니다.