비교하고 잘 사는, 다나와 : 가격비교 사이트

다나와 앱
다나와 앱 서비스 목록
다나와 APP
다나와 가격비교 No.1 가격비교사이트 다나와 앱으로
간편하게 최저가를 확인하세요.
- -
QR코드
빈 이미지
다나와 앱 서비스 목록 닫기

딥마인드 AGI에서 ASI로, 효율 개선 이어지면 같은 AI 작업 연산비 10년 뒤 100만분의 1

2026.11.20. 18:01:43
조회 수
21

공유하기

레이어 닫기

지금 보는 페이지가 마음에 든다면
공유하기를 통해 지인에게 소개해 주세요.

로그인 유저에게는 공유 활동에 따라
다나와 포인트가 지급됩니다.

자세히 >

URL이 복사되었습니다.
원하는 곳에 붙여넣기(Ctrl+V)하세요.

레이어 닫기

같은 AI 작업의 연산 비용이 해마다 전년의 4분의 1로 줄어든다고 가정하면, 지금 10억 달러가 드는 작업을 10년 뒤에는 1천 달러 미만에 실행할 수 있다. 별도로, 하드웨어 투자 증가까지 포함한 지난 10년의 추세가 10년 더 이어진다면 전체 유효 연산량은 지금의 100억 배에 이를 수 있다. 구글 딥마인드(Google DeepMind) 연구진 14명이 2026년 6월 12일 공개하고 11월 10일 개정한 AGI에서 ASI로(From AGI to ASI) 보고서의 계산이다. 보고서는 사람 수준의 범용 인공지능(AGI) 이후 AI가 인공 초지능(ASI)으로 가는 경로 4가지와 걸림돌 7가지를 정리했다.

유효 연산량 증가율, 연 10배로 추정

연구진은 AI 발전의 바탕인 유효 연산량(effective compute)이 해마다 약 10배씩 늘고 있다고 추정했다. 유효 연산량은 하드웨어 성능, 하드웨어 투자, 알고리즘 효율을 하나로 곱한 지표다. 같은 장비라도 알고리즘이 좋아지면 더 큰 장비를 쓴 것과 같은 효과를 낸다는 생각에서 나왔다. 1달러로 살 수 있는 연산 능력은 지난 60년간 해마다 약 1.5배, 연산 하드웨어 투자는 지난 10년간 해마다 약 2.5배 늘었다.

알고리즘 효율은 일정한 성능에 도달하는 데 드는 연산량으로, 적을수록 효율이 높다. 이미지 인식 시험 이미지넷(ImageNet)에서 2012년 알렉스넷(AlexNet)만큼의 성능을 내도록 모델을 학습시키는 연산량은 그 뒤 해마다 약 3배씩 줄었다. 세 값을 곱하면 11.25배이고, 연구진은 이를 10배로 내려 보수적 추정치로 삼았다.

그림1. 유효 연산량 연간 증가율 추정 (자료: 구글 딥마인드 From AGI to ASI 보고서 3쪽 재구성)

그림1. 유효 연산량 연간 증가율 추정 (자료: 구글 딥마인드 From AGI to ASI 보고서 3쪽 재구성)



연구진은 연 10배라는 전체 증가율이 공개된 추정치 가운데 낮은 편이라고 밝혔다. 알고리즘 효율만 따로 봐도 2025년 한 연구는 최신 모델 기준 연 6배로 더 높게 추정했다. 이 추세가 10년 더 이어지면 유효 연산량은 100억 배로 늘어난다. 보고서는 이를 지금 돌릴 수 있는 AI 한 개마다 전 세계 인구보다 많은 사본을 돌릴 수 있는 가상의 규모로 설명했다.

연산 비용이 매년 4분의 1로 줄면, 10억 달러 작업은 6년 뒤 약 25만 달러

보고서는 최첨단 AI 성능이 더 오르지 않아도 일어날 가능성이 높은 변화를 인지 산업화(Cognitive Industrialization)라고 이름 붙였다. 인지 산업화는 기계 산업화 때처럼 AI가 하는 지적 노동이 표준화되고, 공급자를 바꿔 쓸 수 있는 상품이 되는 현상을 말한다.

연구진은 하드웨어 투자가 더 늘지 않는다고 가정하고 비용을 계산했다. 추론(inference)은 학습을 마친 AI가 실제로 답을 내는 단계로, 이 단계의 알고리즘 효율은 학습된 모델 가중치를 공개한 오픈 웨이트(open-weight) 모델 기준 연 3배로 잡았다. 보고서는 하드웨어의 가격 대비 성능(연 1.5배)과 추론 알고리즘 효율의 개선을 바탕으로, 같은 AI 작업의 연산 비용이 해마다 전년의 4분의 1로 줄어드는 경우를 계산했다. 이 감소율이 10년간 이어지면 비용은 약 100만분의 1이 된다. 이 계산에 따르면 지금 10억 달러가 드는 작업은 6년 뒤 약 25만 달러, 8년 뒤 약 1만 5천 달러, 10년 뒤 1천 달러에 조금 못 미친다.

그림2. 고정된 AI 작업의 연산 비용 하락 계산 (자료: 구글 딥마인드 From AGI to ASI 보고서 4쪽 재구성)

그림2. 고정된 AI 작업의 연산 비용 하락 계산 (자료: 구글 딥마인드 From AGI to ASI 보고서 4쪽 재구성)



같은 벤치마크 성능을 내는 데 드는 API 비용은 더 빨리 내려갔다. 2025년 한 연구에 따르면 AI 성능 시험(벤치마크)에서 같은 점수를 내는 데 드는 API 요금은 2023년 이후 해마다 5~10배 떨어졌다. API 요금은 기업이 AI 모델을 빌려 쓸 때 내는 사용료다. AI 연구기관 에포크 AI(Epoch AI)의 2026년 분석은 수학, 과학, 게임형 퍼즐을 포함한 5개 벤치마크를 바탕으로 연 13배 하락을 추정했다. 연구진은 이 하락에 서비스 최적화와 가격 경쟁도 반영됐다고 덧붙였다.

연구진은 지금 최첨단 AI로 큰돈을 들여야 하는 작업도 원리상 누구나 몇 달러로 할 수 있게 된다고 봤다. 50만 줄 규모의 자바스크립트 실행 도구 번(Bun)을 지그(Zig)에서 러스트(Rust) 언어로 2주 안에 다시 쓴 작업이 그 예다. AI가 리눅스 커널에서 권한 상승 취약점 1천 개 가까이를 스스로 찾아 패치 초안까지 쓴 사례도 들었다. 권한 상승 취약점은 일반 사용자가 관리자 권한을 얻을 수 있는 보안 허점이다. 추정이 몇 자릿수 빗나가거나 추세가 5년만 이어져도 어느 정도의 인지 산업화는 충분히 일어날 법하다는 것이 연구진의 판단이다. 다만 더 뛰어난 AI가 훨씬 많은 연산을 요구하면 실제 비용 하락폭은 이보다 작을 수 있다. 사이버 방어처럼 공격자와 방어자가 함께 사용량을 늘리는 분야가 그런 경우다.

ASI의 기준, 전문가 수만 명이 10년 걸려 풀 문제

보고서는 AGI를 대부분의 인지 과제에서 사람의 중간값 수준을 내는 시스템으로 정의했다. ASI는 사실상 모든 분야에서 대규모 전문가 집단을 능가하는 시스템이다. 연구진이 이해를 돕기 위해 든 최소 기준은 2010년 기술을 쓰는 전문가 수만 명이 잘 조율된 상태로 10년 동안 매달려야 풀 문제를 꾸준히 더 잘 푸는 수준이다. 같은 일을 10배 이상 빠르게 해내는 정도를 예로 덧붙였다. 단백질 구조를 예측하는 알파폴드(AlphaFold)나 바둑 AI 알파고(AlphaGo)처럼 한 분야에서만 사람을 앞서면 ASI가 아니다.

연구진은 연산이 늘수록 사람과 격차를 벌리는 디지털 지능의 장점 6가지도 꼽았다. 입출력 속도, 내부 처리 속도, 작업 기억 용량, 다른 컴퓨터로 이전할 수 있는 성질, 기억 상태까지 그대로 복제하는 능력, 학습 경험의 고속 공유다. 오늘날 대형 언어 모델은 이미 책 여러 권을 몇 초 만에 읽어 들인다.

네 가지 경로와 반도체 연구 투입의 18배 증가

보고서가 제시한 ASI 경로는 연산과 모델, 데이터의 규모 확장, 학습 방식의 근본 전환, 여러 AI가 모인 집단 지능, 재귀적 자기 개선 네 가지다. 네 경로는 서로를 막지 않고 동시에 진행될 수 있으며, 연구진은 이 경우 효과가 더해지는 데 그치지 않고 곱해질 수 있다고 설명했다. 과거 자료로 예측 모델을 만들 수 있는 경로는 규모 확장 하나뿐이다.

재귀적 자기 개선은 AI가 AI 연구개발을 돕거나 대신해 더 나은 AI를 만들고, 그 AI가 다시 연구를 앞당기는 순환을 말한다. 이 순환이 이어지면 성장률 자체가 갈수록 커지는 쌍곡선 성장이 나타날 수 있다. 이론상으로는 유한한 시간 안에 무한대에 이르는 특이점에 닿는다. 연구진은 실제 유한한 시스템에서는 마찰 때문에 성장률이 그 전에 꺾여 S자 곡선이 되는 경우가 일반적이라고 밝혔다.

이 순환이 힘을 얻을지는 걸림돌 가운데 하나인 연구 난도 상승과 함께 따져야 한다. 2020년 발표된 연구에 따르면 무어의 법칙을 유지하는 데 투입된 연구 자원을 유효 연구자 수로 환산한 값은 2014년에 1971년의 약 18배였다. 사람 연구자를 길러 내는 데는 수년이 걸린다. 연구진은 AI 연구자가 사람 연구자만큼 유능해진다는 가정 아래 계산했다. 이 경우 AI 연구자를 20배가량 늘리는 일은 연산 배분을 바꾸면 몇 시간, 장비를 새로 설치하면 몇 주면 가능하다. 연구진은 유효 연산량이 연 10배 늘어난다는 추정치를 적용하면 AI 연구자 18배 확대에 1년 남짓 걸린다고 계산했다. 다만 같은 비용을 전제로 하면 유효 연산량 증가율에서 추가 하드웨어 투자분을 빼야 한다고 덧붙였다.

데이터 고갈부터 평가 문제까지 7가지 걸림돌

연구진이 든 걸림돌은 데이터 고갈, 경제와 자원 수요 급증, 현재 신경망 방식의 한계, 연구 난도 상승, 추상화 장벽, 평가 문제, 의도적 속도 조절 7가지다. 데이터 고갈은 고품질 학습 데이터가 모델이 커지는 속도를 따라가지 못하는 문제다. 연구진은 합성 데이터와 시뮬레이션, AI가 스스로 만든 상호작용 데이터로 이를 일부 메울 수 있다고 봤다.

추상화 장벽(Abstraction Barrier)은 사람이 만든 개념으로 학습한 AI가 원자료에서 새 개념을 스스로 만들지 못할 수 있다는 가설에 연구진이 붙인 이름이다. 예를 들어 같은 양의 데이터를 쓰되 뉴턴 이전 시대 지식만 학습한 모델이 일반상대성이론에 이를 가능성은 매우 낮다고 연구진은 설명했다. 이 장벽이 결정적이라면 AI 지능의 성장 속도는 연산 확장 속도보다 느린 실험 과학의 속도로 제한될 수 있다. 다만 AI 하나의 지능이 사람 수준에 머물더라도 여러 AI를 모은 집단은 ASI에 이를 수 있다고 연구진은 덧붙였다.

연구진이 평가 문제라고 부른 걸림돌도 있다. 재귀적 자기 개선 같은 강한 최적화가 벤치마크 점수를 금세 만점 가까이 채워 변별력을 없애거나 채점의 허점을 파고드는 현상이다. 사람을 앞선 수준에서 일반 지능을 측정할 방법은 아직 없다. 마지막 걸림돌인 의도적 속도 조절은 사고나 악용, 사회적 반발 때문에 AI 개발을 일부러 늦추거나 규제로 성능 향상에 상한을 두는 경우다. 연구진은 세계 차원의 조율과 감독 장치가 부족해 경제적, 정치적 압력과 국제 경쟁이 이런 제동을 무력화할 수 있다고 봤다.

연구진이 밝힌 한계와 전제

연구진은 걸림돌 7가지가 실제로 얼마나 큰 영향을 줄지는 아직 풀리지 않은 연구 과제라고 밝혔다. 연 10배라는 유효 연산량 추정은 세 요인 각각의 불확실성이 곱해진 값이어서 실제로는 훨씬 크거나 작을 수 있다. 최신 문헌과 벤치마크 기관의 추정치를 함께 확인하라는 권고도 붙였다. 범용 로봇 공학의 발전이나 법률·규제 제약의 영향을 구체적으로 예측하는 일은 보고서의 범위 밖이다. 다만 보고서는 규제에 따른 개발 속도 조절을 잠재적 걸림돌로 검토했다. 인지 산업화가 일자리와 경제에 미칠 구체적 영향은 추가 가정이 필요하다며 분석하지 않았다. ASI가 나오더라도 노화 정복이나 기후 복원을 반드시 해낼 수 있는 전능한 존재는 아니라는 점도 분명히 했다.

FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.)

Q1. 10억 달러 AI 작업이 10년 뒤 1천 달러가 된다는 것은 확정된 예측인가요?

아닙니다. 추가 하드웨어 투자를 가정하지 않고, 하드웨어와 추론 알고리즘의 효율 개선으로 같은 작업의 연산 비용이 해마다 전년의 4분의 1로 줄어든다고 가정한 계산입니다. 연구진은 더 큰 모델이 필요하거나 연산이 다른 용도에 쓰이면 실제 하락폭은 이보다 작을 수 있다고 밝혔습니다.

Q2. 유효 연산량 연 10배는 칩 성능이 해마다 10배 좋아진다는 뜻인가요?

아닙니다. 1달러당 연산 능력 연 1.5배, 하드웨어 투자 연 2.5배, 알고리즘 효율 연 3배를 곱하면 약 11배이고, 연구진은 이를 보수적으로 10배로 낮춰 잡았습니다. 칩의 가격 대비 성능 향상만 보면 연 1.5배 수준입니다.

Q3. 이 보고서는 딥마인드가 ASI 등장 시점을 예측한 것인가요?

아닙니다. 연구진은 AGI 도달 시점과 관계없이 그 이후의 경로와 걸림돌을 정리했습니다. AI 성능이 얼마나 빨리 오르고 상한이 어디인지는 현재 신뢰성 있게 예측할 수 없다고 밝혔습니다.

기사에 인용된 리포트 원문은 구글 딥마인드의 공식 발표 페이지와 arXiv 11월 10일 개정판 전문에서 확인할 수 있다.
리포트명: From AGI to ASI
이미지 출처: AI 생성 콘텐츠, 본문 도표는 보고서 본문 수치를 AI 매터스가 재구성
해당 기사는 클로드를 활용해 작성되었습니다.




AI Matters 뉴스레터 구독하기

공감/비공감

공감/비공감안내도움말 보기
유용하고 재미있는 정보인가요?
공감이 된다면 공감 버튼을, 그렇지 않다면 비공감 버튼을 눌러 주세요!
공감이나 비공감을 선택 하는 경우 다나와 포인트를 적립해 드립니다. ※ 공감 버튼의 총 선택 횟수는 전체 공개입니다. 비공감 버튼의 선택 여부는 선택한 본인만 알 수 있습니다.
최신 일반뉴스 전체 둘러보기
1/1
“AI 강국인 줄 알았던 유럽마저 밀렸다”… 맥킨지가 분석한 AI 패권 경쟁의 현실 AI matters
레이더 칩 기업 아르베, 3분기 매출 10억 원대…中 레벨3 차량 수주 AI matters
두바이 미래재단, 건물 안 배송 로봇 도입…배달 기업 8곳 참여 AI matters
中 메가로보, 2,674억 원 유치…AI 실험 자동화 로봇 확대 AI matters
딥마인드 AGI에서 ASI로, 효율 개선 이어지면 같은 AI 작업 연산비 10년 뒤 100만분의 1 AI matters
TSMC와 삼성, 中 고객 칩 출하 중단…문샷은 계약 취소 AI matters
인셉션, 머큐리 API 12월 종료…엔비디아 인수 협상 보도 AI matters
메타, AI 기기 ‘뮤즈 참’ 40만 원에 판매 계획 AI matters
구글, 블루 오리진과 우주 AI 데이터센터 위성 발사 계약 AI matters
스카이디오, 캐나다 토론토 사무소 개설…비행 데이터 국내 보관 AI matters
테슬라, 운전대 없는 사이버캡 댈러스 운행…오스틴 이어 두 번째 AI matters
앤트로픽 공모가 11만 253원 확정…108조 원 역대 최대 AI matters
구글 딥마인드 ‘AGI에서 ASI로’ 보고서…초지능에 이르는 4개 경로 AI matters
앤트로픽 상장 첫날 시간대별 주가…12만 9,896원 마감 AI matters
[지스타2026] 5년째 이어져온 선한 영향력! '2026 플레이 펀앤굿' 포럼 성황리 개최 게임동아
한국·태국 게임협회 3곳, 2019년 이후 멈춘 ‘한국게임개발자컨퍼런스’ 재개 위해 손잡았다 게임동아
지도에는 있지만 갈 수 없는 길…AI·공간정보 기술로 해법 찾는 ‘엘비에스테크’ IT동아
와이크 “자전거 관리도, 여행도 편리하게…자전거 생활 인프라 구축한다” [인천대 x IT동아] IT동아
증권 앱 내 AI로 CES 2027 혁신상 수상··· 한국투자증권이 선택한 에이전틱 AI '스키퍼’ IT동아
레이팅랩스, K팝 팬 플랫폼 ‘뮤라팝’ 개편··· 최애 아티스트 설정·투표는 더 쉽게 IT동아
이 시간 HOT 댓글!
1/4