AGI의 도착 시점을 둘러싼 논쟁은 종종 “누가 더 낙관적인가” 혹은 “누가 더 비관적인가”의 대결처럼 소비된다. 하지만 실제 쟁점은 그보다 훨씬 복잡하다. 지금 중요한 것은 전망의 강도가 아니라 전망의 구조다. 누가 어떤 근거로 무엇을 예측하고 있는지, 그리고 그 방법이 어디까지 설명할 수 있으며 어디에서 흔들리는지를 구분하지 않으면 AGI 논쟁은 금세 구호 수준으로 미끄러진다. 바로 이 때문에 예측의 내용만큼 예측의 방법을 들여다보는 일이 중요해졌다. AGI를 둘러싼 시간표는 하나의 숫자에서 나오지 않는다. 전문가 설문, 군중 예측과 예측시장, 컴퓨트 중심 모델, 경험적 추세 외삽, 여기에 대규모 투자라는 시장 신호까지 여러 층위의 단서가 한꺼번에 작동하고 있다. 그리고 이 서로 다른 방법들이 완전히 같은 대답을 내놓지는 않지만, 전체적으로는 이전보다 더 이른 시점을 향해 움직이고 있다는 점에서 지금의 논쟁은 과거보다 훨씬 현실적인 긴장을 띠게 됐다.

이 지점에서 먼저 분명히 해야 할 것이 있다. AGI 예측은 하나의 단일한 과학이 아니다. 날씨 예보처럼 장기간 축적된 검증 체계가 있는 것도 아니고, 거시경제 전망처럼 오랜 제도적 전통 속에서 개선돼온 분야도 아니다. 지금의 AGI 예측 생태계는 아직 미완성에 가깝다. 그럼에도 정책과 산업, 안보와 투자 판단은 이 미완성의 신호들을 근거로 점점 더 큰 결정을 내려야 하는 상황으로 들어가고 있다. 바로 여기서 두 가지 감정이 동시에 생긴다. 하나는 여러 방법이 가리키는 방향을 무시하기 어렵다는 압박이고, 다른 하나는 그 방법들 각각이 품고 있는 허점을 외면할 수 없다는 경계심이다. 이 두 감정을 함께 유지하지 못하면 사회는 늘 둘 중 하나로 쏠린다. 과열된 임박론이 되거나, 반대로 “아직 불확실하니 보류하자”는 안일한 유예론이 된다. 이 회차에서 다루려는 것은 바로 그 사이의 영역이다. 예측이 어떻게 만들어지고, 왜 서로 닮은 듯 다른 결론을 내놓으며, 왜 어느 하나도 단독으로 믿을 수 없지만 그렇다고 버릴 수도 없는지를 차례대로 짚어보는 일이다.

예측 방법을 본격적으로 들여다보기 전에 한 가지 더 짚고 넘어갈 문제가 있다. 많은 AGI 예측은 실제 사회 변화를 예측한다기보다 우선 “능력의 시연”을 예측한다. 다시 말해 어떤 시스템이 연구실 또는 기업 내부에서 특정 수준의 일반적 능력을 보여주는 시점을 겨냥하는 경우가 많고, 그것이 널리 배치되는 시점이나 사회 전체에 충격이 발생하는 시점을 직접 겨냥하는 경우는 상대적으로 적다. 이 차이를 놓치면 예측 간 충돌이 실제보다 더 크게 보인다. 기술 연구자는 “2030년 전후”를 말하고, 경제학자는 “그보다 훨씬 늦다”고 말할 수 있다. 그러나 전자는 능력의 등장, 후자는 경제적 확산을 이야기할 가능성이 크다. 그러므로 예측 방법을 비교할 때는 무엇을 예측 대상으로 삼고 있는지부터 확인해야 한다. AGI 예측의 혼란은 종종 전망의 차이보다 대상의 차이에서 시작된다.

첫 번째 방법은 전문가 설문이다. 가장 오래되고, 가장 익숙하며, 동시에 가장 많이 비판받는 방식이다. 이 방법의 장점은 분명하다. 인공지능 연구자와 관련 전문가들은 현재 기술의 성능, 병목, 한계를 가장 가까이서 보는 집단이다. 이들에게 “언제쯤 어떤 수준의 시스템이 가능할 것으로 보는가”를 묻는 것은 당연히 의미가 있다. 실제로 최근 대규모 설문에서는 고수준 기계지능(HLMI)의 중간값이 2047년으로 제시됐고, 이는 1년 전 유사 조사에서 나타난 2060년보다 13년 앞당겨진 값이었다. 또 다른 패널에서는 2040년 전후에 AI가 “세기의 기술”에 가까운 사회적 영향을 낼 수 있다는 전망도 제시됐다. 이런 결과는 단순히 숫자 하나보다 더 중요한 메시지를 준다. 전문가 집단 내부에서도 인공지능의 속도에 대한 체감이 과거와 달라졌다는 것이다.

전문가 설문의 또 다른 장점은 분포를 보여준다는 데 있다. 한두 명 유명 인사의 발언과 달리, 설문은 집단 내부의 낙관과 회의, 불확실성과 편차를 함께 드러낸다. 어떤 질문에서 답이 넓게 퍼져 있다면, 그것 자체가 해당 사안의 불확실성을 보여주는 신호가 된다. 인공지능의 미래를 둘러싼 토론이 지나치게 단정적으로 흘러갈 때, 설문은 오히려 그 단정의 근거가 약하다는 사실을 보여주는 역할을 할 수도 있다. 즉 설문은 “정답”을 주기보다 “의견의 지형도”를 제공한다는 점에서 가치가 있다. 이것은 특히 정책 판단에서 중요하다. 누가 얼마나 자신 있게 무엇을 말하는가보다, 어떤 지점에서 합의가 강하고 어떤 지점에서 분산이 큰지를 읽어내는 일이 더 필요하기 때문이다.

하지만 전문가 설문은 동시에 매우 취약하다. 가장 대표적인 문제가 이른바 ‘이동하는 지평선’이다. 과거 분석에서는 전문가들이 언제 질문을 받아도 AGI를 대체로 15년에서 25년 뒤 미래에 배치하는 경향이 관찰됐다. 지금보다 조금 더 나은 미래가 아니라, 늘 “한 세대쯤 앞”의 미래로 밀어두는 습성이 있다는 뜻이다. 이 패턴이 완전히 깨졌다고 말하기는 어렵다. 최근 전망이 앞당겨졌다고 해도 그것이 정말 경험적 진전의 반영인지, 아니면 여전히 관성적 미래 설정의 범주 안에 있는지 논쟁의 여지가 남는다. 여기에 선택 편향도 있다. 설문에 응답하는 사람들은 AI의 잠재력에 더 큰 관심을 가진 집단일 가능성이 높고, 질문의 문구에 따라 답변이 크게 흔들리는 프레이밍 효과도 강하다. 같은 집단에 “대부분의 인간 직업을 수행하는 능력”을 묻느냐, “노동의 완전 자동화”를 묻느냐에 따라 중간값이 수십 년씩 달라질 수 있다는 사실은 예측의 민감도를 그대로 보여준다. 실제로 HLMI와 ‘노동의 완전 자동화’ 사이에는 69년이 넘는 차이가 나타났다. 결국 전문가 설문은 집단의 감각을 드러내는 유용한 창이지만, 그 자체를 미래의 객관적 시계로 받아들이기에는 너무 많은 흔들림을 품고 있다.

더구나 전문가라고 해서 AGI 예측에 대한 검증된 이력이 있는 것도 아니다. 이는 매우 중요한 문제다. 반도체 공정을 잘 아는 연구자, 대규모 모델 학습의 병목을 잘 아는 엔지니어, 알고리즘 효율 향상을 읽는 연구자가 곧바로 장기 AGI 타임라인 예측의 명수라고 볼 수는 없다. 특정 기술 분야의 깊은 전문성과 장기적 불연속 사건에 대한 예측 능력은 전혀 다른 성격일 수 있다. 최근 과학 난제 해결 가능성을 묻는 질문에서 전문가 답변이 크게 갈린 것 역시 같은 맥락이다. 2040년까지 AI가 밀레니엄 문제를 풀 가능성을 81퍼센트로 본 집단과 30퍼센트로 본 집단이 동시에 존재한다는 것은, 전문가라는 이름이 합의의 보증서가 아니라는 뜻이다. 중요한 것은 전문가의 존재가 아니라, 어떤 종류의 질문에 대해 어떤 형태의 전문성이 실제 예측력으로 이어지는지를 분별하는 일이다.

두 번째 방법은 군중 예측과 예측시장이다. 메타큘러스(Metaculus)나 매니폴드(Manifold) 같은 플랫폼은 다수 참여자의 판단을 집계해 미래를 읽어내려 한다. 이 방식의 가장 큰 매력은 속도다. 연 1회 또는 몇 년 간격으로 돌아오는 전문가 설문과 달리, 예측시장은 새로운 모델 출시나 중요한 실험 결과가 나올 때마다 거의 실시간으로 반응한다. 최근 몇 년 사이 이 영역의 AGI 중앙값이 빠르게 당겨진 것도 그런 구조 덕분이다. 메타큘러스 커뮤니티 예측은 2020년 약 2070년 수준에서 2026년 초 2033년 전후로 크게 앞당겨졌다. 이런 변화는 단지 대중이 흥분했다는 신호가 아니라, 정보를 다루는 속도와 갱신의 빈도가 매우 높아졌음을 보여주는 장면이기도 하다.

군중 예측의 논리는 단순하다. 개인은 편향될 수 있지만, 서로 다른 배경을 가진 많은 참여자의 판단을 모으면 개별 편향이 상쇄될 수 있다는 것이다. 실제로 잘 정의된 단기 질문에서는 이런 집단 예측이 상당한 보정 능력을 보여준 사례가 많다. 특히 예측시장에서는 금전적 또는 점수 기반 보상이 걸려 있어 참여자들이 무책임하게 낙관하거나 비관할 유인이 줄어든다고 여겨진다. 이 때문에 군중 예측은 “느린 전문가”에 비해 더 민감하고, 더 즉각적으로 변화하는 신호를 읽을 수 있는 도구처럼 보인다. AGI처럼 기술 변화의 속도가 중요한 사안에서는 이 장점이 매우 크게 부각된다.

그러나 바로 그 장점이 약점이 되기도 한다. 예측시장이 잘 작동하는 조건은 질문이 잘 정의되어 있고, 비교적 짧은 시간 안에 결과가 판명되며, 해석의 여지가 크지 않을 때다. 그런데 AGI는 그 반대편에 서 있다. “도달했다”는 판정 기준부터 논쟁적이고, 수십 년이 걸릴 수도 있으며, 기술적·사회적 의미가 중첩돼 있다. 결국 플랫폼은 구체적이고 판정 가능한 해상도 기준을 만들 수밖에 없는데, 이 기준은 대개 우리가 일상적으로 떠올리는 AGI보다 더 좁고 낮은 문턱이 된다. 그 결과 예측시장이 내놓는 타임라인은 본질적으로 더 짧아질 가능성이 크다. 단순히 군중이 낙관적이라서가 아니라, 질문을 시장화하는 과정에서 대상 자체가 축소되기 때문이다. 이는 매우 구조적인 편향이다. “무엇을 예측하는가”가 달라지는 순간 숫자의 의미도 달라진다.

참여자 구성 역시 문제다. 예측 플랫폼은 얼핏 개방적이고 민주적인 공간처럼 보이지만, 실제로는 특정 기술문화에 익숙한 사람들, AI 발전에 높은 관심을 가진 사람들, 때로는 산업 내 이해관계를 가진 사람들이 상대적으로 많이 모일 수 있다. 얇은 시장에서는 자금력 있는 참여자가 가격을 흔들 여지도 있다. 게다가 단기 질문에서 높은 보정 능력을 보였다고 해서 장기적이고 전례 없는 변혁적 사건에서도 그 능력이 그대로 유지된다고 장담할 수 없다. 실제로 구조화된 토론을 수개월 진행한 뒤에도 슈퍼포캐스터와 도메인 전문가가 AI 위험을 두고 크게 엇갈렸다는 사실은 이 한계를 잘 보여준다. 좋은 단기 예측가가 곧바로 AGI 타임라인의 좋은 장기 예측가라는 보장은 없다. 이 말은 예측시장이 무가치하다는 뜻이 아니다. 오히려 반대다. 그것은 “신속한 반응 장치”로는 유용하지만, “장기적 진실의 판정기”로 쓰기에는 아직 위험하다는 뜻이다.

세 번째 방법은 컴퓨트 중심 모델이다. 이 방식은 현재 가장 진지하게 받아들여지는 동시에, 가장 큰 논쟁을 부르는 방법 가운데 하나다. 핵심 생각은 비교적 간단하다. 인공지능 성능이 계산 자원, 데이터, 알고리즘 효율과 깊이 연결돼 있다면, AGI의 도달 가능성 역시 필요한 계산량과 이를 실제로 동원할 수 있는 시점을 추정함으로써 어느 정도 모델링할 수 있다는 것이다. 여기에는 뇌의 계산 능력을 기준점으로 삼는 ‘Biological Anchors’ 같은 접근과, AI가 AI 연구개발 자체를 얼마나 자동화할 수 있는지까지 모델링하는 takeoff 분석이 포함된다. 이 방법의 매력은 다른 방식보다 구조가 선명하다는 데 있다. 설문이나 군중 예측이 결국 판단의 집계를 통해 미래를 추정한다면, 컴퓨트 중심 모델은 명시적 가정과 물리적 변수, 비용 곡선과 효율 향상 같은 요소를 드러내놓고 논의할 수 있게 한다.

이 방식이 주목받는 이유는 최근 실제 기술 환경과도 맞물린다. 계산 자원의 확대, 하드웨어 투자, 알고리즘 효율 향상, 학습 규모의 팽창은 지금 인공지능 발전을 설명하는 가장 중요한 변수들 가운데 하나다. Biological Anchors 계열 모델은 2020년대 초에는 중간값을 2050년 안팎에 두었지만, 이후 예상보다 빠른 알고리즘 효율 향상과 컴퓨트 확대를 반영하면서 확률 질량이 2030년대 쪽으로 이동했다. 여기에 takeoff 모델은 한 걸음 더 나아간다. AI가 인간 연구자를 완전히 대체하는 시점만을 묻는 것이 아니라, 인간 연구를 조금이라도 가속하기 시작하는 순간부터 발전 속도가 다시 가속될 수 있다는 피드백 구조를 모델 안에 넣는다. 이 경우 중요한 것은 AGI 도착일 하나가 아니라, “가속의 시작 이후 얼마 만에 훨씬 더 강한 시스템으로 이동할 수 있는가”라는 질문이 된다. 여기서 몇 년 단위의 매우 압축된 전환이 나올 가능성이 제시되면, 사회는 단순한 장기 대비가 아니라 급격한 전환 가능성까지 염두에 둬야 한다.

컴퓨트 중심 모델의 힘은 바로 이런 데 있다. 그것은 미래를 감으로 말하지 않는다. 어떤 가정이 어떤 결과를 낳는지 보여준다. 훈련 비용 하락률, 알고리즘 효율 개선 속도, 연구 자동화 비율, 하드웨어 가격, 필요한 계산량 추정치 같은 것들이 어떻게 결론을 움직이는지 확인할 수 있다. 다시 말해 논쟁의 자리를 막연한 인상에서 구체적 가정으로 옮겨준다. 정치적 구호나 개인적 직감 대신, 논쟁 가능한 매개변수 위에서 다투게 만든다는 점이 이 방식의 가장 큰 장점이다. 게다가 최근의 스케일링 법칙 연구들은 계산량과 성능 사이의 관계가 상당 기간 놀랄 만큼 일관되게 이어졌음을 보여주었고, 이는 컴퓨트 중심 접근이 단순한 공상이 아니라 현실적 분석 틀일 수 있다는 믿음을 강화했다.

하지만 이 방식 역시 결정적 약점을 안고 있다. 가장 큰 문제는 핵심 매개변수들이 지나치게 불확실하다는 점이다. 인간 뇌의 계산 능력 자체가 무엇을 기준으로 어떻게 재느냐에 따라 수십 배, 수백 배씩 달라질 수 있고, 그것을 곧바로 기계지능에 필요한 계산량으로 번역하는 과정도 입증된 적이 없다. 말하자면 “필요한 FLOPS”와 “실제 일반지능” 사이의 다리는 아직 가설 위에 놓여 있다. 여기에 알고리즘 효율 향상은 하드웨어 증가보다 더 중요할 수 있지만, 이 효율 향상을 앞으로 어떻게 예측할지는 훨씬 더 어렵다. 민감도도 극단적이다. 생물학적 효율이나 연구 자동화 속도 같은 매개변수를 조금만 조정해도 결과는 수십 년씩 움직일 수 있다. 게다가 이런 모델들은 아직 충분한 독립 검증이나 적대적 스트레스 테스트를 거치지 않았다. 결국 컴퓨트 중심 모델은 가장 구조적이고 설명력이 높은 방법이면서도, 동시에 가장 취약한 전제를 밑바닥에 깔고 있는 셈이다.

네 번째 방법은 경험적 추세 외삽이다. 최근 AGI 예측 생태계에서 가장 활발하게 작동하는 영역 중 하나다. Epoch AI나 METR 같은 조직은 훈련 컴퓨트, 모델 능력, 벤치마크 점수, 알고리즘 효율, 에이전트의 자율 작업 시간 같은 관측 가능한 지표를 꾸준히 추적하고 그 추세를 바탕으로 가까운 미래를 외삽한다. 이 방법의 장점은 이론보다 데이터를 앞세운다는 점이다. 추정된 뇌 계산량이나 인간 연구 대체율 같은 더 추상적인 변수 대신, 실제로 관찰되는 곡선을 본다. 최근 몇 년간 프런티어 모델의 훈련 컴퓨트가 해마다 대략 네 배에서 여섯 배씩 늘었고, 여러 벤치마크가 짧은 시간 안에 포화 상태에 이르렀으며, METR이 측정한 에이전트의 “50퍼센트 작업 완수 시간 지평”이 2019년부터 2025년까지 약 7개월마다 두 배씩 늘어났다는 사실은 모두 이런 방식의 대표적인 근거다. 장기적으로 이 추세가 유지되면 AI 에이전트가 사람 기준으로 일주일짜리 하위 프로젝트를 자율적으로 수행하는 시점이 2020년대 후반까지 당겨질 수 있다는 전망도 여기서 나온다.

이 방법이 주는 감각은 매우 강렬하다. 숫자가 움직이고 있고, 곡선이 가파르며, 모델 성능은 매번 새로운 기준을 세우는 것처럼 보인다. 그래서 경험적 외삽은 종종 가장 설득력 있게 느껴진다. “지금까지 이렇게 왔으니 조금만 더 가면 저기에 닿는다”는 직선적 직관을 제공하기 때문이다. 특히 여러 독립 지표가 비슷한 방향으로 움직일 때는 신뢰감이 더 커진다. 훈련 규모 증가, 벤치마크 포화, 에이전트 작업 시간 확대가 동시에 같은 쪽을 가리키면, 단일 지표보다 훨씬 큰 압박을 만든다. 이 때문에 많은 이들이 최근 AGI 타임라인 압축의 가장 현실적인 증거를 바로 이런 경험적 곡선들에서 찾는다.

하지만 이 역시 결국 외삽이다. 그리고 외삽의 가장 큰 한계는 단절을 모른다는 데 있다. 혁신이 연속적일 것이라고 가정할 때 외삽은 쓸모가 있지만, 구조적 병목이나 패러다임 전환, 새로운 아키텍처의 등장, 혹은 반대로 장기 정체가 발생하면 이전의 곡선은 금세 힘을 잃는다. 더 심각한 문제는 측정 가능한 것이 곧 중요한 것이라는 보장이 없다는 점이다. 손실 함수나 벤치마크 점수, 제한된 업무 완수 시간은 분명 유용한 신호지만, 그것이 우리가 관심 갖는 일반지능 자체와 얼마나 직접 연결되는지는 여전히 불분명하다. 여기에 굿하트의 법칙이 개입한다. 특정 벤치마크가 중요해지는 순간 개발자들은 그 지표를 겨냥해 최적화하기 시작하고, 그 결과 그 지표는 점점 덜 좋은 측정치가 된다. 데이터 오염, 구성 타당성 부족, 허위 상관, 벤치마크 포화는 이미 반복적으로 지적된 문제다. 즉 경험적 추세 외삽은 “실제 변화의 감지기”로는 강하지만, “일반지능 도달의 직접 척도”로 사용하기에는 너무 취약하다.

여기에 또 하나의 간접 신호가 있다. 시장의 무게다. 이는 직접적인 예측 방법이라기보다, 대형 기술 기업의 자본 배분이 보여주는 암묵적 전망에 가깝다. 마이크로소프트, 구글, 아마존, 메타 같은 기업들이 AI 인프라에 연간 3000억 달러 이상을 쏟아붓는다는 사실은 단순한 유행 이상의 메시지를 전달한다. 과거 AI 투자 사이클과 비교해도 지금의 규모는 압도적이다. 이 거대한 자본은 “skin in the game”을 가진 행위자들이 가까운 미래에 충분히 큰 변화가 올 것이라 보고 있음을 시사한다. 실제로 이런 기업과 선도 연구소는 가장 공격적인 타임라인을 말하는 경우가 많고, 그 말은 다시 자본 배분을 정당화한다. 이 때문에 시장 신호는 무시하기 어렵다. 적어도 이 정도 규모의 돈이 움직인다는 것은 업계 내부가 단순한 기술 홍보 이상의 무언가를 보고 있다는 뜻이기 때문이다.

그러나 시장 신호 역시 독립적 증거로 보기엔 문제가 많다. 가장 큰 문제는 순환성이다. 가장 공격적인 전망을 내놓는 기업들이 동시에 가장 큰 투자를 집행하고 있다면, 자본 배분은 독립적 확인이 아니라 자기강화적 서사가 될 수 있다. 또 경쟁 압력도 무시할 수 없다. 어떤 기업이 정말로 AGI를 곧 믿어서 투자하는 것일 수도 있지만, 반대로 경쟁사가 먼저 달성했을 때 뒤처지는 비용이 너무 커서 울며 겨자 먹기로 투자하는 것일 수도 있다. 즉 대규모 투자가 반드시 신념의 강도를 그대로 반영하는 것은 아니다. 시장 구조, 대체 투자처의 부족, 플랫폼 기업의 전략적 방어 심리 같은 요인이 함께 작동할 수 있다. 따라서 “돈이 몰리니 곧 온다”는 단순 논법은 위험하다. 다만 “이 정도 돈이 몰리는데도 아무 일도 아닐 수 있다”고 말하는 것도 설득력이 약하다. 시장 신호는 결정적 증거는 아니지만, 무게 있는 간접 증거라고 보는 편이 타당하다.

이제 질문은 자연스럽게 하나로 모인다. 이렇게 각기 결함투성이인 방법들이 왜 동시에 주목을 받는가. 답은 간단하다. 서로 완전히 같은 이야기를 하지는 않지만, 대체로 비슷한 방향으로 움직이고 있기 때문이다. 전문가 설문은 앞당겨졌고, 예측시장은 더 빠르게 앞당겨졌으며, 컴퓨트 중심 분석과 경험적 외삽도 2030년대 전후를 진지한 시나리오로 다루고 있다. 시장 투자 역시 그보다 느린 세계를 전제하는 것처럼 보이지는 않는다. 이 수렴은 “정답”의 출현을 뜻하지 않는다. 하지만 서로 다른 접근이 모두 예전보다 더 가까운 미래를 검토하게 만들고 있다는 점은 그냥 지나치기 어려운 사실이다. AGI 예측이 오늘날 전략적 질문이 된 것은 바로 이 수렴 때문이다. 각 방법의 한계는 분명하지만, 그 한계들이 서로의 방향성까지 상쇄해버리지는 못하고 있다.

그렇다고 이 여러 방법을 평균 내면 답이 나온다고 생각해서는 안 된다. 이것이 이 회차에서 가장 경계해야 할 오해다. 서로 다른 정의를 사용하고, 서로 다른 대상을 겨냥하며, 서로 다른 시간 해상도와 검증 가능성을 가진 예측들을 한 줄에 세워놓고 단순 평균을 내는 것은 오히려 판단을 흐리게 만든다. 중요한 것은 평균값이 아니라 각 방법이 보여주는 신호의 성격이다. 전문가 설문은 집단 감각과 편차를 보여주고, 예측시장은 정보 업데이트의 속도와 민감도를 보여주며, 컴퓨트 중심 모델은 가정 구조와 피드백의 위험성을 드러내고, 경험적 외삽은 실제로 가속 중인 지표들을 관찰하게 한다. 시장의 무게는 산업 내부의 긴박감과 경쟁 구조를 알려준다. 이들을 하나의 숫자로 압축하는 대신, 각각이 말하는 것을 분해해 듣는 것이 훨씬 더 현명한 방식이다. 미래를 잘 맞히는 일보다 미래에 대한 근거를 잘 분류하는 일이 먼저다.

결국 AGI 예측 생태계의 진짜 문제는 방법이 많다는 데 있지 않다. 서로 다른 방법이 무엇을 예측하고 있는지, 어디에서 취약한지, 어떤 종류의 의사결정에 상대적으로 더 유용한지를 아직 충분히 제도화하지 못했다는 데 있다. 안전과 보안 문제라면 능력 시연과 위험 역량 신호가 더 중요할 수 있다. 노동과 복지, 제도 개편이라면 경제 확산과 사회 변환에 더 가까운 지표가 필요할 것이다. 투자와 연구개발 전략이라면 컴퓨트와 자본 흐름, 실험실 내부 자동화의 징후가 더 중요할 수 있다. 다시 말해 예측의 가치는 절대적인 정확도보다 맥락 적합성에서 갈린다. 어느 질문에 어느 도구를 쓸 것인가가 핵심인데, 지금까지의 AGI 담론은 종종 그 구분 없이 모든 방법을 같은 저울 위에 올려놓고 싸워왔다. 그래서 더 많은 확신이 아니라 더 정교한 구분이 필요하다.

이 대목에서 한 가지 역설이 드러난다. 사회는 AGI 날짜를 알고 싶어 하지만, 실제로 필요한 것은 날짜보다 지도다. 어느 길이 상대적으로 빠르게 열리고 있는지, 어디에 병목이 있는지, 어떤 영역은 조기 대응이 필요하고 어떤 영역은 관찰과 적응이 더 중요한지를 보여주는 지도 말이다. 전문가 설문, 예측시장, 컴퓨트 모델, 경험적 외삽은 각각 그 지도의 다른 부분을 비춘다. 그 빛은 불완전하고 때로는 왜곡돼 있다. 그러나 아무것도 비추지 않는 것보다는 낫다. 문제는 빛을 절대화하는 순간 생긴다. 한 지표가 전체 미래를 대표한다고 믿는 순간, 예측은 안내가 아니라 착시가 된다.

그래서 지금 필요한 태도는 두 가지를 동시에 붙드는 것이다. 첫째, 여러 방법이 공통적으로 앞당겨진 시간표를 가리키고 있다는 사실을 무겁게 받아들이는 것. 둘째, 그 어떤 방법도 단독으로는 정책과 사회를 움직일 만큼 충분한 권위를 갖지 못한다는 사실을 잊지 않는 것이다. 이 긴장을 견디는 일이 어렵기 때문에, AGI 논의는 쉽게 과열되거나 쉽게 방심한다. 그러나 바로 그 불편한 중간지대에서만 전략이 만들어진다. 빠른 미래를 상정하되 조급한 단정은 피하고, 불확실성을 인정하되 행동 유예의 핑계로 삼지 않는 태도 말이다.

이 연재의 두 번째 회차가 도달하는 결론은 분명하다. AGI 예측은 지금도 계속 움직이고 있지만, 그 예측들을 해석하는 사회의 문법은 아직 충분히 정교하지 않다. 전문가도 시장도 확신하지 못하고, 모델도 곡선도 자기 한계를 품고 있다. 그런데도 여러 방법은 한 방향으로 조금씩 수렴하고 있다. 이 조합이야말로 오늘의 불안의 정체다. 완전한 확신은 없는데, 무시하기에는 신호가 너무 많다. 그래서 중요한 것은 누가 맞느냐가 아니라 무엇을 어떤 무게로 읽을 것이냐다. AGI 논쟁은 결국 예측의 전쟁이 아니라 해석의 전쟁에 더 가깝다. 그리고 그 해석의 질이 앞으로의 준비 수준을 가를 가능성이 크다.

다음 회차에서는 한 걸음 더 들어가 AGI라는 말 자체가 왜 하나의 문턱이 아닌지를 다루게 된다. 같은 “AGI 도래”라는 말 아래 왜 전혀 다른 시간표가 숨을 수 있는지, 기술적 존재와 배치, 사회적 변환이 왜 다른 속도로 움직이는지, 그리고 바로 그 정의의 차이가 왜 예측의 충돌을 만들어내는지를 본격적으로 풀어볼 차례다. 예측 방법을 해부한 뒤에는, 이제 그 방법들이 겨누는 목표 자체를 다시 분해해야 한다. AGI는 하나가 아니기 때문이다.

#AGI #AGI예측 #인공지능 #전문가설문 #예측시장 #메타큘러스 #컴퓨트모델 #스케일링법칙 #AI정책 #RAND

Social Share