AI는 결국 똑똑한 자동완성일 뿐입니다

농담처럼 들리는 사실이 하나 있어요. 결혼식 축사를 써 주고, 코드를 고쳐 주고, 블랙홀을 설명해 주는 AI가 속을 들여다보면, 문자에서 다음 단어를 제안하는 여러분 휴대폰과 똑같은 일을 하고 있습니다. 다음에 올 것을 계속해서, 아주 빠르게 맞히는 거예요.

그게 전부입니다. 그게 비결이에요. 그리고 이걸 한 번 보고 나면, 이 모든 일이 마법처럼 느껴지지 않고 훨씬 더 이해가 됩니다. AI가 엉뚱하게 넘어지는 온갖 순간까지도요.

큰 비밀은, 다음 단어를 예측한다는 것

휴대폰에 ‘하늘은’이라고 쳐 보면 ‘파랗다’를 제안합니다. 아주 작은 예측 기계죠. ‘파랗다’가 안전한 선택이라는 걸 알 만큼 충분한 문장을 봐 온 겁니다.

요즘 챗봇은 바로 이 아이디어를, 거의 터무니없는 규모까지 키운 것입니다. 여러분이 명령을 주면, 가장 그럴듯한 다음 단어를 계산합니다. 그런 다음 그 단어를 문장에 붙이고, 전체를 다시 보고, 다음 단어를 예측합니다. 그리고 또. 또, 수백 번을, 답이 끝났다고 판단할 때까지요. 작문도, 시도, 요리법도, 집주인에게 보내는 사과도, 모두 가장 나은 단어를 한 번에 하나씩 쌓아 만듭니다.

완성된 생각을 다 써 놓고 나서 읽어 주는 게 아닙니다. 오히려 여기까지의 문장만 보이고, 모든 게 어디에 닿을지 모른 채 다음 단어를 정해야 하는 작가에 가깝습니다. 결과가 앞뒤가 맞아 보이는 이유는, 모든 추측이 그 앞의 모든 단어에 의해 빚어지기 때문입니다.

잠깐, 단어를 맞히기만 하는데 어떻게 글 한 편을 쓰나요

바로 이 부분이 불가능해 보이니, 솔직하게 답할게요. 이렇게까지 잘 될 줄은 만든 쪽도 예상하지 못했습니다.

도약은 2017년에 Google 연구진이 고안한 transformer라는 설계에서 왔습니다. 그 초능력은 맥락에 주의를 기울이는 것입니다. 다음 단어를 고를 때, 바로 앞 단어만 보지 않습니다. 여러분 메시지에서 의미 있는 모든 것을 한꺼번에 저울질하고, 다음에 올 것에 어느 부분이 가장 중요한지 알아냅니다. ‘그 의사는 자신의’ 뒤를 이어 달라고 하면, 맥락을 이미 새겨 두고 ‘렌치’가 아니라 ‘청진기’ 쪽으로 기웁니다.

이 재주를 충분히 깊게 쌓고 충분한 예시를 주면, 이상한 일이 벌어집니다. 인간의 온갖 글에서 다음 단어를 정말 잘 예측하려면, 모델은 단어 아래에 깔린 패턴을 집어 들여야 합니다. 문법, 말투, 사실에 대한 대략적인 감각, 농담의 모양, 논증의 단계 같은 것들이요. 이 능력들은 프로그래밍된 게 아닙니다. 빈칸 채우기 게임을 아주, 아주 잘하게 된 데서 나온 부수 효과입니다.

어떻게 이렇게 잘 맞히게 되었나

AI는 여러분과 대화할 수 있게 되기 전에 학교에 다닙니다. 아주 빡세고, 전혀 사교적이지 않은 학교예요.

학습하는 동안 모델은 어마어마한 글 더미를 읽습니다(공개된 인터넷의 큰 조각, 책, 기사, 게시판을 떠올려 보세요). 그리고 반복되는 한 가지 게임을 합니다. 다음 단어를 가리고, 그것을 맞혀 보는 거예요. 틀리면 조금 조정하고, 맞히면 강화합니다. 이걸 수조 개의 단어에 걸쳐 수십억 번 하면, 거의 어떤 문체의 어떤 문장이든 끝맺는 데 섬뜩할 만큼 능숙한 기계로 서서히 다듬어집니다.

한 가지 짚고 넘어갈게요. AI는 인터넷을 통째로 외워 두었다가 조각을 도로 붙여 주는 게 아닙니다. 문장이 아니라 패턴을 배웠어요. 그래서 그 어디에도 없던, 와플이라는 이름의 여러분 고양이에 대한 문장을 쓸 수 있습니다. 답을 찾아보는 게 아니라 패턴을 새로 섞는 거예요.

왜 이 하나의 아이디어가 AI의 모든 것을 설명하나

여기가 보상입니다. AI에 관해 신기하거나 짜증 나거나 사랑스러운 거의 모든 일은 같은 지점으로 돌아옵니다. 진실을 찾아보는 게 아니라, 그럴듯한 단어를 예측한다는 점이에요.

각각에는 더 깊은 이야기가 있어요. AI가 눈 하나 깜짝 않고 틀린 사실을 말할 때, 예측 기계는 맞는 답보다 매끄러운 답을 고르고 있습니다. 이것이 바로 AI가 자신 있게 지어내는 이유예요. 같은 질문을 두 번 했는데 다른 답이 오면, 그건 처음부터 섞인 약간의 무작위성 때문이고, AI가 같은 답을 두 번 주지 않는 이유이기도 합니다. 그리고 그 유명한 글자 세기 실수는 글을 덩어리로 쪼개는 방식에서 오는데, AI가 strawberry의 R을 못 세는 이유의 전체 이야기예요. 증상은 달라도, 엔진은 같습니다.

‘자동완성’이라니 멍청해 보여요. 그런데 왜 이렇게 똑똑해 보이죠

‘그냥 단어를 예측할 뿐’이라는 말이, 큰 규모에서 벌어지는 일을 너무 심하게 깎아내리기 때문입니다.

법정 변론, Python 함수, 하이쿠, 이별 메시지에서 다음 단어를 믿음직하게 맞히려면, 모델은 그 각각이 어떻게 짜여 있는지에 대한 실용적인 감각을 세워야 합니다. 충분히 많은 종류의 글에서 충분히 잘 예측하는 일은, 아래의 기계 장치가 여전히 확률이더라도, 곧 이해하는 것과 아주 비슷해 보이기 시작합니다. 이걸 ‘그냥 자동완성’이라 부르는 건, 교향곡을 ‘그냥 공기압의 변화’라 부르는 것과 조금 비슷해요. 기술적으로는 맞지만, 터무니없이 불충분합니다.

그러니 두 생각을 동시에 쥐고 있는 게 온당합니다. 방법은 정말로 다음 단어 예측이에요. 그리고 결과는 정말로 유용하고, 창의적이며, 때로는 그것을 쓰는 사람보다 똑똑할 수 있습니다.

비유가 무너지는 지점

이 점에 솔직하면 데이지 않습니다. ‘똑똑한 자동완성’은 좋은 머릿속 모형이지만, 한계가 있어요.

AI는 자기가 하는 말이 사실인지 전혀 모릅니다. ‘이게 맞나’가 아니라 ‘이게 좋은 이어짐처럼 들리나’를 최적화합니다. 대개는 둘이 겹칩니다. 겹치지 않을 때는, 자신만만하고, 틀렸고, 아름답게 쓰인 답이 나옵니다. 앱이 그렇게 만들어지지 않는 한 대화 사이에 여러분을 기억하지도 않고, 아주 긴 대화에서는 실을 놓칠 수 있어요. 늘 눈앞의 단어로만 작업하기 때문입니다.

실용적인 교훈은 이렇습니다. 언어, 글쓰기, 설명, 아이디어 내기, 다시 쓰기에는 믿고 맡기고, 사실과 숫자, 그리고 정확함이 정말 중요한 건 반드시 두 번 확인하세요. 신탁이 아니라, 빠르고 박식한 인턴처럼 대하세요.

직접 느껴 보세요

이걸 제대로 이해하는 가장 좋은 방법은, 같은 명령에 대해 서로 다른 모델이 서로 다르게 추측하는 걸 보는 것입니다. 같은 단어를 읽고도 조금씩 다른 이어짐을 예측하죠. 그래서 한쪽은 여러분 이메일을 딱 맞히고, 다른 쪽은 뻣뻣하고 로봇 같은 초안을 줍니다. 나란히 놓으면, 추상적인 생각이 눈에 보이는 것으로 바뀝니다.

정리하며

과장을 걷어내면, 요즘 AI는 다음 단어를 맞히는 데 놀랍도록 뛰어난 예측가입니다. 있는 것을 읽고, 그럴듯한 것을 예측하고, 답이 될 때까지 반복합니다. 상상하기 어려운 규모에서 돌아가는 이 단순한 반복이, 글을 쓰고 코드를 짜고 설명하고 가끔 여러분을 놀라게 하기에 충분합니다. 그리고 바로 그것이, AI가 묘하게 인간 같은 방식으로 넘어지는 이유이기도 합니다.

이걸 안다고 AI가 덜 쓸모 있어지지는 않습니다. 여러분이 AI를 더 잘 쓰게 될 뿐이에요. 언제 기대고 언제 숙제 검사를 할지 알게 되니까요. 그 감을 익히는 가장 빠른 길은, 직접 몇 개의 모델을 만져 보며 그들이 맞히는 모습을 보는 것입니다.