AI 자동화 코딩 시점, 2027년에서 2031년으로 연기...AI 연구개발 자동화 효과 재평가

AI 퓨처스 프로젝트, 새로운 타임라인 모델 발표로 예측 시점 3년 연장

[한국정보기술신문] AI 개발 타임라인 예측 전문 연구그룹인 AI 퓨처스 프로젝트가 인공지능의 주요 능력 달성 시점을 기존 예측보다 3년가량 늦춘 새로운 모델을 발표했다. 이번 업데이트의 핵심은 AI가 연구개발 과정을 자동화하는 효과가 당초 예상보다 제한적일 것이라는 재평가에 기반한다.

AI 퓨처스 프로젝트는 2025년 12월 31일 블로그를 통해 발표한 새로운 통합 모델에서 완전한 코딩 자동화 시점인 Automated Coder 달성 시기를 2031년으로 예측했다. 이는 지난 4월 발표한 AI 2027 모델의 예측인 2027년에서 2028년보다 약 3년에서 5년 늦춰진 것이다.

연구진은 웹사이트 aifuturesmodel.com을 통해 인터랙티브 모델을 공개하며, 누구나 매개변수를 조정해 자신만의 예측을 시뮬레이션할 수 있도록 했다. 새 모델은 AI가 코딩 자동화, 연구 능력, 초지능에 이르기까지 주요 이정표에 도달하는 시점을 예측한다.

AI 연구개발 자동화 효과 축소가 주요 원인

타임라인 연장의 가장 큰 원인은 Automated Coder 달성 이전 단계에서 AI가 연구개발을 가속화하는 효과에 대한 재평가다. 연구진은 이전 모델이 AI 연구개발 자동화의 효과를 과대평가했다고 판단했다.

구체적으로 새 모델은 소프트웨어 연구의 수확체감 효과를 적절히 반영하지 못했던 점을 수정했다. 이전 AI 2027 모델은 AI가 소프트웨어 연구개발에 2배의 생산성 향상을 제공하면 소프트웨어 효율성 증가율도 영구적으로 2배 빨라진다고 암묵적으로 가정했다. 하지만 새 모델은 이러한 지속적인 가속이 현실적이지 않다고 보고 수정했다.

또한 중간 단계 AI 시스템들의 연구개발 생산성 향상 수치도 하향 조정됐다. 이전 모델의 보간 방식이 중간 값을 과도하게 낙관적으로 설정했다는 판단에서다.

METR 코딩 벤치마크 기반 예측 방식 유지

새 모델은 METR의 코딩 시간 범위 측정치를 핵심 데이터로 활용하는 방식을 유지했다. METR-HRS는 AI가 얼마나 긴 시간이 소요되는 코딩 작업을 수행할 수 있는지를 측정하는 벤치마크다. 연구진은 이 지표가 현재 AGI까지의 효과적 컴퓨팅 요구사항을 추정하는 가장 좋은 단일 증거라고 평가했다.

다만 이 추세가 미래에도 계속될지, 특정 시간 범위 임계값이 실제 자동화 능력과 어떻게 대응하는지에 대해서는 불확실성이 크다고 인정했다. METR 자체도 작업이 길어질수록 벤치마크 구축과 인간 기준선 수집 비용이 기하급수적으로 증가해 2027년경에는 측정을 포기할 수 있다는 우려를 제기했다.

3단계 발전 모델로 초지능까지 예측

새 모델은 AI 능력 발전을 3단계로 구분한다. 1단계는 코딩 자동화 달성까지, 2단계는 연구 능력 자동화 달성까지, 3단계는 지능 폭발 단계다.

1단계의 핵심 이정표인 Automated Coder는 AGI 프로젝트의 전체 코딩 업무를 완전히 자동화할 수 있는 AI를 의미한다. 2단계의 Superhuman AI Researcher는 코딩뿐 아니라 연구 방향 설정, 실험 선택 등 연구 안목까지 최고 수준 인간 연구자를 능가하는 AI다.

3단계에서는 Superintelligent AI Researcher, Top-human-Expert-Dominating AI, Artificial Superintelligence 등의 이정표를 거쳐 지능의 한계에 접근하는 과정을 모델링한다.

연구진 개인 의견은 모델보다 보수적

흥미롭게도 연구진의 종합적 의견은 모델 결과보다 더 보수적이다. 연구진 중 한 명인 Eli Lifland는 모델의 2030년 말 예측을 2032년 중반으로 연장했다. 알려지지 않은 모델의 한계와 실수 가능성, 그리고 데이터 병목 현상 등을 고려한 결과다.

다른 연구진인 Daniel Kokotajlo는 중간값은 유지하되 불확실성을 양방향으로 확대했다. 2026년 말까지 9퍼센트, 2050년까지도 AGI가 도래하지 않을 확률 6퍼센트를 부여하는 식이다. 그는 직관적으로는 5년 이내에 자동화 코딩이 가능할 것 같지만, 모델의 보다 체계적인 분석을 신뢰하기로 했다고 밝혔다.

테이크오프 속도는 더 느리지만 여전히 빠른 시나리오 가능

완전 자동화 이후 얼마나 빠르게 초지능에 도달하는지를 나타내는 테이크오프 속도에 대해서도 새 모델은 이전보다 느린 중간값을 제시했다. 하지만 여전히 빠른 테이크오프 가능성도 상당하다.

Eli Lifland의 매개변수 설정으로는 Automated Coder에서 Artificial Superintelligence까지 1년 미만일 확률이 30퍼센트, 3년 미만일 확률이 60퍼센트로 나타났다. 하드웨어 연구개발 자동화나 일반 경제 자동화 등 모델에 포함되지 않은 요소들을 고려하면 실제로는 더 빠를 수 있다는 분석이다.

연구진은 이번 모델이 완벽하지 않으며, 향후 경험적 데이터에 따라 지속적으로 업데이트될 것이라고 강조했다. 특히 2026년 코딩 생산성 향상 추세, AI 수익 성장률, 벤치마크 진행 속도 등이 주요 업데이트 지표가 될 전망이다.

한국정보기술신문 인공지능분과 권지현 기자 news@kitpa.org