'범용인공지능(AGI)에 다가섰다'는 뉴스, 무엇을 보고 읽으면 될까요

AGI 기사가 헷갈리는 이유부터 풀어 볼게요

'범용인공지능에 한 걸음 더 다가섰다'는 제목, 요즘 자주 보이시죠? 설레기도 하고 조금 겁도 나는데, 막상 기사를 다 읽고 나면 그래서 AGI가 온 건지 아닌지 더 헷갈리기 쉬워요. 이 글은 그 헷갈림이 어디서 오는지 짚고, AGI 기사를 차분하게 읽는 순서를 알려 드릴게요.

AGI에는 모두가 합의한 한 가지 정의가 없어요. 수학 시험처럼 '이 점수를 넘으면 AGI'라고 정해 둔 공식 기준도 없고요. 그래서 같은 모델을 두고도 누구는 '거의 다 왔다', 누구는 '아직 멀었다'고 말할 수 있어요. 어느 한쪽이 거짓말을 한다기보다, 서로 다른 잣대를 들고 있는 경우가 많아요.

이게 왜 중요하냐면요, 잣대를 모른 채 결론만 받아들이면 기사가 나올 때마다 마음이 롤러코스터를 타게 되거든요. 반대로 잣대부터 확인하는 습관이 생기면, 어떤 AGI 기사가 나와도 '이건 이 기준으로 본 이야기구나' 하고 편안하게 읽을 수 있어요.

비슷해 보이는 네 단어부터 나눠 두세요

AGI(Artificial General Intelligence)는 우리말로 범용인공지능이라고 불러요. 한 가지 일만 잘하는 AI가 아니라, 사람처럼 여러 종류의 일을 두루 해내는 AI를 가리키는 말이에요. 여기서 많이들 헷갈리세요. 요즘 챗봇도 번역, 요약, 코딩까지 여러 일을 하니까 이미 범용 아닌가 싶거든요.

그래서 비슷해 보이는 네 단어를 한 줄씩 나눠 두면 편해요. 아래 구분은 학계의 공식 분류라기보다 뉴스를 읽기 위한 실용 지도예요. 이 네 칸만 머릿속에 있어도 기사 절반은 정리돼요.

• 좁은 AI(특화 AI) — 바둑, 얼굴 인식, 스팸 거르기처럼 정해진 한 가지 일에 맞춰 만든 AI예요. 그 일은 사람보다 잘해도 다른 일로 옮겨 가지는 못해요.
• 범용 모델(파운데이션 모델) — 하나의 큰 모델이 글쓰기·요약·코딩 등 여러 일을 해내는 요즘 AI예요. 폭은 넓지만 처음 보는 일에서 흔들리거나, 긴 일을 스스로 끝까지 이어 가는 데는 한계가 있다는 지적이 꾸준히 나와요.
• AGI(범용인공지능) — 사람이 할 수 있는 폭넓은 지적 작업을, 처음 보는 상황까지 포함해 사람 수준으로 해내는 AI를 가리키는 목표 개념이에요. 어디까지를 '사람 수준'으로 볼지는 쓰는 사람마다 달라요.
• 초지능(ASI) — 거의 모든 영역에서 사람을 크게 뛰어넘는 AI를 가리키는 말이에요. AI 안전 논쟁에서 자주 등장하지만, 지금은 가설과 전망의 영역에 있는 개념이에요.

정의가 갈리는 네 가지 축을 알아 두세요

기사마다 AGI를 다르게 말하는 건, 대체로 아래 네 축 중 어디에 무게를 두느냐가 달라서예요. 어떤 기사가 '다가섰다'고 할 때 그 근거가 어느 축에 있는지 찾아보면, 주장의 크기를 스스로 가늠할 수 있어요.

막상 기사에 대입해 보면, '다가섰다'는 근거는 첫 번째 축인 폭에 몰려 있는 경우가 많아요. 새 모델이 더 많은 시험에서 좋은 점수를 받았다는 식이죠. 나머지 축은 재기가 어렵다 보니 기사에서 덜 다뤄지는 편이에요. 최근 AGI 기사에 '실제 세계 데이터와의 연결이 관건'이라는 문장이 자주 붙는 것도 네 번째 축이 아직 열린 과제라는 뜻으로 읽으시면 돼요.

• ① 폭 — 얼마나 여러 분야의 일을 할 수 있는가. 여러 과목 시험 점수나 다양한 작업 목록으로 재는 경우가 많아요.
• ② 적응 — 학습 때 보지 못한 새로운 문제를 얼마나 잘 푸는가. 외운 패턴이 아니라 처음 보는 규칙을 스스로 파악하는지를 따져요.
• ③ 자율 — 사람이 한 단계씩 지시하지 않아도 긴 일을 계획하고 끝까지 해내는가. AI 에이전트 이야기와 맞닿아 있어요.
• ④ 현실 연결 — 화면 속 문제를 넘어 센서·로봇·실제 데이터처럼 물리 세계와 이어져서도 제대로 작동하는가. 로봇과 자율주행 이야기가 AGI 기사에 함께 나오는 이유예요.
• 그 밖의 잣대 — '경제적으로 가치 있는 일을 사람만큼 해내는가'처럼 쓰임새로 정의하는 쪽도 있어요. 이 경우 기술 성능보다 산업에 미치는 영향 쪽에 무게가 실려요.

'다가섰다'는 문장을 읽는 다섯 단계 — 다른 글에서 잘 안 알려주는 부분

솔직히 말하면, AGI 기사는 제목만 보고 판단하기 가장 어려운 종류의 기사예요. 정의도 기준도 제각각이니까요. 그래서 제목의 결론보다 기사 안의 재료를 순서대로 확인하는 편이 훨씬 든든해요. 아래 다섯 단계는 어떤 AGI 기사에도 그대로 대입할 수 있어요.

• 1단계 — 누가 말했나요? 모델을 만든 회사, 외부 연구자, 투자자, 칼럼니스트는 서 있는 자리가 달라요. 발표 주체의 말은 '주장'으로, 외부 연구자의 검증은 '평가'로 나눠 읽어요.
• 2단계 — 어느 축의 이야기인가요? 폭·적응·자율·현실 연결 중 어디를 근거로 드는지 찾아요. 한 축의 진전을 AGI 전체의 진전처럼 넓혀 쓰는 문장이 꽤 많아요.
• 3단계 — 무엇으로 쟀나요? 벤치마크(성능 시험) 이름이 나오면 그 시험이 무엇을 재는지, 누가 만들었는지를 봐요. 시험 문제가 학습 데이터에 섞였을 가능성도 연구자들 사이에서 꾸준히 거론되는 쟁점이에요.
• 4단계 — 무엇이 빠졌나요? 기사가 스스로 한계를 적어 두는 경우가 많아요. '실제 환경에서는', '아직은', '관건은' 같은 표현 뒤에 오는 문장이 사실 가장 중요한 정보예요.
• 5단계 — 원문이 있나요? 논문, 기술 보고서, 공식 발표문이 있다면 그 문서의 결론과 한계 부분을 직접 읽어 보세요. 기사의 요약보다 훨씬 조심스럽게 쓰여 있는 경우가 많아요.

걱정과 기대는 이렇게 나눠 두면 마음이 편해요

AGI 기사를 읽고 나면 '그럼 내 일은 어떻게 되지?', '위험하진 않을까?' 같은 생각이 따라오기 쉬워요. 이런 마음은 아주 자연스러운 거예요. 다만 AGI라는 먼 목표에 대한 이야기와, 지금 손에 쥔 AI 도구에 대한 이야기는 나눠서 보시는 게 좋아요.

지금 우리가 쓰는 AI는 여전히 틀릴 수 있고, 확인이 필요한 도구예요. AGI 논쟁이 어떻게 흘러가든 오늘 할 일은 같아요. 답변의 근거를 확인하고, 중요한 정보는 원문과 대조하는 습관이에요. 이 기본기는 AI가 더 똑똑해져도 그대로 쓸모가 있어서, 한 번 익혀 두면 두고두고 든든해요.

근데 여기서 반전은, AGI 논쟁을 구조로 알아 두면 오히려 뉴스가 재미있어진다는 점이에요. 새 발표가 나올 때마다 '이번엔 어느 축에서 무슨 근거를 댔을까'를 찾아보는 식으로요. 불안하게 따라가던 뉴스가, 스스로 따져 보는 퍼즐로 바뀌어요.

이제 AGI 기사는 이렇게 읽으시면 돼요

AGI에는 합의된 정의와 공식 시험이 없으니, '다가섰다'는 문장은 판정이 아니라 주장으로 받아들이고, 그 주장이 어느 축에 기대고 있는지부터 찾으시면 돼요. 누가 말했는지, 무엇으로 쟀는지, 무엇이 빠졌는지까지 보면 기사 하나가 훨씬 또렷해져요.

처음엔 다섯 단계가 길어 보여도, 두세 번만 대입해 보면 제목을 보는 순간 질문이 자연스럽게 떠올라요. 이 습관 하나면 AGI 기사가 쏟아져도 휩쓸리지 않고 차분하게 따라갈 수 있어요. 기초가 더 궁금하시면 LLM 편과 AI 에이전트 편을, 안전 논쟁 쪽이 궁금하시면 'AI 개발 속도를 늦추자' 편을 이어서 보시면 좋아요.