인공지능 데이터 시장 1000억 달러 규모 전망과 모델 확장 전략의 한계

주장전 오픈AI 연구원 앤드류 호는 대규모 언어 모델이 특정 분야에서 일관된 성능을 보이지 못하며 일반화 능력이 부족하다고 평가합니다. 그는 모델의 크기만 키우는 기존 확장 전략이 복잡한 실무 문제를 해결하는 데 한계가 있다고 분석합니다.

팩트앤드류 호는 오픈AI에서 8개월간 근무한 후 퇴사하여 데이터 전문 기업을 설립했습니다. 그는 인공지능 연구소들이 앞으로 타겟팅된 데이터 수집을 위해 1000억 달러 이상의 비용을 지출할 것으로 내다봅니다.

팩트현재 앤드류 호의 기업은 생물정보학 및 일상적인 실험실 업무를 위한 전문 데이터셋을 구축합니다. 생물정보학 분야에서 최신 모델인 지피티-5.6 솔(GPT-5.6 Sol)은 약 30퍼센트의 성공률을 기록합니다.

교차검증케임브리지 대학의 아담 헌트 연구원은 최신 인공지능 모델이 범용성을 잃고 특정 분야에만 과도하게 전문화된다고 분석합니다. 그는 프로그래밍 분야는 발전하지만 언어 품질이나 단순 논리 능력은 정체하거나 퇴보한다고 지적합니다.

팩트아담 헌트는 강화 학습이 명확한 보상 신호가 존재하는 코드 영역에서는 작동하지만 데이터가 부족한 다른 영역에서는 한계를 보인다고 설명합니다. 그는 대규모 언어 모델의 초기 성과가 진정한 이해가 아닌 방대한 텍스트 코퍼스 학습의 부작용일 가능성을 제기합니다.

주장구글 딥마인드의 톰 자하비는 모델이 연역과 귀납에는 능숙하지만 창의적인 가추법, 즉 선례가 없는 원인을 찾아내는 능력은 부족하다고 설명합니다. 그는 언어 모델이 단독으로 작동할 때 한계에 부딪히며 이를 해결하기 위해 행동 제어가 가능한 세계 모델이 필요하다고 제안합니다.

교차검증인공지능 모델이 학습 데이터를 단순히 재생산하는 것을 넘어 새로운 능력을 개발할 수 있는지에 대해서는 과학계의 의견이 엇갈립니다. 아담 헌트는 기술적 진보가 자신의 비관적 전망을 뒤집을 가능성을 약 40퍼센트로 평가합니다.

팩트앤드류 호는 오픈AI나 앤스로픽 같은 선도 기업들이 저렴한 경쟁 모델인 큐웬(Qwen)이나 키미(Kimi)에 대응하기 위해 막대한 자금을 쏟아붓고 있다고 언급합니다. 그는 이러한 구조가 만성적인 적자를 유발하며 지속 가능한 비즈니스 모델인지에 대해 회의적인 입장을 보입니다.

팩트앤드류 호의 기업은 앞으로 화학, 재료 과학, 헬스케어 및 광범위한 지식 노동 분야로 데이터셋 구축 범위를 확장할 계획입니다. 이는 인공지능이 실제 산업 현장에서 신뢰성 있게 작동하기 위한 필수적인 단계로 평가받습니다.

주장인공지능 산업의 성패는 모델의 규모 경쟁을 넘어 고품질의 특화 데이터를 얼마나 확보하느냐에 달려 있습니다. 산업 현장의 복잡성을 이해하는 데이터셋 구축이 기술적 난제를 해결하는 열쇠가 될 전망입니다.

교차검증다만 데이터의 양적 확보가 곧바로 모델의 지능적 도약으로 이어질지는 미지수입니다. 데이터의 품질과 모델의 구조적 한계가 상호 보완적으로 해결되어야 실질적인 산업 적용이 가능합니다.

출처더 디코더(The Decoder) 보도 내용과 앤드류 호, 아담 헌트, 톰 자하비의 연구 자료를 교차 검증했습니다.