인공지능, ‘튜링 테스트’에서 인간에 압승했다
인공지능이 사람과 얼마나 비슷하게 사고하는지를 평가하는 ‘튜링 테스트’에서 인공지능이 인간을 압도했다는 내용을 다루고 있습니다. 샌디에이고 캘리포니아대(UCSD) 연구진은 4가지 인공지능 모델을 대상으로 튜링 테스트를 진행한 결과, 오픈에이아이의 생성형 거대언어모델(LLM) 지피티4.5(GPT 4.5)가 사람보다 훨씬 더 높은 비율로 ‘사람 같다’는 평가를 받았다고 발표했습니다. 이번 시험에 사용한 인공지능 모델은 엘리자(ELIZA), 지피티포오(GPT-4o), 지피티4.5(GPT4.5), 라마3.1(LLaMa-3.1-405B)입니다.
연구진은 300명의 참가자를 대상으로 온라인을 통해 8라운드 1023회에 걸쳐 5분씩 대화하는 실험을 진행했습니다. 인공지능에겐 몰인격형과 인격형 두 가지 유형의 지시가 주어졌는데, 지피티4.5 모델은 인격형 대화에서 73%의 비율로 ‘사람 같다’는 평가를 받아 경쟁자인 사람을 압도했습니다.
튜링 테스트가 지능에 대한 테스트가 아니라 인간과 비슷한지에 대한 테스트이며, 인공지능이 튜링 테스트를 통과했다는 것은 짧고 일상적인 대화에서 사람 흉내를 내는 능력이 더 좋아졌다는 것을 의미한다고 설명합니다. 또한, 지피티4.5가 보여준 높은 수준의 소통 능력은 심리 상담이나 교육 등의 분야에서 유용하게 활용될 수 있지만, 인공지능의 답변 생성 과정이 불투명한 상태에서 사람들이 인간과 기계를 확실하게 구별할 수 없게 되면 새로운 사회적 문제가 발생할 수도 있다고 지적합니다.
인공지능의 발전이 인간과의 상호작용에 어떤 영향을 미칠지에 대한 논의를 제시합니다. 인공지능이 사람과 더욱 유사하게 대화할 수 있게 되면서, 인간과 기계의 경계가 모호해지고 새로운 사회적 문제가 발생할 수 있다는 점을 시사합니다. 또한, 인공지능이 사람과 유사한 대화 능력을 갖게 되면서, 심리 상담이나 교육 등의 분야에서 유용하게 활용될 수 있다는 점도 시사합니다.
[김호광 칼럼] 인공지능은 자살이 우려되는 사람을 어떻게 찾고 살릴 수 있을까?
이 기사는 인공지능이 자살 위험이 있는 사람들을 어떻게 찾고 도울 수 있는지에 대한 김호광 대표의 칼럼입니다.
- SNS 기업들이 사회적 책임을 가지고 우울증, 자살 우려 등에 대해 적극적으로 개입해야 함을 강조합니다.
- 최근 미스코리아 출신의 청년의 자살 사례를 언급하며, 유명인의 자살이 또래 집단에 미치는 영향에 대해 이야기합니다.
- SNS의 발달로 인해 사람들이 사회적 압력을 느끼고 우울증이 증가하는 현상에 대해 설명합니다.
- 인공지능 기술을 활용하여 자살 관련 포스팅을 사전에 탐지하고 차단하거나, 심리적으로 불안한 상태의 영상이나 사진을 감지하여 지인에게 알리는 시스템을 제안합니다.
- 블록체인 기술을 활용하여 악의적인 메시지를 올리는 사람들을 제재하고, SNS 내에서 개인의 존엄을 훼손하는 사람들을 배제하는 방안을 제시합니다.
SNS는 사람들에게 사회적 압력과 우울증을 유발할 수 있으며, 이는 자살로 이어질 수 있습니다. 인공지능 기술은 자살 위험이 있는 사람들을 식별하고 돕는 데 유용하게 사용될 수 있습니다. SNS 기업들은 사회적 책임을 가지고 자사 플랫폼에서 발생하는 문제에 대해 적극적으로 대처해야 합니다.
AI가 모든 걸 한다면, 디자이너는 왜 존재해야 할까?
이 기사는 “AI가 모든 걸 한다면, 디자이너는 왜 존재해야 할까?”라는 질문을 던지며, AI시대에 디자이너의 역할에 대해 논하고 있습니다.
AI가 디자인 작업의 많은 부분을 자동화할 수 있지만, 디자이너의 창의성, 문제 해결 능력, 그리고 인간적인 감성은 여전히 중요하다고 강조합니다. 또한, 디자이너는 AI를 도구로 활용하여 더욱 효율적이고 혁신적인 디자인을 할 수 있다고 이야기합니다.
‘도구 사용 중심’ AI 에이전트 프레임워크 등장…”처음 보는 도구도 적절하게 활용”
AI 에이전트의 LLM 외부 도구 사용 능력에 초점을 맞춘 새로운 프레임워크인 ‘도구의 사슬(CoTools)’에 대해 다룹니다.
- 새로운 프레임워크의 등장: LLM이 훈련되지 않은 도구도 사용할 수 있도록 지원하는 ‘도구의 사슬’이 개발되었습니다.
- 핵심 기술: ‘맥락 내 학습(ICL)’을 활용하여 LLM이 다양한 도구를 추론 프로세스 내에서 직접 활용하도록 합니다.
- 프레임워크 구성: 도구 판단기, 도구 검색기, 도구 호출의 세 가지 모듈로 구성되어 LLM의 핵심 기능을 보존하면서 새로운 도구를 유연하게 사용할 수 있습니다.
- 벤치마크 결과: ‘라마 2-7B’에 적용한 결과, 챗GPT와 비슷한 성능을 보였으며, 복잡한 함수 사용 능력과 도구 선택 정확도에서 뛰어난 결과를 나타냈습니다.
- 활용 가능성: ‘모델 컨텍스트 프로토콜(MCP)’을 통해 외부 도구와 리소스를 애플리케이션에 쉽게 통합할 수 있어 AI 에이전트 개발 및 배포에 유용할 것으로 기대됩니다.
이 프레임워크는 LLM이 외부 도구를 사용하는 데 있어 유연성과 효율성을 높여 AI 에이전트의 활용 범위를 넓힐 수 있음을 보여줍니다. 특히, 훈련되지 않은 도구도 사용할 수 있다는 점은 AI 에이전트가 다양한 실제 환경에서 더욱 효과적으로 작동할 수 있도록 합니다.