인기 과학 데일리 뉴스레터를 구독하세요. 매주 6일, 혁신, 발견, DIY 팁이 제공됩니다. 인공 지능(AI) 모델의 발전은 종종 그들의 게임 능력으로 보여집니다. IBM의 딥 블루는 1997년 체스 마스터 가리 카스파로프를 이기며 세계를 놀라게 했으며, 거의 20년 후에는 구글의 알파고가 인간 챔피언을 이기며 불가능하다고 여겨졌던 바둑에서도 승리했습니다. 그 이후로 AI는 강화 학습 기법을 이용해 보드게임에서 비디오게임으로 진화했으며, 이 기술은 ChatGPT와 같은 챗봇을 훈련하는 데도 필수적입니다. 이를 통해 기계는 아타리 게임과 디오타 2, 스타크래프트 II 같은 복잡한 전략 게임도 정복할 수 있게 되었습니다. 하지만 AI는 아직도 다양한 오픈 엔드 게임을 빠르게 학습하는 데 어려움을 겪고 있는데, 이는 인간이 뛰어난 분야입니다. 익숙하지 않은 게임에 직면했을 때, 인간 플레이어는 빠르게 그 기본을 이해하는 반면, AI는 실패하는 경우가 많다는 것이 최근 NYU 컴퓨터 과학 교수 줄리안 토겔리우스와 동료들이 발표한 논문에서 드러났습니다. 이 차이는 인간 지능과 AI의 현재 능력 사이의 근본적인 차이를 보여주며, AI가 진정한 인간 수준의 지능에 도달하거나 이를 넘어서기 위해 아직 갈 길이 멀다는 것을 의미합니다. 오랫동안 게임은 AI 시험의 이상적인 장이 되어 왔습니다. 이는 규칙이 예측 가능하고 목표와 메커니즘이 명확하기 때문에 강화 학습과 잘 맞기 때문입니다. 이 방식으로 딥마인드의 2015년 아타리 게임 숙련은 가능해졌으며, 오늘날 큰 인터넷 데이터를 기반으로 훈련받는 대형 언어 모델에도 영향을 미쳤습니다. 그러나 이 모델들은 특정 과제에서만 뛰어난 성과를 내며, 게임 디자인이 조금만 변경되어도 AI의 성능이 흔들릴 수 있습니다.

AI는 특정 게임에서는 초인적인 능력을 보여줄 수 있지만, 즉흥적 대응에서는 한계가 있습니다. 이 한계는 현대 게임이 점점 더 자유롭고 추상적으로 변하면서 더욱 뚜렷해지고 있습니다. 체스와 달리, ‘레드 데드 리뎀션’과 같은 오픈 월드 게임들은 간단한 목표보다는 도덕적 딜레마를 갖는 복잡한 목적이 특징입니다. 인간은 직관적으로 이러한 뉘앙스를 이해하지만, 기계는 그렇지 못합니다. 심지어 ‘마인크래프트’와 같은 간단한 샌드박스 게임에서도, AI는 점프와 같은 기본 행동만 수행할 수 있지만 이를 맥락 없이 하는 경우가 많습니다. 저자들은 잘 설계된 게임이 인간의 직관, 상식, 그리고 오랜 세월의 삶 속에서 쌓인 경험과 밀접하게 맞아떨어진다고 강조합니다. 예를 들어, 영아는 약 18~24개월 무렵부터 경험만으로 사물을 인식하는 법을 배우지만, 기계는 훨씬 더 많은 지도가 필요합니다. 이 경험적 강점 덕분에 인간은 새로운 게임을 더 빠르게 배울 수 있습니다. 연구에 따르면, 호기심 기반 강화 학습 AI는 약 400만 번의 키 입력 또는 약 37시간 연속으로 플레이해야 게임을 끝낼 수 있는데 반해, 평균적인 인간 게이머는 10시간 이내에 새 기법을 익힙니다. 그럼에도 불구하고, AI는 전반적인 게임 플레이 능력에서 발전하고 있습니다. 2023년 구글 딥마인드는 ‘SIMA 2’를 선보였는데, 이는 기존 AI와 ‘제미니’라는 대형 언어 모델의 추론 능력을 결합한 것으로, 배운 적이 없는 3D 게임도 더 잘 이해하고 상호작용할 수 있게 했습니다. 하지만 토겔리우스와 동료들은 AI가 인간의 적응력에 아직 많이 뒤처져 있다고 경고합니다. 그들은 AI가 어떤 게임이든 사전 훈련 없이 상위 100개 게임을 플레이하고 승리할 수 있는 벤치마크를 제안하는데, 이는 사람이 하는 것과 비슷한 시간 내에 가능해야 한다고 봅니다. 이는 현재 AI 기술이 해결하거나 시도조차 하지 않는 매우 어려운 과제입니다. 이 수준의 일반화를 이루기 위해서는 AI가 진정한 창의력, 장기적 계획, 추상적 사고를 보여야 하며, 이는 인간 지능의 고유한 특성입니다. 궁극적으로, AI가 ‘인간 수준의 지능’에 도달하는 시험은 딥페이크 제작이나 얕은 소설 쓰기가 아니라, 다양한 게임을 인간과 비슷한 학습 속도와 이해력으로 마스터하는 능력일지도 모릅니다.