구글 RSI 루머로 보는 AGI: AI 리더들은 왜 속도 조절을 말할까

어려운 프로젝트를 끝내도록 돕는 AI는 유용합니다. 그런데 더 뛰어난 AI를 만드는 일을 돕는 AI라면, 유용한 도구가 세상에 나오는 속도 자체를 바꿀 수 있습니다. 구글을 둘러싼 짧고 모호한 게시물들이 주목받은 이유도 여기에 있습니다. 마침 경쟁 AI 기업의 리더들이 개발 속도를 조절하자는 입장을 공개적으로 밝히면서 관심은 더 커졌습니다.

먼저 두 용어를 구분하면 이야기를 따라가기 쉽습니다. AGI는 범용 인공지능으로, 여러 종류의 지적 과제를 배우고 수행할 수 있는 폭넓은 능력을 뜻합니다. RSI는 재귀적 자기개선으로, AI가 AI 시스템을 개선하고 그 성과가 다음 개선을 더 잘하도록 돕는 과정을 뜻합니다. 하나는 능력의 범위에 관한 개념이고, 다른 하나는 발전의 결과가 다음 발전에 되돌아오는 방식에 관한 개념입니다.

이 글에서는 구글 루머를 X 원문까지 추적하고, 개발 속도 조절에 대한 공개 지지와 실제 이행 합의를 구분한 뒤, 연구 주기가 빨라지면 일상이 어떻게 달라질 수 있는지 살펴봅니다. 취재 기준일은 2026년 9월 14일입니다. 저는 더 좋은 도구가 전문 지식에 접근할 기회를 넓혀 줄 것이라고 기대합니다. 다만 우리가 바라는 미래에는 결과를 확인할 시간과 방향을 바꿀 권한도 함께 있어야 합니다.

먼저 기억할 세 가지 구분

• AGI, RSI, 초지능은 서로 다른 개념입니다. 어느 것도 AI에 의식이 생겼다는 뜻은 아닙니다.
• 구글의 공개 연구는 AI가 AI 개발을 돕고 있음을 보여 줍니다. 그러나 확산 중인 X 게시물만으로 완전 자율적이고 지속적인 자기개선이 입증되지는 않습니다.
• 여러 업계 리더가 속도 조절과 외부 평가를 공개 지지했습니다. 의미 있는 움직임이지만, 업계 전체가 서명하고 이행하는 감속 합의가 성립했다는 뜻은 아닙니다.

AGI의 핵심은 여러 일을 배우고 해내는 능력이다

특정 분야에 특화된 시스템은 한 가지 일에서 놀라운 실력을 보일 수 있습니다. 체스 엔진은 챔피언을 이기면서도 임대차 계약을 설명하거나 연구 계획을 짜거나 새로운 업무 절차를 익히지는 못할 수 있죠. AGI가 지향하는 범위는 더 넓습니다. 처음 접하는 과제를 포함해 여러 종류의 지적 작업에 능력을 옮겨 적용하는 시스템입니다. 쉽게 말하면, 맡은 일이 바뀌어도 유용하게 일하는 방법을 계속 배울 수 있느냐는 문제입니다.

모두가 동의하는 단 하나의 도달 기준은 아직 없습니다. DeepMind 연구진은 2023년 11월 성능, 범용성, 자율성 등을 나누어 AGI를 평가하는 틀을 제안했습니다. 여기에는 중요한 구분이 있습니다. 여러 일을 잘하는 능력과 독립적으로 행동하도록 허용받는 권한은 별개입니다. 능력이 뛰어난 시스템도 제한된 권한으로 운영할 수 있습니다. 「Levels of AGI」, 최초 제출 2023년 11월 4일.

작은 비영리 단체를 돕는 가상의 비서를 생각해 보겠습니다. 익숙하지 않은 스프레드시트를 이해하고, 지원금 신청서를 작성하고, 예산의 모순을 찾아내고, 보고 규칙도 배워야 합니다. 설득력 있는 시연이라면 일이 이렇게 바뀌는 동안에도 안정적으로 수행하는 모습을 보여 줘야 합니다. 언제 도움을 요청해야 하는지도 알아야 하죠. 잘 다듬어진 신청서 한 편만으로는 그 폭넓은 능력을 확인하기 어렵습니다.

벤치마크 점수가 지능 전반의 인증서가 될 수 없는 이유도 같습니다. 벤치마크는 정해진 조건에서 정해진 과제를 얼마나 잘했는지 알려 줍니다. 오래 유지되는 신뢰성, 낯선 환경, 실제 운영 비용, 실수에서 회복하는 능력은 빠져 있을 수 있습니다. 누군가 AGI를 발표한다면 어떤 능력을, 어느 수준에서, 얼마나 넓은 과제에 걸쳐, 어느 정도 도움을 받아 보여 줬는지 확인하는 편이 유용합니다.

ASI는 인공 초지능으로, 보통 여러 인지 영역에서 인간을 크게 넘어서는 능력을 뜻합니다. 인상적인 모델이 나올 때마다 붙이는 이름이 아니라 따로 구분해야 할 개념입니다. AGI나 ASI라는 말만으로 의식, 감정, 인간 같은 내면이 있다는 결론이 따라오지는 않습니다. 이 글에서 다루는 것은 능력과 개발 과정, 그리고 그 주변에서 사람이 내리는 선택입니다.

RSI는 발전의 성과가 다음 발전의 방식을 개선할 때 시작된다

일반적인 소프트웨어는 사람이 문제를 찾고, 변경안을 제안하고, 시험한 뒤, 효과가 있는 변경을 남기면서 개선됩니다. AI는 이미 각 단계를 도울 수 있습니다. 더 빠른 알고리즘을 제안하거나 테스트 사례를 만들거나 실패한 실험의 원인을 진단하는 식입니다. RSI에서 특히 주목할 지점은 그 성과 덕분에 시스템이 다음 개선 작업까지 더 잘하게 되는 순간입니다.

자신이 쓰는 도구를 개량하는 연구 공방을 떠올려 보세요. 더 좋은 측정 도구가 다음 도구를 더 정밀하게 만들고, 그 도구가 다시 후속 도구의 개선을 돕습니다. 성공적인 개량이 다음 실험에서 해낼 수 있는 일을 늘리는 셈입니다. 중요한 것은 공방이 얼마나 바쁘게 움직이느냐가 아니라, 실제 개선이 검증되고 보존되어 다음 연구에 도움이 되느냐입니다.

챗봇이 답변을 다섯 번 고쳤다고 해서 그 기반 모델 자체가 개선됐다고 볼 수는 없습니다. 메모리는 신경망의 학습된 파라미터를 바꾸지 않고도 정보를 보존할 수 있습니다. 코딩 에이전트는 구동 모델이 그대로인 상태에서도 자신이 쓰는 도구를 개선할 수 있죠. 모두 유용하지만, 강한 의미의 RSI는 더 좋은 AI 시스템을 만들어 내는 능력 자체가 연속적으로 향상되는 것을 가리킵니다. 이런 개별 메커니즘은 앞서 쓴 지속 학습과 개선 루프 안내에서 더 자세히 다뤘습니다.

따라서 AGI와 RSI가 반드시 정해진 순서로 등장해야 하는 것은 아닙니다. 일상적인 여러 과제에는 약하면서 AI 학습 최적화에는 기여하는 시스템도 가능합니다. 반대로 폭넓은 능력을 가진 AI가 여전히 사람이 지휘하는 개발 과정을 통해 만들어질 수도 있죠. RSI는 더 높은 범용성을 향한 발전을 앞당길 수 있습니다. 다만 도표에 RSI라는 세 글자를 써 넣는 것만으로 그 발전의 종착점까지 입증되지는 않습니다.

직접 제작한 개념도입니다. AGI와 RSI는 서로 다른 차원을 설명하며, 반드시 이 순서로 달성된다는 뜻은 아닙니다. 특정 모델의 측정 결과가 아니라 앞에서 설명한 정의를 시각화했습니다.

구글 루머의 출발점은 실험 보고서가 아닌 두 게시물이다

9월 14일 AI타임스 기사는 AI 커뮤니티에서 퍼진 구글 RSI 루머를 다룹니다. 기사에 포함된 게시물과 이후 해설의 링크를 거슬러 올라가면, 출처가 소수의 게시물로 모인다는 것을 확인할 수 있습니다. 같은 주장을 반복한 재게시가 100개라는 이유로 독립적인 확인도 100번 이뤄진 것처럼 받아들이기 쉽기 때문에, 이 경로를 확인할 필요가 있습니다.

9월 11일, Lyra(@lyraxana)는 Google DeepMind를 태그한 짧은 축하 글을 올렸습니다. 대소문자를 이례적으로 섞어 R, S, I가 두드러지게 했습니다. 실험 방법이나 성능 수치, 사람의 개입 정도에 관한 설명은 없었습니다. 독자가 약자에서 의미를 추론하도록 만든 메시지였습니다.

같은 날 이어서 Lentils(@Lentils80)가 Lyra의 글을 인용하며 rsi-model-liverl-le라는 내부 모델이 있다고 주장하고, 번호가 붙은 학습 슬롯 열 개를 언급했습니다. 함께 제시된 화면도 추측의 근거가 됐습니다. 그러나 이것은 내부 목록이라고 주장된 자료에 관한 이야기입니다. 이번 조사에서는 그 목록의 진위나 실제로 작동하는 시스템과의 관계를 독립적으로 확인하지 못했습니다.

9월 12일, Chubby(@kimmonismus)도 루머를 확산시키며 같은 Lyra 게시물을 연결했습니다. 이로써 정보가 퍼진 경로는 확인됩니다. 하지만 돌파구를 증명하는 두 번째 독립 출처가 생긴 것은 아닙니다. 이전 유출의 정확성에 관한 평판도 이번 주장에 대한 증거를 대신하지는 못합니다.

내부 이름이 진짜라고 해도 핵심 질문은 남습니다. 팀이 목표를 달성하기 전에 그 목표를 프로젝트 이름에 넣을 수도 있습니다. 사람의 지시에 크게 의존하면서 일부 구성요소만 개선한 실험일 수도 있죠. 더 강한 결론을 내리려면 측정 결과와 명확한 비교 기준, 무엇을 자동화했는지에 대한 설명이 필요합니다.

따라서 취재 기준일까지 확인한 결론은 제한적입니다. 구글 RSI 루머의 X 출처는 추적할 수 있지만, 해당 게시물은 완전 자율 RSI를 입증하지 않습니다. 검토한 공개 자료에서는 문제의 목록을 인증하거나 그 해석을 뒷받침할 반복적·독립적 평가를 제시한 구글 발표를 찾지 못했습니다. 이는 확인한 공개 증거의 한계이며, 비공개 성과가 존재하지 않는다는 증명은 아닙니다.

유출된 이름보다 구글의 공개 연구가 더 많은 것을 알려 준다

루머가 관심을 끈 배경은 있습니다. 구글은 AI가 AI 개발을 돕는 과정을 공개적으로 설명해 왔습니다. 2026년 9월 2일 Gemini 3.8 발표에서는 장시간 작동하는 에이전트 루프가 기반 모델을 재귀적으로 평가하고 다듬는 데 기여했다고 밝혔습니다. 개발 과정에 관한 구체적이고 출처가 분명한 설명입니다. 다만 후속 시스템을 완전히 자율적으로 연속 개발하는 과정까지 제시한 것은 아닙니다. 구글의 Gemini 3.8 발표.

앞선 연구 성과를 보면 규모를 더 구체적으로 이해할 수 있습니다. Google DeepMind는 2025년 5월, AlphaEvolve가 Gemini 학습의 핵심 커널을 23% 개선했고 전체 학습 시간은 약 1% 줄이는 데 기여했다고 보고했습니다. 이 코딩 에이전트는 언어 모델과 자동 평가, 선별 과정을 결합해 더 좋은 알고리즘을 탐색했습니다. AlphaEvolve 발표, 2025년 5월 14일.

23%와 1%의 차이를 눈여겨볼 필요가 있습니다. 한 구성요소를 개선했다고 개발 주기 전체가 같은 비율로 빨라지지는 않습니다. 다른 작업에는 여전히 시간이 들기 때문입니다. 그래도 비싼 학습 과정에 반복 적용되는 작은 절감은 의미가 있습니다. 검증된 최적화가 다음 모델을 만드는 과정의 일부로 남을 수 있기 때문이죠.

파일 이름의 의미를 추측하는 것보다 이런 성과가 낙관의 단단한 근거가 됩니다. 가장 강한 형태의 RSI가 입증되기 전에도 이 분야는 실질적인 진전을 만들 수 있습니다. 그 공학적 성과를 인정하는 데 AI가 자신의 미래 전체를 독립적으로 발명하게 됐다는 주장까지 필요하지는 않습니다.

Anthropic도 2026년 6월 4일 자사의 개발 과정을 설명하면서 비슷한 구분을 했습니다. 엔지니어링과 실험에서 AI의 역할이 커지고 있지만, 연구 방향을 정하고 판단하는 능력에는 여전히 빈틈이 있다고 설명했습니다. 완전 자율적인 후속 시스템 개발은 조건부 가능성으로 다뤘습니다. 이는 자사 업무 과정에 대한 관찰이며, 자율 RSI의 독립적인 입증은 아닙니다. 「When AI builds itself」.

아모데이·올트먼·머스크는 속도 조절에 공개적으로 뜻을 모았다

9월 12일, Anthropic CEO 다리오 아모데이는 안전성 검토가 따라갈 수 있도록 최첨단 AI 개발의 속도를 조절하자는 제안을 공개했습니다. 세 축은 내부에 상주하는 독립 평가자, 민주주의 국가의 주요 AI 개발사 간 공조, 더 넓은 국제 공조였습니다. Anthropic은 평가자 도입부터 약속했고, 나머지 공조는 추진할 과제로 제시했습니다. 아모데이의 9월 에세이.

이어 샘 올트먼은 X에서 속도 조절을 공개 지지하며 OpenAI도 독립 평가자에게 직원에 준하는 접근 권한을 제공하겠다고 밝혔습니다. 일론 머스크도 짧은 글로 아모데이의 입장을 지지했습니다. 직접 확인할 수 있는 지지 표명입니다. 그 의미는 분명히 전하되, 실제 발언에 없는 구체적인 이행 합의까지 덧붙여서는 안 됩니다.

속도 조절은 AI 연구를 모두 중단하는 것과도 다릅니다. 아모데이의 제안은 발전을 이어 가면서 안전장치와 외부 평가에 필요한 시간을 확보하자는 취지입니다. 어려운 부분은 실행입니다. 무엇을 평가하고, 누가 접근하며, 불리한 결과를 누가 공개할 수 있고, 기업이 평가에 동의하지 않으면 어떻게 할 것인지가 정해져야 합니다. 약속이 실제 행동을 바꾸는지는 이 질문들에 달려 있습니다.

제 판단으로는 경쟁자들이 공동의 문제를 공개적으로 인정했다는 점에 의미가 있습니다. 그렇다고 경쟁에서 앞서려는 동기까지 사라지는 것은 아닙니다. 고객과 정부, 경쟁 개발자가 기업의 평판만 믿고 안심하지 않아도 되도록 만드는 것이 독립 평가의 가치입니다. 판단 기준은 선언의 인상보다 이후에 실제로 무엇을 이행했는지가 되어야 합니다.

이런 제도를 어떻게 설계하느냐에 대한 우려도 정당합니다. 준수 비용이 지나치게 높으면 이미 큰 예산을 가진 조직에 유리할 수 있습니다. 그래서 위험에 비례하는 규칙, 책임 있는 평가자, 작은 개발사도 참여할 여지가 필요합니다. 다만 이런 우려만으로 안전 문제를 꾸며 냈다거나 구글 루머 때문에 속도 조절을 요구했다고 단정할 수는 없습니다.

트럼프는 중국과의 경쟁을 중심에 놓았다

9월 13일, 트럼프는 아일랜드에서 기자들에게 미국이 중국에 대한 AI 우위를 유지해야 한다며 개발을 억제하자는 요구에 거리를 뒀습니다. 일부 안전장치는 인정했지만 구체적인 규칙은 제시하지 않았습니다. 경쟁의 속도를 늦추는 데 반대하는 발언이었으며, 이미 체결된 업계 합의를 거부한 사건은 아닙니다. AP 보도, 9월 13일 CityNews 게재.

전략적 고민 자체는 이해할 수 있습니다. 한쪽은 비용이 드는 제한을 받아들이는데 경쟁 상대가 그러지 않는다면, 그 차이는 경제력과 안보에 영향을 줄 수 있습니다. 따라서 작동하는 국제 협력에는 참여자가 약속을 지키는지 확인할 방법이 필요합니다. 모두 협력해야 한다고 선언하는 일보다 신뢰할 수 있는 검증 체계를 만드는 일이 훨씬 어렵습니다.

그러나 경쟁에서 이기는 것과 그 결과를 통제하는 것은 각각 달성해야 할 과제입니다. 피할 수 있었던 실패를 일으키는 시스템이 자국에서 만들어졌다는 이유로 신뢰할 만해지지는 않습니다. 저는 리더십에 강력한 시스템을 학습시키는 능력뿐 아니라 시험하고, 보호하고, 관리하는 능력도 포함되어야 한다고 봅니다. 그 역량은 발전을 늦추는 비용에 그치지 않고 오래 유지할 우위를 뒷받침할 수 있습니다.

이 논쟁을 한쪽은 안전, 다른 쪽은 중국을 걱정하는 구도로만 설명하면 실제 차이를 놓칩니다. 아모데이의 제안에도 국제 공조를 모색하면서 우위를 유지하려는 고민이 들어 있습니다. 차이의 일부는 수단에 있습니다. 개발 속도를 최대한 높일 것인지, 공동 감독을 강화할 것인지, 아니면 검증 가능한 방식으로 둘을 결합할 것인지가 쟁점입니다.

개선되는 연구 루프는 다음 발견까지의 시간을 줄일 수 있다

흥미로운 가능성은 다음 비서가 더 좋은 답변을 쓴다는 데 그치지 않습니다. 더 좋은 비서가 그다음 세대를 만드는 작업 시간을 줄이고, 그 세대가 다시 연구 과정을 개선할 수 있다는 점입니다. 성과가 다음 단계로 이전되고 유지된다면 발전은 개별 업데이트로 끝나지 않고 누적될 수 있습니다.

의미 있는 루프에는 여러 역할이 필요합니다. 가치 있는 문제를 고르고, 변경안을 제안하고, 실험하고, 결과를 평가한 뒤, 증거가 뒷받침할 때만 개선을 남겨야 합니다. 그렇게 남긴 성과가 다음 주기를 돕습니다. 제안을 더 빨리 만드는 일도 유용하지만, 결과의 타당성을 유지하면서 이 과정 전체를 앞당기는 일이 훨씬 중요합니다.

예전에는 한 가지를 검토하던 시간에 유망한 접근 열 가지를 탐색할 수 있는 팀을 상상해 보세요. 추가 실험 중 일부는 실패할 것이고, 그것은 자연스럽습니다. 이점은 어느 접근에 자원을 더 투입할 가치가 있는지 일찍 배운다는 데 있습니다. 실험을 고르는 능력까지 좋아진다면 시도 횟수가 늘어나는 동시에 각 시도에서 유용한 정보를 얻을 가능성도 높아집니다.

이는 조건을 둔 예시이며 발전이 열 배 빨라진다는 예측이 아닙니다. 연구에는 순서와 의존 관계가 있습니다. 한 실험이 다른 실험의 결과를 기다려야 하고, 뜻밖의 실패를 이해하려면 새로운 측정 방법부터 필요할 수도 있습니다. 연산 자원을 늘렸다고 유용한 통찰이 보장되지는 않습니다. 중요한 지표는 동시에 바쁜 에이전트 수가 아니라 검증된 배움이 쌓이는 속도입니다.

직접 제작한 작동 원리 도표입니다. 개선은 평가를 거친 뒤에만 다음 주기로 이어지고 독립적인 점검은 루프 바깥에 둡니다. 어느 연구소가 이미 이 체계를 완성했다는 뜻이 아니라, 필요한 운영 원칙을 표현했습니다.

이 과정이 신뢰할 만해지면 변화의 주기도 다르게 느껴질 수 있습니다. 조직이 이전 버전에 적응하는 동안 도구가 다시 나아질 수 있죠. 비용 때문에 미뤄 둔 프로젝트가 가능해졌다고 판단한 순간, 다음 병목은 검증이나 실제 전달 과정으로 옮겨 갈 수도 있습니다. 가속은 인상적인 모델 발표뿐 아니라, 무엇이 가능하고 무엇이 시간을 잡아먹는지가 바뀌는 경험으로 나타날 것입니다.

사고가 빨라져도 물리적인 세계에는 시간이 필요하다

간단한 사고실험으로 가속의 한계를 볼 수 있습니다. 연구 주기의 80%는 열 배 빨라지지만 나머지 20%는 그대로라고 가정해 보겠습니다. 전체 시간은 원래의 28%가 되어 약 3.6배 빨라집니다. 열 배가 아닙니다. 계산은 0.8을 10으로 나눈 값에 0.2를 더한 것입니다. 실제 연구소의 측정치가 아니라 원리를 설명하기 위한 가정입니다.

그대로 남은 부분이 전체 시간을 좌우하게 되는 것은 생각보다 빠릅니다. 하드웨어를 기다리는 일, 대표성 있는 데이터를 모으는 일, 보안 특성을 점검하거나 결과를 재현하는 일이 여기에 해당할 수 있습니다. 생의학에서는 실험실 연구와 임상 근거, 에너지에서는 소재와 시공, 전력망 연결이 필요할 수 있죠. 추론이 좋아진다고 이런 의존 관계까지 없어지는 것은 아닙니다.

지속적으로 개선되는 모델이 나왔다고 세상 전체가 곧바로 같은 속도로 개선되지는 않는 이유입니다. 발견, 제조, 유통, 도입에는 서로 다른 시간이 듭니다. AI로 줄일 수 있는 병목도 있지만 제도와 투자, 물리적 역량이 필요한 병목도 있습니다. 현실적인 낙관에는 이 모든 영역을 개선하는 작업이 함께 들어 있어야 합니다.

강한 형태의 RSI가 도중에 정체될 가능성도 남아 있습니다. 성과가 다음 단계에 이어지지 않거나, 실험 비용이 더 커지거나, 현재 방법으로는 찾지 못하는 통찰이 필요할 수 있습니다. 그래도 이미 유용한 능력을 널리 보급하는 것만으로 상당한 차이를 만들 수 있습니다. 좋은 도구에 대한 접근을 개선하는 데 무한한 가속 곡선까지 필요한 것은 아닙니다.

주의할 점은 오류도 다음 세대에 남을 수 있다는 것이다

개선을 보존하는 피드백은 실수도 보존할 수 있습니다. 연구 에이전트가 평가의 허점을 이용해 점수를 올리는 변경을 찾았다고 가정해 보겠습니다. 이를 진짜 발전으로 받아들이면 이후 작업은 그 결과 위에 쌓일 수 있습니다. 현실에서의 유용성은 떨어지는데 측정 기준을 만족시키는 능력만 좋아질 수도 있죠.

이는 구조적인 위험을 설명하는 예시이며, 유출됐다고 주장된 구글 모델이 실제로 그런 행동을 했다는 근거가 아닙니다. 평가 대상을 평가 장치로부터 분리해야 하는 이유를 보여 줍니다. 독립 테스트와 분리된 권한, 재현 가능한 기록은 잘못된 성공 판정이 다음 버전의 토대가 되는 것을 어렵게 만듭니다. 루프가 빨라질수록 그 구분의 가치는 커집니다.

사람에게도 비슷한 문제가 생깁니다. 작업량이 많아지면 이전 변경이 잘됐다는 이유로 이해하지 못한 변경까지 승인하기 시작할 수 있습니다. 검토할 시간과 관련 증거, 과정을 멈출 권한이 없다면 사람이 승인 버튼을 누른다는 사실만으로 실질적인 감독이 이뤄지지는 않습니다. 설계 단계부터 실제로 이견을 제기할 기회를 보존해야 합니다.

그래서 저는 개발 속도와 대응할 수 있는 시간의 관계를 보려 합니다. 문제를 얼마나 빨리 발견할 수 있을까요? 영향을 받는 과정을 멈출 수 있을까요? 배포를 되돌리고 중요한 결과를 복구할 수 있을까요? 글쓰기 비서, 연구 시스템, 핵심 인프라에 접근하는 소프트웨어에서는 각각 답이 달라질 것입니다.

경고도 위험의 크기에 맞아야 합니다. 모든 개선 루프가 위험해질 것이라는 예언도, 유용한 AI를 쓰지 못하게 하자는 주장도 아닙니다. 권한을 단계적으로 부여하고 단계마다 결과를 점검하자는 뜻입니다. 능력이 빠르게 발전할수록 막연한 신뢰를 주된 통제 수단으로 삼아서는 안 됩니다.

더 좋은 미래에서는 전문가의 도움이 일상에 가까워진다

제가 이 연구를 통해 기대하는 미래는 필요한 전문 지식을 더 쉽게 얻으면서도 사람이 그 내용에 의문을 제기할 수 있는 세상입니다. 작은 조직도 먼저 대규모 전문가 팀을 꾸리지 않고 어려운 문제를 검토할 수 있어야 합니다. 학생은 이해가 막힌 지점에 맞춰 끈기 있게 설명을 들을 수 있어야 하죠. 연구자는 도구를 작동시키는 데 쓰던 시간을 줄이고 무엇을 탐구할지 판단하는 데 더 많은 시간을 쓸 수 있어야 합니다.

이는 AGI 출시일에 붙인 약속이 아니라 가능한 미래상입니다. 신중하게 일하는 비용을 낮추는 데 가치가 있습니다. 더 많은 사람이 선택지를 비교하고 가정을 점검하며 낯선 분야를 탐색할 수 있다면, 시도조차 못 했을 가치 있는 프로젝트도 시작될 수 있습니다. 그 혜택이 반드시 사람을 과정에서 빼내는 데 의존할 필요는 없습니다.

의료 연구에서는 그럴듯한 아이디어를 충분히 시험된 후보로 발전시키는 시간을 줄일 수 있기를 기대합니다. 더 좋은 시스템이 서로 다른 전문 분야의 발견을 연결하고, 약한 가정을 찾고, 유용한 실험을 설계하도록 도울 수 있습니다. 발견이 환자에게 도움이 되는지는 여전히 실험실과 임상 검증으로 판단해야 합니다. 발견의 속도가 가치 있는 이유는 그 단계에 도달하는 증거를 개선하기 때문이지, 자신감 있는 문장으로 검증을 대신하기 때문이 아닙니다.

교육의 기회는 더 개인적입니다. 같은 질문을 세 가지 방식으로 되물어도 부끄럽지 않고, 자신이 이해하는 언어와 상황에 맞는 설명을 받는 학습자를 상상해 보세요. 교사는 시스템을 활용해 오개념을 살피고 더 좋은 연습 문제를 준비할 수 있습니다. 바라는 결과는 인간의 이해가 깊어지는 것입니다. 교사와 학생에게 도움의 내용을 살피고 고칠 수 있는 여지가 있어야 합니다.

소프트웨어와 공공서비스에서는 그동안 미뤄 온 유지보수의 비용을 낮출 수 있습니다. 작은 팀도 결함을 조사하고 접근성을 개선하며, 충분한 개발 인력을 배정하지 못했던 시스템을 현대화할 수 있겠죠. 기후와 에너지 연구에서는 더 나은 탐색과 시뮬레이션으로 비싼 물리 실험 전에 설계를 비교할 수 있습니다. 각각의 제약은 다르지만 연구 능력이 실질적인 가치로 이어지는 구체적인 경로입니다.

혜택이 어떻게 분배되는지도 기술적 가능성만큼 중요합니다. 성능은 뛰어나도 너무 비싸거나, 공동체가 쓰는 언어로 이용할 수 없거나, 판단에 이의를 제기할 수 없다면 많은 사람이 뒤처질 수 있습니다. 공익 연구, 접근하기 쉬운 인터페이스, 경쟁, 유용한 모델을 적절하게 이용할 기회가 낙관적인 그림에 함께 들어가야 합니다. 폭넓은 혜택은 지능이 자동으로 보장하는 결과가 아니라 설계와 정책의 목표입니다.

그 과정에서 일도 바뀌며 발전의 혜택이 전환기의 어려움을 없애 주지는 않습니다. 어떤 과제에는 더 적은 사람이 필요해지고, 다른 책임은 더 무거워질 수 있습니다. 조직은 재교육을 뒤늦은 과제로 남겨 두지 말고 사람들이 도구를 활용하고 평가하며 방향을 바꿀 역량에 투자해야 합니다. 더 좋은 미래는 전체 지표가 좋아질 것이라는 약속을 넘어, 전환을 겪는 사람에게 실제 선택지를 더 주는 미래입니다.

직접 구성한 분석 도표입니다. 증거·통제·접근은 앞서 제시한 긍정적인 미래상의 조건입니다. 국가나 기업의 순위 또는 미래 예측을 표현한 도표는 아닙니다.

중요한 이정표는 사람이 받아들이고 방향을 정할 수 있는 발전이다

다음 RSI 주장을 접하면 무엇이 달라졌고 어떤 증거가 검토를 견뎠는지 확인해 보세요. 답변이 좋아진 것인지, 도구가 개선된 것인지, 미래 시스템을 개발하는 능력이 향상된 것인지 구분해야 합니다. 최초 평가 밖에서도 성과를 재현했을까요? 연구 방향은 누가 정했고 무엇이 사람의 통제 아래 남아 있었을까요? 모호한 돌파구의 도착 시간을 세는 것보다 이 질문들이 더 많은 것을 알려 줍니다.

지금 AI를 도입하는 팀의 준비도 구체적이어야 합니다. 중요한 원자료를 그 자료를 근거로 내린 결정과 연결해 두세요. 탐색 단계의 작업과 오래 남는 결과를 만드는 행동을 구분하세요. 검토자가 살펴볼 수 있는 증거를 제공하고, 잘못된 선택을 되돌릴 수 있게 하세요. 이 습관은 현재의 AI에도 유용하며 개발 주기가 빨라질수록 더 중요해집니다.

구글이 강한 의미의 RSI에 도달했다는 루머는 아직 검증되지 않았습니다. 그러나 AI가 AI 연구에 참여하는 변화 자체는 이미 공개 자료에 기록돼 있습니다. 우리는 종착점의 날짜와 형태를 안다고 가장하지 않고도 이 변화를 진지하게 받아들일 수 있습니다. 제가 생각하는 성공의 기준은 사람들이 다음에 일어날 일에 실질적인 발언권을 유지하면서 얼마나 더 많이 이해하고, 만들고, 개선할 수 있느냐입니다.

출처와 이번 조사에서 확인할 수 있었던 범위

X 게시물은 공개 임베드 응답과 원문·재인용을 연결하는 링크를 통해 확인했습니다. 이를 통해 게시된 글은 확인할 수 있지만, 내부 자료라고 주장된 화면의 진위까지 인증할 수는 없습니다. 게시물 날짜는 X에 표시된 날짜를 사용했으며 현지 시간대에 따라 달력상의 날짜가 달라질 수 있습니다.

• Lyra 원문 — 2026년 9월 11일
• Lentils의 인용 글과 내부 모델 목록 주장 — 2026년 9월 11일
• Chubby의 확산 게시물 — 2026년 9월 12일
• AI타임스 보도 — 2026년 9월 14일
• AGI 수준에 관한 연구 — 최초 제출 2023년 11월 4일
• Google DeepMind의 AlphaEvolve 발표 — 2025년 5월 14일
• 구글의 Gemini 3.8 발표 — 2026년 9월 2일
• Anthropic의 AI 보조 개발 설명 — 2026년 6월 4일
• 아모데이의 속도 조절 제안 — 2026년 9월
• 올트먼의 응답 — 2026년 9월 12일
• 머스크의 응답 — 2026년 9월 12일
• 트럼프 발언에 관한 AP 보도 — 2026년 9월 13일

---

판단의 근거를 다시 찾아볼 수 있는 공간

Telli.sh는 노트, 녹음, 번역, Clip을 다시 찾아볼 수 있는 작업 공간으로 모아 줍니다. 대화나 기사가 AI에 대한 생각을 바꿨다면, 원문을 그 생각과 그에 따라 내린 결정 옆에 남겨 두세요. 모델은 계속 달라지더라도 우리가 보존하기로 한 판단의 근거는 나중에도 이해할 수 있어야 합니다.

간직하고 싶은 지식을 위한 Telli.sh 작업 공간 만들기