이제는 로봇과 인간의 스포츠 대결도 볼 수 있을 것 같습니다. 홍콩과기대와 상하이 AI 연구소가 공동 개발한 '휴먼엑스(HumanX)'는 휴머노이드 로봇에게 복잡한 상호작용 기술을 학습시키는 획기적인 시스템입니다. 이 시스템은 사람이 운동하는 영상 딱 한 편만 보고도 농구 슛부터 격투 대응까지 완벽하게 습득할 수 있도록 합니다. 기존에는 동작 하나하나를 일일이 수치화해 입력해야 했지만, 휴먼엑스는 단 한 번의 시연만으로 원리를 깨우쳐 농구 슛 성공률을 기존보다 27배나 높은 64.7%까지 끌어올렸습니다.

이 놀라운 학습 능력의 비결은 '엑스젠(XGen)'이라 불리는 데이터 생성 시스템에 있습니다. 엑스젠은 영상 속 동작을 베끼는 것을 넘어, 로봇 신체 구조에 맞춰 변환한 뒤 물리 법칙에 맞는 수십 가지 가상 연습 데이터를 스스로 만들어냅니다. 예를 들어 농구 영상 하나로 공의 크기나 거리가 다른 수많은 상황을 미리 시뮬레이션해 보는 식입니다. 덕분에 로봇은 한 번도 본 적 없는 거리에서 공을 던져야 하는 돌발 상황에서도 정확하게 골대를 겨냥할 수 있습니다.

더욱 흥미로운 점은 이 로봇이 외부 센서 없이 오직 '몸의 감각'만으로 물체를 다룬다는 것입니다. 'XMimic' 기술을 통해 관절에 가해지는 힘과 속도 정보만으로 손에 닿은 공의 상태를 파악하는데, 이는 사람이 눈을 감고도 손끝 감각으로 공을 튀기는 것과 같은 원리입니다. 실제로 유니트리 G1 로봇은 이 감각만으로 농구 슛 10번 중 8번을 성공시켰으며, 사람과 10회 이상 연속으로 공을 주고받는 정교한 상호작용까지 실현해 냈습니다.

휴머노이드 로봇들은 상황을 판단하고 대응하는 진정한 '에이전트'로 진화 중입니다. 물건을 들고 있을 때 누군가 밀어도 평형을 유지하고, 격투 대응 시에는 장난스러운 주먹과 실제 공격을 구분해 방어하거나 반격하기도 합니다. 작업마다 복잡한 프로그래밍을 할 필요 없이 시범 영상 하나면 충분합니다. 이 기술은 머지않아 로봇이 스포츠 업계나 재활 현장에서 인간의 든든한 파트너로 활약할 시대를 앞당기고 있습니다.

죽은 이가 SNS 계정에 매일 아침 '오운완'을 올리고 친구들의 글에 '좋아요'를 누른다면 어떨까요? 최근 메타(Meta)는 사용자가 사망하거나 장기간 접속하지 않아도 AI가 평소 습관을 복제해 대신 활동하는 기술 특허를 취득했습니다. 특정 사용자의 SNS 데이터를 학습한 AI 봇이 나를 대신해 게시물을 올리고 댓글을 다는 '디지털 부활'이 기술적으로 가능해진 셈입니다. 메타는 소중한 사람을 잃은 이들의 그리움을 달래기 위한 기술이라 설명하지만, 업계에서는 사용자의 부재로 인한 데이터 공백을 메우고 이용자 수를 유지하려는 비즈니스적 의도가 깔려 있다는 분석도 나옵니다.

이처럼 고인의 흔적을 학습해 대화하거나 게시물을 생성하는 기술을 '데드봇(deadbot)' 혹은 '그리프봇(griefbot)'이라 부릅니다. 이미 시장에는 고인의 이메일이나 문자를 학습해 챗봇으로 대화를 이어주는 서비스들이 등장하며 '그리프 테크(grief tech, 애도 기술)'라는 새로운 시장을 형성하고 있습니다. 하지만 여기엔 윤리적 질문들이 따라붙습니다. "죽은 이는 죽은 채로 두어야 한다"는 조지프 데이비스 버지니아대 교수의 지적처럼, 억지로 만들어낸 가상의 존재가 오히려 남겨진 이들이 상실을 마주하고 치유하는 과정을 방해할 수 있다는 우려입니다.

법적, 도덕적 논란도 만만치 않습니다. AI가 내뱉은 말이 고인의 실제 생각인지 오해를 살 수 있고, 만약 AI가 타인을 모욕하거나 손해를 끼쳤을 때 그 책임은 누가 질 것인지에 대한 기준이 전무하기 때문입니다. 또한 AI가 스스로 콘텐츠를 생산할 때 그 소유권이 누구에게 있는지, '잊힐 권리'는 어떻게 보장할 것인지도 해결해야 할 과제입니다. 실제로 배우 로빈 윌리엄스의 딸은 아버지를 AI로 재현하려는 움직임에 "아버지가 원했을 일이 아니다"라며 강하게 반발하며 기술이 고인의 의사를 침해할 수 있음을 시사했습니다.

결국 사후 SNS 자동 운영은 추억 보존을 넘어 인간의 존엄성과 직결되는 문제입니다. 메타 측은 특허 취득이 아이디어 보호 차원일 뿐 실제 상용화 계획은 없다고 선을 그었지만, 테크 업계에선 언젠가 황당한 서비스로 등장할 가능성을 배제하지 않고 있습니다. 기술은 우리에게 그리움을 달랠 수 있는 무언가를 제공하는 것처럼 보이지만, 그것이 진정한 애도인지 아니면 상업적 이해관계에 의한 슬픔의 이용인지에 대한 성찰이 필요합니다. 사후 디지털 시장이 빠르게 성장하는 지금, 우리는 이별을 받아들이는 인간 본연의 방식을 어떻게 지켜낼지 고민해야 합니다.

쿼카 쌤이 알려주는 AI Tech 용어 #3 🤖

안녕하세요. 어느덧 세 번째 만남이네요🐨

깜짝 퀴즈 하나 드릴게요.

"AI Alignment는 무엇일까요?"

기억이 나지 않으신다면 👉여기에 가시면 됩니다!

오늘도 요즘 핫한 AI 용어들을 쉽고 재미있게 알려드릴게요.
그럼, 바로 시작합니다! 💨

🌐 Sovereign AI (소버린 AI)

: 해외 빅테크에 의존하지 않고, 자국의 데이터·인프라·모델로 구축·운영하는 AI를 말해요. AI를 수입해서 쓰는 게 아니라, AI 주권을 가진 AI랍니다.

✅ 포인트

• 국가·조직이 AI의 개발과 운영을 직접 통제
• 데이터 보호·보안·규제 대응에 유리
• 국가 전략 산업(ex: 독자파운데이션모델)으로 부상 중인 영역

• 에이전트 간 협업·조율을 통한 문제 해결

• 복잡한 작업을 병렬적으로 처리 가능

• 대규모 자동화 시스템의 기반 구조

IMO 문제를 푸는 LLM, 증명도 할 수 있을까?

2022년 말 챗GPT가 조용히 등장했을 때 많은 사람들이 충격을 받았습니다. 이전까지 AI는 나에게 맞는 영화나 음악, 책을 추천하는 정도였는데, 챗GPT는 마치 사람과 대화하는 것처럼 무엇을 물어봐도 답해 주었습니다. 기존에는 자료를 찾을 때 구글이나 네이버 같은 검색 엔진에 접속해 검색어를 입력하고, 나오는 웹페이지들을 하나하나 들어가 봐야 했지만, 챗GPT는 답 자체를 만들어 주었습니다.

챗GPT의 능력은 소셜 미디어를 통해 입소문을 타고 빠르게 퍼져나갔고, 처음에는 우리가 쓰는 언어를 그대로 이해한다는 점에 놀랐습니다. 반면 간단한 사칙연산을 틀리는 경우도 종종 있었습니다. 복잡미묘한 사람의 말은 이해하면서 논리적으로 계산만 하면 되는 수학을 못 하는 점이 쉽게 이해되지 않았고, 사람들은 이런 사례들을 공유하며 초기에는 밈(Meme)처럼 유행했습니다. 이는 현재에도 발생하고 있는 문제로, 세계 최대 온라인 커뮤니티 중 하나인 레딧(Reddit)에 몇 달 전에 글이 올라왔는데 다른 사람들이 테스트해도 틀린 답변을 한다는 댓글들이 많았습니다.1)

이처럼 일부 오류가 있지만 대체로 LLM의 수학 문제 풀이 능력은 뛰어난 편입니다. 우리나라에서 대입 수학능력시험의 수학 문제를 LLM이 풀어보도록 했던 것처럼 해외에서는 국제수학올림피아드인 IMO 수학 문제로 테스트가 이루어졌습니다. 구글 딥마인드는 자사의 LLM이 42점 만점에 35점을 받아 금메달에 해당한다고 발표했으며, 오픈AI 역시 내부 테스트를 통해 금메달 수준의 점수를 받았다고 소셜 미디어를 통해 밝혔습니다.

현재 LLM은 정답이 있는 수학 문제를 푸는데 IMO 금메달 수준에 해당할 정도로 탁월한 능력을 발휘하고 있습니다. 반면 증명은 어떨까요? 증명은 답이 정해져 있는 것은 아니며 문제를 읽고 자기 생각을 논리적으로 단계별로 전개해 나갈 수 있어야 합니다.

소수는 1과 자신 외에는 나누어떨어지지 않는 수입니다. 100보다 작은 소수로는 2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97이 있는데 특정 패턴이 있는 것은 아니며 숫자가 커질수록 소수가 드문드문 나타날 것 같지만 2,996,863,034,895×2 1,290,000±1 (자릿수가 388,342개)처럼 매우 큰 수 중에서도 서로 2밖에 차이가 나지 않는 쌍둥이 소수도 있습니다. 그렇다면 소수는 무한히 많을까요, 아니면 유한할까요?

기원전 300년대에 그리스의 수학자 유클리드는 매우 우아한 방법으로 소수가 무한함을 증명하였습니다.

LLM의 증명 능력을 어떻게 평가할까?

수학 시험을 볼 때 주관식인데 못 풀겠다면 그냥 -1, 0, 1 중에 하나를 찍으라는 말도 있었습니다. 수학 문제 풀이는 답이 있기 때문에 LLM이 생성한 답을 채점만 하면 되어서 비교적 쉽게 평가할 수 있습니다. 수학 문제 풀이 벤치마크로는 GSM8K3) (초중등 수준), OlympiadBench4) (경시대회 수준), MMLU5) (대학 수준) 등이 있습니다. 이러한 벤치마크 데이터셋을 LLM이 풀도록 해서 점수를 매기며 같은 방식으로 여러 LLM을 서로 비교하는 것도 가능합니다.

반면 증명은 사람이 한줄 한줄 따라가면서 논리적 오류가 없는지 검증하는 과정을 거쳐야 하며 어떻게 보면 창조의 영역이기도 합니다. 또, 위에서 예시를 든 유클리드의 증명처럼 온라인에 공개된 증명이라면 LLM이 학습 데이터로 사용하였을 가능성이 높으므로 제대로 된 평가를 하지 못하게 됩니다.

First Proof6)는 LLM이 증명할 수 있을지 없을지에 착안하여 논문의 저자들이 온라인에 공개하지 않은 문제와 이를 직접 증명해서 10개를 데이터로 준비하였습니다. 평가는 LLM에게 문제를 읽고 증명하도록 한 후 그 내용을 사람이 직접 검수해서 오류가 없는지 확인하는 방식입니다.

10개의 증명 문제 중 1번 문제는 아래와 같습니다. 전문적인 수학 능력이 있어야 문제를 이해하고 증명할 수 있기 때문에 한국어로 번역하지 않고 논문에 있는 영어 그대로 실었습니다. 

First Proof의 의의

문제 풀이 능력을 검증하는 벤치마크로는 이미 여러 개가 있습니다. 최초에 등장한 LLM은 수학에 취약하였기 때문에 초중등 수준의 벤치마크로도 변별력이 있었지만, LLM이 STEM(Science, Technology, Engineering, Mathematics) 데이터셋을 학습하면서 문제 풀이 능력이 크게 향상되었고, 벤치마크 역시 MMLU, AIME, OlympiadBench 등 점차 어려운 벤치마크가 등장하였습니다.

하지만 LLM이 증명할 수 있는지 평가하는 것은 문제를 푸는 것보다 훨씬 어렵고 적절한 평가 방법도 없었는데 First Proof는 이를 위한 첫걸음을 떼었다는 점에서 의의가 있습니다. 문제와 증명 과정이 온라인에 공개되어 있다면 LLM이 이미 학습해서 제대로 된 평가가 이루어지지 않을 수 있는데 저자들이 직접 문제를 만들어 증명하는 데다가 앞으로 추가로 더 준비해서 데이터셋을 늘릴 예정이어서 벤치마크 데이터셋으로의 역할을 할 수 있을 것으로 보입니다.

정리

소수 분포를 다룬 리만 가설7)은 아직 증명되지 않은 유명한 가설입니다. 가설이라서 틀릴 가능성도 있지만 이미 수학의 많은 부분에서 리만 가설이 참이라는 전제하에 새로운 지식을 쌓아가고 있습니다. 증명 방법을 발견했으나 여백이 부족해 기록하지 못했다는 페르마의 마지막 정리8)도 수백 년 동안 내로라하는 과학자들을 괴롭히다가 1995년 영국의 수학자 앤드류 와일스가 최신 수학 이론들을 동원해 장장 200페이지에 걸쳐 증명하였습니다. 만약 LLM의 증명 능력이 향상된다면 이러한 문제도 사람과는 다른 시각으로 접근하면서 의외로 쉽게 해결할 수도 있지 않을까요.

플리토는 LLM 학습에 필수적인 STEM 데이터셋을 구축해 왔으며 2025년 하반기에는 업스테이지 컨소시엄에서 Solar 모델 학습에 필요한 STEM 데이터셋을 공급해 K-AI 1차 라운드를 통과하는데 기여하였습니다. 증명과 같은 논리적인 추론 능력을 향상하기 위해서는 CoT(Chain-of-Thought) 데이터셋도 중요한데 플리토는 앞으로도 계속 AI 기업들이 모델을 더 잘 만들 수 있도록 고품질의 데이터셋을 만들어 나가겠습니다.

1) https://www.reddit.com/r/singularity/comments/1mkrt5v/gpt5_cant_do_basic_math

2) https://www.yna.co.kr/view/AKR20250722036500009

3) https://huggingface.co/datasets/openai/gsm8k

4) https://github.com/OpenBMB/OlympiadBench

5) https://huggingface.co/datasets/cais/mmlu

6) https://arxiv.org/pdf/2602.05192

7) https://en.wikipedia.org/wiki/Riemann_hypothesis

8) https://en.wikipedia.org/wiki/Fermat’s_Last_Theorem

플리토가 아랍어 음성 데이터 수집 프로젝트를 시작하며 저자원 언어로 인한 AI 언어 격차 해소에 나섭니다. 해당 프로젝트는 표준어와 30개 이상 방언이 공존하는 아랍어 특성을 반영해 STT 인식률을 개선하는 것이 목표입니다. 자체 플랫폼 앱 내 '아케이드'를 통해 이용자 음성을 수집하고, AI가 방언 유형을 자동 판별하는 형식으로 진행되는데요. 방언이 불명확할 경우 추가 발화를 안내해 데이터 정확도를 높입니다. 수집된 데이터에는 발화 패턴·억양·어휘 선택 등 실제 사용 맥락이 함께 반영됩니다. 플리토는 글로벌 빅테크를 중심으로 늘어나는 다국어 음성 데이터 수요에 선제적으로 대응한다는 전략입니다. 이를 통해 실사용 환경에서도 높은 인식률을 구현할 수 있는 고품질 데이터를 구축해 나갈 계획입니다.