인공 일반 지능(AGI)은 흔히 줄여서 부르는 용어로, 인간이 수행할 수 있는 모든 지적 작업을 이해하고 학습하며 수행할 수 있는 가상의 인공지능 형태를 가리킨다. 이는 단일 영역에서 뛰어난 성과를 내는 데 그치지 않고, 오늘날 배치된 AI를 지배하는 체스 엔진이나 이미지 분류기 같은 전문 시스템인 "약한 인공지능"과 대비된다. 2025년 현재 AGI를 달성한 시스템은 널리 인정된 바 없으며, 이 용어의 정확한 정의는 연구자, 경영진, 철학자들 사이에서 여전히 논쟁 중이다.
정의
AGI에 대한 단일한 수용된 정의는 존재하지 않는다. 제안된 기준은 광범위한 인지 과제에서 인간 수준의 성과를 내는 것부터, 작업별 재훈련 없이도 여러 영역에 걸쳐 학습하고 기술을 전이할 수 있는 능력, 그리고 대부분의 원격 업무를 인간 수준으로 수행할 수 있는 시스템과 같은 경제적으로 의미 있는 기준까지 다양하다. 오픈AI를 포함한 일부 조직은 AGI를 순수한 기술적 기준보다는 자동화된 경제적 가치 창출 수준에 연계시키는 계약적 또는 경제적 정의를 사용해 왔으며, 비평가들은 이렇게 하면 AGI가 과학적 이정표라기보다 사업적 기준이 된다고 지적한다.
용어의 역사
이 용어는 현재의 AI 붐 이전부터 존재했다. 물리학자 마크 구브루드는 1997년 나노기술과 군사적 위험을 논하는 논문에서 "인공 일반 지능"이라는 표현을 사용했으며, 이 용어는 2000년대 중반 AI 연구계에서 채택되고 대중화되었다. 특히 2007년 연구자 벤 게르첼이 편집한 "인공 일반 지능"이라는 제목의 논문집을 통해 널리 알려졌다. 이후 전용 조직이 이 목표를 내세우며 설립되면서 사용이 급증했다. 오픈AI는 2015년 설립 당시 AGI를 명시적 사명으로 채택했고, 딥마인드는 2010년 설립된 이후 2014년 구글에 인수되기 전부터 AGI를 중심 목표로 삼아 왔다.
경로와 전망
AGI를 달성하기 위한 접근법으로는 기존 대규모 언어 모델과 기반 모델 아키텍처를 더 많은 데이터와 계산 능력으로 확장하는 방식이 있으며, 이는 2020년경부터 업계의 지배적 전략이 되었다. 또 다른 접근법은 언어 모델에 명시적 계획 수립과 도구 사용을 결합하는 에이전트 시스템, 신경망과 논리적 추론을 결합한 하이브리드 신경-기호 아키텍처, 그리고 물리적 세계와의 상호작용을 통한 구현 기반 학습 등이 있다. AI 연구자들을 대상으로 한 설문 조사에서는 AGI 도달 시점에 대한 전망이 크게 엇갈렸으며, "고수준 기계 지능"의 중앙값 예측은 2016년부터 2023년까지의 일련의 설문에서 점점 더 이른 시점으로 이동했지만, 개별 추정치는 수년에서 수십 년까지 폭넓게 분포한다.
근접성 논쟁
업계 지도자들은 AGI 달성 가능성에 대해 상반된 입장을 보인다. 샘 올트먼을 비롯한 일부 경영진은 AGI가 현재 10년 안에 달성될 수 있다고 주장하는 반면, 데미스 허사비스는 남아 있는 과학적 난제를 강조하며 더 신중한 일정을 제시한다. 2024년부터 등장한 추론 모델 시스템(예: 오픈AI o1)은 추론 시 추가 계산을 투입해 다단계 문제를 해결하는 방식으로, 일부에서는 일반 능력으로의 가속화된 진전의 증거로 보지만, 다른 이들은 단순히 좁은 벤치마크 성능의 개선일 뿐 진정한 일반성과는 거리가 멀다고 평가한다.
비판과 회의론
게리 마커스와 프랑수아 숄레를 포함한 연구자들은 대규모 언어 모델의 벤치마크 성과 향상이 종종 훈련 데이터의 암기나 보간에 의존할 뿐 진정한 일반화를 반영하지 않는다고 주장해 왔다. 숄레가 설계한 ARC-AGI 벤치마크는 훈련 데이터에 등장할 가능성이 낮은 추상적 추론 과제를 통해 이러한 한계를 겨냥해 명시적으로 설계되었다. AGI에 대한 우려는 초지능과 AI의 실존적 위험에 관한 더 넓은 논쟁과도 밀접하게 연결되어 있는데, 많은 안전성 논증은 AGI가 달성되면 인간의 감독을 넘어 급속히 자기 개선할 수 있다는 가정에 기반하지만, 회의론자들은 현재의 아키텍처가 추가적인 개념적 돌파구 없이는 근본적으로 한계가 있다고 반박한다.