Deep Research 출시, AI가 단순한 검색 엔진이 아니라 연구 파트너로 전환
번역: TechFlow
지난 주말, 우리는 미래의 일부를 목격했다. 오랫동안 나는 AI 분야에서 두 가지 중요한 혁명에 대해 논해왔다: 자율 에이전트(Autonomous Agents)의 등장과 OpenAI가 o1 모델을 출시한 이후 강력한 추론 시스템(Reasoners)의 발전. 이제 이 두 기술 흐름이 마침내 융합되어 놀라운 성과를 만들어내고 있다—AI 시스템이 인간 전문가 수준의 깊이와 세부성으로 연구를 수행할 뿐만 아니라 기계적인 속도로 작업을 완료하는 것이다. 이러한 융합의 대표적 사례가 바로 OpenAI의 Deep Research이며, 이는 우리에게 미래의 모습을 보여준다. 그러나 이것이 왜 중요한지를 이해하기 위해서는 기본부터 시작해야 한다: 추론 시스템과 에이전트.
추론 시스템 (Reasoners)
지난 몇 년간, 챗봇을 사용할 때 그 작동 방식은 매우 단순했다: 질문을 입력하면 시스템이 한 글자씩(더 정확히 말하면 토큰 단위로) 답변을 생성했다. AI가 이러한 토큰을 생성하는 동시에 '생각'해야 하기 때문에, 연구자들은 추론 능력을 향상시키기 위해 다양한 기법을 개발했다. 예를 들어, AI에게 "답변하기 전에 단계별로 추론하라"고 지시하는 것은 사고의 연쇄 프롬프팅(Chain-of-Thought Prompting)이라 불리며, AI의 성능을 크게 향상시켰다.
추론 시스템은 이러한 과정을 자동화한다. 질문에 답하기 전에 시스템은 먼저 '사고 토큰(thinking tokens)' 즉 추론 단계를 생성한 후 최종 답변을 제공한다. 이 방법은 두 가지 중요한 돌파구를 가져왔다.
첫째, AI 회사는 우수한 문제 해결자의 예시를 통해 추론 시스템을 훈련시킬 수 있으며, 이를 통해 AI의 '사고' 과정을 더욱 효율적으로 만들 수 있다. 이러한 훈련 방식은 인간의 프롬프트보다 더 고품질의 추론 체인을 생성할 수 있어, 특히 수학 및 논리 등 기존 챗봇이 약했던 분야에서 더 복잡한 문제를 해결할 수 있게 한다.
둘째, 추론 시스템의 두드러진 특징은 '생각'할 시간이 길어질수록 답변의 질이 높아진다는 점이다(물론 시간이 길어질수록 향상 속도는 서서히 감소한다). 이는 매우 중요하다. 왜냐하면 과거에는 더 큰 규모의 모델을 훈련시켜야만 AI 성능을 향상시킬 수 있었고, 이는 막대한 데이터와 자금을 필요로 했기 때문이다. 반면 추론 시스템은 모델 훈련 리소스를 늘리지 않고도, 답변을 생성하는 과정(즉 추론 계산 중)에서 더 많은 추론 단계를 생성함으로써 성능을 크게 향상시킬 수 있음을 보여준다.
대학원 수준의 구글 미사용 질문 응답 테스트(GPQA)는 다중선택형 문제집으로, AI의 추론 능력을 평가하기 위한 것이다. 인터넷 접근이 가능한 박사과정 학생조차 비전문 분야에서는 34%의 정답률을, 전문 분야에서는 81%의 정답률을 기록한다. 이 테스트는 추론 모델이 어떻게 AI 능력을 가속화하는지를 보여준다(자료 출처).
추론 시스템은 여전히 신생 기술이지만, 그 능력은 빠르게 향상되고 있다. 단 몇 달 만에 OpenAI의 o1 시리즈가 새로운 o3 모델로 눈에 띄게 도약했으며, 중국의 DeepSeek r1은 혁신적인 방법으로 성능을 높이고 비용을 낮췄고, Google도 첫 번째 추론 시스템을 출시했다. 이것은 시작일 뿐이다—앞으로 더 강력한 추론 시스템들이 등장하게 되며, 예상보다 더 빠른 속도로 발전할 것이다.
에이전트 (Agents)
AI 에이전트의 정의에 대해서는 전문가들 사이에서도 아직 합의가 이루어지지 않았다. 하지만 간단히 말해 "목표를 부여받고 그 목표를 자율적으로 달성하는 AI 시스템"이라고 이해할 수 있다. 현재 주요 AI 연구소들은 어떤 과제든 처리할 수 있는 범용 에이전트를 개발하기 위해 치열하게 경쟁하고 있다. 나는 Devin이나 컴퓨터 조작 능력을 갖춘 Claude와 같은 초기 사례를 언급한 바 있다. 최근 OpenAI는 Operator를 출시했는데, 이는 지금까지 나온 범용 에이전트 중 가장 완성도 높은 사례일 수 있다.
다음 비디오(16배속 처리됨)는 범용 에이전트의 거대한 잠재력과 현재의 한계를 보여준다. 나는 Operator에게 OneUsefulThing 플랫폼의 최신 Substack 게시물을 읽고 Google ImageFX에 접속해 적절한 이미지를 디자인한 후 다운로드하여 내가 게시할 수 있도록 전달하라는 작업을 지시했다. 처음 Operator는 훌륭하게 작동했다—내 웹사이트를 정확히 찾아 게시물을 읽었으며, ImageFX로 이동해(로그인 정보 입력을 위해 잠시 멈추고 내 요청을 받은 후) 성공적으로 이미지를 생성했다. 그러나 이후 문제가 발생했으며, 주로 두 가지 측면에서 드러났다: 첫째, Operator는 OpenAI의 보안 제한으로 인해 파일 다운로드가 차단되었고, 둘째 작업 수행 중 혼란이 발생했다. 에이전트는 클립보드에 복사하거나 직접 링크 생성, 심지어 웹사이트 소스 코드까지 파고드는 다양한 해결책을 시도했다. 그러나 이 모든 시도는 실패했다—일부는 OpenAI의 브라우저 제한 때문이었고, 일부는 에이전트가 작업을 잘못 이해했기 때문이다. 끈기 있게 시도하지만 결국 실패하는 이 과정을 관찰하는 것은 현재 시스템의 한계를 보여줄 뿐 아니라, 현실 세계에서 장애물을 만나는 에이전트가 어떻게 대응할 것인지에 대한 고민을 불러일으킨다.
Operator가 범용 에이전트의 미흡함을 드러냈다고 해서 에이전트가 무가치하다는 의미는 아니다. 현재 특정 과제에 집중하는 좁은 영역의 에이전트(narrow agents)는 이미 상당한 경제적 가치를 보여주고 있다. 이러한 에이전트들은 현재의 대규모 언어 모델(LLM) 기술을 기반으로 특정 분야에서 놀라운 성과를 달성할 수 있다. 예를 들어 OpenAI의 신제품 Deep Research는 전문화된 에이전트의 전형적인 사례이다.
딥 리서치 (Deep Research)
OpenAI의 Deep Research(Google의 Deep Research와 혼동하지 않도록 주의할 것, 이후 자세히 설명함)는 연구 분야에 특화된 좁은 영역의 에이전트이다. 이는 아직 공개되지 않은 OpenAI의 o3 추론 시스템(Reasoner)을 기반으로 하며, 전용 도구와 기능을 갖추고 있다. 이는 내가 최근 본 AI 애플리케이션 중 가장 인상적인 사례 중 하나이다.
그 능력을 보여주기 위해 나는 다음과 같은 주제를 설정했다: 스타트업이 성장하는 과정에서 탐색을 언제 멈추고 확장을 시작해야 하는가? 이는 내 연구 분야에서 기술적이며 논쟁적인 주제이다. 나는 Deep Research에게 관련 학술 연구를 조사해 높은 품질의 논문과 무작위 대조 실험(RCTs)을 중심으로 분석하고, 정의에 대한 논쟁 가능성과 상식과 연구 결과 사이의 모순을 처리하며, 최종적으로 대학원 수준의 토론에 적합한 상세한 결과를 제시하라고 요구했다.
작업 시작 시 AI는 매우 통찰력 있는 몇 가지 질문을 제기했으며, 나는 추가로 요구사항을 명확히 했다. 이후 OpenAI의 o3 추론 시스템(Reasoner)이 작동을 시작했다. 전체 과정에서 진행 상황과 '사고' 과정을 명확히 확인할 수 있다. 아래는 몇 가지 핵심 샘플로, 천천히 살펴볼 가치가 있다. 이 AI 시스템이 연구자와 매우 유사하게 행동한다는 것을 알 수 있다—자신이 '흥미를 느낀' 내용을 적극적으로 탐색하고 파고들며, 문제를 해결하려 노력한다(예: 유료벽 기사를 우회하는 방법 찾기). 전체 과정은 약 5분 정도 소요되었다.
최종적으로 나는 13페이지, 3,778단어 분량의 초안을 받았으며, 6개의 인용과 추가 참고 문헌이 포함되어 있었다. 전반적인 품질은 만족스러웠지만, 인용 출처의 수는 더 늘릴 여지가 있었다. 이 문서는 복잡하고 상충되는 개념들을 유기적으로 통합하는 데 성공했으며, 내가 예상하지 못한 새로운 연결점도 발견했다. 오직 고품질의 학술 출처만을 인용했으며, 인용부분은 정확한 인용 내용을 포함하고 있었다. 전적으로 모든 내용이 정확하다고 보장할 수는 없지만(명백한 오류도 발견되지 않았다), 만약 이것이 막 입학한 박사과정 학생의 작품이라면 나는 만족할 것이다. 다음은 그 인상적인 성과를 보여주는 일부 발췌문이며(전체 결과는 여기 참조) 몇 가지 예시를 소개한다.
이번 AI의 인용 품질은 뚜렷한 진보를 나타낸다. 인용은 더 이상 흔히 볼 수 있는 AI의 '환각(hallucination)'이나 잘못된 논문 인용이 아니라, 합법적이고 고품질의 학술 출처이며, 내 동료 Saerom(Ronnie) Lee와 Daniel Kim의 획기적인 연구도 포함된다. 인용 링크를 클릭하면 관련 논문으로 연결될 뿐 아니라, 종종 특정 인용 부분으로 바로 이동한다. 현재 여전히 제한 사항이 존재한다—AI는 몇 분 안에 찾고 읽을 수 있는 내용만 접근 가능하며, 유료벽 논문은 여전히 접근할 수 없다—하지만 이는 AI가 학술 문헌을 다루는 방식에서 근본적인 도약을 의미한다. 처음으로 AI가 단순히 연구를 요약하는 것을 넘어 인간의 학술 연구 방식에 근접하여 능동적으로 참여하고 있는 것이다.
참고로 Google도 지난달 동일한 이름의 제품 Deep Research를 출시했다(한숨). Google 시스템은 더 많은 인용을 제공하지만, 출처의 품질은 일정하지 않으며, 종종 다양한 웹사이트가 혼합되어 있다(유료 정보와 도서 접근 불가 문제는 모든 에이전트에게 공통된 난제이다). OpenAI의 리서치 에이전트와 달리 Google 시스템은 탐색적 발견을 통해 점진적으로 문서를 수집하는 것이 아니라, 일괄적으로 모든 문서를 수집하는 것으로 보인다. 또한 Google 제품은 현재 구버전 Gemini 1.5 모델(추론 기능 없음)을 기반으로 하기 때문에 요약 내용이 더 표면적이다. 전반적으로는 탄탄하고 명백한 오류는 없지만 말이다. 말하자면, 그 수준은 매우 우수한 학부생의 작품과 같다.
이를 직관적으로 이해하기 위해: OpenAI와 Google의 리서치 에이전트 모두 보통 인간이 수시간이 걸리는 작업을 수행할 수 있다. 차이점은 OpenAI 시스템은 박사 수준의 분석에 근접한 반면, Google 시스템은 우수한 학부생 수준이라는 점이다. OpenAI는 공식 발표에서 대담한 주장을 제기하며, 자사의 에이전트가 높은 경제적 가치를 지닌 연구 프로젝트의 15%, 극히 높은 가치 프로젝트의 9%를 처리할 수 있다고 그래프로 보여주었다. 이 데이터의 구체적인 방법론은 공개되지 않아 어느 정도 의심을 유지할 필요는 있지만, 실제 사용 경험을 바탕으로 보면 과장된 주장만은 아니다. Deep Research는 수시간이 아닌 수분 만에 복잡하고 가치 있는 분석을 수행할 수 있다. 기술 발전 속도를 고려하면, Google이 이 격차를 오래 유지하지 못할 것이라 믿는다. 앞으로 몇 달 안에 리서치 에이전트의 능력이 급속도로 향상될 것으로 예상된다.
기술의 공동 발전
현재의 발전 추세를 보면, 주요 AI 연구소들이 구축 중인 기술은 단순한 조합을 넘어서 상호작용을 통해 더 높은 효율성을 실현하고 있다. 추론 시스템(Reasoners)은 강력한 논리 분석 능력을 제공하고, 에이전트 시스템은 이러한 추론 능력에 실질적인 행동력을 부여한다. 현재 우리는 Deep Research와 같은 좁은 영역의 에이전트 시대에 살고 있으며, 이들은 특정 과제에 집중한다. 왜냐하면 현재 가장 진보한 추론 시스템조차도 범용 자율 능력을 달성하기엔 미흡하기 때문이다. 그러나 '좁은 영역'이 제한적이라는 의미는 아니다—이러한 시스템은 이미 고액 연봉 전문가 팀이나 전문 컨설팅 회사가 수행하던 복잡한 작업을 처리할 수 있다.
물론, 이는 전문가들과 컨설팅 회사가 대체된다는 의미는 아니다. 오히려 그들이 직접 작업을 수행하는 것에서 AI 시스템의 결과를 조정하고 검증하는 역할로 전환함에 따라, 그들의 전문 판단력은 더욱 중요해질 것이다. 그러나 AI 연구소들의 목표는 이것에 머무르지 않는다. 더 강력한 모델을 통해 범용 에이전트의 난제를 해결하고, 좁은 영역의 과제를 넘어 진정한 자율적 디지털 노동력이 되기를 원한다. 이러한 에이전트는 자율적으로 웹을 탐색할 수 있을 뿐 아니라, 텍스트, 이미지, 오디오 등 다양한 형태의 데이터를 처리하고 현실 세계에서 의미 있는 행동을 취할 수 있게 될 것이다. Operator의 사례가 아직 완전한 목표에 도달하지 못했음을 보여주지만, Deep Research의 성공은 우리가 그 방향으로 꾸준히 나아가고 있음을 시사한다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
