AI와 손 잡는 XR, 왜?

사실 AI는 ChatGPT 이전에도 이미 존재해 왔습니다. 일례로 앞서 언급했던 ‘알파고’는 딥러닝 방식으로 승리 가능성이 높은 수를 예측하여 유리한 선택을 하도록 설계된 AI입니다. 애플의 ‘시리’와 같은 음성 비서는 자연어 처리(NLP) 방식으로 사용자의 문장을 해석하여 적절한 답변을 제공하는 AI이죠. 이들은 공통적으로 입력된 수치를 해석하고, ‘판별’을 내립니다. 주어진 이미지가 개인지 고양이인지, 해당 수의 승률이 높은지 낮은지, 음성이 어떤 의미를 가지는지를 확률적으로 판단합니다.

그에 반해 새롭게 등장한 생성형 AI는 대화, 이미지, 영상, 음악 등을 ‘생성’할 수 있습니다. 어떻게 이것이 가능했을까요? 사실 ChatGPT의 기반이 되는 이론은 새로운 것이 아닙니다. 다만 기존 모델에 막대한 양의 데이터를 학습시켜 거대 규모로 확장할 때, 일반화된 지능(AGI, artificial general intelligence)이 될 것이라는 가능성을 발견한 것입니다. 이는 마치 외국어로 된 책 수억 권을 통째로 암기할 수 있다면, 그 언어를 얼추 구사할 수 있게 되는 것으로 비유할 수 있겠습니다.

사람은 무언가를 이해할 때 시각, 청각, 촉각 등 여러 감각으로부터 얻는 정보를 총체적으로 고려하여 판단합니다. 사과를 예로 들면, 그 생김새뿐만 아니라 붉은색, 단단한 촉감, 씹을 때 나는 ‘아삭’ 소리와 단맛까지, 얻을 수 있는 모든 정보를 활용하는 것이죠. 이렇게 여러 종류의 정보를 받아들일 수 있는 능력을 ‘멀티 모달리티(Multi Modality)’라고 하는데요. ChatGPT-4o나 구글의 Gemini 같은 최신 생성형 AI는 이러한 인간의 멀티모달 능력까지 갖추어 비디오, 이미지, 텍스트 등 다양한 유형의 데이터를 동시에 이해하고 처리할 수 있습니다. 그리고 멀티모달 생성형 AI는 인간의 방식에 한 발 더 다가간 만큼 더 높은 활용성을 갖게 됩니다.

멀티모달 AI는 우리와 더 인간적인 소통이 가능합니다. 가령 우리가 AI에게 수학 문제를 물어볼 때 그 문제를 스무고개 하듯 글로 풀어 설명할 필요 없이, 친구에게 연락하듯 사진 한 장을 보여줌으로써 같은 결과를 얻을 수 있습니다. 더 효율적인 소통이 가능해지는 것이죠. 또한, 멀티모달 AI는 더 많은 정보를 바탕으로 더욱 맞춤화된 보조를 수행할 수도 있습니다.