애플이 작년 7월 진행했던 AI 추론 및 계획 워크숍 영상을 뒤늦게 공개했습니다. 기술 변화 속도가 워낙 빠르다 보니 7개월이라는 시간이 길게 느껴질 수 있지만 내용은 여전히 묵직합니다. 애플 엔지니어들과 학계 전문가들이 모여 AI 에이전트와 모델 개발의 한계를 어떻게 넘어서려 하는지 그 구체적인 실마리를 이번 영상들에서 확인할 수 있습니다.
애플 AI 워크숍 영상이 7개월 만에 공개된 배경
이번에 공개된 영상은 2025년 7월 이틀간 열린 워크숍의 기록입니다. 애플의 자체 엔지니어들뿐만 아니라 UCLA, 스탠퍼드, UC 버클리 등 세계적인 석학들이 대거 참여했습니다. 당시 현장에서는 30개에 가까운 연구 논문이 발표되었고 치열한 토론이 이어졌습니다. 정보의 유효 기간이 짧은 분야임에도 불구하고 애플이 지금 시점에 이 영상들을 공유한 이유는 그만큼 근본적인 추론 알고리즘에 대한 통찰이 담겨 있기 때문입니다.
LLM에서 자율형 AI 에이전트로 진화하는 방법
단순히 질문에 답하는 수준을 지나 스스로 계획을 세우고 실행하는 에이전트 기술이 이번 워크숍의 핵심이었습니다. 알렉산더 토셰프는 거대언어모델이 어떻게 물리적 실체를 가진 에이전트처럼 동작할 수 있는지에 대한 방법론을 제시했습니다. 기존의 텍스트 기반 학습을 넘어 실제 환경에서 문제를 해결하기 위해 필요한 논리적 단계들이 상세히 다뤄졌습니다.
애플 AI 모델 개발의 효율을 높이는 병렬 추론 기술
추론 속도와 정확도는 항상 상충하는 관계에 있습니다. UC 버클리의 알레인 수르는 적응형 병렬 추론을 통해 이 문제를 해결하는 방식을 설명했습니다. 모델이 문제의 난이도에 따라 계산 자원을 유연하게 배분함으로써 더 적은 자원으로도 정확한 결론에 도달하는 메커니즘입니다. 이는 향후 온디바이스 AI 환경에서 배터리 효율과 성능을 동시에 잡아야 하는 애플에게 매우 중요한 기술적 자산이 될 것으로 보입니다.
시각적 추론 능력의 한계와 이를 극복하는 전략
시각 정보와 언어를 결합한 모델이 실제 세상의 논리를 얼마나 이해하고 있는지에 대한 냉철한 분석도 포함되었습니다. 멜라니 미첼은 현재 비전-언어 모델들이 겪고 있는 강건성 문제를 지적하며 이를 개선하기 위한 평가 지표를 제안했습니다. 단순히 이미지를 인식하는 것을 넘어 이미지 속 상황의 인과관계를 파악하는 추론 단계로 가기 위한 구체적인 연구 방향이 공유되었습니다.
강화 학습으로 구현하는 장기 상호작용 에이전트
짧은 대화가 아닌 긴 호흡의 작업을 수행하는 에이전트에는 강화 학습이 필수적입니다. 필립 크라헨뷜은 긴 시간 동안 사용자와 상호작용하며 목표를 달성하는 에이전트를 위해 강화 학습을 어떻게 적용할지 발표했습니다. 이는 사용자의 복잡한 명령을 수행하는 미래의 시리나 자동화 시스템의 근간이 되는 기술입니다.
인터넷 규모의 데이터로 에이전트를 훈련하는 법
연구실 수준의 데이터가 아닌 인터넷 전체의 방대한 데이터를 어떻게 에이전트 훈련에 활용할 것인가에 대한 논의도 뜨거웠습니다. 루슬란 살라쿠트디노프는 대규모 데이터를 효율적으로 가공하여 에이전트의 지능을 높이는 전략을 소개했습니다. 결국 더 똑똑한 AI를 만들기 위해서는 고품질의 데이터를 대량으로 확보하고 학습시키는 파이프라인의 구축이 핵심이라는 점을 다시 한번 확인시켜 주었습니다.
애플 AI 기술의 지향점을 보여주는 마무리
이번에 공개된 8개의 강연 영상은 애플이 그리는 미래 지능의 청사진입니다. 7개월 전의 자료라고는 하지만 그 안에 담긴 추론, 계획, 에이전트 기술은 현재 애플이 제품에 녹여내고 있는 핵심 가치와 맞닿아 있습니다. 기술적 깊이가 있는 내용인 만큼 AI 개발에 관심이 있는 분들이라면 영상 하나하나를 세밀하게 살펴보며 애플의 기술적 방향성을 가늠해 보시길 권합니다.
이어서 보면 좋은 글
#애플AI #AI추론 #AI에이전트 #머신러닝 #애플연구 #인공지능기술 #LLM연구 #모델개발 #AI워크숍 #애플기술력