최근 국내에서 개발되고 있는 ‘국가대표 AI(인공지능)’ 모델들이 오픈AI와 구글의 AI 모델에 비해 성능이 낮다는 연구 결과가 발표됐다. 서강대 김종락 교수 연구팀은 국내 5개 팀의 AI 모델과 해외 5개 AI 모델을 대상으로 50문제를 풀게 하여 성능을 비교했다. 그 결과, 수학 문제와 논술 문제에서 국내 AI 모델의 성능이 해외 모델에 비해 크게 떨어진 것으로 나타났다.
국내 AI 모델 성능 저조: 수학 문제 해결 능력
국내에서 개발 중인 AI 모델들은 수능 수학 문제를 해결하는 능력에서 상당히 저조한 평가를 받았다. 연구팀이 선정한 20개의 수학 문제는 고등학교 교육 과정에서도 특히 어려운 난이도의 문제들이었으며, 이러한 문제들을 통해 AI 모델의 문제 처리 능력을 평가했다. 비교군으로 설정된 오픈AI와 구글의 AI 모델은 각각의 문제에 대해 높은 정확도로 답변을 제공하며, 문제를 해결하는 과정에서도 보다 논리적이고 체계적인 접근 방식을 보여주었다. 반면, 국내 AI 모델들은 종종 잘못된 해답을 제시하거나, 문제 접근 자체에서 어려움을 겪는 것으로 나타났다. 문제 해결 시 보여준 전체적인 정확성과 일관성에서 큰 차이점이 있었으며, 이로 인해 많은 전문가들은 국내 AI의 수학 문제 해결 능력에 대한 우려를 표시하고 있다. 이러한 결과는 앞으로 국내 AI 개발의 방향성을 재조정할 필요성을 암시한다. 특히 수학 문제 해결 능력은 AI 기술의 기초적인 요소로, 이를 보완하는 방향으로 연구와 개발이 진행되어야 할 것으로 보인다. 더 나아가, 국내 모델이 글로벌 경쟁력에서 밀리지 않기 위해서는 해외 우수 모델이 갖춘 문제 해결 능력을 분석하고 이를 개선할 수 있는 방안을 모색해야 한다.국내 AI 모델 성능 저조: 논술 문제 해결 능력
국내 AI 모델이 논술 문제 해결에서 보여준 성과 역시 기대에 미치지 못하는 수준이었다. 연구팀이 분석한 논술 기출 문제는 심각한 추론과 창의적 사고가 요구되는 문항들로 구성되어 있었으며, 이러한 문제에 대한 모델들의 반응은 매우 다양했다. 해외 AI 모델들은 문제의 주제를 효과적으로 파악하고, 명확한 관점을 제시하며, 일관된 논리를 바탕으로 답변을 구성하는 데 강한 모습을 보였다. 그러나 국내 AI 모델들은 이러한 난이도 높은 문제에 접근하는 데 있어 종종 주제의 본질을 놓치거나, 논리적 구성 미비로 인해 평가에서 낮은 점수를 받았다. 이와 같은 차이는 국내 AI 모델이 추구하는 학습 방식과 전반적인 데이터의 질에서도 기인할 수 있다. 문제 해결 과정에서 발생한 오류는 향후 모델 개선에 중요한 단서가 될 수 있으며, AI의 언어 이해와 생산 능력을 한층 발전시키기 위해 보다 다양한 데이터셋과 학습 방법론이 필요함을 강조하는 계기가 되었다.국내 AI 모델 성능 저조: 향후 개선 방향
국내 AI 모델의 저조한 성능은 단순히 기술적 한계에 그치지 않고, 향후 AI 연구에 심오한 질문을 던지고 있다. 이러한 문제를 해결하기 위해서는 우선적으로 기초적인 언어 처리 능력을 개선할 필요가 있다. 모델이 다루어야 할 언어 데이터의 다양성과 깊이를 높이는 것 또한 중요하다. 다양한 목적의 데이터 수집과, 각 데이터에 대한 적절한 샘플링 및 전처리 과정도 모델 성능 향상에 필수적이다. 이를 통해 문제 해결 능력을 더욱 강화하고, 모델의 전반적인 성능을 끌어올릴 수 있을 것이다. 더 나아가 연구자들은 해외 선진 AI 모델의 성공적인 사례를 분석하여, 어떤 점에서 차별화되었는지를 파악하고, 이를 바탕으로 한 모방과 혁신을 병행하는 전략도 필요하다. 이와 같은 방법론적 접근은 국내 AI 기술이 글로벌 시장에서 경쟁력을 갖출 수 있는 기반이 될 것이다.결론적으로, 현재 국내 ‘국가대표 AI’ 모델들은 해외 경쟁자들에 비해 성능이 현저히 떨어지는 것으로 확인되었다. 수학과 논술 문제에 대한 해결 능력은 물론, 모델의 전반적인 성능 강화가 필수적이며, 향후 연구주제와 개선 방향에 대한 재정립이 필요하다. 국내 AI 발전을 위해 다양한 데이터와 접근 방식을 활용해 나가야 할 시점이다.
