AI가 널리 활용되는 비즈니스 도구로 등장하면서 수많은 애플리케이션이 눈부신 속도로 확산되고 있다. 최신 애플리케이션을 지속적으로 활용하기 위해 노력하는 동시에, 기존 애플리케이션을 개선하기 위한 지속적인 노력도 간과해서는 안된다.
지난 2025년 3월17일, MIT 교통물류센터에서 개최한 '기술 발전, 그리고 공급망관리(SCM)에 미치는 영향'이라는 주제의 2025 Crossroads 컨퍼런스에서는 이러한 노력과 AI 및 머신러닝의 효율성을 높이는 방법에 대한 내용을 살펴보았다.
대규모언어모델(LLM)로 알려진 AI 시스템은 방대한 데이터 세트와 머신러닝을 활용하여 인간의 언어를 처리하고 조합한다. 챗봇 구동 및 질문에 대한 답변 제공과 같은 LLM 애플리케이션은 최근 몇 년 동안 놀라운 성장을 경험했다. 그러나 로봇이나 자율주행차와 같은 엣지 애플리케이션에서 LLM의 잠재력이 더욱 제한적이다. LLM의 규모가 커짐에 따라 메모리와 연산처리 요구량도 증가했다. 결과적으로 필요한 용량과 클라우드 연결이 부족한 모바일 애플리케이션에서 이러한 모델을 활용하는 것은 쉽지 않다.
액체 신경망(LNN, liquid neural networks)이라는 새로운 유형의 딥러닝 아키텍처가 이러한 한계를 극복할 수 있다. MIT대 컴퓨터 과학 및 인공지능 연구소(CSAIL, Computer Science and Artificial Intelligence Laboratory) 소장인 다니엘라 러스는 LNN이 AI의 정보 및 언어 처리 능력을 로봇과 자율주행차가 작동하는 물리적 세계에 적용한다고 설명했다. 이 새로운 유형의 신경망 개발은 벌레에서 영감을 얻었다. 선충(C. elegans)은 최소한의 신경 자원으로 많은 것을 해낼 수 있는 뇌를 가진 작은 벌레다. 인간의 회백질처럼 선충의 뇌는 시냅스로 연결된 뉴런이라는 세포들로 구성되어 있다. 그러나 이 생물의 뇌는 단 302개의 뉴런과 8,000개의 연결만으로 생존에 필요한 모든 작업을 수행한다.
인간의 뇌는 약 1,000억 개의 뉴런과 1,000조 개의 연결을 가지고 있다. 벌레의 간소화된 신경망 아키텍처에 대한 연구는 MIT CSAIL팀이 LNN을 개발하도록 영감을 주었다. 이러한 경제적인 규모의 AI 모델은 LLM보다 구축이 쉽고 비용 효율적이다. 더 단순하기 때문에 의사 결정을 이해하기가 더 쉽다. 이는 기계가 인간과 상호 작용하는 애플리케이션에서 매우 중요한 장점이다.
중요한 점은 LNN이 실제 작업을 통해 학습하며, 특히 역동적이고 예측 불가능한 환경에 적용될 때 매우 민첩하고 적응력이 뛰어나다는 것이다. 따라서 공급망에 널리 배치된 로봇 및 다양한 모바일 기기에 사용되는 비교적 작은 컴퓨터에서도 실행할 수 있다.
CSAIL 러스 소장은 LNN이 또한 주요 성능 이점을 제공한다고 말했다. 예를 들어, CSAIL팀이 수행한 테스트에서 LNN은 드론이 다양한 환경에 배치된 물체를 감지하고 위치를 파악하는 데 있어 기존 신경망보다 우수한 성능을 보였다. LNN은 이미지 인식과 관련된 상황에서도 우수한 성능을 발휘한다. 예를 들어 자율주행 차량이 보행자 그룹을 인식하도록 하는 것이 있는데, 이는 보행자 그룹의 형태가 불분명하여 알고리즘이 처리하기 어려울 수 있다. LNN은 전방 도로에 집중하고 예상치 못한 도로 위험에 대응하는 데 능숙하다.
CSAIL팀은 싱가포르 컨테이너 항에서 운행되는 자율주행 지상 차량에 이 기술을 적용했다. 이 차량은 컨테이너가 쌓여 있는 혼잡한 차선을 부드럽게 주행하고 5cm 오차 범위 내의 공간에 주차한다.
LNN의 더 많은 응용 분야가 현재 개발 중이다. CSAIL 소장 러스는 MIT에서 분사한 Liquid AI의 공동 창립자다. Liquid AI는 금융 서비스, 바이오테크, 가전 산업을 위한 선구적인 모델을 활용하여 AI 제품을 출시했으며, 이 제품들은 메모리 사용량을 크게 줄이면서도 향상된 성능을 제공한다.
AI 기반 휴머노이드 로봇의 등장은 이러한 기계의 설계가 얼마나 빠른 속도로 발전하고 있는지를 보여준다. 백플립이나 다양한 곡예를 하는 로봇의 온라인 영상은 기계가 인간만큼 민첩하고 능숙해지는 듯한 인상을 준다.
하지만 CSAIL 연구소 풀킷 아그라왈(Pulkit Agrawal) 교수가 크로스로드(Crossroads) 컨퍼런스에서 지적했듯이, 이는 사실이 아니다. 곡예비행을 하는 로봇은 폐쇄적이고 통제된 환경에서 비행하기 때문에 외부 환경에 노출되면 제대로 작동하지 않는다. 예를 들어, 커피가 바닥에 쏟아졌을 때 이를 청소하기 위해 로봇은 걸레를 가져오도록 설계될 수 있지만, 아마도 커피로 오염된 곳을 다 닦아낼 만큼의 민첩성은 부족할 것이다.
아그라왈은 대부분의 일상 환경에서 인간의 민첩성에 필적할 수 있는 범용 로봇을 개발하는 것이 과제라고 말했다.
이 목표를 달성하는 데 있어 중요한 장애물은 오늘날 로봇을 훈련하는 데 사용되는 방식이다. LLM은 웹에서 방대한 양의 데이터를 다운로드하여 학습할 수 있지만, 로봇에게는 이러한 방법이 불가능하다고 아그라왈은 말했다. 기존의 방식은 모방 학습으로, 사람이 특정 작업을 완료하거나 로봇을 원격으로 조작하는 데 필요한 동작을 시연하는 방식이다. 로봇 교육에 필요한 데이터를 생성하기 위해 이러한 시연을 준비하는 것은 비용과 노동력이 많이 든다. 또한, 작업별 데이터가 상대적으로 적기 때문에 특정 작업을 수행하도록 훈련된 로봇은 환경이나 작업이 변경될 경우 어려움을 겪을 수 있다.
CSAIL은 컴퓨터 시뮬레이션과 카메라 이미지를 포함한 다양한 소스에서 얻은 방대한 양의 데이터를 활용하여 더욱 효율적인 로봇 훈련 프로그램을 개발하고 있다. 연구원들은 여러 스트림을 통합하고 머신러닝을 사용하여 데이터를 처리할 수 있다.
로봇이 사람의 손이 수행하는 정밀한 동작을 모방하도록 하는 것은 특히 복잡한 물체를 다루고 조작할 때 어려운 과제다. 새로운 훈련 방식은 이 문제에 대한 유망한 해결책을 제시한다. 예를 들어, 연구원들은 실리콘 젤과 카메라를 함께 사용하여 사람이 젤을 손에 쥘 때 발생하는 압력을 감지하고 기록하며, 이러한 정교한 움직임을 로봇에 매핑한다.
미래에는 기업들이 로봇이 다양한 작업을 수행하도록 훈련하기 위한 시뮬레이션을 개발하거나, 이러한 프로그램이 공급업체가 제공하는 기계에 포함될 수도 있다.
MIT 디지털 경제 이니셔티브(Initiative on the Digital Economy) 방문 학자이자 크로스로드(Crossroads) 컨퍼런스 발표자 마이클 슈라지(Michael Schrage)는 향후 2년 동안 회사원이 생성형 예측 AI 사용 시간이 전체 근무 시간의 3분의 1에서 2분의 1을 차지하지 않는다면, 그 사람은 퇴사하거나 사라지게 될 기업에서 일하게 될 것이라고 주장했다.
하지만 이 혁신적인 기술을 최대한 활용하려면 비판적 사고(critical thinking)를 가져야 한다. 즉, AI를 활용하여 가정에 의문을 제기하고, 증거를 면밀히 검토하고, 결론에 대한 스트레스 테스트를 수행하여 더욱 정확하고 타당하며 상황에 맞는 결정을 내려야 한다.
슈라지 박사는 AI가 단순한 답변기계(answer machine)가 아닌 선택엔진(option engine)이라고 강조했다. AI는 상충관계를 평가하고 아이디어를 창출하는 강력한 도구이며, 새로운 아이디어를 위한 토론의 장을 만들어준다. AI는 또한 매우 빠르다. 회사 임원들이 AI 모델을 분석하여 기존의 조사, 집필, 편집 방식을 사용했다면 4주가 걸렸을 인사이트를 AI는 4분 만에 도출한 사례를 강조했다.
그러나 너무 많은 사람이 엄격한 비판적 사고 없이 AI의 결과물을 받아들이고 있다고 그는 우려했다. AI의 잠재력을 최대한 발휘하려면 이러한 상황이 바뀌어야 한다.
이러한 실수를 피하려면 사용자가 적절한 질문을 해야 한다. 프롬프트가 좋을수록 의사결정의 기반이 되는 정보도 더 풍부해진다. 형용사와 부사로 구성된 프롬프트는 평범한 반응을 이끌어낼 가능성이 적다. 또한 사용자는 모델의 결과물이 너무 모호하거나 통찰력이 부족해 보일 경우, 더 의미 있는 답변을 요구하는 것을 두려워하지 말아야 한다고 슈라지는 조언했다.
일부 조직에서는 "프롬프타톤"(promptathons, 프로그래머와 다른 기술 전문가들이 아이디어를 도출하기 위해 브레인스토밍하는 해커톤과 유사)을 실시한다. 이러한 활동은 비교적 큰 비용이 들지 않고 진행할 수 있으며, 경쟁 분석 및 다기능 아이디어 개발에 매우 효과적일 수 있다. 프롬프트타톤은 자동화와 증강 간의 상충관계와 같은 특정 과제에 초점을 맞출 수 있다. 조직은 AI 활용을 촉진하기 위해 프롬프트 저장소를 만들 수 있다.
다른 접근법으로는 LLM을 활용하여 Zoom 대화 내용과 같은 녹음된 대화를 분석하여 통찰력과 선택지를 도출하고, AI 모델을 활용하여 토론과 논의를 촉진하는 것이 있다.
슈라지는 조직들이 AI를 있는 그대로 받아들이지 말고, 그 결과를 활용하여 공급망 설계 및 관리 방식에 대한 아이디어를 촉진하고 기존 가정에 의문을 제기해야 한다고 촉구했다. 그는 우리는 이 혁명의 시작점에 서 있을 뿐이라고 말했고, 2026년 말까지 LLM의 잠재력은 현재 역량 대비 5배 증가할 것으로 예상했다.
출처 : MIT CTL Crossroads 2025: Technology Advances & the Impact on SCM, Center for Transportation and Logistics