AI 성장의 진짜 궤적: 지수‑성장은 과연 맞는가

초록

본 논문은 METR 보고서가 제시한 AI 능력의 지수적 성장 가설에 반박한다. 저자들은 동일 데이터에 로지스틱(시그모이드) 곡선을 직접 피팅해 인플렉션 포인트가 2025년 초에 이미 지나갔음을 보이고, 능력을 ‘기본 모델’과 ‘추론 능력’ 두 축으로 분해한 복합 모델을 제안한다. 이 모델은 초기 급격한 성장 후 추론 기술 도입으로 인한 2차 상승을 설명하며, 향후 새로운 돌파구가 없으면 성장률이 급격히 완만해질 것임을 예측한다.

상세 분석

논문은 먼저 METR 보고서가 2019년 이후 AI 능력이 6개월마다 두 배가 되는 지수적 추세를 보인다고 주장하는 근거를 재검토한다. METR은 ‘50% 모델 호라이즌’이라는 새로운 메트릭을 도입해 모델이 50% 성공률을 보이는 과업의 난이도를 시간 단위로 측정했으며, 이를 로그 변환 후 모델 출시일과 선형 회귀를 수행해 R²=0.98이라는 높은 적합도를 제시한다. 그러나 저자들은 이 접근법이 대안 모델을 충분히 탐색하지 않았으며, 특히 시그모이드 곡선의 인플렉션 포인트를 미래(수십 년 후)로 잡은 것이 데이터에 부합하지 않음을 지적한다.

그들은 동일 데이터에 대해 MSE 기반 최적화로 시그모이드 곡선을 피팅했으며, 최적 파라미터가 2025‑06‑06에 인플렉션을 갖는다는 결과를 얻었다. 이는 현재 시점이 이미 곡선의 완만한 구간에 진입했음을 의미한다. 즉, 최근 몇 년간의 급격한 상승은 곡선의 선형 구간에 해당하고, 향후 성장률이 감소할 가능성이 높다.

다음으로 저자들은 AI 능력을 ‘기본(Base)’과 ‘추론(Reasoning)’ 두 요소의 곱으로 모델링한다. 기본 능력은 사전 학습 규모와 데이터 양에 의해 결정되고, 추론 능력은 체인‑오브‑쓰스(chain‑of‑thought)와 같은 후학습 기법으로 급격히 향상된다. 두 요소 모두 시그모이드 형태의 성장 함수를 갖지만 인플렉션 시점이 서로 다르다. 수학적으로는
(h_{model}=γ_1·h_{base}·(1+γ_2·h_{reason}))
이며, (h_{base}=σ(δ_1·d+δ_2)), (h_{reason}=σ(θ_1·d+θ_2)) 로 정의한다.

이 구조는 초기에는 기본 능력이 지수적으로 성장하고, 추론 능력이 도입되면서 전체 능력이 다시 급격히 상승하는 ‘2차 상승’ 현상을 설명한다. 저자들은 이 모델을 정리한 정리 3.1을 제시해, 여러 시그모이드가 겹쳐질 경우 전체 함수가 초기에는 (e^{kx}) 형태의 지수 성장, 중간 구간에서는 (e^{c x^2}) 형태의 초지수 성장, 마지막 구간에서는 1에 수렴하는 평탄화 과정을 보인다고 증명한다.

실증 분석에서는 세 가지 링크 함수(시그모이드, 지수, B‑스플라인)를 비교했으며, MSE 기준으로 시그모이드가 27.37로 가장 낮았다. 이는 데이터가 실제로 포화 현상을 보이고 있음을 뒷받침한다. 또한, 표 2의 결과는 기존 METR의 지수 곡선(339.93)보다 시그모이드가 훨씬 더 적합함을 보여준다.

결론적으로, 저자들은 현재 AI 능력 성장 패턴이 단순 지수 모델이 아니라 복합적인 다단계 성장‑포화 과정이며, 향후 새로운 기술적 돌파구가 없을 경우 성장률이 급격히 둔화될 가능성이 높다고 주장한다. 이는 정책 입안자와 기업이 AI 발전을 과대평가하지 않도록 경고하는 실질적인 함의를 제공한다.