[Between professor and founder] SILAB’s research direction amid technological change

왜 연구실 이름이 System Intelligence Lab인가?

2016년 카이스트에 부임하면서 연구실 이름을 System Intelligence Lab이라고 지었습니다. 솔직히 이미 "Intelligent System"이라는 이름이 사용 중이어서 단어의 순서를 바꾼 측면도 있었지만, 당시에 지능(intelligence)이 단일한 거대 모델로만 이루어지는 것이 아니라 여러 시스템(system)의 협력과 통합으로 구축될 것이라는 막연한 생각때문이었습니다.

교수로서 SILAB을 이끌며, 그동안 주로 특정 문제를 인공지능(AI)을 활용해 얼마나 효과적이고 정확하게 해결할 수 있는지에 초점을 맞춰왔습니다. 연구의 방향은 구체적인 문제 해결 자체에 집중되었고, 기술적 흐름이나 산업적 응용은 종종 우선순위에서 뒤로 밀리는 경우가 있었습니다.

그러나 AI 스타트업을 창업하면서 이러한 관점에 많은 변화가 생겼습니다. 자연스럽게, 아니 필연적으로 AI 기술이 산업 지형을 어떻게 바꾸고 있는지를 더 깊이 들여다보게 되었습니다. 스타트업은 연구실과 달리 생존을 위한 치열한 경쟁 속에서 AI가 산업과 경제에 미치는 실질적인 영향을 고려하여 생존해야 하기 때문입니다.

이러한 경험은 교수로서 학문적 연구의 방향을 고민하는 데도 많은 영향을 주었습니다. 현재 제가 특히 주목하고 있는 기술적 흐름은 크게 두 가지로 나눌 수 있습니다. 서로 다른 흐름처럼 보이지만, 실제로는 밀접하게 연결되어 있으며, 시간이 지나면 하나로 통합될 가능성이 큽니다.

Reasoning 모델의 발전

기존에는 고정된 데이터와 모델 구조를 기반으로 one-time inference(한 번의 추론)를 수행하는 방식이 주를 이루었습니다. 그러나 점차 test time computation(테스트 시점 계산)으로 전환되며, 모델이 실시간으로 최적의 해를 반복적으로 탐색하는 방식으로 발전하고 있습니다. 이는 SILAB에서 연구해 온 학습과 탐색(Learning & Search) 개념과도 유사하지만, 단순히 해의 공간을 탐색하는 수준을 넘어 문제를 세분화(decompose)하고 더 나은 해결 방식을 탐구하는 방향으로 나아가고 있습니다.

이러한 흐름은 기존 Active Learning과도 연결됩니다. 나아가, Active Test Time Inference라는 개념을 고려해볼 수 있습니다. 이는 단순히 학습된 모델을 반복적으로 활용하는 것을 넘어, 테스트 시점에서 얻어진 데이터를 기반으로 모델을 업데이트하거나, 추론에 필요한 데이터를 능동적으로 선택하는 방식으로 확장될 수 있습니다. 이러한 변화는 앞으로 연구 수행 방식에도 큰 영향을 미칠 것입니다.

AI-Agent 기술의 부상

AI-Agent는 단순한 자동화 도구가 아닙니다. AI-Agent는 문제의 구조를 분석하고, 이를 작은 구성 요소로 나누며, 각각의 요소를 해결하기 위해 적합한 도구를 선택할 수 있는 능력을 갖추고 있습니다. 특히 복잡한 문제를 해결할 때는 multi-agent 시스템이 협력하여 최적의 해를 찾아나가는 방식이 더욱 중요해질 것입니다.

또한, AI-Agent의 맞춤화(Customization)는 AI 기술의 미래에 있어 핵심적인 요소로 자리 잡을 가능성이 높습니다. 사용자와 조직의 피드백을 반영해 지속적으로 발전하는 AI-Agent는 단순히 주어진 문제를 해결하는 것을 넘어, 사용자와 협력해 최적의 솔루션을 만들어낼 것입니다. 이는 기존 SI(System Integration) 방식에서 벗어나, 사람이 AI와 소통하며 함께 문제를 해결하는 새로운 패러다임으로의 전환을 의미합니다.

2025년 SILAB의 연구 방향

이러한 기술 변화는 대학과 연구실에서 학생을 지도하는 방식은 물론, 연구 주제를 선택하는 데에도 큰 변화를 요구하고 있습니다. 이러한 흐름을 깊이 이해하고, SILAB이 기여할 수 있는 분야를 찾아 기회를 포착하기 위해 2025년에는 다음과 같은 연구를 중점적으로 진행하고자 합니다.

기초 연구 강화 (Focused Fundamental Research)

Learning & Search 통합 프레임워크를 통한 문제해결 전략 도출: 생성형 AI와 탐색(Search) 기반 방법론을 결합하여 복잡한 최적화 문제를 해결하는 알고리즘 프레임워크와 학습 방법을 개발합니다. 이를 통해 기존 Formulation & Solving 패러다임을 넘어, 보다 적응적이고 효율적인 문제 해결 전략을 구현합니다.

Actove Test Tim Reasoning 중심 연구: 기 학습된 모델을 활용하여 주어진 문제의 해를 생성하고, 생성된 데이터를 다시 활용해 모델을 재학습하며 더 나은 해를 반복적으로 생성하는 의사결정 방식을 연구합니다. 이는 기존의 단순 반복 reasoning 방식에서 벗어나, reasoning 과정과 학습 과정을 통합한 능동적 모델 학습 방식을 개발하는 데 초점을 둡니다. 이 접근은 모델의 적응성과 성능을 지속적으로 향상시키며, 더욱 효과적인 문제 해결을 가능하게 합니다.

응용 연구 확대 (Application-Driven Research)

Agentic Workflow 연구: LLM과 multi-agent 시스템을 활용해 자동화된 워크플로우를 연구하며, AI-Agent 간 협업 방식을 탐구합니다. 산업 응용 사례 발굴: 물류, 제조, 교통, 로보틱스 등 다양한 분야에서 AI-Agent 기술을 활용하여 실질적인 문제를 해결하고 이를 연구 성과로 연결합니다.

담대한 목표: System Intelligence에서 AGI로

SILAB은 단순히 개별 AI 알고리즘을 개발하는 데서 멈추지 않습니다. 우리의 목표는 이를 넘어, 알고리즘 간의 상호작용과 통합을 통해 시스템적 지능(System Intelligence)을 구축하는 데 있습니다.

이러한 접근을 통해 우리는 AGI(Artificial General Intelligence)라는 궁극적인 목표를 향해 한 걸음씩 나아가고자 합니다. 물론, 이 목표는 단기간에 이루어질 수 있는 것이 아닙니다. 하지만 작은 진보들이 쌓여 결국 더 큰 성과로 이어질 것이라고 믿습니다. SILAB은 이러한 여정을 꾸준히 걸으며 새로운 가능성을 열어가고자 합니다. 이 도전에 함께하고자 하는 열정적인 학생들을 언제나 환영합니다.