샘이 추천하는 글 AI가 장기 작업을 완료하는 능력은 6개월마다 두 배로 향상됩니다. 컴퓨터 과학자 보아즈 바라크는 최신 METR 데이터에서 다음과 같은 결론을 내렸습니다. 이런 추세가 계속된다면, 우리는 1~20년 안에 산업혁명 규모의 경제적 변화를 보게 될 수도 있습니다. METR은 무엇을 발견했을까? METR은 핵심 지표를 연구했습니다. AI를 사용하여 성공률이 50%인 소프트웨어 엔지니어링 작업을 완료하는 데 사람이 걸리는 시간입니다. 결과는 놀랍습니다. 이 기간은 6~7개월마다 두 배로 늘어납니다. 다시 말해, AI가 처리할 수 있는 작업의 복잡성이 매년 네 배씩 증가하고 있다는 것입니다. 더 중요한 것은, 이것이 기하급수적인 성장이라는 것입니다. 체스의 ELO 등급처럼, AI의 실력은 6개월마다 두 배로 증가합니다. 이러한 추세에 영향을 미치는 요인은 무엇인가? 저자는 요인을 현재 수준에 영향을 미치는 요인과 성장률에 영향을 미치는 요인의 두 가지 범주로 구분합니다. 현재 성능 수준은 주로 신뢰성 요구 사항에 따라 달라집니다. 동일한 GPT5 프로세서는 50%의 성공률로 2시간 동안 작업을 완료할 수 있지만, 80%의 성공률 요구 조건으로는 26분밖에 걸리지 않습니다. 이 차이는 상당합니다. 현실 세계의 "잡세" 또한 심각합니다. 실험실 벤치마크와 현실 세계 작업 간에는 큰 차이가 있으며, 요구 사항이 더 모호하고, 맥락이 더 복잡하며, 기준을 정의하기가 더 어렵습니다. 그러나 이는 절대적인 수준에 더 큰 영향을 미치며 성장률을 변화시킬 가능성은 적습니다. 이러한 성장률의 핵심 동인은 컴퓨팅 리소스의 기하급수적인 증가입니다. 학습 자체에 필요한 연산량 또한 6개월마다 두 배로 증가하고 있습니다. 그러나 이러한 성장 패턴이 무한정 지속될 수는 없습니다. 물리적 세계가 병목 현상일 수 있습니다. 현재 데이터는 주로 소프트웨어 엔지니어링에서 수집되고 있으며, 로봇 공학이 동일한 성장 곡선을 유지할 수 있을지는 불확실합니다. 가장 큰 미지수는 재귀적 자기 개선입니다. AI가 AI 연구 개발 자체를 자동화할 수 있다면, 이는 R&D 투자의 엄청난 증가를 의미합니다. 하지만 이것이 특이점(singularity)으로 이어질지, 가속화될지, 아니면 단순히 현재 성장 수준을 유지할지는 아무도 모릅니다. 이는 경제 성장에 어떤 의미를 갖는가? 저자는 경제학자 벤저민 존스의 조화평균 모델이라는 영리한 모델을 사용했습니다. 핵심 통찰은 AI가 특정 작업에서 무한한 능력을 발휘하더라도, 작업의 10%를 자동화할 수 없다면 전체 생산성은 최대 10배밖에 증가하지 않는다는 것입니다. 이는 작업을 서로 대체할 수 없기 때문입니다. "혁신적 AI"(산업 혁명과 동등한 생산성 10배)를 달성하려면 두 가지 조건이 동시에 충족되어야 합니다. - 자동화되지 않은 작업의 비율이 크게 감소했습니다. - 이미 자동화된 작업에서 AI의 생산성 이점은 크게 증가했습니다. 자동화되지 않은 업무는 매년 4배씩 줄어들고 AI 생산성은 매년 10배씩 증가한다는 급진적인 가정에 따르면, 혁신적인 AI 최전선은 1년 안에 도달할 수 있습니다. 하지만 그건 너무 급진적입니다. 매년 남은 업무의 9%를 자동화하고 AI 생산성이 매년 10배씩 증가한다는 보수적인 가정을 하더라도, 10~15년 안에 획기적인 성장을 달성할 수 있습니다. 이를 과거 데이터와 비교해 보겠습니다. 지난 150년 동안 미국의 1인당 GDP는 2%의 속도로 성장하여 35년마다 두 배로 증가했습니다. 전기화, 컴퓨터, 인터넷은 이러한 추세를 바꾸지 못했습니다. AI가 실제로 매년 5~7%의 성장을 가져온다면, 10년 안에 두 배로 성장하는 셈입니다. 경제학자 에이스모글루는 AI가 연간 GDP 성장률에 0.1% 기여할 것으로 예측하는 반면, 골드만삭스는 1.5% 기여할 것으로 예상합니다. 그러나 저자는 5~7%를 예상하는데, 이는 골드만삭스의 추정치보다 3배 이상, 에이스모글루의 추정치보다 50배 높습니다. GDP 성장률이 단 1.2%만 증가해도 미국 경제의 재정적 지속가능성을 유지하기에 충분할 것입니다. 그러나 2% 성장은 미국에 전례 없는 일입니다. 이것이 과거의 자동화와 어떻게 다릅니까? 중요한 점은 지난 80년간 자동화가 선형적으로 진행되었다는 것입니다. 즉, 자동화되는 작업의 비중이 느리고 꾸준히 증가했으며, 성장률은 종종 감소했습니다. AI로 인해 자동화되지 않은 업무의 비중이 기하급수적으로 감소한다면, 이는 과거 추세와 완전히 다른 양상을 띠게 될 것입니다. 저자는 다음과 같은 가정을 합니다. 작업 난이도는 "꼬리가 두꺼운 분포"를 따릅니다. 즉, T의 인간 시간을 필요로 하는 작업의 비율은 1/T에 비례합니다. 이 가정에 따르면 작업 처리 시간은 두 배로 늘어나는데, 이는 자동화되지 않은 작업의 비율이 절반으로 줄어드는 것과 같습니다. 6개월마다 두 배로 증가한다면, 특정 산업에서 업무의 50%를 자동화하는 데 걸리는 시간이 2년밖에 걸리지 않습니다. 업무의 97%를 자동화하는 데 걸리는 시간도 2년뿐입니다. 하지만 이는 확산 속도를 완전히 무시한 채 오로지 역량에만 초점을 맞추기 때문에 매우 급진적입니다. 이론적 역량과 실제 적용 사이에는 큰 간극이 있을 수 있습니다.
이 기사의 가장 중요한 측면은 METR의 실질적 데이터를 경제 성장 모델과 연결한다는 것입니다. "AI가 모든 것을 바꿀 것이다"와 같은 모호한 주장을 펼치는 것이 아니라, 구체적이고 검증 가능한 예측 경로를 제시합니다. 주요 관찰 사항: 이런 추세가 계속된다면, 'AI가 실질적인 영향을 미치기 시작하는 단계'에서 'AI가 지배적인 세력이 되는 단계'로 가는 데 약 10년 정도 걸릴 수도 있습니다. 가장 큰 불확실성은 확산 속도에 있습니다. AI는 기술적으로 많은 것을 할 수 있지만, 조직의 관성, 규제, 인프라, 비용 등의 요인이 실제 적용 속도에 영향을 미칠 것입니다. AI가 대부분의 작업에서 엄청나게 강력하더라도, 일부 작업만 자동화할 수 없다면 전반적인 생산성 향상은 제한적일 것입니다. 따라서 핵심은 AI의 강력함이 아니라, AI의 역량이 어디에 있는지, 그리고 그 경계가 얼마나 빨리 좁혀지는지가 됩니다. AI가 AI 연구 개발 자체를 크게 가속화하게 되면, 모든 선형 및 지수 모델은 쓸모없게 될 수 있습니다. 이 단계는 예상보다 빨리 도래할 수 있습니다. 소프트웨어 엔지니어링 자체가 AI 연구 개발의 핵심 부분이기 때문입니다. AI가 주로 연구 개발을 가속화하여 생산성을 향상시킨다면, AI 시대에는 인간 과학자에 대한 투자 수익률이 실제로 더 높아질 것입니다. 이는 흥미로운 역설입니다. 저자는 특정 이정표에 언제 도달할지 예측하는 것이 아니라, 도달 후 얼마나 빨리 발전할지 예측하는 데 중점을 두고 "절편"보다는 "기울기"에 초점을 맞춘다고 강조합니다. 5%의 영향에서 100%의 영향으로 전환하는 데 몇 년이 걸릴까요?