최신 휴대전화를 구입했을 때 기존 휴대전화에서 개인정보를 옮겨 올 수 없다면? 사용자는 분명 불편함과 번거로움을 토로하게 될 것이다. 인공지능(AI) 모델도 마찬가지다. 성능이 개선된 새로운 AI 모델이 등장해도 특정 분야의 지식을 갖추기 위해 다시 학습하는 과정을 거쳐야 한다면, 막대한 데이터와 비용을 감내하는 상황이 마냥 반가울 수 없다. 이러한 비효율을 해결할 AI 모델 간 '지식 이식' 기술이 국내에서 개발됐다.


KAIST는 전산학부 김현우 교수 연구팀이 고려대 연구팀과 공동연구로 서로 다른 AI 모델이 학습한 지식을 효과적으로 상호 '이식'할 수 있는 기술을 개발했다고 27일 밝혔다.

인공지능(AI)이 생성한 이미지. KAIST 제공

인공지능(AI)이 생성한 이미지. KAIST 제공

AD
원본보기 아이콘

최근 AI 분야에서는 사진과 글을 함께 이해하는 '시각-언어 모델(Vision-Language Model·VLM)'이 빠르게 발전하고 있다. VLM은 사용자가 사진을 제시해 질문하면 설명을 내놓는 'ChatGPT' 등 멀티 모달 AI와 같은 원리로 운용된다. 대규모 이미지와 언어 데이터를 미리 학습한 후 적은 양의 데이터로도 새로운 분야에 비교적 빠르게 적응할 수 있는 장점을 가졌다.


하지만 새로운 AI 모델이 나올 때마다 이러한 '적응 과정'을 처음부터 다시 수행해야 하는 점은 비효율적이라는 지적을 받았다. 기존의 적응 기법 역시 모델 구조가 조금만 달라도 그대로 활용하기 어렵거나, 여러 모델을 동시에 사용해야 하는 까닭에 메모리와 연산 비용이 증가하는 문제를 떠안는다.

공동연구팀은 이러한 문제를 해결하기 위해 모델의 구조나 크기에 상관없이 학습된 지식을 재사용(일종의 이식)할 수 있는, 전이 가능한 적응 기법(Transferable adaptation)인 'TransMiter'를 제안했다. 이 기술의 핵심은 특정 AI가 학습해 쌓은 '적응 경험'을 다른 AI 모델로 직접 옮기는 것이다.


이 기술은 AI의 복잡한 내부 구조를 뜯어고치지 않고도 예측 결과(output)를 보고 배운 요령을 다른 AI에게 전해주는 방식이다. 서로 다른 AI 모델도 같은 질문에 내놓은 답변을 기준점을 정해 정리해두면 특정 AI가 익힌 노하우를 다른 AI가 즉시 활용할 수 있다. 이는 복잡하고 많은 시간을 요구하는 학습 과정을 다시 거칠 필요 없이 마무리하게 하는 동시에 속도도 거의 느려지지 않는 장점을 가졌다.


(왼쪽부터) KAIST 김현우 교수·이상혁 박사후연구원·송태훈 석사과정, 고려대 박지환 박사과정 학생. KAIST 제공

(왼쪽부터) KAIST 김현우 교수·이상혁 박사후연구원·송태훈 석사과정, 고려대 박지환 박사과정 학생. KAIST 제공

원본보기 아이콘

무엇보다 이번 연구는 적응 지식을 모델 종류에 상관없이 정밀하게 이식할 수 있음을 처음 입증했다는 점에서 의미를 갖는다. 그간 불가능하다고 여겨졌던 서로 다른 AI 간의 지식 이식 가능성을 보여준 것이다.


이를 통해 반복적인 학습 비용을 줄이는 것은 물론 필요한 분야에 맞춰 거대언어모델을 실시간 업데이트하는 이른바 '지식 패치(patch)' 기술로 활용하는 것도 가능할 것으로 공동연구팀은 내다본다.


김 교수는 "이번 연구를 확장하면, 빠르게 발전하는 초거대언어모델이 등장할 때마다 반복적으로 수행해야 했던 후학습(post-training) 비용을 대폭 줄일 수 있다"며 "특정 분야의 전문지식을 손쉽게 추가하는 '모델 패치'가 가능해지는 셈"이라고 말했다.

AD

한편 이번 연구에는 KAIST 전산학부 송태훈 석사과정 학생과 이상혁 박사후연구원, 고려대 박지환 박사과정 학생이 공동 저자로 참여하고 교신저자는 김 교수가 맡았다. 연구 결과(논문)는 최근 AI 분야 국제 학술대회인 'AAAI 2026(Association for the Advancement of Artificial Intelligence)'에서 구두 발표로 채택·발표됐다.


대전=정일웅 기자 jiw3061@asiae.co.kr

<ⓒ투자가를 위한 경제콘텐츠 플랫폼, 아시아경제. 무단전재 배포금지, AI 학습 및 활용 금지>

함께 보면 좋은 기사

새로보기

내 안의 인사이트 깨우기

취향저격 맞춤뉴스

많이 본 뉴스

당신을 위한 추천 콘텐츠

놓칠 수 없는 이슈