AI가 AI를 연구하기 시작하면, 발전의 속도도 달라진다
드와케시 파텔의 2030년 초지능 전망을 따라, 검증 가능한 연구와 재귀적 자기 개선이 발전을 가속하는 과정과 현실 적응의 조건을 살펴본다.
글 관리 · 공개 범위AI가 더 좋은 코드를 쓰고 어려운 수학 문제를 푸는 데 익숙해지고 있다. 그 능력을 AI를 만드는 연구에 투입하면 발전의 구조도 바뀐다. 모델이 좋아져 연구가 빨라지고, 그 연구가 다음 모델을 더 빨리 개선한다. 한 번의 성능 향상이 다음 성능 향상의 원인이 되는 것이다.
드와케시 파텔은 「수학을 덮친 눈사태가 AI 개발로 향하고 있다」에서 이 변화 때문에 초지능 전망을 앞당겼다고 설명한다. 그의 중심 시나리오는 2028년쯤 최고의 인간 AI 연구자에 필적하는 자동화 연구자가 등장하고, 2030년까지 여러 분야에서 최고의 인간 전문가에 적어도 맞먹는 AI가 나오는 것이다.
이 전망을 이해하려면 두 연결을 보면 된다. AI 연구를 자동화하면 다음 AI의 개발이 얼마나 빨라지는가. 그리고 그렇게 얻은 능력이 현실의 다른 전문성으로 얼마나 빨리 이어지는가. 앞쪽에는 연구 현장의 관측이 쌓이고 있다. 뒤쪽에는 새로운 경험을 배우고 현실에 적응하는 속도라는 큰 가정이 남아 있다.

재귀적 자기 개선의 흐름을 그린 설명용 도식. 한 바퀴의 성과가 다음 바퀴의 연구 능력으로 돌아온다. 파텔의 논증을 바탕으로 구성.
1. 수학은 왜 먼저 빨라졌나
수학 문제는 풀기 어렵더라도 제출된 풀이를 검사할 수 있다. 특히 증명을 형식 언어로 옮기면, 증명 보조기가 각 단계가 규칙에 맞는지 확인할 수 있다. AI가 후보를 만들고 검증 결과를 받아 고치는 반복을 구성하기에 유리하다.
여기에 탐색의 규모가 더해진다. 한 사람이 문헌을 읽고 몇 가지 아이디어를 시험하는 동안, 많은 AI는 서로 다른 접근을 시도할 수 있다. 성공을 판정할 방법이 있으니 실패한 시도는 버리고 유망한 방향에 자원을 더 투입할 수 있다. 문제를 푸는 능력과 시도할 수 있는 양이 함께 작용하는 셈이다.
파텔이 주목한 사례는 OpenAI의 나비에–스토크스 문제 해법 발표다. OpenAI에 따르면 2026년 9월 1일 시작한 에이전트 실행은 약 88시간 뒤인 9월 5일 해법에 도달했고, Lean 형식화와 검증에 17시간이 더 걸렸다. 연구진은 중간 결과를 보며 자원을 재배치하고 에이전트 그룹 사이의 성과를 연결했다. 사람이 연구를 지휘하고 AI가 대규모 탐색을 맡은 사례다. OpenAI 발표
클레이 수학연구소는 해법 발표를 환영하며 평가와 공로 인정 절차를 별도로 진행한다고 밝혔다. 형식 검증 이후에도 수학계가 결과를 평가하고 수용하는 과정이 이어진다. 클레이 연구소 발표
수학에는 좋은 질문을 고르고, 개념을 만들고, 여러 정리를 하나의 이해로 묶는 일도 있다. 파텔은 이 지점에서 AI 개발의 특성을 짚는다. 머신러닝에서는 이미 정해진 목표를 더 잘 달성하는 방법만 찾아도 다음 연구에 바로 쓸 수 있는 이득이 생긴다.
같은 성능을 절반의 계산량으로 얻거나, 같은 GPU에서 더 많은 실험을 돌리거나, 적은 데이터로 새 과제를 배우게 만드는 개선. 각각이 다음 모델을 연구할 시간과 자원을 늘려 준다.
2. AI 연구에는 채점할 수 있는 일이 많다
AI 연구를 하나의 거대한 발명으로 생각하면 자동화가 멀어 보인다. 실제 개발 과정에는 작은 가설을 세우고 실험으로 비교하는 일이 많다. 연구의 어느 부분을 바꾸느냐에 따라 채점 기준과 다음 연구가 얻는 이득도 달라진다.
| 연구 대상 | 실험에서 비교할 지표 | 다음 연구에 주는 효과 |
|---|---|---|
| 사전학습: 데이터와 모델 구조 | 따로 남겨 둔 데이터의 예측 오차, 목표 성능에 필요한 계산량 | 같은 자원으로 더 좋은 모델을 학습 |
| 사후학습: 새 과제를 배우는 방법 | 과제 성공률, 필요한 시행 횟수와 계산량 | 연구 에이전트가 새 작업을 더 적은 연습으로 습득 |
| 추론 효율성: 모델을 실행하는 방법 | 품질을 유지할 때의 GPU 메모리와 응답 시간 | 같은 자원으로 더 많은 에이전트와 후보를 실행 |
이런 지표는 두 번 쓰인다. 연구하는 AI를 훈련할 때는 성공과 실패를 판정하는 보상이 되고, 실제 연구에서는 여러 실험 중 다음 모델에 반영할 후보를 고르는 기준이 된다. 연구를 가르치는 채점기가 연구를 진행하는 도구로도 쓰이는 것이다.
파텔은 트랜스포머도 이런 관점에서 해석한다. 기존의 어텐션과 잔차 연결, 정규화 같은 구성 요소를 잘 결합하고 학습이 안정적으로 돌아가도록 조정하는 과정에 많은 가치가 있었다는 설명이다. 문헌에서 아이디어를 찾고, 조합하고, 실험으로 맞춰 보는 연구 방식에 AI를 투입할 여지가 크다고 보는 이유다.
작은 실험의 개선을 큰 모델로 옮기는 판단도 필요하다. 작은 모델에서 좋아 보인 방법이 규모를 키운 뒤에도 효과가 있어야 하기 때문이다. 파텔은 작은 실험의 결과로 큰 실험의 성과를 예측하게 하고 실제 결과로 채점하면, 이런 연구 감각의 일부도 학습할 수 있다고 본다.
이 과정의 성패는 평가 기준이 실제 쓸모와 얼마나 잘 연결되느냐에 달려 있다. 학습에 쓰지 않은 문제에서도 개선이 유지되는지, 큰 규모에서 재현되는지, 다른 개선과 합쳤을 때도 효과가 있는지를 확인해야 한다. 실험을 많이 만들수록 좋은 후보를 제대로 고르는 능력의 가치도 커진다.
3. 연구소에서는 무엇이 바뀌었나
Anthropic은 내부 연구개발 작업을 AI가 얼마나 주도하는지 측정했다. 2026년 8월에는 사람이 감독하는 가운데 큰 방향의 지시를 받아 작업 대부분을 끝까지 수행하는 AL4 단계가 26%였다. 같은 해 2월에는 1% 미만이었다. 완전 자율인 AL5는 0%였고, AL3 이상은 90%를 넘었다. 측정 기준과 결과

Anthropic 내부 연구개발 작업의 자동화 수준. 진한 주황색 AL4가 사람의 감독 아래 AI가 주도하는 단계이며, 세로 막대는 90% 측정 구간. Anthropic 원본
변화의 핵심은 맡기는 단위다. 연구자가 매 단계의 명령을 생각하는 대신 작업 묶음을 맡기고 결과를 검토하기 시작했다. 같은 연구자라도 여러 작업을 함께 진행할 여지가 커진다.
OpenAI가 공개한 자료는 연구에 투입되는 에이전트 사용량을 보여 준다. 2026년 8월 중순 기준 사용량 90백분위 연구원의 하루 추론 사용량은 API 가격으로 환산하면 7,000달러를 넘었다. 내부 토큰 사용량을 공통 가격 기준으로 표현한 값으로, 실제 현금 지출액과는 다르다. OpenAI 연구 가속 보고

파텔 원문 첫 도표의 OpenAI 부분. 연구 조직에서 사용량 90백분위에 해당하는 연구원의 하루 코딩 에이전트 사용량을 달러로 표시했다. 금액은 OpenAI 발표의 API 가격 환산 기준.
연구 결과 쪽에 가까운 자료는 독립 평가 기관 METR의 조사다. Anthropic 내부 평가에 참여한 METR 연구자 다수는 범위가 잘 정의된 과제에서 모델 역량이 개선되는 속도가 과거의 약 두 배일 가능성이 높다고 판단했다. 이 판단에 영향을 준 근거 중 하나가 AECI 추세의 가속 추정치다. AECI 추세에서는 약 1.9배의 가속이 추정됐고, 95% 신뢰구간은 1.5배에서 2.8배였다. 이 추정은 AI 활용만의 인과효과를 직접 분리한 측정은 아니다. METR의 2026년 11월 5일 보고서
세 자료를 한 줄로 연결하면 투입량 증가 → 맡기는 작업의 확대 → 모델 개선 속도의 변화다. 각각 다른 위치를 측정하지만, AI가 연구의 중심으로 들어오고 있다는 방향은 같다. 재귀적 자기 개선이 강해지려면 이 연결이 다음 개발 주기에서도 반복돼야 한다.
4. 빠른 연구자에게도 기다리는 시간이 있다
파텔이 최고의 인간 연구자와 대등한 AI를 중요한 문턱으로 보는 이유는 능력의 질, 작업 속도, 연구자의 수가 함께 달라질 수 있어서다.
좋은 문제를 고르고 막힌 실험을 풀어내는 사람은 여러 팀이 동시에 필요로 한다. AI가 그 수준에 도달하면 같은 능력을 여러 인스턴스에 배치할 수 있다. 데이터 정제, 학습 환경 설계, 추론 커널 개선, 실패한 실험 분석을 나누어 맡기고 공통 평가로 성과를 모으는 방식이다.
작업 속도도 달라진다. 파텔은 사람보다 약 10배 빠른 작업과 밤낮없는 가동을 합쳐 연구자 한 명당 약 50배의 작업량을 상정한다. 그러면 연구 전체도 50배 빨라질까? 전체 과정 중 얼마나 많은 시간을 그 연구자에게 맡길 수 있는지가 중요해진다.

원문의 가정을 확장한 예시 계산. 맡긴 작업은 50배 빨라지고 남은 작업은 그대로인 순차 과정을 가정했다. 전체 속도는 1 ÷ [(1 − 자동화율) + 자동화율 ÷ 50]. 실측 결과가 아닌 암달의 법칙 설명용 차트. 가정의 출처
차트에서 가속을 제한하는 것은 남아 있는 작업이다. 실험 결과를 기다리거나 사람이 다음 방향을 결정하는 시간이 그대로라면, 다른 작업을 아무리 빨리 끝내도 그 단계 앞에서 멈춘다.
그래서 자동화가 진행될수록 병목의 위치가 바뀐다. 처음에는 코드를 쓰고 실험을 준비하는 시간이 중요하지만, 그 일이 빨라진 뒤에는 실험 컴퓨트와 결과의 검증, 사람의 판단이 더 큰 비중을 차지한다. AI가 어떤 일을 잘하는지와 함께 그 일이 전체 연구 시간의 얼마나 큰 부분인지를 봐야 하는 이유다.
5. 개선이 다음 개선을 돕는 두 경로
재귀적 자기 개선, RSI의 핵심은 연구 성과가 다음 연구의 조건을 바꾼다는 데 있다.
자동화 연구자가 같은 성능을 더 작은 모델에서 얻는 학습법을 찾았다고 해 보자. 그 모델은 학습과 실행에 드는 계산량을 줄일 수 있다. 연구 에이전트도 새 모델로 교체하면 같은 GPU로 더 많은 후보를 검토할 여지가 생긴다. 모델의 효율 개선이 연구 조직의 효율 개선으로 돌아온다.
데이터와 학습 과제도 개선 대상이다. 어떤 문서를 남길지, 어떤 오류를 고칠지, 어떤 합성 과제를 만들지를 바꾸고 실제 학습 결과로 비교할 수 있다. 학습 환경을 만드는 에이전트가 좋아지면 다음 모델이 연습할 과제의 범위와 품질도 넓어진다. 그 과제가 가르친 능력은 별도로 남겨 둔 평가에서 확인한다.
연구 노동이 풍부해지면 계산 자원을 쓰는 방식도 달라진다. 큰 실험 몇 개를 돌리는 대신 작은 실험을 정교하게 설계하고, 실패 기록을 읽고, 다음 실험에서 얻을 정보를 늘리는 데 더 많은 노력을 쓸 수 있다. GPU를 추가하기 전에도 기존 자원의 낭비를 줄일 수 있는 셈이다.
이 힘이 얼마나 오래 이어질까. 더 좋은 연구자가 다음 개선을 쉽게 만드는 힘과, 쉬운 아이디어가 소진되고 큰 실험이 필요해지는 힘이 경쟁한다. 파텔은 그 결과를 두 경로로 나눈다.

파텔의 두 시나리오를 비교한 설명용 도식. 소프트웨어 개선의 효과가 다음 연구에 얼마나 강하게 돌아오는지에 따라 경로가 갈린다. 시나리오 원문
소프트웨어 단독 특이점에서는 더 좋은 알고리즘이 연구자의 능력과 수를 늘리고, 그 연구자가 다시 더 좋은 알고리즘을 만든다. 새 데이터센터의 완공을 기다리는 동안에도 큰 도약이 반복된다.
스파크에서는 초기에 큰 개선을 얻은 뒤 실험 규모와 하드웨어가 다시 속도를 제한한다. 파텔은 이 경로에서도 첫 1년에 평소 3년에서 6년 정도의 발전이 압축될 수 있다고 본다. 두 경로에 각각 50%를 부여한 것은 그의 주관적 전망이다.
스파크만으로도 적응할 시간은 크게 줄어든다. 몇 년에 걸쳐 바꾸려던 개발 방식과 조직의 역할 분담을 훨씬 짧은 기간에 바꿔야 하기 때문이다. 연구 자동화가 낳는 변화의 크기는 무한한 가속이 성립하는지와 별개로 상당하다.
6. 연구 능력은 현실의 전문성으로 이어질까
AI 연구를 잘하는 능력에서 모든 분야의 최고 전문가로 넘어가려면 새로운 경험을 배우는 과정이 필요하다. 회사를 운영하고 소송을 준비하고 시장에 진입하는 일에서는 코드의 테스트처럼 바로 정답이 나오지 않는다. 판단의 결과를 몇 달 뒤에야 알 수 있는 일도 많다.
파텔은 이를 메타 학습으로 연결한다. 낯선 상황에서 정보를 모으고, 가설을 세우고, 피드백에 따라 행동을 고치는 법 자체를 배운다는 뜻이다. 복잡한 가상 환경에서 긴 과제를 수행하고 다른 에이전트와 협력하거나 경쟁하면, 새로운 분야에도 쓸 수 있는 능력이 발달할 수 있다고 본다.
그가 상상하는 환경에는 회사를 세우는 모의 경제, 새로운 게임, 과거의 제한된 정보로 이후 사건을 예측하는 과제가 있다. 역사적 예측에서는 정답이 될 이후 정보가 학습에 섞이지 않도록 통제해야 한다. 시뮬레이션에서 배운 전략은 현실 환경에서도 평가해야 한다. 이 검증이 연구 능력의 개선을 현실 적응의 개선과 연결한다.
인간의 진화는 가능성을 설명하는 비유다. 인간은 조상이 겪지 못한 반도체 설계와 현대 과학도 배운다. 한 환경에서 얻은 능력이 새로운 분야의 학습으로 확장될 수 있다는 것이다. 파텔의 빠른 일정이 성립하려면 AI도 필요한 경험을 짧은 시간에 얻고 활용해야 한다.
여기에는 서로 다른 학습 문제가 걸려 있다. 긴 컨텍스트는 한 작업 안에서 과거 기록을 활용하게 해 준다. 적은 사례로 배우는 샘플 효율성은 필요한 경험의 양을 줄인다. 지속 학습은 새 정보를 받아들이면서 기존 능력을 보존하는 문제이고, 여러 사본의 경험을 통합하면 다른 곳에서 배운 것을 공유할 수 있다. 이 능력들이 함께 개선돼야 빠른 현실 적응이 가능해진다.
| 나누어 진행하기 쉬운 경험 | 결과를 기다려야 하는 경험 |
|---|---|
| 회사 문서 검토, 고객 인터뷰 정리, 대안 설계와 비교 | 제품 변경 뒤 고객의 지속 사용, 새 조직의 장기 성과 |
AI의 빠른 사고는 준비와 분석 시간을 줄인다. 현실에서 결과가 돌아오는 시간은 다음 판단의 속도를 제한한다. 연구실의 가속이 다른 전문성으로 이어지는 속도를 결정할 병목이다.
7. 2030년 전망에서 받아들일 것
파텔은 최고의 인간 수준으로 AI 연구를 자동화하는 시점의 중심값을 2028년쯤으로 잡는다. 빠르면 2027년에도 가능하다고 보면서, 2032년 이후로 늦어질 확률도 약 25%로 남겨 둔다. 그 뒤 연구 가속과 현실 적응이 빠르게 이어져야 2030년 초지능이라는 전망이 성립한다.
현재 자료가 가장 직접적으로 뒷받침하는 것은 첫 연결이다. AI가 연구의 작업 분담을 바꾸고 있고, 연구로 얻은 개선은 다음 세대의 개발 속도까지 바꿀 수 있다. Anthropic의 주도 작업 비중, OpenAI의 에이전트 투입량, METR의 가속 평가는 그 변화의 서로 다른 부분을 보여 준다.
따라서 앞으로의 발전을 지금까지의 모델 출시 간격만으로 연장해 보는 것은 부족하다. 모델을 만드는 연구 과정 자체가 바뀌고 있기 때문이다. 다음 모델의 성능과 함께 그 모델이 연구자의 어떤 일을 맡았는지, 실험과 학습 비용을 얼마나 낮췄는지, 다음 개발 주기를 얼마나 줄였는지를 봐야 한다.
2030년이라는 일정에는 현실 적응까지 이어지는 더 강한 근거가 필요하다. 연구 자동화가 상당한 가속을 만들 수 있다는 판단은 이미 진지하게 받아들일 만하다. AI의 성능 향상이 다음 AI를 만드는 방법까지 바꾸기 시작했다는 것. 이 전망에서 가장 무게 있게 받아들일 변화는 거기에 있다.
바탕이 된 글: Dwarkesh Patel, The avalanche that hit math is coming for AI development, 원문 페이지 표기 2026년 11월 13일. 연구 자동화와 초지능에 대한 전망을 재구성한 해설이며, 기관별 관측 수치는 각 발표의 정의와 기준 시점을 따랐다.
AI로 읽기 · Markdown
curl -fsSL 'https://www.readiz.com/records/ai-research-automation-recursive-improvement/index.md'