구글 딥마인드 연구진은 2026년 6월 10일, 논문 'From AGI to ASI'를 arXiv에 발표했다. 해당 논문은 인간 수준의 범용 인공지능(AGI)에서 인간 전문가 집단을 광범위한 영역에서 능가하는 인공 범용 초지능(ASI)으로 발전할 수 있는 4가지 경로를 정리했다. 여기에는 컴퓨팅 자원 및 모델 성능을 고도화하는 스케일링, 새로운 아키텍처와 학습 기법을 통한 패러다임 시프트, AI가 직접 AI 연구 개발을 가속화하는 재귀적 개선, 다수의 AI가 협력하여 시장과 유사한 구조를 형성하는 멀티 에이전트화가 포함된다.

저자들은 ASI 도래 시점과 발전 형태에는 큰 불확실성이 존재한다고 지적했다. 이에 따라 FLOP당 비용, 컴퓨팅 효율, 경제적 생산성 등 정량적 지표를 활용해 예측 모델을 지속적으로 업데이트하는 연구의 중요성을 강조했다. 이러한 측정 지표는 프론티어 AI 기업의 컴퓨팅 자원 투자 및 안전성 평가의 판단 근거가 되며, 공공기관에는 규제와 인프라 정비의 기초 자료가 된다.

현재 주류인 인간 기준 벤치마크는 AI가 인간 전문가의 능력을 넘어설 경우 성능 정체에 도달하는 한계가 있다. 따라서 향후에는 AI 간 경쟁을 활용한 멀티 에이전트 평가 기법이나 경제적 생산성과 같은 간접 지표를 통해 인간을 초월한 영역에서의 능력 차이를 측정하는 체계가 필수적이다. AI 개발을 추상적인 미래 논의에서 측정 가능한 연구 과제로 전환하는 것이 기술 발전을 파악하는 핵심이다.

구글 딥마인드 연구진은 2026년 6월 10일, 논문 'From AGI to ASI'를 arXiv에 발표했다. 해당 논문은 인간 수준의 범용 인공지능(AGI)에서 인간 전문가 집단을 광범위한 영역에서 능가하는 인공 범용 초지능(ASI)으로 발전할 수 있는 4가지 경로를 정리했다. 여기에는 컴퓨팅 자원 및 모델 성능을 고도화하는 스케일링, 새로운 아키텍처와 학습 기법을 통한 패러다임 시프트, AI가 직접 AI 연구 개발을 가속화하는 재귀적 개선, 다수의 AI가 협력하여 시장과 유사한 구조를 형성하는 멀티 에이전트화가 포함된다.

저자들은 ASI 도래 시점과 발전 형태에는 큰 불확실성이 존재한다고 지적했다. 이에 따라 FLOP당 비용, 컴퓨팅 효율, 경제적 생산성 등 정량적 지표를 활용해 예측 모델을 지속적으로 업데이트하는 연구의 중요성을 강조했다. 이러한 측정 지표는 프론티어 AI 기업의 컴퓨팅 자원 투자 및 안전성 평가의 판단 근거가 되며, 공공기관에는 규제와 인프라 정비의 기초 자료가 된다.

현재 주류인 인간 기준 벤치마크는 AI가 인간 전문가의 능력을 넘어설 경우 성능 정체에 도달하는 한계가 있다. 따라서 향후에는 AI 간 경쟁을 활용한 멀티 에이전트 평가 기법이나 경제적 생산성과 같은 간접 지표를 통해 인간을 초월한 영역에서의 능력 차이를 측정하는 체계가 필수적이다. AI 개발을 추상적인 미래 논의에서 측정 가능한 연구 과제로 전환하는 것이 기술 발전을 파악하는 핵심이다.