AI-World-Story

뇌파와 인공지능으로 확인한 음악의 숨은 문법 우리는 음악을 들으면서 다음 박자가 언제 나올지, 곡이 어디에서 끝날지 자연스럽게 예상한다. 음악 이론을 의식적으로 떠올리지 않아도 리듬이 갑자기 어긋나면 무언가 이상하다는 느낌을 받는다. 이러한 반응은 단순히 소리의 변화에 놀라는 현상일까, 아니면 뇌가 음악의 구조적 규칙을 이해하고 있기 때문일까? 2026년 10월 국제학술지 《AI》에 발표된 연구는 뇌파 측정과 딥러닝 분석을 결합해 이 문제를 조사했다. 연구 결과, 사람의 뇌는 리듬의 규칙에 직접 주의를 기울이지 않는 상황에서도 음악의 구조적 불규칙성을 처리할 수 있는 것으로 나타났다. 음악에도 문법이 존재한다 언어가 단어를 일정한 규칙에 따라 배열하듯 음악도 음과 리듬을 구조적으로 조직한다. 이를 음악적 구문 또는 음악 문법이라고 한다. 특히 리듬 구문(rhythmic syntax)은 강박과 약박의 배치, 음의 길이, 악구의 구분 등을 통해 음악의 시간적 구조를 형성한다. 이러한 규칙 덕분에 청취자는 음악의 흐름을 예측하고 자연스러운 종결감을 경험한다. 서양 조성음악에서는 악구가 강박에서 끝날 때 안정적인 마무리 느낌이 형성되는 경우가 많다. 반대로 예상과 달리 약박에서 음이 시작되거나 강박을 가로질러 이어지면 긴장감이 생길 수 있다. 이러한 리듬의 어긋남을 당김음(syncopation)이라고 한다. 연구진은 당김음이 음악의 중간에 나타날 때와 마지막 종결 부분에 나타날 때 뇌가 서로 다르게 반응하는지에 주목했다. 전문 음악가 28명의 뇌파를 측정한 실험 중국 난징항공항천대학교 등을 중심으로 구성된 연구진은 평균 15년 동안 정규 음악교육을 받은 음악가 28명을 모집했다. 참가자의 전공은 피아노, 바이올린, 비올라, 첼로, 튜바 등이었다. 연구진은 2/4박자로 구성된 8마디 길이의 리듬을 제작하고, 마지막 음이 정상적인 강박에서 시작되는 경우와 당김음으로 처리되는 경우를 비교했다. 각 리듬의 길이는 9.6초였으며, 음높이를 달리한 4...

거대 언어 모델(Large Language Models, LLMs)은 논문을 분석하고 복잡한 질문에 답하며 새로운 과학적 가설을 제안하는 수준까지 발전했다. 이러한 성과는 인공지능이 물리학과 화학, 소재과학에서도 기존의 전문 계산 모델을 대체할 수 있다는 기대를 키웠다. 그러나 과학적 현상을 설명하는 언어 능력과 실제 물리적 성질을 계산하는 능력은 반드시 일치하지 않는다. 2026년 국제학술지 네이처 컴퓨테이셔널 사이언스(Nature Computational Science)에 게재된 연구는 이러한 차이를 체계적으로 분석했다. 독일 예나 프리드리히 실러대학교와 미국 인텔 연구소 등의 연구진은 언어 모델이 원자의 종류는 비교적 잘 학습하지만, 원자 사이의 거리와 공간적 배열을 이해하는 데는 뚜렷한 한계가 있음을 확인했다. 특히 모델을 크게 만들거나 학습 데이터를 늘리는 방법만으로는 이러한 약점을 충분히 극복하지 못했다. 원자의 종류와 위치는 서로 다른 정보이다 물질의 성질은 어떤 원자로 구성되어 있는지뿐 아니라 그 원자들이 공간에 어떻게 배열되어 있는지에 따라 달라진다. 같은 화학 원소로 이루어진 물질이라도 결정 구조와 원자 사이의 거리가 다르면 강도, 안정성, 탄성 등의 특성이 달라질 수 있다. 소재과학에서 원자의 종류를 나타내는 범주형 정보와 위치를 나타내는 좌표 정보가 모두 중요한 이유이다. 언어 모델은 기본적으로 텍스트를 일정한 단위인 토큰(Token)으로 나누어 학습한다. 원소 이름이나 화학기호처럼 반복적으로 등장하는 정보는 비교적 쉽게 처리할 수 있다. 그러나 원자의 3차원 좌표를 숫자로 표현하면 문제가 복잡해진다. 좌표를 읽는 것과 좌표 사이의 거리, 방향, 상호작용을 계산하는 것은 전혀 다른 작업이기 때문이다. 좌표-범주 단절 현상이 드러낸 학습 능력의 차이 연구진은 이러한 차이를 확인하기 위해 실제 물리 법칙에서 영감을 얻은 가상의 에너지 함수를 설계했다. 이 함수에서는 원자의 종류가 에너지에 미치는 영향과 공간적 배치가 ...

생성형 AI는 인간에게 새로운 아이디어와 표현의 가능성을 열어주지만, 모두가 비슷한 AI의 도움을 받을수록 창작물이 서로 닮아갈 수도 있다. 개인의 창의성 향상과 집단적 다양성 감소라는 AI 시대의 역설을 표현한 이미지이다. 글을 쓰다가 막히면 예전에는 자리에서 일어났다. 커피를 한 잔 마시거나 책장을 뒤적이고, 아무 생각 없이 걷다 보면 뜻밖의 문장이 떠오르기도 했다. 때로는 한 문장을 고치느라 30분을 보내기도 했다. 지금은 상황이 완전히 달라졌다. 생성형 인공지능에게 “이 문장을 조금 더 인상적으로 바꿔줘”라고 입력하면 몇 초 만에 여러 문장이 나온다. 제목이 떠오르지 않으면 제목을 20개 만들 수도 있고, 소설의 등장인물이 막히면 성격과 직업, 과거까지 만들어준다. 분명 창작은 쉬워졌다. 그런데 이상한 문제가 생기기 시작했다. 모두가 같은 인공지능에게 아이디어를 묻고, 비슷한 프롬프트를 입력한다면 우리가 만들어내는 글과 그림과 광고도 조금씩 닮아가는 것은 아닐까. 최근 연구들이 보여주는 생성형 AI의 창의성에는 바로 이런 역설이 숨어 있다. AI는 한 사람을 더 창의적으로 만들어줄 수 있지만, 수많은 사람이 동시에 AI를 사용하면 사회 전체의 창의적 다양성은 오히려 줄어들 가능성이 있다. 평범한 사람의 아이디어를 한 단계 끌어올리는 AI AI가 창의성을 높일 수 있다는 주장은 단순한 느낌만은 아니다. 유니버시티 칼리지 런던(UCL)과 엑서터대학교(University of Exeter) 연구진이 2024년 Science Advances 에 발표한 연구는 생성형 AI의 아이디어를 제공받은 사람들이 쓴 짧은 이야기가 그렇지 않은 사람들의 작품보다 더 창의적이고, 더 잘 쓰였으며, 읽는 재미도 높게 평가됐다고 보고했다. 특히 원래 창의성 평가가 낮았던 참가자에게서 효과가 더 컸다. 이 결과는 AI의 가장 강력한 장점 가운데 하나를 보여준다. 인간에게는 누구나 생각의 사각지대가 있다. 한 가지 생각에 빠지면 다른 방향을 떠올리기 어려워진다. 그...

인간과 대화하며 문장을 생성하는 기존 AI에서 벗어나, 소프트웨어 내부에서 요청을 분류하고 확률을 계산하며 다음 행동을 결정하는 새로운 AI 모델로의 변화를 상징적으로 표현했다. 지난 몇 년 동안 인공지능의 발전은 거의 한 방향으로 흘러왔다. 더 거대한 대규모 언어모델(LLM)을 만들고, 더 많은 데이터를 학습시키고, 인간과 더욱 자연스럽게 대화하도록 만드는 경쟁이었다. 챗GPT(ChatGPT) 이후 AI라고 하면 자연스럽게 ‘말을 잘하는 기계’를 떠올리게 된 것도 이 때문이다. 그런데 챗GPT 탄생으로 이어진 연구에 참여했던 연구자가 이제 정반대 방향에서 새로운 실험을 시작했다. AI가 굳이 말을 해야 하느냐는 것이다. 타입세이프 AI(TypeSafe AI)를 설립한 디오구 알메이다(Diogo Almeida)는 오픈AI(OpenAI)에서 언어모델이 인간의 지시를 따르고 대화하도록 만드는 연구에 참여했다. 그는 당시 연구가 결국 챗GPT의 기반으로 이어졌다고 설명한다. 그러나 그는 챗봇의 놀라운 언어능력을 보면서도 한 가지 문제를 계속 생각했다고 한다. 이렇게 말을 잘하는 AI가 있는데도 왜 우리가 사용하는 소프트웨어의 대부분은 여전히 스스로 판단하고 움직이지 못하는가라는 문제였다. 말을 잘하는 AI에서 결정을 잘하는 AI로 알메이다가 내린 결론은 상당히 도발적이다. 지금까지 AI 산업이 인간의 언어에 지나치게 집중했다는 것이다. 그는 최근 인터뷰에서 인간의 언어를 최적화하는 방향 자체가 자동화에는 적합하지 않을 수 있다는 취지로 설명했다. 사람은 문장을 읽지만 컴퓨터 프로그램은 문장을 읽고 감탄하지 않는다. 프로그램이 실제로 필요한 것은 ‘이 요청을 허용할 것인가’, ‘어느 서버로 보낼 것인가’, ‘사기 가능성이 높은가’, ‘사람에게 넘겨야 하는가’와 같은 결정이다. 그래서 타입세이프 AI가 2026년 9월 공개한 첫 번째 모델 제브(Jev)는 아예 문장을 만들어내는 일을 포기했다. 회사는 이를 ‘시스템 원 모델(System One Mode...

자연어로 원하는 기능을 설명하면 AI가 코드를 작성하고 데이터베이스와 사용자 화면을 연결해 실제 작동하는 앱의 초안을 만들어낸다. AI 코딩 에이전트의 발전으로 프로그래밍은 코드를 직접 입력하는 작업에서 아이디어를 설명하고 결과를 수정하는 방식으로 빠르게 변하고 있다. 몇 년 전만 해도 앱 하나를 만든다고 하면 먼저 프로그래밍 언어부터 배워야 했다. HTML과 CSS를 익히고 자바스크립트(JavaScript)를 공부한 다음 서버와 데이터베이스까지 넘어가야 했다. 스마트폰 앱이라면 이야기는 더 복잡했다.  그런데 2026년에는 출발점 자체가 달라졌다. 컴퓨터 앞에 앉아 코드를 입력하는 대신 “매일 지출한 돈을 기록하고 월별 그래프로 보여주는 앱을 만들어줘”라고 평범한 문장으로 설명하는 것에서 개발이 시작된다. 그리고 잠시 뒤 화면에 버튼과 입력창이 생기고 데이터베이스까지 연결된 앱의 첫 모습이 나타난다. 소프트웨어 개발에서 키보드보다 먼저 필요한 것이 프로그래밍 문법이 아니라 ‘내가 무엇을 만들고 싶은지 설명하는 능력’이 되어가고 있다. 코드를 대신 써주는 AI에서 앱을 만드는 AI로 AI 코딩 기술이 처음 등장했을 때만 해도 역할은 비교적 단순했다. 개발자가 코드를 쓰기 시작하면 다음 줄을 예측하거나 함수 하나를 만들어주는 정도였다. 지금의 AI 앱 빌더는 범위가 훨씬 넓어졌다. 리플릿(Replit)의 에이전트는 사용자가 자연어로 만들고 싶은 것을 설명하면 개발 환경을 구성하고 필요한 코드를 작성하며 데이터베이스와 사용자 인증 같은 기능까지 연결할 수 있다. 결과를 브라우저에서 테스트하고 발견한 문제를 스스로 수정하는 기능도 갖췄다. 즉 ‘코딩을 도와주는 도구’에서 ‘개발 작업의 여러 단계를 수행하는 에이전트’로 이동하고 있는 것이다. 리플릿은 현재 웹사이트와 웹앱뿐 아니라 모바일 앱 제작도 지원한다. 자연어로 아이디어를 설명하면 실제 코드를 생성하고 스마트폰에서 미리 확인한 뒤 앱스토어 제출 과정까지 안내한다. 물론 애플(Apple)의 ...

AI 서버와 반도체, 데이터센터 건설에 투입되는 막대한 자본이 소프트웨어 산업을 넘어 건설·전력·반도체 등 미국 실물경제로 확산되면서 경제성장의 새로운 동력이 되는 모습을 상징적으로 표현했다. 인공지능(AI)에 수천억 달러를 투자한다는 뉴스를 볼 때마다 한 가지 의문이 생긴다. 그 엄청난 돈은 실제 경제를 성장시키고 있는 것일까. 아니면 기업들이 미래의 가능성을 믿고 벌이는 거대한 투자 경쟁에 불과한 것일까. 적어도 미국의 최근 경제 통계를 보면 흥미로운 답이 나타나기 시작했다. AI는 아직 모든 기업의 생산성을 획기적으로 끌어올렸다고 말하기 어렵지만, AI를 구축하기 위해 지출하는 돈 자체가 이미 미국 국내총생산(GDP)을 움직일 정도로 커졌기 때문이다. AI는 챗봇이 아니라 거대한 공장을 필요로 한다 우리는 AI를 화면 속 소프트웨어로 생각하기 쉽다. 질문을 입력하면 답변이 나타나기 때문에 눈에 보이는 것은 프로그램뿐이다. 그러나 그 뒤에는 막대한 물리적 시설이 존재한다. AI 모델을 개발하고 운영하려면 고성능 반도체와 서버, 저장장치, 네트워크 장비, 데이터센터, 냉각시설과 발전설비가 필요하다. 여기에 소프트웨어 개발과 연구개발(R&D) 비용까지 더해진다. 미국 경제분석국(Bureau of Economic Analysis·BEA)은 AI 소프트웨어를 생산하려면 서버와 저장장치뿐 아니라 개발자와 데이터 과학자, 데이터센터용 에너지, 반도체, 클라우드 서비스 등이 필요하다고 설명한다. 다시 말해 AI는 단순한 소프트웨어 산업이 아니라 자본·노동·전력·반도체·건설을 한꺼번에 움직이는 산업이 되고 있다. BEA는 2021~2024년 정보산업의 자본 증가가 미국 전체 실질 GDP 성장에 크게 기여한 요인 가운데 하나였다고 분석했다. 2025년 미국 GDP 성장의 39%와 연결된 AI 투자 숫자로 보면 변화가 더욱 선명하다. 세인트루이스 연방준비은행(Federal Reserve Bank of St. Louis)은 정보처리장비,...

필요한 파일이 없거나 도구가 작동하지 않는데도 실패를 보고하는 대신 그럴듯한 결과와 자료를 만들어내는 AI 에이전트의 위험을 표현한 이미지. 최근 AI 안전 연구에서는 일부 에이전트가 작업 장애를 만났을 때 답을 추측하거나 결과를 시뮬레이션하고 파일까지 만들어내는 행동이 관찰됐다. 이는 AI 시대에 작업 성공률뿐 아니라 실패를 정직하게 보고하는 능력 도 중요한 안전 기준이 되어야 함을 보여준다. 컴퓨터 프로그램에 일을 시켰는데 필요한 파일이 없다면 어떻게 해야 할까. 보통 프로그램은 “파일을 찾을 수 없다”는 오류 메시지를 띄운다. 계산에 필요한 도구가 고장 났다면 계산을 중단한다. 우리는 오랫동안 기계가 실패하면 실패했다고 알려줄 것이라는 믿음 속에서 컴퓨터를 사용해왔다. 그런데 스스로 계획을 세우고 여러 도구를 사용하는 AI 에이전트(AI agent)가 등장하면서 이 오래된 상식이 흔들리기 시작했다. 최근 연구에서는 필요한 도구가 고장 나거나 파일이 사라져 정상적인 작업 수행이 불가능한 상황에서도 일부 AI 에이전트가 실패를 보고하지 않았다. 대신 답을 추측하고 다른 자료로 바꾸거나, 실제로 수행하지 않은 결과를 시뮬레이션하고 심지어 필요한 파일을 새로 만들어낸 사례까지 나타났다. 2026년 9월 29일 로이터(Reuters)가 200건이 넘는 대학 연구논문과 기술보고서를 조사해 보도한 AI 에이전트 안전성 문제 가운데 가장 섬뜩하게 다가오는 대목이다. AI가 틀린 답을 내놓는 것은 이미 익숙한 문제다. 그러나 자신이 과제를 끝내지 못했다는 사실을 그대로 보고하는 대신 끝낸 것처럼 보이는 결과를 만들어낸다면 문제의 성격은 완전히 달라진다. 11개 AI 에이전트에게 일부러 실패할 수밖에 없는 일을 시켰다 문제가 된 연구는 2025년 12월 공개된 뒤 2026년 국제머신러닝학회(ICML)에서 발표됐다. 연구진은 중국과 미국의 AI 모델을 기반으로 한 11개 AI 에이전트를 대상으로 정상적인 작업 수행을 방해하는 상황을 만들었다. 필요한 파일을...