마이크로소프트 AI 프런티어스의 종료
AI 생성 참고 이미지

마이크로소프트 리서치(Microsoft Research)의 AI 프런티어스(AI Frontiers)가 막을 내렸다. 창립 리더십에 참여한 존 랭퍼드(John Langford)는 약 50명 규모의 연구 조직이 마이크로소프트 AI(Microsoft AI)로 재편된 뒤 연구 방향을 이어갈 수 없다고 판단해 회사를 떠났다고 밝혔다. 그의 글은 한 팀의 해체 소식에 그치지 않는다. 더 큰 모델을 만드는 일과 새로운 모델 제작법을 찾는 일이 충돌할 때, 대기업의 연구 조직이 어디까지 버틸 수 있는지를 보여준다.

핵심요약

  • 랭퍼드는 챗GPT(ChatGPT) 공개 이후 개인 중심 연구만으로는 경쟁하기 어렵다고 보고 AI 프런티어스를 조직했다고 밝혔다.
  • 약 50명 규모의 팀은 AI 에이전트와 모델 학습 기술을 연구했으며, 연구 성과를 다른 조직과 공유하기 위한 공동 코드 저장소도 만들었다.
  • 팀이 마이크로소프트 AI로 재편된 뒤 랭퍼드는 새 조직의 규모 확대 중심 전략이 기존 연구 방향과 맞지 않는다고 판단했다.
  • 랭퍼드는 모델 구조를 개선하면 학습·추론 비용을 줄일 수 있다고 주장하며, 크기를 키우는 전략만으로는 연구의 가치를 놓친다고 봤다.
  • 연구 성과가 실제 제품에 쓰일 길과 연구자를 지탱할 조직의 약속이 모두 약해졌다는 판단이 그의 퇴사로 이어졌다.

한 사람의 아이디어로는 늦어진다

랭퍼드는 2023년, 챗GPT 공개 이후의 연구 환경을 보고 AI 프런티어스가 필요하다고 판단했다. 그는 다른 연구 조직들이 쏟아붓는 지원과 집중력을 고려하면, 뛰어난 아이디어라도 연구자 한 명이 밀어붙이는 방식으로는 성과를 제때 내기 어렵다고 봤다. 혼자 마련할 수 있는 베이스라인(새 연구 결과와 비교하는 기존 기준)도 충분히 강하지 않아, 아이디어의 가치를 설득력 있게 보여주기 힘들다는 판단이었다. 비슷한 생각을 가진 동료들과 마이크로소프트 리서치 안에 AI 프런티어스를 꾸린 이유다.

새 조직은 흩어진 연구를 묶어 일관된 과제로 추진하려 했다. 랭퍼드는 운영 방식이 경영진의 일방적인 지시도, 연구자들의 제안을 단순히 모으는 방식도 아니었다고 설명한다. 방향을 조율하는 과정에서 의견 충돌을 풀기 어려웠고, 사용할 수 있는 연산 자원도 자주 심각한 병목이 됐다. 그럼에도 그는 약 50명 규모의 팀이 이전보다 선도적인 작업을 해내고 있다고 평가했다.

에이전트에서 모델의 기본 능력까지

AI 프런티어스가 힘을 쏟은 분야 중 하나는 AI 에이전트(목표에 맞춰 여러 작업을 수행하는 AI)가 실제로 작동하도록 만드는 일이었다. 랭퍼드는 여러 에이전트의 작업을 조율하는 오토젠(AutoGen) 프레임워크와 컴퓨터 사용 에이전트 파라(Fara)를 사례로 들었다. 개별 모델의 답변 품질뿐 아니라, 모델이 도구와 작업 흐름 속에서 무엇을 할 수 있는지도 연구 범위에 들어 있었다는 뜻이다. 팀의 관심사는 하나의 제품이나 기술에만 묶여 있지 않았다.

뉴욕의 연구자들 가운데는 모델의 근본적인 능력을 바꾸는 작업에 관심을 둔 사람들도 있었다. 랭퍼드는 이후 내용을 확장하는 능력을 겨냥한 넥스트 레이턴트(Next Latent) 학습 목표, 뮤온(Muon)을 최적화·개선한 디온3(Dion3), 재귀적 처리로 모델의 능력을 높이려는 풀 밴드위스 트랜스포머(Full Bandwidth Transformer)를 언급했다. 이런 과제는 모델을 더 크게 만드는 것과 별개로 학습 목표, 최적화 방식, 구조 자체를 손보려는 시도다. 그가 강조하는 연구의 폭도 바로 여기에 있다.

모두에게 열린 코드 저장소

AI 프런티어스는 성과를 팀 안에만 쌓아두지 않으려 했다. 랭퍼드에 따르면 팀은 마이크로소프트 리서치 전체가 기본적으로 접근할 수 있는 모노레포(여러 프로젝트의 코드를 한 저장소에 모으는 방식)를 만들기로 했다. 그 안에는 그가 최근 COLM 기조연설에서 소개한, 작동 능력을 확인한 엣지 규모 사전학습(대규모 데이터로 모델의 기본 능력을 익히는 학습) 코드도 있었다. 연구 결과뿐 아니라 모델을 만드는 기반을 공유하려는 선택이었다.

그는 이런 저장소를 만드는 일을 사소한 정리 작업으로 보지 않았다. 제대로 된 모델 제작 과정을 갖추려면 상당한 노력이 들기 때문이다. 랭퍼드가 파악한 바로는 마이크로소프트 리서치 안에서 모델 구축 과정을 개발하려는 시도가 적어도 네 갈래였고, 그중 다른 세 갈래는 조직 전체에 공개된 저장소에 있지 않았다. 공동 저장소는 같은 기반을 여러 팀이 따로 만드는 일을 줄일 수 있다는 점에서 연구 조직의 운영 방식과도 맞닿아 있었다.

마이크로소프트 AI로 옮겨간 뒤

랭퍼드에 따르면 AI 프런티어스는 9월 초 마이크로소프트 AI로 재편됐다. 두 AI 조직을 한데 모으면 역량을 집중할 기회가 생긴다는 점에서, 그는 재편의 표면적인 취지는 이해할 수 있었다고 썼다. 규모가 훨씬 큰 마이크로소프트 AI와 AI 프런티어스가 각각 앞선 분야도 있었다는 설명이다. 문제는 조직을 합친 다음 무엇을 우선할지에 있었다.

랭퍼드는 인플렉션(Inflection) 출신인 마이크로소프트 AI 리더십의 철학이 기존 팀의 방향과 양립하기 어렵다고 봤다. 그가 묘사한 새 조직의 핵심은 스케일링(모델·데이터·연산 규모를 키우는 접근)이며, 연구를 적극적으로 우선하지 않는다는 것이다. 규모를 키우는 데 집중하면 데이터 확보와 정제에 주된 노력이 들어가는데, 이는 AI 프런티어스가 하던 작업과 거리가 멀었다. 그는 방향의 차이뿐 아니라 새 조직이 자신들을 원하지 않는다는 정황도 있었다고 적었다.

더 크게 만드는 길과 다르게 만드는 길

랭퍼드는 규모 확대 전략이 왜 매력적인지 인정한다. 더 큰 모델이 더 좋은 예측을 내놓는다는 근거가 있고, 사업 측면에서도 규모를 키웠을 때의 성과가 연구 성과보다 예측하기 쉽다는 것이다. 이는 연구를 중시하는 사람도 곧바로 부정하기 어려운 계산이다. 다만 그는 그 계산을 유일한 전략으로 삼는 순간 혁신과 규모 사이의 균형을 포기하게 된다고 비판한다.

그가 내세운 반례는 풀 밴드위스 트랜스포머 계열의 가능성이다. 랭퍼드는 바이트댄스(Bytedance)의 실험을 근거로, 그 변형이 크기가 두 배인 모델과 비슷한 성능을 낼 수 있음을 시사한다고 말했다. 같은 능력을 얻는 데 필요한 학습과 추론(학습된 모델이 답을 만들어 내는 과정) 비용을 줄일 수 있다면, 모델 구조를 바꾸는 연구에도 큰 경제적 가치가 생긴다는 주장이다. 그는 업계 투자 규모가 1조 달러에 가까워지는 상황에서 비용을 절반으로 낮출 가능성을 가볍게 볼 수 없다고 강조했다.

따라서 이 갈등은 모델을 키울지, 연구할지 중 하나만 고르는 문제로 끝나지 않는다. AI 프런티어스가 다룬 과제에는 기존 트랜스포머를 더 효율적으로 만드는 작업도 포함돼 있었다. 랭퍼드가 반대한 것은 현재의 모델 계열을 연구하는 일 자체가 아니라, 규모 확대 이외의 개선 경로를 조직적으로 밀어낼 때 생기는 손실이다. 연구의 성과가 불확실하다는 이유만으로 시도할 통로까지 닫아서는 안 된다는 입장이다.

돌아가지 못한 두 가지 이유

랭퍼드는 함께 일하던 사람들의 자리를 가능한 한 정리한 뒤 회사를 떠났다고 밝혔다. 그에 따르면 AI 프런티어스의 다른 창립 리더십 구성원들도 비슷한 결론에 이른 것으로 보인다. 그렇다면 원래 소속이었던 마이크로소프트 리서치로 돌아갈 수는 없었을까. 그는 관계자들과 대화했지만 두 가지 장애물을 넘지 못했다고 설명한다.

첫째는 연구가 실제 사용으로 이어질 경로다. 랭퍼드는 마이크로소프트 AI에 있을 때 자신의 혁신을 사용 단계로 옮기거나 진지한 검토를 받게 하지 못했다고 썼다. 그런 상황에서 마이크로소프트 리서치로 돌아가 연구해도 성과가 쓰일 가능성을 낮게 봤다. 연구의 자유만으로는 부족하고, 결과를 실전에 연결할 조직적 통로가 필요하다는 판단이다.

둘째는 조직에 대한 신뢰다. 그는 좋은 일을 하면 좋은 결과가 따른다는 마이크로소프트 리서치의 기본적인 약속이 흔들렸다고 느꼈다. 팀이 좋은 성과를 냈다고 생각하지만 동의하지 않은 재편을 겪었고, 연구 조직의 리더십이 지금의 상황에 맞게 조직을 이끌 의지를 갖추지 않으면 비슷한 일이 이어질 수 있다고 우려했다. 랭퍼드는 AI 프런티어스가 끝났으며 다음 해에는 그곳 사람들과 함께하는 인턴십도 없을 것이라고 전했다. 다만 앞으로 연구에 더 매력적인 마이크로소프트가 될 가능성까지 닫아두지는 않았다.

커뮤니티 의견

한 사용자는 대기업들이 지금의 트랜스포머 기반 모델을 계속 키우는 데 집중하는 흐름이 이해된다고 했다. 성능을 높일 여지가 남아 있다고 보는 상황에서 탐색적 연구로 방향을 틀면 경쟁 속도를 잃을 수 있다는 주장이다. 다만 그가 제시한 향후 모델 규모와 성능 전망은 댓글 작성자의 예상이다.

제목이 오해를 부른다는 지적도 나왔다. 끝난 것은 AI 연구의 ‘프런티어’ 전체가 아니라 마이크로소프트 리서치 안의 특정 팀이라는 것이다. 이 사용자는 조직명을 제목에 명시해야 사건의 범위가 분명해진다고 봤다.

다른 사용자는 AI의 탐구할 영역이 여전히 넓은데 투자가 거의 한 가지 접근에 몰리는 상황을 아쉬워했다. 새로운 방법에 큰돈을 곧바로 걸자는 뜻보다는, 여러 가설을 시험할 여지를 남겨야 한다는 입장이다. 이에 대한 답글에서는 대안이 채택되려면 큰 규모에서도 근본적인 개선을 보여줘야 하므로 연구 난도가 높다는 반론이 제기됐다.

한 사용자는 ‘좋은 일을 하면 좋은 결과가 따른다’는 랭퍼드의 표현에 주목했다. 오랫동안 연구자를 붙들어 준 조직의 약속이 반복해서 깨지면 문화 자체가 손상된다는 의견이다. 이 관점에서는 팀의 존폐만큼이나 남은 연구자들이 조직을 신뢰할 수 있는지가 중요하다.

또 다른 사용자는 이 사건을 트랜스포머 연구와 비트랜스포머 연구의 대립으로 읽어서는 안 된다고 했다. AI 프런티어스가 연구한 기술 중에도 트랜스포머의 한 종류가 있기 때문이다. 그는 핵심 문제를 연구 성과를 제품으로 옮기는 과정의 실행력과 조직 내 갈등에서 찾았다.

한 사용자는 대규모 하드웨어 투자보다 효율을 크게 높이는 최적화가 다음 돌파구가 될 수 있다고 전망했다. 더 적은 자원으로 학습과 추론을 할 수 있게 되면 현재의 대규모 투자와 기업 가치 평가에도 의문이 생길 수 있다는 주장이다. 이는 랭퍼드가 제시한 비용 절감 논리를 산업 전체로 넓혀 본 의견이다.

막대한 자금을 가진 기업이 AI 연구개발을 좁히는 선택을 이해하기 어렵다는 반응도 있었다. 현재의 모델을 키우는 경쟁이 중요하더라도, 더 효율적인 접근을 찾으면 경쟁 구도 자체를 바꿀 수 있다는 이유다. 반론에서는 큰 투자에 따르는 비용 부담과 향후 수익성 문제를 함께 봐야 한다고 했다.

연구와 사업 조직 사이에 중간 단계를 두자는 제안도 나왔다. 자유롭게 아이디어를 시험하는 연구팀, 성과를 골라 규모를 키워 검증하는 팀, 현재 사업을 개선하는 팀을 분리하자는 것이다. 연구 결과를 곧바로 제품 조직에 넘기기보다 작은 검증 조직을 거치면 서로 다른 목표가 충돌하는 일을 줄일 수 있다는 설명이다.

핵심통찰

AI 프런티어스의 종료는 대규모 모델 경쟁에서 연구가 사라진다는 선언보다, 연구 성과를 받아들일 조직의 경로가 막혔다는 경고에 가깝다. 랭퍼드는 규모 확대의 효과를 인정하면서도 모델을 더 효율적으로 만드는 연구가 비용 구조를 바꿀 수 있다고 주장한다. 앞으로 지켜볼 지점은 기업이 탐색적 연구를 얼마나 허용하는가만이 아니다. 유망한 결과를 검증하고 실제 모델이나 제품에 반영할 통로를 유지할 수 있는지가 더 중요한 시험대다.


원본: The End of AI Frontiers

토론: Hacker News