논문 링크:
Telecom’s Artificial General Intelligence (AGI) Vision: Beyond the GenAI Frontier
This paper unveils the groundbreaking impact of Generative AI (GenAI) as the dawn of a transformative era in 5G/6G networks and beyond. Exploring its disruptive potential across the value chain—from network design to agile and robust automation—we show
ieeexplore.ieee.org
출처: C. Chaccour, A. Karapantelakis, T. Murphy and M. Dohler, "Telecom’s Artificial General Intelligence (AGI) Vision: Beyond the GenAI Frontier," in IEEE Network, vol. 38, no. 5, pp. 21-28, Sept. 2024.
요약
기존 통신 시스템들은 아래 그림의 오른쪽 항목과 같이 기존의 방법을 개선하며 점진적으로 발전했으나 이는 전자기학 법칙, 안테나 설계 제약, shannon 용량 한계, 스펙트럼 부족과 같은 물리적 제약 때문에 더 이상 획기적인 성능 향상을 기대하기 어렵다. 또한 이들은 새롭게 등장할 메타버스, 디지털 트윈, 홀로그램 전송과 같은 기술을 지원하기엔 한계가 있다. 이에 따라 이 논문에선 AI 기술을 네트워크에 적용하는 접근을 근본적으로 재정의하고, 네트워크에 common sense(상식)를 부여해 단순 AI 수준을 넘어선 AGI-native 시스템으로 진화시키는 것을 목표한다.
기존 AI는 훈련된 데이터 범위 안에서만 작동하지만, AGI는 상식과 추론 능력을 통해 새로운 상황에서도 적절히 행동할 수 있다. 기존 방식은 AI가 훈련 데이터에 없는 시나리오를 만나면 일반화하지 못하지만 AGI-native 네트워크는 네트워크가 직관적 물리학(intuitive physics)과 유추적 추론(analogical reasoning)을 활용해 새로운 상황에서도 스스로 판단하고 대응 가능하다.
기존 AI 시스템들은 새로운 상황에 대처하는 일반화 능력인 horizontal generalizability가 부족하다. 일반화 능력을 키우기 위해 common sense 개념이 도입되며 이는 아래와 같이 네 가지 요소로 구성된다. 유추적 사고에 해당하는 analogical reasoning은 새로운 상황을 기존 경험이나 유사한 사례와 연결해 이해하고 대응하는 능력을 의미한다. 새로운 기술이나 환경을 직접 경험하지 않아도 비슷한 상황과 비교해 빠르게 습득할 수 있으며 서로 다른 요소 및 개념을 비슷한 구조나 의미를 통해 연결한다. 예상치 못한 상황에 대처하는 unforseen scenarios는 수평적 일반화를 의미하며 데이터에 없는 완전히 새로운 환경(out-of-domain)이나 코너 케이스에서도 대응할 수 있는 능력을 뜻한다. 직관적 물리학(Intuitive Physics)은 세상에서 일어나는 물리적 현상을 이해하고 다음으로 일어날 일을 추론하며 일어날 것 같은 미래 상태를 예측한다. Filling in the Blanks는 AI가 인간처럼 불완전한 정보 속에서도 빠진 요소를 추론해 상황을 완성하는 능력을 의미한다. 예를 들어, 단순히 데이터 패턴에 의존하지 않고 "공이 떨어지면 땅에 닿는다"와 같은 직관적 물리 이해를 통해 누락된 정보를 보완한다.
소개되는 AGI-native 무선 시스템은 단순한 AI 기능을 넘어서 인간 수준의 인지 능력을 갖추도록 설계되며 아래와 같은 3요소로 구성된다.
- Perception module: 네트워크가 현실 세계를 인식하는 두뇌 역할을 하는 모듈이며 데이터를 추상적이고 일반화 가능한 표현(abstract representations)으로 변환한다.
- World model: 제안하는 세계모델은 인과 관계를 반영해 세계를 이해하고 초고차원 벡터(HD vectors)로 데이터를 표현해 복잡한 관계를 효율적으로 계산하고 조작할 수 있다.
- Action-planning: 의도와 목표를 기반으로 네트워크 무엇을 해야할지 스스로 결정한다.
AGI-native 네트워크는 추상적 개념을 구조적으로 이해하고 일반화된 추론을 수행할 수 있게 해 준다. 이러한 semantic 요소들은 아래 그림과 같이 나타낼 수 있다. 왼쪽 그림과 같이 다양한 심볼들은 점으로 표현되어 있으며 이들 사이는 morphism이라는 화살표가 존재하며 이는 두 심볼 간의 관계를 나타낸다. Functor F는 심볼을 벡터로 변환할 뿐만 아니라 심볼간의 관계 morphism도 벡터 간 관계로 구조적으로 보존하면서 옮긴다.
이렇게 필요한 정보 요소들을 벡터로 나타낸 후, telecom brain은 이 요소들을 world 모델의 다음 상태를 예측하기 알맞은 형태인 HD 벡터로 변환한다. 이러한 HD 벡터들은 SCM(Structural Causal Model)을 통해 서로 연결되며 HD 벡터 각 항목들 사이의 인과 관계를 모델링한다. 입력표현 z는 여러개의 특징 x들로 구성되어 있다. 각 특징은 대응되는 하이퍼벡터로 변환된다. 그 다음엔 binding을 통해 여러 하이퍼벡터를 결합하며 결합된 벡터들은 복합적인 의미 표현을 나타낸다. 최종적으로 permutation 연산을 통해 벡터들이 재배열되고 전체 표현은 고차원 의미 벡터로 완성된다. 이는 AGI-native 네트워크가 추론과 계획에 사용할 수 있는 인지적 표현 단위가 된다.
아래 그림은 이렇게 생성된 HD 벡터들이 어떻게 다음 상태를 예측하는지 보여준다. 현재 사람과 차량은 네트워크 센싱을 통해 실시간으로 인식되고 있다. 중앙 육각형 구조는 HD 벡터 공간을 나타내며 여기에는 vehicle, asset, humanoid 같은 요소들이 추상적으로 표현되어 있다. 이 공간은 각 객체의 특징과 상태를 고차원 벡터로 표현하고 이 벡터들 사이의 관계는 SCM을 통해 인과적으로 연결된다. 그림에서 벡터 공간 위에는 세계 모델과 SCM이 연결되어 있으며 SCM은 객체들 사이의 인과관계를 수학적으로 모델링하여 추론과 시뮬레이션을 가능하게 한다. 또 현재 상태에서 미래 상태로 넘어갈 때에는 세상이 자연적으로 진화하거나 네트워크가 능동적으로 개입, 그리고 의도했거나 아닌 세계 효과들이 영향을 미친다. 오른쪽의 Future State 그림은 이와 같은 과정을 거쳐 예측한 미래 상태로 차량과 사람이 충돌할 것을 예측하여 이를 바탕으로 네트워크는 자원 할당, 경로 조정, 위험 회피와 같은 행동을 계획할 수 있다.
아래 그림은 의도 기반 계획(intent-driven planning)을 설명해준다. 그림의 왼쪽 representation 영역은 네트워크가 자신의 내부 상태나 감지된 특징들을 표현하는 방식인 내재적 정보를 나타낸다. 세계 모델은 여러 특징과 관계를 결합해 이를 통합 정보로 나타낸다. 이 통합 정보량은 Integrated Information Theory(IIT)에서 유래한 개념으로 시스템이 얼마나 깊이 있게 정보를 통합하고 있는지 나타낸다. 네트워크는 자신의 세계 모델을 기반으로 미래를 예측하고 예측된 세계 상태(Predicted World States)가 순차적으로 제시된다. 네트워크는 이를 기반으로 자신의 의도(intent)에 따라 행동(action)을 결정한다.
아래 그림은 목표 기반(objective-driven)에 따라 네트워크가 작동하는 과정을 보여준다. 그림의 가장 위쪽에선 전력을 5% 줄이겠다는 구체적인 목표(objective)를 설정한다. 이를 달성하기 위해 계획 수준을 나타내는 Level Q에서는 자원 할당, 구성 최적화 등의 계획을 수립한다. 각 모듈은 Power Reduction이라는 박스와 연결되어 모든 전략이 전력 절감이라는 목표를 향해 조율되는 것을 보여준다. Level G는 실행 수준으로 Level Q에서 수립된 전략을 현실 세계에서 실행하는 단계이다. 이 수준에서는 실제 네트워크 요소들이 조정된다. 가로축을 나타내는 행동(Actions)은 실제 환경에서의 동작을 보여준다. 통신 타워, 차량, 보행자, RIS는 추상화 계층에서 계획된 설정에 따라 동작하며 전력 감소라는 목표를 향해 이동하도록 네트워크가 돕는다. 오른쪽 상단의 뇌 아이콘은 AGI가 이 모든 추상화와 행동 사이를 연결하며 자율적 판단, 최적화를 수행함을 보여준다.
아래 그림은 AGI-native 네트워크와 XR 사용자 간의 상호작용을 설명하는 그림이다. 그림의 상단은 syncrnozied virtual experience를 나타내며 두 개의 인지 아바타가 사용자의 행동을 반영한 동기화된 경험을 하고 있는 것을 나타낸다. 각 아바타 위에는 뇌 아이콘이 있어 이들이 인지적 판단 능력을 갖춘 존재임을 나타낸다. 하단 그림은 실제 세계에서 두명의 XR 사용자가 시스템과 상호작용하고 있는 것을 나타낸다. 이 공간에선 RIS와 Sub-THz Beam과 같은 고급 통신 기술이 배치되어 사용자의 움직임과 감각을 정밀하게 감지하고 전달한다. Forward & Reverse Mirror Game을 통해 사용자의 행동이 아바타에게 전달되어 아바타가 반응하고 아바타의 반응이 사용자에게 전달되어 사용자는 그 피드백을 기반으로 행동을 조정한다. 이 양방향 흐름은 실시간 상호작용, 적응적 반응을 가능케 한다. 중앙의 그림은 귀납적 추론(Abductive Reasoning)을 나타내며 이는 시스템이 아바타의 반응을 보고 사용자가 어떤 감각을 느끼고 행동을 했는지 역으로 추론하는 과정이다. 즉 이는 단순한 명령 전달이 아닌 의미 기반의 이해와 해석이 이루어지는 구조다.
6G 및 Beyond 6G 네트워크는 단순히 데이터 양을 늘리는 것이 아니라, 의미 중심(semantic-driven) 통신으로 진화해야 한다고 강조한다. 데이터 복잡도가 높아질수록 의미적 가치도 커지지만, 네트워크 부담도 커진다. 그러나 제안된 AGI-native 방식은 더 낮은 복잡도로도 높은 의미적 가치를 달성할 수 있다는 것을 아래 그림은 보여준다. 제안한 방법에서 네트워크는 단순 데이터 상관관계에 의존하지 않고 의미 있는 부분과 우연히 나타나는 패턴을 구분해 의미 있는 인과적 패턴만 학습한다. 상식(common sense)와 세계 모델을 통해 네트워크는 진짜 필요한 지식을 구분해낼 수 있다.
아래 그림에서 task index는 네트워크가 수행해야하는 과제의 난이도나 복잡성을 나타내고 세로축 semantic reliability는 전송된 정보가 수신자에게 올바른 의미로 해석되고 활용될 수 있는 정도를 의미한다. Implicit semantic communication은 단순 데이터 상관관계를 기반으로 하며 causual reasoning은 인과관계 기반 의미 전달을 한다. Semantic communication with TOM은 마음 이론 및 사용자 상태를 반영하여 뇌 수준 몰입 경험을 제공하여 높은 의미정보를 유지한다. 여기서 ToM(Theory of Mind, 마음 이론)은 인간이 타인의 의도, 감정, 생각 상태를 추론하는 능력으로 AGI-native 네트워크가 인간 수준의 인지 능력을 모방하는 핵심 요소다.
마지막으로 이 논문은 AGI-native 시스템의 실현을 위한 구체적인 방향을 제시한다:
- Physics-based digital world models: 현실 세계의 물리 법칙을 반영한 디지털 복제 모델을 구축하고 이를 바탕으로 상식적 추론, 미래 예측, 자율적 행동 계획을 가능하게 한다.
- Role of LLMs and generative AI in an AGI-native network: LLM과 생성형 AI는 의도와 목표를 이해하고 행동 계획을 생성하며 새로운 상황에서도 추론과 일반화를 지원하는 역할을 한다. 하지만 이들만으로는 네트워크가 원하는 만큼 동작할 수 없기에 HD기반 세계 모델과 SCM과 결합해 신뢰성 있는 계획을 만드는 것이 중요하다.
- Open interfaces in AGI-native wireless systems: 오픈 인터페이스란 네트워크 내부 모듈과 외부 요소 사이에서 투명하고 표준화된 연결 경로를 제공하는 구조다. 이는 기존 폐쇄형 네트워크와 달리 상호 운용성과 확장성을 보장한다. HD 벡터 공간과 SCM을 통해 구축한 세계 모델이 다른 모듈과 원활히 연결 되려면 개방형 인터페이스가 필요하다. 또한 개방형 인터페이스는 네트워크, DT, 사용자 경험 간의 실시간 상호작용을 가능케 한다. 또한 사용자 의도를 네트워크가 이해하고 구체적 목표로 변환하는 과정에서 핵심 역할을 하며 새로운 기술이나 모듈을 추가할 수 있어 지속 가능한 발전도 가능하다.
- Synergies between fundamental mathematics and AGI: 기초 수학적 원리와 AGI-native 네트워크 설계는 서로 맞물려 발전할 수 있다. Category theory를 통해 현실 세계의 객체와 관계를 추상적 구조로 표현할 수 있다. 또 Causual mathematics를 통해서 SCM은 인과 관계를 명확히 설명하며 추론을 수행할 수 있게 한다. HD coputing을 통해 고차원의 수학적 연산을 손실 없이 표현할 수 있다. 또한 optimization을 통해 네트워크가 목표를 달성하기 위해 자원을 수학적으로 최적화할 수 있다.
- Design of efficient guard rails for autonomous AI: 마지막으로 네트워크가 완전한 자율성을 가지면서도 안전하고 신뢰성 있게 동작하도록 만드는 보호장치 guard rail 설계가 필요하다. 세계 모델과 결합해 인과적 제약을 걸어 네트워크가 물리 법칙과 인과 관계를 벗어난 행동을 하지 않도록 해야한다. 또 사용자의 의도를 네트워크가 해석할 때 비현실적이거나 위험한 목표로 변환되지 않도록 필터링한다. 가드레일은 네트워크가 전력 절감, 자원 할당 최적화 같은 목표를 추구하면서도 QoE, QoNE를 해치지 않도록 균형을 맞춘다. AGI-native 네트워크는 스스로 학습하고 일반화하지만 가드레일이 없다면 예측 불가능한 행동을 할 수 있기에 이는 자율성과 안전성을 동시에 보장할 수 있는 설계의 핵심 요소다.