텐센트의 새로운 AI 기술, 모델이 루프에서 스스로 학습하게 해

텐센트는 Terminal-RSI라고 부르는 훈련 기법을 공개했다. 이는 대규모 언어 모델이 자체 연습 문제를 생성한 후 해결함으로써 스스로 개선할 수 있게 한다. 회사는 이 방법을 모델에 일종의 자기 주도 학습 루프를 제공하여 인간이 작성한 훈련 데이터에 대한 의존도를 줄이는 방법이라고 설명했다. 기술 매체 TMTPost가 보도한 이 발표는 중국 AI 개발자들이 단순히 더 많은 텍스트를 제공하는 것이 아니라 모델의 능력을 향상시키는 데 점점 더 집중하고 있음을 보여준다.

핵심 아이디어는 모델이 학생이자 교사 역할을 모두 할 수 있다는 것이다. 과제를 제안하고, 시도하고, 검증 가능한 결과와 대조하여 확인하고, 실수로부터 배운다. 반복적인 주기를 거치면서 모델의 성능은 스스로 만들어낸 과제에서 향상된다. 텐센트는 이를 AI 연구자들을 오랫동안 매료시켜 왔지만 안정적으로 구현하기 어려운 개념인 재귀적 자기 개선의 소규모 버전이라고 부른다. 회사의 설명은 이 접근 방식을 더 강력한 추론 능력으로 가는 실용적인 경로로 보고 있음을 시사한다.

텐센트의 움직임은 중국 AI 산업이 뚜렷한 진영으로 나뉘는 시기에 나왔다. 저비용 모델로 세계를 놀라게 한 항저우 기반 연구소 DeepSeek는 효율성과 오픈 릴리스에 집중해 왔다. Moonshot AI가 개발한 Kimi는 긴 컨텍스트 문서 처리 분야를 개척했다. WeChat으로 유명한 선전 기반 인터넷 거대 기업 텐센트는 Hunyuan 모델 제품군을 구축하고 소비자 및 기업 제품 전반에 AI를 통합해 왔다. Terminal-RSI 연구는 미국 모델이 종종 앞서온 추론 분야의 격차를 좁히는 것을 목표로 하는 것으로 보인다.

시점도 주목할 만하다. DeepSeek는 최근 API에서 웹 검색에 대한 요금을 부과하기 시작했는데, 이는 중국 AI 기업들이 치열한 가격 경쟁 기간을 거쳐 지속 가능한 비즈니스 모델로 나아가고 있음을 보여주는 신호다. 반면 텐센트의 연구는 비용이 아닌 능력에 관한 것이다. 모델이 더 적은 인간의 감독으로 스스로 개선할 수 있다면 AI 개발의 경제성이 바뀌어 더 높은 성능에 더 저렴하게 도달할 수 있고 잠재적으로 출시 속도가 빨라질 수 있다.

그럼에도 자기 개선 모델은 의문을 제기한다. 자체 훈련 데이터를 생성하는 모델은 모델 붕괴로 알려진 문제인 자체 결함을 강화할 수 있다. 텐센트의 방법은 검증 가능한 답이 있는 과제에 의존하므로 작동할 수 있는 영역이 제한된다. 창의적 글쓰기, 개방형 추론, 실제 세계 계획은 자동으로 확인하기 어렵다. 회사는 어떤 제품이나 향후 Hunyuan 모델이 이 기술을 사용할지 밝히지 않았다.

더 넓은 맥락은 혼잡하면서도 창의적인 중국 AI 시장이다. 스타트업과 거대 기업 모두 에이전트 시스템, 검색 도구, 개인 비서를 실험하고 있다. 텐센트의 Terminal-RSI는 이러한 패턴에 부합한다. 클라우드 서비스에서 소비자 앱에 이르기까지 제품에 반영될 수 있는 연구 진전이다. 글로벌 관찰자들에게 이는 중국의 AI 발전이 단순히 규모에서 따라잡는 것뿐만 아니라 모델을 훈련하고 배포하는 새로운 방법을 찾는 것임을 상기시킨다.

다음에 무슨 일이 일어날지는 결과에 달려 있다. 텐센트는 벤치마크에 대한 세부 정보를 거의 공개하지 않았으며 독립적인 검증이 중요할 것이다. 그러나 방향은 분명하다. 중국 연구소들은 더 이상 단순히 따라가는 것이 아니다. 데이터나 자금이 바닥나지 않고 모델을 더 똑똑하게 만드는 방법이라는 AI의 가장 어려운 문제에 대해 자체적인 답을 제시하고 있다.