로봇의 지능은 정답보다 기억에서 시작된다

로봇이 모르는 상황에서 그럴듯한 답을 만들어내는 대신, 자신이 실제로 본 장면을 다시 찾아 행동한다는 발상이 눈에 띈다. 현실에서 움직이는 인공지능에는 말솜씨보다 근거가 중요하기 때문이다. 대화형 AI의 오류는 잘못된 문장으로 끝날 수 있지만, 로봇의 착오는 충돌이나 작업 실패로 이어질 수 있다. 한국전자통신연구원과 광주과학기술원 연구진이 개발한 ‘씬쿼리플래너’의 의미를 필자는 바로 이 차이에서 찾는다.

몸을 가진 AI에는 경험의 장부가 필요하다

오늘날 많은 AI는 입력된 정보를 한꺼번에 처리해 다음 답이나 행동을 정한다. 그러나 실제 공간은 끊임없이 달라진다. 물건이 옮겨지고, 사람이 지나가며, 이전에는 보이지 않던 장애물이 나타난다. 로봇이 매 순간 모든 장면을 처음부터 해석한다면 계산 부담이 커지고 과거 경험도 활용하기 어렵다. 반대로 환경정보를 구조화해 기억한다는 것은 단순히 영상을 저장하는 일이 아니다. ‘무엇이 어디에 있었고 서로 어떤 관계였는지’를 찾기 쉬운 형태로 정리하는 작업에 가깝다.

씬쿼리플래너는 로봇이 직접 관측한 정보를 기억하고, 필요한 순간 관련 내용을 조회해 행동을 계획한다. 이는 로봇 AI가 막연한 통계적 추정에만 기대지 않고 자신의 경험을 근거로 삼게 한다는 점에서 반갑다. 가정이나 공장처럼 사물의 위치와 작업 순서가 중요한 공간에서는 이런 기억 기반 접근이 로봇의 일관성과 설명 가능성을 높이는 토대가 될 수 있다고 본다.

좋은 기억은 많이 저장하는 기억이 아니다

다만 기억을 갖췄다는 사실만으로 신뢰할 수 있는 로봇이 완성되는 것은 아니다. 오래된 관측을 현재 사실로 오인하거나, 비슷한 물체를 잘못 연결하거나, 필요한 정보를 찾지 못하면 기억은 오히려 오류를 확신하게 만들 수 있다. 따라서 앞으로는 얼마나 많이 기억하는가보다 언제 기억을 갱신하고, 모순된 정보 가운데 무엇을 채택하며, 확신이 부족할 때 어떻게 멈추는지를 검증해야 한다.

개인정보 문제도 피할 수 없다. 생활공간을 관찰하는 로봇의 기억에는 사람의 동선과 습관이 담길 수 있다. 저장 범위와 보존 기간, 삭제 권한을 제품 설계 단계부터 명확히 해야 한다. 산업계와 연구기관은 성공 장면만 제시할 것이 아니라 환경 변화, 잘못된 기억, 조회 실패 같은 조건에서도 안전하게 행동하는지 평가하는 공통 기준을 마련해야 한다.

필자는 로봇의 다음 경쟁력이 더 큰 언어모델 하나에 달렸다고 보지 않는다. 자신이 본 것을 정확히 기억하고, 필요할 때 꺼내며, 불확실하면 행동을 유보하는 능력이 현실의 신뢰를 좌우할 것이다. 씬쿼리플래너가 던진 중요한 질문은 로봇이 얼마나 영리하게 추측하느냐가 아니라, 얼마나 책임 있게 기억하느냐이다.