연구진은 문제의 복잡성에 따라 연산 자원을 동적으로 조정할 수 있는 차세대 AI 모델을 개발했다. 이는 인공지능이 난이도 높은 과제에 접근하는 방식에 있어 중대한 변화를 의미한다.
이 기술은 DeepSeek-R1, OpenAI의 o-series와 같은 모델에서 두드러지게 나타나며, 개발자들은 이를 '추론 우선 접근법(reasoning-first approach)'이라 부른다. 이 방식은 빠른 패턴 매칭보다 철저한 분석을 우선시한다. DeepSeek-R1은 이러한 추론 우선 방식을 바탕으로 구축되어, 과학, 코딩, 수학 등 복잡한 작업을 고급 논리 추론과 문제 해결로 다루는 데 특히 적합하다. '답변 전에 생각하기'에 집중함으로써 기술적 응용 분야에서 높은 가치를 지닌다.
기존의 AI 시스템과 달리, 이 새로운 추론 모델들은 답변을 내리기 전에 '더 오래 생각하도록' 훈련된다. 예를 들어 OpenAI의 o3는 어려운 질문을 논리적 단계로 분해하고, 중간 계산이나 도구 호출을 수행한 후 근거 있는 답변을 도출할 수 있다. 이러한 추론 모델들은 스스로 사실 확인을 효과적으로 수행해, 기존 모델이 자주 빠지는 함정을 피할 수 있다. 일반적인 비추론 모델에 비해 해답 도출에 수 초에서 수 분 더 걸릴 수 있지만, 물리학, 과학, 수학 등 분야에서 더 신뢰할 만한 결과를 제공한다.
OpenAI는 대규모 강화학습에서도 기존 모델 훈련에서 보였던 '더 많은 연산 = 더 나은 성능' 경향이 동일하게 나타남을 관찰했다. 스케일링 경로를 강화학습에 적용함으로써, 훈련 연산량과 추론 시간 추론 능력 모두에서 추가적인 한 차원 도약을 이뤄냈으며, 더 오랜 시간 생각할수록 모델의 성능이 계속 향상된다는 점을 명확히 입증했다.
이 모델들은 추론 과정에서 여러 해답 경로를 적극적으로 생성하고, 내장된 평가자 모델의 도움을 받아 가장 유망한 옵션을 평가한다. 평가자 모델을 전문가가 라벨링한 데이터로 훈련함으로써, 복잡하고 다단계적인 문제를 논리적으로 해결하는 강력한 추론 능력을 갖추게 된다. 이 기능은 모델이 자신의 추론을 스스로 판단할 수 있게 해, 대형 언어 모델이 단순히 답변하는 수준을 넘어 '생각하는' 단계에 한 걸음 더 다가서게 한다.
DeepSeek의 접근법은 연쇄적 사고(chain-of-thought reasoning)와 강화학습을 결합한다. 여기서 자율 에이전트는 인간의 지시 없이 시행착오를 통해 과제를 수행하는 법을 배운다. 이는 모델이 단순히 정답 예시로만 훈련받아 추론 능력이 향상된다는 기존 가정에 의문을 제기한다. 한 연구자의 표현처럼, "모델이 정답에 대해 보상을 받게 하고, 스스로 최적의 사고 방식을 발견하도록 둘 수 있을까?"라는 질문을 던진다.
이러한 혁신은 실제 응용 분야에 큰 파급 효과를 가져올 전망이다. 이 모델들은 과학 연구, 공학, 비즈니스 전략, 창의적 문제 해결 등 다양한 분야에서 AI가 복잡한 문제를 다루는 방식을 혁신할 수 있다. 인간이 어려운 문제에 더 많은 시간을 쓰는 것처럼, 과제 난이도에 따라 연산 자원을 비례적으로 할당함으로써, 인류가 직면한 가장 도전적인 지적 과제에 대해 더욱 신뢰할 수 있는 성과를 약속한다.