2026.09.15 화요일
검색
'IEEE' 검색결과
기간검색
-
~
검색영역
검색어
-
KAIST, 재학습 없이 AI 환각 줄이는 기술 개발 [경제일보] 한국과학기술원(KAIST) 연구진이 인공지능(AI)이 여러 감각 정보를 뒤섞어 없는 사실을 지어내는 '환각'을 줄이는 기술을 내놨다. 모델을 처음부터 다시 학습시키지 않고도 오류를 낮췄다는 점이 핵심이다. KAIST는 노용만 전기및전자공학부 교수 연구팀이 멀티모달 대형언어모델(MLLM)의 감각 혼선을 줄이는 기술 두 가지를 개발했다고 7월 31일 밝혔다. '다양한 부정 속성(DNA)' 최적화 기법은 센서가 담은 물리적 의미를 AI가 제대로 읽게 만든다. 사람은 열화상 화면에서 밝은 부분이 뜨거운 곳이라는 것을 안다. 기존 AI는 이를 일반 사진처럼 다뤄 단순한 빛으로 착각했다. 연구팀은 열과 거리처럼 센서가 재는 물리량을 이해하도록 학습 방식을 바꿨다. AI가 자주 틀리는 사례를 반복 학습시켜 어둠이나 연기 속에서도 사물을 더 정확히 인식하게 했다. 열화상은 물체가 내는 열을 영상으로 보여주는 센서이고 깊이 영상은 물체까지의 거리를 재는 센서다. 감각 혼선을 막는 기술은 시각과 청각의 간섭을 겨냥한다. 폐쇄회로(CC)TV 영상에 자동차가 지나가는 장면이 담겼지만 소리는 녹음되지 않은 경우, 기존 멀티모달 AI는 차가 보인다는 이유만으로 엔진 소리가 들린다고 답하는 일이 있었다. 연구팀은 AI가 질문을 받았을 때 영상을 봐야 하는지 소리를 들어야 하는지를 먼저 스스로 가르고 더 중요한 감각에 집중하도록 설계했다. 두 기술 모두 대규모 재학습을 거치지 않는다. 멀티모달 모델을 다시 훈련하려면 막대한 연산 자원과 데이터가 들어간다. 기존 모델을 그대로 두고 편향과 환각만 낮출 수 있다면 도입 비용이 크게 줄어든다. 적용이 거론되는 곳은 감각 오류가 곧 사고로 이어지는 현장이다. 밤이나 안개 속에서 보행자와 차량을 가려야 하는 자율주행차, 연기로 앞이 막힌 화재 현장에서 생존자를 찾는 구조 로봇, 열화상 카메라를 쓰는 드론이다. 공항 보안검색의 엑스레이 영상 분석과 병원에서 컴퓨터단층촬영(CT), 자기공명영상(MRI), 엑스레이를 함께 판독하는 AI에도 쓸 수 있다는 것이 연구팀 설명이다. 노용만 교수는 "멀티모달 AI가 실제 환경에서 사용되려면 다양한 센서의 특성을 정확히 이해하고 여러 감각 정보를 혼동하지 않는 것이 중요하다"며 "대규모 재학습 없이도 AI의 감각 편향과 환각을 줄여 실제 생활과 산업 현장에서 믿고 사용할 수 있는 멀티모달 AI의 기반을 마련했다"고 말했다. 노 교수는 인간 중심 멀티모달 신호처리 분야 기여를 인정받아 2026년 국제전기전자공학회(IEEE) 석학회원으로 뽑혔다. 감각 혼선 방지 기술은 6월 3일부터 7일까지 미국 덴버에서 열린 컴퓨터비전·패턴인식 학술대회(CVPR)에서 발표됐다. 센서 이해 기술은 영상처리 분야 국제 학술지 'IEEE 트랜잭션스 온 이미지 프로세싱'에 실렸다.2026-07-31 12:44:45
-
AI 에이전트의 숨은 청구서…KAIST 연구팀, 질문 한 번에 전력 136배 더 쓴다 [경제일보] 인공지능(AI) 에이전트가 확산되면서 데이터센터 전력 소비가 AI 산업의 핵심 변수로 떠오르고 있다. 질문에 답하는 수준을 넘어 검색, 계산, 코드 실행 등 외부 도구를 활용하는 AI가 늘수록 전력과 인프라 비용도 함께 커진다는 분석이다. 5일 KAIST 전기및전자공학부 유민수 석좌교수 연구팀은 실제 서비스 환경에서 AI 에이전트가 사용하는 계산 자원과 전력량을 분석한 연구 결과를 발표했다. KAIST는 이번 연구가 AI 에이전트의 계산 비용과 에너지 소비를 세계 최초로 체계적으로 분석한 사례라고 밝혔다. AI 에이전트는 거대언어모델(LLM)을 기반으로 스스로 계획을 세우고 외부 도구를 활용해 복잡한 문제를 해결하는 차세대 AI다. 소프트웨어 개발, 연구, 업무 자동화 등 활용 범위는 넓어지고 있지만 실제 운영에 필요한 전력과 비용은 제대로 수치화되지 않았다. 연구팀은 AI 에이전트를 단순 프로그램이 아니라 데이터센터 서버와 고성능 그래픽처리장치(GPU)가 지속적으로 처리해야 하는 새로운 워크로드로 정의했다. 분석 결과 AI 에이전트는 기존 단계별 추론 방식과 달리 하나의 답변을 만들기 위해 LLM 호출을 반복하는 구조를 보였다. 이 과정에서 응답 시간은 최대 153.7배 길어졌다. 외부 도구가 작업을 수행하는 동안 GPU는 전체 실행 시간의 최대 54.5%를 계산 없이 대기하는 것으로 나타났다. AI가 복잡한 일을 수행할수록 고가의 GPU가 충분히 활용되지 못하는 비효율이 발생한다는 의미다. 전력 소비도 크게 늘었다. 연구팀 분석에 따르면 700억개 매개변수를 가진 LLM 기반 AI 에이전트는 질문 1건을 처리하는 데 평균 348.41Wh의 전력을 소비했다. 이는 기존 생성형 AI의 단순 질의응답 방식보다 최대 136.5배 높은 수준이다. 데이터센터 단위로 보면 부담은 더 커진다. 연구팀은 하루 137억건의 AI 에이전트 요청이 발생하는 환경을 가정할 경우 데이터센터 전력 수요가 약 198.9GW에 이를 것으로 추정했다. 이는 현재 세계 각국이 추진하는 수GW급 AI 데이터센터 규모를 크게 웃도는 수준이며 연구팀은 미국 전체 평균 전력 소비량의 절반에 해당한다고 설명했다. 유민수 KAIST 전기및전자공학부 석좌교수는 “정확도에 치중해 온 그간의 AI 에이전트 연구의 벽을 허물어 실제 서비스 환경에서 요구되는 계산 비용과 인프라 부담을 함께 고려할 수 있는 새로운 기준을 제시했다”고 말했다. 그는 “AI 에이전트 사용이 보편화된 미래 사회에는 AI 데이터센터 인프라와 AI 에이전트 모델, 전력 인프라를 아우르는 공동설계 방식으로 최적화를 꾀하는 접근법이 중요해질 것”이라고 밝혔다. 한편 이번 연구에는 KAIST 전기및전자공학부 김지인 박사과정 학생이 제1저자로 참여했다. 연구 결과는 컴퓨터 시스템 설계 분야 국제학회 'IEEE HPCA(International Symposium on High-Performance Computer Architecture)'에서 발표됐으며 연구팀은 AI 에이전트 구현 기술과 성능평가 체계를 공개해 후속 연구에 활용할 수 있도록 했다.2026-07-05 15:47:43
많이 본 뉴스
영상
Youtube 바로가기
![[데스크칼럼] 세금이 넘칠 때가 재정의 진짜 시험대다](https://image.ajunews.com/content/image/2026/09/14/20260914110041235003_518_323.png)