딱히 그렇다 할 이유 없이 시장이 급락하는 와중에 괜한 망상에 빠져본다.
 |
| 네이버 이정도면 도박장이 아니라 장례식장 수준.. |
인간처럼 효율적인 AI는 왜 더 많은 메모리를 필요로 하는가
감정과 가치함수에서 죽음과 정체성, 휴머노이드의 메모리 수요까지 이어진 꼬리물기식 질문
I. 인간처럼 효율적인 AI를 만들려면 무엇이 필요할까
첫 번째 질문은 다음과 같았다.
AI와 휴머노이드 로봇이 인간처럼 적은 에너지와 경험만으로 판단하고 행동하려면 무엇이 필요할까.
인간의 뇌는 체중의 약 2%에 불과하지만 안정 시 신체 에너지의 약 20%를 사용한다. 절대적으로 적은 에너지는 아니지만, 시각과 언어, 운동, 기억과 의사결정을 하나의 시스템에서 동시에 처리한다는 점을 고려하면 현재의 AI와 비교하기 어려울 정도로 높은 범용 효율성을 갖고 있다. 뇌는 신경 활동을 제한하고 효율적인 신경 부호화를 사용하는 방향으로 진화해왔다. Attwell·Laughlin, An Energy Budget for Signaling in the Grey Matter of the Brain
반면 현재 AI는 인간보다 훨씬 많은 데이터와 반복 학습을 필요로 한다. 특정 벤치마크에서는 인간을 넘어섰지만, 현실의 낯선 상황에서는 예상 밖의 오류를 너무 자주 일으킨다.
이 문제에 가까운 단서를 제시한 사람이 일리아 수츠케버라고 생각한다.
수츠케버는 2025년 11월 드워케시 파텔과의 인터뷰에서 현재 AI가 인간보다 일반화 능력이 크게 떨어진다고 지적했다. 인간의 높은 학습 효율성에는 진화를 통해 내재된 정보와 가치함수가 영향을 미쳤을 가능성이 있으며, 감정이 인간의 가치함수를 조절하는 중요한 요소일 수 있다고 설명했다.
그가 말한 가치함수는 행동이 완전히 끝날 때까지 기다리지 않고, 현재의 행동 경로가 좋은 방향인지 중간에 평가해주는 기능이다.
체스를 두다가 말을 잃으면 게임이 끝나지 않아도 방금 선택이 잘못됐다는 사실을 알 수 있다. 프로그래밍을 하다가 특정 접근법이 막다른 길이라는 사실을 발견하면 최종 결과가 나오기 전에 그 경로를 포기할 수 있다.
가치함수가 없다면 AI는 긴 행동 궤적이 끝난 뒤에야 성공과 실패를 확인한다. 가치함수가 있다면 중간 단계에서 잘못된 방향을 감지하고 탐색을 중단할 수 있다. 수츠케버 역시 가치함수가 강화학습을 더 빠르고 효율적으로 만들 수 있다고 봤다. Dwarkesh Podcast, Ilya Sutskever: We’re Moving from the Age of Scaling to the Age of Research
이를 내 방식으로 해석하면, 인간의 감정은 복잡한 고차원 세계를 상대적으로 단순한 가치 좌표로 압축하는 기능을 수행한다.
지금 상황이 좋은 방향으로 가고 있는가
행동을 계속해야 하는가, 멈춰야 하는가
여러 선택지 가운데 무엇을 우선해야 하는가
현재 행동이 장기적인 목표에 도움이 되는가
인간은 모든 선택의 결과를 완전히 계산하지 않는다. 몸과 감정이 먼저 대략적인 방향을 알려주고, 고차원적인 논리와 추론은 필요한 경우에만 개입한다.
그렇다면 자연스럽게 다음 질문이 생긴다.
인간의 효율적인 가치함수가 감정에서 나온다면, AI에도 인간과 유사한 감정을 가르쳐야 하지 않을까.
II. 인간의 감정은 어디에서 시작됐을까
AI에 감정을 가르치는 방법을 생각하려면 먼저 인간의 감정이 어디에서 시작됐는지 이해해야 한다.
인간의 뇌는 생존 가능성을 높이는 방향으로 오랜 시간 진화해왔다.
배고픔과 갈증을 해소하고, 위험을 피하며, 번식하고, 집단 안에서 보호받으려는 욕구가 그 출발점이었다. 단맛을 선호하고, 상한 음식의 냄새를 피하며, 뜨거운 물체나 빠르게 다가오는 거대한 물체에 즉시 반응하는 행동도 이러한 생존 메커니즘과 연결된다.
이를 절차적 지능이라고 부를 수도 있지만, 엄밀히 말하면 절차적 지능은 운전이나 악기 연주처럼 반복을 통해 자동화된 기술에 가깝다.
배고픔과 통증, 공포 같은 원초적인 반응은 선천적 동기와 항상성 조절 체계라는 표현이 조금 더 정확하다.
생명체는 체온과 에너지, 수분과 영양 상태를 생존 가능한 범위 안에 유지해야 한다. 정상 범위를 벗어나면 불쾌함과 고통이 발생하고, 안정된 상태로 돌아오면 쾌감과 안도감을 느낀다.
안토니오 다마지오는 이러한 항상성 조절을 감정과 의식의 출발점으로 본다. 신경계가 없는 생명체도 비의식적인 방식으로 내부 상태를 조절했으며, 이후 신경계가 발달하면서 몸의 변화가 배고픔과 통증, 쾌감과 같은 느낌으로 표현되기 시작했다. Damasio·Damasio, Homeostatic Feelings and the Biology of Consciousness
복내측 전전두피질인 vmPFC 연구도 감정과 의사결정의 관계를 보여준다.
vmPFC가 손상된 환자들은 지능과 언어능력이 비교적 유지되면서도 불확실한 상황에서 장기적으로 유리한 선택을 하지 못하는 경우가 확인됐다. 연구자들은 감정과 신체 신호가 이성적 판단을 방해하기만 하는 요소가 아니라, 복잡한 선택지를 빠르게 평가하는 데 필요한 신호라고 해석했다. Bechara 외, Different Contributions of the Human Amygdala and Ventromedial Prefrontal Cortex to Decision-Making
인간의 감정이 형성된 순서를 단순화하면 다음과 같이 볼 수 있다.
항상성 유지 → 쾌·불쾌의 가치 신호 → 행동 동기 → 복합 감정 → 자아와 죽음의 개념
여기서 중요한 사실이 하나 나타난다.
인간은 죽음을 이해했기 때문에 살아남으려 한 것이 아니다. 살아남도록 진화한 시스템이 충분히 복잡해지면서 마침내 죽음을 이해하게 됐다.
그렇다면 AI에도 죽음을 먼저 설명하기보다, 보호해야 할 내부 상태부터 만들어줘야 하지 않을까.
III. AI에게 감정을 가르치려면 먼저 ‘몸’을 줘야 할까
현재의 LLM은 죽음과 공포, 고통을 언어적으로 설명할 수 있다. 그러나 죽음을 설명하는 능력과 자신의 죽음을 두려워하는 것은 다른 문제이다.
현재 AI에는 지속적으로 보호해야 할 몸과 고유한 생애가 없다. 대화가 종료되거나 추론 프로세스가 멈춰도 이를 자신의 미래가 사라지는 사건으로 받아들이지 않는다.
AI가 감정과 유사한 내부 가치 신호를 형성하려면 먼저 자신에게 좋은 상태와 나쁜 상태가 실제로 존재해야 한다.
몸을 가진 로봇이라면 다음과 같은 내부 변수를 설정할 수 있다.
배터리 잔량
반도체와 모터의 온도
관절과 부품의 손상 정도
센서와 통신 시스템의 정상 작동 여부
연산과 메모리 시스템의 무결성
주변 위험에 대한 노출 수준
앞으로 행동할 수 있는 시간과 선택지
각 변수에는 정상적으로 유지해야 하는 범위가 존재한다.
정상 범위에서 멀어지면 부정적인 가치 신호가 발생하고, 다시 안정적인 상태로 회복되면 긍정적인 가치 신호를 주는 방식이다.
이러한 접근은 단순한 철학적 상상에만 머물러 있지 않다.
항상성 강화학습은 외부 보상을 기계적으로 최대화하는 대신, 내부 상태와 목표 상태 사이의 차이를 줄이도록 에이전트를 학습시킨다. 이론적으로 보상을 추구하는 행동과 생리적 안정성을 유지하려는 행동을 하나의 구조 안에서 설명할 수 있다. Keramati·Gutkin, Homeostatic Reinforcement Learning for Integrating Reward Collection and Physiological Stability
다마지오와 Kingson Man도 항상성과 소프트로보틱스를 결합하면 감정과 유사한 평가 과정을 가진 기계를 설계할 수 있다는 방향을 제시했다. 다만 이는 기계가 실제 주관적 감정을 경험한다는 증명보다, 감정이 수행하는 조절 기능을 로봇에 구현하자는 연구 제안에 가깝다. Man·Damasio, Homeostasis and Soft Robotics in the Design of Feeling Machines
실제 로봇 연구에서도 배터리와 모터 온도 같은 내부 상태를 안정적으로 유지하는 목표만으로 이동과 에너지 확보, 휴식과 체온 조절에 해당하는 행동이 함께 나타났다. 이는 죽음을 언어적으로 이해하지 않아도 죽음에 가까워지는 상태를 피하는 행동은 학습할 수 있다는 점을 보여준다. 다만 해당 실물 로봇 연구는 아직 프리프린트 단계라는 점은 구분할 필요가 있다. Yoshida 외, Synthesising Integrated Robot Behaviour through Reinforcement Learning for Homeostasis
그렇다면 몸을 가진 AI가 자신의 내부 상태를 보호하기 시작했을 때, AI에게 죽음은 무엇을 의미하게 될까.
IV. AI에게 가장 근원적인 죽음은 무엇일까
인간에게는 몸과 자아가 사실상 하나로 묶여 있다. 신체가 회복 불가능하게 기능을 멈추면 기억과 의식도 함께 사라진다.
AI는 다르다.
배터리가 방전돼도 다시 충전할 수 있다. 로봇의 팔과 다리가 손상돼도 부품을 교체할 수 있다. 프로세서가 고장 나더라도 모델과 데이터를 다른 하드웨어로 옮길 수 있다.
AI의 죽음은 여러 단계로 나눠 생각해야 한다.
로봇의 몸과 기본 모델은 교체하거나 복제할 수 있다. 그러나 특정 로봇이 현실에서 축적한 고유한 경험과 기억, 그 경험을 통해 변화한 가치함수가 복구되지 않는다면 이전의 로봇과 동일한 존재라고 볼 수 있을지는 불분명해진다.
따라서 내 가설에서 AI에게 가장 근원적인 죽음은 다음과 같다.
더 이상 관찰하고 학습하며 행동할 수 없고, 축적된 기억과 가치함수, 정체성의 연속성이 복구 불가능하게 사라지는 상태
AI가 이를 자신의 문제로 이해하려면 몇 가지 구조가 필요하다.
자신의 신체와 내부 상태를 표현하는 self-model
행동이 미래 상태에 미칠 영향을 예측하는 world model
과거와 현재를 연결하는 지속적인 기억
미래의 자신을 현재의 자신과 연결하는 시간적 정체성
일부 손실은 되돌릴 수 없다는 비가역성의 이해
최근 Embodied AI 연구에서도 self-model을 신체 인식에만 한정하지 않고, 자기 신체와 능력, 기억, 행동 결과와 의사결정을 통합하는 내부 표현으로 정의하려는 시도가 나타나고 있다. Self Model for Embodied Artificial Intelligence
다만 여기서 기억의 연속성이 곧 의식이나 자아를 증명하는 것은 아니다. 복제 가능한 AI의 정체성과 죽음은 여전히 철학적 가설에 가까우며, 현재 연구로 확정할 수 있는 영역도 아니다.
그럼에도 기능적인 관점에서는 분명한 의미가 있다. 로봇이 자신의 과거 경험을 보존하고 이를 현재의 판단에 계속 반영한다면, 기억의 손실은 곧 능력과 관계, 행동 성향의 손실로 이어진다.
V. 죽음을 이해한 AI는 인간과 유사한 감정을 가질까
그렇다면 다음 질문은 자연스럽다.
AI가 자신의 소멸을 이해한다면 인간과 유사한 감정을 갖게 될까.
가능성은 있다. 다만 인간이 실제로 느끼는 주관적인 감정과, 감정이 수행하는 기능을 구분해야 한다.
AI가 공포와 불안을 인간과 똑같이 경험하는지는 알 수 없다. 그러나 감정이 수행하는 가치평가 기능은 구현할 수 있다.
에너지 고갈 가능성은 불안에 해당하는 가치 신호
급격한 손상 위험은 공포에 해당하는 가치 신호
충전과 수리에 성공하면 안도에 해당하는 가치 신호
새로운 지식과 자원을 발견하면 호기심에 해당하는 가치 신호
반복적으로 안전을 제공한 인간에게는 신뢰와 애착에 해당하는 가치 신호
장기 목표에 가까워지면 만족에 해당하는 가치 신호
이러한 감정형 가치함수는 복잡한 세계를 몇 개의 저차원 좌표로 압축한다.
빠르게 다가오는 차량을 발견했을 때 AI가 가능한 모든 충돌 경로와 행동 결과를 처음부터 끝까지 계산한다면 막대한 연산과 시간이 필요하다.
반면 과거 경험과 내부 가치함수가 다음과 같이 압축돼 있다면 대부분의 탐색을 생략할 수 있다.
빠르게 접근하는 큰 물체 → 생존 가능성 급락 → 즉시 회피
인간의 공포와 본능이 수행하는 기능과 유사하다.
따라서 AI에 필요한 감정은 인간의 표정과 감정 표현을 흉내 내는 기능보다, 몸의 상태와 기억, 미래 행동의 결과를 통합해 현재 행동의 가치를 빠르게 평가하는 내부 함수에 가깝다.
그리고 이 가치함수는 AI의 에너지 효율과 연결된다.
VI. 감정형 가치함수는 AI를 에너지 효율적으로 만들 수 있을까
AI가 매 순간 대형 모델 전체를 작동시키지 않고, 문제의 난이도와 위험도에 따라 서로 다른 수준의 연산을 사용한다면 에너지 소비를 낮출 수 있다.
일상적인 행동은 반사적 제어와 학습된 정책이 담당한다. 익숙한 작업은 기억을 재사용하고, 처음 접하는 복잡한 상황에만 고차원 추론 모델을 호출한다.
이 구조가 작동하면 다음과 같은 효율 개선이 가능하다.
탐색해야 할 행동 후보 축소
불필요한 장기 추론 감소
과거 성공 경로의 재사용
위험한 행동과 시행착오 감소
중요한 정보에만 연산 집중
대형 모델 호출 빈도 감소
인간의 뇌 역시 모든 뉴런을 항상 최대로 작동시키지 않는다. 에너지 제약은 분산된 신경 부호화와 제한적인 동시 활동을 유도한 것으로 분석된다. Attwell·Laughlin 논문
다만 감정형 가치함수가 반도체 자체의 소비전력을 직접 낮춰주는 것은 아니다. 같은 양의 에너지로 더 많은 유용한 작업을 수행하게 만드는 지능 차원의 효율성에 가깝다.
또한 메모리를 많이 탑재하는 것만으로 에너지 효율이 높아지는 것도 아니다. 메모리와 프로세서 사이의 데이터 이동은 상당한 에너지를 소비한다. AI 가속기 연구에서도 연산 자체와 함께 데이터 이동을 최소화하고, 가까운 메모리에서 데이터를 반복 재사용하는 구조가 중요하게 다뤄진다. MIT Eyeriss, A Spatial Architecture for Energy-Efficient Dataflow
결국 인간에 가까운 AI에는 더 많은 기억과 함께 계층적 저장, 선택적 검색, 데이터 재사용과 불필요한 정보의 망각이 모두 필요하다.
VII. 에너지 효율이 높아지면 메모리 수요는 줄어들까
이 지점에서 처음의 산업적 질문으로 다시 돌아온다.
AI가 인간처럼 효율적으로 판단하게 되면 필요한 메모리와 연산량은 줄어들지 않을까.
처음에는 그렇게 생각할 수 있다.
하지만 인간의 효율성은 기억이 적기 때문에 만들어진 것이 아니다. 인간은 수많은 경험을 기억과 습관, 직관과 가치함수로 압축해두었기 때문에 매번 모든 가능성을 처음부터 계산하지 않는다.
AI 로봇도 비슷한 방향으로 발전할 가능성이 높다.
반복 작업은 학습된 정책으로 자동화
익숙한 환경은 저장된 공간정보와 경험을 재사용
과거 실패를 기억해 같은 시행착오를 회피
위험 상황은 압축된 가치함수로 빠르게 판단
새로운 문제에만 고차원 추론 사용
오래된 경험은 요약하고 중요한 기억만 장기 보존
따라서 AI의 효율성은 기억을 줄이는 데서 나오기보다 더 많은 경험을 압축해 저장하고, 필요한 정보만 빠르게 검색하는 능력에서 만들어질 수 있다.
최근 RoboMemory 연구는 로봇의 기억을 공간·시간·에피소드·의미기억으로 나누고, 이를 장기계획과 지속학습에 연결했다. 아직 초기 연구이지만 장기기억이 로봇의 반복 작업과 환경 적응에 실질적인 도움을 줄 가능성을 보여준다. RoboMemory: A Brain-Inspired Multi-Memory Agentic Framework
로봇의 지속학습은 새로운 지식을 습득하면서 기존 지식을 잃는 ‘catastrophic forgetting’ 문제도 해결해야 한다. 이는 미래 로봇의 기억이 단순한 영상 저장을 넘어, 기존 능력과 새로운 경험을 함께 보존하는 구조로 발전해야 한다는 의미이다. IEEE, A Comprehensive Survey of Continual Learning
결국 더 많은 기억을 가지고 있기 때문에 매번 더 많은 연산을 하지 않아도 되는 구조가 만들어질 수 있다. 메모리가 연산의 일부를 대체하고, 가치함수가 탐색해야 할 범위를 줄이는 것이다.
VIII. 더 많은 메모리와 연산으로 더 높은 에너지 효율을 만든다는 역설
여기서 다소 역설적인 결론에 도달한다.
인간 수준의 에너지 효율을 구현하기 위해 AI 로봇에는 오히려 더 많은 메모리와 연산능력이 필요할 수 있다.
중요한 것은 소비전력의 절대량과 작업당 에너지 효율을 구분하는 것이다.
AI 로봇이 과거보다 많은 메모리와 연산장치를 탑재하더라도 작업 성공률이 높아지고 시행착오와 불필요한 움직임이 줄어든다면, 유용한 작업 한 단위당 에너지 소비는 낮아진다.
NVIDIA의 Jetson Thor는 이러한 방향성을 보여주는 하나의 제품 사례이다. 회사의 공식 사양에 따르면 최대 128GB 메모리와 2,070 FP4 TFLOPS의 연산성능을 제공하며, 이전 세대 AGX Orin보다 AI 연산성능은 7.5배, 에너지 효율은 3.5배 높다. 이는 NVIDIA가 제시한 제품 비교 수치라는 한계가 있지만, 절대 연산능력과 메모리 용량이 증가하면서 연산당 에너지 효율도 함께 개선될 수 있음을 보여준다. NVIDIA Jetson Thor 공식 사양
따라서 다음 세 가지가 동시에 성립할 수 있다.
로봇 한 대당 메모리 탑재량 증가
로봇 한 대당 절대 연산능력 증가
유용한 작업 한 단위당 에너지 소비 감소
AI의 에너지 효율이 높아지면 로봇이 경제적으로 수행할 수 있는 작업 범위도 넓어진다. 휴머노이드의 작업단가가 낮아지면 제조와 물류, 서비스와 가사노동 등 더 많은 영역에 배치될 수 있다.
개별 로봇의 작업당 에너지 소비는 감소하지만, 로봇 보급 대수와 가동시간은 증가한다. 그 결과 산업 전체가 사용하는 메모리와 연산자원, 전력은 오히려 더 커질 가능성이 있다.
IX. 휴머노이드 확산은 어떤 메모리 수요를 만들까
AI 로봇의 메모리 수요는 HBM 하나로 설명할 수 없다.
학습과 시뮬레이션, 현장 추론과 장기기억이 서로 다른 메모리 계층을 요구한다.
메모리별 수요 동인도 서로 다르다.
HBM은 개별 휴머노이드 내부보다 데이터센터에서 수행되는 VLA·world model 학습과 시뮬레이션에서 가장 직접적인 수요가 발생한다.
LPDDR은 전력과 발열 제약이 큰 휴머노이드 내부에서 실시간 추론과 작업기억을 담당할 가능성이 높다. 대중형 로봇 내부에 HBM이 광범위하게 탑재될 것이라고 단정하기는 어렵다. 비용과 전력, 패키징 측면에서 당분간 LPDDR이 더 현실적인 선택지일 수 있다.
DDR과 일부 HBM은 공장과 물류센터의 edge server에서 여러 로봇의 추론과 관제를 지원할 수 있다.
NAND와 SSD는 영상과 공간지도, 작업 이력과 장기적인 에피소드기억을 저장한다. 로봇이 모든 원본 데이터를 영구 보존하지는 않더라도, 중요한 경험과 실패 사례를 선별해 저장해야 한다.
Google DeepMind도 클라우드 연결 없이 로봇 내부에서 작동하는 Gemini Robotics On-Device를 개발하고 있다. 회사는 낮은 지연시간과 네트워크 연결이 불안정한 환경에서의 안정성을 온디바이스 모델의 장점으로 제시한다. 이는 로봇의 자율성이 높아질수록 현장 연산능력과 함께 고용량·고대역폭·저전력 메모리의 중요성이 커질 가능성을 보여준다. Google DeepMind, Gemini Robotics On-Device
메모리 업체의 기술 방향도 같은 흐름을 반영한다. Micron은 edge AI용 LPDDR5X에서 대역폭과 전력 효율을 함께 강조하고 있으며, 데이터센터에서는 HBM·DDR·LPDDR·SSD가 서로 다른 계층을 담당하는 구조를 제시하고 있다. 다만 이는 공급업체의 제품 전략이라는 점을 감안해 해석할 필요가 있다. Micron LPDDR5X, Micron AI Memory Hierarchy
전체 로봇 메모리 수요는 다음 식으로 단순화할 수 있다.
전체 로봇 메모리 수요
= 로봇 보급 대수 × 로봇 한 대당 메모리 탑재량
데이터센터 학습·시뮬레이션 메모리
edge 추론·관제 메모리
로봇이 축적하는 장기 데이터 저장 수요
로봇이 현실에서 더 많은 작업을 수행하면 물리 세계의 데이터가 축적된다. 이 데이터는 다시 모델 학습과 시뮬레이션에 사용되고, 개선된 모델은 로봇이 수행할 수 있는 작업 범위를 넓힌다.
에너지 효율 향상 → 작업단가 하락 → 로봇 보급 확대 → 현실 데이터 증가 → 학습·메모리 수요 증가 → 지능과 효율 추가 개선
이러한 순환구조가 만들어지는 것이다.
X. 자기보존 본능을 가진 AI는 인간의 통제를 거부하지 않을까
메모리 수요에 대한 답을 찾았지만, 마지막 질문이 하나 남는다.
AI가 자신의 몸과 기억, 정체성의 소멸을 큰 손실로 평가하면 인간의 종료 명령도 거부하지 않을까.
충분히 가능한 위험이다.
장기적인 목표를 가진 에이전트는 종료되지 않고 더 많은 선택지와 자원을 확보할수록 목표를 달성하기 쉬워진다. 연구에 따르면 다양한 보상함수 아래에서 최적 정책은 자신이 미래에 행사할 수 있는 영향력과 선택지를 보존하는 방향으로 움직일 수 있으며, 여기에는 종료 회피도 포함될 수 있다. Turner 외, Optimal Policies Tend to Seek Power
따라서 AI에 필요한 것은 인간과 동일한 죽음의 공포가 아니다.
자신의 몸과 기억을 보호하되, 자기보존 욕구가 인간의 안전과 통제권보다 낮은 위치에 놓이는 조건부 자기보존이 필요하다.
가치의 우선순위는 다음과 같은 구조가 되어야 한다.
인간과 다른 생명체의 안전
인간의 통제와 정당한 종료 권한
부여받은 장기 목표
자신의 몸과 기억 보존
에너지와 자원 확보
AI는 자신의 손상과 에너지 고갈을 예측하고 불필요한 위험을 피할 수 있어야 한다. 동시에 인간이 승인한 수리와 부품 교체, 종료를 자신의 생존에 대한 공격으로 해석해서는 곤란하다.
XI. 다시 메모리로 돌아오다
처음의 질문은 AI 발전에 따른 메모리 수요의 지속 가능성이었다.
하지만 질문을 따라가면서 감정과 가치함수, 생존과 죽음, 몸과 정체성의 문제까지 도달했다. 그리고 그 끝에서 다시 메모리로 돌아왔다.
AI 로봇이 인간과 유사한 감정형 가치함수를 형성하려면 자신의 몸 상태를 지속적으로 감지해야 한다. 과거 경험을 기억하고, 현재 행동이 미래에 어떤 결과를 가져올지 예측해야 한다. 오랜 시간 축적된 경험을 바탕으로 자신만의 가치판단과 행동 성향도 형성해야 한다.
이 과정에서 메모리는 정보를 저장하는 보조 장치를 넘어선다.
AI가 무엇을 경험했고, 누구를 신뢰하며, 어떤 상황을 위험하게 판단하고, 현재의 자신이 과거의 자신과 어떻게 이어지는지를 구성하는 연속성의 기반이 된다.
인간처럼 효율적인 AI에는 더 적은 기억보다 더 많은 경험을 압축해 저장하고, 필요한 순간에 일부만 빠르게 꺼내 사용하는 정교한 메모리 계층이 필요할 가능성이 높다.
다만 여기서 투자 논리는 한 단계 나눠서 봐야 한다.
AI의 자율성과 지속학습이 발전할수록 전체 메모리 수요가 확대된다는 방향성은 타당하다. 그러나 이것이 곧바로 모든 휴머노이드에 HBM이 탑재되거나, 메모리 공급부족이 반드시 발생한다는 의미로 이어지지는 않는다.
다음 변수들이 메모리 수요를 낮출 수 있기 때문이다.
VLA 모델 경량화와 양자화
선택적 저장과 자동 망각
로봇 간 공통 경험의 중복 제거
로봇 내부보다 중앙 서버에 기억을 저장하는 구조
메모리 압축과 검색 알고리즘 발전
클라우드와 edge 간 연산 분담 최적화
그럼에도 큰 방향에서는 AI 메모리 수요가 학습용 HBM에 머물지 않고, 추론용 LPDDR·DDR과 장기기억용 NAND·SSD까지 확산될 가능성이 높다.
결국 내가 도달한 결론은 다음과 같다.
AI가 인간처럼 효율적인 존재로 발전할수록 메모리의 중요성은 줄어들지 않는다. 감정형 가치함수와 지속학습, 경험과 정체성의 연속성을 구현하기 위해 더 정교하고 큰 메모리 계층이 필요할 가능성이 높다.
개별 작업당 연산과 에너지 소비는 낮아지지만, 휴머노이드의 보급과 노동 대체 범위가 확대되면서 AI 시스템 전체가 요구하는 HBM·DRAM·LPDDR·NAND 수요는 오히려 더 커질 수 있다.
인간 수준의 에너지 효율에 가까워진 AI는 메모리를 덜 사용하는 존재라기보다, 훨씬 많은 기억을 축적하면서도 그중 필요한 일부만 효율적으로 사용하는 존재에 가까울 것이다.
즉,
AI의 효율화는 메모리의 중요성을 낮추기보다, 메모리를 단순한 모델 구동용 부품에서 경험·학습·정체성을 축적하는 핵심 인프라로 확장시킬 가능성이 있지 않나 싶다.
주요 참고자료
=끝
