새 스마트폰으로 바꿀 때마다 연락처와 사진을 처음부터 다시 옮겨야 한다면 번거롭다. 인공지능(AI)도 성능이 좋은 새 모델이 나올 때마다 많은 데이터와 비용을 들여 학습을 반복해야 했다.
KAIST 전산학부 김현우 교수팀이 고려대와 공동연구로 새로운 AI 모델에 앞서 배운 지식을 다시 학습시킬 필요 없이 그대로 전달하는 ‘지식 이식 기술’을 최초로 개발했다.
이에 따라 성능이 개선된 AI 모델이 등장할 때마다 필요한 지식만 실시간으로 업데이트하는 ‘지식 패치’로 기존 막대한 비용을 들여 재학습하던 비효율을 해결할 수 있게 됐다.
‘요령’만 쏙쏙, AI 학습비용 절감
사진과 글을 함께 이해하는 ‘시각-언어 모델(VLM)’이 빠르게 발전하고 있지만, 모델 구조나 크기가 조금만 달라져도 기존에 배운 지식을 재사용하기 어렵다는 한계가 있다.
연구팀이 개발한 ‘트랜스미터(TransMiter)’는 한 AI가 학습하며 쌓은 적응 경험을 다른 AI 모델로 직접 옮겨주는 기술이다.
이 기술은 AI의 복잡한 내부 구조를 개선하지 않아도 예측 결과만 보고 배운 요령을 전해주는 방식이다.
서로 생김새가 다른 AI 모델도 같은 질문에 내놓은 답변을 기준으로 정리하면 많은 시간이 필요한 재학습 과정을 거치지 않고 연산 속도도 느려지지 않으면서 다른 AI가 익힌 노하우를 새 AI도 바로 활용할 수 있다.
이번 연구는 그동안 모델 종류가 다르면 재사용이 불가능하다고 여겨졌던 AI의 적응 지식을 정밀하게 이식할 수 있음을 세계 최초로 입증해 큰 의미를 갖는다.
이를 활용하면 필요한 분야에 맞춰 거대언어모델을 실시간으로 업데이트하는 지식 패치가 가능할 전망이다.
김 교수는 “이번 연구를 확장하면 초거대언어모델이 등장할 때마다 반복했던 후학습 비용을 크게 줄일 수 있을 것”이라며 “특정 분야의 전문 지식을 손쉽게 추가하는 모델 패치도 가능할 것으로 기대한다”고 설명했다.
한편, 이번 연구는 KAIST 전산학부 송태훈 석사과정 학생, 이상혁 박사후연구원, 고려대학교 박지환 박사과정 학생이 공동저자로 수행했고, 연구결과는 AI 분야 최고 권위 학술대회 ‘AAAI 2026’에 채택됐다.
(논문명: Transferable Model-agnostic Vision-Language Model Adaptation for Efficient Weak-to-Strong Generalization)
