수학을 잘하는 학생들 백이면 백 모두 오답노트를 만든다. 오답노트는 자기가 틀린 문제를 정리해 취약한 부분을 파악하고 기억해뒀다가 비슷한 유형이 나오면 곧바로 활용할 수 있게 한다. 문제가 풀리지 않을 때마다 전문가에게 묻는 것이 아니라 오답노트를 만들어 비슷한 문제에 활용하는 인공지능(AI) 기술이 나왔다. 카이스트 전산학부, 산업및시스템공학과, 아마존, LG AI연구원 공동 연구팀은 스마트 기기의 소형 AI와 서버의 대형 AI를 효율적으로 연결하는 기기-서버 협업 기술 ‘큐어’(CURE·누적 지식 재사용)를 개발했다고 21일 밝혔다. 이 연구 결과는 지난 8~12일 스웨덴 말뫼에서 열린 컴퓨터 비전 분야 국제 학술대회 ‘유럽 컴퓨터 비전 학회’(ECCV 2026)에서 발표됐다. 스마트폰 같은 기기는 계산 능력과 메모리의 제한 때문에 가벼운 소형 AI를 주로 사용한다. 소형 모델은 간단한 문제는 빠르게 처리하지만 복잡한 문제나 낯선 이미지를 구분할 때는 정확도가 떨어진다. 반면 모든 문제를 고성능 서버의 대형 AI에 맡기면 정확도는 높일 수 있지만 통신량과 서버 연산량이 늘어나 답변 대기 시간은 길어지고 서비스 운영 비용도 커진다. 이를 해결하기 위해 기기의 소형 AI가 먼저 판단하고 어려운 문제만 서버로 보내는 협업 방식이 연구됐지만 서버에서 받은 답을 저장하지 않기 때문에 비슷한 문제가 던져지면 서버에 다시 도움을 반복해 요청해야 하는 단점이 있다. 이에 연구팀은 서버가 알려준 답을 일회성으로 사용하지 않고 기기가 나중에 다시 사용할 수 있는 지식으로 축적할 수 있도록 했다. 큐어는 기기의 소형 AI가 입력을 스스로 처리할 수 있도록 판단하고 해결이 어려운 경우 기기에 저장된 서버 지식을 활용하고 저장된 지식으로도 부족할 때만 서버에 도움을 요청하는 방식이다. 수학 문제를 풀 때 혼자 풀어보고 모르면 배운 내용을 찾아본 뒤 그래도 모를 경우 전문가에게 묻는 것과 같다. 스마트 기기의 소형 AI가 사진 속 특정 차종을 구분하지 못하면 서버의 대형 AI에 답을 요청한다. 이때 큐어는 서버의 판단 결과와 이미지 특성을 기기의 지식 저장소에 반영해 이후 비슷한 차종의 사진을 만나면 앞서 저장된 지식을 참고해 기기에서 직접 판단하는 식이다. 특히 큐어는 서버가 처리한 사진을 하나씩 저장하는 것이 아니라 여러 사진이 공유하는 특징과 서로 다른 점을 요약해 지식으로 보관한다. 이를 통해 이전에 본 사진뿐만 아니라 처음 접하는 유사한 사진을 판단할 때도 축적된 지식을 활용할 수 있다. 연구팀은 기기용 소형 모델과 서버용 대형 모델로 다양한 이미지 분류 데이터셋을 이용한 실험으로 큐어의 성능을 검증했다. 그 결과 모든 입력값을 대형 서버 모델로 처리하는 방식에 근접하는 정확도를 보이면서도 기존 방식보다 서버 호출 횟수를 평균 55.61%나 줄였다. 처리 속도 역시 서버의 지식을 기기에 축적하지 않는 기존 기기-서버 협업 방식보다는 최대 2.80배, 모든 입력을 대형 서버 모델로 처리하는 방식보다 최대 3.67배 빠른 것으로 확인됐다. 서버에 묻는 횟수를 줄여 데이터를 주고받고 답을 기다리는 시간을 단축한 덕분이다. 큐어는 소형 모델과 서버 모델을 별도로 다시 학습시키지 않고도 적용할 수 있다. 더군다나 기존 AI 모델은 그대로 두고 서버에서 얻은 지식을 담는 별도의 저장소를 붙이는 방식이어서 다양한 AI 모델과 서비스에 유연하게 적용할 수 있다는 장점도 갖고 있다. 연구팀에 따르면 이번 기술은 스마트폰뿐 아니라 제한된 기기 자원으로 주변 환경을 인식해야 하는 로봇과 웨어러블 기기에도 응용할 수 있다. 특히 통신이 느리거나 불안정한 환경에서도 로봇이 서버의 답을 기다리지 않고 이전에 얻은 지식을 바탕으로 더 많은 상황을 현장에서 직접 판단하는 데 도움을 줄 수 있다. 이재길 카이스트 전산학부 교수는 “큐어는 높은 정확도를 유지하면서 통신 부담과 응답 시간을 줄여 스마트폰과 로봇, 웨어러블 등 다양한 기기에서 고성능 AI를 효율적으로 활용하는 기반이 될 것으로 기대한다”고 말했다.

두 이미지 비교해 달라진 점 측정사람 정답률 93%인데 AI는 61%설명은 잘하지만 차이 못 알아봐 국내 연구진이 인공지능(AI)에게 달라진 그림 찾기를 시킨 결과 여전히 인간을 뛰어넘지 못한다는 결과를 얻었다. 광주과학기술원(GIST) AI학과 김의환(36) 교수팀은 두 장의 이미지를 비교해 AI가 주어진 상황에 맞는 중요한 변화를 찾아 정확히 설명하는지 채점하는 일종의 ‘AI 변화 이해력 채점표’인 ‘C3-벤치’를 개발했다고 14일 밝혔다. 이 연구 결과는 지난 8~12일 스웨덴 말뫼에서 열린 컴퓨터 비전 및 머신러닝 분야 국제 학술대회 ‘ECCV 2026’에서 발표됐다. 연구팀은 거리, 건설 현장 등을 찍은 자연 장면, 위성·항공 사진, 이미지 편집, 제품 결함과 이상 등을 파악하는 이상 탐지 4개 분야에서 51가지 변화 상황을 추렸다. 또 각 상황마다 이미지 두 장씩 모두 4996쌍을 모아 사람이 직접 정답과 찾아야 할 변화, 무시해도 되는 차이에 관한 설명을 달았다. 이후 AI 32종을 대상으로 정확성, 구체성, 유창성, 관련성, 변화 방향성 5가지 항목을 평가했다. 측정에 사용한 AI는 두 이미지를 비교해 달라진 점을 문장으로 설명해 주는 변화 캡셔닝 전용 모델 6종, 챗GPT-5.2, 제미나이 3 등 상용 모델 9종, 매개변수 20억~900억 규모의 오픈소스 모델 17종이다. 연구팀이 400개 이미지 쌍을 골라 사람과 챗GPT-5.2에게 문제를 풀도록 한 결과 정확성, 구체성, 유창성, 관련성 네 항목 종합 점수는 10점 만점에 사람이 7.45점, GPT-5.2는 5.72점으로 큰 차이를 보였다. 사진 순서를 뒤집은 뒤 답하도록 한 가역성 점수에선 격차가 더 크게 벌어졌다. 사람은 93%의 정답률을 보였지만 AI는 61%에 그쳤다. AI의 오류 유형을 분석했더니 전체 63.3%가 사진 속 물체를 못 알아보거나 종류를 잘못 파악하는 시각적 인식 오류로 나타났다. 반면 문장의 자연스러움만 떼서 보면 GPT-5.2가 8.53점으로 사람의 8.32점을 앞섰다. 말은 유창한데 정작 무엇이 달라졌는지 사람만큼 보지 못한다는 말이다. 연구를 이끈 김의환 교수는 “이번 연구는 AI가 자연스럽게 설명하는 능력과 상황에 맞는 변화를 정확히 이해하는 능력이 반드시 같지는 않다는 점을 보여 준다”고 설명했다.