데이터는 부족하지 않다, 상상력이 부족할 뿐

현재 AI 업계는 학습 데이터가 부족하다고 우려하지만, 이는 데이터의 절대량이 부족해서가 아니라 우리가 상상하는 데이터의 범위가 좁기 때문이다. 텍스트, 코드, 이미지와 같은 기존 데이터는 우리가 상상할 수 있는 데이터의 아주 일부분일 뿐이다.

SRE(Site Reliability Engineering) 자동화 시도에서 드러난 결정적인 문제는 모델의 성능이 아니라 end-to-end, long-horizon 데이터의 부재였다. 단순한 단편적 데이터가 아니라, 장애 발생부터 해결까지 이어지는 전체적인 **인과관계(cause and effect)**를 담은 데이터가 핵심이다.

최근 연구들은 새로운 데이터의 가능성을 제시하고 있다.

• Thinking Machines Lab: 적절한 상호작용 데이터를 통해 모델이 스스로 프로액티브(proactive)한 능력을 갖추게 함.
• Neural Computers (Meta AI & KAUST): 컴퓨터의 CLI 및 GUI 환경에서의 동작을 모델링 가능한 데이터 스트림으로 변환.

결국 모든 **인간-기계 인터페이스(human-machine interface)**는 새로운 데이터 클래스를 창출한다. 음성, 시각적 상호작용, 생체 신호 등 새로운 인터페이스가 등장할 때마다 데이터 시장은 고정된 파이가 아니라 끊임없이 확장되는 지도로 변모할 것이다.