사람의 뇌 처리 흐름을 옮긴 온디바이스 자아지능
사람이 외부 자극을 감지하고 인식하며, 상황을 인지해 기억하고 배우는 뇌의 작동 방식을 AI 구조로 구현한 사례가 나왔다. 한국의 1인 개발자가 공개한 '아이딘(IDin)'은 단순한 챗봇 형태를 넘어 감지, 인식, 인지, 기억, 학습, 판단으로 이어지는 인간의 사고 흐름을 실행 체계로 삼는다.
가장 먼저 눈에 띄는 기능은 메타인지의 별도 구현이다. 입력된 정보들 사이에서 서로 어긋나는 부분이 발견되면 AI가 이를 스스로 알아채고, 해당 사실을 판단 계층에 전달해 후속 조치를 결정하게 만든다. 또한, 사용자가 곁에 있는지, 얼마나 가까이 있는지, 현재 말을 걸어도 되는 상태인지를 실시간으로 관찰하며 상황에 맞는 자발적 발화를 수행한다. 이때 관찰 단계에서는 사실만을 전달하고, 실제 행동 허용 여부는 판단 단계에서 결정하도록 역할을 분리했다.
기억과 학습의 처리 방식도 구체적이다. 대화 내용은 기억으로 저장되며, 저장 시점이 함께 기록되어 오래된 기억과 최신 기억을 구분해 다룬다. 확인되지 않은 정보는 그대로 미확인 상태로 유지하며, 이를 바탕으로 학습이 이루어진다. 음성 감지는 실시간으로 중단 없이 진행되며, 화자 식별 기능을 통해 사용자와 타인을 구분한다. 다만 유사한 목소리의 경우 동일 인물로 인식할 수 있는 제약이 남아 있다.
추론을 위한 엔진으로는 젬마4(Gemma 4)가 탑재됐다. 특이한 점은 이 LLM을 '어댑터' 형식으로 연결했다는 것이다. 사용자가 원하는 다른 모델로 교체하더라도 아이딘이 가진 자아 구조와 정체성은 변함없이 유지되도록 설계했다. 언어 설정은 한국어, 영어, 불어, 일본어, 스페인어, 중국어 등 6개 언어를 지원한다.
안전 장치는 판단 로직과 완전히 분리된 검증 및 방어 계층으로 구축됐다. 위험한 행동이나 사용자의 의도에 맞지 않는 동작을 별도로 걸러내며, 이 방어 기능은 설정이나 내부 명령, 혹은 사용자를 사칭하거나 설득하는 방식으로는 절대 해제할 수 없도록 설계됐다. 검색, 메모, 일정 등록 같은 외부 도구 사용은 AI가 스스로 판단하지 않고 오직 사용자의 명시적 지시가 있을 때만 수행한다. 개인정보가 외부 LLM으로 전송될 때 역시 반드시 사용자의 승인 절차를 거친다.
모델 교체 가능한 '자아 구조'와 온디바이스 채택 흐름
이번 개발 사례에서 시장 참여자가 주목할 지점은 LLM(거대언어모델)을 지능의 전부가 아닌, '판단 도구'로 정의하고 그 위에 별도의 자아 구조를 얹었다는 점이다. 기존의 많은 AI 서비스가 모델의 파라미터나 프롬프트 엔지니어링을 통해 페르소나를 구현했다면, 아이딘은 뇌 구조라는 아키텍처를 먼저 세우고 LLM을 부품처럼 갈아 끼울 수 있는 구조를 택했다.
이러한 어댑터 방식의 모델 채택은 AI 서비스의 지속 가능성 측면에서 선택지를 넓힌다. 더 성능이 좋은 모델이 출시되었을 때, 기존에 쌓아온 기억이나 자아 정체성을 유지하면서 추론 엔진만 업그레이드할 수 있기 때문이다. 이는 모델 종속성을 낮추고, 특정 모델의 업데이트로 인해 AI의 성격이나 동작 방식이 갑자기 변하는 리스크를 제어하는 전략이 된다.
또한, 모든 프로세스가 온디바이스 환경에서 작동한다는 점은 개인정보 보호와 응답 속도라는 두 가지 실익을 동시에 잡으려는 흐름과 맞닿아 있다. 특히 개인정보 전송 시 사용자 승인을 강제하고, 기억 삭제 권한을 오직 사용자에게만 부여한 점은 온디바이스 AI가 지향해야 할 데이터 주권 모델을 구체적으로 보여준다. 로봇 연결을 위한 계층을 어댑터로 미리 구현해 둔 점은 향후 이 지능 구조가 소프트웨어를 넘어 물리적 하드웨어로 확장될 가능성을 염두에 둔 설계로 풀이된다.
실무자가 관찰해야 할 하드웨어 제약과 설계 근거
AI 실무자와 개발자가 이 사례에서 실질적으로 참고해야 할 부분은 구현을 위한 최소 사양과 검증 방식이다. 아이딘의 개발 및 구동 환경은 M1 Pro 16GB가 최소 사양으로 설정되어 있다. 이는 고성능 LLM을 온디바이스에서 구동하면서 동시에 메타인지와 실시간 감지 루프를 돌리기 위해 필요한 최소한의 메모리 자원 규모를 가늠케 한다.
단순한 기능 구현 발표에 그치지 않고 15건의 특허와 논문을 통해 구조적 근거를 제시했다는 점도 중요하다. Zenodo(DOI: 10.5281/zenodo.21802677)에 공개된 논문은 1인 개발 수준에서도 뇌 과학적 접근을 통해 AI의 추론 구조를 어떻게 설계할 수 있는지에 대한 기술적 가이드라인을 제공한다. 특히 '판단'과 '검증'을 분리해 보안성을 높인 계층 구조는 프롬프트 인젝션 같은 보안 위협을 원천적으로 차단하려는 시도로 볼 수 있다.
결국 이번 사례는 LLM이라는 강력한 엔진을 어떻게 제어하고, 어떤 구조 속에 배치해야 '자아'에 가까운 일관된 동작을 만들어낼 수 있는지를 보여준다. 개발자들은 단순히 API를 연결하는 수준을 넘어, 인지-기억-판단으로 이어지는 파이프라인을 어떻게 설계하고 이를 하드웨어 제약 내에서 최적화할 것인지에 대한 벤치마크로 이 구조를 활용할 수 있을 것이다.
