중국 연구팀, 인공지능의 인간처럼 기억 가능한 '메모리 운영체제' 개발

중국 연구팀이 인공지능(AI)에게 인간 같은 기억력을 제공하는 첫 번째 '메모리 운영체제'인 MemOS를 공개했다. 2025년 7월 8일 오후 2시 57분에 발표된 이 연구는 상해 교통대학교와 절강 대학을 포함한 주요 기관의 연구진들이 수행했으며, 현재 AI 시스템이 인간과 같은 지속적인 기억력과 학습 능력을 갖추지 못하는 근본적인 제약을 해결하고자 개발되었다. MemOS는 메모리를 CPU와 저장 장치처럼 일정하게 스케줄링, 공유, 그리고 시간에 따라 발전시키는 방식으로 다룬다. 7월 4일 arXiv에 게재된 연구 결과에 따르면, MemOS는 기존 접근 방식들보다 훨씬 더 우수한 성능을 보여주었다. 특히 시간적 추론 작업에서 OpenAI의 메모리 시스템 대비 159%의 성능 향상을 달성하며, 중요한 발전을 이루었다. 현재 AI 시스템들은 각각의 대화나 세션이 독립적으로 시작되어, 사용자의 선호도, 축적된 지식, 행동 패턴 등을 여러 대화 사이에서 유지할 수 없다. 이로 인해 AI 비서가 한 대화에서 언급된 사용자의 식사 제한 사항을 다음 대화에서 잊어버리는 등의 불편한 사용자 경험을 초래한다. 일부 해결책인 정보 검색을 강화한 생성(Retrieval-Augmented Generation, RAG) 방식은 외부 정보를 대화 중에 가져오는 방식으로 시도되었지만, 연구진은 이를 "상태 없는 대안"으로 평가하며, 진정한 학습과 발전을 위한 체계적인 메모리 관리가 필요하다고 주장한다. MemOS는 "MemCubes"라는 개념을 도입하여 다양한 유형의 정보를 표준화된 메모리 단위로 캡슐화하고, 이를 시간에 따라 조합, 이동, 발전시키는 새로운 방법론을 제시한다. LOCOMO 벤치마크 테스트에서 MemOS는 모든 카테고리에서 기존 기준점들을 크게 앞섰으며, 전체적으로 OpenAI의 메모리 구현보다 38.98% 개선된 성능을 보였다. 특히 복잡한 추론 작업에서 큰 성능 향상을 보였는데, 이는 여러 대화 턴 사이에서 정보를 연결해야 하는 경우에 특히 효과적이었다. MemOS는 또한 효율성 면에서 큰 발전을 보였는데, 특정 구성에서는 첫 번째 토큰 생성 시간이 최대 94% 줄어들었다. 이러한 성능 향상은 메모리 부족이 예상보다 더 큰 제약이었음을 시사하며, 메모리를 핵심 컴퓨팅 자원으로 다루는 것이 기존 아키텍처의 제약을 해소할 가능성을 보여준다. 기업 환경에서의 AI 배포 방식을 혁신할 잠재력 MemOS는 특히 기업 환경에서의 AI 배포 방식을 변화시킬 수 있는 중요한 의미를 가진다. 기업들은 고객이나 직원들과의 복잡하고 지속적인 관계를 맺기 위해 AI 시스템에 점점 더 의존하고 있으며, MemOS는 이러한 상황에서 사용자 컨텍스트를 다른 플랫폼과 기기 간에 이동할 수 있는 표준화된 메모리 형식을 제공함으로써 현재의 "메모리 섬" 문제를 해결한다. 예를 들어, 마케팅 팀이 ChatGPT를 통해 상세한 고객 프로필을 개발한 후 다른 AI 도구로 캠페인 계획을 할 때 다시 처음부터 시작해야 하는 문제를 MemOS가 해결할 수 있다. 연구팀은 "유료 메모리 모듈"이라는 개념도 제시했는데, 이는 전문가들이 자신의 지식을 구매 가능한 메모리 유닛으로 포장하여 다른 AI 시스템에서 사용할 수 있도록 하는 것이다. 의대생이 임상 연수 중에 드문 자가면역 질환 관리 방법을 배우는 경우, 경험이 많은 의사가 진단 휴리스틱, 질문 경로, 일반적인 사례 패턴 등을 구조화된 메모리로 캡슐화하여 다른 AI 시스템에 설치하고 사용할 수 있다. 이러한 시장 모델은 전문 지식의 분배와 화폐화 방식을 근본적으로 바꿀 수 있으며, 기업들에게는 특정 영역에서 깊은 전문성을 가진 AI 시스템을 신속히 배포할 수 있는 경제적 기회를 제공한다. 또한, 이는 고급 도메인 지식에 대한 접근성을 민주화함으로써 AI 생태계 전반에 긍정적인 영향을 미칠 수 있다. MemOS의 3층 아키텍처 MemOS의 기술 아키텍처는 전통적인 운영체제 설계로부터 영감을 받았지만, AI 메모리 관리의 독특한 도전 과제에 맞춰 적응되었다. 시스템은 API 호출을 위한 인터페이스 레이어, 메모리 스케줄링과 라이프사이클 관리를 위한 운영 레이어, 저장과 거버넌스를 위한 인프라 레이어로 구성된다. MemScheduler 컴포넌트는 일시적인 활성화 상태부터 영구적인 매개변수 수정까지 다양한 유형의 메모리를 동적으로 관리하며, 사용 패턴과 작업 요구에 따라 최적의 저장 및 검색 전략을 선택한다. 이는 기존 접근 방식이 메모리를 완전히 정적(모델 매개변수에 내장) 또는 완전히 일시적(대화 컨텍스트에 제한)으로 취급하는 것과는 큰 차이를 보인다. 연구진은 "모델이 단번에 얼마나 많은 지식을 학습하는지를 넘어, 경험을 구조화된 메모리로 변환하고 반복적으로 검색 및 재구성할 수 있는지에 초점을 맞추어야 한다"고 강조하며, "Mem-training" 패러다임으로의 전환을 제시한다. 이는 AI 시스템 설계에 있어서의 근본적인 재검토를 나타내며, 대규모 사전 학습에서 더 동적이고 경험 기반의 학습으로의 변화를 시사한다. 오픈 소스 전략으로 채택 가속화 연구팀은 MemOS를 오픈 소스 프로젝트로 발표하여 GitHub에서 전체 코드를 제공하고, HuggingFace, OpenAI, Ollama 등 주요 AI 플랫폼과의 통합 지원을 포함하고 있다. 이 오픈 소스 전략은 채택 가속화와 커뮤니티 개발을 촉진하려는 목적이 있으며, 특허권을 행사하여 확산을 제한하는 대신 널리 공유되도록 설계되었다. 프로젝트 리더인 리 지위(Zhiyu Li)는 GitHub 저장소에서 "MemOS가 AI 시스템을 정적 생성기에서 지속적으로 발전하는, 메모리 기반의 에이전트로 발전시키는 데 도움이 되기를 바랍니다"라고 말하며, MemOS의 현재 지원 범위는 Linux 플랫폼으로 제한되어 있으나, Windows와 macOS 지원이 계획되어 있다는 점을 강조하였다. 이 오픈 소스 전략은 최근 AI 연구에서 기초적인 인프라스트럭처 개선이 오픈 소스로 공유되어 전체 생태계에 혜택을 주는 경향을 반영한다. 이 접근 방식은 딥러닝 프레임워크 등에서 역사적으로 혁신을 가속화하였으며, AI 메모리 관리에서도 유사한 효과를 낼 수 있을 것으로 기대된다. 기술 거물들이 AI 메모리 제한을 해결하기 위한 경쟁 이 연구는 주요 AI 회사들이 현재 메모리 접근 방식의 한계를 극복하려는 노력과 함께 발표되었다. OpenAI는 최근 ChatGPT에 메모리 기능을 추가했으며, Anthropic, Google 등 다른 공급업체들은 지속적인 컨텍스트를 위한 다양한 방식을 실험 중이다. 그러나 이러한 구현들이 일반적으로 범위가 제한되어 있고, MemOS가 제공하는 체계적인 접근 방식을 갖추지 못한 상태이다. 이 연구의 타이밍은 메모리 관리가 AI 개발에서 중요한 경쟁 영역으로 부상했음을 시사한다. 메모리 문제를 효과적으로 해결하는 회사는 사용자 유지를 위한 중요한 이점을 얻을 수 있으며, AI 시스템이 시간이 지남에 따라 더욱 깊고 유용한 관계를 구축할 수 있게 될 것이다. 업계 관측자들은 오랫동안 다음 AI 혁신이 더 큰 모델이나 더 많은 학습 데이터가 아니라, 인간의 인지 역량을 더 잘 모방하는 아키텍처 혁신에서 나올 것이라고 예측해왔다. 메모리 관리는 이러한 근본적인 발전의 한 예로, 기존의 상태 없는 시스템에서는 불가능한 새로운 응용 프로그램과 사용 사례를 열 수 있다. MemOS는 AI 연구의 더 넓은 변화를 나타내는 하나의 부분으로, 시간이 지남에 따라 지식을 축적하고 발전시키는 상태 있는, 지속적인 시스템으로의 이동을 나타낸다. 기업 기술 리더들이 AI 구현을 평가할 때, MemOS는 사용자 컨텍스트를 유지하고 시간이 지남에 따라 발전하는 AI 시스템을 구축하는 데 있어 중요한 발전이 될 수 있다. MemOS 개발의 가장 큰 영향은 특정 기술 구현보다는 메모리를 핵심 컴퓨팅 자원으로 취급하는 것이 AI 역량을 크게 향상시킬 수 있다는 것을 증명한 데 있다. 현재 AI 산업이 주로 모델 크기와 학습 데이터 확장을 집중해왔다면, MemOS는 더 나은 아키텍처가 다음 혁신의 열쇠가 될 수 있음을 시사한다. MemOS는 AI 시스템의 메모리 관리 방식에 대한 중요한 개선을 제시하며, 이는 AI의 성능과 활용성을 크게 향상시키는 데 기여할 것으로 보인다. 앞으로 연구팀은 모델 간 메모리 공유, 자기 발전 메모리 블록, 그리고 더 넓은 '메모리 마켓플레이스' 생태계 개발을 탐구할 계획이며, 이는 AI의 미래 발전에 큰 기여를 할 것으로 기대된다.