2024년 튜링상 수상자 리처드 서튼이 쿠람 자베드와 함께 토론토에서 Oak Lab을 설립했다. 두 사람은 앞서 존 카맥의 AI 회사 Keen Technologies에서 일했고, 이번에는 강화학습을 중심으로 AI 에이전트를 개발하는 회사를 시작했다.1
Oak Lab을 단순히 유명 연구자의 새 스타트업으로만 보면 핵심을 놓친다. 더 중요한 질문은 이것이다. AI 경쟁의 기준이 모델 크기에서 스스로 배우고, 오래 계획하고, 실제로 행동하는 능력으로 이동하고 있는가?
Oak Lab이 겨냥하는 것은 ‘말하는 AI’보다 ‘학습하는 에이전트’다
강화학습은 AI가 행동하고, 결과를 관찰하고, 그 피드백을 바탕으로 더 나은 선택을 배우는 방식이다. 따라서 단순히 답을 생성하는 챗봇보다, 목표를 향해 여러 단계를 수행해야 하는 에이전트와 잘 맞는다.
서튼이 강조해온 Oak 아키텍처의 방향도 이와 닿아 있다. 이 구상은 계속 학습하는 구성요소, 세계 모델과 계획, 경험에서 생기는 추상화를 중요하게 다룬다.2 핵심은 AI를 고정된 지식 저장소로 보는 것이 아니라, 환경과 상호작용하며 개선되는 시스템으로 보는 관점이다.
이 점에서 Oak Lab의 의미는 명확하다. 앞으로의 에이전트 경쟁은 “얼마나 그럴듯하게 답하는가”보다 “얼마나 지속적으로 배우고 행동할 수 있는가”에 가까워질 가능성이 크다.
판단 기준은 파라미터가 아니라 작업 지평이다
최근 Agents-A1도 같은 문제의식을 보여준다. Agents-A1은 35B 규모의 Mixture-of-Experts 에이전트 모델이며, 핵심 메시지는 “파라미터를 키우기보다 에이전트의 작업 지평을 키우자”는 것이다.3
여기서 작업 지평은 에이전트가 목표를 유지한 채 얼마나 긴 과정을 다룰 수 있는지를 뜻한다. 예를 들어 계획을 세우고, 도구를 사용하고, 중간 결과를 점검하고, 실패를 수정하며, 최종 목표까지 도달하는 능력이다.
Agents-A1은 이 지평을 두 방향에서 확장하려 한다. 하나는 긴 궤적을 처리하는 능력이고, 다른 하나는 서로 다른 종류의 에이전트 능력을 넓히는 것이다.3 이는 좋은 에이전트를 평가할 때 단순 응답 품질만으로는 부족하다는 점을 보여준다.
Oak Lab을 볼 때 물어야 할 질문
Oak Lab을 이해하는 실용적인 기준은 창업자의 명성보다 에이전트의 작동 방식에 있다.
실제 환경에서 계속 학습할 수 있는가?
긴 작업을 안정적으로 끝낼 수 있는가?
도구 사용과 피드백 학습이 검증 가능한가?
실패했을 때 경로를 수정하고 다시 시도할 수 있는가?
AI 도입을 고민하는 팀에도 같은 기준이 유용하다. 화려한 데모보다 반복 업무에서의 학습 효과, 장기 작업 성공률, 오류 복구 능력을 봐야 한다. 에이전트가 실제 업무에 들어오려면 한 번의 답변을 잘하는 것만으로는 부족하기 때문이다.
Oak Lab이 던지는 메시지는 그래서 분명하다. AI의 다음 단계는 더 큰 말하기 모델만이 아니라, 더 오래 배우고 더 안정적으로 행동하는 에이전트일 수 있다.
1Turing Award winner Rich Sutton founds Oak Lab to build AI agents that learn on their own
2The OaK Architecture: Rich Sutton's Vision for Superintelligence | Amii
3GitHub - InternScience/Agents-A1: Scaling the Horizon, Not the Parameters
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.