힘든 한 주를 보내고 있는 친구를 이해하려고 노력한다고 상상해 보세요. 당신은 그 친구가 짧고 화가 난 듯한 문자를 보내고, 통화 중에 떨리는 목소리를 들으며, 평소의 운동 루틴을 건너뛰는 것을 목격합니다. 단순한 컴퓨터 프로그램은 그저 "메시지 감소"와 "활동 저하"만을 보고 "아, 그냥 바쁜가 보네"라고 생각할지도 모릅니다. 하지만 진정으로 똑똑한 친구는 이러한 표면적인 단서들이 사실 더 깊은 이야기를 숨기고 있다는 것을 압니다. 어쩌면 그 친구가 압도당했거나, 불안해하거나, 위기 상황으로 치닫고 있을지도 모른다는 사실 말이죠. 이것이 바로 단순히 누군가가 무엇을 하는지 '관찰하는 것'과, 그 순간 그 사람이 누구인지 '이해하는 것'의 차이입니다. 과학자들은 이를 "관점 인식 AI(Perspective-Aware AI)"라고 부릅니다. 이는 단순히 명령을 따르는 것이 아니라, 당신의 진화하는 목표, 감정, 그리고 세상을 보는 독특한 방식을 파악하는 개인용 비서를 만드는 꿈입니다. 큰 문제는 무엇일까요? 실제 사람의 개인 정보는 접근이 불가능하고, 디지털 발자국만 보고 그 사람이 내면에서 무엇을 느끼고 있는지 정확하게 라벨링해 주는 '참조 가이드'를 구하기가 매우 어렵기 때문에 컴퓨터에게 이를 가르치기가 쉽지 않다는 점입니다.

이 논문은 컴퓨터에게 이 기술을 가르치는 영리하고 새로운 방법인 **상황 그래프 예측(Situation Graph Prediction, SGP)**을 소개합니다. 이것을 일종의 탐정 게임이라고 생각해 보세요. 컴퓨터는 이메일, 채팅 로그, 음성 메모와 같은 복잡한 단서 더미를 보고, 그 사람이 실제로 생각하고 느끼는 바를 나타내는 숨겨진 구조적 지도를 재구성해야 합니다. 실제 사람의 사적인 비밀을 사용하여 AI를 훈련시킬 수 없기 때문에, 저자들은 "가짜" 세계를 구축했습니다. 그들은 먼저 숨겨진 지도를 그린 다음(예: 어떤 사람이 "스트레스를 받고" 있고 "직장에 있다"고 결정), 그 지도로부터 자연스럽게 발생할 법한 가짜 단서(예: 퉁명스러운 이메일)를 작성하도록 초지능형 AI를 사용했습니다. 이 "구조 우선(structure-first)" 방식은 단서가 숨겨진 감정과 완벽하게 일치하도록 보장하며, 안전하고 프라이버시 친화적인 훈련 환경을 만들어 줍니다.

연구진이 이 방법을 세계에서 가장 발전된 세 가지 AI 두뇌(GPT-4o, Gemini 2.5 Flash, Claude Sonnet 4)로 테스트했을 때, 흥주기로운 사실을 발견했습니다. 이 초지능형 모델들을 사용하더라도, AI가 단순히 가시적인 사실(예: "사무실", "이메일")을 나열하는 것보다 숨겨진 감정(예: "불안", "결단력")을 추측하는 것을 훨씬 더 어려워한다는 것입니다. 이 연구는 AI가 우리 삶의 표면을 읽는 데는 점점 능숙해지고 있지만, 우리의 행동 뒤에 숨겨진 깊은 내면의 이야기를 파악하는 것은 여전히 매우 어려운 과제임을 시사합니다. 연구진은 이 점을 증명하기 위해 75개의 가짜 시나리오로 구성된 작은 데이터셋을 만들었으며, 이를 통해 우리가 보는 것과 느끼는 것 사이의 간극이 어떤 AI 모델을 사용하더라도 실재하며 일관되게 나타난다는 것을 보여주었습니다.

탐정의 퍼즐: 단서에서 내면의 세계로

이것이 어떻게 작동하는지 더 자세히 알아봅시다. 당신이 탐정이 되어 미스터리를 풀려고 하는데, 용의자와 대화할 수는 없다고 상상해 보세요. 당신에게는 오직 증거 더미뿐입니다. "난 괜찮아"라고 적힌 문자 메시지, 지저분한 책상 사진, 그리고 약간 떨리는 듯한 음성 메모가 그것입니다. 기본적인 컴퓨터는 텍스트을 읽고 "이 사람은 괜찮다"라고 말할 것입니다. 하지만 관점 인식 AI는 **상황 그래프(Situation Graph)**를 구축하고자 합니다.

상황 그래프를 누군가의 삶의 특정 순간을 나타내는 3D 마인드맵이라고 생각해 보세요. 그것은 단순한 사실의 목록이 아니라 연결의 망입니다.

• 표면 노드(The Surface Nodes): "사무실", "화요일", "이메일"과 같이 쉽게 볼 수 있는 것들입니다.
• 잠재 노드(The Latent Nodes): "스트레스를 느낌", "가치 있다고 느낌", "혼란스러움"과 같이 보이지 않는 내부 상태입니다.

**상황 그래프 예측(SGP)**의 목표는 복잡한 단서들(즉, "아티팩트")을 가지고 역으로 작업하여 완전한 마인드맵을 구축하는 것입니다. 논문은 이를 "역 추론 문제(inverse inference problem)"로 규정합니다. 보통 우리는 원인(사람이 스트레스를 받음)을 알고 결과(짧은 이메일을 보냄)를 봅니다. SGP는 AI에게 그 반대를 요구합니다: "짧은 이메일이 보이는데, 이 사람은 내면에서 무엇을 느끼고 있어야 하는가?"

"가짜 세계" 솔루션

여기 까다로운 부분이 있습니다. 현실 세계에서는 사람들에게 "이봐요, 지금 느끼는 기분을 지도에 그려줄래요?"라고 물어볼 수 없습니다. 그것은 너무 사적이고 번거로운 일입니다. 그렇다면 실제 데이터 없이 어떻게 AI를 훈련시킬 수 있을까요?

저자들은 영리한 "구조 우선" 전략을 고안했습니다. AI에게 사람을 상상하고 그 감정을 추측하게 하는 대신(이는 복잡하고 신뢰하기 어렵습니다), 그들은 순서를 뒤집었습니다:

1. 지도를 먼저 그리기: 컴퓨터를 사용하여 완벽하고 유효한 "상황 그래프"를 생성했습니다 (예: "사람이 직장 면접 중임", "긴장함", "목표는 채용되는 것").
2. 단서 생성하기: 그런 다음, AI에게 그 지도로부터 자연스럽게 파생될 "증거"를 쓰도록 요청했습니다. 예를 들어, 지도가 "긴장함"을 나타낸다면, AI는 떨리는 음성 메모나 매우 정중하고 지나치게 격식을 차린 이메일을 작성합니다.

이를 통해 "정답지"(지도)가 "단서"(텍스트/오디오)와 반드시 일치하도록 보장되는 완벽한 훈련 세트가 만들어집니다. 이는 마치 탐정이 범인이 누구인지 정확히 알고 있는 가짜 범죄 현장을 만드는 것과 같습니다. 덕분에 탐정은 실제 사람에게 피해를 주지 않고도 사건을 해결하는 연습을 할 수 있습니다.

파일럿 연구: AI 탐정 테스트하기

이것이 실제로 작동하는지 확인하기 위해 연구진은 작은 "파일럿" 데이터셋을 구축했습니다. 그들은 토론토에 사는 28세 마케팅 분석가인 **엘리스 나바로(Elise Navarro)**라는 가상의 인물을 설정하여 75개의 서로 다른 시나리오를 만들었습니다. 그들은 2021년부터 2025년 사이의 전문적인 갈등부터 건강 관련 이정표에 이르기까지 그녀의 삶을 75개의 순간에 걸쳐 추적했습니다.

그런 다음 이 75개의 사례를 현재 가장 강력한 세 가지 AI 모델인 GPT-4o, Gemini 2.5 Flash, Claude Sonnet 4에 전달했습니다. 연구진은 AI에게 엘리스의 단서들을 보고 그녀의 상황 그래프를 재구성하도록 요청했습니다.

결과는 "나쁘지 않음"과 "아직 갈 길이 멂"이 섞여 있었습니다.

• 좋은 소식: AI에게 학습할 수 있는 몇 가지 예시를 제공했을 때(검색 증강 인컨텍스트 학습이라는 기술), AI는 업무 수행 능력이 훨씬 좋아졌습니다. 세부 사항을 정확히 파악하는 능력이 크게 향상되었습니다.
• 중요한 발견: 가장 똑똑한 AI들조차 표면적 사실(예: "엘리스는 직장에 있음")을 포착하는 것이 숨겨진 감정(예: "엘리스는 압도당함을 느낌")을 추측하는 것보다 훨씬 쉽다는 것을 발견했습니다.

연구진은 이를 "간극(gap)" 점수로 측정했습니다. 세 모델 모두에서 숨겨진 감정을 추측하는 능력이 가시적인 사실을 포착하는 것보다 일관되게 낮다는 것을 발견했습니다. 예를 들어, Claude Sonnet 4의 경우 "간극"은 약 0.70이었는데, 이는 AI가 영혼을 읽는 것보다 표면을 읽는 데 훨씬 더 능숙하다는 것을 의미합니다. 이는 AI가 우리의 디지털 발자국을 읽는 데는 뛰어나지고 있지만, 그 뒤에 숨겨진 '왜'와 '어떻게 느끼는지'를 이해하는 데는 여전히 어려움을 겪고 있음을 시사합니다.

이것이 중요한 이유 (그리고 그렇지 않은 이유)

이 논문은 완벽한 AI 공감 문제를 해결했다고 주장하는 것이 아닙니다. 오히려 그 반대, 즉 이것이 현재의 기술이 이제 겨우 다루기 시작한 매우 어려운 문제임을 시사합니다. 이 연구는 최고의 모델을 사용하더라도 "무슨 일이 일어났는가"에서 "그것이 무엇을 의미하는가"로 넘어가는 과정에는 일관된 어려움이 존재함을 보여줍니다.

저자들은 자신들의 데이터가 합성된(가짜) 데이터이며 규모가 작다는 점을 분명히 하고 있습니다. 그들은 "우리가 완벽한 시스템을 가졌다"고 말하는 것이 아닙니다. 대신 "우리는 새로운 테스트 방법을 개발했으며, 그 테스트 결과 인간의 감정을 추측하는 것이 단순히 텍스트 메시지를 읽는 것보다 훨씬 더 어렵다는 것을 보여준다"고 말하고 있습니다.

이 "상황 그래프" 프레임워크와 이를 테스트하기 위한 합성 데이터를 만듦으로써, 연구진은 AI 커뮤니티에 새로운 도구를 제공했습니다. 이는 마치 탐정들에게 인간의 행동을 완벽하게 흉내 내는 새로운 훈련용 인형을 제공하는 것과 같으며, 이를 통해 개인의 프라이버시를 침해하지 않고도 기술을 연마할 수 있게 해줍니다. AI가 정확히 어디에서 실패하는지(표면과 잠재 사이의 간극)를 이해함으로써, 우리는 단순히 우리가 타이핑하는 것을 넘어 우리를 진정으로 이해하는 더 신뢰할 수 있는 개인용 에이전트를 구축할 수 있다는 희망을 품고 있습니다.

그러므로 다음에 개인용 AI와 대화할 때 기억하세요. 그 AI는 당신이 사무실에 있고 이메일을 보냈다는 사실은 알 수 있겠지만, 당신이 실제로 힘든 하루를 보내고 있다는 사실을 알아내는 것은 아직 넘어야 할 거대한 산입니다.