AI 최대 학회 ICML, 사상 첫 서울 개최…확산모델·AI 안전이 화두

머신러닝 분야 최대 학회인 국제머신러닝학회(ICML) 2026이 7월 6일부터 11일까지 서울 코엑스에서 열렸다. 43번째 대회이자 한국에서 처음 열린 ICML이다. 논문 제출은 2만 3,918건으로 역대 최다였고, 현장 참가자는 1만 명을 넘었다. 본회의 현장 등록은 정원이 다 찼다.

채택된 논문은 6,352편으로 채택률은 26.6%였다. 구두 발표는 전체의 0.7%(168편), 스포트라이트 포스터는 2.2%(536편)에 그쳤다. 학회는 국제머신러닝학회(IMLS)가 주관했고, 통 장 일리노이대 교수가 총괄 의장을, 미로슬라프 두딕 마이크로소프트 리서치 연구원 등이 프로그램 의장을 맡았다.

최우수 논문은 확산모델 두 편…같은 주제 동반 수상은 이례적

7월 5일 발표된 최우수 논문상(Outstanding Paper)은 확산모델을 다룬 두 편에 돌아갔다. 확산모델은 이미지 생성에 쓰이던 노이즈 제거 방식을 다른 분야로 넓힌 기법이다. 같은 주제의 논문 두 편이 동시에 최우수상을 받은 것은 ICML 역사에서 드문 일이다.

첫 번째 수상작은 니 잔린 등이 쓴 ‘유연성의 함정’이다. 확산 언어모델은 단어를 앞에서부터 하나씩 만드는 기존 자기회귀 방식과 달리 여러 토큰을 임의 순서로 병렬 생성한다. 저자들은 이 자유도가 오히려 정답을 가르는 ‘분기 토큰’을 건너뛰어 추론 성능을 떨어뜨린다는 점을 밝혔다. 그래서 강화학습 단계에서는 단순한 좌우 순서로 학습하는 방식을 제안했다.

두 번째 수상작은 판 첸 등이 쓴 ‘확산모델과 로그-오목 분포를 위한 고정확도 샘플링’이다. 확산모델에서 목표 정확도에 도달하는 데 필요한 계산 단계 수를 다항식에서 로그 수준으로 줄일 수 있음을 이론적으로 증명했다. 노이즈 제거 단계를 크게 줄여도 정확한 샘플을 얻을 수 있다는 근거다.

‘입장 논문’은 AI 정렬의 이중성을 지적했다

가치 판단을 담는 입장 논문(Position Paper) 부문에서는 ‘정렬 커뮤니티가 의도치 않게 검열 도구를 만들고 있다’가 최우수상을 받았다. 정렬(얼라인먼트)은 AI가 해를 끼치지 않도록 인간의 의도에 맞추는 작업을 말한다. 저자들은 이 정렬 기술이 검열에도 쓰일 수 있다는 이중용도 문제를 실제 사례로 지적했다. 특정 국가나 기업이 아니라 모든 권력에 해당하는 문제로 일반화했고, 오용을 줄일 방향도 함께 제시했다.

명예 언급을 받은 또 다른 입장 논문은 딥페이크 연구가 AI 생성 비동의 성착취물(AIG-NCII) 문제와 어긋나 있다는 점을 다뤘다. 기술 연구의 초점과 실제 피해 사이의 간극을 지적하고, 피해자 관점을 담은 연구 과제를 제안했다.

‘시간의 시험’은 딥마인드의 비동기 강화학습

10년 전 연구의 영향력을 기리는 시간의 시험상(Test of Time)은 딥마인드의 ‘심층 강화학습을 위한 비동기 방법’에 돌아갔다. 2016년 볼로디미르 므니 등이 발표한 A3C 논문이다. 강화학습은 시행착오로 보상을 최대화하도록 모델을 학습시키는 방식이며, 이 논문은 여러 학습 주체를 병렬로 돌려 학습을 안정화하는 방법을 처음 제시했다. 이 아이디어는 이후 대형언어모델(LLM)의 후학습 단계 강화학습에 크게 기여했다.

우수 후보와 산업 참가

최우수 논문 명예 언급으로는 다섯 편이 선정됐다. 기만 탐지를 다룬 ‘난독화 지도’, 영상 생성에서 학습 데이터의 기여도를 추적한 ‘모션 어트리뷰션’, 언어모델의 암기량을 파라미터당 3.6비트로 측정한 연구, 확산모델의 재현성을 랜덤행렬로 설명한 논문, 릿지 회귀에서 ‘그로킹’ 현상을 증명한 연구가 포함됐다.

구글·마이크로소프트·아마존·메타·애플 같은 빅테크와 시타델 시큐리티스, 제인 스트리트 같은 금융사가 부스를 차렸다. 최우수 논문 후보 선정은 53편에서 시작해 22편으로 좁혀졌고, 안드레아스 크라우제가 이끄는 11명 위원회가 최종적으로 최우수 두 편과 명예 언급 다섯 편을 선택했다.

ICML이 처음 한국에서 열리며 아시아 머신러닝 연구의 저변도 함께 드러났다. 확산모델의 한계를 짚고 정렬 기술의 이중성을 경고한 이번 수상 목록에서는, 성능 경쟁에 집중했던 학계가 기초와 안전을 다시 살피려는 관심이 드러났다.

자세한 내용은 ICML 공식 블로그에서 확인할 수 있다.

이미지 출처: 이디오그램 생성