개요

TechXplore 보도에 따르면, EPFL(스위스 연방 공과대학) 연구진이 생성형 비디오의 드리프트(drift) 문제를 해결하는 획기적인 방법을 개발했다. 드리프트는 AI 생성 비디오가 수 초 후 일관성을 잃고 왜곡되는 현상이다.

연구진이 개발한 새로운 방법은 "에러 재활용 재훈련(Retraining by Error Recycling)"이라 불리며, 2026년 4월 열리는 ICLR 2026(International Conference on Learning Representations)에서 발표될 예정이다.

드리프트 문제란?

현재 생성형 비디오의 한계

현재 AI 비디오 생성 모델(예: Runway, Pika, Sora)은 수 초 후 시퀀스가 비일관적(incoherent)으로 변하는 문제를 겪는다. 이는 다음과 같은 현상으로 나타난다:

물체가 점차 왜곡됨
장면 일관성 상실
시간이 지날수록 의미 없는 영상으로 변화

이러한 드리프트 문제로 인해, 대부분의 AI 비디오는 몇 초 ~ 몇십 초 길이로 제한된다.

에러 재활용 재훈련 기법

핵심 아이디어

EPFL 연구진의 방법은 모델이 생성하는 에러를 "재활용"하여 재훈련하는 것이다. 이는 다음과 같이 작동한다:

에러 수집: 모델이 비디오를 생성하며 발생시키는 드리프트 에러를 식별
에러 재활용: 이러한 에러를 훈련 데이터로 재사용
모델 재훈련: 에러를 보정하도록 모델을 다시 훈련

기술적 우아함

이 방법은 추가 데이터나 복잡한 아키텍처 변경 없이, 모델 자체의 실수를 학습 신호로 활용한다는 점에서 우아하다.

기대 효과

시간 제약 없는 비디오

연구진은 이 기법이 시간 제약 없는 AI 비디오로 가는 길을 닦는다고 설명한다. 즉, 몇 초가 아닌 몇 분, 심지어 몇 시간의 일관된 AI 비디오 생성이 가능해질 수 있다.

응용 분야

장편 영상 제작: 영화, 다큐멘터리 수준의 AI 비디오
실시간 시뮬레이션: 게임, 가상 현실, 디지털 트윈
교육 콘텐츠: 긴 형식의 설명 비디오
엔터테인먼트: AI 생성 TV 쇼, 애니메이션

ICLR 2026 발표

이 연구는 2026년 4월 ICLR 2026에서 정식 발표된다. ICLR은 머신러닝 및 딥러닝 분야의 최고 수준 학회 중 하나다.

기대되는 파급 효과

업계 전문가들은 이 기법이 빠르게 채택될 것으로 예상한다. 특히:

Runway, Pika 같은 비디오 생성 스타트업이 즉시 적용 가능
OpenAI Sora, Google Veo 같은 대형 모델도 혜택
오픈소스 커뮤니티에서 빠르게 구현 시도

업계 영향

생성형 비디오의 패러다임 전환

드리프트는 생성형 비디오의 근본적인 한계로 여겨졌다. EPFL의 돌파구는 이 한계를 넘어설 수 있는 명확한 경로를 제시한다.

경쟁 심화

시간 제약 없는 비디오 생성 능력은 생성형 AI 경쟁의 새로운 전선이 될 것이다. 누가 먼저 10분, 30분, 1시간의 일관된 비디오를 생성하는가가 차세대 경쟁 지표가 될 수 있다.

기술적 의의

에러 재활용 재훈련은 자기 개선(self-improvement)의 한 형태다. 모델이 자신의 실수를 학습함으로써 스스로 개선된다는 점에서, 이는 AI 훈련 방법론의 중요한 발전이다.

이는 DeepSeek의 mHC 같은 아키텍처 혁신과 함께, AI 모델의 훈련 및 성능 개선을 위한 새로운 패러다임을 제시한다.

#epfl

EPFL, AI 비디오 드리프트 문제 해결... 시간 제약 없는 생성형 비디오 가능해져