AI 시스템이 더 강력해질수록 더 범용적이 될 것이라는 통념에 반박하는 연구 분석이 제기됐다. Goldfeder, Wyder, LeCun, Shwartz-Ziv가 2026년 발표한 논문 “AI Must Embrace Specialization via Superhuman Adaptable Intelligence”를 해석한 Dharma AI는, 최적화 이론·진화생물학·경쟁 시장·머신러닝이라는 서로 다른 네 분야가 동일한 결론에 수렴한다고 밝혔다. 각 분야의 메커니즘과 작동 단위는 완전히 다르지만, 제한된 자원 아래서 범용성보다 특화된 설계가 성능 우위를 점한다는 예측이 반복된다는 것이다.
수학적 근거는 1997년 Wolpert와 Macready가 증명한 노 프리 런치(No Free Lunch) 정리에 있다. 이 정리에 따르면 모든 가능한 문제에 걸쳐 평균했을 때 단일 범용 최적화 알고리즘이 다른 어떤 알고리즘보다 우월할 수 없다. 특정 문제 분포에서 성능을 얻으면 다른 분포에서 양보해야 하며, 성능은 곱해지는 것이 아니라 재분배된다. 논문은 이를 근거로 “범용성은 이론적 개념이지만, 실용적으로는 신화에 가깝다”고 단언했다. 자원이 유한한 실제 시스템에서는 특화된 집중이 분산보다 유리하며, 과제 집합이 제한 없이 늘어날수록 과제당 할당 자원은 0에 수렴한다. 생물학적 진화도 같은 예측을 낳는다. 논문은 “특화는 생물학의 우연이 아니라, 제한된 자원·경쟁하는 목표·작은 과제 집합에 대한 성능을 보상하는 환경의 필연적 결과”라고 정리했다. 경쟁 시장 역시 성과 기준을 충족하지 못하는 전략은 퇴출되고, 광범위하게 분산된 역량보다 집중된 역량이 기준을 반복적으로 충족하는 구조로 수렴한다.
머신러닝 분야 내에서도 같은 패턴이 독립적으로 반복 발견됐다. 네거티브 트랜스퍼(negative transfer) 현상이 대표적이다. 다중 과제를 동시에 학습할 때 과제들이 표현 용량을 놓고 경쟁하거나 서로 충돌하는 그래디언트를 유발하면, 개별 과제 성능이 전담 시스템보다 낮아진다. 프런티어 모델의 아키텍처 선택도 이 논의의 근거가 된다. 혼합 전문가(MoE, Mixture-of-Experts) 구조는 모든 파라미터를 균일하게 활성화하는 것이 아니라 입력별로 특화된 전문가 부분망을 선택 활성화해 성능을 확보한다. 논문 저자들은 이를 범용성을 목표로 설계된 시스템이 내부에서 특화를 회복하는 구조적 양보로 해석했다.
Dharma AI는 이 분석이 AI 시스템 설계 선택에 실질적 함의를 갖는다고 강조했다. 단백질 구조 예측을 돌파한 AlphaFold처럼, AI 역사에서 중요한 이정표를 세운 시스템들은 대체로 단일 과학 과제에 집중 설계됐다는 점을 상기시켰다. 여러 분야가 각기 다른 경로로 같은 결론에 도달할 때, 그것은 특정 분야의 편향이 아니라 제한된 자원 속에서 작동하는 시스템의 보편적 특성을 반영할 가능성이 높다는 것이 이 연구의 핵심 주장이다.
