본문 음성으로 듣기

중지

멈춤

이어듣기

원문 보기: “Everything you need to know about narrow AI”

1956년, 존 매카시(John McCarthy)라는 젊은 수학 조교수가 이끄는 과학자 그룹이 6주간의 야심찬 프로젝트를 위해 다트머스 대학에 모였다. 언어를 사용하고, 추상화와 개념을 만들고, 현재 인간에게 할당된 문제들을 해결하고, 스스로 발전하는 컴퓨터를 만드는 것이 그들의 목표였다.

이 프로젝트가 인공지능(AI)의 시발점이 되었다. 당시 과학자들은 ‘2개월간의 인공지능 연구’가 인공지능이 부딪힌 난관들을 해결해 줄 것이라고 생각했다. “우리는 선정된 과학자들이 모여서 여름동안 함께 연구하면 연구에 상당한 진전이 있을 것이라고 생각했습니다.”

60여 년이 지난 지금도 인공지능을 만들고자 하는 꿈은 이루어지지 않았다. 아직 어른은 고사하고 어린 아이 정도의 지능을 가진 인공지능도 만들지 못하였다. 그러나 분명히 진전은 있었다. 연구는 계속되었고, 인공지능은 강인공지능(artificial general intelligence)과 약인공지능(artificial narrow intelligence)로 나누어지게 되었다.

강인공지능과 약인공지능의 차이

매카시와 연구원들이 구상했던 인공지능은 세부사항 하나하나를 입력해주지 않아도 스스로 학습하고 문제를 해결할 수 있다. 또한 추론과 추상화를 할 수 있어야 하고, 한 분야의 지식을 다른 분야에 손쉽게 적용 할 수 있어야 한다.

개발자들은 수십 년간의 연구를 통해 위의 조건들을 모두 만족하는 인공지능 시스템을 만드는 것은 매우 어렵다는 것을 깨달았다. 인간의 사고방식을 모방한 컴퓨터를 구현하는 인공지능 최초의 목표는 강인공지능 혹은 범용 인공지능(AGI)으로 부르게 되었다.

강인공지능은 위키피디아에 다음과 같이 정의되어있다. “인간이 할 수 있는 지적 업무를 이해하거나 배울 수 있는 능력을 가진 기계.” 과학자들과 연구원들은 강인공지능의 개발은 사실상 수십 년은 멀다고 판단했다.

그러나 스스로 생각하는 기계를 만드는 꿈을 이루기 위한 그들의 지속적인 노력은 계속되었고, 과학자들은 관련된 유용한 기술들을 만들어 내는데 성공하였다. 약인공지능에는 이렇게 만들어진 모든 기술들이 포함된다.

약인공지능 시스템은 한개 또는, 제한된 범위 내에서의 작업 수행에 적합하다. 종종 약인공지능 시스템은 특정 분야에서 인간보다 뛰어난 모습을 보이기도 한다. 그러나 능력 밖의 작업을 할당 받는 순간, 작업 수행에 실패하고 만다. 또 가진 지식을 다른 영역에서 응용하지 못한다.

예를 들어 구글 인공지능 연구소 딥마인드(Deepmind)에서 개발한 프로그램은 스타크래프트 2를 수준급으로 플레이 할 수 있다. 하지만 이 프로그램은 워크래프트나 커맨드 앤 컹커 등 같은 유형의 게임을 플레이 할 수는 없다.

비록 약인공지능이 인간 수준의 지능을 요구하는 작업을 수행하지는 못하지만, 스스로의 유용성을 입증하여 다양한 분야에 진출하였다. 우리가 사용하는 구글 검색에도 좁은 인공지능 알고리즘이 사용되었다. 유튜브와 넷플릭스에서는 사람들이 볼만한 영상을 추천해주고, 스포티파이에서는 매주 재생 목록을 만들어준다. 또한 어느덧 많은 사람들의 삶의 일부분이 된 알렉사와 시리에도 약인공지능의 기술이 도입되어 있다.

사실 기업에서 “인공지능의 도입”이라고 하는 것과, 당신이 뉴스에서 본 인공지능 이야기의 대부분은 모두 약인공지능 말했던 것이다.

약인공지능의 두 가지 종류

Robot sitting on a bunch of books. Contains clipping path

오늘날의 약인공지능 기술은 상징적 인공지능(symbolic AI)과 머신러닝(machine learning) 두 가지로 나누어진다.

GOFAI(good old-fashioned AI, 좋은 구식 인공지능)으로도 알려진 상징적 인공지능은 인공지능이 연구되는 동안 주된 연구대상이었다. 상징적 인공지능은 개발자들이 각 상황에서 어떻게 작동할지 규칙을 세세하게 규정해주어야 한다. 따라서 상징적 인공지능은 상황이 예측 가능하고 규칙이 명확한 경우 사용하기 적합하다. 비록 시간이 지나면서 상징적 인공지능에 대한 관심은 줄어들고 있지만, 현재 사용 중인 대부분의 인공지능은 규칙을 기반으로 한 상징적 인공지능 시스템이다.

약인공지능의 다른 한 분야인 머신러닝은, 학습을 통해 지능 시스템을 개발한다. 머신 러닝 시스템의 개발자는 모델을 만든 다음, 많은 예시들을 제공하여 시스템을 훈련한다. 머신 러닝 알고리즘은 제공받은 예시들을 기반으로 데이터를 예측과 분류할 수 있는 수학적 표현을 만들어낸다. 예를 들어 수천 개의 은행 거래 결과로 학습 된 머신 러닝 알고리즘은, 새로운 은행 거래가 사기인지 아닌지를 예측할 수 있을 것이다.

머신 러닝은 다양한 방면으로 연구되어왔다. 그 중 딥 러닝(Deep learning)이 지난 몇 년 사이에 수면 위로 드러났다. 딥러닝은 특히 컴퓨터 비전이나 자연 언어 처리와 같이 처리해야할 데이터의 양이 많은 작업 수행에 뛰어나다.

머신 러닝의 다른 연구 분야인 강화 학습은 시행착오를 통해 문제점을 해결해야 하는 로봇공학과 게임을 플레이 하는 프로그램에 사용된다.

왜 약인공지능일까?

상징적 인공지능과 머신 러닝은 모두 인간의 지능을 구현하는 것을 목표로 한다. 그러나 여전히 인간 수준의 지능을 가진 인공지능을 만들기에는 부족한 것이 많고, 이점은 약인공지능을 넘어서는 인공지능 개발의 걸림돌이 된다.

상징 조작(symbol manipulation)은 인간사고 과정의 큰 부분을 차지한다. 그러나 인간이 실제로 생각을 할 때 상징 조작보다는 마음(mind)이 더 큰 일을 한다. 우리가 어린 시절에 습득한 많은 행동들(걷기, 달리기, 신발끈 묶기, 도구 사용하기, 양치질, 등)은 암기를 통해 배운다. 인간은 이런 행동들을 상징 조작을 하지 않고 무의식중에 배울 수 있다.

상징적 인공지능은 사용하기 매우 까다롭다. 상징적 인공지능은 주어진 업무의 모든 부분에서 정확한 지시가 있어야 하고, 정해진 규칙 내에서만 작동할 수 있다.

그에 반해 머신러닝 알고리즘은 학습을 통해 얼굴과 목소리를 인식하는 것과 같은 상징적 추론에서는 포착할 수 없는 행동을 모방하는데 능숙하다. 이는 딥 러닝 알고리즘의 한 분야인 심층 신경망(deep neural networks)에서 뛰어난 활약을 보인다. 심층 신경망은 방대한 양의 데이터를 수집하고, 데이터를 특정할 수 있는 패턴을 나타내는 수학적 모델을 개발할 수 있다.

그러나 다시 말하지만, 인간의 사물 인지 과정은 단순히 사물의 패턴에만 영향을 받지 않는다. 예를 들어 우리는 고양이의 사진을 보고 사진에 있는 것이 고양이인 것을 알 수 있다. 왜냐하면 우리는 살면서 본 고양이들과 사진을 연관시킬 수 있기 때문이다. 그러나 고양이를 인식하는 이 간단한 일에는 사실 많은 상징 조작(4개의 다리, 꼬리, 털로 뒤덮인 몸, 뾰족한 귀, 삼각형 코 등)이 수반된다.

만일 이러한 상징 조작이 충분하게 이루어지지 않는다면, 딥 러닝과 기계 학습 알고리즘의 능력은 제한된다. 딥러닝 알고리즘은 인간은 소수의 예시로 학습할 수 있는 작업을 수행하기 위해 방대한 양의 데이터가 필요하다. 컴퓨터 비전에 사용되는 컨벌루션 신경망(Convolutional neural network)은 사물을 인식하기 위해 수천 개의 이미지로 학습을 해야 한다. 그렇게 해도 사물이 새로운 조명 조건이나 다른 각도에 있는 경우에는 인식에 실패하는 경우가 많다.

알파고, 알파스타, 오픈에이아이 파이브(openAI Five)와 같이 게임을 하는 인공지능은 각각의 게임을 완벽히 수행하기 위해 수백만 경기 혹은 수천 시간의 게임을 통해 학습해야 한다. 이는 사람이 평생 플레이 할 수 있는 양보다 많은 양이다.

머신 러닝 시스템 역시 학습을 해준 예시의 상황 정보에 엄격하게 제한된다(좁은 인공지능으로 불리는 이유이다.). 예를 들어 자율주행 자동차에 사용되는 컴퓨터 비전 알고리즘이 이상하게 주차된 소방차나 전복된 차와 같은 낯선 상황에 맞닥뜨리면 불규칙한 결정을 내리기 쉽다.

약인공지능. 그 다음은?

과학자들은 현재 인간이 가지고 있는 인공지능 중 강인공지능에 필요한 기술을 가진 인공지능은 없다는 것에 동의했다. 하지만 이는 약인공지능을 넘어서는 기술을 개발하지 못할 것이라는 뜻이 아니다. 약인공지능의 역량을 증진하는 방안은 다음과 같다.

• 인지 과학자 게리 마커스는 규칙 기반 시스템과 신경망을 융합한 하이브리드 인공지능 시스템을 개발하자고 제안하였다. 현재 진행 중인 연구에서 하이브리드 인공지능 시스템이 약인공지능이 데이터에 제약받는 것을 극복할 수 있다는 것을 보여주고 있다. “크고, 때로는 조잡한 데이터에서 추상적 지식을 추출하고 일반화 할 수 있는 더 나은 기술을 개발하기 위해 상징적 인공지능의 강점과 머신 러닝의 통찰력을 결합한 구조를 구축하기 위한 많은 시도들이 이루어지고 있다.”
• 컴퓨터 과학자이자 강화 학습관련 논문의 공동 저자인 리차드 서튼은 약인공지능을 넘어서기 위한 방법은 학습 알고리즘의 규모를 계속 키우는 것이라고 주장한다. 서튼은 인공지능 산업이 발전한 것은 “단위 계산당 기하급수적으로 떨어지는 비용” 덕분이지, 인간의 지식과 추론능력을 소프트웨어에 담아내는 것의 발전 덕분이 아니라고 하였다.
• 딥러닝의 연구의 선구자인 요수아 벤조(Yoshua Bengio)는 작년에 열린 신경 정보 처리 시스템 학회(NeurlPS)에서 시스템 2 딥러닝을 언급하였다. 그의 발표에 따르면 시스템 2 딥러닝 알고리즘은 상징적 인공지능의 기능 없이도 다양한 형태의 변수 조작을 할 수 있을 것이라고 말하였다. “우리는 세상을 이해하고, 원인과 결과를 이해하고, 지식을 얻기 위해 행동할 수 있는 인공지능을 만들고자 합니다.”
• 또 다른 딥러닝 연구의 선구자인 얀 르쿤(Yann LeCun)은 올해의 미국 인공지능 학회(AAAI)에서 스스로 학습하는 인공지능에 대해 이야기하였다. 스스로 학습하는 인공지능은 수많은 분류된 데이터 없이도 관찰을 통해 학습할 수 있어야 한다. “스스로 학습하는 인공지능이 미래라고 생각합니다. 이는 인간의 인공지능 시스템과 딥러닝 시스템이 다음 단계로 나아가게 해줄 것입니다. 어쩌면 관찰을 통해 충분한 배경 지식을 습득하면 일종의 상식이 생길 수도 있을 것입니다.” 르쿤이 학회 연설에서 한 말이다.

만일 과거의 인공지능을 뛰어넘는 인공지능을 개발했다면??

인공지능의 문제점 중 하나는 발견한 문제를 명확히 해결하기 어려운 것이다. 문제가 해결되지 않는 한 해당 인공지능 영역은 인공지능-완성(AI-complete)으로 간주된다. 이를 해결해야만 진정한 인공지능으로 보는 것이다. 한번 해결이 된다면, 더 이상 지성이 필요하지 않다.

대표적인 예로는 인공지능 연구의 초파리로 여겨진 체스가 있다. 1996년 세계 체스 챔피언인 게리 카스파로프를 이긴 컴퓨터인 딥 블루(Deep Blue)는 체스 선수와 같은 사고방식을 가지고 있지는 않았다. 딥 블루는 순전히 컴퓨터의 능력으로 가능한 모든 움직임을 검토하여 승산이 가장 높은 것을 선택하였다. 이는 전화를 걸거나 식당을 예약하는 등 특정 업무에 탁월한 다른 좁은 인공지능 시스템이 사용하는 방식과 같다.

다방면에서 약인공지능은 인간의 지능으로 해결하는 문제들이 수식과 알고리즘으로 분해될 수 있다는 것을 보여주었다.

최근에는 인공지능의 문제 해결 능력을 측정하는 데 더 중점을 두고 있다. 이와 관련된 연구 중 케라스 딥러닝 라이브러리 제작자인 프랑수아 콜레(François Chollet)의 논문 “지능의 측정(On the Measure of Intelligence)“이 주목받고 있다.

그의 논문에서는 학습되거나 지시받지 않은 문제를 해결하는 인공지능 시스템의 성능을 측정하는 방법을 다룬다. 콜레는 같은 논문에서 성능을 테스트 할 수 있는 추상 추론 자료(The Abstraction and Reasoning Corpus, 이하 ARC)를 제공하였다. 구글의 데이터 과학 및 머신 러닝 플랫폼인 카글(Kaggle)은 올해 초 ARC 데이터 세트를 해결하기 위한 도전을 시작했다.

이 도전 과제를 해결 할 가능성은 거의 없지만, 인간처럼 생각할 수 있는 인공지능이 어느 정도 단계까지 도달했는지 확인 할 수 있는 좋은 기회가 될 것이다.