인공지능의 과거와 현재, 그리고 미래
최근 딥러닝이라는 방법이 개발되면서 인공지능이 새롭게 떠오르는 분야가 되었습니다. 구글, 페이스북, MS, 아마존 등 세계적인 IT 기업들이 모두 미래의 핵심 기술은 인공지능이라 말하면서 엄청난 투자를 계속 하고 있습니다. 국내 기업도 마찬가지인데 삼성은 시리의 개발진들이 애플을 나와 만든 비브 랩스(VIV Labs)를 인수하면서 본격적으로 인공지능 개발에 뛰어들었습니다. 최근 출시되는 스마트폰에는 빅스비(Bixby)라는 인공지능 음성비서가 내장되어 있고, 곧 갤럭시 홈이라는 인공지능 스피커도 판매할 예정입니다.
사실 인공지능은 컴퓨터가 개발되기 전부터 연구되어 왔습니다. 여러 종교에서 신이 인간을 만들었다는 것처럼 인간 역시 자신과 닮은 창조물에 대한 욕망을 가지고 있는지도 모릅니다. 그동안 여러번 인공지능이 주목을 받았지만 기대만큼 결과를 내지 못해 매번 그 꿈이 좌절되었습니다. 지금까지 인공지능이 걸어온 발자취를 되집어보고 현재 딥러닝이 왜 이렇게 주목 받고 있는지 알아보겠습니다.
위키백과에는 다음과 같이 인공지능을 말하고 있습니다.
인공지능(人工知能, artificial intelligence, AI)은 기계로부터 만들어진 지능을 말한다. 컴퓨터 공학에서 이상적인 지능을 갖춘 존재, 혹은 시스템에 의해 만들어진 지능, 즉 인공적인 지능을 뜻한다. 일반적으로 범용 컴퓨터에 적용한다고 가정한다. 이 용어는 또한 그와 같은 지능을 만들 수 있는 방법론이나 실현 가능성 등을 연구하는 과학 분야를 지칭하기도 한다.
한마디로 인간과 비슷한 지능을 기계로 구현하는 것이 인공지능이라 할 수 있습니다. 인공지능은 크게 세가지로 분류할 수 있습니다. 첫째가 약인공지능(Artificial Narrow Intelligence)인데 좁은 범위에서만 지능적인 동작을 수행합니다. 현재 딥러닝을 비롯해서 머신러닝, 자연어처리 등 모든 분야가 다 여기에 속한다고 보시면 됩니다. 두번째는 강인공지능(Artificial General Intelligence)입니다. 한 가지만 잘하는 것이 아니라 모든 일을 다 처리할 수 있는 인간수준의 지능을 말합니다. 세번째는 초인공지능(Artificial Super Intelligence)으로 인간의 두뇌를 뛰어넘어 훨씬 고차원적인 사고를 할 수 있는 존재입니다.
지금 딥러닝이 각광을 받는 이유는 약인공지능에서 강인공지능으로 가는 중간단계일 수도 있기 때문입니다. 약인공지능 보통 사람이 직접 설계를 하여 구현합니다. 이런 방법은 특정 영역에서는 어느정도 성능을 발휘하지만 범위가 넓어지거나 다른 영역으로 넘어가면 동작하지 않습니다. 이를 해결하기 위해서는 사람과 마찬가지로 스스로 학습하며 배워나가는게 최선입니다. 딥러닝은 인간의 뇌를 모델링한 인공 신경망으로 데이터가 주어지면 학습을 통해 적절한 결과를 출력할 수 있습니다. 아직까지는 능력에 한계가 있지만 최근 관련 기술이 급격히 발달하고 있는 중입니다.
1943년 워렌 맥클록(Warren McCulloch)과 월터 피츠(Walter Pitts)가 인공 신경망(Artificial Neural Networks)라는 모델을 제안하였습니다. 당시 인간의 뇌는 전기적인 신호로 이루어진 네트워크라고 보았는데 이를 시뮬레이션하면 학습이 가능하다는 사실을 보여주었습니다. 1957년에는 프랑크 로젠블라트(Frank Rosenblatt)가 퍼셉트론(Perceptron)이라는 신경망 구조를 개발하였는데 입력과 출력 노드로 연결되어 있고 간단한 계산을 할 수 있었습니다.
1950년 앨런 튜링(Alan Turing)이 제안한 것으로 얼마나 인간과 비슷하게 대화할 수 있는지를 통해 기계의 지능을 판단할 수 있는 테스트입니다. 인공지능과 대화를 해서 그 반응을 인간과 구분하기 힘들다면 기계 역시 인간과 마찬가지로 지능적이라고 주장합니다. 지금도 뢰브너 상을 제정해 매년 튜링 테스트 시합을 하지만 아직 통과한 적은 없습니다.
튜링은 '이미테이션 게임'이라는 영화의 실제 주인공으로도 유명합니다. 2차대전때 독일의 비밀 암호기계인 에그니마를 해독하는데 큰 역할을 했었습니다. 또한 튜링 머신이라는 가상의 기계를 고안했는데 이는 CPU, 메모리, 프로그램 구조를 갖는 폰 노이만 컴퓨터 구조의 기반이 되었습니다. 나중에 동성애 혐의로 유죄판결을 받았는데 결국 청산가리가 든 사과를 먹고 자살을 하였습니다.
1956년 미국 뉴 햄프셔에 있는 다트머스 대학에서 한달동안 회의가 열렸습니다. 존 매카시(John McCarthy), 마빈 민스키(Marvin Minsky), 클로드 섀넌(Claude Shannon) 등이 모여 당시 떠오르던 새로운 기술에 대해 토론하였고 여기서 인공지능이란 용어가 처음 사용되었습니다.
다트머스 회의 이후 인공지능은 활발히 연구되었고 여러 분야에서 많은 성과를 내었었습니다. 어려운 수식을 계산하거나 기하학의 정리를 증명하였고 심지어 자연언어로 쓰여진 수학문제를 풀 수도 있었습니다. 가상의 공간에서 다양한 블록을 대화로 조작하는 것도 가능했습니다.
인공지능에 대해 낙관적인 전망이 계속되면서 많은 자금을 받을 수 있었고 관련 연구가 지속적으로 이루어졌습니다. 마빈 민스키는 3~8년 안에 평균정도의 인간지능을 가진 기계가 나타날거라고 예측하기까지 했습니다. 하지만 1970년대 들어 이러한 분위기는 급속도록 반전됩니다.
연구를 위한 제한된 문제에 대해서는 결과가 좋았지만 복잡한 문제로 확장되면 당시 컴퓨터의 성능 때문에 계산이 불가능했습니다. 그리고 지식을 기호로 변환하고 검색을 통해 추론을 하는 당시의 인공지능으로는 현실 세계의 일들을 해결할 수가 없었습니다. 기계는 논리적인 처리는 쉽게 할 수 있지만 사람과 같이 보고, 듣고, 움직이는 등의 기본적인 행동들이 실제로 엄청나게 어려운 일이라는 것을 깨달았습니다. 유용한 성과를 내지 못하자 곧 자금이 끊겼고 인공지능은 혹독한 첫번째 겨울을 맞게 됩니다.
1980년대가 되자 인공지능은 다시 새롭게 부상합니다. 당시 인공지능의 능력에 대해 너무 환상을 가지고 있었다는 것을 알았습니다.. 그래서 문제의 영역을 줄이고 최대한 단순하게 풀어야 된다고 생각했습니다. 그래서 탄생한 것이 바로 전문가 시스템(Experts System)입니다. 전문가의 지식을 논리적인 규칙으로 생성하여 특정 영역에 대해서 사람의 질문에 답할 수 있는 인공지능입니다.
스탠포드 대학에서 개발한 덴드럴(Dendral)이란 프로그램은 질량 스텍트럼 데이터를 가지고 유기화학물의 종류를 판단할 수 있었습니다. 전염성 혈액 질환을 진단하는 마이신(MYCIN)은 600여개의 규칙으로 이루어져 있는데 증상에 대한 질문에 환자가 대답을 하면 추론을 통해서 적절한 치료법을 제시하였습니다.
이렇게 몇가지 성공사례들이 있었지만 전문가 시스템에는 치명적인 단점이 있었습니다. 먼저, 적용할 수 있는 영역이 상당히 제한적이었습니다. 또한 사람이 규칙을 일일이 생성하고 이를 조합하여 논리적인 결과를 얻어내야 하는데 그 과정이 너무나 복잡했습니다. 새로운 사실들을 추가하거나 문제점을 수정하는 등의 유지보수도 매우 어려웠습니다.
결국 전문가 시스템 역시 기대 만큼 성과를 얻지 못하면서 거품이 꺼지게 되고 인공지능에 두번째 겨울이 찾아옵니다. 이후에는 지능형 에이전트, 자연어처리, 음성인식 등 연구분야가 세분화 되었는데 상업적으로 사용할 수 있는 실용적인 응용에 중점을 두게 됩니다.
1950년대 후반 퍼셉트론 모델이 발표된 이후 신경망의 인기는 점차 높아져 갔습니다. 하지만 1969년 마빈 민스키와 시모어 페퍼트가 퍼셉트론은 XOR 계산이 불가능하다는 한계를 지적하였습니다. 입력과 출력 레이어 사이에 히든 레이어를 추가하면 이런 문제를 해결할 수 있다는 것은 알았지만 당시에는 그런 구조의 신경망을 학습할 수 있는 방법을 알지 못했습니다.
그로 인해 1970년대에는 신경망을 연구하는 사람들이 대부분 다른 분야로 방향을 전환하였습니다. 하지만 1980년대 들어 오류역전파(Back-propagation) 알고리즘이 개발되면서 다층 신경망을 구현할 수 있게 되었고 다시 신경망이 주목을 받습니다. 하지만 데이터 집합이 크고 복잡한 패턴을 처리하기 위해서는 히든 레이어를 여러개 연결해야 하는데 오류역전파 방법으로는 제대로 학습이 되지 않았습니다. 그래서 신경망을 적용할 수 있는 범위가 한정될 수밖에 없었습니다.
1997년 인공지능에 있어 큰 사건이 하나 발생합니다. IBM이 만든 딥 블루(Deep Blue)라는 컴퓨터가 당시 체스 세계챔피언이었던 가리 카스파로프(Garry Kasparov)를 6번의 대국 끝에 이기고 말았습니다. 인간은 보통 10수 앞을 내다볼 수 있는데 슈퍼컴퓨터였던 딥 블루는 12수 까지 계산을 할 수 있었습니다.
당시 기계가 사람을 이겼다는 것 자체로 많은 사람들에게 충격을 주었습니다. 하지만 체스에서 엄청난 성능을 보여준 인공지능은 다른 분야에서는 무용지물이었습니다. 모든 문제에 범용적으로 적용할 수 있는 인공지능을 만드는 것은 아직까지 요원한 일이었습니다.
2000년대 후반 가장 화두가 되었던 것은 바로 빅데이터(Big Data)였습니다. 인터넷이 발달하고 스마트폰, 소셜 네트워크가 대중화 되면서 엄청난 데이터가 쌓여갔습니다. 이전에도 데이터 마이닝(Data Mining)이라는 분야가 있었는데 하둡(Hadoop)과 같이 대용량 데이터를 처리할 수 있는 분산 컴퓨팅 기술이 개발되면서 빅데이터가 본격적으로 성장합니다. 그리고 다양한 머신러닝(Machine Learning) 기법들을 사용하여 방대한 자료속에서 유용한 정보를 찾아낼 수 있었습니다.
빅데이터에서 가장 대표적으로 소개되는 사례는 맥주와 기저귀입니다. 1990년대 중반 미국의 한 대형마트에서 맥주와 기저귀의 매출이 같은 오르는 현상을 발견하였습니다. 그래서 맥주와 기저귀의 진열대를 가까운 곳으로 옮기고 나니 두 제품의 판매량이 몇배로 올랐다고 합니다. 알고 보니 기저귀를 사러 온 남편이 맥주도 함께 구입하는 경우가 많았던 것입니다.
2008년 미국 대선에서 오바마는 빅데이터를 적극 활용하였습니다. 상대편인 롬니는 전통적인 선거전략을 고수하였습니다. 하지만 오바마 캠페인 본부는 다양한 형태의 유권자 데이터베이스를 통합해 개인별 맞춤형 선거운동을 하였습니다. 이메일도 모두에게 똑같이 보내지 않고 1500가지의 개인화된 내용을 각각 유권자에게 맞게 보냈습니다. 직업과 성향을 고려해서 만약 환경문제에 관심이 많으면 오바마의 친환경 에너지 정책에 대한 이야기를 포함하였습니다.
또 하나 빅데이터가 가장 성과를 내고 있는 것은 추천 시스템입니다. 아마존과 넷플릭스는 사용자의 구매이력을 분석하여 좋아할 만한 상품을 추천해줍니다. 아마존은 판매의 35%가 넷플릭스는 비디오의 2/3가 이런 추천을 통해 이루어진다고 합니다. 구글이나 페이스북도 사람마다 검색 기록이나 패턴을 보고 개인에게 맞는 광고를 선택해서 보여줍니다.
그동안 물밑에 가라앉아 있던 신경망이 다시 떠오른 것은 2012년 국제이미지인식기술대회(IILSVRC)에서 였습니다. 캐나다 토론토대 제프리 힌트 교수팀이 개발한 알렉스넷(AlexNet)은 딥러닝을 적용하였는데 무려 10%나 되는 에러율 차이로 다른 경쟁자들을 물리치면서 우승을 하였습니다. 알렉스넷은 1000개의 사진중 85%를 정확하게 종류별로 분류하였습니다.
딥러닝은 기존 인공 신경망을 확장한 것입니다. 지금까지는 히든 레이어가 하나인 신경망만 학습이 가능했습니다. 그 이상으로 레이어를 늘리면 학습이 잘 되지 않거나 특정 데이터에만 동작되는 과적합(overfitting)이 발생하였습니다. 하지만 많은 연구끝에 이를 해결할 수 있는 돌파구를 만들 수 있었습니다.
딥러닝을 하는 방법에도 여러가지가 있지만 기본적인 아이디어는 작은 특징에서 복잡한 특징으로 올라가면서 단계적인 학습을 하는 것입니다. 위의 그림처럼 처음에는 단순한 형태의 패턴을 찾아냅니다. 그리고 이 패턴을 조합하여 조금 더 복잡한 패턴을 생성합니다. 이렇게 계속 계층을 따라 올라가면 최종적으로 고차원적인 특징을 뽑아낼 수 있고 이렇게 입력을 단순화해서 학습을 더 쉽게 수행할 수 있습니다. 알렉스넷의 경우 모두 8개의 레이어를 가지고 있었는데 최근에는 1000개의 레이어가 넘는 딥러닝도 개발되고 있습니다.
사실 딥러닝이 대중적으로 유명해진 것은 2016년 3월에 열린 구글 딥마인드(DeepMind)의 알파고(AlphaGo)와 이세돌과의 바둑 경기때문입니다. 이세돌이 이길거라는 예상을 깨고 4승 1패로 알파고가 압도적인 승리를 거두었습니다. 한국에서 열린 대회라 많은 사람들이 관심을 가졌고 그만큼 우리에게 더 큰 충격을 주었습니다.
알파고는 위에서 설명했던 알렉스넷과 달리 지도학습(Supervised Learning)과 비지도학습(Unsupervised Learning)을 동시에 사용합니다. 프로선수들이 했던 3000만개의 기보를 사용하여 이런 상황에서는 이렇게 수를 두게 가르쳤던 것이 지도학습입니다. 반면에 비지도학습은 목표값이 레이블되어 있는 데이터 없이 스스로 배우는 방법입니다. 비지도학습의 한 종류인 강화학습(Reinforcement Learning) 기술로 혼자 대국을 두며 학습할 수 있었습니다.
1997년 딥블루가 체스에서 우승한 것과 비슷해 보이지만 사실 엄청난 차이가 있습니다. 딥블루는 인간이 설계한 규칙에 따라 동작할 뿐이라 체스말고는 다른 일을 할 수가 없습니다. 그러나 알파고는 사람처럼 학습을 통해 배울 수 있는 능력이 있습니다. 딥러닝 알고리즘을 사용하면 바둑뿐만 아니라 다른 분야에도 그대로 적용이 가능하기 때문에 응용할 수 있는 범위가 무궁무진 합니다.
지금까지 먼 미래로 생각했던 인공지능이 딥러닝과 함께 갑자기 눈앞의 현실로 다가왔습니다. 전문가들의 70%가 2050년이면 인간수준의 강인공지능이 개발될 것이라 예측하고 있습니다. 스티븐 호킹이나 엘론 머스크 같은 사람들은 인공지능과 로봇이 인류의 멸종을 부를 수 있다고도 주장합니다. 하지만 우리에게 더 시급한 일은 일자리가 점점 사라질 거란 점입니다.
앞으로 20년내에 직업의 절반이상을 기계가 대신할 거라 합니다. 기계도 학습하면서 배울 수 있다면 사람이 하는 일을 똑같이 해낼 수 있습니다. 최근에는 자율주행차 개발이 활발하게 진행되고 있는데 10년후 대부분의 신차는 자율주행차가 된다고 말합니다. 그렇게 되면 택시, 버스, 트럭 등에 종사하고 있는 사람들은 일자리를 잃게 될 것입니다. 또한 교통 흐름이 좋아지고 자동차를 공유하는 방식으로 변경되면서 현재의 20%의 차만 필요하게 되는데 그만큼 자동차 업체들의 직원들도 해고될 수밖에 없습니다.
물론 사라지는 일자리만큼 새로운 직업이 생길 수도 있습니다. 산업혁명때는 농업, 제조업이 기계로 대체되면서 실업자들이 늘어났습니다. 하지만 기계의 힘으로 자원과 에너지를 더 많이 소비하면서 전체적인 경제 규모가 증가했습니다. 그래서 서비스업이 급격히 발전하였고 실업자들을 흡수하였습니다. 앞으로 인공지능로 대체된 사람들을 위해서 새로운 직업들이 생겨날려면 경제가 더 성장해야 하고, 그만큼 더 많은 물건들을 생산해야 합니다. 하지만 지구의 자원은 한정되어 있습니다. 또한 무분별한 개발로 인한 부작용으로 환경오염과 기후변화 등 심각한 문제들이 발생하였습니다.
현재 인공지능에 대해 희망과 불안이 공존하고 있습니다. 하지만 역사의 흐름을 억지로 막을 수는 없다고 생각합니다. 핵폭탄도 처음 그 파괴력에 대해 많은 우려가 있었지만 강대국들은 경쟁적으로 개발에 매진하였습니다. 인공지능 역시 경제, 군사적으로 상대방을 이길 수 있는 강력한 무기가 될 수 있기 때문에 서로 우위를 차지하려고 노력할 것입니다.
우리가 미래를 대비할 수 있는 방법은 기계가 하지 못하는 능력을 개발하는 것입니다. 인간만이 할 수 있는 창의력과 감성적인 부분이 앞으로 훨씬 중요해질 것입니다. 그리고 서로 소통하며 교류하는 커뮤니케이션 역시 인공지능이 대체하지 못하는 분야가 될거라 생각합니다. 하지만 무엇보다 인공지능으로 이익을 얻는 기업들에게 세금을 걷어 사회 구성원 모두에게 나누어 주어야 합니다. 만약 이런 정책이 실패하고 양극화가 더 심해진다면 영화속에서 보던 디스토피아를 맞이하게 될지도 모릅니다.