누가 정답일까? 일반AI에 도전하는 스타트업들의 키워드
인간의 지능에 맞먹는 범용 AI가 언제쯤 현실화될지는 인공지능(AI) 분야에서 예전이나 지금이나 뜨거운 이슈다. 큰 틀에서 보면 단기간에 범용 AI가 현실화될 거라 보는 이들은 거의 없다. 2029년 범용 AI가 나올 것이라는, 특이점이 온다의 저자 레이 커즈와일의 전망이 가장 낙관적인 시나리오가 아닐까 있다. 30년, 100년 후라고 생각하는 이들이 여전히 많다.
하지만 일반 인공 지능을 향한 도전장을 던지는 테크 기업들은 계속 나오고 있다. 마틴 포드가 쓴 로봇의 지배를 보면 저마다의 방식으로 범용 AI에 도전하는 3개 기업이 눈에 띈다.
첫 번 째는 구글에 인수된 알파고 개발사 딥마인드다. AI 기업들 중에선 가장 많이 알려진 곳들 중 하나인 딥마인드는 인간의 뇌와 유사한 방식으로 범용 AI를 구현하는데 초점을 맞추고 있다.
일반 인공지능 앞에 놓인 도전에 맞서는 다양한 연구 철학과 전략을 가진 팀들이 발전을 주도하고 있다. 이들의 공통점은 적어도 지금까지는 최종 목표가 인간의 인지 능력을 모델로 한다는 것이다. 한가지 중요한 접근법은 영감을 얻기 위해 인간 뇌의 내부 작동을 직접 살펴본 것이다. 여기에 속하는 연구자들은 인공지능이 신경과학에서 직접 정보를 얻어야 한다고 생각한다. 이 분야의 리더가 딥마인드다. 이 회사의 설립자이자 CEO인 데이스 하사비스는 일반적인 인공지능 연구자와 달리 대학원에서 컴퓨터 과학이 아니라 신경과학을 공부하고 유니버시티칼리지 런던에서 이 분야의 박사 학위를 받았다.
딥마인드가 일반 인공지능에서 강조하는 것들 중 하나가 강화학습이다.
하사비스와 딥마인드 팀은 인간과 어쩌면 기계 지능의 기본 원리가 되는 일종의 지능의 공기 역학이 있다고 믿는다. 2020년 초 딥마인드는 다시 한번 신경과학에 중요한 기여를 했다. 뇌에서 도파민 뉴런의 작동을 연구해 강화학습에 활용한 것이다.
이런 연구는 하사비스와 연구팀이 강화학습에 갖는 자신감과 강화학습이 일반 인공지능으로 가는 노력의 중요한 요소라는 믿음을 반영한다. 그런 점에서 이들은 평균에서 크게 벗어난 아웃라이어다. 예컨대 페이스북의 얀 르쿤은 강화학습이 상대적으로 미미한 역할을 할 것이라고 언급했다. 그는 종종 프레젠테이션에서 지능이 케이크라면 강화학습은 케이크 맨 위에 있는 체리에 해당한다고 말한다. 딥마인드 팀은 강화학습이 가장 중심이 되고 일반 인공지능을 성취하는 실행 가능한 방법을 제공한다고 믿는다.
우리는 일반적으로 강화학습을 바둑을 두거나 시뮬레이션으로 자동차를 운전하는 방법을 학습하는 것처럼 외부의 매크로 프로세스를 최적화하는 보상 기반 알고리즘 관점에서 설명한다. 그러나 하사비스는 강화학습이 뇌 내부에서 중요한 역할을 하고 지능이 나타는데 필수일 수 있다고 지적한다. 강화학습은 뇌를 호기심과 학습, 그리고 추론으로 이끄는 중요한 메커니즘일 수 있다.
마틴 포드가 일반 인공지능에 도전하는 두 번째 회사로 소개한 곳은 엘리멘털 코그니션이다. 이 회사는 자연어를 이해할 수 있는 인공지능 구현을 위해 딥러닝과 다른 AI 방식을 결합한 하이브리드 시스템을 전진 배치한 케이스다.
인공지능 스타트업 엘리멘털 코그니션의 창업자이자 CEO인 데이비드 페루치는 일반 인공지능 구축에 완전히 다른 접근 방법을 추구하고 있다. 페루치는 2011년 TV 퀴즈쇼 <제퍼티!>에서 켄 제닝스와 다른 참가자들을 이긴 IBM 왓슨 개발 팀을 이끈 것으로 유명하다. 페루치는 자신이 세운 스타트업이 실제 언어 이해에 초점을 맞추고 있다고 말한다. 이 회사는 자료에 대한 시스템의 이해를 높이고 결론을 설명하기 위해 자율적으로 텍스트를 읽은 다음 인간과 상호 작용하는 대화에 참여할 수 있는 알고리즘을 개발하고 있다.
기존 자연어 처리 인공지능 시스템은 게임 패들이 몇 픽셀만 위로 움직여도 딥마인드의 DQN에 나타나는 비슷한 한계를 겪고 있다. 화면의 픽셀이 움직일 수 있는 문체를 나타낸다는 것을 DQN이 이해하지 못하는 것처럼 현재 언어 시스템도 처리하는 단어가 무엇을 의미하는지 전혀 이해하지 못한다.
페루치는 언어 이해 문제를 해결하면 일반 인공 지능으로 가는 명확한 길이 나타날 것으로 믿는다. 그는 딥마인드 팀이 시도하는 방식처럼 뇌의 생리학을 탐구하는 대신 인간 수준의 언어 이해와 논리와 추론 사용 능력에 접근하는 시스템을 직접 설계해 제작하는 것이 가능하다고 생각한다. 일반 인공 지능을 만들 수 있는 기본 블록이 이미 존재한다고 믿는다는 면에서 그는 인공지능 연구자들 사이에서도 예외적이다. 페루치는 비교적 가까운 미래에 이 목표를 달성할 것이라는 전망에 매우 낙관적이다.
이 목표를 달성하기 위해 엘리멘털 코그니션 팀은 일종의 하이브리드 시스템을 구축하고 있다. 심층 신경망과 다른 머신러닝 접근법을 포함하고 논리와 추론을 처리하는 기존 프로그래밍 기법을 사용해 구축한 소프트웨어 모듈을 결합했다.
마틴 포드가 마지막으로 언급한 회사는 요즘 생성 AI 기술인 GPT-3나 달리(DALL-E)2로 많이 회자되고 있는 오픈AI다.
오픈AI는 컴퓨팅 성능을 확장해 신경망 규모를 키우면 일반 인공지능에 이를 수 있다는 입장이다. 일반 인공지능은 데이터과 컴퓨팅 파워가 많다고 이룰 수 있는 것이 아니라고 보는 이들이 많은데, 오픈AI는 강력한 컴퓨팅 플랫폼을 강조하는 모습이다.
일반 인공지능으로 가는 또 다른 길은 오픈AI에서 구축하고 있다. 일반 인공지능 경쟁에서 오픈AI는 기존 기업과 비교하면 직원수는 적을 수 있지만 구글 딥마인드에는 자금력이 가장 좋은 경쟁자일 것이다. 딥마인드처럼 오픈AI도 강화학습으로 훈련한 강력한 심층 신경망을 개발하고 도타2 같은 비디오 게임에서 최고 인간 게이머를 이길 수 있는 시스템을 만들었다.
하지만 오픈AI는 오직 더 강력한 컴퓨팅 플랫폼에서 더 큰 심층 신경망을 구축하는데 집중하는 전략으로 차별화하고 있다. 이 분야에서 확장성은 지속할 수 없는 전략이라는 경고의 소리가 높지만 오픈AI는 오히려 더 깊이 투자하고 있다. 사실 마이크로소프트의 10억달러 투자는 대부분 클라우드 컴퓨팅 사업인 애저에서 제공하는 컴퓨팅 성능 형태로 제공될 것이다. 오픈AI가 지향하는 클수록 좋다는 사고 방식은 확실히 상당한 진보를 이뤘다.
오픈AI가 문제를 향한 그저 컴퓨팅 자원을 계속 던지기만 하면 단지 거대한 신경망을 구축하기만 하면 진정한 이해가 나타날 가능성이 있을까? 내 생각에는 그럴 가능성이 매우 낮고 많은 인공지능 전문가들도 확장성에 대한 오픈AI의 믿음에 매우 비판적이다. 이 접근법에 대한 판단은 아직 내려지지 않았지만 오픈AI가 성공하려면 신경망의 크기가 아니라 진정한 혁신을 위한 노력을 확장해야 한다고 생각한다.
