딥러닝의 한계, 하이브리드AI가 대안? 다양한 시선들

현재 AI를 구현하는 방법론 측면에서 대세는 딥러닝이다. 규칙에 기반한 전통적인 상징적 AI는 언제부터인가 올드한 이미지가 붙어 있다. 하지만 딥러닝 AI가 진화에 진화를 거듭해 앞으로 AI의 퀀텀 점프를 이끌지는 미지수다. 딥러닝만으로는 어렵다는 시각이 적지 않다.

이런 상황에서 주목 받는 키워드가 있으니 바로 하이브리드 AI다. 하이브리드 AI는 딥러닝과 기존 상징적 AI 접근을 결합해야 AI가 도약할 수 있다는데 초점이 맞춰져 있다. 얼마 전 까지만 해도 딥러닝과 상징적 AI 진영은 교류가 많지 않았는데, 요즘은 다른 것 같다.

마틴 포드가 쓴 로봇의 지배를 보면 상징주의와 딥러닝에 추구하는 연결주의 AI 접근 사이에서 화해와 통합 노력도 나오고 있다.

  인공지능이 앞으로 나아가려면 상징주의자들이 시도했지만 대부분 실패한 문제를 해결해야 한다고 많은 사람들이 인정한다. 오픈AI와 관련 있어 보이는 비교적 적은 수의 딥러닝 순수주의자들을 제외하고 더 빠른 하드웨어와 더 많은 데이터를 활용해 기존 신경 알고리즘을 확장하면 일반 지능에 필수인 논리적 추론과 상식적 이해를 생성할 수 있다는 확신이 일반 연구자들 사이에선 거의 존재하지 않는다.

  좋은 소식은 이번에는 상징주의와 연결주의 철학 사이의 사상 경쟁 대신 화해와 통합된 노력을 볼 수 있다는 것이다. 새로운 연구 분야는 뉴로-심볼릭 AL로 불리고 있으며, 인공지능의 미래를 위해 가장 중요한 이니셔티브 중 하나가 될 수 있다. 수십 년간 치열했던 경쟁은 역사 속으로 사라지고 새로운 세대의 인공지능 연구자들은 두 가지 접근법의 차이를 연결하려고 노력하는 것 같다.

  통합 방법에 대해서는 두 가지 관점이 있다. 먼저 가장 간단한 방법은 신경망과 기존 프로그래밍 기법으로 구축한 소프트웨어 모듈을 결합하는 하이브리드 시스템을 구축하는 것이다. 논리적이고 상징적인 추론을 처리할 수 있는 알고리즘은 학습에 중점을 둔 심층 신경망에 어떻게 든 연결될 것이다. 이는 엘리멘털 코그니션의 데이비드 페루치가 추구하는 전략이다.

  두 번째 접근 방법은 상징적 AI를 신경망 아키텍처에 직접 구현하는 방법을 찾는 것이다. 이것은 필요한 구조를 심층 신경망에 직접 만들거나 개인적인 추측에 가깝지만 딥러닝 시스템과 학습 방법을 효율적으로 설계해 필요한 구조가 어떻게든 유기적으로 통합되는 방식으로 달성될 것 같다. 젊은 연구자들은 모든 가능성을 기꺼이 고려하겠지만 경력이 많은 연구자 사이에서는 최선의 방법을 놓고 계속 첨예한 논쟁이 벌어지고 있다.

하이브리드 AI 접근을 지지하는 대표적인 인물로는 게리 마커스가 꼽힌다. 신경과학 교수이자 로버스트닷(AIRobust.AI) 창립자 겸 CEO다 게리 마커스는 어니스트 데이비스와 쓴 '2029 기계가 멈추는 날'에서도 딥러닝이 많이 발전했다는 사실을 인정하면서도 갈 길이 멀다는 직격탄을 여기저기에서 날린다. 실수하면 큰일 날 수 있는 영역에서 딥러닝에만 의존하는 것은 시기상조라는 게 그의 생각이다.

  마커스는 딥러닝을 지나치게 강조한다고 느껴 혹독하게 비평해왔다. 심층 신경망은 피상적이고, 불안정할 수 밖에 없고 상징적 AI에서 얻은 아이디어를 하이브리드 시스템에 직접 주입하지 않는 한 일반 지능이 나타날 가능성은 매우 낮다고 주장하는 글을 쓰고 논쟁에 참여해왔다.

  마커스는 경력 대부분을 아이가 어떻게 언어를 배우고 습득하는지를 연구하는데 보냈고 순수한 딥러닝 접근법이 인간 어린이의 놀라운 능력에 근접할 가능성은 거의 없다고 판단했다. 마커스가 지적했듯이 딥러닝의 가장 두드러진 성과는 딥마인드의 알파고 시스템을 포함해 사실 하이브리드 시스템에서 나왔다. 심층 신경망과 함께 기존 검색 알고리즘에 의존했기에 성공할 수 있었다.

하지만 하이브리드 AI가 대세론을 탔다고 보기는 무리가 있다. 논쟁은 여전하다.

  그의 비판이 딥러닝 커뮤니티에서 항상 잘 받아들여 진 것은 아니다. 그는 2015년에 우버에 합병된 머신러닝 스타트업을 공동 창업했지만 사람들은 그를 아웃사이더이자 이 분야에서 크게 기여하지 않은 사람으로 생각했다.

  일반적으로 딥러닝에 경험이 많은 연구자들은 하이브리드 접근법을 무시하는 경향이 있다. 요슈아 벤지오는 이 목표가 기존 인공지능이 풀려던 문제 가운데 일부를 딥러닝에서 나온 블록으로 해결하려는 것이라고 말했다.  제프리 힌턴은 "하이브리드는 답이 아니라고 믿는다"라고 말하며 이 시스템을 전기모터를 사용해서 내연 기관에 기름을 넣으려는 격이라고 깍아 내렸다.

  문제는 아직 상징 AI의 기능을 온전히 신경망으로 구축된 시스템에 통합할 명확한 전략이 없다는 것이다.

  연구자들이 하이브리드 모델의 효능을 두고 논쟁을 벌이는 동안 머신러닝 시스템에 구축된 내재 구조의 중요성에 초점을 맞춘 논쟁이 같이 진행됐다. 심층 신경망이 사전 설계된 구조를 어느 정도 통합하는 경우가 종종 있었지만 강경한 딥러닝 지지자들은 이런 부분은 최소화해야 하고 백지에 가까운 상태에서 기술이 발전될 수 있다고 믿는다.

저자는 하이브리드 AI가 존재할 이유는 있다는 입장이다.

  하이브리드와 순수 신경 접근법 사이의 논쟁에서 딥러닝 지지자들이 반박할 수 있다고 말할지 모른다. 나는 하이브리드 접근법이 더 짦은 시간에 실용적인 결과를 보여줄 것 같다. 순수한 신경망 구현은 생물학적 진화로 형성된 길이 분명하지만, 다른 기법을 이용해 더 빨리 진행할 가능성을 외면해서는 안 된다. 

  실행 가능한 접근법이 단지 세련되지 못하다는 이유로 무시해서도 안된다. 우리가 달에 착륙했을 때  SF 영화에 나오는 우주선처럼 매끄럽게 하강해서 착륙한 다음 다시 이륙한 것이 아니다. 오히려 우리에게 있었던 것은 달 착륙선과 달까지 가는 동안 버려야 했던 많은 부품을 포함한 무척 복잡하고 투박한 기계장치였다. 언젠가 우리도 SF 영화에 나오는 우주선을 갖게 되겠지만 그러는 동안 우리는 이미 달에 착륙했다.