일반 인공지능으로 가는 길에 필요한 4가지 기술 혁신

인공지능 관련 전문가들이 쓴 글과 책을 보면 인공지능이 인간 지능에 보다 가까워지기 위해서는 현재 방법만으로는 한계가 있다는 내용이 공통으로 등장한다. 데이터가 많아진다고 인간과 같은 지능이 도달하기는 불가능하며, 현재 기술과 접근 방식을 뛰어 넘는 근본적인 도약이 필요하다는 것이다.

인공지능 연구자 대부분이 인간 수준의 인공지능에 가까이 가려면 중요한 혁신이 필요하다고 인식하지만 어떤 도전 과제가 가장 중요하고, 어떤 문제를 가장 먼저 해결해야 하는지 광범위한 합의를 이루지는 못했다.

마틴 포드가 쓴 로봇의 지배를 보면 일반 인공지능으로 가는데 필요한 4가지 키워드로 요약된다.

우선 상식적인 추론이다.

  성인이라면 내재한 지식체계를 어렵지 않게 사용할 수 있지만 기계가 하기에는 엄청나게 힘든 도전이라는 것이 밝혀졌다. 인공지능에 상식을 불어 넣는 일은 구조화 지식을 인공지능 시스템에 구축해야 하는 만큼 상징적 AI와 순수 신경망 접근법이 대립해온 논쟁에 깊이 연관된 주제다. 

  최근 몇년 동안 텍스트를 분석한 다음 그 내용에 대한 질문에 올바르게 대답할 수 있는 인공지능 시스템에 중요한 진전이 있었다. 예컨대 2008년 1월 마이크로소프트와 중국 테크 기업 알리바바가 공동으로 제작한 소프트웨어는 스팬퍼드대학교의 연구자들이 만든 독해 시험에서 인간의 평균 점수를 약간 상회했다. 스탠퍼드  테스트는 위키피디아 문서를 바탕으로 질문을 제시하고 정답은 인공지능 시스템이 읽은 문서에서 그대로 가져온 텍스트 범위 안에서 구성됐다.

  인간에게는 당연한 상식적인 추론을 안정적으로 사용할 수 있는 인공지능 시스템을 만드는 획기적인 혁신은 그것이 유기적인 발생에서 기인하든지, 좀 더 공학적인 접근의 결과인지에 상관 없이 보기 드문 놀라운 발전이 될 것이다.

다음은 비지도 학습이다.

  앞에서 살펴 봤듯이 딥러닝 시스템 훈련에 사용되는 두가지 주요 기법은 레이블링된 엄청난 양의 데이터가 필요한 지도 학습과 알고리즘이 한가지 작업에 성공하려면 수많은 시행착오를 반복해야 하는 강화학습이다. 인간도 이런 기법을 사용하지만 어린아이에게 일어나는 학습에는 아주 작은 부분을 차지할 뿐이다.갓 태어난 아기는 거의 즉시 주변 환경에서 직접 학습하는 과정을 시작한다. 

  이 일은 의도적으로 주변 환경과 상호 작용할 수 있는 신체 능력을 갖추기 훨씬 전에 일어난다. 아기는 세계에 대한 물리적 모델을 형성하고 상식의 기초가 되는 지식 기반을 구축하기 시작한다. 구조화되고 레이블링된 데이터의 도움 없이 직접 학습하는 능력을 비지도 학습이라고 한다. 

  초기의 비지도 학습은 나중에 고급 지식 습득을 지원한다. 아이가 좀더 자라면 어느 정도는 지도 학습으로 바뀌지만 이때 필요한 훈련 데이터는 가장 발전한 알고리즘에 필요한 데이터에 비하면 아주 미미하다. 심층 신경망이 이미지로 나타나는 동물에 안정적으로 이름을 붙이려면 레이블링된 학습용 사진이 수천 장은 필요하다.  반면에 아이는 부모가 동물을 가리키며 "이건 개야"라고 말하는 단 한번으로 충분하다.

  비지도 학습은 현재 인공지능 분야에서 가장 뜨거운 연구주제 중 하나다. 구글, 페이스북, 딥마인드에는 이 주제에 집중하는 팀이 있다. 그러나 진척은 더디고 실용적인 응용 프로그램은 지금까지 거의 등장하지 않았다. 사실 인간의 뇌가 비정형 데이터로 자율적으로 학습하는 뛰어난 능력을 달성하는 방법을 정확히 아는 사람은 아무도 없다. 현재 대부분의 연구는 예측학습이나 자기 지도 학습처럼 덜 야심찬 다른 비지도 학습에 초점을 맞추고 있다. 

  이를 테면 문장에서 다음에 올 단어나 영상에서 다음 장면에 나타날 이미지를 예측하는 프로젝트들이다. 이런 작업은 인간이 하는 일과 거리가 멀어 보이지만 많은 연구자들은 예측 능력이야 말로 지능의 절대 핵심이며, 이런 실험이 상황을 올바른 방향으로 이끈다고 믿는다. 비지도 머신러닝에서 진정한 혁신의 규모는 과장하기 어렵다. 얀 르쿤은 일반 지능의 거의 모든 면면을 이끄는 관문이 될 수 있다고 믿는다.

인과관계를 이해하는 접근도 주목할 필요가 있다.

  인과관계를 이해하는 것은 우리가 문제를 해결할 수 있는 상상력과 사후 가정 시나리오 생성에 중요하다. 성공 방법을 알아내기까지 수천 번의 실패를 거듭해야 하는 강화학습 알고리즘과 달리 우리는 머릿속으로 일종의 시뮬레이션을 하고 다른 행동을 했을 때의 결과를 분석할 수 있다. 인과관계를 이해하지 않고서는 불가능한 일이다.

  펄이나 테넨바움 같은 연구자들은 기본적으로 왜라고 질문하고 그 질문에 대답하는 능력인 인과관계를 이해하는 능력이 일반 기계 지능을 구축하는 필수 요소가 될 것으로 믿는다.  인과 관계에 관한 펄의 연구는 자연과학과 사회과학에 지대한 영향을 끼쳤지만 인공지능 연구자들은 그 내용을 제대로 이해하지 못한채 머신러닝 시스템이 효과적으로 파악하는 상관관계에 지나치게 집중하고 있다.  하지만 상황은 변하고 있다. 예를 들어 몬트리올 대학교의 요슈아 벤지오와 그의 팀은 최근 인과관계에 대한 이해를 딥러닝 시스템에 구축하는 혁신적인 방법에 관한 중요한 연구를 발표했다.

마지막으로는 전이 학습이다.

  인공지능 시스템이 펠로폰네소스 전쟁사 같은 역사적 문헌을 읽을 수 있으면 여기서 배운 교훈을 현대의 지정학적 상황에 적용할 수 있지 않을까? 그럴 수 있다면 일반 인공지능 가는 길에서 가장 중요한 이정표중 하나인 전이학습에 도달하는 것이다. 

  한 영역에서 정보를 학습한 다음 다른 영역에 이 정보를 성공적으로 활용하는 능력은 인간 지능의 특징 가운데 하나이고 창의성과 혁신에 필수다. 일반 기계 지능이 정말 유용하려면 단순히 교과서 연습 문제에 대답하는 이상을 해야 한다. 학습한 내용과 발전은 통찰력을 완전히 새로운 과제에 적용할 수 있어야 한다.  인공지능 시스템이 이 일을 해내려면 현재 심층 신경망의 피상적인 수준의 이해를 뛰어 넘어 진정한 이해에 도달해야 한다.  사실 지식을 다양한 영역과 새로운 상황에 적용하는 능력은 기계 지능의 진정한 이해 능력을 테스트하는 단 하나의 최고의 방법이 될 것이다.