by
Apr 14. 2023
마침내 정리된 인공지능에 맞서는 인류의 방향성
Q: AI는 어디까지 가능할 것인가?
결국 인간이 할 수 있는 거의 모든 것들을 할 수 있을 것입니다. 이를 이해하기 위해서는 인간이란 무엇인지 이해하는 것이 중요합니다.
인간은 학습하는 단백질 덩어리입니다. 뇌에 있는 1억 개 이상의 뉴련들이 서로 복잡하게 연결되어 100억 개 이상의 시냅스를 이루고 있습니다. 이 세포 덩어리는 고통을 적게 받고 행복함을 많이 누리는 방법을 찾도록 우리의 팔다리를 움직입니다. 그리고 경험을 통해서 이 과정을 빠르게 할 수 있는 노하우를 쌓아갑니다.
이를 컴퓨터 프로그램으로 구현한 것이 '인공지능'입니다. 시냅스는 '퍼셉트론'으로 구현되어 있는데, 뉴런이 수많은 분자를 이동시키고 전기신호를 주고받는 것을 프로그램(함수)으로 단순화한 것이 '퍼셉트론'입니다. '고통'은 'loss function'으로 구현되었고, 이는 인공지능이 싫어하는 것을 프로그램으로 구현한 뒤, 인공지능이 문제를 틀릴 때마다 싫어하는 채찍질을 하는 것입니다. 행복/만족감은 'reward function'을 통해서 구현되었습니다. 이는 마찬가지로 문제를 맞히면 인공지능이 좋아하는 사탕을 주는 것입니다. 마지막으로 학습하는 과정이며 노하우의 역할을 하는 'optimization function'은 인공지능이 어떤 방식으로 학습할 것인지를 프로그램(함수)으로 나타낸 것입니다.
이러한 뇌의 기본 요소를 통해서 만든 대표적인 예시가 CNN(convolutional Neural Network)입니다. 이는 원숭이 두뇌 실험을 기반으로 만들어진 인공지능 모델인데요. 과거 과학자들은 원숭이가 사물들을 인식할 때, 특정 모양을 볼 때마다 자극되는 뇌의 위치가 다르다는 것을 실험을 통해 밝혀냈습니다. 오른쪽 아래로 향하는 대각선, 수평선, 수직선 등을 볼 때 자극되는 뇌가 다르다는 점을 과학자들은 인공지능에 적용했습니다. 여러 가지 모양을 인식하는 '필터'를 만들고 해당 모양이 사진에 있는지 찾아내는 것이죠. 인공지능은 수많은 필터를 만들고 필터와 일치하는 모양을 발견했을 때 큰 신호를 만들어냅니다.
이러한 방식이 바로 CNN입니다. CNN은 사진, 영상을 처리하는 인공지능에 많아 사용되는 방식입니다. 원숭이의 뇌에서 밝혀낸 뇌의 시각처리 구조를 '퍼셉트론', 'loss function', 'reward function', 'optimization function'으로 만들어 낸 결과 굉장히 높은 성능의 인공지능을 만들게 된 것입니다.
길게 풀어서 이야기했지만, 결국 뇌를 모방하여 만든 것이 인공지능입니다. 사람들은 '인공지능'을 과소평가하곤 합니다. 인공지능은 창의력이 없다, 감정이 없다는 등의 비판을 하죠. 맞습니다. 아직은 그렇습니다. 하지만 명심해야 하는 것은 인간은 '생존'하기 위해 만들어진 프로그램입니다. 우리 인류는 3백만 년 동안 '생존'만을 위해 지구라는 공간에서 학습되어 왔습니다. 어쩌면 최초의 생명체가 탄생한 수십억 년 전부터 발전된 프로그램입니다. 반면에 인공지능은 '생존'이 아닌 특정 문제를 해결하기 위해 발전되어 왔을 뿐입니다. 그게 돈이 되기 때문이죠. 스스로 '생존'하는 인공지능은 인간에게 딱히 돈이 되지 않습니다. 즉, 존재 목표가 달랐을 뿐 결국 기본 원리는 같은 존재입니다. 오히려 더 효율적일 수 있습니다. 예를 들어 vision computing 분야를 생각해 봅시다. 인간은 안구를 통해 사물을 인식하는 '후두엽(occipital lobe)'은 뇌 전체 무게의 18%를 차지하는데, 이는 약 150그램에 해당합니다. 반면 손바닥 반만 한 intel의 i9 cpu는 300그램입니다. i9 CPU에서 돌리는 vision AI의 성능도 굉장히 뛰어납니다. 오히려 한 번에 여러 개의 사물을 동시에 인식하는 등 인간보다 더 뛰어난 성능을 보이는 부분도 있습니다.
누군가는 인공지능이 인간보다 '창의력'이 더 좋다고 합니다. 하지만 이는 착각에 불과합니다. 창의력은 기존의 지식을 재조합하여 새로운 것을 만드는 능력을 의미합니다. 오히려 인공지능은 수많은 데이터를 학습하기 때문에 세상에 존재하는 굉장히 많은 지식을 재조합할 수 있습니다. 생성형 인공지능인 dall-e에게 모나리자에 나오는 여인이 의자에 앉아있는 모습을 그려달라고 요청하면 창의적으로 모나리자 그림을 그려줍니다. 분명하게도 창의력은 인공지능이 더 유리한 분야입니다.
뿐만 아니라 천재성의 3요소인 '기억력', '연산력', '창의력' 중 기억력과 연산력도 컴퓨터가 압도적이기 때문에 인간은 인공지능에게 따라 잡히는 것은 그리 놀라운 일이 아닐 수도 있습니다.
Q: AI의 한계는 어디인가
생물의 뇌는 모방할 수 있지만, 생물의 육체는 구현하기 힘들 것으로 예상됩니다. 그 이유는 아래와 같습니다.
1. 현실세계에서는 학습속도가 느릴 수밖에 없다.
우선 0과 1로 구성된 이진법의 세계에서는 컴퓨터가 압도적인 속도로 학습을 하는 것이 가능했습니다. 하지만 현실세계에서는 빠르게 학습하는 것에 제한이 있습니다. 예를 들어 복잡한 지형을 걷는 인공지능을 구현하려면, 실제로 걸어보면서 학습하는 수밖에 없습니다. 실제로 걷는 것은 빨라봤자 시속 10km 이내로 걷기 때문에 그 정도 속도로 학습하는 수밖에 없습니다. 새로운 학습을 할 때마다 직접 로봇이 지형을 걷는 수밖에 없죠. 이를 시뮬레이션을 통해서 빠르게 학습하는 것도 가능할 수 있습니다. 하지만 현실에서 느린 속도로 학습하고 테스트하는 과정은 필수적입니다.
2. 소재와 배터리 개발의 한계가 있다.
가볍고 오래가는 소재와 배터리가 있어야만 육체를 구현할 수 있습니다. 이는 역시 물리와 화학의 영역입니다. 현실 세계에서 해당하는 영역인 것이죠. 직접 계산하고 만들고 실험하는 과정이 필연적이기 때문에 역시 진행 속도가 느릴 수밖에 없습니다. 이 분야 또한 시뮬레이터나 인공지능을 통해 가상의 실험환경에서 빠르게 진행할 수도 있지만 역시 현실세계에서 구현되어야 하기 때문에 발전속도는 더딥니다.
3. 인공 육체를 만들더라도 아무튼 현실세계는 느리다.
철과 배터리로 구동되는 로봇이 아니라 신체를 배양하여 뇌가 없는 인간을 만들 수 있다고 가정합시다. 그 덕분에 하루 3번 링거만 꽂으면 인간이 하는 다양한 활동들을 할 수 있는 것이죠. 다만 인공지능이 신경회로를 통제하여 인공지능이 원하는 대로 조종하는 육체인 것입니다. 이런 일이 가능해지더라도 (1) 번 내용과 같이 현실세계에서 학습하는 것은 느릴 수밖에 없습니다.
하지만 현실세계에서의 제약조차도 극복할 수 있는 방안은 분명히 마련될 것입니다. 예를 들면 똑같은 로봇을 여러 개 생산하여 동시에 수많은 학습을 진행할 수 있다면 학습속도의 제약을 극복할 수 있을 것입니다. 언젠가는 인류가 따라 잡힐 수밖에 없을 것입니다. 인공지능은 인간의 정교한 움직임에 더해서 높은 전압을 통해서 막강한 힘도 가지게 될 것입니다.
Q: 우리는 어떻게 해야 하는가?
