인공지능을 마침내 가능하게 만들었던 세 가지 난제 해결

Artificial intelligence

The Lecture Series in the Humanities delivered by Y. J. Eom at IDEA FACTORY on Mar. 11, 2016

The Three Breakthroughs That Have Finally Unleashed AI on the World

인공지능을 마침내 가능하게 만들었던 세 가지 난제 해결

A few months ago I made the trek to the sylvan campus of the IBM research labs in Yorktown Heights, New York, to catch an early glimpse of the fast-arriving, long-overdue future of artificial intelligence. This was the home of Watson, the electronic genius that conquered Jeopardy! in 2011. The original Watson is still here—it’s about the size of a bedroom, with 10 upright, refrigerator-shaped machines forming the four walls. The tiny interior cavity gives technicians access to the jumble of wires and cables on the machines’ backs. It is surprisingly warm inside, as if the cluster were alive.

몇 달 전에 필자는 IBM의 실반 캠퍼스로 산책을 했다. 이 캠퍼스는 뉴욕의 IBM의 연구소이다. 필자는 인공지능의 빠른 발전을 보인, 동시에 오랜 시간을 기다려 온 성과를 보기 위해 이 연구소를 찾았다. 이 연구소가 2011년의 한 퀴즈쇼를 정복한 왓슨을 개발한 연구소이다. 이 왓슨 컴퓨터는 여전히 이 연구소에 존재한다. 왓슨 컴퓨터는 방 하나 정도의 크기이며 열 개의 냉장고 모양의 기계가 이 방의 네 벽면을 채우고 있다. 이 방의 작은 내부의 틈이 연구자들로 하여금 왓슨 뒷면의 와이어와 케이블로 뒤죽박죽인 곳을 접근할 수 있게 만들어 준다. 이 왓슨의 방은 놀라울 정도로 따뜻해서 마치 열 개의 컴퓨터들이 살아 있는 것처럼 보인다.

Today’s Watson is very different. It no longer exists solely within a wall of cabinets but is spread across a cloud of open-standard servers that run several hundred “instances” of the AI at once. Like all things cloudy, Watson is served to simultaneous customers anywhere in the world, who can access it using their phones, their desktops, or their own data servers. This kind of AI can be scaled up or down on demand. Because AI improves as people use it, Watson is always getting smarter; anything it learns in one instance can be immediately transferred to the others. And instead of one single program, it’s an aggregation of diverse software engines—its logic-deduction engine and its language-parsing engine might operate on different code, on different chips, in different locations—all cleverly integrated into a unified stream of intelligence.

현재의 왓슨은 매우 다르다. 왓슨은 더 이상 캐비넷 벽 안에 홀로 존재하지 않는다. 왓슨은 개방형 클라우드 서버에 두루 퍼져 존재한다. 수 백 개의 인공지능을 운영할 수 있는 능력을 왓슨은 가지고 있다. 클라우드 기능이 있는 모든 것처럼, 왓슨은 세계 속의 어느 고객이든 동시에 도울 수 있다. 고객들은 자신의 핸드폰, 컴퓨터 또는 자신의 데이터 서버를 이용해 왓슨에 접속할 수 있다. 이러한 종류의 인공지능은 필요에 따라 능력이 확대될 수도 축소될 수 도 있다. 인공지능은 사람들이 이용할 때 마다 향상되기 때문에 왓슨은 항상 더 똑똑해진다; 한 사례에서 왓슨이 배우는 어떤 것도 즉시 다른 컴퓨터로 옮겨진다. 그리고 하나의 프로그램 대신에 왓슨은 다양한 소프트웨어의 총합이라고 이해해야 한다. 왓슨의 논리적인 추론과 언어 분석 엔진은 다른 코드, 다른 칩, 그리고 다른 위치에서 작동할 수 도 있다. 모든 엔진들이 매우 영리하게 하나의 통일된 지적 체계로 통합된다.

Consumers can tap into that always-on intelligence directly, but also through third-party apps that harness the power of this AI cloud. Like many parents of a bright mind, IBM would like Watson to pursue a medical career, so it should come as no surprise that one of the apps under development is a medical-diagnosis tool. Most of the previous attempts to make a diagnostic AI have been pathetic failures, but Watson really works. When, in plain English, I give it the symptoms of a disease I once contracted in India, it gives me a list of hunches, ranked from most to least probable.

고객들은 항상 켜져 있는 인공지능에서 직접 정보를 얻을 수 있다. 하지만 또한 제 3의 애플리케이션을 통해 이러한 인공지능 클라우드의 힘을 이용할 수 있게 된다. 똑똑한 자녀를 둔 부모들처럼, IBM은 왓슨이 의사가 되기를 원한다. 그래서 IBM이 개발 중에 있는 애플리케이션 중에 하나가 의학적인 진단 도구인 것은 그리 놀랍지도 않다. 질병 진단용의 인공지능에 대한 그 동안의 시도들은 한심할 정도로 실패였다. 하지만 왓슨은 실제로 진단용 도구로 실력을 발휘했다. 쉬운 영어로 필자가 인도에서 한때 감염 되었던 한 질병의 여러 증상들을 입력했을 때, 이 왓슨의 애플리케이션은 예상 질병 리스트를 보여주었다. 가장 가능성 있는 질병에서 가장 가능성이 떨어지는 질병 순으로 이 애플리케이션의 사용자에게 보여 주었다.

..................This expertise isn’t yet available to patients directly; IBM provides access to Watson’s intelligence to partners, helping them develop user-friendly interfaces for subscribing doctors and hospitals. “I believe something like Watson will soon be the world’s best diagnostician—whether machine or human,” says Alan Greene, chief medical officer of Scanadu, a startup that is building a diagnostic device inspired by the Star Trek medical tricorder and powered by a cloud AI. “At the rate AI technology is improving, a kid born today will rarely need to see a doctor to get a diagnosis by the time they are an adult.”

이 기술은 아직 환자들이 직접 이용할 수 없다; IBM은 왓슨에 대한 접근 권을 제휴사업자들에도 주고 있다. 이것은 제휴사들로 하여금 사용자 친화적인 인터페이스를 개발하도록 돕는다. 알란 그린은 왓슨과 같은 것이 곧 세계 최고의 진단의사가 될 것이라고 믿는다고 말했다. 알란 그린은 영화 스타트렉의 의료기인 트리코더와 클라우드 기능에 영감을 받은 진단기를 계발하고 있는 창업회사인 스카나두의 의료전문이사이다. “인공지능이 발전하는 속도를 감안하면 오늘날 태어나고 있는 아이들은 자신들이 성인이 될 무렵이면 진단을 위해 더 이상 의사를 찾을 필요가 없게 될 것이다.”

Medicine is only the beginning. All the major cloud companies, plus dozens of startups, are in a mad rush to launch a Watson-like cognitive service. According to quantitative analysis firm Quid, AI has attracted more than $17 billion in investments since 2009. Last year alone more than $2 billion was invested in 322 companies with AI-like technology. Facebook and Google have recruited researchers to join their in-house AI research teams. Yahoo, Intel, Dropbox, LinkedIn, Pinterest, and Twitter have all purchased AI companies since last year. Private investment in the AI sector has been expanding 62 percent a year on average for the past four years, a rate that is expected to continue.

의학은 단지 시작에 불과하다. 모든 주요 클라우드 회사들과 수십 개의 창업회사들은 왓슨과 같은 인식 서비스를 출시하려고 집중하고 있다. Quid의 상당한 양의 분석에 따르면, 인공지능분야에 2009년 이래로 170 억 원 이상이 투자되었다고 한다. 작년에만 20억 달러가 322개 인공지능 회사에 의해 투자되었다. 페이스북과 구글은 회사 내의 인공지능 연구팀에 다른 연구자들을 합류하도록 만들기 위해 고용했다. 야후, 인텔, 드롭박스, 링크드 인, 핀터리스트, 그리고 트위터는 모두 인공지능 회사를 작년부터 사들이고 있다. 인공지능 분야의 민간 투자는 지난 최근 4년 동안 평균 62% 증가했다. 이러한 증가 속도는 계속될 것으로 예상된다.

Amid all this activity, a picture of our AI future is coming into view, and it is not the HAL 9000—a discrete machine animated by a charismatic (yet potentially homicidal) human-like consciousness—or a Singularitan rapture of super-intelligence. The AI on the horizon looks more like Amazon Web Services—cheap, reliable, industrial-grade digital smartness running behind everything, and almost invisible except when it blinks off. This common utility will serve you as much IQ as you want but no more than you need.

이러한 모든 활동 중에 인간의 미래 인공지능에 대한 전망이 시야에 들어오고 있다. 이러한 인공지능은 공상과학영화의 인간을 위협하는 핼 9000과 같지는 않다. 우리의 시야에 들어온 인공지능은 아마존의 웹 서비스와 더 가까워 보인다. 이 인공지능은 저렴하고, 믿을 만 하며, 모든 것 이면에 작동하고 있는 디지털화 된 스마트함과 같다. 물론 인공지능이 깜빡일 때만 제외하고 거의 보이지도 않는다. 이러한 흔한 인공지능은 당신이 원하는 만큼의 IQ를 제공할 것이다.

Like all utilities, AI will be supremely boring, even as it transforms the Internet, the global economy, and civilization. It will enliven inert objects, much as electricity did more than a century ago. Everything that we formerly electrified we will now cognitize. This new utilitarian AI will also augment us individually as people (deepening our memory, speeding our recognition) and collectively as a species. There is almost nothing we can think of that cannot be made new, different, or interesting by infusing it with some extra IQ. In fact, the business plans of the next 10,000 startups are easy to forecast: Take X and add AI. This is a big deal, and now it’s here.

다른 모든 기기처럼, 인공지능은 인터넷, 세계 경제 그리고 문명을 변혁시킬 때조차도 매우 지루할 것이다. 1세기 전 과거에 전기의 도입이 세상에 생기를 가져왔었던 것처럼, 생기가 없는 물체들에게 인공지능은 생기를 불어 넣을 것이다. 인간이 예전에 전기로 움직였던 모든 것들에 인식능력을 제공하려고 할 것이다. 이러한 새로운 인공지능은 또한 인간의 기억력을 강화시키고 인식을 촉발시키는 방식으로 인간을 개별적으로 그리고 한 생명의 종으로서 인간을 강화시킬 것이다. 인간이 생각하기에 인공지능을 주입할 어떤 사물도 새롭고, 다르며, 동시에 흥미로울 것이다. 실제로, 기업들은 다음과 같은 만 여 개의 창업 계획은 다음과 같다: 사물을 취해서 인공지능을 주입해라. 이것은 대단히 빅 이슈다. 이제 시작되었다.

Around 2002 I attended a small party for Google—before its IPO, when it only focused on search. I struck up a conversation with Larry Page, Google’s brilliant cofounder, who became the company’s CEO in 2011. “Larry, I still don’t get it. There are so many search companies. Web search, for free? Where does that get you?” My unimaginative blindness is solid evidence that predicting is hard, especially about the future, but in my defense this was before Google had ramped up its ad-auction scheme to generate real income, long before YouTube or any other major acquisitions. I was not the only avid user of its search site who thought it would not last long. But Page’s reply has always stuck with me: “Oh, we’re really making an AI.”

2002년 즈음에 필자는 구글이 상장하기 전에 구글 파티에 참석했었다. 이 때 당시에 구글은 검색에만 집중했었다. 이 때, 구글의 공동 창업자인 래리 페이지와 대화를 가졌었다. 페이지는 2011년에 구글의 최고경영자가 되었다. 필자는 페이지에게 ‘래리, 나는 여전히 이해가 안 된다. 너무 많은 검색 엔진 회사가 있다. 공짜로? 회사가 앞으로 어떻게 될 거 같나?’ 나의 상상력이 결여된 전망은 예측이 어려운 일이라는 사실에 대한 매우 견고한 증거이다. 특히 미래에 관한 예측은 상당이 더 어렵다. 하지만 변명하자면, 이 때는 구글이 실제 수입을 만들어 낼 경매 광고 계획을 늘리기 전이었다. 물론 유투브와 다른 주요 회사들의 인수 전이도 했다. 필자는 구글이 오래 가지 못할 것이라고 생각하는 열렬한 구글 사용자 중에 한 명 이었을 뿐이다. 하지만 페이지의 응답은 항상 나를 놀래켜 왔다: ‘구글은 실제로 인공지능을 만들고 있어.’

I’ve thought a lot about that conversation over the past few years as Google has bought 14 AI and robotics companies. At first glance, you might think that Google is beefing up its AI portfolio to improve its search capabilities, since search contributes 80 percent of its revenue. But I think that’s backward. Rather than use AI to make its search better, Google is using search to make its AI better. Every time you type a query, click on a search-generated link, or create a link on the web, you are training the Google AI.

필자는 지난 몇 년간 구글이 14개의 인공지능과 로봇 회사를 구입하면서 과거의 그 대화에 관해 많이 생각했었다. 얼핏 보면, 여러분은 구글이 구글의 검색 엔진 능력을 향상시키기 위해 인공지능의 투자를 강화하고 있다고 생각할 수도 있다. 왜냐하면 구글 입장에선 검색엔진으로부터 나온 수입이 전체 수입의 80%를 차지하고 있기 때문이다. 하지만 필자는 그 반대라고 생각한다. 구글의 검색 엔진을 좋게 만들기 위해 인공지능을 이용하기 보다는 구글은 검색 엔진을 구글이 개발하고 있는 인공지능을 향상시키기 위해 이용하고 있다. 여러분이 구글에 조사하거나, 검색 링크를 클릭하거나 웹에 링크를 하나 씩 만들 때마다 여러분은 구글의 인공지능을 훈련시키고 있는 것이다.

When you type “Easter Bunny” into the image search bar and then click on the most Easter Bunny-looking image, you are teaching the AI what an Easter bunny looks like. Each of the 12.1 billion queries that Google’s 1.2 billion searchers conduct each day tutor the deep-learning AI over and over again. With another 10 years of steady improvements to its AI algorithms, plus a thousand-fold more data and 100 times more computing resources, Google will have an unrivaled AI. My prediction: By 2024, Google’s main product will not be search but AI.

이미지 검색을 위해서 ‘부활절 토끼’를 검색하고 이 이미지를 클릭하면 여러분은 인공지능에게 부활절 토끼가 어떻게 생겼는지를 교육시키고 있는 것이다. 구글의 12억 명의 검색자가 매일 수행하는 121억의 검색 건수 각각이 심화 학습하는 인공지능을 계속해서 학습시키고 있다. 지금부터 10년 후면, 구글의 인공지능의 알고리즘의 향상과 함께 수천 배로 늘어난 자료와 이에 더해 백 배 늘어난 컴퓨팅 능력으로 인해 구글은 최고의 인공지능을 가지게 될 것이다. 필자의 예측: 2024년 무렵이면, 구글의 주된 상품은 검색 엔진이 아니고 인공지능이 되 있을 것이다.

This is the point where it is entirely appropriate to be skeptical. For almost 60 years, AI researchers have predicted that AI is right around the corner, yet until a few years ago it seemed as stuck in the future as ever. There was even a term coined to describe this era of meager results and even more meager research funding: the AI winter. Has anything really changed?

인공지능의 발달에 대한 회의적인 시각을 가지는 것은 적절하다. 거의 60여 년 동안 인공지능 과학자들은 인공지능이 거의 눈앞에 와 있다고 예측해왔다. 하지만 몇 년 전 까지만 해도 이들의 전망은 미래에만 갇혀 있는 것처럼 보였다. 이 시기를 인공지능의 겨울기라고 평한다. 왜냐하면 이 시기에는 인공지능 전반에 관한 빈약한 연구 결과만 있었기 때문이다. 그럼 지금은 무엇인가 바뀐 것이 있을까?

Yes. Three recent breakthroughs have unleashed the long-awaited arrival of artificial intelligence:

그렇다. 세 가지 주된 난제의 해결이 오랫동안 기다려 왔던 인공지능의 도래를 가능하게 만들었다:

1. Cheap parallel computation 저렴한 병행 컴퓨팅

Thinking is an inherently parallel process, billions of neurons firing simultaneously to create synchronous waves of cortical computation. To build a neural network—the primary architecture of AI software—also requires many different processes to take place simultaneously. Each node of a neural network loosely imitates a neuron in the brain—mutually interacting with its neighbors to make sense of the signals it receives. To recognize a spoken word, a program must be able to hear all the phonemes in relation to one another; to identify an image, it needs to see every pixel in the context of the pixels around it—both deeply parallel tasks. But until recently, the typical computer processor could only ping one thing at a time.

사고란 것이 본질적으로 병행 과정이다. 왜냐하면 수십 억 개의 신경세포들이 대뇌 피질의 계산이 동시 발생하는 파장을 만들어 내기 위해 동시에 발화한다. 인공지능 소프트웨어의 주된 구조물인 신경망을 짓기 위해서는 많은 다른 과정들이 동시에 발생할 필요가 있다. 신경망의 각각의 연결점들이 뇌의 신경 세포를 모방한다. 이러한 인공지능의 연결점들이 주변의 연결점들과 상호작용하면서 신경망이 받아들이는 신호를 이해한다. 말로 된 언어를 인식하기 위해서, 인공지능 프로그램은 음소 사이의 관계에서 모든 음소를 들을 수 있어야 한다; 그림 하나를 식별하기 위해서, 인공지능 프로그램은 그림 주변에 있는 여러 픽셀들의 배경 안에 있는 모든 픽셀들을 볼 필요가 있다. 하지만 최근에 까지, 전형적인 컴퓨터들의 프로세서는 단지 한 번에 하나 씩 만 테스트할 수 있었다.

That began to change more than a decade ago, when a new kind of chip, called a graphics processing unit, or GPU, was devised for the intensely visual—and parallel—demands of video-games, in which millions of pixels had to be recalculated many times a second. That required a specialized parallel computing chip, which was added as a supplement to the PC motherboard. The parallel graphical chips worked, and gaming soared. By 2005, GPUs were being produced in such quantities that they became much cheaper. In 2009, Andrew Ng and a team at Stanford realized that GPU chips could run neural networks in parallel.

이것이 10여 년 전부터 바뀌기 시작했다. 이 때에 비디오 게임을 위한 매우 시각적으로 강력하면서 병행 요구를 위한 새로운 종류의 칩 즉, GPU라고 불리는 이미지 처리 장치가 발명되었다. 왜냐하면 비디오 게임에서 수 백 만 개의 픽셀이 1 초에 여러 번 재계산되어야 했기 때문이다. 이 것은 특화된 병행 연산 칩을 필요로 했었다. 이 칩은 하나의 보조 장치로 PC의 메인 보드에 장착되어야 했다. 병행 처리 이미지 칩은 효과가 있었고 비디오 게임은 급격히 증가했다. 2005년 무렵에 이미지 처리 장치는 엄청난 양으로 생산되면서 가격이 저렴해졌다. 2009년에 앤드류 응과 스탠포드 대학의 한 팀이 이미치 처리 장치가 인공지능의 신경망을 병행적으로 작동시킬 수 있다는 사실을 발견하게 된다.

That discovery unlocked new possibilities for neural networks, which can include hundreds of millions of connections between their nodes. Traditional processors required several weeks to calculate all the cascading possibilities in a 100 million-parameter neural net. Ng found that a cluster of GPUs could accomplish the same thing in a day. Today neural nets running on GPUs are routinely used by cloud-enabled companies such as Facebook to identify your friends in photos or, in the case of Netflix, to make reliable recommendations for its more than 50 million subscribers.

이러한 발견이 인공지능의 신경망에 대한 새로운 가능성을 열어 주었고 이것은 이 신경망의 수 억 개의 연결점을 포함하고 있다. 전통적인 처리 장치들은 1 억 개가 되는 신경망 안에서 일어나는 폭포수 같은 여러 모든 가능성들을 계산 하는 데에 여러 주가 걸렸다. 앤드류 응은 이미지 처리 장치의 한 묶음이 하루 만에 똑 같은 일을 수행할 수 있다는 사실을 발견했다. 오늘날 이미지 처리 장치를 작동시키는 신경망은 일상적으로 클라우드 기반한 회사들에 의해 이용된다. 예를 들면, 페이스북이 사진이나 네트플릭스와 같은 곳에 있는 당신의 친구 사진을 식별하는데 이러한 장치들이 이용된다. 그리고 5 천 만이 넘는 구독자들에게 신뢰할 만 한 추천을 제공하고 있다.

2. Big Data 방대한 자료

Every intelligence has to be taught. A human brain, which is genetically primed to categorize things, still needs to see a dozen examples before it can distinguish between cats and dogs. That’s even more true for artificial minds. Even the best-programmed computer has to play at least a thousand games of chess before it gets good. Part of the AI breakthrough lies in the incredible avalanche of collected data about our world, which provides the schooling that AIs need. Massive databases, self-tracking, web cookies, online footprints, tera-bytes of storage, decades of search results, Wikipedia, and the entire digital universe became the teachers making AI smart.

모든 지능은 학습되어야 한다. 유전적으로 사물을 분류하도록 준비가 된 인간의 뇌도 여전히 고양이와 개를 구별하기 위해 수십 번의 예들을 볼 필요가 있다. 이것은 인공지능에게는 더욱 더 필요하다. 심지어 가장 잘 프로그램화 된 컴퓨터도 적어도 체스를 잘 하기 위해서는 천 번의 체스 경험이 필요하다. 인공지능의 난제 해결의 부분은 우리 세계에 관한 정보 홍수와 관련 있다. 이러한 인간 세계의 정보는 인공 지능이 필요한 학습을 제공하고 있다. 거대한 자료, 자기 추적, 웹의 쿠기, 온라인 흔적, 1조 바이트의 저장 공간, 수십 년 간의 검색 결과, 위키피디어, 그리고 완전한 디지털화된 세계 혹은 우주 전체가 인공지능을 똑똑하게 만드는 여러 선생들이다.

3. Better algorithms 더 진보된 알고리즘

Digital neural nets were invented in the 1950s, but it took decades for computer scientists to learn how to tame the astronomically huge combinatorial relationships between a million—or 100 million—neurons. The key was to organize neural nets into stacked layers. Take the relatively simple task of recognizing that a face is a face. When a group of bits in a neural net are found to trigger a pattern—the image of an eye, for instance—that result is moved up to another level in the neural net for further parsing. The next level might group two eyes together and pass that meaningful chunk onto another level of hierarchical structure that associates it with the pattern of a nose. It can take many millions of these nodes (each one producing a calculation feeding others around it), stacked up to 15 levels high, to recognize a human face.

디지털 신경망은 1950년 대에 발명되었다. 하지만 과학자들이 천문학적으로 많은 백 만 개 혹은 1 억 개의 신경 세포 사이의 거대한 조합 관계를 다스리기 까지 수십 년이 걸렸다. 핵심은 신경망을 여러 포개진 층으로 조직하는 것이었다. 한 얼굴을 인식하는 상대적으로 쉬운 임무를 예로 들어보자. 한 신경망에서의 여러 연결점의 그룹이 눈과 같은 이미지를 촉발하는 것으로 발견 되어질 때, 그 결과들은 더 심화된 분석을 위해 신경망의 또 다른 층위로 이동해야만 한다. 그 다음 단계는 두 눈을 함께 그룹으로 묶을 수 있고 이 이미지를 코의 모습과 연관 지울 수 있는 위계적인 구조의 또 다른 한 층위 위에 의미 있는 연결점을 지나가게 만든다. 이런 방식으로 인간의 얼굴을 인식하기 위해서는 이러한 수 백 만개의 신경망의 연결점들이 15 단계 까지 높게 쌓여져야만 한다.

In 2006, Geoff Hinton, then at the University of Toronto, made a key tweak to this method, which he dubbed “deep learning.” He was able to mathematically optimize results from each layer so that the learning accumulated faster as it proceeded up the stack of layers. Deep-learning algorithms accelerated enormously a few years later when they were ported to GPUs. The code of deep learning alone is insufficient to generate complex logical thinking, but it is an essential component of all current AIs, including IBM’s Watson, Google’s search engine, and Facebook’s algorithms.

2006년에 기오프 힌톤은 당시에 토론토 대학에 있었다. 힌톤은 이러한 방식에 핵심적인 변경을 가했다. 힌톤은 이러한 자신의 방식에 ‘심화학습’이라고 이름 붙였다. 힌톤은 수학적으로 각 층의의 여러 결과들을 최적화시킬 수 있었다. 이를 통해 학습 과정은 각 층의의 과정이 진행 되면 될수록 축적되어졌다. 심화학습 알고리즘은 이미지 처리 장치에 이 알고리즘이 복사되었을 때 엄청나게 가속화되었다. 심화학습의 암호만으로는 복잡한 논리적 사고를 하기에는 충분치 않았다. 하지만, 모든 현재의 인공지능 요소들에 있어 이런 심화학습 방식은 필수적인 요소이다. 여기에는 IBM의 왓슨, 구글의 검색 엔진, 그리고 페이스북의 알고리즘이 포함된다.

This perfect storm of parallel computation, bigger data, and deeper algorithms generated the 60-years-in-the-making overnight success of AI. And this convergence suggests that as long as these technological trends continue—and there’s no reason to think they won’t—AI will keep improving.

위와 같은 병행 연산, 방대한 자료, 그리고 심화학습 알고리즘의 동시 다발적인 등장이 60여 년에 걸친 인공지능의 성공 신화를 만들어 냈다. 그리고 이러한 세 가지 측면의 융합은 이러한 기술적인 경향이 계속 되는 한, 인공지능은 계속 해서 진화할 것이다.

As it does, this cloud-based AI will become an increasingly ingrained part of our everyday life. But it will come at a price. Cloud computing obeys the law of increasing returns, sometimes called the network effect, which holds that the value of a network increases much faster as it grows bigger. The bigger the network, the more attractive it is to new users, which makes it even bigger, and thus more attractive, and so on. A cloud that serves AI will obey the same law. The more people who use an AI, the smarter it gets. The smarter it gets, the more people use it. The more people that use it, the smarter it gets. Once a company enters this virtuous cycle, it tends to grow so big, so fast, that it overwhelms any upstart competitors. As a result, our AI future is likely to be ruled by an oligarchy of two or three large, general-purpose cloud-based commercial intelligences.

이러한 클라우드 기반한 인공지능은 점점 더 우리의 일상의 본질적인 부분이 되어 갈 것이다. 하지만 대가도 치를 것이다. 클라우드 컴퓨팅은 늘어나는 보상의 법칙을 따른다. 때때로 이러한 법칙이 연결망 효과라고 불리기도 한다. 이러한 효과는 연결망의 가치가 연결망이 커지면 커질수록 훨씬 더 빠르게 증가한다. 연결망이 더 크면 클수록, 새로운 사용자에게 그 연결망은 더욱 더 매력적으로 보이게 된다. 이것은 다시 그 연결망을 더욱 크게 만들고 그래서 사람들에게 더 매력적으로 보여진다. 인공지능을 뒷받침하는 클라우드도 같은 법칙을 따른다. 인공지능을 이용하는 사람이 더 많아지면, 인공지능은 더 똑똑해진다. 일단 한 회사가 이러한 주기에 진입하면, 이 회사는 매우 크게, 그리고 매우 빠르게 성장해서 이 업체가 다른 신흥기업들을 압도해 버린다. 결과적으로 인간의 인공지능 미래는 2-3개의 소수의 기업집단에 의해 지배될 가능성이 있다. 이러한 소수의 기업은 클라우드 기반한 상업적인 인공지능 개발에 집중하고 있는 기업이 될 것이다.

AI Everywhere 도처에 인공지능이?

Over the past five years, cheap computing, novel algorithms, and mountains of data have enabled new AI-based services that were previously the domain of sci-fi and academic white papers. —Robert McMillan

........................

지난 최근 5년 동안, 값싼 연산, 참신한 알고리즘, 그리고 방대한 자료들이 새로운 인공지능 기반 서비스들을 가능하게 만들었다. 전에는 이러한 수준의 이러한 인공지능은 공상과학영화나 대학의 백서 등에나 등장하던 것이었다.

In 1997, Watson’s precursor, IBM’s Deep Blue, beat the reigning chess grand master Garry Kasparov in a famous man-versus-machine match. After machines repeated their victories in a few more matches, humans largely lost interest in such contests. You might think that was the end of the story (if not the end of human history), but Kasparov realized that he could have performed better against Deep Blue if he’d had the same instant access to a massive database of all previous chess moves that Deep Blue had. If this database tool was fair for an AI, why not for a human? To pursue this idea, Kasparov pioneered the concept of man-plus-machine matches, in which AI augments human chess players rather than competes against them.

1997년에 왓슨의 선국자격인 IBM의 딥 블루는 당시 체스 챔이언인 개리 카스파로프를 이겼다. 딥블루가 계속 승리하자 인간은 주로 이러한 인간과 기계의 체스 경기에 흥미를 잃었다. 하지만 카스파로프는 자신이 딥블루가 가졌었던 모든 체스 경기의 방대한 자료에 접근권을 가진다면 더 향상된 체스 선수가 될 수 있을 것이라는 사실을 깨달았다. 만약 이러한 자료가 인공지능에게 주어지는 것이 정당하다면, 왜 인간에게 이러한 자료가 주어지는 것이 정당하지 않다고 말할 수 있는가? 이러한 생각을 가지면서 카스파로프는 인간에 기계를 덧붙이는 게임의 개념을 도입했고 여기에서 인공지능은 인간 체스 선수와 경쟁하기 보다는 인간을 더욱 더 강화시켰다.

Now called freestyle chess matches, these are like mixed martial arts fights, where players use whatever combat techniques they want. You can play as your unassisted human self, or you can act as the hand for your supersmart chess computer, merely moving its board pieces, or you can play as a “centaur,” which is the human/AI cyborg that Kasparov advocated. A centaur player will listen to the moves whispered by the AI but will occasionally override them—much the way we use GPS navigation in our cars. In the championship Freestyle Battle in 2014, open to all modes of players, pure chess AI engines won 42 games, but centaurs won 53 games. Today the best chess player alive is a centaur: Intagrand, a team of humans and several different chess programs.

현재 자유 스타일 경기로 불리는 이러한 경기는 혼합된 형태의 무술 격투기와 같다. 여기에서 선수들은 자신들이 원하는 전투기술이 무엇이든지 이용한다. 여러분은 당신의 도움없이 당신 스스로 게임할 수 있고 또는 여러분은 최고의 수퍼 컴퓨터의 한 손으로서 역할을 할 수 있다. 동시에 여러분은 켄타우로스로서 게임할 수 있다. 켄타우로스는 인간/ 인공지능 사이보그이다. 카스파로프는 이 방식을 옹호했다. 켄타우로스 선수는 인공지능이 속삭여주는 움직임에 귀를 기울일 수 있다. 하지만 가끔씩 인공지능의 충고를 무시할 수 있다. 우리가 때때로 내비게이션의 지시를 따르지 않는 것처럼 말이다. 프리스타일 대회 (2014)는 모든 유형의 선수들이 다 참여했다. 완전한 인공지능 선수는 42 경기를 승리했다. 하지만 켄타우로스 선수는 53 경기를 승리했다. 오늘날 최고의 체스 선수는 켄타우로스이다: 인타그랜드인데 이 켄타우로스는 한 팀의 인간 선수와 몇몇의 다른 체스 프로그램의 조합이다.

But here’s the even more surprising part: The advent of AI didn’t diminish the performance of purely human chess players. Quite the opposite. Cheap, supersmart chess programs inspired more people than ever to play chess, at more tournaments than ever, and the players got better than ever. There are more than twice as many grand masters now as there were when Deep Blue first beat Kasparov. The top-ranked human chess player today, Magnus Carlsen, trained with AIs and has been deemed the most computer-like of all human chess players. He also has the highest human grand master rating of all time.

하지만 여기에 훨씬 더 놀라운 점이 있다: 인공지능의 도래는 인간 체스 선수의 능력을 감소시키지 않았다. 사실 이와는 정반대다. 저렴한 수퍼 스마트한 체스 프로그램이 전례 없이 많은 사람으로 하여금 체스를 하도록 격려하고 있다. 이 때문에 더 많은 체스 대회가 생겨났고 선수들도 어느 때 보다 기량이 향상되었다. 딥 블루가 처음으로 카스파로프를 이겼을 때 보다 두 배 이상이나 더 많은 체스 선수 대가들이 존재한다. 매그너스 칼젠은 최고 수준의 체스 선수이다. 칼젠은 인공지능으로 훈련받았고 가장 컴퓨터 같은 인간 체스 선수로 간주되어왔다. 칼젠은 역사상 가장 높은 수준의 체스 선수로 평가를 받는다.

If AI can help humans become better chess players, it stands to reason that it can help us become better pilots, better doctors, better judges, better teachers. Most of the commercial work completed by AI will be done by special-purpose, narrowly focused software brains that can, for example, translate any language into any other language, but do little else. Drive a car, but not converse. Or recall every pixel of every video on YouTube but not anticipate your work routines. In the next 10 years, 99 percent of the artificial intelligence that you will interact with, directly or indirectly, will be nerdily autistic, supersmart specialists.

만약 인공지능이 인간을 더 나은 체스 선수가 되도록 도울 수 있다면, 인공지능이 인간을 더 나은 조종사로, 의사로, 판사로, 교사로 만들 수 있다고 추론하는 것은 가능할 것이다. 인공지능에 의해 완성된 대부분의 상업적인 일들은 특정한 목적을 가진 예를 들면, 한 외국어를 다른 외국어로 번역할 수 있는 세분화된 소프트웨어에 의해 행해질 것이다. 하지만 이러한 소프트웨어는 다른 작업은 거의 하지 못한다. 차는 운전하지만 그 역은 아니다. 유트브에 있는 모든 비디오의 모든 픽셀을 생각해보자. 하지만 당신의 모든 일상을 기대하지는 마라. 지금으로부터 10년이 지나면 여러분이 사용하게 될 인공지능의 99 퍼센트는 차가울 정도로 폐쇄적인 수퍼 스마트한 전문가들이 될 것이다.

In fact, this won’t really be intelligence, at least not as we’ve come to think of it. Indeed, intelligence may be a liability—especially if by “intelligence” we mean our peculiar self-awareness, all our frantic loops of introspection and messy currents of self-consciousness. We want our self-driving car to be inhumanly focused on the road, not obsessing over an argument it had with the garage. The synthetic Dr. Watson at our hospital should be maniacal in its work, never wondering whether it should have majored in English instead. As AIs develop, we might have to engineer ways to prevent consciousness in them—and our most premium AI services will likely be advertised as consciousness-free.

실제로, 이것은 지능이 될 수 없을 것이다. 적어도 우리가 생각하는 것처럼 말이다. 실제로 우리가 ‘지능’에 대해서 우리 인간의 독특한 자의식을 의미한다거나 인간의 모든 광분하는 자기 성찰이나 혼란스러운 자의식의 흐름을 의미한다면 지능은 골칫거리가 될 수 도 있다. 차가 정비소에서 했던 논쟁에 너무 집착하지 않은 채로, 우리는 우리 스스로 운전하는 차가 비인간적으로 냉정하게 도로에 집중해주기를 원한다. 병원에서의 혼합형 인공지능인 왓슨 박사는 미친 듯이 자신의 일에 집중하기를 원한다. 결코 왓슨 박사는 자신이 의학보다는 국문학을 전공했어야 했는데 라고 후회하지 않으면서 말이다. 인공지능이 발달하면서 인간은 여러 방법을 고안해 내야할지 모른다. 인공지능에게서 자의식이 일어나지 못하도록 말이다. 우리 인간 최고의 인공지능 서비스는 의식이 없는 인공지능이라고 광고될 가능성이 높다.

What we want instead of intelligence is artificial smartness. Unlike general intelligence, smartness is focused, measurable, specific. It also can think in ways completely different from human cognition. A cute example of this nonhuman thinking is a cool stunt that was performed at the South by Southwest festival in Austin, Texas, in March of this year. IBM researchers overlaid Watson with a culinary database comprising online recipes, USDA nutritional facts, and flavor research on what makes compounds taste pleasant.

우리가 지능대신에 원하는 것은 인공적인 스마트함이다. 일반적인 지능과는 다르게 스마트함은 측정가능하고 집중된, 그리고 구체적이다. 이러한 스마트함은 인간의 인식과는 완전히 다른 방식으로 생각할 수 있다. 이러한 비인간적인 사고의 한 예는 남서부 축제에서 시행되었던 멋진 재주였다. 텍사스의 오스틴에서 올해 3월 이 멋진 재주가 선보였다. IBM 연구자들이 왓슨에게 온라인에 있는 요리법 자료를 덮어 씌었다. 물론 영양과 음식을 더 맛있게 만들어주는 맛에 관한 연구 자료까지 포함해서이다.

From this pile of data, Watson dreamed up novel dishes based on flavor profiles and patterns from existing dishes, and willing human chefs cooked them. One crowd favorite generated from Watson’s mind was a tasty version of fish and chips using ceviche and fried plantains. For lunch at the IBM labs in Yorktown Heights I slurped down that one and another tasty Watson invention: Swiss/Thai asparagus quiche...............

이러한 자료로부터 왓슨은 기존에 존재하던 요리에서 나오는 특징과 맛의 패턴에 기초해 신선한 요리를 생각해냈다. 그리고 이렇게 생각해낸 조리법을 단지 인간 요리사가 수행했다. 왓슨의 조리법에서 나왔던 요리 중에 사람들이 좋아했던 요리는 샐러드와 튀긴 바나나를 이용한 피쉬 앤 칩이었다. 요크타운에 있는 IBM의 점심에서 필자는 또 하나의 왓슨 요리를 즐길 수 있었다. 스위스/타이의 아스파라거스의 파이였다. 나쁘지 않았다..................

Nonhuman intelligence is not a bug, it’s a feature. The chief virtue of AIs will be their alien intelligence. An AI will think about food differently than any chef, allowing us to think about food differently. Or to think about manufacturing materials differently. Or clothes. Or financial derivatives. Or any branch of science and art. The alienness of artificial intelligence will become more valuable to us than its speed or power.

비인간적인 지능은 기계적인 오류기 보다는 하나의 특징이다. 인공지능의 주요 장점은 인공지능의 인간과는 다른 이질적인 지능이라는 점일 것이다. 인공지능은 어떤 인간요리사와도 같지 않게 요리를 다르게 생각할 것이다. 이것은 우리로 하여금 요리에 대해 다르게 생각하도록 만들어 줄 것이다. 또는 물질을 다르게 제조하도록 만드는 것에 대해 인간으로 하여금 생각하게 만들 수 도 있다. 옷과 금융의 파생상품도 마찬가지이다. 과학이나 예술의 어떤 분야도 인간과는 다르게 인공지능은 생각할 것이며 이것은 인간으로 하여금 이것들에 대한 다른 시선과 시야를 갖게 만들어 줄 수 있을 것이다. 인공지능의 이러한 이질성은 인공지능의 발전 속도나 힘보다 더 인간에게 가치 있게 될 것이다.

As it does, it will help us better understand what we mean by intelligence in the first place. In the past, we would have said only a super-intelligent AI could drive a car, or beat a human at Jeopardy! or chess. But once AI did each of those things,................Every success in AI redefines it.

인공지능은 늘 그렇듯이 인간으로 하여금 우선 지능에 대해 우리가 가지는 생각을 더 잘 이해하도록 도와줄 것이다. 과거에 인간은 수퍼 스마트한 인공지능만이 차를 운전하거나 퀴즈쇼나 체스 경기에서 인간을 이길 수 있을 것이라고 말해 왔었다. 하지만 인공지능은 우리가 불가능하다고 생각해왔던 모든 것들을 극복해 냈다.................인공지능의 모든 성공은 지능 자체를 재 정의한다.

But we haven’t just been redefining what we mean by AI—we’ve been redefining what it means to be human. Over the past 60 years, as mechanical processes have replicated behaviors and talents we thought were unique to humans, we’ve had to change our minds about what sets us apart. As we invent more species of AI, we will be forced to surrender more of what is supposedly unique about humans.

하지만 인간은 인공지능에 대한 의미를 재정의 하지는 않았다. 인간은 인간이라는 사실이 무엇을 의미하는지에 대해 재 정의하려고 노력해왔다. 지난 60년 동안 기계적인 과정이 인간에게만 허락되었다고 생각되어 온 행동과 재능을 복제하게 되면서 우리는 인간의 고유성에 대한 생각을 바꾸어야만 했다. 우리 인간이 더 많은 종류의 인공지능을 발명함에 따라 우리 인간은 인간의 고유성 중에 더 많은 부분을 인공지능에게 내주어야 하는 상황에 직면하게 될 것이다.

We’ll spend the next decade—indeed, perhaps the next century—in a permanent identity crisis, constantly asking ourselves what humans are for. In the grandest irony of all, the greatest benefit of an everyday, utilitarian AI will not be increased productivity or an economics of abundance or a new way of doing science—although all those will happen. The greatest benefit of the arrival of artificial intelligence is that AIs will help define humanity. We need AIs to tell us who we are.

우리 인간은 다음 십년, 그리고 다음 세기에 계속된 정체성에 대한 위기를 겪게 될 것이다. 끊임없이 우리 인간자신에게 인간이 정말 무엇을 위해 존재하는가를 묻게 될 것이다. 가장 큰 역설은 일상적이고 실용주의적인 인공지능이 주는 가장 큰 혜택은 늘어난 생산성이나 경제적인 풍요로움 혹은 과학의 새로운 방식은 아닐 것이다. 설령 이러한 모든 일이 일어난다 해도 말이다. 인공지능 출현의 가장 큰 혜택은 인공지능이 인류가 무엇인지를 파악하도록 도울 것이라는 사실이다. 우리가 인공지능이 필요한 이유는 우리 인간이 정말 누구인지를 인공지능이 말해주기 위함이다.

Bibliography

K. Kelly, ‘The Three Breakthroughs That Have Finally Unleashed AI on the World’, Wired [website], (updated 27 Oct. 2014) <http://www.wired.com/2014/10/future-of-artificial-intelligence>, accessed 10 Mar. 2016.