• AI 어디까지 왔는가?

–도입-

“AI는 1950년대부터 존재하던 학문이다, 다만 최근에 들어 Google Deep Mind 의 효과적인 AlphaGo 마케팅으로 기존에 관심이 없던 많은 사람들도 주목하기 시작했다. 그렇다면 인류역사상 가장 복잡한 게임이라는 바둑마저 정복한 AI는 이미 사람을 넘어선 것인가? 많은 언론이 이야기하는 것처럼 AI 가 인간을 대체하는 날을 걱정해야 하는 수준에 온 것인가? AI 의 현주소와 우리의 대응에 대해서 이야기해보고자 한다. “

• AI의 역사와 암흑기
  

현대 AI 의 연구는 1950년대부터 시작되었다. 그 당시의 AI 연구자들은 인간수준의 AI를 수십년안에 만들 수 있을 것이라고 생각했으며, 당시 선구자였던 Herbert A.Simon은 1965년에 “앞으로 20년안에 기계는 인간이하는 모든 일을 할 수 있게 될 것” 이라고 말했다. 하지만 1970년대에 들어 AI 연구자들은 인간수준의 AI를 만드는 일이 얼마나 어려운 일인지 과소 평가했다는 것을 깨닫게 된다. 시장은 점점 실용적인 AI 개발에 대한 요구를 하게 되고, AI 에 대한 기업과 사회의 시각이 점점 회의적으로 바뀌면서 AI에 대한 지원도 끊기게 된다. 1980년대 Expert System (Rule Base AI)를 통해 어느 정도의 성공을 거두면서 AI 에 대한 불씨를 살리는가 했으나, 결국 1980년대 AI시장은 완전히 붕괴하고, AI 는 암흑기에 빠지게 된다.

1-2 현대의 AI

21세기에 들어 AI 는 GPU가속을 이용한 연산속도의 비약적 발전, Big Data 처리 기술의 발달에 따른 Deep Learning(Deep Learning (Machine Learning <기계학습>의 한 분야로 2부에서 설명예정) 알고리즘의 재조명을 통하여 이미지 인식, 자연어 인식, 음성인식 등 기존에 잘 해결하지 못하던 문제를 해결하며, 제 2의 전성기를 누리고 있다.

[음성인식에서의 성능 향상]

기존의 음성인식 알고리즘으로 애러율이 13% ~ 15% 에 달하던 성능을 Deep Learning 을 도입하면서 5% 미만으로 극적으로 개선하면서 그 우수성을 증명하였으며, 최근에는 Amazon Alex 와 같은 인공지능 스피커를 통해서도 AI를 실생활에서 느껴볼 수 있다.
이미지 인식에 있어서는 Deep Learning은 2016년 기준 사람의 수준에 근접한 인식률을 보여줄 정도로 발전되었다.

[AI 의 이미지 인식 정확도]

출처 : ILSVRC2016 (http://image-net.org/challenges/LSVRC/2016/results)

또, 컴퓨터가 인간을 이길 수 없다고 알려진 바둑에서 세계 정상급 프로 선수인 이세돌 9단을 4:1로 이긴 AlphaGO 또한 MCTC(Monte Carlo Tree Search) 와 Deep Learning 을 복합적으로 활용하여 Game 에서의 AI 의 가능성을 증명하였다.

1-2현재 AI 의 수준은?

그렇다면 현재 AI 는 정말 인간을 대체할 만큼 발전한 것인가? 우리는 우리의 일자리를 두고 기계와 경쟁을 해야 하는가? 이 질문에 대답하기에 앞서서 AI 의 단계 구분에 대해서 설명하고자 한다.

(1) Narrow Artificial Intelligence
(2) General Artificial Intelligence
(3) Super Artificial Intelligence

Narrow Artificial Intelligence 는 특정한 분야에 주어진 일만 처리할 수 있으며, 그 일을 처리할 수 있는 똑똑한 AI 가 되기 위하여 많은 데이터 전문가, AI 전문가, 비즈니스 전문가가 많은 시간을 투자하여 좋은 AI를 만들어야만 하는 단계로 우리가 영화에서 보는 것과 같은 수준의 AI 와는 많은 거리가 있는 단계라고 볼 수 있다.

General Artificial Intelligence 는 컴퓨터가 인간처럼 스스로 학습하고, 생각하는 수준을 이야기하는 것으로 평균적인 인간수준의 지능을 갖춘 AI 단계라고 볼 수 있다. 기계의 사고 유무를 판단하기 위한 기준으로 1950년대 앨런튜링은 “컴퓨터로부터의 반응을 인간과 구별할 수 없다면 컴퓨터는 생각할 수 있는 것” 이라는 정의를 하고 Turing Test 라는 것을 고안하였으나, 현대에 와서는 기계의 사고유무를 판단하는 방법으로 부족하다는 의견이 대두되고 있다.

Super Artificial Intelligence는 영화 Avengers에서 아이언맨이 인공지능 비서인 자비스와 같은 수준을 생각하면 될 듯 하다. 가장 훌륭한 인간의 뇌보다도 더 뛰어난 수준으로 인간이 초월하는 수준의 인공지능으로 실질적으로 사람이 AI 에 지배 받는 것을 걱정해야 하는 수준이 바로 이 수준이 될 것이다

그렇다면 현재 AI 는 Narrow, General, Super AI 중 어떤 단계에 있는 것일까?
우선 General Artificial Intelligence를 판단하기 위한 테스트 방법으로 가장 유명한 Turing Test 의 결과를 한번 살펴보자

[그림. Turing Test 란?]

Turing Test 사람들 사이에 기계를 넣어 놓고, 온라인 통신 Chatting system을 통해 심판들이 5분간의 대화를 진행하여 30% 이상의 심판을 속일 수 있는가 없는 가를 테스트하는 것으로, 2014년 최초로 Eugene(우크라이나 13세 소년 역할 부여)가 Turing Test를 통과하였다. 그렇다면, 우리의 AI 기술은 사람처럼 생각하는 General AI 의 수준에 도달한 것인가?

아래는 2014년 테스트 당시의 대화 내용의 일부이다. 대화 내용을 보면 정말 Eugene 이 사람처럼 느껴지는가?

사실은 영어가 익숙하지 않은 13세 소년의 역할부여, 지속적으로 특정 주제로 유도하는 트릭 사용 및 어떠한 상황에도 사용할 수 있는 두리뭉실한 표현들을 주로 사용하는 등 테스트 자체를 통과하기 위한 수 많은 Trick 이 주요하였으며, 기술적으로 생각하는 AI를 만들어 Test를 통과한 것과는 거리가 멀다는 것이 대부분 관계자들의 생각이다.

[2014 Turing Test를 통과한 Eugene]

출처 : Times (http://time.com/2847900/eugene-goostman-turing-test/)

몇 가지 이야기를 더 해보자, General AI 정의에서 가장 큰 특징은 스스로 학습하고(사람이 데이터 수집, 모델링 등 개입 하지 않음), 상황에 맞는 다양한 일들을 수행할 수 있는 범용성에 있다. 그렇다면 최근에 가장 크게 화두가 된 AlphaGO 는 바둑을 스스로 배웠는가? 아니면 수많은 프로그래들의 노력이 투입되어 바둑을 학습 시켰는가? AlphaGO 는 바둑에서는 세계수준의 Player 인 이세돌을 격파할 정도로 뛰어난 능력을 가지고 있는 것은 분명하지만, 바둑 이외의 일도 할 수 있는가? AlphaGO는 Narrow Artificial Intelligence 의 전형이라고 볼 수 있으며, 결론적으로 현재 우리가 사용하고 있는 AI 는 모두 우리가 생각하는 General AI 와는 거리가 먼 Narrow AI라고 생각하면 된다.

1-3 Path to General AI

스스로 학습하고 생각하는 사람 수준의 AI가 언제쯤 어떠한 형태로 개발될 것인지 묻는다면, 정답을 말 할 수 있는 사람은 없을 것이다.
하지만, Weak AI 에서 Strong AI로 진화하기 위해 필요한 요소들을 도출해 보면 그 난이도와 소요 시간은 짐작할 수 있을 것이다.

(1)Computing Power

Artificial Intelligence 란 기본적으로 인간의 뇌가 사고하는 방식을 모방하는 것이기 때문에 인간만큼 복잡한 생각을 하기 위해서는 인간의 뇌만큼 복잡한 인공 신경망을 연산할 만큼의 Processing power 는 기본적으로 필요할 것이다. 인간의 뇌는 10^11의 뉴런을 가지고 있으며, 아기의 경우 10^15 의 뉴런을 가지고 있다고 한다.
인간의 뇌를 시뮬레이션 할 정도의 컴퓨팅 파워를 갖게 된다고 General AI를 달성할 수 있는 것은 아니지만 그 정도의 Computing Power는 필수 요건이라고 생각되며, 비용 및 H/W 최소화를 고려하지 않을 경우 원하는 Processing Power 를 달성하기까지 10년 정도의 시간이 소요될 것으로 예측하지만, 이 또한 소형화 전력소모 등을 고려하면 양자컴퓨터와 같은 다음 세대의 기술이 필요할 가능 성을 배제할 수 없다. 

[Estimates of how much processing power is needed to emulate a human brain at various levels (from Ray Kurzweil, and Anders Sandberg and Nick Bostrom)]

(2) Self Learning & Reasoning

General AI로 가기 위한 방법은 크게 Top Down 방식과 Bottom Up 방식이 있을 수 있겠다. Top Down 방식이란 지금까지 AI를 틀을 완전히 깨고 새로운 시각에서 General AI를 바라보고 연구하는 것이고, Bottom Up 은 지금까지 우리가 해결해 왔던 수많은 문제의 해법들을 모아서 궁극적으로 General AI를 달성하는 방안이다.
AI 에 제 2의 전성기를 열어준 Deep Learning 이 General AI로 가는 문 또한 쉽게 열어줄 것인가? 아니면 또 다른 패러다임의 변화가 필요할 것인가
어떤 방향이던지 1950년대 인공지능 학자들이 20년이면 General AI 에 도달 할 수 있을 것이라 확신하였던 오판을 되돌아보면, 그리 쉽지 않을 길이 될 것이라는 것이 명확하다.

(3) Robot technology
진정한 General AI 의 완성은 외부 환경과 상호작용 가능한 물리적인 Robotic Body 와 Software 적인 AI 의 결합이라고 볼 수 있다.
결국 궁극적인 General AI는 Software Algorithm 의 발전만으로 달성할 수 있는 것이 아니며, 산업전반의 모든 연관 기술들이 전반적으로 발전되었을 때 달성 가능한 목표인 것이다.

1-4 우리의 대응은 ?  

진정한 AI로 가기 위해서는 산업 전반의 모든 기술들이 전반적으로 발전해야 하며, 너무 많은 기술적인 난관들이 존재하기 때문에 General AI 는 당장에 우리에게 다가올 현실은 아닐 것이다.
때문에 향후 몇 년은 누가 더 Narrow AI 를 잘 활용할 수 있는 CASE를 발굴하고 먼저 적용하는지가 관건일 것이다.

[우리가 준비해야 할 것들]

• Infrastructure : 클라우드 서비스 등
• Data Management : Big Data 관리 기술
• AI Frame Work : 업무 특화 F/W 개발
• Business Apply : 비지니스 적용을 위한 Insight

하지만, 얼마나 많은 노력과 시간이 소요되더라도, General AI를 향한 인간의 탐구는 멈추지 않을 것이며, 결국에는 도달할 미래라고 생각된다.
장기적으로는 당장은 AI 와 관련이 없는 것 같은 기술도 궁극적인 General AI 를 생각하면 결국에는 관련이 있다는 점을 염두하고 향후 General AI 도달에 중요하다고 생각되는 분야를 사전에 예측하고 투자할 필요가 있다.