인공지능 구현 아이디어

인공지능을 구현하기 위한 초기 단편적인 방법들 이후 여러 방법이 개발되었고 다양한 일들이 일어났다. 체스 알고리즘도 그 가운데 하나지만, 딥블루가 체스 챔피언 가리 카스파로프에게 3.5 대 2.5로 승리한 후에도 줄곧 시대에 뒤떨어진 알고리즘으로 간주되었다. 딥블루가 지능을 갖춘 장치라고 말하기는 어렵다. 딥블루 동작 방식이 최대한 많은 수를 미리 살펴보고(일반적으로 6~8수), 가장 좋은 수를 선택해 두는 것이었기 때문이다. 딥블루는 병렬 컴퓨터를 사용해 수많은 수의 조합을 살펴보았으며, 경험 많은 최고 실력의 체스 선수들로부터 얻은 전문 지식을 사용해 조합을 평가했다. 이후 나온 알고리즘들은 딥블루처럼 무작정 모든 경우를 뒤지지 않는다. 컴퓨터를 이용해 문제를 풀어본 사람들은 독특한 혹은 비전통적인 방법을 시도하면서 결과로 얻은 경험을 지식으로 쌓아나갔으며, 이렇게 얻은 머신러닝 모델은 다양한 인공지능 시스템에 성공적으로 결합되었다.

 

 

1997년 세계 체스 챔피언은 IBM 컴퓨터 딥블루와 체스 시합을 벌여 패했다. 그 이후로, 기계는 체스에서 사람을 압도했다.

 

 

체스 전문가의 전문 지식을 모아놓은 것과 비슷한 ‘전문가 시스템’도 한동안 기계에서 지능을 구현하는 방법으로 고려되었다. 설계, 진단, 문제 풀기와 같은 복잡한 의사 결정 과정에서 전문가의 논리적인 의사 결정 과정을 모방해 만든 복잡한 프로그램들이 개발되었다. 그러나 예측하지 못한 상황에 적응할 수 없는 한, 전문가 시스템은 지능적이라 할 수 없었다. 지능을 갖춘 것으로 인정받으려면 기계적인 동작을 넘어서는 무언가가 필요하다. 기계에게 기계 이상의 것을 요구하는 모순을 피하려 한다면, ‘기계적인’의 의미가 무엇인가라는 질문을 마주하게 된다. 르네 데카르트는 1637년에 이미 이 문제를 『방법론』에서 다루었으며, 다음과 같이 튜링 테스트도 제시했다.

 

 

르네 데카르트는 튜링보다 300년이나 앞서 기계 지능에 대한 평가 기준을 제시했다.

 

 

“단어를 말하고 심지어 자극에 적절히 반응해 말하는 기계를 쉽게 떠올릴 수 있다. 어느 순간 그런 기계들이 수많은 일을 사람만큼 아니 사람보다 더 완벽히 해낼지라도, 지식에 따라 행동하지 않는다는 것이 드러날 수 있는 일들은 결코 잘 할 수없다.”

 

인공지능 연구에는 많은 연구자가 ‘더는 할 수 있는 것이 없어’ 혹은 ‘무슨 일을 어떻게 해야 할지 모르겠어’라고 고민하던 시절인 인공지능 침체기가 있었으며, 다른 학문과 마찬가지로 다양한 이론 사이에서 어디로 가야 할지 몰라 방황하는 교착상태에 빠져 있었다. 오늘날 인공지능은 머신러닝의 시대에 있다. 빅데이터, 검색엔진, 자연어 처리, 대화형 지도 등 여러분이 똑똑한 기술이라고 생각하는 모든 기술의 중심에는 거의 예외 없이 머신러닝 기술이 사용되고 있다. 사람이 기계보다 더 잘 배울 수 있는 이유는 주변 정보를 잘 살피고 관련이 적거나 불필요한 일을 걸러낼 수 있는 인식과 선택 능력 덕분이다. 단순히 많은 정보가 있다고 해서, 필요한 정보를 판단하는 일이 더 쉬워지지는 않는다. 컴퓨터가 수집한 정보는 양보다 그 범위가 제한적이므로 머신러닝 또한 제한적이다.

 

인공지능 연구 가운데는 단순히 뇌의 기능뿐만 아니라 물리적인 구조까지 따라하려는 연구들도 있다. 이런 연구의 첫 번째 단계는 뇌를 분해하는 일이다. 7000여 개의 시냅스 연결을 통해 서로 연결되는 신경세포가 천억 개나 있는 뇌는 분석하기에 너무 도전적인 대상이다. 과학자들은 뇌에 불과 302개의 신경세포만이 들어 있는 예쁜꼬마선충을 선택해 연구하기 시작했으며, 1986년에 전체 구조를 완벽히 분석했다. 대단히 훌륭한 일이기는 하지만, 사람의 유전자 서열보다도 정보가 적었기 때문에 구조 분석만으로는 신경세포의 동작 방식을 거의 알아낼 수 없었다.

 

 

 

인공지능을 구현하려면 무엇보다 먼저 인간의 두뇌를 이해해야 한다. 천억 개의 신경세포, 그보다 훨씬 많은 시냅스 연결 등, 두뇌는 인공지능 연구를 막아선 커다란 바위 같은 대상이다.

 

 

수많은 인공지능 연구는 특정한 응용을 목적으로 한다. 예를 들어, 미국에서는 최근 수년간 범용적인 인공지능 기술 개발뿐만 아니라 건강관리, 보안, 광고, 금융 분야를 대상으로 한 인공지능 기술 개발 연구에 연구비가 몰리고 있다.

 

또한, 특별히 컴퓨터 비전, 자연어 처리, 로봇공학, 머신러닝, 계산, 복잡한 실제 상황에서 작동하는 지능의 모델링에 특화된 연구 등이 있다. 자율주행차 관련 연구에도 2016년 현재 많은 연구비가 투자되고 있다.

 

 

인공지능의 기준은 점점 높아지고 있다. 한때 사람들은 안면 인식과 같은 기능을 지능적 기능이라고 생각했다. 그러나 이제는 기계들도 안면 인식을 할 수 있기 때문에, 완전히 기계적인 기능이라고 생각한다.