'전자두뇌를 실현한다'
1940년대에 프로그램이 가능한 전자계산기기의 등장에 촉발되어 '사고하는 기계를 만들 수 있지 않을까?'라는 논의가 시작되었다고 합니다. 당시 최신 신경학의 성과로 '뇌의 신경세포는 전기적 네트워크로 구성되어 ON과 OFF라는 펄스의 조합에 의해 사고 된다'라는 것이 밝혀졌습니다.
'사고기계의'의 연구는 이러한 뇌의 구조를 기계로 재현하려고 한데서 출발했습니다. 당시는 아직 컴퓨터가 보급되기 전이기도 했고 아날로그 회로를 만드는 연구가 중심이었습니다.
1950년대에 컴퓨터를 사용할 수 있게 되면서 '수를 조작할 수 있는 기계는 기호도 조작할 수 있을 것이다'라고 생각하여 컴퓨터를 사용한 사고기계의 연구가 시작되었습니다. 1956년 미국 다트머스에 연구자들이 모여 "드디어 인간의 지능을 기계로 인공적으로 재현할 수 있게 된다"라는 생각을 제창하고 이를' Artificial Intelligence(인공지능)'라고 이름을 붙인 것입니다.'
1958년 뇌의 신경활동을 수식 모델화하여 컴퓨터에게 처리 시키는 초보적인 기술인 'Perceptron'이 등장했습니다.
또한 1960년대에 들어서 기억 처리를 위한 룰이나 수식을 프로그램화하여 사고나 추리 등 사람이 행하는 '지적 활동'과 똑같은 일을 하게 하려는 연구도 그 영역을 넓혀갔습니다.
하지만 컴퓨터의 능력과 기억 처리 규칙을 사람이 모두 기술해야 한다는 점에서 한계가 보이기 시작했고, 그 결과 실제로 사용할 수 있는 성과를 올리지 못한 채 1970년대에 들어서 인공지능의 연구는 겨울을 맞이하게 되었습니다.
1980년대에 들어서 '엑스퍼트 시스템(expert system)'이 등장했습니다. 이것은 특정 분야로 좁혀서 그 전문가의 지식이나 노하우를 규칙화 하여 컴퓨터에게 처리 시키려고 하는 것이었습니다. 예를 들어, '계측 결과로부터 화합물의 종류를 특정한다', '복잡한 컴퓨터의 하드웨어나 소프트웨어 구성을 과부족 없이 조합한다' 등 특정영역으로 한정하면 실제 사용에서 성과를 올릴 수 있으리라 생각한 것입니다. 또한 규칙 처리를 효율적으로 수행하는 '논리 컴퓨터'에 대한 연구도 시작되었습니다. 1981년 일본의 통산성은 ' 제 5세대 컴퓨터 프로젝트'로써 이 연구를 지원했습니다. 이에 대항하듯이 영국과 미국에서도 똑같은 인공지능 프로젝트가 시작되었습니다.
1984년에 엑스퍼트 시스템의 연장선상에서 '사람의 지식을 모두 기술하자'는 프로젝트가 미국에서 시작되었습니다. 예를 들면, 다음과 같은 지식입니다.
'일본의 수도는 도쿄이다'
'도마뱀은 파충류다'
이와 같은 지식을 규칙으로 기술하고 사람과 똑같은 추론이 가능한 시스템을 구축하는 것을 지향한 것입니다. 하지만 지식은 항상 늘어갑니다. 그보다 사람이 알고 있는 지식이 헤아릴 수 없을 정도로 많아서 그것을 표현하고 해석이나 의미의 다양성을 처리하는 일은 결코 쉬운 일이 아닙니다. 결국' 지식이나 규칙을 넣으면 똑똑해지겠지만 모든 지식을 다 기술할 수는 없다'는 한계에 봉착하여, 이 연구도 시들해져 갔습니다.
2000년대 들어서 다양하고 방대한 데이터가 인터넷 상에 모아지게 되었고 컴퓨터의 성능도 예전과는 비교할 수 없을 정도로 향상 되었습니다. 그래서 특정 업무나 분야에서의 데이터를 해석하고 그 결과로부터 분류나 구별, 판단이나 예측을 하기 위한 규칙성이나 룰을 찾아내는 수법인 '기계학습(Machine Learning)'이 등장했습니다. 기계 학습의 개념은 예전부터 있었지만 컴퓨터의 성능이 부족하여 그 능력을 발휘하지 못했던 것이 컴퓨터의 성능 향상과 수법의 발전으로 그 능력을 높여갔습니다.
그 후 최신 뇌 과학의 연구성과를 도입하여 뇌의 신경활동을 보다 충실히 재현하려고 하는 '딥러닝(Deep Learning)'이 등장했습니다. 이 새로운 연구는 지금까지의 인공지능 연구 성과의 한계를 모조리 깨뜨렸으며 실제 사용에 있어서도 많은 성과를 올리고 있습니다.
인공지능, 기계학습, 딥러닝의 관계
'사람의 지능을 기계를 사용해 인공적으로 재현한 것이 드디어 실현된다' 이런 이상을 품고 인공지능의 연구가 출발했지만 '지능이란 무엇인가?'가 모두 해명된 것은 아닙니다. 그래서 '지능을 기계로 실현하기' 위한 연구는 여러 분야로 나눠져 있습니다. '기계학습'이라는 말도 그런 인공지능 연구 분야 중 하나입니다. 기계에게 지능을 부여하기 위해 예전에는 '사물'을 이해하기 위한 규칙을 사람이 일일이 가르쳤습니다. 이러한 방법을 룰 기반이라고 합니다. 하지만 사물은 실제로 너무 다양하고 복잡합니다. 그 룰을 사람이 모두 기술하여 가르치는 것은 비현실적이기 때문에 이 방법은 한계에 부딪혔습니다. '기계학습'은 데이터를 해석함으로써 컴퓨터 자신이 룰 작성을 수행하게 하는 것입니다.
그리고 최근에는 사람의 뇌 활동에 대한 연구가 발전되어 그 성과를 응용한 기계학습의 한 방법인 '딥러닝'이 등장했습니다. 딥러닝이 등장하기 이전의 기계학습에서는 사람이 특징량을 결정하고 설정해야만 했습니다. 이에 비해 딥러닝에서는 기계가 데이터를 해석하여 자동으로 최적의 특징량을 찾아내 줍니다. 사람의 경험치나 착각에 좌우되는 일 없이 해석할 테이터의 양이 늘면 늘수록 그 성능을 향상시킬 수 있습니다. 그 결과 지금은 이미지나 음성 인식 등에서는 사람의 능력을 능가하는 성능을 발휘하고 있습니다.
그 외에도 구글의 알파고나 기본적인 동작을 가르치면 스스로 시행착오를 거쳐 숙련된 기술을 몸에 익히는 산업용 로봇 등에도 이 기술이 사용되고 있습니다.
사람이 가르치지 않아도 삼라만상에서 패턴을 발견하고 세계를 분류 및 정리한다.
이런 일이 실현되고 있습니다.
알고리즘(컴퓨터에서 계산할 때의 방법)의 발전에 더해 컴퓨터의 성능 향상이 기계학습을 발전시켰습니다. 또한 IoT와 인터넷의 보급으로 세상의 데이터를 대량으로 모으는 장치가 마련되면서 기계학습에서 이용할 수 이는 데이터가 증가했습니다. 그 결과 인공지능은 더욱 똑똑해지고 용도도 확대되어 가고 있습니다.
인공지능이 안고 있는 과제와 한계
'2045년에 컴퓨터가 전 인류의 지성을 뛰어넘을 것이다'
미국의 미래학자이자 구글의 연구자이기도 한 레이 커즈와일은 컴퓨터의 진화가 도착할 목적지에는 이런 시점이 기다리고 있으며 그 후에는 어떤 일이 일어날지도 모른다고 했습니다. 이를 '특이점(Singularity)"라고 합니다. 과연 정말 이런 일이 일어날지 모르겠지만 적어도 현시점에서는 아직 과제가 많이 있습니다. 분명 인공지능의 발전은 최근 몇 년 동안 눈이 휘둥그레질 정도로 발전되어 사람의 능력에 필적하거나 그 이상의 능력을 발휘하는 것도 있습니다. 하지만 그 성과는 화상 인식이나 음성 인식, 대화 응답과 같은 ' 특정 지적 작업 분야에서 인간의 능력을 뛰어넘은 것'에 지나지 않습니다. 바둑의 세계 챔피언에게 이긴 구글의 인공지능 알파고가 '자신이 승리한 경험을 활용하여 더욱 새로운 분야에 도전하려고 결의하는 일'은 없습니다. 또한 사람의 뇌는 그 하나로 바둑도 할 수 있고 책도 읽을 수 있으며 대화도 할 수 있는 등 여러가지 일을 할 수 있는 '범용 두뇌'이지만 알파고는 바둑 밖에 둘 수 없는 '전용 두뇌(특화형 인공지능)'입니다. 인공지능은 '자신이 누구인지?'라는 자기 이해가 불가능합니다. 또한 의식이나 의욕 등의 경우도 그것이 본래 무엇인지, 어떤 구조로 실현되고 있는지 조차 아직 잘 알지 못합니다.
현재의 인공지능이 이러한 한계를 갖고 있는 반면 이미 사람의 능력을 뛰어넘는 지적 작업을 하는 분야도 있습니다.
'불도저에게 시키는 편이 좋은 일'은 불도저에게 맡긴다
'사람 밖에 할 수 없는 일'은 사람이 지금보다 더욱 힘쓴다.
그런 현실을 받아들이고 용도를 넓혀갈 것을 생각해야합니다.
