인공지능의 발달과정 - ingongjineung-ui baldalgwajeong

그렇다면 인간은 왜 AI, 더 정확히 말하면 AI를 지닌 기계를 필요로 할까? 이 의문에 대한 답은 여러 가지가 있을 수 있다. 그러나 역시 가장 큰 이유는 인간의 부담과 위험을 덜기 위해서다.
역설적인 얘기지만, 문명이 발전하면 할수록 인간은 더 많은 결정과 판단을 내려야 하고, 실패할 경우에 지는 위험 부담 역시 갈수록 커지고 있다. 게다가 인간의 두뇌와 육체의 진화는 여전히 홍적세 수준. 그렇잖아도 신속하고 합리적인 계산자라고는 볼 수 없었던 인간이다. 그 진화는 기계 문명의 진화를 따라잡기에는 이미 늦어버렸다. 인간은 이제는 스스로가 만든 문명의 문제를 파악하기도 곤란해졌을 뿐 아니라, 만의 하나 실수할 경우 엄청난 피해를 스스로와 주변에 미칠 수 있게 된 것이다.
이 말이 너무 어렵게 느껴진다면 자동차의 사례를 들어보자. 인간은 신체의 한계를 뛰어넘어 빨리 움직이기 위해 자동차를 만들었다. 그러나 제작 목적에 너무나 충실하게 만들어진 탓에 자동차는 인간의 감각과 반응 속도보다 훨씬 빠르게 움직인다. 운전 중이던 운전자가 도로상에 뭔가 장애물(보행자라든지)을 발견하고 급브레이크를 밟아도 장애물과 충돌, 쌍방 간에 큰 피해를 유발할 수 있는 것이다.
그러나 자동차에 장애물을 탐지하고 충돌을 회피하는 AI가 장착돼 있다면 운전자가 장애물을 적시에 발견하지 못했더라도 자동차가 알아서 판단을 내려 사고를 방지할 수 있다. 기계는 인간에 비해 창의성은 없지만, 계산을 처리하는 속도와 정확성은 매우 뛰어나기 때문이다. 이렇듯 AI 개발의 제1 목적은 인간 지능의 보조인 것이다.

인공지능 등장의 이론적 기반 정립

AI라고 하면 현대의 최첨단 전자 기술의 산물로 많이 생각하고 있다. 사실 크게 틀린 생각은 아니다. 그러나 인간은 의외로 오래전부터 AI를 꿈꾸어왔다. 그것은 미녀 ‘갈라테아’를 만든 피그말리온이 나오는 고대 그리스 신화를 봐도 대충 짐작이 가능하다.
또한 AI를 향한 이런 막연한 바람뿐 아니라 이론의 정립도 의외로 오래전부터 이루어졌다. AI의 대전제는 인간의 사고를 기계로 재현할 수 있어야 한다는 것이다. 이렇게 재현된 사고를 기계적 추론, 또는 형식 추론이라고 부른다. 형식 추론의 방법론은 그리스, 중국, 인도 등 세계 각지의 철학자들에 의해 무려 기원전 1세기부터 정립돼 왔다.
특히 13~14세기에 살았던 마요르카 섬 출신 철학자 라몬 룰은 여러 개의 논리 기계를 만들었다. 룰은 자신의 기계들이 간단하고 부인 불가능한 진실을 기계적이고 논리적인 방식으로 조합해 세상의 모든 지식을 만들 수 있다고 주장했다. 이러한 사고는 17세기 독일의 철학자 고트프 리트 라이프니츠에게 큰 영향을 주었다. 그는 토마스 홉스, 르네 데카르트와 함께 인간의 모든 추론을 과연 대수, 기하 등 수학적이고 기계적인 방식으로 체계화해 번역할 수 있는 지를 탐구했다. 그들의 연구는 20세기 들어와서도 조지 부울, 고틀롭 프레게, 버틀랜드 러셀, 알프레드 노스 화이트헤드, 데이비드 힐버트 등을 통해 계속 맥을 이어 나갔다. 그리고 20세기 초중반 쿠르트 괴델의 불완전성 정리, 앨런 튜링의 튜링 기계, 알론조 처치의 람다 대수 등을 통해 수백년 동안 이어져 온 이 의문에 대해 드디어 답이 나오게 되었다.
이들이 찾아낸 답을 간단히 요약하면, 우선 인간의 추론을 수학적 추론으로 바꾸는 데는 한계가 있다(즉, 수학적 추론으로 바꿀 수 없는 추론도 있다)는 것이다. 그러나 그한계 내의 모든 수학적 추론은 기계의 언어로 번역할 수 있다는 것이다. 이 점은 기계에 지능, 즉 AI를 갖게 하는 열쇠가 됐다. 인간의 추론을 가장 간단한 기계어인 2진수 (0과 1)로 번역해 입력하면 답을 내주는 기계. 이것이 바로 오늘날 우리가 매일 사용하는 컴퓨터의 본질인 셈이다.
현대적인 컴퓨터의 기원은 제2차 세계대전 당시 독일의 군용 암호를 풀기 위해 만들어진 영국의 콜로서스 컴퓨터로, 영화 ‘이미테이션’에도 묘사돼 있듯이 앞서 말한 튜링의 이론을 기반으로 만들어졌다. 튜링은 “기계의 응답을 인간의 응답과 구분할 수 없다면, 그 기계는 (인공)지능을 가지고 있다고 보아야 한다”는 요지의 튜링 테스트를 창안한 인물이기도 하다.

우리에게 인공지능이란 단어가 익숙해진 것은 비교적 최근이지만 실제 AI의 역사는 그것보다 훨씬 더 오래되었습니다. 그동안 인공지능을 만들기 위한 수많은 노력이 있었고, 한때는 인공지능이 실현 불가능한거라 여기기도 하였습니다. 그렇다면 현재의 인공지능을 갖추기까지 어떠한 일들이 있었을까요?

2. AI의 역사

AI의 탄생은 마빈 민스키가 1956년 다트머스 회의에서 인공지능이라는 단어를 만들면서 최초로 언급되었습니다. 앨런 튜링이 구안한 생각하는 기계를 최초의 인공지능으로 보기도 하지만, 공식적인 단어의 출현은 다트머스 회의에서 였습니다.

 기계에 어떻게 인간의 생각을 주입할지 여러 분야의 학자들이 모여 논의한 후 인공지능이라는 단어를 만들고 연구를 지속하였습니다.

(출처 : https://www.slideshare.net/DavidBalduzzi/irfml)

인공지능의 학문적 계열은 기호주의와 연결주의로 나눌 수 있습니다. 인공지능의 두갈래 계열을 바탕으로 인공지능의 역사가 어떻게 발전해왔는지를 살펴보도록 합시다.

 인공지능이라는 단어가 만들어지기 이전에도 인공지능과 관련된 연구가 있었습니다. 맥컬럭과 피츠는 인간의 뇌에서 뉴런이 작용하는 원리를 본떠 논리 모델을 만들었습니다.

그리고 뇌세포가 연결이 되면서 학습이 되는 과정을 도널드 헵이 밝혀냈습니다

프랭크 로잰블랫
(출처: https://brunch.co.kr/@jk-lab/13)

프랭크 로젠블랫은 이렇게 인간의 신경망을 따라한 인공 신경망을 퍼셉트론이라고 부르는 프로그램으로 구현해냈습니다.

그는 인간의 뇌에서 일어나는 학습 원리를 ‘가중치(Weight)’라는 개념을 추가하여 만들어냈습니다. 논리적인 계산을 염두에 둔 인공신경망은 이미지 인식과 만나면서 좀더 다양한 측면에서 인공지능을 활용할 수 있게 되었습니다. 

대표적인 연구로 허블과 비셀은 고양이 두뇌를 이용한 실험을 했는데, 전극을 꽂아 고양이가 시각 정보를 어떻게 처리하는지를 분석했습니다. 이때 발견한 것은 이미지를 통째로 한번에 인식하는 것이 아니라 이미지를 소수의 뉴런이 쪼개어서 각각 받아들인 것이었습니다.

 1960년대에 인공지능의 패러다임은 연결주의로 흥하는 것 같았으나 마빈 민스키와 세이무어 페퍼트가 출간한 퍼셉트론즈라는 책에서 퍼셉트론의 문제점과 한계를 지적하면서 발전이 잠시 지연되었습니다. 이 시기를 인공지능의 겨울이라고 부르기도 합니다.

한편 지식을 기호화하여 논리적으로 표현하고, 문제를 해결하려는 시도는 기호주의라는 인공지능의 계열로 발전을 이어왔습니다. 근본적으로 1과 0에서 시작되었고, 이진법을 가지고 셈할 수 있는 다양한 논리식과 알고리즘이 발전하였습니다. 

계산 기계의 발전은 어려운 수학적인 문제들을 해결하기 위한 방향으로 이어졌습니다. 인공지능을 활용하여 논리적인 추론을 이루어내기 위해서는 지식을 컴퓨터가 이해할 수 있는 언어로 표현할 수 있어야 하는데, 이를 위해 LISP, Prologue와 같이 컴퓨터에서 사용되는 언어들이 개발되었습니다.

 LISP(List Processor)는 기호로 된 표현의 프로그래밍 조작을 수월하게 할 수 있도록 합니다. 구조적인 데이터를 상징적인 표현으로 만들어 사람이 읽을 수 있는 텍스트 형태로 나타내는 방법을 말합니다.

이와 같은 언어로 만든 것 중 잘 알려진 것으로 논리 이론가(Logic Theorist)라는 프로그램은 하노이의 탑 퍼즐을 해결할 수 있었습니다.

(defun hanoitowers (disc src aux dst)

    (cond ((> disc 0)

        (hanoitowers (- disc 1) src dst aux)

        (princ (list “Move” disc “from” src “to” dst))

        (hanoitowers (- disc 1) aux src dst))))

이렇게 수학문제를 해결하는 것에서 시작하여 인간의 지식을 저장하여 논리적인 추론을 하고 새로운 답을 내어놓기도 하였습니다. 이것을 전문가 시스템이라고 부릅니다. 

전문가 시스템은 특정 분야에 있는 지식들을 무더기로 모은 후 논리적 법칙을 적용하여 인간과 비슷한 연역적, 귀납적 추론을 할 수 있었습니다. 초기의 전문가 시스템으로 잘 알려진 것 중 화학 분자 구조를 추론하도록 개발된 덴드럴(DENDRAL)과 혈액 질환을 진단해주는 마이신(MYCIN)이 있습니다. 

전문가 시스템은 특정 영역에서는 매우 유용하고 인간보다 뛰어난 저장 및 추론 능력을 지니고 있었지만, 개발비용이 너무 많이 들고 현재와는 달리 저장과 연산에 필요한 컴퓨터의 성능이 뒷받침되지 않았습니다. 전문가 시스템에 대한 비효율성과 회의감으로 인공지능의 붐은 거품이 되어 또다시 겨울을 맞았습니다.

수많은 학자들에 의해 인공지능을 발전시키는 데 해결해야 할 문제점들이 하나 둘씩 해결되었습니다. 먼저 퍼셉트론에서 지적된 해결할 수 없었던 XOR논리문제는 신경망을 이용하여 해결할 수 있었고 무어의 법칙이 적용된 하드웨어의 지속적인 성능 발전 인공지능의 구현을 가능하게 했습니다. 

많은 사람들이 인공지능의 위상을 드높인 역사적인 사건으로 알파고와 이세돌의 대결을 꼽지만, 그 이전에도 인공지능과 인간의 대결은 여러 번 있었습니다. 딥 블루와 게리 가스파로프의 체스 플레이 대결, 제퍼디 퀴즈 쇼에서의 왓슨과 인간 챔피언과의 대결은 인간이 인공지능과의 대결에서 패한 사례로 많이 언급됩니다.

인공지능의 꽃이라고 불리우는 딥러닝은 제프리 힌튼에 의해 개발되었습니다.

딥러닝은 힌튼에 의해 처음 사용하였고, 인공신경망을 사용한 이미지 인식의 정확도가 눈에 띄게 높아지면서 사람들은 인공지능의 가능성을 높이 사기 시작하였습니다.

2015년에는 사람보다 뛰어난 이미지 인식 능력을 보여주었고, 기술적인 측면에서 활용도가 매우 높아져서 지금은 어디에서나 이미지 인식을 활용한 자동화 기계 또는 프로그램들을 볼 수 있습니다.

                                                                   이미지 인식의 오류율 변화           (출처: https://towardsdatascience.com )

놀라운 정확성과 효율성으로 인공지능은 4차 산업혁명을 이끌 독보적인 기술로 자리매김하였습니다. 

어떤 분야에서든지 인공지능을 활용하여 업무의 효율성 및 생산성을 높일 수 있으며 이로 인한 경제적인 파급효과는 어마어마합니다. 

인공지능을 성공적으로 구현할 수 있는 머신러닝, 딥러닝은 강력한 컴퓨팅파워와 함께 새로운 시대를 열어갈 태동기에 있습니다.

인공지능이 발전하여 사람을 이기고 많은 지식을 습득하여 저장 및 추론을 한다고 하였다. 그렇다면 인공지능이 똑똑하다고 할 수 있을까? 인공지능은 자신이 내린 결정에 스스로 책임질 수 있을까?

퀴즈

① 퍼셉트론은 인간의 신경인 뉴런의 원리를 본떠서 만들어냈다.

② ‘걷기’와 같은 단순한 행동은 인간에게는 쉽지만 로봇에게 구현하기는 어렵다.

③ 컴퓨터의 이미지 인식 오류율은 2015년 이미 인간을 넘어섰다.