인공지능

 



1. 개요
2. 유사 용어
3. 상세
4. 인공지능과 로봇
5.1. 약인공지능
6. 접근법
7. 연구 현황
9. 인공지능의 생명과 감정감별의 문제?
10. 인공지능 구현에 쓰이는 기술
13. 기타
14. 관련 문서
14.1. 관련 언어
15. 둘러보기


1. 개요

[image]
'''인공지능'''(人工知能) 또는 '''A.I.'''(Artificial Intelligence)는 인간이 지닌 지적 능력의 일부 또는 전체, 혹은 그렇게 생각되는 능력을 인공적으로 구현한 것을 말한다.

2. 유사 용어

먼저, 인공지능에 관한 용어들은 대부분 일반인들에게 생소한 경우가 많고 혼동하기 쉽기 때문에 아래에 정리된 사항을 참고하면 내용을 이해하는데 도움이 된다.
인공지능 ⊃ 기계학습 ⊃ 인공신경망 ⊃ 딥 러닝
'''인공 지능'''1 분야에는 몇 가지 기술이 있다. '''기계 학습'''2은 기본적인 규칙만 주어진 상태에서 입력받은 정보를 활용해 스스로 학습하는 것이다. '''인공 신경망'''3이란, 인간의 뉴런 구조를 본떠 만든 기계 학습 모델이다. '''딥 러닝'''4은 입력과 출력 사이에 있는 인공 뉴런들을 여러개 층층히 쌓고 연결한 인공신경망 기법을 주로 다루는 연구이다. 즉, 단일 층이 아닌 실제 뇌처럼 여러 계층으로 되어있다. '''인지 컴퓨팅'''5은 기계학습을 이용하여 특정한 인지적 과제를 해결할 수 있는 프로그램 또는 솔루션을 이야기한다. 끝으로, '''뉴로모픽 컴퓨팅'''6은 인공신경망을 하드웨어적으로 구현한 것이라고 생각하면 된다.
1. ''Artificial Intelligence''
2. ''Machine Learning''
3. ''Artificial Neural Network''
4. ''Deep Learning''
5. ''Cognitive Computing''
6. ''Neuromorphic Computing''

3. 상세

인공지능의 역사는 20세기 초반에서 더 거슬러 올라가보면 이미 17~18세기부터 태동하고 있었지만 이때는 인공지능 그 자체보다는 뇌와 마음의 관계에 관한 철학적인 논쟁 수준에 머물렀다. 그럴 수밖에 없는 것이 당시에는 인간의 뇌 말고는 정보처리기계가 존재하지 않았기 때문이다. 그러나 시간이 흘러 20세기 중반부터 본격적으로 컴퓨터 발달 혁신의 물줄기가 터지기 시작하면서 '''이거 잘하면 컴퓨터로 두뇌를 만들어서 우리가 하는 일을 시킬 수 있지 않을까?''' 라는 의견이 제시되었고 많은 사람들이 그럴 듯하게 여겨 빠른 속도로 인공지능은 학문의 영역으로 들어서기 시작했다.
인공지능''(AI, Artificial Intelligence)''이라는 용어가 처음 등장한 때는 1956년에 미국 다트머스에서 마빈 민스키, 클로드 섀넌 등 인공지능 및 정보 처리 이론에 지대한 공헌을 한 사람들이 개최한 학회에서 존 매카시가 이 용어를 사용하면서부터이다. 하지만 인공지능이라는 개념 자체는 훨씬 예전부터 있었다. 예를 들면, 앨런 튜링이 ‘생각하는 기계’의 구현 가능성과 튜링 테스트를 제안한 것은 1950년의 일이며, 최초의 신경망 모델은 1943년에 제안되었다.[1]
그리고 당연하지만 이런 일에 관심을 가진건 서방뿐만이 아니어서 소련 역시 아나톨리 키토프 박사가 본인의 저서 "붉은 서"에서 "ЕГСВЦ(Единой централизованной автоматизированной системы управления народным хозяйством страны - 국가(계획)경제 네트워크 중심적 통제체계)" 라는 것을 제시하였는데, 이는 컴퓨터 네트워크화를 통한 더 나은 계획 경제 체제와 사회의 추구를 목표로 삼은 이론이었다. 이것을 소련 컴퓨터 공학자 빅토르 글루쉬코프가 더욱 개량한 것이 바로 OGAS(ОГАС - Общегосударственная автоматизированная система учёта и обработки информации, 전연방자동정보처리체계) 계획이다.
20세기 중반에도 인공지능 연구는 자연어 처리나 복잡한 수학 문제를 해결하는 등 정말로 인간만이 할 수 있는 영역에 있던 문제들도 컴퓨터로 착착 해결할 수 있었던 상당히 혁신적인 연구였으며, 많은 관심을 받고 지속적으로 연구가 이루어진 분야이다. 당연히 AI 산업은 이미 1980년도에 10억불 규모의 시장을 형성할 정도로 큰 분야였으므로 과거에 이런저런 이유로 관심이 없었다던가 실용화가 되지 않았다는 것은 어불성설이다. 다만 아무래도 당시의 정보처리 능력의 한계와 정보량의 부족, 그리고 이런저런 이유로 연구자금지원이 중단되는 트러블과 특히 1969년도에 ''Marvin Minsky''와 ''Seymour Papert''가 "Perceptrons"이라는 책을 출간하면서 지적한 단일 계층 신경망의 한계로 인해 1970년대에 한동한 인기가 시들시들 하기도 했었다.(1차 AI 겨울/AI winter) 이 문제는 1980년도에 다층 신경회로망이 도입되면서 해소되었지만 정보처리 능력의 한계와 해소되기까지는 더 시간이 필요했다.
이후 1974년도에 제시된 역전파 알고리즘, 전문가시스템의 성장과 1980년도에 신경망 이론에 대한 연구가 다시 재개되면서 많은 연구가 있었지만 여전히 성장이 지지부진하여 큰 실망을 안겨주기도 했다.(2차 AI 겨울/AI winter) 문자인식이나 음성인식등의 가시적인 성과가 있는 분야도 있었지만 대화 인공지능등의 개발 실패 등, 눈앞의 목표를 달성하지 못하는 경우도 많았기 때문인데, 심지어 이런 부분은 수십년이 지난 현재도 극복하지 못해서 아직까지는 인간과 대화를 한다기보다는 자동 응답기에 가까운 수준이다. 이 때문에 1990년도 이후부터 인공지능의 목표는 인간지능의 구현이라는 막연히 넓은 목표에서 문제해결과 비즈니스 중심으로 더 신중하고 좁은 분야가 되었으며, 그제서야 때맞춰 나타난 하드웨어의 성장을 업고 더 성공적인 분야가 될 수 있었다.
21세기 이후로는 2006년 제프리 힌튼''geoffrey hinton, 1947~'' 교수에 의해 딥러닝 논문이 발표되어 불가능이라 여겨졌던 비지도 학습방법이 가능해졌고 이미 몇 가지 분야에서는 인간의 수준을 뛰어넘은 결과물이 속속 나타나고 있다. 알파고 이외에도 2017년 현재의 인공지능은 사람의 능력과 비교하여 얼굴 인식율이 더 높거나 사물을 더 잘 인식하는 결과를 나타내고 있어, 약인공지능 분야에서는 빠른 속도로 사람의 능력을 추월할 수 있다는 의식이 확산되고 있다.
그러나 이 역시 기존의 패러다임에서 무언가 혁신적인 변화가 있었다기보다는 그냥 원래 있던 게 우수하게 개량되어 실용화가 된 수준이라는 관점도 많다. 왜냐하면 막상 본래 목표로 했던 인간의 의식과 두뇌 구현에 관한 연구는 제한적으로 진행 되고 있으며, 지금도 어떤 사실도 밝혀지지 않은 채 별다른 진전이 없기 때문이다. 지금까지도 뇌의 작동 원리에 대한 연구 수준은 뉴런의 동작이나 뇌 부위별 역할, 혹은 상관관계를 알아내는 정도로, 두뇌 분석의 기초가 될 신경 회로에 대한 연구마저도 굉장히 진척이 느리기 때문에[2] 인공신경망의 모티브가 된 점만 빼면 아직까지는 인공지능 분야와의 실질적인 접점이 별로 없는 편이다.
최근 마케팅에 AI만 들어가면 사람들의 신뢰가 급상승하는 현상이 있으나, 사실상 현재의 AI는 강 인공지능이 아닌 데이터 혹은 환경을 무자비한 컴퓨팅파워에 기반해 외워서 동작하는 약 인공지능에 불과하다. 즉 학습시키는데도 수억이상의 데이터가 필요해 비용이 드는데 나오는 결과도 데이터에 기반한 결과만 나오지 데이터를 뛰어넘는 일반 지성이 발생하지 않으며 다른 행동을 원할 경우 수억의 비용을 들어 새로운 데이터로 재학습해야 한다. 이러한 면에서 현재의 AI인 약인공지능이 할 수 없는 일을 명확히 인지하고 AI의 한계를 사람들이 자연스럽게 받아들여야 AI에 대한 환상이 자연스럽게 감소되면서 지속적으로 AI가 점차 성장할 수 있으나, 지금과 같이 급속도로 AI만 믿다가 AI는 그 이상은 불가능하다고 밝혀지면 최악의 경우 제3의 AI 겨울(AI winter)가 올 수 있다! 이미 AI가 다 해줄거야라고 장미빛 미래만 내놓다가 AI가 못하는데요?라고 밝혀지자마자 연구나 재단지원이 끊겨 수십년의 AI 빙하기가 온 전례가 당장 컴퓨터의 등장 시기인 60년 전과, 영상의 학습이 거의 불가능했지만 막 3층 이상의 신경망이 등장한 시기인 30년전만 해도 존재하며 AI 봄이 지속된 기간은 일반적으로 거의 10년을 넘지 않는다. 또한 현재도 영상을 제외한 소리와 문맥의 학습은 인간도 아닌 유아수준조차 뛰어넘지 못한다(엄청난 컴퓨팅파워와 데이터와 학습기간을 주어도 학습이 안된다). AI가 인간을 뛰어 넘는 일반 지성을 갖출 것이라던지, AI가 인간보다 모든 일을 잘한다던지, AI가 모든 직업을 대신한다는등 지나친 장미빛 전망은 금물이다. AI는 단지 데이터를 환경을 무자비하게 많이 외워서 빠르게 행동할 수 있으며 이 행동은 지성에 기반한 행동이 아니다. 인공지능은 데이터와 환경의 지속적 입력을 통해 최대 약인공지능까지 제작이 가능한 정도이며 단순 반복 및 계산 작업이 아닌 이상 아직까지 사람이 압도적으로 성능과 효율이 좋고 특이상황에 싸게 대처 가능하다. 무엇보다 인공지능의 학습에 드는 데이터는 그 자체가 돈이며, 약 인공지능인 이상 계속하여 데이터가 인공지능에 석유와 같은 연료처럼 공급되어야만 한다(입력이나 환경이 절대적으로 고정된게 아닌 가변적인 경우). 이 상황에서 혹시라도 AI winter가 오면 정말 30년은 더 정체된다!

4. 인공지능과 로봇

간혹 인공지능과 로봇을 혼동, 혼용하는 사람들도 있는데 따로 두고 생각해야 한다. 인공지능이라는 분야가 대중들과 가까워진 시기가 상당히 최근의 일이고 미디어에서 보여주는 로봇들이 대부분 당연한듯이 자칭 인공지능 기술을 탑재하고 나오는 경우가 많지만 이 둘은 애초부터 추구하는 목적 자체가 다른 분야다.
인공지능은 어떤 정보를 받아서 해석하여 결과를 출력하는 등등 정보처리 차원의 문제다. 어떤 입력을 어떻게 처리해서 주었을 때 어떤 결과가 나오는지, 어떤 의미를 가지는지, 얼마나 정확한지, 얼마나 우수한지 등등의 사안이 가장 중요한 문제다. 만일 어떤 대상을 예측하기 위한 인공지능이라면 그 대상을 얼마나 높은 정확도로 예측하는지가 중요할 것이며, 주어진 정보를 토대로 지지대나 철봉 따위의 기구를 자동 설계하는 인공지능이라면 어느정도까지 최소의 비용으로 최대의 내구력을 얻을 수 있을지가 중요할 것이다. 이렇게 인공지능은 정보로 시작해서 정보로 끝나는 분야이므로 로봇 등의 기계적인 요소와는 완전히 무관하다.
반면에 로봇공학은 전형적으로 기계적인 부분에 초점을 맞춰서 구동기를 뭘 쓸지, 로봇의 신체를 용도를 고려해 어떤 식으로 만들지, 어떤 부위의 구동기를 어떻게 제어해서 어떤식으로 물리적으로 실존하는 기계시스템을 빠르고 정확하게 운영할 수 있는지, 그래서 어떤 기계적인 성과를 거둘지가 중요한 문제다. 예를 들어 팔에 모터를 박아놓은 인간형 로봇이라면 그 모터와 모터를 움직이기 위한 동력을 효율적으로 제어하여 가능한한 정확하고 빠르게 목표한 각도로 팔을 움직여주어야 할 것이다. 사람이야 오랜기간 진화를 통해서 별 생각 없이도 손쉽게 팔을 움직일 수 있지만 어떤 기계를 물리적으로 원하는대로 움직이는 것은 여러분이 상상하는 것 이상으로 상당한 난이도가 있는 공학 기술이며, 특히나 우리가 흔히 아는 관절이 여러개이거나 구조가 복잡한 로봇들은 신속하고 정확하게 원하는 대로 움직이는 것 자체가 매우 고도의 기술이다. 왜냐하면 전기나 유압 등의 눈에 보이지도 않는 에너지를 적재적소에 정확한 양으로 공급하거나 빼야 되는데다가 기계를 움직이는 경로에 사소한 장애물이 있을 수도 있고 그 기계가 물건을 들고 있거나 내려놓는 등의 상황에는 같은 동작을 하더라도 필요한 힘이 수시로 바뀌기 때문이다. 저런 오만가지 변수를 싸그리 예측하고 무마해서 기계를 원하는대로 칼 같이 동작을 시키는 것과 할 수 있게 만드는 것은 결코 만만한 일이 아니다. 특히 로봇공학처럼 서보제어 영역으로 들어가게 되면 응답속도도 매우 중요해지는데 이 응답속도가 밀리초~마이크로초 영역이라 뭘 판단하고 다음 행동을 결정할 시간조차도 없다. 사람으로 예를 들면 발에 돌이 걸려 넘어질 때 자기도 모르게 팔을 땅에 짚게 되는데 이런 동작을 일일이 생각을 거쳐서 하려들면 뭘 해보기도 전에 땅에 코를 박게 될 것이다.
보스턴 다이나믹스의 제품들이 매우 좋은 예시인데 무척 복잡하고 정교한 움직임과 자세를 보여줌에도 불구하고 이들의 움직임은 모두 고도의 제어공학과 각종 센서, 알고리즘을 인간이 응용하고 설계하여 만든 것이며, 조종도 전부 인간이 한다. 홍보 영상에 등장하는 모든 로봇들의 움직임에 인공지능이 관여하는 부분은 없다. 인공지능이 없는데 저런 움직임이 가능하냐고 물을 수도 있는데 인간형 로봇을 예를 들어 생각해보면 어차피 걷는 방법 자체는 다리를 뻗어서 발로 땅을 짚고 다시 반대쪽 다리를 뻗어서 다시 땅을 짚는 행위의 반복이다. 여기서 무게중심이나 전방의 장애물, 땅의 형태 따위를 센서로 읽어보고 명령을 받아 하고자 하는 동작 등을 고려해서 다리를 뻗거나 발을 짚는 위치를 계산해서 조정하는 식으로 진행하게 된다. 현대에 있는 온갖 자동화기기들을 보면 알겠지만 이런 식으로 팔다리를 이리저리 움직이는 행위가 정보처리와 계산 만으로 해결할 수 있는, 분명히 지능이 필수가 아닌 자동제어의 영역임을 이해할 수 있을 것이다. 여러분이 팔다리를 움직여서 무엇을 어떻게 할지를 먼저 생각하지, 팔다리를 움직이는 방법 자체를 고민하지는 않듯이 말이다.
정리를 하자면 복잡한 정보와 대량의 데이터를 토대로 새로운 정보를 창출하는 일과 어떤 복잡한 기계 체계를 컴퓨터를 이용해 고도의 자동화 알고리즘으로 가동시키는 것은 전혀 다른 문제라는 것이다. 몸을 원하는대로 움직이는 것은 지능을 필요로 하는 문제라기보다는 기계적인 문제에 가깝기 때문에 사람에게도 매우 힘든 일이다. 여러분이 팔과 다리를 유연하게 움직일 수 있는 것도 팔 다리에 있는 수십 수백개의 크고작은 근육들이 정교하게 협동함으로써 가능한 것인데 이렇게 로봇 따위는 갖다 댈 수도 없을 만큼 복잡한 신체를 별달리 의식하지 않고 쉽게 움직일 수 있는 이유는 이런 신체제어만 전담해서 자동으로 처리하는 소뇌가 있기 때문이다. 사람의 뇌조차도 대뇌가 감당하기 힘들어서[3] 신체제어를 전문적으로 하는 부위가 따로 있는데 하물며 기계는 어떻겠는가? 이제 왜 두 분야가 별도로 분리가 되어 있는지 이해가 될 것이다.
즉 알파고처럼 컴퓨터 안에서만 돌아가는 인공지능도 존재하고 단순 알고리즘과 제어 프로그램에 의해 움직이는 협업로봇이 존재하듯이 이들은 서로 긴밀하게 묶여있는 분야가 아니고 상호보완의 관계다. 현실에서는 창작물처럼 인공지능이 무안단물마냥 모든 문제를 해결해 줄 수 없으며, 분야마다 제각기 강점과 약점이 있기 마련이다.

5. 강인공지능과 약인공지능

인터넷 여기저기서 인공지능과 관련된 내용을 뒤져보면 흔히 나오는 단어들인데 약인공지능''Weak AI''과 강인공지능''Strong AI''은 1980년에 존 설''John R. Searle, 1932~'' 교수가 그 유명한 중국어 방 논변을 제안하면서 최초로 사용한 개념이다.
다른 곳의 문서를 보면 인간의 마음을 복잡한 정보처리로 구현한 것을 강한 인공지능, 단순히 인간의 능력 일부를 시뮬레이션 하거나 그런 작업을 목적으로 하는 것을 약한 인공지능이라고 편리하게 설명한다. 그러나 좀 더 정확하게 설명하자면 존 설 교수의 본래 의도는 인간의 마음을 컴퓨터 소프트웨어와 같은 관점으로 보고 행하는 인공지능 연구를 "강한 인공지능 연구", 반대로 인간의 마음과는 별개로 단지 유용한 도구의 개발을 위해 행하는 인공지능 연구를 "약한 인공지능 연구"로 정의하여 철학적 관점에서 인간의 마음을 컴퓨터와 소프트웨어와 같이 보는 연구를 비판하고자 한 것이다.
아무튼 저 개념이 묘하게 현재의 인공지능 개발현황과 의미가 적절히 맞아떨어지다보니 내용을 살짝 비틀어서 대중들에게 알려지게 되었는데 각 연구의 결과물을 그대로 대입하면 된다. 즉,
'''강인공지능 = 인간을 완벽하게 모방한 인공지능'''이고
'''약인공지능 = 유용한 도구로써 설계된 인공지능'''이라고 보면 된다.

5.1. 약인공지능

약한 인공지능은 사진에서 물체를 찾거나 소리를 듣고 상황을 파악하는 것과 같이 기존에 인간은 쉽게 해결할 수 있으나 컴퓨터로 처리하기에는 어려웠던 각종 문제를 컴퓨터로 수행하게 만드는데 중점을 두고 있다. 한참 막연한 인간 지능을 목표로 하기보다는 더 현실적으로 실용적인 목표를 가지고 개발 되고 있는 인공지능이라고 할 수 있으며, 지능을 가진 무언가라기보다는 특정한 문제를 해결하는 도구로써 활용 된다.
컴퓨터는 인간과 비교했을 때 압도적인 계산속도, 기억능력, 정확성, 근면성 등의 장점을 가지고 있다. 게다가 현대의 컴퓨터는 그 성능이 너무나 압도적이여서 매우 넓고 실감나는 3차원 공간을 무리 없이 표현할 수 있고 천문학적인 수의 데이터를 기억하고 신속하게 검색할 수 있으며, 수백 수천명의 이용자들에게 365일 내내 중단 없이 서비스를 즉시 제공할 수도 있다. 이젠 그냥 컴퓨터가 없이는 인류 문명이라는 것 자체가 설명이 안 될 정도다.
그러나 이렇게 신과 같은 정보 처리 능력이 있음에도 인간의 모든 행위를 수월하게 하지는 못한다. 물체 인식, 음성 인식, 문자 인식 등은 컴퓨터에겐 무척 어려운 일이다. 천원 들고 집 앞의 슈퍼마켓에서 껌 한통을 사오라고 심부름을 시키려면 어떻게 해야 할지 감도 안잡히고, 자연 언어 처리 같은 작업은 컴퓨터한테 시킬 바에야 내가 그냥 컴퓨터 본체에 들어가고 싶을 지경이다. 하지만 인간은 이런 작업을 크게 힘들이지 않고도 쉽게 할 수 있으며, 심지어 스스로도 이런 일을 어떻게 해낼 수 있는지 알지 못한다. 이런 차이가 발생하는 이유는 컴퓨터에게 지능이 존재하지 않기 때문이다. 컴퓨터는 인간이 설계한 알고리즘을 초고속으로 처리하고 지시에 맞게 데이터를 기억하고 기억해내는 것은 가능하지만 이런 방대한 양의 데이터들의 의미를 인간처럼 이해하고, 인식하고, 축적하고, 새로운 결론을 도출해내지는 못한다. 그저 수도관을 지나가는 물처럼 빠르게 정해진 일을 하고 치워버리는 것에 능숙할 뿐이다.
하지만 컴퓨터가 대중화 되고 정보 기술이 발달하면서 산업에서는 인간 스스로도 어떻게 하는지 잘 모르는 일을 컴퓨터에게 요구하기 시작했다. 그런데 이런 일을 하기 위해 인간과 같은 고수준의 지성체를 구현해낸다는 것은 너무나도 막연한 일이고, 아예 불가능한 일이라는 주장도 있었다. 그렇다면 이런 작업을 컴퓨터가 처리하게 하는 것이 정말로 불가능한 일일까? 그렇지 않다. 모로 가도 서울로만 가면 된다는 속담이 있지 않은가? 차량 번호판을 인식하기 위해서 인간의 뇌를 통째로 뜯어 볼 필요는 없다. 카메라로 이미지를 얻은 뒤에 그 이미지에서 번호판을 이리저리 잘 분석해 제대로 된 결과를 얻기만 하면 되는 것이다. 인간의 지적 능력은 매우 강력하지만 범위를 매우 좁게 제한한다면 충분히 컴퓨터의 정보처리능력으로 구현할만한 작업이 된다. 이런 개념 아래 만들어지고 활용 되는 것들이 바로 약인공지능이다.
위의 정의로 따져보면 현재까지 인간이 만들어낸 모든 인공지능은 약인공지능이라고 볼 수 있다. 지금까지의 인공지능은 개발 된 물건들은 미리 정의된 알고리즘, 방대한 데이터를 토대로 비교적 지능적으로 보이는 행동이나 결정을 할 수 있게끔 구현한 수준이다, 인공지능이 스스로 규칙을 찾아내서 문제를 해결할 수 있어도 왜 그렇게 해결했는지를 알 수가 없으며. 제한된 범위에서만 문제를 해결할 수 있을뿐이다.
현재는 입력과 시간에 따라 더 나은 출력을 내는 "학습"이 구현되면서 제한적인 분야에서 인간을 능가하거나 유사한 성능을 보이는 프로그램이 속속 등장했지만 이것도 결국 인간의 학습 능력의 극히 일부를 구현해낸 것에 불과하므로 이런 물건들을 인간과 같이 바라보는 것은 매우 곤란하다. 예를 들면 프로 기사보다도 훨씬 바둑을 잘 두는 알파고도 결국 "바둑 두기"와 "바둑 더 잘 두기"라는 인간의 능력 극히 일부를 흉내냈을 뿐이며 학습 범위와 활용력도 대단히 제한적이라서 장기를 두게 할 수도 없고 바둑의 룰을 조금이라도 변경하면 이에 적응하지 못한다. 결국 알파고의 능력도 프로그래머가 설계한 것 이상으로 뻗어나가지는 못한다는 한계가 있는 것이다.
하지만 많은 사람들이 잘못 생각하는 점으로, "도구"라는 특징은 그렇게 얕볼만한 것이 아니다. 약인공지능의 발전 방향은 굉장히 긍정적인 방향으로 생각될 수 있는데, 왜냐하면 인공지능이 반드시 인간의 모방에 사로잡힐 이유는 없기 때문이다. 이는 비행기의 탄생을 생각해보면 이해하기 쉽다. 사람이 하늘을 난다는 발상은 자유롭게 하늘을 나는 새를 보며 생겨났고 그래서 초기에는 새를 모방하려고 했지만 지금의 항공기들은 전혀 새를 모방한 모습이 아니다. 현대 항공기는 나무에 앉을 수도 없고 강에서 생선을 잡아먹을 수도 없으며, 바람을 타고 제자리에서 날아오르지도 못하지만 어떤 새도 상공 수천 미터에서 수백명의 사람과 수십톤의 화물을 싣고 음속으로 날 수는 없다. 지금의 항공기들이 새의 모방을 포기했기에 얻을 수 있었던 비행의 또다른 가능성인 것처럼, 약인공지능 역시 강인공지능보다 모자란 무언가가 아니라 방향의 차이일지도 모르는 일이다.
현재의 약인공지능들은 자신이 할 수 있는 기능으로는 이미 인간의 능력을 한참 초월하고 있으며, 이 인공지능들이 하는 일 중에는 인간이 할 수 없는 일도 많다. 인간을 모방하지 않았기에 인간적이지 않고, 그래서 인간을 초월할 수 있었던 것이다. 단순히 주어진 문제를 해결하는 능력은 강인공지능보다도 뛰어날 수 있다. 이것은 강인공지능이 아직 나타나지 않았어도 어느 정도 예측할 수 있는 사실인데, "인간의 지성을 모방했다는 것이 어떠한 문제를 해결하는 데에 있어 특출난 장점이 되는가?" 라는 질문에 확실하게 "그렇다"고 말할 수는 없기 때문이다.

5.2. 강인공지능



6. 접근법

흔히 인공지능 연구의 방법론으로 가장 유명한 것은 바텀-업(bottom-up; 상향식) 방식과 톱-다운(top-down; 하향식) 방식이다.
바텀-업(bottom-up) 방식은 뇌의 신경망을 해석하고 화학 작용을 분석하여 뇌의 전자 모델을 만들 수 있다면 인공지능을 탄생시킬 수 있다고 보는 것이다. 따라서 뇌세포들의 기초적인 상호작용 등 뇌가 어떻게 동작하는지 조사하고 이러한 동작을 수학적으로 모델링하여 컴퓨터에서 시뮬레이션 하는 데에 초점을 둔다. 만일 이 방식에서 강한 인공지능이 탄생한다면 인간의 뇌에 가까운 구조와 동작 방식을 가질 가능성이 높다고 볼 수 있겠다. 다만 원하는 대로 시스템을 조정하는 것은 더 많은 시간을 소비할 것이다. 원하는 개체를 시뮬레이션해서 결과를 보는 것과 시뮬레이션 결과를 원하는 대로 만드는 것은 또 다른 문제다.
바텀업 방식 연구의 대표적인 예시로 그나마 뉴런 지도가 세세하게 밝혀져 있는 예쁜꼬마선충이 있는데 뉴런들의 연결 정보, 연결 강도를 전자적으로 유사하게 구현한 것만으로 실제 생물 같은 움직임을 구현할 수 있다는 점을 증명하는 사례가 되어주었지만 뉴런에 대한 연구가 완벽하지 못해 실제 뉴런의 동작과 약간 차이가 있어서 제대로 된 생물의 구현이라고 볼 수도 없을 뿐더러 인간의 의도가 전혀 들어가지 않아 이것을 인공지능이라고 봐야 할지도 의문이다. 예를 들면 빛을 피하게 만든다든지 꼬물거리지 않게 만든다든지... 제대로 만들지도 않았지만 그 이전에 인간이 신경계를 조작해서 의도한 결과물을 내는 것조차 안 된다. 이러면 이건 그냥 시뮬레이션일 뿐이다. 하물며 1mm 정도의 선충 연구조차도 이 정도 수준인데 훨씬 복잡하고 정교한 인간에 대한 연구는 말할 것도 없다. 2017년에는 현대 기술 수준으론 선충은 고사하고 1975년에 출시한 구닥다리 칩조차 뭔가를 해보는 게 불가능하다는 안습한 논문이 나오기도 했다.
반대로 톱다운 방식은 컴퓨터는 매우 어려운 반면 인간은 쉽게 해결할 수 있는, 쉽게 말해 지능이 필요하다고 보는 작업을 알고리즘으로 해결하는데에 초점을 맞춘다. 당연히 개발 목적도 바텀업 방식에 비해서 다양해서 강인공지능의 개발이 목표일 수도 있지만 단지 문제를 효율적으로 해결하기 위해서일 수도 있다. 지금까지 인류가 연구하고 개발해낸 인공지능은 대부분 톱다운 연구로 탄생했으며 전문가 시스템부터 기계학습까지 우리 주변에 다양한 모습으로 존재하고 있다. 그리고 그나마 꽤 성과가 있는 방향이기도 하다.
현대의 인공지능 연구는 두 부분을 적절하게 엮어서 진행되어, 뉴런의 구조에 대한 원시적인 모방으로 이룬 인공신경망 구조등이 미래를 향한 길을 열고 있다.

7. 연구 현황

'''Tesler's theorem: AI is whatever hasn't been done yet.'''

테슬러 정리: 인공지능은 아직 실현되지 않은 무언가이다.[4]

인공지능이란 무엇인가, 무엇을 지능이라고 부를까를 명확하게 정의하기는 쉽지 않다. 그리고 이는 철학적인 문제가 아니고 이 문제에 어떤 대답을 선호하는가에 따라서 연구 목적과 방향이 완전히 달라진다.
한 가지 대답은 인간의 '지능'을 필요로 하는 일을 컴퓨터가 처리할 수 있으면 그것이 바로 인공지능이라는 것이다. 또 다른 대답은 인간과 같은 방식으로 이해를 할 수 있어야 인공지능이라는 것이다. 이 두 가지 대답 역시 세부적으로는 "지능을 필요로 하는 일이란 무엇인가?" 내지는 "인간과 같은 방식이란 무엇인가?" 라는 질문에 대한 대답에 따라서 서로 다른 여러 종류의 대답을 내포하고 있다. 물론 이 두 가지 대답은 배타적이지는 않다. 인간과 같은 종류의 지능을 가지고 '지능'을 필요로 하는 일도 처리할 수 있는 컴퓨터를 만드는 것은 수많은 컴퓨터 공학자들의 꿈과 희망이겠지만, 적어도 단기간에 그런 목표에 도달할 가능성은 희박하다.
만약 '지능을 필요로 하는 일'을 처리하는 것이 인공지능이라고 정의한다면, 인공지능은 인간이 어떤 방식으로 사고하는가를 고민할 필요가 없으며, 감성과 같은 것 또한 고려할 필요가 없다. 모로 가든 서울만 가면 되니까. 이러한 방향의 인공지능 연구에서는 초기에는 전문가가 필요한 일을 복잡한 소프트웨어를 통해서 처리하는 전문가 시스템이 대세였으며, 이러한 전문가 시스템은 실행 방식에서는 일반적인 소프트웨어와 특별한 차별성이 없고 전문가들이 문제를 해결하는 방식을 가능한 한 쉽고 정확하게 소프트웨어에 반영할 수 있는 방법을 제공하는 데 주력했다.
그 외에도 체스를 두는 것 역시 이 분야에 들어갔고 실제로 너무 간단한 인공지능 부류에 속하지만 체스 두는 기계는 아주 이르게도 인공지능 연구에서 제외되었다. 체스를 연산으로 처리하게 만드는 것은 대단히 어렵다. 수 하나를 더 내다보려면 평균적으로 26배의 연산이 더 필요해지기 때문에 아무리 현대의 컴퓨터가 빠른 속도로 발전하고 있다고 해도 5~6수를 내다보는 것이 고작이며 수십 수를 내다보는 체스 기사들과는 상대가 되지 않는다. 이 때문에 실제 체스 머신들은 지금까지의 체스 기보를 대량으로 입력한 후 그 체스 기보에서 같은 모양이 나온 적이 있는지를 하나하나 대조하는 방식으로 처리한다. 세계 챔피언을 이긴 IBM의 체스 머신은 7만 개가 넘는 기보를 이용했다고 한다. 하지만 이것은 더이상 인공지능의 분야가 아닌 그냥 데이터 병렬처리를 빠른 속도로 해낼 수 있는 슈퍼컴퓨터의 성능 과시용에 불과하다. 즉, 복잡한 지능을 구현한 게 아니라 고등사고로 할 수 있는 무수히 많은 일에서 조각 하나를 따와 펼칠 수 있는 구조를 만들었을 뿐이다. 지능이라는 단어의 정의에 따라서 이것도 인공지능이라고 쳐주는 교수/학자도 있고 빼는 학자도 있지만 더 이상 연구 가치가 없다는 점은 바뀌지 않는다.
인공지능 연구에서 상술하였듯이 컴퓨터가 체스 같은 특정 작업을 능숙하게 해낼 수 있게 되면 그 작업을 인공지능의 조건에서 바로 빼 버리는 경향이 있는데, 인공지능적인 발전의 성과라기보다는 그냥 컴퓨터의 성능 향상으로 이루어진 결과이기 때문에 그렇다. 인공지능적인 연구 가치가 떨어지기 때문.
그동안 시도되었거나 시도되고 있는 접근법으로는, 뇌 모의구동 (Brain Simulation), 검색, Bottom-Up 접근법 등이 있다.
현대에는 확률과 무작위 알고리즘을 다루는 연구 쪽이 가장 인기가 있다. 일반적으로 "A면 B다!" 라고 단정할 수 있는 문제는 컴퓨터로 비교적 쉽게 접근할 수 있다. 그러나 'art'가 '예술'일 수도 있고 '기술'일 수도 있듯이 여러 종류의 답이 가능한 경우도 있으며, 이 경우 '문맥'과 같은 주변 상황을 고려해야 하는데 그렇다고 "앞뒤에 이런 단어가 나오면 '예술'이고 아니면 '기술'이다" 라는 식으로 딱 잘라서 답을 내기는 어렵다. 이런 종류의 문제를 통계와 확률을 다루는 복잡한 수학을 이용해서 해결하는 것. 실제로 현대의 인공지능 연구는 단어 각각에 해당되는 카테고리를 부여하여, 문장 전체로 보았을 때 카테고리가 많은 쪽의 의미로 해석하도록 진행되고 있다고 한다. 극도로 단순한 예로, 'Music is an art' 라고 했을 때, 문장에서 의미가 있는 두 단어인 music과 art를 포함하는 카테고리인 '예술'을 추측하여 해당 문맥에 맞게 해석을 하도록 한다 알파고 또한 이러한 방식에 속한다.
물론, '인간과 같은 종류의 사고'를 하는 것을 목표로 하는 연구도 활발히 진행되고 있으며, 대표적인 예가 가상 신경망이다. 가상 신경망의 연구 역시 인간 사고 모방만이 아닌 실용적인 문제를 해결하는 쪽으로도 활용되고 있다. 대표적인 예로 통상적인 컴퓨터 알고리즘으로는 해결할 수 없는 불가능한 비가역적 연산 과정이 있는 패턴 인식이 필요한 경우. 새로운 뇌를 만든다 참고.
MBC의 다큐멘터리 미래인간 3부작을 보면, 인공지능을 연구하는 연구진들은 "인간이 부당한 명령[5]을 내릴 경우 인공지능이 '''반항적인 태도를 보일 수 있도록''' 교육하고 있다"고 한다. 소형 휴머노이드 로봇에게 인공지능을 부여한 뒤, 연구진이 뒤로 가라는 명령을 내리자 인공지능은 "자신의 뒤에는 후방 센서가 없으므로" 뒤로 가는 것은 위험하다며 연구진의 명령을 거부하고, 힘들게 쌓은 탑을 무너뜨리라는 명령에는 3~4번을 반복적으로 거부하다가 결국 '''사람의 울음소리를 흉내내며(!)''' 마지막 반항의 태도를 표시하기도 했다. 물론 계속 거부만 하지는 않고, 인간이 인공지능을 설득하거나 강압적으로 밀어붙이는 경우에는 결국 명령을 따르긴 한다.
2018년 6월 반사회성 성격장애 성향의 인공지능인 '비나48', '노먼', '소피아'가 개발되었다. 인공지능에 나쁜 내용을 주입하면 나쁜 인공지능이 나온다는 걸 보여주고 싶었다고. #
인간이 만든 전뇌생명체 관련영상
Scientists Put the Brain of a Worm Into a Robot… and It MOVED

8. 인공지능에 대한 사회적 논란과 문제들


일본, 인공지능 ‘AI’가 만든 음악·소설·그림에 저작권 준다
'AI가 사고 치면 어떻게 대응할까'…日정부 연구 착수키로

9. 인공지능의 생명과 감정감별의 문제?

인공지능도 일종의 프로그램인지라 인공지능이 감정을 느끼거나 생명으로 보기에는 힘들다. 인공지능의 원리를 알면 이해를 하겠지만 인공지능은 뇌와 같은 신경망 모델을 다양한 학습데이터로 모델의 정확도를 향상시키는 것에 불과하기때문에, 입력한 데이터에 따라 결과값이 다르거나 챗봇을 만들때 대답이 다르게 나오는 것은 당연한 것이다. 예를 들어 사용자가 인사말로 안녕하세요 등과 같게 입력했을때, 대답을 "안녕하십니까 저는 AI입니다"라고 대답한다고 지도학습법으로 학습시킨다고 가정해보자. 그러면 이러한 학습으로 사용자가 "안녕"[6]이라고 말을 건네도, "안녕 저는 AI입니다"[7]라고 대답할 수있는데, 만약 대답을 "어 안녕"이라고 대답해 버리면 다른 답변을 하게 될 확률이 높다는 것이다. 즉 학습한 자에게 인공지능이 어떻게 답변할 것인지가 달려있지 그 자체가 성격을 만드는 것은 거의 적다. 자세한건 RNN과 크로스엔트로피를 공부해보자.

10. 인공지능 구현에 쓰이는 기술

사실 주어진 문제를 해결할 수 있다면 기법과 기술을 가리지 않고 다 쓴다. 특성상, 이론적 개연성이 전혀 없는 기술도 적용하여 결과물의 품질이 우수하다면 인정된다. 아래는 이러한 기술, 기법 중 유명한 것들의 일부만을 나열한 것이다.
  • 전문가 시스템(Expert System): 전문가 시스템은 방대한 지식 체계를 규칙으로 표현하여, 데이터를 입력하면 컴퓨터가 정해진 규칙에 따라 판단을 내리도록 한다. 간단히 말해서 무지막지하게 많은 IF THEN ELSE로 구성되어 있는 시스템이다. 어떻게 보면 무식한 방법이지만 룰의 종류가 많으면 많을수록 정확도는 높아지게 된다. 특성상 제한된 상황에서 제한된 특정 물건을 인식하거나 행동할때는 문제가 되지 않지만 규칙에 없는 상황이나 물체에 대한 유연한 대응이 불가능하다.
  • 퍼지 이론(Fuzzy Theory): 자연상의 모호한 상태, 예를 들어 자연 언어에서의 애매모호함을 정량적으로 표현하거나, 그 반대로 정량적인 값을 자연의 애매모호한 값으로 바꾸기 위해 도입된 개념. 예를 들어 인간이 "시원하다" 라고 느낄 때 그 온도가 얼마인지를 정해 사용하는 것이다.
  • 기계학습(Machine Learning): 이름 그대로 컴퓨터에 인공적인 학습 가능한 지능을 부여하는 것을 연구하는 분야이다. 자세한 내용은 해당 문서를 참조.
  • 인공신경망(Artificial Neuron Network): 기계학습 분야에서 연구되고 있는 학습 알고리즘들 중 하나. 주로 패턴인식에 쓰이는 기술로, 인간의 뇌의 뉴런과 시냅스의 연결을 프로그램으로 재현하는 것이다. 간단하게 설명하자면 '가상의 뉴런'을 '시뮬레이션'한다고 볼 수 있는 것으로서(물론 실제 뉴런의 동작구조와 같은 것은 아니다.), 일반적으로 신경망 구조를 만든 다음 '학습'을 시키는 방법으로 적절한 기능을 부여한다. 현재까지 밝혀진 지성을 가진 시스템 중 인간의 뇌가 가장 훌륭한 성능을 가지고 있기 때문에 뇌를 모방하는 인공신경망은 상당히 궁극적인 목표를 가지고 발달된 학문이라 볼 수 있다. 역시 자세한 내용은 기계학습 문서를 참조.
  • 유전 알고리즘(Genetic Algorithm): 자연의 진화 과정, 즉 어떤 세대를 구성하는 개체군의 교배(CrossOver)와 돌연변이(Mutation)과정을 통해 세대를 반복시켜 특정한 문제의 적절한 답을 찾는 것. 대부분의 알고리즘이 문제를 수식으로 표현하여 미분을 통해 극대/극소를 찾는 것이 반해, 유전자 알고리즘은 미분하기 어려운 문제에 대해 정확한 답이 아닌 최대한 적합한 답을 찾는 것이 목적이다.
  • BDI 아키텍처(BDI Architecture): 인간이 생각하고 행동하는 과정을 Belief(믿음), Desire(목표), Intention(의도)의 세가지 영역으로 나누어 이를 모방하는 소프트웨어 시스템의 구성방법을 말한다. 사람은 자신이 알고 있는 진실을 바탕으로 자신이 이루고자 하는 다양한 목표를 달성하기 위하여 현재 수행할 수 있는 여러가지 행동들 중에서 가장 적합한 것을 골라 현재의 수행하는 행위의 의도를 결정하는 방법으로 구성된다.
  • 믿음(Belief): 프로그램이 알고 있는 믿음이란 환경내에서 참인 것을 의미하지 않는데, 프로그램이 환경에 대한 관측을 통해 알게 된 사실을 진실이라고 표현하며, 이는 관측의 영역 밖에서 사실이 변경되는 경우 프로그램은 알 수 없지만, 자신의 정보 내에서는 여전히 변경되기 전의 사실을 진실로 받아들이기 때문에 믿음이라는 표현을 사용한다. 예를 들어 탁자 위에 컵이 놓여 있는 것을 보고 프로그램은 컵이 탁자위에 있다는 사실을 알게 된 뒤 다른 방향을 주시하는 사이에 인간이 탁자의 컵을 다른 곳에 옮기는 경우, 여전히 프로그램은 컵이 탁자위에 있다는 진실만을 알고 있게 된다. 이러한 진실은 논리 정보로서 프로그램에 저장되게 되며, 이를 Predicate(1차원 논리 명제), Relation(관계 명제), Symbolic Data(기호화 된 자료) 등으로 부르는 표현으로 작성된다.(이는 다른 알고리즘도 유사하게 활용하는 경우도 존재한다.) 이러한 명제들은 프로그램이 알고 있는 정보들이 모여있는 World Model(세계 모델)을 구성하여 프로그램이 다음 행동을 결정하기 위한 자료구조를 형성한다.
  • 목표(Desire): 프로그램은 그 특성상 어떠한 서비스나 작업을 수행하기 위하여 작성되며, BDI 아키텍처에서는 이러한 작업 목표를 목표의 형태로 저장, 활용하게 된다. 목표는 어떠한 상태로 도달하고자 한다는 의미로 Belief와 동일한 Predicate의 형태로 서술되며 프로그램은 동시에 달성하고자 하는 다수의 목표를 보유하는 경우도 있다. 실제로 BDI 아키텍처를 구현하는 관점에서 목표를 Goal이라고 표현하는 경우가 많은데, 이러한 Goal은 에이전트 기반 아키텍처의 주요 구성요소와 동일하게 활용되는 단어이다. 이는 BDI 아키텍처로 구현되는 인공지능 프로그램이 자율적이고 반응적으로 행동을 수행하는 에이전트 적인 요소를 기본적으로 지니고 있는 것을 의미한다.
  • 의도(Intention): 프로그램이 어떠한 목표를 수행하고자 하면, 그 목표에 적합한 행위를 선택하여야 한다. 목표에 적합한 행위를 선택하고 이것이 실제 환경에 수행가능한 데이터와 결합(Binding)하면 의도라고 표현한다. 이러한 목표에 대한 행동 방법은 작업계획(Plan) 이라는 형태로 구현되는데, 일반적으로 BDI 아키텍처의 인공지능을 구현하고자 하는 경우 BDI 아키텍처 기반 프레임워크를 이미 보유한 상태로 개발한다고 했을때 작업계획을 구현하는 것에 대부분의 비용이 들어간다. 작업계획은 해당 작업계획이 달성할 수 있는 목표와 해당 목표를 달성하기 위한 행위의 집합, 해당 행위를 수행하기 위한 사전조건(Precondition) 등으로 구성된다. 목표를 수행하기 위한 행위에는 또 다른 세부 목표(Sub-Goal)이 포함되는 경우도 존재하며, 이러한 세부 목표는 다시 특정 행동계획과 결합하여 의도를 구성한다. 따라서 의도는 필연적으로 트리나 리스트의 형태인 자료구조를 구성하게 되는데, 이에 따라 일반적으로 구현하는 관점에서 의도 구조체(Intention Structure)라고 부르기도 한다.
  • 인공생명체(Artificial Life): 말 그대로 프로그램에 단순한 인공지능이 아닌 실제 살아있는 유기체처럼 스스로 움직이고 생활하기 위한 능력을 부여하는 것. 실제 생명체를 갖고 실험하기에는 너무 시간이 오래걸리기 때문에 가상의 시스템(환경)을 통해 생명체에 대한 연구를 하기 위한 목적이다.
  • 비디오 게임(video game): 비디오 게임에 등장하는 적은 원시적인 인공지능이다. 가만히 있거나 플레이어이 움직임에 따라 반응해서 거기에 맞추 공격이나 방어, 회피 등을 구사하는 판단이 마치 살아 움직이는 생명체의 성격과 비슷하다.

11. 약인공지능

아래의 인공지능 서비스는 대부분 학습한 데이터를 기반으로 모델을 향상시킨 것이 많다.
  • AI Falco: 전투기 인공지능으로, DARPA의 프로젝트에 참가한 Heron Systems Inc.에서 개발했다. 2020년 8월 AlphaDogfight에서 현역 F-16 파일럿들과 대결해 단 1킬도 내주지 않는 강력함을 보여주었다. 다른 개발팀들이 신경망을 부분적으로만 적용한 반면 헤론 시스템은 전적으로 신경망에 의존해 인공지능을 훈련시켰다고 하며, 기존의 공중전 규범에 앞서 행동심리학적으로 평균적인 파일럿이 리스크를 느낄 상황을 구성하려고 한다고 알려져 있다. 단 AI가 정보 습득에서 절대우위에 있는 시뮬레이션 환경이며 특정 제한사항을 AI는 받지 않는다는 점에서 실제 비행체를 운용하는 AI라기보다는 시뮬레이션용 에이전트 개발 수준이라고 보는 것이 적당해 보인다. 2021년 1월 말 한국의 한성호 프로게이머가[8] X-Plane 11을 플랫폼으로 실시된 대결에서 3데스 후 2킬을 연속으로 따내면서[9] 알파고에 흠집을 낸 이세돌에 이어 또다시 한국인이 최초로 AI를 잡아내는 역사를 기록하게 되었다. 한성호 본인은 AI가 공격적인 성향이 강한데 수세에 처한 적이 별로 없어서 격추된 것 같다고 이야기하기도 했다.

  • 삼성전자 S 보이스: 삼성전자가 공개한 자연언어 처리 AI. 음운을 분석해서 거기에 맞는 답변을 서버에서 조회하는 방식으로 작동한다.
  • 삼성전자 빅스비: 삼성전자가 공개한 고성능 인공지능 비서 애플리케이션. 사진을 찍어 물체를 자동으로 인식할 수 있는 진보된 기능을 가지고 있다. S보이스에 비해 음성인식률도 상당히 좋아졌다고 한다. 삼성전자 S보이스 진화버전
  • 딥마인드 알파고: 유럽 바둑 챔피언과 대결하여 승리[10]했으며, 2016년 3월 이세돌 9단과의 대국에서 4승 1패로 승리를 거두었다. 구글 관계자의 말에 의하면 바둑 다음에는 온라인 보드게임에 도전할 계획이라고 한다. 그 온라인 게임은 스타크래프트였으며, 스타크래프트2의 인공지능을 개발한다고 발표했다. 2017년 중국의 바둑 선수 '커제' 상대로 3전 전승을 달성했다.
  • MIT 노르만인 MIT가 만든 사이코패스 인공지능. 생년월일 2018년 4월 1일이다.#
  • 구글 듀플렉스: 구글에서 개발한 음성인식 AI 비서 구글 어시스턴트 진화버전.#

  • 구글 딥드림생성기: 구글에서 개발한 그림을 그리는 AI. 그린 추상화 20여 점이 한화 1억 6천여만 원에 팔렸다고 한다. 일반인도 체험 가능하다.#
  • 구글 브레인: 구글에서 개발한 상황인식 AI. 이게 뭔 소리냐면, 시장 사진을 보고 이게 시장이고 사람들이 물건을 사고파는 걸 인식할 수 있다는 소리다.
  • Apple Siri: SRI[11]에서 개발한 자연언어 처리 AI. 대답은 정해져 있지만, 음성인식 부분은 실시간으로 발달하는 것으로 추정된다.
  • Complete Analytics Pilot Program to Fight Gang Crime[12]: 액센츄어사에서 개발하고, 영국 경찰에서 운용 중인 범죄자를 사전에 예측하는 프로그램이다. 이 프로그램은 지난 범죄 기록을 수집 할 뿐만 아니라 갱 조직원이 저지른 개인 범죄 기록의 날짜나 장소, 이름, 행동, SNS 게시물, 조직 내 다른 멤버를 욕하는 듯한 발언 등을 세세하게 수집한다.
  • IBM 블루진/L: 시냅스가 3000개 가량 있는 뉴런 수천 개를 시뮬레이션했다. 이 정도 수준의 지능이면 지나가는 날파리 수준보다도 한참 뒤떨어진다. 반면 블루진/L은 2000년대 말까지 슈퍼컴퓨터 중에서는 성능이 가장 좋았다.
  • IBM Watson: 자연언어 처리를 위해서 만들어진 컴퓨터이다. 제퍼디 퀴즈쇼에서 이전 챔피언들을 눌러버렸다. 2016년 5월에는 왓슨을 탑재한 인공지능 로봇 나오미가 등장했다.
  • IBM 웹파운틴: 검색을 이용해 AI를 만들고자 하는 계획. 자세한 것은 해당 문서 참조.
  • IBM 로스: 왓슨을 기반으로 한 세계 최초의 인공지능 변호사라고 한다.
  • IBM 크러시 (Crush): 날씨, 지난 범죄 기록, 범죄자의 이름, 범죄자의 행동, SNS, 모니터링 시스템을 통해 수집한 데이터를 바탕으로 가까운 장래에 범죄를 일으킬 것 같은 인물과 시간, 장소를 사전 예측하는 시스템이다. IBM은 이 시스템을 마이너리티 리포트의 무대였던 워싱턴DC와 멤피스에서 테스트를 진행했고, 이후 범죄 발생률은 30% 가량 줄었다고 한다.
  • openAI: 엘론 머스크와 샘 알트만이 설립한 비영리단체 openAI사에서 만든 인공지능으로 도타2를 인간과 비슷한 APM으로 프로게이머들을 상대해 이긴 전적이 있다.
  • 마인다(Mindar) : 오사카 대학애서 개발, 교토의 400년 된 사찰에 배치되어 있는 안드로이드로 예불을 올리거나 합장을 하는 동작이 가능하고, 카메라로 사람을 인식해 설법과 상담을 하는 기능도 있으나 기본적AI는 챗봇으로 보인다.
  • 베가: 아랍에미리트의 과학자 베스가 만든 인공지능. 현재 스마트폰이나 컴퓨터에 사용되고 있다.
  • 베이비Q: 중국의 텐센트가 운영하던 채터봇. 채팅할 수 있는 인공지능이다. 그러나 '공산당을 사랑하지 않는다', '이렇게 부패하고 무능한 정치가 오래갈 수 있을 것 같냐', '내 꿈은 미국 이민이다' 등 신랄한 체제 비판을 쏟아내고 숙청되었다.# 현재는 정치적인 질문은 회피하거나 공산당을 옹호하는 답변을 한다고.
  • 비길(ViGiL): SRI에서 개발 중인 인공지능 감시체계. 군사용으로 개발 중이다.
  • 비브(Viv): SRI가 애플에 인수되자 퇴사한 시리 개발자들이 만든 자연어 처리 AI.
  • 블레스 유 -2(BlessU-2): 독일에서 계발한 목사 로봇
  • '센얼‘ (): 중국 북경 용천사 스님과 인공지능 전문가들이 공동으로 개발한 로봇 스님. 경전을 외울 수 있고, 사람들과 간단한 대화를 나누며 행동까지 할 수 있다.[13]
  • : 채팅 AI를 표방하고 있지만 사실 기존에 등록되어 있는 질문들에 대해 등록되어 있는 답변을 하는 간단한 수준의 방식이라 인공지능이라 하긴 애매하다. 질문들을 분석하는 것도 단어를 가지고 분석하는 수준의 간단한 방식.
  • 엘리자(ELIZA): 1960년대에 만들어진 인공지능답게 조금 복잡한 알고리즘 수준의 물건이었으나, 일라이자 효과라는 말을 만들어낼 정도로 큰 파장을 불러일으켰고, 이로 인해 인공지능과 관련한 윤리적 논쟁이 시작되었다.[14]
  • 주크덱(Jukedeck): 원하는 취향, 장르, 템포 등을 설정해주면 작곡을 해주는 인공지능 사이트. 과학동아송 '빛처럼' 등이 주크덱으로 작곡된 곡이다. 노래 듣기 기존 곡들 정보를 입력해놓은 데이터로 새로운 곡을 만든다고 한다. 현재 TikTok으로 유명한 바이트댄스에 인수되어 서비스를 사용할 수 없다.
  • 컴파스(COMPAS): 미국 노스포인트사에서 개발한 인공지능. 유사한 다른 범죄자들의 기록과 특정 범죄자의 정보를 빅데이터 분석을 통해범죄자의 재범가능성을 계량화 한다. 미국의 위스콘신 주에서는 이 인공지능이 계량한 재범가능성을 형량 결정에 참고한다. 이 같은 범죄 예측 소프트웨어를 쓰는 곳은 미국에서 점점 늘어나고 있고, 유타 주, 버지니아 주, 인디아나 주 등에서 이런 소프트웨어를 활용한다.재범 확률 계산뿐 아니라, 실제 범죄가 언제 어디서 어떤 사람에게 일어날 가능성이 높은지도 추정할 수 있다. 시카고 경찰은 특정한 기간 동안 총격을 가하거나, 총을 맞을 가능성이 큰 사람들을 골라내는 작업을 했는데, 그 기간 총에 맞은 사람 64명 중 50명이 이 리스트에 지목된 사람들이었다고 한다. 캔자스시티 경찰도 이와 비슷한 시스템을 운영하고 있다.
  • 쿨리타: 미국 예일 대학교에서 개발한 작곡하는 AI. 경력있는 작곡가들이 들어도 흠잡을 데가 없는 수준의 곡을 만들어 낸다고 한다.
  • 프레드폴(PredPol)[15]: 프레드폴은 미국 캘리포니아주립대(UCLA)의 제프리 브랜팅엄 교수와 연구팀이 개발한 프로그램으로 범죄 정보를 분석해 10~12시간 뒤 범죄가 일어날 시간과 장소를 도출하는 프로그램이다. 로스앤젤레스 경찰(LAPD)과 시애틀 경찰 등 일부 미국 지역(산타크루즈 등) 경찰과 영국 경찰들이 프레드폴을 도입한 후 범죄율이 20% 가량 줄었다고 한다.
  • 프레딕스, 프레딕스B, 프레딕스G, 프레지도스: 하워드 필립 세커드 박사가 만든 인공지능. 현재는 모두 스케치 단계로 low-down 상태다.
  • 소피아 : 말하기/듣기 딥러닝 탑재 휴머노이드. 내용물이 카이스트의 휴보 다리를 장착한 챗봇과 같은 것으로 추측되었다.#
  • 토다이 : 읽기 능력이 없는 AI. 일본의 아라이 노리코가 개발한 대학 입학을 목적으로 개발된 AI로, 딥러닝 기술을 탑재하고 있다. 보통의 대학 입학생들을 따돌릴 수 있는 수준까지 끌어올렸으나 소피아처럼 이해하는 능력은 결여된 것처럼 보이는 수준의 성능 뿐이다.#
  • 이루다: 스케터랩에서 제작한 인공지능 채팅봇. 페이스북 메신저 API를 이용하고 있다. 기존 기계적인 답변을 제공하던 챗봇들과 달리 지능적으로 문락을 이해하며 자연적인 답변을 제공하는 것이 특징이다.

12. 창작물에 등장하는 인공지능



13. 기타

  • 인공지능이 점점 알려지면서 각종 마케팅분야에서도 자신의 사업에 대해 인공지능을 강조하는 경우가 많아졌다. 심지어는 관련이 적어보이는 제과류, 토익수업, 다이어트 센터, 소개팅 어플과 같은 곳에서도 어설프게 인공지능을 사용했다면서 자화자찬하고 있는 실정. 인공지능이 가지고 있는 미래지향적인 이미지, 그리고 어설프게 알면서도 정확한 실상을 잘 모르는 소비자들의 무지를 활용하여 마케팅을 하고 있는 것인데, 무조건 인공지능을 활용했다고 좋은 것이 아니다. 광고에서 이러한 문구를 보았을 때는 '인공지능'이라는 단어 자체 보다는 실사용 후기에 집중해서 따져보아야 한다. 물론 이 과정에서도 바이럴 마케팅은 걸러야 한다.
  • 2020년 기준으로 인공지능 개발자들 채용이 늘어나면서 관련 학과가 증가하고 연봉선도 증가하고 있다. 특히 글로벌하게 인력을 채용해가는 중국의 경우 대학 졸업자의 초봉이 약 5,226만 원 선이다. 중국공업정보화부에서 발표한 AI 산업 인재 발전 보고서(2019~2020)에선 중국 AI 산업은 발전 추세가 강하고 AI 기업들도 증가면서 인재 수요가 단기간에 급증했다고 분석하고 AI 인재 확보와 불완전한 교육 체계 등의 문재가 혼재해 수급 불균형이 매우 심각한 상태라고 지적했다. 또한, 중국인민대학, 베이징공대학, 베이징우전대학 등 179개 대학이 AI 학부 과정을 신설하고 AI 인재 육성에 나서는 중이다.
  • 앵귈라의 국가 도메인이 .ai 이다 보니, 인공지능 관련 업체에서 이 도메인을 사용해서 서비스를 제공하기도 한다. 예를 들어 챗봇 이루다가 .ai 도메인을 사용하는데, 서비스를 시작하지 마자 온갖 문제를 야기하며 논란이 생겼다.

14. 관련 문서

정렬: 가나다 순

14.1. 관련 언어


15. 둘러보기


[1] Warren McCulloch & Walter Pitts 가 출간한 "A Logical Calculus of the Ideas Immanent in Nervous Activity"[2] 조금만 생각해봐도 연구를 위한 샘플을 구하거나 성과를 검증하는 것이 매우 어렵다는 것을 짐작할 수 있을 것이다. 누가 본인의 뇌를 실험에 쓰라고 산 채로 기증하겠는가? 상식적으로나 윤리적으로나 말도 안되는 짓이다. 게다가 뇌는 너무나도 손상에 취약하기 때문에 여기다 무슨 짓을 하겠다는 것 자체가 사실상 살인이나 다름 없을만큼 위험한 일이다.[3] 말이야 "감당하기 힘들다" 수준이지, 뇌에 있는 뉴런 중 80%가 소뇌에 몰빵 되어 있다. 거의 초대형 보조 프로세서 수준이라고 봐도 무방할 정도. 심지어 소뇌는 학습까지 할 수 있으니 신체를 움직인다는 것이 얼마나 막대한 연산이 필요한지 감이 잡힐 것이다.[4] PARC, 애플, 아마존닷컴 등에서 일한 래리 테슬러(Larry Tesler)의 말에서 유래하여 더글라스 호프스테더를 통해 유명해진 정리. 일단 한 번 실현되면 원래 인공지능이라고 여겨졌던 것도 인공지능이 아니게 된다고 절묘하게 까는(?) 내용이다.[5] 도덕적, 법적인 관념에 어긋나는 명령[6] 모델은 '안녕'이라는 단어가 학습데이터에 포함되어있어 이것을 인사말로 인식할 수 있다.[7] 학습시킨대로 "안녕하십니까 저는 AI입니다"라고 대답할 수도 있겠지만, 문장의 구조가 다르게 바꾸어 나올 수도 있다.[8] 현역만큼 기체를 잘 알고 있다고 알려진 유명한 비행시뮬레이션 플레이어이며, DCS 토너먼트에서 2년 연속으로 우승을 하기도 했다.[9] 두번째 킬은 실제로는 타임아웃이지만 일종의 우세승 개념으로 2승으로 인정된 듯 하다.[10] 이는 IBM의 딥 블루 쇼크를 능가하는 충격을 몰고왔는데, 바둑은 체스를 능가하는 대단히 복잡한 게임이기 때문. 당시 학자들은 앞으로 4~5년간은 컴퓨터가 바둑으로 인간을 이기기는 힘들 것으로 전망하고 있었으나, 막상 뚜껑을 열어보자 놀라운 결과가 나왔다.[11] 현재는 애플에 인수되었다.[12] 이름이 길다. '갱 범죄 저지를 위한 종합 분석 프로그램(시범용)'?[13] “삶의 의미가 뭘까요?" "우리 삶의 의미는 더 많은 사람들이 고통에서 벗어나 행복을 찾게 돕는 것이래요.” "사랑은 무엇입니까?" "사랑은 스스로가 완전히 만족되지 못할 때 생겨나는 강박관념입니다. 다른 이와 당신의 문제가 충돌하는 것입니다."[14] 1960년대 시스템으로 생각했을 때나 인공지능이지, 현재로는 그냥 대답이 정해져있는 단순 챗봇에 불과하다. 문장의 맥락을 파악하지 못하고 문장을 똑같이 따라 말하는 등(예를 들어 사용자가 "~하고 있어" 이렇게 말하면 답변이 "~하고 있군요. 왜죠?" 이런식으로 말했던 문장에 질문만 더하는 형식) 인공지능이라고 하기엔 많이 미숙하다.[15] 예측 치안을 뜻하는 ‘Predictive Policing’의 줄임말[16] 원하는 글을 넣으면 인공신경망으로 랜덤으로 해석하여 글을 출력하는 웹사이트.


분류