인류와 공존하는 미래 - 인공지능

인류와 공존하는 미래: 인공지능



최예지 지음

이다북스 / 2021년 8월 / 192쪽 / 13,500원





1장 앨런 튜링과 생각하는 기계



우리는 언제부터 생각하는 기계를 만들고 싶었을까? 생각하는 기계를 이야기 할 때 빼놓을 수 없는 천재 수학자가 있다. 바로 영화 <이미테이션 게임>의 실제 주인공으로 유명한 앨런 튜링이다. 그는 1948년에 펴낸 『지능을 가진 기계』와 1950년에 펴낸 『계산기와 지능』 등을 통해 지능을 가진 기계에 관한 그의 생각을 전달했다. 그가 만들고 싶었던 ‘생각하는 기계’는 어떤 것이었을까? 일화에 따르면 그는 어렸을 때 그와 함께 어려운 수학 문제를 풀곤 했던 단짝 친구 크리스토퍼 모컴을 그리워해, 크리스토퍼의 생각을 담아 둘 수 있는 기계를 만들고 싶었다고 한다. 크리스토퍼는 소결핵균으로 어린 나이에 요절했다고 알려져 있다.

생각하는 기계에 관한 생각은 앨런 튜링의 시대보다 더 앞선 아주 오래전부터 시작되었다. 카탈루냐의 철학자 라몬 룰은 1305년에 쓴 『위대한 예술』에서 모든 지식은 논리의 조합으로 생각할 수 있으며, 이를 기계로 표현할 수 있다고 주장했다. 일부 컴퓨터과학자들은 라몬 룰의 논리 시스템이 현대 컴퓨터 논리의 뿌리가 되었기 때문에, 그를 컴퓨터의 아버지라 칭하기도 한다. 그로부터 약 4세기가 지난 후, 라몬 룰의 영향을 받은 17세기 철학자 고트프리트 라이프니츠는 컴퓨터 논리연산의 기본이 되는 이진법 수 체계를 고안했다. 라이프니츠도 라몬 룰처럼 인간의 생각을 보편적인 기호의 조합으로 표현할 수 있다면 이 기호체계를 기계화할 수 있다고 믿었다.

생각하는 기계에 관한 고민은 논리를 계산할 수 있는 장치인 컴퓨터의 발명으로 이어졌다. 컴퓨터의 아버지라고도 불리는 찰스 배비지는 1837년에 처음으로 현대적 의미의 컴퓨터를 발표했다. 그가 설계한 기계식 컴퓨터는 주어진 명령을 해석하면서 계산을 실행하는 기계였다. 이 기계에는 입출력 장치가 있고, 기억과 연산 및 제어 등을 수행할 수 있는, 프로그래밍 가능한 컴퓨터였다. 배비지의 컴퓨터는 설계에 그치고 말았지만, 후대에 와서 그의 설계를 실제로 구현해 완성된 기계를 제작함으로써 그의 생각이 틀리지 않았음을 보여주었다. 인간의 생각을 모방하는 기계를 만들려 한 시도는 논리를 계산하는 기계를 만드는 방향으로 이어졌고, 계속해서 컴퓨터의 발전을 이끌었다. 그렇다면 계산하는 기계는 어떻게 생각하는 기계가 되었을까?



2장 생각하는 기계의 뇌, 인공지능



생각하는 기계는 정말 생각할까

‘인공지능’이라는 용어는 1956년 미국 다트머스대학교에서 열린 학술 프로젝트 제안서의 제목으로 처음 등장했다. 당시 다트머스대학교의 존 매카시 교수는 학습이나 지능의 원리가 정확하게 설명될 수 있다면 이를 기계화할 수 있다고 생각했으며, 이를 위해 학술 프로젝트를 개최해 튜링의 ‘생각하는 기계’를 구체화하려 했다. 사실 우리가 어떤 일의 원리와 절차를 이해하고 일의 과정을 순서대로 정리할 수만 있다면 그 순서에 따라 일을 수행하는 기계를 만들 수 있다는 것이다.

인공적인 뇌, 즉 생각하는 기계의 가능성을 다양하게 논의하기 시작한 1940년대에 전자 컴퓨터가 발명되었으며 뇌의 신경세포를 구성하는 뉴런이 발견되었다. 인공지능은 우리의 뇌를 모방하려는 시도이자 이를 컴퓨터로 구현하려는 것이기에, 컴퓨터의 발명과 뉴런의 발견은 인공지능의 역사에 매우 중요한 사건이다.

지금까지 밝혀진 바에 따르면, 우리의 신경계는 자극을 입력 받고 뇌는 그것을 해석한다. 뇌에서 반응이 결정되면 신경계를 통해 몸 곳곳에서 어떻게 반응할지 전달된다. 뇌에는 천억 개 정도의 뉴런이 있고, 하나의 뉴런은 수천 개의 시냅스로 다른 뉴런들과 연결되어 있다. 따라서 인간의 신경계는 수백조 개의 연결망으로 이루어져 있다. 이 엄청난 연결망의 작동원리를 이해하기 위해 1943년 신경생리학자인 워렌 맥컬록과 수학자 윌터 피츠는 뇌가 신경계로부터 정보를 인지하고 반응하는 방식을 인공신경망이라는 기계적 구조로 설명했다. 그들이 제안한 인공신경망은 다음과 같은 특징을 가진다.

1. 인공 뉴런은 활성화되거나 활성화되지 않는 두 가지 상태에 있다.

2. 각 뉴런은 인접한 여러 뉴런으로부터 신호를 받는다.

3. 뉴런과 뉴런 사이 시냅의 연결 강도에 따라 다음 뉴런이 활성화될지 아닐지가 결정된다.



이 특징에 따르면 우리가 받은 자극의 양이 어떤 역치, 즉 최소 에너지 이상이면 뉴런이 활성화되어 반응하고, 그보다 작으면 자극에 반응하지 않는 상태가 된다. 맥컬록과 피츠는 이 원리를 이용해 인공신경망을 논리적 연산이 가능한 이진원소, 0(비활성화)과 1(활성화)을 이용하는 기본단위로 구조화했다. 이 구조를 그물망 형태로 연결하면 뉴런이 전기와 화학 신호를 이용해 다른 뉴런들과 상호작용하는 것과 같은 간단한 기능을 기계적으로 모방할 수 있음을 증명했다. 후에 맥컬록과 피츠의 인공신경망이 인간의 두뇌활동을 정확하게 묘사한 것은 아니라는 사실이 밝혀졌으나, 그럼에도 불구하고 이들의 연구는 인공지능의 역사에 매우 중요한 발자취였다.

인간의 뇌는 맥컬록과 피츠의 모델처럼 인지되는 정보를 이용해 논리적으로 판단하기도 하지만, 그 정보를 기억해 미래의 어떤 시점에서 논리적으로 판단할 때 사용하기도 한다. 과거의 기억은 새로운 정보와 만나 통합되며, 이런 과정을 거쳐 우리의 생각은 확장된다. 이처럼 우리 신경계를 기계화하려면 논리연산과 함께 ‘기억’을 이해해야 한다. 이 기억이 우리가 어떤 판단을 할 때 과거보다 더 나은 판단을 하도록 돕는다면 우리는 과거의 경험으로부터 ‘학습’되었다고 할 수 있다. 우리는 학습함으로써 더 똑똑해질 수 있고 바르게 판단할 수 있다.

1994년 심리학과 행동과학 분야의 주류 과학자들이 《월스트리트저널》에 지능을 “추론하고, 계획하며, 문제를 해결하고, 추상적 사고를 하며, 복잡한 개념을 이해할 수 있을 뿐 아니라, 빠른 시간 안에 경험으로부터 학습할 수 있는 매우 일반적인 정신 능력이다”라고 정의했다. 따라서 논리를 계산하는 기계가 지능을 가지려면 논리를 확장하고 점점 더 똑똑해지기 위한 ‘학습’하는 능력이 요구된다.

신경망 학습은 심리학자인 도널드 헵이 1949년에 발표한 『행동의 조직』에서 처음으로 상세하게 설명했다. 헵은 신경망으로 연결된 양쪽의 뉴런이 반복적으로 동시에 어떤 자극에 반응한다면 그 둘의 연결 강도가 강해진다는 것을 밝혀냈다. 여기서 반복적으로 주어지는 어떤 자극으로 인해 변화가 일어난다는 것은 신경망이 학습되고 있으며 과거의 경험으로 인해 변화가 생겼다는 것을 알 수 있다.

헵의 학습 규칙은 1957년 프랑크 로젠블라트에 의해 퍼셉트론(perceptron) 구조로 구체화되었다. 퍼셉트론 구조는 학습이 어떻게 수학적으로 계산될 수 있는지 처음으로 밝혔기 때문에 최초의 신경망 모델로 여겨진다. 퍼셉트론은 우리의 신경세포인 뉴런을 모방한 인공신경망에 학습 기능을 추가한 것으로, 다수의 입력을 받아 하나의 출력을 내보내는 구조로 되어 있다.

우리의 신경세포인 뉴런이 신호를 처리하는 단계를 보면, 신호를 인지하고 취합해 출력을 내보내는 단계를 갖는다. 각 단계를 좀 더 상세하게 살펴보면, 신호 인지 단계에서 다수의 입력신호를 받고, 신호의 중요도에 따라 가중치를 고려해서 각 입력신호를 처리하고, 이들을 하나의 정보로 통합해, 통합된 정보의 크기에 따라 입력된 신호를 다음 뉴런으로 전달할지 말지 결정한다. 이를 모방한 인공신경망 모델인 퍼셉트론도 같은 과정을 거친다.

퍼셉트론은 ‘입력층’, ‘은닉층’, ‘출력층’의 구조로 되어 있는데, 입력층에서는 다수의 입력을 받고, 은닉층에서는 이 입력된 정보를 처리하기 위해 각 입력의 중요도를 수치화한 가중치를 곱하고, 가중치가 곱해진 각 입력을 하나로 더하는 작업을 한다. 이 합이 어떤 기준값보다 큰지 작은지에 따라 출력층에서는 출력을 활성화할지 말지 결정한다. 이렇게 세 개의 층으로 구성된 퍼셉트론은 인공지능의 핵심이라고 할 수 있는, 학습하는 인공신경망인 딥러닝의 기본적인 구조가 되었다.

기계도 사람처럼 추상화한다

미술에서 추상화는 어떤 대상의 구체적인 세부 정보를 무시하고 대상을 점, 선, 면, 색으로 단순화해서 표현하는 방법을 말한다. 추상화라는 개념은 컴퓨터과학에서도 사용된다. 컴퓨터로 어떤 기능을 구현할 때, 우리는 복잡한 시스템에서 일어나는 일을 다 표현할 수 없으므로 단순화해서 핵심만 간추려 그것을 구현해야 한다. 다시 말해, 추상화는 복잡한 과정을 컴퓨터로 처리할 수 있도록 단순해질 때까지 단계를 나누는 과정이라고 할 수 있다. 복잡한 문제를 컴퓨터를 이용해 해결하려면 이 과정이 중요하기 때문에 추상화는 컴퓨터과학에서 필수적이다.

우리의 뇌에서도 정보를 처리하고 저장하기 위해 정보를 단순화하거나 핵심적인 부분만 택하는 과정을 거친다. 사과를 떠올려보자. 대부분은 빨갛고 동그란 이미지에 꼭지가 달린 모양을 연상할 것이다. 사과 껍질 색의 세세한 차이나 사과의 단면에 씨앗이 몇 개나 들어 있을지 떠올리는 사람은 드물다. 그렇다면 어제 있었던 일은 어떨까? 우리가 어제 경험한 정보 중 일부가 선택되어 기억에 남아 있다. 우리는 핵심적인 정보만 기억하는 것이 기억을 관리하는 데 효율적임을 경험으로 알고 있다. 일반적으로 모든 것을 기억하기란 불가능하기 때문에 우리는 경험으로 어떤 정보를 기억하고 어떤 정보를 버릴지 선택하는 법을 배운다. 그런데 이 선택 기준은 주관적이어서, 같은 사건을 경험했더라도 사람에 따라 기억하는 부분이 서로 다를 때가 있다. 하지만 기억을 추상화한다는 것은 경험을 기억화하고 어떤 사물의 특징을 일반화하는 데 중요한 역할을 한다. 따라서 우리의 신경계를 모방한 인공지능에도 입력된 정보의 추상화 능력은 학습에서 매우 중요한 과정이다.

최근 들어 학습을 기반으로 한 인공지능이 주목받기 시작한 것은 이 추상화 능력 때문이라고 할 수 있다. 우리가 사과 모양의 특징을 하나하나 규칙을 기반으로 아는 것이 아니라 경험함으로써 추상적인 형태로 기억하는 것처럼, 인공지능은 학습함으로써 스스로 주어진 데이터 속에서 중요한 특징과 패턴을 찾을 수 있었다. 즉 학습으로 추상화를 할 수 있게 된 것이다.

이런 추상화 능력은 특히 이미지 인식 분야에서 빛을 발했다. 인공지능의 이미지 인식 정확도를 겨루기 위해 2010년부터 2017년까지 국제영상인식대회(ILSVRC. 이미지넷)가 열렸다. 8년간 이어진 대회에는 구글, 마이크로소프트를 비롯해 세계 유수의 IT 기업과 각 대학교 및 연구소의 연구진들이 참가했다. 대회는 모든 팀에 같은 데이터를 적용해 제출된 인공지능 모델들의 이미지 인식 테스트를 진행하고, 정확도에 따라 순위를 발표했다. 이 대회를 통해 컴퓨터 비전 분야에서 혁신적인 인공지능 알고리즘이 많이 소개되었으며, 컴퓨터 비전 분야가 발전하는 데 중요한 역할을 했다.

이미지 인식은 인간의 시각 지능을 대표하는 능력으로, 인간의 이미지 인식 정확도는 약 94.9퍼센트로 알려져 있다. 사람이 사진 100장을 보고 그 사진 속의 물체가 어떤 것인지 판단할 때 약 5장 정도는 잘못된 판단을 한다는 것이다. 그런데 2015년 마이크로소프트의 인공지능 알고리즘의 이미지 인식 정확도가 96.4퍼센트를 달성하면서 인간의 능력을 뛰어넘었고, 다음해에는 정확도가 더 높아져 97퍼센트까지 성능이 올랐으며, 2017년에는 97.7퍼센트로 그보다 더 발전했다. 이것은 사람의 인식 오류율의 절반도 되지 않는 수치로, 더 이상의 성능 향상은 의미가 없다고 판단한 대회 측은 2017년을 마지막으로 이 대회를 종료했다.

최근에는 컴퓨터의 이미지 인식 수준이 사진에 있는 물체가 무엇인지 알아맞히는 것을 뛰어넘어, 사진 속의 사람 표정을 읽어 감정을 추측하거나 사진 속의 상황을 이해하고 그 상황을 글로 표현하는 능력까지 갖추었다. 마이크로소프트는 이런 인공지능을 기반으로 한 이미지 인식 기술을 이용해 2017년 ‘씨잉 AI’라는 시각장애인용 인공지능 애플리케이션(앱)을 개발했다. 이 앱은 시각장애인의 눈을 대신해 책이나 글자를 읽어주는 기능과 함께 그들의 눈앞에서 일어나는 상황을 설명해주거나 함께 이야기하는 사람의 표정 등의 정보를 제공해, 시각 정보를 얻는 데 한계가 있는 이들에게 그 한계를 극복할 수 있도록 도와주고 있다.

이처럼 이미지 인식 분야에서 뛰어난 능력을 보이는 인공지능은 카메라로 사물을 인지하고 판단하는 모든 영역에서 활용할 수 있다. 최근에는 인공위성이 촬영한 영상을 이용해서 멸종위기종인 고래와 코끼리의 서식지가 어디에 있고 개체 수는 얼마나 되는지 살펴보는 연구도 진행되어 생태계를 보전하는 중요한 자료로 활용하고 있다. 이 밖에도 영상을 이용해 판단하는 국방이나 보안 감시 분야도 인공지능이 활용되고 있다. 사진과 영상 데이터가 넘쳐나는 지금, 사람이 데이터를 모두 확인하고 분석할 수 없으므로 인공지능의 활용도는 더욱 높아질 것으로 기대된다.

생각하는 기계와 로봇의 세계

지금까지의 인공지능은 사람의 의도대로 준비된 데이터로 학습한다. 이런 인공지능이라면 똑똑해지는 데 한계가 있다. 인간은 태어나면서부터 자연스럽게 능동적으로 주변과 교류하며 세상을 배운다. 따라서 인공지능이 인간처럼 능동적인 학습을 할 수 있으려면 자유롭게 움직일 수 있는 몸과 주변의 자극을 실시간으로 인지할 수 있는 센서가 필요하다. 세상을 탐험할 다리뿐만 아니라 스스로 정보를 얻을 수 있는 눈, 코, 입, 귀와 피부감각이 있어야 한다.

실시간 학습이 가능해진다면, 인공지능은 우리처럼 세상을 경험하고 스스로 학습할 수 있을 것이다. 이것이 가능해지려면 사람을 닮은 로봇에 인공지능이 장착되어 있는 형태를 생각하는 것이 자연스럽다. 하지만 로봇이 우리 몸의 기능을 구현하기에는 많은 한계가 있다. 우리 몸에 관한 연구는 아직도 많은 부분이 미지의 영역이다. 설령 몸의 기능을 모두 이해했다고 하더라도 사람의 피부나 관절, 조직이나 장기 들을 기계로 구현하는 것은 우리가 또 넘어야 할 산이다. 이런 이유로 요즘은 로봇이 반드시 사람을 닮아야 한다고 생각하지 않는다. 로봇 청소기가 그 대표적인 예라 할 수 있다. 로봇이 꼭 사람처럼 생가지 않아도 된다면 로봇은 더 쉽게 제작할 수 있고, 인공지능까지 탑재된 로봇이라면 그 활용도는 매우 넓어질 것이다.

하지만 로봇이 실시간으로 주변을 탐색하고 학습되고, 사람처럼 시간이 지나면서 점점 똑똑해진다면 어느 순간 그 로봇은 우리의 통제 밖에 있을 것이다. 로봇 청소기가 우리의 통제 밖에 있더라도 우리에게 크게 위협이 되지 않을 수 있다. 하지만 다른 인공지능은 어떨까? 인공지능으로 로봇 무기를 만들었는데, 스스로 학습도 할 수 있다면 그 위험성은 매우 커질 것이다. 그렇게 되지 않기 위해 인공지능 로봇 개발자들을 포함해 구글의 알파고 개발자인 데미스 하사비스와 테슬라의 최고경영자 일론 머스크 등 유명 인사들이 인공지능 로봇의 무기화에 반대하는 서명을 했다. 그럼에도 불구하고 일부에서는 인공지능 무기 개발을 정당화하려 한다. 따라서 이를 제재하기 위한 국제적 규범을 만들어야 할 때가 왔다. 어쩌면 공상과학소설가 아이작 아시모프의 단편소설 『런어라운드』에 나오는 ‘로봇의 3원칙’이 유럽연합 결의안을 넘어 실제적인 법적 효력을 갖는 날이 올지도 모르겠다.

※ ‘로봇의 3원칙’

첫째, 로봇은 인간에게 해를 가하거나, 혹은 행동을 하지 않음으로써 인간에게 해를 끼치지 않는다. 둘째, 로봇은 첫 번째 원칙에 위배되지 않는 한 인간이 내리는 명령에 복종해야 한다.

셋째, 로봇은 첫 번째와 두 번째 원칙을 위배하지 않는 선에서 자신의 존재를 보호해야 한다.



3장 학습하는 기계, 딥러닝



인공지능 학습하기