IT, 전자 기술의 급속한 발전에 힘입어 인공지능은 이제 현실 문제를 하나씩 해결하기 시작했습니다. 과거 인간과 체스 대결에서 승리하거나, 퀴즈 대결1에서 승리하는 등 TV쇼에서만 존재해 왔던 인공지능은 이제 인간을 대신해서 운전을 하거나(Google: 자율주행 자동차), 월스트리트의 금융 전문가보다 월등한 수익을 내며 투자를 하기도 하고(Kensho: 연봉 $30~$50만에 이르는 퀀트•애널리스트 15명이 4주에 걸치는 분석을 5분 만에 해결), 전문의보다 더욱 정확한 진단을 내리기까지 합니다. (IBM Watson Health: 의료 디바이스•서비스 뿐만 아닌 의료 기관까지 활용)
무엇보다 가장 놀라운 것은 이러한 일들이 현실에서 가능해진 것은 불과 수년밖에 되지 않는다는 것입니다. 2000년대 까지만 하더라도 인공지능 연구자들은 인간이 만들어 놓은 지식을 기계에 주입 학습시키는 방법으로 인공지능을 구현해 왔습니다. 각 분야의 전문가들이 정교하게 모델링한 규칙을 기계가 반복적으로 학습하면서 특정 분야의 인공지능을 만들어 내는 것입니다.
인간처럼 생각하는 인공지능의 등장
이러한 방법으로 만들어진 인공지능은 일반적인 상황에서는 물론이고, 어느 정도 예측 가능한 예외적인 상황에서도 적절히 대응하며 꽤 높은 수준의 성능으로 구현되었습니다. 물론 전문가의 역량이 매우 뛰어나야 하고 상당한 시간과 투자가 수반되어야 합니다. 하지만, 아무리 정교하게 만들어진 모델을 기계가 학습했다고 할지라도 인간의 언어, 기호학적 표현의 한계로 인해 모델링 하지 못한 부분이나 사전에 전혀 예측하지 못했던 새로운 상황을 맞이했을 경우, 그 성능을 보장할 수 없었습니다.
아무리 90% 이상의 정확도가 보장된 인공지능이라 할지라도, 10번 중 1번 발생하는 오류로 인해 사람을 대체하거나 현실에서 마음 놓고 활용하기에는 큰 한계를 가지게 되는 것이죠. 이로 인해 인공지능은 실제 현실에 활용되지 못하고 TV 속의 ‘쇼’에서만 존재해 왔었습니다.
그러나 2012년, 인공지능 학계에서는 혁신적인 연구 결과가 나오게 됩니다. 인간의 사전 작업이 없이도 기계가 데이터를 분석해 이미지 속의 사물을 구별해 내고2, 천만 개의 동영상을 스스로 학습해 영상 속에서 고양이를 구분합니다3. ‘딥러닝’이라 불리는 새로운 기법을 활용해 구현된 이들 인공지능은 기존의 방법론들과는 비교도 되지 않을 만큼 압도적인 성능을 나타내기 시작합니다. 게다가 오랜 시간과 비용이 들었던 인간의 개입 과정도 획기적으로 줄어들었죠.
이러한 혁신적인 인공지능 이론4은 2000년대 중반 혹은 그 이전부터 제안됐지만, 최근 IT 기술의 기하급수적 발전에 힘입어 비로소 실제 구현되기 시작했습니다. 과거 수개월이 소요되었던 기계학습 과정은 이제 단지 수 시간, 혹은 몇 분 만에 처리가 가능해졌습니다.
현실 세계를 동일하게 반영할 정도로 폭증한 데이터를 통해 기계는 마치 실제 세상 속에서 인간처럼 정보를 인지하고 학습해 지식으로 발전시켜 나가게 되었는데요. 불과 최근 5년 사이에 이러한 일들이 일어난 것입니다.
인공지능, 점차 세상을 이해하기 시작한다.
딥러닝으로 시작된 인공지능 기술의 연구는 이제 인간처럼 지식을 축적하고 경험에 기반을 둬 새로운 일을 수행하는 방향으로 진화하고 있습니다. 옥스포드 대학과 딥마인드 팀이 2015년 구현한 인공지능5은 인터넷상의 텍스트 정보를 읽고 정보의 문맥적 의미를 이해합니다. 단순히 수많은 텍스트를 정리해서 데이터베이스화하는 것이 아니라 사람과 같이 문자화된 텍스트 정보를 읽고 의미를 분석해 정보화하는 것입니다.
구글이 2016년 발표한 WikiReading6이라는 시스템은 인터넷 기반의 온라인 백과사전인 위키피디아(Wikipedia)의 정보를 읽고 이해합니다. 약 4천만 페이지에 이르는 엄청난 양의 정보를 인공지능이 학습하는 것입니다. 검색 엔진을 통해 위키피디아 내 정보를 단순히 검색하는 수준이 아니라 인공지능이 엄청난 양의 정보를 이해해 지식화합니다.
마치 인간이 교육과정을 통해 얻은 지식을 가지고 향후 자신이 수행할 일의 옳고 그름을 판단하는 기준으로 삼거나 새로운 상황에 대응하기 위한 자신만의 통찰력을 만들어 내는 것과 같이 WikiReading을 통해 지식화된 정보는 인공지능이 향후 새로운 환경에 부딪혔을 때 대응할 수 있는 기반 지식이 됩니다.
‘Ayasdi’라는 Startup은 이러한 인공지능을 실제 구현하려 합니다. 인공지능이 단순히 정보를 수집하고 정리하는 것이 아니라 학습한 내용을 기반으로 자신만의 통찰력(Insight)을 만들어 내는 인공지능을 구현하려는 것입니다. 사실을 조합해서 상황에 따라 자신의 주장을 만들어 냅니다. 마치 기업의 의사결정자가 오랜 사업 경험 등을 통해 의사 결정을 내려 기업을 이끄는 것과 같습니다. Ayasdi는 이러한 인공지능을 구현해 금융, 기업의 의사 결정, 헬스케어 등에 활용하기 위해 기술을 개발 중입니다.
이제 인공지능은 디지털화된 빅데이터를 통해 세상의 정보를 학습해 세상을 바라보는 자신만의 시각과 가치관을 만들게 됩니다. 인간이 수십 년 간의 교육 과정과 경험을 통해 자아가 만들어지는 것과 같습니다. 딥러닝을 시작으로 인간처럼 생각하는 방식을 터득한 인공지능은 이제 단순히 지능을 갖는 것에서 뛰어넘어 인간과 같이 사고하는 단계까지 발전하게 되는 것입니다.
단지 인간과 다른 점은 수천, 수만 개의 이러한 인공지능이 서로 연결되어 자신의 경험을 공유하며 그 발전 속도가 기하급수적으로 빠르다는 것입니다.
인공지능, 앞으로 하나를 배우면 열을 알게 된다.
기존 인공지능 방법과는 달리 압도적인 성능으로 혁신을 만들어 내는 딥러닝 기반 인공지능의 가장 큰 한계는 지능 학습 과정에 엄청난 데이터가 필요하다는 것입니다. 구글이 2012년 고양이를 인식하는 인공지능을 구현하기 위해 사용한 영상 데이터는 약 천만 개였습니다.
이세돌 9단을 이기며 바둑 인공지능을 구현한 딥마인드(DeepMind)는 약 16만 개의 프로 바둑 기사들의 기보와 3천만 개의 착점 정보, 그리고 수억 번의 반복 학습을 통해 알파고를 구현해 내었습니다. 이렇듯 인간 수준의 인공지능을 구현하기 위해서 막대한 양의 데이터가 필요하지만, 실제 사람이 고양이를 처음 접하고 구분해 내거나 어떤 분야의 전문성을 높여 가는 과정을 생각해 보면 이렇게 많은 경험(데이터)을 필요로 하지는 않습니다.
이러한 한계 극복을 위해 딥마인드의 연구진들은 인간처럼 단지 몇 번의 경험만으로도 일반화를 통해 특정 분야의 지능을 만들어 내는 연구를 발표했습니다7. ‘One-Shot Learning’이라고 불리는 이 방법은 마치 어린아이들이 단지 몇 장의 고양이 사진만 보더라도 그다음부터는 쉽게 고양이와 강아지를 구분해 낼 수 있는 것과 같은데요. 인공지능이 소량의 정보를 학습하고도 일반화를 통해 지능을 구현하는 기법을 연구한 것입니다.
이렇게 되면 완성도 높은 인공지능 구현을 위한 시간적, 경제적 비용이 급감하게 됩니다. 구글의 자율주행 자동차는 약 200명에 이르는 개발자가 투입되어 약 1,600,000km에 이르는 거리를 주행하며 성능을 검증하고 테스트를 진행하고 있습니다. (2015.6. 기준)
하지만 만약 자율주행 인공지능이 매우 제한된 주행 정보만으로도 일반화를 통해 구현될 수 있다면, 구글과 같은 거대 IT 기업뿐만 아니라 인공지능 핵심 기술을 확보한 Startup들도 빠르게 자율주행 기능을 구현하게 될지도 모릅니다.
실제 딥러닝을 활용해 지능형 주행 자동차를 구현하는 ‘comma.ai’라는 기업은 자신들이 개발한 인공지능을 자동차에 탑재시켜 주행 과정을 학습시켰습니다. 놀랍게도 단 10시간의 주행 학습만으로도 차선을 유지하거나, 차간 거리를 안전하게 확보하는 수준의 지능형 주행 기능을 구현해 냈습니다. 만약 여기에 ‘One-Shot Learning’과 같은 더욱 고도화된 인공지능 기법이 더해진다면 먼 미래로만 보였던 자율 주행 자동차의 시대가 매우 빨리 다가올 수도 있을 것입니다.
구글의 피터 노빅(Peter Norvig, Director of Research)은 ‘One-Shot Learning’에서 한발 더 나아가 아무런 사전 지식이 없이도 새로운 상황에 바로 적용 가능한 ‘Zero-Shot Learning’, 혹은 특정 분야서 습득한 지능을 새로운 분야에 응용하는 인공지능의 이식(Transferring Intelligence)까지도 이야기합니다.
인공지능이 인간과 같이 과거에 습득한 지능을 응용해 새로운 분야에서도 매우 빠른 시간에 전문성을 발휘하며 혁신적인 성능을 낼 수 있게 되는 것입니다. 예를 들면, 바둑을 마스터한 인공지능인 알파고는 이 경험(지능)을 활용해 인간과의 체스, 스타크래프트 등 다양한 게임에서 승리하는 것이 매우 쉬워질 것입니다.
산업 영역에서는 영어를 알아듣는 음성 인식 인공지능을 구현해 놓으면 이를 활용해 프랑스어, 독일어 등 다른 언어를 인식하는 인공지능으로 빠르게 확장 가능할 것입니다. 또한, 자동차 제조 현장에 활용되었던 산업용 인공지능이 항공기, 선박 제조 등에도 단시간에 적용되어 엄청난 성능을 발휘하게 될 것입니다.
인공지능, 인간을 초월할 수 있을까?
인공지능 연구의 선도 기업이었던 IBM은 컴퓨터의 두뇌에 해당하는 CPU를 실제 인간의 뇌와 같이 만들려 합니다. ‘SyANPSE’라고 불리는 이 컴퓨팅 하드웨어는 인간의 좌뇌, 우뇌와 같이 두 부분으로 나뉘어 있습니다. 좌뇌에 해당하는 하드웨어는 언어와 논리적 사고 역할을 담당하고 우뇌 부분은 외부 환경을 감각과 인지 역할을 담당합니다.
‘SyNAPSE’는 인간의 뇌에 존재하는 수천억 개의 신경 세포(Neuron)와 각 신경 세포가 접합해 서로 신호를 주고받는 시냅스(Synapse)에 이르는 부분을 하드웨어적으로 구현합니다. 2014년을 기준으로 약 백만 개의 신경 세포와 2백 56만 개의 시냅스를 구현해 인간의 뇌와 같은 구조로 연결했습니다.
이처럼 인공지능 기술은 인간의 뇌 구조를 하드웨어, 소프트웨어적으로 완벽히 구현해 인간과 같이 학습하고 지능을 개발하는 방향으로 발전해 나가고 있습니다. 하지만 이렇게 구현된 인공지능이라 할지라도 인간이 만들어 놓은 세상을 인식하고 정보를 학습할 뿐입니다.
직관이나 통찰력과 같이 인간만이 가지고 있는 줄 알았던 고유한 능력까지 인공지능이 발휘하는 경우도 있는데요. 어쩌면 이것은 단지 인간의 언어와 논리로 설명이 불가능했던 것 일뿐, 엄청난 정보를 통합적으로 분석하는 인공지능에게는 수학 문제를 풀어내는 것과 같이 논리적으로 증명해내는 과정들인지도 모릅니다.
하지만 정말 인간만이 할 수 있으리라고 믿었던 상상(Imagination)이라는 부분까지 인공지능이 갖게 된다면, SF영화 속에서나 일어나는 이야기였던 기계가 인간을 지배하는 세상이 정말 오게 될지도 모릅니다. 영화에서나 나올 법한 이러한 인공지능을 실리콘밸리의 Startup인 ‘Vicarious Systems’가 개발하려 합니다.
상상력을 발휘하는 인공지능을 개발하려는 불가능해 보이는 도전에 마크 저크버그(Facebook), 제프 베조스(아마존), 엘론 머스크(테슬라)와 같은 실리콘밸리의 주요 혁신가들이 모두 경쟁적으로 투자에 나서고 있습니다.
Vicarious Systems의 설립자 스콧 피닉스(D. Scott Phoenix)는 IT 기술의 엄청난 발전으로 향후 15년 이내 컴퓨터 1대가 1초 동안 가능한 계산량이 지구상에 살아 있는 모든 사람의 뇌를 동시에 활용한 것 이상 가능한 시대가 올 것이라고 이야기하며, 이렇게 되면 인공지능은 현재와 전혀 다른 모습으로 우리 곁에 다가와 있을 것이라고 전망하고 있습니다.
인공지능이 가져 올 새로운 시대의 도래
과거 1, 2차 산업 혁명은 인간을 육체노동으로부터 해방시키며 인간에게 물질적 풍요를 가져다 주는 동시에 지식, 서비스 산업과 같은 고부가가 가치 산업에 인간이 더욱 집중할 수 있게 했습니다. 이제 정보통신 기술이 가져다준 3차 산업 혁명과 인공지능이 실현할 4차 산업 혁명으로 인해 기계는 지식 노동으로부터의 인간을 해방을 실현할 시점 와 있습니다.
4차 산업 혁명을 통해 인간은 과거와 같이 한 단계 더 진보된 고차원적인 노동 활동에 집중하며 물질적 풍요를 누릴 수 있을까요? 수많은 연구 기관에서는 인공지능이 인간의 역할을 대신하며 향후 직업의 33%~63%를 대체할 것으로 전망하기도 합니다.
이렇게 되면 의사가 없는 병원, 인공지능이 중심이 된 런던•뉴욕 금융 시장, 교사가 없는 학교가 등장할지도 모릅니다. 물론 반대로 지금은 상상하지 못했던 전혀 새로운 직업이 나타날 수도 있습니다. 자동차가 처음 만들어진 100여 년 전에는 자율주행 자동차 개발자 같은 직업을 상상조차 하지 못한 것과 마찬가지일 것입니다.
한가지 명확한 것은 인간을 대체하는 인공지능의 등장은 단순히 인간의 일자리를 빼앗아 가는 것에서 그치지 않는다는 것입니다. 자율주행 자동차의 상용화는 자동차 제조에서부터 교통 법규, 인프라뿐만 아니라 보험, 물류, 운송업 등에 이르기까지 수 많은 산업 영역에서 혁신적 변화를 가져올 것입니다.
이는 산업 재편은 물론이고 법규, 제도, 인프라를 새로 규정하는 등 엄청난 변화를 동반하게 됩니다. 이러한 변화가 단지 자동차 산업에서만 일어나는 것이 아닌 의료, 교육, 금융, 제조 등 모든 산업에서 동시다발적으로 일어나게 되면 현재의 사회, 제도, 교육 시스템의 혁명적 변화가 필수적으로 동반될 것입니다.
인공지능을 가진 자와 가지지 못한 자 간의 격차는 과거 산업혁명을 거쳐오며 만들어진 빈부 격차의 정도를 훨씬 더 심화시킬 가능성도 있습니다. 부의 재분배, 조세 제도의 변화 등과 같은 사회 제도의 변화 또한 필수적으로 동반되어야 할 것입니다. 즉, 우리는 모든 영역에서 인공지능이 가져올 새로운 시대에 대한 준비를 바로 지금부터 시작해야 할 것입니다.
글 | 이승훈 책임연구원(shlee@lgeri.com) | LG경제연구원
- IBM DeepBlue(세계 체스 챔피언 카스팔로프와 체스 대결 승리, 1997), IBM Watson(제퍼디 퀴즈쇼 인간과 대결 승리, 2011) [본문으로]
- Alex Krizhevsky, Ilya Sutskever and Geoffrey E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks”, Advances in Neural Information Processing Systems, 2012 [본문으로]
- Building High-level Features Using Large Scale Unsupervised Learning, ICML 2012 [본문으로]
- Hinton, G. E., Osindero, S. and Teh, Y. (2006) ‘A fast learning algorithm for deep belief nets’, Neural Computation [본문으로]
- K. Hermann, T. Kociský, E. Grefenstette, L. Espeholt, W. Kay, M. Suleyman, and P. Blunsom, “Teaching Machines to Read and Comprehend”, NIPS(2015) [본문으로]
- Daniel Hewlett, Alexandre Lacoste, Llion Jones, Illia Polosukhin, Andrew Fandrianto, Jay Han, Matthew Kelcey, David Berthelot, “WikiReading: A Novel Large-scale Language Understanding Task over Wikipedia”, 2016 [본문으로]
- D J Rezende S Mohamed I Danihelka K Gregor D Wierstra, “One-Shot Generalization in Deep Generative Models”, ICML 2016 [본문으로]