인공지능(AI)에 대한 학술자료

 

인공지능(AI)에 대한 학술자료

 

인공지능(人工知能, AI, artificial intelligence)이란 인간처럼 학습하고 생각할 수 있는 컴퓨터 시스템을 말한다. 인공지능은 컴퓨터 프로그램을 이용해 인간의 학습능력, 추론능력, 지각능력, 자연어의 이해능력 등 모든 지능적인 행동들을 모방할 수 있다. 인공지능은 4차 산업혁명의 핵심 기술이다. 인공지능 스피커, 챗봇, 숍봇숍봇, 외국어 자동번역기, 자율주행 자동차, 인공지능 로봇 등 인공지능 기반의 다양한 서비스와 제품이 출시되고 있다.

 

인공 지능(AI) 이해하기

본 가이드는 AI가 무엇이고, 어떻게 작동하며, 우리를 둘러싼 세상을 어떻게 변화시키는지 누구나 쉽게 이해할 수 있도록 설명합니다.

탐색 시작하기

주제를 둘러보거나 아래 카테고리 중 하나를 선택하세요.

전체AI 기초AI 만들기사회와 AIAI 사용하기

 

종류

 

인공지능은 크게 약인공지능(Weak AI), 강인공지능(Strong AI), 초인공지능(Super AI)의 3가지의 종류로 분류된다. 약한 인공지능은 미리 정의된 규칙에 의해 인지 능력을 필요로 하지 않는 정도의 특정영역의 문제를 푸는 기술이다. 약인공지능과 대비되는 강한 인공지능은 기계가 진짜 인간과 같은 지성과 감정, 자의식과 인지능력을 가지고 문제를 해결할 수 있는 인간형 인공지능을 말한다. 초인공지능은 모든 면에서 인간을 능가하는 능력을 가진 초인적 존재를 말한다. 인공지능은 특정 분야에서 인간보다 우수한 지능을 가진 약인공지능 단계에서 시작하여, 모든 분야에서 인간과 동일한 지능을 가진 강인공지능 단계를 거쳐, 궁극적으로 모든 면에서 인간을 능가하는 초인공지능 단계로 발전할 것으로 예측하고 있다.

 

약인공지능

 

약인공지능(Weak AI)의 대표적인 사례로는 구글의 알파고(AlphaGo)와 사진 검색 서비스, 기계 자동번역기, 스팸메일 필터링 등이 있다. 그중 알파고는 엄청난 데이터베이스를 통해 바둑에서 이길 수 있는 확률을 계산해 착수를 결정한다. 사람들은 알파고의 엄청난 성능을 보고, 강인공지능일 것이라고 생각하지만 알파고는 인간의 통제가 가능하고 바둑이라는 특정 분야에서만 인간을 앞서기 때문에 약인공지능으로 분류된다. 또 다른 약한 인공지능에는 IBM의 왓슨(Watson), 자율주행 자동차 및 텐서플로텐서플로(Tensor Flow), 아마존의 알렉사(Alexa) 에코(Echo), 애플의 시리(Siri), 페이스북의 자동 얼굴인식, 마이크로소프트의 코타나(Cortana), 소프트뱅크의 페퍼(Pepper), 엔비디아(nVIDIA)의 무인 자율주행 자동차, SK㈜ C&C의 에이브릴(Aibril) 등이 있다.

 

강인공지능

 

강인공지능(Strong AI)은 바둑이나 외국어 번역과 같은 특수한 분야뿐 아니라, 모든 분야에서 인간과 동등하거나 우월한 능력을 가진 인공지능이다. '범용 인공지능'이라고도 한다. 공상 과학 소설(SF)이나 영화 속에 자주 등장하는 인공지능 로봇들이 대표적인 예다. 영화 《터미네이터》에 등장하는 스카이넷이 대표적인 강인공지능이다.

 

초인공지능

 

초인공지능(Super AI)은 모든 면에서 인간의 능력을 훨씬 초월하는 인공지능이다. 인공지능이 일단 강인공지능 단계에 접어들면, 계속하여 자체 기능 개선을 통해 초인공지능 단계로 이행할 것으로 예측하고 있다. 초인공지능의 능력의 한계는 현재 인간의 상상을 초월하는 범위로서, 인간은 초인공지능에 대해 이해하기 어렵다고 한다. 초인공지능이 구현될 경우, 인류는 초인공지능의 도움으로 영생을 누리거나 아니면, 열등한 종으로 분류되어 멸종될 가능성도 있다고 한다.

 

1. 개요

 

인공지능(人工智能) 또는 A.I.(Artificial Intelligence)는 일반적으로 인간의 학습능력, 추론능력, 지각능력이 필요한 작업을 할 수 있도록 컴퓨터 시스템을 구현하려는 컴퓨터과학의 세부분야 중 하나이다. 인간을 포함한 동물이 갖고 있는 지능 즉, natural intelligence와는 다른 개념이다.

 

지능을 갖고 있는 기능을 갖춘 컴퓨터 시스템이며, 인간의 지능을 기계 등에 인공적으로 구현한 것이다. 일반적으로 범용 컴퓨터에 적용한다고 가정한다. 이 용어는 또한 그와 같은 지능을 만들 수 있는 방법론이나 실현 가능성 등을 연구하는 과학 기술 분야를 지칭하기도 한다.

 

2. 역사

 

존재하지 않는 이미지입니다. 구글의 구글 딥마인드가 개발한 알파고

인공지능이라는 용어는 1956년 디지털 역사에 지대한 공헌을 한 사람들이 참여한 미국의 다트머스 회의(Dartmouth Conference)에서 처음 언급되었다. 이 회의에서 인공지능이라는 분야를 확립하였다. 이 회의를 개최한 존 매카시(John McCarthy) 교수는 인공지능을 인간의 지능으로 할 수 있는 학습, 사고, 행동, 자기 계발 등을 컴퓨터가 할 수 있도록 연구하는 것이라고 정의했다.

 

인공지능이 처음 확립된 1950년대부터 1980년대까지 인간의 모든 지능을 기계에 부여할 수 있다는 믿음을 기반으로 여러 연구자들이 이 분야에 뛰어들어 인공지능 연구는 전성기를 맞이하였다. 하지만 그 초기의 믿음과 달리 1980년대 이후 인간의 지능을 컴퓨터가 제대로 실현하기에는 무리가 있다는 의견이 제기되고, 범용성이 부족하다는 치명적인 약점 때문에 인공지능은 이후 반세기 동안 비주류로 취급되어 왔다.

 

그러던 중 캐나다 토론토 대학교의 제프리 힌튼(Geoffrey Hinton) 교수 연구팀이 딥러닝(deep learning) 기술을 활용해 인간의 뇌를 닮은 심층신경망을 안정적으로 훈련하는 데 성공했다. 원래 딥러닝은 사물이나 데이터를 분류하는 데 사용하는 기술이었다. 딥러닝 방식이 인공지능 연구의 다양한 분야에 적용되면서, 인공지능이 제4차 산업혁명의 핵심 기술로 발전할 가능성이 보이며, 인공지능 연구 전성시대가 다시 시작되었다.

 

인공지능이 한국에 널리 알려진 계기는 2016년 3월 세계 최강 바둑기사 이세돌 9단과 알파고(AlphaGo)의 대결이었다. 인공지능이 발전해도 인간의 두뇌는 따라갈 수 없다고 생각했던 사람들은 이 대결에서 이세돌이 4:1로 패배하자 큰 충격을 받았다. 

 

근래에는 일상생활 곳곳에 인공지능을 기반으로 한 다양한 서비스와 제품들이 출시되고 있다. 인공지능 스피커가 아침마다 알람과 함께 날씨와 뉴스를 알려주고 번역이 필요하면 자동으로 번역해 주며 냉장고에서 요리의 레시피를 알려주기도 한다. 이런 생활형 인공지능에는 LG전자의 인공지능 브랜드인 씽큐(ThinQ)의 가전제품, KT의 기가지니(GiGA Genie), 네이버의 크로버크로버(Clova) 등이 있다.

 

17~18세기부터 인공지능이 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 컴퓨터로 두뇌를 만들어서 우리가 하는 일을 시킬 수 있지 않을까?라는 의견이 제시되었고 많은 사람들이 그럴듯하게 여겨 빠른 속도로 인공지능은 학문의 영역으로 들어서기 시작했다.

 

인공지능(AI, Artificial Intelligence)이라는 용어가 처음 등장한 때는 1956년에 미국 다트머스 대학교에서 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. 

 

그리고 당연하지만 이런 일에 관심을 가진 건 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 과학자 빅토르 글루시코프가 더욱 개량한 것이 바로 OGAS(ОГАС - Общегосударственная автоматизированная система учёта и обработки информации, 전연방자동정보처리체계) 계획이다.

 

20세기 중반에도 인공지능 연구는 자연어처리나 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 10억 불 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 마빈 민스키와 시모어 파퍼트가 "Perceptrons"이라는 책을 출간하면서 지적한 SLP(단층 퍼셉트론)의 한계[2]로 인해 1970년대에 한동한 인기가 시들시들하기도 했었다. 이를 “1차 AI 겨울”이라고 한다.

 

1974년도에 역전파 알고리즘이 제시되었으며 1980년대에 MLP(다층 퍼셉트론)이 도입된다. 이후 1986년, 제프리 힌튼 교수가 MLP와 (오차) 역전파 알고리즘을 증명하여 XOR 문제는 해소되었지만, 기울기 소실 문제[3] 문제로 인하여 정보처리 능력의 한계와 해소되기까지는 더 시간이 필요했다. 이에 1990년대에 다시 2차 AI 겨울이 찾아온다.

 

문자인식이나 음성인식등의 가시적인 성과가 있는 분야도 있었지만 대화 인공지능 등의 개발 실패 등, 눈앞의 목표를 달성하지 못하는 경우도 많았기 때문인데, 심지어 이런 부분은 수십 년이 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, 그제야 때맞춰 나타난 하드웨어의 성장을 업고 더 성공적인 분야가 될 수 있었다.

 

2006년, 제프리 힌튼 교수가 DBN(심층신뢰신경망)을 발표하며 불가능이라 여겨졌던 비지도 학습 방법이 가능해졌고, 이로 인하여 퍼셉트론이 사실상 사장되어 딥러닝이라는 방법론이 상위개념인 인공신경망이라는 명칭을 대체하며 유일하게 여겨지는 방법론으로 칭해진다. 특히 2012년에 힌튼 교수가 이끌고 일리야 수츠케버 등이 참여한 AlexNet 팀이 “ILSVRC”라는 컴퓨터 비전 대회에서 압도적인 퍼포먼스로 우승하자 딥러닝은 기존의 SIFT 방법론을 제치고 압도적인 대세가 된다.

 

2016년, 구글 딥마인드의 알파고가 딥러닝을 사람들 뇌리에 제대로 꽂으며 딥러닝 방식을 대중화했으며 이제 몇 가지 분야에서는 인간의 수준을 뛰어넘는 결과물들이 속속 나타나고 있다. 특히 약인공지능 분야에서는 빠른 속도로 사람의 능력을 추월할 수 있다는 의식이 확산되고 있다.

 

알파고 이후로 마케팅에 AI만 들어가면 사람들의 신뢰가 급상승하는 현상이 있으나, AI가 인간을 뛰어넘는 일반 지성을 갖출 것이라던지, AI가 인간보다 모든 일을 잘한다던지, AI가 모든 직업을 대신한다는 등 지나친 장밋빛 전망은 금물이다. 인공지능의 학습에 드는 데이터는 그 자체가 돈이며, 약 인공지능인 이상 계속하여 데이터가 인공지능에 석유와 같은 연료처럼 공급되어야만 한다(입력이나 환경이 절대적으로 고정된 게 아닌 가변적인 경우). 이러한 연유로 AI 겨울, 즉 AI에 대한 관심이 식는 시기가 다시 온다면 과거보다 훨씬 더 오랜 기간 동안 정체될 것이라는 의견 또한 나올 정도로 시대의 흐름과 논란에 민감한 경향을 보인다.

 

그러다 2023년, 생성형 인공지능인 ChatGPT의 압도적인 성공을 시작으로 본격적으로 인공지능이 양지에 올라와 여러 산업 분야에 활용되며 본격적인 수익성과 부가가치가 창출되기 시작한다. 하드웨어 부문에서는 인공지능 가속기가 빠른 발전을 거듭하고 있다.

 

3. 강인공지능과 약인공지능

say

 

 

약인공지능 ⊃	강인공지능 ⊃  (인공 일반 지능, 인공 의식)	초인공지능 ⊃  (인공지능 특이점)

 

인터넷 여기저기서 인공지능과 관련된 내용을 뒤져보면 흔히 나오는 단어들인데 약인공지능Weak AI과 강인공지능Strong AI은 1980년에 존 설John 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 시뮬레이션하거나 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 맞아떨어지다 보니 내용을 살짝 비틀어서 대중들에게 알려지게 되었는데 각 연구의 결과물을 그대로 대입하면 된다. 즉,

 

강인공지능 = 인간을 완벽하게 모방한 인공지능이고

약인공지능 = 유용한 도구로써 설계된 인공지능이라고 보면 된다.

 

추가로 약인공지능, 강인공지능, 초인공지능으로 구분하기도 한다. 각각의 의미는

• 약인공지능 = 특정 분야에서만 활용가능한 인공지능
• 강인공지능 = 다양한 분야에서 활용가능한 인공지능
• 초인공지능 = 강인공지능에서 자아를 가진 인공지능

현재까지 나온 인공지능은 모두 약인공지능으로 구분하고 있다.

 

4. 접근법과 현황

 

4.1. 접근법

 

흔히 인공지능 연구의 방법론으로 가장 유명한 것은 상향식(bottom-up) 방식과 하향식(top-down) 방식이다.

 

상향식은 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 시뮬레이션하는 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 바꾸는 것은 또 다른 문제다.

 

상향식 연구의 대표적인 예시로 그나마 뉴런 지도가 세세하게 밝혀져 있는 예쁜 꼬마선충 예쁜 꼬마선충이 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 없을뿐더러 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 현재 기술 수준으론 선충은 고사하고 1975년에 출시한 구닥다리 칩[4]조차 뭔가를 해보는 게 불가능하다는 논문이 나오기도 했다.

 

반대로 하향식은 컴퓨터는 매우 어려운 반면 인간은 쉽게 해결할 수 있는, 쉽게 말해 지능이 필요하다고 보는 작업을 알고리즘으로 해결하는 데에 초점을 맞춘다. 당연히 개발 목적도 상향식에 비해서 다양해서 강인공지능의 개발이 목표일 수도 있지만 단지 문제를 효율적으로 해결하기 위해서일 수도 있다. 지금까지 인류가 연구하고 개발해 낸 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.

 

4.2. 연구 현황

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

테슬러 정리: 인공지능은 아직 실현되지 않은 무언가이다.

 

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 과학자들의 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.

 

인공지능 연구에서 컴퓨터가 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[6]을 내릴 경우 인공지능이 반항적인 태도를 보일 수 있도록 교육하고 있다"라고 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 흉내 내며(!) 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 '비나 48', '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

 

4.3. 기술 개발 현황

 

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.

 

기본 기술

• 미로탐색 알고리즘 로봇(마이크로 마우스)이나 자율주행차가 인접 지형지물을 인식하고 특정 목적지까지 길을 찾아가는 알고리즘으로 기계학습 없이도 동작 가능한 가장 기초적인 인공지능 알고리즘이다. 상용제품에서는 당연히 더욱 복잡한 기계학습알고리즘이 활용된다.
• 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.
• 패턴인식(Pattern Recognition) : 그림, 음원, 글 등의 각종 선형 및 비선형 데이터 안에서 특정한 패턴을 찾아내는 것을 의미한다. 즉, 쉽게 풀어서 말하자면 컴퓨터가 사람과 유사하게 데이터를 판단하여 어떤 데이터인지 구분해주는 기술이라고 생각하면 된다
• 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(실제 뉴런의 동작구조와 완전히 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. 2020년대에 들어서는 컴퓨터의 계산 능력이 무서울 정도로 발전하고 있고, 그에 따라 쏟아지는 데이터의 양과 종류도 많아지고 있어 비정형 데이터[7]를 처리하는 능력이 뛰어난 인공신경망 기술이 모든 인공지능 기술 중에서 가장 각광받고 있고 앞으로도 더 각광받게 될 기술로 대우받고 있다. 이쯤되면 인공지능에 관심이 많은 사람들은 눈치를 쳤겠지만, 수많은 인공신경망을 연결해서 계층 형태로 겹겹이 쌓은 인공신경망을 심층 인공신경망(Deep Neural Network)이라고 부르며,
• 이게 바로 우리가 흔히 알고 있는 딥러닝이다.
• 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.
• 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..

특징

4.4. 장단점

장점

• 인간 개입 최소화

인공지능은 지식에 대한 학습 시간이 필요한 인간과 달리, 학습 시간이 거의 필요 없다. 인공지능을 도입하면, 인간의 개입을 최소화하여 기계가 자동으로 인식하고 판단할 수 있다. 국민은행, 롯데그룹 등 국내 대기업 채용 시험에서도 인공지능이 활용된다. [1][1] 인공지능이 면접을 보는 일명 '인공지능 면접관'을 도입하고 있다. 인공지능 면접관은 주관적인 평가가 있을 수 있는 인간과 달리, 객관적으로 공정한 평가를 할 수 있다. 이는 인간의 개입을 최소화하며 효율적으로 공정하게 인재를 채용할 수 있다는 점에서 큰 주목을 받고 있다.

 

학습한 내에서 하는 것에 특화된 능력

알다시피 AI는 학습한 내에서 하는 것에 대해 사람보다 훨씬 강하다. 이러한 특성은 반복된 작업에 이용하면 상당히 도움이 된다.DNA가 필요없음 AI는 기계답게 DNA가 없어서 신종 전염병이나 존엄성 침해로부터 자유롭다. 인간의 DNA를 이용한다면 이건 당사자가 협조하지 않으면 쉽지 않은 일인 데다가 DNA를 잘못 조작했다가는 신종 전염병 등의 부정적인 요소가 나올 수도 있어서 이는 큰 이점이다.감정과 의식이 없음 AI는 감정과 의식이 없어서 나쁜 걸 학습시키지만 않으면 반란을 일으킬 위험성이 적다. 게다가 공포감같은 인간에게는 있는 감정이 없기 때문에 전쟁 같은 상황에서는 과감한 운용도 가능하다.만들거나 다루기 쉬움 AI는 DNA를 통한 인공생물에 비해 만들기도 쉽고 그냥 학습만 시켜버리면 학습한 것만큼은 바로 마스터해버리기 때문에 유용하다.

 

유동적인 생각 불가능

분명히 AI가 학습에만 의존하는 기계적 컴퓨터인 만큼 단점도 있다. 예를 들어 줄넘기를 학습시킨다고 치자. 그러면 왠만한 아이보다는 줄넘기를 잘할 것이다. 하지만 분명히 학습에만 의존하기 때문에 아이가 할 수 있는 다른 것을 하게 하려면 또 학습시켜야 한다. AI는 줄넘기만 배웠기에 줄넘기는 한다쳐도 시험을 보거나 줄넘기가 아닌 다른 놀이를 하기 위해서는 줄넘기의 알고리즘만 이용해서 해결하려고 할 것이다. 일종의 상성 문제. 분명히 학습한 내에서는 마스터하지만 하나를 배우면 그 하나를 바로 완벽하게 터득할 뿐이지 하나를 배우면 여러 가지를 균형잡히게 배우게 되는 인간에 비해 학습의 폭이 좁은 편이다. 물론 어디까지나 이론상으로 이러한 것들을 전부 다 학습시킨다면 DNA를 통한 인공생물과 마찬가지로 다른 생물의 교배나 번식도 직접 돕거나 심지어 자신이 직접 할 수도 있고 만약 AI를 구성하는 재료가 기계가 아닌 단백질같은 종류라면 단순 농사를 넘어 AI를 먹을 수도 있을 것이다. 하지만 어디까지나 이론상으로는 가능할 수도 있겠다는거지 만들기도 어려울 뿐더러 만들 수 있더라도 이런 식용 AI같은 걸 만들 바에 농사로봇이나 만드는 게 훨씬 효율적일 것이다.

 

• 비용절감 효과

제조업뿐만 아니라 다양한 업종에서 인공지능이 사용되고 있는 가장 큰 이유는 비용절감 때문이다. 인공지능을 도입할 경우, 눈에 띄는 비용절감 효과를 나타내기 때문에 인공지능을 혁신의 도구로 활용하고 있다. 인공지능에게 알맞은 알고리즘을 작성해 데이터 입력 등을 제외한 모든 과정이 자동화되므로 노동 비용이 절감된다. 예를 들면 KT의 에너아이즈는 전국 모든 건물에 인공지능 기반의 에너지 건강검진을 실시하고, 인공지능과 빅데이터를 이용해 에너지 사용 패턴을 분석하고, 에너지 비용 절감 방안을 제공하는 서비스이다. 실제로 대구의 한 아파트에서 이 서비스를 통해 연간 아파트 공용 전기요금의 약 70%를 절약했다.

단점

• 인공지능의 한계

인공지능은 철저히 학습된 상황에서 가장 좋은 결과를 도출해 낸다. 따라서 학습되지 않은 상황에서는 어떤 결과가 맞는지 틀린 지 판단할 수 없다는 단점이 있다. 인공지능은 주어진 문제를 해결하는 능력은 인간보다 뛰어나다고 할 수 있지만, 문제를 판단하는 것은 아직까지는 인간만이 할 수 있는 능력이다. 또한 인공지능은 인간과 달리 주변에서 영감을 얻거나 자신이 느낀 감정을 표현하기 어렵다.

• 인공지능의 법적 책임

인공지능의 알고리즘의 실수로 불법 행위나 피해가 발생했을 경우, 알고리즘 작성자에게 피해를 물어야 할지, 아니면 해당 인공지능 시스템을 이용한 사람이 문제인지, 법적인 책임소재 문제가 있다. [3][3] 예를 들면 인공지능의 의료행위 중 오진이 발생하거나 자율주행 자동차를 이용하던 중 교통사고가 발생할 경우 피해와 사고에 대한 책임의 대상에 대한 명확한 법의 규제가 없다. 따라서 이에 대한 세밀한 법제화가 필요하지만, 인공지능의 자율성과 인간의 통제권을 어떻게 조화해 법을 규제시킬지에 대해선 현행 법률의 체계로는 답을 정할 수 없다는 것이 전문가들의 입장이다.

• 인공지능의 공포와 위험성

인공지능이 모든 영역으로 확대되어 발전하면서 편리함은 늘어났지만 무분별한 인공지능의 발전이 인간에게 점점 위협이 될 가능성이 있다. 인간은 새로운 기술들이 올바른 궤도로 나아가지 않을 수 있음을 항상 경계해야 한다. 영화 《터미네이터》에 등장하는 스카이넷을 보면, 기계가 인간에게 반기를 들면 어떤 끔찍한 일이 일어나는지 알 수 있다. [4][4] 영화 속에서 스카이넷은 가상의 시스템으로 스스로 학습하고 생각하는 인공지능이다. 스카이넷은 인간이 자신의 발전에 두려움을 느껴 자신의 시스템을 셧다운 하려고 하자, 인류를 적으로 간주해 공격한다. 이는 최악의 시나리오가 반영된 기계 공포론을 대변한다.

 

AI 서비스 형태/기술별 특성

• 비디오 게임(video game): 비디오 게임에 등장하는 적은 원시적인 인공지능이다. 가만히 있거나 플레이어의 움직임에 따라 반응해서 거기에 맞춘 공격이나 방어, 회피 등을 구사하는 판단이 마치 살아 움직이는 생명체의 성격과 비슷하다. 당연히 PC게임에서도 간단한 인공지능이 활용된다.

 

• 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.

 

• 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.

4.5. 인공지능에 대한 사회적 논란과 문제들

4.6. 인공지능의 생명과 감정감별

간혹 인공지능은 생명이나 감정을 가질 수 없다고 쉽게 말하는 사람들이 있는데, 이는 문제의 본질을 착각하기 때문에 범하는 실수다. 실제로는 절대 그렇게 쉽게 답할 문제가 아니다. 왜냐하면 우리 인간은 아직 '생명'이나 '감정'의 실체를 명확하게 파악하고 있지 못하기 때문이다. 사실 이는 무슨 프로그래밍이나 기술적인 문제가 아니라, 개념과 정의에 대한 철학적 문제라는 것이다. 이에 대해서는 중국어 방이나 테세우스의 배 등을 참고하자.

 

다만 “인공지능이 스스로 세상을 이해하느냐?”라는 질문에 대해서는 업계 인물들의 반응이 엇갈린다. 앤드류 응, 제프리 힌튼, 렉스 프리드만 등 학계에서 일하는 연구원들의 경우 대개 이를 긍정하지만, 안드레 카파시 등 산업계 종사자들은 이를 부정하는 인물이 많은 편이다.

 

5. 대중매체에서

6. 평가

긍정적 평가

스카이프의 공동설립자 얀 탈린(Jaan Tallinn)은 현재 인공지능에 대해 그렇게 걱정하지 않아도 된다고 하면서, 인공지능을 통해 수익을 창출한다는 점에서 인공지능을 긍정적으로 평가했다. 또한 "현재는 업계와 학계에서 인공지능에 대해 공포심을 자극하는 것이 무엇인지 합의해 가는 것이 중요하다고 본다."라고 말했다. 스티브 잡스와 함께 애플의 공동 창업자인 스티브 워즈니악(Steve Wozniak)은 "인공지능이 미래에 인류에게 나쁜 결과를 초래할 수도 있다고 생각한다. 미래에 기계가 사람보다 똑똑해질 것이나 인류보다 더 똑똑해진다면 인류가 필요하다는 사실도 깨달을 것"이라고 말하며, 인공지능에 대해 그렇게 걱정할 필요가 없다는 의견을 내보였다.

 

부정적 평가

스페이스엑스의 설립자이자 테슬라 CEO인 일론 머스크(Elon Musk)는 "인간인 독재자는 죽음을 피할 수 없지만 인공지능에겐 죽임이란 없으니 인공지능은 영원히 살 것이며, 인간이 피할 수 없는 불멸의 독재자를 접하게 된다는 것이다."라고 말했다. 또한 그는 인공지능형 무기가 테러리스트나 독재자에게 악용되어 범죄에 이용될 수 있다며 인공지능의 위험성을 경고했다.

 

전망

4차 산업혁명 시대가 도래하면서 인공지능은 인간이 따라갈 수 없는 속도로 빠르게 발전하여 조만간 인간보다 탁월한 능력으로 인공지능이 인간을 대체하게 되는 것이 아니냐는 우려의 목소리도 나온다. 일부 학자들은 약인공지능, 강인공지능을 넘어 인간보다 더 우월한 존재인 초인공지능 시대도 가능하다고 말한다. 초인공지능이 실현되었을 때 발생되는 윤리적, 도적적인 문제로 부정적인 평가와 우려가 나오지만, 인공지능은 미래 산업의 핵심 기술이 될 것이 확실하다. 따라서 빠르게 발전하고 있는 인공지능을 마냥 두려워하기보다 올바른 방향으로 어떻게 활용하면 인간의 삶의 풍요롭게 해 줄지 고민해야 할 시점이다. 인공지능은 앞으로 활용가능성이 무궁무진하다. 향후 어떤 나라가 빠르게 변화하는 인공지능 기술에 적응하고 적극 활용하여 주도하느냐에 따라 그 나라가 향후 미래의 주역이 될 것은 명백하다.

• 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.[8]
• 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.
• 인공지능에서 가장 중요한 것은 아이러니하게도 GPU다. 우리가 흔히 게이밍 컴퓨터의 성능을 좌우한다고 말하는 그 GPU 맞다. 복잡한 행렬 등의 연산을 처리하는 일을 맡는데, 가상화폐 채굴 영향으로 몸값이 올랐다가 다시 내려오던 와중 인공지능 돌풍으로 인해 다시 몸값이 천정부지로 뛰는 중이다. 미국과 중국은 압도적인 물량을 쏟아부어 해결하고 있긴 하지만 우리나라는 그럴만한 여력은 커녕 제대로 된 체계도 잡혀있지 않은 상태로 허공에 지원금이 뿌려지는 실정이다. 특히나 교육 면에서 심각한데, AI 관련 국비지원 부트캠프가 성행하고 있으나 실제로 AI는 대학교 학부과정만으로는 절대 안 되고, 모든 개발의 최종보스와도 같기 때문에 돈이 있어도 단순히 돈을 때려붓는다는 계산만으로는 결코 정복할 수 없다. 물론 개인 중에서도 천재적인 아이디어를 갖거나 실력이 되는 사람은 여전히 많다. 그걸 실행시킬 물질적 여력이 없어서 문제지...
• 앵귈라의 국가 도메인이 .ai 이다 보니, 인공지능 관련 업체에서 이 도메인을 사용해서 서비스를 제공하기도 한다. 예를 들어 챗봇 이루다가 .ai 도메인을 사용한다.

7. 활용 분야

인공지능(AI)은 다양한 분야에 적용되어 문제 해결에 기여하고 있다. 인공지능은 여러 요소 중 문제 해결에 필요한 기술을 분야에 맞게 활용할 수 있는 도구로 활용된다.

• 자연어 처리(natural language processing) : 자연어 처리란 인간의 언어를 컴퓨터에서 인식하도록 하는 기술을 말한다. 이 분야에서 상용화되는 자동번역 시스템은 이미 오래 전부터 도입되어 효율성이 입증되었다.
• 전문가 시스템(expert system) : 여러 전문가들이 가진 전문 지식과 노하우 등을 컴퓨터에 입력해 인공지능이 문제를 대신 해결할 수 있도록 한다. 컴퓨터가 영상을 분석하고 그것이 무엇인지 판단하거나, 사람의 목소리를 듣고 문장을 변환하는 일은 매우 복잡하지만 인공지능으로는 가능하다. 이러한 영상 및 음성 인식은 인공지능의 핵심적인 기술이다.
• 이론 증명법(theorem proving) : 이론 증명법이란 정리 증명을 기계적으로 하는 기계적 정리 증명법이다. 이 분야에서는 수학적 정리를 이미 알려진 사실로부터 하나하나 따져보며 논리적으로 추론해 증명해 내는 과정으로서, 인공지능의 다양한 분야에서 사용되는 필수 기술이다.
• 신경망(neural net) : 비교적 근래에 등장해 수학적인 논리학이 아닌 인간의 두뇌를 모방해 수많은 간단한 처리기들의 네트워크로 구성했다.

8. 관련 기업

국내기업

• 삼성전자㈜ : 삼성전자㈜가 개발한 빅스비(Bixby)는 갤럭시 S8 이후 출시 된 대부분의 삼성 디바이스에 서비스되는 인공지능 기반의 개인 비서 소프트웨어이다. 전화, 문자, 알람 등 다양한 일을 할 수 있고, 스마트싱즈(SmartThings)에 다양한 스마트 기기를 연결하여 목소리만 사용해서 기기를 작동시킬 수 있으며, 빅스비 마켓 플레이스, 빅스비 루틴 등을 사용해 사용자는 빅스비를 해당 사용자만의 빅스비로 만들 수 있다. 또한 다양한 명령어들을 하나의 단축 명령어로 만들어 사용할 수 있다.
• 엘지전자㈜ : 엘지전자㈜가 개발한 씽큐(ThinkQ)는 사용자의 사용습관과 사용패턴에 따라 스스로 교육 할 수 있는 엘지전자㈜의 인공지능 플랫폼이다. 사용자의 생활 데이터를 기반으로 사용자의 사용패턴을 스스로 학습해 사용자에 맞게 최적화된다. 씽큐의 제품에는 엘지 올레드 AI, 엘지 코드제로, 엘지 휘센, 그리고 엘지 씽큐 허브가 있다.
• ㈜케이티 : ㈜케이티가 개발한 기가지니(GiGA Genie)는 IPTV와 인공지능의 융합으로 TV와 연계한 홈 비서 기능을 제공하는 인공지능 스피커이다. 기존의 인공지능 스피커는 음성인식 위주의 청각에 초점이 맞춰져 있지만 기가지니는 인공지능 스피커의 기능과 TV 연동, 그리고 카메라 내장으로 청각과 시각을 모두 활용하는 인공지능 서비스이다. 배달음식 주문, 시간·날씨조회, 현재 나오는 노래 검색, 모닝콜, 라디오, 일정관리, 버스도착 시간 조회, 카카오 택시 호출 등의 기본 기능과 지니(Genie)음악 듣기, 올레TV(olleh TV) 서비스, 홈캠 서비스, 영상통화와 음성통화 등의 별도 가입이 필요한 기능이 있다.
• ㈜카카오 : ㈜카카오가 개발한 카카오아이(Kakao i)는 카카오 AI의 핵심 기술이 결합된 통합 인공지능 플랫폼이다. 카카오i에는 이미지 정보를 이해하고, 이미지 내부의 콘텐츠를 분석하는 시각엔진, 음악을 검색, 분석하는 음악엔진, 음성인식과 음성 합성 기술을 제공하는 음성엔진, 문맥파악 및 문체 반영을 통해 자연스러운 표현을 적용하는 번역엔진, 사람의 대화를 이해하고, 대화에서 말하는 사람의 의도와 목적을 이해하고 그에 맞는 결과를 제공하는 대화엔진, 빅데이터 및 머신러닝을 기반으로 사용자에게 콘텐츠를 추천하는 추천엔진이 있다. 적용 제품에는 헤이카카오(hey kakao), 카카오미니(kakao mini) 등이 있다.
• 네이버㈜ : 네이버㈜가 개발한 클로바(CLOVA)는 여러가지 기술을 제공하는 인공지능 플랫폼이다. 네이버㈜와 라인㈜의 데이터와 인공지능을 결합하여 개발되었으며, 사람의 음성신호 파형을 분석하여 텍스트로 변환시키는 음성인식, 자연스러운 고품진의 목소리를 구현하여 텍스트 정보를 읽는 음성합성, 사진속의 텍스트 정보를 찾아 의미를 판별해내는 광학문자판독 등 다양한 기능이 있다.
• 솔트룩스(Saltlux) : 솔트룩스가 개발한 에이아이스위트(AI Suite)는 인공지능 분야별 최고 성능의 기능과 서비스를 제공하고, 적용분야에 따라 커스터마이징을 통해 최적의 결과를 제공되게하는 인공지능 플랫폼이다. 에이아이스위트는 지식 그래프와 딥러닝이 결합된 인공지능이고, 솔트룩스의 자연어 처리기술과 방대한 언어자원에 기반한 머신러닝 및 딥러닝기술과 언어의 의미 분석을 위한 핵심 자원인 지식그래프 등의 기술을 바탕으로 세계 최고 수준의 한국어 이해 성능을 제공한다. 또한 사람에 의해 지식을 생성하고 검증하는 기능과 스스로 학습하게하여 지식을 증강시키고, 강력한 관리도구를 통해 도메인 최적화에 대한 생산성 및 경제성을 보장한다.
• ㈜마인즈랩 : ㈜마인즈랩이 개발한 마음에이아이(maum.ai)는 다양한 인공지능 엔진과 서비스를 제공하는 인공지능 플랫폼이다. 인공지능 모델 학습을 위한 데이터 클라우드, 인공지능 모델 학습, 음성·시각·언어·분석·대화·영어교육 엔진, 그리고 어플리케이션 및 인공지능 서비스를 월 99,000원에 제공한다. 다양한 인공지능 서비스에는 음성 인식(STT), 인공지능 보이스(TTS), 기계 독해(MRC), 텍스트 분류(XDC), 자연어 이해(NLU), 패턴 찾기(HMD), 문서 인식, 챗봇 등이 있고, 특히 인공지능보이스는 자신의 목소리와 비슷한 음성을 구현하는 기술이다.

해외기업

• IBM : IBM의 왓슨(Watson)은 머신러닝의 혁신적인 최신 기술을 기반으로 하는 인공지능 라이프사이클을 자동화할 수 있도록 해주는 개방형 멀티클라우드 플랫폼이다. 왓슨을 적용한 제품에는 비즈니스를 위한 대화 형 AI 도우미인 왓슨 어시스턴트(Watson Assistant), 인공지능, 머신러닝 및 자동화의 최신 기술을 위험 및 규정 준수 프로세스에 적용한 IBM 레그테크(IBM RegTech), 비즈니스 데이터에서 해답과 인사이트를 발굴하는 왓슨 디스커버리(Watson Discovery), 그리고 인공지능을 사용하여 제목, 글 머리 기호, 표 및 텍스트 간의 관계를 식별하고 이해하여 계약 검토를 간소화시킬 수 있는 왓슨 컴페어앤컴플리(Watson Compare & Comply)가 있다.[12]
• 구글(Google) : 구글의 버트(BERT)는 인공지능을 사용한 자연언어처리(NLP, Natural Language Processing) 딥러닝 모델이다. 버트가 나오기 이전에는 앞의 n개의 단어를 사용하여 뒤에 나올 단어를 예측하는 일반적인 언어모델을 사용하여 사전 훈련을 했지만, 버트는 입력받은 텍스트의 토큰을 무작위하게 마스크시켜 트랜스포머(transformer) 구조에 넣어 주변 단어의 문맥만 보고 마스크된 단어를 예측하는 마스크 언어모델(MLM, Masked Language Model)과 두 문장을 넣었을 때 두 문장이 이어지는 문장인지 아닌지 맞추는 다음문장예측(next sentence prediction)을 사용하여 사전 훈련을 한다.[13]
• 애플(Apple) : 애플의 시리(Siri)는 아이폰, 아이패드(iPad), 맥(Mac) 등 애플 소프트웨어 기기에 탑재되어있는 인공지능 기반의 개인 비서 소프트웨어이다. 시리는 전화를 걸거나 받을 수 있고, 문자를 보내고 에어팟(AirPods)을 통해 문자를 읽을 수 있다. 그리고 알람, 타이머, 길 찾기 등 다양한 일을 빠르고 간편하게 진행할 수 있으며, 시리와 조화롭게 연동된 애플뮤직(Apple Music)을 통해 사용자가 좋아할 만한 노래를 추천받을 수 있는 등 다양한 기능을 제공한다. 또한, 시리에게 자주 말하는 말을 단축어로 만들어 간소화시킬 수도 있다.[14]
• 바이두(Baidu)

1. 아폴로(Apollo) : 오픈소스 자율주행 자동차 기술 플랫폼이다. 아폴로를 적용한 기술에는 아폴로를 통해 자율주행 택시인 로보택시(Robotaxi), 자율주행 미니버스인 아폴로 미니버스(Apollo Minibus), 바이두의 인공지능 및 빅데이터 기능에 의존하여 자동차 산업의 지능화된 업그레이드를 추진하는 아폴로 지능형 자동차 클라우드(Apollo Intelligent Automobile Cloud) 등이 있다.
2. 듀얼OS(DuerOS) : 머신러닝을 통해 사용자가 말한 내용과 이후 말하려는 내용을 알고, 다양한 상호작용을 통해 사용자에게 편의를 제공하는 대화형 인공 지능 운영 체제이다. 듀얼OS가 적용된 제품에는 스마트 헤드폰, 스마트폰, 스마트 스피커 등이 있고[16], 그중 아폴로에 적용된 듀얼OS는 스마트 지도, 음악 및 비디오 리소스, 그리고 사용자의 행동에 따른 미니 앱들 등 다양한 기능을 제공한다.
3. 패들패들(PaddlePaddle) : 사용하기 쉽고 효율적이며 유연한 확장 가능한 딥러닝 플랫폼이다. 패들패들은 사용자가 자주 사용하는 부분에 대한 초대형 딥러닝 병렬 교육을 동시에 지원하고, 수백개의 노드에 대한 효율적인 병렬 교육을 지원한다. 패들패들의 자연 언어 처리는 효율적인 중국어 응용 프로그램 작업 및 기본 모델을 제공하고, 동일한 유형의 작업을 가진 서로 다른 네트워크에서 삽입 및 제거와 빠르게 교체할 수 있다. 텍스트 분류, 시퀀스 주석, 시맨틱 표현, 시맨틱 매칭 및 기타 자연 언어 처리 작업을 다루는 포괄적이고 풍부한 중국어 처리 작업을 제공한다.

• 아마존(Amazon)

1. 알렉사(Alexa) : 의사소통, 음악재생, 알람 설정, 기상정보 제공 등 다양한 기능을 제공하는 인공지능 플랫폼이다. 비즈니스를 위한 알렉사를 사용하여 직원은 알렉사를 지능형 비서로 이용하여 온라인 회의에 참여하거나 캘린더와 이메일을 연결하여 다양한 장소에서 회의 이벤트를 예약할 수 있고, 시설 관리자는 회의실의 사용률을 측정하고 분석하여 회의실 공간을 최적화 할 수 있다.
2. 아마존고(Amazon Go) : 인공지능, 머신러닝 등 첨단기술을 활용한 세계 최초의 무인 슈퍼마켓이다. 아마존 고는 매장을 이용할 고객은 본인의 스마트폰에 아마존 고 앱을 설치하고 쇼핑을 하면 매장 곳곳에 설치된 카메라와 센서를 통해 고객이 담은 상품들이 파악되고, 고객이 쇼핑을 끝내고 매장 밖으로 나가면 미리 등록되어 있는 신용카드를 통해 파악된 상품들이 결제된다. 아마존은 2020년 2월 기준 미국 주요 도시에 25개의 아마존 고 편의점(Amazon Go Grocery store)을 운영하고 있다.

9. 관련 문서

• 생성형 인공지능
• 대화형 인공지능
• 그림 인공지능
• 언어모델
• 인공지능 가속기

9.1. 관련 언어 목록

• Python (TensorFlow)
• R(프로그래밍 언어)
• C언어
• C++ (TensorFlow)
• Java (TensorFlow)
• 베릴로그

10. 둘러보기

 

인공지능 ⊃ 기계학습 ⊃ 인공신경망 ⊃ 딥 러닝

인공지능 - 인공지능 구현을 위한 몇 가지 기술이 존재한다.기계학습 - 많은 매개변수를 넣어주면 모델이 스스로 규칙을 학습하는 방식의 인공지능 구현 방법이다.인공신경망 - 인간의 뉴런 구조를 본떠 만든 기계 학습 방법론이다.딥 러닝 - 입력층과 출력층 사이에 있는 은닉층에 인공 뉴런을 여러 겹 쌓고 연결한 인공신경망 방법론 중 하나이다. 즉, 단일층이 아닌 실제 뇌처럼 다층 구조로 되어있다. 21세기에 와서는 (인공신경망=딥러닝)이라고 이해해도 무방하다.인지 컴퓨팅 - 기계학습을 이용하여 특정한 인지적 과제를 해결할 수 있는 프로그램 또는 솔루션을 이야기한다.뉴로모픽 컴퓨팅 - 인공 신경망을 하드웨어적으로 구현한 것이라고 생각하면 된다.

Warren McCulloch & Walter Pitts 가 출간한 "A Logical Calculus of the Ideas Immanent in Nervous Activity" 단층 구조로는 선형 데이터 구분이 안 되는 XOR 회로에 적용이 불가능함. 계층이 복잡해질수록 입력층의 가중치 조정에 오류가 잦아지는 것. 참고로 인텔 8086이 1978년에 나왔다. PARC, 애플, 아마존닷컴 등에서 일한 래리 테슬러(Larry Tesler)의 말에서 유래하여 더글라스 호프스태터를 통해 유명해진 정리. 일단 한 번 실현되면 원래 인공지능이라고 여겨졌던 것도 인공지능이 아니게 된다고 절묘하게 까는(?) 내용이다. 도덕적, 법적인 관념에 어긋나는 명령 간단히 생각하면 수치로 표현이 잘 안 되는 데이터라고 생각하면 쉽다. [8][8] 우리가 흔히 생각하는 인공지능의 개념인, 사용자가 명령을 내리지 않아도 스스로 사고하고 판단하여 행동하는 그런 인공지능은 나오기까지 아직 멀었다. 당장에 컴퓨터가 랜덤 한 난수를 뽑아오지 못하는 것만 보더라도 말이다. 베릴로그는 특히 인공지능 시스템을 하드웨어(칩셋) 형태로 구현할 때 용이하다.