인공지능에 관하여

인공지능(artificial intelligence): 인간을 포함한 동물이 가진 자연지능(natural intelligence)과 달리 지능적인 기능을 갖춘 컴퓨터 시스템

- 또는 이러한 지적 기능을 만들 수 있는 방법론이나 실현 가능성을 연구하는 과학 분야를 지칭하기도 한다.

 

인공지능의 태동

 

Alan M. Turing, 1912-1954

 

잉글랜드 런던 출신의 컴퓨터 과학의 아버지 앨런 튜링(Alan M. Turing, 1912-1954)은 1950년대에 자신의 논문 <Computing machinery and intelligence>에서 수학 및 컴퓨터 과학 이론을 기반으로 한 '생각하는 기계'의 가능성을 최초로 고안하였다.

 

그림 1. 튜링 테스트

 

 

- 튜링 테스트(Turing test): 인공지능의 기준선을 정하는 대신, 일단 인간이 인지하기에 '인간스러운 반응'을 할 수 있는 것을 '인간에 준하는 지능'을 가진 것으로 간주하도록 한다.

- Turing test의 'imitation game'에서 Turing은 인간이 자신이 기계와 이야기 하는 지 또는 사람과 이야기를 하는 지 분간 할 수 없다면, 그 기계는 지능을 가지고 있다고 보아야 한다고 주장했다.

​​

 

다트머스 회의 Dartmouth Conference (1956)

 

 

Marvin Minsky, 1927-2016, John McCarthy, 1927-2011, Claude E. Shannon, 1916-2001

 

1956년, 다트머스 대학에서 열린 다트머스 컨퍼런스는 미국의 인지과학자 마빈 민스키(Marvin Minsky, 1927-2016)와 미국의 수학자 존 매커시(John McCarthy, 1927-2011), 미국의 수학자이자 IBM 수석 과학자 클로드 섀넌(Claude E. Shannon, 1916-2001) 등이 주도·개최하였다.

- McCarthy를 비롯한 수학자, 생물학자, 심리학자 등 10명이 모여 인공지능에 관한 정의 및 개념을 최초로 논의했다.

· 인공지능(artificial intelligence)의 어원 탄생

· "사람처럼 생각하는 기계" - John McCarthy

 

The conference is generally recognized as the official birthdate of the new science.

Crevier (1993, pp. 49)

 

 

AI의 학문적 정의

- "인공지능에서 지능이란, 기계의 지능과 함께 이것의 지능을 갖도록 하는 포괄적 과정으로 지능은 주변 환경에 대해 적절하고 예측 가능한 방식으로 동작하게 만든다." Nils Nilsson의 <The Quest for Artificial Intelligence>(2009)

 

지능이라는 개념은 복잡한 현상을 확인하고 명확하려는 시도이다.

특정 영역에서는 명확성이 달성되었으나, 아직 중요한 질문에 대한 답을 찾은 것은 아니며,

완전한 의견의 일치조차 이루어진 것도 아니다.

<Intelligence: Knowns and Unknowns> (1995)

 

 

Howard E. Gardner, 1943-, Peter Salovey, 1958-

 

- 다중지능을 주장한 미국의 심리학자 하워드 가드너(Howard E. Gardner, 1943-)은 지능을 '문제를 찾아서 해결하는 기술 또는 무언가를 창조할 수 있는 능력'이라 했다. 한편, 미국의 사회심리학자이자 예일대 총장인 피터 샐로비(Peter Salovey, 1958-)는 '자신의 감정이나 다른 사람의 감정을 잘 읽어내는 능력'까지 지능의 범위를 확대 정의하였다.

​

AI 제작에서 intelligence는 현재 원리보다는 결과에 주안을 두는 귀납적 정의가 우세하다.

① 결과물 중심의 정의

- 기계가 인간의 지능적 측면을 모사하여 작업을 수행하는 기술이 인공지능이다.

② 구성 정의

- 인간 인지 활동의 여러 구성요소의 결합체가 인공지능이 된다. ⇒ AI 모순(AI Paradox): 인간의 복합적인 인지 과정을 기술적으로 구현시키는 과정에서 과거의 AI는 더 이상 AI가 아니게 됨

​

​

AI와 두뇌의 능력

AI 구현을 위한 컴퓨터와 뇌는 근본적으로 다음과 같은 대조점을 갖는다.

 

	컴퓨터	뇌
연산소자	논리소자 - 논리소자는 극도로 정확하다.	뉴런 - 뉴런은 논리소자에 비해 매우 부정확하다. ⇒ 외부환경 해석에 오류가 많은 편
처리속도	극도로 빠름 (10^-9[초])	논리소자에 비해 매우 느림 (10^-3[초])
회로망	디지털 회로망 - 전자 회로망	아날로그 회로망 - 약 10^14개의 연결망 구성
메모리	주소 기반 메모리 - 국지적이며 독립적	내용 기반 메모리 - 전역적이며 관계적
연산	논리 연산 + 산술 연산	패턴 + 연상 기반의 연산
처리방식	중앙집중식 순차처리	분산적 병렬처리
지식	프로그래밍 기반의 명시적 지식 사용	학습(경험 등) 기반의 암묵적 지식 사용
에너지 소모량	연산에 매우 많은 에너지를 소모	컴퓨터에 비해 에너지 소모량이 매우 적음

 

 

현재 AI 연구자들은 두뇌의 intelligence와 관련한 핵심적인 능력으로 '문제해결력'과 이를 위한 '문제해결관점'에 집중하고 있음

​

① 주변 상황에 관한 인지능력: 전경-배경 지각-인지능력

- 공간지각능력: 배경지각능력, 주변 환경에서의 공간적 차이(기울기, 경사 등) 및 변화 양상을 이해하고 지각하는 능력

- 사물인지능력: 전경인지능력, 주변 환경에서 존재하는 물체(objects)와 문자(letters)를 인식할 수 있는 능력

② 학습을 통한 지식 축적 능력

- 이전에 일어난 수많은 사건들을 기억, 연상, 및 추론에 활용

③ 논리적 추론능력: 상황에 맞게 적절하게 대처하는 능력

④ 창의력과 상상력

​

두뇌의 intelligence는 결국 어떤 문제의 해결을 위한 지각-인지능력 + 지식축적능력 + 논리추론능력 종합적으로 수반한다.

- AI의 지능 또한 외부환경의 배경-전경으로부터 오는 지식을 축적하고, 이를 바탕으로 문제상황을 추론하여 해결하는 능력(지능적 문제해결능력)이다.

- 인공지능학은 기계에 '지능적 문제해결능력'을 갖추도록 하는 것을 목표한다.

 

AI의 문제 접근 방법: 기호주의 Symbolism Vs. 연결주의 Connectionism

 

Symbolism

 

Herbert A. Simon, 1916-2001

 

 

- AI의 개념을 창시한 Dartmouth Conference의 주인공들인 McCarthy, Minsky, 그리고 미국의 심리학자 허버트 사이먼(Herbert A. Simon, 1916-2001) 등이 주장한 이론

- 전제: 컴퓨터의 작동방식으로 인공지능이 구현될 수 있다. ⇒ 따라서 컴퓨터의 작동방식에 맞게 기호와 규칙을 사용하여 규칙기반(rule-based)의 인공지능을 만들어야 한다.

- 문제 해결에 필요한 지식을 수작업으로 우선 구축한 후에 이를 바탕으로 탐색 및 추론 등의 해결방식을 고안한다.

- 1950-80년대까지 컴퓨터 프로그래밍을 통해 기호화(symbolized)가 가능한 세계(또는 형태)를 표현하는 과정에서 전성기를 맞았다. ⇒ 현실의 형상 및 개념을 기호화하여, 프로그램 내에서 이를 풀이(solving)하게 하였다.

e.g. 체스를 두는 AI

​

그러나 symbolism은,

① 실세계에서 기호화할 수 없는 것이 많다는 한계와

② 그 결과물 또한 매우 한정된 지적 활동만 할 수 있었기 때문에,

80년대 이후 쇠락의 길을 걷게 된다.

​​

Connectionism

- connectionism은 AI의 지능이 인간 두뇌의 생물학적 신경망 구조 및 동작을 모방함으로써 이루어질 수 있는 주장으로, 1957년, 미국의 심리학자 프랑크 로젠블럿(Frank Rosenblatt, 1928-1971)의 '마크 1 퍼셉트론' 신경망 모델로부터 출발한다.

 

Frank Rosenblatt, 1928-1971

 

- (1)컴퓨터와 인간의 두뇌는 근본적으로 능력 및 구동에서의 차이를 가지고 있고, (2)인간의 뇌에 대한 이해(지식)가 매우 한정적이라는 한계 때문에 한동안 외면을 받았다. 하지만, 고도의 인지기능을 요구하는 symbolism적 처리는 필연적으로 데이터(용량)와 연산(전력 에너지 사용)의 폭발적인 증가라는 극복하지 못할 어려움을 만들어 냈고, 이 때문에 연구자들은 두뇌가 가진 고도의 병렬처리를 모사한 connectionism에 다시 관심을 가졌고, 현재는 머신러닝 기법으로 정착했다.

 

Symbolism	1. rule-based principle 2. 문제해결을 위한 지식의 수작업 구축 → 이후 탐색 및 추론 해결방식 고안 3. AI 접근 수단 중 탐색, 추론의 기술 발전에 기여
Connectionism	1. neuron-like 2. 문제해결을 위한 학습 능력을 고안 3. AI 접근 수단 중 학습의 기술 발전에 기여

 

또한 symbolism과 connectionism은 공통적으로 발전과정에서 통계적 방법(statistical approach)을 사용하였는데, 이들은 AI 접근 수단 중 추론과 학습의 기술 발전에 또한 기여한다.

- 통계 기술의 내용으로 논리(logic), 베이지언(Bayesian) 추론 등이 있다.