뉴스지닷컴

고대 이집트와 그리스 신화를 비롯해 거의 모든 인류 문명의 고대 설화에는 사람이 아니면서도 사람처럼 지능을 갖고 행동하는 생각하는 기계, 혹은 자동인형 등이 다수 출현한다고 한다. 19세기 이후 근대기의 많은 공상과학 소설이나 영화 등에서도 지능을 갖고 사람처럼 행동하는 만들어진 존재(기계)들에 관한 이야기가 다수 등장한다. 1818년 영국의 메리 셸리가 쓴 소설 ‘프랑켄슈타인(Frankenstein)’에 등장하는, 인간 이상의 힘을 발휘하고 급기야 자신을 만든 프랑켄슈타인 박사에게 복수하는 신장 8피트의 괴물인형이 대표적인 예이다.

기계를 통해 수학적 추론과 같은 인간의 지능적 행동을 구현할 수 있다는 개념을 처음 구체화한 사람은 영국의 수학자 앨런 튜링(Alan Turing)이다. 영화 이미테이션 게임(Imitation Game)의 실제 주인공인 튜링은 ‘연산이론(Theory of Computation)’을 통해 0과 1과 같은 간단한 기호를 사용하여 인간의 수학적 추론 능력을 모방하는 기계(튜링 기계)를 개념화했고, 그의 이러한 구상은 신경학, 정보이론과 사이버네틱스(인공두뇌학, Cybernetic) 등의 발전과 더불어 현재 우리가 사용하는 프로그램 내장형 디지털 컴퓨터를 구현하게 하는 핵심적 논리 기반이 되었다.

‘인공지능(Artificial Intelligence)’이라는 용어를 처음 사용한 사람은 미국의 컴퓨터 과학자 겸 인지 과학자 존 매카시(John McCarthy)이다. 그는 1956년 여름 자신이 근무하던 미국 다트머스 대학교에서 마빈 민스키(Marvin Minsky), 허버트 사이먼(Herbert Simon) 등 당대의 저명 과학자들을 초청해 이후 인공지능(AI) 연구의 기본 틀을 구축하는 기념비적 컨퍼런스를 조직했다.

2차 세계대전과 더불어 급속한 발전을 이룩한 컴퓨터의 가공할 위력에 고무되어 있던 당시 과학자들은 어려운 수학계산 문제를 풀거나 정리(Theorems)를 증명하며, 영어로 말을 하는 컴퓨터의 등장을 목격하고 인공지능의 조기 출현을 낙관하기도 했다. 1956년 다트머스 컨퍼런스에 참가했던 허버트 사이먼은 “사람이 할 수 있는 모든 일을 하는 기계가 20년 안에 나올 것”이라고 예측했고, 마빈 민스키 역시 이런 견해에 공감하면서 “한 세대 안에, 인공지능을 만드는 데 필요한 문제가 실질적으로 해결될 것”이라고 내다 보았다.

그러나 인공지능의 구현에 관한 이런 장밋빛 기대는 곧바로 난관에 봉착하였다. 연구자들의 낙관적 기대와는 달리 실제 가시적 성과가 나지 않으면서 미국과 영국 정부 등이 관련 연구자금을 대폭 삭감하였기 때문이다. 당시 컴퓨터들은 수학문제를 풀고 체커(서양장기와 같은 보드게임의 일종) 게임에서 사람보다 뛰어난 능력을 발휘했지만, 사람처럼 생각하고 행동하는 지능이 아니라 단지 입력된 명령 프로그램만을 충실하게 이행하는 기계에 불과했기 때문이었다.

긴 동면기를 보냈던 AI 분야 과학자들은 1970년대 후반 소위 ‘전문가 시스템(Expert Systems)’이라는 것으로 정체를 돌파하는 방법을 모색했다. 과도한 낙관론에 취해 인간 수준의 완전한 지능을 구현하려고 하기 보다는 특정 분야에 국한해 인간보다 더 뛰어난 전문성, 즉 최첨단 지식 기반과 분석 능력, 그리고 이런 지식과 추론 능력에 기반한 의사결정 능력을 발휘하는 컴퓨터 시스템을 만들자는 것이었다. 스탠포드 대학교의 AI 연구진이 개발한, 전염병 진단 및 처방약 제안 시스템인 ‘마이신(Mycin)’과 미지의 유기분자를 식별해 내는 ‘덴드럴 (Dendral)’ 등이 전문가 시스템의 대표적인 성공사례이다. 전문가 시스템은 1980년대 초반 다수의 대학들이 강의를 개설하고, 미국의 대기업들이 생산일정 계획과 재고관리 등 일상 경영활동에 적용하면서 일시적 번성기를 맞았다. 그러나 이 시스템 역시 애초 프로그램에 따라 특정된 지식 기반과 문제들에 한해서만 능력을 발휘하는 기계로서의 본원적 한계를 벗어나지 못했다. 해결해야 하는 과제의 내용이 달라지거나 기계가 갖고 있는 것과 다른 새로운 지식 및 정보가 생겨나면 곧바로 무용지물이 될 수밖에 없었던 것이다. 전문가 시스템을 중심으로 한 인공지능을 구현하기 위해 당시 많은 컴퓨터 기업들이 뛰어들었던 Lisp 컴퓨터 시장이 붕괴되고, 물질적 후원을 아끼지 않았던 미국, 영국, 일본 정부 등이 이 문제에서 손을 떼면서 인공지능 연구는 급격히 위축되기에 이른다. 여기에는 당시의 컴퓨터 하드웨어 및 소프트웨어 기술 수준이 방대한 자료를 신속하게 저장하고 처리하기에는 크게 역부족이었다는 사실도 중요한 원인으로 작용하였다.

이후 또다시 긴 침체기를 보내야 했던 인공지능 연구는 1990년대 후반 비로소 다시 재도약기를 맞는다. 무어의 법칙(Moore’s Law)이 상징하는 컴퓨터 연산능력의 비약적인 발전과 더불어 특정 문제 해결에 더욱 집중하는 쪽으로 방향을 선회한 AI 연구방법론의 심화, 그리고 연관분야인 수학, 인지과학, 뇌신경과학 등에서 나온 최신 연구성과 공유가 재기의 발판이 되었다. 지난 1997년 5월, IBM의 슈퍼컴퓨터 딥 블루(Deep Blue)가 수 차례의 도전 끝에 당시 체스(Chess) 세계챔피언이었던 개리 카스파로프(Gary Kasparov)를 물리쳤고, 그리고 2011년 2월에는 IBM의 질문응답 시스템인 왓슨(Watson)이 미국의 인기 텔레비전 방송프로그램인 제퍼디(Jeopardy!) 퀴즈쇼에서 두 명의 전설적인 퀴즈쇼 강자들을 누르고 우승을 차지했다. 사람들은 기계가 사람을 이겼다는 사실에 경악했고, 이에 따라 IBM 등이 주도하는 인공지능 개발에 대한 세간의 관심도 다시금 크게 고조되었다.

신경네트워크와 심화 학습

신경네트워크는 인간의 두뇌가 작동하는 방식을 소프트웨어에 재현하는 것을 목표로 한다. 우선 가상의 뉴런을 배치하고, 각각의 뉴런에 임의의 가중치(weight)를 부여하여 연결한다. 그런 다음 화소나 음소의 개별 파장이 갖는 에너지 레벨에 따라 모의 뉴런들이 가중치를 조정하면서 반응하도록 사전에 반응 방식을 입력해 둔다. 대량의 디지털 데이터를 입력하면서 하나의 신경 네트워크가 하나의 대상(화소나 음소)을 포착하도록 훈련시킨다. 사후적으로 가중치를 조정해 대상 식별의 정확도를 끌어 올린다. 그러나 이 방식은 학습에 소요되는 시간이 오래 걸리고, 초기 상태를 어떻게 설정하느냐 따라 최적화가 이루어지지 않거나, 훈련에 사용되는 데이터에 과도하게 적응되는 문제(목표 타겟과 약간의 공통점만 있으면 그 쪽으로 대답이 기울어지는 현상. 일례로 고양이 이미지를 훈련하는 경우 다리가 네 개 달린 짐승은 무조건 고양이라고 대답하는 경향) 등이 있어 1950년대 후반 처음 소개된 이후 오랫동안 사장되어 왔다.

2000년대 들어 인공지능 기술의 부활을 주도하고 있는 심화학습은 이런 신경네트워크 아이디어를 변용, 발전시킨 것이다. 과거의 신경네트워크는 수십개 혹은 수백개의 소규모 뉴런을 사용하는 단일 레이어(층)로 조직되었으나, 지난 2012년 구글 등이 사용한 신경네트워크는 수십억개의 뉴런을 이용하는 상호 연결된 복수의 레이어들로 구성된다. 기존 신경네트워크 기술의 한계를 극복하고 식별의 정확도를 끌어 올리기 위한 것이다. 복수의 레이어가 작동하는 프로세스는 다음과 같다. 먼저 첫 번째 레이어가 어떤 이미지(소리의 경우도 마찬가지)의 밝기, 색채 등의 대략적 분포를 학습하면, 두 번째 레이어에서는 모서리, 그림자 같은 좀더 복잡한 특성을 식별하며 다음 세번째 레이어는 눈, 귀, 코와 같은 구체적 형상을 훈련을 한다. 그리고 마지막 레이어에서는 이 모든 것을 결합한 학습결과를 출력한다. 컴퓨터는 출력된 학습정보를 입력된 초기값과 연결시키는 통계적 규칙(상관관계)을 찾으면서 결과값이 신뢰할 만한 수준에 도달할 때까지 이런 과정을 반복한다. 이런 상관관계가 어느 정도 충분해 지면, 컴퓨터는 상당한 신뢰도를 갖고 훈련 데이터 속에 있는 얼굴 아닌 것과 얼굴을 구별해 낼 수가 있게 된다. 그 다음 단계에서는 전혀 새로운 이미지 데이터를 사용해 컴퓨터가 만들어낸 얼굴 인식 규칙이 실제 세계에서 유지되는지를 살펴 본다.

이처럼 하나의 단일 레이어가 아닌, 다수의 위계화된 레이어를 거치면서 심도 있는 학습활동을 전개한다는 의미에서 ‘심화(deep)’이라는 용어가 사용된다. 한편 이런 심화학습이 가능해진 것은 학습속도를 끌어 올린 컴퓨터 그래픽처리(GPU) 능력 향상과 같은 하드웨어의 발전과 더불어, 인터넷과 SNS 등의 확산으로 사용자들이 일일이 태그(tag)를 붙인 천문학적 규모의 빅 데이터가 형성되면서 심화학습이 매우 용이해졌다는 점을 들 수 있다.

출처 : LG경제연구원