AI의 역사와 기본 문제

가장 넓은 틀이 인공지능이고, 그 안의 한 가지 방법이 머신러닝이며, 다시 그 안에서 층을 깊게 쌓은 신경망을 사용하는 것이 딥러닝이다. 강의계획에서는 이 세 단어 모두 '1. 인공지능의 정의'의 키워드로 나열되어 있다. 머신러닝이나 딥러닝을 가장 넓은 틀에 두는 설명은 포함 방향이 뒤바뀐 것이다. 3가지가 독립적으로 나란히 있다는 설명도 딥러닝이 머신러닝 안의 한 방법이라는 것과 맞지 않는다.

인공지능 수준의 4가지 분류는 강의계획 '1. 인공지능의 정의'의 목표에 '단순한 제어 프로그램', '고전적인 인공지능', '머신러닝', '딥러닝'으로 제시되어 있다. 미리 정해진 조건과 동작의 대응만으로 움직이는 것은 단순한 제어 프로그램으로, 설정 온도에 따라 켜고 끄는 온도 조절 같은 구조가 해당한다. 고전적인 인공지능은 경우 나누기나 탐색, 축적된 지식으로 대응을 고르는 것, 머신러닝은 데이터에서 규칙성을 학습하는 것, 딥러닝은 그중 층을 깊게 쌓은 네트워크를 사용하는 것으로, 모두 사람이 대응을 전부 적어 두는 단계보다 앞서 있다.

AI 효과는 인공지능의 구조가 밝혀져 내용을 알게 되면 '이것은 단순한 자동 처리일 뿐 지능이 아니다'라고 받아들여져 평가가 낮아지는 현상이다. 강의계획에는 '1. 인공지능의 정의'의 목표에 'AI 효과를 설명할 수 있다'고 명시되어 있다. 인간의 지능을 뛰어넘는 전환점을 둘러싼 논의는 특이점(singularity)이며, 이는 '2. 인공지능 분야에서 논의되는 문제'의 키워드에 해당한다. 데이터양에 비례해 성능이 늘어난다는 경향이나, 판단의 근거를 제시하지 못하는 상태는 모두 AI 효과와는 다른 주제이다.

에이전트는 환경을 관측하고 목표를 향해 스스로 다음 행동을 선택하는 주체를 가리키는 관점이다. 인공지능을 '어떤 구조로 만들어졌는가'가 아니라 '어떻게 행동하는가'로 파악하기 위한 용어로, 강의계획에서는 인공지능·머신러닝·딥러닝·AI 효과와 함께 '1. 인공지능의 정의'의 키워드에 놓여 있다. 화면상의 조작 입구나 데이터를 정리하는 담당자, 계산 자원을 대여하는 구조는 모두 이 용어가 가리키는 것이 아니다.

ImageNet은 대량의 이미지에 분류 라벨을 붙인 대규모 데이터셋이고, ILSVRC는 이를 사용해 이미지 인식 정확도를 겨룬 대회이다. 강의계획에서는 둘 다 '6. 딥러닝'의 키워드에 나란히 놓여, 딥러닝이 어떻게 발전해 왔는지를 설명하기 위한 소재가 된다. 같은 모델에 붙은 2개의 별칭도 아니고, 라벨 규격과 심사의 장이라는 관계도 아니다. 바둑과 관련된 것은 알파고(AlphaGo)로, 이 또한 같은 중항목의 키워드지만 별개의 것이다.

LeNet은 손으로 쓴 숫자를 인식하기 위해 만들어진, 합성곱을 사용하는 신경망으로, 강의계획에서는 '6. 딥러닝'의 키워드에 놓여 있다. 바둑에서 최고수 기사를 이긴 것은 알파고(AlphaGo), 대량의 이미지에 라벨을 붙인 대규모 데이터셋은 ImageNet, 문장이나 이미지를 새롭게 만들어내는 것은 생성형 AI로, 모두 같은 중항목에 나열된 별개의 키워드이다. 이름만 외우는 것이 아니라 무엇을 대상으로 한 것인지와 함께 기억해 둔다.

알파고(AlphaGo)는 바둑 대국에서 인간 최고수 기사를 이긴 프로그램으로, 강의계획에서는 ImageNet·ILSVRC·LeNet·네오코그니트론·생성형 AI 등과 나란히 '6. 딥러닝'의 키워드에 놓여 있다. 이 중항목의 목표는 '딥러닝이 어떻게 발전해 왔는지 그 역사를 설명할 수 있다'는 것이므로, 각 이름을 발전의 어느 장면을 보여주는 예인지와 함께 기억해 두면 좋다. 구어의 필기록, 손으로 쓴 숫자 읽기, 문장 요약은 모두 알파고가 보인 성과가 아니다.

로봇은 몸을 가진 기계 그 자체를 가리키며, 인공지능은 그 안에서 판단을 담당하는 부분에 해당한다. 둘은 겹칠 수는 있어도 같은 것은 아니다. 몸을 갖지 않고 소프트웨어만으로 동작하는 인공지능이 많고, 반대로 정해진 동작을 반복할 뿐 인공지능을 포함하지 않는 로봇도 있다. 판단하는 쪽과 몸에 해당하는 쪽을 바꿔 놓은 설명은 방향이 반대이며, 학습 여부에 따른 구분도, 분야에 따른 명칭의 차이도 아니다.

네오코그니트론은 인간 신경 회로의 작동 방식에서 착상을 얻어, 층을 쌓아 시각 정보를 단계적으로 다루려 한 모델이다. 강의계획이 '인간의 신경 회로'와 네오코그니트론을 같은 '6. 딥러닝'의 키워드에 나란히 놓은 것은, 층을 쌓는다는 발상이 어디서 왔는지를 짚어 주기 위한 것으로 읽힌다. 신경 회로의 배선이 그대로 컴퓨터 회로가 된 것도 아니고, 신경 회로 연구가 해명된 것도 아니다. 바둑과 관련된 것은 같은 중항목의 알파고(AlphaGo)이다.

탐색·추론은 푸는 절차를 사람이 짜는 단계, 지식 표현과 전문가 시스템은 전문가의 지식을 사람이 적어 내는 단계, 머신러닝과 딥러닝은 데이터에서 규칙성을 학습시키는 단계에 해당한다. 즉 사람이 적어 내려가는 쪽에서 데이터에 학습시키는 쪽으로 무게중심이 옮겨 온 흐름이다. 참고로 이 흐름을 '몇 차'라고 세는 표현은 강의계획에 한 번도 나오지 않으므로, 본 랩에서는 중항목의 이름으로 그대로 부른다. 데이터의 형태, 계산의 장소, 연구 주체의 변천은 이 나열이 나타내는 것이 아니다.

다트머스 회의는 1956년에 열린 연구 회의로, artificial intelligence(인공지능)라는 말이 처음 공식적으로 사용된 자리로 이야기된다. 문자만으로 주고받으며 인간과 기계를 구별하는 테스트는 1950년 튜링의 논문에서 제안된 것으로, 다트머스 회의보다 앞선 별개의 사건이다. 이 둘을 연결한 선택지는 단골로 나오는 오류이므로 연도와 사건을 분리해서 기억한다. 전문가 시스템 연구나 층을 깊게 쌓은 네트워크의 학습법은 모두 이 회의보다 뒤의 이야기이다.

튜링 테스트는 판정자가 문자만으로 주고받으며 인간과 기계를 구별할 수 없다면 그 기계에 지능이 있다고 간주하는 판정 방법이다. 지능 자체의 정의를 제시한 것이 아니라 밖에서 보이는 행동으로 판정하자는 제안이라는 점이 핵심이다. 이 테스트를 실제로 대회 형식으로 실시한 것이 뢰브너상 대회로, 이 또한 같은 중항목의 키워드이다. 내부 구조를 조사하는 절차도, 시기를 추정하는 계산법도 아니다.

중국어 방은 매뉴얼에 따라 기호를 나열할 뿐인 사람은 중국어를 이해하고 있지 않다는 설정으로부터, 행동이 인간과 구별되지 않더라도 이해가 있다고는 할 수 없다고 주장하는 사고 실험이다. 즉 튜링 테스트에 대한 비판이며, 마음이나 이해를 인정하는 입장인 강한 AI에 대한 반론으로 제시되었다. 강한 AI를 뒷받침하는 근거로 제시되었다고 읽는 것은 방향이 반대이며, 이 부분이 혼동이 잦은 지점이다. 기호 조작 속도의 이야기도, 기계 번역 기법의 우열 이야기도 아니다.

강한 AI와 약한 AI는 기계에 마음이나 이해가 있는지로 나누는 구분이다. 강한 AI는 정말로 이해하고 있다고 보는 입장, 약한 AI는 이해하는 것처럼 행동하는 도구에 불과하다고 보는 입장을 가리킨다. 이에 비해 범용과 특화는 얼마나 넓은 범위의 일에 쓸 수 있는가 하는 적용 범위의 구분으로 축이 완전히 다르다. 따라서 적용 범위가 넓다고 해서 마음이 있다고는 말할 수 없다. 이 둘을 바꿔 놓은 설명은 방향이 반대이며, 데이터양·계산 자원·처리 속도·비용은 어느 구분의 기준도 아니다.

프레임 문제는 어떤 행동을 취했을 때 무엇이 바뀌고 무엇이 바뀌지 않는지를, 관련 있는 것만으로 좁혀 유한한 시간 안에 다룰 수 없다는 문제이다. 한마디로 말하면 관련성 좁히기의 문제에 해당한다. 기호와 실세계의 의미를 연결하는 이야기는 기호 접지 문제, 지식을 적어 내는 작업이 방대해지는 이야기는 지식 획득의 병목, 조건이 한정된 문제만 풀 수 있다는 이야기는 토이 프로블럼으로, 모두 같은 중항목에 나열된 별개의 키워드이다.

기호 접지 문제는 기호와 그것이 가리키는 실세계의 의미를 시스템이 어떻게 연결할 것인가 하는 문제이다. '얼룩말'이라는 단어와 '줄무늬가 있는 말'이라는 지식을 가지고 있어도 눈앞의 실물과 연결된다고는 할 수 없다는 형태로 이야기된다. 관련 있는 것만으로 좁힐 수 없는 것은 프레임 문제로, 이 둘은 짝으로 자주 출제된다. 신체성은 몸을 통한 환경과의 상호작용이 필요하지 않을까 하는 입장으로, 이 문제에 대한 하나의 답이 된다. 절차 짜기, 정보의 반향, 특징 수의 이야기는 모두 이 용어가 가리키는 것이 아니다.

신체성은 지능이 성립하기 위해서는 몸을 통해 환경과 주고받는 경험이 필요하지 않을까 하는 입장을 가리킨다. 기호가 실세계의 의미와 연결되지 않는다는 기호 접지 문제에 대해, 몸을 가지고 세계에 접촉하는 것이 그 연결을 만들어 낸다는 답으로 이야기된다. 로봇의 형태가 아니면 실용적이지 않다는 주장이 아니며, 부품의 성능으로 정해진다는 이야기도, 몸의 움직임을 수식화하는 절차의 이야기도 아니다.

토이 프로블럼은 규칙과 상태가 명확히 정해진, 현실의 복잡함을 걷어낸 한정적인 문제를 가리킨다. 미로나 퍼즐처럼 이 형태에 들어맞는 문제는 풀리지만, 조건이 정해지지 않은 현실의 문제에는 손이 닿지 않았다는 맥락에서 사용된다. '쉬운 문제'라는 의미가 아니라 현실을 단순화한 설정이라는 의미라는 점에 주의한다. 어린이용 교재도, 미해결의 난제도, 계산량이 너무 큰 문제도 아니다.

지식 획득의 병목은 전문가가 가진 지식을 사람 손으로 규칙 형태로 적어 내는 작업의 양과 어려움이 벽이 되어, 지식을 축적하는 방식이 널리 퍼지지 못했다는 문제이다. 원인은 계산 자원이나 데이터, 통신의 부족이 아니라 지식을 적어 내는 수고 그 자체에 있다는 점이 핵심이다. 이 수고를 줄이려 한 시도 중 하나가 강의계획의 '4. 지식 표현과 전문가 시스템'에 제시된 인터뷰 시스템이다.

규칙 기반 기계 번역은 문법 규칙과 사전을 사람이 적어 번역을 조립하는 방식이고, 통계적 기계 번역은 대량의 대역 데이터의 통계에서 그럴듯한 번역을 고르는 방식이다. 사람이 적어 내려가는 방식에서 데이터에 학습시키는 방식으로 옮겨 가는 흐름이 번역이라는 하나의 소재 안에도 나타나 있다. 둘을 바꿔 놓은 설명은 방향이 반대가 된다. 다루는 단위의 차이도, 구어와 문어의 차이도 아니다. 참고로 통계적 기계 번역은 이 중항목 외에 '27. 자연어 처리'에도 제시되어 있다.

너비 우선 탐색은 뿌리에 가까운 층부터 순서대로 같은 깊이의 노드를 모두 조사한 뒤 다음 깊이로 나아간다. 가장 얕은 곳에 있는 답을 먼저 찾을 수 있지만 기억해 둘 노드가 늘어나기 쉽다. 깊이 우선 탐색은 갈 수 있는 데까지 단숨에 내려간 뒤 막다른 곳에서 되돌아와 다시 시도한다. 기억해 둘 양은 적어도 되지만 처음 찾는 답이 가장 얕은 것이라는 보장은 없다. 둘을 바꿔 놓은 설명은 방향이 반대이며, 난수로 가지를 고르는 것은 몬테카를로법의 사고방식이고, 트리를 잎에서 뿌리로 따라간다는 설명은 어느 쪽에도 해당하지 않는다.

Mini-Max법은 두 사람이 번갈아 두는 게임에서, 자신의 차례에는 자신에게 가장 좋은 수, 상대의 차례에는 자신에게 가장 나쁜 수가 선택된다고 보고, 앞선 국면의 값을 앞쪽으로 되돌려 오는 방법이다. αβ법은 그 탐색 도중에 더 조사해도 결론이 바뀌지 않는다고 판명된 가지를 잘라내어 조사량을 줄이는 방법으로, Mini-Max법과는 다른 평가 방식이 아니다. 탐색 트리를 조립하는 절차도, 나중에 검산하는 절차도 아니다.

브루트포스는 취할 수 있는 수를 모조리 조사하는 방식이다. 답이 있으면 반드시 찾을 수 있지만, 수의 개수가 늘어나면 조합이 급격히 늘어나 현실적인 시간 안에 끝나지 않게 된다. 그렇기 때문에 조사 범위를 줄이는 방법이 필요하며, 그런 흐름에서 αβ법 등이 등장한다. 점수 순으로 가능성 있는 가지부터 조사하는 방식, 난수로 시도하는 몬테카를로법의 사고방식, 도중 결과를 기록해 재사용하는 방식은 모두 브루트포스 그 자체가 아니다. 하노이의 탑처럼 상태와 규칙이 명확한 소재는 이러한 탐색의 연습 대상으로 강의계획에 제시되어 있다.

SHRDLU는 화면 속 블록 세계를 언어 지시로 조작하게 한 연구로, 조건이 한정된 세계에서라면 언어 지시가 통한다는 것을 보였다. STRIPS는 행동을 '실행의 전제'와 '실행 후 바뀌는 것'의 형태로 적어, 목표 상태에 이르는 행동의 나열을 조립하는 사고방식이다. 둘을 바꿔 놓은 조합은 방향이 반대가 된다. 난수로 시행을 반복하는 것은 몬테카를로법, 가지를 잘라내는 것은 αβ법이다. 질량 분석에서 분자 구조를 추정하는 것은 DENDRAL, 세균 감염증을 진단하는 것은 마이신(MYCIN)으로, 이들은 '4. 지식 표현과 전문가 시스템'에 놓여 있다.

일라이자(ELIZA)는 입력된 문장의 패턴에 맞춰 답변을 조립하는 대화 프로그램이다. 내용을 이해하지 못해도 인간처럼 보일 수 있음을 보여준 사례로 제시된다. 질량 분석 데이터에서 분자 구조를 추정하는 것은 DENDRAL, 세균 감염증을 진단해 항생제를 추천하는 것은 마이신(MYCIN), 상식을 입력하려 한 장기 프로젝트는 사이크(Cyc) 프로젝트로, 모두 같은 중항목에 나열된 별개의 키워드이다. 진단을 하는 것과 대화를 하는 것을 혼동하지 않도록 한다.

마이신(MYCIN)은 세균 감염증의 진단과 그에 맞는 항생제 추천을 수행하는 전문가 시스템으로, 의료 분야를 다루었다. 질량 분석 데이터로부터 유기 화합물의 분자 구조를 추정한 화학 분야의 것은 DENDRAL, 대학 입시에 도전한 것은 도로보군(東ロボくん), 퀴즈 프로그램에서 인간과 겨룬 질의응답(Question-Answering)의 것은 왓슨이다. 이름과 분야의 조합이 그대로 출제되므로 짝지어 기억한다.

DENDRAL은 질량 분석 데이터로부터 미지의 유기 화합물 분자 구조를 추정하는 초기 전문가 시스템이다. 분야는 화학이며, 의료 분야를 다룬 마이신(MYCIN)과 짝지어 출제되는 경우가 많다. 사이크 프로젝트는 인간의 상식을 계속 입력하는 장기 프로젝트, 왓슨은 질의응답(Question-Answering)의 구조, 도로보군은 대학 입시에 도전한 프로젝트로, 모두 같은 중항목에 나열된 별개의 것이다.

is-a는 상위와 하위의 관계로, '개는 동물이다'처럼 하위 개념이 상위 개념에 포함됨을 나타낸다. has-a는 부분을 갖는 관계로, '자동차는 타이어를 가진다'처럼 전체에서 부분을 본다. part-of는 부분인 관계로, '타이어는 자동차의 부분이다'처럼 부분에서 전체를 본다. has-a와 part-of는 같은 연결을 반대 방향에서 본 것이므로 방향을 혼동하지 않도록 한다. 같은 의미, 반대 의미, 순서는 이 3가지가 나타내는 관계가 아니다.

차원의 저주는 다루는 특징의 수, 즉 차원이 늘어날수록 그 공간 안에서 데이터가 성겨지고, 같은 밀도를 유지하는 데 필요한 데이터양이 급격히 늘어나는 현상이다. 점들 사이의 거리 차이도 나기 어려워진다. 특징을 줄일수록 필요한 데이터가 늘어난다는 설명은 방향이 반대이며, 훈련 데이터에 대한 적합도나 계산 자원과 정확도의 관계는 별개의 이야기이다. 참고로 강의계획에서는 이 용어가 '7. 지도학습'이 아니라 '5. 머신러닝'에 놓여 있다.

규칙 기반 방식은 어떤 조건일 때 어떻게 결론지을지를 사람이 적어 내려간다. 적은 대로 움직이므로 판단의 이유를 제시하기 쉽지만 예외가 늘어날수록 다 적을 수 없게 된다. 머신러닝은 데이터에서 규칙성을 찾아내므로 다 적을 수 없는 양의 경우 나누기에도 대응할 수 있지만, 그만큼 판단의 이유를 제시하기 어렵고 질과 양이 갖춰진 데이터가 필요하다. 둘을 바꿔 놓은 설명은 방향이 반대이며, 이유를 제시하기 쉬운 쪽은 규칙 기반 방식이다. 스팸 필터, 추천 엔진, 통계적 자연어 처리는 이 중항목에 제시된 머신러닝의 응용 예이다.