[인공지능] 인간에 필적하는 기계는 가능한가? 송성수  (Homepage) 2022-02-25(금) 09:20:18, 43936

사진을 클릭하면 북스힐 홈페이지가 열립니다. 송성수, <세상을 바꾼 발명과 혁신: 피라미드에서 인공지능까지> (북스힐, 근간)에 한 챕터로 실릴 예정입니다. [인공지능] 인간에 필적하는 기계는 가능한가? 인공지능(artificial intelligence, AI)은 자연지능(natural intelligence)에 대비되는 개념이다. 자연지능은 인간을 포함한 동물이 가진 지능을 의미하는 반면 인공지능은 기계가 발휘하는 지능에 해당한다. 인공지능이 일상생활에서 활용되기 시작한 것은 최근의 일이지만, 인공지능의 역사는 제법 길다. 인공지능이란 용어는 1956년에 개최된 다트머스 회의에서 처음 채택되었으며, 이후에 인공지능은 제1차 붐(boom), 첫 번째 침체기(winter), 제2차 붐, 두 번째 침체기, 제3차 붐을 거쳐 왔다. 여기서 제1차 붐은 1956～1974년, 제2차 붐은 1980～1987년, 제3차 붐은 1990년대 중반 이후에 해당한다고 볼 수 있다. 인공지능의 탄생 인공지능에 처음 주목한 사람으로는 영국의 수학자인 튜링(Alan Turing)이 꼽힌다. 그는 1950년에 <계산 기계와 지능(Computing Machinery and Intelligence)>이란 논문을 출판했다. 그 논문에서 튜링은 “기계가 생각할 수 있는가”라는 대담한 질문을 던진 후 자신이 고안한 테스트를 통과하면 기계가 생각하는 것으로 평가할 수 있다고 주장했다. 오늘날 ‘튜링 테스트’로 불리는 유명한 실험은 다음과 같다. 서로 보이지 않는 방 세 개에 인간 두 명과 컴퓨터 한 대가 있다. 그 중 한 명이 실험 팀장 혹은 심판관을 맡는다. 팀장이 텔렉스로 다른 두 방에 질문을 보내고 답변을 받는다. 이때 팀장이 인간이 보낸 것과 컴퓨터가 보낸 것을 가려내지 못하거나, 컴퓨터를 인간으로 간주하는 상황이 벌어지면 컴퓨터가 지능을 가진다고 볼 수 있다. 인공지능이란 용어를 처음 사용한 사람은 미국의 수학자 매카시(John McCarthy)였다. 그는 1955년에 사람처럼 생각하는 컴퓨터에 ‘인공지능’이란 이름을 붙인 후 이에 관한 워크숍을 개최하기 위해 록펠러 재단에 제안서를 제출했다. 그 결과 1956년 7월에는 다트머스대학에서 세계 최초의 인공지능 회의가 개최되었다. 그 회의에 초대된 사람은 매카시, 민스키(Marvin Minsky), 사이먼(Herbert Simon), 뉴얼(Allen Newell)을 포함한 10명에 불과했다. 다트머스대학은 2006년에 다트머스 회의 50주년을 기념하는 동판을 설치했는데, 거기에는 “이 자리에서 최초의 인공지능 워크숍이 열렸다.”는 글귀가 담겨져 있다. 1959년에는 매카시와 민스키의 주도로 MIT에 인공지능 연구소가 설립되었고, 1960년대에는 스탠퍼드대학, 카네기공과대학, 에든버러대학, IBM 등에도 인공지능 연구소가 설치되었다. 미국 국방부의 고등연구계획국(Advanced Research Projects Agency, ARPA)은 로켓의 발사와 제어에 활용한다는 기대를 바탕으로 인공지능에 대한 연구를 후하게 지원했다. 당시의 인공지능 연구자들은 인간과 구분되지 않는 기계가 머지않아 도래할 것으로 내다봤다. 예를 들어 사이먼은 1965년에 “20년 안에 기계는 사람이 하는 일은 무엇이든 할 수 있게 될 것”이라고 했으며, 민스키는 1970년에 “3～8년 안에 평균적인 인간의 지능을 가진 기계가 탄생할 것”이라고 했다. 이러한 기계는 오늘날의 어법으로 하면 ‘강한 인공지능(strong AI)’에 해당했다. 제1차 붐 시기에 이루어진 인공지능 연구의 경향은 ‘상징적 인공지능(symbolic AI)’ 혹은 ‘계산주의(computationalism)’로 불렸다. 당시의 연구자들은 인간의 뇌가 논리적 기호들을 조작하는 일종의 계산 과정을 통해 작동한다고 간주했고, 초기의 인공지능 프로그램들은 인식의 대상을 컴퓨터의 기억장치에 저장된 기호로만 취급했다. 그러나 상징적 인공지능이 다룰 수 있는 기호적 세계와 현실이 작동하는 실제 세계 사이의 간극은 예상보다 훨씬 큰 것으로 드러났다. 예를 들어 1959년에 제작된 범용 문제 해결기(General Problem Solver, GPS)는 하노이의 탑(Tower of Hanoi)과 같은 문제를 스스로 풀 수 있었지만, 인식하는 대상이 기하학적 입체가 아니라 고양이나 사과와 같은 물체인 경우에는 효과를 발휘하지 못했다. 또한 1966년에 선보인 대화식 상담 프로그램인 일라이자(ELIZA)가 수행한 작업은 상담을 원하는 사람들이 타이핑해 넣은 단어들을 일정한 규칙에 의해 재배열해서 다시 제시하는 데 지나지 않았다. 전문가 시스템의 출현 1970년대에 들어서는 인공지능 연구에 대한 지원이 급속히 줄어들기 시작했다. 이에 대한 이유로 로봇공학 전문가인 모라벡(Hans Moravec)은 “많은 연구자들이 과장을 증가시키는 게임에 휘말렸다.”는 점을 들었다. 철학자들도 인공지능에 대한 낙관론을 경계했다. 예를 들어 루카스(John Lucas)는 인간의 마음이 부분으로 환원되지 않는다는 점에서 기계의 메커니즘과 본질적으로 다르며, 따라서 아무리 인공지능이 발전해도 인간의 마음을 흉내 낼 수 없다고 주장했다. 보다 직접적인 계기로는 1969년에 미국의 군사권한법안(Military Authorization Bill)에 대한 맨스필드 수정안이 통과되었다는 점을 들 수 있다. “이 법에 의해 지출이 승인된 자금은 특별한 군사적 기능 및 작용과 명백한 관계가 없는 연구를 수행하는 데 사용될 수 없다.”는 것이었다. 맨스필드 수정안이 적용되면서 고등연구계획국은 기초연구에 대한 지원을 축소하고 임무지향적 연구를 수행하라는 압력을 받게 되었다. 이러한 배경에서 인공지능 연구자들은 세상의 모든 것을 수학적으로 해결하려는 미련을 접고 매우 좁은 범위 내에서 인간의 의사결정에 도움을 주는 소위 ‘전문가 시스템(expert system)’에 주목하기 시작했다. 전문가 시스템은 의사, 법률가, 과학기술자 등 전문가들이 내리는 판단을 알고리즘으로 구현해 기계가 대신 결정을 내려주는 시스템을 뜻한다. 인공지능 연구자들은 해당 분야의 전문가들과 광범위한 인터뷰를 수행한 후 전문가들이 어떤 근거로 어떤 판단을 도출하는지에 대한 규칙을 도출한 다음 다양한 조건들과 최종 결과의 관계를 ‘만약-그렇다면(if-then)’의 방식으로 프로그램을 만들었다.   세계 최초의 전문가 시스템은 1965년에 개발된 덴드럴(Dendral)이다. 덴드럴은 분광계의 관측 결과를 바탕으로 유기화합물의 종류를 판독할 수 있는 일종의 ‘인공지능 화학자’였다. 1970년대에 들어서는 세균 감염에 의한 질병을 진단하고 적절한 항생제를 추천해 주는 마이신(MYCIN, 1970년), 미국 연방세법의 규칙을 기반으로 사건에 대한 대책을 추론하는 택스맨(TAXMAN, 1977년), 컴퓨터를 조립하는 데 필요한 부품을 선별해주는 엑스콘(XCON, 1978년) 등이 만들어졌다. 특히 마이신 프로그램은 비록 임상에서 사용되지는 못했지만, 모의시험에서 인간 의사보다 우수한 진단 정확도를 나타내어 세간의 주목을 받기도 했다. 1980년대에 들어와 주요 선진국은 인공지능과 관련된 연구에 다시 많은 자금을 지원하기 시작했다. 일본의 제5세대 프로젝트, 영국의 알베이(Alvey) 프로젝트, 미국의 전략적 컴퓨팅 계획 등이 그것이다. 그러나 전문가 시스템은 오래 가지 못했다. 전문가들이 가진 지식을 추출하는 데는 엄청난 시간과 비용이 소요되었고, 시간이 흐르면서 변화한 지식을 시스템 속에 반영하는 것도 만만치 않았다. 게다가 전문가 시스템은 보다 넓은 범위의 문제를 다루는 데 적합하지 않았다. 가령 ‘어쩐지 배가 아프다’거나 ‘위 주변이 메스껍다’고 말하는 애매한 증상에 대해 진단하는 것은 전문가 시스템에게 매우 난이도가 높았던 것이다. 인간에게 상식적 수준의 지식이 컴퓨터 시스템에게는 난적으로 작용했던 셈이다. 규칙 기반에서 학습 기반으로 인공지능 연구는 1987년 이후에 혹독한 겨울을 맞이했다. “인공지능 연구자는 언제나 거짓말을 한다.”는 말이 생길 정도로 인공지능은 기피의 대상이 되었다. 그러던 중 고등연구계획국은 1993년에 슈퍼컴퓨터와 시뮬레이션 분야에 대한 지원을 강화하기 시작했다. 당시에 인공지능 연구자들이 주목한 것은 기계학습(machine learning)이었다. 기계학습은 컴퓨터가 외부의 프로그램에 좌우되지 않고 대량의 데이터를 바탕으로 스스로 학습하는 것을 의미한다. 이미 1958년에 미국의 뇌과학자 로젠블랫(Frank Rosenblatt)이 인간의 뉴런 구조를 모사한 ‘퍼셉트론(Perceptron)’을 개발하여 기계학습의 원형을 제시한 바 있었지만, 민스키를 비롯한 상징적 인공지능 연구자들이 퍼셉트론과 같은 신경망 컴퓨터를 강하게 비판하면서 세간의 관심에서 멀어졌다. 1990년대에 들어와 기계학습에 대한 연구는 로지스틱 회귀(logistic regression), 의사결정 나무(decision tree), 나이브 베이지안(naive Bayesian), 서포트 벡터 머신(support vector machine), 인공 신경망(artificial neural network) 등 다양한 갈래로 진행되었다. 1997년에는 인공지능에 대한 기대가 한층 고양되는 사건이 발생했다. IBM이 개발한 딥블루(Deep Blue)가 당시 세계 체스 챔피언이던 카스파로프(Garry Kasparov)를 물리쳤던 것이다. 게임의 결과도 놀라웠지만, 더 놀라운 것은 딥블루가 작동한 방식이었다. 딥블루는 인간이 사고하는 과정을 모방하지도 않았고 추론하는 방식을 흉내 내지도 않았다. 대신에 엄청난 처리 능력과 저장 용량을 활용해 1초에 무려 3억 3천수를 계산했다. 딥블루의 승리를 계기로 인공지능 연구의 패러다임은 규칙 기반 인공지능에서 학습 기반 인공지능으로 변경되는 양상을 보였다. 여기에는 슈퍼컴퓨터가 속속 등장하면서 계산 속도가 매우 빨라지고 인터넷을 매개로 대량의 데이터가 생성되었다는 점이 중요한 배경으로 작용했다. 2011년에는 IBM의 왓슨(Watson)이 퀴즈쇼 프로그램 제퍼디!(Jeopardy!)에서 제닝스(Ken Jennings)와 러터(Brad Rutter)를 물리치면서 일반인들도 인공지능에 본격적인 관심을 기울이기 시작했다. 2006년에는 토론토 대학의 힌튼(Geoffrey Hinton)이 ‘딥러닝(deep learning)’을 현실화시켰는데, 그것은 심층기계학습으로 번역되기도 한다. 딥러닝은 여러 개의 은닉층(hidden layers)으로 구성된 인공 신경망을 활용한 것으로 기존의 기계학습에 비해 스스로 필요한 특징을 찾아 적절하게 표현하는 능력을 가지고 있다. ‘딥(deep)’이란 용어는 하나의 층이 아닌 복수의 층을 거치면서 심도 있는 학습이 이루어진다는 점에 주목하는 셈이다. 딥러닝의 우수성이 널리 알려진 것은 2012년의 일이었다. 그 해에 토론토대학 팀은 세계적인 이미지 인식 경연대회인 이미지넷(ImageNet)에서 현격한 차이로 우승을 차지했고, 스턴퍼드대학의 연구진은 유튜브 동영상에서 고양이의 이미지를 식별해 내는 구글 브레인 프로젝트를 성공적으로 수행했다. 2014년에 구글은 딥마인드(DeepMind)라는 스타트업을 6억 달러에 인수했고, 구글 딥마인드가 개발한 인공지능 바둑 프로그램인 알파고는 2016년에 이세돌 9단과 5번을 겨뤄 4번을 이겼다. 알파고와 이세돌의 대국은 한국 사회에서도 인공지능에 관한 열광을 부추겼다. 알파고보다 성능이 향상된 알파고 마스터(AlphaGo Master)는 2017년에 커제 9단과의 대국에서 3전 전승을 거두었다. 같은 해에 선보인 알파고 제로(AlphaGo Zero)는 알파고와의 대국에서 100전 전승을, 알파고 마스터와의 대국에서 89승 11패를 기록했다. 여기서 주목할 사실은 알파고와 알파고 마스터는 지도학습(supervised learning), 알파고 제로는 비지도학습(unsupervised learning)을 수행했다는 점이다. 지도학습은 인간이 먼저 인공지능의 학습 방식을 설계한 후 표본이 되는 학습 데이터를 제공해 인공지능의 정확도를 높이는 식으로 이루어지는 반면, 비지도학습은 인공지능이 가공을 거치지 않은 빅데이터 속에서 스스로 패턴이나 모델을 만들고 정확도를 계속 높여가는 방식에 해당한다. 인공지능의 진화는 어디까지 이제는 인공지능에 심심찮게 접할 수 있는 세상이 되었다. 인공지능 화가가 그린 초상화가 크리스티 경매에서 높은 가격에 낙찰되었고, 인공지능을 활용하여 만든 노래에는 저작권까지 부여되었다. 애플의 시리(Siri)는 개인 비서 노릇을 톡톡히 수행하고 있고, 아마존의 알렉사(Alexa)는 사용자들로부터 많은 청혼을 받기도 했다. 핸슨 로보틱스의 소피아(Sophia)는 얼굴 표정으로 수십 개의 감정을 표현하고 있으며, 2017년에 사우디아라비아의 시민권을 얻은 바 있다. 일명 ‘리컬테크(legaltech)’로 불리는 인공지능 법률 서비스도 모습을 드러내고 있는데, 부동산 업무를 담당하는 인공지능인 로빈(LAWBIN)과 인공지능 변호사로 유명한 로스(ROSS)가 여기에 속한다. 오늘날의 인공지능은 특정한 영역의 문제를 푸는 데 국한된 ‘약한 인공지능(weak AI)’으로 평가되며, 제조, 금융, 운송, 물류, 법률, 의료, 교육, 오락 등의 다양한 분야에서 활용되고 있다. 인공지능이 속속 등장하면서 인간의 노동을 급속히 대체할 것이라는 논변도 확산되고 있다. “인간은 필요 없다”거나 “노동의 시대는 끝났다”라는 섬뜩한 제목을 단 책자들이 등장하고 있는 것이다. 그러나 인공지능이 전면적으로 인간의 노동을 대체하는 것은 쉽지 않다. 예를 들어 자율주행차량의 경우에 완전 자동화에 해당하는 무인 차량이 현실화되기에는 수많은 과제가 해결되어야 한다. 자동화 시스템 자체가 발전되어야 할 뿐만 아니라 이동통신의 고도화, 빅데이터의 축적, 도로 상황의 개선 등과 같은 제반 여건이 갖추어져야하는 것이다. 물론 수준이 높은 자율주행차량이 부분적으로 실현될 가능성은 제법 존재하는데, 많은 전문가들은 특정한 구간을 왕복하는 셔틀차량이나 군집주행을 하는 자율주행트럭에 주목하고 있다. 인공지능 자체가 가진 문제점도 있다. 이에 관한 대표적인 사례로는 미국의 구속적부심사 인공지능 알고리즘인 컴파스(COMPAS)를 들 수 있다. 2017년에 위스콘신 주 대법원은 컴파스가 유용한 정보를 제공했다고 인정함으로써 재판에서 인공지능의 역할을 공식적으로 인정했다. 그러나 컴파스가 백인 집단보다 흑인 집단을 차별하는 판단을 하고 있다는 의혹이 제기되면서 심각한 논쟁이 전개되고 있다. 인공지능은 주어진 데이터의 한계를 벗어날 수 없는데, 기존 데이터의 특성과 규모가 특정 집단에 불리한 것이라면 계속해서 편향성 혹은 공정성 문제가 제기될 수밖에 없다. 또한 인공지능 알고리즘을 개발하는 과정에서도 세부적 코드마다 특정한 가정과 선택이 요구되며, 이러한 과정에는 개발자의 편견이나 사회적 압력이 부지불식간에 스며들 수 있다. 더 나아가 현재의 인공지능은 판단의 이유를 제시하지 않기 때문에 이에 불이익을 받았다고 간주하는 사람들의 반발이 불가피하다. 기존의 블랙박스 인공지능(black box AI) 대신에 설명 가능한 인공지능(eXplainable AI, XAI)’이 개발되고 활용된다면 사람이 이해할 수 있는 판단의 근거를 제시할 수 있겠지만 이 경우에도 인공지능에게 판단의 책임을 묻는 것은 매우 어려운 과제이다. 급기야 강한 인공지능(strong AI)이나 초지능(superintelligence)에 대한 논의도 등장하고 있다. 강한 인공지능은 인간과 동일한 수준으로 생각하고 행동할 수 있는 인공지능으로 특정한 영역을 넘어 다양한 영역을 과제를 처리할 수 있기 때문에 ‘범용 인공지능(artificial general intelligence, AGI)’으로도 불린다. 초지능은 기계의 지능이 특이점(singularity)에 도달하여 인간의 지능을 넘어서기 시작한다는 점에 주목하고 있는데, 그 시기로는 2030년, 2040년, 2045년 등으로 다양하게 제기되고 있다. 강한 인공지능이나 초지능의 출현은 소위 ‘로보 사피엔스’와 같은 새로운 종이 등장하는 것에 비유될 수 있는 곤혹스러운 사건이 될 것이다. 강한 인공지능 혹은 초지능이 구현가능한지, 언제 실현될 것인지, 그럴 경우에 인간이 노예로 전락할 것인지 등은 흥미로운 질문이긴 하지만, 우리가 당면하고 있는 현실적인 과제를 간과하거나 외면하게 하는 결과를 초래할 수 있다. 사회적 영향이 가시화되고 있고 대안의 제시가 요구되는 약한 인공지능의 문제를 해결하는 데도 엄청난 노력이 필요한데, 실현가능성 자체가 의문시되고 그 시기도 가늠할 수 없는 어려운 문제에 곧바로 몰두하는 것은 우물가에서 숭늉 찾는 격이라 할 수 있다.

로그인을 하셔야 코멘트(덧글)을 쓰실 수 있습니다.

이전글 :	[펌] 부산테크노파크, 사회문제 해결 워킹그룹 세미나
다음글 :	[펌] 부산대 인문학연구소, 2021년 학술대회 개최

top