KMCRIC

뇌 역공학을 통한 인공지능 발전

TO ADVANCE ARTIFICIAL INTELLIGENCE, REVERSE-ENGINEER THE BRAIN

약 1.36 kg의 뇌는 희미한 전구를 켜는데 불과 한 20 와트의 전력으로 동작한다. 하지만 눈 뒤쪽에 위치한 이 기계는 아무것도 없던 상태에서 문명을 구축하고 별을 탐사하고 존재의 의미를 찾도록 해주었다. 반면 제퍼디에서 인간을 이긴 IBM의 인공지능 왓슨은 2만 와트를 사용하면서도 아직 인간의 지능에 미치지 못하고 있다.

왓슨은 물론이고 다른 인공지능 시스템도 새로운 상황을 탐색하고, 다른 사람의 믿음을 추론하며, 의사소통을 위해 언어를 사용하고, 시를 쓰고, 음악을 사용하여 감정을 표현하고, 다리를 건설하고, 장비를 만들고, 생명을 구하는 의약품을 만들기 위한 수학을 창조하지 못하고 있다. 왜 안될까? 지능에 관한 문제를 해결하는 사회는 미래를 주도하고 최근 진전은 그 기회를 포착할 수 있음을 보여주고 있다.

인간의 지능을 고층건물이라고 상상해보자. 대들보와 콘크리트 대신 이 구조물은 알고리즘 혹은 정보를 처리하는 일련의 상호작용 규칙으로 이루어진 층이 건물의 다른 층과 상호작용하여 쌓이는 형태로 구성된다.

땅위의 구조물로 볼 수 있는 인간의 지능은 논리적 추론과 같이 의식적으로 접근할 수 있는 지능 층을 나타낸다. 이 층들은 1950년대 인공지능을 연구하는데 영감을 제공했다. 하지만 가장 중요한 층들은 볼 수 없는 지하나 건물 기반과 같은 곳에 존재한다. 이 층들은 알고 있는 사람을 인지하거나 군중 속에서 아는 목소리를 식별하고 장난감을 가지고 노는 아이가 물리 법칙을 배우는 것과 같은 모든 상황에서 사용하는 지능을 나타나게 하는 알고리즘이다. 이 무의식 속의 알고리즘 층은 생물학적으로 너무 깊은 곳에 자리 잡고 있어 종종 주목을 받지 못하지만, 그것 없이는 전체 지능 구조가 붕괴할 것이다.

시각적 인식 혹은 시각을 통해 어떻게 뇌가 주변을 해석하는지에 대한 알고리즘을 연구하면서 엔지니어에서 신경과학자로 변신한 경험을 보면 최근 이 분야는 놀라운 발전을 이루어 내고 있음을 볼 수 있다. 수십 년 동안 엔지니어들이 머신 비전을 위한 많은 알고리즘을 구축했지만 아직 인간의 능력에 훨씬 미치지 못하고 있다. 동시에 인지 과학자와 신경과학자들도 뇌가 시각 정보를 어떻게 처리하는지에 대한 많은 연구를 진행했다. 

뇌의 기본 블록이라고 할 수 있는 신경세포를 설명하고 많은 신경세포가 특정한 형태를 이루고 있는 심층 네트워크 속에 배열되어 있음을 발견했고 주변의 이미지에 뇌가 어떻게 반응하는지를 측정했다. 어떻게 인간이 빠르고 정확하게 이런 이미지에 대응하는지 특징을 파악하고 신경망이 경험으로부터 어떻게 학습하는지에 대한 수학적 모델을 제시하기도 했다. 하지만 이러한 접근만으로는 지능적인 시각 인식을 위한 뇌의 알고리즘을 밝히는 데 성공하지 못하고 있다.

과학과 공학의 조합을 통한 접근에서는 핵심적인 발전을 이룰 수 있었다. 특히 일부 과학자들이 신경과학에서 얻은 뇌 측정값과 같은 반응을 보이도록 다중 신경망 알고리즘을 구축하기 시작했다. 또한, 과학자들이 제안한 수학적 모델을 사용하여 심층 신경망이 여러 가지 관점에서 객체를 인식하는 시각적 작업을 수행하도록 가르쳤다.

이 통합 접근은 컴퓨터 하드웨어의 발전과 함께 엔지니어들이 구축한 신경망에 수백만 개의 이미지를 학습시킨 2012년에 두드러진 성과를 보였다. 놀랍게도 이 뇌를 닮은 인공신경망은 여러 영역에서 인간의 시각적 능력과 경쟁 구도를 가지게 되었으며 그 결과 한때 멀게만 보였던 자율주행차의 개념을 바꾸게했다. 뇌에서 영감을 얻은 알고리즘을 사용한 엔지니어들은 자율주행차가 안전하고 효율적으로 주변을 처리할 수 있는 능력을 개선할 수 있었다. 비슷하게 페이스북은 시각 이식 알고리즘을 이용하여 사진 속의 친구를 인지하고 사용자보다 빨리 태그를 추가할 수 있음을 보여주었다.

딥러닝은 AI의 새로운 시대를 열었다. 이 기술은 얼굴이나 사물, 언어 인식에서 자동 번역, 자율 주행을 비롯한 많은 분야의 기술을 완전히 재구성했다. 이 기술은 인류가 몇 년 안에 혁명을 이룰 수 있는 능력을 갖추고 있는데, 문명의 규모와 비교한다면 눈 깜빡할 순간이다. 하지만 아직 시작에 불과하다. 딥러닝 알고리즘은 인간의 지능 중에 단지 하나의 층인 시각적 인식을 새롭게 이해한 결과다. 다른 지능의 알고리즘 층을 더 잘 이해한다면 이룰 수 있는 성과에 한계는 없다.

이 목표를 추구하면서 새겨야 할 교훈은 이 진전이 사일로에서 일하는 엔지니어나 과학자로부터 나온 것이 아니라는 점이다. 공학과 과학의 융합을 통해 이루어진 것이다. 왜냐하면, 인간 지능 중 하나의 층을 설명할 수 있는 알고리즘은 매우 많기 때문에 엔지니어들은 마치 건초 더미에서 바늘을 찾는 것과 같았다. 하지만 엔지니어들이 뇌 및 인지 과학에서 얻은 발견과 실험 결과를 통해 알고리즘을 소개받았을 때 마치 캄브리아기 폭발과 같은 파격적인 발전이 AI에서도 일어난 것이다.

동작하는 시스템의 기능을 측정하여 엔지니어 모델로 역추정하는 것을 리버스 엔지니어링이라고 부른다. 엔지니어의 언어로 인간의 뇌가 어떻게 동작하는지 발견한 것은 단순히 인공지능에만 적용되는 것이 아니다. 또한, 시청각 장애인, 자폐성 장애, 정신분열증, 학습 장애 혹은 노화에 따른 기억력 상실 등으로 불편한 사람을 돕는 새로운 접근법을 제공할 수 있다. 과학자들도 공학적으로 묘사한 뇌를 이용하여 정신적 문제를 치료하고 교육하며 보완할 수 있는 새로운 방법을 찾을 수 있을 것이다.

전통적인 방식으로 뇌를 무시한 채 진행되던 순공학(forward engineering)보다 역공학이 계속해서 더 빠르고 안전하게 실제 AI에 다가갈 수 있는지 보여줄 경주는 진행 중이다. 이 경주의 승자가 미래 경제를 주도하고 해당 국가가 기회를 잡게 될 것이다. 하지만 이 목표를 위해 미국은 상당한 새로운 투자를 정부, 박애주의자, 산업계로부터 끌어내 새로운 과학자와 엔지니어를 지원해야 한다. 추가로 대학은 새로운 산학 협동 모델을 개발해야 한다. 학교는 공학과 컴퓨터에서 뇌 및 인지 과학자를 육성하고 뇌 및 인식 과학에서 엔지니어를 육성하면서 팀워크에 대한 보상을 통해 경력 향상 체계를 유지해야 한다. AI를 발전시키기 위해서는 뇌를 역공학으로 이행하는 것이 방법이다. 그 해답은 바로 우리 눈 뒤에 자리 잡고 있다.

관련연구자:

관련기관:

본문키워드(한글): 인공지능, 인지능력, 역공학

본문키워드(영문): AI, cognition, reverse engineering

국가: 미국

원문출판일: 2018-02-03

출처: https://www.wired.com/story/to-advance-artificial-intelligence-reverse-engineer-the-brain/