Issue Highlight 2 : 알파고와 인공지능

대지처럼 광활한 인간의 학습능력, 새로운 알고리즘으로 인공지능 한계 돌파하라

199호 (2016년 4월 lssue 2)

 

Article at a Glance

 

 알파고와 이세돌의 대국은 한국사회에 충격을 줬다. 한국의 인공지능 기술이 선진국에 비해 3년 뒤처져 있다는 분석도 있지만, 남의 뒤를 쫓아가기만 해선 추월이 불가능하다. 방법이 없지는 않다. 알파고와 같은딥러닝인공지능 연구는 많이 발전했다고는 하지만 인공지능이 갖고 있는 가능성의 일부에 불과하다. 인간의 학습능력은 알파고에 비하면 광활한 대지처럼 넓다. 한국의 연구자들은 딥러닝을 따라가기보다는 본질적인 인간의 인지능력을 연구해 새로운 길을 뚫어야 한다. 인지과학이 근간이 되고, 소프트웨어 과학이 허리 역할을 하고, 사용자경험(UX) 연구로서 상용화에 이르는 삼두마차 체제를 제안한다.

 

 

 

지난 3, 이세돌 9단과 구글 딥마인드알파고의 대국 이후 인공지능이 현실에서 감성과 직관을 가진 인간지능에 도전하고 있다는 우려가 제기됐다. 사실 필자도 인공지능을 공부하던 시기에는 인간 같은 지능의 구현을 꿈꾸긴 했지만, 그럼에도 불구하고 당시엔 기계학습(machine learning), 즉 기계가 스스로 지식을 학습을 한다는 것은 그리 설득력이 없는 얘기였다. 당시에는 전문가의 지식을 선언적으로 정의하고만약 A라면 B를 하라(IF-THEN)’는 규칙을 기반으로 하는 전문가 시스템(expert system) 같은 상징논리를 쓰는 방식이었다. 기껏해야 여기에다 인공신경망을 결합하는 하이브리드 방식이었다. 결국 인공지능 시스템이라고 해도 사람들에게서 뽑아낸 지식을 시스템에 직접 코드로 넣어줘야 했다.

 

그런데 구글 딥마인드의 알파고나 페이스북의 딥페이스에서 사용하는 딥러닝(deep learning) 기술 덕분에 기계가 지식을 자동으로 배울 수 있게 됐다. 알파고는 이세돌 9단이 수십 년 동안 공부한 기보보다 더 많은 기보를 수개월 만에 익힐 수 있었다. 심지어 인간이 150년 근대 바둑역사에서 생각도 못했던 묘수를 두기도 하고, 인간에겐 말도 안 되는 것처럼 보이는 수도 뒀다.

 

그리고 알파고가 이겼다. 만물의 영장이라는 인간중심적 패권주의에 카운터 펀치를 날린 것이다. 가능한 기보의 수가 우주의 원자 수보다 많아서(?) 컴퓨터도 쉽지 않다는 바둑에서 인간계 최고 챔피언격인 이세돌 9단을 이겼다. 1997 IBM 딥블루가 서양식 장기인 체스에서 인간 챔피온 카스파로프를 이긴 후로 20년 만이다.1 그러더니 이제 인공지능의 불모지 한반도에도 인공지능의 열풍이 분다. 미래를 지배한다는 첨단 기술이지만 열풍이 달갑지만은 않은 현실이다.

 

이런 점에서 서울대 장병탁 교수의 분석이 예사롭지 않게 다가온다. 딥러닝으로 대표되는 머신러닝이 비약적으로 성장한 것은 사실이지만, 이는 알고리즘이 획기적으로 개선됐기보다는 가용한 데이터가 엄청나게 많아졌고, 이를 처리할 수 있는 수천, 수만 대의 컴퓨팅 파워를 확보했기 때문이다.

 

이 관점에서 세상을 둘러보자. 데이터가 가장 많은 곳은 구글, 페이스북, 아마존 등이다. 컴퓨팅 파워가 가장 높은 곳 역시 구글, 아마존, 페이스북, IBM 등이다. 이미 구글은 한국 국가 R&D 예산의 약 두 배 정도 되는 33조 원을 인공지능 연구에 쏟고 있고, 얼마 전 페이스북과 연합한다고 발표했다. 또 딥러닝 알고리즘을 계속 오픈소스화하겠다고 했다. 이 회사가 과거 안드로이드 운영체제를 공개해서 스마트폰 생태계를 장악한 것과 같은 전략이 아닌가.

 

그렇다면 한국은 어떻게 해야 알파고를 이길 수 있을까. 선진국과 기술 차이가 채 3년도 안 된다고 하던데 정말 그럴까. 정말 3년 열심히 하면 알파고를 이길 수 있는 걸까. 차근히 생각해보자.

 

 

 

 

1.<네이처>에는 공학 페이퍼가 잘 실리지 않는다. 하지만…

 

사실 알파고가 필자의 이목을 끈 것은 유럽의 바둑 챔피언을 이겼을 때가 아니라 알파고에 대한 논문이 <네이처(Nature)>라는 최정상 과학저널의 표지를 장식했을 때였다.2  <네이처>에는 보통 공학 논문은 실리지 않는다. 과학으로서의 인공지능 논문이라고 해봐야 1년에 한 편이 실릴까 말까 하니 알파고에 대한 얘기를 봤을 때 신기할 수밖에. 알파고 논문에는 스무 명의 저자가 있는데, 그중 마지막 저자이며 교신저자가 구글 딥마인드의 수장 데미스 하사비스이다. 그런데 놀랍게도 그는 컴퓨터공학 박사가 아니라 인지신경과학 박사였다.

 

2. 인공지능을 하겠다는 하사비스는 왜 컴퓨터공학과가 아닌 인지신경과학을 전공했을까.

 

우리 토양에서 어떤 학생이 인공지능을 연구하겠다고 하면 필자마저도 인지과학을 전공하라고 하기보다는 컴퓨터공학을 전공하라고 할 것 같다. 세상을 바꾸기보단 당장 쓸 수 있는 개발기술을 익히는 게 먼저이고, 취업이 걱정되기 때문이다. 그런데 하사비스는 어렸을 때 게임중독에 빠졌고, 13세에는 체스 챔피언이 됐다. 학교도 제대로 다니지 않았다. 간신히 고등학교 졸업시험을 치고는 퀸스칼리지에 입학해서 컴퓨터공학을 전공했다. 필자도 아들의 게임 사랑에 걱정이 없지 않은지라 위안이 되지만 아내에게 이야기했다가 철없는 교수라는 핀잔만 들었다.

 

하사비스는 졸업 후 인공지능 개발자로 활동하며 인공지능의 완성을 꿈꿨다. 그래서 유니버시티칼리지 런던에 진학해 인지신경과학을 전공한다. 인지신경과학이란 인지과학과 신경과학의 융합 분야로, 인간의 사고와 감정을 과학적으로 연구하는 분야다. 그는 박사과정 중이었던 2007년 인간 기억 회상과 상상에 관한 논문을 <사이언스>에서 발표한다. 이것은 그해 최고의 과학적 성과라고 칭송을 받기도 했다.

 

3. 인간처럼 이것도 하고, 저것도 하는 범용 인공지능 시스템이 딥마인드의 목표이다.

 

이번 바둑 대결의 결과는 놀라움을 자아내기에 충분했다. 하지만 현재 음성인식이나 지문인식, 또 번역 같은 자연어 처리에 사용되는 인공지능 기술은 갈 길이 멀다. 마이크로소프트 엑셀이란 소프트웨어로 음악감상을 하긴 어렵듯 현재는 인공지능 프로그램 역시 한 가지 일만 할 수 있다. 페이스북에 사람 사진을 올리면 자동으로 누구인지 알아낼 수 있지만 개나 고양이는 구분하지 않는다. 오직 인간의 얼굴만 구별해내도록 설계됐기 때문이다.

 

그런데 딥마인드를 창업한 하사비스는 왜 천문학적인 돈을 들여 바둑 서비스를 하려는 것일까. 마케팅을 위해서 바둑에 도전한 것일까?

 

그런데 하사비스는 범용성(general) 인공지능 시스템을 만들려 한다. 마치 사람이 바둑을 두고, 자동차를 운전하고, 헬스케어 서비스도 할 수 있는 것처럼 딥마인드에서 만드는 인공지능 시스템도 이것저것 할 수 있는 강력한 범용성을 추구한다. 대단한 배짱이고, 전율이 느껴진다. 허풍이라고 느껴지지 않는다. 예전에 카이스트 김진형 교수(1994) (딥러닝의 전신인) 인공신경망 기법은 강력하고 범용성 있는 방법론으로 인식돼 많은 연구가 진행될 것이라고 전망했다. 아쉽지만 한국에서는 그렇게 진행되지는 않았다.

  

 

4. 인간의 뇌와 마음은 인공지능의 모델이며 지향점이다.

 

2012 <사이언스> 저널에서 하사비스와 인공지능의 대가인 MIT의 로드니 브룩스는 인공지능의 발전을 위해서는 인간의 뇌와 마음 연구가 필수적이라고 강조했다. 하사비스에 따르면, 인지과학 분야에서 수행하는 뇌와 마음의 메커니즘 연구를 통해 새로운 인공지능 시스템의 아키텍처와 알고리즘을 만들 수 있다. 아울러 인공지능의 목표인 범용성 시스템을 만들기 위해서 개발한 알고리즘이 타당한지를 검증해야 하는데, 이 기준이 바로 인간의 뇌와 마음에 대한 연구다. 초기 인공지능 연구를 이끌었던 앨런 뉴얼과 허버트 사이먼의 쏘아(SOAR)라거나, 존 앤더슨의 액트-(ACT-R) 같은 인간지능의 시뮬레이션 시스템과 같은 방향이다. 그래서 인공지능 연구자들은 인공지능을 발전시키기 위해서는 뇌가 어떻게 세상을 이해하는지를 잘 이해할 수 있어야 한다고 주장한다. 심지어 자신(인간)의 알고리즘의 타당성을 밝혀야 한다고도 말한다.

 

예루살렘의 히브루대 컴퓨터공학과 교수인 앰넌 샤수아는어떻게 사람들이 보고 듣고 이해하고 의사결정하는지, , 어떻게 인지(cognitive) 과제를 수행하는지 알게 되면 인공지능은 비약적 발전을 할 수 있다고 주장한다. 이유는 간단하다. 인간의 뇌는 여전히 가장 효율적이기 때문이다.

 

인공지능의 역사를 잠시 더듬어보면 이는 뜬금없는 발언이 아니란 것을 쉽게 알 수 있다. 인공지능의 효시이며 딥러닝의 전신이라고 할 수 있는 인공신경망은 인간 두뇌의 뉴런 작용을 모사(simulation)한 아키텍처 연구에 기반한다. 이 연구는 지금으로부터 70여 년 전인1943, 신경생리학자였던 매컬로크와 인지심리학자였던 피츠가 발표한 것이다. 즉 초기 인공지능과 인지과학은 대동소이한 틀에서 출발했다고 해도 과언이 아닐 것이다.

 

인공지능 연구가 공식적으로 시작되기 전, 1946년부터 1953년까지 인간의 마음을 과학적으로 연구하기 위해 전기, 전자, 수학, 철학, 심리학, 사회학 등의 대가들이 모여 메이시콘퍼런스(Macy Conference)를 열었다. 1948 MIT의 수학자 노버트 와이너는 <사이버네틱스(Cybernetics)>란 저서를 통해 동물(인간)과 기계의 제어와 커뮤니케이션에 대해 썼다. 이를 효시로 인간의 자연지능을 과학적으로 연구하면서 이를 인공지능화할 수 있는 인지과학연구가 시작됐고, 인간과 컴퓨터 상호작용(human-computer interaction)의 기조가 성립한다. 와이너는 이어 MIT에 뇌인지과학과를 세운다. 그리고 나서 1956년 다트머스대에서 열린 여름 세미나에는인공지능이란 이름을 만든 존 메카시와 MIT 미디어랩의 민스키, ‘정보(information)’라는 개념을 만든 클로드 셰넌, 그리고 인지과학의 태두들인 사무엘, 엘런뉴엘, 허버트 사이먼 등이 참여하며 공식적인 인공지능 연구가 시작된다. , 초기의 인공지능과 인지과학은 대중소이한 틀에서 출발했다.

 

5. 알파고를 이기려면 인간에 대한 융합과학적 벡엔드 연구가 더욱 필수적이다.

 

알파고와의 네 번째 대국에서 이세돌 9단이 둔 78수는 신의 한 수라고 불렸다. 바둑 세계 1위 커제도, 바둑을 중개하던 김영삼 9단도, 영어 중계를 하던 외국인도 탄성을 질렀다. 그들은 이 수를 보자마자 어떻게 처음 보는 수라는 것을 알았고, 어떻게 이 수가 묘수라는 것은 알았을까? 이것만 봐도 인간의 패턴인식이나 유연성, 그리고 문제해결을 위한 추론 등은 알파고의 딥러닝보다 우수함을 알 수 있다.인간의 뇌와 마음이 얼마나 우수한지, 왜 인공지능의 지향인지, 즉 딥러닝이 왜 한계가 있는지 몇 가지만 살펴보자.

 

우선, 이세돌 9단의 신의 한 수는 딥러닝으로는 원샷러닝(one-shot learning)이 안 된다는 점을 보여준다.

 

딥러닝 기술의 강점은 바로 많은 데이터를 통해 배울 수 있다는 점이지만, 역으로 이 점이 약점이다. 하지만 사람은 다르다. 사람은 한 번만 봐도 알 수 있고,데이터가 적어도 잘할 수 있다. 심지어 배우지 않아도 숨어 있는 규칙을 찾을 수 있다.

 

예를 들어, 딥러닝은 테러리스트의 얼굴을 인식할 수 있을까? 기본적으로 엄청나게 많은 사진이 있다면 쉽다. 하지만 진짜 테러리스트는 자신의 사진을 많이 노출하지 않을 것이다. 딥러닝 머신은 찾을 수 없다. 이렇듯 매우 중요한 정보는 희소성을 가진다. 그렇지만 사람은 사진 한 장만 가지고도 찾을 수 있다.

 

검색엔진도 마찬가지다. 구글 검색엔진이 아무리 좋아도 구글은 결국 사람들이 많이 찾았던 것을 찾아준다. 그러다보니 우리는 백과사전같이 오래된 지식은 구글 검색기를 이용해 찾지만 진짜 따끈따끈한 새 소식은 페이스북이나 트위터 같은 소셜미디어에서 직접 찾게 된다. 검색의 약점이다.

 

자율주행이 가능한 스마트자동차가 있다고 하자. 도로 위에 무단횡단을 하는 보행자를 보호할 수 있도록 딥러닝 머신을 만든다고 해보자. 그러면 알파고가 했던 것처럼 이 시스템은 수십만 장 이상의 사진과 영상을 보고 이게 사람인지, 차인지, 둘이 같이 있는 것인지, 무단횡단인지 아닌지를 학습해야 한다. 그런데 어떤 보행자가 마치 이세돌의 78수처럼 뜬금없는 무단횡단을 한다면 어떻게 될까?

 

또 다른 이슈를 보자, 이제는 전에 없던 귀한 데이터들을 구했다고 하자. 이걸 딥러닝 머신에 학습시켜야 할 텐데, 그냥 자동으로 추가하면 될까? 그렇지 않다. 이를 점진적학습(incremental learning)이라고 한다.

 

머신러닝 시스템에 데이터를 점진적으로 더하면 잘되던 것도 안 될 수 있다. 그래서 비용이 많이 들지만 일괄적으로(batch) 하는 게 좋다. 미리 기계가 학습해야 하는 도메인용 모델을 만들고, 이에 맞게 잘 정제된 데이터 세트를 한꺼번에 학습시켜 주는 게 좋다.

 

이세돌 9단이나 드라마시그널에 나왔던 프로파일러처럼 인간은 과거에 본 적이 없어도 추론해낼 수 있다. 필자는 미국에서 했던 첩보위성 사진을 분석하는 인공지능 연구를 했다. 딥러닝 기술로는 적군이 어디서 미사일을 발사할지 찾아낼 수 없다. 사진을 아무리 쳐다봐도 적이 미사일 발사장소를 표시해주지는 않는다. 위장을 하고 이동을 하기 때문이다. 이름이 딥러닝이지, 이는 인간에 비하면 얕은 학습(shallow learning)이다. 인간의 학습 능력에 비하면 아직 비교할 수도 없다.

 

 

6. 추월을 하려면 차선을 바꿔야 한다.

 

가까운 미래 산업의 역량뿐만 아니라 인간의 역량을 확장하는 차세대 도구로서 인공지능 기술의 확보는 여러모로 중요하다. 이전에 전기나 비행기, 컴퓨터, 인터넷이 했던 역할을 앞으로는 인공지능이 할 것이기 때문이다.

 

인공지능 자체의 연구개발도 중요하고, 전공 대학원생을 양성하는 것도 중요하지만 딥러닝의 광풍 속에 본질을 잊은 인공지능 연구로는 여전히 추격자일 뿐퍼스트무버로서 미래의 주역이 되긴 어렵다. 한국은 여전히 선도그룹의 꽁무니만 쫓아가게 될 것이고, 안드로이드 운영체제처럼 결국 그들의 속도에 맞추어 가다 서다 할 것이다.

 

그렇다면 어떻게 해야 할까? 필자는 인간에 대한 근본적이고 과학적인 연구를 토대로 딥러닝이 아닌 새로운 아키텍처와 알고리즘을 연구해야 한다고 본다. 인공지능의 모델인 인간지능은 여전히 광활한 대지다. 기회의 땅이다. 이제는 국도에서 빠져 나와 광활한 대지를 달려야 한다. 혁신을 위해 인지과학이 백엔드(back-end) 연구 역할을 하고, 인공지능 소프트웨어는 튼튼한 허리가 되고, 그리고 상용화서비스 성공을 위해 빠질 수 없는 사용자경험(UX) 연구가 프론트엔드(front-end)를 담당하는 삼두마차로 달린다면 가능성이 없다고 할 수 있을까? 추월을 하려면 차선을 변경해야 한다.

 

조광수 연세대 정보대학원 교수 kwangsu.cho@yonsei.ac.kr

 

조광수 교수는 미국 피츠버그대에서 인지과학으로 박사 학위를 받았다. 미주리대에서 정보과학과 학습공학과, 컴퓨터공학과 교수로 재직하다가 해외석학교수로 초빙돼 귀국했다. 인지심리학과 인공지능, 디자인의 융합을 기반으로 하는 다중감각 사용자경험(UX)/사용자인터페이스(UI), 인간컴퓨터상호작용(HCI), 집단지성, 학습교육, 커머스, 게임, 인터랙티브마케팅, 머신러닝, 접근성 등을 연구하고 있다. 국내외에서 다양한 비즈니스를 운영했으며 다수 기업에서 경영전략, 상품기획, 시스템 개발, 마케팅과 관련해 자문과 연구개발을 수행하고 있다. 2013년 동아일보가 한국을 빛낼 100인으로 선정하기도 했다.

 

동아비즈니스리뷰 319호 New Wave of Logistics 2021년 04월 Issue 2 목차보기