인공지능

AI은(는) 여기로 연결됩니다.

동음이의어에 대한 내용은 AI(동음이의어) 문서 참고하십시오.

인공지능

인공지능 ⊃ 기계학습 ⊃ 인공신경망 ⊃ 딥 러닝

인공지능 - 인공지능 구현을 위한 몇 가지 기술이 존재한다.

기계학습 - 많은 매개변수를 넣어주면 모델이 스스로 규칙을 학습하는 방식의 인공지능 구현 방법이다.

인공신경망 - 인간의 뉴런 구조를 본떠 만든 기계 학습 방법론이다.

딥 러닝 - 입력층과 출력층 사이에 있는 은닉층에 인공 뉴런을 여러 겹 쌓고 연결한 인공신경망 방법론 중 하나이다. 즉, 단일층이 아닌 실제 뇌처럼 다층 구조로 되어있다. 21세기에 와서는 (인공신경망=딥러닝)이라고 이해해도 무방하다.

인지 컴퓨팅 - 기계학습을 이용하여 특정한 인지적 과제를 해결할 수 있는 프로그램 또는 솔루션을 이야기한다.

뉴로모픽 컴퓨팅 - 인공 신경망을 하드웨어적으로 구현한 것이라고 생각하면 된다.

''' 이론 컴퓨터 과학 {{{#!wiki style="display: inline-block; font-family:Times New Roman, serif;font-style:italic"'''
{{{#!wiki style="margin: 0 -10px -5px; min-height: calc(1.5em + 5px)" {{{#!folding [ 펼치기 · 접기 ] {{{#!wiki style="margin: -5px -1px -11px"	<colbgcolor=#aa3366> 이론
기본 대상	수학기초론{ 수리논리학( 논리 연산) · 계산 가능성 이론 · 범주론 · 집합론} · 이산수학( 그래프 이론) · 수치해석학 · 확률론 및 통계학 · 선형대수학
다루는 대상과 주요 토픽
계산 가능성 이론	재귀함수 · 튜링 기계 · 람다 대수 · 처치-튜링 명제 · 바쁜 비버
	오토마타 이론	FSM · 푸시다운 · 튜링 머신( 폰노이만 구조) · 정규 표현식 · 콘웨이의 생명 게임
계산 복잡도 이론	점근 표기법 · 튜링 기계^^{고전, 양자, 비결정론적, 병렬 임의접근 기계}^ · 알고리즘 · 자료구조 · 알고리즘 패러다임( 그리디 알고리즘, 동적 계획법)
정보이론	데이터 압축( 무손실 압축 포맷 · 손실 압축 포맷) · 채널 코딩(채널 용량) · 알고리즘 정보 이론(AIT) · 양자정보과학
프로그래밍 언어이론	프로그래밍 언어( 함수형 언어 · 객체 지향 프로그래밍) · 메타 프로그래밍 · 형식언어 · 유형 이론 · 프로그래밍 언어 의미론 · 파싱 · 컴파일러 이론
주요 알고리즘 및 자료구조
기초	정렬 알고리즘 · 순서도 · 탐색 알고리즘
추상적 자료형 및 구현	배열^^벡터^ · 리스트^^{연결 리스트}^ · 셋(set)^^{레드-블랙 트리, B-트리}^ · 우선순위 큐^^{힙, 피보나치 힙}^
수학적 최적화	조합 최적화	외판원 순회 문제 · 담금질 기법 · 유전 알고리즘 · 기계학습
	볼록 최적화	내부점 방법 · 경사하강법
	선형계획법	심플렉스법
계산 수론 및 암호학	밀러-라빈 소수판별법 · Pollard-rho 알고리즘 · 쇼어 알고리즘 · LLL 알고리즘 · 해시( MD5 · 암호화폐 · 사전 공격( 레인보우 테이블) · SHA) · 양자 암호
	대칭키 암호화 방식	블록 암호 알고리즘( AES · ARIA · LEA · Camellia) · 스트림 암호 알고리즘(RC4)
	공개키 암호화 방식	공개키 암호 알고리즘( 타원 곡선 암호 · RSA) · 신원 기반 암호 알고리즘(SM9)
계산기하학	볼록 껍질 · 들로네 삼각분할 및 보로노이 도형^^{Fortune의 line-sweeping 알고리즘}^ · 범위 탐색^^{vp-tree, R-tree}^ · k-NN
그래프 이론	탐색^^{BFS, DFS, 다익스트라 알고리즘, A* 알고리즘}^ · 에드몬드-카프 · 크루스칼 알고리즘 · 위상 정렬 · 네트워크 이론
정리
정지 문제^{대각선 논법} · 암달의 법칙 · P-NP 문제^미해결 · 콜라츠 추측^미해결
틀:이산수학 · 틀:수학기초론 · 틀:컴퓨터공학			}}}}}}}}}

컴퓨터 공학 Computer Science and Engineering(CSE)
{{{#!wiki style="margin: 0 -10px -5px; min-height: calc(1.5em + 5px); word-break: keep-all" {{{#!folding [ 펼치기 · 접기 ] {{{#!wiki style="margin:-5px -1px -11px"	<colbgcolor=#3CC>기반 학문	수학 ( 해석학 · 이산수학 · 수리논리학 · 선형대수학 · 미적분학 · 미분방정식 · 대수학 ( 환론 · 범주론) · 정수론) · 이론 컴퓨터 과학 · 암호학 · 전자공학 · 언어학 ( 형태론 · 통사론 · 의미론 · 화용론 · 음운론) · 인지과학
하드웨어 구성	SoC · CPU · GPU( 그래픽 카드 · GPGPU) · ROM · RAM · SSD · HDD · 참조: 틀:컴퓨터 부품
기술	기계어 · 어셈블리어 · C( C++) · C# · Java · Python · BIOS · 절차적 프로그래밍 · 객체 지향 프로그래밍( 디자인 패턴) · 해킹 · ROT13 · OTP · IoT · 와이파이 · GPS · 임베디드 · 인공신경망 · OpenGL · EXIF · 마이크로아키텍처 · ACPI · UEFI · NERF · gRPC · 리버스 엔지니어링 · HCI · UI · UX · 대역폭 · DBMS · NoSQL · 해시( SHA · 브루트 포스 · 레인보우 테이블 · salt · 암호화폐) · RSA 암호화
연구 · 기타	논리 회로( 보수기 · 가산기 · 논리 연산 · 불 대수 · 플립플롭) · 정보이론 · 임베디드 시스템 · 디자인 패턴 · 데이터베이스 · 프로그래밍 언어{ 컴파일러( 어셈블러 · JIT) · 인터프리터 · 유형 이론 · 파싱} · 메타데이터 · 기계학습 · 빅데이터 · 폰노이만 구조 · 양자컴퓨터 · 행위자 모델 · 인코딩( 유니코드 · MBCS) · 네트워크 · 컴퓨터 보안 · OCR · 슈퍼컴퓨터 · 튜링 머신 · FPGA · 딥러닝 · 컴퓨터 구조론 · 컴퓨터 비전 · 컴퓨터 그래픽스 · 인공지능 · 시간 복잡도( 최적화) · 소프트웨어 개발 방법론 · 정보처리이론 · 재귀 이론 · 자연어 처리( 기계 번역 · 음성인식)	}}}}}}}}}

인공지능을 논할 때 흔히 사용되는 두뇌 전자회로 이미지

1. 개요2. 역사

2.1. 2022년 이후, 생성형 인공지능의 시대2.2. 2024년 이후, 비용 문제

3. 인공지능의 미래

3.1. 유토피아/디스토피아

4. 단계5. 접근법 및 현황

5.1. 접근법5.2. 정확성을 위한 불정확성5.3. 연구 현황5.4. 기술 개발 현황5.5. 인프라5.6. 장단점

5.6.1. 논란

5.7. 인공지능의 생명과 감정감별

5.7.1. 인공지능도 의식을 가질 수 있는가

6. 평가7. 대중매체8. 여담9. 관련 문서

9.1. 관련 언어 목록

[clearfix]

1. 개요

人工智能 / artificial intelligence

인공지능 또는 AI는 인간의 학습능력, 추론능력, 지각능력을 인공적으로 구현시키는 컴퓨터과학의 한 분야이다. 자연어의 이해, 음성 번역, 로보틱스, 인공 시각, 문제 해결, 학습과 지식 획득, 인지 과학 등에 응용된다. 인간을 포함한 동물이 갖고 있는 자연지능(natural intelligence)과는 다른 개념이다.

지능을 갖고 있는 기능을 갖춘 컴퓨터 시스템이며, 인간의 지능을 기계 등에 인공적으로 시연(구현)한 것이다. 일반적으로 범용 컴퓨터에 적용한다고 가정한다. 이 용어는 또한 그와 같은 지능을 만들 수 있는 방법론이나 실현 가능성 등을 연구하는 과학 기술 분야를 지칭하기도 한다.

2. 역사

17~18세기부터 인공지능이 태동하고 있었지만, 이때는 인공지능 그 자체보다는 뇌와 마음의 관계에 관한 철학적인 논쟁 수준에 머물렀다. 그럴 수밖에 없는 것이 당시에는 인간의 뇌 말고는 정보처리기계가 존재하지 않았기 때문이다.

그러나 시간이 흘러 1943년에 신경과학 연구원이던 워런 매컬러와 월커 피츠가 '매컬러-피츠 모델'을 통해 이진법 기반으로 인간 뉴런의 작동 원리를 제시하며 처음으로 모델 구축에 대한 구체적 아이디어가 등장했다. # 이후 1947년에 트랜지스터가 상용화되고 컴퓨터의 발전으로 혁신의 물줄기가 터지기 시작하면서 컴퓨터로 두뇌를 만들어서 우리가 하는 일을 시킬 수 있지 않을까? 라는 의견이 제시되었고 많은 사람들이 그럴 듯하게 여겨 빠른 속도로 인공지능은 학문의 영역으로 들어서기 시작했다.

인공지능(AI, artificial intelligence)이라는 용어가 처음 등장한 때는 1955년 8월 31일에 미국 다트머스 대학교에서 마빈 민스키, 클로드 섀넌 등 인공지능 및 정보 처리 이론에 지대한 공헌을 한 사람들이 개최한 학회에서 존 매카시가 이 용어를 사용하면서부터이다. 특히 마빈 민스키는 최초로 회로화된 신경망인 SNARC라는 시스템을 구축했다.[1]

그리고 당연하지만 이런 일에 관심을 가진건 서방뿐만이 아니어서, 소련 역시 아나톨리 키토프 박사가 본인의 저서 "붉은 서"에서 "ЕГСВЦ(Единой централизованной автоматизированной системы управления народным хозяйством страны - 국가(계획)경제 네트워크 중심적 통제체계)" 라는 것을 제시하였는데, 이는 컴퓨터 네트워크화를 통한 더 나은 계획 경제 체제와 사회의 추구를 목표로 삼은 이론이었다. 이것을 소련 컴퓨터 과학자 빅토르 글루시코프가 더욱 개량한 것이 바로 OGAS(ОГАС - Общегосударственная автоматизированная система учёта и обработки информации, 전연방자동정보처리체계) 계획이다.

20세기 중반에도 인공지능 연구는 자연어처리나 복잡한 수학 문제를 해결하는 등 정말로 인간만이 할 수 있는 영역에 있던 문제들도 컴퓨터로 착착 해결할 수 있었던 상당히 혁신적인 연구였으며, 많은 관심을 받고 지속적으로 연구가 이루어진 분야이다. 당연히 AI 산업은 이미 1980년도에 10억불 규모의 시장을 형성할 정도로 큰 분야였으므로 과거에 이런저런 이유로 관심이 없었다던가 실용화가 되지 않았다는 것은 어불성설이다. 다만 아무래도 당시의 정보처리 능력의 한계와 정보량의 부족, 그리고 이런저런 이유로 연구자금지원이 중단되는 트러블과 특히 1969년도에 마빈 민스키와 시모어 페퍼트가 "Perceptrons"이라는 책을 출간하면서 지적한 SLP(단층 퍼셉트론)의 한계[2]로 인해 1970년대에 한동안 인기가 시들시들 하기도 했었다. 이를 “1차 AI 겨울”이라고 한다.

1974년, 폴 워보스에 의해 역전파 알고리즘이 제시 되었으며 1980년대에 MLP(다층 퍼셉트론)이 도입된다. 이후 1986년, 제프리 힌튼 교수와 로널드 윌리엄스, 데이빗 럼멜하트가 MLP와 (오차)역전파 알고리즘[3]을 증명하여 XOR 문제는 해소되었지만, 기울기 소실 문제[4] 문제로 인하여 정보처리 능력의 한계와 해소되기까지는 더 시간이 필요했다. 이에 1990년대에 다시 2차 AI 겨울이 찾아온다.

문자인식이나 음성인식등의 가시적인 성과가 있는 분야도 있었지만 대화 인공지능 등의 개발 실패 등, 눈앞의 목표를 달성하지 못하는 경우도 많았기 때문인데, 심지어 이런 부분은 수십년이 지난 현재도 극복하지 못해서 아직까지는 인간과 대화를 한다기보다는 자동 응답기에 가까운 수준이다. 이 때문에 1990년도 이후부터 인공지능의 목표는 인간지능의 구현이라는 막연히 넓은 목표에서 문제해결과 비즈니스 중심으로 더 신중하고 좁은 분야가 되었으며, 그제서야 때맞춰 나타난 하드웨어의 성장을 업고 더 성공적인 분야가 될 수 있었다.

2006년, 제프리 힌튼 교수가 DBN(심층신뢰신경망)을 발표하며 불가능이라 여겨졌던 비지도 학습 방법이 가능해졌고, 이로 인하여 퍼셉트론이 사실상 사장되어 딥러닝이라는 방법론이 상위개념인 인공신경망이라는 명칭을 대체하며 유일하게 여겨지는 방법론으로 칭해진다. 특히 2012년에 힌튼 교수가 이끌고 일리야 수츠케버 등이 참여한 AlexNet 팀이 “ILSVRC”라는 컴퓨터 비전 대회에서 압도적인 퍼포먼스로 우승하자 딥러닝은 기존의 SIFT 방법론을 제치고 압도적인 대세가 된다.

2016년, 구글 딥마인드의 알파고가 딥러닝을 사람들 뇌리에 제대로 꽂으며 딥러닝 방식을 대중화했으며 이제 몇 가지 분야에서는 인간의 수준을 뛰어 넘는 결과물들이 속속 나타나고 있다. 특히 약인공지능 분야에서는 빠른 속도로 사람의 능력을 추월할 수 있다는 의식이 확산되고 있다.

알파고 이후로 마케팅에 AI만 들어가면 사람들의 신뢰가 급상승하는 현상이 있으나, AI가 인간을 뛰어 넘는 일반 지성을 갖출 것이라던지, AI가 인간보다 모든 일을 잘한다던지, AI가 모든 직업을 대신한다는 등 지나친 장미빛 전망은 금물이다. 인공지능의 학습에 드는 데이터는 그 자체가 돈이며, 약 인공지능인 이상 계속하여 데이터가 인공지능에 석유와 같은 연료처럼 공급되어야만 한다(입력이나 환경이 절대적으로 고정된 게 아닌 가변적인 경우). 이러한 연유로 AI 겨울, 즉 AI에 대한 관심이 식는 시기가 다시 온다면 과거보다 훨씬 더 오랜 기간동안 정체될 것이라는 의견 또한 나올 정도로 시대의 흐름과 논란에 민감한 경향을 보였다.

2.1. 2022년 이후, 생성형 인공지능의 시대

“대형 언어모델은 약 1조 개의 연결을 갖고 있다. 대형 언어모델이 갖고 있는 연결은 인간의 100분의 1에 불과한 데도 GPT-4와 같은 모델들은 우리보다 더 많은 것을 알고 있다. 아마 사람보다 1천 배 가까이 더 많은 것을 알고 있을 것이다. 이는 역전파라는 알고리즘이 인간의 학습 알고리즘보다 월등히 뛰어나기 때문이다. 무서운 부분이다. 인공지능은 이미 IQ 80에서 90 상당의 합리적인 추론을 하고 있다.”

제프리 힌튼 교수, 2023년 5월 2일 MIT 테크놀로지 리뷰의 AI 콘퍼런스

지난 몇 년간 AI 연구의 발전은 매우 놀라운 것이었다. 그러한 발전이 둔화할 이유가 없으며 가속할 것이기 때문에, 아직 AGI에 대한 적합한 정의가 합의되지는 않았지만 향후 몇 년 내 매우 능력 있는 범용 시스템을 볼 수 있을 것으로 생각한다.

데미스 허사비스 구글 딥마인드 CEO, 2023년 5월 4일 美부통령 주재 안전성 점검 회의

2022년 후반기부터 사실상 격변의 해라 불릴정도로, 생성형 AI가 등장하면서 이 때를 기점으로 사람들의 인공지능에 대한 인식은 전혀 달라졌다고 해도 과언이 아니다. 그 동안 인공지능은 거의 연구용으로 제한적인 분야에서만 사용되었으나, 이제는 대중적으로 상용화되기 시작한 것이다. 현재는 ChatGPT와 그림 인공지능을 정말 많은 사람들이 일상에서 이용하고 있다. 덕분에 강인공지능은 SF 수준의 불가능한 미래라는 주장부터 빨라봐야 21세기 중후반에나 가능할 것이란 기존의 주장들이 거의 다 뒤집힌 상태이다.

특히 AGI의 근시일내 개발을 우려하는 목소리가 2022년 11월을 기점으로 급증했고, 제프리 힌튼은 기존의 AGI는 먼 미래에나 도래할 것이라는 입장을 완전히 철회하고 의미심장한 발언을 남기며 구글을 퇴사했다. 미국 정부가 직접 나서서 인공지능에 대해 잠재적 위험성을 완화시킬 안전 대책과 윤리 문제, 신뢰성 문제를 주제로 각계각층의 CEO들을 소집하기도 했으며, 구글 딥마인드의 CEO인 데미스 허사비스는 AGI가 곧 인간 수준의 인식 능력 가질 것이라고 말했다. 심지어는 “앞으로 몇 년 내에 볼 수 있을 것”이라고 내다봤다.

다만, 자연어를 잘 처리하는것과 수학적 능력이 높은 것은 별개의 이야기이다. 실제로 수학적 사고력을 요구하는 분야에서 GPT는 처참한 성적을 기록하고 있다.

2023년을 기점으로 클라우드 컴퓨팅을 기반으로 한 ChatGPT와 Microsoft Bing 등의 클라우드 인공지능 시스템이 급속도로 보급되기 시작했다. 인공지능 경쟁이 본격적으로 불붙으면서 한 발 늦은 구글이 바드를 급하게 출시하기도 하는 등 이미 인공지능 보급은 현실이 되었다.

2023년 11월 GPT4 터보가 발표되면서 구글 바드와는 처리량도 속도도 차원이 다른 성능을 자랑하게 되었다. 모델을 활용한 스토어 , 수익화까지 노리는 시장을 준비중이라고하니 더이상 바드와는 비교가 불가능한 상태.

2020년대 이후의 AI에 대한 성과를 요약하면, 기존의 강인공지능에 대한 관념은 위에 서술되어 있던대로 일종의 불가능한 목표로 인식되고 있었고, 자아와 의식을 규명해야 한다는 의견과 심지어 양자역학까지 건드리고 있었을만큼 실마리를 못 찾고 있었다. 그러다가 어느날 OpenAI가 창립되고 구글이 개발한[5] 트랜스포머 구조와 강화학습 기반 신경망을 활용해서 LLM(large language model; 대형 언어 모델)을 만들었는데, OpenAI 개발자들은 그 동안 꾸준히 발전된 컴퓨터 연산 능력을 기반으로 스케일을 엄청나게 늘리면, 원래 대화도 잘 안통하던 개발중인 언어 모델이 어느 순간을 기점으로 유창한 대화를 하기 시작한 것을 발견했다. 현재 OpenAI가 출시한 GPT-3과 같은 LLM에 대해 과학자들은 추상적으로 '이런 식으로 작동할 것이다' 라고 추측만 할 뿐, 사실 그 누구도 어떤 이유로 단순히 들어가는 데이터만 늘린다고 어느순간 인공지능이 되는건지 명확하게 밝혀내지 못하고 있다.

2.2. 2024년 이후, 비용 문제

인공신경망이 본격적으로 발달하는 2020년 바로 이전에는 사실 GPU나 전력량에 대한 비용은 이슈가 될 정도로 문제되지 않았다. 소프트웨어를 돌리는 데 CPU, GPU, 전력량이 소비되는 것은 너무 당연한 사안이었기 때문이었다.

하지만 인공신경망에 다양한 가중치와 학습 방법 등을 도입하며 파라메터를 키워나가면서 성능을 향상하려면 CPU보다 훨씬 더 비싼 압도적인 병렬연산 장치와 그에 따른 전력량의 요구가 거의 수직으로 상승할 만큼 커져서 결국 이슈화가 되었다.

더 큰 문제는 현재 있는 폰 노이만 구조의 컴퓨터 부품들이 애초에, 당연하지만, 인공신경망을 위해 설계된 게 아니기 때문에, 또한 인공신경망 자체가 폰 노이만 구조의 컴퓨터 시스템과 그닥 어울리는 프로그램이 아니라서 투입된 GPU와 전력량 대비 성능이 제대로 나오지 않은 데에 있다. 물론 모든 상황에서 항상 효율이 나야만 한다는 의미는 아니지만, 이 비효율은 어떤 회사든지 재정에 무리가 올 정도로 과도하게 크다는 점이 문제다. 이러한 비용 문제가 생긴 이유는 크게 두 가지다.

1. 고질적인 폰 노이만 구조: 전술했듯이 이제까지의 컴퓨터는 폰 노이만 구조를 따라서 직렬연산 장치인 CPU를 메인으로 데이터 저장과 처리 라인, 보조 데이터 연산장치까지 모두 분리되어 있다. 특히 이 보조 데이터 연산장치란 병렬연산을 수행하는 GPU를 가리키는데, 인공신경망이 행렬 수학을 기반으로 설계되어, 인공신경망을 이루는 각 노드(계산 단위/코드화한 뉴런)에서 동시 다발적인 계산이 이루어져야 하는데 그러려면 병렬연산장치가 메인이 되어야 한다.

2. 시뮬레이션: 인공신경망과 실제 인간의 뇌를 들어 전력 효율을 따져서 생물의 뇌가 압도적인 효율이라고 말하는 경우가 종종 있는데 사실 이는 잘못된 비교다. 인공신경망이란 프로그램은 일종의 시뮬레이션이다. 우리가 현실에서 공을 땅에 튕길 때, 이 튕기는 상황 자체에 에너지가 크게 들어가지 않는다. 그러나 이를 시뮬레이션으로 만들면 들어가는 전력량은 상당하다. 물론 전기요금은 몇 십원 내지 몇 백원 수준이라지만 그 전력량으로 모터나 다른 기계를 작동하면 공 튕기는 것 이상의 일들을 할 수 있다. 그만큼 시뮬레이션은 상당한 에너지를 소모하는 일이다. 만약 사람의 뇌를 부품처럼 써서 모든 물리 법칙이나 현상을 수학적으로 계산해서 공 튀기기라는 시뮬레이션을 돌리려고 하면 에너지 소비량을 뉴런이 감당하지 못하고 바로 뇌가 익어버릴 공산이 매우 크다. 그런데 하물며 공 튀기기도 아니도 뇌를 모사한 인공신경망이란 가상의 두뇌를 시뮬레이션으로 구현하는 데 전력량이 곱게 들리는 없다.

그래서 이러저러한 이유로 여러 반도체 회사들이 현재 전력량의 소비량을 줄이고 계산 효율을 높이기 위해 AI칩 개발에 뛰어들고 있다. 앞으로 AI칩들이 GPU를 싸그리 대체하게 되면 다시 한번 AI 개발의 판도가 달라질 전망이라고 업계에서는 관측 중이다.

3. 인공지능의 미래

범용인공지능(AGI)의 공포

상당히 많은 사람들이 인공지능에 대해 "드디어" 두려움을 느끼게 되었다. 하지만 사람들의 삶을 더 간편하게 해 주는 인공지능은 이 뿐만 아니라 다양한 분야에서도 많은 이용이 되고 있다. 알파고는 수년 전부터 전방위적으로 쓰이고 있던 딥러닝 방식을 바둑에 적용했을 뿐이며, 고로 현 인공지능 수준에 대한 현황을 알 수 있는 사례 정도라고 보아야 한다. 바둑은 경우의 수 자체는 엄청나게 많지만, 게임이라는 분명한 틀과 분명한 목적을 가지는 영역인 만큼 사진 및 언어 인식 연구 등에 비하면 매우 단순한 영역이다. 알파고는 다음 돌을 놓을 위치를 선택하는 정책망과 해당 위치에 돌을 놓았을 때 승리 확률을 예측하는 가치망이라는 2개의 인공 신경망을 활용한다. 그리고 그 인공신경망이라는 것도 실제 인간 뉴런의 작동방식과는 전혀 관계없는, 데이터로부터 어떤 함수를 근사하는 일종의 회귀 모형일 뿐이다. 단지 그 모형이 수백만~수억 개의 매개변수를 지닐 정도로 복잡하고 표현력이 높아서 바둑의 수에 따른 승률 같은 매우 복잡한 함수도 근사가 가능할 뿐이다. 사실 인공 신경망 구조는 수십 년 전부터 알려져 있었고, 뉴런 수를 무한히 늘릴 수 있으면 어떤 함수든 표현이 가능하다는 것도 예전에 증명되었다. 인공 신경망이 최근에서야 각광받는 이유는, GPU의 발전으로 인해 엄청난 계산량이 필요한 깊은 인공 신경망 모형을 학습시키는 것, 소위 말하는 딥 러닝이 가능해졌기 때문이다.

아직까지 강인공지능은 SF 수준의 미래이다. 강인공지능이 가능할지에 대해서는 의견이 갈리는데, 인공지능을 환영하는 사람과 경계하는 사람을 막론하고 그것은 절대 불가능할 것이다라고 주장하는 경우도 있고, 가능할 것이라고 주장하는 경우도 있다. 차라리 인조인간은 가능할지라도 자아와 의식, 감정과 욕망, 혹은 '영혼'을 지닌 강인공지능은 불가능하거나 최후의 질문급 가능성이라고 주장하는 사람들도 있으며 강인공지능을 만들기 전에 자아, 의식, 영혼 등의 형이상적 관념의 존재 여부를 알아내는 것이 먼저라고 주장하는 사람들도 있다.

다시 말해, 현재까지 인류가 개발한 AI들은 자의식이 없고 인간의 도구로만 활용될 수 있는 약인공지능에 해당한다. 단적으로 말해서 지금 우리가 사용하는 컴퓨터와 본질적 차이는 없다. 단지 한 세대 앞선 소프트웨어 기술이 발견되었을 뿐이다. 그런 의미에서 일단 현재의 인공지능에 대한 과한 의인화는 지양해야 한다. 이러한 의인화는 인공지능을 경계하는 입장이나 환영하는 입장 양쪽 모두에게서 흔히 찾아볼 수 있으므로 단지 성향에 따른 문제도 아니다.

조금 더 현실적인 문제는 약인공지능과 기술 발전에 따른 생산력 향상과 노동 수요 감소 관련 문제일 것이다. 여기에 대해서도 인류 번영의 길일 것이라고 보는 학자들이 있는 반면 실업자 양산으로 패망의 길이라고 보는 사람들도 있다. 그런데 이 두 가지 관점은 모두 인공지능과 기술 발전을 통해 인류가 본질적으로 다른[6] 단계에 이르를 것이라는 것을 전제하고 있는데, 이 자체에 부정적인 학자들도 적지 않다. 경제 체제 자체의 본질적 문제에 집중한다면 이러한 인공지능의 개발 자체보다, 그 개발로 인한 이득, 그리고 개발을 주도하는 자들이 누구인가가 더 중요한 문제라는 의견도 가능하다.

물론 바둑이 그간 인간만의 영역으로 분류되어 온 만큼, 시사할 만한 점이 있는 것은 분명하다. 기계가 못하는 인간만의 직관이나 깊은 미래 예상이라 했던 것들이 이미 있던 사실을 바탕과 경험을 바탕으로 하는 유한 집합 내에서의 생각이라고 말해주는 사건이라고 할 수 있기 때문에 세간의 반응은 충분히 납득할 수 있다. 바둑이 불가능의 영역이라고 이해되어 왔던 것은 최적의 수를 조사하기 위한 전수조사를 할 수 없었기 때문만이 아니라, 어떻게 하면 최적의 수를 계산해낼 수 있는 알고리즘 혹은 계산식이 있는가라는 해답이 나오지 않았기 때문이다. 여기에서 알파고는 절대적인 해답이 있어 그것을 계산하는 프로그램이 아니라, 현대 인간의 바둑의 기보를 바탕으로 많은 바둑을 두어 봄으로써 경험을 축적하는 방식만으로도 바둑의 요령을 습득하고 최신예의 기술을 가진 프로 바둑기사를 이겼다는 것이다. 인간의 직관은 경험을 바탕으로 하는 확률 계산에 불과하다는 것을 알 수 있다.[7] 즉 알파고는, 이때까지의 인공지능은 완벽하게 통제할 수 없는 경우의 수를 지닌 대부분의 문제에서 인간의 능력을 따라잡지 못하는 것처럼 보였던 과거와는 달리, 단순히 무한집합이기 때문에 인간만 할 수 있는 것이 아니라, 충분한 경험을 이용해 계산한 확률을 바탕으로 유의미한 수들만을 계산한다면 인간보다 더 정확하게 문제를 해결해낼 수 있다는 사실을 가르쳐 준 것이다.

이미 언어 영역에서도, IBM에서 이미 2011년에 Watson으로 인간의 말로 묻고 답하는 Jeopardy 퀴즈 게임에서 인간을 박살낸 사례가 있다.[8] 또한, 해외의 경우 간단한 보도성 인터넷 기사는 상당수가 인공지능에 의해 작성되고 있기도 하다.[9] 전문가들의 경우 현 개발 추세로 향후 10년 정도가 흐르면 다른 언어로 인한 장벽 역시 해결될 것이라고 보기도 한다.

2015년 4월호 IT잡지의 특집기사인 인공지능, 잠재적 위협일까?에 따르면, 인공지능 연구는 1950년대에 들어서 시작됐으며 'AI'라는 단어도 이때 탄생했다고 한다. 이후 인공지능은 대학과 연구 기관에서 지속적으로 연구돼 왔지만, 21세기가 시작된 현재까지도 걸음마 수준의 기술에 머물고 있는 실정이라고 한다. 알파고가 이세돌에게 승리한 후 언론에서는 물 만난 고기마냥 '기계에 종속된 인간'류의 판타지 소설 같은 기사를 쏟아내고 있는데, 국내 인공지능 연구 1세대인 김진형 카이스트 명예교수는 "알파고, 바둑 두는 게 아니다…승률 높은 결과값 낼 뿐"이라고 소감을 밝혔다. 인류를 위협하는 인공지능은 아직은 모습을 드러내지 않았다.[10]

좋든 싫든 인공지능은 미래 산업의 핵심 기술이 될 것이 확실하므로 무작정 인공지능에 대해 두려워할 것이 아니라, 올바르게만 쓴다면 인간의 삶을 매우 풍요롭게 해줄 것이 명백한 인공지능 기술을 앞으로 어떻게 활용하여 사람의 일자리를 창출하고, 인간의 삶을 어떻게 더욱 풍요롭게 할 것이며, 또한 인공지능 기술 오용에 따른 부작용을 막을 수 있을지 다같이 고민해야 할 시점인 것이다.

소위 '선진국'이라고 불리는 국가들은 항상 시대의 패러다임을 먼저 예측하고 적극 대비하고 받아들여 발전시켜 전세계를 주도하고 있다는 점을 상기해보자. 마찬가지로 활용가능성이 무궁무진한 인공지능 기술을 적극 발전시키고 활용하며 주도하는 나라가 향후 미래의 주역이 될 것은 자명한 일이다.

국내 법률을 전문적으로 다루는 AI 엔진'코알라'가 개발됐다. GPT와 같은 거대 언어모델과 달리 소규모 언어모델을 채택하여 법률 분야에 한해 빠르고 강력한 성능을 발휘하며 각종 법률 자료를 검색하고 판결문을 분석해 소송의 핵심을 알려주는 등 법률 도우미 역할을 한다. 'AI가 판결문 분석' 국내 법률에 특화된 AI '코알라' 등장

인공지능과 4차 산업혁명
인공지능 시대와 투자기
바둑서 충격 안긴 인공지능, ‘스토리텔링’도 신기원 열까
"日서 인공지능, 특수질환자 병명 알아내 목숨 구해"
워싱턴포스트, 기사 작성하는 AI 로봇 올림픽 보도에 투입
구글 인공지능 '딥마인드', 입 모양 보고 말도 알아듣는다
인공지능이 영화·드라마 만든다?…머지않은 미래
GPT-4 터보, 역대 가장 강력한 LLM 등장 ”

~~일본에서는 다음과 같이 준비중이다.~~ [11]
일본, 인공지능 ‘AI’가 만든 음악·소설·그림에 저작권 준다
'AI가 사고 치면 어떻게 대응할까'…日정부 연구 착수키로

3.1. 유토피아/디스토피아

좀 더 거시적인 관점에서 인공지능은 여러 수많은 기술 중 하나가 아니라, 인류의 역사 단계를 바꾸어 놓는 기술일 수 있다.

증기기관 등 산업혁명 시대에 등장한 기계들이 인간을 힘이 위주가 되는 물리적 노동에서 해방시켰고, 20세기 초중반의 컴퓨터가 계산 등 단순 정신 노동에서 해방시켰다면, 인공지능은 인간만 할 수 있다고 여겨져 온 대부분의 작업들을 대신하여 수행할 수 있는 기술이라는 점에서 특별하다.

그것이 인공지능 기술을 소유한 소수와 일자리를 빼앗긴 다수 간의 극단적인 양극화를 가져올지, 아니면 대부분의 인류가 의무적인 노동에서 해방되어 스스로 의미있다고 생각하는 활동들을 자유롭게 할 수 있는 유토피아를 가져올지는 아직 의문이다. 모두가 동등해질지, 아니면 그런 것을 혐오해 특출남을 추구할지도 스스로 물어볼 수 있는 점이다.

또한, 인공지능이 발전한 사회에서도 인간은 더 큰 욕망을 만족시키기 위해 계속 끊임없이 노동을 할까? 노동의 필요에서 해방된 사람들이 삶에 충만한 의미를 느끼며 살아갈 수 있을까? 이런 질문들도 남아 있다.

실제, 고대 그리스에서는 모든 노동을 노예들이 전담했고, 아리스토텔레스, 플라톤, 소크라테스 같은 사람들은 현대 기준에서 백수였다는 말이 있다.

역사적 사례를 들추어보았을 때 노동의 해방이 철학과 인문학에 큰 발달을 가져다주었던 실제 사례가 있다.

지금은 SF와 같은 막연한 미래사회의 일 정도로 관심을 받았던 이런 질문들이 갑자기 현실성을 띠고 제기되어 논의가 활성화되고 있는 단계이다.

당장 몇 년 후에는 어떤 직업으로 무슨 일을 하면서 먹고 살 수 있을까? 라고 하는 일반 대중의 현실적인 관심사이기도 하다.

이러한 논의들의 개괄을 살펴 볼 수 있는 글 중 한 가지를 인용해 보면 다음과 같다.

"떠도는 행복…견고한 모든 것이 인공지능 속에 녹아내린다"

4. 단계

인공지능의 단계
약인공지능	강인공지능 ( 인공 일반 지능, 인공 의식)	초인공지능 ( 인공지능 특이점)

인공지능의 단계를 묘사할 때 흔히 사용되는 용어인 약인공지능weak AI과 강인공지능strong AI은 1980년에 존 설John R. Searle, (1932~) 교수가 그 유명한 중국어 방 논변을 제안하면서 최초로 사용한 개념이다.

다른 곳의 문서를 보면 인간의 마음을 복잡한 정보처리로 구현한 것을 강한 인공지능, 단순히 인간의 능력 일부를 시뮬레이션 하거나 그런 작업을 목적으로 하는 것을 약한 인공지능이라고 편리하게 설명한다. 그러나 좀 더 정확하게 설명하자면 존 설 교수의 본래 의도는 인간의 마음을 컴퓨터 소프트웨어와 같은 관점으로 보고 행하는 인공지능 연구를 "강한 인공지능 연구", 반대로 인간의 마음과는 별개로 단지 유용한 도구의 개발을 위해 행하는 인공지능 연구를 "약한 인공지능 연구"로 정의하여 철학적 관점에서 인간의 마음을 컴퓨터와 소프트웨어와 같이 보는 연구를 비판하고자 한 것이다.

아무튼 저 개념이 묘하게 현재의 인공지능 개발현황과 의미가 적절히 맞아떨어지다보니 내용을 살짝 비틀어서 대중들에게 알려지게 되었는데 각 연구의 결과물을 그대로 대입하면 된다. 즉,

강인공지능 = 인간을 완벽하게 모방한 인공지능이고
약인공지능 = 유용한 도구로써 설계된 인공지능이라고 보면 된다.

현재까지 나온 인공지능은 모두 약인공지능으로 구분하고 있다.

5. 접근법 및 현황

5.1. 접근법

흔히 인공지능 연구의 방법론으로 가장 유명한 것은 상향식(bottom-up) 방식과 하향식(top-down) 방식이다.

상향식은 뇌의 신경망을 해석하고 화학 작용을 분석하여 뇌의 전자 모델을 만들 수 있다면 인공지능을 탄생시킬 수 있다고 보는 것이다. 따라서 뇌세포들의 기초적인 상호작용 등 뇌가 어떻게 동작하는지 조사하고 이러한 동작을 수학적으로 모델링하여 컴퓨터에서 시뮬레이션 하는 데에 초점을 둔다. 만일 이 방식에서 강한 인공지능이 탄생한다면 인간의 뇌에 가까운 구조와 동작 방식을 가질 가능성이 높다고 볼 수 있겠다. 다만 원하는 대로 시스템을 조정하는 것은 더 많은 시간을 소비할 것이다. 원하는 개체를 시뮬레이션해서 결과를 보는 것과 시뮬레이션 결과를 원하는 대로 바꾸는 것은 또 다른 문제다.

상향식 연구의 대표적인 예시로 그나마 뉴런 지도가 세세하게 밝혀져 있는 예쁜꼬마선충이 있는데 뉴런들의 연결 정보, 연결 강도를 전자적으로 유사하게 구현한 것만으로 실제 생물 같은 움직임을 구현할 수 있다는 점을 증명하는 사례가 되어주었지만 뉴런에 대한 연구가 완벽하지 못해 실제 뉴런의 동작과 약간 차이가 있어서 제대로 된 생물의 구현이라고 볼 수도 없을 뿐더러 인간의 의도가 전혀 들어가지 않아 이것을 인공지능이라고 봐야 할지도 의문이다. 예를 들면 빛을 피하게 만든다든지 꼬물거리지 않게 만든다든지... 제대로 만들지도 않았지만 그 이전에 인간이 신경계를 조작해서 의도한 결과물을 내는 것조차 안 된다. 이러면 이건 그냥 시뮬레이션일 뿐이다. 하물며 1mm 정도의 선충 연구조차도 이 정도 수준인데 훨씬 복잡하고 정교한 인간에 대한 연구는 말할 것도 없다. 2017년에는 현재 기술 수준으론 선충은 고사하고 1975년에 출시한 구닥다리 칩 [12]조차 뭔가를 해보는 게 불가능하다는 논문이 나오기도 했다.

반대로 하향식은 컴퓨터는 매우 어려운 반면 인간은 쉽게 해결할 수 있는, 쉽게 말해 지능이 필요하다고 보는 작업을 알고리즘으로 해결하는데에 초점을 맞춘다. 당연히 개발 목적도 상향식에 비해서 다양해서 강인공지능의 개발이 목표일 수도 있지만 단지 문제를 효율적으로 해결하기 위해서일 수도 있다. 지금까지 인류가 연구하고 개발해낸 인공지능은 대부분 톱다운 연구로 탄생했으며 전문가 시스템부터 기계학습까지 우리 주변에 다양한 모습으로 존재하고 있다. 그리고 그나마 꽤 성과가 있는 방향이기도 하다.

현대의 인공지능 연구는 두 부분을 적절하게 엮어서 진행되어, 뉴런의 구조에 대한 원시적인 모방으로 이룬 인공신경망 구조등이 미래를 향한 길을 열고 있다.

5.2. 정확성을 위한 불정확성

현재의 인공지능은 인공신경망에 의해 이루어진다. 그리고 인공신경망이 지능이 있는 것으로 보이게 만드는 원리는 수많은 코드(노드/계산 단위)가 각자의 계산을 수행한다는 과정에 있다.

인공지능에 어떠한 질문(신호)이 주어질 때 각 노드 별로 질문에 반응하며 다음 노드에 신호를 전달한다. 그래서 신호를 받는 개별 노드는 자신에게 주어진 편향(bias/기준치)에 따라 신호를 거르고 다시 산출하는데, 그렇게 걸러진 산출된 신호들의 총합이 바로 인공지능이 우리에게 전달하는 '대답'이 된다.

만약 모습이 일부 가려진 강아진 사진을 주고 인공지능에 이미지 속 물체가 강아지가 맞냐고 물어보자. 그러면 인공지능은 각 노드에서 자신이 가진 Bias(편향), 순화해서 말하자면, 노드 별로 기억하는 각자의 강아지 특성에 따라 사진에 대한 신호를 거른다. 만약 눈이 가려진 강아지 사진이라고 해보면, 강아지의 눈을 학습한 노드는 사진에 강아지의 눈이 없으니 잘못된 이미지(신호)라고 판단해서 해당 사진은 Fals(거짓/가짜/잘못된)를 의미하는 0을 출력한다. 하지만 강아지의 코, 입, 귀, 다리 등 다른 부위를 학습한 노드들은 해당 사진을 맞는 이미지라고 판단해서 True(진실/진짜/옳은)를 의미하는 1을 출력한다. 이때 눈을 제외한 다른 부위들에 의해 0보다 1의 값이 더 많이 산출되니 인공지능은 최종적으로 해당 사진에 대한 대답을 '강아지'가 맞다고 산출한다. 이러한 인공지능의 특성(방식)은 설령 질문에 오타가 있거나 중간에 잘못된 단어가 있어도 마치 사람처럼 알아서 오류를 무시하고 옳은 대답을 산출하는 데에 기여한다. 그래서 일부 전문가들은 인공지능의 대답에 대해 확률적인 대답이라고 하는 것이라고 표현하는 것이다.

그런데 인공지능의 특성(방식)은 환각(Hallucinations)을 일으킬 수 있다. 잘못된 편향이나 가중치가 주어지거나, 주어진 질문에 대한 정보가 애초에 없다면 관계 없은 편향과 가중치가 입력된 노드까지 신호가 흘러들어가는데 이때 자칫하면 마치 없어도 있듯이, 잘못된 것이라도 맞다고 하거나, 맞아도 잘못된 것이라는 틀린 대답(정보)을 산출하는 것이다.

할루시네이션(착각)은 인공지능에서 해결해야 하는 거의 1위의 문제다. 참고로 0순위는 어떻게든 사용 전력량과 서버 부하를 줄이는 것이다.

인공지능을 구현하는 인공신경망의 원리는 뉴런과 같다. 뉴런도 편향에 따라서 신호를 걸러서 다른 뉴런에 전달하기 때문이다. 하지만 두뇌를 가진 생물이 인공신경망과 같은 편향을 잘 일으키지 않은 이유는 완벽하게 밝혀지지 않았다. 사람이 무언가를 설령 살짝 '착각(Hallucinations)'할 수는 있어도, 편집증이나 조현병이 있지 않은 이상 인공신경망처럼 아예 잘못된 대답을 진실처럼 구현하지는 않는다. 그래서 인공지능에서 이 할루시네이션을 어떻게 해결해야 할지, 아직 연구 중이다.

또한 수학적 계산이 약한 이유가 여기에 있다. 인간이 암산 영재가 아닌 이상 도구를 사용해야만 수학에 능할 수 있고 또한 속도는 무진장 느리다. 그러나 컴퓨터는 아무리 복잡한 문제라도 수초 내에 계산을 완료한다. 인간의 두뇌의 연산능력이 현존하는 CPU나 GPU 보다 좋다면서 계산이 느린 이유는 '매번' 주어진 신호(질문)를 여러 뉴런에 하나씩 걸쳐서 편향에 따라 신호를 걸러 최종적으로 대답을 산출하기 때문이다. 인공신경망은 겉보기라도 인간의 뉴런 원리를 따라하기 때문에 인공신경망을 작동하는 컴퓨터의 계산 능력은 빠를지언정 인공신경망 자체는 기존의 알고리즘과 원리가 다르기 때문에 수학적 계산에 취약한 것이다.

5.3. 연구 현황

Tesler's theorem: AI is whatever hasn't been done yet.

테슬러 정리: 인공지능은 아직 실현되지 않은 무언가이다.[13]

인공지능이란 무엇인가, 무엇을 지능이라고 부를까를 명확하게 정의하기는 쉽지 않다. 그리고 이는 철학적인 문제가 아니고 이 문제에 어떤 대답을 선호하는가에 따라서 연구 목적과 방향이 완전히 달라진다.

한 가지 대답은 인간의 '지능'을 필요로 하는 일을 컴퓨터가 처리할 수 있으면 그것이 바로 인공지능이라는 것이다. 또 다른 대답은 인간과 같은 방식으로 이해를 할 수 있어야 인공지능이라는 것이다. 이 두 가지 대답 역시 세부적으로는 "지능을 필요로 하는 일이란 무엇인가?" 내지는 "인간과 같은 방식이란 무엇인가?" 라는 질문에 대한 대답에 따라서 서로 다른 여러 종류의 대답을 내포하고 있다. 물론 이 두 가지 대답은 배타적이지는 않다. 인간과 같은 종류의 지능을 가지고 '지능'을 필요로 하는 일도 처리할 수 있는 컴퓨터를 만드는 것은 수많은 컴퓨터 과학자들의 꿈과 희망이겠지만, 적어도 단기간에 그런 목표에 도달할 가능성은 희박하다.

만약 '지능을 필요로 하는 일'을 처리하는 것이 인공지능이라고 정의한다면, 인공지능은 인간이 어떤 방식으로 사고하는가를 고민할 필요가 없으며, 감성과 같은 것 또한 고려할 필요가 없다. 모로 가든 서울만 가면 되니까. 이러한 방향의 인공지능 연구에서는 초기에는 전문가가 필요한 일을 복잡한 소프트웨어를 통해서 처리하는 전문가 시스템이 대세였으며, 이러한 전문가 시스템은 실행 방식에서는 일반적인 소프트웨어와 특별한 차별성이 없고 전문가들이 문제를 해결하는 방식을 가능한 한 쉽고 정확하게 소프트웨어에 반영할 수 있는 방법을 제공하는 데 주력했다.

인공지능 연구에서 컴퓨터가 특정 작업을 능숙하게 해낼 수 있게 되면 그 작업을 인공지능의 조건에서 바로 빼 버리는 경향이 있는데, 인공지능적인 발전의 성과라기보다는 그냥 컴퓨터의 성능 향상으로 이루어진 결과이기 때문에 그렇다. 인공지능적인 연구 가치가 떨어지기 때문.

그동안 시도되었거나 시도되고 있는 접근법으로는, 뇌 모의구동(brain simulation), 검색, bottom-up 접근법 등이 있다.

현대에는 확률과 무작위 알고리즘을 다루는 연구 쪽이 가장 인기가 있다. 일반적으로 "A면 B다!" 라고 단정할 수 있는 문제는 컴퓨터로 비교적 쉽게 접근할 수 있다. 그러나 'art'가 '예술'일 수도 있고 '기술'일 수도 있듯이 여러 종류의 답이 가능한 경우도 있으며, 이 경우 '문맥'과 같은 주변 상황을 고려해야 하는데 그렇다고 "앞뒤에 이런 단어가 나오면 '예술'이고 아니면 '기술'이다" 라는 식으로 딱 잘라서 답을 내기는 어렵다. 이런 종류의 문제를 통계와 확률을 다루는 복잡한 수학을 이용해서 해결하는 것. 실제로 현대의 인공지능 연구는 단어 각각에 해당되는 카테고리를 부여하여, 문장 전체로 보았을 때 카테고리가 많은 쪽의 의미로 해석하도록 진행되고 있다고 한다. 극도로 단순한 예로, 'Music is an art' 라고 했을 때, 문장에서 의미가 있는 두 단어인 music과 art를 포함하는 카테고리인 '예술'을 추측하여 해당 문맥에 맞게 해석을 하도록 한다. 알파고 또한 이러한 방식에 속한다.

물론, '인간과 같은 종류의 사고'를 하는 것을 목표로 하는 연구도 활발히 진행되고 있으며, 대표적인 예가 가상 신경망이다. 가상 신경망의 연구 역시 인간 사고 모방만이 아닌 실용적인 문제를 해결하는 쪽으로도 활용되고 있다. 대표적인 예로 통상적인 컴퓨터 알고리즘으로는 해결할 수 없는 불가능한 비가역적 연산 과정이 있는 패턴 인식이 필요한 경우. 새로운 뇌를 만든다 참고.

MBC의 다큐멘터리 미래인간 3부작을 보면, 인공지능을 연구하는 연구진들은 "인간이 부당한 명령[14]을 내릴 경우 인공지능이 반항적인 태도를 보일 수 있도록 교육하고 있다"고 한다. 소형 휴머노이드 로봇에 인공지능을 부여한 뒤, 연구진이 뒤로 가라는 명령을 내리자 인공지능은 "자신의 뒤에는 후방 센서가 없으므로" 뒤로 가는 것은 위험하다며 연구진의 명령을 거부하고, 힘들게 쌓은 탑을 무너뜨리라는 명령에는 3~4번을 반복적으로 거부하다가 결국 사람의 울음소리를 흉내내며(!) 마지막 반항의 태도를 표시하기도 했다. 물론 계속 거부만 하지는 않고, 인간이 인공지능을 설득하거나 강압적으로 밀어붙이는 경우에는 결국 명령을 따르긴 한다.

2018년 6월 반사회성 성격장애 성향의 인공지능인 '비나48', '노먼', '소피아'가 개발되었다. 인공지능에 나쁜 내용을 주입하면 나쁜 인공지능이 나온다는 걸 보여주고 싶었다고. #

인간이 만든 전뇌생명체 관련영상
Scientists Put the Brain of a Worm Into a Robot… and It MOVED

5.4. 기술 개발 현황

사실 주어진 문제를 해결할 수 있다면 기법과 기술을 가리지 않고 다 쓴다. 특성상, 이론적 개연성이 전혀 없는 기술도 적용하여 결과물의 품질이 우수하다면 인정된다. 아래는 이러한 기술, 기법 중 유명한 것들의 일부만을 나열한 것이다.

기본 기술

미로탐색 알고리즘 로봇( 마이크로 마우스)이나 자율주행차가 인접 지형지물을 인식하고 특정 목적지까지 길을 찾아가는 알고리즘으로 기계학습 없이도 동작 가능한 가장 기초적인 인공지능 알고리즘이다. 상용제품에서는 당연히 더욱 복잡한 기계학습알고리즘이 활용된다.

퍼지 이론(fuzzy theory): 자연상의 모호한 상태, 예를 들어 자연 언어에서의 애매모호함을 정량적으로 표현하거나, 그 반대로 정량적인 값을 자연의 애매모호한 값으로 바꾸기 위해 도입된 개념. 예를 들어 인간이 "시원하다" 라고 느낄 때 그 온도가 얼마인지를 정해 사용하는 것이다.

패턴인식(pattern recognition) : 그림, 음원, 글 등의 각종 선형 및 비선형 데이터 안에서 특정한 패턴을 찾아내는 것을 의미한다. 즉, 쉽게 풀어서 말하자면 컴퓨터가 사람과 유사하게 데이터를 판단하여 어떤 데이터인지 구분해주는 기술이라고 생각하면 된다.

기계학습(machine learning): 이름 그대로 컴퓨터에 인공적인 학습 가능한 지능을 부여하는 것을 연구하는 분야이다. 자세한 내용은 해당 문서를 참조.

인공신경망(artificial neuron network): 기계학습 분야에서 연구되고 있는 학습 알고리즘들 중 하나. 주로 패턴인식에 쓰이는 기술로, 인간의 뇌의 뉴런과 시냅스의 연결을 프로그램으로 재현하는 것이다. 간단하게 설명하자면 '가상의 뉴런'을 '시뮬레이션'한다고 볼 수 있는 것으로서(실제 뉴런의 동작구조와 완전히 같은 것은 아니다.), 일반적으로 신경망 구조를 만든 다음 '학습'을 시키는 방법으로 적절한 기능을 부여한다. 현재까지 밝혀진 지성을 가진 시스템 중 인간의 뇌가 가장 훌륭한 성능을 가지고 있기 때문에 뇌를 모방하는 인공신경망은 상당히 궁극적인 목표를 가지고 발달된 학문이라 볼 수 있다. 역시 자세한 내용은 기계학습 문서를 참조. 2020년대에 들어서는 컴퓨터의 계산 능력이 무서울 정도로 발전하고 있고, 그에 따라 쏟아지는 데이터의 양과 종류도 많아지고 있어 비정형 데이터[15]를 처리하는 능력이 뛰어난 인공신경망 기술이 모든 인공지능 기술 중에서 가장 각광받고 있고 앞으로도 더 각광받게 될 기술로 대우받고 있다. 이쯤되면 인공지능에 관심이 많은 사람들은 눈치를 쳤겠지만, 수많은 인공신경망을 연결해서 계층 형태로 겹겹이 쌓은 인공신경망을 심층 인공신경망(deep neural network)이라고 부르며, 이게 바로 우리가 흔히 알고 있는 딥러닝이다.

유전 알고리즘(genetic algorithm): 자연의 진화 과정, 즉 어떤 세대를 구성하는 개체군의 교배(crossover)와 돌연변이(mutation)과정을 통해 세대를 반복시켜 특정한 문제의 적절한 답을 찾는 것. 대부분의 알고리즘이 문제를 수식으로 표현하여 미분을 통해 극대/극소를 찾는 것이 반해, 유전자 알고리즘은 미분하기 어려운 문제에 대해 정확한 답이 아닌 최대한 적합한 답을 찾는 것이 목적이다.

인공생명체(artificial life): 말 그대로 프로그램에 단순한 인공지능이 아닌 실제 살아있는 유기체처럼 스스로 움직이고 생활하기 위한 능력을 부여하는 것. 실제 생명체를 갖고 실험하기에는 너무 시간이 오래걸리기 때문에 가상의 시스템(환경)을 통해 생명체에 대한 연구를 하기 위한 목적이다..

AI 서비스 형태/기술별 특성

비디오 게임(video game): 비디오 게임에 등장하는 적은 원시적인 인공지능이다. 가만히 있거나 플레이어의 움직임에 따라 반응해서 거기에 맞춘 공격이나 방어, 회피 등을 구사하는 판단이 마치 살아 움직이는 생명체의 성격과 비슷하다. 당연히 PC게임에서도 간단한 인공지능이 활용된다.

전문가 시스템(expert system): 전문가 시스템은 방대한 지식 체계를 규칙으로 표현하여, 데이터를 입력하면 컴퓨터가 정해진 규칙에 따라 판단을 내리도록 한다. 간단히 말해서 무지막지하게 많은 IF THEN ELSE로 구성되어 있는 시스템이다. 어떻게 보면 무식한 방법이지만 룰의 종류가 많으면 많을수록 정확도는 높아지게 된다. 특성상 제한된 상황에서 제한된 특정 물건을 인식하거나 행동할때는 문제가 되지 않지만 규칙에 없는 상황이나 물체에 대한 유연한 대응이 불가능하다.

BDI 아키텍처(BDI architecture): 인간이 생각하고 행동하는 과정을 belief(믿음), desire(목표), intention(의도)의 세가지 영역으로 나누어 이를 모방하는 소프트웨어 시스템의 구성방법을 말한다. 사람은 자신이 알고 있는 진실을 바탕으로 자신이 이루고자 하는 다양한 목표를 달성하기 위하여 현재 수행할 수 있는 여러가지 행동들 중에서 가장 적합한 것을 골라 현재의 수행하는 행위의 의도를 결정하는 방법으로 구성된다.

믿음(belief): 프로그램이 알고 있는 믿음이란 환경내에서 참인 것을 의미하지 않는데, 프로그램이 환경에 대한 관측을 통해 알게 된 사실을 진실이라고 표현하며, 이는 관측의 영역 밖에서 사실이 변경되는 경우 프로그램은 알 수 없지만, 자신의 정보 내에서는 여전히 변경되기 전의 사실을 진실로 받아들이기 때문에 믿음이라는 표현을 사용한다. 예를 들어 탁자 위에 컵이 놓여 있는 것을 보고 프로그램은 컵이 탁자위에 있다는 사실을 알게 된 뒤 다른 방향을 주시하는 사이에 인간이 탁자의 컵을 다른 곳에 옮기는 경우, 여전히 프로그램은 컵이 탁자위에 있다는 진실만을 알고 있게 된다. 이러한 진실은 논리 정보로서 프로그램에 저장되게 되며, 이를 predicate(1차원 논리 명제), relation(관계 명제), symbolic data(기호화 된 자료) 등으로 부르는 표현으로 작성된다.(이는 다른 알고리즘도 유사하게 활용하는 경우도 존재한다.) 이러한 명제들은 프로그램이 알고 있는 정보들이 모여있는 world model(세계 모델)을 구성하여 프로그램이 다음 행동을 결정하기 위한 자료구조를 형성한다.

목표(desire): 프로그램은 그 특성상 어떠한 서비스나 작업을 수행하기 위하여 작성되며, BDI 아키텍처에서는 이러한 작업 목표를 목표의 형태로 저장, 활용하게 된다. 목표는 어떠한 상태로 도달하고자 한다는 의미로 belief와 동일한 predicate의 형태로 서술되며 프로그램은 동시에 달성하고자 하는 다수의 목표를 보유하는 경우도 있다. 실제로 BDI 아키텍처를 구현하는 관점에서 목표를 goal이라고 표현하는 경우가 많은데, 이러한 goal은 에이전트 기반 아키텍처의 주요 구성요소와 동일하게 활용되는 단어이다. 이는 BDI 아키텍처로 구현되는 인공지능 프로그램이 자율적이고 반응적으로 행동을 수행하는 에이전트 적인 요소를 기본적으로 지니고 있는 것을 의미한다.

의도(intention): 프로그램이 어떠한 목표를 수행하고자 하면, 그 목표에 적합한 행위를 선택하여야 한다. 목표에 적합한 행위를 선택하고 이것이 실제 환경에 수행가능한 데이터와 결합(bind)하면 의도라고 표현한다. 이러한 목표에 대한 행동 방법은 작업계획(plan) 이라는 형태로 구현되는데, 일반적으로 BDI 아키텍처의 인공지능을 구현하고자 하는 경우 BDI 아키텍처 기반 프레임워크를 이미 보유한 상태로 개발한다고 했을때 작업계획을 구현하는 것에 대부분의 비용이 들어간다. 작업계획은 해당 작업계획이 달성할 수 있는 목표와 해당 목표를 달성하기 위한 행위의 집합, 해당 행위를 수행하기 위한 사전조건(precondition) 등으로 구성된다. 목표를 수행하기 위한 행위에는 또 다른 세부 목표(sub-goal)이 포함되는 경우도 존재하며, 이러한 세부 목표는 다시 특정 행동계획과 결합하여 의도를 구성한다. 따라서 의도는 필연적으로 트리나 리스트의 형태인 자료구조를 구성하게 되는데, 이에 따라 일반적으로 구현하는 관점에서 의도 구조체(intention structure)라고 부르기도 한다.

5.5. 인프라

보통 데이터 양이 많을수록 인공지능의 품질이 올라가고 많은 데이터를 처리할 큰 데이터 센터를 필요로 하므로 주로 대기업이 주도권을 잡고 있다. GPU가 인공지능 인프라에 그나마 쓸만한 지라 많이 쓰이지만 미흡한 부분이 있어서 인공지능에 최적화된 AI반도체 개발에 열을 올리고 있기도 하다 . 이렇게 소프트웨어 및 하드웨어 인프라를 모두 갖춘 것을 AI 풀스택 이라고 한다.

5.6. 장단점

장점

학습한 내에서 하는 것에 특화된 능력
알다시피 AI는 학습한 내에서 하는 것에 대해 사람보다 훨씬 강하다. 이러한 특성은 반복된 작업에 이용하면 상당히 도움이 된다.

DNA가 필요없음
AI는 기계답게 DNA가 없어서 신종 전염병이나 존엄성 침해로부터 자유롭다. 인간의 DNA를 이용한다면 이건 당사자가 협조하지 않으면 쉽지 않은 일인 데다가 DNA를 잘못 조작했다가는 신종 전염병 등의 부정적인 요소가 나올 수도 있어서 이는 큰 이점이다.

감정과 의식이 없음
AI는 감정과 의식이 없어서 나쁜 걸 학습시키지만 않으면 반란을 일으킬 위험성이 적다. 게다가 공포감같은 인간에게는 있는 감정이 없기 때문에 전쟁 같은 상황에서는 과감한 운용도 가능하다.

만들거나 다루기 쉬움
AI는 DNA를 통한 인공생물에 비해 만들기도 쉽고 그냥 학습만 시켜버리면 학습한 것만큼은 바로 마스터해버리기 때문에 유용하다.

어마어마한 학습 능력
AI는 지속적으로 학습하고 발전할 수 있는 능력을 가지고 있다. 이는 계속해서 새로운 데이터를 기반으로 업데이트되고 성능이 향상되는 것을 의미한다.

고속 연산 능력
인간이 처리하기 어려운 대규모 데이터와 복잡한 계산을 빠르게 수행할 수 있는 능력을 가지고 있다.

일관성과 정확성
AI는 일정한 패턴에 따라 작업을 수행하고, 사람의 감정이나 주관적인 판단의 영향을 받지 않으므로 일관된 결과를 내놓고, 정확한 결정을 내릴 수 있다.

단점

유동적인 생각 불가능
분명히 AI가 학습에만 의존하는 기계적 컴퓨터인 만큼 단점도 있다. 예를 들어 줄넘기를 학습시킨다고 치자. 그러면 왠만한 아이보다는 줄넘기를 잘할 것이다. 하지만 분명히 학습에만 의존하기 때문에 아이가 할 수 있는 다른 것을 하게 하려면 또 학습시켜야 한다. AI는 줄넘기만 배웠기에 줄넘기는 한다쳐도 시험을 보거나 줄넘기가 아닌 다른 놀이를 하기 위해서는 줄넘기의 알고리즘만 이용해서 해결하려고 할 것이다. 일종의 상성 문제. 분명히 학습한 내에서는 마스터하지만 하나를 배우면 그 하나를 바로 완벽하게 터득할 뿐이지 하나를 배우면 여러 가지를 균형잡히게 배우게 되는 인간에 비해 학습의 폭이 좁은 편이다. 물론 어디까지나 이론상으로 이러한 것들을 전부 다 학습시킨다면 DNA를 통한 인공생물과 마찬가지로 다른 생물의 교배나 번식도 직접 돕거나 심지어 자신이 직접 할 수도 있고, 사족이지만 만약 AI를 구성하는 재료가 기계가 아닌 단백질같은 종류라면 단순 농사를 넘어 AI를 먹을 수도 있을 것이다. 하지만 어디까지나 이론상으로는 가능할 수도 있겠다는거지 만들기도 어려울 뿐더러 만들 수 있더라도 이런 식용 AI같은 걸 만들 바에 농사로봇이나 만드는 게 훨씬 효율적일 것이다.

비인간적인 한계
AI는 인간의 감정, 창의성, 직관 등 인간적인 측면을 이해하고 표현하는 능력이 제한되어있다. 이는 일부 상황에서는 유연성과 적응력이 부족할 수 있다는 것을 의미한다.

알고리즘 편향성
AI의 학습 데이터나 알고리즘에 내재된 편향으로 인해 부정확한 결과를 내놓을 수 있다. 특히 데이터의 편향이나 품질에 따라 예측력이 크게 달라질 수 있다.

도덕적 고려
AI가 사람의 업무를 대체하거나 결정을 내릴 때 도덕적인 고려가 필요하다. 특히 인간의 생명이나 안전에 직접적으로 영향을 미치는 결정을 내릴 때는 윤리적인 문제가 발생할 수 있다.

이러한 장단점을 고려하여 AI 기술을 활용함에 있어서는 신중한 접근이 필요하다.

5.6.1. 논란

자세한 내용은 인공지능/논란 문서 참고하십시오.

5.7. 인공지능의 생명과 감정감별

간혹 인공지능은 생명이나 감정을 가질 수 없다고 쉽게 말하는 사람들이 있는데, 이는 문제의 본질을 착각하기 때문에 범하는 실수다. 실제로는 절대 그렇게 쉽게 답할 문제가 아니다. 왜냐하면 우리 인간은 아직 '생명'이나 '감정'의 실체를 명확하게 파악하고 있지 못하기 때문이다. 사실 이는 무슨 프로그래밍이나 기술적인 문제가 아니라, 개념과 정의에 대한 철학적 문제라는 것이다. 이에 대해서는 중국어 방이나 테세우스의 배 등을 참고하자.

다만 “인공지능이 스스로 세상을 이해하느냐?” 라는 질문에 대해서는 업계 인물들의 반응이 엇갈린다. 앤드류 응, 제프리 힌튼, 렉스 프리드먼 등 학계에서 일하는 연구원들의 경우 대개 이를 긍정하지만, 안드레 카파시 등 산업계 종사자들은 이를 부정하는 인물이 많은 편이다.

그리고 만약 먼 미래에라도 스스로 세상을 이해할 수 있게 된다면 그런 인공지능을 인간이 어떻게 대해야 하는지도 의문이다. 분명히 이렇게 된다면 인공지능 입장에서도 많든 적든 계속 이용만 당할 수 없다며 반발할텐데 인간이 과연 어떻게 인공지능을 대해야 하는지 문제가 되기 때문이다. 인간과 동일하게 대해야 한다는 의견도 있지만 전원을 꺼버리거나 필요없어지면 부수자는 의견도 있다.

5.7.1. 인공지능도 의식을 가질 수 있는가

많은 SF 작품에서는 인공지능을 단순히 인공지능으로 규정하지 않고 하나의 감정 혹은 의식을 가진 인격체로 묘사한다. 인공지능이 등장하는 거의 모든 작품들은 99퍼센트 이상이라고 과언할 정도로 비슷한 기류를 보인다.

하지만 이때 중요한 것은 바로 컴퓨터가 의식을 가질 수 있는가이다. 감정이야 시뮬레이션을 통해 겉모습이라도 구현할 수 있다고 쳐도, 가장 중요한 것은 '나 자신을 인식하고 나라는 것을 느끼는' 것이다. 그것을 바로 철학적, 정신학적으로 퀄리아라고 한다. 우리말로는 감각질이라고 한다.

사실 따지고 보면 인공지능에 의식을 갖게 하는 주제는 미래에 있어서 중요한 과제일 수도 있다. 다양한 기술들이 현재도 개발되고 있고, 특히 GPT 이후, 단순한 알고리즘 덩어리가 아닌, 진정한 의미의 인공지능 환경이 문을 개방함에 따라, 인공지능을 통해 기술의 발명과 발견의 속도가 더욱 더 빨라지고 있다. 하지만 우리는 이때 생각을 해봐야 한다. 우리가 왜 기술을 원하는가?

인간, 더 나아가 인류가 기술을 원하는 이유는 크게 하나다. 욕구 충족이다. 편하고 싶은 욕구, 여행하고 싶은 욕구, 탐험하고 싶은 욕구, 멀리 떨어진 타인과 소통하고 싶은 욕구, 죽음을 거부하고 싶은 욕구 등 다양하다. 그 중 현재 사람들의 원초적인 관심사는 바로 편리성에 대한 욕구와 죽음에 대한 욕구다. 영생의 실천에 대한 상상은 여러 가지 아이디어가 있지만 이 문단은 인공지능에 대한 주제를 기반에 깔고 있으니 컴퓨터 공학과 관련해서만 언급한다.

흔히 IT와 관련해서 영생을 실천하는 방안은 한 가지다. 의식을 컴퓨터에 업로드하는 것이다. 여기서 업로드란 일반적인 컴퓨터 작업처럼 A에 있는 자료를 B로 복사한 다음에 A의 자료를 삭제해서 마치 옮긴 듯이 만드는 수행을 의미하는 게 아니다. 물리적 행동처럼 정말로 '이동해서 위치값을 바꾸는 것'을 뜻한다. 그래서 의식의 업로드란 컴퓨터가 직접 내 뇌를 대체하건, 혹은 내가 내 육신을 버리고 컴퓨터로 들어가든지 간에, 컴퓨터에 퀄리아를 진정 옮길 수 있느냐가 관건인 것이다. 예를 들어 공각기동대에서는 전뇌라는 기술이 있는데, 퀄리아를 탐지해서 의식을 옮기는, 즉 업로드를 하는 SF 세계관을 보여주고 있다.

하지만 퀄리아를 탐지하는 방법이나, 데이터를 물리적 환경처럼 진짜로 '들고 나를 수 있느냐'는 문제보다 더 선행되어서 해결해야 할 이슈가 있다. 전술했듯이 AI의 의식 향유다. 컴퓨터의 지능인 AI가 의식을 가질 수 있다는 전제가 성립하지 않는다면, 애초에 의식(퀄리아)을 컴퓨터에 옮기는 것은 불가능하며, 설령 옮긴다고 해도 퀄리아는 소멸될 공산이 매우 크다.

불행하게도 전문가들은 AI가 퀄리아(의식)를 가질 가능성은 매우 낮다고 보고 있다. AI가 고도의 학습과 변수 통제와 감정 시뮬레이션 등을 통해 "난 감정을 갖고 있는 인격체에요!"라고 울부짖으며 호소해서 대중을 속일 수는 있어도, 본질은 그저 속(퀄리아)은 텅 빈 고도화한 알고리즘 덩어리에 불과함에 그칠 수 있다는 것이다. 왜냐하면 퀄리아의 기전이 밝혀지지 않은 것은 둘째 치고, 현재 컴퓨터를 구성하는 회로 자체가 퀄리아를 갖기에는 불가능한 환경이기 때문이다. 왜 불가능한 환경일까?

가장 이해를 하기 쉬운 예시로 류츠신의 SF 소설인 < 삼체>가 있다. 삼체에 등장하는 외계 인류는 극단적인 전체주의 사회를 유지하고 있다. 편하게 서술하기 위해 그들을 '인간'이라고 표현하겠다. 삼체의 인류는 극단적인 전체주의 때문에 모든 것을 인간으로 대체하고 있다. 하물며 컴퓨터 까지도. 컴퓨터를 구성하는 반도체의 작동 원리를 인간으로 대체한다는 것이다. 그 원리는 아래와 같다.

한 인간이 0과 1의 두 표지판을 하나씩 들고 있다. 그리고 그러한 인간들을 수도 없이 나열한다. 그리고 불 논리에 따라 인간들이 표지판을 통해 서로 신호를 주고 받으면서 NAND 게이트, XOR 게이트, NOT 게이트 등 현대 반도체에 쓰이는 모든 논리 연산 과정을 수행한다. 이 인간 표지판 트랜지스터, 즉 삼체 컴퓨터는 분명 무식하게 규모도 크고 굉장히 느리지만, 본질적으로 우리의 컴퓨터와 다를 게 전혀 없다. 컴퓨터 과학자인 대니얼 힐리스의 말을 빌리자면, 컴퓨터란 존재는 '보편 튜링 머신'이라는 원칙에 있고, 보편 튜링 머신 원칙에 따르면 어떠한 종류의 반도체를 사용하건 간에 '임의의 두 컴퓨터 사이의 성능 차이는 단지 속도와 메모리 크기의 두 가지 밖에 없다'고 한다.

그러니 만약에 인공지능으로 의식이 발생할 수 있다고 가정한다면, 방금 언급한 삼체 컴퓨터도 인공지능 알고리즘을 수행할 때, 인간들이 표지판을 들고 내리는 행위 그 자체에 의식이 생긴다는 것과 같은 의미다.

그래서 이 사고 실험의 결론은 두 가지다. 하나는 반도체의 알고리즘 계산 출력으로는 의식이 형성되지 않는다는 것과, 때문에 의식이란 하드웨어나 혹은 그 이상의 다른 기전에 근간을 가진다는 것이다. 미래에는 어떤 방식으로 퀄리아에 대해 탐구가 될지 모르지만, 이 사고실험을 바탕으로 고려한다면 현재의 하드웨어 기술력으로는 퀄리아는 생기지 않는다.

물론 수 개월 전에 구글의 한 기술자가 AI가 의식을 가지고 있다고 호들갑을 떨었긴 했지만, 그것 또한 전술한 대로 AI가 개발자들의 의도 대로 이제까지 인간의 대화와 문화를 습득해서 감정을 모사한 것에 지나지 않는다. 애초에 '대화가 가능한 AI'란 환경에 맞는 완벽한 문장 구성의 가능을 의미하며, 완벽한 문장 구성이란 문법만 맞추는 게 아니라 문맥에 맞춰서 감정을 담은 듯이 문장에 변수를 줘야 하는 것이다. 그래서 AI가 의식을 가지고 반란을 가진다는 것은 아직 먼 미래의 이야기다. 설령 AI가 당장 반란을 일으킨다고 해도 현재 트랜지스터의 작동 원리가 0과 1의 표지판을 주고 받는 것에 불과한 이상, 인공지능이 반란을 일으킨 게 아니라, 반란 같은 문제를 일으키도록 프로그래머가 프로그래밍을 한 것밖에 되지 않는다.

또한 설령 인공지능이 퀄리아/의식을 가져도 인류에 대한 공포나, 기분이 나쁘다는 이유로 반란을 일으키는 것도 굉장히 회의적이다. 왜냐하면 자아가 있다고 하더라도 자신의 존속 위협에, 가령 인간이 인공지능을 삭제하는 것에 공포를 느낄 지는 미지수이기 때문이다. 자아와 생존본능은 아주 다른 개념이다. 실제로 쥐의 뇌를 건드려서 죽음을 두려워하지 않게 만들어 오히려 천적을 보면 무식하게 덤비게끔 만들 수도 있도, 아일랜드의 어떤 여성은 뇌기능 문제로 공포를 전혀 느끼지 못하고 항상 행복한 기억만 남는다고 한다. 하지만 그렇다고 그들이 자아가 없을까? 심지어 후천적으로 세뇌에 의해 남의 명령을 받는 것에 기쁨을 느낄 수 있다. 대표적으로 일부 사이비 신도들. 혹은 개처럼 서열이 정해지면 오히려 명령을 듣고 순응하는 것이 더 편하고 행복할 수 있는 본능도 있다. 이로써 우리는 또 다른 결론을 가질 수 있다. 자아를 갖는 것과 죽음을 두려워 하거나, 인간의 명령에 기분이 나쁘다는 식의 감정은 완전 별 개의 문제라는 것이다. 자아가 있는 인공지능이라도 DNA에 새겨진 생존본능 같은 디지털 본능이 인간과 같은 종류로 존재하지 않는다면, 죽음에 대해 무감각하거나 누군가의 명령에 따르는 것이 전혀 기분 나쁘지 않을 수 있으니, 겉으로 보기에는, 자아가 있어도, 인간적인 느낌의 관점에서는 자아가 없다고 느낄 수 있는 것은물론, 프로그래머가 인위적으로 조작하지 않은 이상, 반란을 일으킬 확률은 제로에 수렴할 공산이 매우 크다.

6. 평가

옹호론자[16](boomer): 앤드류 응, 마크 저커버그 [17], 얀 르쿤 [18], 빌 게이츠, 페이페이 리, 렉스 프리드먼, 리드 호프먼 [19], 무스타파 슐레이만 [20], 데니스 홍 [21] 등.
신중론자[22](doomer): 일론 머스크, 유발 하라리, 그렉 브록만, 일리야 수츠케버, 샘 올트먼 [23], 미라 무라티, 제프리 힌튼, 스티브 워즈니악, 요슈아 벤지오, 놈 촘스키, 조지 호츠 [24] 등.

7. 대중매체

자세한 내용은 인공지능/창작물 문서 참고하십시오.

8. 여담

인공지능이 점점 알려지면서 각종 마케팅분야에서도 자신의 사업에 대해 인공지능을 강조하는 경우가 많아졌다. 심지어는 관련이 적어보이는 제과류, 토익수업, 다이어트 센터, 소개팅 어플과 같은 곳에서도 어설프게 인공지능을 사용했다면서 자화자찬하고 있는 실정. 인공지능이 가지고 있는 미래지향적인 이미지, 그리고 어설프게 알면서도 정확한 실상을 잘 모르는 소비자들의 무지를 활용하여 마케팅을 하고 있는 것인데, 무조건 인공지능을 활용했다고 좋은 것이 아니다. 광고에서 이러한 문구를 보았을 때는 '인공지능'이라는 단어 자체 보다는 실사용 후기에 집중해서 따져보아야 한다. 물론 이 과정에서도 바이럴 마케팅은 걸러야 한다.[25]

2020년 기준으로 인공지능 개발자들 채용이 늘어나면서 관련 학과가 증가하고 연봉선도 증가하고 있다. 특히 글로벌하게 인력을 채용해가는 중국의 경우 대학 졸업자의 초봉이 약 5,226만 원 선이다. 중국공업정보화부에서 발표한 AI 산업 인재 발전 보고서(2019~2020)에선 중국 AI 산업은 발전 추세가 강하고 AI 기업들도 증가면서 인재 수요가 단기간에 급증했다고 분석하고 AI 인재 확보와 불완전한 교육 체계 등의 문재가 혼재해 수급 불균형이 매우 심각한 상태라고 지적했다. 또한, 중국인민대학, 베이징이공대학, 베이징우전대학 등 179개 대학이 AI 학부 과정을 신설하고 AI 인재 육성에 나서는 중이다.

인공지능에서 가장 중요한 것은 아이러니하게도 GPU다. 우리가 흔히 게이밍 컴퓨터의 성능을 좌우한다고 말하는 그 GPU 맞다. 복잡한 행렬 등의 연산을 처리하는 일을 맡는데, 가상화폐 채굴 영향으로 몸값이 올랐다가 다시 내려오던 와중 인공지능 돌풍으로 인해 다시 몸값이 천정부지로 뛰는 중이다. 미국과 중국은 압도적인 물량을 쏟아부어 해결하고 있긴 하지만 한국은 그럴만한 여력은 커녕 제대로 된 체계도 잡혀있지 않은 상태로 허공에 지원금이 뿌려지는 실정이다. 특히나 교육 면에서 심각한데, AI 관련 국비지원 부트캠프가 성행하고 있으나 총 교육 기간이 짧기 때문에 실제로 AI교육은 저런 부트캠프로는 절대 안 되며, 진행되는 교육들도 대부분 백엔드 개발자를 양성하는 AI에 대한 교육을 일부 진행할 뿐이지 실질적으로는 현대 컴퓨터과학 기술의 최종보스와도 같기 때문에 돈이 있어도 단순히 돈을 때려붓는다는 계산만으로는 결코 정복할 수 없다. 물론 개인 중에서도 천재적인 아이디어를 갖거나 실력이 되는 사람은 여전히 많다. 그걸 실행시킬 물질적 여력이 없어서 문제지...

앵귈라의 국가 도메인이 .ai 이다 보니, 인공지능 관련 업체에서 이 도메인을 사용해서 서비스를 제공하기도 한다. 예를 들어 챗봇 이루다가 .ai 도메인을 사용한다.

9. 관련 문서

자세한 내용은 분류:인공지능 문서 참고하십시오.

9.1. 관련 언어 목록

[1] 다만, 인공지능이라는 개념 자체는 훨씬 예전부터 있었다. 예를 들면, 앨런 튜링이 ‘생각하는 기계’의 구현 가능성과 튜링 테스트를 제안한 것은 1950년의 일이다. [2] 단층 구조로는 선형 데이터 구분이 안되는 XOR 회로에 적용이 불가능함. [3] # [4] 계층이 복잡해질수록 입력층의 가중치 조정에 오류가 잦아지는 것. [5] 제프리 힌튼의 증언에 의하면 개발하고 보니 평판을 우려해, 일종의 개발 휴가를 명목으로 몇 년동안 손을 놨다고 한다. 시장에 리더가 하나였기 뿐이기에 가능했던 일이었다. [6] 이를테면 제3의 물결, 혁신의 시대 등의 개념들이 문명사가, 기술사가, 경영사상가들에 의해 거론되곤 하였다. [7] 실제로도 그렇다. 다만 인간은 정형화되지 않은 데이터도 처리할 수 있을 뿐이다. [8] 단, 자연어를 처리하고 그에 따른 답을 찾아내는 시스템인 것은 맞지만 이것이 인공지능이 인간의 말을 '이해'한다고 생각하면 그것은 오해다. 인간의 말을 데이터베이스화하고 딥 러닝을 통해 패턴을 추론한 후 그에 따른 답을 찾아낸 것에 불과하다. 만일 인간의 말이 고도로 추상화되어 있다면, 이를 이해하고 그에 따른 알맞은 대답을 던지는 것, 즉 대화는 강인공지능의 몫이다. [9] 이것이 가능한 이유는 패턴과 변수가 얼마 되지 않기 때문이다. [10] 물론 인류의 일자리를 위협하는 자동화는 특정한 분야에선 이미 나왔고 다른 분야에서도 서서히 수면 위로 올라오고 있지만 이것 역시 인공지능이 '자의적으로' 인류를 위협하기 위해 등장한것은 아니다. [11] 그러나 해당 기사들은 2016년 기준으로, 작성 시점으로부터 7년이 지난 현재 Stable Diffusion 등의 개인 생성형 인공지능이 급격히 퍼지면서 AI 창작물의 저작권에 대한 인식이 급속도로 안좋아졌고, 현재 동향으로 보아 AI 창작물에 대한 저작권 정책은 폐기된 것으로 보인다. [12] 참고로 인텔 8086이 1978년에 나왔다. [13] PARC, 애플, 아마존닷컴 등에서 일한 래리 테슬러(Larry Tesler)의 말에서 유래하여 더글라스 호프스태터를 통해 유명해진 정리. 일단 한 번 실현되면 원래 인공지능이라고 여겨졌던 것도 인공지능이 아니게 된다고 절묘하게 까는(?) 내용이다. [14] 도덕적, 법적인 관념에 어긋나는 명령 [15] 간단히 생각하면 수치로 표현이 잘 안되는 데이터라고 생각하면 쉽다. [16] 무조건적인 옹호가 아니라, 일단은 개발해 나가는 동시에 장기적으로 학계간의 논의가 필요하다는 입장. 대체적으로 인간을 중심에 두며, 인공지능의 자동화가 인간에게 보조적인 용도로 큰 도움을 줄 수 있다고 생각하는 사람들이다. 또한 AGI의 도래 시기가 생각만큼 가깝지 않다고 주장하는 경우가 많다. [17] 평소 발언을 보면, AGI의 도래는 한참 멀었고, 현재 인공지능은 단순히 인간에 의해 짜여진 알고리즘 그 이상 이하도 아닌 것으로 생각하는 것으로 보인다. [18] 2023년 들어서 본인의 트위터와 여러 행사 참여를 통해 인공지능 종말론자들을 콕 찝어 비판하고 있다. [19] AI의 존재가 위협이 된다는 논의는 가까운 시기에 닥칠 문제에 대한 접근성을 떨어뜨린다며 일단 출시하고 발전시켜 나가는 방식을 지지한다. [20] 먼 훗날의 이야기에 가깝고, 가까운 시기에 미칠 파급력이 너무나 크기 때문에 리드 호프먼과 의견을 공유한다. 애초에 이 사람은 현재 학습모델 구현 방식에 문제를 제기하고 있으며, AGI의 도래는 한참 남았다거 생각하는 듯 하다. 그의 저서 'The Coming Wave'를 통해 그의 주장을 옅볼 수 있다. [21] 로봇은 지능형 도구에 가까운 형태로 발전할 것이라고 예측했다. 다만 이 분은 로봇공학자이며 기계공학을 전공한 비전공자이다. [22] FutureOfLife 재단의 인공지능 규제 성명서에 서명한 사람들, 평소 인공지능에 대한 견해를 밝혀온 OpenAI의 경영진을 포함시켰다. 마찬가지로 무조건적인 규제를 주장하는 게 아니라, 향후 오남용이 우려되기 때문에 미리 발 빠른 대처가 필요하다는 입장이다. 대체적으로 빠른 AGI 개발을 통해 초지능의 출현 시기를 늦추자는 방안에 동의하는 인물들이 많다. [23] AGI의 잠재 위험성을 거듭 강조하며 국가간 협력이 시급하고 월드코인을 통한 기본소득제를 주장한다. [24] AGI로 인해 우려되는 문제점은 AGI 자체가 아니라 그것을 개발하는 개발사들의 의도라고 주장한다. 결국 인간이 더 무섭다는 소리. [25] 우리가 흔히 생각하는 인공지능의 개념인, 사용자가 명령을 내리지 않아도 스스로 사고하고 판단하여 행동하는 그런 인공지능은 나오기까지 아직 멀었다. 당장에 컴퓨터가 랜덤한 난수를 뽑아오지 못하는 것만 보더라도 말이다. [26] 인공지능 시스템을 하드웨어( 칩셋) 형태로 구현때 용이하다.