한국전자통신연구원 이정원 책임연구원 ( [email protected] )
기계가 생각할 수 있을까?
1950년에 앨런 튜링(Alan Turing)이 물었다.
**“기계가 생각할 수 있을까? ( Can machines think? )"**
인공지능라는 연구 분야가 생겨난 이후로, 연구자들이 꿈꾸며 상상 해 왔던 것은 사림처럼 생각하는 컴퓨터였다.
하지만 ‘생각’하는 능력은 한 순간에 만들 어 지지 않는다 인간의 뇌는 이전에 배운 지식을 새로운 상황에 적용하고 배운 것을 끊 임없이 다듬는다.
인간을 비롯하여 포유류, 그리고 다른 많은 동물들이 시각과 정각 신호를 빠르게 처리하여 뇌가 이미 알고 있는 내용에 새로운 정보를 취합할 수 있다.
인간의 뇌는 지속적인 평생 학습을 수행하며 놀랍도록 유연하다.
인공지능을 인간의 뇌처럼 작동하도록 만들고자 할 때 가장 먼저 필요한 것은 인간 의 뇌를 이해하는 것이었다.
지구상에서 인간의 뇌를 제외하면 생각하는 회로를 찾 을수 없었기 때문이다.
인공지능 연구자들이 인간의 신경 회로를 지침으로 삼은 것 은 당연한 일이었다.
인공지능 연구자들의 염원과는 별개로, 인간의 뇌에 대한 호기심에 강렬하게 매료된 신경과학자들에 의해 신경과학은 꾸준히 발전해 왔으며, 특히 지난 20년 간 비약적인 발전을 이루었다.
신경과학의 발전은 인공지능 시스템 개발에 영향을 주었다.
인공지능 분야에서 뇌신경 회로를 모델링하는 접근이 최근에 괄목할 만한 성공을 이루었다.
특히 신경망 구조를 인 공지능에 도입한 이후 신경망의 규모를 키우고 중층적으로 연결한 모델이 혁신을 가져왔다.
컴퓨터 비전, 음성 인식, 문자 번역과 같은 분야에서 실용적인 응용이 가능해 졌으며, 다른 많은 분야에서도 대규모의 전환이 이루어지고 있다.
신경망 구조의 핵심은 학습이다.
학습은 입력 패턴에 대하여 원하는 출력을 얻기 워해서 시냅스(가중치)를 조정하는 과정이다.
신경 네트워크는 다양한 사례의 학습을 토해, 사례를 암기하는 수준을 뛰어넘는 일반화를 확보할 수 있었다.
(그림 출처. 1sing neuroscience to develop artificial intelligence [31)
[그림1 ] 뇌의 신경세포(좌)와 인공지능 신경망 모델(우) 인간의 뇌에 비해 신경망 모델은 지나치게 심플하다. 이토록 심플한 구조가 생각보다 잘 작동한다는 사실이 당혹스러울 정도다.
현재의 딥러닝 모델은 뉴런의 구조나 뉴런간 연결 특성을 온전히 담고 있지는 않다.
영장류 뇌에서 학습에 필수적이지 않은 요소들은 얼마나 될까? 쓸모 없는 것들을 제외하고 나면 무엇이 남을까?
학습에 필요한 최소한의 구조와 양은 얼만큼일까?
신경 네트워크의 시냅스 강화와 더불어 강화학습은 영장류 학습의 중요한 요소이다.
신경과학의 발전으로 우리는 인간과 동물이 학습하는 기본적인 메커니즘 중 하나가 보상과 처벌이라는 것을 알게 되었다.
특정한 행동이 긍정적인 결과로 이어지면 그 행동은 반복하도록 보상이 주어지며 부정적인 결과로 이어지면 반복되는 실수를 하지 않도록 처벌이 주어진다.
상벌 메커니즘은 신경전달물질 도파민에 의해 조절된다.
인공지능 연구자들은 강화학습의 보상과 처벌 메커니즘을 인공지능에 도입했다.
강화학습에서 인공지능 에이전트는 문제 공간을 탐색하고 다양한 시도를 반복한다.
에이전트는 수행하는 각 시행에 대해 수치적인 보상 또는 처벌을 받는댜.
에이전트는 대규모 시행착오를 통해서 보상을 극대화하고 처벌을 피할 수 있는 최적화 된 모델을 찾아낼 수 있다.