이인중 홈피 스킨 ::: high skill web-board

Main news
과학뉴스

창의적인 AI에게 인간이 배우는 시대가 왔다?
ㆍ작성자: 투모로	ㆍ작성일: 2020-07-20 21:59	ㆍ조회: 2047
ㆍ분류: 응용과학	ㆍ추천: 0	http://paulus2.woobi.co.kr
pixabay480x320.jpg (48KB) (Down:0)

인공지능(AI)은 인간의 지능을 흉내 내는 기술이다.이에 AI 지능 수준에 이목이 쏠리고 있는데, 최근 들어서는 AI의 창조력에 대한 관심도 높아지고 있다.
창조는 새로운 무언가를 만들어낸다는 뜻인데, AI에서는 창의성을 발휘해 새로운 무언가를 만들어낸다는 뜻으로 쓰이고 있다. 그럼 AI는 사람만큼 창조적인 활동을 할 수 있을까? 이에 관해서는 논란이 많다.

AI 창조 활동 가능성에 부정적인 사람은 “AI의 활동은 단순히 통계에 기반한 것이므로 창조적이지 않다”라고 주장한다. 다시 말해, AI의 창조 활동은 지식적으로 무언가를 축적하고 산출해낸 것이 아니라는 점이다. 예를 들어, AI 작곡 음악은 기존 음악적 내용을 모아서 통계적으로 산출한 것일 뿐이다.

그러나 AI가 만들어낸 결과를 놓고 보면, 이러한 활동이 충분히 창조적이라고 할 수 있다. 반대 입장에 있는 사람은 AI 활동의 과정에 근거해 이를 주장하고 있다. 그러나 AI가 만든 결과를 보면, 충분히 창조적이라고 할 수 있다. 예를 들어 AI가 작곡한 음악은 기존에 없던 새로운 창조물로 볼 수 있다. 이러한 과정이 단순히 통계적으로 결합한 것이어도 말이다.

옥스퍼드대학교 교수인 마커드 드 사토이(Marcus du Sautoy)가 저술한 ‘창조력 코드’에서 이러한 내용을 확인할 수 있다. 창조력 코드는 AI의 창조력에 관한 내용을 담고 있는데, 2016년 알파고 이야기로 시작한다.

알파고 충격은 바둑 고수 이세돌을 이기면서 AI 활용의 무한한 가능성을 보여준 사건이다. 마커드 교수는 이러한 사건에서 알파고가 보인 창조력에 주목했다. 마커드에 따르면 알파고는 기보를 학습하면서 바둑을 익혔지만 전혀 새로운 방식으로 바둑을 두는 방식을 선보였다. 이는 바둑 고수들이 새로운 기보법을 익힐 수 있는 역할을 하기도 했다.

알파고는 사람의 대국으로부터 바둑을 배웠다. 그러나 알파고의 기보 방식에는 전혀 새로운 것도 있었다. 이러한 점을 볼 때, AI가 단순히 기존 데이터를 학습해 통계적으로 결합하는 것으로 보기 어렵다.

마커드 교수는 벽돌 깨기 게임을 또 다른 사례로 들었다. 벽돌 깨기는 막대를 이용해 밑으로 내려오는 공을 받아쳐서 벽돌을 부수는 게임이다. 벽돌을 전부 부수면 성공하고, 반면에 내려오는 공을 받아치지 못하면 실패한다.

딥마인드(Deepmind)는 알파고 이전에 벽돌 깨기에 AI를 접목한 적이 있는데, 결과는 놀라웠다. AI는 학습하지 않고도 벽돌 깨기 고수가 할법한 방식으로 벽돌 깨기를 성공시켰기 때문이다. 참고로 게임 고수는 벽돌 깨기를 쉽게 성공하기 위해 중앙에 벽을 뚫고 공을 해당 공간 사이로 흘려보내는 방식으로 쉽게 벽돌을 부순다. AI도 이와 유사한 방법을 사용한 것이다.

알파고의 벽돌 깨기는 AI도 사람처럼 창조력을 발휘할 수 있음을 보여준다. 그럼 AI가 창조력을 가질 수 있게 된 동기는 무엇일까?

이에 두 가지 기술을 들 수 있다. 하나는 최적화 시스템이고, 또 다른 하나는 기계학습이다. 참고로 두 기술은 서로 연관돼 있다. 최적화 시스템이 목적이라면, 기계학습은 이를 실현하는 매개체로 볼 수 있다.

최적화 시스템은 말 그대로 시스템이 최적의 결과를 산출하도록 동작하게 하는 기술이다. 그런데 현실에는 최적이 존재할 수 없다. 최선만이 존재할 뿐이다.

이는 두 가지 제약 조건이 있기 때문이다. 첫째는 모든 선택 사항을 산출해낼 수 없다. 아는 범위에서 선택사항을 도출할 뿐이다. 다시 말해, 최적이라는 조건을 성립하기 위해서는 모든 선택사항 중에서 가장 최선이어야만 한다. 그런데 모든 선택사항을 산출하기 어렵다.

둘째는 어느 것이 더 좋은 선택인지를 판별하기 어렵다는 점이다. 모든 선택사항이 도출되더라도, 어느 선택이 더 좋은지를 알아야 한다. 그래야 최선의 선택을 할 수 있고, 이를 통해 최적이라는 목표에 도달할 수 있다. 그런데 이는 불가능하다.

결국 이러한 제약 조건은 개발자가 최적화 시스템을 구현하기 어렵게 했다. 어떤 선택사항을 도출해야 할지를 알기 어려울 뿐만 아니라 어떤 판단을 내리도록 구현해야 할지도 알 수가 없다.

기계학습은 이러한 제약을 없애주기 위해 등장한 기술이다. 개발자는 최적화 시스템에 도달하게 하기 위해 기계(혹은 시스템)가 끊임없이 스스로 학습하도록 한 것이다. 이러한 방식은 최적화 시스템을 구현할 수 없을지는 몰라도, 최적화 시스템에 근접하도록 끊임없이 발전시킨다.

고양이 사진 판별 시스템을 예로 들어보자. 고양이 사진을 최적으로 판별하는 알고리즘을 개발자가 직접 구현하기 어렵다. 사진 속에 들어있는 수많은 특징을 사람이 모두 고려할 수 없기 때문이다.

대신에 이를 시스템에게 스스로 맡기면 편하고 정확하다. 다시 말해, 기계학습을 활용하는 것이다. 기계학습은 스스로 수많은 특징을 분석하고, 판별할 수 있는 방법을 스스로 익히게 된다. 물론 기계학습은 판별 방식의 최적화를 위해 끊임없이 학습한다.

결국, 이러한 동작 방식은 앞서 예로 들었던 것처럼 AI가 창조적 방법을 도출할 수 있게 한다. 바둑과 벽돌 깨기처럼 말이다.

그런데 이러한 창조 방식은 거창한 시스템에만 보이는 현상이 아니다. 기계학습이 적용된 단순한 시스템에도 이러한 방식을 살펴볼 수 있다.

유튜브 활동가인 무니무니교수는 유전자 알고리즘을 활용해 시스템이 스스로 그네 타는 방법을 익히는 과정을 영상으로 올린 적이 있다. 유전자 알고리즘은 기계학습 알고리즘의 일종으로 돌연변이를 산출해 최적의 값을 찾는 알고리즘이다.

즉 그네의 왕복 길이를 결괏값으로 놓고 그네를 움직이기 위한 방법을 선택사항으로 둔다. 그럼 시스템은 다양한 선택사항을 계속 산출하게 되고, 그중 결괏값이 우수한 것을 선택하게 된다.

여기서 놀라운 점은 사람이 고안한 방식이 아닌, 스스로 그네를 효율적으로 타는 방식을 고안했다는 것이다. 이는 AI가 창조적인 결과를 산출할 수 있음을 보여준다.

AI 창조라는 말에 거북함이 몰려올 수 있다. 인간의 고유영역인 창조에 기계가 발을 들여놓는 사실이 믿기지 않을 수 있기 때문이다. 그러나 AI 창조는 이미 실생활에 적용되고 있다. 미술처럼 예술 영역일 필요가 없다. 자동차 주행 방법 등에서도 쉽게 찾아볼 수 있다.

예를 들어, 6층짜리 건물에서 사람이 불편함을 느끼지 않으면서도 에너지 사용을 절감해야 한다라고 하면 에너지 절감 시스템을 어떤 방식으로 구현해야 할지 막막할 수 있다. 그러나 AI는 이에 답을 내릴 수 있다. 시뮬레이션을 통해 내외부 환경에 따른 건물의 에너지 운영 효율성을 올리는 방법을 계속 고안해낼 것이기 때문이다. 이는 사람이 생각하지 못한 방식을 도출하게 할 수 있다.

알파고에서 그랬듯이, 사람은 이러한 방식에서 에너지 운영 효율화 방안을 배울 수 있다. AI 창조에서 사람이 배울 수 있는 셈이다.