기초과학과 인공지능, 그 상생의 역사를 찾아서

알파고를 만들었던 구글 딥마인드가 또 한건 했습니다. 2016년 인간 최고수보다 바둑을 더 잘 두는 알파고를 세상에 내놓아 깜짝 놀라게 하더니, 이번엔 여럿이 함께 하는 게임에서도 인간을 뛰어넘는 능력을 가진 인공지능을 개발했다고 국제학술지 '사이언스'에 발표했습니다.

새로 개발된 인공지능은 바둑처럼 전체 정보를 이용하는 게임이 아니라, 제한된 정보만 주어지는 1인칭 게임 '퀘이크 3 아레나'로 사람과 대결을 펼쳤습니다. 이 게임은 두 플레이어가 팀을 이뤄 상대 진영의 깃발을 뺏는 방식인데요. 인공지능은 45만 판의 게임을 하면서 스스로 게임방식을 배우고, 고도의 전략을 수립해 인간 플레이어보다 우수한 역량을 발휘했다고 합니다. 인공지능이 제한된 정보만으로도 스스로 게임의 이치를 파악할 수 있다는 위력을 새삼 확인시켜준 것이지요.

▲ ‘퀘이크 3 아레나’는 두 팀이 5분 동안 격돌해 상대 팀보다 더 많은 깃발을 보유해야 승리한다. 구글 딥마인드는 경기마다 맵의 외형을 바꿔가며 인공지능이 스스로 학습할 수 있는 환경을 마련했다. AI는 ‘자신의 거점 방어’나 ‘팀을 꾸려다니기’ 등의 전략을 자연스럽게 습득했다. (출처 : Science)

알파고의 대국이 한창이던 2016년을 돌이켜보면, 사람들은 한낱 컴퓨터 프로그램에 패했다는 자괴감과 함께 기계에 지배당할지도 모른다는 공포에 휩싸였지요. 언론에서 소개되는 인공지능을 보면 기술적으로 대단한 것도 있지만 그다지 대단하지 않은 것도 있고, 어떤 것은 이미 실현된 것도 있지만 일부는 앞으로 될 수도 있는 것과 전혀 불가능한 것이 뒤죽박죽 섞여 있습니다. 어떤 사람들은 실체 없는 사기라고 말하기도 하고, 어떤 사람들은 인류의 문제를 해결할 뿐만 아니라 인류문명을 위협할 수도 있는 필살기라고도 합니다.

무엇이 사실일까요?

당신의 '첫 인공지능'은 무엇이었나요?

그 해답을 얻기 위해 먼저 인공지능이 무엇인지 생각해봅시다. 여러분은 어디에서 처음 인공지능을 접하셨나요? 아마 공상과학영화일 겁니다. 인간처럼 감정을 갖고 경험을 통해 지식을 축적하는 인간형 로봇에서부터 대화를 통해 공감대를 형성하거나 두뇌를 복제하여 자의식까지 갖는 인공지능이 가능해졌다고 할 때 만들 수 있는 재미있는 이야기는 무궁무진합니다.

그런데 인공지능 분야의 선구자인 존 매카시의 말을 빌리자면 어떤 인공지능 시스템도 일단 성공하고 나면 그 누구도 더 이상 인공지능이라고 부르지 않는다고 합니다. 시험 답안지를 자동으로 채점하는 시스템도 훌륭한 인공지능이지만, 막상 성공해서 점수뿐만이 아니라 문항별 정답자의 분포와 난이도를 자동으로 제시해주기까지 해도 지금은 당연한 것으로 치부하는 현실을 보면 납득이 됩니다.

▲ 인간과 똑같은 모습을 가졌지만, 총에 맞아도 끄떡없는 사이보그 로봇 ‘터미네이터’는 공상과학영화에 등장한 대표적인 인공지능이다.
(출처 : 롯데엔터테인먼트)

인공지능에 대한 정의는 일반인들 사이에서는 물론이고 연구하는 사람들 사이에서도 의견이 갈립니다. 그 이유는 지능 자체가 딱히 한마디로 정의하기 어려운 매우 추상적인 개념이기 때문인데요. 원론적으로 정의하자면 "인간 지능의 본질을 규명하고 이를 인공적으로 재현하려는 기술"이라고 할 수 있습니다.

이제까지 인공지능을 구현하는 기술은 수없이 많이 시도되었지만 방법의 합리성 보다는 그 결과를 접하는 인간이 어떻게 판단하는가에 따라서 평가되어 왔습니다. 이렇게 만든 인공지능이 인간처럼 생각하고 감정을 가지며 심지어 자의식이 있는 것처럼 판단된다면 그때 사용된 기술은 강한 인공지능이라고 할 수 있고, 인간의 사고나 창의력까지는 아니지만 특정 문제를 인간처럼 해결한다면 그때 사용한 기술은 약한 인공지능이라고 할 수 있습니다.

우리는 다른 사람이 지능이 있는지 어떻게 판별하나요? 주위에 있는 사람들을 보더라도 어떤 때는 매우 논리적이어서 지능이 있는 것처럼 보이다가도, 어떤 때는 도대체 제 정신인가 의심이 되는 경우도 있지요. 결국 인간도 상대방이 지능이 있는지는 외부에서 보이는 행태로 판별하는 것이지, 그 사람이 실제 지능이 있는지는 모른다는 철학적인 문제가 있습니다. 이에 기반하여 인공지능 시스템이 지능이 있는지를 판별하는 것을 '튜링 테스트'라고 합니다.

▲ 알렌 튜링(왼쪽 사진)이 고안한 튜링 테스트(오른쪽 사진)는 두 명의 사람과 한 대의 인공지능 컴퓨터가 필요하다. 심판역할을 맡은 한 사람은 오직 컴퓨터 채팅으로만 대화를 해야 하며 어느 쪽이 사람이고, 인공지능인지 맞춰야 한다. (출처: 위키백과)

문제해결에 필요한 지식을 구축하는 인공지능

인공지능이란 용어가 만들어진 이후로 먼저 시도된 것은 지식기반 방법입니다. 인식, 추론, 학습과 같은 지적 기능을 모방하기 위해선 이를 보유하고 있는 사람이 해당 영역의 지식을 기호로 표현하여 저장하고, 이를 논리적인 규칙에 입각해서 처리하며 적절히 변경하는 학습을 통해서 문제를 지능적으로 해결하는 것입니다.

IBM의 왓슨이 대표적입니다. 왓슨은 2011년 미국의 퀴즈쇼인 제퍼디(Jeopardy!)에 출연해서 역대 최다 상금수상자와 최장수 우승자를 이긴 인공지능 프로그램입니다. 왓슨은 퀴즈문제를 풀기 위해 위키피디아, 브리태니카는 물론이고, TV나 신문사 사이트의 모든 정보, 유명인들의 블로그 등 다양한 정보를 의미망이라는 형식으로 저장했습니다. 이후 문제가 나오면 왓슨은 문제에 잘 부합되는 정답의 후보를 1000개정도 골라내고 문제의 단서들을 이용해서 단계적으로 후보를 좁혀나간 후 최종적으로 정답을 골라내는 방법을 사용했습니다.

▲ 미국 인기 퀴즈쇼 ‘제퍼디!(JEOPARDY!)’에 출연한 IBM의 인공지능 ‘왓슨’은 7만7140달러(약 9000만 원)의 상금을 획득하며 최종 우승을 거머쥐었다. (출처 : AMERICA’s FAVORITE QUIZ SHOW JEOPARDY! 영상 캡처)

왓슨은 속도를 개선하기 위해서 슈퍼컴퓨팅 기술은 물론이고 방법의 효율성을 높이는 최적화 기술을 활용했습니다. 또한, 게임은 상대성이 있는 것이기 때문에 상대의 점수에 따라서 모험을 걸기도 하고 다소 보수적으로 게임을 하는 등 인간이 게임에서 하는 의사결정과정을 모방하여 프로그램을 개선했습니다. 이를 통해 실제 퀴즈대회에서 인간 챔피언들을 누르고 우승한 것이지요. 인간이 퀴즈를 풀 때 수행하는 출제의도 파악이나 경험적인 유추대신에, 체계적으로 정리된 지식을 효율적으로 검색하고 관련 지식을 활용하여 검색과정을 최적화하는 방법으로 인간의 방식을 뛰어 넘는 결과를 얻었습니다.

데이터로부터 자동으로 만들어진 인공지능

반면에 데이터기반 방법론은 최근에 기계학습이나 데이터마이닝이란 이름으로 널리 사용되고 있는데, 해당 문제의 사례를 데이터로 제공하고 이로부터 귀납적으로 지식을 추출하여 문제를 해결하는 것입니다. 데이터로부터 귀납적으로 모형을 구축하는 것은 전통적인 통계나 확률로 오래 전부터 시도하던 방식이기 때문에 기계학습의 많은 방법들이 이에 기초한 것이 많은데, 통계적인 가정이나 제약을 극복하기 위하여 신경망과 같은 다소 융통성 있는 방법이 시도되고 있습니다.

보통 학습이라고 하면 스스로 깨우치는 걸 상상하는 경우가 많은데, 인공지능에서의 기계학습은 그렇게 두루뭉술하지 않습니다. 간단하게 말하자면 데이터를 분류하거나 설명할 수 있는 함수의 모양을 정하고, 이 함수의 모수를 데이터로부터 추정하는 걸 학습이라고 합니다. x와 y의 값으로 이루어진 데이터로부터 y = f(x)를 만족시키는 f를 찾는 것입니다.

▲ 2016년 이세돌 9단과 바둑 대국을 펼쳤던 구글 딥마인드의 인공지능 ‘알파고’는 다섯 번의 대국 가운데 네 번을 승리하며 세간의 관심을 모았다. (출처: 한국기원)

기계학습을 적용한 대표적인 사례로는 알파고가 있습니다. 알파고는 바둑에서 다음 수를 경우의 수를 계산해서 결정하는 컴퓨터 프로그램입니다. 구글이 알파고를 만든 이유는 바둑을 세상에서 가장 잘 두는 프로그램을 만들기 위해서일까요? 구글이 하고 싶은 것은 바둑을 두는 과정과 유사한 의학적 치료나 기후예측, 금융투자 등에서 인간 최고수의 직관을 뛰어넘는 기술을 적용하고자 하는 것입니다. 확실히 방대한 양의 수치 데이터로부터 객관적인 의사결정을 해야 하는 문제에는 유용한 기술이 될 것입니다.

의외의 '꿀 케미' 보이는 인공지능과 기초과학

인공지능은 저절로 만들어지는 요물이 아니라 논리적인 수학과 물리에 근거를 둔 문제해결 소프트웨어이기 때문에, 기초과학의 결과물이 그 바탕이 됩니다. 예를 들어 딥러닝의 근간이 되는 신경망은 인간의 뇌 신경망 회로를 모방한 것입니다. 인간의 신경세포는 시냅스를 통해 일정 수준을 넘는 전기 자극을 신호로 전달하는 방식으로 작동합니다. 인공 신경망은 이와 같은 인간 뇌의 신경세포가 신호를 전달하는 방식과 시냅스의 가소성에 입각해서 만든 인공지능 기술인데, 응용수학, 통계학을 비롯해 신경과학 등의 기초과학 연구가 바탕이 됩니다. 기초과학의 발전을 통해 좀 더 효율적인 고성능 인공지능 시스템이 가능할 것입니다.

또한 그 반대의 역할도 생각해볼 수 있습니다. 기초과학에서 기존의 방법으로 잘 풀리지 않는 문제나, 단순한 방법으로는 너무 오랜 시간이 소요되는 문제를 인공지능의 힘을 이용해 해결할 수 있습니다. 국내 유일 기초과학 전담연구기관인 기초과학연구원(IBS)에서도 이런 사례를 찾아볼 수 있습니다.

▲ 기초과학 연구가 인공지능을 발전시키고, 인공지능이 기초과학 분야의 난제를 해결해주는 식으로 기초과학과 인공지능은 서로 상호작용하며 발전해 나가고 있다.

IBS 속 인공지능 연구 셋

IBS 원자제어 저차원 전자계 연구단이 진행 중인 '솔리톤' 연구는 인공지능을 위한 초석을 다지는 기초연구의 대표적인 사례라고 할 수 있습니다. 솔리톤이란 원자도선의 양단이 서로 다른 위상 상태일 때 그 사이의 경계를 말하는데 위상학적 특성 때문에 외부의 간섭에도 방해받지 않는 안정적인 구조를 갖습니다.

원자제어 저차원 전자계 연구단은 1차원 인듐 원자도선에서 서로 다른 세 종류의 솔리톤을 발견했습니다. 세 종류의 카이럴 솔리톤과 솔리톤이 존재하지 않는 상태를 함께 조합함으로써 이들 간의 전환을 4진수 연산으로 구현했는데, 이를 활용하여 소자와 컴퓨터를 구현하면 이진법에 기반한 현재의 컴퓨터보다 월등히 많은 정보를 동시에 처리할 수 있습니다. 이는 인간의 뇌를 모방하는 뉴로모픽 기술의 발전에 크게 기여할 것으로 보입니다.

▲ 서로 다른 세 종류의 솔리톤. IBS 원자제어 저차원 전자계 연구단은 솔리톤 기반의 4진수 연산소자를 구현하는 데 성공했다. 2진법 기반 기존 정보처리장치에 비해 월등히 많은 정보를 한 번에 처리할 수 있다. (출처: IBS)

앞선 연구단이 인공지능 구현을 위한 기반을 닦는 연구를 진행했다면, 실제 연구과정에서 인공지능을 개발한 사례도 있습니다. 바로 첨단연성물질 연구단이 개발한 인공지능 '케마티카(Chematica)'입니다.

케마티카는 화학물질을 스스로 합성하고 최적의 경로를 알려주는 인공지능입니다. 화학계에서 알려진 합성법과 화학 반응을 광범위하게 수집하고 총망라하여 학습한 뒤 짧은 시간에 엄청난 양의 계산을 수행하는데요. 케마티카는 기존 알려진 화학물질들을 합성하는 최적의 합성법을 알려주기도 하고, 지금껏 알려지지 않았던 새로운 유용한 합성물을 제조하기도 합니다. 바르토슈 그쥐보프스키 IBS 첨단연성물질 연구단 그룹리더는 이 연구로 미국 포어사이트 연구소에서 수여하는 파인먼 상을 수상하기도 했습니다.

▲ 화학물질 합성 인공지능 ‘케마티카’를 개발한 바르토슈 그쥐보프스키 IBS 첨단연성물질 연구단 그룹리더. (출처: IBS)

한편, 우주의 비밀을 풀어내는 데도 인공지능이 쓰입니다. 바로 우주의 약 26.8%를 차지할 것으로 추정되는 암흑물질(Dark Matter)의 흔적을 찾아내기 위해서죠. 매 순간 우주는 지구에 수없이 많은 우주선(cosmic ray)을 보냅니다. 연구진이 암흑물질의 후보로 지목한 윔프(WIMP) 입자를 찾아내기 위해서는 이 수없이 많은 우주선의 신호 중 '진짜 윔프의 신호' 만을 골라내는 작업이 필요합니다.

IBS 지하실험 연구단은 이 과정에 인공지능을 활용했습니다. 아직까지 존재를 드러낸 적 없는 윔프의 신호를 골라내는 것이 아니라, 이미 알려진 다른 우주선들의 신호를 배제하도록 학습시킨 것이지요. 이를 이용해 연구진은 데이터 분석에 소요되는 시간을 대폭 줄일 수 있었습니다.

맺는 말

인공지능을 구현하는 사람의 입장에서 단언하건데 현재까지 그 어떤 기술도 인간처럼 자의식을 갖는 인공지능 개발은 불가능할 것입니다. 지식기반 방법으로는 자의식에 도달할 만큼 충분한 지식을 만들기 어렵고, 데이터기반 방법도 이미 짜여진 틀 안에서 최적의 매개변수를 찾는 것이기 때문입니다.
하지만 언젠가 어떤 방법을 사용하든 일단 인간 지능에 도달하거나 뛰어넘는 걸 만들고 나면, 그 이후에는 폭발적으로 발전하여 자의식을 갖는 것처럼 보이는 인공지능까지 완성할 수 있을 지도 모릅니다. 지금 진행되고 있는 기초과학 연구들이 험난한 그 길을 평탄케 하는 단서가 되길 기대해봅니다.

본 콘텐츠는 IBS 공식 블로그에 게재되며, https://blog.naver.com 에서 확인하실 수 있습니다.