AGI(artificial general intelligence) 또는 일반 AI라고도 알려진 강한 인공지능(AI)은 AI 개발의 특정 사고방식을 설명하는 데 사용되는 이론적 형태의 AI입니다. 연구자들이 강한 AI를 개발할 수 있으려면, 기계가 인간과 동등한 지능을 가져야 할 것입니다. 이 기계는 자아를 인식하고 문제를 해결하고 학습하고 미래를 위한 계획을 세울 수 있어야 합니다.

강한 AI는 인간의 정신과 구분할 수 없는 지능적 기계를 만드는 것을 목표로 합니다. 그러나 어린이와 마찬가지로 이 AI 기계는 입력 데이터와 경험을 통해 학습하고 시간이 흐름에 따라 끊임없이 발전되고 능력을 향상해야 할 것입니다.

학계와 민간 부문의 AI 연구자들이 AGI(artificial general intelligence)를 만들기 위해 노력 중이지만 , AGI는 현재 유형의 현실이 아니라 이론적 개념으로만 존재합니다. Marvin Minsky와 같은 사람들은 몇 십 년 후에 AI 분야에서 인간이 이룰 수 있는 성취에 대해 지나치게 낙관적인 것으로 언급되어 왔습니다. 반면, 강한 AI 시스템은 개발조차 할 수 없을 것이라고 말하는 사람도 있을 것입니다. 지능 및 이해력과 같은 성공의 측정 기준이 명시적으로 규정되기 전까지는, 이 사람들의 생각이 맞다고 말할 수 있습니다. 현재로서는 많은 사람들이 AI 시스템의 지능을 평가하기 위해 튜링 테스트(Turing test)를 사용합니다.

튜링 테스트

Alan Turing은 1950년에 튜링 테스트를 개발하고 그의 논문 “Computing Machinery and Intelligence”(컴퓨팅 기계와 지능)(PDF, 566KB)(IBM 외부 링크)에서 이에 대해 설명했습니다. 원래는 모방 게임(Imitation Game)으로 알려졌던 이 테스트는 기계의 행동이 인간의 행동과 구분될 수 있는지를 평가합니다. 이 테스트에는 일련의 질문을 통해 컴퓨터가 생성한 출력과 인간이 생성한 출력 사이에 차이점이 있는지 알아보려고 하는 "질문자"라는 사람이 등장합니다. 질문자가 인간 주체와 기계를 안정적으로 구분하지 못하면 기계는 테스트를 통과합니다. 그러나 평가자가 인간의 응답을 올바르게 식별할 수 있으면, 기계는 지능적이라고 분류되지 않습니다.

튜링 테스트에 규정된 평가 가이드라인은 없지만, Turing은 인간 평가자가 5분 후에 인간이 생성한 대화와 컴퓨터가 생성한 대화를 올바르게 예측할 확률이 70%밖에 되지 않을 것이라고 명시했습니다. 튜링 테스트로 인해 기계 지능이라는 개념이 일반적으로 받아들여지게 되었습니다.

그러나 원래의 튜링 테스트는 한 가지 스킬만을 테스트합니다. 예를 들면 텍스트 출력 또는 체스가 있습니다. 강한 AI는 다양한 작업을 동등하게 잘 수행해야 합니다. 그래서 확장된 튜링 테스트(Extended Turing Test)가 개발되었습니다. 이 테스트는 AI의 텍스트적, 시각적, 청각적 능력을 평가하고 이를 인간이 생성한 출력과 비교합니다. 이 버전은 유명한 Loebner Prize 대회에서 사용됩니다. 이 대회에서 인간 심판은 출력을 인간과 컴퓨터 중 누가 생성했는지 추측합니다.

Chinese Room Argument(CRA)

Chinese Room Argument는 1980년에 John Searle 가 주장했습니다. 그는 논문에서 이해와 사고의 정의를 논의하며 컴퓨터가 결코 이러한 활동을 수행할 수 없다고 주장합니다. Stanford웹사이트(IBM 외부 링크)에서 구한 이 논문의 발췌문에 그의 주장이 잘 요약되어 있습니다.

“연산은 순전히 형식적 또는 통사론적으로 정의되지만, 정신은 실제의 정신적 또는 의미론적 내용을 갖고 있다. 우리는 통사론적 작동 이외에 다른 요소가 전혀 없이 통사론에서 의미론으로 이동할 수는 없다…예를 들면, 하나의 시스템인 나는 중국어 구사자의 행동을 흉내낸 컴퓨터 프로그램의 단계들을 거친다고 해서 중국어에 대한 이해를 습득하지는 못한다(p. 17)."

Chinese Room Argument는 다음 시나리오를 제안합니다.

중국어를 하지 못하는 사람이 폐쇄된 방에 앉아 있다고 상상해 봅니다. 그 방 안에는 중국어의 규칙, 구문, 지시 사항이 포함된 책이 있습니다. 중국어에 유창한 다른 사람이 중국어로 적힌 쪽지를 방 안으로 전달합니다. 중국어 구문이 포함된 책을 참고하여 방 안의 사람은 적절한 답변을 선택하고 쪽지를 다시 중국어 구사자에게 전달합니다.

방 안의 사람은 언어 구문책을 사용하여 올바른 답변을 제공할 수 있었지만, 이 사람은 여전히 중국어를 말하거나 이해하지 못합니다. 이 사람은 질문 또는 문장과 적절한 답변을 연결하여 이해 과정을 모방했을 뿐입니다. Searle은 강한 AI 가 의식 또는 이해력을 가진 실제 정신을 갖추어야 한다고 주장합니다. Chinese Room Argument는 튜링 테스트의 결함을 드러내어 인공지능에 대한 다른 정의를 제시합니다.

협의적 AI라고도 알려진 약한 AI는 사용자가 입력한 데이터를 기반으로 질문에 응답하거나 체스를 두는 것과 같은 특정 작업을 수행하는 데 집중합니다. 약한 AI는 한 가지 유형의 작업을 수행할 수 있지만, 두 유형을 모두 수행하지는 못합니다. 반면, 강한 AI는 다양한 기능을 수행할 수 있으며, 궁극적으로 새로운 문제를 해결하는 방법을 스스로에게 가르칩니다. 약한 AI는 인간이 간섭을 통해 학습 알고리즘의 매개변수를 정의하고 정확성을 위해 관련된 훈련 데이터를 제공해야 합니다. 인간의 입력은 강한 AI의 성장기를 가속화하지만, 이러한 입력이 필수적이지는 않습니다. 그리고 시간이 흐름에 따라 강한 AI는 약한 AI처럼 인간과 같은 의식을 흉내내는 대신 이러한 의식을 발전시킵니다. 자율주행 자동차와, Siri와 같은 가상 상담원은 약한 AI의 예입니다.  

강한 인공지능의 명백한 예는 없지만, AI 분야에서는 급속도로 혁신이 이루어지고 있습니다. ASI(artificial superintelligence ), 초지능(super intelligence) 또는 슈퍼 AI라고 알려진 또 다른 AI 이론이 등장했습니다. 이러한 유형의 AI는 인간적 지능과 능력 측면에서 강한 AI를 능가합니다. 그러나 아직 강한 AI의 예를 구현하지 못했기 때문에 슈퍼 AI는 여전히 순수하게 추측에 기반한 개념입니다.

그렇지만, AI가 더 중요한 역할을 하고 있는 분야가 있습니다. 예를 들면 다음과 같습니다.

• 사이버 보안: 인공지능은 침해 탐지, 모니터링, 위협 인텔리전스, 인시던트 대응, 리스크 분석 등 조직이 사이버 보안 조치를 수행할 때 더 많은 역할을 맡게 될 것입니다.
• 엔터테인먼트 및 컨텐츠 생성: 카피라이팅, 시, 비디오 게임 또는 심지어 영화 등 컴퓨터 과학 프로그램의 콘텐츠 제작 능력은 이미 점점 더 발전하고 있습니다. OpenAI의 GBT-3 텍스트 생성 AI 앱은 이미 인간이 쓴 문구와 구분하기가 거의 불가능한 컨텐츠를 만들어내고 있습니다.
• 행동 인식 및 예측: 날씨 및 주식 시장 예측부터 더 흥미롭게는 인간의 행동 예측까지, 예측 알고리즘으로 AI가 더 강력해질 것입니다. 또한 이로 인해 암시적 편견과 윤리적 AI를 둘러싼 질문이 제기됩니다. AI 커뮤니티의 일부 AI 연구자들은 차별 방지 규칙을 촉구하고 있습니다. 이 규칙은 #responsibleAI라는 해시태그와 흔히 관련이 있습니다.

인공지능, 머신 러닝 및 딥 러닝이라는 용어는 잘못된 맥락에서 사용되는 경우가 많습니다. 이 용어들은 강한 AI를 설명하는 데 자주 사용됩니다. 그러므로, 각 용어를 간단히 정의해 볼 가치가 있습니다.

인공지능은 John McCarthy(IBM 외부 링크)의 정의에 따르면 "지능적 기계, 특히 지능적 컴퓨터 프로그램을 만드는 과학과 공학입니다. 이는 컴퓨터를 사용하여 인간 지능을 이해하는 유사한 작업과 관련되지만, AI는 생물학적으로 관찰 가능한 방법으로 자신을 제한한 필요가 없습니다."

머신 러닝은 인공지능의 하위 분야입니다. 고전적(딥이 아닌) 머신 러닝 모델은 데이터를 카테고리에 따라 (즉, 특성 학습을 통해) 나누는 인간의 개입이 더 많이 필요합니다.

딥 러닝 역시 머신 러닝의 하위 분야로, 신경망을 사용하여 인간 두뇌의 상호연결성을 흉내내려고 합니다. 인공 신경망은 주어진 데이터 세트 내에서 패턴을 발견하는 여러 계층의 모델로 구성됩니다. 이들은 정확한 학습을 위해 대량의 훈련 데이터를 활용합니다. 따라서 GPU 또는 TPU와 같은 더욱 강력한 하드웨어를 요구합니다. 딥 러닝 알고리즘은 인간 수준의 AI와 가장 강력하게 연관되어 있습니다.    

이러한 기술들 간의 미묘한 차이에 대해 더 알아보려면 “AI, 머신 러닝, 딥 러닝 그리고 신경망: 차이점은 무엇일까요?”를 읽어 보세요.

딥 러닝은 복잡한 문제를 잘 처리합니다. 그래서 딥 러닝은 현재 많은 새로운 혁신적 기술에 활용됩니다. 딥 러닝 알고리즘은 다양한 분야에 적용되어 왔습니다. 몇 가지 예는 아래와 같습니다.

• 자율주행 자동차: Google과 Elon Musk는 자율주행 자동차가 가능하다는 것을 보여주었습니다. 그러나 자율주행 자동차는 우선 통행권 부여 또는 도로의 잔해물 식별과 같이 다양한 활동을 수행해야 하므로 더 많은 훈련 데이터와 테스트가 필요합니다. 기술이 성숙한 후에는 도입을 막는 인간적 장애물을 뛰어넘어야 할 것입니다. 여론 조사에 따르면 많은 운전자가 자율주행 자동차를 사용하지 않으려고 하는 것으로 나타났습니다.
• 음성 인식: 음성 인식(예: AI 챗봇 및 가상 상담원)은 자연어 처리의 큰 부분을 차지합니다. 오디오로 입력된 데이터는 AI가 처리하기가 훨씬 더 어렵습니다. 배경 소음, 사투리, 언어 장애, 기타 영향을 끼치는 요소 등 너무 많은 요인들 때문에 AI가 입력 데이터를 컴퓨터가 처리할 수 있는 형태으로 전환하기가 훨씬 어렵기 때문입니다.
• 패턴 인식: 심층 신경망의 사용은 다양한 응용 분야에서 패턴 인식을 향상시킵니다. AI는 유용한 데이터 포인트의 패턴을 발견하여 관련성 없는 정보를 걸러내고, 유용한 상관관계를 끌어내고, 인간이 보통 간과할 수 있는 빅데이터 연산의 효율성을 향상할 수 있습니다.
• 컴퓨터 프로그래밍: 약한 AI 는 의미 있는 텍스트를 생성하는 데 어느 정도 성공을 거두었습니다. 이러한 성공은 코딩 분야의 진전을 가져왔습니다. 최근에 OpenAI는 매우 제한적인 명령어로 코드를 작성하고 단순한 컴퓨터 프로그램을 작성할 수 있는 오픈소스 소프트웨어인 GPT-3를 릴리스했으며, 이를 통해 프로그램 개발에도 자동화를 적용하게 되었습니다.
• 이미지 인식: 이미지 분류는 수작업으로 수행하면 매우 시간이 많이 소요될 수 있습니다. 그러나, 신경망의 각 계층을 각각의 다른 계층과 연결하는 DenseNet과 같은 심층 신경망을 특별히 조정하여 이미지 인식을 훨씬 더 정확하게 수행할 수 있게 되었습니다.
• 컨텍스트 기반 추천: 딥 러닝 앱은 추천을 할 때 훨씬 더 많은 컨텍스트를 고려할 수 있습니다. 예를 들면, 언어 이해 패턴 및 행동 예측이 그러한 추천 활동의 예입니다.
• 사실 확인: The University of Waterloo는 최근 기사에 포함된 정보를 다른 뉴스 소스와 비교하여 해당 정보를 검증함으로써 가짜 뉴스를 찾아낼 수 있는 툴을 릴리스했습니다.