그 기초적인 내용과 배경들을 살펴보고 인공지능의 미래 문제점 및 대처에 대해서도 알아보자.

 ♧ 대중의 관심 속으로

 ♧ 인공지능이란?

      -  인공지능의 역사

      -  인공지능의 학습법 분류

 ♧  인공지능의 미래, 문제점 및 대처

[자막]
 안녕하세요. 안녕하십니까. 한국과학기술연구원에서 인공지능용 차세대 반도체를 연구하고 있는 정현주 라고 합니다. 오늘은 현재 진행 중인 4차 산업혁명에서 가장 중요한 기술 중 하나라고 여겨지는 인공지능기술에 대해서 그 기초적인 내용과 그 역사적인 배경 그리고 앞으로 예상되는 미래에 대해서 간단히 살펴보는 시간을 가지도록 하겠습니다. 먼저 대중의 관심 속으로 인공지능이 들어오게 된 계기에 대해서 살펴본 후에 그 인공지능이 무엇인지를 인공지능의 역사 그리고 학습법을 학습함으로서 간단히 살펴보겠습니다. 그리고 마지막으로 예측되는 인공지능의 미래 그리고 그 인공지능 기술 도입에 따른 문제점과 우리의 대처방안에 대해서 살펴보도록 하겠습니다. 약 2016년에 모두 다 아시는 굉장히 큰 사건이 있었는데요. 인공지능 그 바동용 인공지능인 알파고와 인간 최고수인 이세돌 구단의 대결이 있었습니다. 2016년인이 벌써 5년이라는 긴 세월이 흘렀네요. 시간이 참 빠른데요. 이 알파고는 알파라는 것은 그 그리스 문자의 알파 베타 간마에서 온 알파 즉 첫 번째 문자이죠. 그래서 첫 번째 글자이기 때문에 최고의 의미를 가집니다. 그리고 고을라는 것은 일본어로 바둑을 의미한다고 합니다. 즉 알파고라는 것은 지격하자면 최고의 바둑기사 정도로 해석될 수 있을 것 같습니다. 이런 알파고와 이세돌 구단의 대결이 있었는데요. 그 대결 전에 굉장히 많은 언론 메스컴에서 보도들이 나왔습니다. 한편에서는 바둑에서 인공지능이 일 것 같다는 보도가 연속되었 고요. 한편에서는 그래도 이세돌 구단이 이기지 않을까 라는 보도가 대결 을 이루었는데요. 바둑에서 인공지능이 이길 것이다 라고 주장하는 쪽에 논리는 이렇습니다. 인공지능 기술이 그간 엄청나게 발전을 했고 또한 1997년에 체스 에 사례를 들었습니다. 체스가 사실은 인간의 독보적이 영역에 그런 분야였는데 IBM의 딥블루 라는 인공지능이 인간 최고수였던 카스파로프에게 승리한 사건이었 죠. 이 사건이 20년 만에 바둑에서도 일어날 것이다 라고 예측을 하며 인공지능의 승리를 점쳤습니다. 한편 더욱 더 많은 언론에서는 이세돌 구단 사람의 승리를 점쳤 는데요. 그 큰 이유는 잃었습니다. 바둑 같은 경우에 저희가 바둑판 에 놓을 수 있는 그 경우의 수 도를 바둑도를 놓게 되는데요. 그 경우의 수가 대략 10에 170 승계 에 정도 된다고 알려져 있습니다. 엄청난 숫자인데요. 10에 170 승계라면 0이 170개 존재하는 겁니다. 제가 대략 여기 밑에 어떠한 숫자를 이렇게 나열해 놨는데요. 이게 대략 10에 170 승계에 해당하는 숫자입니다. 엄청나게 큰데요. 이게 또 얼마나 큰지를 한번 비교 해 보시면 지구상에 존재하는 모든 모래의 개수가 대략 10에 20인 개 정도라고 하네요. 그리고 전 세계인의 머리카락 개수를 다 더하면 10에 15 승계 정도가 됩니다. 공이 15개밖에 안 되고요. 공이 22개밖에 안 됩니다. 한편 바둑의 경우의 수는 공이 170개나 되는 거죠. 그래서 이렇게 인간의 승리를 주장하는 쪽은 이렇게 많은 경우의 수를 컴퓨터가 계산을 해서 그 한 점 한 점의 돌을 놓는 것은 거의 불가능에 가깝기 때문에 이 바둑 에서 만큼은 사람의 경험과 직관이 더욱 더 중요할 것이다 라고 해서 이세돌 구단의 승리를 점쳤습니다. 모두 다 아시다시피 그 결과는 알파고의 압승으로 끝났는데요. 이게 굉장히 큰 사건입니다. 사실 인공지능 측면에서는요. 이 사건을 계기로 인공지능 알고리즘의 발전과 그 알고리즘을 구현하기 위한 컴퓨터 성능의 개선이 엄청나게 이루어졌다는 것을 확실하게 증명을 했고요. 그리고 더욱 더 중요한 것은 일반인들도 인공지능 이렇게 발전했구나라는 것을 깨닫게 되었다는 거죠. 인공지능 기술을 처음으로 체험하는 그런 간접적인 체험의 경험이 됐습니다. 그래서 새로운 세상에 올 거다라는 그런 긍정적인 예측도 많이 나오기 시작했고요. 또 한편에서는 이러한 인공지능이 계속 발전하다 보면 어느 순간 사람 수준의 인공지능이 나와서 일자리도 잃어버리고 또한 사람에게 반기를 드는 그런 인공지능도 나오지 않을까 하는 두려움 섞인 예측도 나오게 되었습니다. 이게 큰 사건이었는데요. 이후에도 사실 인공지능은 매우 매우 더욱 더 급속한 속도로 발전을 해서 바둑 같은 경우에는 4대1로 알파고의 압승을 했고. 알파고가 승리하였는데요. 2017년에는 알파고 마스터가 중국의 1인자였던 커재에게 3대0으로 승리 하였습니다. 그리고 2017년에는 알파고 제로가 나왔는데요. 이것은 더욱더 무시무시합니다. 이세돌 구단을 4대1로 이겼던 알파고를 무려 100대0으로 컴퓨터 끼리 대결한 거죠. 알파고 제로와 알파고의 대결에서 100대0으로 이겼고요. 2018년 알파 제로가 나왔습니다. 한편 한국에서도 이런 유사한 바동용 알고리즘 개발이 진행되어서 NHN 사에서 2019년의 한돌이라는 소프트웨어로 이세돌 구단에게 역시 승리하였습니다. 이 바동 뿐만 아니라 사실 매우 많은 다양한 분야에서 인공지능이 적용 되고 있는데요. 예를 들어 현재 많이 사용되고 있는 로봇청소기 그것이 이제 처음에 길을 잘 인식하지 못하지만 여러 번 그 집안을 다니다 보면 길을 잘 인식하게 되죠. 그리고 많이 사용되고 있는 인공지능 그 언어 인식. 그래서 저희가 애플의 시리, 삼성의 빅스비, 아마존의 알렉사 같은 것들이 있습니다. 그 인공지능 스피커워들도 많이 사용되고요. 또한 아직 상용화되지 않았지만 매우 많은 기업들이 연구하고 있는 인공자열주행차. 기수도 굉장히 유망한 기술 분야입니다. 이러한 기술적인 분야 뿐만 아니라 경제적인 부분에서도 인공지능이 매우 활발하게 적용되고 있는데요. 예를 들면 저희 펀드메니저 역할을 대신한다든지 어떤 투자의 그런 조언을 주는 로봇 어드바이저 기술이 최근 들어 매우 활발하게 적용되고 있습니다. 이러한 인공지능이 있는데요. 이제 그러면 인공지능이 무엇인지 살펴보도록 하겠습니다. 인공지능이라는 것을 먼저 정의를 해야 되는데요. 아주 유명한 두 분의 일단 정의를 제가 뽑아 왔습니다. 엘런 투링이라는 분은 컴퓨터 과학의 아버지이자 현재 저희가 사용하고 있는 컴퓨터의 원형을 제시한 분인데요. 이 분은 인공지능을 이렇게 정의했습니다. 인공지능의 발명이란 자동차에서 바퀴를 떼어낸 뒤 그 자리에 발을 달기 위해 보심하는 것이다. 즉 자동차 바퀴 인공적인 어떤 기계를 떼어낸 뒤 사람의 발과 유사한 것을 단다. 다시 해석하자면 좀 더 사람에 가까워진 어떤 기계라는 것이죠. 그렇게 인공지능을 정의했고요. 또 마빈 민스키 그 인공지능의 아버지이자 MIT 교수이셨던 마빈 민스키 교수님은 인간의 지능을 필요로 하는 작업을 처리할 수 있는 기계를 만드는 항문이라고 인공지능을 정의했습니다. 사실 그 인공지능이라는 단어 자체가 특히 그 지능이라는 부분이 철학 적인 의미를 내포하고 있기 때문에 저희가 한 단어로 정의를 내리기는 매우 쉽지 않습니다. 그럼에도 불구하고 저희가 일반적으로 받아들여지는 인공지능의 정의는 이런 것 같습니다. 인간성이나 인간의 지적 능력의 일부 또는 전체 혹은 그렇게 생각되는 능력을 갖춘 존재 또는 시스템에 의해 만들어진 인공적인 지능이라는 것입니다. 그래서 조금 어려운데요. 간단히 말씀드리면 인간의 지적 능력 혹은 그와 유사한 능력을 인공적으로 만들어낸 어떤 지능 이라는 것입니다. 이렇게 인공지능은 정의되고 있고요. 그런데 저희가 그 인공지능에 대해서 뉴스나 기사 혹은 인터넷 그 정보들을 접할 때 조금은 헷갈리는 것들이 있습니다. 그것이 이제 용어 새로 생긴 분야다 보니 용어가 조금 헷갈리는데요. 예를 들면 인공지능, 기계학습, 딥러닝, 인공신경망, 뉴로오픽 가 같은 단어들이 매우 혼재되서 사용되고 있는 것을 확인할 수 있습니다. 그지 그걸 먼저 정의를 하고 진행할 건데요. 이렇게 개칭화시켜서 정의를 하면 조금 더 이해가 쉬울 것 같습니다. 먼저 인공지능인데요. 인공지능은 방금 말씀드린 대로 인간의 지적 능력을 인공적으로 만드는 기술이라고 말씀드렸 습니다. 이 인공지능이 가장 최상위의 개념이라고 생각하시면 될 것 같고요. 즉 인공적으로 만드는 모든 기술이 인공지능입니다. 그 인공지능을 구현하기 위해서 여러 가지 방법론이 있을 수 있는데 여러 가지 기술 수도 있을 수 있는데 현재 가장 많이 사용되고 있는 것이 기계학습입니다. 영어로는 머신러닝이라고 하죠. 이 기계학습은 기본적인 규칙만 주어진 상태에서 그 입력받은 정보를 스스로 학습하는 어떤 알고리즘이고요. 여기서 가장 중요한 것은 스스로 학습한다 입니다. 즉 스스로 학습하지 않는 인공지능도 있다는 말씀이고요. 그것은 예전에 사용됐던 인공지능들은 스스로 학습하지 못하는 경우도 있었습니다. 이 기계학습은 스스로 학습한다는 거고요. 이 기계학습을 또 구현하기 위해서 여러 가지 알고리즘들이 존재하는데 그 중에 최근에 가장 많이 사용되는 게 인간의 신경망 구조를 본 떠서 만든 인공신경망입니다. 영어로는 유럴렛토크 라고 부르는 거고요. 이 인공신경망은 인간의 신경망 구조를 본 땐기 때문에 뉴런, 시넵스 같은 어떤 개념들이 들어가 있습니다. 이러한 인공신경망은 또다시 여러 가지 기술로 구현이 가능하고 그 중 가장 대표적인 것이 딥러닝 입니다. 딥러닝은 보시다시피 여기 보시는 인공신경망의 하나의 구조를 나타내는데요. 여기 보시면 동그라미들이 뉴런이고 선들이 시넵스를 나타내게 됩니다. 노란색 동그라미들이 이제 여기 보이는데요. 한 줄만 존재하는 것을 확인할 수 있고요. 이렇게 얕은 신경망이 존재하고 이런 것들 딥러닝이 아니겠죠. 반대로 이렇게 여러 층을 쌓아서 층층이 뉴런들을 쌓아서 연결한 어떤 신경 인공신경망의 기법이 신층신경망이라고 부르는 거고 영어로 딥러닝이라고 부르는 겁니다. 이렇게 여러 층을 쌓아서 딥러닝을 구현한 경우에 굉장히 큰 장점을 가질 수 있는데요. 그것은 특징점을 기계가 알아서 찾아내서 학습하게 됩니다. 이게 무슨 말씀이냐면 예를 들어 얼굴을 학습한다고 할 때 눈, 코, 입 같은 것들이 존재하는데요. 기존의 얕은 신경망에서는 그것들을 사람이 일일히 학습하기 위해서 정보들을 분해해서 줘야 했습니다. 하지만 심층신경망에서는 그러한 것들을 추상화된 개념을 기계 스스로 찾아내기 때문에 훨씬 더 향산된 성능을 가질 수 있게 됩니다. 이러한 것들이 딥러닝이고요. 다시 한번 정리하자면 인공지능이라는 최상의 개념이 있고 이것을 구현하기 위해서 기계 학습이 존재하고 그것이 또다시 가장 대표 되는 기술이 인공신경망이고 현재 딥러닝으로 대표 된다고 생각하시면 될 것 같습니다. 이러한 인공지능의 역사에 대해서 간단히 살펴볼 텐데요. 가장 먼저 인공지능이라는 개념이 나온 것은 1940년대에서 50년대 일입니다. 이때 당시만 해도 아직까지 인공지능이라는 말 자체가 존재하지 않았고요. 1950년에 앨런 퓨링이 어떤 논문을 내게 되는데요. 계산기계와 지능이라는 논문을 냅니다. 아직 인공지능이라는 단어가 없었기 때문에 이 계산기계라는 말을 쓰죠. 계산기계에서 이 논문에서 주장하는 것은 생각하는 기계의 개념과 그것을 만드는 방법에 대해서 논의하고 있습니다. 즉 인공지능이 아니고 생각하는 기계라는 단어를 쓰게 됩니다. 이후에 실제 인공지능이라는 말이 처음으로 세상에 나타나게 된 것은 1956년에 다트머스 대학에서 열린 어떤 회의에서인데요. 유명하신 분인 존 메카시이라는 컴퓨터 과학자가 계십니다. 이 분이 인공지능 분야를 연구하기 위해서 미국에서 가장 저명한 10분의 학자들을 초청을 합니다. 여기 다트머스 대학에서 모여서 논의하면서 연구합시다 라고 초청장을 보냈는데요. 거기에 초청장에 여기 보시면 인공지능 연구를 할 것을 제한합니다 라고 해서 사상 처음으로 역사상 처음으로 인공지능이라는 단어가 사용됩니다. 이후에 1956년부터 한 20년 정도, 근 20년 정도 인공지능 연구의 붐이 일어나게 되는데요. 이때 당시에 많이 사용했던 방법은 탐색 혹은 출원과 같은 방법입니다. 예를 들어 여기 위에 미로가 있는데요. 이 미로를 찾기 위해서는 여러 가지 다양한 시도들을 하게 됩니다. 이 당시의 방법은 탐색을 하게 되는 거죠. 이 길을 한번 탐색해 보고 막다른 골목에 닿으려면 이 길은 아니구나 하고 오답 처리를 하고요. 또 여러 번 또 다른 길로 시도를 해보고 또 시도를 해봐서 성공할 때까지 하는 겁니다. 그렇게 해서 탐색을 하게 되고요. 또 출원을 하게 됩니다. 효율적은 아니지만 일단 이 당시의 인공지능은 이렇게 동작을 했습니다. 그런 방법이 사용됐고 또 여기 보시는 엘리자라고 하는 프로그램이 있는데요. 이게 처음 인간이 처음으로 가진 인공지능 채팅 프로그램입니다. 사람과 대화하는 프로그램이라는 거죠. 현재 인공지능과 이것도 비교할 수 있는 수준은 아니지만 매우 간단한 대답만 했다고 합니다. 질문에 대해서 매우 간단하게 정해진 대답만 했고요. 모르는 질문이 나왔을 경우에는 모르는다. 그냥 그 대답만 했다고 하네요. 이렇게 처음으로 채팅 프로그램까지 나왔고 매우 많은 돈이 자금이 투입돼서 연구가 진행됐는데요. 이 당시가 첫 번째 인공지능의 부음이다 보니 굉장히 긍정론이 퍼져 있었습니다. 인공지능 기술이 굉장히 잘 될 거라는 긍정론에 휩싸여 있었고요. 예를 들어 마빈 민스키 교수님은 1970년에 이런 말씀하십니다. 3년에서 8년 안에 평균 정도의 인간지능을 가진 인공지능 기계를 우리가 만들어낼 것이다. 70년에 말씀하셨으니 73년에서 78년 안에 이런 게 완성된다는 거죠. 현재에도 사실은 인간 수준의 어떤 로봇 이런 건 아직은 힘든 상황입니다. 얼마나 긍정론에 긍정론이 많이 팽배했었는지 알 수 있습니다. 그런데 이렇게 너무나 큰 긍정론은 현재 기술 수준보다 너무나 큰 긍정론은 버블에 가깝죠. 그래서 1차 혹한기를 맞이하게 됩니다. 70년대 혹한기는 아까 제가 설명드린 예시에서는 미로찾기, 퍼즐 같은 아주 간단한 문제를 인공지능이 풀 수 있었는데요. 실생활에 적용하려고 보니 실생활의 문제는 그렇게 간단하지 않았습니다. 매우 폭발적인 수의 경우의 수를 저희가 탐색해야만 했고요. 그러한 것들을 감당하기에는 컴퓨터의 성능이 70년대에 너무나 한계가 명확했습니다. 보시면 예를 들어 70년대에 79년에 일반적인 컴퓨터가 처리할 수 있는 정보 처리 능력은 1립스 정도라고 했습니다. 1립스라는 것은 정보 처리의 단위라고 생각하시면 될 것 같은데요. 슈퍼 컴퓨터도 그 당시에는 100립스 정도밖에 처리하지 못했습니다. 한편 현재 와서 이제 정보 처리를 해보니 대략 실용적인 영상 분석을 위해서는 만에서 100만립스 정도가 필요하다는 거고요. 즉 그 당시 컴퓨터로는 매우 복자한 일이 원천적으로 불가능했으면 알 수 있습니다. 이렇게 실용적인 문제를 풀지 못하다 보니 혹한기를 맞이하게 됐고요. 너무 큰 이상이 해서 실용적인 일을 못 풀었습니다. 그러나 절치부심 그때 80년대에 다시 2차 봄을 인공지능이 맞이하게 되는데요. 이때의 큰 변화는 잃었습니다. 1차 봄 때 너무나 큰 일반 지능 같은 목표를 걸었다는 거죠. 기술 수준에 비해서 너무나 큰 버블이 끼어 있었다는 거고요. 그래서 이번에는 일반 지능 대신 조금 더 작은 주제 그러나 실용화증 그런 주제로 눈을 돌리게 됩니다. 그리고 이 작은 주제를 해결하기 위해서 전문가 시스템이라는 기술을 도입하게 됩니다. 전문가 시스템은 특정 분야에 대한 인간의 지식을 컴퓨터로 정리해서 사용한다는 건데요. 예를 들면 이런 프로그램이 있을 수 있습니다. 스탠포드 대학에서 개발한 마일싱이라는 프로그램인데요. 이 프로그램은 전압성 혈액 질환자를 진단하고 항생제를 처방하는 그런 인공지능이었습니다. 어떻게 동작하냐면 사전에 전문가 그룹 예를 들면 병이니까 의사가 되겠죠. 의사들이 이 병에 관한 전문가들이 500가지의 규칙을 철문을 준비합니다. 그러면 사람들이 그 설문에 따라서 예, 아니, 혹은 어떤 수치들을 기록하겠죠. 이 수치를 보고 진단을 하는 거죠. 그래서 대략 한 70%의 확률로 처방이 질환을 맞출 수 있었다고 합니다. 현재 저희가 병원에 가면 배가 아파서 병원 가든지 건강검진하게 병원 가면 사전 문답 체크를 하지 않습니까. 그것과 굉장히 유사합니다. 그러한 전문가의 지식을 사용해서 사전에 어떤 정의된 인공지능에 절차에 따른 그런 동작 원리를 가지는 그런 인공지능이 전문가 시스템입니다. 이때 이 인공지능도 현재와는 현재 인공지능과는 기술 격차가 굉장히 많이 나긴 하지만 굉장히 큰 의의가 있었습니다. 기존의 1차 붐때는 연구소 수준 혹은 장난감 수준의 인공인 지능이었다면 2차 붐때는 실제 사용할 수 있는 기술의 상업화가 가능한 수준의 인공지능이 나왔다는 거고요. 그 또 하나의 얘가 분자 구조를 파악할 수 있는 프로그램 댄드라일 같은 것들이 있습니다. 그래서 기업에서 굉장히 많은 투자가 들어오던 시기였습니다. 그러나 2차 붐도 혹한기를 맞이하게 되는데요. 그 이유는 다음으로 나왔습니다. 전문가의 지식을 추출해서 인공지능, 지능으로서 사용하고자 했는데 이게 모든 분야에 적용이 되는 것이 아니다라는 것을 알게 됐습니다. 의사, 변호사들이 가진 지식을 정리해서 사용할 수 있었지만 저희가 일상생활에서 맞이하는 대부분의 문제는 그런 전문가를 찾기가 힘들었고요. 전문가를 찾는다고 하더라도 그 전문지식을 모아서 정리하고 또 새로운 지식이 나올 때만 업데이트하는 그런 시간, 비용, 유지비가 매우 컸기에 많은 기업들이 포기하게 되었던 거죠. 그래서 2차 혹한기를 맞이하게 됩니다. 그러나 다행히 3차 붐이 또 일어나게 되는데요. 인공지능 기술이 사실은 매우 많은 파도가 있었습니다. 3차 붐은 그 이후 90년대부터 현재까지 정리할 수 있을 것 같은데요. 이때 가장 큰 두 가지의 기술적인 변화가 있었습니다. 첫 번째는 하드웨어 성능의 비학적인 발전인데요. 인공지능을 결국 구현하기 위해서는 컴퓨터의 성능이 높아져야 합니다. 그 아까 70년대는 제가 매우 성능이 한 개가 있었다고 말씀드렸는데요. 컴퓨터의 성능이 무어여법칙이라는 반도체 분야의 매우 유명한 법칙에 의해서 발전하게 됩니다. 즉 2년에 2배씩 컴퓨터의 성능이 증가하고 또 트랜지스터의 개수가 늘어난다는 건데요. 예를 들어 1970년에 약 1000개에 불과했던 트랜지스터, 칩 안에 트랜지스터가 반도체 최소한의 소자라고 생각하시면 되고요. 1000개 정도 존재했는데 2010년에는 그 동일한 사이즈에 10억 개 정도의 트랜지스터를 담을 수 있게 됐습니다. 즉 컴퓨터의 성능이 비학적으로 발전했다는 거고요. 그리고 두 번째는 저희가 아까 말씀드린 딥러닝 기술이 등장하고 그것을 자연스럽게 학습할 수 있게 되었다는 것입니다. 즉 추상화를 통해서 저희가 추상화 개념을 꼽지 않아도 스스로 추상화된 개념을 특징점을 찾아서 학습할 수 있게 됐고 그것이 매우 큰 성능 향상을 일기게 됩니다. 이러한 기술들 토대로 매우 많은 성공 사례가 나오게 되는데요. 예를 들면 79년에 97년에 아까 말씀드린 체스의 세계 1인자를 이겼고요. 그리고 이세돌 구단의 2016년에 바둑에서도 이겼습니다. 그리고 퀴즈 대회에서도 인간 챔피언을 인공지능이 꺾게 되고요. 이러한 것뿐만 아니라 여기 우상단에 보시는 사진이 있는데요. 이런 이미지 내시다는 대회가 있습니다. 이것은 이런 사진을 100만 장에 달하는 사진을 분류하는 대회입니다. 인공지능이 저 사진들을 분류하게 되고요. 예를 들면 이 사진은 고양이다. 이 사진은 개다. 이 사진은 뭐 자동차다 휴대폰이다 이렇게 분류하는 겁니다. 이 분류를 해서 얼마나 정확하게 맞추는지를 경쟁을 통해서 순위를 가리게 되는데요. 2010년에는 대략 28% 정도 5차가 있었습니다. 가장 1등한 인공지능 28%의 5차를 냈었죠. 한편 딥러닝 기술의 도입으로 매우 급격히 이 5차가 떨어지기 시작했어요. 2015년에는 아주 획기적 일 일어나게 되는데 이 5차가 3.6%로 떨어지게 됩니다. 이게 왜 획기적이냐면 사람이 동일한 일을 해봤습니다. 사람이 나서서 이 사진들을 분류해 봤더니 이게 사실은 간단해 보이지만 걘지 고양인지 좀 헷갈리는 사진도 굉장히 많았고요. 자동차인지 귀차인지 명확하지 않은 사진들이 굉장히 많이 섞여 있습니다. 사람이 했을 때 대략 5% 정도 에러가 나는데요. 5차가 생깁니다. 틀립니다. 그런데 인공지능이 3.6%를 2015년에 달성했습니다. 사람의 이미지 인식 능력을 넘어섰다는 거죠. 2016년 17년 계속해서 기술이 발전해서 2017년에 2.3%까지 떨어지게 되는데요. 2018년부터는 이 문제는 인공지능에게는 너무 쉬운 문제다 라고 해서 더 이상 대회가 열리지 않고 있습니다. 사람의 능력을 2015년에 이미 넘어섰다 라고 보시면 되고요. 이러한 역사를 가지는데 이 인공지능의 역사를 다시 한번 정리해 보자면 두 번에 붐이 있었고 두 번에 또 세랍기가 있었습니다. 혹한기가 있었는데 현재는 3차 붐에 해당하고요. 그 큰 기술의 변화는 하드웨어 성능의 발전과 딥러닝 기술의 출연이라고 볼 수 있을 것 같습니다. 그러면 인공지능의 학습법에 대해서 간단히 살펴볼 텐데요. 인공지능 최상이 개념이고 그 인공지능을 구현하기 위해서 현재 가장 많이 쓰이고 있는 게 기계학습 머신러닝 방법이라고 했는데요. 이 머신러닝은 스스로 학습한다고 말씀드렸습니다. 머신러닝에는 크게 세 가지 기술이 존재하는데요. 지도학습 그리고 비지도학습 그리고 강화학습 세 가지 학습법이 있습니다. 먼저 지도학습과 비지도학습을 비교해서 설명드리도록 하겠습니다. 지도학습 같은 경우에는 정답이 있는 데이터를 기계에 제공해서 학습을 진행한다라고 보시면 되고요. 비지도학습은 정답이 없는 데이터를 기계에 제공해서 학습하는 알고리즘이라고 보시면 됩니다. 이걸 좀 더 예시를 들어서 설명드리는 게 이해하시기 편할 텐데요. 학습하는 단계가 있습니다. 학습을 하고 인공지능을 사용하게 되는데요. 학습 단계에서 지도학습은 예를 들어 저희가 송글씨 데이터 여기 보시는 1, 2, 3, 4, 5, 6, 7, 8, 9까지 쓴 어떤 송글씨를 저희가 인공지능에게 학습을 시킨다고 하겠습니다. 그럼 학습 후에는 저희가 숫자만 보여주면 이게 7인지 6인지 알려주는 인공지능이 되는 것이겠죠. 이러한 것들을 학습할 때 지도학습에는 이렇게 7이라는 저 이미지만 주는 것입니다. 이미지를 주고 또 정답 이게 7이라는 것을 알려주는 거죠. 한편 b지도 학습은 7이라는 이미지만 주게 됩니다. 이 이미지만 보면 7을 아는 거 아니냐 이렇게 생각하실 수도 있는데 사실 이 이미지는 검은색, 흰색, 검은색, 흰색의 어떤 정보의 나열이라서 7이라는 것을 컴퓨터가 사전에 알 수는 없습니다. 사람이 이렇게 지도하지 않는 이상이오. 그래서 이러한 정답을 같이 주기 때문에 지도 학습이라고 부르고요. 정답을 주지 않는 경우를 b지도 학습이라고 부릅니다. 이러한 지도 학습을 조금 더 살펴보자면 그 정답을 저희가 같이 준다고 말씀드렸는데요. 정답이 연속적인 값이냐 혹은 b연속적인 값이냐에 따라서 획이, 분류 이렇게 또 나뉘 수 있습니다. 이 두 가지 방식은 사실 학습법은 굉장히 유사해서요. 큰 차이가 없는데요. 예를 들면 다음과 같습니다. 저희가 인공지능에서 키를 제공하고 몸무게가 나오는 어떤 알고리즘을 짠다고 생각해 보겠습니다. 그러면 키가 입력에 해당하고요. 몸무게가 정답에 해당하겠죠. 몸무게를 알려줘야 되니까요. 그러면 사전에 지도 학습 같은 경우에는 정답까지 알려준다고 했으니 키, 몸무게 정보를 사전에 저희가 봤습니다. 그러면 이런 점들을 표현할 수 있을 거고요. 이렇게 됐을 때 인공지능의 학습이 실제하는 일은 이 선을 그어보는 겁니다. 이 노란색 선들을 이렇게도 그어보고 저렇게도 그어보고 이렇게 여러 가지를 그어보는 겁니다. 그런 게 학습 과정이라고 할 수 있고요. 그러면 그 선을 그따가 이제 에러를 추출해 보는 거죠. 추출했을 때 이 빨간색 선을 찾게 되면 이게 굉장히 데이터들을 잘 표현하는데 그리고 에러를 또 가장 적게 내는데 하는 선을 찾을 수 있습니다. 이런 선을 찾는 과정을 아주 간단하게 말씀드렸지만 학습이라고 합니다. 이걸 수학적으로 나타내면 이 빨간색 선을 찾은 다음에 그 선은 이렇게 수학적으로 ax 이골 b에서 a 혹은 b 같은 매개 변수, 파라메터를 찾은 것과 동일한 효과를 내게 됩니다. 이러한 과정들을 학습이라고 하고요. 이런 학습을 하게 되면 그 이후에 빨간색 선만을 이용해서 저희가 예측을 하게 되는 거죠. 키가 들어오면 빨간색 선에 어떤 값을 넣게 되면 몸무게가 자동으로 하나씩 대응되게 되니까 1대1 대응이 되어서 저희가 키를 통해서 몸무게를 유추할 수 있게 됩니다. 한편 요로는 연속된, 몸무게라는 연속된 값을 추축하기 때문에 회기이라고 하고요. 저희가 연속되지 않은 사람 이름 이런 건 연속된 값이 아니거든요. 사람사람마다 다르니까요. 그런데 얼굴 혹은 지문을 인식해서 사람을 분류할 수도 있고요. 그다음에 자동차 번호판 혹은 음성을 통해서 저희가 어떤 것들을 분류할 수 있는 인식 기술을 지도학습이라고 합니다. 이러한 지도학습이 현재 기업에서 가장 관심 있는 분야라고 주기 하나라고 생각하시면 될 것 같습니다. 한편 b 지도학습은 저희가 정답을 알려주지 않는다라고 말씀드렸는데요. 학습 단계에서 정답을 알려주지 않습니다. 그렇기 때문에 정답을 알려주지 않으니 저희가 사용할 때도 정답이 나오진 않습니다. 그러면 무엇이 나올까 라고 이제 궁금하실 텐데요. 정답이 아닌 학습 데이터의 특징으로부터 유사한 특징을 가지는 데이터 그룹끼리 그룹화하는 것이 가능한 것이 b 지도학습입니다. 이 지도학습보다는 쓰임새가 조금 없을 수 있다고 생각하실 수도 있는데 실제 저희가 세상에 존재하는 대부분의 데이터들은 정답이 사실은 누군가 주어지지 않는 이상 없습니다. 그래서 b 지도학습이 굉장히 유용하게 활용되고 있습니다. 예를 들면 그렇죠. 정답 예를 들면 지도학습은 남자, 여자 혹은 한국인과 미국인 이렇게 명확하게 정답이 나눠지는데요. 그에 반해서 b 지도학습은 그룹 1 그룹이 이런식으로 나옵니다. 그룹 1과 그룹이 다른 특성을 가진 것 같은데 그것이 무엇인지는 모릅니다. 모르지만 이 두 그룹은 뭔가 다른 특성이 있어요. 이 두 그룹이 존재하는 것 같아요 라는 것을 인공지능이 알려주게 되는 거죠. 이것을 어떻게 사용되는지 예시를 들어 설명을 드리면 예를 들어 어떤 마트에서 어떤 조사를 한다고 치겠습니다. 그랬을 때 라면을 구입한 사람과 식빵을 구입한 사람은 연관성이 조금 적겠죠. 한편 라면을 구입한 사람과 계란을 구입한 사람은 연관성이 굉장히 클 수도 있습니다. 혹은 라면과 즉석밥 같은 건 상관관계가 존재하겠죠. 이런 것들을 b 지도학습을 통해서 학습하게 되면 어떤 그룹이 라면과 계란과 를 동시에 사는 어떤 그룹들이 이렇게 추출되게 됩니다. 추출되서 그 그룹이 누군지는 모릅니다. 그게 남자인지 여잔인지 한국인인지 미국인인지 알 수는 없지만 어떤 그룹은 두 개에 굉장히 동시에 관심이 있더라 라는 것을 알 수 있게 되고요. 이런 것들이 이용해서 최근에 인터넷 검색 프로그램 혹은 유튜브 같은 곳에서 이제 저희가 어떤 검색을 동영상을 보게 되면 추천이 계속되게 되죠. 추천이 뜨고 그것은 이런 본인이 검색 기록 또 본인과 유사한 그룹들 성별, 나이, 지역 위치 이런 것들이 유사한 그룹의 그런 그 그룹이 자주 찾는 것들을 섞어서 추천하는 그런 알고리즘으로 동작하고 있습니다. 이렇게 b 지도학습은 동작하고 있고요. 그리고 마지막으로 기계학습의 마지막 방법이 강화학습이라는 것입니다. 지도학습과 b 지도학습은 사전에 주어진 인력유를 가지고 학습을 한다고 하면 그 강화학습은 그것과는 약간은 다릅니다. 주어진 데이터를 가지고 학습하는 게 아니고요. 어떤 에이전트라는 것이 존재합니다. 이 에이전트가 가상의 어떤 물체 움직일 수 있는 물체라고 생각하시면 되고요. 이 에이전트가 여러 가지 시행착오 행동을 하게 되는데요. 행동을 시행착오를 경험하면서 하게 됩니다. 예를 들어 여기 위로를 생각해 보겠습니다. 위로를 생각했을 때 출발점에 있는 저 로봇이 에이전트가 되고요. 저 로봇이 행동을 할 수 있겠죠. 위로에서 오른쪽 왼쪽 위아래로 움직일 수 있습니다. 이렇게 움직일 수 있다고 하면 또 저희는 이제 문제의 환경이 존재하는데요. 이 환경은 지례의 위치 그다음에 폭탄의 위치 그리고 도착점의 위치 등이 됩니다. 이런 환경화에서 저 에이전트가 행동을 하게 되면 여러 시행착오를 겪어서 행동을 했는데 예를 들어 우연히 여러 걸 해보다가 도착지점까지 무사히 도착하는 길을 한번 찾았다고 하겠습니다. 그러면 그 에이전트에게 저희가 보상이라는 것을 제공하게 됩니다. 그 보상을 제공하고 있다고요. 또 우연히 이번에는 지나가는데 폭탄을 밟았다고 하면 그때는 벌칙을 제공하게 되죠. 이러한 것들을 무스히 많이 반복하게 되면 도착지점까지 안전하게 최단 시간에 도착할 수 있는 길을 인공지능이 학습하게 됩니다. 매우 간단하게 설명드린 거고요. 그런데 여러 방법들이 인간의 뇌에서 학습하는 원리를 사실 차관에 따라서 개발한 학습법이라고 알려져 있는데요. 예를 들면 어린아이들이 걸음말을 배우거나 또 어떤 도구를 사용하는 법을 배울 때 이렇게 걸을 일어나서 걸으려고 할 때 실패하게 되면 아무런 일도 일어나지 않지만 어린아이가 일어나서 걸을 때 딱 성공하는 순간 뇌에서는 도파니민이라는 물질이 발생하게 됩니다. 이 도파니민이 그 전에 했던 행동들, 성공한 기록들을 매우 활성화시켜서 순간적으로 학습을 하게 되는 거죠. 실패했던 것들은 별로 학습하지 않고요. 벌칙에 자격해서 학습하지 않고 성공한 것들은 보상이 순식간에 자격해서 도파니민이 보상의 역할을 하게 됩니다. 그래서 병을 따는 법, 팽이 치게 하는 법 이런 것들도 애들이 처음에는 못하지만 성공을 한 번 하고 하고 나면 그 순간적으로 그 성공했던 방법들이 뇌에 각인되게 됩니다. 이런 방식으로 학습을 하는 게 강화학습이라고 보시면 되고요. 강화학습에 매우 많은 예가 있는데 알파고가 강화학습 방법으로 개발이 됐고 많은 그 게임들, 인공지능이 하는 게임들이 강화학습에 기반을 두고 있습니다. 그리고 자연주행차도 그렇고요. 예를 들어 가다가 부딪히면 벌칙을 받고 이렇게 부딪히지 않고 계속 가면 리워드가 계속 주어지는 거죠. 로봇의 움직임들도 강화학습에 기반을 두고 있습니다. 그러면 이제 마지막으로 인공지능의 미래 저희가 어떻게 될 것인가를 좀 살펴보고 그리고 그에 따른 예상되는 문제점과 우리의 대처 방안에 대해서 간략히 또 살펴보겠습니다. 여러분은 인공지능이 이제 점점 더 저희 삶 속으로 파고들 텐데 어떠한 미래를 생각하고 계신가요? 물론 더욱 더 자동화되고 더욱 더 많은 것이 인공적으로 처리되는 그런 시대가 오겠죠. 예를 들어 중국 항저호에는 스마트시티 프로그램을 진행하고 있는데요. 시티 브레인이라고 합니다. 이것은 영화에서 보시듯이 매우 많은 것들이 이제 스마트화되는데 일단은 교통 상황 그리고 안전과 관련된 것들의 시발점을 두고 진행되고 있습니다. 그래서 이미 15% 정도의 교통정체가 개선되고 교통경찰과 15만 명 분의 일을 인공지능이 대체하고 있다고 하네요. 예를 들면 신호등이 저희가 인식해서 자동으로 최적화되서 움직이게 되고요. 정해진 루틴에 따라서 움직이는 것이 아니고 인공지능 스스로 판단하고요. 교통 대중교통이 스스로 판단해서 움직인다고 합니다. 이런 것들이 실제 현재 진행되고 있고요. 그리고 영화에서 보셨듯이 생각만으로 사문을 제형하는 기수도 곧 상경화될 것 같습니다. 보시면 굉장히 유명한 부신데요. 엘러머스크죠. 테슬라의 CEO의 신 엘러머스크가 만든 뉴럴링크라는 회사가 있습니다. 마비 환자들을 위해서 만든 기술인데요. 이 회사가 만들고 있는 기술이 마비 환자가 생각을 하면 그것을 컴퓨터가 받아들여서 컴퓨터가 분해를 분석을 하고요. 그 컴퓨터가 로봇파로 움직여서 이렇게 지금 공을 움직이는 겁니다. 물을 먹고 싶다 해서 물도 마시고요. 척수하기면 마비 환자가 이렇게 자유롭게 쓸 수 있는 그런 기술들이 개발되고 있습니다. 이러한 기술들을 개발하기 위해서는 저희가 또 인공지능 기술 자체의 그 개발이 또한 많이 필요한데요. 그러면 어떤 기술들이 미래의 각각을 받을까요? 제가 간 낡히 정리해 봤는데요. 첫 번째 저희가 필요한 기술은 생성적 인공지능 기술입니다. 이것은 기존에 인공지능 기술이 음성 인식, 이미지 인식 등의 매우 뛰어난 성능을 발휘했었는데요. 이러한 기술을 좀 더욱 더 확장해서 사람만이 할 수 있다고 여겨졌던 어떤 창작적인 창작활동 분야에도 인공지능의 영향을 넓히는 것입니다. 예를 들어 음악을 작곡하고 그림을 그리고 그를 쓰고 공연을 기획한다는 그런지에 그 일들을 인공지능도 할 수 있게 된다는 거죠. 이미 어느 정도 성과가 나오고 있습니다. 저희 많이 보셨을 수도 있는데 인공지능 그림 그리고 또한 뭐 2018년에는 옥션 경매에서 인공지능이 그린 초상화가 약 5억 원의 경매에 낙찰된 일도 있었죠. 어느 정도 성과가 나오고 있습니다. 또 필요한 기술이 시스템2 인공지능이라는 기술입니다. 기존에 인공지능이 역시 좀 취약한 부분이었는데요. 예를 들어 인과관계를 파악한다든지 어떤 그래맥락을 파악한다든지 이런 것들이 기존 인공지능에서는 좀 힘든 부분이었습니다. 또 학습하지 않은 것들의 내용에 대해서 인공지능이 출원을 하는 것들도 좀 힘들었죠. 하지만 신경과학 그 뇌를 연구하는 신경과학 분야와의 협력을 통해서 이러한 것들도 이제 가능해질 거다라고 생각되고 있고요. 현재 시스템2 인공지능이라는 기술 이름하에 개발이 진행되고 있습니다. 그리고 다음 기술은 오토엠엘이라는 기술인데요. 이것은 인공지능으로 인공지능을 개발하는 어떤 만들어내는 기술입니다. 이름만 들어도 굉장히 신기한데요. 기존의 인공지능을 개발하기 위해서는 매우 많은 연구자들이 매우 큰 컴퓨터 매우 많은 컴퓨터를 동원해서 개발했어야 됩니다. 즉 자원과 컴퓨터 자원과 시간이 매우 많이 필요했죠. 이런 것들을 인공지능이 스스로 어떤 프로그램을 만들어낼 수 있다면 굉장히 효율적이 될 것입니다. 이런 일을 위해서 실제로 미국의 아주 큰 대기업 플랫폼 일만 되면 아시는 그런 대기업들이 경쟁적으로 사실 현재 서비스를 진행 중에 있습니다. 그리고 또 전의학습이라는 기술이 있는데요. 이것은 기존의 예를 들어 알파고 같은 경우에는 바둑에서는 굉장히 뛰어난 성능을 발휘하지만 알파고가 그림을 그린다든지 알파고가 어떤 자동차 번호팔을 인식한다든지 하는 일은 힘들었습니다. 하지만 이 전의학습 기술이 상용화되면 그 기존의 개발된 인공지능에 그 인공식력망의 일부만을 재학습에서 다른 작업에 사용하는 것이 가능해질 거다라고 예측되고 있습니다. 그리고 마지막으로 가장 핵심적인 기술이 강인공지능인데요. 현재까지 보고된 그 위에 있는 제가 설명드린 기술들은 다 약인공지능이라고 생각하시면 됩니다. 인간의 어떤 지적 능력의 일부 능력만을 모사하는 것이죠. 하지만 이 강인공지능은 인간인공지능의 최고 발전 단계로서 스스로 생각하고 인간으로 보아도 모방한 수준의 지적 능력을 가진 어떤 기계입니다. 그런데 이런 기계, 스스로 생각하는 기계, 사람 수준의 기계가 나온다고 하면 조금 걱정되실 텐데요. 다행인지 아닌지 모르지만 이 강인공지능은 아직 그 개념도 모호한 상태이고 언제쯤 그게 실형화될지 개발이 완료될지 아직 아무도 모르는 상황입니다. 굉장히 오랜 시간이 걸릴 거다 개발되더라도 하는 정도만 알려져 있습니다. 그러면 이러한 인공지능 기술의 이제 미래 필요한 기술들이 있고요. 현재 국내 회사들은 어떤 기술에 주목하고 있는지를 좀 살펴보겠습니다. 초거대인공지능이라는 것이 있는데요. 이게 몇 달 전에 신문에 나왔던 기사입니다. LG가 인간의 내륙속배 닮은 초거대인공지능을 개발한다 하고요. 그다음에 1,000억 이상을 투자한다고 하네요. 한국 돈을 1,000억 이상이고요. 그리고 자율 사고 학습 판단이 가능한데 초거대인공지능이라는 것은 무엇이냐면 말 그대로 초거대입니다. 대규모 컴퓨틱 인프라를 필요로 하는 거고요. 대략적으로 기존에 있던 건 한 1,000배 이상 이제 어떤 매개 변수를 저희가 학습한다고 했는데 그런 것들이 1,000배 이상 커졌다 라고 생각하시면 됩니다. 그러면 이런 것들을 LG만 하는 것이냐 이런 건 아니고요. 사실 네이버, SK텔레콤, 카카오, KT 저희가 이름만 되면 알만한 국내에 거의 대부분의 대기업은 이 초거대인공지능에 최근 들어 매우 많은 돈 수백억에서 수천억의 돈을 투자해서 개발을 시작하고 있습니다. 그러면 왜 이렇게 갑자기 한국의 대기업들이 초거대인공지능에 이렇게 흥미를 느꼈냐면 미국에서 그 초거대인공지능 기술로 성과가 나오고 있기 때문입니다. 또 다시 엘럼 머스크가 등장했는데요. 이 엘럼 머스크가 2015년에 오픈 AI라는 회사를 설립했습니다. 약 1조 원을 들여서 회사를 설립했고요. 이 회사의 목표는 인간의 친화적인 인공지능을 개발하자였습니다. 이러한 오픈 AI 회사의 기술력에 그 흥미를 느낀 마이크로소프트가 또 2019년에 1조 원을 추가로 투입했고요. 그렇게 해서 범용 인공지능을 개발하겠다라고 이제 이렇게 해서 화두가 됐었죠. 하지만 오픈 AI가 이렇게 큰 돈을 투자 받았음에도 불구하고 사실은 몇 년 동안은 크게 뭐 이렇게 아 이게 정말 대단하다 수준의 인공지능 기술은 나오지 않았었습니다. 하지만 작년에 엄청난 인공지능이 이 회사를 통해서 나왔고요. 물론 초거대인공지능이겠죠. 그게 국내 기업들의 굉장히 큰 영향을 준 것 같습니다. 그 모델은 GPT3라는 인공지능 모델이고요. 이것은 자연어처리를 기반해 하는 인공지능 모델입니다. 자연어처리, 언어와 관련된 인공지능이고요. 언어를 저희가 얘기하면 인식을 하고 또 언어를 생성하고 또 대화를 할 수 있는 그런 인공지능입니다. 이게 얼마나 대단하냐면 마치 사람처럼 이야기하고 대답해주고 해결책을 제시해 준다고 하네요. 그래서 예를 들면 무슨 앱 만들어져 프로그램 만들어져, 홈페이지 만들어져 이러면 그냥 뚝딱 만들어낸다고 합니다. 대단한데요. 그것을 그래서 한번 예시를 좀 찾아봤더니 인공지능과 대화를 하는데요. 이게 한번 보시죠. GPT3와 코로나19에 관련돼서 연구자라고 적혀 있는데 연구자가 사람입니다. 사람이고 지혜로운 존재가 GPT3 인공지능입니다. 둘이 대화를 하는데요. 연구자가 묻습니다. 어떤 비즈니스가 코로나19에서 가장 큰 영향을 받았을까요? 아니, GPT3가 대답하죠. 직접 상호 교류해야 하는 비즈니스가 가장 큰 영향을 받았고 예로는 레스토랑 소매점 서비스업이 있습니다. 굉장히 놀라운 답변을 하기 시작합니다. 그래서 사람이 또 다시 물어보죠. 그러면 그 당시에 코로나 사하에서 돈을 많이 벌이면 어떤 걸 해야 되나요? 물어봤더니 인공지능이 대답합니다. 사람간 접촉이 필요 없는 온라인 스토어가 좋습니다. 그리고 또 물어보죠. 그래서 어떤 회사가 잘 될까요? 테슬라, 구글, 레플릭스가 잘 될 거고 이들은 모두 사람간의 상호 작용을 필요하지 않기 때문입니다. 인공지능이 저보다 더 똑똑해진 것 같습니다. 이러한 대답을 실제 인공지능이 하고 있고요. GPT3에서 하고 있습니다. 그리고 또 다시 철학적인 질문을 던지게 되는데요. 우리는 무엇을 위해 살아가는가? 라는 것을 GPT3에 물어본 결과입니다. 그랬더니 이것도 엄청난 대답을 하는데요. 이 질문은 사실 두 개로 나눠질 수 있다라고 GPT3가 먼저 대답합니다. 그것은 처음에 삶이 무엇이냐? 라는 질문이 될 수도 있고 인간은 무엇을 위해 사는가? 라는 두 가지 질문이 섞여 있다는 거죠. 첫 번째 질문. 만약에 삶이 무엇이냐를 질문한 거라면 그것은 단순함에서 복잡한 구조로 지나가는 과정의 일부이다. 아주 굉장히 거시적인 관점에서 인간의 삶을 본 것이죠. 지나가는 어떤 과정의 한 단계이다 라고 답변을 하고요. 만약에 이게 두 번째 질문. 인간은 무엇을 위해 사는가? 라는 것을 물어본 거라면 이 인공지능의 답은 연흥생명체와 같이 자신의 유전자를 남기기 위해서 후세를 생성하기 위해서 사는 것이 인간의 하나의 목적입니다. 이렇게 대답합니다. 이게 굉장히 철학적인 질문이기 때문에 이 답변이 맞다 아니다를 떠나서 이러한 답변을 하는 것 자체가 굉장히 놀랍다고 할 수 있습니다. 즉 사람인지 아닌지 구별을 하지 못하겠죠. 이런 답변을 실제로 하는 분들도 있을 수 있으니까 여기 굉장히 큰 틀에서 답변한다면 이렇게 굉장히 인공지능이 많이 발전했는데 이렇게 되면 이제 조금 이제 아 이거 엄청나게 많이 발전했구나 라고도 느끼지만 이게 좀 문제점도 일으킬 수 있겠다라는 것을 좀 느끼실 수 있을 것 같습니다. 첫 번째 생길 수 있는 문제점이 인간의 존엄성 및 윤리 문제입니다. 영국에 아주 유명한 물리학자였던 스티븐호킹은 사실 인공지능에 굉장히 반대를 하셨습니다. 인공지능 연구에 반대를 하셨는데 그 이유는 강인공인과 같은 기술이 등장한다면 인류와 멸망할 수도 있다라고 예측하셨습니다. 왜냐하면 그것이 사람을 인공지능 이 반란을 익혀서 사람을 이제 뭐 이렇게 좀 안 좋게 할 수도 있고요. 그다음에 이것이 전쟁 무기로 활용된다면 굉장히 많은 사람들을 죽일 수 있을 것이다 라고 예측했었습니다. 이러한 문제뿐만 아니라 현재 대두되고 있는 것은 예를 들어 이렇게 자율주행차를 개발한다고 했을 때 사고의 직면 사전에 프로그램을 할 수 있습니다. 자율주행차 같은 경우에 그러면 사고의 상황이 됐을 때 어떻게 대처할 것이냐. 기존의 운전자 같은 경우에는 저희가 무의식 중에 핸들을 꺾고 이렇게 하는 거죠. 그러나 자율주행차는 그걸 사전에 프로그램을 할 수 있습니다. 사람의 의지로 그걸 정할 수 있다는 거고요. 예를 들어 앞에 보영자가 있는데 오른쪽이 이제 절벽입니다. 절벽일 때 사고 상황이 다쳤을 때 왼쪽으로 꺾어서 탑승자들이 좀 더 위험에 빠지는 상황을 만들 것이냐 아니면 그것을 방지하기 위해서 보영자를 좀 더 위험한 상황에 받을 것이냐. 이걸 사전에 정할 수 있다는 거죠. 그러면 그것을 누가 정할 것이냐 라는 문제가 생길 수 있고요. 또 그러한 상황에서 사전 프로그램에 의해서 사고가 발생한다면 누가 책임질 것이냐 라는 그런 유리적인 문제가 발생할 수 있고요. 그다음에 또 최근에 문제된 것이 이루다 사건이 있습니다. 채팅보신데요. 채팅인공진흥과 대화를 하는데 이루다가 인종차별, 성차별, 장인차별 발언을 해서 하루 만에 없어졌죠. 하루 만에 굉장히 큰 문제가 돼서 문을 닫았습니다. 그 이유는 인공진흥이 대화하는 법을 학습하는데 실제 사람의 대화 내용을 그 데이터로 사용했던 거죠. 그랬더니 사람들이 하는 그런 차별적인 발언을 학습해서 그렇게 똑같이 대답을 했습니다. 굉장히 실제 보면 수위가 높은 수준의 차별 발언해서 제가 실지는 못했지만 그런 큰 문제가 생겼습니다. 이렇게 인간의 존엄성 및 윤리 문제에 관한 큰 문제가 발생할 수 있고요. 두 번째는 개인정보 침해입니다. 인공진흥 같은 경우에는 학습을 위해서 그 데이터를 끊임없이 공급해야 되는데요. 그러기 위해서 중국 같은 경우에는 공공기관에 CCTV 수업대를 지금 설치 중이라고 합니다. 그리고 또 최근에 문제가 됐던 게 애플의 실이 아마존의 알렉사 같은 거 혹시 사용하고 계시나요? 최근에 사용자도 모르게 대화를 로금해서 그 대화 내용을 학습하는데 계속 사용했던 것이 밝아야 되었죠. 큰 문제가 아닐 수 없습니다. 또한 어떤 앱은요? 최근에 나온 앱은 이렇게 카메라만 들고 있으면 앞에 사람들이 지나다니면 그 사람들의 감정 그 사람들이 지금 무엇을 하려고 하는지 이렇게 예측하는 앱들도 있다고 합니다. 즉 보양자는 자신도 모르는 사이에 자신의 정보가 뭐 예측이긴 하지만 남들에게 사용될 수 있다는 거죠. 네, 그런 개인정보 침해 문제가 굉장히 크고요. 그리고 마지막으로 가장 큰 일반인에게 크게 다가올 수 있는 문제가 일자리 감소입니다. 메킷지사에 따르면 2030년까지 약 8개국에서 1억 명 이상의 그런 근로자들의 직업 전환이 필요하다고 하네요. 그 직업 전환이라는 말은 다른 말로 하면 직업을 잃어버릴 수도 있다라는 거고요. 전경년, 한국의 전경년에 따르면 한국에서도 약 133만 명이 일자리 위험에 노출돼 있다, 인공지능 때문에 라고 예측을 하고 있습니다. 그럼 이러한 시대에 저희는 어떻게 해야 될까요? 먼저 그 인공지능, 저희가 윤리적인 그 인간의 존엄성을 해치지 않는 선에서 사용할 수 있게 그 기능의 어떤 한계를 좀 둘 필요는 있을 것 같고요. 그리고 그것을 이렇게 잘 법제하고 규범화할 필요가 있는 것 같습니다. 예를 들어 유럽 연합 같은 경우에는 2017년에 이미 인공지능과 로봇 제작자의 윤리에 관한 민법 결의안이 발표가 됐고요. 일본에서는 그 인공지능의 안정성을 보장하기 위해서 공적 인증 제도로 운영하고 있습니다. 한편 한국에서는 아직도 이러한 관련 법규 규범이 전무한 상태인데요. 하루 빨리 어느 정도 이렇게 좀 이제 그 법제화하는 것들이 필요할 것으로 보여집니다. 또한 일자리 감소거와 관련해서는요. 그 저희가 인공지능 때문에 소멸되는 직장이 있을 거다라고 예측하고 있지만 또 한편으로는 인공지능 때문에 생기는 직장도 있을 거다라고 예측이 됩니다. 예를 들어 인간이 많이 할 수 있는 인력의 일들, 창조적인 일들 아직까지 인공지능이 확실하게 하지 못하는 그런 일들이 많이 있고요. 또한 이 인공지능을 개발하고 또한 인공지능의 그런 것들을 유지 보수하는 직종은 새롭게 탄생될 것이라고 생각되는데요. 이러한 분야로 그 일자리 이동을 주도하기 위해서 재교육, 훈련 프로그램이 필요합니다. 또한 중고등학생에게는 4차 산업 혁명에 그 걸맞는 인재 양성을 하기 위해서 데이터과학, 로봇, 소프트웨어 호딩 교육 같은 것을 조금 더 광할 필요가 있다고 생각됩니다. 마지막으로 제가 한 말씀 드리고 오늘의 강의를 종료하려고 하는데요. 왼쪽에 보시면 이제 어떤 사람들이 직접 빨래를 하고 어떤 물건을 만들고 또 어떤 소식 하나를 전하기 위해서 말을 타고 1시간씩 가는, 걸어서 가는 시대가 있었습니다. 그것들이 불과 100여 년 전에 이제 이런 기계들, 그런 일들을 대신해주는 기계들로 바뀌고 그것들이 계속해서 발전해왔는데요. 불과 200년 전만 하더라도 이런 일들은 노회들, 하인들 이 했던 일 중에 하나였습니다. 이러한 기계가 등장함으로 인해서 일부 사람들이 직장을 잃어버린 것은 매우 안타까운 일이지만 그렇게 이런 기계 때문에 생긴 더 많은 여유로운 시간을 가지고 사람은 조금 더 효율적이니 사람 많이 할 수 있는 일을 해서 저희가 조금 더 풍요로운 세상을 만들고 있는데요. 인공지능도 이러한 기계의 등장과 같은 맥랑에서 살펴본다면 인공지능 기술의 도입으로 인해서 저희가 그것을 잘 활용만 하면 또 이렇게 인공지능으로 인해 생기는 시간들, 여유들을 우리가 조금 더 인간만이 할 수 있는 일들로 채운다면 저희가 조금 더 풍요로운 세상을 맞이할 수 있지 않을까 생각합니다. 이상입니다.