최근 딥 러닝기술이 발전하면서 인류는 곳곳에서 사람을 대신할 수 있는 인공지능을 경험하기 시작했다. 하지만 과학자들은 딥 러닝을 최종 솔루션으로 보고 있지 않는다고 한다. 이에 과학자들은 딥 러닝을 넘어 사람처럼 상식과 논리적 추론이 가능한 인공지능을 개발한고 있다. 사람처럼 생각하고 대화할 수 있는 인공지능 AI의 등장을 예고했다.

 

딥러닝 기술은 컴퓨터가 마치 사람처럼 생각하고 배울 수 있도 AI 자동화 기술이다. 스스로 학습 후 인간의 뇌처럼 많은 양의 데이터를 스스로 처리한다. 이 딥러닝 기술은 인공 신경망의 한계를 극복하기 위해 만들어졌다.

 

인공신경망을 1943년 최초의 논문 이후, 2004년 제프리 힌튼 교수가 RBM이라는 새로운 딥러닝 기반의 학습 알고리즘을 발표하면서 다시 주목받기 시작했다. 이후 드롭아웃이라는 알고리즘도 등장했고 고질적으로 비판받는 과적합을 해결할 수 있게 되었다. 수많은 데이터 속에서 패턴을 발견하고 사람이 사물을 분별하듯 컴퓨터도 데이터를 지도학습과 비지도 학습으로 나눈다.

 

데이터의 양이 많고 정확성을 요구하기 때문에 기술 기업이 딥러닝을 활용하는 분야는 주로 사진과 동영상 등 분류를 하는 역할을 한다. 이에 페이스북기업에서 딥러닝 기술을 적용한 딥페이스라는 얼굴인식 알고리즘을 2014년 개발에 성공했다.

 

AI 전문가는 딥러닝의 문제를 다양하게 지적했다. 인지과학자 게리 마커스에 따르면 화려한 모습의 딥러닝과 달리 실무자는 운용 과정에 있어서 발생하는 여러 문제점으로 인해 곤란을 겪고 있다고 한다. 문제점 중 하나는 딥러닝이 요구하고 있는 데이터의 양이다. 데이터를 수집하고 분석, 처리하는 과정에서 지나치게 많은 양의 데이터를 요구하고 있어 인공지능을 사용하는데 있어서 어려움을 증폭시키고 있다.

 

또한, 딥러닝은 데이터로부터 산출된 지식을 다른 영역에 적용할 때에도 어려움을 겪고 있다고 한다. 그중 추론이나 지식을 표현할 때 표현력이 부족한 점의 단점이 다양하게 드러나고 있다.

 

사람은 오감으로 구성된 감각기관을 통해 여러 가지 자극을 받아들인다. 받아들인 정보는 뇌로 전달 후 분석이 이루어지게 된다. 이런 능력을 추론이라고 하는데, 인공지능은 이렇게 상식적인 능력이 매우 부족하다는 것이다.

 

우리가 알고 있는 알파고도 딥러닝의 기술 중 하나인데, 과거 이세돌을 이겼던 것처럼 어떤 분야에서는 사람의 능력을 훨씬 뛰어넘기도 한다. 실제 의료현장에서는 의사보다 더 효과적으로 피부질환의 진단을 사례하는 보고도 있었다. 그러나 조금만 다른 영역으로 이동하면 그 능력은 발휘하지 못한다. 이런 현상이 일을 이해하지 못하고 있고 고차원적으로 처리하지 못하는 점을 말해주는 것이다.

 

이러한 단점들로 전문가 사이에서 지적되었는데, 최근 AI 토론에 참석한 전문가는 다양한 방식의 인공지능 개발을 하고 있다고 밝히며 딥러닝 기술에 논리적 형식화 기능을 추가해 뉴럴 심볼릭을 제안했다. 이 개발에 성공한다면 인공지능의 참여 영역을 점차 확대해 나갈 수 있다고 말했다. 이에 전 구글 클라우드의 AI 과학자를 맡았던 페이페이리 교수는 현재 인공지능은 사람과 달리 매우 부족하고 결핍된 모습이 있다라며 이 단점을 보완하기 위해 사회화가 필요하다며 시스템을 보완하는 개발을 해야 한다고 주장했다.

저작권자 © 리서치페이퍼 무단전재 및 재배포 금지