인공지능의 현재와 미래 - 산업계를 중심으로 (한상기) 딥러닝 개념과 최근 사례 (백승욱) 인공지능과 뇌과학 (정지훈) 딥러닝 기반 로봇 인공지능의 실현가능성 및 전망 (엄태웅) 인공지능 기술에 따른 비즈니스 모델의 변화 (이경전) 중국 바이두의 인공지능 (최재홍) 인

Transcription

1 KISA Report 2015년 9월

2 인공지능의 현재와 미래 - 산업계를 중심으로 (한상기) 딥러닝 개념과 최근 사례 (백승욱) 인공지능과 뇌과학 (정지훈) 딥러닝 기반 로봇 인공지능의 실현가능성 및 전망 (엄태웅) 인공지능 기술에 따른 비즈니스 모델의 변화 (이경전) 중국 바이두의 인공지능 (최재홍) 인공지능 신화 (강정수) ICT 동향 가트너, 2015 하이프 사이클 발표 일본 스타트업 투자 생태계, 기업 벤처 캐피털(CVC) 주도로 성장 미국 정부, 안티 드론 시스템 개발 착수 디지털 헬스케어 관련 클라우드 플랫폼 구축 본격화 인텔(Intel), 상업용 드론에 투자 결정

3 인공지능의 현재와 미래 - 산업계를 중심으로 최근 인공지능이 새롭게 부상하면서 인공지능이 가져올 위협과 도전이 뜨겁게 논의되고 있다. 과거 여러 부침을 겪은 인공지능 분야가 최근에 다시 이런 관심을 갖게 된 것은 몇 가지 요소의 발전과 또 다른 혁신에 의한 것이다. 본고에서는 인공지능의 재도약과 발전 과정을 돌아보고 인공지능 산업 현황을 살펴봄으로써 인공지능의 향후 전망을 도출하고자 한다. 한상기 세종대학교 교수 stevehan@techfrontier.kr ( 現 ) 소셜컴퓨팅연구소 설립자 겸 대표 ( 現 ) 소리바다 에이스탁 고문 ( 前 ) KAIST 문화기술대학원 교수 ( 前 ) 다음커뮤니케이션 전략 대표 및 일본 다음 법인장 Ⅰ. 인공지능의 재도약과 발전 과정 Ⅱ. 인공지능 산업과 시장 규모 예측 Ⅲ. 각 기업의 핵심 인력 확보 전쟁 및 주요 성과 Ⅳ. 향후 전망

4 Ⅰ. 인공지능의 재도약과 발전 과정 최근 수많은 미디어에서 인공지능의 새로운 부상을 얘기하기 시작했고, 일부 기술 리더들은 인공지능이 가져올 위협과 도전을, 이로 인한 경제 사회 시스템의 변화를 뜨겁게 논의하고 있다. 두 번의 부침을 겪은 인공지능 분야가 최근에 다시 이런 관심을 갖게 된 것은 몇 가지 요소의 발전이 이루어지고 이들이 이 시점에 통합되면서 또 다른 혁신이 급속히 이루어지기 때문이다. 그 첫 번째는 컴퓨팅 파워에 대한 가격이 급속도로 낮아진 이유이다. 그래픽 프로세서의 고성능 코어를 쉽게 사용하거나 분산 처리 기술의 발전은 과거에 계산량이 많아서 처리가 힘들었던 문제를 이제 해결할 수 있는 수준이 되었다. 두 번째는 알고리즘의 개선이다. 머신 러닝과 딥러닝 기술에서 새로운 해결 방안들이 제시되면서 매우 효과적인 구현 방식이 이루어졌다. 이는 다음에 말하는 빅 데이터와 연계해서 매우 의미 있는 성능 개선을 이루어냈다. 세 번째는 데이터의 존재이다. 클라우드 컴퓨팅과 빅데이터로 표현되는 수많은 데이터는 인공지능 기술에서 핵심이 되는 학습 훈련에 매우 유용한 데이터를 제공하고 있으며, 이를 통한 성능 개선이 빠르게 이루어지고 있다. 네 번째는 인터넷과 모바일의 발전에 따라 사람들이 네트워크에 연결된 상황이다. 인공지능은 순수한 소프트웨어 기술만이 아니라 사람의 참여를 결합하는 경우 더 뛰어난 개선이 이루어지기도 하고, 사람이 이미 작성한 지적 활동의 결과를 활용하는 방안도 있다. 수십억의 사람들이 연결되어서 작은 활동을 하고 이를 인공지능 기술이 효과적으로 활용하면 더 뛰어난 결과를 얻을 수 있는 방안을 활용할 수 있게 된 것이다. 1956년 존 매카시, 마빈 민스키, 나다니엘 로체스터, 클로드 샤논 같은 당시 최고의 정보 과학자들이 다트머스 대학에 모여 인공지능'이라는 분야를 창시한 이후 이 분야는 수많은 혁신과 좌절, 새로운 도전이 반복적으로 이루어진 인간 지성의 도전 영역이다. 물론 지능에 대한 연구와 추론과 논증 능력에 대한 철학적 접근, 다양한 자동화 기기 발명은 인간 문명과 함께한 오래된 영역이지만 우리가 얘기하는 인공 지능은 컴퓨터 시대에 들어오면서 컴퓨터 과학자의 본격적 연구 대상이 되었다고 볼 수 있다. 1950년 앨런 튜링이 기계가 생각할 수 있는가? 라는 도발적 질문을 던진 컴퓨팅 기계와 지능' 논문은 이후 지능을 갖는 기계에 대한 기초적 사유를 제시했다. 가장 유명한 튜링 테스트라는 이미테이션 게임은 이후 지능을 가진 개체를 판단하는 가장 기초적인 기준으로 제시되기도 했다. 이후 1951년에 체커 프로그램, 1955년에 알렌 뉴웰과 허버트 사이몬은 논리 이론가'라는 프로그램으로 수학 정리를 증명하는 프로그램 등을 통해 게임하는 인공 지능, 추론하는 프로그램들이 선보였다. 1970년대까지 학자들은 검색을 통한 추론, 자연어 분석, 마이크로 세계에 대한 모델링을 통해 매우 긍정적 전망을 했다. 사이몬과 뉴웰은 10년 안에 세계 체스 챔피언을 물리칠 수 있을 것이라고 했고, 4

5 민스키는 한 세대 안에 인공 지능을 창조하는 문제를 근본적으로 해결할 것으로 전망했다. 1970년 민스키는 8년 안에 인간 수준의 지능을 갖는 기계를 가질 것이라고 호언장담했다. 그러나 문제를 너무 쉽게 생각했다는 현실에 부딪치면서 이후 80년까지 첫 번째 인공 지능의 겨울을 맞이했고, 모든 연구 지원이 끊어지는 상황이 벌어졌다. 다시 80년대에 들어오면서 인간의 지식을 여러 방식으로 저장하고 이를 기반으로 하는 논리적 추론 기능을 첨가하면서 새로운 방식의 인공 지능 접근이 이루어졌다. 에드워드 파이겐바움이 초기 모델을 만든 소위 전문가 시스템이 실용성을 보이면서 각광을 받고, 일본에서는 5세대 컴퓨터 프로젝트가, 영국에서는 앨비(Alvey) 프로젝트를 시작했으며 대규모 지식의 표현이 핵심 주제로 자리 잡았다. 더글라스 르내트는 의욕적인 싸이크(Cyc) 프로젝트를 시작해서 십 년간 인간의 상식과 지식을 축적하는 실험을 수행했다. 그러나 이 실험은 결국 원하는 수준의 지능을 얻지 못하고 만다. 심볼릭스, 리스프 머신 등 인공 지능 전용 컴퓨터 등이 만들어진 시기도 이때이지만, 결국 대부분의 기대는 구현되지 못했고, 영국과 미국 등에서 투입한 막대한 자금도 더 이상 지속되지 못하면서 90년 대 초까지 다시 제 2의 인공 지능의 겨울이 찾아왔다. 인간의 지식을 저장하고 이를 추론하는 방식은 하향식으로 지능을 구현하는 방식이다. 그러나 우리는 어떤 지식을 다양한 경험과 데이터를 통한 학습 과정으로 축적하는 경우가 많다. 그런 문제를 접근하는 것이 머신 러닝이며, 이런 머신 러닝은 빅데이터 기술과 함께 크게 발전해 왔다. 그런데 학습에 새로운 방식으로 인공 뉴럴 네트워크(ANN)라고 부르는 연결주의적 접근이 기존의 기호 중심의 인공 지능 분야와는 또 다르게 성장과 침체를 거듭하면서 발전해 왔다. 인공 뉴럴 네트워크의 발상은 인간의 신경망 구조를 모방하면서 입력으로 들어오는 정보를 각각의 입력 노드에 배정하고, 이들을 주어진 함수를 표현하는 네트워크로 출력 노드를 통해 결과를 얻어 낸다는 아이디어에서 출발했다. 1958년 프랭크 로젠블라트의 퍼셉트론이 등장하면서 주목을 받았으며, 퍼셉트론이 학습하고 의사 결정을 하며 언어를 번역할 수 있을 것이라 전망했다. 그러나 1969년 마빈 민스키와 세이무어 페퍼트가 낸 퍼셉트론이라는 책에서 퍼셉트론의 한계가 통렬히 비판 받으면서 이후 10년 간 이런 방식의 연결주의적 연구는 중단되었다. 인공지능은 90년대를 넘어서면서 기존의 접근 방식으로도 뛰어난 성과를 보일 수 있음을 증명하기 시작했다. 대표적인 것이 IBM의 딥 블루 로서 1997년 5월 11일에 세계 체스 챔피언인 개리 카스파로프를 이겼고, 2011년 2월에는 왓슨 으로 부르는 질의응답 시스템이 제퍼디 퀴즈 쇼에서 최고의 퀴즈 챔피언인 브래드 루터와 켄 제닝스를 물리쳤다. 왓슨의 기술은 확률 통계적 방식, 검색 기술, 자연어 처리, 기계 학습 5

6 등의 고전적 방식과 일부 딥러닝 기술을 활용한 방식이다. 이는 쥬디아 펄, 알렌 뉴웰 등에 의해 확률과 의사 결정 이론, 경제학 이론, 통계 방식을 적극적으로 인공 지능 분야에 도입한 결과이다. 뉴럴 네트워크 분야 역시 1980년 쿠니히코 후쿠시마의 네오코그니트론, 1982년 존 홉필드, 데이빗 룸멜하트 등에 의해 새로운 유형의 뉴럴 네트워크가 제안되면서 다시금 연구 집단의 관심을 갖기 시작했다. 특히 백 프로퍼게이션을 통한 학습 기법이 효과적인 결과를 보이면서 일부 연구자들은 의욕적으로 이 분야에 매달린다. 이런 뉴럴 네트워크를 학습의 주요 방식으로 사용하는 것을 딥러닝이라고 부른다. 이유는 뉴럴 네트워크를 다층 구조로 구성하면서 입력 층과 출력 층 사이에 하나 이상의 숨겨진 층을 갖고 이를 딥 뉴럴 네트워크 (DNN, 심층 신경망)이라고 부르기 시작하면서이다. 그림 1 _ 두 개의 히든 계층을 갖는 4계층 뉴럴 네트워크 출처: neuralnetworksanddeeplearning.com 딥러닝의 기본구조를 이루는 모델로는 콘볼루셔날 네트워크(Convolutional Network), 제한된 볼츠만 머신(Restrict Boltzmann Machine:RBM), 오토인코더(Autoencoder) 등이 있으며 이들을 끝에서 끝까지 연결하는 방식으로 적층하여 딥러닝 모델을 이룬다. 각 순간별 뉴럴 네트워크를 시간에 따라 적층해 시계열 데이터 처리에 보다 적합한 리커런트(Recurrent Neural Network:RNN) 역시 장-단기 기억(Long-short term memory: LSTM) 등의 게이트유닛의 발달에 따라 널리 쓰이게 되었다. 기존의 국소 최소화 문제에 어려움이 컸던 깊은 구조의 뉴럴 네트워크가 트레이닝이 가능해진 이유는 정류 선형 유닛 (Rectified linear unit: ReLU) 등의 진보된 활성 함수(activation function)의 사용과 드랍아웃(drop-out) 등의 정규화(regularization) 방법의 진보의 역할이 컸다. 그러나 초기에는 당시 컴퓨터 성능으로는 원하는 규모와 속도로 신경망을 구현하고 실행하기 어려웠기 때문에 대부분은 뉴럴 네트워크 방식 보다는 고전적인 정보 처리 접근 방식으로 머신 러닝이나 지능의 6

7 문제를 해결하려고 했다. 결정 트리, 클러스터링, 베이지안 네트워크, 연관 규칙, 귀납적 논리 계획법, 유전 알고리즘 등 다양한 방식이 개발되어 왔다. 2004년에 하나의 사건이 일어나면서 학계에 큰 변화가 일어났는데, 그 중심에는 토론토 대학의 제프리 힌튼 교수가 있다. 2004년 캐나다 첨단 연구소(CIFAR)에서 50만 달러 수준의 적은 펀딩이 제공되자, 제프리 힌튼 교수는 뉴럴 컴퓨테이션과 어댑티브 퍼셉션(NCAP) 프로그램을 만들어 컴퓨터 과학자, 생물학자, 전기 공학자, 뇌과학자, 물리학자, 심리학자를 초대했다. 여기에는 뉴욕대의 얀 르컨와 몬트리얼 대학의 요수아 벤지오 등이 참여했다. 2000년대를 넘어서면서 딥러닝 방식은 이미지 인식과 음성 인식에 큰 성과를 나타내기 시작했다. 특히 정보 처리를 위한 빠른 프로세서가 값 싸지면서 구성할 수 있는 노드 수가 늘어나고, 수많은 실제 데이터를 얻을 수 있는 상황이 만들어지면서 빅 데이터를 통한 학습이 성과를 보이기 시작했다. 2009년에 들어와서는 지도 학습 방식의 딥러닝 알고리즘이 대부분의 패턴 인식 경쟁에서 기존 방식을 능가하기 시작했다. 인공지능 기술의 새로운 가능성을 인식한 구글, 페이스북, 마이크로소프트, 아마존, IBM 등이 적극적 인재 영입과 기술 개발에 적극 투자하면서 이제 인공지능의 세 번째 웨이브가 몰려오고 있는 것이다. Ⅱ. 인공지능 산업과 시장 규모 예측 인공지능 산업에 대한 예측은 다양한 시각으로 이루어진다. 워낙 관련 분야가 넓고 그 영향력을 예측하기가 아직은 섣부르기 때문이기도 하다. 가장 많이 인용되는 IDC의 예측으로 세계 인공지능 시장 규모는 2015년 약 1,270억 달러, 2017년 약 1,650억 달러로 예상한다. 또 영상처리 세계시장 규모는 2015년 약 765억 달러, 2017년 약 1,090억 달러로 예상하며, 음성인식 시장규모는 2015년 약 840억 달러, 2017년 1,130억 달러를 형성할 것으로 전망하고 있다. 맥킨지는 2025년 인공지능을 통한 지식노동 자동화의 파급효과가 연간 5조 2,000억 달러에서 6조 7,000억 달러에 달할 것으로 내다봤다 1. 블룸버그베타의 투자자인 쉬본 질리스는 머신 인텔리전스 랜드스케이프라는 그래픽을 구성해 세상의 일을 바꿀 회사들에 대해 정리했다 2. 코어 기술, 기업 프로세스를 변화할 기업, 산업 자체에 새로운 방식을 제공할 기업, 인간과 컴퓨터 인터페이스를 바꿀 기업, 그리고 지원 기술을 갖고 있는 기업들로 구성했다. 이 자료를 보면 대부분의 산업 영역이 인공지능 기술을 통해 새로운 혁신을 이끌어 낼 수 있음을 알 수 있다

8 그림 2 _ 머신 인텔리전스 랜드 스케이프 출처: 그림 3 _ 지역별 매출 규모 전망( ) 출처: Tractica 트랙티카(Tractica)에서 나온 지난 4월 보고서는 인공지능 산업을 기업 응용 분야를 중심으로 판단했다. 보고서는 기업용 인공지능 시스템 시장이 2015년 2억 불 수준에서 2024년에 111억 불 규모로 연 평균 56.1% 급성장할 것으로 본다. 트랙티카가 예상하는 지역 별 매출 규모는 위의 그래프와 같다. 8

9 기업의 채택은 전문적 서비스 영역을 성장시킬 것인데 설치, 훈련, 주문 제작, 통합, 유지 보수와 같은 전통적인 서비스 시장이 같이 성장할 것이다. 동시에 성능을 위한 하드웨어 시장도 검토해야 하는데 컴퓨팅 파워를 위한 하드웨어, GUP, 네트워킹 제품, 저장장치, 클라우드 컴퓨팅이 동반할 전망이다. 지멘스의 인공지능: 사실과 예측 이라는 자료에서는 스마트 머신의 글로벌 시장이 매년 20% 성장할 것으로 예측한다. 미국의 BCC리서치 보고서를 기반으로 한 이 자료는 우리 의사 결정을 돕거나 자체적으로 의사 결정을 할 수 있는 시스템을 크게 전문가 시스템, 자동 로보트, 지능형 비서, 임베디드 시스템, 인공 뉴럴 네트워크(뉴로컴퓨터) 다섯 분야로 구분 한다 3. BCC 리서치는 2024년 전체 스마트 머신 시장은 412억 불 규모로 예상하고 있다. 특히 2019년에서 2024년 성장률이 2019년까지 성장률보다 더 클 것으로 보고 있다. 그림 4 _ 스마트 머신 시장 규모 전망 출처: BCC Research 트랜스페런시 마켓 리서치는 인공지능 시장에서도 예측 분석 소프트웨어 시장을 조사했는데, 이 시장은 2019년 65억 불 이상의 크기로 성장할 것으로 예측한다. 여기에 해당하는 소프트웨어 솔루션의 유형은 고객 인텔리전스, 의사 지원 시스템, 데이터 마이닝 관리, 성능 관리, 사기와 보안 인텔리전스, 리스크 관리와 금융 인텔리전스, 운영과 캠페인 관리 분야 등을 얘기한다. 특히 이 분야는 금융 서비스와 보험에서 널리 사용할 것이기 때문에 앞으로도 많은 성장을 예상할 수 있다. 스트래티지 애널리틱스는 첨단 드라이버 지원 시스템의 글로벌 시장 규모는 2019년 160억 유로로 2012년 50억 유로에 비해 3배 규모로 성장할 것으로 본다. Ⅲ. 각 기업의 핵심 인력 확보 전쟁 및 주요 성과 3 9

10 인공지능 인재 확보 전쟁이 벌어지고 있다. 제프리 힌톤, 얀 르컨, 앤드류 응 등 최고의 두뇌를 속속 자사의 연구 총괄이나 핵심 인력으로 확보한 이후에, 스타트업들에 대한 인수 경쟁이 붙었다. 대표적인 사례가 2014년 1월 구글이 영국의 딥러닝 전문 회사 딥마인드를 4억 불에 인수한 것이고, 같은 해 5월에는 사진 인식을 통한 번역 기술을 갖고 있던 월드렌즈를 인수했다. 딥 마인드는 최근 인지적 영역이 아닌, 단기 기억을 저장할 수 있는 뉴럴 튜링 머신 기술을 제시함으로써 다시 한 번 많은 학자들의 관심을 끌고 있다. 페이스북 역시 음성 인식 스타트업인 위트 에이아이(Wit.ai)를 2015년 1월에, 트위터는 2014년 7월에 컴퓨터 비전 분야 딥러닝 회사인 매드비츠를 인수했다. IBM 역시 알케미 AI를 인수해 자사의 왓슨 기반 인지 컴퓨팅에 딥러닝 기술을 강화했다. 구글은 2013년 3월에 토론토 대학의 제프리 힌튼 교수를 영입했다. 이를 위해 힌튼 교수의 회사 DNN리서치를 인수했으며, 토론토 대학의 다른 연구가들도 같이 끌어들였다. 페이스북 역시 인공지능과 딥러닝에 대한 본격적인 투자를 시작했다. 2013년 12월 뉴욕대학의 얀 르쿤 교수를 영입해서 새로 만든 인공지능 랩을 끌고 나가도록 했다. 동시에 각 기업은 다른 기업의 인재를 데려오는 노력도 열심히 하고 있는데, 구글과 지속적으로 함께 연구했던 스탠포드의 앤드류 응 교수를 바이두에서 영입한 얘기는 유명하지만, 최근 페이스북은 양 르컨이 이끄는 인공지능랩 인력을 40 명으로 확충하면서 마이크로소프트 리서치의 연구원 두 명을 영입했다. 인공지능과 딥러닝 전문 인력이 극히 부족하기 때문에 앞으로도 새로운 인력 확보와 기존 인력 빼오기는 치열하게 이루어질 전망이다. 마이크로소프트 역시 다양한 내부 프로젝트와 서비스를 통해 인공 지능 기술을 선보이고 있다. 이미지 내의 물체 인식을 하는 아담 프로젝트, 음성 인식의 코타나, 스카이프에서 선보인 동시통역 기술 등이 대표적이며 마이크로소프트 리서치를 끌고 가는 에릭 호르비츠가 대표적인 인물이다. 구글, 페이스북, 마이크로소프트, IBM, 아마존, 세일즈포스 등 주요 기업은 이미 인공지능 기술을 통해 자사의 서비스를 한 단계 향상하거나, 이를 기반으로 하는 새로운 서비스 영역을 개척하고 있다. 현재 사용하고 있는 인공지능 기술을 응용한 성과는 아래와 같은 사례들이 있다. 구글은 자사의 인공지능 기술이 지메일 스팸의 99.9%를 파악한다고 한다. 구글은 유튜브 사용자들의 비디오 시청 패턴을 딥러닝으로 학습해 다음 볼 비디오를 추천하고 있다. 구글의 음성 인식은 현재 8%의 단어 수준 에러율을 갖고 있다. 구글은 과거에 인수한 월드 렌즈의 기술을 자사의 번역 앱에 통합해서 이미지 인식을 통한 다중 언어 번역을 제공한다. 네이버는 한국어 음성 인식에서 에러율이 5% 미만이라고 밝혔다. 마이크로소프트는 뉴럴 네트워크 기반의 음성 처리 소프트웨어를 통해 영어와 중국어 동시 통역이 가능함을 2013년 10월 중국에서 데모했으며, 2014년 12월에 스카이프 사용자를 위한 영어와 스페인어 10

11 실시간 통역 서비스를 선보였다 4. 이후 2015년 4월에는 이탈리어어와 중국 만다린어 통역도 선보였다. 마이크로소프트는 지난 8일에 ios와 안드로이드용으로 50개의 서로 다른 언어를 번역할 수 있는 앱을 발표했다 5. 그림 5 _ 월드렌즈 기술을 통합한 구글의 번역 앱 출처: 구글, 애플, 마이크로소프트, 아마존이 경쟁하던 디지털 비서 영역에는 페이스북이 메시징 서비스 내에서 M이라는 서비스를 선보이며 가세했다 6. 스마트 디지털 비서는 음성 인식이 적용되면서 상황 인지를 통해 보다 지능형 서비스를 한다는 면에서 소비자들에게 제일 와 닿는 인공지능 애플리케이션이 되고 있다. 특히 구글 나우와 마찬가지로 애플 시리는 사용자의 행동 패턴을 분석해 선제적 대응을 하겠다고 지난 WWDC 2015에서 밝혔다 7. 이런 선제적 기능은 아이폰에 이어폰을 꽂으면 자동으로 음악 앱을 틀고 가장 최근에 들은 곡을 보여주거나, 차에 연결하면 매일 출근길에 듣던 오디오 북을 들려주는 것과 같은 기능들이다. 내 습관을 알고 알아서 먼저 제시한다는 의미이다. 모르는 번호로 전화가 오면 내 메일과 연락처 등을 뒤져서 누구인지 유추해 보여주는 기능도 아주 흥미로운 기능이다. 아직 연구실 수준이지만 실제 서비스에도 이미 여러 형태로 사용하고 있는 응용 분야가 이미지 인식 영역이다. 이는 사진에 올라오는 인물을 자동 인식해 태깅하는 기술이나, 이미지에 등장하는 여러 개체를 확인해서 태깅하는 방식으로 활용하고 있다. 실제 서비스에 도입한 기술과 실험실에서 개선하는 기술에는 차이가 있지만, 여러 기업은 이 분야에서 매우 뛰어난 결과를 보이고 있다

12 페이스북 AI 랩의 연구진과 이스라엘 텔 아비브 대학은 2014년 딥페이스 기술을 발표했다. 이는 인간과 유사한 97.25%의 정확도로 여러 각도나 조명하에서도 사람 얼굴을 인식할 수 있는 기술이다 8. 그림 6 _ 페이스북 딥페이스 작동 단계 출처: 년 NCAP 연구자 중 하나인 스탠포드 교수 앤드류 응은 구글 안에 딥러닝 프로젝트를 구성하였고, 음성 인식과 구글 플러스의 사진 태깅에 딥러닝 기술을 활용하기 시작했다. 이 연구 그룹은, 2012년 16,000개의 컴퓨터 프로세서로 10억 개 이상의 연결을 갖는 뉴럴 네트워크를 이용한 자율 학습 방식의 딥러닝 기술을 적용해서, 유튜브 안에 있는 천만 개의 이미지 중에서 고양이를 알아낸 결과로 언론의 주목을 받았다. 그림 7 _ 딥러닝 기술로 도출한 고양이 이미지 출처: 8 Y. Taigman, et. al., DeepFace: Closing the Gap to Human-Level Performance in Face Verification, Conference on Computer Vision and Pattern Recognition (CVPR), June

13 구글 브레인이라고 이름 붙인 이 연구는 스탠포드 대학과 협력으로 엔비디어의 GPU 코어를 활용한 16개의 서버를 통해 112억 개의 파라미터를 가진 뉴럴 네트워크로 발전했다. 구글 역시 이미지 인식에서 놀라운 연구를 발표했는데, 페이스넷이라고 이름 붙인 이 기술은 연구 그룹에서 활용하는 13,000개의 얼굴 사진을 갖고 있는 데이터 세트에서 거의 100%에 가까운 인식률을 제시했다. 또한, 2억 6천만 장의 이미지에서 훈련한 결과는 86% 이상의 정확도를 보였다 년 9월에는 사진에 있는 객체를 인식해 자동으로 캡션을 해주는 기능을 개발했으며, 이를 구글 포토에 응용했다 10. 이에는 콘볼루션 뉴럴 네트워크와 리커런트 뉴럴 네트워크 기술을 결합한 방식을 사용했다. 아직 인간 수준에는 도달하지 못했는데, 평가 방식인 블루 스코어 기준으로 인간이 69점인 것에 비해 27에서 59점 사이를 얻었다. 그러나 과거 방식이 25점 수준이었던 것에 비해서는 획기적인 개선이라고 볼 수 있다. 그림 8 _ 구글의 자동 캡션 기술 출처: techcrunch.com 구글은 최근 또 다른 논문에서는 뉴럴 대화 모델을 제시해 상당 수준의 대화를 컴퓨터와 나눌 수 있음을 보여주고 있다. 아래는 그 대화의 일부이다. 9 F. Schroff, D. Kalenichenko, J. Phibin, FaceNet: A Unified Embedding for Face Recognition and Clustering, CVPR,

14 인간: 도덕은 무엇인가? 머신: 인간에게 자율권을 주는 것. 지능에 본질적인 것. 인간: 비도덕적인 것은 무엇인가? 머신: 당신이 아이를 가졌다는 것. 인공지능 분야에서도 여러 스타트업이 눈에 띄고 있다. 비카리어스는 저커버그나 피터 틸, 제프 베이조스 같은 유명인의 투자를 받으며 2013년 캡차 기술을 딥러닝으로 풀어낸 결과를 발표했다. 클러리파이(Clarifai) 역시 비디오 영상 속의 객체를 인식하는 기술로 주목할 회사이다. 그림 9 _ 비카리어스 주요 투자자 출처: vicarious.com 볼트라는 이스라엘 스타트업은 할리우드 영화 시나리오만 보고 영화의 흥행을 예견할 수 있는 기술을 제시했다 만 개에서 40만 개의 이야기 특성을 분석해 과거 영화의 흥행 수준과 비교한 결과 65%~70%의 정확도를 갖고 흥행을 예측할 수 있음을 보여주었다. VSCO 캠으로 유명한 비주얼 서플라이 컴퍼니도 무빙 사이언스라는 스타트업을 인수했는데, 이는 머신 러닝을 이용해 사진 큐레이션을 자동으로 해결하는 기업이다. 흥미로운 것은 무빙 사이언스는 1인 기업이었다. 이스라엘의 비욘드버발은 사람의 음성을 통해 감정을 파악하는 기술로 소위 어펙티브 컴퓨팅 분야에 도전하고 있다

15 IBM은 왓슨을 업그레이드 하고 10억 불을 투자해 독립적인 인지 컴퓨팅 사업을 적극 추진하고 있다. 이미 여러 병원에 암 환자 치료를 위한 의사 보조 시스템으로 활용하며, 새로운 요리법을 발견하고, 중역 회의에서 주요 의사 결정을 지원하는 용으로 사용할 수 있음을 제시하고 있다. 최근 IBM은 왓슨을 이용해서 이메일을 보다 잘 정리할 수 있는 새로운 메시징 소프트웨어 버스(Verse)를 선보일 예정이라고 발표했다. 나아가서 왓슨을 엔진으로 API를 제공함으로써, 새로운 앱 생태계를 만들기 위해 1억 불을 지원하는 등, 많은 창업자와 소프트웨어 개발 회사의 관심을 이끌어 내고 있다. 이를 통해 건강 관련 기관 최적화 솔루션을 개발한 웰톡을 지원한 후 투자를 했다. 이후에도 모더나이징 메디슨과 패스웨이 지노믹스에도 투자를 단행했다. 또한 로스 인텔리전스는 왓슨을 활용한 디지털 법률 전문가 서비스를 제시했으며, 웨이블레이저와 셀포인츠는 앱 개발 지원 후 투자를 결정했다. 또 다른 결과로는 소프트뱅크의 페퍼가 왓슨과 연결해 사용자와 질의응답이 가능하게 했으며, 스타트업 엘리멘탈 패스는 스마트 토이 코그니토이즈를 왓슨과 연계해 아이들의 교육에 활용하겠다고 하면서 이를 킥스타터에 발표했다. 즉, IBM은 자사의 왓슨 엔진을 기반으로 하는 새로운 생태계 구축을 기술 지원과 함께, 투자를 통해 적극적 방식으로 키워나가고 있는 것이며, 이는 국내 기업에게도 새로운 기회를 제공할 수 있을 것이다. 자연어 처리 영역은 신문 기사를 자동으로 생성하는 로봇 저널리즘 영역에서 크게 활용되고 있다. 내러티브 사이언스, 오토메이티드 인사이츠 등은 포브스나 AP 통신에 자사의 기술을 제공해서 스포츠, 기업 실적 뉴스 등에 자동으로 기사를 구성해서 제공하고 있다. LA타임즈 등은 자체 기술을 이용해 지진과 같은 자연 재해 소식이나 살인 사건 등에 대한 기사를 자동으로 작성해 보도하고 있다. 내러티브 사이언스의 크리스티안 해몬드는 앞으로 15년 안에 90% 이상의 기사는 이런 소프트웨어에 의해 작성될 것이라고 예견하고 있다. 인공지능은 이 밖에도 자율 운행을 하는 무인 자동차, 공장에서의 자동화 로봇, 소프트뱅크의 페퍼나 MIT의 씬씨아 브리질이 개발한 지보(JIBO) 같은 소셜 로봇, 인간 감정을 이해하고자 하는 다양한 사물 인터넷 기기 등에서 그 활용 영역을 넓히고 있다. Ⅳ. 향후 전망 인공지능 기술은 이제 다양하게 연구 개발하던 이론과 기술, 하드웨어와 소프트웨어가 통합하면서 비약적인 발전 단계에 접어들고 있다. IBM이 최근에 발표한 뉴로모픽 칩인 이제 4,800만 개의 디지털 뉴런을 갖췄다는 뉴스는 또 다른 발전을 목도하게 될 것이라는 생각이다. 작년에는 1백만 개의 뉴런을 구현했을 뿐이었다. 새로운 개념의 하드웨어와 발전하는 소프트웨어, 엄청나게 증가하는 데이터가 결합이 되는 경우에는 우리가 쉽게 상상하기 어려운 수준의 성능이 가능해 질 수 있을 것이다. 15

16 가트너의 예측으로는 2024년까지 인간의 생명을 잠재적으로 위협하는 행동의 10%는 스마트 시스템에서 야기될 것이라고 보고 있다. 엘런 머스크, 스티븐 호킹, 빌 게이츠, 스티브 워즈니악 등 많은 전문가들이 인공지능의 위험성과 인류의 미래에 대해 불안감을 표현하는 뉴스가 많이 보도되고 있다. 얼마 전 아르헨티나에서 열린 세계 인공지능 국제 컨퍼런스에서 천여 명의 학자들이 무기에서 인공지능의 사용과 살상 로봇에 반대하는 공개서한에 싸인 한 것 12 은 이런 불안한 예측의 일부는 현실화 가능성이 있다는 것이다. 영국의 철학자 닉 보스트롬은 인공지능을 연구하는 사람들과 안전을 생각하는 사람들 간에 협력 관계를 구축해야 하며, 각 기업은 연구 못지않게 안전을 검토하는 노력을 병행해야 한다고 주장하고 있다. 그런데 왜 리더들이 인공지능의 위험성에 대해서 경고하는 것일까? 이는 시간이 걸린다고 해서 일단 인공지능이 인간 지능을 넘어서는 수준에 도달하면, 그 다음부터는 인간이 생물학적으로 진화 하는데 오랜 시간이 걸리지만, 기술을 통한 진화는 너무나 급속도로 이루어질 것이고, 이는 우리가 제어할 수 없는 상태가 될 수 있을 것이라는 우려 때문이다. 옥스포드 대학의 인류 미래 연구소 소장인 닉 보스트롬이 전 세계의 인공지능 전문가 대상으로 서베이 한 결과는 인간 수준의 지능을 구현할 50% 정도의 기회를 갖는 시점이 2040년에서 2050년이라는 중간 값이 나왔다고 한다. 2015년 1월 생명의 미래 연구소에서 개최한 인공지능의 미래: 기회와 도전'이라는 컨퍼런스에 참석한 학자들을 대상으로 인공지능이 모든 중요한 인지 능력을 인간만큼 갖출 수 있는 가에 대한 투표를 했을 때, 주요 학자들 역시 30년에서 60년 이상이 걸린다고 했다. 300년이 지나도 불 가능하다고 한 사람도 5명이 있었다. 인공지능의 발전에 가장 핵심은 우리가 너무나 쉽게 학습을 수행하며, 특징을 찾아내고 분류를 하며, 매우 뛰어난 추론을 실행하는 우리 뇌의 특성을 어떻게 컴퓨팅 모델로 만들어 낼 것인가 하는 점이다. 이에는 뇌 과학을 통한 최근의 많은 연구 성과가 도움이 될 수 있을 것이다. 동시에 인공지능 기술로 인한 사회적 변화에 대한 논의와 준비가 같이 이루어져야 한다. 직업의 소멸, 새로운 지능형 존재와 함께하는 사회 시스템, 프로그램이 갖춰야 하는 계산적 윤리 모델, 법률적 기반 등에 대한 논의를 지금부터 시작하지 않으면 약한 인공지능이 실현되는 가까운 미래에도 많은 위협적 요인이 존재할 수 있을 것이다. 소위 말하는 자의식을 갖고 이해 능력을 갖춘 강한 인공지능을 언제 구현할 수 있는 가에 대한 논의에 앞서, 우리는 향후 10년에서 20년 사이에 구현될 여러 기술 결과물이 우리가 보기에 적절한 수준의 의식을 가진 것처럼 착각하거나, 사회의 윤리 도덕적 문제를 야기할 가능성이 매우 높다고 본다. 사람은 다른

17 존재에게 감정과 의식을 부여하면서 이해하는 감정이입의 특성을 갖고 있기 때문이다. 의식을 갖지 않은 기계가 알고리즘에 의해 어떤 의사 결정을 자율적으로 수행하는 것이 점점 가능해지기 때문에, 이제 인공지능 기술이 우리 사회에 어떤 영향을 주고, 변화를 가져올 것인 가를 논의를 이제부터 시작해야 할 것이다. 참고문헌 Forbes, 'Tech 2015: Deep Learning And Machine Intelligence Will Eat The World', SIEMENS, 'Facts and Forecasts: Boom for Learning Systems', Wired, 'Skype's real-time voice translator launches today in English-Spanish', PCmag, 'Microsoft Releases Translator Apps for ios, Android', The New York Times, 'Facebook Tests a Digital Assistant for Its Messaging App', Y. Taigman, et. al., DeepFace: Closing the Gap to Human-Level Performance in Face Verification, Conference on Computer Vision and Pattern Recognition (CVPR), June F. Schroff, D. Kalenichenko, J. Phibin, FaceNet: A Unified Embedding for Face Recognition and Clustering, CVPR, Techcrunch, 'New Google Research Project Can Auto-Caption Complex Images', Business Insider, 'This startup uses artificial intelligence to predict whether a Hollywood film will be a hit or a flop just by scanning the script', theguardian, 'Musk, Wozniak and Hawking urge ban on warfare AI and autonomous weapons',

18 딥러닝 개념과 최근 사례 백승욱 클디 대표이사 ( 現 ) 주식회사 클디 대표이사 KAIST 전기 및 전기공학과 석 박사 딥러닝은 인공신경망에 기반한 기계 학습 기술의 한 종류로 지난 몇 년간에 걸쳐 비약적인 발전을 보여주고 있다. 이러한 폭발적인 성장은 딥러닝이라는 기술이 보여주는 놀라운 성능에 기인한다. 이미지 안에 있는 물체의 종류를 알아맞히는 문제는 오랜 기간 동안 인간의 능력을 넘어서지 못했던 난제였으나 딥러닝의 도입으로 최근 들어서는 그 정확도가 95%를 넘어설 정도로 좋아져 인간의 인지능력에 준할 정도가 되었다. 이러한 딥러닝의 개념 및 성공요인은 몇 가지 키워드를 통해 설명될 수 있다. 첫 번째는 인공신경망, 두 번째는 빅데이터 및 컴퓨팅 성능의 향상, 마지막으로는 특징 학습 및 종단간 학습이다. 그림 1 _ 딥러닝 기반 이미지 인식 성능의 현황 출처: NVIDIA 딥러닝은 새로운 개념이 아니다. 그 이론적인 배경은 1940년대부터 존재하였으며 현재의 딥러닝을 구성하는 인공신경망도 이와 크게 다르지 않다. 다만 이러한 신경망을 다층 구조로 설계하였을 때 학습이 잘 되지 않는 문제 등으로 인한 한계로 연구의 침체기를 겪었으나 학습에 필요한 데이터를 충분히 구할 수 있고 고성능 병렬 컴퓨팅을 큰 부담 없이 이용할 수 있는 시대가 도래함에 따라 다시금 각광을 받고 있을 뿐이다. 18

19 학습 데이터가 많다는 것은 다층 구조의 인공신경망 학습에 있어 매우 중요한 역할을 한다. 기계학습 알고리즘의 목표는 주어진 데이터로부터 일반화된 지식을 추출해 내는 것인데, 학습에 필요한 데이터의 양이 적다면 일반화가 쉽지 않고 오히려 주어진 특정 데이터에만 맞춰진 과적합 문제를 야기하게 된다. 일반화 능력을 높이기 위해서는 인공신경망 층을 늘려 표현력을 키워야 하는데 이에 걸맞은 양의 데이터가 없었기 때문에 과적합 문제에 봉착해 왔던 것이다. 딥러닝 연구자들의 공로는 대량의 데이터가 있을 경우 이러한 과적합 문제가 해결되어 다층 구조의 신경망이 가지는 높은 일반화 능력을 최대한 끌어낼 수 있다는 점을 실험을 통해 보인 것이다. 여기에 고성능 컴퓨팅 환경이 더해져 몇 달씩 걸려야 실험 결과를 볼 수 있었던 것을 몇 주, 혹은 며칠 단위에 볼 수 있도록 바꾸어 연구 개발의 속도를 가속화 하는데 큰 몫을 하였다. 이렇게 촉발된 딥러닝의 발전은 특징학습과 종단간 학습이라는 개념을 확산시켜가고 있고 이에 기계학습은 새로운 국면을 맞이하고 있다. 분류를 위한 기계학습은 크게 두 가지 부분, 특징과 분류기로 구성된다. 특징은 원본 데이터로부터 패턴을 인지하기 위해 데이터를 표현하는 방법을 말하고 분류기는 특징으로 표현된 정보를 특정 기준으로 분류하는 방법을 말한다. 과거에는 특징과 분류기가 별개의 부분으로 존재하였고 특히 특징의 경우 인간이 직접 설계하는 방식에 따라 정의되었기 때문에 실제 데이터에 존재하는 패턴을 반영하지 않는다는 한계가 있었다. 딥러닝은 이와 다르게 특징의 정의과정도 전적으로 주어진 학습 데이터만을 이용하여 진행하기 때문에 주어진 데이터에 꼭 맞는 특징을 추출할 수 있다는 장점이 있다. 이는 특징 추출과 분류기가 하나의 인공신경망 구조로 합쳐져 있고 이 시스템의 입력부와 최종 분류결과 출력부에만 정보를 주면서 학습하는 종단간 학습 방식을 사용하기 때문에 가능한 것이다. 이렇게 특징 역시 학습을 통해 정의한다는 개념이 확산되면서 전문 국제 학회(International Conference on Learning Representations, ICLR)가 생겨나는 등의 움직임이 일어나고 있다. 그림 2 _ 가상실 영화 <헨리> 2013년부터 시작된 특징 학습에 관한 전문 학회, ICLR 출처: 19

20 딥러닝이 기존 기계학습 알고리즘보다 획기적으로 좋은 성능을 보인다는 점이 알려지기 시작하면서 다양한 분야에 활발하게 적용되고 있다. 우선 이미지 인식의 경우는 2012년에 ILSVRC라고 불리는 대규모 이미지 인식 대회에서 큰 성과를 보인 이후 매년 그 정확도가 개선되어 현재는 95.18%에 달하는 정확도를 달성하고 있다. 2014년에는 비디오 내용을 인식하는 알고리즘이 발표되었고 2015년에는 이미지에서 단순하게 물체 종류를 알아맞히는 것을 뛰어넘어 이미지 전체를 설명하는 문장까지도 생성해 낼 수 있는 연구 결과가 발표되었다. 그림 3 _ 2015년 CVPR 학회에서 발표된 이미지를 문장으로 읽어주는 알고리즘 출처: Google 음성 인식 역시 딥러닝 알고리즘이 성능을 크게 개선한 분야 중 하나이다. 대부분의 음성 인식 기술 회사들이 핵심 알고리즘을 딥러닝으로 교체한 상태이며 에러율은 5% 아래로 급감하여 Apple Siri, Samsung S-Voice, MS Cortana등의 서비스에 적용되고 있다. 그림 4 _ 음성 인식 분야에서 딥러닝이 가져온 성능 개선 출처: Microsoft 20

21 문장을 이해하는 딥러닝도 발표되고 있다. 번역과 같은 응용분야가 있을 수 있는데 과거에는 형태소 분석기와 같은 세부 지식이 요구되었으나 딥러닝이 도입되면서 번역된 문장의 쌍으로 된 빅 데이터만 있으면 번역기를 만들어낼 수 있는 시대가 되었다. 이러한 방식은 Neural Machine Translation이라는 분야를 만들어 내며 확산되고 있는 추세이다. 그림 5 _ 딥러닝으로 영어-프랑스어 번역을 수행한 결과 출처: EMNLP 2014 이러한 기본적인 인식 분야에서의 탁월한 성과를 바탕으로 이제 딥러닝을 새로운 산업에 적용하려는 움직임도 일어나고 있다. 그 대표적인 예가 의료 진단 분야이다. 의료 진단이라는 행위는 환자의 증상으로부터 질병을 알아내는 것이기 때문에 딥러닝 기술이 적용되었을 때 기대할 수 있는 효용이 크다. 미국에서는 IBM이 WATSON Health라는 프로젝트를 통해 이러한 혁신을 만들어 나가고 있고 국내에서도 클디의 유방암 진단 엔진과 같은 사례가 있다. 의료영상전송시스템(PACS)와 같이 대규모 의료데이터를 제공할 수 있는 환경이 대형 병원에 구축되어 있기 때문에 딥러닝 시스템을 학습시키는 것이 가능하다. 다만 의료 분야의 특성상 그 안전성 및 효용을 입증하는데 오랜 시간이 걸릴 수 있으며 이로 인해 실제로 의료 현장에 보편적으로 적용되는 시점은 5~10년 후가 될 것으로 예상한다. 그림 6 _ 딥러닝이 의료 진단 분야에 활용되는 사례: (좌) IBM Watson Health (우) 클디의 유방암 진단 엔진 출처: IBM, 클디 21

22 딥러닝의 산업적인 가능성이 발견된 것은 채 5년도 되지 않는다. 앞으로도 전 세계적으로 굉장히 빠른 속도로 새로운 응용 분야들이 보고될 것이며 이들은 많은 효용을 우리에게 가져다줌과 동시에 기계가 일자리를 대체하는 문제와 같은 상황들도 야기하게 될 것이다. 따라서 이 분야에 대한 경쟁력 확보를 위한 과감한 투자와 사회적 완충제에 대한 깊은 고민이 동시에 이루어져야 한다. Reference 1. ICLR, 2. EMNLP 2014, emnlp2014.org/ 3. IBM Watson Health, 22

23 인공지능과 뇌과학 정지훈 경희사이버대학교 교수 ( 現 ) 경희사이버대 미래고등교육연구소 소장 직무대행 ( 現 ) 알티캐스트 사외이사 ( 前 ) 매직에코, 휴레이포지티브 등 다수 스타트업 공동창업자 및 엔젤투자자 ( 前 ) 명지병원 IT융합연구소장, 우리들병원 생명과학기술연구소장 최근 급격한 인공지능의 발전에는 뇌과학을 통해 인간의 뇌에 대해 이해하는 수준이 높아진 것도 한 몫을 하였다. 딥러닝은 결국 복잡한 신경망을 흉내내어 만들어진 것이고, 많은 새로운 기술의 영감이 뇌과학에서 만들어지고 있다. 최근의 뇌과학과 반도체 칩 기술의 발전은 이제 인간의 뇌를 닮은 칩을 만들어보는 단계까지 들어서고 있다. 이런 칩들을 뉴로모픽(neuromorphic) 칩이라고 부른다. 뉴로모픽 칩들은 인공지능이 아직까지 풀지 못하고 있는 다양한 문제를 앞으로 해결할 수 있을 것으로 기대를 모으고 있다. 최초로 인간의 뇌를 닮은 뉴로모픽 칩 인간의 뇌에 영감을 받아 칩으로 구현하려던 첫 번째 시도는 칼텍의 카버 미드(Carver Mead) 교수가 1980년대 초에 최초로 시도한 것으로 알려져 있다. 그가 꿈꾼 것은 수백 만 개에 이르는 매우 많은 수의 명령어를 병렬로 처리할 수 있는 칩이었다. 그런 칩을 만든다면 비디오나 사운드와 같은 대량의 비정형 데이터를 효과적으로 처리할 수 있을 것으로 생각했다. 그는 이를 구현하기 위해 1980년대 중반에 신경과학자들과 함께 신경세포가 데이터를 어떻게 처리하는지 같이 연구하고, 그 원리를 접목한 자신의 첫 번째 뉴로모픽 칩을 만들었다. 이렇게 제작한 칩으로 망막이나 달팽이관의 데이터 처리회로를 흉내내어 물체의 윤곽을 검출하거나, 특정한 소리를 알아내는 작업을 하였다. 그러나 그가 제작한 칩은 동작시키기도 어려웠고, 제작하기도 쉽지 않았기 때문에 호기심을 실험해보는 수준을 넘을 수 없었다고 한다. 인간의 뇌를 닮은 칩이 중요한 이유 23

24 현재의 컴퓨터는 비록 그 집적도와 속도는 빨라졌지만, 기본적으로 계산기에서 출발했기 때문에 우리의 뇌가 동작하는 방식과는 다르다. 단순한 작업을 굉장히 빠르고 효율적으로 해내는 것에는 훌륭하지만, 유연성이나 적응력, 진화와 학습 등에 있어서 많은 부분 문제가 있는 구조이다. 기존의 컴퓨터는 메모리와 프로세서가 분리되어 있으며, 이들을 연결한 버스(bus)라는 구조가 존재한다(이런 구조를 가진 컴퓨터를 흔히 폰 노이만 방식 컴퓨터라고 한다. 현대의 컴퓨터는 대부분 폰 노이만 방식 컴퓨터다). 메모리와 프로세서는 시간이 지남에 따라 굉장히 빨라지고, 많은 양의 데이터를 처리할 수 있게 되었지만, 버스가 이런 용량을 받아주지 못하는 현상이 나타나기도 하였는데, 이를 컴퓨터 과학자들은 "폰 노이만 병목 (von Neumann bottleneck)"이라고 부른다. 쉽게 말해서 기존의 컴퓨터 구조는 단순한 데이터를 굉장히 빠른 속도로 처리하는 것에는 적합하지만, 여러 데이터를 동시에 여러 개의 프로세서가 처리하는 것은 잘 못한다. 그렇다면, 인간의 뇌는 어떻게 다를까? 인간의 뇌가 가지고 있는 학습과 기억의 가장 중요한 요체는 수 많은 신경세포들 사이의 연결이다. 이 연결 구조를 시냅스(synapse)라고 부르는데, 신경세포에서 나오는 무수한 수상돌기와 축삭 등이 서로 만나서 이루어진다. 그림 1_ 신경세포의 구조 출처: ko.wikipedia.org 인간의 뇌의 메모리와 프로세서는 특별히 분리되어 존재하는 것이 아니라 수많은 시냅스와 신경세포들의 연결 패턴에 의해 통합적으로 존재한다. 이것이 인간의 뇌와 기존 컴퓨터 구조와의 근본적인 차이다. 인간의 뇌의 메모리와 프로세서를 책임지는 신경세포들의 처리 속도는 10 Hz에 불과하다. 이는 초당 10번 정도를 처리하는 속도로, 최근 GHz 단위를 오가는 컴퓨터들의 클락 스피드를 생각한다면 1억 분의 1 수준에 불과하다. 그렇지만, 이런 구조를 가진 뇌는 모든 방향으로 신호를 보낼 수 있으며, 순식간에 여러 프로세서들이 동작하는 상황에 도달할 수 있다. 우리의 뇌가 가지고 있는 신경세포의 수는 100억 개가 넘고, 시냅스의 수는 10조 개가 넘기 때문에 엄청난 병렬처리 프로세서에 의해 인간의 뇌가 뛰어난 능력을 24

25 보여주는 것이다. 즉, 다소 느리기는 해도 유연성과 수많은 상황을 동시에 처리하는 능력에 있어서는 인간의 뇌를 기존의 컴퓨터 구조가 따라잡을 수가 없는 것이다. 뉴로모픽 칩의 상용화가 임박하다 카버 미드 교수가 꿈꾸었던 인간의 뇌를 닮은 뉴로모픽 칩이 최근 IBM이 발표한 트루노스(TrueNorth)라는 칩에 의해 상용화될 조짐을 보이고 있다. 트루노스는 IBM이 미국 국방성 산하 방위고등연구계획국(DARPA, 인터넷을 탄생시킨 곳으로도 유명)의 연구비를 지원받아 제작한 SyNAPSE 라는 뉴로모픽 칩 프로토타입 코어 4,096개를 집적해서 탄생한 칩이다. 트루노스는 54억 개의 트랜지스터가 집적되어, 100만개의 신경세포와 2억 5천 600만 개의 시냅스를 구현하였는데, 이는 대략 꿀벌과 비슷한 수준이라고 할 수 있다. 지난 8월 17일 와이어드와의 인터뷰에서는 트루노스를 병렬로 연결해서 4,800만 개의 신경세포를 가진 시스템을 공개했는데, 이는 설치류에 해당하는 수준으로 아직 인간에는 미치지 못하지만 이런 정도의 발전 속도라면 언젠가는 인간에게 근접한 뉴로모픽 칩이 나오는 것도 시간문제로 여겨진다. 그림 2_ 설치류와 유사한 수준의 신경세포와 시냅스를 가진 것으로 평가되는 IBM의 프로토타입 출처: 극복해야 할 과제 IBM의 뉴로모픽 컴퓨팅이 새로운 인공지능의 가능성을 열었다고는 할 수 있지만, 인간의 뇌를 닮은 또 하나의 장벽을 극복하지는 못했다. 바로 인간의 뇌가 가지고 있는 시냅스는 지속적으로 변한다는 점이다. 새로운 입력과 처리가 일어날 때마다 새로운 시냅스가 생성되기도 하며, 동시에 잘 쓰이지 않는 시냅스는 25

26 끊어진다. 이를 컴퓨팅 용어로 이야기한다면 컴퓨터가 자신을 새롭게 프로그램하는 상황을 생각하면 될 것이다. 단지 인간의 뇌의 신경세포와 시냅스가 연결된 구조를 흉내 내는 것에는 성공했는지 몰라도, 이렇게 자신을 변형시키는 것은 IBM의 최첨단 뉴로모픽 칩도 구현하지 못했다. 그런데 최근 자신을 변화시키는 칩을 HRL(Hughes Research Laboratory)에서 선 보였다. 우주항공과 관련한 다양한 시스템으로 유명한 휴즈 항공(Hughes Aircraft)에서 설립한 이 연구소는 이제는 GM과 보잉이 함께 하는 조인트 벤처이다. HRL이 2013년 발표한 새로운 칩은 IBM의 뉴로모픽 칩과 매우 유사한 구조를 가지지만, 새로운 데이터를 처리한 시냅스 연결이 저절로 변화되고 적응된다. 칩이 경험을 통해 배우는 것이다. HRL 칩은 인간의 뇌의 2가지 학습과정을 흉내 내는데, 신경세포가 다른 신경세포에서 신호가 얼마나 자주 도달하느냐에 따라 해당 신호들에 대한 감수성을 조절하며, 데이터 신호의 스파이크와 타이밍의 그룹에 따라서도 변화가 나타난다. 여러 개의 신경세포들이 그룹을 이루어서 상호 협조적으로 동작한다면, 이런 연결은 강화가 되며, 반대로 잘 협조가 안 되는 그룹의 연결은 약화된다. HRL 칩은 현재 다양한 실험을 통해 그 가능성을 보여주고 있는데, 놀라운 것은 HRL 칩의 경우 전혀 프로그래밍이 필요하지 않았다는 것이다. 단지 움직임을 조절하는 방법을 연결하고, 공을 감지하며, 피드백으로 성공적으로 샷을 했을 때에는 보상을 하고, 놓쳤을 때에는 벌을 주는 단순한 방식으로 저절로 모든 것을 배워서 동작한다. 여기에 공이 추가되거나, 조종해야 하는 물체, 상대편 등이 변화한다고 해도 간단히 적응해서 게임을 플레이한다. 또 하나 새로운 뉴로모픽 컴퓨팅이 극복해야 할 과제로는 현재보다 훨씬 높은 집적도를 들 수 있다. 궁극적으로 인간의 뇌와 같이 복잡하고 집적도가 높은 구조를 가지기 위해서는 1cm 2 넓이에 100억 개의 시냅스 연결이 가능해야 하는데, 이를 위해서는 소재나 집적기술 전반에 혁신이 있어야 한다. HRL의 경우에는 멤리스토(memristor)라고 하는 소자를 고용량으로 집적하는 실험을 진행하고 있는데, 기존의 트랜지스터와는 또 다른 수준의 기술이 필요하다. 작업을 부여하고, 작업에 대한 평가를 하는 방식 등에 대해서도 정의할 부분이 많다. 어느 정도 수준의 자율성을 줄 것인지, 그리고 작업은 어떻게 정의할 것인지 등에 대한 작업 모델도 보다 정교하게 다듬어야 하며, 높은 수준의 자율성을 가질 수 있게 된다면 윤리적인 측면에 대해서도 여러 가지를 고려해야 할 것이다. 에너지와 관련해서도 여러 가지를 고려해야 한다. 사실 인간의 뇌야 말로 수천만 년 이상의 시간 동안 자연이 선택해서 진화시킨 정보처리 디자인의 현존하는 최고의 기계라고 해도 과언이 아니다. IBM의 인공지능 관련 연구에서 최근 가장 각광받는 왓슨(Watson)이 사용하는 에너지는 약 85kW에 이른다고 한다. 인간의 뇌가 약 20W 정도를 쓴다고 하니, 왓슨이 쓰는 에너지는 4천 명이 넘는 사람들이 동시에 머리를 굴리고 있는 수준이라고 볼 수 있다. 그런 측면에서 최근 IBM에서는 전통적으로 컴퓨터의 수행성능을 비교할 때 이용한 초당 연산(명령어 수행)수치와 함께 주울(에너지 단위)당 연산수, 그리고 얼마나 작은 26

27 크기에서 연산을 처리하는지를 중시하는 리터(부피 단위)당 연산수를 중시하는 방향으로 움직이고 있다는 소식이다. 에너지와 부피를 줄이고, 연산을 효율적으로 하기 위해서는 컴퓨터 칩의 디자인이 많이 달라져야 한다. 현재의 2D 컴퓨터 회로는 공기와의 접촉면을 늘리는 방식으로 발산되는 열을 식히고 있다. 가장 이상적인 것은 클럭의 주파수를 적게 해서 (인간의 경우 10~20Hz에 불과하다), 발열 자체가 적게 나도록 하는 것이 좋겠으나, 일단 발열 자체를 잡으려면 클락 스피드를 낮추어야 하는데, 이는 결국 성능을 줄이는 방향이므로 선택하기 어려운 방향이고, 발열 자체는 피할 수 없다고 보고, 어떻게 식힐 것인지에 초점을 맞추는 것이 현실적이다. 실제로 컴퓨터 칩에 파워를 공급하고, 연산을 통해 발생되는 열을 처리하기 위해서 집어넣은 구조물 등이 차지하는 부피가 실제 컴퓨터 연산에 필요한 부피에 비해 월등히 크기 때문에, 적은 부피에 효율적인 연결의 수를 늘린 대규모 병렬 컴퓨팅 기술을 위해서는 효과적인 냉각과 에너지를 공급하는 3D 컴퓨터 회로 디자인이 필수적이다. 그런데 이렇게 3D로 칩을 설계하면 공기와의 접촉 면적이 급감하기 때문에 가장 큰 문제가 발열을 처리하는 방법이다. 이 문제를 해결하기 위해 제안되고 IBM에서 구현해 발표한 Aquasar라는 프로토타입은 인간의 뇌의 혈관과도 유사한 액체 채널을 설치하고 여기에 액체를 빠르게 순환시키는 3D 구조를 가진 컴퓨터이다. 인간의 뇌혈관이 주로 산소와 당분과 같이 인간의 뇌세포가 생존하는데 필요로 하고, 에너지로 쓸 수 있는 연료를 공급하며, 뇌세포의 노폐물과 이산화탄소 등을 제거하는 역할을 한다면, 3D 컴퓨터 칩의 경우에는 연료에 해당하는 전기는 직접 공급을 받으니 문제가 없지만, 연산을 하면서 발생하는 열을 제거하는데 이런 채널을 이용하는 셈이므로 인간의 뇌의 구조와 어느 정도 닮았다고 할 수 있겠다. 여기에서 한 발 더 나아간다면? 아마도 에너지를 공급하는 쪽도 인간과 같이 액체를 활용할 수 있을 것이다. 이런 목표로 진행하는 프로젝트가 레독스 플로우 배터리(redox flow battery) 기술을 응용하는 것으로 전선으로 에너지와 파워를 공급하는 것이 아니라 액체로 이를 공급하는 것이다. 실제로 인간의 신경세포에서 전기신호가 전달되는 방식이 이와 유사하다. 인간의 몸에는 전해질이라는 것들이 있고, 이들의 농도차이에 의해 전기 포텐셜(electric potential)이라는 것이 발생하는데, 이것의 이동과 병합, 자극과 저해 등의 활동에 의해 인간의 신경시스템이 동작한다. 레독스 플로우 배터리는 음이온과 양이온이 우세한 2개의 액채 채널이 3D 칩을 이동하면서 전기에너지를 공급한다. 에너지의 공급과 발산되는 열의 흡수를 동시에 같은 채널에서 할 수 있게 되면, 이는 결국 인간의 뇌의 형태와 거의 유사해진다. 현재 IBM에서 개발한 프로토타입은 100마이크론(0.1mm, 대략 인간의 머리카락 정도의 굵기) 정도의 폭을 가진 튜브를 통해 0.5~3V 정도의 전압과 1평방 센티미터 당 1W 정도의 전력을 공급할 수 있다고 한다. 아마도 실용성을 갖춘 시스템이 나오려면 아마도 10년 정도는 더 걸릴 것으로 생각되지만, 이렇게 27

28 저전압에 저전력 시스템이기는 해도 돌아가는 프로토타입이 나왔다는 점은 크게 평가할 수 있을 것 같다. 결론 현재 등장하고 있는 다양한 인공지능 기술들은 결국 하드웨어의 발전과 함께 발전하게 될 것이다. 너무나 당연하게도 새롭게 개발되는 하드웨어의 상당수는 현대 뇌과학의 성과를 최대한 응용하는 방향으로 발전할 것이다. 이렇게 만들어진 컴퓨터는 복잡한 정보를 한꺼번에 처리하는 작업과 환경에 다양하게 적응하는 방법을 기존의 컴퓨터보다 훨씬 쉽게 배울 것이다. 인간의 뇌를 닮은 인공지능 컴퓨터가 등장하기 위해서는 아직 넘어야 할 산들이 많다. 하지만, 지속적인 발전이 진행되고 있기에 마냥 꿈이라고만 할 수는 없을 것이다. 이런 종류의 연구는 전자공학이나 컴퓨터과학을 전공한 사람들의 힘으로만 이루어질 수는 없다. 뇌과학의 발전과 재료과학 등과 같은 완전히 이질적인 학문을 공부한 사람들의 협업이 절대적이다. 이런 첨단의 연구에서도 융합의 필요성이 절실히 요구되는 시점이다. Reference 1. Wired, IBM s Rodent Brain Chip Could Make Our Phones Hyper-Smart, MIT Technology Review, Thinking in Silicon by Tom Simonite, 3. Cnet, How IBM is making computers more like your brain. For real, BBC NEWS, IBM unveils computer fed by electronic blood,

29 딥러닝 기반 로봇 인공지능의 실현가능성 및 전망 엄태웅 워털루 대학 연구원 ( 現 ) 워털루대학 전기컴퓨터 공학부 박사과정 ( 前 ) 한국과학기술연구원(KIST) 실감교류 로보틱스 연구센터 연구원 ( 前 ) LIG넥스원 기계연구센터 선임연구원 2000년대 중반 이후 인공지능은 길었던 암흑기를 지나 빠른 속도로 발전하고 있는 모습이다. 그 선두에는 인터넷 사용자들에 의해 축적된 방대한 양의 데이터와 이를 활용 가능케 하는 기계학습 방법론, 특히 딥러닝 13 의 역할이 크다. 딥러닝은 기존의 기계학습 방법들과 달리 학습에 필요한 피쳐(feature)들을 스스로 학습함으로써 진정한 이해 를 위한 인공지능에 한걸음 다가섰다고 평가되고 있으며, 최근 몇 년 새 딥러닝은 이미지인식, 음성인식, 자연어처리 등에서 새로운 표준으로 빠르게 잡고 있다. 다른 영역에서도 딥러닝의 성공을 본받아 이를 활용하려는 움직임이 거세다. 인공지능 이라는 공통분모를 지닌 로봇공학 분야 역시 이 새로운 흐름의 기로에 놓여있다. 하지만, 일반인들의 예상과는 달리, 로봇의 인공지능은 딥러닝의 빠른 발전 속도와는 아직 거리를 두고 있는 모습이다. 여기에는 몇 가지 이유가 있다. 첫째, 기계학습은 로봇 인공지능을 구성하는 일부분일 뿐이란 점이다. 사람들이 흔히 로봇의 인공지능을 얘기할 때 로봇이 자율적으로 행위를 통해 작업 목적을 달성하는 모든 과정을 그린다. 이 의미에 해당하는 로봇의 인공지능은 기계학습에서 다루어지는 인식(perception)분야 뿐만 아니라, 미션 수행을 위한 계획(plan)을 세우고 로봇 몸체를 제어(control)하여 행위(action)에 이르는 과정까지 모두를 포함하며, 이 과정에서 발생할 수 있는 외부와의 상호작용(interaction) 역시 매우 중요한 부분을 차지한다. 따라서 비록 최근 기계학습(또는 딥러닝) 분야가 눈부신 발전을 이루고 있다고는 하지만 이 발전의 직접적 혜택을 보는 곳은 인식기술을 중심으로 한 로봇비전 등의 한정적 분야일 뿐이며, 따라서 일반인이 기대하는 로봇 인공지능의 실현 단계까지는 다른 부분들의 비약적 발전도 동반되어야 할 것으로 보인다. 13 Y. LeCun, Y. Bengio and G. Hinton, Deep Learning, Nature, : ,

30 그림 1 _ 딥러닝에 의해 특정 화가풍의 스타일로 재탄생한 이미지들 출처: mlg.eng.cam.ac.uk 로봇공학 분야가 딥러닝의 발전 혜택을 받지 못하고 있는 두 번째 이유는 빅데이터와 실시간성의 부재이다. 딥러닝은 일반적인 기계학습 방법보다 훨씬 더 많은 학습 파라미터가 존재한다. 최적의 파라미터를 찾아 딥러닝의 이점을 충분히 활용하기 위해서는 방대한 양의 데이터(e.g. 수천만 개의 이미지)와 충분한 트레이닝 시간(e.g. 1주간의 트레이닝)이 필요한데, 이 두 가지 모두 로봇에겐 아직 큰 걸림돌로 남아있다. 우선 딥러닝을 수행할 만큼 로봇에 대한 방대한 데이터가 쌓여있지 않다. 성인이 신생아일 때에 비해 충분한 지능과 운동능력을 갖추게 된 것은 수많은 경험의 역할이 컸을 것이다. 인간의 신경과학에서 착안했다는 딥러닝 역시 이와 마찬가지로 뛰어난 성능을 위해선 매우 많은 양의 경험(데이터)를 필요로 한다. 하지만 로봇의 경우엔 아직까진 이렇다 할 표준화된 하드웨어나 이를 통해 수집된 빅데이터가 존재하지 않다는 것이 현실이며, 따라서 각 연구자들은 스스로 데이터를 수집하고 이를 이용해 연구하는 수준으로 기계학습 학계에서 공공데이터를 놓고 성능 경쟁을 펼치며 비약적인 발전을 이룩한 것과는 거리가 있는 모습이다. 따라서 로봇 인공지능의 발전을 위해선 우선 표준화 된 로봇데이터의 수집과 공유 시스템이 선행되어야 할 것이다. 딥러닝 적용의 또 한 가지 문제는 바로 실시간성의 부재이다. 딥러닝은 빅데이터를 이용해 최고의 성능을 보여준다고는 하나 로봇에겐 소수의 데이터를 이용한 빠른 판단을 하는 것이 더 요구될 때도 많다. 따라서 아직까지는 딥러닝 보다도 베이지안 추론을 중심으로 한 인공지능이 더 우위에 있는 모습이며, 따라서 최근 30

31 딥러닝의 비약적인 발전에도 이것이 로봇 인공지능의 발전으로 이어지기까지는 몇 단계의 고비가 더 남아있는 것으로 보인다. 그림 2 _ 소프트뱅크가 아데바란로보틱스와 손잡고 개발한 감정로봇 페퍼 출처 : 하지만 이러한 한계에도 불구하고 이를 극복하려는 모습이 최근 로봇공학계에서 나타나고 있다. 인식기술을 넘어 딥러닝을 제어에도 활용하려는 시도가 UC버클리 피터 아빌(Peter Abbeel)교수 등에 의해 시도되고 있으며 14, 로봇 스스로 행위시도-실패를 거듭하며 교훈을 얻어나가는 강화 학습방법(reinforcement learning) 15 역시 딥러닝과 긴밀한 연관성을 가지며 매우 빠른 발전을 이룩하고 있다. 이러한 시도들을 비추어 본다면 학자들이 궁극의 학습 로봇이라 여기는 평생학습로봇(Lifelong learning robot)도 해결의 실마리가 보이지 않을까 기대가 크다. 또 한 가지 긍정적인 움직임은 산업계에서 이루어지고 있다. 바로 거대 기업들이 적극적으로 로봇에 대한 빅데이터 수집에 나섰다는 것이다. 일본의 소프트뱅크는 노령화 사회를 겨냥한 감정로봇 페퍼를 약 184만원의 매우 저렴한 가격에 판매했는데 발매 1분 만에 1차 물량이 매진될 정도로 반응이 뜨거웠다고 한다 16. 원가에도 미치지 못할 것으로 보이는 저렴한 가격의 배경에는 빠른 보급을 통해 빅데이터를 수집하여 감정로봇의 진화를 꿈꾸려는 소프트뱅크의 전략이 숨어있다. 구글 역시 무인자동차 오랜 기간의 14 A. Punjani and P. Abbeel, Deep Learning Helicopter Dynamic Model, In proc. of the IEEE Int l Conf. on Robotics and Automation (ICRA), V. Mnih, K., Kavukcuoglu, D. Silver, A. Rusu, J. Veness, M. Bellemare, A. Graves, M. Riedmiller, A. Fidjeland, G. Ostrovski, S. Petersen, C. Beattie, A. Sadik, I. Antonoglou, H. King, D. Kumaran, D. Wierstra, S. Legg, and D. Hassabis, Human-Level Control Through Deep Reinforcement Learning, : ,

32 시범주행을 통해 각종 돌발 상황에도 대처할 수 있는 빅데이터를 수집하고 있으며, 사물인터넷 기업을 적극적으로 인수하며 인터넷 공간을 넘어 인간의 생활에서도 데이터를 수집하고 공략하려는 시도를 펼쳐나가고 있다. 이와 같이 현재는 딥러닝의 발전에 비해 더딘 발걸음을 보이는 로봇 인공지능의 모습에도 불구하고 로봇 인공지능 역시 로봇 하드웨어의 표준화, 데이터의 수집 및 공유 시스템의 보편화, 거대 기업의 집중적 투자가 병행될 시 빠른 발전을 이룩하는 시기가 곧 올 것임을 예측할 수 있다. 이에 따라 노동시장에서 인력이 자동화 시스템으로 대체되는 속도 역시 가속화될 것이며, 따라서 인공지능 로봇의 정착은 기술의 발전 속도가 문제가 아니라 오히려 그것을 받아들이는 사회적 합의의 속도에 따라 그 시대의 도래 시기가 결정되지 않을까 예측해본다. 그림 3 _ 구글의 무인자동차 17 출처 : fortune.com 마지막으로 인간과 인공지능 로봇의 공존 가능성에 대해 한 가지 언급하자면, 인간의 비교 우위는 미래엔 더 이상 지능 에 있지 않을 가능성이 크다. 현재에도 이미지 인식 기술은 사람의 인식 에러율을 뛰어 넘었으며 (예를 들어, 알고리즘보다 사람이 사진 속 사람 얼굴을 잘못 알아볼 가능성이 더 크다.) 미래엔 알고리즘이 인간지능을 압도하는 시대가 올 것이다. 오히려 인간의 강점은 역설적이게도 몸의 자유로운 움직임에 있을지도 모른다. 최근 미국에서 펼쳐진 최고성능의 휴머노이드 로봇들의 대결, 다르파 로봇챌린지(DARPA Robotics Challenge 2015) 18 에서도 볼 수 있었지만, 로봇의 운동능력은 아직 인간의 DARPA Robotics Challenge Finals 2015, 32

33 그것에 한참 미치지 못한다. 어쩌면 실로 위대한 것은 인간의 지능이 아니라 수많은 근육을 자유자재로 컨트롤하는 인간의 몸일지도 모르며, 이 강점을 활용한 노동 직업군이 오히려 대체불가능 직업군으로 남을 가능성이 크다. 결국 미래 노동시장은 인공지능을 개발하고 제어하는 상위 직업군과 인공지능 로봇이 소화하지 못하는 부분을 도맡는 하위 직업군으로 양극화 될 가능성이 크며, 이를 대비한 사회적 제도 기반의 마련이 필요할 것이다 19. Reference 1. Y. LeCun, Y. Bengio and G. Hinton, Deep Learning, Nature, : , A. Punjani and P. Abbeel, Deep Learning Helicopter Dynamic Model, In proc. of the IEEE Int l Conf. on Robotics and Automation (ICRA) V. Mnih, K., Kavukcuoglu, D. Silver, A. Rusu, J. Veness, M. Bellemare, A. Graves, M. Riedmiller, A. Fidjeland, G. Ostrovski, S. Petersen, C. Beattie, A. Sadik, I. Antonoglou, H. King, D. Kumaran, D. Wierstra, S. Legg, and D. Hassabis, Human-Level Control Through Deep Reinforcement Learning, : , 중앙일보, 소프트뱅크 인공지능 로봇 페퍼, 발매 1분 만에 매진, 머니투데이, 구글 무인자동차 48만km 주행 지구 12바퀴 돌았다, DARPA Robotics Challenge Finals 2015, 7. 슬로우뉴스, 로봇, 인공지능, 그리고 노동의 미래,

34 인공지능 기술에 따른 비즈니스 모델의 변화 이경전 경희대학교 교수 ( 現 ) 경희대학교 후마니타스 빅데이터연구센터장 ( 現 ) 사물인터넷 서비스 기업 Benple 설립자 겸 대표 ( 現 ) 국제전자상거래연구센터 소장 ( 前 ) MIT, UC버클리, CMU 초빙교수 및 초빙 과학자 인공지능 기술과 비즈니스 모델을 같이 논의 하는데에는 두 가지의 방향이 있을 수 있다. 첫 번째는 인공지능 기술이 다른 산업의 비즈니스 모델을 어떻게 변화시킬 것인가라는 측면에서 논의하는 것이고, 두 번째는 인공지능에 기반한 비즈니스 모델 자체가 어떤 상황에서 성공할 수 있을 것인가를 논의하는 것이다. 진동수와 이경전은 2001년 첫번째 방향에 대한 연구를 진행했는데, 인터넷 상거래에 지능형 에이전트가 미칠 영향과 한계에 대해 탐색적 연구를 통해 논한 바 있다. 비교 쇼핑 에이전트 Mysimon, 협업적 필터링 기반 추천 에이전트 Firefly, MIT의 협상 에이전트 Kasbah, P2P Sharing Agent 냅스터, 맞춤형 Configuration Agent인 Personalogic 등 여러 에이전트 서비스를 지능형 에이전트로 보고, 이러한 에이전트 서비스의 등장이 인터넷 상거래에 어떠한 영향을 미칠 것인가를 분석하였는데, 이를 분석하기 위해서 비즈니스 모델의 구성요소를 정의하고, 이들 요소 각각에 지능형 기술이 어떻게 영향을 미치는지를 분석해 나가는 접근 방법을 사용하였다. 또한, 진동수와 서용무, 그리고 이경전의 2003년 논문에서는, 두 번째 방향에 대한 연구를 진행했는데, 에이전트에 기반한 비즈니스가 어떻게 성공하고 진화하는 지에 대한 사례 연구를 소개한 바 있다. 이 논문은 인공지능 기계학습기법의 하나인 귀납적 학습(Inductive Learning)을 사례 연구에 적용한 세계 최초의 연구로서도 의의가 있었고, 지능형 에이전트가 성공하려면, 기존의 사업에 위협의 되는 존재가 되기보다는 도움이 되는 존재가 되어야 하고, 만약 그렇지 못할 경우에는 공격당하거나 폐쇄당하기 쉬운 서버 중심의 구조를 갖기보다는, 클라이언트 중심 또는 P2P의 구조를 가져야 하며, 이 경우 사용자 편의성이 중요한데, 사용자 편의성이 약하면 실패하고, 사용자 편의성이 강할 경우도 합법성이 있어야 겨우 성공할 수 있다는 결론을 얻었다. 34

35 이제 12년이 지난 오늘 위의 두 연구를 지능형 에이전트가 아닌, 인공지능이라는 더욱 포괄적인 기술을 대상으로 하고, 인터넷 상거래라는 특정 분야가 아닌 일반적인 산업 분야로 확대하기 위해서는 본격적인 연구가 필요할 것인데, 본고에서는 위의 두 연구 경험에 기반하고, 최근의 인공 지능과 산업 동향을 반영하여 개괄적으로 논하기로 한다. Jin & Lee(2001)논문에서는 비즈니스 모델을 Timmers(1998)의 정의에 근거하여, Architectural cf the product, service and Information flows(제품, 서비스, 정보 흐름의 구조), Actors and their roles(참여자들과 역할), Potential Benefit(참여자들의 잠재적 이익), Source of Revenue로 나누어 논의했는데, 지난 17년간 비즈니스 모델의 정의에 관한 수십 편의 논문이 발표되면서, 정리되어 왔으므로, 본고에서는 Johnson, Christensen & Kagermann (2008)의 비즈니스 모델 구성 요소인 Customer Value Proposition(고객 가치 제안), Profit Formula(이익 공식), Key Resources and Processes(핵심 자원과 프로세스)도 참고하기로 한다. 결국, 인공지능에 의한 비즈니스 모델 변화란, 인공지능 기술에 따라 제품, 서비스, 정보의 흐름이 어떻게 변할 것인지, 어떤 새로운 참여자들이 나타날 것인지, 그 참여자들의 역할과 잠재적 이익, 그리고 고객 가치 제안에 어떠한 변화를 초래할 것인지, 수익 모델이나 이익 공식에 어떠한 변화를 가져올 것인지, 기업의 핵심 자원의 요건이 인공지능 기술의 발전에 따라 변화할 수 있을 것인지, 기업의 핵심 프로세스를 인공지능 기술이 혁신하게 될 것인지로 나누어 생각할 수 있는 것이다. 그림 1 _ 페이스북 M 출처 : 년 8월에 출시한, 페이스북의 가상비서 서비스 M 을 예로 들어보자. M은 메신저 앱을 활용하는 텍스트 기반의 서비스이고, 식당예약, 선물추천, 휴가지 추천 등의 요청을 수행할 수 있는 인공지능과 인간 35

36 지능을 혼합한 서비스이다. 아직은 한정된 지역에만 테스트하는 것인데, 과연 확장성 있는(Scalable) 서비스로 발전할지는 아직 미지수이나, 이런 서비스가 성공한다면, 페이스북이 구글의 검색과 아마존의 상거래 기능을 흡수함으로써, 구글과 아마존의 비즈니스 모델에 결정적 타격을 입히는 결과가 올 것이다. 2015년 8월에 페이스북은 하루 사용자수가 10억을 돌파하였다. 이 사용자들이 친구와 대화하듯 에이전트 M과 대화하면서, 식당을 예약하고, 선물을 추천 받고, 휴가를 계획하게 된다면, Priceline과 Yelp 등의 비즈니스 모델에도 타격을 입히게 될 것이다. 이것은 인공지능 기술이 제품, 서비스, 정보 흐름에 영향을 미치는 하나의 사례가 될 것이다. 만약 M의 사용자 대화 처리 및 주문 처리 기술이 아주 우수해진다면, 이 M의 기술은 페이스북의 핵심 자원이 될 것이고, M을 통한 프로세스는 페이스북이 현재 대부분의 수입을 광고에 의존하던 것에서, 새로운 수익과 이익을 창출하는 핵심 프로세스가 될 것이다. 이렇게 인공 지능 기술은 제대로 구현되어 서비스로 성공하고, 이것이 확장가능성만 가진다면, 그 파급력은 도저히 상상 불가능할 정도로 커진다. 가상 비서 M이 어떤 한 사람의 비서 역할을 제대로 한다고 가정하자. 그러면, 페이스북 일일 사용자 10억명이 모두 가상 비서 M을 가지고 싶어 할 것이고, 이것을 무료화 할 경우, 페이스북은 모든 종류의 전자상거래의 Front-End를 장악할 수 있는 가능성이 생긴다. 즉, 어떤 특정 분야의 인공지능이 제대로 성공할 경우, 특히 이미 전 세계의 인구를 대상으로 하고 있는 플랫폼 회사의 인공 지능 서비스가 제대로 성공할 경우 그 파급력은 무시무시하다. 페이스북 가상 비서 서비스 M이 성공할 것이라는 실증적 증거나 학술적, 기술적 근거가 아직은 빈약하기에 안심할 수 있는 것이다. 영화감독 김기덕은 2001년 영화평론가 김소희와의 대담에서 명언을 남겼다. "나는 어설프다. 덕분에 세상은 안도한다." 인공지능은 2015년 9월 오늘 현재 말한다. "나는 (아직) 어설프다. 덕분에 세상은 안도한다." 간략하게 요약하면, 인터넷, 사물인터넷, O2O가 창궐하고 있는 연결된 세상에서 어떤 인공지능 서비스 기술(예를 들어 가상 비서 서비스 기술)이 정말 확장가능성 있는 정도로 성공한다면, 그 파급효과는 엄청날 것이다. 그러면, 인류는 진정으로 인간과 로봇간의 새로운 사회질서(이경전 2002, 이경전 2003, 이경전 2004)를 고민해야 할 것이다. 그러나, 그 기술이 몇 십 년 이내에 성공할 것이라는 근거는 "아직" "전혀" 없다. 따라서 이 고민의 실효성이 과연 있는가에 대한 의심이 존재하는 것이다. 또 하나, 중요한 이슈는 인공지능기반 비즈니스의 성공 조건은 무엇이겠는가이다. Jin, Suh, & Lee(2003) 논문에서 찾은 중요한 성공조건은 지능형 에이전트 기반 비즈니스가 기존 산업이나 기존 비즈니스를 위협하는 형태로 하는 경우에는 성공하기가 매우 어렵다는 것이었다. 이것은 12년이 지난 지금도 유효하다고 생각한다. 세상은 기술에 의해 발전하기도 하지만, 기술은 현재 세상의 기득권에 의해 선택되기도 한다. 인공 지능 기술이 세계를 위협하고 인류를 위협할 것이라는 전망은 기술 결정론적 시각에서 비롯되는 경우가 많다. 그러나 기술은 늘 제도와 상호작용하면서 세상에 도입된다. 따라서 많은 경우에 인공지능 기술은 기존의 기득권에 유리한 방향으로 전개될 것이다. 예를 들어 TV를 시청할 때, 36

37 광고를 제거하는 인공지능 기술은 충분히 발전할 수 있었다. 그러나 광고 제거 TV는 아직 출시되지 않고 있다. 이렇게 기존의 광고 산업을 위협하는 인공 지능 기술은 살아남기 어렵고, 그러한 기술에 기반한 제품이나 서비스는 아예 출시 자체가 어려운 것이다. 필자는 2005년 논문에서, 인간을 이기는 바둑 인공지능은 충분한 자금만 있으면 오랜 기간이 걸리지 않아 실현될 수 있는 종류의 인공지능이라고 설명했다. 그것이 개발되지 않는 이유는 인간을 이기는 바둑 인공지능 서비스가 크게 상업성이 없고, 기존의 바둑 산업을 붕괴시킬 것이기에, 개발되지 않는 것이라는 설명이다. 한 가지 첨가한다면, 왜 이경전(2005)는 바둑 인공 지능이 쉬울 것이라고 생각하는가? 그것은 바둑의 세계는 19*19의 인공적 게임 환경이기 때문에, 인간과 사회 제도와의 상호작용이라는 복잡성이 전혀 없는 완전한 인공의 세계다. 인공의 세계에서 구현하는 인공의 지능은 상대적으로 매우 쉽다. 그러나 대부분의 인공 지능은 인간이 주된 개체인 세계에서 인간과 상호 작용하고, 인간이 만든 사회제도와 상호 작용해야 하므로 어렵다. 로봇이 세계를 지배한다. 호모 사피엔스가 멸망하고 새로운 종이 탄생할 것이라는 전망은 상상만 해도 흥미롭다. 그러나 그러한 상상은 아직 SF(Science Fiction)의 영역이지 경영학의 영역은 아니다. 인공지능 기술이 발전하고 있는 것은 사실이다. 그러나 그것이 사회에 큰 변화를 일으킬 정도로 Singularity에 도달할 것인가에 대해서는 아직 논쟁중이며(McDermott 2007; McCarthy 2007; Goertzel 2007), 필자는 아직은 도달할 것이라는 결정적 증거가 없다는 입장을 가지고 있다. Reference 1. Jin, D. Lee, K, Impacts and Limitations of Intelligent Agents to Internet Commerce, Lecture Notes in Computer Science, vol. 2105, pp , July, Jin, D., Suh, Y., Lee, K., Generation of Hypotheses on the Evolution of Agent-Based Business Using Inductive Learning, Electronic Markets, vol. 13, no. 1, 13-20, Timmers, P. Business Models for Electronic Markets, Electronic Markets, 8 (2), pp. 3-8, Johnson, Mark W., Clayton M. Christensen, and Henning Kagermann. "Reinventing Your Business Model." Harvard Business Review 86, no. 12, 김소희, 영화 감독 김기덕, "나는 어설프다. 덕분에 세상은 안도한다.", 컬티즌 2001/2/6. 6. 이경전, 인간과 로봇간의 새로운 사회질서, 기계저널 제42권 제3호, , 이경전, MMORPG와 인공지능, 정보과학회지 23(6), 이경전, Making AI Feasible, 한국정보과학회 인공지능 연구회 워크샵, 이경전, 인간과 로봇 공존사회의 고찰, 인간기능 생활지원 지능로봇기술개발 사업단 로봇지능 워크샵, Drew McDermott, Level-headed, Artificial Intelligence, Volume 171, Issue 18, December 2007, Pages John McCarthy, From here to human-level AI, Artificial Intelligence archive, Volume 171 Issue 18, December, 2007, Pages Ben Goertzel, Human-level artificial general intelligence and the possibility of a technological singularity, Artificial Intelligence, Volume 171 Issue 18, December, 2007, Pages

38 중국 바이두의 인공지능 최재홍 강릉원주대학교 교수 ( 現 ) 다음카카오 사외이사 ( 現 ) 대한민국 앱 어워드 심사 부위원장 ( 前 ) NHN Japan 사업고문 ( 前 ) e-samsung Japan 사업고문 바이두 인공지능의 시작 AI(Artificial Intelligent:인공지능)을 이야기할 때 IBM과 마이크로소프트, 페이스북, 구글 그리고 왓슨, 빅데이터, 이미지 검색, 딥러닝, 음성인식, 병렬처리, 로봇 등 따라오는 것들이 있다. 최근에는 중국의 최대 포탈기업인 바이두도 인공지능 분야에서 많이 언급이 되고 있다. 중국이 이제는 인공지능 분야에서도 선도국들과 어깨를 나란히 하게 된 것이다. 대학의 교수와 함께 인공지능 분야에서 세계 최고의 권위자 중에 한 사람이다. 2011년부터 구글의 브레인 프로젝트 를 만들어 연구개발을 하고 있던 그를 바이두가 2014년 영입하였으며, 바이두의 인공지능의 시작과 끝이라 해도 과언이 아니다. 그는 딥러닝(Deep Learning) 의 개념을 한 차원 올리고, 바이두에서 생성되는 막대한 데이터를 가지고 빅데이터 분석을 하고, 이미지 관련 연구와 음성인식의 신경망 적용 등을 총괄 지휘하고 있다. 이러한 연구 개발의 중심에는 바이두 리서치가 있는데 중국 상하이와 미국의 실리콘밸리의 두 지역을 무대로 하는 바이두 리서치에는 앤드류 응 교수를 중심으로 200여명의 연구진을 배치할 예정이라고 한다. 연구진들은 이미지 인식, 이미지 검색, 음성인식, 딥러닝 분야에 손꼽히는 전문가들로 구성하며, 연구 분야는 인공지능과 딥러닝, 빅데이터 부분으로 진행하고, 이미지 인식, 이미지 검색, 음성인식, 자연어 분석, 시멘틱 인텔리전스 등 이미지와 음성에 중점을 두고 있어 어느 순간에 세계 인공지능의 중심이 되어가고 있다. 38

39 바이두 인공지능의 평가 인공지능 분야의 연구가 미국의 구글, 마이크로소프트, 페이스북, 애플, 아마존과 같은 ICT 대기업들에서 주로 이루어지는 이유는 거대한 비용이 발생하며 대규모의 학습 데이터와 소셜 네트워크가 필요하기 때문이다. 이런 면에서 바이두는 인공지능을 연구 개발하기에는 글로벌 중국 기업 중에서는 가장 유리한 위치이다. 바이두의 음성 관련 인공지능 성능개선에 있어서는 탁월하다. 딥 스피치는 막대한 음성 데이터를 인위적으로 생성하고 고속으로 처리해야하는 시스템을 동반하는 연구 기술이다. 성능 면에서 현재 구글과 애플, 페이스북 등의 타 경쟁사에 크게 개선된 결과를 보여주고 있다. 수치적으로 딥 스피치는 구글에 비해 2배 이상 탁월하다는 평가결과이다. 그림 1은 음성인식의 오인식률 비교 결과이며 바이두는 타 기업과 비교해 비교적 오인식률이 낮은 것으로 나타났다. 음성인식은 주변의 환경에 따라 큰 차이가 있는데 바이두는 시끄러운 환경에서도 비교적 좋은 결과를 보여주고 있다. 바이두가 인공지능에서 이러한 면에서 두각을 나타내는 이유가 딥 스피치 때문인데, 주변의 소음이나 개인의 사투리, 말 습관 등에 관계없이 정확하게 인식할 수 있도록 연구개발에 힘썼기 때문으로 분석된다.` 그림 1 _ 음성인식 기술 오인식률 비교(낮을수록 성능 우수) 출처: : 미디어잇( ) 이외에도 인공지능의 여러 응용분야 중에 음성인식과 결합된 웨어러블 장치로 바이두가 개발하고 있는 바이두 아이(Baidu Eye) 가 있다. 입력이 불편한 스마트와치나 웨어러블 안경 39

40 등에는 필수적인 기술이 될 것이기에 바이두의 입장에서는 이러한 분야에 우선적으로 적용하고자 하고 이어서 로봇의 명령에도 사용할 수 있도록 연구 개발 중이다. 또한 차세대의 핵심 서비스인 자율주행 무인자동차 등은 인공지능에서는 바이두가 잘하고 있는 딥 스피치를 기반으로 딥러닝 기법을 사용하고 있어서 타 기업에 비해 우수한 솔루션을 제안할 것으로 보인다. 인공지능은 거대한 일반 및 학습데이터, 컴퓨팅 시스템과 같은 하드웨어, 소프트웨어에 대한 막대한 비용과 시간이 필요한 분야이다. 중국에서는 바이두 뿐만 아니라 알리바바는 결제, 금융, 전자성가래 데이터를 기반으로, 텐센트는 QQ, 위쳇 등 방대한 트랜젝션 데이터를 기반으로 인공지능 분야를 적용하려고 시도하고 있다. 하지만 지금까지는 바이두가 조금 앞서 가고 있는 것으로 보인다. 바이두 인공지능의 미래 그림 2 _ 인공지능 관련 검색조회 조사결과(한국, 미국) 출처: : 최재홍 교수 페이스북 최근의 인공지능 분야는 <그림 2>에서 나타낸 바와 같이 미국 뿐 아니라, 우리나라에서도 많은 관심을 받고 있다. 로봇과 무인 자동차, 그리고 빅데이터를 기반으로 하는 새로운 산업의 등장 때문일 것이다. 중국 또한 다르지 않다. 그런 면에서 바이두의 인공지능에 대한 투자는 40

41 시기적절하며 성과도 있다. 다만 지난 2015년 6월 초에 머신러닝 알고리즘 성능을 부풀린 문제와 해외 선도 기업들을 따라하면서 비난을 받기도 했다. 특히 구글의 검색과 구글 글래스와 같은 웨어러블 기기, 또한 무인자동차 등의 핵심 연구개발에 관하여 구글을 모방하면서 추격하여 온 것도 사실이다. 그러나 시간이 지나면서, 인공지능 분야에서 구글이나 마이크로소프트, 페이스북 등의 해외 유수기업보다 핵심기술면에서 점점 경쟁력을 갖춰가고 있다는 평가를 받고 있다. 차세대 인공지능분야에 딥러닝(주변의 수많은 데이터에서 패턴을 알아서 사물을 분별하는 인공지능 기술)은 바이두의 앤드류 응 교수가 최고의 권위자 이다. 이러한 기술은 무인자동차나 무인 서비스를 위한 인식기술에 절대적으로 필요한 기술이다. 미래를 내다보고 선도하고 있다. 바이두의 인공지능에 관련한 의지는 이미 실리콘밸리에 건립된 인공지능센터는 구글과의 경쟁을 예고하고 바이두의 미래를 위한 투자로 보이며 바이두의 글로벌 위상을 보여주는 것이기도 하다. 때문에 구글의 짝퉁이라는 별명을 가진 바이두로써는 자신의 이미지 변화를 위한 절호의 기회가 될 것이며 구글의 창업자가 경계했던 바이두라는 기업이 유일한 구글의 대항마로 인식되어가고 있다는 것은 우리에게도 시사하는 바가 크다. 차세대 산업으로는 IoT, 웨어러블, 가상 및 증강현실, 헬스케어, 클라우드, 빅데이터, 스마트카, 스마트 홈과 스마트시티, 로봇, 전기 및 무인자동차, 우주 및 항공, O2O, 3D 프린터, 핀테크 등 너무도 다양하다. 여기서 음성과 이미지 인식을 통한 인공지능은 대부분 응용되어질 것으로 보인다. 그런 면에서 바이두의 최근 행보는 모든 기술의 길목을 지키는 기술을 확보하려는 절실한 노력을 통하여 미래에 가져가고 싶은 핵심적인 목표로 인간의 개입 없이 스스로 학습할 수 있는 인공지능 시스템을 만드는 것이다. 중국에서 이제 막 인터넷을 시작하려는 사람들과 글을 몰라 인터넷을 이용하지 못하는 사람들을 바이두 검색이나 포탈의 고객으로 만들겠다는 것이 바이두의 원대한 계획이다. 중국의 모든 사람을 고객군으로 만들고 전세계 온라인 미개척 지역으로 확장을 원하고 있는 것이다. 최근 바이두로 자리를 옮긴 앤드류 응 전 스텐포드 대학 교수는 바이두에 대해, 바이두는 놀라운 만큼 민첩한 기업이다. 자원이 순식간에 이동하고 굉장히 빠른 의사결정이 이루어진다. 고 평가했다. 바이두가 중국과 마찬가지로 실리콘밸리에 자신들의 인공지능 연구소를 만든 이유도 이런데 있다. 글로벌하게 빠르게 적용하고 경쟁하고, 자유로운 연구개발로 인공지능 분야에서 구글을 넘어서고 싶어하는 욕망과 2020년까지 1600억 위안의 매출을 달성하겠다는 희망을 담은 최고의 선택이 바로 인공지능인 것이다. 41

42 Reference 1. 미디어잇, 이제는 인공지능 시대, ICT기업들 경쟁 심화, 박종훈, 음성인식에서 구글 넘어선 바이두, 인공지능도 선도 목표, 정보통신기술진흥센터, 조용수, 똑똑한 기계들의 시대 인공지능의 현주소, LGRI, The wall street journal, Baidu Apologizes for Touting Dubious Artificial-Intelligence Feat, Forbes, Baidu's Surprising Search For The Holy Grail Of Artificial Intelligence, Business Post, 구글 바이두, 인공지능의 최강자 노린다,

43 인공지능 신화 강정수 연세대학교 커뮤니케이션연구소 전문연구원 ( 現 ) 디지털사회연구소 대표 ( 現 ) 오픈넷 이사 경영학 박사 경험과 개념 스티븐 호킹은 2014년 12월 인공지능 개발이 인류의 멸망을 불러올 수 있다 며 인간과 기계의 경쟁에서 기계의 승리를 예측했다. 앞선 2014년 10월 테슬라 창업자 엘런 머스크 또한 인공지능 연구는 악마를 소환하는 것과 다름없다 며 인공지능을 인류를 위협하는 위협적인 존재로 정의하고 있다. 스티븐 호킹과 엘런 머스크가 말하는 인공지능은 무엇을 의미할까. 반대의 경우도 마찬가지다. 인공지능의 현실 가능성을 부정하는 이들도 적지 않다. 인공지능을 부정하는 이들이 말하는 인공지능의 의미는 무엇일까. 이에 대한 답을 찾기 위해 개념 과 경험 의 상호작용을 살펴보자. 이를 위해 색상을 구별하지 못하는 당신의 친구를 상상해 보자. 당신은 그에게 초록을 설명하고자 한다. 그는 지금까지 살아오며 초록을 경험하지 못했다. 그렇다면 당신은 그에게 초록 을 이해시키기 쉽지 않다. 초록은 설명할 수 없는 그 무엇이기 때문이다. 인간은 초록을 경험할 수 있고, 그 때 초록에 대한 이해는 매우 단순해지며 설명을 필요로 하지 않는다. 초록을 처음으로 경험할 때도 초록이라는 개념은 필요치 않다. 초록이라는 개념은 초록에 대한 경험이 축적되면서 그에 대한 기호(시니피앙: signifiant)가 뇌 속에 기억이라는 형식으로 자리한다. 이 기호는 초록에 대해 생각하고, 대화하는데 이용된다. 개념은 경험을 대체할 수 없으며, 경험에 기초하지 않은 개념은 그 의미를 가질 수 없다. 초록과 인공지능은 유사하다. 색상을 구별하지 못하는 사람, 다시 말해 초록을 경험하지 못한 사람에게 초록이라는 개념을 설명할 수 없듯이, 인공지능을 경험하지 못한 사람에게 인공지능이라는 개념은 설명할 수 없는 그 무엇으로 남아있다. 먼저 지능(intelligence)이라는 개념은 우리가 특정 현상을 관찰하고 이를 묘사하면서 그 현상에 지능이라는 기호를 부여하는 과정을 통해 탄생했다. 지능이라는 개념에는 직간접 43

44 경험한 지능의 특징이 포함되어 있다. 그 중 중요한 특징은 의식, 자유의지, 인격으로서 나 등이다. 우리가 지능(intelligence) 을 이야기할 때면 이러한 특징을 함께 떠올린다. 물론 이 특징들의 구체적 모습과 경험은 현실에서 분리할 수 없는 동일한 것일 수 있다. 의식'을 설명하기라 쉽지 않다. 그러나 인간 대다수는 잠들지 않은 상태를 늘 경험하고 있고, 이 상태에 의식이라는 기호를 부여한다. 나는 존재한다 또는 나는 존재하는 것을 안다 등의 표현이 있다. 그러나 나는 존재한다 는 현상에 부여할 특징은 존재하지 않거나 또는 이 현상을 설명하기란 쉬운 일이 아니다. 초록과 인공지능 컴퓨터가 언젠가 인공지능의 특징, 다시 말해 인간 뇌의 특징을 갖게 된다면, 이는 인류가 지금까지 경험해 보지 못한 현상이 될 것이다. 컴퓨터가 지능, 의식, 감정, 자유의지, 자아 등의 특징으로 설명될 수 있는 경험은 지금까지 존재하지 않기 때문이다. 때문이 이러한 현상은 현재 시점에서 정의될 수 없고 설명될 수 없다. 인간이 이러한 현상을 개념화하여 기억하기 위해서는 이러한 현상을 먼저 경험해야하기 때문이다. 자아는 연산으로 (아직까지) 특징지을 수 없으며 오히려 경험을 통해 설명될 수 있을 뿐이다. 지능의 특징은 (아직까지) 알고리즘이 아니며, 인간의 뇌는 (아직까지) 컴퓨터와 같지 않다. 그림 1_ 미국 퀴즈대회 제퍼디쇼에서 우승한 IBM의 왓슨 출처: news.mk.co.kr 그렇다고 인공지능의 사례로 평가받는 IBM의 왓슨(Watson) 등 지금까지 이뤄진 인공지능의 성취를 부정하자는 주장은 아니다. 그러나 이러한 성과는 새로운 지능 의 탄생으로 인한 결과물이 아니라 기하급수적으로 증가하는 연산속도와 처리될 수 있는 데이터의 양의 폭발적 증가에 기인한다. 우리가 44

45 인공지능이라는 기호를 통해 (간접) 경험하고 있는 것은 기계다. 마차보다 월등하게 빠른 자동차, 그리고 이보다 빠른 비행기는 동일한 운송수단 인 것과 유사하다. 인터넷으로 연결된 컴퓨터가 조정하는 기계가 이 기계가 주변의 환경 정보를 디지털 데이터로 전환시키며 인간의 개입 없이 스스로 움직일 수 있다. 바로 무인 자동차다. 이는 지금까지 존재해온 기술이 보다 완벽해졌음을 의미한다. 스티븐 호킹이 두려워하는 기계에 의한 인류의 파멸이 불가능한 것은 아니다. 이러한 파괴의 기술은 이미 핵폭탄이라는 형식으로 존재해 왔다. 이 기술이 보다 효율성을 높이고 그 작동이 보다 완벽해질 때 스티븐 호킹의 우려는 현실이 될 수 있다. 스티븐 호킹은 왜 기계의 연산 효율성의 기하급수적 상승을 두려워할까? 그 이유는 기술에 대한 신화화에서 찾을 수 있다. 인간화와 신화화 컴퓨터에 대한 인간화는 개와 고양이에 대한 인간화와 유사하다. 무언가를 바라는 개의 눈빛은 달콤하다. 고양이의 그르렁 소리는 친밀감을 더한다. 개와 고양이의 특정 행위가 인간의 감정과 연결되는 순간이다. 언젠가 기계가 웃는 표정으로 말을 걸어온다면, 우리는 그 기계에 편안한 감정을 연결할 것이다. 아이폰의 시리가 보다 정확하게 당신의 목소리를 알아듣고 당신이 원하는 정보를 보다 정확하게 전달한다면 당신은 시리에 신뢰감을 가질 것이다. 바로 이 순간 기계는 신화적 존재가 된다. 기계는 인간보다 뛰어난 능력을 가진 존재가 된다. 시리는 당신의 질문에 웃으며 어김없이 답변한다. 시리는 불평하지 않으며 때론 당신이 외로울 때 개와 고양이 같은 친구가 된다. 당신은 소프트웨어와 로봇을 사람으로 간주하며 이들이 마치 인간인양 대화한다. 그러나 시리는 빅데이터의 응용 사례다. 시리는 인간이 아니다. 재런 래니어(Jaron Lanier)에 따르면 인공지능에 대한 논의의 이면에는 종말론적 상상에 자리하고 있다 20. 래니어는 커즈와일의 단일점(singularity) 21 에는 신격화된 기계가 인간을 구원할 수 있다는 믿음이 숨겨져 있다고 비판한다. 단일점은 컴퓨터 기술의 진화 수준이 인간의 뇌를 기술적으로 구현 가능한 순간을 말한다. 인간의 뇌에 속하는 특성이 지능, 의식, 자유의지, 자아 등이다. 래니어는 컴퓨터로 상징되는 기계가 단일점을 경험하게 되면 이 때 기계는 신이 된다. 이러한 신격화의 이면은 두려움이다. 스티븐 호킹과 엘런 머스크가 표현한 인공지능에 대한 두려움에는 커즈와일과 유사한 기계에 대한 신격화가 자리잡고 있다. 우리가 경계해야할 바는 신격화를 통해 이득을 보는 존재다. 신앙인은 그가 믿는 신을 위해 희생할 준비가 되어 있다. 유럽의 중세와 근세에 수많은 사람들이 화려한 성당과 교회 건축 현장에서 쓰려져 갔다. 하지만 이들의 희생을 통해 가장 큰 이득을 얻었던 집단은 성직자였다. 인공지능의 신격화를 통해 이득을 보는 Kurzweil, Ray 2005, The Singularity Is Near: When Humans Transcend Biology 45

46 집단은 어쩌면 이러한 기술을 가능하게 하는 엘리트 집단일 것이다. 인공지능은 진화하는 기술이며 도구이다. 핵폭탄에 두려움을 가지듯 인공지능에 두려움을 느끼는 것은 자연스럽다. 그러나 기술과 도구가 사람을 죽인다면 이는 종교의 문제가 아니라 정치의 문제다. 인간을 죽이고 파멸시키는 것은 기계가 아니고 인간이다. 존재하지 않는 것은 없다고 했다. 언젠가 스티븐 호킹이 두려워하는 성능을 가진 컴퓨터 기술의 등장도 가능할 것이다. 여기서 절실하게 요구되는 것은 기계의 인간화 나아가 신격화하지 않으려는 부단한 우리의 노력과 성찰 능력이다. Reference 1. Kurzweil, Ray 2005, The Singularity Is Near: When Humans Transcend Biology 2. Edge, The Myth of AI : A Conversation with Jaron Lanier,

47 Power Review ICT 동향 2015년 9월 47

48 ICT 동향 가트너, 2015 하이프 사이클 발표 정책연구단 미래인터넷팀 부상하는 컴퓨팅 기술을 조망하는 가트너의 2015 하이프 사이클 보고서 발간 2015 하이프 사이클 상에는 자동주행차(Autonomous Vehicles), 사물인터넷(Internet of things)가 가장 피크(peak) 지점에 위치하고 있으며 향후 5~10년간 안정기를 유지할 것으로 예측 가장 높은 지점에 위치하고 있는 자동주행차는 프리 피크(pre-peak)에서 피크 지점으로 이동함으로써 성장 가능성을 보여주고 있음 사물인터넷(IoT)은 작년에 이어서 피크 지점에 위치하며 비교적 긴 안정기를 가질 것으로 예측되면서 향후에도 ICT 변화를 주도하게 될 것으로 예상 이밖에 셀프서비스 배송 사전예측(Advanced Analytics with self-service Delivery), 음성번역(Speech-to-speech Translation), 머신 러닝(Machine Learning) 등의 기술도 피크 단계에 위치 그림 1 _ 가트너의 2015 하이프 사이클 출처:: 48

49 ICT 동향 또한, 가트너는 2015 하이프 사이클을 통해 다섯 가지의 메가트렌드 도출 및 전망 1 피크로 이동하는 디지털 비즈니스, 2 빠르게 피크로 접근하는 사물인터넷, 모바일 및 스마트 기계, 3 위쪽으로 이동하는 디지털 마케팅과 디지털 작업 환경, 4 피크에 위치하는 분석(Analytics), 5 저점으로 이동하는 클라우드와 빅데이터 등의 메가트렌드 경향을 파악할 수 있음 2015 하이프 사이클의 주요 트렌드 및 변화의 경향도 네 가지 항목으로 제시하고 있음 1 산업 및 도메인 특화 기술, 2 급격한 혁신을 촉진하는 디지털 비즈니스와 힘의 결합(클라우드, 소셜, 빅데이터, 모빌리티), 3 하이프사이클 전반에 걸쳐있는 보안, 4 전통적인 인프라스트럭쳐의 성장 둔화 등을 들고 있음 그림 2 _ 2015 하이프 사이클의 메가 트렌드 출처: EE Times( ) Reference 1. Gartner, Gartner's 2015 Hype Cycle for Emerging Technologies Identifies the Computing Innovations That Organizations Should Monitor, Gartner, Gartner's Hype Cycles for 2015: Five Megatrends Shift the Computing Landscape,

50 ICT 동향 일본 스타트업 투자 생태계, 기업 벤처 캐피털(CVC) 주도로 성장 정책연구단 미래인터넷팀 미국에서는 외면 받는 기업 벤처 캐피털(CVC) 자본, 일본에서는 맹활약 미국의 스타트업들은 자본금 유치와 관련하여 기업 주도의 벤처 캐피털(Corporate Venture Capital, CVC)를 활용하는 것에 대해 부정적인 인식을 보유 IT 매체 테크크런치(Tech Crunch)에 따르면, 일반적으로 미국 스타트업들은 유력 벤처 캐피털로부터 자금을 확보하지 못할 경우 차선책으로 기업 벤처 캐피털을 선택(' ) 이 같은 현상에 대해 유명 벤처 캐피털인 유니온 스퀘어 벤처스(Union Square Ventures)의 프레드 윌슨(Fred Wilson)은, 보통 기업 벤처 캐피털들은 스타트업의 성공에는 관심이 없으며 오직 소속 기업의 이익 확보에만 집중하기 때문에 투자자로서는 최악이라고 지적 일반적으로 스타트업의 자유로운 활동을 보장해주는 독립 벤처캐피털과 달리 기업 벤처 캐피털은 목표 달성을 위해 다소간의 개입을 실시하므로 기피 대상이 되고 있다는 것 그러나 벤처 캐피털 시장 분석 업체 CB 인사이트(CB Insight)에 따르면, 미국과 달리 일본에서는 기업 벤처 캐피털의 활약이 상당한 것으로 조사 CB 인사이트의 자료에 따르면 2015년 2분기 일본 IT 스타트업 대상 투자액의 80%는 기업 벤처 캐피털이 출연 그림 1 _ 북미 일본 아시아 IT 스타트업의 투자 주체 별 자본금 유치 현황 출처: TechCrunch( ) 50

51 ICT 동향 같은 기간 북미의 경우 투자 유치에 성공한 IT 스타트업 중 23% 만이 기업 벤처 캐피털로부터 자본금을 확보 북미뿐만 아니라, 아시아 전체의 2015년 2분기 벤처 캐피털 투자액 중 불과 32%만이 기업 벤처 캐피털의 자본이라는 점에서 일본의 경우는 매우 특수한 사례로 평가 일본 기업 벤처 캐피털, R&D 차원에서 스타트업에 투자...위험 회피적 성향은 한계로 지목 테크 크런치는 일본 기업들의 스타트업에 대한 투자 목적이 금전적 대가에 있기보다는 연구 개발 활동의 일환으로 진행되고 있음을 지적 핵심 비즈니스에 영향을 미칠 수 있는 최신 트렌드를 늦기 전에 발견하여 반영하기 위한 전략으로서 스타트업에 관심을 표명하고 있다는 것 또한 일본 기업들은 경영 기획 면에서 미래에 협력이 기대되는 유망 스타트업과의 관계를 선 구축하기 위한 수단으로 벤처 투자를 활용 일본 스타트업 생태계에 형성되어 있는 위험 회피적 성향 역시 기업 벤처 캐피털의 활성화를 견인 리스크 수용을 극도로 거부하는 일본과 같은 벤처 시장에서는 브랜드 인지도가 높은 기업의 후원을 받는 것이 사업 전개에 있어 대단히 유리 일례로 일본 스타트업들은 기업 자본을 확보해 존속 가능성에 대한 신뢰를 높임으로써 원활한 고객 유치와 인재 확보가 가능 한편, 기업 벤처 캐피털의 활동과는 별개로 벤처 시장에 대한 일본 투자 진영의 태도가 보다 과감해져야 한다는 의견이 제기 중 일례로 2014년 일본에서 발생한 벤처 투자는 9억 6,000만 달러(1조1,397억 원)로 480억 달러(56조 9,856억 원)를 기록한 미국의 1/50에 불과 같은 기간 초기 창업 자본을 의미하는 엔젤(Angel) 투자 규모 역시 북미는 241억 달러(28조 6,115억 원)를 기록한 반면 일본은 10억 달러(1조1,872억 원)를 기록 결국 일본 투자 진영의 소극적 태도는 자본 시장의 확대를 가로막고 있으며, 이로 인해 스타트업의 성장이 더뎌질 수밖에 없는 실정 Reference 1. TechCrunch, "Corporate Venture Capital Is King In Japan",

52 ICT 동향 미국 정부, 안티 드론 시스템 개발 착수 정책연구단 미래인터넷팀 미국 정부, 드론 활용 제한 위해 안티 드론(Anti-Drone) 시스템 개발 개시 언론매체 로이터의 보도에 따르면 현재 미국 정부는 드론 활용을 제한하기 위해 안티 드론(Anti- Drone) 시스템을 개발 중( ) 규제 당국 및 주 정부와 지역 경찰 병력이 함께 개발하고 있는 본 시스템은 드론의 작동을 무력화하는 데 초점을 두고 있으며, 적어도 1회 이상의 필드 테스트를 실시한 것으로 알려진 상황 해당 시스템의 주요 기능에 대해서는 노출된 바가 없으며 국방부(Defense of Department)와 연방 항공청(Federal Aviation Administration, FAA) 역시 관련 언급을 거부 그러나 국토 안보부(Department of Homeland Security, DHS) 관계자가 로이터와의 인터뷰를 드론의 불법 사용을 해결하기 위한 솔루션 개발을 목표로 부처 간 협력이 이루어지고 있음을 인정하면서, 안티 드론 시스템 개발 사실이 확인 이 외에도 미국 정부는 드론 전문 민간 사업자와의 협력을 통해 안티 드론 시스템 개발을 모색하고 있음 드론 감지 시스템 제조업체 '드론실드(Drone Shield)'는 언론 매체 월 스트리트 저널(Wall Street Journal)과의 인터뷰를 통해 미국 규제 당국이 교도소, 스포츠 경기장, 정부 건물 등을 보호하기 위해 자사 시스템을 이용 중이라고 언급(' ) 또한 2015년 4월 개최된 보스턴 마라톤(Boston Marathon) 대회에서는 행사 진행에 방해가 되는 드론을 제거하기 위해 그물총(net guns)이 사용됐다고 설명 드론 대중화로 보안 위협 가시화, 정부의 관련 제재 방안 마련 본격화 미국 정부가 안티 드론 시스템 개발에 주력하고 있는 이유는 드론 대중화로 인한 불법 제품 증가 및 무분별한 드론 사용으로 인한 보안 위협이 발생하고 있기 때문 로이터가 연방 항공청의 데이터를 토대로 분석한 결과에 따르면 2014년 미국 내 운용되고 있는 드론 10대중 1대가 비인가로 조사 또한 2015년 1월에는 미국 백악관 내 드론이 추락해 보안 경고가 발령되는 사태가 발생되는 등 관련 사건 사고가 이어지고 있는 실정 52