진 의학 지식과 매칭이 되어, 인류의 의학지식의 수준을 높 여가는 것이다. 하지만 딥러닝은 블랙박스와 같은 속성을 가지고 있어서, 우리는 단지 결과만을 알 수 있기 때문에 이런 식의 의학지 식의 확장으로 이어지기는 힘들 수 있다는 것을 의미한다. 이것은 실제로 의학에서는 인공지능을 사용하게 될 때 여러 가지 문제를 만들 수 있다. 뿐만 아니라, 인간이 이해 못하는 상황에서, 환자치료방침을 인공지능이 제시했는데 왜 그런 결정이 내려졌는지 의사가 이해하지 못하는 경우 이는 따라 야 하는 것인가 아닌가? 등의 많은 문제가 발생할 것이다. 인공지능과 공존의 시대 알파고 이전과 이후는 다를 것이다. 산업혁명 및 정보 혁명과 같이 인공지능 분야에 대한 많은 연구와 투자가 이루어지고 있다. 이런 소위 인공지능 혁명은 다른 혁명들과 같이 새로운 직 업(예를 들어, 인공지능이 찾은 지식 또는 결정을 해석하는 직업)을 창출할 것이고, 또 많은 직업들을 없앨 것이다. 또한, 단순 암기와 반복을 통해서 만든 인간의 지식은 계산 알파고 논문이 실린 네이처지. 기 후에 암산능력이 의미가 없어지듯 가치가 없어질 것이다. 이런 기억력에 기반한 지식창출보다는 아직은 인공지능이 앨런머스크 등이 경고를 던지고 있다. 알파고의 개발자인 하사비스도 이를 자각하고, 구글 내에 자신의 연구개발 방향을 통제하는 윤리위원회를 요청했다. 잘못한다고 알려진 창의력을 추구하는 방향으로 인류사가 발전할 것이라 조심스럽게 예상이 된다. 알파고는 시스템은 뚜렷하게 단순히 바둑만이 아닌 현실의 그리고 구글은 지금까지 개발된 딥러닝 모듈을 공개하여 많은 문제를 해결하려는 방향성이 있다. 알파고의 아버지인 이 분야의 발전을 촉발하려고 한다. 항상 그렇듯 역사상 한 허사비스의 인터뷰에서 이후 알파고 시스템 활용의 가장 중 번 열린 판도라의 상자는 결코 닫히지 않을 것이다. 요한 분야로서 헬스케어를 이야기한 것처럼, 곧 의료분야에 들어올 것이라 예상된다. 인공지능의 어두움 반대로 이 딥러닝은 내부를 이해하기가 불가능해서, 결과 결국 어떻게 받아들일지는 우리 모두 연구자로서 인간으로 서 고민해야 할 부분이라 생각된다. 적으로는 정말 좋은 분류자를 만든다고 하더라도, 이것이 인 류의 지식 확장에 도움을 주기가 어렵다. 즉 딥러닝이 왜 이렇게 생각하는지, 사용하는 영상 특징이 나 지식은 어떤 것인지 등에 대해서 알기가 매우 어렵다. 튜링테스트: 인간이 보기에 인간처럼 보이는 것을 인간에 준하는 지 능이 있다고 간주하는 실험. 질문을 통해서 대답하는 쪽이 컴퓨터인지 사람인지 판별할 수 없다면 통과하는 테스트. 예를 들어, 기존의 얇은(shallow)러닝기법으로 종양의 조 영증강영상을 학습하게 되면, 조영증강 패턴이 불균질 (Heterogeneous)하다거나, 종양의 형상이 울퉁불퉁 (irregular)하다는 등의 인자들이 자동분류자[얇은 (shallow)러닝]에 의해서 종양을 악성도를 판별하는 중요한 인자로 선택이 된다. 이는 종양이 악성일수록 다양한 변이를 가지게 된다던지, 악성종약의 혈관생성이 공격적이라는 것 등의 기존에 알려 편 집 위 원 회 위 원 장 : 임영석 편 집 위 원 회 위 원 원 : 김승후, 김남국, 도경현, 문덕복 박상형, 이주용, 정석훈, 허진원 학 생 편 집 위 원 : 정창진, 조성윤, 김지애, 박지민 김민기, 고은채, 이석준, 조민성 조민재 객원기자겸 홍보자문위원 : 김영신