홈
topics
strong ai
인공 일반 지능(AGI) 또는 일반 AI라고도 하는 강 인공 지능(AI)은 AI 개발에 대한 특정 사고방식을 설명하는 데 사용되는 이론적 형태의 AI입니다.
연구자들이 강 AI을 개발할 수 있다면 그 기계에는 인간과 동등한 지능이 필요할 것이며, 문제를 해결하고, 학습하고, 미래를 계획할 수 있는 자의식을 가지고 있을 것입니다.
강 AI는 인간의 마음과 구별할 수 없는 지능형 기계를 만드는 것을 목표로 합니다. 그러나 AI 기계는 어린아이처럼 입력과 경험을 통해 학습해야 하며, 시간이 흐르면서 지속적으로 능력을 발전시키고 향상해야 합니다.
학계와 민간 부문의 AI 연구자들은 인공 일반 지능(AGI) 개발에 투자하고 있지만, 오늘날에는 이론적 개념으로만 존재하며 실질적인 형태로 구현된 것은 아닙니다. Marvin Minsky와 같이 AI 분야에서 수십 년 안에 달성할 수 있는 것에 대해 지나치게 낙관적이라는 의견도 있지만, 강한 AI(Strong AI) 시스템은 개발조차 불가능하다고 말하는 사람들도 있습니다. 지능과 이해력 등 성공의 척도가 명확하게 정의되기 전까지는 이러한 믿음이 옳습니다. 현재 많은 사람들이 튜링 테스트를 사용하여 AI 시스템의 지능을 평가합니다.
애플리케이션, 분석 및 생성형 AI에 적합한 데이터베이스를 활용하는 방법을 알아보세요.
Alan Turing은 1950년에 튜링 테스트를 개발했으며, 그의 논문 'Computing Machinery and Intelligence'에서 이를 다뤘습니다(ibm.com 외부 링크). 원래 이미테이션 게임(Imitation Game)으로 알려진 이 테스트는 기계의 행동을 인간의 행동과 구별할 수 있는지 평가합니다. 이 테스트에서는 '심문자'라는 사람이 일련의 질문을 통해 컴퓨터가 생성한 아웃풋과 인간이 생성한 아웃풋의 차이점을 파악하려고 합니다. 만약 심문자가 기계와 인간 피험자를 확실히 구별할 수 없다면, 기계는 테스트에 통과한 것으로 간주됩니다. 하지만 평가자가 인간의 반응을 정확하게 파악할 수 있다면 기계는 지능형으로 분류될 수 없습니다.
튜링 테스트에 대한 정해진 평가 지침은 없지만, 튜링은 인간과 컴퓨터가 생성한 대화를 인간 평가자가 5분 후에 정확하게 예측할 확률이 70%에 불과하다고 명시했습니다. 튜링 테스트는 기계 지능이라는 개념에 대한 일반적인 인식을 소개했습니다.
그러나 원래 튜링 테스트는 한 가지 기술 세트(예: 텍스트 아웃풋, 체스)만 테스트합니다. 강한 AI는 다양한 작업을 동등하게 잘 수행해야 하므로 확장된 튜링 테스트(Extended Turing Test)가 개발되었습니다. 이 테스트는 AI의 텍스트, 시각, 청각 성능을 평가하고 인간이 생성한 아웃풋과 비교합니다. 이 버전은 유명한 뢰브너상(Loebner Prize) 대회에서 사용되며, 대회의 인간 심사 위원은 아웃풋을 사람이 만든 것인지 컴퓨터가 만든 것인지 추측합니다.
중국어 방 논증(Chinese Room Argument)은 1980년 John Searle이 만든 용어입니다. Searle은 논문에서 이해와 사고의 정의에 대해 논의하면서 컴퓨터는 결코 이를 수행할 수 없다고 주장합니다. 스탠퍼드 대학 웹사이트(ibm.com 외부 링크)에서 발췌한 이 논문에는 Searle의 주장이 잘 요약되어 있습니다.
"계산은 순전히 형식적이거나 통사론적으로 정의되는 반면, 마음은 실제적인 정신적 또는 의미론적 내용을 가지고 있으며, 다른 어떤 것도 없이 통사론적 연산만을 가지고 통사론에서 의미론으로 이동할 수 없다. 예를 들어, '나'라는 시스템은 중국어를 사용하는 사람의 행동을 시뮬레이션하는 컴퓨터 프로그램의 단계를 거치는 것만으로는 중국어를 이해할 수 없을 것이다(p.17)."
중국어 방 논증은 다음과 같은 시나리오를 제안합니다.
중국어를 못하는 사람이 밀폐된 방에 앉아 있다고 가정해 보겠습니다. 이 방에는 중국어 규칙, 구문, 지침이 담긴 책이 있습니다. 중국어를 유창하게 구사하는 다른 사람이 중국어로 쓴 메모를 방으로 전달합니다. 언어 회화집의 도움을 받아 방 안에 있는 사람은 적절한 답변을 선택하여 이를 중국어 화자에게 돌려줄 수 있습니다.
방 안에 있는 사람은 언어 구문집을 사용하여 정답을 제공할 수 있지만, 아직 중국어를 말하거나 이해하지 못하기 때문에 질문이나 문장을 적절한 응답과 일치시켜 이해를 시뮬레이션하는 것에 불과했습니다. Searle은 강 AI가 의식이나 이해를 가지려면 실제 마음을 가져야 한다고 주장합니다. 중국어 방 논증은 튜링 테스트의 결함을 보여주며, 인공지능 의 정의에 차이가 있음을 보여줍니다.
좁은 AI(narrow AI)라고도 하는 약한 AI는 사용자 입력을 기반으로 질문에 답하거나 체스를 두는 것과 같은 특정 작업을 수행하는 데 중점을 둡니다. 한 가지 유형의 작업을 수행할 수 있지만 둘 다 수행할 수는 없는 반면, 강한 AI는 다양한 기능을 수행할 수 있으며 결국 새로운 문제를 해결하도록 스스로 학습할 수 있습니다. 약한 AI는 학습 알고리즘의 매개변수를 정의하고 관련 학습 데이터를 제공하여 정확성을 보장하기 위해 인간의 간섭에 의존합니다. 인간의 입력은 강한 AI의 성장 단계를 가속화하지만 반드시 필요한 것은 아니며, 시간이 지남에 따라 약한 AI처럼 시뮬레이션하는 대신 인간과 같은 의식을 갖게 됩니다. 약한 AI의 예로 자율 주행 자동차와 Siri와 같은 가상 어시스턴트를 들 수 있습니다.
강 인공지능의 명확한 사례는 없지만, AI 분야는 급속하게 혁신하고 있습니다. 인공 초지능(ASI), 슈퍼 지능 또는 슈퍼 AI로 알려진 또 다른 AI 이론이 등장했습니다. 이러한 유형의 AI는 인간의 지능과 능력에서 강 AI를 능가합니다. 그러나 아직 강 AI 의 사례를 달성하지 못했기 때문에 슈퍼 AI는 순전히 추측에 불과합니다.
그렇지만 다음과 같은 분야에서는 AI가 더 중요한 역할을 합니다.
인공 지능, 머신 러닝, 딥 러닝이라는 용어는 잘못된 맥락에서 사용되는 경우가 많습니다. 이러한 용어는 강한 AI를 설명하는 데 자주 사용되므로 각 용어를 다음과 같이 간략하게 정의할 필요가 있습니다.
John McCarthy(ibm.com 외부 링크)가 정의한 인공 지능은 '지능형 기계, 특히 지능형 컴퓨터 프로그램을 만드는 과학 및 공학'입니다. 그는 "컴퓨터를 사용하여 인간의 지능을 이해하는 유사한 작업과 연관되어 있지만, AI는 생물학적으로 관찰할 수 있는 방법에만 국한될 필요가 없다"고 설명했습니다.
머신 러닝 은 인공 지능의 하위 분야입니다. 기존 머신 러닝 모델(딥 러닝이 아님)은 데이터를 카테고리로 분류하기 위해 특징 학습 등을 통한 더 많은 사람의 개입이 필요합니다.
딥 러닝은 머신 러닝의 하위 분야로, 신경망을 사용하여 인간의 뇌의 상호 연결성을 모방하려는 시도입니다. 인공 신경망은 주어진 데이터 세트 내에서 패턴을 식별하는 모델 계층으로 구성됩니다. 정확한 학습을 위해 대량의 학습 데이터를 활용하기 때문에 GPU나 TPU와 같은 더 강력한 하드웨어가 필요합니다. 딥 러닝 알고리즘은 인간 수준의 AI와 가장 밀접한 관련이 있습니다.
이러한 기술 간의 미묘한 차이점에 대해 자세히 알아보려면 'AI, 머신러닝, 딥러닝 및 신경망 비교: 어떤 차이가 있나요?'를 읽어보세요.
딥 러닝은 복잡한 문제를 잘 처리할 수 있기 때문에 오늘날 혁신적이고 새로운 여러 기술에 활용되고 있습니다. 딥 러닝 알고리즘은 다양한 분야에 적용되었습니다. 몇 가지 예는 다음과 같습니다.