AI (Artificial Intelligence)에 관하여

AI (Artificial Intelligence)에 관하여
< Synopsis and personal opinion >

조 현상 (Cho, Hyun-Sang), 해모수(Haemosu) Lab. 1996.

1. 서 론

AI(Artificial Intelligence)는 전산기의 발전 과정과 그에 따른 software의 처리 과정에 있 어서 그 중요성과 분화에 의한 발달이라는 면에서 비교적 최근에 부각되고 있는 분야이다.
실제적으로 인공 지능은 제 분야에 분산적으로 발전해 왔으며, 또한 적용 분야 역시 각 분야별로 필요한 부분만이 부분적으로 성장되어 있는 상황이다.
그러나 이러한 분야 간는 인공 지능이라는 분야에 대해서는 서로 공통된 점이 있으며, 현재는 이러한 공통점으로 바탕으로 서로의 분야를 종합한 새로운 학문 분야로 발전되어 가는 시점에 있다고 생각된다.
인공 지능의 어려움이란 그 응용 분야에 있어서 인간과의 interface와 인간의 사고 방식에 대한 기계의 처리 방식의 접근에 그 지향점이 있다고 생각되며, 이러한 점에 있어서 마치 인간에게도 서로 분화되어 있는 제분야가 있듯이 인공 지능에 의해 처리되어야 할 제 분야 역시 그 기법이나 혹은 처리 내용에 따라 서로 상이할 수밖에 없다고 할 것이다.
따라서 본 학회의 '인공 지능적 처리를 기반으로 한' 자동 robot에 관련된 AI 기법에도 제한이 있게 되며, 이러한 본격적인 연구 이전에 인공 지능에 대한 간단한 개요와 배경을 먼저 살펴보고자 한다.

2. AI의 역사.

인공 지능의 역사는 컴퓨터의 역사와 그 궤를 같이 한다. 최초의 근대적인 전산기 구조는 찰스 바베지(C. Babbage)에 의해 1823년경 차분 기관, 1934년경 해석 기관에 의해 시작되었 다. 이러한 Hardware의 구조에 대해서 결정적인 조언자였던 최초의 프로그래머인 에이다(A.A byron, 러브레이스 백작부인)은 다음과 같은 말을 남겼다. '분석기 (analytical engine)는 무 엇이든 새로운 것을 하지는 않는다. 단지 지시한 것만을 할뿐이다.'
이 당시의 차분 기관과 해석 기관은 수표 (미리 계산되어진 일종의 계산치의 matrix)에 의한 오차율의 해결이라는 현실적인 문제에 의해 설계가 되었다. 즉, 실제로 전산기는 계산기의 발전의 연장선 (주판이 나 파스칼/라이프니찌의 계산기와 같은)의 연속선상에 있었던 것이다. 그러나 바베지와 에이 다 어거스타에 의해서 해석 기관의 처리 능력에 학습이나 지능의 개념이 토의되었다는 것은 아마도 위의 글을 통해서도 충분히 입증되리라고 생각된다. 물론 이러한 토론은 결론이 없었 을 것이, 바베지의 해석 기관은 끝내 완성되지 못했던 것이다.
이러한 계산기 발전과정은 양대 대전을 통해 암호 해독및 탄도 계산용으로 비약적인 발전 을 할 때까지 홀러리스의 천공기계와 같이 계산기적인 면에서의 발전만이 이루어지고 있었 다.
1936년, Alen Turing은 Turing machine이라는 이론적인 기계를 만들었다. 튜링 머신은 오 늘날 사용되는 모든 컴퓨터의 원형이라고도 할 수 있는 기계이며, 이와 함께 튜링은 최초의 실제적인 인공지능의 판단기준 (기계의 지능 보유 여부에 대한)을 제시하기도 하였다.
Turing test라고 불리는 이 방법은 터미널로 연결된 격리 공간의 기계와 두 사람중 한 사람 이 다른 사람 한 사람과 기계를 대화를 통해 구분해 낼 수 없다면 그 기계는 지능을 가진 것이라는 다소 모호한 방식이었다. 튜링의 이론은 Von Neuman에게 전해지게 된다.
노이만의 초기 관심 분야는 기상학적 예측이었다. 이러한 목적을 위해 방대하고도 신속한 계산이 요구되었으며 이때 그는 개발 과정에 있는 ENIAC의 에커트/ 모클리와 접촉을 하게 된다.
노이만은 순차적 처리와 프로그램 내장 방식이라는 전산기 발전에 획기적인 기여를 했지만 그에게 있어서도 인공 지능은 고려 대상에 들어 있었다. 1948년의 그의 '자동기계의 일반 이론과 논리'라는 강연에서 그는 자동기계의 정의를 '다른 기계에 의해서 만들어진 기계이며, 그 잠재력은 인간이 만든 컴퓨터의 능력 보 다 휠씬 큰것이다.'라고 내렸으며, 이 말은 곧 기계의 자기 제조및 진화를 말하는 것이 된다. 한가지 주의해야 할 사항은 와트슨과 크릭의 DNA의 발견은 1953년이었으며, 노이만의 강 연 발표보다 뒤지지만, 노이만의 다음의 기계 생식 과정, 즉

RNA

DNA

이러한 과정을 수행하며, 특히 '잠재'라는 단어의 이면에는 인공 지능적인 시각이 엿보인다. 또한 예측적인 'simulation'이라는 입장에서 그는 게임이론을 만들기도 했다.

인공 지능의 발전사에 있어서 크게 구분되는 것은 Neural network과 같은 신경 조직 모사와 Symbolic Artificial Intelligence의 두 가지로 나누어 볼 수가 있다.
전자의 경우는 인간 두뇌의 생리학적 분석을 통해 뇌가 수행하는 방식을 모방하여 지능적인 활동을 수행하는 방식 이고 후자의 경우는 지능을 수학적으로 해석하여 컴퓨터의 처리 방식을 이용하여 그 작동 양식을 모방하려는 시도이다.
이 중 먼저 인공 두뇌학적인 발전에 대해 살펴보기로 한다.
인공 두뇌학의 처음의 학술적인 시도는 1946년 Warren Mcculloch와 Walter Pitts의 "A Logical Calculus of the Ideas Immanent in Nervous Activity"였으며 여기서 최초의 신경망 모델이 기술되었다. 이 모델은 digital적인 동작(binary)을 하며 이것은 폰 노이만의 프로 그램 내장방식의 컴퓨터에 많은 영향을 주게 된다.
이후, 1949년에는 Donald O. Hebb의 최초의 신경망 학습 규칙 (Hebbian Learning rule)이 발표되었으며, 이 규칙을 이용한 associative memory가 고안되었다. 1957년에는 인공 두뇌학에 있어서의 획기적인 업적인 Frank Rosenblatt의 신경망 학습 방법인 delta rule과 이를 이용한 최초의 실제적인 신경망 Perceptron이 개발되었다.
인공 두뇌학이 이러한 발전을 계속하고 있을 무렵 기호 처리 분야에서는 1956년 Rockfeller재단의 후원으로 최초의 기호 처리 인공 지능 학회인 Dartmooth Conference가 결성되어 학문적인 체계를 갖추게 되었다. 이 학회를 통하여 인공 지능은 결정적으로 앞서 이야기 한 바 있는 두 가지 커다란 분야로 나뉘게 된다.
그러나 이후 기호 처리 분야는 한계에 부딪치게 되는데 그것은 인간의 사고에 내재되어 있는 근본적인 모호함과 인간 두뇌의 작동에 대한 인식의 부족 때문이었다.
이러한 난관을 타파하고자 하는 일련의 노력으로 1965년 L.A. Zadeh 교수의 Fuzzy sets라는 논문을 시초로 하는 퍼지 이론이 제창되게 되었다. 퍼지 이론이란 확률론적인 애매함에 도입된 '주관'을 수치적으로 분석하고자하는 이론으 로서 그것은 인간고유의 사고 방식에 접근할 수 있음으로 현재도 많은 인공 지능 분야에 응 용되고 있다. Fuzzy 이론은 1985년 독자적인 IFSA(International Fuzzy System Association)가 결성되어 오늘에 이르고 있다.
기호 처리 분야가 이러한 어려움에 봉착해 있는 동안 인공 두뇌학에도 치명적인 위기가 닥 쳐 왔다.
1969년 MIT의 Mavin Minski 교수와 Seymour Papert는 로젠블라트의 퍼셉트론 의 한계를 수학적으로 분석한 Perceptron이라는 책을 저술한다. 이 책은 퍼셉트론을 통하여 궁극적인 인공 지능을 실현할 수 있을 것이라 믿었던 인공 두뇌학자들에게 퍼셉트론을 고안 했던 로젠블라트 자신이 자살을 할 정도의 심각한 충격을 주었다.
그러나 신경망은 그후 1973년 von der Malsburg, 1974년 Stephen Grossberg, 1975년 Kunihiko Fukushima의 신경 세포간의 상호 경쟁 학습등의 연구를 통해 1984년 Teuvo Kohonen의 instar rule(그로스버그)을 이용하여 경쟁학습을 발전시킨 Self Organizing (Features) Map, 그리고 신경망에 있어서의 새로운 지평이 되어준 1986년의 David E. Rumelhart의 generalized delta rule (Error backpropagation rule과 이를 적용하여 구성된 Multi Layer Perceptron이 발표되기에 까지 이르게된다.
이 이론은 민스키 교수에 의해 지적되었던 퍼셉트론의 한계점을 극복할 수 있음을 증명하여, 신경망은 다시금 궤도에 오를 수 있게 되었으며, 유럽에서의 Pygmalion project등 이러한 성과를 발판으로 1987년, 최초의 국제 신경망 학회인 ICNN (International Conference on Neural Network)이 구성되어 하나의 학문으로서의 체계를 갖추게 되었다.
또한 기호 처리 인공 지능방면으로 MIT에서의 맥카시 교수를 중심으로 한 AI연구소에서 인공 지능을 연구에 의해 지능용으로 LISP(List Processing Language)라는 언어가 만들어 졌으 며, 이 연구소에는 Chess 프로그램 등의 인공 지능을 이용한 프로그램을 만들어 냈다.
미 국방성의 지원을 받은 이 연구소는 그후 Cons등의 LISP이용 컴퓨터 등을 제작해 냈었다.
이 외에 1972년에는 Alain Colmerauer에 의해 인공 지능 프로그래밍언어인 PROLOG (Programming in Logic)가 고안되었다.
그러나 AI의 실현을 위한 일반론적/ 범용적 접근에 대해 이후 AI는 이 실현성과 효율성에 대해 수많은 회의와 직면하게 된다. 따라서 기호 처 리 인공 지능 분야는 광범위한 상식적 지능의 구현보다도 보다 논리적인 특정 전문지식 체 계에 대한 연구로 전환하여 Expert system등에서 비교적 성공적인 성과를 내고 있다.

3. AI의 일반적인 특징.

AI란 사람에 의해 만들어진 지능이다. 지능의 정의는 어떠한 것인가 ?
국어 사전에는 지능이란 '경험을 이용하여 새로운 경험에 대처할 적당한 처리 방법을 알아 내는 지적 활동의 능력'이라고 되어 있다.
이 정의에 대해 음미해 볼 필요가 있다. 즉, 이 정의에는 일반적인 AI의 기법이 모두 들어 있는 것인데 그것은 다음과 같다.

지식 (Knowledge) / 지식의 사용

탐색 (Search)

분리

방대한 지식의 축적은 지능적 사고에 선행되는 필수적인 요건이며, 대규모의 지식을 처리하 기 위해서는 기존의 데이터 처리 방식과 다른 지식 공학적인 접근이 필요하다.
인공 지능적인 지식 데이터에 대한 접근은 따라서, 알고리즘이 아닌 heuristic에 의해 시도 된다. 휴리스틱은 자기 발견을 의미하며, 따라서 휴리스틱에 의해 제외된 접근 경로 이외의 자료에도 해답이 있을 가능성이 존재한다.
그러나 전문가 시스템 등에서 사용되는 이러한 접근 방식은 여타 다른 프로그램과는 달리 자신의 실수로부터 학습을 할 수 있는 능력이 있음에 차이가 있다.
신경망에서의 지식은 단순 소자의 병렬 연결을 통한 구조의 변화에 의해 표현되고 그러한 구조에 의해 주어진 입력에 대한 신경망의 실제 출력과 입력이 원하는 출력의 차이 (delta) 에 의해 학습이 수행된다.
이러한 신경망의 처리 방식은 구현되는 신경망의 구조가 상당히 복잡해지는 단점이 있는 반면, 외부의 충격과 잡음에 강한 장점도 있다. 신경망의 동작 방식 은 정보의 분산 표현과 대규모의 병렬처리로 요약된다.
인공 지능의 응용 분야에는 어떠한 것이 있는가. 우선 여기에는 단순한 반복이나 자료의 비교에 의한 검색등 기존의 특정 약정에 의해 저장되어 있는 데이터의 처리보다는 임의적이 고 입력되는 자료의 상호관계에 의한 추론을 필요로 하는 분야가 있을 것이다. 이러한 분야 에는 영상 처리및 도형 인식이 있을 수 있고, 자연 언어 분석 분야가 있을 수 있다.
또한 인공 지능의 가장 큰 특징중 하나인 학습은 Robotics와 연결되어 행성/항성간 탐사 여행이나 혹은 인공 지능의 궁극적인 목표인 인간과 대등한 지적 수준을 가진 사고체를 통 한 Artificial life의 구현 (전술한 노이만의 자동기계를 상기하기 바란다.)등이 있을 수 있을 것이다. 이러한 응용은 실제로 MIT에서의 곤충형 robot, 인공 지능 무기에 대한 도입 등에 의해 SF의 벽을 넘어 현실의 마당에 이미 등장하고 있는 것이다.

4. 인간 심리 분석과 인공 지능 제어.

인간이 심리는 프로이드에 의해 처음 학문적으로 연구되기 시작하였다. 프로이드 심리학의 가장 큰 특징은 뉴튼 패러다임의 적용이다. 즉, 인간의 심리에도 뉴튼 동역학을 적용시켜 분 석을 시도한 것이다.
이에 의해 id, ego, super-ego의 상호 간섭을 통해 인간의 심리는 작용 하고 발전, 변형되어 간다는 것이다. 이러한 유형의 동적 균형은 필자가 존재론적으로 분석한 인성의 세 가지 요소, 즉, 본성/이성/감성에서도 똑같이 적용된다.
그러나 프로이드 경우의 id와 나의 경우의 본성은 그 근간이 생물학적인 요소에 있다는 것이 인공 지능과의 가장 큰 차이이다.
그러나 이러한 본성은 노이만의 자동 기계에도 적절히 프로그래밍 될 수 있을 것이다.
ego와 super-ego의 경우, 그 동적 평형은 절실히 필요한 것이 된다.
이것은 아시모프 박사의 로봇헌장 3개조와도 일맥 상통하는 바가 있다고 생각되는데, 그것은

그러나 robot에 적용되는 이러한 규정들은 정적인 규제로만 동작하게 될 것이다.
재미있는 것은 삼체운동은 적분불능으로 미분방정식으로 해석이 곤란하다는 것이다. 삼체운동이 보이는 복잡한 해구조에서 혼돈 동역학이 발전했다는 것은 무척이나 흥미로운 일이 아닐 수 없다.
실제로 인간의 사고에 지대한 영향을 끼치는 것은 인간이 가지고 있는 풍부 한 감성에 의한다.
창조력은 단순한 사물의 관계를 파악하여 그것의 유기적인 관계를 유추 해내는 기계적인 과정이라기 보다는 스스로 자신의 세계를 창조하여 그것에 나름대로의 의 미를 부여하여 자의적인 생명력을 부여할수 있는 능력을 말함이라고 생각되며, 이러한 감성 은 본성과 이성 사이에서 이 둘을 동적으로 조절하며 보완해주는 중용적인 입장을 점유하고 있다고 생각한다.
물론 이 이론 자체가 아직 검증받지 못한 개인의 이론에 불과하지만, 사실상 인공 지능에 요구되는 여러가지 실제적, 학문적 목적을 위해서는 인공 지능 자체에 동적인 자유와 조절이 요구된다는 것은 명백하다고 생각되며, 또한 2001 우주여행에 나오는 HAL과 같은 맹목적이고 기계적인 자기 오류에 대한 어처구니 없는 대응이 아닌 보다 원활한 개성 적 사무 처리의 근간이 되어 줄 것이라고 생각한다.
그러나 이러한 동적인 사고의 자유는 사실상 교도소에 가득차 있는 인위와 균형의 사회학적인 실패 사례들을 볼 때 충분히 심도 있게 검토되어야 한다고 생각된다.
이러한 동적 균형의 예는 특히 인공지능이 살상 기계를 포함한 robotics에 적용될 때, 실제로 그 행동양식에 있어서 곧바로 문제시 될 것으로 본다.

5. 결 론

인공 지능은 그 분야가 광범위하며 실상, 광범위한 분야에서 제각기 연구되어 왔다.
인공 지능의 필요성은 기계를 사용하는 인간에 대한 Man-Machine interface에 기초를 두 고 있으며, 그 연구 대상에 바로 우리 자신이 포함되어 있어 미묘한 뉘앙스를 갖게 되기도 한다.
그러나, 인간의 판단을 대체할 보다 정확하고 빠른 사고체의 필요성은 인간의 한계를 넘는 조직체의 발전과 필요성에 필연적으로 요구되는 사항일 것이다. 과학은 인공 지능을 통하여 이제 단순한 분석보다 창조적으로 자기 자신을 탐구하기 시작하였으며, 아마도 모든 공학적인 해결의 한 끝에는 그러한 문제 해결 방식이 자리잡게 될 것이다. 또한 지금까지 그래 왔듯이 이러한 발전은 사회적으로도 커다란 변화를 일으킬 것으로 생각된다.
그것이 어떠한 것이든지. 여기에 공학의 철학이 필요한 것이 아닌지.
이제 인공 지능에 대해 막 연구(?)하기 시작한 입장에서 아마도 너무 지나친 욕심을 내 논 리를 비약시킨 데다 지면을 아끼느라고 무리한 내용을 서술하였을지도 모르지만, 적어도 4. 항을 제외한 다른 여타 내용들은 실제의 저술을 참고로 하여 정리한 내용이므로 이 글이 혹시 인공 지능에 대해 관심을 가진 여러분들에게 조금의 도움이라도 되길 바라며 글을 맺 는다.

참고 자료