인공지능의 오해와 진실
■ 제4차 산업혁명이 500만개의 일자리를 빼앗는다고? (1)
스위스 다보스에서 개최된 2016년 세계경제포럼(WEF)의 주제는 ‘제4차 산업혁명’이고, 이 혁명을 주도하는 인공지능∙로봇기술∙생명과학∙3DP∙드론 등이 궁극적으로 인간의 일자리를 빼앗는다는 것이다. 세계경제포럼이 발표한 ‘일자리의 미래(The Future of Jobs)’(WEF, 18 Jan 2016)라는 보고서에서 4차 산업혁명으로 인해 상당수 기존 직업이 사라지고, 기존에 없던 새 일자리가 만들어진다는 것이다.
한국이 포함되지 않은 조사에서, 각국의 인사 담당 임원들은 4차 산업혁명으로 인해 일반 사무직을 중심으로 제조∙예술∙미디어 분야 등에서 710만 개의 일자리가 사라질 것이라고 예상했으며, 반면 컴퓨터∙수학∙건축 관련 일자리는 200만 개가 창출될 것으로 예상해, 결과적으로 500만 개 일자리가 2020년까지 없어진다는 것이다(FT, 20 Jan 2016). 하지만 이러한 신기술들이 정말로 2020년까지 500만 개의 일자리를 대체할 수 있을까? 너무 부정적인 시나리오를 바탕으로 한 것은 아닐까? 인공지능∙인공로봇 들과 함께 어울리는 그러한 긍정적인 동반자적인 미래사회는 정말 아니 오는 것일까?
■ 제4차 산업혁명이 500만개의 일자리를 빼앗는다고? (2)
미국의 국방성은 2017년 예산으로 인공지능이 탑재된 무기(AI Weapons)를 개발하기 위해 120억~150억 달러를 의회에 요청했다는 외신 보도이다(Reuters, 14 Dec 2015; Future of Life, 15 Dec 2015). 미국 국방성은 중국과 러시아와의 군사 경쟁력에서 우위를 확실히 하기 위해 딥러닝 베이스의 전쟁 게임과 딥러닝이 탑재된 자율무기(autonomous weapons) 등 전략적 자산 확보에 나선 것으로 보인다. 또한 국방성은 중국과 러시아도 인공지능이 탑재된 무기를 개발하는 것으로 판단하고 있다는 것이다. “저는 중국과 러시아가 검은 커튼 뒤에서 무엇을 하는지 알고 싶습니다(I want our competitors to wonder what’s behind the black curtain)”라고 국방성 대변인인 로버트 워크(Robert Work)가 밝혔다. 만약 AI 무기가 개발된다면 전쟁 억제력(war deterrence)이 강화될 것으로 군사전문가들과 업계들은 믿고 있다.
국방성은 이들 AI 무기가 전쟁터에서 인간과 한 팀이 되어 인간과 기계가 협력하는 방향에 초점을 맞출 것이라고 국방성은 밝혔다. 인공지능이 탑재된 새로운 기술들로는 인공지능 네트워킹 시스템으로 전쟁터에서 상관의 다음 지시를 기다리는 것이 아니라 이전에는 몰랐던 적군의 방어망을 분석하여 위치를 정확히 찾아내서 독자적으로 미사일을 쏘도록 하는 것이다.
이외에 병사들이 입는 전자 옷의 전투복, 폭탄을 몸무게의 10배 이상을 들 수 있고 날아 갈수 있는 외골격 같은 정장(Exoskeleton suit), 자율 무인기와 드론, 자율 드론과 무인기 등을 급파할 수 있는 자율 모선(mother ships) 등이다. 이에 대해 무기 제조업체들인 록히드 마틴(Lockheed Martin), 보잉(Boeing), 노쓰랍 구루만(Northrop Grumman) 등은 비상한 관심을 보이고 있다는 보도이다.
하지만 국방성 내부에서는 이에 대해 회의론자들도 많다는 것이다. 그러한 인공지능 네트워크 시스템이 정말로 완벽하게 적군을 찾아내고 아군을 보호할 수 있느냐는 것이다. 다시 말해 지금의 인공지능이 거의 완벽한 수준이냐라는 것이다.
그럼에도 불구하고 작금의 인공지능 수준이 이미지 분석이나 게임에 국한되고 있다는 것을 감안하면 역시 미국이라는 생각이 든다. 미국을 보면 신기술이 나오면 제일먼저 국방이나 우주에 적용하고, 성공하면 민영화시키는 전략을 구사해 왔기 때문이다. 그것도 무지막지한 자금을 투입해 먼저 시도하여 인공지능 분야를 선도하겠다는 전략으로 보아야 할 것이다.
■ 사진 속의 감정과 이름을 읽어?
현실을 보자. 작년 말에서 올 초까지 구글, 마이크로소프트, 페이스북은 인공지능∙기계학습∙딥 러닝의 오픈 소스를 공개하고 그간의 성과를 발표했는데, 사진 속에 찍힌 사람들의 이름을 찾아내고, 사진 속의 얼굴을 인식해 얼굴 표정의 분노, 행복, 무관심, 슬픔, 놀라움 등 8가지 감정들이 수치화돼 표시되는 수준이다. 구글의 클라우드 비전 API의 로봇도 사람의 얼굴을 보고 감정을 알아내는 정도이다.
사진 속의 얼굴인식률은 95% 수준으로 이름을 알아내고 감정을 알아내는 것이 우리와 무슨 상관이 있으며 어떤 새로운 비즈니스를 창출하게 해줄 것인가라는 것이다. 구글의 나우, 애플의 시리, 아마존의 알렉사 등의 자연언어인식 또한 92~95%의 인식률이라고 주장하지만, 사용하는데 시간이 걸리고 때론 알아듣지를 못해 다수가 사용하지 않는다. 이는 아직 5년안에 새로운 비즈니스를 창출할 단계는 아니라는 것을 의미하는 것이다.
■ 구글의 인공지능 자율주행컴퓨터의 현실
또 다른 예를 보자. 구글은 2015년 5월부터 매달 자사의 셀프 드라이빙 카(Self-Driving Car) 프로젝트와 자율주행테스트 결과를 공개하고 있는데8), 2016년 1월의 자율주행테스트 결과를 2016년 1월 31일에 공개한 자료에 따르면 구글은 인공지능인 자율주행컴퓨터시스템(Autonomous Driving Computer System)이 탑재된 반-자율차(Semi-autonomous car)로 2009년에 캘리포니아에 서 테스트를 시작한 이래로, 총 주행테스트 거리는 2,408,597 마일(385만km)로, 이중 자율모드(Autonomous mode)로 주행한 거리가 1,419,672마일(227만km, 약 60%)이고, 매뉴얼모드(Manual mode)로 주행한 거리가 988,925마일(158만km, 약 40%)이다. 자율모드 주행이 60%라는 것은 무엇을 의미하는 것일까? 그만큼 도로 인프라가 정비가 안되었다는 것을 의미하고, 기존 도로의 선행 상세지도(Detailed Prior Map)가 없어 이 작업을 선행해야 하기 때문에 매뉴얼모드 주행이 40%나 된다는 것을 시사하는 것이지만, 이것은 또한 아직 인공지능이 완벽하지 못하다는 것으로 상용화에 그만큼 시간이 많이 걸린다는 것을 의미하는 것이다.
다음엔 더 쇼킹한 뉴스이다. 구글은 도로에서 자율주행테스트를 할뿐만 아니라, 반-자율차가 도로로 나가기 전에 기계학습 알고리즘(Machine learning algorithm) 베이스의 버추얼 환경을 구축한 랩에서 드라이빙 훈련을 시키고 있다는 사실이다. 지난 7년간 도로주행에 나선 반-자율차들이 수집한 무지막지한 빅 데이터들을 이용해, 아직 도로주행에 나서지 않은 반-자율차에 탑재된 자율주행컴퓨터시스템에 입력해 드라이빙을 추론하고 상기시키는 것이다. 컴퓨터 시뮬레이터는 드라이빙 패턴의 수천 가지 변형 모델을 만들어 낸다. 그러면 버추얼로 수백만 마일을 곡예 주행할 수 있다. 이러한 방식으로 구글의 반-자율차들은 하루에 300만 마일(480만km)의 버추얼 도로를 주행하면서 학습하는 것이다(Cnet, 16 Feb 2016)11). 그리고 기계학습 알고리즘의 소프트웨어를 업데이트 시키는 것이다. 그럼에도 불구하고 실제 도로주행에선 아직 인간의 눈과 귀와 손과 발과 두뇌를 따라오지 못하는 것이다.
또한 구글이 미국 캘리포니아주 자동차국(DMV)에 제출한 32페이지 분량의 '자율주행 운행 중 자율주행모드해제 보고서(Self-Driving Car Testing Report on Disengagements of Autonomous Mode)에서 구글은, 캘리포니아 자동국으로부터 허가를 받은 2014년 9월 24일부터 2015년 11월 30일까지, 캘리포니아 마운틴 뷰의 교외(suburban)에서 총 524,003마일(84만km)의 주행테스트를 했으며, 이중 자율모드 주행이 424,331마일(68만km)이고 매뉴얼모드 주행이 99,672마일(16만km)이라고 밝혔다. 결국 자율모드 주행이 60%에서 80%로 향상되었지만 20%가 매뉴얼모드 주행으로 구글이 희망하는 완전 자율기능의 100%의 자율차는 아직 멀었다는 것을 의미하는 것이다.
구글은 보고서에서 14개월간 자율주행차 49대로 약 68만 km 거리의 자율주행 시험을 하면서 총 341회의 '자율주행모드 해제' 사례를 겪었다고 보고했다. 그 중 하드웨어 기능이 잘못되어 해제된(disengage for hardware discrepancy) 경우는 39건이라고 보고했는데, 이는 센싱 시스템, 브레이킹 제어, 컴퓨팅시스템의 하드웨어 등이 실제 기대만큼 수행을 못한 경우이다.
이것은 실제 구글의 반-자율차 문제로, 11.4%나 된다는 것이다. 아직 한참 가야 한다는 의미이다. 또한 보고서에서 반-자율차의 원하지 않은 운행(disengage for unwanted maneuver of the vehicle)의 경우는 55건이라고 보고했는데, 이는 주차된 차량에 너무 가까이 가는 등의 바람직하지 않은 방법으로 반-자율차가 움직였다는 것을 의미하는 것으로, 이것도 실제 반자율차의 문제로 16%나 된다. 아직 한참 가야 한다는 의미이다.
(중략)
■ 알파고가 이세돌을 이겨?
구글이 2014년에 인수한 영국의 딥마인드(DeepMind)가 개발한 알파고(AlphaGo)가 세상의 화제이다. 알파고의 소재지는 영국이다. 한쪽은 이세돌 9단이고, 반대쪽은 인공지능 바둑 프로그램인 알파고가, 미국에 있는 구글의 클라우드를 통해 대국장의 디스플레이에 착수를 놓아 보여주면, 대국장의 대리인인, 알파고 개발팀의 일원인 대만계 아자 황(Aja Huang, 아마 6단)이 대신해 착수를 놓는 방식이다. 결과는 4대 1로 알파고가 우승을 했다. 앞에서 살펴본 왓슨(Watson)과는 달리 알파고의 핵심은 클라우드라는 두뇌이다. 차원이 다른 것이다. 이 클라우드 두뇌에는 1202개의 중앙처리장치(CPU)와 176개의 그래픽처리장치(GPU)가 연결되어 있어, 왓슨과 인간의 1:1 아니라 1378:1 이라는 점이다. 그것도 실시간으로 이 많은 CPU와 GPU를 통해 분석하고 패턴을 찾아 솔루션을 제공하고 있는 것이다. 그러니 패할 수 밖에 없다. 불공정한 게임이다.
딥마인드 개발자 데미스 하사비스(Demis Hassabis) 부사장은 "바둑은 경우의 수가 우주에 존재하는 원자 수보다 많다. 바둑은 체스와 비교할 때 경우의 수가 10의 100제곱 이상 많아 컴퓨팅화하기 어려운 대상"이라고 말했다. 그만큼 바둑은 인공지능 알고리즘을 빠르고 효율적으로 개발하고 시험해볼 수 있는 좋은 플랫폼이라는 것이다. 알파고에는 프로 바둑기사가 실제로 둔 16만 건의 기보 데이터를 확보해 3000만 개 이상의 착점을 학습했다. 그런 다음 4주 연속 단 1초도 쉬지 않고 알파고는 학습했다. 알파고를 개발한 데이비드 실버(David Silver)는 "알파고가 바둑을 학습한 시간을 인간의 시간으로 환산하면 약 1000년의 세월"이라고 설명했다. 사람이면 1000년 걸리는 100만 번의 대국을 4주만에 소화했다는 의미이다.
알파고의 딥러닝 알고리즘은 2016년 1월 28일자의 Nature지에 논문으로 발표됐다(David Silver, Demis Hassabis et al., Nature, 28 Jan 2016)23). 알파고가 사용한 것은 바둑판의 위치를 판단하는 가치 네트워크(Value networks)와 어디를 두어야 할지를 선택하는 폴리쉬 네트워크(Policynetworks)로 구성된 딥뉴럴네트워크(Deep Neural Networks, DNN)이다. 이 DNN을 학습시키는 방법에는 사람에 의한 지도학습(Supervised learning)과 데이터 기반의 비지도학습(Unsupervised learning)이 있다. 그런데 이번에 알파고의 DNN은 전문 바둑기사들(human expert games)에 의한 지도학습과 스스로 바둑 게임(self-play)을 하면서 배우는 강화 학습(reinforcement learning)이라는 새로운 콤비라는(a novel combination) 방식으로 학습했다. 결국 사람에 의한 지도학습의 폴리쉬 네트워크(SL. policy network)로 먼저 학습을 하고, 그 이후에 스스로 하는 강화학습 폴리쉬 네트워크(RL. policy network)를 통해 가치 네트워크(Value networks)와 폴리쉬 네트워크(Policy networks)를 구성한 것이다. 그 결과 이 DNN은 스스로 바둑 게임을 하면서 수천 건의 게임을 시뮬레이션하는 몬테칼로 나무서치 프로그램(Monte Carlo tree search programs)의 수준에 올랐다.
또한 몬테칼로 시뮬레이션과 가치 네트워크와 폴리쉬 네트워크를 합쳐 새로운 서치 알고리즘(Search algorithm)도 개발했다. 이 새로운 서치 알고리즘을 이용해, 알파고의 DNN은 다른 유사한 인공바둑프로램들을 대상으로 게임한 결과 승률이 99.8%에 달했으며, 결국 유럽 챔피언인 판후이(Fan Hui) 2단을 올 1월에 5:0으로 이길 수 있었고(Youtube, 27 & 28 Jan 2016), 3월 9일에는 이세돌 9단과의 1국에서 승리를 할 수 있었다.
그런데 이게 어떤 의미가 있느냐는 것이다. 설사 알파고가 이세돌 9단을 5:0으로 완승했다고 치자. 이것이 어떤 새로운 비즈니스 창출에 어떤 도움을 줄 수 있느냐는 것이다. 그저 하나의 이벤트요 게임일 뿐 아무런 의미가 없다는 것이다. 이것은 인공지능이 이제 시작일 뿐이라는 것을 의미하는 것이다. 인간을 게임에서 이기고 인간과 대적하여 이기는 인공지능이 아니라 인간이 꿈을 꿀 수 없는 꿈을 대신 꿔주고 그것을 비전과 전략으로 그려주고 인간을 돕는 그러한 인공지능을 개발해야 한다는 것이다. 갈 길이 멀다는 의미이다.
(중략)
■ 시사점
(전략) 인공지능은 이제 시작이라는 것이다. 왜냐하면 지금의 인공지능 알고리즘은 인간의 신경망을 모방하는 것이어서, 신경세포와 시냅스와 비신경세포로 이루어진 인간의 두뇌를 따라오기란 그리 쉽지 않기 때문이다. 이것만이 아니다. 신경세포와 비신경세포 안에 들어 있는 유전자, 유전자가 생산하는 단백질, 히스톤(Histone) 변형 등의 후성유전(Epigenome), 신진대사, 환경 등에 따라 항상성(Homeostasis)과 의사결정이 바뀐다. 따라서 인간의 뇌는 이러한 여러 변수들에 따라 물리적인 구조를 자유롭게 바꿔가며 정보를 입력하기 때문에, 지금의 신경망 알고리즘에 한 차원 높은 다른 알고리즘들이 융합되지 않는 한 갈 길이 먼 것이다. 설사 여러 알고리즘들이 융합된다 해도 그것은 끝이 아니라 또 다른 시작일 뿐이다.
그렇다고 주저 앉자는 얘기가 아니다. 이제 시작이라는데 의미가 있는 것이다. 인공지능이 적용되는 분야는 무궁무진하기 때문이다. 국방, 교육, 행정, 교통(자율차), 두뇌인터넷, 생체인터넷(웨어러블), 로봇, 드론, SNS, 증강/가상현실, 음성개인비서, 핀테크 등 인공지능이 안 들어가는 분야가 없기 때문이다. 사실 인공지능은 1956년에 시작되었지만, 1980년까지 첫 번째 부침, 1990년 초에 두 번째 부침을 겪었다.
그리고 2000년 중반부터 다시 불을 지 피우고 있다. 그런데, 60년(환갑)이 흐른 뒤, 이번에는 좀 다르다. 인공지능이 전문가 집단의 소유가 아니라 일반인도 참여하는 오픈 소스로 지향하고 있기 때문이다. 인터넷과 모바일의 발전에 따라 일반인들이 네트워크에 연결되고 협력하는 상황이다. 인공지능은 순수한 소프트웨어 기술만이 아니라 일반인들의 참여를 유도하는 경우 더 뛰어난 개선이 이루어지기도 하고, 사람들이 이미 작성한 지적 활동의 결과를 활용할 수 있다. 수십억의 사람들이 연결되어서 작은 활동을 하고, 이를 인공지능 기술이 효과적으로 활용하면 더 뛰어난 결과를 얻을 수 있다. 그래서 작년 말부터 올 초까지 페이스북이 제일먼저 딥러닝 모듈과 머신 러닝 하드웨어인 빅서(Big Sur)를 오픈 소스로 공개했으며, 이어서 구글도 머신 러닝 기술인 텐서플로우(TensorFlow)와 클라우드 비전(Cloud Vision) API를, 이어서 마이크로소프트도 프로젝트 옥스포드(Oxford)와 툴 킷인 DMTK를 오픈 소스로 공개했는데, 공개한 이유가 여기에 있으며, 또한 또 다시 부침을 막자는데 있다.
마지막으로 인공지능을 부정적이 아닌 긍정적인 관점으로 보아야 한다. 그간 인공지능에 반대입장을 표명했던 엘론 머스크도 작년 말에 오픈에아이(OpenAi)를 설립해서, 인공지능이 일자리를 대체하는 것이 아니라 일자리를 더욱 많이 창출하는 방법을 연구하기 시작했다. 인공지능이 사람을 도와 보다 창의적인 아이디어를 만들어주고, 사람이 꿀 수 없는 꿈을 대신 꿔서 그 꿈의 비전과 전략을 그려주며, 아이들과 함께 놀고 학습하는 그러한 인공지능을 개발해야 한다. 세계경제포럼의 보고서가 다소 과장된 부분이 없지 않지만, 우리에게 주는 경고라는 메시지로 받아들여, 이제부터 시작한다는 출발점에서, 미국의 FLI처럼 ELSI 사전연구를 통한 정책과 전략을 수립해 집중 연구개발해야 할 것이다. 다행히 미래창조과학부는 2016년 3월에 인공지능 기술개발과 관련 산업 육성을 위해 앞으로 5년간 1조원에 가까운 예산을 투자하기로 했다. 이와 함께 정부는 민간기업들이 주도하는 '지능정보기술연구소'를 설립한다고 밝혔다. 투자와 연구소 설립이 중요한 것이 아니라 우리가 잘 할 있는 기초분야와 응용분야를 선택해 집중 연구개발해야 할 것이다.
= = = = = = =
