AI의 아버지, 얀 르쿤 교수: "AI가 진화하려면 물리학이 필요하다"
1. AI의 현재 상태와 한계
-
얀 르쿤 교수는 현재의 AI 시스템이 언어를 잘 다루는 능력 때문에 똑똑해 보이지만, 실제로는 "많은 면에서 매우 멍청하다"고 지적합니다.
"현재 AI 시스템은 물리적 세계를 이해하지 못하고, 인간처럼 지속적인 기억을 가지거나, 논리적으로 사고하고 계획을 세우는 능력이 없습니다."
-
그는 AI가 인간 수준의 지능을 가지려면 물리적 세계를 이해하고, 감정과 같은 특성을 가지며, 목표를 설정하고 이를 달성하기 위한 계획을 세울 수 있어야 한다고 강조합니다.
"이런 시스템은 목표를 설정하고, 그 목표를 달성하기 위해 어떤 행동을 해야 할지 스스로 판단할 수 있어야 합니다."
2. 딥러닝의 역사와 발전
-
얀 르쿤 교수는 딥러닝의 초기 발전과 두 번의 큰 물결을 설명합니다.
- 1980~90년대: 다층 신경망(현재의 딥러닝)으로 이미지 인식과 같은 간단한 작업에서 좋은 결과를 얻음. 하지만 데이터와 컴퓨팅 자원의 부족으로 관심이 줄어듦.
- 2000년대 후반~2013년: 인터넷과 데이터의 증가, 컴퓨팅 기술의 발전으로 딥러닝이 다시 주목받기 시작.
"2013년은 딥러닝이 다양한 분야에 적용 가능하다는 것을 연구계가 깨달은 해였습니다."
-
딥러닝의 대중화에 기여한 2015년 논문에 대해 그는 이렇게 말합니다.
"그 논문은 새로운 결과를 제시한 것이 아니라, 딥러닝 기술이 얼마나 잘 작동하는지와 미래의 방향성을 제시한 일종의 선언문이었습니다."
3. AI 학습 방식의 세 가지 패러다임
얀 르쿤 교수는 AI 학습의 세 가지 주요 패러다임을 설명하며, 각각의 장단점을 비교합니다.
1) 지도 학습 (Supervised Learning)
-
AI가 데이터를 보고 정답을 학습하는 방식.
"예를 들어, 테이블 사진을 보여주고 '이것은 테이블이다'라고 알려주는 방식입니다."
-
장점: 특정 작업에서 높은 정확도를 보임.
-
단점: 많은 양의 라벨링된 데이터가 필요.
2) 강화 학습 (Reinforcement Learning)
-
정답을 알려주지 않고, 행동의 결과(좋음/나쁨)만 피드백으로 제공.
"자전거를 타다 넘어지면 잘못된 행동을 했다는 것을 배우는 것과 비슷합니다."
-
장점: 게임과 같은 환경에서 효과적.
-
단점: "현실 세계에서는 비효율적"이며, 자율주행차나 로봇 학습에 적용하기 어려움.
"강화 학습으로 자율주행차를 학습시키려면 수천 번 충돌해야 할 겁니다."
3) 자가 지도 학습 (Self-Supervised Learning)
-
AI가 데이터의 구조를 스스로 학습하도록 훈련.
"텍스트에서 단어를 제거하고, 제거된 단어를 예측하도록 훈련하는 방식입니다."
-
장점: 최근 자연어 처리와 챗봇의 발전을 가능하게 한 핵심 기술.
-
단점: 물리적 세계를 이해하는 데는 한계가 있음.
"언어는 단순합니다. 하지만 물리적 세계는 훨씬 더 복잡합니다."
4. 물리적 세계를 이해하는 AI의 필요성
-
얀 르쿤 교수는 AI가 물리적 세계를 이해하지 못하는 이유를 설명하며, 이를 해결하기 위한 새로운 접근법을 제안합니다.
"우리는 언어를 지능의 정점으로 생각하지만, 사실 언어는 단순합니다. 물리적 세계는 훨씬 더 복잡하고, 이를 이해하려면 새로운 학습 방식이 필요합니다."
-
그는 인간과 동물의 '직관적 물리학(Intuitive Physics)'을 예로 들며, AI가 이를 학습하는 것이 얼마나 어려운지 강조합니다.
"아기들은 9개월이 되면 물체가 떨어진다는 것을 배웁니다. 하지만 AI는 아직 이런 직관적 물리학을 배우지 못했습니다."
-
모라벡의 역설(Moravec's Paradox):
"컴퓨터는 체스 같은 복잡한 문제를 해결할 수 있지만, 동물처럼 물리적 세계를 다루는 것은 여전히 어렵습니다."
5. AI와 감정, 그리고 의식
-
얀 르쿤 교수는 AI가 감정을 가질 수 있는 가능성을 언급합니다.
"AI는 목표를 달성했을 때 '기쁨'을 느끼고, 실패를 예측하면 '슬픔'을 느낄 수 있습니다. 하지만 분노나 질투 같은 감정은 하드코딩되지 않을 겁니다."
-
그러나 그는 '의식(Consciousness)'에 대해선 회의적인 입장을 보입니다.
"의식은 정의하기 어렵고, 우리가 잘못된 질문을 하고 있을 가능성이 큽니다."
6. AI와 정보, 그리고 물리학
- 얀 르쿤 교수는 정보와 엔트로피의 개념을 설명하며, 정보의 양은 "절대적인 것이 아니라, 해석하는 사람에 따라 달라진다"고 주장합니다.
"정보의 양은 메시지를 해석하는 방식에 따라 달라집니다. 이는 물리학, 컴퓨터 과학, 정보 이론에 큰 영향을 미칩니다."
7. AI와 로봇공학의 미래
-
그는 AI와 로봇공학의 통합이 다음 10년 동안 가장 큰 도전 과제가 될 것이라고 말합니다.
"현재의 로봇은 물리적 능력은 뛰어나지만, 지능이 부족해 인간처럼 유연하게 행동하지 못합니다."
-
자율주행차의 예를 들며, AI가 물리적 세계를 이해하는 데 필요한 기술적 한계를 지적합니다.
"테슬라는 5단계 자율주행을 5년 안에 달성하겠다고 했지만, 8년째 이루어지지 않았습니다."
8. 오픈소스와 협력의 중요성
-
얀 르쿤 교수는 AI 발전의 핵심이 '오픈소스와 협력'에 있다고 강조합니다.
"AI 산업은 서로의 연구를 기반으로 발전합니다. 오픈소스는 전 세계가 이익을 공유할 수 있는 마법 같은 시스템입니다."
-
그는 메타(Meta)가 개발한 PyTorch가 AI 연구와 산업 전반에 미친 영향을 예로 들며, 오픈소스의 중요성을 설명합니다.
"PyTorch는 전 세계 AI 연구의 70% 이상에서 사용됩니다. 이는 협력의 힘을 보여주는 사례입니다."
9. AI의 미래와 얀 르쿤 교수의 비전
-
얀 르쿤 교수는 AI가 물리적 세계를 이해하고, 인간처럼 추론하고 계획할 수 있는 시스템으로 발전해야 한다고 주장합니다.
"우리는 AI가 인간과 동물처럼 복잡한 세계를 이해하고, 공통 상식을 가지며, 궁극적으로는 의식에 가까운 지능을 가지도록 만들어야 합니다."
-
그는 이를 위해 'Hierarchical Planning(계층적 계획)'과 같은 새로운 접근법이 필요하다고 강조합니다.
"AI가 목표를 달성하기 위해 하위 목표를 설정하고, 이를 단계적으로 해결하는 능력을 가져야 합니다."
10. 마무리: AI 연구에 대한 회고
-
마지막으로, 얀 르쿤 교수는 자신의 연구 여정을 돌아보며 이렇게 말합니다.
"제가 후회하는 점이 있다면, 자가 지도 학습에 더 일찍 관심을 가졌어야 했다는 것입니다. 하지만 전반적으로 제 연구 여정에 만족합니다."
-
그는 AI의 발전이 단순히 기술적 성취를 넘어, 인간의 삶을 더 나은 방향으로 변화시킬 수 있기를 희망한다고 덧붙였습니다.
"AI는 단순한 도구가 아니라, 인간의 삶을 풍요롭게 만드는 동반자가 될 것입니다."
키워드 요약:
- AI의 한계: 물리적 세계 이해 부족, 감정과 계획 능력 결여
- 딥러닝의 역사: 1980년대부터 현재까지의 발전
- 학습 패러다임: 지도 학습, 강화 학습, 자가 지도 학습
- 물리적 세계와 AI: 직관적 물리학, 모라벡의 역설
- AI와 감정: 목표 달성에 따른 감정적 반응
- 오픈소스: PyTorch와 협력의 중요성
- 미래 비전: 계층적 계획, 인간 수준의 지능
이 영상은 AI의 현재와 미래를 이해하는 데 있어 매우 중요한 통찰을 제공합니다. 얀 르쿤 교수의 깊이 있는 설명과 비전은 AI 연구자뿐만 아니라, AI에 관심 있는 모든 이들에게 큰 영감을 줄 것입니다.