스튜어드 러셀의 인공지능을 읽어보자(2) : 인공지능이 무엇일까?

안녕하세요 오늘은 이어서 스튜어드 러셀의 인공지능을 읽고 쓰는 글입니다.

혹시 저번 글 읽지 않으셨다면

startagainbornagain.tistory.com/53

스튜어드 러셀의 인공지능을 읽어보자(1) : 인공지능이 무엇일까?

저 사이트 들어가신 다음 읽고 오셨으면 좋겠습니다.

 

 

인공지능의 역사

이제 인공지능 자체의 발전 과정을 살펴보도록 합시다.

 

1. 인공지능의 태동기

 

일반적으로 인공지능으로 간주되는 최초의 연구 결과는 [McCulloch 및 Pitts, 1943]입니다.

그 연구의 원천은 세 가지인데, 하나는 기초 심리학과 뇌의 뉴런의 기능에 관한 지식이고 또 하나는 러셀과 화이트 헤드에서 기인하는 명제 논리의 형식 분석, 다른 하나는 계산에 관한 튜링의 이론이 입니다.

 

그들은 인공 뉴런 모형을 제안했습니다. 그 모형에서 각 뉴런은 "켜져"있거나 "꺼져"있는 스위치로 특징지어지는데, 각 스위치는 이웃 뉴런으로부터 자극을 충분한 횟수로 받으면 '켜짐' 상태가 됩니다.

그들은 한 뉴런의 상태를 "적임 의의 계산 가능 함수를 어떤 명제와 사실상 동등한" 것으로 간주했습니다.

 

헵(Donald Hebb)은 뉴런 사이의 연결 강도를 수정하는 간단한 갱신 규칙을 시연했습니다.

 

 

이제 헵 학습(Hebbian learning)이라고 부르는 그의 규칙은 오늘날에도 영향력 있는 모형으로 남아있습니다.

 

두 명의 하버드 대학원생 마빈 민스키(Marvin Minsky)와 딘 에드먼즈(Dean Edmonds)는 1950년에 최초의 신경망 컴퓨터를 만들었습니다.

SNARC라는 이름의 그 컴퓨터는 3천 개의 진공관과 B-24 폭격기에서 빼 온 

여분의 자동 조종 메커니즘을 이용해서 40개의 뉴런으로 이루어진 신경망을 시뮬레이션했습니다.

 

그의 박사학위 심사위원회는 이런 종류의 작업을 수학으로 간주해야 하는지에 대해 회의적이었지만,

폰 노이만은 "지금은 아니더라도 언젠가는(수학으로 간주될 것이다.)"라고 말했다 합니다.

그 후 민스키는 신경망 연구의 한계들을 보여 주는 영향력 있는 정리들을 증명했습니다. 

 

2. 인공지능의 탄생

 

존 매카시(John McCarthy)는 자신과 함께 미합중국의 연구자들이 자동 기계 이론, 신경망, 인공지능 연구에 관심을 가지게 하자고 민스키, 클로드 섀넌(Claude Shannon), 너새니얼 로체스터를 설득했습니다

 

그들은 1956년 여름에 다트머스에서 두 달짜리 워크숍을 조직했습니다.

제안 문구는 다음과 같았습니다.

 

우리는 1956년 뉴햄프셔 하노버의 다트 컬리지에서 두 달간의 10인 인공지능 연구를 제안합니다. 학습을 비롯해서 지능의 그 어떤 기능이라도, 그 기능을 흉내 내는 기계를 구축할 수 있을 정도로 기능의 모든 측면을 엄밀하게 서술하는 것이 원칙적으로 가능하다는 추측에 근거해서 연구를 진행하려고 합니다. 언어를 사용하고, 추상과 개념을 형성하고, 지금은 사람만 풀 수 있는 종류의 문제를 풀고, 스스로를 향상하는 기계를 만드는 방법을 찾아볼 것입니다. 우리는 세심하게 선택된 일단의 과학자들이 여름 동안 함께 연구한다면 그런 문제 중 하나 또는 그 이상에 큰 진척을 이룰 수 있을 것이라고 생각합니다.

이 워크숍에 프린스턴의 트렌처드 모어(Trenchard More, IBM의 아서 새뮤얼 Arthur Samuel, MIT의 레이솔 로모 높으(Ray Solomonoff)와 올리버 셀프리지(Oliver Selfridge)를 비롯한 10명의 과학자가 참여했습니다.

 

그 결과 많은 논문이 탄생했고 정말 위에 '인공지능의 탄생'이라는 말이 어울릴 결과들이 나왔습니다.

 

3. 초기의 열광과 막대한 유산

 

인공지능 초창기에는 제한적이나마 성공으로 가득 찼습니다. 

당시 원시적인(사양이 좋지 않은) 컴퓨터와 프로그래밍 도구, 그리고 컴퓨터 산술 연산 이외의 일을 할 수 있음을 알게 된 지 얼마 되지 않았다는 점을 생각하면, 컴퓨터가 똑똑한 일을 해낸다는 것 자체가 놀라운 일이었습니다.

 

Logic Theorist로 성과를 얻은 뉴월과 사이먼은 General Problem Solver, 즉 GPS를 만들어내었습니다.

Logic Theorist와는 달리 이 프로그램은 처음부터 인간의 문제 풀이 과정을 흉내 내도록 설계되었습니다.

이 프로그램이 다룰 수 이 쓴 제한된 부류의 퍼즐들에 국한할 때, 프로그램이 하위 목표들과 가능한 행위들을 고려하는 순서가 실제로 사람이 가은 문제에 접근할 때의 해당 순서와 비슷한 것으로 판명되었습니다.

따라서 GPS는 '인간적 사고' 접근방식을 구체화한 최초의 프로그램이라 할 수 있습니다.

 

GPS와 후속 프로그램들의 인지 모형으로서의 성공은 유명한 물리적 기호 시스템(physical symbol system) 가설(Newell 및 Simon, 1976)로 이어졌습니다. 그 가설은 "물리적 기호 시스템에는 일반적인 지능적 행위에 필요한 수단읃ㄹ이 충분히 갖추어져 있다"라는 것입니다.

 

이후 이 가설은 여러 방향에서 도전을 받았습니다.

 

(그 외 이 파트에서는 많은 내용들이 있습니다. 더 쓴다면 분량이 많아서 이 파트는 그만 쓰도록 하겠습니다.

관심 있다면 읽어보시길 바랍니다.)

 

4 현실의 쓴 약

 

애초부터 인공지능 연구자들은 향후의 성공을 예측하는 데 주저하지 않았습니다. 1957년 허버트 사이먼이 한 다음과 같은 말이 자주 인용됩니다.

 

 

 

여러분을 놀라게 하거나 충격에 빠뜨리는 것이 제 목표는 아닙니다. 그러나 이제 생각하고, 배우고, 창조할 수 있는 기계들이 이 세상에 존재한다는 것 이상으로 제가 하고 싶은 말을 더 간결하게 요약할 수는 없을 것 같습니다. 더 나아가서, 그런 기계들이 그런 일들을 수행하는 능력이 빠르게 증가하고 있어서, 가시적인 미래에 기계들이 다룰 수 있는 범위의 문제들이 인간의 정신이 적용되어 온 범위와 공존하게 될 것입니다.

가시적인 미래(visible future) 같은 표현은 여러 가지로 해석할 수 있겠지만,

사이먼은 10년 이내에 컴퓨터가 체스 챔피언이 되고 의미 있는 수학 정리를 기계가 증명할 것이라는 좀 더 구체적인 예측을 내놓았습니다.

(하지만 40년 이내에 실현됨)

 

초기 시스템들은 좀 더 다양한 문제들과 좀 더 어려운 문제들에서 비참한 실패를 맛보았습니다. 그 첫 번째 어려움은, 그런 초기 프로그램들이 자신의 주제에 대해 아는 것이 없었다는 점에서 비롯되었습니다.

 

그 프로그램들의 성공은 단순한 구문적 조작에 의한 것입니다. 1957년 스푸트닉의 발사에 자극을 받아서 러시아 과학 논문의 번역 속도를 높이기 위해 미국 국립 회의가 자금을 댄 초기 기계 번역 연구에서 전형적인 에피소드를 볼 수 있습니다.

 

두 번째 어려움은 인공지능이 풀고자 하는 여러 문제의 처리 불가능성(intractability)입니다. 초창기 인공지능 프로그램들은 대부분 해답이 나올 때까지 단계들을 여러 방식으로 조합해 보면서 문제를 풀었습니다. 초기에 이 전략이 잘 통한 이유는, 미시세계들을 구성하는 객체들의 수가 아주 적어서 가능한 행동이 아주 적고 해 순차 열이 아주 짧았기 때문입니다.

 

5. 지식 기반 시스템: 위력의 관건?

 

인공지능 초창기 10년에 등장한 문제 풀이 연구의 핵심은 기초적인 추론 단계들을 연결해서 완전한 해를 찾아내려 하는 범용 검색 메커니즘이었습니다. 그런 접근 방식들을 약한 방법(weakmethod)이라고 불렀는데, 이는 이들이 비록 범용적이긴 하지만 더 큰 또는 더 어려운 문제 사례들로 규모를 확장하기 어려웠기 때문입니다.

 

약한 방법의 대안은 좀 더 큰 추론 단계들을 수행하고 특정 전문 분야에서 일반적으로 접하는 사례들을 좀 더 수월하게 처리할 수 있도록 좀 더 강력한, 특정 영역에 국한된 지식을 활용한다는 것입니다. 흔히 하는 말로, 어려운 문제를 풀려면 그 답을 이미 거의 알고 있어야 합니다.

 

이러한 접근방식의 초기 사례로 DENDRAL 프로그램이 있습니다. 이 프로그램은 ㅡ탠퍼드에서 에드 파이겐바움(Ed Feigenbaum), 브루스 부캐넌(Bruce Buchanan),  조슈아 레더버그(Joshua Ledertbeng)에서 얻은 정보로부터 분자구조를 유추하는 문제를 풀기 위해 개발했습니다.

 

DENDRAL의 중요성은 이것이 최초의 성공적인 지식 집중적(Knowledge-intensive) 시스템이었다는 점입니다. 이 시스템의 전문성은 대규모의 특수 목적 규칙들에서 도출되었습니다. 

 

6. 산업으로 성장한 인공지능

 

최초의 성공적인 상용 전문가 시스템 R1은 Digital Equipment Corporation(DEC)에서 운용을 시작했습니다

 

7. 신경망의 귀환

 

1969년에 브라이슨과 호가 처음 발견한 역전파 학습 알고리즘을 이용하여 다시 컴퓨터 과학과 심리학의 여러 학습 프로그램에 적용되었으며 신경망이 다시 연구가 되기 시작했습니다.

 

그 뒤 내용은 아마 현재 우리 인공지능이 어떻게 있는지 나오게 됩니다(예를 들어 인공지능과 과학이 엮이고 강화 학습 -> 지능적 에이전트의 등장과 빅데이터를 이용한 인공지능의 발전과 현재 인공지능의 수준이 얼마나 되는지 나와 있습니다.)

 

이렇게 오늘은 인공지능이 어떻게 발전했는지 간략하게 알아보았고 다음은 지능적 에이전트에 대해 공부해 보도록 하겠습니다 감사합니다.