7. 소프트웨어 뇌 만들기 2017-03-23T10:35:25+00:00

7. 소프트웨어 뇌 만들기

뇌의 알고리즘을 디지털 공간에 시뮬레이션하는 법

지금까지 밝혀낸 패턴인식 마음이론을 디지털 공간에 구현하여 뇌와 똑같은 방식으로 작동하는 인공지능을 만들어낼 수 있을까? 그러기 위해서는 어떤 기술이 필요하고 어떤 문제를 해결해야 할까? 지금까지 어떤 연구가 진행되었으며, 그 성과는 어느 정도일까?

Key Point

  • 동물이나 식물이 선천적으로 타고나는 것처럼 보이는 지식은 수천 세대에 걸쳐 학습된 것이다. 신피질은 이러한 학습을 단 몇 개월, 또는 며칠 만에 가능하게 하고, 더 나아가 그렇게 습득한 지식을 단시간 안에 전파할 수 있도록 한다는 점에서 진화의 최종적인 목표가 되었다. 이제 신피질은 자연의 한계를 넘어 더욱 강력한 지능을 확보하기 위해 진화하는 단계에 들어섰다. 바로 인공신피질을 만들어내는 생물학적 한계를 넘어서는 것이다.
  • 뇌 시뮬레이션: 인공신피질을 만드는 한 가지 방법은 뇌의 구조를 정밀하게 가상의 공간에 구축하는 것이다. 블루브레인프로젝트나 휴먼커넥톰프로젝트 등 현재 진행되고 있는 시뮬레이션 연구를 소개하고 이러한 연구가 결실을 맺기 위해서 앞으로 어떤 기술이 필요한지 살펴본다.
  • 신경망: 패턴을 처리하는 알고리즘의 진화과정에서 나타난 문제를 간략하게 살펴본다.
  • 희소코딩-벡터양자화: 2차원 이상의 방대한 감각데이터를 효과적으로 필터링하여 신피질이 처리할 수 있는 1차원 데이터로 환원하는 기법을 설명한다.
  • 은닉마르코프모형: 필터링을 거쳐 만들어진 1차원 데이터를 가장 효율적으로 인식(학습)하는 기법으로 은닉마르코프모형을 살펴본다. 이는 우리 뇌에서 작동하는 패턴인식 마음이론의 작동메커니즘과 거의 일치한다.
  • 유전알고리즘: 우리 뇌가 선천적으로 타고나는 기본적인 정보나 정보처리방식은 직접 프로그래밍할 수도 있지만, 수백 세대를 거치는 진화를 시뮬레이션함으로써 인공지능 스스로 터득하게 할 수 있다. 이러한 진화 시뮬레이션을 거치면 패턴에 변이가 발생하더라도 인공신피질은 일정 수준 이상의 인식률을 보인다.
  • LISP: 초기의 개발자들은 인공지능의 정보처리방식을 인간이 모두 직접 코딩을 넣었다. 하지만 이러한 접근방식은 머지않아 한계에 부딪혔다. 결국 생물학적 신피질과 마찬가지로 인공지능 스스로 학습하고 연결망을 스스로 바꿀 수 있도록 설계해야 한다는 사실을 발견했다.
  • 계층적 기억시스템: 신피질의 가장 핵심적인 특징이 바로 계층적으로 사고한다는 것이다. 오늘날 계층구조 인공지능 알고리즘은 상업적인 소프트웨어에 적용되어 상당한 성과를 내고 있다.
  • 전진하는 AI의 전선: 능력의 사다리 오르기: 인공지능은 이미 우리 삶 곳곳에서 활용되고 있다. 통신만, 자율주행 자동차, 스마트폰, 의학, 번역 등 다양한 분야에서 실제로 활용되고 있는 인공지능에는 어떤 것들이 있는지 살펴본다.
  • 머랭허랭- 왓슨의 말장난: [제퍼디!]에서 최고의 인간 우승자들을 이긴 IBM 왓슨이 학습을 하고 문제를 푸는 메커니즘에 대해 설명한다.

주석

1. 선천적으로 타고난 동물의 지식

Gary Cziko, Without Miracles: Universal Selection Theory and the Second Darwinian Revolution (Cambridge, MA: MIT Press, 1955).

2. 데이비드 달림플 David Dalrymple

달림플이 8살이었던 1999년부터 나는 그의 멘토 역할을 했다. 달림플의 성장 이야기

3. “10년 안에 인간의 뇌를 만들어낼 수 있다.”

Jonathan Fildes, “Artificial Brain ‘10 Years Away,’” BBC News, July 22, 2009. M. Mitchell Waldrop, “Computer Modelling: Brain in a Box,” Nature News, February 22, 2012

[참고비디오] Henry Markram, Ph.D., Director of the Blue Brain Project at École Polytechnique Fédérale de Lausanne, speaks at theInternational Supercomputing Conference 2011.

Part 1/3

Part 2/3

Part 3/3

4. “이제 이걸 쌓아가기만 하면 된다.”

Jonah Lehrer, “Can a Thinking, Remembering, Decision-Making Biologically Accurate Brain Be Built from a Supercomputer?” Seed.

14BBgreen368

쥐의 신피질 상부 레이어에 분포한 뉴런을 컴퓨터로 시뮬레이션한 모습. 전체적인 흥분상태에서 활성화된 축삭을 노란빛과 푸른빛 불이 켜진 것으로 묘사했다.

5. ‘인간과 아주 비슷하게 말하고 행동하도록 하는 것’이 목표

Jonathan Fildes, “Artificial Brain ‘10 Years Away,’” BBC News, July 22, 2009.

6. 휴먼커넥톰프로젝트

Human Connectome Project

7. 전체 뇌 에뮬레이션

Anders Sandberg and Nick Bostrom, Whole Brain Emulation: A Roadmap, Technical Report #2008― 3 (2008), Future of Humanity Institute, Oxford University.

8.신경망 알고리즘

기본적인 도식은 다음과 같다. 다양한 변형이 가능하며, 시스템설계자가 여기서 자세히 설명하는 핵심적인 파라미터와 기법을 결정해야 한다.

9.스펙트로그램

Robert Mannell, “Acoustic Representations of Speech,” 2008.

10.유전알고리즘

유전(진화)알고리즘의 기본도식은 다음과 같다. 다양한 응용이 가능하며 시스템의 설계자는 아래 자세히 설명한 특정한 핵심 파라미터와 기법을 제공해야 한다.

11.Hierarchical Temporal Model

Dileep George, “How the Brain Might Work: A Hierarchical and Temporal Model for Learning and Recognition” (PhD dissertation, Stanford University, June 2008).

12. 튜링테스트

A. M. Turing, “Computing Machinery and Intelligence,” Mind, October 1950.

13.컴퓨터의 시청각정보 처리능력

Hugh Loebner는 매년 “뢰브너상Loebner Prize”를 수상한다. 뢰브너 은메달은 텍스트만으로 실시되는 튜링의 원래 테스트를 통과하는 컴퓨터에게 수여할 예정이다. 금메달은 오디오와 비디오 입력과 출력을 포함한 튜링테스트에 통과하는 컴퓨터에게 수여할 예정이다. 위키백과 하지만 시각적 청각적 입력이나 출력을 덧붙인다고 해서 튜링테스트가 더 어려워지지는 않는다.

14. 라모나 채팅봇

ramona_welcomeback_artblue<<<click!

15. CALO프로젝트

“Cognitive Assistant That Learns and Organizes,” Artificial Intelligence Center, SRI International

16. Dragon Go!

Dragon Speech Recognition Software, Nuance Communications, Inc

17. 90퍼센트 이상 적절한 답을 제공하는 울프람알파

Stephen Wolfram “Overcoming Artificial Stupidity,” WolframAlpha Blog, April 17, 2012.