최근 세계 각국에서 인공지능 연구가 급물살을 타고 있는 가운데 인류는 몇 가지 난제에 부딪쳐 왔다. 그 문제들은 '특징표현의 획득'이라는 문제에 집약된다. 그리고 그 문제가 딥러닝이라는 특징표현 학습의 방법에 의해 일부 풀리고 있다는 것이다. 특징표현 학습의 연구가 진보되면 지금까지의 인공지능의 연구 성과와 합쳐져서 높은 인식 능력이나 예측 능력, 행동 능력, 개념 획득 능력, 언어 능력을 가지는 지능이 실현될 가능성이 있다는 것이다. 그것은 커다란 산업적 임팩트를 주며, 지능과 생명은 다른 이야기이므로 인공지능이 폭주해 인류를 위

‘지식’을 넣으면 인공지능은 똑똑해지지만 어디까지 ‘지식’을 써도 다 쓸 수 없는 문제에 부딪쳤다.또 ‘프레임 문제’에서는 태스크에 의해 로봇이 사용해야 할 지식을 어떻게 정해 두면 좋을 것일지가 결정되지 않았다.‘심볼그라운딩 문제’에서는 컴퓨터가 얼룩말이 ‘시마시마가 있는 말’이라고 이해할 수 없는 것이 문제였다.또 문제는 기계학습에서 무엇을 특징으로 할지는 인간이 정하지 않으면 안 된다는 점이다. 인간이 특징을 잘 설계하면 기계학습은 잘 움직이고 그렇지 않으면 잘 움직이지 않는다는 말이다.이 문제는 결국 같은 한 방향을 가리키고

인공지능에 의한 특징표현 획득이나 예측 능력은 산업적으로 큰 무기가 된다. 그렇다면 이후 인공지능이 어떻게 산업 구조를 바꾸며, 각 나라들은 국가로서 어떻게 인공지능과 마주해야 하는지에 대해 살펴보자.다음 페이지의 그림은 각 산업 영역마다 어떻게 기업 활동이 이루어질지를 제2장의 인공지능 에이전트 접근법에서 설명한 것과 같이 '입력'과 '출력이라는 관점에서 본 것이다. 이른바 하나의 기업을 정보 처리하는 주체, 즉 '에이전트'라고 인식하고 있다. 기존에는 매출이나 고객의 정보와 같은 정보를 입력이라 해서 그것을 사업 전략이나 오퍼레

일본이 인공지능 분야 글로벌 리딩국가를 향해 총력전을 펼치고 있다.이를 위해 내부적인 역량을 점검해나가고 있다. 일본은 우선 데이터 이용에 관해서 경계감이 대단히 강하다. 개인 정보 보호나 프라이버시를 강조한 나머지 빅데이터의 이용을 과도하게 경계 · 억제하는 분위기가 강하다. 앞으로 각 영역에 걸쳐서 데이터를 활용하는 '마이크로 지식 전이'가 경쟁력이 되는 시대를 맞아 이러한 분위기를 바꿔나간다는 전략이다. 둘째, 데이터의 이용에 관한 법 정비 문제다. 구글은 검색 이력을 비롯해서 다양한 정보를 모으고 있다. 아마존은 구매 데이터

인공지능은 앞으로 빅데이터에 이어 산업 경쟁력의 큰 기둥이 될 것이다. 그러나 그에 따른 기술의 독점에 대한 경계도 필요하다.인공지능은 '지능의 OS(오퍼레이팅 시스템)'라고 말할 수 있을지도 모른다. 범용적인 특징표현 학습 기술의 토대로 그 위에 다양한 기능을 실현하는 어플리케이션이 실려 있는 이미지다. 특징표현 학습 등의 학습 알고리즘이 기반이 되어 있다면 어플리케이션 부분에서 어떠한 기능을 추가할 것인가는 그다지 어려운 것이 아니다.반대로 말하면 특징표현 학습의 부분을 특정한 기업이 움켜쥐게나, 블랙박스화 되면 대단히 성가시게

인공지능의 응용을 생각할 때 잊어서는 안 되는 것이 군사적인 면이다. 미국에서는 오랫동안 인공지능 연구의 빅스폰서가 DARPA(미국 국방고등연구계획국 : 국방부의 기관)였다. 최근에도 연간 몇 백억 엔 (약 천억 원) 규모를 인공지능 연구에 투자하고 있다고 한다.DARPA는 기업 활동상의 이익으로 연결되지 않아도 된다는 이유로 스폰서가 붙기 어려운 인공지능 연구를 오랜 세월 지탱해 왔다.오래전 인터넷의 기원이 된 아파넷은 이 예산으로부터 탄생했다. 시리의 근본이 된 CALO의 프로젝트도 DARPA의 예산으로 지윈되었고, 최근 구글에

인공지능, 특히 특징표현 학습에 기인한 기술의 발전을 기초로 생각한 5년에서 20년 정도 기간의 사회 변화는 엄청나다.그렇다면 인공지능을 통해 앞으로 새로운 사업은 어떻게 전개될까? 다니는 회사에서 인공지능에 대한 신규 사업을 고려하는 분도 있을지 모른다. 미국 블룸버그 애널리스트가 최근 세계의 인공지능 벤처를 정리한 자료를 살펴봤다. 약 2,000개 회사를 조사해서 만든 자료인데, 이것을 보면 인공지능에 관한 새로운 사업의 시도가 다양한 영역으로 확대되어 가고 있는 것을 알 수 있다.현재 인공지능은 봄의 시대를 맞이하고 붐이 되고

앞으로 개인에게 다가올 수 있는 인공지능의 임팩트를 생각해 보자. 개개인의 업무에는 구체적으로 어떠한 영향을 줄 수 있을까?인공지능이 사람들의 직장을 빼앗지는 않을까 우려하는 문제는 미디어에서도 자주 접하는 이야기이다. 컴퓨터가 발달하면서 이미 단순한 사무 작업은 인간을 대신해서 기계가 할 수 있는 시대가 되었다. 인공지능이 이대로 점점 진화하면 인간의 일을 아예 기계에게 빼앗겨 버리는 것이 아닐까라는 두려움이 생길 수 있다.이라는 책에서는 이 부분에 대해 다음과 같이 논의되고 있다.첫 번째 논의는 '과학 기술의 발

차근차근 확장되는 인공지능의 영향, 물론 이러한 변화가 하루아침에 일어나는 것은 아니다. 먼저 연구개발이 선행되고, 처음에는 어떤 일이 가능하게 되었다는 뉴스가 세상에 퍼지고, 이어서 조금 늦게 비즈니스로 전개되는 것이다.예를 들어 인공지능에 의한 방범과 감시로 카메라에 비치는 개인(지명 수배범 등)을 식별할 수 있게 될지도 모른다. 이미 일부는 실현되고 있지만 방범은 사회적인 의견 일치를 보기 쉬우므로 먼저 기업이 그것을 도입하고, 학교도 도입하는 형태로 방범 카메라에 의한 감시 네트워크가 완성되어 갈 가능성은 충분히 있다. 이러

제3차 AI 붐을 맞이하는 인공지능은 앞으로 우리들의 생활에 어떤 영향을 초래하게 될 것인가? 주의해야 할 것은 시간축이다. 기술의 진전은 산업에서 응용하거나 사회에서 실제로 사용될 때까지 상당한 시간이 걸리는 경우도 있다. 어디까지나 '이 정도의 스피드로 진행되어도 이상하지 않을 것이다’라는 의미로 시간축을 적용시켜 본 것이다. 지금까지 인공지능의 기술에 관한 예상이 어느 시대에서나 빗나갔고, 지나치게 빨리 잡아맞지 않았던 적도 있었다는 것을 명심하자.▷ 광고, 이미지 진단, 인터넷 기업딥러닝으로 인해 화상 인식의 정밀도가 향상하

사람들은 변화를 좋아한다. 변화를 좋아하는 이유는 '지능'이라는 보이지 않는 것을 추구하고 있기 때문인지도 모른다. 지능은 '물건'이 아니고, 눈에 보이는 것도 접촉할 수 있는 것도 아니다. 어떤 환경 속에서 기능을 발휘하는 특정한 구조이며, 그 보이지 않는 상호 작용이야말로 지능이다.인공지능학회에서 25주년 기념으로 뭔가 이벤트를 기획해 달라고 해서 '사라져 가는 학회'라는 심포지엄을 실시했다. "정보 기술이 진화하면서 이런 학회 따위는 없어질 겁니다"라는 내용이었는데 인공지능학회 소속의 그 누구에게도 핀잔을 듣지 않았다.이 시대

인공지능이 인간을 정복하지 못할 것이라는 생각을 가지고 있다하더라도 사회적인 불안이 존재한다면 전문가는 우려하는 상황을 준비해야 한다.인공지능학회에서는 2014년부터 윤리위원회를 시작하고 인공지능이 사회에 초래하는 임팩트에 대한 논의를 진척시켜 왔다. '인공지능이 인간을 정복하는 걱정을 할 필요가 없다'는 이야기와 이어지는데 먼저 '기술의 현상에 대한 인식을 정확하게 가질 필요'가 있다. 기계와 인간이 뒤섞이는 사회가 된 것은 틀림없는 사실이다. 인간의 지적 처리의 폭은 보다 넓어지고 있고, 인간 사회는 거기에 적응하고 있다. 한쪽

인공지능은 도대체 어디까지 진화하는 것일까?2014년말, 스티븐 호킹은 인터뷰를 통해 “완전한 인공지능을 개발할 수 있으면 그것은 인류의 종말을 의미할지도 모른다”라고 우려했다.인공지능의 발명은 인류 역사상 최대의 사건이지만, 동시에 최후의 사건이 되어버릴 가능성도 있다고 전문가들은 입을 모은다.인공지능이 자신의 생각을 가지고 자립하고, 자기 자신을 다시 설계할 수 있게 됐을 때는 인류가 맞서서 겨룰 수 없는 위기를 초래할 수 있다는 것이다.테슬라모터스나 스페이스X의 CEO 엘론 머스크는 “인공지능은 상당히 신중하게 다가갈 필요가

인공지능이 인간을 정복하지 못할 것이라는 생각을 가지고 있다 하더라도 사회적인 불안이 존재한다면 전문가는 우려하는 상황을 준비해야 한다.인공지능학회에서는 2014년에 윤리위원회를 시작하고 인공지능이 사회에 초래하는 임팩트에 대한 논의를 진척시키고 있다.먼저 기술의 현상에 대한 인식을 정확하게 가질 필요가 있다. 기계와 인간이 뒤섞이는 사회가 된 것은 틀림없는 사실이다.인간의 지적 처리의 폭은 보다 넓어지고 있고, 인간 사회는 거기에 적응하고 있다. 한쪽에서는 싱귤래리티에서 논의되고 있는 ‘진정으로 자기를 설계할 수 있는 인공지능’의

인간의 뇌에서 보면 자기 자신의 신체가 움직이고 그 결과 무엇인가 눈에 들어오는 것에 변화가 일어나지만 ‘뇌의 외부에서 들어오는 데이터’라는 의미에서는 동일하다.그런데 인간은 생물이므로 ‘자신이 명령을 내렸기 때문에 신체가 움직이고 그것에 의해서 눈으로 보이는 것이 변화됐다’라는 데이터가 들어오는 것인지, 그렇지 않으면 ‘신체는 움직이지 않는데 눈으로 보이는 것이 바뀐 것인지’를 구별할 필요가 있다.즉 문을 열었기 때문에 문이 열린 것인지 제멋대로 문이 열린 것인지는 인간의 생존에 있어서 대단히 중요한 차이다.어딘가에 적이 숨어 있

인공지능이 발전하면 인간과 같은 개념을 가지고 인간과 같은 사고를 하고 인간과 같은 자아나 욕망을 갖는다고 생각하는 경향이 있지만 실제로는 그렇지 않다.우선 인간이 ‘지식’을 가르치는 것이 아니고 컴퓨터가 스스로 특징이나 개념을 획득하는 딥러닝에서는 컴퓨터가 만들어 낸 ‘개념’이 사실 인간이 가지고 있던 ‘개념’과는 다른 케이스가 생길 수 있다.인간이 고양이를 인식할 때 ‘눈이나 귀의 형태’, ‘수염’, ‘전체의 형상’, ‘울음소리’, ‘털의 모양’, ‘발바닥의 부드러움’ 등을 ‘특징’으로 사용하고 있었다고 해 보자.하지만 컴퓨터는

원래 인간의 지능이 프로그램으로 실현되지 않을 리는 없다. 그런데 그것이 인공지능 분야에서 오랜 세월 실현되지 않았던 것은 컴퓨터의 개념을 획득하지 않은 채, 기호를 단순한 기호 표기로서만 다루고 있었기 때문이다.즉 기호를 ‘개념과 기호 표기가 세트로 된 것’으로 다뤄 오지 않았거나 취급할 수 없었기 때문이다. 그 때문에 현실 세계에서 ‘무엇을 특징표현으로 할 것인가’는 모두 인간이 정해 왔다. 아니 정할 수 밖에 없었다.컴퓨터의 능력이 지금처럼 높지 않았고, 기호를 그것의 근본이 되는 추상화된 정보로 맞춰서 취급하는 것 등을 할

딥러닝은 ‘데이터를 바탕으로 무엇을 특징표현해야 할까?’라는 지금까지 가장 어려웠던 부분을 해결하는 한줄기 빛이 보였다는 의미에서 인공지능 연구를 비약적으로 발전시킬 가능성을 지니고 있다.그런데 사실 딥러닝에서 하고 있는 것은 주성분 분석을 비선형으로 여러 층으로 한 것뿐이다. 즉 데이터 안에서 특징이나 개념을 찾고, 그 덩어리를 사용하고, 더 큰 덩어리를 찾는 것이다. 뭐라 할 말 없는 정말 단순하고 소박한 아이디어다.실제로 딥러닝의 아이디어에 상당히 가까운 것은 과거부터 존재했다. 이미 1980년대에 당시 NHK의 연구소에 근무

딥러닝은 특징표현 학습의 한 종류인데, 그 의의와 평가에 대해서는 전문가들 사이에서도 크게 두 가지 의견으로 나뉜다.첫 번째는 기계학습의 하나의 발명에 지나지 않고 일시적인 유행에 머무를 가능성이 높다는 입장이다.이것은 기계학습 전문가에게 흔한 사고방식이다. 두 번째는 특징표현을 획득할 수 있는 일은 본질적인 인공지능의 한계를 돌파할 가능성이 있다는 입장이다.이쪽은 기계학습보다도 좀 더 넓은 범위를 다루는 인공지능 전문가들에게 많이 인식되고 있다.현재 딥러닝의 연구는 이미지를 읽어서 특징을 추출하는 것까지는 실현되고 있다.특징표현을

인간은 붙임성을 가진 생물이기 때문에 혼자서는 살아갈 수 없다. 한 사람 한 사람의 뇌에서는 사물의 특징표현이 잇달아 학습되고 있지만 인간 사회는 이러한 개체가 정리돼서 하나의 사회를 만들고 있다.언어가 행하는 역할과도 관계가 있지만 사회가 개념 획득의 ‘강건성’을 담보할 가능성이 있기 때문에 복수의 인간에게 공통으로 드러나는 개념은 본질을 포착하고 있을 가능성이 높다.즉 노이즈를 더해도 나오는 개념과 같아서 ‘살아 있는 장소나 환경이 달라도 공통으로 나오는 개념’은 어떠한 보편성을 가질 가능성이 높은 것이다.언어는 이러한 강건성을