화질, 사운드, 디자인 등 다방면에서 혁신적인 변화를 거쳐 출시 후 연이은 호평을 받은 삼성전자의 2020년형 QLED 8K TV는 영상 업스케일링 기술 측면에서도 놀라운 진화를 이룩했다. 특히 삼성이 독자적으로 구축한 AI 기반의 업스케일링 기술인 ‘AI 퀀텀 프로세서 8K’는 삼성 QLED 8K의 기술의 핵심이라 할 수 있다.

삼성전자 뉴스룸이 영상디스플레이사업부 화질솔루션랩의 개발자들을 만나 이 놀라운 기술의 비하인드 스토리를 들어봤다.

▲ 왼쪽부터 임형준, 박승호, 이천, 이현승 씨

‘레벨 업’ 딥러닝이 만들어낸 최적의 업스케일링

낮은 해상도의 영상을 고해상도 디스플레이에 곧바로 재생할 경우 화면 깨짐 현상이 발생한다. AI 업스케일링은 해상도가 낮은 영상을 분석해 더욱 선명하고 자연스러운 고해상도로 변환하는 기술이다.

삼성전자는 2018년 업계 최초로 머신러닝 기반의 AI 8K 업스케일링을 도입했다. 머신러닝 방식은 사람이 영상의 선, 빛, 컬러 등 다양한 특징을 분석해내는 알고리즘을 설계하면, 기계가 이를 학습해 화질을 개선하는 형태다.

딥러닝 방식은 기계가 영상 특징 분석과 처리를 모두 스스로 학습하며 해낸다. 사람의 뇌 기능을 모방한 인공신경망으로 이루어져 있어 더욱 정밀한 작업이 가능하다. 영상디스플레이사업부 화질솔루션랩은 사람의 개입 없이도 최적의 화질 상승을 끌어내는 딥러닝에 주목했다. AI 업스케일러의 텍스처 생성 기법 개발을 담당한 임형준 씨는 “딥러닝 방식은 사람이 분석한 영상보다 정확하고 효율적인 화질 개선이 가능하다”고 설명했다.

‘AI 퀀텀 프로세서’에 머신러닝과 딥러닝 방식을 결합한 AI 업스케일링 기술을 탑재한 것도 그런 이유. 에지 선명도 강화 개발을 담당했던 이현승 씨는 “기존 머신러닝 기반에서 선명한 에지를 강조했다면, 이제는 섬세한 텍스처로 차별화된 화질을 선사한다. 산, 풀처럼 복잡한 질감과 텍스처도 한층 자연스럽게 8K로 업스케일링이 가능해졌다”고 말했다.

삼성전자만의 차별화된 기술, 딥러닝 난제를 풀다

잠재력이 무한한 딥러닝이지만, 아직 더 보강할 과제들은 존재한다. 이들 역시 기술의 상용화를 위해 많은 시행착오를 겪어야 했다. AI 업스케일러의 네트워크 구조와 학습법 개발을 담당한 이천 씨는 “인공신경망으로 학습된 알고리즘을 사람이 정확히 이해하는 것이 힘들다. 또한 칩 구현 측면에서 인공신경망의 높은 소비전력도 극복해야 할 문제였다”고 돌아봤다.

결국 오랜 시간 끝에 개발한 삼성전자만의 차별화된 기술로 이런 난제들을 해결했다. 이천 씨는 “딥러닝과 머신러닝이 가지는 각각의 복잡도와 장단점을 선별적으로 융합하는 하이브리드 형태로 설계해 고효율 화질 성능을 확보했다”고 말했다.

“더 실감나는 화질로” AI로 꾸는 더 큰 꿈

얼마 전까지만 해도 낯설던 AI 기술은 빠른 발전을 거듭하며 여러 분야에서 인류의 삶을 풍요롭게 만들고 있다. 삼성전자의 AI 업스케일링 기술 또한 사용자들에게 전에 없던 영상 경험을 제공하고 있다.

AI 업스케일러 잡음 제거와 디테일의 명암비 향상 개발을 맡은 박승호 씨는 “다양한 품질 특성을 가진 영상들을 더 세분화하여 분류하고, 정밀하게 처리할 수 있는 AI 기술을 상용화 수준으로 지속 연구 개발하고 있다”며 “이런 기술은 더 월(The Wall)과 같은 차세대 대화면 디스플레이에서 어떠한 품질의 영상도 실감 나는 화질로 볼 수 있게 한다”고 말했다.

AI 혁신은 업스케일링 분야에 한정되지 않고 범주를 더욱 넓혀갈 전망이다. 영상의 품질 분류, 잡음 제거, 압축으로 인한 왜곡 복원, 공간적·시간적 해상도 복원 등 AI를 활용해 더 훌륭한 화질로 나아갈 길은 무궁무진하기 때문. 박승호 씨는 “품질, 해상도와 상관없이 실제와 같은 영상으로 복원하는 AI 기술과 차세대 디스플레이 장점을 잘 조합해 삼성 TV만의 차별화된 시청 경험을 제공하는 것이 목표”라고 밝혔다.

자막) 삼성전자 뉴스 Café
자막) ‘삼성AI포럼’이 열렸다!
자막) 언제 어디서?
자막) 삼성전자 서초사옥 다목적홀 10/4(월) 삼성전자종합기술원 주관
자막) 삼성전자 서울R&D캠퍼스10/5(화) 삼성리서치 주관

자막) 2017,2018에 이어 올해로 3회째인 ‘삼성AI포럼’
자막) 전세계 AI 석학들과 전문가가 모이는 지식의 장!
자막) AI 지식을 얻기 위해 모인 많은 참가자들~

#현장음
“AI 쪽 관심이 있어서”
“워낙 유명한 대가들이 와서”
“딥러닝의 변화 동향을 보려고 왔습니다.”

자막) AI 기술의 현주소가 궁금하다면 주목!!
자막) 가볍게 둘러보는 ‘삼성AI포럼 2019’~ START!

자막) DAY 1
자막) 개회사를 맡은 삼성전자 김기남 부회장

#스피치
김기남 부회장(삼성전자 대표이사) “여러분이 세계적인 AI분야 리더들의 연설을 통해 영감을 받고 새로운 아이디어를 얻기를 희망합니다.”

자막) DAY 1 주요 연사
자막) AI 분야 세계 4대 구루로 꼽히는 몬트리올大 요수아 벤지오 교수
자막) UC버클리大 교수 트레버 대럴 교수를 비롯
자막) 총 7명의 AI 분야 석학이 참여!
자막) AI AVENGERS ASSEMBLE!

자막) 첫날 포럼의 주요 화두였던 ‘DEEP LEARNING’
자막) 여기서 잠깐, 딥 러닝이란?
자막) 데이터 분류와 상관 관계 분석을 통해 컴퓨터 스스로 생각하고 학습할 수 있도록 하는 기술
자막) 이를 통해 수많은 개와 고양이 사진을 일일이 입력하지 않아도 특징 분석으로 AI가 스스로 구별 가능!
자막) 그렇다면 석학들이 말하는 ‘딥 러닝’이슈는?

자막) 요수아 벤지오 교수의 ‘딥러닝을 통한 조합적 세계 이해(Towards Compositional Understanding of the World by Deep Learning)’
자막) 어린 아이가 경험을 통해 세상을 이해하듯 AI가 효과적으로 세상을 이해할 수 있는 기술
자막) 트레버 대벌 교수의 ‘자율형 시스템을 위한 딥러닝 기반 적응과 설명(Adapting and Explaining Deep Learning for Autonomous Systems)’
자막) 자율주행 자동차가 예측 불가 상황에 처했을 때 스스로 분석해서 판단하는 기술

#인터뷰
임동석(KAIST) “시대의 트렌드가 어떻게 바뀌고 있나 이런 것들을 많이 확인할 수 있었습니다.”
김현재(건국대) “깊고 다양한 얘기를 들을 수 있어서 좋았어요.”

자막) 그리고 전시장 한쪽에 마련된 체험 공간
자막) 삼성의 딥러닝 기술 직접 시연!
자막) 말이 순식간에 번역되어 텍스트로
자막) 오프라인 상태에서도 음성인식 가능한 ‘온 디바이스 AI 통역’

자막) DAY 2
자막) 둘째 날 개회사는 삼성전자 고동진 사장

# 스피치
고동진 사장(삼성전자 대표이사) “AI 기술 혁신의 발전 과제와 미래 방향을 모색하는 의미 있는 자리가 되기를 바랍니다.”

자막) DAY 2 주요 연사
자막) Allen AI연구소 자연어처리(NLP)연구팀 수석연구책임자 워싱턴大 노아 스미스 교수와
자막) Facebook AI Research 연구책임자 카네기멜론大 압히나브 굽타 교수를 비롯
자막) 총 12명의 AI 분야 석학이 참여!

자막) 2일차 포럼의 주요 화두는?
자막) A.G.I.
자막) AGI (Artificial General Intelligence) ‘범용인공지능’이라고도 하며, 특정 문제뿐만 아니라 주어진 모든 상황에서 생각, 학습, 창작이 가능한 인공 지능
자막) SF 영화에 나올 법한 AI 기술!
자막)노아 스미스 교수의 “실험적 자연어 처리를 위한 합리적인 순환신경망(Rational Recurrences for Empirical Natural Language Processing)”
자막) 실제적 언어 이해와 심도 있는 언어 처리가 가능한 새로운 모델

자막) TRACK 1. Vision & Image
자막) TRACK 2. On-Device, IoT&Social
자막) 두 트랙으로 나눠 진행된 오후 세션
자막) 분야별 세분화된 전문 기술 지식 대방출!

자막) Image processing∙ Telepresence ∙ On-device AI ∙ 5G 등
자막) 주요 기술 분야와 AGI 기술의 접점을 모색

#인터뷰
나영민(가톨릭관동대학교) “AI 개발자를 준비하고 있는 모든 분들께 너무나 좋은 기회인 것 같고”
박슬기(서울대학교) “삼성이 나서서 계속 대가들도 초빙하고 여러 회사나 학교도 초빙하니까 저희도 관심을 갖고 발전해나갈 수 있을 것 같습니다.”

자막) AI 기술의 최신 트렌드를 확인하고
자막) 기업과 학계의 협력 가능성까지 볼 수 있었던 ‘삼성AI포럼’

자막) 삼성전자 뉴스 Café

삼성전자는 AI 기술의 무한한 가능성에 주목하고, 이를 통해 더 나은 미래를 실현하고자 다양한 시도를 하고 있다. 이 같은 노력의 일환으로 지난 4일과 5일 서초사옥 다목적홀과 서울 R&D 캠퍼스에서 ‘삼성 AI 포럼 2019’가 진행됐다. 올해로 3회차를 맞은 ‘삼성 AI 포럼’은 AI 기술 발전의 초석이 될 최신 연구성과를 공유하고 기술 혁신 방안을 함께 고민하는 자리. 특히 올해는 세계적인 석학이 대거 참여해 현재 AI 기술이 가진 한계를 극복하기 위한 다양한 방안을 제시했다.

AI 구루들이 말하는 큰 흐름과 앞으로의 방향은…

▲ (왼쪽부터) 요수아 벤지오 교수, 조경현 교수, 노아 스미스 교수, 압히나브 굽타 교수

최근 AI 기술은 특정 알고리즘에 따라 주어진 데이터를 단순히 연산하는 것에 그치지 않고, 인간처럼 사고하고 행동하는 수준에 더욱 가까워지고 있다. 컴퓨팅 파워가 향상되고 이를 활용할 수 있는 딥러닝(Deep Learning) 기술이 발전하면서, AI가 스스로 데이터를 학습∙분석해 상황과 맥락에 가장 적합한 해답을 알아서 도출하는 방향으로 발전해 나갈 것. 딥러닝에 필요한 빅데이터가 확보된 것 역시 이런 흐름을 가속하고 있다.

그럼에도 포럼에 앞서 미리 만나본 주요 연사들은 여전히 기술적으로 해결해야 할 과제가 많이 남아 있다고 입을 모았다. 미국 뉴욕대학교 조경현 교수는 “현존하는 기술로 가상의 AI 에이전트를 만들면 이제 막 주변 사물을 보고 인식하거나 말소리를 듣고 짤막한 말을 할 수 있게 된 어린아이나 다름없을 것”이라며 “우리는 진정한 지능형 기계를 만들기 위한 작은 첫걸음을 겨우 뗐다”고 평가했다.

미국 워싱턴대학교 노아 스미스(Noah Smith) 교수 역시 “AI 기술은 더 방대해진 데이터와 더 정교하게 구성된 ‘신경망’을 이용해 많은 발전을 이뤄왔다”면서도 “이러한 접근방식에는 해결할 과제가 아직 남아 있다”고 지적했다. 그는 AI 기술 발전이 다음 단계로 넘어가기 위한 주요 과제로 △알고리즘 효율화 △시스템 구축 비용 절감 △데이터 학습방식 개선 등을 꼽았다.

연사들은 미래 AI 기술이 나아갈 방향성에 대해선 △무선 네트워크 제어 △AI 자율성 증대 △화학, 생물학 연구 분야 등 적용 분야 확대 △인간과 인공지능 간 시너지 창출 등을 제시했다. 미국 카네기 멜론 대학교(CMU) 압히나브 굽타(Abhinav Gupta) 교수는 “최근 몇 해 동안 AI 분야에서 이뤄진 발전의 대부분은 방대한 데이터를 기반으로 사람이 감독할 수 있는 특정 업무를 다루는 데에만 집중됐다”며 “많은 데이터를 필요로 하지 않으면서 사람이 감독하지 않더라도 일반적인 목적성을 가진 스마트하고 지능적인 AI를 개발하는 것이 AI 분야에서 이뤄야 할 다음 단계”라고 말했다.

AI 기술 혁신 이끌어온 ‘딥러닝’, 그 너머를 향해

첫날 포럼은 ‘無限探求(무한탐구, 혁신을 향한 한계 없는 연구)’를 기치로 삼성전자 첨단 기술의 인큐베이터 역할을 맡고 있는 삼성전자 종합기술원 주최로 진행됐다. 이날 포럼에선 AI 기술 혁신을 위한 다양한 딥러닝 연구 방법에 대한 석학들의 열띤 강연이 펼쳐졌다.

강연에 앞서 환영사에 나선 삼성전자 대표이사 김기남 부회장은 “AI 기술은 이미 사회 전반에 광범위한 영향을 미치고 있다”며, “오늘 세계적인 연구자들과 함께 AI 기술의 미래 발전 방향을 제시하고 세상을 이롭게 할 수 있는 전략을 고민하는 자리로 만들자”고 말했다.

첫 번째로 기조 강연에 나선 캐나다 몬트리올대학교의 요수아 벤지오(Yoshua Bengio) 교수는 AI 분야 세계 3대 석학으로 꼽히는 이 분야 최고 권위자. ‘딥러닝에 의한 조합적 세계 이해 (Towards Compositional Understanding of the World by Deep Learning)’를 주제로 강연에 나선 벤지오 교수는 “현시점의 딥러닝 시스템은 원하는 수준의 학습 성과를 이끌어내기 위해선 인간이 데이터를 레이블링(labeling)하는 과정이 필수적”이라며 “앞으로의 딥러닝 방법론은 AI가 스스로 주변 환경을 학습할 수 있도록 하는 방향으로 발전해야 할 것”이라고 말했다.

이어 연단에 오른 미국 UC 버클리의 트레버 대럴(Trevor Darrell) 교수는 ‘자율주행 시스템에 적용된 딥러닝’을 주제로 강연을 펼쳤다. 대럴 교수는 현 자율주행 시스템에 적용된 딥러닝 기술의 한계를 지적하고, 이를 극복하기 위한 새로운 딥러닝 접근법을 소개해 주목받았다.

그는 “현 자율주행 시스템은 수백만 개의 변수가 발생하는 주행 상황에서 훈련된 상황에서만 제대로 작동한다는 한계가 뚜렷하다”며 “이를 극복하기 위해 저비용 센서와 온라인 미디어를 활용한 시각적 분석법에 기반한 새로운 딥러닝 접근 방법인 ‘적대적 적응 학습’ 방식이 시도되고 있다”고 설명했다. 즉, 사전에 예측하지 못한 변수가 발생했을 때에도 이를 원활히 분석하도록 하려면 적응 학습을 통해 학습 효율을 높이고 스스로 세계를 학습할 수 있도록 해야 한다는 것.

미국 뉴욕대학교의 조경현 교수도 강연자로 나서 이목을 끌었다. 그는 “다양한 언어 관련 AI 기술의 핵심인 신경망 시퀀스 모델들의 성공은 다음 차례에 올 짧은 단위 정보를 예측하는 방식을 학습시킴으로써 시퀀스를 모델링하는 소위 ‘단조로운 자동 회귀 패러다임’에 상당 부분 의지해 왔다”면서도 “앞으로는 이러한 방식보다 더욱 효과적인 방식이 등장할 것”이라고 말했다.

그는 이날 강연에서 향후 시퀀스 모델링 분야에서 사용될 수 있는 대안으로 △병렬 디코딩(parallel decoding) △귀납적 집합 예측(recursive set prediction) △삽입 기반 문장 생성(insertion-based generation) 등 세 가지 기술을 제안했다.

▲ (왼쪽부터) 사이먼 라코스테 줄리앙 교수, 지아 뎅 교수, 요슈아 벤지오 교수, 재키 층 교수, 사냐 피들러 교수, 조경현 교수

이어진 주제 발표 패널 토론 시간에는 효율적인 딥러닝 모델 구축을 위한 다양한 데이터 셋(Data Set) 구성 방법이 제시됐다. 먼저 캐나다 토론토대학교의 사냐 피들러(Sanja Fidler) 교수가 이미지 데이터를 보다 정교하게 레이블링하기 위해 개발된 새로운 도구를 선보였고, 캐나다 맥길대학교의 재키 층(Jackie Cheung) 교수는 자동 텍스트 요약 분야에서 뉴스 텍스트 기반 시스템을 대체할 수 있는 새로운 대안을 제시했다.

미국 프린스턴대학교의 지아 뎅(Jia Deng) 교수는 AI가 데이터를 보다 효과적으로 인식할 수 있게 하기 위한 신개념 인지 시스템 구축 방법을 공유했고, 몬트리올대학교 사이먼 라코스테 줄리앙(Simon Lacoste-Julien) 교수는 생성적 적대 신경망(GAN)^[1] 학습 효율 최적화를 위한 새로운 이론적 관점을 제시했다.

인간 지능 수준의 AI 개발, 기술적 해법은?

삼성리서치 주최로 진행된 둘째 날 포럼에서는 현 AI 기술의 한계점에 대한 다양한 기술적인 대안이 제시됐다. 또한, AI 기술이 적용되는 각 분야별 전문가들이 연단에 올라 해당 분야에서 현재 진행되고 있는 연구를 소개하고 이를 더욱 발전시킬 수 있는 방안을 함께 모색했다.

삼성전자 IM부문장 고동진 사장은 본격적인 강연에 앞서 연단에 올라 “5G와 AI, IoT 기술로 본격화된 초연결 시대에는 사용자 경험을 혁신하는 기업이 글로벌 비즈니스의 승자가 될 것”이라며 “삼성전자가 5G, AI 혁신의 선두에서 미래를 주도해 나갈 것”이라고 강조했다.

둘째 날 첫 기조 강연에선 미국 워싱턴대학교 노아 스미스(Noah Smith) 교수가 연단에 올랐다. 인간 언어의 자동 분석을 위한 데이터 중심 알고리즘 설계 분야에서 최고 권위자로 인정 받고 있는 스미스 교수는 이날 딥러닝 기반 모델들의 학습효율을 높일 수 있는 새로운 언어처리 모델인 합리적인 순환신경망(Rational RNN)을 소개했다. 그는 “현재 딥러닝 기반 모델들은 실제 언어적인 이해에 기반하고 있지는 않아 실제 동작의 이유를 설명하기 어렵다”며 “합리적인 순환신경망은 언어적인 이해가 가능할 뿐만 아니라 기존 순환적 신경망보다 적은 매개변수를 사용하고 학습 속도도 빠르다”고 설명했다.

두 번째 기조 강연에 나선 미국 카네기 멜론 대학교(CMU) 압히나브 굽타(Abhinav Gupta) 교수는 기존 지도학습(Supervised Learning)^[2]의 한계를 넘어선 대규모(Large-scale) 자가 학습 방법인 ‘시각 및 로봇 학습(Vision and Robot Learning)’을 제안했다. 또한, 미래 AI 에이전트에 이를 적용하는 방법론도 공유했다.

굽타 교수가 제안한 자가 학습 방법은 로봇에 탑재된 AI가 시각(Vision)을 통해 물리적인 세계를 모델링하고 물리적인 공간과 사물을 이해하도록 하는 머신러닝 방법론이다. 그는 “현재의 AI 시스템이 인간 수준의 지능을 가진 AI 시스템으로 발전하려면 AI가 지식을 습득하기 위해 능동적으로 실제 세계와 상호작용할 수 있어야 한다”고 설명했다.

초청 강연 세션에서는 AI를 일상 속 다양한 분야로 확산시키기 위한 구체적인 방법론이 다뤄졌다. 스코틀랜드 에든버러 대학 바이샥 벨(Vaishak Belle) 교수는 “AI가 데이터를 학습한 결과, 즉 통계에 기반한 추론만으로는 현실을 정확하게 인지할 수 없고 변수가 개입하면 개발자의 의도와는 전혀 다른 결론이 도출될 수 있다”며 “우리 일상에서 AI 연구 결과를 적용할 때는 AI 기술 발전 수준을 고려해 활용될 수 있는 영역을 명확히 제한해야 한다”고 강조했다.

AI를 우리 일상에 보다 정교하게 적용하기 위한 방법론으로는 머신러닝 기술에 대한 기호논리학적 접근을 통해 인간 지식과 데이터 기반 학습을 통합하는 방안을 제안했다. 또한, 윤리적인 AI 기술 개발의 필요성을 강조하면서 △AI 비전문가도 해석 가능한 머신러닝 방법론 연구 △공정한 의사결정을 위한 알고리즘 내 편차 설명 △AI 시스템에 윤리적 원칙 적용 등 투명하고 책임감 있는 AI 연구를 위한 방향성도 제시했다.

이어 연단에 오른 미국 뉴욕대학교 조안 브루나(Joan Bruna) 교수는 딥러닝 모델 중 GNN(Graph Neural Network)에 대한 다양한 연구 성과를 소개했다. 브루나 교수는 “그래프는 실제 세계의 복잡한 사용자, 기기, 지식과 이들의 상호작용을 통합적으로 표현해 분석할 수 있는 방법으로 각광받고 있다”며 “이러한 그래프의 표현과 관계를 학습하고 추론하는 GNN은 인간 수준의 지능을 가진 AI 개발을 위한 핵심 기술”이라고 설명했다.

오후 세션은 ‘비전과 이미지(Vision & Image)’, ‘온디바이스, IoT와 소셜(On-Device, IoT & Social)’ 두 주제로 나뉘어 진행됐다. 각 분야별 최신 연구개발 트렌드를 확인할 수 있었던 이 세션에선 ‘AGI 기반 객체 인식과 상황 묘사’, ‘딥러닝 기반 영상 캡처’, ‘딥러닝 및 와이파이 기반 위치 추적’, ‘대화형 모델링’ 등 우리 실생활과 맞닿아 있는 구체적인 AI 기술과 그 적용 사례를 중심으로 다양한 발표와 토의가 이뤄졌다.

삼성전자 온 디바이스 AI 통역 기술 첫선… 포스터 세션도 ‘북적’

▲ 삼성전자 종합기술원 황성우 부사장이 ‘온 디바이스(On-Device AI) 통역 기술’을 시연하고 있다 (위 사진) 참가자들이 전시된 포스터들을 둘러보고 있다 (아래 사진)

삼성전자는 매년 AI 포럼을 통해 참가자들에게 삼성전자의 새로운 AI 기술 성과를 가장 먼저 확인할 수 있는 기회도 제공하고 있다. 2017년 기계번역, 2018년 End-to-end 음성인식 기술에 이어 올해도 ‘온 디바이스 AI(On-Device AI) 통역 기술’이 현장에서 첫선을 보였다. 이 기술은 서버를 거치지 않고 기기에 탑재된 자체 AI를 활용하는 기술로, 기존 통역 서비스에 비해 통역 속도가 빠르고 인터넷이 연결되지 않은 환경에서도 통역 기능을 활용할 수 있다는 장점이 있다.

이 밖에 AI 연구 분야 미래 석학들의 연구성과를 미리 확인하는 자리도 마련됐다. 인공지능 분야 글로벌 주요 학회에서 선정된 국내 대학·대학원의 우수 논문을 선별해 전시하는 포스터 세션이 진행된 것. 참가자들의 투표로 학술적 성취가 가장 돋보이는 포스터를 선정해 별도의 시상식도 가졌다.

삼성의 AI 기술이 추구하는 목표는 사용자 중심의 기술 생태계를 구축해 고객가치를 높이는 것. 이를 위해 끊임없는 기술 혁신을 추구하고 있다. 이번 포럼에서도 단순히 최신 연구성과를 공유하는 데 그치지 않고, 현재의 기술 난제를 극복할 수 있는 다양한 기술적인 해법을 적극적으로 찾아가겠다는 삼성전자의 의지를 다시 한번 확인할 수 있었다.

“인공신경망(Artificial neural network)[1]과 로봇 기술의 결합은 ‘스마트폰 혁명’ 이상으로 우리 일상을 혁신적으로 바꿀 것이다.”

삼성리서치(삼성전자 세트부문 선행 연구개발 조직) 세바스찬 승(Sebastian Seung) 부사장은 뇌신경공학 기반 인공지능(AI) 분야의 최고 석학 중 한 명으로 꼽힌다. 승 부사장은 인공신경망의 다양한 적용 분야 중 로봇 기술 연구개발(R&D)과 연계하여 향후 로봇의 발전·대중화에 대한 흥미진진한 구상을 전했다.

삼성전자 뉴스룸은 시리즈 두 번째로, 삼성전자의 AI 전략 수립과 선행 연구 자문을 통해 미래 성장동력을 발굴하는 역할을 하고 있는 승 부사장을 만나 AI와 로봇, 그 현재와 미래에 대해 들어봤다.

인공신경망 방식의 딥러닝 기술 적용연구 한창

승 부사장이 말하는 인공신경망이란 무엇일까. 인공신경망은 인간 두뇌의 정보 처리 과정에 대한 수학적 모델 또는 컴퓨터 시뮬레이션이라 할 수 있다. 승 부사장은 “현재 컴퓨터 비전의 대표적 접근 방법인 합성곱 신경망(Convolutional Neural Network)은 인간의 눈과 시신경 구조를 모방해 만든 인공신경망 알고리즘”이라며, “이는 1960년대 노벨상 수상의 배경이 된 신경과학 연구에서 영감을 받은 것”이라고 설명했다.

승 부사장이 미국 프린스턴 대학교에서 진행한 인공신경망 연구는 대뇌 피질(cortex)의 신경세포 구조와 작동 기제에 중점을 두고 있다. 그는 “인간 뇌가 어떻게 스스로 학습하는지를 밝히고, 이를 바탕으로 자율적 학습을 할 수 있는 인공신경망을 구현하기 위한 연구에 힘 쏟고 있다”고 밝혔다.

자연스레 관심은 승 부사장의 전문 분야인 인공신경망과 최근 화두인 로봇과의 결합에 쏠린다. 로봇청소기를 비롯해 제조라인의 로봇 팔, 물류센터의 운송 로봇 등 인류에게 더 가까이 다가오고 있는 현재의 로봇 기술에 대한 승 부사장의 진단은 어떨까.

승 부사장은 가사용 로봇을 예로 들며, “집안에서 물건을 들어서 치울 수 있는 로봇을 만들기 위해 일단 로봇에 컴퓨터 비전을 더해 앞에 있는 물건들을 볼 수 있게 해야 하고, 일종의 두뇌를 더해 집 안에 있는 물건들이 무엇인지 알고, 어떻게 치워야 하는지 알도록 해야 한다”고 말했다. 하지만 아직 로봇이 이와 같은 인지 능력을 갖추기엔 한계가 있다는 설명이다. 무엇보다 로봇이 인간처럼 두뇌 활동을 기반으로 스스로 학습하고, 판단까지 하진 못한다는 것.

승 부사장은 “AI 기술 가운데 딥러닝은 인간이 로봇에게 일일이 명령을 내리는 과거 방식과 달리, 로봇이 데이터를 기반으로 학습하면서 스스로 인지능력을 갖춰가는 형태”라며 “인간의 신경망을 본따 학습한다고 해서 인공신경망 방식의 딥러닝이라고 부른다”고 설명했다. 이어 “앞으로 홈 오토메이션 등 다양한 영역에서 로봇이 지금보다 더욱 섬세한 과제를 수행하게 될 것이기 때문에, 인공신경망과 딥러닝을 바탕으로 한 다양한 응용 분야를 검토 중”이라고 밝혔다.

20~30년 뒤 ‘로봇 대중화’ 예상

앞으로 펼쳐질 로봇의 미래를 예측해달라는 질문에 승 부사장은 “‘스마트폰 혁명’이 우리의 삶에 커다란 전환을 가져온 것처럼 20~30년 뒤면 로봇 덕분에 인간이 수행하는 집안일이나 업무의 지형이 송두리째 바뀔 것”이라면서 “매년 수십 억대에 달하는 스마트폰이 판매되듯 로봇도 주변에서 흔하게 볼 수 있는 날이 올 것”이라고 전망했다.

특히 승 부사장은 AI 기반의 홈 오토메이션과 자율주행에 대해서도 긍정적인 전망을 내놨다. 그는 “AI 기술을 기반으로 하는 자율주행이나 집안일을 척척 처리해 줄 로봇이 내년에 출시될지 혹은 몇 년이 더 걸릴지 정확히 말하기 어렵지만, 분명한 건 삼성이 이러한 진화를 이끄는 중심이 되어, 이 여정을 함께 해나갈 것이고 이를 앞당기기 위해 최선을 다할 것”이라고 강조했다.

승 부사장은 또 “AI는 과학적 발견과 발전을 가속화 하는 촉매 역할을 할 수 있고, 장기적으로 재료 공학, 화학 분야에도 지대한 영향을 미칠 것”이라며 기초과학 분야에서 잠재력을 높게 평가했다. “AI가 기술의 일부에 국한되지 않고, 과학의 발전에 활용돼 기술의 진보를 한층 앞당길 것”이란 게 그의 예측이다.

AI와 로봇, ‘인류의 동반자’ 자리매김할 것

AI와 로봇이 인류를 풍요롭게 해줄 것이란 기대감 못지않게, 이에 대한 막연한 두려움도 존재하는 게 사실. 대표적인 것이 일자리 문제다. AI나 로봇이 일자리를 대체하면서 실업률이 높아질 것이란 공포다. 이에 대해 승 부사장은 과장된 측면이 있다고 진단한다.

그는 “지난 20여 년 간 주요 국가에서 일자리 감소의 주원인은 생산설비의 해외 이전이었다”면서 “1차 산업혁명 이후에도 일자리가 사라진 것만큼 새로운 분야에서 신규 일자리가 창출되면서 전체 고용 감소로 이어지진 않았다”고 전했다.

AI와 로봇에 대한 두려움을 갖는 이유 중 하나는 SF 영화에 등장하는 위협적인 로봇의 영향도 있다. 3년 전, 바둑 AI 알파고가 이세돌 9단을 이겼을 때 사람들은 인간이 AI의 지배를 받을지도 모른다는 막연한 불안감을 느끼기도 했다.

이에 대해 승 부사장은 “AI의 역량을 과대평가한 측면이 있다”고 말했다. 그는 의사와 의료용 AI를 예로 들며 “의료계에서 AI의 머신러닝은 의사의 전문지식을 기반으로 이뤄지는 학습이기 때문에, 실제 의사가 해결하지 못하는 문제라면 AI도 해결이 불가능하다”고 전했다. 이처럼 AI가 부지불식 간에 인간의 능력을 뛰어넘을 수 있는 것은 아니라는 설명이다.

결국 AI와 로봇은 인류와 함께 생활하는 도우미로서 자리매김할 것이란 게 승 부사장의 예측이다. 그는 “인류가 미래에 잘 대처하기 위해서는 고도의 지능화가 필요하다”면서 “긍정적인 방향으로 AI와 로봇을 발전 시켜, 더 편리하고 풍요로운 세상을 열어갈 수 있도록 AI를 둘러싼 모든 이들 간의 공동의 노력이 필요하다”고 힘주어 말했다.

인공지능 분야에서 딥러닝의 등장은 종종 ‘혁명(revolution)’에 비견된다. 최근 회자되는 인공지능의 대부분이 딥러닝과 동의어처럼 사용될 정도다.

딥러닝이 진가를 발휘하는 영역은 영상인식, 그리고 언어처리 쪽이지만 몇 가지 딥러닝 구조를 복합적으로 사용하면 보다 흥미로운 응용도 가능하다. 이를테면 컨볼루션 신경망[1]과 순환 신경망[2]을 순차적으로 사용, 입력된 영상의 의미를 문장으로 설명하는 식이다. 거꾸로 문장 입력 작업을 통해 해당 내용의 영상을 생성하는 것도 가능하다. 그렇다면 딥러닝은 인공지능의 만능 키(key)일까? 이번 칼럼에선 기본 정의에서부터 성공 요인, 향후 발전 방향에 이르기까지 ‘딥러닝의 모든 것’을 살펴볼 생각이다.

오픈소스 기반… 데이터 충분하면 일정 성능 보장

명칭(deep learning)이 주는 선입견 때문일까, ‘딥러닝’이라고 하면 사람들은 꽤 다양한 걸 상상하곤 한다. 하지만 딥러닝은 쉽게 말해 ‘여러 층으로 구성된 신경망 학습 방법’이다. 신경망 학습법은 장단점이 뚜렷하다. 데이터 수집만 원활하면 학습 알고리즘을 통해 해결책을 자동으로 얻어낼 수 있지만, 데이터 양이 늘어날수록 층을 여러 개 쌓아야 하고 그 경우 학습법이 제대로 작동하지 않는단 한계가 있다.

신경망의 층을 여러 개로 늘려 만든 걸 ‘심층신경망(Deep Neural Network, DNN)’이라고 한다. 그리고 딥러닝은 바로 그 가중치를 결정하는 알고리즘이다. 심층신경망은 각 층이 이전 층의 표현을 좀 더 추상화해 변환하도록 기능함으로써 사람의 도움 없이도 적절한 특징을 자동으로 추출한다. 딥러닝엔 몇 가지 방법이 있으며, 그중 대표적이라 할 만한 게 컨볼루션 신경망과 순환 신경망이다. 전자는 영상인식과 같은 정적(靜的) 유형에, 후자는 언어처리와 같은 동적(動的) 유형에 각각 적합하다.

오픈소스[3]정신에 기반한 학습법이어서일까, 딥러닝의 공유 생태계는 상대적으로 탄탄한 편이다. 데이터만 충분하면 일정 수준 이상의 성능이 보장되는 것이다. 딥러닝의 성공 비결은 크게 세 가지로 요약할 수 있다. 첫째, 비(非)지도학습[4]에 의한 사전 학습이 주효했다. 그중 심층 오토인코더[5]는 입력과 출력이 동일한 신경망을 여러 개의 층으로 쌓은 것이다. 입력과 같은 출력을 내는 신경망의 가중치를 구하는 건 그리 의미가 없어 보이지만 여기선 데이터의 특징을 추출하는 효과를 기대할 수 있다.

둘째, 컨볼루션∙순환 신경망의 발전도 빼놓을 수 없다. 실제로 딥러닝 관련 학계에선 영상 인식 등에 사용되는 컨볼루션 신경망 구조와 학습법이 다양하게 제시되고 있다. 컨볼루션 신경망에선 서로 다른 크기의 컨볼루션 필터를 쌓아올리는 인셉션 모듈(inception module), 혹은 도중에 한 층 건너 뛰는 연결선을 도입한 레스넷(ResNet)[6]이 중요하다. 순환 신경망의 경우에도 매핑(mapping) 작업 시 주요 부분을 강조하는 ‘어텐션 메커니즘(attention mechanism)’ 도입이나 ‘인코더-디코더(encoder-decoder)’ 관계로 층을 쌓는 식의 구조가 실제 문제 해결에 큰 역할을 하고 있다.

셋째, GPU[7]병렬 컴퓨팅을 포함한 고성능 컴퓨팅 기술의 등장이다. 당초 GPU는 모든 화소에 동일하게 적용되는 그래픽 연산을 가속시키기 위해 개발된 것. 하지만 이후 딥러닝 학습이나 추론에 매우 효과적인 수단이란 사실이 밝혀졌고 이를 적극 활용한 결과, 오늘날 딥러닝 기술에서 떼려야 뗄 수 없는 존재로 자리 잡았다.

관건은 양질의 데이터 확보… ‘킬러앱’ 개발도 시급

딥러닝 기술이 유의미한 성과를 거두기 위해 가장 중요한 건 결국 양질의 학습 데이터다. 이렇게 볼 때 딥러닝 연구 방향은 학습에 사용할 수 있는 데이터 특성에 따라 세 가지로 생각해볼 수 있다. 첫째, 레이블(label)된 소수 데이터를 활용한 지도학습(supervised learning) 방식이다. 쉽게 떠올릴 수 있는 방법은 다른 분야에서 이미 다량의 데이터로 학습된 모형을 가져와 활용하는 것이다. 전이학습(transfer learning)이라고도 하는데 이를 발전시키면 풀고자 하는 문제와 관련, △한 번만 학습시켜도 되는 ‘원샷러닝(one-shot learning)’ △전혀 학습시키지 않아도 되는 ‘제로샷러닝(zero-shot learning)’도 가능해진다.

둘째, 레이블되지 않은 데이터를 이용한 비지도학습 방식이다. 레이블된 데이터가 없는 경우, 통계 기법을 활용해 각 층을 개별적으로 학습한 후 하나씩 쌓아 올리게 된다. 연구 초기 등장한 적이 있지만 성능은 아직 기대에 미치지 못해 오히려 들여다볼 여지가 있다. 마지막 방향이 강화학습(reinforcement learning) 방식을 사용하는 것이다. 데이터가 아예 없는 경우 적용 가능하며 일찍이 딥마인드가 심층 강화학습의 유용성을 입증한 바 있다(관련 연구는 좀 더 진척될 필요가 있다).

딥러닝의 향후 연구 방향에 대해선 수많은 연구자가 다양한 의견을 피력하고 있다. 한쪽에선 사전에 학습된 모형을 블록 형태로 쌓아 올려 복잡한 심층 모형을 구축하고, 다른 쪽에선 모바일 기기에서도 작동될 수 있도록 개선된 학습 방법 개발에 한창이다. 이 역시 정리하면 크게 세 가지 방향으로 전망해볼 수 있다.

첫째, 정규화를 통해 향상된 일반화 성능을 갖추는 방식이다. 딥러닝 기술 개발과 관련, “데이터만 많으면 그걸 효과적으로 매핑할 수 있는 함수 생성은 어렵지 않다”는 사실이 입증됐다. 따라서 앞으론 주어진 데이터에 지나치게 맞추기보다 일반화 성능을 높이는 모형으로서의 생성적 적대 신경망[8]이 유망해 보인다.

둘째, 학습된 결과를 설명할 수 있는 모형 개발이다. 딥러닝으로 학습된 모형은, 정확도 측면에선 더없이 효과적이지만 어떤 이유로 그런 결과가 나왔는지 시원하게 설명할 수 없는 문제가 늘 발목을 잡았다. 그럴 땐 외장 메모리를 사용한 딥러닝 모형, 이를테면 신경망 튜링 머신(Neural Turing Machine)이나 미분 가능한 신경 컨트롤러(Neural Differential Controller) 등이 유력한 해결책일 수 있다. 아직은 ‘대화 도중 맥락 저장’이나 ‘지하철 최단 경로 탐색’ 등 단순한 문제에 국한돼있지만 궁극적으론 설명 범위가 확장될 수 있으리라 기대를 모은다.

셋째, 역시 ‘킬러앱’[9]을 탄생시키는 것이다. 다만 이제껏 발표된 딥러닝 응용 사례 중 대부분은 킬러앱으로 분류하기엔 여러모로 역부족이다.

인간 수준의 인공지능 구현하려면 ‘딥러닝+α’ 필요

그렇다면 딥러닝 기술은 앞으로 어떤 방향으로 나아갈까? 일단 시각처리 분야에선 강화학습과 딥러닝이 결합되며 보다 강력한 성능을 낼 수 있다(알파고 때에도 강화학습을 통한 성능 향상 측면에서 큰 효과를 거둔 적이 있다). 언어처리 분야에선 단어나 구, 절을 넘어 문장이나 문서 전체를 이해하는 방식으로의 발전을 기대해봄 직하다.

하지만 딥러닝만으로 궁극의 인공지능이 실현될 거란 기대는 섣부르다. 지난 60여 년의 인공지능 역사가 이를 뒷받침한다. 논리추론∙탐색 등 곧 성공할 것 같았던 지식 기반 접근 방식이 벽에 부딪혔던 것처럼 딥러닝처럼 다량의 데이터를 토대로 하는 방식도 머지않아 한계에 직면할 것이다. 결국 ‘인간과 비슷한 수준의 인공지능’이 완성되려면 서로 달라 배타적인 것처럼 보이는 접근 방식의 합목적적 통합이 필요하지 않을까? 요(要)는, ‘꺼진 인공지능 기술도 다시 보자’는 것이다.

※이 칼럼은 해당 필진의 개인적 소견이며 삼성전자의 입장이나 전략을 담고 있지 않습니다

[1]Convolutional Neural Network(CNN). 딥러닝의 기본 구조 중 하나다
[2]Recurrent Neural Network(RNN). 시간 흐름에 따라 변화하는 데이터를 학습하기 위한 딥러닝 모델
[3]open source. 인터넷 등을 통해 소프트웨어의 설계도에 해당하는 소스코드를 무상으로 공개해 누구나 개량, 재배포할 수 있도록 하는 것 
[4]unsupervised learning. 인공지능 분야 중 하나인 기계학습의 일종으로 학습용 데이터를 따로 구축하지 않고 데이터 자체를 분석하거나 군집하며 학습하는 방식을 일컫는다. ‘자율학습’이라고도 한다
[5]deep autoencoder. 비지도학습을 기반으로 하는 심층신경망의 일종
[6]컨볼루션 신경망의 최신 구조를 도입한 신경망. 알파고 제로에 사용됐다
[7]Graphics Processing Unit(그래픽 처리 장치)
[8]Generative Adversarial Network(GAN). 진짜 같은 가짜를 생성하는 모델(generator)과 그 진위를 판별하는 모델(discriminator) 간 경쟁을 통해 인공지능이 스스로 답을 찾아가도록 하는 딥러닝 알고리즘
[9]Killer App(lication). 시장에 등장하자마자 경쟁 제품을 몰아내고 시장을 완전히 재편할 정도로 인기를 누리며 투자 비용 대비 수십 배 이상의 수익을 올리는 재화나 서비스

자율주행 자동차를 말할 때 빠지지 않고 등장하는 기술 중 하나가 딥러닝(deep learning)[1]이다. 이번 회차에선 딥러닝 기술이 자율주행 자동차에 어떻게 적용되는지, 그리고 자율주행 자동차와 딥러닝에 관해 어떤 논의가 이뤄지고 있는지 살펴보겠다.

딥러닝 기술, 핵심은 ‘데이터 반복 입력 통한 자가 학습’

운전자가 주행 도중 전방에 나타난 물체의 정체를 판단하는 일은 매우 중요하다. 그 물체가 차량인지 보행자인지 쓰레기 봉투인지에 따라 운전 방식을 바꿔야 하기 때문. 인간 두뇌가 정보를 분류하는 과정은 순서가 정해진 논리적 판단이라기보다 무의식 중 이뤄지는 습관적∙직관적 판단에 가깝다. 예를 들어 누군가가 “저 물체를 왜 차량으로 분류했느냐”고 물으면 대부분은 “(바퀴∙램프∙창문 등) 자동차를 구성하는 요소들이 적절히 갖춰져서”라고 설명하기보다 “그냥 머릿속에서 차(車)로 분류됐기 때문”이라고 답할 것이다. 그런 대답이 가능한 건 △대부분 어릴 때부터 수많은 자동차를 봐왔고 △그게 자동차란 사실을 교육 받았으며 △그런 경험을 통해 뇌 속에 자동차를 직관적으로 분류할 수 있는 신경 네트워크가 형성됐기 때문이다.

이처럼 인간이 경험을 거치며 스스로 학습하는 과정을 모방, 인공지능을 만들어내는 기술 분야가 바로 ‘머신러닝(machine learning)’이다. 지금껏 연구된 여러 머신러닝 기술 중 가장 주목 받는 건 인간 뇌를 형성하는 신경망을 모방해 학습하는 딥러닝이다.

딥러닝을 활용, 특정 기능을 인공지능으로 구현하려면 그 기능에 대한 논리나 규칙을 프로그래밍하기 보다 데이터를 반복적으로 입력하는 과정을 통해 컴퓨터가 필요한 기능을 스스로 학습해가도록 해야 한다. 즉, 딥러닝 기반 인공지능 구현에서 필요 기능에 대한 전문 지식보다 더 중요한 건 컴퓨터를 충분히 학습시킬 수 있는 데이터다. 오늘날 딥러닝이 신기술로 주목 받는 것도 데이터 제공∙처리에 필요한 여러 기술이 뒷받침됐기 때문이다. 클라우드를 기반으로 한 빅데이터 기술의 발전으로 학습에 사용할 수 있는 데이터의 양과 종류가 엄청나게 늘어났고, 딥러닝의 방대한 자료를 처리할 수 있는 컴퓨팅 플랫폼(computing platform)도 날로 발전하고 있다.

딥러닝은 데이터가 존재하는 분야라면 어디에든 적용할 수 있다. 오랫동안 ‘사진 속 물체를 분류하는’ 문제는 인간의 능력 밖 일로 치부돼왔다. 하지만 딥러닝의 등장으로 지금은 단순히 사진 속 물체 분류뿐 아니라 전체 사진이 어떤 내용인지 설명하는 문장까지 만들어낼 수 있다. 딥러닝의 등장으로 음성인식 분야의 성능 역시 기존 알고리즘에 비해 크게 향상됐다(스마트폰에 적용된 각종 음성인식 애플리케이션을 써보면 쉽게 확인할 수 있다). 그뿐 아니다. 딥러닝은 번역∙금융∙법률∙보험∙의료 등 학습 가능한 데이터가 존재하는 곳 어디서나 적용되고 있으며, 더 나아가 인간의 능력에 필적하는 성능을 발휘하고 있다. 자율주행 자동차도 마찬가지다. 자동차에 장착된 각종 센서에서 검출되는 데이터와 운전자(사람)의 운전 방식 데이터 덕에 딥러닝은 자율주행 자동차에도 다양하게 활용되고 있다.

사용자 기호∙감성까지 제어하는 자율주행차 탄생 ‘초읽기’

자율주행 자동차가 스스로 주행하려면 인지∙판단∙제어 등 세 가지 기능이 반드시 필요하다. 인지 기능은 카메라∙레이더∙라이다(LiDAR) 등 차체 내 센서 정보를 처리해 주변 환경 정보를 알아차리는 것, 판단 기능은 인지된 정보를 이용해 향후 벌어질 일을 예측한 후 가장 안전하고 빠른 차량 궤적을 생성하는 것, 제어 기능은 최종적으로 생성된 차량 궤적을 부드럽고 정확하게 따라갈 수 있도록 운전대∙액셀러레이터∙브레이크를 조작하는 것이다. 실제로 여러 곳에서 이 세 기능에 딥러닝 기술을 적용하는 연구가 활발하게 진행되고 있다. 지금껏 나온 여러 연구 결과만 봐도 딥러닝이 각각의 성능을 비약적으로 향상시킬 수 있단 사실을 알 수 있다.

특히 카메라를 이용한 주행 환경 인지 분야에서 딥러닝은 가장 중요한 기술로 자리 잡았다. 카메라를 통해 입력된 이미지에 딥러닝을 적용하면 자율주행 시스템에 필요한 정적(靜的) 환경 정보(차선∙운전가능도로∙교통표지판∙교통신호 등)와 동적(動的) 환경 요소(차량∙보행자∙이륜차 등)를 전부 검출, 분류할 수 있다. 그 성능도 기존 머신러닝 알고리즘보다 월등히 뛰어나다. 또한 기존엔 인식이 불가능하다고 여겨졌던 영역의 성능까지 점차 개선되고 있다. 앞으로 카메라의 이미지 정보뿐 아니라 레이더와 라이다(LiDAR)의 센서 정보, 그리고 차량 간 통신에서 오는 정보를 모두 딥러닝에 적용할 경우 인간의 인지 능력을 뛰어 넘는 자율주행 자동차의 인지 시스템을 구현할 수 있을 전망이다.

딥러닝은 차량의 궤적을 생성하는 판단 기능에도 사용될 수 있다. 미래의 움직임을 판단하고 결정하려면 다른 운전자의 움직임을 예측해야 한다. 하지만 다양한 운전 방식을 파악하고 이를 (정답이 딱 떨어지는) 수학 모델로 정의하긴 쉽지 않다. 다른 차량 운전자가 어떻게 운전할지 논리적으로 예측하는 건 불가능하기 때문이다. 이처럼 행동 방식을 논리적으로 파악하기 어려울 때 딥러닝은 매력적 솔루션이 된다. 다양한 운전 방식과 관련 센서 정보를 데이터로 입력한 후 이를 딥러닝 알고리즘으로 학습한다면 정확한 수학 모델 없이 데이터만으로도 다른 운전자의 운행을 예측할 수 있는 인공지능 구현이 가능하다. 이런 방식은 논리적으로 설명하기 어려운, 운전자들의 미묘한 운전 규칙도 포함할 수 있기 때문에 발전 가능성이 무궁무진하다.

차량 제어 분야에서도 딥러닝을 응용할 수 있다. 고도의 안정성이 요구되는 차량 제어 기능을 구현하려면 검증된 기존 기술을 사용하는 게 일반적이다. 하지만 탑승자의 승차감을 튜닝(tuning)하기 위한 제어 기능엔 딥러닝을 적용할 여지가 있다. 승차감은 개개인이 느끼는 감성적 요소인 만큼 ‘공학적 기준’을 만들어 적용하기엔 한계가 있다. 따라서 이 경우, 딥러닝 기술을 활용해 개개인의 운전 방식을 데이터화하면 인간 감성을 고려한 차량 제어가 가능해진다. 다시 말해 단순 자율주행 기능뿐 아니라 탑승자의 안색∙음성∙상태 등을 인식, 개별 탑승자에게 ‘맞춤형 편의 기술’을 제공하는 서비스에도 딥러닝이 적용될 수 있다.

운전 과정 통째로 익히는 ‘엔드투엔드’ 방식도 한계 뚜렷

앞서 살펴본 것처럼 자율주행 자동차의 기능은 인지∙판단∙제어로 분류된다. 하지만 이 모두는 사람이 설계한 범위 안에서 작동하기 때문에 설계 시점에서 예상치 못한 상황엔 적절히 대처할 수 없다. 따라서 이런 가정을 해볼 수 있다. 기능적 구분과 설계 없이 운전에 필요한 과정을 통째로 학습하는 딥러닝으로 자율주행 알고리즘을 구현하면 어떨까?

자율주행에 필요한 중간 기능 분류 없이 운전 과정 전체를 학습하는 방법을 ‘엔드투엔드(end-to-end)’ 자율주행이라고 한다. 엔드투엔드 자율주행 자동차는 운전에 필요한 센서 데이터를 직접 입력 받고 다양한 운행 상황에 대해 학습한 후 스티어링(steering)과 액셀러레이터, 브레이크 값을 직접 출력해낸다. 즉 딥러닝 알고리즘 안에서 인지∙판단∙제어 기능이 처음부터 끝까지 네트워크로 구현되는 것이다.

엔드투엔드 학습 방식엔 운전자(사람)의 운행 방식을 데이터로 수집, 이를 모방하는 학습 방식과 시뮬레이터를 이용해 가장 최적화된 운전 방식을 스스로 학습하는 강화학습 기반 방식이 있다. 엔드투엔드 방식을 자율주행 자동차에 적용하면 새로운 운행 환경과 관련해 추가 기능이 필요할 때 인지∙판단∙제어 알고리즘을 매번 재설계하거나 변경하지 않고, 새로운 상황에 대한 데이터를 추가해 학습함으로써 자율주행 시스템을 구현할 수 있다.

하지만 (인간이 아닌) 딥러닝이 자율주행 알고리즘을 만들어냈단 사실은 자칫 엔드투엔드 자율주행 실현의 발목을 잡을 수 있다. 딥러닝 네트워크는 수 백만 개의 뉴럴 네트워크가 학습을 통해 복합적으로 연결돼 있고, 그 결과가 출력되는 구조다. 하지만 이 네트워크를 차근차근 분석해 왜 그런 결과가 나왔는지 논리적으로 분석, 검증하는 건 매우 어렵다. 대다수의 운전자가 정확한 논리 구조와 절차에 의해 운전하는 게 아니라 머릿속 운전 신경 네트워크를 따라 습관적으로 운전하듯 엔드투엔드 방식도 설계된 논리적 절차가 아니라 학습으로 형성된 네트워크에 의해 운전하기 때문이다.

쉽게 말해 일반 자동차 운행에서 주어진 상황에 따라 운전자(사람)가 어떻게 운전할지 100% 예측하기 어려운 것처럼 엔드투엔드 방식을 적용한 자율주행 자동차 역시 어떻게 운전할지 100% 예측이 불가능하다. 이상 행동을 보일 때에도 논리적 분석을 통해 해결하긴 어려울 것이다. 이런 블랙박스 구조(architecture)는 안전과 직결된 기능에서 100% 검증이 불가능한 만큼 엔드투엔드 딥러닝을 기반으로 한 자율주행을 실현하려면 더 많은 연구가 필요하다.

데이터∙학습의 선순환, ‘보다 안전한’ 자율주행차 만들 것

자동차가 움직이려면 동력기관 연료가 있어야 한다. 마찬가지로 자율주행 자동차가 움직이려면 딥러닝 기술 구현에 활용될 데이터 구축이 필수다. 자동차는 도로를 주행하며 차량 안팎의 다양한 센서를 동원,  ‘빅데이터’를 형성할 테고 이 데이터는 클라우드 서비스로 공유된 후 자율주행 자동차의 딥러닝 알고리즘 학습에 쓰일 것이다. 빅데이터를 통합 딥러닝 학습은 한층 발전된 자율주행을 가능케 할 것이며, 자율주행으로 생성된 빅데이터는 다시 공유, 학습될 것이다. 이 같은 데이터와 학습의 선순환 구조가 자율주행 자동차를 더 안전하게, 자율주행 자동차가 누빌 도로를 더 원활하게 만들길 기대한다.

※이 칼럼은 해당 필진의 개인적 소견이며 삼성전자의 입장이나 전략을 담고 있지 않습니다

[1] ‘딥 뉴럴 네트워크(deep neural network)’라고도 한다

앨런 튜링(Alan Turing). ‘컴퓨터과학과 인공지능의 아버지’로 불리는 인물이다. 1912년 태어나 한창 나이인 42세 때 비극적으로 생을 마감한 그는 짧은 생애 동안 컴퓨터과학은 물론, 수학∙논리학∙암호학의 귀재로 많은 일을 해냈다. 제2차 세계대전 당시엔 영국 암호 해독기관이었던 ‘정부 암호 학교’에 근무하며 나치스 독일의 중요한 암호들을 해독, “전쟁 기간을 최소 4년은 단축시켰다”는 평가를 받았다. (그의 일생은 지난 2014년 책 ‘앨런 튜링의 이미테이션 게임’과 영화 ‘이미테이션 게임’으로 재구성되기도 했다.)

▲최초의 컴퓨터를 탄생시킨 천재 수학자 앨런 튜링의 실화를 소재로 한 영화 '이미테이션 게임'의 한 장면(출처: 미디어로그/출처가 명기된 이미지는 무단 게재, 재배포할 수 없습니다)

“‘기계는 생각할 수 있는가?’란 질문은 ‘기계는 (생각하는 존재인) 인간이 하는 걸 할 수 있는가?’란 질문으로 바뀌어야 한다.” 논문 ‘컴퓨터와 지능’에서 튜링은 이 같은 주장으로 눈길을 끌었다. 이 명제는 요즘 한국 사회에서도 ‘이세돌 대(對) 알파고’ 바둑 매치로 무성해진 인공지능과 기계학습(딥러닝) 관련 논란에 확실한 선을 긋고 있다. ‘기계는 스스로 생각할 수 없다, 인간이 기계로 하여금 자신들이 하는 것과 같은 일을 시킬 수 있을 뿐이다’라고 말이다.

하지만 여전히 궁금증은 남는다. 어떻게 해서 기계에 ‘인간이 할 수 있는 것과 같은 일을 하는’ 능력을 부여할 수 있는 걸까? 사실상 ‘기계 스스로 생각해낸 듯한’ 결과물을 도출하도록 하는 비결은 뭘까?

기계도 공부한다, 인간처럼_DNA와 빅데이터

위 질문에 답하려면 우선 ‘인간은 어떻게 생각할 수 있게 됐나’에 대해서부터 이해해야 한다. 기계가 그와 비슷하게 작동할 수 있도록 프로그램을 만드는 건 다음 순서다. 단, 여기서 ‘생각’이란 맘속으로 혼자 떠올리는 게 아니라 특정 사안을 판단한 후 그걸 표현하는 일련의 과정을 통칭한다.

특정 대상을 판단, 표현하기 위해 인간은 대체로 어떻게 할까? 가장 간단한 예에서 출발해보자. 갓난아기가 태어난 후 가장 처음 하는 말은 “엄마”라고 한다. 물론 “엄-마”라고 정확한 2음절어를 말하는 건 아니다. 말하자면 입술을 꽉 닫았다 내뱉듯 내는, “ㅁㅁ-마” 같은 단음절 발성에 더 가깝다. 초보 부모를 감동시키는 이 첫마디를 내기 위해 아기 두뇌 속 지성 관련 구조에선 어떤 일이 일어날까?

아이가 엄마를 보며 “엄마”라고 말하려면 우선 엄마의 모습을 무수히 접해야 한다. 눈∙코∙귀뿐 아니라 온 감각으로 받아들이는, 기분 좋고 신뢰가 가며 항상 자신과 함께하는 존재인 엄마. 그 모습과 느낌을 반복적으로 경험하며 아기의 맘속엔 ‘엄마’란 존재에 대한 평가와 판단이 특별한 가치로 형성된다. 이 과정에서 엄마가 아이에게 ‘엄마’란 말을 여러 차례 들려주면 아이가 그 소리와 실제 자신의 엄마를 연결 지어 판단하는 과정은 한층 단축될 것이다. “엄마가 맘마 줄까?” “엄만 ○○○를(을) 사랑해” “조금만 기다려, 엄마가 기저귀 갈아줄게” 같은 표현이 그에 해당할 것이다.

어른이 입을 움직여 소리 내는 걸 보던 아이는 어느 순간, 발성기관 근육 형성에 힘입어 “음-마” 비슷한 소릴 낼 수 있게 된다. 그 광경을 지켜본 부모는 환호하며 아이를 칭찬해준다. 학습 성과에 대해 일종의 보상을 제공하는 셈이다. 이런 일이 반복되면 아기는 엄마의 존재와 ‘엄마’란 소리 간 연관성을 좀 더 확실히 인지하게 된다. 어른의 발성을 들으며 발음도 점차 분명해진다.

비슷한 과정을 기계에 적용한다고 가정하면 어떨까? △엄마의 모습과 동작 유형, 음성 등에 대한 데이터를 반복적으로 기계에 주입하고 △‘엄마’란 단어를 포함, 여러 종류의 기계음을 입력시킨 상태에서 기계가 스스로 다양한 유형의 모습과 소리를 연결하도록 한 후 △특정 모습과 ‘엄마’란 소리를 짝지었을 때 그 성과를 인정하는 시스템을 구축해 넣는 식이다. 기계 역시 무수한 시행착오 끝에 의도한 모습을 보며 “엄마”라고 말할 수 있을 것이다. 보상 메커니즘만 잘 구축돼 있다면 성공 확률은 시도 횟수를 거듭할수록 높아질 것이다.

위 예시에서처럼 사람이든 기계든 인지∙연상 능력을 가능케 하는 건 ‘경험의 반복’이다. 양자의 차이는 장구한 세월을 두고 진화해온 생명체인 인간, 그리고 정확하긴 하지만 모든 게 ‘제로(0) 베이스’에서 시작되는 기계의 특성 차에서 비롯될 뿐이다. 인공지능의 미래를 조명했던 올 3월 23일자 스페셜 리포트에서 언급했듯 인간은 자신이 전 생애에 걸쳐 경험해온 내용뿐 아니라 자신의 DNA에 축적된 내용까지 실로 방대한 양의 데이터를 처리한다(물론 정확성 측면에선 기계에 비해 뒤처질 수 있지만). 반면, 기계는 일단 접수된 내용을 끝까지 이용하는 대신 데이터를 일일이 입력해줘야 한다. 이 때문에 인간과 비슷하게 생각하고 행동하기엔 자료의 양(量) 측면에서 지극히 제한적일 수밖에 없다.

기계가 지닌 이 같은 한계를 극복할 수 있는 대안이 인터넷(을 활용한 정보 축적), 그리고 (그렇게 쌓은 정보를 다룰 수 있는 도구로서의) 빅데이터 기술이다. 인터넷 시대 도래와 빅데이터 기술 발전으로 인해 인공지능이 ‘정확성’과 ‘데이터 무제한 보유’ 등 두 가지 강점을 겸비하게 된 셈이다. 실제로 글로벌 정보 기술 연구∙자문 기업 가트너는 올해 IT 동향 보고서에서 빅데이터 기반 기계학습을 이전의 단순 입력식 기계학습과 구분, ‘고급 기계학습(Advanced Machine Learning, AML)’으로 규정하기도 했다.

미래의 인공지능? ‘터미네이터’ 아닌 ‘도우미’

오늘날 인공지능은 사람들이 인식하든 그렇지 않든 다방면에서 활용되고 있다. 그 비중도 점차 느는 추세다. 인류가 공상과학 영화나 소설의 형식을 빌어 ‘기계가 장악한 부정적 미래’를 염려해온 것과 달리 현대사회의 인공지능은 무자비한 괴력을 지닌 거인이라기보다 눈에 잘 보이진 않지만 작고 친절한 도우미에 가깝다. 이메일 사이트가 스팸 메일을 걸러줄 때, 페이스북이 사용자에게 ‘새 친구’ 목록을 제시할 때, 아마존이 회원들에게 ‘맞춤형 도서 추천 서비스’를 제안할 때 그곳엔 어김없이 기계학습을 거친 인공지능이 작동하고 있다. 방대한 양의 데이터에 기초해 일정 유형(pattern)을 찾아 통계적으로 예측하는 방식이다.

온라인 쇼핑몰 등 인터넷 기반 사업 시장이 빠르게 성장하고 있는 요즘 △고객 관리 △아이템 선정 △판매망 이용 등 빅데이터 기반 인공지능을 활용하려는 시도는 다방면에서 우후죽순처럼 개발, 적용되고 있다. 이 단계에서 경영자는 인공지능의 사업 경영 활용 여부를 두고 고민에 빠지게 마련이다. 사업 전망 예측과 진행 관리 측면에선 확실히 도움이 되겠지만 시스템을 움직이는 데 드는 추가 비용이 만만찮은 점은 부담으로 작용할 수밖에 없다.

지난해 말 가트너는 “미국 기업의 75%가 빅데이터 관련 혁신에 투자하기 시작했거나 향후 2년 안에 투자할 예정”이란 조사 결과를 발표했다. 이 추세를 반영한다면 향후 2년간 빅데이터 프로젝트 관련 투자액은 2420억 달러(약 274조 원)에 이를 전망이다.

무수한 아이디어가 경합을 벌이는 IT 시장에선 매 순간 새로운 아이템이 등장했다 사라진다. 극찬 받던 생각이 순식간에 퇴출되는가 하면, 수 년간 일명 ‘얼리어답터’들의 기대를 모으던 제품이 한순간 과대선전에 불과했던 걸로 판명되기도 한다. 1990년대부터 꾸준한 성장세를 보이고 있는 기계학습과 빅데이터 관련 기술도 마찬가지다. 현재는 대중의 상당한 신뢰를 얻고 있지만 이 추세가 언제까지 지속될진 미지수다.

조지 S. 포드(George S. Ford) 미국 상급법률및경제공공정책연구소(Phoenix Center For Advanced Legal & Economic Public Policy Studies) 수석연구원은 “어떤 IT 기술이 일상으로 정착되려면 두 부문 간 협력이 필요하다”고 말했다. 이때 ‘두 부문’이란 첨단 기술 개발자, 그리고 해당 기술 구현에 필요한 인프라 구축을 담당하는 정책 결정권자를 각각 일컫는다. 양 날개가 어떻게 균형을 잡고 날아 오르는가에 따라 해당 기술은 고공으로 비상할 수도, 비틀거리다 추락할 수도 있는 것이다. 분명한 건 양쪽 모두에 힘을 실어줄 수 있는 건 ‘기술의 가치를 이해하고 지원해주는’ 소비자, 즉 사용자란 사실이다.

지난 15일, 이세돌 9단과 인공지능 바둑 프로그램 '알파고(AlphaGo)'의 마지막 대국이 끝났다. 결과는 4대 1, 알파고의 완승이었다.

이번 승부는 '세기의 대결'이란 타이틀에 걸맞게 처음 성사됐을 때부터 화제를 모았고, 다섯 차례 대국이 진행되는 1주일 내내 전 세계 미디어의 주목을 받았다. 바둑 애호가는 물론, 바둑에 전혀 관심 없던 사람들까지 대국 중계 방송에서 눈을 떼지 못하게 만들 정도였다. 자연히 알파고의 최종 승리는 세간의 관심을 '인공지능'이란 화두로 쏠리게 했다. 오죽하면 교육열 높은 한국의 '극성 맘(mom)' 사이에서 "알파고가 대체 어디 있는 고등학교냐"는 우스갯소리가 나왔을까.

▲인공지능 바둑 프로그램 '알파고(AlphaGo)'와의 세 번째 대국을 마친 후 복기(復棋) 중인 이세돌 9단(사진 출처: 연합뉴스/출처가 명기된 이미지는 무단 게재, 재배포할 수 없습니다)

이러니 저러니 해도 이번 대국이 촉발한 호기심은 단연 '인공지능의 정의(와 영향력)'로 귀결된다. 그리고 그 해답의 실마리는 '알파고의 정체'를 확인하는 작업에서부터 찾을 수 있다.

프로그래밍계의 난제: '단순 계산 능력'을 넘어서라!

알파고의 핵심 알고리즘은 '딥러닝(Deep Learning)'이다. 딥러닝이란 인간과 거의 비슷한 방식으로 판단, 학습할 수 있도록 고안된 컴퓨터 프로그램을 일컫는 용어. 사실 초창기 컴퓨터는 '복잡한 수식을 착오 없이 계산하도록(compute) 고안된 기계'였다. 그런 만큼 컴퓨터 프로그래밍은 단순 계산과 통계 등 특정 영역에 관한 한 인간 두뇌와 비교 자체가 불가능할 만큼 효율적으로, 또 정확하게 발달해왔다. 문제는 이 같은 '단순 계산 능력'이 인간의 뇌에서 차지하는 비율이 지극히 낮다는 사실. 이 때문에 일찍이 컴퓨터공학자들은 '인간 두뇌가 보유한 능력 중 기계로 구현할 수 있는 분야의 한계'를 주제로 다양한 연구를 거듭했다.

인간의 뇌는 (컴퓨터로 구현되는) 인공지능과 비교했을 때 적어도 두 가지 부문에서 압도적으로 우월하다. 무수한 정보 가운데 자신의 판단에 필요한 걸 순간적으로 선택하는 능력이 하나, 시시때때로 입력되는 정보를 (무)의식적으로 저장하는 능력이 다른 하나다. 

▲뇌과학 분야가 발달하면서 인간 두뇌의 정보 처리 과정을 모방한 컴퓨터 알고리즘이 속속 등장하고 있다

출생 당시 인간의 뇌는 미숙한 상태다. 이후 성장 과정을 거치며 자극을 받고 정보를 취사선택, 조합하는 일명 '자기조직 원리'에 의해 점차 완성돼간다. 이때 판단과 선택, 조직의 과정은 대단히 빠르고 신축성 있다. 일례로 갓 태어난 아기도 누군가의 얼굴을 접하곤 자신에게 중요한 사람인지 여부를 즉각적으로 판단한 후 반응한다. 수 백만 년, 아니 수 억 년 이상 인간 DNA에 축적된 유전자 정보 덕분이다.

바로 그 때문에 학계에선 "(인간 두뇌처럼 유전자 정보를 DNA에 축적할 수 없는) 기계가 정보를 취사 선택, 판단하도록 하는 일은 사실상 불가능하다"는 게 한동안 정설로 받아들여졌다. 1980년대 후반 제기된 모라벡의 역설(Moravec's paradox)이 대표적이다. "인간에게 어려운 일은 쉽게 해내지만 인간이 수월하게 할 수 있는 일은 오히려 어려워하는(hard problems are easy and easy problems are hard)" 컴퓨터의 특성을 간파한 로봇공학자 한스 모라벡(Hans Moravec)의 이 지적은 비교적 최근까지 인공지능에 관심 있는 컴퓨터공학자들을 좌절하게 만들었다.

인간 두뇌의 정보 저장 용량은 엄청나지만 선택 저장 능력은 더 놀랍다. 인간의 뇌 속엔 약 1000억 개의 신경세포가 있다. 그리고 이 신경세포는 다시 100조 개의 시냅스로 복잡하게 연결돼 있다. 사람의 뇌에 담을 수 있는 정보의 양은 2.5페타바이트(PB) 수준인 걸로 알려져 있지만 이 역시 가변적 취사선택 과정을 거쳐 얼마든지 확장될 수 있다. 이 때문에 한편에선 "아무리 정보의 홍수 시대라 해도 하나의 프로그램이 인간 두뇌 수준의 정보를 감당하기엔 기술적으로 역부족"이란 평가가 지배적이었다.

알파고, 딥러닝과 빅데이터의 '환상적 콜래보레이션'

정보의 취사선택과 적정 조합. 컴퓨터공학자 사이에서 '난공불락'의 영역으로 여겨졌던 이 두 과제는 21세기 들어 거의 동시에 해소되는 방향으로 나아가고 있다. 실마리를 제공한 건 20세기 말부터 급격히 발달해온 뇌과학 분야 연구 성과다. 뇌의 특정 부분과 신경세포들이 어떤 연관선상에서 정보를 처리해가는지 밝혀지며 이를 모방한 컴퓨터 알고리즘들이 시도돼온 것.

알파고에 적용된 '몬테카를로 트리 서치(Monte Carlo Tree Search)'는 그중 게임에 적합하도록 개발된 프로그램이다. 바둑알 두는 방법을 무작위로 샘플링, 각각의 방법이 이길 확률을 계산해내는 방식으로 구동된다. 여기에 △사업성 분석 기법의 하나인 '밸류 네트워크(value network)' △정책 타당성 분석에 주로 활용돼온 '폴리시 네트워크(policy network)' 기법이 더해지며 '바둑 둘 때 인간 뇌가 움직이는 방식'을 모방한 알파고식 알고리즘이 탄생한 것이다.

바둑에서 어디에 돌을 놓을지 결정하는 일은, 다소 거칠게 설명하자면 '바둑돌을 움직였을 때 얻어지는 이득을 계산하는 일'과 같다. 오랜 훈련을 거쳐 바둑에 숙련된 인간은 반복 경험과 학습, 직관에 가까운 감각, 상대의 반응을 읽어내는 눈치 등을 종합해 이 계산 과정을 단축시킨다.

컴퓨터가 이 같은 인간의 두뇌 작동 방식을 똑같이 따라 할 순 없다. 하지만 바둑돌을 움직이는 '경우의 수' 중 가장 짧은 시간 내에 가장 큰 이득을 내는 수를 읽을 수 있다면 어떨까? 경우별 가치 함수 계산 과정을 반복적으로 학습시킨다면? 일단 학습된 내용에 대해선 착오 없는 결과를 도출할 수 있는 컴퓨터의 특성상 '바둑 잘 두는 컴퓨터'의 탄생 가능성도 얼마든지 점쳐볼 수 있다.

다만 바둑에서 경우의 수란 제아무리 컴퓨터라 해도 감당하기 어려울 만큼 방대하므로 포지션 평가나 확률 분포 정책 등의 추가 알고리즘을 통해 경우의 수를 대폭 축소시켜 계산 시간을 줄여야 한다. 또한 그 과정을 거친 데이터의 양도 엄청난 만큼 이를 빨리 저장, 처리할 수 있는 기술이 동반돼야 한다.

이 모든 걸 가능하게 해준 건 클라우드 컴퓨팅과 빅데이터 같은 정보 저장∙처리 기술이다. 최근 고성능 중앙처리장치(CPU)와 그래픽처리장치(GPU)가 잇따라 등장하며 빅데이터를 확보, 사용할 수 있는 인프라가 갖춰졌다. 딥러닝 기술 역시 이 과정에서 발달하게 된 것이다. 요컨대 알파고는 인간의 신경망 구조를 모방한 기계 학습법인 딥러닝 알고리즘, 여기에 엄청난 양의 정보를 끌어들여 빠르게 처리하는 빅데이터 기술 발달이 더해지며 이뤄낸 성과라고 할 수 있다.

신약 실험, 자동차 자율 운행 등 활용도 '무궁무진'

'아이에게 물고기를 주기보다 물고기 잡는 법을 가르쳐라'는 서양 격언이 있다. 딥러닝이 컴퓨터를 바로 이 방식으로 학습시킨다. 다시 말해 목표 내용을 직접 주입하기보다 무수한 데이터를 걸러내는(filtering) 과정에서 그 내용을 컴퓨터가 알아서 찾아내도록 설계하는 것이다. 따라서 방대한 경우의 수를 탐색, 가장 주도적인 관련성을 찾아내는 작업이 딥러닝의 핵심이다.

이런 방식으로 가장 두드러진 성과를 내고 있는 게 얼굴 인식 등 컴퓨터 비전(vision) 분야다. 2014년 현재 이 기술은 얼굴 인식률 측면에서 평균적인 사람(97.5%)과 유사한 수준(97.4%)에 이르렀다. 이뿐 아니다. 음성 인식, 손 필기 인식 등 '기본 유형(pattern) 인식 능력에 기반한' 기술은 모두 딥러닝 기법 덕에 일취월장하고 있다. 최근 계속 업그레이드되고 있는 인공신경망 기계 번역 역시 이 같은 딥러닝의 특성을 응용한 분야다.

딥러닝이 사물인터넷 확산 추세와 맞물리면 인류의 삶을 더없이 편리하게 바꿀 수 있다. 단순히 외관(얼굴)이나 음성 인식에 그치지 않고 체온∙호흡∙맥박∙혈압 등 다양한 생체 신호를 지속적으로 측정, 인식할 수 있게 되면 이 같은 신호를 본인 인증뿐 아니라 헬스케어 같은 서비스에도 활용할 수 있다.

가정에서의, 혹은 범위를 좀 더 넓혀 산업계나 도시 환경 관리 측면에서의 응용도 가능하다. 사물인터넷 시스템에서 데이터를 받아 효율적이고 안전한 에너지 관리에 쓸 수 있기 때문. 그 밖에도 △신약의 효과 측정과 부작용 확인 △기업의 고객 관리 △자동차의 자율 운행 등 딥러닝을 기반으로 한 인공지능의 쓰임새는 무한대로 확장될 수 있다. 영화 '채피(Chappie)' 속 다정다감한 로봇이 실제 인류의 동반자가 될 날도 머지않은 셈이다.

'인간 대(對) 컴퓨터', 승패 관계로 규정할 수 없어

지난 2013년 미국 매사추세츠공과대학(MIT)은 '올해를 빛낼 10대 혁신 기술' 중 하나로 딥러닝을 꼽았다. 이듬해 미국 마케팅 조사 전문 기업 가트너(Gartner, Inc.)는 딥러닝을 '2014 세계 IT 시장 10대 주요 예측'에 포함시켰다. 글로벌 시장조사 기관 IDC는 오는 2017년 전 세계 인공지능 시장 규모를 1650억 달러로 전망했다. 글로벌 컨설팅 기업 맥킨지(McKensey)는 오는 2025년 '인공지능을 통한 지식노동의 연간 자동화' 가치를 5조2000억 달러로 내다봤다. 하루가 멀다 하고 쏟아지는 인공지능 관련 전망을 들여다보고 있자면 슬며시 걱정 하나가 고개를 든다. '이러다 인공지능이 인간의 일자리를 모두 빼앗게 되는 건 아닐까?'

인공지능 기술이 발전돼 응용 분야가 확산되면 사람이 하는 일에서의 구조조정은 불가피할 것이다. 하지만 그 결과가 '사람을 쫓아내는(혹은 사람에게 위협을 가하는) 기계'로 이어질 가능성은 크지 않다. 인공지능을 만들어내는 주체도, 작동시키고 점검해야 하는 주체도 모두 사람이기 때문이다.

이세돌과 알파고의 첫 번째 대국이 열리기 직전인 지난 9일, 에릭 슈미트(Eric Schmidt) 구글 회장은 개막 연설에서 이렇게 말했다. "(이번 대국의) 결과가 어떻게 되든 승자는 결국 인간입니다." 사실 더 크게 보면 '인간 대 컴퓨터'의 관계는 승패로 규정할 수 없다. 인간은 컴퓨터를 포함, 다양한 도구와 기계를 만들어 활용하며 자신들의 삶을 더욱 풍부하게 만들어왔기 때문이다. 인공지능 역시 그 '도구와 기계'의 연장선상에 있다. 결국 미래의 인공지능은 인류의 삶을 더욱 풍요롭게 만드는 방향으로 발전할 테고, 그러기 위해 인간이 해야 할 일은 지금보다 한층 늘어날 것이다.