[인공지능 연구동향]인공지능의 역사

인공지능의 역사

인류는 인간의 역사 속에서 인공의 지능을 가진 무언가에 대해서 계속 상상을 해왔다.

이러한 상상은 굉장히 오래 되었는데 거의 최초로 등장한 것은 그리스 신화의 청동거인 '탈로스' 이다.

흔한 판타지 소설,만화등에 나오는 골렘과 비슷한 것인데, 주변을 능동적으로 감시하고 공격을 막는 고대인들이 상상한 인공지능이라고 할 수 있다.

이 뿐만 아니라, 중국, 그리스 , 인도 등 다양한 국가의 고대 철학자는 인간의 지능을 체계화하고 분석하고 이해하고자 하는 많은 시도를 해 왔다.

최근들어서 인공지능에 대한 상상력은 더욱더 발전하고 정교해져 영화로도 제작되어 상상을 구현했는데, 이것은 우리의 삶에 어떠한 영향을 줄 수 있는지에 대한 가능성을 보여준다.

인공지능의 발전

1700년대 산업시대

• 산업혁명으로 이루어진 기술혁신
• 새로운 동력원 사용 ex) 증기기관
• 인간을 대체하는 효율적인 기계

1950년대

• 인공지능이라는 용어가 아직 생기기 전에 앨런 튜링(Alan Turing)은 이런 예측을 한다

일단 기계가 사고를 하기 시작한다면 인간을 능가하는데 오래 걸리지 않을 것이다.

기계가 지능을 가지기 시작한다면 스스로 발전해 나가면서 인간을 뛰어넘을 것이다

우리가 흔히 말하는 특이점이 온다고 할 떄 특이점의 아이디어를 제공한 것이 엘런 튜링이다.

앨런 튜링은 인공지능 개념에 대해 아주 많은 관심이 있었고 많은 아이디어를 제공하였는데 대표적으로 기계가, 인공지능이 인간과 얼마나 비슷하게 대화할 수 있는지 판별하는 'Turing Test'같은 인공지능 실험이다.

또한, 이러한 인공지능이 체스, 암호학, 언어모델 등에 사용될 것이라고 예측했다

이 시기부터 우리가 현재 생각하는 인공지능이란 것에 대해서 많은 시도와 연구들이 이루어지기 시작했다.

• 1597 - 1962년에 신경과학자였던 Frank Rosenblatt은 퍼셉트론 모델 을 제안하였고 당시에는 어쩔 수 없는 한계점도 있었찌만 이후 인공신경망 연구에 큰 영향을 미쳤고 현대의 딥러닝을 이루는 중요한 요소로써 이어지고 있다.

 

1997년

• 딥블루 : 공식적인 경기에서 세계 챔피언에게 승리한 최초의 체스 인공지능
• 당시 기준으로는 어마어마한 하드웨어를 바탕으로 가능한 모든 수를 탐색하는 방식으로 세계 챔피언에게 승리함
• 당시에는 어마어마한 하드웨어였지만 현재는 우리가 가지고 있는 스마트폰의 연산 능력이 더 뛰어나다.
• 이 때 당시에 인공지능에 대해 많은 관심이 몰렸지만 오래 지속되지 않았다.

2016

• 본격적인 딥러닝의 시대가 열렸음.
• 알파고 : 이세돌과의 바둑대결에서 4:1의 대승을 거둔 인공지능
• 알파고는 점점 더 발전하였고 이세돌은 알파고에게 공식적으로 승리를 거둔 최초이자 유일한 인간 바둑기사가 됨.
• 알파고는 딥블루와 달리 범용적이고 일반적인 발전을 이끌어 냄

인공지능의 활용

다양한 분야에 활용되는 인공지능

• 산업혁명으로 이루어진 기술혁신 - 완전 자동화된 운전 시스템으로 발전
• 아직까지는 센서 의존도와 함께 해결해야 할 많은 문제가 존재하지만 빠른 속도로 발전하고 있다.

로봇 기술의 발전

• 사람과 유사한 움직임을 가지는 로봇도 발전하고 있음
• 달리거나 구르거나 공중회전도 할 정도로 크게 발전하고 있다.
• 이 기술이 인공지능 분야와 접목하여 다양한 분야에서의 가능성을 보여주고 있다.

딥러닝

딥러닝 아이디어와 마일스톤의 역사

• 우주가 생긴건 138억년 전, 지구가 생긴건 대략 15억년 전
• 인류는 30만년정도 되었고 문명이 생긴것은 1만 2천년 정도이다.
• 역사가 기록되기 시작한건 5처년 전
• 인공지능과 딥러닝의 개념이 등장하기 시작한건 100년도 채 되지 않았다.

중요한 순간들

• 1943년 : Neural Networks
• 1957년 : Perceptron
• 1974-84 : Backpropagation, Restricted Boltzmann Machine
• 1989-98 : CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), LSTM (Long Short Term Memory), MNIST와 같은 인공지능 연구를 위한 데이터셋 등장
• 2006 : "Deep Learning", DBN
• 2012 : AlexNet + ImageNet - 기존의 기계학습법을 월등하게 뛰어넘어 딥러닝의 시대가 열림
• 2014 : GANs(Generative Adversarial Network) 생산적 적대 신경망(딥페이크) 이미지 분류 뿐 아니라 새로운 이미지를 생성할 수 있게 됨
• 2016 : AlphaGo 많은 연구자들이 딥러닝에 관심을 가지게 됨
• 2017- : Transformers(BERT, GPT3) GPT3는 기존 언어모델보다 더 뛰어나게 인간과 유사한 수준의 언어능력을 가지도록 학습

딥러닝의 초기 주요 인물

• 1943년 Walter Pitts, Warren McCulloch: 인간의 뇌는 누런 작용을 이진법 논리모델로 설명하여 인간의 뇌를 기계적으로, 수학적으로 모델링
• 1957년, 1962년 Frank Rosenblatt : 퍼셉트론이 오늘날 딥러닝에 지대한 영향을 끼침
• 1965년 Alexey Ivakhnenko , V. G. Lapa : 멀티레이어 퍼셉트론의 학습 알고리즘을 최초로 제안
• 1970년 Seppo Linnainmaa : 역전파 알고리즘과 Automatic Differentiation을 소개함
• 1979년 Junihiko Fukushima : 최초의 CNN구조를 소개함
• 1982년 John Hopfield: Hopfield Netwrok라고 불리는 일종의 RNN 모델을 소개함
• 2018 Yann LeCun, GeoFrey Hinton, Yoshua Bengio : Neural Network의 끊임없는 연구로 현재 우리가 사용하고 있는 딥러닝 구조의 중요한 부분들에 큰 영향을 끼치고 컴퓨터공학의 노벨상이라 불리는 Turing상 수상
• 이외의 딥러닝의 역사 참고

인공지능의 한계

• AI Winter : 인공지능의 발전이 더딘 시기를 의미함
• 1960년대 퍼셉트론의 Connectionism의 한계
• 이후 기계 번역의 실패로 AI winter의 시기가 도래했음
• 2012년 AlexNet의 성공 2016년 AlphaGo의 등장이후에도 매해 사람들의 우려는 조금씩 커지고 있음

• 현재 사용하는 삭습방법으로는 commonsense reasoning이 되지 않아 더이상 성장하기 어렵지 않냐는 의견이 나오는 중

commonsense reasoning (상식적 추론) : 일반적인 상황의 유형과 본질에 대한 가정을 할 수 있는 능력. 이러한 가정에는 물리적 대상의 특성, 분류학적 속성 및 사람들의 의도에 대한 판단이 포함된다.

Gartner Hype Cycle

• 기술 발전에 따른 사람들의 기대에 대해 표현하고자 만든 개념
• AlphaGo로 인해서 많은 사람들의 관심을 받고 많은 문제들을 해결할 수 있을 것이라는 기대감이 넘쳤으나 아직 딥러닝이 가야할 길이 많이 남았다. 현재 시점에서는 미디어에서 자율주행 차량에 대해 다룰 때 이전보다 더 비판적이고 한계점을 지적하는 경우가 많이 보인다.

딥러닝의 개념

인공지능과 딥러닝의 관계

• 인공지능은 가장 큰 범주, 컴퓨터가 인간의 행동을 흉내낼 수 있는 모든 기술
• 단순하게 Rule base로 결정하는 알고리즘. 기계학습이 이 안에 속한다.
• 딥러닝은 기계합습 안에 속한다. Neural Network를 이용하여 데이터로부터 패턴을 추출함

따라서, 딥러닝은 인공지능과 기계학습의 성질을 다 가지고 있으면서 Neural Network를 이용하는 범주에 속한다.

 

딥러닝이 각광받는 이유

• 딥러닝은 일종의 scalable한 기계학습
• 일반적인, 좀 더 전통적인 기계학습에서는 데이터에 대한 feature추출을 따로 진행했으나 데이터의 수에 비례해서 성능을 높이기가 어려워 졌다.
• 딥러닝은 Neural Network를 통해 feature추출과 분류를 함께 진행해 위의 과정을 크게 신경 쓸 필요가 없어졌다. 따라서, 데이터량에 비례해 성능이 높아졌다.

 

딥러닝의 성공 요소

1. 연산을 위한 Computation 파워가 매우 커졌다. : 하드웨어의 빠른 발전으로 인한 것.
2. Algorithms : 딥러닝 알고리즘의 발전
3. 사용할 수 있는 데이터가 방대해짐 : 과거에는 데이터셋을 구축하는게 매우 힘들었으나 현재에는 인터넷과 관련 커뮤니티의 발달로 다양한 루트를 통해 데이터를 축적할 수 있게됨.

참고 : K-MOOC 인공지능 연구동향 - 중앙대학교 김영빈 교수님