꿀 정보가 아니다. 알파고가 이세돌에게 어떻게 이겼는지 사실 몰라도 된다. 다만 5년 정도 지나면 알아야 할 필요성이 생길 수도 있으니 간단하게 읽어보고 넘어가자.

인공지능을 비교적 정확하게 다룬 SF 영화 ‘아이.로봇’

딥 러닝 기반의 인공지능

인공지능은 초창기 발명 시엔 방식이 달랐으나 빅데이터 시대가 도래하며 머신 러닝과 딥 러닝 형태로 발전하고 있다. 어려운 이야기가 아니다. 사람이 공부하는 방식을 그대로 따라 만든 것이 머신 러닝과 딥 러닝이다. 어린아이가 말을 배워나갈 땐 부모의 입 모양과 소리를 흉내 내기 마련이다. 이와 같은 방식으로 컴퓨터에게 말을 가르치거나, 그림을 보며 어떤 형태인지 인식하게 하는 것을 머신 러닝이라고 한다.

그런데 컴퓨터는 굳이 말을 하거나 눈으로 사람을 들여다보지는 않으므로 가르치는 방법이 약간은 변한다. 예를 들어 고양이 이미지들을 주며 ‘이것이 고양이야’라고 가르칠 땐 고양이를 실제로 데려오거나 고양이 사진을 컴퓨터의 카메라 앞에 비춰주는 것보다, 고양이라고 적힌 이미지 수십~수천 장을 보여주는 게 훨씬 편하다. 이 과정을 여러 번 거치며 컴퓨터는 고양이같이 생긴 사진을 ‘고양이’로 인식한다.

인공지능의 이미지 인식 과정, 처음엔 점과 선 몇 개를 인식하고, 이것을 조합하기 시작해서, 고양이와 강아지, 사람 등을 걸러내고, 궁극적으로는 어느 사람인지까지 인지한다

만약 어린아이가 고양이같이 생긴 강아지를 보고 고양이라고 인식했다고 치자. 컴퓨터도 그럴 수 있다. 이때 부모는 “이건 강아지같이 생긴 고양이”라며 정보를 수정해준다. 머신 러닝에서도 마찬가지다. 처음엔 ‘강아지같이 생긴 고양이’를 가르쳐주고, 이 사례가 반복되면 컴퓨터가 알아서 강아지 같은 고양이를 인식한다.

딥 러닝의 영역을 이해하려면 조금 더 깊이 들어가야 하는데, 이미지 인식 딥 러닝이 그나마 설명하기 쉬우니 이미지 인식으로 이야기해보자.

인간같이 학습하는 딥 러닝

인공지능의 설계자(부모)는 인공지능(자식)에게 수억 장의 이미지를 던져주며 이미지가 무엇을 의미하는지 알려준다. 처음에 고양이를 인식했다면, 그다음에는 고양이의 색, 장모와 단모 여부, 종류 등을 차차 가르치게 된다. 이때 사람과 컴퓨터가 다른 점은, 사람은 전체의 형태를 주로 인식한다면 컴퓨터는 외곽선, 점, 면 등을 데이터로 인식하는 것이다.

따라서 이 데이터 변형도 인간에 비해 자유롭다. 예를 들어 길쭉한 곡선이 두 개 위아래로 겹쳐져 있고, 중간에 어두운 점이 박혀있다면 컴퓨터는 이것을 ‘눈’이라고 생각한다.

그런데 이미지의 경우 2D, 그러니까 평면만을 찍어놓은 것이므로 고양이의 대각선 방향 사진을 주면 혼란이 올 수 있다. 이때 활용하는 것이 딥 러닝이다.

딥 러닝 과정 중 일부(출처: http://goo.gl/2kbpL)

부모가 컴퓨터에게 사진을 주면, 컴퓨터는 자신의 마음속에서 이 사진을 그대로만 보지 않고 구겨본다. 구기거나 접어서 발생한 선은 언뜻 보면 고양이라고 할 수는 없을 것이다. 그러나 딥 러닝을 하는 과정의 컴퓨터는 이를 ‘고양이를 접은 이미지’라고 저장한다.

딥 러닝 과정에서 컴퓨터는 이미지를 적극적으로 구겨본다. 그래서 인간의 옆모습 등 앞모습과 확연히 다른 모습도 천천히 이해하기 시작한다. 이것이 딥 러닝의 과정이다. 데이터가 쌓이면 쌓일수록 정확도는 더 높아진다.

알파고의 원리

알파고의 경우 부모가 가르치는 데이터가 ‘기보’였다. 알파고는 각 기보를 데이터로 저장하며 사람들이 어떻게 바둑을 두는지 이해했고, ‘이기는 사람’이 바둑을 두는 모습을 탐구했다. 여기에 ‘쓸모없는 경우의 수’를 차단해 경우의 수를 극단적으로 줄인다.

이미지 인식과는 다르게 알파고는 주로 강화학습으로 학습하는데, 일반적인 딥 러닝과 다른 점은 일정 시점 이후에는 기보 데이터가 필요 없다는 것이다. 알파고는 기보가 입력된 사이트 KGS에서 약 16만 건의 기보를 입력받고, 바둑의 원리와 이기는 방정식 등을 스스로 생성해내 ‘알파고끼리’ 바둑을 둔다.

알파고는 여러 버전이 있으며, 여러 버전 혹은 같은 버전의 알파고가 스스로 바둑 경기를 하며 이기는 포인트를 배우는 것을 강화 학습이라 말한다. 이는 인간의 지식 습득 방식과 유사하면서 또 다르다. 즉, 아이는 어른이 되었고, 스스로 사진 혹은 동물들을 보며 학습할 수 있게 된다. 이 경우 부모의 역할은 거의 없는 것과 마찬가지다.

알파고가 게임을 공부하는 방법에 대해서는 다음 동영상을 참고하자.

위는 알파고의 학습과 유사한 딥 큐 러닝으로 인공지능에게 벽돌 깨기를 해보라고 한 영상이다. 게임의 룰은 전혀 알려주지 않았으며, “최고 점수를 내라”고만 입력한 상태. 인공지능은 막대나 벽돌이 뭔지도 모르면서 게임을 실행하고, 어떻게 하면 점수가 올라가는지를 이해한 뒤, 막대를 어떻게 움직여야 돌을 떨어뜨리지 않을 수 있는지를 끊임없이 스스로 학습한다. 이것이 강화학습이다. 아무것도 모르는 아이에게 게임기를 쥐여준 것과 유사하다.

상용화된 인공지능

알파고뿐 아니라 인공지능은 상당히 우리 삶에 많이 다가와 있다. 유튜브나 넷플릭스에서 다음에 볼 영상을 추천하는 것도 인공지능이고, 구글에서 틀린 검색어를 입력했을 때 고쳐주는 것도 인공지능이다. 더 본격적으로는 ‘페퍼’가 있다.

일본에서 출시한 페퍼는 사람의 말을 인식하고 응답하는 인공지능 로봇이다. 점포 등에서 맹활약하고 있는데, 빅데이터와 머신 러닝을 통해 사람에게 어떤 답을 해줘야 하는지를 끊임없이 공부하는 방식의 로봇이다. 특히 사람은 ‘감정’을 가진 동물이고, 이 감정에 응답하므로 ‘감정인식’ 인공지능이라고 부른다. 말소리뿐 아니라, 사람의 표정을 인식해 감정을 파악하는 기술들도 많이 등장했다. 페퍼도 이 기술을 탑재하고 있다.

소프트뱅크의 페퍼 봇

외국에서는 스포츠 경기 심판, 요리사, 웨이터, 자율주행 등에 인공지능이 차차 데뷔하고 있다. 기사를 쓰는 기자 로봇도 있는데, 초창기 이는 인공지능으로 분류하지 않았다가, 최근에는 스스로 검색까지 하는 등의 행동으로 점차 인공지능으로 분류 받는 모양새다.

인공지능은 예술의 영역에도 슬슬 진출하고 있는데, 추상화를 그리거나, 작곡을 한다.

미래에 인공지능이 인간을 지배하고, 인간의 일자리를 뺏거나 하는 등의 예측은 섣불리 하기 어렵다. 기술은 그 자체로는 가치 중립적이며, 이 기술을 구축하는 기술자들의 윤리성에 많은 것들이 달려있다. 그러니까 너무 걱정할 필요는 없다. 정 안되면 콘센트를 뽑아버리면 되지 않나. 태양열 발전 등은 아직 그렇게 발전하지 않았다.