인공지능 개요

1. 인공지능이란?

지능을 인간적 + 합리적으로 생각하거나, 사고 + 행동 으로 생각할 수 있다. 이에 대한 조합에서 총 4가지의 접근 방식이 생긴다

• 인간적 (humanity) : 무조건 합리적인 판단만을 추구하지 않으며, 가치가 낮은 극소의 선택도 취할 수 있는 가능성이 있는 관점
• 합리적 (rationality) : 미리 정의하는 등의 목표를 기반으로 "옳은 일" 을 하도록 최선의 선택을 취하는 관점
• 사고 (thought process, reasoning)
• 행동 (behavior)

1. 인간적 행동

turing test를 통해 이를 분류할 수 있는데, 초기에는 turing test를 통과하기 위해서, 아래의 3가지의 능력이 필요하다 생각했다.

1. NLP : Question을 input으로 변환하기 위해 필요
2. knowledge representation : 기존까지의 percept sequence에서 새로운 NLP를 어떻게 저장하고, 표현할 것인지에 대해 필요
3. automated reasoning : answer을 출력하기 위해 어떻게 답안을 고안할 것인지에 대해 필요

하지만 물리적 구현 및 환경 지각부분에서 3가지가 더 추가되어, total turing test (완전 튜링 검사)를 통과하기 위해서는 아래 3가지의 능력을 더 요구하였다.

4. computer vision
5. speech recognition
6. robotics

이 6가지가 ai를 구성한다고 생각하였지만, 비행기를 만들 때 새의 구조를 모방하지 않는 것 처럼, ai가 turing 기반으로 인간을 모방할 필요는 없다 하여, 많은 과학자들은 새로운 방법을 찾아 나섰다.

2. 인간적 사고

machine이 인간과 같은 mind(정신)을 가지기 위해서는 아래의 3가지의 능력이 필요하다고 생각했다.

1. 내성법 : 스스로 사고를 파악하는것
2. 심리학 실험 : 행동중인 인간을 관찰
3. 뇌 영상촬영 : 행동중인 인간의 뇌를 관찰

이를 통해 인간들은 GPS (Genearal Problem Solver) 라는 것을 만들기 노력하였고, 이를 통해 congnitive science (인지과학)이 발전되었다. 인지과학을 표현하는 방법은 많지만, 사용하는 도구가 컴퓨터가 된다면, 그것이 인공지능이지 않을까 생각한다.

3. 합리적 사고

추후 뒤에 나올 여러가지 도메인에서의 지식들이 인공지능 발전에 도움이 되었는데, 그 중 수학 분야에서의 사고 방식이 합리적 사고의 발전과 거의 비슷하다고 생각한다.

아리스토텔레스의 삼단논법 $\rightarrow$ 논리학 $\rightarrow^{명제를 표현하는 기호 발달}$ 논리적 표기법 $\rightarrow^{세상을 표현할 수 없는 불확실한 부분}$ 확률론 $\rightarrow$ 상세한 합리적 사고 모형을 표현

따라서 이러한 사고를 바탕으로 합리적 행동을 취하면, 그것이 지능적인 행동이라고 생각한다.

4. 합리적 행동

에이전트(agent)란 뭔가를 수행하는 어떤 것이라는 말이다. 현재 여러가지 종류의 에이전트들이 개발되고 발달되었지만, 본질은 여전히 사용자 또는 그에 준한 것에 대해 input을 받으면, 그의 target에 대해 answer을 내밷는 형태는 변하지 않는 것 같다.

LLM Agent는 기존 인간의 input이 컴퓨터의 처리 종류에 국한되며, NLP를 거쳐야 하는 문제점을 해소시켜 주었고, RL은 input이 Sensor을 통해 Environment에서의 percept이며, answer은 "옳은 일"을 이루기 위해, actuator을 통해 행하는 action이다. 이처럼 이에 본질은 변하지 않는다.

컴퓨터 program에, 행동유지 자율적 등의 부가적인 기능을 추가하여, 컴퓨터 agent를 만들고, 이에 대해 최상의 결과를 도출하도록 하는 것이 합리적 행동을 하는 합리적 에이전트이지 않을까 생각한다.

사고의 법칙 및 합리적 접근방식

에이전트에게 정확한 추리를 강조하여, 행동이 최선이라는 결론 하에 행동하는 것이다.

사고의 법칙은 합리적 에이전트 접근방식과는 사뭇 다르다.

합리적 접근방식은 정확한 추론 외에도 합리성을 달성하는 매커니즘이 존재한다. 예를 들어 추리 시간이 짧을 수록 최선인 뜨거운 물체에서 손을 떼는 행동이라고 하면, 이 손을 떼는 행동이 최선이라는 결론을 도출하지 않았음에도, 이 행동을 하는 것을 합리적이라고 판단할 수 있다.

또한 인간 기반 접근에서 합리적 접근 방식은 percept sequence 및 여러가지 경우을 비교하여 대조하기 때문에, 과학의 발전을 좀 더 잘 받아들인다.

따라서 합리적 에이전트 접근 방식은 '일부' 적으로 사고의 법칙을 인용하되, 무조건 따르지 않는다.

옳은 일

옳은 일이라는 것은 에이전트가 목적을 가지고 달성하고자 하는 목표라고 해석할 수 있는데, 이런 형태를 표준 모형(standard model)이라고 칭한다. 하지만, 완전 탐색의 문제로 현실에서는 limited rationality를 고려한다. 그래서, 최선의 선택이 최적의 선택이 되는 방향으로의 연구도 중요할 듯 하다.

이로운 기계 Beneficial machine

이로운 기계란 인간의 목적을 task로 표현하여 에이전트가 수행하도록 하는 기계이다. 이때 환경이 단순하고, 목적이 간단하면 target = task하는 문제는 그리 어렵지 않다. 하지만 현실세계에서는 목적 정의 자체가 어렵다.

따라서 가치 정렬 문제 (value alignment problem)을 해결하고자 많은 사람들이 노력했다. 이로운 방향성의 목적 정의가 올바른 사고와 행동을 유도하는데

• 원하는 것을 목적으로 표현할 수 있는지
• 그 목적을 달성하기 위해 기계가 어떤 과제를 수행해야 하는지
• 기계가 우리가 생각하는 올바른 행동을 통해 과제를 수행하는지

등의 여러가지 문제점들을 생각해 보아야 한다. 그래서 이로움을 증명하며, 통제를 받는 상태에서의 완벽히 환경을 작가하지 않는 기계를 만들어야 하며, 이에 대해 더 추가적인 연구 및 학습이 필요하다.

2. 인공지능 기반 학문

인공지능의 관점, 기법 등을 확립하게 해준 여러가지 기반 학문들이다.

1. 철학 : 지식과 행도은 결론을 맺을 수 있고, 유의미 한가

여러가지 관점과 시각을 비추어 보았을 때, 인공지능의 사고와 행동에 의미를 부여하는 등의 과정은 생각보다 어렵다.

2. 수학 : 정보들을 통해 계산, 처리를 할 수 있는가

1. 기존 알고리즘은 불완전성을 나타낼 수 없기 때문에, 한계가 있다. (괴델 - "이 문장은 증명할 수 없다")

2. 정지문제를 통해, 어떠한 머신 또는 알고리즘은 모든 문제를 해결할 수 없다. 따라서 이는 계산의 근본적인 한계이다. (튜링 - "halting problem")

3. 계산 가능성과는 별개로, 컴퓨터 성능의 한계 및 사고를 할려면, 이 계산이 처리가 가능한지도 고려해야 한다.

   계산복잡도

   계산 복잡도를 통해 다항시간 내 풀 수 있으면 P 다항시간 내 풀 수 없다면, 이 문제가 처리가 가능한지 불가능 한지를 따져야 한다.

   다항시간 내 처리 가능하다면 NP 다항시간 내 처리 불가능하다면 NP-Hard이다.

   하지만 다항시간 내 처리가 가능하지만, 다항시간 내 풀 수 없는 문제를 NP-Complete라고 하는데, 이는 근사 해 도출을 통해 극대값을 구한다.

   대표적인 불가사의 논제가 $P \neq NP$ 증명을 하는 것이고, 수학적으로는 아래의 논제를 해결하는 기계나 알고리즘이 등장하면 된다.

   $x \in L일때, V(x,c) = 1인 c를 구해라.$

   따라서 이를 통해 계산 가능성 및 처리 가능성을 판단한다.

3. 경제 : 여러 에이전트의 이해관계 속 선호하는 결과를 도출할 수 있는가

경제학이란 기존에 돈과 관련되었지만, 경제의 움직임 속에서 인간의 욕구와 선호도도 중요하다는 것을 깨닫고, 어떠한 결정을 할 때, 무엇이 반영되고 상호작용 되는지에 대해 인공지능에 기반이 되었다.

만약 큰 세계 속 에이전트들이 있다고 하면, 한 에이전트의 행동이 다른 에이전트에게 끼치는 영향은 거의 없다고 무방하다. 하지만 작은 세계(에이전트가 적거나 또는 에이전트가 서로 영향을 끼치는 세계) 에서는 한 에이전트의 행동이 다른 에이전트의 욕구와 선호도, 목표를 변경시킬 수 있다는 것이다.

따라서 Markov와 Bellman은 보상의 즉각 및 순차적 개념에 대해 인공지능에 기여했다.

4. 신경과학 : 뇌의 정보처리를 모방할 수 있는가

신경과학에서 세포들의 집합을 soma라고 칭한다. 사고 및 행동시에 soma에서 세포들이 어떠한 일이 일어나는지를 파악하여 인공지능에 기여했다.

두뇌구조를 과학발전에 따라 EEG, fMRI, 광유전학 등을 통해 파악했으며, 뇌-기계의 연결성을 도와주었다.

이는 옳은 이론이 없으면 아무리 빠른 모델을 만들어도, 오답을 빠르게 내밷는 무쓸모한 기계이기 때문에, 옳은 이론의 중요성을 알게 되는 계기가 되었다.

5. 심리학 : 인간 및 동물이 어떻게 사고하고 행동하는가

초기 행동주의 이론이 나왔지만, 인간의 이해에는 큰 영향이 없어 무시되고, 추후 인지 심리학 분야가 나오면서, 인간의 정신적 영역에 대해 연구되었다. 추후 인지과학 및 HCI로도 학문이 발전되었다.

6. 컴퓨터공학 : 어떻게 효율적으로 컴퓨터를 구축할 수 있는가

초기 전쟁으로 인해 암호문을 분석하는 기계의 발전이었지만, 반도체의 발전(무어의 법칙)으로 인해 더욱 고 수준의 연산과 행동을 하게 되었다. 추후 GPU,CPU의 발전으로 인공지능을 표현할 수 있는 성능이 되었고, 양자컴퓨팅 등을 통해 연산 처리 부분에서의 연구를 진행하고 있다.

7. 제어공학 : 인공물이 어떻게 스스로 제어되는가

의도적 행동이라는 것이 현재와 목표의 차이의 오류를 최소화 하기 위해 행해져야 한다는 것에 대해 연구되었다.

8. 언어학 : 언어와 사고를 어떻게 연결시키는 가

지식을 어떻게 표현하고, 이를 통해 자연어 처리 부분에서의 연구가 진행되었다.

3. 인공지능의 역사

대략적인 인공지능의 역사에 대해 소개하고 1장 introduce를 마무리 짓겠다.

1. 탄생 (매컬록, 피츠의 LT)

2. 부흥기 (기호 시스템 및 논리적 추론 발전)

3. 1차 감소기 (정보있는내성, 여러문제 처리 불가능성)

4. 전문가 시스템 (범용성(weak method)를 해결하기 위해 특정 분야의 예상 답안을 모두 정리하여 연산에 사용하는 방법)

5. 2차 감소기 (불확실성 및 경험 존재하지 않음)

6. 신경망 (perceptron 구현)

7. 확률적 추론 및 ML 출현

8. DL의 출현