출처 : https://www.aist.go.jp/aist_j/magazine/20221026.html

 

미국 Gartner가 2022년 ‘전략적 테크놀로지의 TOP 트렌드’에서 주목해야 하는 키워드로 ‘생성형 AI’를 언급했다. ‘콘텐츠 및 사물에 대한 데이터를 통해 학습하고, 그것을 사용하여 창조적이며 현실적인, 완전히 새로운 아웃풋을 만들어내는 기계학습 방법’으로 정의된다. 생성형 AI를 비롯하여 지금까지의 AI 기술에서는 다루지 않았던 ‘AI 미답의 영역’에 발을 들인 기술이 현재 주목받고 있다.

 

AI에 있어 세계는 둘로 나뉜다. 대량의 데이터가 ‘있는 세계’와 ‘없는 세계’로 말이다. 지금까지 방대한 양의 데이터를 통해 특징을 추출하거나 대량의 학습 데이터를 통해 판단을 배우도록 하는 것이 AI가 학습하는 방식이었다. 충분한 양의 데이터가 존재하지 않는 세계에서도 제기능을 하는 ‘차세대 AI’의 가능성에 대해 정리한다.

 

1. 생성형 AI

 

1-1. 생성형 AI란

 

Gartner가 2022년 ‘전략적 테크놀로지의 톱 트렌드’에서 주목해야 하는 키워드로 ‘생성형 AI’를 언급했다. 생성형 AI란 ‘콘텐츠 및 사물에 대한 데이터를 통해 학습하고, 그것을 사용하여 창조적이며 현실적인, 완전히 새로운 아웃풋을 만들어내는 기계학습 방법’이다. 데이터 구동형 AI의 본무대라 할 수 있는 ‘데이터가 많이 있는 세계’에서만 활약하는 기술이 아니라 적은 양의 정보를 통해 새로운 것을 창출하는 등 데이터가 충분하지 않은 영역으로 발을 들이는 기술이라는 점에서 ‘차세대 AI 기술’ 중 하나로 주목받고 있다.

 

1-2. 차세대 AI와 기존 AI의 차이

 

기존의 대량의 데이터를 사용하여 개발된 AI가 하는 일은 대량의 데이터를 통해 ‘특징’을 배워 ‘예측’하는 일이다. AI가 특징을 알아내는 데 필요한 대량의 충분한 질의 데이터가 존재하는 것이 성능 좋은 AI를 만드는 전제라 할 수 있다.

 

GAN(Generative Adversarial Network, 생성적 대립 신경망)으로 대표되는 이미지 및 동영상의 합성이나 GPT-3(Generative Pre-trained Transformer 3)과 같은 언어 모델을 활용하는 문장 합성ㆍ생성은 인터넷상에 있는 대량의 이미지 데이터 및 텍스트 데이터를 배움으로써 성능을 향상시킨다.

 

또한 2021년경부터 이미지 생성 분야에서 ‘혁명’이라 불리는 변화가 일어났다. DALLㆍE 및 Imagen, Midjourney 등 언어로 지시하면 지시에 맞는 이미지를 생성하는 AI가 잇달아 등장했다.

 

가장 주목받은 것은 2022년 여름에 오픈소스로 공개된 Stable Diffusion이다. 마치 사람이 많은 힘을 들여 그린 것과 같은 그림도 수십 초에서 몇 분 안에 만들 수 있어, 현재 SNS에는 AI 생성 이미지가 대량으로 올라가 있다. 이러한 Stable Diffusion이 혁명이라 불리는 것은 대량의 데이터로 학습한 모델을 모두가 사용할 수 있는 형태로 제공되기 때문이다. 하지만 학습하려면 여전히 ‘방대한 데이터’가 필요하다.

 

한편, ‘생성형 AI’를 비롯하여 지금 연구되고 있는 AI가 ‘차세대’라 할 수 있는 이유는 따로 있다. 현실 세계는 아직 모든 사물이 데이터화되지 않았다. 대량의 학습 데이터가 없거나 대량의 데이터를 만드는 데 큰 비용이 들어서 데이터를 취득하는 것이 현실적으로 불가능한 경우가 많다. 또한 지금까지 사람이 전혀 경험해보지 못한 세계에 대한 데이터는 당연히 존재하지 않는다. 데이터가 적거나 데이터가 없는 문제라 해도 결과를 도출할 수 있는 차세대 AI를 실현시키기 위한 연구가 진행되고 있다.

 

그 경우, AI는 ‘예측’에 더하여 ‘탐색’ 및 ‘계획’도 스스로 할 줄 알아야 한다. 그것은 ‘생각’하는 것과 가깝다고 할 수 있다. 사람이 일상적으로 수행하는 ‘짐작’과 ‘(답에 가까워질 것 같은) 순서를 짜는’ 접근방식을 조합하여 결과를 내놓는 것이 차세대 AI의 역할이다.

 

1-3. 데이터가 존재하지 않는 세계에서 AI를 활용

 

AI의 입장에서 데이터가 없는 세계는 많이 있다. 애초에 인간이 경험한 적 없는 일에 대한 데이터는 존재하지 않는다. 예를 들어, 100년에 한 번 꼴로 일어나는 기상 현상이나 환자 수가 적은 질환과 관련된 데이터, 센서를 설치하기 어려운 장소의 설계 등 같은 조건으로 반복하여 측정하기 어려운 경우 등에서는 기존의 AI가 ‘특징을 학습하여 예측하기’에 충분한 양의 데이터가 존재하지 않는다. 또한 동물 실험이나 무한한 조합 중에서 새로운 기능을 가진 재료를 탐색하는 실험, 현실 사회 시스템을 사용하는 스마트시티 실증실험 등 다양한 데이터를 취득하지 못하거나 데이터를 얻는 데 큰 비용이 들어가는 경우도 사실상 데이터가 없는 세계라 할 수 있다.

 

이러한 데이터가 없는 영역에서도 AI 기술을 응용할 수 있어야 한다는 것이 AI 연구자들의 공통된 과제이며, 현재 다양한 접근방식이 시도되고 있다. 그 중 하나가 ‘예측’에 더하여 ‘탐색 및 계획하는’ AI다.

 

‘차세대 AI’라 할 수 있는 AI 기술을 실현하려면 대량의 데이터를 바탕으로 하는 과거의 경험을 통해 판단할 수 있는 최선의 수단을 선택하는 것뿐만 아니라 인간이 지식적으로 알고 있는 물리법칙이나 경험칙 및 유사한 현상에 대한 과거 데이터를 총동원하여 예측할 수 있는 것 중에서 더 나은 것과 방법을 찾아야 한다.

 

지금 존재하는 AI가 과거의 대량의 데이터 중에서 가장 가까운 답변을 제시하는 툴이라고 한다면, 차세대 AI는 데이터가 없는 무지의 세계에서 함께 생각하는 동반자가 될 가능성이 있다.

 

2. 차세대 AI 연구의 현주소

 

2-1. 차세대 AI에 요구되는 기술 요소

 

차세대 AI를 실현하기 위해 필요한 기술 요소는 크게 3단계로 나뉜다.

 

1. 실제 세계를 계측한다.

2. 계측한 다음 모델화한다. (AI가 이해할 수 있는 형태로 가공한다)

3. 모델을 바탕으로 가장 좋은(좋다고 생각되는) 값으로 최적화/계획한다.

 

현재 1.과 관련해서는 산업계에 DX의 파도가 밀려와, 기업의 다양한 활동이 디지털화되어 계측되며 데이터를 취득하고 있다. 데이터를 취득한 후에는 모델화가 이루어져야 하는데, 실제로는 모델화를 하기에 충분한 데이터를 확보할 수 있다고 할 수 없다. 이때 중요한 것이 데이터뿐만 아니라 사람의 지식을 모델에 추가하여 미지의 사실에 대해서도 크게 어긋나지 않는 모델을 만드는 일이다. 데이터가 전혀 없거나 아주 적은 세계에서 물리 및 화학반응에 대한 이미 알려져 있는 법칙, 시뮬레이션을 통해 얻은 정보 등 인간이 기존에 알던 ‘지식’을 가진 모델화를 실천하는 것이 중요하다.

 

모델화를 해야만 최적화하거나 새로운 것을 찾아내거나 계획하는 단계로 나아갈 수 있다. 사실 ‘계획’하는 기술은 아직 규모가 큰 문제나 복잡한 제약이 있는 문제에 대해서는 거의 실현되지 않고 있다. 인간은 무언가 프로젝트나 목표를 달성하고자 할 때, 중간 지점의 목표를 간단하게 세움으로써 단계별로 계획을 세워 실천해 나가지만, 기계가 그렇게 하도록 하는 것은 매우 어려운 일이다. 하지만 AI를 연구할 때에는 그 부분을 실현시켜야 한다는 인식이 강하다.

 

2-2. 차세대 AI의 구체적인 사례 : ① 지식을 받아들여 효소를 자동으로 설계한다

 

효소 설계는 자연계에 있는 효소를 개변시켜 성능이 더 좋은 효소를 만들어내기 위한 연구이다. 특정한 효소 단백질의 기능을 강화하는 연구 사례를 통해 설명한다.

 

단백질 안에는 변이시킬 수 있는 부분이 많이 있다. 단백질을 구성하는 아미노산은 20종류가 있기 때문에, 5군데를 변이하게 되면 그 조합의 경우의 수는 20종류의 5제곱으로 320만 가지나 된다. 이러한 모든 변이 패턴을 실험을 통해서만 검증하여 원하는 기능을 가진 효소를 찾아내는 것은 현실적으로 불가능하다. 그러므로 어떤 변이를 주어야 하는지, 어느 정도 기준을 세워야 한다.

 

이 사례에서는 먼저 첫 번째 기술 요소인 ‘실제 세계를 계측’하는 데에 많은 비용과 시간이 들어가기 때문에, 실험 횟수를 줄이고자 하는 니즈가 발생했다. 그래서 현실적인 실험 횟수를 통해 얻을 수 있는 80종 정도의 변이체만 가지고 이루어진 실험 결과를 통해 얻은 데이터를 학습 데이터로 삼았다. 이 데이터를 사용하여 효소의 아미노산 배열을 통해 촉매의 활성과 발현량을 예측할 수 있는 모델을 만들었다. 이것이 두 번째 기술 요소인 ‘모델화’다.

 

이때 데이터의 양이 적기 때문에, 기존에 알려져 있는 특징을 이용하여 예측 정확도를 높인다. 그런 다음 AI 기술 중 하나인 베이즈 최적화를 사용하여 최적의 변이 방법의 몇 가지 후보를 만들어낸다. 이렇게 얻은 변이체 후보의 실험 데이터를 취득하고 모델화, 최적화를 반복함으로써 활성이 높은 변이체 조합을 찾을 수 있게 되었다.

 

또한 자연계에는 존재하지 않는 조합 중 성능이 높은 단백질이 있을 가능성을 제시하는 데이터가 제시되어 있어, 새로운 단백질을 개발하는 방법으로서 기대를 받고 있다.

 

2-3. 차세대 AI의 구체적인 사례 : ② 불꽃 축제의 인파를 계측하여 모델화, 최적화한다

 

위드 코로나 시대를 맞이하여, 사람들의 움직임이나 동선, 즉 인파를 제어하는 것이 일상적으로 중요한 일이 되었다. 하지만 그것을 위해 필요한 인파 분석 또한 기존의 AI로서는 다루기 어려운 주제였다.

 

많은 사람을 대상으로 하기 때문에 경로의 안전성과 나만 오래 기다리는 것 아닌가? 하는 개인이 느끼는 불공평함에도 배려해야 한다. 무엇보다 이동 경로 및 안내원 배치 등을 세세하게 바꿔가면서 몇 번이고 데이터를 취합하여 검토하는 것은 비현실적이다.

 

예를 들면, 1년에 1번 거행되는 불꽃 축제가 있다. 축제가 끝난 후 역까지 가는 길은 혼잡하며, 예전에는 사람들이 밀집하여 사고가 일어나곤 했는데, 유도 방법을 바꾸면 인파를 잘 이동시킬 수 있다. 혼잡함을 완화시키고 안전하게 이동 시간을 단축할 수 있는 새로운 유도 방법이 요구되고 있다.

 

이 연구 또한 첫 번째 기술 요소인 ‘실제 세계를 계측’하기 위해 카메라 영상 및 GPS를 이용하여 적인 인원이 어떤 경로로 이동했는지, 이동 궤적 데이터를 계측한다. 다음은 ‘모델화’다. 사람의 움직임을 모델화하여 시뮬레이션함으로써 예측한다. 이러한 예측 모델과 실측값이 가까워지도록 데이터를 동기화하는 방법을 사용하여 최적의 모델을 결정한다. 실제로 측정할 수 있는 데이터가 적다는 문제를, 인구 유동에 대한 인간의 지식을 취합함으로써 극복하는 것이라 할 수 있다. AI 기술을 통해 답변을 얻었다고 해서 그것으로 끝내는 것이 아니라, 앞으로는 그것을 실제 현장에 어떻게 적용시킬 것인지, 현실에 맞는 형태로 만들어나가야 한다.

 

<동영상> 불꽃축제 회장에서 귀가하는 사람들의 동선을 제어하는 시뮬레이션 실험

https://youtu.be/8k9RbxfIhTk

(붉은 점이 회장에서 역까지의 동선 중에서 혼잡한 부분이다. 계측 데이터와 신호 등을 제어하는 시뮬레이션 결과를 조합하여 최적의 인파 제어 방법을 탐색한다.)

 

3. 차세대 AI를 통해 사회를 변화시킬 수 있을까

 

차세대 AI를 활용할 때, 사람이 당연한 듯이 알고 있는 사실이나 인류가 지금까지의 역사를 통해 쌓아온 지식 체계를 어떻게 도입할 것인지가 중요한 테마 중 하나다.

 

사람이 아무렇지 않게 수행하는 ‘짐작하여 시도하는 것’은 사실 아주 대단한 일이다. 경험이 없는 상황에서 수많은 파라미터를 조합할 경우, 사람은 ‘보다 가능성이 클 것 같은 패턴’을 선택하는, 이른바 ‘짐작’이라는 사고를 한다. 또한 답변의 방향성을 찾아내거나 먼 미래를 예상하거나 중간 목표를 세우는 것도 AI에게는 매우 어려운 요구이며, 앞으로 연구가 진행되어야 하는 분야이다.

 

사람의 힘만으로는 실현할 수 없는 것, AI만으로도 실현할 수 없는 것. 그것을 이해하고 상호간에 활용하는, 사람과 AI가 협동할 수 있는 사회가 만들어져야 한다고 생각한다.

 

 

[2023년 글로벌 인공지능(AI) 기술개발 동향과 사업화 전략 - 챗GPT가 불러온 AI혁명, 초거대AI, 생성AI 기반 -]  보고서 상세보기

https://www.irsglobal.com/shop_goods/goods_view.htm?category=02000000&goods_idx=87226&goods_bu_id=