2021 년 … “생각하고있다”AI 등장 예고 – Sciencetimes

인공 지능 (AI)에서 2010 년대에는 훌륭한 한 해였다.

대량의 데이터 처리 능력을 사람처럼 학습 할 수있는 딥 러닝 기술이 발전하고 인류는 곳곳에서 사람을 대신 할 수있는 인공 지능을 경험하기 시작했다.

그러나 과학자들은 깊은 학습을 최종 설정 솔루션 보지 않으며있다. 인공 지능 전문가들은 지난 주 몬트리올 .AI (Montreal.AI)가 주최 한 온라인 토론에서 AI를 인간의 수준으로 끌어 올리는 데있어 깊은 학습을 초과 한 다른 솔루션이 필요하다는 것을 동의했다.

깊은 학습의 단점은 사람의 추론 능력

“AI 토론 2 : AI의 발전 : 학제 적 접근 ‘이라는 주제로 열린 이번 토론에서 AI 전문가들은 깊은 학습의 문제를 다양하게 지적했다.

특히 초대 토론의인지 과학자 게리 마커스 (Gary Marcus)는 외부에서 보는 화려한 모습의 깊은 학습과는 달리 실무자는 운영 과정에서 발생하는 여러 가지 문제로 인해 어려움을 경험하고 있다고 설명했다.

가장 어려운 부분은 깊은 학습이 요구하는 데이터 양이다. 데이터를 수집하고 분석 ‧ 처리하는 과정에서 다른 알고리즘에 비해 지나치게 많은 데이터를 요구하고 있으며, 인공 지능을 운용하는데있어서의 어려움을 가중시키고 있다고 말했다.

게리 마커스는 또한 깊은 학습이 데이터에서 산출 된 지식을 다른 영역에 적용하는 데있어 어려움을 겪고 있다고 밝혔다. 특히 추론과 지식을 표현하는 데있어 불확실성과 표현력이 부족한 점 등 다양하게 나타나고있다 단점을 지적했다.

사람은 5 감으로 구성된 감각을 통해 여러 자극을 받아 들인다.

이렇게 받아 들인 정보는 뇌로 전달되어 관계 분석이 이루어지게된다. 예를 들어 책상 위에 책이나 볼펜이 놓여 있다고하면 책상 앞에서 책을 읽고 볼펜으로 메모를 해 나가는 것을 연상하게된다.

이러한 능력을 추론 (reasoning)하는 문제는 인공 지능에서이 같은 상식적인 능력이 매우 부족하다.

바둑 기사 이세돌을이긴 ‘알파’와 같이 깊은 학습이 어떤 분야에서 사람의 능력을 훨씬 뛰어 넘는 것은 틀림없는 사실이다. 실제로 의료 현장에서 의사보다 효과적으로 피부 질환 등을 진단하는 사례가보고되고있다.

하지만 조금 다른 영역으로 이동하면 그 능력을 발휘할 수 없다. 이러한 현상은 자신이하고있는 것을 포괄적으로 이해하지 있으며, 고차원 적으로 처리하지 않는다는 점을 말해 준다.

상식을 갖춘 대화 형 인공 지능을 개발

딥 학습에서 이러한 단점은 지금까지 전문가들 사이에서 자주 지적되어 온 사항이다.

그만큼 몬트리올 .AI 토론에 참가한 전문가들은 하이브리드 AI 등 다양한 방식의 인공 지능을 개발하고 있다고 밝혔다했다.

“Neural-symbolic Cognitive Reasoning”이라는 책을 쓴 컴퓨터 과학자 루이스라무 (Luis Lamb)은 기계 학습 기능에 논리적 형식 (logical formalization) 기능을 추가하고이 두 축을 기반으로하는 ‘신경 심볼릭 AI (neural -symbolic AI) ‘을 제안했다.

논리 포맷 기능과 철학 논리학을 전개하도록 인공 지능에 맞는 논리를 전개 해 나가자는 것. 논리를 확대하고 인공 지능의 참여 영역을 확대 해 나갈 수 있다고 말했다.

나는 Google 클라우드의 최고 AI 과학자을 맡은 페이지 – 훼이리 (Fei-fei Li) 스탠포드 대학 교수는 “현재의 인공 지능 시스템은 주위 세계와의 적극적인 상호 인식 작용에서 사람과 달리 매우 부족하고 부족 한 모습을 보이고있다 “고 지적했다.

리 교수는 “이러한 단점을 보완하기 위해 인공 지능의 사회화가 필요하다.”며 “현재 스탠포드 대학의 연구소에서는 주위의 세계를 이해하면서 스스로 행동 해 나가는 수있는 대화 형 에이전트 (interactive agents)를 구축하고있다. “고 말했다.

컴퓨터 과학자 인 리처드 서튼 (Richard Sutton)은 “대부분의 AI 작업에서 저명한 신경 과학자 데이비드 마 (David Marr)가 만든 용어 인 ‘계산 이론 (computational theory)’이 부족 있다 “고 지적했다.

계산 이론과 특정 알고리즘 문제를 얼마나 효율적으로 수행 할 수 있는지를 연구하는 것을 말한다.

리처드 서튼은 “이 계산 이론을 통해 정보 처리 시스템이 추구하는 목표와 목표를 추구하는 이유를 정의하는데있어서, 강화 학습 외에,이 계산 이론이 전혀 검출되지 않았다.”며 “개발 의 합의에 따라 AI를위한 계산 이론을 더 개발해야한다. “고 주장했다.

워싱턴 대학 최 예진 교수는 상식 (common sense)의 중요성을 강조했다. 사람이 가지고있는 상식을 인공 지능은없는 것.

그러나 최 교수는 “지금까지 인공 지능 개발의 상식의 중요성을 간과 해왔다.”며 “인공 지능 주위의 세계에 대한 지식을 구비 할 수 있도록 시스템을 보완 해 나가야한다. “고 말했다.

최 교수는 “추론의 공간이 무한이이를 뒷받침하기 위해 상식의 범위를 확대 할 필요가있다.”고 말했다.

또한 최 교수는 “사람의 같은 상식과 추론 능력에 도달하기 위해 상징적 인 표현과 신경 표현을 결합하여 지식을 추론에 통합하고 단순한 분류가 아닌 벤치 마크 시스템을 구축하는 등 광범위한 병렬 연구가 필요하다. “고 주장했다.

(4647)