신경기호 인공지능이 AI인 이유 미래의

트레이를 그려보세요. 트레이에는 다양한 모양이 있습니다. 일부는 큐브이고 일부는 구형입니다. 모양은 다양한 재료로 만들어졌으며 다양한 크기를 나타냅니다. 총 8개의 개체가 있을 수 있습니다. 내 질문: "물체를 보면 큰 물체와 금속 구체의 개수가 같은가요?"

그것은 속임수 질문이 아닙니다. 그것이 마치 그것이 것처럼 들리는 사실은 그것이 실제로 얼마나 단순한지에 대한 긍정적인 증거입니다. 미취학 아동이 가장 쉽게 대답할 수 있는 질문입니다. 그러나 오늘날의 최첨단 신경망으로는 불가능에 가깝습니다. 이것은 바뀌어야 합니다. 그리고 이는 우리가 알고 있는 인공지능을 재창조함으로써 이루어져야 합니다.

그건 내 의견이 아니다. 의 의견이다 데이비드 콕스, MIT-IBM Watson A.I. 이사 매사추세츠주 케임브리지에 있는 연구실. 전생에 Cox는 Harvard University의 교수였으며 그의 팀은 신경 과학의 통찰력을 사용하여 더 나은 뇌 영감 기계 학습 컴퓨터 시스템을 구축하는 데 도움을 주었습니다. 현재 IBM에서 그는 AI를 발전시키는 MIT와 IBM 간의 고유한 파트너십을 감독하고 있습니다. IBM의 Watson AI를 포함한 연구 플랫폼. 모르는 사람들을 위해 Watson은 A.I였습니다. 최고의 게임 쇼 플레이어 두 명을 물리친 것으로 유명합니다. TV 퀴즈쇼의 역사 속 위험. 또한 Watson은 인간이 도출한 규칙이 아닌 대량의 데이터를 사용하여 훈련된 기본 기계 학습 시스템이기도 합니다.

따라서 Cox가 세상은 AI를 다시 생각해야 한다고 말했습니다. 새로운 10년을 맞이하면서 좀 이상하게 들립니다. 결국 2010년대는 AI 분야에서 가장 성공적인 10년이라고 할 수 있습니다. 역사(history): 돌파구가 매주 발생하는 기간이며, 서리가 내린 듯한 기미는 전혀 없습니다.

일체 포함. 겨울 통찰력. 이것이 바로 그가 A.I를 생각하는 이유이다. 그러나 변화가 필요합니다. 그리고 그러한 변화에 대한 그의 제안인 현재는 모호한 용어인 "신경 기호 AI"는 2020년대가 끝날 때쯤이면 우리가 친숙하게 아는 문구 중 하나가 될 수 있습니다.

상징적 A.I.의 흥망성쇠

신경 상징적 A.I. 엄밀히 말하면 AI를 수행하는 완전히 새로운 방식은 아닙니다. 이는 사고 기계를 구축하는 두 가지 기존 접근 방식의 조합입니다. 한때 필멸의 적으로 서로 맞서 싸웠던 것들.

이름의 "상징적" 부분은 인공 지능을 만드는 최초의 주류 접근 방식을 나타냅니다. 1950년대부터 1980년대까지 상징적인 A.I. 최고로 통치했습니다. 상징적인 A.I. 연구원에 따르면 지능은 내부 상징적 표현을 형성하여 주변 세계를 이해하는 인간의 능력에 기초합니다. 그런 다음 이러한 개념을 다루기 위한 규칙을 만들고 이러한 규칙은 일상적인 지식을 포착하는 방식으로 공식화될 수 있습니다.

뇌가 컴퓨터와 유사하다면 이는 우리가 직면하는 모든 상황이 우리의 실행에 달려 있다는 것을 의미합니다. 전적으로 다음 사항에 기초하여 작업을 수행하는 방법을 단계별로 설명하는 내부 컴퓨터 프로그램 논리. 이 경우 상징적 A.I. 연구자들은 세계의 조직을 발견하고 컴퓨터를 위한 알고리즘의 형태로 코드화할 수 있습니다. 수행합니다.

상징적 A.I. 꽤 인상적인 시연을 펼쳤습니다. 예를 들어, 1964년 컴퓨터 과학자 Bertram Raphael은 SIR이라는 시스템을 개발했습니다.의미론적 정보 검색.” SIR은 실제 지능과 유사한 방식으로 객체 간의 관계를 학습할 수 있는 것으로 보이는 계산 추론 시스템이었습니다. 예를 들어, “John은 소년입니다. 소년은 사람이다. 사람에게는 두 손이 있습니다. 한 손에는 다섯 개의 손가락이 있습니다.” 그러면 SIR은 “John의 손가락은 몇 개입니까?”라는 질문에 대답합니다. 올바른 숫자 10으로.

상징적 A.I를 기반으로 한 컴퓨터 시스템 1980년대에 그들의 권력이 최고조에 이르렀고 쇠퇴했습니다. 이는 다음과 같은 실제 문제를 해결하기 위해 규칙 기반 시스템을 사용하려고 시도한 소위 "전문가 시스템"의 10년이었습니다. 유기 화학자가 알려지지 않은 유기 분자를 식별하도록 돕거나 의사가 다음 질환에 적합한 항생제 용량을 권장하도록 돕습니다. 감염.

이러한 전문가 시스템의 기본 개념은 견고했습니다. 하지만 그들에게는 문제가 있었습니다. 시스템은 비용이 많이 들고 지속적인 업데이트가 필요했으며, 무엇보다도 더 많은 규칙이 통합될수록 정확도가 떨어질 수 있었습니다.

신경망의 세계

신경 기호 AI의 "신경" 부분. ~을 참고하여 딥러닝 신경망. 신경망은 많은 AI를 구동한 두뇌에서 영감을 받은 계산 유형입니다. 지난 10년 동안 나타난 획기적인 발전. 일체 포함. 그게 차를 운전할 수 있다고? 신경망. 일체 포함. 텍스트를 수십 개의 다른 언어로 번역할 수 있는 것은 무엇입니까? 신경망. 일체 포함. 집에 있는 스마트 스피커가 당신의 목소리를 이해하는 데 도움이 되는 것은 무엇입니까? 신경망은 감사할 기술입니다.

신경망은 상징적 AI와 다르게 작동합니다. 규칙 기반이 아닌 데이터 기반이기 때문입니다. 상징적인 A.I.에게 무언가를 설명하기 위해. 시스템이란 올바른 식별을 수행하는 데 필요한 모든 정보를 명시적으로 제공하는 것을 의미합니다. 비유로, 버스 정류장에서 엄마를 데리러 누군가를 보내는데 친구가 군중 속에서 엄마를 골라낼 수 있도록 일련의 규칙을 제공하여 엄마를 설명해야 한다고 상상해 보세요. 이를 수행하도록 신경망을 훈련하려면 문제의 개체에 대한 수천 장의 사진을 보여주기만 하면 됩니다. 일단 충분히 똑똑해지면 그 물체를 인식할 수 있을 뿐만 아니라; 그것은 다음과 같은 유사한 객체를 만들 수 있습니다. 현실 세계에는 실제로 존재한 적이 없었습니다..

David Cox는 Digital Trends와의 인터뷰에서 “확실히 딥 러닝은 놀라운 발전을 가능하게 했습니다.”라고 말했습니다. "동시에 벽에 균열이 보이기 시작했습니다."

소위 균열 중 하나는 오늘날의 신경망을 그토록 강력하게 만든 바로 그 요소, 즉 데이터에 의존합니다. 인간과 마찬가지로 신경망도 예제를 기반으로 학습합니다. 그러나 인간이 사물을 정확하게 기억하려면 사물의 훈련 예시를 한두 개만 보면 될 수도 있지만, AI는 사물을 정확하게 기억합니다. 훨씬 더 많은 것이 필요할 것입니다. 정확성은 각각의 새로운 작업을 학습할 수 있는 주석이 달린 데이터의 양에 따라 달라집니다.

불타는 신호등

이로 인해 통계적으로 드물게 발생하는 "블랙 스완" 문제에 능숙하지 않게 됩니다. 블랙스완 이벤트로 대중화 나심 니콜라스 탈레브, 통계적으로 드문 경우입니다. "오늘날 우리의 딥 러닝 솔루션 중 다수는 그 놀라운 만큼 80-20 솔루션입니다."라고 Cox는 계속 말했습니다. “그들은 80%의 사례를 올바르게 처리할 것이지만, 그러한 코너 사례가 중요하다면 실패하는 경향이 있습니다. 평소에 속하지 않는 물체나 방향이 조금 이상한 물체를 보면 놀라운 시스템도 무너질 것이다.”

Cox는 IBM에 합류하기 전에 회사를 공동 창립했습니다. 지각 오토마타, 자율주행차용 소프트웨어를 개발한 회사입니다. 팀에는 데이터 수집 과정에서 우연히 발견한 재미있는 이미지를 게시하는 Slack 채널이 있었습니다. 그 중 하나는 교차로에서 찍은 신호등에 불이 붙은 모습을 보여주었습니다. 콕스는 “평생 볼 수 없는 사례 중 하나”라고 말했다. “Waymo와 Tesla가 사용하는 데이터 세트에 신호등에 불이 붙은 이미지가 있는지 모르겠습니다. 그들의 신경망을 훈련시키겠지만, 나는 장담합니다. 만약 그들이 신경망을 가지고 있다면, 그들은 단지 매우 약간의."

코너 케이스는 거의 발생하지 않고 발생하더라도 그다지 중요하지 않기 때문에 중요하지 않은 것입니다. 나쁜 레스토랑 추천을 받는 것은 이상적이지 않을 수도 있지만, 하루를 망치기에는 충분하지 않을 수도 있습니다. 시스템이 제시한 이전 99개의 권장 사항이 좋은 한 실제로 실망할 이유는 없습니다. 불타는 신호등이나 마차 때문에 교차로에서 자율주행차가 적절하게 반응하지 못하는 것은 하루를 망치는 것보다 더 많은 일을 할 수 있습니다. 일어날 가능성은 낮지만 만약 발생한다면 시스템이 이에 대처할 수 있도록 설계되었는지 알고 싶습니다.

Cox는 "이전에 본 것 이상으로 추론하고 추정할 수 있는 능력이 있다면 이러한 시나리오를 처리할 수 있습니다."라고 설명했습니다. “우리는 인간이 그렇게 할 수 있다는 것을 알고 있습니다. 불이 붙은 신호등을 보면 많은 지식을 얻을 수 있습니다. 예를 들어, 나는 그 빛이 내가 멈춰야 할지 가야 할지 말해주지 않을 것이라는 것을 알고 있습니다. [주변의 운전자들이 혼란스러워할 것이기 때문에] 조심해야 한다는 것을 알고 있습니다. 반대 방향으로 오는 운전자들은 신호등이 작동할 수 있기 때문에 다르게 행동할 수 있다는 것을 알고 있습니다. 나는 내가 가야 할 곳으로 나를 데려갈 행동 계획을 추론할 수 있다. 이러한 종류의 안전이 중요하고 미션 크리티컬한 환경에서는 아직 딥 러닝이 우리에게 완벽하게 도움이 되지 않는다고 생각합니다. 그렇기 때문에 추가적인 솔루션이 필요합니다.”

보완적인 아이디어

신경기호적 A.I. 학습과 논리를 결합하기 위해 이러한 접근 방식을 결합하는 것입니다. 신경망은 상징적인 A.I를 만드는 데 도움이 될 것입니다. 인간 프로그래머에게 의존하는 대신 세상을 기호로 분해하여 시스템을 더 똑똑하게 만듭니다. 한편 상징적 A.I. 알고리즘은 상식 추론과 도메인 지식을 딥 러닝에 통합하는 데 도움이 됩니다. 그 결과는 AI의 상당한 발전으로 이어질 수 있습니다. 자율주행차부터 자연어 처리까지 모든 것과 관련된 복잡한 작업을 처리하는 시스템입니다. 동시에 훈련에 필요한 데이터도 훨씬 적습니다.

Cox는 “신경망과 상징적 아이디어는 정말 놀랍도록 서로 보완적입니다.”라고 말했습니다. “신경망은 현실 세계의 지저분함에서 세계의 상징적 표현으로 나아가는 데 대한 답을 제공하고 이미지 내의 모든 상관관계를 찾아내기 때문입니다. 일단 상징적 표현을 갖게 되면 추론 측면에서 꽤 마법 같은 일을 할 수 있습니다.”

예를 들어, 이 기사를 시작한 모양 예제에서 신경 기호 시스템은 신경망의 패턴 인식 기능을 사용하여 객체를 식별합니다. 그런 다음 상징적 A.I에 의존하게 됩니다. 새로운 관계를 발견하기 위해 논리와 의미론적 추론을 적용합니다. 이러한 시스템에는 이미 효과적으로 작동하는 것으로 입증되었습니다..

이것이 유용할 수 있는 특별한 경우만은 아닙니다. 점점 더 중요해지는 것은 A.I. 필요할 때 시스템을 설명할 수 있습니다. 신경망은 특정 작업을 매우 잘 수행할 수 있지만 내부 추론의 대부분은 "블랙박스"로 되어 있어 신경망이 어떻게 결정을 내렸는지 알고 싶어하는 사람들에게는 이해하기 어렵습니다. 다시 말하지만, Spotify에서 잘못된 트랙을 추천하는 봇이라면 이는 그다지 중요하지 않습니다. 그러나 은행 대출이 거부되거나 취업 지원이 거부되거나 누군가가 부상을 입은 경우 자율주행차와 관련된 사고에 대해 특정 권장 사항이 적용되는 이유를 설명할 수 있는 것이 좋습니다. 만들어진. 바로 그곳이 신경기호 A.I. 들어올 수 있었다.

일체 포함. 연구: 차세대

수십 년 전 상징적 A.I. 신경망은 서로 충돌했습니다. 이러한 접근 방식을 옹호한 유명 인사들은 자신들의 접근 방식이 옳다고 믿었을 뿐만 아니라; 그들은 이것이 다른 접근 방식이 잘못되었음을 의미한다고 믿었습니다. 그렇게 하는 것이 반드시 틀린 것은 아닙니다. 동일한 문제를 해결하기 위해 경쟁하고 자금이 제한되어 있는 두 A.I. 근본적으로 서로 반대되는 것처럼 보였습니다. 오늘날에는 그 반대가 사실로 판명될 수도 있는 것 같습니다.

콕스는 “젊은 세대를 보는 것은 정말 흥미롭다”고 말했다. “[저희 팀의 많은 사람들은] 상대적으로 젊은 사람들입니다. 신선하고, 신나고, 최근에 박사 학위를 취득한 사람들입니다. 그들은 그런 역사가 전혀 없습니다. 그들은 [서로 대립하는 두 가지 접근 방식에 대해] 신경 쓰지 않습니다. 배려하지 않는 것은 마음을 열고 편견을 없애기 때문에 정말 강력합니다. 그들은 교차로를 탐험하는 것을 좋아합니다… 그들은 단지 AI를 사용하여 뭔가 멋진 일을 하고 싶어할 뿐입니다.”

모두가 계획대로 진행된다면, 우리 모두는 그 결과로부터 이익을 얻을 것입니다.

편집자의 추천

• 아날로그 AI? 이상하게 들리겠지만, 미래일 수도 있습니다
• AI의 섬뜩할 정도로 아름다운 '종합 성서'를 읽어보세요. 그게 신이라고 생각하는 거야
• 알고리즘 아키텍처: A.I. 우리를 위한 건물 디자인?
• 언어 슈퍼모델: GPT-3가 AI를 조용히 도입하는 방법 혁명
• Women with Byte: AI를 통해 '인간의 복잡한 문제'를 해결하려는 Vivienne Ming의 계획