마법사의 제자

독일 청소년들이 문학 시간에 배우는 내용 중에 볼프강 폰 괴테의 ‘마법사의 제자(1797)’라는 시가 있다. 이 시는 프랑스의 음악가 폴 뒤카스에 의해 교향시로도 작곡되었으며(L’Apprenti sorcier, 1897), 1940년 디즈니의 장편 애니메이션 환타지아 중에서 미키 마우스를 주인공으로 하는 단편 애니메이션으로도 제작되었다.

디즈니는 괴테의 원작과 뒤카스의 곡을 충실하고 훌륭하게 영상화 해냈다.

‘마법사의 제자’를 통해 우리는 산업혁명의 여명을 우려 섞인 관점으로 바라보던 괴테의 생각을 엿볼 수 있다. 한편, 이 작품은 현대 인공 지능 기술에 관하여도 많은 점을 시사한다.

인공 지능이란 무엇인가?

인공 지능은 인간 또는 동물의 지능을 인공적으로 모사하는 연구 분야이다. '지능'의 개념부터 상당히 애매한 까닭에 인공 지능은 태동기부터 철학자와 과학자들 모두의 관심을 끌어온 영역이다.

이 글에서는 ‘지능'을 정의하는 다양한 논쟁에서 벗어나 이미 공감대가 형성되어 있는 전제부터 다루기로 한다.

우선, 지능이 두뇌의 작용이라는 점에 대해서는 이론의 여지가 없다. 즉, 인공 신경망(Neural network)을 통해 뇌(腦)의 시냅스 메커니즘을 모방한다면 뇌가 하는 일인 지능을 흉내 낼 수 있을 것이다. 바로 이 지점에서 인공 지능 (AI)에 대한 현대적인 접근이 시작된다.

AI의 구성요소: 알고리즘과 기계 학습

이야기로 돌아가보자. 마법사의 제자인 미키 마우스는 자신만만하게 빗자루에 마법을 걸어 생명을 불어넣는다. 그리고 성 안에 있는 욕조에 물이 가득 찰 때까지 채우라고 명령한다. 미키 마우스는 이렇게 주문을 걸었을 것이다.

“빗자루야, 양동이를 들고, 우물로 가서, 물을 길어오고, 성 안의 욕조에 물을 부어 넣는 일을 반복하거라!”

기계에게 이 일련의 작업을 수행하도록 명령하려면, 미키 마우스의 주문을 간단한 작업 단위로 분해해야 한다. 이런 일련의 명령을 알고리즘이라고 하는데, 알고리즘이란 문제를 해결하기 위한 절차 또는 규칙을 의미한다. 다음은 이 알고리즘을 그림으로 표현한 것이다.

이 알고리즘에서 빗자루는 물통이 가득 찰 때까지 2~5 단계를 계속 반복할 것이다. 미키 마우스는 ‘중단’ 부분을 프로그래밍하는 것을 잊어버렸기 때문에 성에 물이 가득 넘치게 된 것이다.

그러나 ‘중단’ 명령을 잊지 않았더라도 빗자루는 멈추지 않았을 것이다. 그 이유는 빗자루에게 욕조가 ‘가득 찬 상태’의 의미가 불분명했기 때문이다. 빗자루를 멈추게 하려면 ‘가득 찬 상태’가 무엇인지 정의했어야 한다.

인간의 사고방식대로라면 ‘가득 찬 상태’가 너무나도 분명할 것이다. 우리의 두뇌는 직관적으로 ‘가득 찬 상태’를 스스로 정의할 수 있기 때문이다. 우리의 두뇌는 직관력을 통해 현실의 모호성을 이해하고 추상화를 통해 패턴을 인식하도록 설계되어 있다.

예를 들어, 5살짜리 아이라도 컵이나 욕조가 ‘가득 찬 상’”가 무엇인지 쉽게 상상할 수 있다. 그러나 컴퓨터에게 ‘가득 찬 상태’란 명확한 정의가 필요한 개념이다. 만약 욕조가 90 % 이상 채워졌을 때 알고리즘이 중단되도록 프로그래밍했다면, 빗자루가 이해할 수 있는 상태를 효과적으로 정의했을 것이다.

자율 주행 알고리즘

그러나 우리가 기계를 사용하여 풀고자 하는 문제는 가득 찬 욕조가 무엇인지 인식하는 것보다 훨씬 더 복잡하다.

예컨대 자율 주행 자동차는 도로에서 중요한 정보를 인식하기 위해 알고리즘에 의존한다. 자율 주행 자동차 알고리즘은 교통 신호, 보행자, 도로 표지판뿐만 아니라 최적 경로, 상대 속도, 지형 및 모든 형태의 비상 상황 등 추상적인 정보까지 처리할 수 ​​있어야 한다.

프로그래머들은 자율 주행을 가르치기 위해 머신 러닝을 사용한다. 머신 러닝은 대량의 데이터를 처리하여 효과적인 문제해결 알고리즘을 개발하는 지속적인 과정이다. 이 과정을 통해 컴퓨터는 구체적인 지시를 받지 않고도 특정 작업을 수행할 수 있게 된다.

알고리즘을 개발하는 과정에서 데이터가 처리되는 방식에 따라 지도학습과(Supervised Learning)비지도학습으로 (Unsupervised Learning) 나눌 수 있다.

예를 들어, 최근 일부 웹사이트에서 로그인을 하거나 회원가입을 할 때 신호등 사진을 구별해달라는 것을 본적이 있을 것이다. 이는 수백만 개의 신호등 이미지를 ‘중지’라는 결과로 분류(Labeling)하여 컴퓨터가 적신호를 인식하는 알고리즘 개발을 사람이 감독하는 방식이다.

한편, 비지도학습이란 주행 속도와 교통 사고 간의 관계를 분석하는 작업처럼 특정 표식이 없는 데이터 세트 간의 관계를 처리하여 최적의 주행 속도를 정교하게 계산하는데 사용될 수 있다.

인공 지능 "아직은 먼 길"

영국의 소설 작가인 아서 C. 클라크(Arthur C. Clarke)는 “충분히 발달한 과학기술은 마법과 구별할 수 없다”고 했다. 마법사의 제자가 자신의 주문의 위력과 성질을 온전히 이해하지 못했던 것처럼 복잡한 알고리즘의 본질은 그 뼈대를 설계한 프로그래머들조차도 완벽하게 이해할 수 있는 것이 아니다.

그러나 이것이 결코 인공 지능이 인간의 지능을 능가한다는 의미는 아니다. 세계에서 가장 강력한 바둑 알고리즘인 알파고조차 단 하나의 작업 밖에 할 수 없다. 인간은 특유의 추상적 사고 능력을 통해 삶에 의미를 부여하며, 결코 단 하나의 직업이나 작업으로 국한되는 존재가 아니다.

Artificial Intelligence and Der Zauberlehrling

The Sorcerer’s Apprentice

One classic favorite German students learn in their literature class is Wolfgang von Goethe's "The Sorcerer’s Apprentice (1797)." The poem inspired the French composer Paul Dukas to write a symphonic translation (L'Apprenti sorcier, 1897), which was later adapted into a section in 1940 Disney's Fantasia, featuring Mickey Mouse as the main character merged with the original poem.

“The Sorcerer’s Apprentice” gives us an insight from the perplexed eyes with which Goethe observed the dawn of the Industrial Revolution. This story also serves as a strikingly relevant analogy to how artificial intelligence operates in our times.

What is Artificial Intelligence?

Artificial Intelligence is the field devoted to artificially emulate human or animal intelligence. This is an area that captured the attention of philosophers and scientists alike, as the core concept of ‘intelligence’ is quite elusive. Of course, there is plenty of debate to go around in defining what ‘intelligence’ really is. For now, let us move away from the hairsplitting and focus on things that leave little room for dispute. We can all agree that intelligence is the function of the brain. This entails that if we were to mimic the brain’s underlying mechanics of synapses through artificial neural networks, we might be able to emulate what the brain does, i.e., intelligence. This is where the modern approach to artificial intelligence (AI) begins.

Algorithms and Machine Learning: the building blocks of AI

Returning to our ambitious apprentice, Mickey Mouse brought life to the inanimate broom with a spell. He commands the broom to fill the cistern until it is full. A simple list of commands: pick up the buckets, go to the well, bring the water back, pour the water into the cistern inside the castle and repeat.

Now let’s see how this list will look like if we were to program a robot using AI. In order to teach a robot to carry out a task, we will need to break it down like we’ve seen with the apprentice’s spell. For a machine, we can say this list is an algorithm, which is a process or a set of rules to solve a problem. Let’s visualize this simple algorithm below.

In this algorithm, the broom will continue to repeat steps two to five until the cistern is full. The apprentice in the story forgot to program the “Stop” part, flooding the castle as a result. However, even if he did, the broom might not have stopped anyway. Why? Because to the broom, the state of the cistern being full was unclear. The broom will not stop until the cistern is “full,” and that state had not been defined for it to understand.

To the human brain, what a full cistern should look like is obvious. It is something our brains can intuitively tell. Our brains are hard-wired to recognize patterns through abstraction, using intuition to navigate ambiguities in our day to day lives. For example, even a 5-year-old can tell whether something is full, no matter she is looking at a cup or a cistern. But for a machine, this is a concept that requires a clear definition. If we had programmed our algorithm to stop when the cistern was filled more than 90%, it would have been an effective definition of full, acceptable to the broom.

The Self-driving Algorithm

But the problems we want to use machines to solve are far more complex than recognizing a full cistern. Self-driving cars rely on algorithms to recognize important information on the road. The algorithm for self-driving cars need to be able to process the movement of people, other cars, as well as traffic signs and signals as well as abstract ideas such as optimum route, relative speed, terrain and all forms of contingencies. To teach machines to drive our cars, we use machine learning, a powerful and indispensable component of AI. Machine learning is a continuous process to develop algorithms by feeding large amount of data. Through this process, machines can perform specific tasks without being given specific instructions. Machine learning can be supervised by humans or not, depending on how the data is processed in the algorithm. For example, if we are teaching machines to recognize a red light by feeding it millions of images of traffic lights and labeling it “stop,” we are supervising the development of an algorithm. On the other hand, unsupervised learning lets machines process relationships of unlabeled data sets, such as the relationship between speed and car accidents to define the optimum driving speed.

AI is not there yet

British fiction writer Arthur C. Clarke said, “any sufficiently advanced technology is indistinguishable from magic.” Just like the apprentice did not fully understand the power and the nature of his own spells, the full nature of complex algorithms is beyond our comprehension, even for the programmers who designed them.

However, this does not mean that AI will surpass the human mind any day soon. Even the world’s most powerful Go algorithm, AlphaGo can only play one game. Our mind’s ability of abstract thinking is what makes us much more than what we do at any certain point in our lives. AI is a tool, albeit a very powerful tool in select areas, which we need to learn and needs to keep on learning.