AI/로봇·드론/VR·AR

Nikkei Electronics_2016.06. 특집 (p25-55)

인공지능, 초인간에의 로드맵


Part. 1 반드시 오는 장래
「인간을 지원」에서「인간을 넘어서」 -- 2030년에도 초 인간, 초 지성

인공지능의 연구개발이 엄청난 기세로 진행되고 있다. 연구자의 예상을 크게 뛰어 넘는 속도로 눈부실 정도의 성과가 계속하여 등장하고 있다. 이런 기세는 앞으로도 계속될 것인가? 그 앞에는 사람의 능력을 뛰어 넘는「초인」이나「초지성」의 탄생이 보이게 될 것이다.

사진과 다른 화상의 생성. 화상의 내용에 대한 질의응답. 프로그래밍의 습득. 옷걸이를 장롱에 걸고, 병마개를 잠글 수 있는 로봇. 인공지능에 의한 인공지능의 설계 .…. .
인공지능 (AI: Artificial Intelligence)의 연구개발이 급격하게 가속화 되고 있다. 이전에는 어렵다고 생각되던 작업이 계속하여 가능하게 되고 있다. 2016년 3월에 세계에서도 톱 레벨의 기사를 이겼던 바둑소프트「AlphaGo」는 빙산의 일각이다.「연구자도 정신 없이 오락가락하는 상태로, 1년 전에 썼던 연구계획서가 벌써 진부화되어 있다」(국내의 인공지능 연구자).

제 1인자도 놀라게 하는 맹렬한 기세는, 당분간 꺼질 것 같지 않다. 앞으로도 AI는 착실히 진화를 해나갈 것이다. AI 의 공통의 목표는, 사람만이 할 수 있었던 일을 기계에게도 가능하게 하는 것이다. 마치 인간의 어린이가 성장하는 것과 같이, 단계를 밟아서 고도한 능력을 몸에 갖게 하는 것일 것이다.

-- 「유아」에서 「초인」으로 --
현재의 AI 는, 인간으로 말하면 유아의 단계이다. 화상과 음성을 인식하지만, 언어는 배워가는 단계이고, 운동능력은 거의 없다. 지금은 인터넷의 클라우드(Cloud) 측에서 자라고 있지만, 향후에는 단부(Edge) 측에서 성장도 시작할 것이다. 엣지 측과 클라우드 측에서 AI 는 동시병행적으로 진화하여, 주로 전자는 운동을 담당하는 기능, 후자는 고도한 지성을 몸에 갖추어 갈 것이다. 단, 클라우드 측에서 키워진 지성은, 반도체 기술의 진척과 함께 잎으로는 엣지 측으로 이전하여 갈 것이다.

엣지 측의 AI 가 지향하는 것은, 개인의 어시스턴트와 가정용로봇, 자동운전 자동차나 공장에서의 작업 등의, 물리적인 공간 속에서 사람을 지원·대체하는 용도이다. 우선은 2020년경을 기점으로, 자율적으로 이동하는 능력을 몸에 갖게 된다. 각종의 센서로 외계를 인식하고, 도로를 자율적으로 판단하는 자동운전 자동차나 드론 등이, 순차적으로 시장에 등장한다.

다음에 오는 것이, 방을 정리하고 의복의 수납 등과 같은, 사람과 같이 복잡한 동작이 가능하게 되는 단계이다. 2020년대의 중반에도 현실적으로 될 것 같다. 딥·러닝(심층학습)을 이용한 Machine Vision과 로봇연구로 저명한 미국 UC Berkeley교의 Travor Darrel교수는, 사용자의 지시에 따라서 다양한 가사를 하는 로봇은「아마 10년후를 기점으로 실현될 것이다」고 이야기 한다.

엣지 측 AI 의 지적 능력도 점점 고도화해 간다. 다채로운 가사를 행하는 가정용로봇에서는, 사용자의 기호를 배우거나, 자연언어로 회화하는 기능은 당연하게 될 것이다. 효율적으로 작업하기 위해서, 장시간에 걸쳐 행동계획을 입안하고, 상황에 맞추어서 유연하게 실행하는 능력도 실현될 것이다. 하지만 이러한 기능이 전면적으로 엣지에 실장 될 것인지는, 반도체의 가격대 성능 비와 네트워크의 속도 등의 요인에 좌우될 것이다. 

그 다음에 나타나는 것은, 자율적으로 판단하는 기계간에 협조하여 동작하는 세계이다. 사용자의 행동을 예측하여 무수의 기계가 힘을 합쳐서 다양한 작업을 해내는 시대가 2030년 전후에 다가올 가능성이 있다. 로봇의 연대에 의해 실현 가능한 작업은, 인간의 신체능력으로 가능한 범위를 상회하여「초인」의 영역에 달할 것이다.

--「초 지성」이 인류의 문제를 해결 -- 
한편 클라우드 측은, 인간의 지성을 어디까지 근접시키는 것이냐가 당면의 목표이다. 화상과 음성 등의 인식기능에 이어서, 자연언어에 의한 대화의 능력을 발달시켜 간다. 특정영역으로 집중한 회화의 능력은 이미 인간에 가깝게 되어있다. 화제의 범위를 제한하지 않는 일반적인 회화의 수준도, 빠르면 2020년대 전반에 사람수준에 도달할 것 같다.   

그 다음으로는, 추상적인 사고와 유추, 더해서는 자발적인 학습에 의해 자신이 개변하고 성장해 나가는 기능 등을 겨냥한다. 이러한 특성을 겸비한 지성을, 빠르면 2020년대 후반에는 실현 가능하게 하자는 의견이 있다. 국내의 연구자가 모여 2015년 8월에 발족한 全腦 아키텍처·이니셔티브는, 빠르면 2025년까지 인간 정도의 지성을 실현하는 것을 목표로 세웠다. (p48-56 관련기사)   

클라우드 측의 AI는, 인간과의 지성을 좁히는 것에 그치지 않는다. IoT (Internet of Things)용의 데이터 해석이나, 많은 인공지능의 훈련을 통하여, 인공지능용의 지식이 점점 축적되어 간다. 이러한 데이터에 고도의 사고능력을 적용하고, 인간의 능력으로는 미치지 못하는 지식이나 해결책을 만들어 내게 하는 것이, 장래에 걸친 커다란 목표가 될 것이다.     

예를 들면, 미국 Preffered Networks, America사의 COO 오타 씨는「심층학습에 필적하는 획기적인 기술」(동 씨)이라고 말하는 게놈편집과의 융합을 그려본다. 현재 진행되고 있는 심층학습을 활용한 유전자해석의 결과를 바탕으로, 인간이 희망하는 특성을 가진 생명의 설계라도 가능하게 된다고 보고 있다. 2050년에 실현을 목표로 한 장대한 구상도 있다. 소니 컴퓨터사이언스 연구소의 키타노 소장은, 2050년을 기점으로 노벨상에 준하는 과학적 발견이 가능한 인공지능을 개발하는 프로젝트를 개시했다 

-- 자금과 기술의 양면이 충실 --
이들 연구를 가속하는 원동력의 하나는, 풍부한 자금의 유입이다. 미 venture Scanner 사의 조사에 의하면, 전 세계의 AI 관련 벤처기업에 대한 투자액은, 2014년에 약 10억 달러, 2015년에 약 12억 달러로, 해가 거듭될수록 늘어나고 있다. AI 연구개발에서 선행하고 있는 미국에서는 Google, Facebook, Microsoft 등의 대형 IT 기업의 연구개발투자도 활발하다. 일본에서도, 5년간에 10억 달러를 투자하는 도요타자동차를 필두로, 산학관에 걸친 AI 연구에 자금을 부어 넣는 기운이 높아지고 있다.        

다음으로 유력한 기술의 후보가 밝혀진 것도 크다. 세간의 이목을 모은 심층학습이 그것이다. 심층학습에 대한 기대의 높이는, 향후의 시장예측부터도 분명하다. 조사회사인 미 Tractica 사에 의하면, 심층학습에 관련하는 하드웨어, 소프트웨어, 서비스의 매출액의 합계가 2015년 이후의 10년간에 4000억 달러 (약 42조엔)을 넘어설 것이라고 한다.

--「인간을 넘어서」가 다음으로 --
심층학습에의 주목도가 높아지는 이유는 몇 가지가 있다. 우선, 특정의 조건하에서 인간의 능력을 넘어서는 성과를, 순식간에 이룩한 것이다. 이것을 인상적으로 한 것이, 세계적인 화상인식기술의 콘테스트인「ILSVRC」의 결과이다.

2012년에 심층학습을 사용한 그룹이 타 팀보다도 10 % 이상 낮은 오인 율을 실현했다. 그 후에도 심층학습을 사용한 방법에 의해 오인 율이 계속 낮아져, 2015년에 톱으로 된 Microsoft Research Asia 팀은 3.6%를 달성하여, 인간에 의한 정도라는 기준치인 5%를 밑돌았다.        

음성인식에서도, 중국 Baidu 사는「말하는 사람이 어디에서 무엇을 하고 있느가라는 문맥의 정보가 없는 상황에서, 3~4초간의 질문을 청취하는 능력은, 이미 인간을 넘어서는 수준이다」( Baidu Silicon Valley AI Lab, Director Adam Coates)고 주장한다.

시스템개발의 부담이 경감되는 것도 중요하다. 종래에는 패턴인식에 필요한 특징 량이나 이상검지에 쓰는 수식모델 등을 인간이 수작업으로 설계할 필요가 있었다. 심층학습에서는, 데이터만 정리되면 적절한 특징 량이나 모델을 Neural Network이 자동적으로 획득하여 준다.

「수 백대의 기계가 있는 공장에서, 각각의 모델을 설계하는 것은 엄청난 일이다. 심층학습이라면 대량의 데이터를 모아서 적절한 Neural Network에 학습시키면 끝난다」(크로스컴파스 인텔리젠트 사장인 사토 씨).

-- 계속 넓어져 가는 용도 --
심층학습을 적용하면, 종래의 방식에서는 안 되었던 것이 가능하게 되는 에도 얼마든지 있는 것 같다.「심층학습은, 시 계열 데이터를 포함하여 폭넓은 패턴인식의 문제에도 적용 가능하다. 기존 방법으로 잘 해석되지 않던 문제에도 좋은 결과를 내고 있다」(크로스컴파스 사토 씨). 「처음에는 믿지 않았는데, 실제로 해보니까 의외로 대단하다. 기술자도 최초에는 놀라워했다. 현장이 아주 활기차게 되었다」(국내 대형 가전메이커 연구자)라는 목소리도 있다.

연구개발의 단계에서는, 더 넓은 범위에의 응용을 새롭게 여는 연구발표가 계속되고 있다. 패턴인식의 틀을 넘어서는 연구발표도 많다. Facebook사 등의「DCGAN」은, 사진에 가까운 화상의 생성을 가능하게 했다. 미 UC Berkeley교는, 강화학습을 이용하여 로봇에게 사람과 같은 복잡한 동작을 시키는 연구를 진행하고 있다. 이외에도 새로운 방향성을 발표하는 연구사례는, 우후죽순과 같이 많이 나타나고 있다.                  

-- 하드웨어의 성장이 견인 --
연구단계의 시스템에는,「인간 정도」의 성능과는 먼 거리의 것이 있다.그러나 연구자 사이에서는, 화상인식의 경우와 같이, 시간과 함께 개선이 진행된다고 하는 낙관적인 견해가 많은 것 같다. 근거는 컴퓨터의 성능향상에 있다. 보다 고속의 컴퓨터가 등장하면, 더 많은 대량의 데이터를 사용하여, 지금 이상의 대규모의 네트워크를 학습시킨 결과로 Neural network의 능력을 높이기 때문이다. 

음성인식의 전 공정에 심층학습을 적용하는「End-to-End」방식을 사용하는 Baidu사는, 이 방식이 가능하게 된 이유를 이렇게 설명한다.「수년 전에 이 방식은 불가능하다고 했었다. 충분한 양의 데이터와 정확한 알고리즘이 없었기 때문이었다.컴퓨터의 성능이 높아진 지금에는, 대단히 높은 인식 율을 실현하고 있다. 더 많은 데이터를 이용 가능하게 된다면, 언젠가는 인식 정도는 사람의 영역에 도달할 것이다」(Baidu사의 Coates 씨)

심층학습에 사용되는 하드웨어의 성능향상이 향후에도 계속될 것은 틀림이 없다. 무어의 법칙의 효과는 쇠퇴하고 있지만, 아키텍처 등의 개선의 여지가 있기 때문이다. 심층학습의 고속화가 가능한 소프트웨어 기반(플랫폼)을 제공하는 벤처기업인 미 Nervana Systems사는, 현재 개발 중의 전용 칩을 사용하면, GPU의 10배의 학습속도가 가능할 수 있게 하고 있다. 

-- 적재적소에 맞게 조합 --
그러나, 심층학습은 어디까지나 AI 의 하나의 방법일 뿐이다. 할 수 있는 것에도 더러는 한계가 있을 수 있다. 많은 응용에 따라 사람 정도의 AI 를 실현해 가기에는, 다른 기술과의 조합이 유효한 수단이 될 수 있을 것이다. 다른 방법과의 병용이 대폭적인 성능향상을 가져온 하나의 사례가, 미 Google사 산하의 영 DeepMind사가 개발한 AlphaGo이다.

AlphaGo는, 다음에 둘 수를 찾기 위해서 MCTS(Monte Carlo Tree Search)라고 불리는 답의 탐색방법을 이용하고 있다. 무수의 후보 중에서 이길만한 수를 찾기 위해서, 유망한 수를 찾아서 최후까지 대전하는 시뮬레이션 (Play Out)을 반복하는 방법이다. 각각의 국면에서 유망한 수가 무엇인지를 결정하기 위해서, 심층학습으로 작성한 복수의 Neural Network를 이용했다. 이것들을 모두 조합하여, 처음으로 톱의 기사에게 이기는 강함을 발휘할 수 있었다.

별도의 AI 기술인 유전적 프로그래밍를 채용하여, AI 를「진화」시키는 아이디어도 있다. 말하자면 AI 가 AI 를 설계하는 모양새이다. 이전부터 있었던 이 아이디어가, 드디어 현실로 되어가고 있다. AI 를 채용한 주식의 트레이딩 등을 손대고 있는 미 Sentient Technology사는, 동사의 분산 형 유전적 프로그래밍 환경「EC-Star」에 화상인식용 Neural Network를 설계시켰다. 그 정도는, 2015년에 발표된 논문으로, 사람이 설계한 것으로 달성한 결과를 넘어선다고 한다.

다른 기술과의 조합의 이유에는, 안전 면에서의 배려도 있다. 심층학습으로 작성한 Neural Network는 내부가 블랙박스에 가까워, 자동운전 자동차 등의 목숨에 관련된 시스템의 제어를 완전히 맡긴다는 것에는 불안이 남는다.「강화학습은 효과가 상당히 높아, 자동 운전차의 기술에 선택지로부터 빠질 수는 없다. 그러나(예상할 수 없는 거동을 하는 등의 걱정을 불식시키기 위해)아마도 룰 베이스의 AI 와 조합하는 것으로 될 것이다」(도요타자동차 AI 연구자회사 Toyota Research Institute사의 CEO인 Gill Pratt 씨). 만일의 경우에는 인간이 정한 룰로 자동차를 제어하고 예측할 수 없는 상황을 방지하기 위함이다.              

-- 뇌를 기준으로 --
AI 연구자 중에는, 심층학습을 개량하여도 인간을 따라가는 지능은 실현이 안 된다는 견해도 있다. 예를 들면 심층학습은 학습에 대단히 방대한 데이터를 필요로 하는 것에 대해서, 인간은 한번 만의 경험에서 배우는 것이 가능하다. 심층학습의 방법은 많지만, 교사가 있는 학습을 하지만, 인간은 명시적으로 가르쳐주지 않아도 언어 등의 지식이 획득 가능하다. 사람은 어느 분야의 지식을 다른 분야로 응용하는 것도 어렵지 않게 한다. 이러한 고도의 지적 능력을 심층학습으로 실현하는 지름길은 아직 보이지 않는다.

심층학습과는 다른 방향에서 이 문제에 도전하는 것이, 인간의 뇌에서부터 배우는 어프로치이다. 인간의 뇌에는「정답」이 있기 때문에, 그 원리를 찾아서 기계에    실장하는 방법이, 사람과 같은 지성에 최단으로 도달하는 길이라고 본다. 앞에서 설명한 전뇌 아키텍처 이니셔티브나 미 벤처기업인 Numenta사 등이 이 방침을 따른다.  

현재로서는, 이들의 연구로부터 눈에 확 띄고 용용으로 이어지는 성과가 생겨나지는 않고 있다. Neumenta사는, 시 계열 데이터를 온라인 학습하여, 이상을 검지 가능한 소프트웨어 제품「Grok」을 제공하고 있으나, 폭 넓게 이용되지는 않고 있는 것 같다.

원래 이론의 분야에서는, 장족의 발전이 돌연 나타나는 경우가 있다. Neumenta사의 공동창업자로,「Palm Pilot」등의 휴대기기를 세상에 내기 시작한 것으로 알려진 Jeff Hawkins 씨는「지금 정말로 Breakthrough(획기적 발전)이 일어나고 있다. 빠르면 2016년 내에 대뇌피질의 동작을 상세히 설명 가능한 이론이 완성된다」고 흥분하여 말한다. 현실이 되면 폭 넓은 용도로 이어질 기술 인만큼, 향후의 진전을 주의 깊게 지켜볼 필요가 있을 것이다. (p44-47 동 씨의 인터뷰)            

● 시작된 산업응용 : 엣지 측에서는 일본이 선행하기도
심층학습을 시작으로 하는 AI 기술의 진척으로 들끓고 있는 곳은 연구현장만이 아니다. 개발이 선행한 화상과 음성인식기술은, 이미 실용단계에 있다. 
그 중심에 있는 것은, 미국의 대형 IT 기업이다. Google사와 Microsoft사 등은, 자사의 클라우드 서비스에 심층학습을 폭넓게 응용할 뿐만 아니라, 화상인식과 음성인식에 사용되는 API를 공개하여, 많은 사용자 기업이 자사 서비스에 들어오게 하고 있다. 이들 대형기업들은 빅데이터의 수집에서도 우위에 서 있고, 심층학습의 개발용 프레임워크의 정비에도 나서고 있다. 심층학습의 응용을 둘러싼 각 사의 주도권 쟁탈은, 빠르게도 과열되고 있는 분위기다.

원래, 미국의 대형 IT 기업이 심층학습의 산업응용을 한 번에 마음대로 지배한다고 보는 것은 아직 이르다. 많은 응용이 제대로 시작되기까지는 많은 시간이 걸리기 때문이다. 예를 들면, 음성이나 텍스트에 의한 대화기술을 개발하는 벤처기업의 미 Mind Meld사는, 대형 IT 기업의 틈을 비집고, 하루 빨리 시장을 석권하려고 계획하고 있다.

2016년 봄, Microsoft사와 Facebook사가 계속해서 대화 애플리케이션용 API를 공개한 것에 대하여, Mind Meld사의 CMO의 Sam Vasisht 씨는 이렇게 말한다.「API를 공개한 것만으로는 대단한 애플리케이션이 태어나지 않는다. 우리들도 이전에는 자사의 API를 공개하여, 1500사 정도의 개발기업이 모였지만, 결국은 제대로 사용되지 못했다. 지금은 우리고객의 시스템은 기본적으로 우리들이 개발하는 방향으로 전환하고 있다. 대형기업 들도 동일한 상황으로 되는 것은 아닐지?」          

-- 엣지 측에 지성을 가지게 한다 --
미국의 대형 IT 기업에 대해서 일본기업이 강점을 발휘할 수 있는 것은, IoT 의 엣지 측에 있는 시스템이다. 각종 센서의 데이터분석이나, 자동차나 로봇 등의 제어를, 클라우드만이 아닌 엣지 측에서 처리하는 경우와 비교하여, 리얼타임 성이나 데이터의 보전 성을 높이기 쉽다. 자사 개발의 AI 를 다수의 엣지 기기에 하루 빨리 장착할 수 있다면, 클라우드를 내세우는 IT 대기업보다도 빠르고, 현장의 빅데이터의 수집이 가능해 질 수도 있을 것이다.

이러한 점에서 의욕적인 기업의 하나가 FUNUC이다. 동사는 2016년 4월, 공장의 생산을 최적화하기 위한 소프트웨어기반「FUNUC Intelligent Edge Link and Drive(FIELD) Syastem」을, 2016년 가을 경에 시장 투입할 것을 발표했다. 미 Cisco Systems, Rockwell Automation, Preffered Networks와 공동으로 개발하여, 로봇과 공작기계로부터 수집된 데이터를, 엣지의 장치와 클라우드 간에 복수의 기계를 묶은「Fog」층에서 분석하여 활용한다고 한다. 이 부분에 심층학습을 이용한 이상검지나 학습의 기능이 포함된다는 예상이다.

엣지 측에 AI 를 실장 하는데 커다란 과제는, 비용과 소비전력 면에서 처리능력이 빈약한 것이다. 이 상황을 예상하여, 실행시의 처리부하가 적은 DNN(Deep Neural Network)을 개발하는 일본기업이 나타나기 시작했다.

파나소닉은, 차량탑재를 겨냥하여, 카메라의 영상에서 보행자가 있는 영역을 잘라내는 DNN 을 개발했다. Google사의 태블릿 단말상에서 600x390화소의 영상을 5프레임/초의 속도로 처리 가능하다. 미쓰비시전기는, 오차역전파법(誤差逆傳播法)으로 DNN을 학습시킬 때, 불필요하다고 보이는 Neuron간의 접속을 처리하는 기술을 실현했다. 차량탑재용의 물체검지에 이용한 경우에, 검출 정도를 떨어뜨리지 않고 처리시간을 1/100로 하는 것이 가능하다고 한다.

이전부터도 일본기업은 심층학습의 실용화에, 아직도 소극적이라고 지적하는 목소리가 있다.「심층학습이 대단한 것이 아니다라는 경향도 있지만, 그렇게 단정짓는 것이 무슨 도움이 되겠는가? 반대로 음성이나 화상의 인식이 안 된다고 해도, 그 응용범위는 아주 거대할 것이다. 현재의 정보기술은, 산업과의 연계가 되지 않는 한 진보하지 않는다. 우선은 심층학습을 사용하여 수익이 될 수 있는 사업을 찾고, 그 수익을 재투자하는 사이클을 만들지 않으면 안 된다」(동경대 공학계 연구과 기술전략전공 마쯔오 부교수).      
 

Part. 2 진화하는 뉴럴 네트워크
인식에서 행동과 생성까지, 활발하게 늘어나는 심층학습

딥·러닝 (심층학습)의 기술개발이 점점 활발해지고 있다. 최적의 행동이나 동작의 결정, 콘텐츠의 생성이라는 용도에 사용되는 성과가 계속 등장하고 있다. 화상내용의 질의응답이 가능한 대화시스템 등, 높은 지성의 실현을 목표로 하는 연구도 시작되고 있다.


Part 3. 고 성능화의 열쇠
만발한 DNN용 하드웨어, 학습전용에서 뇌 형 칩까지

DNN위 학습과 실행을 고속화하는 하드웨어의 개발이 곳곳에서 진행되고 있다. 미 NVIDIA사에의 집중을 타파하고자, 확대하는 시장에서의 쉐어 획득을 목표로 하고 있다. 클라우드 측에서 학습을 고속화하는 전용 IC부터, 뇌를 모방한 칩까지, 새로운 제안이 끊임없이 일어나고 있다. 


Part 4. 인터뷰
「매일 진보가 가속화되고 있는 뇌의 상세가 16년말에도」
Jeff Hawkins / 미 Nementa사 Co-founder

「PalmPilot」등의 휴대기기를 탄생시켜 모바일 컴퓨팅의 세계를 열은 Hawkins씨. 그는 지금 뇌의 동작원리를 밝혀내, 심층학습과는 다른 어프로치로 지적인 기계를 만들기 위해, 자신이 창업한 Nementa사에서 연구를 진행하고 있다. 다시 신 산업을 만들어내기 위해 정열을 불사르는 그에게, 최신의 연구성과와 장래의 비전을 듣는다.   


Part 5. 논문
세계최초의 범용인공지능에, 개방적인 개발을 가속
山川 宏 / 전뇌 아키텍처 이니셔티브 대표, Dwango 인공지능연구소 소장

세계에서 앞서가는 일본 발 범용인공지능 (AGI)을 개발한다. 이 목표아래 모인 연구자 단체가「全腦 Architecture Inintiative」이다. 뇌로부터 배우는 것이 AGI 실현을 위한 최단의 길이라는 방침아래, 동 단체의 山川대표에게, 향후의 로드 맵을 정리해 받았다.


    -- 끝 --