세쿼이아의 설립자 돈 발렌타인은 창업자들에게 두 가지 질문을 하곤 했습니다: "왜 지금인가?" 그리고 " 그래서 무엇인가?" 이 질문의 핵심에는 세상에 어떤 변화가 있었는지(왜 지금?), 그리고 이것이 무엇을 의미하는지(그래서 무엇일까?)를 묻는 호기심과 엄격함이 결합되어 있습니다.
AI는 Transformer 아키텍처로 학습된 대규모 언어 모델(LLM)을 개발함으로써 "왜 지금인가?"라는 질문에 대한 강력한 답을 얻을 수 있습니다. 트랜스포머는 GPU에 매우 적합하기 때문에 수십억, 수조 개의 매개변수로 구성된 AI 모델을 훈련하기 위해 방대한 양의 데이터를 마샬링하고 계산하는 데 실용적입니다.
이제 "그래서 뭐?"라는 설득력 있는 질문도 가능해졌습니다. 이러한 기술 덕분에 컴퓨터에는 완전히 새로운 사용자 인터페이스, 즉 인간의 언어가 가능해졌습니다. 1980년대에 그래픽 사용자 인터페이스를 통해 수백만 명의 고객이 개인용 컴퓨터를 사용할 수 있게 된 것처럼, 새로운 자연어 인터페이스를 통해 지난 한 해 동안 전 세계 수억 명의 사용자가 AI에 액세스할 수 있게 되었습니다.
인공 지능은 수많은 상승과 하락 주기를 견뎌냈습니다. 지금처럼 AI가 상승세에 있을 때는 예측 기술의 최첨단뿐만 아니라 어떤 의미에서 "스마트"한 모든 소프트웨어를 포함하기 위해 이 용어가 과도하게 사용되었습니다. 그러나 이전의 AI 겨울 동안 연구자들은 머신러닝과 같은 더 안전한 용어로 후퇴했습니다.
AI 효과
존 매카시는 1950년대에 자신의 연구를 옛 라이벌인 노버트 위너의 사이버네틱스와 구별하기 위해 AI라는 용어를 만들었습니다. 그러나 매카시 자신도 "작동하자마자 아무도 더 이상 AI라고 부르지 않는다"고 불평하며 이 용어에 매력을 느끼지 못했습니다. 매카시는 사람들이 과거의 AI 노력이 충분히 해결되자마자 더 기능적인 설명으로 이름을 바꾸는 경향을 'AI 효과'라고 불렀고, 이는 오늘날까지 영향을 미치고 있습니다. AI의 역사는 더 이상 야심찬 모니커라는 별명을 얻을 만큼 충분히 똑똑하다고 여겨지지 않을 만큼 잘 작동했던 성과들로 가득 차 있습니다.
간단히 복습을 위해 현재 이미지 생성의 발전을 뒷받침하는 컴퓨터 비전을 생각해 보겠습니다. 오랫동안 이미지나 동영상에서 물체를 감지하는 것은 최첨단 AI였지만, 이제는 샌프란시스코의 Waymo에서 자율주행 차량을 주문할 수 있는 수많은 기술 중 하나에 불과합니다. 우리는 더 이상 이를 AI라고 부르지 않습니다. 곧 우리는 그냥 자동차라고 부를 것입니다. 마찬가지로 이미지넷의 객체 감지 기능은 2012년 딥 러닝의 주요 혁신이었으며 이제 모든 스마트폰에 탑재되어 있습니다. 더 이상 AI가 아닙니다.
자연어 측면에서는 ChatGPT, Claude, Bard가 등장하기까지 오랜 역사가 있습니다. 저는 팔이 부러졌을 때 이메일을 입력할 때 2002년경 Dragon Speech-To-Text를 사용했던 기억이 납니다. 한때 AI라고 불렸던 이 기능은 이제 그저 '받아쓰기'에 불과하며 모든 휴대폰과 컴퓨터에 탑재되어 있습니다. 한때 자연어 처리 분야에서 어려운 문제였던 언어 번역과 감정 분석은 이제 대부분 테이블 스테이크가 되었습니다. AI가 아닙니다.
또한 우리가 클라우드에서 당연하게 여기는 것 중 상당수가 추천 시스템(Netflix 및 Amazon) 및 경로 최적화(Google Maps 및 UPS)와 같은 이전 AI 분야에서 비롯되었다는 사실을 잊기 쉽습니다. 어떤 일이 일상화될수록 우리는 그것을 AI라고 부를 가능성이 줄어듭니다.
환멸의 나락
장기적으로는 항상 약속을 지키지 않고 과도하게 제공하는 것이 더 낫기 때문에 창업자에게는 무엇이 AI이고 무엇이 아닌지를 구분하는 것이 중요합니다. 가트너는 수십 년에 걸친 기술 과대광고 주기에 대해 설명하면서, 열광적인 열광 뒤에는 항상 실망, 즉 환멸의 저점이 뒤따른다고 말합니다.
창업자들은 단기적으로는 과대광고를 통해 이익을 얻지만 대가를 치러야 합니다. 아서 C. 클라크는 "충분히 발전된 기술은 마술과 구별할 수 없다"는 유명한 말을 남겼습니다. 하지만 그는 공상과학 작가였습니다. 머신러닝 실무자는 과학자이자 엔지니어이지만, 언뜻 보기에는 그들의 노력이 항상 마법처럼 보이지만 언젠가는 그렇지 않습니다.
현재의 AI 패러다임은 러닝머신 위에서 달리면서 당근을 좇는 것과 같습니다. 오늘날의 창업자들은 실제로 무슨 일이 일어나고 있는지 이해함으로써 이 사이클을 깨야 할 때라고 생각합니다.
더 정확한 어휘
우리가 같은 실수를 반복하는 데에는 언어적인 이유가 있습니다. 옥스퍼드 영어 사전을 사용하여 "인공 지능"이라는 용어를 재귀적으로 분석해 보면 다음과 같은 결과를 얻을 수 있습니다:
인공: 자연적으로 발생하기보다는 인간이 만들거나 생산한 것, 특히 자연적인 것을 모방한 것입니다.
지능: 지식과 기술을 습득하고 적용하는 능력.
지식: 경험이나 교육을 통해 사람이 습득한 사실, 정보 및 기술, 주제에 대한 이론적 또는 실제적 이해.
기술: 어떤 일을 잘 해내는 능력.
이 재귀적 정의의 각 지점은 "인간" 또는 "사람"에 달려 있습니다. 따라서 정의에 따라 우리는 AI를 인간을 모방한 것으로 생각합니다. 튜링 테스트를 생각해보세요. 하지만 어떤 능력이 기계의 영역에 확고하게 자리 잡는 순간, 우리는 인간이라는 기준점을 잃고 그것을 AI로 생각하지 않게 됩니다.
여기에는 인간 예외주의가 있습니다. 수 세기에 걸쳐 우리는 언어, 상상력, 창의력, 논리력 등 인간만이 가지고 있는 지능의 측면을 향상시켜 왔습니다. 우리는 특정 단어를 우리 자신만을 위해 남겨둡니다. 인간은 생각하고 추론하고 컴퓨터는 계산합니다. 인간은 예술을 만들고 컴퓨터는 그것을 생성합니다. 인간은 수영을 하지만 배와 잠수함은 수영을 하지 않습니다. 하지만 '컴퓨터'는 17세기에 계산을 하는 인간의 직책이었으며, 우리는 기계 및 전자 컴퓨터를 공식화하기 전에 컴퓨터로 가득 찬 방을 고용했습니다.
AI 효과는 사실 우리가 프론티어 패러독스라고 부르는 더 큰 인간 현상의 일부입니다. 우리는 인간에게 기술적 숙달을 넘어서는 경계를 부여하기 때문에 그 경계는 항상 잘못 정의될 수 있습니다. 지능은 우리가 포착할 수 있는 것이 아니라 끊임없이 다가오는 지평선이며, 우리는 이를 유용한 도구로 전환합니다. 기술은 수천 년에 걸친 인류의 협력과 경쟁을 통해 만들어진 지능의 인공물입니다.
2018년에 저는 버클리 통계학 및 컴퓨터 과학 교수인 마이클 조던의 게시물에서 영감을 받았습니다. "조던 교수는 "우리가 조만간 '지능'을 이해하게 되든 그렇지 않든, 우리는 인간의 삶을 향상시키는 방식으로 컴퓨터와 인간을 결합하는 중대한 과제를 안고 있다"고 썼습니다. 일부에서는 이 과제를 '인공 지능'의 탄생에 종속된 것으로 보지만, 좀 더 산문적으로, 그러나 경건한 마음으로 새로운 공학 분야의 탄생으로 볼 수도 있습니다."라고 설명합니다.
그래서 저는 이러한 노력을 인공지능이라고 부르는 것의 유용성에 의문을 제기하는 글을 직접 쓰게 되었습니다. 5년이 지난 지금, 인간 증강을 위한 실용적인 인프라에 대한 조던의 비전에 조금이라도 가까워졌을까요? 저는 그렇다고 생각하지만, 앞으로의 컴퓨팅 기회를 활용하기 위해서는 더 정확한 어휘가 필요합니다.