인공 지능의 개요

소개

이 섹션에서는 인공지능을 소개하고, 인공지능에 대한 다양한 견해와 정의를 논의하며, 인공지능의 맥락에서 지능에 대한 기초적인 논의를 제공합니다.

지능에 대한 다양한 관점과 정의를 살펴보고, 개념의 복잡성과 다면성을 강조합니다.

이 토론에서는 인간과 인공 환경 모두에서 지능을 정의하는 데 따르는 어려움을 인식하고, AI 시스템을 개발하고 평가할 때 이러한 뉘앙스를 이해하는 것이 중요하다는 점을 강조합니다.

• 사고는 아이디어와 개념을 추론하고, 분석하고, 평가하고, 형성하는 도구입니다.
• 생각할 수 있는 모든 사물이 지능적인 것은 아닙니다.
• 지능은 효율적일 뿐만 아니라 효과적인 사고일 수도 있습니다.
• 동물 종마다 지능 수준이 다릅니다.
• "컴퓨터는 실리콘과 전력으로 만들어졌기 때문에 생각할 수 없다." 또는 다른 극단으로 "컴퓨터는 사람보다 훨씬 빠르게 작동하므로 사람보다 똑똑하다."라고 말할 수도 있습니다. 진실은 아마도 이 두 극단 사이 어딘가에 있을 것입니다.

라파엘[6]은 "인공지능은 인간에게 지능이 필요한 일을 기계가 할 수 있게 하는 과학"이라고 말하며 인공지능을 가장 잘 표현했습니다.

1.1 튜링 테스트

이 하위 섹션에서는 앨런 튜링이 인간과 구별할 수 없는 지능적 행동을 보이는 기계의 능력을 측정하기 위해 고안한 튜링 테스트에 대해 자세히 살펴봅니다. 또한 이 테스트를 둘러싼 논란과 비판에 대해서도 알아봅니다.

튜링 테스트는 앨런 튜링이 인간과 구별할 수 없는 지능적 행동을 보이는 기계의 능력을 측정하기 위해 고안한 테스트입니다. 이 테스트에서 인간 평가자는 일반적으로 신원을 숨기는 컴퓨터 인터페이스를 통해 통제된 조건에서 인간과 기계 모두와 상호 작용합니다. 그런 다음 평가자는 어떤 참가자가 인간이고 어떤 참가자가 기계인지 알지 못한 채 반응을 판단합니다. 평가자가 기계와 인간을 확실하게 구분하지 못하면 기계가 인간 지능과 비슷한 수준의 지능을 입증하여 테스트를 통과한 것으로 간주합니다. 이 테스트는 기계에 대한 실제 이해나 인식보다는 기계가 인간과 유사한 행동과 반응을 보이는 능력에 중점을 둡니다.

튜링은 기계 지능 문제를 해결하기 위해 두 가지 모방 게임을 제안했습니다.

최초의 시뮬레이션 게임

첫 번째 게임에는 심문관, 한 남자와 한 여자가 커튼으로 분리되어 있습니다. 심문관은 상대방을 볼 수 없으며 질문에 대한 답변만 보고 누가 남자인지, 누가 여자인지 판단해야 합니다. 남자는 거짓말을 할 수 있지만 여자는 진실을 말해야 합니다.

문제는 질문을 통해 상대방이 누구인지 파악하는 것입니다.

두 번째 시뮬레이션 게임

인공지능과 더 관련이 있는 두 번째 게임에서는 질문자, 컴퓨터, 인간이 다시 커튼으로 분리되어 있습니다. 컴퓨터는 거짓말을 할 수 있지만 인간은 정직합니다. 질문자는 응답이 인간에게서 나온 것인지 컴퓨터에게서 나온 것인지 판단해야 합니다. 이 게임은 컴퓨터가 질문자를 속일 수 있을 만큼 인간의 반응을 잘 모방할 수 있는지 질문함으로써 기계 지능의 문제를 직접적으로 다루고 있습니다.

튜링 테스트에 대한 논란과 비판:

- 일반적인 반대: 기계 정신의 가능성을 인정하지 않는 것, 신학적 반대, 러브레이스 부인의 반대.

- 브록의 비판: 네드 브록은 기계가 진정한 지능을 보여주는 것이 아니라 일련의 질문에 대한 답을 데이터베이스에 저장하고 이를 검색함으로써 이론적으로 튜링 테스트를 통과할 수 있다고 주장했습니다.

이러한 논의는 인간과 인공 지능을 정의하고 식별하는 데 있어 복잡성과 지속적인 논란을 강조합니다.

강한 인공 지능과 약한 인공 지능

이 섹션에서는 강력한 인공지능과 약한 인공지능을 대조합니다.

강력한 AI란 인간의 지능과 유사한 진정한 인지 능력과 인식을 갖추고 경험을 통해 이해하고 학습하는 능력을 갖춘 시스템을 말합니다.

약한 AI는 인간의 행동을 모방하여 지능적으로 보이지만 실제 이해력이나 의식이 없는 시스템을 설계하는 데 중점을 둡니다.

이는 지능적으로 작동하는 시스템을 만드는 데 중점을 두지만, 반드시 진정한 지능이나 이해력을 갖춘 것은 아닙니다.

휴리스틱

여기서는 엄격한 알고리즘이 아닌 문제 해결을 위한 경험적 규칙인 AI의 휴리스틱에 초점을 맞추고 있습니다.

휴리스틱은 기본적으로 정의된 알고리즘을 사용할 수 없거나 실용적이지 않을 수 있는 상황에서 문제 해결을 안내하는 경험 법칙입니다. 휴리스틱이 무엇인지, 알고리즘과 어떻게 다른지, AI에서 휴리스틱이 왜 중요한지 이해하는 것이 핵심입니다. 실제 시나리오와 AI 문제 해결에서 휴리스틱을 어떻게 사용할 수 있는지 다양한 사례를 통해 설명합니다.

AI 개발, 특히 초기 단계에서 휴리스틱이 갖는 역사적 중요성.

휴리스틱 문제 해결을 설명하는 두 가지 구체적인 예가 있습니다:

1. 직사각형 프리즘의 대각선: 간단한 관련 문제를 해결하는 것이 어떻게 더 복잡한 문제를 이해하거나 해결하는 데 기여할 수 있는지 설명하기 위해 고안된 것으로, 문제 해결을 위한 일반적인 휴리스틱입니다.

2. 주전자 문제: 최종 목표는 명확하지만 달성 경로를 알 수 없는 퍼즐이나 수학 문제에 자주 사용되는 방법입니다.

휴리스틱은 기본적으로 철저한 검색이 비현실적일 때 문제를 더 빠르고 효율적으로 해결하기 위해 사용하는 전략이나 방법입니다. 이러한 전략에는 문제를 단순화하거나, 거꾸로 작업하거나, 유추를 사용하거나, 문제를 더 작고 관리하기 쉬운 부분으로 나누는 방법 등이 있습니다.

인공지능이 적용되어 해결해야 할 문제 식별

이 하위 섹션에서는 AI 솔루션에 특히 적합한 문제의 특성에 대해 설명합니다.

이러한 문제의 특성을 설명하면서 복잡성, 규모 및 광범위한 인적 전문 지식에 대한 요구를 강조합니다.

주요 이슈로는 AI가 가장 잘 해결할 수 있는 문제 유형을 파악하고, 기존 계산 방식에 적합한 문제와 구별하며, AI가 특정 문제를 더 잘 해결할 수 있는 이유를 이해하는 것이 있습니다.

AI를 효과적으로 적용할 때 발생하는 문제들의 예를 살펴보고, AI에 적합한 과제의 고유한 특성을 설명합니다.

1. 의료 진단: AI는 패턴 인식과 경험을 통한 학습이 필요하기 때문에 의료 진단에 매우 적합합니다. AI는 대량의 의료 데이터를 분석하고 특정 의료 상태를 나타낼 수 있는 패턴을 식별할 수 있습니다.

2. 바코드 스캔 기능이 있는 금전 등록기가 있는 쇼핑 시나리오: AI는 이러한 시스템의 효율성과 정확성을 향상시킬 수 있습니다. AI는 패턴 인식을 사용하여 바코드를 빠르게 해석하고 재고, 가격 및 판매 데이터를 보다 효율적으로 관리할 수 있습니다.

3. ATM: ATM은 향상된 보안, 사용자 인증 및 거래 처리를 통해 인공 지능의 이점을 누릴 수 있습니다. 인공지능 알고리즘은 사기 행위를 나타낼 수 있는 비정상적인 패턴을 감지하여 금융 거래의 보안을 강화할 수 있습니다.

4. 체스나 체커와 같은 2인 게임: 이러한 게임에는 패턴 인식과 상대방의 움직임 예측을 기반으로 전략적 사고와 의사 결정이 필요하기 때문에 AI가 적합합니다. AI는 이전 게임에서 학습하고 전략을 개발하여 성능을 향상시킬 수 있습니다.

이 모든 사례의 공통점은 경험을 통해 학습하여 패턴을 감지하는 AI의 능력으로, 이러한 영역에서 매우 효과적이라는 점입니다.

적용 분야 및 방법

이 섹션에서는 AI의 다양한 응용 분야와 AI 연구에 사용되는 다양한 접근 방식에 대해 설명합니다.

1. 검색 알고리즘과 직소 퍼즐: 이 섹션에서는 직소 퍼즐을 예로 들어 검색 알고리즘을 살펴봅니다. 상태 공간 그래프와 깊이 우선 및 넓이 우선 검색과 같은 블라인드 검색 알고리즘을 비롯한 문제 해결 기법과 휴리스틱 응용에 대해 설명합니다.

2. 2인용 게임: 이 하위 섹션에서는 적대적인 2인용 게임에서 승리하는 것뿐만 아니라 상대를 막기 위한 전략에 초점을 맞춘 인공지능에 대해 살펴봅니다. 체스나 틱택토와 같은 게임이 그 예입니다.

3. 자동화된 추론: 이 섹션에서는 주어진 사실 집합을 사용하여 새로운 정보를 추론하는 시스템에 대해 설명합니다. 문제 표현과 추론에 필요한 논리에 중점을 둡니다.

4. 생성 규칙 및 전문가 시스템: 이 하위 섹션에서는 특정 도메인에서 인간의 전문성을 모방하기 위해 생성 규칙을 사용하는 전문가 시스템에 중점을 둡니다.

5. 세포 자동화: 메타세포 오토마타는 단순한 규칙이 복잡한 패턴을 생성하는 방법을 보여주는 이론적 시스템으로, 여기서는 인공 지능의 새로운 행동을 이해하는 방법으로 살펴봅니다.

6. 뉴로컴퓨팅: 이 섹션에서는 신경망과 인공 지능에서의 역할에 대해 설명하며, 신경망이 인간 두뇌의 구조와 처리 과정을 모방하는 방식에 중점을 둡니다.

7. 유전 알고리즘: 자연 선택의 과정에서 영감을 얻은 유전 알고리즘이 여기에 소개되어 있습니다. 시간이 지남에 따라 지속적으로 솔루션을 개선하여 최적화 및 검색 문제를 해결하는 데 인공 지능에서 사용됩니다.

8. 지식 표현: 이 섹션에서는 AI 시스템이 세상을 이해하고 해석하는 데 사용하는 정보의 구조와 구성을 포함하여 AI 시스템이 지식을 표현하는 방식에 대해 설명합니다.

9. 불확실성 추론: 이 하위 섹션에서는 불완전하거나 불확실한 정보가 있을 때 확률과 퍼지 논리를 사용하여 결정을 내리고 추론하는 AI 시스템의 능력에 대해 설명합니다.

인공 지능의 초기 역사

'인공지능의 개요' 문서의 '인공지능의 초기 역사' 섹션에서는 인공지능의 초기 단계부터 현대에 이르기까지 인공지능의 발전에 대한 포괄적인 역사적 관점을 제공합니다. 다음은 이 섹션의 주요 내용을 요약한 것입니다:

1. 기초 작업과 선구자: 조지 불, 클로드 섀넌, 콘래드 주세와 같은 주요 인물들의 기초 작업에 대해 논의합니다. 불의 논리 연구는 현대 컴퓨팅과 인공 지능의 토대를 마련했고, 섀넌의 릴레이 회로에 적용된 기호 논리에 관한 논문은 전화와 컴퓨팅에 큰 공헌을 했으며, Z3 개발을 비롯한 디지털 컴퓨터에 대한 주세의 연구가 중점적으로 소개됩니다.

2. 초기 계산 기계와 이론: 1938년 기술 게임을 할 수 있는 기계인 니모트론의 개발과 1790년 유사 오토마톤인 터크의 탄생에 대해 설명합니다. 니모트론은 이후 로봇 공학 발전의 선구자라는 점에서 중요하며, 터크는 기계적 유사 지능의 초기 사례입니다.

3. AI에 대한 다양한 분야의 기여: 이 글에서는 AI 발전에 대한 다양한 분야의 기여를 강조합니다. 토레스 이 케베도의 초기 체스 교착 상태 전문가 시스템과 에드워드 콘돈, 제럴드 트와니, 윌라드 더의 니모트론 연구는 AI에 대한 학제 간 공헌의 예입니다.

4. 정보 과학의 발전: 컴퓨터 학습과 게임, 특히 컴퓨터 체스 연구를 통해 AI에 기여한 섀넌의 업적을 강조합니다. 이는 이 분야에서 정보 과학과 AI의 초기 융합을 강조합니다.

5. 초기 컴퓨팅 혁신: Zuse의 Z1, Z2, Z3와 같은 초기 컴퓨팅 장치의 역할과 인공 지능 개발과의 관련성에 대해 논의합니다. 논리 회로와 스토리지 시스템에 대한 Zuse의 연구는 AI 개발의 기본으로 간주됩니다.

6. 주요 발명과 인공 지능에 미치는 영향: 이 백서에서는 다양한 발명과 인공 지능 분야에 미치는 영향을 살펴봅니다. 예를 들어, 완전한 스킬 게임을 플레이할 수 있는 최초의 기계가 개발된 것은 중요한 이정표로 여겨집니다.

이 섹션에서는 AI의 초기 개발에 대한 자세한 개요를 제공하며, 이 분야를 형성하는 데 있어 선구자들의 기여와 다양한 과학 분야 간의 상호 작용을 강조합니다. 이 섹션은 AI가 다양한 응용 분야와 접근 방식을 가진 별개의 학문으로 진화하는 과정을 이해하기 위한 토대를 마련합니다.

인공지능의 최근부터 현재까지의 역사

제2차 세계대전 이후 인공지능 분야의 다양한 발전상을 다양한 인공지능 연구 및 응용 분야에 초점을 맞춰 논의합니다. :

1. 게임: 인공 지능의 발전은 체스, 체커, 바둑, 오델로와 같은 게임용 컴퓨터 프로그램 개발의 영향을 크게 받았습니다. 아서 사무엘의 체커 프로그램과 같은 1950년대의 초기 결과물은 휴리스틱 학습 방법을 사용했습니다. 1997년 세계 챔피언 개리 카스파로프를 꺾은 딥 블루와 같은 체스 프로그램의 개발은 인공 지능의 상당한 발전을 보여주었습니다. 주사위 놀이와 포커를 비롯한 다른 게임도 인공지능 연구에 중요한 역할을 합니다.

2. 전문가 시스템: 전문가 시스템은 지식 기반과 추론 엔진을 분리하여 인공 지능 분야에서 큰 성공을 거둔 분야입니다. 스탠포드의 DENDRAL과 MYCIN과 같은 초기 시스템은 도메인 전문가 지식의 인코딩을 보여주었습니다. 1970년대에는 XCON과 HEARSAY 제품군을 비롯한 몇 가지 중요한 시스템이 개발되었습니다. 1980년대 이후 전문가 시스템은 의료 기기, 자동차 소프트웨어 등 다양한 분야에서 사용되었습니다.

3. 뉴로컴퓨팅: 맥컬로크와 피츠의 연구와 같은 뉴로컴퓨팅의 초기 연구에는 학습 메커니즘이 포함되지 않았습니다. 퍼셉트론 학습 규칙과 역전파 알고리즘이 개발되면서 이 분야에서 진전이 이루어졌습니다. 1980년대에는 주가 예측이나 광학 문자 인식과 같은 작업에 신경망이 사용되기 시작했습니다. 카네기 멜론 대학의 ALVINN과 같은 프로젝트는 차량 제어 시스템에서 신경망의 사용을 강조했습니다.

4. 진화적 계산: 이 분야에는 최적화 문제를 해결하기 위한 유전 알고리즘이 포함됩니다. MIT에서 로드니 브룩스는 지능을 가진 신체와 환경의 상호작용을 통해 지능을 생성할 수 있다고 주장하여 곤충과 같은 로봇을 개발하는 데 기여했습니다. 진화 계산 분야는 인공 지능 설계에 적용하기 위해 탐구되어 왔습니다.

5. 자연어 처리: Eliza 및 SHRDLU와 같은 초기 프로그램은 중요한 이정표였습니다. Eliza는 패턴 매칭을 사용하여 심리 치료사를 시뮬레이션했고, SHRDLU는 구문 및 연역적 추론을 사용하여 제한된 영역에서 상호 작용했습니다. 이 분야는 상식적인 지식에 대한 도전으로 1980년대 후반에 자연어 처리를 위한 통계적 방법의 개발로 이어졌습니다.

6. 생물정보학: 생물학적 데이터 관리 및 분석에 중점을 두고 컴퓨터 과학 알고리즘을 분자 생물학에 적용하는 새로운 학문 분야입니다. 사례 기반 추론 및 데이터 마이닝과 같은 기법이 단백질 구조 발견에 사용됩니다. 생물정보학은 특히 마이크로어레이 데이터 분석에서 빠르게 성장하고 있습니다.

이 섹션은 AI 방법이 주류 컴퓨터 과학에 통합되어 이제 다양한 기술에서 일반화되었다는 점을 언급하며 마무리합니다.

새로운 밀레니엄의 인공지능 개발

백서의 '새 천년의 인공 지능' 섹션에서는 새 천년에 인공지능의 발전과 역할에 대해 논의합니다. 인공지능 기술이 어떻게 진화하고 인간의 삶과 산업의 다양한 측면에 통합되고 있는지를 다룹니다. 딥 러닝, 신경망, 의료, 금융, 교통 등의 분야에 적용되는 AI의 최신 동향을 다룹니다. 현대 세계를 형성하는 데 있어 윤리적 고려 사항, 도전 과제, AI의 미래 전망에 대해 살펴봅니다.