[AI : Data representation and problem solving] Exploratory AI

긴 인류의 역사 동안, 우리의 유전적 능력은 만 년 전이나 현재나 거의 동일하다.

즉, 현재 우리가 갖고 있는 물리적-인지적 능력은 만 년 전과 동일하다.

따라서 우리는 매우 제한적인 경험을 할 수밖에 없고, 이는 우리가 접할 수 있는 지식과 경험의 범위를 크게 제한한다.

이러한 한계로 인해 비교적 최근까지 인류의 인식 범위는 매우 제한적이었다. 우리가 직접 보고, 듣고, 경험할 수 있는 범위 내에서만 세상을 이해할 수 있었다.

하지만 현대에는 기술의 발달로 인해, 우리의 인식 범위는 크게 확장될 수 있었다. 예를 들어, 우리는 집에서도 스마트폰으로 세상 어디서 벌어지는 일도 쉽게 확인할 수 있다.

여기서 한발 더 나아가, 최근에 등장한 다양한 AI는 인간의 인지적 한계를 보다 드라마틱하게 극복할 수 있는 가능성을 열어주었다.

AI와 인지 영역

거시 세계 탐험

인간은 우리의 시야를 넘어서는 거시 세계를 한번에 인지하지 못한다. 예를 들어, 우리는 지구적 관점의 움직임을 추상적인 개념으로만 이해할 수 있다.

AI는 이러한 거시 세계의 인지 및 처리에 대한 한계를 극복할 수 있도록 도움을 준다.

NASA의 “Exoplanet Exploration with AI” 프로젝트는 AI를 활용하여 외계 행성을 찾기 위한 시도이다.

외계 행성은 태양계 밖에 위치하며, 이를 직접 관찰하기는 어렵다. 하지만 AI는 방대한 양의 천체 관측 데이터를 분석하여 미세한 빛의 변화나 중력 변화 등을 감지하여 새로운 행성의 발견을 도울 수 있다.

실제로 ExoMiner라는 AI 모델은 케플러 우주망원경이 수집한 데이터를 분석하여 약 300개의 새로운 외계 행성을 발견했다.

이 모델은 별빛 곡선을 분석하여 외계 행성의 통과 신호를 식별하는 방식으로 외계 행성을 발견해낼 수 있었다.

위의 예시와 같이 AI는 인간의 인지를 넘어서는 영역에 대해서 인간 연구자들보다 훨씬 효율적으로 데이터를 처리하여 도움을 줄 수 있다.

미시 세계 탐험

AI는 우리 눈으로 볼 수 없는 미시 세계의 인지와 탐험에도 도움을 줄 수 있다.

단백질은 생명의 기본 요소이지만, 구조가 매우 작고 복잡해서 육안으로 확인하기가 어렵다. 이에 대해, DeepMind의 AlphaFold라는 모델은 단백질의 3차원 구조를 높은 정확도로 예측한다.

이 모델은 단백질의 화학 구조식에 기반해 복잡한 3D 구조를 예측해낸다. 이를 통해 신약 개발 속도를 획기적으로 단축시킬 수도 있다.

지능의 탐험

AI는 로봇이 스스로 학습하고 진화할 수 있게 돕기도 한다. NVIDIA의 “Project GR00T”는 AI를 사용하여 로봇에게 복잡한 작업을 가르치는 프로젝트이다.

예를 들어, 로봇이 펜 돌리기와 같은 간단한 작업부터 시작해 점점 더 복잡한 동작을 학습할 수 있게 한다.

이는 강화학습 방식을 사용하여 이루어지는데, 강화 학습에 대해서는 추후 좀 더 자세히 살펴보도록 하자.

가상 세계와의 연결

AI는 가상 현실(VR) 속에서 실시간으로 상호작용하는 에이전트 역할도 수행할 수 있다. 가상 현실의 가장 큰 문제 중 하나는 "또 다른 세상"에서 활동하는 사용자가 적다면, 상호 소통이 부족해진다는 것이다.

여기에 AI 에이전트를 활용한다면, 가상 세계를 이용하는 사용자는 AI와 소통하며 더 몰입감 있는 세상을 탐험할 수 있을 것이다.

전략 공간의 탐험

AI는 복잡한 전략 게임의 모든 가능한 수를 분석할 수 있다. 구글 DeepMind의 알파고는 바둑이라는 거대한 결정 공간을 성공적으로 탐색한 사례이다.

바둑은 첫 수부터 19 $\times$ 19 보드의 모든 지점을 고려해야 하며, 가능한 수는 바둑판의 원자 개수보다 많다. 알파고는 이 방대한 공간을 탐색하여, 인간이 수천 년 동안 축적한 지식보다 더 깊은 통찰을 얻어냈다.

알파고 제로는 40일 동안 약 490만 게임을 착수했다. 프로 바둑 기사가 하루에 약 3번 바둑을 둔다고 가정해도, 알파고 제로는 4,483년 동안 바둑을 수련한 셈이다.

현재 많은 프로 기사들은 AI에게 바둑을 배우고 있다. 이는 우리가 앞으로 수천 년 동안 했어야 할 '시행착오'의 시간을 크게 단축시켜 준다.

알파고의 사례를 통해 인간이 미처 발견하지 못한 미지의 영역을 AI가 찾아주었다는 것을 확인할 수 있다.

산업 공정의 최적화

AI는 산업 현장에서 복잡한 공정을 최적화하는 데 큰 역할을 하고 있다.

공장의 생산 라인에서 각 공정의 처리 속도를 분석하고, 전체 생산성을 최대화하는 방법을 찾아낸다.

인간은 몇 개의 변수만 고려해도 어려워하지만, AI는 수백, 수천 개의 변수를 동시에 고려한 최적의 해를 찾아낼 수 있다.

예를 들어, 제조업에서는 AI가 공정 최적화를 위해 조립 라인 최적화, CNC 가공 공정 최적화, 주조 및 단조 공정 최적화, ... 등 매우 다양한 분야에서 활용된다.

실제로 AI를 활용한 공정 데이터 분석을 통해 최적의 파라미터를 찾아내어 생산성을 높이고 결함을 줄이는 데 도움이 된다.

심지어는 한 구리 광산에서는 AI를 통해 기존에 세 가지 유형으로 분류되던 광석을 실제로는 일곱 가지 유형으로 분류할 수 있다는 사실을 발견하기도 했다.

신약 개발과 AI

AI는 신약 개발 과정을 혁신하고 있다. AI를 사용하여 새로운 약물을 디자인하고 그 효과를 예측하는 방법은 “Medicine Discovery and Generation with AI”라는 신약 개발 컨셉의 핵심이다.

과거에는 수천 개의 화합물을 실험실에서 직접 테스트해야 했지만, AI는 시뮬레이션을 통해 이 과정을 크게 단축시킨다.

AI 기술을 활용한 신약 개발은 단순히 약물 후보 물질을 더 빨리 발견하는 것 뿐만 아니라, 약물의 효능을 더 정확하게 예측하고 개인 맞춤형 치료제를 개발하는 데 있어 큰 잠재력을 갖고 있다.

예술과 창의성의 영역

AI는 예술과 창의성의 영역도 탐험할 수 있다. AI는 현재 예술가의 도구가 되어, 새로운 스타일과 표현 방식을 만들어내기도 한다.

예를 들어, 유명 화가들의 스타일을 학습한 AI는 그 스타일을 새로운 이미지에 적용할 수 있다. 최근 화제가 된 지브리 이미지 생성을 생각해보자.

이는 무언가를 창조하는 것의 진입 장벽을 매우 낮춘다는 것을 의미한다. 어떤 분야에 대한 지식이 없는 사람이라도, 상상력과 창의력을 얼마든지 구현해낼 수 있는 수단이 생긴 것이다.

디지털 트윈과 AI 탐험

디지털 트윈은 AI를 이용한 탐험과 밀접하게 연결된 주요 개념이다. 이는 현실 세계를 컴퓨터 안에 복제하는 것을 의미한다.

디지털 트윈은 도시, 공장, 심지어는 인체까지도 디지털로 복제하려는 모든 시도를 포함한다. 이는 물리적 객체나 시스템의 실시간 데이터를 활용하여 그 객체나 시스템의 가상 모델을 만드는 기술이다.

이를 통해 우리는 현실 세계에서 일어나는 일을 디지털 환경에서 시뮬레이션하고 분석할 수 있다.

디지털 트윈이 완성된다면, 이는 완벽하게 컴퓨팅(계산) 가능한 환경을 제공하기 때문에 AI와 기계가 힘을 마음껏 발휘할 수 있는 매우 좋은 환경이 된다.

강화 학습

디지털 트윈 환경에서는 AI가 가상 환경에서 다양한 시나리오를 시뮬레이션하고 최적의 행동 방식을 학습할 수 있다.

예를 들어, 자율 주행 자동차는 디지털 트윈 도시에서 교통 상황을 시뮬레이션 하여 최적의 경로를 학습할 수 있다.

예측 분석

공장의 디지털 트윈을 통해 AI는 기계의 동작 데이터를 분석하여 고장을 예측하고 유지 보수를 계획할 수 있다.

이는 가동 중단 시간을 줄이고 생산성을 향상시키는 데 큰 도움이 된다.

최적화

물류 창고의 디지털 트윈을 활용하여 AI는 재고 관리와 물류 최적화 문제를 해결할 수 있다. 이는 물류 비용 절감과 배송 시간 단축 등의 효과를 가져올 수 있다.

자율 제어

스마트 시티의 디지털 트윈을 통해 AI는 도시의 에너지 소비, 교통 흐름, 공공 서비스 등을 자율적으로 관리하고 최적화할 수 있다.

이는 도시의 효율성과 거주자의 삶의 질을 향상시키는 데 기여한다.

디지털 트윈과 AI의 결합은 현실 세계의 복잡한 문제를 해결하고, 새로운 통찰을 얻는 데 중요한 역할을 할 수 있다.

강화 학습

상술한 다양한 AI 응용 사례들은 모두 인간의 한계를 극복하고 미지의 영역을 탐험하는 데 중요한 역할을 한다.

이러한 탐색에 사용되는 핵심 기법이 바로 '강화학습'이다.

강화학습은 AI가 환경과 상호작용하며 최적의 행동 방식을 학습하는 방법론으로, 특히 탐험과 탐색 분야에서 중요성이 크게 부각되고 있다.

강화 학습의 주요 특징들은 다음과 같다.

자율 학습

강화 학습에서는 AI가 주어진 환경에서 다양한 행동을 시도하고, 그 결과에 따른 보상을 통해 학습한다. 이러한 방식을 통해 AI는 스스로 최적의 행동 방식을 찾게 된다.

예를 들어, 자율 주행 자동차는 도로 환경에서 다양한 주행 상황을 경험하고 최적의 주행 경로와 방법을 학습하게 된다.

실시간 피드백

강화 학습의 또 하나의 중요한 특징은 실시간 피드백을 통해 학습이 이루어진다는 점이다.

에이전트는 환경과의 상호작용을 통해 즉각적인 피드백을 받고, 이를 바탕으로 행동을 조정한다.

예를 들어, 게임에서 AI는 플레이어의 움직임에 따라 전략을 조정하고, 바둑에서는 상대방의 수에 맞춰 최적의 수를 선택한다.

탐험과 착실성의 균형

강화 학습에서는 탐험(Exploration)과 착실성(Exploitation)의 균형이 중요하다.

탐험은 새로운 행동과 시도를 통해 학습의 범위를 확장하는 것이며, 착실성은 이미 알고 있는 최적의 행동을 반복하여 보상을 극대화하는 것이다.

AI는 이 두가지를 균형 있게 조절하여 최적의 학습 결과를 도출해야 한다.

예를 들어, 공장에서 활용되는 AI는 새로운 공정 방식을 시도하면서도, 이미 효과적인 것으로 확인된 방법을 반복하여 생산성을 유지해야 한다.

위와 같은 강화 학습의 특징들은 AI가 다양한 환경을 효율적으로 탐험하고 탐색할 수 있게 만드는 핵심 요소들이다.

강화 학습을 통해 우리는 미지의 영역을 탐험하고, 인간이 도달하지 못한 새로운 지식을 발견하며, 이를 우리의 삶을 향상시키는 데 활용할 수 있다.