광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
광고
로고

[AI, 신경망은 인간과 유사한 언어 일반화를 달성한다] 끊임없이 진화하는 인공지능(AI)의 세계에서 과학자들은 최근 중요한 이정표를 예고했다. 그들은 언어 일반화에 있어서 인간과 같은 능숙함을 보여주는 신경망을 만들었다. 이 획기적인 개발은 단순한 단계가 아니라 인간의 인지와 AI 역량 간의 격차를 해소하기 위한 거대한 도약이다.

https://www.unite.ai/neural-networks-achieve-human-like-language-generalization/

박영숙세계미래보고서저자 | 기사입력 2023/10/27 [00:00]

[AI, 신경망은 인간과 유사한 언어 일반화를 달성한다] 끊임없이 진화하는 인공지능(AI)의 세계에서 과학자들은 최근 중요한 이정표를 예고했다. 그들은 언어 일반화에 있어서 인간과 같은 능숙함을 보여주는 신경망을 만들었다. 이 획기적인 개발은 단순한 단계가 아니라 인간의 인지와 AI 역량 간의 격차를 해소하기 위한 거대한 도약이다.

https://www.unite.ai/neural-networks-achieve-human-like-language-generalization/

박영숙세계미래보고서저자 | 입력 : 2023/10/27 [00:00]

AI 영역으로 더 깊이 들어가면 인간과 마찬가지로 다양한 맥락에서 언어를 이해하고 적용하는 시스템의 능력이 가장 중요해진다. 이 최근 성과는 인간과 기계 사이의 상호 작용이 그 어느 때보다 더 유기적이고 직관적으로 느껴지는 미래에 대한 전망을 제시한다.

 

기존 모델과 비교

AI의 세계는 언어를 처리하고 반응할 수 있는 모델이 낯설지 않다. 그러나 이러한 최근 발전의 참신함은 언어 일반화 능력이 향상되었다는 점에 있다. 인기 있는 챗봇의 기본 모델과 같은 기존 모델과 비교했을 때, 이 새로운 신경망은 새로 학습된 단어를 기존 어휘집에 추가하고 익숙하지 않은 문맥에서 사용하는 탁월한 능력을 보여주었다.

ChatGPT와 같은 오늘날 최고의 AI 모델은 다양한 대화 시나리오에서 자체 성능을 발휘할 수 있지만 새로운 언어 정보의 원활한 통합에 있어서는 여전히 부족하다. 반면에 이 새로운 신경망은 기계가 인간의 뉘앙스와 적응성을 이해하고 소통할 수 있는 현실에 더 가까이 다가가도록 해준다.

 

체계적인 일반화 이해

이러한 성과의 핵심에는 체계적인 일반화라는 개념이 있다. 이는 인간이 다양한 환경에서 새로 습득한 단어를 쉽게 적응하고 사용할 수 있도록 하는 것이다. 예를 들어, 'photobomb'이라는 용어를 이해하면 '두 번 photobombing' 또는 'Zoom 통화 중 photobombing' 등 다양한 상황에서 이 단어를 어떻게 사용하는지 본능적으로 알 수 있다. 마찬가지로, "고양이가 개를 쫓는다"와 같은 문장 구조를 이해하면 그 반대인 "개가 고양이를 쫓는다"를 쉽게 이해할 수 있다.

 

그러나 이러한 본질적인 인간 능력은 AI의 도전적인 개척지였다. 인공지능 연구의 근간이 되어온 전통적인 신경망은 자연적으로 이 기술을 보유하지 않는다. 그들은 문맥에서 해당 단어의 여러 샘플을 통해 광범위하게 훈련받지 않은 한 새로운 단어를 통합하는 데 어려움을 겪는다. 이러한 한계는 수십 년 동안 AI 연구자들 사이에서 논쟁의 주제가 되어 왔으며, 인간 인지 과정을 실제로 반영하는 신경망의 생존 가능성에 대한 논의를 촉발시켰다.

 

세부 연구

신경망의 기능과 언어 일반화의 잠재력을 더 깊이 조사하기 위해 포괄적인 연구가 수행되었다. 연구는 기계에만 국한되지 않았다. 25명의 인간 참가자가 복잡하게 참여하여 AI 성능의 벤치마크 역할을 했다.

 

실험은 참가자들에게 익숙하지 않은 단어들로 구성된 의사 언어(pseudo-langer)를 활용했다. 이를 통해 참가자는 처음으로 이러한 용어를 실제로 학습하고 일반화 테스트를 위한 깨끗한 상태를 제공했다. 이 의사 언어는 두 가지 서로 다른 범주의 단어로 구성되었다. '원시' 카테고리에는 'dax', 'wif', 'lug'와 같은 단어가 포함되어 있으며 '건너뛰기' 또는 '점프'와 유사한 기본 동작을 상징한다. 반면에 'blicket', 'kiki', 'fep'와 같은 보다 추상적인 '기능' 단어는 이러한 기본 용어의 적용 및 조합에 대한 규칙을 정하여 '세 번 점프' 또는 '뒤로 건너뛰기'와 같은 시퀀스로 이어진다.

 

 

훈련 과정에는 시각적 요소도 도입되었다. 각 원시 단어는 특정 색상의 원과 연관되어 있다. 예를 들어 빨간색 원은 'dax'를 나타내고 파란색 원은 '러그'를 의미할 수 있다. 그런 다음 참가자에게는 기본 단어와 기능 단어의 조합이 표시되었으며, 기본 단어에 기능을 적용한 결과를 나타내는 색칠된 원 패턴이 함께 표시되었다. 예를 들어 'dax fep'이라는 문구와 세 개의 빨간색 원을 짝을 이루는 것은 'fep'이 작업을 세 번 반복하는 추상적인 규칙임을 보여준다.

참가자의 이해와 체계적인 일반화 능력을 측정하기 위해 기본 단어와 기능 단어의 복잡한 조합이 제시되었다. 그런 다음 올바른 색상과 원 수를 결정하고 적절한 순서로 배열하는 임무를 맡았다.

 

시사점 및 전문가 의견

이 연구의 결과는 AI 연구 연대기의 또 다른 증가가 아니다. 그들은 패러다임 전환을 나타낸다. 인간과 유사한 체계적 일반화를 밀접하게 반영한 신경망의 성능은 학자와 업계 전문가들 사이에서 흥미와 흥미를 불러일으켰다.

 

존스홉킨스 대학교에서 언어를 전공한 저명한 인지 과학자인 폴 스몰렌스키(Paul Smolensky) 박사는 이를네트워크를 체계적으로 훈련하는 능력의 획기적인 발전이라고 칭찬했다. 그의 성명은 이 성과의 규모를 강조한다. 신경망을 체계적으로 일반화하도록 훈련할 수 있다면 챗봇부터 가상 비서에 이르기까지 수많은 애플리케이션에 잠재적으로 혁명을 일으킬 수 있다.

 

그러나 이러한 발전은 단순한 기술 발전 그 이상이다. 이는 AI 커뮤니티의 오랜 논쟁을 다룬다. 신경망이 진정으로 인간 인지의 정확한 모델 역할을 할 수 있을까? 거의 40년 동안 이 질문에 대해 AI 연구자들은 논쟁을 벌였다. 일부는 인간과 유사한 사고 과정을 모방할 수 있는 신경망의 잠재력을 믿었지만, 다른 일부는 특히 언어 일반화 영역에서 고유한 한계로 인해 회의적이었다.

 

유망한 결과를 얻은 이 연구는 낙관주의에 유리하게 척도를 조정합니다. 뉴욕 대학의 인지 계산 과학자이자 이번 연구의 공동 저자인 브렌든 레이크(Brenden Lake)는 신경망이 과거에는 어려움을 겪었을지 모르지만 올바른 접근 방식을 사용하면 실제로 인간 인지의 측면을 반영하도록 성형될 수 있다고 지적했다.

 

원활한 인간-기계 시너지의 미래를 향하여

 

초기 단계부터 현재의 성능까지 AI의 여정은 지속적인 발전과 혁신으로 특징지어져 왔다. 언어를 체계적으로 일반화하기 위해 신경망을 훈련시키는 최근의 성과는 AI의 무한한 잠재력을 보여주는 또 다른 증거이다. 우리가 이 시점에 서 있는 만큼, 그러한 발전의 더 넓은 의미를 인식하는 것이 필수적이다. 우리는 기계가 우리의 말을 이해할 뿐만 아니라 뉘앙스와 맥락도 파악하여 보다 원활하고 직관적인 인간과 기계의 상호 작용을 촉진하는 미래에 조금씩 더 가까워지고 있다.

 
인공지능, AI, 신경망, ChatGPT 관련기사목록
광고
광고
광고
광고
광고
광고
광고
많이 본 기사
최신기사