봉가드 문제(Bongard problem)는 사람이나 기계가 두 세트의 이미지를 구분하는 규칙을 식별해야 하는 시각적 퍼즐의 한 유형으로, 일반적으로 이미지가 나란히 제시된다. 각 세트는 여섯 개의 단순한 도형을 포함하며, 풀이자는 왼쪽 세트와 오른쪽 세트를 구분하는 이진 분류 기준을 찾아야 한다. 이 문제들은 소련의 컴퓨터 과학자 미하일 봉가드(Mikhail Bongard)가 1970년 저서 "패턴 인식(Pattern Recognition)"에서 처음 소개했으며, 이후 인지 과학과 인공지능 연구에서 표준 벤치마크가 되었다.
봉가드 문제는 지각적 및 개념적 난이도의 결합으로 유명하다. 규칙은 모양, 크기, 방향, 개수, 공간 배열과 같은 기하학적 속성을 포함할 수 있지만, 관계, 대칭성, 심지어 의미적 범주에 대한 추상적 추론을 요구하는 경우가 많다. 이미지가 의도적으로 최소한으로 설계되었기 때문에, 이 문제들은 제한된 예시에서 일반 규칙을 발견하는 핵심 과제를 분리하며, 이는 많은 경우 인간에게는 쉬운 일이지만 기계에게는 악명 높을 정도로 어려운 작업이다.
역사적 배경
미하일 봉가드는 모스크바의 사이버네틱스 연구소에서 근무하면서 생물학적 및 인공 시스템의 패턴 인식 메커니즘을 이해하는 것을 목표로 이 문제들을 개발했다. 그의 1970년 단행본은 각각 시각적 추상화의 다른 측면을 시험하도록 설계된 100개의 문제를 제시했다. 이 문제들은 더글러스 호프스태터(Douglas Hofstadter)의 1979년 저서 "괴델, 에셔, 바흐(Gödel, Escher, Bach)"를 통해 서구에서 더 널리 알려졌으며, 이 책은 이를 지각과 유추 형성에 관련된 "암묵적 지식"의 예로 논의했다. 호프스태터는 이후 MIT 컴퓨터 과학 및 인공지능 연구소에서의 연구에 봉가드 문제를 사용했으며, 그와 그의 학생들은 이를 해결하기 위한 계산 모델을 개발했다.
구조와 예시
전형적인 봉가드 문제는 A와 B로 표시된 두 개의 상자를 제시하며, 각 상자에는 여섯 개의 작은 도형이 들어 있다. 풀이자는 상자 A의 모든 여섯 도형이 만족하는 규칙을 찾아야 하며, 상자 B의 여섯 도형 중 어느 것도 그 규칙을 만족하지 않아야 한다. 예를 들어, 한 문제는 상자 A에 변의 수가 짝수인 도형만 포함하고, 상자 B에 홀수 변을 가진 도형을 포함할 수 있다. 다른 문제는 상자 A의 모든 도형이 수직으로 배향된 반면 상자 B의 도형은 수평임을 인식해야 할 수도 있다. 규칙은 "A의 모든 도형은 더 큰 삼각형 안에 작은 원을 포함한다"와 같은 계층적일 수 있으며, "검은 점의 수가 흰 사각형의 수와 같다"와 같이 요소 간 비교를 포함할 수도 있다.
일부 문제는 의도적으로 모호하며 여러 그럴듯한 규칙이 존재할 수 있는데, 이는 해석에서 사전 지식과 맥락의 역할을 강조한다. 난이도는 사소한 것(예: 색상 또는 크기)에서부터 고도로 추상적인 것(예: "A의 도형은 모두 원과 위상적으로 동등하다")까지 다양하다.
인지 과학에서의 역할
인지 과학자들은 인간의 개념 형성, 귀납적 추론, 시각적 지능의 본질을 연구하기 위해 봉가드 문제를 사용해 왔다. 조슈아 테넨바움과 브렌던 레이크와 같은 연구자들은 스탠퍼드와 MIT에서 이를 인간이 가지고 있지만 기계가 결여한 "빠른 매핑" 및 "원샷 학습" 능력의 예로 인용했다. 이 문제들은 단순한 패턴 매칭뿐만 아니라 추상적 범주에 대한 가설을 생성하고 시험하는 능력을 요구하며, 이 과정은 여전히 제대로 이해되지 않고 있다. 연구에 따르면 인간 해결자는 종종 언어화 가능한 규칙에 의존하며, 이는 언어와 시각적 추론 사이의 연관성을 시사한다.
기계 학습 및 AI 벤치마크
인공지능 분야에서 봉가드 문제는 시각적 추론 능력을 평가하는 벤치마크가 되었다. 1970년대와 1980년대의 초기 시도는 기호 AI 접근 방식을 사용했지만 규칙의 개방형 특성으로 어려움을 겪었다. 기계 학습과 심층 학습의 부상과 함께 연구자들은 봉가드 문제를 기반으로 한 새로운 데이터 세트를 개발했으며, 예를 들어 Bongard-HOI 데이터 세트(2020)와 Bongard-LOGO 데이터 세트(2022)는 프로그래밍 방식으로 대량의 문제를 생성한다. 이러한 데이터 세트는 신경망과 트랜스포머 기반 모델을 테스트하는 데 사용되며, 대규모 언어 모델이 시각적 인코더와 결합될 때 포함된다.
현재 최첨단 시스템은 새로운 봉가드 문제에서 여전히 인간 정확도보다 훨씬 낮은 성능을 보인다. 예를 들어, 2023년 연구에 따르면 최고의 모델조차 100개 문제 세트에서 약 60%의 정확도만 달성했으며, 인간은 거의 완벽한 성능을 보였다. 어려움은 구성적 추론의 필요성과 소수의 예시에서 일반화하는 능력에 있으며, 이는 대부분의 심층 학습 접근 방식의 데이터 집약적 특성과 대조된다. 구글 딥마인드와 오픈AI의 연구자들은 모델의 추론 능력을 조사하기 위해 봉가드 문제를 사용하는 것을 탐구했지만, 어떤 시스템도 이를 완전히 해결하지 못했다.
관련 개념 및 향후 방향
이 문제들은 격자에서 패턴을 완성하는 것을 포함하는 레이븐의 점진 행렬(Raven's Progressive Matrices) 및 프랑수아 플뢰레가 2019년에 도입한 추상화 및 추론 코퍼스(ARC)와 같은 다른 시각적 추론 작업과 밀접하게 관련된다. ARC는 시각적 퍼즐을 통한 일반 지능 측정이라는 목표를 공유하지만 다른 형식을 사용한다. 일부 연구자들은 봉가드 문제가 양성 및 음성 예시에서 이진 규칙을 발견해야 하기 때문에 더 어렵다고 주장하는 반면, ARC 작업은 종종 변환 규칙을 포함한다.
향후 작업은 봉가드 문제를 커리큘럼 학습 또는 메타 학습 접근 방식과 결합하거나, 생성형 AI 시스템의 창발적 추론 능력을 평가하는 데 사용하는 것을 포함할 수 있다. 2020년대 중반 현재, 광범위한 봉가드 문제 세트에서 인간 수준의 성능을 달성한 발표된 시스템은 없으며, 이는 인공 일반 지능을 추구하는 연구의 활발한 영역으로 남아 있다.