Brenden Lake는 뉴욕대학교에서 심리학 및 데이터 과학 부교수로 재직 중이며, 인간 및 기계 학습 연구소(Human & Machine Learning Lab)를 이끌고 있습니다. 그의 연구는 인공지능, 머신러닝, 인지과학의 교차점에 자리 잡고 있으며, 인간이 희소한 예시로부터 학습하고 일반화하는 놀라운 효율성을 이해하고 재현하는 것을 목표로 합니다. Lake는 인간 수준의 개념 학습 연구, 특히 단일 예시만으로 학습할 수 있는 모델 개발로 가장 잘 알려져 있으며, 이는 대부분의 현대 딥러닝 시스템이 지닌 데이터 집약적 특성과 뚜렷한 대비를 이룹니다.
Lake의 학문적 궤적은 계산 모델과 행동 실험을 통합하려는 헌신으로 정의됩니다. 그는 매사추세츠 공과대학교(MIT)에서 전산 신경과학 박사 학위를 취득했으며, 당시 지도교수는 계산 인지과학의 선도적 인물인 조슈아 테넨바움이었습니다. 이러한 기반은 AI의 발전이 단순히 모델을 확장하는 것뿐만 아니라 인간 인지의 근본 원리를 이해하는 데서 비롯된다는 그의 관점을 형성했습니다.
초기 경력 및 학문적 배경
미국에서 태어난 Lake는 캘리포니아 대학교 버클리 캠퍼스에서 학부 과정을 마치고 인지과학 학위를 받았습니다. 심리학과 계산의 교차점에 대한 그의 관심은 그를 MIT로 이끌었고, 2014년에 박사 학위를 받았습니다. 그의 박사 논문은 소수의 예시로부터 개념을 학습하는 데 초점을 맞추었으며, 이는 이후 그의 연구의 핵심 주제가 되었습니다.
박사 학위 취득 후, Lake는 MIT에서 박사후 연구를 수행했으며 2017년에 뉴욕대학교 교수진으로 합류했습니다. NYU에서 그는 심리학과와 데이터 과학 센터 양쪽에 임용되어 그의 학제 간 접근 방식을 반영하고 있습니다. 그의 연구소는 인간처럼 학습하고 추론하는 AI 시스템 구축에 관심이 있는 연구자들의 허브가 되었습니다.
인간 수준의 개념 학습
Lake의 가장 중요한 기여 중 하나는 단일 예시만으로 새로운 개념을 학습할 수 있는 계산 모델의 개발입니다. 2015년 Science 저널에 발표된 획기적인 논문에서 Lake와 그의 동료들은 베이지안 프로그램 학습(BPL)이라는 모델을 소개했습니다. 이 모델은 단 하나의 예시만 본 후에도 새로운 손글씨 문자를 인식하고 생성할 수 있었으며, 인간 학습자에 필적하는 성능을 달성했습니다.
BPL은 시각적 개념을 확률적 프로그램, 즉 기본이 되는 획과 그 관계를 포착하는 구조적 표현으로 분해하여 작동합니다. 이 접근 방식은 당시 해당 분야를 지배했던 신경망 모델과 대조를 이루며, 이러한 모델은 일반적으로 유사한 정확도를 달성하기 위해 수천 개의 예시가 필요했습니다. Lake의 연구는 구조적이고 구성적인 표현이 훨씬 더 효율적인 학습을 가능하게 할 수 있음을 입증했습니다.
이 연구는 해당 분야에 지속적인 영향을 미쳤으며, 퓨삿 러닝(few-shot learning)과 메타 러닝(meta-learning)에 대한 후속 연구에 영감을 주었습니다. 또한 인간의 인지적 사전 지식(예: 복잡한 대상을 더 단순한 부분으로 분해하려는 경향)을 반영하는 귀납적 편향을 통합하는 것의 중요성을 강조했습니다.
추상화 및 추론 코퍼스
2019년, Lake와 그의 동료 프랑수아 숄레(François Chollet)는 AI 시스템의 일반 유동 지능을 측정하도록 설계된 벤치마크인 추상화 및 추론 코퍼스(ARC)를 소개했습니다. ARC는 추상적 패턴을 추론하고 이를 새로운 상황에 적용하는 능력을 요구하는 시각적 추론 작업으로 구성됩니다. 많은 표준 벤치마크와 달리, ARC 작업은 인간에게는 쉽지만 기계에게는 어렵도록 설계되었으며, 이는 객체성, 공간 관계, 변환에 대한 핵심 지식을 요구하기 때문입니다.
ARC는 AI 커뮤니티에서 널리 사용되는 평가 도구가 되었으며, 체계적 일반화와 분포 외 추론에 대한 연구를 촉진했습니다. Lake는 현재의 대규모 언어 모델과 트랜스포머 기반 아키텍처가 인상적인 규모에도 불구하고 인간이 지닌 구성적 및 인과적 추론 능력이 부족하기 때문에 ARC 작업에서 종종 실패한다고 주장해 왔습니다. 이 연구는 Lake를 확장만으로는 인간 수준의 AI에 도달할 수 있다는 생각에 대한 저명한 비판자로 자리매김하게 했습니다.
체계적 일반화와 구성성
Lake 연구의 반복되는 주제는 체계적 일반화, 즉 알려진 개념의 새로운 조합을 이해하고 생성하는 능력의 중요성입니다. 2019년 Science 저널에 발표된 논문에서 Lake와 그의 동료들은 표준 신경망이 단어와 의미의 새로운 조합으로 테스트될 때 종종 체계적으로 일반화하지 못한다는 것을 입증했습니다. 예를 들어, "두 번 점프"와 "왼쪽으로 회전"이라는 구문을 이해하도록 훈련된 모델은 "왼쪽으로 점프"나 "두 번 회전"을 이해하지 못할 수 있습니다.
이 연구는 많은 딥러닝 접근 방식의 근본적인 한계를 강조하고 구성적 귀납적 편향을 통합할 필요성을 주장했습니다. Lake는 이 문제를 해결하기 위해 모델이 새로운 작업을 빠르게 학습하도록 훈련하는 메타 러닝 기법과 신경망과 기호 추론을 결합한 하이브리드 아키텍처를 포함한 다양한 방법을 탐구했습니다. 그의 연구는 인간 수준의 AI를 달성하려면 연결주의적 접근과 기호적 접근의 종합이 필요하다고 시사합니다.
인지과학과 AI 통합
Lake는 AI 연구가 인지과학에 의해 정보를 얻어야 한다는 생각을 강력히 옹호합니다. 그는 인간이 학습하고, 추론하고, 일반화하는 방식을 연구하는 것이 더 견고하고 효율적인 AI 시스템을 구축하는 데 귀중한 통찰력을 제공할 수 있다고 주장해 왔습니다. 이러한 관점은 심리학자 및 신경과학자와의 협업과 두 분야를 연결하는 이니셔티브 참여에 반영되어 있습니다.
"인간처럼 학습하고 생각하는 기계 만들기(Building Machines That Learn and Think Like People)"라는 제목의 2017년 널리 인용된 논문에서 Lake와 그의 공동 저자들은 인지 원리에 기반한 AI 연구 로드맵을 제시했습니다. 그들은 미래의 AI 시스템이 소수의 예시로부터 학습하고, 인과적으로 추론하며, 직관적 물리학과 심리학을 사용할 수 있어야 한다고 제안했습니다. 이 논문은 현재 접근 방식의 한계와 더 인간적인 AI의 가능성에 대한 논의를 형성하는 데 영향력을 발휘했습니다.
최근 연구 및 향후 방향
최근 몇 년 동안 Lake는 연구를 확장하여 생성형 AI 모델의 능력과 한계를 탐구했습니다. 그는 대규모 언어 모델이 적절히 프롬프트될 때 체계적 일반화를 나타낼 수 있는지, 그리고 최소한의 예시로 새로운 개념을 학습할 수 있는지 조사했습니다. 그의 연구 결과는 엇갈렸으며, 이러한 모델이 강력하지만 여전히 인간 인지의 핵심 측면 중 일부가 부족함을 시사합니다.
Lake는 또한 인간과 유사한 지능을 더 잘 포착하는 새로운 벤치마크와 평가 방법을 개발하는 노력에 참여해 왔습니다. 그는 능동적 학습, 인과적 추론, 새로운 환경에 적응하는 능력을 요구하는 작업에서 AI 시스템을 테스트하는 것의 중요성을 주장해 왔습니다. 그의 진행 중인 작업은 특정 작업에서 잘 수행될 뿐만 아니라 인간 인지의 유연성과 견고성을 나타내는 모델을 구축하는 것을 목표로 합니다.
영향 및 인정
Lake의 연구는 독창성과 영향력으로 널리 인정받았습니다. 그는 국립과학재단 CAREER 상과 슬론 연구 펠로우십을 포함한 여러 상을 수상했습니다. 그의 논문은 Science 및 Nature Human Behaviour와 같은 최고 저널에 게재되었으며, 주요 AI 및 인지과학 컨퍼런스에서 자주 초청 연사로 활동하고 있습니다.
학계를 넘어, Lake의 아이디어는 AI 산업의 미래에 대한 논의에 영향을 미쳤습니다. 확장 기반 접근 방식에 대한 그의 비판은 오픈AI와 구글 딥마인드 같은 회사의 연구자들이 대체 아키텍처와 훈련 패러다임을 고려하도록 촉구했습니다. 그는 또한 AI 안전성과 인간 가치에 부합하는 시스템 구축의 중요성에 대한 공개 담론에 기여했습니다.
교육 및 멘토링
NYU에서 Lake는 머신러닝과 인지과학에 관한 강의를 하며, 이 분야의 교차점에 관심이 있는 새로운 세대의 연구자들을 멘토링하고 있습니다. 그의 제자들은 학계와 산업계에서 자리를 잡았으며, 인간 수준의 AI 연구의 경계를 계속 넓히고 있습니다. Lake는 협력적이고 개방적인 접근 방식으로 잘 알려져 있으며, 학제 간 사고와 엄격한 실험을 장려합니다.
AI에 대한 Lake의 비전은 기계가 단순한 도구가 아니라 인간과 함께 학습하고 추론할 수 있는 파트너가 되는 것입니다. 그의 연구는 좁은 벤치마크를 넘어 지능 자체에 대한 더 깊은 이해로 나아가도록 해당 분야에 도전합니다. AI가 계속 발전함에 따라, Lake의 기여는 진정으로 인간처럼 생각하고 학습하는 기계를 만드는 탐구의 중심에 남을 것입니다.
주요 출판물
Lake는 다음과 같은 수많은 영향력 있는 논문을 저술했습니다:
- "인간 수준의 개념 학습을 통한 확률적 프로그램 유도" (2015, Science)
- "인간처럼 학습하고 생각하는 기계 만들기" (2017, Behavioral and Brain Sciences)
- "체계성 없는 일반화: 시퀀스-투-시퀀스 순환 신경망의 구성적 기술에 관하여" (2018, ICML)
- "추상화 및 추론 코퍼스" (2019, arXiv)
- "체계적 일반화: 무엇이 요구되며 학습될 수 있는가?" (2019, Science)
이러한 작업들은 집합적으로 인간 수준의 AI를 위한 연구 의제를 형성했으며, 더 유능하고 인간과 유사한 시스템을 구축하려는 학계 및 산업계의 노력에 영감을 주었습니다.
결론
Brenden Lake는 인간의 학습과 추론을 반영하는 AI를 창조하려는 노력의 선도적 인물로 자리 잡고 있습니다. 인지과학과 머신러닝을 결합한 그의 학제 간 접근 방식은 기계가 소수의 예시로부터 학습하고 체계적으로 일반화할 수 있는 방법에 대한 기초적 통찰력을 생산했습니다. 인간 수준의 AI라는 목표는 여전히 요원하지만, Lake의 연구는 구조, 구성성, 인지적 현실주의의 중요성을 강조하는 원칙적인 진로를 제시합니다. 그의 연구는 연구자들이 세상을 진정으로 이해하는 기계를 구축하는 과제와 씨름함에 따라 앞으로도 수년간 해당 분야에 계속 영향을 미칠 것입니다.