계산 지능은 인공지능의 한 분야로, 학습, 진화 또는 퍼지 추론을 통해 문제를 해결하는 적응형 자기 조직화 시스템의 설계와 연구에 관심을 둔다. 명시적 규칙과 논리에 의존하는 고전적 기호 AI와 달리, 계산 지능은 신경망, 진화 알고리즘, 퍼지 논리와 같은 생물학적 또는 물리적 과정에서 영감을 받은 메커니즘을 강조한다. 이 분야는 1990년대 초에 별개의 연구 영역으로 등장했으며, IEEE가 1991년 신경망 위원회를 설립했고, 이후 2001년에 IEEE 계산 지능 학회로 개명되었다.
이 용어는 연구자들이 신경망, 퍼지 시스템, 진화 계산을 공통 프레임워크 아래 통합하려고 하면서 주목을 받았다. 이 세 가지 기둥은 견고성, 적응성, 불확실성 또는 불완전한 정보를 처리하는 능력에 초점을 맞춘다는 공통점을 공유한다. 계산 지능 방법은 문제 구조에 대한 사전 지식을 요구하지 않고 데이터에서 학습하거나 솔루션 공간을 반복적으로 탐색하기 때문에 전통적인 알고리즘 접근 방식과 종종 대조된다.
핵심 패러다임
첫 번째 주요 패러다임은 인공 신경망으로, 생물학적 뇌의 구조에서 영감을 받은 계산 모델이다. 이러한 네트워크는 가중 연결을 통해 정보를 처리하는 상호 연결된 노드(뉴런)로 구성된다. 훈련은 역전파와 같은 알고리즘을 사용하여 이러한 가중치를 조정하며, 이는 1960년대에 Bernard Widrow와 다른 사람들에 의해 대중화되었고 1980년대에 정교화되었다. 기계 학습의 하위 분야인 현대 딥러닝은 다층 신경망에 의존하며 이미지 인식, 자연어 처리, 게임 플레이에서 발전을 이끌었다.
두 번째 패러다임은 진화 계산으로, 유전 알고리즘, 진화 전략, 유전 프로그래밍을 포함한다. 이러한 방법은 후보 솔루션의 모집단을 유지하고, 돌연변이와 교차와 같은 연산자를 적용하며, 적합도 함수에 기반하여 생존자를 선택함으로써 자연 선택을 모방한다. 1960년대와 1970년대의 John Holland와 Ingo Rechenberg와 같은 연구자들의 선구적 작업이 기초를 마련했으며, 이후 이 분야는 공학, 금융, 물류의 최적화 문제에 적용되었다.
세 번째 패러다임은 1965년 Lotfi Zadeh가 도입한 퍼지 논리이다. 퍼지 시스템은 0과 1 사이의 부분 진리값을 허용하는 소속 함수를 사용하여 부정확하거나 모호한 데이터로 추론할 수 있게 한다. 이는 가전 제품 및 산업 공정의 제어 시스템에서 널리 사용되며, 부드럽고 인간적인 의사 결정을 제공한다.
기계 학습 및 딥러닝과의 관계
계산 지능은 기계 학습과 상당히 겹치지만, 두 용어는 동의어가 아니다. 기계 학습은 경험에 따라 개선되는 알고리즘에 초점을 맞추며, 종종 통계적 방법을 사용한다. 반면 계산 지능은 생물학적 또는 물리적으로 영감을 받은 메커니즘에 더 중점을 두고 비그라디언트 기반 최적화를 포함하는 경우가 많다. 다층 신경망을 사용하는 기계 학습의 하위 집합인 딥러닝은 2010년대 이후 하드웨어 발전과 대규모 데이터 세트의 가용성에 힘입어 계산 지능 내에서 지배적인 힘이 되었다.
딥러닝의 주요 혁신에는 2017년 논문 "Attention Is All You Need"에서 Jakob Uszkoreit, Lukasz Kaiser, Niki Parmar를 포함한 연구자들이 도입한 Transformer 아키텍처가 있다. Transformer는 멀티 헤드 어텐션과 위치 인코딩에 의존하여 시퀀스를 처리하며, OpenAI, Anthropic, Google DeepMind가 만든 것과 같은 대규모 언어 모델의 개발을 가능하게 했다. 이러한 모델은 자연어 처리와 생성형 AI를 변형했지만, 계산 지능 기술의 일부 하위 집합만을 대표한다.
응용 및 영향
계산 지능 방법은 다양한 산업에 배포된다. 로봇 공학에서 Waymo와 Tesla Autopilot은 자율 주행 차량의 인식 및 의사 결정에 신경망을 사용한다. 의료 분야에서 Intuitive Surgical은 수술 로봇에 기계 학습을 통합하고, Commure는 임상 워크플로우에 AI를 적용한다. 금융 기관은 포트폴리오 최적화와 위험 평가에 진화 알고리즘을 사용한다. Amazon Web Services와 Microsoft Azure는 AWS Trainium 칩과 같은 특수 하드웨어를 포함한 계산 지능 기술에 의존하는 클라우드 기반 AI 서비스를 제공한다.
하드웨어 분야에서 AMD, Intel, NVIDIA, Qualcomm과 같은 회사는 신경망 추론 및 훈련에 최적화된 프로세서를 설계한다. TSMC는 이러한 응용을 위한 고급 칩을 제조하며, Groq와 SambaNova는 특수 가속기를 개발한다. MIT CSAIL, Stanford AI Lab, Berkeley AI Research와 같은 연구 기관은 기초 작업에 기여하며, Nokia Bell Labs와 Xerox PARC는 초기 AI 및 컴퓨팅에서 역사적 중요성을 지닌다.
도전 과제 및 미래 방향
성공에도 불구하고 계산 지능은 여러 도전 과제에 직면한다. 신경망은 종종 불투명하여 해석 가능성과 편향에 대한 우려를 불러일으킨다. Melanie Mitchell과 Joshua Tenenbaum과 같은 연구자들은 더 견고하고 인간적인 학습 메커니즘을 옹호한다. Aleksander Madry는 적대적 견고성을 연구하고, Anima Anandkumar는 확장 가능하고 효율적인 알고리즘을 연구한다. 이 분야는 또한 에너지 소비 문제를 다루며, 뉴로모픽 컴퓨팅과 모델 가지치기 기술에 대한 관심을 촉발한다.
미래 방향에는 Brendan Lake와 Rafael Calvo가 탐구한 신경망과 기호 추론을 결합한 하이브리드 시스템이 포함된다. D-Wave와 다른 양자 컴퓨팅 회사는 진화 알고리즘을 향상시킬 수 있는 양자 영감 최적화를 조사한다. 계산 지능이 계속 진화함에 따라, 그 방법은 스마트폰에서 클라우드 서비스에 이르기까지 일상 기술에 더욱 통합될 가능성이 높다.
같이 보기
참고 문헌
- IEEE 계산 지능 학회 역사
- Zadeh, L. (1965). Fuzzy sets. Information and Control.
- Vaswani, A. et al. (2017). Attention Is All You Need.