The General Problem Solver (GPS)는 Allen Newell, Herbert A. Simon, J. C. Shaw가 개발한 초기 인공지능 프로그램이다. 1957년에 처음 시연된 GPS는 도메인 특화 지식보다는 일반적인 목적의 추론 방법을 적용하여 광범위한 문제를 해결하도록 설계되었다. 이는 인공지능과 인지과학의 역사에서 기초적인 이정표로 널리 간주된다.
GPS는 문제를 형식적으로 표현하고, 수단-목표 분석(means-ends analysis)이라는 기법을 사용하여 작동했다. 이 접근법은 문제의 현재 상태를 목표 상태와 비교하고, 차이를 식별하며, 그 차이를 줄일 수 있는 연산자를 선택하는 것을 포함했다. 프로그램은 목표가 달성될 때까지 이 과정을 재귀적으로 적용했다. GPS는 실제로 완전히 일반적이지는 않았지만, 그 구조는 이후 많은 AI 시스템에 영향을 주었고 기계 학습과 문제 해결 패러다임의 발전에 기여했다.
기원과 발전
GPS는 RAND Corporation에서 구상되었고, 이후 Carnegie Mellon University(당시 Carnegie Institute of Technology)에서 개발되었다. Newell, Simon, Shaw는 이전에 수학 정리를 증명하는 프로그램인 Logic Theorist(1956)를 작업한 바 있다. GPS는 퍼즐, 기호 논리, 단순한 계획 작업을 포함한 더 넓은 범주의 문제를 처리할 수 있는 더 유연한 시스템을 만들기 위한 시도였다. 이 프로그램은 기호 AI 연구를 위해 특별히 설계된 IPL(Information Processing Language) 프로그래밍 언어로 구현되었다.
GPS의 첫 공개 시연은 1957년에 이루어졌고, 시스템은 1950년대 후반과 1960년대 초반에 걸쳐 개선되었다. 이는 하노이 탑, 선교사와 식인종 퍼즐, 다양한 암산 문제와 같은 문제를 해결하는 데 사용되었다. 그러나 GPS는 상당한 도메인 지식이나 복잡한 탐색 공간을 요구하는 문제에서 어려움을 겪었고, 그 성능은 당시의 계산 자원에 의해 종종 제한되었다.
수단-목표 분석
GPS의 핵심 메커니즘은 수단-목표 분석으로, 세 가지 주요 단계를 포함하는 문제 해결 전략이다: (1) 현재 상태와 목표 상태 사이의 차이를 식별하고, (2) 그 차이를 줄일 수 있는 연산자를 찾고, (3) 연산자를 적용하며, 필요시 하위 문제를 재귀적으로 해결하여 적용을 가능하게 한다. 이 접근법은 Simon과 Newell이 광범위하게 연구한 인간의 문제 해결 행동에서 영감을 얻었다. GPS는 차이를 연산자에 연결하는 연결 표를 사용하여 현재 상황에 따라 적절한 행동을 선택할 수 있게 했다.
수단-목표 분석은 초기 AI와 인지 모델링의 초석이 되었다. 이는 이후 많은 계획 시스템에 통합되었고 시퀀스-투-시퀀스 모델과 같은 현대 AI 구조의 발전에 영향을 주었다. 이 개념은 또한 현재 능력과 원하는 능력 사이의 격차를 점진적으로 줄이도록 작업이 구조화되는 커리큘럼 학습에서도 응용을 찾았다.
영향과 유산
GPS는 개념적으로나 실질적으로 AI 분야에 깊은 영향을 미쳤다. 이는 기계가 추론과 계획을 요구하는 작업을 수행할 수 있음을 보여주었고, 컴퓨터가 산술 계산에만 국한된다는 당시의 지배적인 견해에 도전했다. Newell과 Simon의 GPS 작업은 이후 인간 인지에 대한 연구에 기여했으며, 1980년대 SOAR 인지 구조의 개발로 이어졌다. GPS는 또한 전문가 시스템과 초기 자연어 처리 시스템의 설계에 영향을 주었다.
이름에도 불구하고 GPS는 현대적 의미의 일반 문제 해결사가 아니었다. 문제가 특정 방식으로 형식화되어야 했고 경험으로부터 학습할 능력이 부족했다. 그럼에도 불구하고, 이는 생성형 AI와 대규모 언어 모델의 후속 발전을 위한 토대를 마련했으며, 이는 일반 목적 추론의 아이디어를 기반으로 하지만 훨씬 더 강력한 계산 자원과 데이터 기반 방법을 사용한다.
한계와 비판
GPS는 연구자들이 더 복잡한 문제로 확장하려고 시도하면서 분명해진 여러 한계에 직면했다. 프로그램은 문제 도메인의 완전하고 정확한 형식화에 의존했는데, 이는 종종 달성하기 어려웠다. 탐색 공간은 기하급수적으로 커질 수 있어 실제 세계 작업에는 비실용적이었다. 또한 GPS는 과거의 성공이나 실패로부터 학습할 메커니즘이 없어 시간이 지남에 따라 성능을 개선할 수 없었다.
비판자들은 또한 GPS의 "일반적" 성격이 과장되었다고 지적했는데, 각각의 새로운 문제에 대해 수작업으로 만든 표현과 연산자 정의가 필요했기 때문이다. 이러한 한계는 도메인 지식의 중요성을 강조했고 1970년대 지식 기반 시스템의 발전으로 이어졌다. 그럼에도 불구하고 GPS는 지능적인 기계를 만드는 약속과 도전을 모두 보여주는 AI 역사의 랜드마크로 남아 있다.
현대적 연결
GPS 자체는 더 이상 사용되지 않지만, 그 아이디어는 현대 AI 연구에서 공명을 일으킨다. 수단-목표 분석의 개념은 현대 계획 알고리즘과 복잡한 작업을 하위 작업으로 분해하는 트랜스포머 기반 모델의 설계에서 반영된다. 문제 표현과 탐색에 대한 강조는 데이터에서 표현을 학습하고 수작업 규칙에 의존하지 않는 신경망과 딥 러닝의 중심에 있다. MIT CSAIL과 Stanford AI Lab과 같은 기관의 연구자들은 일반 목적 추론을 계속 탐구하며, 종종 GPS와 같은 초기 시스템에서 영감을 얻는다.
요약하면, General Problem Solver는 보편적 추론 엔진을 만들기 위한 선구적인 노력이었다. 그 개발은 AI가 하나의 학문으로 시작되는 것을 표시했으며, 그 유산은 문제 해결과 기계 지능에 대한 많은 현대적 접근에서 볼 수 있다.