현재의 AI, 그 이상

이 새로운 알고리즘 방식은 세상과 인간 두뇌의 상호 작용을 모방합니다.

인텔 랩이 개발하는 인공 지능의 새로운 기능은 기존 컴퓨터 논리보다는 인간의 인지 능력과 더 유사한 점이 많습니다.

뉴로모픽 컴퓨팅이란?
1세대 AI는 규칙을 기반으로 기존의 논리를 모방하여 협소하게 정의된 특정 문제 영역 안에서 합리적 결론을 도출하였습니다. 예를 들어, 1세대 AI는 프로세스를 모니터링하고 효율성을 개선하는 용도에 적합했습니다. 현재 2세대 AI는 비디오 프레임 콘텐츠를 분석하는 데 딥 러닝 네트워크를 사용하는 등 인지 및 감지와 밀접한 관련이 있습니다.

향후 차세대 AI는 해석 및 자율 적응과 같은 인간의 인식에 대응하는 영역으로 확장될 것입니다. 이는 맥락과 상식에 대한 이해가 부족한 상황에선 결정론적 시각에 의존하는 신경망 학습 및 추론 기반 AI 솔루션의 소위 “취약한 부분”을 극복하는 데 매우 중요한 역할을 합니다. 차세대 AI가 일반적인 인간의 활동을 자동화하기 위해서는 새로운 상황과 개념을 해결할 수 있어야 합니다.

인텔 랩은 3세대 AI를 완성시킬 컴퓨터 과학 연구를 이끌어가고 있습니다. 주요 핵심 영역으로는, 신경 구조 및 인간 두뇌의 작동 방식의 모방과 관련된 뉴로모픽 컴퓨팅, 그리고 자연 세계의 불확실성, 모호함, 모순을 처리하기 위한 알고리즘 방식을 구현하는 확률 컴퓨팅이 있습니다.

뉴로모픽 컴퓨팅 연구의 핵심
뉴로모픽 연구의 핵심 과제는 인간의 유연성에 필적하며, 인간 두뇌의 에너지 효율성 수준에서 구조화되지 않은 자극으로부터 학습하는 기능을 연구하는 것입니다. 뉴로모픽 컴퓨팅 시스템의 컴퓨팅 구성 요소는 논리적으로 뉴런과 유사합니다. SNN(Spiking Neural Network)은 생물학적 두뇌에 존재하는 자연적인 신경망을 모방하기 위해 이러한 요소를 배열하는 새로운 모델입니다.

SNN의 각 "뉴런"은 서로 독립적으로 실행되며, 이를 통해 네트워크의 다른 뉴런에 펄스 신호를 전송하고 해당 뉴런의 전기 상태를 직접 변경합니다. 신호 자체 내 정보와 타이밍을 인코딩하는 SNN은 자극에 응답하여 인공 뉴런 사이의 시냅스를 동적으로 재매핑함으로써 자연적인 학습 프로세스를 시뮬레이션합니다.

두뇌에서 영감을 받은 컴퓨팅을 구현하기 위한 실리콘 기반
인텔 랩은 SNN을 구현할 기본 시스템을 제공하기 위해 로이히(Loihi)를 설계했습니다. 로이히는 2017년 11월 소개된 5세대 자체 학습 뉴모로픽 연구 테스트 칩입니다. 이 칩의 128개 코어 설계는 SNN 알고리즘에 최적화되어 있으며 14nm 프로세스 기술로 제작된 특별한 아키텍처에 기반합니다. 가령 로이히는 기존 신경망의 기존 방식에 따라 학습하지 않아도 되는 SNN의 작동 방식을 지원합니다. 이 네트워크는 시간이 지날수록 더 "스마트"해지고 더 많은 기능을 발휘하게 됩니다.

로이히 칩에는 총 130,000개 뉴런이 포함되며 각각의 뉴런은 수천 개의 다른 뉴런과 통신할 수 있습니다. 개발자들은 128개 코어 각각에 포함된 학습 엔진을 통해 프로그래밍 방식으로 온칩 리소스에 액세스하고 이를 조작할 수 있습니다. 하드웨어는 특별히 SNN에 맞게 특화되었기 때문에 매우 낮은 전력 소비와 우수한 성능 및 용량 사양을 바탕으로 자율 작동 및 지속적 학습이 요구되는 시스템의 구조화되지 않은 환경에서도 매우 빠른 속도의 학습이 가능해집니다.

인텔 랩은 연구 커뮤니티가 로이히 기반 테스트 시스템에 액세스할 수 있도록 지원하고 있습니다. 아직 기술이 생산 단계에 미치지 않은 연구 단계이기 때문에, 로이히 기반 테스트 시스템 수는 많지 않습니다. 인텔 랩은 테스트 시스템에 대한 액세스를 확장하기 위해 연구 커뮤니티가 확장 가능한 Loihi 기반 인프라에 액세스할 수 있도록 클라우드 기반 플랫폼을 개발했습니다.

인텔사의 자체 학습 뉴로모픽 연구 칩, 코드명 "로이히(Loihi)." (크레딧: 인텔사)

학제 간 과제인 뉴로모픽 컴퓨팅의 발전
뉴로모픽 컴퓨팅은 컴퓨팅 신경 과학, 머신 러닝, 미전자공학, 컴퓨터 아키텍처 등 다양한 연구 분야에서 발전하고 있습니다. 인텔 랩은 학계, 정부, 업계가 협력하여 뉴로모픽 컴퓨팅을 지원하는 보완적 아키텍처, 도구, 접근 방식을 개발하기 위한 공동 연구 노력의 일환으로 INRC(Intel Neuromorphic Research Community)를 설립하였습니다.

이 커뮤니티는 신경 과학의 원리를 도출하고 실용적 컴퓨팅 기술에 적용하고자 노력하고 있습니다. 예를 들어, 프로그래밍 모델 및 도구의 개발 등 보다 뛰어난 SNN 알고리즘의 생성은 이 커뮤니티의 핵심 분야입니다. 특히, 외부 데이터 및 컴퓨팅 시스템에 SNN 기반 시스템을 연동하는 메커니즘과 현실 세계의 과제를 해결할 수 있는 응용 사례 등 로이히 연구 칩과 관련된 실험과 개발을 추진하고 있습니다.

이 커뮤니티의 구성원은 연구 결과를 공유하는 열린 협업 방식에 동의하였습니다. 인텔 랩은 로이히 개발 시스템에 대한 액세스를 제공하고 자금을 지원하며 커뮤니티에서 연구 활동을 장려합니다.

확률 컴퓨팅 연구의 핵심
자연 상태의 데이터에 변조되어 있는 근본적인 불확실성과 잡음은 AI 발전을 위해 해결해야 하는 핵심 과제입니다. 알고리즘은 자연 상태의 데이터에 기반한 작업에 적응해야 합니다. 인간은 직관적으로 이를 관리할 수 있지만 컴퓨터 시스템에는 어려움이 따릅니다.

불확실성을 이해하고 계산하는 기능을 갖추면 다양한 AI 영역에서 지능형 애플리케이션을 실현할 수 있습니다. 예를 들어, 의료 이미징 분야에서는 불확실성 수치에 기반하여, 방사선 전문의가 먼저 확인해야 하는 이미지의 우선순위를 결정한 후, 강조된 이미지 영역(이번엔 불확실성이 낮음)을 표시할 수 있습니다. 가정에 있는 스마트 도우미의 경우, 의도 파악에 높은 불확실성이 존재한다면 의도를 분명히 할 수 있는 질문을 통해 요청에 대한 이해를 높이는 방식으로 에이전트와 사용자가 상호 작용할 수 있습니다.

자율 주행 차량의 경우에는 자율 주행 차량을 조정하는 시스템이 GPS 경로를 따라 탐색하고 속도를 제어하는 식으로 기존 컴퓨팅에 알맞게 조정된 작업을 많이 수행합니다. 현재 AI 상태에서도 시스템이 예상치 못한 보행자와의 충돌을 피하는 등 주변 환경을 인지하고 응답할 수 있습니다.

그러나 이러한 기능을 완전 자율 주행으로 발전시키려면 인간이 숙련된 운전자로 발전하는 데 필요한 전문 지식이 알고리즘에 통합되어야 합니다. GPS, 카메라 등과 같은 센서의 경우, 위치 측정에 불확실성이 존재합니다. 근처에서 아이들이 가지고 놀던 공이 거리로 굴러가고 아이 중 한 명이 공을 쫓아가는 경우를 예로 들 수 있습니다. 이 경우, 옆 차선에서 공격적으로 주행하는 운전자가 없는지 걱정하는 것이 현명한 판단입니다. 이러한 인지와 응답의 주기에는 입력과 출력 모두 어느 정도의 불확실성이 존재하게 됩니다. 이 시나리오에서 의사 결정은 올바른 행동을 판단하기 위해 환경을 인지하고 이해하여 미래 상황을 예측하는 능력에 의존합니다. 인지와 이해의 작업에서는 이러한 작업에 내재된 불확실성도 파악되어 있어야 합니다.

불확실성 관리 및 모델링
일반적으로 확률 컴퓨팅은 자연 상태의 데이터에 내재된 불확실성 문제를 해결합니다. AI 시스템에서 불확실성은 두 가지 방식으로 나타납니다.

  • 우선 자연 상태의 데이터를 지각하고 인지할 때 발생하는 불확실성으로, 여기에는 하드웨어 센서 및 환경에서 발생하는 입력의 불확실성과 학습 데이터와 인지된 데이터의 불일치로 인해 나타나는 인지 모델의 불확실성이 포함됩니다.
  • 다음은 동적으로 변화하는 이벤트를 이해하고 예측할 때 발생하는 불확실성으로, 인간의 행동과 의도 예측 시 존재하는 불확실성을 예로 들 수 있습니다. 이러한 동적 이벤트를 예측하려는 모든 에이전트는 인간의 의도를 모델링하고 모델에 존재하는 불확실성을 이해해야 합니다. 그런 다음, 관찰을 통해 의도와 목표의 효율적 예측에 존재하는 불확실성을 지속적으로 줄일 수 있습니다.

이 영역의 주요 과제는 불확실성의 효율적인 파악 및 수량화, 이러한 불확실성의 계산과 결과에 대한 통합, 해당 데이터와 이러한 상호 작용의 불확실성 모델의 저장 등이 있습니다.

결과를 결정적 수치가 아닌 확률로 표현한다는 점에서, 모든 결론은 잠정적이며, 특정 수준의 신뢰도에 연결된다는 사실을 시사합니다. 위에서 언급한 자율 주행의 예를 보다 확장해보면, 아이들이 가지고 놀던 공이 시야에서 사라지거나 공격적으로 주행하는 운전자의 변덕스러운 행동은 이러한 잠재적 위험에 대처할 필요가 있다는 주장의 신뢰도를 높일 수 있습니다.

확률적 방법은 AI에서 직관과 예측을 지원할 뿐만 아니라, 블랙박스 역할을 하는 기존의 AI 인지 시스템에도 일정 수준의 투명성을 제공할 수 있습니다. 예를 들어, 오늘날의 딥 러닝 엔진은 불확실성을 측정하지 않고도 결과를 도출해냅니다. 확률적 방법은 이러한 엔진을 보강하여 원칙에 입각한 불확실성 예측을 도출하고, 이 결과를 통해 해당 사례에서 예측의 신뢰도를 결정할 수 있습니다. 불확실성을 가시화하면 의사 결정과 관련된 AI 시스템의 신뢰도를 높일 수 있습니다.

결정론적 프로세스의 결과는 예측 및 반복이 가능한 반면, 확률적 프로세스는 이와 같은 결과를 생성할 수 없습니다. 알 수 없거나 측정할 수 없는 무작위의 영향 때문입니다. 자연 상태로 존재하는 데이터의 잡음, 불확실성, 모순이 통합된 이 프로세스는 인간 또는 인간의 역량을 능가하는 수준의 이해, 예측, 의사결정 능력을 구축하는 중요한 과정입니다. 이 작업은 확률을 모델링하기 위해 몬테카를로 알고리즘을 안정적으로 사용하는 등 데이터 분석에서 사전에 난수를 발생하여 해를 구합니다.

확률 컴퓨팅 에코시스템 지원
확률 컴퓨팅은 불완전하고 불확실한 데이터를 처리하는 기본적인 작업을 수행할 뿐만 아니라, 전체적인 시각과 협업 환경을 바탕으로 보다 포괄적인 컴퓨팅 기술 환경에 성공적으로 통합할 수 있는가에도 영향을 받습니다. 인텔 랩은 Intel Strategic Research Alliance for Probabilistic Computing을 통해 학계 및 업계 기관에 필요한 중재 역할을 합니다.

이러한 연구 이니셔티브는 확률 및 난수 생성을 기본적인 하드웨어 및 소프트웨어 구성 요소에 통합하여 랩에 머물던 고급 확률 컴퓨팅을 현실에서 구현하는 데 전념합니다. IRSA는 이 영역에서 협력하고 연구를 추진하여, 엔지니어링 분야에서 차세대 AI를 지원하기 위한 인지 및 판단 역량을 성장시킵니다.

로이히: 온칩 학습을 통한 뉴로모픽 매니코어 프로세서

로이히 칩은 프로그래밍 가능한 시냅스 학습 규칙을 포함하여 이 분야에서 다양한 새로운 기능을 통합합니다.

백서 읽기

뉴스


인텔과 뉴로모픽 컴퓨팅에 대한 최신 뉴스를 살펴보십시오.

인텔 랩에 참가하기

인텔 랩에서 기술과 문제 해결에 관한 여러분의 열정을 발산하여, 전에는 없던 새로운 가치를 창출해보십시오.

기회의 모색

인텔 랩에 대한 자세한 내용

인텔 랩 소개

기계의 사고, 학습 및 적응 방식을 변화시키는 차세대 혁신을 개발하기 위해 전 세계 우수한 연구 기관을 후원하고 이들과 협력합니다.

자세한 내용

퀀텀 컴퓨팅

인텔이 퀀텀 프로세서 개발을 어떻게 주도하는지 알아보십시오.

자세한 내용

새로운 혁신

새로운 기술이 컴퓨팅의 미래를 만들어 갑니다. 차세대 기술 혁명의 최전선에 있는 주요 혁신 분야에 대해 알아보십시오.

자세한 내용