AI 모델 및 플랫폼

신경망이 인간과 같은 언어 일반화를 달성하다

Alex McFarland
Unite.AI를 Google의 선호 소스에 추가
핵심 포인트새로운 신경망이 언어 분야에서 인간과 유사한 체계적 일반화를 처음으로 달성했습니다.
더 보기
  • 새로운 신경망이 언어 분야에서 인간과 유사한 체계적 일반화를 처음으로 달성했습니다.
  • 이 신경망은 새로운 단어를 낯선 문맥에 통합하는 능력에서 ChatGPT와 같은 모델을 능가합니다.
  • 이 돌파구는 신경망이 인간 인지를 모델링할 수 있는지에 대한 논쟁을 다시 불러일으켰습니다.

끊임없이 발전하는 인공지능(AI) 분야에서 과학자들은 최근 중요한 이정표를 알렸습니다. 인간과 비슷한 수준의 언어 일반화 능력을 보이는 신경망을 만든 것입니다. 이 획기적인 발전은 단순한 한 걸음이 아니라 인간의 인지와 AI의 능력 사이의 간극을 좁히는 거대한 도약입니다.

AI 분야로 더 깊이 들어갈수록, 이러한 시스템이 인간처럼 다양한 맥락에서 언어를 이해하고 적용하는 능력은 매우 중요해집니다. 이번 성과는 인간과 기계의 상호작용이 어느 때보다 자연스럽고 직관적으로 느껴질 미래를 기대하게 합니다.

기존 모델과의 비교

AI 분야에는 언어를 처리하고 반응하는 모델이 이미 있습니다. 그러나 이번 발전의 새로움은 향상된 언어 일반화 능력에 있습니다. 인기 있는 챗봇의 기반 모델 같은 기존 모델과 비교했을 때, 이 새로운 신경망은 새로 배운 단어를 기존 어휘에 통합하고 익숙하지 않은 맥락에서 사용하는 능력이 더 뛰어났습니다.

ChatGPT 같은 현재 최고의 AI 모델은 여러 대화 상황에 잘 대응하지만, 새로운 언어 정보를 매끄럽게 통합하는 데에는 여전히 부족함이 있습니다. 반면 새로운 신경망은 기계가 인간과 같은 미묘함과 적응력을 갖추고 이해하며 소통하는 현실에 더 가까이 다가가게 합니다.

체계적 일반화의 이해

이 성과의 핵심은 체계적 일반화라는 개념입니다. 이는 인간이 새로 익힌 단어를 다양한 상황에 쉽게 맞추어 사용하는 능력을 말합니다. 예를 들어 ‘photobomb’라는 말의 뜻을 이해하면, 우리는 “두 번 photobomb하기”나 “Zoom 통화 중 photobomb하기” 등 여러 상황에서 어떻게 사용하는지 직관적으로 압니다. 마찬가지로 “고양이가 개를 쫓는다”라는 문장 구조를 이해하면, 반대인 “개가 고양이를 쫓는다”도 쉽게 파악할 수 있습니다.

그러나 인간에게 내재된 이 능력은 AI에 어려운 과제였습니다. 인공지능 연구의 토대였던 전통적인 신경망은 이런 능력을 자연스럽게 갖고 있지 않습니다. 새로운 단어가 맥락 속에서 쓰인 여러 사례로 충분히 훈련받지 않으면 그 단어를 통합하는 데 어려움을 겪습니다. 이 한계는 수십 년 동안 AI 연구자들 사이에서 논쟁의 대상이었으며, 신경망이 인간의 인지 과정을 제대로 반영할 수 있는지에 대한 논의를 불러일으켰습니다.

연구의 상세 내용

신경망의 능력과 언어 일반화의 잠재력을 더 깊이 살펴보기 위해 포괄적인 연구가 수행되었습니다. 연구는 기계에만 국한되지 않았습니다. 인간 참가자 25명이 깊이 관여하여 AI 성능을 비교하는 기준이 되었습니다.

실험에서는 참가자들에게 익숙하지 않은 단어들로 구성된 인공 언어를 사용했습니다. 이를 통해 참가자들이 실제로 처음 배우는 용어라는 점을 보장하여, 사전 지식 없이 일반화 능력을 시험할 수 있었습니다. 이 인공 언어에는 서로 구분되는 두 범주의 단어가 있었습니다. ‘기본’ 범주에는 ‘dax’, ‘wif’, ‘lug’ 같은 단어가 포함되었으며, 이들은 ‘깡충거리기’나 ‘뛰기’와 비슷한 기본 동작을 나타냈습니다. 반면 ‘blicket’, ‘kiki’, ‘fep’ 같은 더 추상적인 ‘기능’ 단어는 기본 단어들을 적용하고 조합하는 규칙을 정해, ‘세 번 뛰기’나 ‘뒤로 깡충거리기’ 같은 순서를 만들었습니다.

훈련 과정에는 시각적 요소도 도입되었습니다. 각 기본 단어는 특정 색상의 원과 연결되었습니다. 예를 들어 빨간 원은 ‘dax’, 파란 원은 ‘lug’를 나타낼 수 있었습니다. 이후 참가자들에게 기본 단어와 기능 단어의 조합을 보여 주고, 기능을 기본 단어에 적용한 결과를 나타내는 색상 원의 패턴을 함께 제시했습니다. 한 예로 ‘dax fep’를 빨간 원 세 개와 짝지어, ‘fep’가 동작을 세 번 반복하는 추상적 규칙임을 설명했습니다.

참가자들의 이해와 체계적 일반화 능력을 평가하기 위해 기본 단어와 기능 단어의 복잡한 조합을 제시했습니다. 참가자들은 원의 올바른 색과 개수를 정하고, 이를 적절한 순서로 배열해야 했습니다.

의미와 전문가 의견

이번 연구 결과는 AI 연구 역사에 작은 진전을 하나 더한 것이 아니라 패러다임 전환을 의미합니다. 인간과 비슷한 체계적 일반화를 보여 준 신경망의 성능은 학계와 산업 전문가들에게 흥분과 관심을 불러일으켰습니다.

존스홉킨스대학교에서 언어를 전문으로 연구하는 저명한 인지과학자 폴 스몰렌스키 박사는 이를 “네트워크가 체계적으로 작동하도록 훈련하는 능력의 돌파구”라고 평가했습니다. 그의 발언은 이번 성과의 중요성을 강조합니다. 신경망을 체계적으로 일반화하도록 훈련할 수 있다면, 챗봇부터 가상 비서와 그 밖의 다양한 응용 분야에 혁신을 가져올 잠재력이 있습니다.

그러나 이는 단순한 기술 발전을 넘어섭니다. AI 공동체에서 오래 이어진 논쟁, 즉 신경망이 인간 인지의 정확한 모델이 될 수 있는지라는 문제와 맞닿아 있습니다. 거의 40년 동안 이 질문을 두고 AI 연구자들은 의견이 갈렸습니다. 일부는 신경망이 인간과 비슷한 사고 과정을 모방할 수 있다고 믿었지만, 다른 이들은 특히 언어 일반화 영역에서의 내재적 한계 때문에 회의적이었습니다.

유망한 결과를 낸 이번 연구는 낙관론 쪽으로 무게를 더합니다. 뉴욕대학교의 인지계산과학자이자 연구 공동 저자인 브렌든 레이크는 신경망이 과거에는 어려움을 겪었더라도 올바른 접근법을 사용하면 인간 인지의 여러 측면을 반영하도록 만들 수 있다고 지적했습니다.

인간과 기계가 원활하게 협력하는 미래를 향해

초기 단계부터 현재의 역량에 이르기까지 AI의 여정은 끊임없는 발전과 돌파구로 이어져 왔습니다. 신경망을 체계적인 언어 일반화가 가능하도록 훈련한 이번 성과 역시 AI의 무한한 잠재력을 보여 주는 또 하나의 증거입니다. 이 시점에서 이러한 발전이 지닌 더 넓은 의미를 인식하는 것이 중요합니다. 우리는 기계가 우리의 단어뿐 아니라 미묘한 차이와 맥락까지 이해하여, 인간과 기계가 더욱 매끄럽고 직관적으로 상호작용하는 미래에 조금씩 가까워지고 있습니다.

Alex는 Unite.AI의 AI 기반 뉴스 운영을 이끌고 있습니다. 저널리즘, 조사, 자동화를 결합해 인공지능에 관한 소식을 시의적절하게, 확장 가능한 방식으로 보도할 수 있도록 지원합니다. 그의 업무는 매체의 편집 기준을 유지하면서 새로운 AI 동향을 효율적으로 찾아 보도하는 데 기여합니다.