인간처럼 생각하기: 인공지능은 유추 추론 능력을 개발할 수 있을까?

새로운 것을 접할 때 인간은 본능적으로 비교를 하려 합니다. 원자에 대해 배우는 아이는 전자가 핵 주위를 "행성이 태양 주위를 도는 것처럼" 공전한다는 말을 들을 수 있습니다. 사업가는 자신의 스타트업을 다음과 같이 설명할 수 있습니다. "애완동물 미용을 위한 우버." 과학자는 비전문가 청중에게 뇌가 정보를 "컴퓨터처럼" 처리한다고 설명할 수 있습니다.

사물의 더 깊은 구조적 유사성을 파악하는 이러한 정신적 도약을 유추적 추론이라고 합니다. 그리고 이것이 바로 핵심 요소일지도 모릅니다. 인간 지능과 인공지능을 구분합니다 현재 형태로서는 그렇지 않습니다. 만약 우리가 인공 일반 지능(AGI)을 개발하려면, 인공지능의 성배 지금까지 난제로 남아 있던 문제, 즉 기계가 유추적 사고를 학습하는 것이 가능한지 여부를 반드시 밝혀내야 합니다. 이 문제의 중요성은 그 어느 때보다 높습니다. 만약 답이 "아니오"라면, 아무리 정교한 AI 시스템이라 할지라도 영원히 단순한 계산기에 불과할 것입니다. 학습에 사용된 데이터를 재배열하는 것 이상의 기능을 요구하는 문제를 해결할 수 없을 것이기 때문입니다.

이해의 건축

유추적 추론은 표면적인 유사성이 아닌 구조적인 유사성 수준에서 작동합니다. 예를 들어, 심장과 물 펌프의 유사점은 무엇일까요? 외형적인 유사성은 분명 아닙니다. 둘 다 동일한 기능, 즉 시스템을 통해 유체를 순환시킨다는 점입니다. 바로 이러한 한 맥락에서 전형적인 관계를 다른 맥락에 적용하는 능력이야말로 인간의 학습, 창의성, 문제 해결 능력을 그토록 독특하게 만드는 요소입니다.

실제 사례는 얼마든지 있습니다. 뛰어난 독일 화학자 아우구스트 케쿨레를 예로 들어보겠습니다. 그는 벤젠의 구조에 대한 힌트를 다음과 같은 형태로 얻었습니다. 그는 꿈에서 뱀이 자기 꼬리를 물고 있는 것을 보았다.오늘날 프로그래머들은 부엌을 정리하는 방법에서 얻은 교훈을 코드 구조에 적용하고, 교사들은 전류를 파이프를 통해 흐르는 물에 비유하여 설명합니다.

하지만 현재의 AI 시스템은 이러한 일반적인 인지 능력을 매우 어려워합니다. 최신 대규모 언어 모델(LLM)은 요청을 받으면 "시간은 돈이다"라는 이유를 설명하거나 언어 추론 퍼즐을 푸는 데는 기꺼이 나서지만, 증거 수집 이는 LLM 모델이 진정한 구조적 매핑보다는 정교한 패턴 매칭에 자주 관여한다는 것을 시사합니다. 연구자들이 훈련 데이터와 다른 새로운 유추 문제를 이러한 모델에 제시하면 성능이 급격히 저하되는 경우가 많습니다. 이는 LLM 모델이 이전에 접했던 유추를 재현하는 데는 탁월하지만 새로운 연결을 구축해야 할 때는 어려움을 겪기 때문입니다.

유추적 추론도 없고, 인공 일반 지능도 없다

분명히, 유추적 추론이란 사인 ...로서가 아닌 AGI이러한 유연성이 없다면 AI 시스템은 취약한 상태로 남아 한 영역에서 관련 있는 지식을 다른 영역의 문제 해결에 적용할 수 없습니다. 예를 들어, 햇볕이 내리쬐는 캘리포니아 거리를 주행하는 법을 학습했지만 눈길 주행에는 그 학습 내용을 적용할 수 없는 자율주행차를 상상해 보세요. 이 자동차의 AI 시스템은 값비싼 패턴 매칭 도구일 뿐, 진정한 지능을 갖춘 시스템이 아닙니다. 진정한 지능은 세부적인 사항은 다르더라도 빙판길 주행이 다른 미끄러운 노면 상황과 구조적으로 유사하다는 것을 인식할 수 있는 인지적 유연성을 필요로 합니다.

물론 자율주행차뿐만 아니라 다른 분야에도 동일한 원리가 적용됩니다. 유추적 사고는 과학, 의료 진단, 법률적 추론, 창의적 활동 등 다양한 분야에서 발전을 이끌어냅니다. 이러한 능력이 부족한 AI 시스템은 마치 도서관 전체를 암기했지만 여러 학문 분야에 걸쳐 지식을 종합할 수 없는 학자와 같습니다. 인상적일 수는 있지만, 매우 제한적인 범위에서만 그렇습니다.

유추적 사고력 키우기

그렇다면 인간과 유사한 유추적 추론 능력을 갖춘 인공지능 시스템을 개발하려면 무엇이 필요할까요? 최근 연구 결과와 유추적 사고의 근본적인 특성을 바탕으로 볼 때, 몇 가지 핵심적인 조건과 기술이 필수적인 것으로 보입니다.

구조적으로 풍부하고 다양한 훈련 데이터

첫 번째 요구 사항은 표면적인 텍스트 패턴을 넘어선 데이터로 AI 시스템을 훈련시키는 것입니다. 방대한 과학 논문, 기술 문서, 창작물, 설명 콘텐츠가 있는 인터넷은 좋은 출발점입니다. 하지만 아무 인터넷 데이터나 사용할 수 있는 것은 아닙니다. 필요한 것은 다음과 같습니다. 구조적 다양성다시 말해, 인공지능 시스템이 추상적인 패턴을 인식하도록 학습시키려면 개발자는 훈련 첫날부터 대조적인 자료들을 제공해야 합니다. 훈련 데이터에는 건축 설계도와 악보, 수학적 증명과 시, 법률 논증과 요리법 등이 포함될 수 있습니다. 각 영역은 서로 다른 유형의 관계 구조를 가지고 있기 때문에, 미래의 인공 일반 지능(AGI)은 이러한 유형의 훈련을 통해 이점을 얻을 수 있을 것입니다.

더욱 중요한 것은, 이 데이터는 단순히 통계적 상관관계뿐 아니라 구조적 관계도 보존하고 강조해야 한다는 점입니다. 지식 그래프인과 관계도와 개념 간의 명확하게 매핑된 관계는 AI 시스템이 기계적으로 연관성을 암기하는 대신 구조를 "보는" 법을 배우는 데 도움이 될 수 있습니다. 즉, AI에게 사물이 무엇인지뿐만 아니라 원칙에 따라 서로 어떻게 관련되는지를 가르치는 것입니다.

훈련 데이터셋을 넘어선 테스트

인공지능 시스템이 단순히 모방 능력을 향상시키는 것이 아니라 유추적으로 추론하는 법을 배우도록 하려면, 시스템이 이전에 접해보지 못한 상황에 구조를 적용하는 능력을 의도적으로 검증하는 도구가 필요합니다. 이를 위해서는 훈련 데이터에 나타날 가능성이 있는 어떤 문제와도 의도적으로 다른 테스트 문제를 구성해야 합니다. 연구자들은 이를 '테스트 문제'라고 부릅니다. 반사실적 과제.

예를 들어, "강아지는 개와 같고, 새끼 고양이는 ____와 같다"와 같은 일반적인 유추 문제를 인공지능에게 제시하는 대신, 우리가 만들어낸 개념을 사용한 문제를 내거나 인공지능이 연결된 것을 본 적 없는 영역들 간의 관계를 파악하도록 요청할 수 있습니다. 인공지능은 재료와 레시피 사이의 관계가 증거와 법적 주장 사이의 관계와 유사하다는 것을, 비록 그러한 구체적인 비교를 접해본 적이 없더라도 인식할 수 있을까요? 이러한 테스트를 통해 시스템이 근본적인 구조를 이해하는지, 아니면 단순히 유사한 사례를 기억하는지를 밝혀낼 수 있습니다.

중요한 것을 측정

인공지능 개발자들에게 희소식은 인간이 유추를 처리하는 방식에 대한 수십 년에 걸친 인지과학 연구가 존재한다는 점입니다. 개발자들은 이러한 연구를 활용하여 유추 추론에 대한 견고한 기준점을 개발할 수 있습니다. 그러나 이러한 기준점은 단순히 유추 테스트에서 정답 수를 세는 것 이상이어야 합니다. 진정으로 필요한 것은 인공지능 시스템이 표면적인 유사성을 무시하고 매핑에 관련된 관계를 식별하며, 매핑 전반에 걸쳐 일관성을 유지하는 능력을 측정하는 지표입니다.

이러한 평가 방식에는 고차원적인 관계를 파악하는 능력을 평가하는 점수 시스템이 포함될 수 있습니다. 예를 들어, 인공지능이 원자와 태양계 모두 공전한다는 사실을 인식할 뿐만 아니라, 이러한 공전을 지배하는 인과 관계까지 이해할 수 있다면 더 높은 점수를 받을 것입니다. 또한, 인공지능이 미리 정해진 유추 문제를 푸는 것뿐만 아니라, 새로운 개념을 설명하기 위해 적절한 유추를 자발적으로 생성할 수 있는지 여부도 평가 기준으로 삼을 수 있습니다.

프롬프트를 통한 비계 설정

최근 연구에 따르면 인공지능의 유추적 사고 능력은 인공지능에게 어떤 방식으로 사고를 하도록 요청하느냐에 크게 좌우된다고 합니다. 유추적 유도 구조적 매핑 과정을 통해 모델을 명시적으로 안내하는 것은 단순히 문제를 제시하는 것보다 더 정교한 추론을 이끌어낼 수 있습니다. 예를 들어, 시스템에 먼저 소스 도메인에서 관계를 식별하도록 요청한 다음, 해당 관계를 대상 도메인에 매핑하도록 명시적으로 요청할 수 있습니다.

이 기술은 현재 AI 시스템의 유추 능력을 향상시키는 동시에 미래 모델을 위한 훈련 데이터를 생성하는 두 가지 목적을 달성할 수 있습니다. 유도된 유추 추론의 성공적인 사례를 기록함으로써, 후속 시스템이 이 과정을 더욱 자연스럽게 수행하도록 학습시킬 수 있는 예시를 만들 수 있습니다.

하이브리드 아키텍처

인간과 유사한 유추 추론을 구현하려면 순수 신경망 접근 방식을 넘어서야 할 수도 있습니다. 패턴 인식과 기호 추론을 결합한 하이브리드 시스템, 즉 구조적 관계를 명시적으로 표현하고 조작하는 시스템이 필요한 부분을 채워줄 수 있을 것입니다. 신경망은 암묵적인 패턴 학습에 탁월한 반면, 기호 시스템은 유추 추론에 필수적인 구조적 일관성과 논리적 매핑을 강화할 수 있습니다.

하이브리드 아키텍처는 아직 초기 단계에 있지만, 연구자들은 그 잠재력을 적극적으로 탐구하고 있습니다. 예를 들어, 일부 연구자들은 다음과 같은 방식으로 연구를 진행하고 있습니다. 신경망과 기호 추론을 결합하는 것을 주장한다 이는 유추 능력을 향상시킬 수 있습니다. 다른 것들. 홍보 인공지능 모델이 허구적인 이야기를 만들어내거나 피상적인 방식으로 유추하는 경향을 해결하기 위해 개발된 하이브리드 모델.

다음은 어디입니까?

누구에게 묻느냐에 따라 유추적 추론은 이미 등장했거나 인공지능이 단순히 모방 능력을 더욱 정교하게 발전시키고 있는 것일 수 있습니다. 어느 쪽이 진실에 더 가깝든 간에, 일반 인공지능(AGI)이라는 꿈을 실현하려면 단순히 더 큰 모델이나 더 많은 데이터만으로는 부족하다는 것은 분명합니다. 인공지능 시스템을 구성하고, 훈련하고, 평가하는 방식에 근본적인 혁신이 필요할 것입니다.

인공지능의 혁신적인 역량이 전개됨에 따라, 유추적 추론은 성능을 가늠하는 중요한 기준점이 되는 동시에 인공지능의 현재 역량과 진정한 인간 인지 능력 사이의 격차를 여실히 보여주는 지표가 되고 있습니다. 인공지능 시스템이 민주주의가 시민들에게 오케스트라가 연주자들에게 그러하듯 표면적인 특징뿐 아니라 조정, 대표성, 그리고 조화로운 결합과 같은 심층적인 구조적 관계를 인식할 수 있게 될 때, 비로소 진정한 지능을 향한 중요한 문턱을 넘게 될 것입니다.