인간처럼 생각하기: AI는 유추적推論을 개발할 수 있을까?

새로운 것을 마주했을 때, 인간은 본능적으로 비교를 찾는다. 원자에 대해 배우는 아이는 전자가 원자핵을 “태양을 도는 행성처럼” 돌고 있다고 듣는다. 기업가는 자신의 스타트업을 “펫 그루밍을 위한 우버”라고 설명한다. 과학자는 비전문가에게 뇌가 정보를 “컴퓨터처럼” 처리한다고 말한다.

이런 정신적인 도약 – 한 것이 다른 것과 깊은 구조에서 어떻게 유사한지 보는 것 – 을 유추적推論이라고 한다. 그리고 이것은 현재의 형태로 인간 지능과 AI를 구분하는 요소일 수 있다. 만약 우리는 진정한 인공지능, 즉 아직 달성하지 못한 AI의 성배를 개발하기 위해서라면, 우리는 기계가 유추적으로 생각하는 것을 배울 수 있는지 알아야 한다. 이 문제의 중요성은 더 높을 수 없다. 만약答案이 “아니오”라면, 심지어 가장 복잡한 AI 시스템도 영원히 단순한 계산기 이상으로 발전하지 못할 것이다. 그들은 단순히 훈련 데이터를 재배열하는 것 이상의 문제를 해결할 수 없을 것이다.

이해의 구조

유추적推論은 표면적인 유사성보다는 구조적인 유사성의 수준에서 작동한다. 예를 들어, 심장과 물 펌프는 어떻게 유사할 수 있는가? 물론 그들의 물리적인 외관은 아니다. 두 가지 모두 같은 기능, 즉 유체를 시스템을 통해 순환시키는 것을 수행하기 때문이다. 그리고 이것은 인간의 학습, 창의력, 문제 해결을 독특하게 만드는 것이다.

실제 세계의 예는 많다. 아우구스트 케쿨레라는 독일의 화학자는 벤젠의 구조에 대한 힌트를 꿈에서 받았다. 오늘날 프로그래머들은 코드를 구조화할 때 кух房을 조직하는 방법을 적용한다. 그리고 교사들은 전기 흐름을 물이 파이프를 통해 흐르는 것과 비교하여 설명한다.

그러나 현재의 AI 시스템은 이 일반적인 인지 능력을 매우 어렵게 한다. 현대的大規模 언어 모델(LLM)은 “시간은 돈이다”와 같은 유추적推論을 설명하거나 언어적推論 퍼즐을 풀 때는 매우 기쁘게 한다. 그러나 증거는 이러한 모델이 실제 구조적 매핑보다는 복잡한 패턴 매칭에 종종 참여한다는 것을 보여준다. 연구자들이 이러한 모델에 새로운 유추적 문제를 제시했을 때, 그들의 성능은 종종 급격히 떨어진다. 이것은 LLM이 이전에 본 유추를 재현하는 데 뛰어나지만 새로운 연결을 만드는 데는 어려움을 겪기 때문이다.

유추적推論이 없으면 AGI도 없다

명백하게, 유추적推論은 AGI의 핵심 능력이다. 그 없이 AI 시스템은 다른 영역에서 문제를 해결하기 위해 지식을 적용할 수 없다. 예를 들어, 캘리포니아의 햇빛이 비치는 도로를 운전하는 것을 배운 자율 주행 자동차가 눈이 내리는 도로를 운전하는 것을extrapolate하지 못하는 경우를 생각해 보라. 이 자동차의 AI 시스템은 비싼 패턴 매처일 뿐, 진정한 지능을 가진 시스템이 아니다. 진정한 지능을 가지려면, 얼음이 덮인 도로를 운전하는 것이 다른 미끄러운 표면 시나리오와 구조적으로 비교할 수 있는 인식이 필요하다.

이 원리는 자율 주행 자동차를 넘어서서도 적용된다. 유추적 사고는 과학, 의료 진단, 법적推論, 창의적인 업적에서도 진행된다. 유추적 사고가 없는 AI 시스템은 광범위한 지식을 암기한 학자와 같다. 그러나 그 지식을 다른 분야에 적용할 수 없다. 인상적인 것은 사실이지만, 매우 제한적인 방식으로만 가능하다.

유추적 마음을 구축하기

그么, 인간과 같은 유추적推論을 가진 AI 시스템을 개발하기 위해 무엇이 필요한가? 나타나는 연구와 유추적 사고의 기본적인 성질에 기반하여, 몇 가지 중요한 조건과 기술이 필요하다.

구조적으로 풍부하고 다양한 훈련 데이터

첫 번째 요구 사항은 AI 시스템이 표면적인 텍스트 패턴을 넘어서는 데이터로 훈련되어야 한다는 것이다. 인터넷은 과학적 논문, 기술 문서, 창의적 작품, 설명적 내용의 방대한 저장소이다. 그러나 단순한 인터넷 데이터만으로는 충분하지 않다. 필요한 것은 구조적인 다양성이다. 즉, 개발자는 AI 시스템이 추상적인 패턴을 인식하도록 훈련시키기 위해, 다양한 도메인의 대조를 제공해야 한다. 그들의 훈련 데이터에는 건축 설계와 함께 음악 악보, 수학적 증명과 함께 시, 법적 논증과 함께 요리 레시피가 포함될 수 있다. 각 도메인은 다른 종류의 관계 구조를 포함하기 때문에, AGI를 위한 시스템은 이러한 종류의 훈련에서 이익을 얻을 수 있다.

더 중요하게는, 이러한 데이터는 구조적인 관계를 강조하고, 통계적 상관관계만을 강조하지 않아야 한다. 지식 그래프, 인과 다이어그램, 개념 간의 명시적인 관계 매핑은 AI 시스템이 구조를 보는 것을 배우고, 단순히 연관성을 기억하는 것을 피할 수 있다. 이것은 AI에게 무엇이 무엇인지 가르치는 것이 아니라, 어떻게 서로 관련되어 있는지 가르치는 것이다.

훈련 세트를 넘어서 테스트하기

AI 시스템이 유추적으로推論하는 것을 배우고, 단순히 모방하는 능력을 향상시키는 것이 아니라, 우리는 그들의 구조적 매핑 능력을 의도적으로 테스트하는 도구가 필요하다. 이것은 훈련 데이터에 나타날 가능성이 낮은 테스트 문제를 구성하는 것을 의미한다. 즉, 연구자들이 “대체 사실”任务라고 부르는 것이다.

예를 들어, AI에게 표준적인 유추를 완성하도록 요청하는 것 대신에, 우리는 발명된 개념을 사용하거나 도메인 간의 관계를 매핑하도록 요청할 수 있다. 예를 들어, 재료와 레시피의 관계가 법적 논증과 증거의 관계와 어떻게 유사한지 인식할 수 있는가? 이러한 테스트는 시스템이 구조를 이해하는지, 아니면 단순히 유사한 예를 기억하는지 여부를 나타낼 것이다.

중요한 것을 측정하기

AI 개발자에게 좋은 소식은 인지 과학 연구가 인간이 유추를 처리하는 방식에 대해 이미 수십 년 동안 다루고 있다는 것이다. 그들은 이 연구를 사용하여 유추적推論의 강력한 벤치마크를 개발할 수 있다. 그러나 이러한 벤치마크는 단순히 유추 테스트의 정답을 세는 것 이상의 것을 포함해야 한다. 필요한 것은 시스템이 관련 관계를 식별하고, 표면적인 유사성을 무시하고, 매핑을 일관되게 유지하는지 측정하는 지표이다.

예를 들어, 시스템이 원자와 태양계에서 공통적인 관계, 즉 궤도에 대한 인식을 할 수 있는지 평가할 수 있다. 또 다른 평가할 수 있는 능력은 시스템이 새로운 개념을 설명하기 위해 적절한 유추를 자발적으로 생성할 수 있는지 여부이다.

프롬프팅을 통해 스카폴딩하기

최근 연구에 따르면, AI의 유추적推論 능력은 시스템이 요청받은 방식에 크게 의존한다. 유추적 프롬프팅 – 시스템을 구조적 매핑의 과정으로 안내하는 것 – 는 단순히 문제를 제시하는 것보다 더 복잡한推論을 이끌어낼 수 있다. 이것은 시스템이 먼저 원본 도메인에서 관계를 식별하도록 요청한 다음, 그 관계를 대상 도메인으로 매핑하도록 요청하는 것을 포함한다.

이 기술은 두 가지 목적을 동시에 수행할 수 있다. 즉, 현재 AI 시스템의 유추적 능력을 향상시키는 동시에, 향후 모델을 위한 훈련 데이터를 생성하는 것이다. 유추적推論의 성공적인 사례를 기록함으로써, 이후 시스템이 이러한 과정을 더 자연스럽게 수행하도록 가르칠 수 있는 예를 만들 수 있다.

하이브리드 아키텍처

인간과 같은 유추적推論을 달성하기 위해서는 순수한 신경망 접근 방식을 넘어서야 할 수 있다. 패턴 인식과 상징적推論을 결합한 하이브리드 시스템 – 구조적 관계를 명시적으로 표현하고 조작하는 시스템 – 는 필요한 부분을 제공할 수 있다. 신경망은 암시적인 패턴을 학습하는 데 뛰어나지만, 상징적 시스템은 유추적推論이 요구하는 구조적 일관성과 논리적 매핑을 강제할 수 있다.

하이브리드 아키텍처는 아직 초기 단계에 있지만, 연구자들은 그들의 잠재력을 적극적으로 탐색하고 있다. 일부 연구자들은 신경망과 상징적推論을 결합하여 유추적 능력을 향상시킬 수 있다고 주장한다. 다른 사람들은 AI 모델의 유추적 사고를 얕게 만드는 경향을 해결하기 위해 하이브리드 모델을 제안한다.

다음은 어디인가?

누구에게 묻는가에 따라, 유추적推論은 이미 나타나고 있거나 AI가 단순히 모방하는 능력을 향상시키고 있는 것일 수 있다. 어느 쪽이 진실에 더 가까운지 여부와 상관없이, AGI의 꿈을 실현하기 위해서라면, 더 큰 모델이나 더 많은 데이터만으로는 충분하지 않을 것이다. 또한 우리가 AI 시스템을 구조화하고, 훈련하고, 평가하는 방식에 대한 근본적인 혁신이 필요할 것이다.

AI의 변혁적 능력이 펼쳐질수록, 유추적推論은 성능의 중요한 벤치마크와 AI의 현재 능력과 진정한 인간의 인지 간의 격차를 상기시키는 중요한 지표가 된다. AI 시스템이 민주주의가 시민에게 무엇인지, 오케스트라가 음악가에게 무엇인지와 같이 깊은 구조적 관계를 인식할 수 있을 때,真正한 지능으로의 중요한 문턱을 넘어설 것이다.