산업 5.0은 인공 일반 지능을 필요로 한다

Bas Steunebrink, 인공 일반 지능의 공동 창립자 및 디렉터, Eric Nivel, 리드 AGI 엔지니어 및 NNAISENSE의 연구 과학자 Jerry Swan

우리는 현대 세계에서 자동화를 당연하게 여긴다. 우리는 매일 지구를 охват하는 공급망으로부터 다양한 상품을 받는다. 그러나 뒤에서는 생산과 물류가 최적화 문제를 일으키는데, 예를 들어 포장, 스케줄링, 라우팅 및 생산 라인 자동화 등이 있다. 이러한 최적화 문제는 동적이며 실제 세계와 함께 끊임없이 변경된다. 예를 들어, 예상 공급 루트는 예기치 못한 상황으로 인해突然 중단될 수 있다. 예를 들어, 수에즈 운하가 막히거나, 화산 폭발로 인해 항공 루트가 변경되거나, 충돌로 인해 전체 국가가 접근할 수 없게 될 수 있다. 입법 변경, 통화 붕괴 및 자원 부족도 공급 측면의 변수로 끊임없이变化한다.

또 다른 예를 들어, 때때로 기계 또는 워크플로우에 새로운 구성 요소를 통합해야 한다(예: 사용자가 다른 재료 또는 색상을 원할 수 있다). 현재, 전문 인력은 시스템을 변경하거나 – 기계 학습의 경우 – 추가로 훈련하고 솔루션을 재배포해야 한다. 유사하게, Industry 4.0의 “디지털 트윈”은 여전히 문제 설명과 입력 분포가 초기 시스템 설계 시에 한 번에 지정될 수 있다는 개념에 크게 의존한다.

최근의 전염병은 “Just-In-Time” 공급망 계획의 취약성을 강조한다. 산업은 더 이상 이러한 비유연성을 감당할 수 없게 된다. 현재, 제조업은 “Low-Mix High-Volume” (LMHV)와 “High-Mix Low-Volume” (HMLV) 사이에서 고정된 선택을해야 한다. Industry 5.0은 “High-Mix High-Volume” (HMHV)의 전망을 예상한다. 여기서 워크플로우는 유동적인 요구 사항을 충족하기 위해 낮은 비용으로 재구성될 수 있다. 이를 달성하기 위해 “자동화 자동화”를해야 한다. 즉, 문제 또는 환경이 변경될 때 인간의 개입이나 시스템 다운타임의 필요성을 제거해야 한다. 이는 실제 세계 시간 제약 내에서 할당된 작업을 완료할 합리적인 전망을 갖는 변경에 반응하는 시스템이 필요하다. 예를 들어, 작업 X에 종사하는 어셈블리 라인 로봇에게 다음과 같이 지시한다.

“X 어셈블리를 즉시 중지하십시오. 여기 Y의 사양이 있으며, 여기에는 이전의 대부분의 효과기와 몇 가지 새로운 효과기가 있습니다. 이제 Y를 어셈블리하십시오. 이러한 종류의 결함과 낭비를 피하십시오.”

최근 “인공 일반 지능” (AGI)의 임박한 도착에 대한 광범위한 논의에도 불구하고, 제안된 접근 방식은真正로 “명령에 따라 작동”할 수 없다. 즉, 오프라인 재훈련, 검증 및 재배포 없이 훈련 세트 외부의 완전히 다른 작업을 맡길 수 없다.

실제 세계의 지능 개념은 변경에 대한 반응성과密接하게 관련되어 있으므로, 예상치 못한 이벤트에 노출되어도 변경되지 않는 시스템은 자율적이지도 않고 지능적이지도 않다. 이는 어려운 문제에 대한 프로그램을 합성하는 수단으로서의 이러한 깊은 학습 (DL) 접근 방식의 명백한 강점을 폄하하는 것이 아니다.

그런 다음 어떤 종류의 시스템 기능이 훈련, 동결 및 배포 패러다임을 넘어서서 끊임없이 적응하는 학습을 가능하게 할 수 있을까? 예를 들어, 제조 워크플로우에서 결함이 있는 구성 요소를 다른 벤더의 구성 요소로 교체해야 하는 경우, 이는 다른 공차를 가질 수 있다. 현대적인 AI의 엔드 투 엔드 블랙 박스 모델링으로 인해 디지털 쌍둥이 프로세스를 다시해야 한다. 현대적인 접근 방식의 제한을 해결하기 위해 근본적인 변화가 필요하다. 즉, 구성 요소 변경의 결과에 대해 직접적으로推論할 수 있는 모델이 필요하다. 그리고 더 일반적인 대안적 “what if” 시나리오. 구성 요소로 분해된 워크플로우를 재조합하는 것은 구성 가능성이라고 하는 것을 필요로 한다.

구성 가능성은 현재의 AI에서 아직도 달성되지 않았으며, 종종 구성 가능성의 약한 개념인 모듈성과 혼동된다. 모듈성은 구성 요소를 ‘glue’하는 능력과 관련이 있지만, 구성 가능성의 본질을 포착하지 못한다. 즉, 원하는 속성을 보존하기 위해 결과 워크플로우의 동작에 대해推論하는 능력이다. 이는 검증 및 안전성의 이유로 필수적이다. 예를 들어, 시스템이 “대체 제조업체의 엔진을 채택하면 전체 공장의 전력 출력이 증가할 것이며, 다른 모든 구성 요소는 온도 한계 내에 유지될 것”이라고推論하는 능력이다.

현재의 신경망 접근 방식은 데이터에서 규칙을 학습하는 데 탁월하지만, 구성 가능성 推論이 부족하다. 구성 가능성 推論이 신경망 아키텍처 내에서 나타날 수 있다는 희망을 버리고, 대신 구성 가능성의 수학적 연구인 범주론의 구성을 직접 사용할 수 있다. 특히, 그 하위 분야인 범주론적 사이버네티克斯는 근본적인 표현 요소로서의 양방향 컨트롤러와 관련이 있다. 양방향성은 원인에서 결과까지 예측을 수행하는 전방 推論과 그 반대의 역 推論을 모두 수행하는 능력이다. 구성 가능성 역 推論은 특히 중요하다. 왜냐하면 이는 환경의 모든 규모의 구조적 표현에서 피드백을 통합할 수 있으므로, 소수의 예제에서 빠르게 학습할 수 있기 때문이다.

일단 원하는 시스템 동작이 주어지면, 학습 작업은 그 동작을 충족하는 집계 제어 구조를 구축하는 것이다. 초기에 학습된 구조는 이후 학습을 위한 스켈레톤으로 작용한다.

시스템의 지식이 증가함에 따라, 이 스켈레톤은 학습된 구성 가능성 속성으로 장식될 수 있다. 이는 H2O 분子の 경우, 그 구성 원자의 속성과 다를 수 있는 속성을 결정할 수 있는 것과 유사하다. 또한, “공을 던지기”와 “테니스 라켓을 휘두르기”는 인간의 경우, 관련된 근육 동작으로 볼 수 있듯이, 관련된 작업은 환경의 피드백을 통해 작업별로 장식된 스켈레톤 제어 구조를 공유할 수 있다. 이는 현대적인 접근 방식에서 발생하는 치명적인 망각 없이 새로운 작업을 학습할 수 있게 한다. 따라서 위에서 설명한 형태의 하이브리드 숫자-기호적 접근 방식은 구성 가능성에 대한 명시적인 개념과 적응적으로 속성이 구성되는 방법을 학습하는 능력을 모두 갖춘 신경망과 기호적 접근 방식의 강점을 결합할 수 있다. 구성 가능성 속성에 대한 推論은 시스템이 현재 수행하도록 지시된 작업에 근거하여 지속적으로 수행된다.

결론적으로,真正로 자율적인 시스템을 생성하기 위해 새로운 접근 방식이 필요하다. 즉, 상당한 변경이나 알려지지 않은 환경에서 작동할 수 있는 시스템이다. 이는 끊임없이 적응하는 학습과 이미 알고 있는 것을 일반화하는 것을 필요로 한다. 깊은 학습 접근 방식에도 불구하고, 그 이름에도 불구하고, 실제 세계에 대한 얕은 표현만이 있으며, 이는 학습 과정에서 높은 수준에서 조작할 수 없다. 반면에, 우리는 다음 세대의 AGI 시스템은 더广い 아키텍처 내에서 깊은 학습을 포함할 것이라고 제안한다. 즉, 직접적으로 자신이 알고 있는 것에 대해 推論할 수 있는 능력이 있는 아키텍처이다.

시스템이 자신의 표현에 대해 기호적으로 推論할 수 있는 능력은 산업에 상당한 이점을 제공한다. 즉, 명시적으로 구성 가능성 표현을 통해 시스템은 안전성 및 공정성의 필수 요구 사항을 충족하기 위해 사람이나 시스템 자체에 의해 감사할 수 있다. AGI의 so-called x-위험에 대한 학술적 우려에도 불구하고, 적절한焦點은 제어 시스템을 재구성하면서 이러한 필수 요구 사항을 유지하는 구체적인 엔지니어링 문제이다. 우리는 이 과정을 상호 작용 조정이라고 한다. 이러한 종류의 제어 시스템, 즉 신뢰할 수 있고 효율적인 지속적인 학습자만이 Industry 5.0에서 예상하는 다음 세대의 자율성을 실현할 수 있다.