산업 5.0은 왜 인공 일반 지능을 필요로 하는가

바스 스투네브リンク, 에릭 니벨, 제리 스완

우리는 현대 세계에서 자동화를 당연하게 여긴다. 전 세계적으로 물류를 운송하여 다양한 상품을 우리의 선상에 제공한다. 그러나 이러한 물류와 생산 과정에서는 많은 최적화 과제가 발생한다. 예를 들어, 포장, 스케줄링, 라우팅, 생산 라인 자동화 등이 있다. 이러한 최적화 과제는 동적이며 실시간으로 변경된다. 예를 들어, 예상된 공급 루트가 갑자기 변경될 수 있다. 수에즈 운하가 막히거나, 화산 폭발로 인해 항공 루트가 변경되거나, 전쟁으로 인해 국가가 접근할 수 없게 될 수 있다. 법률 변경, 통화 붕괴, 자원 부족 등도 공급 측면에서 끊임없이 변하는 변수이다.

또 다른 예로, 때때로 기계 또는 워크플로우에 새로운 부품을 통합해야 할 수 있다. 사용자가 다른 재료나 색상을 원할 수 있다. 현재, 이러한 변경을 적용하려면 전문가의 노동이 필요하다. 또는 기계 학습의 경우, 추가적으로 모델을 재학습하고 재배포해야 한다. 산업 4.0의 디지털 트윈은仍然적으로 초기 시스템 설계 시점에 문제 설명과 입력 분포를 한 번에 모두 지정할 수 있는 가정에 의존한다.

최근의 전염병은 “just-in-time” 공급 사슬 계획의 취약성을 강조한다. 산업은 더 이상 이러한 불유연성을 허용할 수 없다. 현재, 제조업은 “Low-Mix High-Volume” (LMHV)와 “High-Mix Low-Volume” (HMLV) 중 하나를 선택해야 한다. 산업 5.0은 “High-Mix High-Volume” (HMHV)의 가능성을 예상한다. 여기서 워크플로우는 유동적인 요구 사항을 충족하기 위해 저렴한 비용으로 재구성될 수 있다. 이를 달성하려면 자동화를 자동화해야 한다. 즉, 문제 또는 환경이 변경될 때 인간의 개입이나 시스템 다운타임의 필요성을 제거해야 한다. 이는 시스템이 명령에 따라 작동하도록 해야 한다. 즉, 이러한 변경에 반응하면서도 실시간 시간 제약 안에서 할당된 작업을 완료할 수 있는 가능성이 있어야 한다. 예를 들어, 다음과 같이 어셈블리 라인 로봇에 명령할 수 있다.

“X를 즉시 중지하고, 여기 Y의 사양이 있으며, 이전의 몇 가지 효과와 함께 새로운 효과가 있습니다. 이제 Y를 조립하고, 특정 종류의 결함과 낭비를 피하십시오.”

최근에 인공 일반 지능(AGI)의 임박한 도래에 대한 논의가 많았지만, 이러한 접근 방식은 진정으로 “명령에 따라 작동”할 수 없다. 즉, 오프라인 재학습, 검증, 재배포 없이 훈련 세트 외부의 작업을 수행할 수 없다.

실제 세계에서 지능의 개념은 변경에 대한 반응성과密接하게 관련되어 있다. 변경에 반응하지 않는 시스템은 자율적이지도 않고 지능적이지도 않다. 이는 딥 러닝(DL) 접근 방식의 강점을 부정하는 것이 아니다. 이러한 접근 방식은 명시적으로 지정하기 어려운 문제에 대한 프로그램을 합성하는 데 큰 성공을 거두었다.

그러면 어떤 종류의 시스템 기능이 AI를 이러한 훈련, 동결, 배포 패러다임에서 끊임없는 적응 학습을 가능하게 하는 방향으로 이동시킬 수 있을까? 예를 들어, 제조 워크플로우에서 결함이 있는 부품을 다른 벤더의 부품으로 교체해야 하는 경우를 고려하자. 이는 다른 공차를 가질 수 있다. 현대 AI의 엔드투엔드 블랙 박스 모델링으로 인해 디지털 트윈 프로세스를 다시 수행해야 한다. 이러한 현대적 접근 방식의 제한을 해결하기 위해 근본적인 변화를 요구한다. 즉, 구성 요소 변경의 결과에 대해 직접推論할 수 있는 모델이 필요하다. 더 일반적으로, 반事實적인 “what if” 시나리오에 대한推論이 필요하다. 구성 요소를 알려진 속성으로 분해하고 필요에 따라 재조합하는 것은 구성 가능성이라고 하는 것을 요구한다.

구성 가능성은 현재의 AI에서 아직 달성하지 못한 것이다. 여기서 구성 가능성은 종종 약한 개념인 모듈성과 혼동된다. 모듈성은 구성 요소를 “glue”하는 능력에 관한 것이다. 그러나 구성 가능성의 본질을 포착하지 못한다. 즉, 결과적인 워크플로우의 행동에 대해推論하여 원하는 속성의 보존을 결정하고 보장하는 능력이다. 이는 검증과 안전을 위한 중요한 능력이다. 예를 들어, 시스템이 “대체 엔진을 채택하면 전체 공장의 출력이 증가할 것이며, 다른 모든 구성 요소는 온도 마진 내에서 유지될 것이다”라고推論할 수 있다.

현대의 신경망 접근 방식은 데이터에서 규칙을 학습하는 데 탁월하지만, 구성 가능성에 대한推論이 부족하다. 구성 가능성에 대한推論이 신경망 구조에서 나타날 수 있는 대신, 범주론의 구성에 대한 수학적 연구인 범주 이론의 구성을 직접 사용할 수 있다. 특히, 双向 컨트롤러를 기본 표현 요소로 다루는 하위 분야인 범주 이론 사이버네티克斯가 있다. 双向성은 원인에서 결과로, 그리고 그 반대로 예측을 만드는 능력이다. 구성 가능한 역推論은 특히 중요하다. 이는 任意의 구조적 표현 수준에서 환경에서 피드백을 통합할 수 있기 때문이다. 이는 소수의 예제에서 빠른 학습을 가능하게 한다.

원하는 시스템 행동이 주어졌을 때, 학습 작업은 지정된 행동을满た하는 집계 컨트롤 구조를 구축하는 것이다. 처음에 학습된 구조는 이후 학습의 뼈대가 된다.

시스템의 지식이 증가함에 따라, 이 뼈대는 구성 가능한 속성으로 장식될 수 있다. 이는 H2O 분子の 경우와 마찬가지로, 원자보다 다른 속성을 가질 수 있다. 또한, “공을 던지기”와 “테니스 라켓을 휘두르기”는 인간의 경우와 마찬가지로, 관련 작업은 환경에서 피드백을 통해 작업별로 특화된 뼈대 구조를 공유할 수 있다. 이는 작업별 cấu trúc과 작업별 세부 사항을 분리하여 새로운 작업을 학습할 때 기존의 접근 방식에서 발생하는 치명적인 망각을 방지할 수 있다. 따라서, 위에서 설명한 형태의 하이브리드 수치-기호적 접근 방식은 신경망과 기호적 접근 방식의 강점을 결합할 수 있다. 즉, 명시적인 구조 개념과 구성 속성에 대한推論을 통해 적응적으로 학습할 수 있다. 구성 속성에 대한推論은 시스템이 현재 수행하는 작업에 근거한다.

결론적으로, 진정으로 자율적인 시스템을 생성하기 위해 새로운 접근 방식이 필요하다. 즉, 변경이나 未知의 환경에서 작동할 수 있는 시스템이 필요하다. 이는 끊임없는 적응 학습과 기존 지식에 대한 일반화를 요구한다. 딥 러닝 접근 방식은浅い 세계 표현만을 가지고 있으며, 이는 높은 수준에서 학습 프로세스에 의해 조작될 수 없다. 반면에, 우리는 다음 세대의 AGI 시스템이 더广い 아키텍처에 딥 러닝을 포함하며, 직접적으로 지식에 대해推論할 수 있는 능력을 가질 것이라고 제안한다.

시스템이 자신의 표현에 대해 기호적으로推論할 수 있는 능력은 산업에 큰 이점을 제공한다. 즉, 명시적으로 구성 가능한 표현을 통해, 시스템은 안전성과 공정성의 중요한 요구 사항을满た하기 위해 사람이나 시스템 자체에 의해 감사될 수 있다. AGI의 소위 “x-risk”에 대한 학술적 우려에도 불구하고, 적절한焦点은 실제로 제어 시스템을 재구성하면서 이러한 중요한 요구 사항을 유지하는 구체적인 工程 문제이다. 우리는 이를 상호 작용 조정이라고 한다. 이러한 종류의 제어 시스템, 즉 신뢰할 수 있고 효율적인 지속적인 학습자만을 통해 산업 5.0이 비전한 다음 세대의 자율성을 실현할 수 있을 것이다.