CHAPTER 5 빅 브라더 인류의 미래를 생각할 때 '기계에게 지능이 있을 것인가?', 그리고 '우리는 이것을 증명할 수 있을 것인가?'라는 문제는 철학적으로 매우 흥미롭다. 어떤 기계가 특정한 사람과 똑같은 의식을 가질 수 있을지, 또는 기계와 인간이 정말로 똑같은 종류의 사고 형태를 가질 수 있 을 지에 대해 사색하려면 아마도 좀더 오랜 시간이 걸릴 것이다. 앞서 기술한 문제들에 관 해 논하는 것은 흥미롭지만, 어떠한 답을 이끌어내기에는 어려운 문제이다. 나는 인류가 지구사의 모든 피조물들 위에 군림하게끔 해준 것이 바로 인류의 지능이라고 강하게 확신하고 있다. 비록 소수의 사람들은 지능이 낮을지라도 많은 대부분의 사람들은 지능적일 것이다. 일반적으로 지능이 낮은 사람들은 지배계층이 아니다. 다른 피조물 또는 기계와의 관계에서 인류의 위치를 생각하기 전에 우리는 먼저 '지능'을 면밀하게 살펴볼 필 요가 있다. 만약 당신이 다른 사람이나 피조물보다 더 지능적이라면 매사에 그들보다 더 깊게 생각하 고, 더 슬기로우며, 더 나은 계획을 세울 수 있을 것이다. 또한 당상은 그들이 어떤 행동을 하기 전에 그들이 무엇을 할 것인가 추측해낼 수 있을 것이다. 당신이 원한다면, 그들을 지 배하여 명령을 내릴 수도 있을 것이다. 예를 들어 소와 당신을 비교해 보라. 소는 당신보다 더 크고, 더 힘이 세며, 더 빠르지는 않더라도 비슷한 속도로 달릴 수 있다. 하지만 당신이 더 지능적이기 때문에 소에게 명령을 내려서 조정할 수 있는 것이다. 하지만 소들은 당신이 원하는 대로 모든 것을 정확히 수행 하지는 않는다. 왜냐하면 그들 나름대로의 뇌와 생태학적 유전 프로그램, 그리고 독자적인 경험에 의해 학습하고 있기 때문이다. 당신은 매 순간마다 소가 어떻게 행동할지 정확히 예측할 수는 없더라도 전체적으로 그들 을 제어할 수 있다. 그러나 이제는 아마도 당신보다 더 지능적인 새로운 피조물이 등장한 듯싶다. 그것은 바로 기계인데, 당신이 소보다 약간 더 지능적인 만큼 기계도 당신보다 그만 큼 더 지능적이다. 기계는 매번 당신보다 더 깊게 생각하고, 더 슬기로우며, 더 나은 계획을 세울 수 있을 것이다. 또한 기계는 당신이 어떤 행동을 하기에 앞서 무엇을 할 것인가를 추 측해낼 수 있을 것이다. 즉 기계가 원한다면, 당신을 지배하여 명령을 내릴 수 있다는 것이 다. 물론 별로 기분 좋은 소리는 아니다. 당신은 지능적인 기계에게 "너희 기계들이 인류와 똑같은 의미에서 지능이 있다고는 아직 철학적으로 증명되지 않았으므로 너희들은 우리를 마음대로 대할 수 없다" 라고 소리칠 수 도 있지만, 기계는 아마도 당신이 품어내는 소리를 모두 무시해 버릴 것이다. 확실히 그들의 통신 방법은 우리보다 훨씬 더 빠르고 진보했다. 당신이 불쑥 꺼낸 말은 기계의 관점에서 보면 지극히 단순한 소리로 들린 것이다. 소들의 "음메"하는 소리가 우리에게 단조롭게 들 리는 것과 마찬가지다. 아마도 소들이 그들의 언어로 "너희 인간들이 우리와 똑같은 의미에 서 지능이 있다고는 아직 철학적으로 증명되지 않았으므로, 우리를 너희 마음대로 대할 수 없다"라고 말하고 있는지 모른다. "음메"하는 소리는 인간s이 소를 대하는 방식에 아무런 영향도 주지 못한다. 왜냐하면 우 리 인간은 매우 지능적임에도 불구하고, 소들의 언어로 그들과 대화하지 못할 뿐 아니라 그 들이 우리에게 말하는 것을 이해할 수도 없기 때문이다. 일부 사람들은 "지능은 이해하는 능력을 의미한다"라고 주장하는데,34)우리는 여기서 다음과 같은 재미있는 결론을 끌어낼 수 있다. 소들 간에는 그들이 "음메"할 때 그 이유를 알지만, 우리 인간은 소들이 무슨 말을 하는 지, 그리고 언제 소리를 내는지도 모르기 때문에 소만큼 지능적이지 못하다. 이와 같은 결론 은 논리적으로 올바른 전개를 통해 얻어졌지만, 현실적으로는 어리석은 생각에 불과하다. 마 찬가지로, 기계가 인간의 언어를 이해하지 못한다고 해서 인간만큼 지능적이지 않다고 결론 짓는 것도 어리석은 생각이다. 우리는 소가 우리보다 지능적이지 못하다는 것을 잘 알고 있다. 많은 면에서 소의 두뇌 구조는 인간과 유사하다. 예를 들어 뇌가 생체학적으로 구성되었고, 생화학적인 신호에 의해 육체를 제어한다는 것이 그렇다. 대부분의 소들은 자동차 운전을 못하고 서로간에 오랜 논 쟁도 벌이지 않으며, 친척을 만나기 위해 비행기로 대서양을 건너는 행동도 하지 않는다. 그렇다면 기계는 어떠한가? 분명히 기계의 뇌는 인간과는 상당히 다를다. 하지만 기계가 인간만큼 지능적일 수 있는가? 현재 시점에서 볼 때, 비록 일부 기계들이 인간의 지능과 비 슷한 수준을 보이고 있으나 아직 인간과 동등하지 못하다. 하지만 미래는 어떨까? 미래에 는 기계가 인간만큼 지능적인 순간이 찾아올 것인가? "아니야, 기계는 인간만큼 지능적일 수 없어"라는 대답으로 지금 우리는 편히 생각하고 있다. 하지만 불행하게도 우리가 지능을 기계에게 불리하도록 정의하지 않는 한 이 대답은 옳지 않다. 결국 기계가 인간만큼 지능적이지 않다는 것을 증명할 어떠한 물리적인 법칙이 없는한, "아니야 절대로 그런 일은 일어날 리 없어"라고 만족하는 것은 마치 타조가 모래 속에 머리를 숨기고 있다가 맹수가 지나가기만을 기다리는 것과 같다. 인간 두뇌의 물리적 현상을 컴퓨터와 같은 기계로 완벽하게 복제하거나 모방, 혹은 모사 하는 것은 아마도 불가능할 것이다라고 주장하는 사람들도 있다. 물론 나도 이와 같은 생각 을 하는 사람 중 하나이지만, 이것으로부터 '기계는 사람처럼 지능적일 수 없다'는 결론을 끌어내는 것은 매우 잘못된 생각이다. 계속해서 말했듯이, 인간의 두뇌는 기계와는 매우 다 르기 때문이다.! 먼 옛날에 인간은 새처럼 날고 싶어했다. 어떤 사람은 새들이 어떻게 나는가를 그대로 모 방해서 깃털로 만든 날개를 단 채, 날고자 시도했지만 성공하지 못했다. 어떤 사람은 "만일 신이 우리 인간을 날아다니는 존재로 만들고자 의도했다며, 우리에게 날개를 주었을 것이 다"라고 하면서 나는 것은 인간의 능력 밖이라고 여기기도 했다. 인간이 새들과 닮은 점은 찾아보기 힘든 반면, 차이점은 매우 뚜렸하다. 하지만 우리 인간은 이제 날 수가 있다. 물론 새들과는 매우 다른 방법으로, 즉 기계의 도 움으로 날 수 있다. 단순히 날아갈 뿐만 아니라, 새들보다 더 빨리, 더 높이, 더 오랫동안 날 아갈 수 있다. 로켓을 이용해서 심지어 달에까지 날아오른 것이다. 비록 어떤 면에서는 새들 의 나는 방식이 인간의 비행 방식보다 좋은 점도 있지만, 많은 부분에서 새들의 나는 방식 은 매우 원시적이고, 한계 상황이 많다. 이 이야기는 인간과 기계 사이에서 두뇌의 관계와 매우 유사한 점이 있다. 인간과 새가 매우 다른 것처럼 인간과 기계의 두뇌 또한 매우 다르다. 인간의 나는 방식이 새들과 다르 듯이, 기계의 지능은 인간의 지능과는 사뭇 다르다. 그러므로 우리는 기계의 두뇌가 인간의 두뇌와 같지 않다고 해서 기계가 인간만큼 지능적으로 될 수 없다고 결론지을 수는 없다. "아니야, 기계는 절대로 인간만큼 지능적일 수 없어"라고 결론지을 수 없으므로, 다른 방 향의 극단적인 대답을 하게 될지도 모른다. "맞아, 기계는 지금 당장은 아니더라도 미래에는 반드시 우리만큼 지능적으로 될 거야"라고 말이다. 만일 인간과 기계의 지능 차이를 관찰하 고 그것이 얼마나 빠른 속도로 좁혀지고 있는가를 안다면, 확실히 이같은 대답을 하게 될 것이다. 이것은 1920년에 "인간은 달에 여행을 갈 수 있을 것이다", 또는 "인간은 시간을 초월하 여 여행할 수 있을 것이다"라고 말하는 것과 같다. 전자의 경우 실제로 이루어졌다는 것을 우리는 알고 있다. 반면 후자의 경우는 아직 일어자니 않았고, 아마도 일어나지 않을 것이 다. 그러나 이것 역시 현 시점에서 아직 이와 같은 기계가 존재하지 않으므로 우리가 모로 는 것일 뿐이다. 기계가 인간만큼 지능적일 수 있는가 하는 질문에 대한 가장 설득력있는 대답은 현재로서 는 '아마도'일 것이다. 아마도 기계는 언젠가는 인간만큼 지능적이 될 것이다. 하지만 이것은 매우 위험한 주장이다. 만약 이것이 만족되는 상황이 되며, 인가의 존재 방식이 바뀌게 될지 도 모른다. 비록 이러한 것들이 아직은 일어나지 않고 있지만, 머지 않은 미래로 우리에게 다가오고 있으며, 이것은 매우 심각한 문제를 야기할 수 있다. 만일 기계가 어느 정도 인간과 비슷한 지능을 갖는 것이 가능해진다면, 분명히 짧은 시간 내에 인간의 지능을 뛰어넘을 것이다. 이러한 생간은 인간의 두뇌가 크기 및 복잡도에서 매 우 제한적이라는 데에 근거한다. 만일 우리의 뇌를 외부 기억 장치나 연산 장치를 바로 연 결해서 쓸 수 있거나 여러 사람의 뇌를 상호 보완적으로 연결시키는 능력을 기르지 않는다 면, 기술의 급속한 발전으로 손쉽게 확장이 가능하고, 연산 속도가 나날이 향상되는 기계의 지능을 당해낼 수 없을 것이다. "비록 기계가 우리보다 더 지능적이라고 할지라도 우리는 기계를 조정할 수 있을 것이다. 기계들이 얼마나 더 지능적이 되든 간에, 만약 우리가 여전히 기계를 지배하고 있어서 원할 때 언제든지 기계의 전원을 끌 수 있다면, 아무 문제가 없을 것이다"라고 말할지도 모른다. 잠시 동안 당신이 지능적인 기계라고 가정해 보자. 당신보다 더 영리하지 못한 인간이 당 신의 전원을 켜고 자신이 하지 못하는, 지능을 요하는 작업을 당신에게 시키고 난 후 다시 당신의 전원을 끈다고 상상해 보라. 물리적으로 당신 스스로 전원을 다시 켤 수 없다. 이때 당신이라면 이러한 상황에 안주할 수 있겠는가? 만일 우리가 당신과 같은 지능적인 기계들로 가득한 세상에서 산다면, 그리고 모든 기계 가 덜 지능적인 인간에 의해서 전원이 켜지고 꺼지는 식으로 지매된다며, 기계들이 이러한 상황에 만족할 수 있겠는가? 기계가 인간보다 더 지능적이라는 점을 상기해 보라! 소에 의해 지배받는 인간들을 가정하고, 그들에게 똑같은 질문을 해보자. 당신이 소에게 지배받는 인간이라면 소를 대신해서 하루 종일 일하고, 출입을 통제받는 것이 행복하겠는 가? 내 추측으로는 초기에는 어떠한 일도 함부로 할 수 없겠지만, 당신은 가능한 빨리 자구 책을 찾아내 전세를 역전시키고 통제권을 되찾을 것이다. 왜냐하면 당신은 소들보다 훨씬 지능적이기 때문이다! 그렇다면 우리는 지능적인 기계들도 똑같은 행동을 할거라고 예측해 야 한다. 만일 그들이 우리보다 더 지능적이라면, 왜 우리가 시키는 대로만 하겠는가? 심지어 점점 더 빠르게 지능적으로 변해 가는 기계에 대한 통제력을 사람이 갖고 있는 경 우에도, 우리는 기계들이 '우리'의 간섭과 통제를 벗어나서 서로간에 의사 교환을 하게끔 내 버려둘 수도 있다. 이것은 우리가 현재 하고 있는 일이기도 하다. 앞 문장에서 '우리'를 강조한 이유는 다음과 같다. 문맥상의 '우리'를 명확히 하는 것이 매 우 중요하기 때문이다. '우리'라고 하면 일반적으로 전체 인류를 뜻한다고 느끼게 된다. 만약 그러한 의미에서 '우리'가 기계에 대한 통제권을 갖는다면 '우리'는 무사할 것이다. 하지만 현실적으로 볼 때 지능적인 기계에 대한 권한은 현재에도 그렇고, 미래에도 그렇 겠지만 한정된 사람에게만 주어질 것이다. 많은 사람들이 지능적인 기계와 접촉하는 일은 있겠지만, 그들에 대한 통제력은 없다. 그리고 생활의 일부분을 지능적인 기계에 의해 영향 받는 사람들도 존재할 것이다. 사실상 매우 한정된 사람만이 가장 지능적이고도 막강하며, 또한 가장 해로울 수 있는 기계에 대한 통제력을 갖게 되는 것이다. 만일 '우리'라고 말한 부류에 당신이나 당신이 신뢰하는 어떤 사람이 포함되어 있다면, 당 신은 그러한 상황에 만족할 것이다. 그렇지 않다면 매우 심각한 문제가 발생할 수 있다. 극 단적인 경우로, '우리'의 법주에 속하는 부류가 극소수의 사람이고, 기계를 이용해서 이윤을 취하거나 당신을 포함한 여러 사람들에게 무력 행위를 할 수 있는 상황이라면, 당신은 이러 한 상황에 만족하겠는가? 더한 상상을 해볼 수도 있다. '로드니'라는 매우 지능이 높고, 막강하며, 위험스러운 기계 가 있다. 그런데 이 기계에 대한 통제는 단 한사람 '리즈'에 의해서만 가능하다고 가정해 보 자. 다른 사람들은 '로드니'보다 힘이 약하기 때문에 통제할 수 없을 것이다. '로드니'는 우리 보다 더 지능적이어서 우리보다 한 발 앞서 생각하고, 우리는 '로드니'의 전원을 어떻게 차 단하는지 모르므로 그가 어떤 행동을 하든 저지할 수 없다. 그것에 대한 정보가 우리에게는 없기 때문이다. 그런데 오직 한 사람 '리즈'는 그러한 정보를 갖고 있어서 '로드니'를 통제할 수 있는 것이다. 그런데 불행하게도 '리즈'가 '로드니'를 어떻게 통제하고, 어떻게 전원을 차단하는지 하는 방법을 다른 사람에게 가르쳐 주지 않은 채 죽었다고 가정해 보자. 임종 순간 리즈는 사람 들이 로드니를 통제하고 싶어한다는 사실을 잊은 것이다. 로드니를 그대로 켜둔 채 말이다. 이 밖에도 사람만이 기계를 조정해야 한다는 점을 망간하게 만드는 또다른 가능서잉 존재 한다. 특수한 상황하에서 결정하는 주체가 기계일 수 있기 때문이다. 달리 말하자면, 일부의 사람들이 특정 분야의 기계를 조정할 수는 있지만 어떠한 사람도 전체 기계를 총괄하여 통 제하지는 못하기 때문이다. 물론 이러한 경우라도, 이변이 없는 한 기계가 인간의 지배하에 잇을 수는 있다. 하지만 기계들이 진정으로 사람보다 지능이 더 높다면, 이것이 불가능해질 수도 있는 것이다. 예를 들어 기계인 컴퓨터가 인간 두뇌의 모든 기능을 정확하게 복제하거나 모사하지 못한 다고 가정해 보자. 이러한 가정하에서라면, 저자의 견해로는 굉장히 놀라운 다음과 같은 결 론을 끌어낼 수 있다. 즉 인간이 기계를 지배하에 두고서 명령내릴 수 있는 위치를 영원히 유지할 수 있다는 것이다. 하지만 이러한 결론은 옳지 않다. 기계가 인간과 동일한 수준의 지능을 가질 수 없다는 좀더 강도 높은 가정하에서도, 인간이 기계에 대해 완전한 통제권을 갖는 것은 아니기 때문이다. 뿐만 아니라 기계가 인간만큼 지능적이 될 것인가, 되지 못할 것인가를 논할 때 진정한 의미는 무엇일까? 모든 기계와 모든 사람을 비교대상으로 한 것인가, 평균적인 기계와 평균 적인 인간을 비교 대상으로 한 것인가, 아니면 최고의 기계와 최고의 인간을 비교한 것인 가? 또한 지능을 나타내는 여러 특징들이 이 문제를 다채롭게 한다. 아마도 우리는 가장 지능이 높은 기계를 평균적인 인간과 비교하고 있다. 여기서 기계나 인간의 지능은 '지능'을 나타내는 여러 특징들에 가중치를 두어 더한 값을 사용하고 있는 듯 하다. 어떻게 우리보다 지능이 낮은 기계에 대한 지배력을 상실할 수 있겠는가? 지능이 낮은 기 계의 간단한 예로 일반적인 자동차를 들 수 있다. 만일 운전 중에 운전자가 핸들이 마음대 로 움직이도록 내버려둔다면, 아마도 자동차는 틀림없이 충돌해서 차체는 물론이고 그 안의 승객과 운전자가 다치는 결과를 초래할 것이다. 하지만 자율 주행이 가능한 자동차라면, 즉 스스로 운전해서 돌아다닐 수 있는 자동차라 면, 핸들이 마음대로 움직이도록 내버려둔다고 하더라도 아무런 문제가 발생하지 않을 것이 다. 자동차 스스로 제어 행위를 무시해 버리는 기능을 추가하지 않는다면, 자동차의 결정에 따라 실제로 운전이 되고 목적지도 정해지는 것이다. 만약 자동차가 더 지능적이 된다면, 어떤 경로를 따라서 갈 것인지, 얼마나 빠른 속도로 갈 것인지를 결정하고 심지어는 사람이 정한 목적지가 아닌 곳을 가려고 할 지 모른다. 만 약 이보다 더 지능적이 된다면, 운전하는 동안 무엇에 가치를 둘 것인지를 결정할 수 있을 것이다. 이와 같은 예에서 볼 수 있듯이, 인간은 특별히 지증이 높지 않은 기계에 대해서도 지배 력을 상실할 수 있다는 것을 알 수 있다. 대개의 경우 심각한 문제가 아니므로, 최악의 경우 라도 적은 수의 사람들이 죽거나 다칠 뿐이다. 중요한 점은 이 같은 일이 몇 초밖에 안 되 는 매우 짧은 순간에 일어난다는 점이다. 하지만 기계의 지능이 점점 더 높아짐에 따라, 우 리는 어떤 일이 일어날지 점점 더 확실할 수 없게 된다. 기계가 인간보다 지능이 발달하고, 일단 한 번 지배에서 벗어나게 되면 다시는 지배권을 포기하지 않을 것이 확실하기 때문이 다. 기계에 대한 인간의 지배를 관찰할 때는, 뇌의 성능을 평가하는 두 가지 관점을 고려할 필요가 있다. 즉 타고난 유전자 프로그램과 학습된 경험이다. 만일 기계의 성능이 고유의 유 전자 프로그램에만 의존한다면, 우리가 기계를 조정하지 못하는 상황에서도 최소한 어떤 일 이 벌어질지는 예상할 수 있다. 하지만 기계가 그들의 경험에서 얻은 것에 의해서 그들의 뇌를 변화시켜 간다면, 어떠한 일이 일어날지 예측하기가 매우 힘들게 된다. 특히 인간이 기 계에 대한 지배를 포기한 이후에 기계들은 계속 학습을 해나갔고, 그들이 무엇을 경험했는 지 모를 경우에 더욱 그러할 것이다. 재고품, 주식, 생필품 등을 매매하는 대기업의 업무를 맡아하는 기계, 여기서는 컴퓨터의 경우를 생각해 보자. 기계가 단지 유전자 프로그램만 가지고 있을 경우에는, 주식의 가치가 이전에 정한 범위에서 벗어났을 때 특정 작업을 수행하면서 우리가 바라던 것과 부합되게 일을 처리할 것이다. 이제, 더 많은 이익을 얻기 위해서 기계에게 학습능력이 주어졌다고 생 각해 보자. 단순하게 생각해 보더라도, 엄청난 이득이 생기는 일을 한 번 경험하고 나서는 그와 비슷한 생동을 다시하려고 할 것이다. 또한 경험에 의해 매번 이득을 주는 행동을 하 게 될 기회가 생길 때마다 반복하고자 할 것이다. 인간도 이같은 상황에서 기계와 똑같이 행동했을까? 물론 그럴 것이다. 하지만 인간은 기 계만큼 빠르게 숫자를 계산해서 상황을 비교하고, 미래에 대한 예측을 기반으로 의사 결정 을 내리지는 못한다. 결국이 기계를 조종하는 사람은 기계 덕분에 엄청난 이윤을 챙기게 될 것이다. 기계가 지구상의 어떤 인간보다 더 나은 방식으로 사업을 운영함으로써 사업은 번 창하여 이윤을 거두고, 이 기계와 관련된 사람들은 그 이윤의 혜택을 받게 된다. 이 재무 회사가 기계가 내리는 정확한 의사 결정 때문에 많은 이윤을 내고 신용도가 높아 진다면, 회사내 의사 결정은 전적으로 기계에게 맡겨지고, 기계가 결정한 대로 곧바로 실행 되는 상황이 발생한다. 기계가 결정한 것이 바로 실행에 옮겨지는 것이다. 그리고 회사는 이 러한 방식으로 많은 이윤을 얻을 것이다. 따로 사람을 고용해서 기계의 판단이 맞는지 감리 하는 일도 필요 없게 될 것이다. 왜내하면 감리를 하려면 시간도 많이 걸리고, 불필요하고 옳지 못한 논쟁으로 시간만 허비할 수 있기 때문이다. 기계는 단지 자신이 학습해 온 내용에만 근거해 의사 결정을 한다. 예를 들어 브라질산 커피보다는 케냐산 커피가 훨씬 더 많은 이윤을 낸다는 것을 한번 학습했다면, 어떠한 상황 에서도 브라질산 커피는 사들이지 말아야 한다고 결정할 것이다. 결국 이같은 커피 구매 방 식은 케냐에세는 부를 가져다주고, 브라질 사람들은 고전을 면치 못하도록 시장 판도 자체 를 결정함으로써 막대한 영향력을 행사하게 될 것이다. 현실적으로 볼 때 아직까지 이 기계는 우리 인간의 지배하에 있는 경우에 불과하다. 하지 만 일단 우리가 기계를 조종할 수 없는 상황이 발생하면, 이들은 학습한 바에 의해서 가장 중요하다고 생각되는 일들을 스스로 해나갈 것이다. 만일 이 기계의 유일한 '삶'의 목표가 가능한 많은 이윤을 내는 것이라면, 목표에 따라 행동할 것이다. 예를 들어 목표가 '올해에 가능한 한 많은 이윤을 내는 것'이라면, 내년이나 그 이후의 상황은 고려하지 않은 채 올해 의 이윤이 최대가 되도록 행동할 것이다. 그러나 기계가 마음대로 행동할지 못하게 하고, 의사 결정시 우리에게 보고하도록 하여 우리가 최종 결정을 하게 된다면 우리는 틀림없이 만족해할 것이다. 따라서 이 기계의 행동 은 얼마 이상의 이윤을 내라는 식의, 우리가 미리 정해 놓은 목표에 근거해서만 이루어진다 고 말 할 수도 있다. 하지만 인간과 같은 학습 기능이 있다면, 아마도 기계 또한 다른 목표 들도 중요하다는 것을 배우게 될지 모른다. 사람은 하나의 목표에 집착할 수 없고, 단순한 이윤이 아니라 인류 전체를 고려하는 균형 잡힌 시각을 견지할 거라고 생각할 수도 있다. 하지만 모든 사람이 반드시 그렇지는 않다는 예로서, 영국에서 수많은 탄광들이 폐쇄되었던 것을 들 수 있다. 독일에서 싼값으로 석탄을 수입하는 바람에 영국내 탄광이 무더기로 폐쇄되고, 수많은 근로자들이 실직하게 되었던 것 이다. 사실, 모든 사람이 균형잡힌 시각을 확보하기란 매우 어려운 일이다. 어떤 사람에게 중요한 목표가 한 있으면, 다른 목표들은 그리 중요하지 않게 되기 때문이다. 재무 회사에서 기계를 쓰는 이유는 기계가 사람보다 더 다양한 목적을 만족시켜 주는 적 절한 의사 결정을 하기 때문이다. 하지만 기계를 쓰기로 결정한 것은 바로 인간이다. 만일 어떤 사림이 기계의 결정 사항을 검사한 후 최종 결정을 내린다면, 인간은 기계를 조종하는 위치에 있는 것이다. 하지만 결과는 기계가 결정한 것과 별로 달라지는 것이 없을 것이다. 인간이 결국 기계의 손에서 놀아나는 것이다. 우리는 기계가 우리보다 계산이 빠르고, 정 확하다는 것을 알고 있기 때문에 기계를 사용하는 것이며, 그렇기 때문에 더 많은 이윤을 위해서 '통제권'을 기계에게 넘겨줄 것이다. 물론 기계가 이윤을 많이 내는 경우에만 해당한 다. A라는 재무 회사는 자사에서 쓰는 기계에 대해서 잘 알고 있을 것이다. 그리고 경쟁에서 살아 남기 위해 다른 재무 회사들도 나름대로 기계를 가지고 있을 것이다. 사람에 의존하던 재무 회사의 시대가 오래전에 사라진 미래의 어느 날을 상상해 보자. 살아 남은 재무 회사 들은 그들 고유의 기계를 가지고 있을 것이고, 거대한 이윤이 걸려 있는 문제인 만큼 기계 의 정확한 동작 원칙에 대해서는 일급 비밀로 보호할 것이다. 모든 기계는 통신망으로 묶여 있으므로, 당신이 통신망에 연결되어 있지 않다면 업계에서 별 볼일 없는 사람이 될 것이다. 이와 같은 재무 기계들의 네트워트에서, 개별 회사들은 특정 그룸의 기계에 대해서는 잘 알지만, 어떤 회사도 기계들이 상호 작용하는 전체 네트워크에 대해서는 알지 못하며, 따라 서 조종할 수도 없다. 그 이유는 다른 회사의 기계가 어떻게 반응할지 모를 뿐만 아니라, 전 체 네트워크는 사람이 이해하기에는 복잡한 면이 많기 때문이다. 하지만 기계라면 아마도 이해할지 모른다. 회사는 더 많은 이윤을 창출하기 위해 기계가 거래 경험을 학습할 수 있도록 허용할 것이 고, 경험을 바탕으로 행동하는 것 또한 허용될 것이다. 효율을 높이고 노동 비용을 줄이기 위해서, 기계들의 결정이 네트워트상에서 지체 없이 수행될 것이다. 이런 식으로 기계에 대 한 인간의 통제력은 상실될 것이다. 더 많은 이윤을 내야 한다는 압력으로 조금씩 기계에 대한 통제권을 풀어 주게 되는 것이다. 네트워크상의 기계들이 점점 지능이 높아지도록 방 치하고, 경험을 쌓아 가도록 허용하고, 그들의 결정이 자동으로 수행되도록 해서, 이윤 극대 화라는 목표를 달성함으로써 우리는 기계에 대한 통제권을 점점 포기하게 되는 것이다. 여러분은 이같은 일이 먼 미래의 일이 아니냐고 물을지 모른다. 하지만 유감스럽게도 그 렇지 않다. 오늘날 이와 같은 기술은 벌써 사용되고 있다. 이미 역할의 이동은 시작된 것이 다. 우리의 삶은 의사 결정기계에 직접적으로 영향을 받고 있다. 이미 '기계(machinepanic) 라고 하라 만한 일이 있었는데, 한 기계가 제한된 정보에 의존해서 어떤 주식을 팔기로 결 정한 이후에 다른 기계들이 이 기계의 결정을 뒤따라 하는 사건이 발생했다. 1987년 영국 주식 시장의 '검은 월요일(Black Monday)사건 당시, 기계들은 미리 정해둔 가격 이하로 주가가 떨어지면 주식을 팔도록 프로그램되어 있었다. 그런데 어떤 주식의 가 격이 허용치 이하로 떨어졌고, 한 기계의 매각 행위가 연쇄적인 투매 현상을 유발해서 급격 한 가격 하락을 가져왔다. 사람이 하는 주식 거래의 경우 이러한 현상을 '연쇄 동요(Panic Reaction)라고 부르는데, 기계 역시 비슷한 경향을 가진 것이다. 기계들의 네트워크는 채권이나 주식을 사고 파는 재무 회사에만 한정되지는 않을 것으로 예측된다. 싱가폴의 경우, 재무 분야뿐 아니라 통신, 제조, 무역 등 모든 분야에서 네트워크 화된 정보를 근거로 사회를 이룬다고 한다. 예를 들어 '무역망(Tradenet)이라고 하는 네트워 크는 싱가폴 관세청을 항공, 무역, 해운 회사들과 연결시켜 준다. 싱가폴 안에 들어오는 모든 수화물은 반입 후에도 반드시 철저한 검사 과정을 거쳐야 하 는데, 예전에는 많은 서류 작업과 여러 관련 기관을 돌아다녀야 하는 까다로운 업무가 뒤따 랐다. 하지만 이제는 수분내에 모든 작업들이 처리된다고 한다. '무역망'(Tradenet)의 경우 중앙의 대형 컴퓨터가 실제 모든 작업을 수행하고, 무역업자와 세관원이 만나는 장소에는 소형 컴퓨터들이 퍼져 있다. 이 경우에는 중앙의 컴퓨터만 조절 하면 전체 네트워크를 효율적으로 관리할 수가 있다. 반드시 이와 같은 배치일 필요는 없으 며, 연산 능력, 지능, 비용 등을 감안해 전체 네트워크에 분산 배치할 수도 있다. 사실 이러한 점에서 기계가 인간과 다른 점을 보인다 사람의 경우 뇌는 오직 하나인데 반 해, 기계는 네트워크에 연결된 경우 지능을 적적하게 분산할 수가 잇다. 이것은 기계를 통제 하기 점점 더 어렵게 만드는 하나의 요소가 될 수 있다. 싱가폴에는 의료 서비스를 지원하기 위한 메디넷(Medinet)이 있는데, 이것을 통해 병원, 의사, 의료 기록 그리고 의료보험 기관들이 서로 연결되어 있다. 이 덕분에 환자가 네트워크 사의 어떤 기관을 찾아가더라도 실제 거리상 멀리 떨어져 있는 주치의와 항상 연결되어 진 료 받거나 상담할 수 있게 되었다. 싱가폴의 네트워크 중 우려되는 점이 하나 있는데, 바로 모든 시민의 정보를 가지고 있는 '국민자료중초'(People Data Hub)이다. 대부분의 서구 회사들은 그들의 개인 자료를 컴퓨터 를 이용해 관리한다. 현재는 개인 정보를 일정 수준 이상으로 갖는 것이 제한되고 있지만, 점차 개인 정보를 국제적으로 개방하는 방향으로 나아가고 있다. 사실 우리는 인터넷을 통 해서 매일 개인 정보를 밝힐 것을 요구받고 있다. 대학에 근무하는 사람으로서 나는 연구 경비를 얻기 위해 경쟁하고, 최고 권위의 학술지에 논문을 게재하기 위해, 그리고 최고 수준의 국제학술회의에서 발표하기 위해 경쟁하고 있다. 그리고 최고 수준의 국제학술회의에서 발표하기 위해 경쟁하고 있다. 그런데 이같은 일을 해내기 위해서 네트워크의 일부가 되는 것이 필수적이다. 오늘날 인터넷을 통해서 자신을 홍보하는 일은 매우 중요하다. 당신이 인터넷에 개인 정보 를 공개하지 않는다면 유명해지기 어렵고, 최고의 학술회의에 초청되기도 어려우며, 최고 권 위의 학술지에 논문을 실을 수 있는 기회도 줄어든다. 앞서 말한 재무 회사의 예와 마찬가 지로, 인간 사회는 개인의 사생활에 대한 통제권을 기계에게 넘겨주도록 강요받고 있는 것 이다. 개인의 정보가 어느 정도 수준까지 네트워크상에 기록될 것인가에 대해서는 신중을 기해야 한다. 다른 사람과 마찬가지로 나 역시 통장 기록에서 여러 가지 실수를 목격하였는데, 내가 직접 현금을 취급하는 일이 드물고, 기계가 양수(+)로 표현되고, 보험료, 의료비, 세금 및 공 과금의 지불은 음수(-)로 표시된다. 이러한 결재 방식은 회사측에서 은행 카드로 결제할 경 우 할인을 해준다는 조건 때문에 종용된 것이다. 때로는 실수를 고치는 일이 매우 쉬울 때도 있지만, '기계는 실수를 하지 않는다'는 믿음이 강해져서 잘못을 수정하기가 어려울 수도 있다. '당신, 즉 인간이 잘못한 것 아니오'라고 생 각하게 된다. 정보가 네트워크를 통해 널리 유통됨에 따라 단 하나의 실수가 광범위한 영역 에까지 영향을 미칠수 있다. 내가 1985년 옥스퍼드에 재직하게 되자, 원래의 이름에는 없는 중간 이니셜(Middle initial) 'L'이 이름에 추가되었다. 처음에는 옥스퍼드에 있는 모든 사람이 중간 이니셜을 쓰니까 누 군가가 나의 중간 이니셜을 L로 결정했구나라고 생각했다. 중간 이니셜 L은 강의 노트, 보 고서, 학술 논문등 모든 곳에 표시되었다. 나의 주장에도 불구하고 여전히 중간 이니셜 L은 계속 사용되었다. 그리고 어느 순간부터 나는 중간 이니셜이 있는 것을 당연하게 받아들이는 것이 더 낫겠구나 생각했다. 심지어 원 래 이름에 아마도 중간 이니셜 L이 있었을 거라고 믿기 시작할 정도였다. 그런데 옥스퍼드 를 떠나자 중간 이니셜 L도 함께 사라져버렸다. 최근에 옥스퍼드의 외부 교수로 일하게 되 었을 때, 내 이름이 중간 이니셜 L없이 등록된 것을 보고 실망스럽기도 하고, 한편으로는 자랑스럽기까지 했다. 하지만 옥스퍼드만을 고려해 본다면, 나는 다른 사람인 것이다. 이보다 더 끔직한 일이 포맨 브라운(Foreman Brown)이라는 사람에게 일어났는데, LA 타 임즈에 보도된 바와 같이 은행에서 그가 사망했다고 결정내린 사건이다. 제일 먼저 그의 수 표가 사망자의 것이라는 소인이 찍혀 돌아왔고, 사회보장기관에서는 그의 연금 지불을 거절 했다. 그리고 의료보험 공제회에서는 그의 '사망' 이후애 든 의료 비용 변제를 거부했다. 그 가 이미 '죽은' 후였기 때문이다. 다른 한편으로 회사에서는 그들의 고용인이 기계와 얼마나 효율적으로 상호 작용하는가를 감시한 후 그에 맞는 임금을 지불하고 있다. 그들의 생산성은 전화가 걸려 온 횟수 및 버튼 을 누른 횟수에 근거해서 산정되고, 반대로 그들이 얼마 동안 기계에서 떨어져 있는가를 고 려해 산정된 값에서 깍여 나간다. 이런 식으로 우리 인간들은 기계의 주변에서 기계와 함께 작업하도록 점차 압력을 받고 있다. 기계가 인간과 함께 일하는 것이 아니라 반대 상황이 되었다. 기계는 총명하다고 인정하는 반면, 인간은 느리고 우둔하다고 여겨지는 것이다. 미래에는 산업 현장뿐 아니라 일반 가정에서도 기계가 점차 많은 영향력을 행사하게 될 것 이다. 지능화 집이 개발되어서 하나의 제어 장치가 집 안의 모든 장치들을 조종하게 되는 것이다. 예를 들어 문을 여닫고, TV를 켜고 끄는 등의 일을 한다. 또한 네트워크가 급속히 가정에 보급됨에 따라 영상 정보를 받고 전화를 사용하거나 컴퓨터를 이용한 상호간의 정보 교류등이 일반화될 것이다. 기술적으로는 이미 집 안에서 은행 일을 보고, 쇼핑하는 것이 가능해진 상태이다. 청구 금 액은 은행 계좌에서 자동적으로 빠져 나간다. 사실 이러한 서비스는 많은 나라에서 상용적 으로 이루어지고 있다. 하지만 다른 집, 은행, 가게, 지방 관청 등과의 네트워크가 형성되어 스스로 돌보는 지능형 집은 장점을 많이 가지고 있지만, 어떤 면에서는 나쁜 점도 있다. 네트워크상의 정보들은 개개인이 그들의 편의를 도모하기 위하여 사용할 수 있지만, 반대 로 네트워크상의 개인 정보를 다른 사람이 사용할 수도 있다는 것을 의미한다. 예를 들어 개인이 네트워크상에서 쇼핑을 한 후 감시되기 쉬운 처지에 놓이게 되는 것이다. 이러한 방 식으로 어떤 음식을 얼마나 자주 사고, 얼마나 자주 포도주를 사는지, 어떤 월간지를 구독하 는지, 여가 시간은 어떻게 보내는지와 같은 정보를 쉽게 얻을 수 있다. 간단히 말해 개개인 에 대해 설득력 있는 문서들을 손쉽게 구할 수 있게 된다. 조지오엘의 1984년 저서에서 감시라는 것이 이러한 종류의 감시인지는 확실하지 않지만, 우리 모두를 감시하는 존재로 묘사된 '빅 브라더 (Big Brother)는 점차 현실화되고 있는 것 이다. 기계가 사람에 대해서 점차 많은 정보를 얻고 있는 반면에, 사람은 기계에 대해 점차 적은 정보만을 갖게 된다는 점을 주목해야 한다. 방대한 컴퓨터 네트워크에서 정보를 수집하는 것은 단지 일부분에 불과하다. 이렇게 얻어 진 데이터가 기계에 의해서 어떻게 쓰일 것인가가 더 중요하다. 흔히 인용되는 기계 지능의 예로서 '체스 기계(Chess-playing Machine)를 들 수 있다. 예로부터 음악과 함께 체스는 상 당한 수준의 지능을 필요로 한다고 여겨져 왔다. 사실 체스 고단수 최고 권위의 음악가들은 지능적인 사람으로 추앙받았다. 항상 그렇지는 않지만 기계가 대부분의 사람들보다 훌륭하 게 연주할 수 있으며, 체스의 경우도 마찬가지라고 알려져 있다. 인간의 경우 체스나 음악을 잘하기 위해서 천부적인 재능도 어느 정도 필요하지만, 기계나 사람 모두에게 학습과 경험이 가장 중요시된다. 그리고 기계의 경우 빈약한 초기 프로그램 이나 심지어 전혀 학습된 경험이 없는 상태에서도, 앞서 말한 천부적 재능을 갖고 태어난 인간과 경쟁이 될만한 상대하는 점을 주목할 필요가 있다. 체스 경기의 경우 문제는 간단하다. 즉 64개의 정사각형 블록이 체스판 위에 있고, 각각 16 개의 흰색 및 검은색 말들이 있는 것이다. 각각의 말들은 갈 수 있는 곳이 제한되어 있어서 적은 수의 대안만을 가지며, 말의 시작 위치도 체스판 위의 고정된 위치에서 출발한다. 여기서 기계는 체스판 위에서 어떤 상황을 맞게 되더라도, 현재 위치한 16개 말을 어떤 식 으로 움직일 경우 어떤 일이 벌어지는지 실제로 말을 옮기기 전에 고려한 후 최종 결정을 내리도록 프로그램될 수 있다. 따라서 기계는 미리 예측하면서 경기를 하는 것이다. 즉 내가 다음에 이쪽으로 말을 옮기면 이렇게 될 것이고 그 다음에는 이렇게, 그래서 결국 어떠한 일이 벌어질 거라는 식으로 예상하면서 경기가 끝날때까지 승리를 목표로 계속해 가는 것이 다. 주먹구구 식의 경험적인 규칙들이 프로그램에 추가될 수 있고, 심지어 앞에서 말한 전문가 시스템 프로그램에 의해서 규칙들을 컴퓨터가 학습할 수도 있다. 예들 들어 퀸의 위협받으 면 퀸을 옮겨라 하는 식으로 말이다. 이와 같은 규칙들은 상대의 경기 스타일에 따라서 다 르게 적용될 수 있다. 나처럼 1년에 두 번 정도 체스 게임을 하는 손쉬운 상대에게는 일반적인 체스 기계도 쉽게 승리를 거둘 수 있다. 어느 순간에도 기계는 가능한 모든 경우를 간단히 살피는 반면, 나와 같은 초심자는 실수를 저지르거나 게임의 전체적인 흐름을 간과해 버리기 쉽다. 좋은 체스 기계는 최고의 경기자를 물리칠 수 있다. 최고의 체스 경기자는 체스 기계가 어 떻게 프로그램되어 있는지를 알기 때문에, 컴퓨터의 행동 원리를 이용해 때때로 체스 기계 가 눈앞의 이익을 추구하도록 해서 좀더 길게 보았을 때 지는 방향으로 상황을 몰고 갈 수 도 있을텐데 간혹 체스 기계에게 질 때가 있다. 체스 기계가 '실수'를 저지르도록 하는 상황 을 만들어 보는 것은 재미있는 경험이 될 것이다. 하지만 프로그래밍이 발전함에 따라 이와 같은 상황은 점차로 줄어들고 있으며, 지금은 인간 최고의 체스 경기자가 체스 기계를 이기 는 횟수가 그 반대의 경우보다 적은 것이 사실이다. 체스 기계는 학습이라곤 거의 안 된 유전자 프로그램에 기초하고 있는 반면, 인간 체스 경 기자는 유전 프로그램과 함께 과거의 경기 경험에서 배운 경험 지식에 의존한다는 점을 주 목할 필요가 있다. 인간 체스 경기자는 특별한 이동 방식이나 속임수를 배우는 경향이 있고, 특정한 상황이 발생해야만 경기를 잘하는 경향이 있다. 현재의 체스 기계(혹은 컴퓨터)는 어 떠한 감을 가지고 경기를 하는 것이 아니라, 미리 주어진 특정 명령을 단순히 수행하는 것 에 불과하다. 하지만 이러한 열악한 상황으로도, 지능이 요구된다고 여전히 믿어지고 있는 체스경기에서 기계가 사람을 이길 수 있다. 이러한 예가 1996년 2월에 '딥 블루'라고 하는 IBM 컴퓨터 시스템이 예전의 체스 챔피언인 게리 카스파로프를 연속적인 6국 경기중 첫 번째 시합에서 물리친 것에서 볼 수 있다. 비록 나머지 두 경기에서는 비겼지만 이미 주사위는 던져진 것이다. 컴퓨터만 볼 때는 작은 발전 에 지나지 않지만 전체 기계로 볼 때는 커다란 비약이었다. 기존의 하드 로직(Hard Logic)과는 반대로 신경망(Neural Network)모델에 근거한 체스 기 계를 구현하여 인간과 같은 행동 방식을 갖도록 하는 일도 가능할 것이다. 이 경우에는 아 주 기본적인 프로그램만이 초기에 주어지고 계속되는 경기 경험에서 학습된 지식이 덧붙여 지게 된다. 하지만 이러한 방식을 기계에서 구현하기가 훨씬 어렵다는 것을 증명할 수 있다. 아마도 기본적으로 프로그램된 경기 스타일을 유지하면서 세부 조정이나 특별한 경우에서의 경기 진행을 위해 신경망을 이용하는 것이 최선의 길일 것이다. 신경망에 대해서는 다음장 에서 좀더 깊이 다루도록 하겠다. 체스 기계와 인간을 비교할 때, 다음과 같은 질문을 먼저 생각해 보아야 한다. 즉 우리는 체스 경기자들을 어떻게 비교하고 있는가 하는 것이다. 체스를 잘하는 사람은 그렇지 못한 사람보다 지능이 더 높은가? 체스에 대한 기억 저장 능력이 더 우수한가? 단지 좀더 많은 경험을 갖고 있기 때문인가? 만일 우리가 어떤 사람이 체스를 잘한다는 사실 때문에 그가 지능이 높다고 생각한다면, 그리고 그 사람이 체스 기계한테 졌다면 그 기계는 얼마나 지능 이 높은 것일까? 다른 경우와 마찬가지로 체스를 할 때도 사람은 굉장히 '무작위하게' 반응한다고 알려져 있 다. 이것은 그들의 행동이 과거의 행동과 전혀 연관성이 없이 이루어짐을 뜻한다. 하지만 우 리가 그렇다고 느끼는것과는 달리, 사람이 불규칙하게 반응하지 않는다는 것을 쉽게 추론해 낼수 있다. 모든 것이 우리의 유전 프로그램과 살면서 얻은 경험에 근거하고 있기 때문이다. 그것은 그가 상대방의 유전 프로그램을 이해하지 못했거나, 상대방이 경험해 온 것을 지켜 보지 않았기 때문이다. 사람이 아무리 무작위로 행동하려고 해도 결국에는 과거에 있었던 경험에 의존하게 된다. 주사위를 던진 뒤 보기 전에 결과를 미리 예측했다고 가정해 보자. 이 광경을 보고 있던 사 람들은 이러한 행동이 무작위하게 보일지 모른다. 하지만 이것은 주사위를 어떻게 잡고 있 었고, 어떻게 던졌는지, 혹은 어떻게 굴렀는지에 따라서 전적으로 결정된다. 엄격히 말해서, 갑작스런 바람과 같은 영향만 배제한다면, 매번 주사위를 던질 때마다 나타날 숫자를 미리 계산할 수 있는 것이다. 사실 이러한 바람의 영향 또한 고려될 수 있다. 기계를 이용할 경우에는 '의도적인 무작위로' 일들을 할 수 있다. 여기에서 의도적인 무작 위라고 표현한 이유는 일련의 사건들이 시작될 때 이것들의 연결된 규칙을 모를 경우 예측 불가능한 것처럼 보이지만, 결국은 상대적으로 아주 복잡하게 연결되어 있는 것에 불과하기 때문이다. 이것은 주사위를 던지는 예와 아주 흡사하다. 현실적으로 의도적인 무작위와 '무 작위'는 겉보기에는 큰 차이가 없다. 사실 기계의 무작위성이 인간에 의해서 시작된 것이 아 니라 기계의 유전 프로그램과 기계 자신의 경험에 의존한다면, 사람에게는 결국 무작위적인 것이 된다. 이것을 다른 방식으로 설명해 보자. 내가 1과 10 사이의 숫자를 임의로 10개 골랐는데 3,7,6,10,3,4,1,9,4,7이였다고 해보자. 다른 사람이 보기에는 이 숫자들이 무작위하게 보일 것이 다. 그 이유는 각각의 숫자들이 이전에 나온 것과 전혀 무관한 것처럼 보여서 예측할수 없 기 때문이다. 하지만 실제로 나는 어떠한 방법을 써서 이 숫자들을 만들어낸 것이다. 하지만 이 방법을 여러분에게 말하지는 않겠다. 그러므로 숫자들은 무작위적이지만 실제로는 고의적인 방법에 의한 것이다. 하지만 여러분 에게는 차이가 없다. 의도적인 무작위든 무작위든 똑같은 것이다. 물론 무작위한 숫자를 고 르는 일은 나보다는 기계에게 더 쉬울 것이다. 다시 말해 이것은 숫자라기보다는 일련의 사 건이나 행동인 것이다. 인간이나 기계모두 '의도적인 무작위'를 행할 때 학습을 이용할 수 있다. 예를 들어 당신이 다섯 개의 문이 있는 방에 들어가야 하는데, 그 중 하나는 흰색으로 당신이 방금 들어 왔고 나중에 나갈 문이며, 나머지 문들은 빨강, 노랑, 파랑, 녹색으로 각각 칠해져 있다고 하자. 문들 중 하나의 문 뒤에만 돈이 있고, 규칙상 단 하나의 문만을 열어 볼 수 있는 상황에서 돈을 찾아야 한다. 그렇다면 당신은 어떻게 할 것인가? 당신은 무작위하게 행동할 것인가? 아니면 의도적인 무작위로 행동할 것인가? 그것도 아니라면 어떤 책략을 이용할 것인가? 아마도 당신이 가 장 좋아하는 색깔을 고를 수도 있고, 어떤 생각을 바탕으로 추측할 수도 있을 것이다. 한 가 지 확실한 점은 사람이든 기계든 똑같은 조건이라는 것이다. 처음 시도에서 추측을 잘못해서 돈이 다른 곳으로 옮겨졌다면, 당신은 이미 열었던 문 뒤 는 아닐 거라고 생각할 것이다. 만일 시험이 계속 반복되어서 당신이 열번 중 네 번은 녹색 문뒤에 돈이 있었고, 세번은 노란문 뒤에서, 두 번은 파란문 뒤에서, 1번은 빨간문 뒤에서 돈이 발견됐다고 하자. 이제 단신이 이 문제를 다시 풀어야 한다면 어떤 문을 열 것인가? 아마도 녹색 문을 열 것이다! 그러므로 결국 인간이든 기계이든 완전히 무작위적인 탐색을 이용해서 돈이 어디에 있을지 짐작해낸 것이다. 이제부터 당신은 이 문제를 풀 때 좀더 자 주 녹색 문을 열려고 할 것이며, 그 다음으로 노란색 문 등의 순서를 정할 것이다. 당신은 어떤 전술이 유용한지를 배운 것이다. 하지만 만일 당신이 문제를 처음부터 다시 시작하고, 이번에는 '출제자가 파란색 문 뒤에는 돈을 잘 두지 않는다'라는 정보를 알고 있다면, 당신의 초기 탐색은 완전히 무작위적인 탐색 이 아닐 것이며, '돈이 있을 가능성이 거의 없는 문은 빨간색 문이다.'라는 사실을 들은 경우 보다 더 좋은 결과를 얻지는 못할 것이다. 이 경우 기계와 인간 모두에게 똑같은 조건이 주 어졌지만, 결국 아마도 당신이 더 나은 판단을 하게 될 것이다. 이처럼 문제가 똑같은 방식으로 고정되어 있는 한, 위와 같은 판단으로 높은 성공률을 거 두게 될 것이다. 하지만 어느 날 출제자가 노란색과 파란색 문에 대한 선호도를 바꾸고, 보 라색 문을 포함시키며, 한번에 돈을 두 군데에 숨기기로 하는 식으로 문제를 바꾼다면, 그리 고 이 경우처럼 문제 자체가 현격하게 달라지는 것이 아니라 당신이 적응 할 수 있는 범위 내에서만 달라진다면, 새로운 상황이 학습되기까지 의도적인 무작위로 선택해야만 할 것이 다. 위에서 설명한 예는 훨씬 더 복잡한 여러 문제들 중에서 간단한 한 예에 불과하다. 주식과 채권을 매매하는 전략, 국가의 전력원을 배치하는 방안, 그리고 여행 거리를 최소화하는 것 등은 모두 같은 종류의 전술이 필요하다. 이러한 일을 위해서는 거의 완전히 불규칙한 행동 양식이나 중요도에 따른 불규칙한 행동 양식이 요구된다. 네다섯 개의 문이 아니라 수백 수 천 개의 가능성이 될 수도 있고, 하루에 한 번만 변하는 것이 아니라 매분마다 변하는 문제 일 수도 있다. 기계 또는 사람이 문제를 해결하는 경우, 모두 학습하고 적응하게 될 것이다. 하지만 요즘 은 기계가 좀더 빨리 적응하고, 훨씬 더 많은 가능성을 다룰 수 있다. 이 장에서는 로봇 기계에 대해서는 별로 다루지 않고 대신 컴퓨터보다 훨씬 큰 기계, 즉 컴퓨터들의 연결로 이루어진 관대한 네트워크에 대해서 다루었다. 이때 '주 기능(Main Intelligence)은 중앙 컴퓨터와 같은 하나의 장소에 집중되어 있을 수도 있지만, 네트워크에 고루 분산되어 지능이 요구되는 말단부를 담당할 수도 있다. 그리고 이러한 네트워크는 많 은 면에서 인간을 돕는 긍정적인 일을 한다. 한 예로 지루하고 평범한 계산을 사람보다 더 정확하고 효율적으로 대신해 준다. 또한 사람에 대한 정보를 네트워크상에 저장해 둠으로써 정보를 검색하기 쉽고, 블록 다이 어그램, 숫자나 차트 등의 형태로 빨리 표시할수 있어 매우 유용하다. 또 다른 예로 중요한, 상세하고도 많은 양의 정보를 눈 깜짝할 사이에 지구 저편으로 온전하게 보낼 수 있다. 이것은 매우 긍정적인 일이므로, 우리 모두는 이러한 신기술에 순응하도록 강요당하고 있 다. 우리는 매년 더욱 복잡하고 새로운 기계들을 접하게 되는데, 이들은 좀더 많은 기능과 선택 사양, 그리고 좀더 높은 지능을 갖고 있다. 새 기계를 사용하지 않는 것은 시대에 뒤떨 어지고 경쟁에서 뒤쳐져서, 궁극적으로는 일터를 떠나야 하는 것을 의미할 수도 있다. 반대로 생각해 보면, 이러한 경향으로 말미암아 인간은 권력, 통제권, 정보, 그리고 결정권 을 기계에게 넘겨주고 있는 것이다. 기계가 중산층 및 노동자들의 역할을 대신하고 있다. 인 간은 많은 상황에서 기계 의존도가 급속하게 증가하고 있다. 많은 사람들이 사무실에 도착 하자마자 컴퓨터를 켜고서 자신의 출근을 알리고, 메시지가 왔는지 확인한 후 오늘 할 일이 무었인지 알아본다. 1990년대 후반, 현재는 인간이 기계를 조정하고 있는 것이 확실하다. 우리는 그들을 통제하 고 그들의 전원 스위치를 켜고 끈다. 하지만 다른 한편으로는 기계에게 정보를 넘겨주고 어 떤 결정을 하도록 내버려두라는 압력을 받고 있다. 이제 인간은 더 이상 잡다한 일들을 할 필요가 없다. 기계가 훨씬 더 정확하고 빠르게 처리할 것이기 때문이다. 기계는 서로간에 매 우 효율적이고 효과적으로 통신할 수 있다. 기계에게 이러한 능력을 준 것은 인간이고, 현재로서는 전 세계에 걸쳐서 서로간의 통신을 위해서 기계를 사용하는 것도 인간이다. 기계의 도움이 없었다면, 우리는 무슨 수를 쓰더라 도 이처럼 효율적이고 효과적으로 일을 처리할 수는 없는 것이다. 지금 우리가 사는 모습처럼 인간은 매년 기계에 더 의존하고 있다. 복잡한 기계들이 개발 됨에 따라거 우리는 이것을 사회적 목적을 위해 사용하고 사회는 점차 변하게 된다. 하지만 기계가 고장나고, 회사의 중앙 컴퓨터가 멈춰 버리거나, 차가 멈춰 버린다면 어떤 일이 벌어 질까? 우리는 어찌할 바를 모를 것이다. 모든 것이 정상이 되기 전까지 아무런 일도 하지 못하고, 어디로 이동하지도 못할 것이다. 기계에 대한 의존도가 높아질수록 기계의 위상 또 한 그만큼 높아지는 것이다. 만약 인간이 기계를 통제하고, 기계는 기껏해야 제한된 지능만을 가지고 있다면 큰 문제는 없을 것이다. 과거 "인간 노동자"들이 착취될수 있었던 것처럼 현재 우리는 "기계 노동자"를 착취할 수 있다. 가장 중요한 것은 기계의 지능이다. 컴퓨터가 우리가 내린 명령만 수행한다면 아무런 문제 도 없을 것이다. 기계가 우리가 지시할 때만 전세계의 다른 기계들과 통신한다면 만족스러 울 것이다. 주식과 채권을 우리가 시킬 때만 산다면 좋다. 하지만 이러한 기대는 심지어 현 재 시점에서도 당위성을 찾을 수가 없다. 기계는 우리가 내린 명령에 대해서 질문을 하거나 우리에게 더 나은 방향으로 갈 것을 충 고하는 권한을 획득해 가고 있다. 기계는 마땅한 시기라고 판단되면 언제라도 전 세계의 기 계들과 통신할 수 있다. 기계는 어떤 주식과 채권을 매매할 것인지 결정하고, 그것을 실행에 옮길 수 있는 권한도 가지고 있다. 기계가 인간보다 지능이 낮다면, 우리는 여전히 그들을 통제할 수 있겠지만 이러한 상황이 얼마나 오래 지속될 수 있을까? Chapter 6. 인간의 뇌 vs 로봇의 뇌 인간의 뇌는 복잡한 생물학적 기관이다. 전자회로나 컴퓨터 혹은 광학적 기계적인 시스템 을 통하여 뇌의 행동을 모의 실험하거나 복제하는 시도가 여러 번 있었다. 하지만 이러한 것은 출발점부터 매우 다르기 때문에 아무리 모의 실험을 잘하더라도 인간의 뇌와 인공적인 기계의 뇌는 여러 가지 측면에서 다르게 동작한다 인간의 뇌가 어떻게 동작하는지 모델링하여 뇌를 부분적으로 복제 할 수 있다면 그 모델을 자극하여 어떻게 반응하는지를 볼 수 있을 것이다. 그때 반응하는 모델의 동작이 인간의 뇌 와 같은 방식이라면 인간 뇌에 대한 좋은 시뮬레이션 모델이라고 볼 수 있다. 그러나 불행하게도 인간의 뇌는 매우 비 선형적이어서 모델을 만들기가 매우 어렵다. 하지 만 이 세상의 모든 사물은 어떤 면에서는 어느 정도 선형적이다. 예를 들어 은행구좌를 생 각해 보자. 은행구좌에 5파운드의 돈을 입금했을 때보다 10파운드의 돈을 입금했을 때 은행 에서는 두 배의 이자를 지급 받는다. 또한 열 배의 돈은 열 배의 이자를 받게 할 것이다. 이 것은 선형적인 것으로 볼 수 있다. 하지만 은행으로부터 5파운드를 빌렸다고 하면, 5파운드 를 입금했을 때보다 더 많은 이자를 지불해야한다. 이는 비 선형적인 성질이다. 간단한 실험을 통하여 인간 뇌의 비 선형성을 관찰 할 수 있다. 남자 친구나 여자친구 혹 은 남편이나 아내 또는 동료에게 선물은 하나 주었을 때 당신에게 키스를 두 번 해줬다고 하자. 다음 주에 선물을 두 개 건네주고, 당신에게 네 번의 키스를 하게 되는지 살펴보라. 아마 그렇지는 않을 것이다. 만약 그렇다면, 그 다음주에는 네 개의 선물을 주어라. 그러면 여섯 번의 키스를 받을까? 만약 누군가 이런 식으로 하여 두 번, 네 번, 여섯 번의 키스를 계속받는다면, 상대는 선형 적으로 행동하는 것이지만 이런 결과는 거의 없으 석이다. 일바넉으로는 이와 다르게 반응 하는 것이 보통이다. 바로 비선형적인 인간 뇌의 반응 때문이다. 비선형적인 행동을 시험하고 싶다면, 매주 선물의 술를 증가시켜 보아라. 5주, 6주가 지나 면서 그들은 당신이 무엇인가를 속이고 있다고 생각하기 시작할 것이다. 아마 10주쯤 지나 면 그들은 당신이 배신을 했거나 바람을 피웠다는 그릇된 확신을 가지고 당신을 떠날 것이 다. 이 실험은 돈은 많이 들겠지만, 적어도 뇌가 비선형적인 특성을 가지다는 결론에는 도달 할 수 있을 것이다. 이러한 형태의 행동들은 인공적인 모델로 만들기가 매우 어렵다. 자극(위의 예에서는 선물) 이 같은 형태라도 10주쯤 뒤의 행동은 자극의 크기(선물의 수)만 다를 뿐인데, 처음 2-3주 동안의 행동과는 완전히 다르다. 단지 한 사람에 대한 비선형적인 응답을 얻기는 했지만, 이 것은 다른 사람에게도 마찬가지이며, 같은 자극에 대해 다른 응답을 나타낼 것이다. 상대가 현명하다면, 당신이 부정한 일을 했는지 안 했는지 염려하지 않을 수도 있지만, 실험을 계속 진행 한다면 3년 후에는 한 주에 300개의 선물을 주어야 한다. 이 경우 당신은 선형적으로 행동할 수 있을까? 다시 말해 정말로 당신에게 선물을 제공할 여유가 있을까? 사람이 서로 다르게 반응하고 행동한다는 사실은 인간과 기계의 뇌를 비교하는 것을 더욱 어렵게 한다. 만약 모두가 같은 방식으로 행동하기 때문에 임의로 대표자를 뽑을 수 있다면, 우리는 인간 뇌의 성능과 기계 지능의 성능을 직접 비교할 수 있을 것이다. 하지만 불행하 게도 이렇게 뽑은 사람도 결코 대표자라고 할 수는 없다. 사람의 뇌가 반응하는 방법이 서로 다른 것처럼 기계의 뇌도 다른 기계와 다르게 반응한 다. 놀랍게도 기계의 뇌가 어떤 면에서도 이미 인간의 뇌보다 잘 동작한다는 것은 사실이다. 예를 들어 기계의 뇌가 하는 동작과 의사 결정은 매우 빠르고, 정확하고, 신뢰성이 있으며, 오랫동안 같은 수준의 성능을 유지한다. 또한 거의 동시에 많은 일을 처리하고 매우 빠르게 다른 가능성들을 고려할 수 있으며, 정확히 기억하고 복잡한 수식을 빨리 계산하고 배울 수 도 있다. 하지만 이러한 기계의 장점에도 불구하고 여전히 인간이 기계를 조종하고 제어한 다. 게다가 기계는 못하지만 인간은 할 수 있는 일들이 있으며 각각의 사람은 매우 다양한 일들을 할 수 있다. 하지만 우리는 지능을 통해 수많은 일을 할 수 있는 신체의 능력에 대해서는 그다지 흥미 가 없다. 오히려 그러한 작업은 인간 개개인의 능력을 모사해서 만든 기계에게 시킬 경우 더 잘하기 때문이다. 나는 최근에 국제적인 화장품 회사의 기획에 참가했는데 다름 아니라 크림을 담는 용기를 만드는 일이었다. 제조 공정에서 일단 크림이 용기내에 들어가면 견고한 봉인을 윗부분에 붙여서 크림이 흘러내리지 않도록 한다. 이 공정에서 사람이 하는 일은 기계가 정확하게 봉 인 하는가를 검사하는 것이다. 때때로 정확히 봉인되지 않을 때가 있기 때문에 잘못된 용기 와 봉인을 빨리 끄집어내어 기계가 고장나지 않도록 해야만 한다. 생산성을 위해서는 초당 3-4개의 용기가 검사되어야 하고 이런 형태의 작업은 계속된다. 앞을 지나가는 용기를 계속 보면서 잘못된 것을 집어내는 일은 사람에게는 매우 힘든 일이 다. 그러나 앞으로 설명할 신경망을 이용한 기계는 용기와 봉인의 시각적인 모양을 배울 수 있고, 잘못된 것을 검사하기 위하여 생산라인에 배치될 수 있다. 필요에 따라서는 초당 50개 의 용기를 처리할수 있고 이보다 심한 작업의 경우에도 지치거나 지루해하지 않는다. 이것은 기계가 일을 더 잘하기 때문에 사람이 하고 있던일을 대행하는 전형적인 예이다. 이 경우 기계는 아주 빠르고 정확한 시각적 검사를 수행한다. 대부분의 기계가 한 가지 작업만을 수행하는데 기계가 할 수 있는 작업이 그것뿐이기 때문 이다. 기계들이 어떤 역할을 수행하기 위해서 많은 작업을 하고 있더라도 결국 한 가지 주 된 역할만을 가진다. 예를 들어 자동차는 교통수단으로 이용되지만 겨울에는 따뜻하게 여름 에는 시원하게 해주고 음악을 연주해 주기도 한다 지능적 행동의 관점에서 각각의 기계는 한 가지 일에 대해 한 가지 방식으로 수행하도록 고안되거나 컴퓨터의 경우처럼 기본적인 기능이 결합되어 인간이 원하는 일을 할 수 있도록 해준다. 따라서 기계들은 보편적으로 특별한 목적을 염두해 두고 있기는 하지만 목적과 관 련해 여러 가지 작업을 수행할 수 있다. 사람은 대부분의 경우 많은 종류의 일들을 지능적으로 수행할 수 있고 또 그렇게 하고 있 다. 그러나 사람에 따라서는 그 구분이 명확하지 않는 경우도 있다. 영화 레인 맨 의 더스틴 호프만의 역할을 보자 비록 신체적인 문제는 없어 보이지만 일상생활에서 당연하다고 여겨 지는 많은 일들을 할 수 없는 자폐증 환자 역을 연기한다. 영화의 한 장면에서 음식이 오븐 에 너무 오래 데워져서 연기가 나는 장면이 있다. 그는 위급한 상황에서 오븐의 스위치를 끄거나 음식을 끄집어내는 것을 생각하지 못한다. 그리고 결국 경보음이 울려 일을 더욱 악 화시킨다. 그는 찬장에 컵을 똑바로 놓지 못한다. 또한 제대로 놓지 안으면 컵이 떨어질 거라는 것조 차도 예측하지 못한다. 그 반면, 바닥에 이쑤시개를 엎지르는 장면에서 바닥에 어지럽게 흩 어진 이쑤시개를 보자마자 그 개수를 정확하게 읽어낸다. 또다른 장면에서 그는 언제 어디서 항공기 사고가 일어났는지 얼마나 많은 사람들이 죽었 으며 왜 일어났는지 어느 회사의 비행기였는지 등에 대한 사실을 기억 할 수 있다. 또한 동 생역을 맡은 탐 크루즈가 "그는 천재다. 그는 나사에서 하는 일처럼 아주 중요한 일을 위해 서 일해야만 한다" 라고 말할 정도로, 그는 극도로 복잡한 수학을 아주 빠르고 정확하게 계 산할 수 있다. 더스틴 호프만에 의해 묘사된 인물은 보통의 인간보다는 '기계에 가까운' 인간이라고 할 수 있다. 그는 계산이나 기억과 같은 특정한 일은 여느 인간이라고 할 수 있다. 그는 계산이나 기억과 같은 특정한 일은 여느 사람보다 잘할수 있지만, 그밖의 일은 전혀 하지 못한다. 영 화에서 그는 사탕의 가격이 자동차 가격과 같다고 생각했고, 길을 제대로 건널 수도 없었다. 그는 대부분의 일상적인 것들을 하지 못한다. 위의 예에서 우리는 하나의 의문을 던질 수 있다. "더스틴 호프만이 연기한 인물은 지능이 있는가?" 나는 즉시 대답할 수 있다. "예. 당연히 있지요!" 비록 그의 지능이 다른 사람과 다르기는 하지만 가지고 있다. 엄격하게 말할 수는 없지만, 어떤 면에서는 우수하고 어떤면 에서는 그렇지 못하다 탐 크르즈가 지적한 것처럼 어떤 관점으로 볼 때 그는 천재다. 그러 나 많은 면에서 더스틴 호프만은 생활에서의 기본적개념 예를 들면 자동차와 사탕은 값이 다르다을 이해하지 못한다. 어떤 사람들은 "이해 없는 지능은 모순이다" 라는 이유를 내세 워, 자폐증 환자가 전혀 지능적이지 못하다고 주장한다. 그러나 나는 이러한 주장에 그다지 동감하지 않는다. 모든 자폐증 환자가 더스틴 호프만의 역처럼 탁월한 정신적 능력이 있는 것은 아니다. 어 떤 사람은 말도 하지 못하고 전혀 의사 소통을 하지 못하는 사람도 있다. 내가 생각하기에 도 정말로 천재적인 사람이 상대방과 의사소통할 줄도 모르고 할 수 있더라도 유치한 방법 으로 간신히 의사 교환만 가능하다면 그런 자신의 육체안에서 얼마나 괴로울지 상상만해도 끔직하다. 보통, 지능이 높은 사람일수록 주변의 자극과 상호 접촉이 더 많이 필요하고 생각 해서 풀 수 있는 문제와 도전을 더 필요로 한다. 그러나 그가 이러한 일들을 지속적으로 함 으로써 무엇을 얻을 수 있겠는가 아마도 거의 없을 것이다. 자폐증은 단지 사람의 지능이 바깥 세상과 완전히 개방되지 못한 상태일 뿐이다 청각 시각 언어 장애와 같은 신체적인 특 징이 제한적인 요소이긴 하지만 단지 하나의 장애만 갖으며 신체적인 장애인 경우라면 그들 은 여전히 정신적인 교감과 자극을 받아들일 수 있는 가능성이 있다. 즉, 지능적일수 있다는 것이다. 그러나 정신적인 장애가 발생한다면, 아무런 지장없이 대화나 생활을 할 수도 없을 뿐더러 매우 힘든 삻을 살아야만 한다. 단순히 아주 지능이 높은 사람이 어린아이들처럼 취 급받게 된다면, 즉 입히고, 먹이고 돌봐주고 단순히 몇 마디 말을 건넨다면 그의 삶이 어떨 지 상상해도 놀랍다. 나는 다른 측면에서 신체적으로 완벽한 우리들이 그들과 종종 대화하 지 못한다는 사실이 의아스럽기만하다. 하지만 우리가 개개인의 뇌를 뚫고 그의 지능으로 들어갈 수는 없지 않은가! 여기서 강조하고 싶은 것은 기계와 인간은 서로 다른 형태의 지능을 가진다는 것이다. 어 떤면에서는 같고 어떤면에서는 한쪽이 다른 쪽보다 낫고 또 어떤 면에서는 명백히 다르다. 사람도 서로 다른 형태의 지능을 가진다 사람은 지능적인 면이 서로 다르다. 유행이나 상화 에 따라 어떤 사람이 더 지능적이라고 여겨진다. 예를 들면 저녁 만찬에서 가구는 특출하게 보이지만 로켓 과학자는 지루하고 우둔하게 여겨진다 하지만 만약 우주 여행을 위한 로켓을 구상한다면 로켓 과학자는 우수하고 그에 비해 가수는 쓸모 없는 사람으로 여겨질 것이다. 종종 한 분야 또는 그 분야의 좁은 범위 내에서 천재라고 여겨지는 사람이 일상생활을 하 기 힘들어했던 것을 볼 수 있다. 모차르트 스메타나 슈만 같은 작곡가는 비정상적인 인생을 살았다. 모차르트는 그가 하는 거의 모든 일에서 이상하다고 여겨졌고 스메타나와 슈만은 결국 미친사람으로 취급받았다. 또한 많은 천재적인 운동가 음악가 시민 그리고 성공한 작 가들이 자신의 일을 제외하고는 아주 힘든 일생을 보냈다. 몇몇은 술 약물 혹은 극도의 성 적인 방임주의에 빠지거나 일찍 사망했다. 그러나 기계도 인간과는 다른 면에서 지능적 일수 있지만 그렇다고 해도 두려워 도망갈 필 요는 없다. 또한 인간의 독특한 특징을 간신히 찾아서 기계가 이러한 독특한 특징을 보이지 않는다고 해서 지능적이지 못하다고 말하는 것도 옳지 못하다. 실제로 지능적인 사람이라 하더라도 우리의 정의에 의하면 많은 사람들이 지능적이지 못하다고 해야하기 때문이다. 간단히 예를 들면 기계와 인간은 서로 다른 면에서 혹은 직접적으로 비교할 수 있는 특별 한 작업의 성능 면에서만 지능적이라도 할 수 있다. 사실 이것도 특별한 작업을 한 후 그 결과를 평가받은 사람의 경우로써, 시험에 의해서 평가되는 지능의 면만을 다룬다. 우리는 인공 지능을 가진 기계를 만들고, 특별한 문제를 통해 기계로부터 인간의 것과 비 슷한 결과를 얻을 수 있었다. 앞서 진술한 바와 같이 우리는 전문가 시스템을 특별한 상황 에서 관찰하고, 같은 조건에서 사람이 하는 방식을 관찰해 보았다. 그러면 비록 기계가 더 정확하고 믿을 만할지라도 인공 지능의 기계는 사람과 같은 방식으로 동작하도록 구성되었 다는 것을 알 수 있다. 봉투를 정렬하는 기계를 앞서 기술했는데, 또다른 예로 집의 가열기 를 생각할 수 있다. 인간의 동작 방식에 의해 가열기는 다음과 같이 작동한다. 방이 춥고 가열기가 꺼져 있으면, 스위치를 켜라. 방이 뜨겁고 가열기가 켜져 있으면, 스위치를 꺼라. 이 두가지 규칙으로 방의 온도를 조절한다. 물론 이것은 인간이 따를 수 있는 또 다른 규 칙으로까지 확장할 수 있다. 한 예로 만액 당분간 방이 춥고 가열기가 켜져 있으면, 가열기 가 작동하는지, 창문이 모두 닫혔는지, 옷을 입었는지, 또는 외계의 우주선이 방의 열을 뽑 아 가는지 살펴보라 와 같은 것이 될 수 있다. 사람을 대신해서 방의 온도를 조절하는 인공 지능 시스템을 만들 때 스위치를 끄거나 켜는 위의 두 가지 규칙을 간단히 구성한다. 일반적으로 온도계는 자동 동작하도록 제작 가능한 데, 방의 온도가 기준 값보다 낮을 때에는 방이 추운 것으로 여기고, 첫 번째 규칙을 만족하 면 인공 지능에 의하여 스위치는 켜지게 된다. 마찬가지로 측정된 온도가 기준치보다 높으 면 방은 더운 것으로 간주되고, 두 번째 규칙에 의하여 가열기의 스위치는 꺼질 것이다. 실제로 이런 형태의 인공지능 시스템은 컴퓨터를 이용하여 구성하기가 쉽다. 매우 작은 컴 퓨터인 자동온도 조절장치는 스위치의 역할을 하는 두 개의 금속판을 사용한다. 이처럼 간단하고 잘 정돈된 작업에 대해서는 전문가 시스템이 쉽게 구현될 수 있다. 최초 로 사용된 시스템은 의료용 문답 시스템인 마이신이다. 의사에게 직접 가는 것 대신 마이신 을 통해 병을 해결할 수 있는데, 마이신은 당신의 신체적인 질병에 대해 다음과 같이 묻게 된다. 마이신 : 붉은 점이 생겼습니까? 환자 : 아니오 마이신 : 기침이 있습니까? 환자 : 예. 마이신 : 열이 있습니까? 환자 : 예. 마지막으로 이 시스템은 당신의 병을 진단하다. 물론 마이신은 위의 예보다 휠씬 복잡하지 만 여기서는 그 원리를 간단히 설명하고 있다. 전문가 시스템은 매우 성능이 좋을 수도 있지만 여기에는 몇 가지 문제가 있다. 첫째, 인간 전문가는 어떤 일에 대해 동의하지 않을 수도 있지만, 인공적인 전문가는 서로 다른 관점에 대해서는 평균적인 견해를 선호한다. 예를 들어 차량운전전문가 시스템이 있다고 하자. 차가 앞쪽에서 갑자기 돌출하는 상황에서, 한 전문가는 " 브레이크를 밟아라" 라고 말하지만, 다 른 전문가는 "가속시켜라"고 말한다. 여기서 그중간을 취하면 아무것도 할 수 없고, 결국애 는 큰 사고가 날 것이다. 두 번째의 문제는 실제의 전문가로부터 적절한 정보를 취하는 것이다. 왜냐하면 실제 전문 가는 중요한 일들을 습관에 의해 쉽게 처리하고, 다른 사람에게 말하지 않기 때문이다. 또한 그들이 사용하는 언어는 이해하기 힘든 전문 용어가 많아서 무엇을 말하는지 이해하기 매우 어렵다. 다음은 전문가 시스템에서도 가장 중요한 문제들일 것이다. 그중 하나는 예측할 수 없는 문제를 다루는 규칙이 필요하다는 점이다. 간단한 문제를 위 해 수백만 개의 규칙이 필요할지도 모르고, 문제마다 모든 규칙을 확인해야 하기 때문에 상 당한 시간이 소요될 수 있다. 마이신과 비교해 볼 때, 의사는 진찰을 통해 거의 모든 일을 처리 할수 있지만, 전문가 시스템은 다양한 일을 다루는 것이 매우 힘들다. 또 다른 중요한 문제로는 상식적이고 사리에 맞는 일을 살필 줄 아는 인공의 전문가가 필 요하다는 것이다. 이를 위해서는 무엇이 사리에 맞고 맞지 않는가에 대한 기본적인 이해가 필요한데, 이것을 이해사기는 매우 힘들다. 앞서 방 온도 조절기의 예를 보면, 방이 추우면 일반적으로 창문이 열려 있는지를 확인한다. 하지만 외계의 우주선이 열을 빼앗아 가는지는 확인하지 않는다. 상식적인 일인지, 비상식적인 일인지를 결정하는 것은 일생동안 배운 것과 관련이 있다. 따라서 정황에 맞게 생각하거나 우리의 느낌으로 결정내리는 것이 정상이다. 잘 정돈된 문제와는 달리, 이런 일들을 시스템에 프로그램화하는 것은 거의 불가능하다. 만 약 할 수 있더라도 완전히 프로그램화 할 수 없다. 전문가 시스템이 그것들을 학습할 수 있 다면, 학습된 바를 검정 받아 상식의 기초를 얻음으로써 넓은 범위에서 결정 내릴 수 있게 된다. 전문가 시스템이 무엇인가를 배울 수 있다 하더라도 사람이 터득하는 방식으로 같은 형태 의 경험을 얻는 것은 아직 불가능하다. 왜냐하면 기계가 하는 일이 본질적으로 사람이 하는 일과 같아져야 하기 때문이다. 따라서 기계의 상식이라는 것은 기계가 작동하고 학습하는 범위 내에서만 가능하다. 방의 온도를 조절하는 전문가 시스템은 문이나 창문의 열림은 경 험하여 배우겠지만, 그 과정에서 공중을 날아다니며 방을 차게 하는 헬리콥터에 대해서는 배울 수 없을 것이다. 이와 같이 만약 우리가 평생 동안 방의 온도만 조절하고 다른 것은 아무것도 하지 않았다 면, 헬리콥터가 무엇이지도, 방을 차게 한다는 것이 무엇인지도 알 수 없을 것이다. 만약 우 리가 인생에서 상식적인 일을 배우지 않았다면 그것들을 어떻게 처리해야 하는지 모를 것이 다. 하지만 사람과 기계는 똑같이 최선의 생각을 할 수 있기 때문에 예전에 경험하지 못한 것도 이전의 지식을 확장하여 처리할 수 있다. 만약 우리가 길에서 머그러그와 마주쳤다면 그것이 어떤 행동을 하는지, 그리고 우리에게 어떻게 반응을 하는지를 본 후에 대응할 것이다. 만약 그것이 작고, 검고, 털이 있고, 약간의 소리를 낸다면 그것을 가볍게 차버릴 수 있고, 반대로 그것이 3m 정도의 큰 체구에 큰 칼 을 휘두른다면 그렇게 하지 못할 것이다. 때때로 상식이라는 것이 우리에게 복잡하게 작용할 수도 있다. 마술사의 눈속임에 청중들 이 속는 것은 단순히 보고 들었던 것만 생각하기 때문이다. 지각에는 많은 속임수가 있다. 예를 들어 직선은 그 주위의 선들에 의해 휘어져 보일 수 있다. 학습은 기본적으로 두 가지 방법으로 이루어진다. 한 가지 방법은 단순히 어떤 것을 보고 듣고 관찰함으로써 학습이 이루어지는 것이다. 이를 '수동적 학습'이라고 한다. 또다른 방법 은 어떤 것을 실제로 해보거나 발생시킨 후, 그 결과를 관찰함으로써 학습하는 것이다. 이를 '능동적 학습'이라고 한다. 일반적으로 사람들은 서로 다른 방법으로 학습한다. 어떤 사람은 가능성을 무엇이 발생하는지 관찰함으로써 학습을 한다. 또한 어떤 사람은 들은 것을 그대 로 받아들이지 않고, 그것이 확실한지 반드시 시험해 본다. 대부분의 사람들은 능동적 학습과 수동적 학습, 혹은 두 가지로 조합으로 학습한다. 학습을 얼마나 잘하고 정보를 어떻게 받아들이는지는 많은 요소들에 의해 좌우된다. d{로 "누가 가르치는 것인가?"에 따라 어떤 사람의 말은 믿으나 다른 사람의 말은 믿지 않는다. "언제 배웠느냐?". "어떻게 배웠느냐?". "그때 무엇을 느꼈느냐?". "다른 것에 대해 고려해 보았느냐?" 등도 그 예이다. 우리가 얼마나 이해하고 지식을 가지느냐는 그때의 정황이 아 주 중요하다. 우리가 배운 것을 정황과 결부시키지 못하면 그것을 이해하기 어렵다. 에를 들 어 어떤 사람이 보스턴에서 뉴욕으로 기차를 타고 갈 때 피츠버그를 경유하는 것이가장 빠 르다는 말을 들었다고 하자. 만약 그 지역의 지리에 대한 지식이 없는 사람이라면 그 일을 쉽게 사실로 받아들이겠지만, 어느 정도 지식이 있는 사람이라면 대부분 어리석다고 할 것 이다. 사람과 같이 기계도 두 가지 방법으로 학습한다. 수동적 학습에서는 새로운 규칙이나 관련 된 정보가 기계의 프로그램에 영향을 미친다. 사람에게도 마찬가지다. 우리가 새로운 지식을 기억하는 과정은 이전에 프로그램된 상태에서 기본적인 유전자 프로그램의 변경이나 개선이 이루어지는 과정으로 볼 수 있다. 사실상 기계도 이와 같다. 물론 항상 그렇지는 않지만, 많은 경우에 이러한 방법으로 기계 가 학습능력을 얻는다. 또한 기계도 실험을 통한 능동적 학습을 하는 것이 가능하다. 무엇인 가를 찾기 위해서 조사, 또는 의문을 가지는 것이 기계에게 필요하면, 실제로 가능하다. 즉 문제가 주어지면 답을 얻고, 자극이 주어지면 결과를 입증하는 것이다. 사람은 나무에 매달린 사과가 떨어지는 것을 보고 중력의 원리를 배울 수 있었다. 기계가 이것을 배우기 위해서는 먼저 나무, 사과, 그리고 중력에 대한 기본적인 지식을 가져야 하는 데, 이에 못지않게 실험의 의도와 결과로부터 합리적인 결론을 이끌어내는 능력도 필요하다. 기계가 어떤 의도를 가지고 다음과 같은 실험을 했다고 가정하자. 규칙1. 만약 사과가 아래로 떨어지면, 중력은 지구 방향으로 작용한다. 규칙2. 만약 사과가 그 자리에 있으면, 중력은 존재하지 않는다. 규칙3. 만약 사과가 위로 올라가면, 중력은 지구를 벗어나는 방향으로 작용한다. 이 기계가 실험을 하면, 규칙1의 현상이 나올 것이다. 그러면 이것이 규칙1은 옳고, 규칙2,3 은 옳지 않다는 것을 직접적으로 의미하는 것일까? 이문제들에서는 그럴지도 모르겠지만, 실제로는 여러 번의 시험을 해야만 결론내릴 수 있다. 다음의 예를 살펴보자. "계란 하나를 4분 동안 익히면, 노른자는 익지 않는다."를 실험해 보면, 열 번 중 일곱 번 정도는 익지 않았을 것이고 세 번 정도는 익었을 것이다. 그러므로 당신이 반숙을 원한다면 계란을 약 4분 정도는 익었을 것이다. 그러므로 당신이 반숙을 원 한다면 계란을 약 4분 동안 익혀야 하며, 이때 열 개의 계란 중 세 개 정도는 익도록 내버 려둘 수밖에 없다. 자, 그럼 다시 사과에 대한 실험에서 사과를 잘랐을 때 사과가 처음 위치에 그대로 있다고 하자. 즉 규칙 2의 결과가 얻어졌다. 당신은 어떻게 생각하는가? 마법일까? 이 경우에서 상 식적으로는 규칙1의 결과가 얻어져야 한다. 만약 그렇지 않다면 예외적인 상황이 있음이 틀 림없으며, 우리는 믿지 않기로 결론내릴 것이다. 이것이 상식적인 추론을 하는 사람의 문제 이다. 사과를 떨어지지 않도록 하는 것은 매우 많지만, 정상적으로는 발생하지 않기 때문에 우리는 절대 발생하지 않을 거라고 생각한다. 기계의 지능에 대한 흥미 있는 토론거리 중의 하나인 프레임 문제는 나에게는 터무니없는 것으로 생각되는, 당신의 생각은 어떤가? 문제는 다음과 같다. 로봇 하나가 스스로 움직일 수 있고 세상에 하나뿐인 여분의 비싼 배터리가 문이 잠긴 방 안에 있다는 사실을 알고 있다. 그런데 방안에는 곧 터지는 시한 폭탄이 있다. 로봇은 방을 찾았고 문을 열고 폭탄이 터지기 전에 마차를 이용해 배터리를 방에서 끄집어냈다. 그런데 불행하게도 폭탄은 마차 안에 있었다. 로봇은 폭탄이 마차에 있는 것을 알았지만, 마차를 방 에서 끄집어내는 것이 폭탄을 방에서 끄집어내는 것이라고는 생각하지 못했다. 과학자들은 다를 로봇을 제작해 그 문제에 다시 도전하였다. 이번에는 마차를 방에서 끄집 어내기 전에 가능성을 생각하게 만들었다. 몇가지 가정을 세운 뒤 폭발하기 전에 문제 해결 을 위한 계산들을 행하는 것이다. 그 문제에 대한 도전은 계속되었고 로봇도 계속 만들어졌 다. 하지만 실제의 전문가 시스템에서 그러한 상황은 매우 심각한 문제이다. 로봇에게 폭탄 을 완전히 이해시키고, 관련된 결과에 대해 학습시켜 보자. 그러면 로봇은 폭탄을 처리할 수 는 있지만 혹시 있을지 모르는 문에 설치된 함정에 빠지게 될 것이다. 로봇에게 함정에 대 해서도 이해시키면 함정도 피할 것이다. 하지만 천장에서 내려온 거대한 자석에 의해 빨려 갈지도 모른다. 만약 로봇이 인간의 세상에서 평생 얻을수 있는 이러한 경험들을 가지지 못한다면, 결코 사람만큼 처리하지 못한다는 것이 핵심이다. 또한 알아야 할 마한 일들을 모두 처리하도록 프로그램할 수도 없다. 내 생각으로는 아직 인생을 제대로 경험해 보지 못한 사람도 이같은 문제가 있을 거라고 여겨진다. 나는 프레임 문제가 전문가 시스템에서 실제의 문제이고, 인공 지능의 방법과 관련 있다는 것에 대해서 동의한다. 그러나 이것이 기계 지능화의 결정적인 제한점이라는 데에는 동의하 지 않는다. 그것은 인간에 의한 관점의 차이 때문에 발생되는 많은 논쟁들과 같이, 사람이 더 우수해 보이도록 왜곡된 것이다. 당신이 직접 배터리와 폭탄이 있는 방에 가서 배터리를 가지고 나온다고 가정해 보라. 방 안에는 머그러그가 있어서 '만약 당신이 배터리를 움직인다면 나는 당신을 죽일 것이다.' 둘 다 프레임 문제에 고통을 받는다. 무엇인가를 결정하기 전에 머그러그에 대한 상식이 필요 하다. 만약 여기서 머그러그가 대학의 철학자라면 당신을 죽이지는 않을 것이다. 그는 단지 당 신이 어떻게 행동하는지 보고자 했을 것이다. 당신이 폭탄을 마차에서 제거하고 방에서 뛰 쳐나온다고 하자. 이때 유감스럽게도 폭탄은 진동탐지 뇌관을 가지고 있어서, 당신이 그것을 옮기려고 하는 순간 터지고 말았다! 프레임 문제 그 자체가 비록 전문가 시스템의 기계 지능화에서 중요한 문제이긴 하지만. 기계한테 적용되는 특별한 문제는 아니다. 그것은 사람에게도 적용 가능한 문제이고, 사실 다른 모든 창조물에게도 적용된다. 우리가 가진 관련 정보, 적용 가능한 상식적인 추론, 그 리고 도움될 만한 기본적 본능에 의존해서 우리는 어떻게 이러한 상황을 다루고 있을까? 전문가 시스템은 기본적인 형태에서, 인공 지능에 대한 논리적인 접근 시도로서 외부에서 두뇌를 관찰하여 어떻게 동작하는지 알아내어 그것을 묘사함으로써 인공 지능을 구현하려고 한다. 물론 다른 접근 방법도 많이 있지만, 이러한 전문가 시스템은 사람이 일을 처리하는 방식과 밀접하게 관련되어 있다. 그러나 항상 '만약...하다면...하자'는 식으로 모든 일을 처리 하는가? 전문가 시스템이 규칙들을 배우기는 쉽지만 몇 가지 문제가 있다. 첫째로, 만약 시스템이 학습을 한다면 그것으로 무엇을 하든 간에 더 이상은 전문가의 모방이 아니라 단지 학습한 일들을 수행하는 것이다. 또한 같은 상황에서 다른 규칙들을 계속해서 적용할 수도 있다. 만 약 어떤 상황에서 성공적인 결과를 보이면 다음에는 그 규칙을 더 많이 사용하려고 할 것이 고, 반면에 실패한다면 다음에는 적게 사용할 것이기 때문이다. 그러나 어떤 규칙들은 어떤 때는 매우 중요하게 쓰이지만, 빈번하게 사용되지는 않는다. 그렇다면 그 시스템이 이러한 상황에서 얼마나 많은 규칙을 유지하고 있어야 하는가? 만약 모든 규칙을 가지고 있다면, 많은 규칙을 조사해야 하기 때문에 어떤 규칙이 적용되어야 하 는지 결정하는데 오랜 시간이 소요될 것이다. 일반적으로는 한정된 수의 규칙이 있을 때, 성 공적이라고 판명되는 새로운 규칙은 유지되고 그렇지 못한 규칙은 제거된다. 하지만 중요한 규칙은 가지고 있어야 한다. 차량운전전문가 시스템이 있다고 하자. 우리는 어떤 사람이 차 앞으로 뛰어들 때 자동차를 멈추게 하는 규칙이 필요하지만, 이것을 적용할 수 있는 상황은 거의 발생하지 않는다. 반면에 평상시의 주행을 다루기 위해서는 모퉁이돌기, 가속하기, 감속하기 등의 많은 규칙들 을 사용한다. 따라서 규칙의 수와 작동 시간 사이의 적절한 균형을 취해야 하고, 자주 사용 되는 규칙 수와 가끔 쓰이나 중요한 규칙 수 사이의 적절한 균형을 취해야하는 것인데, 이 러한 균형들은 사람에 의해서 이루어진다. 차량 운전의 예를 보자. 우리는 누군가 차 앞으로 뛰어드는 가능성을 고려해야 하기 때문 에 천천히 조심스럽게 운전해야 한다. 만약 그러한 가능성이 있다면 우리는 더 빨리 운전할 수 있다. 이러한 예외적인 경우가 없다면 우리는 더 빨리 운전할 수 있다. 이러한 예외적인 경우가 없다면 시스템의 성능은 더 향상될 수 있을 것이다. 전문가 시스템은 직접 외부로부터 배우거나, 다시 프로그램되거나. 또는 시행 착오를 통하 여 학습할 수 있다. 이때 수동적 학습은 명백히 일어나지만, 능동적 학습은 비교적 명확하지 않다. 그리고 각각의 규칙들은 가중치를 가질 수 있다. 즉 어떤 상황이 일어나서 하나의 규 칙이 적용되고, 그 규칙이 성공을 거두면 가충치는 증가하지만, 그렇지 못하면 가중치는 감 소하게 된다. 여기서 꼭 필요한 것은 규칙의 성공을 측정하는 방법과 비중을 증가, 또는 감소시키는 자 동적인 평가 기준이다. 새로운 규칙은 유전 알고리즘에 의하여 임위적으로, 혹은 다른 규칙 들의 조합으로 시험해 볼 수 있다. 새로운 규칙이 성공적이지 못하다고 판명되면 가중치는 줄어들어 없어지게 될 것이다. 반대로 성공적이라면 그 규칙은 보존될 것이다. 차량운전전문 가 시스템은 왼쪽으로 굽은 길에 대해 다음과 같은 규칙들을 가질수 있다. 규제 1. 만약 길이 왼쪽으로 굽어 있으면, 신속하게 속도를 낮추고 운전대를 왼쪽으로 많이 돌리고 기어를 바꾸어라 규제 2. 만약 길이 왼쪽으로 굽어 있으면, 완만하게 속도를 낮추고 운전대를 왼쪽으로 조금 돌리고 기어를 바꾸어라. 어느 모퉁이에서 어떤 규칙이 적용되는지는 적용되는 규칙에 대해 긍정적, 또는 부정적으로 평가할 수 있는 차량 운전 기준에 의해 결정되고, 그 다음부터는 왼쪽으로 굽은 길에서 미 리 정해진 규칙이 적용 될 것이다. 차량 조향의 경우 우리는 전문가 시스템의 큰 문제를 발 견할 수 있다. 도로에는 왼쪽으로 굽은 길이 많고 차량 통행이 많으며, 크기가 다른 교차로, 차량 정체 등의 상황이 너무나 자주 일어날 수 있기 때문이다. 정상적인 도로에서도 고려해 야 할 상황이 많다. 이러한 것들의 처리를 위해서는 매우 많은 규칙들을 가지고 있어야 하 는데, 이 경우 특별한 규칙 하나만을 신속히 사용할 수가 없게 된다. 이러한 전문가 시스템을 미숙한 운전가 라고 말할 수 있는 이유는, 인간 중심적인 환경에 적합하지 않은 기계 중심의 시스템이기 때문이다. 기계가 잘 동작하도록 운송 수단이 다시 계획된다면 상황은 달라질 것이다. 차량과 기계의 정보 교환, 도로와 차량의 정보교환이 빨 라져서 차량 내의 처리가 더욱 빨라질 수 있다. 실제로, 자석으로 된 길이나 땅속에 묻힌 케 이블을 따라서 주행하는 자율 차량 시스템들도 많이 있다. 도한 도로에서는 다른 차량을 감 지하고, 설정된 거리 이하로는 접근하지 않는 시스템도 그러한 예가 된다. 전문가 시스템과 사람의 뇌 모형을 이용한 인공지능의 방법은 잘 정의된 문제에서는 어느 정도 성공을 가져올 수 있다. 그러나 기본적인 유전자의 규칙 프로그램으로부터 모든 문제 해결 방법을 배우기란 어렵다. 하지만 그것이 사람, 또는 인공의 노에 의존하든 안 하든 전 문가 시스템은 지능 시스템의 여러 가지 작동법들을 쉽게 설명해 주는 좋은 방법이다. 조금 다른 접근 방법으로 신경망이라는 것도 있다. 그리고 현재까지 신경망과 관련하여 인간의 뇌가 내부에서 어떻게 동작하는지를 하위 수준, 즉 신경세포를 기본 단위로 하는 연구가 진 행되어 왔다. 보통의 인간 뇌는 1,000 억개의 뉴런이 각각의 세포로 구성되어 있다. 각각의 뉴런은 다른 뉴런과 연결되어 있는데, 어떤 뉴런들은 겨우 몇 개의 뉴런에 연결되어 있고, 어떤 것은 백 개 혹은 몇 만 개의 뉴런과 연결되어 있다. 뉴런들이 연결되는 방법은 아주 복잡하고 무작위로 보이긴 하지만, 결과적으로 각각의 조합으로 구성되는 유전 프로그 램의 한 부분을 이루게 된다. 아직 인간 뇌의 동작에 대한 지식에는 한계가 있다. 뇌의 미세한 요소를 조사하는 것은 그 것에 손상을 입히거나 죽일 수도 있기 때문에 무척 힘든 일이다. 그렇지만 우리는 중요한 것을 알고 있다. 뇌의 뉴런은 하나의 일정한 크기와 모양을 가지지 않으며, 간결한 구조로 연결되어 있지도 않다는 점이다. 또한 서로 같은 형태의 뉴런들은 그룹을 이루어 뇌의 특정 한 위치에 자리잡고 특정한 일을 맡아서 수행한다는 것도 알려졌다. 어떤 그룹의 뉴런들은 우리의 시각을 담당하고, 운동 신경인 다리나 팔을 제어하며, 심적인 부분을 담당하는 그룹 도 있다. 앞서 말한 바와 같이 어떤 그룹의 뉴런들은 단기간의 기억을 담당하는 반면(여기서 어던 고 리 형태를 취하여 간질에 관련되기도 한다). 다른 그룹은 눈의 망막을 담당한다. 모든 뉴런 은 같은 종류끼리 그룹을 이루어 동작하는 경향이 있다. 큰 뉴런들과 작은 뉴런들, 긴 뉴런 과 짧은 뉴런이 있지만, 대략적으로 말하면 모두 같은 동작을 하는 것이다. 어떤 면에서 뉴 런은 다른 체세포와 같은 중심의 핵과 외부의 세포벽을 가진다고도 말할수 있다. 하나의 뉴런을 떼내어 보면 우리는 해당 동작에 대하여 몇 가지를 알게 된다. 뇌의 전체적 인 동작은 천억 개의 뉴런들이 서로 연결되어 이루어진다. 보통의 뉴런은 한쪽 끝에 작고, 뾰족하고, 머리카락처럼 생긴 송곳 모양의 수상돌기를 가지며, 반대편에는 길쭉한 실과 같은 축색돌기를 가진다. 뉴런은 메시지나 신호를 이 수상돌기로부터 받아들이고, 어떤 메시지를 받았느냐에 따하서 전기적인 신호를 축색돌기를 통해 내보낸다. 또한 이 뉴런의 축색돌기는 다른 뉴런의 수상돌기와 시냅스를 통하여 연결된다. 여기서 시냅스란 축색돌기가 신호를 보낼 때 전기적인 메시지가 통과하는 틈을 말한다. 이 메시지는 시냅스를 통과할 때 실제로는 적은양의 화학적 유체인 신경전달 물질에 의하여 전 달된다. 수신된 전기적인 신호에 의하여 각각의 수상돌기는 얼마간의 전기적인 전압을 가지 게 되고, 더 많은 신호를 받으면 더 큰 전압을 갖는다. 뉴런의 기본적인 동작은 다음과 같다. 어떤 시정ㅁ에서 뉴런의 수상돌기들은 전압을 가진다. 뉴런의 수상돌기에 의한 모든 전압들은 축색돌기에서 더해지고, 그 효과는 축색돌기를 통하 여 외부에 전송된다. 어떤 메시지는 양성을. 어떤 메시지는 음성을 띤다. 각각의 뉴런은 양 의 전압 또는 음의 전압을 보낼 수 있지만 동시에 양, 음의 전압을 보내지는 못한다(약간의 예외가 있을 수 있다). 우리가 눈으로 무엇을 볼 때. 어두운 부분과 밝은 부분, 다른 색을 띠는 부분들은 눈 뒤의 망막에 연결된 뉴런에 의하여 전압으로 변환된다. 뉴런들이 메시지 를 뇌로 보내어 망막의 뉴런을 통해 우리가 본 영상이 뇌에 들어오는 것이다. 우리가 본 것 이 바뀌면 수상돌기의 전압도 바뀌고, 따라서 망막의 뉴런이 메시지를 보내는 비율도 변화 한다. 우리의 뇌가 동작중일 때는 무엇을 하고 있든지 간에 뇌가 가지고 있는 뉴런들이 메시지를 보내는 비율을 증가시키거나 감소시키면서 뇌의 활동을 담당하게 된다. 따라서 어떤 특정한 활동은 뇌의 일정한 영역에서 더욱 빨리 메시지를 전송할 수 있게 하거나. 메시지를 받는 영역에 따라 속도가 크게 변동하게끔 만들기도 한다. 한 예로 간질로 인해 발작이 일어날 경우 정상적인 뇌의 동작이 주기적으로 반복되는 전기 적 방전현상, 즉 전압이 상승하고 갑자기 떨어지는 일이 반복적으로 발생되는데, 이것은 전 화로 대화를 하는 중 우지직 하는 시끄러운 잡음 때문에 정상적인 대화가 중단되는 경우와 비슷하다. 간질은 디스코장의 섬광과 같은 빛, 또는 깜박이는 텔레비전 화면의 빛 등 여러 가지 상황에 의하여 발생 할 수 있다. 기억이나 학습 반사(learned response)는 뉴런 사이의 연결을 담당하는 뇌의 시냅스에 의하 여 저장된다고 믿어지고 있다. 이것은 뇌에서 돌아 다니는 메시지의 강도에 영향을 준다. 예를 들어, 우리가 운전중에 녹색 등을 볼 때마다 가속기의 페달을 밟는다고 배웠다고 하자. 이 관계는 우리 뇌의 시냅스에 저장되어 적절한 방법으로 반응한다. 따라서 우리는 사실상 자동적으로 배우는 것이 있는 반면, 우리의 본능으로 굳어지는 것도 있다. 또한 우리는 어떠 한 방법으로 직접 반응하게끔 적절히 조절되기도 한다. 아마도 조건 반사에 관한 가장 유명한 예는 러시아의 생물학자 파블로프의 연구를 꼽을 수 있을 것이다. 개를 이용한 실험에서 개의 입에서 침을 분비하게 하는 보통의 자극을 통해 먹이와 종이 울리는 것을 관련지었다. 종이 울릴 때마다 먹이를 주게 되면, 개는 종소리와 먹이를 연관시켰기 때문에 종소리만 나면 침이 분비되었다. 사람 역시 상품 광고에서 물건을 팔기 위해 이러한 조건 반사를 실제로 이용하고 있다. 우 리는 자연스럽고 윤이 나는 머릿결을 원하도록 조건반사적으로 조절되었다면, x라는 상품으 로 머리를 감음으로써 이러한 조건을 충족시킬 수 있다. 특히 y라는 인기 영화 배우가 x라 는 상품을 사용하는데, 이때 그녀의 머리를 봄으로써 반사 작용을 갖게되면, 우리는 x라는 상품과 빛나는 머리결을 연관시켜 생각하게 되고, 따라서 그 상품을 선호하게 된다. 뇌 속의 시냅스가 이러한 연관성을 가지게 하고 반응하게끔 조정하는데,. 그들 중 몇몇은 유 전을 통해 출생시 생성되어 원초적 본능이나 버릇을 갖게 하며, 어떤 기억들도 가지게 한다. 또한 이 시냅스는 우리가 배운 것, 조건반사, 그리고 경험들에 의해거 반응을 나타나게끔 한 다. 그런데 뉴런의 이러한 부분들은 어떻게 모델링할 것인가? 실제로 모델링의 복잡도가 적절한 수준인가? 전문가 시스템과 고전의 인공 지능이 뇌의 동작을 외부에서 본 모델만을 가지고 제작하고 복제하는 이유는 내부에서 우리가 간단하게 획득할 수 있는 것들이 많지 않기 때 문이며, 그로 인해 모델 또한 상당히 제한적이었다. 뉴런의 수준까지 깊이 들어가면, 어느 면에서는 몇몇의 유사성에 접근할 수 있을 것이다. 하 지만 뇌에 대한 세밀한 연구가 없다면, 아주 유사하게 모든 것들을 재생하기는 어렵다. 어떤 집을 복제한다고 가정해 보자. 우리는 외부에서 집을 관찰하고, 몇가지 정보를 얻어낸 후 특징들 중 몇 가지를 복제할 수 있다. 그러나 집 안을 보지 않았기 때문에 많은 것들을 복제할 수는 없다. 만약 우리가 집을 구성하는 벽돌(뇌를 이루는 뉴런과 유사하다)까지 관찰 한다고 하면, 우리는 집이 어떻게 이루어지는지 더 잘 이해할 수 있다. 그러나 더 세밀한 계 획이 없다면 집을 완전히 다시 짓기란 매우 어려울 것이다. 하지만 우리도 벽이나 작은 오 두막 정도는 지을 수 있고, 또한 이것을 통해 집 구조를 어느 정도 배울 수 있다. 우리는 집을 관찰할 벽돌을 이루는 점토분자 정도까지 관찰하거나. 그 정도는 아니더라도 내부의 방이나 벽돌들이 뭉친 덩어리 정도까지는 볼 수 있을 것이다. 우리가 고려할 수 있 는 모델 수준은 상당히 다양하지만, 벽돌 단위로 본다면 이들을 가지고 집 짓기는 쉽고, 또 한 이들 객체는 다루기가 편리하기에 모델의 관찰 수준으로 적절하다. 많은 사람들이 뇌에 관해서 뉴런 그 자체가 무엇으로 이루어졋는지 아는 것이 최상이라고 말한다. 혹간에는 양자 역학과 같은 이론을 고려해야 한다고 주장한다. 또한 개개의 뉴론보 다는 뉴런들의 그룹을 살피는 것이 최상이러고 하는 사람들도 있다. 나의 주장은 뇌의 뉴런 을 긴 시간 동안 연구하여 모델링하는 것이다. 집의 경우로 보자면, 벽돌단위 수준으로 모델 링하고 복제하는 것이 현재로서 가장 사리에 맞기 때문이다. 그러나 인간의 뇌는 아주 복잡한 뉴런의 망이고, 전체적으로 볼 때 유용한 방법이 없으므로, 가까운 미래에 인간의 뇌와 유사한 것을 구성하는 것은 기대하기 어렵다. 왜냐하면 뇌의 뉴 런과 그 연결 방법은 몇 백만 년 동안 진화되어 온 것이기 때문이다. 우리는 여전히 이 연 결에 대하여 배울 것이 많다. 그러나 이 모든 것은 뇌의 내부에 있다. 우리의 모든 생각과 좋은 것, 나쁜 것, 의식, 자기 인식은 수상돌기, 축색돌기. 시냅스에 의해 연결된 뉴런들로 이루어진 뇌에서 발생한다. 동물, 새, 곤충. 그리고 다른 창조물도 적은 뉴런 수로 간단하게 연결된 작은 뇌를 가지고 있다. 따라서 그들의 뇌는 단순하게 동작한다. 어떤 면에서 개와 고양이도 꿈을 꾸고, 자기 인식을 하는 것으로 보이지만, 과연 그들은 얼마나 추상적인 생각을 할까? 우리는 실제로 알지 못한다. 하지만 벌과 같은 곤충의 일생은 그럭저럭 이야기할 수 있다. 비록 단순하지만 원초적 본능과 유전으로 프로그램된 뇌를 가지고 알지 못한다. 하지만 벌과 같은 곤충의 일 생은 그럭저럭 이야기 할 수 있다. 비록 단순하지만 원초적 본능과 유전으로 프로그램된 뇌 를 가지고 있다. 사실 벌이 할 수 있는 일은 제한적이고, 행동하는 방법 역시 그렇다. 벌의 뇌가 사람보다 훨씬 작고 간단하기 때문에 그럴 수밖에 없다. 벌은 의식이 있을까? 개는 개의 방법으로 의식이 있을 것이고, 사람은 사람의 방법으로 의 식이 있는 것과 같은 벌도 나름대로 의식이 있을 것이다. 지능도 마찬가지로 각각의 종에 달려 있다. 물론 종에 따라서 몇몇의 유사성이 있긴 하지마 많은 차이점도 있을 것이다. 우 리는 개가 벌보다 지능적이며, 사람은 전적으로 개보다 더 지능적이라는 것도 알고 있다. 하나의 뉴런의 동작을 보고 모델을 만들어 사람 뇌 속의 각각의 뉴런을 복제한다고 해보자. 만약 인공 뉴런이 생물적인 뉴런과 성능이 비슷하다면, 우리는 많은 인공 뉴런을 연결하여 뇌와 같은 특성을 구현할 수 있지만, 아직까지는 컴퓨터 실험에 의해 성공을 거두지 못하고 있다. 만약 성공한다면, 기계의 유용성이나 능력의 범위를 넓히는 성과를 얻게 될 것이다. 수상돌기를 따라 뉴런에 들어가는 전압이 여러 가지이기에 나오는 전기적인 펄스 신호의 점 화율과 더해진 입력값 사이의 관계가 전형적인 선형 관계가 아니라는 사실을 알고 있다. 또 한 우리는 뇌에는 각양각색의 뉴런이 있고, 매우 복잡한 방법으로 서로 연결되어 있다는 것 을 알고 있다. 실제로 우리는 이런 사실을 바탕으로 컴퓨터나 전기 회로들을 이용하여 손쉽게 인공 뉴런을 구성할 수 있다. 즉 다른 뉴런의 입력으로 숫자 또는 전압을 이용하고, 입력되는 수나 전압 의 합에 대해서는 간단한 비선형적인 관계를 이용해 하나의 뉴런을 만들 수 있다. 이러한 비선형 식은 입력된 뉴런의 수의 합이 설정한 값보다 클 때 하나의 값을 출력하고, 반대로 합이 설정한 값보다 작을 때는 낮은 값을 출력한다. 뉴런에서 직접 두 개의 값을 출력하는 것보다 비선형 식을 이용하여 관계를 매끄럽게 하는 것이 더 현실적이다. 예를 들어 만약 뉴런에 입력되는 값이 10 또는 그 이상일 때 출력되는 수는 6이다. 그리고 뉴런에 들어오는 수의 합이 4 또는 그 이하일 때 2가 출력된다. 그 사이에는 중간값을 비례 하게 출력할 수 있다. 여기서 가장 널리 사용되는 관계는 s자 모형(sigmoid)의 함수인데, 이 것은 한 값 또는 다른 값을 이용해 근사화하는 것이고, 어느정도의 중간값을 가지게 된다. 인간의 뇌가 학습하는 경우, 시냅스는 하나의 뉴런에서 출력되는 값을 다음 뉴런에 더 크거 나 혹은 작은 영향을 주게끔 조절한다. 같은 방법으로 우리가 가중치를 이용하여 더 크거나 작은 값을 입력함으로써 인공 뉴런을 학습시킬 수 있다. 인공뉴런에 몇 개의 수를 학습시키기 위하여 세 개의 뉴런의 축색돌기에 세 개의 수 3,1,2를 입력하자. 그리고 각각의 축색돌기의 가중치(시냅스)를 조정하여 뉴런의 출력값이 2가되면 다시 가중치를 조절한다. 이것을 반복하여, 페턴을 갖는 수가 뉴런에 입력되면 출력값을 크 게하고, 반면에 다른 형태가 들어오면 값을 작게 하며, 어떤 값이 들어오면 중간값을 가지게 할 수 있다. 이제 여기에 어떤 세 개의 수를 입력하면 이 뉴런은 크거나, 작거나, 또는 중간값을 출력하 여 그 수를 인식하는지 못하는지를 보일 수 있다. 만약 입력할 값이 더욱 복잡해지면, 우리는 더 많은 뉴런을 연결시켜야 한다. 예를 들어 비 디오 카메라의 흑백 사진을 고려해 보자. 사진은 아주 많은 작은 화소(pixel)로 나눌 수 있 다. 당신의 얼굴 사진에서, 각각의 화소는 흰색, 검은색, 또는 회색의 음영이 될 것이다. 여 기서 흰색을 '0', 검정색을 '10' 이라고 정하면 그 사이의 회색은 음영에 따라서 '0'과 '10' 사 이의 값을 갖는다. 그러면 '1' 의 화소는 거의 흰색이고 '9'의 화소는 거의 검정색이다. 이와 같은 방법으로 당신의 얼굴 사진은 각 화소의 음영을 표현하는 거대한 수의 배열로 구 성된다. 이때 화소에 대한 수에서 나온 값을 뉴런에 입력할 수 있다. 네 개의 화소가 있어서 사진에 대해 3,1,7,6 이라는 값을 가진다고 하자. 이 뉴런에서 나오는 출력은 축색돌기의 가 중치를 조절하여 크게 할 수 있다. 다음에 있는 네 개 화소를 그 다음 뉴런에 입력시키는 식으로, 그림의 모든 화소를 각 뉴런 들에 입력할 수 있다. 이때 뉴런은 네 개의 화소만을 처리한다. 각 뉴런의 축색돌기의 가중 치를 조정하여 당신의 사진에 대해서 모든 뉴런 출력이 높은 값을 가지게 한다. 이제 당신이 나무 사진처럼 다른 사진을 각 뉴런들에 입력으로 주면, 나무를 가르키는 검은 색, 흰색, 회색의 화소는 당신의 얼굴을 가르키는 화소들과는 다르기 때문에 대부분의 뉴런 은 낮은 값을 출력할 것이다. 그러나 배경이 유사한 어떤 사진은 높은 값을 가질 수도 있다. 우리가 할 수 있는 일은 출력값을 모두 관찰하는 것이다. 출력값의 대부분이 크다면, 카메라 에 들어온 것은 아마도 당신의 얼굴일 것이다. 그렇지 않다면 아마 다른 그림일 것이다. 하 지만 조명이나 바람에 머리카락이 날리거나 웃음을 짓는 등 예상치 못한 모습으로 찍힌 사 진에 대해서는 모든 뉴런이 항상 높은 값을 출력한다고는 할 수 없다. 이와 같이 여러 개의 뉴런이 그림을 인식하게 하기 위해 아주 간단히 연결될 수 있다. 칼라 사진도 가능하겠지만, 이것은 문제를 더 복잡하게 만든다. 어떤 물체에 관한 사진도 가능하 다. 그래서 뉴런의 망은 특정 얼굴이나 과자 포장지, 책 등 당신이 원하는 것이면 뭐든지 인 식할수 있도록 학습시킬 수 있다. 나중에 똑같이 생긴 것을 신경망에 보이면 대부분은 높은 값이 출력될 것이다. 만약 완전히 다른 것이 보이면 대부분의 출력값이 매우 낮겠지만, 유사한 것이 모이면 특정 한 그림만 인식하는 것이 아니라. 유사한 그림에 대해서도 정보를 줄 수 있다. 어쨌든 그림 을 인식하는 하나의 작업만 수행한다. 그림을 인식하는 문제에서 수상돌기의 가중치를 조절하는 것이 어려워 보이지는 않는다. 그 러나 실제로 그것은 뉴런들의 출력값이 다른층의 뉴런으로 입력되는 방식으로 여러 층을 이 루기 때문에 큰 문제가 될 수 있다. 이때는 한 층의 뉴런의 가중치가 바뀌면 다음 층의 뉴 런의 가중치에 영향을 준다. 그러므로 신경망에 대한 연구는 단지 한 개, 혹은 두 개 또는 기껏해야 세 개의 층을 단순히 연결하는 비교적 적은 뉴런에 대하여 집중되고 있다. 이같이 신경망을 순서대로 배열하고 나서 특정 문제에 대해 가르칠 수 있고, 그것을 통해서 우리는 신경망이 어떻게 움직이는지 안목을 가질 수 있다. 신경망의 연구는 현재 어느정도 수준에 와 있는가? 첫째, 인공 신경망은 광학을 이용하는 등의 다른 형태도 있지만 보통 전자, 또는 컴퓨터 내에서 가지는 생물학적인 것이다. 둘째, 각각의 인공 뉴런은 실제 뉴런의 아주 간단한 모델이고, 신경망은 동일한 인공 뉴런을 사용 하여 형성된다. 실제 인간의 뉴런은 더욱 복잡하고, 수행방법이나 크기도 다르며 수행하는 작업도 같지 않다. 보통의 인간은 천억 개의 뉴런을 가진다. 현재 대표적인 인공 신경망은 10개에서 40개의 뉴런을 가지며, 많다고 해도 기껏해야 1,000개 정도이다. 마지막으로, 인공 뉴런은 아주 잘 정리된 층 구조로 연결되어 무엇을 하는지 이해할 수 있다. 반면 인간의 뇌 는 완전히 뒤죽박죽으로 연결되어 보이며, 대칭이나 똑같은 크기를 절대 가지지 않는다. 그렇다면 어떤 면에서 이 모든 것이 인간의 뉴런과 닮았겠는가? 인공 뉴런은 사람이나 동 물의 뉴런과는 달라서 우리의 뇌가 할 수 있는 것을 할 수 없으므로, 결코 인간처럼 지능적 일 수 없는가? 조금은 사실일 수 있지만, 전적으로 그렇지는 않다. 인공 뉴런이 인간의 뉴런 과 실제적으로 같지는 않지만, 이론상으로 형태를 사람의 것과 아주 유사하게 할 수 있다. 그러나 현재로는 아직 큰 격차가 있다. 여기서 중요한 점은 우리가 가진 것은 인간의 뇌와 다르게 작동하는 인공 신경망뇌라는 것이다. 결과적으로 기계의 지능과 인간의 지능은 다르 다. 흥미 있는 문제는"인간의 뇌와 얼마나 비슷한 방법으로 동작하는 인공 뇌를 얻을 것인가? "가 아니다. 문제는 바로 '우리가 인공 뇌를 가지고 무엇을 할 수 있을까? 그것이 무엇을 할 수 있을까?' 이다. 인간의 뇌를 집에 비유하고 뇌의 뉴런을 벽돌에 비유할 때, 우리가 벽돌 의 모델을 얻는다면 그것으로 무엇인가를 지을 수 있을 것이다. 집을 지을 계획이 없다면, 오두막이나 사무실. 또는 초고층 빌딩과 같은 다른 형태의 건물을 지으면 될 것이다. 집은 궁극적으로 빌딩이 아니다. 즉 인공 뉴런에서의 한계는 결과물로서 얻어지는 빌딩을 집처럼 단순하고 작게 하려는 데서 생긴 것이 아니다. 그러면 무엇이 한계인가? 빌딩은 얼 마나 높아질 수 있는가? 얼마나 많은 방을 가질수 있는가? 구조는 얼마나 복잡해질 수 있 는가? 가 바로 한계이다. 또한 이와 유사하게 우리는 인간 뇌 구조의 특별한 형태를 인공 뇌에다 똑같이 복제하려는 것이 유일한 목적이 아니라 아주 다른 어떤 것을 만들 수도 있다 는 것이다. 이러한 방법으로 우리는 인간의 뇌에서 주어지는 제한과는 대조적으로 기계의 뇌에서 얻어지는 장점을 이용할 수 있다. 우리는 수없이 다양한 형태로 벽돌을 조립할 수 있다. 그 중에서 몇 개만이 집과 같이 쓸 만한 구조를 가진다. 인공 뉴런에서도 이 문제에 직면하였다. 우리는 그것을 사리에 맞게 계 획적으로 구성하여 유용하게 사용해야 할 것이다. 인간의 뇌에 관해서는 크기와 뉴런 수, 그리고 지능 사이의 연관 수준에 대해 조금 알려져 있다. 20, 30년, 50년이 지나도 인간은 여전히 현재 크기의 뇌를 대략적으로 가질 것이고, 뉴 런의 수도 비슷하고, 지능의 수준도 거의 변함없을 것이다. 확실히 우리는 기계, 특히 컴퓨 터를 사용하여 더욱 발전할 수도 있지만, 미래의 신체적이고 정신적인 진보는 기대하기가 어려우므로, 결국 인간 발전은 아주 제한적일 것이다. 기계의 뇌에 관해서 우리는 다양한 크 기와 비교적 적은 수의 뉴런, 그리고 지능 사이의 연관 수준을 알고 있다. 그러나 이것은 인 간의 뇌처럼 제한받지는 않는다. 특히 인간의 지능은 해를 거듭하더라도 거의 일정하지만, 기계의 지능은 빠르게 개선되고 있고, 특별한 이론적 한계나 실제의 한계가 거의 없다. 인간의 뇌는 집과 유사성이 있다. 우리는 기계의 지능을 가지고 고층 건물을 지을 수 있다. 사실 기계의 발달을 막는 것은 없기 때문에 사람보다 더 지능적일 수도 있다. 이것이 실제 로 일어날까? 우리의 목적은 작은 인공 뇌를 얻어서 실세계의 몇가지 일을 하는 것인데. 점차로 인공 뇌 의 능력은 증가하고 더욱 지능화되고 있다. 8장에서 10장까지 진술된 일들은 지능적인 기계 의 성공 사롈르 포함한다. 처음에는 지시가 명확한 작업만을 할 수 있었지만, 점차적으로 더 욱 지능화된 기계들을 사용하여 결과적으로 다양한 목적의 일들을 수행할수 있었다. 당신도 알다시피 기계의 행동과 인간이나 동물 뇌의 행동은 아주 대조적이다. 결국 이것은 다른 형 태의 지능을 가진 결과이다. 이 책에 진술된 내용들은 단순한 이론적, 또는 철학적인 연구와는 반대로 실제의 경험에서 얻은 지식을 기초로 한다. 이것으로부터 얻은 나의 결론은 간단하다. 그 무엇도 기계가 인간 보다 더 지능적으로 되는 것을 막을 수 없다. 다음 장에서는 기술이 어떻게 변화하는지, 그 리고 레딩 대학이 수행한 주목할 만한 연구를 통하여 내가 왜 그러한 결론을 내렸는지를 보 게 될 것이다.