AI의 급속한 진보
인간의 뇌의 규모와 복잡함에 맞춰 인공지능을 지원할 수 있는 컴퓨터를 구축하는 것은 막대한 공학적 노력이 될 것입니다.
현재 국립 표준 기술 연구소의 연구원들은 우리가 거기에 도달하는 방법을 개략적으로 설명하고 있습니다.
컴퓨터 과학자와 철학자 사이에서 인지 능력에 맞는 기계를 어떻게, 언제 만들 것인지가 뜨거운 논의의 주제입니다.
가장 논란이 되는 문제 중 하나는 지금까지 지성의 가장 좋은 예인 인간의 뇌를 어느 정도 반영할 필요가 있느냐는 것입니다.
깊은 신경망을 동력으로 하는 AI의 급속한 진보-이름은 뇌와는 전혀 다르지만-뇌의 하드웨어나 소프트웨어를 모방하지 않고도
'인공적인 일반 지능'을 달성할 수 있을지도 모른다고 많은 이들이 확신합니다.
어떤 사람들은 지성 작용의 근본적인 측면이 아직 결여되어 있다고 생각합니다.
그 간극을 메우는 최선의 방법은 자연으로부터 빌리는 것이라고 생각합니다.
많은 사람들에게 그것은 생물학적 뇌의 구조와 조작을 보다 엄밀하게 모방하는 '뉴로모픽' 하드웨어 구축을 의미합니다.
문제는 우리가 자유롭게 사용할 수 있는 기존 컴퓨터 기술이 생물학적 정보처리 시스템과는 크게 달라 전혀 다른 원리로 작동한다는 점입니다.
먼저 현대의 컴퓨터는 디지털이고 뉴런은 아날로그입니다.
두 가지 모두 전기 신호에 의존하지만 아주 다른 맛이 납니다.
뇌는 또한 많은 양의 화학 신호를 사용하여 처리합니다.
하지만 NIST 연구원들은 뇌의 핵심 속성을 모방할 수 있는 방법으로 기존 기술을 접목하는 방법을 찾았다고 생각합니다.
이들의 접근을 이용해 이들은 생물학적 시스템의 물리적 한계를 뛰어넘을 수 있었던 뉴로모픽 슈퍼컴퓨터의 청사진을 설명합니다.
Applied Physics Letters에서 개략적으로 설명되는 접근의 열쇠는 전자공학과 광학 기술의 조합입니다.
광학계는 빛의 속도로 정보를 전달할 수 있는 반면 전자공학은 계산 능력이 뛰어나 이를 결합하는 것이 아마도 뇌의 뛰어난 계산과 통신 능력을 모방하는 가장 좋은 방법일 것이라는 논리입니다.
새로운 아이디어는 아니지만 지금까지 최고의 전자 및 광학 하드웨어를 겔화하는 것은 매우 어렵다는 것이 증명되었습니다.
연구팀은 시스템 온도를 화씨 -450도로 낮추고 잠재적인 해결책을 찾은 것으로 보고 있습니다.
이것은 문제를 복잡하게 만들 뿐이라고 생각할 수 있지만 실제로는 많은 새로운 하드웨어의 가능성을 열어줍니다.
초전도 전자, 단일 광자 검출기, 실리콘 LED처럼 이런 차가운 온도에서만 작동하는 고성능 전자 및 광학 부품이 많이 있습니다.
연구원들은 이러한 성분을 사용하여 기존 컴퓨터의 성분보다 생물학적 사촌처럼 작동하는 인공 뉴런을 구축할 것을 제안하고 있습니다.
이 뉴런은 주위의 수를 셧다운하기보다 전기적인 임펄스나 스파이크를 발사합니다.
각각의 뉴런에는 다른 뉴런으로부터 광 메시지를 수신하는 단일 광자 검출기로부터 만들어진 수천 개의 인공 시냅스가 있습니다.
이러한 착신 신호는 초전도 회로에 의해 결합되고 처리되며
일정한 문턱을 넘으면 실리콘 LED가 활성화되어 모든 다운스트림 뉴런에 광 임펄스를 송신합니다.
연구원들은 300mm 실리콘 웨이퍼에 이들 뉴런을 수백만 개 결합해 웨이퍼를 쌓아 뇌의 구조를 모방한 고도로 상호 연결된 네트워크를 만들고
각 칩에 광도파관이 대응하는 단거리 접속과 광섬유 케이블이 대응하는 장거리 접속을 만드는 것을 상정하고 있습니다.
그들은 장치 전체를 저온 냉각시킬 필요성이 과제임을 인식하고 있습니다.
그러나 그들은 설계의 전력 효율 향상을 통해 이 냉각 비용을 절감할 수 있을 것이며,
인간의 뇌 규모에 대응한 시스템에는 최신 슈퍼컴퓨터와 마찬가지로 전력이나 공간이 필요하지 않을 것이라고 말합니다.
이들은 또 저온에서 냉각된 양자컴퓨터에 상당한 연구개발이 이뤄지고 있음을 지적하고 있습니다.
이 시스템의 기본적인 구성요소 중 몇 가지는 이미 연구원들에 의해 실험적으로 실증되었지만,
모든 요소를 통합하기에는 아직 갈 길이 멀다는 것을 인정하고 있습니다.
이들 컴포넌트 중 상당수는 표준 전자기기 제조에 대응하고 있지만,
그것들을 저렴하게 제조하고 통합하는 방법을 찾는 것은 매우 큰 과제가 될 것입니다.
아마 더 중요한 것은 기계가 어떤 소프트웨어를 실행하느냐 하는 문제입니다.
뇌에서 볼 수 있는 스파이크 신경망을 구현하도록 설계돼 있지만
생물학적 뉴럴 네트워크에 대한 이해는 아직 미숙하고 이를 모방하는 능력은 더 나쁩니다. 과학자와 기술 기업 모두가 이 접근법을 실험해왔지만 그래도 딥러닝보다 훨씬 능력이 낮습니다.
이 정도 규모의 장치를 만드는 데 드는 엄청난 공학적 문제를 감안할 때
이 청사진이 도면에서 나오기까지는 시간이 걸릴 수 있습니다.
그러나 이 제안은 인공 일반 지능을 찾는 데 있어 흥미로운 영역입니다.
댓글