이 책은 딥러닝에 대한 기술적인 내용과 이를 통한 미래의 변화를 단순히 예측하기 보다는 딥러닝의 시작과 발전 과정, 그리고 앞으로 딥러닝이 어떤 변화를 이끌어 올지에 대한 통찰로 가득 채워져 있다.
딥러닝의 발전은 단순히 IT 분야의 인력들만을 통해 이뤄진 것이 아니었다. 공학, 생물학, 신경공학, 해부학, 물리학 등 다양한 분야의 학자들이 모여 끊임없이 연구한 결과 지금의 딥러닝 수준에 이르게 되었다고 말한다.
관련 분야를 전공하지 않은 사람이라면 결코 쉽게 읽혀지지는 않을 책이라고 확신한다. 나 역시 이 책을 읽으면서 정말 많은 시간을 할애했고 또 읽고도 이해가 되지 않아 다시 보기를 수차례 반복했다. 물론 그럼에도 이 책의 내용 중 내가 정말 이해하는 부분은 5%도 채 되지 않을 것이다. 과학적인 이론이나 설명은 대부분 이해를 못했다고 과언이 아니다. 하지만 이 책을 읽으므로 인해서 딥러닝에 대한 시각을 넓힐 수 있었다는 것 역시 변치 않는 사실이다.
읽으며 궁금했던 문장들.
P. 24
정보는 지식을 창출하는 데 쓰일 수 있고, 지식은 이해를 이끌어내며, 이해는 지혜의 바탕이 된다.
- 과연 딥러닝이 이해의 단계를 넘어 지혜의 단계까지 도달할 수 있을까?
P. 25
하나는 로직과 컴퓨터 프로그램에 기초한 시각으로 수십 년 동안 인공지능 세계를 지배했으며, 다른 하나는 데이터로부터 직접 학습하는 방식에 기초한 시각으로 성숙단계에 이르기까지 그보다 더 오랜 시간이 걸렸다.
- 딥러닝은 데이터로부터 직접 학습하는 방식으로 성숙 단계에 이르기까진 오랜 시간이 걸렸지만 그동안 축적된 방대한 데이터를 통한 분석을 통해 더 많은 것을 예측하고 판단할 수 있게 될 것으로 보인다.이제 머지 않아 '가가가가?'라고 말해도 '그 아이가 그 아이입니까?'라고 정확하게 이해할수 있지 않을까?
P. 36
실제로 검증 결과가 나온 슬라이드의 대규모 데이터세트에 대해 훈련을 받은 딥러닝 네트워크는 0.925의 것확도에 이른 상태다. 나쁘진 않지만 동일한 테스트 세트에서 0.966의정확도를 달성한 전문의들에게는 미치지 못하는 수준이다. 그렇지만 딥러닝의 예측과 전문의의 판단이 결합된 경우 0.995라는 거의 완벽한 정확도가 나왔다. 둘이 힘을 합쳤을 때 더 나은 수행력이 나온 이유는 전문의와 딥러닝 네트워크가 동일한 자료를 서로 다른 방식으로 보기 때문이다. 이는 곧 인간과 기계가 경쟁하기보다는 공조하는 미래가 열릴 것이며 보다 많은 생명을 살릴 수 있게 될 것이라는 의미다.
- 최근 의료분야에서도 딥러닝을 활용한 진단과 수술 등 다양한 시도가 이뤄지고 있다는데 인간의 판단과 딥러닝의 예측이 결합되어 더 많은 사람들의 생명을 살리게 되는 날이 곧 올 것이라고 생각된다.
P. 54
인간의 인지 능력을 필요로 하는 일자리들이 자동화된 인공지능 시스템으로 대체됨에 따라 그러한 시스템을 만들고 유지할 수 있는 사람들을 위한 새로운 일자리가 생겨날 것이다.
그 당시와 현재의 차이점은, 오늘날 인공지능이 열어놓는 새로운 일자리는 전통적인 인지기술과 더불어 새롭고 다르며 끊임없이 변화하는 기술을 요구한다는 사실이다. 그때문에 우리는 경력 전반에 걸쳐 학습해야 할 필요가 생겼다. 그리고 그것이 가능하려면 학교가 아닌 가정을 기반으로 하는 새로운 교육시스템이 필요하다.
- 학교가 아닌 가정을 기반으로 하는 새로운 교육 시스템은 무엇일까? 가정에 설치된 디스플레이를 통해 개인별 특성에 맞춘 교육 프로그램을 학습하는 방식일까?! 그럼 사회생활의 경험은 어디에서 할까? 인간적 유대관계의 형성이나 친구들과의 감정 공유와 같은 혼자서는 경험하기 힘든 것들은, 그것도 새로운 기술을 통해 체험이 가능할까?^^
P. 59
인공지능은 단지 게임 분야뿐 아니라 예술에서 과학에 이르기까지 인간이 노력을 기울이는 모든 분야에 그 혜택을 미칠 것이다. 인공지능은 우리를 더욱 똑똑하게 만들 수 있다.
P. 159
우리가 도달한 결론은 교육에 있어 가장 큰 난제는 과학적인 것이 아니라 사회적, 문화적인 문제라는 점이다.
P. 165
급속하게 확장되고 있는 정보 분야의 직무에 우리 뇌가 적응하도록 하기 위해서는 교육 체계에 대한 보다 근본적인 변화가 필요하다.
P. 175
미래의 인공지능을 생각할 때 우리는 장기적인 관점에서 바라볼 필요가 있다. 지금으로서는 인간 수준의 지능을 확보하는 데 필요한 컴퓨터 역량에 도달하기엔 역부족이기에 그렇다. 현재의 딥러닝 네트워크는 수백만 개의 유닛과 수십 억 개의 가중치를 보유하고 있다. 1세제곱 밀리미터의 세포 내에 수십억 개의 시냅스를 보유하는 인간의 대뇌피질에 있는 뉴런과 시냅스의 수에 비해 1만 배나 적다. 세상의 모든 감지기가 인터넷에 연결되어 딥러닝 네트워크에 의해 상호연결 된다면 어느 순간 그 네트워크가 스스로 각성해 이렇게 인사할지도 모른다.
"헬로, 월드(Hello, world)!"
P. 176
알고리즘은 도처에 존재한다. 구글 검색을 이용할 때마다 우리는 알고리즘을 사용하고 있는 것이다. 사용자별 뉴스피드 클릭 기록에 기초해 알고리즘이 선택한 뉴스를 페이스북 뉴스피드를 통해 읽고 있다. 알고리즘이 선택한 뉴스는 사용자의 감정적 반응에 영향을 미친다. 알고리즘이 우리의 생활 속으로 침투하는 현상은 음성인식을 가능하게 만들고 휴대전화기에 자연어 기능을 부여하는 딥러닝 기술로 인해 점차 가속화되고 있다.
P. 208
더 이상 무어의 법칙은 없는 것인가? 지속적인 처리 성능의 향상을 위해서는 근본적으로 다른 구도가 필요하다. 디지털 설계의 완벽한 정확도에 의존하지 않는 구도 말이다. 전기모터의 효율성이 가솔린 엔진의 그것과 결합해 탄생한 하이브리드 자동차처럼 디지털과 뉴로모픽 설계의 융합이 부상하고 있다. 컴퓨팅을 위해 매우 낮은 전력만을 필요로 하는 뉴로모픽 설계의 장점과 커뮤니케이션에 유리한 고대역폭 디지털 칩의 장점을 취하는 새로운 하이브리드 구도 말이다.
- 이렇듯 근본적으로 다른 구도를 만들기 위해서는 기술의 발전이 아닌 인문학적 통찰이 더욱 중요하게 요구될 것이다. 물론 딥러닝이 이러한 인문학적 통찰의 영역까지 도달한다면... 그땐 사람은 뭘 해야하지?
P. 275
인간의 뇌는 침펜지의 그것과 놀라울 정도로 유사하다. 신경해부학자들은 두 종의 뇌에서 동일한 영역이 있음을 파악했다. 그러나 인간과 침팬지 사이의 대부분의 차이점은 분자 수준의 차이점이며 행동에서 나타나는 극적인 차이점에 비교해볼 때 미묘한 것에 불과하다. 다시 한 번, 자연은 인간보다 영리하다는 것이 확인된 셈이다.
P. 336
학습 과정이 무작위로 선택된 초기 가중치 집합을 토대로 반복되면 매번 다른 네트워크가 학습되지만 수행 성과는 모두 유사하게 나타난다. 결국 많은 네트워크가 같은 문제를 해결할 수 있다는 뜻이다. 이는 우리가 서로 다른 사람들의 두뇌에 대한 완벽한 연결 집합을 재구성할 수 있을 때 무엇을 기대해야 마땅한지 암시한다. 많은 네트워크가 동일한 행동 방식을 낳는다면 그것을 이해하는 열쇠는 두뇌가 이용하는 학습 알고리즘일 것이고, 이는 보다 쉬워야 마땅하다.
P. 405
머신러닝에서는 누구든 데이터를 가장 많이 보유하는 사람이 승자다. 페이스북은 다른 어느 곳보다 많은 사람들의 기호, 지인, 사진 데이터를 보유하고 있다. 이 모든 데이터로 페이스북은 나름의 마인드이론을 창출해 우리가 무엇을 선호하는지 파악하고 정치적 성향은 어떠한지 예측하는 데 이용할 수 있었다. 언젠가 페이스북이 나 자신보다 나에 대해 더 많은 것을 알게 되는 날이 올지도 모를 일이다. 실로 페이스북은 오웰의 소설에 등장하는 빅 브라더의 화신이 될 것인가?” 당신은 이것을 섬뜩한 전망이라고 생각하는가, 아니면 필요하면 언제든 시중을 들어주는 디지털 집사가 생겨 편리할 것이라 생각하는가? 과연 페이스북이 이런 힘을 가져도 되는 것인가? 이런 의문을 품는 것은 지극히 당연한 일이다.
- 딥러닝이 조지 오웰의 소설 1984에 나오는 빅브라더처럼 활용된다면... 딥러닝이 인간의 삶에 가져올 완전히 다른 변화보다 경계해야 할 부분은 역시 이를 악용할 경우라고 생각된다. 이를 방지하기 위한 안전장치가 필요할텐데 과연 이를 어떻게 통제할 수 있을까?