AI의 ‘적’과 ‘후원자’

AI와 양자컴퓨터는 ‘적과 동침’

2022년 5월 과학강연 배틀인 ‘사이언스슬램D(Science Slam D)’에서 박성수 ETRI 박사는 ‘양자컴퓨터라는 신상 장난감’이라는 주제로 강연했다.

그에 따르면 양자컴퓨터에 관한 연구는 약 50여 년 전인 1970년대부터 시작되었지만, 구현된 지는 20년밖에 되지 않았다. 상용화되고 있는 양자컴퓨터의 기술은 아직 장난감 수준이고 이것이 우리의 생활을 바꾸고 암호를 해독하려면 아직 시간이 필요하다는 것이 그의 설명이다.

양자컴퓨터는 이진법 신호로만 작동하는 디지털 컴퓨터와 달리, 0과 1이 중첩된 상태인 큐비트(Qubit) 단위로 정보를 다룬다. 0과 1로 정보를 나누어 처리하지 않고 한꺼번에 처리하기 때문에 훨씬 빠른 처리 속도를 보인다. 고전 컴퓨터로 백만 년이 걸리는 암호해독을 양자컴퓨터로는 1초면 가능하다. 하지만 실제로 양자컴퓨터가 이러한 암호해독 수준에 도달하기까지 걸리는 시간은 빠르면 2040년, 늦으면 2070년으로 추정하고 있다.

양자컴퓨터 기술은 여전히 많은 과제를 앞두고 있다. 실제 현재의 양자컴퓨터로 1+1을 계산하면 40% 확률로 정답을 낸다. 아직 양자컴퓨팅 기술이 완전하지 않기 때문이다. 박성수 박사는 “실용적인 양자컴퓨터를 위해서는 큐비트 성능을 높이고 그 개수를 수백만 개로 늘려야 한다”라며 “뿐만 아니라 토폴리게이트(Toffoli Gate, 3개의 큐비트에서 작동한다. 3개 중 2개의 큐비트의 상태가 또 다른 하나의 큐비트의 상태에 영향을 주는 게이트), QFT(Quantum Field Theory, 양자장론, 量子場論, 혹은 양자 마당 이론은 장을 기술하는 양자 이론이고, 좁은 의미에서는 양자장론은 양자역학과 특수 상대성이론을 결합한 이론) 등을 실제 물리계로 구현하고 많은 큐비트에 대한 개별적 제어기술이 필요하다”라고 덧붙였다.

저자도 AI가 퀀텀(Quantum, 물리학 용어로 양자)의 방향성을 예측할 수 있을까에 대해 의문이 든다. 0과 1 사이에서 동시에 0일 수도 1일 수도 0과 1이 동시에 발현될 수도 있는 무 규칙적인 퀀텀의 움직임을 예측할 수 있을까. 극소수의 사람들은 신이 우리 인간을 지배하는 방법이 퀀텀과 같은 방법이라고도 한다. 나는 잘 모르겠다. 아직 누구도 시원한 답을 해주지 못할 듯하다.

AI가 낳은 합성 데이터 (Synthetic Data)

합성 데이터는 실제로 측정된 데이터(Real Data)를 생성하는 모형이 존재한다고 가정하고, 통계적 방법이나 기계학습 방법 등을 이용해 추정된 모형에서 새롭게 생성한 모의 데이터 (Simulated Data)를 말합니다. 합성 데이터는 인공적일 수도 있지만, 수학적으로나 통계적으로 실제 데이터를 반영하기도 하는데, 연구 결과에 따르면, 합성 데이터는 실제 사물이나 사건, 사람을 기반으로 얻은 데이터보다 AI 모델을 훈련하는 게 더 적합하다고 한다. 개발자가 신경망을 훈련하려면 신중하게 레이블이 붙여진 대규모 데이터 세트가 필요하며, 훈련하는 데이터가 다양하면 다양할수록 보다 정확한 AI 모델을 만들 수 있다. 문제는 수천에서 수천만 개의 요소가 포함된 데이터 세트를 수집하고 레이블을 지정하는 데는 장시간이 소요될 뿐만 아니라 비용이 엄청나게 비싸다는 것이다. 이때 합성 데이터를 활용하면 적은 비용으로 대량의 데이터를 확보할 수 있다.

최초의 전용 합성 데이터 서비스업체인 AI 레버리(AI Reverie)의 공동 설립자, 폴 월보르스키(Paul Walborsky)에 따르면, 라벨링 서비스에서 6달러의 비용이 드는 단일 이미지를 인공적으로 생성한다면 비용이 6센트만 든다고 한다. 그리고 합성 데이터는 개인정보보호 문제를 해결하고, 현실 세계를 대변할 수 있는 데이터의 다양성을 확보해주어 바이어스(Bias)를 줄이는 데 중요한 역할을 한다고 한다.

연구 분야에서 GAN(생성적 적대 신경망)을 사용하는 경우가 늘고 있지만, 시뮬레이션(실제로 실행하기 어려운 실험을 간단히 행하는 모의실험을 뜻한다. 특히 컴퓨터를 이용하여 모의실험을 할 때는 컴퓨터 시뮬레이션이라고 한다)이 여전히 인기 있는 이유는 두 가지 때문이다. 첫째, 시뮬레이션은 정지 이미지나 움직이는 이미지를 분할하고 분류하는 여러 도구를 지원하여 완벽한 레이블을 생성합니다. 둘째, 다양한 색상이나 조명, 재료, 포즈로 객체와 환경 버전을 빠르게 생성할 수 있다. 둘째는 AI 모델의 정확도 향상을 위해 점점 더 많이 사용되는 기술인 도메인 랜덤화(Domain randomization, 수천 가지의 물체와 그 환경을 변형해 AI 모델이 일반적인 패턴을 더 쉽게 이해할 수 있도록 작업)에 아주 중요한 합성 데이터를 제공한다. 뉴욕에 소재한 Al 레버리는 센서를 가지고 사용자가 직접 데이터 세트를 수집할 수 있는 시뮬레이션 환경을 제공한다. 그리고 스마트시티, 보안, 제조 등의 분야에서 대규모 사업을 해 오고 있다. 런던에 소재한 스카이 엔진(Sky Engine)은 시장 전반의 컴퓨터 비전 애플리케이션에서 작동하며 사용자가 직접 데이터 사이언스 워크플로를 설계하도록 지원한다. 이스라엘에 소재한 데이터젠(Dataagen)은 스마트 스토어, 로보틱스, 자동차 및 건물 인테리어를 포함한 광범위한 시장에 대한 시뮬레이션 통한 합성 데이터 세트를 만들고 있다.

요즘은 은행이나 제조업체, 병원, 소매업체, 로봇업체 과학자들이 합성 데이터를 사용한다. 최근 한 팟캐스트에서 포드사의 연구진이 AI 훈련용 합성 데이터를 만들기 위해 게이밍엔진과 GAN을 활용하는 방법을 설명하였다. 자동차 제조 과정을 최적화하기 위해 BMW는 기업들이 여러 도구를 통해 협업할 수 있는 시뮬레이션 플랫폼인 NVIDIA Omniverse를 사용해 가상의 공장을 생성하고, 여기서 생성되는 데이터는 조립 작업자와 로봇이 효율적인 차량 제조를 위해 협업하는 방식을 미세 조정하는 데 사용하고 있다.

의료 이미징과 같은 의료 사업체는 합성 데이터를 활용해 AI 모델을 훈련할 수 있을 뿐만 아니라 환자의 사생활도 보호할 수 있다. 스타트업 쿠라이(Curai)는 40만 건의 시뮬레이션 의료 합성 데이터를 기반으로 진단 모델을 훈련하고 있다. GAN은 금융 분야에서도 이목을 끌고 있습니다. 미국 금융서비스 기업인 아메리칸 익스프레스(American Express)는 GAN을 활용해 합성 데이터를 만들어 금융사기를 탐지하는 AI 모델을 개선하고 있다. 소매업계에서는 스타트업 케이퍼(Caper)와 같은 기업들이 3D 시뮬레이션을 사용해 제품 이미지 5개만으로도 1,000개의 이미지의 합성 데이터 세트를 만들어 냈다. 이런 데이터 세트를 통해 스마트 기기를 갖춘 소매업체에서는 고객들이 필요한 물건을 계산대에서 줄 서서 기다릴 필요 없이 물건을 바로 구매할 수 있게 해준다.

가트너는 합성 데이터에 대한 2021년 6월 보고서에서, 2030년에 이르면 AI에 사용되는 데이터 대부분이 규칙, 통계 모델, 시뮬레이션, 기타 기술을 통해 인위적으로 생성될 것으로 예측하였다. (출처: https://blogs.nvidia.co.kr/2021/08/30/what-is-synthetic-data/)

메타버스, NFT 세상에 놀러 간 AI

메타버스 세계 안에서는 ‘본래의 나(본캐)’가 아닌 또 다른 가상의 ‘나(부캐)’가 그동안 내가 하지 못했던 일을 하고 돈도 벌 수 있는 세상이 있다. 위키백과의 정의를 보면, “메타버스(Metaverse) 또는 확장 가상 세계는 가상, 초월을 의미하는 ‘메타’(Meta)와 세계, 우주를 의미하는 ‘유니버스’ (Universe)를 합성한 신조어다. ‘가상 우주’라고 번역하기도 했다. 1992년 출간한 닐 스티븐슨의 소설 ‘스노 크래시’에서 가장 먼저 사용했다”라고 설명되어 있다. NFT에 대해서도 “대체 불가능한 토큰(代替不可能 토큰, Non-fungible token, NFT)은 블록체인에 저장된 데이터 단위로, 고유하면서 상호 교환할 수 없는 토큰을 뜻한다. NFT는 사진, 비디오, 오디오 및 기타 유형의 디지털 파일을 나타내는 데 사용할 수 있다. 가상의 진품 증명서 역할을 하므로 대체 불가능하고 사본은 인정되지 않는다. 이러한 디지털 항목의 사본은 누구나 얻을 수 있지만 NFT는 블록체인에서 추적되어 소유자에게 저작권과 소유권 증명을 해야 한다”라고 되어 있다. 메타버스는 디지털 세계이고, NFT는 암호화폐 중 대체 불가능한 토큰이다. 메타버스 안의 모든 상품과 콘텐츠도 디지털 자산으로 만들어 대체 불가능하게 하면 누구나 쉽게 신뢰하고 거래할 수 있게 되는 것이다.

메타버스 안에서 만나서 일하고 소통하는 방식이 오늘날의 현실과 자꾸 유사해진다. 마이크로소프트의 메쉬(Mesh), 페이스북의 인피니트 오피스(Infinite Office), 엔비디아의 옴니버스 3D 등이 더욱더 부채질하고 있다.

지금도 수없이 많은 메타버스 플랫폼이 생기고 있다. 메타버스에서 가장 우려되는 점은 시스템이 폐쇄적이라는 것이다. 메타버스마다 입점하는 상점, 회의실, 건물, 아바타를 만드는 방법, 개발 방식, 거래 방식, NFT 종류들이 달라서 플랫폼을 바꾸면 이 모든 것을 다시 세팅해야 한다. 메타버스마다 각각 해석된 다른 지구가 있는 것이다. 그렇다고 꼭 나쁘기만 하다는 뜻은 아니다. A 지구에서는 과학자의 역할을 해보고, B 지구에서는 교수님의 역할을 해보고, C 지구에서는 유명한 가수로 좋은 노래를 불러 줄 수도 있다.

이제 AI와 메타버스와의 관계를 살펴보자.

메타버스 가상공간 구현에 AI 기술을 사용한다. 지나가는 사람이나 자동차 등 메타버스 환경에 필요한 요소가 있다면 AI가 자동으로 제작해준다. 이전에는 필요한 가짜 모형을 사람이 직접 수작업으로 모델링해 작업했다면 딥러닝 된 AI는 여러 가지 환경에 어울리는 모형을 요청받은 대로 자동 생성할 수 있다. 더 나아가 우리가 경험을 통해 예측할 수 있는 “물이 위에서 아래로 흐른다.” 등 중력과 관련된 물리 법칙도 AI에 학습시킬 수 있다. 알아서 이렇게 움직일 것이라고 AI가 예측하게 만들어 이를 메타버스 환경에 구현할 수 있다. 또한 AI가 다음 장면을 예측해 실제 작업한 화면처럼 연속적으로 구현할 수 있어서 대상이 움직일 때마다 계산해 메타버스 영상을 빠르게 실시간으로 만드는 것도 가능하다.

메타버스 아바타 구현에도 AI 기술이 사용된다. 엔비디아는 사용자가 말을 할 때, 입 모양 등이 그대로 캐릭터에 반영되는 ‘오디오 2 페이스’ 앱을 통해 아바타 립싱크도 지원하고 있다. 홀로 렌즈 데모 영상인 마이크로소프트 '매쉬'에서는 확장 현실(MR)에서 외국어를 못해도 디지털 아바타가 자동으로 번역해 대화를 이어간다.

KT ‘리얼팝’은 댄스 전문가의 데이터를 학습한 AI가 다른 사람의 댄스를 평가한다. K팝 전문 댄서와 이용자의 춤을 비교해 유사도 측정이 가능하다. 춤동작에 대한 피드백을 받아 홈 트레이닝이 가능하다. 여기에는 사용자의 모션을 인식하는 AI 기술이 작동한다. 영상 속 관절 부분을 자동으로 추출하는 ‘지모션’ AI 기술을 사용하여 동작을 인식하고, AI로 딥러닝 해 데이터 유사도를 분석한다.

메타버스 구축에 AI가 다방면으로 활용되고 있지만, 아직 문제점이 많은 것도 사실이다. 그것들의 예를 살펴보면,

AI가 생성한 콘텐츠의 저작권 문제

딥페이크(Deepfake) 예방과 AI와의 대화 투명성의 문제

AI의 공정한 사용과 AI 편견 문제 등이 있다.

하지만, 메타버스의 많은 순기능으로 메타버스를 AI와 접목하여 비즈니스로 활용할 수 있을 것이다. 메타버스에서는 실제 브랜드와 제품들이 값이 매겨져 유통까지 되고 있다. 실제 세상과 같은 경제활동들이 이뤄지는 곳이다. 여기에서의 고객 데이터를 활용하여 신제품 개발에 활용할 수 있고 이제껏 없었던 제품을 탄생시킬 수도 있으며, 제품 론칭 전 시장 수요 차원에서 메타버스에서 먼저 테스트할 수도 있다

로봇은 AI와 달라

나무위키에서 잘 설명되어 있어 아래와 같이 인용해 본다.

간혹 AI와 로봇을 혼동, 혼용하는 사람들도 있는데 따로 두고 생각해야 한다. AI라는 분야가 대중들과 가까워진 시기가 상당히 최근의 일이고, 미디어에서 보여주는 로봇들이 대부분 당연한 듯이 자칭 AI 기술을 탑재하고 나오는 경우가 많지만, 이 둘은 애초부터 추구하는 목적 자체가 다른 분야다. AI는 어떤 정보를 받아서 해석하여 결과를 출력하는 등 정보처리 차원의 문제다. 어떤 입력을 어떻게 처리해서 주었을 때 어떤 결과가 나오는지, 얼마나 정확한지 등의 사안이 가장 중요한 문제다. 만일 어떤 대상을 예측하기 위한 AI라면 그 대상을 얼마나 높은 정확도로 예측하는지가 중요할 것이며, 주어진 정보를 토대로 지지대나 철봉 따위의 기구를 자동 설계하는 인공지능이라면 어느 정도까지 최소의 비용으로 최대의 내구력을 얻을 수 있을지가 중요할 것이다. 이렇게 인공지능은 정보로 시작해서 정보로 끝나는 분야이므로 로봇 등의 기계적인 요소와는 완전히 무관하다.

반면에 로봇공학은 기계적인 부분에 초점을 맞춰서 구동기를 뭘 쓸지, 로봇의 신체 용도를 고려해 어떤 식으로 만들지, 어떤 부위의 구동기를 어떻게 제어할지, 그래서 어떤 기계적인 성과를 거둘지가 중요한 문제다. 홍보 영상에 등장하는 모든 로봇의 움직임에 AI가 관여하는 부분은 없다. AI가 없는데 저런 움직임이 가능하냐고 물을 수도 있는데 인간형 로봇을 예를 들어 생각해 보면 어차피 걷는 방법 자체는 다리를 뻗어서 발로 땅을 짚고 다시 반대쪽 다리를 뻗어서 다시 땅을 짚는 행위의 반복이다. 현대에 있는 온갖 자동화기기들을 보면 알겠지만 이런 식으로 팔다리를 이리저리 움직이는 행위가 정보처리와 계산만으로 해결할 수 있는, 분명히 지능이 필수가 아닌 자동제어의 영역임을 이해할 수 있을 것이다.

AI 기술이 발달하고 있지만 자율 로봇을 작동시킬 만큼 충분히 발달했다고 단정하기 힘들다. 특히 로봇의 시각 감지 능력이나 3차원 이미지 분석 속도는 자율 로봇 시대를 단기간 내에 시작하기 어렵다. 그리고 로봇 기술은 아직 예측 못 한 공간에서 뛰거나 달릴 만큼 실시간으로 3차원 공간을 인식하는 수준까지는 발전하지 못했다. 자율자동차들도 충분히 정교한 지도가 확보된 도시에서만 안심하고 고속주행이 가능하다. 드론이 고속으로 날면서 각종 연기를 하는 것도 충분히 공간을 인식하는 훈련을 거친 결과다. 인공지능이 로봇의 자율 동작을 보증할 만큼 충분한 공간인식 능력을 갖추려면 로봇의 컴퓨팅 능력이 지금보다 수천 배 이상 강화돼야 하며 자체 인공지능 학습 칩이 실시간으로 공간 데이터를 해석해서 처리하는 능력을 갖춰야 한다.

저자는 AI와 로봇의 결합은 완전체 AI 로봇이 된다고 생각한다. 머리의 두뇌 격인 AI가 로봇이라는 신체가 결합한다면 정교한 휴머노이드가 조만간 탄생할 것이다. 로봇공학 나름의 발전이 AI의 발전과 다른 면이 있다고 하더라도 두뇌와 신체는 완전체가 될 때 또 다른 능력을 구사할 것이다. 일론 머스크의 휴머노이드 옵티머스도 완전체의 형태를 띨 것이다. 그는 2023년 12월 말까지 컨셉 시제품 기준으로 좋은 결과가 나올 것이라고 했다. 2021년 8월 처음 공개된 휴머노이드 로봇 옵티머스는 테슬라의 오토파일럿 소프트웨어와 하드웨어 등에서 활용되는 AI 기술이 탑재될 것이며, 키는 약 172cm·무게는 약 57kg이며 가벼운 소재로 제작될 것이라고 알려져 있다. 2023년 12월 말이 기다려진다.

AI와 5G·6G는 친구

2022년 3월 과학기술정보통신부가 디지털 대전환 가속화를 위한 ‘(가칭)디지털 혁신기술 확보전략’을 수립하고, 발표했다. 특히, 10대 국가 필수전략 기술 분야를 선정하고 육성계획을 발표하였는데, AI, 5G·6G, 양자, 사이버 보안, 지능형 반도체 등 디지털 기술 분야와 우주, 첨단로봇 등이 포함되어 있다.

10대 필수전략에 선정된 AI와 5G·6G는 어떤 연관성이 있을까? 먼저 5G·6G를 위한 AI(AI for Network)를 보면, 무선 네트워크는 정보 파이프라인 역할 외에 텔코 엣지 및 퍼블릭 클라우드를 수용하여 컴퓨팅 역할까지 겸할 수 있다. 이에 따라 다양한 응용 및 버티칼 산업 분야에 AI를 활용할 수 있는 여건을 갖추면서, 무선 네트워크는 인프라는 물론 플랫폼의 지능화를 향해 거듭나고 있다. 이로 인해 갈수록 복잡해지는 고난도의 네트워크 문제를 지능적으로 해결할 수 있을 뿐 아니라 네트워크의 비용 및 성능을 개선하고, 가입자의 통신 체감 품질을 향상할 수 있게 된다. 또한 현 이동통신시스템에서 겪는 용량, 스펙트럼 및 에너지 등의 자원 부족 문제와 미래 이동통신에서 풀어야 할 복잡한 문제를 해결하기에 전통적인 수학 기반 접근 방식은 한계점에 도달하고 있다. 최근 이러한 한계를 극복하기 위해 AI 기반 이동통신 기술의 연구가 더욱 중요해지다.

최근 통신사업자들이 가장 관심이 있는 AI 기술은 사이버 네트워크 공격을 막는 AI, 장애 등에 유연하게 대응 가능한 AI, 네트워크 운영 복잡성과 인프라 파편화를 해결할 수 있는 AI, 다 계층·다중 도메인 네트워크 구성에 대해 통합 운영관리를 지원하는 자율 네트워크 실현하는 AI 기술이 있다.

이제 5G·6G가 AI(Network for AI)를 지원하는 부분을 보면, AI 서비스를 개발하고 상용화함에 있어서 매우 중요한 역할을 하게 될 인프라로 엣지 컴퓨팅 기술인 모바일 엣지 컴퓨팅(Mobile Edge Computing, MEC) 기술이다. 이는 기지국과 가까운 거리에 서버 등을 구축, 데이터 수집 현장에서 바로 데이터를 처리하는 기술이다. 물리적으로 근접한 위치에서 저 지연 AI 컴퓨팅 환경을 제공할 수 있는 엣지 컴퓨팅 인프라와 AI 기술과의 결합은 중앙집중형 클라우드 컴퓨팅 기반의 AI 기술 혹은 사용자의 단말기기만을 활용한 AI 기술이 가지고 있는 한계점들을 극복할 수 있게 해준다. 향상된 6G 네트워크 엣지 기술로 인해, 분산 머신러밍 및 AI 방법들이 더욱더 발전할 것이다.

결론적으로 AI는 네트워크를 최적화하고 새로운 파형(波形, waveform은 물리적 매체나 추상적 표현에서 움직이는 파동과 같은 신호의 모양과 형태)을 설계함으로써 6G 기술의 조력자로서 중요한 역할을 할 것이다. 또한 6G 기술 자체도 AI 학습 알고리즘을 효율적으로 전송하여 6G 센서의 로컬 데이터를 활용하는 등 AI의 추가 발전을 가능하게 할 것이다.

현재 세계 주요국들은 이미 6G 연구에 대한 투자를 확대하고 다양한 연구사업을 진행하고 있다. 지난 1년 동안 6G 기술은 다양한 측면에서 진보하였다. 6G와 관련하여 명확한 로드맵을 추진하고 있는 유럽연합(EU)은 2021년 12월 6G 기술 개발을 위한 최초의 대규모 사업인 ‘6G 연구 및 혁신(6G Research and innovation)’ 프로그램에 2억 4천만 유로(약 3,208억 원)를 배정한 바도 있다.

한국은 정부 차원에서 2028년 세계 최초 6G 상용화 계획을 수립하고, 2025년 전까지 6G 핵심 기술 개발 및 표준화를 위해 2,200억 원을 투자할 계획이며, 일본은 6G 관련 민관 합동 연맹을 설립하고 6G 국제 표준 초안을 2022년 이내에 발표할 예정이다. 미국 통신산업협회(TIA)는 ‘6G 연맹’을 설립하고, 업계 기술 선두그룹과 함께 향후 10년 이내에 6G 나아가 7G 분야에서 세계적 리더가 되겠다는 목표를 수립했다. 중국도 2022년 초《14차 5개년 디지털 경제 발전 계획》을 발표하며 6G 네트워크 기술에 관한 연구개발을 확대하고 6G 기술의 국제 표준화 연구에 적극적으로 동참할 계획이다. 중국의 주요 이동통신사들 역시 6G 기술 연구에 적극적인 행보를 보인다. 중국 최대 통신사인 차이나모바일(China Mobile)은 2021년 6월 6G 기초 연구를 위한 ‘미래연구원’을 설립하였고, 차이나텔레콤(China Telecom)은 칭화대학교(清华大学)와 공동으로 차세대 인터넷 기술 공동연구센터를 설립하였다. 차이나유니콤(China Unicom)은 2022년 3월 기업 실적 발표회를 통해 현재 5G-A와 6G 기술에 대한 추적 연구를 진행 중이며, 6G의 비즈니스 수요와 비전을 검토하고 있다고 밝혔다.

5G가 완전히 정착도 되기 전에 6G, 7G 얘기가 나오는 것은 시의적절하지 않을 수도 있지만, 주요 정부와 기업들이 앞다퉈 선진 기술 개발에 박차를 가하고 있어 우리도 이에 뒤지지 않기 위해서는 기술 리더의 역할을 가일층 공고히 해야 한다. 기술을 선도하는 국가와 기업이 항상 시장을 선도했다는 사실을 잊지 말아야 하겠다. 그리고 이왕 6G를 추진한다면 6G와 AI의 상호 발전성을 생각하면서 각 분야 전문가들이 자발적 협력이나 정부 주도의 협의체 구성도 지금부터 토대를 마련해 주는 게 좋겠다.

인간 두뇌 흉내 경쟁하는 AI와 뉴로모픽(Neuromorphic, 인간 두뇌의 신경망을 모방한 신개념 반도체)칩

현재 우리가 사용하고 있는 컴퓨터는 헝가리의 폰 노이만 (1903~1957, 수학자)의 설계를 따른 것이다. 하지만 최근 사물인터넷, 자율 주행차, 인공지능 등 방대하고 대용량의 데이터들이 쏟아지면서 현대 컴퓨팅 시스템은 기술적 한계에 직면하고 있다.

이러한 현대 컴퓨팅의 기술적 한계를 극복하기 위한 대안으로 나온 것이 ‘뉴로모픽(Neuromorphic)’ 칩이다. ‘뉴로모픽칩’이란 인간의 뇌의 신경세포와 시냅스를 모사해 많은 양의 데이터를 효율적으로 처리할 수 있는 반도체를 말한다. 즉, ‘뉴로모픽칩’은 인간의 두뇌를 구성하는 신경 시스템을 모사한 반도체다. 뉴런(Neuron)과 형태(Morphic)의 합성어에서 알 수 있듯이 반도체에 인간의 뇌 신경을 구성하는 뉴런과 시냅스를 모사해 적용했기 때문에 비구조화 신호를 효율적으로 처리하고 높은 에너지 효율로 많은 양의 데이터를 처리할 수 있다.

뉴로모픽칩의 선두주자는 인텔이다. 인텔은 지난 2021년 10월 스스로 학습하는 뉴로모픽칩 ‘로이히(Loihi) 2’를 공개했다. 지난 1세대 뉴로모픽칩인 로이히1 버전보다 프로세싱 속도, 프로그래밍 역량 및 용량이 크게 향상된 기능으로 함께 개발되는 애플리케이션을 통해 로봇 팔, 뉴로모픽 피부, 후각 감지 기능까지 추가할 수 있다. 또한 싱가포르 국립대학교(NUS) 연구진은 뉴로모픽칩을 이용해 촉각 기능을 가진 로봇을 개발했다. 이 로봇은 인간보다 1,000배 빠른 반응 속도를 가진 것으로 알려져 있다. 즉 이제는 컴퓨터가 인간처럼 냄새도 맡을 수 있고 촉각도 느낄 수 있다는 뜻이다.

국내에서는 삼성전자와 한국과학기술원이 뉴로모픽 기술에 뛰어들어 ‘브레인 카피(Brain-Copy)’라는 미래의 뉴로모픽 기술로 소개했다. 생물 신경망의 네트워크 상태를 그대로 전자 신경망에 복사하는 ‘브레인 카피’ 기술이다. 이 기술은 생물 신경망의 고감도 센싱 기술과 고밀도로 적층할 수 있는 메모리 기술을 결합해 살아있는 생물의 현재 네트워크 상태를 그대로 읽어낸 이후에 그 상태 그대로를 전자 신경망에 복사해내는 기술이다.

뉴로모픽칩은 기존 컴퓨팅과 달리 사람의 뇌처럼 연산과 저장을 동시에 할 수 있고, 전력 소모가 적으면서 연산속도가 빠르다는 장점이 있다. 인공지능도 발전해 나가고 많은 데이터도 엄청나게 생성되고 있는 상황에서 대용량 데이터를 병렬로 연결해 복잡한 연산, 추론과 학습을 할 수 있는 뉴로모픽칩이 더해진다면 연관 기술의 발전뿐만 아니라 산업의 지도도 바꿀 수 있을 것이다. 누가 승자가 되는지 인공지능은 알고 있을까?

(출처:https://www.sciencetimes.co.kr/news/%A4/)

-------------------------------------------------------------------------------------------------------------------------