AI혁명의 시작 딥러닝 과연 노벨 물리학상은 왜 딥러닝에 주목하였을까? 2024 노벨물리학상해설 1부 [보이저엑스 남세동 대표]

안될과학 Unrealscience
147 팔로워
2024 노벨물리학상 해설!
왜 노벨위원회는 딥러닝에 주목했을까?
딥러닝과 물리학은 과연 어떤 관계가 있는지?
과연 딥러닝은 어떤 역사로 시작이 되었을까?
인공지능 기업 보이저엑스 남세동 대표님과 함께 알아봅니다!
◆ 2024 신상 굿즈 유니버스 맨투맨 + 공룡 후드 집업
모어사이언스 스토어에서 만나볼 수 있습니다!
https://smartstore.naver.com/morescience
#노벨물리학상 #ai #딥러닝 #보이저엑스 #남세동
◆ Thanks to
Editor: 이재현
Guest: 보이저엑스 남세동 대표
◆ 안될과학-모어사이언스 스마트스토어 (과학굿즈)
https://smartstore.naver.com/morescience
◆ 안될과학 인스타그램
https://www.instagram.com/unreal.science
◆ 안될과학 커뮤니티
https://cafe.naver.com/unrealscience
◆ 안될과학 문의
E-MAIL : [email protected]
이 감각신경, 운동신경이 팔에 있는 거
이것도 다 유런이란 말이에요.
그게 이제 화학적, 전기적 신호로 이제 통신하는 건데
더 연구를 계속 해가지고 밝혀진 게 뭐냐면
유런이 얼마나 단순한 녀석이냐면
앞에 유런들이 신호를 보내요.
그 신호의 합이 역치를 넘으면 확 보내고요.
안 넘으면 무시해요.
이게 아까 제가 얘기하던 컴퓨터의 원리랑
뭔가 연결되는 게 있는 것 같지 않아요?
0101
우리 뇌를 봤더니 보내거나 말거나라는 거
인사할 시간도 많습니다.
여러분의 시간을 낭비해드려.
느리지만 쿨한 과학
랩 미팅입니다.
반갑습니다, 교수님들.
반갑습니다.
저 안 그래도 이거 볼 때마다 궁금했는데
랩장님은 랩장님이잖아요.
그 옆에 있는 저희 둘은 뭐예요, 원래 존재가?
저는 연구원이고요.
여기는 이제 유치원생
유치원생이 교수님한테 설명하는 거예요?
그렇죠.
보이저엑스의 남새동 대표님 모셨습니다.
안녕하세요.
보이저엑스 남새동입니다.
인공지능 스타트업이고요.
70명 정도 같이 일하고 있고요.
제가 딥러닝을 보고 도저히 창업을 안 할 수가 없어서
2017년도에 창업을 했고
저희 제품으로 지금 브이플랫 모바일 스캐너랑
브루 영상 편집기
그런 것들을 서비스하고 있습니다.
제가 왜 남새동 대표님을 모셨냐면
평소에 SNS나 이런 데 보면
제프리 힌튼 교수님에 대한
팬심이 담긴 사심의 글이 되게 많았죠?
그럼요.
오늘 팬심 방송입니다.
2024년도 노벨 물리학상입니다.
이 두 분이 타셨습니다.
존 호필드 교수님하고
제프리 힌튼 교수님.
현재 모습이군요.
그렇죠.
연세가 많으시군요, 두 분 다.
노벨상을 타기 위해서는
제1덕목은 장수다.
그렇죠.
그냥 저의 혼자만의 뇌피셜인데
연세들이 있으시잖아요.
근데 업적이 지금 인공지능 때문에
이 세상이 난리인데
빨리 들여야 되는 거 아니었을까?
노벨상 위원회 입장에서.
약간 그런 것도 있지 않았을까?
그동안은 인공지능
이거는 조금 뭔가 도구이지 않냐.
이제 개발되기 시작했는데
조금 더 무르익어야 되지 않냐라고
생각은 했지만
그럼에도 불구하고
세상을 바꾸고 있는 게
인공지능이기 때문에
그렇죠.
이제는 줄 수밖에 없을 거야.
그렇죠.
오늘 제가 계속 말씀드리겠지만
오늘날의 인공지능은
이 분이 없었으면
제가 20년, 30년 늦어졌을 수도 있다.
이번에 노벨상을 받게 된 거는
이제 인공지능이
워낙 지금 이렇게 잘 되고 있고
그거의 기초의 기초를 찾아서
드린 것 같지만
그게 실질적인 이유인 것 같고
제 생각에.
노벨상 위원회가 발표한
명시적인 이유.
존 호필드 님은
이 호필드 네트워크를 통해서
딥러닝의 기초를 닦았다.
그리고 이 호필드 네트워크는
물리학 이론을
너무나 그대로 가져온 거고
존 호필드 님도
원래 물리학 하시던 분이고
그래서 이제 노벨 물리학상을
받을만 하다라고
얘기하신 것 같은데
제 생각에는
좀 약간
갖다 붙인 거에 가깝다.
인공지능 때문에
상을 안 줄 수가 없는데
그런 게 아닐까
인공지능의 어떤 기초를
닦으신 건 확실하고요.
볼츄맘머신도
제프리 인튼이 왜 이 상을 받아야 되냐
이유로 나온 게
이제 볼츄맘머신이었죠.
근데 제가 비유를 하자면
둘 다 기초는 맞아요.
옛날에 보면
게임 로딩할 때
테이프 넣어서 게임 로딩했어요.
맞아요.
근데 그게 지금의
그 테이프 기술이
지금 그 USB나
SSD나 이런 거에
얼마나 쓰이고 있을까
쓰이죠.
근데 그게 없었으면
이게 안 나왔을 거야.
그럼요.
그런 느낌으로
그래서 호필드 네트워크와
볼츄맘머신에
발명하신 분들인 거죠.
저 녀석들이
발전에 발전에
발전을 거듭해서
채찍피티가 나오고
테슬라의 자율주행이 나오고
그리고
이번에 또 노벨
화학상과라든
알파폴드도 나오고
그게 다 이제
딥러닝인데
딥러닝이란 말이
있기 전부터
저기서부터
발전에 발전에
발전을 거듭해서
딥러닝이 나왔다.
흔히 80년대
90년대 나온
영화에서
이제 꿈꾸던 것들이
현실적으로
다가오는 순간이
바로 이 딥러닝의
발전이 아닌가
그렇게 생각이 듭니다.
그렇죠.
한 10년 전에
SF라고 얘기하던 것들이
지금 일어나고 있어요.
맞아요. 맞아요.
딥러닝도 어쨌든
컴퓨터 위에서 돌아가는 거죠.
컴퓨터 위에서 돌아가는
프로그램들이 있잖아요.
그래서 컴퓨터가 뭐고
프로그램이 뭔지를
일단 좀 보고요.
그러면 딥러닝은
그거랑 뭐가 다른 건가.
자
이게 뭐죠?
실전학이라고 해야 하나?
실전학이라고.
그림이 약간 어색한 거는
둘 다 왜 귀에 대고 있나.
한 사람은 말을 해야 될 것 같아.
한 사람은 말을 해야 되는데.
어쨌든 실전학이가
이게 원리를 생각해보면
말을 하면 실이 떨려서
전달이 되는 거잖아요.
이거 아날로그 세계에서
일어나는 일이에요.
근데 이거를 이제
디지털로 바꾸는 거예요.
그래서 저 실의 떨림을
기록을 해보면
그 떨림을 관찰을 한 다음에
실의 떨림의 높낮이를
숫자로 표현해서
디지털로 바꿔서
그래서 지금도
제가 말씀드리고 있는 내용들이
유튜브를 통해서
듣고 계신 거잖아요.
제가 말하는 게
음파의 높낮이로 바뀌어서
숫자로 전달되고 있는 겁니다.
여러분이 컴퓨터를 쓰신다는 거는
기본적으로 다
숫자를 보고 듣고
이러고 있는 거다.
근데 놀라운 거는
샤논의 이론들
뭐 이런 것들을 통해서
숫자만으로도 우리가
엄청난 일을 할 수 있다는 거를
이제는 우리가
직감적으로 다 알고 있죠.
그림도 마찬가지죠.
옛날 모니터는 실제로
이런 픽셀이 보였고요.
이거 픽셀 아트라고
요즘은 이제
아트의 영역으로 넘어갔더라고요.
지금 여러분은
눈으로는 픽셀이
잘 보이시지 않겠지만
사실은 모니터나
스마트폰의 디스플레이도
돋보기를 가지고
이렇게 확대해서 보여요.
오, 요즘도 보여요?
네. 픽셀이 보여요.
디지털이라는 거는
그림조차도
다 숫자로 표현하고 있는 거다.
그리고 그 숫자도
심지어 컴퓨터는
정말 다 0101만 보여서
그 길이만 차이가 있는 거지
0하고 1로만 구성이 돼 있는 거죠?
그쵸.
여러분이 컴퓨터로
무슨 일을 하건
사실은 CPU는
0101만 처리하고 있고
메모리는 0101만 보관하고 있고
인터넷은 0101만 보내는 거예요.
그러니까 사실은 이 모든 일이
0101만 가지고 일어난다.
컴퓨터란 녀석은
컴퓨트하는 녀석이 컴퓨터고요.
그분들의 직업명이 뭔지 아세요?
컴퓨터.
직업이 컴퓨터예요.
옛날에는 사람의 영역이었죠.
지금의 컴퓨터도 알고 보면
계산만 하는 거예요.
놀라운 건 우리가 계산만 하는데
게임 너무 재밌어.
그러니까 이게 놀라운 게
숫자만 가지고 우리가
얼마나 많은 걸 할 수 있는가.
그래서 여기까지가
컴퓨터가 뭔가를 얘기 드린 거예요.
다시 한번 정리해보면
알파폴드건
알파고건
다 컴퓨터 위에서 돌아가요.
지금의 인공지능이라는 거
결국에는
지금도 믿기지는 않아요.
현실적으로.
0101만 가지고
프로그래밍으로는
채취피티가 안 나와.
근데 딥러닝을 하면
채취피티 같은 걸 만들 수 있을걸?
이런 얘기를 50년 전부터
하시던 분들이 있는 거예요.
그분들의
그룹이 몇 명 있냐.
10명 안 돼요.
그거의 대장이
제프레인트 님인 거예요.
딥러닝이든 프로그래밍이든
0101의 컴퓨터 위에서 돌아가요.
딥러닝을 설명하는데
왜 프로그래밍을 설명하냐.
오늘 제가 설명드리는 관점에서는
프로그래밍이란 게 있고
딥러닝이란 게 있다.
좀 거칠게 표현하자면
반대라고 일단 생각하고
설명을 드릴게요.
프로그래밍이 일단 뭔지를 설명을 드릴게요.
좋습니다.
이건 플로우 차트죠?
옛날에는 저거 그리는 자가 따로 있었는데
아 맞아. 자가 있었다.
이 플로우 차트가
알고리즘을 그림으로 그린 거고
논리와 절차의 흐름도 같은 거죠.
그렇죠.
머릿속으로 이런 플로우 차트를 생각해서
코딩을 하죠.
그 과정을 다 종합해서 보면
프로그래밍이라고 불러요.
여기서 중요한 거는
사람이 생각해서
사람이 코드로 옮겨서
프로그램을 만들었다는 거예요.
윈도우를 누가 만들었냐.
사람이 만들었죠.
너무 당연한 거예요.
근데 제가 오늘 말씀드릴
딥러닝이나 머신러닝으로 나온
알파고.
테슬라의 자율주행.
알파폴드 누가 만들었냐.
사람이 만들었다고 할 수도 있는데
제가 얘기하는 건
한 반은 사람이 만들었지만
사실 반은
사람이 만든 게 아니다.
절대적인 양으로 보면
한 2대 8도 넘을 것 같은데요?
사실 저는 컴퓨터를 한 9 했다고 봅니다.
그리고 앞으로 이게 9.9
9.99가 될 거라고
저는 믿는 사람입니다.
여기서 중요한 거는
프로그래밍은 누가 했냐.
사람이 하는 거죠.
당연한 거예요.
근데 이제
여러분이 알고 계신
채찍 PT
뭐 그런 인공지능들
어떤 관점에서
사람이 만든 게 아니다.
그럼 사람이 만든 게 아니라는 게
무슨 뜻인지 설명드릴게요.
인공지능의 대표적인 얘기가
고양이냐 개냐 판별하는 건데
그렇죠. 그렇죠.
2012년에 알렉스넷이 나오기 전만 해도
알렉스넷도 제프리 인튼 님의
교수님에서 만든 겁니다.
그리고 참고로
알렉스넷에 만든
이 저자가 수치 키본데
그분이 채찍 PT 만드는 데
제일 크게 기여하신 분 중에 한 분이죠.
제프리 인튼의 제자예요.
알렉스넷이 나오기 전까지만 해도
개 고양이 판별을
사람보다 잘한다는 거는
공상과학의 영역이었어요.
어쨌든 컴퓨터가 이걸 처리하려면
프로그램이라고 생각하면
플로우 차트가 필요해요.
그렇죠.
개와 고양이를 구분하는
논리와 절차가 필요한 거예요.
이 그림도
컴퓨터가 보는 데이터
0101인 거예요.
그렇죠. 그렇죠.
그러니까 컴퓨터는
우리가 뭘 처리하더라도
다 0101이에요.
그러면 사람은 어떤 프로그램을
짜야 되냐면
0101을 어떻게 계산하면
마지막에 0이 나오거나
1이 나와서
0이면 개, 1이면 고양이
계산식이 필요한 거예요.
그걸 사람들이 발견하려고
무지 노력을 했는데
발견을 못했어요.
12년 전까지
그리고 제프리 인튼 같은
머신러닝, 김러닝 하시는 분들은
그거는 사람이 못 발견한다고 믿었어요.
인간의 영역이 아니다.
인간은 로직으로 생각해서
이게 개나 고양이나
판별하는 게 아니다.
왜냐면
로직으로 생각한다는 건
이렇게 생각한다는 거거든요.
그렇죠. 그렇죠.
근데 사람은
이렇게 생각하지 않는다라는 거예요.
개나 고양이를 판별할 때
그래서 컴퓨터와 프로그램의
기본 원리를 들었어요.
네.
그건 이제 컴퓨터 얘기였고
그렇죠.
이 김러닝이란 거는
컴퓨터와
뇌를
어떻게 잘 조합해가지고
인공지능을 만들 수 있다고
그러니까 이젠 뇌 얘기를 해볼게요.
뇌도 하필 또
노벨생리학상부터 얘기할 수 있어요.
1906년에
노벨생리의학상을
두 분이 받으셨어요.
타밀로 골지라는 분과
산티아고 라몬 이칼이라는
신경세포가 어떻게 뻗어있는지
뉴런이 어떻게 뻗어있는지를
연구를 하신 두 분이시죠.
그렇죠. 그렇죠.
좀 흥미로운 사실은
이 두 분이
이론적으로
상반대 주장을 한 거예요.
그래서 둘이
사이가 안 좋다까지는 모르겠지만
서로 다른 주장을 하신 거죠.
근데
재밌게도
동시에 노벨상을 받으셨어요.
주장이 뭐였냐면
이 골지라는 이분은
뇌를 보니까
우리 뉴런
그게 뭐 잔뜩 있더라고요.
신경다발이라고 하잖아요.
근데 그게 다 연결되어 있을 거다.
라고 골지님이 주장을 하셨어요.
이 칼이라는 이분은
아니야. 그게
끊겨있을 거야.
그래서 세포들이 끊겨있는 게
연결된 것처럼 보이는 뿐이야.
라는 주장을 하셨는데
이젠 우리가 알죠.
칼님 말씀이 맞으셨어요.
그래서 이게 이제 뉴런의 모습인데
가운데 이렇게 마치
통신선 같은 게 있고요.
오른쪽에 손가락 같은 게 있죠.
왼쪽에도 손가락 같은 게 있고
그래서 수신을 해서
송신하는 거예요.
뉴런은 통신세포 같은 거예요.
우리는 이제
뇌를 열면 메모리가 있다거나
CPU가 있다거나
이런 생각을
그게 이제 프로그래밍적 사고인데
근데 신기하게도
사실은 뇌는
통신다발로 이루어지는
뇌세포는 통신의 역할만 하는 거죠.
어디를 봐도
여기가 기억하는 곳인가
이런 게 안 보이는 것 같은데
사람은 이걸로 생각한다라는 거죠.
기억도 하고
그래서 되게 신기한 거예요.
통신다발이 모이면
생각을 한다.
기억을 하고
이 뉴런이라는 세포가
뜨거운 걸 만지면
앗 뜨거라고 일단 느끼잖아요.
그게 감각신경
그 다음에
앗 뜨거하고 피해야 되는 게
운동신경이죠.
이 감각신경
운동신경이 팔에 있는 거
다 뉴런이란 말이에요.
그게 이제 화학적
전기적 신호로
이제 통신하는 건데
더 연구를 계속 해가지고
밝혀진 게 뭐냐면
뉴런이 얼마나 단순한 녀석이냐면
앞에 뉴런들이
신호를 보내요.
예를 들면 내가 앗 뜨거 했잖아요.
여러 개의 뉴런이
앗 뜨거의 신호를 보낼 거잖아요.
저 빨간 선이 신호를 보내는 거예요.
신호를 보내요.
그러면 그 다음 뉴런이
신호를 받아요.
근데 그 뒤에 그래프를 보시면
그 신호가
그 주황색 선
바닥에 있잖아요.
신호가 안 들어오고 있는 선
근데 뜨거운 물
앗 뜨거하면
근데 신호가 쌓이다가
저 Threshold라고 되어 있는
저 역치잖아요.
저 역치를 넘으면
갑자기 팍 올라가서
이제 다시 내려와요.
근데
이게 재밌는 게
역치를 안 넘잖아요.
그러면
저 노란 선
그냥 무시해버려요.
그 신호의 합이
역치를 넘으면
확 보내고요.
안 넘으면
무시해요.
근데 이게 아까 제가 일하던
컴퓨터의 원리랑
뭔가 연결되는 게
있는 거 같지 않아요?
0101
우리 뇌를 봤더니
보내거나 말거나라는 거
뉴런은 세게 보내고
약하게 보내는 게 없어요.
그냥 보내거나 말거나예요.
이건 이미 뭐
수십 년 전에
밝혀진 사실이에요.
이걸 보면
또 한 번 생각을 할 수 있죠.
0101인가?
근데 물론
이 당시에는
그렇게 막 이어지는 사람들이
많지는 않았을 거예요.
연구자들 중에
방금까지 설명한 게
저 위에 그래프인데
No Response
Full Response 있잖아요.
저 완전 디지털 회로예요.
0이거나 1이거나
그 다음에 또 재밌는 게
이 뉴런들이
0이나 1을 보낼 거예요.
근데 보낼 때
그 다음 뉴런들에게
전달을 하는데
나눠서 전달하고
막 이런 게 아니라
똑같이 그냥
안 보내거나
1을 보내거나
그래서
이게 이제
컴퓨터를 좀 이해하고 나면
뭐야
뇌가 0101인가?
이런 생각들을
이제 하기 시작하는 거예요.
그래서
멜컬록 앤 피츠
이 두 분이
처음으로
생물학적 뉴런에 대한
수학적 모델을
정리를 하셨대요.
그때는
이론만 있고
컴퓨터가 실제로 나오기 전이었을 거예요.
또는 컴퓨터가 나온 직후거나
그래가지고
컴퓨터적인 어떤
생각을 하신 건 아니고
수학적 모델링을 하셨대요.
요즘에는 이걸
NP뉴런이라고 불러요.
NP뉴런이
이게 수학적 모델이에요.
잘 보시면
앞에 뉴런들이
제가 0이나 1을 보낸다고 했잖아요.
그럼 저 입력이
그 다음에 저 웨이트라는 거는
조금 이따 설명드릴 어떤 이론이 있는데
그거에 의해서 웨이트는
0.1일 수도 있고
2일 수도 있고
3일 수도 있고
숫자가 조금씩 달라요.
그렇죠.
중요도라고 보시면 될 것 같아요.
그렇죠. 그래서 그게
저기서 보면 더해지죠.
엄청 쉽죠?
I1 곱하기 W1
딱히
I2 곱하기 W2
근데 여기서 말하는
I는 0, 1이에요.
더해서
그 썸이 나와요.
그 썸을
Z라고 하면
그 다음에 이 가로축이 Z예요.
그 Z가 어떤 역치를 넘잖아요.
그러면
1이 나가죠.
들어오다가
여기가 역치예요.
역치가 되면은
뉴런들의 수학적 모델을
이분들이 정리한 게
이 그림이에요.
사람 머리가 그렇게 단순한 거다.
그 다음에 또 1949년에
페비안이라는 분께서
페비안 학습이라는 어떤
가설
지금은 이게
거의 이론 레벨인 것 같은데
그때는 이제 가설 같은 거였겠죠.
사람 머리는
신경망으로 이루어졌잖아요.
뉴런 하나당
뉴런의 연결이
1,000개든가
1,000개든가가
이렇게 서로 연결돼 있어요.
그리고 그 뉴런이
머릿속에
100억 개쯤 있어요.
그러면
그 연결이 되는데
그 과정이 어떻게 되느냐.
저분이 세운 가설이
앞에 뉴런들이
1을 보낼 때
뒤에 뉴런도
0이 되거나 1이 되거나잖아요.
내가 1을 보냈는데
얘가 1이 안 될 수도 있잖아요.
내가 계속 1을 보는데
얘가 1이 안 되잖아요.
그러면 서로의
친구 관계가 좀 멀어져요.
그래서 그런 연결이 좀 끊겨요.
그래서
같이 활성화되는
경우가 자주 있으면
이 웨이트가 올라간다.
같이 활성화되는 뉴런의
연결 강도가 강해진다라는
이론을 세우셨어요.
지금은 그게
많이 인정되는 약간
기초적인 이론이에요.
그래서 페비안 학습을
이제 와서 컴퓨터적인
딥러닝 관점에서 보자면
오늘 말씀드릴
딥러닝이 사실은
이 W 조정이거든요.
이 가중치를
어떻게 결정하느냐
그쵸.
그래서 드디어 이제
이 생물학적인 뇌와
컴퓨터와
연결이
1959년에
로젠블라시라는 분이
처음으로 이거 두 개를 연결한
퍼세트론이라는 개념을 만들었습니다.
근데 이게 나올 때가 됐어요.
왜냐면 컴퓨터라는 게
1940년대에 발명됐고
그 아까 뇌 같은 게
40년대에 연구가 된 거니까
이제 나올 때가 된 거예요.
저분이
심리학자였어요.
저기서 얘기하는 프로파일링은
사람 그 심리 분석이에요.
원래는 심리학자인데
저 당시에 이제 컴퓨터가 막 나오고
컴퓨터 심리학을 연기한다기보다
심리 연구의 컴퓨터를 쓰신 거예요.
그 당시에는 뭐 거의
최초의 연구 중에 하나였겠죠.
그래서 심리학자가
컴퓨터를 가지고 연구를 하다 보니까
생각보다 컴퓨터가 되게
좋았을 거잖아요.
그래서 이분이 무슨 생각을 했냐면
컴퓨터가
혹시
되게 똑똑해질 수 있지 않을까?
이런 생각을 하신 거예요.
컴퓨터로도 뭔가
뇌 같은 뭔가를 할 수 있지 않을까?
이런 생각을 하셨대요.
근데 그 당시에는 되게
특이한 생각이었을 것 같아요.
아까 그 수학적 모델을
컴퓨터로 옮긴 것일 뿐이에요.
이 수학식은 아까 얘기한
MPE뉴런?
그분들이 이미 다 연구해놓은 모델이잖아요.
그렇죠.
그걸 그냥 컴퓨터 위에서
돌아갈 생각을 했다.
그 자체가
대단한 게 아니었을까.
아 그러니까.
생물학적 뉴런과
컴퓨터의 0101
이 두 개를 조합을 하는 게
퍼셉트론이라고 말씀드렸잖아요.
그게 어떻게 조합이 되는지를
하나의 예를 말씀드릴게요.
컴퓨터는 사실은
AND와 NOTAND만 하면
다 만들 수 있어요.
과장이 아니에요.
NAND만 모으면 파워포인트를 만들 수 있어요.
그것도 쉽지만
제일 쉬운 게 AND니까
AND를 가지고 설명드릴게요.
0 AND 0은 0이고요.
1 AND 1은 1이에요.
1과 1일 때만 1을 내는 거.
그게 이제 AND예요.
정확히는 AND는 아니지만
NAND 같은 이런 비슷한 것만 모으면
유튜브를 만들 수 있어요.
근데 퍼셉트론으로
AND를 만드는 걸 보여드릴게요.
여기서 입력이 뭐죠?
X죠.
출력이 뭐죠?
여기 Y죠.
이 X와 Y는 다 0101이라고 그랬잖아요.
AND라는 회로를 만들 수 있어요.
W를 정하시고
그걸 몇 개를 모으는 거예요.
퍼셉트론은.
되게 단순해요.
00을 넣으면 0이 나와야 된다는 거예요.
A가 0이고 B가 0이에요.
0 곱하기 1.
1 곱하기 마이너스 1.5.
마이너스 1.5.
마이너스 1.5죠.
그럼 0보다 커요 작아요?
0보다 작아요.
작죠.
참고로 역치가 0으로 돼 있는 거예요.
그러면 결과가 0.
자 그럼 하나 풀었어요.
0과 0일 때 0이 나오네 저렇게 하니까.
A는 0이고 B는 1일 때
0 곱하기 1은 0이죠.
1 곱하기 1은 1이죠.
1 곱하기 마이너스 1.5는 뭐죠?
마이너스 1.5죠.
1이 있어요.
1 빼기 1.5 하면
마이너스 0.5예요.
역치가 0이라고 했잖아요?
안 나와요.
0이에요.
그러면 여기에
1이 들어가고
0이 들어가는 걸 볼게요.
그럼 아까랑 반대니까 똑같죠?
똑같죠.
이것도 안 나와요.
1, 2를 보면
여기 1이고
여기 1이니까
합하면 2죠.
그다음에 마이너스 1.5입니다.
2 빼기 1.5
0.5죠.
0을 넘어요.
1인 거예요.
정확하게 단계하신 겁니다.
저는 진심으로 이게 딥러닝의 절반이라고 생각해요.
이것만 모으면 채찍피트가 나온다니까요.
W-1.5는 누가 정했나요?
라고 했을 때 그냥 이거는
이 시스템이 작동하도록
이거는 고정을 한 거죠.
근데 헤비아는 무슨 얘기를 했냐면
사람의 뇌는 자라면서
저 W가 계속 조정이 된다.
그걸 연습이라고 생각한 거예요.
딥러닝은 뭐냐?
이 회로를 잔뜩 모아요.
그다음에 W를 컴퓨터한테
조정하는 어떤 방법이 있어요.
그 W를 조정을 하면
개고양이 구분이 되고 C를 쓴다.
랜드라는 게이트만 모으면
파워포인트를 만들 수 있다?
안 믿기지만
벌어지고 있는 현실이니까
우리가 받아들이잖아요.
이거를 모아서
W를 컴퓨터가 조정하게 하면
이세돌C를 이기는 알파고가 나오고
자율주행을 하는 테슬라가 나오고
말을 하는 채칩지가 나온다는 걸
받아들여야 되는 거예요.
나머지 제가 설명드릴 거는
그 W를 조정하는 방법을 설명드릴 거예요.
이 W가 이렇게 고정된 상태에서는
우리가 어떻게 작동을 하는지를 알았어요.
이 로젠블라 님은
이게 대단한 게 아니라
이거를 모아서
사람처럼 생각할 수 있다는
상상을 하셨다는 게 대단하다고요.
제가 왜 굳이 수식어를 썼냐면
지금까지 다 설명드린 거잖아요.
B와 A를 Y와 X로 한번 바꿔볼게요.
그냥 Y가 마이너스 X 더하기 1.5
이런 수식어로 바꿀 수 있잖아요.
그럼 우리가 그래프로 그릴 수 있죠.
그래서 그림을 그려보면
마이너스 X니까 이렇게 나오죠.
이 빨간 선을 긋고
Y가 아까 더 크다였잖아요.
그래서 이게 엔드 회로를
우리가 퍼셉트론 하나로 만들 수 있다는 걸
이렇게 그린 거예요.
자 이게 조금만 발전하면
이게 개고요.
이게 고양이라는 거예요.
그래서 왜 이렇게 단순한 트루펄스를 얘기하고 있느냐.
왜냐하면 이게 조금 복잡해지면 그냥
자율주행이 되고
개고양이 구분이 되고
컴퓨터가 개고양이 구분을 하려면
이 선을 컴퓨터가 그려야 되잖아요.
이 선을 어떻게 그릴지를
컴퓨터가 정하는 거.
그게 딥러닝이에요.
어따가 선을 그을지
어떤 함수를 기준으로 할 것인지.
네. 그리고 연결주의라는 말씀을 드릴게요.
이분이 로젠블라 씨입니다.
놀랍게도 옛날의 컴퓨터입니다 이게.
컴퓨터 회로예요.
지금 우리가 쓰는 프로그램들은
선 하나가 잘못되면 버그가 생기는 거죠.
사람은 손가락 하나가 짤리는 불행한 사고를 당해도
잘 살잖아요.
근데 컴퓨터는
버그 하나 뭐 하나 잘못 짜면
죽어버리거든요.
이 뉴럴렛은 이런 거 하나 끊겨도 된다.
실제로 지금 딥러닝도
그거를 원래 이분이 주장하셨어요.
그래서 제가 이 사진의 정확한 상황은 모르지만
그거를 설명하는 사진 아닐까.
회로 잘라도 돌아간다.
그걸 연결주의라고 하는데
연결주의는 사람의 뇌는
연결만으로 돌아가기 때문에
로직으로 돌아가는 게 아니에요.
커넥션이즘.
인공지능은 연결로 만들 수 있다.
그러면 연결주의라는 말은
오히려 반대를 들으면
이해가 더 쉬우실 수 있어요.
지금의 딥러닝 시대 이전에
사람이 인공지능을 어떻게 만들려고 시도를 했을까.
수학자들 이런 사람들이
이 세상에 어떤 물리법칙
수학법칙 이런 걸 잔뜩 넣으면
컴퓨터가 똑똑해질 거야.
논리들 로직들을 계속 넣어주면
코딩을 엄청 하면
인공지능이 나올 거다.
연결주의는 그거의 반대파인 거예요.
연결주의는 뭐냐면
그렇게 해서 백날해봐야
안 나온다 인공지능은.
그럼.
기계가 학습을 할 수 있다는 걸 믿는 거예요.
사람이 뉴럴만 가지고 학습하듯이
기계도 학습을 할 수 있어.
헤비안의 말씀에 따르면
학습이라는 거는 W를 조정하는 거야.
그래서 그게 딥러닝이에요.
그래서 저 퍼셉트론 머신을
이미 50년대에 만들었어요.
회로가 실제로 물리적으로 연결돼 있어요.
그리고 막 잘라도 돌아가고
센서가 있어요.
그 센서에서
그 당시에 ABCD를 구분을 했대요.
50년대에
학습을 통해서.
근데 어떻게 학습을 하는 거냐면
X를 일단 줘요.
카메라가 찍을 거잖아요.
그러면 여기에 입력 X
0101이 켜지죠.
지금 빨간색은 1로 켜진 거예요.
그렇죠.
그다음에 이 랜덤 커넥션이라는 게
이게 보면 진짜 랜덤하게 돼 있잖아요.
이 랜덤 커넥션이 여기 연결돼 있고요.
그다음에
이걸 이제 W를 조정할 건데
학습 전에는
X와 A가 구분이 안 되겠죠.
예를 들면 이거예요.
아까 엔드워가 어떻게 조정하니까
엔드워가 됐잖아요.
그것처럼
얘를 잘 조정하면
X일 때는 얘가 1이 되고
B일 때는 얘가 1이 되고
이런 함수를 만들 수 있을 거잖아요.
근데 그걸 사람이 한 땀 한 땀 조정하는 게 아니라
얘가 W를 자동으로 조정하게 하면 돼요.
그게 학습인 거예요.
근데 그 학습을 어떻게 한 거냐.
이 뒤에 사람이
자 X니까 얘가 1이 돼야 돼.
그럼 얘가 1이 되도록 얘를 조정해.
근데 그 조정은 제가 앞으로 설명드릴 건데
수식으로 돼요.
그래서 컴퓨터가 수식으로 얘를 자동으로 조정하는데
여기서 중요한 거는
사람이
이건 X야 이건 A야
이렇게 알려주다는 거예요.
컨셉토론의 중요한 점은
그건 사람이 알려주는 거는
그 당시 상상력으로는 당연한 거였고
그게
저 W가 자동으로 조정되는 수식이 있었다는 거예요.
그래서 실제로 학습이 됐고
50년대에
실제로 A, B, C, D, E, F가 구분이 됐어요.
그래서
또 연결주의가 믿고 있는 어떤 근거 같은 거를
여기 예쁜 꼬마 손챙이 등장하네요.
인사할 시간도 많습니다.
여러분의 시간을 낭비해드릴
느리지만 쿨한 과학
랩 미팅이었습니다.
감사합니다. 교수님들.
감사합니다.
