이 기사는 Brain Inspired 팟캐스트에서 신경과학자 Anthony Zador와의 인터뷰에서 발췌하여 신경과학과 인공 지능(NeuroAI)의 교차점에서 최첨단 문제를 탐구합니다. Zador 교수는 독특한 관점으로 NeuroAI의 과거, 현재, 미래를 깊이 분석하고 현재 AI 개발 동향에 대해 통찰력 있는 의견을 제시했으며 특히 다중 목표 조정, 발달 학습, 시뮬레이션-현실과 같은 주요 과제에 주목했습니다. AI의 미래 발전 방향에 대한 귀중한 영감을 제공합니다.
신경과학과 인공 지능의 교차점에서 저명한 신경과학자 Anthony Zador가 Brain Inspired 팟캐스트의 진행자인 Paul Middlebrooks와 심도 있는 대화를 나눴습니다. 해당 분야의 선구자 중 한 명인 Zador는 NeuroAI의 향후 개발에 대한 자신의 고유한 통찰력을 자세히 설명했습니다.
'NeuroAI'라는 용어에 대한 초기 저항부터 지금은 이 분야에 대한 기대가 가득하기까지, 자도르의 변화는 문제의 본질에 대한 심층적인 고민에서 비롯됩니다. 그는 1980년대와 1990년대에는 컴퓨터신경과학과 인공신경망이 밀접하게 연결된 분야였다고 지적했다. 그러나 연구가 심화됨에 따라 그는 신경 회로의 동적 특성에만 초점을 맞추는 것만으로는 충분하지 않으며 이러한 회로가 유기체가 실제 문제를 해결하는 데 어떻게 도움이 되는지 이해하는 것이 더 중요하다는 것을 깨달았습니다.
현재 AI 개발에 대해 이야기하면서 Zador는 생각을 자극하는 요점을 제시했습니다. 그는 현재 많은 관심을 받고 있는 Transformer 아키텍처가 뇌가 작동하는 방식과 거의 유사하지 않기 때문에 NeuroAI 성공의 반례가 될 수 있다고 믿습니다. 그는 ChatGPT의 성공은 주로 인간 인지 과정의 진정한 시뮬레이션보다는 언어 시스템의 폐쇄적 특성에 기인한다고 설명했습니다.
AI의 미래 개발 방향과 관련하여 Zador는 특히 다목적 조정의 핵심 과제를 강조했습니다. 그는 기존 AI 시스템이 단일 대상을 최적화하는 데는 좋지만 여러 대상을 처리할 때는 성능이 떨어지는 경우가 많다고 지적했습니다. 대조적으로 유기체는 진화 과정에서 수렵, 탈출, 번식과 같은 여러 목표의 균형을 맞추기 위해 정교한 메커니즘을 개발했습니다. 이러한 균형 메커니즘이 구현되는 방식은 향후 AI 개발에 중요한 계시가 될 수 있습니다.
개발과 학습 측면에서 Zador는 새로운 관점을 제시합니다. 그는 인간 게놈이 신경 회로의 "압축된 표현"으로 볼 수 있으며 재귀 규칙을 통해 복잡한 구조를 생성할 수 있다고 믿습니다. 이러한 견해는 그의 팀이 원래 성능을 유지하면서 대규모 신경망을 100~1,000배까지 성공적으로 압축한 그의 최신 연구에 의해 뒷받침됩니다.
로봇 기술의 발전과 관련해 자도르는 시뮬레이션에서 현실로의 전환이 어렵다는 점을 강조했다. 그는 생물학적 시스템이 이와 관련하여 놀라운 적응성을 보인다고 지적합니다. 예를 들어 크기가 매우 다른 개도 여전히 유사한 신경 발달 지침을 공유하고 있습니다. 이러한 적응력 뒤에는 하위 문제를 점진적으로 해결하여 복잡한 능력을 습득할 수 있도록 세심하게 설계된 개발 프로세스가 있습니다.
Zador는 미래를 내다보며 강좌 학습이 현재 AI 개발의 병목 현상을 극복하는 중요한 방향이 될 수 있다고 믿습니다. 복잡한 작업을 더 작은 하위 작업으로 분해하고 합리적인 순서로 단계별로 학습함으로써 AI 시스템은 최종 목표를 직접 학습하는 것보다 더 효율적일 수 있습니다. 이러한 접근 방식은 학습 속도를 높일 뿐만 아니라 실제 변화에 직면하여 적응하는 시스템의 능력을 향상시킬 수 있는 잠재력을 가지고 있습니다.
이 대화는 신경과학과 인공 지능의 깊은 통합에 대한 전망을 보여줬을 뿐만 아니라 인공 지능 개발을 위한 생물학적 지능의 중요한 영감도 드러냈습니다. 연구가 심화됨에 따라 이러한 학제간 탐구는 AI의 미래 개발에 대한 더 많은 통찰력을 제공할 것입니다.
자도르 교수의 견해는 인공지능 분야 연구의 새로운 방향을 제시하고 생물학적 지능에서 영감을 얻는 것이 중요함을 강조합니다. 앞으로도 NeuroAI의 지속적인 개발은 현재 AI가 직면한 많은 과제를 해결하고 궁극적으로 인공지능 기술의 획기적인 발전을 촉진할 것으로 기대됩니다.