ChatGPT와 같은 강력한 새로운 AI 시스템의 작동 원리

생성형 인공지능(AI)은 OpenAI의 ChatGPT와 같은 시스템의 놀라운 능력을 다루는 헤드라인과 함께 기술계를 강타했습니다. ChatGPT는 인간의 글쓰기와 거의 구별할 수 없는 텍스트를 생성할 수 있습니다. 하지만 생성형 AI란 정확히 무엇이며, 전통적인 AI 모델과 어떻게 다른가요? 

그다지 멀지 않은 과거, AI에 대한 논의는 주로 예측 모델에 초점을 맞추고 있었습니다. 이러한 모델은 엑스레이에서 의학적 상태를 식별하거나 차용자의 신용도를 평가하는 등 데이터에 기반한 예측을 수행하도록 훈련되었습니다. 그들은 방대한 데이터셋에서 학습하여 특정 작업에 대한 정보에 기반한 결정을 내렸습니다.

반면 생성형 AI는 예측 중심 AI와의 차별점을 나타냅니다. 이는 미리 정의된 데이터셋 내에서 결과를 예측하는 것이 아니라 완전히 새로운 데이터를 생성하도록 설계된 머신러닝 모델입니다. 생성형 AI 시스템은 노출된 훈련 데이터와 유사한 데이터를 생성하는 방법을 학습합니다. 생성형 AI와 예측형 AI의 경계가 모호해질 수 있지만, 이들은 AI에 대한 별개의 접근 방식을 나타냅니다.

마르코프 체인에서 복잡한 모델로

생성형 AI의 뿌리는 러시아 수학자 안드레이 마르코프가 1906년에 도입한 통계 방법인 마르코프 체인을 포함한 더 간단한 모델로 거슬러 올라갑니다. 마르코프 모델은 처음에는 이메일 프로그램의 자동 완성 기능과 유사한 다음 단어 예측과 같은 작업에 사용되었습니다. 그러나 제한된 수의 이전 단어만 고려할 수 있는 능력으로 인해 일관된 텍스트 생성 능력이 떨어졌습니다.

최근 몇 년 동안은 생성형 AI 붐의 기반이 되는 더 복잡한 딥러닝 아키텍처로 이동했습니다. 2014년에 생성적 적대 신경망(GANs)이 도입되면서 두 모델을 서로 대립시켜 현실적인 출력을 생성할 수 있게 되었습니다. 하나는 대상 출력(예: 이미지)을 생성하고 다른 하나는 실제 데이터와 생성된 데이터를 구분합니다.

또한 2015년에 도입된 확산 모델(diffusion models)은 훈련 데이터셋과 밀접하게 유사한 데이터 샘플을 생성하기 위해 출력을 반복적으로 정교화합니다. 2017년 구글이 도입한 트랜스포머 아키텍처는 ChatGPT와 같은 대규모 언어 모델에서 핵심적인 역할을 합니다. 이는 텍스트를 토큰으로 인코딩하고 새로운 텍스트를 생성할 때 컨텍스트를 이해하기 위해 어텐션 맵을 사용합니다.

이러한 AI 아키텍처의 발전은 생성형 AI 분야를 새로운 높이로 이끌었습니다.

토큰 변환: 공통된 스레드

생성형 AI 접근 방식의 특징적인 특징은 입력 데이터를 토큰—데이터 청크의 수치적 표현—으로 변환하는 것입니다. 데이터가 이 표준화된 토큰 형식으로 변환될 수 있는 한, 생성형 AI 방법을 적용하여 유사한 특성을 가진 새로운 데이터를 생성할 수 있습니다. 이 다양성은 광범위한 응용 프로그램의 문을 엽니다.

예를 들어, 연구자들은 컴퓨터 비전 모델을 훈련하기 위해 합성 이미지 데이터를 생성하는 데 생성형 AI를 사용하고 있습니다. 이러한 모델은 객체와 패턴을 더 효과적으로 인식하는 방법을 학습할 수 있습니다.

다른 영역에서는 생성형 AI가 새로운 단백질 및 결정 구조를 설계하며, 이는 새로운 재료와 약물 개발에 중요할 수 있습니다. 데이터의 종속성을 학습함으로써 이러한 모델은 안정적이고 실현 가능한 구조를 제안할 수 있습니다.

그러나 생성형 AI가 스프레드시트와 같은 구조화된 데이터를 포함하는 모든 데이터 관련 작업에서 뛰어나지는 않을 수 있다는 점에 유의하는 것이 중요합니다. 전통적인 머신러닝 방법은 이러한 시나리오에서 생성형 모델보다 더 나은 성능을 발휘할 수 있습니다.

인간과 기계 사이의 다리

생성형 AI의 가장 중요한 가치 중 하나는 인간과 기계 사이의 인터페이스 역할을 할 수 있다는 능력에 있습니다. 과거에는 인간이 특수 언어를 사용하여 기계와 소통해야 했습니다. 생성형 AI는 기계가 더 인간 친화적인 용어로 이해하고 소통할 수 있게 함으로써 이 격차를 메웠습니다. 이 발전은 인간-컴퓨터 상호작용에 광범위한 영향을 미칩니다.

생성형 AI는 엄청난 가능성을 지니고 있지만, 중요한 도전 과제와 윤리적 고려 사항을 제기합니다. 예를 들어, 고객 문의를 처리하기 위해 콜센터에 구현하면 노동자 대체로 이어질 수 있습니다. 또한 생성형 AI 모델은 훈련 데이터의 편견을 상속하고 영속화하며, 혐오 발언과 허위 정보를 확산시키고, 특정 인간 창작자를 매우 유사하게 모방하는 콘텐츠를 생성하여 잠재적으로 저작권 문제를 제기할 수 있습니다.

긍정적인 측면에서 생성형 AI는 예술가들에게 이전에 접근하지 못했을 수 있는 창의적 콘텐츠 생성 도구를 제공함으로써 예술가들을 강화할 잠재력을 가지고 있습니다.

생성형 AI의 미래

생성형 AI는 다양한 분야에서 상당한 변화를 가져올 준비가 되어 있습니다. 한 가지 유망한 응용 분야는 제조 분야에서, 생성형 AI는 이미지와 물체 설계 계획을 넘어설 수 있어 제조 공정을 혁신할 수 있습니다.

생성형 AI는 더 지능적인 AI 에이전트를 개발하는 열쇠를 쥐고 있습니다. 동시에 이러한 모델의 작동 방식과 인간 뇌 기능 사이에는 차이가 있지만, 새로운 아이디어와 계획을 생성하는 능력에서는 유사점을 공유합니다. 생성형 AI는 AI 에이전트가 창의적으로 사고할 수 있도록 강화하는 데 핵심적인 역할을 할 수 있습니다.

생성형 AI는 데이터를 생성하고 인간과 기계 사이의 격차를 메울 수 있는 인공지능의 놀라운 진전을 나타냅니다. 기회와 도전을 가져오지만, 산업을 재편하고 혁신을 촉진할 잠재력은 부인할 수 없습니다. 생성형 AI가 계속 진화함에 따라 우리 세계에 미치는 영향은 기하급수적으로 증가할 것입니다.