3부. AI — 연구, 혁신 및 기업가 정신에 대한 새로운 접근 방식

신용 : [1]

"...생명이 출현하는 것은 물리학의 규모이지만, 그 생명 자체는 화학에서 세포, 사회에 이르기까지 다양한 규모에서 반복되는 더 광범위한 현상입니다. 이는 일반적으로 물질과 정보(추상 속성)의 상호 작용에 관한 것입니다." [2]

In 파트 1 이 시리즈에서는 인공 지능(AI)이 분석을 위한 새로운 데이터를 생성하고, 합성 데이터에서 통찰력을 추출하고, 이전에 인간에게 할당된 인지 역할의 많은 부분을 수행하는 지점까지 어떻게 발전했는지 논의했습니다. ~ 안에 파트 2 시리즈에서 우리는 추상화, 통찰력 및 합성 데이터의 개념에 대해 더 자세히 조사하고 인간의 능력을 능가하는 AI의 가능성을 소개했습니다. 이 3부에서는 AI의 발전에 직면하여 인간이 계속해서 가치를 더할 수 있도록 창의성을 재검토해야 하는 방법에 대해 논의합니다. Evolution은 모든 어린 아이들(굶어 죽지 않는)이 탐구하고, 반복하고, 배우는 본능의 일부로 자연스럽게 창의적이 되도록 우아하게 프로그래밍했습니다. 많은 연구에 따르면 이러한 창의성은 아이가 12학년이 될 때까지 정식 교육을 통해 아이에게서 프로그래밍됩니다. 21세기를 위한 창의성 형성에는 산업 시대와 그 부의 창출 모델이 거의 끝났다는 인식이 포함됩니다. 지난 XNUMX세기 동안 인간의 놀라운 발전을 형성한 오래된 시스템, 관행 및 문화는 재검토되고 질문을 받고 아마도 보류될 필요가 있습니다. 이 기사가 그러한 검토를 시작하기를 바랍니다.

창의력

우리 대부분은 창의성 과정을 수강한 적이 없으며 그것을 공부한 사람도 거의 없습니다. 학생들에 대한 나의 경험은 대부분이 창의성을 정의할 수 없다는 것입니다. 상상력과 창의성의 차이를 아는 학생을 본 적이 없습니다. 대부분의 사람들은 창의성의 예를 들어보라고 하면 노래, 예술 작품 또는 영화를 예로 들었습니다. 수학, 과학 또는 공학에서 예를 제공하는 사람은 거의 없습니다. 창의성을 가르치지 못하고 수학, 과학, 공학 및 사회 과학에서 창의성의 중요성을 이해하지 못하는 것은 역사상 처음으로 인간이 멸종 위기에 처한 이 순간에 특히 문제가 됩니다.

인지 과학자 Margaret Boden은 세 가지 유형의 창의성을 정의합니다. [3]. 첫 번째는 기존 구성 요소 또는 변수의 "새로운 조합"입니다. 나는 이것이 아인슈타인이 "조합 놀이"로 의미한 것이라고 생각하는데, 그것은 발명이 먼저 창조적 대안에서 선택된다는 Poincare의 개념에서 파생되었을 수 있습니다. Boden의 창의성에 대한 다른 두 가지 정의는 (1) 자신의 문화에서 파생된 "개념적 공간[또는] 구조화된 사고 스타일"과 (2) 이러한 공간의 탐색을 의미합니다. 나는 Boden의 "개념적 공간"에서 부가 가치를 보지 못합니다. 개념 공간에는 재정의하거나 변경할 수 있는 특정 "구성 요소" 또는 "변수"가 있습니다. Boden과 저는 창의성의 이러한 구성 요소 특성이 AI와 같은 접근 방식에 적합하다는 데 동의합니다. 우리는 또한 인공 지능이 "창의적"인지 여부에 대한 논쟁이 중요하지 않다는 데 동의합니다. AI는 가치 있는 참신한 결과를 만들어내고 있습니다. 컴퓨터가 참신함을 추구하는 데 목적이 있었는지 여부는 철학자를 제외하고는 실제로 거의 관심이 없습니다. 그럼에도 불구하고 컴퓨터가 인간을 대체할 수 있는 능력을 확장하고 있는지의 문제는 매우 현실적입니다. 그러나 나는 문제나 질문이 긍정적으로 언급될 때까지 제대로 이해되지 않는다고 생각합니다. 따라서 더 나은 질문은 컴퓨터와 인공 지능이 점점 더 인간의 능력을 복제하는 미래에 인간이 어떻게 창의적이고 가치를 창출할 것인가 하는 것입니다.

이 심층 교육 콘텐츠가 도움이된다면 AI 메일링 리스트에 가입 새로운 자료를 공개 할 때 경고를받습니다.

연구와 혁신

예상할 수 있듯이 AI는 가만히 있지 않으며 모든 주요 발전은 기술 홍보, 자본 유치, 주가 촉진 또는 위의 모든 것을 위해 대규모로 공개되는 것으로 보입니다. 이러한 발전은 모두 인공 지능의 두 가지 기능, 즉 (1) 일반적으로 (2) 예측을 위해 패턴을 인식하는 컴퓨터의 기능을 기반으로 합니다. 진보는 일반적으로 더 복잡한 패턴을 식별하고 점점 더 복잡한 주제에 대한 새로운 통찰력, 지식 및 이해의 기초를 제공합니다. Juergen Schumidhuber는 요점을 잘 설명합니다.

"과거에 대한 짧고 단순한 설명은 일반적으로 미래를 예측하는 데 도움이 되는 반복적인 규칙성을 반영하기 때문에 미래 목표 달성에 관심이 있는 모든 지능형 시스템은 자신의 행동에 대한 반응으로 원시 감각 입력의 역사를 압축하도록 동기를 부여해야 합니다. 미리 계획하는 능력을 향상시킵니다.” [4]

물론 이 "반복적인 규칙성"은 진화를 통해 인간이 학습 방식의 기초로 프로그래밍된 것과 동일한 탐색적이고 반복적인 행동입니다. 이러한 유형의 행동은 Piaget와 다른 많은 연구자들에 의해 문서화되었습니다. 그러나 패턴 인식만으로는 거의 가치가 없으며 여기에 인간의 역할이 계속 중요하다는 점을 인식해야 합니다. 우리가 학습과 연구를 재정의하고 인간의 부가 가치를 명확히 하는 새로운 패턴에 대한 AI 지원 검색에서 인간의 역할에 초점을 맞추고 있습니다. 이 17부작 시리즈 전체에서 나는 끊임없이 인식론과 형이상학의 질문으로 돌아갔다. 각각 우리의 지식론은 무엇이고 실재(reality)는 무엇인가. Descartes, Spinoza, Leibniz 등에 의해 XNUMX세기에 개발된 역사적인 현실 개념은 구식이며 업데이트된 개념을 통해 AI를 창의적으로 활용하여 혁신적인 결과를 생성할 수 있을 것입니다. 저는 양자 물리학, 복잡성 과학 및 시스템 사고에 기반을 둔 현대 현실 개념을 지속적으로 옹호해 왔습니다.

아이러니한 점은 우리가 사용할 수 있는 AI 도구가 오늘날 인간보다 이 업데이트된 형이상학에 더 적합하다는 것입니다. 우리가 알고 있는 것을 보면 [5]:

(1) 창의성은 기존 구성 요소를 새로운 방식으로 결합한 것입니다. 이 개념은 현실이 분자에서 인간 및 인공 시스템에 이르기까지 모든 것을 생성하기 위해 결합하는 아원자 및 원자 구성 요소에 기반한다는 인식에 지나지 않습니다.

(2) Herbert Simon의 합성 개념은 이러한 자연적 구성요소와 인공적 구성요소가 문제를 해결하기 위해 새로운 조합으로 "창의적으로" 결합될 수 있음을 보여주었습니다.

(3) 존 홀랜드는 우리가 자연과 인간이 만든 시스템의 대부분을 제한된 수의 규칙이나 법칙으로 이해할 수 있다는 사실을 깨닫도록 도왔습니다. “제한된 수의 규칙이나 법칙으로 만들어지는 이 영속적인 새로움은 대부분의 복잡한 시스템의 특징입니다. 유클리드 기하학의 정리는 단지 XNUMX개의 공리에 기반을 두고 있지만 새로운 정리는 XNUMX천년이 지난 후에도 여전히 도출되고 있습니다. 다른 복잡한 시스템도 마찬가지입니다.” [6]

(4) Capra와 Luisi는 인간 생활의 모든 차원이 복잡한 비선형 네트워크인 시스템임을 보여줌으로써 필요한 기초 작업을 완료합니다. “생명에 대한 체계적 관점의 핵심 특징은 비선형성입니다. 모든 살아있는 체계는 복잡합니다. 즉, 고도로 비선형적인 네트워크입니다. 삶의 생물학적, 인지적, 사회적, 생태적 차원 사이에는 무수한 상호 연결이 있습니다.” [7]

이 요약을 요약하면 아래에 정의된 대로 계산 창의성의 모든 부분을 볼 수 있습니다.

“조합적 관점은 우리가 가능한 조합의 공간을 통해 탐색 과정으로서 창의성을 모델링할 수 있게 해줍니다. 조합은 서로 다른 표현의 구성 또는 연결 또는 초기 및 중간 표현의 규칙 기반 또는 확률적 변환을 통해 발생할 수 있습니다.” [8]

AI는 이러한 자연스러운 컴퓨팅 환경을 모델링하는 데 이상적으로 적합합니다.

경제사

창의성이 발명(유형의 프로세스, 방법, 구성 또는 디자인)으로 전환될 수 없다면 가치가 거의 없다는 점을 분명히 하고 싶기 때문에 지금 혁신의 개념을 도입하고 싶습니다. [9] 그런 다음 사람들의 삶에 가치를 창출하겠다고 제안했습니다. 전설적인 경제학자 Joseph Schumpeter의 말을 빌리면 "혁신은 상업화된 발명입니다." 혁신에 대한 논의는 초점을 인류와 사람들의 문제 해결에 다시 가져옵니다. 금세기 우리는 환경, 중국과의 '냉전', 부의 불평등 문제, 모든 사회 문제에 영향을 미치는 '사회적 결정 요인' 등 어려운 문제에 직면해 있습니다. 이러한 문제의 규모와 우리가 살고 있는 세계가 점점 더 상호 연결되어 있기 때문에 새로운 과학 및 공학의 필요성이 가장 중요합니다. 그러나 NSF(National Science Foundation)가 번역에 전략적 초점을 두고 혁신적 과학과 공학을 시장에 내놓는 것이 증명하듯이 "과학을 위한 과학"의 시대는 기본적으로 끝났다는 점을 분명히 하고 싶습니다. NSF는 1950년에 미국 국가 연구 전략을 정의하고 자금을 지원하기 위해 설립되었습니다. 수년에 걸쳐 NSF는 확장 가능한 사회적, 경제적 영향을 달성하기 위해 연구의 상업화를 점점 더 강조해 왔습니다. NSF는 또한 현재 문제의 다학제적 특성을 인식하고 있습니다. [10] AI를 연구 및 상용화 솔루션에 통합해야 할 필요성 [11].)

우리가 깨달은 것은 새로운 과학이 더 명확해짐에 따라 솔루션을 만들기 위해 자연 및 인공 구성 요소의 조합 특성을 활용하는 방법에 대한 문제도 명확해졌다는 것입니다. 브라이언 아서(Bryan Arthur)가 예측한 것처럼 시대의 문제를 해결하는 것으로 보이는 도구와 기계 학습, 신경망 및 유전자 알고리즘은 모두 이러한 조합 솔루션을 생성하는 데 필요한 도구의 예입니다. 생물학적 및 사회적 연결을 더 잘 이해하기 위해 그래프 신경망도 있습니다. 너무 행복해지기 전에 잠시 멈추고 경제학에서 무슨 일이 일어나고 있는지 생각해 봅시다.

Schumpeter, Thomas Kuhn, Carlotta Perez 및 기타 많은 사람들이 과학 및 산업 혁명을 연구했습니다. 내가 가장 좋아하는 연구원 중 한 명은 기술 혁신의 물결 또는 주기를 설명한 러시아 경제학자 Nikolai Kondratieff입니다. [12], 아래 그림과 같이.

인간은 원재료와 원시 도구를 사용하여 필요를 충족시키고 경제적 가치를 창출하기 시작했습니다. 부의 창출을 위한 이 경제 모델은 효율성과 생산 속도를 높이기 위해 에너지가 투입요소로 도입된 18세기까지 지속되었습니다. 다양한 형태의 에너지와 관련 기술의 도입을 통해 제1960차 세계대전이 끝날 때까지 혁신의 범위를 넓혔습니다. 전시 필요에 의해 자금을 지원받은 컴퓨터는 1970-2005년대에 상업적 도구로 등장했습니다. 클로드 섀넌(Claude Shannon)의 정보 이론과 네트워킹에 대한 타고난 성향을 바탕으로 컴퓨터는 정보에 기반한 새로운 부 창출 모델을 탄생시켰습니다. 핵심 경제 투입물로서 에너지, 토지 및 물질의 교체가 시작되었습니다. 사람들이 정보의 가치와 파생되는 경쟁 우위를 깨달으면서 컴퓨팅이 빠르게 발전했습니다. 1956년경부터 연구자와 산업계는 XNUMX년 Dartmouth에서 시작된 AI가 진정한 과학적, 경제적, 사회적 가치를 갖기 위해 더 많은 컴퓨팅 성능이 아니라 더 많은 데이터가 필요하다는 것을 깨달았습니다. 인공지능은 합성화학, 전산생물학 등 새로운 분야에 적용되기 시작했고 결국 자체 합성데이터 생산에 이르렀다. 오늘날 우리는 물질과 식품을 합성 물질로 대체하고 생산 프로세스를 예측적으로 모델링하여 에너지 소비를 줄이고 효율성을 높이고 합성 데이터를 사용하여 분자 생물학, 유전학, 재료 과학 및 기타 광범위한 분야에서 새로운 통찰력을 얻을 수 있습니다. 효과적으로, 부 창출을 위한 새로운 경제 모델인 Synthesis가 등장했습니다. Synthesis는 AI를 사용하여 다양한 유형의 새로운 시스템, 프로세스 및 플랫폼에서 데이터를 입력, 출력 또는 둘 모두로 형성합니다. AI와 합성 데이터를 통해 발견된 오래된 문제와 새로운 문제에 대한 새로운 솔루션을 만들고 엔지니어링합니다. 이 새로운 부 창출 모델을 보는 또 다른 대중적인 방법은 물리적, 자연적 및 디지털을 정보 시스템으로 융합하는 것입니다. John Wheeler의 중요한 "It to Bit"의 업데이트된 버전입니다(이 문서의 2부에서 설명됨). 일련의 기사).

이 경제 역사 수업을 과학, 창의성 및 혁신 상태에 대한 초기 요약과 결합하면 다음 개념을 중심으로 구축된 미래 계획을 세울 수 있습니다.

(1) 이제 모든 문제는 정보 문제입니다.

(2) 과학, 공학 및 수학 수업은 양자 물리학, 복잡성 및 시스템 사고에 의해 형성되어야 합니다.

(3) 자연 및 인공 시스템의 고유한 복잡성은 학습, 연구 및 혁신에 대한 다학제적 접근 방식에 적합합니다.

(4) 응용 AI는 문제의 복잡성을 이해하고 필요한 혁신을 개발하는 연구에 대한 다학제적 접근 방식의 핵심 구성 요소입니다.

(5) 인류가 직면한 실존적 문제는 과학적 연구의 상업화 필요성을 촉발시킨다. 민간 부문은 문제를 해결하기 위해 가져올 막대한 자원을 가지고 있습니다. 문제의 시급성은 문제에 대한 정부와 NGO의 책임 이상을 요구합니다.

많은 사람들이 AI가 인간의 일자리를 빼앗는 것에 대해 우려하고 다른 그룹은 AI가 운영해야 하는 데이터의 차별적 편향에 대해 우려합니다. 또 다른 그룹은 관련 데이터 저장 장치로 인한 전력 사용량 증가와 환경 문제를 우려하고 있습니다. 많은 그룹이 이러한 문제에 불을 붙였고 양측의 어리석은 정치인은 불에 연료를 더했습니다. 증기 기관 이후의 모든 기술은 긍정적인 결과와 부정적인 결과를 가져왔고 우리는 이러한 기술을 창의적으로 생활 수준을 향상시키기 위해 관리했습니다. 그러나 이러한 발전은 지구의 한정된 자원을 계속해서 고갈시키면서 우리를 멸종 위기에 처하게 했습니다.

유명한 프랑스 철학자 미셸 푸코는 “불가능한 일을 하려면 보이지 않는 것을 봐야 한다”고 말했다. 오늘날의 문제에 대한 창의적인 해결책을 찾을 수 있는 것은 패턴 인식, 유추 및 통찰력에 대한 인간의 능력입니다. AI는 분석, 결과 결정 및 예측 능력을 가속화하여 이러한 노력을 지원할 것입니다. 진짜 문제는 제 시간에 솔루션을 찾는 데 도움이 되도록 AI를 채널링할 수 있는지 여부입니다.

저는 우리가 더 어린 나이에 아이들에게 더 많은 수학, 통계 및 응용 기계 학습을 가르쳐야 하는 새로운 알고리즘을 계속 개발할 것이라고 확신합니다. 이러한 새로운 알고리즘은 과학, 의학 및 환경 연구에서 새로운 지식을 생산할 것입니다. 이 새로운 지식은 문제에 대한 창의적이고 새로운 기술 솔루션으로 이어질 것이며 이러한 솔루션의 대부분은 종종 나노미터 규모의 구성 요소 기반 접근 방식이 될 것입니다. 나는 이 지식이 기대 수명을 크게 연장하고 마침내 너무 오랫동안 뒤처진 사람들의 생활 수준을 향상시킬 수 있기를 바랍니다. 양자 컴퓨팅과 원자력이 발전함에 따라 저는 이 예측에 대해 더욱 낙관적입니다.

내 낙관주의의 가장 큰 위험은 자연 재해의 증가와 환경의 지속적인 악화입니다. 인간은 신기술 덕분에 살아남겠지만 삶의 질은 크게 달라지거나 줄어들 수 있다. 또한 나의 낙관주의를 위협하는 것은 독재와 극단주의의 증가하는 발생률입니다. 이러한 형태의 정부는 혁신을 억누르고 개선에 대한 사람들의 자연스러운 욕구를 억압합니다. 중국과 우크라이나의 최근 사건은 독재정권의 부정적인 결과를 보여주는 예입니다. 환경 문제를 제대로 해결하려면 더 나은 지정학적 환경이 필요합니다. 정부의 간섭 없이 개인의 권한 부여, 창의성 및 혁신이 번성하여 시대의 문제를 해결할 수 있습니다. 이상적으로는 모두를 위한 것입니다.