<div id="readability-page-1" class="page"><div>

인공 일반 지능이란 무엇인가요?

인공 일반 지능(AGI)은 인간과 유사한 지능과 스스로 학습할 수 있는 능력을 갖춘 소프트웨어를 만들려는 이론적 AI 연구 분야입니다. 목표는 소프트웨어가 반드시 교육을 받거나 개발되지 않은 작업을 수행할 수 있도록 하는 것입니다.

현재의 인공 지능(AI) 기술은 모두 사전 결정된 매개 변수 집합 내에서 작동합니다. 예를 들어 이미지 인식 및 생성에 대해 학습한 AI 모델은 웹 사이트를 구축할 수 없습니다. AGI는 자율적 자제력, 합리적인 수준의 자기 이해, 새로운 기술 학습 능력을 갖춘 AI 시스템을 개발하기 위한 이론적 추구입니다. 제작 당시에는 학습하지 못했던 설정과 상황의 복잡한 문제를 해결할 수 있습니다. 인간의 능력을 갖춘 AGI는 이론적 개념이자 연구 목표로 남아 있습니다.

인공 지능과 인공 일반 지능의 차이점은 무엇인가요?

수십 년 동안 AI 연구원들은 특정 작업에서 인간의 지능을 모방하는 수준까지 머신 인텔리전스를 크게 발전시킨 몇 가지 이정표를 도표로 작성했습니다. 예를 들어 AI 서머라이저는 기계 학습(ML) 모델을 사용하여 문서에서 중요한 포인트를 추출하고 이해하기 쉬운 요약을 생성합니다. 따라서 AI는 소프트웨어가 새롭고 어려운 작업을 인간 수준의 성능으로 해결할 수 있도록 하는 컴퓨터 과학 분야입니다.

반대로 AGI 시스템은 수동 개입 없이 인간과 같은 다양한 영역의 문제를 해결할 수 있습니다. AGI는 특정 범위로 제한되는 대신 스스로 학습하고 훈련받은 적이 없는 문제를 해결할 수 있습니다. 따라서 AGI는 일반화된 인간 인지 능력으로 복잡한 작업을 해결하는 완전한 인공 지능을 이론적으로 표현한 것입니다.

일부 컴퓨터 과학자들은 AGI가 인간의 이해력과 인지 능력을 갖춘 가상의 컴퓨터 프로그램이라고 믿습니다. AI 시스템은 이러한 이론에 대한 추가 교육 없이도 익숙하지 않은 작업을 처리하는 방법을 학습할 수 있습니다. 또는 오늘날 우리가 사용하는 AI 시스템이 동일한 도메인 내에서 관련 작업을 처리하려면 상당한 훈련이 필요합니다. 예를 들어, 의료 챗봇으로 일관되게 작동하려면 먼저 의료 데이터 세트를 사용하여 사전 훈련된 대형 언어 모델(LLM)을 미세 조정해야 합니다.

약한 AI와 강력한 AI

강력한 AI는 배경 지식이 거의 없어도 인간의 인지 수준에서 작업을 수행할 수 있는 완전한 인공 지능(AGI)입니다. 공상 과학 소설에서는 종종 강력한 AI를 영역 제한에 국한되지 않고 인간의 이해력을 갖춘 사고 기계로 묘사합니다.

반면, 약한 AI 또는 좁은 AI는 컴퓨팅 사양, 알고리즘 및 설계된 특정 작업으로 제한되는 AI 시스템입니다. 예를 들어, 이전 AI 모델은 메모리가 제한되어 실시간 데이터에만 의존하여 결정을 내렸습니다. 메모리 보존력이 더 좋은 새로운 생성형 AI 애플리케이션조차도 다른 도메인에 맞게 용도를 변경할 수 없기 때문에 약한 AI로 간주됩니다.

인공 일반 지능 연구에 대한 이론적 접근 방식이란 무엇인가요?

AGI를 달성하려면 오늘날 AI 모델을 지원하는 것보다 더 광범위한 기술, 데이터 및 상호 연결성이 필요합니다. 복잡한 인간 행동을 모방하는 AI를 만들려면 창의성, 지각, 학습 및 기억력이 필수적입니다. AI 전문가들은 AGI 연구를 추진하기 위한 몇 가지 방법을 제안했습니다.

상징적 방식

상징적 접근은 컴퓨터 시스템이 확장된 논리 네트워크를 통해 인간의 생각을 표현함으로써 AGI를 개발할 수 있다고 가정합니다. 로직 네트워크는 if-else 로직으로 물리적 객체를 상징하므로 AI 시스템이 더 높은 사고 수준에서 아이디어를 해석할 수 있습니다. 그러나 상징적 표현은 지각과 같은 하위 수준의 미묘한 인지 능력을 복제할 수 없습니다.

연결주의적 방식

연결주의적(또는 창발주의적) 접근법은 신경망 아키텍처를 사용하여 인간의 뇌 구조를 복제하는 데 중점을 둡니다. 뇌 뉴런은 인간이 외부 자극과 상호 작용할 때 전달 경로를 변경할 수 있습니다. 과학자들은 이러한 하위 상징적 접근법을 채택한 AI 모델이 인간과 유사한 지능을 복제하고 낮은 수준의 인지 능력을 보여줄 수 있기를 희망합니다. 대규모 언어 모델은 연결주의 방식을 사용하여 자연어를 이해하는 AI의 예입니다.

보편주의적 방식

보편주의적 접근 방식을 취하는 연구원은 계산 수준에서 AGI 복잡성을 해결하는 데 중점을 둡니다. 원구원들은 실용적인 AGI 시스템으로 용도를 변경할 수 있는 이론적 솔루션을 공식화하려고 시도합니다.

전체 유기체 아키텍처

전체 유기체 아키텍처 접근법에는 AI 모델을 인체의 물리적 표현과 통합하는 것이 포함됩니다. 이 이론을 지지하는 과학자들은 시스템이 물리적 상호작용을 통해 학습할 때만 AGI를 달성할 수 있다고 믿습니다.

하이브리드

하이브리드 접근법은 인간의 생각을 표현하는 상징적 방법과 하위 상징적 방법을 연구하여 단일 접근 방식을 넘어서는 결과를 달성합니다. AI 연구원은 AGI를 개발하기 위해 알려진 다양한 원리와 방법을 동화하려고 시도할 수 있습니다.

인공 일반 지능 연구를 주도하는 기술은 무엇인가요?

AGI는 연구자들에게 여전히 먼 목표입니다. AGI 시스템 구축을 위한 노력은 현재 진행 중이며 새로운 개발로 인해 가속화되고 있습니다. 다음 섹션에서는 새로운 기술에 대해 설명합니다.

딥 러닝

딥 러닝은 원시 데이터에서 복잡한 관계를 추출하고 이해하기 위해 여러 은닉 계층이 있는 신경망을 훈련하는 데 중점을 둔 AI 분야입니다. AI 전문가는 딥 러닝을 사용하여 텍스트, 오디오, 이미지, 비디오 및 기타 정보 유형을 이해할 수 있는 시스템을 구축합니다. 예를 들어 개발자는 Amazon SageMaker를 사용하여 사물 인터넷(IoT) 및 모바일 디바이스용 경량 딥 러닝 모델을 구축합니다.

생성형 AI

생성형 인공 지능(생성형 AI)은 AI 시스템이 학습된 지식을 바탕으로 독특하고 사실적인 콘텐츠를 생성할 수 있는 딥 러닝의 하위 집합입니다. 생성형 AI 모델은 대규모 데이터 세트로 학습하므로 인간의 창조물과 자연스럽게 유사한 텍스트, 오디오 또는 비주얼로 인간의 쿼리에 응답할 수 있습니다. 예를 들어 AI21 Labs, Anthropic, Cohere, Meta의 LLM은 조직에서 복잡한 작업을 해결하는 데 사용할 수 있는 생성형 AI 알고리즘입니다. 소프트웨어 팀은 Amazon Bedrock을 사용하여 서버를 프로비저닝하지 않고도 클라우드에 이러한 모델을 빠르게 배포합니다.

NLP

자연어 처리(NLP)는 컴퓨터 시스템이 인간의 언어를 이해하고 생성할 수 있도록 하는 AI의 한 분야입니다. NLP 시스템은 계산 언어학 및 기계 학습 기술을 사용하여 언어 데이터를 토큰이라는 단순한 표현으로 변환하고 컨텍스트 관계를 이해합니다. 예를 들어 Amazon Lex는 조직에서 대화형 챗봇을 구축할 수 있게 해주는 NLP 엔진입니다.

컴퓨터 비전

컴퓨터 비전은 시스템이 시각 데이터에서 공간 정보를 추출, 분석 및 이해할 수 있도록 하는 기술입니다. 자율주행차는 컴퓨터 비전 모델을 사용하여 카메라의 실시간 피드를 분석하고 장애물을 피해 차량을 안전하게 주행합니다. 딥 러닝 기술을 통해 컴퓨터 비전 시스템은 대규모 객체 인식, 분류, 모니터링 및 기타 이미지 처리 작업을 자동화할 수 있습니다. 예를 들어 엔지니어는 Amazon Rekognition을 사용하여 다양한 컴퓨터 비전 애플리케이션의 이미지 분석을 자동화합니다.

로보틱스

로보틱스는 조직이 물리적 기동을 자동으로 수행하는 기계 시스템을 구축할 수 있는 엔지니어링 분야입니다. AGI에서는 로보틱스 시스템을 통해 기계 지능이 물리적으로 나타날 수 있습니다. AGI 시스템에 필요한 감각 지각 및 물리적 조작 기능을 도입하는 데 중추적인 역할을 합니다. 예를 들어 로봇 팔에 AGI를 내장하면 인간처럼 팔이 오렌지를 감지하고 잡고 껍질을 벗길 수 있습니다. 엔지니어링 팀은 AGI를 연구할 때 AWS RoboMaker를 사용하여 로봇 시스템을 조립하기 전에 가상으로 시뮬레이션합니다.

인공 일반 지능 연구의 과제에는 무엇이 있나요?

컴퓨터 과학자들은 AGI를 개발할 때 다음과 같은 몇 가지 문제에 직면합니다.

연결 만들기

현재 AI 모델은 특정 도메인으로 제한되며 도메인 간 연결을 만들 수 없습니다. 그러나 인간은 한 영역의 지식과 경험을 다른 영역에 적용할 수 있습니다. 예를 들어, 교육 이론을 게임 디자인에 적용하여 매력적인 학습 경험을 생성합니다. 인간은 이론 교육에서 배운 내용을 실제 상황에 적용할 수도 있습니다. 그러나 딥 러닝 모델이 익숙하지 않은 데이터를 안정적으로 다루려면 특정 데이터 세트를 사용한 상당한 훈련이 필요합니다.

감성 지능

딥 러닝 모델은 AGI의 가능성을 암시하지만 인간이 가진 진정한 창의성을 아직 입증하지는 못했습니다. 창의성에는 신경망 아키텍처가 아직 복제할 수 없는 감정적 사고가 필요합니다. 예를 들어 인간은 감정적으로 느끼는 것을 기반으로 대화에 반응하지만 NLP 모델은 훈련에 기반한 언어 데이터 세트와 패턴을 기반으로 텍스트 출력을 생성합니다.

감각적 지각

AGI는 외부 환경과 물리적으로 상호작용하는 AI 시스템을 필요로 합니다. 로봇의 능력 외에도 시스템은 인간처럼 세상을 인식해야 합니다. 기존 컴퓨터 기술이 인간처럼 모양, 색, 맛, 냄새, 소리를 정확하게 구별하려면 더 발전해야 합니다. &nbsp;


<figure data-ke-mobilestyle="widthOrigin" data-filename="edited_Designer (3).jpeg" data-origin-width="1000" data-origin-height="1000"><img src="https://blog.kakaocdn.net/dn/kDajD/btsF6g1M3Jp/V4e9KMQLIcZV4nUBnWkANk/img.png" onerror="this.onerror=null; this.src='//t1.daumcdn.net/tistory_admin/static/images/no-image-v1.png'; this.srcset='//t1.daumcdn.net/tistory_admin/static/images/no-image-v1.png';" data-filename="edited_Designer (3).jpeg" data-origin-width="1000" data-origin-height="1000"></figure>
</div></div>

기린

인공 일반 지능이란 무엇인가요?
 
인공 일반 지능(AGI)은 인간과 유사한 지능과 스스로 학습할 수 있는 능력을 갖춘 소프트웨어를 만들려는 이론적 AI 연구 분야입니다. 목표는 소프트웨어가 반드시 교육을 받거나 개발되지 않은 작업을 수행할 수 있도록 하는 것입니다.
 
현재의 인공 지능(AI) 기술은 모두 사전 결정된 매개 변수 집합 내에서 작동합니다. 예를 들어 이미지 인식 및 생성에 대해 학습한 AI 모델은 웹 사이트를 구축할 수 없습니다. AGI는 자율적 자제력, 합리적인 수준의 자기 이해, 새로운 기술 학습 능력을 갖춘 AI 시스템을 개발하기 위한 이론적 추구입니다. 제작 당시에는 학습하지 못했던 설정과 상황의 복잡한 문제를 해결할 수 있습니다. 인간의 능력을 갖춘 AGI는 이론적 개념이자 연구 목표로 남아 있습니다.
 
인공 지능과 인공 일반 지능의 차이점은 무엇인가요?
 
수십 년 동안 AI 연구원들은 특정 작업에서 인간의 지능을 모방하는 수준까지 머신 인텔리전스를 크게 발전시킨 몇 가지 이정표를 도표로 작성했습니다. 예를 들어 AI 서머라이저는 기계 학습(ML) 모델을 사용하여 문서에서 중요한 포인트를 추출하고 이해하기 쉬운 요약을 생성합니다. 따라서 AI는 소프트웨어가 새롭고 어려운 작업을 인간 수준의 성능으로 해결할 수 있도록 하는 컴퓨터 과학 분야입니다.
 
반대로 AGI 시스템은 수동 개입 없이 인간과 같은 다양한 영역의 문제를 해결할 수 있습니다. AGI는 특정 범위로 제한되는 대신 스스로 학습하고 훈련받은 적이 없는 문제를 해결할 수 있습니다. 따라서 AGI는 일반화된 인간 인지 능력으로 복잡한 작업을 해결하는 완전한 인공 지능을 이론적으로 표현한 것입니다.
 
일부 컴퓨터 과학자들은 AGI가 인간의 이해력과 인지 능력을 갖춘 가상의 컴퓨터 프로그램이라고 믿습니다. AI 시스템은 이러한 이론에 대한 추가 교육 없이도 익숙하지 않은 작업을 처리하는 방법을 학습할 수 있습니다. 또는 오늘날 우리가 사용하는 AI 시스템이 동일한 도메인 내에서 관련 작업을 처리하려면 상당한 훈련이 필요합니다. 예를 들어, 의료 챗봇으로 일관되게 작동하려면 먼저 의료 데이터 세트를 사용하여 사전 훈련된 대형 언어 모델(LLM)을 미세 조정해야 합니다.
 
약한 AI와 강력한 AI
 
강력한 AI는 배경 지식이 거의 없어도 인간의 인지 수준에서 작업을 수행할 수 있는 완전한 인공 지능(AGI)입니다. 공상 과학 소설에서는 종종 강력한 AI를 영역 제한에 국한되지 않고 인간의 이해력을 갖춘 사고 기계로 묘사합니다.
 
반면, 약한 AI 또는 좁은 AI는 컴퓨팅 사양, 알고리즘 및 설계된 특정 작업으로 제한되는 AI 시스템입니다. 예를 들어, 이전 AI 모델은 메모리가 제한되어 실시간 데이터에만 의존하여 결정을 내렸습니다. 메모리 보존력이 더 좋은 새로운 생성형 AI 애플리케이션조차도 다른 도메인에 맞게 용도를 변경할 수 없기 때문에 약한 AI로 간주됩니다.
 
인공 일반 지능 연구에 대한 이론적 접근 방식이란 무엇인가요?
 
AGI를 달성하려면 오늘날 AI 모델을 지원하는 것보다 더 광범위한 기술, 데이터 및 상호 연결성이 필요합니다. 복잡한 인간 행동을 모방하는 AI를 만들려면 창의성, 지각, 학습 및 기억력이 필수적입니다. AI 전문가들은 AGI 연구를 추진하기 위한 몇 가지 방법을 제안했습니다.
 
상징적 방식
 
상징적 접근은 컴퓨터 시스템이 확장된 논리 네트워크를 통해 인간의 생각을 표현함으로써 AGI를 개발할 수 있다고 가정합니다. 로직 네트워크는 if-else 로직으로 물리적 객체를 상징하므로 AI 시스템이 더 높은 사고 수준에서 아이디어를 해석할 수 있습니다. 그러나 상징적 표현은 지각과 같은 하위 수준의 미묘한 인지 능력을 복제할 수 없습니다.
 
연결주의적 방식
 
연결주의적(또는 창발주의적) 접근법은 신경망 아키텍처를 사용하여 인간의 뇌 구조를 복제하는 데 중점을 둡니다. 뇌 뉴런은 인간이 외부 자극과 상호 작용할 때 전달 경로를 변경할 수 있습니다. 과학자들은 이러한 하위 상징적 접근법을 채택한 AI 모델이 인간과 유사한 지능을 복제하고 낮은 수준의 인지 능력을 보여줄 수 있기를 희망합니다. 대규모 언어 모델은 연결주의 방식을 사용하여 자연어를 이해하는 AI의 예입니다.
 
보편주의적 방식
 
보편주의적 접근 방식을 취하는 연구원은 계산 수준에서 AGI 복잡성을 해결하는 데 중점을 둡니다. 원구원들은 실용적인 AGI 시스템으로 용도를 변경할 수 있는 이론적 솔루션을 공식화하려고 시도합니다.
 
전체 유기체 아키텍처
 
전체 유기체 아키텍처 접근법에는 AI 모델을 인체의 물리적 표현과 통합하는 것이 포함됩니다. 이 이론을 지지하는 과학자들은 시스템이 물리적 상호작용을 통해 학습할 때만 AGI를 달성할 수 있다고 믿습니다.
 
하이브리드
 
하이브리드 접근법은 인간의 생각을 표현하는 상징적 방법과 하위 상징적 방법을 연구하여 단일 접근 방식을 넘어서는 결과를 달성합니다. AI 연구원은 AGI를 개발하기 위해 알려진 다양한 원리와 방법을 동화하려고 시도할 수 있습니다.
 
인공 일반 지능 연구를 주도하는 기술은 무엇인가요?
 
AGI는 연구자들에게 여전히 먼 목표입니다. AGI 시스템 구축을 위한 노력은 현재 진행 중이며 새로운 개발로 인해 가속화되고 있습니다. 다음 섹션에서는 새로운 기술에 대해 설명합니다.
 
딥 러닝
 
딥 러닝은 원시 데이터에서 복잡한 관계를 추출하고 이해하기 위해 여러 은닉 계층이 있는 신경망을 훈련하는 데 중점을 둔 AI 분야입니다. AI 전문가는 딥 러닝을 사용하여 텍스트, 오디오, 이미지, 비디오 및 기타 정보 유형을 이해할 수 있는 시스템을 구축합니다. 예를 들어 개발자는 Amazon SageMaker를 사용하여 사물 인터넷(IoT) 및 모바일 디바이스용 경량 딥 러닝 모델을 구축합니다.
 
생성형 AI
 
생성형 인공 지능(생성형 AI)은 AI 시스템이 학습된 지식을 바탕으로 독특하고 사실적인 콘텐츠를 생성할 수 있는 딥 러닝의 하위 집합입니다. 생성형 AI 모델은 대규모 데이터 세트로 학습하므로 인간의 창조물과 자연스럽게 유사한 텍스트, 오디오 또는 비주얼로 인간의 쿼리에 응답할 수 있습니다. 예를 들어 AI21 Labs, Anthropic, Cohere, Meta의 LLM은 조직에서 복잡한 작업을 해결하는 데 사용할 수 있는 생성형 AI 알고리즘입니다. 소프트웨어 팀은 Amazon Bedrock을 사용하여 서버를 프로비저닝하지 않고도 클라우드에 이러한 모델을 빠르게 배포합니다.
 
NLP
 
자연어 처리(NLP)는 컴퓨터 시스템이 인간의 언어를 이해하고 생성할 수 있도록 하는 AI의 한 분야입니다. NLP 시스템은 계산 언어학 및 기계 학습 기술을 사용하여 언어 데이터를 토큰이라는 단순한 표현으로 변환하고 컨텍스트 관계를 이해합니다. 예를 들어 Amazon Lex는 조직에서 대화형 챗봇을 구축할 수 있게 해주는 NLP 엔진입니다.
 
컴퓨터 비전
 
컴퓨터 비전은 시스템이 시각 데이터에서 공간 정보를 추출, 분석 및 이해할 수 있도록 하는 기술입니다. 자율주행차는 컴퓨터 비전 모델을 사용하여 카메라의 실시간 피드를 분석하고 장애물을 피해 차량을 안전하게 주행합니다. 딥 러닝 기술을 통해 컴퓨터 비전 시스템은 대규모 객체 인식, 분류, 모니터링 및 기타 이미지 처리 작업을 자동화할 수 있습니다. 예를 들어 엔지니어는 Amazon Rekognition을 사용하여 다양한 컴퓨터 비전 애플리케이션의 이미지 분석을 자동화합니다.
 
로보틱스
 
로보틱스는 조직이 물리적 기동을 자동으로 수행하는 기계 시스템을 구축할 수 있는 엔지니어링 분야입니다. AGI에서는 로보틱스 시스템을 통해 기계 지능이 물리적으로 나타날 수 있습니다. AGI 시스템에 필요한 감각 지각 및 물리적 조작 기능을 도입하는 데 중추적인 역할을 합니다. 예를 들어 로봇 팔에 AGI를 내장하면 인간처럼 팔이 오렌지를 감지하고 잡고 껍질을 벗길 수 있습니다. 엔지니어링 팀은 AGI를 연구할 때 AWS RoboMaker를 사용하여 로봇 시스템을 조립하기 전에 가상으로 시뮬레이션합니다.
 
인공 일반 지능 연구의 과제에는 무엇이 있나요?
 
컴퓨터 과학자들은 AGI를 개발할 때 다음과 같은 몇 가지 문제에 직면합니다.
 
연결 만들기
 
현재 AI 모델은 특정 도메인으로 제한되며 도메인 간 연결을 만들 수 없습니다. 그러나 인간은 한 영역의 지식과 경험을 다른 영역에 적용할 수 있습니다. 예를 들어, 교육 이론을 게임 디자인에 적용하여 매력적인 학습 경험을 생성합니다. 인간은 이론 교육에서 배운 내용을 실제 상황에 적용할 수도 있습니다. 그러나 딥 러닝 모델이 익숙하지 않은 데이터를 안정적으로 다루려면 특정 데이터 세트를 사용한 상당한 훈련이 필요합니다.
 
감성 지능
 
딥 러닝 모델은 AGI의 가능성을 암시하지만 인간이 가진 진정한 창의성을 아직 입증하지는 못했습니다. 창의성에는 신경망 아키텍처가 아직 복제할 수 없는 감정적 사고가 필요합니다. 예를 들어 인간은 감정적으로 느끼는 것을 기반으로 대화에 반응하지만 NLP 모델은 훈련에 기반한 언어 데이터 세트와 패턴을 기반으로 텍스트 출력을 생성합니다.
 
감각적 지각
 
AGI는 외부 환경과 물리적으로 상호작용하는 AI 시스템을 필요로 합니다. 로봇의 능력 외에도 시스템은 인간처럼 세상을 인식해야 합니다. 기존 컴퓨터 기술이 인간처럼 모양, 색, 맛, 냄새, 소리를 정확하게 구별하려면 더 발전해야 합니다.

인공 지능과 인공 일반 지능의 차이점은 무엇인가요?

댓글