인공지능 분야의 여러 전문가들이 쓴 글들을 하나의 책으로 엮었는데, 인공지능의 정의부터 특정 알고리즘에 대한 설명과 산업 동향까지 다양한 글들이 실려있다. 우선 인공지능에 대한 정의를 처음으로 내렸던 존 매카시부터 언급한다. 현재는 우리 인간처럼 생각하고 행동하고 판단하는 지능을 구현한 기계장치로서 인공지능을 정의하고 있다고 한다. 특히 현재 인공지능은 자연어 처리, 패턴 인식, 자동 제어, 가상현실, 데이터마이닝, 시멘틱 웹 등 다양한 기술에 의해 빠른 속도로 발전하고 있다면서 국방, 의료, 교통, 주거, 미술, 음악 등 창작의 영역인 예술까지 인공지능이 적용되고 있음을 주지시키고 있다. 그리고 인공지능의 발전 역사를 돌이켜 보면서 1997년 1초 동안 10억 가지 방법을 계산할 수 있는 체스 전용 컴퓨터인 IBM 딥 블루가 체스 세계 챔피언을 이긴 사례도 들고 있다. 딥 블루의 경우 체스의 말이 움직이는 경우의 수를 단시간에 파악하는 메모리 용량의 승리였다면서, 체스의 경우의 수는 10의 120승이지만 바둑은 250의 150승이란 사실을 언급한다. 또한 2014년 유진 구스트만 프로그램이 튜링 테스트를 통과했다는 사실도 언급하고 있다.

왜 60년 만에 다시 인공지능이 붐을 일으키게 되었는지에 대해 이 책에서는 초당 데이터 처리 능력이 놀랄 만큼 향상된 것, 처리할 데이터를 방대하게 축적하고 분석할 수 있는 능력이 생겼다는 것, 머신러닝과 딥러닝의 지속적인 연구와 개발로 인공지능 핵심 알고리즘이 진화되었다는 것을 들고 있다. 또한 약한 인공지능은 인간이 가진 지능을 능가하는 수준은 아니지만, 상당히 진보한 컴퓨터 프로그래밍을 탑재해 특정 영역에서 탁월한 기능을 활용하여 인간의 일상생활에 도움을 줄 수 있는 수준의 인공지능을 일컫는 것으로 정해진 규칙에 따라 반응하는 것이 일반적이라 설명한다. 한편 강한 인공지능은 인간 지능 이상의 능력을 보유하게 될 인공지능을 일컫는 것이며 정해진 규칙을 벗어나 능동적으로 학습해 새로운 것을 창조하는 게 가능하다고 정의한다. 하지만 아직 IBM 왓슨의 핵심 칩인 트루노스(2014년에 발표한 2세대 뇌 모방 칩)의 성능을 인간과 비교해보면 설치류 수준에 불과하며, 머신러닝이 여전히 암흑시대에 있다고 언급한다. 보드게임이나 고속도로 운전같이 잘 구조화된 문제에서만 제대로 작동하는 수준이란 것이다.

이어서 글로벌 대표 업체들의 인공지능 관련 현황을 설명해주고 있는데, 구글의 경우 CPND를 모두 갖춘 유일한 글로벌 기업으로 언급하고 있다. 구글은 모바일 퍼스트에서 AI퍼스트로의 여정에 있다면서 2001년부터 2016년까지 인공지능 분야에 33조원이라는 큰 돈을 투자했다고 설명한다. 지난해 이세돌과 격돌한 구글의 알파고는 이후 IBM 왓슨과 같이 헬스분야에 먼저 적용되었다고 한다. 구글핏과 수술로봇, 그리고 신약개발과 스마트 콘텍트렌즈를 개발하고 있는 구글은 자율주행차와 생활 밀착형 서비스로 구글 어시스턴트 기반의 챗봇을 들고 나왔다고 한다. 특히 구글은 TPU라는 머신러닝 칩셋을 개발했는데, 기계 지능을 위해 개발된 텐서 플로우 오픈소스 라이브러리를 가장 빠르게 처리할 수 있다고 한다. 구글 나우에 인공지능 기능을 강화하여 자연어 인식 성능이 향상된 음성 비서를 만들어낸 구글 어시스턴트는 아마존 에코와 유사하게 구글 홈에 탑재되었으며, 인공지능을 결합한 새로운 메시징 앱으로 알로를 만들었고, 이미지 인지 및 자동분류를 위해 구글 포토스를 만들었다고 한다.

LA 타임즈는 인공지능을 이용해 기사를 쓰고 있고, 거기에 더하여 로맨스 소설도 쓸 수 있다고 한다. 이 분야의 글쓰기가 비교적 패턴이 일정하고 감성적이고 창의적인 기술이 가능하기 때문이라 한다. 인공지능은 그림도 그리는데, 구글의 인공지능 딥드림이 그린 추상화 29점이 약 10만 달러에 판매되었다고 한다. 구글은 당장 사업화가 어렵다고 판단한 로봇 분야 리딩업체 보스턴 다이내믹스를 매각했다고 하는데, 10년 내 상업용 로봇 출시는 어렵다고 판단한 듯하다. 특히 이 책에서 알파고를 자세히 언급하고 있는데, 알파고는 바둑에서 다음 수를 결정하는 몬테카를로 트리 탐색을 사용하는 프로그램이란 점에서 기존 바둑 프로그램과 다를 바 없다고 한다. 단 바둑은 다음 수의 경우의 수가 지나치게 많아서 모두 계산할 수 없는 탓에 이를 줄이기 위하여 착수할 경우의 수를 줄이는 함수와 각 수의 승패를 계산하는 함수를 각각 정책망과 가치망이란 이름의 신경망으로 설계하고, 많은 양의 기보로부터 딥러닝을 통해 이의 최적 값을 구하는 방법을 사용했다고 한다. 여기에 기존 기보 외에도 가상 대국을 반복하면서 얻은 새로운 기보 데이터까지 활용하는 심층 강화 학습이란 방법도 사용했지만, 결국 바둑 게임의 과정을 프로그램화한 소프트웨어란 것이다.

구글의 자율주행차, 애플의 시리, IBM의 왓슨의 공통점은 적절히 만들어진 소프트웨어와 이를 빠르게 실행시키는 컴퓨터란 점에 있다고 설명한다. 이어서 인공지능에 대한 정의부터 깊이 있는 학문적 이야기가 전개된다. 인공지능은 한마디로 정의하기 어렵다고 한다. 지능 자체가 모호하기 때문이란 것이다. 일반적으로 지능은 외부를 인식하고 추론하며 적응하는 능력을 말하는데, 인간조차 어떻게 그런 기능을 하는지 명확히 모르는 상태라는 것이다. 이제까지 기계가 지능을 갖추었는지를 판별하려면 그 내부의 진위를 따져서가 아니라 결과로 나온 행위가 인간과 구분이 될 수 없을 정도인지를 검사하는 튜링 테스트를 사용한다고 언급하고 있다. 여기서 인간의 지적 기능을 구현하는 기술로 크게 지식 기반 방법론과 데이터 기반 방법론을 설명하고 있다. 인식, 추론, 학습 같은 지적 기능을 모방하기 위해서는 이를 보유한 사람이 해당 영역의 지식을 기호로 표현하여 저장하고 이를 논리적인 규칙에 입각해서 처리하며 적절히 변경하는 학습을 통해서 문제를 지능적으로 해결하고자 시도하는 것이 바로 지식기반 방법론이라 한다.

이러한 지식기반 방법론은 전문가 시스템이나 논리 및 탐색 기반 문제 해결 방법에 적용된다고 말한다. 데이터 기반 방법론은 기계학습이나 데이터마이닝 기법으로 적용되는데, 해당 문제의 사례를 데이터로 제공하고 이로부터 연역적으로 지식을 추출하여 문제를 해결하는 방법으로 전통적인 통계나 확률을 이용한다는 것이다. 또한 인공지능 기술을 크게 세 가지로 분류할 수 있는데, 첫 번째가 문제를 해결 공간상에 표현하고 초기점에서 해답을 찾아가는 탐색 기술, 두 번째가 문제를 해결하는데 필요한 지식과 규칙을 적절하게 표현하고 이들의 추론을 통해서 결과를 도출하는 규칙 기반 시스템, 세 번째가 주어진 입력에 대한 적절한 출력을 자동으로 결정하는 기계학습 기술이라 설명하고 있다. 기계학습에 쓰이고 있는 신경망 방법에서 신경망의 층이 많아지면 복잡한 입출력 관계를 표현할 수는 있지만, 이의 선형적인 진보로 자의식까지 갖춘 인공지능이 실현되리라고 기대하기는 어렵다고 진단한다. 결국 기계학습은 사람이 하는 추상화된 학습과는 달리 정형화된 데이터로부터 문제를 해결하기 위한 모형을 자동으로 구축하는 것으로 생각할 수 있다는 것이다.

기계학습의 종류는 또한 지도학습, 비 지도학습, 강화학습으로 나눌 수 있는데, 특히 학습에 사용할 데이터의 결과값을 정확하게 주지 않은 채 성공여부에 따른 보상을 주는 식으로 모형을 구축하는 게 강화학습이라 설명한다. 로봇 제어나 게임 같은 분야에서는 특정 데이터의 정확한 결과값을 줄 수는 없어도 잘했는지 여부는 판정할 수 있다면서 잘하면 보상을 통한 강화를 해서 적절한 모형을 찾을 수 있다고 한다. 또한 신경망의 핵심은 데이터로부터 입력에 대한 올바른 출력을 내는 가중치들을 결정하는 학습 알고리즘에 있다고 말한다. 일단은 임의 값으로 가중치를 지정하고 모든 데이터에 대해서 올바른 출력이 나오도록 적절히 변경하는 절차를 거친다고 한다. 기본 아이디어는 현재 가중치들로 야기되는 오류를 가장 크게 최소화하는 방향으로 가중치를 조금씩 변경시키는 기울기 하강 알고리즘을 사용하는 것이라 설명하고 있다. 그리고 심층신경망은 단순하지만 비선형적인 모듈을 다수 층으로 쌓은 것으로 각 모듈은 이전 층의 표현을 추상화하여 변환하는 역할을 해 적절한 특징을 자동으로 추출한다고 말하고 있다. 층을 쌓아나가면서 구별해야 하는 부분은 증폭하고 무관한 변이는 억제하는 식으로 특징을 형성한다는 것이다.

특히 요새 각광받고 있는 딥러닝이 마치 마술처럼 모든 문제를 해결해준다거나 인공지능의 전부인 것처럼 이야기할 수 없지만, 충분한 데이터가 있는 문제라면 상당한 수준의 성능을 보장하는 방법이라 설명한다. 그리고 앞으로 딥러닝이 어떤 식으로 발전해야 하는지 선도 연구자들의 의견을 제시하고 있는데, 적은 수의 학습 데이터로부터 학습하는 딥러닝을 개발해야 한다는 것이 주류를 이루고 있다. 이를테면 사람은 몇 번 보지 않은 사람이라도 모습이 바뀌거나 시간이 흘러도 잘 인식하는데, 딥러닝도 이처럼 적은 수의 학습 데이터로부터 학습하는 방식이 필요하다는 것이다. 요새 성공적인 인공지능 시스템을 보면 한 가지 기술을 사용했다기보다는 문제의 해결 방안을 구조화하고 여러 기술을 복합적으로 활용하여 솔루션 아키텍처를 구성했다는 것을 알 수 있다고 한다. 알파고도 전체 구조는 탐색 기술을 따르지만 세부적으로 탐색의 가짓수를 줄이는 데 신경망 기술을 사용했고, IBM의 왓슨도 상식 수준의 방대한 지식을 체계적으로 표현하는 규칙 기반 시스템을 기반으로 정답의 가설을 만들고 이를 효과적으로 줄이는 과정에서 기계학습 방법을 사용했다는 것이다.

이어서 로봇도 잠깐 이야기하고 있다. 로봇들은 내장된 프로그램을 넘어 인공지능을 활용하여 한 몸이 되어 진화하고 인간과 상호작용하게 되었다는 것이다. 이제는 인간의 기능을 대신하는 모든 것을 로봇으로, 그리고 인간과 직접 상호작용하는 모든 것을 로봇으로 정의할 수 있다는 말이다. 로봇은 클라우드 등으로 연결된 사이버 세상에서 인공지능과 인터넷을 통해 상호작용하는 시스템으로 진화되고 있다는 것을 알려주고 있다. 특히 로봇 투자 회수기간도 2008년 11.8년에서 2015년 1.7년으로 10년 이상 단축되었다는 것이 눈길을 끌었다. 스마트 팩토리에 대해서도 공장이 스스로 생산, 공정 통제 및 수리, 작업장 안전 등을 관리하는 시스템으로 정의하면서 자동화 기술과 사물인터넷, 인공지능, 빅데이터, 클라우드 컴퓨팅이 결합되어 있다고 설명한다. 특히 기계학습 알고리즘을 탑재한 신개념 산업용 로봇까지 산업현장에 도입되어 있으며, 이미지 인식 기술을 이용해 품질검사를 하고 인간과 상호작용 하면서 동작을 익히고 성능을 향상시키는 학습 적응형 로봇도 이미 공장에 투입되어 있다고 설명한다. 

이어서 인공지능에 대한 여러 전망들을 알려주고 있는데, 적어도 인공지능 기술을 이용하려는 개인과 조직은 인공지능 알고리즘을 완벽한 서비스 형태로 제공하는 기업에 대가를 지불할 것이라 설명한다. 다음으로는 인공지능 학습용 데이터를 수집하고 정제하고 심지어 거래를 알선하는 기업들의 성장이 두드러질 것이라 말한다. 마지막으로 인공지능 기술이 스마트폰, 자동차 등의 독립된 하드웨어에서 구현되기 위해서는 지금보다 훨씬 더 강력한 마이크로 프로세서가 필요하다는 점도 강조하고 있다. 이 책에서는 또한 인공지능 기술이 기존 산업에 주는 영향 중 실현 가능성이 높은 몇 가지를 언급하고 있다. 우선 인공지능 기술이 많이 적용될 분야는 전문가 시스템이 이미 많이 개발되었거나 개발하려고 시도한 분야가 될 가능성이 높다면서 대표 분야로 금융산업과 보건의료 산업을 꼽고 있다. 그리고 대용량의 학습 데이터를 필요로 하기 때문에 디지털화가 잘 이루어진 산업에서 인공지능의 영향이 먼저 시작될 가능성이 높다고 전망한다. 산업의 업무 프로세스와 제품의 디지털화 정도가 심할수록 인공지능 기술의 도입이 더 쉬울 것이라면서 정보통신산업, 미디어 산업, 전문 서비스업 등이 거기에 해당한다고 설명한다. 

또한 업무를 자동화하고 무인화를 유도하며 고객과의 응대방식을 변화시킬 수 있다면서 모든 기업 활동에 전반적으로 영향을 줄 것이라 전망한다. 마지막으로 금융분야와 자율주행차 분야에 대해 언급하고 있는데, 금융 쪽에서 현재는 자산들을 컴퓨터 프로그램이 관리하지만 개별 고객의 투자 의사 결정은 여전히 고객이 직접 결정하고 있다고 말한다. 인공지능이 탑재된 로보어드바이저는 개인의 투자성향을 바탕으로 제안만 하고 있다는 것이다. 하지만 이후 로보어드바이저가 전부 투자결정을 자율적으로 할 것으로 예상하고 있는데, 이럴 경우 로보어드바이저의 오류로 발생할 수 있는 예상하지 못한 손실을 위해 보험시장이 형성되어야 한다는 점도 강조하고 있다. 자율주행차의 경우 상용화 된 후 시장에서 성공하려면 원가 하락이 필수적이라면서 특히 핵심 부품인 라이더의 가격이 떨어져야 한다는 점을 강조한다. 현재 라이더의 대안으로 360도 고성능 카메라를 주목하고 있다는 점도 설명한다. 또한 자율주행차의 안전성은 차량 자체의 기술적 정확도 개선을 넘어서 다른 차량의 움직임이나 인간 운전자의 행동, 도로 상의 여러 개체가 갖는 의미, 상황 인식을 거쳐야 한다고 설명한다.

현재 자율주행차의 한계에 대해 전문가의 말을 빌어 설명하고 있는데, 우선 폭우, 안개, 눈보라 등 악천후에서 인식 기능이 불완전하다고 말한다. 또한 공사장 같은 곳에서 인간 교통 안내원이 보내는 수신호를 제대로 인식 못하기도 한다는 것이다. 특히 실제 사고로 이어졌던 밝은 햇빛이 역광으로 비출 때 신호등을 인식하는 일이 어려운 점도 설명하고 있다. 게다가 아이스크림 트럭이 보이면 인간 운전자는 어린 아이가 등장할 수 있다는 예상을 거쳐 속도를 줄이지만, 자율주행차는 이런 상황을 아직 분석하지 못한다고 한다. 마지막으로 자율주행차를 위한 면밀한 지도를 작성하고 유지하는 것이 아직 어려운 일이라 설명한다. 그 밖에도 이 책에서는 인공지능의 윤리 문제에 대해서도 언급하고 있는데, 구글의 포토 서비스가 흑인 여성을 고릴라로 인식했다는 해프닝과 마이크로소프트 챗봇 테이가 초기에 저지른 실수 등이 언급되어 있어 눈길을 끌었다. 전반적으로 인공지능에 대한 기술부터 산업전망까지 다양한 측면들을 하나의 책에서 접할 수 있어서 많은 도움이 되었다.