인공지능의 발전은 명확한 패러다임 전환을 나타냅니다. 바로 상징적 인공지능 (GOFAI)에서 연결주의로 이어졌습니다. 역사적으로 인공지능은 인간이 직접 정의한 규칙에 따라 모든 결과를 결정하는 '상향식' 추론 방식에 의존했습니다. 이 접근법은 논리 퍼즐 해결에는 매우 정밀했지만, 모레바의 역설—고차원적 사고는 계산적으로 쉬운 반면, 저차원의 감각운동 기술(예: 얼굴 인식)은 거의 하드코딩할 수 없다는 사실을 깨달았다는 점입니다.
반면, 생물학적으로 영감을 받은 계산은 '하향식' 인덕티브 학습 전략을 채택합니다. 고정된 지시사항을 따르는 대신, 인공 신경망은 분산 표현을 활용해 원시 데이터에서 패턴을 파악합니다. 이러한 구조들은 인간 뇌의 병렬 처리와 유연성(플라스틱성)을 모방하지만, 그들이 수학적 추상화라는 점을 인식하는 것이 중요합니다. 이들은 기능적인 결과를 달성하기 위해 선형대수학과 미적분학을 활용하며, 생물학적 정확성보다는 계산 효율성을 우선시합니다.
파이썬 구현
질문 1
로봇에게 걷기 기능을 하드코딩하는 것이 체스 게임을 프로그래밍하는 것보다 더 어렵다는 이유를 설명하는 개념은 무엇입니까?
사례 연구: 기계 번역의 진화
아래 시나리오를 읽고 질문에 답하세요.
2000년대 초반, 기계 번역은 '통계 문장 기반' 모델(상징적/통계적 규칙)에 의존했습니다. 그러나 2016년 구글이 '신경망 기계 번역'(GNMT)으로 전환하면서 시스템은 단어를 개별 토큰으로 보는 것을 멈추고, 문장을 고차원 공간 내 벡터로 해석하기 시작했습니다.
Q
왜 신경망 접근법이 규칙 기반 접근법보다 슬랭과 맥락을 더 잘 다루었습니까?
정답:
신경망 접근법은 '하향식' 인덕티브 학습을 사용합니다. 수백만 개의 문서를 처리함으로써, 인간이 정의한 사전처럼 변화하는 슬랭과 문법의 유동성에 대응할 수 없는 상황에서도 문맥 속 단어들 사이의 확률적 관계를 식별합니다.
신경망 접근법은 '하향식' 인덕티브 학습을 사용합니다. 수백만 개의 문서를 처리함으로써, 인간이 정의한 사전처럼 변화하는 슬랭과 문법의 유동성에 대응할 수 없는 상황에서도 문맥 속 단어들 사이의 확률적 관계를 식별합니다.