사람이 일상적으로 하게 되는 사고, 즉 구매하려는 집 근처 환경이 어떤지, 레스토랑 메뉴에 맞는 와인은 어떤 것인지 등의 생각에는 고차원적 사고의 중요 구성요소인 관계형 추론을 필요로 한다.

따라서 인공지능이 이를 대체할 수는 없다는 것이 정설이었지만 최근 구글이 개발한 '디바 마인드'는 이를 다루는 간단한 알고리즘을 개발했으며, 이미 복잡한 이미지를 이해하는 테스트에서 인간을 능가했다.

영국 런던에 위치한 딥마인드 연구소의 컴퓨터 과학자 티모시 릴리크랩은 최근 논문을 통해 AI 네트워크에 객체 간에 존재하는 관계를 발견할 수 있도록 프로그래밍하는 데 성공했다고 밝혔다.

이는 사람의 뉴런이 뇌에서 연결되는 방식과 유사하게 데이터의 패턴을 찾는 프로그램을 결합시켜 이른바 관계형 추론이 가능하도록 한 인공 신경 네트워크를 개발했다는 의미이다.

인간은 일반적으로 논리를 사용해 장소, 시퀀스 및 기타 항목을 연결하고 비교하는 사고의 일종인 관계형 추론에 능한데 이와 같은 유형의 인공 지능은 다른 형태에 비해 개발하는 데 많은 시간이 걸렸다.

연구팀은 여러 가지 작업을 통해 관계 네트워크에 도전했으며 첫 번째 과제는 큐브, 공, 실린더 같은 단일 이미지에서 물체 간의 관계에 대한 질문에 답하는 것이었다.

가령 "파란색 물건 앞에 물건이 있습니다. 그것은 회색 금속공 오른쪽에 있는 작은 붉은색 물체와 같은 모양입니까?"고 질문하는 식이다.

이 작업을 위해 관계 네트워크는 두 가지 유형의 신경망과 결합됐는데 하나는 이미지의 대상을 인식하는 것, 다른 하나는 질문을 해석하는 것이다.

기존 기계 학습 알고리즘의 정확도는 42~77%에 그친 반면 인간의 정확도는 92%였다. 이 새로운 관계 네트워크 장치는 인간을 넘어서는 96%의 정확도를 나타냈다.

딥마인드팀은 또한 "샌드라가 축구공을 집어들었다", "샌드라가 사무실에 갔다"와 같은 문장형태의 언어를 기반으로 한 작업에서 신경망이 어떻게 기능하는지 시험했다.

대부분의 질문 유형에 대해 새로운 시스템은 탁월한 수행 능력을 보여 기존 AI의 정확도 45%를 뛰어넘는 98%의 점수를 기록했다.

마지막으로 10개의 공이 튀어 오르는 애니메이션을 분석한 결과 일부 공이 스프링이나 막대로 연결됐는지를 찾아내는 정확도는 90% 이상이었다.

미국 보스턴 대학의 컴퓨터 과학자 케이트 샌코 박사는 이와 같은 접근 방식에 대해 "개념적으로 매우 간단하다는 것이 장점"이라고 언급했다.

그는 관계 네트워크가 언젠가 소셜 네트워크를 연구하고, 감시 영상을 분석하며, 트래픽을 통해 자율주행차를 안내할 수 있을 것이라 보고 있다.

릴리크랩 연구팀이 개발한 시스템은 '플러그 앤 플레이 모듈(plug-and-play module)'이라는 별칭이 붙었다.

다만 캘리포니아 스탠포드 대학의 컴퓨터 과학자 저스틴 존슨 박사는 새로운 인공지능이 인간의 유연한 사고에 접근하기 위해서는 보다 어려운 질문에 대답하는 법을 배워야 할 것이라고 지적했다.

그는 딥마인드가 특정한 유형의 추론을 모델링하고 있으며 보다 일반적인 관계 추론을 실제로 따르지 않는다고 말한다. 그러나 이 역시 인공지능이 발전하고 있는 과정이라고 존슨 박사는 덧붙였다.

이 연구 결과는 지난주 온라인 과학 사이트 arXiv에 게재됐다