구글 알파고 창시자 데미스 하사비스 - 기계의 마음

[칠정산]

구글 번역기를 사용한 번역이므로 불완전한 번역임을 감안하기시 바랍니다. 영어가 되시는 분은 원문을 보시기 바랍니다.

The mind in the machine: Demis Hassabis on artificial intelligence

https://www.ft.com/content/048f418c-2487-11e7-a34a-538b4cb30025

The co-founder of DeepMind explains how AI will help us make unimaginable leaps in understanding the world

DeepMind의 공동 설립자는 AI가 어떻게 우리가 세상을 이해하는데 상상할 수없는 도약을하도록 도울 것인지 설명합니다.

Demis Hassabis is co-founder and CEO of DeepMind

  현대 문명은 과학으로 가능해진 기적적인 위업입니다. 비행을 할 때마다 나는 구름 위에서 날아갈 수있는 기술에 경탄합니다. 우리는 게놈지도, 수퍼 컴퓨터 및 인터넷 구축, 혜성 탐사 착륙, 입자 가속기에서 가까운 속도로 원자를 박살 내고 달에 사람을 배치했습니다. 우리가 어떻게이 일을 처리 했습니까? 우리의 3 파운드짜리 뇌에 의해 성취 된 것을 생각해보기 위해 멈추었을 때, 그것은 아주 주목할 만합니다.

   Modern civilisation is a miraculous feat, one made possible by science. Every time I take a flight, I marvel at the technology that has allowed us to soar above the clouds as a matter of routine. We have mapped the genome, built supercomputers and the internet, landed probes on comets, smashed atoms at near light speed in particle accelerators and put a man on the Moon. How have we managed to do any of this? When one stops to contemplate what has been accomplished by our 3lb brains, it’s quite remarkable.

  과학적 방법은 인간이 가진 가장 강력한 아이디어 중 하나일지도 모릅니다. 그리고 계몽주의가 단순히 놀라운 것부터 진행되었습니다. 그러나 우리는 기후 변화에서부터 거시 경제 문제, 알츠하이머 병에 이르기까지, 우리가 지배해야하는 많은 시스템이 끔찍하게 복잡해지는 중요한 시점에 있습니다. 우리가 이러한 도전 과제를 해결할 수 있는지, 그리고 얼마나 빨리 그 문제를 해결할 수 있는지는 앞으로 수십억 명의 사람들과 환경에 영향을 줄 것입니다.

  The scientific method might be the single most powerful idea humans have ever had, and progress since the Enlightenment has been simply astonishing. But we are now at a critical juncture where many of the systems we need to master are fiendishly complex, from climate change to macroeconomic issues to Alzheimer’s disease. Whether we can solve these challenges — and how fast we can get there — will affect the future wellbeing of billions of people and the environment we all live in.

  문제는 이러한 과제가 너무 복잡하여 세계 최고의 과학자, 임상의 및 엔지니어조차도 획기적인 기술을 구현하는 데 필요한 모든 복잡한 작업을 해결할 수 없다는 것입니다. Leonardo da Vinci는 아마도 그들의 나이에 대한 지식의 전폭을 이해 한 사람이었을 것입니다. 그 이후로 우리는 전문화해야만했으며, 오늘날 천체 물리학이나 양자 역학과 같은 단일 분야조차도 완벽하게 습득하는 것은 평생을 필요로합니다.

  The problem is that these challenges are so complex that even the world’s top scientists, clinicians and engineers can struggle to master all the intricacies necessary to make the breakthroughs required. It has been said that Leonardo da Vinci was perhaps the last person to have lived who understood the entire breadth of knowledge of their age. Since then we’ve had to specialise, and today it takes a lifetime to completely master even a single field such as astrophysics or quantum mechanics.

  우리가 지금 이해하려고하는 시스템은 거대한 양의 데이터, 대개 매우 역동적이며 비선형이며 응급 속성으로 인해 숨겨진 통찰력을 드러내는 구조와 연결을 찾기가 매우 어렵습니다. 케플러와 뉴턴은 지구에서 행성과 물체의 움직임을 묘사하는 방정식을 작성할 수 있지만, 오늘날의 문제 중 일부를 단순하고 세련된 수식 세트로 줄일 수는 없습니다.

  The systems we now seek to understand are underpinned by a vast amount of data, usually highly dynamic, non-linear and with emergent properties that make it incredibly hard to find the structure and connections to reveal the insights hidden therein. Kepler and Newton could write equations to describe the motion of planets and objects on Earth, but few of today’s problems can be reduced down to a simple set of elegant and compact formulae.

  이것은 우리 시대의 가장 위대한 과학적 도전 중 하나입니다. 현대 컴퓨터 시대의 창시자 인 Alan Turing, John von Neumann, Claude Shannon 모두 정보 이론의 중요성을 이해했으며 오늘날이 패러다임에서 거의 모든 것이 생각이나 표현 될 수 있음을 깨닫게되었습니다. 이것은 게놈이 효과적으로 거대한 정보 코딩 스키마 인 생물 정보학에서 가장 분명합니다. 저는 언젠가 정보가 에너지와 물질만큼이나 근본적인 것으로 간주 될 것이라고 믿습니다.

  This is one of the greatest scientific challenges of our times. The founding fathers of the modern computer age — Alan Turing, John von Neumann, Claude Shannon — all understood the central importance of information theory, and today we have come to realise that almost everything can either be thought of or expressed in this paradigm. This is most evident in bioinformatics, where the genome is effectively a gigantic information coding schema. I believe that, one day, information will come to be viewed as being as fundamental as energy and matter.

  정보의 핵심은 비 체계적인 정보를 유용하고 실행 가능한 지식으로 변환하는 프로세스로 볼 수 있습니다. 우리가 내 삶의 일을 바친 인공 지능 (AI)에 대한 과학적 약속은 기술을 도구로 사용하여 그 과정을 종합, 자동화 및 최적화 할 수 있다는 것입니다. 인간에게는 도움이되지 않는다.

  At its core, intelligence can be viewed as a process that converts unstructured information into useful and actionable knowledge. The scientific promise of artificial intelligence (AI), to which I have devoted my life’s work, is that we may be able to synthesise, automate and optimise that process, using technology as a tool to help us acquire rapid new knowledge in fields that would remain intractable for humans unaided.

***

  오늘날 인공 지능에 대한 작업은 매우 세련되었습니다. 그러나 AI라는 용어는 상황에 따라 무수한 것을 의미 할 수 있습니다. 우리가 공동 설립 한 회사 인 DeepMind에서 취하는 접근 방식은 학습에 대한 개념과 일반성에 초점을 맞추어 과학에 필요한 인공 지능을 개발하는 것을 목표로합니다. 우리가 컴퓨터에 새로운 지식을 발견하기를 원한다면, 우리는 그들에게 진정한 지식을 배울 수있는 능력을 부여해야합니다.

  Today, working on AI has become very fashionable. However, the term AI can mean myriad things depending on the context. The approach we take at DeepMind, the company I co-founded, focuses on notions of learning and generality, with the aim of developing the kind of AI we need for science. If we want computers to discover new knowledge, then we must give them the ability to truly learn for themselves.

  우리가 작업하는 알고리즘은 원시 경험에서 직접 작업을 마스터하는 방법을 배우므로 획득 한 지식은 추상적 기호가 아닌 감각적 실재의 형태로 궁극적으로 기초를 둡니다. 우리는 또한 동일한 매개 변수를 가진 동일한 시스템이 광범위한 작업에서 잘 수행 할 수 있다는 점에서 일반 대중에게 요구합니다. 이 두 가지 신조는 DeepMind의 2015 Nature paper에서 시연되었으며, 단일 프로그램이 화면의 픽셀 및 달리기 점수 이외의 입력없이 수십 개의 고전적인 Atari 게임을하도록 가르쳤습니다. 우리는 또한 새로운 알고리즘 및 아키텍처 아이디어에 대한 영감의 핵심 원천으로 시스템 수준의 신경 과학을 사용합니다. 결국 뇌는 우리가 범용 경험 기반 학습 시스템이 가능하다는 유일한 존재 증명입니다.

  The algorithms we work on learn how to master tasks directly from raw experience, meaning that the knowledge they acquire is ultimately grounded in some form of sensory reality rather than in abstract symbols. We further require them to be general in the sense that the same system with the same parameters can perform well across a wide range of tasks. Both these tenets were demonstrated in DeepMind’s 2015 Nature paper in which a single program taught itself to play dozens of classic Atari games, with no input other than the pixels on the screen and the running score. We also use systems-level neuroscience as a key source of inspiration for new algorithmic and architectural ideas. After all, the brain is the only existence proof we have that a general-purpose experience-based learning system is even possible.

  이것은 많은 선임자들의 접근으로부터의 급진적 인 출발입니다. 차이점은 게임 분야에서 세계 최초로 달성 한 획기적인 두 가지 프로그램, 즉 1997 년 세계 체스 챔피언 인 게리 카스파로프 (Garry Kasparov)를 물리 친 IBM의 딥 블루 (Deep Blue)와 작년에 세계에서 가장 큰 게임 중 하나 인 AlphaGo 프로그램을 비교 한 것입니다 Go의 더욱 복잡한 게임에서 최고의 플레이어. Deep Blue는 "전문가 시스템"접근 방식을 사용했습니다. 프로그래머 팀이 일부 체스 그랜드 마스터와 함께 자신의 지식을 명확하게 발견하고 정교한 경험적 방법으로 체계화했습니다. 강력한 수퍼 컴퓨터는 수작업으로 만들어진 규칙을 사용하여 엄청난 수의 변형을 평가하고 무차별 방식으로 올바른 방법으로 길을 계산했습니다.

  This is a radical departure from the approach of many of our predecessors. The difference is perhaps best illustrated by comparing two breakthrough programs that achieved world firsts in the field of games: IBM’s Deep Blue, which beat the world chess champion Garry Kasparov in 1997, and our recent AlphaGo program, which last year beat one of the world’s top players at the even more complex game of Go. Deep Blue used what is known as an “expert systems” approach: a team of programmers sat down with some chess grandmasters to explicitly distil and codify their knowledge into a sophisticated set of heuristics. A powerful supercomputer then used these handcrafted rules to assess a vast number of possible variations, calculating its way by brute force to the right move.

  Deep Blue의 카스파로프 (Kasparov)에 대한 승리는 AI 역사에서 중요한 이정표가되었습니다. 그러나 그 승리는 프로그램 자체의 고유 한 인텔리전스보다 현대 하드웨어의 계산 능력뿐만 아니라 프로그래머 및 그랜드 마스터 팀의 훌륭함을 더 잘 보여줍니다. AlphaGo는 매우 독창적 인 승리의 움직임을 보여주었습니다. 그 중 하나가 너무 놀랍기 때문에 수백 년 동안받은 지혜가 뒤집혔습니다.

  Deep Blue’s victory against Kasparov represented a major milestone in the history of AI. But its win was more a testament to the brilliance of its team of programmers and grandmasters, as well as to the computational power of the contemporary hardware, than to any inherent intelligence in the program itself. AlphaGo played a handful of highly inventive winning moves, one of which was so surprising it overturned hundreds of years of received wisdom.

  체스가 부서진 후, Go는 인공 지능 연구를위한 새로운 성배가되었습니다. Go는 3 천년 전으로 아시아 전역에서 심오한 문화적 중요성을 지니고 있습니다. 아시아는 게임이 아니라 예술 형식으로 간주되며 전문 챔피언은 공개 아이콘입니다. 우주에서 원자의 수보다 많은 170 개의 가능한 보드 구성의 놀라운 10 배로 무차별 한 방법으로는 녹지 않습니다. 사실 특정 부분의 위치가 약간 변경되면 전체 보드 상태가 변경 될 수 있기 때문에 특정 Go 위치에서 어느 쪽이 승패를 차지하는지를 결정하는 기능조차도 불가능하다고 오랫동안 생각했습니다. 탑 휴먼 고 (Top Human Go) 플레이어는 직감과 본능에 크게 의지하여 이러한 엄청난 복잡성을 다루며 정확한 계산에 더 많이 의존하는 체스 플레이어와 달리 움직임을 단순히 "감각이 옳다"라고 묘사합니다.

  After chess was cracked, Go became the new holy grail for AI research. Go is around 3,000 years old and has profound cultural importance across Asia, where it is considered to be not just a game but an art form, and its professional champions are public icons. With an astonishing 10 to the power of 170 possible board configurations — more than the number of atoms in the universe — it is insoluble by brute-force methods. In fact, even writing a function to determine which side is winning in a particular Go position was long thought to be impossible, since a tiny change in the location of a single piece can radically alter the entire board state. Top human Go players deal with this enormous complexity by leaning heavily on their intuition and instinct, often describing moves as simply “feeling right”, in contrast to chess players, who rely more on precise calculation.

  AlphaGo에서 우리는 게임의 직관적 인 측면을 포착하기 위해 Deep Blue와 같은 체스 프로그램과 근본적으로 다른 접근 방식을 취해야한다는 것을 깨달았습니다. 인간 전문가의 전략을 수작업으로 코딩하는 대신, 우리는 학습 시스템을 구축하기 위해 심 신경 네트워크를 포함한 범용 기술을 사용했으며 합리적인 인간 플레이가 어떻게 생겼는지에 대한 자체 이해를 돕기 위해 수천 개의 강력한 아마추어 게임을 보여주었습니다. 그런 다음 실수로 배우고 점차적으로 향상되어 엄청나게 강해질 때까지 수천 번씩 다른 버전을 상대로 게임을 진행했습니다. 2016 년 3 월 우리는 18 가지 세계 타이틀을 획득했으며 지난 10 년 동안 가장 위대한 선수로 여겨지는 전설의 이세돌 역을 맡을 준비가되었습니다.

  For AlphaGo we realised that in order to capture this intuitive aspect of the game we would have to take an approach radically different from chess programs such as Deep Blue. Rather than hand-coding human expert strategies, we used general-purpose techniques including deep neural networks to build a learning system, and showed it thousands of strong amateur games to help it develop its own understanding of what reasonable human play looks like. Then we had it play against different versions of itself thousands of times, each time learning from its mistakes and incrementally improving until it became immensely strong. In March 2016 we were ready to take on the ultimate challenge: playing the legendary Lee Se-dol, winner of 18 world titles and widely considered to be the greatest player of the past decade.

  AlphaGo가 놀라움으로 4-1 승리를 거두자 2 억 명이 넘는 사람들이 온라인을 지켜 보았습니다. 전문가들 사이에 이러한 획기적인 발전이 시간보다 10 년 앞선 것으로 나타났습니다. 더 중요한 것은, AlphaGo가 매우 독창적 인 승리의 움직임을 보여 주었을 때, 게임 2에서 37로 움직이는 것 중 하나는 너무 놀랍기 때문에 수 백 년 동안받은 지혜를 뒤집어 놓고 플레이어가 집중적으로 조사했습니다. 이기는 과정에서 AlphaGo는 어떻게해서든지 역사상 가장 많이 연구 된 게임에 대한 완전히 새로운 지식을 세계에 가르쳐주었습니다.

  More than 200 million people watched online as AlphaGo emerged a surprise 4-1 victor, with the consensus among experts that this breakthrough was a decade ahead of its time. More importantly, during the games AlphaGo played a handful of highly inventive winning moves, one of which — move 37 in game two — was so surprising it overturned hundreds of years of received wisdom and has been intensively examined by players since. In the course of winning, AlphaGo somehow taught the world completely new knowledge about perhaps the most studied game in history.

***

  이러한 알고리즘 적 영감의 순간은 인공 지능이 과학에 매우 유익한 이유를 엿볼 수 있습니다. 기계 보조 과학 검색의 가능성입니다. 우리는 AlphaGo를 기반으로하는 기술이 범용이며 최적화 된 명확한 목적 함수와 정확한 시뮬레이션이 가능한 환경을 비롯하여 효율적인 고속 실험을 가능하게하는 다양한 영역에 적용될 수 있다고 생각합니다. 예를 들어, 에너지 효율면에서 우리는 이러한 알고리즘의 변형을 사용하여 Google의 데이터 센터를 냉각시키는 데 사용되는 에너지를 40 % 줄이는 새로운 기술을 찾고 있습니다. 엄청난 비용 절감 효과를 가져오고 환경에 아주 좋습니다.

  These moments of algorithmic inspiration give us a glimpse of why AI could be so beneficial for science: the possibility of machine-aided scientific discovery. We believe the techniques underpinning AlphaGo are general-purpose and could be applied to a wide range of other domains, especially those with clear objective functions that can be optimised, and environments that can be accurately simulated, allowing for efficient high-speed experimentation. In energy efficiency, for instance, we used a variant of these algorithms to find a set of novel techniques able to reduce the energy used to cool Google’s data centres by 40 per cent, which we are now rolling out across the fleet, and which will deliver a huge cost saving and be great for the environment.

  우리는 향후 몇 년 내에 비슷한 접근법을 사용하는 과학자와 연구원이 초전도 재료 설계부터 신약 개발에 이르기까지 다양한 분야에서 통찰력을 얻을 것이라고 믿는다. 많은 점에서 AI는 허블 망원경과 유사하다고 봅니다. 허블 망원경은 우리 주변의 우주를 멀리서 더 잘 이해할 수있게 해주는 과학적 도구입니다.

  We believe that in the next few years scientists and researchers using similar approaches will generate insights in a multitude of areas, from superconductor material design to drug discovery. In many ways I see AI as analogous to the Hubble telescope — a scientific tool that allows us to see farther and better understand the universe around us.

  물론 모든 강력한 기술과 마찬가지로 AI는 책임감 있고 윤리적이며 모든 사람에게 이익이되어야합니다. 우리는 또한 인공 지능 알고리즘의 유용성과 한계성에 대해 고도로 인식해야합니다. 그러나 프로그램의 기능에 대한 철저한 관심과 투입물로 사용하는 데이터의 품질 및 업무의 투명성에 대한 더 많은 연구를 통해 우리는 AI가 모든 유형의 전문가를 지원하는 데 필수적인 역할을 수행 할 수 있음을 발견 할 수 있습니다 인간의 눈을 혼자 피할 수있는 패턴과 소스.

  Of course, like any powerful technology AI must be used responsibly, ethically and to benefit everyone. We must also continue to be highly cognisant of both the utility and limitations of AI algorithms. But with rigorous attention to programs’ capabilities, and more research into the effects of the quality of the data we use as inputs and the transparency of their workings, we may find that AI can play a vital role in supporting all manner of experts by identifying patterns and sources that can escape human eyes alone.

  엄청난 과학적 진보가 앞으로 수십 년 동안 놓여있는 것은 사람들과 알고리즘 사이의 협력입니다. 저는 인공 지능이 과학자들이 배포하고, 일상 생활을 향상시키고, 우리 모두가보다 빠르고 효과적으로 일할 수있게 해주는 일종의 메타 솔루션이 될 것이라고 믿습니다. 이러한 도구를 광범위하고 공정하게 배치하여 모든 사람이 참여하고 혜택을 얻을 수있는 환경을 조성하면 우리는 인류 전체를 풍요롭게하고 발전시킬 수있는 기회를 갖게됩니다.

  It is in this collaboration between people and algorithms that incredible scientific progress lies over the next few decades. I believe that AI will become a kind of meta-solution for scientists to deploy, enhancing our daily lives and allowing us all to work more quickly and effectively. If we can deploy these tools broadly and fairly, fostering an environment in which everyone can participate in and benefit from them, we have the opportunity to enrich and advance humanity as a whole.

  그렇게함으로써, 우리는 우리 자신에 대해서도 배울 수 있습니다. 저는 항상 물리학과 신경 과학이 어떤면에서 가장 근본적인 주제에 있다고 느낍니다. 하나는 외부 세계와 관련이 있고, 다른 하나는 내부 세계와 관련되어 있습니다. 그들 사이에서 그들은 그러므로 모든 것을 덮는다. 인공 지능은 우리 모두를 더 잘 이해할 수있는 잠재력을 가지고 있습니다. 우리가 학습 과정 자체에 대해 더 많이 발견하고 그것을 인간의 뇌와 비교할 때 우리는 언젠가는 꿈과 창의력 그리고 언젠가는 그러한 영원한 정신의 신비에 빛을 비추는 것을 포함하여 우리를 독특하게 만드는 것에 대한 더 나은 이해를 얻을 수있었습니다. 의식.

  In doing so, we may learn something about ourselves, too. I’ve always felt that physics and neuroscience are in some ways the most fundamental subjects: one is concerned with the external world out there, and the other with the internal world in our minds. Between them they therefore cover everything. AI has the potential to help us to understand both better. As we discover more about the learning process itself and compare it to the human brain, we could one day attain a better understanding of what makes us unique, including shedding light on such enduring mysteries of the mind as dreaming, creativity and perhaps one day even consciousness.

  인공 지능이 환경을 보존하고 질병을 치료하며 우주를 탐구하는 사회로 우리를 도울 수 있다면 우리 자신을 더 잘 이해할 수 있습니다.

  If AI can help us as a society to not only save the environment, cure disease and explore the universe, but also better understand ourselves — well, that may prove one of the greatest discoveries of them all.