Geoffrey Hinton has a hunch about what’s next for AI

제프리 힌튼, AI의 다음 단계를 예견하다

10년 전 인공지능의 선구자 힌튼은 획기적인 돌파구로 이 분야를 탈바꿈시켰다. 지금 그는 GLOM이라는 새로운 가상시스템을 연구하고 있다.

지난 11월, 컴퓨터과학자이자 인지심리학자인 제프리 힌튼(Geoffrey Hinton)은 직감했다. 반세기에 걸친 시도 끝에 그는 뇌가 작동하는 방식과 컴퓨터에서 뇌 회로를 복제하는 방법에 대해 또 다시 탁월한 통찰을 하게 되었다.

힌튼은 토론토의 재택근무 사무실에서 “이것이 현재 가장 잘 맞는 추측이다”라고 말한다. 만약 그의 추측이 성과를 거둔다면 차세대 인공신경망(artificial neural networks)의 도화선이 될 수 있다. 인공신경망이란 뇌의 신경세포와 시냅스에서 막연히 영감을 얻은 수학적 컴퓨팅 시스템(mathematical computing systems)으로, 오늘날의 인공지능의 핵심이다. 그의 ‘솔직한 동기’는 그가 말한 대로 호기심이다. 그러나 실질적인 동기는 (그리고 이상적인 결과로는) 더 확실하고 믿을 만한 AI다.

구글의 공학기술 석학연구원이자 인공지능 연구기관 벡터연구소(Vector Institute for Artificial Intelligence)의 공동창립자인 힌튼은 그의 직감에 대해 주기적으로 글을 썼고, 2월 말 트위터를 통해 아카이브(arXiv) 출판전논문에 44쪽 분량의 논문을 게재했다고 발표했다. 그는 부인으로 논문을 시작했다. 즉, “본 논문은 작동시스템(working system)을 기술하지 않는다”고 썼다. 오히려 이는 ‘가상시스템(imaginary system)’을 제시한다. 그는 이를 ‘GLOM’으로 명명했다. 이 용어는 ‘뭉치다(agglomerate)’와 ‘함께 붙잡혀 있다(glom together)’는 표현에서 유래했다.

힌튼은 GLOM을, 기계에서 인간의 인식을 모델링하는 하나의 방법으로 생각한다. 이는 신경망에서 시각 정보를 처리하고 표현하는 새로운 방법을 제공한다. 기술적 차원에서 GLOM의 요지는 유사한 벡터들의 결집을 포함한다. 벡터는 신경망의 기본을 이룬다. 벡터(vector)란 정보를 암호화하는 숫자들의 배열이다. 가장 간단한 예는 점의 xyz 좌표다. 즉, 점이 3차원 공간에 있는 위치를 나타내는 3개의 숫자다. 6차원 벡터에는 추가적으로 3가지 정보, 가령 점의 색상에 대한 적-녹-청 값이 더 들어 있다. 신경망에서 수백 또는 수천 차원의 벡터는 전체 이미지나 단어를 나타낸다. 그리고 훨씬 더 높은 차원을 다루는 힌튼은 우리 뇌에서 일어나는 일이 ‘신경활동(neural activity)을 하는 큰 벡터’와 관련이 있다고 믿는다.

유추의 방법으로 힌튼은 유사한 벡터들의 결집을 반향실(echo chamber)*의 역학, 즉 유사한 신념의 증폭에 비유한다. “반향실은 정치와 사회에 있어서는 확증편향을 강화하면서 큰 화근이 되지만, 신경망에 있어서는 훌륭한 효과를 낸다”라고 힌튼은 말한다. 신경망과 연관된 반향실 개념을 그는 ‘동일한 벡터의 섬(islands of identical vectors),’ 또는 더 구어적으로 ‘동의의 섬(islands of agreement)’이라고 부른다. 말하자면, 벡터들이 정보의 속성에 대해 동의하면 같은 방향을 가리킨다는 것이다.

*소셜미디어에서 내가 믿는 정보와 지식만 메아리로 돌아와 소통과 이해 대신 기존의 신념이 강화되는 현상

“만약 신경망이 인간과 더 비슷하다면, 적어도 인간이 실수하는 것과 같은 방식으로 신경망도 실수할 수 있을 것이므로 우리는 무엇이 신경망을 혼란스럽게 할 수 있을지에 대한 통찰력을 얻을 수 있을 것이다”

제프리 힌튼

정신에 있어서, GLOM은 또한 직관을 모델링하는 규정하기 어려운 목표에 착수한다. 왜냐하면 힌튼은 직관이 인식에 매우 중요하다고 생각하기 때문이다. 그는 직관을, 힘들이지 않고 비유할 수 있는 능력으로 정의한다. 어린 시절부터 우리는 내내 살아가면서 유추를 이용하고, 하나의 물체나 생각, 개념에서 다른 물체나 생각, 개념의 유사점을 발견해나가면서 세상을 이해하고 있다. 힌튼의 표현대로라면 하나의 큰 벡터에서 다른 큰 벡터의 유사점을 발견해나가는 것이다. “큰 벡터의 유사성은 신경망이 어떻게 직관적인 유추를 수행하는지를 설명해준다”고 그는 말한다. 직관은 인간 뇌가 통찰력을 생성하는 것이며, 말로 설명하기 어려운 방식을 간파해낸다. 힌튼도 매우 직관적으로 일한다. 즉, 과학적으로 그는 직관을 따르고 유추를 도구 삼아 연구한다. 그리고 뇌가 어떻게 작동하는지에 대한 그의 이론도 모두 직관에 관한 것이다. “나는 매우 일관적이다”라고 그는 말한다.

힌튼은 GLOM이 여러 돌파구 중 하나로 긴요한 발판이 되어 AI가 진정으로 민첩한 문제 해결 능력을 갖추게 되기를 기대한다. 즉, 이는 일종의 인간과 같은 사고방식으로, 시스템이 이전에는 접하지 못했던 것들을 파악하고, 과거 경험에서 얻은 유사점들을 활용하고, 아이디어에 열중하고, 일반화하고, 추론하고, 이해하도록 하는 능력을 말한다. 그는 “만약 신경망이 인간과 더 비슷하다면, 적어도 인간이 실수하는 것과 같은 방식으로 신경망도 실수할 수 있을 것이므로 우리는 무엇이 신경망을 혼란스럽게 할 수 있을지에 대한 통찰력을 얻을 수 있을 것이다”라고 말한다.

그러나 당분간 GLOM은 단지 직관에 불과하다. 이는 ‘베이퍼웨어(vaporware)*’라고 힌튼은 말한다. 그리고 그는 이 두문자어가 ‘제프의 최신 오리지널 모델(Geoff’s Last Original Model)’과 잘 맞는다는 점도 인정한다. GLOM은 적어도 그의 최신 연구다.

*개발 단계부터 요란하게 선전했지만 실제로는 완성 가능성이 없는 소프트웨어 또는 하드웨어

새로운 발상

(20세기 중반에 고안된) 인공 신경망에 대한 힌튼의 헌신은 1970년대 초반으로 거슬러 올라간다. 1986년까지 그는 상당한 진전을 이루었다. 초기에는 망이 단 2개의 신경세포 층, 즉 입력층과 출력층으로만 구성됐던 반면, 힌튼과 공동연구자들은 더 심층적이고 다층화된 연결망을 위한 기술을 창안해냈다. 그러나 컴퓨팅 성능과 데이터 용량이 이런 심층구조를 따라잡고 활용하기까지 26년이 걸렸다.

2012년, 힌튼은 딥러닝 혁신을 통해 명성과 부를 얻었다. 2명의 학생들과 함께 그는 대규모 이미지 데이터세트에서 물체를 인식하도록 훈련된 다층신경망(multilayered neural network)을 구현했다. 이 신경망은 다양한 물체(예: 진드기, 버섯, 오토바이, 마다가스카르 사향고양이)를 반복적으로 분류하고 식별하는 방법을 배웠다. 게다가 예상치 못한 놀라운 정확도로 작업을 수행했다.

딥러닝은 최근 AI 혁명을 일으켜 컴퓨터비전(computer vision)과 그 분야 전체를 탈바꿈시켰다. 힌튼은 딥러닝이 인간 지능을 완전히 복제하는 데 필요한 거의 모든 것이 되어야 한다고 생각한다.

그러나 급속한 발전에도 불구하고 여전히 주요 난제들이 남아 있다. 생소한 데이터세트나 외부 환경에 신경망을 노출시키면, 신경망이 불안정하고 유연하지 않다는 점이 드러난다. 자율주행차와 자동문장생성기는 인상적이지만, 자칫 일이 틀어질 수 있다. AI 비전시스템은 헷갈리기 쉽다. 예를 들어, 측면에서 보고 알아본 커피잔을 위에서 보고는 못 알아볼 수도 있다. 내려다보는 관점으로 시스템이 훈련되지 않았을 경우 일어날 수 있는 일이다. 그리고 픽셀 몇 개의 조작으로 판다가 타조나 심지어 통학버스로 오인될 수도 있다.

GLOM은 시지각 시스템(visual perception systems)의 가장 어려운 문제 두 가지를 해결한다. 바로 물체의 관점에서 전체 장면을 이해하고 물체의 자연적인 부분도 이해하는 것과 새로운 관점에서 볼 때 물체를 인식하는 것이다. (GLOM은 시각에 초점을 맞추고 있지만, 힌튼은 이 아이디어가 언어에도 적용될 수 있을 것으로 기대하고 있다.)

이를 테면, 힌튼의 얼굴과 같은 객체는  몹시 피로해 보이지만(왜 그런지 많이들 물어보는데, 잠을 너무 적게 자서다) 생기발랄한 눈, 입, 귀, 눈에 잘 띄는 코, 그 위로 조금 단정치 못한 백발로 이루어져 있다. 그리고 코는, 옆에서 봐도 바로 첫눈에 힌튼임을 알아볼 수 있게 하는 생김새를 하고 있다.

힌튼의 관점에서 볼 때 이 2가지 요소들, 즉 부분-전체 관계(part-whole relationship)와 시점(viewpoint)은 인간이 시각 기능을 어떻게 수행하는가에 있어 매우 중요하다. 그는 “GLOM이 언제든 작동한다면, 이는 현재의 신경망보다 훨씬 더 인간과 비슷한 방식으로 지각하게 될 것이다”라고 말한다.

그러나 부분들을 전체로 모으는 건 컴퓨터가 하기에 어려운 문제일 수 있다. 왜냐하면 부분들이 때때로 모호하기 때문이다. 가령, 동그라미는 눈도 될 수 있고, 도넛이나 바퀴도 될 수 있다. 힌튼의 설명에 따르면, 1세대 AI 비전시스템은 주로 부분-전체 관계의 기하학적 구조, 즉 부분들 간의 공간적 방향과 부분과 전체 사이의 공간적 방향에 의존해 물체를 인식하려고 했다. 2세대는 그보다 주로 딥러닝에 의존해, 신경망이 대량의 데이터로 훈련하게 했다. 힌튼은 GLOM 구축에 이 두 접근법의 장점들을 결합한다.

로버스트.AI(Robust.AI)의 설립자 겸 CEO인 게리 마커스(Gary Marcus)는 “힌튼 교수가 지적 겸손을 갖추고 있어서 마음에 든다”고 말한다. 마커스는 힌튼이 자신의 명성을 떨치게 해준 무언가에 기꺼이 도전하는 것에, 또 그것이 제대로 작동하고 있지 않다고 기꺼이 인정하는 것에 감탄한다. 마커스는 “용감한 일이다”라며 “게다가 ‘새로운 발상을 해보려고 한다’고 말하는 것은 매우 훌륭한 개선책이다”라고 말한다.

GLOM 아키텍처

GLOM을 만들면서 힌튼은 사람들이 세상을 파악하는 데 사용하는 정신 작용의 지름길(직관적 전략, 즉 휴리스틱(heuristic)*)을 모델링하려고 했다. 구글의 딥러닝 인공지능 연구팀 ‘구글 브레인(Google Brain)’에서 힌튼과 함께 일했으며 현재 토론토 소재 언어 스타트업의 컴퓨터과학자인 닉 프로스트(Nick Frosst)는 “GLOM을 비롯해 제프의 연구 대부분은 인간이 지닌 휴리스틱을 살펴보고, 휴리스틱을 스스로 가질 수 있는 신경망을 구축한 뒤, 이런 신경망이 결과적으로 시각에 더 능하다는 점을 보여주는 것이다”라고 설명한다.

*시간이나 정보가 불충분해 합리적 판단을 할 수 없거나 굳이 합리적 판단을 할 필요가 없을 때 신속하게 사용하는 어림짐작

시지각에 있어 한 가지 전략은 물체의 부분들, 가령 이목구비 각각을 분석함으로써 전체를 이해하는 것이다. 만약 어떤 코를 봤을 때 그 코를 힌튼의 얼굴의 일부로 인식할 수 있다. 이것이 바로 부분-전체 계층구조(part-whole hierarchy)다. 힌튼은 “더 나은 비전시스템을 구축하기 위해 나는 부분-전체 계층구조를 사용해야 한다는 것을 강렬하게 직감했다”고 말한다. 인간의 뇌는 ‘파스트리(parse tree)’라고 불리는 것을 만들어 이 부분-전체 관계를 이해한다. 파스트리는 전체와 부분, 하위부분 간의 계층적 관계를 보여주는 트리 형태다. 얼굴 자체는 트리의 최상위에 있고, 얼굴의 구성요소인 눈, 코, 귀, 입은 아래 가지를 형성한다.

GLOM에 대한 힌튼의 주요 목표 중 하나는 신경망에서 파스트리를 모사하는 것이고, 이는 이전에 나온 신경망들과는 구별될 것이다. 그러나 기술적인 이유로 쉽지 않은 일이다. 프로스트는 “이것이 어려운 이유는 각 개인의 이미지가 사람에 따라 고유한 파스트리로 분석될 것이기 때문으로, 따라서 우리는 신경망이 동일한 작업을 수행하기를 원할 것이다”라고 말한다. “시스템이 보는 새로운 이미지마다 새로운 구조(파스트리)를 획득하기 위해 정적 아키텍처(신경망)로 성과를 내기는 어렵다”고 프로스트는 설명한다. 힌튼은 다양한 시도를 해왔다. GLOM은 2017년에 했던 시도의 개선작업으로, 이 분야의 관련된 다른 진전들을 결합시킨 것이다.

GLOM벡터 曰,

“나는 코의 일부다!”

GLOM아키텍처에 관한 일반적 발상은 다음과 같다. 관심 있는 이미지(예: 힌튼의 얼굴사진)을 격자로 나눈다. 격자의 각 영역은 이미지 위의 ‘위치’다. 예를 들어, 한 위치는 눈의 홍채를 포함할 수도 있고, 또 다른 위치는 코끝을 포함할 수도 있다. 망의 각 위치에는 약 5개 층(layers), 혹은 단계(levels)가 있다. 그리고 각 단계마다 시스템은 콘텐츠나 정보를 나타내는 벡터를 사용하여 예측한다. 최하위에 가까운 단계에서 코끝 위치를 나타내는 벡터는 다음과 같이 예측할 수 있다. “나는 코의 일부다!” 그리고 한 단계 위에서, 시스템이 보고 있는 것을 더 조리 있게 표현하도록 만들면 벡터는 다음과 같이 예측할 수 있다. “나는 측면에서 본 얼굴의 일부다!”

그러나 문제는, 동일한 단계에서 인접 벡터들이 동의하는가 이다. 동의를 할 때 벡터들은 같은 방향을 가리켜, 같은 결론에 도달한다. “그렇다, 우린 둘 다 같은 코에 속해 있다.” 또는 파스트리의 더 위쪽에서는 다음과 같이 말한다. “그렇다, 우린 둘 다 같은 얼굴에 속해 있다.”

물체의 본질에 대해, 즉 궁극적으로는 그 물체가 정확히 무엇인지에 대해 합의를 이끌어내는 것은 GLOM의 벡터들이 반복적으로, 각 위치마다 그리고 각 단계마다 옆에 있는 인접 벡터들과, 덧붙여 윗단계와 아랫단계에서 얻은 예측 벡터들과 평균을 내는 일이다.

그러나 신경망은 단지 가까이 있다고 해서 아무것이나 “닥치는 대로 평균을 내지 않는다”고 힌튼은 말한다. 유사성을 내보이는 인접한 예측 벡터들 사이에서만 선택적으로 평균을 낸다. “이는 미국에선 잘 알려져 있는 현상이다. 바로 반향실이라는 현상이다”라고 그는 말한다. “이는 이미 동의를 밝힌 사람들의 의견만 받아들이는 것을 말한다. 그 결과, 모두 정확히 같은 의견을 가진 사람들만 모여 있는 반향실을 얻게 된다. GLOM은 이를 건설적인 방법으로 사용한다”고 힌튼은 설명한다. 힌튼의 시스템에서 이와 유사한 현상은 ‘동의의 섬’이라고 한다.

“제프는 매우 특출난 사상가다…”

수 베커

프로스트는 “방 안에 있는 한 무리의 사람들이 약간씩 변형된 동일한 의견을 외치는 모습을 상상해보라”라고 말한다. 혹은 이러한 사람들을 약간씩 다른 동일한 방향을 가리키는 벡터들이라고 상상해보라. “잠시 후 이들은 하나의 의견으로 수렴될 것이다. 그러면 모두는 이 의견을 더 강력하게 느낄 것이다. 왜냐하면 주변의 다른 사람들로부터 이 의견이 옳다는 확인을 받았기 때문이다.” 이것이 바로 GLOM의 벡터들이 이미지에 대한 집단적 예측을 강화하고 증폭하는 방법이다.

GLOM은 이 같은 동의하는 벡터들의 섬을 이용해 신경망에서 파스트리를 나타내는 요령을 통달한다. 최근의 일부 신경망들은 활성화(activation)를 위해 벡터 간 동의를 사용하는 반면, GLOM은 표현(representation)을 위해 벡터 간 동의를 사용한다. 즉, 신경망 내에서 물체의 표현을 구축해내는 것이다. 예를 들어, 여러 벡터들이 다 같이 힌튼 코의 일부를 나타낸다고 동의할 경우, 이 동의한 작은 군집은 집합적으로 힌튼의 얼굴에 관한 신경망 파스트리에서 코를 나타낸다. 동의한 또 다른 벡터들의 작은 군집은 이 트리에서 입을 나타낼 수 있다. 그리고 이 트리의 최상위에 있는 큰 군집은 이미지 전체가 힌튼의 얼굴이라는 결론을 나타낼 수 있다. 힌튼은 “여기서 이 파스트리가 나타나는 방식이 물체 단계에서의 큰 섬이 되는 것이다. 또 물체의 부분들은 작은 섬이 되고, 물체의 하위부분들은 훨씬 더 작은 섬이 되고, 기타 등등이다”라고 설명한다.

힌튼의 GLOM 논문의 그림2. 여러 단계에 있는 동일한 벡터의 섬(같은 색상의 화살표)들이 파스트리를 나타낸다. 제프리 힌튼 제공

힌튼의 오랜 친구이자 공동연구자인 몬트리올 대학의 컴퓨터과학자 요슈아 벤지오(Yoshua Bengio)에 따르면, GLOM이 신경망에서 파스트리를 표현하는 공학 과제를 해결할 수 있다면 이는 대단한 업적이 될 것이다. 이는 신경망이 제대로 작동하도록 하는 데 중요할 것이기 때문이다. 벤지오는 “제프가 그간의 경력에서 놀랍도록 강력한 직관을 여러 번 보여주었고, 그 중 많은 것들이 옳다고 입증되었다”고 말한다. “그러므로 나는 그의 직관에 주의를 기울인다. 특히 GLOM을 연구할 때처럼 강력한 직관을 느낄 때에는 더더욱 그렇다”고 그는 덧붙인다.

힌튼의 설득력의 강점은 반향실 유추에만 뿌리를 둔 게 아니라 수학적, 생물학적 유추에도 뿌리를 두고 있다는 점이다. 이들 유추는 새로운 공학기술인 GLOM의 일부 설계 결정(design decisions)에 영감을 주고 정당성을 부여해주었다.

“제프는 매우 특출난 사상가로, 복잡한 수학적 개념을 도출하고 이를 생물학적 제약과 통합해 이론을 개발할 수 있는 연구자다”라고 힌튼의 제자였으며 현재는 맥마스터 대학의 컴퓨터 인지 신경과학자인 수 베커(Sue Becker)는 말한다. 이어 그녀는 “수학이론과 신경생물학 중 어느 한 분야에 좁게 초점을 맞춘 연구자들은 기계와 인간이 둘 다 어떻게 배우고 생각할 수 있는지에 관한 대단히 흥미로운 퍼즐을 풀 가능성이 훨씬 적다”고 말한다.

철학을 공학으로 바꾸기

지금까지 힌튼의 새로운 아이디어는 호평을 받아왔다. 특히 세계 최고의 반향실 몇몇 곳에서는 더욱 그랬다. “트위터에서 나는 ‘좋아요’를 많이 받았다”고 힌튼은 말한다. 게다가 유튜브 강좌에서는 ‘MeGLOMania*’란 용어에 관한 권리를 주장하기도 했다.

*유사한 단어인 megalomania(과대망상증이라는 뜻)를 조금 비틀어 ‘나, GLOM마니아’라고 표명한 언어유희로 보인다.

힌튼은 솔선해서, 현재 GLOM은 철학적 사유에 지나지 않는다는 사실을 인정한다 (그는 학부 때 1년간 철학과를 다니다 실험심리학과로 전과했다). “어떤 생각이 철학적으로 괜찮아 보이면 그건 좋은 생각이다”라고 그는 말한다. “어떻게 헛소리처럼 들리지만 결국엔 사실로 판명되는 철학적 생각을 해낼 수 있겠는가? 그건 철학적 생각이라고는 할 수 없을 것이다.” 이에 비해 “과학은 순 헛소리처럼 들리지만 나중엔 아주 잘 작동하는 것으로 판명되는 아이디어들로 가득하다. 예를 들어, 신경망처럼 말이다”라고 그는 말한다.

GLOM은 철학적으로 타당해 보이도록 설계돼 있다. 하지만 GLOM이 작동할까?

에든버러 대학 정보학부의 기계학습 교수 크리스 윌리엄스(Chris Williams)는 GLOM이 일대 혁신을 낳을 것이라고 보고 있다. 그러나 그는 “AI를 철학과 구분 짓는 것은 바로 우리가 컴퓨터를 이용해 이런 이론을 시험해볼 수 있다는 것”이라고 말한다. 이러한 실험들을 통해 아이디어에서 결함이 드러날 수도 있고, 어쩌면 고칠 수도 있다고 그는 말한다. “현재로서는 우리가 이 아이디어의 진정한 의미를 평가할 만한 충분한 증거가 없는 것 같다. 그럼에도 불구하고 이 아이디어는 장래성이 크다고 믿는다”고 그는 설명한다.

GLOM 시험 모델의 입력 정보는 양이나 얼굴을 구성하는 10개의 타원이다. 로라 컬프 제공

토론토에 있는 구글리서치(Google Research)의 힌튼의 동료들 몇 명은 GLOM을 실험적으로 조사하는 초기 단계를 진행하고 있다. 새로운 신경망 아키텍처를 구현하는 소프트웨어 엔지니어 로라 컬프(Laura Culp)는 컴퓨터 시뮬레이션을 통해 GLOM이 물체의 부분과 전체를 이해하는 데 힌튼의 동의의 섬을 만들어낼 수 있는지를 시험하고 있다. 심지어 입력정보인 ‘부분’이 모호한 상황에서도 말이다. 실험에서, 부분은 10개의 타원이다. 이들은 다양한 크기의 타원형으로, 얼굴과 양 중 한쪽 모양을 형성하도록 배열할 수 있다.

어떤 타원이든 무작위로 입력을 하면 이 모델은 예측을 해낼 수 있어야 한다고 컬프는 말한다. 이어 “타원이 얼굴의 일부인지 양의 일부인지의 여부와, 타원이 양의 다리인지 양의 머리인지와 같은 불확실성을 처리할 수 있어야 한다”고도 말한다. 또한 어떤 작은 변화에 직면하더라도 자체적으로 교정도 할 수 있어야 한다. 다음 단계는 기준을 설정하는 것이고, 이 기준선은 표준 딥러닝 신경망이 이런 식의 과제 때문에 갈팡질팡할지의 여부를 알려준다. 아직까지 GLOM은 고도로 관리되고 있다. 즉, 컬프가 데이터를 생성하고 라벨을 붙여가며, 모델을 이끌어주고 압박도 해서 결국 정확한 예측을 하게 만들고 시간이 지남에 따라 성공도 할 수 있게 만든다.

이런 예비 상태에서는 어떤 중대한 결론을 내리기에는 너무 이르다. 컬프는 더 많은 숫자를 기다리고 있다. 그럼에도 불구하고 힌튼은 이미 감명을 받았다. 그는 “단순한 버전의 GLOM은 10개의 타원을 볼 수 있고, 타원들 간의 공간적 관계를 바탕으로 한 얼굴과 양을 볼 수 있다”고 말한다. “이건 힘든 일이다. 왜냐하면 각각의 타원은, 그 타원이 어떤 종류의 물체에 속하는지 또 그 물체의 어느 부분에 해당하는지에 대해 하나도 알려주지 않기 때문”이라고 그는 설명한다.

그리고 힌튼은 전반적으로 GLOM이 받은 피드백에 만족한다. “나는 단지 공동체를 위해 GLOM을 공개하고 싶었기 때문에 좋아하는 사람이라면 누구나 GLOM을 시험해 볼 수 있다”고 그는 말한다. “혹은 이 아이디어들의 하위조합을 시도해보라. 그러면 철학이 과학으로 바뀔 것이다”라고 그는 조언한다.

미리보기 3회1회

MIT Technology Review 구독을 시작하시면 모든 기사를 제한 없이 이용할 수 있습니다.