인공지능의 진화는 기호주의 AI(GOFAI) 에서 연결주의로의 확실한 패러다임 전환을 의미합니다. 역사적으로 AI는 인간이 코딩한 규칙이 모든 결과를 결정하는 "하향식" 연역적 추론에 의존했습니다. 이 접근 방식은 논리 퍼즐에는 정확했지만, 다음과 같은 문제에서 실패했습니다: 모라벡의 역설—즉, 고차원적 추론은 계산적으로 쉽지만, 저차원적 감각운동 능력(예: 얼굴 인식)은 하드코딩이 거의 불가능하다는 깨달음입니다.
이와 대조적으로, 생체 모방 컴퓨팅 은 "상향식" 귀납적 학습 전략을 채택합니다. 인공 신경망은 정적인 지시를 따르는 대신 분산 표현을 활용하여 원시 데이터에서 패턴을 식별합니다. 이러한 아키텍처는 인간 뇌의 병렬 처리와 가소성을 모방하지만, 이를 다음과 같은 것으로 인식하는 것이 중요합니다: 수학적 추상화. 이들은 선형 대수학과 미적분학을 활용하여 기능적 결과를 달성하며, 생물학적 충실성보다 계산 효율성을 우선시합니다.
Python 구현
문제 1
로봇이 걷도록 하드코딩하는 것이 체스를 두도록 프로그래밍하는 것보다 더 어려운 이유를 설명하는 개념은 무엇일까요?
사례 연구: 기계 번역의 진화
아래 시나리오를 읽고 질문에 답하세요.
2000년대 초반, 기계 번역은 "통계적 구문 기반" 모델(기호/통계 규칙)에 의존했습니다. 2016년 Google이 "신경망 기계 번역"(GNMT)으로 전환했을 때, 시스템은 단어를 개별 토큰으로 보는 것을 멈추고 문장을 고차원 공간의 벡터로 바라보기 시작했습니다.
Q
신경망 접근 방식이 규칙 기반 접근 방식보다 은어와 문맥을 더 잘 처리한 이유는 무엇일까요?
답변:
신경망 접근 방식은 "상향식" 귀납적 학습을 활용합니다. 수백만 개의 문서를 처리함으로써 은어와 문법의 유동적인 특성을 따라잡을 수 없는 인간이 정의한 사전에 의존하는 대신, 문맥 속 단어 간의 확률적 관계를 파악합니다.
신경망 접근 방식은 "상향식" 귀납적 학습을 활용합니다. 수백만 개의 문서를 처리함으로써 은어와 문법의 유동적인 특성을 따라잡을 수 없는 인간이 정의한 사전에 의존하는 대신, 문맥 속 단어 간의 확률적 관계를 파악합니다.