[논문 리뷰] A system of different layers of abstraction for artificial intelligence

Alexander Serb, Themis Prodromakis|arXiv (Cornell University)|2019. 07. 22.

Advanced Memory and Neural Computing참고 문헌 69인용 수 6

한 줄 요약

이 논문은 인공지능의 하드웨어, 알고리즘, 인지, 사회, 윤리의 다섯 단계로 구성된 추상화 체계를 제안한다. 이는 각 단계 간의 상호의존성을 맵핑하는 프레임워크를 도입하여 복잡성-성능 및 통제-복잡성 트레이드오프를 부각함으로써, 인공지능 시스템의 혁신, 안전성 및 사회경제적 응용을 이끌어내는 데 기여한다.

ABSTRACT

The field of artificial intelligence (AI) represents an enormous endeavour of humankind that is currently transforming our societies down to their very foundations. Its task, building truly intelligent systems, is underpinned by a vast array of subfields ranging from the development of new electronic components to mathematical formulations of highly abstract and complex reasoning. This breadth of subfields renders it often difficult to understand how they all fit together into a bigger picture and hides the multi-faceted, multi-layered conceptual structure that in a sense can be said to be what AI truly is. In this perspective we propose a system of five levels/layers of abstraction that underpin many AI implementations. We further posit that each layer is subject to a complexity-performance trade-off whilst different layers are interlocked with one another in a control-complexity trade-off. This overview provides a conceptual map that can help to identify how and where innovation should be targeted in order to achieve different levels of functionality, assure them for safety, optimise performance under various operating constraints and map the opportunity space for social and economic exploitation.

연구 동기 및 목표

• 다양한 하위 분야를 통합하는 통합 개념적 프레임워크를 제안하여 인공지능에 대한 분절된 이해를 해결하고자 한다.
• 전자 하드웨어에서 윤리적 고려사항에 이르기까지 다양한 인공지능 구성 요소가 추상화 수준 간에 어떻게 상호연결되어 있는지를 명확히 하고자 한다.
• 성능, 안전성, 운영 제약 조건을 각 단계에 따라 맵핑하여 전략적 혁신 대상지를 특정하고자 한다.
• 계층 간 상호의존성을 통해 인공지능 시스템에서 통제와 복잡성 간의 상호작용을 드러내고자 한다.
• 기술적 및 사회경제적 응용을 위한 인공지능 기술의 계층적 추상화 수준에서의 활용 로드맵을 제공하고자 한다.

제안 방법

• 다섯 단계 추상화 모델을 제안한다: 물리적(하드웨어), 알고리즘적(계산), 인지적(추론), 사회적(상호작용), 윤리적(가치 정렬).
• 각 단계를 특정한 기능적 역할과 제약 조건을 지닌 별개의 추상화 수준으로 정의한다.
• 각 단계 내에서 복잡성-성능 트레이드오프를 도입하여, 높은 추상화 수준이 성능를 감소시킬 수 있지만 관리 용이성을 향상시킬 수 있음을 설명한다.
• 단계 간에 통제-복잡성 트레이드오프를 식별하여, 한 단계에서의 높은 통제 수준이 인접한 단계의 복잡성을 증가시킨다는 점을 밝힌다.
• 상호 연결된 의존성 관계를 시각화하기 위해 개념적 맵핑을 사용하여 전체 시스템의 통일성을 강조한다.
• 운영 제약 조건 하에서 개발, 안전 확보 및 최적화를 이끄는 데 이 프레임워크를 적용한다.

실험 결과

연구 질문

• RQ1 인공지능의 다양한 하위 분야는 어떻게 체계적인 다층 개념적 프레임워크로 조직될 수 있는가?
• RQ2 인공지능 시스템의 각 단계 내에서 복잡성과 성능 간의 본질적 트레이드오프는 무엇인가?
• RQ3 한 추상화 수준에서의 통제 메커니즘이 인접한 수준의 복잡성에 어떻게 영향을 미치는가?
• RQ4 이 계층적 추상화 모델은 인공지능 개발에서 혁신과 안전 확보를 어떻게 이끌 수 있는가?
• RQ5 이 프레임워크는 다양한 추상화 수준에서 인공지능 기술의 사회경제적 및 기술적 활용을 어떻게 지원할 수 있는가?

주요 결과

• 다섯 단계 추상화 모델은 인공지능의 물리적, 알고리즘적, 인지적, 사회적, 윤리적 차원을 통합하는 종합적 개념적 지도를 제공한다.
• 각 단계는 내재된 복잡성-성능 트레이드오프를 나타내며, 높은 추상화 수준이 계산 효율성을 감소시킬 수 있지만 설계의 확장성은 향상시킨다.
• 단계 간 의존성은 통제-복잡성 트레이드오프를 만들어내며, 한 단계에서의 통제 강도가 높아질수록 인접한 단계의 복잡성이 증가한다.
• 이 프레임워크는 功能성, 안전성, 성능 향상에 가장 영향을 미치는 위치를 특정함으로써 목표 지향적 혁신을 가능하게 한다.
• 이 모델은 인공지능 기술의 사회적 및 경제적 활용 기회를 체계적으로 식별하는 데 기여한다.
• 제안된 시스템은 기술적 및 사회적 영역에서 인공지능 개발의 다면적 특성을 체계적으로 관리하는 데 기여하는 구조화된 접근법을 제공한다.