[논문 리뷰] Artificial Intelligence: 70 Years Down the Road

Lin Zhang|arXiv (Cornell University)|2023. 03. 06.

Ethics and Social Impacts of AI인용 수 5

한 줄 요약

이 논문은 인공지능 발전의 70년에 걸친 역사를 분석하여, 규칙 기반 시스템에서 통계 모델로, 마지막으로 데이터 기반 접근 방식으로 이어지는 반복적인 기술적 궤적을 규명한다. 지속 가능한 AI 발전을 위해서는 마르크스주의적 변증법에 뿌리를 둔 철학적 기초와 컴퓨팅 성능 확장을 중심으로 한 기술적 길이 필요하며, 이는 복잡한 현실 세계 현상을 모델링하는 데 내재된 한계를 초월하는 인간-기계 협업을 가능하게 한다.

ABSTRACT

Artificial intelligence (AI) has a history of nearly a century from its inception to the present day. We have summarized the development trends and discovered universal rules, including both success and failure. We have analyzed the reasons from both technical and philosophical perspectives to help understand the reasons behind the past failures and current successes of AI, and to provide a basis for thinking and exploring future development. Specifically, we have found that the development of AI in different fields, including computer vision, natural language processing, and machine learning, follows a pattern from rules to statistics to data-driven methods. In the face of past failures and current successes, we need to think systematically about the reasons behind them. Given the unity of AI between natural and social sciences, it is necessary to incorporate philosophical thinking to understand and solve AI problems, and we believe that starting from the dialectical method of Marx is a feasible path. We have concluded that the sustainable development direction of AI should be human-machine collaboration and a technology path centered on computing power. Finally, we have summarized the impact of AI on society from this trend.

연구 동기 및 목표

• 최근 70년간 핵심 AI 분야인 컴퓨터 비전, 자연어 처리(NLP), 기계학습에서 반복되는 발전 패턴을 식별하고 체계화하는 것.
• 기술적 및 철학적 관점에서 과거 AI 실패의 근본 원인과 현재 성공의 이유를 분석하며, 특히 수학적 도구의 부족과 통합적 철학적 프레임워크의 필요성에 초점을 맞추는 것.
• AI 발전이 복잡한 현실 세계 시스템을 모델링하는 데 내재된 한계를 극복하기 위해 컴퓨팅 성능 확장과 인간-기계 협업 중심으로 이뤄져야 한다고 주장하는 것.
• AI의 사회적 영향을 탐색하며, 인간 실천에 통합됨으로써 사회적 생산 방식과 노동 분업 방식을 변화시키는 데서 AI의 역할을 강조하는 것.
• 미래 AI 연구 및 개발을 이끌기 위한 통합적이고 시간이 검증된 철학적 기초—특히 마르크스주의적 변증법—의 수립을 주장하는 것.

제안 방법

• 컴퓨터 비전, NLP, 기계학습 등의 핵심 하위분야에서 AI의 역사를 추적하여 일관된 패턴을 식별하는 것: 규칙 기반 시스템 → 통계 모델 → 데이터 기반 딥러닝 접근 방식.
• AI의 기술적 한계를 분석하여 복잡한 현실 세계 현상을 모델링할 수 있는 충분한 수학적 도구의 부족을 규명하고, 이로 인해 경험적 방법과 수작업 특징 추출 방법에 의존하게 되는 원인을 밝혀내는 것.
• 마르크스주의적 변증법을 AI에 적용하여 발전 과정을 모순의 관점에서 해석하는 것—인간 지식와 계산 능력 사이의 모순, 이론적 모델과 실무적 구현 사이의 모순.
• 이러한 모순의 해결책은 인간 지식, 알고리즘 혁신, 컴퓨팅 성능 확장 간의 지속적인 피드백 루프에 있음을 제안하는 것.
• 마르크스 철학의 '실천' 개념을 활용하여 AI를 단순한 기술적 도구가 아니라 인간 사회적 생산과 생활 실천의 연장선으로 프레임워크화하는 것.
• 향후 AI 발전이 컴퓨팅 성능 증가에 의해 가능해지는 나선형적 진전으로 볼 수 있으며, 인간의 입력과 반복적 피드백을 통해 더 복잡한 인간 지식을 모델링할 수 있도록 하는 것.

실험 결과

연구 질문

• RQ1 컴퓨터 비전, NLP, 기계학습 등의 다양한 하위분야에서 AI의 진화를 뒷받침하는 공통된 발전 궤적은 무엇인가?
• RQ2 과거 AI 접근 방식은 왜 실패했으며, 현재 데이터 기반 딥러닝의 성공을 설명하는 데 있어 기술적 요인과 철학적 요인은 무엇인가?
• RQ3 마르크스주의적 변증법은 AI의 미래 발전을 이해하고 이끌기 위한 통합적 철학적 프레임워크를 어떻게 제공할 수 있는가?
• RQ4 컴퓨팅 성능은 복잡한 현실 세계 시스템을 모델링하는 데 내재된 AI의 근본적 한계를 극복하는 데 어떤 역할을 하는가?
• RQ5 AI는 사회적 생산과 노동 분업 방식을 어떻게 변화시킬 것이며, AI 통합 사회에서 인간의 역할은 어떻게 진화해갈 것인가?

주요 결과

• 하위분야별로 AI 발전은 일관된 패턴을 따르며, 규칙 기반 시스템에서 통계 모델로, 마지막으로 데이터 기반 딥러닝 접근 방식으로 이어진다.
• AI의 기술적 한계는 복잡한 현실 세계 현상을 모델링할 수 있는 충분한 수학적 도구의 부족에서 기인하며, 이로 인해 경험적 방법과 수작업 특징 추출 방법에 의존하게 된다.
• 철학적 프레임워크, 특히 마르크스주의적 변증법은 AI 발전의 모순—특히 인간 지식와 계산 능력 사이의 모순—을 이해하고 지속 가능한 발전을 이끌기 위해 필수적이다.
• 인간-기계 협업은 피할 수 없고 지속 가능한 미래의 길이며, AI 발전은 컴퓨팅 성능의 지속적 확장을 중심으로 이루어져야 한다.
• 딥러닝의 성공은 독립적인 돌파구가 아니라, 컴퓨팅 성능, 데이터 가용성, 알고리즘 정교화 분야에서 수십 년에 걸친 점진적 진전의 결과이다.
• AI는 단순한 기술적 도구가 아니라 인간 사회적 실천의 연장선이며, 정신적·창조적 노동의 자동화를 통해 새로운 단계의 인간 생산성을 실현함으로써 노동 분업 방식을 근본적으로 변화시킨다.