[논문 리뷰] Computational Power and the Social Impact of Artificial Intelligence

Tim Hwang|arXiv (Cornell University)|2018. 03. 23.

Ethics and Social Impacts of AI인용 수 32

한 줄 요약

이 논문은 반도체 및 칩과 같은 하드웨어 기술 발전에 의해 주도되는 계산 능력이 인공지능의 개발, 구현 및 사회적 영향을 형성하는 데 핵심적인 역할을 한다는 점을 조사한다. 하드웨어 제약과 혁신이 기계학습 방법론, 모델 설계, 실생활 응용에 직접적인 영향을 미친다고 주장하며, AI 정책 및 사회적 위험 평가에 하드웨어 고려 사항을 더 깊이 통합할 것을 촉구한다.

ABSTRACT

Machine learning is a computational process. To that end, it is inextricably tied to computational power - the tangible material of chips and semiconductors that the algorithms of machine intelligence operate on. Most obviously, computational power and computing architectures shape the speed of training and inference in machine learning, and therefore influence the rate of progress in the technology. But, these relationships are more nuanced than that: hardware shapes the methods used by researchers and engineers in the design and development of machine learning models. Characteristics such as the power consumption of chips also define where and how machine learning can be used in the real world. Despite this, many analyses of the social impact of the current wave of progress in AI have not substantively brought the dimension of hardware into their accounts. While a common trope in both the popular press and scholarly literature is to highlight the massive increase in computational power that has enabled the recent breakthroughs in machine learning, the analysis frequently goes no further than this observation around magnitude. This paper aims to dig more deeply into the relationship between computational power and the development of machine learning. Specifically, it examines how changes in computing architectures, machine learning methodologies, and supply chains might influence the future of AI. In doing so, it seeks to trace a set of specific relationships between this underlying hardware layer and the broader social impacts and risks around AI.

연구 동기 및 목표

• 계산 능력과 같은 하드웨어 인프라가 기계학습 및 AI 개발의 방향성을 어떻게 결정짓는지 분석하는 것.
• 기초 컴퓨팅 아키텍처와 공급망을 간과하는 기존 AI 영향 분석의 격차를 메우는 것.
• 계산 하드웨어의 변화가 기계학습 방법론과 실생활 구현 제약에 어떤 영향을 미치는지 탐구하는 것.
• 하드웨어 기반 AI 발전이 접근성과 형평성 측면에서 사회적 및 윤리적 함의를 어떻게 초래하는지 검토하는 것.
• 하드웨어를 AI의 사회적 영향에 핵심 요소로 통합하는 더 깊은 이해를 촉진하는 것.

제안 방법

• 계산 능력과 기계학습 성능 간의 관계를 분석하며, 특히 학습 및 추론 속도에 초점을 맞춘다.
• 전력 소모 및 칩 효율성과 같은 하드웨어 특성이 특정 AI 응용에 어떤 제약을 가하거나 가능하게 하는지 검토한다.
• 컴퓨팅 아키텍처의 변화와 가용한 하드웨어에 대응하여 기계학습 모델의 진화를 추적한다.
• AI 시스템을 개발하고 구현할 수 있는 능력에 영향을 미치는 공급망 역학과 하드웨어 접근성 격차를 분석한다.
• 하드웨어 제약이 연구 우선순위와 모델 설계 선택에 어떻게 영향을 미치는지 보여주는 사례 연구 및 AI 발전 추세를 활용한다.
• 하드웨어 능력과 AI의 포괄성, 지속 가능성, 확장성과 같은 더 넓은 사회적 결과를 연결하는 프레임워크를 제안한다.

실험 결과

연구 질문

• RQ1 계산 능력은 기계학습의 진전 속도와 방향성에 어떻게 영향을 미치는가?
• RQ2 하드웨어 제약은 기계학습 모델의 설계와 구현 방식에 어떤 방식으로 영향을 미치는가?
• RQ3 왜 현재 AI의 사회적 영향 분석에서 하드웨어 고려 사항이 간과되고 있는가?
• RQ4 계산 자원에 대한 공급망 및 접근성 격차는 AI 개발의 글로벌 형평성에 어떻게 영향을 미치는가?
• RQ5 하드웨어 기반 AI 발전의 장기적 사회적 및 윤리적 함의는 무엇인가?

주요 결과

• 계산 능력은 AI 진전의 보조 요소가 아니라, 어떤 기계학습 방법론이 실현 가능하고 확장 가능한지 결정짓는 핵심 요소이다.
• 전력 소모와 같은 하드웨어 특성은 AI 모델이 실생활 환경에서 어디에, 어떻게 구현될 수 있는지 직접적으로 영향을 미친다.
• AI 방법론의 진화는 컴퓨팅 아키텍처의 발전과 밀접하게 연결되어 있으며, 새로운 칩 설계는 새로운 모델 아키텍처를 가능하게 한다.
• 현재의 AI 영향 평가에서 하드웨어를 간과함으로써 에너지 사용, 환경 영향, 접근성 불균형과 관련된 위험에 대한 이해가 불완전해지고 있다.
• 고성능 컴퓨팅 자원에 대한 접근 격차는 진입 장벽을 만들며, AI 개발에서 기존의 권력 불균형을 강화한다.
• 미래의 AI 정책 및 위험 평가에서는 지속 가능하고 포용적인 기술 발전을 보장하기 위해 하드웨어 고려 사항을 통합해야 한다.