[논문 리뷰] Physical Artificial Intelligence: The Concept Expansion of Next-Generation Artificial Intelligence

Yingbo Li, Yucong Duan외 6명|arXiv (Cornell University)|2021. 05. 13.

Anomaly Detection Techniques and Applications참고 문헌 25인용 수 5

한 줄 요약

이 논문은 디지털 신호 처리를 넘어서 통합 및 분산 물리 시스템을 포함하는 AI의 다음 진화로 물리적 인공지능(PAI)을 제안한다. PAI의 의미적 이해를 체계화하기 위해 DIKW와 지식 그래프를 사용하는 동시에, 복잡한 실세계 구현에서의 보안, 편향, 사회적 수용성 등의 거버넌스 도전 과제를 다룬다.

ABSTRACT

Artificial Intelligence has been a growth catalyst to our society and is cosidered across all idustries as a fundamental technology. However, its development has been limited to the signal processing domain that relies on the generated and collected data from other sensors. In recent research, concepts of Digital Artificial Intelligence and Physicial Artifical Intelligence have emerged and this can be considered a big step in the theoretical development of Artifical Intelligence. In this paper we explore the concept of Physicial Artifical Intelligence and propose two subdomains: Integrated Physicial Artifical Intelligence and Distributed Physicial Artifical Intelligence. The paper will also examine the trend and governance of Physicial Artifical Intelligence.

연구 동기 및 목표

• 디지털 AI를 넘어서 이론적·실천적 한계를 지닌 물리적 인공지능(PAI)을 핵심적 진화로 개념화하기.
• 로봇과 같은 공통 장소에 배치된 시스템인 통합 PAI와 IoT 네트워크와 같은 탈중앙화된 시스템인 분산 PAI를 포함하는 PAI 프레임워크를 확장하기.
• 물리적 구현으로 인해 악화되는 보안, 데이터 편향, 프라이버시, 사회적 수용성 등의 거버넌스 도전 과제를 해결하기.
• PAI의 이질적 데이터를 조직하고 추론하기 위한 기초 프레임워크로 DIKW(Data-Information-Knowledge-Wisdom)와 지식 그래프를 제안하기.
• AI를 디지털 신호 처리를 넘어서 향후 산업 및 사회적 응용의 기초 기술로 위치시키기.

제안 방법

• AI를 디지털 AI(신호 처리)와 물리적 AI(실세계 상호작용)로 분류하고, PAI는 통합 및 분산 하위영역으로 더 나누기.
• 원시 센서 데이터에서 실행 가능한 지혜로의 데이터 흐름을 체계화하기 위해 DIKW 계층을 개념적 프레임워크로 도입하기.
• 다양한 소스와 다층적 데이터를 포함하는 PAI 데이터 간의 의미적 관계를 모델링하기 위해 지식 그래프를 제안하기.
• 물리적 구현으로 인해 복잡성이 증가하는 보안, 위조 데이터(예: 딥페이크), 프라이버시, 알고리즘 편향의 네 가지 핵심 차원을 통해 PAI의 거버넌스 과제 분석하기.
• 물리적 인공지능 개발의 체계적 장애 요인으로서 재료, 기계, 생물 등 다양한 분야 간 상호의존성을 강조하는 캐니킨 법칙(Cannikin Law)을 사용하기.
• 물리적 구현으로 인해 복잡성이 증가하는 점을 고려해, PAI의 거버넌스 문제를 디지털 AI와 비교 분석하기.

실험 결과

연구 질문

• RQ1 물리적 인공지능은 전통적인 디지털 AI를 넘어서 통합 및 분산 물리 시스템을 포함하도록 어떻게 개념적으로 확장될 수 있는가?
• RQ2 DIKW 프레임워크와 지식 그래프는 PAI 시스템 내에서 정보 흐름을 체계화하고 풍부화하는 데 어떤 역할을 할 수 있는가?
• RQ3 PAI는 디지털 AI와 비교해 보안, 데이터 진위성, 프라이버시 측면에서 어떤 고유한 거버넌스 과제를 안고 있는가?
• RQ4 재료 과학, 생물학 등 다양한 분야 간 상호의존성은 PAI 개발을 어떻게 제약하며, 캐니킨 법칙의 영향은 무엇인가?
• RQ5 AI 시스템의 물리적 구현은 감시, 편향, 일자리 감소와 같은 사회적 우려를 어떻게 악화시키는가?

주요 결과

• PAI는 디지털 신호 처리를 넘어서는 필수적 진화로 제안되며, 로봇과 같은 통합 PAI와 IoT 네트워크와 같은 분산 PAI를 포함한다.
• DIKW 프레임워크는 PAI 데이터의 의미적 체계화를 가능하게 하여 원시 센서 데이터에서 실행 가능한 지혜로의 변환을 가능하게 하며, 메타데이터 관계를 유지한다.
• 지식 그래프는 PAI 시스템 내에서 복잡하고 다층적인 데이터를 조직하기 위한 실현 가능한 기술적 해결책으로 확인되었으며, 이해 가능성과 추론 능력을 향상시킨다.
• PAI는 디지털 AI보다 보다 심각한 거버넌스 과제를 안고 있으며, 데이터 보안 리스크, 딥페이크 조작, 프라이버시 침해, 내재된 알고리즘 편향이 포함된다.
• 캐니킨 법칙은 PAI 개발에서 체계적 위험을 제기하며, 컴퓨터 과학 분야의 진전이 재료 과학 등 다른 분야의 느린 발전으로 인해 제약받을 수 있음을 보여준다.
• 도전 과제가 있음에도 불구하고, PAI는 농업, 에너지, 로봇 분야의 향후 산업 응용을 위한 기초 기술로 위치지어지며 광범위한 사회적·경제적 영향을 미칠 것이다.