[논문 리뷰] Programmatic Manipulation of Common Lisp Type Specifiers

Jim E. Newton, Didier Verna외 1명|arXiv (Cornell University)|2017. 04. 03.

Advanced Data Storage Technologies인용 수 103

한 줄 요약

이 논문은 인간-AI 통합을 위한 프레임워크를 제안하며, 인간의 운동 및 감각 자극(예: 묵음 말하기, 손짓)으로부터 학습하는 AI 시스템이 실시간 출력을 제공함으로써 피드백 루프를 완성하고, 기술 습득과 인지 능력 향상이 가능하게 한다. 주요 기여는 AI를 도구가 아니라 인간 능력의 통합적 연장선으로 재정의하는 것으로, 구체적으로 구강 내 운동으로부터 음성 생성 및 손짓 기반 음성 합성과 같은 사례를 제시한다.

ABSTRACT

In this article we contrast the use of the s-expression with the BDD<br> (Binary Decision Diagram) as a data structure for programmatically<br> manipulating Common Lisp type specifiers. The s-expression is the<br> extit{de facto} standard surface syntax and also programmatic<br> representation of the type specifier, but the BDD data structure<br> offers advantages: most notably, type equivalence checks using<br> s-expressions can be computationally intensive, whereas the type<br> equivalence check using BDDs is a check for object identity. As an<br> implementation and performance experiment, we define the notion of<br> maximal disjoint type decomposition, and discuss implementations of<br> algorithms to compute it: a brute force iteration, and as a tree<br> reduction. The experimental implementations represent type<br> specifiers by both aforementioned data structures, and we compare<br> the performance observed in each approach.

연구 동기 및 목표

• AI를 별개의 도구가 아니라 인간 인지 및 운동 조절의 통합적 부분으로 재정의하는 것.
• 실시간 피드백 루프를 통해 AI가 인간의 감각 및 운동 능력을 어떻게 연장할 수 있는지 탐구하는 것.
• AI 시스템이 자연스러운 인간 기술 습득과 유사한 폐쇄 루프 학습 과정의 일부가 될 수 있음을 보여주는 것.
• 미래의 인간 보조를 위한 침습적 뇌-AI 인터페이스와 네트워크화된 인간-AI 시스템의 잠재력을 조사하는 것.
• 가시성과 기관성에 기반해 인간-AI 관계를 네 가지 분야로 분류하고, '인간-AI 통합'을 새로운 패러다임으로 강조하는 것.

제안 방법

• 내부 구강 초음파 영상과 음성 출력 간의 맵핑을 위해 딥 네ural 웹워크를 사용하여 묵음 말하기를 가능하게 한다.
• 손짓과 음성 합성기 파arameter 간의 연결을 위해 신경망을 활용하여 손짓 기반 음성 생성을 수행한다.
• 사용자가 AI가 생성한 음성 출력에 기반해 운동 패턴을 조정함으로써 자연스러운 말하기 학습을 모방하는 피드백 루프를 구축한다.
• HCI 및 인지과학 원리를 적용하여 인간 신경 과정과 유기적으로 통합되는 시스템을 설계한다.
• 가시성(가시/비가시)과 기관성(자기/다른 이)을 기반으로 인간-AI 상호작용을 네 가지 분야로 분류하고, '인간-AI 통합'을 향후 핵심 방향으로 위치한다.
• 헤이크의 현미경, 엔겔바르트의 마우스와 같은 역사적 인간 보조 사례를 비유로 삼아 AI를 인간 연장의 다음 진화로 프레임한다.

실험 결과

연구 질문

• RQ1 AI는 인간의 운동 및 감각 시스템에 어떻게 통합되어 새로운 형태의 인간 보조를 가능하게 할 수 있는가?
• RQ2 폐쇄 루프 피드백 메커니즘이 인간이 AI를 통한 기술을 학습하고 정련하는 데 어떤 역할을 하는가?
• RQ3 인공 신경망과 생물학적 신경망의 통합은 전통적인 인간-컴퓨터 상호작용과 어떻게 다를까?
• RQ4 AI를 도구가 아니라 인간 인지 및 지각의 功能적 연장선으로 간주할 경우 어떤 함의가 있는가?
• RQ5 미래의 인간-AI 시스템은 어떻게 자율적이고 신체적 학습, 능력 재설계를 지원하도록 설계될 수 있는가?

주요 결과

• 실시간으로 운동으로 생성된 출력(예: 묵음 말하기에서 유도된 음성)에 대한 피드백을 제공하는 AI 시스템은 사용자가 운동 패턴을 조정하고 성능을 향상시킬 수 있게 하며, 자연스러운 기술 습득과 유사하다.
• 신경망 기반 시스템은 내부 구강 초음파 영상을 이해할 수 있는 음성으로 성공적으로 변환할 수 있으며, 언어 장애가 있는 환자에게 통신 가능성을 입증한다.
• 손짓 기반 음성 합성 시스템은 손짓을 통해 표현력 있는 음성 발화를 가능하게 하여 비언어적 의사소통의 잠재력을 보여준다.
• 인간 운동 조절과 AI의 통합은 자연스러운 인간 학습을 모방하는 피드백 루프를 생성하며, 이는 AI가 인간 신경 시스템의 기능적 연장선이 될 수 있음을 시사한다.
• 가시성/비가시성과 자기/다른 이 기관성 기반 네 가지 분야 분류 프레임워크는 인간-AI 관계를 분류하는 데 실용적인 분류법을 제공하며, '인간-AI 통합'은 명백하고 유망한 카테고리로 부상한다.
• 논문은 향후 HCI가 도구 개선을 넘어서 인간 자체를 AI 통합을 통해 재설계하는 데 초점을 맞춰야 하며, 도구 중심에서 생물체 중심의 상호작용 설계 패러다임 전환을 주장한다.