인공지능이 호기심을 갖게 된다면?

호기심은 현대 일터에서 가장 중요한 경쟁력 중 하나로 여겨진다. 이는 사람들의 취업능력을 크게 향상시키는 것으로 나타났다. 호기심 수준이 높은 나라들이 경제,정치적으로 더 자유로울 뿐만 아니라 GDP도 높다. 미래의 직업이 점점 더 예측할 수 없게되기에 점점 많아지는 새로운 기업들은 이미 알고 있는 것보다는 앞으로 배울 수 있는 잠재력을 가진 사람들을 고용하게 될 것이다.

 

물론 사람들의 능력은 여전히 부분적으로 호기심의 결과라고 할 수 있는 학업적 성취에 따라 평가되고 있다. 관심이 없이는 기술을 습득하기 어렵기 때문에 호기심은 재능의 중요한 기반 중의 하나로 여겨진다. 알버트 아인슈타인이 "난 특출난 재능이 있는 것이 아니라 단지 열정적인 호기심을 가졌을 뿐이죠."라고 말했던 것처럼 말이다.

 

직업 영역에 자동화 정도가 증가함에 따라 사람들의 직업에 호기심이 더욱 중요해졌다. 올해 세계경제포럼에서 ManpowerGroup은 기술을 습득하려는 학습욕구가 사람들의 직업 여정 동안에 자동화에 대항할 수 있는 핵심 해결책이 될 것으로 예상했다. 훈련해 새로운 전문성을 갖추고자 하는 사람들은 자동화로 대체될 것 같지 않다. 즉, 획득한 기술과 역량의 범주가 넓을수록 일터에 남아 있을 가능성이 커질 것이다. 반대로 역량을 최적화하는 데 초점을 맞추게 되면 당신의 일은 결국 기계가 더 잘 수행할 수 있는 반복적이고 표준화된 것이 될 것이다.

 

하지만 인공지능이 호기심을 가지게 된다면?

 

인공지능이 지시된 임무를 배우려는 의지 혹은 욕구가 있다고 하는 것은 과장일 수 있다. 대부분의 인공지능에 주어지는 문제는 가장 우선순위가 되는 목적 혹은 목표를 정의하는 것으로 구성된다. 이 동기의 힘을 제대로 인식하기 위해 '어떤 사회적 상태 혹은 심리적 필요 이상에 있는 동기의 우선순위들 중 가장 우선적인 것을 배우려고 한다면' 이라고 생각해보자. 이런 맥락에서 인공지능은 인간들이 가지고 있는 것보다 배움에 더 큰 강박을 가지고 있다.

 

동시에 인공지능은 스스로 배울 수 있는 것 안에 갇혀 있다. 인공지능의 초점과 범위가 인간에 비해 훨씬 좁고 그 채울 수 없는 학습욕구는 X, Y, 혹은 Z를 배우라는 외부의 지시에만 적용된다. 이것은 스스로 지시하거나 내적 호기심을 가질 수 없는 인공지능의 능력과 대조된다. 이런 맥락에서 인공지능의 호기심은 인간의 호기심과 정확히 반대된다. 사람들은 누군가 시킨 것에 호기심을 갖지는 않는다. 하지만 이는 거의 틀림없이 인간의 호기심에 있어 가장 커다란 단점이다. 인간의 호기심은 자유롭게 흘러가고 변덕스럽다. 그래서 우리는 스스로에게나 다른 사람에게 원하는대로 호기심을 북돋을 수 없다.

 

어느 정도 인공지능이 자동화된 대부분의 복잡한 임무들은 목표를 갖는 학습에 비해 인간 호기심의 제한된 잠재력을 노출시킨다. 사실 우리가 호기심 측면에서의 인공지능 학습을 기술하고 싶지 않다고 해도 인공지능이 한때 많은 인간 호기심을 필요로 했던 임무들을 점점 대체하고 있다는 점은 명확하다. 예를 들어 자동차 안전 혁신에 적용되었던 호기심을 보자. 자동차 충돌시험이 그렇다. 컴퓨터의 계산 능력의 급격한 향상으로 자동차 충돌을 컴퓨터로 시뮬레이션할 수 있다. 과거에 혁신적 아이디어는 호기심이 필요했고 이후 실험실에서의 설계와 시험으로 이어졌다. 요즘엔 컴퓨터들이 설계 최적안을 찾아줌으로써 호기심이 필요한 노력에 도움을 줄 수 있다. 이 지능적 디자인 프로세스로 컴퓨터들이 아이디어 발상, 시험, 검증 전 과정에서 주체가 되고 있다. 유연성이 충분히 주어지면 최종 디자인은 사람이 할 수 있는 것을 앞서곤 한다.

 

비슷한 인공지능 디자인프로세스가 많은 다른 산업들 전반에도 점점 일반화되고 있다. 구글은 데이터센터 냉가효율 최적화에 인공지능을 이용하고 있다. NASA 엔지니어들은 최대 감도 안테나 품질 향상을 위해 인공지능을 이용하고 있다. 인공지능으로 몇 주 걸리던 설계-시험 피드백 과정이 천분의 일초 안에 이루어진다. 미래에 조정가능한 디자인 변수와 속도가 계속 증가될 것이기에 인간이 영감을 받은 디자인 응용에도 범위가 넓어질 것이다.

 

보다 친근한 예는 거의 모든 노동자들이 견뎌야만 하는 면대면 면접이 될 수 있을 것 같다. 고용자들의 수준 향상은 기업들의 끊임없는 목표이지만 이를 어떻게 하고 있을까? 인간 채용자의 호기심은 질문이나 기다림에 의해 미래 면접을 변화시키는데 영감을 줄 수 있다. 이 경우 새로운 질문과 평가 점수를 시험하는 과정에서 후보자와 관찰 횟수가 제한된다. 어떤 경우엔 면접 과정을 완벽히 하기 위해 의미 있는 연구를 수행하기에 지원자 수가 부족할 수도 있다. 하지만 기계학습은 녹화된 영상 면접에 직접 적용될 수 있고 학습-피드백 과정이 수 초만에 이뤄질 수 있다. 후보자들은 발언 및 사회적 행동과 관련된 특징들에 기초에 비교될 수 있다. 주의집중, 친절도, 성취 기반 언어와 같은 소소한 경쟁력이 영상, 음성, 언어를 통해 수 분만에 평가되고 검증될 수 있다. 관련없는 변수들을 통제하고 무의식적(의식적) 편견의 영향을 제거하면서도 말이다. 이와 대조적으로 인간 면접관들은 종종 중요한 질문을 후보자에게 물을 정도로 충분한 호기심을 가지고 있지 않다. 혹은 잘못된 것에 호기심을 가지고 있어서 관련없는 요인에 관심을 집중하고 불공평한 결정을 내리게도 된다.

 

마지막으로 컴퓨터 게임을 생각해보자. 많은 게임들은 반복되는 시행착오로 시작한다. 그래서 사람들은 게임에서 이기려면 새로운 것을 시도하고 혁신해야만 한다. "내가 이렇게 하면 다음은? 내가 여기로 가게 된다면?" 게임 로봇의 초기 버전은 이들이 전체 게임 상태 정보를 이용하였기 때문에 그리 능력이 뛰어나지 않았다. 이들은 인간 상대가 어디에 있는지 알았고 그들이 무엇을 하고 있는지도 알았다. 하지만 2015년 이래로 새로운 일들이 일어났다. 컴퓨터들은 딥러닝 덕택에 게임 상태에 대한 어떤 정보 없이도 사람들을 이길 수 있다. 인간과 컴퓨터 둘 다 자신들의 다음 움직임에 대해 실시간 결정을 내릴 수 있다.

 

위의 사례로부터 특정한 호기심 영역에선 컴퓨터가 인간을 넘어서는 것처럼 보인다. 명확한 지시와 명확히 정의된 목적이 있다면 컴퓨터가 사람들이 할 수 있는 것보다 더 빠르게 배우고 아이디어를 테스트할 수 있다는 것은 명확하다. 하지만 컴퓨터는 새로운 문제 영역을 모험하고 유사한 문제들을 연결시키는 능력은 여전히 부족하다. 아마도 이는 관련이 없는 경험을 연관시기는 능력이 부족하기 때문인 것 같다. 예를 들어 채용 알고리즘으로 검사자 역할을 할 수가 없고, 자동차 디자인 알고리즘으로 컴퓨터 게임을 할 수는 없다. 요컨대 성과측면에서 인공지능은 수많은 임무들에서 인간을 뛰어넘을 것 같다. 하지만 무작위적인 것, 열정을 가지고 추구하는 무엇인가에 변덕스러운 호기심을 유지하는 능력은 인간이 독점적으로 가지고 있을 것 같다.

 

출처: Tomas Chamorro-Premuzic and Ben Taylor, Can AI ever be as curious as humans?, HBR, 2017. 4. 5.