AI 혁명의 미래

머리글 위기인지 기회인지는 지식에 달렸다
| 피할 수 없는 인공지능의 물결
| 두려움을 극복하기 위해서

[Chapter 1] 혁신을 향한 여정: 엔드 투 엔드를 향해

인간이 만드는 인공지능
| 인간이 짠 규칙: 규칙 기반 프로그래밍
| 규칙을 주입받은 인공지능: SVM

인간처럼 배우는 인공지능
| 인간 따라 하기: 엔드 투 엔드와 인공신경망
| 인공지능 겨울: 사람의 뇌를 따라 하는 데서 생기는 어려움
| 돌파구: 겨울 왕국에서 준비하는 봄
| 실리콘밸리에서 다가온 반도체 혁명
| 엔드 투 엔드 인공신경망의 데뷔전: ImageNet 2012

결전: IBM vs Google
| IBM: 인간이 만드는 인공지능
| Google: 인간처럼 배우는 인공지능

엔드 투 엔드의 승리
| 엔드 투 엔드의 승리가 알려 주는 교훈
| 엔드 투 엔드로 인한 세상의 변화
| 기존 방식이 적용 가능한 영역

[Chapter 2] 혁신의 결과: 현재의 인공지능 기술

인식 분야 연구의 완성
생성 분야 연구의 약진
강화학습 기술과 의사결정 분야의 가능성
초거대 언어 모델과 자연어처리
AI로 어디까지 할 수 있는가?

[Chapter 3] 인공지능을 만들고 적용하기

인공지능을 만들 때 꼭 알아야 할 것들
| 인공지능의 구성 요소
| 학습 데이터 만들기
| 데이터 증강
| 범용성과 최적화의 사이, 인공신경망 설계
| 좋은 AI의 두 가지 조건

기업의 성공적인 AI 트랜스포메이션을 위한 가이드
| AI 트랜스포메이션 프로세스와 단계별 체크 리스트
| AI 트랜스포메이션 선순환 구조 만들기
| AI 트랜스포메이션을 위한 조직 세팅

[Chapter 4] 미래 인공지능 기술 트렌드

빠르게 똑똑해지지는 못하는 AI

인공신경망 기술의 새로운 화두
| 보다 더 사람의 뇌처럼: SNN
| 사람의 기억을 어떻게 구현할 것인가: RETRO Transformer
| AGI: 일반 인공지능의 꿈은 이뤄질까?

게임 체인저인가, Nice Try인가? 인공지능 반도체들
| 딥러닝의 마중물: NVIDIA GPU
| 더욱 거대한 스케일로: WSE
| 가속기를 위한 가속기: PiM
| 소형 기기는 누가 하는가: 엣지 가속기
| 휴대 기기 속 인공지능 경쟁: NPU
| 컴퓨터를 넘어서: 뉴로모픽 칩
| 아메바 수준의 단순함: 아날로그형 인공지능 반도체

[Chapter 5] 미래 인공지능 기업

인공지능 개발 능력이 높은 기업
| 과감한 선택을 하는 기업
| 하드웨어 발전의 이해자
| 다양한 학문 분야에 발이 넓은 기업

서비스의 성공 요소를 알고 있는 기업
| 서비스의 부품으로서의 AI
| 문제를 이해하고 세분화하는 능력
| 호두까기 문제를 이해하는 기업

인공신경망이 잘할 수 있는 일을 찾는 기업

[Chapter 6] 미래 사회의 변화상

기업: 선택의 시간
| 제조 기업들 앞에 놓인 선택
| 인공지능 기업들을 기다리는 선택

정부: 안보와 인공지능의 관계

개인: 서서히, 하지만 변하는 세상

맺음말 혁신은 어떻게 시작되어 어디로 가는가
| 혁신의 발생과 개별 사건의 이해
| 인공지능의 시대 or 인공지능 겨울

| 부록 | 용어 설명
1 인공지능, 인공신경망, 기계학습, 엔드 투 엔드
2 인공지능 학습 기법: 역전파 방법론
3 인공지능 학습 기법: 드롭아웃
4 자료의 정확도: 16비트와 32비트
5 자료형: 정수와 부동소수점

당신이 학생이라면 AI 기술이 자신의 진로와 어떤 관계가 있을지 진지하게 고민하고 있을 것이다. 더불어 학교나 학원의 커리큘럼이 커리어에 도움이 될지 여부를 판단하고 싶을 것이다. 당신이 국가정책을 결정해야 하는 공무원이라면 한정된 예산을 최대한 더 유망한 기술에 투자하고자 정보를 필요로 할 것이다. 당신이 투자자라면 다가올 미래에 인공지능 산업을 선도할 기업을 선별하기 위해 기업의 진짜 기술 수준을 판단할 수 있는 안목을 원할 것이다. 이처럼 원하든 원하지 않든 인공지능은 여러분의 삶에 점점 더 크게 영향을 끼칠 것이다. ‘인공지능의 물결’은 이미 피할 수 없는 시대의 흐름이다. 이 책은 이런 고민을 하고 있을 많은 이를 위해 쓰여졌다.

Google의 엔드 투 엔드 딥러닝 도입은 어떻게 후발 주자가 아이디어를 통해 선발 주자를 앞서갈 수 있는지를 보여 주는 훌륭한 예이다. Google은 스스로 ‘배우는’ 인공지능이라는 선지자들이 만든 작은 돌파구에 집중했으며, 이를 자신들이 가진 막강한 데이터와 연구 개발 조직과 접목시켰다. 그렇게 함으로써 Google은 지난 수십 년간 인위적으로 인공지능을 ‘가르치려’ 했던 IBM을 누르고 인공지능의 최강자가 되었다. Google이 이렇게 과감한 선택을 한 덕분에 컴퓨터의 가능성은 더욱 커졌고, 지난 수십 년간 누구도 가능하다고 생각하지 못했던 일을 할 수 있게 되었다.

이제 소개할 내용은 어쩌면 기존 인공신경망 기술에 새로운 돌파구가 되어 줄지도 모를 시도들이다. 이 시도들은 인공신경망을 보다 사람의 뇌가 작동하는 방식에 가깝게 구현하는 것을 목표로 한다. 이 시도들은 아직 검증되지 않았다. 기술의 효용 가치를 증명할 때까지 앞으로 몇 년이 걸릴지 모르며, 어쩌면 몇 십 년이 걸릴지도 모른다. 그러나 옳은 방향이라면 어렵고 힘들더라도 이 길을 가야 한다. 과거 인공지능의 암흑기에도 인공신경망 연구를 20년간 지속했던 연구자들이 있었기에 오늘날의 혁신이 가능하지 않았던가!