해외에서 대학생들이 많이 쓰는 Chegg 라는 사이트는 대학수준 문제가 약 2100만개가 있다고 함 대신 여긴 AI가 아니라 수천 수만명의 "선생님"을 고용해서 학생이 문제를 찍어서 올리면 10분~1시간 내에 풀이까지 다 써서 올려주는 식.. 학생들은 자기 문제를 검색해보고 비슷한 문제가 있으면 비슷한 접근법으로 답을 찾아낼 수 있는데, 비슷한 방식으로 이 Chegg사에서 AI를 만들면 떼돈을 벌수있을거같음 이미 사진을 텍스트로 변환하는거까진 자동으로 하고있어서 개발하는중일지도..
바둑ai에 대한 설명은 문제가 있어요. 애시당초 알파고 최신버전은 데이터 주지 않고 스스로 강화학습을 했구요.. 학습데이터야 쌓였겟지만, 그 데이터베이스 일일히 검색해서 수를 둔다면, 요즘 핸드폰 사양으로도 프로들 때려잡을 수 있는데 말이 안되잖아요 사실 ai가 그렇게 대단한 건 아니긴 하지만, 특정분야에서는 엄청난 성능을 내는 건 사실입니다.
@@johnsuhr238 정확한 건 사실 내부 연구자가 아니면 모릅니다. 근데 현재 겉으로 드러난 것만 보면 general ai는 근시일 내에 개발될 것 같진 않지만, 제 개인적인 견해로는 한 10년정도 내로 엄청나게 많은 일자리들이 ai에 의해 대체될 수도 있을 것 같습니다.
안녕하세요 수학과 박사과정중에 있는 시청자입니다. 영상 재미있게 잘 봤습니다. 수학을 연구하는 입장으로서 시의적절한 때에 AI와 수학에 관한 영상을 올려주셔서 감사드립니다. AI가 수학 문제를 풀 수 있는가 역시도 흥미로운 주제입니다만, 더 넘어서 AI가 수학 연구도 할 수 있는가는 요즘 학계에서 핫한 주제입니다. 저도 아직 박사과정 5년차를 앞둔 수학계에서는 아직 생초보 뉴비입니다만, 넓은 주제를 전반적으로 다루는 학회에서 해당 주제에 대한 강연을 몇 번 접한 적이 있었습니다. 예컨대 이번달에 열린 세계 수학자 대회의 강연 중 하나 수학을 컴퓨터가 이해할 수 있도록 형식화하는 것이 가능한가에 대한 주제였지요. 강연 도중에 컴퓨터 증명 도움 프로그램을 이용해 학부생 과정 수준의 수학 증명을 시연했습니다. 위상수학의 한 문제였는데, 컴퓨터 프로그램이 위상공간과 같은 추상적인 개념을 이해하는데 무리가 없다는 점에서 놀라웠습니다. 다만 전반적인 수학 연구에 있어서는 아직 상용화하기 어렵다는 것이 강연을 맡은 버자드 교수님의 결론이었는데, 매년 새로운 수학 개념이 수백 수천개가 쏟아져 나오는 반면, 그것을 컴퓨터가 이해할 수 있도록 번역하는 사람들이 너무나 적기 때문이라고 합니다. 어쩌면 이런 쪽 방향으로 수학 연구의 예산을 쏟는 것이 장기적으로 볼 때 더 보탬이 되지 않을까 하는 생각이 들었습니다. 오히려 알파고의 등장으로 바둑계는 인간과 컴퓨터가 협력하여 바둑을 연구하는 시대에 접어들게 되었다는 신문 기사를 접한 적이 있습니다. 수학 연구도 아마 이와 비슷하게 가지 않을까 싶네요. AI가 증명과 검토에 있어서 제격이지만, 수학에는 그것 이상으로 통찰과 직관도 중요하다보니 결국엔 인간과 AI가 협력하여 수학을 연구하는 시대가 오지 않을까 그런 기대를 해봅니다. 여러모로 수학을 연구하기 좋은 시대에 태어난 것 같습니다ㅎㅎ
자동정리증명 알고리즘이 한창 핫 할때 first-order logic의 간단한 증명 정도 밖에 못한다고 들었는데... ML이랑 결합하니 요즘은 그냥 완전 신세계네요. 이젠 컴퓨터가 더 복잡한 정의들을 외우고 인간처럼 증명을 써낸다니... (그래도 인간처럼 이미지와 예시를 통해 정의를 외우고, 정의가 왜 그렇게 되었는지 역사적인/편의상의 이유를 아는 그런 수준은 아니겠죠? ㄷㄷ) 진짜 기계학습은 인간의 지적 반복 노동 시간을 획기적으로 줄여주는 기술이 아닌가 싶습니다. 전 AI가 인간보다 똑똑해져서 가져올 변화보다, 이 기계학습의 도움을 받는 뛰어난 석학들이 앞으로 무엇을 해낼지가 더 궁금하네요. 수학도들 화이팅입니다!
인간은 자신을 기준으로 이해하고 해석하기 때문에 그게 그렇게 보일지 몰라도 컴퓨터 작동 구조가 인간의 뇌와는 완전히 달라서 실제로는 보이는 것과 전혀 다를 수 있습니다. 예를 들어 AI가 위상 공간이라는 추상적인 개념을 이해하는 게 아니고 알고리즘에 의거해서 주어진 조건들을 기반으로 데이터를 최적화한다고 봐야 합니다. 그리고 수학적 개념을 컴퓨터가 이해할 수 있도록 번역하는 사람이 적은 게 아니고 컴퓨터 프로그래밍 구조 상 한계가 있는 겁니다. 예를 들어 라이프니치와 뉴턴이 거의 동시에 Calculus를 체계화했죠. 그 이유는 운동과 에너지는 유동적이고 쭉 이어진 구조라서 Discrete Math 도구로는 한계가 있었기 때문입니다. 그래서 함수 즉 상호 관계에 의거해서 특정되기 때문에 실수 조합같이 쭉 이어진 상태에서도 정의가 가능한 Calculus라는 새로운 도구가 필요했던 겁니다. 현재 컴퓨터 프로그래밍은 Discrete Math기반입니다. 그래서 실수 조합은 조합이기는 한데 낱개로 떨어져 있는 구조가 아니고 쭉 이어져 있는 구조라서 컴퓨터 사이언스에서는 별 쓸모가 없어요. 내 생각에는 아마도 컴퓨터 로직 구조, 프로그래밍 언어 자체가 Discrete Math가 아니라 함수 구조로 다시 짜여지지 않는 이상 편리하고 유용한 도구가 될 수는 있을지 몰라도 수학 연구를 진행할 수 있을지는 의문입니다.
@@mrdragonrider 실수를 생각할때 컴퓨터 처럼 인간도 이산적으로 생각하지 않나요? 제가 sqrt(2) 라는 숫자를 상상할때 주변 초월수까지 포함 모든 숫자를 연속적으로 상상하는게 아니듯, 해석학쪽 증명할때도 딱히 주변의 모든 연속적인 숫자를 고려하지는 않습니다... (사실 평범한 해석학 문제는 대부분 그냥 다 쪼개고 간단하게 만들고 다시 더하고 시그마 순서 바꾸고 가끔씩 lim 해주고 근사해서 크기비교 하고 선형대수 써주는거라, 수학하는 사람들은 꼭 연속적으로 생각은 안하는 거 같아요. 제가 머리가 나빠서 그런걸 수도 있지만...) 뭐 어쨌든 전 형식수학은 기계적으로 정복 가능한 영역이라고 추측합니다. 다만 님 말씀대로 그걸 벗어나서 이해를 하는가? 이건 잘 모르겟습니다. 이산수학이든 해석학이든 어떤 분야의 수학이던지 결국 수학에선 정의의 이유, 정리의 의의, 그리고 계속 써먹을 수 있는 보조정리들 (그 분야를 관통하는 전체적이고 근본적인 아이디어들) 라는게 존재하는데 컴퓨터가 이걸 정확히 이해하고 증명하는건 (아직은) 아닐거라고 전 생각합니다. 하지만 절대로 무적권 영원히 불가능한가? 라는 질문에 대한 답은 전혀 모르겠네요.
작년인가 심심해서 콴다 선생님 해봤는데 어후 ㅋㅋㅋㅋㅋㅋ 어지간한 학교 시험문제나 문제집은 이미 데이터가 있어서 선생님들한테 가는건 별 괴상한 문제만 옴. 내가 본 거는 답할 수는 있는데 귀찮은 스타일의 문제, 답이 없는 문제(어디까지 생각할 수 있을까를 묻고자 하는 스타일), 특목고 대비문제, 특목고 내신문제, 대학교 문제에서 가져온거, 뭐 기타등등 별 괴상하고 그지같은 거만 온다. + 콴다 선생님도 기준 생김. 이제 특정대학교 이상만 받음 ㅋㅋㅋ
중요한건 아니지만 바둑은 말씀 하신거랑 좀 달라요 말한것처럼 사람이 둔 기록중 찾아오는거면 기록에 없는 수를 두면 컴퓨터는 못두죠 알파고끼리둔 기록을 공개한다고 바둑계가 떠들썩해지지는 않을겁니다 그럼 어떻게 하냐 기록을 몇천몇만건 분석해서 승리의 공식을 가져오는겁니다 아마 이걸 말하신거라고 생각합니다 다시 말하지만 이영상에선 전혀 안중요합니다 이정도는 틀릴수도 있죠
콴다... 실제로 많은 중고등학생들이 사용합니다. 과도기시절때 게임하듯이 문풀해줬던 기억이 납니다.ㅎㅎㅎ 얼마전 교원연수 강의할 때 수학 콴다를 소개하니 나이 많으신 수학선생님들께서 놀라시더라고요ㅎㅎ 아니!!! 이런게!!!라며ㅎㅎㅎ 개인적인 생각에는 콴다 현재에 머물지 말고 수학게임화하면 대박이지 않나 싶습니다. 수학문제 풀면 렙업하는 그런거요ㅎㅎㅎ
너무 예전 ai 지식들을 소개하신거 같네요 최신 ai들은 일반인들이 생각하는 수준보다 훨씬 발전해 있습니다 알파고는 이미 몇년전부터 기존 기보 데이터 없이 스스로 대국을 둬서 이세돌과 뒀던 알파고를 100:0으로 이겼구요 수학문제도 이미 기존 데이터에서 뽑아서 맞춰보는 방식이 아니라 미네르바라는 구글ai는 직접 인간처럼 추론해서 푸는 방식으로 인간 평균 수준을 넘었습니다 뿐만아니라 달리2나 imagen같은 텍스트 입력하면 이미지 생성해주는 ai나 딥마인드에서 강인공지능을 목표로 만들고 있는 여러가지 명령을 수행할수 있는 멀티모달인 가토(Gato)같은 인공지능도 있습니다 인공지능 분야는 현재 하루가 다르게 발전하고 있는 분야인 만큼 다음에 인공지능 지식 전달해 주실때는 더 최신정보로 소개해주시면 감사하겠습니다
미국회계 빅4도 AI투자 천문학적으로 하고 있고 주변에서 보는데, 직접 인간처럼 추론을 한다고요?? 그 사람 그팀 노벨상 받고, 그 회사 시총은 세계 1위찍을겁니다. AI가 직접 인간처럼 추론을 한다고요? 인식을 하고 생각을 해서 문제해결 능력을 가져요? 사기치지 마세요.. 왜 인공지능이 직접 인식하고 생각할 수 있다고 사람들을 선동하죠?? 오버스테이트(자산의 과대계상)에 민감해서 공격적으로 들리실 수 있는데. 그런 선동으로 돈벌이 하려고 들지 마시고. 그쪽 분야는 내부 윤리기준부터 세우고 용어정리 증거기반 보수적으로 말하는 법부터 배워야 할 것 같습니다. 최소 전문가라고 불리고 싶다면 그정도 양심은 있어야죠.
알파고로 대표되는 AI는 데이타베이스에서 근사치를 확률로 가져오는게 아닙니다. 알파고같은 경우는 신경망이론에 의한 싱킹 머신, 즉 공부하는 시스템으로 스스로 확률이 높은 계산식을 조합해놓고 해당 식으로 그때마다 계산을 하는 거지 그냥 데이터베이스에서 가져오는게 아닙니다. 알파고가 사용한 AL의 죄수의 딜레마 풀이에서 시작한 신경망이론에 대해서 좀 더 공부하시기 바랍니다. 참고로 알파고의 후속 머신은 그냥 바둑의 기본 룰만 줬는데도 하룻만에 알파고를 압도했습니다 데이터베이스가 더 방대한게 아니라 효율적인 계산방식을 학습머신으로 발전시킨 겁니다. 좀 더 사실을 확인하고 영상을 만드셧으면 좋겠네요
거짓정보 퍼트리지 마세요. 인공지능이 Recognized(인식)을 하고 문제해결능력을 푼다고요?? 그게 되면 온 세계 언론이 떠들석했어요. 입력 산출이 아니라 초등수학이라도 직접 이해하고 풀었다면. 미국 빅4회계법인들도 한해 엄청난 예산을 부으면서 발전시키고 있고 개발부서들 근처에서 보고 있고 얘기도 듣지만.. 수학적 추론, 생각을 컴퓨터께서 직접 하신다구요? 분칠도 정도가 있어야죠
사주팔자, 주역도 전부 확률, 통계상으로 그 년도, 날짜 계절, 그 시간에 태어난 사람들에 대한 데이터 베이스 모아보니 확률상 이렇더라..하는 거지 ㅋㅋㅋ 세상 모든게 확률이고 대부분 유전자에 어떻게 살 지 정해져 있다.. 거기에서 노력에 의해 변경가능범위또한 다 오차범위내지
근데 ai는 생각을 안하죠 하는 부분 짚어야 하는게 인간도 숨쉬는거나 오른손 드는건 생각 안해요 자기가 생각을 한다고 인식 할 수 있을 정도는 아주 쉽지 않은 것일때만 인데 Ai가 인간보다 지능이 많이 뛰어나다면 바둑을 두면서 생각을 안한다는건 너무 당연하고 인간에게 숨쉬는 것 정도의 문제라는 소릴 일 수 있죠
대한민국에서 줄세기우기의 본질은 있는 그대로 순위 메기기가 아님. 너희와 우리를 나눠야하는데 덩어리를 묶어서 처음부터 차별성을 두면 반발이 심할거니까 순위를 주고 등수 어딘가를 기준으로 그룹핑함. 원래의, 기존의 우리 외 몇몇 어중이떠중이가 묶이는 건 감안하고 하는거. 그런 사람이 잘되면 계층 이동의 예시로 소위 하층민들에게 희망을 줄 수도 있고. 그래야 본인들의 시스템에서 열심히 하나의 나사, 톱니바퀴로 열심히 살거 아니야? 시스템이 잘 굴러가고 본인들의 세상이 유지 되도록.
구글은 초거대 AI로 방대한 수학 사용 사례를 분석하는 방식으로 문제를 해결했다. 구글은 118GB(기가바이트)에 달하는 수학과 과학 분야 논문과 데이터를 머신러닝을 통해 미네르바에 학습시켰다. 미네르바의 기반이 된 PaLM은 구글이 지난 4월 선보인 초거대 언어모델로 현존 최고 성능을 자랑한다. 기존 대표 AI 언어모델인 오픈 AI의 GPT-3보다 약 세 배 큰 5400억 개 파라미터(매개변수)를 보유했다 직접추론이 뭔가요 데이터없이 추론하는거?
보통 ai가 뭘 한다거나 뭘 안다 같은 식으로 말하는데 그런 표현 자체가 언어의 오남용이라 생각합니다. 직경이 20cm인 기울어진 파이프에 사과를 굴러넣으면 관의 끝에서 사과가 나옵니다. 그런데 그 파이프 중간 하부에 5cm 정도의 구멍이 뚫렸습니다. 이번에는 사과와 함께 자두를 넣습니다. 그러면 관의 끝에서는 사과가 나오지만 관의 중간쯤에서는 도중에 자두가 떨어져 나옵니다. 이걸 보고서 파이프가 과일의 크기를 알아봤다거나 사물을 크기에 따라 구분했다고 할 수 없습니다. 그냥 그렇게 작동하도록 만든 건 인간입니다. 파이프는 그냥 있을 뿐입니다. 딥러닝이란 학습법도 그렇습니다. 컴퓨터가 능동적으로 의지를 가지고 또 욕구를 가지고 주체적으로 학습을 하는 것이 아닙니다. 그냥 그렇게 적용되게 만들어져있는 구조입니다. 언어의 잘못된 이용은 사물을 오해하게 합니다. 그래서 언어의 사용을 정확하게 해야 합니다. 하지만 인간은 늘 상황에 맞는 언어적 표현을 다 가지고 있지 못합니다. 혹은 그렇더라도 적재적소에 그것을 맞춰서 쓰질 못합니다. 그래서 언어분석철학이 필요합니다. 언어의 오남용은 진실을 왜곡하기 때문에 우리는 늘 언어에 대한 철학이 필요하다고 생각합니다. 적어도 ai나 여타 궁극적 과학적 예술적 철학적 질문에 대해서 우리가 제대로 표현하지 못하는 언어를 바로잡아 오해를 바로 잡아야 하는 역할이 필요하기 때문입니다. 이런 태도는 현재의 ai대한 연구와 발전에 전혀 장애물이 되지 않습니다. 하지만 ai에 대한 근본적인 인식에는 큰 변화가 생기겠죠.