International Essays
참고: 다이어그램을 클릭하면 이를 모두 재현할 수 있는 Wolfram 언어 코들 얻을 수 있습니다. 여기에 사용된 신경망 훈련을 위한 Wolfram 언어 코드 역시 사용할 수 있습니다 (GPU 필요).
원문 게시물

AI가 과학을 해결할 수 있을까?

궁극적으로 AI가 모든 것을 할 수 있게 되지 않을까?

최근 인공 지능의 놀라운 성공을 감안할 때, 결국 AI가 “모든 것을 할 수” 있거나 적어도 현재 우리가 하는 모든 일을 대신할 수 있을 것이라는 믿음이 널리 퍼져 있습니다. 그렇다면 과학은 어떨까요? 수 세기에 걸쳐 우리 인간은 점진적으로 발전을 이루어왔으며, 오늘날 사실상 우리 문명의 가장 위대한 지적 구조물이라 할 수 있는 과학을 단계적으로 구축해 왔습니다. 하지만 우리의 최선의 노력에도 불구하고 다양한 과학적 질문에 대한 답은 여전히 해결되지 않고 미제로 남아 있습니다. 그렇다면 이제 AI가 등장하여 모든 문제를 해결할 수 있을까요?
이 궁극적인 질문에 대한 답이 우리는 ‘아니오’라는 것을 곧 확실히 알게 될 것입니다. 그렇다고 해서 이것이 AI가 과학의 진보에 중요한 기여를 하지 않는다는 의미는 아닙니다. 예를 들어, 매우 실용적인 면에서 LLM은 우리가 Wolfram 언어에서 오랫동안 구축해 온 계산 능력에 대한 완전히 새로운 형태의 언어 인터페이스를 제공합니다. 그리고 “기존의 과학적 지혜”에 대한 지식을 통해 LLM은 종종 과학 작업에서 “통상적인 답변”이나 “통상적인 다음 단계”를 작성하기 위한 매우 높은 수준의 “자동 완성”을 제공할 수 있습니다.
제가 여기서 논의하고자 하는 것은 과학에서 AI가 차지하는 역할에 대한 더 깊이 있는 질문이 얼마나 중요한지에 대한 문제입니다. 3세기 전, 수학을 사용하여 세상을 표현한다는 아이디어에 의해 과학은 변혁을 겪었습니다. 그리고 우리가 살아가는 이 시대는 근본적으로 세상을 계산적 방식으로 표현해 나가는 대대적인 변화의 가운데 있습니다. (이것이 바로 우리의 계산 언어인 Wolfram 언어의 핵심 작업입니다.) 그렇다면 AI는 이 변화에서 어떤 역할을 할까요? AI를 주로 기존 방법에 접근하기 위한 실용적인 도구로 생각해야 할까요, 아니면 과학에 근본적으로 새로운 것을 가져오는 것으로 보아야 할까요?
여기서 제 목표는 AI가 과학에서 무엇을 할 수 있고, 무엇을 할 수 없는지 탐구하고 평가하는 것입니다. 저는 단순화한 몇 가지 구체적인 예를 통해 현재 일어나고 있는 (또는 일어나지 않는) 것의 본질을 끌어내 보겠습니다. 지금까지 우리가 보아온 것을 바탕으로 직관과 기대에 관해 이야기해 보겠습니다. 그리고 가능한 것과 불가능한 것에 대한 몇 가지 이론적이고 어떤 면에서는 철학적 토대에 대해서도 논의할 것입니다.
그렇다면 여기서 제가 말하는 “AI”란 실제로 무엇을 의미하는 것일까요? 과거에는 어떠한 고도의 계산력이 요구되는 작업이라면 무엇이든 “AI”로 간주하였습니다. 즉, 이런 기준에 따른다면 우리가 오랫동안 진행해 온 Wolfram 언어의 계산 언어 연구나 제가 “룰리올로지(ruliology)”라고 부르는 계산 우주에 관한 간단한 프로그램 연구도 AI에 해당할 것입니다. 하지만 여기서는 좀 더 제한적인 정의를 채택하여 AI란 기계 학습 (대게 신경망으로 구현되는)을 기반으로 하고 주어진 예제를 통해 점진적으로 훈련된 무언가를 뜻한다고 정의하겠습니다. 또한 종종 제가 다른 요소를 추가하는데, 그것은 AI가 인간이 생성한 과학적 텍스트 같은 대규모 자료집이나 실제 세상에서 일어나는 일에 대한 경험적 자료 등을 학습했다는 것입니다. 다시 말해, AI는 “원시 학습 기계”일 뿐만 아니라 이미 많은 인간 중심 지식과 일치하는 정보를 학습한 상태라는 뜻입니다.
좋습니다. 우리는 방금 “AI”가 여기서 무엇을 의미하는지 정의했습니다. 그렇다면 이제 과학과 “과학을 한다”는 것이 무엇을 의미하는지 이야기해 봅시다. 궁극적으로 과학은 “세상에 존재하는 것”(보통은 자연 세계의 것)을 우리가 생각하거나 논리적으로 이해할 수 있는 것과 연결하거나 변환할 수 있는 방법을 찾는 것입니다. 하지만 실제로 과학을 수행하는 데는 몇 가지 상당히 다른 일반적인 “작업 흐름”이 있습니다. 일부의 작업 흐름은 예측에 중점을 둡니다. 즉, 관찰된 행동을 바탕으로 무슨 일이 일어날지 예측하고 시스템의 동작을 명시적으로 설명할 수 있는 모델을 찾고, 기존 이론을 기반으로 그 이론이 갖는 구체적인 의미를 파악하는 것이 이에 해당합니다. 다른 작업 흐름은 설명에 좀 더 중점을 두고 있습니다. 즉, 주어진 특정 행동에 대해 인간이 이해할 수 있는 설명을 제공하고, 서로 다른 시스템이나 모델 간의 유사점을 찾는 것입니다. 또 다른 작업 흐름은 무언가를 창조하는 것에 더 중점을 둡니다. 즉, 특정 속성을 가진 무언가를 발견하거나, “흥미로운” 무언가를 찾아내는 것입니다.
이제 이러한 작업 흐름을 더 자세히 살펴보고, 이것이 AI에 의해 어떻게 변형되거나 (또는 변형되지 않거나) 정보를 제공할 수 있는지 (또는 제공할 수 없는지) 알아보겠습니다. 하지만 이를 다루기 전에, “과학을 풀어”내려는 모든 시도에 중요한 요소로 떠오르는 하나의 개념, 즉 계산 불가약성 (computational irreducibility)에 대해 논의할 필요가 있습니다.

계산 불가약성의 엄격한 한계


과거에 효과가 있었던 방법


AI가 미래에 일어날 일을 예측할 수 있을까?


계산 과정의 예측


계산 가약성 식별


비인간 세계의 AI


AI로 방정식 풀기


다중 계산을 위한 AI


시스템의 공간 탐색


서사로 풀어낸 과학


탐구할 가치가 있는 것 찾기


“정량적 과학”의 한계를 넘어


AI가 과학에 가져올 변화


참고
