How AI Will Step Off the Screen and into the Real World | Daniela Rus | TED

번역: Hannah Kim 검토: DK Kim

When I was a student studying robotics,

제가 로봇 공학을 공부할 때,

a group of us decided to make a present for our professor's birthday.

저와 친구들은 교수님 생신에 선물을 만들어 드리기로 했습니다.

We wanted to program our robot to cut a slice of cake for him.

로봇이 케이크 한 조각을 잘라 교수님께 드리게 프로그래밍하고 싶었죠.

We pulled an all-nighter writing the software,

소프트웨어를 작성하느라 밤을 새웠는데

and the next day, disaster.

다음 날은 아주 망했죠.

We programmed this robot to cut a soft, round sponge cake,

부드럽고 동그란 스펀지 케이크를 자르도록 프로그래밍했는데

but we didn't coordinate well.

케이크 준비에 문제가 있었습니다.

우리가 받은 건 딱딱하고 네모난 아이스크림 케이크였습니다.

And instead, we received a square hard ice cream cake.

(웃음)

The robot flailed wildly and nearly destroyed the cake.

로봇이 크게 흔들려 케이크를 거의 부술 뻔했습니다.

(웃음)

(Laughter)

Our professor was delighted, anyway.

어쨌든 교수님은 기뻐하셨어요.

He calmly pushed the stop button

교수님은 침착하게 정지 단추를 누르고

로봇의 불규칙한 행동을 제어 특이점이라고 말씀하셨습니다.

and declared the erratic behavior of the robot

a control singularity.

로봇 공학 전문 용어죠.

A robotics technical term.

I was disappointed, but I learned a very important lesson.

저는 실망했지만, 매우 중요한 교훈을 얻었습니다.

The physical world,

현실 세계에는

with its physics laws and imprecisions,

물리 법칙과 부정확성이 있고

is a far more demanding space than the digital world.

디지털 세계보다 훨씬 더 까다로운 공간입니다.

Today, I lead MIT's Computer Science and AI lab,

현재 저는 MIT에서 컴퓨터 과학 및 인공 지능 연구소를 이끌고 있습니다.

the largest research unit at MIT.

MIT에서 가장 큰 연구 기관이죠.

This is our buildingm where I work with brilliant and brave researchers

이 건물이 제가 똑똑하고 용감한 연구원들과 함께

to invent the future of computing and intelligent machines.

컴퓨터와 지능형 기계의 미래를 발명하는 곳입니다.

Today in computing,

오늘날 컴퓨터 분야에서

artificial intelligence and robotics are largely separate fields.

인공 지능과 로봇 공학은 대체로 별도 분야입니다.

AI has amazed you with its decision-making and learning,

인공 지능은 의사 결정과 학습으로 여러분을 놀라게 하지만

but it remains confined inside computers.

여전히 컴퓨터 안에 국한되어 있습니다.

Robots have a physical presence and can execute pre-programmed tasks,

로봇은 물리적으로 존재하며

사전 프로그래밍된 작업을 수행할 수 있지만,

but they're not intelligent.

지능적이지는 않습니다.

Well, this separation is starting to change.

이런 구분이 바뀌고 있습니다.

AI is about to break free from the 2D computer screen interactions

인공 지능은 곧 2차원인 컴퓨터 화면에서 벗어나

생동감 있는 입체인 현실 세계로 진입할 것입니다.

and enter a vibrant, physical 3D world.

In my lab, we're fusing the digital intelligence of AI

제 연구실에서는 인공 지능의 디지털 지능과

with the mechanical prowess of robots.

로봇의 기계적 기능을 융합하고 있습니다.

인공 지능을 디지털 세계에서 현실 세계로 옮기면

Moving AI from the digital world into the physical world

is making machines intelligent

기계에 지능을 부여하고

차세대 혁신으로 이어집니다.

and leading to the next great breakthrough,

what I call physical intelligence.

저는 그걸 움직이는 지능이라고 부르죠.

Physical intelligence is when AI's power to understand text,

움직이는 지능이란 인공 지능이

문자, 영상과 기타 온라인 정보를 이해하는 능력을 이용해

images and other online information

is used to make real-world machines smarter.

현실 세계에서 기계를 더 똑똑하게 만드는 것을 말합니다.

This means AI can help pre-programmed robots do their tasks better

즉, 인공 지능이 사전 프로그래밍된 로봇을 도와

데이터에서 얻은 지식을 활용해서 임무를 더 잘 수행하게 한다는 뜻이죠.

by using knowledge from data.

움직이는 지능을 이용하면 인공 지능은

With physical intelligence,

AI doesn't just reside in our computers,

컴퓨터 안에만 있는 것이 아니라

but walks, rolls, flies

걷고, 구르고, 날며

and interacts with us in surprising ways.

놀라운 방식으로 우리와 상호 작용합니다.

Imagine being surrounded by helpful robots at the supermarket.

슈퍼마켓에서 유용한 로봇에 둘러싸여 있다고 상상해 보세요.

The one on the left can help you carry a heavy box.

왼쪽에 있는 로봇은 무거운 상자를 옮기는 데 도움이 될 수 있겠죠.

To make it happen, we need to do a few things.

이를 실현하려면 몇 가지 조치가 필요합니다.

We need to rethink how machines think.

우리는 기계가 생각하는 방식을 다시 생각해야 합니다.

We need to reorganize how they are designed and how they learn.

기계가 설계되고 학습하는 방식을 재구성해야 할 수도 있죠.

So for physical intelligence,

따라서 움직이는 지능을 위해서는

AI has to run on computers that fit on the body of the robot.

로봇에 적합한 컴퓨터에서 인공 지능을 실행해야 합니다.

For example, our soft robot fish.

예를 들어 부드러운 로봇 물고기처럼요.

Today's AI uses server farms that do not fit.

현재 인공 지능은 적합하지 않은 대형 서버 장치를 사용합니다.

Today's AI also makes mistakes.

오늘날의 인공 지능은 실수를 저지르기도 합니다.

This AI system on a robot car does not detect pedestrians.

로봇 자동차에 탑재된 이 인공 지능은 보행자를 감지하지 못합니다.

For physical intelligence,

움직이는 지능을 위해서는

we need small brains that do not make mistakes.

실수를 하지 않는 작은 두뇌가 필요합니다.

We're tackling these challenges using inspiration

우리는 벌레에서 영감을 얻어 이러한 문제를 해결하고 있습니다.

from a worm called C. elegans

예쁜꼬마선충이라는 벌레죠.

In sharp contrast to the billions of neurons in the human brain,

우리 뇌에 있는 뉴런 수십억 개와 극명하게 대조적으로,

C. elegans has a happy life on only 302 neurons,

뉴런 302개만으로도 예쁜꼬마선충은 행복하게 살고 있고,

생물학자들은 이 뉴런들의 수학을 이해하고 있습니다.

and biologists understand the math of what each of these neurons do.

So here's the idea.

아이디어는 이렇습니다.

Can we build AI using inspiration from the math of these neurons?

이 뉴런들의 수학을 본따서 인공 지능을 만들 수 있을까요?

We have developed, together with my collaborators and students,

우리는 공동 연구자 및 학생들과 함께

a new approach to AI we call “liquid networks.”

인공 지능에 대한 새로운 접근 방식을 개발했는데

이를 ‘유연 신경망’이라고 합니다.

And liquid networks results in much more compact

유연 신경망은 오늘날 기존 인공 지능보다

and explainable solutions than today's traditional AI solutions.

훨씬 더 간결하고 설명 가능한 해법을 제공합니다.

Let me show you.

보여드릴게요.

This is our self-driving car.

이건 우리 자율 주행 차입니다.

It's trained using a traditional AI solution,

이 차는 전통적인 인공 지능을 사용하여 학습하였습니다.

the kind you find in many applications today.

오늘날 많은 애플리케이션에서 볼 수 있는 것들이죠.

이것은 자동차의 계기판입니다.

This is the dashboard of the car.

In the lower right corner, you'll see the map.

오른쪽 하단에 지도가 보입니다.

In the upper left corner, the camera input stream.

왼쪽 상단에는 카메라 입력이 있습니다.

And the big box in the middle with the blinking lights

중앙에 불빛이 깜박이는 커다란 상자가 의사 결정 엔진입니다.

is the decision-making engine.

It consists of tens of thousands of artificial neurons,

인공 뉴런 수만 개로 이루어져 있고,

and it decides how the car should steer.

자동차의 방향을 결정하는 역할을 합니다.

이러한 뉴런의 활동을

It is impossible to correlate the activity of these neurons

자동차의 움직임과 연결하는 것은 불가능합니다.

with the behavior of the car.

Moreover, if you look at the lower left side,

또 왼쪽 하단을 보면

you see where in the image this decision-making engine looks

이 의사 결정 엔진이 어디를 보면서

자동차에 무엇을 하라고 지시하는지 알 수 있습니다.

to tell the car what to do.

And you see how noisy it is.

정말 분주하죠.

And this car drives by looking at the bushes and the trees

이 차는 길가에 있는 수풀과 나무를 보면서 운전합니다.

on the side of the road.

That's not how we drive.

사람은 그런 식으로 운전하지 않죠, 우리는 도로를 보며 운전하죠.

People look at the road.

Now contrast this with our liquid network solution,

이제 유연 신경망과 대조해 보세요.

which consists of only 19 neurons rather than tens of thousands.

뉴런이 수만 개가 아니라 열아홉 개로 구성된 것입니다.

And look at its attention map.

시선 맵을 보세요.

It's so clean and focused on the road horizon

정말 깨끗하게 도로 위와 측면에 초점을 맞춥니다.

and the side of the road.

Because these models are so much smaller,

이 모델들은 크기가 훨씬 작기 때문에

we actually understand how they make decisions.

우리는 실제로 그들이 어떻게 결정을 내리는지 이해합니다.

So how did we get this performance?

그럼 어떻게 이런 성과를 낼 수 있었을까요?

Well, in a traditional AI system,

전통적인 인공 지능 시스템에서

the computational neuron is the artificial neuron,

계산 뉴런은 인공 뉴런이며

and the artificial neuron is essentially an on/off computational unit.

인공 뉴런은 기본적으로 온/오프 계산 단위입니다.

It takes in some numbers, adds them up,

몇 가지 숫자를 가져와서 합산하고

applies some basic math

몇 가지 기본적인 수학을 적용하고 그 결과를 전달합니다.

and passes along the result.

이것은 복잡합니다.

And this is complex

because it happens across thousands of computational units.

수천 개 단위에 걸쳐서 계산이 일어나거든요.

In liquid networks,

유연 신경망은 뉴런 수가 적지만

we have fewer neurons,

but each one does more complex math.

각 뉴런은 더 복잡한 계산을 수행합니다.

Here's what happens inside our liquid neuron.

유연 뉴런에서 일어나는 일은 이렇습니다.

We use differential equations to model the neural computation

우리는 미분 방정식을 사용하여

신경을 이용한 계산과 인공 시냅스를 모델로 만듭니다.

and the artificial synapse.

And these differential equations

이 미분 방정식은

are what biologists have mapped for the neural structure of the worms.

선충의 신경 구조에 대해 생물학자들이 작성한 것입니다.

We also wire the neurons differently to increase the information flow.

또한 뉴런을 다르게 연결해서 정보의 흐름을 늘립니다.

Well, these changes yield phenomenal results.

이런 변화는 경이로운 결과를 낳습니다.

Traditional AI systems are frozen after training.

기존의 인공 지능 시스템은 훈련을 마치면 고정됩니다.

That means they cannot continue to improve

즉, 외부 물리적 세계에 배치하면 개선을 계속하기가 힘들어지게 됩니다.

when we deploy them in a physical world in the wild.

We just wait for the next release.

그저 다음 판을 기다릴 뿐입니다.

Because of what's happening inside the liquid neuron,

유연 뉴런 내부에서 일어나는 일 때문에,

liquid networks continue to adapt after training

유연 신경망은 훈련 후에도 입력에 따라서 적응을 계속합니다.

based on the inputs that they see.

Let me show you.

보여드릴게요.

We trained traditional AI and liquid networks

저희는 이런 여름철 동영상을 사용하여

using summertime videos like these ones,

전통적인 인공 지능과 유연 신경망을 학습시켰고,

and the task was to find things in the woods.

과제는 숲에서 무언가를 찾는 것이었습니다.

All the models learned how to do the task in the summer.

여름에 이 작업을 수행하는 방법을 모든 모델이 배웠죠.

Then we tried to use the models on drones in the fall.

그러고 나서 가을이 되어 드론에 모델을 사용해 보았습니다.

The traditional AI solution gets confused by the background.

기존 인공 지능은 배경 때문에 혼란스러워합니다.

Look at the attention map, cannot do the task.

시선 지도를 보면 작업을 수행할 수 없다는 게 보이죠.

Liquid networks do not get confused by the background

유연 신경망은 배경 때문에 혼란스러워하지 않고

and very successfully execute the task.

작업을 매우 성공적으로 수행합니다.

So this is it.

그렇습니다, 이것이 바로 한 걸음입니다.

This is the step forward:

AI that adapts after training.

학습 후 적응하는 인공 지능입니다.

유연 신경망은 기계가 사고하도록 하는

Liquid networks are important

because they give us a new way of getting machines to think

새로운 방법을 제공하기 때문에 중요합니다.

that is rooted into physics models,

이는 물리 모델에 뿌리를 두고 있는데,

a new technology for AI.

새로운 인공 지능 기술입니다.

We can run them on smartphones, on robots,

이 기술은 스마트폰, 로봇, 기업 컴퓨터에나

on enterprise computers,

and even on new types of machines

우리가 이제 상상하고 설계할 수 있는

that we can now begin to imagine and design.

새로운 유형의 기계에서도 실행할 수 있습니다.

The second aspect of physical intelligence.

움직이는 지능의 두 번째 측면이죠.

So by now you've probably generated images using text-to-image systems.

지금쯤이면 문자를 영상으로 변환하는 시스템으로

영상을 만들어 보셨을 겁니다.

We can also do text-to-robot,

문자를 로봇으로 변환하는 것도 가능하지만

but not using today's AI solutions because they work on statistics

현재의 인공 지능으로는 안 됩니다.

현재 인공 지능은 통계로 움직이고 물리학을 이해하지 못하거든요.

and do not understand physics.

저희 연구실에서는

In my lab,

we developed an approach that guides the design process

설계 과정을 관할하는 접근법을 개발했습니다.

by checking and simulating the physical constraints for the machine.

기계의 물리적 제약 조건을 확인하고 모의실험을 하는 방식이죠.

We start with a language prompt,

먼저 “앞으로 걸어갈 수 있는 로봇을 만들어 줘”라는 명령을 입력하면

"Make me a robot that can walk forward,"

and our system generates the designs including shape, materials, actuators,

인공 지능이 모양, 재료, 관절,

sensors, the program to control it

감지기, 이를 제어하는 프로그램,

and the fabrication files to make it.

제작 파일을 포함한 설계를 합니다.

And then the designs get refined in simulation

그런 다음 모의실험을 통해

사양을 충족할 때까지 설계를 개선합니다.

until they meet the specifications.

So in a few hours we can go from idea

따라서 몇 시간 내로 아이디어부터 시작해

제어 가능한 실제 기계를 만들 수 있습니다.

to controllable physical machine.

We can also do image-to-robot.

영상을 로봇으로 변환하는 것도 가능하죠.

This photo can be transformed into a cuddly robotic bunny.

이 사진은 꼭 껴안고 싶은 로봇 토끼로 바뀔 수 있습니다.

To do so, our algorithm computes a 3D representation of the photo

이를 위해 알고리즘은 사진을 입체로 표현하여 계산해서

that gets sliced and folded, printed.

자르고 접고 인쇄합니다.

Then we fold the printed layers, we string some motors and sensors.

다음으로 인쇄된 층들을 겹치고 모터와 감지기를 연결합니다.

We write some code, and we get the bunny you see in this video.

코드를 작성하면 이 영상에 나오는 토끼를 얻을 수 있습니다.

We can use this approach to make anything almost,

이 방법을 사용하면

영상이나 사진을 이용해서 거의 모든 것을 만들 수 있습니다.

from an image, from a photo.

So the ability to transform text into images

문자를 영상으로 변환하는 기능과

and to transform images into robots is important,

영상을 로봇으로 변환하는 기능은 중요합니다.

because we are drastically reducing the amount of time

신제품의 시제품을 만들고 시험하는 데 필요한

시간과 자원이 크게 줄어들고,

and the resources needed to prototype and test new products,

and this is allowing for a much faster innovation cycle.

이를 통해 혁신 주기가 훨씬 빨라지기 때문입니다.

이제는 이 기계가 학습을 하도록 도약할 준비가 되었습니다.

And now we are ready to even make the leap

to get these machines to learn.

The third aspect of physical intelligence.

움직이는 지능의 세 번째 측면입니다.

These machines can learn from humans how to do tasks.

이 기계는 인간으로부터 작업 방식을 배울 수 있습니다.

You can think of it as human-to-robot.

인간에서 로봇을 만드는 것이라고 생각할 수 있습니다.

In my lab, we created a kitchen environment

저희 연구실에서는 주방 환경을 만들었는데

where we instrument people with sensors,

여기서 사람들에게 감지기를 부착하고

주방 일을 어떻게 하는지에 대한 데이터를 많이 수집했습니다.

and we collect a lot of data about how people do kitchen tasks.

We need physical data

물리적 데이터가 필요했는데,

because videos do not capture the dynamics of the task.

동영상으로는 작업의 역동성을 포착할 수 없었기 때문입니다.

So we collect muscle, pose, even gaze information

그래서 사람들이 일을 하는 동안 근육, 자세, 시선 정보까지 수집하죠.

about how people do tasks.

그런 다음 이 데이터를 사용하여 인공 지능을 훈련해서

And then we train AI using this data

to teach robots how to do the same tasks.

로봇에게 동일한 작업을 수행하는 방법을 가르칩니다.

And the end result is machines that move with grace and agility,

그 결과 기계가 우아하고 민첩하게 움직이며

as well as adapt and learn.

적응하고 학습할 수 있습니다.

Physical intelligence.

움직이는 지능.

We can use this approach to teach robots

우리는 이 접근법을 사용하여

음식 준비, 청소 등 다양한 작업을 수행하는 방법을

how to do a wide range of tasks:

food preparation, cleaning and so much more.

로봇에게 가르칠 수 있습니다.

The ability to turn images and text into functional machines,

영상과 문자를 기능적인 기계로 바꾸는 능력에 더해서

coupled with using liquid networks

유연 신경망을 사용해서

to create powerful brains for these machines

인간에게서 배울 수 있는 이런 기계에 강력한 두뇌를 부여하는 것은

that can learn from humans, is incredibly exciting.

정말 신나는 일입니다.

Because this means we can make almost anything we imagine.

왜냐하면 상상하는 거의 모든 것을 만들 수 있다는 의미이니까요.

Today's AI has a ceiling.

오늘날의 인공 지능에는 한계가 있습니다.

It requires server farms.

이에는 대형 서버 장치가 필요하고 지속 가능하지 않으며

It's not sustainable.

It makes inexplicable mistakes.

설명할 수 없는 실수를 저지르죠.

현재에 안주하지 맙시다.

Let's not settle for the current offering.

When AI moves into the physical world,

인공 지능이 현실 세계로 넘어오면

the opportunities for benefits and for breakthroughs is extraordinary.

혜택을 얻고 혁신을 이룰 수 있는 기회가 무궁무진합니다.

You can get personal assistants that optimize your routines

일상을 최적화하고 요구 사항을 예측하는 개인 비서,

and anticipate your needs,

bespoke machines that help you at work

업무를 도와주는 맞춤형 기계,

and robots that delight you in your spare time.

여가 시간에 즐거움을 주는 로봇이 가능합니다.

The promise of physical intelligence is to transcend our human limitations

움직이는 지능은 우리가 인간의 한계를 뛰어넘게 해줍니다.

with capabilities that extend our reach,

우리의 범위를 넓히고,

amplify our strengths

강점을 증폭해주고, 정밀도를 다듬고,

and refine our precision

and grant us ways to interact with the world

우리가 꿈만 꾸었던 세상과 상호 작용할 방법을 알려줍니다

we've only dreamed of.

We are the only species so advanced, so aware,

우리는 이렇게 발전하고, 똑똑하고,

so capable of building these extraordinary tools.

이렇게 놀라운 도구를 만들 수 있는 유일한 종족입니다.

Yet, developing physical intelligence

하지만 움직이는 지능의 발전은

is teaching us that we have so much more to learn

우리에게 기술과 우리 자신에 대해 배울 것이 더 많다는 것을 알려줍니다.

about technology and about ourselves.

We need human guiding hands over AI sooner rather than later.

인간은 인공 지능을 더 빨리 도와줘야 합니다.

After all, we remain responsible for this planet

결국 이 행성과 그 위에 사는 모든 것에 대한 책임은

and everything living on it.

우리에게 있으니까요.

I remain convinced that we have the power

저는 확신합니다.

우리는 움직이는 지능을 활용하여

to use physical intelligence to ensure a better future for humanity

인류와 지구의 더 나은 미래를 보장할 수 있는 힘이 있습니다.

and for the planet.

And I'd like to invite you to help us in this quest.

이 탐구에 도움을 주실 수 있도록 여러분을 초대하고 싶습니다.

Some of you will help develop physical intelligence.

여러분 중 몇몇은 움직이는 지능을 개발하는 데 도움을 주실 것이고

Some of you will use it.

몇몇분은 사용하실 겁니다.

And some of you will invent the future.

그리고 몇몇분은 미래를 만들어낼 것입니다.

Thank you.

감사합니다.

(Applause)

(박수)