- 딥러닝 프로젝트가 GPU로 이동하자 선도적인 기술 회사의 인공 지능 연구원들은 심층 신경망 구현을 활성화할 수 있는 소프트웨어 도구를 개발하기 시작했다. 구글, 페이스북, 바이두는 딥러닝에 맞 춰 무료로 다운로드해 사용하고 업데이트할 수 있는 오픈 소스 소 프트웨어를 출시했다. 가장 유명하고 널리 사용되는 플랫폼은 구글 이 2015년에 공개한 텐서플로TensorFlow다. 텐서플로는 딥러닝을 위한 포괄적인 소프트웨어 플랫폼으로, 실용적인 응용프로그램을 연구 하는 연구자와 엔지니어에게 심층 신경망을 구현하는 최적화된 코 드와 특정 응용프로그램을 보다 효율적으로 개발할 수 있는 다양한 도구를 제공한다. 텐서플로나 페이스북이 내놓은 경쟁 개발 플랫 폼인 파이토치 PyTorch 같은 패키지는 연구자들이 복잡한 세부 사항을 처리하기 위해 소프트웨어 코딩을 작성하고 테스트하는 수고를 덜 어주는 대신 시스템 개발동안 관점과 균형감을 유지하도록 돕는다. 딥러닝 혁명이 진행될수록 엔비디아와 여러 경쟁사는 딥러닝에 최적화된 더욱 강력한 마이크로프로세서 칩 개발을 위해 움직였다. 인텔, IBM, 애플, 테슬라는 이제 모두 심층 신경망에 필요한 연산 을 가속하도록 설계된 회로가 포함된 컴퓨터 칩을 설계한다. 딥러 닝 칩은 고성능 컴퓨터 서버부터 스마트폰, 자율 주행 자동차, 로봇 에 이르기까지 다양한 응용프로그램에 사용된다. 그 결과 처음부터 인공지능을 구현하도록 설계된 장치들의 네트워크가 계속 확장되 고 있다. 2016년 구글은 텐서처리장치 Tensor Processing Unit, TPU라는 자체제작한 맞춤형 칩을 발표했다. TPU는 구글의 텐서플로 소프트웨 어 플랫폼에서 개발된 딥러닝 응용프로그램을 최적화하기 위해 특 별히 설계됐다. 처음에 구글은 이 새로운 칩을 자체 데이터 센터에 사용했지만 2018년부터는 클라우드 컴퓨팅 서비스를 운영하는 서 버에 통합해 서비스 이용 고객들이 최첨단 딥러닝 기능에 쉽게 접 근하도록 했다. 이러한 발전은 인공지능의 능력을 광범위하게 배포 하는 가장 중요한 단일 통로가 돼 지배력 확장에 기여하고 있다.
- 고도의 기술적 배경이 필요하지 않은 다양한 사람들이 기술에 쉽 게 접근할 수 있는 새로운 도구들이 등장하면서 클라우드 기반 인 공지능이 범용 기술로 진화하는 속도가 빨라지고 있다. 텐서플로나 파이토치 같은 플랫폼 덕분에 딥러닝 시스템 구축이 쉬워졌지만, 아직은 주로 컴퓨터공학 박사 학위가 있거나 고도로 훈련된 전문가 들이 사용한다. 2018년 1월에 공개된 구글의 오토ML AutoML 같은 새 로운 도구는 기술적인 세부 사항을 대부분 자동화하고 진입 장벽 을 크게 낮춰 더 많은 사람에게 실질적인 문제 해결을 위해 딥러닝 을 활용할 기회를 제공한다. 오토ML은 본질적으로 인공지능을 더 많이 만들기 위해 인공지능을 배포하는 것이고 리페이페이 교수가 “인공지능의 민주화”라고 부르는 경향의 한 부분이다.
- 기술적 한계와 경제성 때문에 용도가 다양하고 생산적인 가정용 로봇이 나오기까지 시간이 오래 걸린다면, 여러 산업이나 상업 환 경에서는 정반대다. 공장이나 창고처럼 밀폐된 공간에서는 외부 세 계를 지배하는 예측 불가능하고 혼란스러운 요소를 제거하거나, 적 어도 최소화할 수 있다. 그래서 로봇은 한계를 피하고 기능은 활용 할 수 있는 시설에서 사람, 기계, 물건의 상호작용과 흐름을 재조직 하는 데 주로 사용된다. 로봇이 심부름을 제대로 하려면 냉장고 안 정확한 좌표에 그 물건이 틀림없이 있어야 하는 엄격한 조건을 요 구하는 가치 제안은 별다른 매력이 없어 보인다. 하지만 조금만 효 율이 높아져도 엄청난 재정적 이익을 얻을 수 있는 대규모 상업 환 경에서는 계산이 달라진다
- 로봇의 손 기술이 좋아지고 인간 수준의 능력에 근접한다고 해도 가정에서 소비자 제품으로 사용할 만큼 저렴해지기까지는 시간 이 오래 걸릴 것이다. 하지만 공장이나 물류 창고처럼 상황을 예측 할 수 있고 수익성과 효율성의 논리가 노동자와 기계 사이의 균형 을 바꿀 수밖에 없게 만드는 환경에서 파괴적 혁신은 훨씬 앞당겨 질 것이다. 앞에서 살펴본 것처럼 로봇이 물리적 조작에 능숙해지 고 유연성과 적응력까지 갖추면 새로운 제품을 공급하기 위해 신속 하게 생산을 전환하는 능력이 중요한 전자 조립 영역에서도 점차 사용될 것이다. 이 모든 것은 인공지능이 경제의 모든 측면에 촉수 를 뻗는 전기와 같은 동력으로 진화하는 이야기에서 중요한 장으로 기록될 것이다.
- 컴퓨터 사용과 인터넷의 놀라운 발전 그 자체로는 지난 수십 년 동안 보아온 광범위한 진보를 따라갈 수 없다는 사실은 피터 틸의 유명한 한마디로 압축할 수 있다. “우리는 하늘을 나는 자동차를 기대했지만, 결국 얻은 건 140자(트위터)뿐이다." 정보 기술은 계속 발 전하고 있지만, 우리가 상대적으로 정체된 시대를 살고 있다는 주 장은 경제학자 타일러 코웬Tyler Cowen이 2011년에 출간한 책 <거대 한 침체》 "와 로버트 고든Robert Gordon이 미국의 미래를 매우 비관적 으로 그린 2016년 책 《미국의 성장은 끝났는가> 65에 상세히 설명돼 있다. 두 책의 핵심 주장은 손쉽게 얻을 수 있는 기술혁신은 이미 1970년대에 대부분 거둬들였다는 것이다. 그 결과 우리는 지금 혁 신이라는 나무의 높은 가지에 닿으려고 애쓰는 기술적 소강상태에 있다. 코웬은 결국 기술 정체기를 벗어날 것으로 낙관한다. 하지만 고든은 그렇지 못해서, 나무 위쪽 가지에는 수확할 열매가 남지 않 았고 가장 위대한 발명은 이미 지나갔다고 말한다.
- 사실, 질문에 대한 더 완전한 대답은 실제로 정확히 무슨 일이 일 어나는지 모르고, 적어도 쉽게 설명할 수 없다고 인정하는 것이다. 어떤 프로그래머도 다양한 수준의 추상화나 네트워크 안에서 지식 이 표현되는 방식을 정의하려 하지 않는다. 이 모든 것은 유기적으 로 나타나고 표현은 시스템 전체에서 활성화하는 수백만 개의 상호 연결된 인공 뉴런을 통해 분산된다. 우리는 어떤 의미에서 네트워 크가 이미지를 이해한다는 것을 알지만 뉴런 안에서 무엇이 합쳐지 는지 정확히 설명하기는 매우 어렵거나, 심지어 불가능하다. 네트
워크의 다른 층으로 더 깊이 들어가거나 쉽게 시각화할 수 없는 유 형의 데이터에 작동하는 시스템을 분석할 때 더욱더 그렇다. 이러 한 상대적인 불투명함, 즉 심층 신경망이 사실상 '블랙박스'라는 우려는 8장에서 다시 다룰 중요한 문제 중 하나다
- 우리는 일반적으로 강화 학습을 바둑을 두거나 시뮬레이션으로 자동차를 운전하는 방법을 학습하는 것처럼 외부의 매크로 프로세 스macro process를 최적화하는 보상 기반 알고리즘 관점에서 설명한다. 그러나 하사비스는 강화 학습이 뇌 내부에서 중요한 역할을 하고 지능이 나타나는 데 필수일 수 있다고 지적한다. 강화 학습은 뇌를 호기심과 학습, 그리고 추론으로 이끄는 주요한 메커니즘일 수 있다. 예를 들어 뇌의 고유한 목적이 끊임없이 쏟아지는 엄청난 양의 원데이터를 단순히 탐색하고 순서를 정하는 것이라고 가정해보자. 하사비스의 말에 따르면, "우리는 새로운 것을 보면 뇌에서 도파민 이 분비된다는 것을 안다." 만약 뇌에서 "정보와 구조를 찾는 것 그 자체가 보상이라면 이는 매우 유용한 동기다." 다시 말해 우리 주 변 세계를 이해하도록 끊임없이 동력을 제공하는 엔진이 도파민 생성과 연결된 강화 학습 알고리즘일 수 있다.
- 인공지능 시스템이 펠로폰네소스 전쟁사같은 역사적 문헌을 읽을 수 있으면 여기서 배운 교훈을 현대의 지정학적 상황에 적용 할 수 있을까? 그럴 수 있다면 일반 인공지능으로 가는 길에서 가 장 중요한 이정표 중 하나인 전이 학습transfer learning에 도달하는 것이 다. 한 영역에서 정보를 학습한 다음 다른 영역에 이 정보를 성공 적으로 활용하는 능력은 인간 지능의 특징 가운데 하나이고 창의성 과 혁신에 필수다. 일반 기계 지능이 정말 유용하려면 단순히 교과 서 연습 문제에 대답하는 이상을 해야 한다. 학습한 내용과 발전시킨 통찰력을 완전히 새로운 과제에 적용할 수 있어야 한다. 인공지능 시스템이 이 일을 해내려면 현재 심층 신경망의 피상적인 수준 의 이해를 뛰어넘어 진정한 이해에 도달해야 한다. 사실 지식을 다 양한 영역과 새로운 상황에 적용하는 능력은 기계 지능의 진정한 이해 능력을 테스트하는 단 하나의 최고의 방법이 될 것이다.
- 핵심 질문은 인공지능의 영향으로 초래한 고용 시장 혼란이 이 와 비슷한 결과로 이어질지 여부다. 인공지능은 농업을 바꾼 농업 기술처럼 노동 절약형 혁신의 사례일까? 아니면 근본적으로 성격 이 다른 혁신일까? 사실 인공지능은 다르다는 것이 내가 해온 주장 이다. 그 이유는 이 책의 핵심 주제에 근거를 두고 있다. 인공지능 은 전기와 다를 바 없이 체계적인 범용 기술이며, 따라서 궁극적으 로 경제와 사회의 모든 측면으로 확장되고 스며들 것이다. 역사적 으로 노동시장의 기술적 혁신은 부문별로 영향을 끼치는 경향이 있었다. 농업 기계화는 수백만 개의 일자리를 사라지게 했지만, 제조업 부문의 성장으로 노동자를 흡수할 수 있었다. 마찬가지로 제조업이 자동화되고 공장이 저임금 국가로 이전하자 빠르게 성장하는 서비스업 부문이 실직한 노동자에게 기회를 제공했다. 반면에 인공 지능은 경제 모든 부문에 거의 동시에 영향을 끼칠 것이다. 가장 중 요하게는 여기에 미국 노동력의 대다수가 종사하고 있는 서비스업 부문과 화이트칼라 일자리가 포함될 것이다. 인공지능은 거의 모든 기존 산업에 촉수를 뻗어 변화시킬 것이고 미래에 새롭게 등장하는 산업은 처음부터 인공지능과 로봇공학의 최신 혁신을 포함할 것이 다. 다시 말해 수천만 개의 새로운 일자리를 제공하는 완전히 새로 운 부문이 기존 산업의 자동화로 일자리를 잃은 노동자를 어떻게든 흡수할 가능성은 매우 희박해 보인다. 오히려 미래 산업은 디지털기술, 데이터과학, 인공지능의 기반 위에 구축될 것이다. 따라서 엄청난 수의 일자리를 창출하지는 않을 것이다.
- 물론 경제는 고숙련· 고임금 일자리도 창출했지만 4년제 대학 학 위가 없는 미국 노동자의 4분의 3은 거의 접근할 수 없다. 대학 졸 업자 사이에도 실업률은 심각한 문제를 떠오르고 있다. 대학 졸업 자들이 카페나 패스트푸드점에서 일하면서 학자금 대출을 상환해 야 하는 부담에 시달리는 이야기는 너무 흔하다. 2020년 2월 뉴욕연방준비은행이 발표한 데이터에 따르면 최근 대학 졸업자의 41퍼센트가 대학 학위가 필요 없는 일에 종사하는 것으로 나타났다. 전 체 대학 졸업자의 3분의 1이 불완전 취업 상태에 있다. 경제 전반에 걸친 주요 실업률이 3.6퍼센트로 떨어졌지만 22세에서 27세 사이 의 최근 대학 졸업자 실업률은 6퍼센트를 넘는다." 다시 말해 통념상 교육을 강조하고 대학 등록을 확대해야 할 것 같지만 경제는 이미 배출된 대학 졸업자를 흡수할 만큼 숙련직 일자리를 충분히 만 들지 못하고 있다.
- 코로나바이러스 팬데믹의 여파로 미국과 중국 사이의 긴장이 크게 고조됐고, 중국 생산에 대한 과잉 의존이 잠재적으로 위협이 될수 있다는 인식이 널리 퍼졌다. 미국이 의료용품이나 의약품을 비롯한 중요한 전략 물자에 접근할 때, 코로나 위기 이전에도 두 나 라의 경제적 시너지와 상호 의존성이 (2006년 역사학자 니얼 퍼거슨Niall Ferguson은 이 현상에 '치메리카 Chimerica'라는 용어를 붙였다) 점차 느슨해지는 것은 분명했다. 긴장이 고조되고 양국 관계가 계속 분리되면 인공 지능 개발과 배치에 집중된 갈등과 경쟁이 중심 역할을 할 것은 피 할 수 없어 보인다. 인공지능이 체계적이면서 전략적인 기술이라는 점이 분명해지면서 양국 간의 전면적인 인공지능 군비경쟁의 우려는 진정한 위협으로 다가오고 있다.
- 얼굴 인식 시스템이 개인의 사생활을 위협할 가능성은 매우 현실 적이지만 이 기술을 적절하고 윤리적으로 배치해 얻는 분명한 혜택 도 중요하게 생각해야 한다. 우선 이 기술을 사용해 중범죄자들을 많이 검거할 수 있었다. 개인 정보 보호 문제는 어떤 이득을 얻더라 도 분명히 더 중대한 사안이지만 클리어뷰 앱의 경우, 위험한 범인 을 체포하는 데 일조했고, 특히 성범죄자나 아동 포르노 공급책을 파악하는 데 효과적이었다. 마찬가지로 공공장소에 배치된 얼굴인 식 시스템은 범죄율을 낮추는 면에서 실질적인 도움이 될 수 있다. 런던의 광역 경찰청이 이렇게 말하는 것도 틀리지는 않다. "우리는 모두 안전한 도시에서 살고 일하기를 바랍니다. 대중은 우리가 가 능한 기술을 널리 사용해 범죄자를 저지하기를 바랍니다."
사실 중국에서 실행 중인 광범위한 감시는 서양의 관점에서 보면 명백하게 억압적이지만 중국인 대부분이 꼭 부정적으로만 바라보 는 것은 아니다. 샹양의 주민들은 무단 횡단 시스템에 매우 협조적 이다. 이 시스템이 작동하면서 한때 위험했던 교차로가 지금은 매 우 질서 정연해졌기 때문이다. 중국에 사는 지인들과 개인적으로 대화를 나누면서 한 가지 공통점을 발견했다. 예전보다 범죄에 대 해 우려하기보다 안전하다고 느끼고, 특히 어린 자녀를 둔 부모들 이 안심하는 경우가 늘었다는 점이다. 이러한 잠재적 중요성도 과소평가해서는 안 된다. 대부분의 사람들은 이웃환경에서 느끼는 안정감을 높이 평가하고 이것은 육체와 정신 건강과도 상관관계가 있다. 중국이 미국을 분명히 앞서는 부분 중 하나가 바로 이 영역이다. "
- 딥페이크는 '적대적 생성 신경망 generative adversarial network, GAN'으로 알 려진 혁신적인 딥러닝으로 구동된다. GAN은 끊임없이 더 좋은 품 질의 시뮬레이션 음성이나 영상을 생성하도록 2개의 신경망을 일 종의 게임처럼 경쟁시킨다. 예를 들어 가짜 사진을 생성하도록 설 계된 GAN에는 두 가지 심층 신경망이 포함된다. 먼저 '생성자 generator'라고 불리는 신경망은 조작된 이미지를 만든다. 그리고 '판 별자discriminator'로 불리는 신경망은 실제 사진으로 구성된 데이터 세트를 학습한다. 생성자가 합성한 이미지는 실제 사진과 섞여 판별 자로 입력된다. 두 신경망은 생성자가 만든 사진을 판별자가 평가 해 진위를 가리는 경쟁을 진행하면서 계속 상호작용한다. 생성자의 목표는 가짜 사진을 만들어 판별자를 속이는 것이다. 두 신경망이 경쟁을 반복하면서 이미지 품질이 계속 향상되고 결국 시스템은 판 별자가 분석하는 이미지의 진위를 구분할 수 없는 일종의 평형 상 태에 도달한다. 이 기법을 통해 놀랍게 조작된 이미지를 얻을 수 있 다. 인터넷에서 'GAN 가짜 얼굴'을 검색하면 세상에 존재하지 않 는 인물을 완벽하게 그려낸 고해상도 이미지의 예를 수없이 찾을 수 있다. 판별자 신경망의 관점에서 보면, 사진들은 완전히 실제처 럼 보이지만 모두 디지털 천상계에서 만들어낸 이미지 합성이자 환상일 뿐이다.
- GAN은 몬트리올대학교의 대학원생이던 이언 굿펠로lan Goodfellow 가 개발했다. 2014년 어느 저녁, 굿펠로는 친구 몇 명과 동네 술집 에서 고품질 이미지를 생성할 수 있는 딥러닝 시스템을 만드는 문 제를 놓고 대화를 나눴다. 맥주를 셀 수 없을 만큼 마신 굿펠로는 GAN의 기본 개념을 제안했지만, 지나친 의심에 부딪혔다. 굿펠로 는 집으로 돌아와 곧장 코딩을 시작했다. 몇 시간 뒤 그는 최초로 작동하는 GAN을 만들어냈다. 이 성취는 굿펠로를 딥러닝 커뮤니 티의 전설적 인물로 바꿀 만했다. 페이스북의 최고 인공지능 과학 자얀 르쿤은 GAN을 "지난 20년간 딥러닝 분야에서 나온 가장 멋진 아이디어"라고 말했다. 굿펠로는 몬트리올대학교에서 박사 학위를 마친 다음 구글 브레인 프로젝트와 오픈AI를 거쳐 지금은 애플의 머신러닝 책임자로 일하고 있다. 그는 딥러닝 분야의 표준적인 대학 교재를 집필한 주요 저자이기도 하다.
- 딥페이크는 인간을 속이기 위한 것이지만 문제는 머신러닝 알고 리즘을 속이거나 제어하기 위해 데이터를 악의적으로 조작하는 것 과 관련이 있다. 이런 '적대적 공격adversarial attack'에서는 특별히 설계 된 입력이 공격자가 원하는 출력을 생성하도록 머신러닝 시스템에 오류를 일으킨다. 머신 비전의 경우 신경망이 이미지 해석을 왜곡 하도록 시야에 무언가를 배치한다. 유명한 사례를 소개하면, 연구 자들이 판다 사진을 딥러닝 시스템이 58퍼센트의 신뢰 수준으로 식 별하도록 한 다음, 이 이미지에 신중하게 조작한 시각적 노이즈를 추가해 판다를 긴팔원숭이로 99퍼센트 이상 확신하도록 시스템을 속이는 것이다. 하지만 소름 끼치는 사례도 있었다. 정지신호에 4개의 작은 직사각형 모양의 흑백 스티커를 추가해 자율 주행차에 사용되는 이미지 인식 시스템이 정지신호를 시속 70킬로미터 속도 제한 표시로 인식하도록 속인 경우다. 다시 말해 적대적 공격은 생 사가 걸린 중요한 결과를 쉽게 초래할 수 있다. 두 가지 경우 모두 인간 관찰자는 이미지에 추가된 정보를 알아차리지 못하거나 분명 히 그 정보 때문에 혼동하지 않을 것이다. 나는 이런 사례가 오늘날 심층 신경망이 얼마나 피상적이고 불안정하게 연결돼 있는지를 생 생히 보여준다고 생각한다.
인공지능 연구자들은 적대적 공격을 심각하게 받아들이고 치명 적인 취약점으로 간주한다. 이언 굿펠로는 머신러닝 시스템 내 보안 문제를 연구하고 가능한 보호 장치를 개발하는 데 연구 경력의 많은 부분을 쏟았다. 적대적 공격에 맞서 강력한 인공지능 시스템 을 개발하기란 결코 쉬운 작업이 아니다. 한 가지 접근 방법은 '적 대적 학습adversarial learning’으로, 시스템이 배치되면 신경망이 공격을 파악하기를 기대하며 의도적으로 적대적인 예시를 훈련 데이터 안 에 포함한다. 하지만 딥페이크와 마찬가지로 공격자가 항상 유리한 위치를 차지하는 확장 경쟁이 계속될 가능성이 있다. 굿펠로가 지 적했듯이 "다양한 경우의 적대적 공격 알고리즘에 대항할 수 있는 정말 강력한 방어 알고리즘을 설계한 사람은 아직 없다."
- 적대적 공격은 머신러닝 시스템에 해당하지만, 사이버 범죄자나 해커, 외국 정보기관에 의해 악용될 수 있는 컴퓨터 취약점의 중요한 항목이 될 수 있다. 인공지능이 더 많이 사용되고 사물 인터넷을 통해 기기와 기계, 인프라가 더욱 연결될수록 보안 문제는 앞으로 훨씬 더 중요해지고 사이버 공격은 거의 확실히 더 자주 일어날 것 이다. 인공지능의 폭넓은 사용은 결과적으로 더 자율적이고 인간의 개입은 적은 시스템으로 나타날 것이며, 이런 시스템은 점점 더 사 이버 공격의 매력적인 표적이 될 것이다. 앞으로 자율 주행 트럭이 식품이나 의약품, 긴급 물자를 배송한다고 상상해보자. 이런 차량 을 멈춰 세우거나 배송을 오래 지연시키는 공격은 생명을 위협하는 결과를 초래할 수도 있다.
이 모든 것의 결론은 증가한 인공지능의 가용성과 의존도가 시스템의 보안 위험과 결부된다는 것이다. 여기에는 사회질서와 경제, 민주주의 제도와 함께 주요 인프라와 시스템에 대한 위협도 포함된 다. 보안 위험은 인공지능의 부상과 연관된 가장 중요한 단기적 위 험이다. 이런 이유로 견고한 인공지능 시스템 개발에 중점을 둔 연 구에 투자하고, 심각한 취약점이 발견되기 전에 적절한 규제와 보 호 장치를 마련하기 위해 정부와 민간 부문 간 효과적인 연합을 구 성하는 것이 중요하다.
- 인공지능과 머신러닝이 폭넓게 사용될수록 알고리즘이 생성하는 결과와 추천이 공정하다고 인식하고 알고리즘의 추론 과정을 적절 하게 설명할 수 있는 것이 중요하다. 이를테면 산업기계의 에너지 효율을 극대화하기 위해 딥러닝 시스템을 사용하고 있다면 아마 알 고리즘이 결과를 도출하는 세부 사항에는 특별한 관심을 기울이지 않을 것이다. 그저 최적의 결과만 바랄 뿐이다. 하지만 머신러닝이 형사적 판단이나 고용 결정, 주택 담보 대출 신청 절차 같은 분야에 적용될 때, 다시 말해 인간의 권리와 미래의 행복에 직접 영향을 끼 치는 중대한 결정에 적용될 때, 알고리즘의 결과가 인구통계 집단 에 편향되지 않고 이런 결과를 도출한 분석이 투명하고 공정하다는 것을 보여주는 것이 필요하다.
- 장 낙관적인 시나리오는 TV 프로그램 <스타트렉>에 나오는 세상이다. 희소성이 사라진 세상에서는 발전한 기술 덕분에 물질적 으로 풍요롭고 가난이 사라졌으며, 환경 문제도 해결되고, 대부분 질병도 치료할 수 있다. 단지 생존을 위해 보람 없는 일을 하며 힘 들게 고생할 필요도 없다. 사람들은 높은 수준의 교육을 받고 보람 있는 도전을 추구한다. 전통적인 직업이 없어졌다고 사람들이 게을 러지거나 삶의 의미나 인간의 존엄이 결핍되지 않는다. <스타트렉> 의 세계에서 사람들은 경제적 결과가 아니라 고유한 인간성에 가치를 둔다. 비록 <스타트렉>에 그려진 많은 기술이 실현 불가능하거 나 최소한 먼 미래에나 가능할 법해 보이지만 나는 이 프로그램이 합리적인 미래상을 보여준다고 생각한다. 발전한 기술이 광범위한 번영을 가져오고, 인류의 지상 과제를 해결하며, 우리를 다른 별에 도 데려다주지 않는가?
- 반면에 훨씬 더 디스토피아적인 미래는 영화 <매트릭스>에 가까 울 것이다. 내가 두려운 것은 인공지능이 우리를 노예로 만드는 것 이 아니라 현실 세계가 너무 불평등하고 더 나아질 기회가 부족한 나머지 많은 인구가 대안 현실로 도피하는 선택을 하는 것이다. 앞 으로 인공지능과 가상현실 기술의 발전 속도가 빨라질수록 두 기술 이 결합해 너무나도 매력적이고 현실적인 가상 세계를 만들 것이 고, 많은 사람에게 이 세계는 우리가 실제로 사는 세상보다 훨씬 우월해 보일 것이다. 사실, 2017년에 한 경제학자 그룹이 발표한 분석에 따르면 노동시장에서 소외된 젊은이들 가운데 점점 더 많은 수가 비디오게임에 엄청난 시간을 소비하고 있다. 가상 환경을 일 종의 마약으로 볼 수 있을 정도로 중독성을 높이는 기술이 곧 나타 날 것이다.
인공지능과 로봇 기술이 노동시장을 뒤흔들고 고용 기회가 사라 지거나 고용의 질이 감소한다면 정부는 결국 사회질서 유지를 위해 시민들에게 기본 소득과 같은 형태의 지원을 제공하게 될 것이다. 하지만 사람들이 교육을 우선시하고 목적의식을 유지하도록 보장하는 일을 정부가 소홀히 한다면 만연한 무관심과 이탈이라는 결과 를 불러올 것이다. 앞으로 사회는 소수 엘리트는 현실 세계에 탄탄 한 기반을 두지만, 대다수는 점점 더 기술적 환상 속으로 도피하거 나 범죄나 다른 형태의 중독에 빠지는 분열된 방향으로 갈 수도 있 다. 그렇다면 우리는 교육 수준이 낮은 인구, 포용적이고 효과적이 지 못한 민주주의, 느린 속도로 진행되는 혁신이라는 결과에 도달 할 수밖에 없을 것이다. 똑똑한 개인들도 더욱 매력적인 가상 세계 에 현혹돼 더는 현실 세계에서 살아남는 데 강력한 동기를 찾지 못 할 것이다. 이런 비관적인 시나리오에서 경제적·사회적 역풍은 우리가 직면한 전 지구적 도전을 극복하는 것을 더욱더 어렵게 만들 것이다.
