일반 인공 지능(AGI)을 만들 때 우리는 주로 어떤 유형의 작업을 해결할 수 있어야 하는지, 어떤 환경에서 수행할 수 있어야 하는지, 어떤 유형의 학습이 가능해야 하는지에 대해 생각한다. 그러나 AGI에 대한 대부분의 사람들의 비전에는 간과되는 AGI의 원하는 암묵적 능력이 있는 경우가 많다.

인간이 해결하는 많은 작업을 AGI가 해결할 수 있기를 원한다면 공유 현실의 기반이 있다. 따라서 첫째, 현실은 물리학이라는 과학 분야가 질서의 법칙을 찾으려고 노력하는 모든 것의 근본적인 기반에 비유될 수 있다. 이제 현실의 공유된 기초를 이해하려면 이 사고 경험에 빠져보라.

당신이 슈퍼 마리오 브라더스(Super Mario Bros) 비디오 게임을 하고 있지만 컴퓨터에서 하는 것처럼 게임을 하는 대신 당신이 게임 속의 캐릭터라고 가정해 보자. 자신의 게임 내 선택을 제어한다. 슈퍼 마리오 브라더스는 여러분의 우주이고 그 게임의 메커니즘은 여러분의 현실이다. 이제 슈퍼 마리오 브라더스에서 작업을 완료하고 싶다. 당신은 평생 동안 슈퍼 마리오 브라더스 게임에서 플레이어로 살아왔으므로 슈퍼 마리오 브라더스의 세계가 어떻게 작동하는지 어느 정도 이해하고 있다. 당신은 취할 수 있는 행동과 할 수 없는 행동, 그리고 임무를 달성하기 위한 계획 방법에 대한 모델을 구축했다. 이제 갑자기 슈퍼 마리오 브라더스에서 오래된 아타리 게임 퐁(Pong)으로 빠져 들었다고 가정해 보겠다. 슈퍼 마리오 브라더스의 세계에 대해 알고 있는 모든 것을 잊지 않고 퐁의 세계를 배우지 않으면 두 세계 사이에 공유되는 것이 거의 없기 때문에 작동할 수 없다. 슈퍼 마리오 브라더스의 규칙이 퐁의 규칙인 것처럼 플레이하게 되면 실패하게 된다.

이것이 AGI를 만들려는 것과 같다. 우리는 게임의 규칙을 이해하지 못하는 무언가를 가지고 있으며 그것이 마치 우리처럼 세상을 이해하는 것처럼 작동할 것으로 기대한다. 컴퓨터 프로그램은 우리 현실을 이해하지 못하거나 적어도 개념적으로 이해하지 못한다. 우리는 우주가 어떻게 작동하는지 최선을 다해 가르쳐야 한다. 더욱이 우리는 현실이 어떻게 작동하는지 스스로 배우는 방법을 AGI에게 가르쳐야 한다. 여기에는 비디오 게임, 양자 역학, 고양이가 고체여야 함에도 불구하고 액체처럼 행동할 수 있는 방법 등이 포함될 수 있다.

인간으로서 우리가 현실이 무엇이든 해석하는 방법을 배웠다면 우리의 학습 방법, 즉 해석 방법이 AGI에 도움이 될 수 있다. 따라서 AGI를 만드는 방법을 고려할 때 현실의 본질을 고려해보자.

결국, 지구상의 더 발전된 생명체는 경험, 즉 우리 모두가 동의할 수 있는 일종의 객관적 현실을 공유한다. 이는 뇌가 해석 장치임을 나타낸다. 그것은 우주로부터 신호를 받아 뇌 소유자가 환경에서 생존하기 위해 탐색하고 학습하는 데 도움이 되는 표현으로 변환한다. 그런데 뇌는 어떻게 이런 일을 할까?

이 질문에 대한 답은 신경과학, 고대 문명, 신비주의 등에서 많이 제공된다. 그러나 AGI 디자인에 대한 흥미로운 관점을 제공하는 한 가지 특별한 대답이 있다. 바로 홀로그램 이론이다. 비록 대부분의 과학자들이 실제 이론으로 분류하지 않고 가정을 주장하기 위한 테스트를 완료했기 때문에 우리는 이를 홀로그램 모델이라고 부르겠다. 홀로그램 모델은 80년대 데이비드 봄(David Bohm)과 칼 프리브암(Karl Pribram)에 의해 처음으로 독립적으로 소개되었다. 이 모델은 마이클 탤벗(Michael Talbo)t이 잘 읽은 "홀로그램 우주"를 통해 심층적으로 탐구된다.

프리브암의 작업을 시작으로 탤벗은 다양한 신경과학과 심리학 연구에서 주파수로 표시되는 입력 자극에 따라 뉴런이 활성화된다는 사실을 설명한다. 시력의 경우 자극은 광파이며, 귀의 달팽이관은 주파수에 따라 소리를 포착하고 피부는 진동 주파수에 반응한다. 그런 다음 뉴런은 이러한 입력 주파수에 따라 활성화되고 주변 뉴런을 방해한다. 우리가 알고 있듯이 뉴런이 활성화되면 뉴런 간의 연결이 더욱 강해진다. 따라서 뉴런은 파동 주파수에 반응하는 것으로 생각되며 뉴런 사이의 강도는 파면에 의해 생성된 간섭 패턴을 저장한다.

홀로그램 모델의 두 번째 측면은 뇌 관련 연구에서 나온 것이 아니라 오히려 아인슈타인의 동료 중 한 명인 데이비드 봄(David Bohm)에게서 나온 것이다. 현재의 양자역학 해석으로는 불가능했던 실험 결과가 봄의 새로운 양자철학으로 인해 가능해졌다. 다른 결과 중에서 원거리에서의 으스스한 행동에 대한 초기 연구는 봄의 아이디어를 이해하는 데 가장 유용하다. 입자(예: 전자)는 두 입자가 서로 매우 멀리 떨어져 있는 것을 관찰할 수 있고 두 입자 모두 정확히 동일한 스핀 동작을 갖는 방식으로 동작한다. 스핀을 특별한 댄스 전자가 떠다니는 것처럼 생각해보자. 그렇다면 두 개의 서로 다른 객체가 서로 매우 멀리 떨어져 있음에도 불구하고 어떻게 동일한 동작을 나타낼 수 있을까?

봄은 입자가 실제로 서로 그리 멀지 않고 실제로 같은 위치에 있기 때문이라고 가정했다. 또는 물리학자들이 비국소성(non-locality)이라 부르기를 좋아하는 것은 위치가 없다는 뜻이다. 이 개념은 다소 혼란스러울 수 있으며 완전한 이해를 그렇게 간략하게 설명할 수는 없다. 봄은 이러한 능력이 현실 상태를 설명하고 암시하는 능력이라고 생각한다. 그 현실은 비국소성을 지닌 함축적인 상태로 담겨 있고, 우리가 관찰하면 현실은 국소성과 패턴, 구별을 지닌 명시적인 상태로 펼쳐진다. 스핀 상태를 측정하기 위해 전자를 펼치면 모든 것이 하나이기 때문에 전자가 접혀 있고 정보가 전체에 걸쳐 공유되고 분산되는 내포 상태에서 나온다. 따라서 펼쳐질 때 스핀 상태에 대한 정보는 접힌 상태에서 여전히 유지된다.

마찬가지로, 두뇌가 정보를 처리할 때(홀로그램 모델에 따라) 들어오는 정보를 비트로 분해하고 각 비트를 일부로 저장하지 않는다. 만약 그렇다면, 우리가 가지고 있는 각각의 기억을 뉴런으로 저장하는 것은 불가능할 것이다. 우리는 뉴런이 충분하지 않고, 기억을 만들 때마다 새로운 뉴런이 자라나는 것이 아니다. 대신에 우리는 뉴런을 다중화한다. 우리는 기억과 같은 정보를 뇌의 큰 모듈 전체에 분산시킨다.

이미지 출처: Tesfu Assefa

그럼에도 불구하고 전통적인 인공지능과 일부 신경과학자들은 여전히 환원주의 모델을 고수하고 있다. 딥러닝은 올바른 출력을 분류하기 위해 원래 입력의 일부를 구성하는 특징 맵을 구성한다. 피처 레이어가 충분하면 특정 신경망 출력에서 어떤 객체가 보였는지 조사할 수 있다.

정보를 비트 단위로 저장하고 처리하는 대신 비환원주의적 접근 방식을 고려해야 할 수도 있다. 현실의 무질서를 질서로 강제하려는 것이 아니라, 그 무질서를 의미 있게 해석하려는 사람.

결과는 인간과 더 유사하고 다른 사람의 결정을 이해하려고 노력하는 것과 같은 방식으로 더 이해하기 쉬운 AGI로 이어질 가능성이 높다. 이는 또한 현실에 대한 보다 강력한 해석으로 이어질 수 있으며 일부 안전 조치를 제공할 수도 있다. 우리가 더 많이 공유할수록 인류를 보호하고 세상을 더 살기 좋은 곳으로 만드는 것과 같은 동일한 결론, 동일한 목표에 도달할 가능성이 더 커진다.