We will start by addressing what is known to be one of the hardest problems of all: predicting the future.
You may be disappointed to hear this, but we don't have a crystal ball that would show us what the world will be like in the future and how AI will transform our lives.
우리는 가장 어려운 문제 중 하나로 알려진 미래를 예측하는 것을 논의로부터 시작하고자 합니다.
실망스러운 이야기일 수도 있겠지만 미래 세상이 어떤 모습일지, 그리고 AI가 우리 삶을 어떻게 바꿀지를 보여줄 마법 구슬이란 없습니다.
As scientists, we are often asked to provide predictions, and our refusal to provide any is faced with a roll of the eyes (“boring academics”). But in fact, we claim that anyone who claims to know the future of AI and the implications it will have on our society, should be treated with suspicion.
과학자로서 우리는 종종 미래에 대해 예측을 해달라는 요청을 받기도 하고, 이를 거절하게 되면 눈을 굴리는 (“지루한 학자들 같으니라고.”) 반응에 맞닥뜨리게 되곤 합니다. 하지만 실제로, 우리는 AI의 미래와 그것이 우리 사회에 미칠 영향을 알고 있다고 주장하는 사람은 의심을 가지고 바라봐야 한다고 생각합니다.
Not everyone is quite as conservative about their forecasts, however. In the modern world where big headlines sell, and where you have to dissect news into 280 characters, reserved (boring?) messages are lost, and simple and dramatic messages are magnified. In the public perception of AI, this is clearly true.
물론 모든 사람이 예측에 대해서 이렇게 보수적이지는 않습니다. 특히 자극적인 헤드라인이 팔리고 뉴스를 280자의 글자로 분해해야 하는, 내포된 (또는 지루한?) 메시지는 사라지고, 심플하고 드라마틱한 메시지는 확대되는 현대 사회에서 말이죠. AI에 대한 대중의 인식에서 이는 자명한 진실입니다.
<aside> 💡
From utopian visions to grim predictions
The media sphere is dominated by the extremes. We are beginning to see AI celebrities, standing for one big idea and making oracle-like forecasts about the future of AI. The media love their clear messages. Some promise us a utopian future with exponential growth and trillion-dollar industries emerging out of nowhere, true AI that will solve all problems we cannot solve by ourselves, and where humans don’t need to work at all.
It has also been claimed that AI is a path to world domination. Others make even more extraordinary statements according to which AI marks the end of humanity (in about 20-30 years from now), life itself will be transformed in the “Age of AI“, and that AI is a threat to our existence.
</aside>
<aside> 💡 유토피아스러운 비전에서부터 잔혹한 예측까지
미디어 영역은 극단에 의해 지배됩니다. 우리는 AI의 미래에 대해 신탁 같은 예측과 거대한 아이디어를 제시하는 AI 유명인들을 목격하기 시작했습니다. 미디어는 그들의 그런 명확한 메시지를 좋아합니다.
어떤 이들은 이전에는 존재하지 않았던 수 조권 규모 산업과 급격한 성장을 하는 유토피아스러운 미래를 약속하며, 진정한 AI가 우리 스스로 풀 수 없었던 문제를 해결해 우리 인류는 더 이상 일하지 않아도 된다고 하기도 합니다.
AI는 세계 지배로 향하는 길이라고 주장되기도 합니다. 심지어 어떤 이는 AI가 (20-30년 안에) 인류의 종말을 선언하고 삶 자체가 "AI의 시대"로 변모해 우리의 존재에 대한 위협이 될 거라는 기이한 진술을 하기도 합니다.
</aside>
While some forecasts will probably get at least something right, others will likely be useful only as demonstrations of how hard it is to predict, and many don’t make much sense. What we would like to achieve is for you to be able to look at these and other forecasts, and be able to critically evaluate them.
이러한 예측들 중에 아마도 최소 어떤 것은 맞을 수도 있지만 그 외의 예측들은 예측이라는 것이 얼마나 어려운 것지를 보여주는 유용성만 있을 뿐이며, 대부분의 예측은 말이 되지 않습니다. 우리는 당신이 이러한 예측을 보고 이를 비판적으로 평가할 수 있게 되기를 바랍니다.
The political scientist Philip E. Tetlock, author of Superforecasting: The Art and Science of Prediction, classifies people into two categories: those who have one big idea (“hedgehogs”), and those who have many small ideas (“foxes”). Tetlock has carried out an experiment between 1984 and 2003 to study factors that could help us identify which predictions are likely to be accurate and which are not. One of the significant findings was that foxes tend to be clearly better at prediction than hedgehogs, especially when it comes to long-term forecasting.
“슈퍼예측, 그들은 어떻게 미래를 보았는가”의 저자인 정치 과학자 필립 테틀록은 사람들을 두 유형으로 분류했습니다. 바로 하나의 큰 아이디어를 가진 사람들("고슴도치형")과 작은 아이디어를 여럿 가진 사람들("여우형")으로 말이죠. 테틀록은 1984년부터 2003년까지 어떤 예측이 정확한지 아닌지를 식별하는 데 도움이 되는 요소에 대해 실험을 진행했습니다. 중요한 발견 중 하나는 여우형이 고슴도치형보다 예측에서 분명히 더 나은 경향이 있다는 것입니다. 특히 장기 예측에 관해서는 더욱더 그렇습니다.
Probably the messages that can be expressed in 280 characters are more often big and simple hedgehog ideas. Our advice is to pay attention to carefully justified and balanced information sources, and to be suspicious about people who keep explaining everything using a single argument.
280자로 표현될 수 있는 메시지들은 아마도 크고 단순한 고슴도치형 아이디어일 것입니다. 우리의 조언은 신중하게 정당화되고 균형 잡힌 정보 출처에 보다 주의를 기울이고, 하나의 주장을 가지고 모든 것을 설명하려고 하는 사람들에 대해 의심을 멈추지 말라는 것입니다.
Predicting the future is hard but at least we can consider the past and present AI, and by understanding them, hopefully be better prepared for the future, whatever it turns out to be like.
미래를 예측하는 것은 어렵지만 최소한 우리는 과거와 현재의 AI를 고려할 수 있고, 이를 이해함으로써 미래가 어떤 모습이든지 상관없이 더 나은 준비를 할 수 있을 겁니다.
The history of AI, just like many other fields of science, has witnessed the coming and going of various different trends. In philosophy of science, the term used for a trend is paradigm. Typically, a particular paradigm is adopted by most of the research community and optimistic predictions about progress in the near-future are provided. For example, in the 1960s neural networks were widely believed to solve all AI problems by imitating the learning mechanisms in the nature, the human brain in particular. The next big thing was expert systems based on logic and human-coded rules, which was the dominant paradigm in the 1980s.
AI의 역사는 다른 많은 과학 분야와 마찬가지로 다양한 유행이 오고 가는 것을 목격했습니다. 과학 세계에서 이런 유행을 칭하는 용어는 패러다임입니다.
일반적으로, 특정 패러다임은 대부분의 연구 집단에 의해 받아들여지게 되고, 가까운 미래에 일어날 진척에 대한 낙관적인 예측이 제공됩니다.
예를 들어 1960년대에 신경망은 자연의 학습 메커니즘을 배워 모든 AI 문제, 특히 인간의 뇌에 관한 문제를 해결할 수 있을 거라 널리 믿어졌습니다. 그 다음의 큰 아이디어는 1980년대에 지배적인 패러다임이었던 논리에 기반한 전문가 시스템과 인간이 직접 짠 규칙이었습니다.
In the beginning of each wave, a number of early success stories tend to make everyone happy and optimistic. The success stories, even if they may be in restricted domains and in some ways incomplete, become the focus on public attention. Many researchers rush into AI – or at least calling their research AI – in order to access the increased research funding. Companies also initiate and expand their efforts in AI in the fear of missing out (FOMO).
새로운 물결 초기에는 수많은 이른 성공 스토리가 많은 사람을 행복하게 하고 낙관적으로 만드는 경향이 있습니다. 몇몇 분야에 한정되고 불완전하더라도 이런 성공 스토리들은 대중의 관심 중심이 되곤 합니다. 많은 연구자는 더 많은 연구비 모금을 위해 AI에 뛰어들거나, 또는 최소한 자신의 연구를 AI라고 칭하곤 합니다. 기업은 뒤처질까 봐 두려워 AI 프로젝트를 시작하고 또 AI 분야에 대한 노력을 강화하기도 합니다.
So far, each time an all-encompassing, general solution to AI has been said to be within reach, progress has ended up running into insurmountable problems, which at the time were thought to be minor hiccups. In the case of neural networks in the 1960s, the hiccups were related to handling nonlinearities and to solving the machine learning problems associated with the increasing number of parameters required by neural network architectures. In the case of expert systems in the 1980s, the hiccups were associated with handling uncertainty and common sense. As the true nature of the remaining problems dawned after years of struggling and unsatisfied promises, pessimism about the paradigm accumulated and an AI winter followed: interest in the field faltered and research efforts were directed elsewhere.