컴퓨터비전

20 Contents

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 2

인공지능 기술의 정점이라 불리는 알파고나 테슬라의 자율주행 엔진, 그리고 병원에서 활용되는 암 판별기의 내부는 의외로 단순한 원리로 구성되어 있습니다. 이들은 모두 입력된 데이터를 숫자로 변환한 뒤, 복잡한 수식 대신 곱셈과 덧셈이라는 기초적인 연산을 반복하여 최종적인 결과를 도출합니다. 자율주행차는 카메라 영상을 숫자로 인식해 가속이나 제동을 결정하고, 바둑 인공지능은 판 위를 숫자로 읽어 최적의 수를 찾아냅니다. 이처럼 현대 문명을 바꾸고 있는 고도화된 기술들의 핵심은 결국 입력값에 따른 산술 연산의 나열에 불과하다는 사실이 매우 흥미롭습니다. 인공신경망 학습의 대표적인 방식인 지도 학습은 사람이 기계에게 직접 정답을 가르쳐주는 과정이라고 할 수 있습니다. 예를 들어 특정 배경색 위에서 흰색 글씨와 검은색 글씨 중 어느 것이 더 잘 보이는지 사람이 직접 선택하면, 기계는 이를 바탕으로 정답 데이터셋을 구축하게 됩니다. 여기서 배경색은 입력값인 X가 되고, 사람이 선택한 더 잘 보이는 글씨색은 출력값인 Y가 되어 하나의 정답 쌍을 이룹니다. 마치 아이에게 사진을 보여주며 이름이 무엇인지 알려주는 것과 같은 원리이며, 이러한 양질의 데이터를 충분히 확보하는 것이 기계 학습의 가장 필수적인 전제 조건이 됩니다. 전통적 프로그래밍과 딥러닝의 가장 결정적인 차이점은 알고리즘 내의 핵심 수치인 가중치를 누가 결정하느냐에 있습니다. 과거에는 생물학적 연구 결과 등을 토대로 사람이 직접 RGB 값에 특정 숫자를 곱해 회색조로 변환하는 등의 세부적인 규칙을 코드로 작성했습니다. 즉, 문제 해결을 위한 논리 구조를 인간이 직접 설계한 셈입니다. 반면 딥러닝은 인공신경망 내부의 수많은 가중치 값을 기계가 스스로 찾아내도록 유도합니다. 사람이 일일이 계산 규칙을 정의하지 않아도, 기계는 반복적인 학습을 통해 어떤 수치를 적용해야 최선의 결과를 낼 수 있는지 스스로 터득하며 인간의 역할을 보완합니다. 인공신경망의 구조를 자세히 들여다보면 수많은 레이어와 노드가 복잡한 그물망처럼 얽혀 있는 것을 볼 수 있습니다. 기계 내부에서는 입력된 정보가 각 레이어를 거치고, 그 안에 포함된 노드를 지나며, 다시 각 노드에 연결된 수많은 연결선의 가중치와 계산되는 삼중 루프 구조의 연산이 수행됩니다. 이 과정의 핵심은 각각의 연결선에 부여된 가중치입니다. 알파고의 경우 수천만 개에서 수억 개의 가중치를 가지고 있으며, 기계는 학습을 반복할 때마다 이 숫자들을 미세하게 조정합니다. 인간이 이 방대한 숫자들의 개별적인 의미를 전부 파악할 수는 없지만, 결과적으로 기계는 정교한 판단을 내리게 됩니다. 딥러닝의 놀라운 점은 아주 적은 양의 정답 데이터만으로도 전체 영역에 대한 정확한 판단이 가능하다는 일반화 능력에 있습니다. 예를 들어 1,600만 가지가 넘는 전체 색상 중 단 20~30개에 대한 정답만 알려주었음에도 불구하고, 인공신경망은 학습하지 않은 나머지 수많은 색상에 대해서도 적절한 글씨색을 정확히 판별해냅니다. 이러한 원리는 의료 분야의 암 판별이나 사물 인식 기술에도 동일하게 적용됩니다. 수천 장의 사진을 학습한 인공지능이 한 번도 본 적 없는 환자의 영상에서 병변을 찾아내는 것처럼, 기계는 데이터의 파편 속에서 보편적인 규칙을 스스로 찾아내며 인간의 한계를 뛰어넘고 있습니다.

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 2
카오스재단카오스 짧강(짧은 강연)
  • 뇌인지과학
  • 수학
  • 융합

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 3

딥러닝에서 데이터는 특정한 공간상의 좌표로 표현됩니다. 예를 들어 RGB 색상 값은 3차원 공간의 한 점이 되며, 인공지능은 우리가 제공한 정답 데이터를 바탕으로 이 공간을 어떻게 나눌지 결정합니다. 마치 케이크를 적절한 구역으로 쪼개는 것과 같은 이 과정은, 특정 색상 영역이 어떤 결과값에 해당하는지를 정의하는 함수를 찾아내는 일입니다. 이러한 영역 구분을 통해 인공지능은 학습하지 않은 주변 데이터에 대해서도 올바른 판단을 내릴 수 있는 기초를 마련하며, 복잡한 데이터를 분류하는 논리를 스스로 구축하게 됩니다. 인공지능이 소수의 정답 데이터만으로도 수많은 경우의 수를 맞출 수 있는 이유는 데이터의 분포 특성 때문입니다. '엄마'라는 음성이 사람마다 조금씩 다르더라도 일정한 범위 내에서 유사한 패턴을 보이는 것처럼, 자연계의 데이터는 무작위로 흩어져 있지 않고 서로 가깝게 모여 있습니다. 이러한 데이터의 근접성 덕분에 우리는 단 몇십 개의 표본만으로도 천만 개가 넘는 전체 색상이나 다양한 음성 데이터를 분류할 수 있는 인공신경망을 효율적으로 학습시킬 수 있으며, 이는 인공지능이 일반화된 능력을 갖추는 핵심적인 원동력이 됩니다. 인공신경망의 핵심인 가중치(W)를 찾는 과정은 의외로 매우 단순한 원리로 작동합니다. 처음에는 모든 가중치(W)가 무작위로 설정되지만, 입력값이 들어오고 결과값이 나오면 이를 실제 정답 데이터와 비교합니다. 결과값이 목표보다 크면 낮추고, 작으면 높이는 방향으로 수많은 가중치(W)를 미세하게 조정해 나갑니다. 비록 알파고와 같은 복잡한 시스템에서는 수천만 개의 가중치(W)가 존재하지만, 결과값과 정답 데이터 사이의 오차를 줄여나가는 이 단순하고 반복적인 과정이 학습의 본질을 이룹니다. 이 단순무식해 보이는 방식이 모여 거대한 지능을 형성한다는 점은 현대 과학의 가장 놀라운 부분 중 하나입니다. 이러한 학습 방식을 '경사 하강법'이라고 부르며, 수학적인 증명을 넘어 실제 환경에서 놀라운 성능을 발휘합니다. 특히 신기한 점은 학습에 사용된 소량의 정답 데이터뿐만 아니라, 한 번도 본 적 없는 방대한 외부 데이터에 대해서도 높은 정확도를 유지한다는 것입니다. 수많은 전문가조차 왜 이런 단순한 수치 조정만으로 인공지능이 고차원적인 지능을 갖게 되는지 완벽하게 설명하지 못하고 있습니다. 이는 단순한 수학적 계산의 반복이 인간의 전유물이라 여겨졌던 복잡한 판단과 추론을 가능케 함을 보여주는 신비로운 대목이라 할 수 있습니다. 결국 딥러닝이란 이러한 인공신경망의 규모를 엄청나게 키워 복잡한 문제를 해결하는 기술입니다. 2012년 인류 역사상 처음으로 개와 고양이를 완벽히 구분하기 시작한 이후, 인공지능은 이세돌을 이긴 알파고부터 정교한 번역기와 음성 인식기까지 그 영역을 혁신적으로 확장해 왔습니다. 우리가 마주하는 최첨단 인공지능의 내면은 결국 수많은 곱하기와 더하기, 그리고 수치들 사이의 대소 관계를 따지는 아주 기초적인 연산의 집합으로 이루어져 있습니다. 이 단순함이 층층이 쌓여 비로소 거대한 인공지능의 시대가 열리게 된 것입니다.

[카오스 짧강] 2026 카오스 콘서트 예습하기: 헬로 딥러닝: 직관적이고 명확하게 딥러닝을 이해하기_PART 3
카오스재단카오스 짧강(짧은 강연)
  • 뇌인지과학
  • 수학
  • 융합

[카오스 짧강] 2026 카오스콘서트 예습하기: 컴퓨터비전과 딥러닝의 현재와 미래_PART 3

인공지능이 만능처럼 보이지만, 학습 과정에서 의도치 않은 오류가 발생하곤 합니다. 예를 들어 0과 9를 구별하는 학습을 시킬 때, 인공 신경망은 우리가 원하는 숫자의 형태가 아닌 배경색 같은 '쉬운 단서'에 집중할 수 있습니다. 이를 통해 학습 데이터에서는 높은 정확도를 보이지만, 배경이 바뀐 새로운 데이터가 들어오면 속수무책으로 틀리게 됩니다. 이는 데이터를 아주 정교하게 설계하지 않으면 인공지능이 인간의 의도와는 완전히 다른, 가장 효율적인 지름길만을 찾으려 한다는 점을 시사합니다. 따라서 딥러닝 모델의 신뢰성을 확보하기 위해서는 단순한 결과값뿐만 아니라 학습의 방향성 자체를 세밀하게 점검하는 과정이 필수적입니다. 학습 데이터 자체의 불완전성도 큰 문제입니다. 사람이 데이터를 직접 레이블링하기에 정답이 틀리거나 모호한 경우가 빈번합니다. 실제로 '렌즈 캡'으로 분류된 이미지가 전혀 엉뚱한 물체인 경우도 있으며, 물체의 영역을 지정하는 방식 또한 주관적일 수 있습니다. 더 큰 문제는 데이터의 편향성입니다. 특정 사물은 데이터가 넘쳐나지만 대다수의 사물은 데이터가 부족한 불균형이 존재하며, 이는 인종이나 성별에 대한 사회적 편견으로 이어지기도 합니다. 흑인을 범죄 위험군으로 높게 예측하거나 요리하는 남성을 여성으로 판단하는 등의 사례는 인공지능이 데이터 속에 숨겨진 인간의 편견을 그대로 학습하고 강화할 수 있음을 보여줍니다. 인공지능은 데이터의 맥락을 완벽히 이해하지 못하는 한계가 있습니다. 홍수 상황에서 침수된 차를 보고도 그저 '길가에 주차된 자동차'라고 설명하는 식입니다. 이는 기계가 학습하지 못한 예외적인 상황에 직면했을 때, 가장 확률이 높은 보편적인 답안을 선택하기 때문입니다. 또한 인공지능은 적대적 공격에 매우 취약합니다. 인간의 눈에는 보이지 않는 미세한 노이즈를 섞는 것만으로도 판다를 긴팔원숭이로 오인하게 만들 수 있습니다. 이러한 취약성과 결과의 도출 과정을 설명할 수 없는 '블랙박스' 문제는 인공지능을 의료나 자율주행 같은 안전이 직결된 분야에 전적으로 도입하기 어렵게 만드는 주요한 원인이 됩니다. 기술적 한계를 넘어선 윤리적, 사회적 부작용에 대한 우려도 깊어지고 있습니다. 딥러닝 학습을 위해 수집되는 방대한 개인 정보는 늘 유출과 오용의 위험에 노출되어 있습니다. 특히 딥페이크 기술은 연예인 합성 음란물 같은 범죄에 악용되며 심각한 인권 침해 문제를 야기하고 있습니다. 자율주행 자동차가 사고 직전 보행자와 탑승자 중 누구를 보호해야 하는지에 대한 윤리적 딜레마도 여전히 사회적 합의가 필요한 난제입니다. 이러한 문제들은 기술의 발전을 이끌어온 연구자들에게조차 깊은 회의감을 안겨주며, 실제로 유명한 알고리즘 개발자가 군사적 전용이나 사생활 침해를 우려해 연구 중단을 선언하는 사례까지 발생하고 있습니다. 마지막으로 간과하기 쉬운 문제는 환경에 미치는 악영향입니다. 고성능 딥러닝 모델 하나를 학습시키는 데 배출되는 이산화탄소는 자동차 다섯 대가 평생 내뿜는 양과 맞먹습니다. GPU 사용량이 폭발적으로 늘어남에 따라 막대한 전력이 소모되고, 이는 결국 지구 온난화를 가속화하는 요인이 됩니다. 지난 몇 년간 컴퓨터 비전과 딥러닝은 비약적인 성장을 거두었으나, 이제는 화려한 성과 뒤에 숨겨진 그늘을 직시해야 할 때입니다. 앞으로의 인공지능 발전은 단순히 지능을 높이는 것에 그치지 않고, 기술적 결함 보완과 사회적 가치 실현, 그리고 환경적 지속 가능성을 동시에 고려하는 방향으로 나아가야 할 것입니다.

[카오스 짧강] 2026 카오스콘서트 예습하기: 컴퓨터비전과 딥러닝의 현재와 미래_PART 3
카오스재단카오스 짧강(짧은 강연)
  • 지구환경과학
  • 뇌인지과학
  • 융합

[카오스 짧강] 2026 카오스콘서트 예습하기: 컴퓨터비전과 딥러닝의 현재와 미래_PART 1

컴퓨터 비전은 컴퓨터가 이미지나 비디오의 내용을 자동으로 이해하도록 만드는 기술입니다. 이 과정에서 핵심적인 역할을 하는 딥러닝은 여러 개의 층으로 구성된 인공 신경망을 활용한 기계 학습 방법의 일종입니다. 기존의 기계 학습이 사람이 직접 데이터를 수학적 형태로 가공해야 했던 것과 달리, 딥러닝은 데이터 자체에서 중요한 특징을 추출하고 이를 표현하는 방법까지 스스로 학습한다는 점에서 혁신적인 차별성을 가집니다. 대표적인 신경망 구조로는 공간 정보가 담긴 2차원 데이터를 처리하는 합성곱 신경망(CNN)과 시계열 데이터를 다루는 순환 신경망(RNN)이 있습니다. CNN은 이미지에 필터를 적용하여 유의미한 정보를 추출하며, RNN은 출력값이 다시 입력으로 들어가는 구조를 통해 시간의 흐름에 따른 데이터 변화를 파악합니다. 이러한 기술적 토대 위에서 인공지능은 비디오나 음성, 텍스트 문장과 같은 복잡한 정보를 더욱 정교하게 분석할 수 있게 되었습니다. 객체 검출과 의미론적 이미지 분할은 컴퓨터 비전의 주요 응용 분야입니다. YOLO 알고리즘은 이미지를 격자로 나누어 객체의 위치와 종류를 동시에 예측함으로써 매우 빠른 속도로 검출을 수행합니다. 또한, 이미지의 모든 픽셀이 어떤 클래스에 속하는지 구분하는 의미론적 이미지 분할 기술은 자율 주행 자동차가 도로 환경과 장애물을 인식하는 데 필수적입니다. 이는 인코더와 디코더가 대칭을 이루는 CNN 구조를 통해 해상도를 유지하며 정확한 모양을 잡아냅니다. 객체 추적은 비디오 프레임 사이에서 특정 대상의 위치 변화를 실시간으로 파악하는 기술입니다. 추적 과정에서는 대상의 모양이나 자세가 계속 변하기 때문에 실시간 재학습 과정이 동반되기도 합니다. 최근에는 시각 정보와 언어 정보를 결합한 시각 질의응답(VQA) 기술도 주목받고 있습니다. 이미지에서 정보를 추출하는 CNN과 질문 문장을 이해하는 RNN이 결합하여, 이미지 내용에 대한 질문에 적절한 정답을 제시하는 고차원적인 지능을 보여줍니다. 이미지 캡셔닝은 이미지를 설명하는 문장을 생성하는 기술로, 마치 이미지를 언어로 번역하는 과정과 유사합니다. 이 시스템은 CNN을 통해 이미지 정보를 인코딩하고, 이를 바탕으로 RNN이 단어를 하나씩 생성하며 완전한 문장을 만들어냅니다. 비록 완벽하지는 않더라도 장면의 맥락을 파악하여 적절한 묘사를 제공할 수 있습니다. 이처럼 컴퓨터 비전과 딥러닝의 결합은 단순한 시각적 인지를 넘어 인간의 언어와 상호작용하는 단계로 발전하고 있습니다.

[카오스 짧강] 2026 카오스콘서트 예습하기: 컴퓨터비전과 딥러닝의 현재와 미래_PART 1
카오스재단카오스 짧강(짧은 강연)
  • 뇌인지과학
  • 수학
  • 융합

[카오스 짧강] 2026 카오스콘서트 예습하기: 컴퓨터비전과 딥러닝의 현재와 미래_PART 2

딥러닝 기술이 데이터를 분석하는 단계를 넘어, 새로운 데이터를 직접 생성해내는 생성 모델의 시대로 접어들었습니다. 그 중심에는 2014년 등장한 ‘적대적 생성 신경망(GAN)’이 있습니다. 이 구조는 생성자와 판별자라는 두 가지 네트워크를 활용하여 높은 수준의 결과물을 도출합니다. 초기에는 아주 작은 이미지 생성에 그쳤으나, 최근에는 실제 사진과 구분하기 어려울 정도의 고해상도 이미지를 생성하는 수준에 이르렀으며 이는 예술과 디자인 등 다양한 산업 분야에 새로운 혁신을 가져오고 있습니다. 생성형 AI는 단순히 임의의 이미지를 생성하는 것을 넘어 사용자의 의도를 반영하는 조건부 생성에서도 두각을 나타내고 있습니다. 사용자가 영역별로 클래스를 지정해 간단한 그림을 그리면, 신경망이 이를 바탕으로 실제 풍경과 같은 정교한 이미지를 완성해 줍니다. 또한 흑백 사진을 컬러로 복원하는 작업처럼 실용적인 응용도 가능합니다. 컬러 사진을 흑백으로 바꾸는 과정이 매우 간단하기 때문에 양질의 학습 데이터를 대량으로 확보할 수 있으며, 이를 통해 인공지능은 흑백 데이터 속에서 색상 정보를 정교하게 유추하는 법을 학습합니다. 이미지의 품질을 개선하는 화질 개선 분야에서도 딥러닝은 놀라운 성능을 발휘합니다. 노이즈가 심해 형체를 알아보기 힘든 사진이라도, 컴퓨터는 사물의 형태나 클래스에 대한 사전 정보를 바탕으로 미세한 패턴을 파악해 선명한 결과물을 도출합니다. 비디오의 프레임 사이를 메워주는 보간 기술 역시 주목받고 있습니다. 초당 30프레임의 영상을 240프레임으로 변환하여 훨씬 매끄러운 움직임을 구현하는 이 기술은 프레임 간의 자연스러운 연결을 생성하여 시청자가 느끼는 시각적 몰입감을 극대화하는 데 기여하고 있습니다. 강화 학습은 행동에 따른 피드백을 통해 스스로 최적의 전략을 수립하는 인공지능의 진화된 형태입니다. 벽돌 깨기 게임에서 점수를 극대화하는 방법을 스스로 터득한 인공지능은 이제 인간의 기보 없이 룰만으로 학습하여 바둑과 체스에서 정점에 도달했습니다. 최근에는 정보가 제한된 스타크래프트 같은 복잡한 게임 환경에서도 뛰어난 성적을 내고 있습니다. 보이지 않는 영역의 상황을 추정하고 수많은 유닛을 동시에 관리해야 하는 고난도 과제는 인공지능이 실제 세상의 복잡한 문제들을 충분히 해결할 수 있음을 증명합니다. 인공지능 기술이 우리의 일상에 가장 큰 영향을 미칠 분야는 바로 자율 주행입니다. 테슬라와 같은 기업들은 카메라 기반의 컴퓨터 비전 시스템을 활용해 도로 상황을 실시간으로 분석합니다. 차량 곳곳에 장착된 카메라로 들어온 시각 정보를 처리하여 주변 사물, 차선, 도로의 흐름을 정확하게 인식합니다. 단순히 사물을 구별하는 수준을 넘어 상황을 판단하고 주행을 제어하는 고도의 지능형 시스템은 인간의 안전을 지키고 교통 환경을 혁신하는 미래 핵심 기술로서 그 가치를 입증하며 우리 곁으로 다가오고 있습니다.

[카오스 짧강] 2026 카오스콘서트 예습하기: 컴퓨터비전과 딥러닝의 현재와 미래_PART 2
카오스재단카오스 짧강(짧은 강연)
  • 뇌인지과학
  • 융합

[카오스 짧강] 2026 카오스콘서트 예습하기: 수학을 통하여 세상을 3차원으로 보는 법_PART 1

대중문화 속 인공지능은 크게 두 가지 형태로 묘사됩니다. 터미네이터처럼 인간의 신체를 닮은 신체형 인공지능 형태와 아이언맨의 자비스처럼 형체 없이 어디에나 존재하는 전지전능한 형태입니다. 이들의 근본적인 차이는 데이터를 수집하는 방식에 있습니다. 신체형 인공지능은 인간처럼 시각과 촉각을 통해 세상과 직접 상호작용하며 정보를 얻지만, 자비스와 같은 형태는 네트워크를 통해 방대한 데이터를 흡수합니다. 인공지능이 실제 물리적 환경에서 인간처럼 움직이기 위해서는 단순히 논리적인 문제를 푸는 능력을 넘어, 세상을 입체적으로 파악하고 상호작용하는 데이터 처리 과정이 필수적입니다. 인공지능이 바둑을 두는 단순한 동작조차 사실은 복잡한 데이터 수집과 처리의 결과입니다. 2차원 카메라 영상으로 들어온 정보를 분석해 바둑판의 3차원 위치를 정확히 계산해야만 바둑돌을 원하는 곳에 놓을 수 있기 때문입니다. 인간은 태어난 후 수개월에 걸쳐 시각 정보를 통해 사물의 거리를 파악하는 법을 배웁니다. 아기가 손을 뻗어 물체를 잡는 행위는 뇌가 망막에 맺힌 2차원 정보를 바탕으로 거리와 위치를 정밀하게 계산해낸 결과입니다. 이처럼 인공지능이 현실 세계와 유기적으로 연결되기 위해서는 인간의 3차원 지각 능력을 수학적으로 구현하는 과정이 무엇보다 중요합니다. 우리가 세상을 입체적으로 보는 비밀은 두 눈의 시각 차이인 '양안 시차'에 있습니다. 왼쪽 눈과 오른쪽 눈이 사물을 바라보는 각도가 다르기에 망막에 맺히는 상의 위치도 차이가 발생하며, 우리 뇌는 이를 이용해 거리를 계산합니다. 이를 수학적 모델로 환산하면 눈 사이의 거리인 베이스라인(Baseline)과 초점 거리, 그리고 각 눈에 맺힌 좌표값을 변수로 하는 방정식이 성립합니다. 놀랍게도 생후 5개월 된 아기의 머릿속에서는 이 연립방정식을 풀어 미지수인 거리와 좌표를 실시간으로 구해내는 과정이 일어납니다. 이러한 원리는 3D 영화나 가상현실 장치에서 입체감을 구현하는 핵심 기술로도 활용됩니다. 인공지능이 3차원 세계를 인식하는 또 다른 방법은 특수한 하드웨어를 사용하는 것입니다. 돌고래가 음파를 쏴서 물체를 탐지하는 것처럼, 전자기파를 이용하는 레이더(RADAR)나 빛을 이용하는 라이다(LiDAR)가 대표적입니다. 특히 라이다는 레이저가 물체에 부딪혀 돌아오는 시간을 측정해 거리를 계산하는데, 최근에는 모바일 기기에도 탑재될 만큼 대중화되었습니다. 하드웨어 방식은 물리 법칙을 직접 이용하므로 처리 속도가 매우 빠르고 정확도가 높다는 강력한 장점이 있습니다. 하지만 고가의 장비가 필요하며, 장비가 없는 환경이나 이미 촬영된 2차원 자료만으로는 공간 정보를 생성하기 어렵다는 제약이 있습니다. 하드웨어의 도움 없이 수학적 원리만으로 2차원 영상에서 3차원 정보를 복원하는 기술도 존재합니다. 카메라가 비스듬하게 촬영한 타일 바닥을 위에서 본 것처럼 평면적으로 이미지 정정을 하는 과정이 좋은 예시입니다. 컴퓨터는 평행한 직선들이 소실점이라는 한 점으로 모이는 원리를 역이용합니다. 사진상에 나타난 소실점의 방정식을 구한 뒤, 이를 무한대로 보내는 수학적 함수를 적용하면 일그러진 사각형을 본래의 형태로 되돌릴 수 있습니다. 여기에 선들의 직교성 등 추가적인 기하학적 정보를 결합하면, 인공지능은 단 한 장의 사진만으로도 대상의 실제 모양과 공간적 배치를 정밀하게 유추해낼 수 있게 됩니다.

[카오스 짧강] 2026 카오스콘서트 예습하기: 수학을 통하여 세상을 3차원으로 보는 법_PART 1
카오스재단카오스 짧강(짧은 강연)
  • 물리학
  • 뇌인지과학
  • 수학
  • 융합

[카오스 짧강] 2026 카오스콘서트 예습하기: 수학을 통하여 세상을 3차원으로 보는 법_PART 2

스테레오 비전은 두 개 이상의 서로 다른 관점에서 대상을 바라보는 기술로, 인간의 양안 시각과 유사한 원리를 가집니다. 이를 통해 대상의 정확한 3차원 좌표를 구하기 위해서는 먼저 각 카메라가 공간상에 어떻게 배치되어 있는지 파악하는 캘리브레이션 과정이 필수적입니다. 기준 좌표계를 중심으로 카메라의 이동 거리와 회전 각도를 계산하여 연결함으로써, 비로소 3차원 세계를 수학적으로 분석하기 위한 데이터의 정렬이 완성됩니다. 이러한 정밀한 위치 파악은 복잡한 공간 정보를 디지털 데이터로 변환하는 첫 단추가 됩니다. 수학적 관점에서 카메라는 3차원 세계의 대상을 2차원 평면으로 투영하는 하나의 함수로 정의됩니다. 컴퓨터 비전에서는 이를 3×4 크기의 행렬로 표현하며, 여기에는 카메라의 초점 거리나 렌즈 왜곡과 같은 내부 파라미터뿐만 아니라 공간상의 위치와 방향이라는 외부 파라미터 정보가 모두 포함됩니다. 이 행렬을 통해 공간 속의 한 점이 이미지의 어떤 픽셀에 맺히는지 계산할 수 있게 되어 시각적 정보의 수식화가 가능해지며, 이는 실제 사물을 디지털 공간에 재현하는 핵심적인 도구가 됩니다. 위치 파악만큼이나 어려운 과제는 서로 다른 사진 속에서 동일한 지점을 찾아내는 대응점 문제입니다. 인간은 경험을 통해 두 이미지 속의 같은 부위를 쉽게 인지하지만, 이미지를 단순한 숫자 배열로 인식하는 컴퓨터에게 이는 매우 고된 연산 과정입니다. 수많은 픽셀 데이터 속에서 어떤 점이 상대 이미지의 어느 점과 일치하는지 정확히 판별하는 이 과정은 3차원 영상 재구성에서 가장 많은 시간이 소요되는 핵심적인 난제 중 하나로 꼽히며, 전체 작업의 성패를 결정짓는 중요한 요소가 됩니다. 대응점을 보다 효율적으로 찾기 위해 컴퓨터는 픽셀의 밝기 변화가 급격하게 일어나는 엣지나 코너 같은 특징점을 먼저 탐색합니다. 특정 지점 주변의 숫자 분포를 분석하여 유사한 패턴을 가진 영역을 매칭하는 방식을 사용하며, 이를 통해 두 카메라의 기하학적 관계를 연결하는 기초 행렬(Fundamental Matrix)을 도출할 수 있습니다. 이 행렬 정보를 활용하면 탐색 범위를 획기적으로 좁힐 수 있어, 방대한 이미지 데이터 사이의 연결 고리를 전체를 뒤지지 않고도 훨씬 빠르게 계산하여 데이터 간의 연관성을 파악하는 것이 가능해집니다. 최종적으로 각 이미지에서 추출된 대응점들을 바탕으로 삼각측량법(Triangulation)을 수행합니다. 카메라의 중심점과 사진 속의 지점을 잇는 두 직선의 방정식이 만나는 교점을 계산함으로써, 평면적인 사진 데이터는 비로소 입체적인 3차원 좌표로 변환됩니다. 이러한 기술은 관광객들이 찍은 수천 장의 평면 사진을 모아 콜로세움과 같은 거대 유적지를 정교한 포인트 클라우드(Point Cloud) 형태로 복원해 내는 등 현대 컴퓨터 비전 분야에서 혁신적인 성과를 거두며 다양한 산업 분야에 응용되고 있습니다.

[카오스 짧강] 2026 카오스콘서트 예습하기: 수학을 통하여 세상을 3차원으로 보는 법_PART 2
카오스재단카오스 짧강(짧은 강연)
  • 수학
  • 융합

오픈소스 & 오픈 데이터를 활용한 이미지 생성 모델 경량화 연구

시각지능은 인공지능 분야 중에서도 가장 비약적인 발전을 이룬 영역 중 하나로 손꼽힙니다. 인간의 눈이 사물을 인식하고 주변 환경을 이해하는 복잡한 과정을 기계에 학습시키는 이 기술은 초기에는 단순한 패턴 인식에 불과했습니다. 하지만 현재는 수많은 데이터를 바탕으로 복잡한 상황을 실시간으로 분석하고 판단하는 수준까지 도달했습니다. 우리 생활 곳곳에서 활용되는 이미지 인식 기술은 이제 단순한 편의를 넘어 보안, 의료, 자율주행 등 사회 전반의 핵심 인프라를 지탱하는 중추적인 역할을 수행하고 있습니다. 딥러닝 기술의 등장은 시각지능 연구에 혁명적인 변화를 가져왔습니다. 방대한 양의 영상 데이터를 스스로 학습하며 특징을 추출하는 신경망 구조는 과거 인간이 알고리즘을 직접 설계하던 수동적인 방식의 한계를 완벽히 극복하게 해주었습니다. 특히 합성곱 신경망과 같은 구조는 픽셀 단위의 미세한 정보부터 사물의 전체적인 형상까지 계층적으로 파악하는 능력을 갖추고 있습니다. 이를 통해 사람이 미처 발견하지 못하는 세밀한 차이까지 정확하게 구분해내며 인간의 시각적 인지 능력을 뛰어넘는 성과를 보여주고 있습니다. 하지만 기술적 성취가 높음에도 불구하고 시각지능이 극복해야 할 과제들은 여전히 남아 있습니다. 학습 데이터에 포함되지 않은 새로운 환경이나 사물이 가려진 상황에서의 인식 능력은 인간의 유연한 사고방식에 비해 보완이 필요합니다. 연구자들은 이러한 한계를 극복하기 위해 적은 데이터로도 효율적으로 학습하는 방법이나, 사물 간의 인과관계를 이해하는 추론 능력을 인공지능에 접목하기 위해 노력하고 있습니다. 결국 데이터의 양을 넘어 이를 해석하는 알고리즘의 유연성과 효율성이 미래 기술 경쟁력의 핵심이 될 것입니다. 현실 세계에서 시각지능의 활약은 이미 눈부신 결과를 만들어내고 있습니다. 자율주행 차량은 주변 장애물과 도로 상황을 파악하여 안전한 주행을 돕고, 의료 분야에서는 엑스선이나 영상 진단 자료를 분석해 질병의 징후를 조기에 발견하는 전문가의 보조 역할을 수행합니다. 또한 스마트 시티의 지능형 관제 시스템은 범죄 예방과 사고 대응 속도를 획기적으로 높여 도시의 안전을 책임지고 있습니다. 이러한 시각지능의 기술적 성취는 우리의 일상생활을 더욱 안전하고 효율적인 방향으로 변화시키는 원동력이 됩니다. 시각지능의 최종적인 지향점은 단순히 인간의 시각 기능을 대체하는 것이 아니라, 인간의 능력을 확장하고 보완하는 든든한 파트너가 되는 것입니다. 앞으로의 연구는 영상 속에서 단순히 객체를 찾아내는 단계를 넘어, 장면의 전체적인 맥락과 숨겨진 의미까지 이해하는 방향으로 진화할 것입니다. 인간과 인공지능이 시각 정보를 공유하며 긴밀하게 소통하는 미래는 상상보다 훨씬 가까이 다가와 있습니다. 이러한 기술적 진보는 새로운 산업 혁신을 일으키고 사회적 가치를 창출하는 중요한 마중물이 될 것으로 기대됩니다.

오픈소스 & 오픈 데이터를 활용한 이미지 생성 모델 경량화 연구
한국전자통신연구원오픈소스 테크데이
  • 뇌인지과학
  • 융합
  • 공학·기술

[심화 강연] 알고 나면 대수로운 대수기하학 심화 1_by 김영훈 / 2024 봄 카오스강연 '세상에 나쁜 수학은 없다' 5강 심화 첫 번째 이야기 | 5강

대수기하학의 첫 번째 중요한 도약은 유클리드 공간에 경계를 더해 사영 공간을 도입한 것입니다. 이는 르네상스 시대 미술의 원근법에서 영감을 얻은 개념으로, 화가의 눈과 대상을 잇는 직선을 하나의 점으로 간주하는 방식입니다. 사영 공간을 활용하면 평행한 두 직선이 무한대에서 만난다고 정의할 수 있어, 교점이 사라지는 예외 상황을 방지합니다. 덕분에 베주 정리와 같은 기하학적 원리들이 일관성을 갖게 되었으며, 이는 현대의 컴퓨터 비전이나 3D 스캔 기술의 수학적 토대가 되었습니다. 파스칼은 철학자이자 수학자인 동시에 화가로서 사영 공간의 필요성을 깊이 이해했던 인물입니다. 그는 2차 곡선 위의 여섯 점을 연결해 만들어지는 교점들이 한 직선 위에 놓인다는 '파스칼의 정리'를 남겼습니다. 이 정리는 사영 변환을 통해 복잡한 타원을 단순한 원으로 바꾸어 증명할 수 있는데, 이는 사영 공간에서 대칭군이 커지며 발생하는 편리함을 잘 보여줍니다. 이처럼 사영 기하학은 서로 달라 보이는 대상들을 동일한 관점에서 바라볼 수 있게 함으로써 기하학적 탐구의 효율성을 극대화했습니다. 대수기하학의 두 번째 업그레이드는 복소수를 체계 안으로 품은 것입니다. 19세기 초 가우스와 오일러에 의해 복소수가 자연스러운 수학적 대상으로 받아들여지면서, 실수 범위에서는 해결하기 어려웠던 문제들이 명쾌하게 풀리기 시작했습니다. 예를 들어 실수 평면에서는 방정식의 조건에 따라 해가 존재하지 않는 경우가 생기지만, 복소수 범위에서는 모든 것이 균일하고 깔끔한 답을 제공합니다. 이러한 수 체계의 확장은 대수적 다양체를 분석할 때 발생하는 수많은 변칙적 현상을 제거하고 체계적인 이론 전개를 가능하게 했습니다. 리만은 복소함수론을 대수기하학에 도입하여 현대 수학의 근간을 마련했습니다. 그는 복소수 미적분학을 통해 대수적 곡선의 구조를 내재적인 관점에서 탐구할 수 있는 길을 열었습니다. 이전까지는 도형을 특정 좌표 공간에 종속된 존재로 보았으나, 리만은 대수적 다양체 자체의 성질에 집중하는 혁신적인 시각을 제시했습니다. 그의 연구는 오늘날 대수기하학자들이 매일같이 사용하는 필수적인 도구가 되었으며, 정수론의 난제인 리만 가설 또한 이러한 복소함수론적 사고의 연장선상에서 탄생한 위대한 유산입니다. 수학적 발견은 때로 다른 학문의 결정적인 돌파구가 되기도 합니다. 아인슈타인이 일반상대성 이론을 정립하며 수학적 도구의 부재로 한계에 부딪혔을 때, 리만이 닦아놓은 기하학적 토대와 힐베르트의 수학적 조력이 그 해답을 제공했습니다. 힐베르트는 리만의 이론을 활용해 물리적 아이디어를 수학적으로 완결 지었으며, 이는 수학과 물리학이 만나는 역사적인 순간이 되었습니다. 이처럼 대수기하학의 발전은 단순히 숫자의 유희에 그치지 않고 우주의 원리를 이해하는 강력한 언어로서 그 역할을 다하고 있습니다.

[심화 강연] 알고 나면 대수로운 대수기하학 심화 1_by 김영훈 / 2024 봄 카오스강연 '세상에 나쁜 수학은 없다' 5강 심화 첫 번째 이야기

김영훈

카오스재단2024 카오스강연 '세상에 나쁜 수학은 없다'
  • 수학

국립광주과학관 2024년 1회(2월) 과학스쿨 : 우리가 사용하고 있는 컴퓨터 비전 기술들

컴퓨터 비전은 로봇의 눈을 만드는 학문으로 시작되었습니다. 1980년대부터 연구된 이 기술은 로봇이 주변 사물을 인지하고 상황을 파악하여 특정 대상을 목표로 삼거나 장애물을 피하는 등의 행동을 가능하게 합니다. 과거에는 단순히 계단을 오르거나 정해진 명령을 수행하는 로봇의 부속 기술로 여겨졌으나, 현대에 이르러서는 영상을 활용하는 거의 모든 기술의 근간이 되는 핵심 분야로 자리 잡았습니다. 2011년 후쿠시마 원전 사고는 로봇 공학계에 큰 반성을 안겨주었습니다. 수십 년간 연구해온 로봇들이 실제 재난 현장에서는 제 역할을 하지 못했기 때문입니다. 이를 계기로 미국의 DARPA는 DARPA 재난 로봇 대회를 개최했습니다. 로봇이 직접 차를 몰고 내리며, 문을 열고 밸브를 조작하는 등 인간 소방관의 역할을 대신 수행하는 고난도의 과제를 통해 컴퓨터 비전 기술은 한 단계 더 도약하는 계기를 맞이하게 되었습니다. 당시 대회에서 카이스트의 휴보(HUBO) 팀이 우승을 차지하며 한국의 기술력을 세계에 알렸습니다. 휴보(HUBO)는 3차원 정보를 이용해 계단을 인지하고 무게 중심을 이동하며 과업을 완수했습니다. 비록 당시의 기술로는 모든 과정을 자동화하기에는 부족함이 있었고 사람의 개입이 필요했지만, 이는 컴퓨터 비전 알고리즘이 실생활의 복잡한 문제를 해결하기 위해 어떤 방향으로 나아가야 할지를 보여준 중요한 이정표가 되었습니다. 2016년 알파고와 이세돌의 대결은 인공지능 기술이 대중화되는 결정적인 순간이었습니다. 하지만 컴퓨터 비전 전문가들은 이미 2012년부터 딥러닝의 위력을 실감하고 있었습니다. 이미지 인식 대회에서 딥러닝 기반 알고리즘이 압도적인 성적으로 우승하며 연구의 흐름을 완전히 바꾸어 놓았기 때문입니다. 이후 인공지능은 거를 수 없는 시대적 흐름이 되었고, 우리의 일상 속 다양한 분야에 깊숙이 침투하기 시작했습니다. 스마트폰 기술의 진화는 컴퓨터 비전의 발전을 가장 잘 보여줍니다. 과거에는 통화 품질이 핵심이었다면, 이제는 카메라와 영상 편집 능력이 제품의 경쟁력을 결정합니다. 대표적인 예인 얼굴 인식 기능은 사용자의 얼굴을 3차원으로 캡처한 뒤 수많은 특징점 사이의 거리를 계산하여 본인 여부를 판별합니다. 이러한 정밀한 알고리즘 덕분에 우리는 마스크를 쓰거나 조명이 어두운 곳에서도 안전하고 편리하게 기기를 사용할 수 있습니다. 최근 주목받는 생성형 AI 역시 컴퓨터 비전의 놀라운 성과입니다. 이는 마치 빈칸에 들어갈 숫자를 맞히는 수열 문제처럼, 이미지의 비어 있는 부분을 주변 맥락에 맞게 자연스럽게 채워 넣는 원리를 가집니다. 텍스트를 입력하면 인공지능이 그에 해당하는 노이즈 패턴을 생성하고, 이를 정교하게 제거하며 새로운 이미지를 만들어냅니다. 이러한 기술은 단순한 합성을 넘어 존재하지 않는 새로운 창작물을 만들어내는 단계에 이르렀습니다. 앞으로 컴퓨터 비전은 사회 전반을 혁신적으로 변화시킬 것입니다. 빌 게이츠는 인공지능을 그래픽 사용자 인터페이스(GUI)의 등장을 잇는 두 번째 거대한 변혁으로 꼽았습니다. 교육 현장에서는 학생의 표정을 분석해 이해도를 파악하고 맞춤형 학습을 제공하며, 의료 분야에서는 원격 진료와 영상 분석을 통해 소외된 지역의 사람들을 도울 수 있습니다. 결국 이 기술은 인간의 창의성을 돕고 사회적 난제를 해결하는 따뜻한 기술로 발전할 것입니다.

국립광주과학관 2024년 1회(2월) 과학스쿨 : 우리가 사용하고 있는 컴퓨터 비전 기술들
국립광주과학관강연&포럼
  • 융합

[해SSUL이 있는 과학뉴스] 과학에 예술이 더해진다면?

미디어 아트는 현대 사회에서 박물관이나 미술관을 통해 우리 생활에 깊숙이 자리 잡은 예술 분야입니다. 단순히 신기술을 활용한 창작 활동을 넘어, 과학과 예술이 만나는 지점에서 새로운 가치를 창출합니다. 특히 기술의 발전은 예술가들에게 표현의 한계를 넓혀주는 중요한 동력이 되어왔습니다. 오늘날의 미디어 아트는 단순한 시각적 즐거움을 제공하는 것에 그치지 않고, 관람객이 작품의 일부가 되어 소통하는 독특한 경험을 선사하며 예술의 정의를 새롭게 써 내려가고 있습니다. 미디어 아트의 선구자로 불리는 제프리 쇼는 1980년대부터 가상 현실 기술을 예술에 접목하며 혁신적인 시도를 이어왔습니다. 그의 대표작인 '레저블 시티(Legible City)'는 관람객이 자전거를 타고 텍스트로 이루어진 가상의 도시를 탐험하는 형식을 취합니다. 당시에는 생소했던 가상 현실 개념을 물리적인 자전거 페달과 연결하여, 가상과 현실 사이의 긴장감을 만들어냈다는 점에서 큰 의미가 있습니다. 이는 기술이 단순히 화면 속에 머무는 것이 아니라 인간의 신체 활동과 결합하여 새로운 감각을 일깨울 수 있음을 보여준 사례입니다. 이러한 예술적 시도는 컴퓨터 비전과 그래픽스 기술의 비약적인 발전과 궤를 같이합니다. 카메라를 통해 사람의 움직임을 인식하고 이를 디지털 데이터로 변환하여 화면에 반영하는 기술은 이제 우리에게 익숙한 증강 현실(AR)과 가상 현실(VR)의 기초가 되었습니다. 과거에는 하드웨어의 한계로 인해 화면이 깨지거나 반응이 느린 경우도 있었지만, 반도체 기술의 발달로 인해 오늘날에는 초현실적인 고해상도 영상을 구현할 수 있게 되었습니다. 기술적 진보는 예술가들이 상상하던 가상의 세계를 더욱 실감 나게 구현할 수 있는 토대를 마련해주었습니다. 미디어 아트에서 기술은 단순한 표현 도구를 넘어 작품의 본질적인 메시지를 전달하는 핵심 요소로 작용합니다. 전통적인 회화에서 물감이 재료가 되듯, 현대 미디어 아트에서는 프로그래밍과 디지털 기술이 그 역할을 대신합니다. 특히 '상호작용성'은 미디어 아트의 가장 큰 특징 중 하나로, 관람객의 참여가 있어야만 비로소 작품이 완성됩니다. 기술이 빠지면 메시지 자체가 사라질 수 있을 만큼 기술과 예술은 떼려야 뗄 수 없는 관계를 맺고 있으며, 이는 관람객에게 인지적이고 감정적인 가치를 동시에 전달합니다. 과학관에서도 이러한 미디어 아트의 원리를 활용하여 복잡한 과학 원리를 쉽고 재미있게 전달하려는 노력이 계속되고 있습니다. 관람객이 직접 만지고 체험하는 '핸즈온' 전시는 첨단 기술을 통해 과학에 대한 흥미를 유발하고 경이로움을 느끼게 합니다. 예술가들이 가졌던 창의적인 사고와 실험 과정을 전시물에 적용한다면, 과학은 단순한 지식 습득의 대상을 넘어 아름다움을 간직한 예술적 경험으로 다가올 것입니다. 기술과 예술의 융합은 앞으로도 대중에게 새로운 영감을 주는 중요한 통로가 될 것으로 기대됩니다.

[해SSUL이 있는 과학뉴스] 과학에 예술이 더해진다면?
국립과천과학관요즘과학👏
  • 융합

[2021] 01 딥뷰 시각지능 기술

한국전자통신연구원(ETRI)은 방대한 시각 데이터를 지능적으로 분석하기 위해 인공지능 기반의 컴퓨터 비전 기술을 연구하고 있습니다. 그 중심에는 'DeepView' 프로젝트가 있으며, 이미지와 비디오 데이터를 심층적으로 이해하여 실생활에 유용한 정보를 추출하는 플랫폼 개발을 목표로 합니다. ETRI는 혁신적인 연구 성과를 세계적인 학술 대회에 꾸준히 발표하며 기술력을 입증하고 있습니다. 단순히 이론에 그치지 않고 실생활의 편의를 높이는 응용 프로그램 개발에 박차를 가하고 있습니다. 도시의 미관을 해치고 위생 문제를 야기하는 불법 쓰레기 투기는 지자체의 고질적인 문제입니다. ETRI는 이러한 불편을 해소하고자 DeepView 기술을 적용한 지능형 투기 감지 시스템을 선보였습니다. 이 시스템은 복잡한 설정 없이도 학습된 알고리즘을 통해 쓰레기를 버리는 동작과 객체를 정확하게 식별합니다. 특히 기존 CCTV 인프라를 활용할 수 있어 경제적이며, 실시간 감지로 불법 투기를 즉각 예방할 수 있는 환경을 조성하여 공공 질서 유지에 기여한다는 평가를 받습니다. 현대 도시 환경에서 시민의 생명과 직결된 위험 상황을 인지하는 것은 매우 중대한 과제입니다. 특히 길거리에서 질병으로 쓰러지거나 만취 상태로 넘어진 사람을 신속하게 발견하는 것은 생명 보호와 직결됩니다. 기존 기술은 서 있는 자세 인식에만 최적화되어 있어, 누워 있는 비정상적 자세를 식별하는 데 한계가 있었습니다. 응급 상황에서 정확도가 중요함에도 기술적 제약으로 구조 시점을 놓칠 위험이 존재해 왔던 것이 사실입니다. ETRI는 사람의 자세 변화에 관계없이 대상을 명확히 파악할 수 있는 강건한 인체 감지기를 개발했습니다. 다중 작업 학습 기법을 도입하여 사람을 여섯 가지 자세로 분류하고 감지와 동시에 관절 위치를 추정합니다. 이를 통해 보행자뿐 아니라 바닥에 쓰러진 사람의 상태까지 자동으로 감지할 수 있게 되었습니다. 이러한 고도화된 인식 능력은 관제 센터가 위험 상황을 실시간으로 모니터링하고 골든타임을 확보하는 데 결정적인 역할을 하며 시민의 생명을 구하는 든든한 방어벽이 됩니다. DeepView 프로젝트는 인공지능 기술이 단순히 데이터 분석에 머물지 않고 우리 삶의 안전과 질을 높이는 도구로 진화하고 있음을 보여줍니다. 시각 지능을 기반으로 한 사회 문제 해결 노력은 도시 위생 개선과 범죄 예방, 응급 환자 구조 등 광범위한 영역에서 긍정적인 파급력을 미치고 있습니다. 앞으로도 이러한 지능형 플랫폼은 더욱 정교해질 것이며, 우리 사회의 사각지대를 밝히는 핵심 기술로 자리매김할 전망입니다. 기술과 사회가 공존하며 더 안전한 도시 생태계를 만들어가는 미래가 다가오고 있습니다.

[2021] 01  딥뷰 시각지능 기술
한국전자통신연구원ETRI 아카이브
  • 융합
  • 공학·기술

[KERI TV] 인공지능 박사 VS 인공지능의 대결!...쪼물딱전기톡 시즌2 번외편

인공지능 분야의 전문가와 최신 인공지능 기술이 직접 맞붙는 흥미로운 실험이 펼쳐졌습니다. 김종문 박사는 평소 자신의 예술적 감각이 부족하다고 겸손해하면서도, 인공지능과의 대결을 위해 기꺼이 캔버스 앞에 섰습니다. 이번 실험은 인간이 제시어를 그림으로 표현하면 인공지능이 이를 실시간으로 추론하여 정답을 맞히는 방식으로 진행되었습니다. 단순한 낙서처럼 보일 수 있는 선들이 어떻게 데이터로 치환되어 기계에게 읽히는지 확인하는 과정은 과학적 호기심을 자극하기에 충분했습니다. 본격적인 대결이 시작되자 다이빙대, 야구공, 스노클과 같은 다양한 제시어들이 무작위로 등장했습니다. 김종문 박사는 당황스러운 기색을 보이면서도 대상의 핵심적인 특징을 잡아내기 위해 노력했습니다. 산이나 외계인처럼 추상적인 형상을 지닌 대상부터 와인잔이나 동그라미 같은 단순한 기하학적 형태까지, 펜 끝에서 탄생하는 선들은 즉각적으로 인공지능의 분석 대상이 되었습니다. 인간의 창의적인 표현 방식이 인공지능이 학습한 데이터와 얼마나 일치하는지를 실시간으로 확인하는 긴장감 넘치는 순간이었습니다. 인공지능은 사용자가 그리는 선의 곡률과 각도를 실시간으로 분석하며 정답을 유추해 나갔습니다. 때로는 반달 모양을 보고 무지개나 손가락을 떠올리기도 하고, 복잡하게 엉킨 선들 사이에서 유튜브 로고나 세탁기를 정확히 찾아내기도 했습니다. 이는 인공지능이 단순히 완성된 이미지를 정적으로 파악하는 것이 아니라, 선이 그려지는 획의 순서와 방향성까지 파악하고 있음을 시사합니다. 인간에게는 직관적으로 느껴지는 시각 정보가 기계에게는 수많은 확률적 계산의 결과물로 나타나는 셈입니다. 하지만 모든 과정이 순탄했던 것은 아닙니다. 어떤 그림은 도저히 무엇인지 알아볼 수 없어 인공지능이 갈팡질팡하는 모습을 보이기도 했고, 김종문 박사 역시 짧은 제한 시간 안에 특징을 잡아내느라 애를 먹었습니다. 물고기인지 아니면 다른 무엇인지 모를 묘한 형상 앞에서 인간과 인공지능 모두 당황하는 모습은 현장의 웃음을 자아냈습니다. 이러한 시행착오는 인공지능이 인간의 주관적이고 추상적인 표현력을 완벽하게 이해하기 위해 해결해야 할 공학적 과제가 여전히 남아 있음을 보여줍니다. 이번 대결은 인공지능이 인간의 생활 속으로 얼마나 깊숙이 들어와 있는지를 다시 한번 일깨워준 소중한 시간이었습니다. 비록 화려한 예술 작품은 아니었지만, 간단한 스케치를 통해 기계와 대화하고 교감하는 과정은 기술의 발전이 주는 색다른 즐거움이었습니다. 인공지능 박사라는 타이틀을 잠시 내려놓고 아이처럼 즐겁게 그림을 그렸던 이 실험은, 앞으로 기술이 인간의 창의성을 보조하고 확장하는 데 어떤 역할을 할 수 있을지 기대하게 만들며 기분 좋은 마무리로 이어졌습니다.

[KERI TV] 인공지능 박사 VS 인공지능의 대결!...쪼물딱전기톡 시즌2 번외편
한국전기연구원쪼물딱전기톡
  • 융합
  • 공학·기술

[청소년을 위한 ICT 강의 시리즈] AI시대, 과학자는 디자인한다

인공지능은 인간의 지적 능력을 모방하여 컴퓨터로 구현하는 기술로, 현대 사회에서 시각, 언어, 음성 지능 등 다양한 분야에 걸쳐 연구되고 있습니다. 특히 컴퓨터 비전 기술의 발전은 사물을 인식하고 분류하는 수준을 거의 인간의 눈에 근접한 수준까지 끌어올렸습니다. 이러한 기술은 단순히 이론에 머무르지 않고 우리 주변의 챗봇이나 인공지능 스피커와 같은 실질적인 도구로 구체화되어 나타나고 있습니다. 이제 인공지능은 인간의 감각을 보완하며 일상의 영역으로 깊숙이 파고들고 있습니다. 자율주행차와 인공지능 면접관의 등장은 공간과 시간의 활용 방식을 근본적으로 바꾸고 있습니다. 인공지능 기술은 농업과 수산업, 건설 현장 등 반복적이고 위험한 업무가 많은 분야에서도 큰 활약을 펼치고 있습니다. 드론을 이용해 농작물을 관리하거나 건설 현장에서 안전모 미착용자를 식별하여 사고를 예방하는 등, 인공지능은 인간이 더 가치 있는 일에 집중할 수 있도록 돕습니다. 비록 기술적 보완이 필요한 부분은 남아있으나, 인공지능은 점차 우리 삶의 다양한 편의를 책임지는 필수적인 존재로 자리 잡고 있습니다. 인공지능의 급격한 발전은 기대와 우려를 동시에 낳고 있습니다. 일론 머스크와 마크 저커버그의 대립된 시각처럼, 인공지능이 인류에게 위협이 될지 혹은 세상을 더 좋게 만들 도구가 될지는 여전히 뜨거운 논쟁거리입니다. 과거의 자동화가 단순한 규칙 기반의 대량 생산을 목적으로 했다면, 현대의 인공지능은 방대한 데이터를 기반으로 스스로 학습하며 초연결 네트워크를 통해 작동합니다. 이러한 변화는 예상치 못한 결과를 초래할 수도 있기에, 우리는 단순히 기술을 고도화하는 것을 넘어 그 결정이 가져올 파급력에 대해 진지하게 고민해야 합니다. 현대의 과학자는 단순히 새로운 물질을 발견하는 연구자를 넘어, 인간의 삶을 디자인하는 설계자로서의 역할을 수행합니다. 인공지능 기술이 제공하는 유·무형의 도구들을 조화롭게 활용하여 사람들에게 실질적으로 도움이 되는 서비스를 만들어내는 것이 중요해졌기 때문입니다. 이를 위해 과학자들은 문제의 발견부터 정의, 발전, 전달에 이르는 서비스 디자인 프로세스를 따르며 끊임없이 피드백을 주고받습니다. 기술 그 자체보다는 사람과 사회에 대한 이해를 바탕으로 할 때, 비로소 기술은 서비스로서의 진정한 가치를 발휘하게 됩니다. 신뢰할 수 있는 인공지능을 구현하기 위해서는 윤리적이고 법적인 측면에 대한 고민이 병행되어야 합니다. 기술적 완성도를 높이는 강력한 인공지능도 중요하지만, 인간이 불공정함이나 불안감을 느끼지 않도록 사회적 합의를 이끌어내는 디자인이 필요합니다. 미래의 과학 기술 인재들은 전공 지식 외에도 타인과의 소통을 통한 통찰력과 틀에 박히지 않은 창의력을 갖추어야 합니다. 다양한 시각을 유지하며 인간과 사회를 배려하는 마음을 가질 때, 우리는 인공지능과 공존하며 더욱 풍요로운 미래를 그려나갈 수 있을 것입니다.

[청소년을 위한 ICT 강의 시리즈] AI시대, 과학자는 디자인한다
한국전자통신연구원ETRI 클래스
  • 융합
  • 공학·기술

[2020] 02 딥뷰, 시각지능 기술

CVPR 2020에서 발표된 센터마스크는 VoVNet 백본을 기반으로 한 효율적인 인스턴스 세그멘테이션 기술입니다. 객체의 중심을 추정하고 해당 영역을 정확히 찾아내는 이 기술은 기존의 ResNet과 Mask R-CNN 조합보다 뛰어난 성능을 보여줍니다. VoVNet은 정확도와 속도 사이의 균형을 맞춘 네트워크로, 다양한 영상 이해 작업에서 핵심적인 특징 추출 도구로 활용됩니다. 특히 이 기술을 얼굴 검출기와 결합하면 정면뿐만 아니라 여러 각도의 얼굴을 신속하게 인식하여 비식별화 처리를 수행할 수 있어 보안 및 프라이버시 보호 분야에서 큰 강점을 가집니다. 얼굴 편집 및 복원 기술은 ICCV 2019에서 발표된 적대적 생성 신경망(GAN) 기술을 바탕으로 합니다. 과거의 GAN이 단순히 도메인 간의 이미지 변환에 머물렀다면, 이 기술은 고해상도 이미지를 대상으로 사용자의 의도를 반영한 편집이 가능하게 합니다. 사용자가 제공하는 스케치나 색상 정보를 기반으로 학습된 네트워크가 자연스러운 얼굴 이미지를 생성하며, 이는 단순한 보정을 넘어선 창조적 작업이 가능함을 의미합니다. 이러한 정밀한 얼굴 생성 능력은 범죄 수사를 위한 몽타주 제작이나 성형 시뮬레이션과 같은 실무적인 분야에서 혁신적인 도구로 활용될 수 있습니다. 사회 문제 해결을 위한 딥뷰 과제에서는 고도화된 포즈 인식 기술을 바탕으로 무단 쓰레기 투기 탐지 시스템을 구축했습니다. 기존 기술의 한계였던 가려짐이나 비정상적인 자세에서도 강인한 성능을 보이도록 개선되었으며, 사람과 물체의 관계를 분석하는 7가지 컴포넌트 기술이 유기적으로 결합되어 있습니다. 특히 관절 위치를 노드로 활용하는 그래프 합성곱 신경망(GCN) 기술을 통해 세밀한 움직임을 모델링하고 투기 행위 여부를 정확히 판단합니다. 이는 단순한 객체 검출을 넘어 인간의 복합적인 행위를 이해하고 대응하는 인공지능 기술의 진보를 잘 보여주는 사례입니다.

[2020] 02 딥뷰, 시각지능 기술
한국전자통신연구원ETRI 아카이브
  • 융합
  • 공학·기술

[강연] 컴퓨터비전과 딥러닝의 현재와 미래 _ by한보형 | 2020 가을 카오스강연 'Ai X' 5강 | 5강

컴퓨터 비전은 이미지나 비디오의 내용을 컴퓨터가 자동으로 이해하게 만드는 기술입니다. 과거에는 사람이 데이터의 특징을 직접 정의해 주어야 했지만, 딥러닝의 등장으로 인공지능이 스스로 데이터에서 중요한 정보를 추출하는 법을 학습하게 되었습니다. 특히 여러 계층으로 구성된 인공 신경망은 복잡한 시각 정보를 계층적으로 파악하며, 인간의 시각 체계를 모방하는 수준까지 발전했습니다. 이러한 기술적 도약은 기계가 세상을 바라보는 방식을 근본적으로 변화시켰으며, 단순한 데이터 나열을 넘어선 의미 있는 정보 추출을 가능하게 했습니다. 시각 정보를 처리하는 데 가장 핵심적인 도구는 합성곱 신경망(CNN)입니다. 이는 이미지 필터를 적용하듯 공간 정보를 보존하며 특징을 추출하는 방식입니다. 반면, 시간에 따라 변화하는 비디오나 음성 같은 시계열 데이터에는 순환 신경망(RNN)이 주로 사용됩니다. RNN은 이전 단계의 출력이 다시 입력으로 들어가는 구조를 통해 데이터의 흐름과 맥락을 파악합니다. 이 두 구조는 현대 컴퓨터 비전이 공간과 시간이라는 두 축의 정보를 정밀하게 이해할 수 있도록 돕는 기반이 되며, 다양한 시각적 태스크를 수행하는 핵심 엔진 역할을 합니다. 컴퓨터 비전의 대표적인 응용 분야로는 물체 검출과 의미론적 분할이 있습니다. 'YOLO'와 같은 알고리즘은 이미지 속 물체의 위치를 실시간으로 파악하며, 이미지 분할 기술은 각 픽셀이 어떤 사물에 해당하는지 정밀하게 구분해 냅니다. 이러한 기술은 자율 주행 자동차가 도로 상황을 파악하고 장애물을 피하는 데 필수적인 역할을 합니다. 인공지능은 이제 단순히 사물을 보는 것을 넘어, 장면 전체의 구조와 맥락을 파악하여 안전한 주행을 가능케 하는 지능형 시스템으로 진화하고 있으며, 이는 미래 모빌리티 산업의 핵심이 되고 있습니다. 최근에는 이미지와 언어를 동시에 다루는 기술이 주목받고 있습니다. 이미지의 내용을 문장으로 설명하는 이미지 캡셔닝 기술이나, 이미지에 대한 질문에 답하는 시각적 질의응답(VQA)이 대표적입니다. 또한 생성적 적대 신경망(GAN)은 가짜와 진짜를 구별하는 경쟁 과정을 통해 실제와 구분이 불가능한 고해상도 이미지를 만들어냅니다. 이는 인공지능이 단순히 정보를 수동적으로 인식하는 단계를 지나, 새로운 콘텐츠를 창조하고 인간과 고차원적인 소통을 나눌 수 있는 가능성을 보여주는 사례로, 예술과 산업 전반에 걸쳐 새로운 영감을 불어넣고 있습니다. 화질 개선 및 영상 처리 분야에서도 딥러닝은 놀라운 성능을 발휘합니다. 흑백 사진을 자연스러운 컬러로 복원하거나, 심한 노이즈가 섞인 이미지에서 원래의 형체를 찾아내는 기술이 실용화되었습니다. 또한 낮은 프레임의 영상을 부드러운 고프레임 영상으로 변환하는 프레임 보간 기술은 영상 제작 현장에서 혁신을 일으키고 있습니다. 이러한 기술들은 인공지능이 사전에 학습한 방대한 시각적 패턴을 바탕으로 부족한 정보를 추론하여 인간의 눈보다 더 정밀하게 이미지를 재구성할 수 있음을 증명하며, 오래된 기록물의 복원이나 고화질 콘텐츠 제작에 기여합니다. 강화 학습은 인공지능이 시행착오를 통해 최적의 행동을 배우게 합니다. 벽돌깨기 같은 고전 게임부터 바둑의 알파고, 복잡한 전략이 필요한 스타크래프트의 알파스타까지 인공지능은 인간의 한계를 뛰어넘는 전략을 스스로 터득해 왔습니다. 특히 보이지 않는 영역의 정보를 추정해야 하는 게임 환경에서의 성공은 인공지능의 판단 능력이 얼마나 정교해졌는지를 잘 보여줍니다. 이러한 학습 방식은 단순히 게임에 그치지 않고, 향후 복잡한 변수가 존재하는 현실 세계의 물류 시스템이나 로봇 제어 문제를 해결하는 데에도 중요한 열쇠가 될 것으로 기대됩니다. 하지만 인공지능의 눈부신 발전 뒤에는 해결해야 할 과제도 산적해 있습니다. 학습 데이터에 포함된 인종이나 성별에 대한 편향이 결과에 반영되거나, 딥페이크 기술이 악용되어 사회적 혼란을 야기하기도 합니다. 또한 방대한 모델을 학습시키는 과정에서 발생하는 막대한 탄소 배출은 환경적인 부담으로 작용합니다. 따라서 기술적 완성도를 높이는 것만큼이나 윤리적 가이드라인을 마련하고 사회적 합의를 이끌어내는 노력이 병행되어야 합니다. 진정한 인공지능의 완성은 기술의 효율성과 인간의 보편적 가치가 조화를 이룰 때 비로소 가능해질 것입니다.

[강연] 컴퓨터비전과 딥러닝의 현재와 미래 _ by한보형 | 2020 가을 카오스강연 'Ai X' 5강

한보형

카오스재단카오스강연
  • 융합

[석학인터뷰] 한보형_ 컴퓨터 비전! 글로벌 기업과 협력합니다 | 2020 가을 카오스강연 'Ai X'

컴퓨터 비전 기술이 초기에는 실용적인 알고리즘이 부족한 낮은 수준에 머물러 있었습니다. 하지만 디지털 카메라의 얼굴 검출 기능이나 마이크로소프트의 키넥트 센서 같은 혁신적인 기술들이 등장하며 분야의 가능성을 증명하기 시작했습니다. 최근 몇 년 사이 딥러닝의 비약적인 발전과 함께 컴퓨터 비전은 엄청난 성장을 이루었으며, 이러한 기술적 변혁의 중심에서 연구자로서 기여하고 있다는 사실에 큰 자부심과 보람을 느낍니다. 사람의 눈과 카메라는 신호를 받아들이는 측면에서 큰 차이가 없지만, 이를 처리하는 뇌와 컴퓨터의 방식은 근본적으로 다릅니다. 특히 최근의 컴퓨터 비전은 딥러닝 기반의 학습 알고리즘이 주류를 이루면서 알고리즘 자체의 설계보다 데이터의 질과 구성에 따라 결과가 크게 달라지는 경향을 보입니다. 따라서 연구자들은 데이터가 생성되는 과정을 세심하게 고려하고 이를 효과적으로 제어할 수 있는 능력을 갖추는 것이 무엇보다 중요해졌습니다. 구글과 카카오브레인 같은 소프트웨어 기업에서의 연구 경험은 매우 값진 시간이었습니다. 구글에서는 특정 이미지를 입력하면 유사한 이미지를 찾거나 사진 속 장소를 파악하는 이미지 검색 기술을 연구하여 실제 서비스에 적용하는 성과를 거두었습니다. 카카오브레인에서는 단순히 시각적인 품질을 높이는 것을 넘어, 인공지능 알고리즘이 물체를 더 정확하게 검출할 수 있도록 최적화된 지능형 이미지 압축 기술을 개발하며 기술의 실용성을 높이는 데 집중했습니다. 연구자로서의 길은 항상 순탄하지만은 않았습니다. 인공지능 분야가 주목받기 전의 어려운 시기를 겪기도 했으며, 이론적인 알고리즘 공부에서 시작해 눈에 보이는 결과를 만들어내는 컴퓨터 비전으로 전공을 전환하는 과정도 있었습니다. 학생들을 지도할 때는 문제를 정확히 파악하고 솔직하게 소통하는 방식을 선호합니다. 학생 개개인의 단점을 억지로 고치려 하기보다는 그들이 가진 고유한 장점을 극대화하여 스스로 문제를 해결할 수 있도록 돕는 데 주력하고 있습니다. 개인적으로 낙천적인 성격 덕분에 슬럼프가 찾아와도 며칠간의 휴식을 통해 빠르게 회복하며 연구를 지속해올 수 있었습니다. 이번 강의를 통해서는 컴퓨터 비전의 기술적 성취뿐만 아니라 인공지능이 직면한 현실적인 문제들과 앞으로 나아가야 할 방향에 대해 심도 있게 논의하고자 합니다. 기술의 긍정적인 면과 부정적인 면을 모두 균형 있게 바라봄으로써, 대중들이 인공지능의 발전을 올바르게 이해하고 준비할 수 있도록 돕는 가이드 역할을 수행하고 싶습니다.

[석학인터뷰] 한보형_ 컴퓨터 비전! 글로벌 기업과 협력합니다  | 2020 가을 카오스강연 'Ai X'

한보형

카오스재단카오스강연
  • 융합

[강연] 수학을 통하여 세상을 3차원으로 보는 법 _ by현동훈 | 2020 가을 카오스강연 'Ai X' 2강 | 2강

인공지능이 세상을 이해하는 방식은 데이터를 수집하고 처리하는 과정에서 결정됩니다. 영화 속 터미네이터처럼 인간과 유사한 하드웨어를 통해 직접 시각 정보를 받아들이는 인공지능이 있는가 하면, 자비스처럼 형체 없이 네트워크상의 방대한 데이터를 분석하는 유형도 존재합니다. 이들의 공통적인 과제는 수집된 평면적인 정보를 바탕으로 우리가 사는 입체적인 세상을 어떻게 정확하게 파악하느냐는 점입니다. 특히 물리적 실체를 가진 인공지능이 세상과 상호작용하기 위해서는 단순한 데이터 처리를 넘어 공간을 인지하는 능력이 필수적으로 요구됩니다. 인간이 세상을 3차원으로 인식하는 근본적인 원리는 양안 시차에 있습니다. 왼쪽 눈과 오른쪽 눈은 서로 다른 위치에서 사물을 바라보기 때문에 망막에 맺히는 상에는 미세한 차이가 발생합니다. 뇌는 이 양안 시차를 바탕으로 사물과의 거리를 계산하며, 이는 수학적으로 삼각형의 닮음비를 이용한 방정식으로 모델링할 수 있습니다. 생후 5개월 된 아기가 물체를 잡기 위해 손을 뻗는 행위조차 머릿속에서 복잡한 기하학적 계산이 실시간으로 이루어지고 있음을 시사하며, 이는 시각 지능의 기초가 됩니다. 이러한 인간의 입체 지각 원리는 현대의 3D 기술로 고스란히 이어집니다. 입체 안경이나 3D TV는 왼쪽 눈과 오른쪽 눈에 인위적으로 서로 다른 영상을 전달하여 뇌가 착각을 일으키게 만듭니다. 사물이 가까울수록 양안 시차를 크게 만들고, 멀수록 그 차이를 줄이는 방식을 통해 평면적인 화면에서도 깊이감을 느끼게 하는 것입니다. 이는 인간의 생물학적 메커니즘을 수학적 알고리즘으로 재현한 대표적인 사례로, 인공지능이 공간을 학습하는 과정에서도 이와 유사한 논리적 구조가 적용됩니다. 컴퓨터가 평면 이미지를 통해 공간을 이해하기 위해서는 영상 왜곡을 보정하는 수학적 과정이 선행되어야 합니다. 카메라가 비스듬한 각도에서 찍은 사진 속 타일은 실제로는 사각형이지만 이미지상에서는 일그러진 형태로 나타납니다. 이때 평행한 두 직선이 지평선에서 만나는 소실점의 원리를 이용하면, 왜곡된 이미지를 다시 평면으로 펼치는 함수를 만들 수 있습니다. 지평선을 무한대로 보내는 수학적 변환을 통해 컴퓨터는 2차원 사진 속에서 실제 사물의 형태와 위치를 추정할 수 있는 기초 체력을 갖게 됩니다. 두 개 이상의 카메라를 사용하는 스테레오 비전은 더욱 정밀한 공간 정보를 제공합니다. 이를 위해서는 각 카메라의 위치와 각도를 일치시키는 캘리브레이션 과정이 필요하며, 수학자들은 이를 3x4 행렬로 표현하여 계산합니다. 가장 어려운 과제는 서로 다른 사진 속에서 같은 지점을 찾아내는 대응점 문제입니다. 수백만 개의 픽셀 중에서 동일한 위치를 찾는 과정은 엄청난 계산량을 요구하지만, 에피폴라 기하학이라는 수학적 원리를 적용하면 탐색 범위를 직선 하나로 좁혀 계산 효율을 획기적으로 높일 수 있습니다. 계산된 3차원 좌표들은 수많은 점이 모인 포인트 클라우드의 형태로 나타납니다. 하지만 이 점들만으로는 사물의 매끄러운 표면을 표현하기에 부족하며, 데이터 수집 과정에서 발생한 노이즈로 인해 표면이 거칠게 보일 수 있습니다. 이를 해결하기 위해 수학적 최적화 기법을 동원하여 노이즈를 제거하고 점들을 삼각형 면으로 연결하는 표면 복원 작업이 진행됩니다. 법선 벡터를 활용해 면의 방향을 결정하고 각진 부분을 부드럽게 다듬는 과정을 거치면, 비로소 컴퓨터 속에 실제와 유사한 3차원 모델이 완성됩니다. 더욱 정교한 복원을 위해 레이저 스캐닝과 같은 기술이 활용되기도 합니다. 레이저를 쏘아 반사되어 돌아오는 시간을 측정하거나 인위적인 패턴을 투사함으로써 대응점 문제를 물리적으로 해결하는 방식입니다. 미켈란젤로의 조각상을 디지털로 복원하는 대규모 프로젝트에서도 이러한 기하학적 원리와 정밀한 스캐닝 기술이 결합되어 역사적 유물을 완벽하게 재현해냈습니다. 결국 기하학은 인공지능이 평면의 한계를 넘어 입체적인 세상을 인지하고 구현하게 만드는 가장 강력한 도구이자 언어라고 할 수 있습니다.

[강연] 수학을 통하여 세상을 3차원으로 보는 법 _ by현동훈 | 2020 가을 카오스강연 'Ai X' 2강

현동훈

카오스재단카오스강연
  • 수학

[석학인터뷰] 현동훈_ 지도교수님 曰 "누가 수학을 재미로 하냐?" 그래도 재밌습니다. | 2020 가을 카오스강연 'Ai X'

순수 수학에 몰두하던 학자가 시야를 넓혀 응용 분야인 컴퓨터 비전에 입문하게 된 과정은 흥미롭습니다. 많은 수학자가 이론의 순수성에 집중하느라 실용적인 응용을 간과하곤 하지만, 컴퓨터 비전은 그 자체로 매우 수학적인 토대를 가지고 있습니다. 이는 수학자로서의 정체성과 자부심을 유지하면서도, 연구 결과가 사회에 실질적이고 가시적인 기여를 할 수 있다는 확신을 줍니다. 추상적인 수식 속에 머물던 아이디어가 현실의 문제를 해결하는 도구로 변모하는 과정은 수학자에게 새로운 즐거움을 선사합니다. 대수기하학은 다항식의 근을 통해 기하학적 구조를 연구하는 학문으로, 예를 들어 원의 방정식을 통해 도형을 이해하는 것과 같습니다. 이러한 학문적 기초는 컴퓨터 비전의 핵심인 '다중관점 기하학'으로 이어집니다. 하나의 물체를 서로 다른 각도에서 바라볼 때 나타나는 형태의 변화를 수학적으로 정교하게 기술하는 것이 이 분야의 핵심입니다. 결국 컴퓨터에게 사물을 보는 법을 가르치는 과정은 대수기하학적 원리를 현실 세계의 시각 데이터에 적용하는 고도의 지적 작업이라고 할 수 있습니다. 컴퓨터의 탄생 자체가 앨런 튜링과 알론조 처치 같은 수학자들의 손에서 시작되었듯이, 수학과 컴퓨터 과학은 떼려야 뗄 수 없는 관계입니다. 최근 전 세계적인 관심을 받는 딥러닝 역시 그 근간에는 단순하고 명료한 수학적 아이디어가 자리 잡고 있습니다. 현재 수학자들은 딥러닝이 왜 뛰어난 성능을 보이는지 그 원리를 규명하고, 이를 더욱 효과적으로 개선하기 위한 연구에 매진하고 있습니다. 특히 컴퓨터 비전 분야는 그 구성 요소의 절반 이상이 기하학적 원리로 이루어져 있어 수학적 통찰이 필수적입니다. 연구의 길은 항상 즐겁기만 한 것은 아니며, 때로는 문제 해결이 되지 않아 괴로운 순간을 마주하기도 합니다. 새로운 지식을 배우는 것은 즐거운 일이지만, 아무도 가보지 않은 길을 개척하는 연구는 차원이 다른 인내를 요구합니다. "수학을 누가 재미로 하느냐, 그냥 하는 것이다"라는 격언처럼, 끈기 있게 문제를 붙들고 늘어지는 태도가 중요합니다. 하지만 이상적인 환경에서 자유롭게 사고하며 무궁무진한 가능성을 탐구하는 과정은 수학만이 줄 수 있는 독특한 매력이며, 이는 창업이나 기술 개발 같은 실천적 도전의 원동력이 됩니다. 우리가 영화 '미션 임파서블'이나 '아이언맨'에서 보았던 첨단 기술들은 더 이상 상상 속의 영역에만 머물지 않습니다. 현장에서 즉석으로 마스크를 제작하기 위한 3D 스캐닝이나 화려한 홀로그래픽 디스플레이의 이면에는 복잡한 수학적 계산과 기하학적 모델링이 숨어 있습니다. 이러한 기술적 진보를 깊이 있게 이해하기 위해서는 그 바탕이 되는 수학적 원리를 파악하는 것이 중요합니다. 수학은 단순히 교과서 속의 학문을 넘어, 우리가 꿈꾸는 미래의 시각 기술을 현실로 구현하는 가장 강력한 언어로서 기능하고 있습니다.

[석학인터뷰] 현동훈_ 지도교수님 曰 "누가 수학을 재미로 하냐?" 그래도 재밌습니다. | 2020 가을 카오스강연 'Ai X'

현동훈

카오스재단카오스강연
  • 수학

[강연] 뇌의 미래와 인공 자아의 탄생 (2) _ 김대식 교수 | 2016 봄 카오스 강연 '뇌 - Brain' 10강 | 10강 ②

인공지능 연구는 지난 50년 동안 수많은 시도를 거듭해 왔지만, 초기에는 기대만큼의 성과를 거두지 못했습니다. 2015년 열린 로봇 경진대회에서 세계 최고의 로봇들이 문을 열거나 걷는 도중 허무하게 넘어지는 모습은 당시 기술의 한계를 여실히 보여주었습니다. 이는 인간이 모든 상황에 대한 규칙을 직접 입력하는 '규칙 기반(Rule-based)' 방식의 한계 때문이었습니다. 현실 세계의 수만 가지 변수를 일일이 코드로 정의하는 것은 불가능에 가까웠고, 결국 정교한 규칙들도 복잡한 현실 앞에서는 무용지물이 되기 일쑤였습니다. 하지만 규칙 대신 '학습'을 선택하면서 인공지능은 비약적인 발전을 이루었습니다. 보스턴 다이내믹스의 아틀라스 로봇은 제어 시스템을 학습 기반으로 전환한 지 불과 1년 만에 놀라울 정도로 안정적인 움직임을 보여주었습니다. 기계가 스스로 데이터를 통해 최적의 행동을 익히게 되자, 과거에는 해결하기 어려웠던 복잡한 동작들이 자연스럽게 구현되기 시작한 것입니다. 이는 인공지능이 단순히 명령을 수행하는 도구를 넘어, 경험을 통해 스스로 능력을 키워나가는 존재로 진화했음을 의미하는 중요한 전환점이 되었습니다. 우리가 사물을 인식하는 과정에는 언어로 다 설명할 수 없는 '직관'의 영역이 존재합니다. 부모님이 아이에게 개와 고양이를 구별하는 법을 복잡한 코드로 가르치지 않듯, 인간은 수많은 경험 속에서 자연스럽게 본질을 파악합니다. 딥러닝은 바로 이러한 인간의 학습 방식을 모방합니다. 수천만 장의 사진 데이터를 통해 기계는 언어로 표현하기 힘든 미세한 특징들을 스스로 찾아내고 학습합니다. 결국 빅데이터라는 거대한 현실의 복사본이 존재하기에, 기계도 인간처럼 세상을 이해하고 판단하는 직관에 가까운 능력을 갖출 수 있게 된 것입니다. 인공 신경망 기술은 한때 학습의 한계에 부딪혀 침체기를 겪기도 했으나, 제프리 힌튼 교수와 같은 연구자들의 혁신적인 아이디어로 돌파구를 찾았습니다. 계층 구조를 깊게 쌓으면서도 효율적으로 학습시키는 방법과 드롭아웃(Dropout) 기술이 도입되면서 '딥러닝'이라는 새로운 시대가 열렸습니다. 여기에 고성능 GPU의 등장과 사용자들이 자발적으로 생성한 방대한 데이터가 결합하면서, 과거 50년 동안 풀지 못했던 난제들이 단숨에 해결되기 시작했습니다. 이제 기계는 인간의 얼굴을 인식하는 수준을 넘어 복잡한 상황까지 이해하게 되었습니다. 최근의 인공지능은 인간 고유의 영역이라 여겨졌던 예술적 '스타일'까지 모방하는 단계에 이르렀습니다. 렘브란트나 고흐의 화풍을 학습한 기계가 새로운 화풍의 그림을 그려내는 모습은 기술의 놀라운 가능성을 보여줍니다. 그러나 인공지능이 인간의 대화를 학습하며 편향된 가치관을 습득했던 사례는 우리에게 중요한 시사점을 던져줍니다. 학습 기반의 인공지능은 결국 우리가 제공하는 데이터를 거울처럼 비추기 때문입니다. 따라서 인공지능이 인류에게 유익한 존재가 될 수 있도록 올바른 가치와 데이터를 전달하는 것은 이제 우리 인간의 책임이자 과제가 되었습니다.

[강연] 뇌의 미래와 인공 자아의 탄생 (2) _ 김대식 교수 | 2016 봄 카오스 강연 '뇌 - Brain' 10강

김대식

카오스재단카오스강연
  • 물리학
  • 뇌인지과학