과학 포털 iKAOS

6 Contents

[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.

카오스재단카오스 짧강(짧은 강연)

뇌인지과학
융합

[강연] 최적화 이론, 인공지능 시대에 비상하다 2_by 권도현 | 2024 카오스강연 '세상에 나쁜 수학은 없다' 시즌2 8강 두 번째 이야기 | 8강 ②

인공지능 학습의 핵심은 최적의 해를 찾는 과정이며, 이를 위해 확률적 경사하강법(SGD)이라는 기법이 널리 사용됩니다. 기존의 경사하강법이 단순히 가장 가파른 내리막길만을 따라갔다면, 확률적 경사하강법(SGD)은 약간의 무작위성을 부여하여 탐험을 시도합니다. 이러한 무작위성은 학습 과정에서 마주치는 지역 최소해라는 웅덩이에서 벗어날 수 있는 기회를 제공합니다. 때로는 조금 돌아가거나 오르막을 오르는 선택이 결국 더 깊고 낮은 최적점을 찾는 열쇠가 되기도 하며, 이는 복잡한 함수 구조를 가진 인공지능 모델에서 필수적인 전략입니다. 방대한 데이터를 다루는 현대 인공지능에게 효율성은 필수적인 요소입니다. 모든 데이터를 한꺼번에 계산하여 미분하는 방식은 시간과 자원 면에서 불가능에 가깝기 때문입니다. 확률적 경사하강법(SGD)은 데이터를 작은 단위로 쪼개어 학습시키는 방식을 통해 이 문제를 해결합니다. 예를 들어 백만 개의 데이터가 있다면 이를 만 개씩 나누어 순차적으로 학습하며 모델을 업데이트합니다. 이러한 방식의 학습은 연산 속도를 획기적으로 높일 뿐만 아니라, 실제 성능 면에서도 매우 우수한 결과를 보여준다는 것이 여러 사례를 통해 증명되었습니다. 생성형 인공지능의 비약적인 발전 뒤에는 적대적 생성 신경망(GAN)과 같은 정교한 구조가 자리 잡고 있습니다. 이는 생성자와 판별자라는 두 개의 네트워크가 서로 경쟁하며 발전하는 방식입니다. 생성자가 실제와 유사한 이미지를 만들어내면, 판별자는 그것이 진짜인지 가짜인지 구분하려 노력합니다. 이 과정에서 생성자는 판별자를 속이기 위해 더욱 정교한 결과물을 만들어내고, 판별자는 이를 더 잘 잡아내기 위해 날카로워집니다. 이러한 상호 작용은 결국 인공지능이 실사에 가까운 고품질의 데이터를 생성할 수 있게 만드는 강력한 원동력이 됩니다. 수학적 관점에서 생성 모델의 목표는 실제 데이터의 확률 분포와 모델이 생성한 분포 사이의 차이를 최소화하는 것입니다. 이를 위해 최적 운송 이론에서 유래한 '와서스타인 거리'라는 개념이 활용됩니다. 이는 진흙을 구멍에 채우는 택배 문제처럼, 한 분포를 다른 분포로 옮기는 데 드는 최소 비용을 계산하는 방식입니다. 2017년경 정립된 이 이론적 토대는 인공지능이 단순히 데이터를 흉내 내는 수준을 넘어, 수학적으로 정교하게 최적화된 상태에 도달할 수 있도록 돕는 중요한 이정표가 되었으며 대학원생의 연구가 혁신을 일으킨 사례로도 유명합니다. 최근에는 노이즈 상태에서 단계적으로 이미지를 복원해 나가는 확산 모델(Diffusion Model)이 생성형 인공지능의 대세로 떠오르고 있습니다. 이는 한 번에 결과를 내기보다 시간을 쪼개어 미세하게 조정해 나가는 방식으로, 더욱 정밀한 제어가 가능하다는 장점이 있습니다. 인공지능은 이제 아기가 세상을 배우듯 비지도 학습에서 언어 학습으로, 그리고 더 복잡한 추론의 단계로 진화하고 있습니다. 이러한 발전은 인간의 고유 영역이라 여겨졌던 창작과 전문 지식의 영역까지 확장되며 우리 삶의 패러다임을 근본적으로 바꾸고 있으며, 로보틱스와 같은 물리적 영역으로의 확장도 기대되고 있습니다.

권도현

카오스재단카오스강연

수학

지금 🎭딥페이크 기술은 어디까지 도달했는가?!?!ㅣ2023 미래 과학 트렌드 출간기념 강연

딥페이크라는 용어는 최근 다양한 기사와 범죄 사례를 통해 대중적으로 알려졌지만, 그 기술적 원리와 인공지능의 발전 과정에 대한 이해는 상대적으로 부족합니다. 인공지능은 1950년대에 개념이 등장한 이후 여러 번의 침체기와 도약기를 거쳤습니다. 특히 2016년 알파고의 등장으로 인해 딥러닝이 주목받으면서 인공지능 연구가 다시 활발해졌고, 우리나라 과학자들에게도 큰 영감을 주었습니다. 이러한 흐름 속에서 인공지능의 학습 방식은 점차 진화해왔습니다. 초기의 인공지능은 주로 데이터를 분류하거나 예측하는 데 집중했으나, 2014년 이안 굿펠로우가 발표한 GAN(생성적 적대 신경망) 알고리즘의 등장으로 생성형 인공지능 시대가 열렸습니다. GAN은 두 개의 신경망이 서로 경쟁하며 실제와 유사한 이미지를 만들어내는 방식으로, 기존 데이터에 없는 새로운 이미지를 생성할 수 있게 했습니다. 이 기술은 이미지 생성뿐만 아니라 문장 생성 등 다양한 분야로 확장되었고, 인공지능의 활용 범위를 크게 넓혔습니다. 딥페이크는 딥러닝 기술을 활용해 가짜 이미지를 만들어내는 대표적인 예시입니다. 처음에는 미국의 한 커뮤니티에서 유명인의 얼굴을 영상에 합성하는 방식으로 시작되었으며, 이후 일반 사용자들도 쉽게 접근할 수 있는 기술로 발전했습니다. 얼굴 이미지를 자연스럽게 변형하거나 합성하는 기술은 광고, 영화, 뮤직비디오 등 다양한 콘텐츠 제작에 활용되고 있습니다. 실제로 유명 배우의 젊은 시절 모습을 재현하는 광고 등에서 딥페이크 기술이 이미 상용화되고 있습니다. 예를 들어, ChatGPT와 같은 모델은 미리 학습된 언어 데이터를 바탕으로 새로운 문장과 대화를 생성할 수 있습니다. 이러한 기술은 인간의 창의력과 유사한 결과물을 만들어내며, 실제로 가족 사진에서 10대 시절의 얼굴을 재현하는 등 놀라운 경험을 제공하기도 합니다. 인공지능이 유전자와 비슷한 수준의 창조성을 보여주는 시대가 도래한 것입니다. 현재 인공지능은 특정 분야에 최적화된 약인공지능에서 벗어나, 인간처럼 다양한 분야에서 창의적이고 의지를 가진 강인공지능으로 발전하고자 하는 목표를 가지고 있습니다. 알파고가 바둑에 특화된 인공지능이었다면, 최근의 생성형 인공지능은 모든 분야에서 인간을 뛰어넘는 능력을 발휘하는 것을 지향합니다. 이러한 발전은 보안, 윤리 등 새로운 사회적 고민을 불러일으키고 있으며, 기술의 발전과 함께 책임 있는 사용과 규제가 더욱 중요해지고 있습니다.

국립과천과학관책📖저자강연

융합

[해SSUL이 있는 과학뉴스] 딥페이크 영상 다들 어떻게 만드나?

딥페이크 기술은 이제 우리 일상에서 흔히 접할 수 있는 현상이 되었습니다. 최근 언론 보도에 따르면, 2013년 별세한 애니메이션 <심슨 가족>의 성우 마샤 월리스의 목소리를 재현하거나 틱톡의 톰 크루즈 가짜 영상, 유튜브의 링컨 전 대통령 영상 등 놀라운 사례들이 잇따르고 있습니다. 과거에는 상상하기 어려웠던 고인의 목소리 복원이나 유명인의 정교한 합성 영상이 대중에게 공개되면서, 딥페이크는 단순한 기술적 호기심을 넘어 사회적인 관심사로 급부상했습니다. 딥페이크 기술이 대중화된 결정적인 계기는 기술의 공유 정신에 있습니다. 과거에는 전문가들만 접근할 수 있었던 복잡한 알고리즘이 오픈 소스 형태로 공개되면서, 전 세계 개발자와 일반인들이 이를 자유롭게 연구하고 활용할 수 있게 되었습니다. 특히 개발자 커뮤니티를 중심으로 관련 라이브러리가 빠르게 확산된 점은 기술의 문턱을 낮추는 데 핵심적인 역할을 했습니다. 이러한 공유 문화 덕분에 오늘날 우리는 다양한 플랫폼에서 창의적이고 놀라운 딥페이크 영상들을 손쉽게 접할 수 있게 된 것입니다. 일반인들도 기본적인 운용법만 익히면 딥페이크 영상을 직접 제작해 볼 수 있는 시대입니다. 파이썬(Python)으로 작성된 오픈 소스를 활용하면 직접 복잡한 코딩을 하지 않더라도 이미 구축된 프로그램을 통해 정보를 입력하고 실행하는 것이 가능합니다. 물론 영상 하나를 제작하는 데 여전히 상당한 시간이 소요되기도 하지만, 단계별 가이드를 따라가다 보면 '컴알못'이라 불리는 비전문가들도 기술의 문턱을 넘을 수 있습니다. 이러한 접근성은 딥페이크 기술이 특정 전문가의 전유물에서 벗어나 대중적인 도구로 자리 잡게 했습니다. 기술의 발전 속도 또한 놀랍습니다. 불과 몇 년 전만 해도 특정인의 목소리를 구현하기 위해 수십 시간의 데이터가 필요했지만, 이제는 단 10분에서 20분 정도의 분량만으로도 충분한 수준에 이르렀습니다. 이는 단순히 데이터가 많이 쌓였기 때문이라기보다, 기존에 학습된 인공지능 모델을 기반으로 새로운 데이터를 적용하는 방식이 효율적으로 변했기 때문입니다. 인공지능이 처음부터 학습을 시작하는 것이 아니라, 이미 축적된 지능을 바탕으로 특정 분야에 최적화되면서 시간과 비용이 획기적으로 단축된 것입니다. 딥페이크의 비약적인 발전 뒤에는 소프트웨어뿐만 아니라 하드웨어의 진화도 큰 몫을 차지하고 있습니다. 과거에는 연산 능력이 부족해 결과물을 얻기까지 막대한 시간이 걸렸으나, 현재의 고성능 하드웨어는 복잡한 알고리즘을 빠르게 처리해 냅니다. 또한 인공지능은 그림이나 음성 등 각 분야에 특화된 형태로 발전하고 있습니다. 이러한 분야별 전문화와 기술적 뒷받침이 결합하면서 딥페이크 기술은 더욱 정교해지고 있으며, 앞으로도 우리 삶의 다양한 영역에서 변화를 이끌어갈 전망입니다.

국립과천과학관요즘과학👏

융합

[해SSUL이 있는 과학뉴스] 딥페이크 기술이 도대체 뭐길래?

최근 가수 아이유나 배우 톰 크루즈의 모습이 담긴 가짜 영상이 화제가 되며 딥페이크 기술에 대한 사회적 관심이 뜨겁습니다. 딥페이크는 딥러닝과 페이크의 합성어로, 인공지능을 활용해 특정 인물의 얼굴이나 목소리를 정교하게 합성하는 기술을 의미합니다. 이 기술은 단순한 흥미를 넘어 불법 영상 제작 등 악용 사례가 늘어나면서 강력한 처벌을 요구하는 목소리도 커지고 있습니다. 하지만 기술의 위험성 이면에 숨겨진 과학적 원리와 긍정적인 활용 가능성을 이해하는 것 또한 현대 사회에서 매우 중요한 과제입니다. 딥페이크라는 명칭은 본래 전문 용어가 아니라 2017년 인터넷에 관련 영상을 유포한 한 사용자의 아이디에서 유래되었습니다. 당시 그는 '페이스 스왑'이라는 기술을 이용해 얼굴을 교체한 영상을 올렸는데, 이것이 큰 반향을 일으키며 기술 전체를 일컫는 대명사가 되었습니다. 사실 얼굴을 바꾸는 기술 자체는 그 이전부터 존재해 왔으나, 인공지능 기술과 결합하면서 누구나 구별하기 힘들 정도로 정교해진 것입니다. 이는 기술이 대중에게 공개되는 방식에 따라 사회적 인식이 어떻게 형성되는지를 보여주는 흥미로운 사례입니다. 딥페이크의 핵심은 2014년에 등장한 '생성적 적대 신경망(GAN)'이라는 알고리즘에 있습니다. 과거의 인공지능이 수많은 데이터 속에서 정답을 찾아내는 '분석적 AI'였다면, 생성적 적대 신경망(GAN)은 새로운 데이터를 만들어내는 '생성적 AI'의 시대를 열었습니다. 분석적 AI가 사진 속 동물이 고양이인지 개인지 판별하는 데 집중한다면, 생성적 AI는 학습한 데이터를 바탕으로 세상에 없던 고양이의 이미지를 직접 그려낼 수 있습니다. 이러한 패러다임의 전환은 인공지능이 단순한 도구를 넘어 인간의 고유 영역이라 여겨졌던 창조적인 부분까지 확장될 수 있음을 시사합니다. 생성적 적대 신경망(GAN)의 작동 원리는 생성자와 판별자라는 두 개의 인공지능이 서로 경쟁하는 구조로 설명됩니다. 생성자가 가짜 이미지를 만들면 판별자는 그것이 진짜인지 가짜인지 검사하며, 이 과정을 수없이 반복합니다. 마치 위조지폐범이 더 정교한 지폐를 만들고 경찰이 이를 잡아내려 애쓰는 과정과 비슷합니다. 결국 판별자가 진짜와 가짜를 더 이상 구별하지 못할 수준에 이르면, 우리는 실제와 똑같은 고화질의 합성 영상을 얻게 됩니다. 이러한 적대적 학습 과정이 딥페이크 영상의 완성도를 비약적으로 높이는 비결이라고 할 수 있습니다. 생성적 AI 기술은 부정적인 측면만 있는 것은 아닙니다. 사진에서 불필요한 부분을 지우고 주변 배경으로 자연스럽게 채우거나, 고인이 된 가수를 무대 위에 다시 세우는 등 문화 콘텐츠와 실생활 곳곳에서 혁신을 일으키고 있습니다. 기술의 가능성은 무궁무진하며, 우리가 기술의 원리를 정확히 이해할 때 비로소 위험을 통제하고 혜택을 누릴 수 있습니다. 따라서 '생성적 적대 신경망(GAN)'과 같은 핵심 기술 용어를 인지하고 변화하는 인공지능 시대를 준비하는 자세가 필요합니다. 과학의 발전은 양날의 검과 같기에 이를 다루는 우리의 태도가 더욱 중요해지는 시점입니다.

국립과천과학관요즘과학👏

융합

[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.

한보형

카오스재단카오스강연

융합