노벨상 성과에 투자하기 – 인공 신경망, AI의 기반

노벨상 역사

노벨상은 과학계를 비롯한 여러 분야에서 높은 권위를 지닌 상이다. 제정의 근거는 알프레드 노벨의 유언으로, 물리학·화학·생리학 또는 의학·문학·평화 분야에서 “인류에게 가장 큰 공헌을 한 사람들”에게 상을 수여하도록 했다.

경제학 분야의 상은 이후 스웨덴 중앙은행이 노벨을 기념해 제정했다. 공식적으로는 알프레드 노벨 기념 스웨덴 중앙은행 경제학상이며, 흔히 노벨 경제학상이라고 부른다.

수상자는 분야별로 지정된 기관이 선정한다. 대부분은 스웨덴의 기관이지만 평화상은 노르웨이 노벨위원회가 선정한다.

유산에 대한 우려

노벨이 동생의 사망 소식을 잘못 전한 프랑스 신문에서 자신의 부고를 읽고 유산을 돌아보았다는 이야기가 널리 알려져 있다. 다만 이 일화가 상 제정의 결정적 계기였다고 확정할 만한 근거에는 불확실성이 있다. 다이너마이트와 무연 화약은 서로 다른 발명품으로, 다이너마이트를 가장 유명한 무연 폭약이라고 설명하는 것은 잘못이다.

노벨의 발명품은 산업과 군사 양쪽에 큰 영향을 미쳤다. 그는 철강·무기 제조 사업에도 관여했지만, 유언에서는 재산을 인류에 기여한 업적에 보상하는 데 사용하도록 했다.

노벨상

노벨이 남긴 재산은 노벨재단의 기금으로 운용된다. 수상자에게는 금메달과 증서, 상금이 수여된다. 2024년 분야별 상금은 1,100만 스웨덴 크로나로, 환율에 따라 미화 약 100만 달러에 해당한다.

출처: Britannica

상금은 여러 수상자가 나누어 받을 수 있다. 특히 과학 분야에서는 두세 명의 연구자가 함께 또는 독립적으로 같은 발견에 기여하는 경우가 많다.

컴퓨팅 분야의 노벨상?

노벨 물리학상은 우주의 기본 성질에 관한 발견에 수여되기도 한다. 예를 들면 블랙홀(2020년)과 외계 행성(2019년)에 관한 연구가 있다. 물질과 기술에 관한 성과도 포함된다. 다만 양자점(2023년)은 물리학상이 아니라 화학상 수상 업적이다. 레이저(2018년)와 LED(2014년)는 물리학상과 관련된다.

한편 2024년 물리학상 수상자는 인공 신경망을 이용한 기계학습의 기초가 된 발견과 발명으로 선정된 제프리 힌턴과 존 홉필드였다.

출처: Nobel Prize

신경망은 최근 AI 발전의 핵심 기술 중 하나다. 대형 언어 모델뿐 아니라 컴퓨터 비전, 자율주행 연구, 신약 탐색, 재료과학 등 다양한 분야에 활용된다.

신경망이란 무엇인가?

칩과 뉴런의 차이

컴퓨터가 등장한 뒤 인간과 비슷한 지적 능력을 구현하려는 기대가 커졌다. 계산과 영상 생성 등에서 큰 발전이 있었지만, 일반적인 추론과 새로운 상황에 대한 적응에는 여전히 한계가 있다.

실리콘 칩과 생물학적 뉴런은 작동 방식이 다르다. 디지털 칩은 이진 정보를 빠르게 처리하며, 뉴런은 전기적 신호와 화학적 전달, 복잡한 연결 변화를 이용한다. 뉴런을 단순한 아날로그 회로로만 설명할 수는 없다.

컴퓨터는 프로그램을 실행하지만, 그 프로그램에 학습 알고리즘을 포함할 수 있다. 따라서 컴퓨터가 아무것도 학습할 수 없다는 설명은 잘못이다. 신경망도 대개 같은 컴퓨터에서 실행되는 수학적 모델이다.

신경망은 데이터를 통해 내부 매개변수를 조정하여, 사람이 모든 규칙을 일일이 작성하기 어려운 문제를 처리한다. 사진 속 물체를 구분하는 일이 대표적이다. 웹사이트의 사람 확인 시험도 자동화된 시스템과 사람을 구분하려는 수단이지만, 컴퓨터가 영상 인식을 전혀 못한다는 증거는 아니다.

출처: Google

뉴런은 어떻게 작동하는가

생물학적 신경계에서는 경험과 활동에 따라 뉴런 사이의 연결 강도가 달라질 수 있다. 이러한 신경 가소성이 학습을 설명하는 중요한 요소다.

함께 활성화되는 뉴런의 연결이 강화될 수 있다는 생각은 컴퓨터에서 서로 연결된 계산 노드로 학습을 모형화하는 데 영감을 주었다.

인공 신경망의 훈련은 연결의 가중치 등 매개변수를 조정하는 과정이다. 생물학적 학습과 완전히 같지는 않지만 오늘날 AI 개발의 핵심 방식이다.

출처: Nobel Prize

이 접근법은 유망했지만, 1960~1970년대의 제한된 컴퓨팅 자원으로 큰 모델을 훈련하기는 어려웠다.

인간 기억은 어떻게 작동하는가

사람은 사진의 모든 화소를 정확히 계산하지 않고도 대상을 알아본다. 일부 정보와 기존 경험을 연결해 익숙한 패턴을 찾아낸다.

물리학자 존 홉필드는 1982년 홉필드 네트워크를 제시했다. 이 모델은 패턴을 저장하고 불완전한 입력에서 관련 패턴을 복원하는 연상 기억의 한 형태다.

물리학에서 시작

홉필드는 여러 요소의 상호작용에서 집단적 특성이 나타나는 물리계를 참고했다. 자성 물질의 스핀과 그 상호작용은 중요한 영감이었다. 스핀은 입자의 양자역학적 성질로 자성과 관련된다.

자성 물질에서는 이웃한 스핀들의 상호작용이 전체 상태에 영향을 미친다. 모든 자성 물질의 스핀이 항상 같은 방향을 향한다는 뜻은 아니다. 홉필드는 이와 비슷하게 서로 영향을 주는 노드의 상태를 에너지 함수로 나타냈다.

예를 들어 흑백 영상은 0과 1 같은 이진값을 가진 노드들의 배열로 표현할 수 있다.

학습된 연결을 가진 네트워크에 왜곡되거나 일부가 빠진 패턴을 입력하면, 노드의 상태를 반복적으로 갱신하여 에너지가 낮은 안정 상태로 수렴시킬 수 있다. 그 상태가 저장된 패턴과 일치하면 원래의 영상을 복원한다. 항상 성공하는 것은 아니다.

이렇게 홉필드는 오류 수정과 패턴 완성을 위한 작동 가능한 연상 기억 모델을 제시했다. 이는 컴퓨터의 프로그램으로 구현되는 방법이며, 컴퓨터가 본래 수행할 수 없는 능력이 따로 생겼다는 뜻은 아니다.

출처: Nobel Prize

홉필드 계열 모델은 이진값뿐 아니라 연속값을 다루는 형태로도 확장되었다. 색상이나 다른 수치 정보를 표현할 수 있지만, 단순히 계산 자원만 늘리면 원래 모델이 자동으로 모든 값을 처리하는 것은 아니다.

영상 외의 데이터에도 연상 기억의 원리를 적용할 수 있다.

연상을 통한 이해

사람과 동물은 비교적 적은 경험으로도 개·고양이·다람쥐 같은 대상을 알아보는 경우가 많다. 반면 많은 AI 영상 모델은 다양한 자세와 배경을 포함한 대규모 훈련 자료를 필요로 한다.

이 차이는 적은 자료로 새로운 상황에 적응하는 능력을 연구하는 동기가 된다. 다만 특정 과제에서는 컴퓨터가 사람보다 뛰어날 수 있으므로, 동물이 모든 패턴 인식에서 앞선다고 일반화할 수는 없다.

이진값을 넘어선 모델

모델의 노드는 설계에 따라 다양한 수치 정보를 표현할 수 있으며, 연속값이나 시간에 따라 변하는 데이터를 다루는 구조도 만들 수 있다.

확률적 모델은 복잡한 시스템의 불확실성을 나타내는 데 유용하다. 그러나 신경망이나 통계적 계산이라는 이유만으로 기존 방법보다 항상 전력과 계산량이 적게 드는 것은 아니다.

노드와 연결을 늘리면 표현 능력이 커질 수 있지만, 훈련 비용과 과적합 같은 문제도 함께 고려해야 한다.

볼츠만 머신

제프리 힌턴은 테런스 세즈노스키 등 동료들과 함께 홉필드 모델과 관련된 아이디어를 확장했다.

그들은 많은 입자의 집단적 행동을 확률적으로 설명하는 통계물리학의 개념을 활용했다. 기체나 액체의 거시적 성질을 모든 분자의 움직임을 하나씩 추적하지 않고 설명하는 접근법과 관련된다.

볼츠만 머신에는 관측되는 데이터를 나타내는 가시 노드와 직접 관측되지 않는 숨은 노드가 있다. 이들의 상호작용으로 가능한 상태의 확률분포를 학습한다. 숨은 노드는 단순히 두 가시층 사이에만 놓이는 것으로 한정되지 않는다.

출처: Nobel Prize

이 모델의 이름은 통계역학에 기여한 루트비히 볼츠만을 기린 것이다. 그는 19세기에 활동한 물리학자다.

출처: Wikipedia

제한된 볼츠만 머신

원래 볼츠만 머신은 훈련에 드는 계산량이 커 실용화가 어려웠다. 제한 볼츠만 머신은 같은 층의 노드 사이에 연결을 두지 않는 등 구조를 단순화한 모델이다.

출처: Nobel Prize

이러한 제한은 특정 계산과 훈련을 더 쉽게 만들면서도 복잡한 데이터 패턴을 학습할 수 있게 했다.

또 다른 발전은 여러 제한 볼츠만 머신을 층별로 훈련하여 더 깊은 네트워크의 초기 상태를 만드는 사전 훈련 방식이었다.

이 방법은 깊은 신경망을 훈련하기 어려웠던 시기에 학습을 개선하는 중요한 역할을 했다.

현대 신경망에 대한 영향

홉필드와 힌턴은 신경망 학습의 중요한 개념과 수학적 도구를 발전시켰다. 이 분야의 성과는 다른 많은 연구자의 기여에도 기반한다.

2010년대에는 계산 성능과 데이터, 훈련 방법의 발전이 결합되면서 신경망이 여러 응용 분야에서 크게 확산되었다.

여러 계산층을 가진 모델을 깊은 신경망이라고 부른다. 모든 현대 신경망이 볼츠만 머신의 최신 버전인 것은 아니다. 홉필드의 1982년 논문에 등장한 30개 노드는 자기 연결을 제외하면 435개의 가능한 노드 쌍을 갖는다. 노드 수와 가중치 등 매개변수 수는 서로 다른 개념이다.

오늘날 ChatGPT 같은 서비스에 쓰이는 대형 언어 모델은 훨씬 큰 규모의 매개변수를 사용할 수 있다. 일부 모델은 조 단위의 매개변수를 갖지만, 모든 LLM의 크기가 1조 개라는 뜻은 아니다. 현대 LLM은 주로 트랜스포머 같은 구조를 사용하며 훈련과 실행의 계산 비용도 크다.

응용 분야

기초 물리학

신경망은 물리학 자체뿐 아니라 다른 분야의 발견을 돕는 분석 도구로 활용된다.

힉스 보손 탐색처럼 막대한 실험 자료를 분석하는 작업에도 기계학습이 사용되었다. 관련 이론으로 프랑수아 앙글레르와 피터 힉스가 2013년 노벨 물리학상을 공동 수상했다. 신경망은 중력파 자료 분석과 외계 행성 탐색에도 활용된다. 다만 각 발견 전체가 신경망만으로 이루어졌다는 뜻은 아니다.

응용 물리학

실제 재료와 현상은 모든 입자의 움직임을 직접 계산하는 방식만으로 다루기 어려울 만큼 복잡한 경우가 많다.

신경망은 자료에서 관계를 학습하여 성질을 근사하거나 유망한 실험 후보를 제안할 수 있다. 예측은 실험이나 다른 계산으로 검증해야 하며, 항상 정답을 주는 것은 아니다.

연구자들은 이러한 방법으로 단백질 구조를 예측하고 기능 연구를 돕거나, 태양전지와 배터리에 유망한 새로운 재료를 탐색한다.

대형 언어 모델(LLM)

2022년 ChatGPT 공개 이후 주목받은 대형 언어 모델도 신경망의 주요 응용이다.

사람과 자연스럽게 대화하는 능력은 오랫동안 기계 지능을 평가하는 기준 중 하나로 여겨졌다. 대표적인 예가 튜링 테스트다.

LLM의 능력이 어떤 의미의 지능인지에 대해서는 논쟁이 이어진다. 인간을 넘어서는 지능의 전조로 보는 견해도 있고, 통계적 언어 생성의 한계를 강조하는 견해도 있다.

LLM은 여러 언어 중심 업무에서 시간을 줄일 수 있다. 다만 오류와 허위 생성이 가능하므로 용도에 맞는 검토가 필요하다. 활용 예는 다음과 같다.

• 챗봇과 고객 응대
• 코드 작성과 검토
• 번역과 현지화
• 시장 조사
• 검색과 질의응답
• 대규모 문서와 데이터 분석
• 교육

이미지 생성 모델도 유용한 시각 자료 제작에 쓰일 수 있지만, 허위 정보나 협박용 조작 이미지에 악용될 위험이 있다.

머신 및 컴퓨터 비전

영상의 패턴을 저장하고 인식하는 일은 초기 신경망 연구에서부터 중요했다. 오늘날 영상 인식은 신경망의 대표적인 응용이다.

머신 비전은 통제된 산업 환경의 검사 시스템을 가리킬 때 자주 쓰이고, 컴퓨터 비전은 더 넓은 영상 이해 분야를 뜻한다. 두 용어의 경계가 항상 엄격한 것은 아니다.

출처: Solomon

자율 주행

주행 환경을 인식하는 기술은 자율주행 차량의 핵심 요소다. 차량은 주변 물체와 도로 상황을 파악하여 안전한 행동을 결정해야 한다.

많은 시스템은 카메라와 레이더·라이다 등 여러 센서를 결합한다. Tesla (TSLA )는 카메라 중심의 접근법을 택했으며 차량군에서 얻는 자료를 활용한다. 2024년 FSD는 운전자의 지속적인 감독이 필요한 운전자 보조 기능으로, 완전 자율주행을 의미하지 않았다.

다양한 실제 상황의 훈련 자료, 정확한 표지 작업, 효율적인 하드웨어와 검증이 모두 중요하다. 모든 도로와 조건에서 운전자 없이 운행하는 레벨 5 자동화의 달성 시점이나 특정 회사의 독점적 성공을 보장할 수는 없다.

의료

의료에서는 엑스선·MRI·CT 등 영상에 대한 숙련된 전문가의 판독이 중요한 역할을 한다.

판독에는 오랜 훈련과 경험이 필요하다. AI는 일부 영상 분석 업무를 보조하거나 자동화할 수 있지만, 정확도는 검사 종류와 자료, 임상 환경에 따라 달라진다.

또한 ADHD처럼 기존 영상검사만으로 진단하지 않는 질환에 대한 영상 기반 연구도 진행되고 있다. 이러한 연구를 이미 확립된 임상 진단법으로 받아들여서는 안 된다.

영상 기반 기술은 수술 안내에도 쓰인다. 프랑스의 Pixee Medical은 스마트 안경 등을 이용한 정형외과용 증강현실 내비게이션을 개발한다. 이러한 영상 추적 시스템이 모두 신경망 AI를 사용한다고 단정할 수는 없다.

컴퓨터 비전은 수술 도구를 추적하거나 기록하는 업무에도 연구되고 있다. 미국에서는 수술 후 환자 몸 안에 도구가 남는 사고가 연간 약 1,500건이라는 추정치가 인용되기도 한다. 이는 조사 방식과 시기에 따라 달라지며, 자동 추적이 사고를 완전히 없앤다고 보장할 수는 없다.

생물 연구

신경망은 신약 후보 탐색과 단백질 구조 예측 등 의학·생물학 연구의 중요한 도구다.

관련 활용 사례는 「AI 및 디지털 바이오테크 기업 상위 5곳」에서도 다뤘다. 현미경 영상 판독과 세포 분류처럼 수작업 의존도가 높은 분석을 보조하여 자료의 일관성을 높일 가능성도 있다.

예를 들어 SigTuple의 Shonit은 말초혈액 도말 영상에서 백혈구 분류 등 분석을 보조한다. 모든 종류의 혈구를 모든 조건에서 완벽하게 세고 전문가 검토를 대체한다는 뜻은 아니다.

출처: Sigtuple

산업 및 생산

품질 관리와 부품 검사, 조립 과정에서 머신 비전은 생산 상태의 변화를 감지하고 대응하는 데 활용된다.

적절히 검증된 시스템은 작업 부담과 비용을 줄이고 품질과 생산성을 높일 수 있다. 실제 효과는 공정과 도입 방식에 따라 달라진다.

로보틱스

로봇이 공장 밖의 복잡한 생활 공간에서 움직이려면 환경과 물체를 인식하는 능력이 필요하다.

로봇 개와 배송 로봇, 휴머노이드 개발에서는 신경망 기반 AI를 이용해 일상적인 작업 수행 능력을 높이려는 시도가 이어지고 있다.

농업

농업용 로봇은 머신 비전으로 잡초나 익은 과일을 구분하고 반복적인 수작업을 보조한다. 선택적으로 작업하는 장비는 불필요한 토양 교란이나 약품 사용을 줄일 가능성도 있다.

이러한 기술은 토양 관리, 새로운 농법, 재조림과 침입종 관리에도 활용될 수 있지만, 효과는 현장 조건에 따라 검증해야 한다.

군사

새로운 기술은 군사적 활용 가능성 때문에도 연구된다. AI의 군사적 사용은 책임과 통제에 관한 복잡한 윤리적·법적 문제를 제기한다.

국가 간 경쟁이 개발을 촉진할 수 있지만, 이것이 모든 사용 방식의 정당성을 보장하지는 않는다.

AI는 표적 탐지와 전장 자료 분석에 활용되며 우크라이나와 가자지구의 전쟁에서도 관련 사용이 보고되었다. 이 문제는 「드론 및 드론 전쟁 관련 주식 상위 10종목」에서도 다뤘다.

특히 우려되는 사례로 러시아 란쳇 자폭 드론의 영상 기반 자동 표적 인식 개발 주장이 있다. 제작사 주장과 실제 배치된 기능, 사람의 개입 정도는 구분해야 한다.

살상 결정의 자동화는 민간인 보호와 오인 표적, 책임 소재에 심각한 문제를 일으킬 수 있다. 다만 이것이 곧 AI의 인류에 대한 반란으로 이어진다고 단정하는 것은 과학적 설명이 아니다.

국제적 규칙과 인간의 통제, 검증 가능한 제한을 마련하는 논의가 필요하다. 핵무기 통제와 비교할 수 있는 부분이 있지만 기술과 위험의 성격이 동일하지는 않다.

신경망 위험

2024년 노벨 물리학상 수상자인 제프리 힌턴은 AI 발전의 위험에 대해서도 우려를 표명했다.

그는 요슈아 벤지오, 얀 르쿤과 함께 2018년 튜링상을 받았으며, 2024년 노벨상 수상으로 그의 경고에도 관심이 더해졌다.

“이런 시스템이 우리보다 더 똑똑해질 것인지에 대한 생각이 갑자기 바뀌었다.

이제 그 수준에 매우 가까워졌으며 앞으로는 우리보다 훨씬 더 똑똑해질 것이라고 생각한다. 우리는 어떻게 살아남을 것인가?”

제프리 힌턴

AI가 영화 「매트릭스」나 「터미네이터」 같은 미래로 이어질지는 알 수 없다. 다만 복잡한 신경망의 내부 결정을 완전히 설명하기 어려운 경우가 있으므로, 실제 사용 환경에 맞는 안전성 평가와 책임, 윤리적 기준이 중요하다.

신경망에 투자하기

신경망은 현대 AI의 주요 기반이지만 AI 전체와 동의어는 아니다. 규칙 기반 접근법과 다른 기계학습 기법도 함께 사용된다.

대형 신경망의 훈련은 많은 자료와 계산 자원을 요구하여 자원이 풍부한 기업과 스타트업에 유리할 수 있다. 모든 신경망 응용이 대기업만 가능한 것은 아니다.

AI 관련 기업에는 여러 중개회사를 통해 투자할 수 있다. securities.io에서는 미국, 캐나다, 호주, 영국 및 다른 여러 국가의 중개회사 안내를 확인할 수 있다.

개별 기업을 고르기보다 관련 ETF를 검토할 수도 있다. 예로 ARK Artificial Intelligence & Robotics UCITS ETF (ARKI), Global X Robotics & Artificial Intelligence ETF (BOTZ), WisdomTree Artificial Intelligence and Innovation Fund (WTAI) 등이 있다. ETF는 여러 종목에 분산 투자하지만, 테마 집중도와 비용, 시장 위험을 확인해야 한다.

신경망 기업

1. Microsoft

Microsoft (MSFT )는 Windows 운영체제를 기반으로 성장한 주요 기술 기업이다.

MSFT 가격 차트

기업용 소프트웨어(Office365, Teams, LinkedIn, Skype, GitHub), 게임(Xbox  및 여러 게임 스튜디오 인수), 클라우드(Azure) 분야에도 사업 기반을 갖추고 있다.

AI 분야에서는 Bing 이미지 생성기 같은 소비자용 기능과 Microsoft 365 Copilot, Microsoft Research 등의 기업용 제품과 연구를 추진했다. Copilot은 소매업체와 소규모 기업에도 확대되었다.

출처: Constellation Research

Microsoft는 Apple (AAPL )이나 Facebook처럼 소비자 서비스로 널리 알려진 기업들과 비교해 기업 고객 기반이 강하다. 클라우드와 업무용 소프트웨어의 기존 고객은 AI 제품 보급에 도움이 될 수 있지만 성공을 보장하지는 않는다.

또한 ChatGPT 개발사 OpenAI와의 투자·협력 관계를 확대했다. 이를 OpenAI에 대한 준소유권이나 완전한 지배권과 같은 의미로 설명하는 것은 부정확하다.

2. NVIDIA

Nvidia는 고성능 게임과 3차원 그래픽에 쓰이는 GPU 시장에서 성장했다. GPU는 많은 연산을 병렬로 처리하는 데 강점이 있으며, 범용 CPU와 서로 다른 역할을 수행한다.

GPU는 일부 암호화폐 채굴에도 사용되었다. 다만 현대 비트코인 채굴은 주로 전용 ASIC 장비를 사용하므로, Nvidia GPU의 채굴 수요를 특히 비트코인 때문이라고 설명하는 것은 오해를 부른다.

이후 Nvidia (NVDA )의 GPU와 소프트웨어 생태계는 AI 훈련과 추론의 중요한 기반이 되었다.

Nvidia는 자율주행, 음성 처리, 대화형 AI, 생성형 AI, 사이버 보안 등 여러 분야를 위한 컴퓨팅 기술을 개발한다.

Nvidia 하드웨어의 응용은 계속 확대되고 있다. Microsoft와 PNNL의 연구처럼 AI를 과학적 탐색에 사용하는 사례도 있다. Nvidia는 신약 탐색용 솔루션, AI 기반 의료기기, AI 보조 의료영상 기술도 개발하거나 지원한다.

출처: NVidia

장기적으로 다른 반도체 기업과 고객사의 자체 칩이 Nvidia의 선도적 위치에 도전할 수 있다.

AI 계산 수요의 증가가 Nvidia에 기회를 제공하지만, 앞으로 세워질 모든 데이터센터에 Nvidia가 독점적으로 공급할 것이라고 단정할 수는 없다. 경쟁과 가격, 전력 효율, 수요 변화가 중요하다.

새로운 기술에 투자할 때 최종 서비스 기업뿐 아니라 장비와 기반 기술 공급자를 살펴보는 접근법도 있다. 다만 이러한 기업 역시 사업과 주가의 위험을 가진다.

Nvidia의 AI 칩은 그런 기반 기술의 대표적 사례다. 투자 판단에는 성장 전망뿐 아니라 경쟁과 가치평가도 함께 고려해야 한다.