모라벡의 역설에 대한 팩트 체크: 유명한 격언은 사실도 유용하지도 않다

섹션별 상세

01

모라벡의 역설은 데이터로 증명된 사실이 아니라 AI 커뮤니티의 관심사가 반영된 선택 효과(Selection Effect)에 불과하다. 연구자들은 인간과 AI 모두에게 쉽거나(틱택토) 모두에게 어려운(주가 예측) 과제는 무시하고, 한쪽에는 쉽고 다른 쪽에는 어려운 과제에만 집중하여 역설적인 상관관계가 있는 것처럼 착각한다.

인간과 AI에게 각각 쉬운 과제와 어려운 과제를 사분면에 배치한 산점도 예시이다. — Chart모라벡의 역설을 실증적으로 테스트할 때 나타날 수 있는 데이터 분포를 시각화한다. 저자는 실제로는 모든 사분면에 데이터가 존재하지만, 연구자들이 특정 영역만 선택적으로 주목하여 역설이 성립하는 것처럼 보인다고 비판한다.

사분면별로 구체적인 과제(지각, 주가 예측, 체스 등)를 분류한 매트릭스이다. — Diagram모라벡의 역설이 주목하는 영역(지각, 체스)과 무시하는 영역(틱택토, 주가 예측)을 구체적인 예시와 함께 보여준다. 이를 통해 역설이 왜 선택 편향의 결과인지 논리적으로 뒷받침한다.

02

한스 모라벡이 제시한 진화론적 설명, 즉 추론은 진화의 얇은 겉치레일 뿐이라 구현하기 쉽다는 주장은 뇌과학적 근거가 희박하다. 실제로는 체스 같은 폐쇄된 도메인에서의 추론만 쉬울 뿐, 법률이나 과학 연구처럼 상식과 현실 지식이 필요한 개방형 도메인에서의 추론은 여전히 AI에게 매우 어려운 과제로 남아 있다.

03

이러한 잘못된 모델은 AI 리더들이 초지능적 추론이 곧 도래할 것이라는 공포를 조장하거나, 반대로 로보틱스 분야의 발전은 매우 더딜 것이라는 근거 없는 안도감을 갖게 만든다. 과거 컴퓨터 비전 분야가 딥러닝과 GPU의 결합으로 급격한 돌파구를 마련했듯, 로보틱스 역시 예측하지 못한 시점에 급격히 발전할 가능성이 존재한다.

04

AI의 미래 역량을 정확히 예측하는 것은 불가능에 가까우므로, 예측보다는 기술의 확산 속도와 사회적 적응에 초점을 맞춰야 한다. 자율주행차 사례처럼 기술적 돌파구가 마련되어도 실제 상용화와 사회적 수용에는 수십 년이 걸리므로, 이 시간을 낭비하지 말고 실질적인 정책적 대비를 하는 것이 중요하다.

용어 해설

모라벡의 역설(Moravec's Paradox): — 인간에게 쉬운 감각 운동 지능은 AI에게 엄청난 계산 자원을 요구하는 반면, 인간에게 어려운 고도의 논리적 추론은 적은 계산으로 가능하다는 관찰이다. 1980년대 한스 모라벡 등이 제기했으며, AI 연구의 난이도 예측에 자주 인용된다.
선택 효과(Selection Effect): — 데이터를 수집하거나 분석할 때 특정 특성을 가진 표본만 선택되어 결과가 왜곡되는 현상이다. 이 글에서는 AI 연구자들이 흥미로운 과제에만 집중하여 모라벡의 역설이 마치 보편적 진리인 것처럼 착각하게 된 원인으로 지목된다.
폐쇄형 도메인(Closed Domain): — 체스나 바둑처럼 규칙이 명확하게 정의되어 있고 변수가 제한된 환경이다. AI가 명시적인 규칙과 데이터를 바탕으로 인간을 능가하는 성능을 내기 가장 유리한 영역이다.
NP-완전(NP-complete): — 컴퓨터 과학에서 해결하는 데 지수적인 시간이 걸릴 것으로 예상되는 문제 부류이다. 수학적으로 매우 복잡하여 AI에게도 영원히 어려울 가능성이 높은 과제들을 포함하며, 연구자들은 보통 이의 근사치를 구하는 데 집중한다.
기호적 추론(Symbolic Reasoning): — 명시적인 규칙과 논리 기호를 사용하여 문제를 해결하는 AI 방식이다. 1970-80년대 AI 연구의 주류였으나, 현실 세계의 복잡하고 모호한 상황에서는 쉽게 무너지는 취약성을 보였다.

기술

Deep Learning
Computer Vision
Self-driving Cars
STRIPS
IBM Watson

활용 사례

AI 역량 예측 모델링
기술 도입 정책 수립
자동화 위험 평가

언급된 리소스

문서Mind Children (Hans Moravec, 1988)

DemoArvind Narayanan YouTube Channel