Medici Grammar Investment Club

유럽 연합(EU)과 미국이 러시아에 대한 제재를 강화하고 이에 대한 푸틴 대통령의 보복 조치는 미국 외식 대기업 맥도널드에 대한 공격도 포함된다. 지정학이 경제의 글로벌화를 역행시키는 사례로서 더 이상 상징적인 움직임은 없을 것.

맥도날드 점포가 전 세계에 퍼지면 전쟁이 없어진다는 "분쟁 방지의 황금 아치 이론"을 언론인 토머스 프리드먼 씨가 제창한 것은 지금부터 15년 전. 하지만 맥도널드가 모스크바에 점포를 열고 약 4세기가 지난 지금도 상호 의존 관계가 강대국 간 갈등을 끝냈다고 말하기는 어렵다. 오히려 새로운 전장을 준 것이 아닐까.

어떤 관계가 꼬인 때는 같지만 처음에는 서로를 연결 짓는 데 사용되던 많은 것이 이제는 골을 깊게 분에 사용되고 있다. 우리는 과거 20년간 세계는 1개 마을처럼 되면 들고 왔다. 그 이유로 꼽혔던 것은 무역·투자 면에서 결합의 확대와 심화, 글로벌 거버넌스나 인터넷의 출현이다. 그러나 이러한 상호 의존을 위한 힘은 실제로는 반대 방향으로 작용하고 있다.

이하에 글로벌화 종언을 나타내는 3개 항목을 들고 싶다.

1)자유 무역에서 경제 전쟁

경제적 상호 의존은 지정학적 긴장을 서서히 제거할 것이었다. 적어도, 대립하는 나라가 각 문제를 시시비비로 대응할 수 있게 될 터였다.

그러나 현재 서방은 세계 경제에 대한 러시아의 참여를 우크라이나 동부에서의 행동을 둘러싼 대로 제재에 사용하고 있다. EU는 러시아의 은행과 석유 회사, 방위 산업도 제재 대상으로 추가했다.

중국도 자국의 이익이 위협 받았다고 판단하면 필리핀과 일본과의 영유권 문제 등에 경제 제재를 가기를 서슴지 않는다. 한편 올해 5월에는 중국의 남 중국해의 석유 굴착 활동에 대한 항의 시위가 베트남에서 일어나 폭도화한 일부가 중국 기업을 습격하는 등 중국 정부도 타격을 받는 쪽으로 돌아섰다.

2)글로벌 거버넌스에서 경쟁적 다자 주의로

많은 사람은 세계적인 무역 관계가 글로벌 거버넌스에 이어질 것으로 보이고 있었다. 그 전제에는 러시아 중국 등 신흥국이 1개 글로벌 시스템 안에서 "책임 있는 스테이크 홀더(이해 관계자)"역할을 하게 된다는 생각이 있었다.

그러나 다자 통합의 지금 모습은 통합보다는 분열에 가깝다. 지정학적 싸움은 세계 기관을 꼼짝 못하고 있다. 우크라이나 위기는 원래 EU주도의 "동방 파트너십"과 러시아 주도의 "유라시아 연합"이라는 2개의 모순된 통합 협정의 충돌이 원인으로 생겼다고도 할 수 있다.

세계에는 현재 수평 방향으로 비교적 소규모에 연계된 그룹이 경쟁하는 경향이 있다. 한쪽에는 BRICs(브라질 러시아 인도 중국)과 상하이 협력 기구(SCO)등을 중심으로 한 "서방 없는 세계"가 있다. 한편, 서쪽은 환 태평양 제휴 협정(TPP)과 환 대서양 무역 투자 협정(TTIP)등 중국과 러시아를 의도적으로 제외한 새로운 그룹을 만들고 있다. 각국은 국제 법을 분쟁 해결 수단으로서가 아니라, 적대국과의 "법에 의한 싸움"에서 쓰는 편에 점점 기울어져 있다.

3)1개의 인터넷 시대에 마침표

인터넷조차 세계적인 공공 장소보다 오히려 적대적 분열을 낳고 있다. 미국인 안전 보장국(NSA)직원 에드워드 스노든을 러시아로 망명시킨 것은 푸틴 대통령이나도 모르지만 NSA에 스파이 활동을 가장 우려하는 것은 앙겔라 메르켈 독일 총리와 브라질의 호세프 대통령과 같은 부모 미국의 정상들이다.

캘리포니아 대학 데이비스 캘리포니아대 아느팜 장 더 씨 등은 "간첩을 둘러싼 우려는 웹을 분해하는 행정 조치를 정당화시킨다. 세계적인 인터넷 시대는 끝나 가고 있는지도 모른다"라고 주장한다. 그들에 따르면 호주와 프랑스, 한국, 인도, 인도네시아, 카자흐스탄, 말레이시아, 베트남은 이미 특정 데이터를 자국 내 서버에서 유출하지 않도록 대책을 취하기 시작했다고 한다.

냉전 종식 이후 세계화의 열성 지지자들은 무역이 분쟁의 억지력이라고 주장했다. 하지만 군사 전략 연구가 에드워드 루토왓크 씨는 그것이 잘못임이 곧 증명된다고 말했다. 자본의 힘이 무기의 화력에 대체 시장이 기지나 주둔지가 맡았던 역할을 맡게 되지만, 그래도 국제 관계를 움직이는 것은 무역이 아닌 충돌이라고. 그의 말처럼 우리는 "무역의 문법을 이용하면서 전쟁의 논리"에 따르게 될 것이다. BRICs가 세계 경제 참여를 서둘렀던 때는 그의 예언은 틀린 것처럼 보인 것이지만.

이런 국가들이 국제 사회의 일원이 된 냉전 이후 세계는 미국이 주도하는 극성의 안전 보장 질서와 자유 무역과 경제적 상호 의존 등을 통한 통합을 목표로 한 유럽 주도의 법 질서를 특징으로 왔다. 그러나 지금 미국 주도의 안전 보장은 전쟁 피로와 신흥 세력의 대두에 의해 터진 곳을 보이고 있다. 그 결과 미국 같은 대국은 국제적인 법 질서를 앞세운 경향을 강화하고 있어 무력 행사 대신 제재에 무게를 두게 되고 있다.

과거 경제적 이익이었다 상호 의존은 지금은 위협이 되고 있다. 어느 나라도 구로-발 경제의 혜택을 놓치고 싶지 않지만 대국은 예외 없이 그 위험으로부터 자국을 어떻게 준수 여부를 생각하고 있다. 중국은 미국 금융 위기로부터의 위협을 받은 뒤 내수 위주로 향하고 있다. 

미국은 이라크 전쟁 뒤, 에너지 자립을 향해 있다. 러시아는 유로 위기 이후 유라시아 연합 창설에 임하고 있다. 국제 주의적 독일에서조차 EU회원국에 독일형 정책을 도입하게 하기 위해 EU자체를 바꾸려 하고 있다.

냉전 종식 후 상호 의존은 분쟁 종식의 원동력이었다. 그러나 2014년 현재 상호 의존은 갈등을 낳고 있다. 어느 때보다도 긴밀하게 결합한 25년이 끝나고 세계는 다시 분열로 치닫고 있는 것은 아닐까.

( ...)

비유하자면 딥러닝은 인공신경망의 후손이다. 인공신경망의 한계를 넘어서기 위한 방편으로 도출된 알고리즘이다. 딥러닝의 역사는 그래서 인공신경망의 역사와 궤를 같이 한다. 인공신경망은 이미 알려져 있다시피, 뇌의 정보처리 방식을 기계에 적용해보자는 아이디어에서 도출됐다. 컴퓨터 과학과 의학, 심리학 등 여러 학문이 개입해 탄생한 융합적 결과물이다.

아이디어의 시작은 1942년으로 거슬러 올라간다. 미국 일리노이 의대 정신과 부교수였던 워렌 맥컬록은 당시 의대 학생이었던 제리 레트빈과 그의 월터 피츠를 자신의 랩으로 당겨왔다. 어느 정도 서먹함이 사라졌을 즈음인 그해 중순, 맬컬록 교수는 이 두 학생을 자신의 집으로 초대했다. 연구실 제자였던 피츠는 신경계에 유독 관심이 많았다.

맥컬록 교수와 피츠를 매개한 이는 이진법을 창안했던 17세기 독일 철학자이자 수학자였던 라이프니츠였다. 피츠는 이날 맥컬록 교수에게 모든 문제는 분석적인 계산으로 해결할 수 있다는 라이프니츠의 격언을 들려줬다. 이 당시는 앨런 튜링이 보편적 논리 엔진에 대한 논문을 발표(1937년)한 지 약 5년도 채 되지 않던 때이기도 했다.

맥컬록 교수와 피츠는 인간의 두뇌 특히 뉴런을 논리적 요소로 끌어들이면서 그 처리 과정을 들여다보게 됐다. 그 결과로 이듬해 ‘신경활동에 내재한 개념들의 논리적 계산’이라는 제목의 논문을 발표하게 된다. 이들은 이 논문에서 신경망을 ‘이진 스위칭’ 소자들이 복잡하게 연결된 네트워크로 모형화했다. 인공신경망을 개념화한 최초의 논문이 탄생한 순간이다.

이후 인공신경망 알고리즘은 흥망성쇠를 경험하게 된다. 유행처럼 붐이 일었다가 다시 무덤으로 들어가기를 반복했다. 딥러닝은 이러한 부침 속에서 탄생한 희망의 불씨였다.

딥러닝이 처음 제안된 때는 인공신경망이 탄생한 지 40여년이 지난 1980년대. 캘리포니아 대학 심리학자와 컴퓨터 관련 학자들의 신경망 연구를 요약한 PDP라는 저서가 등장하면서부터다. 여기에서 역전파(Backpropagation) 학습 알고리즘이 제안됐고 이것이 딥러닝의 모태가 됐다. 하지만 오래 가지는 못했다.

딥러닝이 부활의 신호탄을 쏘아올리게 된 건 2004년이다. 제프리 힌튼 교수가 RBM이라는 새로운 딥러닝 기반의 학습 알고리즘을 제안하면서 주목을 받기 시작했다. 곧바로 드롭아웃이라는 알고리즘도 등장해 고질적으로 비판받는 과적합 등을 해결할 수 있게 됐다. 이 작업에도 힌튼 교수는 빠지지 않았다.

딥러닝이 문제를 해결하는 방식

앞서 언급했듯, 딥러닝의 핵심은 분류를 통한 예측이다. 수많은 데이터 속에서 패턴을 발견해인간이 사물을 구분하듯 컴퓨터가 객체를 분별한다. 이 같은 분별 방식은 두 가지로 나뉜다. 지도 학습(supervised learning)과 비지도 학습(unsupervised learning)이다. 기존의 기계학습 알고리즘들은 대부분 지도 학습에 기초하고 있다. 지도 학습 방식은 컴퓨터에 먼저 ‘이런 이미지가 고양이야’라고 학습을 시켜주면, 학습된 결과를 바탕으로 고양이 사진을 판별하게 된다. 사전에 반드시 학습 데이터가 제공돼야만 한다. 사전 학습 데이터가 적으면 오류가 커지므로 데이터양도 충분해야만 한다.

반면 비지도 학습은 이 과정이 생략된다. ‘이런 이미지가 고양이야’라고 학습시키지 않아도 자율적으로 컴퓨터가 ‘이런 이미지가 고양이군’이라고 학습하게 된다. 지도 학습 방식보다 진일보한 방식이다. 그러나 고도의 연산 능력이 요구돼 웬만한 컴퓨팅 능력으로는 시도하기 쉽지 않았다. 리쿤 교수가 1989년 필기체 인식을 위해 심화 신경망 방식을 도입했을 때 연산에만 3일 걸렸다는 사실은 이미 잘 알려져있다. 구글 현재 비지도학습 방식으로 유튜브 내 고양이 이미지를 식별하는딥러닝 기술을 개발한 상태다.

하지만 고성능의 GPU가 등장하고 데이터가 폭증하게 되면서 이 문제는 자연스럽게 해소되기 시작했다. 여기에 더해 RBM와 드롭아웃(Dropout)이라는 새로운 알고리즘이 개발되면서 당장의 활용 범위도 크게 늘어났다. 페이스북은 딥러닝을 뉴스피드와 이미지 인식 분야에 적용하고 있고, 구글은 음성 인식과 번역을 비롯해 로봇의 인공지능 시스템 개발에도 도입하고 있다.

페이스북 딥페이스, 네이버 음성인식이 이미 적용

딥러닝이 가장 보편적으로 활용되고 있는 분야를 꼽는다면 음성 인식과 이미지 인식이다. 데이터의 양 자체가 풍부한 데다 높은 확률적 정확성을 요구하고 있기 때문이다.

페이스북은 딥러닝을 적용해 딥페이스라는 얼굴 인식 알고리즘을 올해 3월 개발했다. 이 알고리즘 개발을 주도한 조직이 얀 리쿤 교수가 이끌고 있는 인공지능 그룹이다. 페이스북은 딥러닝이 적용된 딥페이스 알고리즘으로 전세계 이용자의 얼굴을 인식해 특정하고 있다. 인식 정확도는 97.25%로 인간 눈(97.53%)과 거의 차이가 없다. 페이스북은 이용자가 올린 이미지의 얼굴만 측면만 봐도, 어떤 이용자인지 판별해낼 수 있다.

네이버는 음성 인식을 비롯해 테스트 단계이긴 하지만 뉴스 요약, 이미지 분석에 적용하고 있다. 이미 네이버는 딥러닝 알고리즘으로 음성 인식의 오류 확률을 25%나 개선했다. 네이버 딥러닝랩의 김정희 부장은 지난해 데뷰2013에서 딥러닝을 적용하기 전과 후를 “청동기 시대와 철기 시대와 같다”로 비유하기도 했다. 그만큼 성능 향상이 뚜렷했다는 의미다.

뿐만 아니라 네이버는 야후의 썸리와 같은 뉴스 요약 서비스에도 딥러닝을 적용해 실험하고 있다. 기사에 제목이 있을 경우와 없을 경우를 분리해 기사를 정확히 요약해낼 수 있는 알고리즘을 개발하는데 이 방식이 활용되고 있다. 2D 이미지 분석에 적용하기 위해 랩 단위에서 현재 실험이기도 하다.

▲ 페이스북 딥페이스의 작동 구조

딥러닝이 갑작스럽게 각광받는 이유는 간단하다. 복잡한 구조를 처리할 수 있는 컴퓨팅 파워, 즉 연산 능력이 뒷받침되고 있기 때문이다. 강필성 서울과학기술대 교수는 “딥러닝은 새로운 것이 아니라 복잡한 인경망 구조를 지닌 것이 특징”이라며 “그동안은 이를 받쳐줄 만한 컴퓨팅 파워가 부재했는데 이 부분이 해결되면서 부상하고 있는 것”이라고 설명했다. 김정희 네이버 딥러닝 부장도 ▲새로운 알고리즘의 개발 ▲컴퓨팅 파워 ▲빅데이터를 딥러닝이 주목받는 이유로 들었다.

사라질 듯 사라지지 않은 딥러닝은 빅데이터 시대를 맞아 이렇게 다시 부활하고 있다. 인간의 뇌와 컴퓨팅 방식의 결합, 그 속에서 딥러닝은 서서히 자기 영역을 확장하고 있다. 이 과정에서 어쩌면 더 많은 학문들이 결합되고 융합될지도 모른다. 딥러닝의 부활은 여러모로 다양한 의미를 동시에 함축하고 있는 셈이다.