AI 연구원, 1986년의 역전파가 대중화되다

이 분야는 대부분의 사람들이 짐작하는 것보다 훨씬 젊다. '인공지능'이라는 표현은 1956년 다트머스 대학교의 여름 워크숍을 위해 1955년에 만들어졌으며, 그 이후로 이 분야는 초기 약속이 지켜지지 않아 자금 지원이 붕괴하는 시기, 즉 '겨울'을 두 차례 거쳤다. 오늘날 지배적인 접근법인 딥러닝은 수십 년간 소수 입장이었다가, 2012년 단 한 번의 이미지 인식 대회와 2017년 '어텐션'에 관한 논문 하나로 인해 점점 더 큰 신경망을 점점 더 많은 데이터로 훈련시키는 방향으로 학문 전체가 재편되었다.

AI 연구는 이 사이트에서 다루는 직업 중 특이한 위치에 있는데, 연구 대상과 연구 도구가 같은 기술이기 때문이다. 이 분야 자체의 산출물로 만들어진 도구들이 이제 문헌 검토 초안을 작성하고, 실험을 제안하고, 훈련 실행용 코드를 작성하며, 일부 연구소는 연구 과정 자체의 일부를 자동화하려 공공연히 시도하고 있다. 그 압박 속에서 무엇이 살아남고 무엇이 사라지는가가 이 프로필이 안심시키기보다는 솔직하게 답하려는 질문이다. 대부분의 시간은 최근 논문을 읽고, 훈련 코드를 작성하고 디버깅하고, 오래 실행되는 실험 결과를 기다리며 분석하고, 협업자와 발견 사항을 논의하는 데 나뉘어 쓰인다. 대중적 이미지와 달리, 업무의 큰 비중은 새로운 아키텍처를 처음부터 구상하는 것이 아니라 모델의 성능이 왜 부진한지, 왜 결과가 재현되지 않는지를 진단하는 데 있다.

대학이나 최상위 산업 연구소에서 독립적인 연구직을 맡으려면 사실상 그렇다. 자격시험이 존재하지 않으므로 박사 학위가 이 분야의 실질적 자격증 역할을 한다. 박사 학위가 없는 뛰어난 엔지니어들은 산업체 레지던시 프로그램이나 오픈소스 작업과 인용된 프리프린트라는 공개 기록을 통해 점점 더 많이 진입하고 있지만, '연구 과학자' 같은 직함은 여전히 박사 학위 소지자에게 크게 치우쳐 있다. 일부는 명백히 그렇다. 문헌 요약, 상용구 실험 코드, 관련 연구 초안 작성은 이미 일상적으로 AI의 도움을 받고 있으며, 일부 연구소는 스스로 실험을 제안하고 실행하는 시스템을 공공연히 실험하고 있다. 그러나 결과가 실제로 무엇을 의미하는지 해석하고 발표된 주장에 책임을 지는 일은 넘겨주기 훨씬 어려운 것으로 드러났다.