Deep learning 기반의 AI 에 대해서 기술적 평가를 내린 게시글이 있는데,


AI 에 대해서는 표현/지시의 Embeding 을 의미단위에 대해서 Generation 할 객체와 대응시켜서 파라미터의 분량을 일정한 Mapping 의 가짓수 이상으로 높힘으로써,


그것에 대해 Mapping 모순도를 함께 설계한다면, 적당히 의미가 있는 많은 가짓수의 Item 을


객체로 커맨드만을 사용해서 Copy 시키는 것이 가능하다고 밝혀놓기도함. 


ㅇㅅㅇ..




그렇지만 이러한 접근법에 대해서는 Mapping 의 가짓수를 분량적인 충분함으로 끌어올리는 것으로 시간집약적으로 AI 를 만들어내는 방식이 됨. 




그래서, 이것에 대해서 신뢰할 수 있는 AI 에 대한 접근법도 중요함으로, 생각을 해본 것이 몇몇의 방법이 있음.


ㅇㅅㅇ.. 




이성을 가진 인간에게 하나의 Quiz 를 내는데 그것이 객체를 알려주지를 않고 and-or-not 으로 X 의 객체가 어떠한 특징들을 가지고 있는 지 설명을 추가해주는 상황을 생각한다면, 


그것에 대해서는 다양한 가지각색의 힌트가 주어질 수가 있는데, 


이런 방식에서는 하나의 규칙이 있어서,


(1) 단순 논리적으로 특징이 서로 같이 있을 수가 없는 종류.


(2) 특징의 and-or-not 에 대해서 그것이 특징이 양립한다면 일반적으로 개체종류가 있을 수 없는 종류.


(3) 가지고 있는 특징이 and-or-not 이 될때, 양립한다면 모순이 되는 종류. 


이러한 세 가지로 실재에 대해서 가능한 개체가 Test 될 수가 있음.




그리고 개체에 대해서는 지시적으로 단순한 반복성의 표시지정이 의미에 대해서 가능해서 많은 것에 대해서 이것의 and-or-not 으로 개체를 의미적으로 설명에 대해서 


Compile 이 가능하다는 것은 위의 (1)/(2)/(3) 에 대해서 적어도 정보에 대해서는 모순이 없는 것이 Variation 한다는 것을 생각해본다면 사실 그러함.


ㅇㅅㅇ.. 


그렇다면 이러함으로 부터 and-or-not 의 Compiler 를 Deep learnig 에 대해서 설계만 해놓는다면,


많은 개체에 대해서 저수준으로 and-or-not 의 표시지정의 특징으로 List 으로 환원해서 상당한 정밀도로 학습을 할 수가 있음. 




AI 는 사용하기에 신뢰가 어렵다는 견해가 지배적인데, 본문과 같은 그러한 기초적 Compiler 가 있다면, 저수준의 단위에서 개체의 Format 에 대한


표시지정의 Detection 에 대해서 생각해볼 때 이를 모두 거친다면 신뢰를 할 수가 있을 것이라고 봄. 




그렇지만 앞서의 규칙에 대해서 AI 의 환각(할루시네이션) 이 문제가 될 수가 있는데 이 부분만 해결이 된다면 AI 는 믿을 수 있는 존재가 100% 인데, 


이것에 대해서도 AI 에 의한 지식이 아니라 전문성의 집단이 요청이 된다면, 


(1)/(2)/(3) 에 대해서 교정 프롬프트가 지시적으로 설계될 수 있고 이는 의미론에 대해서 Variation 이 모두 가능한 것이라는 것을 알 수 있음.


ㅇㅅㅇ.. 




미래에는 AI 에 의해서 많은 것이 사람을 대체할 수 있을 것으로 보고있는 편인데, 이에 대한 논리가 대중적으로 완벽하지 않은 것이 있어서, 


저수준 Format 으로의 Generation 에 대한 Compiler 를 설계하는 것과 환각증상에 대해서 and-or-not 의 개체에 대한 존재문법을 설계를 할 수가 있으니까,


미래에는 AI 가 실제로 인간을 대체하는 것이 사회적으로 가능할 것으로 봄. 


ㅇㅅㅇ!