[서울파이낸스 여용준 기자] 삼성전자가 4~5일 이틀간 '삼성 AI 포럼 2024'를 개최하며 글로벌 AI석학들과 AI의 미래에 대해 논의했다.
올해로 8회째를 맞는 '삼성 AI 포럼'은 세계적으로 저명한 AI와 컴퓨터 공학 석학과 전문가들을 초청해 최신 연구 성과를 공유하고 향후 연구 방향을 모색하는 기술 교류의 장이다.
이번 포럼에는 △딥러닝 분야의 세계적 권위자인 요슈아 벤지오 캐나다 몬트리올대 교수 △얀 르쿤 메타 수석 AI 과학자 겸 미국 뉴욕대 교수 △지식 그래프 분야 세계적 권위자인 이안 호록스 영국 옥스퍼드대 교수 등 글로벌 AI 석학들이 기조 강연에 나섰다.
한종희 삼성전자 대표이사 부회장은 개회사를 통해 "AI는 놀라운 속도로 우리의 삶을 변화시키고 있고 더욱 강력해짐에 따라 '어떻게 AI를 더 책임감 있게 사용할 수 있을지'가 갈수록 중요해진다"며 "삼성전자는 보다 효율적이고 지속 가능한 AI생태계를 구축하는데 책임을 다할 것"이라고 밝혔다.
삼성전자 SAIT(Samsung Advanced Institute of Technology)가 주관한 1일차 포럼은 '인공지능과 반도체 기술을 활용한 지속 가능한 혁신 방안 모색(Sustainable Innovation with AI and Semiconductors)'을 주제로 4일 경기도 수원컨벤션센터에서 진행됐다.
벤지오 교수는 ' AI 안전을 위한 베이지안 오라클(Bayesian Oracles for AI Safety)'이라는 주제의 기조 강연에서 보다 안전하고 신뢰성 높은 AI 시스템 구축을 강조했다. '베이지안 오라클'은 고급 통계 모델인 베이지안 방법론을 이용해 정보를 수집·분석하는 역할 및 새로운 정보에 따른 기존 지식 업데이트를 통한 예측력을 향상시키는 역할을 수행한다.
2018년 튜링상 수상자로 세계적인 AI 석학으로 손꼽히는 벤지오 교수는 2017년 제1회부터 삼성 AI 포럼에 꾸준히 참석했으며 2020년부터는 '삼성 AI 프로페서'로 활동하며 삼성전자와 산학협력 등을 진행하고 있다.
벤지오 교수와 함께 2018년 튜링상을 수상한 얀 르쿤 교수는 기조 강연을 통해 현 거대언어모델(LLM)의 수준과 한계를 설명하고 기계가 인간의 지능 수준에 도달하기 위해서는 추가적인 기술 혁신이 필요함을 강조했다.
기술 세션에서는 AMD CTO인 조세프 마크리(Joseph Macri) 부사장이 '어디에나 존재하는 AI'를 주제로 AMD의 AI 솔루션을 소개하고 AI 플랫폼과 협업의 중요성, AMD의 강점 등을 설명했다. 이어 최영상 삼성전자 SAIT 최영상 마스터가 강연자들과 함께 AI 기술 트렌드 및 반도체 AI 방향성을 토의하는 시간을 가졌다.
이날 발표된 '삼성 AI 연구자상'에는 수란 송 미국 스탠퍼드대 교수 등 5명이 선정됐고 수상자들의 현장 강연도 진행됐다. 수란 송 교수는 로보틱스 전반에 AI를 활용한 연구에 집중하고 있으며 3D 모델링의 인식 및 추론 알고리즘 개발에 기여한 점이 높은 평가를 받았다.
삼성리서치가 주관한 2일차 포럼은 '모두의 일상생활을 위한 디바이스 AI'를 주제로 삼성전자 서울R&D캠퍼스에서 진행됐다.
옥스퍼드 시멘틱 테크놀로지스(OST)의 공동 설립자인 영국 옥스퍼드대 이안 호록스 교수는 '지식 그래프를 적용한 개인화 AI 서비스 기술' 이라는 주제로 키노트 발표를 맡았다. 삼성전자는 지난 7월 세계 최고 수준의 '지식 그래프' 원천 기술을 보유하고 있는 OST사를 인수했다. 지식 그래프(Knowledge Graph)는 사람이 지식을 기억 및 회상하는 방식과 유사하게 데이터를 저장해 처리하는 기술을 말한다.
최창규 삼성전자 SAIT AI리서치센터장(부사장)은 '과학을 위한 AI' 주제 발표에서 "AI와 반도체 기술은 우리의 삶을 개선할 뿐 아니라 개발 시간과 비용을 줄이는 등 과학 분야에서도 매우 중요하다"며 "특히 실험 데이터가 부족하거나 물질 합성이 어려운 경우에 AI가 큰 도움이 된다"고 밝혔다.
이해준 삼성리서치 마스터는 거대언어모델의 효율적인 학습을 위해서는 고품질의 데이터, 효율적인 아키텍처, 안정된 훈련 기법 등이 필요하다며, 이를 통해 비용과 성능을 동시에 개선할 수 있음을 설명했다. 또 이전 모델 재사용을 통해 새로운 모델 학습의 효율과 성능을 개선할 수 있고 이런 방법들이 언어 모델 개발에 있어 중요하게 고려해야 할 요소라고 강조했다.
