by 이 논문은 최근 발전하고 있는 인공지능, 특히 딥러닝이 경제와 R&D에 미치는 영향을 새로운 시각으로 설명해 주는 논문이다. 이 논문은 2017년 9월 미국 경제학회(NBER)가 주최한 인공지능의 경제학(The Economics of Artificial Intelligence)이라는 세미나에서 발표한 논문들 가운데 하나이다. 이 세미나에서는 오늘 소개하려는 논문 이외에 다양한 논문이 발표되었으며, 그 논문들은 http://papers.nber.org/books/agra-1에서 볼 수 있다. 발표 동영상과 PPT는 https://www.economicsofai.com/nber-conference-toronto-2017/에서 볼 수 있다. 이 논문들은 인공지능의 경제학(The Economics of Artificial Intelligence)이라는 이름의 책으로 발행될 예정이다.
내용
딥러닝은 방대한 훈련 데이터를 가지고, 스스로 규칙을 찾아내고 예측을 할 수 있는 알고리즘이다. 이러한 딥러닝은 재화와 서비스의 품질을 개선하고, 업무를 자동화하여 생산의 효율성을 높일 것이다. 나아가 저자들은 딥러닝이 R&D의 효율성을 크게 높일 수 있을 것으로 보고 있다. 저자들은 딥러닝이 산업 전반에서 사용되는 기술이라는 점에서 일반목적기술(GPT: general purpose technology)에 해당될 뿐 아니라, R&D의 새로운 방법을 제공해준다는 의미에서 발명방법의 발명(IMI: invention of a method of invention)에 해당한다고 보고 있다. 일반목적기술은 증기기관이나 전기와 같이 광범위한 영역에서 사용되면서 경제 전체의 생산성을 끌어올리는 역할을 하는 기술을 의미한다. 발명방법의 발명은 렌즈, 잡종교배와 같이 R&D의 방법론에 혁신을 일으키는 기술을 의미한다. 사람들이 딥러닝이 일반목적 기술이라고 지적하고 있지만, 발명방법의 발명에 해당한다는 점도 중요하다는 것이다. 예를 들어 Atomwise라는 벤처는 딥러닝을 이용하여 신약 후보를 탐색하고 있다. 앞으로는 딥러닝을 이용한 R&D가 더욱 늘어나게 될 것이다.
저자들은 인공지능의 동향을 논문 제공업체인 톰슨 로이터와 미국 특허청의 자료를 이용하여 2009년 이후 딥러닝이 부상하고 있음을 보여주고 있다. 이러한 발전 추세를 보면, 앞으로 딥러닝이 많은 과학기술 영역에서 응용되어 R&D의 성과 자체가 높아질 것으로 예상된다. 또한 생산과정에서도 딥러닝이 이용되어 생산 과정에서의 효율성도 개선될 것으로 기대하고 있다.
딥러닝은 과학기술 그 자체에도 직접적인 영향을 줄 것이다. 전통적으로 R&D는 노동집약적이었는데, 딥러닝이 때문에 R&D에서 자본이 노동을 대체하게 될 것이다. 또한 과거보다는 인과관계의 중요성이 감소할 수도 있다. 전통적으로 과학은 인과관계를 가진 소수의 요인들을 찾아내는 것이 중요했다. 그런데 딥러닝이 인과관계는 정확하게 파악하지 못하더라도 뛰어난 예측력을 가지고 성과를 낸다면, 과학에서 인과관계의 중요성이 감소할 수도 있다.
딥러닝의 발전은 경쟁정책에도 영향을 줄 것이며, 경쟁을 촉진하기 위해 데이터의 투명성과 공유가 필요할 수 있다고 지적하고 있다. 특정 영역에서 딥러닝의 성능은 방대한 훈련 데이터(training data)가 중요한데, 이러한 데이터를 선점하면 시장지배적 사업자가 될 수 있다. 일단 시장지배적 사업자가 존재하면, 뛰어난 알고리즘을 가진 사업자들이 나중에 진입하려고 해도 데이터가 부족하면 진입하기 힘들 수 있다. 따라서 사업자들간의 경쟁을 촉진하기 위해서는 데이터들의 투명성과 공유를 촉진할 필요가 있는 것이다.
생각할 점
이 논문은 인공지능이 R&D에 미치는 영향에 주목을 하고 있다. 실제로 최근 생물학, 물리학, 화학 등 광범위한 분야에서 인공지능을 이용한 자연과학 논문들이 늘어나고 있다. 딥러닝이 R&D의 생산성을 높여준다면 경제 전체의 생산성이 빠르게 개선될 것이다.
다만 몇 가지 생각해 볼 주제들은 있다. 먼저 딥러닝의 발전으로 정확한 예측이 중요해지고 인과관계의 연구가 감소할 수도 있다고 보는데, 꼭 그런 것만은 아니다. 과학사를 돌이켜 보면, 새로운 과학적 성취 이후에 이론적 모형이 발전하는 경우도 많다. 딥러닝도 아직 인과관계를 밝혀내는데 취약하여 블랙박스라는 지적도 받고 있지만, 앞으로 알고리즘이 개선된다면 인과관계도 파악할 수 있게 될 수 있다. 실제로 최근 인과관계를 찾아내는 딥러닝 알고리즘도 개발하고 있다.
다음으로 저자들은 시장지배적 인공지능 기업을 우려하고 있다. 즉, 인공지능에서는 방대한 데이터가 중요하기 때문에, 데이터를 선점한다면 시장지배적 사업자가 될 수 있다고 보는 것이다. 그러나 이러한 부작용은 기술의 발전에 따라 어느 정도 완화될 수도 있다. 특히 적은 데이터만으로도 예측력을 높이는 GAN(generative adversarial network)등 다양한 알고리즘도 개발되고 있다. 앞으로 딥러닝이 크게 발전한다면 one-shot learning에 가깝게 발전하여 데이터가 적게 필요할 수도 있다. 따라서 방대한 데이터의 선점을 통한 시장지배적 사업자의 등장을 막기 위해 데이터의 공유와 같은 정책을 추진할 필요가 있는지는 기술의 발전에 따라 신중하게 검토해야 할 것이다.
출처: Iain Cockburn, Rebecca Henderson, Scott Stern, The Impact of Artificial Intelligence on Innovation, NBER working paper, 2017.
http://papers.nber.org/books/agra-1
