AI는 무엇을 봐야 했나

AI가 이미지를 이해한다고 말하려면, 먼저 “무엇을 보게 할 것인가”를 정해야 해요.<br>
아이에게 사과를 가르칠 때 사과 한 장만 보여주지 않고, 빨간 사과, 초록 사과, 접시 위 사과를 함께 보여주는 장면을 떠올리면 쉬워요.<br>
컴퓨터 비전은 이렇게 컴퓨터가 이미지 속 대상을 알아보고 해석하게 하는 연구 방향이에요.<br>
AI 학습은 사람이 규칙을 하나하나 써 주는 대신, 데이터에서 패턴을 배우게 하는 방식이고요.<br>
페이페이 리는 스탠퍼드의 컴퓨터과학 교수이자 인간중심 AI 연구소 공동 책임자로 소개되는 과학자예요.<br>
그녀의 연구는 컴퓨터가 이미지를 이해하게 하는 문제와 깊이 연결되어 있어요.<br>
중국에서 태어나 미국으로 이주한 배경도 있지만, 여기서 중요한 출발점은 성공담보다 질문이에요.<br>
AI가 세상을 보려면, 세상을 어떤 기준으로 보여줘야 할까요?<br>

이미지넷은 사진 폴더가 아니었다

사진이 아무리 많아도, 컴퓨터에게는 그 자체로 수업이 되기 어려워요.<br>
책상 위에 사진을 잔뜩 쏟아놓고 “이제 배워 봐”라고 말하는 것과 비슷해요.<br>
무엇이 고양이이고, 무엇이 자동차이며, 서로 어떤 이름으로 비교해야 하는지 기준이 없으면 배움도 흔들려요.<br>
이미지넷은 이 문제를 풀기 위해 워드넷의 개념 체계에 맞춰 이미지를 대규모로 정리하려 한 데이터베이스였어요.<br>
워드넷은 단어와 개념의 관계를 계층처럼 정리한 틀이고, 데이터셋은 학습이나 평가에 쓰려고 정리한 자료 묶음이에요.<br>
그래서 이미지넷의 핵심은 “사진을 많이 모았다”보다 “AI가 세계를 구분해 배우는 공통 언어를 만들었다”에 가까워요.<br>
그리고 이 프로젝트는 페이페이 리 한 사람의 단독 작업이 아니라 여러 연구자가 함께 만든 일이었어요.<br>

공통 시험대가 만든 전환

연구자들이 각자 다른 문제지로 시험을 보면 누가 더 잘했는지 말하기 어려워요.<br>
그래서 중요한 것이 벤치마크예요.<br>
벤치마크는 여러 방법을 같은 기준으로 비교하게 해 주는 공통 시험대라고 볼 수 있어요.<br>
이미지넷은 데이터셋일 뿐 아니라, 이미지넷 대규모 시각 인식 챌린지의 기반이 되며 이런 시험대 역할을 했어요.<br>
2012년 알렉스넷의 성과도 이 무대에서 딥러닝의 가능성을 크게 드러낸 사례였어요.<br>
그러니 이미지넷의 의미는 하나의 모델이나 한 번의 승리보다 넓어요.<br>
더 큰 데이터, 공통 기준, 좋은 모델이 함께 움직일 때 AI 연구가 어떻게 전환될 수 있는지 보여준 중요한 장면이었어요.<br>

성능 다음에 남은 질문

이미지를 잘 맞히는 AI가 생겨도, 그 AI가 누구에게 어떤 영향을 주는지는 따로 물어야 해요.<br>
시험 점수가 높은 도구가 교실 밖에서도 늘 좋은 도구인지는 별개의 문제인 것과 비슷해요.<br>
스탠퍼드 HAI는 AI를 기술 성능만이 아니라 인간과 사회의 문제로 다루려는 연구소로 소개돼요.<br>
페이페이 리의 이후 활동도 AI를 더 잘 작동하게 만드는 질문에서, 인간과 사회 속에서 어떻게 쓰여야 하는지 묻는 방향으로 넓어졌다고 볼 수 있어요.<br>
그녀는 한때 구글 클라우드에서 AI와 머신러닝 최고 과학자로 일하며 산업 현장과도 접점을 가졌고, 에이아이 포 올 공동 창립자로 AI 교육과 참여의 폭을 넓히는 활동에도 관여했어요.<br>
그래서 질문은 “무엇을 만들었나”에서 “그 기술은 누구를 위해 쓰여야 하나”로 이동해요.<br>

그녀를 어떻게 기억할까

유명한 AI 인물을 하나의 업적으로만 기억하면, 그 사람이 남긴 질문은 작아져요.<br>
상자에 이름표 하나만 붙이면 안에 든 물건을 다 본 것처럼 느끼지만, 사실 중요한 것은 그 상자가 어디로 이어졌는지예요.<br>
페이페이 리의 대규모 시각 데이터와 AI 연구 기여는 미국공학한림원 회원 선출 근거로도 제시돼요.<br>
또 그녀는 2023년 회고록에서 이민자로서의 경험과 과학자로서의 길, AI에 대한 생각을 함께 풀어냈어요.<br>
다만 그 책을 이미지넷의 동기를 증명하는 자료처럼 읽을 필요는 없어요.<br>
더 중요한 기억법은 이것이에요.<br>
그녀는 AI에게 더 많은 이미지를 보게 한 연구자로만이 아니라, 그 시각 능력이 인간과 어떤 관계를 맺어야 하는지 묻는 인물로 기억할 수 있어요.<br>

페이페이 리는 유명한 데이터셋의 이름으로만 기억할 인물은 아니에요.
그녀의 중요성은 AI가 이미지를 배우도록 대규모 데이터를 정리한 데서 출발해, 그 기술이 인간과 사회 속에서 어떻게 쓰여야 하는지까지 질문을 넓힌 데 있어요.
이미지넷은 중요한 전환점과 공통 시험대였지만, 딥러닝 발전 전체를 혼자 설명하는 원인은 아니에요.
AI의 역사는 더 강한 모델만의 이야기가 아니라, 무엇을 보게 하고 어떤 기준으로 비교하며 누구를 위해 쓰는지 묻는 이야기이기도 해요.