인공지능뉴스

MIT Jameel Clinic에서 주최한 볼츠젠 세미나가 300명 이상의 참석자들로 북적였습니다. 이 행사에서는 MIT 박사 과정의 한네스 스탁이 볼츠젠을 소개하며, 단백질 결합 친화도를 예측하는 최초의 모델로서의 혁신을 알렸습니다. 볼츠젠은 신약 발견 파이프라인에 진입할 수 있는 새로운 단백질 결합제를 생성하는 모델로, 바이오 의약 분야의 혁신을 이끌어가고 있습니다. 볼츠젠의 혁신적 접근 볼츠젠은 단순한 구조 예측을 넘어 단백질 디자인과 구조 예측을 통합하는 혁신적인 모델입니다. 이 모델의 첫 번째 혁신은 다양한 작업을 수행할 수 있는 역량입니다. 기존 모델들은 특정한 작업에만 집중하거나, 주어진 데이터를 기반으로 쉽게 설정된 목표에 대한 단백질만 생성하는 데 그쳤습니다. 이에 반해 볼츠젠은 구조 및 디자인을 동시에 고려하여 더 나아간 성능을 보여줍니다. 두 번째 혁신은 볼츠젠이 내장한 제약 조건에 있습니다. 이 조건들은 실험실 협력자들의 피드백을 바탕으로 설계되어, 생성되는 단백질이 물리학 및 화학의 법칙을 위반하지 않도록 합니다. 이는 단백질 디자인의 응용 가능성을 극대화하며 실험실에서 실제로 기능할 수 있는 단백질을 만들어내도록 도와줍니다. 마지막으로, 볼츠젠은 '어드러그어블' 질병 타겟에 대한 철저한 평가 과정을 거칩니다. 26개의 다양한 타겟에 대한 테스트를 통해 그 성능을 검증하며, 이는 단백질 결합제 생성 능력의 한계를 시험하는 데 기여합니다. 이러한 혁신들을 통해 볼츠젠은 생명공학 및 제약 산업에서 혁신적인 drug discovery의 가능성을 더욱 확대합니다. 단백질 약물 디자인의 진화 단백질 약물 디자인의 미래는 볼츠젠과 같은 모델들의 발전에 의해 새로운 국면을 맞이하고 있습니다. 기존의 방법들은 종종 단순한 문제에만 제대로 작동하며, 난이도가 높은 타겟에 대해서는 실망스러운 성과를 보였습니다. 반면 볼츠젠은 일반 모델로서 더 많은 임무를 수행할 수 있으며, 이는 단순히 작업의 다양성을 넘어서 개별 작업의 ...

인공지능(AI)과 청정 에너지 전환 간의 관계는 현재 에너지 산업 전반에 걸쳐 활발히 논의되고 있다. 데이터 센터의 폭발적인 전력 수요가 전력망에 미치는 우려가 있는 반면, AI는 에너지 소비를 줄이고 청정 에너지 전환을 가속화하는 데 중요한 역할을 하고 있다. MIT의 연구자들은 AI를 활용하여 전력망 운영의 효율성을 높이고 소프트웨어 솔루션을 통해 하나의 전력 시스템으로 통합할 수 있는 방법을 모색하고 있다. AI를 통한 전력망의 효율성 제고 AI는 전력망이 지속적으로 신뢰성을 유지할 수 있도록 돕는다. 전통적으로 전력망은 대규모 발전소에서 고정된 전력을 공급받았다. 그러나, 오늘날 에너지 수요와 공급은 점점 더 복잡해지고 있으며, 소규모의 간헐적인 재생에너지 공급원이 증가함에 따라 전력망의 안정성을 유지하는 것이 더욱 어려워졌다. 이와 같은 상황에서 AI 알고리즘은 정보 관리의 복잡성을 해결하는 데 도움을 줄 수 있다. 예를 들어, AI는 몇 시간 내에 어떤 발전소가 가동되어야 하는지를 예측하는 데 도움을 주며, 이는 전력망의 주파수와 전압을 안정적으로 유지하는 데 중요한 역할을 한다. 또한, AI는 전력 이용 패턴을 실시간으로 분석하여 사용자가 피크 시간대에는 전력을 덜 사용하고 여유가 있는 시간대에는 전력을 더 사용할 수 있도록 유도하는 기능을 제공한다. 더 나아가 AI는 "예측 유지보수"를 통해 필요한 시점에 장비의 이상 여부를 조기에 파악할 수 있다. AI 알고리즘은 정규 운전 중의 성능 데이터를 수집하고, 비정상적인 신호를 감지했을 때 운영자에게 경고하여 시스템의 성능 저하를 방지한다. 이러한 방식은 전력망의 가용성을 높이고, 고객의 전력 공급 신뢰성을 유지하는 데 기여한다. AI 사용을 통한 미래 인프라 투자 계획 향후 전력망의 신뢰성을 보장하기 위해서는 전력 생산, 전송 및 저장의 인프라를 확장하는 것이 필수적이다. 그러나 이러한 투자는 여러 해가 걸릴 수 있으며, 따라서 미래에 필요한 인프라를 예측하는 ...

최근 대규모 언어 모델(LLMs)인 추론 모델들이 복잡한 문제 해결 능력에서 크게 향상되었습니다. MIT의 맥고번 연구소 연구진은 이 모델들이 인간과 유사한 사고 과정으로 문제를 처리할 수 있다는 사실을 발견했습니다. 이러한 연구 결과는 인공지능이 점차 인간의 사고 방식에 근접하고 있음을示합니다. 인공지능의 사고 과정: 단계적 문제 해결 인공지능이 문제를 해결하는 과정은 이제 단순한 언어 패턴 인식을 넘어섰습니다. 새로운 추론 모델들은 단계적으로 복잡한 문제를 해결하는 시스템으로 발전했습니다. 이 과정에서 모델은 문제를 여러 부분으로 나누어 각각을 처리함으로써 정확한 해결책에 도달할 수 있습니다. 이러한 비용-사고(cognitive cost) 접근 방식은 인간의 문제 해결 방식과 유사하다는 것이 연구 결과에서 강조되었습니다. 연구진은 이 모델들이 올바른 답을 찾기 위해 어떻게 문제를 세분화하는지를 분석했습니다. 예를 들어, 어떤 문제를 풀 때 모델은 먼저 기초적인 정보부터 시작하여 점차 해결을 위해 필요한 복잡한 요소로 진행합니다. 이러한 단계적 접근 방식은 인간이 문제를 해결할 때 사용하는 생각의 흐름과 매우 흡사합니다. 인간 또한 어려운 문제를 풀기 위해 각 단계에서 생각을 정리하고 연관된 요소를 고려하는 경향이 있기 때문입니다. 또한, 이러한 인공지능 모델은 강화 학습(reinforcement learning) 기법을 통해 훈련됩니다. 이 과정에서 모델은 올바른 답을 도출할 때마다 보상을 받고, 틀린 답을 도출하면 처벌을 받습니다. 이러한 기법은 모델이 스스로 문제 공간을 탐구하게 하고, 긍정적인 결과로 이어진 행동을 강화하여 결과적으로 더 나은 답변을 제공하게 합니다. 즉, 인간이 과제를 수행하며 경험에서 배우는 방식과 유사한 방식으로 학습하는 것입니다. 인간과의 유사성: 시간과 노력 측정 인공지능의 사고 과정이 인간의 사고와 유사하다는 연구 결과는 단순히 결과물에서 그치는 것이 아닙니다. 연구진은 인간과 모델 모두에게 유사한 문...

컴퓨터 지원 설계(CAD)는 현대 물리 제품 디자인의 필수 방법으로 자리 잡고 있다. MIT의 연구진은 2D 스케치를 기반으로 3D 모델을 자동으로 생성하는 AI 모델을 개발하여 CAD 소프트웨어의 복잡한 학습 곡선을 완화하고자 한다. 그들은 새로운 데이터 세트인 VideoCAD를 통해 사용자가 CAD를 보다 쉽게 쓸 수 있도록 도와주는 AI 도구인 'CAD 공동비행기'를 구상하고 있다. MIT의 CAD 혁신: AI 모델의 정교한 학습 방식 MIT 엔지니어들은 복잡한 CAD 소프트웨어를 학습하는 데 어려움을 겪는 엔지니어들의 고민을 덜기 위해 AI 모델을 개발하였다. 이 AI 모델은 기존의 2D 스케치를 입력받아 클릭, 드래그, 선택 등의 방식으로 3D 모델을 만들 수 있도록 프로그래밍되어 있다. 이를 위해 연구팀은 41,000개 이상의 CAD 객체 제작 과정을 담은 비디오 데이터 세트인 VideoCAD를 개발했다. 이 데이터 세트는 CAD 소프트웨어 내에서의 각 동작을 이해하는 데 도움을 주어 AI가 사람처럼 소프트웨어를 사용할 수 있도록 돕는다. 이러한 AI 모델의 가장 큰 장점은 CAD의 복잡한 기능을 이해하고 실행할 수 있다는 점이다. 단순히 고급 설계 명령에만 의존하지 않고, 사용자가 소프트웨어에서 어떤 클릭과 드래그를 해야 하는지를 상세히 알고 작동한다. 예를 들어, 특정 픽셀 위치에서 클릭한 후 선을 그리는 과정을 실시간으로 모사하는 방식이다. 이러한 정교한 학습 방식을 통해 AI는 사용자가 CAD를 사용하듯이 조작할 수 있게 된다. 결국, MIT의 다재다능한 AI 모델은 CAD 소프트웨어의 전통적인 사용 방식을 혁신하고, 더 많은 사용자들이 손쉽게 3D 모델을 제작할 수 있는 기반을 마련해준다. 이는 엔지니어들이 생산성을 높일 수 있는 새로운 기회를 제공하며, CAD 소프트웨어의 접근성을 크게 향상시킨다고 할 수 있다. VideoCAD: 사용자의 창의력을 이끌어내는 데이터 세트 VideoCAD 데이터 세트는 A...

최근 MIT에서 열린 에너지 혁신 회의에서는 기후 변화에 대한 책임있는 접근과 신뢰할 수 있는 에너지 솔루션을 모색하는 자리가 마련되었습니다. 이 회의에는 학계, 산업계 및 정부 관계자들이 모여 emergent energy challenges와 지속 가능한 에너지 미래를 위한 논의가 이어졌습니다. 에너지 전환에 대한 진전은 협력을 통해 이루어질 것이며, 이를 위해 연구 및 개발이 필수적임을 강조했습니다. MIT 에너지 혁신 회의: 파트너십의 필요성 이번 MIT 에너지 혁신 회의에서는 기후 변화에 대응하기 위한 다종의 전략과 기술들이 논의되었습니다. 회의의 핵심 주제인 파트너십의 중요성이 여러 연사들의 발언에서 강조되었습니다. 특히, Desirée Plata 교수는 "우리는 정말 중요한 변화에 대해 이야기하고 있으며, 여러분이 그 과정에 참여해주길 원합니다"라고 말하며, 참가자들에게 적극적인 참여를 촉구했습니다. Giacomo Silvestri의 말처럼, 혁신이란 타인과의 협력을 통해 성장해야 하며, 지식과 자원의 공유가 필요하다는 점을 여러 전문가들이 확인했습니다. 회의의 결과, 에너지 전환은 단순한 기술의 발전을 넘어 신뢰할 수 있는 정책과 인프라의 지원이 필요하다는 결론에 도달했습니다. 아나리사 무치올리와 같은 전문가들의 말에 따르면, 에너지 전환은 성숙한 솔루션과 혁신 기술의 결합을 통해 달성해야 할 목표입니다. 따라서, MIT는 이러한 방향성을 토대로 여러 연구 프로젝트를 추진해야 할 필요성이 대두되었습니다. 특히 전 세계적으로 저탄소 에너지 미래를 위해 필수적인 연구가 진행되어야 하며, 이는 협력을 기초로 한 새로운 기술 개발에 크게 의존할 것입니다. 기후 변화 대응: 전력망의 안정성과 회복력 회의에서는 전력망의 회복력이 기후 변화에 대응하는 데 필수적이라는 주제가 중점적으로 다루어졌습니다. 현대 사회에서 전력망은 기후 변화, 사이버 위협, 그리고 재생 가능 에너지원의 통합 등 여러 도전에 직면해 있습니다. Pabl...

인공지능이 인간 지능을 이해하는 데 큰 기여를 하고 있는 시대에 우리는 과연 어떤 교훈을 얻을 수 있을까요? 필립 이솔라 교수는 이러한 질문에 대해 깊이 탐구하며, 인간 지능을 보다 정밀하게 이해하기 위해 인공지능 시스템의 메커니즘을 연구하고 있습니다. 그의 연구는 컴퓨터 비전과 머신러닝을 중심으로 하여, AI 모델에서 지능이 어떻게 펼쳐지는지를 탐색하는 데 초점을 맞추고 있습니다. AI 모델에서 발견되는 공통점 인간 지능을 이해하기 위한 방법으로, 이솔라 교수는 AI 모델이 지식을 어떻게 습득하는지를 분석합니다. 특히 그는 AI와 인간 간의 공통점을 찾고 있으며, 모든 지능이 공유하는 fundamental mechanisms에 대해 탐구하고 있습니다. 이 과정에서 이솔라 교수는 다양한 AI 모델, 예를 들어 대형 언어 모델(LLM), 컴퓨터 비전 모델, 오디오 모델 등이 어떻게 유사하게 세계를 표현하는지를 발견했습니다. 이러한 모델들은 명확히 다른 작업에 설계되었지만, 그 구조와 학습 방식에서는 많은 공통점이 존재합니다. 이솔라 교수는 "Platonic Representation Hypothesis"를 제시하면서 이러한 모델들이 결국에는 현실의 기본적인 표현으로 수렴할 것이라고 주장합니다. 이는 인간의 인지 방식과 AI의 학습 방식 사이의 연결고리를 보여줍니다. AI 모델이 각기 다른 데이터 유형을 다루며 거기에 대한 학습을 통해 공통의 세계 모델을 형성하는 모습을 연구하는 것은, 인간의 인지 과정을 이해하는 데 중요한 정보가 될 것입니다. 자기 감독 학습의 중요성 또한, 자기 감독 학습은 AI가 스스로 관련된 정보를 그룹화하는 방법을 학습하는 과정을 강조합니다. 이솔라 교수는 데이터의 라벨링이 제한되어 있는 현실에서 AI 모델이 효율적으로 세상을 표현할 수 있는 방법을 모색하고 있습니다. 자기 감독 학습을 이용하면 AI 시스템은 더욱 강력한 문제 해결 능력을 갖출 수 있습니다. 이는 특히 데이터를 수집하는 데 드는 비용이 ...