인공지능뉴스

글로벌 데이터 센터의 전력 수요가 2030년까지 두 배 이상 증가할 것으로 예상되면서, MIT 에너지 이니셔티브(MITEI)는 혁신적인 해결책을 모색하기 위해 연구자들과 업계 전문가들을 모으는 노력을 시작했습니다. MITEI는 데이터 센터 전력 포럼을 통해 AI 확장으로 인한 전력 수요 증가에 대한 도전 과제를 해결할 연구를 지원할 계획입니다. 이 포럼은 전력의 지속 가능한 솔루션을 찾기 위해 MITEI 소속 기업들과 협력하여 문제 해결에 나설 것입니다. 데이터 센터 전력 수요의 증가 데이터 센터는 정보 처리와 저장을 위한 필수 시설로, 현대 사회의 모든 디지털 활동을 지원합니다. 그러나 2023년 미국에서 데이터 센터가 소비한 전력은 전체 전력의 4%에 해당하며, 2030년까지 이 비율이 9%로 증가할 것으로 예상되고 있습니다. 이러한 급격한 증가의 배경에는 인공지능(AI) 기술의 발전이 있습니다. AI는 더 많은 데이터 처리와 분석을 요구하면서, 전력망에 전례 없는 부담을 주고 있습니다. 이는 기술과 에너지 분야뿐만 아니라 일반 소비자에게도 심각한 영향을 미칠 수 있습니다. MITEI는 이런 문제를 해결하기 위해 데이터 센터의 전력 수요와 관련된 연구 프로젝트를 통해 더 효율적이고 깨끗한 에너지를 생산할 방법을 모색하고 있습니다. 데이터 센터 전력 포럼은 이러한 도전 과제를 다루고, 지속 가능한 성장을 위한 해결책을 마련하기 위해 여러 산업의 이해관계자들을 모으는 역할을 합니다. MITEI의 데이터 센터 전력 포럼은 현재 다양한 MIT 부서에서 이루어지고 있는 연구와 연계하여 저탄소 에너지 공급, 전력망 관리, 전기 시장 규제 등을 아우르는 폭넓은 전력 문제 해결을 위해 노력하고 있습니다. 이러한 연구들은 최종적으로 데이터 센터의 에너지 효율성을 제고하고, 전력망의 안정성을 낮추며, 지속 가능한 에너지 솔루션을 찾기 위한 기반이 될 것입니다. 혁신적인 해결책 모색 MITEI의 데이터 센터 전력 포럼은 다양한 접근 방식을 통해 데이터 센...

MIT-IBM Watson AI Lab 여름 프로그램의 첫 학생들 5명이 AI의 유용성과 배포를 증진하기 위한 다양한 연구에 매진하고 있습니다. 이들은 신뢰성 있는 모델을 만드는 데 집중하며, AI의 안전성, 추론 효율성, 다중 모달 데이터 및 지식 기반 추론 분야에서 작업을 수행하고 있습니다. 이러한 연구의 결과는 AI 시스템의 신뢰성과 효율성을 높여 실제 기업 및 과학 응용 분야에서의 활용 가능성을 넓히고 있습니다. AI 신뢰성 향상: 내부 구조를 활용한 모델 해석 AI 모델의 신뢰성을 향상시키기 위한 연구는 매우 중요합니다. MIT 수학 대학원생 안드레이 브리우킨(Andrey Bryutkin)은 이러한 신뢰성을 강화하기 위해 문제 내의 내부 구조를 사이언스하여 더 안정적인 솔루션을 연구하고 있습니다. 그는 시스템을 지배하는 방정식과 보존 법칙을 찾아내어 이를 활용할 수 있는 방법을 탐구하고 있습니다. 브리우킨은 IBM의 베로니카 토스트와 MIT의 마르제흐 가세미 교수와 협력하여 대규모 학습 모델(LLM)의 행동을 상세히 조사했습니다. 이들은 클래식한 소규모 피드포워드 신경망인 프로브를 활용하여 LLM의 신뢰할 수 없는 답변을 구별하는 방법을 개발했습니다. 이런 검증 체계는 안전한/위험한 프롬프트와 질문-답변 작업을 통해 프로브의 신뢰성을 측정하고, 데이터의 예측이 어려운 분야를 식별하는 데 큰 도움이 됩니다. 이렇게 정교해진 프로브는 AI 시스템의 신뢰성을 높이는 핵심 요소로, IBM의 그라나이트 가디언 모델과 같은 중요한 데이터 응용에 특히 중요합니다. 효율성 증대: 모델의 계산 자원 낭비 최소화 효율성은 AI 모델의 성능을 극대화하는 데 필수적입니다. MIT EECS 대학원생 송린(Yang)은 긴 입력 텍스트 처리와 시퀀스의 실시간 변화를 다루면서 모델의 응답의 시기와 완전성을 중요시합니다. 그는 LLM의 구조적 한계를 극복하고 다음 세대 언어 모델 아키텍처를 연구하고 있습니다. 송린은 Rameswar Panda와...

최근 MIT 컴퓨터 과학 및 인공지능 연구소(CSAIL)는 소프트웨어 개발 방식을 혁신적으로 변화시킬 새로운 모듈화 접근 방식을 제안했습니다. 이 새로운 방법은 시스템을 '개념'과 '동기화'라는 두 가지 주요 요소로 나누어 소프트웨어의 투명성과 이해도를 높이는 것을 목표로 하고 있습니다. 이를 통해 코드의 복잡성을 줄이고, AI 도구가 더 안전하게 소프트웨어를 생성할 수 있도록 지원합니다. 소프트웨어의 개념화 최근 소프트웨어 개발에서 가장 큰 문제 중 하나는 기능의 '조각화'입니다. 많은 경우, 하나의 기능이 코드의 여러 부분에 흩어져 있으며, 이를 이해하기 위해서는 여러 파일과 서비스에서 정보를 찾아봐야 합니다. MIT CSAIL의 연구팀은 이러한 문제를 해결하기 위해 '개념'이라는 단위를 도입했습니다. 각 개념은 특정한 기능, 예를 들어 좋아요, 공유, 댓글 등을 포함하며, 이 기능을 수행하기 위한 상태와 동작을 Bundled(묶어) 관리합니다. 이러한 개념화는 소프트웨어를 더 관리하기 쉽게 만들며, LLM(대형 언어 모델)과 같은 도구가 코드를 보다 쉽게 생성할 수 있도록 합니다. 연구팀은 이 개념들을 사용하여 실제 사례 연구를 수행하였으며, 그 결과 기능이 명확하게 정리된 모습으로 나타났습니다. 이제 개발자들은 여러 서비스에서 흩어져 있는 기능을 한 곳에서 찾고 이해할 수 있으며, 유지보수와 업데이트 또한 훨씬 간단해집니다. 개념화는 개발 단계에서부터 소프트웨어의 구조를 명확히 하고, 각 개념이 어떤 동작을 수행할 수 있는지 시각적으로 표현합니다. 이 덕분에 프로그래머들은 더 이상 복잡하고 난해한 저수준의 코드를 찾아 헤맬 필요가 없어집니다. 대신, 각 개념의 기능을 명확히 파악하고 그에 따라 동작을 설계할 수 있는 기회를 제공합니다. 이런 방식은 단순히 효율성을 높이는 것뿐만 아니라, 소프트웨어를 더 이해하기 쉽게 만들어 사용자에게도 이점이 됩니다. 명확한 동기화 규칙 모...

MIT 연구자들이 개발한 새로운 인공지능 기반 시스템은 로봇이 파손된 광산에서 빠르게 3D 지도를 생성하고 실시간으로 자신의 위치를 정확히 파악할 수 있게 해줍니다. 기존의 복잡한 최적화 기법과 최신 인공지능 비전 모델의 장점을 결합한 이 시스템은 작은 하위 지도를 연결해 전체 3D 지도를 구성하며, 빠르고 정확한 결과를 제공합니다. 이러한 혁신적인 기술은 재난 구조 로봇을 비롯해 가상 현실 기기와 산업 로봇에게도 큰 도움이 될 것입니다. 빠른 3D 지도 생성의 필요성 현대의 로봇 기술은 단순한 작업을 넘어 점점 더 복잡한 과제를 수행해야 합니다. 그중에서도 실시간으로 자신의 위치를 알아내고 주변 환경을 정확히 인식하는 것은 로봇의 중요한 기능입니다. 이를 가능하게 하는 과정이 바로 동시 위치 확인 및 지도 제작(SLAM)입니다. 기존의 방법은 많은 경우 복잡한 환경에서 실패하거나 미리 카메라를 보정해야 하므로 실제 적용에는 한계가 있었습니다. 일반적인 머신 러닝 모델도 최대 60장 정도의 이미지만 처리할 수 있어 수천 장의 이미지를 다뤄야 하는 실전 상황에서는 실용성이 떨어집니다. MIT 연구팀은 이러한 문제를 해결하기 위해 새로운 시스템을 개발하였습니다. 이 시스템은 복잡한 장면을 작은 하위 지도(submap)로 나누어 처리하고, 이를 빠르게 연결하여 전체 3D 지도를 생성하는 방식으로 작동합니다. 이렇게 하면 빠른 이동 도중에도 로봇이 효율적으로 이미지를 처리할 수 있게 됩니다. 하위 지도의 연결과 정렬 연구자들은 하위 지도의 생성이 보다 정교해야 한다는 사실을 인식했습니다. conventional한 SLAM 방식에서는 각 하위 지도가 단순히 회전과 이동을 통해 정렬되는 형식이었지만, 현대의 머신러닝 모델은 이러한 변형에 의해 더 복잡한 정렬 문제를 야기할 수 있습니다. 예를 들어, 방의 한 쪽 벽의 3D 하위 지도가 약간 휘어 있거나 늘어질 수 있으며, 단순한 회전이나 이동으로는 이를 정렬할 수 없습니다. 그렇기 때문에 연구팀...

세대가 바뀌고 기술이 빠르게 발전함에 따라 교육 현장에서 인공지능(AI)의 통합이 중요한 이슈로 떠올랐습니다. MIT의 저스틴 라이히 교수는 교육자들이 AI에 대한 정책과 지침을 마련하는 데 도움을 주기 위해 새로운 가이드북을 발간했습니다. 이 가이드북은 K-12 교육자, 학생, 학교 관리자, 정책 입안자들이 AI 도입에 대한 경험과 자원을 공유하고 논의할 수 있도록 지원하고자 합니다. AI 도입을 위한 겸손한 접근 저스틴 라이히 교수는 AI가 학교에 미치는 영향을 분석하는 데 있어 겸손한 자세를 강조합니다. 그는 많은 교육자들이 AI 도구를 활용하여 흥미로운 방법으로 수업을 진행하고 있다고 언급하며, 이러한 방법들이 시간이 지나면서 안정적인지를 평가할 필요가 있다고 말합니다. 때문에 가이드북은 단순한 지침이 아니라, AI가 학교에 어떻게 활용될 수 있는지에 대한 다양한 경험과 사례를 공유하는 플랫폼을 제공합니다. 라이히 교수는 혼란스러운 환경 속에서도 교육자들이 AI를 통해 수업의 질을 높일 수 있기를 희망하고 있습니다. 하지만 가이드북이 명확한 답을 제공하지 않으며, 오히려 생각의 단초를 제공하고 논의를 촉발하는 역할을 하는 것이 중요하다고 강조합니다. AI 도구의 교실 내 활용 사례를 통해 교육자들이 어떤 문제에 직면하고 있는지를 파악하고, 이를 해결하기 위한 다양한 접근 방법을 고민하도록 합니다. 이 과정에서 교육자들은 AI 기술을 수업에 통합할 때의 장단점을 깊이 있게 반성할 수 있습니다. 학생 학습 손실과 AI의 관계 AI 시대에 접어들면서 학생들의 학습 손실이 어떻게 나타나는지도 중요한 주제로 떠오르고 있습니다. 라이히 교수는 AI가 학생들의 사고 과정을 우회하도록 만들고, 그로 인해 학습의 본질적인 부분이 사라질 수 있음을 지적합니다. 수업 과정에서 제공하면 좋았던 다양한 콘텐츠와 맥락이 AI의 도움으로 생략될 경우, 이는 심각한 문제로 이어질 수 있습니다. 가이드북은 이러한 우려를 반영하여 교육자들에게 AI가 야기할 수 있는 학습 손...

오리건 주립대학교의 최근 연구에 따르면 3,500종 이상의 동물들이 서식지 변화, 자연 자원 남용 및 기후 변화 등의 요인으로 멸종 위기에 처해있다고 합니다. MIT의 컴퓨터 과학 및 인공지능 연구소(CSAIL) 연구원인 저스틴 케이 박사는 AI 기술을 통해 동물 개체수를 모니터링하는 알고리즘을 개발하고 있습니다. 이러한 시도는 우리가 생물 다양성을 보호하고 위협받는 생태계를 이해하는 데 큰 도움이 될 것입니다. AI 기술과 데이터 분석의 혁신 AI를 통한 데이터 분석의 방식이 혁신적으로 변화하고 있습니다. 과거에는 특정 데이터셋에 맞도록 모델을 훈련시키는 과정이 필요했습니다. 이는 많은 시간과 노력이 소요되는 과정으로, 대표적인 훈련 데이터셋을 수집하고 주석을 달며, 여러 번의 훈련과 검증을 반복해야 했습니다. 하지만 최근에는 다수의 공개된 프리트레인(pre-trained) 모델이 제공되고 있어, 연구자들이 직접 모델을 개발하지 않고도 필요한 기능을 갖춘 모델을 다운로드하여 데이터 분석에 활용할 수 있게 되었습니다. 하지만 이러한 변화는 또 다른 도전 과제를 안겨줍니다. 그중 하나가 수백만 개의 모델 중에서 어떤 모델이 최적일지를 결정하는 것입니다. 저스틴 케이가 개발한 “Consensus-driven Active Model Selection (CODA)”는 이런 상황에서 사용자들이 가장 적합한 AI 모델을 선택하는 데 도움을 줍니다. 전통적인 모델 선택 방식은 검증 데이터셋을 대량으로 수집하고 주석을 달아야 했던 반면, CODA는 활용 측면에서 보다 능동적인 접근 방식을 채택합니다. 사용자가 직접 가장 정보가 많은 데이터 지점을 주석 달도록 유도하여, 25개 정도의 예시만으로도 최적의 모델을 찾아낼 수 있습니다. 이는 특히 주목할 만한 혁신입니다. CODA는 데이터 분석 과정에서 인간의 노력을 보다 가치 있게 사용할 수 있는 방법을 제시합니다. AI 모델들이 널리 사용되는 현재, 모델의 성능 평가는 무시할 수 없는 요소입니다. CODA를 통해 연...