우리는 3차원 공간에 존재합니다.
이 공간 안에서 우리는 시각 정보에만 의존하여 3차원 공간을 인지하는데, 이 시각 정보는 단지 2차원 이미지에 불과합니다.
이는 우리가 마음속에 3차원 공간 이미지를 가지고 있으며, 2차원 시각 정보를 이 3차원 공간 이미지에 역매핑하고 있음을 의미합니다.
저는 이 원리를 적용하면 인간이 4차원 공간을 인지할 수 있을 것이라고 예측합니다. 비록 실제 물리 공간 안에 4차원 공간이나 4차원 물체를 만들 수는 없지만,
컴퓨터로 4차원 공간과 4차원 물체를 시뮬레이션하는 것은 가능합니다. 그러한 시뮬레이션된 4차원 공간에서 2차원 평면으로 매핑을 수행하면, 인간은 시각적으로 정보를 파악할 수 있습니다.
그 후, 인간이 이러한 4차원 공간과 4차원 물체의 행동과 시각을 학습하면, 궁극적으로 마음속에 4차원 공간을 구성할 수 있게 될 것입니다.
그러나 이것은 단지 가능성일 뿐이며, 훈련에는 상당한 시간이 소요될 것으로 예상됩니다.
더욱이, 4차원 공간을 인지하는 능력을 얻게 되더라도, 그 능력을 적용할 수 있는 상황은 거의 없을 것입니다.
AI에 의한 4차원 인지
한편, AI를 통해서도 동일한 것을 달성할 수 있습니다. 더욱이 AI는 이러한 4차원 공간 인지 능력을 활용할 수 있을지도 모릅니다.
예를 들어, 4차원 공간 인지 능력이 있다면 4차원 그래프를 그리고 이해하는 것이 가능할 것입니다.
인간은 2차원 평면 시각 정보만을 총체적으로 파악할 수 있습니다. 따라서 3차원 그래프를 그리고 역매핑을 통해 인지하더라도, 시야에서 숨겨지는 부분이 생깁니다.
3차원 그래프에서도 상당 부분이 보이지 않게 되며, 4차원 그래프에서는 훨씬 더 많은 데이터가 보이지 않게 됩니다.
그래프를 회전시키면 보이지 않는 부분을 드러낼 수 있지만, 이는 데이터를 한눈에 총체적이고 직관적으로 이해할 수 있게 한다는 목표와는 멀어집니다.
반대로 AI는 2차원 평면 시각 정보에 제약받을 필요가 없습니다. AI에 3차원 또는 4차원 공간 시각을 가상으로 부여하고 훈련하는 것이 가능합니다.
그렇게 함으로써, 3차원 및 4차원 그래프를 숨겨진 데이터 없이 또는 회전할 필요 없이 포괄적이고 차원적으로 고유하게 파악할 수 있습니다.
더 나아가, 이는 4차원에만 국한되지 않습니다. 논리적으로 차원은 5차원, 10차원, 20차원 등으로 무한히 늘어날 수 있습니다.
다차원 그래프의 이해
그래프를 포괄적으로 파악하는 능력은 예를 들어 여러 차원에 걸친 추세 분석을 가능하게 합니다. 크기 비교 및 비율 이해 또한 직관적으로 수행될 수 있습니다.
더 나아가, 유사하거나 상응하는 데이터와 같은 데이터 패턴 분석을 가능하게 합니다. 이는 또한 규칙성과 법칙의 발견으로 이어질 수 있습니다.
이는 기존 AI가 뛰어나게 수행하는 단순한 다차원 데이터 패턴 매칭을 넘어선 데이터에 대한 더 깊은 이해를 가능하게 합니다.
예를 들어, 완전히 다른 차원의 조합 내에 동일한 패턴을 가진 부분이 존재하더라도, 단순한 다차원 패턴 매칭으로는 이를 찾기 어려울 것입니다.
그러나 다차원 시각으로 데이터를 본다면, 다른 차원 조합에서도 유사한 형태는 즉시 명확하게 드러날 것입니다.
또한, 입력 데이터와 관련된 차원 축을 단순히 활용하는 것을 넘어, 특정 축을 확대하거나 축소하고, 로그를 취하거나, 여러 축을 차원을 줄이지 않고 동일한 개수의 다른 축 집합으로 매핑함으로써 데이터 이해를 용이하게 하는 차원 구조를 탐색하는 것이 가능합니다.
따라서 다차원 시각 능력을 훈련하면 인간과 기존 AI 모두에게 어려웠던 포괄적인 데이터 구조를 파악할 가능성이 열리며, 잠재적으로 새로운 통찰력과 법칙의 발견으로 이어질 수 있습니다.
패러다임 혁신 가속화
고차원 데이터를 저차원으로 매핑하지 않고도 원시적으로 파악하는 능력은 상당한 잠재력을 시사합니다.
예를 들어, 천문 관측 데이터를 쉽게 이해할 수 있는 수학 공식에 맞추기 위해 지동설이 발명되었습니다. 태양이 지구 주위를 돈다고 주장했던 천동설은 관측 데이터를 쉽게 이해할 수 있는 공식에 매핑할 수 없었고, 이는 지동설의 발명으로 이어졌습니다.
그러나 천문 관측 데이터를 차원을 줄이지 않고 원시적으로 파악할 수 있었다면, 지동설과 같은 법칙이 훨씬 더 빨리 발견되었을 가능성이 있습니다.
마찬가지로, 상대성 이론과 양자 역학 같은 과학적 발명 또한 다차원 데이터를 원시 차원에서 포괄적으로 파악할 수 있었다면 빠르게 실현되었을 수 있습니다.
이는 다차원 원시 AI가 패러다임 혁신을 가속화하여 인류에게 아직 알려지지 않은 다양한 이론과 법칙의 발견으로 이어질 수 있음을 의미합니다.
결론
이러한 다차원 공간에 원시적으로 훈련된 AI는 인간이 복제할 수 없는 다차원 공간 인지 능력을 활용하여 과학 및 학문적 패러다임의 범위를 급격히 확장할 수 있습니다.
패러다임은 단순히 이동하기보다는 증식하는 경향이 있습니다. 새로운 패러다임이 발명되더라도, 우리가 반드시 모든 패러다임을 따라잡아야 하는 것은 아닙니다.
물론, AI는 복잡하고 고차원적인 패러다임을 우리가 쉽게 이해할 수 있도록 저차원으로 매핑하여 설명해 줄 것입니다.
그럼에도 불구하고, 인간이 지나치게 고차원적인 패러다임을 완전히 이해하지 못할 수도 있습니다. 또한, 방대하게 확장된 모든 패러다임을 파악할 수도 없을 것입니다.
그러한 시나리오에서, 우리는 그 기저 원리를 완전히 이해하지 못하더라도 잘 작동하는 제품과 시스템에 둘러싸여 살게 될 수도 있습니다.
엔지니어로서 저는 그런 상황을 상상하고 싶지 않지만, 많은 사람들에게는 지금과 크게 다르지 않을 수도 있습니다.