유게에 올라왔던 이 글을 보고, 생각나서 적는 글입니다.

https://pgr21.com./humor/406007

저는 SF소설이나 교양과학책을 즐겨 읽기는 하지만 “인문계” 출신이라서 과학적 지식을 깊은 차원에서 이해할 능력은 없습니다. 그래서 과학에 대한 글을 쓰는 것이 꺼려지기는 하지만, 최근에 관심을 갖고 지켜본 주제여서 몇 가지 이야기를 꺼내봅니다. 피지알에 약학/화학 전공하거나, 전문적으로 딥러닝 연구하시는 분도 계신 것으로 알고 있습니다. 틀린 부분이 있으면 댓글로 알려주세요!!



1. 알파고의 후예 알파폴드는 뭐하는 물건인가

알파폴드는 갤럭시 폴드처럼 그 이름에 “fold”를 가지고 있습니다. 이 놈은 단백질이 “접혀 있는” 구조를 예측하는 일을 하기 때문에 그런 이름을 갖고 있습니다. 우리 몸은 다양한 단백질로 이루어져 있으며, 단백질은 온갖 생명활동에 관여합니다. 그 단백질은 20여 종류의 부품(아미노산)이 이리저리 합쳐지고 연결된 결과물입니다. 보통 300개 정도의 아미노산이 연결되어서 하나의 단백질을 만드는데, 큰 단백질은 3000개의 아미노산이 연결된 것도 있다고 합니다.

아무튼 특정한 단백질이 주어졌을 때, 예를 들어 코로나 바이러스 같은 것이 주어졌을 때, 그 단백질을 다 풀어서 1차원상에서 한 줄의 아미노산 배열로 늘어놓는 것은 비교적 쉽다고 합니다. 반대로, 그 단백질 가닥이 3차원 공간에서 어떤 모양으로 접혀 있는지 정확히 알아내는 것은 매우 어렵다고 합니다.

그런데 단백질이 학 모양으로 접혀있든, 배 모양으로 접혀있든 무슨 상관이냐 싶습니다. 하지만, 단백질의 3차원 모양은 생명체 내에서의 단백질이 하는 기능과 직접적인 연관성이 있다고 하네요. 3차원 구조를 보면 그 단백질의 기능이나 특성을 파악할 수 있다고 하네요. 예를 들어 코로나 바이러스 표면에 “스파이크(spike) 단백질”이라는 것이 있는데, 이게 인간의 세포막의 뚫고 바이러스가 세포 속으로 침투할 수 있는 길을 만들어준다고 합니다. 그런데 이런 지식을 처음부터 알 수는 없습니다. 먼저 코로나 바이러스의 3차원 모양을 알아낸 다음, 그 모양을 보니 사스 바이러스에서 한번 봤던 “스파이크 단백질”과 비슷하게 생긴 것이 표면에 붙어 있고, 그러면 사스 바이러스처럼 이 놈이 세포막을 뚫는 역할을 하겠구나 추측하고 연구를 발전시켜나간다는 겁니다. 그리고 그러한 3차원 구조의 특성을 이용하면 바이러스의 약점도 파악할 수 있고, 그 약점을 토대로 바이러스를 제거할 수 있는 아이디어도 얻을 수 있다고 합니다.

이것 말고도 단백질은 모든 생명현상에 관여하는데, 3차원 모양을 알면 어떤 방식으로 관여하는지 예상할 수 있답니다. 생명현상의 메커니즘을 단백질 수준에서 파악할 수 있는 유용한 도구가 만들어지는 것이지요. 그래서 “단백질의 3차원 구조”를 정확하게 알아내는 문제는 오랫동안 생물학/화학의 중요한 과제였다고 합니다. 단백질의 3차원 구조를 알아내기 위해서 엑스선을 쏘아보기도 하고, MRI 비슷한 도구를 활용하기도 하며, 특수한 전자현미경으로 관찰하기도 한답니다. 이게 단백질 3차원 구조를 실제로 관측하는 3가지 방법이며, 3가지 모두 노벨화학상을 받았다고 합니다. 단백질이 접혀 있는 모양을 알아내는 것이 얼마나 중요하면, 새로운 방법이 나올 때마다 각각 노벨상을 주나 싶습니다. 그럼에도 불구하고 단백질이 너무 복잡한 구조를 가지고 있기 때문에, 현재의 기술로 모든 단백질의 실제 모양을 빠르고 쉽게 알아내는 것은 어렵다고 합니다.

다시 처음으로 돌아가 봅시다. 단백질의 아미노산이 1차원에서 어떤 순서로 배열되어 있는지 알아내는 것은 쉽다고 하니 우선 그것부터 파악하고, 그 정보를 토대로 각각의 아미노산이 어떤 방향으로 접히는지 공식을 알아내면 3차원 구조를 쉽게 파악할 수 있겠죠. 그런데 문제는 얘들이 접힐 수 있는 경우의 수가 너무 다양해서 1차원 배열로는 3차원 모양을 추측하기가 어렵다는 겁니다.

이제 알파폴드가 등장할 차례입니다. 주어진 단백질의 아미노산이 한 줄로 나열된 순서(1차원 정보)가 알파폴드에 입력되면, 알파폴드는 그 단백질이 3차원에서 어떤 모양으로 접히게 될 것인지 높은 정확도로 예측해 줍니다. 매년 세계 유수의 과학자들이 모여서 단백질의 1차원 아미노산 서열을 주고, 3차원 모양이 어떨지 맞추는 대회를 한다고 합니다. 그런데 알파폴드님이 거기서 짱을 먹는 건 당연하고, 그 정확도가 엄청나게 높아진 알파폴드 2를 며칠 전에 발표했다고 합니다. 우리나라에서도 유명한 허사비스 형이 또 인터뷰하는 모습도 유튜브에 나오더군요.

지금까지 단백질 구조를 파악할 수 있는 시스템을 개발한 사람들에게 3번이나 노벨상의 영예가 돌아갔습니다. 알파폴드2는 그 일을 효과적으로 할 수 있으니, 그 개발자에게 노벨상을 줄 수도 있을 것입니다. 그런데 알파고가 왜 그렇게 바둑을 두는지 인간이 이해할 수 없는 것처럼, 알파폴드2가 어떤 원리로 단백질 구조를 예측할 수 있는지 개발자들은 알지 못합니다. 단지 인공신경망을 디자인하고, 데이터를 넣어줬을 뿐이죠. 그래서 개발자가 아니라 알파폴드2가 컴퓨터 최초로 노벨상을 받아야 한다는 설레발도 나오고 있답니다.

※ 참고로 단백질 3차원 구조가 얼마나 복잡한지 보고싶은 분들은, 구글 이미지 검색에 “단백질 3차 구조”를 치고 나오는 그림들 휘리릭 보시면 됩니다.(그림을 넣고 싶은데 방법을 몰라서요..)




2. 인공지능과 딥러닝

저는 알파고가 나왔을 때 처음으로 “딥러닝”이라는 말을 들었습니다. 딥러닝, 머신러닝, 인공지능 등을 설명하는 다양한 글을 봤지만, 컴퓨터 프로그래밍도 정보과학도 모르는 저에게 그런 글은 정말 어려웠습니다. 그런데!! 며칠 전에 본 유튜브 영상은 지금까지 본 딥러닝 설명 중에 단연 최고였습니다. 카오스 재단이라는 과학 채널에서 남세동 대표라는 분이 나와서 한 강연입니다. 1시간이 넘는 강의지만 진짜 들어볼만 합니다.(유튜브를 글 안에 넣는 방법을 몰라서 링크만 넣습니다..)

https://youtu.be/CRzsi5AgQM8


강의 중 인상적이었던 부분을 꼽아보면,

①일반적인 컴퓨터 프로그래밍에서는 먼저 문제해결방법(알고리즘)을 디자인하고 이를 컴퓨터에서 구현하지만, 인공신경망을 구성할 때에는 인간이 문제해결방법을 알아낼 필요가 없기 때문에 매우 쉽고 단순하다. 노드들끼리 연결해주고 무작위로 초기값을 준 뒤 데이터만 쏟아 넣으면 알아서 문제를 해결하는 방향으로 발전한다.

②딥러닝을 통해 자율주행도 하고, 음성인식도 하고, 바둑도 두지만, 어떤 원리로 인공지능이 그 일을 잘 하게 되는지 알지 못한다. 인공지능 개발 초기부터 인간의 신경망과 유사한 모양으로 컴퓨터를 디자인하면 인공지능이 구현될 것이라고 “믿은” 사람들이 있었다. 컴퓨터 성능이 발전하고 그걸 할 수 있게 되어서, 실제로 그렇게 해보니까 정말 되더라.(그런데 그것이 실제로 일어났습니다?)

③딥러닝 초기에는 인간의 기초지식을 입력하고 이를 기반으로 머신러닝을 시켰다. 예를 들어 알파고에는 기보를 넣어주기도 하고 바둑정석도 알려준 후, 바둑을 두게 했다. 그런데 머신러닝이 발전하면서, 이런 인간의 기존 지식을 넣지 않은 버전이 가장 뛰어나다는 것을 알게 되었다.

④문제를 해결하기 위해 처음에는 인공신경망 자체를 디자인해야 한다. 그런데 인공신경망 디자인에서 가장 뛰어난 프로그래머는, 인간이 아니라 인공지능이다. 인공지능의 인공지능 만드는 솜씨는 인간을 넘어서고 있다.




3. 테드 창의 ｢인류과학의 진화｣

테드 창의 단편소설집 ｢당신 인생의 이야기｣에는 4페이지짜리 매우 짧은 단편 ｢인류과학의 진화｣가 실려 있습니다. 스토리는 단순합니다. 인간의 지능을 훨씬 뛰어넘는 돌연변이인 메타인류가 등장했고, 다행히도 현생 인류는 그들과 평화롭게 공존하고 있습니다. 다만, 현생 인류의 과학 수준은 메타인류에 비해 현저히 떨어집니다. 그래서 현생 인류는 메타인류가 던져주는 과학연구결과를 그 원리를 이해하지 못한 채 그냥 이용하기만 합니다. 일부 과학자는 메타인류가 던져주는 결과물을 해석하는 일에 매진하고 있습니다. 이런 상황이 25년 이상 지속되었고, 현생 인류가 발간하는 과학저널의 편집자가 이 상황에 대해 논평하는 것이 소설의 내용입니다. 인상적인 몇 부분을 인용하면,

메타인류 과학이 많은 이득을 가져다 준다는 사실을 부정하는 사람은 없지만, 그것이 인류 연구자에게 끼친 악영향 중 하나는 장래에 자신들이 과학에 독창적인 공헌을 할 가능성은 이제 거의 없다는 사실을 깨달았다는 것이다. 연구자들 일부는 완전히 과학에서 손을 뗐지만, 뒤에 남은 사람들은 원래의 연구 분야에서 해석학 쪽으로 눈길을 돌렸다. 메타인류의 과학적 업적을 해석하는 학문 쪽으로.

이런 연구들이 야기하는 것은, 이런 일들이 정말로 과학자들에게 걸맞은 일인가? 하는 의문이다. 혹자는 이런 일을 유럽산 강철 제품을 쉽게 입수할 수 있는데도 불구하고 청동 제련을 시도하는 아메리카 원주민의 시도에 비교했다.

알파폴드를 보면서, 저는 딱 이 소설이 떠올랐습니다. 여전히 딥러닝은 많은 분야에서 인간의 능력을 완벽하게 따라잡지는 못하고 있습니다. 그리고 인공지능은 스스로 문제를 설정하고 해결하지는 못합니다. 아무리 많은 데이터를 쏟아 넣더라도, 최종적인 결과값을 인간이 확인하고, 그것이 맞는지 틀렸는지 감독해줘야 딥러닝이 진행됩니다. 아직 갈 길은 멀어 보입니다.