현재, 근시일내에 "살아만 있다면" 노벨상을 받을 것이 확실시되고 있는 UC Berkeley의 도드나 누님(Jennifer Doudna)이십니다.
이분은 카펜티어(Emmanuelle Charpentier - 이때까지 카펜터라고 읽었는데, 도드나 누님께서 친히 "카펜티어"라고..)누님과 함께 세계 최초로 CRISPR/Cas9 endonuclease 기술을 이용해서 Genome editting이 가능함을 "과학"이란 논문에 선보이셨죠.
Jinek M, Chylinski K, Fonfara I, Hauer M, Doudna JA, Charpentier E (August 2012). "A programmable dual-RNA-guided DNA endonuclease in adaptive bacterial immunity". Science. 337 (6096): 816–21.
본 강연은 보다 일반적인 청중을 대상으로 진행하는 TED 강연입니다.
뭐랄까, 평상시 학계 발표보다 훨씬 더 얼어있는(?) 도드나 누님의 강연을 손쉽게 들을 수 있습니다.
12분 정도의 강연에, 3분 정도 질의 응답이 있습니다.
영국에서 발표한 것같은데, 마지막 질문자의 영어가 조금 알아듣기 힘듭니다만.... 자막 신공이 있기에 충분히 재미있게 보실 수 있을 것 같습니다.
P.S. 그나저나, 요새 분위기를 보면, 짱펭은 현재 performance와는 별개로, 노벨상과 특허에서 조금 소외되는 느낌입니다. 얼마전에는 "히어로즈"였는데 말이죠...
랜달 아저씨가 쓴 논문(아래 링크) 이후로, 오히려 더 가루가 되게 빻이는 느낌이라 좀 아쉽긴 합니다만...
인공 지능(Artificial Intelligence)은 사람과 같은 "생각"을 할 수 있는 컴퓨터를 말한다. 단순한 질문에 대한 답을 넘어서는 고차원적인 대답을 할 수 있고, 그 문장에서 정확한 정보를 캐치하고, 그에 따른 판단을 하는 것을 말한다. 그 외에도 체스, 퀴즈쇼 등 다양한 분야에서 다양한 형태로 인공 지능이 개발되고 있고 아직도 현재 진행 중이다.
결국, 궁극적인 인공 지능의 목표는 "사람과 같은 사고를 하고, 사람과 비슷한 대화를 하는 존재"를 만들어 내는 것이다. 기계가 인공 지능을 가졌는지 아닌지를 판단하는 튜링 테스트도 그런 맥락에서 이해할 수 있을 것이다.
생각해보면, 같은 말이라도, 말하는 상황, 뉘앙스에 따라 똑같은 문장이라도 다른 정보를 포함할 수 있다. 예컨대,
라는 문장을 예시로 들어 보자. 이 질문 자체는 아주 간단하고, "예-아니오"로 답할 수 있는 문장이지만, 질문을 그대로 받아들여서는 안된다. "살인의
추억"에서 송강호가 질문하는 뉘앙스, 사업이 망하고 나서 오랜만에 만난 친구, 다이어트를 열심히 하고 있는 여자 친구 등 대상에
따라서 각기 다른 뉘앙스를 가지고 있는 것이 사실이다. 인간은 이런 은유적 질문, 혹은 상황을 판단해서 던지는 질문에 충분히 적절한 반응을 할 수 있다.
(왓슨이 무엇인지를 보여주는 그림 - IBM 공식 홈페이지)
하지만, 컴퓨터의 입장으로 돌아간다면, 이는 아주 어려운 상황이 된다. "밥은 먹고 다니냐?"라는 단순한 말 하나에 대답하기 위해서 컴퓨터는 여러가지 판단을 해야만 답을 할 수 있다.
첫째로는, 이 질문이 진짜 사실을 묻는 것인지 아닌지를 판단해야 한다. 은유적인 표현일 가능성이 있기 때문이다. 둘째로, 과연 그 사람이 어떤 의도로 말을 하는지 유추해야 한다. 뉘앙스를 판단하는 과정이다. 셋째로, 이 질문에 대해서 내가 처한 상황을 적절히 반영하는 "예-아니오"가 아닌대답을 해야 한다. 그 외에도 다양한 판단 과정이 존재할 가능성을 내포한다.
이렇게 컴퓨터가 직접적으로 알아듣기 힘든 대화(코드가 아닌)를 인공 지능에서는 "자연어"라고 이야기한다. 인간이 대화하는 모든 언어는 사실상 자연어라고 생각하면 된다. 매 질문마다, 다양한 판단을 요구하지만, 충분히 자연스럽게 대화가 되는 과정. 이것은 인간이 가진 고유의 능력이라고 여겨져 왔다.
이런 상황이 최근 IBM에서 개발한 왓슨에 의해서 깨지고 있다. 참고로, 여기에서 나오는 왓슨은 DNA의 그 왓슨이 아니라 IBM의 창립자 토머스 왓슨이다. 그리고 이제 조만간 왓슨은 인공 지능의 대명사로 그 둘보다 더 유명해질 가능성이 있어 보인다. 물론 아직까지는 완벽하다고 볼 수 없지만, 적어도, 퀴즈쇼 영역에서 만큼은 그런 일이 벌어졌고, 이미 지난 과거의 일이 되어 버렸다.
미국 퀴즈쇼 중에서 아주 유명한 Jeopardy라는 퀴즈쇼가 있는데, 이 퀴즈쇼에서 엄청난 차이로 우승을 한 것이다. (참고하실 분은 아래 동영상을 참고해 보세요. ^^) 사람처럼 질문이 끝나기도 전에 대답하는 것은 물론, 은유적인 단어를 포함한 질문에까지 대답을 한다. 물론 영어로 된 표현이긴 하지만, 기존의 컴퓨터로는 단순히 대답하기 힘들었던 자연어를 이해하고, 대답하는 인공 지능의 시대가 열린 셈이다.
이제 의사의 영역으로 돌아 보자. 사실, 방대한 지식, 그리고 정확한 판단, 시진, 촉진, 청진 등 다양한 감각과 복잡한 정보가 꼬여있는 의료 영역에 인공 지능의 관여는 한계가 있는 것처럼 보인다. 그럼에도 불구하고, 의료 영역에까지 인공 지능 왓슨이 다가 오고 있다. 그것도 아주 빠른 속도로. 실제로 이런 대세를 이제는 거스를 수는 없는 것 같다. 상당한 뉘앙스가 들어 있는 질문까지 대답할 수 있는 인공 지능 컴퓨터. 인공 지능의 "의사 놀이"는 이제 놀이를 넘어서, 진단의 영역까지 들어온 것 같다. 왓슨은 이제, 의료 영역에서
"진단을 위해 더 필요한 history는 무엇인가.
그리고 그 finding을 통해서 어떤 진단을 유추할 수 있는가"
까지 왔다.
이제, 의사의 할 일을 재정의하고, "어떤 방향으로 의사를 교육할 수 있느냐"가 의사라는 "인재 양성"에 새로운 개념이 되지 않을까? 하는 생각을 해본다. 예컨대, 단순한 의학 지식을 암기하는 것이 아니라, 인공 지능에 저장된 정보를 적절한 형태로응용해서 환자에게 도움을 주는 판단을 내리는 의사의 역할 말이다. 마치 현재 아무도 스마트폰에 저장된 전화 번호를 하나하나 외우지 않는 것처럼, 의료 지식 역시 단순한 지식의 저장과 리콜보다 지식의 응용과 판단을 조금 더 강조하는 형태로 말이다.
(의사의 판단에 도움을 주는 인공 지능, 의사라는 직업이 없어지지는 않겠지만, 분명히 형태와 교육은 변할 것이다)
전통적인 의미에서의 허준 시대의 의사가 더 이상 외과적 수술을 포함한, 다양한 내과 질환을 치료할 수 없다. 하지만, 당시의 의사의 개념과는 달리, 현대의 "의사"의 개념은 완벽히 진화되었고, 그 당시와는 다르게 재정의되었다.
이제 의사는 약초를 구하러 다니는 것이 아니라, 정제된 약을 "적합한 통계와 근거"에 기반해
효능을 검증하고, 환자에게 처방한다. 그에 따른 교육도 필요에 따라 대치되었고 현재 평균 수명은 그 어느 때보다 높고, 앞으로 더
발전된 가능성이 크다. 그 결과, 비록 시대는 다를지라도, 의사는 의사로서의 역할을 완벽히 수행하고 있다. 그에 발맞추지 못한 의사 집단들은 도태되고 있을 뿐이다.
더 이상 의사는 직접 X-ray를 찍지 않고, 피를 뽑아 직접 검사하지 않아도 된다. 시진, 문진을 하긴 하겠지만, 결과를 통합적으로 살펴보고 그에 근거한 판단이 의사의 주 역할이 되었다. 이 때, 의사의 역할은 다양한 환자 정보를 통합적으로 판단해서 근거에 기반한치료를 하는 것이 된 셈이다. 이제 "인공 지능"이 완벽하지는 않지만, 단순한 계산을 넘는 이런 통합적 판단도 가능하게 되었음을 이야기한다.
(UC irvine에서 시도되는 색다른 시도. 이런 변혁과 도전이 가능한 학교가 우리 나라에도 있을까?)
현재, 의료계에서 화두가 될 가능성이 큰 구글 글래스 역시 그런 맥락에서 바라봐야 할 것이다. 단순히 기록한다는 것을 넘어서, 정보를 저장하고, 인공 지능과 결부되어 정확하고 필요한 근거를 제공하는 것. 궁극적으로 판단은 의사가 하겠지만, 단순히 내가 알고 있는 병의 가능성보다 훨씬 더 큰 가능성을 제공해주는 인공 지능. 의학에서의 인공 지능의 묘미는 여기에 있을 것이다. 이론적으로는 인공 지능을 사용하는 모두가 "예외적 질병"을 잘 발견하는 닥터 하우스[각주:1]가 될 가능성이 있다는 말이다.
("예외적 질병"을 잘 발견하는 닥터 하우스)
개인이 이런 상황에서 어떤 방향으로 자신을 계발할 것인지는 개인에 따라 다르다고 보겠다. 극단적으로 본다면, 저장의 기능을 완전히 인공지능 혹은 기계에 맡기고, 판단을 우선으로 하는 의사. 반대로, 저장의 기능을 충실하게 따라서 환자에게 신속한 진단을 내리는 고전적인 형태의 의사. 어떤 모습이 더 올바르다고 할 수 없다. 그 나름의 장점과 단점이 있기 때문이다.
비지니스의 관점에서는 과연 어떤 형태로, 정보를 취득하고, "의사에게 올바른 근거를 어떤 우선순위로 보여줄 것인가"가 인공 지능의 핵심이 되지 않을까 하는 생각을 조심스럽게 해본다. 정보가 충분히 있는 어느 순간부터는 "정보가 많은 것이 문제"가 되기 때문에, 적절히(라고 말하지만 아주 어렵다) 취사 선택한 정보를 제시하는 똑똑한 인공 지능의 개발은 의료의 발전에 아주 큰 영향을 미칠 것이라고 확신한다.
끝으로, 왓슨 개발자 중 하나인 Ken의 TED Seattle에서 강연이다. 충분히 의미 있는 강연이고, 위에 언급한 질문에 대해 많은 insight를 주는 강연인 것 같다. 한 번 살펴 보면서, 미래에 대비하는 것은 어떨까?
과연 "의사"라는 직업인이 이런 인공 지능과 공존하기 위해서 나아 가야할 방향은 무엇일까? 그리고 이 때, "준비해야 할 소양은 무엇일까"에 대해서 진지한 고민을 할 타이밍이 온 것 같다. 그렇게 하지 않는다면, 퀴즈쇼에서 자기 나름대로 최선을 다했지만, 멀뚱히 인공지능이 우승하는 것을 지켜볼 수밖에 없었던 도전자 꼴이 될 수밖에 없을 것 같다.
사실 닥터 하우스는 일반적인 의사의 관점에서는 아주 이상한 의사라고 할 수 있다.most common disease를 항상 rule out하기 때문이다. 틀렸다고 보기는 힘들지만, 경우에 따라서 꼭 좋은 의사는 아닐 수 있다. [본문으로]
