공인인증서가 없어도 법인 및 연구비 (신용)카드로 결제가 가능합니다.

문의: shoppinghub@techforum.co.kr    전화: 070-7169-5396    www.shoppinghub.co.kr 

[PDF 주문안내]
- 고객명(소속/기관명)으로 주문하시기 바랍니다. (PDF는  메일로 발송됩니다.)
*업무시간(10:00~17:00) 이후 주문 건 및 휴일(주말, 공휴일, 임시공휴일 포함) 주문 건은 정상 영업일에 발송됩니다.

[계산서 발행안내]
- 사업자등록증 사본을 이메일(shoppinghub@techforum.co.kr) 로 보내주시기 바랍니다.
*현금결제(계좌이체, 무통장입금)건에 한해서 발행됩니다.

[견적서 및 거래명세서 발행안내]

- 이메일(shoppinghub@techforum.co.kr) 또는 주문 시 '요구사항'란에 메모를 남겨주시기 바랍니다.

오늘날 인공지능(AI)은 단순한 기술이나 서비스가 아니라 우리의 일상과 활동, 경쟁력 등의 흐름에 결정적인 역할을 하면서 전세계를 뒤흔드는 혁신 패러다임으로 다양한 방면에 커다란 영향력을 미치고 있는 가운데, 향후에는 기업을 넘어 국가 경쟁력을 좌우할 것으로 분석하고 있다.

특히 코로나19 영향으로 언택트가 전세계의 사회적 추세로 떠오르면서 세계는 AI를 중심으로 한 디지털 전환에 속도를 더하며 비대면 기술은 선택이 아니라 필수로 적용되고 있는 가운데, AI가 국가 경쟁력을 결정하는 키로 부상하자 전세계는 선진 과학기술로 미래 기회를 선점하기 위해 치열한 경쟁을 벌이고 있다.

또한 초연결ㆍ초지능의 4차 산업시대를 맞아 개인과 기업, 그리고 국가 차원에서 AI가 미래 경쟁력을 갖추는데 중추적인 역할을 할 것으로 분석하고 있는 가운데, PwC는 향후 AI가 창출할 경제 가치가 15조 7,000억 달러(약 19경원)에 이를 것으로 분석하고 있다.

이 규모를 경제적인 효과로 환산해보면, 중국과 같은 국가 하나를 만드는데 버금가는 가치로 미국, 중국 등 세계 초강대국이 ‘AI 퍼스트’를 주창하며 패권 경쟁에 뛰어들고 있는 가운데, 현재 인공지능(AI)은 세계 바둑계를 평정한 알파고를 시작으로 AGI를 넘어 초지능(superintelligence)의 등장을 예고하고 있다.

이 같은 상황에서 강한(Strong) AI라고도 알려진 범용 인공지능(AGI)은 인간이 수행하는 모든 지적 작업을 이해하거나 학습할 수 있는 기계로 한때 공상 과학소설의 소재에 머물렀지만, 컴퓨팅 하드웨어 발달과 데이터의 폭발적 증가, 또 이를 처리하는 기계학습(machine learning) 알고리즘 혁신, 즉 딥러닝(deep learning)의 눈부신 성장으로 인해 AGI 기술이 새롭게 부상하고 있다.

현재 AI 기술중 기계학습 알고리즘의 성과는 이미징과 언어 데이터에 기반한 특정 분야에서는 이미 인간을 앞서며 생활과 비즈니스에서 크고 다양한 역할을 수행하고 있는 가운데, 최근에는 범용 인공지능을 구현하기 위해 인간 뇌의 동작 과정을 컴퓨터로 옮겨오는 등 현재 인류는 알고리즘 유도 진화 또는 인간 두뇌의 에뮬레이션 등을 통해 AI에 접근하고 있다.

범용 AI(AGI)는 인공지능 진화의 단계이자 AI 개발의 목표로 우리 인간처럼 생각하고 결정을 내릴 수 있는 능력을 갖춤으로써 인간과 동일한 수준에서 일반적으로 해결할 수 있는 능력을 가지고 있으며, 어떤 경우에는 지능 지표로 간주되는 여러 작업에서 인간 수준의 성능을 능가할 것으로 예측하고 있다.

한편, 이 같은 인간 수준의 범용 인공지능 등장 가능성과 함께 이를 구현하기 위한 AI 반도체, ‘뉴로모픽(neuromorphic) 칩’ 기술이 주목받고 있다.

인간의 뇌는 1,000억 개가 넘는 신경세포(neuron)가 시냅스(synapse)라는 연결 고리를 통해 서로 연결 강도를 조절하고, 다른 뉴런과 전기ㆍ화학적 신호를 주고받으며 기억과 연산을 동시에 수행하는 아날로그 방식으로 순식간에 정보를 처리하고 저장할 수 있다.

뉴로모픽 칩(Neuromorphic Chip)은 이러한 인간의 뇌를 반도체로 구현하는 기술로 뇌의 신경 구조와 유사한 컴퓨팅 아키텍처는 신경망 반도체 칩으로 구현되어 데이터 저장 장치와 컴퓨팅 장치를 하나로 통합하여 데이터 처리를 크게 줄이고, 컴퓨팅 병렬성과 에너지 효율성을 크게 향상시킬 수 있기 때문에 AI 반도체 기술의 새로운 변화를 주도할 것으로 예상하고 있다.

또 뉴로모픽 칩은 사람의 뇌 신경을 모방한 차세대 반도체로 기존 반도체와 비교해 성능은 뛰어난데 비해, 전력 소모량은 1억분의 1에 불과하기 때문에 4차 산업혁명의 핵심 기술인 자율주행 자동차, 드론, 얼굴인식, 사물인터넷 디바이스 등에 폭넓게 적용될 것으로 기대를 모으고 있다.

이에 IRS글로벌에서는 AI(인공지능)과 뉴로모픽(Neuromorphic) 분야에 관심이 있는 기관ㆍ업체의 실무담당자들에게 연구개발, 사업전략 수립의 기초자료를 제공하기 위하여, 본서를 기획하였다.

모쪼록, 각 기관 및 기업에서 하시는 업무에 미력하나마 도움이 되기를 기대해 봅니다.

Ⅰ. 뉴노멀 시대 인공지능(AI) 기술개발 동향

1. 포스트 코로나 시대 인공지능(AI)

  1-1. 인공지능 기술 개요 및 진화

    1) 인공지능 기술 개요

      (1) 인공지능 개요

      (2) 인공지능(AI)의 역사

    2) 인지 지능을 기반으로 한 인공지능 등장

      (1) 인공지능의 지능 개요

      (2) 인지지능(Cognitive Intelligence)으로 진화하는 인공지능

1-2. 인공지능의 단계

    1) 1단계, 단순 제어 프로그램

    2) 2단계, 고전적인 인공지능

    3) 3단계, 기계학습을 통한 인공지능

    4) 4단계, 딥러닝을 이용한 인공지능

1-3. 인공지능의 진화, 초지능형 AI 등장

    1) 인공지능의 진화

    2) 미래 인공지능의 발전 단계

      (1) 인공지능의 발전 단계

      (2) 딥러닝 기술 개요

      (3) 딥러닝(Deep Learning)의 기술적 한계

      (4) 딥러닝(Deep Learning) 기술의 한계 극복

2. 인공지능(AI)의 유형

  2-1. 단계별 인공지능

    1) 좁은 영역의 인공지능(ANI)

    2) 범용 인공지능(Artificial General Intelligence, AGI)

    3) 초인공지능(Artificial Super Intelligence, ASI)

  2-2. 범용 AI와 초인공지능의 등장 가능성

  2-3. 범용 인공지능의 접근 방법

    1) 기호적 범용 인공지능(Symbolic AGI)

    2) 창발적 범용 인공지능(Emergentist AGI)

    3) 혼합 범용 인공지능(Hybrid AGI)

3. 인공지능(AI) 기술개발 동향

  3-1. 빅데이터 생태계

  3-2. 자연어 처리(Natural Language Processing, NLP)

    1) 구글 BERT(Bidirectional Encoder Representations from Transformers)

    2) OpenAI의 GPT-3(Generative Pre-Training 3)

  3-3. 전이 학습(transfer learning)

    1) 전이 학습(transfer learning) 개요

    2) 딥러닝 및 머신러닝 기반 전이 학습(transfer learning)

    3) 전이 학습 알고리즘

4. 주요 산업별 AI 적용 동향과 주요 이슈

  4-1. 자동차 분야 AI 개발동향과 향후 전망

    1) 자동차 AI 시장 동향과 전망

      (1) 시장규모 전망

      (2) 최근 주요 이슈

    2) 자동차 AI 음성비서 시장

      (1) 시장규모 전망

      (2) 글로벌 동향

      (3) 국내 동향

  4-2. 의료 분야 AI 개발동향과 향후 전망

    1) AI 활용 의료 영역

      (1) 영상 진단

      (2) 질병 진단

      (3) 다양한 의료 문제

      (4) 기술의 개인ㆍ지역 격차 해소

    2) 국내외 시장 및 제품 개발 동향

      (1) 시장 규모 전망

      (2) 해외 제품 개발 동향

      (3) 국내 제품 개발 동향

    3) 뉴럴 네트워크

      (1) 뉴럴 네트워크 이용

      (2) 지도학습의 프로세스

      (3) 실용화 과제

      (4) 개인정보 누출에 대한 우려

      (5) 의료용 AI의 폭주에 대한 우려

    4) 의료 AI의 문제점 및 과제

      (1) AI의 타당성 검증이 부족

      (2) 의료 AI 법 정비

      (3) 의료 관계자의 AI에 관한 지식 부족

      (4) AI 적용 이후 의사에게 요구되는 점

  4-3. 제조업 분야 AI 개발동향과 향후 전망

    1) AI 스마트공장 동향

    2) AI 스마트공장 사례

      (1) 지멘스(SIEMENS)

      (2) LG CNS

      (3) 현대자동차

      (4) 삼성전기

      (5) LS산전

Ⅱ. 범용 인공지능ㆍAI 반도체(뉴로모픽)의 기술개발 동향

1. 범용 인공지능의 기술 현황

  1-1. 스파이킹 신경망(Spiking Neural Network)

    1) 스파이킹 신경망 개요

      (1) 스파이킹 신경망 개념

      (2) 스파이킹 신경망과 인공신경망의 차이점

    2) 스파이킹 신경망 구조

  1-2. 메타학습(Meta learning)

2. 뉴로모픽(Neuromorphic) 반도체 기술개발 동향

  2-1. 뉴로모픽 칩(Neuromorphic Chip) 기술 개요

    1) 뉴로모픽 칩(Neuromorphic Chip) 기술의 핵심

    2) 뉴로모픽 칩의 특징

  2-2. 뉴로모픽 컴퓨팅(Neuromorphic Computing)

  2-3. 뉴로모픽 기술 산업 현황

    1) 국내 뉴로모픽 기술 산업 현황

      (1) 삼성전자

      (2) SK하이닉스

      (3) 네패스

      (4) 국내 연구소 및 대학교

    2) 해외 뉴로모픽 기술 산업 현황

      (1) 퀄컴(Qualcomm)

      (2) IBM

      (3) 인텔(Intel)

      (4) 엔비디아(NVIDIA)

      (5) 구글(Google)

      (6) 애플(Apple)

      (7) 자일링스(xilinx)

    3) AI 반도체 특허 출원 및 시장 전망

      (1) 인공지능 반도체 특허 출원

      (2) AI 반도체 시장 전망

      (3) 국내외 산업 동향

<그림목차>

<그림Ⅰ-1> 현대적 의미의 인공지능

<그림Ⅰ-2> AI governance framework

<그림Ⅰ-3> 지식의 기본 구조

<그림Ⅰ-4> How Artificial intelligence led to Cognitive computing

<그림Ⅰ-5> 전문가 시스템 아키텍처

<그림Ⅰ-6> 머신러닝(Machine Learning) 적용 사례

<그림Ⅰ-7> Deep Learning and Machine Learning in the design engineering workflow

<그림Ⅰ-8> 알파고의 직관적 추론

<그림Ⅰ-9> CES가 예상하는 2020년대 AI 주요 트렌드

<그림Ⅰ-10> 전세계 인공지능(AI) 시장 전망

<그림Ⅰ-11> 인공지능의 진화

<그림Ⅰ-12> ImageNet training time

<그림Ⅰ-13> 컨볼루션 신경망(CNN 또는 ConvNet)

<그림Ⅰ-14> 딥러닝 뉴럴 네트워크(Deep Learning Neural Networks)

<그림Ⅰ-15> 딥러닝 알고리즘

<그림Ⅰ-16> HPC 및 빅데이터 기반 AI 아키텍처

<그림Ⅰ-17> Levels of Investigation

<그림Ⅰ-18> 인공지능의 유형

<그림Ⅰ-19> 인공지능의 진행 방향

<그림Ⅰ-20> 튜링 테스트(turing test)

<그림Ⅰ-21> 인공지능의 수준

<그림Ⅰ-22> Gartner Hype Cycle for Emerging Technologies

<그림Ⅰ-23> 인공지능 기술의 현재와 미래

<그림Ⅰ-24> 인공지능에 대한 접근

<그림Ⅰ-25> 인공지능의 단계

<그림Ⅰ-26> 초인공지능 ASI(Artificial Super Intelligence)

<그림Ⅰ-27> ASI(Artificial Super Intelligence)

<그림Ⅰ-28> 상징적 접근을 통한 자전거 표현

<그림Ⅰ-29> 검색 알고리즘

<그림Ⅰ-30> 범용 인공지능(AGI) R&D 프로젝트

<그림Ⅰ-31> 인간 지능 對 인공지능

<그림Ⅰ-32> AIㆍ빅데이터 기술 분야 개념도

<그림Ⅰ-33> 빅데이터와 AI

<그림Ⅰ-34> IoT, 빅데이터, CPS, AI의 관계 구성도

<그림Ⅰ-35> 빅데이터 기반 AI

<그림Ⅰ-36> NLP용 기존 DL(딥러닝) 아키텍처

<그림Ⅰ-37> BERT의 언어모델링(Pre-training), NLP Task(Fine-tuning)

<그림Ⅰ-38> BERT 모델 Transformer 아키텍처

<그림Ⅰ-39> BERT와 GPT의 비교

<그림Ⅰ-40> 다양한 GPT2 모델 크기

<그림Ⅰ-41> 사전학습을 수행한 언어모델

<그림Ⅰ-42> GPT-3의 정확도

<그림Ⅰ-43> 전이학습(transfer learning) 

<그림Ⅰ-44> 전통 기계학습과 전이 학습의 비교

<그림Ⅰ-45> PathNet과 Stepwise Pathnet의 비교

<그림Ⅰ-46> 자동차 AI 시장규모 전망

<그림Ⅰ-47> 미국의 업종별 자동차 AI 컴퓨팅 참여기업의 지정학적 세력도

<그림Ⅰ-48> AI용 센서, 하드웨어(AI 칩), 소프트웨어, Tier1, 자동차 회사, 서비스 프로바이 이르는 차량용 AI 시장의 밸류체인과 각사의 입지

<그림Ⅰ-49> 글로벌 음성인식 시장규모 전망

<그림Ⅰ-50> 글로벌 음성인식 주요업체별 시장점유율 전망

<그림Ⅰ-51> 인공지능 사용 차량 시스템

<그림Ⅰ-52> IBM Watson이 진출한 사업 영역

<그림Ⅰ-53> IBM Watson이 답변을 도출하는 순서

<그림Ⅰ-54> IBM Watson Health 플랫폼의 구도

<그림Ⅰ-55> 사용자가 스마트폰 화면을 통해 가상의 의사(대화형 AI)와 채팅하는 모습

<그림Ⅰ-56> OCT(광간섭 단층계)로 촬영한 건강한 눈의 망막 화상(단층화상)

<그림Ⅰ-57> 당뇨망막병증의 단층화상

<그림Ⅰ-58> AI 산업 생태계

<그림Ⅰ-59> 마인드스피어(MindSphere)

<그림Ⅰ-60> 2019년 4분기 포레스터 웨이브(Forrester Wave) : 산업용 IoT 플랫폼 평가

<그림Ⅱ-1> 스파이킹 신경망(Spiking Neural Network)

<그림Ⅱ-2> 인공지능(AI)에 활용되는 딥러닝 방식의 지도학습(왼쪽)과 뉴로모픽의 비지도학습

<그림Ⅱ-3> 시냅스(SyNAPSE)에서 정보가 전달되는 과정

<그림Ⅱ-4> 인간의 뇌 구조

<그림Ⅱ-5> 생물학적인 신경세포

<그림Ⅱ-6> 폰 노이만 컴퓨팅 기술과 인간 뇌의 전력 효율성 비교

<그림Ⅱ-7> 컨볼루션 스파이킹 신경망 아키텍처

<그림Ⅱ-8> Spiking neural network in different architectures

<그림Ⅱ-9> STDP(Spike-Timing Dependent Plasticity)

<그림Ⅱ-10> 스파이킹 뉴런의 기본 모델 

<그림Ⅱ-11> 지속적인 학습을 위한 메타 학습(Meta learning) 아키텍처

<그림Ⅱ-12> 메타 러닝(Meta learning) 방법

<그림Ⅱ-13> 뉴로모픽(Neuromorphic) Architecture

<그림Ⅱ-14> 뉴로모픽(Neuromorphic) 하드웨어

<그림Ⅱ-15> 신경 네트워크의 최적화된 CPU 데이터 경로

<그림Ⅱ-16> 뉴로모픽 칩 '텐직(Tianjic 2.0)' 개요

<그림Ⅱ-17> 뉴로모픽 컴퓨팅을 위한 컨볼루션 네트워크

<그림Ⅱ-18> 뉴로모픽 칩 작동 방법

<그림Ⅱ-19> 전자제품 종류에 따른 반도체 매출 증가 추이

<그림Ⅱ-20> 뉴로멤(NM500)

<그림Ⅱ-21> 딥러닝의 지도 학습과 뉴로모픽 컴퓨팅의 비지도 학습 차이

<그림Ⅱ-22> 스커미온 제어 원리와 응용 

<그림Ⅱ-23> 기존의 강자성체(Ferromagnet)과 달리 전류방향 그대로 직진 운동을 하는 페리 스커미온(Ferromagnetic Skyrmion)의 운동 모식도

<그림Ⅱ-24> 광 시냅스 소자의 광 반응성(a)과 시냅스에서 신경전달물질 반응성(b) 모식도

<그림Ⅱ-25> Neural Processing Units(NPUs)-A new class of processors mimicking human perception and cognition

<그림Ⅱ-26> IBM에서 개발한 뉴로시냅틱 칩 TrueNorth의 구조

<그림Ⅱ-27> 비 폰노이만 컴퓨팅

<그림Ⅱ-28> 뇌의 작동 방식 모방

<그림Ⅱ-29> IBM의 인공 뉴런을 이용한 인지컴퓨터 연구

<그림Ⅱ-30> 로이히(Loihi) 뉴로모픽 코어

<그림Ⅱ-31> 실제 뇌의 뉴런과 로이히(Loihi)의 동작 방식을 보여주는 수식도

<그림Ⅱ-32> 인텔 로이히(Loihi) 뉴로모픽 컴퓨팅 칩의 아키텍처 개요

<그림Ⅱ-33> 인텔 포호키 비치 뉴로모픽 컴퓨터

<그림Ⅱ-34> 신경망 형태의 컴퓨팅 역사

<그림Ⅱ-35> 스파이킹 신경망(SNN) 아키텍처

<그림Ⅱ-36> 젯슨 자비에(Jetson AGX Xavie) 다이어그램

<그림Ⅱ-37> TensorFlow 처리 장치 아키텍처

<그림Ⅱ-38> A14 Bionic 프로세서

<그림Ⅱ-39> 모바일 AI 애플리케이션 가속화

<그림Ⅱ-40> Xilinx AI 엔진 타일

<그림Ⅱ-41> AI 반도체 특허 출원 증가율

<그림Ⅱ-42> 기존 반도체와 인공지능 반도체의 차이점

<그림Ⅱ-43> AI 반도체 생태계

<그림Ⅱ-44> AI 반도체 시장 규모

<그림Ⅱ-45> AI 반도체 시장 규모 전망

<그림Ⅱ-46> AI 반도체 시장의 성장 예측

<그림Ⅱ-47> 인공지능 반도체 Technology Hype Cycle

<표목차>

<표Ⅰ-1> 인공지능 역사

<표Ⅰ-2> 진화 단계에 따른 인공지능(AI)의 종류

<표Ⅰ-3> 기능 발전에 따른 분류

<표Ⅰ-4> 미래 인공지능의 발전 단계

<표Ⅰ-5> 범용 지능을 특징화하기 위한 다양한 접근 방법과 범용 인공지능(AGI) R&D 프로젝트

<표Ⅰ-6> NLP 언어모델(2018~2019년)

<표Ⅰ-7> 전이 학습(Transfer learning) 워크플로우 및 응용 분야 

<표Ⅰ-8> 세계 인공지능 헬스케어 시장 규모 (2016-2023)

<표Ⅰ-9> 기술별 세계 인공지능 헬스케어 시장 규모 (2016-2023)

<표Ⅰ-10> 생체정보를 이용한 빅데이터 및 인공지능 기술 적용 의료기기 품목

<표Ⅰ-11> 국내 EMR 및 의료데이터 인공지능 의료기기 제품개발 동향

<표Ⅰ-12> 2019년 인공지능(AI) 기반 의료기기 허가ㆍ인증 현황

<표Ⅰ-13> AI공장 개념

<표Ⅰ-14> 현대자동차의 미래공장에 적용될 신제조기술

<표Ⅱ-1> 스파이크 뉴럴 네트워크 시뮬레이터의 종류 및 특징

<표Ⅱ-2> 폰 노이만 컴퓨터 아키텍처와 뉴로모픽 컴퓨팅 아키텍처의 비교

<표Ⅱ-3> 비 반도체 기업의 AI 반도체 자체 개발 사례

<표Ⅱ-4> 국내 뉴로모픽 소자 및 관련 기술 개발 현황

<표Ⅱ-5> 해외 뉴로모픽 소자 및 관련 기술 개발 현황

<표Ⅱ-6> 스냅드래곤 855 vs 845 성능 비교

<표Ⅱ-7> 퀄컴(Qualcomm) 스냅드래곤 플래그십(Flagship) SoCs 2019-2020

<표Ⅱ-8> 퀄컴 vs 삼성전자 차세대 AP 사양비교

<표Ⅱ-9> 스냅드래곤 865, 스냅드래곤 865 플러스 스펙

<표Ⅱ-10> 주요 반도체 정의

<표Ⅱ-11> TPU 버전에 따른 특징 비교 및 TPU 다이어그램

<표Ⅱ-12> 애플 모바일 AP 비교

<표Ⅱ-13> 우리나라와 미국의 AI 핵심 기술 다출원인 순위

<표Ⅱ-14> 최근 10년간(2007~2016년) 전산업 특허 출원

<표Ⅱ-15> 주요 국가별 AI 핵심 기술 분야 특허 출원 건수

<표Ⅱ-16> AI 반도체와 기존 반도체(CPU)의 성능 비교 및 시장 전망

<표Ⅱ-17> AI 산업과 반도체의 변화 및 글로벌 기업 인공지능(AI) 반도체 투자 동향

<표Ⅱ-18> 글로벌 기업들의 AI 반도체 개발 경쟁

<표Ⅱ-19> 인공지능 반도체 플래그십 프로젝트 추진 로드맵

<표Ⅱ-20> 세계 주요국 AI 반도체 정책

<표Ⅱ-21> 미국 주요 대기업의 AI 반도체 개발 현황

<표Ⅱ-22> 주요 기업 AI 반도체 개발 현황

<표Ⅱ-23> 주요 AI 스타트업의 현황