기계 인지 모델 EPAM과 GPS

초록

본 논문은 인간의 언어 학습과 일반 문제 해결을 모방한 두 고전 인공지능 모델, EPAM(Elementary Perceiver and Memorizer)과 GPS(The General Problem Solver)를 소개한다. EPAM은 구두 학습 메커니즘을 구현하기 위해 차별 네트워크와 의미 인코딩을 사용하고, GPS는 문제 공간 탐색과 수단‑목표 분석을 통해 다양한 분야(정리 증명, 체스, 산술)에서 일반적인 해결 전략을 제공한다. 두 모델의 설계 목표, 핵심 아이디어, 장단점 및 적용 분야를 비교 분석한 뒤, 실제 인지 기계 구현 방안을 제시한다.

상세 분석

EPAM은 1960년대 초 로버트 멜라니와 프랭크 라우어가 제안한 인간의 구두 학습을 모사한 모델이다. 핵심은 입력 자극을 특징(피처)으로 분해하고, 이들 피처를 트리 형태의 차별 네트워크에 매핑함으로써 “유사성”과 “차이점”을 구분한다. 학습 과정에서는 새로운 자극이 기존 노드와 비교되어, 차별점이 발견되면 새로운 분기와 연결이 생성된다. 이러한 구조는 인간이 새로운 단어를 기억할 때 기존 어휘와의 연관성을 활용하는 방식과 일맥상통한다. EPAM은 기억 저장소(Memorizer)와 인지기(Perceiver)로 구분되며, 기억은 인덱스 기반의 연관 리스트로 구현돼 빠른 검색을 가능하게 한다. 그러나 피처 선택이 사전 정의돼 있어 복잡한 의미 관계를 포괄하기 어렵고, 확장성 면에서 차원 폭발(curse of dimensionality) 문제가 발생한다. 또한, 학습이 주로 구두·시각 자극에 국한돼 추론이나 추상적 사고를 다루는 데 한계가 있다.

GPS는 뉴멜버그와 사이먼이 1959년에 발표한 일반 문제 해결 프레임워크로, 문제를 “초기 상태 → 목표 상태” 사이의 변환 경로로 모델링한다. 핵심 메커니즘은 수단‑목표 분석(means‑ends analysis)으로, 현재 상태와 목표 상태 사이의 차이를 식별하고, 그 차이를 줄이는 연산(수단)을 선택한다. 이를 위해 GPS는 연산 집합(operators)과 전제조건(preconditions), 효과(effects)를 명시한 규칙 기반 시스템을 사용한다. 탐색 전략으로는 깊이 우선, 폭 우선, 그리고 휴리스틱 기반의 제한된 깊이 탐색이 결합돼 효율성을 높인다. GPS는 정리 증명, 체스, 산술 문제 등 다양한 도메인에 적용 가능했으며, 특히 문제 공간을 명시적으로 정의함으로써 인간 전문가가 설계한 전략을 그대로 재현할 수 있었다. 그러나 연산 정의가 사전에 완전히 제공돼야 하며, 복잡한 문제에서는 상태 공간이 급격히 확대돼 탐색 비용이 급증한다. 또한, 휴리스틱 설계가 주관적이어서 일반화 능력이 제한적이다.

두 모델을 비교하면 EPAM은 학습과 기억에 초점을 맞춘 인지 구조를 제공하지만, 문제 해결 능력은 제한적이다. 반면 GPS는 문제 해결 메커니즘을 포괄하지만, 학습·적응 능력은 거의 없으며 사전 지식에 크게 의존한다. 현대 인공지능에서는 이 두 접근을 통합해, 데이터‑드리븐 학습과 목표‑지향 탐색을 결합하는 하이브리드 아키텍처가 활발히 연구되고 있다.