올해의 단어를 꼽으라면 ‘LLM(대규모언어모델)’을 빼놓고 이야기하기는 힘들 것 같다. 작년 말 오픈AI의 챗GPT가 공개된 이후 LLM은 정보기술(IT) 분야를 넘어서 일상 곳곳에 자리잡았다.
그런데 불과 1년 만에 LLM이라는 단어도 낡은 유산으로 전락할 처지다. LLM을 대신할 새로운 용어가 인공지능(AI) 업계에 등장했기 때문이다. 바로 ‘LMM(대규모멀티모달모델)’이 챗GPT 등장 1년 만에 AI 업계의 판도를 바꿀 새로운 ‘게임 체인저’로 주목받고 있다.
오픈AI가 최근 공개한 LMM ‘GPT-4V’를 이용해 존맛탱이 들어간 이미지에 대해 설명해달라고 했더니 ‘맛있는 음식’을 의미한다고 정확하게 설명해준다.
LLM와 LMM의 차이는 언어와 멀티모달에 있다. LLM이 대규모로 언어 모델을 학습했다면 LMM은 멀티모달을 학습했다고 보면 된다. 멀티모달은 텍스트 외에 이미지와 음성 같은 다양한 방식을 사용하는 AI를 말한다. 챗GPT가 텍스트에 기반해서 이용자와 질문과 대답을 주고 받는 AI였다면 LMM을 적용한 AI는 텍스트뿐만 아니라 이미지와 음성까지도 이용할 수 있게 되는 셈이다.
LMM은 많은 AI전문가들이 챗GPT의 다음으로 주목했던 기술이다. 하지만 이미지와 음성을 인식하고 출력하는 기술은 텍스트를 대상으로 하는 것과는 비교가 안 되게 어려움이 클 것이라는 예상이 많았다. LMM의 시대가 오기까지는 제법 시간이 걸릴 것이라는 전망이 많았다.
그런데 오픈AI가 다시 한 번 그 예상을 깼다. 오픈AI가 지난 9월 25일 공개한 ‘GPT-4V(ision)’는 AI 전문가들을 깜짝 놀라게 했다. GPT-4V는 이용자가 이미지를 올리고 이미지에 대한 질문을 할 수 있는 LMM으로, 사실상 전 세계에서 처음으로 대중화된 LMM 서비스다. 오픈AI는 이미 작년 말 GPT-4V를 위한 학습을 마치고, 올해에는 알파 그룹의 사용자에게 접근 권한을 부여한 뒤 테스트를 진행해 GPT-4V의 신뢰도를 높였다. 공개 직전인 9월 초에는 베타테스터 규모를 1만6000명까지 늘리기도 했다.
이렇게 출시된 GPT-4V는 챗GPT와는 또다른 충격을 주고 있다. 많은 사람들이 GPT-4V가 어떤 이미지까지 인식할 수 있는지 실험에 나서고 있는데, 챗GPT가 처음 나왔을 때 챗GPT에 질문을 던지는 게 일종의 ‘밈’처럼 이뤄진 것과 같은 분위기다.
지난 9월 29일에는 마이크로소프트의 연구자들이 GPT-4V를 이용해 다양한 실험을 진행한 논문이 공개되기도 했다. 단순한 이미지 해석에서부터 스도쿠 같은 게임을 이용한 추리, 인물의 표정을 통해 기분을 유추하는 것 등 다양한 실험이 망라돼 있었다.
특히 인상깊은 건 엑스레이 이미지를 보고 골절 부위를 지목한다거나 영어가 아닌 다른 국가의 언어가 들어간 이미지까지 제대로 해석해서 설명을 내놓는다는 점이었다. 김밥을 만드는 순서를 정확하게 나열하거나 손글씨로 제시된 이미지도 문제 없이 이해하는 모습이었다.
GPT-4V에 김밥을 만드는 과정을 담은 이미지 5개를 제시하고 순서대로 배치하라고 하자 정확하게 나열한 모습.
GPT-4V에 인물의 얼굴을 담은 사진을 제시하자 인물이 어떤 감정 상태인지를 묘사하고 있다.
김진중 원티드랩 생성 AI팀 리더는 자신의 페이스북에 올린 글에서 “GPT-4V는 이미지 판별, 디텍팅, OCR은 물론이고 X-Ray 분석과 밈의 이해와 설명까지 한다”며 “챗GPT가 처음 나왔을 때 정도의 충격”이라고 평가했다. 그는 GPT-3로 AI 업계가 완전히 바뀐 것과 같은 상황이 다시 올 것이라고도 내다봤다.
논문을 작성한 연구진은 “GPT-4V 같은 시각적인 프롬프트를 이용한 방식은 인간과 컴퓨터가 상호 작용하는 새로운 길을 열 수 있다”며 “LMM은 LLM에서 한 단계 더 나아가서 다양한 감각을 갖춘 일반적인 지능을 달성하게 해줄 것”이라고 밝혔다.
오픈AI가 선수를 쳤다면 구글은 반격을 준비하고 있다. 구글이 이르면 다음 달 공개할 예정인 제미니 역시 LMM을 표방하고 있다. 주빈 가라마니 구글 딥마인드 부사장은 지난 5월 열린 구글 연례 개발자 회의에서 “멀티모달은 의료 서비스, 가상 비서, 자율주행 같은 다양한 분야에서 활용도가 높다”며 LMM을 차세대 AI 서비스로 지목한 바 있다.
[팝송으로 배우는 영어] 한국인이 좋아하는 팝송 042.She’s Gone — Steelheart (쉬즈 곤: 스틸하트) [듣기/가사/해석]
Steelheart – She’s Gone [듣기/가사/번역]
by 想像 2023. 1. 13.
미국의 헤비메탈 그룹 스틸하트가 동명의 1990년 발표 데뷔 앨범 ‘Steelheart’의 수록곡이며, 미국에서 발매되었을 때 빌보드 59위에 오르면서 유명세를 타게 되었다. 한국에서는 이영애가 출연한 1994년 어느 화장품 브랜드 CF 뿐만 아니라 허리케인 블루가 개그 소재로 써 먹는 등 완전히 유명세를 타면서 1996년 가요톱10에 출연했으며, 1997년에는 스틸하트가 내한 공연을 가지기도 했다. 미국 본토에서 보다 한국에서 더 많은 인기를 얻은 케이스다.
[천체물리 – 우주(과학)] 제임스 웹 우주망원경+중력렌즈…은하의 본 모습 밝히다 [아하! 우주]
제임스 웹 우주망원경+중력렌즈…은하의 본 모습 밝히다 [아하! 우주]
입력2023.10.10. 오전 10:12
[서울신문 나우뉴스]
두 은하의 충돌을 다른 각도로 관측하는 원리. 사진=KyotoU/Yoshi Asada제임스 웹 우주망원경은 지금까지 관측이 어려웠던 희미한 천체를 관측해 그 진가를 증명해 보였다. 우주 초기에 형성되어 허블 우주망원경으로도 희미한 점 정도로 보였던 은하의 모습도 제임스 웹 우주망원경의 강력한 성능으로 더 자세한 모습과 특징을 연구할 수 있었다.
하지만 우주에는 제임스 웹 우주망원경으로도 관측이 어려운 희미한 은하가 다수 존재한다. 이때 큰 도움을 받을 수 있는 것이 중력 렌즈다. 중력 렌즈는 아인슈타인의 상대성 이론에서 예측된 현상으로 은하나 은하단처럼 질량이 큰 천체 주변에서는 중력에 의해 빛의 경로가 휘어지면서 마치 렌즈처럼 작용하는 현상을 의미한다. 덕분에 멀리 떨어진 은하가 본래 밝기보다 수십 배 밝아지는 경우도 있다.
천문학자들은 제임스 웹 우주망원경이 발사되기 전부터 중력렌즈를 적극 활용해 왔으나 제임스 웹 우주망원경과 중력렌즈의 힘을 합쳐 이제는 더 멀리 떨어진 어두운 천체를 관측하는 데 큰 도움을 받고 있다.
하지만 중력렌즈는 우리가 일반적으로 생각하는 렌즈처럼 깨끗하고 균일한 상을 맺는 경우가 많지 않다. 거대한 은하단의 중력에 의해 빛의 경로가 무작위로 바뀌기 때문에 종종 초점이 맞지 않거나 상이 여러 개 맺히는 경우가 흔하다. 하지만 과학자들은 이를 복원해서 본래 이미지와 스펙트럼 같은 중요한 정보를 얻는 기술을 갖고 있어 연구에는 큰 문제가 되지 않는다. 오히려 여러 개의 상이 맺히는 경우 더 재미있는 연구를 할 수 있다.
일본 교토대학과 캐나다 세인트 메리스대학 연구팀은 거대 은하단인 MACS 0417이 만드는 중력렌즈를 이용해 연구를 하다가 하나의 은하에서 나오는 두 개의 이미지가 서로 다르다는 것을 확인했다. 이 은하는 사실 하나의 은하가 아니라 ELG1와 ELG2라는 두 개의 은하가 충돌해 하나의 더 큰 은하로 성장하는 중으로 우주 초기에는 이렇게 작은 은하들이 서로 충돌해 더 큰 은하가 되는 일이 흔했다. 사실 우리은하 역시 몇 차례의 충돌을 거쳐 대형 은하로 성장했다.
그런데 연구팀이 확인한 두 이미지 A, B는 단순히 초점이 맺혀지지 않은 이미지가 아니었다. 그보다는 서로 다른 각도에서 본 은하였다. 이런 일이 가능한 이유는 은하에서 나온 빛이 은하단의 강력한 중력에 의해 경로가 바뀌면서 다른 각도에서 나온 빛도 지구에 도달할 수 있었기 때문이다. (사진 참조) 예를 들면 지구에서 관측했을 때 얼굴의 정면과 측면 이미지를 한 번에 확인할 수 있는 셈이다.
사실 우주에 있는 천체들은 모두 3차원적인 존재들이다. 따라서 이들을 한 각도에서만 보는 것은 전체 모습을 제대로 파악하기 힘든 이유 중 하나다. 그래도 은하처럼 어느 정도 형태가 알려진 경우는 어려움이 덜한데, 충돌하는 은하처럼 형태와 구조가 제각각인 경우에는 아무래도 전체 형태를 파악하기 힘들다. 과학자들은 우연한 기회에 중력렌즈의 도움으로 같은 은하를 여러 각도에서 파악해서 전체 모습을 더 잘 이해할 수 있게 됐다. 과학자들에게 중력렌즈는 자연이 준 가장 큰 렌즈이지만, 동시에 렌즈 이상의 도움을 주는 자연의 선물인 셈이다.
[천체물리 – 우주(과학)] 시속 63만㎞ 신기록…탐사선 파커, 태양을 터치하다 [아하! 우주]
시속 63만㎞ 신기록…탐사선 파커, 태양을 터치하다 [아하! 우주]
입력2023.10.13. 오후 2:39
[서울신문 나우뉴스]
태양을 탐사하는 파커 솔라 프로브(Parker Solar Probe)의 그래픽 이미지.미 항공우주국(NASA)의 태양탐사선 ‘파커 솔라 프로브’(Parker Solar Probe·이하 PSP)가 인류의 피조물 중 가장 빠른 우주선 기록과 태양에 최근접하는 기록을 동시에 세웠다.
최근 NASA 측은 지난달 27일(미 현지시간) PSP가 17번째 태양 근접비행을 수행하면서 태양 표면 기준 약 726만㎞까지 최근접했다고 밝혔다. 또한 이날 PSP는 시속 63만 5266㎞의 속도를 내 역대 최고 기록도 경신했다. 이 정도면 소총 총알의 약 200배 속도로 현재 8시간 가량 걸리는 뉴욕에서 런던을 약 31초 만에 갈 수 있다.
미 존스홉킨스 응용물리학 연구소 마이클 버클리 연구원은 “PSP가 건강한 상태로 태양에 최근접했다”면서 “모든 시스템이 정상적으로 잘 작동하고 있다”고 밝혔다.
한가지 더 놀라운 점은 PSP의 기록 경신이 이번이 끝이 아니라는 사실이다. 오는 2024년과 2025년으로 예정된 마지막 3번의 근접비행에서 PSP는 최고 시속 69만 2000㎞의 속도로 태양에 616만㎞까지 접근할 예정이기 때문이다.
파커 솔라 프로브의 17번째 근접비행을 보여주는 그래픽 이미지. 출처=NASA/Johns Hopkins APL/Steve Gribben이처럼 PSP가 엄청난 속도를 내며 태양 궤도를 선회하는 이유는 태양의 가공할 중력을 버티기 위해서다. 이를 위해서는 인류의 힘 만이 아닌 ‘우주의 도움’도 필요하다. 바로 중력도움으로 불리는 플라이바이(fly-by)인데 행성궤도를 근접통과하면서 행성의 중력을 훔쳐 가속을 얻는 방법이다. PSP가 중력도움을 얻는 대상은 금성이다. PSP는 여러차례에 걸친 금성 중력 도움을 받으면서 태양 궤도를 차츰 좁혀나갈 계획이다.
한편 지난 2018년 8월 12일 발사된 PSP는 총 24차례 태양 근접비행을 수행할 예정으로 미션 이름도 ‘태양을 터치하라!‘(Touch the Sun)이다. 특히 PSP는 태양에 매우 가까이 다가가기 때문에 강력한 열에너지에서 탐사선을 보호할 수 있는 두꺼운 쉴드를 가지고 있다. 다만 오랜시간 복사열을 견디지 못하기 때문에 긴 타원궤도를 돌면서 금성과 태양 주변을 부지런히 오가고 있다.
태양을 탐사하는 파커 솔라 프로브(Parker Solar Probe)의 그래픽 이미지PSP의 임무는 그간 베일에 쌓여왔던 수많은 태양의 비밀을 푸는 것이다. 대표적으로 태양 대기인 코로나가 태양 표면 온도보다 수백 배 더 높은 이유와 태양풍의 비밀이다. 태양은 ‘태양 플라스마’라 불리는 태양풍을 내뿜는데 당연히 지구를 포함한 태양계 천체는 이 영향을 받는다. 특히 태양풍은 어떨 때는 엄청난 에너지를 뿜어내는데 이 경우 GPS 등 통신 시설이 마비되는 등 지구에 커다란 영향을 미친다.
생각에 대해 생각할 줄 아는 사람들이 그렇지 않은 사람들에 비해 부정적 정서를 잘 이겨낸다는 발견들이 있었다. 예를 들어 슬프고 우울한 기분이 들 때 밑도 끝도 없이 우울하다고 하기보다 “오늘따라 사소한 실수에도 크게 속이 상하고 실패자가 된 느낌이 드는데 왜 그럴까. 아마 며칠 동안 스트레스가 심해서 그런 거 같다”처럼 자신의 마음 상태를 분석적으로 생각할 수 있는 사람들이 그렇지 않은 사람들에 비해 우울감을 잘 이겨내는 경향을 보인다.
많은 경우 우리의 감정이나 생각은 현실을 있는 그대로 반영하기보다 다양한 상황적 요소들에 의해 들쑥날쑥하기 마련이다. 보통이라면 전혀 짜증나지 않았을 만한 일이 몸과 마음이 지쳐있을 때면 버럭 화가 날 만한 일이 되는 것이 단적인 사례다.
우리의 판단력이라는 것도 이렇게 평소보다 감정이 격해질만한 상황에 놓였을 때는 그다지 신뢰할 만하지 못하다. 배가 심하게 고플 때 장을 보면 평소보다 훨씬 많이 사게 되고 화가 났을 때는 세상 사람들이 나의 적인 것처럼 보인다. 화장실 가기 전과 갔다 온 후가 완전히 다르다는 말처럼, 감정적으로 머리가 뜨거울 만한(hot state) 상황에서는 우리의 감정도 이성도 제대로 작동하지 않는 경우가 많다.
그래서 잔뜩 화가 났거나 한 밤 중에 갑자기 존재론적 고독감이 몰려왔을 때 중요한 결정을 하지 말라는 조언들을 한다. 홧김에 사표를 내는 것이나 새벽에 갑자기 전 애인에게 문자를 보내는 행위는 대체로 다음 날 큰 후회를 불러오곤 하기 때문이다.
나의 경우 우울함이 몰려오는 새벽이면 인터넷으로 충동구매를 하고 그 다음 날이면 정신이 들면서 부랴부랴 구매를 취소하는 일을 겪곤 함을 고백한다.
“마음의 소리”를 따르라고들 하지만 그래도 될 때가 있는 반면 그러면 안 되는 때가 있다는 것이다. 하지만 보통 마음의 소리를 따르면 안 될 때일수록 마음의 소리가 유난히 시끄럽기 때문에 지금이야말로 마음의 소리를 따라야 할 것 같은 확신이 든다는 게 문제다. 이런 점에서 더더욱 내 마음에 대해 따지고 분석할 줄 아는 능력이 중요하다.
나의 경우 만성 통증이 올라오면 우울해지는 경향이 있다. 바로 어제도 통증을 감지하고 한창 우울감에 빠져 있었다. 어느새 스스로에게 이렇게 사는게 도대체 무슨 의미가 있는지 의문을 던지고 있는 나를 발견했다. 이럴 때면 모든 일을 그만 두고 아무도 모르는 곳으로 훌쩍 사라져버리고 싶다는 생각을 하게 된다.
그러던 중 문득 신체적 통증과 이에 대한 감정 반응(짜증, 슬픔 등)은 별개임을 떠올리고 이런 감정들이 나타난 경위에 대해 생각해보기 시작했다. 내 마음이 계속해서 나에게 ‘정말 싫다. 우울하다. 짜증난다.’ 같은 말을 하고 있는 것을 발견했다.
물론 지금의 삶이 별로 의미 없는 것 같다는 느낌을 사실로 받아들일 수도 있지만, 우선 이건 어디까지나 나의 감정이고 생각임을 떠올려 보았다. ‘나는 지금 이렇게는 살고 싶지 않다는 생각을 하고 있다. 나는 지금 내 마음이 나에게 이렇게 살기 싫다고 이야기하고 있음을 인식하고 있다.’ 하고 목소리를 내어 스스로에게 이야기해 보았다.
별 것 아닌 행동이지만 목소리를 내어 이야기해 보니 나를 계속해서 괴롭히던 것의 정체는 나의 생각임이 분명해지는 듯한 기분이 들었다. 내가 만들어 낸 생각과 현실을 조금 구분할 수 있을 것 같았다. 그 기저에는 통증에 대해 내가 할 수 있는 것이 없고 앞으로도 영원히 아플 거라는 다소 비합리적인 신념이 있다는 점도 발견할 수 있었다.
꾸준히 치료를 받는 것이 분명 도움이 되고 전반적인 건강 관리를 잘 하면 좋아진다는 것도 경험을 통해 분명히 알고 있다. 하지만 우울감에 깊이 빠져 있을 때면 마치 마음에 검은 장막이 드리워지듯 긍정적이었던 경험들이 묻혀 하나도 떠오르지 않게 된다. 결국 우울할 때면 가장 안 좋았던 경험과 가장 안 좋은 상상만 선택해서 떠올리는 것이 큰 문제임을 알 수 있었다.
떠오르는 감정을 억누르는 것은 별로 좋지 않지만 감정에 대해 따져보는 시도는 중요한 것 같다. 부정적 감정의 존재 이유는 어디까지나 우리가 안전하고 행복하게 살아갈 수 있도록 잠재적인 위험 요소에 주의를 주게끔 만드는 것이다.
따라서 어디까지나 감정에 먹히지 않되 그것의 메시지를 알아차리는 것이 중요하다. 그렇지 않으면 지나치게 주의를 빼앗겨 현실적인 문제 해결과는 동떨어진 길을 가게 될 수 있음을 기억하자.
Hargus, E., Crane, C., Barnhofer, T., & Williams, J. M. G. (2010). Effects of mindfulness on meta-awareness and specificity of describing prodromal symptoms in suicidal depression.Emotion, 10(1), 34–42. https://doi.org/10.1037/a0016825
※필자소개 박진영. 《나, 지금 이대로 괜찮은 사람》, 《나를 사랑하지 않는 나에게》를 썼다. 삶에 도움이 되는 심리학 연구를 알기 쉽고 공감 가도록 풀어낸 책을 통해 독자와 꾸준히 소통하고 있다. 온라인에서 ‘지뇽뇽’이라는 필명으로 활동하고 있다. 현재 미국 듀크대에서 사회심리학 박사 과정을 밟고 있다
[팝송으로 배우는 영어] 한국인이 좋아하는 팝송 041.Vincent — Don McLean (빈센트 : 돈 맥클린) [듣기/가사/해석] 써리 써리 나잇(트)
Don McLean – Vincent / 돈 맥클린 – 빈센트 [가사/해석/듣기/노래]
‘Vincent’는 1971년 10월 24일에 발매된 미국 출신의 싱어송라이터인 ‘돈 맥클린 (Don McLean)’의 정규 2집 앨범인 [American Pie] 수록곡이다.
1970년에 발매된 1집 앨범 [Tapestry]가 상업적으로 성공을 거두면서 이름을 알린 ‘돈 맥클린’은 그의 어릴 적 우상이었던 미국의 로큰롤 스타이자 비행기 사고로 사망한 싱어송라이터인 ‘버디 홀리 (Buddy Holly)’에게 헌정한 앨범인 2집 앨범 [American Pie]를 1971년에 발표하였다. 앨범의 타이틀 곡인 ‘American Pie’에는 ‘버디 홀리’의 죽음에 관하여 언급이 되었다.
2집 앨범 [American Pie]는 빌보드 싱글 차트 1위를 차지한 ‘American Pie’와 수록곡인 ”Vincent’가 세계적인 히트를 하였고 앨범은 빌보드 앨범 차트 1위를 차지하였다. 앨범 [American Pie]는 ‘죽기 전에 꼭 들어봐야 할 앨범 1001’에 선정이 되었다.
‘Vincent’는 ‘돈 맥클레인’이 작사, 작곡한 곡으로, ‘돈 맥클레인’이 네덜란드의 전설적인 화가인 ‘빈센트 반 고흐’의 전기를 읽고 그를 추모하기 위해 만든 곡이다. 1972년 2월에 싱글로 발표가 되었고, 빌보드 싱글 차트 12위, 빌보드 어덜트 컨템퍼러리 차트 2위를 기록하였고, 영국, 아일랜드, 이탈리아 싱글 차트 1위를 차지하였다.
‘Vincent’는 서정적인 가사와 아름다운 멜로디로 한국인이 가장 좋아하는 팝송 중 한곡으로 꾸준히 애청되고 있는 명곡이다.
‘돈 맥클레인’은 2008년 잠실 종합 운동장에서 열린 ‘멜라니 사프카 (Melanie safka)’, ‘도노반 (Donovan)’, ‘쥬디 콜린스'(Judy Collins)’, ‘알란 파슨스 프로젝트 (Alan Parsons Project)’, ‘크리스탈 게일 (Crystal Gayle)’, ‘제니스 이안 (Janis Ian)’, ‘브라더스 포 (Brothers Four)’, ‘닥터 훅 (Dr. Hook)’, ‘블러드 스웻 앤 티얼즈 (Blood Sweat & Tears)’등 전설적인 포크 가수들이 공연한 ‘플라워 파워 콘서트’에 참여하여 공연을 가지기도 하였다.
Don McLean – Vincent [Song]
Don McLean – Vincent
Don McLean – Vincent [Single]
Don McLean – Vincent
Don McLean (돈 맥클린) – Vincent (빈센트) [가사/해석]
Starry, starry night
Paint your palette blue and grey
Look out on a summer’s day
With eyes that know the darkness in my soul
별이, 별이 빛나는 밤
당신의 팔레트를 파랑과 회색으로 칠해요
여름날의 밖을 봐요
내 영혼 속 어둠을 아는 눈으로
Shadows on the hills
Sketch the trees and the daffodils
Catch the breeze and the winter chills
In colors on the snowy linen land
언덕 위의 그림자들
나무와 수선화를 스케치해요
산들바람과 겨울의 한기를 표현해봐요
눈빛 리넨 땅 위의 색채 속에서요
Now I understand
What you tried to say to me
How you suffered for your sanity
How you tried to set them free
They would not listen, they did not know how
Perhaps they’ll listen now
이제 난 이해해요
당신이 내게 말하려고 했던 것을요
당신이 제정신을 지키려고 얼마나 괴로워했는지
그들을 자유롭게 해 주려고 얼마나 노력했는지
그들은 듣지 않으려 했고, 그럴 방법을 몰랐어요
어쩌면 이제는 듣게 되겠죠
Starry, starry night
Flaming flowers that brightly blaze
Swirling clouds in violet haze
Reflecting Vincent’s eyes of China blue
별이, 별이 빛나는 밤
밝게 빛나는 불타는 꽃들과
보랏빛 안갯속에서 소용돌이치는 구름들이
빈센트의 차이나 블루 빛 눈에 비치고 있네요
Colors changing hue
Morning fields of amber grain
Weathered faces lined in pain
Are soothed beneath the artist’s loving hand
빛깔을 바꾸는 색채들
호박빛 곡식이 자라는 아침의 들판
고통 속에서 주름진 나이 든 얼굴들은
예술가의 애정 어린 손길 아래서 위로받아요
Now I understand
What you tried to say to me
How you suffered for your sanity
How you tried to set them free
They would not listen, they did not know how
Perhaps they’ll listen now
이제 난 이해해요
당신이 내게 말하려고 했던 것을요
당신이 제정신을 지키려고 얼마나 괴로워했는지
그들을 자유롭게 해 주려고 얼마나 노력했는지
그들은 듣지 않으려 했고, 그럴 방법을 몰랐어요
어쩌면 이제는 듣게 되겠죠
For they could not love you
But still your love was true
And when no hope was left in sight
O that starry, starry night
그들이 당신을 사랑할 수 없었기에
그럼에도 당신의 사랑이 진실했기에
그래서 어떤 희망도 눈앞에 남지 않았던
별이, 별이 빛나는 밤에
You took your life as lovers often do
But I could have told you, Vincent
This world was never meant for one as beautiful as you
당신은 연인들이 종종 그러듯 자신의 삶을 내던졌죠
하지만 난 당신에게 얘기할 수 있었을 거예요, 빈센트
이 세상은 결코 당신처럼 아름다운 이들을 위한 곳이 아니었다고
Starry, starry night
Portraits hung in empty halls
Frameless heads on nameless walls
With eyes that watch the world and can’t forget
Like the strangers that you’ve met
별이, 별이 빛나는 밤
텅 빈 홀에 걸린 초상화들
이름 없는 벽들 위에 액자 없이 걸린 것들
세상을 보고 잊지 못하는 눈으로
당신이 만났던 이방인들
The ragged men in ragged clothes
The silver thorn of a bloody rose
Lie crushed and broken on the virgin snow
해진 옷차림의 해진 사람들처럼
핏빛 장미의 은빛 가시는
깨끗한 눈 위로 조각나고 부서져 놓여 있네요
Now I think I know
What you tried to say to me
How you suffered for your sanity
How you tried to set them free
They would not listen, they’re not listening still
‘Monday Morning 5.19’는 1998년 8월 1일에 발매된 영국 브릿팝/모던 록 밴드 리알토 (Rialto)의 셀프 타이틀 데뷔 앨범 [Rialto] 타이틀 곡이다.
1997년 11월 1일에 싱글로 발매된 ‘Monday Morning 5.19’는 영국 싱글 차트에서 37위까지 올랐지만 영국을 제외하고는 다른 나라에서는 알려지지 못한 밴드이다.
‘Monday Morning 5.19’는 국내 광고의 배경음악으로 쓰이면서 폭발적인 인기를 끌었고, 리알토의 데뷔 앨범 [Rialto]는 10만 장 이상이 팔리며, 국내 앨범 차트에서 1위를 차지하기도 하였다.
한국에서의 인기를 의식해서인지 2001년에 발표한 2집 앨범 [Night on Earth] 타이틀 곡인 ‘Catherine’s Wheel’의 뮤직 비디오에서는 국내 인기 여배우인 이나영을 출연시키기도 하였다. 2집 앨범 활동 이후 리알토는 2002년 해체하였다.
‘Monday Morning 5.19’는 특히 월요일 아침이면 라디오에서 가장 많이 나오는 노래 중 한곡이며, 노래는 떠나간 여인에 대한 그리움을 노래하고 있으며, 복고풍의 몽환적인 느낌과 따뜻한 감성이 한국적인 정서와 맞아 떨어지면서 국내 음악팬들에게 많은 사랑을 받았다.
최근에 ‘Monday Morning 5.19’는 TVN의 예능 프로그램인 차태현, 조인성이 출연한 ‘어쩌다 사장’의 배경음악으로 쓰이면서 다시 사랑을 받고 있는 노래이다.
[팝송으로 배우는 영어] 한국인이 좋아하는 팝송 039.I’d Love You To Want Me — Lobo ( 아이드 러브 유 원 미 : 로보) [듣기/가사/해석]
Lobo (로보) – I’d Love You To Want Me [가사/해석/듣기/노래]
Lobo – I’d Love You To Want Me
‘I’D Love You To Want Me’는 1972년 10월에 발매된 미국의 싱어송라이터 ‘로보 (Lobo)’의 정규 2집 앨범 [Of A Simple Man] 수록곡이다.
로보의 본명은 ‘롤랜드 켄트 라보이 (Roland Kent LaVoie)’로 로보는 예명이다. 2집 앨범 전곡을 작사, 작곡을 하였고 앨범 수록곡들 중 ‘Don’t Expect Me to Be Your Friend’와 ”I’D Love You To Want Me” 2개의 싱글이 발매가 되었다.
‘I’D Love You To Want Me’는 1972년 9월에 싱글로 발매가 되었고, 로보의 노래들 중 가장 크게 히트를 하였고 차트에서도 가장 좋은 성적을 나타내었다. 또한 많은 가수와 밴드들이 이 노래를 리메이크하기도 하였다.
‘I’D Love You To Want Me’는 빌보드 싱글 차트 2위, 빌보드 어덜트 컨템퍼러리 1위를 차지하였고, 호주, 캐나다, 독일, 아일랜드, 스위스, 오스트리아, 남아공 등의 국가에서 싱글 차트 1위를 차지하였다.
특히 국내에서도 많은 인기를 얻은 곡으로 한국인이 좋아하는 팝송이며 서정적인 가사와 아름다운 멜로디로 꾸준하게 애청되고 있는 발라드 곡이다.
Lobo – I’d Love You To Want Me [Live]
Lobo – I’D Love You To Want Me
Lobo – I’d Love You To Want Me [Song/Lyrics]
Lobo – I’D Love You To Want Me
Lobo – I’d Love You To Want Me [Single]
Lobo – I’D Love You To Want Me
Lobo – I’d Love You To Want Me (당신이 날 좋아했으면 좋겠어요) [가사/해석]
[인공지능 기술] WebGPU powered machine learning in the browser with Apache TVM : Apache TVM을 사용하여 브라우저에서 WebGPU 기반 기계 학습
By Tianqi Chen, Jared Roesch, and Jason Knight
TL;DR
Easy ML deployment in the browser with near-native GPU performance and WebAssembly
We introduced support for WASM and WebGPU backends to the Apache TVM deep learning compiler Our initial experiments shows that TVM’s WebGPU backend can get close to native GPU performance when deploying models in the browser.
Introduction — faster browser applications
WebGPU and WebAssembly are two up-and-coming browser standards aimed at making browser based applications as efficient as native applications while retaining hardware portability. WebGPU first builds on top of the lower level graphics API movements to enable more full featured GPU accelerated compute capabilities as compared to its predecessor WebGL, and WebAssembly (WASM) is a similar effort for unlocking CPU based compute capabilities. And best of all, WASM is most likely already enabled in the browser you’re reading this in, with WebGPU coming soon.
For some of the exciting capabilities and use cases behind WASM particularly, please check out Lin Clark’s excellent WASM “skill tree”
WASM’s post MVP skill tree
Leveraging more of these WASM capabilities such as SIMD support and multi-threading as they mature is an exciting area of future work, but let’s see how far we can get with WASM and WASI (standard interfaces) to feed WebGPU compute shaders.
Machine learning in the browser
While efforts like TensorFlow.js and ONNX.js attempt to bring machine learning to the browser, there still exist non-trivial gaps in performance between the web versions and native ones. One of the many reasons behind these gaps are the lack of standard and performant access to the GPU on the web. WebGL lacks important features such as compute shaders and generic storage buffers that are necessary for high performance deep learning.
WebGPU offers the potential to bridge this gap with its first-class compute shader support.
To explore the potential of using WebGPU for deploying machine learning in the browser, we enhanced the deep learning compiler Apache (incubating) TVM to target WASM (for host code that computes the launching parameters and calls into the device launch) and WebGPU (for device execution). Our preliminary results are quite positive — for the first time, we can deploy machine learning applications on the web while still getting near native performance on the GPU.
Please check out our companion Apache TVM technical blog post for the technical details, but in short, we were able to achieve near native GPU performance in the browser through WASM and WebGPU by combining:
TVM’s existing LLVM backend for it’s WASM generation support
A new tvmjs TypeScript runtime
WASM’s standard interfaces (WASI) for system library calls (eg malloc, stderr)
Chrome’s nightly WebGPU support
One important advantage of the compilation based approach is the reuse of infrastructure. We are able to effortlessly relative to other approaches target the web by reusing the infrastructure for optimizing GPU kernels for native platforms such as CUDA, Metal and OpenCL. If the mapping of the WebGPU API to native APIs is efficient we can expect similar performance with very little work. More importantly, the AutoTVM infrastructure allows us to specialize the compute shaders for specific models, enabling the generation of the best compute shaders for our specific model of interest.
Performance
We ran a quick experiment comparing the execution of a full Mobilenet execution via TVM’s WebGPU backend and native targets that use native GPU runtimes (Metal and OpenCL). We find that WebGPU get’s quite close to matching the performance of Metal. Assuming Chrome WebGPU’s runtime targets Metal instead of OpenCL on the MacOS, we can safely assume there is little to no performance loss when targeting the GPU through the browser here.
We also expect further performance boosts by applying AutoTVM tuning on the GPU being used by the browser since these results are based off previously auto-tuned schedules from a GTX 1080 Ti, which is quite different from the Intel graphics GPU. To make this easier, we expect our upcoming improvements to the uTVM runtime (stay tuned to this blog for an update in the next 1–2 weeks) for embedded microcontrollers will help make autotuning easier in the browser since WASM targets share many similarities to embedded devices.
Looking to the Future
Our results suggest many interesting opportunities for machine learning on the web. Notably, WebGPU is an API that is still evolving and its implications could go beyond web applications. For example one could target native APIs of WebGPU as it matures and becomes standardized through WASI, enabling standalone WASM applications that make use of WebGPU.
The TVM community is also actively working on a Rust based runtime that would enable much more robust WASM support and enable easier interaction with projects like wgpu, and the Rust WASM ecosystem. As an open source project, we are looking for contributors who can bring in new ideas and help push the project in these exciting directions.
The proposed approach provides effective machine learning support for most WASM’s application scenarios. The close to native performance could also unlock better federated learning capabilities on the browser. The same compiled package should also be able to run on native WASM executors to provide sandbox for the applications.
Show me the Details/Code
Detailed technical version of this blog post
Example project for image classification
Apache TVM on github
Acknowledgement
We would like to thank the emscripten project for providing the WASM compilation infrastructures as well as the JS library support on the web. We would also like to thank the WebGPU community for various helpful discussions. Thanks to Fletcher Haynes for valuable feedback on the post.
Apache TVM 딥 러닝 컴파일러 에 WASM 및 WebGPU 백엔드에 대한 지원을 도입했습니다 . 초기 실험에 따르면 브라우저에 모델을 배포할 때 TVM의 WebGPU 백엔드가 기본 GPU 성능에 근접 할 수 있는 것으로 나타났습니다.
소개 — 더 빠른 브라우저 애플리케이션
WebGPU 와 WebAssembly 는 하드웨어 이식성을 유지하면서 브라우저 기반 애플리케이션을 기본 애플리케이션만큼 효율적으로 만드는 것을 목표로 하는 두 가지 최신 브라우저 표준입니다. WebGPU는 먼저 낮은 수준의 그래픽 API 움직임을 기반으로 구축되어 이전 WebGL에 비해 더 많은 기능을 갖춘 GPU 가속 컴퓨팅 기능을 지원하며 WebAssembly(WASM)는 CPU 기반 컴퓨팅 기능을 잠금 해제하기 위한 유사한 노력입니다. 무엇보다도 WASM은 이 글을 읽고 있는 브라우저에서 이미 활성화되어 있을 가능성이 높으며 WebGPU도 곧 출시될 예정입니다 .
특히 WASM의 흥미로운 기능과 사용 사례에 대해서는 Lin Clark의 우수한 WASM “스킬 트리”를 확인하세요.
WASM의 포스트 MVP 스킬 트리
SIMD 지원 및 멀티스레딩과 같은 WASM 기능이 성숙해짐에 따라 더 많이 활용하는 것은 미래 작업의 흥미로운 영역이지만 WebGPU 컴퓨팅 셰이더에 공급하기 위해 WASM 및 WASI(표준 인터페이스)를 통해 얼마나 멀리까지 갈 수 있는지 살펴보겠습니다.
브라우저에서의 머신러닝
TensorFlow.js 및 ONNX.js와 같은 노력이 기계 학습을 브라우저에 도입하려고 시도하는 동안 웹 버전과 기본 버전 사이에는 여전히 성능 차이가 적지 않습니다. 이러한 격차의 원인 중 하나는 웹에서 GPU에 대한 표준 및 성능 액세스가 부족하기 때문입니다. WebGL에는 고성능 딥 러닝에 필요한 컴퓨팅 셰이더 및 일반 스토리지 버퍼와 같은 중요한 기능이 부족합니다.
WebGPU는 최고 수준의 컴퓨팅 셰이더 지원을 통해 이러한 격차를 해소할 수 있는 잠재력을 제공합니다.
브라우저에 기계 학습을 배포하기 위해 WebGPU를 사용할 수 있는 가능성을 탐색하기 위해 WASM(실행 매개변수를 계산하고 장치 실행을 호출하는 호스트 코드용) 및 WebGPU(장치용)를 대상으로 딥 러닝 컴파일러 Apache(인큐베이팅) TVM을 향상했습니다. 실행). 우리의 예비 결과는 매우 긍정적입니다. 처음으로 GPU에서 기본 성능에 거의 근접하면서 웹에 기계 학습 애플리케이션을 배포할 수 있었습니다.
기술적 세부 사항은 함께 제공되는 Apache TVM 기술 블로그 게시물을 확인하세요 . 간단히 말해서 우리는 다음을 결합하여 WASM 및 WebGPU를 통해 브라우저에서 거의 기본 GPU 성능을 달성할 수 있었습니다.
WebGPU 컴퓨팅 API를 대상으로 하는 TVM의 기존 SPIR-V 코드 생성 기능
WASM 생성 지원을 위한 TVM의 기존 LLVM 백엔드
새로운 tvmjs TypeScript 런타임
시스템 라이브러리 호출(예: malloc, stderr)을 위한 WASM의 표준 인터페이스(WASI)
Chrome의 야간 WebGPU 지원
컴파일 기반 접근 방식의 중요한 이점 중 하나는 인프라를 재사용한다는 것입니다. 우리는 CUDA, Metal 및 OpenCL과 같은 기본 플랫폼에 대해 GPU 커널을 최적화하기 위한 인프라를 재사용함으로써 다른 접근 방식 에 비해 웹을 대상으로 하는 작업을 쉽게 수행할 수 있습니다 . WebGPU API를 네이티브 API로 매핑하는 것이 효율적이라면 거의 작업하지 않고도 비슷한 성능을 기대할 수 있습니다. 더 중요한 것은 AutoTVM 인프라를 통해 특정 모델에 대한 컴퓨팅 셰이더를 전문화하여 특정 관심 모델에 가장 적합한 컴퓨팅 셰이더를 생성할 수 있다는 것입니다.
성능
우리는 TVM의 WebGPU 백엔드와 네이티브 GPU 런타임(Metal 및 OpenCL)을 사용하는 네이티브 대상을 통해 전체 Mobilenet 실행 실행을 비교하는 빠른 실험을 실행했습니다. 우리는 WebGPU가 Metal의 성능과 거의 일치한다는 것을 알았습니다. Chrome WebGPU의 런타임이 MacOS의 OpenCL 대신 Metal을 대상으로 한다고 가정하면 여기에서 브라우저를 통해 GPU를 대상으로 할 때 성능 손실이 거의 또는 전혀 없다고 안전하게 가정할 수 있습니다.
또한 이러한 결과는 Intel 그래픽 GPU와 상당히 다른 GTX 1080 Ti의 이전 자동 조정 일정을 기반으로 하기 때문에 브라우저에서 사용되는 GPU에 AutoTVM 조정을 적용하면 성능이 더욱 향상될 것으로 예상 됩니다 . 이를 더 쉽게 만들기 위해 내장형 마이크로컨트롤러에 대한 uTVM 런타임의 향후 개선 사항(향후 1~2주 내에 업데이트를 위해 이 블로그를 계속 지켜봐 주시기 바랍니다)은 WASM 타겟이 내장형과 많은 유사점을 공유하므로 브라우저에서 자동 조정을 더 쉽게 만드는 데 도움이 될 것으로 기대합니다. 장치.
미래를 바라보며
우리의 결과는 웹에서 기계 학습을 위한 많은 흥미로운 기회를 제시합니다. 특히 WebGPU는 여전히 진화하고 있는 API이며 그 의미는 웹 애플리케이션을 넘어설 수 있습니다. 예를 들어 WebGPU가 성숙해지고 WASI를 통해 표준화됨에 따라 WebGPU의 기본 API를 대상으로 하여 WebGPU를 활용하는 독립형 WASM 애플리케이션을 활성화할 수 있습니다.
TVM 커뮤니티는 또한 훨씬 더 강력한 WASM 지원을 가능하게 하고 wgpu 및 Rust WASM 생태계와 같은 프로젝트와의 더 쉬운 상호 작용을 가능하게 하는 Rust 기반 런타임 에 적극적으로 노력하고 있습니다 . 오픈 소스 프로젝트로서 우리는 새로운 아이디어를 가져오고 프로젝트를 이러한 흥미로운 방향으로 추진하는 데 도움을 줄 수 있는 기여자를 찾고 있습니다.
제안된 접근 방식은 대부분의 WASM 애플리케이션 시나리오에 효과적인 기계 학습 지원을 제공합니다. 기본 성능에 가까워지면 브라우저에서 더 나은 연합 학습 기능을 활용할 수도 있습니다. 동일한 컴파일된 패키지는 기본 WASM 실행기에서도 실행되어 애플리케이션에 샌드박스를 제공할 수 있어야 합니다.
세부정보/코드를 보여주세요.
이 블로그 게시물의 자세한 기술 버전
이미지 분류를 위한 예시 프로젝트
github의 Apache TVM
승인
웹에서 WASM 컴파일 인프라와 JS 라이브러리 지원을 제공한 emscripten 프로젝트에 감사드립니다. 또한 다양한 유용한 토론을 해주신 WebGPU 커뮤니티에도 감사의 말씀을 전하고 싶습니다. 게시물에 귀중한 피드백을 주신 Fletcher Haynes에게 감사드립니다.
여러 대형 기업이 생성형 인공지능(AI) 관련 서비스를 경쟁적으로 출시하고 있지만, 서비스 운영 비용 때문에 골머리를 앓고 있다. 마이크로소프트는 작년 출시한 깃허브 코파일럿 서비스로 사용자당 20달러를 손해보는 것으로 알려졌다.
9일(현지시간) 월스트리트저널(WSJ)에 따르면, 마이크로소프트는 150만명 사용자를 확보한 깃허브 코파일럿 서비스에서 사용자당 월평균 20달러의 손실을 기록중이라고 한다. 일부 사용자는 한달 최대 80달러의 비용을 지출하게 하는 것으로 나타났다.
깃허브 코파일럿은 개발자에게 코드를 생성해주고, 빠르게 수정할 수 있게 해주는 서비스다. 오픈AI의 코드생성모델인 코덱스를 사용한다. 이 서비스 요금은 사용자당 월 10달러다. 산술적으로 1천500만달러를 매월 벌어들이고 있다.
깃허브 코파일럿
그러나 생성 AI는 이용자의 사용량에 따라 운영비용이 증가하는 구조를 보이고 있다. 아직 규모의 경제에 도달하지 못했기 때문에 서비스 공급비용이 수익보다 크다. 특정 사례에서 사용자의 쿼리에 더 막대한 연산비용을 투입해야 할 수 있고, 사용량만큼 운영비용도 선형적으로 증가하는 적자 구조다.
월 10달러란 정액제는 이런 비용 구조에서 서비스제공기업에게 불리하다.
깃허브 코파일럿은 사용자를 개발자로 한정한다. 반면, 윈도나 오피스 제품군의 코파일럿은 일반 대중과 기업 근로자를 대상으로 한다.
마이크로소프트365 코파일럿의 월 이용료는 사용자당 월 30달러다. 마이크로소프트365 기업용 요금제는 최소 월 13달러다. 기업은 매달 최소 43달러를 마이크로소프트에 지불하게 된다.
만약 마이크로소프트가 코파일럿 서비스의 적자구조를 해결하지 못하면 당분간 실적 악화를 피할 수 없다. 이는 자칫 사용자 대상 요금의 인상을 유도할 수 있는 문제다.
월스트리트저널은 마이크로소프트, 구글, 오픈AI, 줌 등의 기업 경영진이 곧 생성 AI 비용을 더 면밀하게 살피게 될 것이라고 전망했다.
![Lobo - I'd Love You To Want Me [Single].jpeg](https://www.stechstar.com/user/zbxe/files/attach/images/12831/173/095/9a979b6aea8a15d93edfe3e27f9a6926.jpeg)
