KAIST

세포치료제로 이용하는 줄기세포 배양은 그동안 동물 병원체의 전파 위험이 있고, 생산공정 간 변동성이 큰 동물 유래 물질에 크게 의존해 왔다. 한국 연구진이 동물 유래 성분을 완전히 배제한 신개념 줄기세포 배양 플랫폼을 개발하고 특히 인간 유도만능줄기세포(hiPSC)의 장기 배양이 가능함을 세계 최초로 입증하여 화제다. 우리 대학 생명화학공학과 임성갑 교수 연구팀이 한국생명공학연구원(원장 김장성) 줄기세포융합연구센터 손미영 박사 연구팀과 공동 연구를 통해 화학적으로 합성된 동물 유래 물질을 완전히 배제한 (xeno-free, 이하 제노-프리) 인간 전분화능 줄기세포 배양 플랫폼을 개발했다고 31일 밝혔다. 인간 배아줄기세포(hESC)와 인간 유도만능줄기세포(hiPSC)의 배양은 마우스 섬유아세포와 매트리젤과 같은 동물 유래 성분에 크게 의존함에 따라 줄기세포 기반 치료법의 임상적 적용에서 법적, 윤리적 문제를 야기하며 줄기세포 치료제의 안전성과 효율성을 크게 제한했다. 연

‘노란 포도'나 `보라색 바나나'와 같이 본 적 없는 시각 개념을 이해하고 상상하는 인공지능 능력 구현이 가능해졌다. 우리 대학 전산학부 안성진 교수 연구팀이 구글 딥마인드 및 미국 럿거스 대학교와의 국제 공동 연구를 통해 시각적 지식을 체계적으로 조합해 새로운 개념을 이해하는 인공지능 새로운 모델과 프로그램을 수행하는 벤치마크를 개발했다고 30일 밝혔다. 인간은 `보라색 포도'와 `노란 바나나' 같은 개념을 학습하고, 이를 분리한 뒤 재조합해 `노란 포도'나 `보라색 바나나'와 같이 본 적 없는 개념을 상상하는 능력이 있다. 이런 능력은 체계적 일반화 혹은 조합적 일반화라고 불리며, 범용 인공지능을 구현하는 데 있어 핵심적인 요소로 여겨진다. 체계적 일반화 문제는 1988년 미국의 저명한 인지과학자 제리 포더(Jerry Fodor)와 제논 필리쉰(Zenon Pylyshyn)이 인공신경망이 이 문제를 해결할 수 없다고 주장한 이후, 35년 동안 인공지능 딥러

우리 대학이 23일(목)부터 이틀간 '제4회 디지털유산 국제심포지엄 개최(The 4th International Symposium on Digital Heritage; ISDH)'을 학술문화관 양승택 오디토리움에서 개최한다.'데이터로서의 문화유산: 유산 보존 관리 및 활용을 위한 디지털 방법론 개발을 선도하는 데이터 중심의 접근 전략'을 주제로 열리는 이번 심포지엄은 문화재청이 주최하고 우리 대학 문화기술대학원이 주관해 디지털헤리티지랩(안재홍, 심혜승)에서 총괄을 맡았다. 특히 이번 행사는 2025년 CIPA 심포지엄*을 우리 대학이 문화재청과 함께 한국에 유치한 것을 기념하기 위해 기획됐다. *CIPA(International Committee of Architectural Photogrammetry) 심포지엄: 1971년 시작되어 현재 2년마다 개최되는 학술대회로, 고고학, 건축학, 보존과학, 디지털 유산 등에서 최신 연구와 기술을 공유하기 위해 다양한 국가와 전문가들이 참여

우리 대학 전산학부 안성진 교수 연구팀이 미국 럿거스 대학교와 협력하여 트랜스포머 및 재귀신경망 기반의 월드모델을 대체할 차세대 에이전트 월드모델 기술을 세계 최초로 개발했다. 월드모델은 인간의 뇌가 현실 세계의 경험을 바탕으로 환경 모델을 구축하는 과정과 유사하다. 이러한 월드모델을 활용하는 인공지능은 특정 행동의 결과를 미리 시뮬레이션해보고 다양한 가설을 검증할 수 있어, 범용 인공지능의 핵심 구성 요소로 여겨진다. 특히, 로봇이나 자율주행 차량과 같은 인공지능 에이전트는 학습을 위해 여러 가지 행동을 시도해 보아야하는데, 이는 위험성과 고장 가능성을 높인다는 단점을 갖는다. 이에 반해, 월드모델을 갖춘 인공지능은 실세계 상호작용 없이도 상상모델 속에서 학습을 가능케 해 큰 이점을 제공한다. 그러나 월드모델은 자연어처리 등에서 큰 발전을 가능하게 한 트랜스포머와 S4와 같은 새로운 시퀀스 모델링 아키텍처의 적용에 한계가 있었다. 이로 인해, 대부분의 월드모델이 성능

최근 다양한 분야에서 인공지능 심층 학습(딥러닝) 기술을 활용한 서비스가 급속히 증가하고 있다. GPT와 같은 거대 언어 모델을 훈련하기 위해서는 수백 대의 GPU와 몇 주 이상의 시간이 필요하다고 알려져 있다. 따라서, 심층신경망 훈련 비용을 최소화하는 방법 개발이 요구되고 있다. 우리 대학 전산학부 이재길 교수 연구팀이 심층신경망 훈련 비용을 최소화할 수 있도록 훈련 데이터의 양을 줄이는 새로운 데이터 선택 기술을 개발했다고 2일 밝혔다. 일반적으로 대용량의 심층 학습용 훈련 데이터는 레이블 오류(예를 들어, 강아지 사진이 `고양이'라고 잘못 표기되어 있음)를 포함한다. 최신 인공지능 방법론인 재(再)레이블링(Re-labeling) 학습법은 훈련 도중 레이블 오류를 스스로 수정하면서 높은 심층신경망 성능을 달성하는데, 레이블 오류를 수정하기 위한 추가적인 과정들로 인해 훈련에 필요한 시간이 더욱 증가한다는 단점이 있다. 한편 막대한 훈련 시간을 줄이려는 방법으로 중복되