28

강 남 훈

1. 머리말

2016년 3월 9일 알파고(Alphago)가 이세돌 9단을 이기자 사람들은 큰 충격을 받았다. 인간의 지능적인 작업을 대신할 인공

지능 시대가 닥칠 것이 확실하게 되었다. 인공지능이 현재 하고 있는 인간의 노동의 절반 이상을 대체할 것이라는 전망 속에

서 전 세계적으로 기본소득에 대한 관심도 증가하고 있다. 일자리가 없어진 세계에서 사람들이 생존하기 위해서 소득이 필요

할 것이다. 이것은 인간다운 생활을 할 권리라는 관점에서 기본소득을 정당화 하는 것이다. 다른 측면에서 인공지능이 만들

어 내는 막대한 물건들을 판매하려면 사람들에게 소득이 필요할 것이다. 이것은 거시경제적 관점에서 기본소득을 정당화하

는 것이다.

이 글에서는 인공지능 시대의 기본소득을 생존권이나 거시경제적 관점이 아니라 재산권의 관점에서 정당화 하려고 한다. 즉,

인공지능이 우리 모두의 공유자산이므로 그로부터 발생한 소득에 대하여 1/n의 권리가 있다고 주장하려고 한다.

노벨 경제학상 수상자 허버트 사이먼(Herbert Simon)은 다음과 같은 주장을 하였다(H. Simon, 2000). 소득의 90%는 이

전 세대에 의해서 축적된 지식을 활용한 것이다. 그러므로 모든 소득에 대하여 90%의 세율로 일률적으로 과세하는 것이 정

당하다. 그러나 경제활동에 대하여 인센티브를 주기 위해서 모든 소득에 대하여 70%의 세율로 일률적으로 과세하고 그렇게

해서 모아진 금액을 기본소득으로 나누어 갖자.

허버트 사이먼은 제한적 합리성(bounded rationality) 개념을 연구한 덕택으로 노벨경제학상을 받았지만, 단순한 경제학자

가 아니었다. 그는 1956년 다트머스 대학에서 두 달간 열린 인공지능 워크샵에 참여하여, 인공지능의 아버지 중 한 사람으

로 불린다.1) 사이먼이 위의 글에서 소득의 90%는 다른 사람의 지식(공헌)이라고 말했을 때, 사람들은 과장된 표현이라고 생

각하였을 것이다. 16년이 지난 오늘날 우리는 인공지능이 여러 분야에 등장하고 있는 것을 보면서, 인공지능이 실제로 어떻

게 만들어지고 있는지를 알 수 있게 되었다. 이 글에서는 소득의 90%는 다른 사람의 지식 덕택이라는 사이먼의 주장에 대하

여 하나의 해석을 제시하려고 한다.

이 글의 접근 방법은 정치경제학의 가치론과 게임이론이다. 그 동안 우리나라에서 전개되었던 정보재 가치논쟁의 성과를

인공지능에 적용해 볼 것이다.(강남훈 2002; 강남훈 외 2007, 안현효 2016) 그리고 협조게임에서의 섀플리 가치(Shapley

value)를 인공지능에 적용하여 각 사람들이 기여한 가치를 계산해 볼 것이다.(강남훈, 2015)

Plenary Session 3 Basic Income and Human Emancipation

인공지능과 보편기본소득의 권리

29So

cial

and

Eco

logi

cal T

rans

form

atio

n an

d Ba

sic In

com

eth

e 16

TH B

IEN

CO

NGR

ESS

이 글의 구성은 다음과 같다. 제2절에서는 인공지능에서 데이터가 차지하는 의미에 대하여 살펴볼 것이다. 그리고 인공지능

에 필요한 데이터가 인터넷이라는 공유지에서 만들어졌다는 것을 살펴볼 것이다. 제3절에서는 인공지능에 대하여 가치론적

분석을 하여 인공지능으로부터 발생할 소득의 상당한 부분이 지대에 해당된다는 것을 확인할 것이다. 제4절에서는 섀플리

가치를 설명하고, 인공지능 게임에서 각 주체들이 기여분에 대하여 섀플리 가치를 계산해 볼 것이다. 섀플리 가치만큼의 분

배를 보장하기 위해서 모든 사람에게 기본소득이 지급되어야 한다.

2. 인공지능과 데이터

인공지능은 인간이 만든 지능이다. 러셀과 노빅은 사람처럼 행동하는 시스템, 사람처럼 생각하는 시스템, 합리적으로 생각하

는 시스템, 합리적으로 행동하는 시스템이라는 네 가지 기준으로 인공지능을 정의하였다.(S. Russell and P. Norvig, 2010)

네그네빗스키는 인공지능을 “문제를 풀고, 결정을 내리기 위해 배우고 이해하는 능력”으로 정의하였다.(M. Negnevitsky,

2005: 22) 사람처럼 생각하고 행동하거나 합리적으로 생각하고 행동하기 위해서는 학습 과정이 필수적이다. 네그네빗스키

의 정의에서는 학습이 인공지능의 중요한 요소로 명시적으로 드러나 있다.

인공지능의 연구 분야는 인식, 추론, 학습이라는 세 가지 범주로 나눌 수 있다. 인식(recognition)은 보고 듣고 말하는 능력을

말한다. 문자인식, 음성인식, 동영상 인식 등이 여기에 포함된다. 추론(inference)이란 주어진 사실이나 규칙으로부터 결론

을 얻는 과정을 의미한다. 정리의 증명, 게임, 프로그램 자동 생성 등이 포함된다. 학습(learning)은 사실과 규칙을 반복적인

과정을 통해 습득하는 과정을 의미한다.(조영임, 2012, pp.14-15)

인공지능에서 먼저 상용화된 시스템은 지식 기반 인공지능(knowledge-based AI)의 일종인 전문가 시스템(expert system)

이었다. 전문가들의 지식을 모아서 방대한 지식 베이스를 만들고 이것으로부터 추론을 거쳐서 결론을 내렸다. 이 시스템은

지식을 많이 입력할수록 더 좋은 성과를 냈지만, 기본적으로 입력한 지식 이상의 것을 할 수 없었고, 점점 더 많은 지식의 입

력이 필요하였다.(마쓰오 유타카, 2015)

기계학습(machine learning)은 컴퓨터로 하여금 일일이 프로그램하지 않은 채로 배울 수 있게 하는 능력을 부여하는 것이

다.(Phil Simon, 2013) 컴퓨터가 스스로 배우려면 방대한 데이터가 필요하다. 그래서 기계학습은 데이터를 지능 행위로 변

환시키는 컴퓨터 알고리즘으로 정의할 수도 있다. 기계학습은 컴퓨터 파워, 통계적 방법, 수많은 데이터라는 세 가지 요인에

의해서 가능해졌다. 기계학습에서 컴퓨터는 데이터를 추상화(abstraction)하고 일반화(generalization)하는 과정을 거쳐서

학습한다. 추상화는 자료의 특징(features)을 표현(representation)하는 과정이고, 일반화는 표현된 특징으로부터 다른 자

료에 적용할 수 있는 지식(knowledge)으로 만들어내는 과정이다.(Brett Lantz, 2013)

최근의 인공지능의 발전은 기계학습 중에서도 심층학습(deep learning, 심층학습)이 주도하고 있다. 심층학습은 인간의 두

뇌 구조를 모방한 신경망(neural network)의 한 종류이다. 신경망은 입력층과 출력층 사이에 은닉층(hidden layer)을 넣

어서 자료의 특징(features)을 학습하도록 만든 구조인데, 심층학습은 이러한 은닉층을 여러 겹으로 쌓는다. 심층학습은 데

이터의 특징을 사람이 가르쳐 주지 않고 인공지능 스스로 특징을 찾아내면서 학습하므로, 특징 표현학습(representation

learning)이라고도 부른다.(마쓰오 유타카, 2015)

인공지능을 발전시킨 세 가지 요인, 즉 하드웨어, 알고리즘, 데이터에 대하여 생각해 보자. 컴퓨터 하드웨어는 소위 무어의

법칙(Moore’s law)에 따라 지수적으로 성장해 왔다. 그러나 하드웨어의 발전이 인공지능 개발에 필수적이기는 하지만 결코

충분한 조건은 아니다. 구글이 새로운 알고리즘으로 접근하기 전까지는 슈퍼컴퓨터를 가지고도 자동번역에 실패하였기 때

문이다. 알고리즘이 더 중요한 요인이다. 그런데 인공지능을 만들어낸 알고리즘은 데이터를 통해서 학습하는 알고리즘이다.

데이터가 없으면 인공지능을 만들 수 없다. 신경망 알고리즘은 이미 1950년대부터 개발되어 왔지만, 21세기 들어서 빅 데이

30

터가 활용가능하게 되기 전까지는 인공지능을 만들 수 없었다. 결국 빅 데이터의 존재와 빅 데이터를 활용해서 학습하는 알

고리즘의 개발이 인공지능을 만들어낸 것이라고 할 수 있다.

빅 데이터가 인공지능의 발전에 어떤 역할을 했는지에 대해서는 다음과 같은 두 가지 사례를 살펴보는 것이 좋을 것이다. 하

나는 인간의 지식을 모은 것이고 다른 하나는 인간의 행동을 모은 것이다.

IBM은 문법과 단어를 컴퓨터에게 가르쳐서, 자동번역을 하는 인공지능 컴퓨터를 만들어 내려고 하였다. 그러나 번역을 위해

서는 컴퓨터에게 규칙뿐만 아니라 예외도 가르쳐야 하는데, 이것은 불가능하다는 것이 드러났다. 1980년대 후반 통계적 방

법을 활용하여 영어와 불어 사이에 자동번역을 하자는 아이디어가 등장하였지만, 그 당시 활용했던 캐나다 의사록에는 10

년치 300만개 문장밖에 들어 있지 않아서 실패하였다. 2004년 구글은 모든 책을 스캔해서 공짜로 제공하겠다는 프로젝트를

시작하였다. 스캔한 디지털 이미지는 OCR을 사용하여 텍스트로 전환시켰다. 2006년이 되면 구글은 1조 단어로 된 950억 개

의 문장을 저장하게 되었다. 이 과정에서 성경책처럼 전 세계 언어로 정확하게 번역된 책이 있다는 것을 알게 되었다. 구글은

저장된 문장들을 활용하여 자동번역을 하는 데 성공하였다. 2012년에는 60개 이상의 언어로 된 2,000만권의 책을 자동번역

에 활용하였다. 이와 같이 자동번역이라는 인공지능은 과거에 수많은 사람들이 정확하게 번역해 놓은 결과들을 검색해서 해

당되는 문장을 찾아주는 과정을 중심으로 만들어진 것이다.(Viktor Mayer-Schonberger and Kenneth Cukier, 2014)

구글은 뛰어난 인터넷 검색 도구로 세계적인 기업이 되었다. 이전의 검색 엔진은 가능한 한 많은 사이트를 찾아가서 사이트

내용을 분류하고 판단하여 점수를 매겼다. 사용자가 검색어를 입력하면 검색 엔진이 매긴 점수 순서대로 사이트들을 보여주

었다. 구글의 공동 창업자인 래리 페이지(Larry Page)는 이것과 전혀 다른 접근방식을 선택하였다. 검색 엔진이 좋다고 판단

한 사이트에 높은 점수를 매기는 것이 아니라 사용자들이 오래 머무른 사이트, 해당 사이트에 링크를 걸어 놓은 사이트가 많

은 사이트에 높은 점수를 매겼다. 이렇게 사용자들의 행동에 따라 점수를 매기는 방법을 페이지랭크(Pagerank)라고 부른

다.(Sergey Brin and Lawrence Page, 1998) 예를 들어 사용자가 “책”이라는 검색어를 치면 “책”이라는 검색어를 친 사람

들이 많이 가고 여러 사이트에서 추천하는 사이트를 먼저 보여주는 것이다. 이것이 바로 구글 검색엔진이 세계를 제패하게

된 비결이다. 한 사람의 천재가 아니라 인터넷을 이용하는 수많은 사람들의 행동이 똑똑한 인공지능을 만들어 낸 것이다.

인간은 몇 개의 데이터만 보면 특징을 추출할 수 있지만, 컴퓨터는 엄청나게 많은 데이터가 있어야만 학습할 수 있다. 구

글의 심층학습은 고양이를 인식하기 위해서 인터넷으로부터 1,000만 장의 이미지를 다운로드 했다.(Quoc V. Le et al.,

2012) 페이스 북은 4백만 장의 얼굴 사진으로 학습시킨 결과 97.35%의 정확도로 사람의 얼굴을 인식시킬 수 있었다.(Yaniv

Taigman et al., 2014) 알파고는 KGS라는 인터넷 바둑 사이트에서 6~9단 기사들이 둔 16만개의 기보로부터 3,000만개의

데이터를 모았다.(David Silver et al., 2016)

이러한 빅 데이터는 인터넷에 이미 존재하는 것이거나 인터넷을 통해서 수집된 것이다. 인터넷이 없었더라면 빅 데이터를 엄

청난 비용이 들었거나 아예 모을 수 없었을 것이다. 인터넷은 어떻게 해서 이런 빅 데이터의 보고가 되었을까? 그것은 인터넷

이 공유지로서 출발하였기 때문에 가능한 일이었다.

로렌스 레식(Laurence Lessing)은 인터넷의 공유지가 된 것은 그 코드(TCP/IP) 계층이 자유롭기 때문이라고 설명하였다.2)

여기서 자유롭다는 것은 아무런 허락 없이 사용할 수 있거나 사용 허락이 중립적인 경우를 의미한다. 인터넷의 최초의 설계

자들은 지능적인 작업은 네트워크의 끝에 배치하고 네트워크 자체는 어떤 형태의 자료이든 어떤 곳으로든 자료를 전송하는

기능만을 한다는 E2E원칙(end-to-end)을 세웠다.(Lawrence Lessing, 2002) 기본소득에 비유하자면, 인터넷은 보편성(누

구나 인터넷에 접근할 수 있다)과 무조건성(인터넷에서 무엇이든 자신이 원하는 일을 할 수 있다)이 보장되는 자유로운 공간

이다.

팀 버너스 리(Tim Berners-Lee)는 공유지인 인터넷 위에 월드 와이드 웹(World Wide Web)이라는 땅을 만들었다. 그는

HTTP와 HTML 등의 코드를 만들면서 보편성과 무조건성이라는 인터넷의 원칙을 발전시켰다. 그리고 그는 자신의 발명품을

“나를 부유하게 만들지 말고 세상을 부유하게 만들자”는 말과 함께 인류에게 무상으로 선물함으로써 오늘날 우리가 쓰고 있

31So

cial

and

Eco

logi

cal T

rans

form

atio

n an

d Ba

sic In

com

eth

e 16

TH B

IEN

CO

NGR

ESS

는 인터넷을 확대된 공유지로 만들었다.3)

공유지가 된 인터넷은 수많은 사람들이 자신들의 지식을 모아 위키피디아를 만들었다. 이렇게 모아진 지식들은 제퍼디에서

인간 챔피언을 이긴 IBM의 딥 블루에 입력되었다. 인터넷을 검색하는 사람이 늘어날수록 구글의 검색 엔진은 더 똑똑해졌

다. 취미로 자신들이 좋아하는 고양이 사진을 올린 수많은 사람들은 고양이를 인식하는 인공지능을 만드는 데 기여하였다.

친구들과 소식을 나눈 수많은 사람들은 딥 페이스를 만들었다. 바둑 게임을 하면서 기보를 남기 수많은 사람들은 알파고를

만들었다. 인터넷이라는 보편적이고 무조건적인 공유지 위에서 자유로운 사람들이 생각하고 말하고 일하고 노는 과정에서

빅 데이터가 만들어졌고, 빅 데이터가 다시 인공지능을 만들게 된 것이다.

3. 인공지능과 지대

인공지능으로부터 평균이윤 이상의 이윤이 발생한다고 가정할 때 그것의 원천은 어디에 있을까? 이 절에서는 이 질문에 대

하여 정치경제학적으로 대답해 보려고 한다. 인공지능의 높은 이윤과 이러한 현상과 연관된 세 가지 개념 즉, 특별잉여가치,

지대, 독점 이윤을 먼저 설명해 보자.

특별잉여가치는 특별한 생산력으로 인해서 사회적 가치와 개별적 가치의 차이로 정의된다. 어떤 기업이 새로운 생산방법을

사용하여 사회적 가치보다 더 적은 노동시간 동안에 생산하게 되면 특별잉여가치가 발생한다. 이 때 새로운 생산방법 하에서

고용된 노동력은 강화된 노동으로서 더 많은 가치를 창출한 것으로 간주된다. “예외적으로 생산력이 높은 노동은 강화된 노

동(potenzierte Arbeit)으로서 기능한다. 다시 말하면 동일한 시간 내에 사회적 평균노동보다 더 많은 가치를 창조한다.”(K.

Marx, 1867, 411) 특별잉여가치는 기업이 가진 생산력의 우위에 의해서 발생한다. 그것은 가치법칙에 따른 등가교환이면서

생산력의 우위가 초과이윤으로 나타난 것이므로 평등교환이라고 규정한다.4) 특별잉여가치는 새로운 생산방법이 일반화되

어 사회적 가치와 개별적 가치의 차이가 사라지면 소멸한다.

지대5)도 특별잉여가치와 마찬가지로 개별적 가치와 사회적 가치의 차이에 의해서 발생한다. 그러나 지대는 초과이윤의 원천

이 “기계나 석탄 등등과 같이 노동이 생산할 수 있는 생산물과 결부되어 있는 것이 아니라 특정한 토지조각의 특정한 자연조

건과 결부되어 있는 것이다.”(K. Marx,1894, 797) 특별잉여가치는 초과이윤의 원천이 기업이 보유한 우수한 생산력에 있는

데 반해서 지대의 경우에는 유리한 외부적 환경에 있다. 지대는 외부적 환경이 사라지지 않는 한 경쟁에 의해서 사라지지 않

는다. 그래서 지대는 등가교환이지만 불공정교환이라고 할 수 있다. 외부적 환경이라는 재생산 불가능한 생산자원의 불평등

한 소유 때문에 생기는 것이므로 불공정교환으로 규정하는 것이다.

독점 하에서는 가격이 “생산물의 가격이 생산가격이나 가치에 의해 결정되는 것이 아니라 구매자의 구매욕과 지불능력에 의

해 결정”(K. Marx, 1894, p.953)된다. 독점 기업이 이렇게 가격을 정할 수 있는 것은 경쟁이 부재하기 때문이다. 독점 이윤은

가치가 생산된 것이 아니라, 다른 자본이나 소비자들로부터 가치가 이전된 것이다. 즉, 독점은 등가교환이 아니다. 그리고 지

대와 마찬가지로 불평등한 교환이다. 독점이윤은 시간이 지나서 경쟁이 회복되면 사라진다. 세 가지 개념의 차이를 요약하면

다음의 표와 같이 될 것이다.

특별잉여가치 지대 독점 이윤이윤의 원천 생산력의 우위 외부적 환경의 우위 경쟁의 부재가치법칙 등가교환 등가교환 부등가교환공정교환 공정교환 불공정교환 불공정교환

동태적 과정 기술 확산에 의해 소멸 경쟁이나 기술 확산에 의해 소멸되지 않음 경쟁에 의해 소멸

표 . 특별잉여가치, 지대, 독점 이윤의 비교

32

이상의 분석을 인공지능의 경우에 적용시켜 보자. 앞 장에서의 분석처럼 인공지능은 하드웨어, 알고리즘, 데이터가 합쳐서

만들어진 것이므로 인공지능이 초과이윤을 벌어들인다고 할 때 그것은 우수한 하드웨어 덕택일 수도 있고, 새로운 알고리즘

덕택일 수도 있고, 기업이 소유한 빅 데이터 덕택일 수도 있다.

먼저 하드웨어(CPU, GPU 등) 때문일 경우를 생각해 보자. 이것은 특별잉여가치에 해당된다. 그러나 인공지능이 하드웨어

때문에 특별잉여가치를 획득하게 되는 경우는 많이 발생하지 않을 것 같다. 하드웨어 시장은 상당히 경쟁적인 상태이고 기술

확산도 빠르기 때문이다. 그리고 대부분의 인공지능을 만드는 기업들이 하드웨어를 직접 만들지 않고 다른 기업으로부터 구

매하고 있는 현실도 이러한 추론을 뒷받침하고 있다. 만약 하드웨어에 초과이윤의 원천이 있다면, 하드웨어의 가격이 올랐을

것이고, 하드웨어를 구입해서 인공지능을 만드는 기업은 초과이윤을 얻을 수 없을 것이다.

다음으로 새로운 우수한 알고리즘 때문에 인공지능이 초과이윤을 얻는 경우를 생각해 보자. 이 경우 새로운 인공지능 알고리

즘을 개발한 기업은 생산력의 우위 때문에 초과이윤을 얻게 되므로 지대가 아니라 특별잉여가치라고 말할 수 있다. 다른 기

업이 아직 이 알고리즘을 활용하지 못하는 기간 동안 초과이윤을 얻을 수 있다.

그런데 알고리즘으로 인해 생긴 특별잉여가치도 오래 지속되기는 힘들어 보인다. 대학에서 교수들에 의해서 개발된 알고리

즘은 학술지에 실려서 빠르게 퍼지고, 얼마안가 교과서에 실리게 된다. 자율 자동차를 개발했던 세바스찬 쓰런(Cebastian

Thrun)의 유다시티(Udacity)에서의 인공지능 강의는 이미 수십만 명이 수강하였다. 기업이 개발한 알고리즘이라고 할지라

도 결국은 경쟁 기업들이 알아내게 되고 그 때쯤이면 특별잉여가치는 사라지게 된다.

알고리즘에 대한 비밀을 유지함으로써 특별잉여가치를 오랫동안 유지하려는 것은 이윤추구를 하는 기업의 합리적 행동이라

고 예상되지만, 인공지능 기업들은 종종 정반대의 길을 가고 있다. 앞에서 언급한 바와 같이 페이스 북과 딥 마인드는 인공지

능 알고리즘을 학술지에 게재하여 학계에서 널리 연구되도록 만들었다. 심지어 프로그램 소스까지 완전히 공개해서 오픈소

스로 만들기까지 하고 있다.6) 인공지능 알고리즘을 오픈소스로 공개하는 것은 오픈소스로 인공지능의 성능을 빨리 높이려는

목적일 수도 있고, 일부 소스를 공개하더라도 생산력 우위가 빨리 사라지지 않을 것이라는 자신감일 수도 있으며, 인공지능

개발자의 플랫폼을 만들어서 플랫폼을 주도하려는 목적도 있을 것이다. 어떤 것이든 오픈소스가 되면 특별잉여가치의 일부

를 포기할 수밖에 없다.

그렇다면 초과이윤의 가장 큰 원천으로 남아 있는 것은 데이터에서 생기는 초과이윤이다. 인공지능이 구글, 페이스 북, 바이

두, 아마존 등 플랫폼 기업들에 의해서 주도되고 있다는 것은 흥미로운 일이다. 사람들은 플랫폼이 제공하는 서비스를 무상

으로 이용하면서 플랫폼에 자신들의 지식, 행동, 생각 등의 데이터를 올리고 있다. 이러한 데이터들이 쌓여서 빅 데이터가 되

고, 플랫폼은 빅 데이터를 소유하게 된다. 빅 데이터는 인공지능을 만들어내는 데 중요한 기여를 하고 있다. 플랫폼 기업들은

광고라는 수익 모델만 가지고 있었는데, 이제는 빅 데이터와 인공지능이라는 수익 모델을 추가적으로 가지게 된 것이다.

사람들이 의도적으로 생산한 정보일 수도 있고, 사람들의 행동을 플랫폼이 기록한 것일 수도 있다. 어떤 경우이든 플랫폼 기

업은 추가적인 노동 투입 없이 데이터를 가지게 된다. 플랫폼이 사람들의 행동을 기록할 때에도 소프트웨어가 알아서 기록하

므로 추가적인 노동이 투입되는 것은 아니다. 데이터로부터부터 생긴 초과수익은 지대에 속한다고 보아야 할 것이다. 사람들

은 플랫폼이라는 사유지 위에 모여서 놀다가 데이터를 남긴다. 플랫폼의 입장에서 빅 데이터를 얻기 위해 추가적인 노동을

투입할 필요는 없다. 빅 데이터를 생산하는 노동은 프로슈머가 하고, 데이터를 모으는 작업은 소프트웨어가 한다. 빅 데이터

를 활용해서 인공지능을 만든 플랫폼에게는 예쁘게 가꾼 자기 땅에 사람들이 많이 모여들어서 초과이윤이 생기는 것이다.

인공지능이 얻는 초과수익 중에서 알고리즘에서부터 생기는 것은 특별잉여가치에 해당되고, 데이터로부터 생기는 부분은

지대에 해당된다. 특별잉여가치는 경쟁에 의해서 장기적으로 소멸되지만, 지대는 시간이 갈수록 경향이 있다. 특별잉여가치

와 지대 모두 등가교환에서 생기지만 특별잉여가치는 공정교환에 속하고 지대는 불공정교환에 속한다. 지대의 불공정을 해

결하는 방법의 하나는 지대에 과세해서 기본소득으로 나누어 갖는 것이다. 인공지능 시대에 기본소득은 프로슈머들의 수탈

을 막기 위한 장치이다. 빅 데이터 생산에 참여한 사람들은 기본소득에 대한 재산권이 있다.

33So

cial

and

Eco

logi

cal T

rans

form

atio

n an

d Ba

sic In

com

eth

e 16

TH B

IEN

CO

NGR

ESS

4. 인공지능과 섀플리 가치로서의 기본소득

이 절에서는 협조게임(cooperative game)에서의 섀플리 가치(Shapley value, 1953)를 인공지능에서 기본소득을 합리화

하는 근거로 제시하려고 한다.7) 이 글에서는 섀플리 자신이 분석한 바 있는 장갑시장게임(gloves market game)을 인공지

능 게임으로 설정해서 데이터와 알고리즘의 섀플리 가치를 계산해 보려고 한다.(Shapley and Shubik, 1969)

가. 인공지능 게임에서 시장가치

논의를 단순화하기 위하여 하드웨어는 무시하고, 데이터를 제공한 경기자 2명(경기자 1, 2)과 알고리즘을 제공한 경기자 한

명(경기자 3)이 있다고 가정한다. 데이터 1개와 알고리즘 1개가 만날 때에만 1(조원)의 가치를 가진 인공지능이 만들어지고,

그 이외의 경우에는 0의 가치가 만들어진다고 가정한다. 알고리즘을 제공하는 사람이 동시에 플랫폼을 가지고 있어서 빅 데

이터에 혼자서만 접근할 수 있다고 가정한다.

경기자들이 만들 수 있는 모임을 연합(coalition)이라고 부른다. 공집합을 제외하고, 이 게임에서 가능한 연합은 {1}, {2}, {3},

{1,2}, {1,3}, {2,3}, {1,2,3}의 7개가 있다. 경기자 혼자 있는 경우를 단독연합(singleton)이라고 부른다. 경기자 전체로 이루어

진 연합({1,2,3})을 대연합(grand coalition)이라고 부른다. 연합 내의 경기자들이 확실하게 만들 수 있는 가치를 연합의 값어

치(worth of coalition)라고 정의한다. 연합의 값어치를 v라는 함수로 표시할 때 이 게임에서 7개 연합의 값어치는 다음과 같

이 된다.8)

v(1) = v(2) = v(3) = v(1,2) = 0

v(2,3) = v(1,3) = v(1,2,3) = 1

경기자들에게 분배되는 몫을 보수(payoff)라고 부른다. 각 경기자의 보수를 x1, x2, x3라고 할 때 보수 벡터는 x = (x1, x2,

x3) 라고 표시할 수 있다. 모든 경기자의 보수를 합친 것을 x(N)으로 표시한다. 즉 x(N) = x1 + x2 + x3 이다. 연합 S 내에서의

경기자들의 보수 합은 x(S)라고 표현한다. 예를 들어 S = {1,3} 일 때, x(S) = x1 + x3 이다.

대연합의 값어치 전체를 남김없이 분배하는 것을 파레토 효율 분배라고 부른다. 즉, 파레토 효율 조건은 다음과 같다.

모든 경기자의 보수가 경기자들이 단독연합의 값어치보다 큰 경우 개별합리성(individual rationality)을 충족시킨다고 말한다.

구성원이 두 명 이상인 모든 연합에 대해서 연합 내 경기자들의 보수 합이 연합의 값어치보다 크거나 같은 경우 연합 합리성

(coalition rationality)을 충족시킨다고 말한다.

34

파레토효율이고, 개별합리성과 연합합리성을 충족시키는 보수 분배를 코어(core)라고 정의한다. 위의 장갑게임에서 코어는

다음과 같은 조건들을 충족시키는 보수 분배이다.

위의 식을 모두 만족시키는 유일한 값은 x1 = 0, x2 = 0, x3 = 1 이다. 대연합이 만들어낼 수 있는 값어치는 1인데, 경기자 1이

모든 값어치를 다 가져가고, 경기자 2나 경기자 3은 한 푼도 가져가지 못한다.

섀플리는 경쟁 시장에서 시장 균형은 코어 안에 존재한다는 것을 밝혔다.(Scarf, 1962) 이 정리를 이용하면 위의 게임에서 시

장 균형은 하나뿐인 코어와 일치해야 한다. 즉, x1 = 0, x2 = 0, x3 = 1은 코어이면서 유일한 시장균형이다.

시장균형에서 데이터를 가진 사람에게 한 푼도 배당되지 않는 이유는 경쟁의 관점 내지 협상의 관점에서 생각하면 이해할 수

있다. 일단 경기자 1과 경기자 3이 연합해서 1의 가치를 만들고 이것을 1/2, 1/2씩 나누어 가지기로 합의했다고 가정해 보자.

그러나 이 합의는 경기자 2의 새로운 제안에 의해서 깨질 수 있다. 예를 들어 경기자 2은 경기자 3에게 몫의 2/3를 줄 터이니

자기하고 연합하자고 제안할 수 있다. 이 제안을 경기자 3이 받아들이면, 기존의 연합은 깨뜨려진다. 그러나 새로 생긴 연합

도 불안정하다. 경기자 1이 몫의 3/4을 주겠다고 다시 제안할 수 있다. 이런 과정이 반복되면 결국 경기자 3은 값어치의 거의

전부를 차지할 수 있게 된다.

나. 인공지능 게임에서 섀플리 가치

섀플리 가치는 다음과 같이 정의된다.(Shapley, 1953) 세 사람이 임의의 순서로 연합을 형성한다고 할 때 존재할 수 있는 모

든 순서는 (1,2,3), (1,3,2), (2,1,3), (2,3,1), (3,1,2), (3,2,1)의 6가지가 된다. 모든 순서가 발생할 확률이 동일하다는 가정 하에

순서에 따른 사람들의 기여분을 평균한 것이 섀플리 가치이다.

위의 인공지능 게임에서 섀플리 가치는 다음과 같이 계산된다. 세 사람의 기여분을 각각 m1, m2, m3라고 표현하자. 예를 들

어 순서가 (1,2,3)일 때 v(1) = 0, v(1,2) = 0, v(1,2,3) = 1 이므로 m1 = v(1) = 0, m2 = v(1,2) - v(1) = 0, m3 = v(1,2,3) - v(1,2)

= 1 이 된다. 6가지 순서에 대하여 이러한 방식으로 기여분을 계산하여 평균하면 다음의 표와 같이 섀플리 가치 (1/6, 1/6,

4/6)를 얻을 수 있다.

순서 m1 m2 m31,2,3 0 0 11,3,2 0 0 12,1,3 0 0 12,3,1 0 0 13,1,2 1 0 03,2,1 0 1 0

합 1 1 4평균(섀플리 가치) 1/6 1/6 4/6

표 . 인공지능 게임에서 섀플리 가치

35So

cial

and

Eco

logi

cal T

rans

form

atio

n an

d Ba

sic In

com

eth

e 16

TH B

IEN

CO

NGR

ESS

섀플리 가치와 코어는 대연합의 값어치 1을 분배하는 방식의 하나이다. 코어 (0, 0, 1)과 비교할 때 섀플리 가치는 데이터를

가진 두 사람에게 0이 아니라 1/6씩의 가치를 부여한다.9) 알고리즘을 제공하는 사람이 플랫폼도 가지고 있다는 가정 하에서

도, 데이터를 제공하는 사람들에게 약간씩의 가치를 부여하게 된다. 위의 게임에서는 코어와 섀플리 가치가 다르기 때문에

섀플리 가치는 시장을 통해서는 도달 불가능하다. 만약 섀플리 가치대로 분배하려면 국가가 개입해야 한다. 알고리즘을 가진

사람의 소득에 50%의 세금을 물려서 1/2의 가치를 모은 다음, 세 사람이 1/6씩 기본소득으로 나누어 가지면 된다.

다. 섀플리 가치와 기본소득

섀플리 가치는 바람직한 분배의 성질들을 정해 놓고 이로부터 공리적으로 도출하는 것이 가능하다. 섀플리는 효율성 공리

(efficiency, 대연합의 값어치를 남김없이 분배한다), 대칭성 공리(symmetry, 동등한 기여를 하는 사람을 동등하게 분배한

다), 무기여자 공리(null player, 모든 순서 하에서 기여를 하지 않는 사람에게는 분배하지 않는다), 가법성 공리(additivity,

두 게임의 섀플리 가치의 합은 두 게임을 합친 게임의 섀플리 가치와 같다)라는 네 가지 바람직한 성질을 충족시키는 유일한

분배 방법이라는 것을 증명하였다.(Shapley, 1953) 무기여자 공리와 가법성 공리는 강단조 공리(strong monotocity, 기여

가 많은 게임에서 보수도 많다) 하나로 대체할 수 있다.(Young, 1985; Peters, 2008)

섀플리 가치는 공정하다. 그것은 “개인의 기여에 대한 공정한 평가(fair account of each person’s contribution)”(Shapley

and Shubik, 1969: 340)에 기초하고 있다. 위의 공리 중에서 대칭성 공리와 무기여자 공리는 공정성과 관련된다. 기여가 동

일하면 동일한 보수를 받는 것이다. 뿐만 아니라 강단조 공리를 보거나, 섀플리 가치의 정의를 보면 기여가 많을수록 보수가

많아진다는 것을 확인할 수 있다. 이런 성질들을 종합하면 섀플리 가치는 기여가 없으면 보수가 0이고, 기여가 동일하면 보

수가 동일하고, 기여가 많으면 보수가 많아지는 특징을 가지고 있다. 이 특징들을 이 글에서는 기여공정성이라고 부르려고

한다.10) 섀플리 가치는 효율적이고, 기여공정하다.

그런데 섀플리 가치는 우연하게 정해진 특정한 순서 하에서 사람들의 기여를 평가하는 것이 아니라, 모든 가능한 순서 하에

서 기여를 평가한다. 이것을 기회균등조건 이라고 부르려고 한다. 기회균등조건 하에서는 어느 누구도 배제되지 않으므로,

기회균등조건은 비배제성 조건을 포함한다. 섀플리 가치는 비배제성이 포함된 기회균등 조건 하에서, 효율적이고 기여공정

한 분배를 모색하는 것이다.

공정한 분배를 하려고 할 때 기회균등조건 하에서 기여를 평가하여야 한다는 것에 대해서는 수많은 철학적 정당화가 가능할

것이다. 여기서는 롤스의 정의의 원칙을 제시해 보겠다.(Rawls, 1999) 원초적 상태에서 무지의 장막(veil of ignorance) 뒤

에서 생각해 보면, 개인들은 어떤 순서로 연합을 형성하게 될지 모른다. 따라서 유일하게 공정한 방법은 가능한 모든 순서 하

에서 사람들의 기여를 평가하는 것이다. 섀플리 가치는 이와 같이 기회균등 조건 하에서 효율적이고 공정한 분배를 모색하기

때문에, 착취나 수탈 여부를 판단하는 기준이 될 수도 있다. 기본소득은 시장균형이 불공정할 때 최소 수혜자에게 섀플리 가

치를 보장하는 수단이 될 수 있다.

라. 데이터 2개와 알고리즘 1개로 인공지능을 만들 때

위의 게임을 확대해서 데이터를 제공하는 사람이 3명이 있고, 알고리즘을 제공하는 사람이 1명이 있는 경우를 생각해 보자.

여전히 알고리즘을 소유한 사람과 플랫폼을 소유한 사람이 일치한다고 가정한다. 인공지능을 만들기 위해서는 알고리즘 1

개와 데이터 2개의 결합이 필요하다고 가정한다.11) 이 경우에의 섀플리 가치는 알고리즘을 제공하는 사람이 전체의 1/2을 가

지고 나머지 사람들이 1/2을 나누어 갖게 된다.

도출 과정은 생략하겠지만, 이 경우에도 코어는 (0, 0, 0, 1)뿐이다. 시장균형은 코어 안에 있으므로, 시장에 맡겨 놓으면 알고

36

리즘(과 플랫폼)을 가진 사람이 가치 전부를 가져간다. 이것은 불공정한 게임이다. 이 경우 가장 불리한 사람에게 섀플리 가

치를 보장하려면 소득의 2/3를 세금으로 걷어서 4명이 나누어야 한다.

일반적으로 n 명이 데이터를 제공하고 n+1번째 사람 1명이 알고리즘을 제공할 때, 50%의 사람들이 데이터를 제공하지 않

더라도 인공지능이 만들어진다고 가정해 보자. 이 경우 시장에서는 알고리즘을 제공하는 사람이 가치의 전부를 차지하게 된

다. 그러나 섀플리 가치에 따르면 알고리즘을 제공하는 사람은 의 가치를 갖게 된다.(데이터를 제공하는 사람의

수가 무한히 많아지면 이 값은 1/2에 수렴한다). 데이터를 제공하는 사람들은 씩 가치를 나누어가지게 된다. 이

경우 모든 사람의 기본소득을 합치면 1/2이 된다.12)

5. 맺음말

인공지능을 만드는 데에는 하드웨어, 알고리즘, 데이터가 필요하다. 하드웨어의 발전이 인공지능 개발에 필수적이기는 하지

만 결코 충분한 조건은 아니다. 최근 인공지능의 개발은 심층학습 알고리즘이 주도하고 있다. 이 알고리즘은 빅 데이터를 사

용해서 학습하는 알고리즘이다. 그래서 인공지능을 만들기 위해서는 빅 데이터가 필수적인데, 인터넷이라는 공유지가 빅 데

이터를 제공해 주고 있다. E2E 원칙에서 시작된 인터넷은 WWW로 발전되면서 사람들이 말하고 놀고 공부하는 거대한 공유

지가 되었다. 인터넷에서 수많은 사람들의 공부하고 행동하고 노는 것이 인공지능을 만드는 데 기여하고 있는 것이다.

인공지능에서 발생하는 초과이윤이 알고리즘에서 비롯된 것이라면 그것은 정치경제학에서 특별잉여가치에 해당된다. 특별

잉여가치는 경쟁에 의해서 소멸되므로 항구적인 초과이윤의 원천이 될 수 없다. 플랫폼 기업들은 인공지능의 알고리즘을 공

개하면서 특별잉여가치의 일부를 포기하면서 지대를 낳을 수 있는 플랫폼을 구축하는 전략을 쓰고 있다. 만약 초과이윤이 데

이터에서 비롯된 것이라면 지대에 해당된다. 지대는 경쟁 시장의 등가교환 하에서 발생하는 것이지만, 불공정한 교환이다.

순서 m1 m2 m3 m4 순서 m1 m2 m3 m4

1,2,3,4 0 0 0 1 3,1,2,4 0 0 0 1

1,2,4,3 0 0 0 1 3,1,4,2 0 0 0 1

1,3,2,4 0 0 0 1 3,2,1,4 0 0 0 1

1,3,4,2 0 0 0 1 3,2,4,1 0 0 0 1

1,4,2,3 0 1 0 0 3,4,1,2 1 0 0 0

1,4,3,2 0 0 1 0 3,4,2,1 0 1 0 0

2,1,3,4 0 0 0 1 4,1,2,3 0 1 0 0

2,1,4,3 0 0 0 1 4,1,3,2 0 0 1 0

2,3,1,4 0 0 0 1 4,2,1,3 1 0 0 0

2,3,4,1 0 0 0 1 4,2,3,1 0 0 1 0

2,4,1,3 1 0 0 0 4,3,1,2 1 0 0 0

2,4,3,1 0 0 1 0 4,3,2,1 0 1 0 0

합 4 4 4 12

섀플리 가치 1/6 1/6 1/6 1/2

표 . 데이터 2개과 알고리즘 1개가 인공지능을 만들 때 섀플리 가치

37So

cial

and

Eco

logi

cal T

rans

form

atio

n an

d Ba

sic In

com

eth

e 16

TH B

IEN

CO

NGR

ESS

자신의 생산력이 아닌 외부적 환경에 근거를 두고 있기 때문이다. 데이터 생산에 기여한 프로슈머들은 자신들의 기여에 대하

여 정당한 대가를 못 받는다는 의미에서 수탈당하는 것이다. 지대는 경쟁에 의해서 소멸되지 않고 시간이 갈수록 더 커지는

경향이 있다. 이러한 불공정은 기본소득에 의해서 정정될 수 있다.

데이터 생산에 기여한 사람들의 정당한 분배몫은 섀플리 가치를 계산해서 구할 수도 있다. 섀플리 가치는 게임에 참여하는

경기자들이 임의의 순서로 연합을 형성한다고 할 때 존재할 수 있는 모든 순서 하에서 경기자들의 기여분을 평균한 것이다.

섀플리 가치는 우연하게 정해진 특정한 순서 하에서 사람들의 기여를 평가하는 것이 아니라, 모든 가능한 순서 하에서 기여

를 평가한다. 섀플리 가치는 기회균등조건 하에서는 효율적이고 기여공정한 분배를 추구한다. 여러 가시 상황에서 섀플리 가

치를 계산해 보면 인공지능 게임에서 데이터를 제공하는 사람들은 대략 절반 정도의 가치를 분배 받는 것이 공정하다. 그러

나 시장에 맡겨 놓으면 모든 가치는 플랫폼을 소유한 알고리즘 제공자의 몫이 된다. 공정한 분배를 위해서는 최소수혜자의

섀플리 가치를 보장할 수 있도록 과세를 통해서 기본소득으로 나누어야 한다.

이제 우리는 허버트 사이먼이 소득의 90%는 남의 지식을 활용한 대가라는 말을 더 잘 해석할 수 있게 되었다. 몇 가지 가정

하에서 만든 인공지능 게임에서 섀플리 가치로 계산한 기본소득의 크기는 허버트 사이먼이 제안한 70%가 아니라 제임스 미

드가 제안한 50% 정도이다. 인공지능으로 인해서 직업이 사라지므로 사람들의 생존을 위해서는 기본소득이 필요하다. 직업

이 사라져가는 시대에서 노동의 의미를 새롭게 생각해야 한다. 그리고 인공지능이 만든 물건들이 잘 팔려서 경제가 순조롭게

재생산되기 위해서도 기본소득이 필요하다. 그러나 더욱 강력하게, 우리 모두가 인공지능의 생산에 참여하고 있으므로, 우리

모두는 인공지능에 대한 재산권을 가지고 있다.

최근 팀 버너스 리는 케인즈의 가족인 수마야 케인즈(Soumaya Keynes)가 “당신도 기본소득을 지지하는 컴퓨터 과학자에

속하느냐”라고 질문을 하자, “기본소득은 효율적이고 단순하기 때문에 지지한다”고 대답하면서 기본소득은 “기술이 가져온

대규모 지구적 불평등을 교정할 수 있는 수단의 하나”라고 대답하였다.(Kate McFarland, 2016) WWW라는 공유지를 선물

로 준 사람이 기본소득을 지지하니 기본소득 지지자로서 매우 기쁘다. 그러나 만약 버너스 리가 자신이 만든 공유지로 인해

서 빅 데이터가 쌓이고, 빅 데이터로 인해서 인공지능의 개발이 가능해졌다는 것을 인식하였다면, 모든 사람들이 기본소득에

대한 권리를 가지고 있다고 한층 더 강하게 말할 수 있었을 것이다.

주

1) 인공지능(AI)이라는 용어는 이 워크샵에서 처음으로 사용되었다. 이 무렵 사이먼과 뉴월(H. Simon and A. Newell)은 LT(Logic Theorist)라는 인공지능프로그램을 개발하였다. LT는 러셀과 화이트헤드의 수학의 원리 제2장 정리들을 대부분 증명할 수 있었고, 몇몇 명제는 더 짧게 증명했다. 버트란드 러셀은 사이먼의 AI가 만든 증명을 보고 매우 기뻐했다고 한다.(S. Russell and P. Norvig, 2010, p.22) 사이먼은 LT를 더욱 발전시킨 GPS(General Problem Solver)라는 인공지능도 만들었다. 이것은 인간과 같은 사고 시스템이라는 인공지능의 첫 번째 목표를 달성한 최초의 프로그램이었다.(조영임, 2012, p.8)

2) 레식은 통신 시스템을 물리적 계층, 코드 계층, 콘텐츠 계층으로 나누고, 코드 계층이 자유로운 시스템을 공유지라고 불렀다.(Lawrence Lessing, 2002)

3) 1990년은 버너스 리에게 무척 바쁜 한 해였다. 그는 결혼을 했고, 웹의 지적 재산권을 포기하기로 결심하였으며, 크리스마스 날 지구 최초의 웹 서버의 스위치를 켰다(Businessweek, 2002. 3. 4).

4) 이 글에서 공정교환이란 생산성을 고려해서 동등한 노동이 교환되는 경우를 의미한다. 생산성이 높은 노동은 더 많은 노동으로 간주된다. 지대를 낳는 노동의 경우에는 생산력의 원천이 외부의 환경에 있으므로 생산성이 높은 노동으로 간주되지 않는다. 지대가 불공정교환이라는 것은 이런 의미에서이다. 이 글에서 사용하는 공정교환 개념은 지능 같은 내적 천부의 차이에 의한 불평등을 고려하지 않는 개념이다.(Phillipe Van Parijs, 2003 참조)

38

5) 이 글에서 말하는 지대란 차액지대를 말한다. 6) 페이스 북은 2015년 1월 16일에 토치(Torch, http://torch.ch/)를 위한 오픈 소스의 딥 러닝(Deep learning) 모듈을 다른 경쟁사들 보다

먼저 공개했다(Venturebeat, Techcrunch, Facebook Blog, 16 Jan 2015). 구글은 2015년 11월 10일 일본 도쿄의 ‘기계 안의 마술(The Magic in the Machine)’ 행사에서 기계학습 기술인 ‘텐서플로(TensorFlow, http://tensorflow.org)’를 오픈소스 프로젝트로 공개하고 외부에서도 무료로 쓸 수 있도록 했다.(차원용, 2016)

7) 로이드 섀플리(1923-2016)는 2012년 노벨 경제학상을 수상하였다.8) 엄밀하게는 v({1}), v({1,3}), v({1,2,3}) 등으로 표현해야 하지만, 혼동의 여지가 없으므로, v(1), v(1,3), v(1,2,3) 등으로 표현하기로 한다. 보

수 x도 마찬가지로 표현한다. 즉, x(1) = x({1}) = x1 이고, x(1,2)=x({1,2})=x1+x2 이다.9) 만약 알고리즘을 제공하는 사람이 플랫폼 독점이 사라져서 서로 경쟁하게 되면 알고리즘 제공하는 사람의 섀플리 가치는 적어지고, 데이

터를 제공하는 사람들의 섀플리 가치는 커진다. 10) 엄밀하게 말하면, 이 글에서는 대칭성과 강단조성을 합쳐서 기여공정성이라고 정의한 것이다.11) 데이터를 제공하는 사람이 많아질 경우 일부의 사람이 데이터를 제공하지 않더라도 인공지능은 만들어질 것이다. 물론 많은 사람들이

데이터를 제공하지 않으면 인공지능은 만들어지지 않을 것이다. 이 모델에서는 이런 상황을 고려해서 1명의 사람이 데이터를 제공하지 않아도 인공지능이 만들어진다고 가정한 것이다.

12) 알고리즘을 제공하는 사람의 섀플리 가치는 다음과 같이 구할 수 있다. 알고리즘 제공자가 기여하는 가치가 1이 되는 경우는 순서상 제일 마지막에 위치하는 경우 1가지와 데이터를 제공하는 사람들의 후반부에 위치하는 경우를 합해서 모두 개의 경우가 있다. n은 짝수라고 가정한다. 각각의 경우마다 개의 순서가 존재하므로, 모두 개의 순서가 존재하고 이것이 전체 순서 개에서 차지하는 비율은 가 된다.

참고문헌

Brin, Sergey and Lawrence Page(1998), “The Anatomy of a Large-Scale Hypertextual Web Search Engine”, Computer Networks and ISDN Systems.

David Silver, Aja Huang, Chris J. Maddison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser, Ioannis Antonoglou, Veda Panneershelvam, Marc Lanctot, Sander Dieleman, Dominik Grewe, John Nham, Nal Kalchbrenner, Ilya Sutskever, Timothy Lillicrap, Madeleine Leach, Koray Kavukcuoglu, Thore Graepel, and Demis Hassabis(2016), “Mastering the game of Go with deep neural networks and tree search”, Nature, Vol. 529, 28 Jan.

Lantz, Brett.(2015), Machine Learning with R, 2nd edition, Packit Publishing, 전철욱 옮김, 『R을 활용한 기계학습』, 에이콘, 2014 Lessig, Lawrence(2002), The Future of Ideas: the Fate of the Commons in a Connected World, Vintage Books.Marx, Karl(1867), 김수행 옮김, 『자본론』, 제1권, 비봉출판사, 1992Marx, Kl.(1894), Capital Vol. 3, 김수행 옮김, 자본론 제3권, 비봉출판사, 2004.Mayer-Schonberger, Viktor and Kenneth Cukier(2014), Big Data: A Revolution That Will Transform How We Live, Work, and

Think, Eamon Dolan/Mariner Books, 이지연 옮김, 『빅 데이터가 만드는 세상: 데이터는 알고 있다』, 21세기 북스, 2013.McFarland, Kate, “UNITED KINGDOM: Web inventor Sir Tim Berners-Lee on benefits of UBI”, Basic Income News, 2016. 5. 28. Negnevitsky, M.(2005), Artificial Intelligence, 2nd edition, 김용혁 옮김, 『인공지능 개론, 한빛 아카데미』, 2013.Phil Simon(2013), Too Big to Ignore: The Business Case for Big Data. Wiley. 장영재, 이유진 옮김, 『당신의 흔적에 기회가 있다: 무시

하기에는 너무 큰 존재, 빅 데이터』, 한국경제신문사, 2015.Poole, D. and Mackworth, A.(2010), Artificial Intelligence: Foundations of Computational Agents, Cambridge University Press.Quoc V. Le, Marc’Aurelio Ranzato, Rajat Monga, Matthieu Devin, Kai Chen, Greg S. Corrado, Jeff Dean, and Andrew Y. Ng(2012),

“Building High-level Features Using Large Scale Unsupervised Learning”, Proceedings of the 29th International Conference on Machine Learning, Edinburgh, Scotland, UK, 2012.

Russell, S and Norvig, P.(2010), Artificial Intelligence: A Modern Approach, 3rd. edition, Prentice Hall, 류광 옮김, 『인공지능, 현대적 접근방식』, 제3판, 제이펍, 2016

Scarf, Herbert. 1962. “An Analysis of Markets with a Large Number of Participants”, Recent Advances in Game Theory, The Princeton Univeristy Conference.

Shapley, L. S. 1953. “A Value for N Person Games”, Annals of Mathematical Studies, XL: 307-17.

39So

cial

and

Eco

logi

cal T

rans

form

atio

n an

d Ba

sic In

com

eth

e 16

TH B

IEN

CO

NGR

ESS

Shapley, L. S. and Martin Shubik. 1969. “Pure Competition, Coalitional Power, and Fair Division”, International Economic Review, 10(3): 337-362.

Simon, Herbert(2000), “UBI and the Flat Tax”, Phillip van Parijs eds., What's Wrong with a Free Lunch, Beacon Press. Van Parijs, Philipe(2003), Real Freedom for All, Oxford.Yaniv Taigman, Ming Yang, Marc'Aurelio Ranzato, and Lior Wolf(2014), “DeepFace: Closing the Gap to Human-Level

Performance in Face Verification”, Conference on Computer Vision and Pattern Recognition (CVPR), June 24, 2014 강남훈(2002), 『정보혁명의 정치경제학』, 문화과학사.강남훈, 강성윤, 류동민, 박성수, 이경천, 이채언, 채만수(2007), 『정보재 가치논쟁』, 한신대학교 출판부.마쓰오 유타카(2015), 『인공지능과 딥러닝』, 박기원 옮김, 동아엠엔비차원용(2016), “페이스북 인공지능-기계학습-딥러닝의 현재와 미래”, Electronic Science, 2013. 3. 4.,(http://www.elec4.co.kr/article/

articleView.asp?idx=14047#)