AI 플랫폼 기반 디자인에서 차체 디자인 서술어의 구성 요소 고찰

2.1 머신러닝

기계학습, 또는 외래어로 머신러닝(Machine Learning) 이라고 불리는 디지털 인공지능 기술의 한 분야로서, 1959년에 최초로 아서 사무엘(Arthur Samuel)의 논문에서 “명시적인 프로그램을 작성하지 않고 컴퓨터에 학습할 수 있는 능력을 부여하기 위한 연구 분야”라고 정의⁶⁾되었다. 이에 의하면 머신러닝은 알고리즘(Algorithm)을 설계하기 어려운 작업을 해결하기 위해 사용되며, 대부분의 머신러닝 알고리즘은 데이터가 생성한 잠재적 특징을 파악하여 관계를 정량화한 후, 그 패턴으로 새로운 데이터에 대해 예측하는 것이라고 설명되고 있다.

머신러닝에 대해 제프리 웨스트(Jefrey West)는 데이터로부터 유용한 규칙, 지식 표현, 판단 기준 등을 추출한다는 점에서 데이터마이닝(Data mining)이나 통계(Statistics), 수학의 최적화 문제(Optimization)와 관련이 깊다는 설명³⁾을 내놓기도 했다. 여기에 더해서 그는 데이터를 분석할 통계 도구를 이용할 수 있게 되면 세계를 이해할 새로운 방식이 출현하며, 일관된 모형이나 통일된 이론 없이도 과학이 발전할 수 있다는 크리스 앤더슨(Chris Anderson)의 주장⁷⁾에 동조하는 견해³⁾를 내놓기도 했다.

2.2 머신러닝의 특성

머신러닝은 컴퓨터 지각, 자연어 처리, 음성 인식 및 필기 인식, 정보 검색 및 검색 엔진, 생물 정보학, 컴퓨터 그래픽 및 게임, 로보틱스 등의 분야에서 응용되고 있으며, 사람이 학습하듯이 컴퓨터에도 데이터를 학습하게 함으로써 새로운 지식을 얻어내게 하는 분야로 설명⁸⁾되고 있다.

토머스 디트리히(Thomas Dietterich)는 머신러닝을 Fig. 1에서처럼 컴퓨터는 학습하는 학생이고, 선생님의 역할은 경험을 전달하는 것에 비유⁹⁾하기도 했다.

Fig. 1

Research structure model

그에 의하면 머신러닝의 알고리즘은 학습 시스템에 정보 및 데이터를 입력하는 형태에 따라서 Table 1의 구분처럼 인위적으로 함수를 유추하는 보조 데이터 입력을 통한 방법을 ｢감독 학습(Supervised learning)｣과, 데이터가 어떻게 분포되었는지를 분석하는 방법을 ｢비감독 학습(Unsupervised learning)｣으로 나누었다.

Table 1

Algorithms characteristics of machine learning

예를 들어 감독 학습은 y=3x라는 함수를 통해(x.y)의 집합 중 (1,3), (3,9), (4,12), (6,18)의 데이터가 있다면, 컴퓨터가 그 함수를 모르더라도 컴퓨터에 이들 데이터를 입력한 후 (8,?), (10,?) 등의 질문을 하면 그에 대한 답을 컴퓨터가 하도록 만드는 것이다. 즉 y=3x라는 함수를 프로그래밍하지 않아도 답을 얻게 된다.

2.3 딥러닝과 AI

딥러닝(Deep Learning)이라는 외래어로 지칭되는 기술로서 컴퓨터가 인간처럼 판단하고 학습해서 이를 통해 외부 데이터를 스스로 조합하고 분석하여 학습하며, 군집화하거나 분류하는 것¹⁰⁾을 뜻한다. 이것을 인공지능(人工知能, AI; Artificial Intelligence)이라고도 지칭하고 있다. 즉, 인공지능은 대량의 데이터를 학습하고 복잡한 문제를 해결하는 머신러닝의 한 분야로서, 이론적인 개념이 먼저 발전했으며, 최근에 고성능 컴퓨터 개발에 따라 방대한 양의 데이터 분석이 가능하게 되면서 딥러닝의 실행이 나타나기 시작했다.

뉴스 요약, 이미지 분석, 자동운전 등 다양한 분야에서 응용되고 있으며, 학습 자료의 양이 많으면 많을수록, 그리고 학습 단계가 세분될수록 성능이 좋아진다는 것이 2015년의 ｢Computer Vision and Pattern Recognition｣ 학회에서 나온 주장이다. 이미지 인식 분야는 단순하게 물체 종류를 맞히는 단계를 넘어 Fig. 2에서 채소의 종류를 구분하고 사람들이 그것을 판매하거나 구매하는 모습을 인식하고 그 이미지 전체를 설명하는 문장을 생성하거나, Fig. 3에서와 같이 사람과 고양이를 구분하는 수준까지 도달¹¹⁾했다고 한다.

Fig. 2

Algorithm of translating images into sentences presented in 2015 IEEE conference on CVPR

Fig. 3

Conceptual diagram of Google’s experiment of distinguish humans and cats with analyzing 10 million images by 1,000 computers

3.1 딥러닝과 이미지

딥러닝 활용의 대표적 예시는 Table 2와 같이 음성 인식(Voice recognition), 이미지 인식(Image recognition), 텍스트를 통한 자연어 처리(Natural language processing), 생성형 모델링(Generative modeling) 등 다양한 형태의 비구조적 데이터를 처리할 수 있으며, 과적합, 속도, 기능 등의 문제를 극복하기 위해 다양한 기법들이 개발¹²⁾되었다. 그러나 딥러닝에는 다양한 한계가 존재하며, 그것을 극복하기 위한 연구가 계속되고 있다고 한다. 한편으로 이러한 딥러닝의 한계성은 AI 플랫폼을 바탕으로 하는 디자인 전개에서도 드러나고 있다.

Table 2

Examples of deep learning usages

예를 들어 ｢미드저니(Midjourney)｣와 같은 인공지능 플랫폼(https://midjourney.com)은 텍스트를 기반으로 하는 이미지를 생성하는데, 프롬프트에 ‘Cat, cute’와 같은 명령어를 입력하면 다수의 ‘귀여운 고양이’의 이미지를 제시¹³⁾해주지만, 그들의 ‘귀여움’의 정도나 그 특성에 의한 구분으로 결과물을 얻을 수는 없다.

Fig. 4

‘Cute cat’ searching by Midjourney platform

즉 입력한 명령어에 의한 결과를 정확히 예측하기 어려우며, 여러 시도 끝에 우연히 얻은 좋은 결과의 원인을 정확히 역추적하기 어렵다는 점 등은 딥러닝 활용에서의 한계이기도 하다. 또한 어휘로서 귀여움을 나타내는 ‘Cute’를 활용하는 방법에 따라 결과물 산출이 변화된다.

Fig. 5

Last Supper by Leonaro Da Vinchi, 1498

3.2 AI 기반 조형 사례

｢미드저니｣에서 다양한 회화 양식의 감독학습을 실행한 상태에서 작업의 기반이 되는 이미지에 회화 양식에서 주요 형식을 키워드 형태로 프롬프트에 ‘Line Art’, ‘Dot Art’, ‘Sketch’, ‘Cross hatch’ 등의 명령어를 입력하면 기반이 되는 이미지가 프롬프트의 키워드에 맞게 변형되어 나타나는 것을 볼 수 있다. Fig. 6은 이러한 변형을 생성한 것으로, 화가의 손 그림과 구분이 어려울 정도의 정교함을 보여주고 있기도 하다.

Fig. 6

Examples of drawing style prompt

3.3 AI 기반 조형의 응용 사례

곡선과 곡면의 조형 건축의 대표적 건축가이며 동대문 디자인 플라자(DDP; Dongdaemoon Design Plaza)를 설계한 건축가 자하 하디드(Zaha Hadid)의 건축물은 3차원 곡면과 유기체적인 곡선이 대표적인 특징이다.

Fig. 7은 철근 콘크리트와 폴리에스터(Polyester)로 마감된 619,000 Ft² 규모의 아제르바이잔(Azerbaijan) 바쿠(Baku)의 ｢Heydar Aliyev Center｣로, 역시 자하 하디드의 건축물로 유기체적 곡선과 급강하하는 곡면에 의해 형성되는 전체 형상이 대표적이다.¹⁴⁾

Fig. 7

Architecht of Zaha Hadid- Heydar Aliyev Centre in Baku, Azerbaijan

이러한 자하 하디드의 곡선적 건축의 데이터를 감독 학습 기법으로 데이터를 축적시킨 AI 플랫폼에 이 건축물과 속성이 전혀 다른 대상을 대입해서 변형시키는 작업을 수행하는 것이 AI 기반 조형 작업의 개념이다.

이러한 방법으로 디자이너 Moss와 Fog는 AI 플랫폼 ｢미드저니｣를 각각 건축가 자하 하디드와 프랭크 로이드 라이트(Frank Lloyd Wright)의 조형 요소로 사용해 Fig. 8과 같은 새로운 조형의 자동차 이미지를 생성하는 작업을 수행했다.¹⁵⁾

Fig. 8

Examples of AI based design developing

4.1 셰익스피어와 희극

윌리엄 셰익스피어(William Shakespeare, 1564 ~ 1616)는 영국의 극작가이자 시인이며, 배우로도 알려져 있다. 하지만 그러한 그의 평판과는 다르게 그에 관한 공식적인 기록은 많지 않다고 한다.

마이클 도브슨(Michael Dobdon)의 셰익스피어 평전에서는 셰익스피어의 희곡은 몇 개의 시기로 나누어 구분하고 있다. 1590 ~ 1594년으로 구분되는 습작기, 1595 ~ 1600년의 성장기, 1601 ~ 1607년의 원숙기, 1608 ~ 1613년의 제4기 등으로 구분¹⁶⁾된다.

셰익스피어는 ｢햄릿(Hamlet)｣, ｢로미오와 줄리엣(Romeo and Juliet)｣, ｢맥베스(Macbeth)｣, ｢줄리어스 시저(Julius Caesar)｣, ｢오셀로(Othello)｣, ｢리어왕(King Lear)｣, ｢겨울 이야기(The Winter’s Tale)｣, ｢템페스트(The Tempe-st)｣ 등의 각본 36편, 그리고 14행 형식의 시 소네트(Sonnet) 154편을 남겼다⁵⁾고 한다.

셰익스피어의 희곡은 Table 3과 같이 5대 희극(喜劇, Comedy)과 4대 비극(悲劇, Tragedy)으로 나누며, 1600년까지는 ｢말괄량이 길들이기(The Taming of the Shrew)｣, ｢한여름 밤의 꿈(A Midsummer Night’s Dream)｣, ｢베니스의 상인(Merchant of Venice)｣, ｢뜻대로 하세요(As You Like It)｣, ｢12야(Twelfth Night)｣ 등의 5대 희극으로 구분되는 작품이 집필되었다. 그리고 1601 ~ 1607년까지 완숙기라고 구분되는 시기의 ｢햄릿(Hamlet)｣, ｢리어왕(King Lear)｣, ｢맥베스(Macbeth)｣, ｢오셀로(Othello)｣ 등이 그의 4대 비극으로 구분되고 있다.

Table 3

Shakespeare’s titles of major works

4.2 맥베스의 텍스트 고찰

｢맥베스｣는 전체가 5막으로 구성돼 있으며, 각각의 막(幕, Act)의 주요 내용을 요약하면 Table 4와 같다.

Table 4

Synopsis of each act of Macbeth

전반적으로 ｢맥베스｣의 내용에서는 1막에서 마녀들의 예언이 나오고, 점차 위기 상황으로 발전되다가 5막에서 이미지 서술의 예언에 의한 반전과 결말을 보여주고 있다. 그러한 흐름을 나타내는 각각의 막이나 장(場, Scene)에서 주요한 서술을 간추리면 Table 5와 같다.

Table 5

Major descriptive wordings in each Act of Macbeth

4.3 텍스트의 이미지 서술

1막 1장에서 마녀의 예언으로 Table 6의 대사가 나온다.

Table 6

Concept oriented wordings in Act 1 Scene 1

원문은 알파벳 F로 시작하는 단어 Fair와 Foul로써 두운(頭韻; Alliteration)을 맞춘 것을 볼 수 있다. ‘아름다운 것은 추악하고, 추악한 것은 아름답다’는 이 문장은 철학의 관점에서는 수긍되지만, 어휘의 의미나 논리에서는 모순적 표현일 것이다.

한편으로, 4막 1장의 내용을 보면 유령의 대사로 ‘여자에게 태어난 자(One of woman born)’라는 서술이 나온다. 그리고 이후 ‘버넘의 숲이 움직여 공격해오지 않는 한 맥베스는 패배하지 않는다’는 예언도 나온다. 그것을 정리한 것이 Table 7이다.

Table 7

Image oriented wordings in Act 4 Scene 1

그러나 5막 5장의 내용, Table 8에서 맥베스가 전령으로부터 ‘버넘의 숲이 움직이기 시작했다’는 보고받지만, 맥베스는 그 보고를 믿지 않는다. 물론 실제로 숲이 움직인 것이 아니라 나뭇가지로 위장한 병사들이 진격해오는 것이었지만, 전령에게는 그 모습이 숲이 움직이는 것으로 보였으므로 그렇게 보고한 것이다.

Table 8

Image oriented wordings in Act 5 Scene 5

이처럼 현상의 외관만을 다루는 관점의 서술은 5막에서 반복돼 나온다. 즉, ‘여자에게서 태어난 자(One of woman born)’라는 4막 1장의 예언이 5막 8장, Table 9의 맥베스의 대사에서 다시 언급된다. 여기에서 ‘여자에게서 태어난 자’는 ‘자연분만(Born)’으로 태어난 사람을 의미하는 개념적 서술이다. 그렇지만 맥더프가 자신은 자연분만하기 전에 어머니의 자궁을 가르고 나왔다(They cut me out of my mother’s womb before she could bear me naturally)며 자신은 그 마법에서 비껴간다고 이야기한다.

Table 9

Image oriented wordings in Act 5 Scene 8

4.4 기표와 기의의 분리

1장 1막의 ‘아름다운 것은 추악하고 추악한 것은 아름답지(Fair is foul, and foul is fair)’라는 서술은 철학적으로는 모순이라고 할 수는 없을 수도 있다. 그러나 어휘의 의미에 기반한 논리적 판단, 혹은 이성(理性)에 기반한 의미론적 분석에서는 미(美)와 추(醜)가 같다는 서술은 모순이다. 여기에서 기호론적 접근의 관점에서 기표와 기의가 명확하지는 않은 서술로서 등장한다.

기호에 대한 구분에서 기호학자 소쉬르(Ferdinand De Saussure)는 기표(記表, Signifier)와 기의(記意, Signified)로 구분하는데, 그것은 기호의 내용과 형식의 구분으로 파악된다. 소쉬르의 기호(記號, Sign)에 대한 견해에서는 기호는 기표에 기의가 결합해 특별한 의미가 있는 구조로 정의¹⁷⁾한다.

기의(記意; Signified)는 서술하는 대상은 실존적 특성을 의미하며, 기표(記標; Signifier)는 시각적 외관을 의미하는 것으로 나눌 수 있으며, 또 다른 개념으로는 이들을 각각 본질(本質)과 표상(表象)으로 구분¹⁸⁾할 수 있을 것이다. 이 구분에 따라 맥베스에서 이미지 서술을 정리하면 Table 10과 같다.

Table 10

Analysis of descriptive wordings

여기에서 실존적 특성을 의미하는 기의(記意; Signified)와 외관적 형식의 기표(記標; Signifier)는 일치하기도 하지만, 항상 그러하지는 않은 것을 보여주는 것이 5막 5장에서 ‘버남의 숲이 움직인다’는 서술이다. 이것을 예언한 유령은 마치 그 장면을 그대로 묘사하듯 예언한다.

그러나 기의의 관점, 또는 실체적 관점으로 본다면 숲은 나뭇가지로 위장한 병사들이다. 따라서 숲이 움직인다는 것은 제3자의 관점에서 본 외관이다. 표상으로는 ‘숲, 또는 나무의 집단이 움직이는 것’이지만, 그의 실체는 ‘나뭇가지로 위장한 병사’이므로 기표와 기의는 불일치한다.

그에 비해서 ‘여자에게 태어난 자’는 기표와 기의 모두에 해당하는 서술이라고 할 수 있다. 그에 대비되는 내용으로써 맥더프가 자신은 ‘자연분만하기 전에 어머니의 배를 가르고 나왔다’는 것은 ‘여인에게서 태어났다’는 사실 자체로서의 기의는 같지만, 기표에서 원문의 ‘I was not born. They cut me out of my mother’s womb before she could bear me naturally.’와 같이 자궁을 통하여 출산하는 방법이 아님을 보다 구체적으로 서술하고 있다.

5.1 형태와 기호

소쉬르의 기호 구분과 아울러 퍼스(Peirce, Charles Sanders)는 기호를 다시 세 가지 유형으로 정의했는데, 그에 의하면 기호에는 도상(Icon), 지표(Indicator, index), 상징(Symbol) 등으로 나누어지는 세 가지 유형으로 구분¹⁹⁾된다. 이들 유형은 각각의 특성에 의해 기호가 의미하는 내용을 전달하는 역할을 하게 된다. 또한, 각각의 유형은 여러 가지 의미가 지향하는 내용을 추상적인 방법으로 전달하는데, 그 내용을 일반적인 의미 중심으로 정리해 보면 다음과 같다.

5.2 도상과 이미지의 층

일반적인 미술작품의 해석에서 그려져 있는 형상의 모티프(Motif)나 주제로서의 의미해석이 문제가 될 수 있다. 특히 시간이 흘러 작품이 만들어진 시대와 문화가 달라지면 주제의 의미를 이해하기는 어렵다. 이에 따라 형상과 그 의미를 역사적으로 분류하고 기술하는 연구가 19세기부터 이루어졌으며, 이것이 ｢도상학｣이다.

에르빈 파노프스키(Erwin Panofsky)는 형태의 본질적 의미 또는 내용을 해석하는 작품해석 방법으로 ｢도상해석학｣을 제시했다. 그에 의하면, 형태의 해석은 그것이 지향하는 의미의 분화에 따라 세 가지 층으로 구분된다. 즉 ｢자연적 주제의 층｣과 ｢관습적 주제의 층｣ 및 ｢본질적 의미⋅내용의 층｣으로 구분되며, 이들 세 층은 분리되는 것이 아니라 통합된 방식으로 진행되어야 한다²²⁾고 했다.

전통적인 맥락에서 도상, 또는 그것의 이미지가 표시하는 것과 비슷한 기호, 그리고 과거의 미술품들이 가진 다양한 도상(圖像)이 무엇을 표현하는가를 식별, 해명하고 도상의 상호 연관관계를 알아내는 것을 도상학(圖像學)이라고 구분하는데, 이것은 또한 상징성(象徵性)⋅우의성(寓意性)⋅속성(俗性) 등 의미를 가진 도상을 비교하고 분류하는 미술사의 연구 방법의 하나이다.

그러나 현대미술에서의 도상학은 어떤 특수한 정신적⋅사회적 의미와 연관이 있는 특정한 이미지를 표현하는 술어(述語)와 같은 개념으로 쓰이기도 하며, 대상 속에 구현된 이념을 그 내용과 기원, 더 나아가 전개 과정 차원에서 분석하여 그 대상이 함축하고 있는 것에 대한 올바른 이해를 도모하는 역할을 한다²¹⁾고 설명한다.

이러한 개념의 분석으로 에케하르트 캐멀링 (Ekkehard Kaemmerling)은 레오나르도 다 빈치(Leonardo da Vinci, 1452 ~ 1519)의 ｢최후의 만찬｣²³⁾은 작가로서의 회화적 성향, 르네상스 문화, 특별한 종교적 태도의 기록 등으로서, 화면에 표현된 식사 장면 이외에도 그것은 ｢성서적 내용｣에 대한 상징이라고 분석하였다.

또한, 이러한 상징적 내용에 관한 해석은 해석자의 지식이나 종교적 태도 등이 결합한 종합적 직관을 바탕으로 하며, 이것을 도상학적 해석(Iconographical analysis)이라고 할 수 있다.

즉, 도상해석학은 역사적인 맥락 속에서 회화를 종합적⋅구체적으로 해석하는 방법이며, 그 출발점으로서의 내용을 분석하는 것이라고 할 수 있다. 즉 도상학과 구별되는 도상해석학은 분석보다는 종합에 의한 해석방법이다. 이에 따라 에케하르트 캐멀링은 세 가지의 층으로 나누는 논지²¹⁾를 보이고 있는데, 그 논지를 요약해 정리한 것이 Table 11이다.

Table 11

Layers of iconography of ‘Last Supper’

먼저 ｢자연적 주제의 층｣이라고 하는 제1차적 의미의 층은 전도상학적 기술(前圖像學的記述, Pre-iconographical description)이라고 하는 단계로, 현상적 의미 또는 자연적 특징을 주제로 하는 것인데, 이것은 특히 사실적 주제(寫實的 主題)와 표출적 주제(表出的 主題)로 나뉜다. 처음 것은 형태가 어떤 대상과 사건으로 인지되는 것이고, 나중의 것은 예를 들어 자세와 몸짓의 표현 등이 의미로 인지되는 것이다. 이와 같은 의미로 인지되는 순수한 ｢형(形)｣의 영역이 주제의 세계라고 설명된다.

제2차적 의미의 ｢관습적 주제의 층｣은 개념, 또는 관습적(Conventional)인 주제로서, 예를 들면 특정한 순서와 특정한 자세로 식탁 주변에 앉아있는 인물의 모습을 ｢최후의 만찬｣이라고 이해하는 것이다. 이러한 해석은 예수 그리스도라는 인물이 그의 제자들과 마지막으로 저녁 식사를 한 것에 관한 지식을 바탕으로 하는 도상학적 분석이다. 이러한 분석을 위해서는 일상적 경험이나 지식에 의해 그것에 대해 알고 있어야 한다.

마지막으로 ｢본질적 의미⋅내용의 층｣이라는 제3차적 의미의 층은 본질적 의미 또는 그의 내포(內包)는 예술가의 개성을 통해서 작품에 응집된 민족이나 시대, 계급 또는 종교적이거나 철학적인 신조의 기본적 태도를 제시하는 원리이며, 상징적 가치의 세계를 구성한다. 형태⋅모티프⋅이미지⋅이야기⋅알레고리(Allegory) 등의 요소들은 모두 이 원리의 상징적 표현에 기여²²⁾한다고 설명한다.

5.3 도상과 기표의 종합

외관적 형식의 기표(記標; Signifier)는 이미지를 구성하는 물리적 형태로 구성되며, 이를 각 조형 요소로 단순화시키면 다시 개별 형태 요소로 독립되고, 개별 형태 요소는 스스로는 어떠한 의미는 없다. 그러나 각각의 형태는 결합하는 단위에 의해 추상성이 생겨나고 종합적으로 다른 의미나 형태를 암시하는 도상(圖像)으로 변화되기도 한다.

앞에서 도상해석학에서의 케멀링의 세 가지 계층에 기표의 개념을 결합하면, Table 12와 같이 정리할 수 있다. 그 구분은 도상해석학의 층, 표현 주제, 물체의 이미지, 그리고 그에 따른 기표 등으로 구분할 수 있다.

Table 12

Analysis of iconography and signifier

도상학에서 ｢자연적 주제의 층｣이라고 구분했던 제1차적 의미의 층은 사물의 형태를 의미하며, 여기에는 단지 지시된 사물의 형태가 해당한다. 따라서 기표의 관점에서는 식기와 식탁, 그리고 그 주변에 앉아있는 13명의 인물을 가리킨다.

제2차적 의미의 ｢관습적 주제의 층｣은 ｢최후의 만찬｣이라는 회화작품을 지칭하며, 기표의 관점에서는 그와 같은 주제를 가진 다수의 회화 중의 하나인 레오나르도 다 빈치의 ｢최후의 만찬｣을 나타내고 있다. 그리고 ｢본질적 의미⋅내용의 층｣이라는 제3차적 의미의 층은 도상학적 관점에서 신약성서의 한 부분으로서 예수라는 인물이 처형당하기 전날에 열두 명의 제자들과 저녁 식사하는 모습을 지칭하며, 기표로서는 일반적으로 알려진 신약성서의 내용인 동시에 그것을 묘사한 이미지라고 설명할 수 있다.

이러한 계층 개념을 인공지능 기반 디자인작업의 스크립트 개념으로 재구성하면 Table 13과 같이 스크립트의 레벨에 따른 기표로서 제시되고, 그에 의한 인공지능 기반의 출력물에서도 같은 맥락의 결과물이 나올 것으로 예상할 수 있다. 따라서 도상학에서의 층을 스크립트의 레벨로 연계시킬 수 있을 것으로 보인다.

Table 13

Comparisons of input scripts and signifiers

5.4 조형과 인공지능의 시사점

인공지능 플랫폼은 근본적으로 논리회로라는 점에서 입력 단계에서 임무의 정의(Mission definition)가 얼마나 명확하게 이루어지느냐에 따라 결과물의 정밀도가 변화될 개연성이 있다. 따라서 스크립트에서 기표에 관한 명확한 정의가 필요하다는 점은 5장 3절에서 종합한 내용으로 알 수 있다.

맥베스의 텍스트 중에서 미와 추의 사례에서와 같이 상반성이나 동질성 등이 철학적이거나 맥락적 이해가 일치하지 않는 서술이 기반이 된다면 인공지능에서도 그 결과에서 입력과 출력의 인과관계를 정확히 규명하기는 어려울 개연성도 보인다.

이와 같은 도상의 분석 단계에 의한 기표의 변화는 앞서 3장 3절에서 살펴본 자하 하디드의 건축물의 특성과 차량의 이미지 결합의 사례와 같이 응용할 수 있는 스크립트의 개념으로 활용할 수 있을 것이다. 그러나 결과물의 정확한 형태를 예측하기 어렵다는 점과 디자이너의 의도를 정밀하게 반영한 조형 작업에는 한계가 있다는 점에서 추가적인 개척의 여지가 보인다.

그러나 세부 형태 개발 단계 이전의 초기 조형에서 창의적인 조형을 얻기 위한 사고법을 보조하는 방법으로서의 활용성은 매우 높다고 할 수 있다. 즉, 디자인 과정의 초기의 거시적 조형 단계에서 새로운 조형을 창출하기 위한 도구로의 활용 가능성이 크다고 할 수 있다.

이것은 창의적 사고 기법 중의 한 방법인 ｢강제 결합법(Forced combination method)｣과 유사한 방법으로 활용함으로써 논리적으로는 상상하기 어려운 조형을 가시화시키는 데에는 강점이 있을 것으로 보인다.

이러한 개념은 Table 14에서 디자인의 서술로써 정리한 바와 같이 스크립트의 레벨에 따른 기표의 범위 또는 결과물은 차체 디자인 단계에서 더욱 세부적인 대상으로 좁혀나갈 수 있을 것으로 보인다. 물론 이러한 작업 이전에 인공지능의 학습 단계에 따라서 결과물이 변화되므로, 차체 형상에 관한 자료의 축적이 선결되어야 할 고려사항일 것이다.

Table 14

Design descriptive words by levels

본 연구는 기호론과 도상학의 개념을 바탕으로 텍스트와 회화를 활용한 문헌적 연구라는 점에서 향후에 디자인 대상에 맞는 다양한 개념의 이미지 서술어를 준비한 뒤에, ｢미드저니｣와 같은 인공지능 플랫폼에서 서술어 간의 조합을 통한 생성형 이미지 도출 등의 실증적 실험과 그에 따른 결과물 변화의 방향의 정교성 향상 방안 등에 관한 추가적인 연구가 요구된다.