인공지능

인공지능 연구의 기원은 영국의 수학자이자 컴퓨터 과학자인 앨런 튜링(Alan Turing)으로 거슬러 올라간다. 튜링은 1950년 논문 "컴퓨팅 기계와 지능(Computing Machinery and Intelligence)"에서 기계가 생각할 수 있는지를 묻는 튜링 테스트(Turing Test)를 제안했다.^[2]

1956년, 다트머스 대학에서 열린 여름 워크숍에서 존 매카시, 마빈 민스키(Marvin Minsky), 클로드 섀넌(Claude Shannon) 등이 참여하며 "인공지능"이라는 용어가 공식적으로 채택되었다. 이 다트머스 회의(Dartmouth Conference)가 AI를 독립된 학문 분야로 확립한 기점으로 평가된다.

초기의 낙관적 전망과 달리, 1970년대와 1980년대에는 기술적 한계와 예산 삭감으로 인한 AI 겨울(AI winter)이 두 차례 찾아왔다.^[2] 이 기간에 연구 자금이 급감했고, AI에 대한 기대가 현저히 낮아졌다.

1980년대에는 전문가 시스템(Expert System)이 부상하며 AI에 대한 관심이 다시 높아졌으나, 유지보수 비용과 확장성 문제로 또 한 번 침체기를 맞았다.

2012년은 현대 AI의 전환점이었다. 제프리 힌턴(Geoffrey Hinton)이 이끄는 팀이 ImageNet 대회에서 합성곱 신경망(CNN) 기반의 AlexNet으로 압도적인 성능을 보이면서, GPU 가속 딥러닝이 AI 연구의 주류가 되었다.^[3]

2017년 구글이 발표한 트랜스포머(Transformer) 아키텍처는 자연어 처리 분야를 근본적으로 바꿨으며, 이후 GPT, BERT 등 대규모 언어 모델(LLM)의 토대가 되었다.

2022년 OpenAI의 ChatGPT 출시를 기점으로 생성형 AI(Generative AI)가 대중화되었다.^[1] 텍스트, 이미지, 음악, 코드 등 다양한 콘텐츠를 생성하는 AI 시스템이 급격히 확산되면서 교육, 의료, 창작, 소프트웨어 개발 등 사회 전반에 걸친 변화가 시작되었다.

머신러닝(Machine Learning)은 데이터로부터 규칙을 명시적으로 프로그래밍하지 않고 학습하는 방법론이다.^[3] 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning)으로 구분된다.

딥러닝(Deep Learning)은 인간 뇌의 신경 구조를 모방한 인공 신경망(Artificial Neural Network)을 여러 층으로 쌓아 복잡한 패턴을 학습하는 기술이다.^[3] 이미지 인식, 음성 인식, 자연어 처리 등에서 기존 방법을 크게 능가하는 성능을 보인다.

자연어 처리(NLP, Natural Language Processing)는 컴퓨터가 인간의 언어를 이해하고 생성하는 기술이다. 번역, 감성 분석, 질의응답 시스템, 텍스트 요약 등이 대표적인 응용 분야이며, 트랜스포머 기반 모델의 등장으로 성능이 크게 향상되었다.^[1]

컴퓨터 비전(Computer Vision)은 이미지와 영상을 컴퓨터가 이해하고 분석하는 분야이다. 자율주행차, 의료 영상 진단, 얼굴 인식, 품질 검사 등에 활용된다.