인공지능(AI)

AI의 개념적 토대는 1943년 워런 매컬러(Warren McCulloch)와 월터 피츠(Walter Pitts)가 발표한 인공 뉴런 모델에서 시작된다.^[2] 이어 1950년 앨런 튜링(Alan Turing)은 "계산 기계와 지능(Computing Machinery and Intelligence)"이라는 논문에서 기계가 지능을 가질 수 있는지 검토하는 튜링 테스트(Turing Test)를 제안했다. 1956년 다트머스 대학 여름 워크숍에서 매카시, 마빈 민스키(Marvin Minsky), 클로드 섀넌(Claude Shannon) 등이 모여 AI를 독립적인 연구 분야로 공식 출범시켰다.^[2]

초기 AI 연구는 탐색 알고리즘, 논리 추론, 전문가 시스템(Expert System)을 중심으로 전개됐다.^[2] 1980년대에는 규칙 기반의 전문가 시스템이 산업에 적용되었으나, 이후 기대에 못 미치는 성능과 막대한 유지 비용으로 인해 "AI 겨울(AI Winter)"이라 불리는 침체기가 두 차례 찾아왔다.

통계적 학습 방법론이 주목받기 시작하면서 서포트 벡터 머신(SVM), 랜덤 포레스트 등의 알고리즘이 등장했다.^[2] Google의 검색 엔진, 스팸 필터, 추천 시스템 등 실용적인 응용이 빠르게 확산됐다.

2012년 AlexNet이 ImageNet 경쟁에서 압도적인 성능을 보이며 딥러닝의 시대를 열었다.^[3] 2017년 구글이 발표한 트랜스포머(Transformer) 아키텍처는 자연어 처리를 혁신했고, GPT, BERT, Claude, Gemini 등 대규모 언어 모델(LLM)로 이어졌다. 2024년에는 제프리 힌튼(Geoffrey Hinton)이 인공 신경망 기반 머신러닝의 기초 업적으로 노벨 물리학상을, 데미스 하사비스(Demis Hassabis)와 존 점퍼(John Jumper)가 AlphaFold 2로 노벨 화학상을 수상하며 AI 연구의 과학적 가치가 공인됐다.^[3]

특정 과제에서만 인간 수준 이상의 성능을 발휘하는 AI다. 오늘날 실용화된 AI의 거의 대부분이 여기에 해당한다. 체스·바둑 프로그램, 얼굴 인식 시스템, 음성 비서, 번역 엔진 등이 사례다.^[1]

인간처럼 다양한 종류의 과제를 유연하게 수행할 수 있는 AI다. 아직 달성되지 않은 연구 목표이며, 달성 시점과 가능성에 대해서는 전문가 사이에서도 이견이 크다.^[1]

모든 지적 영역에서 인간을 능가하는 가상의 AI다. 이 개념은 주로 미래학자와 AI 안전 연구자들이 다루며, 현재는 이론적 논의 단계에 머물러 있다.^[2]

AI는 의료 영상(X-ray, MRI, CT) 판독, 신약 개발, 유전체 분석 등에 활용된다.^[3] 2020년 발표된 AlphaFold 2는 단백질 3차원 구조 예측 문제를 사실상 해결했으며, 이는 신약 개발 속도를 획기적으로 높일 것으로 평가된다. 공동 개발자 데미스 하사비스와 존 점퍼는 이 성과로 2024년 노벨 화학상을 수상했다.

자율주행차는 컴퓨터 비전과 강화학습을 결합해 차선 유지, 장애물 회피, 경로 계획을 수행한다.^[3] 전기차 플랫폼과 결합해 상용화가 빠르게 진행되고 있으며, 미국·중국·한국에서 규제 샌드박스를 통한 실도로 시험이 확대되고 있다.

Synthesizer V, VOICEPEAK 등 AI 보컬 합성 소프트웨어는 음악 제작 분야를 바꾸고 있다.^[3] 이미지 생성 AI(Stable Diffusion, DALL-E, Midjourney)는 시각 예술, 광고, 게임 에셋 제작에 광범위하게 사용되고 있다.

알고리즘 트레이딩, 신용 평가, 이상 거래 탐지(사기 방지), 고객 서비스 챗봇 등 금융 전반에 AI가 적용되고 있다.^[1]

개인 맞춤형 학습 경로 추천, 자동 채점, AI 튜터링 시스템 등이 확산되고 있다.^[1] 대규모 언어 모델 기반 AI는 학생의 질문에 즉각적으로 응답할 수 있어 교육 접근성을 높이는 데 기여한다는 평가가 있는 반면, 표절 및 의존성 문제도 제기되고 있다.

AI 자동화는 반복적·정형적 업무부터 일부 전문직 업무까지 대체 범위를 넓히고 있다.^[3] 세계경제포럼(WEF)은 AI로 인해 2025년까지 전 세계에서 수백만 개의 일자리가 대체될 수 있다고 전망한 반면, 새로운 직군의 창출 효과도 있을 것으로 분석했다. AI 전환 과정에서의 노동 재교육(리스킬링)이 주요 정책 과제로 부상하고 있다.

생성형 AI는 딥페이크(deepfake) 영상, 허위 정보 확산, 개인정보 침해 등 새로운 정보 위험을 만들어 내고 있다.^[4] 동시에 AI 기반 팩트체킹 도구나 콘텐츠 검증 시스템 개발도 병행되고 있다.

고성능 AI 인프라와 데이터를 보유한 소수 기업·국가에 기술 자원이 집중되는 경향이 있어, 국가 간·계층 간 기술 격차가 심화될 수 있다는 우려가 있다.^[4]

AI 모델은 학습 데이터에 존재하는 편향을 그대로 학습하거나 증폭시킬 수 있다.^[4] 채용 심사 알고리즘의 성별·인종 차별, 범죄 예측 시스템의 소수 집단 불이익 등이 실제 사례로 보고됐다. Amazon은 2018년 이력서 자동 심사 AI가 여성 지원자를 불이익하게 평가한다는 사실을 발견하고 해당 시스템을 폐기했다.

AI가 내린 결정으로 피해가 발생했을 때 책임을 누가 지는지에 대한 법적·윤리적 기준이 아직 정립되지 않은 경우가 많다.^[4] 특히 의료 진단, 자율주행, 사법 시스템에서 이 문제가 첨예하다.

AI 시스템은 대량의 개인 데이터를 필요로 하며, 얼굴 인식·행동 추적 기술은 감시 사회의 우려를 낳는다.^[4] 유럽연합(EU)은 2024년 AI 법(AI Act)을 최종 승인하여 위험 등급에 따라 AI 시스템을 규제하는 법적 기반을 마련했다.

미국, 유럽, 중국, 한국 등 주요국은 각기 AI 전략과 윤리 가이드라인을 발표하고 있다.^[4] 유네스코는 2021년 "AI 윤리 권고(Recommendation on the Ethics of AI)"를 채택했으며, G20 차원에서도 AI 원칙 논의가 이어지고 있다.