인공지능

인간을 닮은 자동 기계에 대한 상상은 고대 신화와 시계 장치 자동인형(automata)에서도 찾을 수 있다. 그러나 현대 AI의 직접적인 지적 뿌리는 수리 논리학에 있다. 조지 불(George Boole)의 불 대수(1854)와 고틀로프 프레게(Gottlob Frege)의 술어 논리는 기계가 형식 규칙으로 추론할 수 있다는 생각의 토대를 놓았다.

1943년 워런 매컬러(Warren McCulloch)와 월터 피츠(Walter Pitts)는 뇌의 신경세포를 수학적으로 모델링한 인공 뉴런을 제안했다.^[4] 1950년 앨런 튜링(Alan Turing)은 논문 「계산 기계와 지능(Computing Machinery and Intelligence)」에서 "기계가 생각할 수 있는가"라는 질문을 제기하고, 이를 검증하는 튜링 테스트(Turing Test)를 소개했다. 1951년 마빈 민스키(Marvin Minsky)는 최초의 신경망 시뮬레이터 SNARC를 구축했다.

1956년 여름 다트머스 대학에서 열린 워크숍에서 존 매카시(John McCarthy), 마빈 민스키, 클로드 섀넌(Claude Shannon), 너새니얼 로체스터(Nathaniel Rochester) 등이 모여 인공지능을 독립적인 연구 분야로 선언했다.^[5] 이후 체스 프로그램, 정리 증명기, 자연어 이해 프로그램(ELIZA) 등이 잇달아 개발되며 낙관적 분위기가 고조됐다. 그러나 실제 성능은 기대에 크게 못 미쳤고, 1974년 영국 라이트힐 보고서(Lighthill Report)를 계기로 연구 자금이 삭감되며 첫 번째 AI 겨울(AI Winter)이 시작됐다.

1980년대 일본의 제5세대 컴퓨터 프로젝트와 미국의 DARPA 투자 덕분에 AI 연구가 부활했다. MYCIN·DENDRAL 등 규칙 기반 전문가 시스템(Expert System)이 의료·화학 분야에 실용화됐다. 그러나 유지 비용 폭증과 확장성 한계로 1990년대 초 두 번째 AI 겨울이 찾아왔다.

인터넷 확산과 컴퓨팅 성능 향상으로 대규모 데이터 처리가 가능해지면서 통계 기반 머신러닝이 주류로 부상했다. 서포트 벡터 머신(SVM), 결정 트리, 랜덤 포레스트 등의 알고리즘이 실용화됐으며, Google 검색 순위 알고리즘, 스팸 필터, 상품 추천 시스템 등에 광범위하게 적용됐다. 1997년 IBM의 딥 블루(Deep Blue)가 세계 체스 챔피언 개리 카스파로프(Garry Kasparov)를 꺾으며 AI의 게임 분야 능력을 공개적으로 입증했다.^[6]

2012년 제프리 힌튼(Geoffrey Hinton) 팀의 AlexNet이 ImageNet 영상 인식 대회에서 이전 최고 기록을 10%포인트 이상 경신하며 딥러닝 시대를 열었다.^[7] 이후 합성곱 신경망(CNN), 순환 신경망(RNN), 생성적 적대 신경망(GAN)이 차례로 발전했고, 2016년 구글 딥마인드(DeepMind)의 AlphaGo가 이세돌 9단을 4대 1로 이겨 강화학습의 잠재력을 세계에 각인시켰다. 2017년 구글이 발표한 트랜스포머(Transformer) 아키텍처는 자연어 처리를 근본적으로 바꿔놓았으며, GPT·BERT 등 대규모 언어 모델(LLM)의 토대가 됐다.

2020년 OpenAI의 GPT-3(1750억 파라미터)는 문서 작성, 코드 생성, 번역 등에서 인상적인 성능을 보이며 생성형 AI 붐을 예고했다. 같은 해 구글 딥마인드의 AlphaFold 2는 단백질 3차원 구조 예측 문제를 사실상 해결했다.^[8] 2022년 ChatGPT 출시는 AI를 대중에게 직접 노출시키는 전환점이 됐다. 2024년에는 EU AI 법(AI Act)이 최종 승인됐으며, 제프리 힌튼이 노벨 물리학상을, 데미스 하사비스·존 점퍼가 노벨 화학상을 수상하며 AI 연구의 과학적 위상이 공인됐다.^[9] 2025년에는 OpenAI의 o3, Anthropic의 Claude Opus 시리즈 등 추론 특화 모델이 등장해 수학·과학 벤치마크에서 인간 전문가 수준에 근접했다.

머신러닝은 명시적 규칙 없이 데이터에서 패턴을 학습해 예측하거나 결정하는 방법론이다.^[2] 지도 학습(레이블 있는 데이터), 비지도 학습(레이블 없는 데이터), 강화학습(보상 신호 기반)으로 구분된다.

딥러닝은 여러 층의 인공 신경망을 쌓아 데이터의 계층적 표현을 자동으로 학습하는 머신러닝의 하위 분야다.^[4] 이미지·음성·텍스트 처리에서 기존 방법론을 압도하는 성능을 보인다.

자연어 처리는 텍스트와 음성 언어를 이해하고 생성하는 기술이다. 트랜스포머 기반의 대규모 언어 모델(LLM)은 번역, 요약, 질의응답, 코드 생성 등에 활용된다.

영상·이미지에서 정보를 추출하고 해석하는 분야다. 얼굴 인식, 의료 영상 판독, 자율주행 인지 시스템 등에 쓰인다.

에이전트가 환경과 상호작용하면서 보상을 최대화하는 방향으로 행동 정책을 학습한다. AlphaGo, AlphaStar, 로봇 제어, 대화형 AI 정렬(RLHF) 등에 적용된다.

텍스트, 이미지, 음악, 영상 등 새로운 콘텐츠를 생성하는 AI다. 확산 모델(Diffusion Model), 대규모 언어 모델, 생성적 적대 신경망(GAN)이 대표 기술이다. Synthesizer V, VOICEPEAK 등 AI 보컬 합성 소프트웨어도 이 범주에 속한다.

AI는 의료 영상 판독(X-ray, MRI, CT에서 암·병변 탐지), 신약 후보 물질 발굴, 유전체 분석, 임상 예후 예측에 쓰인다. AlphaFold 2의 단백질 구조 예측은 구조 생물학과 신약 개발의 속도를 획기적으로 높였다.^[8]

자율주행차는 컴퓨터 비전, 센서 융합, 강화학습을 결합해 차선 유지, 장애물 회피, 경로 계획을 수행한다. 전기차 플랫폼과 결합되어 상용화가 진행되고 있으며, 미국·중국·한국에서 규제 샌드박스를 통한 실도로 시험이 확대되고 있다.

알고리즘 트레이딩, 신용 평가, 이상 거래 탐지(사기 방지), 리스크 관리, 고객 서비스 챗봇 등 금융 전반에 AI가 적용된다.

개인 맞춤형 학습 경로 추천, 자동 채점, AI 튜터링 시스템이 확산되고 있다. LLM 기반 AI는 학습자의 질문에 즉각 응답해 교육 접근성을 높이는 데 기여한다는 평가가 있는 반면, 표절 및 학습 의존성 문제도 함께 제기된다.

산업용 로봇은 AI를 통해 유연성을 확보하며, 휴머노이드 로봇은 비정형 환경에서의 작업을 수행하는 방향으로 발전하고 있다. 인간-로봇 상호작용 연구가 현장 적용의 핵심 과제로 부상했다.

이미지 생성 AI(Stable Diffusion, DALL-E, Midjourney), AI 보컬 합성(Synthesizer V, VOICEPEAK), AI 작곡·편곡 도구 등이 창작 산업 전반에 확산되고 있다. 아이폰 등 스마트폰에도 온디바이스 AI가 탑재되어 사진 보정, 텍스트 자동 완성, 실시간 번역 등을 지원한다.

AI는 고에너지 물리, 기후 모델링, 재료 과학, 천문학 등에서 방대한 데이터를 빠르게 분석하고 새로운 패턴을 발견하는 데 쓰인다. 2024년 노벨 물리학상은 인공 신경망 기반 머신러닝에 기여한 제프리 힌튼과 존 홉필드에게 수여됐다.^[9]

AI 자동화는 반복적·정형적 업무부터 일부 전문직 업무까지 대체 범위를 넓히고 있다. 세계경제포럼(WEF)은 AI 자동화로 인한 일자리 대체와 새 직군 창출이 동시에 일어날 것으로 예측하며, 노동 재교육(리스킬링)을 주요 정책 과제로 제시했다.^[10]

AI 모델은 학습 데이터에 내재된 편향을 학습하거나 증폭할 수 있다. 채용 심사 알고리즘의 성별·인종 차별, 범죄 예측 시스템의 소수 집단 불이익 등이 실제 사례로 보고됐다.^[11]

AI 시스템은 대량의 개인 데이터를 필요로 한다. 얼굴 인식·행동 추적 기술은 대규모 감시 체계 구축 우려를 낳는다. 이에 대응해 연합 학습(Federated Learning), 차등 프라이버시(Differential Privacy) 등 프라이버시 보존 기계학습 기법이 연구되고 있다.

생성형 AI는 딥페이크(deepfake) 영상, 허위 정보(disinformation) 확산, AI 생성 콘텐츠의 대규모 유포 등 새로운 정보 위험을 만들어 내고 있다. 오픈소스 기반 생성 모델의 광범위한 확산이 이 문제를 심화하고 있다는 견해와, 오픈소스가 오히려 투명성을 높여 대응 기술 개발을 촉진한다는 견해가 공존한다.

고성능 AI 시스템이 의도하지 않은 방식으로 행동하거나 인간의 가치와 어긋나는 목표를 추구할 수 있다는 우려가 AI 안전성 연구의 핵심 동기다. 정렬 문제(alignment problem), 해석 가능성(interpretability), 강건성(robustness)이 주요 연구 주제다.