UX 디자이너가 알아두면 좋을 AI의 발전사
이제 UX 디자이너에게 인공지능 활용은 필수적인 도구가 되었다. AI의 역사와 중요한 발전 단계를 이해하면 디자인을 하면서 인공지능을 어떤 관점에서 이해하고, 활용할지 이해하는데 도움이 될 수 있다. 또한 장기적으로 어떤 전망을 가질지 미래를 위한 인사이트를 얻는데 도움이 될 수 있어 UX 디자이너들이 알아두면 좋을 AI의 발전사를 간단히 정리해보았다 : )
인공지능이란 무엇인가?
인공지능(Artificial Intelligence, AI)은 인간의 지능이 가진 복잡한 특성인 인지, 학습, 추론, 문제 해결 등을 컴퓨터 시스템을 통해 모사하고 구현하는 광범위한 기술 영역을 의미한다. 이는 단순한 자동화 도구를 넘어, 기계가 스스로 데이터를 분석하고 그 안에 숨겨진 패턴을 찾아내어 최적의 의사결정을 내리는 체계적인 알고리즘의 집합체로 정의될 수 있다. 과학기술정보통신부와 4차산업혁명위원회는 인공지능을 인간의 지적 능력의 일부 또는 전체를 컴퓨터를 이용해 구현하는 시스템으로 규정하며, 이는 인간의 사고 능력을 기계적으로 구현하고 자동화한 시스템임을 명시하고 있다.
전문 디자이너의 관점에서 인공지능은 창의적 사고를 확장하는 강력한 파트너이자, 작업 공정의 효율성을 극대화하는 지능형 도구로 해석된다. 과거의 디자인 소프트웨어가 디자이너의 명령을 수동적으로 수행하는 도구에 불과했다면, 현대의 인공지능은 디자이너의 의도를 파악하고 대량의 시각 데이터를 바탕으로 새로운 스타일을 제안하거나 복잡한 편집 과정을 자동화한다. 예를 들어, 맥도날드의 광고 캠페인에서는 인공지능이 대중적으로 인기 있는 스타일을 학습하여 영상 연출과 편집을 직접 담당함으로써, 기존의 실사 광고와는 완전히 차별화된 독창적인 그래픽 스타일을 구현해낸 사례가 존재한다.
인공지능의 본질적인 가치는 기술 그 자체보다 이를 활용하는 인간의 판단과 선택에 있다. 인공지능이 생성하는 결과물은 결국 인간이 제공한 데이터와 그들이 설정한 매개변수, 그리고 윤리적 기준에 의해 결정되기 때문이다. 특히 디자인 산업에서 인공지능의 등장은 디자이너에게 '어떻게 그릴 것인가'라는 기술적 숙련도보다 '무엇을 위해 그릴 것인가'라는 전략적 사고와 질문의 힘을 요구하고 있다. 이는 인공지능에 효과적으로 명령을 내리는 '프롬프트 엔지니어링'이라는 새로운 직군의 탄생으로 이어졌으며, 디자이너 또한 단순 실행자에서 인공지능의 피드백을 해석하고 선택하는 결정권자로 역할이 변화하고 있다.
인공지능의 분류 3가지
: 약 인공지능 / 강 인공지능 / 초 인공지능
인공지능은 그 지능의 수준과 적용 범위에 따라 크게 약 인공지능, 강 인공지능, 초 인공지능의 세 단계로 구분된다. 이 분류는 기계가 인간의 지적 능력을 어느 정도 수준까지 모방하고 능가할 수 있는지를 설명하는 핵심적인 틀을 제공한다.
약 인공지능 (Weak AI or Narrow AI)
약 인공지능은 특정 분야나 한정된 작업을 수행하는 데 특화된 지능을 말한다. 이는 인간의 지능을 전반적으로 모방하는 것이 아니라, 날씨 예측, 음성 인식, 이미지 속 얼굴 인식 등 설계된 특정 목적을 달성하는 데 초점을 맞춘다. 약 인공지능은 자신이 설정된 범위를 벗어난 다른 일을 스스로 학습하거나 수행할 수 없지만, 특정 작업 내에서는 인간과 대등하거나 훨씬 우월한 성능을 발휘한다.
우리가 현재 일상에서 경험하는 거의 모든 인공지능 기술은 이 약 인공지능의 범주에 속한다. 아이폰의 가상 비서인 시리(Siri)나 구글 어시스턴트는 사용자의 음성을 인식하고 간단한 질문에 답하는 데 능숙하지만, 복잡한 철학적 사유를 하거나 예기치 못한 도메인의 문제를 해결하지는 못한다. 또한, 넷플릭스나 유튜브의 콘텐츠 추천 시스템, 자율 주행 자동차의 물체 감지 기능 등도 특수한 데이터 패턴을 분석하여 최적의 결과를 내놓는 약 인공지능의 대표적인 사례들이다.
강 인공지능 (Strong AI or General AI)
강 인공지능은 인공 일반 지능(AGI)이라고도 불리며, 인간의 지능을 전반적으로 모방하여 어떤 새로운 작업이든 스스로 학습하고 이해할 수 있는 수준의 지능을 의미한다. 이는 특정 영역에 국한되지 않고 다양한 상황에서 유연하게 대처하며, 인간과 같은 수준의 인지 능력과 문제 해결 능력을 갖춘 시스템을 상정한다. 이론적으로 강 인공지능은 튜링 테스트를 통과할 수 있으며, 한 영역에서 습득한 지식을 다른 영역으로 전이하여 활용할 수 있는 능력을 지닌다.
강 인공지능은 현재의 기술력으로는 완벽하게 구현되지 않은 연구 단계의 개념이다. 보스턴 다이내믹스의 로봇들이 복잡한 환경을 탐색하고 물리적인 힘을 처리하며 적응력을 보여주는 모습이나, 웨이모(Waymo)의 자율 주행 시스템이 실시간으로 복잡한 도로 상황을 추론하는 기술은 강 인공지능의 미래를 암시하는 수준에 도달해 있으나, 여전히 인간과 같은 자각 능력이나 범용적 지능에는 미치지 못한다. 주로 SF 영화 속에서 인간처럼 대화하고 감정을 느끼며 스스로 판단을 내리는 로봇들이 강 인공지능의 전형적인 모습으로 그려진다.
초 인공지능 (Superintelligent AI)
초 인공지능은 인간의 지적 능력을 모든 면에서 압도적으로 능가하는 지능의 단계를 말한다. 이는 단순히 계산 속도가 빠른 것을 넘어 창의력, 사회적 지혜, 문제 해결 능력 등 인류가 가진 최상의 지능조차 초월하는 수준을 의미한다. 초 인공지능은 자기 스스로를 지속적으로 개선하고 학습하여 인간이 이해하거나 예측할 수 없는 수준의 지식과 기술을 개발할 가능성을 내포하고 있다.
현재 초 인공지능은 실현되지 않은 이론적 개념이며, 미래의 기술적 특이점(Singularity)과 결부되어 활발히 논의되고 있다. 일부 학자들은 초 인공지능이 도래하면 인류가 더 이상 지구의 지배적인 종이 아닐 수도 있다고 경고하거나, 이를 '신의 영역'에 비유하며 인류 사회에 미칠 영향에 대해 깊은 우려와 기대를 동시에 표하고 있다. 초 인공지능 시대의 인공지능은 인간의 가이드를 벗어나 독자적인 자기 결정을 내릴 수 있는 존재로 여겨진다.
인공지능 역사 1: 태동기 (앨런 튜닝, 다트머스 회의)
인공지능의 역사는 컴퓨터라는 기계가 단순히 수치를 계산하는 장치를 넘어 인간처럼 사고할 수 있는가에 대한 질문에서 시작되었다. 이 태동기를 이끈 핵심 인물은 앨런 튜링이며, 학문적 분야를 정립한 결정적 사건은 다트머스 회의다.
앨런 튜링과 '계산 기계와 지능'
컴퓨터 과학의 선구자인 앨런 튜링(Alan Turing)은 1950년 철학 학술지 '마인드(Mind)'에 '계산 기계와 지능(Computing Machinery and Intelligence)'이라는 역사적인 논문을 발표했다. 이 논문에서 그는 "기계는 생각할 수 있는가?"라는 근본적인 질문을 던졌으며, 이를 검증하기 위한 구체적인 방법으로 현재 '튜링 테스트'로 알려진 이미테이션 게임을 제안했다.
튜링 테스트는 격리된 방에 있는 인간 판사가 터미널을 통해 인간과 기계 모두와 대화한 후, 어느 쪽이 기계인지 구분해내지 못한다면 그 기계는 지능을 가졌다고 간주하는 방식이다. 튜링은 기계가 단순히 규칙을 수행하는 것을 넘어 스스로를 수정해 나가는 '학습하는 기계'의 개념을 이미 당시에 구상했으며, 이는 현대 머신러닝의 시초가 되는 중요한 아이디어였다. 그의 선구적인 연구는 기계의 지능을 이해하는 것이 곧 인간의 지능과 뇌의 작동 원리를 이해하는 길임을 시사했다.
1956년 다트머스 회의와 인공지능의 탄생
앨런 튜링이 이론적 가능성을 제시했다면, '인공지능'이라는 명칭과 학문적 영역을 공식화한 것은 1956년 여름에 열린 다트머스 회의다. 당시 다트머스 대학교의 젊은 수학자였던 존 매카시(John McCarthy)는 마빈 민스키(Marvin Minsky), 너대니얼 로체스터(Nathaniel Rochester), 클로드 섀넌(Claude Shannon) 등 당대 최고의 석학들을 초청하여 '생각하는 기계'를 연구하기 위한 8주간의 세미나를 개최했다.
이 회의에서 존 매카시는 처음으로 '인공지능(Artificial Intelligence)'이라는 용어를 제안했으며, 이를 통해 인공지능은 기존의 사이버네틱스나 오토마타 이론과 구분되는 독자적인 컴퓨터 과학 분야로 자리 잡게 되었다. 비록 회의 자체는 참가자들의 각기 다른 견해와 짧은 참여 기간으로 인해 구체적인 공동 연구 성과를 즉각적으로 내지는 못했지만, 인공지능 연구에 대한 개념적 기틀을 마련하고 전 세계 연구자들의 교류를 확대하여 향후 수십 년간의 폭발적인 성장을 이끄는 기폭제가 되었다. 매카시는 훗날 이 회의에 앨런 튜링이나 폰 노이만과 같은 거장들이 참여하지 못한 것을 안타까워했으나, 회의의 역사적 의의는 오늘날까지 인공지능의 기원으로서 확고히 평가받고 있다.
인공지능 역사 2 : Rule-based Model
초기 인공지능 연구자들은 인간의 사고 과정을 논리적인 규칙의 집합으로 재구성할 수 있다고 믿었다. 이러한 믿음은 1950년대부터 1980년대까지 '규칙 기반 모델(Rule-based Model)' 또는 '전문가 시스템(Expert System)'의 시대로 이어졌다.
전문가 시스템의 구조와 작동 원리
전문가 시스템은 특정 분야의 인간 전문가가 가진 지식을 컴퓨터에 기억시키고, 이를 활용해 문제를 해결하거나 의사 결정을 내리는 시스템을 의미한다. 이 시스템은 크게 전문가의 지식을 저장하는 '지식 베이스(Knowledge Base)'와 저장된 지식을 바탕으로 결론을 도출하는 '추론 엔진(Inference Engine)'으로 구성된다. 기본적으로 "만약 ~라면(If), ~이다(Then)"와 같은 수많은 논리적 규칙에 기반하여 작동한다.
대표적인 사례로는 1970년대 스탠퍼드 대학에서 개발된 '마이신(MYCIN)'이 있다. 마이신은 혈액 내 박테리아 감염을 진단하고 환자에게 적합한 항생제를 처방하는 목적으로 설계되었으며, 초기 단계에서는 신참 의사들보다 뛰어난 진단 성능을 보여주기도 했다. 또한 1960년대 조셉 와이젠바움이 개발한 '엘리자(ELIZA)'는 정신과 의사처럼 사용자의 질문을 재구성하여 대답하는 초기 챗봇의 형태를 띠며 큰 사회적 파장을 일으켰다. 이러한 시스템들은 특정 영역에서 인간의 전문 지식을 기계화하는 데 성공적인 첫 사례로 기록되었다.
규칙 기반 인공지능의 한계와 제1차 AI 겨울
그러나 규칙 기반 모델은 시간이 흐를수록 근본적인 한계에 직면했다. 가장 큰 문제는 '지식 획득의 병목 현상'이었다. 세상의 복잡하고 모호한 지식을 일일이 규칙으로 변환하여 입력하는 과정은 막대한 비용과 시간이 소요되었으며, 전문가들조차 자신의 직관적인 판단 과정을 명시적인 규칙으로 설명하기 어려워했다. 또한, 시스템에 저장된 규칙이 많아질수록 규칙 간의 충돌을 조정하고 유지보수하는 것이 기하급수적으로 어려워지는 확장성의 한계가 나타났다.
규칙 기반 AI는 사전에 정의되지 않은 상황이나 예외적인 데이터에 대해서는 전혀 대응하지 못하는 유연성의 부족을 드러냈다. 이러한 한계들로 인해 인공지능에 대한 낙관적인 기대는 실망으로 바뀌었고, 정부와 기업의 투자가 급격히 감소하면서 '제1차 인공지능의 겨울'이 찾아오게 되었다. 이는 인간이 지식을 직접 주입하는 방식만으로는 진정한 지능을 구현할 수 없다는 뼈아픈 교훈을 남겼다.
인공지능 역사 3 : 머신러닝
규칙 기반 모델이 직면한 한계를 극복하기 위해 제시된 대안은 기계에게 지식을 직접 가르치는 대신, 기계가 데이터를 통해 스스로 학습하도록 만드는 '머신러닝(Machine Learning)' 방식이었다.
데이터로부터의 학습과 알고리즘의 진화
1959년 아서 사무엘(Arthur Samuel)은 머신러닝을 "컴퓨터가 명시적으로 프로그램되지 않고도 학습할 수 있는 능력을 부여하는 연구 분야"로 정의했다. 이는 인간이 모든 규칙을 일일이 코드로 작성하는 대신, 대량의 데이터를 알고리즘에 입력하면 알고리즘이 데이터 내의 특징과 상관관계를 스스로 파악하여 예측 모델을 만드는 방식이다. 데이터를 더 많이 처리할수록 알고리즘의 정확도가 점진적으로 개선되는 자기 진화적 특성을 가진다.
머신러닝은 크게 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 그리고 강화학습 등으로 나뉘며 각기 다른 데이터 처리 방식을 사용한다. 예를 들어, 이메일 스팸 필터는 수많은 스팸 메일과 일반 메일의 데이터를 학습하여 특정 단어나 패턴이 나타날 때 스팸일 확률을 계산하는 머신러닝 알고리즘을 사용한다. 이러한 방식은 규칙 기반 모델이 해결하지 못했던 모호한 데이터 처리와 패턴 인식 분야에서 획기적인 발전을 가져왔다.
머신러닝 모델의 구축 과정
머신러닝의 프로세스는 일반적으로 데이터 준비, 알고리즘 선택, 모델 훈련, 검증 및 평가의 단계를 거친다. 디자이너의 업무 현장에 대입해보면, 인공지능 기반 디자인 툴이 사용자의 작업 습관이나 색상 선호도를 학습하여 최적의 디자인 레이아웃을 추천하는 과정이 이와 유사하다. 데이터의 양과 질이 모델의 성능을 결정짓는 핵심 요소가 됨에 따라, 현대의 인공지능 연구는 양질의 빅데이터를 확보하고 이를 효율적으로 처리하는 방향으로 진화해 왔다.
인공지능 역사 4 : 딥러닝
머신러닝의 한 분야인 '딥러닝(Deep Learning)'은 인간 뇌의 생물학적 신경망 구조를 모방한 인공 신경망(Artificial Neural Network)을 여러 계층으로 쌓아 올려 복잡한 데이터를 처리하는 기술이다. 딥러닝은 데이터로부터 특징을 직접 추출하는 능력이 탁월하여 이미지 인식, 자연어 처리 등 고도의 인지 능력이 필요한 분야에서 혁신을 일으켰다.
알파고와 이세돌의 세기적 대결
딥러닝의 잠재력을 전 세계에 가장 강력하게 증명한 사건은 2016년 구글 딥마인드의 '알파고(AlphaGo)'와 이세돌 9단의 바둑 대결이다. 바둑은 가능한 경우의 수가 우주의 원자 수보다 많아 인공지능이 인간을 정복하기 가장 어려운 영역으로 여겨졌으나, 알파고는 딥러닝 기술을 기반으로 수많은 기보를 학습하고 스스로 대국하며 실력을 연마했다.
이 대결에서 알파고는 4승 1패로 승리하며 인간계 최강자를 무릎 꿇게 했다. 특히 제2국에서 보여준 37수는 당시 바둑 기사들이 "인간은 절대 둘 수 없는 수"라고 평가했을 정도로 파격적이었으며, 이는 딥러닝이 기존의 인간 지식을 넘어서는 새로운 패턴을 찾아낼 수 있음을 보여준 사례였다. 이 사건은 대중들에게 인공지능이 더 이상 미래의 기술이 아닌 현실의 강력한 존재임을 각인시키는 계기가 되었다.
'신의 한 수' 78수와 기술적 의미
비록 이세돌 9단은 최종 승리하지 못했지만, 제4국에서 보여준 백 78수는 인공지능의 약점과 인간 창의성의 위대함을 동시에 보여준 상징적인 순간이었다. 78수는 알파고가 예상할 확률이 0.007% 미만인 변칙적인 묘수였으며, 이 수를 기점으로 알파고의 계산망에는 혼란이 발생하여 황당한 실수를 연발하게 되었다.
기술적으로 이는 알파고가 사용한 몬테카를로 트리 탐색 방식이 학습 데이터에 없는 매우 희박하고 복잡한 상황에 부딪혔을 때 발생하는 오류를 드러낸 것이다. 이세돌 9단은 인공지능을 꺾은 유일한 인류로 기록되었으며, 이 대국은 인공지능이 아무리 강력하더라도 인간의 직관과 창의력이 개입될 여지가 있음을 시사하는 중요한 역사적 지점이 되었다.
인공지능 역사 5 : 강화학습
강화학습(Reinforcement Learning)은 에이전트(인공지능)가 특정한 환경 속에서 행동을 선택하고, 그 결과에 따라 보상이나 처벌을 받으며 최적의 행동 전략을 스스로 학습해 나가는 방식이다. 이는 시행착오를 통해 목표를 달성하는 법을 배우는 인간의 원초적인 학습 방식과 매우 흡사하다.
스키너의 행동주의와 보상 체계
강화학습의 개념적 기원은 행동주의 심리학자인 스키너(B.F. Skinner)의 '작동적 조건 형성 이론'에 닿아 있다. 스키너 상자 속의 쥐가 우연히 지렛대를 눌러 먹이를 얻는 경험을 반복하면, 지렛대를 누르는 행위가 강화되는 것과 같은 원리다. 강화학습에서 인공지능은 지렛대를 누르는 '행동'을 하고, 먹이라는 '보상'을 최대화하기 위해 어떤 상황에서 어떤 행동을 하는 것이 유리한지를 수학적으로 계산하여 학습한다.
알파고 또한 단순히 기보를 암기하는 것을 넘어, 자기 자신과 수백만 번의 경기를 치르는 강화학습 과정을 거쳤다. 승리라는 보상을 얻기 위해 스스로 최상의 수를 찾아내는 훈련을 반복한 결과, 기존의 인간 기보에 얽매이지 않는 창의적이고 강력한 전략을 구사할 수 있게 된 것이다. 이러한 강화학습 기술은 자율 주행 로봇의 장애물 회피 등 의사 결정이 필요한 다양한 분야에서 핵심적인 역할을 하고 있다.
인공지능 역사 6 : 어텐션 모델
인공지능이 긴 문장이나 복잡한 이미지를 처리할 때 모든 정보를 똑같은 비중으로 취급하면 비효율이 발생하며 정보의 핵심을 놓치기 쉽다. 이러한 문제를 해결하기 위해 도입된 것이 '어텐션(Attention) 메커니즘'이다.
시각적 집중 현상의 모방
어텐션은 인간이 사물을 볼 때 전체를 다 보는 것이 아니라 특정 포인트에 집중하는 현상을 인공지능 모델에 적용한 기술이다. 예를 들어 축구장에서 공을 쫓는 사람의 시선은 관중석보다는 공의 궤적에 '집중(Attention)'한다. 마찬가지로 어텐션 모델은 데이터를 처리할 때 결과값과 가장 관련이 깊은 특정 입력 데이터 부분에 더 높은 가중치를 부여한다.
디자이너의 관점에서 어텐션은 캔버스 위에 강조점(Focal Point)을 두어 사용자의 시선을 유도하는 레이아웃 설계와 유사하다. "배를 먹었더니 배가 아프다"라는 문장을 번역할 때, 첫 번째 '배'를 처리하면서 '먹다'라는 단어에 집중함으로써 과일로서의 의미를 파악하고, 두 번째 '배'를 처리할 때는 '아프다'에 집중하여 신체 부위임을 인식하는 것이 어텐션의 원리다. 이 기술은 기존 인공지능이 문장이 길어질수록 앞부분의 내용을 잊어버리던 한계를 극복하는 결정적인 계기가 되었다.
인공지능 역사 7 : 트렌스포머 모델
2017년 구글의 연구진이 발표한 "Attention Is All You Need"라는 논문은 인공지능 역사의 새로운 막을 열었다. 여기서 제안된 '트랜스포머(Transformer)' 모델은 기존의 순차적인 데이터 처리 구조를 완전히 버리고 오로지 어텐션 메커니즘만으로 모델을 구축하여 처리 속도와 성능을 비약적으로 향상시켰다.
셀프 어텐션과 병렬 처리의 혁신
트랜스포머의 핵심 혁신은 '셀프 어텐션(Self-Attention)' 기술이다. 이는 문장 내의 모든 단어 쌍 간의 관계를 동시에 직접적으로 계산하여, 단어 사이의 거리가 아무리 멀어도 문맥적인 관계를 즉각적으로 파악하게 해준다. 또한, 데이터를 순서대로 하나씩 읽는 대신 문장 전체를 한꺼번에 병렬로 처리할 수 있어 대규모 데이터셋을 학습하는 속도가 획기적으로 빨라졌다.
이 모델은 쿼리(Query), 키(Key), 값(Value)이라는 개념을 통해 정보를 관리한다. 내가 찾고자 하는 질문(Query)이 전체 데이터베이스의 색인(Key)과 얼마나 일치하는지 점수를 매기고, 그 비중에 따라 실제 내용(Value)을 가져와 조합하는 방식이다. 이러한 트랜스포머 구조는 현재 우리에게 익숙한 GPT나 BERT와 같은 초거대 언어 모델의 근간이 되었으며, 자연어 처리를 넘어 이미지와 영상 생성 등 생성형 AI 시대의 핵심 기술로 자리 잡았다. 트랜스포머의 등장은 기계가 인간의 언어와 지식을 처리하는 방식에 있어 질적인 도약을 가져왔으며, 오늘날 인공지능과 인간이 자유롭게 대화하고 협업할 수 있는 기술적 토대를 완성했다.
이번 파트는 여기까지 하고 UX 디자이너를 위한 인공지능 아티클 게재는 계속 이어가 보도록 하겠습니다 : )
AI를 활용하여 UX/UI 디자인을 공부하고 AI디자인 자격증도 취득하고 싶다면?
AI를 활용하는 UXUI 디자이너들과 함께 소통하며 성장하고 싶다면?
AI를 활용한 UX/UI 디자인을 책으로 공부하고 싶다면?
AI 시대에 나만의 AI스타트업/비즈니스 시스템을 만들고 싶다면?
