3부 _ AI의 여명
AI 탐구 5부작
* 본 영상의 전문은 AI로 작성된 스크립트 기반으로 제작된 영상입니다.
안녕하세요 여러분, 우리는 지난시간 AI의 태동기에 대해 살펴봤습니다.
늘은 AI 성장이 본격화되기 시작한 1980년대 제2의 전성기부터
등락이 심했던 AI의 지난 역사를 되짚어 보기로 할텐데요.
AI의 험난한 여정의 길, 함께 떠나보시죠
1. 1980년대: AI의 제2의 전성기
진행자: 1980년대, AI는 제2의 전성기를 맞이합니다. 그 중심에는 '전문가 시스템'이 있었죠. 전문가 시스템은 특정 분야의 전문 지식을 규칙 기반으로 코딩해 추론하는 방식이었습니다. 전문가 시스템은 마치 '특정 분야의 전문의'와 같습니다. 오랜 경험과 학습으로 쌓아온 전문 지식을 바탕으로, 환자의 증상을 분석하고 진단을 내리죠. 환자와의 문답을 통해 정보를 얻고, 그 정보를 자신의 지식베이스와 대조하여 가장 적절한 처방을 내립니다. 전문가 시스템도 이와 같이, 특정 영역에 대한 방대한 지식과 경험치를 데이터베이스화하고, 사용자의 입력을 받아 추론 엔진을 통해 문제를 해결하는 것이죠.
즉, 전문가 시스템을 한 문장으로 정의하자면 "인간 전문가의 지식을 컴퓨터로 구현한 지식 기반 문제 해결 시스템"이라 할 수 있겠습니다. 의료 진단부터 화학 구조 분석까지, 다양한 영역에서 전문가 시스템이 활약했죠.기업들은 연간 수천만 달러의 비용 절감 효과를 봤다고 합니다. 전문가 시스템의 성공에 고무된 각국 정부들도 AI에 공격적인 투자를 단행합니다. 일본의 '제5세대 컴퓨터 프로젝트', 영국의 'Alvey 프로젝트' 등이 대표적이었죠. 과감한 목표 설정과 막대한 예산 투입으로 AI 연구는 탄력을 받게 됩니다.
한편, AI 분야의 또 다른 흐름도 주목할 필요가 있습니다. 바로 존 홉필드와 데이비드 루멜하트가 주도한 신경망 이론의 부활입니다. 홉필드는 연상 메모리 모델인 '홉필드 네트워크'를 고안해냈고, 루멜하트는 '역전파 알고리즘'으로 신경망 학습의 돌파구를 열었죠. 여기서 역전파 알고리즘은 후에 큰 기능을 하게 되는데, 역전파 알고리즘을 비유로 설명하자면, 이는 마치 산을 오르는 등산객과 같습니다. 여러분, 등산을 해보신 적 있으시죠? 정상에 도달하기 위해서는 가장 효율적인 경로를 찾아야 합니다. 그런데 만약 길을 잘못 들었다면, 빨리 깨닫고 돌아가는 것이 중요하겠죠. 딥러닝도 마찬가지입니다. 신경망이 원하는 결과에 도달하기 위해서는 최적의 가중치를 찾아야 합니다. 그런데 처음부터 정답을 아는 것이 아니기에, 어떤 가중치가 좋은 선택인지 알기 어려운 것이죠. 여기서 역전파 알고리즘이 빛을 발합니다. 마치 지도를 들고 산을 탐색하는 등산객처럼, 역전파는 출력 결과와 원하는 결과의 차이인 오차를 이용해 신경망을 거꾸로 탐색합니다. 그리고 각 노드에서 이 오차에 기여한 정도를 계산하여 가중치를 조절하는 것이죠. 즉, 역전파는 잘못된 길로 갔을 때 돌아가야 할 방향을 알려주는 나침반 같은 역할을 합니다. 출력에서 입력 방향으로 오차를 전파하며, 그 오차를 최소화하는 방향으로 가중치를 업데이트 하는 것이죠. 덕분에 신경망은 점차 최적의 경로, 즉 최적의 가중치 조합을 찾아갈 수 있게 됩니다.
2.1987년~1990년대 초반: 제2의 AI 겨울
그러나 찬란했던 AI의 전성기도 오래가진 못했습니다. 1987년, 리습 머신 시장의 붕괴를 시작으로 AI 업계는 본격적인 한파에 휩싸이게 됩니다.전문가 시스템은 예상치 못한 상황에 취약한 모습을 보였고, 일본의 제5세대 컴퓨터 프로젝트는 야심찬 목표를 달성하지 못한 채 실패로 끝나고 맙니다. 여기에 DARPA까지 AI에 대한 지원을 대폭 축소하면서,AI 분야는 급속도로 침체에 빠져들었죠.
"AI는 결국 한낱 유행에 불과했다"
"실용성 없는 기술에 과도한 기대를 걸었다"
AI에 대한 비난 여론이 들끓기 시작했습니다.
이른바 'AI의 겨울'이 도래한 것입니다. 연구비가 끊기고 인력이 이탈하면서 많은 연구자들이 좌절하고 떠나갔습니다. 이런 암울한 상황 속에서도 로드니 브룩스와 데이비드 마 같은 과학자들은 AI에 물리적 실체를 부여하는 '행동 기반 로봇공학'이라는 새 패러다임을 모색하기도 했죠. 하지만 업계의 전반적인 분위기는 여전히 차가웠습니다.
3. 1990년대: 신경망의 부활과 딥러닝의 씨앗
진행자: 겨울이 오면 봄이 멀지 않는 법. AI에도 새로운 희망의 봄이 찾아왔습니다. 제프리 힌튼, 요슈아 벤지오, 얀 르쿤. 바로 딥러닝의 아버지라 불리는 3인방이죠. 이들은 신경망 연구에 매진하며 AI에 혁신을 불어넣습니다. 힌튼은 기존의 역전파 알고리즘을 개선해 심층 신경망 학습을 가능케 했고, 벤지오는 RBM(Restricted Boltzmann Machine) 모델로 딥러닝의 사전훈련 기법을 선보였죠.
르쿤은 CNN(Convolutional Neural Network) 아키텍처를 고안해 이미지 인식 분야에 혁명을 일으켰습니다.이들의 딥러닝은 상당히 중요한데요, 제가 각각의 기술들을 알기 쉽게 비유로 설명해보도록하겠습니다.
먼저, 제프리 힌튼의 심층 신경망 학습은 마치 아이가 자전거 타는 법을 배우는 과정과 비슷합니다. 처음에는 넘어지고 비틀거리면서 많은 시행착오를 겪죠. 하지만 연습을 거듭하면서 점차 안정감을 찾아가기 시작합니다. 넘어질 때마다 자신의 자세와 페달의 힘 조절 등을 미세하게 튜닝해 나가는 거죠. 처음에는 의식적으로 노력해야 하지만, 점차 무의식적으로 균형을 잡고 페달을 밟을 수 있게 됩니다. 이처럼 심층 신경망도 처음에는 임의의 가중치에서 시작합니다. 그리고 많은 데이터를 학습하면서, 입력과 출력의 관계를 찾아내려 애쓰죠. 원하는 출력을 내지 못할 때마다, 가중치를 조금씩 조정해 나갑니다. 마치 자전거의 핸들과 페달을 미세하게 조정하듯이 말이죠. 이 과정을 수없이 반복하면서, 신경망은 점차 데이터의 패턴을 인식하게 됩니다. 충분한 학습 후에는 마치 아이가 자전거를 자유자재로 다루듯, 심층 신경망도 새로운 데이터에 대해 정확한 예측을 할 수 있게 되죠. 더 이상 개별 가중치를 의식하지 않고도 복잡한 문제를 해결할 수 있게 되는 것입니다. 이렇듯 심층 신경망 학습은 마치 아이가 자전거를 마스터해 나가는 과정처럼, 시행착오를 거듭하며 데이터의 본질을 터득해 나가는 과정이라고 할 수 있습니다. 개별 노드와 가중치의 조정이 모여 전체적인 문제 해결 능력을 만들어내는 것이죠. 이것이 바로 딥러닝이 복잡한 문제를 해결할 수 있는 비결이자,
인간의 학습 방식과 유사한 점이라고 할 수 있겠습니다.
이번엔 요슈아 벤지오가 고안한 RBM, 자세히 한번 들여다볼까요? RBM은 visible layer와 hidden layer, 단 두 개의 레이어로 이루어진 신경망입니다. Visible layer는 입력 데이터를, hidden layer는 입력 데이터의 특징을 표현하죠. 마치 식당 주방에서 visible layer는 주문 받은 요리, hidden layer는 요리에 필요한 식재료라고 볼 수 있어요. RBM은 주문 들어온 요리(visible layer)를 보고 필요한 식재료(hidden layer)를 추측하고, 추측한 식재료로 요리를 다시 만들어보는 과정을 반복하며 학습합니다. 이렇게 요리와 식재료의 관계를 파악하는 것처럼, RBM은 데이터의 특징을 잡아내는 '특징 추출기'로 기능하게 되는 거죠. 벤지오는 이런 RBM을 딥러닝의 '사전훈련'에 활용할 것을 제안했습니다. 숙련된 요리사가 식재료를 손질해 건네주듯, RBM이 데이터를 '손질'해 딥러닝 모델이 쉽게 학습할 수 있도록 하는 거예요. RBM으로 각 층의 가중치를 초기화한 뒤 역전파 알고리즘으로 전체 심층망을 훈련시키면, 마치 요리사가 손질한 식재료로 최종 요리를 완성하듯, 더 효율적이고 완성도 높은 학습이 가능해집니다. RBM 사전훈련 기법은 딥러닝의 가능성을 크게 열어젖힌 혁신적 아이디어였죠.
이번에는 얀 르쿤의 CNN에 대해 알아보겠습니다. 기존의 fully-connected 신경망은 이미지의 모든 픽셀을 일일이 처리하려 해 비효율적이었어요. 마치 서류 더미를 한 장 한 장 빠짐없이 읽어내려가는 것처럼 말이죠.
반면 CNN은 훨씬 더 전략적으로 접근합니다. 마치 전문 검사관처럼요. 컨볼루션 레이어는 이미지를 작은 영역으로 나눠 스캔하며 특징을 추출하고, 풀링 레이어는 추출된 특징 중 가장 두드러지는 것만 요약하죠. 검사관이 서류를 종류별로 분류하고 중요 키워드만 체크해 보고서를 작성하는 것과 비슷한 과정이에요. CNN의 강점은 바로 '이미지에 최적화된 구조'라는 점입니다. 불필요한 디테일은 과감히 생략하고 핵심만 짚어내는 CNN의 전략적 접근 덕분에, 이미지 인식은 훨씬 더 효율적으로 이뤄질 수 있게 되었죠. 게다가 CNN은 전문 검사관이 서류의 구조와 문맥을 고려하듯, 이미지의 공간적 특성을 고려해 설계되었기에 더 정교한 분석이 가능해요. 실제로 CNN은 2012년 이미지넷 대회에서 독보적 성능으로 우승하며, 이미지 인식을 완전히 새로운 차원으로 끌어올렸습니다. 물론 이들 외에도 AI의 밑거름이 된 숨은 공신들이 있었죠. 블라디미르 밥닉의 서포트 벡터 머신(SVM)은 머신러닝의 새 지평을 열었고, 로봇공학자들의 꾸준한 연구는 자율주행차라는 열매를 맺기 시작했습니다. AI의 겨울 한복판에서도, 수많은 과학자들은 묵묵히 미래를 준비하고 있었던 것이죠.
겨울은 가고 봄이 오듯, AI에도 새로운 시대가 도래하고 있었습니다.
4. 2000년대~2010년대 초반: AI의 재도약
21세기의 여명과 함께, AI에게도 새로운 기회가 찾아왔습니다. 마치 겨울잠에서 깨어난 듯, AI는 재도약을 위한 몸짓을 시작했죠. 1997년, IBM의 딥블루는 체스판 위에서 인간의 한계에 도전장을 내밉니다. 체스의 왕, 카스파로프를 상대로 딥블루는 승리를 거머쥐었고 이는 AI에게 새로운 가능성을 시사하는 상징적 사건이 되었죠. 8년 후, 스탠포드대의 자율주행차 '스탠리'는 사막을 가로지르는 대장정을 펼칩니다. 모래바람이 일렁이는 사막, 그 위를 인간의 도움 없이 혼자 힘으로 질주하는 스탠리의 모습은 AI가 현실 세계와 직접 상호작용하는 새 시대의 서막을 알리는 듯 했습니다. 그리고 2011년, 또 하나의 이정표가 세워집니다. IBM의 질의응답 시스템 '왓슨'이 인기 퀴즈쇼 무대에 오른 것이죠. 방대한 지식을 학습한 왓슨은 인간 챔피언들을 압도하며, 자연어 이해 능력에서 인간에 필적하는 AI의 모습을 보여주었습니다. 이 눈부신 성과들의 이면에는 컴퓨팅 기술의 비약적 발전이 자리하고 있었습니다.
여러분은 '무어의 법칙'이라는 말을 들어보신 적 있으신가요? 무어의 법칙은 인텔의 공동 창업자인 고든 무어가 1965년에 제안한 법칙인데요, 그는 컴퓨터 칩에 들어가는 트랜지스터의 수가 약 2년마다 2배씩 증가한다는 것을 발견했습니다. 이는 컴퓨터의 성능이 기하급수적으로 향상된다는 것을 의미합니다. 2년마다 두 배씩 성능이 좋아지는 거죠. 10년이면 32배, 20년이면 무려 1024배나 좋아지는 셈입니다. 실제로 우리가 과거의 컴퓨터와 현재의 컴퓨터를 비교해보면 그 성능 차이가 엄청나다는 것을 실감할 수 있죠. 이는 모두 무어의 법칙 덕분이라고 할 수 있습니다. 무어의 법칙이 예견했듯 컴퓨터의 연산 능력은 기하급수적으로 향상되었고,
빅데이터와 클라우드 컴퓨팅은 대규모 데이터 처리의 문을 열어젖혔죠. 기술적 토대가 마련된 것입니다. AI 연구자들에겐 새로운 도약의 기회가, AI에겐 그 몸을 펼칠 더 넓은 무대가 주어진 셈이죠.
5. 2010년대: 딥러닝, AI의 새로운 패러다임
하지만 진정한 변곡점은 2010년대에 찾아왔습니다. 바로 딥러닝의 등장이었죠. 뉴럴네트워크에 깊이를 더한 딥러닝은 제프리 힌튼과 그의 제자들에 의해 음성 인식 분야에서 첫 혁신을 불러 일으켰습니다. 이어 2012년 등장한 '알렉스넷'이 시각 인식의 판도를 뒤집으며, 딥러닝은 순식간에 AI의 새로운 패러다임으로 자리 잡게 되었죠. 딥러닝의 혁신은 산업계에 커다란 파장을 일으켰습니다. 구글, 페이스북, 마이크로소프트 같은 거인들이 AI 스타트업 인수에 뛰어들며 AI는 이제 순수 학문의 영역을 넘어, 거대 자본과의 만남을 통해 세상 밖으로 모습을 드러내기 시작했죠.
2016년 알파고와 이세돌의 대국은 AI의 새로운 가능성을 전 세계에 각인시킨 역사적 사건이었습니다. 바둑이라는 직관과 창의력의 영역마저 AI가 넘보게 된 것이죠. 이 눈부신 성취의 이면에는 수많은 개척자들의 노력이 있었습니다. 앞서 언급한 제프리힌튼을 빌롯해, CNN으로 컴퓨터 비전을 개척한 얀 르쿤, RBM으로 딥러닝의 사전훈련을 발전시킨 요슈아 벤지오... 이들의 개척정신과 혁신이 오늘날 AI 신화의 밑거름이 되었죠. 수많은 무명 영웅들의 땀과 열정이 뒷받침 되었기에, AI라는 거목이 비로소 꽃을 피울 수 있었던 것입니다.
6.2018년~현재: AI 혁명의 새로운 물결
AI 기술은 우리의 상상을 초월하는 속도로 진화하고 있습니다. OpenAI, Anthropic, 구글, 마이크로소프트 같은 선도 기업들이 AI 개발에 박차를 가하면서 자연어 처리와 이미지 생성 분야에서 혁신적인 모델들이 쏟아지고 있는데요. AI 혁명 돌풍의 중심에 있는 OpenAI는 GPT-3에서 시작해 GPT-3.5, GPT-4로 이어지는 강력한 언어 모델 시리즈를 선보였습니다. GPT-3는 무려 1750억 개의 파라미터로 학습해 자연어 처리 능력의 새 지평을 열었고, GPT-4에 이르러서는 이미지까지 이해하는 멀티모달 AI로 발전했죠. GPT 모델들은 번역, 요약, 코딩 등 다양한 태스크에서 인간 수준에 육박하는 성능을 보여주고 있습니다.
Anthropic은 좀 더 철학적인 접근으로 AI 개발에 임하고 있는데요. 그들은 'Constitutional AI'라는 독특한 학습 방식을 통해 윤리성과 안전성을 갖춘 언어 모델 Claude를 탄생시켰습니다. Claude는 사용자 친화적인 대화와 콘텐츠 생성이 가능할 뿐 아니라, 차별과 혐오를 배제하고 진실된 정보를 전달하는 것을 최우선으로 하죠. Anthropic은 기술 발전과 함께 AI의 사회적 책임을 고민하는 선구자적 행보를 보여주고 있습니다.
한편 거대 IT 공룡들도 AI 경쟁에 가세했습니다. 구글은 Gemini라는 차세대 언어 모델을 개발 중인 것으로 알려졌는데요, 방대한 데이터와 검색 기술의 노하우가 결합된 고성능 모델이 기대됩니다. 마이크로소프트는 OpenAI와의 제휴를 통해 GPT 기술을 검색 엔진 Bing에 접목하고, Azure 클라우드에 AI 서비스를 본격적으로 도입하며 시장 선점에 나섰습니다. 텍스트뿐 아니라 이미지 영역에서도 AI의 상상력은 점점 더 커지고 있습니다. Stable Diffusion, Midjourney, DALL·E 같은 이미지 생성 모델들은 텍스트 입력을 받아 매우 사실적이고 창의적인 이미지를 생성해내는데요, 마치 인간 아티스트의 손에서 태어난 듯한 섬세하고 예술적인 느낌마저 줍니다. 최근 국내에서도 Sora AI 같은 모델이 발표되는 등 AI 창작의 영역은 나날이 확장되고 있습니다. 이렇듯 GPT-4, Claude, Gemini부터 Stable Diffusion, Midjourney까지... AI 기술은 텍스트와 이미지를 아우르며 그야말로 폭발적인 진화를 거듭하고 있습니다. 교육, 금융, 법률, 의료, 예술 등 사회 전 영역에 걸쳐 AI의 파고가 드높아지고 있는데요, 이제 AI는 미래 기술이 아닌 우리 삶과 함께하는 현재진행형 기술이 되었습니다.
AI가 인간의 능력을 확장하고 한계를 뛰어넘는 강력한 도구이자 파트너로 자리잡아 가고 있죠. 하지만 동시에 AI의 급격한 발전은 우리에게 중요한 질문도 던집니다. AI와 공존하는 사회를 어떻게 설계할 것인가? 기술 발전에 걸맞은 규범과 윤리의 좌표는 무엇인가? 인간만의 영역으로 여겨졌던 창의성과 가치 판단까지 AI가 대신한다면 우리의 역할은 무엇인가? AI 혁명의 한가운데서 우리 모두가 깊이 고민하고 지혜를 모아야 할 질문들입니다. 단순히 기술에 몸을 맡길 것이 아니라, 기술과 함께 성장하고 진화하는 것. 그것이 바로 우리 시대 인간에게 주어진 마지막 숙제이자 가장 큰 기회가 아닐까요? 진행자: GPT-3에서 GPT-4로, Stable Diffusion에서 Midjourney로... AI 기술은 우리가 생각하는 것 이상으로 빠른 속도로 진화하고 있습니다.
이 위대한 변화의 시대를, 우리는 어떤 자세로 맞이해야 할까요? AI와 함께 더 지능적이고, 더 창의적이며, 더 포용적인 세상을 만들어갈 수 있을 거라 믿습니다. 여러분 모두가 AI 시대를 이끄는 주역이 되시길 바랍니다. 이상으로 '새로운 지평을 여는 AI 기술'에 대해 알아보았습니다. 시청해 주신 여러분, 감사합니다!
