Step 1. AI의 탄생과 기초

퍼셉트론의 도전부터 챗지피티까지, 인공지능의 진화 과정 완전 정복

Intro학습 목표

AI가 단순한 '규칙 기반 추론'에서 어떻게 데이터를 스스로 읽는 '딥러닝'으로 진화했는지, 그 역동적인 흐름과 핵심 원리를 이해합니다.

이 여정을 통해 우리는 인공지능이 단순히 프로그래밍된 명령을 따르는 것에서, 마치 사람처럼 경험을 통해 배우고 성장하는 시스템으로 어떻게 변화했는지 알아볼 것입니다.

Hierarchy인공지능의 포함 관계

AI, 머신러닝, 딥러닝은 별개의 기술이 아닙니다. 마치 과일 안에 사과가 있고, 사과 안에 빨간 사과가 있는 것처럼, 이들은 서로 포함 관계를 가지고 있습니다.

가장 큰 범주는 인공지능(AI)입니다. 여기에는 체스 프로그램처럼 규칙 기반으로 작동하는 전통적인 AI도 포함됩니다. 그 안에 머신러닝(ML)이 있는데, 이것은 데이터로부터 패턴을 찾아 학습하는 방식입니다. 그리고 가장 안쪽에 딥러닝(DL)이 있습니다. 이것은 인간의 뇌 구조를 모방한 심층 신경망을 사용하는 가장 진보된 형태입니다.

Artificial Intelligence (AI)

인간의 지능을 흉내 내는 모든 기술

예: 체스 게임, 음성 인식, 자율주행 등

Machine Learning (ML)

데이터를 통해 스스로 학습하는 알고리즘

예: 스팸 필터, 추천 시스템 등

Deep Learning (DL)

심층 신경망을 활용한 고도화된 학습

예: 이미지 인식, 자연어 처리 등

💡 쉽게 이해하기: 마트에서 물건을 고르는 것에 비유하면, AI는 "쇼핑"이라는 큰 개념이고, ML은 "리스트를 보고 필요한 것만 고르기", DL은 "과거 구매 패턴을 분석해 최적의 선택하기"입니다.

Concept인간의 뉴런 vs 인공 퍼셉트론

인공지능의 시작은 놀랍게도 우리의 뇌를 관찰하는 것에서 시작되었습니다. 1957년 심리학자 프랭크 로젠블랫은 인간의 뇌세포(뉴런)가 작동하는 방식을 수학 공식으로 바꾸어 퍼셉트론(Perceptron)이라는 최초의 인공 신경망을 만들었습니다.

우리 뇌의 뉴런은 여러 신호를 받아들이고(수상돌기), 그것들을 종합해서 판단한 뒤(세포체), 결과를 다른 뉴런에게 전달합니다(축삭돌기). 퍼셉트론도 이와 똑같습니다. 여러 입력값을 받고, 각각에 중요도(가중치)를 곱한 뒤, 합쳐서 판단합니다.

생물학적 뉴런 입력(수상돌기) 처리(세포체) 출력(축삭)
[그림 1] 생물학적 뉴런
여러 신호를 받아 처리 후 다른 뉴런으로 전달
x₁ x₂ x₃ y 입력층 은닉층 출력층 인공 신경망 (ANN)
[그림 2] 인공 신경망 (ANN)
뉴런을 수학적 가중치(w)로 재현한 초기 모델
💡 쉽게 이해하기: 퍼셉트론은 마치 여러 친구들의 의견(입력)을 듣고, 각 친구의 신뢰도(가중치)를 고려해서, 최종 결정(출력)을 내리는 것과 비슷합니다. 믿을 만한 친구의 의견에는 더 큰 비중을 두겠죠?

History첫 번째 암흑기: XOR 문제

초기 퍼셉트론은 간단한 문제는 잘 풀었습니다. 예를 들어 "AND 게이트"(둘 다 참이어야 참) 같은 논리는 쉽게 학습했죠. 하지만 1969년, 마빈 민스키와 시모어 페퍼트가 치명적인 약점을 발견했습니다.

바로 XOR 문제였습니다. XOR(배타적 논리합)은 "둘 중 하나만 참일 때 참"이라는 의미입니다. 이것은 직선 하나로는 절대 구분할 수 없는 문제였습니다. 상상해보세요. 종이 위에 점들이 있는데, 직선 하나로 두 그룹을 나눌 수 없다면? 초기 퍼셉트론은 바로 이런 상황에서 무력했습니다.

이 발견은 충격적이었습니다. "인공지능은 별거 없다", "뇌를 흉내 낸다더니 이것밖에 못하나"는 비판이 쏟아졌고, AI 연구에 대한 투자가 급감했습니다. 이렇게 1970~80년대 긴 암흑기(AI Winter)가 시작되었습니다.

💡 XOR 문제를 일상에 비유하면: "키가 크거나 몸무게가 많이 나가는 사람을 선별해라"는 간단하지만, "키는 크지만 날씬한 사람 OR 키는 작지만 무거운 사람만 선별해라"는 직선 하나로는 불가능합니다. 두 가지 기준을 동시에 만족하거나 둘 다 만족하지 않는 사람을 걸러내야 하거든요.

Evolution암흑기를 녹인 '머신러닝'

암흑기 속에서도 연구는 계속되었습니다. 과학자들은 생각을 바꿨습니다. "사람이 모든 규칙을 일일이 프로그래밍할 수 없다면, 기계가 데이터를 보고 스스로 패턴을 찾게 하자!" 이것이 바로 머신러닝의 핵심 아이디어입니다.

예를 들어 스팸 메일 필터를 만든다고 생각해봅시다. 전통적인 방식이라면 프로그래머가 "이런 단어가 있으면 스팸이다"라는 규칙을 수천 개 만들어야 합니다. 하지만 머신러닝은 다릅니다. 수만 개의 스팸 메일과 정상 메일을 보여주면, 컴퓨터가 스스로 "스팸에는 이런 패턴이 많구나"를 학습합니다.

이 접근법은 혁명적이었습니다. 날씨 예측, 주식 분석, 고객 취향 파악 등 다양한 분야에서 머신러닝이 활용되기 시작했습니다.

"머신러닝은 데이터를 확률과 통계라는 언어로 해석하여
미래를 예측하는 기술입니다. 마치 과거 경험을 바탕으로 배우는 인간처럼 말이죠."

Limit머신러닝의 한계: 특성 공학의 병목

머신러닝도 완벽하지 않았습니다. 가장 큰 문제는 특성 공학(Feature Engineering)이었습니다. 쉽게 말해, 컴퓨터에게 "어떤 정보가 중요한지"를 사람이 직접 알려줘야 했다는 뜻입니다.

예를 들어 개와 고양이 사진을 구분하는 프로그램을 만든다면, 전문가가 "개는 코가 길고, 귀가 처지고, 털의 질감이 이렇다"는 특징들을 일일이 정의해야 했습니다. 새로운 품종이 나오면? 다시 특징을 추가해야 합니다. 의료 영상 판독, 자율주행 등 복잡한 분야에서는 이 작업이 엄청난 시간과 전문 지식을 요구했습니다.

이것이 바로 머신러닝 발전의 가장 큰 병목 현상이었습니다. 아무리 좋은 알고리즘이 있어도, 사람이 특징을 잘못 정의하면 성능이 떨어졌거든요.

💡 쉽게 이해하기: 당신이 외국인 친구에게 한국 음식을 설명한다고 상상해보세요. "김치는 매운 채소 절임이고, 불고기는 달콤한 고기 요리야"처럼 일일이 설명해야 합니다. 만약 친구가 직접 먹어보고 스스로 특징을 파악할 수 있다면 훨씬 빠르고 정확하겠죠? 딥러닝이 바로 그런 방식입니다.

Revolution힌튼 교수의 딥러닝 혁명 (2012년)

2012년, 토론토 대학의 제프리 힌튼 교수 팀이 세상을 놀라게 했습니다. 그들은 AlexNet이라는 딥러닝 모델로 이미지 인식 대회(ImageNet)에서 기존 방법들을 압도적으로 이겼습니다. 오차율을 무려 10% 이상 낮춘 것입니다!

비밀은 간단했습니다. 사람이 특징을 알려주지 않았다는 것이죠. 그저 수백만 장의 이미지를 학습시켰을 뿐입니다. 그런데 신경망은 스스로 다음과 같은 것들을 배웠습니다:

첫 번째 층에서는 "선과 모서리"를 감지하고, 두 번째 층에서는 "눈, 코, 귀 같은 부위"를 인식하고, 세 번째 층에서는 "얼굴 전체의 패턴"을 파악하고, 마지막 층에서는 "이건 고양이구나, 저건 개구나"를 판단했습니다.

이것이 바로 표현 학습(Representation Learning)입니다. 컴퓨터가 데이터의 본질적 특성을 스스로 추출하는 능력을 얻은 것이죠. 마치 아이가 부모에게 "이게 강아지야"라는 설명 없이도, 여러 강아지를 보다 보면 자연스럽게 강아지를 알아보게 되는 것처럼요.

🎯 딥러닝의 핵심 3가지:
1. 층이 깊다(Deep): 여러 층의 신경망을 쌓아 복잡한 패턴 학습
2. 스스로 배운다: 사람이 특징을 정의하지 않아도 데이터에서 자동으로 추출
3. 빅데이터와 GPU: 엄청난 양의 데이터와 강력한 컴퓨팅 파워가 성능 향상의 열쇠

Modern알파고에서 챗지피티까지

2012년 AlexNet 이후, AI는 폭발적으로 발전했습니다. 이제는 단순히 이미지를 보는 것을 넘어, 게임을 하고, 글을 쓰고, 대화를 나누는 수준에 이르렀습니다.

시기 사건 및 기술적 도약
2016년 알파고(AlphaGo): 구글 딥마인드가 개발한 알파고가 세계 최고의 바둑 기사 이세돌을 4:1로 이겼습니다. 이것은 단순히 게임의 승리가 아니었습니다. 바둑은 경우의 수가 우주의 원자 수보다 많은 게임입니다. 알파고는 강화학습이라는 방법으로 수백만 판을 스스로 두며 전략을 배웠고, 때로는 인간이 생각지 못한 창의적인 수를 두기도 했습니다. 이는 AI가 단순 계산을 넘어 '직관'과 '전략'을 가질 수 있음을 보여준 역사적 순간이었습니다.
2017년 Transformer: 구글 연구팀이 발표한 "Attention Is All You Need" 논문은 AI 역사의 새로운 장을 열었습니다. 기존 방식은 문장을 앞에서부터 순서대로 읽어야 했지만, Transformer는 어텐션(Attention) 메커니즘을 통해 문장 전체를 한 번에 보며 중요한 단어들의 관계를 파악합니다. 마치 우리가 글을 읽을 때 중요한 부분에 밑줄을 긋듯이, AI가 문맥에서 핵심을 찾아내는 것이죠. 이 기술은 이후 GPT, BERT 등 모든 현대 언어 모델의 기반이 되었습니다.
2022년~ ChatGPT: OpenAI가 공개한 ChatGPT는 전 세계에 충격을 안겼습니다. 출시 5일 만에 100만 사용자를 돌파했고, 2개월 만에 1억 사용자를 넘어섰습니다. 거대언어모델(LLM, Large Language Model)로 불리는 이 AI는 수천억 개의 매개변수를 가지고 있으며, 인터넷의 방대한 텍스트 데이터를 학습했습니다. 단순히 질문에 답하는 것을 넘어, 코드를 작성하고, 시를 쓰고, 복잡한 개념을 설명하고, 창의적인 아이디어를 제안합니다. 이제 AI는 단순한 도구가 아닌, 인간과 자연스럽게 소통하는 지적 파트너가 되었습니다.
🚀 앞으로의 AI는?
현재의 AI는 여전히 진화 중입니다. 멀티모달 AI(텍스트, 이미지, 음성을 함께 이해), 더 작고 효율적인 모델, 설명 가능한 AI(왜 그런 답을 했는지 설명), 그리고 인간의 가치와 윤리를 이해하는 AI로 발전하고 있습니다. 우리는 지금 AI 역사의 가장 흥미진진한 시기를 살고 있습니다.