인공지능의 역사 한눈에 보기: 아이디어에서 딥러닝, 그리고 생성형 AI까지

인공지능은 어느 날 갑자기 등장한 기술이 아니다. “기계가 생각할 수 있을까?”라는 질문에서 출발해, 수학과 컴퓨터, 데이터, 그리고 반도체 성능의 발전이 겹치면서 지금의 AI로 이어졌습니다.

이 글에서는 인공지능의 역사를 세 번의 큰 물결로 정리해보고자 합니다.

1. 1차 물결: 규칙 기반 AI(1950년대~1970년대)

• 사람이 규칙을 직접 적어 넣어서 “똑똑해 보이게” 만들던 시대

2. 2차 물결: 통계적 머신러닝(1980년대~2010년대 초)

• 규칙 대신 데이터에서 패턴을 “학습”하게 만든 시대

3. 3차 물결: 딥러닝과 생성형 AI(2010년대~현재)

• 큰 데이터 + 강한 연산 + 신경망으로 성능이 폭발적으로 올라간 시대

---

1. 시작: “기계가 생각할 수 있을까?” (1940~1950년대)

• 튜링의 질문과 테스트
  • AI 역사를 말할 때 빠지지 않는 인물이 앨런 튜링(Alan Turing)이다.
  • 그는 “기계도 인간처럼 대화하며 사고하는 것처럼 보일 수 있을까?”를 고민했고, 이를 판단하는 개념으로 튜링 테스트를 제안했다.
  • 핵심 아이디어: “사람이 대화만으로 상대가 기계인지 사람인지 구분 못하면, 그 기계는 지능이 있다고 볼 수 있지 않을까?”
  • 튜링은 “AI를 어떻게 만들지”의 설계도까지 준 건 아니지만, AI의 질문 자체를 대중화시킨 인물이다.

• 초기 신경망의 씨앗
  • 이 시기에는 신경세포(뉴런)를 흉내 낸 수학 모델이 등장한다.
  • 아직 성능은 약했지만, “학습하는 기계”라는 아이디어가 이미 존재했다는 점이 중요하다.

2. 탄생 선언: 다트머스 회의와 ‘AI’라는 이름 (1956)

• 1956년, 미국에서 열린 다트머스(Dartmouth) 여름 연구 모임에서 “Artificial Intelligence(인공지능)”라는 용어가 본격적으로 쓰이기 시작했다.
• 많은 역사서에서 이 해를 AI의 공식 출생으로 본다.
• 이때 사람들은 꽤 낙관적이었다.
  • “몇 년 안에 인간 수준의 지능을 만들 수 있지 않을까?”라는 기대가 컸다.
• 하지만 현실은 달랐다.

3. 1차 물결: 규칙 기반 AI와 한계 (1950~1970년대)

• 규칙 기반(심볼릭) AI란?
  • 초기의 AI는 흔히 심볼릭 AI라고 불린다.
  • 여기서 ‘심볼’은 숫자나 글자 같은 기호를 뜻한다.
  • 방식: 사람이 IF-THEN 규칙을 직접 만든다.
    • IF “열이 높고 기침이 있다” THEN “감기일 가능성”
    • IF “말의 이동 규칙” THEN “체스 다음 수 예측”
  • 이 접근은 특정 문제에서는 꽤 잘 작동했다. 특히 논리 퍼즐이나 제한된 규칙이 있는 게임에서 성과가 있었다.
• 왜 어려웠을까? (규칙 폭발 문제)
  • 문제는 현실 세계가 너무 복잡하다는 것.
    • 세상은 예외가 많다.
    • 규칙을 조금만 늘리면 경우의 수가 폭발한다.
    • 사람이 모든 규칙을 다 적어 넣는 것은 거의 불가능하다.
  • 결국 기대가 꺾이며 지원이 줄어들었고, 이것을 AI 겨울(AI Winter)이라고 부른다.
  • AI 겨울은 “AI가 사라졌다”가 아니라, “기대가 과열되었다가 투자와 관심이 급격히 식은 시기”라고 이해하면 된다.

4. 2차 물결: 데이터에서 배우는 머신러닝 (1980~2010년대 초)

• 핵심 전환: 규칙을 사람이 쓰지 말고, 데이터에서 뽑자
  • 머신러닝은 한마디로 이렇게 요약할 수 있다.
    • 사람이 규칙을 쓰는 대신
    • 데이터를 보여주고
    • 모델이 규칙(패턴)을 스스로 찾게 하자
  • 예를 들어 스팸 메일을 필터링한다고 해보자.
    • 규칙 기반: “무료”, “당첨”이라는 단어가 있으면 스팸이라고 규칙을 적는다.
    • 머신러닝: 스팸/정상 메일 예시를 많이 주고, 어떤 단어 조합이 스팸인지 확률적으로 학습한다.
• 이때 강해진 기술들
  • 통계적 학습: 확률, 통계 기반의 분류/회귀
  • SVM, 결정트리, 랜덤포레스트 같은 전통적 알고리즘
  • 특징 공학(Feature Engineering): 사람이 “어떤 입력을 뽑아야 잘 맞출지”를 설계하는 일이 매우 중요했다.
• 상징적 사건: Deep Blue vs Kasparov (1997)
  • IBM의 체스 인공지능 Deep Blue가 세계 체스 챔피언 카스파로프를 이겼다.
  • 이를 통해 “AI가 인간보다 더 나은 판단을 할 수 있다“는 것을 전 세계가 목격했다.

• 한계도 있었다
  • 데이터가 커지고 문제(이미지/음성/자연어)가 복잡해질수록 사람이 특징을 설계하는 방식은 점점 벅차졌다.
  • 즉, “사람이 여전히 중요한 부분을 수작업으로 만들고 있다”는 한계가 있었다.

5. 3차 물결: 딥러닝의 부활과 폭발 (2010년대)

• 딥러닝은 신경망을 “아주 깊게(Deep)” 쌓은 모델이다. 신경망은 예전에도 있었지만, 2010년대 들어서 갑자기 성능이 폭발한 이유가 있다.
  • 데이터가 커졌다: 인터넷과 스마트폰으로 이미지, 텍스트, 음성 데이터가 폭증
  • 연산이 강해졌다: GPU의 발전으로 대규모 행렬 연산이 가능
  • 학습 기법이 안정화되었다: 더 깊은 네트워크를 학습시키는 방법들이 정리됨
• 상징적 사건: 이미지넷(ImageNet)과 AlexNet (2012)
  • 2012년경, 대규모 이미지 분류 대회에서 딥러닝이 기존 방법을 크게 앞서며 “딥러닝 시대가 왔다”는 신호탄이 되었다.
  • 이후, 컴퓨터 비전(이미지/영상), 음성 인식, 자연어 처리 등 전 분야에서 딥러닝이 표준이 된다.

• 상징적 사건: AlphaGo vs 이세돌 (2016)
  • 2016년, 구글 딥마인드가 개발한 '알파고'가 바둑 세계 챔피언 이세돌 9단을 4:1로 이겼다.
  • 딥러닝 + 강화학습 + 몬테카를로 트리 탐색 기법을 조합해 놀라운 직관력과 수읽기 실력 발휘하였으며, 이를 통해 AI가 '창의적인 수'를 둔다는 사실에 세계가 충격에 빠졌다.

6. 트랜스포머와 생성형 AI: “이제는 만드는 AI” (2017~현재)

• 트랜스포머(Transformer)의 등장
  • 2017년 이후, 자연어 처리에서 트랜스포머 구조가 큰 변화를 일으켰다.
    • 이전: RNN/LSTM처럼 순차적으로 읽는 방식이 주류
    • 이후: Attention 기반으로 문맥 전체를 한 번에 바라보는 방식이 강해짐
  • 이 구조는 텍스트뿐 아니라 이미지(비전 트랜스포머), 음성, 멀티모달로 확장되며 “범용 모델”의 중심이 된다.
• 생성형 AI(Generative AI)
  • 기존 AI가 “분류/예측”에 강했다면, 생성형 AI는 글을 만들고, 이미지를 만들고, 코드를 만들고, 요약하고 번역하고 설명한다.
  • 즉, ‘정답 고르기’가 아니라 ‘콘텐츠 생성’으로 넘어왔다.
  • 이 변화의 핵심은 대규모 사전학습(Pretraining)이다.
    • 방대한 텍스트를 읽고 언어 패턴을 익힌 뒤
    • 특정 작업에 맞게 미세조정(Fine-tuning)하거나
    • 사람 피드백 기반 정렬(RLHF 등)로 “더 유용한 답변”을 하게 만든다.
• 상징적 사건: ChatGPT의 등장 (2022)
  • 2022년 말, ChatGPT가 세상에 등장하면서 AI는 전 세계인의 일상 속 도구가 되었다.

7. 지금의 AI를 이해하는 키워드 5개

• 데이터: 학습의 재료
• 모델: 패턴을 저장하는 구조(신경망/트랜스포머 등)
• 연산: 학습을 가능하게 하는 힘(GPU/가속기)
• 학습(Training): 데이터를 보고 파라미터를 조정하는 과정
• 추론(Inference): 학습된 모델을 실제로 사용하는 과정

8. 앞으로의 흐름: 더 작고, 더 똑똑하고, 더 안전하게

• 앞으로의 AI 발전은 단순히 “더 큰 모델”만이 방향은 아니다. 보통 아래 축이 함께 움직인다
  • 효율화: 작은 모델로도 성능을 내기(경량화, distillation, quantization)
  • 멀티모달: 텍스트+이미지+음성+센서의 통합
  • 에이전트화: 계획을 세우고 도구를 사용해 일을 끝까지 수행
  • 신뢰성/안전: 환각(헛소리), 편향, 개인정보 문제를 줄이는 방향

9. 마무리: AI 역사는 “규칙에서 학습으로, 예측에서 생성으로”의 흐름

• AI 역사를 한 문장으로 요약하면 이렇다.
  • 규칙을 사람이 쓰던 시대(심볼릭 AI)
  • 데이터에서 배우게 한 시대(머신러닝)
  • 거대한 신경망이 표현을 스스로 만들며 성능이 폭발한 시대(딥러닝)
  • 그리고 이제는 콘텐츠를 생성하는 시대(생성형 AI)