인공지능, 왜 지금 와서야 떴을까?

<AI 인공지능 어디까지 왔나?> 시리즈의 네 번째입니다.

ChatGPT가 없던 시절로 돌아가실 수 있나요? 저는 어렵습니다. 자동차, 비행기, 컴퓨터, 인터넷 없이 살 수 없는 것처럼 인공지능의 편리함을 알아버렸으니까요.

지금은 인공지능의 황금기입니다. 질문 답변부터 검색, 이미지와 목소리 생성까지, 인공지능이 스며들지 않은 곳을 찾기가 어려울 정도입니다. 2024년 노벨 물리학상과 노벨 화학상 수상에 인공지능이 기여했다는 점만 봐도 현재 인공지능이 얼마나 중요한지 알 수 있습니다.

요즘 갑자기 뜬 것처럼 보이지만, 인공지능에도 생각보다 오래된 역사가 있다는 걸 알고 계셨나요?

이번 글에서는 인공지능의 시작과 암흑기, 황금기와 이를 가능하게 한 요인들을 살펴보겠습니다.

목차

인공지능의 시작과 겨울

인공지능의 역사는 1958년 퍼셉트론(Perceptron)의 등장으로 시작되었습니다. 인공지능 관련 자료에서 종종 나오는 신경망 그림을 보신 적 있나요? 퍼셉트론은 그 신경망에서 하나의 노드, 즉 동그라미로 표현되는 기본 단위입니다. 여러 개의 퍼셉트론을 쌓아 구성한 것이 바로 인공 신경망입니다. 퍼셉트론은 초기 인공지능의 가능성을 보여주는 핵심 개념으로 주목받았으며, 이에 대한 기대도 상당했습니다.

그러나 한개의 층을 가진 퍼셉트론 신경망은 한계가 명확했고, 여러 층을 가진 신경망을 학습시킬 방법이 당시에는 없었습니다. 이로 인해 정부의 연구 지원이 줄고, 인공지능에 대한 관심도 급감하면서 1차 인공지능 겨울이 찾아왔습니다.

1980년대에 이르러 전문가 시스템이라는 새로운 접근이 등장하면서 인공지능에 대한 관심이 다시 살아났습니다. 전문가 시스템은 특정 분야의 인간 전문가의 지식과 판단을 컴퓨터가 모방하여 문제를 해결하는 방식으로 큰 기대를 모았습니다. 하지만 복잡한 문제를 해결하는 데 한계를 보였고, 유지 비용이 많이 드는 실용성의 문제로 실망을 안겼습니다. 결국, 2차 인공지능 겨울이 찾아왔고 인공지능은 사람들의 관심에서 멀어졌습니다.

인공지능의 황금기

겨울 동안 명맥을 이어 온 인공지능긴 겨울 동안에도 많은 연구자들이 인공지능을 포기하지 않고 꾸준히 연구해 왔습니다. 그 덕분에 인공지능은 다시 한번 눈부신 발전을 이루었습니다. 특히 2024년 노벨 물리학상을 받은 홉필드와 힌튼의 연구는 이러한 끈기 있는 노력의 결실이라 할 수 있습니다.

딥러닝(Deep Learning)의 부상

2012년, 딥러닝이 압도적인 성능을 보여주며 인공지능의 새로운 가능성을 열었습니다. ImageNet은 수백만 개의 이미지를 분류하는 대회인데, 이 대회에서 제프리 힌튼 팀은 딥러닝을 활용해 다른 참가자들보다 무려 10%p 더 높은 성능을 기록하며 딥러닝의 우수성을 입증했습니다. 이를 계기로 딥러닝이 기존 머신러닝을 제치고 인공지능 연구의 중심에 서게 되었습니다. 이후 딥러닝에 대한 연구와 관심은 폭발적으로 증가했습니다.

알파고의 승리와 인공지능의 도약

2016년, 알파고가 바둑 프로기사 이세돌 9단을 이긴 사건을 기억하시나요? 이는 인공지능의 가능성을 대중에게 널리 알린 중요한 순간이었습니다. 바둑에서 가능한 경우의 수는 온 우주에 있는 원자 수보다 훨씬 큰 상상조차 어려운 숫자입니다. 그래서 많은 사람들은 컴퓨터가 인간을 이기기 힘들 것이라고 생각했습니다. 그러나 알파고는 딥러닝과 강화학습을 결합해 인간의 한계를 뛰어넘는 성과를 거두었고, 인공지능이 현실에서도 인간을 능가하는 가능성을 보였습니다.

딥러닝의 전성시대

이후 생성형 인공지능과 언어 모델(LLM, Large Language Model)의 등장은 우리가 인공지능의 혜택을 일상에서 누리게 해 주었습니다. ChatGPT와 같은 언어 모델은 사람과의 대화에서 자연스럽게 맥락을 이해하고 답변을 제공합니다. 우리가 유튜브에서 듣는 목소리나 블로그에서 보는 이미지 중 상당수가 이제는 인공지능에 의해 만들어지고 있습니다.

인공지능 황금기를 이끈 일등공신

어떻게 지금의 인공지능의 황금기를 맞이할 수 있었을까요?

그 이유는 크게 딥러닝 모델의 성능, 방대한 학습 데이터, 그리고 하드웨어의 발전의 삼박자가 잘 맞아 떨어졌기 때문입니다.

딥러닝 모델의 혁신적인 성능

초기의 인공지능 모델은 비교적 단순한 신경망과 머신러닝 알고리즘을 사용했습니다. 그러나 딥러닝은 층이 많아질수록 더 복잡한 패턴을 학습할 수 있어서 인공지능의 성능을 획기적으로 향상했습니다. 오늘날에는 수조 개의 파라미터를 가진 거대한 모델까지 발전해, 자연어 처리, 이미지 인식, 음성 인식 등 다양한 분야에서 뛰어난 성능을 보여주고 있습니다.

방대한 학습 데이터

인공지능이 효과적으로 학습하려면 대량의 데이터가 필수적입니다. 2000년대 이후 인터넷, 모바일, SNS의 발달로 엄청난 양의 데이터가 쌓였고, 이를 바탕으로 더 크고 강력한 딥러닝 모델을 학습할 수 있었습니다.

하드웨어의 발전

거대한 딥러닝 모델을 방대한 데이터로 학습시키려면 엄청난 양의 연산이 필요합니다. 과거에는 이러한 대규모 연산이 불가능했기 때문에 인공지능의 발전이 더디었지만, 오늘날은 상황이 달라졌습니다. GPU(Graphics Processing Unit)는 원래 컴퓨터 그래픽과 3D 게임 렌더링을 위해 개발된 하드웨어였지만, 높은 연산 성능 덕분에 딥러닝의 필수 부품이 되었습니다. 또한, CPU와 메모리의 성능이 급속도로 발전하면서 딥러닝에 요구되는 연산을 할 수 있는 발판이 마련되었습니다.

마치면서

이번에 인공지능의 시작과 겨울, 황금기와 이를 가능하게 한 세 가지 요인을 살펴봤습니다.

다음에는 최신 인공지능 소식으로 찾아뵙겠습니다. 인공지능 관련해서 궁금한 것이나 알고 싶은 것이 있다면 댓글로 남겨주세요.

읽어주셔서 감사합니다.

---

참고

🔖브런치 스토리에서 화, 금에 연재중입니다(클릭)