인공지능(AI)은 인간이 수행할 때 지능이 필요하다고 이해되는 작업, 예를 들어 환경 인식, 언어 이해, 문제 해결, 의사 결정 등을 수행하는 기계와 소프트웨어를 구축하는 것과 관련된 컴퓨터 과학의 한 분야이다. 이 분야는 인간의 전문 지식을 직접 부호화하는 규칙 기반 시스템부터 데이터에서 행동을 학습하는 통계적 모델에 이르기까지 다양한 접근 방식을 포괄한다.
이 용어는 1956년 워크숍을 위해 만들어졌으며, 그 이후로 공개적 관심의 확대와 축소를 반복하는 일련의 기법들을 설명해 왔다.
역사
이 분야의 창립 순간은 일반적으로 1956년 다트머스 워크숍으로 여겨지며, 이 워크숍은 존 매카시가 제안서에서 "인공지능"이라는 용어를 처음 사용한 자리였다. 초기 AI 연구는 상징적 AI에 중점을 두었다: 논리, 탐색, 수작업으로 작성된 규칙 등이 그것이다. 이러한 접근 방식은 정리 증명기와 같은 초기 성공을 거두었고, 이후 1980년대에는 상업용 전문가 시스템으로 이어졌지만, 시각과 언어처럼 명시적 규칙으로 다루기 어려운 작업에서는 어려움을 겪었다. 자금 지원 중단은 좌절과 과장된 기대에 뒤이어 발생했으며, 연구자들은 이를 AI 겨울이라고 부른다. 특히 1973년 영국 정부의 비판적 보고서 이후와 1980년대 후반 전문가 시스템의 확장 실패 이후에 그러했다.
한편, 초기에는 주변적이었던 통계적 및 연결주의적 방법론이 1980년대를 거치며 다시 주목을 받았고, 결정적으로 2012년에는 알렉스넷이라는 심층 합성곱 신경망이 주요 이미지 인식 벤치마크에서 이전 방법들을 압도적으로 능가하면서 심층 학습 시대를 열었다.
심층 학습은 2010년대를 통해 시각, 음성, 언어 처리 분야에서 꾸준히 발전했다. 2017년에 도입된 트랜스포머 아키텍처는 훨씬 더 큰 규모의 텍스트 모델 학습을 가능하게 했고, 이는 대규모 언어 모델 패러다임으로 이어졌다. 2022년 11월 ChatGPT 출시는 대화형 AI를 대중에게 널리 알렸고, 종종 AI 붐이라고 불리는 투자와 대중적 관심의 물결을 촉발했다.
접근 방식
AI 연구는 종종 지식의 명시적 표현을 조작하는 상징적 접근 방식과 데이터에서 암시적 표현을 학습하는 연결주의적 또는 통계적 접근 방식으로 나뉜다. 머신 러닝은 현재 지배적인 패러다임으로, 지도 학습, 비지도 학습, 강화 학습을 포함한다. 학습된 구성 요소와 상징적 추론 또는 탐색을 결합하는 하이브리드 접근 방식은 여전히 활발한 연구 방향이며, 특히 신뢰할 수 있는 논리적 추론이 필요한 작업에서 두각을 나타낸다.
응용 및 영향
AI 시스템은 검색, 번역, 추천, 의료 진단, 단백질 구조 예측과 같은 과학 연구, 자율 주행 차량 등에 걸쳐 배포되고 있으며, 점차 일반 목적의 비서와 코딩 도구로도 확장되고 있다. 2024년 이후에는 언어 모델과 도구 사용 및 다단계 계획을 결합한 유능한 AI 에이전트 시스템의 부상으로, AI의 역할이 질문에 답하는 것에서 독립적으로 작업을 완수하는 것으로 확장되었다.
논쟁
오랜 논쟁은 현재의 기술이 본질적으로 모든 인지 작업에서 인간 수준의 능력을 갖춘 시스템인 인공 일반 지능으로 이어질 수 있는지, 그리고 그러한 시스템이 어떤 위험을 초래할 수 있는지에 관한 것이다. 앨런 튜링의 1950년 논문은 기계 지능에 대한 실용적 검사 기준, 즉 현재 튜링 테스트로 알려진 것을 제안했지만, 그 적절성은 널리 논쟁의 대상이 된다. 비판론자들은 유창한 텍스트 생성이 이해를 의미하지는 않는다고 주장하는 반면, 지지론자들은 창발적 능력을 일반 지능을 향한 진정한 진전의 증거로 지적한다.