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 데 관련된 컴퓨터 과학의 한 분야이다. 이 분야는 인간의 전문 지식을 직접 인코딩하는 규칙 기반 시스템부터 데이터에서 행동을 학습하는 통계적 모델에 이르기까지 다양한 접근 방식을 포괄한다.
이 용어는 1956년 워크숍에서 처음 사용되었으며, 이후 다양한 기법들을 지칭하며 대중의 관심이 과대 광고와 실망의 주기를 통해 확장되고 축소되어 왔다.
역사
이 분야의 창립 순간은 일반적으로 1956년 Dartmouth workshop으로 간주되며, 이는 제안서에서 "인공지능"이라는 용어를 만든 John McCarthy가 조직했다. 초기 AI 연구는 Symbolic AI를 강조했다: 논리, 탐색, 수작업으로 코딩된 규칙. 이 접근 방식은 정리 증명기와 같은 초기 성공을 낳았고, 이후 1980년대에는 상업용 전문가 시스템으로 이어졌지만, 시각과 언어와 같이 명시적 규칙에 저항하는 작업에서는 어려움을 겪었다. 자금 지원 중단은 좌절과 부풀려진 기대에 이어 연구자들이 AI winter라고 부르는 상황을 초래했으며, 특히 1973년 영국 정부의 비판적 보고서 이후와 1980년대 후반 전문가 시스템이 확장에 실패하면서 다시 발생했다.
병행적이고 처음에는 주변적이었던 연구 노선은 통계적 및 연결주의적 방법을 추구했다. Perceptron(1958)은 단일 훈련 가능한 뉴런을 모델링했지만, 문서화된 한계로 인해 첫 번째 AI 겨울에 기여했다. 관심은 1980년대를 거쳐 부활했고, 결정적으로 2012년에는 AlexNet이라는 심층 합성곱 신경망이 주요 이미지 인식 벤치마크에서 이전 방법을 극적으로 능가하여 현대 Deep learning 시대를 시작한 것으로 널리 인정받는 결과를 얻었다. 그래픽 처리 장치(GPU)를 사용하여 신경망을 가속화한 것이 이 돌파구의 핵심 요인이었다.
딥러닝은 2010년대를 통해 시각, 음성, 언어 처리의 진전으로 성숙해졌다. 2017년 Transformer (architecture) 아키텍처는 텍스트에서 훨씬 더 큰 모델을 훈련할 수 있게 하여 Large language model 패러다임으로 이어졌다. 2022년 11월의 Launch of ChatGPT는 대화형 AI를 광범위하게 접근 가능하게 만들었고, 종종 AI 붐이라고 불리는 투자와 대중의 관심의 물결을 촉발했다.
접근 방식
AI 연구는 종종 지식의 명시적 표현을 조작하는 상징적 접근 방식과 데이터에서 암묵적 표현을 학습하는 연결주의적 또는 통계적 접근 방식 사이에서 나뉜다. Machine learning은 지도 학습, 비지도 학습, 강화 학습을 포함하는 지배적인 현대 패러다임이다. 학습된 구성 요소를 상징적 추론이나 탐색과 결합하는 하이브리드 접근 방식은 특히 신뢰할 수 있는 논리적 추론이 필요한 작업에서 여전히 활발한 연구 방향이다.
AI 연구의 전통적 목표에는 학습, 추론, 지식 표현, 계획, 자연어 처리, 지각, 그리고 Robotics 지원이 포함된다. 기법에는 상태 공간 탐색, 수학적 최적화, 형식 논리, 인공 신경망, 그리고 통계학, 운영 연구, 경제학의 방법이 포함된다. AI는 또한 심리학, 언어학, 철학, 신경과학에서도 이끌어낸다.
응용 및 영향
AI 시스템은 검색, 번역, 추천, 의료 진단, 단백질 구조 예측과 같은 과학 연구, 자율 주행 차량, 그리고 점점 더 범용 비서와 코딩 도구로 배포되고 있다. 2024년 이후 유능한 AI agent 시스템의 부상은 언어 모델과 도구 사용 및 다단계 계획을 결합하여 AI를 질문에 답하는 것에서 독립적으로 작업을 완료하는 것으로 확장했다.
주목할 만한 응용 분야에는 고급 웹 검색 엔진, 챗봇, 가상 비서, 자율 주행 차량, 전략 게임(예: 체스와 바둑)에서의 플레이 및 분석, 그리고 콘텐츠 생성(예: 텍스트, 이미지, 오디오, 비디오)이 포함된다.
논쟁
오랜 논쟁은 현재 기술이 본질적으로 모든 인지 작업에서 인간 수준의 능력을 가진 시스템인 Artificial general intelligence로 이어질 수 있는지, 그리고 그러한 시스템이 어떤 위험을 초래할 수 있는지에 관한 것이다. 앨런 튜링의 1950년 논문은 현재 Turing test로 알려진 기계 지능에 대한 운영 테스트를 제안했지만, 벤치마크로서의 적절성은 널리 논쟁된다. 비평가들은 유창한 텍스트 생성이 이해를 의미하지 않는다고 주장하는 반면, 지지자들은 일반 지능을 향한 진정한 진전의 증거로 창발적 능력을 지적한다.
OpenAI, Google DeepMind, Meta (AI research)와 같은 일부 회사는 AGI를 만드는 것을 목표로 한다. 윤리적 우려, AI의 장기적 영향, 환경적 영향, 그리고 잠재적 실존적 위험은 AI 규제에 대한 논의를 촉발했다.
최근 발전
2024년에는 중간 추론 체인을 생성하도록 훈련된 대규모 언어 모델의 한 유형인 추론 모델이 등장하여 수학과 코딩의 복잡한 문제에서 향상된 성능을 가능하게 했다. 이러한 모델은 상징적 추론 시스템과 달리 잘못된 출력이나 "환각"을 생성할 수 있다. 2020년대의 AI 붐은 Generative AI의 발전과 동시에 일어났으며, 이는 미디어의 생성과 수정을 가능하게 하여 널리 보급되었다. AI 안전 및 AI 사용으로 인한 의도하지 않은 결과와 피해 외에도 윤리적 우려, AI의 장기적 영향, 환경적 영향, 그리고 잠재적 실존적 위험은 AI 규제에 대한 논의를 촉발했다.