AI·ML·DL

src/content/documents/ai-fundamentals/history-of-ai-and-ai-ml-dl-relationship.json

왜 AI의 역사부터 알아야 할까

AI, 머신러닝, 딥러닝이라는 세 단어는 뉴스와 채용 공고에서 거의 같은 의미처럼 섞여 쓰인다. 하지만 셋은 서로 다른 크기의 개념이고, 지금의 딥러닝 중심 흐름도 반세기가 넘는 시행착오 위에 서 있다. 이 글은 다트머스 회의부터 ChatGPT까지 AI의 주요 전환점을 정리하고, AI·머신러닝·딥러닝이 실제로 어떤 관계인지 짚는다.

두 번의 큰 침체기(AI Winter)를 알아두면 지금의 생성형 AI 붐을 더 냉정하게 볼 수 있다는 것도 이 글에서 얻어갈 점이다.

AI 발전사: 다트머스 회의부터 ChatGPT까지

아래 표는 AI 연구에서 반복적으로 인용되는 전환점을 연대순으로 정리한 것이다. 괄호로 표시한 수치와 세부 사실은 각 사건의 공식 자료로 확인했다.

연도

사건

의미

1956

다트머스 회의(Dartmouth Conference)

존 매카시(John McCarthy)가 “인공지능(Artificial Intelligence)”이라는 용어를 처음 제안하며 AI 연구의 공식 출발점이 됐다.

1966~1973

1차 AI 겨울

초기 자연어 처리 시스템(ELIZA 등)이 기대에 못 미치며 연구 자금과 관심이 급격히 줄었다.

1980

전문가 시스템의 부상

규칙 기반 전문가 시스템(XCON 등)이 기업 문제 해결에 쓰이며 AI의 상업적 가능성이 처음 인정받았다.

1987~1993

2차 AI 겨울

전문가 시스템의 유지비용과 확장성 한계가 드러나며 투자가 다시 축소됐다.

1997

Deep Blue vs 카스파로프

IBM의 Deep Blue가 정규 시간 규정 하에 현역 세계 체스 챔피언을 처음으로 이겼다. 1996년 1차 대결은 카스파로프가 이겼고, 1997년 재대결에서 Deep Blue가 3.5:2.5로 승리했다.

2012

AlexNet과 딥러닝의 부활

ImageNet(ILSVRC) 대회에서 CNN 기반 AlexNet이 top-5 오류율 15.3%로 2위(26.2%)를 큰 격차로 제쳤다. GPU 기반 학습 확산의 계기가 됐다.

2016

알파고 vs 이세돌

DeepMind의 알파고가 프로 기사 이세돌을 4:1로 이겼다. 딥러닝과 강화학습, 트리 탐색을 결합한 성공 사례로 꼽힌다.

2018

BERT 공개

Google이 양방향 사전학습 Transformer 모델 BERT를 발표했다(논문 2018년 10월, 오픈소스 공개 11월). 11개 NLP 과제에서 최고 성능을 기록했다.

2022

ChatGPT 공개

OpenAI가 2022년 11월 30일 GPT-3.5 기반 대화형 서비스를 무료 리서치 프리뷰로 공개하며 생성형 AI 대중화가 시작됐다.

두 번의 AI 겨울이 남긴 교훈

ELIZA는 정해진 패턴에 따라 문장을 되묻는 것뿐이었지만, 사용자들은 기계가 자신을 이해한다고 느꼈다(ELIZA Effect). 패턴 매칭을 지능으로 착각한 과대평가가 기대와 현실의 격차를 키웠고, 그 격차가 연구 자금 급감으로 이어진 것이 두 번의 AI 겨울이다. 지금의 생성형 AI를 볼 때도 “그럴듯해 보이는 결과”와 “실제로 이해하고 일반화하는 능력”을 구분해서 보는 습관이 필요하다.

AI·머신러닝·딥러닝은 포함관계다

셋은 서로 경쟁하는 기술이 아니라 포함관계다. 머신러닝은 인공지능을 구현하는 여러 방법 중 하나이고, 딥러닝은 그 머신러닝 중에서도 인공신경망을 사용하는 방법이다.

계층

정의

대표 예시

인공지능(AI)

지각·인지·언어처리·행동 등에서 인간처럼 지능적으로 동작하는 시스템을 만들려는 가장 넓은 연구 분야

규칙 기반 시스템, 탐색 알고리즘, 머신러닝 전체

머신러닝(ML)

AI를 구현하는 방법 중 데이터에서 규칙(패턴)을 스스로 학습하는 접근

Random Forest, SVM, AdaBoost, Regularization

딥러닝(DL)

머신러닝 중에서도 인공신경망 기반이며, 얕은 모델(단순 퍼셉트론 등)의 한계를 극복하기 위해 제안됐다

CNN, RNN, GAN

단순 퍼셉트론은 선형 분리가 불가능한 문제를 풀 수 없었다. 이 한계를 계층적 구조(Forward/Backward propagation)로 넘어서려는 시도가 Neocognitron, CNN 같은 신경망 아키텍처로 이어졌고, 이 흐름이 오늘날 딥러닝이라고 부르는 영역이다.

정리

AI는 목표(지능적인 시스템)이고, 머신러닝은 그 목표에 도달하는 방법론 중 데이터 기반 접근이며, 딥러닝은 그 방법론 중 신경망을 쓰는 하위 갈래다. 역사를 보면 이 구분이 한 번에 정립된 것이 아니라 겨울을 두 번 지나며 데이터와 컴퓨팅 자원이 쌓인 뒤에야 실제 성능으로 증명됐다는 것을 알 수 있다.

참고 자료

댓글 0

댓글을 불러오는 중…