우리에게 인공지능이란 단어가 익숙해진 것은 비교적 최근이지만 실제 AI의 역사는 그것보다 훨씬 더 오래되었습니다. 그동안 인공지능을 만들기 위한 수많은 노력이 있었고, 한때는 인공지능이 실현 불가능한거라 여기기도 하였습니다. 그렇다면 현재의 인공지능을 갖추기까지 어떠한 일들이 있었을까요?
2. AI의 역사
AI의 탄생은 마빈 민스키가 1956년 다트머스 회의에서 인공지능이라는 단어를 만들면서 최초로 언급되었습니다. 앨런 튜링이 구안한 생각하는 기계를 최초의 인공지능으로 보기도 하지만, 공식적인 단어의 출현은 다트머스 회의에서 였습니다.
기계에 어떻게 인간의 생각을 주입할지 여러 분야의 학자들이 모여 논의한 후 인공지능이라는 단어를 만들고 연구를 지속하였습니다.
(출처 : https://www.slideshare.net/DavidBalduzzi/irfml)
인공지능의 학문적 계열은 기호주의와 연결주의로 나눌 수 있습니다. 인공지능의 두갈래 계열을 바탕으로 인공지능의 역사가 어떻게 발전해왔는지를 살펴보도록 합시다.
인공지능이라는 단어가 만들어지기 이전에도 인공지능과 관련된 연구가 있었습니다. 맥컬럭과 피츠는 인간의 뇌에서 뉴런이 작용하는 원리를 본떠 논리 모델을 만들었습니다.
그리고 뇌세포가 연결이 되면서 학습이 되는 과정을 도널드 헵이 밝혀냈습니다
프랭크 로잰블랫
(출처: https://brunch.co.kr/@jk-lab/13)
프랭크 로젠블랫은 이렇게 인간의 신경망을 따라한 인공 신경망을 퍼셉트론이라고 부르는 프로그램으로 구현해냈습니다.
그는 인간의 뇌에서 일어나는 학습 원리를 ‘가중치(Weight)’라는 개념을 추가하여 만들어냈습니다. 논리적인 계산을 염두에 둔 인공신경망은 이미지 인식과 만나면서 좀더 다양한 측면에서 인공지능을 활용할 수 있게 되었습니다.
대표적인 연구로 허블과 비셀은 고양이 두뇌를 이용한 실험을 했는데, 전극을 꽂아 고양이가 시각 정보를 어떻게 처리하는지를 분석했습니다. 이때 발견한 것은 이미지를 통째로 한번에 인식하는 것이 아니라 이미지를 소수의 뉴런이 쪼개어서 각각 받아들인 것이었습니다.
1960년대에 인공지능의 패러다임은 연결주의로 흥하는 것 같았으나 마빈 민스키와 세이무어 페퍼트가 출간한 퍼셉트론즈라는 책에서 퍼셉트론의 문제점과 한계를 지적하면서 발전이 잠시 지연되었습니다. 이 시기를 인공지능의 겨울이라고 부르기도 합니다.
한편 지식을 기호화하여 논리적으로 표현하고, 문제를 해결하려는 시도는 기호주의라는 인공지능의 계열로 발전을 이어왔습니다. 근본적으로 1과 0에서 시작되었고, 이진법을 가지고 셈할 수 있는 다양한 논리식과 알고리즘이 발전하였습니다.
계산 기계의 발전은 어려운 수학적인 문제들을 해결하기 위한 방향으로 이어졌습니다. 인공지능을 활용하여 논리적인 추론을 이루어내기 위해서는 지식을 컴퓨터가 이해할 수 있는 언어로 표현할 수 있어야 하는데, 이를 위해 LISP, Prologue와 같이 컴퓨터에서 사용되는 언어들이 개발되었습니다.
LISP(List Processor)는 기호로 된 표현의 프로그래밍 조작을 수월하게 할 수 있도록 합니다. 구조적인 데이터를 상징적인 표현으로 만들어 사람이 읽을 수 있는 텍스트 형태로 나타내는 방법을 말합니다.
| LISP 예시 | 설명 |
| (+ 3 3) | 3과 3을 더하여 6을 돌려줍니다. |
| (defun square(x) (* x x) | x라는 수를 제곱하여 돌려주는 함수를 정의합니다. |
| (square 3) | 위의 정의된 함수를 수행하여 3을 제곱한 수인 9를 돌려줍니다. |
이와 같은 언어로 만든 것 중 잘 알려진 것으로 논리 이론가(Logic Theorist)라는 프로그램은 하노이의 탑 퍼즐을 해결할 수 있었습니다.
(출처 : 위키백과)
(defun hanoitowers (disc src aux dst)
(cond ((> disc 0)
(hanoitowers (- disc 1) src dst aux)
(princ (list “Move” disc “from” src “to” dst))
(hanoitowers (- disc 1) aux src dst))))
LISP로 하노이의 탑 문제를 해결하는 과정
이렇게 수학문제를 해결하는 것에서 시작하여 인간의 지식을 저장하여 논리적인 추론을 하고 새로운 답을 내어놓기도 하였습니다. 이것을 전문가 시스템이라고 부릅니다.
전문가 시스템은 특정 분야에 있는 지식들을 무더기로 모은 후 논리적 법칙을 적용하여 인간과 비슷한 연역적, 귀납적 추론을 할 수 있었습니다. 초기의 전문가 시스템으로 잘 알려진 것 중 화학 분자 구조를 추론하도록 개발된 덴드럴(DENDRAL)과 혈액 질환을 진단해주는 마이신(MYCIN)이 있습니다.
전문가 시스템은 특정 영역에서는 매우 유용하고 인간보다 뛰어난 저장 및 추론 능력을 지니고 있었지만, 개발비용이 너무 많이 들고 현재와는 달리 저장과 연산에 필요한 컴퓨터의 성능이 뒷받침되지 않았습니다. 전문가 시스템에 대한 비효율성과 회의감으로 인공지능의 붐은 거품이 되어 또다시 겨울을 맞았습니다.
수많은 학자들에 의해 인공지능을 발전시키는 데 해결해야 할 문제점들이 하나 둘씩 해결되었습니다. 먼저 퍼셉트론에서 지적된 해결할 수 없었던 XOR논리문제는 신경망을 이용하여 해결할 수 있었고 무어의 법칙이 적용된 하드웨어의 지속적인 성능 발전 인공지능의 구현을 가능하게 했습니다.
많은 사람들이 인공지능의 위상을 드높인 역사적인 사건으로 알파고와 이세돌의 대결을 꼽지만, 그 이전에도 인공지능과 인간의 대결은 여러 번 있었습니다. 딥 블루와 게리 가스파로프의 체스 플레이 대결, 제퍼디 퀴즈 쇼에서의 왓슨과 인간 챔피언과의 대결은 인간이 인공지능과의 대결에서 패한 사례로 많이 언급됩니다.
인공지능의 꽃이라고 불리우는 딥러닝은 제프리 힌튼에 의해 개발되었습니다.
딥러닝은 힌튼에 의해 처음 사용하였고, 인공신경망을 사용한 이미지 인식의 정확도가 눈에 띄게 높아지면서 사람들은 인공지능의 가능성을 높이 사기 시작하였습니다.
2015년에는 사람보다 뛰어난 이미지 인식 능력을 보여주었고, 기술적인 측면에서 활용도가 매우 높아져서 지금은 어디에서나 이미지 인식을 활용한 자동화 기계 또는 프로그램들을 볼 수 있습니다.
이미지 인식의 오류율 변화 (출처: https://towardsdatascience.com )
놀라운 정확성과 효율성으로 인공지능은 4차 산업혁명을 이끌 독보적인 기술로 자리매김하였습니다.
어떤 분야에서든지 인공지능을 활용하여 업무의 효율성 및 생산성을 높일 수 있으며 이로 인한 경제적인 파급효과는 어마어마합니다.
인공지능을 성공적으로 구현할 수 있는 머신러닝, 딥러닝은 강력한 컴퓨팅파워와 함께 새로운 시대를 열어갈 태동기에 있습니다.
Think Good AI
인공지능이 발전하여 사람을 이기고 많은 지식을 습득하여 저장 및 추론을 한다고 하였다. 그렇다면 인공지능이 똑똑하다고 할 수 있을까? 인공지능은 자신이 내린 결정에 스스로 책임질 수 있을까?