1956년 미국 다트머스 대학교에서 '인공지능'이라는 단어가 처음 세상에 등장했습니다. 저는 학교에서 학생들에게 인공지능을 가르치는 강사입니다. 처음 초·중·고 수업에서 아직 완성도가 낮은 AI 결과물을 보여줬을 때 학생들의 눈이 동그래지던 그 순간이 아직도 생생한데, 불과 몇 년 만에 휴대폰으로 매일 쓰는 기술이 됐습니다. 두려움보다는 제대로 아는 것이 먼저라고 생각해 이 글을 씁니다.
인공지능의 역사와 기원 — 부흥과 좌절을 반복한 70년
인공지능이 처음 학문으로 인정받은 건 1956년, 존 매카시 교수가 다트머스 세미나에서 'Artificial Intelligence'라는 용어를 제안하면서입니다. 당시 앨런 튜링, 마빈 민스키 같은 개척자들은 "컴퓨터가 인간처럼 생각할 수 있다"는 거대한 확신을 품고 있었습니다. 체스를 두거나 수학 정리를 증명하는 프로그램이 속속 등장했고, 세상은 들썩였습니다.
그런데 여기서 질문 하나, 그 낙관론은 얼마나 오래 갔을까요? 안타깝게도 그리 길지 않았습니다. 당시 하드웨어 성능은 복잡한 연산을 감당하기에 턱없이 부족했고, 규칙 기반 시스템(Rule-based System)의 한계가 드러났습니다. 여기서 규칙 기반 시스템이란 "만약 A라면 B를 수행하라"는 식으로 인간이 경우의 수를 일일이 입력해 기계를 움직이는 방식을 말합니다. 현실 세계는 예외투성이라 이 방식으로는 인간의 깊은 지능을 흉내 내는 데 한계가 분명했습니다.
결국 1970년대에 정부와 기업의 연구비가 끊기는 첫 번째 '인공지능의 겨울'이 찾아왔고, 1980년대에 전문가 시스템(Expert System)이 잠깐 반등을 이끌었습니다. 전문가 시스템이란 특정 분야 전문가의 지식을 데이터베이스로 구조화해 질의응답을 가능하게 한 초기 AI 모델입니다. 하지만 예외 상황 대처 실패와 천문학적인 유지비 문제로 두 번째 침체기가 또 찾아왔습니다. 저는 이 역사를 수업에서 가르칠 때마다 학생들에게 이렇게 묻습니다. "기술이 한 번에 완성된 적이 있었나요?" 답은 언제나 '아니오'였습니다.
- 1956년 다트머스 회의 — 인공지능 학문적 출발점, 존 매카시가 용어 제안
- 1970년대 — 첫 번째 '인공지능의 겨울', 하드웨어 한계와 데이터 부재
- 1980년대 — 전문가 시스템 부흥, 그러나 유지비·예외 처리 한계로 두 번째 침체
- 2000년대 이후 — 빅데이터·GPU 등장으로 딥러닝 혁명의 토대 마련
딥러닝과 생성형 AI — 날개를 달았지만 칼날도 있다
두 차례 겨울을 버텨낸 인공지능이 폭발한 결정적 계기는 2012년 이미지넷(ImageNet) 대회였습니다. 토론토 대학교 연구팀이 개발한 알렉스넷(AlexNet)이 경쟁 알고리즘들을 압도적 격차로 꺾으며 딥러닝(Deep Learning)의 시대를 열었습니다. 딥러닝이란 인간 뇌의 신경망 구조를 수학적으로 모방한 다층 인공신경망이 수억 개의 데이터에서 스스로 패턴을 발견해 학습하는 방식입니다. 규칙을 인간이 주입하는 게 아니라 기계 스스로 규칙을 찾아낸다는 점에서 패러다임 자체가 바뀐 것입니다(출처: Nature, Deep Learning 논문 — LeCun, Bengio, Hinton).
2016년 구글 딥마인드의 알파고(AlphaGo)가 이세돌 9단을 꺾었을 때, 제가 직접 수업 시간에 학생들과 중계를 봤는데 교실이 조용해졌던 기억이 납니다. 직관과 무한에 가까운 경우의 수로 버텨온 바둑마저 기계에 무너지자 학생들도 뭔가 달라졌다고 느꼈던 것 같습니다.
그리고 2022년 오픈AI의 챗GPT(ChatGPT) 등장으로 생성형 AI(Generative AI) 시대가 본격화됐습니다. 생성형 AI란 대규모 언어 모델(LLM, Large Language Model)을 기반으로 텍스트, 이미지, 코드 등을 사람처럼 직접 만들어내는 AI를 의미합니다. 여기서 LLM이란 수천억 개의 언어 데이터를 사전 학습해 언어의 맥락과 의도를 이해하도록 설계된 초대형 신경망 모델입니다. 솔직히 처음 챗GPT를 써봤을 때는 기대보다 결과의 완성도가 낮은 부분도 있어서 '이게 다야?' 싶었습니다. 그런데 하루가 다르게 달라지더군요. 지금은 논문 초안 작성, 코드 생성, 이미지 제작까지 하나의 도구로 처리하는 수준이 됐습니다(출처: OpenAI, GPT-4 Technical Report).
문제는 이 강력한 기술의 이면입니다. 가장 심각한 기술적 결함은 환각 현상(Hallucination)입니다. 환각 현상이란 AI가 사실이 아닌 정보를 마치 확실한 진실인 것처럼 그럴듯하게 출력하는 현상을 말합니다. 여기에 학습 데이터에 녹아든 인종 차별, 성별 편향 같은 데이터 편향(Data Bias) 문제, 타인의 창작물을 무단 학습하는 저작권 분쟁, 그리고 AI가 어떤 근거로 결론을 냈는지 설명할 수 없는 블랙박스(Black Box) 문제까지. 제 경험상 이 부분을 모르고 쓰는 사람들이 개인정보를 무심코 AI에 입력하는 경우를 수업 현장에서도 여러 번 봤습니다. 철학자 존 설(John Searle)의 '중국어 방 실험'이 지적하듯, 현재 AI는 언어를 처리할 뿐 진정으로 이해하고 사유하는 것은 아닙니다. 기술을 알아야 제대로 쓸 수 있다는 이유가 바로 여기 있습니다.
자주 묻는 질문
Q. 인공지능이랑 딥러닝은 같은 말인가요?
A. 같은 말이 아닙니다. 인공지능이 가장 큰 개념이고, 그 안에 기계가 데이터로 학습하는 머신러닝(Machine Learning)이 있으며, 딥러닝은 머신러닝의 한 방법론입니다. 쉽게 보면 인공지능 ⊃ 머신러닝 ⊃ 딥러닝 순으로 포함 관계라고 보시면 됩니다. 어떤 개념이 더 궁금하신가요?
Q. 챗GPT가 거짓말을 한다는 게 사실인가요?
A. 사실입니다. 이를 환각 현상(Hallucination)이라고 부르는데, AI가 그럴듯한 문장을 만들어내는 과정에서 사실과 다른 정보를 확신에 찬 어투로 내놓는 현상입니다. 특히 특정 인물의 경력이나 논문 인용 같은 세부 팩트 확인이 필요한 경우에는 반드시 원본 출처를 직접 검증해야 합니다. 믿기 전에 한 번 더 확인하는 습관, 지금 바로 시작해 보시겠어요?
Q. AI 때문에 일자리가 사라지는 건 피할 수 없나요?
A. 일부 직무의 변화는 불가피한 흐름으로 보입니다. 산업혁명 때도 기계가 사람의 일을 대체한다는 공포가 있었지만, 결국 그 기계를 다루는 새로운 직업들이 생겨났습니다. 중요한 건 AI에 대체되는 사람이 아니라 AI를 활용하는 사람이 되는 것인데, 그러려면 AI가 무엇인지 제대로 아는 것부터 시작해야 하지 않을까요?
Q. AI를 쓸 때 개인정보 유출이 걱정되는데 어떻게 해야 하나요?
A. 실명, 주민번호, 금융 정보 같은 민감한 개인정보는 AI 채팅창에 절대 입력하지 않는 것이 기본 원칙입니다. 많은 생성형 AI 서비스가 입력된 대화를 학습 데이터로 활용할 가능성이 있기 때문입니다. 도구를 알아야 안전하게 쓸 수 있다는 것, 이 글에서 꼭 가져가셨으면 합니다.
결론
산업혁명이 처음 시작됐을 때 기계에 밀려난다는 공포가 온 사회를 뒤덮었지만, 지금 우리는 그 결과물 없이는 하루도 살아가기 어렵습니다. 인공지능이라는 새로운 혁명도 다르지 않다고 생각합니다. 두려움으로 외면할수록 활용하는 사람과의 격차는 벌어질 뿐입니다.
제 경험상 AI를 가장 잘 쓰는 학생은 가장 많이 아는 학생이었습니다. 환각 현상이 있다는 걸 알기에 결과를 검증하고, 데이터 편향을 알기에 출력 결과를 비판적으로 읽습니다. 인공지능의 역사, 딥러닝의 원리, 생성형 AI의 가능성과 한계를 하나씩 이해해 가는 것이 AI를 두려움이 아닌 날개로 만드는 첫걸음입니다. 오늘 이 글이 그 시작이 되셨으면 합니다.