인공지능의 간략한 역사
1950년 튜링은 '계산 기계와 지능 Computing Machinery and Intelligence'라는 논문에서 기계가 생각할 수 있는지 테스트하는 방법, 지능적 기계의 개발 가능성, 학습하는 기계 등에 대해 썼다. 튜링은 인공지능의 아버지로 여겨진다.
1956년 여름 다트머스 컬리지에서 10명의 과학자가 모여 6주간 워크샵을 열었다. 존 메카시가 주최하고 클로드 셰넌, 마빈 민스키 등이 참여한 이 다트머스 학회는 인공지능학의 시초로 여겨진다.
이 시기 연구자들은 "기계는 절대로 X를 할 수 없어!"라는 주장에 반박하는 시스템을 만들었다. 제한된 환경을 구축하고 그 속에서 X를 할 수 있는 시스템을 만듦으로써, 이론적으로 기계가 X를 할 수 있다는 것을 보여주고자 하였다. 이 방식은 더 어려운 문제들이나 더 넓은 문제로 확장 적용시키기 어려운 것으로 드러났다. '조합 폭발 combinatorial explosion'이 그 이유 중 하나이다. 이를 피하기 위해서는 알고리듬이 휴리스틱한 검색, 계획, 유동적인 추상화 등을 활용해서 대상 영역의 구조를 파악하고 사전 지식을 활용해야 하는데 초기 AI 시스템에서는 이를 거의 발전시키지 못했다. 초기 AI 시스템의 성능은 불확실성에 대한 취약성, 근거 없는 상징적 재현에 대한 의존, 데이터 부족, 메모리 용량과 프로세서 속도 제한에도 영향을 받았다.
1970년대: AI 겨울
1970년대 중반에 이르러 AI 시스템이 절대로 애초의 기대를 만족시키 못할 것이라는 인식이 펀딩 삭감으로 이어지면서 AI 겨울이 시작되었다.
1980년대: 전문가 시스템
1980년대 초반 일본이 AI를 위한 대규모 펀딩, Fifth-Generation Computer System Project를 런칭했다. 일본이 전후 경제 기적의 정점에 있던 이 시기, 서구에서는 일본의 방식에 관심을 갖고 있었고 몇몇 나라들이 일본을 따라 AI에 투자 했다. 이 때는 결정권자들의 판단을 돕기 위한 전문가 시스템 expert system이 발전했다. 인간 전문가들의 지식을 하나하나 입력해 만든 규칙 기반 시스템이었다. 수백개의 시스템이 만들어졌지만 소규모 시스템은 효용이 적었고 대규모 시스템은 개발, 유지비가 높았고 사용하기도 어려웠다. 1980년대 후반 두 번째 'AI 겨울'이 찾아왔다.
1990년대: 자연의 모방
1990년대에는 전통적인 논리주의 패러다임을 대체하여 고차원의 상징 조작에 집중하는 새로운 기술이 등장하면서 AI에 대한 낙관론이 다시 고개를 들었다. 여기에는 뉴럴 네트워크와 유전 알고리듬이 포함되는데, '불안정성 brittleness'와 같은 전통 AI의 약점을 극복할 것으로 여겨졌다. 더 중요한 것은 뉴럴 네트워크가 경험을 통해서 배우고 사례들로부터 자연스러운 일반화 방식을 찾아냈으며, 숨은 통계적 패턴을 발견했다는 것이다. 따라서 뉴럴 네트워크는 패턴 인식과 분류에 유용했다. 유전 알고리듬과 유전 프로그래밍 같은 진화기반 방식은 뉴럴 네트워크보다는 학계에 끼친 영향이 덜했지만 널리 활용되었다. 진화적 방법에서는 후보 솔루션들과, 조합과 돌연변이 방식으로 새롭게 생성되는 후보 솔루션을 세대를 거듭해가며 최적자를 선택해 가면서 더 나은 솔루션을 찾아가는 방식이다. 이는 다양한 문제에 대한 효율적인 솔루션을 만들수 있었지만 진화적 방식이 잘 작동하기 위해서는 representational format을 잘 만들어야 하는 등의 어려움이 있고 조합 폭발 등의 문제도 있다.
2010년대: AI의 현재와 미래
지난 20년 간 가장 큰 이론적 발전 중 하나는 이질적인 테크닉들을 공통의 수학적 프레임으로 설명할 수 있게 된 것이다. 예를 들어 뉴럴 네트워크를 분류기 classifier로 볼 수 있다. 같은식으로 유전 알고리듬은 최적화 optimization을 위한 알고리듬 중 하나로 볼 수 있다. 가장 이상적인 것은 주어진 정보를 최적으로 사용하는 완벽한 베이지안 에이전트일 것이다. 그러나 이는 계산량이 너무 많이 요구된다. 따라서 AI를 최적성과 일반성을 어느 정도 희생하면서 충분히 괜찮은 성능을 발휘하는 대략적인 베이지안 이상을 위한 지름길을 찾는 문제로 볼 수 있을 것이다. 학습 문제를 일반적인 베이지안 추론 문제와 관련시켰을 때의 이점 중 하나는, 베이지안 추론을 효율적으로 만드는 새로운 알고리듬을 만든다면 이를 즉각적으로 다른 영역에 사용할 수 있다는 것이다. 또 다른 이점은 다른 분야의 연구자들이 서로의 발견을 쉽게 공유할 수 있다는 점이다.
AI는 이미 많은 영역에서 인간을 넘어서고 있다. 한 때 인간 지성의 전형으로 여겨졌던 체스에서 AI가 오래전 인간을 넘어섰다. 이제는 이것이 별로 대단해보이지도 않는다. 시간이 지남에 따라 AI에 대한 우리의 기대도 높아졌기 때문이다. 다른 영역에서는 애초의 예상보다 훨씬 복잡한 것으로 드러났다. 시각적 장면을 분석하고, 사물을 인식하고, 자연 환경에서 로봇을 컨트롤 하는 등의 일은 매우 어렵다. 하지만 지속적인 발전이 이루어지고 있다. 전문가 수준의 체스 AI는 다주 단순한 알고리듬으로 만들 수 있는 것으로 밝혀졌다. 다른 영역에도 마찬가지로 간단한 해결책이 발견 될지 모른다.
*Nick Bostrom의 Superintelligence Chapter 1을 기반으로 약간의 정보를 추가해서 정리했다.
*추가 참고자료
- 앨런 튜링의 '계산 기계와 지능'
