[Wiki] 1. AI

1. AI란?

• 원래 사람이 하던 판단/학습/추론/인식 같은 일을 컴퓨터가 수행하도록 만드는 기술 또는 연구 분야

 

2. 구현 방식

구분	규칙 기반 AI	학습 기반 AI
정의	사람이 규칙과 논리를 직접 작성하는 방식	컴퓨터가 데이터에서 패턴을 학습하는 방식
작동 방식	입력이 들어오면 미리 정한 규칙에 따라 판단함	많은 데이터를 학습한 뒤 새로운 입력을 예측하거나 분류함
장점	판단 과정을 설명하기 쉽고 결과를 통제하기 쉬움	복잡한 패턴을 처리하고 다양한 상황에 적용하기 좋음
단점	모든 상황과 예외 규칙을 사람이 작성하기 어려움	왜 그런 결과가 나왔는지 설명하기 어렵고 데이터 품질에 영향을 받음
예시	전문가 시스템 탐색/계획 추론	머신러닝 딥러닝(자연어 처리, 음성 인식, 대규모 언어 모델, 컴퓨터 비전)

 

3. 분류

평가 관점

평가 관점	핵심 의미	예시
인간처럼 사고하기	사람의 사고 과정을 모방하는 관점	인간의 기억·학습·문제 해결 과정 모방
인간처럼 행동하기	사람이 하는 것처럼 행동하는 관점	자연스럽게 대화하는 챗봇, 튜링 테스트
합리적으로 사고하기	논리적으로 올바른 결론을 도출하는 관점	논리 규칙을 이용한 정리 증명
합리적으로 행동하기	목표 달성에 가장 적절한 행동을 선택하는 관점	자율주행, 로봇, AI 에이전트

 

능력 관점

구분	약인공지능	강인공지능(AGI)
정의	특정한 목적이나 문제 해결에 특화된 AI	인간처럼 다양한 분야를 이해하고 적응하는 범용 AI
능력 범위	잘할 수 있는 범위가 한정됨	여러 분야의 문제를 폭넓게 처리함
학습 방식	주어진 데이터와 목적 안에서 학습함	새로운 문제에 필요한 지식을 스스로 학습함
문제 해결	정해진 분야의 문제를 해결함	처음 보는 문제도 이해하고 해결 방법을 찾음
계획과 수정	미리 설계된 범위 안에서 작동함	계획을 세우고 실패하면 방법을 수정함
적응 능력	새로운 환경에 대한 적응이 제한적임	새로운 환경에서도 학습하고 적응함
현재 상태	현재 사용하는 대부분의 AI가 해당함	아직 완전히 구현됐다고 보기 어려움
예시	얼굴 인식, 번역, 상품 추천, 바둑 AI	인간처럼 코딩·과학·언어·계획 등을 모두 수행하는 범용 AI

 

4. 역사

• AI는 1950년대부터 약 70년 이상 발전해왔음 (갑자기 등장한 기술이 아님)
• 각 시대의 기술이 다음 세대 AI의 기반이 됨

1. 1950년 (튜링 테스트): 앨런 튜링이 기계의 지능을 판단하기 위해 제안함. (대화했을 때 이게 기계인지 구분 가능한가를 기준으로)
2. 1956년: 다트머스 회의에서 ‘인공지능’이라는 이름이 본격적으로 사용되며 독립 학문으로 출발했다.
3. 1956~1970년대 초: 탐색, 논리, 정리 증명, 게임 같은 상징적 AI가 빠르게 발전했다.
4. 1970년대: 컴퓨터 성능과 데이터, 상식 표현의 한계로 첫 번째 AI 겨울이 시작됐다.
5. 1980년대 초 (전문가 시스템): 특정 분야의 전문가 지식을 컴퓨터에 입력하여, 사람이 의사결정을 내릴 수 있도록 조언하는 시스템
6. 1980년대 후반: 전문가 시스템의 높은 비용과 낮은 확장성으로 두 번째 AI 겨울이 찾아왔다.
7. 1990년대: AI 연구가 머신러닝, 로봇공학, 컴퓨터 비전처럼 구체적인 세부 분야로 나뉘어 발전했다.
8. 2000년대(머신러닝): 컴퓨터 성능과 데이터가 증가하면서 통계적 머신러닝이 널리 활용되기 시작했다.
9. 2010년대(딥러닝): GPU, 빅데이터, 신경망 발전으로 딥러닝이 이미지·음성·번역 분야에서 큰 성과를 냈다.
10. 2020년대(생성형 AI): 대규모 언어 모델과 생성형 AI가 글, 이미지, 코드 등을 생성하는 단계로 발전했다.
11. 현재(Agentic AI): AI가 도구를 사용하고 계획과 실행을 반복하는 AI 에이전트와 에이전틱 AI로 확장되고 있다.

 

5. 문제

• 프레임 문제: 어떤 행동이 일어났을 때, 무엇이 변했고 무엇은 그대로인지 컴퓨터가 판단하기 어려운 문제
• 상식 문제: 사람이 당연하게 알고 있는 일상적인 지식을 컴퓨터가 충분히 갖고 추론하기 어려운 문제

 

6. 한계

1. 환각: 사실이 아닌 내용을 그럴듯하게 만들어낼 수 있다.
2. 데이터 편향: 학습 데이터의 차별과 오류를 그대로 반영할 수 있다.
3. 설명 가능성 부족: 왜 그런 판단을 했는지 명확히 설명하기 어려울 수 있다.
4. 상식 부족: 사람이 당연히 아는 일상적인 상황을 제대로 이해하지 못할 수 있다.
5. 새로운 상황에 취약: 학습하지 않은 예외적인 환경에서 성능이 크게 떨어질 수 있다.
6. 목표 오해: 사용자의 의도보다 주어진 목표를 잘못된 방식으로 달성할 수 있다.
7. 통제 문제: 자율성이 높아질수록 예상하지 못한 행동을 할 가능성이 커진다.
8. 개인정보 문제: 학습과 처리 과정에서 개인정보가 유출되거나 오용될 수 있다.
9. 보안 취약점: 악성 입력, 데이터 오염, 모델 탈취 같은 공격을 받을 수 있다.
10. 높은 비용: 대형 AI 모델은 학습과 실행에 많은 컴퓨팅 자원과 전력이 필요하다.
11. 최신 정보 부족: 학습 시점 이후의 정보나 실시간 상황을 모를 수 있다.
12. 책임 소재 불명확: AI가 잘못된 판단을 했을 때 책임 주체를 정하기 어렵다.
13. 일자리 변화: 일부 반복 업무와 전문 업무를 자동화해 고용 구조를 바꿀 수 있다.
14. 사고력 의존: AI에 과도하게 의존하면 인간의 판단력과 문제 해결 능력이 약해질 수 있다.

 

출처

• Wiki - AI
• IBM Technology (youtube) - A Brief History of AI: From Machine Learning to Gen AI to Agentic AI