//
인공지능이라는 용어는 일상에서 매우 광범위하게 사용되지만, 정작 정확한 정의에 대해서는 합의가 부족하다. 저자는 이 점을 짚으며 AI, 머신러닝, 딥러닝이라는 용어가 혼용되는 현실적인 문제를 지적한다. 엄밀히 말하면 이 세 개념은 포함 관계에 있다.
| 용어 | 범위 | 설명 |
|---|---|---|
| 인공지능(AI) | 가장 넓음 | 인간의 지능을 모방하는 기술 전반 |
| 머신러닝(ML) | AI의 하위 | 데이터로부터 학습하는 알고리즘 |
| 딥러닝(DL) | ML의 하위 | 심층 신경망 기반 학습 |
실무에서 "AI"라는 단어가 단순 자동화부터 딥러닝까지 모든 것을 지칭하는 데 쓰이면서, 기술의 실체를 파악하기 어렵게 만드는 경우가 많다. 이 책의 첫 장에서 이러한 용어 정리부터 시작하는 것은 입문서로서 올바른 접근이라 할 수 있다.
AI의 발전은 몇 번의 도약과 침체를 반복하며 진행되었다. 저자는 이 역사를 네 가지 주요 시점을 중심으로 정리한다.
프랭크 로젠블랫이 퍼셉트론을 발표하면서 신경망 연구의 시작을 알렸다. 인간의 뉴런 구조를 모방한 최초의 모델로, 단순한 분류 문제를 풀 수 있었다. 그러나 XOR 문제를 해결할 수 없다는 한계가 밝혀지면서 첫 번째 AI 겨울이 찾아왔다.
규칙 기반의 전문가 시스템이 부상하며 AI에 대한 기대가 다시 높아졌다. 특정 도메인의 전문 지식을 "만약 ~이면 ~한다"는 규칙으로 코딩하는 방식이었다. 하지만 규칙의 수가 기하급수적으로 늘어나면서 유지보수가 불가능해졌고, 두 번째 AI 겨울로 이어졌다.
GPU의 병렬 처리 능력이 신경망 학습에 활용되기 시작하면서, 이전에는 불가능했던 대규모 연산이 현실적인 시간 안에 수행 가능해졌다. 하드웨어의 발전이 알고리즘의 가능성을 다시 열어준 셈이다.
2012년 알렉스넷이 이미지넷 대회에서 압도적인 성능을 보이면서 딥러닝 시대가 본격적으로 열렸다. 이후 다양한 아키텍처가 등장하며 컴퓨터 비전, 자연어 처리, 음성 인식 등 여러 분야에서 비약적인 발전이 이루어졌다.
저자는 AI가 실제로 활용되고 있는 대표적인 사례들을 소개한다. 이미지 인식, 자연어 처리, 게임, 자율주행 등 다양한 분야에서 AI가 이미 사람의 능력에 근접하거나 이를 초월하는 성과를 보이고 있다.
다만 이러한 사례들이 모두 "범용 인공지능"을 의미하는 것은 아니라는 점을 기억해야 한다. 현재의 AI는 특정 과제에 특화된 "좁은 인공지능(Narrow AI)"이며, 한 가지 과제에서 뛰어난 성능을 보이더라도 다른 과제로의 전이가 자유롭지 않다.
1부는 AI라는 기술을 바라보는 올바른 프레임을 잡아준다. 용어의 정확한 구분, 기술 발전의 맥락, 그리고 현재의 한계를 이해하는 것이 이후 머신러닝, 딥러닝, 트랜스포머를 공부하는 데 있어 필수적인 기초가 된다.