AI의 80년 발전 과정을 돌아보며, 이 5가지 역사적 교훈은 반드시 되새겨야 한다
글: Gil Press
번역: Felix, PANews
2025년 7월 9일, 엔비디아는 시가총액이 4조 달러에 도달한 최초의 상장 기업이 되었다. 앞으로 엔비디아와 요동치는 AI 분야는 어떤 길을 걸을 것인가?
예측은 어렵지만 이용 가능한 데이터는 풍부하다. 적어도 과거 예측이 왜 실현되지 않았고, 어느 방식으로, 어떤 이유로 실패했는지를 이해하는 데 도움이 될 수 있다. 이것이 바로 역사다.
인공지능(AI)의 80년 역사를 통해 우리는 무엇을 배울 수 있는가? 이 여정 속에서 자금 투자는 오르내렸으며, 연구 및 개발 방법은 천차만별이었고, 대중의 관심은 호기심에서 불안, 그리고 열광까지 오갔다.
AI의 역사적 시작점은 1943년 12월 신경생리학자 워런 S. 맥컬록과 논리학자 월터 피츠가 수리논리학에 관한 논문을 발표한 때이다. 논문 「신경 활동 내 고유 관념의 논리 연산」에서 그들은 이상화되고 단순화된 뉴런 네트워크를 추정하였으며, 이러한 네트워크가 어떻게 펄스를 전달하거나 차단함으로써 간단한 논리 연산을 수행할 수 있는지를 설명했다.
당시 조직화학이라는 분야를 개척하고 있던 랠프 릴리(Ralph Lillie)는 맥컬록과 피츠의 작업을 「실험적 사실」의 결여 속에서 「논리와 수학 모델에『현실성』을 부여하는 것」이라고 묘사했다. 이후 이 논문의 가정이 실증 검증을 통과하지 못하자, MIT의 제롬 렛빈(Jerome Lettvin)은 신경병리학과 신경생물학 분야가 이 논문을 무시했지만, 이 논문이 「오늘날 AI라고 불리는 새로운 분야의 애호자가 될 운명에 있는 집단에게 영감을 주었다」고 지적했다.
사실상 맥컬록과 피츠의 논문은 오늘날 지배적인 형태의 AI인 「연결주의(connectionism)」를 촉발시켰으며, 이를 지금은 「딥러닝(deep learning)」이라 부르고, 최근 다시 「AI」라 칭한다. 비록 이러한 접근법이 실제 뇌 작동 방식과 전혀 관련이 없음에도 불구하고, 이 AI 변형을 뒷받침하는 통계 분석 방법—즉 「인공신경망(artificial neural networks)」은 종종 AI 종사자들과 언론인들에 의해 「뇌를 모방한다」고 묘사된다. 권위자이자 최정상급 AI 전문가인 데미스 하사비스(Demis Hassabis)는 2017년 맥컬록과 피츠의 뇌 작동 방식에 대한 허구적 서술과 유사한 연구들이 「현대 딥러닝 연구의 기반을 계속해서 마련하고 있다」고 선언했다.
교훈 첫째: 공학과 과학을 혼동하고, 과학과 추측을 혼동하며, 과학과 수학 기호와 공식이 난무하는 논문을 동일시하는 것을 경계하라. 무엇보다도 인간과 기계가 동일하다고 여기며 인간처럼 똑같은 기계를 창조할 수 있다고 믿는 「우리가 신과 같다」는 환각의 유혹을 거부하라.
이러한 완고하고 보편적인 오만함은 지난 80년간 기술 버블과 AI의 주기적 열풍을 촉발시켜왔다.
이는 AGI(범용 인공지능) 즉, 곧 사람과 같은 지능 또는 초지능을 갖게 될 기계에 대한 생각을 떠올리게 한다.
1957년 AI 선구자 허버트 사이먼(Herbert Simon)은 「현재 세계에는 생각하고, 배우며, 창조하는 기계가 존재한다」고 선언했다. 또한 그는 10년 안에 컴퓨터가 체스 챔피언이 될 것이라고 예언했다. 1970년 또 다른 AI 선구자 마빈 민스키(Marvin Minsky)는 자신 있게 말했다. 「3~8년 안에 일반인과 동등한 지능을 가진 기계를 갖게 될 것이다… 일단 컴퓨터가 통제권을 잡으면, 우리는 더 이상 그것을 되찾을 수 없을 것이다. 우리는 그들의 은혜에 의존해 살아갈 것이다. 운이 좋다면, 우리를 애완동물처럼 기를지도 모른다.」
AGI의 임박한 등장을 예상하는 것은 중대한 의미를 가지며, 정부 지출과 정책까지 영향을 미쳤다. 1981년 일본은 인간처럼 사고하는 기계를 개발하기 위해 8억 5천만 달러를 투입한 제5세대 컴퓨터 프로젝트를 시작했다. 이에 대응하여 미국 국방고등연구계획국(DARPA)은 오랜 「AI 겨울」을 겪은 후 1983년 인간처럼 「보며, 듣고, 말하며, 생각하는」 기계를 개발하기 위해 AI 연구 재지원 계획을 발표했다.
전 세계의 진보적인 정부들은 약 10년간 수십억 달러를 들여서 결국 AGI뿐 아니라 전통적 AI의 한계에 대해서도 냉정하게 인식하게 되었다. 그러나 2012년 연결주의가 다른 AI 학파들을 압도하면서, AGI의 임박한 등장에 대한 새로운 예측 물결이 전 세계를 휩쓸었다. OpenAI는 2023년 초지능 AI—「인류 역사상 가장 영향력 있는 발명품」—이 이번 10년 내에 등장할 수 있으며, 이는 「인류의 권력 상실이나 심지어 멸종을 초래할 수도 있다」고 주장했다.
교훈 둘째: 화려하고 새로운 것들에 주의하라. 그것들을 세심하고 신중하며 현명하게 검토하라. 그것들은 기계가 언제 인간과 유사한 지능을 갖게 될지에 대한 과거의 추측과 크게 다르지 않을 수 있다.
딥러닝의 「아버지」 중 한 명인 얀 르쿤(Yann LeCun)은 이렇게 말했다. 「기계가 인간과 동물처럼 효율적으로 배우게 하기 위해서는 아직 우리가 알지 못하는 몇 가지 중요한 것이 부족하다.」
오랫동안 AGI는 「바로 앞에 있다」고 여겨져 왔는데, 이는 「첫걸음 오류(first step fallacy)」 때문이다. 기계 번역의 선구자 예호슈아 바르-힐렐(Yehoshua Bar-Hillel)은 기계 지능의 한계를 조기에 언급한 인물 중 하나로, 많은 사람들이 최근까지만 해도 컴퓨터가 할 수 없다고 여겼던 일을 누군가 시연하면, 비록 형편없이 하더라도 기술이 발전하면 완벽하게 수행할 수 있을 것이라고 생각한다고 지적했다. 대부분은 인내심을 갖고 기다리면 결국 이루어질 것이라고 믿었다. 그러나 바르-힐렐은 1950년대 중반부터 이미 현실은 그렇지 않다고 경고했으며, 현실은 반복적으로 그의 경고를 입증해왔다.
교훈 셋째: 아무것도 못하는 상태에서 형편없이 하는 상태로 나아가는 것과, 형편없이 하는 상태에서 완벽하게 하는 상태로 나아가는 것 사이의 거리는 일반적으로 전자가 훨씬 짧다.
1950~60년대 반도체 처리 속도의 증가로 인해 많은 이들이 「첫걸음 오류」에 빠졌다. 하드웨어가 매년 「무어의 법칙」이라는 확실한 상승 궤적을 따라 발전함에 따라, 기계 지능도 하드웨어와 함께 동기화되어 발전할 것이라고 널리 믿어졌다.
그러나 하드웨어 성능의 지속적 향상 외에도 AI는 소프트웨어와 데이터 수집이라는 두 가지 새로운 요소를 도입하면서 새로운 단계로 접어들었다. 1960년대 중반부터 전문가 시스템(expert systems)(참고: 지능형 컴퓨터 프로그램 시스템)은 현실 세계의 지식, 특히 특정 분야 전문가의 지식과 경험적 규칙(휴리스틱 방법)을 획득하고 프로그래밍하는 데 새로운 관심을 기울였다. 전문가 시스템은 점점 더 인기를 끌었으며, 1980년대에는 포춘 500대 기업의 3분의 2가 일상 업무에 이 기술을 적용했다고 추정되었다.
그러나 1990년대 초, 이 AI 열풍은 완전히 붕괴되었다. 다수의 AI 스타트업이 문을 닫았으며, 대기업들도纷纷 AI 프로젝트를 동결하거나 취소했다. 이미 1983년 전문가 시스템의 선구자 에드 페이젠바움(Ed Feigenbaum)은 그들의 몰락 원인이 되는 「핵심 병목 현상」을 지적했는데, 이는 「매우 번거롭고 시간이 많이 들며 비용이 많이 드는」 지식 획득 과정이었다.
전문가 시스템은 또한 지식 축적의 어려움에 직면했다. 규칙을 지속적으로 추가하고 업데이트해야 하는 요구사항은 유지보수가 어렵고 비용이 많이 들게 만들었다. 또한 인간 지능에 비해 기계 사고의 결함을 노출시켰다. 이들은 입력이 특이할 경우 터무니없는 오류를 범하는 등의 이유로 매우 「취약」했으며, 자신의 전문 지식을 새로운 분야로 전이할 수 없었고, 주변 세계에 대한 이해도 부족했다. 근본적으로 인간처럼 예시, 경험, 환경에서 배우는 능력이 없었다.
교훈 넷째: 초기 성공 즉 기업 및 정부 기관의 광범위한 채택과 막대한 공적·사적 투자라도 10년 혹은 15년이 지나도 지속 가능한 「신산업」을 낳지 못할 수 있다. 버블은 종종 붕괴된다.
요동치는 흐름과 과장, 좌절 속에서 두 가지 극명히 다른 AI 개발 방법이 학계와 공적·사적 투자자, 언론의 관심을 놓고 경쟁해왔다. 40여 년간 기호 기반(symbolic) AI 방법이 주류를 이루었다. 그러나 실례 기반의 통계 분석 중심 연결주의는 1950년대 말과 1980년대 말 각각 짧은 순간 동안 유행하며 주목을 받았다.
2012년 연결주의가 부활하기 전까지 AI 연구 및 개발은 주로 학계에 의해 추진되었다. 학계는 교조성이 만연(소위 「상식과학(normal science)」)하며, 기호주의 AI와 연결주의 사이에서는 비둘기집 원리의 선택이 항상 존재했다. 2019년 제프리 힌튼(Geoffrey Hinton)은 튜링상 수상 연설에서 대부분의 시간을 자신과 소수의 딥러닝 애호가들이 주류 AI 및 머신러닝 학자들로부터 겪은 고난담으로 채웠다. 힌튼은 또한 강화학습과 DeepMind의 동료들의 작업을 일부러 폄하하기도 했다.
불과 몇 년 후인 2023년 DeepMind는 OpenAI의 성공에 대응하여 구글의 AI 사업을 장악했으며(힌튼 또한 그곳을 떠났다), 이는 주로 OpenAI가 강화학습을 AI 개발의 구성 요소로 삼았기 때문이다. 강화학습의 두 선구자 앤드루 바르토(Andrew Barto)와 리처드 서튼(Richard Sutton)은 2025년 튜링상을 수상했다.
그러나 현재로서는 DeepMind든 OpenAI든, 또는 수많은 AGI를 목표로 하는 「유니콘」 기업들 중 어느 곳도 현재 유행하는 대규모 언어 모델 패러다임을 넘어서는 관심을 보이고 있다는 징후는 전혀 없다. 2012년 이후 AI의 중심은 학계에서 민간 부문으로 옮겨졌지만, 여전히 전체 분야는 단일한 연구 방향에 집착하고 있다.
교훈 다섯째: 모든 AI 「알」을 같은 「바구니」에 담지 마라.
황인훈은 탁월한 CEO이며, 엔비디아는 탁월한 기업임에 틀림없다. 약 10여 년 전 AI의 기회가 갑자기 나타났을 때 엔비디아는 곧바로 이를 붙잡았다. 그들의 칩(초기에는 비디오 게임을 효율적으로 렌더링하기 위해 설계됨)은 딥러닝 계산에 적합한 병렬 처리 능력을 가지고 있었기 때문이다. 황인훈은 항상 경계를 늦추지 않으며 직원들에게 「우리 회사는 파산 직전까지 단 30일밖에 남지 않았다」고 말한다.
경계심을 유지하는 것 외에도(인텔을 기억하는가?), 지난 80년간의 AI 발전 역사에서 얻은 교훈들이 엔비디아가 앞으로 30일 혹은 30년간의 요동치는 상황을 무사히 넘기는 데 도움이 될 수 있을 것이다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
@GilPress
