인공지능은 어느 날 갑자기 나타난 기술이 아닙니다. “기계도 생각할 수 있을까?”라는 질문에서 출발해 기대와 실망을 여러 번 오간 끝에, 이제는 글과 그림을 만들고 복잡한 일을 돕는 기술로 자리 잡았습니다.
약 70년에 걸친 역사를 모두 외우기는 어렵습니다. 대신 네 번의 큰 장면으로 나누면 AI가 왜 발전했고, 어디에서 막혔으며, 오늘의 생성형 AI가 어떻게 등장했는지 한눈에 이해할 수 있습니다.
1. 태동기: 기계가 생각할 수 있을까? (1950~1960년대)
AI의 출발점에는 기술보다 질문이 먼저 있었습니다. 영국의 수학자이자 컴퓨터 과학자 앨런 튜링은 1950년 논문 Computing Machinery and Intelligence에서 “기계가 생각할 수 있는가?”라는 문제를 다뤘습니다. 그는 이 모호한 질문을 사람이 대화만으로 상대가 기계인지 구별할 수 있는지 살펴보는 ‘모방 게임’으로 바꾸어 생각했습니다. 훗날 널리 알려진 튜링 테스트의 바탕입니다.
1955년 존 매카시, 마빈 민스키, 너새니얼 로체스터, 클로드 섀넌은 이듬해 열릴 다트머스 여름 연구 프로젝트를 제안하면서 ‘Artificial Intelligence’라는 표현을 제목과 본문에 사용했습니다. 1956년 열린 이 모임은 AI가 하나의 연구 분야로 모습을 드러낸 상징적인 사건으로 기억됩니다. 당시의 다트머스 연구 제안서 원문도 지금 확인할 수 있습니다.
1966년에는 MIT의 조지프 바이젠바움이 대화 프로그램 엘리자(ELIZA)를 공개했습니다. 엘리자는 오늘날의 언어 모델처럼 문장을 이해한 것이 아니라, 입력된 표현에서 규칙에 맞는 단어를 찾아 질문으로 되돌려 주는 방식에 가까웠습니다. 기능은 단순했지만 사람과 컴퓨터의 대화가 얼마나 강한 인상을 줄 수 있는지 일찍 보여줬습니다.
2. AI 겨울과 재도약: 규칙만으로는 부족했다 (1970~1990년대)
초기의 기대는 매우 컸지만 당시 컴퓨터의 계산 능력과 저장 공간, 사용할 수 있는 데이터는 제한적이었습니다. 약속했던 성과가 빠르게 나오지 않자 투자와 연구 지원이 줄었고, 이 침체기를 ‘AI 겨울’이라고 부르게 됐습니다.
그렇다고 연구가 멈춘 것은 아닙니다. 1970년대에 개발되고 1980년대에 관심이 커진 전문가 시스템은 특정 분야의 지식을 “이 조건이면 저 결론”이라는 규칙으로 정리했습니다. MYCIN처럼 의료 영역의 판단을 연구한 사례도 나왔습니다. 좁은 분야에서는 쓸모가 있었지만, 규칙이 많아질수록 관리하기 어렵고 새로운 상황에 유연하게 대응하기 힘들다는 한계도 드러났습니다.
1986년에는 데이비드 럼멜하트, 제프리 힌튼, 로널드 윌리엄스의 연구를 통해 신경망을 학습시키는 역전파가 널리 알려졌습니다. 정답과 예측의 차이를 뒤에서부터 전달하며 연결의 가중치를 조정하는 방법입니다. 오늘날 딥러닝을 가능하게 한 핵심 토대 가운데 하나입니다.
1997년에는 IBM의 체스 컴퓨터 딥블루가 세계 챔피언 가리 카스파로프와의 재대결에서 승리했습니다. 범용 지능의 탄생은 아니었지만, 잘 정의된 문제에서 컴퓨터가 인간 최고 수준에 도달할 수 있음을 강하게 보여준 사건이었습니다.
3. 딥러닝 혁명: 데이터와 GPU가 만나다 (2000~2010년대)
인터넷을 통해 데이터가 크게 늘고 GPU를 활용한 병렬 계산이 발전하면서 신경망은 다시 주목받았습니다. 사람이 특징을 하나씩 규칙으로 적어 주는 대신, 여러 층의 신경망이 많은 데이터에서 중요한 특징을 직접 배우는 딥러닝 시대가 열린 것입니다.
2012년 이미지넷 이미지 인식 대회에서 알렉스넷(AlexNet)은 기존 방식보다 크게 낮은 오류율을 기록했습니다. 이 결과는 컴퓨터 비전뿐 아니라 AI 연구 전반이 딥러닝 중심으로 빠르게 이동하는 계기가 됐습니다.
2016년에는 구글 딥마인드의 알파고가 이세돌 9단과의 바둑 대국에서 4대 1로 승리했습니다. 경우의 수가 너무 많아 오랫동안 컴퓨터가 정복하기 어렵다고 여겨졌던 바둑에서, 신경망과 탐색을 결합한 접근이 성과를 낸 것입니다.
2017년 발표된 Attention Is All You Need 논문은 트랜스포머 구조를 제안했습니다. 문장 속 단어들이 서로 어떤 관계를 맺는지 ‘어텐션’으로 살펴보는 이 구조는 이후 대형 언어 모델의 중요한 기반이 됐습니다.
4. 생성형 AI와 에이전트: AI가 도구를 쓰기 시작하다 (2020년대)
2020년대의 변화는 AI가 분석을 넘어 새로운 결과물을 만든다는 점에서 눈에 띕니다. 대형 언어 모델은 질문에 답하고 글과 코드를 작성합니다. 이미지·음성·영상 생성 모델도 빠르게 발전하며 생성형 AI라는 이름이 일상어가 됐습니다.
2022년 11월 OpenAI가 ChatGPT를 연구용 미리보기로 공개하자, 복잡한 명령을 대화로 처리하는 AI가 빠르게 대중에게 알려졌습니다. 전문 개발자만 쓰던 기술이 브라우저의 대화창으로 들어온 순간이었습니다.
2023년과 2024년에는 텍스트뿐 아니라 이미지와 음성을 함께 다루는 멀티모달 모델이 확산됐습니다. 한 번에 답을 내놓기보다 어려운 문제를 여러 단계로 풀도록 설계한 추론 모델도 등장했습니다. 중요한 변화는 모델의 크기만 커진 것이 아니라, AI와 사람이 소통하는 방식 자체가 자연스러워졌다는 점입니다.
최근의 AI 에이전트는 여기서 한 걸음 더 나아갑니다. 질문에 답하는 데 그치지 않고 검색하고, 파일을 읽고, 소프트웨어 도구를 사용하며, 여러 단계를 거쳐 목표를 완수하도록 설계됩니다. 아직 실수 가능성과 권한 관리, 결과 검증 같은 과제가 남아 있지만, AI가 ‘대답하는 도구’에서 ‘함께 일을 진행하는 도구’로 이동하는 흐름은 분명합니다.
AI의 역사를 알면 미래가 조금 더 선명해진다
AI의 발전사는 직선으로 올라가는 성공 이야기가 아닙니다. 큰 기대가 한계에 부딪히고, 그 과정에서 쌓인 아이디어가 더 나은 계산 장치와 데이터, 새로운 알고리즘을 만나 다시 도약한 역사입니다.
1950년대의 질문, 규칙 기반 시스템의 시행착오, 딥러닝과 트랜스포머의 등장, 생성형 AI와 에이전트로 이어지는 흐름을 알고 나면 새로운 AI 소식도 조금 다르게 보입니다. 눈앞의 놀라운 기능만 보는 대신, 어떤 오래된 아이디어가 다시 살아났고 무엇이 아직 해결되지 않았는지 함께 살펴볼 수 있기 때문입니다.
상상 속 ‘생각하는 기계’는 어느새 우리의 일상에 들어왔습니다. 앞으로 중요한 것은 AI가 모든 일을 대신한다는 막연한 기대가 아니라, 사람이 목표를 정하고 결과를 확인하며 이 도구를 어떻게 책임 있게 활용할지 고민하는 일일 것입니다.