Artificial Intelligence 인공지능 : 지능적 기계와 컴퓨터 프로그램을 만드는 과학과 공학
인공지능(AI)은 인간의 인지, 추론, 학습, 지각, 행동 양식을 계산 모델로 구현하고 기계를 통해 지능적 기능을 실현하는 융합 학문입니다. 앨런 튜링의 튜링 테스트부터 존 매카시의 기호주의, 그리고 현대 인공신경망 및 딥러닝 혁명에 이르기까지 지능의 본질을 규명합니다.
인공지능의 본질과 튜링 테스트
AI 는 .... 지능적 기계 특히 지능적 컴퓨터 프로그램을 만드는 과학과 공학이다. 컴퓨터 (Computer)를 사용해서 인간 지능 (Intelligence)을 이해하는 작업들과 관련되어 있으며, 생물학적인 방법에만 국한되지는 않는다.
튜링테스트 (Turing Test)는 .... Alan Turing의 저서 Computing Machinery and Intelligence에서 기계가 지능적이라고 간주할 수 있는 조건을 언급했다.
이 test는 대부분의 사람들을 만족시키지만 어떤 철학자들은 납득하지 않는다. 사람과 기계는 텔레타이프를 사용하여 대화를 나눈다. 기계는 아직 사람의 외모와 목소리를 완전히 흉내내지 못하기 때문이다. 이때 기계는 관찰하는 사람에게 자기가 인간이라고 주장함으로써 관찰자를 바보로 만들려고 시도할 것이다.
AI를 배우기 위한 조언
과학에 대해서 배우면 배울수록 더 좋을 것이다. AI의 생물학적인 접근을 위해 심리학과 신경 생리학을 공부해라.
프로그램 언어를 배워야 하는데 최소한 C, Lisp, Prolog를 배워야 한다. 하나의 기본적인 기계어를 배워두면 좋다.
일을 하려면 최근의 유행을 타는 언어를 알아야 할 것이다. 1990년대 말에는 C++과 Java를 알아두어야 한다."
기계는 생각할 수 있는가?
기계가 생각한다고 말할 수 있는가(심지어는 어떤 감정을 경험한다거나 마음을 소유한다고 말할 수 있는가)에 대한 문제는 결코 새로운 것이 아니다. 이 문제는 철학 (Philosophy)의 깊은 부분을 건드리고 있다.
생각한다는 것, 느낀다는 것은 도대체 무엇인가? 마음 (Mind)은 무엇인가? 마음은 실제로 존재하는 것인가? 만일 존재한다면 마음은 그와 관련된 물리적 구조물과 어느 선까지 기능적으로 종속되어 있는가? 마음은 그러한 구조물로부터 독립적으로도 존재할 수 있는가? 아니면 그것은 (적절한 종류의) 물리적 구조의 단순한 기능에 불과한 것인가? 어떻든, 그 구조물의 특성은 생물적 (뇌 (Brain)) 이어야 하는가? 아니면 전자적인 장비에도 마찬가지로 깃들일 수 있는 것인가? 마음이 물리 법칙의 대상이 될 수 있는가? 도대체 물리 법칙이란 실제로 무엇인가?
AI의 연구 결과에 관심을 갖고 주시하는 사람들 중에는 최소한 네 가지 부류가 있다.
로봇공학 (Robotics)
'지능적' 작업을 수행하는 기계에 대한 실용적·산업적 요구 충족. 복잡하고 위험한 환경에서 인간보다 빠르고 충실하게 작업 수행하는 로봇 연구.
전문가시스템 (Expert System)
의학·법조계 등 전문 직종에 필요한 지식과 경험을 컴퓨터 패키지로 코딩. 진정한 지능인지 지식의 상호참조인지에 대한 사회적 고찰.
관련 사이트 & 인공지능 지식 지도 (Reference Sites & AI Knowledge Map)
인공지능(AI)은 단일한 알고리즘이나 기술이 아니라, 컴퓨터 과학, 수학, 인지과학, 뇌과학, 언어학, 철학이 융합된 거대한 학술 생태계입니다. 연구의 깊이를 더해줄 글로벌 대표 레퍼런스 포털과 체계적인 AI 지식 지도(AI Knowledge Map) 5대 분야를 한눈에 조망할 수 있도록 집대성하였습니다.
🌐 (1) 글로벌 대표 학술 기관 & AI 연구 포털 (Reference Sites)
🌳 (2) 인공지능 지식 체계도 5대 핵심 도메인 (AI Knowledge Tree)
인공지능의 방대한 지식 체계는 지식을 기호화하는 고전적 규칙 기반 모델부터 대규모 데이터의 확률적 통계 매핑, 그리고 생체 신경망을 모방하는 차세대 뇌 모사 컴퓨팅까지 유기적으로 연결되어 있습니다.
1. 기호주의 & 지식 표현
Symbolic AI- 전문가시스템 (Expert System) : 규칙 기반 지식 베이스
- 수리논리학 & 자동 정리 증명 : 연역 추론 엔진
- 지식 표현 및 온톨로지(Ontology) · 지식 그래프
- 상징 조작주의(Physical Symbol System Hypothesis)
2. 탐색 & 문제 해결 & 게임
Search & Game- 상태 공간 탐색 & 휴리스틱(A* 알고리즘)
- 게임 이론 & 적대적 탐색 : 미니맥스, 알파-베타 가지치기
- 제약 충족 문제 (Constraint Satisfaction Problems)
- 자율 에이전트의 목표 지향적 행동 계획(Planning)
3. 기계학습 & 통계적 학습
Machine Learning4. 신경망 · 딥러닝 · 뉴로모픽
Neural & Deep- 인공신경망 총람 : 퍼셉트론, MLP, 역전파(Backpropagation)
- 딥러닝 (Deep Learning) : CNN, RNN/LSTM, 트랜스포머
- 거대 언어 모델(LLM), 비전 트랜스포머, 확산 모델(Diffusion)
- 스파이킹 신경망(SNN) & 뉴로모픽 칩 초저전력 뇌 모사
5. 지각 · 언어 · 체화된 로봇
Perception & Embodied- 컴퓨터 비전(Computer Vision) : 객체 검출, 영상 분할, 3D 복원
- 자연어 처리(NLP) : 기계 번역, 요약, 문맥 이해, 감성 분석
- 로봇공학 (Robotics) · 피지컬 AI(Physical AI)
- 인지과학 · 음성 인식 · 멀티모달 상호작용
⏳ (3) 인공지능 지식 패러다임의 5대 진화 로드맵 (Evolutionary Roadmap)
추론과 탐색의 시대 (The Era of Reasoning & Search)
튜링 테스트의 제창, 1956년 다트머스 회의, 논리 이론가(Logic Theorist), 초기 단층 퍼셉트론(Perceptron) 개발 및 문제 해결을 위한 상태 공간 탐색 중심의 연구.
지식과 전문가시스템의 시대 (The Knowledge & Expert Systems Era)
'지식이 곧 힘이다'라는 명제 아래 MYCIN, DENDRAL 등 도메인 규칙 기반 전문가시스템 상용화, Lisp 머신 번영, 다층 퍼셉트론과 오차 역전파(Backpropagation)의 재발견.
통계적 기계학습과 데이터 중심 접근 (Statistical Machine Learning)
수작업 규칙에서 벗어나 대규모 데이터로부터 특징(Feature)을 학습하는 통계적 학습 도래. 서포트 벡터 머신(SVM), 랜덤 포레스트, 베이지안 네트워크, 체스 챔피언 IBM Deep Blue의 승리.
심층 신경망과 딥러닝 혁명 (The Deep Learning Revolution)
GPU 가속 연산과 빅데이터의 결합. AlexNet(2012)을 필두로 한 CNN의 시각 혁명, AlphaGo(2016)의 강화학습 승리, 어텐션 메커니즘과 트랜스포머(Transformer, 2017) 아키텍처의 탄생.
초거대 파운데이션 모델 & 범용 인공지능(AGI)의 지평
수천억~수조 개 파라미터 기반의 초거대 언어 모델(GPT, Gemini 등)과 멀티모달 생성형 AI(GenAI) 대중화, 자율 에이전트(Autonomous Agents), 초저전력 뉴로모픽 칩과 범용 인공지능(AGI) 탐색 가속화.