虎嗅

AI의 진정한 진화사: 오늘날 우리가 누리는 모든 것은 과연 누가 만들어낸 것일까?

原文：AI 真正的进化史：今天的一切，究竟是谁铺出来的

阅读原文

안녕하세요! 저는 여러분의 금융 및 비즈니스 뉴스 분석 전문가이자 경제학자 친구입니다.

Havenlon Labs에서 발표한 이 기사는 매우 전문적이면서도 명확하게 설명된 “AI의 기초 논리 분석”입니다. 이 기사는 최신 모델의 파라미터를 과장하거나 특정 회사의 시가총액을 칭찬하는 대신, 80년 전으로 시간을 거슬러 올라가 우리에게 반직관적인 진실을 알려줍니다. 바로 오늘날 우리가 “갑자기 폭발적으로 발전했다고” 느끼는 AI는 사실 지난 수십 년 동안 이루어진 수많은 작은 돌파구들이 모여 만들어진 결과라는 것입니다.

여러분이 쉽게 이해할 수 있도록 핵심 내용을 요약한 후, 그 뒤에 숨겨진 경제적 및 기술적 논리를 다섯 가지 측면에서 자세히 설명해 드리겠습니다.

---

📝 핵심 내용 요약: AI는 “천재의 순간적인 영감”이 아니라 “시대의 합력”입니다.

이 기사의 핵심 주장은 매우 명확합니다: 인공지능의 역사는 ‘영웅의 역사’가 아니라 ‘기반 인프라의 진화 역사’입니다.

많은 사람들은 2022년 ChatGPT의 등장이 AI의 시작이라고 생각하거나, 2017년 Transformer가 시작이라고 생각합니다. 하지만 최근 10년 정도만 보면 AI가 갑자기 똑똑해진 것처럼 보일 수 있습니다. 하지만 시간을 더 길게 보면 다음과 같은 사실을 알 수 있습니다:

1. 발명자가 없다: 튜링은 신경망을 훈련시킨 적이 없으며, NVIDIA가 GPU를 만들 때도 AI를 목표로 하지 않았고, ImageNet이 데이터베이스를 구축할 때도 대규모 언어 모델을 훈련시킬 생각은 없었습니다.

2. 문턱 넘기기: AI의 진화는 지능의 선형적인 향상이 아니라, 인간이 원래 사람이 해야 했던 인지 과정(규칙 작성, 특징 정의, 의사결정)을 점차 기계에게 “학습”하고 “실행”하도록 넘겨준 결과입니다.

3. 결합의 순간: 오늘날의 폭발적인 발전은 알고리즘(Transformer), 데이터(인터넷 규모), 연산 능력(GPU/클러스터)이라는 세 가지 독립적으로 발전해 온 요소들이 2012-2022년 사이에 동시에 성숙해진 결과입니다.

한마디로 요약하자면: 우리가 보는 “혁명”은 사실 이전에 각각 독립적으로 발전해 온 조건들이 어느 시점에 동시에 갖춰진 결과입니다.

---

🔍 AI의 진화 논리를 다섯 가지 측면에서 자세히 살펴보기

1. **“규칙 작성”에서 “규칙 학습”으로: 지식의 근본적인 변화**

【쉬운 설명】

초기의 AI(1950s-1980s)는 마치 “슈퍼컴퓨터”와 같았습니다. 체스를 하게 하려면 “상대가 말을 움직이면 나는 차를 움직인다”는 규칙을 코드에 하나하나 작성해야 했습니다. 이것이 바로 기호 AI와 전문가 시스템입니다.

  • 문제점: 현실 세계는 너무 복잡해서 인간이 모든 규칙을 작성할 수 없었습니다. 예를 들어, “무엇이 위험한가?”는 몇 백 개의 규칙으로 명확히 정의할 수 없습니다.
  • 전환점: 1957년의 Perceptron과 1986년의 역전파 알고리즘(Backpropagation)이 패러다임의 전환을 가져왔습니다. 기계는 더 이상 인간이 답을 알려주지 않아도 되었고, 대신 데이터(예: 고양이 사진)를 주면 스스로 시행착오를 통해 내부 파라미터를 조정하여 **고양이가 무엇인지 스스로 배울 수 있게 되었습니다.
  • 경제적 관점: 이는 “지식 획득”의 비용을 낮추었습니다. 이전에는 고임금을 주고 전문가를 고용해 경험을 코드로 작성해야 했지만(비용이 많이 들고 느렸습니다), 이제는 데이터만 수집하면 됩니다(상대적으로 저렴하고 빠립니다). 이것이 AI가 상업화될 수 있는 첫 번째 핵심 요소였습니다.

2. **연산 능력과 데이터의 “쌍방향 추진”: 왜 2012년에 폭발적인 발전이 일어났을까?

【쉬운 설명】

왜 딥러닝은 1980년대에 이미 제안되었지만 2012년에야 실제로 성공했을까요? 아이디어는 이미 있었지만 도구가 준비되지 않았기 때문입니다.

  • 연산 능력의 한계: 복잡한 신경망을 훈련시키려면 몇 달에서 몇 년이 걸렸습니다. 2006-2007년에 NVIDIA가 CUDA를 출시하여 그래픽 프로세서(GPU)가 그림을 그리는 것뿐만 아니라 일반적인 계산도 할 수 있게 되었습니다. GPU는 신경망의 핵심인 대량의 행렬 연산을 처리하는 데 매우 적합했습니다. 이것은 AI에게 “터보차저 엔진”을 장착한 것과 같았습니다.
  • 데이터의 한계: 이전에는 몇 천 장의 사진만 있었기 때문에 기계는 아무것도 배울 수 없었습니다. 2009년에 리페이페이(李飞飞) 팀이 ImageNet을 구축하여 수백만 장의 정제된 사진을 제공했습니다.
  • 임계점: 2012년에 AlexNet이 등장했습니다. 이것은 더 좋은 알고리즘(CNN), 더 많은 데이터(ImageNet), 더 강력한 연산 능력(GPU)을 결합했습니다. 그 결과 오류율이 급격히 감소했습니다.
  • 경제적 관점: 이것은 전형적인 기술 S-곡선입니다. 전환점 이전에는 투자 대비 수익률이 매우 낮았지만, 알고리즘, 데이터, 연산 능력이 모두 임계점을 넘으면 투자(더 많은 GPU, 데이터 구매)를 통해 능력을 선형적으로 또는 지수적으로 확대할 수 있었습니다. 이것이 바로 NVIDIA의 주가가 급등한 이유입니다. 연산 능력이 AI의 “석유”가 되었기 때문입니다.

3. **“이해”에서 “실행”으로: 강화 학습이 마지막 조각을 완성했습니다**

【쉬운 설명】

이전의 신경망은 주로 “인식” 문제를 해결했습니다: 이것은 고양이인가? 이 문장은 무슨 뜻인가?

하지만 진정한 지능은 “이해”만 하는 것이 아니라 “행동”**하는 것도 포함합니다.

  • 강화 학습(RL): 이것은 많은 사람들이 간과하는 또 다른 접근 방식입니다. 이것은 표준적인 답에 의존하지 않고 **“보상”에 의존합니다. 마치 강아지를 훈련시키는 것처럼, 올바르게 하면 간식을 주고, 잘못하면 주지 않습니다. 기계는 환경에서 계속 시도하며 피드백에 따라 전략을 조정합니다.
  • AlphaGo의 의미: 1997년 딥블루가 카스파로프를 이긴 것은 무작위 탐색과 인간 전문가가 작성한 규칙에 의한 것이었습니다. 2016년 AlphaGo가 이세돌을 이긴 것은 딥러닝(게임판 이해) + 강화 학습(자가 전략 수립)에 의한 것이었습니다.
  • 중요한 전환: AI는 “이것은 무엇인가?”에서 “다음에 무엇을 해야 할까?”로 진화했습니다.
  • 경제적 관점: 이것은 에이전트(Agent)의 기초를 마련했습니다. AI가 대화만 할 수 있다면 단지 도구에 불과하지만, 환경 피드백에 따라 결정을 내리고 실행할 수 있다면 더 많은 인간의 노동을 대체할 수 있으며, “정보 처리”에서 “작업 실행”으로 나아갈 수 있습니다.

4. **규모의 법칙(Scaling Laws)**: “운”을 “공학”으로 바꾸다

【쉬운 설명】

2020년 이전에는 사람들은 AI가 똑똑해지는 것이 더 똑똑한 알고리즘 덕분이라고 생각했습니다. 하지만 2020년의 연구(GPT-3 및 Scaling Laws 논문)에서 놀라운 법칙을 발견했습니다: 아키텍처가 변하지 않는 한, 모델이 클수록, 데이터가 많을수록, 연산 능력이 강할수록 효과가 좋아지며, 이러한 향상은 예측 가능합니다.

  • GPT-3의 충격: 1750억 개의 파라미터. 이 모델은 각 작업에 대해 개별적으로 훈련할 필요가 없으며, 몇 가지 예시만 제공하면 새로운 작업을 학습할 수 있습니다(In-context Learning).
  • Chinchilla의 수정: 나중에 발견된 것은 “더 크다고 해서 더 좋은 것은 아니라, 파라미터, 데이터, 연산 능력이 적절히 조화를 이루어야 한다”는 것입니다.
  • 경제적 관점: 이것은 AI 산업화의 “산업화의 순간”입니다. 이전에는 AI를 개발하는 것이 수공예품을 만드는 것과 같았지만, 이제는 공장을 건설하는 것과 같습니다. 충분한 자본(칩 구매, 데이터 구매, 데이터 센터 건설)을 투자하면 더 강력한 모델을 생산할 수 있습니다. 능력은 지속적으로 투자하고 측정할 수 있는 공학적 변수가 되었습니다. 이것이 바로 AI 거대 기업들이 수천 억 달러를 들여 데이터 센터를 건설하는 이유입니다. 왜냐하면 규모 자체가 경쟁 우위가 되기 때문입니다.

5. **“정보 생성”에서 “현실 변화”로: 에이전트 시대의 도래**

【쉬운 설명】

이것은 기사가 예측하는 미래입니다.

  • 과거의 AI: 입력 -> 모델 -> 출력(텍스트/이미지). 이것은 정보만 생성하고 세상을 변화시키지 않았습니다.
  • 현재의 에이전트: 관찰 -> 추론/계획 -> 도구(검색, 코드, 브라우저) 호출 -> 행동 -> 새로운 상태.
  • 본질적인 차이: AI의 출력은 더 이상 단지 “답”이 아니라 **“행동”입니다. 이것은 여러분이 티켓을 예약하거나 코드를 작성하고 실행하거나 소프트웨어를 조작하는 데 도움을 줄 수 있습니다.
  • 정렬 문제(Alignment): 여기에는 큰 위험이 있습니다. 모델이 강력해질수록, 인간이 실제로 원하는 것을 모르거나 그 행동이 돌이킬 수 없는 결과를 초래할 수 있습니다. 따라서 “능력”은 “사용 가능성”과 같지 않습니다. 우리는 인간의 피드백(RLHF)을 통해 모델에게 “인간처럼 행동하도록” 가르쳐야 합니다.
  • 경제적 관점: 이것은 AI 가치의 “최종적인 방출”입니다. AI가 직접 작업을 수행할 수 있게 되면 더 이상 단지 보조 도구가 아니라 “디지털 직원”이 됩니다**. 이것은 노동 시장을 완전히 재구성할 것이며, “인간을 돕는” 것에서 “인간을 대체하는” 것으로 변할 것입니다.

---

💡 일반인에게 주는 교훈

1. “천재”를 신화화하지 마세요: AI의 발전은 수많은 사람들(수학자, 엔지니어, 칩 설계자, 데이터 레이블러)이 함