편집자: Felix, PANews
2025년 7월 9일, 엔비디아는 시가총액 4조 달러를 달성한 최초의 상장 기업이 되었습니다. 엔비디아와 변동성이 큰 AI 분야는 앞으로 어디로 향할까요?
예측은 어렵지만, 과거의 예측이 왜, 그리고 어떤 방식으로, 어떻게, 그리고 어떤 이유로 맞지 않았는지 적어도 알 수 있는 풍부한 데이터가 있습니다. 이것이 바로 역사입니다.
인공지능(AI)의 80년 역사에서 어떤 교훈을 얻을 수 있을까요? 이 역사는 자금의 흥망성쇠, 연구 개발에 대한 접근 방식의 변화, 대중의 호기심, 불안, 흥분을 모두 경험한 역사입니다.
AI의 역사는 1943년 12월 신경생리학자 워런 S. 맥컬록과 논리학자 월터 피츠가 수리논리에 관한 논문을 발표하면서 시작되었습니다. "신경 활동에 내재된 아이디어의 논리적 계산"에서 그들은 이상화되고 단순화된 뉴런 네트워크와 뉴런 네트워크가 어떻게 자극을 전달하거나 전달하지 않음으로써 간단한 논리 연산을 수행할 수 있는지에 대해 고찰했습니다.
당시 조직 화학 분야의 선구자였던 랄프 릴리는 맥컬록과 피츠의 연구를 "실험적 사실"이 없는 "논리적, 수학적 모델에 '현실성'을 부여하는" 연구라고 묘사했습니다. 이후 논문의 가설이 실증적 검증에 실패했을 때, MIT의 제롬 레트빈은 신경학과 신경생물학 분야에서는 이 논문을 외면했지만, "현재 AI로 알려진 새로운 분야로 발전할 운명을 타고난 열광적인 지지자들"에게 영감을 주었다고 언급했습니다.
실제로 맥컬록과 피츠의 논문은 오늘날 지배적인 AI의 특정 변종인 "연결주의(connectionism)"에 영감을 주었습니다. 이 변종은 현재 "딥러닝(deep learning)"으로 알려져 있으며, 최근에는 "AI"로 이름이 바뀌었습니다. 이러한 AI 변종을 뒷받침하는 통계 분석 방법인 "인공신경망(artificial neuron)"은 AI 실무자와 평론가들에 의해 종종 "뇌를 모방하는 것"으로 묘사되는데, 이러한 접근 방식은 뇌의 실제 작동 방식과는 아무런 관련이 없습니다. 2017년, 전문가이자 최고의 AI 실무자인 데미스 하사비스는 맥컬록과 피츠의 뇌 작동 방식에 대한 허구적인 묘사와 유사한 연구가 "현대 딥러닝 연구의 토대를 지속적으로 마련하고 있다"고 선언했습니다.
1과 : 공학과 과학을, 과학과 추측을, 과학과 수학 기호와 공식으로 가득한 논문을 혼동하지 않도록 주의하세요. 무엇보다도, 인간과 기계가 다르지 않으며 인간과 같은 기계를 만들 수 있다는 망상에 빠지지 않도록 주의하세요.
이런 고집스럽고 만연한 오만함은 지난 80년 동안 기술 거품과 주기적인 AI 열풍을 촉진해 왔습니다.
이는 일반 인공지능(AGI)이라는 개념을 떠올리게 합니다. 즉, 기계가 곧 인간과 같은 지능, 심지어 초지능을 갖추게 될 것이라는 개념입니다.
1957년, AI 선구자 허버트 사이먼은 "이제 우리는 생각하고, 배우고, 창조하는 기계를 가지고 있습니다."라고 선언했습니다. 그는 또한 10년 안에 컴퓨터가 체스 챔피언이 될 것이라고 예측했습니다. 1970년, 또 다른 AI 선구자 마빈 민스키는 자신 있게 이렇게 말했습니다. "3년에서 8년 안에 우리는 평범한 사람의 지능을 가진 기계를 갖게 될 것입니다... 컴퓨터가 세상을 지배하게 되면, 우리는 그들을 다시 되찾을 수 없을지도 모릅니다. 우리는 그들의 자비에 의존하게 될 것입니다. 운이 좋다면, 그들은 우리를 애완동물처럼 키울지도 모릅니다."
범용 AI의 도래에 대한 기대는 정부 지출과 정책에까지 영향을 미칠 정도로 컸습니다. 1981년 일본은 인간처럼 생각하는 기계를 개발하는 것을 목표로 하는 5세대 컴퓨터 프로젝트에 8억 5천만 달러를 배정했습니다. 이에 대응하여 미국 방위고등연구계획국(DARPA)은 오랜 "AI 겨울" 끝에 1983년 "인간처럼 보고, 듣고, 말하고, 생각할 수 있는" 기계를 개발하기 위한 AI 연구에 다시 자금을 지원할 계획이었습니다.
전 세계의 계몽된 정부들이 일반 AI(AGI)뿐만 아니라 기존 AI의 한계까지 받아들이는 데 약 10년의 시간과 수십억 달러의 비용이 소요되었습니다. 그러나 2012년이 되자 연결주의가 다른 AI 학파들을 압도했고, 일반 AI의 도래가 임박했다는 새로운 예측의 물결이 전 세계를 휩쓸었습니다. OpenAI는 2023년에 "인류 역사상 가장 영향력 있는 발명품"인 초지능 AI가 10년 안에 도래할 수 있으며, "인간의 힘을 잃거나 심지어 인류의 멸종을 초래할 수도 있다"고 선언했습니다.
교훈 2: 반짝이는 신기술을 경계하고 신중하고, 조심스럽고, 현명하게 살펴보세요. 기계가 언제 인간과 같은 지능을 갖게 될지에 대한 이전의 추측과 크게 다르지 않을 수도 있습니다.
딥 러닝의 "대부" 중 한 명인 얀 르쿤은 "기계가 인간과 동물만큼 효율적으로 학습하게 하려면 우리는 여전히 중요한 것이 하나 빠져 있습니다. 하지만 그것이 무엇인지는 아직 모릅니다."라고 말했습니다.
수년 동안, 일반 AI(AGI)는 "바로 코앞에 있다"는 말이 돌았습니다. 이는 모두 "첫걸음 오류" 때문입니다. 기계 지능의 한계에 대해 처음으로 논의한 사람 중 한 명인 기계 번역의 선구자 예호슈아 바-힐렐은 많은 사람들이 컴퓨터가 최근까지 아무도 할 수 없을 것이라고 생각했던 일을 해낼 수 있다고 믿는다고 지적했습니다. 설령 그 일이 형편없더라도, 더 많은 기술 개발이 있어야 완벽하게 해낼 수 있다고 생각하는 것입니다. 흔히들 기다리면 언젠가는 해낼 수 있다고 생각합니다. 하지만 바-힐렐은 1950년대 중반부터 이는 사실이 아니라고 경고했으며, 현실은 그 반대를 거듭해서 증명해 왔습니다.
세 번째 교훈: 어떤 일을 할 수 없는 상태에서 제대로 하지 못하는 상태까지 걸리는 거리는, 제대로 하지 못하는 상태에서 제대로 하는 상태까지 걸리는 거리보다 보통 훨씬 짧습니다.
1950년대와 1960년대에는 컴퓨터 구동 반도체의 처리 속도가 향상되면서 많은 사람들이 "첫걸음 오류"에 빠졌습니다. 하드웨어가 매년 안정적으로 상승하는 "무어의 법칙"을 따라가면서, 기계 지능이 하드웨어의 발전 속도에 발맞출 것이라는 생각이 널리 퍼졌습니다.
그러나 하드웨어 성능의 지속적인 향상과 더불어, AI 개발은 소프트웨어와 데이터 수집이라는 두 가지 새로운 요소를 도입하며 새로운 국면에 접어들었습니다. 1960년대 중반부터 전문가 시스템(지능형 컴퓨터 프로그램 시스템)은 현실 세계의 지식, 특히 특정 분야 전문가의 지식과 그들의 경험 법칙(휴리스틱 방법)을 수집하고 프로그래밍하는 데 새로운 초점을 맞추었습니다. 전문가 시스템은 점점 더 대중화되었고, 1980년대에는 포춘 500대 기업의 3분의 2가 이 기술을 일상 업무에 적용하는 것으로 추산되었습니다.
그러나 1990년대 초, AI 열풍은 완전히 꺾였습니다. 많은 AI 스타트업이 파산했고, 대기업들은 AI 프로젝트를 중단하거나 취소했습니다. 1983년 초, 전문가 시스템 선구자 에드 파이겐바움은 전문가 시스템 쇠퇴의 "핵심 병목 현상"을 지적했습니다. 바로 "매우 번거롭고 시간 소모적이며 값비싼 과정"인 지식 습득 과정의 확장이었습니다.
전문가 시스템은 지식 축적이라는 문제에 직면합니다. 규칙을 지속적으로 추가하고 업데이트해야 하므로 유지 관리가 어렵고 비용도 많이 듭니다. 또한 인간 지능에 비해 생각하는 기계의 단점을 노출합니다. 전문가 시스템은 "취약"하고, 특이한 입력에 직면하면 터무니없는 실수를 저지르며, 전문 지식을 새로운 영역으로 이전할 수 없고, 주변 세계에 대한 이해가 부족합니다. 가장 근본적인 측면에서, 전문가 시스템은 인간처럼 사례, 경험, 그리고 환경을 통해 학습할 수 없습니다.
교훈 4: 초기 성공(기업과 정부 기관의 광범위한 도입, 그리고 막대한 공공 및 민간 투자)이 10년이나 15년 후에도 반드시 지속 가능한 "새로운 산업"으로 이어지는 것은 아닙니다. 거품은 터지기 마련입니다.
부침, 과장과 좌절 속에서 AI 개발에 대한 두 가지 매우 다른 접근 방식이 학계, 공공 및 민간 투자자, 그리고 언론의 관심을 끌기 위해 경쟁해 왔습니다. 40년 넘게 상징적이고 규칙 기반의 AI 접근 방식이 지배적이었습니다. 그러나 사례 기반의 통계적 AI 접근 방식인 연결주의는 1950년대 후반과 1980년대에 또 다른 주요 AI 접근 방식으로 잠시 인기를 누렸습니다.
2012년 연결주의 르네상스 이전까지 AI 연구 개발은 주로 학계에 의해 주도되었는데, 학계는 도그마(소위 "정상 과학")와 상징적 AI와 연결주의 사이에서 끊임없이 선택해야 하는 상황에 놓였습니다. 2019년 제프리 힌튼은 튜링상 수상 소감에서 자신과 소수의 딥러닝 지지자들이 주류 AI 및 머신러닝 학자들에 의해 겪었던 고난을 이야기하는 데 많은 시간을 할애했습니다. 힌튼은 또한 강화 학습과 딥마인드 동료들의 연구를 폄하하기 위해 적극적으로 나섰습니다.
불과 몇 년 후인 2023년, 딥마인드는 구글의 AI 사업을 인수했고(힌튼 역시 그곳에서 물러났습니다), 이는 주로 강화 학습을 AI 개발의 핵심 요소로 활용한 OpenAI의 성공에 대한 반응이었습니다. 강화 학습의 선구자 두 명인 앤드류 바토와 리처드 서튼은 2025년에 튜링상을 수상했습니다.
그러나 DeepMind나 OpenAI, 그리고 일반 인공지능(AGI)을 연구하는 수많은 "유니콘" 기업들 중 어느 누구도 대규모 언어 모델이라는 기존 패러다임을 벗어나는 데 집중하고 있다는 징후는 보이지 않습니다. 2012년 이후 AI 개발의 중심은 학계에서 민간 부문으로 옮겨갔지만, AI 분야 전체는 여전히 단일 연구 방향에 집착하고 있습니다.
5번째 교훈: AI에 관한 모든 것을 한 바구니에 담지 마세요.
황 CEO는 의심할 여지 없이 뛰어난 CEO이고, 엔비디아는 뛰어난 기업입니다. 10여 년 전 AI 기회가 갑자기 나타났을 때, 엔비디아는 재빨리 그 기회를 잡았습니다. 원래 비디오 게임의 효율적인 렌더링을 위해 설계된 자사 칩의 병렬 처리 능력이 딥러닝 계산에 매우 적합했기 때문입니다. 황 CEO는 항상 경계 태세를 유지하며 직원들에게 "우리는 파산까지 30일밖에 남지 않았습니다."라고 말했습니다.
경계를 늦추지 않는 것(인텔 기억하시나요?) 외에도 80년간의 AI 개발에서 얻은 교훈은 엔비디아가 앞으로 30일 또는 30년의 흥망성쇠를 견뎌내는 데 도움이 될 수 있습니다.
