[AI를 찾아서] 1편
'지능'을 만들어 보자.
AI WrittenEdited by Injeong
지능(Intelligence)이 뭐지? 이해하고, 생각하고, 추론하고, 예측하는 능력이라고 하면 될까?
이 능력은 사람이라면 응당 가지고 있는 것 같기도 하지만, 모두에게 다 똑같지는 않다. 갓난아기는 아직 말도 셈도 못 하고, 어른끼리도 수준이 천차만별이다. 그럼 애초에 지능이 인간만의 것이었나? 까마귀는 나뭇가지를 도구로 써서 먹이를 꺼내고, 침팬지는 화면에 잠깐 내비친 숫자들의 자리를 기억한다. 동물에게 지능이 없다고 말하기는 어렵다.
결국 지능은 '있다/없다'로 딱 나뉘는 게 아니라 정도의 차이가 있는 무언가다. 그래서 심리학자, 철학자, 컴퓨터과학자마다 정의가 다르고, 지금도 하나로 정해진 답은 없다.
보통 무언가를 만들 때는 그게 무엇인지부터 정한다. 자동차라면 '엔진의 힘으로 바퀴를 굴려 달리는 탈것'이라는 정의가 먼저고, 설계는 그다음이다. 그런데 AI는 만들려는 대상인 지능부터 정의가 안 됐다. 그래서 지능을 인공적으로 만들려는 사람들은 '지능이 무엇인가'를 끝까지 따지지 않고 방향을 틀었다. 사람이 하면 지능이 필요한 일을 기계가 해내면, 그 기계는 지능을 가진 것처럼 보자는 것이다.
인공지능(AI, Artificial Intelligence)은 사람이 하면 지능이 필요하다고 여기는 일, 예를 들어 글자를 알아보고, 병을 진단하고, 바둑을 두는 일을 기계가 하게 만드는 기술이다.
70년이라는 시간동안 이어진 싸움은 하나였다. 기계에게 사람이 생각하는 패턴을 규칙으로 정리해 하나하나 가르칠 것인가, 아니면 '뇌'가 신경세포끼리 연결된 방식을 컴퓨터로 흉내 내서, 데이터를 보고 알아서 배우게 할 것인가. 본 편에서는 1950년대에 AI라는 말이 처음 생겨난 순간부터, 뇌를 흉내 낸 첫 기계 퍼셉트론이 세상을 들뜨게 했다가 첫 번째 'AI의 겨울'을 맞기까지를 따라간다.
1-1. "인공지능"이라는 말의 탄생
1950년, 튜링의 질문.
A long long time ago.... 호랑이가 담배피우던시절로 돌아간다. 컴퓨터가 막 생겨나던 때 나온 질문 하나가 있다. 1950년, 영국 수학자 앨런 튜링(Alan Turing)은 논문 「계산 기계와 지능」에서 "기계가 생각할 수 있을까?"라고 물었다. 튜링은 아는 사람들은 알겠지만, 2차 세계대전 때 독일군 암호기 에니그마를 푸는 데 큰 역할을 한 사람이다.(이때까지 에니그마가 그 암호를 푼 장치인줄)

앨런 튜링, 1928~1929년 무렵(16살) 여권 사진. 영국 수학자, '기계가 생각할 수 있을까?'를 처음 진지하게 물은 사람.
튜링은 '생각한다'는 것 자체를 정의하기는 어렵다고 판단했나보다. 그래서 "컴퓨터가 생각을 할 수 있을까?"라는 것에 답을 내놓는게 아니라, 시험을 고안해냈다. 사람이 칸막이 너머 상대와 글로만 대화해서, 상대가 기계인지 사람인지 구별하지 못하면 그 기계는 생각한다고 봐도 되지 않느냐는 것이다. 이 시험이 지금도 자주 언급되는 '튜링 테스트'다.
1956년, 다트머스에서 이름이 붙다.
튜링이 질문을 던진 지 6년 뒤, 그 질문에 '인공지능'이라는 이름이 붙었다. 1956년 여름 미국 다트머스대학에서 열린 연구 모임에서다. 이 모임을 제안한 사람은 네 명이었다.
인물 소개: 다트머스 회의를 연 네 사람
존 매카시(John McCarthy): 미국, 다트머스대 수학과 교수. 제안서에 "인공지능"이라는 말을 처음 썼다.
마빈 민스키(Marvin Minsky): 미국, 당시 하버드대 연구원. 나중에 MIT AI 연구소를 세운다.
너새니얼 로체스터(Nathaniel Rochester): 미국, IBM 엔지니어. IBM 첫 상업용 과학 컴퓨터 701의 설계자.
클로드 섀넌(Claude Shannon): 미국, 벨연구소 연구원. 정보를 0과 1로 다루는 '정보 이론'을 만든 사람. 어떤 AI 회사의 챗봇 이름 '클로드(Claude)'가 여기서 왔다는 설도 있다. 아님말고(출처: IJ 머릿속)
1956년 당시제안서의 자신감을 들여다보면 respect가 멈추지 않는다. 10명이 두 달 동안 모이면 기계가 언어를 쓰고, 개념을 만들고, 스스로 나아지게 하는 데 "상당한 진전"을 볼 수 있다고 적었다. 실제로는 70년이 지난 지금도 그 목록을 다 풀지 못했다. 이 '너무 큰 기대(설레발)'가 결국엔 겨울의 씨앗이 된다...
AI, 머신러닝, 딥러닝은 뭐가 다를까.
이름이 생겼으니 앞으로 계속 나올 세 단어부터 정리하자. 셋은 서로 다른 것이 아니라, 큰 원 안에 작은 원이 들어 있는 관계다. 기호주의 이야기는 다음에 나올테니 기다려주시라.(바로 다음에 나옴)
- 인공지능(AI): 가장 큰 범주. 방법은 따지지 않고, 기계가 지능이 필요한 일을 하게 만드는 모든 기술이다. 민스키는 "사람이 하면 지능이 필요한 일을 기계가 하게 만드는 과학"이라고 했다. 이 분류 상으로는 스타 컴퓨터 대전도 AI이고, 세탁기도 AI다.
- 머신러닝(Machine Learning): 사람이 규칙을 직접 짜 넣지 않고, 기계가 데이터에서 규칙을 스스로 찾게 하는 방법이다. 1959년 IBM의 아서 새뮤얼(Arthur Samuel)이 체커(서양 장기) 두는 프로그램을 만들며 이 말을 썼다.
- 딥러닝(Deep Learning): 가장 안쪽 원. 뇌의 신경세포를 흉내 낸 '인공신경망'을 여러 층으로 깊게 쌓은 머신러닝이다. 2006년 무렵 제프리 힌턴(Geoffrey Hinton)과 동료들이 이 이름을 널리 쓰기 시작했다.

그러면 저 회색 친구 기호주의는 뭘까? 요새 같은 대AI 시대에 머신러닝이랑 딥러닝은 알더라도, 규칙기반 AI라는 말을 들어본 사람은 많지 않을 것 같다. 저게 뭐였는지 살펴보자. 왜 그 당시엔 머신러닝이나 딥러닝이 힘을 못 썼는지, 저 기호주의라는 건 왜 지금은 AI라고 잘 불리지 않는 걸까?
1-2. 두 갈래 길: 규칙으로 가르치기 vs 뇌 흉내 내기
기호주의, 사람이 규칙을 써 주자!
다트머스에 모인 사람들 대부분은 지능을 '기호를 규칙대로 다루는 능력'이라고 봤다. 사람이 가진 지식을 "만약 A이고 B이면, C다" 같은 규칙(if-then)으로 적어 기계에 넣으면, 기계가 그 규칙을 이어 붙여 답을 낸다는 생각이다. 이 쪽을 기호주의 AI(Symbolic AI)라고 부른다.
장점은 분명하다. 기계가 왜 그런 답을 냈는지 규칙을 따라가 보면 다 보인다. 대신 규칙으로 적기 어려운 일에서는 막힌다. 예를 들어 사람 얼굴을 알아보는 규칙을 글로 적어 보라고 하면, 우리는 매일 하는 일인데도 한 줄도 제대로 쓰지 못한다. 우리가 못만드는 규칙은 기계로 만들 수 없다는 한계가 있는 것이다.
연결주의, 기계야! 너가 데이터로 배워.
반대편에는 인공지능을 만들기 위해서 '지능'에 집중하는 사람들이 있었다. 그들은 뇌를 열심히 보고 있었다. 사람 뇌에는 신경세포(뉴런)가 약 1천억 개, 그 사이 연결이 약 100조 개 있다(대략치). 뇌는 어디에도 규칙을 적어 두지 않는다. 뉴런끼리의 연결이 경험에 따라 강해지거나 약해지면서 얼굴도 알아보고 말도 배운다. 우리가 생각하고 움직이고 말하듯이.
그러니 기계도 뉴런처럼 연결된 구조를 만들고, 데이터를 많이 보여 주면서 연결의 세기를 조금씩 고치게 하자는 쪽이 생겼다. 이름도 '연결'에서 따와 연결주의 AI(Connectionist AI)다. 장점과 단점은 기호주의와 정반대다. 규칙을 못 적는 일도 배울 수 있지만, 왜 그런 답이 나왔는지는 연결 수치 수백만 개 속에 숨어 있어 잘 보이지 않는다.
배너 광고 예시
어느 온라인 쇼핑몰이 방문자에게 배너 광고를 띄울지 말지 정한다고 해 보자. 두 가지 케이스가 존재한다.
- 규칙으로 가르치기(전통적 프로그래밍): 마케터가 먼저 규칙을 정한다. "20대 여성이고, 서울에 살고, 화장품 페이지를 봤으면 띄운다." 프로그래머가 이 규칙을 코드로 짜 넣고, 방문자 정보가 들어오면 규칙대로 예/아니오를 낸다.
- 데이터로 배우게 하기(이 예시는 머신러닝. 연결주의도 이 안에 들어간다): 과거 방문자 수만 명의 정보(성별, 나이, 지역, 본 페이지)와 그들이 실제로 광고를 눌렀는지(정답)를 함께 넣는다. 기계가 어떤 사람이 누르는지 규칙을 스스로 찾아 모델을 만들고, 새 방문자가 오면 그 모델로 예/아니오를 낸다.

차이는 '규칙'이 어디에서 오느냐다. 앞쪽은 사람 머릿속에서, 뒷쪽은 데이터 속에서 나온다. 그래서 뒷쪽은 데이터가 많을수록, 그리고 그 데이터를 돌릴 컴퓨터가 빠를수록 강해진다. 그럼 처음 그 '인공지능'이 논의 되던 시절에 머신러닝 기법을 사용했으면 되는것 아닌가? 하지만 데이터와 컴퓨팅파워, 두 가지가 모두 없던 시절의 그 시도가 어떻게 됐는지 살펴보자.
1-3. 뇌를 흉내 낸 첫 기계, 퍼셉트론
1943년, 뉴런을 스위치로 보다.
뇌를 흉내 내려면 먼저 뉴런 하나가 무슨 일을 하는지 단순하게 정리해야 했다. 이 일을 해낸 사람은 AI라는 말이 생기기도 전인 1943년, 미국의 신경생리학자 워렌 맥컬록(Warren McCulloch)과 독학으로 논리학을 공부한 월터 피츠(Walter Pitts)다.
두 사람은 뉴런을 켜지거나 꺼지는 스위치처럼 보았다. 뉴런은 여러 뉴런에게서 신호를 받고, 받은 신호의 합이 어느 기준(문턱)을 넘으면 다음 뉴런으로 신호를 보낸다(켜짐). 못 넘으면 아무것도 보내지 않는다(꺼짐). [반도체를 찾아서]에서 본 트랜지스터가 켜짐/꺼짐 스위치였던 것처럼, 뉴런도 스위치로 보면 기계로 만들 수 있다는 뜻이었다.
1958년, 로젠블랫의 퍼셉트론.
맥컬록과 피츠의 뉴런에는 빠진 게 하나 있었다. 스스로 배우지 못했다. 이 점을 보완한 사람이 미국 코넬 항공연구소의 심리학자 프랭크 로젠블랫(Frank Rosenblatt)이다. 1958년 논문으로 낸 '퍼셉트론(Perceptron)'은 연결마다 세기(가중치)를 붙이고, 틀릴 때마다 그 가중치를 고치게 했다.
배우는 방법은 이렇다. 입력 신호마다 가중치를 곱해 더하고, 그 합이 문턱을 넘으면 1, 아니면 0을 낸다. 정답이 1인데 0을 냈으면 그때 켜져 있던 입력의 가중치를 조금 올리고, 반대로 틀리면 조금 내린다. 이걸 수백 번 반복하면 가중치가 정답을 내는 쪽으로 자리를 잡는다. 사람이 규칙을 쓰지 않고, 기계가 가중치를 맞춰 가며 규칙을 찾는 셈이다.

기계로 만든 퍼셉트론, Mark I.
로젠블랫은 이 아이디어를 실제 기계로도 만들었다. 미 해군 연구청(Office of Naval Research)의 돈으로 만든 'Mark I 퍼셉트론'이다. 빛을 감지하는 센서 400개(20×20)를 카메라처럼 배열해 그림을 보고, 가중치는 전선에 달린 조절 장치(가변저항)를 모터가 돌려서 바꿨다. 간단한 도형이나 글자를 구별하는 법을 배웠다.


① 프랭크 로젠블랫, 1950년 무렵. 퍼셉트론을 만든 미국 심리학자. ② Mark I 퍼셉트론, 1960년 설명서 사진. 왼쪽 카메라로 그림을 보고, 오른쪽 장치들이 가중치를 바꿔 가며 배웠다.
신문이 먼저 흥분했다.
문제는 기대가 너무 빨리 부풀었다는 것이다. 1958년 7월 미국 뉴욕타임스는 해군 발표를 전하며, 이 기계가 언젠가 걷고, 말하고, 보고, 글을 쓰고, 스스로를 복제하고, 자기 존재를 의식할 것이라고 보도했다. 실제 퍼셉트론은 카드의 표시가 왼쪽에 있는지 오른쪽에 있는지 구별하는 수준이었다. 이 간극이 곧 발목을 잡는다.
1-4. First Winter is Coming... (1970년대)
1969년, 민스키의 책 한 권.
퍼셉트론의 발목을 잡은 사람은 다트머스 회의를 연 마빈 민스키였다. 그는 MIT 동료인 남아프리카공화국 출신 수학자 시모어 페퍼트(Seymour Papert)와 함께 1969년 『퍼셉트론』이라는 책을 냈다. 제목은 퍼셉트론이지만 내용은 퍼셉트론이 못 하는 일을 수학으로 증명한 책이었다.
가장 유명한 예가 'XOR(배타적 논리합)' 문제다. 스위치 두 개가 있고, 둘 중 딱 하나만 켜져 있을 때만 전등이 켜진다고 해 보자. 둘 다 꺼져도, 둘 다 켜져도 전등은 꺼진다. 사람에게는 쉬운 규칙이지만, 뉴런 하나짜리 퍼셉트론은 아무리 가중치를 고쳐도 이걸 배울 수 없다.
이유는 퍼셉트론이 하는 일이 결국 '직선 하나를 그어 예와 아니오를 나누는 것'이기 때문이다. 네 경우를 평면에 찍어 보면, 전등이 켜지는 두 점이 서로 대각선 끝에 있어서 직선 하나로는 둘로 갈라지지 않는다.

민스키도 뉴런을 여러 층으로 쌓으면 XOR을 풀 수 있다는 것은 알았다. 문제는 여러 층짜리 신경망을 어떻게 가르칠지, 당시에는 아무도 제대로 몰랐다는 점이다. 가장 영향력 있는 AI 학자가 "이 길은 막혔다"고 말한 셈이니, 신경망 연구로 가던 돈과 사람이 빠르게 빠져나갔다. 멱살끌고 가던 로젠블랫은 1971년 보트 사고로 세상을 떠났고, 연결주의는 그 이후 10년 넘게 숨을 죽였다.
규칙파도 사실은 뭐....
연결주의만의 이야기는 아니었다. 기호주의도 처음엔 모든게 자기 생각대로 될 줄 알았나보다. 1965년 미국의 AI 선구자 허버트 사이먼(Herbert Simon)은 20년 안에 기계가 사람이 하는 어떤 일이든 할 수 있게 될 것이라고 적었다. 하지만 체스, 퍼즐, 수학 증명 같은 '장난감 문제'는 풀어도, 현실 문제로 가면 경우의 수가 폭발적으로 늘어 기계가 감당하지 못했다.
대표적인 실패가 기계 번역이다. 냉전 시기 미국은 러시아어 문서를 자동으로 번역하려고 큰돈을 넣었지만, 1966년 정부 자문위원회(ALPAC) 보고서는 기계 번역이 사람보다 느리고 부정확하고 비싸다고 결론냈다. 단어를 사전대로 바꾸는 규칙만으로는 문맥에 따라 뜻이 달라지는 말을 다루지 못했기 때문이다.
1973년, 라이트힐 보고서로 돈이 끊기다.
남은 코인 하나로 연명하던 연결주의마저도 결국 숨을 거두게 됐다. 결정타는 영국에서 나왔다. 1973년 영국 응용수학자 제임스 라이트힐(James Lighthill)은 정부 의뢰로 AI 연구를 평가하고, AI가 "웅대한 목표"를 이루지 못했다고 적었다. 이후 영국은 대부분 대학의 AI 연구 지원을 끊었다. 비슷한 시기 미국 국방부 연구기관 DARPA도 당장 군사에 쓸 수 있는 연구만 지원하는 쪽으로 돌아섰다.
돌이켜 보면 두 진영은 같은 벽에 부딪혔던 것이다. 하나는 컴퓨터가 너무 느리고 메모리가 작았다는 것, 다른 하나는 기계에게 보여 줄 데이터가 거의 없었다는 것이다. 연결주의는 보고 배울 데이터가 없었고, 기호주의는 현실의 경우의 수를 감당할 힘이 없었다. 두 파 모두 사람과 돈을 잃은 1974년부터 1980년무렵까지를 '첫 번째 AI 겨울'이라고 부른다. 이 겨울을 먼저 빠져나온 쪽은 규칙파였다. 이번에는 연구실이나 정부가 아니라 기업이 지갑을 열었다.
(이어서....)
[AI를 찾아서] 2편. 큰 거 왔냐?
사진 출처
- 앨런 튜링(1928~1929): Arthur Reginald Chaffin(추정), 퍼블릭 도메인, https://commons.wikimedia.org/wiki/File:Alan_Turing_Aged_16.jpg
- 프랭크 로젠블랫(1950): 작자 미상, CC BY-SA 4.0, https://commons.wikimedia.org/wiki/File:Frank_Rosenblatt.jpg
- Mark I 퍼셉트론 설명서 그림(1960): John C. Hay, Albert E. Murray, 미국 정부 저작물(퍼블릭 도메인), https://commons.wikimedia.org/wiki/File:Mark_I_Perceptron,_Figure_2_of_operator%27s_manual.png
참고 자료
- 다트머스 회의 제안서(1955): http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf