인공지능은 어떻게 발전해왔을까규칙 기반 AI에서 생성형 AI까지

안녕하세요, DECHIVE입니다.

ChatGPT를 처음 접한 사람에게 AI의 역사는 2022년부터 시작된 것처럼 보일 수 있습니다. 하지만 연구자들은 컴퓨터가 지금처럼 흔하지 않던 시절부터 기계가 추론하고, 배우고, 언어를 사용할 수 있는지 질문해왔습니다.

그렇다면 지난 70여 년 동안 정확히 무엇이 달라진 걸까요? 컴퓨터가 갑자기 똑똑해진 걸까요, 아니면 우리가 지능을 구현하는 방법을 계속 바꿔온 걸까요?

AI의 역사를 이해할 때는 유명한 사건의 연도만 외우기보다 사람이 기계에 지능을 넣는 방식이 어떻게 달라졌는지를 보는 편이 훨씬 유용합니다.

한 문장으로 먼저 정리하면

인공지능은 사람이 규칙을 직접 작성하는 방식에서 출발해, 데이터에서 패턴을 학습하고, 대규모 데이터로 범용 표현을 익힌 모델을 다양한 도구와 연결하는 방향으로 발전해왔습니다.

다만 이 문장을 ‘옛 기술이 사라지고 새 기술이 완전히 교체했다’는 뜻으로 이해하면 안 됩니다.

규칙 기반 시스템은 지금도 세금 계산, 권한 관리, 안전 절차처럼 기준이 명확해야 하는 곳에서 사용됩니다. 통계적 머신러닝도 추천·검색·예측 시스템의 중요한 기반입니다. 딥러닝과 생성형 AI는 그 위에 새 층을 더했습니다.

AI의 역사는 한 줄짜리 진보라기보다 여러 접근법이 경쟁하고, 실패하고, 다시 결합된 과정에 가깝습니다.

1950년대, 질문이 연구 분야가 되다

1950년 앨런 튜링은 논문 「Computing Machinery and Intelligence」에서 “기계가 생각할 수 있는가?”라는 질문을 그대로 정의하려 하기보다, 대화만으로 인간과 기계를 구분할 수 있는지를 묻는 ‘모방 게임’을 제안했습니다.

오늘날 흔히 튜링 테스트라고 부르는 이 생각의 의미는 기계가 인간과 똑같은 내면을 가졌는지를 증명하는 데 있지 않습니다. 지능처럼 보이는 행동을 관찰 가능한 과제로 바꿔 평가하려 했다는 점이 중요합니다.

튜링은 같은 논문에서 학습하는 기계의 가능성도 다뤘습니다. 완성된 성인의 마음을 처음부터 프로그램으로 옮기기보다, 아이처럼 배우는 기계를 만들고 교육하는 방법을 생각해볼 수 있다고 봤습니다.

1955년 존 매카시, 마빈 민스키, 너새니얼 로체스터, 클로드 섀넌은 이듬해 여름 연구 모임을 위한 제안서를 작성했습니다. 이 문서에 ‘인공지능(artificial intelligence)’이라는 표현이 사용됐고, 1956년 다트머스 연구 프로젝트는 AI가 하나의 연구 분야로 자리 잡는 상징적인 출발점이 됐습니다.

당시 제안서는 학습과 지능의 여러 측면을 충분히 정확하게 설명할 수 있다면 기계가 이를 모사할 수 있다는 대담한 가정에서 출발했습니다. 언어 사용, 개념 형성, 문제 해결, 자기 개선까지 이미 연구 과제로 제시했습니다.

놀라운 점은 오늘날의 AI가 다루는 질문 상당수가 이때 이미 등장했다는 것입니다. 달라진 것은 질문보다 그 질문을 시험할 데이터·연산 자원·알고리즘의 규모였습니다.

초기 AI는 지능을 규칙과 탐색으로 표현했습니다

초기 AI 연구에서 강했던 생각은 인간의 추론을 기호와 규칙으로 표현할 수 있다는 것이었습니다.

예를 들어 체스에서 가능한 수를 탐색하거나, 논리 문제를 정해진 규칙에 따라 풀고, 어떤 조건이 참이면 다음 결론을 내리는 프로그램을 만드는 방식입니다. 이를 넓게는 기호주의 AI 또는 규칙 기반 AI라고 부릅니다.

사람이 문제를 잘게 나누고 지식을 규칙으로 작성하면, 컴퓨터는 빠른 계산과 탐색으로 답을 찾습니다.

• `열이 높고 특정 증상이 있으면 이 질환을 의심한다`
• `재고가 기준보다 적으면 주문을 요청한다`
• `체스판의 현재 상태에서 유리한 수를 평가한다`

이 접근법은 설명하기 쉽고, 규칙의 출처를 추적하기 좋다는 장점이 있습니다. 문제의 범위가 좁고 조건이 분명하면 지금도 매우 유용합니다.

하지만 현실의 지식을 사람이 빠짐없이 규칙으로 적는 일은 생각보다 어렵습니다. 예외가 늘어날수록 규칙은 복잡해지고, 처음 보는 상황에 유연하게 대응하기도 어렵습니다. 언어와 이미지처럼 경계가 모호한 문제는 모든 경우를 미리 정의하기가 사실상 불가능합니다.

전문가 시스템은 성공과 한계를 동시에 보여줬습니다

1970년대와 1980년대에는 특정 분야 전문가의 지식과 판단 규칙을 컴퓨터에 담는 전문가 시스템이 주목받았습니다.

전문가 시스템은 보통 사실과 규칙을 모은 지식 기반, 그리고 그 규칙을 적용해 결론을 찾는 추론 엔진으로 구성됩니다. 의료 진단 보조, 장비 구성, 기업 의사결정처럼 범위가 정해진 문제에서 실제 가능성을 보여줬습니다.

그러나 전문가의 머릿속 지식을 규칙으로 꺼내 정리하는 일은 비쌌고, 환경이 바뀔 때마다 지식 기반을 사람이 고쳐야 했습니다. 규칙이 많아지면 서로 충돌하거나 관리하기 어려워지는 문제도 생겼습니다.

AI에 대한 기대가 실제 능력보다 빠르게 커진 뒤 약속한 성과가 나오지 않자 연구비와 관심이 줄어드는 시기가 반복됐습니다. 이런 침체기를 흔히 AI 겨울이라고 부릅니다.

AI 겨울의 정확한 시작과 끝을 하나의 연도로 고정하기는 어렵습니다. 지역·기관·기술 분야마다 상황이 달랐고, 관심이 줄어든 동안에도 연구는 계속됐기 때문입니다. 중요한 건 AI가 완전히 사라졌다는 것이 아니라 과도한 기대와 제한된 현실 사이의 차이가 투자와 관심의 급격한 변화를 만들었다는 점입니다.

기계가 규칙 대신 데이터에서 배우기 시작했습니다

규칙을 모두 사람이 작성하는 데 한계가 있다면, 컴퓨터가 사례를 보고 패턴을 찾게 할 수 있습니다.

이 생각이 머신러닝입니다.

물론 학습하는 기계와 신경망의 아이디어는 AI 초기부터 존재했습니다. 다만 1990년대와 2000년대를 거치며 더 많은 디지털 데이터, 개선된 통계 기법, 빨라진 컴퓨터가 결합하면서 데이터 중심 접근법이 실제 문제에서 힘을 얻었습니다.

사람이 `스팸 메일에는 반드시 이 단어가 있다`는 규칙을 하나씩 작성하는 대신, 스팸과 정상 메일의 사례를 제공해 둘을 구분하는 패턴을 학습시키는 방식입니다. 검색 결과의 순위, 상품 추천, 신용 위험 예측, 음성 인식처럼 불확실성이 있는 문제에 확률과 통계를 활용할 수 있게 됐습니다.

1997년 IBM의 딥블루가 세계 체스 챔피언 가리 카스파로프를 정규 대국에서 이긴 사건도 AI 역사에서 자주 언급됩니다. 다만 딥블루를 오늘날의 범용 학습 모델처럼 이해해서는 안 됩니다. IBM 설명에 따르면 딥블루는 강력한 병렬 연산, 체스 탐색, 평가 함수와 방대한 체스 지식을 결합한 전문 시스템이었습니다.

이 사건은 기계가 인간 전체의 지능을 얻었다는 증거보다, 잘 정의된 과제에서는 전문화된 계산 시스템이 최고 수준의 인간을 넘어설 수 있다는 사실을 보여줬습니다.

2010년대, 데이터·GPU·딥러닝이 함께 만났습니다

딥러닝도 2010년대에 갑자기 발명된 기술은 아닙니다. 인공신경망에 관한 아이디어와 연구는 수십 년 전부터 이어져왔습니다.

변곡점은 여러 조건이 동시에 맞아떨어졌다는 데 있습니다.

• 대규모로 정리된 학습 데이터
• 행렬 계산을 빠르게 처리할 수 있는 GPU
• 깊은 신경망을 안정적으로 학습시키는 기법
• 서로 성능을 비교할 수 있는 공개 벤치마크
• 연구 결과를 재현하고 확장하는 소프트웨어 생태계

2009년 공개된 ImageNet은 수많은 범주의 이미지를 대규모로 정리해 컴퓨터 비전 연구에 공통 데이터와 평가 기준을 제공했습니다.

2012년 AlexNet 논문은 130만 장의 고해상도 이미지를 1,000개 범주로 분류하는 깊은 합성곱 신경망을 GPU로 학습했고, 당시 기존 결과를 크게 앞섰습니다. 이 성과는 신경망 하나의 승리라기보다 데이터·연산 자원·모델 구조·학습 기법·평가 대회가 결합했을 때 어떤 변화가 생기는지 보여준 사건이었습니다.

이후 이미지 인식뿐 아니라 음성 인식, 번역, 자연어 처리에서도 사람이 특징을 일일이 설계하기보다 모델이 데이터에서 유용한 표현을 학습하는 방식이 빠르게 확산됐습니다.

2017년 트랜스포머는 언어 모델의 규모를 바꿨습니다

2017년 Google 연구진이 발표한 「Attention Is All You Need」는 순환 신경망이나 합성곱에 의존하지 않고 어텐션을 중심으로 문장 같은 순차 데이터를 처리하는 트랜스포머 구조를 제안했습니다.

트랜스포머는 문장 안의 단어들이 서로 어떤 관계를 맺는지 계산하면서도 학습을 병렬화하기 쉬웠습니다. 이 구조는 더 큰 데이터와 더 많은 연산 자원을 활용해 모델 규모를 키우는 데 유리했고, 이후 대규모 언어 모델의 핵심 기반이 됐습니다.

여기서 다시 AI를 만드는 방식이 달라졌습니다.

예전에는 번역 모델, 요약 모델, 질의응답 모델을 각각 따로 만드는 경우가 많았습니다. 대규모 사전학습 모델은 먼저 방대한 데이터에서 언어와 세계의 패턴을 넓게 학습한 뒤, 지시 학습·미세조정·검색·도구 연결을 통해 여러 작업에 활용할 수 있게 됐습니다.

이를 흔히 파운데이션 모델 또는 기반 모델 중심의 변화라고 설명합니다.

2022년 이후, 생성형 AI가 연구실 밖으로 나왔습니다

생성 모델은 ChatGPT 이전에도 존재했습니다. GPT 계열 언어 모델, 이미지 생성 모델, 대화 시스템에 관한 연구도 이미 이어지고 있었습니다.

그럼에도 2022년 11월 공개된 ChatGPT가 중요한 이유는 대규모 언어 모델을 일반 사용자가 대화형 화면에서 직접 경험할 수 있게 했기 때문입니다.

OpenAI는 당시 ChatGPT를 대화형으로 상호작용하도록 훈련한 모델로 소개했고, 사람의 선호 피드백을 활용한 강화학습을 적용했다고 설명했습니다. 사용자는 별도의 프로그래밍 없이 질문하고, 후속 질문을 던지고, 글과 코드를 요청할 수 있었습니다.

이후 생성형 AI는 텍스트에서 이미지·음성·영상까지 다루는 멀티모달 모델로 확장됐고, 검색·파일·코드 실행·외부 API 같은 도구와 연결되기 시작했습니다.

이 지점부터는 모델 하나의 성능만으로 제품을 설명하기가 더 어려워졌습니다. 이전 글에서 살펴본 것처럼 오늘날의 AI 경험은 모델에 문맥·메모리·검색·도구·권한·안전장치가 결합된 AI 시스템이 만들기 때문입니다.

AI는 무엇 때문에 갑자기 발전하는 것처럼 보일까요?

AI의 큰 도약은 보통 단 하나의 발명으로 설명되지 않습니다.

데이터

모델이 배울 수 있는 사례가 많아지고 정리 방식이 좋아지면 더 복잡한 패턴을 학습할 수 있습니다. 다만 데이터가 많다고 자동으로 좋은 모델이 되는 것은 아닙니다. 품질·대표성·권리·개인정보 문제도 함께 커집니다.

연산 자원

GPU와 대규모 컴퓨팅 인프라는 더 큰 모델을 더 많은 데이터로 학습할 수 있게 했습니다. 동시에 비용·전력·물 사용과 특정 기업에 대한 자원 집중 문제도 만들었습니다.

알고리즘과 모델 구조

오류를 줄이는 학습법, 깊은 신경망 구조, 어텐션과 트랜스포머 같은 변화는 같은 데이터와 컴퓨터를 더 효과적으로 활용하게 했습니다.

평가 기준과 공개 경쟁

ImageNet 같은 데이터셋과 벤치마크는 서로 다른 방법을 같은 조건에서 비교하게 했습니다. 좋은 평가 기준은 발전을 촉진하지만, 점수 하나가 실제 환경의 안전성이나 유용성을 모두 나타내지는 않습니다.

제품과 사용자 피드백

연구 결과가 사용하기 쉬운 제품으로 바뀌면 더 많은 사람이 기술을 시험합니다. 실제 사용에서 나온 피드백은 새로운 개선점을 만들지만, 검증되지 않은 결과가 빠르게 퍼지는 위험도 키웁니다.

DECHIVE의 해석으로는 AI 발전을 볼 때 ‘새 모델이 나왔다’는 소식만 보면 절반만 보는 셈입니다.

무슨 알고리즘이 바뀌었는가, 어떤 데이터와 연산 자원을 사용했는가, 무엇으로 평가했는가, 실제 시스템에서 어떻게 연결했는가를 함께 봐야 합니다.

발전이 곧 일반 지능의 완성을 뜻하지는 않습니다

AI 역사를 돌아보면 특정 과제의 성능 향상과 인간처럼 폭넓게 이해하고 판단하는 능력은 같은 말이 아니었습니다.

딥블루는 체스에서 세계 챔피언을 이겼지만 일상 대화를 할 수 없었습니다. 이미지 분류 모델은 수많은 사물을 구분했지만 문서를 요약하지 못했습니다. 대규모 언어 모델은 여러 작업을 한 인터페이스에서 수행하지만, 사실이 아닌 내용을 그럴듯하게 만들거나 긴 작업에서 일관성을 잃을 수 있습니다.

2026년 Stanford AI Index도 AI 능력이 빠르게 발전하는 동시에 평가와 관리 체계가 그 속도를 따라가지 못하는 문제를 짚습니다. 일부 과제의 높은 점수와 실제 세계에서의 신뢰성 사이에는 여전히 차이가 있습니다.

따라서 ‘AI가 발전했다’는 말을 들으면 최소한 세 가지를 구분해야 합니다.

1. 특정 평가 점수가 높아졌는가
2. 실제 사용 환경에서 더 유용하고 안정적인가
3. 다른 상황에도 넓게 적용되는 능력이 생겼는가

이 셋은 서로 관련 있지만 같은 것은 아닙니다.

흔한 오해

“AI는 2022년에 갑자기 등장했다.” ChatGPT가 대중화를 크게 앞당긴 것은 맞지만, 그 기반에는 수십 년간 축적된 기호주의 AI, 통계적 머신러닝, 신경망, 데이터와 컴퓨팅 연구가 있습니다.

“딥러닝이 나오면서 규칙 기반 AI는 사라졌다.” 실제 시스템에서는 학습 모델과 명시적 규칙, 검색, 데이터베이스, 권한 제어가 함께 사용됩니다.

“AI 겨울에는 AI 연구가 멈췄다.” 관심과 투자가 크게 줄어든 시기는 있었지만 모든 연구가 중단된 것은 아닙니다. 다음 변화의 기반이 된 연구도 그 사이 계속됐습니다.

“컴퓨터가 인간을 이긴 사건은 곧 범용 지능의 탄생이다.” 체스·이미지 분류·게임처럼 잘 정의된 과제에서의 뛰어난 성능과 다양한 현실 문제를 이해하는 능력은 구분해야 합니다.

“AI는 모델만 커지면 계속 같은 속도로 발전한다.” 데이터 품질과 공급, 연산 비용, 에너지, 평가 한계, 안전성과 실제 제품 설계가 모두 제약으로 작용합니다.

그래서 무엇을 기억해야 할까요?

AI의 역사는 ‘기계가 점점 인간처럼 변한 이야기’만은 아닙니다.

사람이 지능을 문제로 정의하는 방식이 바뀌었고, 지식을 직접 규칙으로 넣는 방식에서 데이터로 패턴을 학습시키는 방식으로, 다시 대규모로 사전학습한 모델을 여러 시스템에 연결하는 방식으로 발전했습니다.

그 과정에는 눈에 띄는 성공뿐 아니라 과장된 기대, 실패, 침체와 재발견이 함께 있었습니다.

DECHIVE에서는 이렇게 기억하면 충분합니다.

AI의 발전은 하나의 모델이 계속 똑똑해진 직선이 아니라, 규칙·데이터·연산 자원·알고리즘·평가·제품이 서로 맞물리며 능력의 범위를 넓혀온 과정입니다.

그래서 다음에 “새로운 AI 시대가 시작됐다”는 말을 만나면 연도나 모델 이름만 보지 마세요.

무엇이 새로 가능해졌고, 그 변화가 모델 때문인지 데이터·연산·도구·시스템 때문인지를 나눠 보면 기술의 실제 의미가 훨씬 또렷하게 보입니다.

확인한 자료

1. A. M. Turing — Computing Machinery and Intelligence, Mind (1950)
2. John McCarthy 외 — A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence (1955)
3. Stanford HAI — What Is an Expert System?
4. IBM — Deep Blue
5. ImageNet — About ImageNet
6. Krizhevsky, Sutskever, Hinton — ImageNet Classification with Deep Convolutional Neural Networks (2012)
7. Google Research — Attention Is All You Need (2017)
8. OpenAI — Introducing ChatGPT (2022)
9. Stanford HAI — Artificial Intelligence Index Report 2026