AI 공부 · 01 / 역사와 구조
AI 역사를 “옛날 규칙 프로그램에서 지금의 챗봇으로 발전했다”는 한 줄로 정리하면 중요한 점을 놓칩니다. 규칙으로 확정할 일, 데이터로 학습할 일, 언어모델에 맡길 일, 자료를 찾아 근거를 붙일 일은 오늘도 서로 다릅니다. 멍냥잇이 만든 자동화 도구에 이 네 역할을 대입하며 흐름을 살펴봅니다.
화살표는 역사적 대체 관계가 아닙니다. 오늘의 시스템에서도 규칙·모델·검색을 함께 사용합니다.
1955~1956: ‘인공지능’이 연구 과제의 이름이 되다
John McCarthy와 동료들은 1955년에 1956년 여름 연구 모임을 제안하면서 artificial intelligence라는 이름을 사용했습니다. 1956년 다트머스 모임은 여러 연구자가 기계의 언어 사용, 개념 형성, 문제 해결을 연구 의제로 논의한 사건입니다. 컴퓨터역사박물관의 다트머스 기록은 제안과 모임의 연도를 구분합니다. 이것이 ‘그 전에는 지능적인 기계를 연구하지 않았다’는 뜻은 아닙니다. 한 분야를 묶는 이름과 목표가 분명해졌다는 의미에 가깝습니다.
규칙 기반 AI: 지식은 사람이 쓰고 컴퓨터가 적용한다
초기 AI의 중요한 갈래는 사실과 규칙을 기호로 표현하고 논리적으로 적용하는 방식이었습니다. 예를 들어 “기한이 지났고 완료되지 않았다면 지연 업무로 표시한다”는 규칙은 해석할 여지가 적습니다. 전문가 시스템은 이런 형태로 특정 분야의 지식을 담았습니다. 컴퓨터역사박물관의 설명처럼 규칙·탐색은 1960년대부터 오랫동안 중요한 접근이었습니다. 다만 예외와 표현이 무한히 늘어나는 자연어를 모두 손으로 규칙화하기는 어렵습니다.
멍냥잇의 엑셀 주간 보고서 생성기에서도 대상 업무와 기한 초과 계산은 코드로 고정했습니다. 이 작업을 LLM에게 맡기면 설명은 유연해질 수 있어도 숫자의 기준을 검증하기 어려워집니다. 오래된 방식이라서 규칙을 버리는 것이 아니라, 확정 가능한 부분에는 여전히 규칙이 유리한 것입니다.
학습 기반 접근과 2012년 이미지 인식의 전환점
규칙을 사람이 모두 적는 대신, 모델이 데이터에서 패턴을 배우게 하는 접근도 오래전부터 연구됐습니다. 신경망 역시 최근에 갑자기 생긴 기술이 아닙니다. 컴퓨터역사박물관은 1958년의 퍼셉트론을 초기 신경망 사례로 소개합니다. 연구의 흐름은 직선적이지 않았고 규칙 기반, 통계적 학습, 신경망이 경쟁하거나 결합했습니다.
2012년 Alex Krizhevsky·Ilya Sutskever·Geoffrey Hinton의 ImageNet 분류 논문은 대규모 데이터와 GPU를 활용한 깊은 합성곱 신경망의 성능을 제시했습니다. 이 사건을 ‘모든 AI가 그해 딥러닝으로 바뀌었다’고 읽으면 과장입니다. 컴퓨터가 예제를 통해 복잡한 표현을 학습하는 방식이 실제 난제에서 강력하다는 것을 보여 준 대표적인 이정표로 보는 편이 정확합니다.
2017년 Transformer, 2020년 대형 언어모델
2017년 「Attention Is All You Need」는 기존의 순환 구조 없이 attention을 중심으로 하는 Transformer 구조를 제안했습니다. 원 논문의 대표 실험은 기계 번역이었습니다. 그러므로 당시 논문이 오늘의 모든 챗봇 기능을 곧바로 만들었다는 식으로 말하면 안 됩니다. 다만 이후 언어모델을 만드는 데 중요한 토대가 됐습니다.
2020년 GPT-3 연구는 큰 언어모델에 작업 설명과 몇 가지 예를 텍스트로 제시해 여러 과제를 수행하게 하는 방식을 보였습니다. 원 연구 소개에는 성과뿐 아니라 일부 과제의 어려움도 적혀 있습니다. LLM은 문맥에 이어질 내용을 생성하는 데 능숙하지만, 그 능력만으로 특정 문서의 최신 사실이나 계산 결과가 자동으로 보장되지는 않습니다.
멍냥잇의 모닝 브리핑은 여러 자료를 모아 한국어로 요약하는 데 언어모델을 활용했습니다. 다운로드 파일 분류기는 문서의 짧은 내용을 AI가 분류하게 하되, 경로 지정·복사·되돌리기는 일반 코드가 맡습니다. 이 구분이 실제 자동화의 품질을 좌우합니다.
2020년 RAG와 2022년 대화형 사용 경험
RAG는 Retrieval-Augmented Generation의 약자입니다. 질문과 관련된 자료를 먼저 찾아 생성 모델에 함께 제공하는 접근입니다. 2020년 RAG 논문은 검색 가능한 외부 지식과 생성 모델을 결합한 방법을 연구했습니다. RAG를 ‘LLM 다음 세대 모델’로 생각하기 쉽지만, 보통은 모델에 검색 단계를 덧붙인 시스템 설계를 가리킵니다. 검색 결과가 틀리거나 관련 문단을 놓치면 답변도 틀릴 수 있으므로 출처와 검색 실패를 함께 확인해야 합니다.
2022년 11월 공개된 ChatGPT 소개는 대화형 인터페이스와 후속 질문을 강조했습니다. 공개 시점의 설명에서도 그럴듯하지만 틀린 답이 나올 수 있음을 한계로 적었습니다. 사용이 쉬워졌다고 검증이 불필요해진 것은 아닙니다.
지금 자동화를 만들 때 무엇을 고를까?
| 문제 | 먼저 쓸 방식 | 검증 방법 |
|---|---|---|
| 주간 완료 건수 계산 | 규칙 코드 | 원본 행과 계산값 대조 |
| 회의 메모의 주제 분류 | LLM 또는 분류 모델 | 사람이 표본과 미분류 항목 확인 |
| 사내 매뉴얼 근거 답변 | 검색 + LLM(RAG) | 인용 문단과 원문 대조 |
| 파일을 실제로 이동·삭제 | 권한 제한된 일반 코드 | 미리보기·충돌·되돌리기 시험 |
마지막 행은 AI의 역사가 알려 주는 실무 교훈입니다. 문장을 이해하는 모델이 곧 안전하게 파일을 조작하는 프로그램은 아닙니다. 모델에는 애매한 판단을 맡기고, 되돌릴 수 있어야 하는 행동은 별도로 설계해야 합니다.
읽고 나서 남겨 둘 세 가지 구분
- AI와 LLM은 같은 말이 아닙니다. LLM은 AI의 한 갈래이며, 규칙 기반·영상 인식·검색 등도 AI 시스템의 일부일 수 있습니다.
- Transformer와 ChatGPT는 같은 말이 아닙니다. 하나는 2017년에 제안된 모델 구조이고, 다른 하나는 2022년에 공개된 대화형 제품입니다.
- RAG는 사실 보증 장치가 아닙니다. 검색한 자료가 맞는지, 모델이 그 자료에 충실한지 따로 확인해야 합니다.
이어서 LLM의 토큰·문맥·생성·환각을 모닝 브리핑 사례와 가상 검증 연습으로 살펴보세요. 그 뒤 임베딩과 검색을 거쳐 RAG를 자세히 다루겠습니다.
원문 확인: 다트머스 기록 · 컴퓨터역사박물관 AI 역사 · 2012 ImageNet 논문 · 2017 Transformer 논문 · 2020 GPT-3 연구 · 2020 RAG 논문 · 2022 ChatGPT 소개. 연도와 핵심 주장마다 위 자료를 참조했습니다. 멍냥잇 실습과의 연결·선택 기준은 이 글의 해설입니다.