정의
인공지능(人工智能, 영어: Artificial Intelligence, AI)은 인간의 학습 능력, 추론 능력, 지각 능력, 자연어 이해 능력 등을 컴퓨터 시스템으로 구현하려는 컴퓨터 과학의 한 분야이다. 정보공학 분야의 핵심 인프라 기술로 자리잡고 있으며, 인간을 포함한 동물이 갖는 자연 지능(natural intelligence)과는 구별되는 개념이다. 일반적으로 범용 컴퓨터에 적용하는 것을 전제로 하며, 이러한 지능을 만들 수 있는 방법론이나 실현 가능성을 연구하는 과학 기술 분야를 통틀어 지칭하기도 한다.
분류
인공지능은 그 능력과 구현 방식에 따라 여러 기준으로 분류된다.
능력에 따른 분류:
- 약인공지능(ANI, Artificial Narrow Intelligence): 특정 작업이나 한정된 범위의 문제를 해결하도록 설계된 인공지능이다. 현재 상용화된 대부분의 AI 시스템(음성 비서, 이미지 분류, 추천 시스템, 자율주행차의 특정 기능 등)이 이에 해당한다. 주어진 작업에서는 인간을 뛰어넘는 성능을 보일 수 있으나, 그 외의 영역에서는 지능을 발휘하지 못한다.
- 강인공지능(AGI, Artificial General Intelligence): 인간과 동등한 수준의 일반 지능을 갖추어 다양한 분야에서 스스로 사고하고 학습하며 문제를 해결할 수 있는 인공지능을 의미한다. 2025년 현재까지 개발되지 않았으며, 연구 단계에 머물러 있다.
- 초인공지능(ASI, Artificial Superintelligence): 인간의 지능을 모든 면에서 뛰어넘는 가설적인 인공지능을 가리킨다. 이론적인 개념으로, 실현 시기와 가능성에 대해서는 학계 내에서도 다양한 의견이 존재한다.
구현 기술에 따른 분류:
- 규칙 기반 시스템: 전문가의 지식을 'IF-THEN' 형태의 규칙으로 프로그래밍하여 작동하는 방식이다. 초기 전문가 시스템이 대표적이다.
- 기계학습(Machine Learning): 컴퓨터가 데이터를 통해 스스로 패턴을 학습하고 예측하는 기술이다. 지도 학습, 비지도 학습, 강화 학습 등으로 세분화된다.
- 딥러닝(Deep Learning): 여러 층의 인공신경망을 사용하여 복잡한 데이터로부터 특징을 자동으로 추출하고 학습하는 기계학습의 한 분야이다. 이미지 인식, 자연어 처리 등에서 뛰어난 성능을 보인다.
역사
태동기(1943~1956년)
인공지능의 개념적 토대는 1940년대부터 마련되었다. 1943년 워런 매컬러(Warren McCulloch)와 월터 피츠(Walter Pitts)는 인공 신경망의 기초가 되는 신경 활동의 논리적 계산 모델을 발표했다. 1950년 앨런 튜링(Alan Turing)은 "Computing Machinery and Intelligence" 논문에서 기계의 지능을 판별하는 기준으로 튜링 테스트를 제안했다. 1956년 다트머스 회의(Dartmouth Conference)에서 존 매카시(John McCarthy)가 '인공지능(Artificial Intelligence)'이라는 용어를 공식적으로 처음 사용하였으며, 이 회의는 AI 학문 분야의 공식적인 출발점으로 평가된다.
황금기(1956~1974년)
초기 AI 연구는 낙관적인 전망 속에 급속도로 발전했다. 앨런 뉴웰(Allen Newell)과 허버트 사이먼(Herbert Simon)은 '논리 이론가(Logic Theorist)'를 개발하여 수학 정리를 증명했고, 이후 '범용 문제 해결기(General Problem Solver)'를 발표했다. 조셉 웨이젠바움(Joseph Weizenbaum)의 ELIZA(1965)는 초기 챗봇으로, 패턴 매칭을 통해 인간과 유사한 대화를 구현했다. 이 시기 미국 국방부 고등연구계획국(DARPA)을 비롯한 정부 기관의 대규모 자금 지원이 이루어졌다.
첫 번째 AI 겨울(1974~1980년)
1973년 영국 정부가 발표한 라이트힐 보고서(Lighthill Report)는 AI 연구가 당초 약속한 성과를 내지 못했다고 비판했다. 이에 따라 영국을 시작으로 AI 연구 자금이 대폭 축소되었고, AI 연구는 첫 번째 침체기를 맞았다. 컴퓨팅 성능의 한계, 조합 폭발 문제, 상식 추론의 어려움 등 근본적인 기술적 한계가 드러난 시기였다.
전문가 시스템 붐(1980~1987년)
특정 분야 전문가의 지식을 규칙 기반으로 구현한 전문가 시스템(Expert Systems)이 상업적 성공을 거두며 AI가 재부상했다. DEC의 XCON 시스템은 연간 수천만 달러의 비용 절감 효과를 입증했다. 일본은 5세대 컴퓨터 프로젝트를 추진했고, 미국과 유럽도 경쟁적으로 AI 연구에 투자했다. 1986년 데이비드 루멜하트(David Rumelhart), 제프리 힌튼(Geoffrey Hinton) 등이 역전파(backpropagation) 알고리즘을 대중화하며 신경망 연구가 부활했다.
두 번째 AI 겨울(1987~1993년)
전문가 시스템의 한계(지식 획득 병목, 경직성, 유지보수 어려움)가 드러나면서 시장이 붕괴했다. LISP 기계 산업이 사라지고 AI 기업들이 도산하면서 두 번째 AI 겨울이 도래했다. 일본의 5세대 컴퓨터 프로젝트도 목표 달성에 실패했다.
조용한 발전과 기계학습의 부상(1990~2010년)
AI 연구자들은 범용 인공지능 대신 구체적이고 협소한 문제에 집중했다. 기계학습이 AI의 지배적 패러다임으로 자리잡았다. 1997년 IBM의 딥 블루(Deep Blue)가 세계 체스 챔피언 가리 카스파로프를 격파했다. 인터넷의 발달로 방대한 학습 데이터가 확보되었고, 검색 엔진, 스팸 필터, 추천 시스템 등 실용적 응용이 확대되었다.
딥러닝 혁명(2012년~현재)
2012년 알렉스넷(AlexNet)이 이미지 인식 대회 ImageNet에서 압도적인 성능 향상을 보이며 딥러닝 시대를 열었다. 2016년 알파고(AlphaGo)가 이세돌을 상대로 바둑에서 승리했다. 2017년 구글 연구진이 발표한 트랜스포머(Transformer) 아키텍처는 자연어 처리 분야에 혁명을 일으켰다. 2020년 GPT-3(1,750억 개 파라미터)는 소규모 학습(few-shot learning) 능력을 보여주며 패러다임 전환을 이끌었다.
2022년 11월 OpenAI가 출시한 챗GPT(ChatGPT)는 출시 5일 만에 100만 명, 2개월 만에 1억 명의 사용자를 확보하며 역사상 가장 빠르게 성장한 소비자용 애플리케이션이 되었다. 2023년 GPT-4는 변호사 시험 상위 90% 수준의 성적을 기록하는 등 비약적인 성능 향상을 보였다. 2025년 8월 출시된 GPT-5는 수학 문제(AIME 2025)에서 94.6%, 실제 코딩 과제(SWE-bench Verified)에서 74.9%의 정확도를 달성했다.
주요 응용 분야
인공지능은 다양한 산업 분야에서 활용되고 있다. 일상생활에서는 음성 비서(시리, 구글 어시스턴트, 알렉사), 추천 시스템(넷플릭스, 유튜브), 기계 번역(구글 번역, 파파고), 챗봇 등이 널리 사용된다. 산업 현장에서는 제조업 스마트 팩토리의 공정 자동화 및 품질 검사, 금융권의 사기 탐지 및 신용 평가, 의료 영상 분석 및 신약 개발, 자율주행 자동차 등에 적용되고 있다.
윤리적 과제와 한계
인공지능의 발전과 함께 여러 윤리적·사회적 과제가 제기되고 있다. 주요 쟁점으로는 AI 자동화에 따른 일자리 감소 및 변화, 학습 데이터의 편향성으로 인한 차별 문제, 개인정보 수집 및 프라이버시 침해 우려, AI 시스템의 결정에 대한 책임 소재 불분명, 딥페이크 등 가짜 정보 생성 및 확산, 그리고 AI의 통제 가능성 문제 등이 있다. 2024년 유럽연합(EU)은 세계 최초의 포괄적 AI 법적 체계인 'AI Act'를 승인하여 위험 기반 규제 체계를 도입하였다.
관련 기술과의 관계
인공지능은 가장 넓은 개념으로, 기계학습(Machine Learning)은 인공지능의 한 분야이며, 딥러닝(Deep Learning)은 기계학습을 구현하는 구체적인 기술 중 하나이다. 즉, 인공지능 ⊃ 기계학습 ⊃ 딥러닝의 포함 관계를 가진다.
