인공지능이란 무엇이고 어떻게 작동할까?

인공지능(AI)은 추론, 계획, 학습, 지각처럼 보통 인간의 지능과 연결되는 능력을 기계에 부여하려는 과학·공학 분야다. 현대 AI の 대부분은 단계별 규칙을 일일이 프로그래밍하는 방식이 아니라, 방대한 사례에서 패턴을 학습해 예측, 추천, 결정 또는 새로운 콘텐츠를 만들어 낸다.

아래에서는 이 용어의 의미, 머신러닝의 내부 작동 방식, ChatGPT 같은 챗봇이 텍스트를 생성하는 과정, 일상에서 이미 쓰이는 AI, 그리고 알아두어야 할 한계를 차례로 살펴본다.

인공지능이란 무엇인가? 간단한 정의

이 용어의 기원은 1956년 다트머스 여름 연구 프로젝트로 거슬러 올라가며, 이 프로젝트는 1955년 존 매카시 등이 제안했다. 수십 년 동안 AI는 대체로 '기호주의 AI'를 뜻했다. 전문가가 컴퓨터가 따를 명시적 규칙을 직접 작성하는 방식이었다.

한 학술 개요에 따르면 이러한 규칙 기반 관점은 1980년대 말까지 지배적이었다. 이후 신경망, 퍼지 시스템, 진화 연산 같은 접근법이 힘을 얻었다. 요약하면, 이 분야는 사람이 손으로 쓴 규칙에서 데이터로부터 학습하는 방향으로 옮겨 갔다.

정책 입안자들도 비슷한 틀을 사용한다. 2023년 11월 개정된 OECD의 정의는 AI 시스템을 입력으로부터 예측, 콘텐츠, 추천, 결정 같은 출력을 생성하는 방법을 추론하는 기계 기반 시스템으로 설명하며, 이 출력이 물리적 또는 가상 환경에 영향을 줄 수 있다고 본다. 시스템마다 자율성과 적응성의 정도는 다르며, EU AI법도 매우 유사한 표현을 사용한다.

입문자에게 도움이 되는 구분은 두 가지다. 첫째, 현재 존재하는 모든 AI는 특정 과제를 위해 만들어진 약한 AI(좁은 AI)다. 범용 인공지능(AGI)은 아직 가설적 개념이며, 그 정의조차 논쟁 중이다. 둘째, 이 용어들은 서로 포함 관계에 있다. AI는 머신러닝을 포함하고, 머신러닝은 딥러닝을 포함하며, 딥러닝은 다시 거대언어모델과 생성형 AI의 기반이 된다.

머신러닝은 어떻게 작동할까?

전통적인 소프트웨어는 프로그래머가 작성한 규칙을 따른다. 머신러닝은 이를 뒤집는다. 학습 데이터라고 부르는 사례를 모델에 제공하면, 모델이 스스로 패턴을 찾아낸다.

주요 방식은 세 가지다. 지도 학습에서는 사례에 '스팸' 또는 '스팸 아님'처럼 정답 레이블이 붙어 있다. 비지도 학습에서는 레이블이 없고 모델이 스스로 집단을 찾아낸다. 강화 학습에서는 보상과 벌점을 통해 시행착오로 학습하며, 바둑 AI 알파고가 그런 방식으로 학습했다.

오늘날 가장 강력한 시스템 대부분은 신경망을 사용한다. 신경망은 매개변수 또는 가중치라고 부르는 수치 설정으로 연결된 단순한 수학적 단위들의 층으로 이루어진다. 학습 중에 모델은 추측을 하고, 그 결과를 정답과 비교한 뒤 오차를 줄이도록 가중치를 조금씩 조정한다. 이 과정을 가리키는 기술 용어는 역전파와 경사 하강법이다.

두 단계를 구분해 두는 것도 도움이 된다. 학습은 모델이 배우는 비용이 큰 단계다. 추론은 완성된 모델이 질문에 답하거나 예측을 수행하며 실제로 일하는 단계다.

ChatGPT 같은 거대언어모델은 어떻게 작동할까?

거대언어모델(LLM)은 먼저 텍스트를 단어 또는 단어의 일부인 토큰으로 나눈다. 터키어처럼 접미사가 많은 언어는 같은 분량의 텍스트를 표현하는 데 더 많은 토큰이 필요할 수 있지만, 정확한 비율은 모델에 따라 다르다.

사전 학습 단계에서 모델은 방대한 텍스트를 대상으로 하나의 과제, 즉 다음 토큰을 예측하는 연습을 한다. 이 단순한 목표 덕분에 모델은 그 과정에서 문법, 사실, 그 밖의 많은 패턴을 익히게 된다. 기반이 되는 설계는 2017년 구글 연구진이 발표한 논문 '어텐션이 전부다(Attention Is All You Need)'에서 소개된 트랜스포머 구조다.

다음은 사후 학습이다. 모델은 지시문 예시로 미세 조정되고, 인간 피드백을 통한 강화 학습(RLHF) 같은 방법으로 피드백을 받아 유용한 어시스턴트처럼 행동하도록 다듬어진다. OpenAI가 2022년 11월 30일 출시한 ChatGPT는 이런 종류의 어시스턴트를 대중에게 널리 알렸다. 제미나이, 클로드, 코파일럿, 라마, 딥시크, 미스트랄, 그록도 잘 알려진 이름들이다.

기술은 계속 변하고 있다. 최근 흐름에는 답하기 전에 문제를 단계별로 풀어 가는 추론 모델, 이미지와 오디오를 함께 다루는 멀티모달 모델, 도구를 활용해 과제를 완수하는 에이전트, 그리고 모델이 먼저 문서나 웹을 검색하는 검색 증강 생성(RAG)이 포함된다. 모델 버전은 자주 바뀌므로, 최신 정보는 개발사의 공식 페이지에서 확인하는 것이 좋다.

일상생활에서 AI는 무엇에 쓰일까?

우리는 아마 하루에도 여러 번 AI를 의식하지 못한 채 사용하고 있을 것이다. AI는 스트리밍 및 쇼핑 사이트의 추천을 이끌고, 스팸을 걸러내며, 내비게이션 앱에서 교통 상황을 예측하고, 얼굴로 휴대폰을 잠금 해제하며, 음성 비서를 구동하고, 텍스트를 번역한다.

은행은 이상 거래를 탐지하기 위해 AI에 의존하고, 사진 앱은 자동 보정에 활용한다. 생성형 AI는 여기에 글쓰기 보조, 요약, 코딩 지원, 이미지 생성, 학습 도움 기능까지 더했다.

의료 분야에서는 AI 도구가 의료진의 영상 판독을 돕는다. 과학 분야에서는 그 영향력이 최고 수준에서 인정받았다. 2024년 노벨 화학상의 일부는 단백질 구조를 예측하는 알파폴드 개발로 데미스 하사비스와 존 점퍼에게 돌아갔고, 2024년 노벨 물리학상은 신경망의 기초 연구로 존 홉필드와 제프리 힌턴에게 수여되었다.

AI의 한계와 위험은 무엇일까?

가장 잘 알려진 문제는 환각(할루시네이션)이다. 언어 모델은 검증된 사실이 아니라 그럴듯하게 들리는 텍스트를 만들어 내기 때문에, 틀린 내용을 자신 있게 말할 수 있다. 이런 일이 얼마나 자주 일어나는지는 모델과 테스트에 따라 크게 다르므로, 중요한 내용은 반드시 다시 확인해야 한다.

모델에는 지식 기준 시점도 있다. 검색과 연결되지 않는 한, 모델은 학습이 끝난 이후의 사건을 알지 못한다. 또한 학습 데이터에 존재하는 편향을 그대로 재현할 수도 있다.

개인정보 보호도 주의가 필요하다. 민감한 개인, 건강 또는 업무 정보를 챗봇에 입력하기 전에 한 번 더 생각하고, 각 제공업체의 설정을 확인해 대화 내용이 학습에 사용될 수 있는지 살펴봐야 한다.

그 밖의 논쟁으로는 저작권 소송, 에너지와 물 사용량, 딥페이크와 허위 정보, 일자리에 미치는 영향이 있으며, 일자리 전망은 학자마다 크게 엇갈린다. 마지막으로, 오늘날의 시스템이 인간적 의미에서 이해하거나 의식을 가졌다고 가정해서는 안 된다. 이 문제는 여전히 철학적으로 논쟁 중이다.

인공지능은 규제를 받고 있을까?

점점 그렇다. EU AI법은 2024년 8월 1일 발효되었으며, 그 의무 사항은 여러 해에 걸쳐 단계적으로 적용되고 있다. 이후 EU의 제안에 따라 일부 기한이 바뀔 수 있으므로, 현재 일정은 EU 공식 자료에서 확인하는 것이 좋다.

다른 나라들도 자체 체계를 마련하고 있다. 예를 들어 튀르키예는 대통령실 디지털전환국과 산업기술부가 준비한 2021~2025년 국가 인공지능 전략을 갖고 있다. 정책은 빠르게 변하고 있으므로, 최신 현황은 관련 당국의 발표를 참고하라.