지식
AI

AI 역사 — 1956년 다트머스에서 LLM 시대까지

AI의 70년 역사를 두 번의 겨울과 세 번의 부흥으로 정리합니다. 왜 AI는 실패를 반복했고, 딥러닝 혁명은 어떻게 가능했는지 맥락으로 이해합니다.

· 12 min read · PALDYN Team

지난 글에서 AI·ML·DL·LLM이 서로를 포함하는 집합 관계임을 살펴봤습니다. 이번 글에서는 그 개념들이 어떤 역사적 흐름 속에서 탄생했는지를 따라갑니다. AI는 70년간 두 번의 긴 겨울을 겪었고, 그 실패가 오늘날 LLM 시대를 만든 토대가 됩니다.

1950년대 — 꿈의 시작

1950년, 앨런 튜링은 논문 Computing Machinery and Intelligence에서 이런 질문을 던집니다.

“기계가 생각할 수 있는가?”

그는 이 질문에 답하기 위해 이미테이션 게임(Imitation Game), 즉 오늘날 튜링 테스트를 제안합니다. 기계가 인간 심판을 텍스트 대화로 속일 수 있다면 “지능이 있다”고 볼 수 있다는 것입니다.

6년 후인 1956년, 다트머스 대학교에서 역사적인 워크숍이 열립니다. 존 매카시, 마빈 민스키, 클로드 섀넌 등 10명의 연구자가 모여 “인공지능”이라는 용어를 공식화했습니다. 이 회의가 AI 연구의 공식 출발점입니다.

# 1950년대 AI 연구의 상징 — 간단한 규칙 기반 챗봇 구조
rules = {
    "안녕": "안녕하세요! 무엇을 도와드릴까요?",
    "날씨": "오늘 날씨는 맑습니다.",
    "이름": "저는 ELIZA입니다.",
}

def rule_based_chat(user_input):
    for keyword, response in rules.items():
        if keyword in user_input:
            return response
    return "잘 이해하지 못했습니다. 다시 말씀해 주세요."

print(rule_based_chat("안녕하세요"))  # → 안녕하세요! 무엇을 도와드릴까요?
print(rule_based_chat("이름이 뭐야"))  # → 저는 ELIZA입니다.

1957년에는 프랭크 로젠블랫이 퍼셉트론을 발명합니다. 단층 신경망으로 선형 분류가 가능했고, 많은 연구자가 “이제 인간 수준의 AI도 금방”이라고 예측했습니다.

1970년대 — 첫 번째 AI 겨울

낙관론은 오래가지 않았습니다. 1969년 민스키와 파퍼트는 저서 Perceptrons에서 퍼셉트론이 XOR 문제조차 풀지 못함을 수학적으로 증명합니다.

1973년, 영국 정부가 의뢰한 라이트힐 보고서는 AI 연구 대부분이 “과장된 기대”에 불과하다고 혹평합니다. 미국과 영국 정부는 연구 지원을 대폭 삭감했고, 제1차 AI 겨울(1974~1980) 이 찾아옵니다.

이 시기의 교훈은 명확합니다. 과대 선전은 실망으로, 실망은 투자 철수로 이어집니다. 이 패턴은 이후에도 반복됩니다.

1980년대 — 전문가 시스템의 부흥

겨울이 끝나고 새 접근이 주목받습니다. 전문가 시스템(Expert System) 입니다.

의사 진단을 모방하는 MYCIN, 컴퓨터 부품 주문을 처리하는 XCON처럼, 해당 분야 전문가의 지식을 수천 개의 if-then 규칙으로 코딩하는 방식입니다. XCON은 DEC(Digital Equipment Corporation)에 연간 4천만 달러를 절약해 주었고, 전문가 시스템 시장은 급성장합니다.

# 간단한 의료 진단 전문가 시스템 예시
def medical_expert_system(symptoms):
    rules = [
        ({"발열", "기침", "인후통"}, "감기 가능성 높음"),
        ({"발열", "두통", "목경직"}, "수막염 의심 — 즉시 응급실"),
        ({"흉통", "호흡곤란"}, "심장 문제 의심 — 즉시 119"),
        ({"발열", "기침"}, "독감 가능성"),
    ]

    symptom_set = set(symptoms)
    for required, diagnosis in rules:
        if required.issubset(symptom_set):
            return diagnosis
    return "추가 검사 필요"

print(medical_expert_system(["발열", "기침", "인후통"]))
# → 감기 가능성 높음

일본 정부는 1982년 야심찬 5세대 컴퓨터 프로젝트를 발표하며 10년 안에 인간처럼 추론하는 컴퓨터를 만들겠다고 선언합니다. 미국과 영국도 경쟁적으로 AI 투자를 늘렸습니다.

1987~1993년 — 두 번째 AI 겨울

전문가 시스템은 두 가지 근본적 한계를 드러냅니다.

  1. 지식 병목: 규칙을 작성할 전문가가 필요하고, 규칙이 수만 개를 넘으면 관리가 불가능해집니다.
  2. 상식의 부재: 시스템은 규칙에 없는 상황에서 완전히 무너집니다.

Lisp 전용 컴퓨터 시장도 붕괴되고, 일본 5세대 프로젝트도 실패로 마감합니다. 제2차 AI 겨울(1987~1993) 이 찾아옵니다.

AI 역사 타임라인

1990년대~2011년 — 통계 ML의 조용한 도약

겨울 속에서 조용히 다른 접근이 성숙하고 있었습니다. 바로 통계 기반 머신러닝입니다.

1995년 Vapnik이 SVM(Support Vector Machine) 을 발표하고, 2001년 Breiman이 Random Forest를, 2003년 AdaBoost 등 앙상블 기법들이 등장합니다.

이 방법들은 전문가 시스템처럼 규칙을 직접 쓰지 않습니다. 데이터를 보여 주면 통계적으로 패턴을 찾습니다. 특히 Kaggle 같은 데이터 사이언스 경연 플랫폼이 생기면서 실용적 성과가 쌓이기 시작합니다.

# 1990~2000년대 ML의 전형 — SVM으로 분류
from sklearn.svm import SVC
from sklearn.datasets import make_classification

X, y = make_classification(n_samples=1000, n_features=20, random_state=42)

model = SVC(kernel="rbf", C=1.0)
model.fit(X[:800], y[:800])

accuracy = model.score(X[800:], y[800:])
print(f"테스트 정확도: {accuracy:.2%}")  # 약 88~92%

동시에 ImageNet 프로젝트(2009)가 1,400만 장 이상의 이미지를 레이블링해 공개합니다. 이 데이터셋이 다음 폭발의 도화선이 됩니다.

2012년 — 딥러닝 혁명의 시작

2012년 ImageNet 대회에서 토론토 대학의 AlexNet이 기존 최고 기록보다 무려 10% 이상 높은 정확도를 기록합니다. 이것이 딥러닝 혁명의 공식 시작점입니다.

AlexNet의 비결은 세 가지였습니다.

  • 대용량 데이터: ImageNet 1,400만 장
  • GPU 병렬 연산: NVIDIA GPU로 훈련 시간을 주 단위에서 일 단위로 단축
  • ReLU 활성화 함수: 그래디언트 소실 문제 완화
# AlexNet 핵심 구조 (단순화)
import torch.nn as nn

class AlexNetSimplified(nn.Module):
    def __init__(self, num_classes=1000):
        super().__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=11, stride=4),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
            nn.Conv2d(64, 192, kernel_size=5, padding=2),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=3, stride=2),
        )
        self.classifier = nn.Sequential(
            nn.Dropout(),
            nn.Linear(192 * 6 * 6, 4096),
            nn.ReLU(inplace=True),
            nn.Linear(4096, num_classes),
        )

    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        return self.classifier(x)

이후 딥러닝은 도미노처럼 쏟아집니다. GAN(2014), ResNet(2015), AlphaGo(2016)가 잇달아 등장하며 AI는 의심이 아닌 필수가 됩니다.

2017년 — Transformer가 모든 것을 바꾸다

2017년 구글이 발표한 논문 Attention is All You Need는 AI 역사를 다시 쓴 이정표입니다.

이전 자연어처리의 주류인 RNN은 텍스트를 왼쪽에서 오른쪽으로 순서대로 처리했습니다. 긴 문장에서는 앞부분 정보가 희미해지는 문제가 있었습니다. Transformer는 Attention 메커니즘으로 입력 전체를 동시에 보며 어떤 단어가 어떤 단어와 관련 있는지 계산합니다.

결정적으로, Transformer는 병렬화가 가능해 GPU 활용 효율이 극도로 높습니다.

# Transformer 셀프 어텐션 핵심 수식 (의사코드)
import torch
import torch.nn.functional as F

def scaled_dot_product_attention(Q, K, V):
    d_k = Q.size(-1)

    # 유사도 계산: Q·Kᵀ / √dk
    scores = torch.matmul(Q, K.transpose(-2, -1)) / (d_k ** 0.5)

    # 소프트맥스로 정규화 → 각 단어별 가중치
    attn_weights = F.softmax(scores, dim=-1)

    # 가중치 합산으로 문맥 벡터 출력
    return torch.matmul(attn_weights, V)

2018년 구글은 Transformer 기반의 BERT를 공개합니다. 양방향으로 문맥을 읽어 언어 이해 벤치마크를 대거 갱신했습니다. 같은 해 OpenAI는 단방향 디코더 방식의 GPT-1을 냅니다.

2020년대 — LLM이 세상을 바꾸다

2020년 OpenAI의 GPT-3(1,750억 파라미터)는 충격이었습니다. 지시(instruction)만 주면 번역, 코드 작성, 에세이 생성을 해냈고, 파인튜닝 없이도 뛰어난 성능을 보였습니다.

그리고 2022년 11월 ChatGPT 출시. 출시 5일 만에 100만 사용자, 2달 만에 1억 사용자. 이 속도는 인터넷 역사에서 유례없는 기록입니다.

AI 기술 진화 3단계

2023년 이후에는 Llama(Meta), Gemini(Google), Claude(Anthropic) 가 경쟁하며 오픈소스 생태계도 폭발합니다. 2026년 현재는 멀티모달(이미지·음성·비디오), 에이전트, 추론 전문 모델(o시리즈) 등으로 진화 중입니다.

# 2026년 현재 주요 LLM 현황 (CLI로 확인해 보기)
$ ollama list
NAME                  ID              SIZE    MODIFIED
llama3.3:latest       ...             4.9 GB  4 days ago
qwen2.5:7b            ...             4.4 GB  1 week ago
mistral:latest        ...             3.8 GB  2 weeks ago

# 로컬에서 LLM 실행
$ ollama run llama3.3 "AI 역사를 두 줄로 요약해줘"

역사에서 배우는 교훈

AI의 70년 역사는 과장→실망→겨울→혁신의 반복입니다.

교훈내용
기술보다 데이터AlexNet의 성공은 알고리즘보다 ImageNet이라는 대규모 데이터 덕이 컸습니다
하드웨어 혁신GPU 없이는 딥러닝 혁명도 없었습니다
겨울은 끝난다두 번의 겨울 뒤에도 AI는 더 강하게 부활했습니다
과대 선전 주의단기 기대를 줄이고 장기 가능성을 보는 시각이 필요합니다

현재 우리가 경험하는 LLM 붐도 이 패턴에서 자유롭지 않습니다. 환각, 비용, 에너지 소비, 안전성 문제가 쌓이면 다음 조정이 올 수도 있습니다. 하지만 역사는 매번 그 다음 도약이 더 컸다고 말합니다.

지난 글: AI · ML · DL · LLM, 뭐가 다른가

다음 글: Narrow AI vs General AI vs Super AI — 세 가지 AI 유형 완전 정리


읽어주셔서 감사합니다. 😊