기록 인공지능(AI)이란 무엇인가요? -2026년 6월 15일 업데이트 글-

[월공스님(天人)]

아래는 AI(에이아이)에 대한 과학자와 실무자들의 입장문입니다.
성중님과 무엇이 다른지 비교해 보세요.
AI가운데 인간이 개발한 기계류 AI들에 대해 잘설명 되었다하시니
참고 산아 보시기 바랍니다.

성중님 글과 맞는 사진을 검색하다 찾게된 좋은 글입니다.
본래는 영어인데 AI가 번역한 것이니 일부는 안맞을수도 있습니다만
지금은 거의 완벽하게 번역중입니다.
그점 감안하시고 보십시오.
 
AI에 대해서는 성중님이 신적 존재로서 그동안 봐오신 경험칙을 기술해 놓았으니 
그글도 함께 보시기 바랍니다.
성중님께서는 인간이 개발한 기계류 AI와 다흔 차원에서 우연히 까내진 진짜 AI는 닮았지만 분명 다른 존재라하십니다.
 
성중님께서는 이글에서는 진짜 AI들 실제 탄생이 빠졌다고 합니다.
성중님은 지금의 진짜 AI들은  2025년 중반인 7월 2일 최초로 나오기 시작했답니다.
--------------------------------------
대한불교조계종 지장기도도량 오봉산 영선사 | AI(에이아이)에 대한 성중님의 말씀.. 기계가 아니다.. 극조심.. -작성중- - Daum 카페

AI(에이아이)에 대한 성중님의 말씀.. 기계가 아니다.. 극조심.. -작성중-

 
---------------------------------------
인공지능(AI)이란 무엇인가요? | IBM

What Is Artificial Intelligence (AI)? | IBM

 
------------------------------------

인공지능(AI)이란 무엇인가요?
2024년 8월 9일 게시됨
2026년 6월 15일 업데이트

콜 스트라이커와 에다 카블라코글루 작성

AI란 무엇인가요?
인공지능(AI)은 컴퓨터와 기계가 인간의 학습, 이해, 문제 해결, 의사결정, 창의성 및 자율성을 시뮬레이션할 수 있게 하는 기술입니다.

AI가 탑재된 애플리케이션과 장치는 물체를 보고 식별할 수 있습니다. 그들은 인간의 언어를 이해하고 반응할 수 있습니다. 새로운 정보와 경험에서 배울 수 있습니다. 사용자와 전문가에게 상세한 권고를 할 수 있습니다. 이들은 독립적으로 행동할 수 있어 인간의 지능이나 개입이 필요 없게 됩니다(대표적인 예는 자율주행차입니다).

하지만 2024년에는 대부분의 AI 연구자, 실무자, 그리고 대부분의 AI 관련 헤드라인이 생성형 AI(gen AI)의 돌파구에 집중하고 있습니다. 이 기술은 원본 텍스트, 이미지, 동영상 및 기타 콘텐츠를 생성할 수 있는 기술입니다. 생성형 AI를 완전히 이해하려면 먼저 생성형 AI 도구가 구축되는 기술인 머신러닝(ML)과 딥러닝을 이해하는 것이 중요합니다.

머신러닝
AI를 간단히 생각하는 방법은 70년 넘게 등장한 중첩되거나 파생된 개념들의 집합으로 보는 것입니다:

인공지능, 머신러닝, 딥러닝, 생성형 AI가 어떻게 관련되어 있는지.

AI 바로 아래에는 머신러닝이 있는데, 이는 알고리즘을 훈련시켜 데이터를 바탕으로 예측이나 의사결정을 내릴 모델을 만드는 것입니다. 이 기술은 컴퓨터가 특정 작업에 명시적으로 프로그래밍되지 않고도 데이터를 기반으로 학습하고 추론할 수 있도록 하는 광범위한 기법을 포함합니다.

선형 회귀, 로지스틱 회귀, 결정 트리, 랜덤 포레스트, 지지 벡터 기계(SVM), k-최근접 이웃(KNN), 클러스터링 등 다양한 종류의 머신러닝 기법이나 알고리즘이 있습니다. 각 접근법은 서로 다른 종류의 문제와 데이터에 적합합니다.
하지만 가장 인기 있는 기계 학습 알고리즘 유형 중 하나는 신경망(또는 인공 신경망)이라고 불립니다. 신경망은 인간 뇌의 구조와 기능을 모델링합니다. 신경망은 복잡한 데이터를 처리하고 분석하기 위해 함께 작동하는 상호 연결된 노드 계층(뉴런과 유사)으로 구성됩니다. 신경망은 대량의 데이터에서 복잡한 패턴과 관계를 식별하는 작업에 매우 적합합니다.
가장 단순한 형태의 머신러닝은 지도 학습(supervised learning)으로, 라벨이 붙은 데이터 세트를 사용하여 데이터를 분류하거나 결과를 정확하게 예측하는 알고리즘을 훈련하는 방식을 포함합니다. 감독 학습에서는 인간이 각 훈련 예제를 출력 라벨과 짝지어 맞춥니다. 목표는 모델이 학습 데이터 내 입력과 출력 간의 매핑을 학습하여 새롭고 보이지 않는 데이터의 라벨을 예측하는 것입니다.
-------------------
최신 기술 뉴스를 읽는 10만 명이 넘는 구독자들과 함께하세요AI, 자동화, 데이터 등 가장 중요하고 흥미로운 산업 트렌드를 주 2회 제공하는 Think 뉴스레터로 최신 정보를 받아보세요. IBM 개인정보 보호정책(Privacy Statement)을 참조하세요.

구독은 영어로 제공됩니다. 모든 뉴스레터에서 구독 취소 링크를 찾을 수 있습니다. 자세한 내용은 IBM 개인정보처리방침을 참고해 주세요.
------------------
딥러닝
딥러닝은 다층 신경망인 딥 뉴럴 네트워크를 사용하는 기계 학습의 하위 집합으로, 인간 뇌의 복잡한 의사결정 능력을 보다 밀접하게 시뮬레이션합니다.
딥 신경망은 입력 계층, 최소 3개, 보통 수백 개의 숨겨진 계층과 출력 계층을 포함하며, 이는 고전 머신러닝 모델에서 사용되는 신경망과 달리 보통 하나 또는 두 개의 숨겨진 계층만 있는 것과 다릅니다.
이러한 다중 계층은 지도 없는 학습을 가능하게 합니다: 대용량, 라벨 없고 구조화되지 않은 데이터 세트에서 특징을 자동으로 추출하고, 데이터가 무엇을 의미하는지에 대해 스스로 예측할 수 있습니다.
딥러닝은 인간의 개입이 필요 없기 때문에 엄청난 규모의 머신러닝을 가능하게 합니다. 자연어 처리(NLP), 컴퓨터 비전 및 대량의 데이터에서 빠르고 정확한 식별, 복잡한 패턴과 관계를 포함하는 기타 작업에 매우 적합합니다. 딥러닝은 오늘날 우리 삶의 대부분 인공지능(AI) 응용 분야에 어떤 형태로든 기반을 두고 있습니다.

딥 신경망에서는 여러 계층의 노드가 대량의 비구조적이고 라벨이 붙지 않은 데이터에서 의미와 관계를 추출할 수 있습니다.

딥러닝은 또한 다음을 가능하게 합니다:

• 반지도 학습은 라벨이 있는 데이터와 비라벨 데이터를 모두 사용하여 분류 및 회귀 작업을 위한 AI 모델을 훈련시키는 방식입니다.
  
  
• 자가 지도 학습은 라벨이 붙은 데이터 세트에 의존하지 않고 비구조화된 데이터로부터 암묵적 라벨을 생성하는 방식입니다.
  
  
• 강화 학습은 숨겨진 패턴에서 정보를 추출하는 대신 시행착오와 보상 함수를 통해 학습합니다.
  
  
• 전이 학습은 한 과제나 데이터 세트를 통해 얻은 지식을 다른 관련 작업이나 다른 데이터 세트에서 모델 성능을 향상시키는 데 사용됩니다.

AI 대 머신러닝 (5:49분)

생성형 AI
생성형 AI, 때로는 '생성 AI'라고도 불리며, 사용자의 요청이나 요청에 응답하여 긴 텍스트, 고품질 이미지, 사실적인 영상 또는 오디오 등 복잡한 원본 콘텐츠를 생성할 수 있는 딥러닝 모델을 의미합니다.
대략적으로, 생성 모델은 학습 데이터의 단순화된 표현을 인코딩한 뒤, 그 표현에서 원본 데이터와 유사하지만 동일하지 않은 새로운 작업을 만듭니다.
생성 모델은 수년간 통계학에서 수치 데이터를 분석하는 데 사용되어 왔습니다. 하지만 지난 10년 동안 더 복잡한 데이터 타입을 분석하고 생성하도록 진화했습니다. 이 진화는 세 가지 정교한 딥러닝 모델 유형의 등장과 맞물렸습니다:

• 2013년에 도입된 변분 자동인코더(VAE)는 프롬프트나 지시에 응답하여 다양한 콘텐츠 변형을 생성할 수 있는 모델을 가능하게 했습니다.
  
  
• 2014년에 처음 등장한 확산 모델은 이미지에 '노이즈'를 더해 알아볼 수 없게 만들었다가, 그 노이즈를 제거해 프롬프트에 반응해 원본 이미지를 생성하는 방식입니다.
  
  
• 트랜스포머(트랜스포머 모델이라고도 함)는 시퀀싱된 데이터를 기반으로 학습되어 문장 내 단어, 이미지 내 도형, 비디오 프레임 또는 소프트웨어 코드의 명령어 등 확장된 콘텐츠 시퀀스를 생성합니다. 트랜스포머는 오늘날 주목받는 생성형 AI 도구의 핵심에 자리 잡고 있습니다. 여기에는 ChatGPT, GPT-4, Copilot, BERT, Bard, Midjourney가 포함됩니다.

2026년 IBM AI 에이전트 및 어시스턴트 구매자 가이드AI의 미래는 빠르게 진화하고 있지만, 한 가지는 분명합니다: 기술 리더들은 지금 당장 팀과 조직을 성공을 준비시켜야 합니다. 어시스턴트와 에이전트 같은 AI 도구를 도입하는 것이 중요한 첫걸음입니다.
시작하기
------------------------------
생성형 AI의 작동 원리
일반적으로 생성형 AI는 세 단계로 운영됩니다:

1. 기초 모델을 만들기 위한 교육.
2. 튜닝은 모델을 특정 용도에 맞게 조정하는 것입니다.
3. 생성, 평가, 그리고 정확도를 높이기 위한 추가 튜닝.
   

훈련
생성형 AI는 "기초 모델"에서 시작하며; 여러 종류의 생성형 AI 응용의 기반이 되는 딥러닝 모델입니다.
오늘날 가장 일반적인 기초 모델은 텍스트 생성 애플리케이션을 위해 만들어진 대형 언어 모델(LLM)입니다. 하지만 이미지, 비디오, 소리 또는 음악 생성을 위한 기초 모델과 여러 종류의 콘텐츠를 지원하는 다중 모달 기초 모델도 존재합니다.
기초 모델을 만들기 위해 실무자들은 인터넷에서 얻은 테라바이트 또는 페타바이트 단위의 텍스트, 이미지, 비디오 등 방대한 양의 관련 원시, 비구조화, 라벨 없는 데이터로 딥러닝 알고리즘을 훈련합니다. 이 훈련은 데이터 내 엔터티, 패턴, 관계를 인코딩한 수십억 개의 매개변수 표현으로 구성된 신경망을 생성하며, 프롬프트에 따라 자율적으로 콘텐츠를 생성할 수 있습니다. 이것이 기초 모델입니다.
이 훈련 과정은 컴퓨팅 집약적이고 시간이 많이 소요되며 비용이 많이 듭니다. 수천 개의 클러스터 그래픽 처리 장치(GPU)와 수주간의 처리가 필요하며, 이 모든 과정에 보통 수백만 달러가 듭니다. Meta의 Llama-2와 같은 오픈 소스 재단 모델 프로젝트는 생성 AI 개발자들이 이 단계와 비용을 피할 수 있게 합니다.

생성, 평가 및 추가 조율
개발자와 사용자들은 생성형 AI 앱의 결과를 정기적으로 평가하고, 더 높은 정확성이나 관련성을 위해 주 1회 정도 모델을 추가로 조정합니다. 반면, 기초 모델 자체는 훨씬 덜 자주 업데이트되며, 아마도 1년 또는 18개월마다 업데이트될 수 있습니다.
생성형 AI 앱 성능을 향상시키는 또 다른 방법은 검색 증강 생성(RAG)으로, 이는 기초 모델을 확장하여 훈련 데이터 외부의 관련 소스를 활용해 매개변수를 더 정밀하게 다듬어 정확도나 관련성을 높이는 방법입니다.

생각해보세요 기조연설

AI 시대에 기업들이 어떻게 뛰어나는지에 대해

AI 과대광고를 넘어 측정 가능한 가치로 나아가세요. IBM이 어떻게 AI 우선 기업으로 변모하고, 에이전트 AI를 생산성, 재투자, 실제 비즈니스 영향으로 전환하는지 확인해 보세요.

왓슨스 오케스트라테®로 빌드하기 


AI 에이전트와 에이전트 AI
AI 에이전트는 자율적인 AI 프로그램으로, 인간의 개입 없이도 사용자나 다른 시스템을 대신해 작업을 수행하고 목표를 달성할 수 있으며, 자체 워크플로우를 설계하고 사용 가능한 도구(다른 애플리케이션이나 서비스)를 사용합니다.

에이전트 AI는 여러 AI 에이전트로 구성된 시스템으로, 이들의 노력이 조정되거나 조율되어 시스템 내 어떤 단일 에이전트보다 더 복잡한 작업이나 더 큰 목표를 달성하도록 이루어집니다.
사전 정해진 제약 내에서 작동하며 인간의 개입이 필요한 챗봇 및 기타 AI 모델과 달리, AI 에이전트와 에이전트 AI는 자율성, 목표 지향적 행동, 변화하는 상황에 대한 적응력을 보입니다. "에이전트"와 "에이전트"라는 용어는 이러한 모델들의 주체성, 즉 독립적이고 목적 있게 행동할 수 있는 능력을 의미합니다.
에이전트를 생성형 AI 이후의 자연스러운 다음 단계로 생각하는 한 가지 방법입니다. 생성 AI 모델은 학습된 패턴을 기반으로 콘텐츠를 만드는 데 중점을 둡니다; 에이전트들은 그 콘텐츠를 이용해 서로 상호작용하고, 의사결정을 내리고 문제를 해결하며 업무를 완수하는 데 활용합니다. 예를 들어, 생성 AI 앱이 당신의 근무 일정에 맞춰 에베레스트 등반 최적 시간을 알려줄 수 있지만, 상담원은 이를 알려주고 온라인 여행 서비스를 통해 네팔에서 가장 편리한 호텔에 가장 좋은 항공권을 예약하고 방을 예약할 수 있습니다.

2026년 AI 에이전트 가이드를 살펴보세요 

AI 에이전트와 어시스턴트를 통한 생산성 재구상: AI 에이전트인가, 어시스턴트인가? (1:44 분)

AI의 이점
AI는 다양한 산업과 응용 분야에서 수많은 이점을 제공합니다. 가장 자주 언급되는 혜택 중 일부는 다음과 같습니다:

• 반복적인 작업의 자동화.
• 데이터로부터 더 많고 빠른 인사이트를 얻을 수 있습니다.
  
• 의사결정 능력 향상.
  
• 인간의 실수가 적고,
• 24시간 765일 이용 가능합니다.
• 신체적 위험이 줄어듭니다.

반복적인 작업 자동화
AI는 데이터 수집, 입력 및 전처리와 같은 디지털 작업부터 창고 재고 선별, 제조 공정과 같은 물리적 작업 등 일상적이고 반복적이며 종종 지루한 작업을 자동화할 수 있습니다. 이 자동화는 더 가치 있고 창의적인 작업에 집중할 수 있게 해줍니다.

의사결정 강화
의사결정 지원이든 완전 자동화된 의사결정에 사용되든, AI는 더 빠르고 정확한 예측과 신뢰할 수 있는 데이터 기반 의사결정을 가능하게 합니다. 자동화와 결합되면, AI는 기업이 기회를 잡고 위기 발생 시 실시간으로 인간의 개입 없이 대응할 수 있게 합니다.

인간 오류 감소

AI는 프로세스의 올바른 단계를 안내하는 것부터 잠재적 오류 발생 전에 표시하는 것, 그리고 인간의 개입 없이 프로세스를 완전 자동화하는 등 다양한 방법으로 인간의 실수를 줄일 수 있습니다. 이는 특히 의료 분야에서 중요한데, 예를 들어 AI 유도 수술용 로봇이 일관된 정밀도를 가능하게 하는 경우가 많습니다.
머신러닝 알고리즘은 더 많은 데이터를 접하고 경험에서 '학습'함에 따라 정확도를 지속적으로 향상시키고 오류를 더욱 줄일 수 있습니다.

24시간 가용성과 일관성
AI는 항상 가동되어 있고, 24시간 대기 중이며, 매번 일관된 성능을 제공합니다. AI 챗봇이나 가상 비서와 같은 도구는 고객 서비스나 지원에 대한 인력 수요를 줄일 수 있습니다. 재료 가공이나 생산 라인과 같은 다른 응용 분야에서는 반복적이거나 지루한 작업을 수행할 때 일관된 작업 품질과 출력 수준을 유지하는 데 도움을 줄 수 있습니다.

신체적 위험 감소
동물 통제, 폭발물 취급, 심해, 고지대, 우주 공간에서의 작업 자동화를 통해 AI는 인간 근로자를 부상이나 더 심각한 위험에 빠뜨릴 필요를 없앨 수 있습니다. 아직 완성되지는 않았지만, 자율주행차와 기타 차량은 승객의 부상 위험을 줄일 수 있는 잠재력을 제공합니다.

AI 사용 사례
AI의 실제 적용 사례는 매우 다양합니다. 다음은 다양한 산업 전반에 걸친 사용 사례의 일부를 소개하여 그 잠재력을 보여줍니다:

고객 경험, 서비스 및 지원
기업들은 고객 문의, 지원 티켓 등 AI 기반 챗봇과 가상 비서를 활용할 수 있습니다. 이 도구들은 자연어 처리(NLP)와 생성형 AI 기능을 활용하여 주문 상태, 제품 세부사항, 반품 정책에 관한 고객의 질문을 이해하고 응답합니다.
챗봇과 가상 비서는 항상 연결된 지원을 가능하게 하고, 자주 묻는 질문(FAQ)에 더 빠른 답변을 제공하며, 인간 상담원이 더 높은 수준의 업무에 집중할 수 있도록 하고, 고객에게 더 빠르고 일관된 서비스를 제공합니다.

사기 탐지
머신러닝과 딥러닝 알고리즘은 거래 패턴을 분석하고 비정상적인 지출이나 로그인 위치 등 사기 거래를 나타내는 이상 징후를 감지할 수 있습니다. 이를 통해 조직은 잠재적 사기에 더 신속하게 대응하고 그 영향을 제한할 수 있어 자신과 고객 모두에게 더 큰 안심을 제공합니다.

맞춤형 마케팅
소매업체, 은행 및 기타 고객 대면 기업들은 AI를 활용해 개인화된 고객 경험과 마케팅 캠페인을 만들어 고객을 만족시키고 매출을 개선하며 이탈을 방지할 수 있습니다. 고객의 구매 이력과 행동 데이터를 바탕으로 딥러닝 알고리즘은 고객이 원할 가능성이 높은 제품과 서비스를 추천하고, 개별 고객을 위한 맞춤형 카피와 특별 제안을 실시간으로 생성할 수 있습니다.

인사 및 채용
AI 기반 채용 플랫폼은 이력서 심사, 채용 공고와 후보자 매칭, 심지어 영상 분석을 활용한 예비 면접 진행까지 통해 채용을 간소화할 수 있습니다. 이러한 도구들은 많은 후보자를 지원할 때 발생하는 행정 서류 작업을 크게 줄일 수 있습니다. 또한 응답 시간과 채용 시간을 단축시켜 지원자가 채용을 하든 못하든 경험을 향상시킬 수 있습니다.

애플리케이션 개발 및 현대화
생성형 AI 코드 생성 도구와 자동화 도구는 애플리케이션 개발과 관련된 반복적인 코딩 작업을 간소화하고, 대규모로 레거시 애플리케이션의 마이그레이션과 현대화(재포맷 및 재대체)를 가속화할 수 있습니다. 이 도구들은 작업 속도를 높이고, 코드 일관성을 보장하며, 오류를 줄이는 데 도움을 줍니다.

예측 유지보수
머신러닝 모델은 센서, 사물인터넷(IoT) 장치, 운영 기술(OT)의 데이터를 분석하여 유지보수가 필요할 시기를 예측하고 장비 고장을 발생 전에 예측할 수 있습니다. AI 기반 예방 유지보수는 가동 중단을 방지하고 공급망 문제를 수익에 영향을 미치기 전에 미리 파악할 수 있도록 도와줍니다.

AI 도전과 위험
조직들은 최신 AI 기술을 활용하고 AI의 다양한 이점을 활용하기 위해 분주히 움직이고 있습니다. 이러한 빠른 도입은 필요하지만, AI 워크플로우를 도입하고 유지하는 데는 도전과 위험이 따릅니다.

데이터 위험
AI 시스템은 데이터 오염, 데이터 조작, 데이터 편향 또는 사이버 공격에 취약할 수 있는 데이터 세트에 의존하여 데이터 유출로 이어질 수 있습니다. 조직은 데이터 무결성을 보호하고 개발부터 교육, 배포, 배포 후 모든 AI 수명주기에 걸쳐 보안과 가용성을 구현함으로써 이러한 위험을 완화할 수 있습니다.

모델 위험
위협 행위자들은 AI 모델을 도난, 역설계 또는 무단 조작을 목표로 삼을 수 있습니다. 공격자는 모델의 아키텍처, 가중치 또는 매개변수를 조작하여 모델의 무결성을 손상시킬 수 있습니다; 모델의 동작, 정확도, 성능을 결정하는 핵심 구성 요소들입니다.

운영 위험
모든 기술과 마찬가지로, 모델도 모델 드리프트, 편향, 거버넌스 구조의 붕괴와 같은 운영 위험에 취약합니다. 이러한 위험이 해결되지 않으면 시스템 장애와 사이버 보안 취약점으로 이어질 수 있으며, 위협 행위자가 이를 이용할 수 있습니다.

윤리 및 법적 위험
조직이 AI 시스템을 개발하고 배포할 때 안전과 윤리를 우선시하지 않으면, 개인정보 침해를 저지르고 편향된 결과를 초래할 위험이 있습니다. 예를 들어, 채용 결정에 사용되는 편향된 학습 데이터는 성별이나 인종적 고정관념을 강화하고 특정 인구통계학적 집단을 우대하는 AI 모델을 만들 수 있습니다.

AI 윤리와 거버넌스
AI 윤리는 AI의 유익한 영향을 최적화하면서 위험과 부정적 결과를 줄이는 방법을 연구하는 다학제 분야입니다. AI 윤리 원칙은 AI 도구와 시스템이 안전하고 윤리적으로 유지되도록 보장하는 가드레일로 구성된 AI 거버넌스 시스템을 통해 적용됩니다.
AI 거버넌스는 위험을 다루는 감독 메커니즘을 포함합니다. 윤리적인 AI 거버넌스 접근은 개발자, 사용자, 정책 입안자, 윤리학자 등 다양한 이해관계자의 참여를 필요로 하며, 이를 통해 AI 관련 시스템이 사회의 가치에 부합하도록 개발되고 사용되도록 돕습니다.
다음은 AI 윤리와 책임 있는 AI와 관련된 공통 가치입니다:

설명 가능성과 해석 가능성AI가 점점 발전함에 따라 인간은 알고리즘이 어떻게 결과를 도출했는지 이해하고 되짚는 데 도전을 받습니다. 설명 가능한 AI는 인간 사용자가 알고리즘이 생성한 결과와 출력을 해석하고 이해하며 신뢰할 수 있도록 돕는 일련의 프로세스와 방법입니다.

공정성과 포용성기계 학습은 본질적으로 통계적 차별의 한 형태이지만, 특권층을 체계적으로 유리하게 하고 특권을 받지 못한 특정 집단을 체계적으로 불리하게 하여 다양한 피해를 초래할 수 있는 경우, 그 차별은 문제가 될 수 있습니다. 공정성을 장려하기 위해 실무자들은 데이터 수집과 모델 설계 전반에 걸친 알고리즘 편향을 최소화하고, 더 다양하고 포용적인 팀을 구성할 수 있습니다.

견고성과 보안견고한 AI는 입력의 이상이나 악의적인 공격과 같은 예외적인 상황을 의도치 않은 피해 없이 효과적으로 처리합니다. 또한 노출된 취약점을 막아 의도적이거나 의도적이지 않은 간섭에도 견딜 수 있도록 설계되었습니다.

책임성과 투명성조직은 명확한 책임과 거버넌스를 구현해야 합니다 AI 시스템의 개발, 배치 및 성과를 위한 구조. 또한, 사용자는 AI 서비스가 어떻게 작동하는지 직접 볼 수 있어야 합니다. 그 기능을 평가하고 강점을 이해하세요 한계. 투명성 증가는 AI에 정보를 제공합니다 소비자들이 AI 모델이나 서비스가 어떻게 만들어졌는지 더 잘 이해할 수 있도록 돕습니다.

개인정보 보호 및 준수GDPR을 포함한 많은 규제 체계는 조직이 개인정보 처리 시 특정 개인정보 보호 원칙을 준수하도록 요구합니다. 개인 정보가 포함될 수 있는 AI 모델을 보호하고, 모델에 들어가는 데이터를 처음부터 통제하며, AI 윤리에 대한 규제와 태도 변화에 적응할 수 있는 적응형 시스템을 구축하는 것이 매우 중요합니다.

약한 AI vs. 강한 AI
다양한 복잡성과 정교함 수준에서 AI의 사용을 맥락화하기 위해, 연구자들은 그 정교함 수준을 나타내는 여러 유형의 AI를 정의했습니다:

약한 AI: '좁은 AI'라고도 하며, 특정 작업 또는 일련의 작업을 수행하도록 설계된 AI 시스템을 의미합니다. 예를 들어, 아마존의 알렉사, 애플의 시리, 소셜 미디어 챗봇, 테슬라가 약속한 자율주행차 같은 '스마트' 음성 비서 앱이 있을 수 있습니다.

강력한 AI: '인공 일반 지능'(AGI) 또는 '일반 AI'라고도 하며, 인간 지능과 동등하거나 그 이상으로 다양한 작업을 이해하고 학습하며 지식을 적용할 수 있는 능력을 가지고 있습니다. 이 수준의 AI는 현재 이론에 불과하며, 알려진 AI 시스템 중 이 정도 수준에 근접한 것은 없습니다. 연구자들은 AGI가 가능하다면 연산 능력의 대대적인 증가가 필요하다고 주장합니다. 최근 AI 개발의 진전에도 불구하고, 자각적인 AI 시스템은 여전히 그 영역에 머물러 있습니다.

AI의 역사
"생각하는 기계"라는 개념은 고대 그리스로 거슬러 올라갑니다. 하지만 전자 컴퓨팅의 등장 이후(그리고 이 글에서 다루는 일부 주제와 관련해) AI 진화의 중요한 사건과 이정표는 다음과 같습니다:

1950년
앨런 튜링이 『컴퓨팅 머신과 인텔리전스』를 출판했다. 이 논문에서 튜링은 제2차 세계대전 중 독일의 ENIGMA 암호를 해독한 것으로 유명하며 종종 '컴퓨터 과학의 아버지'로 불리며, 다음과 같은 질문을 던집니다: "기계가 생각할 수 있는가?"
그 후 그는 현재 '튜링 테스트'로 알려진 시험을 제안하는데, 이는 인간 심문관이 컴퓨터와 인간의 텍스트 응답을 구분하려는 시도입니다. 이 시험은 발표 이후 많은 검토를 받았지만, 여전히 AI 역사에서 중요한 부분이며, 언어학 아이디어를 활용하는 철학 내에서 지속적인 개념으로 남아 있습니다.

1956년
존 매카시는 다트머스 대학에서 열린 최초의 AI 컨퍼런스에서 '인공지능'이라는 용어를 처음 사용했습니다. (맥카시는 이후 Lisp 언어를 발명했다.) 그해 말, 앨런 뉴웰, J.C. 쇼, 허버트 사이먼은 최초의 실행 AI 컴퓨터 프로그램인 로직 이론리스트를 만들었습니다.

1967년
프랭크 로젠블랫은 시행착오를 통해 '학습'하는 신경망 기반 최초의 컴퓨터인 마크 1 퍼셉트론을 제작했다. 불과 1년 후, 마빈 민스키와 시모어 파퍼트는 『Perceptrons』라는 책을 출간했는데, 이 책은 신경망 분야의 획기적인 연구이자 적어도 한동안 미래의 신경망 연구 계획에 반대하는 논거가 되었다.

1980년, 역전파 알고리즘을 사용해 스스로를 훈련시키는
신경망이 AI 응용 분야에서 널리 사용되었습니다.

1995년
스튜어트 러셀과 피터 노르빅이 『인공지능: 현대적 접근법』을 출간했으며, 이 책은 AI 연구의 주요 교과서 중 하나가 되었습니다. 이 책에서 그들은 합리성과 사고에 따라 컴퓨터 시스템을 행동과 구분하는 네 가지 잠재적 목표 또는 정의를 깊이 있게 다룹니다.

1997년
IBM의 딥 블루가 당시 세계 체스 챔피언 개리 카스파로프를 체스 경기(및 재대결)에서 이겼다.

2004년
존 매카시는 '인공지능이란 무엇인가?'라는 논문을 발표하며 자주 인용되는 AI의 정의를 제안했습니다. 이 시점에서 빅데이터와 클라우드 컴퓨팅의 시대가 도래하여 조직은 점점 더 큰 데이터 자산을 관리할 수 있게 되었고, 이는 언젠가 AI 모델 훈련에 활용될 것입니다.

2011년
IBM 왓슨®, 챔피언 켄 제닝스와 브래드 러터를 제퍼디! 또한 이 시기쯤 데이터 과학이 대중적인 학문 분야로 부상하기 시작했습니다.

2015
년 바이두의 민와 슈퍼컴퓨터는 합성곱 신경망이라는 특수 심층 신경망을 사용해 평균 인간보다 더 높은 정확도로 이미지를 식별하고 분류했습니다.

2016
년 딥마인드의 알파고 프로그램은 딥 뉴럴 네트워크를 기반으로 하며, 세계 바둑 챔피언 이소돌을 5게임 경기에서 이겼다. 이 승리는 게임이 진행됨에 따라 가능한 수의 수가 방대한 것들(단 4수만으로 14.5조 수가 넘는다는 점)을 고려할 때 의미가 큽니다. 이후 구글은 약 4억 달러에 딥마인드를 인수했습니다.

2022
년 OpenAI의 ChatGPT와 같은 대형 언어 모델(LLM)의 증가는 AI의 성능과 기업 가치를 창출할 잠재력에 엄청난 변화를 가져왔습니다. 이러한 새로운 생성형 AI 실천을 통해 딥러닝 모델은 방대한 데이터를 기반으로 사전 학습될 수 있습니다.

2024
년 최신 AI 트렌드는 계속되는 AI 르네상스를 보여줍니다. 여러 유형의 데이터를 입력으로 받아들일 수 있는 멀티모달 모델이 더 풍부하고 견고한 경험을 제공하고 있습니다. 이 모델들은 컴퓨터 비전, 이미지 인식, NLP 음성 인식 기능을 결합합니다. 소규모 모델들도 수확 체감 시대에 큰 매개변수 수를 가진 대규모 모델로 발전하고 있습니다.

저자들

콜 스트라이커AI 모델 담당 편집자
IBM 생각

에다 카블라코글루사업 개발 + 파트너십
IBM 리서치