인공지능의 역사
더 많은 작업
- History of artificial intelligence; 인공지능의 역사
- 생각하는 기계라는 발상이 1950년대 학문 분야로 자리 잡은 뒤, 두 번의 침체기를 지나 딥 러닝과 생성형 인공지능에 이른 과정
인공지능 연구는 1956년 다트머스 회의를 출발점으로 삼는 것이 일반적이다. 그 뒤 70년 동안 기호를 규칙으로 다루는 기호주의와 신경망으로 학습하는 연결주의가 번갈아 주도권을 잡았고, 기대가 부풀었다가 연구비가 끊기는 AI 겨울을 두 번 크게 겪었다. 2012년 이후 딥 러닝이 다른 방법을 압도했고, 2022년 ChatGPT 공개를 계기로 생성형 인공지능이 대중의 일상으로 들어왔다.
이 문서는 시기별 전개와 연대별 연표를 함께 정리한다. 개념과 분야 지도는 인공지능 문서 참고.
| 시기 | 이름 | 주도 흐름 | 끝난 계기 |
|---|---|---|---|
| 1943~1956 | 태동기 | 신경 모형, 계산 이론, 사이버네틱스 | 다트머스 회의로 분야 성립 |
| 1956~1974 | 초기 성공기 | 기호 추론, 탐색, 초기 신경망 | 조합 폭발, 과장된 약속, 연구비 축소 |
| 1974~1980 | 1차 AI 겨울 | 연구비 삭감과 회의론 | 전문가 시스템 상업화 |
| 1980~1987 | 전문가 시스템 붐 | 지식 기반 시스템, 신경망 부활 | LISP 머신 시장 붕괴 |
| 1987~1990년대 | 2차 AI 겨울 | 유지보수 비용, 정부 사업 축소 | 통계적 방법과 인터넷 데이터 |
| 1990년대~2011 | 통계적 기계 학습기 | 확률·통계, 지능형 에이전트, 실용 응용 | GPU와 대규모 데이터로 딥 러닝 부상 |
| 2012~2021 | 딥 러닝기 | 합성곱 신경망, 강화 학습, 트랜스포머 | 대형 언어 모델의 대중화 |
| 2022~ | 생성형 AI기 | 대형 언어 모델, 확산 모델, 추론 모델, 에이전트 | 진행 중 |
연도 경계는 연구자마다 조금씩 다르다. 특히 2차 겨울의 끝은 1993년 무렵으로 보기도 하고 2000년대 초까지 늘려 잡기도 한다.
생각하는 기계라는 발상은 오래되었다. 17~18세기에 라이프니츠 등은 추론을 계산으로 바꿀 수 있다는 생각을 내놓았지만, 당시에는 사람의 뇌 말고 정보를 처리하는 기계가 없어서 마음과 뇌에 관한 철학 논쟁에 머물렀다. 20세기 전반 수리논리학과 계산 이론이 발전하면서 기계적 추론을 정확히 정의할 수 있게 되었다. 앨런 튜링은 1936년 논문에서 튜링 머신으로 '계산 가능함'을 정의했다. 1940년대 전자식 컴퓨터가 등장하자 컴퓨터로 인공 두뇌를 만들 수 있다는 생각이 진지한 연구 주제가 되었다. 노버트 위너의 사이버네틱스(1948)는 생물과 기계의 제어와 통신을 같은 틀로 보려 했다.
1943년 신경생리학자 워런 매컬럭과 논리학자 월터 피츠는 신경세포를 켜짐과 꺼짐 두 상태를 갖는 논리 소자로 모형화해, 뉴런의 망으로 논리 연산을 표현할 수 있음을 보였다.[1] 인공 신경망을 수학적으로 다룬 첫 연구로 꼽힌다.
1949년 심리학자 도널드 헵은 『The Organization of Behavior』에서 함께 활성화되는 뉴런 사이의 연결이 강해진다는 학습 규칙을 제시했다.[2] 이 헤비안 학습 규칙은 신경망 학습 이론의 출발점이 되었다.
1950년 튜링은 「Computing Machinery and Intelligence」에서 "기계가 생각할 수 있는가"라는 질문을 흉내 게임으로 바꾸자고 제안했다.[3] 오늘날 튜링 테스트라 부르는 시험이다. 같은 논문에서 튜링은 어른의 마음을 직접 프로그래밍하기보다 어린이의 마음을 만들어 가르치자는, 학습 기계에 가까운 생각도 내놓았다.
1951년 마빈 민스키와 딘 에드먼즈는 진공관으로 만든 학습 신경망 기계 SNARC(Stochastic Neural Analog Reinforcement Calculator)를 만들었다. 같은 시기 아서 새뮤얼은 IBM에서 체커 프로그램을 개발해 1950년대 중반 스스로 실력을 늘리는 버전을 만들었고, 1959년 논문에서 '기계 학습(machine learning)'이라는 말을 썼다.[4]
1955년 8월 31일 존 매카시(다트머스 대학), 마빈 민스키(하버드 대학), 너새니얼 로체스터(IBM), 클로드 섀넌(벨 연구소)은 이듬해 여름 다트머스 대학에서 연구 모임을 열자는 제안서를 냈다. '인공지능(artificial intelligence)'이라는 말은 이 제안서에서 처음 쓰였다.[5] 1956년 6월 18일부터 8월 17일까지 약 8주 동안 열린 이 모임이 인공지능이라는 학문 분야의 시작으로 꼽힌다.[6] 앨런 뉴얼, 허버트 사이먼, 클리프 쇼는 이 무렵 수학 정리를 증명하는 Logic Theorist를 만들어 모임에서 소개했다. 자세한 내용은 다트머스 회의 문서 참고.
다트머스 이후 연구자들은 추론과 문제 해결을 기호 조작으로 구현하는 데 집중했다. 뉴얼과 사이먼은 Logic Theorist에 이어 1959년 무렵 목표와 현재 상태의 차이를 줄여 가는 수단-목표 분석으로 여러 문제를 푸는 General Problem Solver(GPS)를 만들었다. 매카시는 1958년 기호 처리에 강한 프로그래밍 언어 LISP를 만들었고, LISP는 이후 수십 년 동안 미국 인공지능 연구의 표준 언어가 되었다. 1968~1970년 MIT의 테리 위노그래드는 블록 세계에서 영어 명령을 이해하는 SHRDLU를, 스탠퍼드 연구소(SRI)는 지각과 계획을 결합한 이동 로봇 셰이키(Shakey)를 만들었다. 1966년 조지프 와이젠바움은 대화 프로그램 ELIZA를 발표했다. 이 시기 성과는 기호 기반 인공지능과 좋은 구시대적 인공지능 문서 참고.
프랭크 로젠블랫은 매컬럭·피츠 모형에 학습 규칙을 더한 퍼셉트론을 고안했다. 1958년 7월 미국 해군 연구청은 IBM 704에서 돌린 퍼셉트론 시연을 공개했는데, 퍼셉트론은 50번 시도 끝에 왼쪽과 오른쪽에 표시된 천공 카드를 구별하는 법을 익혔다.[7] 같은 해 이론 논문도 냈다.[8] 이후 전용 하드웨어 Mark I 퍼셉트론이 만들어졌다. 1960년에는 버나드 위드로와 테드 호프가 적응형 선형 뉴런 ADALINE을 발표했다. 퍼셉트론은 오늘날 모든 신경망의 직접적인 조상으로 꼽힌다. 인공지능이라는 말을 만든 매카시가 신경망 연구자가 아니었다는 점에서 보면, 지금 인공지능의 주류가 퍼셉트론의 후손이라는 사실은 흥미롭다.
초기 연구자들은 매우 낙관적이었다. 10년 안에 컴퓨터가 체스 세계 챔피언이 되리라는 식의 예측이 나왔다. 미국 국방고등연구계획국(ARPA, 뒤의 DARPA)은 1960년대 MIT, 카네기 멜런, 스탠퍼드 등에 큰 제약 없이 연구비를 댔다.[9]
냉전기 소련도 독자적으로 사이버네틱스와 컴퓨터 응용을 연구했다. 아나톨리 키토프는 1959년 컴퓨터 망으로 국가 경제를 관리하자는 구상을 내놓았고, 빅토르 글루시코프는 1960년대 전국 단위 자동 정보 처리 체계 OGAS를 추진했다. OGAS는 관료 조직의 반대와 기술적 한계로 실현되지 못했다.
초기 프로그램은 문제를 아주 작게 만든 '장난감 세계'에서만 잘 돌았다. 현실 문제로 넓히면 경우의 수가 기하급수적으로 늘어나는 조합 폭발에 막혔다. 상식 지식의 부족, 기계 번역의 실패(1966년 ALPAC 보고서), 당시 컴퓨터의 낮은 성능도 겹쳤다.
1969년 민스키와 시모어 페퍼트는 『Perceptrons』에서 단층 퍼셉트론이 XOR 문제처럼 선형으로 나눌 수 없는 문제를 풀지 못함을 수학적으로 보였다.[10] 여러 층을 쌓으면 이 한계를 넘을 수 있다는 점은 알려져 있었지만 다층망을 학습시키는 방법이 없었다. 이 책 이후 신경망 연구비는 1980년대 중반까지 얻기 어려웠다.
1973년 영국 과학연구위원회의 요청으로 제임스 라이트힐이 쓴 보고서 「Artificial Intelligence: A General Survey」는 인공지능 연구가 약속한 성과를 내지 못했다고 혹평했다.[11] 영국 정부는 이 보고서를 근거로 소수 대학을 빼고 인공지능 연구 지원을 크게 줄였다. 미국에서는 1969년 맨스필드 수정안으로 국방부 연구비가 군사적 쓸모가 분명한 연구로 제한되었고, DARPA는 1971년부터 해마다 300만 달러씩 5년간 지원한 음성 이해 연구(SUR)를 후속 사업 없이 끝냈다.[9] 1970년대 중반부터 약 6년 동안을 1차 AI 겨울이라 부른다. 원인과 경과는 AI 겨울 문서 참고.
다만 연구 자체가 멈추지는 않았다. 연구비 삭감은 주로 대형 연구소와 대형 과제에 집중되었고, 연구자 수는 오히려 늘었다는 반론도 있다. 이 시기에 1974년 폴 워보스는 박사 논문에서 다층 신경망에 쓸 수 있는 역전파 방법을 제안했고, 이 방법의 수학적 뿌리인 자동 미분의 역방향 모드는 1970년 세포 린나인마가 발표했다.[12] 스탠퍼드에서는 화학 분석 시스템 DENDRAL(1965년 시작)과 감염병 진단 시스템 MYCIN(1972년 시작) 같은 전문가 시스템이 개발되고 있었다.[9]
1980년대에는 특정 분야 전문가의 지식을 '만약 ~이면 ~이다' 규칙으로 옮긴 전문가 시스템이 기업에 퍼졌다. 카네기 멜런 대학이 디지털 이큅먼트(DEC)를 위해 만든 XCON(R1)은 VAX 컴퓨터 주문 구성을 자동화한 대표적 성공 사례였다. MYCIN은 규칙과 추론 엔진을 분리해 다른 분야에 재사용할 수 있게 만든 첫 전문가 시스템 셸에 가까웠다.[9] 기호주의 인공지능이 상업적으로 가장 성공한 시기다. 전문가 시스템을 돌리는 고가의 전용 컴퓨터인 LISP 머신을 파는 회사들도 생겼다.
각국 정부도 경쟁적으로 투자했다. 일본 통상산업성은 1982년 병렬 논리 추론 컴퓨터를 목표로 한 5세대 컴퓨터 사업을 시작했다. 영국은 1983년 앨비(Alvey) 계획을 세웠고, 미국 DARPA는 1983년 10년간 10억 달러를 들이는 전략 컴퓨팅 계획(Strategic Computing Program)을 발표했다.[9]
신경망 쪽도 다시 살아났다. 1980년 후쿠시마 구니히코는 시각 피질 구조를 본떠 위치가 바뀌거나 변형된 패턴도 알아보는 네오코그니트론을 발표했다.[13] 국소 특징 추출과 풀링을 쌓는 구조는 합성곱 신경망의 원형이 되었다. 1982년 존 홉필드는 에너지를 낮추는 방향으로 상태가 수렴하며 패턴을 기억하는 순환 신경망(홉필드 네트워크)을 발표했다.[14] 1985년 데이비드 애클리, 제프리 힌튼, 테리 세이노스키는 통계역학 개념을 빌린 확률적 신경망인 볼츠만 머신과 학습 알고리즘을 발표했다.[15] 볼츠만 머신은 뒤의 제한 볼츠만 머신과 심층 신뢰 신경망, 더 넓게는 에너지 기반 모델의 바탕이 되었다.
가장 중요한 사건은 1986년 데이비드 럼멜하트, 제프리 힌튼, 로널드 윌리엄스가 역전파로 다층 퍼셉트론을 학습시켜 은닉층이 유용한 내부 표현을 스스로 만들어 냄을 보인 논문이다.[16] 이로써 XOR 같은 문제를 푸는 다층망을 실제로 학습시킬 수 있게 되었고, 연결주의가 다시 연구의 한 축이 되었다. 같은 해 마이클 조던은 출력을 다시 입력으로 되먹이는 조던 네트워크를 발표했다.
전문가 시스템은 지식을 사람이 손으로 넣어야 해서 구축과 갱신 비용이 컸고(지식 획득 병목), 규칙 밖 입력에는 엉뚱한 답을 내는 취약성(brittleness)이 있었으며, 상식 추론을 하지 못했다. XCON 같은 초기 성공작도 1990년대 초에는 유지 비용이 너무 커졌다. 1987년 무렵에는 썬 마이크로시스템즈 같은 회사의 범용 워크스테이션과 개인용 컴퓨터가 빨라지면서 비싼 LISP 머신을 살 이유가 사라졌고, LISP 머신 시장이 무너졌다.[9] DARPA의 전략 컴퓨팅 계획도 1980년대 후반 인공지능 예산을 크게 줄였고, 일본 5세대 컴퓨터 사업은 1990년대 초 원래 목표를 이루지 못한 채 끝났다.
신경망 쪽에서는 역전파로 다층망을 학습시킬 수 있게 되었지만, 층이 깊어지면 오차 신호가 앞쪽 층까지 거의 전달되지 않는 기울기 소실 문제가 드러났다. 데이터와 계산 자원도 부족했다. 1990년대 대부분의 기계 학습 응용에서는 서포트 벡터 머신, 의사결정 나무 같은 다른 방법이 신경망보다 좋은 성과를 냈다.
이 시기에도 문자 인식과 음성 인식에서는 성과가 있었다. 1989년 얀 르쿤 연구진은 합성곱 신경망을 역전파로 학습시켜 미국 우편번호 손글씨 숫자를 인식했고,[17] 이 계열의 LeNet은 1990년대 수표 인식에 쓰였다. 그러나 사람과 자연스럽게 대화하는 기계처럼 대중이 체감할 목표는 이루지 못했다. 대화형 인공지능은 2010년대 말까지도 자동 응답기 수준에 머물렀다.
두 번의 겨울을 겪은 뒤 연구자들은 '인공지능'이라는 이름을 피하고 기계 학습, 정보학(informatics), 지식 기반 시스템, 인지 시스템, 지능형 에이전트, 계산 지능 같은 이름을 쓰는 경우가 많았다. 사람 수준의 지능이라는 목표 대신 측정 가능한 좁은 문제를 확실히 푸는 쪽으로 방향을 바꿨다. 인공지능 기술은 검색, 추천, 스팸 필터, 음성 인식 같은 큰 시스템의 부품으로 널리 쓰였지만 인공지능이라는 이름으로 불리지는 않았다.
불확실성을 확률로 다루는 베이지안 네트워크, 음성 인식의 은닉 마르코프 모델, 서포트 벡터 머신, 앙상블 방법이 주류가 되었다. 2000년대 중반까지 시맨틱 웹과 온톨로지 공학도 주목받았다. 컴퓨터 비전은 가보 필터, SIFT, HOG처럼 사람이 설계한 특징에 분류기를 붙이는 방식이 일반적이었다. 강화 학습은 1990년대 시간차 학습과 Q-러닝으로 이론이 정리되었다.
순환 신경망은 1990년 제프리 엘먼의 엘먼 네트워크 등으로 발전했지만 긴 시퀀스에서 기울기가 사라지거나 폭주하는 문제가 있었다. 1997년 제프 호흐라이터와 위르겐 슈미트후버는 게이트로 정보를 오래 보존하는 LSTM(장단기 기억)을 발표했다.[19] LSTM은 2010년대 음성 인식과 기계 번역의 핵심이 되었다.
1999년 엔비디아는 지포스 256을 '세계 최초의 GPU'로 내놓았다. 게임 시장이 키운 GPU는 10여 년 뒤 신경망 학습의 필수 장비가 된다. 2006년 힌튼 연구진은 제한 볼츠만 머신을 층별로 탐욕적으로 사전 학습해 쌓는 심층 신뢰 신경망(DBN)을 발표했다.[20] 비지도 사전 학습으로 깊은 신경망을 안정적으로 학습시킬 길을 열었고, 층을 쌓은 오토인코더도 같은 목적으로 쓰였다. 이 연구들을 계기로 깊은 신경망 학습을 가리키는 '딥 러닝'이라는 이름이 퍼졌다.
2009년 페이페이 리 연구진은 사람이 이름표를 단 대규모 이미지 데이터셋 ImageNet을 공개했다. 인터넷이 만든 대규모 데이터와 무어의 법칙에 따른 계산 능력 향상이 딥 러닝 부활의 조건을 갖췄다.
2017년 구글 연구진은 「Attention Is All You Need」에서 순환 구조 없이 어텐션 메커니즘만으로 시퀀스를 처리하는 트랜스포머를 발표했다.[27] 문장 안 먼 단어 사이의 관계를 직접 계산하고 병렬 학습이 쉬워 기계 번역에서 최고 성능을 냈다. 2018년 BERT와 GPT-1이 대량의 글로 사전 학습한 뒤 과제에 맞게 미세 조정하는 방식을 정착시켰고, GPT-2(2019)와 GPT-3(2020)는 모델과 데이터를 키울수록 성능이 오른다는 스케일링 법칙을 보여 주었다. 자세한 내용은 Attention is All You Need (논문) 문서 참고.
2022년 이미지 생성 모델 DALL-E 2, 미드저니, 스테이블 디퓨전이 잇따라 공개되며 확산 모델 기반 그림 생성이 대중에 퍼졌다. 2022년 11월 30일 OpenAI는 GPT-3.5 계열 모델에 인간 피드백 기반 강화 학습을 적용한 대화형 서비스 ChatGPT를 공개했다. ChatGPT는 공개 두 달 만에 월간 사용자 1억 명을 넘긴 것으로 추정되어 당시 역사상 가장 빠르게 성장한 소비자 앱으로 불렸다.[30] 구글, 메타, 앤트로픽 등이 제미나이, 라마, 클로드 같은 대형 언어 모델로 뒤따랐고, 중국에서는 딥시크 같은 공개 가중치 모델이 경쟁에 가세했다. 이미지와 영상 생성 모델은 2023년 이후 확산 모델의 백본으로 트랜스포머를 쓰는 방식이 퍼졌다.
2024년 OpenAI는 답하기 전에 긴 사고 과정을 거치도록 강화 학습으로 훈련한 o1을 9월 미리보기로, 12월 정식으로 공개했다. 이후 여러 회사가 추론 모델을 내놓으며 경시 수학, 경쟁 프로그래밍 같은 영역에서 성능이 급격히 올랐다. 2024년 12월 o3는 추상 추론 벤치마크 ARC-AGI-1에서 고연산 설정 87.5%를 기록했지만, 주최 측은 이것이 AGI 달성을 뜻하지 않는다고 밝혔다.[33] 동시에 언어 모델이 도구를 호출하고 여러 단계를 스스로 진행하는 에이전트 인공지능, 이를 연결하는 모델 컨텍스트 프로토콜, 코드 작성 에이전트(깃허브 코파일럿, 클로드 코드, 커서)가 빠르게 퍼졌다.
2024년 노벨 물리학상은 존 홉필드와 제프리 힌튼에게, 화학상의 절반은 알파폴드를 만든 데미스 허사비스와 존 점퍼에게 돌아갔다.[34] 2025년 미국 시사주간지 타임은 올해의 인물로 'AI의 설계자들'을 뽑았다.[35]
2026년에는 언어 모델이 사람 전문가의 영역으로 여겨지던 문제에서 결과를 내기 시작했다. 5월 OpenAI는 내부 모델이 1946년 에르되시가 제기한 평면 단위 거리 문제에 관한 추측을 반증했다고 발표했다.[36] 7월에는 OpenAI 모델 기반 에이전트가 경쟁 프로그래밍 대회 AtCoder World Tour Finals 2026에서 사람 결선 진출자를 제쳤다고 보도되었다.[37] 같은 달 앤트로픽 연구자 레번트 알푀게는 클로드 페이블 5를 활용해 1939년 오트하인리히 켈러가 제기한 야코비안 추측의 3차원 이상 반례를 공개했다. 반례는 짧아 다른 수학자들이 곧바로 검산했지만, 2차원 경우는 여전히 미해결이고 동료 심사도 거치지 않은 상태다.[38]
생성형 인공지능은 산업과 금융 시장에도 큰 영향을 주었다. 대규모 데이터 센터 건설과 GPU, HBM 수요가 급증했고, 인공지능이 일자리를 실제로 대체하기 시작하면서 기술적 실업과 기본소득 논의가 늘었다. 동시에 연구 방향은 대형 언어 모델, 멀티모달 인공지능, 강화 학습, 설명 가능한 인공지능, 인공지능 안전으로 넓어지고 있다. 대형 모델 내부에서 무슨 일이 일어나는지 만든 사람도 정확히 설명하지 못한다는 점은 여전히 큰 숙제다.
| 연도 | 사건 |
|---|---|
| 1936 | 앨런 튜링, 튜링 머신으로 계산 가능성 정의 |
| 1943 | 워런 매컬럭·월터 피츠, 신경세포의 논리 회로 모형 발표[1] |
| 1948 | 노버트 위너, 『사이버네틱스』 출간 |
| 1949 | 도널드 헵, 『The Organization of Behavior』에서 헵 학습 규칙 제시 |
| 연도 | 사건 |
|---|---|
| 1950 | 튜링, 「Computing Machinery and Intelligence」에서 흉내 게임(튜링 테스트) 제안[3] |
| 1951 | 민스키·에드먼즈, 신경망 학습 기계 SNARC 제작 |
| 1952~1955 | 아서 새뮤얼, IBM에서 체커 프로그램 개발, 학습하는 버전 제작 |
| 1955.8.31 | 매카시·민스키·로체스터·섀넌, 다트머스 연구 제안서에서 '인공지능' 용어 처음 사용[5] |
| 1955~1956 | 뉴얼·사이먼·쇼, Logic Theorist 개발 |
| 1956.6~8 | 다트머스 회의 개최[6] |
| 1958 | 로젠블랫, 퍼셉트론 시연(7월)과 논문 발표[7][8] |
| 1958 | 매카시, LISP 개발 |
| 1959 | 뉴얼·쇼·사이먼, General Problem Solver 발표. 새뮤얼, '기계 학습' 용어 사용[4] |
| 1959 | 아나톨리 키토프(소련), 컴퓨터 망에 의한 국가 경제 관리 구상 |
| 연도 | 사건 |
|---|---|
| 1980 | 후쿠시마 구니히코, 네오코그니트론 발표. 존 설, 중국어 방 논증 발표 |
| 1982 | 존 홉필드, 홉필드 네트워크 발표. 일본 5세대 컴퓨터 사업 시작 |
| 1983 | DARPA 전략 컴퓨팅 계획 발표[9]. 영국 앨비 계획 시작 |
| 1985 | 애클리·힌튼·세이노스키, 볼츠만 머신 학습 알고리즘 발표 |
| 1986 | 럼멜하트·힌튼·윌리엄스, 역전파로 다층 신경망 학습[16]. 조던 네트워크 발표 |
| 1987 | LISP 머신 시장 붕괴, 2차 AI 겨울 시작 |
| 1988 | 한스 모라벡, 『Mind Children』에서 모라벡의 역설 서술 |
| 1989 | 얀 르쿤 연구진, 합성곱 신경망으로 우편번호 손글씨 인식[17] |
| 연도 | 사건 |
|---|---|
| 2010 | 딥마인드 설립 |
| 2011 | IBM 왓슨, 『제퍼디!』 우승. 애플 시리 출시 |
| 2012 | AlexNet, ILSVRC 우승(딥 러닝 시대 개막)[21] |
| 2013 | 구글, Word2Vec 발표. 킹마·웰링, 변분 오토인코더 발표[22] |
| 2014 | 굿펠로 연구진, GAN 발표[23]. 구글, 딥마인드 인수 |
| 2015 | 솔딕스타인 연구진, 확산 모델 제안[24]. ResNet, ILSVRC 우승. OpenAI 설립 |
| 2016 | 알파고, 이세돌 9단에게 4대 1 승리[25] |
| 2017 | 구글 연구진, 트랜스포머 발표[27]. 알파고 제로 발표 |
| 2018 | BERT, GPT-1 발표 |
| 2019 | GPT-2 발표. OECD 인공지능 원칙 채택 |
| 연도 | 사건 |
|---|---|
| 2020 | GPT-3 발표. DDPM 발표[29]. 알파폴드 2, CASP14에서 압도적 성과 |
| 2021 | 앤트로픽 설립. 알파폴드 2 논문과 코드 공개 |
| 2022 | DALL-E 2, 미드저니, 스테이블 디퓨전 공개. 11월 30일 ChatGPT 공개 |
| 2023 | GPT-4 공개. 3월 학습 중단 공개서한. 힌튼, 구글 퇴사 후 위험 경고 |
| 2024 | EU 인공지능법 발효(8월). o1 공개(9월 미리보기, 12월 정식). 홉필드·힌튼 노벨 물리학상, 허사비스·점퍼 노벨 화학상[34]. o3, ARC-AGI-1 87.5%[33] |
| 2025 | 타임 올해의 인물 'AI의 설계자들' |
| 2026 | 대한민국 인공지능기본법 시행(1월 22일). OpenAI 내부 모델, 에르되시 단위 거리 추측 반증 발표(5월)[36]. 클로드 페이블 5 활용 야코비안 추측 반례 공개(7월)[38] |
- ↑ 1.0 1.1 Warren S. McCulloch, Walter Pitts, 〈A Logical Calculus of the Ideas Immanent in Nervous Activity〉, Bulletin of Mathematical Biophysics 5, 115~133쪽, 1943. doi:10.1007/BF02478259
- ↑ Donald O. Hebb, 『The Organization of Behavior』, Wiley, 1949.
- ↑ 3.0 3.1 A. M. Turing, 〈Computing Machinery and Intelligence〉, Mind 59(236), 433~460쪽, 1950. doi:10.1093/mind/LIX.236.433
- ↑ 4.0 4.1 A. L. Samuel, 〈Some Studies in Machine Learning Using the Game of Checkers〉, IBM Journal of Research and Development 3(3), 210~229쪽, 1959. doi:10.1147/rd.33.0210
- ↑ 5.0 5.1 J. McCarthy, M. L. Minsky, N. Rochester, C. E. Shannon, 〈A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence〉, 1955년 8월 31일. 스탠퍼드 대학교 사본
- ↑ 6.0 6.1 Grace Solomonoff, 〈The Meeting of the Minds That Launched AI〉, IEEE Spectrum, 2023. IEEE Spectrum
- ↑ 7.0 7.1 Melanie Lefkowitz, 〈Professor's perceptron paved the way for AI, 60 years too soon〉, Cornell Chronicle, 2019년 9월 25일. Cornell Chronicle
- ↑ 8.0 8.1 F. Rosenblatt, 〈The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain〉, Psychological Review 65(6), 386~408쪽, 1958. doi:10.1037/h0042519
- ↑ 9.00 9.01 9.02 9.03 9.04 9.05 9.06 9.07 9.08 9.09 9.10 National Research Council, 〈Developments in Artificial Intelligence〉, 『Funding a Revolution: Government Support for Computing Research』 9장, National Academy Press, 1999. National Academies Press
- ↑ 10.0 10.1 Marvin Minsky, Seymour Papert, 『Perceptrons: An Introduction to Computational Geometry』, MIT Press, 1969.
- ↑ 11.0 11.1 John McCarthy, 〈Review of "Artificial Intelligence: A General Survey"〉. 스탠퍼드 대학교
- ↑ Paul J. Werbos, 〈Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences〉, 하버드 대학교 박사 논문, 1974.
- ↑ Kunihiko Fukushima, 〈Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position〉, Biological Cybernetics 36, 193~202쪽, 1980. doi:10.1007/BF00344251
- ↑ J. J. Hopfield, 〈Neural networks and physical systems with emergent collective computational abilities〉, PNAS 79(8), 2554~2558쪽, 1982. doi:10.1073/pnas.79.8.2554
- ↑ David H. Ackley, Geoffrey E. Hinton, Terrence J. Sejnowski, 〈A Learning Algorithm for Boltzmann Machines〉, Cognitive Science 9(1), 147~169쪽, 1985. doi:10.1207/s15516709cog0901_7
- ↑ 16.0 16.1 David E. Rumelhart, Geoffrey E. Hinton, Ronald J. Williams, 〈Learning representations by back-propagating errors〉, Nature 323, 533~536쪽, 1986. doi:10.1038/323533a0
- ↑ 17.0 17.1 Y. LeCun 외, 〈Backpropagation Applied to Handwritten Zip Code Recognition〉, Neural Computation 1(4), 541~551쪽, 1989. doi:10.1162/neco.1989.1.4.541
- ↑ 18.0 18.1 IBM, 〈Deep Blue〉. IBM
- ↑ 19.0 19.1 Sepp Hochreiter, Jürgen Schmidhuber, 〈Long Short-Term Memory〉, Neural Computation 9(8), 1735~1780쪽, 1997. doi:10.1162/neco.1997.9.8.1735
- ↑ 20.0 20.1 Geoffrey E. Hinton, Simon Osindero, Yee-Whye Teh, 〈A Fast Learning Algorithm for Deep Belief Nets〉, Neural Computation 18(7), 1527~1554쪽, 2006. doi:10.1162/neco.2006.18.7.1527
- ↑ 21.0 21.1 Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton, 〈ImageNet Classification with Deep Convolutional Neural Networks〉, NeurIPS 2012. NeurIPS
- ↑ 22.0 22.1 Diederik P. Kingma, Max Welling, 〈Auto-Encoding Variational Bayes〉, 2013. arXiv:1312.6114
- ↑ 23.0 23.1 Ian J. Goodfellow 외, 〈Generative Adversarial Networks〉, 2014. arXiv:1406.2661
- ↑ 24.0 24.1 Jascha Sohl-Dickstein 외, 〈Deep Unsupervised Learning using Nonequilibrium Thermodynamics〉, 2015. arXiv:1503.03585
- ↑ 25.0 25.1 Google DeepMind, 〈AlphaGo〉. deepmind.google
- ↑ David Silver 외, 〈Mastering the game of Go with deep neural networks and tree search〉, Nature 529, 484~489쪽, 2016. doi:10.1038/nature16961
- ↑ 27.0 27.1 Ashish Vaswani 외, 〈Attention Is All You Need〉, NeurIPS 2017. arXiv:1706.03762
- ↑ John Jumper 외, 〈Highly accurate protein structure prediction with AlphaFold〉, Nature 596, 583~589쪽, 2021. doi:10.1038/s41586-021-03819-2
- ↑ 29.0 29.1 Jonathan Ho, Ajay Jain, Pieter Abbeel, 〈Denoising Diffusion Probabilistic Models〉, 2020. arXiv:2006.11239
- ↑ The Guardian, 〈ChatGPT reaches 100 million users two months after launch〉, 2023년 2월 2일. The Guardian
- ↑ Future of Life Institute, 〈Pause Giant AI Experiments: An Open Letter〉, 2023년 3월. futureoflife.org
- ↑ Cade Metz, 〈'The Godfather of A.I.' Leaves Google and Warns of Danger Ahead〉, The New York Times, 2023년 5월 1일. The New York Times
- ↑ 33.0 33.1 ARC Prize, 〈OpenAI o3 Breakthrough High Score on ARC-AGI-Pub〉, 2024년 12월 20일. arcprize.org
- ↑ 34.0 34.1 The Nobel Prize, 〈All Nobel Prizes 2024〉. nobelprize.org
- ↑ CBS News, 〈Time's 2025 Person of the Year goes to "the architects of AI"〉, 2025년 12월. CBS News
- ↑ 36.0 36.1 OpenAI, 〈Model disproves discrete geometry conjecture〉, 2026년 5월. openai.com
- ↑ The Decoder, 〈OpenAI's AI beats every human at AtCoder, a top competitive programming contest〉, 2026년 7월. the-decoder.com
- ↑ 38.0 38.1 Melissa Lee, 〈Claude Fable 5 AI finds a tiny formula that topples an 87-year-old math conjecture〉, The Conversation(ScienceDaily 재게재), 2026년 8월 5일. ScienceDaily
- Nils J. Nilsson, 『The Quest for Artificial Intelligence』, Cambridge University Press, 2009.
- Pamela McCorduck, 『Machines Who Think』 2판, A K Peters, 2004.
- Daniel Crevier, 『AI: The Tumultuous History of the Search for Artificial Intelligence』, Basic Books, 1993.
- National Research Council, Funding a Revolution 9장: Developments in Artificial Intelligence