요즘 챗GPT의 인기가 거세다. 챗GPT의 활용 방안에 대한 열기도 뜨겁다. 지난 2016년 터졌던 알파고의 빅뱅이 다시 도래한 것처럼 모든 이들이 인공지능의 미래를 논하고 있다.

인공지능의 개념은 수십 년 전부터 시작됐으며, 이를 실현시키기 위한 노력들은 지난 몇 십 년간 꾸준히 이뤄져 왔다. 인공지능의 역사를 살펴보면 1956년에 다트머스 회의에서 존 맥카시가 인공지능이란 용어를 처음 사용했다. 1950년대 후반부터 인공지능 분야에 대한 최초의 연구들이 시작됐고 존 맥카시와 마빈 민스키를 비롯한 학자들은 인공지능의 핵심 개념인 ‘머신 러닝’을 고안했다. 이후 1960년대 후반부터 인공지능에 대한 대규모 연구가 이뤄졌으며 많은 인공지능 프로그램이 만들어졌다.

하지만 당시 프로그램은 복잡한 작업에 대한 성능이 부족하다는 한계가 있었고 알고리즘을 보완한 전문가 시스템이 1970년대에 개발됐다. 이 시스템은 전문가의 경험과 지식을 수집해 문제 해결에 활용할 수 있는 인공지능 시스템으로, 인공지능 분야의 주요 연구 분야 중 하나가 됐다.

1980년대에는 인공지능 분야에서 지식 표현 및 추론 기술, 논리 프로그래밍 등의 기술이 개발돼 사용됐고 1990년대에는 인공신경망 기술이 조명돼 인공지능 연구가 크게 발전했다. 드디어 2000년도에 들어서는 대규모 데이터 처리와 기계학습 기술의 발전으로 인공지능의 발전 속도에 가속이 붙었다. 이후 다양한 인공지능 응용 프로그램 이미지 인식, 음성 인식, 자연어 처리 등의 분야에서 상용화돼 널리 사용됐다. 2010년에는 딥러닝 알고리즘이 개발돼 학습형 인공지능이라는 가능성이 열렸고 이로 인해 자율 주행 자동차, 음성 비서, 인공지능 게임 등의 분야에서 인공지능 기술을 활용될 수 있게 됐다. 현재는 기계 학습·딥러닝 기술이 하루가 다르게 발전하고 있다.

인공지능 딥러닝 모델을 살펴보면 인간의 뇌를 모방해 만든 인공신경망을 기반으로 한다. 이 모델은 입력 데이터를 처리하고 출력을 예측하기 위해 여러 개의 연속된 레이어(층)으로 구성돼 있다. 인공신경망은 매우 간단한 수학식으로 구성돼 있고 입력 데이터와 해당 데이터의 가중치를 곱해 레이어의 노드로 보내고, 이 노드에서 활성화 함수를 적용해 출력을 계산한다. 이렇게 계산된 출력을 다음 레이어에 입력한다. 이 과정을 반복해 최종 출력을 얻게 된다.

딥러닝 모델에서는 이러한 인공신경망을 여러 겹으로 쌓아 올린 다층 인공신경망을 사용한다. 이를 통해 다양한 복잡한 문제를 해결할 수 있다. 예를 들어 이미지 분류, 음성 인식, 자연어 처리, 게임 플레이 등 다양한 분야에서 사용된다. 딥러닝 모델은 입력 데이터와 출력 데이터 사이의 관계를 자동으로 학습하고 최적의 가중치를 찾아내는 방식으로 동작한다. 이 학습 과정에서는 입력 데이터와 출력 데이터 사이의 오차를 최소화하는 방향으로 가중치를 조정하게 된다. 이러한 과정을 반복해 최종적으로 학습된 딥러닝 모델은 새로운 입력 데이터에 대한 출력을 예측할 수 있게 된다.

이와 같은 딥러닝의 모델을 활용한 다양한 응용 분야가 만들어졌다. 이제 인간이 오랜 시간 걸려서 찾아야 하는 정보를 인공지능이 대신 찾아주고, 더 나아가 결정과 판단을 내리는 데까지 유용한 도구로 활용이 가능하게 됐다.

가장 최근에 발표된 오픈형 인공지능 모델 GPT-4는 이전 모델인 GPT-3과 마찬가지로 자연어 처리 분야에서의 다양한 작업에 훨씬 높은 성능을 보이는 것으로 나타났다. 예를 들어 더 많은 데이터를 사용하고 더 복잡한 모델 구조를 적용해 더욱 정확하고 자연스러운 문장 생성, 더 빠른 대화 반응, 더 효율적인 기계 번역 등을 수행할 수 있을 것으로 기대된다.

‘우리가 만날 미래가 시작되는 곳은 바로 오늘, 여기서부터다’라는 말이 있다. 미래에 대한 탐구는 항상 현재를 기반으로 미래에 대해 끊임없이 질문을 던지고 스스로 되돌아보는 철학적 사고의 연속이다. 인공지능 기술의 발전사에서도 확인할 수 있듯 ‘미래는 예측하는 게 아니라 만들어가는 것’이라는 의미를 다시 한번 되새길 필요가 있다.

<한국대학신문>