인공지능

Artificial intelligence, AI; 인공지능

학습, 추론, 지각, 판단, 언어 이해처럼 사람의 지적 능력이 필요한 일을 기계가 해내도록 만드는 기술과 그 연구 분야

인공지능(人工知能, artificial intelligence, AI)은 지능이 필요한 일을 컴퓨터가 수행하게 만드는 기술이자, 그런 시스템을 설계하고 연구하는 컴퓨터 과학의 한 분야다. 지능을 무엇으로 볼지에 따라 범위가 달라지며, 체스를 두는 탐색 프로그램, 규칙으로 진단을 내리는 전문가 시스템, 사진 속 물체를 알아보는 합성곱 신경망, 글을 써 주는 대형 언어 모델이 모두 인공지능이라는 이름 아래 묶인다.

용어는 1955년 존 매카시(John McCarthy) 등이 쓴 다트머스 회의 제안서에서 처음 쓰였다. 이후 70년 동안 기대가 부풀었다가 꺼지는 일(AI 겨울)을 두 번 크게 겪었고, 2010년대 딥 러닝과 2020년대 생성형 인공지능을 거치며 산업과 사회 전반에 영향을 주는 기술이 되었다. 오늘날 실무에서 말하는 인공지능은 대부분 데이터에서 규칙을 배우는 기계 학습, 그중에서도 깊은 인공 신경망을 쓰는 딥 러닝을 가리킨다.

이 문서는 IT위키 인공지능 분야의 입구 문서다. 각 하위 개념은 짧게 요약하고 해당 문서로 연결한다. 시대별 전개는 인공지능의 역사 문서에서 자세히 다룬다.

정의

인공지능에는 합의된 단일 정의가 없다. 무엇을 지능으로 볼지, 사람을 기준으로 삼을지 합리성을 기준으로 삼을지에 따라 정의가 갈린다. 연구 목적과 방향도 이 선택에 따라 달라진다.

여러 정의 비교

출처	정의(요지)	특징
다트머스 회의 제안서(1955)	학습을 비롯한 지능의 모든 측면은 원리적으로 정밀하게 기술할 수 있어 기계가 흉내 낼 수 있다는 추측에서 출발한다.	정의라기보다 연구 강령. 지능을 기술 가능한 절차로 본다.
존 매카시(2007)	지능적인 기계, 특히 지능적인 컴퓨터 프로그램을 만드는 과학과 공학	학문 분야로서의 정의
러셀·노빅 『Artificial Intelligence: A Modern Approach』	사람처럼 생각하기, 사람처럼 행동하기, 합리적으로 생각하기, 합리적으로 행동하기의 네 관점으로 나누고, 합리적으로 행동하는 에이전트를 만드는 접근을 중심에 둔다.	교과서 표준. 지능형 에이전트 관점
OECD(2019, 2023 개정)	사람이 정한 명시적·묵시적 목표를 위해 입력으로부터 예측, 콘텐츠, 추천, 결정 같은 출력을 추론해 물리적·가상 환경에 영향을 주는 기계 기반 시스템. 배포 후 자율성과 적응성의 수준은 시스템마다 다르다.	규제용 정의. EU 인공지능법 등 여러 법제가 이 틀을 따른다.
대한민국 인공지능기본법 제2조	학습, 추론, 지각, 판단, 언어의 이해 등 인간이 가진 지적 능력을 전자적 방법으로 구현한 것	능력의 목록으로 정의. 같은 조에서 인공지능시스템, 고영향 인공지능, 생성형 인공지능을 따로 정의한다.

움직이는 과녁

기계가 어떤 일을 잘 해내게 되면 그 일은 더 이상 지능의 증거로 여겨지지 않는 경향이 있다. 래리 테슬러(Larry Tesler)가 했다고 알려진 "지능은 기계가 아직 하지 못한 무언가다"라는 말이 이를 꼬집는다(테슬러 정리, AI 효과). 문자 인식, 경로 탐색, 철자 교정처럼 한때 인공지능 연구 주제였던 기술은 지금은 평범한 소프트웨어 기능으로 취급된다.

지능을 판정하는 시험

앨런 튜링은 1950년 논문에서 "기계가 생각할 수 있는가"라는 질문을 대화로 사람과 구별되지 않는지 보는 흉내 게임으로 바꾸자고 제안했다. 이것이 튜링 테스트다. 존 설은 1980년 중국어 방 논증으로 겉으로 드러난 행동만으로는 이해가 있다고 할 수 없다고 반박했다. 사람에게 쉬운 지각·운동이 기계에게는 어렵고 사람에게 어려운 계산은 기계에게 쉽다는 모라벡의 역설도 지능을 한 줄로 재기 어렵다는 점을 보여 준다. 오늘날에는 단일 시험 대신 여러 벤치마크를 묶어 능력을 측정한다.

분류

능력 수준에 따른 분류

구분	다른 이름	뜻	현황
약인공지능	좁은 인공지능(ANI), weak AI	정해진 과제나 영역에서만 작동하는 인공지능	지금까지 만들어진 인공지능은 모두 이 범주로 분류된다.
강인공지능	strong AI	원래는 적절히 프로그래밍된 컴퓨터가 실제로 마음을 가진다는 철학적 입장. 대중적으로는 사람처럼 생각하는 인공지능을 뜻한다.	철학적 논쟁 대상
인공 일반 지능	범용 인공지능(AGI)	사람이 할 수 있는 대부분의 지적 과제를 사람 수준으로 해내는 인공지능	정의와 도달 시점 모두 논쟁 중
초지능	초인공지능(ASI)	거의 모든 영역에서 가장 뛰어난 사람을 크게 넘어서는 지능	가설. 기술적 특이점 논의와 연결된다.

약한 인공지능과 강한 인공지능이라는 말은 존 설이 1980년 중국어 방 논증을 내놓으며 만든 구분이다. 설이 말한 '강한 인공지능'은 "적절히 프로그래밍된 컴퓨터는 문자 그대로 마음을 가진다"는 주장이고, '약한 인공지능'은 컴퓨터를 마음 연구의 도구로 쓰는 입장이었다. 설은 강한 인공지능 주장을 비판하려고 이 구분을 만들었다. 이후 대중적으로는 "사람처럼 생각하는 AI"와 "특정 일만 하는 도구형 AI"라는 뜻으로 바뀌어 퍼졌다. 연구 현장에서는 강·약 구분보다 AGI라는 말을 더 자주 쓴다.

접근 방식에 따른 분류

구분	핵심 생각	대표 기법	강점	약점
기호주의(symbolic AI)	지능은 기호를 규칙에 따라 조작하는 일이다.	논리 추론, 탐색, 규칙 기반 전문가 시스템, 지식 표현	추론 과정을 설명하기 쉽고, 적은 데이터로도 동작한다.	규칙을 사람이 일일이 넣어야 하고, 규칙 밖 상황에 약하다(취약성).
연결주의(connectionism)	지능은 단순한 단위가 많이 연결된 망에서 생겨난다.	퍼셉트론, 인공 신경망, 딥 러닝	이미지·소리·글처럼 규칙으로 적기 어려운 데이터에서 패턴을 스스로 배운다.	많은 데이터와 계산이 필요하고, 판단 근거를 설명하기 어렵다.
통계·확률적 접근	불확실성을 확률로 다룬다.	베이지안 네트워크, 은닉 마르코프 모델, 서포트 벡터 머신	불확실한 상황에서 근거 있는 추론	모델 구조를 사람이 설계해야 한다.
행동 기반·체화 접근	지능은 몸과 환경의 상호작용에서 나온다.	반응형 로봇, 임보디드 인공지능	실제 환경에서 견고하게 움직인다.	고차원 추론으로 넓히기 어렵다.
신경-기호 결합	신경망의 학습 능력과 기호 추론을 합친다.	신경-기호 인공지능, 지식 그래프와 언어 모델 결합	학습과 설명 가능성을 함께 노린다.	아직 연구 단계가 많다.

기호주의를 흔히 좋은 구시대적 인공지능(GOFAI)이라 부르기도 한다. 자세한 비교는 기호 기반 인공지능 문서 참고.

상향식과 하향식

연구 방법을 상향식과 하향식으로 나누기도 한다. 상향식(bottom-up)은 뇌의 신경 회로를 분석하고 모형화해 지능을 재현하려는 길이다. 신경 연결 지도가 모두 밝혀진 예쁜꼬마선충(C. elegans)의 신경망을 컴퓨터로 옮기려는 오픈웜 같은 시도가 여기에 속한다. 하향식(top-down)은 뇌의 구조와 무관하게 지능이 필요한 과제를 알고리즘으로 풀려는 길이다. 탐색, 전문가 시스템, 대부분의 기계 학습이 하향식 연구에서 나왔다. 현대의 인공 신경망은 뉴런을 아주 단순하게 본뜬 구조를 쓰지만 실제 뇌를 재현하려는 것은 아니어서 두 방향이 섞여 있다고 볼 수 있다.

학습 방식에 따른 분류

방식	정답 정보	대표 과제	문서
지도 학습	입력마다 정답(레이블)이 있다.	분류, 회귀	지도 학습
비지도 학습	정답 없이 데이터 구조를 찾는다.	군집화, 차원 축소, 이상 탐지	비지도 학습
준지도 학습	일부만 정답이 있다.	적은 레이블로 분류	준지도 학습
자기 지도 학습	데이터에서 정답을 스스로 만든다(다음 토큰 맞히기, 가린 부분 복원).	대형 언어 모델 사전 학습	자기 지도 학습
강화 학습	행동의 결과로 받는 보상 신호	게임, 로봇 제어, 언어 모델 미세 조정	강화 학습, 인간 피드백 기반 강화 학습

과업과 출력에 따른 분류

• 판별형(discriminative): 입력을 보고 분류하거나 값을 예측한다. 스팸 판정, 신용 평가, 객체 탐지가 여기에 속한다.
• 생성형(generative): 학습한 데이터 분포에서 새 글, 그림, 소리, 영상을 만든다. 자세한 내용은 생성형 인공지능과 생성 모델 문서 참고.
• 에이전트형(agentic): 목표를 받아 계획을 세우고 도구를 호출하며 여러 단계를 스스로 진행한다. 자세한 내용은 에이전트 인공지능 문서 참고.

개념 계층

범위	설명
인공지능	지능이 필요한 일을 기계가 하게 만드는 모든 방법. 규칙 기반 프로그램도 포함한다.
⊃ 기계 학습	사람이 규칙을 적는 대신 데이터에서 규칙(모델 매개변수)을 학습하는 방법
⊃ 인공 신경망	뉴런을 단순화한 계산 단위를 층으로 연결한 기계 학습 모델
⊃ 딥 러닝	은닉층을 여러 겹 쌓아 데이터의 특징을 계층적으로 스스로 뽑아내는 신경망
⊃ 파운데이션 모델, 대형 언어 모델	막대한 데이터로 사전 학습해 여러 과제에 두루 적용하는 대형 딥 러닝 모델

원리

탐색과 추론

초기 인공지능은 문제를 상태 공간에서 목표 상태를 찾는 탐색으로 다뤘다. 길 찾기는 A* 알고리즘, 두 사람이 겨루는 게임은 미니맥스 알고리즘과 알파-베타 가지치기, 바둑처럼 경우의 수가 큰 게임은 몬테카를로 트리 탐색으로 푼다. 탐색의 근본 문제는 경우의 수가 기하급수적으로 늘어나는 조합 폭발이다. 논리 추론 쪽은 사실과 규칙을 지식 표현으로 적고 추론 엔진으로 결론을 끌어낸다. 불확실한 지식은 베이즈 정리와 베이지안 네트워크로 다룬다.

인공 신경망의 계산

현대 인공지능의 주류인 인공 신경망은 다음 계산을 수없이 반복한다. 각 노드는 입력 신호 $x_i$에 가중치 $w_i$를 곱해 더하고 편향 $b$를 더한 뒤, 그 값을 활성화 함수($f$)에 넣어 다음 노드로 보낸다.

$y=f(\sum _i{w}_i{x}_i+b)$

이런 노드를 층으로 쌓으면 아래층은 선이나 모서리 같은 단순한 특징을, 위층은 눈이나 얼굴처럼 복합적인 특징을 표현하게 된다. 학습은 예측과 정답의 차이를 손실 함수로 재고, 그 차이를 줄이는 방향으로 역전파와 경사 하강법을 써서 가중치를 조금씩 고치는 과정이다. 학습이 끝난 신경망은 입력에 대해 가장 그럴듯한 출력을 확률적으로 내놓는다. 그래서 일부가 가려진 사진에서도 대상을 알아보지만, 정확한 산술처럼 규칙을 한 치도 어기면 안 되는 일에는 약할 수 있다. 대형 언어 모델은 이 약점을 계산기나 코드 실행 같은 도구 호출로 보완한다.

대형 언어 모델의 원리

대형 언어 모델은 트랜스포머 구조로 막대한 글을 읽으며 다음 토큰을 맞히는 자기 지도 학습을 한다. 규모를 키울수록 성능이 예측 가능하게 오른다는 스케일링 법칙이 대형화를 이끌었다. 사전 학습 뒤에는 지시 따르기 미세 조정과 인간 피드백 기반 강화 학습으로 대화형 비서로 다듬는다. 답하기 전에 긴 사고 과정을 거치도록 학습한 추론 모델이 2024년 이후 등장했다. 자세한 내용은 언어 모델 문서 참고.

환각

생성형 인공지능은 그럴듯하지만 사실이 아닌 내용을 자신 있게 지어내곤 한다. 이를 환각(hallucination)이라 한다. 모델이 아는 것과 모르는 것을 스스로 구별하지 못하고, 학습 데이터에 드물게 나오는 사실(특정인의 생일 같은 것)일수록 틀리기 쉽다. OpenAI 연구진은 2025년 논문에서 학습과 평가가 "모른다"고 답하기보다 추측해서 맞히는 쪽에 점수를 주기 때문에 환각이 생긴다고 분석하고, 불확실할 때 답을 유보하면 감점하지 않도록 벤치마크 채점 방식을 바꾸자고 제안했다. 실무에서는 검색 증강 생성으로 근거 문서를 붙이거나, 출처 표시와 사람 검토를 함께 쓴다.

주요 하위 분야

분야	다루는 문제	대표 기술·사례
기계 학습	데이터에서 규칙을 배우는 일반 방법	의사결정 나무, 서포트 벡터 머신, 랜덤 포레스트, 부스팅
딥 러닝	깊은 신경망으로 표현을 학습	합성곱 신경망, RNN, LSTM, GRU, 트랜스포머, 상태 공간 모델
생성 모델	새 데이터를 생성	GAN, 변분 오토인코더, 확산 모델, 자기회귀 언어 모델
자연어 처리	사람의 말과 글을 이해하고 생성	기계 번역, 감성 분석, 언어 모델, 대형 언어 모델
컴퓨터 비전	이미지와 영상 이해	객체 탐지, 광학 문자 인식, 비전 트랜스포머, 비전-언어 모델
음성 처리	말소리를 글로, 글을 말소리로	음성 인식, 음성 합성
로봇과 체화 AI	감지, 이동, 조작	자율주행차, 피지컬 AI, 비전-언어-행동 모델, 월드 모델
계획·탐색	목표에 이르는 행동 순서를 찾기	A* 알고리즘, 미니맥스 알고리즘, 몬테카를로 트리 탐색, 마르코프 결정 프로세스
지식 표현·추론	지식을 기계가 다룰 수 있게 표현하고 추론	지식 표현, 지식 그래프, 온톨로지, Cyc 프로젝트, 전문가 시스템
패턴 인식·이상 탐지	데이터 속 규칙성과 일탈 찾기	패턴 인식, 이상 탐지
에이전트	목표 지향적으로 계획하고 도구를 쓰는 시스템	에이전트 인공지능, 모델 컨텍스트 프로토콜, A2A 프로토콜, 컴퓨터 사용 에이전트
진화·소프트 컴퓨팅	미분하기 어려운 문제의 근사 해, 애매한 개념의 정량화	유전알고리즘, 퍼지 집합
게임 AI	게임 속 캐릭터의 반응과 행동	유한 상태 기계, 행동 트리, 경로 탐색
인공 생명	가상 환경에서 생명 현상을 흉내 내어 연구	세포 자동자, 진화 시뮬레이션

기계 학습

사람이 규칙을 직접 적는 대신 예시 데이터에서 규칙을 추정하는 방법이다. 학습 방식은 위 분류 표처럼 지도, 비지도, 강화 학습 등으로 나뉜다. 1959년 아서 새뮤얼이 체커 프로그램 논문에서 이 용어를 썼다. 자세한 내용은 기계 학습 문서 참고.

딥 러닝

은닉층이 여러 겹인 신경망을 학습하는 방법이다. 사람이 설계하던 특징 추출(특성 공학)을 모델이 스스로 하게 만든 것이 핵심이다. 2012년 AlexNet이 이미지 인식 대회에서 큰 차이로 우승한 뒤 주류가 되었다. 자세한 내용은 딥 러닝 문서 참고.

자연어 처리와 언어 모델

초기에는 문법 규칙과 사전으로, 1990년대부터는 통계 모델로, 2010년대부터는 워드 임베딩과 신경망으로 발전했다. BERT와 GPT 계열 이후 대형 언어 모델이 번역, 요약, 질의응답, 코드 작성을 하나의 모델로 처리하게 되었다. 자세한 내용은 자연어 처리, 언어 모델 문서 참고.

컴퓨터 비전

이미지 분류, 객체 탐지, 분할, 얼굴 인식, 영상 이해를 다룬다. LeNet과 AlexNet 같은 합성곱 신경망이 이 분야의 딥 러닝 전환을 이끌었고, 지금은 비전 트랜스포머와 이미지와 글을 함께 다루는 CLIP 같은 모델이 쓰인다. 자세한 내용은 컴퓨터 비전 문서 참고.

생성형 인공지능

글, 그림, 음성, 영상, 코드를 만들어 내는 인공지능이다. 언어는 자기회귀 대형 언어 모델, 이미지와 영상은 확산 모델이 주로 쓰인다. ChatGPT, 스테이블 디퓨전, 미드저니, DALL-E, 소라가 대중화를 이끌었다. 자세한 내용은 생성형 인공지능 문서 참고.

에이전트

환경을 관찰하고 목표에 맞는 행동을 고르는 시스템을 에이전트라 한다. 고전적으로는 믿음(belief), 욕구(desire), 의도(intention)로 에이전트의 내부 상태를 나누는 BDI 구조가 있다. BDI 에이전트는 관찰로 얻은 사실을 믿음으로 저장하고(관찰 밖에서 바뀐 사실은 알지 못하므로 '믿음'이라 부른다), 이루고 싶은 상태를 목표로 두며, 목표를 이룰 계획(plan)을 골라 실행 중인 것을 의도로 관리한다. 최근에는 대형 언어 모델이 계획을 세우고 도구를 호출하는 에이전트 인공지능이 이 자리를 넓히고 있다.

역사 요약

시기	흐름	대표 사건
1943~1956 태동	신경 모형과 계산 이론, 생각하는 기계 논의	매컬럭·피츠 뉴런 모형(1943), 튜링 테스트 제안(1950), 다트머스 회의(1956)
1956~1974 초기 성공	기호 추론과 탐색, 낙관론	Logic Theorist, General Problem Solver, 퍼셉트론, ELIZA
1974~1980 1차 겨울	조합 폭발과 과장된 약속에 대한 실망, 연구비 삭감	『Perceptrons』(1969), 라이트힐 보고서(1973)
1980~1987 전문가 시스템 붐	지식 기반 상업화, 신경망 부활	XCON, 일본 5세대 컴퓨터, 역전파 재조명(1986)
1987~1990년대 2차 겨울	LISP 머신 시장 붕괴, 전문가 시스템 유지비 문제	전략 컴퓨팅 계획 축소
1990년대~2011 통계적 기계 학습	확률·통계 방법과 데이터, 성과의 실용화	IBM 딥 블루(1997), LSTM(1997), ImageNet(2009), 왓슨(2011)
2012~2021 딥 러닝	GPU와 대규모 데이터, 신경망의 압도적 성과	AlexNet(2012), GAN(2014), 알파고(2016), 트랜스포머(2017), 알파폴드
2022~ 생성형 AI	대형 언어 모델의 대중화, 추론 모델과 에이전트	ChatGPT(2022), 추론 모델(2024), AI 연구자 노벨상(2024)

두 번의 겨울을 흔히 1차(1974~1980), 2차(1987년 무렵~1990년대)로 본다. 옛 판본에 있던 "1차 겨울이 약 20년" 같은 서술은 맞지 않다. 퍼셉트론 비판(1969) 이후 신경망 연구가 약 15년간 침체한 것과 AI 분야 전체의 1차 겨울은 구별해야 한다. 자세한 내용은 인공지능의 역사, AI 겨울 문서 참고.

하드웨어와 에너지

하드웨어

딥 러닝 계산의 대부분은 큰 행렬 곱셈이라 수천 개의 연산기를 동시에 돌리는 GPU가 사실상 표준 장비가 되었다. 게임용 그래픽 칩을 범용 계산에 쓰는 GPGPU와 엔비디아의 CUDA 소프트웨어 생태계가 이 흐름을 만들었다. 이후 구글 TPU 같은 전용 칩, 신경망 처리 장치(NPU), 사람 뇌의 신호 방식을 흉내 내는 뉴로모픽 반도체가 등장했다. 대형 모델은 연산보다 메모리 대역폭이 병목이 되는 경우가 많아 HBM 같은 고대역폭 메모리 수요가 급증했다. 자세한 내용은 인공지능 하드웨어, AI 가속기 문서 참고.

기존 컴퓨터는 연산 장치와 메모리를 나눈 폰 노이만 구조라서, 가중치를 메모리에서 연산 장치로 계속 옮기는 데 많은 시간과 전력이 든다. 이를 줄이려고 메모리 근처에서 계산하는 설계, 저정밀도 연산, 신경망 양자화, 지식 증류, 전문가 혼합 같은 기법이 쓰인다.

에너지

국제에너지기구(IEA)는 2024년 데이터 센터 전력 소비를 약 415TWh(세계 전력 소비의 약 1.5%)로 추산하고, 2030년에는 약 945TWh로 두 배 넘게 늘어날 것으로 전망했다. 증가분의 상당 부분은 AI용 가속기 서버에서 나온다. 전력망 부담, 냉각수 사용, 화석 연료 발전에 따른 탄소 배출이 함께 논의된다. 반대로 같은 성능을 더 적은 계산으로 내는 효율화 연구와, 효율이 좋아질수록 총 사용량이 늘 수 있다는 제번스의 역설도 함께 거론된다. 데이터 센터 설계는 인공지능 특화 데이터센터 문서 참고.

비용과 수익성

대형 모델의 학습과 운영 비용이 커서 소수 대기업과 대형 스타트업에 개발이 몰리는 구조가 되었다. 막대한 투자에 비해 수익이 아직 따라오지 못한다는 이유로 2024년 무렵부터 투자 시장에서는 닷컴 거품과 비교하는 회의론도 나왔다. 반대로 공개 가중치 모델(오픈 웨이트 모델)과 소형 언어 모델, 온디바이스 추론(온디바이스 AI)은 진입 장벽을 낮추는 방향으로 움직인다.

개발 도구

연구와 개발에는 파이썬이 가장 흔히 쓰이고, 딥 러닝 프레임워크로 파이토치, 텐서플로, JAX가 있다. 통계 분석에는 R, 고성능 추론 엔진과 라이브러리 구현에는 C++와 CUDA가 쓰인다. 공개 모델과 데이터셋은 허깅 페이스 같은 저장소에서 주고받는다. 자세한 내용은 딥 러닝 프레임워크 문서 참고.

장점과 한계

장점	한계
학습한 범위 안에서는 사람보다 빠르고 일관되게 처리한다.	학습 범위를 벗어난 상황에 약하다. 하나를 배워 여럿에 적용하는 사람의 일반화 능력에 아직 못 미치는 경우가 많다.
대규모 데이터와 복잡한 계산을 동시에 다룬다. 스스로와 대국하며 실력을 키우는 알파고 같은 학습도 가능하다.	그럴듯한 오답을 내는 환각이 있고, 스스로 모르는 것을 알기 어렵다.
모델을 복제해 여러 하드웨어에 배포하거나 데이터만 바꿔 다른 용도로 파생하기 쉽다.	학습 데이터의 편향을 그대로 배운다(알고리즘 편향).
피로나 감정의 영향을 받지 않는다.	판단 근거를 설명하기 어렵다(블랙박스). 이를 다루는 분야가 설명 가능한 인공지능이다.
반복 작업 자동화로 생산성을 높인다.	학습과 운영에 많은 전력과 반도체가 든다.
	입력이 있어야 동작하며, 스스로 계속 생각을 이어 가는 구조는 별도의 에이전트 설계가 필요하다.

사회적 쟁점

윤리와 신뢰

인공지능이 채용, 대출, 사법, 의료처럼 사람의 삶에 영향을 주는 결정에 쓰이면서 공정성, 투명성, 책임 소재가 쟁점이 되었다. 여러 국가와 기관이 원칙을 내놓았다. 아실로마 인공지능 원칙(2017), G20 AI 원칙(2019), 대한민국 국가 인공지능 윤리기준(2020) 등이 있다. 자세한 내용은 인공지능 윤리, 인공지능 신뢰성 문서 참고. 자율주행차의 사고 상황 판단 같은 문제는 트롤리 딜레마 형태로 자주 논의된다.

정렬과 안전

인공지능이 설계자의 의도와 사람의 가치에 맞게 행동하게 만드는 문제를 인공지능 정렬이라 한다. 목표를 잘못 정하면 시스템이 목표 지표만 최대화하며 의도와 다른 행동을 할 수 있다(보상 해킹). 언어 모델에서는 인간 피드백 기반 강화 학습, 레드티밍(인공지능 레드티밍), 가드레일이 쓰이고, 공격 쪽에서는 프롬프트 인젝션, 탈옥, 적대적 공격이 연구된다.

강력한 인공지능의 위험을 두고는 의견이 갈린다. 2023년 3월 미국 생명의미래연구소(Future of Life Institute)는 GPT-4보다 강력한 시스템의 학습을 최소 6개월 멈추자는 공개서한을 냈고, 요슈아 벤지오, 일론 머스크, 스티브 워즈니악 등이 서명했다. 반면 얀 르쿤 등은 멸종 위험 논의가 과장되었고 당장의 문제(편향, 오용, 집중)에 집중해야 한다고 본다. 극단적 위험론은 AI 종말론 문서 참고.

일자리와 경제

인공지능이 정형화된 사무, 번역, 고객 응대, 프로그래밍 일부를 대신하면서 기술적 실업과 기본소득 논의가 다시 활발해졌다. 정보를 모으고 요약하는 비중이 큰 직무가 영향을 크게 받을 것이라는 예측과, 새 직무가 생겨 총고용은 유지될 것이라는 예측이 함께 나온다. 반대로 노동조합과 직능 단체가 도입 속도와 이익 배분을 두고 제동을 거는 사례도 늘었다. 생산성 향상의 이익이 누구에게 돌아가는지가 기술 자체보다 더 중요한 쟁점이라는 시각도 있다.

저작권과 창작

쟁점은 크게 둘이다. 하나는 저작물을 허락 없이 학습 데이터로 써도 되는가, 다른 하나는 인공지능이 만든 결과물에 저작권이 생기는가다. 미국 저작권청은 2025년 1월 보고서에서 저작권 보호에는 사람의 창작적 기여가 필요하며 프롬프트 입력만으로는 부족하다고 보았고, 2025년 5월에는 생성형 AI 학습에 관한 보고서 초안을 냈다. 그림, 성우, 번역 같은 창작 분야에서는 생계와 정체성이 걸린 반발이 크다. AI 생성물 표시를 위한 AI 워터마크와 딥페이크 규제도 함께 논의된다. 저품질 생성물이 인터넷을 뒤덮는 현상은 AI 슬롭 문서 참고.

규제

법제	요지	시행
EU 인공지능법	위험 수준별로 금지, 고위험, 투명성 의무를 나누는 세계 첫 포괄 규제. 범용 AI 모델 제공자에게도 의무를 둔다.	2024년 8월 1일 발효 후 단계 적용. 범용 AI 조항은 발효 12개월 뒤부터 적용
대한민국 인공지능기본법	산업 진흥과 신뢰 기반을 함께 담은 기본법. 고영향 인공지능과 생성형 인공지능 사업자에게 고지·표시 등 의무를 둔다.	2026년 1월 22일 시행
국제 표준	AI 경영시스템 ISO/IEC 42001 등

자세한 내용은 각 문서 참고.

의식과 마음

인공지능이 의식이나 감정을 가질 수 있는지는 기술 문제라기보다 의식을 어떻게 정의하느냐의 철학 문제다. 행동이 같아도 내부에 이해가 있다고 볼 수 없다는 중국어 방 논증, 단순한 프로그램에도 사람이 마음을 투사하는 일라이자 효과, 남의 마음은 행동으로만 추론할 수 있다는 타인의 마음 문제가 논의의 출발점이다. 지능과 의식은 별개이며, 의식 없이도 지능적 행동이 가능하다는 점은 이미 여러 시스템이 보여 주었다.

최근 동향

• 2024년 노벨 물리학상은 인공 신경망의 기초를 놓은 존 홉필드와 제프리 힌튼에게, 노벨 화학상의 절반은 알파폴드로 단백질 구조를 예측한 데미스 허사비스와 존 점퍼에게 돌아갔다.
• 2024년 12월 OpenAI o3가 ARC-AGI-1 반비공개 평가에서 고연산 설정 87.5%를 기록했다. 다만 벤치마크 주최 측은 이것이 AGI 달성을 뜻하지는 않는다고 밝혔다.
• 미국 시사주간지 타임은 2025년 올해의 인물로 'AI의 설계자들(Architects of AI)'을 선정했다.
• 2026년에는 언어 모델이 수학 미해결 문제에 반례를 내놓는 사례가 이어졌다. 5월 OpenAI는 내부 모델이 에르되시의 단위 거리 문제에 관한 추측을 반증했다고 발표했고, 7월에는 앤트로픽 연구자 레번트 알푀게가 클로드 페이블 5를 활용해 1939년 제기된 야코비안 추측의 3차원 이상 반례를 공개했다(동료 심사 전). 자세한 내용은 인공지능의 역사 문서 참고.

여담

• 인공지능이 미래 지향적 이미지를 주면서 관련이 적은 상품까지 'AI'를 내세우는 마케팅이 늘었다. 1980~1990년대 '컴퓨터'라는 말이 비슷하게 쓰였다. 반대로 상품 설명에 AI를 드러내면 소비자의 정서적 신뢰가 떨어져 구매 의향이 줄어든다는 연구도 있다.
• .ai는 원래 영국령 앵귈라의 국가 코드 최상위 도메인이다. 이름 덕분에 AI 기업과 서비스가 많이 등록해 쓴다.
• 사이버 보안에서는 이상 징후 탐지, 위협 인텔리전스 분석, 대응 자동화에 인공지능을 쓰고, 반대로 인공지능 자체를 노리는 공격도 연구된다. 인공지능 대상 공격, 인공지능 관련 해킹 사례 문서 참고.

관련 문서 지도

영역	문서
개념·철학	튜링 테스트, 중국어 방, 모라벡의 역설, 강인공지능, 인공 일반 지능, 초지능, 기술적 특이점, 인공지능 세대 구분
역사	인공지능의 역사, 다트머스 회의, AI 겨울, ELIZA, 퍼셉트론, XOR 문제, 전문가 시스템, IBM 딥 블루, 알파고
학습 방법	기계 학습, 지도 학습, 비지도 학습, 준지도 학습, 자기 지도 학습, 강화 학습, 전이 학습, 메타 러닝
신경망 구조	인공 신경망, 멀티 레이어 퍼셉트론, 합성곱 신경망, RNN, LSTM, GRU, 트랜스포머 (인공지능), 어텐션 메커니즘, 상태 공간 모델, 플래시 어텐션
학습 기법	역전파, 경사 하강법, 기울기 소실, 활성화 함수, 과적합 문제, 드롭아웃, 배치 정규화
생성 모델	생성 모델, GAN, 변분 오토인코더, 확산 모델, 오토인코더
언어 모델	언어 모델, 대형 언어 모델, 소형 언어 모델, 토큰화 (자연어 처리), 컨텍스트 윈도우, 인컨텍스트 러닝, 언어 모델 디코딩, 추론 모델 (인공지능), 스케일링 법칙 (인공지능), RAG (인공지능)
인식·멀티모달	자연어 처리, 컴퓨터 비전, 음성 인식, 음성 합성, 기계 번역, 광학 문자 인식, 패턴 인식, 이상 탐지, 멀티모달 인공지능, 비전-언어 모델, CLIP (인공지능)
에이전트·로봇	에이전트 인공지능, 모델 컨텍스트 프로토콜, A2A 프로토콜, 월드 모델, 비전-언어-행동 모델, 피지컬 AI, 자율주행차
고전 기법	미니맥스 알고리즘, A* 알고리즘, 베이지안 네트워크, 지식 그래프, 지식 표현, 유전알고리즘, 퍼지 집합, 서포트 벡터 머신
안전·윤리·법	인공지능 윤리, 인공지능 정렬, 인간 피드백 기반 강화 학습, 알고리즘 편향, 프롬프트 인젝션, 탈옥 (인공지능), AI 워터마크, 설명 가능한 인공지능, EU 인공지능법, 인공지능기본법
하드웨어	인공지능 하드웨어, GPU, GPGPU, CUDA, 구글 TPU, 신경망 처리 장치, HBM, 뉴로모픽 반도체
기업·모델·서비스	OpenAI, 구글 딥마인드, 허깅 페이스, ChatGPT, 구글 제미나이, 메타 라마, 앤트로픽 클로드, 딥시크, 알파폴드, 스테이블 디퓨전, 미드저니, DALL-E, 소라 (인공지능), 깃허브 코파일럿, 클로드 코드, 커서 (소프트웨어)

같이 보기

• 인공지능의 역사
• 기계 학습
• 딥 러닝
• 생성형 인공지능
• 대형 언어 모델
• 인공지능 윤리

참고 문헌

• Stuart Russell, Peter Norvig, 『Artificial Intelligence: A Modern Approach』 4판, Pearson, 2020.
• John McCarthy, What is Artificial Intelligence?
• OECD AI Principles