좁은 AI 또는 인공 협소 지능(ANI)이라고도 하는 인공지능은 특정 작업을 수행하는 데 초점을 맞춰 훈련된 AI입니다. 약인공지능은 오늘날 우리가 알고 있는 AI의 대부분을 차지합니다. 애플의 시리, 아마존의 알렉사, IBM watsonx, 자율 주행 차량과 같은 매우 강력한 애플리케이션을 가능하게 하는 이 유형의 AI는 결코 약하지 않기 때문에 '협소하다'는 표현이 더 정확한 표현일 수 있습니다.

강인공지능은 일반 인공지능(AGI)과 인공 슈퍼지능(ASI)으로 구성됩니다. 인공일반지능(AGI) 또는 일반 AI는 기계가 인간과 동등한 지능을 가지고 문제를 해결하고 학습하며 미래를 계획할 수 있는 자각 의식을 갖는 이론적 형태의 AI입니다. 초지능이라고도 불리는 인공 슈퍼지능(ASI)은 인간 두뇌의 지능과 능력을 능가할 수 있습니다. 강인공지능은 아직까지 전적으로 이론에 불과하고 실제 사용 사례는 없지만, 그렇다고 해서 AI 연구자들이 이 기술을 개발하지 않는 것은 아닙니다. ASI의 가장 좋은 예는 2001: 스페이스 오디세이에등장하는 초인적인 불량 컴퓨터 도우미 HAL과 같은 공상 과학 소설에서 찾아볼 수 있습니다.

딥 러닝과 머신 러닝은 같은 의미로 사용되는 경향이 있으므로, 둘 사이의 미묘한 차이에 주목할 필요가 있습니다. 위에서 언급한 것처럼 딥 러닝과 머신 러닝은 모두 인공지능의 하위 분야입니다. 딥 러닝은 사실 머신 러닝의 하위 분야입니다.

딥 러닝은 실제로 신경망으로 구성되어 있습니다. 딥 러닝에서 '딥'은 입력과 출력을 포함해 3개 이상의 계층으로 구성된 신경망을 의미하며, 이를 딥 러닝 알고리즘으로 간주할 수 있습니다. 이는 일반적으로 아래 다이어그램을 사용하여 표시됩니다.

딥 러닝과 머신 러닝의 차이는 각 알고리즘이 학습하는 방식에 있습니다. 딥 러닝은 프로세스의 특징 추출 부분 중 대부분을 자동화하여 사람이 직접 개입해야 하는 부분을 없애고 더 큰 데이터 세트를 사용할 수 있게 합니다. 위의 MIT 강연에서 렉스 프리드먼(Lex Fridman)이 언급한 것처럼, 딥 러닝은 '확장 가능한 머신 러닝'이라고 생각하면 됩니다.고전적 머신 러닝 또는 딥 러닝이 아닌 머신 러닝은 학습을 위해 인간의 개입에 더 의존합니다. 인간 전문가가 데이터 입력 간의 차이를 이해하기 위해 기능의 계층 구조를 결정하며, 일반적으로 학습을 위해서는 보다 구조화된 데이터가 필요합니다.

'딥' 머신 러닝은 '레이블이 지정된 데이터 세트(지도형 학습'이라고도 함)를 활용하여 알고리즘에 정보를 제공할 수 있지만, 레이블이 지정된 데이터 세트가 반드시 필요한 것은 아닙니다. 텍스트, 이미지 등의 비정형 데이터를 원시 형태로 수집할 수도 있습니다. 또한 다양한 범주의 데이터를 서로 구별하는 계층 구조를 자동으로 결정할 수 있습니다. 머신 러닝과 달리 데이터를 처리하는 데 사람의 개입이 필요하지 않으므로 머신 러닝을 더 흥미로운 방식으로 확장할 수 있습니다.

생성형 AI는 위키피디아의 데이터나 렘브란트의 작품 컬렉션과 같은 원시 데이터를 가져와 '학습'을 통해 통계적으로 가능한 결과를 생성할 수 있는 딥 러닝 모델을 말합니다. 생성형 모델은 학습 데이터의 단순화된 표현을 인코딩하고, 이를 바탕으로 원본 데이터와 유사하지만 동일하지는 않은 새로운 작업을 생성합니다.

생성형 모델은 통계 분야에서 수치 데이터를 분석하는 데 수년 간 사용되어 왔습니다. 그러나 딥 러닝의 등장 덕분에 이미지, 음성 및 기타 복잡한 데이터 유형으로 확장할 수 있게 되었습니다.이러한 크로스오버 위업을 달성한 첫 번째 모델 중에는 2013년에 도입된 VAE(Variational Autoencoder)도 포함되어 있습니다. VAE는 사실적인 이미지와 음성을 생성하는 데 널리 사용된 최초의 딥 러닝 모델이었습니다.

MIT-IBM watsonx AI Lab의 생성형 AI 전문가인 아카시 스리바스타바(Akash Srivastava)는 "VAE는 모델을 쉽게 확장할 수 있게 함으로써 심층 생성 모델링에 대한 수문을 열었습니다. 현재 우리가 생성형 AI라고 생각하는 것 중 대부분이 여기에서 시작되었습니다."라고 말했습니다.

GPT-3, BERT 또는 DALL-E 2와 같은 모델의 초기 사례는 무엇이 가능한지를 보여주었습니다. 미래에는 레이블이 지정되지 않은 광범위한 데이터 세트를 훈련하여 최소한의 미세 조정으로 다양한 작업에 사용할 수 있는 모델이 등장할 것입니다. 하나의 분야에서 특정 작업을 실행하는 시스템은 이제 보다 일반적으로 학습하고 여러 분야 및 문제에서 작동하는 광범위한 AI에 자리를 내주고 있습니다.레이블이 지정되지 않은 대규모 데이터 세트를 학습하고 다양한 애플리케이션에 맞게 미세 조정된 파운데이션 모델이 이러한 변화를 주도하고 있습니다.

생성형 AI의 경우, 파운데이션 모델로 인해 기업에서 AI 도입을 기업 내 AI 도입에 박차를 가할 것으로 예상됩니다. 레이블 제작 요구 사항이 줄어들면 기업이 레이블 제작을 훨씬 더 쉽게 시작할 수 있고, 정확하고 효율적인 AI 기반 자동화를 통해 훨씬 더 많은 기업이 더 다양한 미션 크리티컬 상황에 AI를 배포할 수 있게 될 것입니다. IBM의 희망은 궁극적으로 모든 기업이 원활한 하이브리드 클라우드 환경에서 파운데이션 모델의 강력한 기능을 활용할 수 있게 되는 것입니다.

AI 시스템의 실제 적용 사례는 오늘날 무수히 많습니다. 가장 일반적인 사용 사례 중 몇 가지를 들자면 다음과 같습니다.

• 음성 인식: 자동 음성 인식(ASR), 컴퓨터 음성 인식 또는 음성-텍스트 변환이라고도 하며, 자연어 처리(NLP)를 사용해 사람의 음성을 글자 형태로 처리하는 기능입니다. 많은 모바일 기기가 시스템에 시리와 같은 음성 인식 기능을 통합하여 음성 검색을 수행하거나또는 문자 메시지에 대한 접근성을 향상하고 있습니다. 
• 고객 서비스: 고객 응대 과정에서 온라인 가상 상담사가 인간 상담사를 대체하고 있습니다. 온라인 챗봇은 배송 등의 주제로 자주 묻는 질문(FAQ)에 답을 주거나 맞춤형 조언을 제공하고, 제품을 교차 판매하거나 고객에게 사이즈를 추천 해줌으로써 웹사이트와 소셜 미디어 플랫폼에서 이루어지는 고객 참여에 대한 우리의 생각을 바꾸어 줍니다. 가상 상담사를 보유한 전자 상거래 사이트의 메시지 봇, Slack 및 Facebook Messenger와 같은 메시지 앱, 가상 어시스턴트 및 음성 어시스턴트가 주로 수행하는 작업 등을 예로 들 수 있습니다.
• 컴퓨팅 비전: 이 AI 기술은 컴퓨터와 시스템이 디지털 이미지, 비디오 및 기타 시각적 입력에서 의미 있는 정보를 도출하고 이러한 입력을 기반으로 조치를 취할 수 있도록 합니다. 추천을 제공하는 이 기능은 이미지 인식 작업과 구별됩니다. 콘볼루션 신경망으로 구동되는 컴퓨팅 비전은 소셜 미디어의 사진 태그 지정, 의료 분야의 방사선 영상, 자동차 산업의 자율 주행 차량 등에 적용되고 있습니다.  
• 추천 엔진: AI 알고리즘은 과거의 소비 행동 데이터를 사용하여 데이터 트렌드를 발견하는 데 도움을 주고, 이러한 트렌드를 활용해 보다 효과적인 교차 판매 전략을 개발할 수 있습니다. 이는 온라인 소매업체에서 고객이 결제를 진행할 때 관련된 추천 상품을 권하는 데 사용됩니다.
• 자동 주식 거래: 주식 포트폴리오를 최적화하도록 설계된 AI 기반 초단타 거래 플랫폼은 인간의 개입 없이 하루에 수천 또는 수백만 건의 거래를 처리합니다.

'생각하는 기계'라는 개념은 고대 그리스로 거슬러 올라갑니다. 그러나 전자 컴퓨팅 출현 이후의 (그리고 이 글에서 논의된 일부 주제와 관련하여) 인공지능의 진화에서 중요한 사건과 이정표는 다음과 같습니다.

• 1950년: 앨런 튜링이 Computing Machinery and Intelligence를 출판합니다. 2차 세계대전 중 나치의 에니그마 암호를 해독한 것으로 유명한 튜링은 이 논문에서 '기계가 생각할 수 있는가'라는 질문에 답하기 위해 컴퓨터가 인간과 동일한 지능(또는 동일한 지능의 결과)을 보여줄 수 있는지를 판단하는 튜링 테스트를 소개합니다. 튜링 테스트의 가치는 그 이후로 계속 논의되고 있습니다.

• 1956년: 존 매카시(John McCarthy)가 다트머스 대학에서 열린 최초의 AI 컨퍼런스에서 '인공지능'이라는 용어를 사용합니다(매카시는 이후 Lisp 언어를 발명합니다). 같은 해 말에는 앨런 뉴웰(Allen Newell), J.C. 쇼(J.C. Shaw), 허버트 사이먼(Herbert Simon)이 최초로 실행 가능한 AI 소프트웨어 프로그램인 로직 이론가(Logic Theorist)를 개발합니다.

• 1967년: 프랭크 로젠블랫(Frank Rosenblatt)이 시행착오를 통해 '학습'한 신경망에 기반한 최초의 컴퓨터인 Mark 1 Perceptron을 개발합니다. 불과 1년 후에 마빈 민스키(Marvin Minsky)와 시모어 파퍼트(Seymour Papert)가 Perceptrons)이라는 책을 출판했는데, 이 책은 신경망에 대한 획기적인 연구로 평가되었으며 적어도 한동안은 미래의 신경망 연구 프로젝트에 반대하는 논쟁을 불러일으킵니다.

• 1980년대: 역전파 알고리즘을 사용하여 스스로 학습하는 신경망이 AI 애플리케이션에 널리 사용되기 시작합니다.

• 1997년: IBM의 Deep Blue가 당시 세계 체스 챔피언이던 게리 카스파로프(Garry Kasparov)를 꺾었으며, 재대결을 펼칩니다.

• 2011년: IBM Watson이 제퍼디!에서 챔피언 켄 제닝스(Ken Jennings)와 브래드 러터(Brad Rutter)를 꺾었습니다!

• 2015년: 2015년: 콘볼루션 신경망이라는 특수한 종류의 심층 신경망을 사용하는 Baidu의 Minwa 슈퍼컴퓨터가 일반 사람보다 더 높은 정확도로 이미지를 식별하고 분류합니다.

• 2016년: 딥 신경망을 기반으로 한 DeepMind의 알파고 프로그램이 세계 챔피언 바둑 기사 이세돌 9단을 5국 만에 꺾었습니다. 경기가 진행됨에 따라 가능한 수(4수 이후 14조 5천억 개가 넘는 수)가 매우 많다는 점을 감안할 때 이번 승리는 의미가 큽니다. 이후 Google이 4억 달러에 DeepMind를 인수했습니다.

• 2023년: ChatGPT와 같은 대규모 언어 모델 또는 LLM의 증가로 인해 AI의 성능과 기업 가치를 창출할 수 있는 잠재력에 엄청난 변화가 생길 것입니다.
  딥 러닝 모델은 이러한 새로운 생성형 AI 사례를 통해 레이블이 지정되지 않은 방대한 양의 원시 데이터에 대해 사전 학습할 수 있습니다.