좁은 AI 또는 인공 협소 지능(ANI)이라고도 하는 인공 지능은 특정 작업을 수행하는 데 초점을 맞춰 훈련된 AI입니다. 약인공지능은 오늘날 우리가 알고 있는 AI의 대부분을 차지합니다. Apple의 Siri, Amazon의 Alexa, 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 오디세이에 등장하는 초인적인 불량 컴퓨터 도우미 HAL과 같은 공상 과학 소설에서 찾아볼 수 있습니다.

머신 러닝과 딥 러닝은 AI의 하위 분야이며, 딥 러닝은 머신 러닝의 하위 분야입니다.

머신 러닝과 딥 러닝 알고리즘 모두 신경망을 사용하여 방대한 양의 데이터로부터 '학습'합니다. 이러한 신경망은 인간 두뇌의 의사 결정 과정을 모델로 한 프로그래밍 구조입니다. 데이터에서 특징을 추출하고 데이터가 나타내는 내용에 대해 예측하는 상호 연결된 노드 계층으로 구성됩니다.

머신 러닝과 딥러닝은 사용하는 신경망의 유형과 사람이 개입하는 정도에서 차이가 있습니다. 기존 머신 러닝 알고리즘은 입력 계층, 하나 또는 두 개의 '숨겨진' 계층, 출력 계층이 있는 신경망을 사용합니다. 일반적으로 이러한 알고리즘은 지도 학습 으로 제한됩니다. 즉, 알고리즘이 데이터에서 특징을 추출할 수 있도록 하려면 인간 전문가가 데이터를 구조화하거나 레이블을 지정해야 합니다.

딥 러닝 알고리즘은 심층 신경망, 즉 입력 계층, 3개 이상(보통 수백 개)의 숨겨진 계층 및 출력 레이아웃으로 구성된 신경망을 사용합니다. 이러한 여러 계층은 비지도 학습을 가능하게 하여 레이블이 지정되지 않은 대규모의 비정형 데이터 세트에서 특징 추출을 자동화합니다. 딥 러닝은 사람의 개입이 필요하지 않기 때문에 기본적으로 대규모 머신 러닝을 가능하게 합니다.

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 Akash Srivastava는 "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. 단일 도메인에서 특정 작업을 실행하는 시스템은 보다 일반적으로 학습하고 여러 도메인과 문제를 해결하는 광범위한 AI 시스템에 자리를 내주고 있습니다. 레이블이 지정되지 않은 대규모 데이터 세트를 학습하고 다양한 애플리케이션에 맞게 미세 조정된 파운데이션 모델이 이러한 변화를 주도하고 있습니다.

AI의 미래를 생각해 볼 때, 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 마찰 없는 하이브리드 클라우드 환경에서 파운데이션 모델의 컴퓨팅 성능을 활용할 수 있게 되는 것입니다.

'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: Alan Turing이 Computing Machinery and Intelligence를 출판합니다(ibm.com 외부 링크). 이 논문에서 제2차 세계대전 중 독일의 에니그마 암호를 해독한 것으로 유명하고 종종 "컴퓨터 과학의 아버지"라고 불리는 Turing은 다음과 같은 질문을 던집니다. "기계가 생각할 수 있을까?"  그런 다음 현재 '튜링 테스트'로 잘 알려진 테스트를 제안합니다. 인간 심문관이 컴퓨터와 인간에 의해 작성된 응답을 구별하려고 시도한 것입니다. 이 테스트는 발표 이후 많은 조사를 거쳤지만, 언어학을 중심으로 한 아이디어를 활용하기 때문에 인공지능의 역사에서 중요한 부분으로 남아 있을 뿐 아니라 철학 분야에서도 진행 중인 개념입니다.

• 1956년: John McCarthy는 다트머스 대학에서 열린 최초의 AI 컨퍼런스에서 "인공 지능"이라는 용어를 사용했습니다. (McCarthy는 이후 Lisp 언어를 발명합니다). 같은 해 말에는 Allen Newell, J.C. Shaw, Herbert Simon이 최초로 실행 가능한 AI 소프트웨어 프로그램인 로직 이론가(Logic Theorist)를 개발합니다.

• 1967년: Frank Rosenblatt는 시행착오를 통해 "학습"한 신경망 기반 최초의 컴퓨터인 Mark 1 Perceptron을 구축했습니다. 불과 1년 후에 Marvin Minsky와 Seymour Papert가 Perceptrons이라는 책을 출판했는데, 이 책은 신경망에 대한 획기적인 연구로 평가되었으며 적어도 한동안은 미래의 신경망 연구 프로젝트에 반대하는 논쟁을 불러일으켰습니다.

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

• 1995년: Stuart Russell과 Peter Norvig이 인공지능 연구의 주요 교과서 중 하나가 된 Artificial Intelligence: A Modern Approach(ibm.com 외부 링크)를 출판했습니다. 이 책에서는 합리성, 사고 대 행동을 기반으로 컴퓨터 시스템을 차별화하는 AI의 네 가지 잠재적인 목표 또는 정의를 탐구합니다.
• 1997년: IBM의 Deep Blue가 당시 세계 체스 챔피언이던 Garry Kasparov를 꺾었으며, 재대결을 펼칩니다.
• 2004년: John McCarthy가 What Is Artificial Intelligence?(ibm.com 외부 링크)라는 논문을 작성했고 AI에 대해 자주 인용되는 정의를 제안했습니다.

• 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.