인공지능(Artificial Intelligence, AI)은 인간의 학습, 추론, 문제 해결, 언어 이해, 지각 등의 인지 능력을 컴퓨터 시스템으로 구현하는 기술 및 학문 분야다. 1956년 존 매카시(John McCarthy)가 다트머스 회의에서 이 용어를 처음 제안했으며, 이후 수십 년간 부침을 겪다가 딥러닝의 부상과 대규모 데이터·컴퓨팅 자원의 가용성 확대를 통해 2010년대부터 폭발적인 발전을 거듭해왔다.
주요 분류
약한 AI(Narrow AI) — 특정 과제에만 최적화된 AI. 현재 상용화된 대부분의 AI가 해당. 체스 엔진, 이미지 인식, 번역, 추천 시스템 등이 대표 사례다.
강한 AI(General AI / AGI) — 인간과 동등하거나 그 이상의 범용 인지 능력을 갖춘 AI. 아직 달성되지 않았으며, 달성 시기·가능성에 대해 연구자 간 의견이 극명하게 갈린다.
초지능(Superintelligence) — 모든 영역에서 인간을 압도하는 AI. 닉 보스트롬, 레이 커즈와일 등이 이론적으로 논의했으나, 현재로서는 공상과학에 가까운 개념.
핵심 기술 흐름
머신러닝(ML) — 데이터에서 패턴을 학습해 예측·분류를 수행. 의사결정 트리, 랜덤 포레스트, SVM 등 전통적 기법이 포함된다.
딥러닝(Deep Learning) — 다층 신경망(ANN)을 사용해 비정형 데이터(이미지·음성·텍스트)를 처리. 합성곱 신경망(CNN), 순환 신경망(RNN), 트랜스포머 등의 아키텍처가 핵심이다.
대형 언어 모델(LLM) — GPT 시리즈(OpenAI), Gemini(Google), Claude(Anthropic), LLaMA(Meta) 등 수천억 파라미터의 트랜스포머 기반 언어 모델. 텍스트 생성·요약·코드 작성·추론 등 다양한 과제를 수행한다.
강화 학습(RL) — 보상 신호를 통해 최적 행동을 학습. AlphaGo·AlphaZero(DeepMind)가 바둑·체스에서 인간을 압도한 기법이며, RLHF(인간 피드백 강화 학습)로 LLM 정렬에도 사용된다.
산업별 적용
의료: 방사선 영상 분석, 신약 후보물질 탐색(AlphaFold2의 단백질 구조 예측이 대표 사례), 임상 기록 요약.
금융: 알고리즘 트레이딩, 신용평가, 이상 거래 탐지.
자율주행: 인식·예측·계획 전 단계에서 딥러닝 활용. 테슬라 FSD, 웨이모 등이 상용화 단계에 진입.
제조: 품질 검사 자동화, 예측 유지보수, 디지털 트윈.
교육: 개인화 학습 시스템, AI 튜터링.
윤리·사회적 쟁점
편향(Bias) — 학습 데이터에 내재된 사회적 편견이 모델에 그대로 반영되어 차별적 결과를 낳을 수 있다. 채용·대출 심사·형사 판결 보조 AI에서 실제 사례가 보고됐다.
설명가능성(XAI) — 딥러닝 모델의 의사결정 근거를 인간이 이해하기 어렵다는 '블랙박스' 문제. 의료·법률 등 고위험 도메인에서 규제 이슈가 된다.
저작권·데이터 소유권 — LLM·생성AI 학습에 사용된 텍스트·이미지 저작권 소송이 미국·EU에서 진행 중.
자동화와 노동시장 — AI가 대체 가능한 직무군 분석이 활발하며, 세계경제포럼(WEF)은 2025~2030년 사이 수천만 개 일자리 대체·창출이 교차할 것으로 전망했다.
규제 현황
EU는 2024년 AI Act를 통과시켜 고위험 AI 시스템에 투명성·인증 의무를 부과했다. 미국은 행정명령 수준의 가이드라인, 중국은 생성AI 규제 세칙을 통해 각기 다른 접근법을 채택하고 있다. 한국은 AI 기본법 제정을 추진 중이다.
AI (인공지능 개요)
인공지능(AI)이란 컴퓨터가 사람처럼 생각하고 학습하고 판단하도록 만드는 기술이야. 1956년에 처음 이름이 붙었는데, 진짜 폭발적으로 발전한 건 2010년대 이후 딥러닝이 뜨면서부터야.
AI의 종류
약한 AI (현재 대부분): 특정 일 하나를 엄청 잘하는 AI. 이미지 인식, 번역, 챗GPT, 유튜브 추천 알고리즘 같은 것들.
강한 AI (아직 없음): 사람처럼 뭐든지 할 수 있는 AI. 언제 나올지는 아무도 모름.
초지능 (SF 수준): 모든 분야에서 인간을 압도. 영화 소재.
핵심 기술
머신러닝: 데이터로 패턴 학습 → 예측.
딥러닝: 뇌 신경망 모방한 다층 구조. 이미지·음성·언어 처리 기반.
LLM: ChatGPT·Claude·Gemini 같은 초거대 언어 모델. 글 쓰고, 코드 짜고, 요약하고 뭐든 해줌.
강화 학습: 보상과 벌점으로 AI가 스스로 최적의 행동 학습. 알파고가 이걸로 이세돌을 이겼음.
어디에 쓰이나?
의료: X-레이·MRI 분석, 신약 개발(AlphaFold2가 단백질 구조 예측 혁신).
금융: 주식 자동 매매, 사기 거래 탐지.
자율주행: 테슬라 FSD, 웨이모 로보택시.
교육: AI 개인 과외 튜터.
논란거리
편향 문제: 흑인 피고에게 더 높은 재범 위험을 예측한 형사 AI 사례 → 데이터 편견이 그대로 나옴.
저작권: LLM이 인터넷 글·그림을 학습에 쓴 게 저작권 침해냐 → 소송 진행 중.
일자리: WEF 예측으론 AI가 수천만 개 일자리를 바꿀 것.
규제: EU는 AI법 통과, 한국은 AI 기본법 추진 중.
AI (인공지능 개요)
AI, 즉 인공지능은 컴퓨터가 사람처럼 생각하고 배우게 만드는 기술이야.
사람은 어릴 때 공부해서 고양이와 강아지를 구별하는 방법을 배우잖아? AI도 비슷해. 고양이 사진을 수십만 장 보여주면, AI가 "아, 귀가 뾰족하고 수염이 있으면 고양이구나!" 하고 스스로 배우는 거야.
AI가 우리 생활에서 어디에 있냐고? 엄청 많아!
유튜브에서 네가 좋아할 것 같은 영상을 골라주는 것도 AI야. 스마트폰에서 "시리야~" "헤이 구글~" 하면 대답해주는 것도 AI. 병원에서 의사 선생님이 뇌 사진을 분석할 때 도와주는 것도 AI야.
요즘에는 ChatGPT, 클로드 같은 AI가 글도 써주고 질문에 답도 해줘. 마치 아는 것이 엄청 많은 로봇 친구 같아!
물론 AI도 실수할 때가 있어. 틀린 정보를 자신있게 말하기도 하거든. 그래서 AI가 말하는 걸 그냥 믿지 말고, 중요한 건 항상 어른에게 확인해봐야 해.
앞으로 AI는 더 똑똑해질 거야. 그만큼 우리도 AI를 잘 쓰는 방법을 배워야 해!
Artificial Intelligence (Overview)
Definition
Artificial Intelligence (AI) encompasses the technological field and academic discipline focused on replicating human cognitive abilities such as learning, reasoning, problem-solving, language comprehension, and perception within computer systems. First coined by John McCarthy at the Dartmouth Conference in 1956, AI experienced periods of growth and decline before experiencing explosive advancements since the 2010s, driven by the rise of deep learning and increased accessibility of large datasets and computational power.
Key Categories
Narrow AI (Weak AI): AI specifically designed for narrowly defined tasks. Most commercially available AI solutions fall into this category, including chess engines, image recognition software, translation tools, and recommendation systems.
General AI (Artificial General Intelligence - AGI): Hypothetical AI possessing human-level or superior cognitive abilities across diverse domains. Achieving AGI remains elusive, with researchers holding divergent views on its feasibility and timeline.
Superintelligence: Hypothetical AI surpassing human capabilities in all areas. While theorized by thinkers like Nick Bostrom and Ray Kurzweil, this concept currently resides largely within the realm of science fiction.
Core Technological Trends
Machine Learning (ML): Enables computers to learn patterns from data for prediction and classification tasks. Traditional methods like decision trees, random forests, and support vector machines are foundational to ML.
Deep Learning: Utilizes multi-layered artificial neural networks (ANNs) to process unstructured data such as images, audio, and text. Architectures like convolutional neural networks (CNNs), recurrent neural networks (RNNs), and transformers are central to deep learning advancements.
Large Language Models (LLMs): Transformer-based language models with billions or trillions of parameters, exemplified by OpenAI's GPT series, Google's Gemini, Anthropic's Claude, and Meta's LLaMA. These models excel in tasks like text generation, summarization, code generation, and reasoning.
Reinforcement Learning (RL): A learning paradigm where AI agents learn optimal actions through rewards and penalties. Notable examples include DeepMind's AlphaGo and AlphaZero, which achieved superhuman performance in games like Go and chess. RL also finds application in refining LLMs through techniques like RLHF (Reinforcement Learning with Human Feedback).
Industry Applications
Healthcare: AI aids in medical image analysis, drug discovery (e.g., AlphaFold2 predicting protein structures), and clinical record summarization.
Finance: AI powers algorithmic trading, credit risk assessment, and fraud detection systems.
Autonomous Driving: Deep learning plays a crucial role in perception, prediction, and path planning, with companies like Tesla's FSD and Waymo advancing towards commercialization.
Manufacturing: AI automates quality control, predictive maintenance, and creates digital twins for optimized production processes.
Education: Personalized learning platforms and AI-powered tutoring systems are gaining traction.
Ethical and Societal Implications
Bias: AI models can perpetuate societal biases present in training data, leading to discriminatory outcomes in areas like hiring, lending, and criminal justice assistance.
Explainability (XAI): The "black box" nature of deep learning models, making their decision-making processes opaque to humans, raises concerns, particularly in high-stakes domains like healthcare and law.
Copyright and Data Ownership: Legal battles surrounding copyright infringement and data ownership rights are emerging as LLMs and generative AI rely heavily on vast textual and image datasets.
Automation and Labor Markets: Analysis of job displacement due to automation is ongoing, with predictions suggesting significant shifts in employment across various sectors, including projections from the World Economic Forum (WEF) for the period 2025-2030.
Regulatory Landscape
EU: Implemented the AI Act in 2024, mandating transparency and certification for high-risk AI systems.
US: Adopts guidelines through executive orders rather than comprehensive legislation.
China: Focuses on regulations specifically targeting generative AI.
South Korea: Currently developing an AI Basic Law.
English version not yet available.
English version not yet available.
문서 정보
최초 작성
최종 갱신
분량
1,785자 (성인 기준)
분류
기술
HANGUL.WIKI가 정리·작성한 문서입니다. 정확성을 위해 노력하나 오류가 있을 수 있으므로,
중요한 내용은 공식 출처를 통해 확인하시기 바랍니다.
내용의 오류나 정정 요청은 오류·정정 신고로 알려주시면 검토 후 반영합니다.