인공지능

영문명	Artificial Intelligence (AI)
분야	[[컴퓨터 과학]], [[인지과학]]
창시자	[[앨런 튜링]], [[존 매카시]], [[마빈 민스키]] 등
기원	1956년 [[다트머스 회의]]
주요 하위 분야	[[기계 학습]], [[딥러닝]], [[자연어 처리]], [[컴퓨터 비전]]
관련 학문	[[수학]], [[통계학]], [[신경과학]], [[언어학]], [[철학]]
핵심 기술	[[인공신경망]], [[강화 학습]], [[트랜스포머 (모델)\|트랜스포머]]
주요 기업	[[OpenAI]], [[구글 딥마인드]], [[Anthropic]], [[메타 AI]]

'''인공지능'''(人工知能, {{lang|en|Artificial Intelligence, AI}})은 인간의 [[학습]], [[추론]], [[지각]], [[판단]] 등 지적 능력을 [[컴퓨터]] 시스템으로 구현하는 [[컴퓨터 과학]]의 한 분야이다. 넓은 의미에서는 인간의 지능이 필요한 작업을 수행할 수 있는 기계 또는 소프트웨어를 뜻하며, 좁은 의미에서는 특정 문제를 해결하기 위해 설계된 [[알고리즘]]과 [[데이터]] 기반의 시스템을 가리킨다. 오늘날 인공지능은 [[음성 인식]], [[이미지 인식]], [[자율주행]], [[의료 진단]], [[자연어 처리]] 등 광범위한 영역에서 활용되고 있으며, 21세기 기술 혁신의 핵심 동력으로 자리매김하고 있다. == 개요 == 인공지능은 1950년대에 학문적 개념으로 출발하여, 수십 년간의 부침을 거쳐 2010년대 이후 [[딥러닝]]의 비약적 발전과 함께 폭발적인 성장을 이루었다. 인공지능의 근본적인 목표는 인간 수준의 지능 또는 그 이상의 지능을 기계에 부여하는 것이나, 현재 상용화된 대부분의 인공지능은 특정 과제에 특화된 '''약인공지능'''(Narrow AI)에 해당한다. 인공지능의 작동 원리는 크게 '''규칙 기반 접근법'''과 '''학습 기반 접근법'''으로 나뉜다. 초기에는 전문가가 직접 규칙을 프로그래밍하는 [[전문가 시스템]] 방식이 주류였으나, 현대의 인공지능은 대량의 데이터로부터 패턴을 학습하는 [[기계 학습]] 방식이 지배적이다. 특히 [[인공신경망]]을 다층으로 쌓은 [[딥러닝]] 기술은 이미지 인식, 음성 인식, 자연어 처리 등에서 인간에 필적하거나 이를 능가하는 성능을 보여주고 있다. 인공지능의 유형은 능력 수준에 따라 다음과 같이 분류된다. '''약인공지능'''(ANI, Artificial Narrow Intelligence): 특정 과제를 수행하도록 설계된 인공지능. 현재 존재하는 모든 AI가 이 범주에 속한다. [[시리 (소프트웨어)|시리]], [[알렉사]], [[챗봇]] 등이 대표적이다. '''강인공지능'''(AGI, Artificial General Intelligence): 인간과 동등한 수준의 범용적 지능을 갖춘 인공지능. 2025년 현재 아직 실현되지 않았으나, 다수의 연구 기관이 이를 목표로 연구를 진행하고 있다. '''초인공지능'''(ASI, Artificial Super Intelligence): 모든 영역에서 인간의 지능을 크게 초월하는 가상의 인공지능. 이론적 개념으로만 존재한다. == 역사 == === 초기 구상과 이론적 토대 (1940~1955년) === 인공지능의 철학적 기원은 고대 그리스의 [[아리스토텔레스]]가 제시한 형식 논리학까지 거슬러 올라가지만, 현대적 의미의 인공지능 연구는 20세기 중반에 시작되었다. 1943년 [[워런 매컬러]]와 [[월터 피츠]]는 논문 「신경 활동에 내재하는 관념의 논리적 계산」에서 최초의 수학적 [[인공신경망]] 모델을 제안하였다. 이 모델은 [[뉴런]]의 작동 방식을 단순화한 것으로, 이후 신경망 연구의 기초가 되었다. 1950년 영국의 수학자 [[앨런 튜링]]은 논문 「계산 기계와 지능」(''Computing Machinery and Intelligence'')에서 "기계가 생각할 수 있는가?"라는 근본적 질문을 제기하고, 기계의 지능을 판별하는 기준으로 [[튜링 테스트]]를 제안하였다. 튜링 테스트는 인간 심사관이 기계와 대화를 나누면서 상대가 기계인지 인간인지 구별하지 못하면 그 기계가 지능을 갖추었다고 판단하는 방식이다. 이 개념은 인공지능 철학의 핵심적인 논의 대상으로 오늘날까지 영향을 미치고 있다. === 인공지능의 탄생 (1956년) === 1956년 여름, [[존 매카시]], [[마빈 민스키]], [[클로드 섀넌]], [[너새니얼 로체스터]] 등이 미국 [[다트머스 대학교]]에서 개최한 워크숍에서 '''인공지능'''(Artificial Intelligence)이라는 용어가 공식적으로 사용되었다. 이 [[다트머스 회의]]는 인공지능이 독립적인 학문 분야로 정립된 역사적 사건으로 평가된다. 참가자들은 "학습의 모든 측면과 지능의 모든 특성을 원칙적으로 정밀하게 기술할 수 있으며, 이를 기계로 시뮬레이션할 수 있다"는 낙관적인 가정 아래 연구를 출발시켰다. === 황금기와 초기 성과 (1956~1974년) === 다트머스 회의 이후 인공지능 연구는 활발한 투자와 높은 기대 속에서 빠르게 발전하였다. 이 시기의 주요 성과는 다음과 같다. 1958년: 존 매카시가 AI 연구를 위한 프로그래밍 언어 [[LISP]]를 개발하였다. 1958년: [[프랭크 로젠블랫]]이 최초의 학습 가능한 인공신경망인 [[퍼셉트론]]을 발명하였다. 1964년: [[MIT]]에서 최초의 [[챗봇]] [[ELIZA]]가 개발되었다. ELIZA는 간단한 패턴 매칭을 통해 심리 상담사를 모방하였다. 1966년: 최초의 범용 이동 [[로봇]] [[셰이키 (로봇)|셰이키]]가 [[SRI 인터내셔널]]에서 개발되었다. 1969년: 마빈 민스키와 [[시모어 페이퍼트]]가 저서 ''Perceptrons''에서 단층 퍼셉트론의 한계를 수학적으로 증명하였다. 이 시기의 연구자들은 범용 문제 해결기, 자연어 이해 시스템, 기하학 정리 증명기 등을 개발하며 큰 낙관론을 펼쳤다. [[허버트 사이먼]]은 1965년 "20년 안에 기계가 인간이 할 수 있는 모든 일을 수행할 수 있을 것"이라고 예측하기도 하였다. === 첫 번째 AI 겨울 (1974~1980년) === 그러나 초기의 낙관적 예측은 실현되지 못했다. 당시의 컴퓨터 처리 능력은 복잡한 문제를 다루기에 턱없이 부족했고, [[조합 폭발]] 문제, 상식 추론의 어려움, 데이터 부족 등의 근본적인 한계가 드러났다. 1973년 영국의 [[라이트힐 보고서]]는 인공지능 연구의 성과가 기대에 크게 미치지 못한다고 비판하며, 영국 정부의 AI 연구 지원 중단을 권고하였다. 미국에서도 [[DARPA]]를 비롯한 주요 기관들이 AI 연구 예산을 대폭 삭감하였다. 이 시기를 '''첫 번째 [[AI 겨울]]'''이라 부른다. === 전문가 시스템의 부흥 (1980~1987년) === 1980년대에 들어 [[전문가 시스템]]이 상업적 성공을 거두면서 인공지능 연구에 다시 활기가 돌았다. 전문가 시스템은 특정 분야 전문가의 지식을 규칙 형태로 인코딩하여 문제를 해결하는 프로그램으로, 대표적인 예로 의료 진단 시스템 [[MYCIN]]과 화학 분석 시스템 [[DENDRAL]]이 있다. 1980년 [[카네기멜론 대학교]]에서 개발한 [[R1 (소프트웨어)|R1]] 시스템은 [[DEC]]사의 컴퓨터 주문 설정을 자동화하여 연간 수천만 달러를 절약하는 성과를 올렸다. 일본 정부는 1982년 야심찬 [[제5세대 컴퓨터]] 프로젝트를 발표하여 전 세계적인 AI 투자 경쟁을 촉발하였다. 영국과 미국도 이에 대응하여 대규모 AI 연구 프로그램을 가동하였다. === 두 번째 AI 겨울 (1987~1993년) === 전문가 시스템은 유지보수 비용이 높고, 지식 확장이 어려우며, 적용 범위가 제한적이라는 한계를 드러냈다. 일본의 제5세대 컴퓨터 프로젝트도 당초 목표를 달성하지 못하고 사실상 실패로 귀결되었다. AI 전용 하드웨어 시장이 붕괴하고 투자가 다시 위축되면서 '''두 번째 AI 겨울'''이 찾아왔다. === 통계적 학습과 부활 (1993~2011년) === 1990년대부터 인공지능은 거창한 목표 대신 실용적이고 측정 가능한 문제 해결에 집중하기 시작했다. [[확률론]], [[통계학]], [[베이즈 정리|베이즈 추론]] 등 수학적 방법론이 AI 연구에 본격적으로 도입되었다. 이 시기의 주요 이정표는 다음과 같다. 1997년: [[IBM]]의 [[딥 블루 (체스 컴퓨터)|딥 블루]]가 세계 체스 챔피언 [[가리 카스파로프]]를 격파하였다. 2005년: [[스탠퍼드 대학교]]의 자율주행차 [[스탠리 (자동차)|스탠리]]가 [[DARPA 그랜드 챌린지]]에서 우승하였다. 2011년: IBM의 [[왓슨 (인공지능)|왓슨]]이 미국 퀴즈쇼 [[제퍼디!]]에서 인간 챔피언을 이겼다. 이 시기에 [[서포트 벡터 머신]], [[랜덤 포레스트]], [[은닉 마르코프 모델]] 등 다양한 기계 학습 기법이 실용적 성과를 거두었다. === 딥러닝 혁명과 현재 (2012년~현재) === 2012년 [[제프리 힌턴]]의 연구팀이 딥러닝 모델 [[AlexNet]]으로 [[이미지넷]] 대회에서 압도적인 성적을 거두면서 딥러닝 시대가 본격적으로 개막하였다. [[GPU]] 컴퓨팅의 발전, 대규모 데이터셋의 가용성, 알고리즘의 혁신이 삼박자를 이루며 딥러닝은 거의 모든 AI 분야에서 기존 방법론을 대체하기 시작하였다. 2014년: [[이안 굿펠로]]가 [생성적 적대 신경망]을 발표하여 이미지 생성 분야에 혁신을 가져왔다. 2016년: [[구글 딥마인드]]의 [[알파고]]가 세계 [[바둑]] 최정상급 기사 [[이세돌]]을 4대 1로 이겼다. 이 사건은 전 세계적으로 AI에 대한 관심을 폭발적으로 증가시켰다. 2017년: [[구글]]이 논문 「Attention Is All You Need」를 통해 [[트랜스포머 (모델)|트랜스포머]] 아키텍처를 발표하였다. 이 아키텍처는 이후 자연어 처리의 판도를 완전히 바꾸었다. 2018년: [[구글]]이 [[BERT]]를 발표하여 자연어 이해 분야에서 획기적인 성능 향상을 이루었다. 2020년: [[OpenAI]]가 1750억 개의 매개변수를 가진 [[GPT-3]]를 공개하여 [대규모 언어 모델]의 가능성을 보여주었다. 2022년 11월: OpenAI가 [[ChatGPT]]를 출시하여 역사상 가장 빠르게 성장하는 소비자 애플리케이션이 되었다. 출시 2개월 만에 월간 활성 사용자가 1억 명을 돌파하였다. 2023~2025년: [[GPT-4]], [[Claude]], [[Gemini (인공지능)|Gemini]], [[Llama (언어 모델)|Llama]] 등 경쟁적인 대규모 언어 모델들이 연이어 출시되며 AI 기술 경쟁이 가속화되었다. [[멀티모달]] AI가 텍스트, 이미지, 음성, 영상을 통합 처리하는 방향으로 발전하고 있다. == 핵심 기술 == === 기계 학습 === [[기계 학습]](Machine Learning)은 명시적으로 프로그래밍하지 않아도 데이터로부터 패턴을 학습하여 예측이나 결정을 수행하는 인공지능의 하위 분야이다. 기계 학습은 학습 방식에 따라 크게 세 가지로 분류된다. '''[[지도 학습]]'''(Supervised Learning): 입력과 정답 쌍으로 이루어진 데이터셋을 이용하여 학습한다. [[분류 (기계 학습)|분류]]와 [[회귀 분석|회귀]]가 대표적인 문제 유형이다. '''[[비지도 학습]]'''(Unsupervised Learning): 정답 레이블 없이 데이터 내부의 구조나 패턴을 발견한다. [[클러스터링]], [[차원 축소]] 등이 해당된다. '''[[강화 학습]]'''(Reinforcement Learning): 에이전트가 환경과 상호작용하며 보상을 최대화하는 행동 전략을 학습한다. [[알파고]]와 [[로봇 공학]]에서 널리 사용된다. === 딥러닝 === [[딥러닝]]은 여러 층의 [[인공신경망]]을 사용하여 데이터의 추상적 표현을 단계적으로 학습하는 기술이다. 주요 신경망 구조는 다음과 같다. '''[[합성곱 신경망]]'''(CNN): 주로 이미지와 영상 처리에 사용된다. 지역적 패턴을 효과적으로 포착하는 합성곱 연산을 기반으로 한다. '''[[순환 신경망]]'''(RNN)과 [[LSTM]]: 시계열 데이터와 순차적 데이터 처리에 적합하다. 과거 정보를 기억하는 구조를 가지고 있다. '''[[트랜스포머 (모델)|트랜스포머]]''': 2017년 등장한 이후 자연어 처리의 표준 아키텍처가 되었다. [[셀프 어텐션]] 메커니즘을 통해 입력 시퀀스의 모든 위치 간 관계를 동시에 처리할 수 있다. [[GPT]], [[BERT]], [[LLaMA]] 등 현대의 대규모 언어 모델은 모두 트랜스포머를 기반으로 한다. === 자연어 처리 === [자연어 처리]는 컴퓨터가 인간의 언어를 이해하고 생성하는 기술을 연구하는 분야이다. 기계 번역, 텍스트 요약, 감성 분석, 질문 응답 시스템, 대화 시스템 등이 포함된다. 2018년 이후 [[사전 학습]] 언어 모델의 등장으로 NLP 분야는 혁명적인 변화를 경험하였으며, 2022년 이후 [[대규모 언어 모델]]은 인간과 유사한 수준의 텍스트 생성 능력을 보여주고 있다. === 컴퓨터 비전 === [[컴퓨터 비전]]은 기계가 디지털 이미지나 영상에서 의미 있는 정보를 추출하고 해석하는 기술이다. 물체 감지, 얼굴 인식, 의료 영상 분석, [[자율주행차]]의 환경 인식 등에 적용된다. 딥러닝의 도입으로 컴퓨터 비전의 정확도는 비약적으로 향상되었으며, 일부 과제에서는 인간 전문가를 능가하는 성능을 달성하였다. === 생성형 인공지능 === [[생성형 인공지능]](Generative AI)은 텍스트, 이미지, 음악, 코드 등 새로운 콘텐츠를 생성할 수 있는 AI 시스템을 말한다. [[ChatGPT]], [[Claude]], [[Gemini (인공지능)|Gemini]] 등의 대화형 AI와 [[DALL-E]], [[미드저니]], [[Stable Diffusion]] 등의 이미지 생성 AI가 대표적이다. 2022년 이후 생성형 AI는 산업계와 일반 사용자 모두에게 가장 큰 관심을 받고 있는 AI 분야이다. == 주요 응용 분야 == === 의료 및 헬스케어 === 인공지능은 의료 분야에서 질병 진단, 신약 개발, 의료 영상 분석, 개인 맞춤형 치료 등에 활용되고 있다. [[딥러닝]] 기반 영상 분석 시스템은 [[폐암]], [[유방암]], [[당뇨병성 망막병증]] 등의 조기 발견에서 높은 정확도를 보여주고 있다. [알파폴드]는 2020년 [[단백질 접힘]] 문제에서 획기적인 성과를 거두어 생물학 연구에 혁명적 도구가 되었으며, 이 업적으로 [[데미스 허사비스]]와 [[존 점퍼]]는 2024년 [[노벨 화학상]]을 수상하였다. === 자율주행 === [[자율주행차]]는 인공지능의 가장 복잡한 응용 사례 중 하나이다. 컴퓨터 비전, [[라이다]], [[레이더]], GPS 데이터를 종합하여 실시간으로 주행 환경을 인식하고 판단한다. [[테슬라]], [[웨이모]], [[크루즈 (자율주행)|크루즈]] 등이 자율주행 기술을 개발하고 있으며, 일부 지역에서는 제한적으로 무인 택시 서비스가 운영되고 있다. === 금융 === 금융 분야에서 인공지능은 [[알고리즘 트레이딩]], 신용 평가, 사기 탐지, 위험 관리, [[로보어드바이저]] 등에 폭넓게 사용된다. [고빈도 매매]에서는 AI가 밀리초 단위로 대량의 거래를 처리하며, 반자동 또는 완전 자동 방식으로 투자 결정을 내린다. === 교육 === AI 기반 학습 플랫폼은 학생의 학습 패턴을 분석하여 개인 맞춤형 교육을 제공한다. [[적응형 학습]] 시스템은 학생의 이해 수준에 따라 난이도와 내용을 자동으로 조절한다. 생성형 AI는 교육 콘텐츠 제작, 과제 피드백, 외국어 학습 보조 등에서도 활용이 확대되고 있다. === 제조업 === [[스마트 팩토리]]에서 인공지능은 품질 검사, 예지 정비, 공정 최적화, 수요 예측 등에 활용된다. [[산업용 로봇]]에 AI를 결합하여 유연한 생산 라인을 구축하고, 불량률을 낮추며, 생산성을 향상시키는 사례가 증가하고 있다. === 창작 및 엔터테인먼트 === 인공지능은 음악 작곡, 미술 작품 생성, 시나리오 작성, [[게임 AI]], 영상 편집 등 창작 활동에도 적용되고 있다. AI가 생성한 예술 작품이 미술 공모전에서 수상하는 사례가 발생하며 창작의 본질에 대한 철학적 논쟁을 촉발하였다. == 주요 기관 및 기업 == 인공지능 연구와 개발을 이끌고 있는 주요 기관과 기업은 다음과 같다. '''[[OpenAI]]''': 2015년 설립. [[GPT]] 시리즈와 [[ChatGPT]], [[DALL-E]]를 개발하였으며, 생성형 AI 시장을 선도하고 있다. '''[[구글 딥마인드]]''': 2010년 설립, 2014년 [[구글]]에 인수됨. [[알파고]], [[알파폴드]], [[Gemini (인공지능)|Gemini]] 등을 개발하였다. '''[[Anthropic]]''': 2021년 설립. AI 안전 연구에 초점을 맞추며 대화형 AI [[Claude]]를 개발하고 있다. '''[[메타 AI]]''': [[메타 플랫폼즈]]의 AI 연구 조직으로, [[LLaMA]] 시리즈 등 오픈소스 AI 모델 개발에 주력하고 있다. '''[[마이크로소프트]]''': OpenAI에 대규모 투자를 하고, [[코파일럿 (AI)|코파일럿]]을 통해 AI를 자사 제품에 통합하고 있다. '''[[엔비디아]]''': AI 학습 및 추론에 필수적인 [[GPU]] 하드웨어의 최대 공급자로, AI 인프라의 핵심 기업이다. 학술 기관으로는 [[스탠퍼드 대학교]], [[MIT]], [[카네기멜론 대학교]], [[UC 버클리]], [[칭화대학교]] 등이 AI 연구를 선도하고 있다. == 영향 및 의의 == === 경제적 영향 === 인공지능은 전 세계 경제에 막대한 영향을 미치고 있다. [[맥킨지]]는 생성형 AI가 전 세계 경제에 연간 2조 6천억~4조 4천억 달러의 가치를 창출할 수 있다고 추산하였다. AI는 생산성 향상, 비용 절감, 새로운 비즈니스 모델 창출 등을 통해 거의 모든 산업을 변화시키고 있다. 동시에 AI 기업들의 시가총액이 급등하며 [[엔비디아]]는 한때 세계 시가총액 1위 기업이 되기도 하였다. === 사회적 영향 === 인공지능은 사회의 다양한 측면을 변화시키고 있다. 정보 접근의 민주화, 언어 장벽 해소, 의료 서비스 개선, 교육 기회 확대 등 긍정적 영향이 있는 반면, [[디지털 격차]] 심화, 허위 정보 확산, 프라이버시 침해, 사회적 감시 강화 등의 부정적 영향도 우려된다. === 노동 시장에 대한 영향 === AI로 인한 일자리 변화는 가장 뜨거운 사회적 이슈 중 하나이다. 반복적이고 정형화된 업무는 AI에 의해 자동화될 가능성이 높으며, 동시에 AI 관련 새로운 직종이 등장하고 있다. [[세계경제포럼]]은 AI로 인해 2027년까지 약 8,300만 개의 일자리가 사라지고 6,900만 개의 새로운 일자리가 생겨날 것으로 전망하였다. 이에 따라 [[평생 교육]]과 [리스킬링]의 중요성이 강조되고 있다. === 과학 연구에 대한 영향 === 인공지능은 과학 연구의 속도와 범위를 크게 확장하고 있다. [[단백질 구조 예측]], [[신약 후보 물질 탐색]], [[기후 모델링]], [[입자 물리학]] 데이터 분석, [[유전체학]] 연구 등에서 AI는 인간 연구자의 능력을 크게 보완하고 있다. AI를 활용한 연구가 주요 과학 저널에 게재되는 비율은 지속적으로 증가하고 있다. == 논란 및 비평 == === AI 안전 및 정렬 문제 === AI 시스템이 인간의 의도와 가치에 부합하도록 만드는 '''[[AI 정렬]]'''(AI Alignment) 문제는 핵심적인 연구 과제이다. [[일론 머스크]], [[스티븐 호킹]], [[스튜어트 러셀]] 등은 통제되지 않는 초지능 AI가 [[존재론적 위험]]이 될 수 있다고 경고하였다. 2023년에는 AI 분야의 주요 연구자와 기업인들이 AI로 인한 인류 멸종 위험을 경고하는 공동 성명을 발표하기도 하였다. === 편향과 공정성 === AI 시스템은 학습 데이터에 내재된 [[편향 (인공지능)|편향]]을 그대로 학습하거나 증폭할 수 있다. 인종, 성별, 연령 등에 따른 차별적 결과가 채용 시스템, 대출 심사, 형사 사법 시스템 등에서 보고되어 왔다. 대표적으로 [[아마존닷컴|아마존]]의 AI 채용 시스템이 여성 지원자를 체계적으로 불리하게 평가한 사례가 알려져 있다. === 저작권과 지적재산권 === 생성형 AI가 기존 창작물을 학습 데이터로 사용하는 것에 대한 [[저작권]] 논쟁이 격화되고 있다. 작가, 미술가, 사진가, 뉴스 매체 등이 AI 기업을 상대로 저작권 침해 소송을 제기하고 있으며, 각국 정부는 관련 법률과 규제를 정비하고 있다. AI가 생성한 콘텐츠의 저작권 귀속 문제도 명확한 법적 기준이 마련되지 않은 상태이다. === 딥페이크와 허위 정보 === [[딥페이크]] 기술은 실존 인물의 얼굴, 목소리, 행동을 사실적으로 합성하여 허위 영상이나 음성을 생성할 수 있다. 이 기술은 정치적 조작, 사기, 명예 훼손, 비동의 성적 콘텐츠 제작 등에 악용될 위험이 높으며, 정보의 신뢰성에 심각한 위협이 되고 있다. === 환경 문제 === 대규모 AI 모델의 훈련과 운영에는 막대한 에너지가 소비된다. [[데이터센터]]의 전력 소비와 냉각을 위한 물 사용량이 급증하고 있으며, 이에 따른 [[탄소 발자국]]이 환경 단체와 연구자들의 우려를 받고 있다. AI 산업의 지속 가능성을 확보하기 위한 에너지 효율 향상과 재생 에너지 활용이 중요한 과제로 부상하였다. === AI 규제 === 각국 정부는 AI의 위험을 관리하기 위한 규제 체계를 마련하고 있다. [[유럽 연합]]은 2024년 세계 최초의 포괄적 AI 규제 법안인 '''[[인공지능법]](AI Act)'''을 통과시켰다. 이 법안은 AI 시스템을 위험도에 따라 분류하고, 고위험 AI에 대해 엄격한 요건을 부과한다. 미국은 2023년 AI 안전에 관한 [[행정 명령]]을 발표하였으며, 중국도 생성형 AI에 대한 규제를 시행하고 있다. == 미래 전망 == 인공지능의 미래에 대해서는 낙관론과 비관론이 공존한다. 기술적으로는 [[멀티모달]] AI, [[AI 에이전트]], [[소형 언어 모델]]의 효율화, [[양자 컴퓨팅]]과의 결합 등이 주요 발전 방향으로 꼽힌다. [강인공지능]의 실현 시기에 대해서는 전문가 간 의견이 크게 엇갈리나, 일부 연구자와 기업 대표는 수년 내 AGI에 근접할 수 있다고 주장하고 있다. 사회적으로는 AI의 민주적 거버넌스, 국제 협력 체계 구축, 기술 격차 해소, 교육 시스템 개편 등이 핵심 과제로 떠오르고 있다. AI 기술의 혜택을 골고루 분배하고, 위험을 최소화하는 방향으로 기술과 정책이 함께 발전해야 한다는 점이 광범위한 공감대를 형성하고 있다. == 관련 문서 == [[기계 학습]] [[딥러닝]] [[자연어 처리]] [[인공신경망]] [[대규모 언어 모델]] [[생성형 인공지능]] [[컴퓨터 비전]] [[강화 학습]] [[자율주행차]] [[AI 정렬]] [[AI 겨울]] [[튜링 테스트]] [[트랜스포머 (모델)|트랜스포머]] [[알파고]] [[ChatGPT]] == 외부 링크 == [https://ai.google/ Google AI 공식 페이지] [https://openai.com/ OpenAI 공식 페이지] [https://www.anthropic.com/ Anthropic 공식 페이지] [https://www.deepmind.com/ Google DeepMind 공식 페이지] [https://hai.stanford.edu/ 스탠퍼드 인간중심 AI 연구소(HAI)] [https://aiindex.stanford.edu/ 스탠퍼드 AI 인덱스 리포트] [[분류:인공지능]] [[분류:컴퓨터 과학]] [[분류:기계 학습]] [[분류:신기술]]