인공지능

영문명	Artificial Intelligence (AI)
분야	[[컴퓨터 과학]], [[인지과학]]
창시자	[[앨런 튜링]], [[존 매카시]], [[마빈 민스키]]
학문 성립	1956년 ([[다트머스 회의]])
주요 기법	[[기계학습]], [[딥러닝]], [[자연어 처리]]
관련 학문	[[수학]], [[통계학]], [[언어학]], [[심리학]], [[철학]]
주요 기업	[[구글]], [[OpenAI]], [[Anthropic]], [[메타 (기업)\|메타]]
최신 동향	[[대규모 언어 모델]](LLM), [[생성형 인공지능]]

'''인공지능'''(人工知能, {{lang|en|Artificial Intelligence}}, 약칭 '''AI''')은 인간의 [[지능]]이 요구되는 작업을 수행할 수 있도록 설계된 [[컴퓨터]] 시스템 또는 [[소프트웨어]]를 총칭하는 [[컴퓨터 과학]]의 한 분야이다. 학습, 추론, 문제 해결, 지각, 언어 이해 등 인간 고유의 인지 능력을 기계적으로 구현하는 것을 목표로 하며, 현대 사회에서 가장 빠르게 발전하고 있는 기술 분야 중 하나로 꼽힌다. 인공지능의 개념은 고대 신화에서부터 그 원형을 찾아볼 수 있으나, 현대적 의미의 인공지능 연구는 1950년대에 본격적으로 시작되었다. 21세기에 들어 [[빅데이터]], [[클라우드 컴퓨팅]], [[GPU]] 성능의 비약적 향상에 힘입어 [[딥러닝]]이 급격히 발전하면서, 인공지능은 [[의료]], [[금융]], [[제조업]], [[교통]], [[예술]] 등 사실상 모든 산업 분야에 걸쳐 혁명적 변화를 이끌고 있다. == 개요 == 인공지능은 넓은 의미에서 기계가 인간과 유사한 방식으로 사고하고, 학습하며, 의사결정을 내릴 수 있도록 하는 기술과 이론의 총체를 의미한다. 이는 단순히 프로그래밍된 규칙에 따라 동작하는 것을 넘어, 데이터로부터 패턴을 스스로 학습하고 새로운 상황에 적응하는 능력을 포함한다. 인공지능은 크게 '''약인공지능'''(Narrow AI)과 '''강인공지능'''(General AI)으로 구분된다. 약인공지능은 특정한 과제를 수행하도록 설계된 시스템으로, 현재 상용화된 대부분의 AI가 이에 해당한다. [[음성 인식]], [[이미지 인식]], [[추천 시스템]] 등이 대표적이다. 반면 강인공지능은 인간과 동등하거나 그 이상의 범용적 지적 능력을 갖춘 시스템을 지칭하며, 아직까지 이론적 단계에 머물러 있다. 일부 연구자들은 강인공지능을 넘어서는 '''초인공지능'''(Superintelligence) 개념도 논의하고 있으며, 이는 모든 측면에서 인간의 지능을 압도하는 수준의 지능을 의미한다. 인공지능의 핵심 하위 분야로는 [[기계학습]](Machine Learning), [[딥러닝]](Deep Learning), [[자연어 처리]](Natural Language Processing), [[컴퓨터 비전]](Computer Vision), [로보틱스], [[전문가 시스템]](Expert System) 등이 있다. 이들은 상호 밀접하게 연관되어 있으며, 최근에는 여러 분야를 융합한 '''멀티모달 AI'''(Multimodal AI) 연구가 활발히 진행되고 있다. == 역사 == === 선사 및 초기 개념 (~ 1940년대) === 인간이 만든 지능적 존재에 대한 상상은 고대부터 존재했다. [[그리스 신화]]에 등장하는 [[헤파이스토스]]가 만든 자동 인형 [[탈로스]], [[유대교]]의 [[골렘]] 전설 등은 인공적으로 지능을 부여하고자 했던 인류의 오래된 열망을 반영한다. 근대에 이르러 [[라이프니츠]]와 [[토마스 홉스]]는 인간의 사고를 기계적 계산으로 환원할 수 있다는 아이디어를 제시하였으며, 19세기에는 [[찰스 배비지]]가 설계한 [[해석 기관]]과 [[에이다 러브레이스]]의 프로그래밍 개념이 등장하면서 기계적 계산의 기초가 마련되었다. 20세기 초, [[수리논리학]]의 발전과 함께 형식적 추론의 기계화가 이론적으로 가능해졌다. 1936년 [[앨런 튜링]]은 '''[[튜링 기계]]'''의 개념을 제안하여 계산 가능성의 이론적 토대를 놓았으며, 1943년에는 [[워런 매컬러]]와 [[월터 피츠]]가 인공 [[신경망]]의 최초 수학적 모델을 발표하였다. === 학문적 탄생 (1950년대) === 1950년, 앨런 튜링은 논문 「Computing Machinery and Intelligence」에서 "기계가 생각할 수 있는가?"라는 근본적 질문을 제기하고, 이를 판별하기 위한 '''[[튜링 테스트]]'''를 제안하였다. 이는 인공지능 연구의 철학적 기반이 되었다. 1956년 여름, [[존 매카시]], [[마빈 민스키]], [[너새니얼 로체스터]], [[클로드 섀넌]]이 주최한 '''[[다트머스 회의]]'''(Dartmouth Conference)가 미국 [[뉴햄프셔주]]에서 개최되었다. 이 회의에서 '인공지능'(Artificial Intelligence)이라는 용어가 공식적으로 채택되었으며, 이는 AI가 독립적인 학문 분야로 성립하는 결정적 계기가 되었다. 참석자들은 "학습의 모든 측면 또는 지능의 다른 모든 특성은 원칙적으로 기계가 시뮬레이션할 수 있을 정도로 정밀하게 기술될 수 있다"는 가설을 세웠다. 이후 1950년대 말에서 1960년대 초까지 초기 AI 프로그램들이 등장하였다. [[앨런 뉴웰]]과 [[허버트 사이먼]]이 개발한 '''Logic Theorist'''(1956)는 수학 정리를 자동으로 증명할 수 있었으며, 이어서 '''General Problem Solver'''(1957)가 발표되었다. 매카시는 1958년 AI 연구를 위한 프로그래밍 언어 '''[[LISP]]'''를 개발하였다. === 초기 발전과 낙관 (1960~1970년대) === 1960년대는 AI 연구에 대한 낙관론이 지배적이었던 시기이다. 연구자들은 20년 이내에 인간 수준의 지능을 가진 기계가 등장할 것이라 예측하였다. 이 시기의 주요 성과로는 [[조셉 바이젠바움]]이 개발한 대화형 프로그램 '''[[ELIZA]]'''(1966)가 있다. ELIZA는 [[로저리언 심리치료]]를 모방하여 사용자와 영어로 대화할 수 있었으며, 일부 사용자들은 이를 실제 인간과 대화하는 것으로 착각하기도 하였다. [퍼셉트론]으로 대표되는 초기 신경망 연구도 활발하게 진행되었으나, 1969년 민스키와 [[시모어 페이퍼트]]가 저서 ''Perceptrons''에서 단층 퍼셉트론의 이론적 한계를 증명하면서 신경망 연구는 급격히 위축되었다. === AI의 겨울 (1970~1980년대 초) === 1970년대에 접어들면서, 초기의 낙관적 예측이 실현되지 못하자 AI 연구에 대한 비판과 회의론이 확산되었다. 1973년 영국의 [[제임스 라이트힐]]이 작성한 '''라이트힐 보고서'''는 AI 연구의 성과가 기대에 미치지 못한다고 결론 내렸으며, 이는 영국 정부의 AI 연구 지원 축소로 이어졌다. 미국에서도 [[DARPA]]가 AI 프로젝트 지원을 대폭 줄이면서 연구 자금이 크게 감소하였다. 이 시기를 '''[[AI의 겨울]]'''(AI Winter)이라 부른다. 이 시기의 근본적 한계는 당시 컴퓨터의 연산 능력 부족, 데이터의 절대적 부족, 그리고 복잡한 현실 세계 문제를 처리할 수 있는 알고리즘의 미비에 기인하였다. === 전문가 시스템의 부흥 (1980년대) === 1980년대에는 '''[[전문가 시스템]]'''(Expert System)이 AI 연구에 새로운 활력을 불어넣었다. 전문가 시스템은 특정 분야의 전문 지식을 규칙 기반으로 코드화하여 의사결정을 지원하는 프로그램으로, '''MYCIN'''(의료 진단), '''XCON'''(컴퓨터 시스템 구성) 등이 상업적 성공을 거두었다. 일본 정부는 야심찬 '''[[제5세대 컴퓨터]]''' 프로젝트를 추진하였으며, 이에 자극받아 미국과 영국도 AI 연구 투자를 재개하였다. 그러나 전문가 시스템의 유지보수 비용이 급격히 증가하고 확장성에 한계가 드러나면서, 1980년대 후반에서 1990년대 초까지 '''제2차 AI의 겨울'''이 찾아왔다. 제5세대 컴퓨터 프로젝트 역시 당초 목표를 달성하지 못한 채 종료되었다. === 통계적 접근과 부활 (1990~2000년대) === 1990년대에 AI 연구는 보다 실용적이고 통계적인 방법론으로 전환되었다. 순수한 논리적 추론보다는 [[확률론]]과 [[통계학]]에 기반한 접근법이 주류를 이루게 되었으며, [[베이즈 네트워크]], [서포트 벡터 머신], [은닉 마르코프 모델] 등이 음성 인식, 텍스트 분류 등의 실용적 문제에 성공적으로 적용되었다. 1997년, [[IBM]]의 체스 인공지능 '''[[딥 블루]]'''가 당시 세계 체스 챔피언 [[가리 카스파로프]]를 대국에서 승리하면서 전 세계적인 관심을 끌었다. 이 사건은 특정 영역에서 기계가 인간의 최고 수준을 넘어설 수 있음을 증명한 상징적 사건이었다. 2000년대에는 인터넷의 보급과 함께 방대한 양의 디지털 데이터가 축적되기 시작하였고, 이는 이후 빅데이터 기반 AI 연구의 토대가 되었다. === 딥러닝 혁명 (2010년대) === 2010년대는 [[딥러닝]]의 비약적 발전으로 AI 역사의 전환점이 된 시기이다. 2012년 [[제프리 힌턴]]의 연구팀이 개발한 '''[[AlexNet]]'''이 [[ImageNet]] 이미지 인식 대회에서 기존 방법론을 압도적 차이로 이기면서, 심층 [[신경망]]의 잠재력이 전 세계에 입증되었다. 이후 AI는 급속도로 발전하였다. 2014년 [[이언 굿펠로]]가 제안한 '''[[생성적 적대 신경망]]'''(GAN)은 이미지 생성 분야에 혁명을 가져왔으며, 2016년 [[구글 딥마인드]]의 '''[[알파고]]'''가 세계 최정상급 바둑 기사 [[이세돌]]을 4대 1로 이기면서 AI에 대한 대중적 관심이 폭발적으로 증가하였다. 바둑은 경우의 수가 우주의 원자 수보다 많은 것으로 알려져 있어, 이 승리는 기존의 규칙 기반 접근법으로는 불가능한 성과로 평가되었다. 2017년 구글 연구팀이 발표한 논문 「Attention Is All You Need」에서 소개된 '''[[트랜스포머]]'''(Transformer) 아키텍처는 [[자연어 처리]] 분야의 혁명적 전환점이 되었다. 트랜스포머는 [셀프 어텐션] 메커니즘을 통해 입력 데이터의 장거리 의존성을 효과적으로 학습할 수 있으며, 이는 이후 모든 대규모 언어 모델의 기초가 되었다. === 생성형 AI와 대규모 언어 모델 시대 (2020년대) === 2020년대에 접어들면서 '''[[대규모 언어 모델]]'''(Large Language Model, LLM)이 AI 연구와 산업의 중심으로 부상하였다. 2020년 [[OpenAI]]가 공개한 '''[[GPT-3]]'''는 1,750억 개의 파라미터를 가진 거대 언어 모델로서, 놀라운 수준의 텍스트 생성 능력을 보여주었다. 2022년 11월 OpenAI가 출시한 '''[[ChatGPT]]'''는 출시 2개월 만에 월간 활성 사용자 1억 명을 돌파하며 역사상 가장 빠르게 성장한 소비자 애플리케이션이 되었다. ChatGPT의 성공은 AI 산업 전체에 거대한 투자 붐을 일으켰으며, [[구글]]의 '''[[Gemini]]''', [[Anthropic]]의 '''[[Claude]]''', [[메타 (기업)|메타]]의 '''[[LLaMA]]''' 등 경쟁 모델들이 잇따라 등장하였다. 이미지 생성 분야에서는 '''[[DALL-E]]''', '''[[Midjourney]]''', '''[[스테이블 디퓨전]]'''(Stable Diffusion) 등이 텍스트 설명만으로 고품질의 이미지를 생성할 수 있는 능력을 보여주었으며, 음악, 영상, 코드 생성 등 다양한 창작 분야로 생성형 AI의 영역이 확장되었다. == 주요 기술 및 분류 == === 기계학습 === '''[[기계학습]]'''(Machine Learning)은 명시적인 프로그래밍 없이 데이터를 통해 패턴을 학습하고 예측이나 의사결정을 수행하는 AI의 핵심 분야이다. 기계학습은 학습 방법에 따라 다음과 같이 분류된다. '''[[지도학습]]'''(Supervised Learning): 정답이 레이블링된 데이터를 사용하여 입력과 출력 간의 관계를 학습한다. 분류(Classification)와 회귀(Regression) 문제에 주로 사용된다. '''[[비지도학습]]'''(Unsupervised Learning): 레이블이 없는 데이터에서 숨겨진 구조나 패턴을 발견한다. [군집화]와 [[차원 축소]](Dimensionality Reduction)가 대표적이다. '''[[강화학습]]'''(Reinforcement Learning): 에이전트가 환경과 상호작용하면서 보상을 최대화하는 행동 전략을 학습한다. [[알파고]]와 로봇 제어 등에 활용된다. === 딥러닝 === '''[[딥러닝]]'''(Deep Learning)은 다층의 [[인공 신경망]]을 활용하여 고수준의 추상적 표현을 학습하는 기계학습의 하위 분야이다. 주요 아키텍처로는 다음이 있다. '''[[합성곱 신경망]]'''(CNN): 이미지 인식, 객체 탐지 등 [[컴퓨터 비전]] 분야에서 핵심적으로 사용된다. '''[[순환 신경망]]'''(RNN)과 [[LSTM]]: 시계열 데이터 및 순차적 데이터 처리에 특화되어 있다. '''[[트랜스포머]]'''(Transformer): 셀프 어텐션 메커니즘을 기반으로 하며, 현재 자연어 처리와 멀티모달 AI의 기본 아키텍처로 자리 잡았다. '''[[생성적 적대 신경망]]'''(GAN): 생성자와 판별자가 경쟁하며 학습하는 구조로, 이미지 생성에 혁신을 가져왔다. '''[[디퓨전 모델]]'''(Diffusion Model): 노이즈를 점진적으로 제거하여 데이터를 생성하는 방식으로, 최신 이미지 생성 모델의 핵심 기술이다. === 자연어 처리 === '''[[자연어 처리]]'''(Natural Language Processing, NLP)는 인간의 언어를 컴퓨터가 이해하고 생성할 수 있도록 하는 기술이다. 주요 과제로는 [[기계 번역]], [[감성 분석]], [[텍스트 요약]], [[질의응답 시스템]], [[개체명 인식]] 등이 있다. [[BERT]], [[GPT]] 시리즈 등 대규모 사전학습 언어 모델의 등장으로 NLP는 비약적인 발전을 이루었다. === 컴퓨터 비전 === '''[[컴퓨터 비전]]'''(Computer Vision)은 디지털 이미지나 동영상에서 의미 있는 정보를 추출하고 해석하는 기술이다. [[이미지 분류]], [[객체 탐지]], [[시맨틱 분할]], [[얼굴 인식]], [[자세 추정]] 등이 핵심 과제이며, [[자율주행]], [[의료 영상 분석]], [[보안 시스템]] 등에 광범위하게 적용되고 있다. === 로보틱스 === '''[[로보틱스]]'''는 AI와 물리적 시스템을 결합하여 자율적으로 동작하는 로봇을 개발하는 분야이다. [[산업용 로봇]], [[서비스 로봇]], [[드론]], [[자율주행 자동차]] 등이 이 분야에 포함되며, 최근에는 AI가 통합된 '''[[휴머노이드 로봇]]'''의 개발이 주요 연구 주제로 부상하고 있다. == 주요 응용 분야 == === 의료 및 헬스케어 === AI는 [[의료 영상]] 판독, 질병 진단, 신약 개발, 맞춤형 치료 계획 수립 등에 활용되고 있다. [[방사선학]]에서는 AI가 [[X선]], [[CT]], [[MRI]] 영상을 분석하여 조기 암 발견에 기여하고 있으며, [[구글 딥마인드]]의 '''[[AlphaFold]]'''는 [[단백질 접힘]] 문제를 획기적으로 해결하여 2024년 [[노벨 화학상]] 수상의 배경이 되었다. === 자율주행 === '''[[자율주행]]''' 기술은 AI의 가장 가시적인 응용 분야 중 하나이다. [[테슬라]], [웨이모], [[크루즈]] 등의 기업이 [[컴퓨터 비전]], [라이다], [[강화학습]] 등의 기술을 결합하여 자율주행 시스템을 개발하고 있다. [[SAE 인터내셔널]]의 기준에 따라 자율주행은 레벨 0(자동화 없음)부터 레벨 5(완전 자동화)까지 6단계로 구분된다. === 금융 === [[금융]] 분야에서 AI는 [[알고리즘 트레이딩]], [[신용 평가]], [[사기 탐지]], [[로보어드바이저]] 등에 폭넓게 적용되고 있다. AI 기반 시스템은 방대한 시장 데이터를 실시간으로 분석하여 투자 의사결정을 지원하며, 이상 거래 패턴을 감지하여 금융 사기를 예방하는 데 기여하고 있다. === 교육 === AI는 개인화된 학습 경험을 제공하는 [[적응형 학습]] 시스템, AI 기반 튜터링, 자동 채점 시스템 등을 통해 [[교육]] 분야를 변화시키고 있다. [[ChatGPT]]를 비롯한 대규모 언어 모델의 등장은 학습 방법과 평가 방식에 대한 근본적인 재고를 촉발하였다. === 창작 및 엔터테인먼트 === [[생성형 인공지능]]은 [[미술]], [[음악]], [[문학]], [[영화]] 등 창작 분야에서 새로운 가능성을 열고 있다. AI가 생성한 이미지, 음악, 텍스트의 품질이 인간 전문가 수준에 근접하면서, [[저작권]]과 창작의 본질에 대한 심도 깊은 논의가 이루어지고 있다. == 영향 및 의의 == === 경제적 영향 === AI는 전 세계 경제에 지대한 영향을 미치고 있다. 다수의 연구 기관은 AI가 2030년대까지 글로벌 GDP에 수조 달러 규모의 기여를 할 것으로 전망하고 있다. AI는 생산성 향상, 비용 절감, 새로운 비즈니스 모델 창출 등을 통해 경제 성장을 촉진하는 동시에, 일부 직종의 자동화로 인한 [[노동시장]] 변화를 야기하고 있다. [[반도체]] 산업에서는 AI 연산에 특화된 칩에 대한 수요가 폭증하면서, [엔비디아]가 시가총액 세계 최상위 기업으로 부상하였다. AI 관련 투자는 2020년대 들어 매년 급격히 증가하고 있으며, AI 스타트업 생태계도 전 세계적으로 확산되고 있다. === 사회적 영향 === AI는 일상생활의 거의 모든 영역에 침투하여 소통, 소비, 업무 방식을 근본적으로 변화시키고 있다. [[가상 비서]]([[시리 (소프트웨어)|시리]], [[알렉사]], [[구글 어시스턴트]]), [[추천 알고리즘]], [[자동 번역]] 등은 이미 일상의 일부가 되었다. 동시에 AI는 [[디지털 격차]], [[알고리즘 편향]], [[가짜뉴스]] 확산 등 새로운 사회적 문제를 야기하고 있다. === 과학적 영향 === AI는 과학 연구의 방법론 자체를 혁신하고 있다. [[단백질 구조 예측]], [[기후 모델링]], [[신소재 발견]], [[천문학]]적 데이터 분석 등에서 AI는 인간 연구자의 역량을 획기적으로 확장하고 있다. '''AI for Science'''(과학을 위한 AI)는 21세기 과학 발전의 핵심 동력으로 자리매김하고 있다. == 논란 및 비평 == === 윤리적 문제 === AI의 급격한 발전은 심각한 [[윤리]] 문제를 수반하고 있다. '''[[알고리즘 편향]]'''은 가장 빈번하게 지적되는 문제로, AI 시스템이 학습 데이터에 내재된 인종적, 성별적, 사회경제적 편향을 그대로 재현하거나 심화시킬 수 있다는 우려가 있다. [[얼굴 인식]] 기술이 특정 인종에 대해 현저히 높은 오류율을 보이는 사례, 채용 AI가 성별 편향을 나타내는 사례 등이 보고되고 있다. '''[[AI 윤리]]'''는 독립적인 학문 분야로 성장하였으며, [[유네스코]], [[OECD]], [[유럽연합]] 등 국제기구들이 AI 윤리 가이드라인을 마련하고 있다. === 일자리 대체 우려 === AI와 자동화로 인한 일자리 대체에 대한 우려는 광범위하게 논의되고 있다. 반복적이고 규칙 기반의 업무뿐만 아니라, 생성형 AI의 등장으로 창작, 분석, 고객 서비스 등 [[지식노동]] 영역까지도 AI에 의한 대체 가능성이 제기되고 있다. 이에 대응하여 [[기본소득]], [[재교육 프로그램]], [[AI세]](AI Tax) 등 다양한 정책적 대안이 논의되고 있다. === 안전성 및 정렬 문제 === '''[[AI 정렬]]'''(AI Alignment) 문제는 AI 시스템이 인간의 의도와 가치에 부합하는 방향으로 행동하도록 보장하는 것에 관한 연구 분야이다. AI가 점점 더 강력해짐에 따라, 의도치 않은 결과나 목표의 왜곡('''goal misalignment''')이 초래할 수 있는 위험에 대한 우려가 커지고 있다. 2023년에는 AI 안전 분야의 저명한 연구자들과 기술 리더들이 AI로 인한 '''[[실존적 위험]]'''에 대한 경고 성명을 발표하기도 하였다. [[일론 머스크]], [[스티븐 호킹]] 등은 통제되지 않는 초인공지능의 위험성에 대해 공개적으로 경고한 바 있다. === 개인정보 보호 === AI 시스템의 학습에 방대한 양의 데이터가 필요하다는 특성은 [[개인정보 보호]]에 대한 심각한 우려를 야기하고 있다. AI 모델의 학습 데이터에 개인 정보가 포함되는 문제, [[얼굴 인식]]에 의한 대규모 감시 가능성, [[딥페이크]] 기술을 이용한 사기와 명예 훼손 등이 주요 쟁점이다. [[유럽연합]]의 '''[[일반 데이터 보호 규정]]'''(GDPR)과 '''[[AI 법]]'''(AI Act) 등 관련 법제도가 정비되고 있다. === 환경적 영향 === 대규모 AI 모델의 학습과 운영에는 막대한 양의 전력이 소비된다. AI 모델의 규모가 기하급수적으로 커지면서 [[데이터센터]]의 에너지 소비와 [[탄소 배출량]]도 급증하고 있어, AI의 환경적 지속가능성에 대한 문제가 제기되고 있다. === 지적 재산권 === 생성형 AI가 기존 창작물을 학습 데이터로 사용하는 것에 대한 [[저작권]] 분쟁이 전 세계적으로 증가하고 있다. [[뉴욕 타임스]]가 [[OpenAI]]를 상대로 제기한 소송 등 다수의 법적 분쟁이 진행 중이며, AI 생성물의 저작권 귀속 문제도 법적으로 미해결 상태에 있다. == AI 규제 및 거버넌스 == AI의 영향력이 확대됨에 따라 각국 정부와 국제기구는 AI 규제 프레임워크를 마련하고 있다. [[유럽연합]]은 2024년 세계 최초의 포괄적 AI 규제법인 '''[[AI 법]]'''(AI Act)을 통과시켰으며, 이는 위험 수준에 따라 AI 시스템을 분류하고 차등적으로 규제하는 접근법을 채택하고 있다. [[미국]]은 2023년 AI 안전에 관한 행정명령을 발표하였으며, [[중국]]도 생성형 AI 서비스에 대한 규제를 시행하고 있다. 2023년 11월 영국에서 개최된 최초의 글로벌 '''[[AI 안전 정상회의]]'''(AI Safety Summit)에는 28개국이 참여하여 AI 안전에 관한 국제 협력을 논의하였다. == 주요 인물 == '''[[앨런 튜링]]''' (1912~1954): 현대 컴퓨터 과학과 AI의 이론적 토대를 놓은 영국의 수학자 '''[[존 매카시]]''' (1927~2011): '인공지능'이라는 용어를 만들고 LISP 언어를 개발한 미국의 컴퓨터 과학자 '''[[마빈 민스키]]''' (1927~2016): AI의 선구자이자 MIT AI 연구소의 공동 설립자 '''[[제프리 힌턴]]''' (1947~): '딥러닝의 아버지'로 불리며, 2024년 [[노벨 물리학상]]을 수상 '''[[얀 르쿤]]''' (1960~): [[합성곱 신경망]]의 발전에 핵심적 기여를 한 프랑스계 미국인 과학자 '''[[요슈아 벤지오]]''' (1964~): 딥러닝 연구의 세 거장 중 한 명으로, 2018년 [[튜링상]] 공동 수상 '''[[앤드루 응]]''' (1976~): AI 교육과 산업 응용을 대중화한 연구자 '''[[데미스 허사비스]]''' (1976~): [[구글 딥마인드]]의 공동 설립자이자 CEO '''[[샘 올트먼]]''' (1985~): [[OpenAI]]의 CEO로 ChatGPT 시대를 이끈 기업가 '''[[다리오 아모데이]]''': [[Anthropic]]의 공동 설립자이자 CEO로 AI 안전 연구를 강조 == 관련 문서 == [[기계학습]] [[딥러닝]] [[자연어 처리]] [[컴퓨터 비전]] [[대규모 언어 모델]] [[생성형 인공지능]] [[AI 윤리]] [[AI 정렬]] [[튜링 테스트]] [[트랜스포머 (기계학습)]] [[신경망]] [[강화학습]] [[자율주행]] [[로보틱스]] [[알파고]] == 외부 링크 == [https://ai.google/ Google AI 공식 사이트] [https://openai.com/ OpenAI 공식 사이트] [https://www.anthropic.com/ Anthropic 공식 사이트] [https://www.deepmind.com/ Google DeepMind 공식 사이트] [https://arxiv.org/list/cs.AI/recent arXiv AI 분야 최신 논문] [https://en.unesco.org/artificial-intelligence UNESCO AI 윤리 권고안] [https://www.oecd.org/en/topics/artificial-intelligence.html OECD AI 정책 포털] [[분류:인공지능]] [[분류:컴퓨터 과학]] [[분류:기계학습]] [[분류:신기술]] [[분류:21세기 기술]]