인공지능(AI)의 주요 이론적 접근

FLOW+ 캔바AI 제작

인공지능(AI)의 주요 이론적 접근

인공지능(Artificial Intelligence)은 단순히 기술이 아니라 ‘지능이란 무엇인가’에 대한 철학적 질문에서 출발한다.
즉, 인간의 사고를 기계로 모방할 수 있는가?
이 물음은 이미 고대 그리스의 아리스토텔레스가 “이성적 사고의 규칙”을 탐구하던 시절부터 존재했다. 이후 20세기 들어 수학, 논리학, 신경과학, 심리학, 철학이 교차하면서 ‘지능의 원리’를 모형화하려는 시도가 본격화되었다.

 

(1) 상징주의(Symbolic AI)— 사고의 논리화

 

 1956년 다트머스 회의에서 ‘Artificial Intelligence’라는 용어가 처음 등장했을 때, 인공지능의 핵심은 ‘논리적 추론(logical reasoning)’이었다.
이 시기의 AI는 인간의 지능을 논리적 규칙과 명제로 표현할 수 있다는 믿음을 가졌다.

핵심 인물: 허버트 사이먼(Herbert Simon), 앨런 뉴얼(Allen Newell)

대표 모델: General Problem Solver (GPS, 1957)

이론적 기반: 물리적 상징 시스템 가설(Physical Symbol System Hypothesis)
→ “지능은 상징(symbol)을 조작하는 능력이다.”

이 이론은 논리학과 수학적 연역에 기초하여, 전문가의 지식을 규칙으로 전산화한 전문가 시스템(Expert System)으로 발전했다.
예: 의학 진단 시스템 MYCIN, 공학 설계 시스템 DENDRAL.

하지만 1980년대에 들어, 현실 세계의 모호함과 불확실성을 다루기 어렵다는 한계가 드러났다. 예를 들어 “의사는 환자가 열이 나면 감기를 의심한다” 같은 규칙은 환경에 따라 달라지기 때문이다.

 

🎯 이론적 특징

 

핵심 아이디어: 인간의 사고를 논리적 규칙으로 표현할 수 있다.

대표 이론: 앨런 뉴얼(Allen Newell)과 허버트 사이먼(Herbert Simon)의 물리적 상징 시스템 가설(Physical Symbol System Hypothesis)

방법: if–then 규칙, 논리 추론, 전문가 시스템(Expert System)

한계: 복잡한 현실 세계(언어, 감정, 맥락 등)를 규칙으로 표현하기 어렵다.

 

(2) 연결주의(Connectionism)— 신경망과 학습의 탄생

 

 상징주의에 대한 반동으로 등장한 것이 연결주의(또는 신경망 이론, Neural Network)이다.
이 이론은 인간의 사고를 뉴런(neuron)의 집합적 활동으로 이해하려는 접근이다.

초기 모델: 맥컬록(McCulloch) & 피츠(Pitts)의 인공뉴런 모델(1943)

1958년: 로젠블라트(Rosenblatt)의 퍼셉트론(Perceptron)

핵심 학습법: 헵 학습(Hebbian Learning)— “함께 발화하는 뉴런은 연결이 강화된다.”

이후 1986년 루멜하트(Rumelhart)와 맥클렐랜드(McClelland)가 제시한 역전파 알고리즘(Backpropagation)덕분에 다층신경망이 현실적으로 학습할 수 있게 되었다. 이는 오늘날 딥러닝(Deep Learning)의 기초가 된다.

 

🎯 이론적 특징

 핵심 아이디어: 인간의 뇌는 수많은 뉴런의 연결로 이루어져 있다

→ 이를 수학적으로 모형화

 대표모델:

->퍼셉트론(Perceptron), 다층신경망(MLP), 딥러닝(Deep Learning)

이론적 근거: Hebbian Learning (시냅스 강화 이론)
→ “함께 발화하는 뉴런은 연결이 강화된다.”

  특징: 데이터로부터 자동 학습, 비선형 문제 해결 가능

  한계: 내부 구조(“왜 그렇게 판단했는가”)를 이해하기 어렵다

→ 블랙박스 문제

 

(3) 진화주의(Evolutionary AI)— 자연선택의 알고리즘

 

  진화적 인공지능은 다윈의 자연선택 이론을 모방하여,  환경에 유리하게 변이를 일으킨 생물이 살아남는다고 했다. 이를 수학적으로 구현한 것이다. 이 이론은 완전한 해를 계산하지 않고, 세대별로 적합도(fitness)가 높은 개체를 남기며 점진적으로 최적해를 탐색한다.

늑대는 멸종 위기에 처했는데, 같은 조상에서 갈라져 나온 개는 어떻게 개체 수를 늘려나갈 수 있었을까? 사나운 침팬지보다 다정한 보노보가 더 성공적으로 번식할 수 있던 이유는? 신체적으로 우월한 네안데르탈인이 아니라 호모 사피엔스가 끝까지 생존한 까닭은?

진화의 승자는 최적자가 아니라 '다정한 자'였음을 기억하라.

 

🎯 이론적 특징

 

-핵심 아이디어: 생물의 진화 원리를 모방해 최적의 해를 찾는다.

-대표 알고리즘: 유전 알고리즘(Genetic Algorithm), 진화전략(Evolutionary Strategy)

-이론적 근거: 찰스 다윈의 자연선택 이론

Charles Darwin's key quote The survival of the fittest

 

-특징: 탐색공간이 넓고 복잡한 문제에 강함

 

- 진화적 AI는 “완벽한 지능”이 아니라 “환경에 적응하는 지능”을 추구한다.
 이는 인간의 사고가 고정된 규칙이 아니라 ‘학습과 적응의 결과’임을 시사한다.

 

(4) 확률·통계 기반 이론(Bayesian AI)— 불확실성의 수학

 

  현실의 많은 문제는 명확하지 않다. 따라서 확률적 추론이 필수적이며, 이를 이론적으로 뒷받침하는 것이

 베이지안 확률(Bayesian Probability)이다.

 

 🎯 이론적 특징

 

핵심 아이디어: 모든 지식은 확률적이다.

대표 개념: 베이즈 정리(Bayes’ theorem)

P(H|E) = P(E|H) × P(H) / P(E)

활용: 스팸 필터, 의학 진단, 음성인식 등

특징: 데이터가 불완전하거나 불확실할 때 강력함

이 이론은 “모든 판단은 불확실하다”는 현실적 인간 사고의 특성을 수학적으로 모형화했다는 점에서 매우 중요하다.

 

(5) 강화학습(Reinforcement Learning)— 행동과 보상 이론

 

 강화학습은 행동주의 심리학(Behaviorism)에 기반한 AI 이론이다.
즉, 인간이나 동물은 보상(Reward)처벌(Penalty)을 통해 행동을 학습한다는 원리를 모방한다.

 

🎯 이론적 특징

 핵심 아이디어: 시도와 보상을 통해 ‘최적의 행동’을 학습한다.

 이론적 기반: 마코프 결정 과정(MDP), 동적 계획법(Dynamic Programming)

 구성요소:

-에이전트(Agent)

-환경(Environment)

- 보상함수(Reward Function): 행동의 결과를 평가

-정책(Policy): 어떤 상황에서 어떤 행동을 취할지 결정하는 전략

-가치함수(Value Function): 미래 보상을 예측하는 함수

 

응용 사례: 구글 딥마인드의 알파고(AlphaGo)는 딥러닝 + 강화학습을 결합하여 ‘스스로 바둑을 익히고 인간을 이긴’ 대표적 결과물이다.

 

https://blog.naver.com/s5ulmate/224040783075

AI 아트, 그 경계 위에서

https://blog.naver.com/s5ulmate/224039888606

AI 시대, 사회복지 혁신의 필요성