AI 툴은 언제부터 시작됐을까? 인공지능 도구의 역사

최종 업데이트: 2026년 7월 7일 · 읽는 데 약 10분 · 시리즈 "AI 툴의 역사와 종류" 1/15편

2026년 5월, 가트너는 올해 전 세계 AI 지출이 2조 5,900억 달러에 달할 것이라고 전망했습니다. 전년 대비 47% 증가한 수치입니다(가트너, "Gartner Forecasts Worldwide AI Spending to Grow 47 Percent in 2026", 2026). 체감상 AI 툴은 2022년 챗GPT 등장 이후 갑자기 쏟아져 나온 것처럼 느껴집니다. 하지만 실제로는 다릅니다.

인공지능이라는 아이디어의 뿌리는 76년 전인 1950년까지 거슬러 올라갑니다. 그 사이 두 번의 "AI 겨울"로 연구 자금이 바닥나기도 했고, 누구도 주목하지 않던 논문 한 편이 10년 뒤 세상을 바꾸기도 했습니다. 이 글은 그 76년의 역사를, 지금 우리가 쓰는 AI 툴이 어디서 왔는지 이해할 수 있도록 정리합니다.

1950년, 튜링이 인공지능이라는 질문을 던지다

1950년 10월, 앨런 튜링은 학술지 Mind에 "Computing Machinery and Intelligence"라는 논문을 발표했습니다(Mind, Vol. LIX, No. 236, pp. 433–460). 이 논문은 "기계는 생각할 수 있는가?"라는 질문으로 시작해, 오늘날 튜링 테스트로 불리는 "이미테이션 게임(imitation game)"을 처음 제안했습니다.

당시엔 아직 "인공지능"이라는 단어조차 없었습니다. 그런데도 튜링은 기계가 사람과 구분되지 않을 정도로 대화할 수 있는지를 판단 기준으로 삼자고 제안했습니다. 이 아이디어는 70여 년이 지난 지금도 챗봇의 성능을 이야기할 때 여전히 인용됩니다.

이 논문의 핵심은 '생각한다'는 모호한 개념을 정의하는 대신, 대화만으로 사람과 구별되는지를 실험으로 판별하자는 제안에 있었습니다. 철학적 논쟁을 실용적인 테스트로 바꾼 셈입니다. 이 발상의 전환이 없었다면, 지금처럼 챗봇의 성능을 "사람 같은가"로 이야기하는 습관도 없었을지 모릅니다.

1956년 다트머스 회의: '인공지능'이라는 이름의 탄생

"인공지능(Artificial Intelligence)"이라는 용어는 1956년 여름, 다트머스 대학에서 열린 워크숍에서 처음 공식적으로 쓰였습니다. 1955년 8월 31일, 존 매카시·마빈 민스키·너새니얼 로체스터·클로드 섀넌은 "두 달, 열 명 규모의 연구"를 제안하는 문서를 냈습니다(스탠퍼드 매카시 아카이브, 1955). 이 제안서가 바로 "인공지능"이라는 이름이 처음 등장한 문서로 꼽힙니다.

흥미로운 점이 있습니다. 이 제안서에 나온 목표인 언어 이해, 개념 형성, 자기 개선은 지금 대규모 언어모델이 여전히 씨름하는 문제와 거의 같습니다. 70년이 지나도 "AI가 진짜로 뭘 해야 하는가"에 대한 질문 자체는 크게 바뀌지 않은 셈입니다.

1966년 ELIZA: 최초의 챗봇, 사람들을 속이다

MIT의 조지프 바이첸바움은 1966년 학술지 Communications of the ACM에 ELIZA를 발표했습니다(CACM, Vol. 9, No. 1, pp. 36–45). ELIZA는 정신과 상담사 흉내를 내는 "DOCTOR" 스크립트로 유명한데, 문장 패턴을 분해하고 재조합하는 단순한 규칙만으로 작동했습니다.

놀랍게도 일부 사용자는 ELIZA가 실제로 자신을 이해한다고 믿었습니다. 정작 만든 바이첸바움 본인은 이 반응에 충격을 받고, 이후 AI의 한계와 윤리에 대해 강하게 비판적인 목소리를 낸 것으로도 잘 알려져 있습니다.

이 현상은 훗날 '엘리자 효과(ELIZA effect)'라는 이름까지 얻었습니다. 단순한 패턴 매칭에도 사람이 감정적 유대를 느낄 수 있다는 이 관찰은, 오늘날 AI 챗봇 사용자 경험을 설계할 때도 여전히 자주 언급되는 주제입니다.

1970~80년대, 전문가 시스템의 전성기와 두 번의 AI 겨울

1970년대 들어 AI 연구는 "규칙 기반 전문가 시스템"으로 방향을 틀었습니다. 스탠퍼드에서 개발된 MYCIN은 약 500개의 규칙으로 혈액 감염을 진단했고, 맹검 평가에서 감염내과 전문의 수준의 정확도를 보였습니다(PMC, "Computer-based medical consultations: MYCIN"). DEC사가 상용화한 XCON(R1)은 1986년 기준 연간 8만 건의 주문을 95~98% 정확도로 처리해 매년 약 2,500만 달러를 절감한 것으로 보고됐습니다(ACM, "R1 Revisited", 1988).

흥미롭게도 이 시대의 전문가 시스템은 사람이 규칙을 하나하나 입력해야만 작동했습니다. 지금의 AI 도구가 규칙이 아니라 데이터에서 스스로 패턴을 학습한다는 점이야말로, 반세기 동안 AI 연구의 방향이 근본적으로 바뀌었다는 증거입니다.

하지만 화려한 성과 뒤에는 두 번의 침체가 있었습니다. 1973년 영국 정부에 제출된 라이트힐 보고서는 AI가 "거창한 목표"를 이루지 못했다고 결론지었습니다(UCL Discovery, Agar 논문 재수록; 위키피디아 "Lighthill report"). 이후 에든버러·서식스 두 곳을 제외한 영국 대학의 AI 연구비가 대부분 끊겼습니다.

1987년에는 전문 리스프 머신 시장이 붕괴했습니다. 범용 워크스테이션이 더 싼값에 같은 성능을 내기 시작했고, 전문가 시스템은 유지·보수 비용이 너무 크다는 한계도 드러났습니다(위키피디아 "AI winter"). 이 두 시기를 묶어 흔히 "AI 겨울"이라고 부릅니다.

표: 두 차례 AI 겨울 비교 (출처: UCL Discovery, 위키피디아 "AI winter")

1986년 백프로퍼게이션: 딥러닝의 씨앗이 뿌려지다

공교롭게도 이 AI 겨울 한복판인 1986년, 데이비드 럼멜하트·제프리 힌턴·로널드 윌리엄스는 Nature에 "Learning representations by back-propagating errors"를 발표했습니다(Nature, Vol. 323, pp. 533–536). 이 논문은 다층 신경망이 스스로 유용한 내부 표현을 학습하도록 오차를 역전파하는 방법을 제시했습니다.

당시엔 컴퓨팅 자원이 부족해 이 방법의 진짜 잠재력을 확인할 수 없었습니다. 하지만 이 논문은 훗날 딥러닝이라는 이름으로 다시 태어날 씨앗이었습니다.

당시 연구자들조차 이 방법이 왜 이렇게 잘 작동하는지 이론적으로 완전히 이해하지는 못했습니다. 실제로 이 아이디어가 산업 규모에서 증명되기까지는, 이 글 뒷부분에서 다룰 2012년까지 26년이라는 시간이 더 필요했습니다.

1997년, 컴퓨터가 체스 세계 챔피언을 꺾다

1997년 5월 11일, IBM의 딥블루는 여섯 게임 리매치에서 세계 챔피언 가리 카스파로프를 3.5대 2.5로 꺾었습니다. 카스파로프는 6번째 게임에서 19수 만에 기권했습니다(IBM 공식 히스토리; History.com). 정규 토너먼트 조건에서 현역 세계 챔피언이 컴퓨터에 패한 첫 사례였습니다.

딥블루는 학습하는 AI가 아니라 초당 수억 개의 수를 계산하는 탐색 엔진에 가까웠습니다. 그럼에도 "기계가 인간의 지적 영역을 넘어설 수 있다"는 대중적 인식을 바꿔놓은 상징적 사건이었습니다.

딥블루의 승리는 '학습하는 AI'가 아니라 '더 빨리 계산하는 AI'의 승리였다는 점에서, 2016년 딥러닝 기반 학습으로 바둑을 정복한 알파고의 승리와는 성격이 완전히 다릅니다. 같은 '기계가 인간을 이겼다'는 뉴스라도, 그 안의 기술은 20년 사이 전혀 다른 것으로 바뀐 셈입니다.

2012년 알렉스넷: 딥러닝 시대의 진짜 시작

2012년 알렉스 크리제프스키·일리야 수츠케버·제프리 힌턴이 만든 합성곱 신경망 "AlexNet"은 이미지넷 대회(ILSVRC-2012)에서 top-5 오류율 15.3%를 기록했습니다. 2위와의 격차는 10.9%포인트로, 당시로선 전례 없는 수준이었습니다(NeurIPS Proceedings, 2012).

이 결과가 상징적인 이유는 딥러닝 이론 자체가 새로워서가 아니라, GPU로 대규모 신경망을 실제로 훈련할 수 있게 됐기 때문입니다. 1986년 백프로퍼게이션 논문이 "이론"이었다면, 2012년 알렉스넷은 그 이론이 마침내 계산 자원을 만나 폭발한 순간이었습니다.

2017년 트랜스포머: 오늘날 모든 AI의 뿌리가 된 논문

2017년 6월, 구글의 바스와니 등 연구진은 "Attention Is All You Need"라는 논문을 arXiv에 공개했습니다(arXiv:1706.03762). 순환·합성곱 구조 없이 오직 셀프 어텐션만으로 작동하는 트랜스포머 구조를 제안했습니다. WMT2014 영어-독일어 번역에서는 28.4 BLEU를 기록해 기존 최고 기록을 2점 앞섰습니다. 게다가 계산을 병렬로 처리하기가 기존 구조보다 훨씬 쉬웠습니다.

이 구조는 이후 GPT·BERT를 비롯한 사실상 모든 현대 대규모 언어모델의 기반이 됐습니다. 지금 여러분이 쓰는 챗GPT·클로드·제미나이 전부 이 한 편의 논문에서 갈라져 나온 후손입니다.

2020년 GPT-3: 챗GPT 이전의 마지막 다리

2020년 5월, OpenAI는 "Language Models are Few-Shot Learners" 논문에서 1,750억 개 매개변수를 가진 GPT-3를 공개했습니다(arXiv:2005.14165). 이는 당시 존재하던 비희소(non-sparse) 언어모델 중 가장 큰 모델보다 10배 큰 규모였습니다. 같은 해 6월 API가 열리며 개발자들이 처음으로 직접 만져볼 수 있었습니다.

GPT-3는 대중에게 널리 알려지지는 않았지만, 2022년 11월 챗GPT가 촉발한 생성형 AI 붐 직전의 마지막 다리였습니다. 다음 편에서는 바로 이 지점, 생성형 AI가 어떻게 대중의 도구가 됐는지를 다룹니다.

지금까지 살펴본 76년, 1950년 튜링의 질문부터 2020년 GPT-3까지가 바로 인공지능 도구의 역사입니다. 돌파구와 침체가 반복됐지만, 그때마다 다음 도약의 재료가 조용히 쌓이고 있었습니다.

자주 묻는 질문

Q. "인공지능"이라는 용어는 언제 처음 쓰였나요?

1955년 존 매카시·마빈 민스키·너새니얼 로체스터·클로드 섀넌이 1956년 다트머스 워크숍을 제안하는 문서에서 처음 공식적으로 사용했습니다(스탠퍼드 매카시 아카이브). 이 워크숍이 AI 연구 분야의 공식 출발점으로 여겨집니다.

Q. 세계 최초의 챗봇은 무엇인가요?

1966년 조지프 바이첸바움이 MIT에서 만든 ELIZA가 최초로 널리 알려진 대화형 프로그램입니다(CACM, 1966). 정신과 상담사를 흉내 낸 "DOCTOR" 스크립트로, 일부 사용자는 실제로 이해받는다고 착각할 정도였습니다.

Q. AI 겨울이란 무엇인가요?

연구 기대에 비해 실제 성과가 못 미치자 자금 지원이 급격히 줄어든 시기를 말합니다. 1973년 라이트힐 보고서로 시작된 첫 번째 겨울과, 1987년 전문가 시스템 시장 붕괴로 이어진 두 번째 겨울이 대표적입니다(위키피디아 "AI winter").

Q. 딥러닝은 언제부터 주목받기 시작했나요?

2012년 알렉스넷이 이미지넷 대회에서 2위와 10.9%포인트 격차로 우승하면서부터입니다(NeurIPS, 2012). 이론적 토대(1986년 백프로퍼게이션)는 이미 있었지만, GPU 연산력이 뒷받침되면서 비로소 실용화됐습니다.

Q. 트랜스포머는 왜 중요한가요?

2017년 구글이 발표한 "Attention Is All You Need" 논문이 제안한 구조로, 순환·합성곱 없이 셀프 어텐션만으로 작동합니다(arXiv:1706.03762). 이 구조가 GPT·BERT 등 현재 거의 모든 대규모 언어모델의 기반이 됐습니다.