[지능형 시스템] 학자 별 인공지능의 정의

오늘은 인공지능 융성기(1956~1960s)에 있었던 학자별 인공지능의 정의 및 충돌에 대해 알아보자.

 

존 메카시(John McCarthy) : 심볼릭 AI의 아버지

• 존 메카시는 "Symbolic AI"의 아버지로 가장 처음 AI라는 용어를 만든 사람이다.
  
  
• 그는 AI를 논리와 기호(Symbol)를 기반으로 문제를 해결하는 시스템으로 정의했다.
  
  
• 논리적 추론, 규칙 기반 시스템(If-Then), 프로그래밍 언어 개발(LISP)을 중요시함

 

📌 매카시의 AI 개념

"인공지능이란, 인간처럼 논리적으로 사고하고 문제를 해결할 수 있는 기계를 만드는 것이다."

• 그는 AI를 "논리적 추론(Logical Reasoning)"과 "심볼(기호, Symbol) 조작"으로 접근해야 한다고 주장했다.

📌 매카시의 핵심 연구

• LISP (1958년 개발) → AI 연구를 위한 가장 강력한 프로그래밍 언어
• Logic-based AI (논리 기반 AI) → 논리적 규칙과 명제를 이용해 AI를 개발

📌 한계점

• 기호(symbol)를 기반으로 한 접근법은 현실 세계의 불확실성을 다루는 데 한계가 있음
• 학습 능력이 부족함 → 데이터를 기반으로 스스로 학습하는 것이 어려움

---

마빈 민스키( Marvin Minsky)  : "심볼릭 AI"를 확장한 대표 연구자

• 민스키는 매카시와 함께 심볼릭 AI를 강하게 지지했던 학자이다.
  
  
• 그는 "AI는 인간의 사고방식을 수학적으로 모델링하는 것"이라고 주장했다.
  
  
• 논리 기반 시스템 + 인지 과학(신경과학과 심리학 접목)

 

 

 

📌 민스키의 AI 개념

"AI는 인간의 인지 과정과 논리적 사고를 수학적으로 모델링하는 학문이다."

• AI는 규칙 기반 시스템을 사용하여 인간처럼 문제를 해결할 수 있어야 한다고 믿었음.
• "Frames" 개념을 도입하여 지식 표현을 연구 (객체지향 프로그래밍의 기초 개념이 됨)

📌 민스키의 핵심 연구

• Frames Theory (1974) → 객체지향 프로그래밍과 지식 표현의 기초
• Society of Mind (1986) → 인간의 사고 과정은 여러 개의 작은 AI 에이전트로 이루어져 있다고 주장

📌 한계점

• 현실 세계의 복잡한 패턴 인식(이미지, 음성 등)에 약함
• 뉴런 기반 AI(신경망)와 충돌 → 데이터 기반 접근법을 거부

---

프랭크 로젠블랫(Frank Rosenblatt) :"뉴럴 네트워크(Perceptron)"의 창시자

 

• 로젠블랫은 AI는 뇌의 뉴런처럼 작동해야 한다고 주장함.
  
  
• 그는 "AI는 데이터에서 학습하는 기계여야 한다."라고 믿었다.
  
  
• 기계 학습(ML)의 시초가 된 퍼셉트론(Perceptron)을 개발

 

 

📌 로젠블랫의 AI 개념

"AI는 인간의 뇌처럼 뉴런을 활용해 학습할 수 있어야 한다."

• AI가 논리 규칙이 아니라, 데이터를 기반으로 학습해야 한다고 주장
• 퍼셉트론(Perceptron, 1958년) → 신경망(딥러닝)의 원형이 되는 모델을 개발

📌 로젠블랫의 핵심 연구

• Perceptron (1958) → 인간 뉴런을 모방한 최초의 인공 신경망 모델
• Machine Learning 개념 도입 → AI가 직접 데이터를 학습하는 구조 제안

📌 한계점

• 퍼셉트론은 단순한 문제만 해결 가능 (예: 선형 분류 문제만 가능)
• XOR 문제 해결 불가능 → 신경망의 다층 구조가 필요하지만, 당시 기술로는 불가능

---

각 학자들은 위와 같이 인공지능에 대한 정의를 내렸는데 여기서 학자들 간의 대립이 발생한다.

 

심볼릭 AI를 지지했던 매카시와 민스키는 AI가 논리적 추론과 기호(symbolic)에 기반해야 한다고 주장했는데 이는 데이터를  학습하는 로젠블랫의 의견과 충돌한다.

 

다시 말해 매카시와 민스키는 사건의 인과관계(causality)를 중요시한 반면 로젠블랫은 상관관계(correlation)을 중요시 한것이다.

 

예를 하나 들어보자.

예제: 약사가 감기 환자를 진단하는 상황

한 사람이 약국에 방문해서 감기 증상을 설명하는 상황을 가정해보자.
환자:

"목이 아프고, 기침이 나고, 열이 나요."

약사는 이 정보를 바탕으로 감기인지, 독감인지, 코로나인지 판단해야 한다.
이 과정에서 약사는 두 가지 방식으로 진단을 내릴 수 있다.

---

1. 마빈 민스키(Minsky)의 "심볼릭 AI 방식" → 규칙 기반 진단

"환자가 감기인지 아닌지 확인하는 규칙을 미리 정해두고, 이에 따라 진단을 내린다."

 

📌 약사의 진단 방식 (심볼릭 AI)

• 약사는 이전에 배운 "진단 가이드라인"을 참고하여 감기인지 판별
• 즉, "기침 + 열 + 목 통증 → 감기일 가능성이 높음" 같은 규칙(If-Then Statements)을 적용
• 정확한 규칙이 필요하며, 환자가 증상을 말하는 방식이 조금 달라지면 혼란스러울 수 있음.

📌 AI 비유 (Symbolic AI)

• AI가 미리 정의된 "IF-THEN" 규칙을 사용해 판단
• 예를 들어, AI가 다음과 같은 규칙 기반 진단 시스템을 사용한다고 가정하자. 

- 장점:

• 논리적으로 명확하고, 오류가 적음.
• 항상 같은 조건에서 같은 결과가 나옴.

- 단점:

• 증상이 조금만 달라져도 새로운 규칙을 만들어야 함.
• 복잡한 패턴을 이해하지 못함.

---

2.  프랭크 로젠블랫(Rosenblatt)의 "신경망 AI 방식" → 데이터 기반 학습

"약사가 과거의 환자 데이터를 학습하여 감기 증상을 자동으로 인식하고 진단을 내린다."

 

📌 약사의 진단 방식 (신경망 AI)

• 약사는 수천 명의 환자를 상대하면서 경험을 통해 감기와 다른 질병을 구별하는 능력을 학습
• 특정 증상 조합이 감기인지 아닌지를 스스로 익히고 판단
• 단순한 규칙이 아니라, 데이터를 기반으로 "이전 경험"을 학습하여 진단

📌 AI 비유 (Neural Network AI)

• AI가 수많은 환자 데이터(기침, 열, 목 통증 등)를 학습하여 진단을 내림
• 퍼셉트론(Perceptron) 모델을 사용하여 입력(증상) → 출력(질병 진단)으로 연결

---

그러다 1969년 민스키는 로젠블랫의 AI 연구의 근간을 흔들 큰 문제점을 제시한다.

- 1969년 "퍼셉트론 논쟁" (민스키 & 페퍼트 vs 로젠블랫)

• "퍼셉트론은 XOR 문제*를 해결할 수 없다."라고 비판하며 연구를 무너뜨림.
• 이 논쟁 이후 로젠블랫의 연구는 무시되었고, 신경망 연구는 1980년대까지 중단됨.
• 대신 기호 기반 AI(심볼릭 AI)가 1970~1980년대 AI 연구를 지배하게 됨.

*XOR문제

XOR문제는 하나의 직선으로 XOR 데이터를 나누는 것이 불가능 하다는 문제이다.

퍼셉트론은 논리 연산(AND, OR)은 해결할 수 있지만, XOR은 해결할 수 없다는 것이 증명되었다.

아래와 같은 분포의 데이터는 하나의 직선으로 나눌 수 없다.

0	1
1	0

 

- 1986년 반격: 신경망의 부활 (다층 퍼셉트론과 역전파)

• 1986년 제프리 힌튼(Geoffrey Hinton)과 데이비드 럼멜하트(David Rumelhart)가 역전파 알고리즘(Backpropagation)을 개발하여 퍼셉트론의 한계를 극복하였다.
• 단순한 퍼셉트론은 XOR문제를 해결하지 못하지만 은닉층이 포함된 다층 퍼셉트론은 XOR문제를 해결하면서 신경망이 다시 부활하게 되었다.
• 딥러닝(Deep Learning) 시대가 열리면서, 로젠블랫의 신경망 접근이 다시 부활했다.

---

결론: 현재 AI는 누구의 방향을 따를까?

존 매카시	심볼릭 AI	지식 그래프, 전문가 시스템
마빈 민스키	심볼릭 AI + 인지 모델링	AI 프레임워크 연구
프랭크 로젠블랫	신경망(Perceptron)	딥러닝(Deep Learning)의 기초

 

현재 AI는 로젠블랫의 신경망 접근법(딥러닝)을 기반으로 발전하고 있다.
하지만, 매카시와 민스키의 심볼릭 AI 개념도 여전히 AI 연구에서 중요한 역할을 하고 있다.
특히, "딥러닝 + 심볼릭 AI"를 결합하는 연구도 활발히 진행 중이다.