AI 75주년 되돌아보기와 향후 25년 전망

이 논문은 1931년 괴델이 제시한 형식 언어와 불완전성 정리를 AI 이론의 시초로 삼아, 이후 튜링 기계, 폰 노이만 구조, 섀넌의 정보 이론 등 컴퓨팅 과학의 주요 전환점을 차례로 서술한다. 괴델이 만든 자기참조적 명제는 “스스로 증명 불가능함을 선언하는 문장”을 통해 계산 가능성의 경계를 드러냈으며, 이는 튜링이 제안한 결정 가능성 문제와 직접 연결된다. 1940·50년대에는 Zuse와 Turing이 실제 기계 구현을 통해 이론을 현실화했고, 섀넌은 비트와 엔트로피 개념을 도입해 정보와 확률을 수학적으로 통합하였다. 1960·70년대에 솔로몬오프는 모든 가산 확률 분포에 대한 가중합 ξ를 정의함으로써 “보편적 귀납”이라는 이론을 만들었다. 이는 콜모고로프 복잡도와 연계돼, 데이터가 주어졌을 때 가장 짧은 프로그램(최소 설명 길이)으로 예측을 수행하는 최적성을 제시한다. 비록 실제 계산은 불가능하지만, 이론적 최적성은 이후 베이지안 네트워크, 히든 마코프 모델, 강화학습 등 다양한 확률 기반 AI 기법의 기초가 되었다. 1990년대 이후 하드웨어는 매 10년마다 약 1000배씩 빨라졌으며, 이는 복잡한 확률 모델을 실시간으로 적용할 수 있는 환경을 제공했다. 예를 들어, 1995년 독일에서 구현된 비전 기반 로봇 자동차는 기존의 규칙 기반 시스템이 아니라, 고속 연산을 통한 실시간 경로 계획과 장애물 회피를 수행했다. 동시에 인터넷의 보급으로 방대한 데이터에 접근할 수 있게 되면서, 데이터 마이닝, 자연어 처리, 음성 인식 등 통계적 방법이 폭발적으로 성장하였다. 이러한 흐름 속에서 저자는 현재 AI 연구가 두 가지 방향으로 나뉜다고 본다. 첫 번째는 “휴리스틱 기반”으로, 새로운 문제를 해결하기 위해 특수한 알고리즘이나 네트워크 구조를 설계하는 접근이다. 두 번째는 “형식적 최적화”로, 확률 이론과 계산 복잡도 이론을 결합해 보편적 최적성을 증명하는 방법이다. 전자는 실용적 성과를 빠르게 도출하지만 장기적인 지속 가능성이 낮고, 후자는 이론적으로 영원히 유효하지만 구현이 어려운 것이 현실이다. 논문은 특히 “임베디드 에이전트”라는 개념을 강조한다. 에이전트는 물리적 몸체와 환경과의 상호작용을 통해 학습하고, 그 과정에서 얻은 히스토리 h(≤t)를 기반으로 미래 보상 u(t)를 최대화한다. 여기서 보상은 단순히 점수가 아니라, 에이전트의 생존·성장·목표 달성 등을 포괄한다. 저자는 이 모델을 수학적으로 정식화한 AIXI 알고리즘을 소개한다. AIXI는 솔로몬오프의 ξ를 사용해 가능한 모든 행동 시퀀스 중 기대 보상이 가장 큰 것을 선택한다. 비록 계산적으로 비현실적이지만, AIXI는 “최적 정책이 존재한다는 증명” 자체가 AI 이론에 큰 의미를 부여한다. 또한 저자는 “자기참조적·자기개선형 보편적 문제 해결기”라는 미래 비전을 제시한다. 이는 현재 메타러닝, AutoML, 신경망 구조 탐색(NAS) 등에서 보이는 흐름을 이론적으로 확장한 것으로, 시스템이 스스로 자신의 알고리즘을 평가·수정·증강함으로써 지속적인 성능 향상을 이루는 메커니즘이다. 이러한 메타 수준의 학습은 기존 휴리스틱이 한계에 다다를 때, 이론적으로 보장된 최적성을 유지하면서도 실시간 적응이 가능하도록 만든다. 마지막으로 향후 25년을 전망하면서, 논문은 세 가지 핵심 동인이 AI 발전을 주도할 것이라고 주장한다. 첫째, 확률‑이론 기반 보편적 최적화 이론의 구체화와 실용화; 둘째, 양자 컴퓨팅·광학 컴퓨팅 등 새로운 하드웨어 패러다임의 도입으로 연산 한계가 크게 확대; 셋째, 자기참조적 메타러닝 시스템이 실제 로봇, 자율주행, 스마트 팩토리 등에 적용돼 인간 수준의 일반 지능에 근접하는 단계로 나아갈 것이다. 이러한 흐름은 현재 딥러닝 중심의 “특정 작업 최적화” 패러다임을 넘어, 보다 일반화된 인공지능 이론과 구현을 연결하는 새로운 시대를 열 것으로 기대된다.