모방하는 기계들의 시대

거의 모든 인공지능의 역사

김태훈 지음

좋은습관연구소 2026년 01월 15일 출간 국내도서 : 2026년 01월 15일 출간

작품소개

책소개

머신러닝, 딥러닝, 신경망, 생성형 모델, 멀티모달 학습, 온디바이스 AI, 분산형 환경 등 AI의 원리와 구조까지. 이 책은 1950년 앨런 튜링의 질문에서 시작해, 수차례의 실패와 ‘AI의 겨울’을 거쳐 딥러닝과 생성형 AI에 이르기까지. 인공지능이 인간의 사고를 어떻게 모방해왔는지를 시간의 흐름 속에서 풀어낸다. 복잡한 수식이나 기술 설명 대신, 기술이 등장한 배경과 전환의 의미에 집중
인공지능은 더 이상 미래의 기술이 아니다. 번역하고, 그림을 그리고, 글을 쓰는 AI는 이미 우리의 일상 깊숙이 들어와 있다. 그러나 여전히 많은 질문이 남아 있다. AI는 정말 ‘생각’하는 존재인가? 우리는 이 기술을 어디까지 받아들여야 하는가?

『모방하는 기계들의 시대』는 이 가장 오래된 질문에서 출발해, 인공지능의 과거·현재·미래를 한 권에 정리한 교양 AI 역사서다.

이 책은 1950년 앨런 튜링의 질문에서 시작해, 수차례의 실패와 ‘AI의 겨울’을 거쳐 딥러닝과 생성형 AI에 이르기까지 인공지능이 인간의 사고를 어떻게 모방해왔는지를 시간의 흐름 속에서 풀어낸다. 복잡한 수식이나 기술 설명 대신, 기술이 등장한 배경과 전환의 의미에 집중해 AI를 하나의 ‘이야기’로 이해하도록 돕는다.

과거에서 현재로, 그리고 미래로

1부 ‘과거의 물결’에서는 튜링 테스트, 신경망, 전문가 시스템 등 초기 인공지능의 도전과 좌절을 통해 오늘날 AI의 뿌리를 짚는다.

2부 ‘현재의 파도’에서는 트랜스포머, 초거대 모델, 생성형 AI의 등장을 통해 기술 패러다임이 어떻게 전환되었는지를 설명한다.

3부 ‘미래의 항해’는 데이터, 윤리, 규칙이라는 키워드를 중심으로 AI와 공존하기 위한 최소한의 기준을 제시한다.

4부 ‘일상이 된 AI’에서는 수많은 AI가 협력하는 사회에서 인간의 역할과 선택을 질문하며, 기술을 넘어 삶의 문제로 시선을 확장한다.

기술 설명을 넘어 ‘이해’로

이 책의 가장 큰 특징은 인공지능을 기능이나 성능이 아닌 ‘사고 방식의 변화’로 다룬다는 점이다. AI가 무엇을 할 수 있는지를 나열하기보다, 왜 이런 기술이 등장했는지, 어떤 한계를 넘어왔는지, 앞으로 무엇을 결정해야 하는지를 차분하게 묻는다.

AI에 대한 막연한 기대와 불안을 동시에 느끼는 독자에게, 이 책은 기술을 판단하기 위한 하나의 좌표를 제공한다.

『모방하는 기계들의 시대』는 인공지능을 처음부터 공부하려는 독자뿐 아니라, 이미 AI를 사용하고 있지만 그 본질을 알고 싶은 독자에게도 적합한 안내서다. 기계를 이해하는 일은 결국 인간을 다시 이해하는 일임을, 이 책은 분명하게 보여준다.

좋은습관연구소는 최근 AI 관련 책들을 기획 출간하며 "인공지능과 친해지는 습관"을 꾸준히 제시했다. 이 책은 그 방안의 하나로 “인공지능의 역사”를 제시한다. 이책 외에도『인공지능은 생각하지 않는다』, 『AI 혁명을 이끈 천재들』, 좀 더 비즈니스 쪽으로는 『생성형 AI 산업별 활용 트렌드』, 『AX 100배의 법칙』가 있다. 모두 인공지능을 어떻게 바라보고, 어떻게 활용해야 하는지, 인간인 우리는 무엇을 해야 하는지를 다루고 있는 책이다.

인공지능과 친해지고 싶은 지금의 독자들에게 안성맞춤이 되는 시리즈다.
해 AI를 하나의 ‘이야기’로 이해하도록 돕는다.

목차

1부. 과거의 물결: 상상에서 현실로

01. [1950년 ~ 1969년] 튜링의 수수께끼, 기계는 정말 생각할 수 있을까?
02. [1970년 ~ 1985년] 끝나지 않을 듯한 겨울의 터널
03. [1986년 ~ 1994년] 잊혀진 공식이 일으킨 혁명
04. [1995년 ~ 2004년] 컴퓨터, 세상을 향해 눈을 뜨다
05. [2005년 ~ 2013년] 이미지 한 장으로 세상을 바꾼 알렉스넷
06. [2014년 ~ 2018년] 더 가볍게, 더 빠르게: AI의 다이어트 시대

2부. 현재의 파도: 기술의 대전환

07. [2017년 ~ 2019년] 트랜스포머, AI 역사상 가장 극적인 반전
08. [2018년 ~ 2020년] CNN, 어텐션을 만나 다시 태어나다
09. [2020년 ~ 2021년] 노이즈를 뚫고 탄생한 창의력
10. [2020년 ~ 2022년] 초거대 모델, 말문이 트이다
11. [2022년 ~ 2023년] AI에 ‘인간의 생각’를 담는 법
12. [2024년] 손바닥 위의 AI 슈퍼컴퓨터

3부. 미래의 항해: 공존과 확장

13. [2024년 ~ 2025년] 묻고, 답하고, 상상하는 AI의 탄생
14. [2024년 ~ 2025년] AI 시대, 내 데이터는 안전할까?
15. [2024년 ~ 2025년] AI와 함께 살아가기 위한 최소한의 규칙
16. [2025년 ~ 2026년] 하룻밤 사이 현실이 되는 아이디어

3장. 휴머노이드: 로보틱스 산업의 新혁명

1. 로보틱스의 역사와 휴머노이드의 등장
2. 휴머노이드 기술 현황과 특성
3. 휴머노이드가 바꾸는 미래
4. 휴머노이드 상용화, 대중화를 위한 선결 과제
5. 휴머노이드 산업 구조와 핵심 플레이어

4부. 일상이 된 AI: 기술을 넘어 삶으로

17. [2025년 ~ 2030년] 수많은 AI가 협력하는 시대를 상상하다
18. [2025년 ~ 2030년] 기술을 넘어 생태계를 설계하다
19. [2030년 ~ 2035년] 미래의 AI는 어디로 향하고 있는가
20. [2030년 이후] 인공지능, 이제는 공기처럼

마치며: 생각하는 기계와 상상하는 인간

책 속으로

초창기 인공지능 연구자들은 인간의 사고 과정을 기계적으로 구현할 가능성에 주목했습니다. 이 같은 관심은 1956년 여름, 미국 다트머스 대학Dartmouth College에서 열린 ‘역사적인’ 회의로 이어졌습니다. 이 회의에서 다트머스대의 존 매카시John McCarthy 교수는 처음으로 ‘인공지능’이라는 용어를 제안했습니다.
매카시는 기존의 단순한 계산 장치를 넘어 인간처럼 논리적으로 사고하고 스스로 학습하며 문제를 해결할 수 있는 기계를 목표로 했습니다. 같은 회의에 참석한 매사추세츠 공과대학MIT의 마빈 민스키Marvin Minsky 교수는 인간 사고의 복잡성과 창의성에 주목하며, 이를 기계적으로 구현하기 위한 이론적 기반의 중요성을 강조했습니다. 이렇게 다트머스 회의에 모인 초기 연구자들은 기계가 인간의 사고를 모방할 수 있는 가능성을 탐구하며, 인공지능 연구의 의미 있는 첫걸음을 내디뎠습니다. (13쪽)

초기 인공신경망Artificial Neural Network 연구는 시간이 흐르며 오늘날 우리가 흔히 접하는 딥러닝 기술로 발전했습니다. 처음에는 인공신경망이 인간 뇌의 뉴런 연결 구조를 단순하게 모방한 수준이었습니다. 당시 연구자들은 복잡한 정보 처리를 위해 많은 뉴런들이 층층이 쌓인 구조가 필요하다는 것을 알고 있었지만, 컴퓨터의 성능과 사용 가능한 데이터가 부족해 단순한 실험에 머물러 있었습니다.
그러나 앞서 설명했던 것처럼 컴퓨터 성능이 급속히 발전하고 데이터 처리 능력이 크게 향상되면서 상황은 완전히 바뀌었습니다. 특히 2000년대 이후 인터넷과 스마트폰의 확산으로 이미지, 텍스트, 음성 등 다양한 데이터가 폭발적으로 축적되기 시작하면서 이러한 데이터를 활용한 신경망 구조는 점점 더 깊고 복잡하게 발전하였고, 이전에는 불가능했던 복잡한 작업도 수행할 수 있게 되었습니다. (17쪽)

역전파 알고리즘은 신경망이 낸 결과와 실제 정답 사이의 차이, 즉 오차error를 계산한 뒤, 이 오차를 출력층output layer에서 입력층input layer 방향으로 거슬러 보내며 가중치weight를 조금씩 조정하는 방식입니다. 시험에서 틀린 답을 발견한 학생이 풀이 과정을 거꾸로 따라가며 어디서 잘못됐는지 짚어보는 모습과 비슷합니다.
예를 들어, 손글씨 숫자 ‘3’을 잘못 읽어 ‘8’이라고 답했다면 알고리즘은 어느 단계에서 오류가 났는지 출력층부터 거슬러 올라가며 체크합니다. 이 과정에서 각 뉴런neuron 간 연결 강도가 미세하게 조정되고, 같은 실수를 다시 저지르지 않 도록 학습이 진행됩니다. 덕분에 연구자들은 신경망의 층layer을 더 많이, 더 깊게 쌓아 복잡한 패턴을 정교하게 분석할 수 있게 되었습니다. 이전에는 풀지 못했던 문제들도 역전파의 도입 이후 점차 해결의 실마리를 찾았고, 이는 곧 딥러닝으로 이어질 혁명의 토대를 마련했습니다. (30쪽)

‘합성곱 신경망Convolutional Neural Network, CNN’은 이미지의 특징을 사람이 일일이 정의하지 않고, 컴퓨터가 데이터 속 패턴을 스스로 학습하도록 설계한 혁신적 구조입니다. 1998년 얀 르쿤Yann LeCun11과 동료들이 발표한 ‘LeNet-5’는 이런 방식을 가장 먼저 현실에서 증명한 대표적 모델로, 오늘날까지 이어지는 CNN 설계의 원형을 제시했습니다.
CNN의 핵심 연산은 ‘합성곱convolution’입니다. 합성곱은 두 함수를 곱해서 새로운 함수를 만드는 수학적 연산입니다. 컴퓨터가 작은 필터를 돋보기처럼 이미지 위로 밀어 올리며 각 위치의 국소 패턴을 감지하고, 필터를 여러 층layer으로 쌓아 나가면서 선·모서리 같은 단순 패턴에서 글자 모양이나 얼굴 윤곽처럼 복잡한 특성까지 단계적으로 포착합니다. 여기에 ‘풀링pooling’이란 과정이 더해져 중요하지 않은 세부를 줄이고 핵심 정보만 남겨, 마치 긴 글에서 핵심 문장만 추려내듯 특징을 압축합니다.
이 구조 덕분에 LeNet-5는 사람의 추가 개입 없이도 손글씨 숫자를 높은 정확도로 인식했습니다. 발표 직후 실제 미국 우정공사 우편 번호 자동 분류기나 NCR 수표 판독 시스템 같은 현장에서 매달 수백만 건의 숫자를 읽어내며 상용 가능성을 입증했습니다. (43쪽)

트랜스포머의 가장 중요한 핵심은 ‘셀프 어텐션Self-Attention’이라는 메커니즘입니다. 이전까지 사용되던 순환 신경망RNN은 문장을 처음부터 끝까지 차례대로 읽으며 정보를 처리하기 때문에, 문장이 길어질수록 앞에서 읽었던 내용을 점점 잊어버리는 한계가 있었습니다. 긴 이야기를 들을 때 시간이 지날수록 앞부분의 내용을 잘 기억하지 못하는 현상과 비슷합니다.
하지만 트랜스포머는 이러한 문제를 완전히 새로운 방식으로 해결했습니다. 셀프 어텐션은 문장 속 모든 단어가 서로 어떻게 연결되어 있는지를 한 번에 파악하는 방식입니다. 쉽게 말해 문장 속 모든 단어 사이에 투명한 끈을 연결하고, 서로 관련된 정도에 따라 끈을 더 강하게 잡아당기거나 느슨하게 유지하는 것과 같습니다.
예를 들어 “나는 친구와 영화를 보고 집에 돌아왔다”라는 문장에서 ‘집에’라는 단어는 ‘돌아왔다’와 매우 밀접한 관련이 있습니다. RNN이 이 관계를 이해하려면 단어를 하나씩 차례로 읽으며 마지막 단어에 도달할 때까지 기다려야 하지만, 트랜스포머는 모든 단어를 동시에 분석해 ‘집에’와 ‘돌아왔다’가 서로 강하게 연결된 단어임을 한 번의 계산으로 파악합니다. (76쪽)

네이버 CLOVA AI 팀에서 인턴 생활을 시작했습니다. 제가 맡았던 주요 과제는 화상회의 앱에서 흔히 볼 수 있는 ‘배경 흐림 기능’처럼, 카메라 앱이나 영상통화에서 인물 뒤의 배경을 자동으로 흐리게 만드는 경량 CNN 모델을 개발하는 일이었습니다. 이 기술을 ‘인물 분할Portrait Segmentation(화면에서 사람과 배경을 정확히 구분하여 배경 부분을 흐리게 처리하는 기술)’이라고 합니다. 기존에는 고성능 GPU 서버에서만 가능했던 이 기술을 일반적인 노트북이나 스마트폰에서도 빠르고 안정적으로 실행할 수 있도록 만드는 것이 프로젝트의 핵심 목표였습니다. (91쪽)

우리가 스마트폰으로 찍은 사진을 확대해서 보면 작은 점들, 즉 픽셀pixel로 이루어져 있습니다. 한 장의 사 진은 수천 개, 수만 개의 픽셀로 구성된 데이터라고 할 수 있습니다. 소리나 글자도 마찬가지입니다. 사람의 목소리나 글씨 역시 컴퓨터의 눈에는 단지 숫자의 나열일 뿐입니다.
하지만 놀랍게도 이렇게 복잡해 보이는 데이터들에도 간단한 규칙이 숨어 있을 때가 많습니다. 고양이 사진을 생각해보겠습니다. 털의 색깔이나 자세, 표정은 모두 다르지만, 이사진들에는 ‘고양이다움’이라는 공통된 특징이 존재합니다.
컴퓨터의 입장에서는 수많은 고양이 사진들이 모두 같은 ‘고양이 세계’라는 하나의 공간 속에 모여 있다고 볼 수 있습니다. 즉, 겉모습은 다르더라도 본질적으로 같은 특성을 가진 데이터는 서로 가까운 공간에 모여 있다고 생각할 수 있습니다. 이렇게 복잡한 데이터가 더 작고 단순한 형태로 모여 있다고 보는 개념이 바로 ‘매니폴드manifold’입니다. (94쪽)

‘검색 결합 생성Retrieval-Augmented Generation, RAG’입니다. RAG의 기본 아이디어는 생각보다 단순합니다. 인공지능이 모든 지식을 미리 외우고 있을 필요는 없으며, 사용자의 질문이 들어오면 그때그때 필요한 정보를 빠르게 검색해 보고, 그 결과를 바탕으로 답을 만들어 내자는 것입니다. 말하자면 AI가 방대한 양의 정보를 다 암기하지 않아도, 필요한 자료를 즉시 찾아 참고해서 자연스럽고 근거 있는 답변을 할 수 있게 만든 방식입니다.
‘검색 결합 생성RAG’이라는 용어는 2020년 페이스북 AI 리서치팀(현 메타)이 처음 제안했습니다. 당시 발표된 논문에서는 대형 언어 모델LLM이 내부의 파라미터만으로 모든 지식을 “암기”할 필요 없이 외부의 문서를 검색해 결합하면 더 정확하고 출처까지 제시할 수 있다는 점을 처음으로 시연했 습니다. 이후 2024년부터는 마이크로소프트, 구글, 엔비디아 등 주요 기업들이 이 RAG 방식을 본격적으로 채택하면서, 인공지능이 생성한 정보에 대한 출처 신뢰성 문제까지 현실적으로 해결되기 시작했습니다. (146쪽)

인공지능과 대화를 주고받으며 빠르게 프로토타입을 만들어 내는 방식을 ‘바이브 코딩Vibe Coding’58이라고 부릅니다. 바이브 코딩이란 인공지능의 조언과 도움을 받아 그때그때 상황이나 분위기vibe에 따라 유연하고 빠르게 코딩을 진행하는 것을 의미합니다. 마치 밴드 멤버들이 사전에 정해진 악보 없이도 그 자리에서 서로의 분위기와 느낌을 맞추며 자연스럽게 즉흥 연주를 만들어 나가는 것과 비슷합니다.
기존의 프로그래밍이 엄격한 문법과 상세한 규칙을 정확히 지키는 연습이었다면, 바이브 코딩은 인공지능이라는 파트너와 가볍고 유연하게 대화하며 자연스럽게 아이디어를 실험하는 방식입니다. 이 방식을 쓰게 되면 개발자는 복잡한 문법이나 오류 해결에 매몰되지 않고, 전체적인 흐름과 아이
디어 자체에 더 집중할 수 있습니다. 그 결과 서비스의 초기 버전, 즉 ‘최소 기능 제품Minimum Viable Product, MVP’을 매우 짧은 시간 내에 만들어 실제 사용자의 피드백을 받을 수 있습니다. (183쪽)

인물정보

저자(글) 김태훈

서강대학교 가상융합전문대학원에서 조교수로 재직하며 인공지능을 가르치고 있다. 서강대학교에서 컴퓨터공학과 신문방송학을 복수 전공하며 기술과 미디어를 함께 공부했고, 이후 동 대학원 컴퓨터공학과 석박통합과정을 거쳐 박사 학위를 취득했다. 컴퓨터 비전과 멀티모달 AI를 중심으로 대규모 모델 학습과 추론 최적화, 실제 환경에서 작동하는 인공지능 시스템을 연구해 왔으며, 성능과 구조, 시스템 구현을 함께 고려하는 연구를 지속해 오고 있다.
네이버 CLOVA AI 에서 연구 인턴으로 근무하며 모바일 환경을 고려한 모델 최적화와 신경망 구조 탐색 연구를 수행했다. 이후 LG AI 연구원에서 책임 연구원으로 재직하며 대규모 멀티모달 모델과 비전 언어 모델 연구를 진행했고, 이미지와 언어를 양방향으로 연결하는 모델을 실제 서비스로 상용화하는 과정까지 경험했다. 이과정에서 모델 학습과 구조 설계뿐 아니라 추론 속도, 시스템 구성, 운영 환경까지 아우르며 연구와 제품 개발을 함께 수행해 왔다. CVPR와 ICCV 등 주요 국제 학회에서 여러 차례 워크숍을 주최하며, 멀티모달 모델의 평가와 활용을 둘러싼 논의를 학계와 산업 연구자들과 함께 이어오고 있다.
현재는 Multimodal Interactive Machine Intelligence Creation Laboratory, MIMIC Lab를 이끌며 멀티모달 AI와 인간 상호작용을 주제로 한 연구와 교육을 병행하고 있다. 시각, 언어, 음성, 행동 등 다양한 정보를 통합해 인간의 행동과 맥락을 이해하고 반응하는 인공지능 시스템을 주요 연구 대상으로 삼고 있으며, 학생들과 함께 새로운 형태의 AI를 설계하고 구현하는 연구 문화를 만들어 가고 있다.