(1) 인공지능의 탄생  (1943  년  ~1956  년  )   

1943  년에 수행한 워렌 맥클록과 월터 피츠의 연구가 세계 최초로  AI  분야로 인정받았다  .  맥클록과 월터 피츠는 인공 신경망  (artificial neural network)  모델을 제안했다  .  인공 신경망에서 각 뉴런  (neuron)  은  on  과  off  의  2  진 상태에 있다고 가정했다  .  인공 신경망 모델은 실험실에서 뇌를 모델링 하기 위한 이론적이고 실험적인 연구를 촉진시켰다  .  그러나 실험은 뉴런의  2  진 모델이 올바르지 않음을 명백히 증명했다  . 

 사실 뉴런은 고도로 비선형적인 특징이 있어서 단순한  2  진 상태 장치라고 할 수는 없다  .  그럼에도 불구하고 튜링의 뒤를 이은  AI  의 창시자인 맥클록은 신경 계산과 인공 신경망  (ANN : Artificial Neural Network)  의 초석을 마련했다  . 

 AI  의 또 다른 창시자로 헝가리 수학자인 존 폰노이만이 있었다  .  그는 튜링의 동료이자 친구였으며 맥클록과 피츠의 신경망 모델에 영향을 받았다  .  폰노이만은 프린스턴 대학교 수학과 대학원생이었던 마빈 민스키와 딘 에드먼즈가  1951  년에 신경망 컴퓨터를 처음 만들었을 때 그들을 격려하고 지원했다  . 

프린스턴 대학교의 또 다른  AI  의 창시자인 존 맥카시는 그가 일했던  Dartmouth  대학교에서 여름 워크숍을 조직했다  . 

 1956  년에 그들은 기계 지능  ,  인공신경망  ,  오토마타 이론에 관심 있는 연구자들을 끌어모았다  .  이 워크숍은  IBM  이 후원했다  .  모인 사람은 열 명밖에 안되었지만 이 워크숍에서 인공지능이라는 새로운 과학 분야가 탄생했다  . Dartmouth(  다트머스  )  워크숍에 참가한 연구자와 그들의 제자들은 이후  20  여 년간  AI  연구를 주도했다  . 

(2) 인공지능의 융성  (1956  년  ~1960  년대 후반  )   
 
Dartmouth(  다트머스  )  워크숍을 조직한 사람 중 한 사람으로  , ‘AI’  라는 용어를 만든 존 맥카시는 인공지능 프로그램을 위한  LISP  고급언어를 만들어냈다  .  맥카시는 단순 공리에 기초한  ‘  전문가 의견 청구자  ’  라는 프로그램으로 공항에 가는 계획을 생성하는 방법을 보여주었다  .  이 프로그램은 다시 작성하지 않고도 다른 분야에서 새로운 지식을 사용할 수 있도록 설계했다는 점이 핵심이다  .  따라서 이  ‘  전문가 의견 청구자  ’  프로그램은 지식 표현 및 추론 중심의 원칙을 통합한 첫 번째 완전한 지식 기반 시스템이다  .  다트머스 워크숍을 조직한 또 다른 인물인 민스키는  ‘  프레임  (frame)’  이라는 이론을 개발하여 지식 공학에 많은 공헌을 했다  . 

 카네기멜론 대학교의 앨런 뉴웰과 허버트 사이먼은 인간의 문제해결 방식을 모방한 범용 프로그램인  GPS(General Problem Solver)  를 개발했다  .  뉴웰과 사이먼은 해결해야 할 문제를 상태  (states)  라는 용어로 정의했다  .  방법  -  결과 분석  (means-ends analysis)  은 현재 상태와 원하는 상태  ,  즉 목적 상태 간의 차이를 정하고  ,  목적 상태에 도달하기 위한 연산자  (operators)  를 선택하고 적용한다  .  현재 상태에서 목적 상태로 바로 갈 수 없다면 목적에 가까운 새로운 상태로 변경하고  ,  목적 상태에 도달할 때까지 이런 절차를 반복한다  .  연산자의 집합이 해결 방식을 결정한 것이다  . 

 그러나  GPS  는 현실 세계 문제를 푸는 데 필요한 시간과 메모리의 양 때문에 진행이 중단되었다  . 1960  년대에  AI  연구자들은 광범위한 문제를 풀기 위한 일반 방법  (general methods)  을 만들어서 복잡한 사고 과정을 모의하려 했다  .  연구자들은 문제의 해를 찾기 위해 범용 탐색 메커니즘  ,  즉 약한 방법  (weak methods)  이라고 하는 접근 방식은 문제 영역에 적합하지 않은 정보를 사용했고  ,  이는 개발한 프로그램의 성능을 저하시켰다  . 

 그러나 지식 표현  ,  학습 알고리즘  ,  신경 컴퓨팅  ,  단어 계산 등과 같은 새로운  AI  아이디어가 쏟아져 나왔고  ,  당시에는 컴퓨터 성능이 제한되어 이와 같은 아이디어를 구현할 수 없었지만  , 20  년 후에는 실생활에 응용할 수 있게 되었다  . 

(3) 실세계 문제 대응 실패  (1960  년대 후반  ~1970  년대 초반  )   
 
1970  년대에 이르러서 몇몇  AI  프로그램이 현실 문제를 간단하게 만든 장난감 문제 한두 개에서 일정 수준의 기계 지능을 보여줬다  .  그러나 거의 대부분의  AI  프로젝트는 작업의 범위를 넓히거나 더 어려운 실세계 문제를 다루지 못했다  . 

 해를 발견할 때까지 작은 단계들을 여러 조합으로 만들어보는  ‘  탐색 전략  ’  은  ‘  장난감 문제  ’  에서는 잘 작동되었다  .  그래서  ‘  큰 문제를 풀 수 있을 정도로 프로그램의 규모를 키울 수 있으면 잘 동작할 것  ’  이라는 생각은 꽤 합리적인 것처럼 보였지만 이런 접근법은 잘못되었다  .  쉬운 문제는 문제 해결 시간이 다항식으로 증가하지만  ,  다룰 수 없는 복잡한 문제에서는 필요 시간이 기하급수적으로 증가하기 때문에 비효율적이었던 것이다  . 

 AI  로 해결하려고 한 많은 문제는 범위가 넓고 풀기도 어려웠다  .  초기  AI  작업은 대개 기계 번역이었다  .  초기의 기계 번역에서는 전자사전을 이용하여 단순히 단어를 바꾸려고 했지만  ,  올바른 단어를 선택하려면 주제를 먼저 이해해야 한다는 사실을 알게 되었다  .  그러나 이는 너무 어려운 과정이었고  ,  결국  1966  년에 미국 정부의 지원을 받았던 모든 번역 프로젝트는 취소되고 말았다  . 1971  년에 영국 정부도  AI  연구에 대한 지원을 중단했다  . AI  연구자들이 추운 겨울 시기를 맞이했던 것이다  . 

(4) 전문가 시스템의 등장  (1970  년대 초반  ~1980  년대 중반  )   
 
1970  년대에 가장 중요한  AI  발전은 지능형 기계에 대한 문제 영역을 충분히 제한해야 한다는 사실을 깨달았다는 것이다  .  종전에는 문제 해결을 위해 약한 방법을 적용했지만  ,  전문지식이 필요한 전형적인 영역으로 문제를 제한하고 큰 추론 단계로 해결해야 실용적인 결과를 얻을 수 있다는 것을 깨달은 것이다  . 

 전문가 시스템  (expert systems)  은 특정 분야의 전문가의 의견을 컴퓨터 프로그램에 추가하여 그 프로그램을 인간 전문가 수준으로 만드는 것을 목표로 했다  .  화학 제품을 분석하기 위한  DENDRAL  프로그램은 인간 전문가에게서 이끌어낸 양질의 특수 규칙 형태로 휴리스틱을 사용하여 컴퓨터가 제한된 문제 영역에서 화학 전문가와 같을 수 있음을 보였다  . 1972  년에 시작한 의학 진단 프로그램인  MYCIN  은 관련 분야에서 인간 전문가와 동일한 수준으로 수행할 수 있었고  ,  경험이 부족한 의사보다 오히려 수준이 높았다  . 

 1986  년의 한 조사서에서는 화학  ,  전자공학  ,  공학  ,  지리학  ,  경영  ,  의학  ,  공정 제어  ,  군사 과학 등의 서로 다른 분야에서 전문가 시스템을 성공적으로 응용했던 사례를 많이 담았다  .  이들 중에서 대부분의 응용 사례는 의학 진단 분야였다  . 

 그러나 전문가 시스템은 아래와 같은 난관에 부딪혔다  . 

 .  전문가 시스템의 사용은 매우 한정된 전문적 기술 분야로 제한된다  .  환자가 한 가지 이상의 병에 걸리면  MYCIN  은 믿을 수 없게 된다  . 

 .  전문가 시스템은 제한적으로만 설명할 수 있다  .  해에 도달하기 위해 적용했던 일련의 규칙을 보여줄 수는 있지만  ,  누적된 휴리스틱 지식을 사용하여 문제 영역을 더 자세히 이해하게 할 수는 없다  . 

 .  전문가 시스템은 자신의 경험을 통해 배울 수 있는 능력  ,  즉 기계 학습 능력이 없었다  .  전문가 시스템은 개별적으로 구축되고  ,  개발 속도도 느리다  . 

(5) 신경망의 재등장  (1980  년대 중반  ~)   
 
1980  년대 중반의 연구자  ,  공학자  ,  전문가 등은 전문가 시스템을 만들기 위해서는 추론 시스템 혹은 전문가 시스템 틀을 구입해서 그 안에 규칙을 넣은 것보다 훨씬 더 많은 작업을 해야 한다는 사실을 알게 되었다  .  전문가 시스템 기술에 대한 환멸을 느낀  AI  연구자들은 새로운 시각으로 신경망을 보기로 했다  . 1960  년대 후반까지 신경 컴퓨팅에 필요한 대부분의 기본 아이디어와 개념은 이미 공식화되었지만 이렇게 늦어진 주된 이유는 강력한 워크스테이션이 없었기 때문이었다  .  더욱이 민스키와 패퍼트는 단층 퍼셉트론의 계산 한계를 수학적으로 입증했다  .  그들은 또한 훨씬 복잡한 다층 퍼셉트론이 더 많은 것을 표현하리라 기대할 이유도 없다고 말했다  .  이러한 이유로  AI  연구자 대부분이  1970  년대에 인공 신경망 분야를 떠났다  . 

 신경망 분야는  1980  년대에 컴퓨터 기술이 발전하고  ,  신경 과학이 진보하면서 뇌 같은 정보처리 과정이 필요하여 드라마같이 부활했다  .  신경망은 인간의 뇌 동작을 모델 한 것이다  .  뇌 속의 뉴런은 주변의 뉴런들로부터 받은 정보를 처리하고 처리 결과를 주변의 뉴런들에게 시냅스를 통해 전달한다  .  뉴런으로부터 출력되는 각각의 정보 값은 자신의 가중치를 가진다  .  앞 단계의 뉴런이 가지고 있는 정보 값에 가중치를 곱하여 이들 전체를 합한 값이 하나의 뉴런 입력 값이 된다  .  이 입력 값이 일정한 임계치를 넘으면 뉴런이 발화되어 다음 단계의 출력으로 이어지는 것이다  . 

 초기의 신경망은  3  계층  ,  즉 입력층  ,  은닉층  ,  출력층 등으로 구성되었으나 보다 깊게 층을 만듦으로써 획기적으로 성능을 개선한  AI  가 바로 딥러닝  (Deep Learning)  이다  .  신경망을 근간으로 한  AI  는 딥러닝이 등장하면서 인간의 수준을 넘어서는 컴퓨터도 만들 수 있을 것이라는 희망을 가지고 있다  .  이러한 싱귤래리티  (singularity)  가 올 것인지 아니면 오기 힘들 것인지에 관해 연구자들 사이에 의견이 분분하다  .