방송대 인공지능 1강: 튜링 테스트와 AI의 주요 접근법
체스에서 이기고, 질문에 답하고, 그림을 만드는 시스템을 모두 같은 의미의 ‘지능’이라고 불러도 될까? 이 글은 인공지능을 과제·능력·범위·구현 방식·검증 책임의 다섯 축으로 분해하여 성과와 지능, 약한 AI와 AGI, 기호·통계·연결주의의 관계를 판별한다.
AI를 다섯 축으로 읽는 전체 지도
인공지능 사례를 평가할 때 가장 흔한 오류는 눈에 띄는 결과 하나로 시스템 전체를 판단하는 것이다. 바둑에서 사람을 이겼다고 해서 모든 지적 작업을 할 수 있는 것은 아니며, 문장을 자연스럽게 생성한다고 해서 모든 사실을 이해하거나 검증한 것도 아니다. 시스템의 이름보다 다음 다섯 축을 차례로 확인해야 한다.
| 분석 축 | 확인할 질문 | 판단 결과 |
|---|---|---|
| 과제 | 무엇을 입력받아 어떤 결과를 내는가? | 체스 수 선택, 질의응답, 영상 생성 등 |
| 능력 | 지식·예측·학습·인지·언어·창조 중 무엇을 쓰는가? | 성과를 만든 구체적 기능 |
| 범위 | 정해진 영역 밖의 새 과제로 능력을 옮길 수 있는가? | 약한 AI와 AGI의 구분 |
| 구현 방식 | 규칙, 확률·통계, 신경망 중 무엇으로 처리하는가? | 기호처리·통계·연결주의 또는 결합형 |
| 검증 책임 | 결과의 사실성·편향·설명·책임을 누가 확인하는가? | 출력을 사용할 조건과 한계 |
이 지도는 “AI인가 아닌가”를 한 번에 판정하는 체크리스트가 아니다. 하나의 시스템 안에서도 자연어 해석은 통계적 모델이, 규칙 검사는 기호처리 모듈이, 최종 판단은 사람이 맡을 수 있다. 각 축을 분리해야 서로 다른 기술과 책임을 억지로 하나의 능력으로 묶지 않는다.
판단 핵심: 높은 정답률은 과제 축의 성과다. 인간과 같은 범용성, 동일한 사고 방식, 안전한 사용 가능성은 각각 별도의 증거가 필요하다.
성과 사례를 능력 단위로 다시 해석한다
딥 블루, 왓슨, 알파고는 모두 인간과의 대결에서 주목받았지만 같은 문제를 푼 것이 아니다. 딥 블루는 체스 전용 보조프로세서가 장착된 병렬 슈퍼컴퓨터로 초당 약 2억 개의 행마를 검토할 수 있었고, 1997년 두 번째 대결에서 가리 카스파로프를 이겼다. 이는 명확한 규칙 아래에서 방대한 후보를 빠르게 평가하는 능력을 보여 준다.
IBM 왓슨은 2011년 퀴즈 쇼 Jeopardy!에서 두 명의 퀴즈 달인과 대결했다. DeepQA는 자연어를 처리하고 여러 가설을 만든 뒤, 증거에 점수를 매겨 가설을 병합하고 순위를 정했다. 2,880개의 POWER7 프로세서 스레드를 이용한 병렬 처리는 제한된 시간 안에 답을 선택하도록 도왔다. 이 사례에서는 언어 단서의 해석, 지식 검색과 증거 평가가 핵심이다.
알파고는 몬테카를로 트리 탐색과 딥러닝을 결합했고, 2016년 이세돌 9단과의 대국에서 4승 1패를 기록했다. 단일 버전과 분산 버전 모두 다수의 CPU·GPU를 사용했다. 이 성과는 탐색과 학습된 평가가 상호 보완할 수 있음을 보여 주지만, 바둑 능력이 의료·번역·일상 추론으로 자동 이전된다는 뜻은 아니다.
분해 활동: “사람을 이겼다”를 그대로 결론으로 쓰지 말고 ① 입력, ② 출력, ③ 사용한 지식·학습·탐색, ④ 적용 범위, ⑤ 실패 조건으로 다시 적어 보자. 같은 승리 사례라도 지능의 구성 요소가 달라진다.
튜링 테스트가 보여 주는 것과 남겨 두는 것
앨런 튜링은 “컴퓨터가 생각할 수 있는가?”라는 질문을 직접 정의하기보다, 대화에서 드러난 기계의 반응을 사람의 반응과 구별할 수 있는지를 묻는 튜링 테스트(Turing test)를 제안했다. 관찰 가능한 행동을 판단 기준으로 바꾸었다는 점이 중요하다.
테스트를 통과했다면 특정 대화 조건에서 인간과 비슷한 반응을 만들었다고 말할 수 있다. 그러나 내부 처리 과정이 인간의 사고와 같다는 결론, 모든 지적 과제를 수행한다는 결론, 답변이 항상 사실이라는 결론은 나오지 않는다. 행동의 유사성, 작동 방식의 동일성, 지식의 정확성과 적용 범위는 서로 다른 명제이기 때문이다.
| 주장 | 튜링 테스트 결과로 판단 가능한가? | 이유 |
|---|---|---|
| 대화 반응을 사람의 반응과 구별하기 어렵다. | 가능 | 테스트가 직접 관찰하는 행동 기준 |
| 기계가 인간과 같은 내부 사고 과정을 사용한다. | 불가능 | 내부 메커니즘을 직접 검사하지 않음 |
| 기계의 모든 답변이 사실이다. | 불가능 | 자연스러움과 사실성은 다른 평가 축 |
| 어떤 지적 작업에도 적응한다. | 불가능 | 특정 대화 성능만으로 범용성을 증명하지 못함 |
지능은 하나의 점수가 아니라 능력의 묶음이다
사전적 의미의 지능은 새로운 대상이나 어려운 상황을 이해하고 합리적인 적응 방법을 찾는 능력으로 설명할 수 있다. 강의는 문제해결, 학습, 지식 활용, 인지, 다양한 상황에 대한 적응을 지능의 구성 능력으로 제시한다. 지능적 시스템에는 여기에 데이터 분석과 예측, 자연어 이해와 표현, 창조, 감성지능 등이 요구될 수 있다.
문자 배열 변환은 숨은 규칙을 찾아 새 입력에 적용하는 능력을, 도형 순서 문제는 공간 변화의 패턴을 추론하는 능력을, MNIST 필기 숫자 인식은 서로 다른 모양에서 공통 특징을 찾아 범주화하는 능력을 요구한다. 셋 모두 정답을 내지만 필요한 표현과 추론은 같지 않다.
문제의 지능 요소를 찾는 세 단계
- 표현을 확인한다. 기호, 도형, 픽셀처럼 입력이 무엇으로 주어지는가?
- 변환을 확인한다. 규칙 적용, 패턴 추론, 확률적 분류 중 무엇이 필요한가?
- 일반화를 확인한다. 배운 지식이 처음 보는 입력에서도 작동해야 하는가?
이 세 단계는 지능을 “어렵고 신기한 일”로 정의하지 않고 실제 처리 능력으로 분해한다. 예컨대 손글씨 인식에서 훈련 이미지와 똑같은 그림만 맞힌다면 저장은 했지만 충분히 일반화했다고 보기 어렵다.
약한 AI와 AGI는 성능보다 적용 범위로 구분한다
약한 인공지능(weak AI) 또는 좁은 인공지능(narrow AI)은 특정 작업이나 한정된 범위의 작업을 수행하도록 설계된 시스템이다. 한 분야에서 인간보다 높은 성능을 보여도 다른 종류의 과제로 지식과 전략을 옮기지 못하면 적용 범위는 좁다.
인공 일반지능(Artificial General Intelligence, AGI)은 사람이 할 수 있는 폭넓은 지적 작업을 사람 수준 또는 그 이상으로 수행할 수 있는 능력을 뜻하며 강한 인공지능이라고도 한다. 핵심은 특정 과제의 최고 점수가 아니라 새로운 상황에서 여러 능력을 통합하고 전이하는 범용성이다.
판별 순서: ① 수행 과제의 종류를 센다. ② 훈련·설계 범위 밖의 새 과제에 적응하는지 본다. ③ 언어·인지·학습·문제해결을 통합하는지 확인한다. ④ 특정 과제의 높은 성능만으로 AGI라 결론 내리지 않는다.
경계 사례: 여러 서비스를 한 화면에서 제공하는 챗봇이라도 각 기능이 정해진 도구 호출에 의존하고 새로운 지적 과제로 능력을 스스로 전이하지 못한다면, 기능 수가 많다는 이유만으로 AGI가 되지는 않는다. 반대로 AGI는 단순히 “모든 프로그램을 한곳에 모은 제품”이 아니라 범용적으로 학습하고 적응하는 능력에 관한 개념이다.
생성형 AI는 생성 능력과 신뢰성을 따로 평가한다
생성형 인공지능(generative AI)은 대규모 데이터 집합에서 패턴과 구조를 학습하고 이를 일반화하여 새로운 데이터를 만든다. 챗봇은 텍스트를, 텍스트-이미지 모델은 이미지를, 텍스트-영상 모델은 영상을 생성한다. ChatGPT·Copilot·Gemini, DALL-E·Midjourney·Stable Diffusion, Sora·Runway는 강의에 제시된 형태별 사례다.
새로운 결과를 만든다는 사실과 그 결과가 정확하고 안전하다는 사실은 다르다. 훈련 데이터의 편향이 출력에 반영될 수 있고, 실제와 구별하기 어려운 거짓 정보나 딥페이크가 생성될 수 있다. 사실과 다르거나 비논리적인 내용을 그럴듯하게 만드는 환각, 잘못된 결과의 책임 소재, 생성 과정과 판단 근거의 설명 가능성도 별도로 검토해야 한다.
출력을 사용하기 전 네 번의 검문
- 사실 검문: 이름·수치·날짜·인용을 원자료와 대조한다.
- 편향 검문: 특정 집단이나 관점을 부당하게 일반화하지 않았는지 본다.
- 출처 검문: 학습된 듯한 문체가 실제 근거를 대신하지 않는지 확인한다.
- 책임 검문: 누가 최종 사용을 승인하고 오류를 수정할지 정한다.
매끄러운 답변이 틀릴 수 있다는 점은 생성형 AI가 아무 능력도 없다는 뜻이 아니다. 언어 생성 능력은 인정하되 사실성·안전성·책임을 독립된 평가 항목으로 두어야 한다는 뜻이다.
연구의 흐름은 지식·탐색·학습의 연결 방식이 바뀐 과정이다
1956년 다트머스 회의는 학습, 언어 사용, 추상화, 문제해결과 자기 개선을 기계로 구현할 수 있다는 연구 문제를 모았고, 이 무렵부터 ‘Artificial Intelligence’라는 용어가 사용되기 시작했다. 초기 연구에는 기호처리, 제한된 영역의 시스템, 연역·귀납 시스템뿐 아니라 퍼셉트론, ADALINE, 홉필드 네트워크 같은 초기 신경망도 포함되었다. 허버트 사이먼이 디지털 컴퓨터가 세계 체스 챔피언이 되고 기계가 사람이 하는 일을 수행할 것이라고 내다본 것은 당시의 높은 기대를 보여 준다.
허버트 사이먼 등은 1959년 여러 문제에 공통으로 적용할 일반문제풀이기(GPS)를 개발했다. 간단한 문제는 풀 수 있었지만 현실 문제에서는 중간 상태의 조합이 폭발적으로 늘어났다. “일반 절차를 넓게 적용한다”는 목표가 계산량과 지식 부족에 부딪힌 것이다.
이 한계는 특정 분야의 깊은 지식을 쓰는 전문가 시스템으로 관심을 옮겼다. DENDRAL은 질량 분석 데이터와 화학 지식을 이용해 미지의 유기 분자 식별을 보조했고, MYCIN은 감염 원인 세균과 항생제·투여량에 관한 조언을 제공했다. 범용성은 줄었지만 제한된 영역에서 문제해결의 실용성을 높였다.
| 연구 초점 | 핵심 자원 | 얻은 것 | 남은 한계 |
|---|---|---|---|
| 범용 문제풀이 | 일반 탐색 절차 | 문제 상태와 풀이 과정을 형식화 | 현실 문제의 조합 폭발 |
| 전문가 시스템 | 분야별 지식과 규칙 | 좁은 영역에서 설명 가능한 조언 | 지식 획득·갱신·범위 확장 부담 |
| 현대 학습 시스템 | 데이터, 모델, 계산 자원 | 복잡한 패턴을 사례에서 학습 | 편향·설명·신뢰와 데이터 의존성 |
전문가 시스템에서는 지식과 추론이 다른 부품이다
전문가 시스템은 전문가의 지식을 논리 규칙으로 표현하고 이를 바탕으로 특정 영역의 문제를 해결한다. 지식 베이스는 구조화된 규칙과 사실을 저장하고, 추론기관은 지식 베이스의 내용과 외부에서 들어온 사실을 어떤 순서로 조합할지 탐색한다. 지식을 체계화하고 축적하며 사용하는 방법을 연구하는 분야가 지식공학이다.
가상 장비 진단으로 보는 정보 이동
- 사용자가 “전원 표시등은 켜지지만 화면이 나오지 않는다”는 관찰 사실을 입력한다.
- 지식 베이스에서 전원·화면·케이블 상태에 관한 규칙을 찾는다.
- 추론기관이 입력 사실과 규칙의 조건을 대조해 가능한 원인을 좁힌다.
- 추가 확인이 필요하면 케이블 연결이나 외부 모니터 반응을 묻는다.
- 충족된 규칙과 예외를 근거로 제한된 진단 조언을 제시한다.
여기서 지식 베이스가 빠지면 추론할 전문 내용이 없고, 추론기관이 빠지면 규칙은 저장되어 있어도 현재 사실에 적용되지 않는다. 규칙을 많이 모으는 것만으로 충분하지 않으며, 충돌하는 규칙의 우선순위와 예외, 지식 갱신 방법도 필요하다. 이러한 문제의식은 지식 표현과 추론에 적합한 제5세대 언어(5GL), 인공지능용 컴퓨터를 지향한 FGCS 연구로도 이어졌다.
잘못된 접근: “화면이 안 나오면 부품 A를 교체한다”는 단일 규칙만 적용한다. 올바른 접근: 전원·연결·출력 장치에 관한 여러 사실을 확인하고, 성립하지 않는 조건과 예외를 제거한 뒤 결론의 범위를 제한한다.
기호·통계·연결주의는 지식을 표현하는 위치가 다르다
인공지능을 구현하는 방법은 하나가 아니다. 기호처리 인공지능(Symbolic AI)은 개념과 규칙을 명시적인 기호로 표현하고 조작한다. 물리적 기호 시스템이 일반적인 지능 행동에 필요한 수단을 갖는다는 가설은 GPS와 전문가 시스템 같은 초기 연구의 토대가 되었다.
확률·통계적 접근은 사실이나 규칙에 불확실성이 있거나, 데이터로 미래를 예측하고 객체를 분류할 때 사용한다. 회귀분석, 베이즈 분류기, 결정트리, 서포트 벡터 머신은 자연어 처리·머신러닝·패턴인식에 활용되는 대표 방법이다. 연결주의(connectionism)는 두뇌의 신경 체계에서 착안하여 뉴런 연결의 가중치에 패턴을 학습하며 인공 신경망과 딥러닝으로 이어진다.
| 접근 | 지식이 주로 드러나는 곳 | 잘 답하는 질문 | 주의점 |
|---|---|---|---|
| 기호처리 | 명시적 사실·규칙·기호 관계 | 어떤 규칙으로 결론에 왔는가? | 규칙 작성과 예외 관리 부담 |
| 확률·통계 | 변수 관계와 데이터 분포 | 관찰 아래 결과 가능성은 얼마인가? | 데이터와 가정에 따른 불확실성 |
| 연결주의 | 신경망의 연결 가중치 | 복잡한 입력에서 어떤 패턴을 찾는가? | 내부 근거의 해석이 어려울 수 있음 |
하나의 서비스에 세 접근을 배치해 보기
가상의 학사 지원 시스템이 수강 자격은 학칙 규칙으로 검사하고, 중도 포기 위험은 과거 데이터로 예측하며, 손글씨 신청서는 신경망으로 읽는다고 하자. 첫 기능은 기호처리, 둘째는 통계적 접근, 셋째는 연결주의가 중심이다. 서비스 이름 하나로 접근법을 단정하지 말고 기능별로 지식이 어디에 표현되는지 확인해야 한다.
학습은 경험 뒤에 행동이 달라지는 과정이다
머신러닝(machine learning)은 수집된 정보에서 문제풀이에 필요한 지식을 습득해 시스템 스스로 행동을 향상시키는 과정이다. 강의는 지식을 얻는 통로로 직접적인 지식 전달, 사례로부터의 귀납적 지식 형성, 외부의 긍정·부정 반응을 제시한다.
전문가가 진단 규칙을 직접 입력하면 지식 전달이 중심이다. 정답이 표시된 손글씨 사례에서 숫자 특징을 학습하면 귀납적 형성이 중심이다. 선택한 행동에 보상이나 불이익을 주고 이후 선택이 달라지게 하면 외부 반응을 이용한 학습으로 볼 수 있다. 실제 시스템은 이 통로들을 결합할 수 있다.
학습 판정: 데이터를 저장했는지만 보지 말고, 경험 전후의 판단 기준이나 행동 전략이 달라졌는지 확인한다. 고정 규칙을 같은 방식으로 반복 실행하는 것은 자동화일 수 있지만 그 자체로 학습은 아니다.
자가 점검: “매일 새 문서를 보관하지만 분류 규칙은 변하지 않는 시스템”과 “오분류 사례를 반영해 다음 문서의 분류 경계를 수정하는 시스템”을 비교해 보자. 전자는 저장량이 늘었고, 후자는 경험 때문에 행동이 개선되었다.
인공지능의 겨울과 부흥은 연결 요소의 실패와 회복이다
인공지능 연구는 1970년대 중·후반과 1990년대에 침체기를 겪었다. 일반 지능이 다룰 문제의 규모와 난도가 예상보다 컸고, 컴퓨터 성능과 결과물의 성능·유용성·유연성·경제성이 기대를 뒷받침하지 못했다. 초기 퍼셉트론이 XOR 같은 단순한 비선형 문제를 해결하지 못한다는 비판도 당시 신경망 모델의 제약을 드러냈다.
새로운 관심은 한 요소의 발명만으로 설명되지 않는다. 실용적인 딥러닝 모델과 머신러닝 기술이 발전했고, 웹·스마트폰·SNS를 통해 학습 데이터가 풍부해졌으며, GPGPU를 이용한 병렬 계산 능력이 크게 늘었다. 거대 언어 모델을 기반으로 한 자연어 처리의 발전도 이 세 조건의 결합 위에서 이해할 수 있다.
| 필요 조건 | 부족할 때 생기는 문제 | 충족될 때의 역할 |
|---|---|---|
| 학습 모델과 알고리즘 | 데이터가 있어도 유용한 패턴을 만들지 못함 | 복잡한 관계를 학습 가능한 형태로 구성 |
| 충분하고 적절한 데이터 | 모델이 일반화할 경험이 부족함 | 다양한 사례에서 패턴을 형성 |
| 계산 자원 | 큰 모델과 반복 학습을 실행하기 어려움 | 대규모 병렬 학습과 빠른 추론을 지원 |
세 요소 가운데 하나만 강조하면 인과관계를 잘못 읽게 된다. 계산 장치가 빨라도 학습할 데이터와 모델이 없으면 지능적 행동이 자동으로 생기지 않으며, 많은 데이터가 있어도 적절한 학습 방법과 계산 능력이 없으면 실용적인 결과를 만들기 어렵다.
인간 이해와 기계의 과제 확장은 목적이 다르다
계산심리학 관점은 사람과 같은 방식으로 행동하는 프로그램을 만들어 인간의 지능적 행동을 이해하려 한다. 프로그램은 인간 인지에 관한 가설을 시험하는 모형 역할을 한다. 기계지능 관점은 컴퓨터가 수행할 수 있는 영역을 사람이 담당하던 지적 작업까지 확장하려 한다. 실제 과제 수행 능력의 향상이 중심이다.
두 관점은 같은 프로그램을 보더라도 다른 질문을 던진다. 계산심리학은 “이 처리 과정이 인간의 사고를 잘 설명하는가?”를 묻고, 기계지능은 “이 시스템이 문제를 정확하고 효율적으로 해결하는가?”를 묻는다. 인간과 다른 방식으로 매우 높은 성능을 내는 시스템은 기계지능의 목표에는 부합할 수 있지만 인간 인지 모형으로는 부적합할 수 있다.
인공지능은 지능적 행동을 컴퓨터 관점에서 이해하고, 지능적 행동을 할 수 있는 인공물을 만드는 컴퓨터과학·컴퓨터공학의 분야다. 인간 지능의 설명과 유용한 인공물의 제작이라는 두 목적을 구분하면 접근법의 평가 기준도 선명해진다.
핵심 개념 정리
- AI 성과는 과제·능력·범위·구현 방식·검증 책임의 다섯 축으로 분해해 읽는다.
- 튜링 테스트는 대화 행동의 인간 유사성을 보지만 내부 사고, 사실성이나 범용성을 직접 증명하지 않는다.
- 약한 AI와 AGI는 단일 과제의 성능보다 새로운 과제로 능력을 전이하고 통합하는 범위로 구분한다.
- 전문가 시스템은 지식 베이스와 추론기관을 분리하며, 기호·통계·연결주의는 지식을 표현하는 위치와 처리 방식이 다르다.
- 현대 AI의 부흥은 모델·데이터·계산 자원의 결합으로 설명하고, 생성 결과는 사실성·편향·설명·책임을 별도로 검증한다.
새로운 AI를 평가할 때는 “어떤 과제에서 무엇을 잘했는가 → 필요한 지능 능력은 무엇인가 → 그 능력이 어디까지 전이되는가 → 규칙·통계·신경망 중 무엇이 작동하는가 → 결과의 정확성과 책임을 어떻게 검증할 것인가”의 순서로 설명하자. 이 순서가 화려한 성과와 실제 지능의 범위, 구현 기술과 안전한 사용 조건을 분리해 준다.
예상문제 10선
1. 튜링 테스트가 직접 판단하려는 대상으로 가장 적절한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
- ① 정답: 테스트는 관찰 가능한 대화 행동이 사람의 반응과 구별되는지를 기준으로 삼는다.
- ② 오답: 내부 의식이나 사고 과정의 동일성은 대화 결과만으로 직접 측정하지 않는다.
- ③ 오답: 특정 대화 조건의 판정이지 모든 지적 과제의 범용 성능 시험이 아니다.
- ④ 오답: 자연스러운 반응과 사실의 정확성은 별도로 검증해야 하는 평가 축이다.
2. 딥 블루의 성과를 가장 정확하게 해석한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
- ① 오답: 체스의 높은 성능은 특정 과제의 성과이며 범용지능을 뜻하지 않는다.
- ② 오답: 자연어 가설과 증거를 다룬 사례는 IBM 왓슨이다.
- ③ 정답: 딥 블루는 체스 전용 처리와 방대한 행마 검토 능력을 결합했다.
- ④ 오답: 트리 탐색과 딥러닝의 결합으로 바둑을 둔 시스템은 알파고다.
3. 알파고의 구성에 대한 설명으로 옳은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
- ① 오답: 의료 분야의 명시적 규칙은 MYCIN 같은 전문가 시스템과 관련된다.
- ② 오답: 튜링 테스트는 대화 행동의 판정 기준이지 바둑 수 선택 알고리즘이 아니다.
- ③ 오답: 강의는 단일 회귀모형이 아니라 탐색과 신경망 학습의 결합을 제시한다.
- ④ 정답: 알파고는 탐색과 학습된 신경망의 장점을 함께 활용했다.
4. 약한 AI와 AGI를 구분하는 가장 중요한 기준은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
- ① 오답: 한 과제의 최고 정확도는 좁은 영역의 성과이며 다른 과제로 전이되는 범위를 보여 주지 않는다.
- ② 정답: AGI의 핵심은 여러 지적 과제에 적응하고 능력을 전이하는 범위다.
- ③ 오답: 한 과제에서 사람을 이긴 좁은 AI도 많으므로 승리만으로 구분할 수 없다.
- ④ 오답: 자연스러운 대화 성능도 특정 기능의 성과일 수 있어 여러 과제를 통합하는 범용성을 단독으로 입증하지 못한다.
5. DENDRAL과 MYCIN이 보여 준 연구 방향의 변화는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ④
- ① 오답: 두 시스템의 핵심은 분야 지식을 적극적으로 활용한 데 있다.
- ② 오답: 범용 절차의 한계 뒤에 좁은 영역의 전문지식으로 초점이 이동했다.
- ③ 오답: 대화 유사성은 튜링 테스트의 기준이며 전문가 시스템의 핵심 평가 방식이 아니다.
- ④ 정답: DENDRAL은 화학, MYCIN은 감염 진단 관련 지식을 문제풀이에 사용했다.
6. 전문가 시스템의 지식 베이스와 추론기관의 관계로 옳은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
- ① 오답: 분야 규칙과 전문지식은 지식 베이스에 두고, 추론기관은 현재 입력과 저장된 지식을 결합해 결론을 도출한다.
- ② 오답: 규칙 저장과 현재 사실에 대한 적용 역할을 서로 뒤바꿔 설명했다.
- ③ 정답: 저장된 전문지식과 이를 적용하는 탐색·추론 기능이 분리된다.
- ④ 오답: 지식이 없으면 추론할 내용이 없고 추론이 없으면 저장된 규칙을 문제에 적용하지 못한다.
7. 연결주의 접근의 특징으로 가장 적절한 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
- ① 오답: 사람이 읽을 수 있는 규칙을 직접 작성하는 방식은 기호처리에 더 가깝다.
- ② 정답: 연결주의는 뉴런 연결 구조와 가중치 학습으로 내부 표현을 형성한다.
- ③ 오답: 사람과 기계의 대화 반응을 판별하는 것은 튜링 테스트다.
- ④ 오답: 연결주의의 핵심은 데이터 경험을 통해 가중치가 변하는 학습에 있다.
8. 인공지능의 겨울을 설명하는 원인으로 적절하지 않은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ②
- ① 오답: 현실 지능 문제의 복잡성이 초기 예상보다 컸다는 점은 침체 원인이다.
- ② 정답: 실제로는 성능과 실용성·경제성이 기대를 뒷받침하지 못했으므로 반대 설명이다.
- ③ 오답: 제한된 계산 능력은 큰 탐색과 학습 모델의 실행을 어렵게 했다.
- ④ 오답: XOR를 처리하지 못한 초기 퍼셉트론 같은 모델 제약도 기대를 낮춘 요인이다.
9. 현대 인공지능의 부흥 조건을 가장 온전히 묶은 것은?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ③
- ① 오답: 빠른 계산만으로 학습할 모델과 적절한 데이터가 자동으로 생기지는 않는다.
- ② 오답: 웹·스마트폰·SNS 등은 오히려 학습 가능한 데이터의 증가에 기여했다.
- ③ 정답: 모델·데이터·GPGPU 등의 계산 자원이 함께 발전해 실용적 응용을 확장했다.
- ④ 오답: 부흥은 지식의 전면 삭제가 아니라 여러 학습·표현 방식과 자원의 발전으로 설명한다.
10. 새로운 AI 시스템을 평가하는 가장 적절한 순서는?
정답입니다.
오답입니다. 답안을 다시 선택해 보세요.
정답 및 해설 보기
정답: ①
- ① 정답: 성과와 범용성, 구현 기술과 안전한 사용 조건을 차례로 분리해 평가한다.
- ② 오답: 제품의 인지도와 결과의 사실성은 무관하며 적용 범위를 반드시 확인해야 한다.
- ③ 오답: 특정 과제의 승리는 좁은 AI에서도 가능하므로 AGI의 충분한 증거가 아니다.
- ④ 오답: 출력 길이는 신뢰성을 보장하지 않으며 최종 사용과 오류 수정의 책임 주체가 필요하다.
참고 자료와 작성 기준
이 글은 해당 차시 강의자료를 바탕으로 학습 목적에 맞게 재구성한 비공식 학습자료입니다. 개념 관계, 사례 분석, 판단 절차와 선택지별 문제 해설은 학습자의 이해를 돕도록 새로 구성하고 검토했습니다.
- 작성·편집: 올에이클래스 학습연구팀
- 주요 근거: 한국방송통신대학교 컴퓨터과학과, 「인공지능」 1강 ‘인공지능의 개요’ 강의자료(2025년 제작 자료)
- 보충 자료: 별도의 외부 자료를 본문 근거로 사용하지 않았습니다.
- 편집 원칙: 올에이클래스 편집 정책
- 최종 내용 검토: 2026-08-17
댓글
댓글 쓰기