1. 서론: AI 거장이 바라본 역사의 이면
이 리포트는 세계적인 AI 석학 헨리 카우츠(Henry Kautz) 교수가 2020년 2월 10일, 제34회 AAAI 인공지능 학회에서 진행한 '로버트 S. 엔젤모어 기념 강연'의 핵심 내용을 분석한 것입니다.
Kautz, Henry. "The third AI summer: AAAI Robert S. Engelmore Memorial Lecture." AI Magazine 43.1 (2022): 105-125.
발표자인 헨리 카우츠는 로체스터 대학교 컴퓨터과학과 교수이자 전 미국 국립과학재단(NSF) 정보 및 지능 시스템 부서장으로, 2010년 AAAI 회장을 역임한 바 있습니다.
1989년 'IJCAI Computers & Thought Award'부터 2018년 'ACM-AAAI 앨런 뉴웰 상'까지 수상하며 수십 년간 AI의 최전선에서 연구해 온 그는, 이번 강연을 통해 단순한 기술 트렌드를 넘어 'AI 역사의 주기적 패턴'과 '미래의 통합적 AI(Neuro-Symbolic AI)'에 대한 깊은 통찰을 제시했습니다.
2. AI 역사관의 재정립: '만화적 역사'를 넘어
카우츠 교수는 대중에게 널리 퍼진 AI 역사의 통념을 <톰과 제리>에 비유하며 비판적으로 고찰합니다. 흔히 AI의 역사는 초기 상징주의(Symbolic AI, 톰)가 우세했다가, AI의 겨울을 거쳐 거대해진 신경망(Neural Networks, 제리)이 상징주의를 완전히 제압하는 대결 구도로 묘사됩니다.
카우츠의 핵심 주장: AI의 역사를 단순한 승패가 아닌, 서로 다른 아이디어들이 얽히고설키며 발전해 온 과정으로 보아야 하며, '겨울(Winter)'이라 불린 시기에도 과학적 진보는 멈추지 않고 지속되었다.
통합의 사례: 알파고(AlphaGo)
단순한 대결 구도가 틀렸음을 보여주는 대표적인 사례는 2016년의 알파고입니다. 대중은 이를 딥러닝(신경망)의 승리로 기억하지만, 기술적으로 알파고는 딥러닝에 고전적인 상징주의 탐색 알고리즘인 '몬테카를로 트리 탐색(Monte-Carlo Tree Search)'을 결합한 하이브리드 시스템이었습니다. 이는 과거의 유산과 현대의 혁신이 결합하여 성과를 낸 결정적 증거입니다.
3. 세 번의 여름과 겨울 (Cyclical History)
카우츠는 AI의 발전을 세 번의 '여름(성장과 열광)'과 그 뒤를 잇는 '겨울(침체)'의 순환으로 구분합니다.
첫 번째 여름: 비이성적 열광 (1948–1966)
태동: 신경망의 초기 형태(Grey Walter의 로봇 거북이)와 논리 기반 AI(Logic Theorist)가 동시에 등장했습니다.
성과: 인간의 추론이 의미(Meaning)가 아닌 구문(Syntax)의 형태를 통해 기계적으로 수행될 수 있다는 통찰을 얻었으며, '휴리스틱 탐색(A* 알고리즘 등)'이 개발되었습니다.
겨울의 도래: 기계 번역과 자율 주행 탱크 등 과장된 목표들이 달성되지 못하자 지원이 중단되며 첫 번째 겨울이 찾아왔습니다.
두 번째 여름: "지식은 힘이다" (1968–1987)
전환: 상식(Commonsense) 추론에서 특정 영역의 전문가 지식(Expert Knowledge)으로 초점이 이동했습니다.
성과: 인간 전문가의 경험을 규칙(Rule)으로 코딩한 '전문가 시스템(Expert Systems)'이 상업적으로 성공을 거두었습니다(예: DEC의 XCON).
겨울의 도래: 방대한 규칙 유지 보수 비용, 확률적 추론 능력 부재, 지식 습득의 병목현상 등이 한계로 드러나며 두 번째 겨울을 맞이했습니다.
세 번째 여름: 딥러닝 (2012–현재)
촉발: 2012년 이미지 인식 대회에서의 AlexNet 등장과 2016년 알파고의 승리로 시작되었습니다.
핵심 혁신: AI가 스스로 데이터에서 계층적 표현(Hierarchical Representation)을 학습하게 되었으며, 모든 개념을 벡터(Vector)로 변환하여 유사성(Similarity)을 계산하고 추론하는 능력을 갖추게 되었습니다.
4. AI 겨울의 재평가: 침체기 속의 혁신
카우츠 교수는 '겨울(Winter)'이라 불린 시기가 죽음의 시간이 아니라 "사색과 통합의 시간(Times of contemplation and integration)"이었음을 강조합니다. 대중의 관심이 사라진 그늘에서 과학적 진보는 멈추지 않고 계속되었습니다.
- 확률적 추론의 정립: 1988년 주디아 펄(Judea Pearl)이 '베이지안 네트워크'를 제안. 겨울 동안 이루어진 이론적 쾌거였습니다.
- 머신러닝의 도약: 딥러닝이 부활하기 전까지, 서포트 벡터 머신(SVM) 등이 개발되어 데이터 분석의 강력한 도구로 자리 잡았습니다.
- 통계적 관계 추론: 논리학의 명확함과 확률 이론의 유연함을 결합하려는 시도가 꾸준히 이어지며 훗날의 통합을 준비했습니다.
5. 미래 전망: 뉴로-심볼릭 AI로의 통합
카우츠 교수는 현재의 딥러닝 붐 이후 또 다른 겨울이 올 것인가에 대해 "세 번째 겨울은 오지 않을 것"이라고 조심스럽게 예측합니다. AI 기술이 이미 실용적인 문제를 해결할 수준에 도달했기 때문입니다. 대신 그는 AI가 다음 단계인 '신경망과 상징주의의 통합(Neuro-Symbolic Reasoning)'으로 진화할 것이라고 전망합니다.
1 시스템 1: 딥러닝
- ⚡ 빠른 직관적 판단
- 🎯 패턴 인식에 탁월
- 📊 대량 데이터 학습
- 🔮 확률적 예측
2 시스템 2: 상징적 추론
- 🧠 논리적 심층 사고
- 📐 규칙 기반 추론
- ✅ 설명 가능한 결과
- 🔗 인과 관계 파악
🔄 Neuro[Symbolic] 아키텍처
카우츠가 제안하는 미래 모델은 신경망(System 1)이 전체적인 상황을 판단하되, 복잡한 논리적 해결이 필요할 때 상징적 추론 엔진(System 2)을 서브루틴처럼 호출하여 사용하는 구조입니다. 이 결합을 통해 AI는 직관과 논리 모두를 갖춘 진정한 지능으로 진화할 수 있습니다.
6. 결론
헨리 카우츠는 AI의 역사를 단순한 기술 패권의 대결이 아닌, 상호 보완적인 아이디어들이 발전해 온 '거대한 융합의 과정'으로 재해석했습니다.
"더 이상의 AI 겨울은 오지 않는다"
딥러닝의 '직관(System 1)'과 심볼릭 AI의 '논리적 추론(System 2)'이 결합될 때
비로소 AI는 현재의 한계를 넘어설 수 있습니다.
결국 그는 이 두 세계의 결합이 차세대 AI의 핵심 경쟁력이 될 것임을 시사하며 강연을 마쳤습니다. 이는 페블러스가 추구하는 뉴로-심볼릭 접근법과 정확히 일치합니다.
7. 페블러스의 뉴로-심볼릭 전략
페블러스 '데이터 그린하우스'는 다양한 산업 AI가 구동되는 '자율형 데이터 운영체제(Agentic Data OS)'이며, '페블로심(PebbloSim)'은 고품질 멀티모달 데이터를 시뮬레이션 기반으로 생산하는 '피지컬 AI 전략 애플리케이션'입니다.
두 솔루션은 뉴로-심볼릭 기술로 긴밀히 연동됩니다. '진단(Neuro)의 직관'과 '생성(Symbolic)의 논리'를 결합하여, 물리적 할루시네이션이 없는 합성데이터를 생성하고 이를 통해 현실 데이터의 공백을 스스로 매웁니다.