---
title: "[AI 101 시리즈 ①] AI 초보자 필독! 인공지능의 정의부터 역사까지 – 튜링부터 ChatGPT까지의 70년 여정"
id: "2515"
type: "post"
slug: "ai-101-history-turing-chatgpt"
published_at: "2025-12-01T13:22:04+00:00"
modified_at: "2025-12-12T02:47:35+00:00"
url: "https://dworld.deios.kr/ai-101-history-turing-chatgpt/"
markdown_url: "https://dworld.deios.kr/ai-101-history-turing-chatgpt.md"
excerpt: "AI의 70년 역사를 한눈에 정리했습니다. 튜링 테스트부터 ChatGPT까지, AI가 불가능을 가능으로 만든 여정을 알아보세요. AI 입문자를 위한 완벽한 가이드입니다."
taxonomy_category:
  - "AI"
  - "AI 101"
taxonomy_post_tag:
  - "AI 교육"
  - "AI 역사"
  - "AI 입문"
  - "BERT"
  - "ChatGPT"
  - "GPT"
  - "Transformer"
  - "기술 블로그"
  - "딥러닝"
  - "머신러닝"
  - "인공지능"
  - "튜링 테스트"
---

## 핵심 한 문장

“인공지능은 지난 70년 동안 불가능의 영역을 계속 깨왔고, 지금 ChatGPT가 깬 경계는 인류가 ‘똑똑함’이라고 믿었던 마지막 보루입니다.”

## 들어가며: “당신은 지금 AI와 대화하고 있습니다”

마지막으로 검색창에 무언가를 입력한 게 언제인가요? 아마 며칠 전이죠. 그사이 당신의 휴대폰은 몇십 개의 AI 모델을 돌렸습니다. 얼굴 인식으로 락을 풀고, 타이핑 중 다음 글자를 예측받고, 음성 검색을 했다면 그건 AI가 당신의 목소리를 이해한 거예요.

“AI가 너무 일상화되어서, 이제 우리는 AI를 쓰고 있다는 걸 잊고 있습니다.”

하지만 정확히 **AI가 무엇인지**, **언제부터 시작되었는지**, **어떻게 이렇게까지 똑똑해졌는지**를 아는 사람은 놀랍도록 적어요. 마치 스마트폰을 쓰면서 전자기학을 모르는 것처럼요.

이 글은 당신이 AI의 완전한 “큰 그림”을 얻을 수 있도록 설계되었습니다. 개념부터 역사, 현재, 미래까지—마치 시간 여행을 하듯이요.

## 📍 목차

1. [AI, ML, 딥러닝—도대체 뭐가 다른가?](/#ai-ml-%EB%94%A5%EB%9F%AC%EB%8B%9D-%EB%8F%84%EB%8C%80%EC%B2%B4-%EB%AD%90%EA%B0%80-%EB%8B%A4%EB%A5%B8%EA%B0%80)
2. [1950년대: “기계도 생각할 수 있을까?”—튜링 테스트의 탄생](/#1950%EB%85%84%EB%8C%80-%EA%B8%B0%EA%B3%84%EB%8F%84-%EC%83%9D%EA%B0%81%ED%95%A0-%EC%88%98-%EC%9E%88%EC%9D%84%EA%B9%8C-%ED%8A%9C%EB%A7%81-%ED%85%8C%EC%8A%A4%ED%8A%B8%EC%9D%98-%ED%83%84%EC%83%9D)
3. [1956~1974년: AI의 봄—꿈과 현실](/#1956-1974%EB%85%84-ai%EC%9D%98-%EB%B4%84-%EA%BF%88%EA%B3%BC-%ED%98%84%EC%8B%A4)
4. [1974~1980년대: AI의 겨울—환상이 깨진 시대](/#1974-1980%EB%85%84%EB%8C%80-ai%EC%9D%98-%EA%B2%A8%EC%9A%B8-%ED%99%98%EC%83%81%EC%9D%B4-%EA%B9%A8%EC%A7%84-%EC%8B%9C%EB%8C%80)
5. [1980~2000년대: 겨울에서 깨어나기—전문가 시스템부터 빅데이터까지](/#1980-2000%EB%85%84%EB%8C%80-%EA%B2%A8%EC%9A%B8%EC%97%90%EC%84%9C-%EA%B9%A8%EC%96%B4%EB%82%98%EA%B8%B0-%EC%A0%84%EB%AC%B8%EA%B0%80-%EC%8B%9C%EC%8A%A4%ED%85%9C%EB%B6%80%ED%84%B0-%EB%B9%85%EB%8D%B0%EC%9D%B4%ED%84%B0%EA%B9%8C%EC%A7%80)
6. [2012년: 딥러닝의 폭발—AlexNet이 던진 돌의 파문](/#2012%EB%85%84-%EB%94%A5%EB%9F%AC%EB%8B%9D%EC%9D%98-%ED%8F%AD%EB%B0%9C-alexnet%EC%9D%B4-%EB%8D%98%EC%A7%84-%EB%8F%8C%EC%9D%98-%ED%8C%8C%EB%AC%B8)
7. [2017~2023년: AI 르네상스—Transformer부터 ChatGPT까지](/#2017-2023%EB%85%84-ai-%EB%A5%B4%EB%84%A4%EC%83%81%EC%8A%A4-transformer%EB%B6%80%ED%84%B0-chatgpt%EA%B9%8C%EC%A7%80)
8. [결론: 우리는 역사의 어느 지점에 있는가?](/#%EA%B2%B0%EB%A1%A0-%EC%9A%B0%EB%A6%AC%EB%8A%94-%EC%97%AD%EC%82%AC%EC%9D%98-%EC%96%B4%EB%8A%90-%EC%A7%80%EC%A0%90%EC%97%90-%EC%9E%88%EB%8A%94%EA%B0%80)

## AI, ML, 딥러닝—도대체 뭐가 다른가?

먼저 헷갈리는 세 개의 용어부터 정리합시다.

**AI(Artificial Intelligence, 인공지능)**는 가장 넓은 개념입니다. “사람처럼 생각하는 기계”라는 뜻이죠. 체스를 두는 프로그램도 AI고, 당신이 지금 보는 유튜브 추천도 AI입니다. 규칙 기반의 단순한 프로그램부터 ChatGPT까지 전부 AI의 범주에 들어가요.

**머신러닝(Machine Learning, ML)**은 AI의 부분집합입니다. “명시적으로 프로그래밍하지 않고, 데이터로부터 학습하는 AI”라는 뜻이에요. 예를 들어, 당신이 스팸 메일을 “스팸”이라고 표시할 때마다, 메일 필터는 “아, 이런 특징을 가진 메일이 스팸이구나”라고 **학습**합니다. 이게 머신러닝입니다.

**딥러닝(Deep Learning)**은 머신러닝의 부분집합입니다. “신경망(Neural Network)이라는 특수한 구조로 여러 겹의 층(layer)을 쌓아서 학습하는 머신러닝”이죠. 인간의 뇌 구조에서 영감을 받았기 때문에 “깊다(deep)”고 표현해요.

**구체적인 예시로 이해해 봅시다:**

- AI: 고양이 사진을 보고 “이건 고양이”라고 말하는 모든 시스템
- ML: 고양이 사진을 1만 개 보면서 “귀 모양, 수염, 발톱이 있으면 고양이”라고 스스로 규칙을 만드는 시스템
- 딥러닝: 신경망 구조로 고양이의 특징을 여러 겹의 층에서 처리해서 97% 정확도로 고양이를 인식하는 시스템

이제부터 말하는 “AI”는 이 세 개를 모두 포함한 개념으로 봐도 괜찮습니다. 맥락에 따라 더 정확히 구분할 테니까요.

**[표 삽입 예정] AI vs ML vs 딥러닝 비교표**

- 범위: 넓음 ← AI / ML / 딥러닝 → 좁음
- 학습 방식: 규칙 기반 ← → 데이터 기반
- 정확도: 낮음 ← → 높음
- 계산 자원: 적음 ← → 많음

## 1950년대: “기계도 생각할 수 있을까?”—튜링 테스트의 탄생

역사는 1950년, 영국 수학자 **앨런 튜링(Alan Turing)**의 한 장의 논문에서 시작합니다.

당시 컴퓨터는 ENIAC 같은 거대한 방 크기의 기계였어요. 튜링은 급진적인 질문을 던졌습니다: **“기계가 생각할 수 있는가?”**

그런데 이건 너무 철학적이고 정의하기 어렵다고 생각했어요. 그래서 그는 더 실용적인 질문으로 바꿨습니다:

**“우리가 기계와 텍스트로 대화할 때, 그게 기계인지 사람인지 구분할 수 없다면, 그 기계는 생각하는 것인가?”**

이것이 바로 **튜링 테스트(Turing Test)**입니다.

```
심사자: "2+2는?"
상대A (사람): "4입니다"
상대B (기계): "4입니다"

심사자: "아, 2+2는 뭔데 이렇게 쉬워?"
상대A: "음... 거기엔 철학적 의미가 있어요"
상대B: "네, 2와 2의 합은 수학적으로 4입니다"

심사자가 느끼는 감정: "음, 상대 A가 사람 같은데? 왜 상대 B는 좀 로봇같지?"
```

그런데 여기서 중요한 건, 튜링은 **기계가 진짜로 “생각”하는지는 신경 쓰지 않았다**는 거예요. 행동만 같으면 충분하다고 본 거죠. 이걸 “**행동주의적 접근(Behaviorism)**“이라고 부르는데, 이것이 AI 역사 전체를 지배한 철학입니다.

**역사적 의미:**

| 항목 | 내용 |
| --- | --- |
| 발표 연도 | 1950년 (Computing Machinery and Intelligence) |
| 핵심 질문 | 기계도 생각할 수 있는가? |
| 답변 방식 | 행동이 같으면 충분하다 |
| 영향력 | 이후 70년간 AI 연구의 철학적 기초 |

## 1956~1974년: AI의 봄—꿈과 현실

**1956년 여름, 미국 다트머스(Dartmouth)에서 한 회의가 열렸습니다.**

당대의 천재 수학자, 과학자들이 모였어요. 존 매카시(John McCarthy), 마빈 민스키(Marvin Minsky), 나다니엘 로체스터(Nathaniel Rochester) 등. 이들은 **6주간 모여서 “기계 지능(Machine Intelligence)”을 연구**했습니다.

이 회의의 결론은 낙관적이었어요: “만약 우리가 충분한 자금을 받는다면, 몇 년 안에 인간 수준의 지능을 가진 기계를 만들 수 있을 겁니다.”

**이 예측이 얼마나 틀렸는지는 후에 봐요.**

당시 만들어진 성과들:

- **1956년: 초기 체스 프로그램** — 규칙 기반으로 체스 움직임 계산
- **1966년: ELIZA** — 정신과 의사처럼 대화하는 프로그램 (실제로는 규칙 기반 문장 변환)
- **1974년 직전: 전문가 시스템(Expert System)** — 의료, 법률 등 특정 분야의 전문가 지식을 규칙화

**ELIZA의 예시:**

사람: “내 어머니는 나를 싫어합니다”  
ELIZA: “당신의 어머니가 당신을 싫어한다면, 그건 왜일까요?”

사람: “모르겠어요”  
ELIZA: “모른다는 것이 당신의 문제를 해결하는 데 도움이 될까요?”

마치 심리 치료사 같은 느낌이죠? 하지만 **ELIZA는 실제로 아무것도 이해하지 못했습니다**. 단지 입력 문장의 구조를 분석해서 정해진 규칙에 따라 대답했을 뿐이에요. 그런데도 많은 사람이 ELIZA가 정말로 자신의 이야기를 “이해”한다고 생각했습니다.

이것을 “**ELIZA 효과**“라고 부르는데, 이것이 AI 역사에서 첫 번째 교훈입니다: **“우리는 기계가 우리를 이해한다고 생각하기를 원한다.”**

**이 시대의 특징:**

- 규칙 기반 AI (Rule-Based AI)
- 전문가의 지식을 프로그래머가 하나하나 입력
- 매우 제한된 작업만 가능 (체스, 특정 분야 진단 등)
- 하지만 사람들의 기대치는 무한대

## 1974~1980년대: AI의 겨울—환상이 깨진 시대

**현실은 시계집 쥐 같았습니다.**

1956년의 낙관적인 예측은 모두 빗나갔어요. 왜일까요?

**① 계산 능력의 한계**

규칙 기반 AI는 가능한 모든 경우를 계산해야 했어요. 예를 들어 체스는 한 게임에 가능한 수가 약 **10^120개**입니다. 우주의 입자 개수가 10^80개인데, 체스의 가능성이 더 많다는 뜻이에요.

“컴퓨터가 빨라지면 해결되지 않을까?”라고 생각할 수도 있지만, 이건 **“조합 폭발(Combinatorial Explosion)”**이라고 불리는 근본적인 문제였어요.

**② 지식 표현의 불가능성**

“내 어머니는 인간이다”라는 문장을 컴퓨터가 이해하게 하려면 몇 줄의 코드가 필요할까요? 간단한 것처럼 보이지만, 세상의 모든 지식을 규칙으로 만드는 것은 **사실상 불가능**했어요.

**③ 자금 지원 중단**

연구자들의 과장된 약속, 기대와 현실의 괴리가 심해지자, 정부와 기업들이 AI 연구에 손을 뗐습니다. 특히 1974년과 1980년 두 차례의 AI 겨울이 찾아왔어요.

**이 시대의 통설:**

> “AI 연구는 실패했다. 기계가 인간의 지능을 따라갈 수는 없을 것 같다.”

이것을 **“AI 웰터(AI Welt)”** 또는 **“디스일루셔닝(Disillusionment)”**이라고 부릅니다.

하지만 이 겨울에도 조용히 진전이 있었어요.

## 1980~2000년대: 겨울에서 깨어나기—전문가 시스템부터 빅데이터까지

**1980년대: 전문가 시스템(Expert System)의 재출현**

“우리가 모든 지식을 컴퓨터에 넣을 수 없다면, 특정 분야의 전문가 지식만이라도 넣어보자”라는 전략으로 나아갔어요.

- **의료 진단**: 증상을 입력하면 질병 추측
- **법률**: 판례를 입력하면 판결 예측
- **지질학**: 지형 데이터를 입력하면 유전 가능성 예측

이런 시스템들은 **매우 특정한 분야에서는 정말 잘 작동**했어요. 1980년대와 1990년대 초반, 기업들은 AI(실제로는 전문가 시스템)에 수십억 달러를 투자했습니다.

그런데 또 문제가 생겼어요: **규칙이 너무 많아지니까 유지보수가 불가능했던 겁니다.**

**1990년대 말~2000년대: 패러다임 전환—데이터의 힘**

이 시대에 중요한 변화 세 가지가 있었어요:

1. **인터넷의 폭발** (1995~2005년)

- 웹 페이지가 수십억 개가 생김
- 데이터가 엄청나게 많아짐

1. **컴퓨터 성능 향상** (무어의 법칙)

- CPU, GPU 성능이 기하급수적으로 증가
- 메모리가 저렴해짐

1. **통계적 접근의 부상**

- 규칙 기반 → 데이터 기반으로 전환
- “규칙을 만들지 말고, 데이터에서 패턴을 찾자”

**구글의 탄생 (1998년):**

래리 페이지와 세르게이 브린은 “인터넷의 모든 페이지를 순위 매기는 알고리즘”을 만들었어요. 이것이 **PageRank 알고리즘**인데, 이것은 이제 와서 보면 머신러닝의 초기 형태였습니다.

이 시대의 AI들은 여전히 “딥”하지는 않았어요. 하지만 **규칙 기반에서 데이터 기반으로의 전환**이 일어났고, 이것이 이후의 모든 발전의 기초가 되었습니다.

## 2012년: 딥러닝의 폭발—AlexNet이 던진 돌의 파문

**2012년 가을, 토론토 대학의 제프리 힌튼(Geoffrey Hinton) 교수팀은 이미지 인식 대회(ImageNet)에서 압도적인 성과를 냈습니다.**

그 해의 오류율은 **26%**였어요. 그런데 힌튼 팀의 **AlexNet**은 **15%**의 오류율로 우승했습니다.

“어? 11%포인트 개선이 뭐 그리 대단한가?”라고 생각할 수 있지만, **이건 그때까지의 개선 속도의 2배 수준이었어요.**

그리고 **더 중요한 것은 방법론이었습니다**: AlexNet은 **깊은 신경망(Deep Neural Network)**으로 이미지를 인식했습니다. 이것은 과거 30년간 외면받았던 기술이었어요.

**왜 갑자기 복구되었을까요?**

세 가지 이유:

1. **GPU의 등장** — NVIDIA의 GPU가 신경망 학습을 가능하게 함
2. **빅데이터** — ImageNet에 100만 개의 라벨 이미지
3. **알고리즘 개선** — ReLU 활성화 함수, 드롭아웃 등 새로운 기법

**AlexNet의 구조:**

```
입력 이미지 (256×256 픽셀)
    ↓
[합성곱층 1] (conv) - 96개 필터
[맥스풀링층 1]
    ↓
[합성곱층 2] - 256개 필터
[맥스풀링층 2]
    ↓
[합성곱층 3~5] - 더 깊어짐
    ↓
[완전연결층] (fully connected)
    ↓
[소프트맥스] (1000개 카테고리 확률)
    ↓
출력: "이건 개다" (99% 확률)
```

이건 간단한 구조처럼 보이지만, **이전까지 사람들이 신경망은 “너무 깊으면 학습이 안 된다”**고 생각했거든요. AlexNet은 8개의 층이라는 “충격적인” 깊이로 우승했어요.

**이 시대의 의미:**

```
Before AlexNet (2011년):
- 이미지 인식 오류율: 26% (기존 방법)
- 신경망은 "구식 기술"

After AlexNet (2012년):
- 이미지 인식 오류율: 15%
- 신경망은 "미래의 기술"

변화: -11%포인트 개선 = AI 르네상스의 시작
```

이후 매년 ImageNet 우승 모델들이 나왔어요: VGGNet (2014), ResNet (2015), DenseNet… 그리고 **각 해마다 성능이 계속 개선되고 있습니다.**

## 2017~2023년: AI 르네상스—Transformer부터 ChatGPT까지

**2017년 6월, 구글의 연구팀은 논문 하나를 공개했습니다.**

제목: **“Attention Is All You Need”** (Attention이 전부다)

이 논문의 핵심은 **Transformer**라는 새로운 아키텍처였어요. 이전까지 자연어 처리는 RNN(Recurrent Neural Network)이 지배했는데, Transformer는 **“한 번에 모든 단어를 동시에 처리”**했습니다.

왜 이게 중요할까요?

**RNN의 문제:**

- “The cat sat on the mat” 문장을 읽을 때
- “The” → “cat” → “sat” → … → “mat”
- 한 단어씩 순차적으로 처리 (느림, 병렬화 불가)

**Transformer의 해결:**

- 모든 단어를 동시에 볼 수 있음 (병렬화 가능)
- “The”가 “mat”과의 관계도 직접 계산 가능
- 10배 이상 빠름

**[다이어그램 삽입 예정] RNN vs Transformer 구조 비교**

- RNN: 순차 처리, 느림, 기울기 소실 문제
- Transformer: 병렬 처리, 빠름, Self-Attention 메커니즘

Transformer의 등장 이후, NLP 분야는 폭발했습니다.

**2018년: BERT의 탄생**

구글의 **BERT(Bidirectional Encoder Representations from Transformers)**는 “양방향 언어 이해”에 혁명을 일으켰어요.

이전까지의 언어 모델은 “다음 단어 예측” 같은 한 방향만 봤는데, BERT는 **문맥 앞뒤를 모두 봐서** 단어의 의미를 더 정확하게 이해했어요.

**2018년: GPT-1의 탄생**

OpenAI의 **GPT(Generative Pre-trained Transformer)**는 “텍스트 생성”에 특화했어요. BERT와 달리, GPT는 단방향이지만 **“창의적인 텍스트를 생성할 수 있었습니다”**—꼭 사람처럼요.

**그리고 규모가 계속 커졌습니다:**

| 모델 | 파라미터 수 | 출시 연도 | 특징 |
| --- | --- | --- | --- |
| GPT-1 | 1.17억 | 2018 | 기초 생성형 AI |
| GPT-2 | 15억 | 2019 | 텍스트 생성 개선 |
| GPT-3 | 1,750억 | 2020 | Few-shot 학습 가능 |
| GPT-3.5 | 추정 1,750억+ | 2022 | 안정적이고 정렬됨 |
| GPT-4 | 추정 1조+ | 2023 | 멀티모달 (텍스트+이미지) |

**2022년 11월: ChatGPT의 폭발**

OpenAI가 **ChatGPT**를 공개했을 때, 세상이 바뀌었어요.

- **5일 만에 100만 명 사용자 달성** (인스타그램: 25일, 페이스북: 10개월)
- **3개월 만에 1억 명** (인터넷 역사에서 가장 빠른 성장)
- **일반인들이 처음으로 AI의 “능력”을 직접 경험**

ChatGPT 이전까지, AI는 “기술자의 도구”였어요. 하지만 ChatGPT는 **“할머니도 쓸 수 있는 AI”**였습니다.

**ChatGPT의 예시:**

사용자: “Python으로 간단한 게임을 만드는 코드를 줄 수 있어?”

ChatGPT:

```
import random

number = random.randint(1, 100)
guess = None

while guess != number:
    guess = int(input("1에서 100 사이의 숫자를 맞혀보세요: "))
    if guess < number:
        print("더 크습니다!")
    elif guess > number:
        print("더 작습니다!")
    else:
        print("맞았습니다!")
```

“와, AI가 코드를 짜네?”라는 반응이 전 세계적으로 퍼졌어요.

**[이미지 삽입 예정] ChatGPT 사용자 성장 그래프**

- 가로축: 출시 이후 주(weeks)
- 세로축: 사용자 수 (백만 단위)
- 선: 수직 상승하는 곡선

**2023~2024년: AI 경쟁의 가속화**

ChatGPT의 성공 이후:

- **Google Gemini** (2023): “더 똑똑한 AI”를 표방
- **Anthropic Claude** (2023): “더 안전한 AI”를 강조
- **Meta Llama** (2023): 오픈소스 AI 공개
- **Mistral** (2023): 유럽의 오픈소스 AI
- **Apple Intelligence** (2024): 디바이스 내 AI

각 회사가 자신만의 방식으로 AI를 개선하고 있어요.

## 결론: 우리는 역사의 어느 지점에 있는가?

**70년의 역사를 한 문장으로 요약하면:**

“**AI는 불가능이라고 생각했던 것들을 계속 가능하게 만들어 왔다.**“

| 시대 | 불가능 → 가능 |
| --- | --- |
| 1950년대 | “기계가 생각할 수 있을까?” → 튜링 테스트 등장 |
| 1970년대 | “체스 같은 복잡한 게임을 할 수 없다” → (30년 뒤) Deep Blue가 카스파로프 이김 |
| 1990년대 | “수억 개의 웹페이지를 정렬할 수 없다” → 구글 탄생 |
| 2010년대 | “사진 속의 고양이를 인식할 수 없다” → AlexNet이 15% 오류율로 인식 |
| 2020년대 | “AI가 글을 창의적으로 쓸 수 없다” → ChatGPT가 에세이 작성 |

**그렇다면 다음은?**

혹자는 “AI가 모든 인간의 일을 대체할 것”이라고 공포심을 드러내고, 또 다른 누군가는 “AI는 결국 한계에 부딪힐 것”이라고 회의적입니다.

하지만 역사가 말해주는 건 다릅니다: **“우리의 예측은 항상 틀렸다.”**

1956년 다트머스 회의의 과학자들은 “몇 년 안에 인간 수준의 지능을 만들 것”이라고 했지만, 70년이 지난 지금도 우리는 “진정한 일반 지능(AGI)”을 만들지 못했어요. 동시에 아무도 예상하지 못한 방식으로(GPU + 빅데이터 + 신경망), 우리는 ChatGPT를 손에 쥐고 있습니다.

**D’s World AI 101 시리즈는 이 여정의 기초입니다.**

다음 포스트부터, 우리는:

- **AI가 어떻게 학습하는지** (AI는 어떻게 학습할까? 머신러닝의 3가지 학습 방법 완벽 가이드)
- **데이터를 어떻게 준비하는지**
- **신경망을 어떻게 설계하는지**
- **최신 모델들(Transformer, BERT, GPT)이 어떻게 작동하는지**

하나하나 파헤칠 거예요.

지금까지 **“AI란 뭔가?”**라는 물음에 “말로 설명하기 어려운 뭔가”라고 대답했다면, 이 시리즈를 마친 후에는 **“AI가 뭐고, 어떻게 돌아가고, 어디로 가는지”** 명확하게 설명할 수 있을 겁니다.

## 🔗 외부 참고 자료

- [Turing, A. M. (1950). “Computing Machinery and Intelligence”](https://www.jstor.org/stable/2251299) — AI의 철학적 기초
- [IEEE: Brief History of Artificial Intelligence](https://ieeexplore.ieee.org/) — AI 역사의 공식 기록
- [Hinton et al. (2012). ImageNet Classification with Deep Convolutional Neural Networks](https://papers.nips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html) — AlexNet 원본 논문
- [Vaswani et al. (2017). Attention Is All You Need](https://arxiv.org/abs/1706.03762) — Transformer 원본 논문
- [Devlin et al. (2018). BERT: Pre-training of Deep Bidirectional Transformers](https://arxiv.org/abs/1810.04805) — BERT 원본 논문
- [OpenAI Blog: Language Models are Unsupervised Multitask Learners](https://openai.com/research/) — GPT 시리즈
- [Nature: AI의 미래에 대한 종합 분석](https://www.nature.com/) — 학술지 Nature의 AI 특집
- [AI 초보자 필독! 인공지능의 정의부터 역사까지 – 튜링부터 ChatGPT까지의 70년 여정](https://doyouknow.kr/what-is-artificial-intelligence-definition-history/)

**축하합니다!** 🎉

당신은 이제 **“AI란 무엇인가?”** 라는 질문에 명확하게 답할 수 있게 되었습니다. 다음 포스트에서는 AI가 **“어떻게 학습”**하는지를 파헤칠 거예요.

**“D’s World AI 101 시리즈”에서 당신의 AI 여정이 시작됩니다.** 🚀

*이 글이 도움되었나요? 댓글에 **“가장 흥미로웠던 AI 역사 사건”**을 남겨주세요. 더 깊이 있는 콘텐츠를 준비하겠습니다!*

### 이 글 공유하기:

- [Facebook으로 공유하기 (새 창에서 열림)Facebook](https://dworld.deios.kr/ai-101-history-turing-chatgpt/?share=facebook)
- [X에 공유 (새 창에서 열림)X](https://dworld.deios.kr/ai-101-history-turing-chatgpt/?share=x)
-

### 이것이 좋아요:

좋아하기로드 중...

### *관련*

관련된 글이 없습니다.

### 댓글 남기기[응답 취소](/ai-101-history-turing-chatgpt/?t=1785881006#respond)