1차시: AI의 역사와 거장들 - 튜링, 힌튼, 하사비스가 바꾼 세계

🎯 이 차시의 핵심 주제

🧠 튜링테스트

“기계가 생각할 수 있는가”라는 질문을 실험으로 바꾼 1950년의 사고실험

❄️ AI 겨울과 부활

두 번의 침체기를 뚫고 딥러닝이 다시 불을 붙인 과정

💬 두 개의 노벨상

힌튼의 물리학상(2024), 하사비스의 화학상(2024)이 의미하는 것

🔧 직접 체험

튜링테스트 시뮬레이터와 AlphaFold 구조 시각화 실습

⏱️ 수업 흐름

1단계: 도입 — “지능이란 무엇인가” (10분)

사람과 챗봇 대화 로그 3개를 보고 누가 사람인지 맞히는 게임으로 시작합니다. 튜링테스트의 문제의식을 몸으로 체감합니다.

2단계: 튜링테스트의 원리와 철학 (15분)

1950년 튜링의 모방 게임을 설명하고, “생각”의 정의를 바꾼 발상의 전환을 다룹니다.

3단계: AI 겨울과 딥러닝 혁명 (20분)

두 번의 AI 겨울, 힌튼의 역전파와 볼츠만 머신, 2012년 ImageNet 대회가 어떻게 판을 뒤집었는지 살펴봅니다.

4단계: 하사비스와 AlphaFold — 노벨 화학상 (15분)

50년간 풀리지 않던 단백질 접힘 문제를 AI가 어떻게 해결했는지 원리 수준에서 다룹니다.

5단계: 체험 실습 + 토론 + 형성평가 (20분)

튜링테스트 시뮬레이터와 AlphaFold DB를 직접 조작하고, 모둠 토론 후 평가로 마무리합니다.

📚 핵심 개념

개념 1. 튜링테스트 — “생각한다”의 정의를 바꾼 질문

친구와 카카오톡으로 대화하다가 문득 “저쪽이 정말 내 친구일까, 아니면 누군가 대신 쓰는 걸까?” 의심이 든 적이 있을 것입니다. 얼굴을 보지 않고 오직 글로만 판단할 때, 여러분은 어떤 단서로 ‘사람다움’을 느낍니까? 1950년, 앨런 튜링은 바로 이 상황을 학문적 실험으로 바꾸었습니다.

튜링은 “기계가 생각할 수 있는가?” 라는 질문이 답할 수 없는 형이상학이라고 보았습니다. ‘생각’이 무엇인지부터 합의가 안 되기 때문입니다. 그래서 그는 질문을 바꿉니다. “만약 사람이 기계와 대화하면서 상대가 기계인지 사람인지 구별할 수 없다면, 그 기계는 생각한다고 보아도 되지 않겠는가?” 이것이 모방 게임(Imitation Game), 우리가 튜링테스트라 부르는 것입니다.

튜링테스트의 구조

역할	하는 일
심판(Judge)	보이지 않는 두 상대와 텍스트로만 대화
참가자 A	사람
참가자 B	기계
판정	심판이 일정 비율 이상 A·B를 구별하지 못하면 기계가 ‘통과’

여기서 중요한 것은 기계의 내부가 아니라 행동으로 지능을 판단한다는 점입니다. 이것은 행동주의 철학과 맞닿아 있습니다. “속에서 무엇이 벌어지는지 모른다. 겉으로 드러난 것이 사람과 같다면 그걸로 충분하다.” 이 관점은 오늘날 ChatGPT를 평가하는 방식에도 그대로 이어져 있습니다.

다만 튜링테스트에는 반론도 있습니다. 철학자 존 설(John Searle)의 중국어 방(Chinese Room) 논증이 대표적입니다. 규칙집만 따라 중국어를 ‘응답’하는 사람이 실제로 중국어를 ‘이해’하는 것은 아니라는 것입니다. 튜링테스트 통과 = 진짜 이해인가라는 논쟁은 지금도 진행 중입니다.

개념 2. AI 겨울 — 두 번의 혹한기

AI라는 용어는 1956년 다트머스 회의에서 태어났습니다. 당시 연구자들은 “20년 안에 사람 수준 AI가 나온다”고 장담했지만, 현실은 두 번의 침체기를 불러왔습니다.

시기	주요 원인	결과
1차 AI 겨울 (1974-1980)	퍼셉트론의 한계(XOR 문제) 지적, 기계번역 실패	영국·미국의 AI 연구비 대폭 삭감
2차 AI 겨울 (1987-1993)	전문가 시스템 유지 비용 폭증, 상업적 실패	AI 기업 도산, 신경망 연구 고립

2차 AI 겨울 동안 제프리 힌튼(Geoffrey Hinton) 은 “신경망은 안 된다”는 학계 분위기 속에서도 신경망 연구를 포기하지 않았습니다. 그의 대표적인 두 업적이 바로 역전파(Backpropagation) 알고리즘을 널리 알린 1986년 논문과, 에너지 기반 학습 모델인 볼츠만 머신(Boltzmann Machine) 입니다. 볼츠만 머신은 물리학의 통계역학에서 아이디어를 빌려왔습니다. 분자의 에너지 분포를 다루는 공식을 신경망의 상태 확률에 적용한 것입니다. 이 공식이 등장합니다.

$ P(\text{상태}) = \dfrac{e^{-E/T}}{Z} $

여기서 $E$는 해당 상태의 에너지, $T$는 온도, $Z$는 정규화 상수입니다. 에너지가 낮은 상태(= 문제의 좋은 해답)가 더 높은 확률로 나타나도록 학습합니다. 물리학 공식이 학습 알고리즘으로 변신한 것이며, 이것이 2024년 노벨 물리학상 수상 이유 중 하나입니다.

개념 3. 2012 — 딥러닝이 겨울을 깬 해

2012년 9월, 힌튼의 제자 알렉스 크리제브스키가 이끄는 팀이 ImageNet 이미지 인식 대회에 AlexNet을 출품했습니다. 이전 해 우승팀의 오류율은 25.8%였는데, AlexNet은 16.4% 로 내려앉혔습니다. 한 번의 대회에서 10%p 가까이 떨어진 것은 이례적이었습니다.

비결은 세 가지의 결합이었습니다.

큰 데이터: ImageNet의 120만 장 라벨링된 이미지
깊은 신경망(Deep Neural Network): 8개 층을 쌓은 합성곱 신경망(CNN)
GPU 병렬 연산: 게임용 그래픽카드를 연산에 전용

timeline
    title AI 역사의 주요 변곡점
    1950 : 튜링테스트 제안
    1956 : 다트머스 회의 AI 용어 탄생
    1974 : 1차 AI 겨울 시작
    1986 : 힌튼 역전파 논문
    1987 : 2차 AI 겨울 시작
    2012 : AlexNet ImageNet 우승
    2016 : AlphaGo 이세돌 승리
    2020 : AlphaFold2 단백질 해결
    2022 : ChatGPT 공개
    2024 : 힌튼 노벨 물리학상 하사비스 노벨 화학상

개념 4. AlphaFold — 50년 난제를 푼 AI

단백질은 아미노산이 한 줄로 이어진 끈입니다. 그런데 이 끈은 제멋대로 구겨지지 않고, 특정한 3차원 모양으로 접힙니다(folding). 이 모양이 단백질의 기능을 결정합니다. 헤모글로빈이 산소를 운반하는 것도, 코로나 바이러스 스파이크 단백질이 세포에 달라붙는 것도 전부 3차원 구조 덕분입니다.

문제는 “아미노산 서열을 보고 3차원 구조를 예측하는 것”이 1972년부터 50년 넘게 풀리지 않은 생물학의 최대 난제였다는 점입니다. 실험으로 구조 하나를 밝히는 데 평균 수년, 수억 원이 들었습니다.

데미스 하사비스(Demis Hassabis) 가 이끄는 DeepMind 는 2020년 AlphaFold2 를 발표했습니다. 이 AI는 CASP14라는 단백질 구조 예측 대회에서 실험 수준의 정확도를 달성했습니다. 2024년 기준 AlphaFold는 2억 개 이상의 단백질 구조를 예측해 공개 DB에 올렸습니다. 인류가 50년간 실험으로 밝혀낸 것의 약 1000배 규모입니다.

AlphaFold의 핵심 아이디어

요소	역할
아미노산 서열	입력 데이터
진화 정보(MSA)	유사 단백질들의 서열을 비교해 힌트 추출
어텐션 메커니즘	서열 내 멀리 떨어진 아미노산 쌍의 관계를 학습
3D 좌표 출력	각 원자의 x, y, z 위치 예측

이것이 노벨 화학상(2024) 수상 이유입니다. AI가 화학·생물학의 도구로 자리잡았음을 인류가 공식 인정한 사건입니다.

🔧 실습 활동: 튜링테스트와 AlphaFold 체험

실습 1: 튜링테스트 시뮬레이터 (7분)

접속: turingtest.live 또는 구글에서 “Human or Not game” 검색 → 5분간 익명의 상대와 대화 → 사람/AI 판정 → 정답 확인

기록 양식

라운드	내 추측	실제 정답	판단 근거
1
2
3

실습 2: AlphaFold 구조 탐색 (8분)

접속: alphafold.ebi.ac.uk → 검색창에 “hemoglobin” 또는 “insulin” 입력 → 3D 구조를 마우스로 회전 → 신뢰도 색상(파랑=높음, 주황=낮음) 관찰

관찰 기록

단백질 이름	전체 길이(아미노산 수)	고신뢰도 영역 비율	인상적인 점

실습 3: 간단한 파이썬 실습 (5분)

아래 코드는 파이썬으로 “튜링테스트 판단 로직”을 흉내 낸 아주 단순한 예시입니다. Python 3.10+에서 실행 가능합니다.

# 가장 기본 v1: 응답 시간으로 사람/AI 추정
import random

def guess_identity(response_time_sec):
    # 사람은 보통 2초 이상 걸리고, 단순 봇은 1초 이내 응답
    if response_time_sec < 1.0:
        return "AI로 추정"
    return "사람으로 추정"

print(guess_identity(0.3))
print(guess_identity(4.5))

AI로 추정
사람으로 추정

이 코드의 한계가 보입니까? 응답 시간만으로는 현대 LLM을 잡아낼 수 없습니다. 튜링테스트가 얼마나 어려운 문제인지 체감하는 것이 목적입니다.

🤔 토론 활동 (모둠 4인, 10분)

토론 주제: “AI가 노벨상을 받는 시대, 우리는 무엇을 해야 하는가?”

진행 방식

각자 아래 3개 질문에 1분씩 메모
모둠 내에서 돌아가며 1분 발표
모둠 합의 의견 1개 작성

질문

질문 1. 튜링테스트를 통과한 AI는 “생각한다”고 인정해야 합니까? 당신의 근거는?
질문 2. 힌튼이 물리학상, 하사비스가 화학상을 받은 것은 타당합니까? “AI 과학자에게 AI상을 따로 줘야 한다”는 주장에 대한 입장은?
질문 3. AlphaFold가 단백질 구조 2억 개를 공개하자 신약 개발 속도가 빨라졌습니다. 이 혜택은 누구에게 돌아갑니까? 공평합니까?

🔗 참고 자료

📎 AlphaFold Protein Structure Database

2억 개 단백질 구조를 무료로 탐색 (alphafold.ebi.ac.uk) →

📎 Computing Machinery and Intelligence (Turing, 1950)

튜링의 원논문. 고전이지만 놀랄 만큼 읽기 쉽습니다 →

📎 DeepMind 공식 AlphaFold 해설 영상

단백질 접힘 문제와 해법을 8분 요약 →

📎 2024 Nobel Prize 공식 보도자료

힌튼·하사비스 수상 이유 원문 (nobelprize.org) →

📝 형성 평가

객관식 1. 튜링테스트의 본질을 가장 잘 설명한 것은?

① 기계의 계산 속도를 사람과 비교하는 시험이다 ② 기계 내부의 알고리즘을 분석해 지능을 판단한다 ③ 대화만으로 기계와 사람을 구별할 수 있는지를 묻는 행동 기반 시험이다 ④ 기계가 감정을 느끼는지 측정하는 심리 실험이다

정답 확인

정답: ③ 튜링테스트는 ‘생각’의 정의를 피하고, 겉으로 드러난 행동(대화) 으로 지능을 판단하는 실험입니다. 내부 구조를 들여다보지 않는 것이 핵심입니다.

객관식 2. 2024년 제프리 힌튼이 노벨 물리학상을 받은 가장 직접적인 이유는?

① 최초의 컴퓨터를 발명했기 때문에 ② 물리학의 통계역학 원리를 인공신경망 학습에 적용했기 때문에 ③ AlphaFold로 단백질 구조를 밝혔기 때문에 ④ 튜링테스트를 최초로 통과한 AI를 만들었기 때문에

정답 확인

정답: ② 힌튼의 볼츠만 머신은 분자의 에너지 분포를 다루는 통계역학 공식을 신경망 학습에 가져왔습니다. 이 물리학적 기여가 물리학상 수상의 핵심 근거입니다. ③은 하사비스(화학상)입니다.

객관식 3. AlphaFold가 해결한 문제로 옳은 것은?

① 사람 언어를 자동 번역하는 문제 ② 바둑에서 최적의 수를 두는 문제 ③ 아미노산 서열로부터 단백질의 3차원 구조를 예측하는 문제 ④ 이미지에서 사물을 분류하는 문제

정답 확인

정답: ③ AlphaFold는 50년간 미해결이었던 단백질 접힘 문제를 실험 수준 정확도로 풀어냈습니다. ②는 AlphaGo, ④는 AlexNet의 업적입니다.

서술형 1. “AI가 튜링테스트를 통과했다면 그것은 정말 ‘생각’하는 것이다”라는 주장에 대한 당신의 입장을 근거 3가지와 함께 서술하세요. (200자 이상)

예시 답안

찬성 입장 예시: 첫째, 지능을 판단할 수 있는 유일한 수단은 외부로 드러난 행동이다. 우리는 다른 사람의 마음 역시 직접 들여다보지 못하며, 대화와 행동으로만 '생각한다'고 간주한다. AI에게만 더 엄격한 기준을 들이대는 것은 일관적이지 않다. 둘째, 튜링테스트를 통과하려면 문맥 이해, 추론, 상식이 필요하므로 이는 지능의 충분한 증거다. 셋째, '이해'라는 내부 상태는 과학적으로 검증 불가능하므로 행동 기반 정의가 더 실용적이다.

반대 입장 예시: 첫째, 존 설의 중국어 방 논증처럼 규칙에 따라 그럴듯한 응답을 생성하는 것과 실제로 의미를 이해하는 것은 다르다. 둘째, 현재 대형 언어 모델은 방대한 데이터에서 통계적 패턴을 학습했을 뿐, 자신이 말하는 내용의 진위를 판단하지 못한다(환각 현상). 셋째, 튜링테스트는 ‘속이기’에 성공한 것을 ‘생각’과 동일시하는데, 이는 마술사의 환상을 진짜 마법으로 인정하는 것과 같다.

자기점검 체크리스트

튜링테스트의 원리와 철학적 의미를 친구에게 1분 안에 설명할 수 있다
힌튼의 볼츠만 머신이 왜 노벨 ‘물리학’상인지 그 연결고리를 말할 수 있다
AlphaFold가 풀어낸 문제와 그 파급력을 구체적으로 서술할 수 있다
“사람과 AI를 어떻게 구별할 것인가”라는 오늘의 질문에 나만의 답이 있다

🧪 인터랙티브 퀴즈

튜링이 "기계가 생각할 수 있는가?"라는 질문을 버리고 대신 제안한 것은?

모방 게임 — 대화로 사람과 구별 가능한지 보는 실험 기계의 뇌파를 측정해 사람의 뇌파와 비교 기계가 감정을 표현하는지 관찰 기계가 스스로 코드를 수정하는지 확인

2012년 AlexNet이 ImageNet 대회에서 압승한 비결로 가장 거리가 먼 것은?

대규모 라벨링 데이터(ImageNet 120만 장) 깊은 합성곱 신경망(CNN) 구조 GPU 병렬 연산 활용 양자 컴퓨터 기반 연산

AlphaFold의 입력과 출력을 올바르게 짝지은 것은?

입력: 아미노산 서열 / 출력: 단백질 3차원 구조 입력: 단백질 사진 / 출력: 단백질 이름 입력: DNA 염기서열 / 출력: 유전 질환명 입력: 환자 증상 / 출력: 처방 약

💭 성찰

오늘 수업을 마치며 아래 세 질문에 1-2문장씩 답을 적어보십시오.

이 차시에서 가장 인상 깊었던 것은 무엇입니까? 그 이유는?
튜링·힌튼·하사비스 중 가장 공감이 가는 인물은 누구입니까? 왜 그렇습니까?
“지능이란 무엇인가”에 대한 나의 생각은 수업 전과 후에 어떻게 달라졌습니까?

🔗 다음 차시 미리보기

2차시: AI의 철학과 윤리 — 의식, 자유의지, 그리고 책임

“AI가 사고를 일으키면 누구의 책임입니까? 개발자? 사용자? AI 자신?” 다음 시간에는 오늘 다룬 ‘지능’ 논쟁을 한 걸음 더 밀고 나가, AI에게 의식·자유의지·책임을 물을 수 있는지 철학적으로 탐구합니다. 자율주행차의 트롤리 딜레마를 직접 시뮬레이션해보며 여러분의 윤리관을 점검하겠습니다.