소프트웨어가 소프트웨어를 쓰기 시작했을 때
코드를 배포하는 사람이라면, 당신의 업무 방식이 변하고 있습니다.
모든 코드를 한 줄씩 직접 쓰던 방식에서 자동 완성 기능을 사용하는 방식으로 넘어왔습니다. 이제는 사양(spec)을 작성하면 에이전트가 코드를 작성하고, 테스트하고, 배포하는 과정을 지켜보게 됩니다.
이는 하룻밤 사이에 일어난 일이 아닙니다. 지능을 재정의해 온 70년의 역사입니다.
우리가 여기까지 오게 된 과정은 다음과 같습니다:
기호주의 시대 (1950년대-1980년대) 지능은 곧 논리를 의미했습니다. 인간이 IF-THEN 문을 사용하여 모든 규칙을 직접 작성했습니다. 이러한 시스템은 좁은 영역에서는 뛰어난 성능을 보였지만, 현실 세계에서는 한계를 드러냈습니다. 데이터로부터 학습할 수 없었기 때문입니다.
통계적 시대 (1990년대-2000년대) 우리는 기계에 규칙을 일일이 알려주는 것을 멈췄습니다. 대신 예시를 보여주었습니다. 기계는 수학을 사용하여 데이터에서 패턴을 찾아냈습니다. 이를 통해 스팸 필터와 추천 엔진이 탄생했습니다. 하지만 지능은 여전히 적절한 데이터 특징(feature)을 선택하는 인간의 역할에 의존했습니다.
딥러닝 시대 (2012-2017) AlexNet과 함께 판도가 바뀌었습니다. 충분한 레이어를 쌓고 충분한 데이터를 사용하면 모델이 스스로 특징을 찾아낸다는 사실을 발견했습니다. 더 이상 수동으로 특징을 설계(feature engineering)할 필요가 없게 되었습니다. 컴퓨터는 인간처럼 보고 듣기 시작했습니다.
트랜스포머 시대 (2017-2022) Transformer 아키텍처 덕분에 모델이 방대한 양의 텍스트를 한 번에 처리할 수 있게 되었습니다. 이는 GPT의 탄생으로 이어졌습니다. 지능은 구성적(compositional)인 성격을 띠게 되었습니다. 하나의 모델이 시를 쓰고, Python 코드를 디버깅하며, 수학을 설명할 수 있게 된 것입니다. 언어가 모든 작업의 인터페이스가 되었습니다.
에이전트 시대 (2023-현재) 우리는 모델에게 '손'을 쥐여주고 있습니다. 에이전트는 단순히 질문에 답하는 것에 그치지 않습니다. 도구를 사용하고, 웹을 탐색하며, 코드를 실행하고, 스스로 실수를 바로잡습니다. 수동적인 답변에서 능동적인 루프로 진화한 것입니다.
패턴은 명확합니다. 각 시대는 업무의 주체를 인간에서 기계로 옮겨왔습니다.
- 기호주의 AI: 인간이 규칙을 작성했습니다.
- 통계적 ML: 인간이 특징을 선택했습니다.
- 딥러닝: 모델이 표현(representation)을 학습했습니다.
- LLM: 모델이 인터넷으로부터 학습했습니다.
- 에이전트: 모델이 계획을 세우고 행동합니다.
모든 도약은 경제적인 이야기이기도 했습니다. 우리는 감당할 수 있는 비용 내에서 작동하는 것을 만듭니다. 연산 비용(compute)이 저렴해질수록 에이전트는 더 똑똑해집니다.
우리는 단순히 도구를 만드는 것이 아닙니다. 협업자를 만들고 있습니다.
Optional learning community: https://t.me/GyaanSetuAi