AI 생존 지도 중에서...
2012년 9월, 이미지넷 대회장에서 벌어진 일은 한 줄의 성적표로 요약됩니다.
15.315%.
이 수치는 알렉스넷이 기록한 top-5 오류율입니다. 2위였던 ISI의 오류율은 26.172%였습니다. 차이는 10.857%포인트. 숫자로만 보면 다소 건조하죠. 하지만 테스트 이미지가 약 15만 장이었다는 점을 생각하면 이야기가 달라집니다. 대략 1만 6천 건 이상의 실패가 한꺼번에 줄어든 셈이니까요.
결과는 충격적이었죠.
그런데 이 수치만으로 사건을 해석하면 곤란합니다. 알렉스넷은 단지 컴퓨터가 사진을 더 잘 알아보게 된 사건이 아니었습니다. 더 정확히 말하면, 알렉스넷은 컴퓨터 비전의 기준을 바꾼 사건이었습니다. 사람이 규칙을 정하고 그 이유를 설명하던 시대에서, 기계가 스스로 패턴을 찾아내고 결과로 증명하는 시대로 넘어간 것입니다. 인간은 기계가 판단하는 과정을 이해하지 못했기 때문에 설명할 수 없었지만, 알렉스넷은 기묘하게 더 자주 맞혔습니다.
이것은 성능 개선의 차원이 아니었습니다.
이전의 인공지능은 인간이 만든 규칙에 기대고 있었습니다. 귀가 뾰족하면 고양이, 수염이 길면 고양이, 동그란 눈을 가지면 고양이. 이런 식의 설명 가능한 규칙을 쌓아 올리는 방식이었죠. 문제는 세상이 그렇게 반듯하지 않다는 데 있었습니다. 귀가 접힌 고양이도 있고, 수염이 잘린 고양이도 있고, 개처럼 생긴 고양이도 있습니다.
폴라니의 말처럼 우리는 말할 수 있는 것보다 더 많은 사실을 압니다. 사람은 고양이를 알아보지만, 어떻게 고양이를 알아보는지 머릿속에서 펼쳐지는 원리를 설명하지 못합니다. 딥러닝은 바로 그 틈을 파고들었습니다. 인간이 설명하지 못하는 지식을 규칙으로 번역하려 하지 않고, 예시를 수백만 장 보여주며 기계 스스로 패턴을 찾게 한 겁니다.
도대체 왜 2012년에 이 일이 터졌을까요?
신경망 아이디어가 그해 갑자기 하늘에서 떨어진 것은 아니었습니다. 오래전부터 있었습니다. 다만 오래도록 힘을 쓰지 못했죠. 데이터가 부족했고, 연산이 부족했고, 학계의 주류도 그쪽은 관심 밖이었습니다. 알렉스넷의 진짜 무서움은 천재적인 알고리즘 하나가 아니라, 대규모 이미지넷 데이터, GPU, CUDA, 깊은 CNN 구조, ReLU, 드롭아웃, 앙상블 같은 요소들이 한순간에 임계점을 넘었다는 데 있었습니다.
혁명은 대개 발명품 하나로 오지 않습니다.
알렉스 크리제브스키와 일리야 수츠케버, 제프리 힌튼이 만든 알렉스넷은 GTX 580 GPU 두 장으로 5~6일 동안 훈련됐습니다. 지금 기준으로 보면 소박해 보입니다. 하지만 그 순간 게임용 그래픽 카드였던 GPU는 다른 이름을 얻기 시작했습니다. 화면을 그리는 부품이 아니라, 세계를 학습하는 엔진이 된 것이죠.
엔비디아의 운명도 여기서 방향을 틀었습니다. 훗날 회사의 중심은 게임 그래픽에서 데이터센터로 이동합니다. FY2026 발표 기준으로 엔비디아 전체 매출의 대부분은 데이터센터에서 나왔습니다. 물론 GPU만으로 AI가 만들어지는 것은 아닙니다. 네트워크, 전력, 메모리, 데이터센터 운영, 소프트웨어 생태계가 함께 필요합니다. 그래도 2012년의 알렉스넷은 분명한 신호탄이었습니다.
게임 부품이 자본재가 되는 순간.
구글이 제품도 매출도 없는 DNNresearch에 거액을 베팅한 이유도 여기서 보입니다. 공식 인수 금액은 공개되지 않았지만, 여러 보도는 약 4,400만 달러를 언급합니다. 세 명짜리 연구 조직치고는 이상한 가격입니다. 사업계획서보다 논문 한 편이 더 비쌌던 밤이었죠.
하지만 구글은 회사를 산 것이 아니었습니다.
앞으로의 인공지능에서 가장 중요한 것은 규칙을 잘 쓰는 사람이 아니라, 데이터와 연산을 가진 조직이 될 것이라는 냄새를 맡은 겁니다. 자본은 본능적으로 자신과 비슷한 냄새를 맡습니다. 데이터는 원유가 되고, GPU는 정유 공장이 되고, 모델은 그 위에서 돌아가는 새로운 산업 설비가 됩니다.
다만 여기서 한 가지 불편한 질문이 남습니다.
설명하지 못해도 더 정확하다면, 우리는 그것을 믿는 게 맞을까요?
사진첩에서 고양이를 분류하거나, 검색 결과를 조금 더 보기좋데 나열하거나, 쇼핑 추천을 개선하는 일이라면 정확도가 설명보다 앞설 수 있습니다. 틀려도 대개 큰일은 나지 않으니까요.
하지만 의료, 금융, 법률, 행정으로 들어가면 이야기가 달라집니다. AI가 환자의 위험도를 낮게 평가하는 바람에 치료 기회를 늦추게 된다면 어떻게 될까요. 대출 심사에서 누군가를 부당하게 배제한다면요. 형사사법에서 위험 점수가 특정 집단에 더 불리하게 작동한다면요.
그러니 블랙박스 문제는 철학자의 바카라상 위에만 놓인 난제가 아닙니다. 그것은 병원 창구, 은행 심사실, 법정, 복지 행정의 문제입니다.
“챗GPT가... 그리고 데이터가 그렇게 말했습니다.”
이 문장은 때로 가장 위험한 설명입니다. 말하는 주체가 사라지기 때문입니다. 누가 데이터를 모았는지, 어떤 기준으로 라벨을 붙였는지, 어떤 사람들의 삶이 데이터에서 빠졌는지, 피해를 입은 사람은 어디에 이의를 제기해야 하는지 모호해집니다.
2012년 딥러닝 혁명은 기계가 눈을 뜬 사건이었습니다. 하지만 그보다 더 정확히 말하면, 눈을 뜬 기계를 누가 소유하고, 누가 감시하고, 누가 바카라임질 것인지를 묻기 시작한 사건이었습니다.
설명의 시대가 끝나고 학습의 시대가 열렸다는 말은 반쯤만 맞습니다.
설명은 사라진 것이 아닙니다. 자리를 옮겼습니다. 모델 안쪽에서는 흐려졌고, 슬롯 바깥쪽에서는 더 절실해졌습니다. 이제 우리는 모델의 모든 뉴런을 설명하지 못하더라도, 그 모델이 어떤 데이터로 만들어졌는지, 어디에 쓰이는지, 누가 이익을 얻는지, 누가 피해를 입는지, 틀렸을 때 어떻게 멈출 수 있는지는 설명해야 합니다.
알렉스넷 이후의 세계에서 중요한 질문은 “AI가 왜 맞혔는가?”만이 아닙니다.
“그 AI가 틀렸을 때, 누가 대답할 것인가?”입니다.
이 이야기는 제 바카라 『AI 생존지도』에서 조금 더 길게 풀었습니다.(현재 예판중입니다.)
https://www.yes24.com/product/goods/191018764
https://product.kyobobook.co.kr/detail/S000220153586
https://www.aladin.co.kr/shop/wproduct.aspx?ItemId=394522063