한국어
홈으로 돌아가기

부활 시대

1990년대~2010년대 · 딥러닝의 부상

1990년대 중반, 컴퓨팅 성능의 향상과 인터넷의 보급에 따라 머신러닝, 특히 딥러닝이 부상하기 시작했다. 이 시기의 인공지능 발전은 “통계 혁명”이라고 할 수 있다. 즉, 규칙 기반 시스템에서 확률적이며 데이터 기반의 모델로의 전환이다.

2012년, 딥러닝은 이미지넷 대회에서 압도적인 승리를 거두며 딥러닝 혁명의 서막을 열었다. 2016년에는 알파고가 이세돌을 꺾으며 인공지능이 널리 대중에게 인식되었다.

주요 이정표

통계적 방법의 부상

통계적 방법이 인공지능 연구를 지배하기 시작했다. 은닉 마르코프 모델이 음성 인식에 적용되었다.

편집 해석 출처: ACL Anthology 마지막 검토:

월드와이드웹의 탄생

팀 버너스리가 월드와이드웹을 창설했다.

검증됨 출처: CERN 마지막 검토:

서포트 벡터 머신

블라디미르 바프니크 등이 서포트 벡터 머신을 제안했다.

블라디미르 바프니크

검증됨 출처: Machine Learning / Springer 마지막 검토:

장단기 기억 네트워크

제프 호흐라이터와 위르겐 슈미트후버가 LSTM을 제안했다.

제프 호흐라이터와 위르겐 슈미트후버

검증됨 출처: Neural ComputationNeural Computation / PubMed 마지막 검토:

LeNet-5

얀 르쿤이 손글씨 숫자 인식을 위한 합성곱 신경망인 LeNet-5를 개발했다. LeNet-5는 대규모로 상용 배치된 최초의 딥러닝 모델 가운데 하나로, 1993년부터 AT&T와 NCR의 수표 판독에, 1990년대 후반부터는 미국 우정청의 우편번호 인식에 쓰였다.

얀 르쿤

검증됨 출처: Proceedings of the IEEE 마지막 검토:

신경 확률 언어 모델

Yoshua Bengio, Réjean Ducharme, Pascal Vincent, Christian Jauvin은 단어의 분산 표현과 단어 시퀀스 확률을 함께 학습해 차원의 저주를 완화하는 신경 확률 언어 모델을 제안했다. 이 모델은 순환 신경망이 아니라 피드포워드 신경망이다.

요슈아 벤지오

검증됨 출처: Journal of Machine Learning Research 마지막 검토:

CIFAR 신경 계산 프로그램

2004년부터 CIFAR 프로그램은 Geoffrey Hinton, Yann LeCun, Yoshua Bengio와 협력자들의 정기적인 연구 교류를 지원했다. 딥러닝 부흥에 기여한 협업을 촉진했지만 하나의 보편적 출발점은 아니다.

제프리 힌턴

편집 해석 출처: University of Toronto 마지막 검토:

심층 신뢰 네트워크

제프리 힌턴과 동료들은 심층 신뢰 네트워크(DBN)를 제안하고, 이를 한 층씩 학습시키는 빠른 탐욕 알고리즘을 제시했다. 이 층별 사전 학습은 심층 신경망에 대한 관심을 되살리는 데 기여했다.

제프리 힌턴

검증됨 출처: Neural Computation 마지막 검토:

딥러닝을 위한 GPU

연구자들이 딥러닝 훈련을 가속화하기 위해 GPU를 사용하기 시작했다.

편집 해석 출처: ICML / ACM 마지막 검토:

이미지넷 데이터셋

ImageNet 팀은 2009년 WordNet 계층으로 대규모 주석 이미지를 구성한 데이터베이스 논문을 발표했다. 이후 ImageNet과 인식 챌린지는 대규모 컴퓨터 비전 학습과 평가의 핵심 인프라가 되었다.

리 페이페이

검증됨 출처: CVPR 마지막 검토:

음성 인식의 돌파구

마이크로소프트 리서치와 토론토 대학교가 음성 인식에서 딥러닝의 첫 번째 주요 돌파구를 열었고(Dahl, Yu, Deng 2011; Mohamed, Dahl, Hinton 2012), 단어 오류율을 크게 낮췄다. 구글은 2012~2015년에 걸쳐 DNN/LSTM 기반 음성 인식을 실제 서비스에 배포했다.

검증됨 출처: Microsoft Research 마지막 검토:

이미지넷 돌파구

알렉스 크리젭스키, 일리야 서츠케버, 제프리 힌턴의 팀은 AlexNet으로 2012년 ImageNet 대회(ILSVRC)에 참가해 압도적으로 우승했다. top-5 오류율은 15.3%였고 2위는 26.2%였다.

AlexNet 팀

검증됨 출처: NeurIPS 마지막 검토:

워드투벡

토마스 미콜로프가 워드투벡을 공개했다.

토마스 미콜로프

검증됨 출처: Google / arXiv 마지막 검토:

생성적 적대 신경망

이안 굿펠로우가 GAN을 제안했다.

이안 굿펠로우

검증됨 출처: arXiv 마지막 검토:

ResNet

허카이밍 등이 잔차 네트워크를 제안했다.

허카이밍

검증됨 출처: Microsoft Research / arXiv 마지막 검토:

알파고가 이세돌을 꺾다

알파고가 이세돌을 꺾었다.

딥마인드 알파고

검증됨 출처: Google DeepMindNature 마지막 검토:

트랜스포머 아키텍처

구글이 트랜스포머 아키텍처를 제안했다.

구글 브레인

검증됨 출처: Google / arXiv 마지막 검토:

주요 인물

제프리 힌턴

딥러닝의 아버지

힌턴은 2018년에 튜링상을 수상했으며, 딥러닝의 삼거두로 불린다.

얀 르쿤

합성곱 신경망의 아버지

르쿤은 2013년 페이스북에 합류해 인공지능 연구소 FAIR의 초대 소장을 맡았고, 이후 메타의 최고 인공지능 과학자를 지냈으며, 2025년 말 메타를 떠나 직접 회사를 세웠다. 그의 LeNet-5는 대규모로 상용 배치된 최초의 딥러닝 모델 가운데 하나다. 합성곱 신경망에 대한 그의 기여는 현대 컴퓨터 비전의 토대를 놓았다.

요슈아 벤지오

딥러닝의 선구자

벤지오는 몬트리올 대학교 교수이자 딥러닝 분야의 중요 인물이다.

이안 굿펠로우

GAN의 아버지

굿펠로우는 2014년에 GAN을 제안했다.

리 페이페이

이미지넷의 어머니

리 페이페이는 스탠퍼드 대학교 교수이다.

명언

딥러닝은 여러 처리 계층으로 구성된 계산 모델이 여러 수준의 추상화를 가진 데이터 표현을 학습할 수 있도록 한다.

— 얀 르쿤, 요슈아 벤지오, 제프리 힌턴

Deep learning · Nature 521 (7553), 2015, 436–444

지능이 케이크라면, 케이크의 대부분은 비지도 학습이고, 케이크 위의 아이싱은 지도 학습이며, 케이크 위의 체리는 강화 학습(RL)이다.

— 얀 르쿤

Predictive Learning · NIPS 2016, Posner Lecture · Synced

1단계, 지능을 해결한다. 2단계, 그것으로 나머지 모든 것을 해결한다. … 지능을 해결한다는 건 AGI를 만든다는 뜻이었습니다.

— 데미스 하사비스

Demis Hassabis Thinks We’re in the ‘Foothills of the Singularity’ · Stanford Graduate School of Business, 2026

전체 타임라인 보기