년 AI 및 로봇 연구 동향

1. 1990년, 인공지능과 로봇공학의 분기점

1.1 시대적 배경: 2차 AI 붐의 종결과 새로운 패러다임의 태동

1990년은 인공지능(AI) 역사에서 중대한 전환기로 기록된다. 1980년대를 풍미했던 전문가 시스템(Expert Systems) 중심의 2차 AI 붐이 정점에 도달함과 동시에 그 근본적인 한계를 드러내던 시점이었다. 전문가 시스템은 특정 분야의 지식을 ‘IF-THEN’ 형태의 규칙으로 명시적으로 표현하여 상업적 성공을 거두었으나, 이는 곧 ‘지식 획득 병목(knowledge acquisition bottleneck)’ 현상이라는 장벽에 부딪혔다. 인간 전문가의 암묵지를 추출하여 코드로 변환하는 과정은 지난하고 비효율적이었으며, 규칙의 수가 증가함에 따라 시스템의 유지보수와 확장이 기하급수적으로 어려워졌다.1 또한, 규칙 기반 시스템은 예측 불가능한 입력이나 동적으로 변화하는 환경에 대응하는 데 취약점을 보이며, 이는 2차 ’AI 겨울’을 초래하는 주요 원인으로 작용했다.3

이러한 기호주의(Symbolic AI)의 한계에 대한 반작용으로, 1980년대 후반부터 연결주의(Connectionism)가 다시금 학계의 주목을 받기 시작했다. 병렬 분산 처리(Parallel Distributed Processing, PDP) 모델의 이론적 재조명과 역전파(Backpropagation) 알고리즘의 보급은, 데이터로부터 패턴을 학습하는 인공 신경망의 가능성을 새롭게 열었다.5 1990년은 바로 이 패러다임 전환이 학술적 논의의 장에서 본격적으로 가시화된 해였다.

1.2 1990년의 핵심 의제: 기호주의 대 연결주의, 그리고 물리 세계와의 조우

1990년 AI 연구 지형은 두 가지 거대한 지적 흐름의 충돌과 융합으로 특징지을 수 있다. 첫째는 기호주의와 연결주의 간의 방법론적 대립이다. 기호주의가 인간의 지식과 추론 과정을 명시적인 기호 조작으로 모델링하려 했다면 7, 연결주의는 뇌의 신경망 구조에서 영감을 받아 대규모 데이터로부터 유용한 표현(representation)을 학습하여 지능을 구현하고자 했다.9 이 두 패러다임은 지능의 본질에 대한 상이한 철학을 바탕으로 각자의 연구 의제를 발전시켜 나갔다.

둘째는 AI의 추상적 모델을 물리적 현실에 ’접지(grounding)’시키려는 로봇공학의 도전이었다. 로봇공학 분야에서는 불확실성, 동적 환경 변화, 센서 노이즈, 비홀로노믹 제약(non-holonomic constraints)과 같은 현실 세계의 복잡성을 극복하는 것이 핵심 과제였다.11 이는 순수한 지적 활동으로서의 AI를 넘어, 물리 세계와 상호작용하는 ’체화된 지능(embodied intelligence)’을 구현하기 위한 필수적인 단계였다.

결국 1990년의 연구 지형은 지능의 미래에 대한 여러 경쟁적인 비전들이 형성되고 시험받는 하나의 거대한 용광로와 같았다. AAAI(미국 인공지능 학회)를 중심으로 한 기호주의 진영이 논리와 지식에 기반한 기계 ’정신(mind)’의 미래를 추구했다면, NIPS(신경정보처리시스템 학회)의 연결주의 진영은 뇌의 구조를 모방한 기계 ’두뇌(brain)’의 미래를 구축하고 있었다. 동시에 ICRA(국제 로봇공학 및 자동화 학회)와 IROS(지능형 로봇 및 시스템 워크숍)의 로봇공학 커뮤니티는 이 두 비전 모두 물리 세계와의 강인한 상호작용 문제를 해결하지 않고서는 불완전하다는 것을 입증하고 있었다. 전문가 시스템의 쇠퇴가 ’정신’만으로는 부족함을 보여주었고, 로봇공학의 난제들이 ’몸(body)’의 문제가 얼마나 어려운지를 실증했으며, 초기 연결주의 모델들은 ‘두뇌’ 접근법이 아직 걸음마 단계임을 보여주었다. 따라서 1990년은 지능의 세 가지 근본 요소인 정신, 두뇌, 몸이 서로 경쟁하고 때로는 상호 보완하며 AI의 미래를 정의해나가던 역동적인 순간으로 평가할 수 있다.

2. 제8회 미국 인공지능 학회 (AAAI-90): 기호주의 AI의 심화와 협력 패러다임

2.1 학회 개요 및 주요 연구 분야

1990년 7월 29일부터 8월 3일까지 보스턴에서 개최된 제8회 AAAI 학회(AAAI-90)는 당시 AI 분야의 최고 권위를 자랑하는 학술대회였다. 총 926편의 논문이 제출되어 그중 161편만이 채택될 정도로(채택률 18%) 엄격한 심사 과정을 거쳤다.14 학회의 주요 연구 분야는 자동화 추론(Automated Reasoning), 인지 모델링(Cognitive Modeling), 상식 추론(Commonsense Reasoning), 지식 획득(Knowledge Acquisition), 지식 표현(Knowledge Representation) 등으로, 인간의 고차원적 인지 능력을 기호와 논리로 모델링하려는 기호주의 AI의 전통적인 주제들이 주를 이루었다.16

2.2 다중 에이전트 협력 모델의 정립: ‘SharedPlan’

1980년대 전문가 시스템이 폐쇄된 세계에서의 단독 추론에 한계를 드러내자, 기호주의 AI 진영은 보다 복잡하고 개방된 문제인 소통과 협력을 모델링하는 방향으로 중대한 전환을 시도했다. AAAI-90에서 발표된 Karen E. Lochbaum, Barbara J. Grosz, Candace L. Sidner의 논문 “Models of Plans to Support Communication: An Initial Report“는 이러한 지적 전환을 상징적으로 보여주는 연구였다.18

이 연구는 ‘SharedPlan’ 모델을 통해 다중 에이전트 협력의 본질을 새롭게 정의했다. 기존의 AI 계획(planning) 연구가 ’계획(plan)’을 단순히 행동의 순서를 기술한 데이터 구조로 간주했던 것과 달리, SharedPlan 모델은 ’계획을 갖는 것’을 특정 신념(beliefs)과 의도(intentions)를 보유한 ’정신 상태(mental state)’로 규정했다.18 이는 협력 행위가 단순한 행동의 조합이 아니라, 각 에이전트의 정신 상태에 대한 상호 이해와 조율을 통해 이루어진다는 통찰에 기반한다.

논문은 서로 다른 신념을 가진 에이전트들이 공동의 목표를 달성하기 위해 어떻게 소통하며 부분적인 공유 계획(partial SharedPlan)을 점진적으로 구축해 나가는지에 대한 알고리즘을 제시했다. 이는 단순한 계획 인식(plan recognition)을 넘어, 협력적인 계획 ‘수립 과정’ 자체를 모델링했다는 점에서 중요한 의의를 가진다.18 SharedPlan 모델은 기호주의 AI가 자신의 한계에 대응하여, 당시 연결주의 모델이 전혀 다룰 수 없었던 사회적 지능이라는 가장 추상적이고 도전적인 영역으로 나아가려는 야심 찬 시도였다.

2.3 지능형 인터페이스와 사용자 모델링

AAAI-90에서는 인간-컴퓨터 상호작용(HCI)에 AI 기술을 접목하려는 연구도 활발했다. Susan T. Dumais의 패널 발표 “The User Knows Best“는 당시 지능형 인터페이스 연구의 주요 쟁점을 잘 보여준다.20

당시 연구의 한 흐름은 시스템이 사용자의 목표, 지식 수준, 문제 해결 맥락 등을 추론하여 ’사용자 모델(user model)’을 구축하고, 이를 바탕으로 개인화된 상호작용을 제공하려는 시도였다. 하지만 Dumais는 언어 차이와 같은 명확한 경우를 제외하고, 사용자의 전문성이나 의도와 같은 복잡한 특성을 안정적으로 모델링하는 것이 매우 어렵다고 지적했다.

대신 그는 사용자가 자신의 정보 요구를 가장 잘 알고 있다는 전제하에, 복잡한 사용자 모델을 구축하려 하기보다 사용자에게 더 유연하고 강력한 정보 검색 및 탐색 도구를 제공하는 것이 더 효과적이라고 주장했다. 이는 동적 목차, 검색어 하이라이팅 등의 기능을 제공하여 사용자의 정보 탐색 능력을 극대화한 SuperBook과 같은 시스템의 성공 사례를 통해 뒷받침되었다.20 이는 AI가 사용자를 대신하여 추론하는 것을 넘어, 사용자의 지능을 증강시키는 방향으로 나아가야 한다는 중요한 관점을 제시했다.

Table 1: AAAI-90 주요 발표 논문

3. 신경정보처리시스템 학회 (NIPS 1990): 연결주의의 부상과 시계열 데이터 처리의 서막

3.1 학회 개요 및 연구 동향

1990년 11월 26일부터 29일까지 덴버에서 개최된 NIPS 1990(Advances in Neural Information Processing Systems 3)은 연결주의 패러다임의 심장부였다.21 이 학회는 신경망 아키텍처, 학습 알고리즘, 강화학습, 제어 및 신호 처리 응용, 그리고 이를 구현하기 위한 VLSI 하드웨어 설계에 이르기까지 광범위한 주제를 다루었다.23 이는 연결주의가 단순한 이론적 탐구를 넘어, 다양한 실제 문제에 대한 해결책으로 부상하고 있었음을 보여준다.

1990년은 훗날 Jürgen Schmidhuber가 ’기적의 해(Miraculous Year)’라고 명명할 만큼 딥러닝의 근간이 되는 여러 핵심 아이디어가 발표된 시기였다.26 흥미롭게도, 이 시기의 핵심 돌파구들은 표면적으로는 서로 다른 문제(시계열 예측, 강화학습, 기계 번역)를 다루고 있었지만, 그 기저에는 ’외부 세계의 구조에 대한 내적이고 압축된 표현(모델)을 학습하는 방법’이라는 깊고 통일된 주제를 공유하고 있었다. 이는 인간이 지식을 명시적으로 코딩해주는 기호주의 방식에서 벗어나, 시스템이 데이터로부터 스스로 세상의 모델을 학습하도록 하는 패러다임의 근본적인 전환을 의미했다.

3.2 시계열 데이터의 표현: Elman의 Simple Recurrent Network (SRN)

기호주의 진영의 주요 비판 중 하나는 연결주의 모델이 시간적 순서나 구조적 관계와 같은 복잡한 정보를 처리할 수 없다는 것이었다. Jeffrey L. Elman의 1990년 논문 “Finding Structure in Time“은 이러한 비판에 대한 강력한 응답이자, 현대 순환 신경망(RNN)의 이론적 시초가 된 기념비적인 연구이다.27

Elman이 제안한 Simple Recurrent Network(SRN), 또는 Elman Network는 이전 타임스텝의 은닉층(hidden layer) 활성화 값을 ’컨텍스트 유닛(context units)’이라는 별도의 유닛에 복사하여 다음 타임스텝의 입력으로 재사용하는 독창적인 구조를 가졌다.30 이 단순한 순환 연결을 통해 네트워크는 과거 정보의 요약을 ’기억’할 수 있게 되며, 이를 현재의 입력과 통합하여 시간적 맥락을 파악할 수 있다. 즉, 네트워크의 은닉 상태는 입력 데이터의 시간적 구조에 대한 내적인 모델(internal model) 역할을 수행하게 된다.

SRN의 핵심적인 계산 과정은 다음 수식으로 표현된다. 타임스텝 t에서의 은닉 상태 h(t)는 현재 입력 x(t)와 바로 이전 타임스텝의 은닉 상태 h(t-1)의 함수로 정의된다.34

코드 스니펫

h^{(t)} = \sigma(W_{xh}x^{(t)} + W_{hh}h^{(t-1)} + b_h)

여기서 σ는 활성화 함수, W_xh와 W_hh는 각각 입력과 이전 은닉 상태에 대한 가중치 행렬, b_h는 편향 벡터이다. Elman은 이 구조를 사용하여 네트워크가 문자열 시퀀스로부터 단어의 경계를 발견하고, 단어들의 순서로부터 문법적 범주(명사, 동사 등)와 같은 추상적인 구조를 학습할 수 있음을 실험적으로 증명했다.29 이는 연결주의 모델이 데이터로부터 시간적, 구조적 표현을 스스로 학습할 수 있는 잠재력을 명확히 보여준 사례였다.

3.3 강화학습의 새로운 지평: Schmidhuber의 모델 기반 접근

NIPS 1990에서 발표된 Jürgen Schmidhuber의 논문 “Reinforcement Learning in Markovian and Non-Markovian Environments“는 현대 모델 기반 강화학습(Model-Based RL)의 청사진을 제시한 선구적인 연구이다.37

이 연구의 핵심 아이디어는 상호작용하는 두 개의 순환 신경망, 즉 ‘모델(model)’ 네트워크와 ‘제어기(controller)’ 네트워크를 분리하여 사용하는 것이다.37

• 모델 네트워크: 에이전트의 ‘내적 세계 모델(internal world model)’ 역할을 한다. 이 네트워크는 환경의 동역학을 학습하여, 현재 상태와 제어기가 취할 행동을 입력받아 다음 상태와 보상을 예측한다.

• 제어기 네트워크: 학습된 내적 모델을 이용하여 미래를 시뮬레이션(‘rollout’ 또는 ‘planning’)하고, 이를 통해 누적 보상을 최대로 하는 행동 정책을 학습한다.

이 구조는 에이전트가 실제 환경과 상호작용하는 횟수를 줄이면서도 효율적으로 정책을 학습할 수 있게 한다. 특히, 에이전트가 현재 관측만으로는 최적의 행동을 결정할 수 없는 부분 관측 환경, 즉 비-마르코프(Non-Markovian) 환경 문제를 해결하기 위한 중요한 실마리를 제공했다.37 또한, 이 논문은 단일 스칼라 값의 보상 대신, 다차원 벡터 형태의 보상 신호를 처리하는 ‘벡터 값 비판(vector-valued adaptive critics)’ 개념을 도입했는데, 이는 후대의 일반 가치 함수(General Value Function) 개념의 원형으로 볼 수 있다.37 이 연구는 에이전트가 환경 자체에 대한 내적 모델을 명시적으로 학습하고 이를 계획에 활용한다는 점에서, 현대 강화학습 연구의 핵심 흐름 중 하나를 30여 년 전에 이미 제시했다는 평가를 받는다.39

3.4 통계적 기계 번역의 탄생

1990년은 자연어 처리(NLP) 분야에서도 패러다임 전환이 일어난 해였다. Peter F. Brown 연구팀이 저널 ’Computational Linguistics’에 발표한 “A Statistical Approach to Machine Translation“은 규칙 기반 접근법이 주를 이루던 기계 번역(MT) 분야에 통계적, 데이터 기반 방법론의 시대를 연 논문이다.42

연구팀은 번역을 베이즈 정리에 기반한 ’잡음 채널 모델(noisy-channel model)’로 재정의했다. 프랑스어 문장 f가 주어졌을 때 최적의 영어 번역 e를 찾는 문제는 argmax_e P(e|f)를 푸는 것과 같다. 베이즈 정리를 적용하면 이 식은 argmax_e P(f|e)P(e)로 변환된다.43 이 모델은 번역 문제를 두 개의 독립적인 문제로 분리한다.

1. 번역 모델(Translation Model) P(f|e): 영어 문장 e가 프랑스어 문장 f로 ’변환’될 확률.

2. 언어 모델(Language Model) P(e): 영어 문장 e 자체가 얼마나 자연스러운지를 나타내는 확률.

이 접근법의 혁신성은 번역 모델 P(f|e)를 학습하는 방식에 있었다. 연구팀은 두 언어 간의 직접적인 번역 규칙을 만드는 대신, 단어 대 단어의 대응 관계를 나타내는 ’정렬(alignment)’이라는 잠재 변수(latent variable)를 도입했다. 그리고 대규모 병렬 코퍼스(번역문 쌍 데이터)로부터 이 정렬의 확률 분포와 단어 번역 확률 t(f|e)를 추정하기 위해 EM(Expectation-Maximization) 알고리즘을 사용했다.45 이는 인간의 언어학적 지식 대신, 데이터에 내재된 통계적 패턴을 통해 두 언어 간의 관계에 대한 내적 모델을 구축하는 방식이었다. 이 연구는 이후 20여 년간 통계 기반 기계 번역(SMT)의 표준 패러다임을 정립했으며, 현대 신경망 기계 번역(NMT)의 토대가 되었다.

Table 2: NIPS 1990 및 관련 분야 핵심 연구

4. IEEE 국제 로봇공학 및 자동화 학회 (ICRA 1990): 로봇 공학의 핵심 문제 정립

4.1 학회 개요 및 로봇공학의 도전 과제

1990년 5월 13일부터 18일까지 신시내티에서 개최된 ICRA 1990은 AI의 추상적 논의를 물리적 세계로 가져오는 로봇공학 분야의 핵심 학회였다.48 학회의 주요 의제는 로봇 매니퓰레이터와 이동 로봇의 운동학(kinematics), 동역학(dynamics), 제어(control), 경로 계획(path planning), 센싱(sensing) 등 로봇공학의 근본적인 문제들을 해결하는 데 집중되었다. 특히 바퀴 달린 로봇의 방향 전환 제약과 같은 비홀로노믹 제약, 장애물이 가득한 복잡한 환경, 그리고 센서와 구동기(actuator)의 불확실성 등 현실 세계의 물리적 제약을 극복하기 위한 알고리즘 개발이 시급한 과제로 다루어졌다.11

4.2 불확실성 하에서의 강인한 경로 계획

이동 로봇이 단순히 충돌 없는 경로를 찾는 것을 넘어, 실제 세계의 불확실성 속에서 안정적으로 임무를 수행하게 하는 것은 1990년 로봇공학의 핵심 난제 중 하나였다. Paul E. Jacobs와 John F. Canny의 논문 “Robust motion planning for mobile robots“는 이 문제에 대한 중요한 이론적 토대를 제공했다.11

이 연구는 ‘강인한(robust)’ 경로라는 개념을 명시적으로 도입했다. 강인한 경로란, 계획된 명목상의 궤적(nominal trajectory)뿐만 아니라 그 주변의 ‘가까운’ 궤적들 또한 충돌이 없고 로봇의 운동학적 제약을 만족하는 경로를 의미한다.13 이는 로봇의 위치나 방향에 작은 오차가 발생하더라도, 간단한 회복 제어를 통해 안전하게 원래의 임무를 계속 수행할 수 있는 일종의 ‘안전 여유 공간’ 또는 ’튜브(tube)’를 경로 주변에 확보하는 개념이다. 이 아이디어는 로봇이 오차를 가지고 동작할 수밖에 없는 현실을 인정하고, 계획 단계에서부터 이러한 불확실성을 고려하여 실패 확률을 근본적으로 낮추려는 시도였다.

이러한 강인한 경로 계획의 개념은 훗날 ’퍼널 라이브러리(funnel libraries)’와 같은 정교한 기법으로 발전하는 토대가 되었다. ’퍼널(funnel)’은 특정 피드백 제어기가 적용될 때, 외란이나 불확실성이 존재하더라도 시스템의 상태가 머무를 것으로 보장되는 시공간적 영역을 의미한다. 연구자들은 다양한 기동에 대한 퍼널들을 미리 계산하여 라이브러리로 구축하고, 실행 시점에 이들을 조합하여 실시간으로 안전성이 보장되는 경로를 생성하는 방식으로 이 아이디어를 발전시켰다.50

4.3 3차원 형상 복원을 위한 로봇 비전: ‘Shape from Focus’

로봇이 환경과 상호작용하기 위해서는 주변 세계를 3차원으로 인식하는 능력이 필수적이다. ICRA 1990에서 Shree K. Nayar와 Yasuo Nakagawa가 발표한 “Shape from focus: an effective approach for rough surfaces“는 수동적 비전(passive vision)을 이용한 3차원 형상 복원 기술의 중요한 이정표를 세웠다.11

‘Shape from Focus’ 기술의 핵심 원리는 카메라 렌즈의 초점 심도(depth of field)가 유한하다는 광학적 특성을 활용하는 것이다. 카메라와 물체 사이의 거리를 점진적으로 변화시키면서 여러 장의 이미지를 촬영하면, 이미지의 각 픽셀은 물체 표면의 해당 지점이 정확히 초점면에 위치할 때 가장 선명한 값을 갖게 된다.56

이 기술은 ‘초점 측정(focus measure)’ 연산자를 사용하여 각 픽셀 위치에서 이미지의 선명도를 정량적으로 평가한다. 논문에서 제안된 SML(Sum-Modified-Laplacian) 연산자는 이미지의 라플라시안(2차 미분) 값을 이용하여 이미지의 고주파 성분, 즉 선명도를 측정하는 효과적인 방법이다.56 이미지 시퀀스의 각 픽셀 위치마다 초점 측정값을 계산하고, 그 값이 최대가 되는 프레임(즉, 초점 거리)을 찾는다. 이 초점 거리가 바로 해당 픽셀에 대응하는 물체 표면의 깊이(depth) 정보가 된다. 이 과정을 모든 픽셀에 대해 반복하면, 조밀한 3차원 깊이 지도(depth map)를 얻을 수 있다.56 이 방법은 특히 표면 질감이 복잡하고 거친 물체의 형상을 복원하는 데 효과적임을 입증했다.

4.4 정교한 로봇 제어 기법

ICRA 1990에서는 로봇이 단순히 정해진 경로를 따라 움직이는 것을 넘어, 환경과 정교한 물리적 상호작용을 수행하기 위한 다양한 고급 제어 기법들이 발표되었다. 대표적으로, 로봇이 단단한 환경과 접촉할 때 발생하는 충격을 제어하기 위한 임피던스 제어(impedance control) 11, 외부 힘에 순응적으로 반응하며 동작하는 적응형 순응 제어(adaptive compliant motion controller) 11, 그리고 로봇 팔의 움직임에서 발생하는 진동을 능동적으로 억제하기 위한 동적 감쇠 제어(dynamic damping control) 11 등이 있었다. 이러한 연구들은 로봇 제어가 단순한 위치 제어의 한계를 넘어, 힘, 강성, 감쇠 등 동역학적 특성을 적극적으로 제어하는 방향으로 발전하고 있었음을 보여준다.

Table 3: ICRA 1990 주요 로봇공학 연구

5. IEEE 지능형 로봇 및 시스템 워크숍 (IROS ’90): 다중 로봇과 지능형 시스템의 탐구

5.1 학회 개요 및 지능형 로봇의 개념

1990년 7월 3일부터 6일까지 일본 이바라키에서 개최된 IROS ’90은 로봇공학에 AI 기술을 적극적으로 접목하여 ‘지능형’ 시스템을 구현하는 데 초점을 맞춘 국제 워크숍이었다.60 이 학회는 단일 로봇의 저수준 제어를 넘어, 다중 로봇 시스템의 협력, 동적 환경에 대한 인식 및 적응, 고수준 작업 계획 등 보다 복잡하고 지능적인 문제들을 다루었다.60

5.2 다중 로봇 시스템의 협력과 조정

IROS ’90에서는 여러 대의 로봇이 하나의 통합된 시스템처럼 동작하여 공동의 목표를 달성하는 다중 로봇 시스템에 대한 초기 연구들이 발표되었다. “Integrating MultiRobot Coordination in a MobileRobot Control System“이나 “Consideration on the Cooperation of Multiple Autonomous Mobile Robots“와 같은 연구들은 여러 로봇 간의 충돌 회피, 효율적인 작업 분배, 통신 프로토콜 설계 등 다중 로봇 협력의 근본적인 문제들을 다루었다.60 이는 단일 에이전트의 지능을 넘어, 분산된 시스템이 어떻게 집단적 지능을 발현할 수 있는지에 대한 탐구의 시작이었다.

5.3 동적 환경 인식 및 지도 구축

로봇이 정적인 환경을 전제로 동작하는 것은 현실 세계의 응용에 큰 제약이 된다. IROS ’90에서는 로봇이 미지의 환경을 탐사하며 실시간으로 지도를 생성하는 기술에 대한 중요한 연구들이 발표되었다. “Dynamic Map Building for an Autonomous Mobile Robot“과 “Constructing Maps for Indoor Navigation of a Mobile Robot“과 같은 논문들은 로봇이 센서 데이터를 기반으로 환경의 지도를 점진적으로 구축하고, 동시에 그 지도상에서 자신의 위치를 추정하는 문제를 다루었다.60 이러한 연구들은 훗날 자율 이동 로봇 기술의 핵심인 SLAM(Simultaneous Localization and Mapping, 동시적 위치 추정 및 지도 작성) 기술의 중요한 초석이 되었다.

5.4 병렬 로봇 매니퓰레이터 연구

IROS ’90에서는 전통적인 직렬 링크 구조의 로봇 팔과 다른 새로운 메커니즘에 대한 연구도 활발했다. 특히 T. Arai 등이 발표한 “Design, analysis and construction of a prototype parallel link manipulator“는 병렬 로봇 매니퓰레이터에 대한 대표적인 연구였다.62 병렬 로봇은 여러 개의 링크가 베이스와 엔드 이펙터를 동시에 연결하는 구조로, 직렬 로봇에 비해 높은 강성, 정밀도, 그리고 속도를 가질 수 있다는 장점이 있다. C. Gosselin의 강성 매핑(stiffness mapping) 및 특이점 분석(singularity analysis) 연구 또한 병렬 로봇의 운동학적, 동역학적 특성을 이해하고 제어하는 데 필수적인 이론적 기반을 제공했다.62

6. 종합 분석 및 1990년의 유산: 현대 AI를 향한 씨앗

6.1 세 가지 패러다임의 각축: 기호주의, 연결주의, 그리고 통계주의

1990년의 AI 연구 지형은 세 가지 주요 패러다임의 경쟁과 공존으로 요약될 수 있다.

• 기호주의(Symbolism): AAAI-90으로 대표되는 기호주의는 인간의 고차원적 인지 능력, 즉 추론, 계획, 협력 등을 명시적인 기호와 논리로 모델링하는 데 강점을 보였다. 그러나 이는 현실 세계의 불확실성과 방대한 데이터로부터 지식을 학습하는 능력에는 근본적인 한계를 드러냈다.10

• 연결주의(Connectionism): NIPS 1990을 중심으로 부상한 연결주의는 생물학적 뇌 구조에서 영감을 받아, 데이터로부터 패턴과 구조를 학습하는 데 강력한 잠재력을 보여주었다. 하지만 당시의 기술 수준으로는 복잡한 구조나 장기적 의존성을 효과적으로 다루기에는 아직 초기 단계에 머물러 있었다.5

• 통계주의(Statism): Peter Brown 연구팀의 통계적 기계 번역은 특정 아키텍처에 얽매이지 않고, 대규모 데이터와 확률 모델을 통해 복잡한 문제를 해결하는 제3의 길, 즉 통계주의 또는 데이터 중심 AI의 본격적인 등장을 알렸다.42

이 세 패러다임의 경쟁은 ’지식은 기호로 주입되어야 하는가, 아니면 데이터로부터 학습되어야 하는가?’라는 근본적인 질문을 던졌다. 기호주의 접근법은 인간이 올바른 지식과 규칙을 파악하여 기계에 프로그래밍하는 방식을 취했으나, 이는 곧 지식 획득의 병목 현상에 부딪혔다.1 반면, 1990년에 발표된 선구적인 연결주의 및 통계주의 연구들은 공통적으로 인간이 설계한 표현 대신 기계가 학습한 표현으로의 전환을 보여주었다. Elman의 RNN은 은닉 상태를 통해 시간적 구문에 대한 내적 표현을 학습했고 31, Nayar의 Shape from Focus는 2D 이미지 시퀀스로부터 3D 형상 표현을 학습했으며 56, Brown의 SMT는 두 언어 간 정렬에 대한 통계적 표현을 학습했다.43 Schmidhuber의 월드 모델은 환경 동역학의 압축된 표현을 학습했다.37 1990년의 가장 심오한 유산은 바로 이러한 ’학습된 표현(learned representation)’의 승리였다. 이는 수작업 지식 공학에서 데이터 기반 표현 학습으로의 전환을 의미했으며, 현대 딥러닝 혁명의 사상적 기반이 되었다.

6.2 21세기 딥러닝을 잉태한 선구적 연구들

1990년에 발표된 여러 연구들은 수십 년 후 21세기 딥러닝 혁명을 직접적으로 이끈 선구적인 아이디어들을 담고 있었다.

• Elman의 SRN (1990) → LSTM (1997) → Transformer (2017): Elman이 제안한 ’순환 상태’라는 개념은 시간적 의존성을 처리하는 핵심 아이디어였다. 이는 장기 의존성 문제를 해결한 LSTM(Long Short-Term Memory)으로 발전했으며, 궁극적으로는 순환 구조를 제거하고 어텐션 메커니즘(attention mechanism)으로 대체한 트랜스포머(Transformer) 아키텍처의 탄생으로 이어졌다. 1990년의 SRN은 현대 대규모 언어 모델(LLM) 계보의 직접적인 출발점에 위치한다.66

• Schmidhuber의 모델 기반 RL (1990) → DeepMind의 World Models (2018): Schmidhuber가 제안한, 환경의 동역학을 학습하는 ’월드 모델’과 이를 이용해 계획하는 ’제어기’의 분리 구조는 약 30년 후 DeepMind 등의 연구에서 ’World Models’라는 이름으로 부활했다. 이 아이디어는 복잡한 가상 환경에서 높은 데이터 효율성을 달성하는 핵심 전략으로 재조명되었다.39

• Brown의 SMT (1990) → Phrase-Based SMT (2003) → Neural MT (2014): Brown 연구팀이 정립한 통계적 접근법과 데이터 기반 패러다임은 이후 구문 기반 SMT(Phrase-Based SMT)로 발전하며 20여 년간 기계 번역 분야를 지배했다. 이는 대규모 병렬 코퍼스를 기반으로 하는 신경망 기계 번역(NMT)의 토대가 되었다. 특히 NMT의 핵심인 Sequence-to-Sequence 모델은 SMT의 인코더-디코더 구조와 정렬 개념을 계승하고 발전시킨 것이다.42

6.3 결론: 1990년의 근본적 질문과 현대적 해답

1990년의 연구자들은 지능의 본질에 대한 근본적인 질문들을 던졌다. ‘시간과 구조를 어떻게 표현할 것인가?’, ‘불확실한 세상에서 어떻게 강인하게 행동할 것인가?’, ‘지식은 기호로 주입해야 하는가, 아니면 데이터로부터 학습해야 하는가?’ 이러한 질문들은 당시의 기술적 한계 속에서 각기 다른 패러다임에 의해 탐구되었다.

오늘날의 딥러닝은 이 질문들에 대해 ’대규모 데이터와 막대한 계산 능력을 바탕으로 한 연결주의적, 통계적 학습’이라는 하나의 강력하고 통합된 해답을 제시하고 있다. 1990년은 이 해답의 씨앗들이 뿌려진 해였다. 당시에는 서로 경쟁하는 것처럼 보였던 여러 아이디어들이 수십 년의 시간을 거치며 융합하고 발전하여 현재의 기술적 폭발을 이끌어냈다. 따라서 1990년은 단순히 과거의 한 시점이 아니라, 현대 AI를 가능하게 한 지적 토양이 마련된, 미래를 향한 서곡이 울려 퍼진 해로 기억되어야 한다.

7. 참고 자료

1. expert systems and knowledge-based engineering (1984-1991) - IU ScholarWorks, https://scholarworks.iu.edu/journals/index.php/ijdl/article/view/12891/19564
2. I. The Spiral Evolution of Artificial Intelligence: Lessons from Dartmouth to the Rise and Fall of Expert Systems - AI Helps Humans, https://aihelpshumans.com/en/post/chapter-1/
3. An Overview of the Rise and Fall of Expert Systems | by Shaq Arif | Version 1 | Medium, https://medium.com/version-1/an-overview-of-the-rise-and-fall-of-expert-systems-14e26005e70e
4. How the AI Boom Went Bust - Communications of the ACM, https://cacm.acm.org/opinion/how-the-ai-boom-went-bust/
5. A Revisionist History of Connectionism - University Computing Support Services, https://userweb.ucs.louisiana.edu/~isb9112/dept/phil341/histconn.html
6. The rise, fall, and resurgence of computational cognitive science, https://pabloinsente.github.io/rise-fall-com-cog-science
7. Symbolism vs. Connectionism: A Closing Gap in Artificial Intelligence | Jieshu’s Blog, http://wangjieshu.com/2017/12/23/symbol-vs-connectionism-a-closing-gap-in-artificial-intelligence/
8. Symbolic AI vs. Connectionist AI: Know the Difference - SmythOS, https://smythos.com/developers/agent-development/symbolic-ai-vs-connectionist-ai/
9. Top 19 Ai & Society papers published in 1990 - SciSpace, https://scispace.com/journals/ai-society-6ghf262z/1990
10. Looking back, looking ahead: Symbolic versus connectionist AI, https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/15111/18883
11. Proceedings of the 1990 IEEE International Conference on Robotics and Automation, Cincinnati, Ohio, USA, May 13-18, 1990 - researchr publication, https://researchr.org/publication/icra-1990
12. Robots and Jobs: Evidence from US Labor Markets - National Bureau of Economic Research, https://www.nber.org/system/files/working_papers/w23285/w23285.pdf
13. Robust motion planning for mobile robots - People @EECS, https://people.eecs.berkeley.edu/~jfc/papers/90/JCicra90.pdf
14. AAAI-90: Eighth National Conference on Artificial Intelligence - AAAI, https://aaai.org/conference/aaai/aaai90/
15. AAAI 1990 - Openresearch, https://www.openresearch.org/wiki/AAAI_1990
16. Aaai-90: Proceedings of the Eighth National Conference on Artificial Intelligence, https://books.google.com/books/about/Proceedings_of_the_Eighth_National_Confe.html?id=8pZQAAAAMAAJ
17. Proceedings of the AAAI Conference on Artificial Intelligence, 8 Archives, https://aaai.org/proceeding/aaai-08-1990/
18. 1990-Models of Plans to Support Communication: An Initial Report, https://aaai.org/Papers/AAAI/1990/AAAI90-073.pdf
19. Models of Plans to Support Communication: An Initial Report. - dblp, https://dblp.uni-trier.de/rec/conf/aaai/LochbaumGS90.html
20. 1990-User Modeling and User Interfaces - AAAI, https://aaai.org/Papers/AAAI/1990/AAAI90-171.pdf
21. Neural Information Processing Systems (NIPS) - SIGMOD, http://www.sigmod.org/publications/dblp/db/conf/nips/index.html
22. NIPS 1990 - Openresearch, https://www.openresearch.org/wiki/NIPS_1990
23. Neural Information Processing Systems 1990, http://www.sigmod.org/publications/dblp/db/conf/nips/nips1990.html
24. Advances in Neural Information Processing Systems 3 (NIPS 1990), https://proceedings.neurips.cc/paper/1990
25. NeurIPS 1990 Accepted Paper List, https://papercopilot.com/paper-list/neurips-paper-list/neurips-1990-paper-list/
26. [2005.05744] Deep Learning: Our Miraculous Year 1990-1991 - arXiv, https://arxiv.org/abs/2005.05744
27. Famous Deep Learning Papers, https://papers.baulab.info/
28. (Open Access) Finding Structure in Time (1990) | Jeffrey L. Elman | 11604 Citations, https://scispace.com/papers/finding-structure-in-time-94202ql0sq
29. [PDF] Finding Structure in Time - Semantic Scholar, https://www.semanticscholar.org/paper/Finding-Structure-in-Time-Elman/668087f0ae7ce1de6e0bd0965dbb480c08103260
30. Finding Structure in Time, https://jontalle.web.engr.illinois.edu/Public////Elman-FindingStructureinTime.90.pdf
31. Finding Structure in Time, https://courses.grainger.illinois.edu/cs546/sp2018/Slides/Feb15_Elman.pdf
32. The architecture of the Elman Neural Network - ResearchGate, https://www.researchgate.net/figure/The-architecture-of-the-Elman-Neural-Network_fig1_228418457
33. Understanding Elman RNN — Uniqueness & How To Implement In Python With PyTorch, https://spotintelligence.com/2023/02/01/elman-rnn/
34. Chapter 4 - Recurrent Neural Networks, https://www3.nd.edu/~dchiang/teaching/tonn/2024/chapter4.pdf
35. Recurrent Neural Networks (RNNs). Implementing an RNN from scratch in… | by Javaid Nabi | TDS Archive | Medium, https://medium.com/data-science/recurrent-neural-networks-rnns-3f06d7653a85
36. 9.4. Recurrent Neural Networks — Dive into Deep Learning 1.0.3 documentation, http://d2l.ai/chapter_recurrent-neural-networks/rnn.html
37. Reinforcement Learning in Markovian and Non-Markovian …, https://proceedings.neurips.cc/paper/1990/file/70c639df5e30bdee440e4cdf599fec2b-Paper.pdf
38. Reinforcement Learning - Chessprogramming wiki, https://www.chessprogramming.org/Reinforcement_Learning
39. 1990: Planning & Reinforcement Learning with Recurrent World Models and Artificial Curiosity, https://people.idsia.ch/~juergen/world-models-planning-curiosity-fki-1990.html
40. REINFORCEMENT LEARNING and POMDPs - IDSIA, https://www.idsia.ch/~juergen/rl.html
41. On Learning to Think: Algorithmic Information Theory for Novel Combinations of Reinforcement Learning Controllers and Recurrent Neural World Models - ResearchGate, https://www.researchgate.net/publication/285458567_On_Learning_to_Think_Algorithmic_Information_Theory_for_Novel_Combinations_of_Reinforcement_Learning_Controllers_and_Recurrent_Neural_World_Models
42. 100 Must-Read NLP Papers - GitHub, https://github.com/mhagiwara/100-nlp-papers
43. (PDF) A Statistical Approach To Machine Translation - ResearchGate, https://www.researchgate.net/publication/2476940_A_Statistical_Approach_To_Machine_Translation
44. 11 Symbolic MT 1: The IBM Models and EM Algorithm - Graham Neubig, https://www.phontron.com/class/mtandseq2seq2017/mt-spring2017.chapter11.pdf
45. Statistical Machine Translation: IBM Models 1 and 2 - CS@Columbia, https://www.cs.columbia.edu/~mcollins/courses/nlp2011/notes/ibm12.pdf
46. IBM Model 1 and the EM Algorithm - MT class, http://mt-class.org/jhu/slides/lecture-ibm-model1.pdf
47. Statistical Machine Translation IBM Model 1 CS626/CS460 - Anoop Kunchukuttan, https://anoopkunchukuttan.gitlab.io/publications/presentations/IBM_Models.pdf
48. Proceedings: 1990 IEEE International Conference on Robotics and Automation - Google Books, https://books.google.com/books/about/Proceedings.html?id=g0ROAQAAIAAJ
49. ICRA 1990: Cincinnati, Ohio, USA - DBLP, https://dblp.org/db/conf/icra/icra1990
50. (PDF) Robust motion planning for mobile robots - ResearchGate, https://www.researchgate.net/publication/3517261_Robust_motion_planning_for_mobile_robots
51. Robust Online Motion Planning with Reachable Sets Anirudha Majumdar - Research, https://groups.csail.mit.edu/robotics-center/public_papers/Majumdar13f.pdf
52. Funnel Libraries for Real-Time Robust Feedback … - Research - MIT, https://groups.csail.mit.edu/robotics-center/public_papers/Majumdar16a.pdf
53. Shape from focus using gradient of focus measure curve | Request PDF - ResearchGate, https://www.researchgate.net/publication/364677060_Shape_from_focus_using_gradient_of_focus_measure_curve
54. Focal Sweep Camera for Space-Time Refocusing - Computer Science, Columbia University, http://www.cs.columbia.edu/~changyin/files/focal-sweep-photography-v2.5_small.pdf
55. Publications - CAVE - Columbia University, https://cave.cs.columbia.edu/publications
56. Shape from Focus - Columbia CAVE, https://cave.cs.columbia.edu/Statics/publications/pdfs/Nayar_TR89.pdf
57. Shape from focus system - Computer Vision and Pattern Recognition, 1992. Proceedings CVPR ’92., 1992 IEEE Computer Society C - Columbia CAVE, https://cave.cs.columbia.edu/Statics/publications/pdfs/Nayar_CVPR92.pdf
58. Shape from Focus. - DTIC, https://apps.dtic.mil/sti/tr/pdf/ADA215959.pdf
59. Shape from focus: an effective approach for rough surfaces | IEEE Conference Publication - DOI, https://doi.org/10.1109/ROBOT.1990.125976
60. IROS ’90: Proceedings IEEE International Workshop on Intelligent Robots and - Google Books, https://books.google.com/books/about/IROS_90.html?id=VbBTAAAAYAAJ
61. IROS ’90: Proceedings : IEEE International Workshop on Intelligent Robots - Google Books, https://books.google.com/books/about/IROS_90.html?id=A59YAAAAYAAJ
62. Parallel robots, Bibliography of 1990 - Inria, https://www-sop.inria.fr/members/Jean-Pierre.Merlet/1990/biblio_espace.html
63. Connectionism - Wikipedia, https://en.wikipedia.org/wiki/Connectionism
64. Connectionist Representations: the State of the Art - Center for Research in Language, https://crl.ucsd.edu/newsletter/8-1/Article1.html
65. Advances in natural language processing, https://cs224d.stanford.edu/papers/advances.pdf
66. Attention Is All You Need - Wikipedia, https://en.wikipedia.org/wiki/Attention_Is_All_You_Need
67. World Models, https://worldmodels.github.io/
68. Models of Plans to Support Communication: An Initial Report, https://m.aaai.org/Library/AAAI/1990/aaai90-073.php
69. Models of Plans to Support Communication: An Initial Report, https://www.semanticscholar.org/paper/17a9de5698dec2f2edeef93404b5c3542677c677
70. An Expection-Driven Response Understanding Paradigm. IEEE Trans. Knowl. Data Eng. 6(3) - ACM SigMod, http://www.sigmod.org/publications/dblp/db/journals/tkde/Shin94.html
71. Top 15 papers published by Artificial Intelligence Center in 1990 - SciSpace, https://scispace.com/institutions/artificial-intelligence-center-3s439tay/1990
72. Chapter 10 - Finding Structure in Time Jeffrey L. Elman, https://condor.depaul.edu/dallbrit/extra/hon207/readings/elman-chapter10-finding-structure-in-time.pdf
73. Juergen Schmidhuber’s online publications - IDSIA, https://www.idsia.ch/~juergen/onlinepub.html
74. [1901.01122] Machine Translation: A Literature Review - ar5iv - arXiv, https://ar5iv.labs.arxiv.org/html/1901.01122
75. On Statistical Machine Translation and Translation Theory - ACL Anthology, https://aclanthology.org/W15-2522.pdf
76. (PDF) Planning Smooth Paths for Mobile Robots - ResearchGate, https://www.researchgate.net/publication/3500481_Planning_Smooth_Paths_for_Mobile_Robots