시간 순 이정표입니다. 주간 활동 격자가 아닙니다.
진한 칸일수록 이 직업에서 해당 지표가 높습니다.
낮음높음
대부분의 시간은 최근 논문을 읽고, 훈련 코드를 작성하고 디버깅하고, 오래 실행되는 실험 결과를 기다리며 분석하고, 협업자와 발견 사항을 논의하는 데 나뉘어 쓰인다. 대중적 이미지와 달리, 업무의 큰 비중은 새로운 아키텍처를 처음부터 구상하는 것이 아니라 모델의 성능이 왜 부진한지, 왜 결과가 재현되지 않는지를 진단하는 데 있다.
대학이나 최상위 산업 연구소에서 독립적인 연구직을 맡으려면 사실상 그렇다. 자격시험이 존재하지 않으므로 박사 학위가 이 분야의 실질적 자격증 역할을 한다. 박사 학위가 없는 뛰어난 엔지니어들은 산업체 레지던시 프로그램이나 오픈소스 작업과 인용된 프리프린트라는 공개 기록을 통해 점점 더 많이 진입하고 있지만, '연구 과학자' 같은 직함은 여전히 박사 학위 소지자에게 크게 치우쳐 있다.
일부는 명백히 그렇다. 문헌 요약, 상용구 실험 코드, 관련 연구 초안 작성은 이미 일상적으로 AI의 도움을 받고 있으며, 일부 연구소는 스스로 실험을 제안하고 실행하는 시스템을 공공연히 실험하고 있다. 그러나 결과가 실제로 무엇을 의미하는지 해석하고 발표된 주장에 책임을 지는 일은 넘겨주기 훨씬 어려운 것으로 드러났다.
고용주와 연차에 따라 편차가 매우 크다. 미국의 더 넓은 '컴퓨터 및 정보 연구 과학자' 범주 중위 연봉은 2024년 $140,910였지만, 대형 기술기업 연구소에 합류하는 신규 박사들은 흔히 이보다 훨씬 높은 금액으로 시작하며, 2024~2025년 채용 경쟁 중 프런티어 AI 연구소의 극소수 시니어 연구원들은 7~8자리 숫자에 달하는 총보상 패키지를 제안받았다고 알려져 있다.
경계는 끊임없이 흐려지지만, 대략적인 구분은 유지된다. 연구원의 산출물은 대개 논문, 새로운 방법, 또는 무언가가 왜 작동하는지에 대한 통찰이며 동료 심사로 평가받는다. 엔지니어의 산출물은 대개 실제 운영 중인 시스템이며, 출시되고 실사용에서 버텨내는지로 평가받는다. 많은 사람들이 경력 동안 둘 다를 겸한다.
파이썬이 지배적이며 딥러닝 프레임워크와 함께 쓰인다. 파이토치가 현재 연구에서 가장 흔히 쓰이고, 구글 관련 대규모 작업에는 JAX가 인기가 있다. 코드 외에도 연구자들은 공유 GPU·TPU 컴퓨팅 클러스터, Weights & Biases 같은 실험 추적 도구, 그리고 대부분의 새로운 결과가 공식 동료 심사 몇 달 전에 프리프린트로 유통되는 arXiv에 의존한다.
AI 연구는 스스로를 탄생시켰다고 선언하고 다시 재탄생했다고 선언하기를 반복하는 분야다. 1950년대의 창시자들은 한 세대 안에 기계 지능이 도래할 것으로 기대했다. 그것이 오지 않자 자금 지원은 한 번도 아니고 두 번 붕괴했으며, 그때마다 신경망을 포기하지 않은 소수의 연구자 집단이 학계 대부분이 막다른 길이라 여기던 시절 동안 그 발상을 지켜냈다.
이 이야기 전체를 관통하는 두 가닥이 있다. 하나는 지능이 기호와 규칙으로 환원될 수 있는지, 아니면 데이터로부터 통계적으로 학습되어야만 하는지에 대한 철학적 논쟁이고, 다른 하나는 이 분야의 옹호자와 회의론자 중 누가 진보 속도를 더 정확히 예측했는가라는 실질적 논쟁이다. 둘 다 아직 결론이 나지 않았지만, 후자는 비평가들이 예상한 것보다 훨씬 빠르게 옹호자 쪽으로 반복해서 기울어왔다.
1955년 록펠러 재단에 제출한 지원금 제안서에서, 수학자 존 매카시와 공동 저자 세 명 — 마빈 민스키, 너새니얼 로체스터, 클로드 섀넌 — 은 학습의 모든 측면이 원칙적으로 너무나 정밀하게 기술될 수 있어 기계가 그것을 시뮬레이션하도록 만들 수 있다는 추측에 근거하여 '인공지능'이라는 표현을 만들어, 그들이 열고자 한 여름 워크숍을 표현했다. 록펠러 재단은 요청한 14,000달러 중 절반 정도만 지원했다. 그해 여름 약 열 명의 연구자가 다트머스에 모여 약 8주를 보냈다. 이 모임은 단일한 기술적 돌파구를 만들어내지 못했지만, 의도적으로 선택된 그 이름 — 그리고 그것이 명명한 분야 — 은 그곳에서 실제로 논의된 그 무엇보다도 오래 살아남았다.
워런 매컬록과 월터 피츠가 '신경 활동에 내재한 개념의 논리적 계산'을 발표하여, 단순한 온오프 방식의 뉴런으로 이루어진 네트워크가 원칙적으로 어떤 논리 함수도 계산할 수 있음을 보였다 — 훗날 인공 신경망의 조상으로 인정받는 이론적 씨앗이다.
학술지 마인드에 발표한 '계산 기계와 지능'에서 앨런 튜링은 '기계가 생각할 수 있는가'라는 질문을 우회하고 실용적인 테스트를 대신 제안하며, 50년 안에 약 10억 비트의 저장 용량을 가진 기계가 평균적인 심문자를 최소 30%의 확률로 속일 것이라고 예측했다.
존 매카시, 마빈 민스키, 너새니얼 로체스터, 클로드 섀넌이 진행한 8주간의 다트머스 여름 워크숍이 '인공지능'이라는 용어를 만들고, 이후 이 분야의 초기 연구 의제 대부분을 창설하게 될 약 열 명의 연구자를 한자리에 모았다.
프랭크 로젠블랫의 퍼셉트론은 처음에는 소프트웨어로, 이후에는 코넬 대학교의 전용 하드웨어로 구현되어 스스로 연결 가중치를 조정함으로써 단순한 이미지를 분류하는 법을 학습했다 — 훈련 가능한 인공 신경망의 첫 작동 시연이었다.
마빈 민스키와 시모어 페퍼트의 1969년 저서 '퍼셉트론'은 단층 신경망이 XOR 같은 단순한 문제조차 풀 수 없음을 수학적으로 증명했고, 1973년 영국의 라이트힐 보고서는 AI가 그 약속을 지키지 못했다고 결론지었다. 대서양 양쪽에서 신경망 및 일반 AI 연구에 대한 자금 지원이 붕괴했다.
데이비드 루멜하트, 제프리 힌턴, 로널드 윌리엄스가 네이처에 '오류 역전파를 통한 표현 학습'을 발표하여, 다층 신경망이 오류 신호를 역방향으로 전파하는 방식으로 효율적으로 훈련될 수 있음을 보였다 — 이후 만들어진 거의 모든 신경망을 훈련시키는 데 여전히 쓰이는 알고리즘이다.
더 저렴한 범용 워크스테이션이 성능을 따라잡으면서 전용 리스프 머신 시장이 거의 하룻밤 사이에 붕괴했고, 규칙 기반 전문가 시스템은 대규모로 유지하기에 너무 취약하고 비용이 많이 든다는 것이 드러났다. AI 자금 지원은 다시 위축되었고 많은 연구자들이 조용히 이 용어를 자신의 연구에서 빼버렸다.
벨 연구소에서 개발된 얀 르쿤의 합성곱 신경망은 곧 상업적으로 배치되어 수표에 적힌 손글씨 숫자를 읽는 데 쓰였다. 1990년대 말에는 그의 아키텍처를 기반으로 한 시스템들이 미국에서 처리되는 수표의 상당 부분을 읽고 있었다 — 이 분야의 주류 돌파구가 오기 훨씬 전에 나온 드문 실제 딥러닝 배치 사례다.
알렉스 크리제프스키, 일리야 수츠케버, 제프리 힌턴의 심층 합성곱 신경망이 이미지넷 대회에서 15.3%의 오류율로 우승했다. 차점자의 26.2%와 비교하면 그 격차가 매우 커서, 거의 하룻밤 사이에 딥러닝이 컴퓨터 비전의 핵심 벤치마크를 해결했다고 학계 대부분을 설득했다.
구글 연구진이 'Attention Is All You Need'를 발표하여 이후 거의 모든 주요 언어 모델의 기반이 된 트랜스포머 아키텍처를 소개했다. OpenAI의 GPT-3(2020년)와 ChatGPT(2022년)는 동일한 아키텍처를 더 많은 데이터와 연산으로 확장하는 것만으로도 계속 새로운 능력이 나온다는 것을 보여주며, 점점 더 큰 모델을 만들려는 업계 전반의 경쟁을 촉발했다.
워런 매컬록과 월터 피츠의 1943년 논문은 뉴런을 단순한 논리 스위치로 모델링하여 후대 연구자들에게 수학적 출발점을 제공했고, 앨런 튜링이 1950년에 제안한 기계 지능에 대한 실용적 테스트는 그 질문에 대중적인 형태를 부여했다. 두 아이디어 모두 1956년 다트머스 워크숍으로 이어졌는데, 이곳에서 존 매카시와 세 명의 동료가 '인공지능'이라는 용어를 만든 여름 모임을 열었다. 이 모임은 조직자들이 바랐던 것보다 훨씬 적은 기술적 진전을 냈지만, 방금 창설한 분야에 영구적인 이름을 붙였다.
프랭크 로젠블랫의 퍼셉트론(1958년)은 기계가 스스로 연결 가중치를 조정하여 단순한 패턴을 분류하는 법을 학습할 수 있음을 보여주었고, 초기의 낙관은 일부 연구자들이 한 세대 안에 인간 수준의 기계 지능을 예측할 만큼 높았다. 그러나 마빈 민스키와 시모어 페퍼트의 1969년 저서 '퍼셉트론'은 로젠블랫의 것과 같은 단층 신경망이 기본적인 문제조차 풀 수 없음을 수학적으로 증명했고, 1973년 영국의 라이트힐 보고서는 AI 연구가 약속을 지키지 못했다고 결론지어 대서양 양쪽에서 대규모 예산 삭감과 이 분야 최초의 '겨울'을 촉발했다.
이 분야는 인간 전문가의 지식을 수천 개의 조건-결과 규칙으로 인코딩한 규칙 기반 '전문가 시스템'에서 두 번째 활기를 찾았다 — 디지털 이퀴프먼트 코퍼레이션의 XCON은 컴퓨터 주문 구성으로 매년 수천만 달러를 절감했다고 알려졌다. 이를 구동하기 위한 전용 리스프 머신 하드웨어 회사들이 우후죽순처럼 생겨났고, 일본의 야심 찬 5세대 컴퓨터 시스템 프로젝트는 1980년대 내내 이 접근법에 정부 자금을 쏟아부었다. 그러나 규칙은 대규모로 유지하기에 너무 취약하고 비용이 많이 들었고, 리스프 머신 시장은 1987년 거의 하룻밤 사이에 붕괴했으며, 두 번째 AI 겨울이 찾아왔다.
대중의 시선에서 벗어나, 이 분야의 무게중심은 손으로 쓴 규칙에서 통계적 머신러닝 — 서포트 벡터 머신, 베이지안 방법, 그리고 '신경망'이라는 표현이 지원금 제안서에서 유행에 뒤떨어진 표현이던 시절 동안 제프리 힌턴, 얀 르쿤, 요슈아 벤지오를 포함한 연구자들이 계속 다듬어온 신경망 — 로 옮겨갔다. IBM의 딥 블루는 1997년 학습이 아닌 무차별 대입 탐색을 이용해 세계 체스 챔피언 가리 카스파로프를 물리쳤는데, 이는 이 분야가 다음 시대를 위해 조용히 통계적 토대를 재건하는 와중에도 좁은 규칙 기반 방법이 여전히 실질적인 힘을 지녔음을 일깨워주었다.
알렉스 크리제프스키, 일리야 수츠케버, 제프리 힌턴의 알렉스넷이 2012년 이미지넷 대회에서 큰 격차로 우승하며 거의 하룻밤 사이에 딥러닝이 통한다는 것을 학계 대부분에 설득했다. 이후 구글 연구진의 2017년 트랜스포머 아키텍처는 더 많은 데이터와 연산으로 유별나게 잘 확장되는 설계를 이 접근법에 부여했고, OpenAI의 GPT-3(2020년)와 ChatGPT(2022년)는 같은 아키텍처를 확장하는 것이 수익 체감이 아니라 계속해서 새로운 능력을 만들어낸다는 것을 증명하며, 전례 없는 자본을 등에 업은 업계 전반의 초대형 모델 경쟁을 촉발했다.
더 이상 존재하지 않는 인접 직업들 — 흡수되거나, 자동화되거나, 규제로 사라졌다.
의사, 지질학자, 화학자 등 인간 전문가를 인터뷰하여 그들의 노하우를 MYCIN과 XCON 같은 전문가 시스템을 위한 수천 개의 조건-결과 규칙으로 직접 옮긴 전문가들이다. 전문가 시스템이 유지하기에 너무 취약하고 비용이 많이 든다는 것이 드러나고, 통계적 머신러닝이 손으로 쓴 규칙을 데이터로부터 자동으로 학습한 규칙으로 대체하면서 이 직업은 대체로 사라졌다.
딥러닝 이전에는 컴퓨터 비전이나 음성 시스템을 잘 작동시키는 것이 연구자가 알맞은 입력 특징을 직접 설계하는 데 달려 있었다 — 이미지용 SIFT와 HOG 같은 에지 검출기, 오디오용 켑스트럼 계수 등, 그 자체로 전문화된 기술이었다. 원시 데이터로부터 스스로 특징을 학습하는 네트워크가 등장하면서 2012년 이후 몇 년 안에 이 설계 작업 대부분이 쓸모없어졌다.
심볼릭스와 리스프 머신스 사 같은 기업들은 AI 연구가 의존하던 리스프 프로그래밍 언어를 실행하도록 최적화된 전용 워크스테이션을 만들어 판매했고, 이를 설계, 판매, 유지하는 엔지니어들을 고용했다. 1980년대 말에 더 저렴한 범용 워크스테이션이 원시 성능에서 이를 따라잡았고, 리스프 머신 산업 전체가 약 2년 만에 붕괴했다 — 두 번째 AI 겨울의 상징이다.
이 역사의 모든 붕괴는 하나의 패턴을 공유한다. 구체적으로 과대 포장된 약속이 예정된 시점에 지켜지지 않고, 자금 제공자들이 급격히 손을 떼며, '인공지능'이라는 딱지가 지원금 신청서에 실제로 해를 끼치던 시절 동안 소수의 연구자들만이 계속 일을 이어간다는 것이다.
지금 이 프로필을 읽고 있는 사람들은 단일한 새 아이디어가 아니라 규모 확장 위에 세워진 이 분야의 세 번째 대호황 한가운데에 살고 있다. 이것이 앞선 두 차례와 같은 결말을 맞을지, 아니면 이번에는 다를지가 이 프로필 전체를 관통하는 살아있는 논쟁이다.
같은 분야만이 아니라 여섯 점수 프로필이 가까운 직업입니다.
컴퓨터, 휴대폰, 무기 등 거의 모든 전자기기 내부의 트랜지스터를 설계하고 제조하며, 지구상 극소수 공장만이 다룰 수 있는 초정밀 장비를 다룬다.
AI 내성 60 📦프로덕션 환경에서 기계 학습 모델을 교육, 배포, 모니터링 및 관리하는 시스템을 구축합니다.
AI 내성 54 🩺단 한 번의 수술이 아니라 진찰과 근거를 통해 질병을 진단하고 이후 수년간 건강을 관리하는 사람 — 의학의 제너럴리스트이자 장기적인 동반자.
AI 내성 67 🧠약물치료와 정신치료로 정신질환을 진단하고 치료하며, 위기 상황의 환자를 법적 권한으로 강제 입원시킬 수 있는 몇 안 되는 의료 전문분야 중 하나다.
AI 내성 73 👔의뢰인에게 조언하고 그들을 구속하는 문서를 작성하며 사건이 법정에 이르면 대신 다투는 직업으로, 조언이 잘못되면 개인적으로 법적 책임을 진다.
AI 내성 58 🔐디지털 공격을 찾아내고 예방하며 대응함으로써 시스템, 데이터, 사람을 지킨다.
AI 내성 63현대 사회를 움직이는 코드를 작성하고 테스트하고 유지보수하는 직업이며, AI가 자기 일상 업무를 자동화하는 모습을 가장 먼저 지켜보는 직업 중 하나다.
AI 내성 35 🛰️지상을 벗어나는 항공기, 로켓, 우주선을 설계하고 분석하고 인증하며, 추측의 여지가 없는 안전 여유를 다루는 직업이다.
AI 내성 74 🌉강과 바위와 중력을 다리, 도로, 맑은 물로 바꾸는 직업 — 임호테프 이래 문명을 떠받쳐온 조용한 하중지지의 업.
AI 내성 72 🔌컴퓨터, 휴대폰, 무기 등 거의 모든 전자기기 내부의 트랜지스터를 설계하고 제조하며, 지구상 극소수 공장만이 다룰 수 있는 초정밀 장비를 다룬다.
AI 내성 60 🦾물리적 세계를 감지하고 판단하고 행동하는 기계를 설계하는 사람으로, 진짜 난제는 지능이 아니라 언제나 세계 그 자체였다.
AI 내성 65 🔐디지털 공격을 찾아내고 예방하며 대응함으로써 시스템, 데이터, 사람을 지킨다.
AI 내성 63 📦프로덕션 환경에서 기계 학습 모델을 교육, 배포, 모니터링 및 관리하는 시스템을 구축합니다.
AI 내성 54 🌬️재생 가능한 자원을 신뢰할 수 있는 전기로 전환하는 풍력, 태양열, 저장 및 그리드 시스템을 설계, 구축 및 개선합니다.
AI 내성 72