[인공지능] AI를 보는 네 가지 관점

목차 (OPEN)

• 🤖 AI를 보는 네 가지 관점
• 🧠 관점 1) Think like people (사람처럼 생각하기)
• 🙋‍♂️ 관점 2) Act like people (사람처럼 행동하기)
• 📐 관점 3) Think rationally (합리적으로 생각하기)
• ⚙️ 관점 4) Act rationally (합리적으로 행동하기)

 

 

 

 

🤖 AI를 보는 네 가지 관점

AI(Artificial Intelligence, 인공지능)는 단순히 '컴퓨터가 똑똑하다'라고만 설명하기에는 부족하다.

왜냐하면 AI는 시대마다, 그리고 연구하는 사람마다 그 정의와 목표가 달랐기 때문이다.

 

이에 오늘의 포스팅에서는 Russell & Norving 교재에서 제시한 네 가지 관점을 알아고려고 한다.

 

---

🧠 관점 1) Think like people (사람처럼 생각하기)

Think like people은 '인간이 어떻게 생각하는가'를 설명하는 모델을 컴퓨터로 구현하려는 시도이다.

 

여기서 중요한 건 어떤 문제를 맞히는 것 자체가 목표가 아니라,

사람이 보이는 사고 과정과 실수, 반응시간까지 재현하는 것이 핵심이라는 점이다.

 

그래서 이 접근은 벤치마크 성적 1등보다, 얼마나 사람과 비슷한 과정을 보여주느냐가 더 중요하다.

 

 

👩‍🔬 연구 방법

연구자들은 다양한 방식으로 아래와 같은 사람의 행동 데이터를 수집한다.

• 정답 / 오답
• 반응 시간
• 눈동자의 움직임
• 뇌신경 신호

그리고 이 데이터를 가장 잘 설명하는 계산 모형(computational model)을 만든 다음,

모델의 예측과 인간의 데이터를 정량적으로 fitting 해서 일치도를 평가한다.

 

 

🔰 두 가지 접근 방식: 구조를 흉내낼까, 수학으로 설명할까

이 영역에는 두 가지의 큰 노선이 있다.

 

 

1) 인지 아키텍처 (Cognitive Architecture)

이 접근은 인간이 가진 기억, 주의, 학습 같은 인지 모듈을 가정하고,

규칙(Production rule), 제한된 작업 기억, 그리고 노이즈와 같은 제약 조건을 모델 안에 반영하는 방식이다.

이렇게 하면 사람이 실제로 문제를 해결하는 흐름을 어느 정도 흉내 낼 수 있다.

 

스트룹 과제 설명 이미지

 

예를 들면, 잘 알려진 스트룹 과제를 생각해볼 수 있다.

화면에 "파란색"이라는 단어가 빨간 잉크로 제시될 때,

우리는 단어 읽기 경로가 색 이름 말하기 경로보다 더 자동화되어 있어서 두 경로가 서로 경쟁하게 된다.

이 과정에서 반응 시간이 늦어지는데, 인지 아키텍처 모델은 이런 지연을 규칙 간 경쟁과 충돌을 해소하는 시간으로 재현할 수 있다.

 

즉, 이 접근의 강점은 "단순히 얼마나 정답을 잘 맞추는가"가 아니라,

"왜 반응이 느려지는가?"라는 질문에 대해 인간의 인지 과정을 설명해줄 수 있다는 점이다.

 

 

2) 수학적 / 확률적 인지 모형

이것의 대표적인 예로는 드리프트-확산 모형(Drift-Diffusion Model, DDM)이 있다.

이 모형은 사람이 양자택일 판단을 할 때,

뇌가 일정한 시간 동안 노이즈가 섞인 증거를 계속 누적하다가 누적된 증거가 어떤 임계치에 도달하면 결정을 내린다고 가정한다.

 

이때 임계치가 낮게 설정되면 빠른 결정을 내릴 수 있지만 실수가 많아지고,

반대로 임계치가 높으면 결정이 느려지는 대신 더 정확한 판단을 하게 된다.

즉, 속도와 정확도의 균형을 설명할 수 있는 것이다.

실제로 사람의 반응 시간 분포나 잘못된 선택 패턴을 보면, 이 모형이 놀라울 정도로 잘 맞아떨어지는 경우가 많다고 한다.

수학적/확률적 인지 모형 설명 이미지

 

 

⚖️ 제약의 중요성

이러한 think like people에서는 제한(constraints)이 매우 중요하다.

인간은 이론적으로 무한한 계산을 할 수 있는 존재가 아니며,

실제로는 작업 기억의 용량이 작고, 주의는 쉽게 산만해지며, 지각에는 많은 노이즈가 끼어있다.

그렇기 때문에 이러한 제약을 모델에 반영할수록 오히려 더 '사람다운' 특징이 살아난다고 한다.

 

예를 들어 퍼즐을 풀 때 인간은 모든 경우를 완전 탐색하지 않고, 휴리스틱을 적용해서 빠르게 답을 찾으려 한다.

때로는 최적 해답을 찾지 않고, 단지 '충분히 괜찮은 해'에서 멈추기도 한다.

또, 과거 경험에서 배운 스키마나 청킹 전략 덕분에문제 해결 속도가 빨라지기도 하지만,

동시에 이런 전략은 새로운 상황에서는 체계적인 편항(bias)을 만들어내기도 한다.

 

따라서 좋은 인지 모형은 단순히 인간의 성공적인 문제 해결만을 설명하는 것이 아니라,

실패와 오류까지 함께 설명할 수 있어야 한다.

바로 이러한 점이 사람 같은 지능을 흉내 내는 모델의 설득력을 높여주는 것이기 때문이다.

 

 

📊 평가 방식

이는 평가 방식 역시 일반적인 머신러닝과는 다소 다르다.

보통 머신러닝에서는 단순히 정확도 같은 지표로 모델 성능을 평가하지만,

think like people 접근에서는 훨씬 더 세밀한 지표들이 중요하다.

예를 들어 사람의 반응 시간 분포, 오류 유형, 전이 효과(앞 과제가 다음 판단에 어떤 영향을 주는지), 그리고 시선 이동 경로(eye-tracking scanpath) 같은 요소들이 모델과 얼마나 잘 맞는지가 핵심적인 기준이 된다.

 

여기에 더 나아가 뇌 수준 데이터까지 결합하면 평가의 설득력이 훨씬 강해진다고 한다.

예를 들어, ACT-R 모델에서 특정 모듈이 활성화되는 패턴이

실제 인간의 전전대상피질(ACC)이나 기저핵의 활동과 fMRI/EEG 측정 결과에서 정합되는지를 확인할 수 있다.

또, 드리프트-확산 모형(DDM)의 누적 증거 신호가 시간이 지남에 따라 후두 및 두정 영역의 신경 활동과 나란히 증가하는 지를 비교하기도 한다고 한다.

 

이처럼 행동 지표와 뇌 신경 지표를 동시에 검증하는 다층적 접근은 단순히 '사람 같다'는 직관적 느낌을 넘어서

모델에 과학적 신뢰도를 부여한다는 점에서 큰 의미가 있다.

 

 

⚠️ 한계

그러나 한계 역시 뚜렷하다.

인간의 뇌는 워낙 복잡하기 때문에 서로 다른 모형이 비슷한 행동을 설명해버리는 식별 불가능성 문제가 자주 발생한다고 한다.

또한, 실험실에서 사용하는 과제가 실제 환경을 충분히 반영하지 못하는 경우가 많아서

결과의 생태 타당성에도 의문이 제기된다고 한다.

여기에 더해 모형에 포함되는 매개변수가 많아지면, 데이터에 지나치게 잘 맞아떨어지는 과적합 위험도 커진다.

 

이러한 문제를 극복하기 위해 최근에는 몇 가지 새로운 시도가 활발하다고 한다.

예를 들면, 불필요하게 복잡한 모형을 피하고 사전 제약을 둔 단순한 모형 여러 개를 경쟁시키는 방식이 선호되고 있으며,

연구자가 분석 과정에서 의도치 않게 자유도를 남용하지 않도록,

실험과 분석 계획을 사전 등록하여 투명성을 높이는 방법도 확산되고 있다.

또한, 연구 결과가 한 번의 실험에만 머무르지 않도록 재현성을 강화하는 움직임도 점점 중요하게 자리잡고 있다고 한다.

 

결국 이러한 접근은 아직 불완전하고 제약이 많지만,

연구자들이 문제를 인식하고 신뢰성을 보완하는 방향으로 발전해가고 있다는 점에서 여전히 의미 있는 가치가 있는 것 같다.

 

 

🤝 중요한 이유

그럼에도 이 접근이 여전히 중요한 이유는, 인간-AI 협업과 안정성 때문이다.

사람의 주의 한계, 학습 곡선, 오류 패턴을 예측할 수 있어야만 실제로 믿고 쓸 수 있는 인터페이스를 설계할 수 있고,

상황에 맞게 경고나 자동화 수준을 조절할 수 있다.

 

이러한 관점은 오늘날의 대규모 언어 모델(LLM)이나 멀티모달 모델에서도 그대로 적용된다.

인간의 추론 습관과 설명 흐름을 고려해서 프롬프트를 설계하거나 튜닝하면,

단순히 성능 지표가 좋아지는 수준을 넘어 훨씬 더 인간 친화적인 결과를 만들어 낼 수 있기 때문이다.

 

 

think like people은 단순히 정답률을 높이는 기법이라기 보다,
사람과 함께 작동하는 지능을 만들기 위한 설계 원리이자 검증 프레임을 제공한다는 점에서 큰 가치를 가진다.

 

---

🙋‍♂️ 관점 2) Act like people (사람처럼 행동하기)

act like people은 인간과 구분되지 않는 행동을 목표로 한다.

즉, 사람이 하는 것처럼 자연스럽게 말하고, 움직이고, 반응하는 AI를 만드는 접근이다.

여기서는 내부적으로 어떤 계산 과정을 거쳤는지보다, 겉으로 드러나는 행동이 얼마나 사람과 유사한지가 핵심이다.

 

 

👩‍🔬 연구 방법

이 접근에서는 사람과의 상호작용이 중요한 기준이 된다.

연구자들은 "기계가 사람처럼 행동하고 있는가?"를 확인하기 위해 아래와 같은 실험을 활용한다고 한다.

• 튜링 테스트 (Turing Test): 사람이 대화 상대가 사람인지 기계인지 구분하지 못한다면, 기계는 사람처럼 행동한다고 본다.
• 대화형 챗봇 (Chatbot): 문맥을 이해하고 자연스러운 대화를 이어가는지 평가한다.
• 휴머노이드 로봇 (Humanoid Robot): 걷기, 손짓, 표정 같은 동작을 얼마나 매끄럽게 수행하는지 관찰한다.

 

 

🔰 두 가지 접근 방식: 언어 vs 행동

act like people을 구현하는 방식은 크게 언어 기반과 행동 기반으로 나눌 수 있다.

 

 

1) 언어 기반

언어 기반 접근에서는 챗봇, 음성 비서, 대화형 인터페이스처럼 대화를 중심으로 한 상호작용을 다룬다.

여기서 중요한 평가 기준은 대화가 끊기지 않고 얼마나 자연스럽게 이어지느냐이다.

 

언어 기반 이미지

 

 

 

2) 행동 기반

행동 기반 접근에서는 휴머노이드 로봇이나 감정 표현 로봇처럼 사람의 몸짓, 표정, 제스처를 정밀하게 모방하는 데에 초점을 맞춘다.

대표적인 예로 혼다의 ASIMO를 들 수 있는데, 이 로봇은 걷거나 손을 흔드는 동작에서 외부에서 보기에 매우 사람과 흡사한 행동을 보여준다.

 

혼다 ASIMO

 

 

⚠️ 한계

겉모습만 사람 같은 것에 집중하다 보면, 내부적으로는 합리성이나 논리성이 결여될 수 있다는 문제가 있다.

예를 들어, 챗봇이 문맥에 맞는 것처럼 보이는 말을 하지만 실제로는 논리적 근거가 전혀 없거나,

로봇이 사람처럼 움직이지만 상황 판단 능력은 떨어질 수 있다.

 

즉, 사람처럼 보인다는 것이 반드시 합리적이거나 지능적이다를 의미하지는 않음을 기억해야 한다.

 

 

🤝 중요한 이유

그럼에도 불구하고 이 접근은 인간과 AI의 상호작용을 자연스럽게 만드는 데에 필수적이다.

사용자가 AI를 거부감 없이 받아들이고, 편리하게 활용하도록 만드는 가장 직관적인 방법이 바로 사람처럼 행동하게 하는 것이기 때문이다.

 

오늘날의 대화형 AI 서비스나 휴머노이드 로봇 연구는 이 관점을 적극 반영하고 있다고 한다.

단순히 성능 지표를 넘어, 사용자 경험 차원에서 사람다움이 큰 역할을 한다는 점에서 여전히 중요한 가치가 있다.

 

 

act like people은 단순히 사람처럼 보이는 흉내가 아니라, 사람과 자연스럽게 상호작용할 수 있는 지능을 만들기 위한 핵심 접근 방식이다.
겉으로 드러나는 행동을 통해 사용자에게 친숙함과 신뢰를 주는 동시에, 인간-AI 협업을 가능하게 하는 설계 원리이자 실용적 프레임이라는 점에서 큰 가치를 가진다.

 

 

---

📐 관점 3) Think rationally (합리적으로 생각하기)

think rationally는 인간의 심리 과정을 그대로 흉내내기 보다,

형식 논리와 규칙에 따라 옳은 결론을 도출하는 올바른 사고의 법칙(laws of thought)을 따르는 접근이다.

핵심은 사람처럼 보이느냐가 아니라 주어진 공리(axioms)와 규칙에서 논리적으로 타당한 결론을 증명할 수 있느냐이다.

 

 

👩‍🔬 연구 방법

이 접근에서는 먼저 도메인 지식을 공리, 규칙, 제약 같은 형식으로  명세화하고, 그 위에서 추론 엔진이 결론을 도출한다.

 

실무나 연구 현장에서는 이를 위해 아래의 세 가지 핵심 과정을 거친다고 한다.

• 지식 표현: 명제 / 술어 논리, 온톨로지(Description Logic), 규칙 (If-Then), 제약 충족 문제 (CSP), SAT / SMT 등 다양한 형시기 언어를 사용해서 문제를 정의한다.
• 추론 및 증명: 전방 / 후방 추론, 정리 증명, 모델 검사, 계획 같은 기법을 활용해서 새로운 사실이나 해답을 도출한다.
• 검증: 위의 과정으로 얻은 결론이 타당성과 안정성을 만족하는지, 그리고 모순 없이 일관되는지를 점검한다.

 

 

🔰 네 가지 접근 방식: 무엇으로 합리를 구현할까

1) 규칙 / 전문가 시스템

이 방식은 If-Then 규칙과 추론 체인을 통해 전방 / 후방 추론으로 결론을 도출한다.

예를 들어 의료 진단 규칙 엔진이나 법규준수 검증 시스템, 그리고 Prolog 같은 논리 프로그래밍 언어가 이에 속한다.

 

이 접근의 장점은 추론 과정에서 근거가 남아 설명이 쉽다는 점이지만,

규칙이 많아질수록 관리가 어렵고 충돌 해결에 한계가 생기는 지식 획득 병목 문제가 발생한다.

 

규칙, 전문가 시스템 이미지

 

 

2) 논리 기반 지식 표현

이 방식은 명제 논리, 술어 논리, 서술 논리, 온톨로지, 지식 그래프 등을 사용하여 개념과 관계를 형식적으로 표현한다.

실제 응용 사례로는 제품 카탈로그 관리, 의료 용어 체계, 기업 마스터데이터 온톨로지 등이 있다.

 

이 접근은 일관성 검사나 상속 추론이 체계적으로 가능하다는 장점이 있지만,

표현력이 강해질수록 계산 복잡도가 급격히 증가해 결정 가능성이나 추론 시간이 문제가 될 수 있다.

 

논리 기반 지식 표현 이미지

 

 

 

3) 제약, 계획, 만족도 접근

이 방식은 일정이나 자원 배치를 공식화하기 위해 제약 충족 문제나 SAT / SMT 기법을 활용하고,

STRIPS나 PDDL 같은 형식 언어로 목표 달성을 위한 행동 시퀀스를 찾는 계획 문제를 푼다.

 

이 접근의 장점은 조건에 따라 최적 해나 완전성 보장을 얻을 수 있다는 것이지만,

상태 공간이 폭발적으로 커지기 때문에 휴리스틱이나 분지 한정 같은 공학적 기법이 필요하다.

 

제약, 계획, 만족도 접근 이미지

 

 

4) 불확실성 확장 접근

이 방식은 순수 논리가 불확실성과 노이즈에 취약하다는 점을 보완하기 위해 등장했다.

대표적으로 마르코프 논리 네트워크(MLN) 같은 확률 논리와 확률적 프로그래밍 기법이 있다.

이를 활용하면 현실 세계의 부분 관측 상황이나 데이터 노이즈까지 모델에 반영할 수 있어서

기존의 논리 시스템보다 유연하게 동작한다.

예를 들면, 센서 데이터가 불완전하거나 모호한 상황에서도 합리적인 추론을 가능하게 한다.

 

이 접근은 불확실성이 많은 실제 환경에서도 타당한 추론을 할 수 있다는 장점이 있지만,

추론 난이도가 증가하고 계산 비용이 많이 들어서 실무 적용에서는 근사 기법이나 샘플링 방법을 반드시 병행해야 한다.

 

불확실성 확장 이미지

 

 

⚖️ Expressivity ↔ Tractability

논리 표현은 표현력이 강할수록 계산 가능성이 떨어지기 쉽다.

만약 표현력이 강하면 복잡한 세계를 정확히 기술 가능하지만, 결정 불가능 / EXPTIME 급이 되기도 하고,

표현력이 약하면 계산은 빠르나 현실의 미묘한 규칙을 담기가 어려워진다.

또한, 단조 / 비단조 논리, 폐세계 / 개방세계 가정, 지식 획득 병목 (규칙을 누가, 어떻게, 얼마나 정확히 쓰나) 같은

현실 제약을 설계 단계에서 명시해야 깨지지 않는 시스템이 나올 수 있다고 한다.

 

 

📊 평가 방식

think rationally의 평가는 전통 ML과 다르게 형식적 속성과 증명 품질을 본다고 한다.

대표적으로는 아래와 같다.

• 타당성 (soundness): 틀린 결론을 내리지 않는가
• 완전성 (completeness): 옳은 결론은 모두 도달 가능한가
• 일관성 (consistency): 모순이 없는가
• 복잡도 / 정확성: 증명 시간, 최악 복잡도, 대규모 지식 베이스에서의 성능
• 추론 추적성 (traceability): 결론에 이르는 증거 경로가 사람이 검토 가능한가
• (계획 및 제약의) 최적성 / 완전성 / 보장: 해의 품질, 존재 시 탐색 보장 여부

 

 

⚠️ 한계

이 방식은 불확실성과 노이즈에 취약하다.

센서 데이터가 오류를 포함하거나 연속적인 데이터가 들어올 때 안정적으로 처리하기가 어렵기 때문이다.

또한, 지식 획득 병목 문제도 심각한데, 규칙이나 온톨로지를 작성하고 유지하는 비용이 매우 크고 시간이 오래 걸린다고 한다.

더불어 이 접근은 취약성을 가지고 있어서 규칙으로 정의되지 않은 새로운 사례가 나타나면 쉽게 깨져버리는 문제가 있다.

여기에 더해 기호 접지 문제도 남아있다.

즉, 논리 체계 속 기호가 실제 세계의 지각이나 경험과 어떻게 연결되는지를 설명하기가 어렵다는 것이다.

마지막으로, 표현력이 높은 논리를 사용할수록 추론 과정의 계산 복잡도가 증가하여, 실제 응용에서는 감당할 수 없는 수준의 시간이 걸릴 수 있다는 점도 큰 한계이다.

 

 

🤝 중요한 이유

이 접근은 검증 가능성, 설명 가능성, 규범 준수가 중요한 분야에서 대체 불가라고 한다.

의료, 금융, 법, 정부 규제, 안전 시스템처럼 근거와 책임이 필요한 곳에서는

논리 기반 추론이 감사, 감시, 인증의 토대가 되기 때문이다.

 

또한 요즘 각광받는 Neuro-Symbolic 결합(ex. LLM + 논리 제약 및 검증)은 거대한 모델의 생성력을 규칙과 지식으로 보정해서 신뢰성과 통제성을 높이는 핵심 전략이 되고 있기도 하다.

 

 

think rationaly는 데이터에서 그럴듯해 보이는 답을 뽑아내는 기술이 아니라, 형식 논리와 규칙을 통해 타당한 결론을 보장하려는 접근이다.
단순 정확도보다 증명 가능성, 일관성, 설명 가능성을 중시하며, 안전과 준법이 필요한 시스템에서 설계 원리이자 검증 프레임으로 큰 가지를 가진다.

 

 

---

⚙️ 관점 4) Act rationally (합리적으로 행동하기)

act rationally는 주어진 환경과 목표 안에서 최적의 행동을 선택하는 것을 목표로 한다.

사람처럼 보이는지, 혹은 실제 인간 사고와 닮았는지는 중요하지 않고, 의도한 목적을 가장 잘 달성하는가가 핵심이다.

 

즉, 행동의 합리성을 기준으로 AI를 정의하는 접근이다.

 

 

👩‍🔬 연구 방법

이 관점에서는 에이전트를 정의하고, 환경과 상호작용 속에서 의사 결정을 평가한다.

주로 사용하는 방법은 아래와 같다.

• 에이전트 기반 모델링: 환경을 관찰하고 상태를 인식해서 행동을 선택하며, 보상 및 피드백으로 학습을 진행한다.
• 합리적 선택 이론: 기대 효용을 극대화하는 의사결정이 합리적이라고 가정한다.
• 강화학습: 시뮬레이션이나 실제 환경에서 보상을 받아가며 최적 정책을 학습한다.
• 게임 이론: 여러 에이전트가 동시에 존재하는 상황에서 최적 전략을 탐색하는 수학적 틀을 제공한다.

 

 

🔰 네 가지 접근 방식: 구현 방법

1) 강화학습

보상 신호를 바타응로 시도-오류 학습을 통해 정책을 개선한다.

알파고, 로봇 제어, 추천 시스템 같은 사례가 대표적이다.

 

이 방식은 복잡한 환경에서도 적응적으로 전략을 학습할 수 있다는 장점이 있지만,

보상 설계가 어렵고 탐험과 활용 사이의 균형 문제를 해결해야 한다는 한계가 있다.

 

강화학습 이미지

 

 

2) 의사결정 이론 / 합리적 선택

확률적 불확실성이 존재하는 상황에서 기대효용을 극대화하는 선택을 강조한다.

자율주행 차량의 충돌 회피 같은 응용 사례가 있다.

 

이 접근은 수학적으로 기반이 명확하고 최적성을 보장한다는 장점이 있지만,

실제 환경의 복잡성을 단순화해야 하고 계산 비용이 크다는 문제가 있다.

 

의사결정 이론, 합리적 선택 이미지

 

 

3) 계획 및 탐색

상태공간 탐색을 통해 목표 달성에 필요한 최적 행동 시퀀스를 찾는다.

대표적으로 로봇의 경로 탐색이나 바둑 게임의 수 읽기 등이 있다.

 

이 접근은 조건에 따라 최적해를 보장할 수 있다는 장점이 있지만,

상태 공간이 폭발적으로 커지기 때문에 근사나 휴리스틱 같은 기법이 필요하다.

 

계획 및 탐색 이미지

 

 

4) 게임 이론적 접근

다중 에이전트 환경에서 균형 전략을 찾는 데 초점을 맞춘다.

예를 들어 자율주행차들이 도로에서 서로 상호작용하는 상황이나, 경매 시스템이 이에 해당한다.

 

이 방식은 상호작용 구조를 수학적으로 설명할 수 있다는 강점이 있지만,

현실에서는 합리성 가정이 종종 깨지면서 예측력이 떨어질 수 있다는 한계가 있다.

 

게임 이론적 접근 이미지

 

 

⚠️ 한계

완전한 합리성은 불가능하다는 한계가 있다.

실제 세계에서는 정보가 불완전하고 계산 지원이 제한적이어서

이론적으로 정의된 최적 행동을 그대로 구현하기가 어렵기 때문이다.

따라서 실제 에이전트는 제한되니 합리성 속에서만 작동할 수 있다.

 

또한, 보상 설계 문제도 크다고 한다.

강화학습에서 보상이 잘못 정의되면 의도치 않은 행동이 발생할 수 있기 때문이다.

 

더 나아가 사회적, 윤리적으로는 합리적이지만 인간의 가치관에 어긋나는 결정을 내릴 수 있다는 점에서 윤리와 안전 문제가 대두되고 있다.

 

 

🤝 중요한 이유

그럼에도 act rationally는 오늘날의 현실적인 AI 응용 대부분을 뒷받침하는 핵심 패러다임이라고 한다.

알파고가 바둑에서 세계 챔피언을 이긴 것도, 자율주행차가 도로 위에서 사고를 최소화하는 것도 모두 이 접근 덕분이다.

결국 오늘날 산업계와 학계에서 AI를 평가하는 기준은 사람처럼 보이는지 여부가 아니라,

실제 문제 해결 능력을 얼마나 발휘하는가라는 점이며, 이는 act rationally 관점이 주류가 된 이유이기도 하다.

 

 

act rationally는 겉모습이 사람 같거나, 인간의 사고 과정을 모방하는 것에 초점을 두지 않는다.
대신 주어진 목표와 제약 조건 속에서 가장 합리적인 행동을 선택하는 지능을 만드는 접근이다.
오늘날의 AI 대부분이 이 패러다임 위에 구축되어 있으며, 따라서 실제 문제 해결을 위한 설계 원리이자 핵심 프레임으로서 큰 가치를 가진다.