【문과 합격자가 스토리로 해설】 G검정 「탐색·추론·지식 표현」 입문｜오래된 AI 암기가 쏙쏙 들어온다

안녕하세요. 2026년 1월 G검정에 합격한, 문과 출신 엔지니어입니다.

G검정 공부를 시작하면, 딥러닝 (Deep Learning) 이전에 "탐색 (Search)" "추론 (Inference)" "지식 표현 (Knowledge Representation)" "전문가 시스템 (Expert System)" 같은 조금 오래된 용어들이 쏟아져 나옵니다. 저는 처음에 "이게 지금의 AI와 관계가 있나?"라고 생각하며, 그저 암기 과목처럼 무작정 외우려다 실패했습니다.

하지만 이것들은 AI가 과거에 어떻게 '똑똑해지려고' 노력했는가라는 역사의 스토리로 읽으면 놀라울 정도로 머릿속에 잘 들어옵니다. 이 기사에서는 제1차·제2차 AI 붐의 중심이었던 고전적 AI 기술을, 문과인 제가 이해했던 순서대로 정리하겠습니다.

※ 이 기사는 JDLA의 공식 자료가 아닙니다. 개인의 학습 경험에 기반한 내용입니다.

세부 용어로 들어가기 전에, 큰 흐름만 먼저 파악하세요.

탐색 (Search) (제1차 AI 붐): 어쨌든 전수 조사를 통해 답을 "찾는 것" -
추론 (Inference): 가지고 있는 규칙으로부터 새로운 결론을 이끌어내는 것 -
지식 표현 (Knowledge Representation)・전문가 시스템 (Expert System) (제2차 AI 붐): 전문 지식을 컴퓨터에 "가지게 하는 것"

"힘으로 찾는 시대 → 지식을 갖게 하는 시대"라는 순서로 진화했구나, 라고 파악해 두면 개별 용어들이 지도 위에 올라가게 됩니다.

제1차 AI 붐 (1950~60년대)의 주인공이 **탐색 (Search)**입니다. 미로 찾기나 퍼즐, 게임처럼 "취할 수 있는 수"를 트리 구조 (탐색 트리, Search Tree)로 나열하고, 목표 지점까지의 경로를 차례대로 조사해 나갑니다.

용어	대략적으로 말하면
너비 우선 탐색 (Breadth-First Search)	얕은 계층부터 가로로 샅샅이 뒤짐. 최단 경로는 찾을 수 있지만 메모리를 많이 사용함
...

포인트는, 탐색은 '똑똑하게 생각하는 것'이 아니라 '샅샅이 조사하는' 접근 방식이라는 점입니다. 그래서 오델로나 체스처럼 규칙이 명확한 게임에는 강한 반면, 현실의 복잡한 문제에서는 경우의 수가 폭발해 버립니다.

이 부분이 G검정의 빈출 포인트입니다.

탐색 기반의 AI는 규칙이 명확한 **토이 프로블럼 (Toy Problem, 장난감 문제)**은 풀 수 있어도, 현실의 문제는 풀 수 없었습니다. 이것이 붐이 끝난 이유입니다. 이와 관련하여 반드시 짚고 넘어가야 할 세 가지 "문제"가 있습니다.

프레임 문제 (Frame Problem): 어떤 행동에 대해 "관계있는 것"과 "관계없는 것"을 AI가 구분하지 못해, 생각해야 할 범위를 좁히지 못하는 문제 -
심볼 그라운딩 문제 (Symbol Grounding Problem): 기호 (언어)와 그것이 가리키는 실제 세계의 의미를 연결하지 못하는 문제 -
튜링 테스트 (Turing Test): 기계가 지능을 가졌는지를 "인간과 구별할 수 있는가"로 판정하는 사고방식

이 세 가지는 이름과 의미가 뒤섞이기 쉬우므로, 나중에 따로 정리하겠습니다.

제2차 AI 붐 (1980년대)의 키워드가 **지식 표현 (Knowledge Representation)**입니다. 탐색의 힘겨루기가 아니라, 전문가의 지식을 규칙의 형태로 컴퓨터에 부여하면 똑똑하게 행동할 수 있을 것이라는 발상입니다.

용어	대략적으로 말하면
추론 (Inference)	가지고 있는 규칙이나 사실로부터 새로운 결론을 이끌어내는 것
...

지식 표현을 실용화한 것이 **전문가 시스템 (Expert System)**입니다. 시험에서는 구체적인 예시의 이름이 출제됩니다.

MYCIN (마이신): 감염병 진단 및 항생제 처방을 지원한 의료계의 대표 사례 -
DENDRAL (덴드랄): 화합물의 구조를 추정했던 초기 전문가 시스템의 대표 사례

편리해 보이지만, 여기에도 벽이 있었습니다. 바로 **지식 습득의 병목 현상 (Knowledge Acquisition Bottleneck)**입니다. 전문가의 지식을 인간이 일일이 규칙으로 써 내려가는 작업이 너무 방대하여 현실적으로 유지할 수 없었던 것입니다. 이 한계가 "인간이 규칙을 쓰는 것이 아니라, 데이터로부터 자동으로 학습하게 하자"라는 기계 학습 (Machine Learning)・제3차 AI 붐으로 이어지는 가교가 됩니다.

비슷한 용어가 많기 때문에, 저는 "문제 계열"과 "인물·시스템 계열"로 나누어 외웠습니다.

용어	한마디로 말하면
프레임 문제 (Frame Problem)	무엇을 고려해야 할지 좁히지 못함
...

문제의 이름과 "무엇을 할 수 없는가 / 무엇을 할 수 있는가"를 세트로 외우면 선택지의 함정에 강해집니다.

• 너비 우선 탐색과 깊이 우선 탐색의 차이를 설명할 수 있는가
• 미니맥스법 (Minimax Algorithm)과 알파-베타 가지치기 (Alpha-Beta Pruning)의 관계를 말할 수 있는가
• 프레임 문제와 심볼 그라운딩 문제를 구별할 수 있는가
• 전문가 시스템의 예 (MYCIN, DENDRAL)를 들 수 있는가
• 지식 습득의 병목 현상이 제2차 붐 종언의 한 원인임을 설명할 수 있는가

탐색·추론·지식 표현은 언뜻 보면 제각각인 암기 항목처럼 보이지만, "무력으로 탐색하기 → 지식을 부여하기 → 그 한계로부터 머신러닝 (Machine Learning)으로"라는 하나의 스토리로 연결되어 있습니다. 이 흐름 속에 각 용어를 배치하면 단순 암기가 훨씬 수월해집니다.

문과 출신 분들은 숫자나 식보다는 "어떤 접근 방식이, 왜 막혔는가"라는 이야기로 파악하는 것이 합격으로 가는 지름길입니다.

G검정 학습에는 분야별로 체계적으로 정리된 교재가 도움이 됩니다. 저도 수험 전에 도움을 받았던 사이트를 소개합니다.

탐색·추론이나 지식 표현과 같은 고전적 AI 분야부터 최신 딥러닝 (Deep Learning)까지 시험 범위를 폭넓게 다루고 있어, 지식의 지도를 그리는 데 활용할 수 있습니다.

이 기사는 JDLA 인증 공식 콘텐츠가 아닙니다. 필자 개인의 학습 경험에 기반한 비공식 정보 공유입니다.