Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
G검정(JDLA) 시험에 자주 출제되는 AI 분야 주요 인물과 그들의 업적을 시대순 스토리로 정리한 가이드입니다. 앨런 튜링부터 딥러닝의 거장들까지, 인물과 핵심 개념을 연결하여 암기하는 방법을 제공합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 Qiita AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기G검정 공부에서 의외로 고전하는 것이 바로 인물명입니다. "Hinton? LeCun? 누가 무엇을 한 사람이었더라..." 하며 가타카나 이름과 업적이 좀처럼 연결되지 않죠. 저도 문과 출신으로 2026년 1월에 G검정을 수험했지만, 인물 문제는 "외워두면 확실히 점수를 딸 수 있는 득점원"이라는 것을 뼈저리게 느꼈습니다.
암기 비결은 이름을 단독으로 외우는 것이 아니라, AI 역사의 스토리 속 등장인물로서 외우는 것입니다. 이 기사에서는 빈출 인물을 시대순으로 정리합니다. 시험 직전 복습용으로도 사용할 수 있으니 꼭 저장해 두세요.
※ 이 기사는 JDLA 비공식 개인 정리 글입니다.
| 인물 | 업적 | 암기법 |
|---|---|---|
| Alan Turing (앨런 튜링) | Turing Test (튜링 테스트) 고안 | "기계는 생각할 수 있는가?"를 처음으로 물은 사람 |
| John McCarthy (존 매카시) | Dartmouth Conference (다트마스 회의)에서 "Artificial Intelligence (인공지능)"이라는 용어 제창 | AI의 명명자 |
| Marvin Minsky (마빈 민스키) | Perceptron (퍼셉트론)의 한계 지적 | 제1차 AI 붐을 끝낸 사람 |
| Frank Rosenblatt (프랭크 로젠블랫) | Perceptron (퍼셉트론) 고안 | Neural Network (뉴럴 네트워크)의 원점 |
| Arthur Samuel (아서 사무엘) | "Machine Learning (기계학습)"을 정의 | 체커 프로그램으로 유명 |
스토리로 말하자면, "Turing이 꿈을 그리고, McCarthy가 이름을 붙였으며, Rosenblatt이 첫 발을 내디뎠지만, Minsky가 그 한계를 지적했다"는 흐름입니다.
2018년 Turing Award (튜링상)를 공동 수상한 세 사람은 세트로 반드시 외워야 합니다.
| 인물 | 업적 | 암기법 |
|---|---|---|
| Geoffrey Hinton (제프리 힌튼) | 오차 역전파법 (Backpropagation) 보급, Deep Learning (심층 학습)의 아버지 | 3명의 리더 격. "Hinton이 Hint(힌트)를 주었다" |
| Yann LeCun (얀 르쿤) | CNN (Convolutional Neural Network, 합성곱 신경망)의 실용화 | 필기체 인식 LeNet으로 유명 |
| Yoshua Bengio (요슈아 벤지오) | Deep Learning (심층 학습)의 이론 연구 | 세 번째 인물로서 이름만 문제로 나오는 경우도 있음 |
일본인 중에는 **Fukushima Kunihiko (후쿠시마 쿠니히코)**를 꼭 체크해야 합니다. CNN의 원형이 되는 **Neocognitron (네오코그니트론)**을 고안한 인물로, "LeCun보다 먼저 원형을 만든 일본인"으로서 빈출됩니다.
| 인물 | 업적 | 암기법 |
|---|---|---|
| Ian Goodfellow (이안 굿펠로) | GAN (Generative Adversarial Network, 생성적 적대 신경망) 고안 | "Good"fellow가 가짜와 진짜를 경쟁시켰다 |
| John Searle (존 설) | "Chinese Room (중국어 방)" 사고 실험 | Strong AI (강한 AI)·Weak AI (약한 AI) 논의에서 등장 |
| Ray Kurzweil (레이 커즈와일) | Singularity (특이점) 예언 | "2045년 문제"의 주인공 |
| Andrew Ng (앤드류 응) | Google Brain 및 대규모 온라인 교육으로 유명 | Deep Learning (딥러닝) 교육의 일인자 |
| Matsuo Yutaka (마츠오 유타카) | 일본 Deep Learning (딥러닝) 연구의 일인자 | JDLA 이사장. 일본 인물 문항으로 빈출 |
인물 문제는 "업적과 인물명의 조합"을 고르는 형식이 대부분입니다. 특히 노려지기 쉬운 패턴은 다음 3가지입니다.
Hinton·LeCun·Bengio의 업적 바꿔치기 (CNN은 LeCun이라고 즉답할 수 있도록) -
Fukushima Kunihiko와 LeCun의 혼동 (Neocognitron = Fukushima, LeNet = LeCun) -
Turing Test와 Chinese Room의 혼동 (찬성 측이 Turing, 반론 측이 Searle)
역으로 말하면, 이 3가지 패턴만 정리해 두면 인물 문제는 거의 득점원으로 만들 수 있습니다.
인물 문제는 반복해서 문제를 풀어 정착시키는 것이 최단 루트입니다. G검정 대책 닷컴(ai-kentei.net)에서는 분야별로 연습 문제를 풀 수 있으므로, 인물·역사 분야만 집중적으로 연습하기에 편리합니다.
이 기사가 도움이 되었다면 꼭 좋아요(LGTM)를 부탁드립니다!