뉴런에서 퍼셉트론으로

📚 학습 목표

이 레슨을 완료하면:

• •"뇌가 AI랑 무슨 상관이야?"라는 질문에 자신있게 답할 수 있습니다
• •뇌의 놀라운 규모와 뉴런의 작동 원리를 이해합니다
• •과학자들이 뇌를 어떻게 수학으로 바꿨는지 과정을 따라갈 수 있습니다
• •맥컬록-피츠 뉴런과 퍼셉트론의 차이를 설명할 수 있습니다
• •"퍼셉트론이 왜 AI의 출발점인가?"를 이해합니다

---

🎯 핵심 메시지

"AI의 출발점은 뇌입니다. 과학자들이 뇌의 뉴런을 수학으로 옮긴 것 -- 그것이 퍼셉트론이고, 오늘날 모든 AI의 기본 단위입니다!" 뇌 → 뉴런 → 수학 모델 → 퍼셉트론 → 신경망 → 딥러닝 → ChatGPT. 이 긴 여정의 첫 걸음을 지금 시작합니다.

---

🧠 1. 왜 뇌를 알아야 할까?

왜 이것을 알아야 하나요?

AI의 정식 이름은 **인공 신경망(Artificial Neural Network)**입니다. "신경망"이라는 이름에서 알 수 있듯, AI는 우리 뇌의 신경 구조를 모방해서 만들었습니다. 뇌를 이해하면 AI가 왜 이렇게 설계되었는지 자연스럽게 이해됩니다.

비유: 비행기를 이해하려면 새를 보면 됩니다. 라이트 형제는 새가 나는 원리를 관찰해서 비행기를 만들었죠. 마찬가지로, AI를 이해하려면 뇌를 보면 됩니다. AI 과학자들은 뇌가 생각하는 원리를 관찰해서 AI를 만들었습니다.

새가 나는 원리 관찰  →  비행기 발명
뇌가 생각하는 원리 관찰  →  AI 발명

자연에서 영감을 얻어 기술을 만드는 것!

---

🔢 2. 우리 뇌의 놀라운 규모

먼저 우리 뇌가 얼마나 대단한지부터 봅시다.

깨달음: 우주에서 가장 복잡한 물체가 바로 여러분의 머릿속에 있습니다. 860억 개의 뉴런이 100조 개의 연결을 통해 동시에 작동하고 있어요. 이 엄청난 시스템이 여러분이 지금 이 글을 읽고 이해하는 것을 가능하게 합니다.

그런데 ChatGPT 같은 AI도 "신경망"이라고 부릅니다. 도대체 뇌의 어떤 부분을 따라한 걸까요? 바로 뉴런입니다.

---

🔬 3. 뉴런은 어떻게 작동할까?

왜 이것을 알아야 하나요?

AI의 가장 기본 단위인 퍼셉트론은 뉴런을 모방한 것입니다. 진짜 뉴런이 어떻게 작동하는지 알면, 퍼셉트론이 왜 그렇게 설계되었는지 자연스럽게 이해됩니다.

뉴런의 구조 - 4가지 핵심 부분

비유: 뉴런은 회사의 의사결정 과정과 비슷합니다.

뉴런의 작동 과정을 따라가 봅시다

핵심 포인트: 뉴런의 작동은 결국 **"여러 신호를 받아서 → 합쳐서 → 충분하면 다음으로 보내기"**입니다. 놀랍도록 단순하죠? 이 단순한 원리가 860억 개 모이면 사람의 생각, 감정, 창의력이 됩니다!

---

⚡ 4. 핵심 개념: 임계값 (Threshold)

왜 이것을 알아야 하나요?

뉴런에는 한 가지 중요한 규칙이 있습니다. 아무 신호에나 반응하지 않는다는 것입니다. 이 "임계값" 개념은 나중에 AI의 활성화 함수로 그대로 이어집니다.

비유: 팝콘을 생각해 봅시다. 옥수수를 가열하면 바로 터지지 않죠? 온도가 180도를 넘어야 "펑!" 하고 터집니다. 이 180도가 바로 임계값입니다.

임계값 = "이 정도는 넘어야 반응한다!"

예: 임계값 = 5

  신호 2 들어옴  →  반응 없음 (2 < 5, 부족해!)
  신호 4 들어옴  →  반응 없음 (4 < 5, 아직 부족!)
  신호 7 들어옴  →  발화! (7 > 5, 충분해!)

실생활에서의 임계값

AI에서의 임계값: AI의 퍼셉트론도 똑같습니다. 입력 신호의 합이 임계값을 넘으면 "YES(1)"를 출력하고, 넘지 못하면 "NO(0)"를 출력합니다. 이것이 AI가 "결정"을 내리는 가장 기본적인 방법입니다.

---

🔧 5. 첫 번째 인공 뉴런: 맥컬록-피츠 모델 (1943)

왜 이것을 알아야 하나요?

여기서부터 진짜 AI의 역사가 시작됩니다. 두 과학자가 "뇌의 뉴런을 수학으로 만들 수 있지 않을까?"라는 질문을 던진 것이 모든 것의 출발점이었습니다.

누가 만들었나?

비유: 요리사와 과학자가 만난 거예요. 요리사가 "케이크는 이렇게 만들어"라고 설명하면, 과학자가 "그 과정을 공식으로 쓰면 이렇군!"이라고 정리한 것과 같습니다.

맥컬록-피츠 뉴런의 작동 방식

원리는 놀라울 정도로 간단합니다:

1단계: 입력 신호를 모두 더한다
2단계: 합이 임계값보다 큰지 비교한다
3단계: 크면 1(발화), 작거나 같으면 0(침묵)

구체적 예시: "수업에 지각할까?" 판단

입력 1: 늦잠 잤다      = 1 (예)
입력 2: 비가 온다       = 1 (예)
입력 3: 버스가 늦는다   = 0 (아니오)

합계 = 1 + 1 + 0 = 2

임계값 = 2라면:
  합계(2) >= 임계값(2)  →  출력: 1 ("지각할 것이다!")

임계값 = 3이라면:
  합계(2) < 임계값(3)   →  출력: 0 ("지각 안 할 것이다!")

맥컬록-피츠 뉴런으로 할 수 있는 것: 논리 연산

이 단순한 모델로도 컴퓨터의 기본인 논리 연산을 할 수 있습니다:

맥컬록-피츠의 한계

하지만 치명적인 문제가 있었습니다:

문제: 모든 입력을 똑같이 취급한다!

예: "우산을 가져갈까?" 판단할 때
  입력 1: 비 올 확률 90%     → 1  (매우 중요!)
  입력 2: 구름이 좀 있다      → 1  (별로 안 중요)

  맥컬록-피츠: 둘 다 그냥 "1"로 취급
  → 비 올 확률 90%나 구름 좀 있다나 같은 비중?
  → 현실과 맞지 않음!

그리고 가장 큰 문제:

학습이 불가능합니다! 사람이 직접 임계값을 정해줘야 합니다. 틀려도 스스로 고칠 수 없습니다.

---

🚀 6. 퍼셉트론의 탄생 (1958) -- AI가 드디어 "학습"하다!

왜 이것을 알아야 하나요?

퍼셉트론은 스스로 학습하는 최초의 인공 뉴런입니다. 오늘날 ChatGPT, 이미지 인식, 자율주행 등 모든 AI는 퍼셉트론을 수백만~수십억 개 연결한 것입니다. 퍼셉트론을 이해하면 AI의 기초를 이해한 것입니다.

누가 만들었나?

Frank Rosenblatt (코넬대학교 심리학자, 1958년)

그는 맥컬록-피츠 뉴런의 한계를 보고 이렇게 생각했습니다:

"입력마다 중요도가 다르잖아? 그리고 틀리면 스스로 고치면 되잖아?"

퍼셉트론의 3가지 혁신

비유: 맥컬록-피츠 뉴런이 "모든 과목 점수를 똑같이 보는 입시"라면, 퍼셉트론은 "과목마다 가중치를 다르게 주는 입시"입니다. 의대는 과학에 가중치를 더 주고, 법대는 국어에 가중치를 더 주는 것처럼요.

구체적 예시: "오늘 우산을 가져갈까?"

맥컬록-피츠 (학습 불가):
  비 올 확률 높음 = 1    (중요도? 모름)
  구름 많음 = 1          (중요도? 모름)
  합 = 2, 임계값 2 → "가져가!"

퍼셉트론 (학습 가능):
  비 올 확률 높음 = 1  x  가중치 2.0  =  2.0  (중요!)
  구름 많음 = 1        x  가중치 0.5  =  0.5  (덜 중요)
  편향 = -1.0 (우산 안 가져가는 성향)

  합 = 2.0 + 0.5 + (-1.0) = 1.5
  임계값 0 기준: 1.5 > 0 → "가져가!"

  → 비 올 확률에 더 큰 비중을 줌! 훨씬 현실적!

맥컬록-피츠 vs 퍼셉트론 비교

---

📈 7. 퍼셉트론은 어떻게 학습할까?

왜 이것을 알아야 하나요?

"AI가 학습한다"는 말을 많이 들어보셨죠? 그 학습의 원리가 바로 여기에 있습니다. 퍼셉트론의 학습 과정은 이후 모든 AI 학습의 기본 틀이 됩니다.

비유: 활 쏘기를 배우는 과정을 생각해 봅시다.

1. •과녁을 향해 쏜다 (예측)
2. •과녁에서 얼마나 벗어났는지 확인한다 (오차 확인)
3. •"아, 좀 더 왼쪽으로 쏴야 하는구나" (가중치 조정)
4. •다시 쏜다 (반복)
5. •점점 과녁 중앙에 가까워진다 (정확도 향상)

학습 과정 4단계

1단계: 예측하기
  입력 데이터를 받아서 답을 내놓는다
        ↓
2단계: 정답과 비교하기
  내가 낸 답이 맞는지 틀렸는지 확인
        ↓
3단계: 가중치 조정하기
  틀렸다면? 가중치를 조금 바꿔본다
  맞았다면? 그대로 유지!
        ↓
4단계: 반복!
  새로운 데이터로 다시 1단계부터
  → 수백, 수천 번 반복하면 점점 정확해짐!

우산 예측으로 학습 과정 따라가기

[1회차]
  비 확률 80% (입력: 0.8)  x  가중치 1.0  =  0.8
  → 예측: "우산 필요 없음" (잘못된 예측!)
  → 정답: "우산 필요함"
  → 틀렸으니 가중치를 올리자! (1.0 → 1.5)

[2회차]
  비 확률 80% (입력: 0.8)  x  가중치 1.5  =  1.2
  → 예측: "우산 필요함" (맞음!)
  → 가중치 유지!

[3회차]
  비 확률 30% (입력: 0.3)  x  가중치 1.5  =  0.45
  → 예측: "우산 필요 없음" (맞음!)
  → 가중치 유지!

→ 학습 완료! 이제 비 확률만 보면 우산이 필요한지 판단 가능!

이것이 바로 "기계 학습(Machine Learning)"의 시작입니다! 사람이 규칙을 알려주지 않아도, 데이터를 보고 스스로 규칙을 찾아내는 것. Level 1-1에서 배운 "AI와 일반 프로그램의 핵심 차이"가 바로 이것이었죠!

---

📜 8. 뉴런에서 ChatGPT까지 -- 큰 그림

지금까지 배운 내용이 AI 역사에서 어디에 해당하는지 봅시다:

퍼셉트론 1개            → 간단한 판단 (우산 가져갈까?)
퍼셉트론 수백 개        → 손글씨 인식
퍼셉트론 수백만 개      → 이미지 인식
퍼셉트론 수십억 개      → ChatGPT, Claude!

모든 것의 시작은 "뉴런 하나를 수학으로 옮기자"에서 출발했습니다.

깨달음: 지금 여러분이 배운 퍼셉트론은 아주 작은 한 조각이지만, 이 조각이 수십억 개 모이면 ChatGPT가 됩니다. 레고 블록 하나를 이해하면 레고 성을 이해할 수 있는 것처럼, 퍼셉트론을 이해하면 AI 전체를 이해할 수 있습니다!

---

💡 핵심 정리

---

✅ 학습 체크리스트

• • 왜 AI가 뇌에서 영감을 받았는지 설명할 수 있다
• • 뇌의 뉴런(860억)과 시냅스(100조) 규모를 말할 수 있다
• • 뉴런의 4가지 구성요소(수상돌기, 세포체, 축삭돌기, 시냅스)를 설명할 수 있다
• • "임계값"이 무엇인지 비유를 들어 설명할 수 있다
• • 맥컬록-피츠 뉴런의 작동 방식과 한계를 안다
• • 퍼셉트론의 3가지 혁신(가중치, 편향, 자동 학습)을 설명할 수 있다
• • 퍼셉트론이 학습하는 4단계 과정을 따라갈 수 있다
• • "퍼셉트론이 왜 AI의 출발점인가?"를 한 문장으로 말할 수 있다

---

🔜 다음 강의 예고

"퍼셉트론 구조" 가중치는 정확히 어떻게 작동하는지, 편향은 왜 필요한지, 활성화 함수는 무엇인지 자세히 알아봅니다! 퍼셉트론의 수학 공식을 직접 계산해 봅시다.