딥러닝(Deep Learning) — Hinton이 선택한 브랜딩 전략
한줄 요약
“딥러닝”은 기술 용어가 아니라 브랜딩 전략이었다 — Hinton은 죽어가던 신경망 연구를 새 이름 하나로 부활시켰다.
기존 기술 용어: Multilayer Perceptron(MLP)
딥러닝이라는 이름이 등장하기 전, 같은 기술은 다층 퍼셉트론(Multilayer Perceptron, MLP) 또는 인공신경망(Artificial Neural Network, ANN)이라고 불렸다.
퍼셉트론은 1957년 Frank Rosenblatt이 제안한 단순한 뉴런 모델이다. 입력값에 가중치를 곱해 합산하고 활성화 함수를 통과시키는 계산 단위다. 이것을 여러 층으로 쌓으면 MLP가 된다.
MLP라는 이름은 기술적으로 정확했다. 하지만 “multilayer perceptron”은 외우기 어렵고, 마케팅 친화성이 없으며, 무엇보다 1990년대 AI 겨울(AI Winter)의 냄새가 났다.
네이밍 스토리: Hinton의 2006년 논문
2006년 Geoffrey Hinton, Simon Osindero, Yee-Whye Teh가 발표한 논문:
“A fast learning algorithm for deep belief nets” Science, 2006
이 논문이 핵심이다. Hinton은 여기서 “deep”이라는 단어를 전략적으로 사용했다.
당시 AI 커뮤니티의 분위기를 이해해야 한다. 1980~90년대에 신경망은 한 번 전성기를 누렸지만 Support Vector Machine(SVM), 결정 트리, 랜덤 포레스트 같은 “얕은” 방법들이 대부분의 벤치마크에서 신경망을 이기고 있었다. 학회에서 신경망 논문을 제출하면 심사 없이 반려되는 경우도 있었다.
Hinton은 이 상황을 타개하기 위해 새로운 이름이 필요하다고 판단했다.
“deep belief nets”라는 이름에서 “deep”은 단순히 레이어가 많다는 뜻이었지만, 동시에 “기존 AI와 다른 새로운 접근”이라는 신호를 보냈다.
”deep”의 의미: 얼마나 많아야 “deep”인가
기술적으로 “deep”은 은닉층(hidden layer)이 2개 이상인 신경망을 가리킨다. 은닉층이 1개이면 “shallow” 신경망이 된다.
하지만 현실적으로:
- ResNet-152: 152개 레이어 — 확실히 deep
- 레이어 3개짜리 신경망: “deep”인가? 커뮤니티마다 다르다
공식 기준은 없다. 오늘날 Transformer 기반 LLM은 수십~수백 개 레이어를 갖지만, 모두 “딥러닝”의 범주에 넣는다. “deep”이 의미하는 바는 결국 “현대적인 신경망”으로 확장되었다.
리브랜딩의 성공: AI Winter를 탈출하다
“deep learning”이라는 이름은 정확히 의도한 대로 작동했다.
2012년 ImageNet 대회에서 Hinton의 제자들이 만든 AlexNet이 기존 방법을 압도적인 차이로 이겼다. 이 승리는 “딥러닝”이라는 이름과 함께 전 세계 AI 커뮤니티에 퍼져나갔다.
새 이름의 효과:
- 기존의 실패한 “신경망” 이미지를 덮음
- 미디어가 “딥러닝”이라는 새 단어를 빠르게 채택
- 기업들이 “딥러닝 팀”을 만들기 시작
- 연구 펀딩이 몰려들기 시작
같은 기술이지만, 이름 하나가 분야 전체의 부흥을 이끌었다.
역설적 파생어: “shallow learning”의 등장
딥러닝이 성공하자 아이러니한 일이 벌어졌다. 기존의 SVM, 결정 트리, 로지스틱 회귀 같은 방법들이 “shallow learning” (얕은 학습)이라는 신조어로 불리기 시작한 것이다.
이 단어는 원래 없던 말이다. 딥러닝이라는 이름이 만들어낸 대립어다. “shallow”는 부정적 어감을 풍기지만, SVM이나 로지스틱 회귀가 결코 나쁜 방법이 아니다. 의료 데이터 분석에서 해석 가능성이 중요한 경우, 얕은 방법이 딥러닝보다 오히려 더 적합하다.
네이밍이 실제 기술의 가치 판단에까지 영향을 준 사례다.
한국어 대결: “심층학습” vs “딥러닝”
한국어에서도 흥미로운 언어 경쟁이 있었다.
- 심층학습(深層學習): 학술 용어. “deep = 심층”, “learning = 학습”의 직역. 한국어 논문과 교과서에서 사용.
- 딥러닝: 영어 발음 그대로. 뉴스, 블로그, 취업 공고, 일상 대화에서 압도적으로 사용.
왜 영어 발음이 이겼을까?
- 기술이 영어권에서 먼저 퍼졌고, 뉴스와 소셜미디어가 영어 원어를 그대로 사용했다.
- IT 업계에서는 영어 원어를 그대로 쓰는 문화가 강하다.
- “심층학습”은 4글자 한자어로 직관성이 낮다. “딥러닝”은 2음절이라 발음이 편하다.
- 머신러닝, AI, 알고리즘처럼 IT 용어 전반이 영어 발음으로 굳어진 패턴과 동조화.
이 현상은 기술 용어의 표준화에서 자연스러운 사용이 공식 권고보다 강하다는 것을 보여준다.
Hinton의 2024년 노벨 물리학상
2024년 Geoffrey Hinton은 John Hopfield와 함께 노벨 물리학상을 받았다. 수상 이유는 “인공신경망을 이용한 기계학습을 가능하게 한 기반 발견과 발명”이었다.
수상 소감에서 Hinton은 딥러닝이 가져올 위험에 대해 경고하면서도, 이 기술이 의료, 과학, 기후 연구에 가져올 혜택에 대한 기대를 함께 표명했다. 물리학상이지만 수상 이유가 컴퓨터과학 분야였던 것도 이례적이었다 — 노벨위원회가 딥러닝을 기초과학으로 인정했다는 의미다.
핵심 정리
- “딥러닝”은 기존의 MLP/ANN을 리브랜딩한 용어로, Hinton이 2006년 논문에서 전략적으로 사용했다
- “deep”의 공식 기준은 없으며, 오늘날은 “현대적 신경망” 전반을 뜻하는 포괄 용어가 되었다
- AI Winter 시절 죽어가던 신경망 연구가 이름 하나로 부활한 것은 테크 역사의 흥미로운 사례다
- “shallow learning”은 딥러닝의 성공이 만들어낸 역설적 파생어다
- 한국에서는 “심층학습”보다 “딥러닝”이 실제 사용에서 승리했다