상징의 강 · 강의 물길은 실제 지리가 아닙니다
1 / 15약 60년알렉산드리아근거: 저술
상징: 쓰고 읽힌 기록을 올려 둔 책상시대 구간: 499년까지장소 풍경: 지중해 바닷가 · 대추야자 · 모래 평지랜드마크: 파로스 등대
평면거울에서 반사점까지의 꺾인 길을 펼쳐 보면 입사각과 반사각이 같은 경로가 가장 짧다. 이 기하 논증은 훗날 변분 원리로 이어지는 중요한 어깨지만, 남은 책은 중세 라틴어 번역이며 프톨레마이오스에게 잘못 귀속되기도 했고 헤론 저작인지도 확정적이지 않다. 빛이 모든 매질과 상황에서 언제나 ‘최단 거리’를 계산한다고 일반화하지 않는다.
장면 전체 읽기드래그해 둘러보기 · ← / → 장면 이동
스무 번째 항로 · 최적값보다 먼저 목적과 제약을 묻다
알렉산드리아의 반사 경로와 흐로닝언의 가장 빠른 곡선에서 출발해 로잔·파리에서 함수와 오차를 최소화합니다. 시카고·레닌그라드·워싱턴·버클리·산타모니카에서 제약과 계획을 계산하고, 머리힐의 내점법과 토론토의 학습까지 가며 ‘계산이 정확하다’와 ‘목표가 옳다’를 분리합니다.
이 항로에서 붙잡을 질문
최적화는 어떻게 ‘무엇이 가능한가’와 ‘무엇이 더 좋은가’를 수식으로 바꾸며, 그 수식에서 빠진 사람·비용·가치는 누가 다시 물어야 할까요?
이 강이 주장하지 않는 것
이 강은 실제 지리가 아닙니다. 강을 따라 내려간 거리는 흐른 시간이고, 세기가 흐르는 동안 빛이 새벽에서 황혼으로 바뀝니다. 비석 곁의 사물은 사건의 종류와 그 세기 구간에 수학을 쓰고 계산한 방식을 상징할 뿐 실제 유물을 재현하지 않습니다. 정거장 둘레의 땅은 그 장면이 일어난 실제 장소의 자연·지리를 개략으로 따르고, 대표 건축은 그 해에 이미 서 있던 것만 세웁니다. 장면마다 실제 장소와 근거를 그대로 두었으니, 어디서 일어났는지는 지도에서 읽어 주세요. 이 항로는 최적화를 보편적 효율·자동화된 정의·AI의 단일 엔진과 같게 두지 않습니다. 최단 거리와 최단 시간, 국소 하강과 전역 최적, 필요조건과 충분조건, 이론적 최악 경우와 실제 성능, 파레토 효율과 정의를 구분합니다. 지도 선은 한 원문이 그대로 전파된 계보가 아니라 서로 다른 문제와 제도를 비교하는 편집 경로입니다.
세기 구간이 바뀌는 자리에서는 배가 새 구간의 다리 밑을 지나갑니다. 마을·방아·공장·송전탑·빌딩은 그 세기의 기술을 상징할 뿐, 실제 장소나 특정 건축 양식이 아닙니다.
01약 60년알렉산드리아(근거: 저술)
평면거울에서 반사점까지의 꺾인 길을 펼쳐 보면 입사각과 반사각이 같은 경로가 가장 짧다. 이 기하 논증은 훗날 변분 원리로 이어지는 중요한 어깨지만, 남은 책은 중세 라틴어 번역이며 프톨레마이오스에게 잘못 귀속되기도 했고 헤론 저작인지도 확정적이지 않다. 빛이 모든 매질과 상황에서 언제나 ‘최단 거리’를 계산한다고 일반화하지 않는다.
021696년흐로닝언(근거: 출판)
요한 베르누이는 중력 아래 두 점을 가장 빨리 잇는 최속강하선 문제를 학계에 던졌다. 답인 사이클로이드는 직선보다 길지만 처음에 더 가파르게 떨어져 속도를 먼저 얻는다. 1696년 《Acta Eruditorum》의 도전과 1697년 흐로닝언 재인쇄는 문제를 유럽 서신망으로 퍼뜨렸으며, 결과는 마찰 없는 점질량과 균일 중력 같은 이상화에 의존한다.
031744년로잔(근거: 출판)
오일러의 《Methodus inveniendi》는 길이·시간·작용처럼 곡선 전체에 붙는 양을 최대·최소로 만드는 문제를 체계적으로 다뤘다. 이것은 유한한 변수 몇 개가 아니라 가능한 함수들의 공간에서 답을 찾는 전환이었다. 로잔·제네바는 출판망의 핀이며 당시 오일러의 주 활동지를 뜻하지 않고, 변분법 전체를 한 책이 단독 발명했다고도 보지 않는다.
041805년파리(근거: 출판)
르장드르는 혜성 궤도 계산서에서 관측값과 모형의 차이 제곱합을 최소화하는 최소제곱법을 처음 출판했다. 여러 오차를 하나의 목적함수로 묶어 ‘가장 잘 맞는’ 매개변수를 정한 것이다. 가우스는 더 이른 사적 사용을 주장하고 1809년에 이론을 발표했으므로, 최초 공개와 주장된 선행 사용을 구분한다. 제곱오차가 모든 자료에 항상 올바른 기준도 아니다.
051847년파리(근거: 발표)
코시는 연립방정식을 푸는 방법으로 함수의 음의 기울기 방향을 따라가는 절차를 제안했다. 오늘날 기울기 하강법의 선행 장면이지만 방향만으로는 충분하지 않다. 보폭이 너무 작으면 느리고 너무 크면 진동하거나 발산하며, 비볼록한 지형에서는 국소 최솟값·안장점·평평한 영역에 막힐 수 있다.
061896년로잔(근거: 강의·재직)
파레토는 로잔에서 강의하고 펴낸 정치경제학 과정에서 여러 사람의 선호가 얽힌 배분을 분석했다. 훗날 파레토 효율이라 부르는 상태는 누구도 나쁘게 하지 않고 한 사람을 더 낫게 만들 수 없는 경계다. 이는 공정성·정의·평등을 보증하지 않고, 효율적인 점이 하나뿐이라는 뜻도 아니다. 어떤 선호와 자원을 표에 넣었는지가 먼저다.
071939년시카고(근거: 저술)
윌리엄 카루시는 시카고 대학 석사논문에서 부등식 제약이 있는 최적화의 승수 조건을 다뤘다. 논문은 널리 알려지지 않았고, 1950년 쿤과 터커의 연구 뒤에야 선행 기여가 복원돼 KKT라는 이름이 자리 잡았다. 이 조건은 아무 문제에서나 자동으로 전역 최적을 보증하지 않는다. 필요조건에는 정칙성 가정이, 충분조건에는 볼록성 같은 추가 구조가 필요하다.
081939년상트페테르부르크(근거: 출판)
칸토로비치는 당시 레닌그라드에서 제한된 기계·노동·재료로 생산계획을 짜는 선형 부등식과 해법을 소책자로 발표했다. 자원 제약의 승수는 한 단위를 더 얻을 때 목적값이 얼마나 바뀌는지 보여 주는 해석으로 이어졌다. 이 연구는 서방에 오랫동안 거의 알려지지 않았으므로 뒤의 미국 선형계획과 단일한 직접 전파로 합치지 않는다.
091947년워싱턴 DC(근거: 주요활동)
미 공군 계획 업무에서 조지 단치히는 선형 부등식으로 표현한 계획 모형과 실행 가능 다면체의 꼭짓점을 따라가는 심플렉스법을 발전시켰다. 여기서 programming은 컴퓨터 코딩보다 계획 편성을 뜻했다. 방법의 효율은 강력했지만 군사·행정 목적과 분리된 중립 도구는 아니며, 목적함수에 적히지 않은 피해나 가치를 계산하지 않는다.
101950년버클리(근거: 발표)
버클리 비선형계획 심포지엄에서 쿤과 터커는 목적함수와 제약의 기울기, 승수, 상보성 조건을 한 틀로 제시했다. 1951년 논문집으로 출판된 이 결과는 카루시의 1939년 선행 연구와 함께 KKT 조건이라 불린다. 조건을 만족한다는 사실만으로 임의의 비볼록 문제의 전역 최적임이 따라오지는 않으며, 제약자격의 역할도 남는다.
111951년채플힐(근거: 출판)
로빈스와 몬로는 직접 계산할 수 없는 함수의 근을 잡음이 섞인 관측으로 찾아가는 확률근사 절차를 발표했다. 반복할수록 적절히 줄어드는 보폭은 우연한 흔들림을 평균내면서도 목표를 향해 이동하게 한다. 현대 확률적 기울기 하강의 중요한 조상이지만, 원 논문은 확률적 근 찾기이며 오늘날 미니배치 신경망 학습과 완전히 같은 알고리즘은 아니다.
121953년산타모니카(근거: 출판)
RAND의 벨먼은 여러 단계 결정을 ‘현재 선택 뒤에 남는 최적 문제’로 나누는 동적계획법을 초기 보고서로 정리했다. 최적성 원리는 전체 경로의 꼬리도 그 상태에서 최적이어야 한다는 재귀를 만든다. 여기서 programming은 계획이며, 냉전기 군사 시스템 분석이 제도적 배경이었다. 상태가 많아지면 계산량이 폭발하는 차원의 저주도 함께 생긴다.
131972년버클리(근거: 출판)
리처드 카프는 여러 조합문제를 다항시간 환원으로 연결해 NP-완전 문제군을 넓게 드러냈다. 이는 최적해가 없거나 어떤 입력에서도 풀 수 없다는 뜻이 아니다. 최악 경우에 알려진 다항시간 정확 알고리즘이 없고 P와 NP가 같은지도 아직 미해결이라는 조건부 난이도 주장이다. 근사·휴리스틱·특수 구조·작은 사례는 여전히 유용하다.
141984년머리힐(근거: 출판)
카르마르카르는 벨연구소에서 실행 가능 영역의 내부를 따라가는 선형계획 다항시간 알고리즘을 발표했다. 큰 문제에서 내점법의 새 시대를 열었지만 최초의 다항시간 선형계획 알고리즘은 1979년 하치얀의 타원체법이다. 이론적 최악 경우 복잡도와 실제 계산 성능은 다른 비교이며, 심플렉스법도 많은 문제에서 계속 중요하다.
152012년토론토(근거: 출판)
크리제프스키·수츠케버·힌턴의 AlexNet은 GPU 계산, 대규모 ImageNet 자료, 합성곱 신경망, 역전파와 확률적 최적화를 결합해 이미지 분류 오류를 크게 낮췄다. 이 성공은 기울기 하강·역전파·딥러닝의 단독 발명이 아니다. 벤치마크 손실을 최소화하는 것은 정한 자료와 지표 안의 성능이며, 일반 지능·공정성·사회적 유용성을 자동 최적화하지 않는다.