AI 용어 모른다고 주눅들 필요 없다

AI는 세상을 바꾸면서 동시에 새로운 언어를 발명하고 있다

5분만 AI 관련 기사를 읽어보면 LLM, RAG, RLHF, 추론 모델 같은 단어들이 쏟아진다. 실리콘밸리의 베테랑 엔지니어도 처음엔 당황한다. 문제는 이 언어들이 단순한 기술 용어가 아니라는 점이다. 이 단어들이 어떻게 정의되느냐에 따라 수십조 원의 투자 방향이 바뀌고, 규제의 틀이 달라지고, 어떤 기업이 살아남을지가 결정된다.

이 글은 AI 핵심 개념들을 단순히 나열하지 않는다. 각 용어가 왜 지금 중요한지, 그리고 그 정의를 둘러싼 불일치가 어떤 의미를 갖는지까지 짚는다.

가장 논쟁적인 단어: AGI

AGI(인공일반지능)는 AI 업계에서 가장 자주 쓰이면서도 가장 정의가 불분명한 단어다. OpenAI CEO 샘 올트먼은 AGI를 "평균적인 인간 직원 수준의 능력을 가진 AI"로 표현했다. OpenAI의 공식 정관은 "대부분의 경제적으로 가치 있는 업무에서 인간을 능가하는 고도로 자율적인 시스템"이라고 규정한다. Google DeepMind는 조금 다르게 "대부분의 인지적 과제에서 인간과 동등하거나 그 이상인 AI"라고 정의한다.

세 정의가 미묘하게 다르다. 이건 사소한 어휘 차이가 아니다. "경제적으로 가치 있는 업무"를 기준으로 삼느냐, "인지적 과제"를 기준으로 삼느냐에 따라 AGI 달성 시점이 달라지고, 그에 따른 안전 프로토콜 발동 기준도 달라진다. 즉, AGI의 정의는 기술적 문제인 동시에 정치적 문제다.

지금 가장 빠르게 변하는 개념들

AI 에이전트와 코딩 에이전트

AI 에이전트는 단순한 챗봇을 넘어, 여러 단계의 작업을 자율적으로 수행하는 시스템이다. 항공권 예약, 경비 처리, 코드 작성과 디버깅까지 스스로 처리한다. 더 구체적으로는 코딩 에이전트가 있다. 코드를 제안하는 데 그치지 않고, 직접 작성하고, 테스트하고, 오류를 수정하는 전 과정을 자율적으로 처리한다. 잠들지 않고, 집중력을 잃지 않는 인턴에 비유할 수 있다. 단, 어떤 인턴이든 결과물은 사람이 검토해야 한다는 조건은 붙는다.

이 분야의 인프라는 아직 구축 중이다. AI 에이전트가 무엇을 의미하는지는 여전히 사람마다, 기업마다 다르게 해석된다. 시장이 용어보다 빠르게 달리고 있는 셈이다.

연쇄 사고(Chain of Thought)와 추론 모델

광고

광고주 모집

[email protected]

광고

닭과 소가 합쳐서 머리 40개, 다리 120개라면 각각 몇 마리일까? 암산으로 바로 나오지 않는다. 종이에 방정식을 써야 한다. AI도 마찬가지다. 복잡한 문제를 중간 단계로 쪼개어 풀어가는 방식을 연쇄 사고(Chain of Thought)라 부른다. 답을 내는 데 시간이 더 걸리지만, 정확도가 올라간다. 이 방식으로 최적화된 모델이 추론 모델(Reasoning Model)이다. OpenAI의 o시리즈, Google의 Gemini 추론 버전 등이 여기에 해당한다.

환각(Hallucination)

AI가 틀린 정보를 사실인 것처럼 생성하는 현상이다. 업계는 이를 "환각"이라고 부르지만, 사실 이 표현 자체가 문제를 희석시킨다는 비판도 있다. 환각은 단순한 오류가 아니다. 의료 정보를 잘못 생성하거나, 법적 판례를 없는 것을 있는 것처럼 인용하는 사례가 실제로 발생했다. 환각 문제가 부각될수록 특정 도메인에 특화된 수직형 AI 모델 수요가 높아진다. 범용 모델보다 좁은 영역에 집중할수록 지식 공백이 줄기 때문이다.

기술 기반 개념: 알면 맥락이 보인다

딥러닝과 신경망

딥러닝은 인간 뇌의 뉴런 연결 구조에서 영감을 받은 다층 인공신경망 알고리즘이다. 데이터에서 중요한 특징을 스스로 추출하고, 오류를 통해 스스로 개선한다. 단, 좋은 결과를 내려면 수백만 개 이상의 데이터가 필요하고, 훈련 시간과 비용이 상당하다.

확산 모델(Diffusion)

이미지, 음악, 텍스트를 생성하는 AI의 핵심 기술이다. 물리학의 확산 현상에서 착안했다. 원본 데이터에 노이즈를 점진적으로 추가해 완전히 파괴한 뒤, 그 역과정을 학습해 노이즈에서 원본을 복원하는 능력을 키운다. 미드저니, 스테이블 디퓨전 같은 이미지 생성 AI가 이 원리로 작동한다.

증류(Distillation)

큰 모델(교사)의 출력을 이용해 작은 모델(학생)을 훈련시키는 기법이다. 성능은 유지하면서 크기와 비용을 줄일 수 있다. OpenAI의 GPT-4 Turbo가 이 방식으로 개발된 것으로 알려져 있다. 단, 경쟁사의 모델을 무단으로 증류하는 것은 대부분의 API 이용약관을 위반한다. 올해 초 중국 스타트업 딥시크(DeepSeek)가 OpenAI 모델을 무단 증류했다는 의혹이 제기되어 업계 논란이 된 바 있다.

파인튜닝(Fine-tuning)

사전 훈련된 대형 모델을 특정 업무나 도메인에 맞게 추가 훈련하는 과정이다. 많은 AI 스타트업이 GPT나 Llama 같은 기반 모델을 파인튜닝해 의료, 법률, 금융 등 특화 서비스를 구축하고 있다. 기반 모델을 직접 개발하는 비용 없이 전문성을 확보할 수 있어, 스타트업의 진입 장벽을 낮추는 핵심 기술이다.

추론(Inference)

AI 모델을 실제로 '가동'하는 과정이다. 모델을 훈련하는 것과 구별된다. 사용자가 챗봇에 질문을 입력하면 모델이 답을 생성하는 그 순간이 추론이다. AI 서비스가 확산될수록 추론에 드는 컴퓨트(Compute) 비용이 급증하고 있다. 컴퓨트는 AI 모델의 훈련과 추론을 가능하게 하는 연산 능력 전반을 뜻하며, GPU, CPU, TPU 등의 하드웨어가 여기에 해당한다. 현재 AI 업계의 데이터센터 투자 경쟁은 사실상 이 컴퓨트 확보 전쟁이다.