판별형 AI와 생성형 AI는 무엇이 다른가

안녕하세요, DECHIVE입니다.

메일함은 스팸을 알아서 골라내고, 사진 앱은 얼굴을 구분합니다. 그런데 다른 AI는 한 줄의 요청만으로 문장과 이미지를 새로 만들어냅니다. 모두 AI라고 부르는데, 하나는 답을 고르고 다른 하나는 답을 만드는 것처럼 보입니다. 두 종류는 정확히 어디에서 갈라질까요?

먼저 한 문장으로 정리하면 이렇습니다.

판별형 AI는 주어진 입력을 구분하거나 값을 예측하는 데 초점을 두고, 생성형 AI는 학습한 데이터의 구조와 패턴을 바탕으로 새로운 결과를 만드는 데 초점을 둡니다.

다만 이것은 이해를 위한 출발점입니다. 두 범주가 모든 AI를 깔끔하게 반으로 나누는 절대적인 기준은 아닙니다. 실제 시스템에서는 함께 쓰이기도 하고, 같은 모델이 상황에 따라 분류와 생성 작업을 모두 수행하기도 합니다.

같은 데이터를 보더라도 목표가 다릅니다

스팸 메일을 예로 들어보겠습니다.

판별형 모델에는 메일 한 통이 들어옵니다. 모델이 내놓아야 할 답은 대체로 이미 정해진 형태입니다. ‘스팸’ 또는 ‘정상’을 고르거나, ‘스팸일 확률 96%’처럼 점수를 냅니다.

생성형 모델에도 메일 내용이 들어갈 수 있습니다. 하지만 요청은 다릅니다. ‘이 메일에 정중하게 거절하는 답장을 써줘’라고 하면, 모델은 미리 준비된 두세 개의 라벨 가운데 하나를 고르는 대신 새로운 문장을 만들어냅니다.

판별형 AI

• 주된 질문: 이 입력은 무엇인가, 값은 얼마인가
• 대표 출력: 라벨, 순위, 점수, 수치
• 대표 사례: 스팸 탐지, 이상 거래 탐지, 수요 예측
• 핵심 평가: 정답을 얼마나 정확히 맞히는가

생성형 AI

• 주된 질문: 이 조건에 맞는 결과는 무엇인가
• 대표 출력: 문장, 이미지, 음성, 영상, 코드
• 대표 사례: 글쓰기, 이미지 생성, 음성 합성
• 핵심 평가: 조건에 맞고 유용한 결과를 만드는가

중요한 차이는 겉모습보다 학습 목표와 출력의 역할에 있습니다. 판별형은 경계와 관계를 잘 찾아 예측하는 쪽에, 생성형은 데이터가 만들어지는 패턴을 익혀 새 결과를 구성하는 쪽에 무게를 둡니다.

판별형 모델은 ‘입력에서 답으로 가는 길’을 배웁니다

판별형 모델은 입력의 특징을 보고 원하는 답을 직접 예측합니다.

메일의 발신자, 문장, 링크 수 같은 특징을 보고 스팸 여부를 예측하거나, 집의 면적과 위치를 보고 가격을 추정하는 식입니다. 분류뿐 아니라 회귀처럼 숫자를 예측하는 모델도 판별형에 포함될 수 있습니다.

기술적으로는 입력 x가 주어졌을 때 출력 y가 나올 조건부 확률 p(y|x)를 학습하거나, 입력에서 출력으로 가는 결정 규칙을 직접 찾는다고 설명합니다. 쉽게 말하면 데이터 전체를 다시 만들어내는 법보다 지금 들어온 입력에 어떤 답을 붙여야 하는지에 집중하는 것입니다.

그래서 판별형 AI를 단순히 ‘둘 중 하나를 고르는 AI’라고만 이해하면 범위가 너무 좁습니다. 상품의 구매 가능성, 기계의 고장 위험, 내일의 수요처럼 연속적인 점수나 수치를 예측하는 작업도 이 범주에 들어갈 수 있습니다.

생성형 모델은 ‘데이터가 만들어지는 패턴’을 배웁니다

생성형 모델은 학습 데이터의 구조와 특징을 익혀 그와 닮은 새로운 표본이나 조건에 맞는 결과를 만들어냅니다.

언어 모델은 앞에 놓인 단어와 문맥을 바탕으로 다음 토큰의 가능성을 계산하며 문장을 이어갑니다. 이미지 생성 모델은 글로 주어진 조건과 학습한 시각 패턴을 바탕으로 새로운 픽셀 구성을 만듭니다. 음성·음악·영상·코드도 같은 큰 범주에서 볼 수 있습니다.

고전적인 통계 설명에서는 생성 모델이 데이터 자체의 분포 p(x), 또는 입력과 라벨이 함께 나타나는 결합 분포 p(x,y)를 모델링한다고 말합니다. 이 구조를 알면 새 표본을 만들 수도 있고, 어떤 데이터가 얼마나 그럴듯한지 계산하거나 분류에 활용할 수도 있습니다.

따라서 생성형 모델의 ‘생성’은 무에서 유를 만든다는 뜻이 아닙니다. 학습 데이터에서 익힌 구조를 바탕으로 이전에 그대로 존재하지 않았던 조합을 만들어낸다는 뜻에 가깝습니다.

딥러닝과 생성형 AI는 같은 구분이 아닙니다

여기에서 자주 섞이는 기준이 있습니다.

AI, 머신러닝, 딥러닝은 주로 어떤 방법과 기술 계층을 사용하는가를 설명하는 말입니다. 반면 판별형과 생성형은 모델이 무엇을 배우고 어떤 목표를 수행하는가에 더 가까운 구분입니다.

그래서 다음이 모두 가능합니다.

• 딥러닝으로 만든 판별형 이미지 분류기
• 딥러닝으로 만든 생성형 언어 모델
• 딥러닝 이전부터 사용된 판별형 통계 모델
• 나이브 베이즈처럼 분류에 쓰이는 고전적 생성 모델

오늘날 널리 쓰이는 생성형 AI 대부분이 대규모 딥러닝에 기반하기 때문에 두 말이 거의 같은 뜻처럼 느껴질 뿐입니다. 생성형 AI는 딥러닝 전체가 아니고, 딥러닝도 생성형 AI만을 뜻하지 않습니다.

한 시스템 안에서 둘은 함께 움직일 수 있습니다

생성형 AI 서비스 안에도 판별형 모델이 자주 들어갑니다.

이미지 생성 서비스는 먼저 사용자의 요청이 정책에 어긋나는지 분류할 수 있습니다. 결과를 만든 뒤에는 별도의 모델이 유해성이나 품질을 점검할 수 있습니다. 검색 서비스는 문서의 관련성을 점수화해 순서를 정한 뒤, 생성형 모델이 그 내용을 요약하도록 구성할 수 있습니다.

생성적 적대 신경망, 즉 GAN은 이 결합을 잘 보여주는 사례입니다. GAN은 새로운 표본을 만드는 생성자와, 그 표본이 실제 데이터인지 생성된 데이터인지 구분하는 판별자를 서로 경쟁시키며 학습합니다. 생성과 판별이 하나의 시스템 안에서 각기 다른 역할을 맡는 셈입니다.

반대로 생성 모델을 분류에 활용할 수도 있습니다. 어떤 입력이 각 범주에서 나올 가능성을 계산해 가장 가능성 높은 범주를 고르는 방식입니다. ‘생성형 모델은 오직 콘텐츠만 만들고 판별형 모델은 오직 라벨만 고른다’고 선을 그으면 이런 사례를 설명하기 어렵습니다.

결과만 보고 구분하기 어려운 경우도 있습니다

대형 언어 모델에게 객관식 문제를 주고 A, B, C 중 하나만 답하라고 할 수 있습니다. 화면에 보이는 결과는 분류처럼 보이지만, 모델 내부에서는 다음 토큰을 생성하는 방식으로 답을 만들 수 있습니다.

반대로 생성 모델이 어떤 문장이 자연스러운지 점수를 매기거나, 여러 후보 중 하나를 고르는 데 사용될 수도 있습니다. 추천 시스템도 전통적으로는 항목의 점수와 순위를 예측했지만, 최근에는 설명이나 후보 자체를 생성하는 방식이 결합됩니다.

이런 경계 사례에서는 출력 모양 하나만 볼 것이 아니라 세 가지를 함께 봐야 합니다.

1. 모델이 무엇을 학습하도록 설계되었는가
2. 실제 서비스에서 어떤 작업을 맡는가
3. 다른 모델과 어떻게 결합되어 있는가

DECHIVE에서는 일상적인 이해를 위해 ‘판별형은 구분·예측, 생성형은 새 결과 생성’으로 먼저 설명하되, 이것을 모든 시스템에 예외 없이 적용되는 단단한 벽으로 보지는 않습니다.

생성형이라고 더 똑똑한 것도, 판별형이라고 낡은 것도 아닙니다

생성형 AI의 결과는 사람의 글이나 그림처럼 보여서 더 지능적으로 느껴집니다. 하지만 자연스러운 결과를 만든다는 사실만으로 내용을 이해하거나 사실을 확인했다는 뜻은 아닙니다.

생성 모델은 가능성 높은 결과를 구성합니다. 그래서 문장은 매끄럽지만 사실과 다른 내용을 만들 수 있습니다. NIST는 이런 현상을 생성형 AI의 주요 위험 가운데 하나인 ‘confabulation’으로 다룹니다. 중요한 정보라면 출처와 원문을 따로 확인해야 합니다.

판별형 모델도 틀릴 수 있습니다. 학습 데이터와 실제 환경이 달라지거나, 특정 집단의 데이터가 부족하거나, 입력이 기존 범위를 벗어나면 잘못된 라벨과 점수를 자신 있게 내놓을 수 있습니다. 판별형은 정답만 고르니 안전하고, 생성형만 검증이 필요하다는 뜻은 아닙니다.

차이는 우열이 아니라 무엇을 하도록 만든 시스템인가에 있습니다.

자주 생기는 오해

“생성형 AI는 완전히 새로운 것을 무에서 만든다”

아닙니다. 학습한 데이터의 구조와 패턴을 바탕으로 새로운 조합을 생성합니다. NIST도 생성형 AI를 입력 데이터의 구조와 특성을 모방해 파생된 합성 콘텐츠를 만드는 AI 모델군으로 정의합니다.

“판별형 AI는 오래된 AI이고, 생성형 AI가 그다음 단계다”

그렇지 않습니다. 둘은 세대 구분이 아니라 목표와 모델링 방식의 차이입니다. 최신 딥러닝 시스템에서도 정교한 판별형 모델은 계속 핵심 역할을 합니다.

“생성형 AI는 모두 대형 언어 모델이다”

아닙니다. 대형 언어 모델은 텍스트를 다루는 대표적인 생성 모델입니다. 이미지·음성·영상 생성에는 확산 모델, GAN 등 다른 계열도 사용됩니다.

“모든 AI는 판별형 아니면 생성형 중 하나다”

실무에서는 유용한 설명이지만 완벽한 양분법은 아닙니다. 규칙 기반 시스템, 검색·최적화 시스템, 강화학습 에이전트처럼 이 축만으로 충분히 설명하기 어려운 AI도 있고, 여러 모델이 결합된 하이브리드 시스템도 많습니다.

어떤 AI인지 판단할 때 볼 것

새로운 AI 서비스를 만났을 때는 이름보다 출력과 검증 방법을 살펴보는 편이 좋습니다.

• 정해진 범주·점수·수치를 내놓는가, 새로운 콘텐츠를 만드는가
• 정답과 비교해 정확도를 평가하는가, 조건 충족도·품질·사실성을 함께 평가하는가
• 하나의 모델이 전부 처리하는가, 검색·분류·생성 모델이 결합되어 있는가
• 틀렸을 때 어떤 피해가 생기며, 사람이 어디에서 확인해야 하는가

이 질문에 답하면 서비스가 ‘AI’라는 간판을 달았다는 사실보다 실제 역할을 더 정확히 이해할 수 있습니다.

그래서 무엇을 기억하면 될까요?

판별형 AI는 입력을 보고 무엇인지, 어느 쪽인지, 값이 얼마인지 예측하는 데 강합니다. 생성형 AI는 데이터의 패턴을 바탕으로 조건에 맞는 새로운 결과를 만드는 데 강합니다.

하지만 둘은 서로 배타적인 두 상자가 아닙니다. 같은 딥러닝 기술이 두 목표에 쓰일 수 있고, 실제 서비스에서는 분류·검색·생성이 한 흐름 안에서 함께 작동합니다.

가장 중요한 기준은 이름이 아니라 목표입니다.

이 시스템은 답을 고르도록 만들어졌는가, 답을 구성하도록 만들어졌는가?

그 질문에서 시작하면 판별형 AI와 생성형 AI의 차이를 훨씬 정확하게 볼 수 있습니다.

확인한 자료

• Google for Developers — What is a Generative Model?
• Google for Developers — Machine Learning Glossary
• NIST CSRC — Generative Artificial Intelligence
• Ng & Jordan — On Discriminative vs. Generative Classifiers
• Goodfellow et al. — Generative Adversarial Networks
• NIST AI 600-1 — Generative Artificial Intelligence Profile