본문으로 바로가기
DECHIVE
지식 목록

Knowledge

인공지능이란 무엇인가

인공지능은 특정 기술 하나가 아니라, 기계가 추론·판단·생성하도록 만드는 넓은 분야다. 머신러닝·딥러닝·생성형 AI가 어떤 관계이며, 서로 다른 분류 기준이 왜 자주 혼동되는지 설명한다.

  • 인공지능
  • Ai
  • 머신러닝
  • 딥러닝
  • 생성형AI
  • AI기초

세 줄 요약

  • 인공지능은 하나의 기술이 아니라, 기계가 입력으로부터 추론해 예측·콘텐츠·추천·결정 같은 출력을 만들어내게 하는 넓은 분야의 이름이다.

  • 그 안에는 사람이 규칙을 직접 써넣는 방식과, 데이터에서 규칙을 스스로 찾게 하는 방식이 있다. 지금 "AI"라 불리는 것 대부분은 후자다.

  • 인공지능 ⊃ 머신러닝 ⊃ 딥러닝은 방법의 포함 관계다. 생성형 AI는 다른 기준으로 나눈 개념이어서, 이 동심원에 네 번째 원으로 얹으면 어긋나는 지점이 생긴다.

정의가 왜 이렇게 어려운가

인공지능의 정의를 찾아보면 출처마다 조금씩 다르다. 이건 설명이 부실해서가 아니라, 이 단어 자체가 그런 성질을 갖고 있기 때문이다.

가장 넓은 정의는 이렇다.

인공지능(Artificial Intelligence)은 사람의 지능이 필요하다고 여겨지던 일을 기계가 수행하도록 만드는 것, 그리고 그것을 연구하는 분야다.

이 정의에는 함정이 하나 있다. "사람의 지능이 필요하다고 여겨지던"이라는 부분이 시대에 따라 계속 움직인다는 것이다.

계산기가 처음 나왔을 때 암산은 지능의 상징이었다. 지금 아무도 계산기를 AI라고 부르지 않는다. 체스는 오랫동안 인간 지성의 정점으로 여겨졌지만, 컴퓨터가 세계 챔피언을 이긴 뒤에는 "그건 그냥 탐색 알고리즘이지"가 되었다.

이건 개인적인 관찰이 아니라 정책 기구도 인정하는 현상이다. OECD는 광학 문자 인식(OCR)을 예로 들며, 한때 널리 AI로 여겨졌던 기술이 지금은 적어도 일반 대중에게는 AI로 취급되지 않는다고 지적한다. 교과서적인 AI 기법을 그대로 쓰고 있는데도 그렇다.

이 현상에는 이름이 붙어 있다. AI 효과(AI effect) 다. 어떤 문제가 풀리는 순간, 사람들은 그것을 지능의 목록에서 지운다. 그래서 "AI"라는 단어는 항상 아직 완전히 풀리지 않은 문제들을 가리키는 쪽으로 밀려간다.

실무에서 쓰이는 정의

그래서 국제 기구들은 접근을 바꿨다. "AI"를 정의하는 대신 "AI 시스템"을 정의한 것이다. 지능이 무엇이냐는 논쟁을 피하고, 실제로 무엇이 들어가 무엇이 나오는지에 초점을 맞추기 위해서다.

OECD가 회원국 합의로 채택한 정의는 이렇다.

AI 시스템은 명시적 또는 암묵적 목표를 위해, 받은 입력으로부터 물리적 또는 가상 환경에 영향을 미칠 수 있는 예측·콘텐츠·추천·결정 등의 출력을 어떻게 생성할지 추론하는 기계 기반 시스템이다. AI 시스템마다 배포 이후의 자율성과 적응성 수준은 다르다.

이 정의의 장점은 "사람을 흉내 내는가"를 기준에서 빼버렸다는 점이다. 대신 입력 → 추론 → 출력이라는 구조와, 그 출력이 환경에 영향을 미칠 수 있다는 점을 본다. 그래서 아주 단순한 시스템부터 복잡한 시스템까지 같은 잣대로 다룰 수 있다.

실용적으로 정리하면 이렇다. "이건 진짜 AI인가?"는 대체로 생산적인 질문이 아니다. 더 나은 질문은 "이건 무엇을 입력받아, 어떤 방식으로, 무엇을 만들어내는가"이다.

유용한 대비 하나: 규칙을 넣는가, 규칙을 찾게 하는가

AI를 처음 이해할 때 가장 쓸모 있는 대비 중 하나가 이것이다.

먼저 분명히 해둘 것이 있다. 이건 AI 전체를 둘로 완전히 나누는 분류가 아니다. 탐색, 계획, 최적화, 확률적 추론, 진화 계산처럼 어느 쪽으로도 딱 떨어지지 않는 접근이 많고, 둘을 섞은 시스템도 흔하다. 아래는 지도를 그리기 위한 두 개의 극단이지, 세상의 전부가 아니다.

규칙 기반 — 사람이 규칙을 써넣는다

사람이 문제 해결 방법을 명시적인 규칙으로 적어서 컴퓨터에 넣는 방식이다.

만약 체온이 38도 이상이고 기침이 있으면 → 독감 의심
만약 잔액이 출금액보다 적으면 → 거래 거부

1950년대부터 1980년대까지 AI의 주류였고, 의료 진단이나 장비 고장 진단에 쓰인 전문가 시스템(expert system) 이 대표적인 성과였다. 기호적 AI 또는 지식 기반 AI라고도 부른다.

장점은 분명하다. 왜 그런 결론이 나왔는지 규칙을 따라가면 전부 설명된다. 틀리면 어느 규칙이 잘못됐는지 찾아 고칠 수 있다. 그리고 동일한 규칙과 입력, 실행 조건이 유지된다면 같은 결과를 재현할 수 있다. 이 재현성이 규칙 기반 방식의 핵심 가치다.

여기서 한 가지 구분이 필요하다. 규칙으로 돌아가는 프로그램이 전부 AI인 것은 아니다. 세금 계산기나 재고 관리 프로그램의 조건문을 인공지능이라 부르지는 않는다. 규칙 기반 AI라고 할 때는 보통 지식을 표현하고 그것으로 추론해 결론을 이끌어내는 시스템 — 전문가 시스템이나 지식 기반 시스템 — 을 가리킨다. 단순한 업무 규칙과 지식 기반 추론 사이의 경계는 흐리지만, 그 둘이 같은 것은 아니다.

한계도 분명하다. 규칙으로 적기 어려운 일이 세상에는 너무 많다. "이 사진에 고양이가 있는지" 판별하는 규칙을 적어보려 하면 금방 막힌다. 귀가 뾰족하고, 털이 있고, 수염이 있고… 그런데 뒤돌아 앉은 고양이는? 새끼 고양이는? 인형은?

사람은 이걸 순식간에 해낸다. 하지만 자기가 어떤 판단 과정을 거쳤는지를 빠짐없는 규칙 목록으로 옮겨 적지는 못한다. 예외가 끝없이 나오기 때문이다. 이런 종류의 능력을 규칙 기반으로 구현하는 일은 불가능하다기보다, 실용적인 수준까지 도달하기가 대단히 어렵다.

규칙 기반 AI는 지금도 살아 있고 여전히 널리 쓰인다. 판단 근거를 끝까지 추적해야 하고 결과가 흔들리면 안 되는 영역에서는 오히려 이쪽이 옳다. 규칙 기반은 낡은 AI가 아니라, 다른 종류의 AI다.

학습 기반 — 데이터에서 규칙을 찾게 한다

발상을 뒤집는다. 규칙을 적어주는 대신 예시를 잔뜩 보여주고, 규칙은 기계가 스스로 찾게 한다.

고양이 사진 수십만 장과 고양이가 아닌 사진 수십만 장을 보여준다. 기계는 그 안에서 통계적인 패턴을 찾아낸다. 이것이 머신러닝이다.

이 접근은 "해낼 수는 있지만 규칙으로 적기는 어려운" 일들을 컴퓨터에 옮길 길을 열었다. 사진 속 물체 인식, 음성을 글자로 옮기기, 번역, 추천 — 지금 AI라고 불리는 것 대부분이 여기 속한다.

대가도 있다. 왜 그렇게 판단했는지 규칙을 따라가며 설명하기 어렵다. 학습에 쓴 데이터가 치우쳐 있으면 그 치우침을 그대로 학습한다.

두 방식은 배타적이지 않다

이 대비를 벽처럼 여기면 곤란하다. 기호적 AI가 머신러닝을 쓰기도 한다. 결정 트리 학습은 데이터로부터 논리 조건의 나무, 즉 사람이 읽을 수 있는 규칙을 만들어낸다. 데이터로부터 배웠지만 결과물은 규칙인 것이다.

실제 제품은 대체로 섞여 있다. 대출 심사 시스템이 머신러닝으로 위험도를 예측한 뒤, 승인 여부는 사람이 정한 규정으로 결정하는 식이다.

자주 헷갈리는 지점: 출력이 확률적이라는 말

학습 기반 모델을 두고 "AI의 출력은 확률적이다"라는 말을 자주 듣는다. 이 문장은 두 가지 다른 얘기가 뭉쳐 있어서 오해를 만든다.

첫째, 모델이 확률을 계산한다는 뜻. 스팸 분류기는 "이 메일이 스팸일 확률 0.93"처럼 확률을 내놓는다. 하지만 여기서 0.5를 넘으면 스팸으로 분류한다는 규칙을 적용하면, 결과는 결정론적이다. 같은 메일을 백 번 넣어도 백 번 다 같은 답이 나온다. 학습이 끝나 고정된 모델은 대체로 이렇게 동작한다.

둘째, 실행할 때마다 답이 달라진다는 뜻. 이건 다른 현상이고, 원인은 확률 자체가 아니라 샘플링이다. 대규모 언어 모델은 다음에 올 토큰의 확률 분포를 계산한 뒤, 그중에서 하나를 뽑는다. 이 뽑는 과정에 무작위성이 들어가기 때문에 같은 질문에도 다른 답이 나온다. 설정을 바꿔 가장 확률 높은 토큰만 고르게 하면 답은 거의 고정된다.

정리하면 이렇다. "확률을 계산한다"와 "매번 답이 달라진다"는 같은 말이 아니다. 많은 머신러닝 모델은 앞의 성질만 갖고 있고, 뒤의 성질은 주로 생성 시스템에서 특정 설정으로 나타난다.

기본 지도: 인공지능 ⊃ 머신러닝 ⊃ 딥러닝

가장 자주 보게 될 그림은 세 개의 동심원이다.

인공지능은 지능적 기능을 수행하는 시스템과 그것을 연구하는 분야를 함께 아우르는 가장 넓은 이름이다. 어떤 방법으로 구현하든 — 규칙 기반이든 학습 기반이든 — 이 이름 안에 들어온다.

머신러닝은 명시적인 지시 대신 학습 데이터에 노출시켜 성능을 개선하고 모델을 자동으로 만들어내는 기법들의 묶음이다. 일반적인 기술 분류에서는 인공지능 ⊃ 머신러닝 ⊃ 딥러닝의 관계로 설명한다. 머신러닝은 AI 시스템을 구현하는 대표적인 방법이고, 딥러닝은 그 머신러닝에 포함되는 방법이다.

이 포함 관계에서 기억할 것은 방향이다. 머신러닝으로 만든 시스템은 AI로 분류되지만, AI가 전부 머신러닝인 것은 아니다. 지식 기반 시스템이 그 예다.

딥러닝은 다시 머신러닝의 한 방법으로, 여러 층으로 쌓은 인공신경망을 쓰는 것이다. "깊다(deep)"는 말은 층이 많다는 뜻이지 다른 심오한 의미가 아니다. 각 층이 앞 층의 표현을 받아 조금 더 추상적인 표현으로 바꾸고, 그 과정을 여러 번 거치면서 복잡한 패턴을 다루게 된다.

머신러닝에는 딥러닝 말고도 많은 방법이 있다 — 결정 트리, 랜덤 포레스트, 서포트 벡터 머신 같은 것들이다. 이들은 여전히 현장에서 널리 쓰이고, 표 형태의 데이터에서는 딥러닝보다 나은 경우도 흔하다.

왜 지금은 딥러닝이 주인공이 되었나. 세 가지가 2010년대에 동시에 맞아떨어졌기 때문이다. 인터넷이 만들어낸 대량의 데이터, GPU가 제공한 계산 능력, 그리고 층을 깊게 쌓아도 학습이 되게 만드는 기법들이다. 신경망 아이디어 자체는 오래전부터 있었지만, 세 조건이 갖춰지기 전까지는 잠재력을 보여주지 못했다.

여기까지가 방법에 따른 포함 관계다. 세 개의 원은 같은 축 위에 있다.

생성형 AI는 이 지도 어디에 있는가

여기서 많은 설명이 부정확해진다. 생성형 AI를 딥러닝 안의 네 번째 동심원처럼 그려놓은 그림을 흔히 보게 되는데, 이 원은 앞의 세 원과 같은 축에 있지 않다.

문제는 "생성형"이라는 말이 서로 다른 두 곳에서 다른 뜻으로 쓰인다는 데 있다.

일상적 용법 — 무엇을 만들어내는가

일상에서, 그리고 제품 소개에서 말하는 생성형 AI는 글·이미지·음성·코드처럼 새로운 콘텐츠를 만들어내는 AI 시스템을 가리킨다. 스팸을 걸러내는 시스템과 소설을 써주는 시스템을 구분하려는 실용적인 분류다.

이 용법 자체는 문제가 없다. 다만 이건 시스템이 무엇을 산출하느냐에 대한 분류이지, 그 시스템이 어떤 방법으로 만들어졌는지에 대한 분류가 아니다.

머신러닝의 용법 — 무엇을 학습하는가

머신러닝 이론에서 생성 모델(generative model) 과 판별 모델(discriminative model) 을 나누는 기준은 다르다. 결과물이 아니라 무엇을 학습하느냐로 나눈다.

분류 문제를 예로 들면 이렇다.

  • 판별 모델은 입력이 주어졌을 때 정답일 조건부 확률 P(y|x)를 직접 모델링한다. 클래스 사이의 경계를 긋는 데 집중한다.

  • 생성 모델은 입력과 정답의 결합분포 P(x, y), 또는 P(x|y)와 P(y)를 모델링한다. 각 클래스의 데이터가 어떤 분포에서 나오는지를 다루는 것이다.

확률 기호가 낯설다면 이렇게 읽어도 된다. 판별 모델은 "이 입력은 어느 쪽인가" 를 바로 배우고, 생성 모델은 "각 쪽의 데이터는 대체로 어떻게 생겼는가" 를 배운다.

여기가 핵심이다. 생성 모델은 분류에도 쓸 수 있다. 각 클래스의 분포를 학습한 뒤, 새 입력이 어느 쪽 분포에서 나왔을 법한지 비교해 답을 고르면 된다. 실제로 머신러닝 강의에서 생성 학습 알고리즘은 분류 문제를 푸는 방법으로 소개된다.

즉 "생성 모델"이라고 해서 반드시 콘텐츠를 만들어내는 것은 아니다. 일상 용어의 "생성형 AI"와 이론 용어의 "생성 모델"은 관련이 있지만 같은 구분이 아니다.

그래서 동심원 그림은 틀린 것인가

완전히 틀렸다고 하기는 어렵다. 오늘날 널리 쓰이는 생성형 AI는 사실상 대부분 딥러닝으로 구현된다. 그래서 기술 지도에서 생성형 AI를 딥러닝 안에 배치하는 그림은 현재의 구현 관행을 꽤 정확하게 반영한다.

다만 그 그림이 보여주는 것은 지금 어떻게 만들고 있는가이지, 생성형 AI가 정의상 딥러닝의 부분집합이라는 뜻은 아니다. 실제로 신경망을 쓰지 않는 생성 모델도 존재한다.

정리하면 이렇다.

  • 앞의 세 원(AI ⊃ ML ⊃ DL)은 방법에 따른 포함 관계다.

  • "생성형 AI"는 시스템이 무엇을 산출하는가에 따른 실용적 분류다.

  • "생성 모델 / 판별 모델"은 모델이 무엇을 학습하는가에 따른 이론적 분류다.

세 가지는 서로 다른 기준이다. 동심원 그림은 현재의 구현 현실을 보여주는 요약으로는 쓸모가 있지만, 정의상의 포함 관계로 읽으면 어긋난다. 이 차이 하나만 알고 있어도 앞으로 마주칠 수많은 설명 중 어느 것이 부정확한지 알아볼 수 있다.

좁은 AI와 범용 AI

또 하나 알아둘 축이 있다.

좁은 AI(narrow AI) 는 정해진 범위의 일을 하는 AI다. 번역기는 번역을, 얼굴 인식기는 얼굴 인식을 한다.

범용 AI(AGI, Artificial General Intelligence) 는 사람처럼 어떤 지적인 일이든 배워서 해내는 AI를 말한다.

2026년 7월 기준, AGI를 판정하는 단일한 표준은 없다. 무엇이 충족되면 AGI라고 부를 것인지에 대해 연구자와 기업마다 정의가 다르다. 실제로 이 문제를 정리하려는 연구는 기존에 제안된 여러 정의를 나란히 놓고 각각의 한계를 검토하는 데서 출발하며, 성능과 범용성을 나누어 단계로 다루자는 제안까지 나와 있다. 아직 하나로 모이지 않았다는 뜻이다.

그래서 특정 시스템이 AGI에 도달했다고 객관적으로 확정하기는 어렵다. 오늘날의 AI는 상당히 넓은 범위의 작업을 수행하지만, 능력의 일반성과 신뢰성 양쪽에 여전히 뚜렷한 한계가 있다. "AGI가 도래했다"는 주장과 "아직 멀었다"는 주장이 같은 시스템을 두고 동시에 나오는 것도, 서로 다른 기준을 쓰고 있기 때문이다.

이 구분이 실용적으로 중요한 이유는, 뉴스와 마케팅에서 둘이 자주 뒤섞이기 때문이다. 특정 과제에서의 성과를 범용 지능이 임박했다는 신호처럼 서술하는 글은 아주 흔하다. 지금 다루는 시스템이 무엇을 얼마나 넓게, 얼마나 안정적으로 해내는지를 따로 보면 상당수의 과장을 걸러낼 수 있다.

흔한 오해

"AI는 사람처럼 생각하고 이해한다." AI가 인간과 같은 방식으로 이해하는지는 '이해'를 어떻게 정의하느냐에 달려 있고, 여전히 논쟁 중이다. 반대로 AI를 단순한 패턴 매칭일 뿐이라고 규정하는 것도 충분한 설명은 아니다. 실용적으로 분명한 것은 하나다. 유창한 문장과 자신 있는 어조는 이해의 증거도, 사실성의 증거도 아니다. 이것이 AI가 확신에 찬 어조로 틀린 말을 할 때 사람이 속는 이유다.

"AI는 컴퓨터니까 항상 정확하다." 계산기는 그렇지만 AI는 다르다. 특히 생성형 AI는 학습 데이터의 통계적 패턴을 바탕으로 출력을 만들어내며, 생성 과정 자체가 사실 확인을 포함하지 않는다. 그럴듯한 문장을 만드는 절차와 사실을 검증하는 절차는 별개다. 정확해 보이는 것과 실제로 정확한 것은 구분해야 한다.

"머신러닝이 곧 AI다." 지금 화제의 중심에 있을 뿐, AI의 전부는 아니다. 지식 기반 시스템도 AI이고, 여전히 많은 곳에서 더 적합하다.

"딥러닝이 항상 더 좋다." 데이터가 적거나, 표 형태의 데이터이거나, 결정 과정을 설명해야 하는 상황에서는 더 단순한 방법이 낫다. 딥러닝은 만능 상위 호환이 아니라 특정 조건에서 강한 도구다.

"생성형 AI는 딥러닝의 하위 분류다." 오늘날 대부분이 딥러닝으로 구현되는 것은 맞지만, 그건 현재의 구현 관행이지 정의상의 포함 관계가 아니다. 방법에 따른 분류와 산출물에 따른 분류는 같은 축에 놓을 수 없다.

확인한 자료

작성일 ·

← 모든 지식 보기
인공지능이란 무엇인가 | Dechive