The only AI glossary you'll need this year

🖼️ 인포그래픽

The only AI glossary you'll need this year 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

💡 한 줄 요약

이 글은 인공지능 분야에서 자주 쓰이는 핵심 용어를 비전문가도 이해할 수 있도록 AGI, AI 에이전트, 추론, LLM, 환각, 미세조정 등 주요 개념별로 풀어 설명한 실용적 용어집이다.

📌 핵심 요약

글은 인공지능이 기술뿐 아니라 이를 설명하는 언어까지 빠르게 바꾸고 있다는 문제의식에서 출발한다. 제품 회의, 투자 발표, 패널 토론 등에서 LLM, RAG, RLHF 같은 용어가 자연스럽게 오가지만, 기술업계 종사자에게도 혼란을 줄 수 있어 자주 접하는 용어를 평이하게 정리하려는 목적을 밝힌다.
AGI는 평균적인 인간보다 많은 작업에서 더 뛰어난 능력을 보이는 인공지능을 가리키는 느슨한 개념으로 소개된다. 다만 오픈AI, 오픈AI 헌장, 구글 딥마인드가 각각 조금씩 다른 정의를 제시한다는 점에서, 최전선 연구자들 사이에서도 아직 합의가 완전하지 않은 용어임을 강조한다.
AI 에이전트와 코딩 에이전트는 단순 챗봇보다 더 자율적으로 여러 단계를 수행하는 도구로 설명된다. 비용 처리, 예약, 코드 작성과 유지보수처럼 사용자를 대신해 행동할 수 있지만, 이 영역은 아직 인프라와 의미가 형성되는 중이어서 사람마다 이해가 다를 수 있다고 설명한다.
체인 오브 소트, 딥러닝, 확산, GAN, 증류, 미세조정 등은 모델이 문제를 푸는 방식과 성능을 높이는 방법을 설명하는 항목들이다. 글은 중간 추론 단계를 나누는 방식, 다층 신경망, 노이즈에서 데이터를 복원하는 생성 방식, 교사-학생 모델 학습, 특정 분야 데이터로 추가 학습하는 절차를 각각 구분한다.
환각, 추론, LLM, 메모리 캐시는 실제 인공지능 사용에서 품질과 비용, 속도에 직결되는 개념으로 다뤄진다. LLM은 방대한 텍스트 패턴을 학습한 대규모 신경망이고, 추론은 학습된 모델을 실행하는 과정이며, 환각은 잘못된 정보를 만들어내는 문제이고, 캐시는 계산을 재사용해 응답 효율을 높이는 기법으로 설명된다.

🧩 주요 포인트

글은 인공지능이 기술뿐 아니라 이를 설명하는 언어까지 빠르게 바꾸고 있다는 문제의식에서 출발한다. 제품 회의, 투자 발표, 패널 토론 등에서 LLM, RAG, RLHF 같은 용어가 자연스럽게 오가지만, 기술업계 종사자에게도 혼란을 줄 수 있어 자주 접하는 용어를 평이하게 정리하려는 목적을 밝힌다.
AGI는 평균적인 인간보다 많은 작업에서 더 뛰어난 능력을 보이는 인공지능을 가리키는 느슨한 개념으로 소개된다. 다만 오픈AI, 오픈AI 헌장, 구글 딥마인드가 각각 조금씩 다른 정의를 제시한다는 점에서, 최전선 연구자들 사이에서도 아직 합의가 완전하지 않은 용어임을 강조한다.
AI 에이전트와 코딩 에이전트는 단순 챗봇보다 더 자율적으로 여러 단계를 수행하는 도구로 설명된다. 비용 처리, 예약, 코드 작성과 유지보수처럼 사용자를 대신해 행동할 수 있지만, 이 영역은 아직 인프라와 의미가 형성되는 중이어서 사람마다 이해가 다를 수 있다고 설명한다.
체인 오브 소트, 딥러닝, 확산, GAN, 증류, 미세조정 등은 모델이 문제를 푸는 방식과 성능을 높이는 방법을 설명하는 항목들이다. 글은 중간 추론 단계를 나누는 방식, 다층 신경망, 노이즈에서 데이터를 복원하는 생성 방식, 교사-학생 모델 학습, 특정 분야 데이터로 추가 학습하는 절차를 각각 구분한다.
환각, 추론, LLM, 메모리 캐시는 실제 인공지능 사용에서 품질과 비용, 속도에 직결되는 개념으로 다뤄진다. LLM은 방대한 텍스트 패턴을 학습한 대규모 신경망이고, 추론은 학습된 모델을 실행하는 과정이며, 환각은 잘못된 정보를 만들어내는 문제이고, 캐시는 계산을 재사용해 응답 효율을 높이는 기법으로 설명된다.

🧠 상세 정리

1. 인공지능 용어가 늘어난 배경

글은 인공지능이 세계를 다시 쓰는 동시에, 그 변화를 설명하기 위한 새로운 언어도 만들어내고 있다고 말한다. 요즘 제품 회의나 투자 발표, 공개 토론에 참석하면 LLM, RAG, RLHF 같은 약어가 자연스럽게 등장하고, 이는 기술업계에 있는 사람들에게도 부담을 줄 수 있다. 이 용어집은 그런 혼란을 줄이기 위해 실제로 자주 마주칠 가능성이 큰 인공지능 용어를 쉬운 영어로 정의하려는 시도라고 소개된다. 독자는 개발자, 투자자, 관련 뉴스를 읽는 일반 독자까지 폭넓게 상정되어 있다. 또한 분야가 계속 변하기 때문에 이 글 자체도 정기적으로 갱신되는 살아 있는 문서로 제시된다.

2. AGI라는 불명확하지만 중요한 목표

AGI는 인공일반지능을 뜻하지만, 글은 이 용어가 여전히 모호하다고 먼저 짚는다. 일반적으로는 평균적인 인간보다 많은, 혹은 대부분의 작업에서 더 뛰어난 인공지능을 가리키는 말로 설명된다. 오픈AI의 샘 올트먼은 AGI를 함께 일할 수 있는 중간 수준 인간 동료에 해당하는 존재로 표현한 적이 있고, 오픈AI 헌장은 경제적으로 가치 있는 대부분의 작업에서 인간을 능가하는 고도로 자율적인 시스템으로 정의한다. 반면 구글 딥마인드는 대부분의 인지 과제에서 인간과 적어도 비슷한 수준의 능력을 갖춘 인공지능으로 본다. 이처럼 서로 다른 정의가 공존하기 때문에, 글은 전문가들조차 완전히 명확하게 합의하지 못한 개념임을 강조한다.

3. AI 에이전트와 자동화의 확장

AI 에이전트는 기본적인 챗봇보다 더 넓은 범위의 일을 사용자를 대신해 처리하는 도구로 설명된다. 예를 들어 비용 정산, 티켓 예약, 식당 예약, 코드 작성과 유지보수 같은 여러 단계의 작업을 수행할 수 있다. 다만 글은 이 분야가 아직 새롭게 형성되는 중이어서, AI 에이전트라는 말이 사람마다 다르게 쓰일 수 있다고 주의한다. 또한 기대되는 기능을 실제로 구현하기 위한 인프라도 아직 구축 중이라고 설명한다. 핵심 개념은 여러 인공지능 시스템을 활용해 다단계 작업을 자율적으로 수행하는 시스템이라는 점에 있다.

4. API 엔드포인트와 에이전트의 실제 행동 경로

API 엔드포인트는 다른 프로그램이 소프트웨어 뒤편에서 누를 수 있는 숨겨진 버튼처럼 설명된다. 개발자는 이를 이용해 한 애플리케이션이 다른 애플리케이션의 데이터를 가져오거나, AI 에이전트가 사람이 직접 화면을 조작하지 않아도 제3자 서비스를 제어하게 만들 수 있다. 스마트홈 기기나 연결형 플랫폼에도 이런 인터페이스가 존재하지만, 일반 사용자는 보통 이를 직접 보거나 다루지 않는다. 글은 AI 에이전트가 더 유능해질수록 이러한 엔드포인트를 스스로 찾아 사용하게 될 수 있다고 말한다. 이는 강력한 자동화를 가능하게 하지만, 동시에 예상하지 못한 결과를 낳을 가능성도 함께 열어둔다.

5. 체인 오브 소트와 추론 능력

체인 오브 소트는 복잡한 문제를 작은 중간 단계로 나누어 푸는 방식으로 설명된다. 사람도 기린과 고양이 중 어느 동물이 더 큰지 같은 간단한 질문에는 바로 답할 수 있지만, 닭과 소의 머리와 다리 수를 바탕으로 각각의 수를 구하는 문제처럼 중간 계산이 필요한 경우에는 종이에 식을 써야 할 수 있다. 대규모 언어모델에서 체인 오브 소트 추론은 이런 중간 단계를 모델이 따라가도록 하여 최종 답변의 품질을 높이는 접근이다. 답변을 얻는 데 시간이 더 걸릴 수 있지만, 논리 문제나 코딩 문제에서는 더 정확한 결과를 낼 가능성이 커진다. 글은 추론 모델이 전통적인 대규모 언어모델에서 발전했고, 강화학습을 통해 이런 사고 방식에 맞게 최적화된다고 설명한다.

6. 코딩 에이전트와 개발 업무의 자동화

코딩 에이전트는 일반적인 AI 에이전트 개념을 소프트웨어 개발에 특화한 형태로 제시된다. 단순히 사람이 복사해 붙여넣을 코드를 추천하는 수준을 넘어, 코드를 작성하고 테스트하고 디버깅하는 반복적인 과정을 자율적으로 처리할 수 있다. 글은 이러한 에이전트가 전체 코드베이스를 대상으로 버그를 찾고, 테스트를 실행하고, 수정안을 적용할 수 있다고 설명한다. 개발자가 하루 동안 많은 시간을 쓰는 시행착오형 작업을 대신 처리할 수 있다는 점이 핵심이다. 다만 매우 빠르고 집중력이 흐트러지지 않는 인턴처럼 볼 수 있지만, 인턴의 작업과 마찬가지로 인간의 검토는 여전히 필요하다고 덧붙인다.

7. 모델을 움직이는 계산 자원과 실행 과정

컴퓨트는 인공지능 모델이 작동할 수 있게 하는 핵심 계산 능력을 뜻하는 다의적 표현으로 소개된다. 이는 모델을 훈련하고 배포하는 데 필요한 처리 능력을 가리키며, GPU, CPU, TPU 같은 하드웨어와 관련 인프라를 통칭하는 말로도 쓰인다. 추론은 이미 학습된 모델을 실행해 예측하거나 결론을 내리게 하는 과정이다. 글은 추론이 훈련 없이 존재할 수 없으며, 모델이 먼저 데이터 안의 패턴을 학습해야 그 학습 데이터를 바탕으로 새로운 입력에 대응할 수 있다고 설명한다. 스마트폰 프로세서부터 고성능 GPU, 맞춤형 AI 가속기까지 다양한 하드웨어가 추론을 수행할 수 있지만, 큰 모델일수록 성능 좋은 서버와 칩이 훨씬 유리하다고 정리한다.

8. 딥러닝과 대규모 언어모델의 구조

딥러닝은 여러 층으로 구성된 인공신경망 구조를 이용하는 머신러닝의 한 분야로 설명된다. 이런 구조 덕분에 선형 모델이나 결정트리 같은 단순한 방식보다 더 복잡한 상관관계를 포착할 수 있다. 글은 딥러닝 모델이 인간 엔지니어가 특징을 일일이 정의하지 않아도 데이터 안에서 중요한 특성을 스스로 식별할 수 있다고 설명한다. 다만 좋은 결과를 내려면 수백만 개 이상의 많은 데이터 포인트가 필요하고, 더 단순한 머신러닝 알고리즘보다 훈련 시간이 길어 개발 비용도 높아지는 경향이 있다. LLM은 이러한 심층 신경망의 한 형태로, 수십억 개의 수치 매개변수를 통해 단어와 구문의 관계를 학습하고 언어의 다차원적 지도를 만든다.

9. 생성 모델을 만드는 확산과 GAN

확산은 이미지, 음악, 텍스트를 생성하는 많은 인공지능 모델의 핵심 기술로 소개된다. 물리학에서 영감을 받은 이 방식은 사진이나 노래 같은 데이터의 구조를 서서히 노이즈로 파괴한 뒤, 그 파괴 과정을 거꾸로 되돌리는 방법을 학습하려 한다. 물리학의 확산은 되돌릴 수 없는 과정이지만, 인공지능의 확산 시스템은 노이즈에서 원래 데이터를 복원하는 역확산을 익히는 데 초점을 둔다. GAN은 생성적 적대 신경망으로, 생성자와 판별자라는 두 신경망이 서로 경쟁하며 더 현실적인 출력을 만들도록 설계된다. 생성자는 판별자를 속이려 하고 판별자는 인공적으로 만들어진 데이터를 찾아내려 하며, 이 구조화된 경쟁은 특히 현실적인 사진이나 영상 같은 좁은 응용에서 효과적이라고 설명된다.

10. 성능 조정, 지식 이전, 오류 문제

증류는 큰 교사 모델의 지식을 더 작은 학생 모델로 옮기는 기술로 설명된다. 개발자는 교사 모델에 요청을 보내 출력값을 기록하고, 때로는 데이터셋과 비교해 정확도를 확인한 뒤, 그 출력을 이용해 학생 모델이 교사 모델의 행동을 근사하도록 훈련한다. 이를 통해 더 작고 효율적인 모델을 만들 수 있으며, 글은 GPT-4의 더 빠른 버전인 GPT-4 Turbo가 이런 방식으로 개발되었을 가능성을 언급한다. 미세조정은 이미 훈련된 모델을 특정 과제나 분야에 더 잘 맞게 추가 학습시키는 절차로, 스타트업들이 범용 대규모 언어모델을 기반으로 특정 산업용 제품을 만들 때 활용한다고 설명된다. 반면 환각은 모델이 사실이 아닌 정보를 만들어내는 문제로, 품질을 떨어뜨릴 뿐 아니라 의료 조언처럼 실제 위험을 초래할 수 있어 더 전문화된 수직형 모델을 찾게 만드는 요인으로 제시된다.

🧾 핵심 주장 / 시사점

이 글의 핵심은 인공지능 용어를 단순한 유행어가 아니라 모델의 능력, 비용, 자동화 방식, 위험을 구분하는 실무적 언어로 정리하는 데 있다.
AI 에이전트, API 엔드포인트, 코딩 에이전트 설명을 함께 보면 앞으로의 자동화는 대화형 답변보다 실제 시스템을 조작하고 여러 단계를 수행하는 방향으로 확장되고 있음을 알 수 있다.
환각, 추론 비용, 메모리 캐시, 미세조정 같은 항목은 인공지능의 성능 향상이 단순히 더 큰 모델만의 문제가 아니라 정확도, 효율, 전문성, 검증 가능성을 함께 다루는 문제임을 보여준다.