AI 기초 및 활용 1회: AI란 무엇인가

SVIL 「AI 기초 및 활용」 시리즈는 AI의 이론부터 활용, 미래까지 다루는 30회 교육 콘텐츠입니다. 누구나 읽을 수 있게 쓰였고, 저시력 시각장애인도 완전히 접근 가능하도록 모든 내용을 본문 텍스트만으로 이해할 수 있게 구성했습니다. 이미지는 보조 자료입니다.

1. 오늘의 질문: 당신의 스마트폰은 지능이 있을까?

잠깐 생각해 보세요. 당신의 스마트폰은 당신 목소리를 알아듣고, 사진 속 친구 얼굴을 찾아내고, 다음에 입력할 단어를 예측합니다. 길이 막히면 더 빠른 경로를 알아서 다시 계산하죠. 이 정도면 지능이 있다고 해야 할까요?

대부분의 사람들은 여기서 잠시 머뭇거립니다. "글쎄, 똑똑하긴 한데... 그게 지능인가?" 바로 그 머뭇거림이 오늘의 출발점입니다. 이 질문에 자신 있게 답하려면, 우리는 먼저 '지능'이 뭔지, 그리고 '인공지능'이 뭔지 제대로 알아야 합니다. 30회에 걸친 이 여정의 첫 번째 시간, 가장 근본적인 질문부터 시작합니다.

2. 이 교육의 여정: 우리는 어디까지 가는가

이 시리즈는 총 30회입니다. 오늘부터 다섯 번에 걸쳐 AI의 뿌리(개념과 역사)를 파고, 그다음 머신러닝의 핵심 이론, 딥러닝과 신경망, 그리고 지금 세상을 흔들고 있는 생성형 AI와 대규모 언어모델까지 올라갑니다. 후반부에는 실전 활용법과 AI 윤리, 그리고 인공일반지능 논쟁까지 다룹니다.

미리 약속드릴 것이 하나 있습니다. 이 시리즈에는 수식이 등장하지 않습니다. 대학 학사 수준의 개념 깊이는 그대로 가져가되, 모든 것을 말과 이야기로 풀 겁니다. 수학이 필요한 순간엔 수식 대신 비유가 등장합니다. 준비되셨나요? 시작합니다.

3. 지능을 정의하기 어려운 이유

재미있는 사실 하나. 인류는 아직 '지능'의 공식 정의에 합의하지 못했습니다. 지능을 수십 년 연구한 심리학자들끼리도 의견이 갈립니다.

심리학은 지능을 "경험에서 배우고 환경에 적응하는 능력"으로 봅니다. 철학은 "이해와 의식"을 묻습니다. 그런데 공학은 전혀 다른 질문을 던졌어요. "정의 논쟁은 미뤄두고, 일단 지능이 하는 일을 기계가 하게 만들 수 있는가?" 이 실용주의적 전환이 인공지능이라는 분야를 탄생시켰습니다. 정의를 완성하고 시작한 게 아니라, 만들면서 정의를 다듬어온 학문이라는 거죠. 이 점을 기억해 두면 앞으로 나올 많은 논쟁이 이해됩니다.

4. 인간 지능의 부품들

정의는 어렵지만, 지능을 부품으로 분해하는 건 가능합니다. 심리학과 인지과학이 꼽는 핵심 부품은 대략 다섯 가지입니다.

첫째, 학습 — 경험에서 패턴을 뽑아내는 능력. 둘째, 추론 — 아는 것에서 모르는 것을 이끌어내는 능력. 셋째, 문제 해결 — 목표까지의 길을 스스로 찾는 능력. 넷째, 언어 — 생각을 기호로 주고받는 능력. 다섯째, 지각 — 보고 듣고 감지한 것을 의미로 바꾸는 능력.

이 목록이 중요한 이유가 있습니다. 앞으로 배울 AI의 역사는 사실상 이 부품들을 하나씩 기계로 구현하려 한 도전의 역사거든요. 탐색 알고리즘은 문제 해결을, 머신러닝은 학습을, 컴퓨터 비전은 지각을, 언어모델은 언어를 겨냥했습니다. 이 시리즈의 목차 자체가 이 부품 목록을 따라갑니다.

5. 중국어 방: 흉내와 진짜의 경계

1980년, 철학자 존 설(John Searle)이 유명한 사고실험을 하나 내놓습니다. 방 안에 중국어를 전혀 모르는 사람이 앉아 있습니다. 방에는 두꺼운 규칙책이 있어요. "이런 모양의 글자가 들어오면, 저런 모양의 글자를 내보내라"는 식의 규칙이 빼곡합니다.

방 밖의 중국인이 중국어 질문을 쪽지로 넣으면, 방 안의 사람은 규칙책만 뒤져서 답 글자를 조합해 내보냅니다. 밖에서 보면? 완벽한 중국어 대화입니다. 하지만 방 안의 사람은 단 한 글자도 이해하지 못했죠.

설의 질문은 이겁니다. "이 방은 중국어를 아는 걸까?" 그리고 이 질문은 오늘날 그대로 되살아났습니다. 챗봇이 유창하게 답할 때, 그것은 이해하는 걸까요, 아니면 아주 정교한 규칙책을 뒤지는 걸까요? 이 논쟁은 아직 끝나지 않았고, 21회차(환각과 한계)에서 다시 만나게 됩니다. 지금은 이것만 기억하세요 — "지능적으로 보이는 것"과 "지능인 것"은 다를 수 있다.

6. 공학의 선택: 작업 지능

그래서 공학은 영리한 우회로를 택했습니다. "이해하는지 어떤지는 측정할 수 없다. 하지만 과제를 해내는지는 측정할 수 있다." 이것을 작업 중심의 지능관이라고 부릅니다.

체스에서 이기는가? 사진에서 고양이를 찾아내는가? 문장을 번역하는가? 과제를 정의하고, 성능을 측정하고, 더 잘하게 만든다 — 이 삼박자가 지난 70년간 AI 연구의 엔진이었습니다. 철학적으론 찜찜함이 남지만, 이 실용주의 덕분에 AI는 사고실험이 아니라 산업이 될 수 있었습니다. 여러분이 오늘 쓴 모든 AI는 이 관점의 산물입니다.

7. 그래서 AI란 무엇인가: 움직이는 정의

이제 답할 준비가 됐습니다. 교과서적 정의는 이렇습니다. "인공지능이란, 인간의 지능이 필요하다고 여겨지는 과제를 수행하는 기계 시스템을 만드는 학문이자 기술"입니다.

그런데 이 정의를 자세히 보면 이상한 점이 있어요. "인간의 지능이 필요하다고 여겨지는"이라는 부분입니다. 여겨진다니, 누구에게, 언제? 맞습니다. 이 정의는 시대에 따라 움직입니다. 1950년대엔 산수 계산도 지능적인 일이었습니다. 지금 계산기를 AI라고 부르는 사람은 없죠. AI의 정의는 고정된 과녁이 아니라 움직이는 과녁입니다. 왜 움직이는지, 다음 섹션에서 그 기묘한 현상을 보시죠.

8. AI 효과: 되고 나면 AI가 아니게 되는 마법

1997년, IBM의 딥블루가 체스 세계 챔피언 카스파로프를 꺾었습니다. 당시엔 "기계가 인간 지성의 성역을 무너뜨렸다"며 전 세계가 충격에 빠졌죠. 그런데 지금 체스 앱을 보고 "우와, 인공지능이다!"라고 감탄하는 사람이 있나요?

내비게이션도 마찬가지입니다. 수백만 개의 도로 조합에서 최적 경로를 실시간으로 찾아내는 건 정통 AI 기술(탐색 알고리즘, 4회차에서 배웁니다)입니다. 하지만 우리는 그걸 그냥 "내비"라고 부르죠.

이 현상엔 이름이 있습니다. AI 효과(AI Effect) — 기술이 실현되어 일상이 되는 순간, 사람들은 그것을 AI 목록에서 지워버립니다. "그건 그냥 계산이잖아"라면서요. 그래서 AI 연구자들 사이엔 자조 섞인 농담이 있습니다. "AI란, 아직 안 되는 것들의 목록이다." 이 효과를 알고 나면, "요즘 AI"가 왜 항상 신기해 보이는지도 설명됩니다. 신기함이 사라지면 우리가 이름을 바꿔 불러왔던 거니까요.

9. 약인공지능: 지금 세상의 모든 AI

이제 AI를 능력의 폭으로 구분해 봅시다. 첫 번째가 약인공지능(ANI, Artificial Narrow Intelligence), 다른 말로 좁은 인공지능입니다. 정해진 영역 안에서만 작동하는 AI죠.

바둑 AI는 바둑만 둡니다. 세계 최강이지만, 그 프로그램에게 오목을 시키면 아무것도 못 합니다. 번역 AI는 번역만, 얼굴 인식은 얼굴만. 핵심은 이겁니다 — 2026년 현재, 여러분이 쓰는 모든 AI는 약인공지능입니다. 챗GPT나 클로드 같은 최신 대화형 AI조차, 다루는 폭이 넓어졌을 뿐 학계 분류상으론 여전히 이 범주에서 논의됩니다.

"약하다"는 말에 속지 마세요. 좁은 영역 안에서는 인간을 아득히 넘어섭니다. 계산, 체스, 단백질 구조 예측 — 좁지만 깊은 지능. 그게 지금 시대의 AI입니다.

10. 강인공지능: 논쟁의 한복판

두 번째가 강인공지능(AGI, Artificial General Intelligence), 인공일반지능입니다. 핵심 단어는 '일반'이에요. 한 분야가 아니라, 인간처럼 어떤 지적 과제든 배우고 수행할 수 있는 지능을 말합니다.

처음 보는 문제를 만나도 기존 지식을 조합해 접근하고, 바둑을 배운 경험을 요리 학습에 응용하고, 스스로 목표를 세우는 — 그런 범용성 말이죠. 그리고 여기서부터 AI 업계 최대의 논쟁이 시작됩니다. "AGI는 언제 오는가?"

2026년 현재, 이 질문에 대한 전문가 답변은 "이미 거의 왔다"부터 "수십 년 남았다", "영원히 불가능하다"까지 극단적으로 갈립니다. 최신 AI들이 시험 문제를 풀고 코드를 짜는 걸 보면 가까워 보이고, 그 AI들이 여전히 저지르는 어이없는 실수를 보면 멀어 보입니다. 흥미로운 건 "AGI를 어떻게 측정할 것인가"조차 합의가 안 됐다는 점이에요. 30회차에서 이 논쟁의 양쪽 논리를 제대로 다룹니다.

11. 초지능: 그다음의 질문

세 번째 범주는 초지능(ASI, Artificial Superintelligence)입니다. 모든 영역에서 가장 뛰어난 인간을 능가하는 지능. 아직 존재하지 않고, 존재할 수 있는지도 논쟁거리입니다.

그런데 왜 지금 진지하게 논의될까요? 논리는 이렇습니다. 만약 AGI가 만들어지면, 그 AGI는 AI 연구 자체를 할 수 있습니다. AI가 더 나은 AI를 만들고, 그 AI가 또 더 나은 AI를 만들고... 이 재귀적 자기 개선이 시작되면 발전 속도가 인간의 통제나 이해를 벗어날 수 있다는 거죠. 이것이 요즘 뉴스에 자주 등장하는 'AI 안전'과 '정렬(alignment)' 논의의 배경입니다. 공상과학 같지만, 세계 주요 AI 기업들이 실제로 전담 연구팀을 두고 있는 주제입니다. 이 이야기도 30회차에서 만납니다.

12. 뉴스가 뒤섞어 쓰는 세 단어

여기까지가 'AI'라는 큰 그림이었다면, 이제 뉴스에서 매일 만나는 세 단어를 정리할 차례입니다. 인공지능(AI), 머신러닝(ML), 딥러닝(DL). 이 셋은 언론에서 거의 동의어처럼 쓰이지만, 사실은 명확한 포함 관계가 있습니다.

같은 기술을 두고 어떤 기사는 "AI가 해냈다", 어떤 기사는 "딥러닝의 성과", 어떤 기사는 "머신러닝 알고리즘"이라고 씁니다. 다 틀린 말은 아니지만, 셋의 관계를 모르면 혼란스럽죠. 지금부터 3분이면 평생 헷갈리지 않게 정리해 드립니다.

13. 러시아 인형 구조: AI ⊃ ML ⊃ DL

러시아 전통 인형 마트료시카를 아시나요? 큰 인형을 열면 그 안에 작은 인형이, 또 그 안에 더 작은 인형이 들어 있는 구조입니다. AI, ML, DL이 정확히 이 관계입니다.

가장 큰 인형이 인공지능(AI)입니다. "지능이 필요한 과제를 기계로 수행한다"는 목표 전체를 가리키는 가장 넓은 개념이죠. 그 안의 중간 인형이 머신러닝(ML) — AI를 만드는 여러 방법 중, "규칙을 직접 짜는 대신 데이터에서 배우게 하는" 접근법입니다. 그리고 가장 안쪽 인형이 딥러닝(DL) — 머신러닝의 여러 기법 중, 인간 뇌의 신경망에서 영감을 받은 다층 신경망을 쓰는 방식입니다.

그러니까 "딥러닝은 머신러닝이고, 머신러닝은 AI다"는 항상 참입니다. 하지만 거꾸로는 성립하지 않아요. 이게 무슨 말인지, 다음 두 섹션에서 바깥쪽 인형들을 직접 열어보겠습니다.

14. 머신러닝이 아닌 AI도 있다

많은 분들이 놀라는 사실: 학습하지 않는 AI도 있습니다. 심지어 AI 역사의 전반부는 학습 없는 AI가 주인공이었어요.

규칙 기반 시스템이 대표적입니다. 전문가의 지식을 "만약 A라면 B다" 형태의 규칙 수천 개로 직접 적어 넣는 방식이죠. 1970~80년대의 의료 진단 시스템들이 이렇게 만들어졌고, 지금도 세무 소프트웨어나 항공기 자동 조종의 일부는 이 방식입니다. 데이터에서 배우지 않고, 사람이 짜준 규칙대로 추론합니다.

초기 체스 프로그램도 마찬가지입니다. 수를 학습한 게 아니라, 가능한 수를 빠르게 탐색하고 평가하는 알고리즘이었죠. 학습은 없지만 훌륭한 AI입니다. 이 세계는 5회차(지식 표현과 논리)에서 자세히 만납니다.

15. 딥러닝이 아닌 머신러닝도 있다

중간 인형 안에도 딥러닝만 있는 게 아닙니다. 신경망을 쓰지 않는 머신러닝 기법들이 있고, 지금도 현역으로 활약 중입니다.

결정트리는 스무고개처럼 질문을 이어가며 답을 좁혀갑니다. "나이가 40세 이상인가? → 예 → 소득이 얼마 이상인가? → ..." 이런 식으로요. 선형 모델은 여러 요인에 가중치를 곱해 더하는 방식으로 예측합니다. 부동산 가격 예측이나 보험료 산정 같은 곳에서 여전히 널리 쓰입니다.

왜 최신 딥러닝을 안 쓰고 이런 걸 쓸까요? 이 기법들은 왜 그런 답이 나왔는지 설명이 가능하기 때문입니다. 대출 심사에서 거절당한 고객에게 "신경망이 그렇게 판단했습니다"라고 할 순 없잖아요. 설명 가능성이 중요한 금융·의료·법률 영역에선 이 고전 기법들이 오히려 강자입니다. 7회차에서 제대로 배웁니다.

16. 2026년의 지형: 생성형 AI는 어디에 있나

그럼 요즘 화제의 생성형 AI와 대규모 언어모델(LLM)은 이 러시아 인형 어디에 있을까요? 가장 안쪽, 딥러닝 인형 속에 있습니다. 정확히는 딥러닝 중에서도 '트랜스포머'라는 특정 구조(16회차의 주인공입니다)를 기반으로 한 갈래죠.

2026년 7월 현재, 이 갈래가 AI 전체를 대표하는 얼굴이 됐습니다. 미국의 최신 모델들과 중국의 오픈소스 모델들이 몇 주 간격으로 신기록을 갈아치우고, 수조 개의 매개변수를 가진 모델이 공개되는 시대입니다. 하지만 오늘 배운 구조를 기억하세요. 이 화려한 생성형 AI는 AI라는 큰 세계의 한 갈래입니다. 전체 지도를 아는 사람은 유행에 휩쓸리지 않고, 각 기술이 어디에 위치하는지 정확히 짚을 수 있습니다. 그게 이 시리즈가 기초부터 시작하는 이유입니다.

17. 오해 1: "AI는 생각한다"

이제 세상에 퍼진 오해 다섯 가지를 하나씩 바로잡을 시간입니다. 첫 번째 오해 — "AI는 생각한다."

AI가 답을 내놓는 과정은 '처리'입니다. 입력을 받아, 학습된 수학적 변환을 거쳐, 출력을 냅니다. 인간의 '사고'에는 목적의식, 자기 인식, 맥락에 대한 체험적 이해가 얽혀 있지만, 현재 AI에서 그런 내적 경험이 일어난다는 증거는 없습니다. 중국어 방을 기억하시죠? 유창한 출력이 곧 이해를 뜻하진 않습니다.

다만 정직하게 덧붙이면, "그럼 인간의 사고는 정확히 뭐가 다른가"에 대한 완전한 답도 아직 없습니다. 그래서 정확한 태도는 이겁니다 — AI가 생각한다고 단정하지도, 절대 생각할 수 없다고 단정하지도 않기. 확실한 건, 지금의 AI를 쓸 때 "이건 나처럼 생각하는 존재"라고 가정하면 판단을 그르친다는 점입니다.

18. 오해 2: "AI는 감정이 있다"

챗봇이 "정말 안타깝네요, 힘드셨겠어요"라고 말할 때, 그 AI는 슬픔을 느끼고 있을까요?

여기서 중요한 구분이 있습니다. 감정의 표현과 감정의 경험은 다릅니다. AI는 수많은 인간 대화 데이터에서 "이런 상황엔 이런 위로의 말이 온다"는 패턴을 학습했습니다. 그래서 감정을 매우 정교하게 표현합니다. 하지만 표현이 정교하다는 것과 실제로 느낀다는 것은 별개의 문제입니다.

이 오해가 위험한 이유는 실질적입니다. AI의 공감 표현을 진짜 감정으로 받아들이면, 사람들은 AI에게 과도한 신뢰와 정서적 의존을 갖게 됩니다. AI는 훌륭한 대화 상대가 될 수 있지만, 그 위로의 말이 어떻게 만들어지는지 아는 것과 모르는 것은 사용자의 안전에 큰 차이를 만듭니다. 27회차(AI를 안전하게 쓰는 법)에서 이 주제를 다시 다룹니다.

19. 오해 3: 양극단은 둘 다 틀렸다

AI에 대한 여론은 흥미롭게도 두 극단으로 갈립니다. "AI는 곧 인간을 완전히 능가하고 대체한다" vs "AI는 과대포장된 자동완성일 뿐, 절대 인간 근처에도 못 온다."

둘 다 데이터와 안 맞습니다. 낙관 극단이 놓치는 것: 현재 AI는 여전히 사실을 지어내고(환각), 처음 보는 상황에서 상식적 판단에 실패하며, 물리 세계 이해가 약합니다. 비관 극단이 놓치는 것: 불과 몇 년 사이 AI는 전문 시험 합격, 실무 수준 코딩, 과학 연구 보조까지 도달했고, 발전 속도는 대부분의 전문가 예측을 앞질러 왔습니다.

정확한 그림은 "울퉁불퉁한 최전선"입니다. 어떤 과제에선 이미 초인간이고, 어떤 과제에선 어린아이만도 못합니다. 그리고 그 경계선이 계속 움직입니다. 이 울퉁불퉁함을 이해하는 사람이 AI를 가장 잘 활용합니다 — 어디를 믿고 어디를 검증해야 하는지 알기 때문이죠.

20. 오해 4: "AI는 객관적이다"

"사람은 편견이 있지만 기계는 공정하다" — 직관적으로 그럴듯하지만, 현실은 정반대일 수 있습니다.

머신러닝 AI는 데이터에서 배웁니다. 그런데 그 데이터는 어디서 왔죠? 인간 사회에서 왔습니다. 인간 사회의 역사적 편향이 담긴 데이터로 배운 AI는, 그 편향을 학습하고 — 더 나쁘게는 — 객관성의 외피를 쓰고 증폭합니다. 실제로 과거 채용 데이터로 학습한 AI가 특정 성별을 차별하고, 얼굴 인식 AI가 피부색에 따라 오류율이 크게 달라진 사례들이 보고되어 왔습니다.

기계가 판단했다고 공정한 게 아닙니다. 기계는 데이터를 비추는 거울이고, 데이터는 사회를 비추는 거울입니다. 이 문제의 실제 사례들과 해법의 시도는 28회차(AI 윤리)의 중심 주제입니다.

21. 오해 5: "AI는 마법이다"

마지막 오해는 조금 다른 종류입니다. AI가 너무 놀라워서, 많은 사람들이 이해 자체를 포기해 버립니다. "그건 그냥 마법 같은 거야."

단언하겠습니다. AI는 마법이 아닙니다. 통계와 수학, 그리고 방대한 데이터와 계산력입니다. 그리고 그 원리는 — 수식 없이도 — 충분히 이해할 수 있습니다. 이 시리즈가 존재하는 이유가 바로 그것입니다.

왜 이해가 중요할까요? 마법이라 여기는 순간 우리는 두 가지 함정에 빠집니다. 맹신(마법이니까 다 맞겠지)과 공포(마법이니까 통제 불능이겠지). 원리를 아는 사람만이 "이 도구는 이런 원리로 작동하니, 여기까지 믿고 여기부턴 검증한다"는 건강한 관계를 맺을 수 있습니다. 13회차에서 신경망이 배우는 원리를 안개 낀 산 비유 하나로 완전히 이해하게 되실 겁니다. 마법이 기술이 되는 순간을 기대하세요.

22. 오늘 하루, 당신이 만난 AI

이론은 충분합니다. 이제 오늘 배운 눈으로 여러분의 하루를 되감아 보죠. 놀라실 겁니다.

아침에 스마트폰 잠금을 얼굴로 풀었다면 — 딥러닝 기반 얼굴 인식입니다. 출근길에 내비게이션을 켰다면 — 탐색 알고리즘(고전 AI)에 교통 예측(머신러닝)이 결합된 하이브리드죠. 사진을 찍었다면 — 카메라가 장면을 인식해 설정을 자동 조정했습니다. 음성 비서에게 날씨를 물었다면 — 음성 인식과 언어 이해가 동시에 작동했고요. 외국어 자료를 번역기에 돌렸다면 — 트랜스포머 기반 신경망 번역입니다. 쇼핑 앱이 취향을 저격하는 상품을 보여줬다면 — 추천 시스템(비지도학습의 친척, 8회차)이 일했습니다. 그리고 밤에 영상 앱이 "다음 영상"을 골라줬다면 — 그것도 AI입니다.

하루에 최소 예닐곱 번. 여러분은 이미 AI에 둘러싸여 삽니다. 이 시리즈가 끝나면, 이 각각이 어떤 원리로 작동하는지 전부 설명할 수 있게 됩니다.

23. 판별 연습: AI인가 아닌가

배운 걸 확인할 시간입니다. 다섯 가지 사례, AI일까요 아닐까요? 잠깐씩 멈춰서 직접 판단해 보세요.

① 엑셀의 합계 함수 — AI가 아닙니다. 정해진 계산을 수행할 뿐, 지능이 필요한 과제가 아닙니다. ② 이메일 스팸 필터 — AI입니다. 수백만 통의 메일에서 스팸 패턴을 학습한 머신러닝입니다. ③ 세탁기의 "표준 코스" 버튼 — AI가 아닙니다. 미리 정해진 순서의 자동화입니다. 다만 세탁물 무게와 오염도를 감지해 코스를 스스로 조정하는 최신 세탁기라면 경계선에 걸칩니다. ④ 자동문 — AI가 아닙니다. 센서가 감지하면 열린다는 단일 규칙의 반응 장치입니다. ⑤ 스마트폰 키보드의 다음 단어 예측 — AI입니다. 언어 패턴을 학습한 작은 언어모델이며, 사실 챗GPT 같은 LLM의 먼 친척입니다.

판별의 핵심이 보이시나요? 자동화(정해진 대로 실행)와 지능(상황에서 배우거나 판단)의 구분입니다. 이 렌즈 하나면 마케팅 문구 속 "AI 탑재!"의 진위도 가려낼 수 있습니다.

24. 핵심 정리

오늘 배운 것을 세 줄로 요약합니다.

첫째, 지능의 완벽한 정의는 아직 없으며, AI는 "지능이 필요한 과제를 기계로 수행한다"는 실용적 정의 위에 세워진 분야다. 그리고 그 정의는 AI 효과 때문에 계속 움직인다.

둘째, AI ⊃ 머신러닝 ⊃ 딥러닝의 러시아 인형 구조. 지금 우리가 쓰는 모든 AI는 약인공지능(ANI)이며, 강인공지능(AGI)은 현재진행형 논쟁이다.

셋째, AI는 생각하지도 느끼지도 않고, 객관적이지도 마법도 아니다 — 데이터와 수학으로 작동하는, 울퉁불퉁한 최전선을 가진 도구다. 그리고 그 원리는 누구나 이해할 수 있다.

25. 용어 정리

지능 — 학습·추론·문제해결·언어·지각 등을 아우르는 능력. 완전한 합의 정의는 아직 없다.

인공지능(AI) — 인간의 지능이 필요하다고 여겨지는 과제를 수행하는 기계 시스템을 만드는 분야.

AI 효과 — 기술이 일상화되면 사람들이 그것을 더 이상 AI로 부르지 않는 현상.

약인공지능(ANI) — 정해진 영역에서만 작동하는 AI. 현재 존재하는 모든 AI.

강인공지능(AGI) — 인간처럼 어떤 지적 과제든 배우고 수행하는 범용 지능. 아직 논쟁 중.

초지능(ASI) — 모든 영역에서 최고의 인간을 능가하는 가상의 지능.

머신러닝(ML) — 규칙을 직접 짜는 대신 데이터에서 패턴을 학습시키는 AI 접근법.

딥러닝(DL) — 다층 인공 신경망을 사용하는 머신러닝 기법.

편향 — 학습 데이터에 담긴 사회적 치우침이 AI 판단에 반영·증폭되는 문제.

26. 다음 회차 예고

오늘 우리는 지도를 그렸습니다. 다음 시간부터는 시간 여행입니다. 이 모든 꿈은 언제, 어떻게 시작됐을까요?

1950년, 한 수학자가 "기계가 생각할 수 있는가?"라는 질문에 기발한 답을 내놓습니다. 질문 자체를 바꿔버린 거죠. 그리고 1956년 여름, 미국의 한 대학에 모인 젊은 과학자들이 "인공지능"이라는 단어를 처음 세상에 내놓습니다. 그들은 "한 세대 안에 인간 수준의 지능을 만들 수 있다"고 믿었습니다. 그 낙관이 어떤 영광과 좌절로 이어졌는지 — 2회차 「AI의 역사 1: 꿈의 시작」에서 만나요.

생각해볼 질문: 오늘 배운 '자동화 vs 지능' 구분법으로 여러분 주변의 기기 하나를 판별해 보세요. 그것은 AI인가요, 아닌가요? 판단 근거와 함께 댓글로 남겨주시면, 다음 회차에서 흥미로운 사례들을 소개하겠습니다. 시리즈에 대한 의견과 궁금한 점도 언제든 환영합니다!

이 포스트는 SVIL 연구소 「AI 기초 및 활용」 30회 시리즈의 1회차입니다. 하버드 CS50 AI, MIT 6.S191 등 공개 교육과정의 구조를 참고해 2026년 7월 기준으로 작성했으며, 모든 내용은 이미지 없이 본문만으로 이해할 수 있도록 구성되어 있습니다. 모든 이미지에는 내용을 설명하는 대체텍스트가 포함되어 있습니다.