생성형 AI는 갑자기 나타난 기술이 아니다 — AI 역사와 분류로 이해하는 기존 머신러닝과의 차이

생성형 AI는 기존 머신러닝을 밀어내고 갑자기 등장한 새로운 종족이 아니다. 70년 넘게 이어진 인공지능 연구가 데이터, 연산 능력, 신경망 기술을 만나면서 만들어낸 한 갈래다.

ChatGPT가 글을 쓰고, 이미지 생성 모델이 몇 줄의 설명만으로 그림을 만들어내면서 생성형 AI는 인공지능의 대명사처럼 자리 잡았습니다.

 

그런데 기업에서는 훨씬 전부터 스팸 필터, 상품 추천, 이상 거래 탐지, 수요 예측 같은 AI를 사용해 왔습니다. 이 시스템들도 모두 머신러닝이라고 불렸습니다. 그렇다면 생성형 AI는 기존 머신러닝과 완전히 다른 기술일까요? 아니면 기존 기술에 새로운 이름만 붙인 것일까요?

 

이 질문에 제대로 답하려면 두 기술의 기능만 비교해서는 부족합니다. 인공지능이라는 개념이 어떻게 시작됐고, 그 안에서 머신러닝과 딥러닝이 어떻게 발전했으며, 생성형 AI가 어느 위치에 놓이는지를 함께 봐야 합니다.

 

이 글에서 다루는 내용은 다음과 같습니다.

• 인공지능은 정확히 무엇을 뜻하는가
• AI가 규칙 기반 시스템에서 생성형 AI까지 발전한 과정
• AI, 머신러닝, 딥러닝, 생성형 AI의 포함 관계
• 생성형 AI와 기존 머신러닝의 핵심 차이
• 두 기술을 각각 선택하거나 함께 사용해야 하는 상황

---

인공지능은 하나의 기술 이름이 아니다

인공지능, 즉 AI는 컴퓨터가 인식, 추론, 학습, 계획, 의사결정, 언어 처리처럼 인간의 지능과 관련된 과업을 수행하도록 만드는 기술과 연구 분야 전체를 가리킵니다.

 

여기서 중요한 점은 AI가 특정 알고리즘이나 제품 하나의 이름이 아니라는 것입니다.

 

챗봇만 AI인 것도 아니고, 신경망을 사용해야만 AI가 되는 것도 아닙니다. 사람이 작성한 논리 규칙으로 문제를 해결하는 전문가 시스템, 게임에서 다음 수를 탐색하는 프로그램, 데이터로부터 패턴을 학습하는 머신러닝 모델과 문장을 생성하는 대규모 언어 모델까지 모두 넓은 의미의 AI에 포함됩니다.

 

NIST는 생성형 AI를 입력 데이터의 구조와 특성을 모방해 텍스트, 이미지, 영상, 음성과 같은 합성 콘텐츠를 만들어내는 AI 모델의 한 부류로 정의합니다. 이 정의에서도 생성형 AI는 AI 전체와 동의어가 아니라 AI 안에 포함된 특정 부류라는 점을 확인할 수 있습니다.

 

따라서 다음 두 문장은 서로 의미가 다릅니다.

AI를 사용한다.
생성형 AI를 사용한다.

첫 번째 문장은 규칙 기반 시스템, 예측 모델, 추천 시스템과 생성 모델을 모두 포함할 수 있습니다. 두 번째 문장은 그중에서도 새로운 콘텐츠를 생성하는 모델을 사용한다는 뜻입니다.

---

AI의 역사를 보면 생성형 AI의 위치가 보인다

생성형 AI를 이해하는 가장 좋은 방법은 AI의 역사를 단순한 제품 출시 연표가 아니라, 문제를 해결하는 방법이 어떻게 변해왔는지 살펴보는 것입니다.

1940~1950년대: 기계가 생각할 수 있는가

1943년 워런 매컬러와 월터 피츠는 신경세포의 작동을 논리 연산으로 표현할 수 있다는 수학적 모델을 발표했습니다. 오늘날 딥러닝 신경망과 형태는 크게 다르지만, 생물학적 뉴런의 동작을 계산 모델로 표현하려 했다는 점에서 인공신경망 역사의 중요한 출발점이 됐습니다.

 

1950년 앨런 튜링은 논문 「Computing Machinery and Intelligence」에서 “기계가 생각할 수 있는가?”라는 질문을 다뤘습니다. 추상적인 지능의 정의를 놓고 논쟁하는 대신, 대화를 통해 인간과 기계를 구분할 수 있는지를 살펴보는 ‘모방 게임’을 제안했습니다. 이후 이 아이디어는 튜링 테스트로 알려졌습니다.

 

1956년에는 존 매카시, 마빈 민스키, 너새니얼 로체스터, 클로드 섀넌 등이 참여한 다트머스 여름 연구 프로젝트가 열렸습니다. 이 프로젝트의 제안서에서 ‘Artificial Intelligence’라는 명칭이 사용됐고, AI는 독립된 연구 분야의 이름을 갖게 됐습니다.

 

1958년 프랭크 로젠블랫은 입력으로부터 분류 경계를 학습하는 퍼셉트론을 논문으로 제시했습니다. 사람이 모든 규칙을 입력하는 대신 데이터에서 판단 기준을 조정하는 학습 모델의 가능성을 보여준 것입니다.

 

이 시기부터 AI에는 두 흐름이 함께 존재했습니다.

• 사람이 지식과 규칙을 기호로 표현하는 접근
• 기계가 데이터와 경험으로부터 규칙을 학습하는 접근

1960~1980년대: 규칙과 지식을 넣으면 지능이 될까

초기 AI 연구에서는 기호주의 접근이 큰 비중을 차지했습니다. 사람이 논리, 지식과 문제 해결 절차를 컴퓨터가 이해할 수 있는 형태로 입력하면 기계가 추론할 수 있다고 본 것입니다.

 

전문가 시스템은 이 접근의 대표적인 결과였습니다. 의사나 엔지니어의 판단 규칙을 IF-THEN 형태로 정리하고, 입력된 사실에 규칙을 적용해 결론을 도출했습니다.

IF 발열이 있고 특정 검사 결과가 양성이면
THEN 특정 질환의 가능성을 검토한다.

문제가 명확하고 범위가 좁을 때는 유용했지만, 현실의 모든 예외와 암묵적 지식을 사람이 규칙으로 작성하기는 어려웠습니다. 규칙이 많아질수록 서로 충돌하거나 유지보수가 복잡해졌습니다.

 

연구자와 대중의 기대는 빠르게 커졌지만 당시의 데이터, 컴퓨팅 성능과 알고리즘은 그 기대를 따라가지 못했습니다. 투자와 관심이 급격히 줄어든 시기가 반복됐고, 이를 흔히 AI 겨울이라고 부릅니다.

1990~2000년대: 규칙보다 데이터

컴퓨터에 모든 판단 규칙을 입력하는 대신, 실제 데이터에서 통계적 패턴을 학습하는 머신러닝이 점차 중심으로 이동했습니다.

 

이 시기에 의사결정나무, 서포트 벡터 머신, 앙상블, 확률 모델과 신경망이 분류, 예측, 검색, 추천 문제에 활용됐습니다. 기업이 말하는 ‘기존 머신러닝’은 주로 이 흐름에서 발전한 기술을 의미합니다.

 

1997년 IBM의 딥블루가 체스 세계 챔피언 가리 카스파로프와의 공식 재대결에서 승리한 사건도 AI 역사에서 상징적인 장면입니다. 다만 딥블루를 오늘날의 생성형 AI나 범용 학습 모델로 이해해서는 안 됩니다. 딥블루는 체스라는 잘 정의된 문제에서 탐색, 평가 함수와 전문 지식을 결합한 특화 시스템에 가까웠습니다.

 

이 사례는 AI가 인간처럼 모든 것을 이해하지 않더라도 특정 문제에서는 인간 최고 수준의 성능을 낼 수 있다는 점을 보여줬습니다.

2010년대: 딥러닝의 부활

신경망 연구는 오래전부터 존재했지만, 충분한 데이터와 연산 자원이 부족해 대규모 문제에 적용하기 어려웠습니다. 인터넷을 통해 데이터가 늘고 GPU를 이용한 병렬 연산이 가능해지면서 상황이 바뀌었습니다.

 

2012년 AlexNet은 약 120만 장의 이미지를 사용하는 ImageNet 분류 과제에서 깊은 합성곱 신경망과 GPU 학습의 효과를 보여줬습니다. 이 사건은 이미지 인식뿐 아니라 음성, 자연어 처리와 추천 분야에서 딥러닝 활용이 빠르게 확산되는 계기가 됐습니다.

 

2014년에는 생성자와 판별자가 경쟁하며 학습하는 GAN이 발표됐습니다. 판별 모델만 주목받던 신경망 연구에서, 실제 데이터와 비슷한 새로운 데이터를 만들어내는 생성 모델이 강한 존재감을 갖기 시작했습니다.

 

2017년 논문 「Attention Is All You Need」는 순환 신경망에 의존하지 않고 어텐션을 중심으로 문맥 관계를 처리하는 트랜스포머 구조를 제안했습니다. 트랜스포머는 대규모 병렬 학습에 유리했고, 이후 대규모 언어 모델의 핵심 기반이 됐습니다.

2020년대: 생성 모델이 범용 인터페이스가 되다

2020년 GPT-3 논문은 대규모 자기회귀 언어 모델이 작업마다 다시 학습되지 않더라도 지시와 소수의 예시만으로 번역, 질의응답, 문장 생성 등 여러 과업을 수행할 수 있음을 보여줬습니다.

 

같은 해 발표된 DDPM 연구는 노이즈를 점진적으로 제거해 고품질 이미지를 생성하는 확산 모델의 가능성을 보여줬습니다. 이후 텍스트 설명으로 이미지를 만드는 서비스가 빠르게 발전했습니다.

 

2022년 11월 공개된 ChatGPT는 언어 모델을 연구자나 개발자만 사용하는 모델이 아니라 누구나 자연어로 조작할 수 있는 대화형 도구로 바꿨습니다.

 

이 역사에서 중요한 결론은 명확합니다.

생성형 AI는 기존 AI와 단절된 발명품이 아니라, 초기 신경망 연구와 머신러닝, 딥러닝, 대규모 데이터, GPU, 트랜스포머와 생성 모델 연구가 누적된 결과다.

---

AI, 머신러닝, 딥러닝, 생성형 AI는 어떻게 연결될까

이 용어들은 자주 섞여 사용되지만 같은 수준의 분류가 아닙니다.

 

가장 단순화하면 다음과 같은 포함 관계를 그릴 수 있습니다.

인공지능(AI)
├── 규칙·논리·탐색 중심 AI
└── 학습 중심 AI
    └── 머신러닝(ML)
        ├── 전통적 머신러닝
        └── 딥러닝
            ├── 판별·예측 중심 모델
            └── 현대적 생성 모델
                ├── 대규모 언어 모델
                ├── 확산 모델
                ├── GAN
                └── VAE 등

이 그림은 이해를 돕기 위한 단순화입니다. 생성 모델이라는 개념은 딥러닝보다 오래됐고, 모든 생성 모델이 반드시 거대한 신경망을 사용하는 것도 아닙니다. 다만 오늘날 ‘생성형 AI’라고 부르는 서비스의 대부분이 딥러닝 기반이므로 실무에서는 위와 같은 구조로 이해해도 큰 무리가 없습니다.

 

각 용어를 구분해 보겠습니다.

인공지능

컴퓨터가 지능적인 과업을 수행하도록 만드는 가장 넓은 범주입니다. 규칙 기반 시스템, 탐색 알고리즘, 머신러닝과 생성형 AI가 모두 포함됩니다.

머신러닝

AI를 구현하는 여러 방법 중 하나입니다. 사람이 모든 규칙을 직접 작성하지 않고 데이터에서 패턴과 판단 기준을 학습합니다.

딥러닝

머신러닝의 한 종류로, 여러 층으로 구성된 인공신경망을 사용합니다. 이미지, 음성, 텍스트처럼 복잡한 비정형 데이터에서 특징을 자동으로 학습하는 데 강합니다.

생성형 AI

학습 데이터의 구조와 분포를 바탕으로 새로운 텍스트, 이미지, 음성, 영상 또는 코드를 만드는 AI입니다. 현대 생성형 AI는 대부분 딥러닝을 사용하지만, ‘생성한다’는 목적을 기준으로 붙은 이름이라는 점이 중요합니다.

대규모 언어 모델

생성형 AI의 한 종류입니다. 대규모 텍스트에서 언어 패턴을 학습해 다음 토큰을 예측하며 문장을 생성합니다. 모든 생성형 AI가 언어 모델인 것은 아닙니다. 이미지 확산 모델과 음악 생성 모델도 생성형 AI입니다.

---

또 다른 분류축: 어떻게 배우고 무엇을 출력하는가

AI 분류가 혼란스러운 이유는 하나의 기준만 사용하지 않기 때문입니다.

 

학습 방법을 기준으로는 다음과 같이 나눌 수 있습니다.

• 지도 학습: 정답이 붙은 데이터로 학습
• 비지도 학습: 정답 없이 데이터의 구조를 발견
• 자기지도 학습: 데이터 일부를 정답처럼 활용해 학습
• 강화 학습: 행동의 보상을 통해 전략을 학습

출력 목적을 기준으로는 다음처럼 나눌 수 있습니다.

• 판별·예측 모델: 입력이 어떤 범주인지, 어떤 값이 될지 판단
• 생성 모델: 학습한 분포를 바탕으로 새로운 샘플을 생성

따라서 ‘기존 머신러닝 대 생성형 AI’라는 비교는 엄밀한 학술 분류라기보다 실무적인 표현입니다.

 

기존 머신러닝은 기술의 구현 방식과 시대적 사용 관행을 가리키는 말이고, 생성형 AI는 주로 모델의 출력 목적을 가리킵니다. 두 범주는 완전히 대칭적이지 않지만, 기업 시스템을 비교할 때는 다음과 같은 의미로 유용합니다.

기존 머신러닝: 정해진 업무에서 분류·예측·추천하는 모델
생성형 AI: 열린 형태의 텍스트·이미지·코드를 만드는 모델

---

기존 머신러닝은 판단하고 생성형 AI는 만들어낸다

기존 머신러닝이 주로 해결하는 문제는 분류, 회귀, 추천과 이상 탐지입니다.

이 이메일은 스팸인가?
이 거래는 사기일 확률이 얼마인가?
다음 달 판매량은 얼마나 될까?
이 사용자에게 어떤 상품을 추천할까?

결과는 클래스, 확률, 숫자 또는 순위처럼 제한된 형태로 나옵니다.

스팸일 확률: 97%
예상 판매량: 12,400개
추천 상품: A, C, F

생성형 AI는 학습한 패턴을 이용해 새로운 콘텐츠를 만듭니다.

이 고객 문의를 세 문장으로 요약해 줘.
환불 정책을 근거로 답변 초안을 작성해 줘.
쿠버네티스 장애 대응 절차를 표로 정리해 줘.
제품 콘셉트에 맞는 이미지를 만들어 줘.

언어 모델도 내부적으로는 다음 토큰을 예측합니다. 따라서 생성형 AI가 예측을 하지 않는 것은 아닙니다. 작은 예측을 반복적으로 연결해 길고 개방적인 결과물을 만든다는 점이 다릅니다.

---

두 기술의 차이를 한눈에 비교하면

구분	기존 머신러닝	생성형 AI
주요 목적	분류, 예측, 추천, 탐지	텍스트, 이미지, 코드 등 생성
입력	정형 데이터, 센서값, 거래 기록	자연어, 문서, 이미지, 복합 입력
출력	클래스, 확률, 숫자, 순위	문장, 이미지, 음성, 코드
업무 범위	특정 문제에 특화	하나의 모델로 다양한 작업 가능
학습 데이터	라벨이 있는 업무 데이터가 많음	대규모 비정형 데이터와 자기지도 학습 활용
평가	정확도, 정밀도, 재현율, 예측 오차	사실성, 유용성, 지시 준수, 안전성
대표 위험	오분류, 편향, 데이터 드리프트	환각, 정보 유출, 유해하거나 부정확한 생성
비용·속도	작고 빠르게 최적화하기 쉬움	상대적으로 많은 연산과 비용 필요
결과 통제	출력 범위가 비교적 명확함	표현과 내용이 매번 달라질 수 있음

기존 머신러닝의 장점은 좁고 명확한 문제에서 빠르고 일관된 판단을 내릴 수 있다는 것입니다. 반면 생성형 AI의 강점은 비정형 정보를 다루고 사람이 바로 사용할 수 있는 형태로 결과를 표현하는 능력입니다.

---

같은 고객 문의를 처리해 보면 차이가 선명해진다

온라인 쇼핑몰에 다음 문의가 들어왔다고 가정해 보겠습니다.

지난주에 주문한 상품이 아직 도착하지 않았습니다.
배송 조회도 사흘째 같은 위치인데 취소할 수 있나요?

기존 머신러닝 모델은 문의를 분류하고 위험도를 계산할 수 있습니다.

문의 유형: 배송 지연
고객 이탈 위험: 높음
긴급도: 0.82

생성형 AI는 문의 내용을 바탕으로 상담원이 사용할 답변을 만들 수 있습니다.

배송 지연으로 불편을 드려 죄송합니다.
현재 배송 상태를 확인한 뒤 취소 가능 여부와 예상 도착일을 안내해 드리겠습니다.
주문번호를 알려주시겠어요?

가장 좋은 시스템은 둘 중 하나만 고집하지 않습니다.

고객 문의
   ↓
기존 머신러닝으로 유형·위험도 분류
   ↓
주문 시스템과 환불 정책 조회
   ↓
생성형 AI가 근거 기반 답변 초안 작성
   ↓
규칙 검증 또는 상담원 승인
   ↓
고객에게 전송

기존 머신러닝은 판단을 담당하고, 생성형 AI는 설명과 표현을 담당합니다. 데이터베이스와 규칙 엔진은 사실과 권한을 보장합니다.

---

생성형 AI가 기존 머신러닝을 대체하지 않는 이유

생성형 AI는 범용적이지만 모든 문제에 가장 좋은 선택은 아닙니다.

정답 범위가 명확한 문제

카드 거래의 사기 확률이나 다음 주 수요를 예측하는 문제라면 전용 머신러닝 모델이 더 빠르고 저렴할 수 있습니다.

결과가 반드시 일관돼야 하는 문제

세금 계산, 접근 권한 판정, 결제 승인처럼 같은 조건에서 동일한 결과가 필요한 업무는 규칙 기반 시스템과 전용 모델이 중심이 돼야 합니다.

대량 실시간 처리

초당 수천 건의 이벤트를 처리해야 한다면 대규모 생성 모델보다 작은 분류 모델이나 이상 탐지 모델이 효율적입니다.

명확한 성능 측정

사기 거래 탐지율처럼 목표를 숫자로 관리해야 하는 경우 기존 머신러닝은 정확도, 정밀도, 재현율 등으로 성능을 비교하기 쉽습니다.

 

생성형 AI를 무조건 적용하면 비용이 증가하고 결과 검증도 어려워질 수 있습니다. 큰 모델이 더 최신이라는 이유만으로 더 적합한 것은 아닙니다.

---

생성형 AI에는 왜 새로운 위험 관리가 필요한가

기존 머신러닝의 대표적인 실패는 오분류입니다. 정상 거래를 사기로 판단하거나 사기 거래를 정상으로 통과시키는 식입니다.

 

생성형 AI에서는 환각이 중요한 문제로 등장합니다. 모델이 존재하지 않는 논문, 잘못된 API 옵션이나 실제로 발표되지 않은 정책을 자연스럽고 자신 있게 설명할 수 있습니다.

 

언어 모델은 진실을 보관한 데이터베이스가 아니라 문맥상 가능성이 높은 다음 토큰을 생성하는 모델입니다. 문장이 자연스럽다는 사실은 내용이 정확하다는 증거가 아닙니다.

 

따라서 중요한 업무에서는 다음과 같은 통제가 필요합니다.

• 승인된 문서를 검색해 모델에 제공하는 RAG
• 답변과 함께 근거 출처 표시
• 구조화된 출력과 스키마 검증
• 개인정보와 기밀정보 입력 차단
• 허용된 도구와 작업 범위 제한
• 고위험 결과에 대한 사람의 승인
• 프롬프트와 출력에 대한 감사 기록

생성형 AI 시스템은 모델 하나가 아니라 검색, 데이터, 권한, 검증과 운영 정책을 포함한 전체 구조로 평가해야 합니다.

---

어떤 기술을 선택해야 할까

결과가 무엇이어야 하는지부터 생각하면 선택이 쉬워집니다.

 

다음 조건이라면 기존 머신러닝을 먼저 검토하는 것이 좋습니다.

• 답이 클래스, 점수, 수치 또는 순위다.
• 처리 속도와 비용이 중요하다.
• 출력 형식이 고정돼 있다.
• 같은 입력에 안정적인 판단이 필요하다.
• 성능을 명확한 지표로 측정해야 한다.

다음 조건이라면 생성형 AI가 적합할 수 있습니다.

• 문서, 이미지, 음성 또는 코드를 만들어야 한다.
• 자연어로 질문하고 답하는 인터페이스가 필요하다.
• 비정형 문서를 요약하거나 다른 형태로 변환해야 한다.
• 사람이 사용할 초안을 빠르게 만들어야 한다.
• 작업마다 입력과 출력 형식이 조금씩 달라진다.

다음 조건이라면 두 기술을 결합하는 것이 현실적입니다.

• 예측 결과를 사람이 이해하기 쉽게 설명해야 한다.
• 사내 문서를 근거로 답변을 생성해야 한다.
• 위험도에 따라 자동 처리와 사람 승인을 나눠야 한다.
• 자연어 요청을 구조화된 업무 명령으로 변환해야 한다.

---

생성형 AI를 분류도에서 보는 순간 오해가 줄어든다

생성형 AI는 AI의 역사에서 갑자기 튀어나온 예외가 아닙니다.

 

1940년대의 인공 뉴런 개념, 1950년대의 AI 연구와 퍼셉트론, 규칙 기반 전문가 시스템의 성공과 한계, 데이터 중심 머신러닝의 확산, 2010년대 딥러닝의 발전, GAN과 트랜스포머, 대규모 언어 모델과 확산 모델이 차례로 쌓이면서 오늘날의 생성형 AI가 등장했습니다.

 

관계를 한 문장으로 정리하면 다음과 같습니다.

AI는 가장 큰 목표와 연구 분야이고, 머신러닝은 데이터를 통해 AI를 구현하는 방법이며, 딥러닝은 머신러닝의 한 종류이고, 현대 생성형 AI는 주로 딥러닝을 이용해 새로운 콘텐츠를 만드는 응용 영역이다.

기존 머신러닝과 생성형 AI도 경쟁 관계로만 볼 필요가 없습니다.

 

기존 머신러닝은 “이것이 무엇인지, 앞으로 얼마가 될지”를 판단하는 데 강합니다. 생성형 AI는 “그 판단을 어떻게 설명하고 어떤 결과물로 표현할지”를 다루는 데 강합니다.

 

좋은 AI 시스템은 가장 큰 모델을 선택하는 시스템이 아닙니다. 예측이 필요한 곳에는 예측 모델을, 생성이 필요한 곳에는 생성 모델을, 정확한 사실과 권한이 필요한 곳에는 데이터베이스와 규칙 엔진을 배치하는 시스템입니다.

 

생성형 AI 시대에도 변하지 않는 원칙은 하나입니다.

 

기술 이름에서 출발하지 말고, 해결하려는 문제에서 출발해야 합니다.

---

참고 자료

• NIST, Generative Artificial Intelligence 정의
• Warren McCulloch and Walter Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity, 1943
• Alan Turing, Computing Machinery and Intelligence, 1950
• Dartmouth, Artificial Intelligence Coined at Dartmouth
• Frank Rosenblatt, The Perceptron, 1958
• IBM, Deep Blue
• Alex Krizhevsky, Ilya Sutskever and Geoffrey Hinton, ImageNet Classification with Deep Convolutional Neural Networks, 2012
• Ian Goodfellow et al., Generative Adversarial Nets, 2014
• Ashish Vaswani et al., Attention Is All You Need, 2017
• Tom Brown et al., Language Models are Few-Shot Learners, 2020
• Jonathan Ho, Ajay Jain and Pieter Abbeel, Denoising Diffusion Probabilistic Models, 2020
• OpenAI, Introducing ChatGPT, 2022