A1의 결론("AI는 데이터로 배우는 도구")에서 출발하는 '다리' 장입니다. 세 단어를 나열하지 않고, 하나의 질문을 6단계로 따라가 '포함 관계'와 '가르는 축'을 세웁니다.
이 장도 세 단어의 정의를 나열하지 않는다. "셋의 관계는 무엇인가"라는 한 질문을 끝까지 따라간다. 윗줄은 통념을 깨고 포함 관계를 세운 뒤 가르는 축을 찾는 6단계 논증이고, 아랫줄은 그 그림으로 실제 뉴스·서비스를 분류하는 법으로 잇는다.
뉴스·광고·유튜브는 AI·머신러닝·딥러닝·생성형 AI를 마치 같은 말의 멋부린 동의어처럼 섞어 쓴다. 그래서 많은 사람이 "그게 그거 아냐?"라고 생각한다. 하지만 이렇게 뭉뚱그리면, "이 서비스가 정확히 어떤 기술인지", "왜 어떤 AI는 설명이 되고 어떤 건 안 되는지"를 영영 구별하지 못한다.
세 단어를 동의어로 쓰면 판단이 흐려진다. "AI라서 믿을 만하다"는 말은 너무 막연하다. 규칙 기반인지, 데이터로 배운 건지, 깊은 신경망인지에 따라 강점·약점·위험이 전혀 다르기 때문이다.
이 장이 증명할 한 문장은 이것이다 — AI·머신러닝·딥러닝은 나란히 선 경쟁 기술이 아니라, 하나가 다른 하나를 품는 '러시아 인형'이다. 가장 큰 우산이 AI, 그 안의 한 갈래가 머신러닝, 또 그 안의 한 방식이 딥러닝이다. 그래서 "모든 딥러닝은 머신러닝이고, 모든 머신러닝은 AI다. 하지만 그 반대는 아니다."
동심원의 경계선은 막연한 게 아니다. "규칙(패턴)을 누가 만드느냐"라는 단 하나의 질문이 세 칸을 가른다. 바깥에서 안으로 갈수록, 규칙을 만드는 일이 사람 → 데이터 → 데이터(특징까지)로 넘어간다. 이 한 축만 잡으면 셋은 절대 안 헷갈린다.
| 칸 | 규칙은 누가? | 사람이 하는 일 | 예 |
|---|---|---|---|
| AI (규칙기반) | 사람이 직접 | if-then 규칙을 다 적는다 | 전문가 시스템·내비 경로 규칙 |
| 머신러닝 | 데이터가 | 특징을 골라주면, 규칙은 데이터가 학습 | 스팸 분류·집값 예측 |
| 딥러닝 | 데이터가 (특징까지) | 예시만 준다 — 특징도 스스로 찾음 | 이미지·음성·언어, 생성형 AI |
추상적인 정의 대신, 똑같은 한 과제로 차이를 보자: "사진을 보고 고양이인지 맞혀라." 같은 목표를 세 방식이 전혀 다르게 접근한다. 위로 갈수록 사람이 힘들고, 아래로 갈수록 데이터와 연산이 일을 떠맡는다.
사람이 규칙을 다 쓴다: "귀가 삼각형, 수염 있음, 동공 세로…" 현실에선 무너진다 — 접힌 귀, 옆모습, 새끼 고양이엔 규칙이 끝없이 깨진다.
사람이 볼 특징을 정해주고(귀 모양·털 질감 등 수치화), 고양이/아닌 사진 수천 장으로 규칙을 학습. 규칙기반보단 낫지만 특징 고르기가 사람 몫.
고양이 사진 수십만 장만 주면, 어떤 특징을 볼지 스스로 찾는다. 사람은 특징을 안 정한다. 그 대신 많은 데이터·연산이 필요하다.
"딥러닝이 가장 안쪽이니 가장 좋은 것"이라는 생각은 흔한 오해다. 동심원의 안쪽은 '우월'이 아니라 '특정한 방식'을 뜻한다. 딥러닝은 강력하지만 대가가 있다 — 엄청난 데이터·연산이 필요하고, 왜 그렇게 판단했는지 설명하기 어렵다(블랙박스). 그래서 현장에선 더 단순한 머신러닝이 나은 경우가 아주 많다.
이제 AI·머신러닝·딥러닝·생성형 AI 같은 말을 들으면 헷갈릴 필요가 없다. 두 개의 질문을 순서대로 던지면, 그것이 동심원 어느 칸에 들어가는지 정해진다. 정의를 외우는 게 아니라, '규칙을 누가 만드는가'라는 축 위에 올려놓기만 하면 된다.
| 질문 | 아니오 → | 예 → 다음 질문 |
|---|---|---|
| Q1. 데이터로 스스로 배우나? | 사람이 규칙 작성 = AI(규칙기반) | Q2로 → |
| Q2. 깊은 신경망(여러 층)으로? | = 머신러닝 (사람이 특징 지정) | = 딥러닝 (특징도 스스로) |
분류법이 진짜인지 확인하는 길은 실제 사례에 대보는 것이다. 우리가 매일 만나는 서비스들을 두 질문으로 분류해 보면, 같은 'AI'라는 말 뒤에 전혀 다른 속이 있음이 드러난다. 정답을 외우는 게 아니라 축 위에 놓는 연습이다.
| 서비스 / 예 | 데이터로 배우나? | 깊은 신경망? | 분류 |
|---|---|---|---|
| 내비게이션의 '최단 경로 규칙' | 아니오 (규칙 작성) | — | AI(규칙기반) |
| 스팸 메일 필터(단어 빈도 기반) | 예 | 대체로 아니오 | 머신러닝 |
| 집값·매출 예측(표 데이터) | 예 | 아니오 | 머신러닝 |
| 얼굴 인식 · 음성 비서 · 번역 | 예 | 예 | 딥러닝 |
| 챗GPT · 이미지/영상 생성 | 예 | 예 (거대 신경망) | 딥러닝(생성형) |
포함 관계가 진짜라면 두 가지가 설명돼야 한다 — ① 가장 바깥(AI인데 ML 아님)에 무엇이 있나, ② 요즘 화제인 생성형 AI는 동심원 어디인가. 둘 다 짚으면 그림이 완성된다.
데이터로 배우지 않고 사람이 짠 규칙으로 똑똑하게 행동하는 것들. 1970~80년대 의료 진단을 돕던 전문가 시스템, 체스의 초기 탐색 알고리즘, 규칙 기반 챗봇이 그 예다. 여전히 'AI'지만 동심원 가장 바깥에 있다.
챗GPT·이미지 생성처럼 새 콘텐츠를 만드는 AI는 동심원 가장 안쪽(딥러닝)에 속한다. 거대한 신경망(C5 LLM·C6 트랜스포머)으로 만들어진다. 즉 '생성형 AI'는 새로운 네 번째 원이 아니라, 딥러닝의 한 갈래다.
정의를 외울 필요 없다. 어떤 AI 이야기를 만나도 아래 세 질문을 순서대로 던지면 동심원 위 자리가 정해진다. 이건 시험용 암기가 아니라, 뉴스·광고의 'AI'라는 말에 휘둘리지 않는 평생 쓰는 분별 도구다.
이 장은 세 단어의 정의를 모은 게 아니라, "셋의 관계는?"이라는 한 질문을 끝까지 따라간 추론이었다. 출발점은 "다 같은 말"이라는 통념, 도착점은 "포함 관계이며 '규칙의 출처'로 갈린다"는 결론이었다.