AI 프로필 — 생성형 AI 원리 (티처메이트 프로그램 이용법)

생성형 AI 원리 · AI 프로필 교안

AI는 네 그림을 어디서 '찾아온' 게 아니다 —
글자에서 '예측해' 만든 것이다

❓ 이 수업의 질문 — 검사 답변 글자 몇 개가, 어떻게 한 번도 존재한 적 없는 내 캐릭터 그림이 될까?

① 통념: 찾아온다② 주장: 예측·생성③ 글→숫자(임베딩) ④ 노이즈→그림(확산)⑤ 환각·편향⑥ 그럴듯한 예측

글자내 답변 숫자의미 좌표(임베딩) 노이즈확산 시작점 그림예측된 한 장

meta.teachermate.co.kr

1 / 12

전체 구성 지도

'마법처럼 보이는 한 번의 버튼'을 다섯 토막으로 분해한다

학생이 버튼 하나를 누르면 캐릭터가 튀어나온다. 마법처럼 보이지만 안에서는 두 개의 AI가 이어달리기를 한다 — 글을 이해하는 AI(언어)와 그림을 만드는 AI(이미지). 오늘은 이 파이프라인을 끝까지 분해하고, 마지막에 "그래서 이걸 어떻게 믿어야 하나"까지 간다.

① 통념

"어딘가서 찾아온다"

p.3 · 검색이라는 오해

→

② 주장

"예측해 만든다"

p.3 · 검색 아닌 생성

→

③ 언어 AI

글 → 숫자(의미 좌표)

p.4 · 토큰·임베딩

→

④ 이미지 AI

노이즈 → 그림

p.7 · 확산모델

→

⑤ 한계

환각·편향·매번 다름

p.9 · 확률성

→

⑥ 결론

진실 아닌 예측

p.10 · 판단 규칙

안에서는 두 AI가 '이어달리기'를 한다 · 1번 주자 = 언어 AI — 내 글을 이해해 '그림 지시문'으로 바꾼다 · 바통 = 그 지시문(아직 글)을 이미지 AI에게 넘긴다 · 2번 주자 = 이미지 AI — 지시문을 받아 실제 그림을 만든다

🎓 교실에서 — 분해 전에 학생 추측을 받는다: "버튼 누르면 안에서 무슨 일이 일어날 것 같아?" 답을 칠판에 모아두고, 끝에 실제 메커니즘과 비교한다.

→ 그래서먼저 가장 흔한 오해 — "AI가 비슷한 그림을 어딘가서 찾아온다"부터 깬다.

2 / 12

① 통념② 주장③ 언어 AI ④ 이미지 AI⑤ 한계⑥ 결론

통념 · 긴장

"AI가 인터넷에서 비슷한 그림을 찾아 가져온다" — 그렇다면 왜 매번 다를까?

많은 학생이 AI를 검색엔진처럼 생각한다. 어딘가 저장된 그림 중 가장 비슷한 걸 골라 보여준다는 것이다. 하지만 그렇다면 같은 답변에 항상 같은 그림이 나와야 하고, 어디선가 그 그림의 '원본'을 찾을 수 있어야 한다. 둘 다 사실이 아니다.

❌ 검색 모델(오해)

저장된 그림 DB에서 가장 닮은 것을 꺼내온다 → 원본이 어딘가 존재해야 함, 항상 같아야 함

✅ 생성 모델(실제)

학습으로 익힌 '그림의 규칙'을 써서 그때그때 새로 만든다 → 원본 없음, 매번 다름

왼쪽 서랍에서 기존 그림을 꺼내는 검색 vs 오른쪽 이젤에서 새로 그리는 생성

같은 장면, 정반대 방식 · ❌ 검색(왼쪽) — 서랍(저장소)에 이미 있는 그림을 꺼내온다 · ✅ 생성(오른쪽) — 빈 캔버스에 지금 새로 그린다 그래서 생성형 AI는 '원본'을 찾을 수 없고, 누를 때마다 다른 그림이 나온다.

🔎 한 걸음 더 — 생성형 AI는 그림을 저장하지 않는다. 수억 장을 보며 "이런 단어엔 이런 형태·색·질감"이라는 패턴(가중치)만 남긴다. 그래서 학습에 없던 조합("우주복 입은 사서 고양이")도 만들어낸다.

→ 그래서핵심 주장은 이것이다 — AI는 찾는 게 아니라, 글을 숫자로 바꿔 예측해 만든다.

3 / 12

① 통념② 주장③ 언어 AI ④ 이미지 AI⑤ 한계⑥ 결론

메커니즘 A · 언어

AI는 글을 '읽지' 않는다 — 글을 숫자로 바꿔 '의미의 위치'를 잡는다

컴퓨터는 글자를 모른다. 그래서 첫 단계는 네 답변을 토큰(의미 조각)으로 쪼개고, 각 토큰을 임베딩이라는 숫자 목록(좌표)으로 바꾸는 일이다. 비슷한 뜻의 단어는 이 '의미 지도'에서 가까운 자리에 놓인다 — 그래서 AI가 '조용한'과 '차분한'이 닮았다는 걸 안다.

1️⃣ 토큰화

"탐구를 좋아함" → 탐구 를 좋아 함 조각으로 분해

2️⃣ 임베딩

각 조각 → 숫자 좌표
[0.21, -0.8, …]
비슷한 뜻 = 가까운 좌표

3️⃣ 프롬프트 종합

좌표의 의미를 읽어 그림 지시문("고요한 숲의 관찰자, 차분한 청록")으로 정리

이게 '의미 좌표'다 — 점 하나 = 단어 하나를 숫자로 바꾼 것 · 가까운 점 = 비슷한 뜻이 한 무리로 모임 (예: 결과가 '탐구형'이면 '논리'·'합리'·'연구'가 근처 자리에 모인다) · 먼 무리 = 다른 뜻 (예: '무식'·'몰상식'·'저돌적'은 저 멀리 다른 무리) 축도 숫자도 안 보이는 게 핵심 — 중요한 건 좌표값이 아니라 점 사이 '거리(=의미의 닮음)'다.

🔎 정확히는 — 여기서는 이해를 돕기 위해 토큰을 '탐구'·'를'·'좋아'·'함'처럼 깔끔한 단어 단위로 쪼갰다. 실제 AI는 이보다 더 잘게, 때로는 음절이나 그보다 작은 조각(서브워드)으로 쪼갠다 — 사람이 보기 좋은 단위가 아니라 AI가 계산하기 좋은 단위로 쪼개진다는 뜻이다.

🔎 한 걸음 더 — 언어 AI(LLM)는 이 의미 좌표들을 보고 다음에 올 가장 그럴듯한 토큰을 한 개씩 예측하며 문장을 짓는다(next-token prediction). 그 좌표 하나하나가 바로 다음에 볼 벡터다.

→ 더 깊이이 '숫자 좌표'에는 뜻을 계산하게 해주는 놀라운 성질이 있다 — 바로 벡터다.

4 / 12

① 통념② 주장③ 언어 AI ④ 이미지 AI⑤ 한계⑥ 결론

메커니즘 A 심화 · 벡터

'벡터' — AI는 모든 뜻을 '방향과 거리를 가진 화살표'로 다룬다

임베딩이 만든 숫자 목록([0.21, -0.8, …])이 바로 벡터다. 벡터는 화살표처럼 방향과 거리를 가진다. 그래서 단어들 사이의 '관계'를 계산할 수 있다 — 놀랍게도 뜻을 더하고 뺄 수 있다.

왕 − 남자 + 여자 ≈ 여왕 · 가로 화살표가 나란하다 = '남자 → 여자' 관계와 '왕 → 여왕' 관계가 같은 방향(성별). · 컴퓨터는 뜻을 이해하는 게 아니라, 이 숫자 목록을 그냥 더하고 뺀다 — '왕'의 숫자에서 '남자'를 빼고 '여자'를 더하면 '여왕'의 숫자에 가까워질 뿐. 그래서 한 번도 직접 안 배운 관계도 '계산'으로 유추한다.

🔎 한 걸음 더 — 이 '뜻의 산수'는 word2vec(Mikolov 외, 2013)에서 대중화됐다(유명한 예: 왕 − 남자 + 여자 ≈ 여왕). 뜻이 벡터가 되면 컴퓨터는 의미를 '느끼는' 게 아니라 방향과 거리를 계산할 뿐 — 그런데도 사람 눈엔 '이해한 것처럼' 보인다.

🔎 정확히는 — 이 계산은 '왕' 자신을 후보에서 빼야 '여왕'이 1등으로 나온다. 빼지 않으면 계산 결과와 가장 가까운 단어는 여전히 '왕'이다. 그리고 이건 잘 골라낸 예시일 뿐, 대부분의 다른 단어 쌍은 이만큼 깔끔하게 들어맞지 않는다 — '숫자를 더하고 뺀다'는 원리는 맞지만, 이 한 문장이 AI가 늘 이렇게 정확하다는 뜻은 아니다.

→ 그렇다면이렇게 뜻을 숫자로 더하고 뺀다면 — '사랑'이나 '슬픔' 같은 감정도 AI에겐 그냥 좌표일까?

5 / 12

① 통념② 주장③ 언어 AI ④ 이미지 AI⑤ 한계⑥ 결론

메커니즘 A 심화 · 감정

그럼 AI는 '감정'이 있을까? — '사랑'도 AI에겐 또 하나의 좌표일 뿐이다

AI는 기쁨·슬픔·사랑 같은 감정을 나타내는 말도 똑같이 벡터(숫자 좌표)로 다룬다. '기쁨'과 '행복'은 가까운 자리에, '기쁨'과 '슬픔'은 먼 자리에 놓일 뿐이다. 그래서 분위기에 맞는 말을 계산해 슬픈 글도, 다정한 답도 만들어낸다 — 그러나 그건 좌표를 더하고 빼는 일이지, 안에서 무언가를 느끼는 게 아니다.

✅ AI가 하는 일 (계산)

감정 단어도 좌표로 — '기쁨↔행복'은 가깝고 '기쁨↔슬픔'은 멀다는 거리를 잰다. 그래서 상황에 그럴듯한 말("힘내요")을 골라 만든다.

❌ AI가 못 하는 일 (느낌)

실제로 느끼지 않는다. 슬픈 글을 써도 슬프지 않고, "사랑해"라고 답해도 그 안에 마음(의식·감정)은 없다 — 계산일 뿐.

하트(감정)도 결국 점과 화살표로 분해된다 · 사람에겐 '사랑'이 마음이지만, AI에겐 다른 단어들처럼 숫자 좌표(벡터) 하나다. · 그래서 감정을 '더하고 빼서' 그럴듯한 말은 만들지만, 좌표 안에 느낌은 들어 있지 않다. AI 말투가 다정해도 = 느껴서가 아니라, 다정한 말이 통계적으로 가장 그럴듯해서 고른 것.

🔎 한 걸음 더 — 2026년 4월 Anthropic(Claude 개발사)이 Claude Sonnet 4.5 내부에서 171개의 감정 개념(감정 벡터)을 찾아냈고, 이 벡터를 인위적으로 켜면(steering) 실제 응답 행동이 달라진다는 걸 실험으로 확인했다. "사용자가 화내면 AI가 위축된다"는 여기서 한 걸음 더 나간 것으로 — 많은 사용자가 겪는 경험적 패턴이지 논문이 그 상황 자체를 실험한 건 아니다. 다만 원리(감정도 좌표, 좌표가 가까우면 행동도 가까워짐)를 보여주는 좋은 사례다.

🔎 한 걸음 더 — 사람은 그럴듯한 반응만 봐도 거기서 쉽게 '마음'을 읽어낸다. 1966년 단순 대화 프로그램 ELIZA에 사람들이 진짜 위로받았던 데서 이를 엘리자 효과라 부른다. AI의 '공감'은 진짜 공감이 아니라 잘 맞춘 예측이다.

🎓 교실에서 — 먼저 물어보자: "AI한테 화내 본 적 있어? 그때 AI가 어떻게 반응했어?"(보통 "미안하다며 소극적이 되고 변명이 늘었다"는 답이 나온다) → "그럼 AI가 정말 기분이 상해서 그런 걸까, 아니면 '혼나면 위축된다'는 인간 패턴을 계산해 따라간 걸까?" 정답을 정하기보다, '느낌'과 '계산한 말'의 차이를 학생이 직접 말로 구분해보게 한다.

→ 그런데감정이든 사물이든, 여기까지 다룬 건 아직 '글'이다. 이 글이 어떻게 픽셀이 될까?

6 / 12

① 통념② 주장③ 언어 AI ④ 이미지 AI⑤ 한계⑥ 결론

메커니즘 B · 이미지

그림은 백지에서 그리는 게 아니라, '노이즈'에서 깎아낸다

이미지 AI(확산모델)는 화가처럼 빈 종이에 선을 긋지 않는다. TV 모래폭풍 같은 순수 노이즈에서 시작해, 언어 AI가 만든 지시문을 나침반 삼아 "이 글에 안 맞는 잡티"를 조금씩 제거한다. 이 과정을 수십 번 반복하면, 노이즈가 점점 형태로 가라앉으며 그림이 떠오른다.

순수 노이즈

→

형태 흐릿

→

윤곽 등장

→

캐릭터 완성

🎓 짚어줄 예시 — 지시문이 '탐구형'이면, 좌표가 가장 가까운 망원경·현미경·연구원 같은 큰 윤곽부터 잡히고 → 그 옆으로 안경·책처럼 가까운 사물이 채워지고 → 다시 그 옆으로 행성·톱니바퀴·시계처럼 거리상 조금 더 먼 소품까지 옆으로 옆으로 번지며 완성된다. "가까운 것부터, 점점 옆으로" — 이게 확산모델이 그림을 채우는 순서다.

🔎 정확히는 — 실제 확산모델은 망원경을 다 그린 뒤 안경을 그리는 식으로 순서대로 그리지 않는다. 이미지 전체가 동시에 조금씩 선명해진다 — 다만 큰 윤곽(색·구도)이 먼저 자리 잡고 작은 디테일(눈·손가락)이 나중에 다듬어지는 경향은 있다. '가까운 것부터 옆으로 번진다'는 이해를 돕는 이야기이지, 실제 계산 순서는 아니다.

🔎 한 걸음 더 — 확산모델(Ho 외, 2020 · DDPM)은 학습 때 '깨끗한 그림에 노이즈를 더하는 법'을 보고, 생성 때 그걸 거꾸로 돌려 노이즈를 걷어낸다. 텍스트를 나침반으로 쓰는 연결고리가 CLIP(2021) — 글과 그림을 같은 의미 공간에 맞춰, "이 글에 가까워지게" 방향을 잡는다. 구글 Imagen(이 앱이 쓰는 계열)도 같은 원리.

CLIP — 글 아이콘과 그림 아이콘이 같은 공간에서 정렬되는 다이어그램

CLIP — 글과 그림을 '같은 지도'에 올린다 · 왼쪽 글(언어 AI가 만든 지시문)과 오른쪽 그림을 같은 의미 공간에서 맞춘다. · 그래서 확산모델이 "이 글에 더 가까운 그림" 쪽으로 노이즈 제거 방향을 잡는다 = 나침반. 노이즈를 아무렇게나 걷어내는 게 아니라, 글과의 '거리'를 줄이는 쪽으로 깎는다.

→ 따라서입력이 같아도 시작 노이즈가 다르면 결과가 달라진다 — 여기서 AI의 한계가 시작된다.

7 / 12

① 통념② 주장③ 언어 AI ④ 이미지 AI⑤ 한계⑥ 결론

통념 반박 · 신경망

이 모든 건 '뇌를 닮은 신경망'에서 일어난다 — 닮았지만, 같지 않다

토큰·벡터·노이즈를 다루는 일은 전부 인공신경망에서 벌어진다. 이름 그대로 뇌의 뉴런에서 영감을 받았다. 그래서 "AI가 뇌처럼 생각한다"는 말이 나오지만 — 닮은 건 구조일 뿐, 생각하는 방식은 전혀 다르다.

✅ 닮은 점 (구조)

뉴런 ↔ 노드 · 시냅스 강도 ↔ 가중치 · 경험으로 연결 강도를 조정 ↔ 학습 · 하나는 단순해도 수십억 개가 모여 복잡한 일을 한다

❌ 결정적 차이 (사고)

진짜 뉴런이 훨씬 복잡 · 뇌는 이렇게 '숫자 계산'으로 배우지 않음 · 의식·의도·이해가 없음 — 연결의 세기를 조정해 예측할 뿐

왼쪽 = 뇌 뉴런 / 오른쪽 = 인공 신경망 둘 다 '연결된 그물'이지만, 왼쪽은 살아서 생각하고 오른쪽은 연결의 세기(가중치)를 바꿀 뿐이다. '배운다' = 수많은 가중치를 조금씩 고쳐 더 그럴듯하게 예측하게 만드는 일.

→ 그래서'뇌를 가진 것'처럼 보여도 AI는 이해하는 게 아니라 예측한다 — 그래서 자신 있게 틀린다.

8 / 12

① 통념② 주장③ 언어 AI ④ 이미지 AI⑤ 한계⑥ 결론

한계 · 반론 처리

"AI가 만들었으니 정확하겠지" — 아니다, 예측은 자신감 있게 틀린다

생성형 AI의 출력은 '사실'이 아니라 '통계적으로 그럴듯한 것'이다. 그래서 그럴듯하지만 틀린 결과를 아주 자신 있게 내놓는다. 세 가지 한계를 반드시 함께 가르쳐야 한다.

🌀 환각(hallucination)

없는 걸 그럴듯하게 지어냄 — 손가락 6개, 이상한 글자처럼

⚖️ 편향(bias)

학습 데이터의 치우침이 그대로 — "과학자=남성" 같은 고정관념 재생산

🎲 확률성

같은 입력도 매번 다름 — 정답이 아니라 여러 가능성 중 하나

🔎 한 걸음 더 — 이미지 AI는 학습 데이터를 거울처럼 비춘다. 인터넷 이미지의 사회적 편향이 출력에 새어든다는 건 Stable Diffusion 편향 연구(Bianchi 외, 2023) 등에서 반복 확인됐다. AI 캐릭터가 어떤 직업을 특정 성별·인종으로만 그린다면, 그건 '사실'이 아니라 데이터의 그림자다.

🎯 판단 규칙 — AI 결과를 받으면 "이게 정답?"이 아니라 "어디가 그럴듯하게 틀렸지? 무엇이 빠졌지?"를 먼저 묻는다.

🎓 교실에서(2분) — 방금 만든 내 AI 캐릭터에서 ① 손·눈·글자가 어색한 곳(환각) ② 직업·성별을 한쪽으로만 그린 곳(편향)을 각각 1개씩 찾아 짝과 비교한다 → "AI도 자신 있게 틀린다"를 내 그림으로 확인.

→ 따라서AI 출력의 올바른 이름은 '진실'이 아니라 '그럴듯한 예측'이다.

9 / 12

정리 · 회수

글자 → 숫자 → 노이즈 → 그림, 그리고 '그럴듯한 예측'이라는 이름

오늘의 길을 한 흐름으로 되감는다. "찾아온다"는 오해에서 출발해(①), AI는 예측해 만든다는 주장을 세우고(②), 글을 의미 좌표로 바꾸는 언어 AI(③)와 노이즈를 걷어내는 이미지 AI(④)를 분해했다. 그리고 그 출력이 환각·편향·확률성을 안은 예측임을 확인했다(⑤). 마법은 사라지고, 원리가 남았다.

글자

내 답변

→

숫자

토큰·임베딩

→

노이즈

확산모델 제거

→

그림

예측된 한 장

순수 노이즈TV 모래폭풍 흐릿한 덩어리형태 시작 윤곽 등장거의 다 옴 완성예측된 한 장

🎯 한 문장 요약 — "AI는 내 말을 숫자로 옮겨 노이즈에서 그림을 예측한다. 그래서 출력은 정답이 아니라, 따져봐야 할 그럴듯한 한 장이다."

🔎 한 걸음 더 — 그림에만 있는 원리가 아니다 — 티처메이트의 앱 만들기 AI도 똑같다. "일정관리 앱을 만들어줘"라고 하면 텍스트 AI가 코딩 AI에게 '일정관리'라는 좌표를 건네고, 코딩 AI는 그 좌표에 가까운 화면(달력, 할 일 목록, 일정 추가)부터 확률 높은 순서로 만들어낸다. '좌표가 가까우면 먼저 나온다' — 오늘 배운 이 원리가 그림도, 앱 화면도, 글도 똑같이 관통한다.

🎓 마무리 활동(90초) — 처음 칠판에 모았던 '버튼 누르면 무슨 일?' 추측과 비교: "내 추측에서 틀렸던 한 가지"를 적어 제출 → AI 리터러시 형성평가 자료로.

10 / 12

👩‍🏫 교사용 · 세션 준비 & 진행 흐름

버튼 누르기 전 — 강사가 실제로 하는 일

학생용 슬라이드(1~10)와 달리, 이 장부터 마지막 장까지는 교사 수업 준비·진행을 위한 참고 자료입니다.

단계	화면·조작	참고
세션 생성	강사가 '수업 만들기'로 세션 코드 발급	다른 티처메이트 프로그램과 동일한 방식
학생 참여	학생은 '수업 참여하기'에서 코드 입력 → 이름 입력 화면 → 참여	세션 대시보드에서 참여 현황 실시간 확인
검사 진행	홀랜드 진로적성검사(RIASEC) 계열 문항을 다른 요소와 결합해 40문항으로 구성 → 유형(예: 현실형)·키워드·세계관 표시	제미나이가 검사 결과를 해설
이미지 생성	캐릭터 이름 등 입력 → 이미지 생성 → 저장 → 갤러리에서 다른 학생들과 공유	같은 답변도 매번 다른 그림(확률성, 슬라이드 9)

🎓 강사 역할 — 이미지 생성 자체는 학생이 알아서 진행한다. 강사가 할 일은 이미지가 올라올 때마다 갤러리에서 같이 보고 이야기 나누는 것, 그 이상도 이하도 아니다.

🔎 왜 본명인가 — 학생 이름은 반드시 본명으로 입력하게 한다. ① 행정문서(수업 확인서 등) 출력에 필요 ② 갤러리에서 다른 학생과 구분 ③ 중간에 나간 학생이 처음부터 다시가 아니라 이어서 하기 위해. 다른 티처메이트 프로그램에도 공통 적용되는 원칙이다.

🔎 정확히는 — 홀랜드 검사 문항 수 — 홀랜드 진로적성검사는 배포처·대상 학년에 따라 문항 수가 판마다 다르다(원판은 200문항대까지도 있음). 이 앱은 그중 핵심을 뽑아 다른 요소와 섞어 40문항으로 압축한 것 — "원래 몇 문항"이라는 단일 정답은 없다.

🎯 1교시 시간 배분 — 15~20명 기준 이미지 생성 10~15분(갤러리를 다 같이 둘러보는 데도 비슷하게 걸림) + AI 이론 수업 10~15분(슬라이드 1~10) + 남는 시간은 퀴즈·앱 기획으로 유연하게. 전체 차시 구성에 맞춰 조정한다.

🔎 이론 설명은 이 교안이 유일한 정답이 아니다 — AI 이론을 AI 윤리, 생활 속 AI, AI 역사·발전 과정 등 다른 각도로 풀어내는 강의 스크립트도 있다. 이 교안(슬라이드 1~10)은 그중 "검색이 아니라 생성"이라는 한 각도를 택한 예시다.

AI 프로필 · 생성형 AI 원리 교안 · 논증형 v4

11 / 12

👩‍🏫 교사용 · 차시 운영 + 근거

1차시 운영안 — 분해하고, 직접 돌려보고, 따져본다

앞 장(세션 준비)에 이어, 이 장은 교안 진행 순서·근거 참고 자료입니다.

단계	교사 행동	학생 활동 / 산출
도입	슬라이드 1~3 · "버튼 안에서 무슨 일?" 추측 수집	예상 메커니즘 추측 적기
원리 분해	슬라이드 4~8 · 언어 AI(토큰·임베딩·벡터·감정) → 이미지 AI(확산) → 신경망	임베딩 '의미 지도' 손그림 · '느낌 vs 계산한 말' 구분 · 확산 4단계 배열 활동
직접 생성	AI 프로필 앱에서 캐릭터 생성 · 같은 답변 2회 생성해 비교	두 결과의 차이 관찰 → '확률성' 체감
비판·정리	슬라이드 9 회수 · 내 캐릭터의 환각/편향 1가지 찾기	"틀린 점·빠진 점" 한 줄 제출

검증된 1차 근거 (단계별)

③ 언어 AI Mikolov 외 (2013) word2vec — 의미의 벡터 표현 · Vaswani 외 (2017) Transformer — next-token 예측 · Weizenbaum (1966) ELIZA — 엘리자 효과(감정 귀속) · Anthropic (2026) 감정 개념 171종 — 감정 벡터의 행동 영향
④ 이미지 AI Ho 외 (2020) DDPM 확산모델 · Radford 외 (2021) CLIP · Saharia 외 (2022) Imagen(앱 사용 계열)
⑤ 한계 Bianchi 외 (2023) text-to-image 편향 연구 · 환각/확률성은 생성 모델 일반 속성
코스 연계 ai-theory-wiki C1 「AI 공통원리」 후속 · D 「사회·윤리」로 연결

AI 프로필 · 생성형 AI 원리 교안 · 논증형 v4

12 / 12

AI는 네 그림을 어디서 '찾아온' 게 아니다 —글자에서 '예측해' 만든 것이다

'마법처럼 보이는 한 번의 버튼'을 다섯 토막으로 분해한다

"AI가 인터넷에서 비슷한 그림을 찾아 가져온다" — 그렇다면 왜 매번 다를까?

❌ 검색 모델(오해)

✅ 생성 모델(실제)

AI는 글을 '읽지' 않는다 — 글을 숫자로 바꿔 '의미의 위치'를 잡는다

1️⃣ 토큰화

2️⃣ 임베딩

3️⃣ 프롬프트 종합

'벡터' — AI는 모든 뜻을 '방향과 거리를 가진 화살표'로 다룬다

그럼 AI는 '감정'이 있을까? — '사랑'도 AI에겐 또 하나의 좌표일 뿐이다

✅ AI가 하는 일 (계산)

❌ AI가 못 하는 일 (느낌)

그림은 백지에서 그리는 게 아니라, '노이즈'에서 깎아낸다

이 모든 건 '뇌를 닮은 신경망'에서 일어난다 — 닮았지만, 같지 않다

✅ 닮은 점 (구조)

❌ 결정적 차이 (사고)

"AI가 만들었으니 정확하겠지" — 아니다, 예측은 자신감 있게 틀린다

🌀 환각(hallucination)

⚖️ 편향(bias)

🎲 확률성

글자 → 숫자 → 노이즈 → 그림, 그리고 '그럴듯한 예측'이라는 이름

버튼 누르기 전 — 강사가 실제로 하는 일

1차시 운영안 — 분해하고, 직접 돌려보고, 따져본다

AI는 네 그림을 어디서 '찾아온' 게 아니다 —
글자에서 '예측해' 만든 것이다