생성형 AI (Generative AI)
쉽게 풀면
기존의 많은 AI는 "이 사진은 고양이인가 개인가"처럼 주어진 것을 분류하거나 판별하는 역할을 했습니다. 반면 생성형 AI는 한 걸음 더 나아가 "고양이 사진을 새로 그려줘"라는 요청에 답할 수 있습니다. 마치 수많은 화가의 작품을 보며 화풍을 익힌 신입 화가가, 배운 스타일을 바탕으로 세상에 없던 새 그림을 그려내는 것과 비슷합니다. 대규모 텍스트 데이터를 학습해 다음에 올 단어를 예측하도록 훈련된 챗봇이 자연스러운 글을 이어 쓰는 것도, 수많은 이미지를 학습한 모델이 텍스트 설명만으로 그림을 그려내는 것도 모두 같은 원리입니다. 즉 생성형 AI의 핵심은 "정답을 고르는 것"이 아니라 "그럴듯한 새로운 결과물을 확률적으로 만들어내는 것"에 있습니다.
왜 중요한가
생성형 AI는 텍스트·이미지·코드 등 콘텐츠를 만드는 방식 자체를 바꾸어 놓으면서, 교육·의료·법률·언론 등 거의 모든 분야의 연구에서 활용 가능성과 위험성을 함께 논의하는 대상이 되었습니다. 이 때문에 논문에서는 생성형 AI를 단순한 기술 소개를 넘어, 업무 생산성에 미치는 영향, 저작권과 윤리 문제, 교육 현장에서의 활용 방안 등 다양한 응용 연구의 주제로 다룹니다. 또한 생성형 AI의 결과물이 사람의 판단을 대체하거나 보조할 수 있는지에 대한 신뢰성 검증도 활발한 연구 주제입니다.
논문에서는 이렇게 쓰입니다
이 문장은 사람이 직접 작성하지 않고 AI 모델이 스스로 만들어낸 결과물을 연구 대상으로 삼아, 그 품질이나 신뢰도를 평가했다는 의미입니다.
교육학 연구에서는 생성형 AI가 학습자의 사고 과정이나 능력 개발에 긍정적 혹은 부정적 영향을 주는지를 실증적으로 검증하는 데 초점을 둡니다.
법학 분야에서는 생성형 AI의 결과물이 누구의 창작물로 인정될 수 있는지를 기존 법 체계 안에서 검토하는 논문이 다수 발표되고 있습니다.
조금 더 깊게 보면
생성형 AI의 상당수는 대규모 언어모델이나 생성적 적대 신경망처럼, 방대한 데이터를 학습해 다음에 올 요소(단어, 픽셀 등)를 확률적으로 예측하는 방식으로 결과물을 만들어냅니다. 이러한 확률적 생성 방식 때문에 같은 입력에도 매번 조금씩 다른 결과가 나올 수 있고, 학습 데이터에 없던 사실을 그럴듯하게 지어내는 환각 현상도 이 확률적 생성 메커니즘에서 비롯됩니다. 최근에는 이런 한계를 보완하기 위해 외부 자료를 함께 참조하는 검색증강생성 같은 접근도 함께 연구되고 있습니다.
주의할 점
생성형 AI가 만들어낸 결과물은 항상 사실이라는 보장이 없습니다. 학습 데이터의 패턴을 그럴듯하게 재조합할 뿐이므로, 존재하지 않는 정보를 마치 사실처럼 제시하는 환각현상 현상이 자주 발생합니다. 따라서 생성형 AI의 출력물을 연구나 보고서에 인용할 때는 반드시 별도의 사실 확인 절차를 거쳐야 합니다.