티스토리 뷰
AI를 공부할수록 용어가 더 어려워지는 이유
생성형 AI에 관심을 가지고 공부를 시작하면 가장 먼저 마주하는 어려움은 생각보다 복잡한 기술이 아닙니다. 오히려 계속해서 등장하는 새로운 용어들입니다. 처음에는 ChatGPT와 같은 생성형 AI를 사용하는 것만으로도 신기하게 느껴지지만, 조금만 공부를 시작하면 LLM, 프롬프트 엔지니어링, RAG, 벡터 데이터베이스, 파인튜닝, 멀티모달 AI, AI 에이전트, MCP, A2A, SLM, MoE, Quantization, Pruning 등 처음 듣는 단어들이 끝없이 등장합니다. 하나를 이해했다고 생각하면 또 다른 용어가 나오고, 새로운 글을 읽을 때마다 모르는 개념이 늘어나는 것처럼 느껴질 수도 있습니다.
저 역시 처음에는 같은 경험을 했습니다. RAG를 겨우 이해했더니 MCP라는 용어가 등장했고, MCP를 이해했더니 AI Agent, A2A, Memory, Chain of Thought 같은 새로운 개념들이 계속 나타났습니다. 그때는 ’AI는 왜 이렇게 어려운 용어를 계속 만드는 걸까?'라는 생각도 했습니다. 하지만 시간이 지나면서 한 가지 사실을 깨달았습니다. AI가 어려운 것이 아니라, 기술의 발전 속도가 매우 빠르기 때문에 새로운 이름이 계속 생겨나는 것이라는 점입니다.
실제로 AI 분야는 논문에서 새로운 기술이 발표되고, 기업들이 이를 제품에 적용하는 속도가 매우 빠른 분야입니다. OpenAI, Google, Anthropic, Meta와 같은 기업들은 새로운 기술이나 구조를 발표할 때 각각의 이름을 붙이며, 이후 개발자들과 연구자들이 그 용어를 그대로 사용합니다. 그래서 AI를 처음 공부하는 사람 입장에서는 서로 비슷해 보이는 용어가 한꺼번에 쏟아지는 것처럼 느껴질 수 있습니다.
하지만 중요한 것은 모든 용어를 암기하는 것이 아닙니다. 대부분의 AI 용어는 기존 기술의 문제를 해결하기 위해 등장한 개념입니다. 다시 말해 새로운 이름을 외우는 것보다 왜 이 기술이 만들어졌는지를 이해하는 것이 훨씬 중요합니다. 이 관점을 가지기 시작하면 AI 용어는 더 이상 외워야 하는 단어가 아니라, 하나의 흐름으로 연결되는 이야기처럼 보이기 시작합니다.
저는 AI 용어를 이렇게 공부했습니다
AI를 공부하면서 가장 먼저 바꾼 습관은 용어를 외우려고 하지 않는 것이었습니다. 처음에는 노트에 LLM, RAG, MCP, LoRA처럼 새로운 단어가 나올 때마다 하나씩 정리했습니다. 하지만 시간이 지날수록 용어는 계속 늘어났고, 단순히 정의만 외우는 방식으로는 오래 기억하기 어려웠습니다. 오히려 며칠이 지나면 이름은 기억나는데 어떤 역할을 하는 기술이었는지는 헷갈리는 경우가 많았습니다.
그래서 공부 방법을 조금 바꾸었습니다. 새로운 용어가 나오면 가장 먼저 ‘이 기술은 어떤 문제를 해결하기 위해 만들어졌을까?’라는 질문을 던지기 시작했습니다. 예를 들어 RAG는 AI가 최신 정보를 모른다는 문제를 해결하기 위해 등장했고, MCP는 AI가 다양한 외부 도구를 사용할 수 있도록 만들기 위해 등장했습니다. SLM은 모델이 너무 커지는 문제를 해결하기 위해 등장했으며, Quantization과 Pruning은 AI를 더 가볍고 빠르게 실행하기 위해 만들어진 기술입니다. 이렇게 하나의 문제와 하나의 해결 방법으로 연결해서 이해하니 훨씬 오래 기억할 수 있었습니다.
또 하나 도움이 되었던 방법은 비슷한 역할을 하는 기술끼리 묶어서 공부하는 것이었습니다. 예를 들어 RAG와 벡터 데이터베이스는 함께 이해하면 훨씬 쉽고, AI 에이전트를 공부할 때는 MCP와 A2A를 함께 살펴보는 것이 자연스럽습니다. 또한 SLM, Quantization, Knowledge Distillation, Pruning은 모두 AI 모델을 더 효율적으로 만드는 기술이라는 공통점이 있습니다. 이렇게 관련 있는 개념을 하나의 그룹으로 이해하면 새로운 용어가 등장해도 어디에 속하는 기술인지 빠르게 파악할 수 있습니다.
무엇보다 중요한 것은 처음부터 모든 것을 이해하려고 하지 않는 것입니다. AI는 지금도 빠르게 발전하고 있으며 앞으로도 새로운 기술이 계속 등장할 것입니다. 따라서 용어를 완벽하게 외우는 것보다 큰 흐름을 이해하는 습관을 만드는 것이 훨씬 효과적인 공부 방법이라고 생각합니다.
AI를 ‘지도’처럼 연결해서 이해하면 훨씬 쉬워집니다
AI를 공부하면서 가장 큰 도움이 되었던 방법은 각 용어를 하나씩 외우는 것이 아니라 하나의 지도처럼 연결해서 이해하는 것이었습니다. 처음에는 새로운 용어가 나올 때마다 전혀 다른 기술이라고 생각했습니다. 하지만 공부를 계속할수록 대부분의 기술은 서로 연결되어 있다는 사실을 알게 되었습니다. 하나의 기술이 새로운 문제를 만들고, 또 다른 기술이 그 문제를 해결하는 방식으로 AI는 계속 발전하고 있었습니다.
예를 들어 가장 중심에는 LLM(대규모 언어 모델) 이 있습니다. LLM은 사람처럼 글을 이해하고 생성하는 AI의 핵심입니다. 하지만 LLM은 최신 정보를 항상 알고 있는 것은 아닙니다. 그래서 등장한 기술이 RAG입니다. RAG는 외부 문서를 검색하여 AI가 최신 정보를 참고하도록 도와줍니다. 이후 AI가 단순히 답변만 하는 것이 아니라 여러 작업을 스스로 수행하도록 발전하면서 AI 에이전트가 등장했고, 에이전트가 다양한 프로그램과 연결되기 위해 MCP, 여러 AI가 협력하기 위해 A2A라는 개념이 등장했습니다.
여기서 끝이 아닙니다. AI 모델이 점점 커지면서 실행 비용과 속도 문제가 발생하자 SLM, Knowledge Distillation, Quantization, Pruning, MoE와 같은 기술들이 등장했습니다. 모두 이름은 다르지만 목적은 비슷합니다. 더 적은 자원으로 더 좋은 AI를 만드는 것입니다. 즉, 하나의 기술을 이해하면 그다음 기술이 왜 필요한지도 자연스럽게 연결됩니다.
저는 지금도 새로운 AI 용어를 만나면 가장 먼저 “이 기술은 어떤 문제를 해결하려고 만들어졌을까?“를 생각합니다. 그러면 복잡해 보이던 용어도 하나의 퍼즐 조각처럼 기존 지식과 연결되기 시작합니다. AI는 수십 개의 독립된 기술이 아니라 하나의 거대한 생태계입니다. 이 관점으로 공부하면 새로운 논문이나 기술이 나와도 훨씬 쉽게 이해할 수 있습니다.
앞으로도 새로운 AI 용어는 계속 등장할 것입니다
AI 분야는 현재도 매우 빠르게 발전하고 있습니다. 몇 년 전만 해도 프롬프트 엔지니어링이나 RAG가 새로운 기술로 주목받았지만, 지금은 AI 에이전트, Context Engineering, Test-Time Compute, AI Memory, Tool Calling 등 새로운 개념이 계속 등장하고 있습니다. 앞으로도 생성형 AI가 발전하는 만큼 지금까지 한 번도 들어보지 못한 새로운 용어들이 계속 만들어질 가능성이 높습니다.
이러한 변화를 보면 “지금 공부해도 소용없는 것 아닐까?“라는 생각이 들 수도 있습니다. 하지만 오히려 반대입니다. 새로운 용어는 계속 늘어나겠지만, 기술이 발전하는 방향은 크게 바뀌지 않습니다. AI는 더 정확한 답변을 만들기 위해 발전하고, 더 빠르게 실행되기 위해 최적화되며, 더 다양한 작업을 수행하기 위해 새로운 기능을 추가합니다. 대부분의 기술은 결국 이러한 목적을 달성하기 위해 등장한 것입니다.
따라서 AI를 공부할 때 가장 중요한 것은 모든 용어를 암기하는 것이 아니라 기술의 흐름을 이해하는 것입니다. 새로운 개념을 만났을 때 “이 기술은 무엇을 해결하기 위해 등장했을까?”, “기존 기술과 어떤 관계가 있을까? “라는 질문을 던지는 습관을 가지면 AI를 훨씬 쉽게 이해할 수 있습니다. 이 방식은 특정 모델이나 서비스에만 적용되는 것이 아니라 앞으로 등장할 새로운 AI 기술을 공부할 때도 큰 도움이 됩니다.
AI는 앞으로도 계속 발전할 것입니다. 하지만 두려워할 필요는 없습니다. 지금까지 등장한 수많은 기술도 결국 하나씩 연결해 보면 모두 같은 큰 흐름 안에 있습니다. 새로운 용어가 나올 때마다 외워야 할 단어가 하나 늘었다고 생각하기보다, AI라는 큰 지도 위에 새로운 퍼즐 조각 하나가 추가되었다고 생각해 보세요. 그렇게 공부하면 AI는 훨씬 재미있고 이해하기 쉬운 분야가 될 것입니다.
마무리
생성형 AI를 공부하다 보면 새로운 용어가 끝없이 등장해 부담을 느낄 수 있습니다. 하지만 AI를 잘 이해하는 사람들은 모든 용어를 암기해서 공부하는 것이 아니라, 기술이 등장한 이유와 서로의 연결 관계를 이해합니다. 저 역시 이러한 방식으로 공부하면서 새로운 개념이 나와도 이전에 배운 내용과 자연스럽게 연결할 수 있었습니다.
앞으로도 AI 기술은 계속 발전하고 새로운 용어는 계속 생겨날 것입니다. 하지만 하나하나를 외우기보다 “왜 이 기술이 필요했을까?”라는 질문을 먼저 던져 보세요. 그러면 복잡하게만 보였던 AI 용어들이 하나의 흐름으로 연결되기 시작할 것입니다. 결국 AI 공부에서 가장 중요한 것은 많은 용어를 아는 것이 아니라, 기술의 흐름을 이해하는 능력입니다.