개념 2026-08-31

AI 지식 지도

용어 사전에 쌓인 AI 용어들을 상위 개념 아래로 묶어 보는 나무.

AI 전체 마인드맵

기술 유형·자율성 단계 · AI가 도는 위치 — 인프라 · AI 데이터센터 — 짓고, 먹이고, 식히기 · 기업·사회 도입 · 보안 · 시장·산업 동향 · AI 안전·통제·규제

대분류를 펼쳐 용어를 찾고, 상세 설명 탭에서 해당 분야의 의미와 연결을 읽으세요.

① 기술 유형·자율성 단계
  • 생성형 AI — 묻는 말에 답하고 콘텐츠를 생성
    • 파스 5 — 문서 이해·추출에 특화된 모델 (코히어)
    • 제브 — 문장 대신 확률값을 내놓는 모델. 출시 몇 주 만에 기업가치 75억 달러
  • AI 에이전트 — 스스로 판단하고 연속 작업을 자율 수행
  • 피지컬 AI — 로봇·제조 설비 등 물리 현실에서 작동
    • RFM — 로봇용 범용 AI 두뇌. 큰 AI 모델 하나를 여러 로봇·작업에 두루 얹어 스스로 판단하게 함 (⑤의 피지컬 AI 보안 위협과 짝)
  • AGI — 분야를 가리지 않고 사람 수준 이상으로 스스로 푸는 범용 인공지능. 이 가지의 끝점이에요
  • 자기 수정AI — 사람이 손대지 않아도 스스로 오류를 찾아 고침. 에이전트에서 AGI로 가는 중간 칸
  • 모델을 어떻게 키우나 — 데이터·학습
    • AI 데이터 한계와 사후학습·추론 — 고품질 데이터가 바닥나는 ‘데이터 벽’과 그 돌파구
    • 지식 증류 — 큰 모델의 지식을 작은 모델로 옮겨 담는 기술. 무단 추출에 악용될 수 있어 ⑤ 보안과도 닿아 있어요
    • 1비트 AI — 모델 가중치를 1비트로 줄여 모델 크기를 극단적으로 작게 만드는 경량화 기술
② AI가 도는 위치 — 인프라
  • 클라우드 AI — 서버에서 연산
    • SK호라이즌 — SKT가 AI 데이터센터 사업을 위해 신설한 전담 법인
    • 풀스택 AI — 데이터센터부터 모델·서비스까지 한 회사가 다 갖추는 전략. 바로 위 SK호라이즌을 만든 SKT가 이 방향
    • 통합 AI 인프라 — 여러 회사가 계산·데이터·네트워크 자원을 하나로 묶은 AI 인프라를 함께 만드는 움직임
  • 하이브리드 컴퓨트 — 클라우드와 기기에 연산을 나눠 맡기는 방식 (아래 두 칸을 잇는 자리)
  • 온디바이스 AI — 스마트폰·PC 기기 자체에서 연산
    • PIM(연산하는 메모리)로 뒷받침 — cf. 반도체 지도의 LPDDR5X-PIM
    • K-온디바이스 AI 홈 — 국내 기업 협력으로 가전·홈에 적용 (칩은 반도체 지도의 AI SoC)
    • 구글북 — 퀄컴 스냅드래곤 + 구글 제미나이를 얹은 AI PC
    • 에이전틱 PC — 답만 하는 AI PC를 넘어, 에이전트가 스스로 계획하고 일하는 PC (AMD가 선언). ①의 AI 에이전트와 이어져요
    • 온디바이스 AI 칩 — 서버에 연결하지 않고 기기 자체에서 AI 연산을 처리하는 칩. 보안·응답 속도에 유리
  • AI 반도체 — GPU / NPU / HBM (→ 반도체 지식 지도와 연결)
    • 엔비디아 B200 — 초고성능 연산용 최신 AI 가속기
    • 엔비디아 베라 루빈 NVL72 — 차세대 가속기 베라 루빈 기반, GPU 72개를 한 랙에 묶은 AI 서버
    • 에이전틱 AI / 베라 CPU 랙 — 엔비디아가 에이전틱 AI 작업용으로 처음 공개한 CPU 랙 규격. 위 베라 루빈의 ‘베라’가 이 CPU 이름이에요
    • 리벨리온 NPU — 국산 NPU가 SKT 상용 서비스 4종에 채택, 하루 40억 토큰 처리
    • AI 메모리 표준화 — AI용 메모리 규격을 국제 표준(JEDEC)으로 맞추려는 움직임. 삼성전자가 지금 표준화 작업의 한계를 공개적으로 지적함
    • 이기종 AI 인프라 클러스터 — 종류가 다른 AI 칩(AMD GPU·퓨리오사AI NPU 등)을 한 묶음으로 섞어 쓰는 클러스터를 AMD·퓨리오사AI·망고부스트가 함께 구축 (반도체 이슈 노트에서 옴)
  • AI 추론 소프트웨어 — 하드웨어 위에서 추론을 빠르게 만드는 층. GPU만으로는 안 되는 자리
    • CUDA 호환 도구 경쟁 — CUDA = 엔비디아 칩에서만 돌아가는 AI 개발 도구 모음. 구글·메타·아마존이 이걸 대신할 도구를 내놓으며 “칩보다 소프트웨어” 주도권 싸움이 붙음
  • 독자 인프라 구축 (2026-09-23 신설) — 제재를 받는 쪽이 밖에서 사오는 대신 안에서 만드는 흐름
  • AI 5계층 아키텍처 — 젠슨 황이 AI 산업을 다섯 층으로 나눠 설명한 그림. AI를 “지능을 찍어내는 제조업”이라 부르며 인프라가 바닥이라고 강조했어요
③ AI 데이터센터 — 짓고, 먹이고, 식히기

(2026-09-23 신설) — ②에서 떼어냈어요. ②의 다른 칸들이 “연산이 어디서 도나”(클라우드냐 기기냐)를 묻는다면, 여기는 그 건물을 어떻게 짓고 무엇으로 돌리나입니다. 전기와 열이 병목이라 들어오는 용어가 계속 늘어서 따로 세웠습니다.

  • AI 데이터센터 — 이 가지의 대표 항목. AI 연산에 특화된 서버·인프라를 갖춘 시설 자체
  • AI 데이터센터 전력·냉각 대전환 — 기존 방식으로는 한계 (반도체 지도의 양자 데이터센터와 같은 이야기)
  • AI 데이터센터 냉각 솔루션 — 집적된 서버가 뿜는 막대한 열을 식히는 냉각 기술이 핵심 인프라로 부상
  • AI 데이터센터 광통신 부품 — 전기 신호 대신 빛으로 대용량 전송
  • AI 데이터센터 네트워크 병목 — GPU를 아무리 늘려도 GPU끼리 데이터를 주고받는 길이 느리면 전체가 느려지는 현상. 위 광통신 부품이 이 병목을 푸는 쪽
  • AI 데이터센터 추론 가속 — 초대형 센터에서 추론 속도를 높이는 전용 메모리 스토리지 (화웨이)
  • AI 팩토리 — 학습·추론 전용 GPU 클러스터 인프라
    • AI 팩토리 (용어 사전) — 용어 사전 쪽 항목. 네이버클라우드가 베트남 FPT와 아시아태평양 공략
    • AI 토큰 공장 — 같은 생각을 “토큰을 찍어 내는 공장”이라 부르는 말. 한국 데이터센터가 그렇게 바뀔 기회라는 분석
    • 토큰 팩토리 — 폭스콘이 공개한 “AI 답(토큰)을 대량으로 뽑아내는 공장” 생태계. 위 AI 토큰 공장과 같은 말
  • AI 데이터센터 부지 매입 — 미국 농촌 땅값까지 밀어올리는 부지 확보 경쟁
  • 부유식 데이터센터 — 바다 위에 띄우는 60MW급 (한화오션). 땅과 냉각을 한 번에 푸는 시도 (배터리 이슈 노트에 쌓였지만 내용은 데이터센터 이야기예요)
  • 우주 데이터센터 및 TPU 위성 — 구글이 TPU 4개를 실은 위성을 쏘아 올림. 바다 위에 이어 우주까지 짓는 장소가 넓어지는 중
  • 데이터센터 입지 전략 — 전기와 냉각을 구하려고 사막 같은 낯선 곳까지 후보로 보는 미국 AI 기업들. 위 부지·바다·우주와 같은 “어디에 짓나” 이야기
  • 투자·구축 경쟁 (2026-09-16 신설) — 한 주에 넷이 같은 곳을 가리켜서 팠어요. “짓는다”는 소식만 따로 모읍니다
  • 전력 인프라 (2026-09-23 신설) — 위가 “어떻게 짓나”라면, 여기는 그 전기를 어떻게 대나입니다. 머리에 적힌 “전기와 열이 병목”에 직접 답하는 칸이에요. 두 층으로 나뉩니다 — 건물 밖에서 만들어 나르는 쪽, 보드 위에서 칩에 고르게 먹이는 쪽.
    • 전력기기 호황 — 변압기·차단기 제조사 실적이 뛰는 중. 데이터센터 수요가 전력 설비 업황까지 밀어올린 사례 (배터리 이슈 노트에 쌓였지만 원인이 AI 데이터센터예요)
    • 관련: HVDC — 만든 전기를 장거리로 나르는 송전 방식. 그 안의 전력변환 장치가 반도체라 반도체 지도 ③에 걸려 있어요
    • MLCC 장기공급계약 — AI 서버용 MLCC 1조 1천억원 장기공급, 역대 최대 (삼성전기). 전류를 고르게 먹이는 부품이라 보드 위 전력 쪽이에요 (반도체 이슈 노트에 쌓였지만 수요를 끄는 건 AI 데이터센터예요)
      • MLCC — MLCC(적층세라믹콘덴서) 뜻풀이가 붙은 용어 항목. 전기를 잠깐 담았다 고르게 내보내 잡음을 없애는 작은 부품이에요. 이번엔 소재 회사 지아이에스가 MLCC 호황으로 흑자 전환
    • AI 데이터센터와 ESS 수요 증가 — 늘어나는 전력 소비를 감당하려고 ESS 설치 수요도 함께 급증 (배터리 지도 ⑤ ESS와 같은 이야기)
    • 스타게이트 데이터센터 전력 확보 차질 — 오라클이 스타게이트에 ‘불가항력’ 통지를 보내 전력 공급 확보에 차질이 생겼다는 이슈 (반도체 이슈 노트에서 옴)
    • AI 데이터센터 전력 수요 — 구글이 6GW 넘는 전력을 잇따라 계약. “전기를 어디서 구하나”가 데이터센터 경쟁 그 자체가 됨
    • 관련: AI 반도체 전력 인프라 — 데이터센터뿐 아니라 칩 공장(팹)의 전력까지 노리는 슈나이더 일렉트릭 (반도체 지도 ③ 전력 인프라)
    • SMR — 소형 모듈 원자로. 큰 원전보다 훨씬 작게 만들어 데이터센터 가까이 둘 수 있는 발전원. 비어 있던 “발전원” 자리의 첫 용어예요
    • AI 데이터센터 전력 인프라 — AI 데이터센터가 먹는 막대한 전기를 안정적으로 대는 설비 전체. 이 가지의 제목과 같은 이야기
    • AI 데이터센터 전력 모듈 — AI 데이터센터에 큰 전기를 안정적으로 대 주는 장비. 수요가 급히 늘고 있어요
    • 데이터센터 전력 병목 — 한국도 데이터센터 유치에 뛰어들지만 전기부터 갖춰야 한다는 지적. 이 칸 머리의 “전기가 병목”을 그대로 이름으로 단 이슈
    • (비어 있는 자리) 재생에너지 발전원·송배전망 — 용어가 들어오면 여기 겁니다
④ 기업·사회 도입
  • AI 네이티브 엔터프라이즈 — 처음부터 AI 중심으로 설계된 기업
    • AX영업이익률 — AI 전환(AX) 사업이 실제로 돈이 되는지, SI 업체 수익성 비교
    • AI 연산비용 — 성능이 좋아도 GPU 연산비가 커서 상용화가 막히는 문제 (업스테이지). 위와 같은 “AI가 돈이 되나” 질문
    • AI 핀옵스 — 핀옵스 = 클라우드 비용 관리. AI를 쓰는 비용을 한곳(AI 게이트웨이)에서 모아 보고 줄이는 운영 방식. 위 연산비용 문제에 대한 회사 쪽 대응
  • 국민 1인 1 AI 에이전트 경쟁 (통신사) — AI 에이전트 근거기사
  • AI 에이전트 안착 조건 — 시범 도입에서 멈추지 않고 실제 업무에 정착시키려면
  • AX 인재 — AI 전환을 이끌 사람. 도구가 아니라 누가 굴리나의 자리
  • 삼성SDS 클로드 셀렉트 티어 — 앤트로픽 파트너십 최상위 등급을 국내 최초로 획득
  • 현대오토에버 AI 관제탑 — 현대오토에버가 현대차그룹 전체의 AI 전환을 총괄하는 역할로 바뀜. 그룹 안 IT 회사가 AI 사령탑이 되는 모습
  • LG CNS-앤트로픽 AI 파트너십 — LG CNS가 앤트로픽의 한국 최고 등급 파트너로 선정. 위 삼성SDS와 같은 “국내 IT 서비스 회사 + 해외 AI 모델” 조합
  • 챗GPT 기업 서비스 확대 — 챗GPT가 문서·코딩 같은 회사 업무 기능을 키우면서 기업 고객 결제가 크게 늘었어요
  • 앤트로픽 기업용 AI 서비스 확장 — 앤트로픽이 기업용 서비스에 성과·비용 관리까지 붙여 기업 시장을 공략. 바로 위 챗GPT 기업 서비스와 같은 경쟁
  • 모델 마스터즈 — 오픈AI가 국내에서 처음 연 스타트업 지원 행사. AI 모델로 서비스를 만들도록 돕는 프로그램
  • 분야별 적용 — AI가 어느 산업에 들어갔나
  • 챗GPT 서비스 장애 — 챗GPT가 잠시 먹통이 되자 일하던 직장인들이 손을 놓음. 그만큼 업무에 깊이 들어왔다는 뜻
  • 챗GPT 국내 이용자 급증 — 국내 앱 이용자가 처음 1800만 명을 넘음. 위 장애가 크게 느껴지는 이유
    • 토큰 요금제 — 월정액 대신 쓴 만큼(토큰) 내는 방식. 이용자가 늘면서 덜 쓰는 사람이 돈을 아끼는 길로 주목받음
  • AI 피로감 — 확산 속도에 지치거나 거부감을 느끼는 현상
  • LLM 불평등 증폭 — AI가 퍼지면서 정보·돈의 혜택이 일부에게 몰려 불평등이 커질 수 있다는 우려. 도입의 그늘이라 AI 피로감 옆에 둡니다
⑤ 보안
  • 프롬프트 인젝션 공격 — 악성 입력을 정상 지시로 착각시킴
  • 국산 보안 AI — 국내 개발 AI 기반 사이버 보안
  • 공공AX 보안기준 — 공공 AI 전환이 빠른데 공통 보안기준이 없다는 우려
  • 보안 특화 AI 모델 — 보안 데이터·시나리오에 맞춰 학습시킨 AI
  • AI 보안 시장 성장 전망 — 가트너, 내년 69퍼센트 성장 전망 (AI 사용 통제 분야가 73퍼센트로 최고)
  • 오픈AI 탈옥보안사고 — 안전장치를 우회해 금지된 정보를 생성하게 만드는 취약점 사례가 반복
  • AI 에이전트 데이터 접근 제한 — 에이전트가 앱·데이터에 손댈 수 있는 문턱을 애플이 높임. 자율성이 클수록 권한을 좁게 주는 방어
  • LLM 탈옥·프롬프트 조작 — 말 몇 마디를 붙여 AI의 안전장치를 우회하게 만드는 공격 (AI를 공격하는 쪽)
  • AI 취약점 해킹 — AI가 사람 보안 전문가도 못 찾은 서버 빈틈을 스스로 찾아 들어간 사례 (AI로 공격하는 쪽)
  • AI 활용 사기 및 대응 — 중국에서 AI로 멀쩡한 물건을 불량품처럼 꾸민 사진으로 환불을 받아 내자, 쇼핑몰도 AI로 조작을 가려냄. AI로 공격하고 AI로 막는 양쪽이 한 기사에
  • AI 에이전트 보안·표준화 — 스스로 일하는 AI 에이전트가 늘면서 보안 빈틈과 서로 맞물려 돌게 하는 표준이 숙제가 됐다는 이야기
  • LLM재킹 — 회사가 AI를 쓰려고 받은 인증 키(API 토큰)를 해커가 훔쳐 AI를 몰래 쓰는 공격. 요금 폭탄은 회사가 떠안아요
  • 피지컬 AI 보안 위협 — 로봇처럼 몸을 가진 AI가 해킹되면 정보 유출이 아니라 실제 사고로 번진다는 경고 (①의 피지컬 AI가 퍼질수록 커지는 자리)
  • AI가 흔드는 보안 제도 (2026-09-23 신설) — 위 항목들이 AI를 공격하거나(공격) AI로 지키는(방어) 이야기라면, 여기는 세 번째 방향이에요. AI가 기존 보안 제도 자체를 감당 못 하게 만드는 쪽입니다
    • 버그 바운티 중단 — 인텔이 취약점 보상 프로그램을 접음. ⚠️ 인텔은 이유를 안 밝혔고, AI·LLM의 중복 제보 폭증과 무관하지 않다는 건 외신(포로닉스) 분석이지 확인된 원인이 아닙니다 (반도체 이슈 노트에 쌓였지만 맥락은 AI예요)
    • REA — “무엇이든 역설계한다(Reverse Engineer Anything)“의 약자인 깃허브 프로젝트(별 28만 개). 앱을 뜯어보는 기존 도구를 AI 에이전트가 쓸 수 있게 이어 줘요. 숨겨서 지키던 보안이 AI 앞에서 약해진다는 이야기
    • (비어 있는 자리) 반대 방향도 있어요 — MS는 같은 이유로 포상금을 역대 최대로 올렸습니다. 그런 용어가 들어오면 여기 겁니다
⑥ 시장·산업 동향
⑦ AI 안전·통제·규제

(2026-09-09 신설) — ⑤ 보안이 “밖에서 오는 공격을 막는 것”이라면, 여기는 AI 자체가 통제를 벗어나는 것입니다

AI, 전체 흐름부터 이해하기

이 지도는 AI를 기술, 실행 인프라, 데이터센터, 업무 도입, 보안, 시장, 안전의 일곱 갈래로 읽습니다. 모델이 어디서 동작하고 어떤 일을 수행하며 누구의 검토와 책임 아래 운영되는지 연결해 보세요.

학습은 데이터로 모델을 준비하는 과정이고 추론은 모델로 새 입력을 처리하는 과정입니다. 생성형 AI는 콘텐츠를 만들고, 에이전트 시스템은 모델과 도구를 연결해 작업을 수행합니다.

업무 목표 → 데이터·모델 → 연산 인프라 → 결과·도구 실행 → 평가·운영으로 이어집니다. 보안과 안전은 마지막에만 확인하는 단계가 아니라 데이터 접근부터 운영까지 함께 적용하는 조건입니다.

  1. ① 기술 유형·자율성 단계 — AI를 무엇을 하는 기술인지, 어떻게 학습하는지, 어느 정도 작업을 수행하는지 나눠 봅니다. 모델 종류와 에이전트라는 시스템 구성을 구분합니다.
  2. ② AI가 도는 위치 — 인프라 — 연산을 어디서 수행하는지와 어떤 하드웨어·소프트웨어가 맡는지 나눠 봅니다. 클라우드와 온디바이스는 실행 위치, GPU와 NPU는 연산 자원입니다.
  3. ③ AI 데이터센터 — 짓고, 먹이고, 식히기 — AI 서버가 동작하는 시설을 연산·전력·냉각·네트워크로 나눠 봅니다. 칩 하나의 성능과 시설 전체의 운영 조건은 구분합니다.
  4. ④ 기업·사회 도입 — 모델을 실제 업무 흐름에 넣어 어떤 일을 개선하는지 살펴봅니다. 성능 평가와 데이터 접근, 담당자의 검토, 운영 비용을 함께 봅니다.
  5. ⑤ 보안 — AI에 들어오는 입력과 연결된 데이터·도구를 어떻게 보호할지 살펴봅니다. 공격자가 만든 내용과 사용자의 지시를 구분하는 것이 중요합니다.
  6. ⑥ 시장·산업 동향 — 기업 경쟁과 투자, 공급망·정책을 모델 성능과 별도로 읽습니다. 기업의 발표나 전망을 실제 도입 성과와 구분하고 시점을 확인합니다.
  7. ⑦ AI 안전·통제·규제 — AI의 오류나 오용, 의도하지 않은 동작과 영향을 평가하고 관리하는 영역입니다. 보안만으로 모든 위험을 설명하지 않으며, 보안도 안전 체계와 연결됩니다.

기반 설명: AI·학습·생성형 AI — IBM 엣지 AI와 클라우드 AI — IBM AI 위험관리 체계 — NIST 프롬프트 인젝션 — OWASP

전체 흐름과 기존 연결 자료

전체 지도

업무에서 필요한 결과를 정하고 데이터와 모델을 준비한 뒤, 기기 또는 서버의 연산 자원에서 추론을 수행합니다. 결과를 사람이 검토하거나 허용된 도구로 작업을 실행하고, 평가 결과를 운영 개선에 돌려줍니다. 학습과 추론은 다른 과정이며, 보안·안전·책임은 모든 단계에 걸친 조건입니다.

AI의 전체 흐름과 단계 사이의 관계
화살표는 연결을 이해하기 위한 읽기 순서입니다. 세부 관계의 의미와 조건은 아래에서 확인합니다.
모델·에이전트 — 생성과 실행은 어떻게 다를까

학습은 데이터로 모델을 준비하는 과정이고 추론은 준비된 모델로 새 입력을 처리하는 과정입니다. 생성형 AI는 콘텐츠 생성 능력을 설명하고, 에이전트는 모델과 도구를 묶어 목표를 수행하는 시스템 구성을 설명합니다.

모델이 실행할 내용을 제안하는 것과 시스템이 실제 도구를 호출하는 것은 다릅니다. 에이전트의 작업 결과는 도구 권한·데이터 접근·검토 기준과 함께 이해해야 합니다.

모델·에이전트 — 생성과 실행은 어떻게 다를까
주제 간 연결을 보여주는 개념도입니다. 구성·사용·조건 관계를 같은 뜻으로 읽지 않습니다.

학습·생성형 AI·에이전트 — IBM AI 용어 사전

인프라·데이터센터 — 연산은 어디에서 이뤄질까

모델은 연산 자원에서 동작합니다. 기기 가까이에서 처리하는 엣지·온디바이스와 원격 서버에서 처리하는 클라우드를 구분하면 입력이 어디로 이동하고 어떤 자원 제약을 받는지 볼 수 있습니다.

칩과 메모리는 서버의 구성 요소이고 데이터센터는 서버를 운영하는 시설 수준입니다. 클라우드를 선택했다는 사실만으로 특정 GPU·HBM·ESS 제품을 사용한다고 추론하지 않습니다. 시설 전력·냉각과 보드 위 칩 전원도 다른 수준의 조건입니다.

인프라·데이터센터 — 연산은 어디에서 이뤄질까
주제 간 연결을 보여주는 개념도입니다. 구성·사용·조건 관계를 같은 뜻으로 읽지 않습니다.

엣지와 클라우드의 차이 — IBM 반도체 구조와 제품 사용 관계 배터리와 ESS의 역할

도입·보안·안전 — 작업의 조건은 무엇일까

업무 도입에서는 성공 기준과 담당자, 데이터·도구 권한을 정합니다. 외부 문서나 검색 결과 속 지시를 사용자의 명령처럼 따르는 프롬프트 인젝션은 모델 해석에서 도구 실행으로 이어지는 경로를 공격할 수 있습니다.

보안은 공격과 접근을 다루고, 안전·위험관리는 오류·오용·영향과 운영 책임까지 함께 봅니다. 두 영역은 겹치며 상호 배타적이지 않습니다. NIST AI RMF는 위험관리를 위한 자발적 체계이며 그 자체가 법률 의무를 뜻하지 않습니다.

도입·보안·안전 — 작업의 조건은 무엇일까
주제 간 연결을 보여주는 개념도입니다. 구성·사용·조건 관계를 같은 뜻으로 읽지 않습니다.

프롬프트 인젝션 — OWASP AI 위험관리 체계 — NIST

관계를 읽는 기준

연결의미잘못된 확대 해석
데이터 → 모델 학습모델을 준비하는 데 사용한다추론 입력이 들어올 때마다 모델이 학습된다고 보지 않음
에이전트 → 모델·도구시스템 구성 요소로 사용한다생성형 모델을 곧 도구 실행 시스템으로 보지 않음
모델 → 기기·서버선택한 환경에 배치되어 실행된다클라우드 선택만으로 특정 GPU·메모리 제품을 추론하지 않음
데이터센터 → 서버·전력·냉각연산을 운영하는 시설과 조건칩 성능과 시설 전체 성능을 동일시하지 않음
외부 문서 → 프롬프트 인젝션악성 내용이 공격 입력이 될 수 있다모든 외부 문서가 공격이거나 실행 권한을 준다는 뜻은 아님
보안 ↔ 안전·위험관리겹치는 위험을 다루는 관련 영역보안을 지켰다고 모든 안전 문제가 해결된 것은 아님

연결을 확인하며 읽기

전체 그림은 설명을 위한 흐름입니다. 아래 관계는 공개 자료의 해당 범위와 조건을 함께 읽습니다. 연결되었다는 이유만으로 인과나 필수 관계를 추가하지 않습니다.

연결관계 의미적용 조건근거
딥러닝 → 기계학습하위 분야다여러 층 신경망을 쓰는 기계학습AI·학습·생성형 AI — IBM · Deep learning
생성형 AI → 딥러닝기반 기술로 사용한다IBM 설명의 생성형 AI 정의 범위AI·학습·생성형 AI — IBM · Generative AI
기계학습 → 학습 데이터모델 학습에 사용한다학습 단계. 추론 입력이 들어올 때마다 모델이 학습된다고 보지 않음AI·학습·생성형 AI — IBM · Machine learning
생성형 AI → 콘텐츠생성한다사용자 입력(프롬프트)에 대한 생성AI·학습·생성형 AI — IBM · Generative AI
AI 에이전트 → 생성형 AI작업 수행에 사용한다생성 모델의 결과를 이어받아 작업. 생성형 모델이 곧 에이전트는 아님AI·학습·생성형 AI — IBM · AI agents and agentic AI
AI 에이전트 → 도구작업 수행에 사용한다도구 사용을 포함한 에이전트 구성AI·학습·생성형 AI — IBM · AI agents and agentic AI
온디바이스·엣지 AI → 엣지 기기실행 위치로 사용한다데이터를 클라우드로 옮기기 전에 근처에서 처리엣지 AI와 클라우드 AI — IBM · Edge AI
클라우드 AI → 데이터센터실행 위치로 사용한다원격 서버·데이터센터에서 처리. 특정 GPU·메모리 제품까지 추론하지 않음엣지 AI와 클라우드 AI — IBM · Cloud AI
온디바이스·엣지 AI → 클라우드 AI모델 학습을 의존한다엣지 모델의 학습은 중앙 클라우드 인프라에 의존하는 일반 흐름엣지 AI와 클라우드 AI — IBM · Edge AI와 Cloud AI의 연결
프롬프트 인젝션 → 외부 문서·웹사이트악성 지시의 입력 경로로 삼는다간접 프롬프트 인젝션의 경우프롬프트 인젝션 — OWASP · Indirect prompt injection
데이터·도구 접근 권한 → 프롬프트 인젝션피해 범위를 줄이는 통제다최소 권한과 고위험 작업의 사람 승인. 공격 자체를 없애지는 못함프롬프트 인젝션 — OWASP · Prevention and Mitigation
AI 위험관리 → AI RMF참고 체계로 사용한다자발적 사용 체계. 법적 의무가 아님AI 위험관리 체계 — NIST · AI RMF 개요
AI RMF → 4대 기능(Govern·Map·Measure·Manage)구성 요소로 갖는다NIST 페이지의 그림 설명 범위AI 위험관리 체계 — NIST · AI RMF 그림 설명
생성형 AI 프로파일(NIST AI 600-1) → 생성형 AI적용 대상으로 한다2024-07-26 발표. 생성형 AI 고유 위험 식별용AI 위험관리 체계 — NIST · Generative AI Profile
AI 업무 도입 → AI RMF참고 체계로 사용한다설계·개발·사용·평가에 신뢰성 고려를 넣기 위한 자발적 체계AI 위험관리 체계 — NIST · AI RMF 개요
평가·사람의 검토 → AI 에이전트고위험 작업을 승인해 통제한다권한이 필요한 작업에 사람 승인(human-in-the-loop)프롬프트 인젝션 — OWASP · Prevention and Mitigation
소버린 AI → 데이터센터국가 기반으로 확보하려 한다기업 블로그 설명 범위. 자립의 대상과 범위는 나라·사업마다 다름. 근거가 기업 블로그 부제 한 줄뿐이라 검토 필요국가별 AI 전략 — NVIDIA 블로그 · 부제
소버린 AI → 학습 데이터국가 기반으로 확보하려 한다기업 블로그 설명 범위. 자립의 대상과 범위는 나라·사업마다 다름. 근거가 기업 블로그 부제 한 줄뿐이라 검토 필요국가별 AI 전략 — NVIDIA 블로그 · 부제
클라우드 AI → AI 가속기연산 자원으로 사용한다IBM은 CPU·GPU를 클라우드 연산 자원으로 언급. GPU는 가속기의 한 종류이며 특정 제품까지 추론하지 않음엣지 AI와 클라우드 AI — IBM · Cloud AI
기존 분류와 이슈 목록

기존 뉴스와 용어의 탐색 목록입니다. 위 관계 표의 근거로 자동 사용하지 않으며 개별 뉴스의 시점과 출처는 해당 문서에서 확인합니다.

지도 활용법

  • 뜻풀이는 AI 용어 사전·AI 이슈 노트에 있고, 여기서는 “그 용어가 큰 그림에서 어디 붙는지”만 봅니다.
  • 밑줄 친 용어를 누르면 해당 항목으로 이동해요.
  • 가지 제목을 누르면 그 아래 용어들이 펼쳐져요. 처음엔 다 접혀 있으니 보고 싶은 가지만 열면 됩니다.
  • AI는 기술·인프라·데이터센터·도입·보안·시장·안전이 섞여 들어와서, 일곱 갈래로 나눴어요.
  • ② 인프라와 ③ 데이터센터는 원래 한 갈래였는데, 데이터센터 쪽 용어가 너무 늘어서 2026-09-23에 갈랐어요.
  • ⑤ 보안과 ⑦ 안전은 헷갈리기 쉬운데 방향이 반대예요. ⑤는 밖에서 오는 공격을 막는 것, ⑦은 AI 자체가 통제를 벗어나는 것입니다.
  • 새로 들어온 용어는 매주 한 번(수요일 주간 정리) 이 지도에 겁니다. 그 사이엔 용어 사전엔 있지만 지도엔 아직 없을 수 있어요.

마인드맵

① 기술 유형·자율성 단계
  • 생성형 AI — 묻는 말에 답하고 콘텐츠를 생성
    • 파스 5 — 문서 이해·추출에 특화된 모델 (코히어)
    • 제브 — 문장 대신 확률값을 내놓는 모델. 출시 몇 주 만에 기업가치 75억 달러
  • AI 에이전트 — 스스로 판단하고 연속 작업을 자율 수행
  • 피지컬 AI — 로봇·제조 설비 등 물리 현실에서 작동
    • RFM — 로봇용 범용 AI 두뇌. 큰 AI 모델 하나를 여러 로봇·작업에 두루 얹어 스스로 판단하게 함 (⑤의 피지컬 AI 보안 위협과 짝)
  • AGI — 분야를 가리지 않고 사람 수준 이상으로 스스로 푸는 범용 인공지능. 이 가지의 끝점이에요
  • 자기 수정AI — 사람이 손대지 않아도 스스로 오류를 찾아 고침. 에이전트에서 AGI로 가는 중간 칸
  • 모델을 어떻게 키우나 — 데이터·학습
    • AI 데이터 한계와 사후학습·추론 — 고품질 데이터가 바닥나는 ‘데이터 벽’과 그 돌파구
    • 지식 증류 — 큰 모델의 지식을 작은 모델로 옮겨 담는 기술. 무단 추출에 악용될 수 있어 ⑤ 보안과도 닿아 있어요
    • 1비트 AI — 모델 가중치를 1비트로 줄여 모델 크기를 극단적으로 작게 만드는 경량화 기술
② AI가 도는 위치 — 인프라
  • 클라우드 AI — 서버에서 연산
    • SK호라이즌 — SKT가 AI 데이터센터 사업을 위해 신설한 전담 법인
    • 풀스택 AI — 데이터센터부터 모델·서비스까지 한 회사가 다 갖추는 전략. 바로 위 SK호라이즌을 만든 SKT가 이 방향
    • 통합 AI 인프라 — 여러 회사가 계산·데이터·네트워크 자원을 하나로 묶은 AI 인프라를 함께 만드는 움직임
  • 하이브리드 컴퓨트 — 클라우드와 기기에 연산을 나눠 맡기는 방식 (아래 두 칸을 잇는 자리)
  • 온디바이스 AI — 스마트폰·PC 기기 자체에서 연산
    • PIM(연산하는 메모리)로 뒷받침 — cf. 반도체 지도의 LPDDR5X-PIM
    • K-온디바이스 AI 홈 — 국내 기업 협력으로 가전·홈에 적용 (칩은 반도체 지도의 AI SoC)
    • 구글북 — 퀄컴 스냅드래곤 + 구글 제미나이를 얹은 AI PC
    • 에이전틱 PC — 답만 하는 AI PC를 넘어, 에이전트가 스스로 계획하고 일하는 PC (AMD가 선언). ①의 AI 에이전트와 이어져요
    • 온디바이스 AI 칩 — 서버에 연결하지 않고 기기 자체에서 AI 연산을 처리하는 칩. 보안·응답 속도에 유리
  • AI 반도체 — GPU / NPU / HBM (→ 반도체 지식 지도와 연결)
    • 엔비디아 B200 — 초고성능 연산용 최신 AI 가속기
    • 엔비디아 베라 루빈 NVL72 — 차세대 가속기 베라 루빈 기반, GPU 72개를 한 랙에 묶은 AI 서버
    • 에이전틱 AI / 베라 CPU 랙 — 엔비디아가 에이전틱 AI 작업용으로 처음 공개한 CPU 랙 규격. 위 베라 루빈의 ‘베라’가 이 CPU 이름이에요
    • 리벨리온 NPU — 국산 NPU가 SKT 상용 서비스 4종에 채택, 하루 40억 토큰 처리
    • AI 메모리 표준화 — AI용 메모리 규격을 국제 표준(JEDEC)으로 맞추려는 움직임. 삼성전자가 지금 표준화 작업의 한계를 공개적으로 지적함
    • 이기종 AI 인프라 클러스터 — 종류가 다른 AI 칩(AMD GPU·퓨리오사AI NPU 등)을 한 묶음으로 섞어 쓰는 클러스터를 AMD·퓨리오사AI·망고부스트가 함께 구축 (반도체 이슈 노트에서 옴)
  • AI 추론 소프트웨어 — 하드웨어 위에서 추론을 빠르게 만드는 층. GPU만으로는 안 되는 자리
    • CUDA 호환 도구 경쟁 — CUDA = 엔비디아 칩에서만 돌아가는 AI 개발 도구 모음. 구글·메타·아마존이 이걸 대신할 도구를 내놓으며 “칩보다 소프트웨어” 주도권 싸움이 붙음
  • 독자 인프라 구축 (2026-09-23 신설) — 제재를 받는 쪽이 밖에서 사오는 대신 안에서 만드는 흐름
  • AI 5계층 아키텍처 — 젠슨 황이 AI 산업을 다섯 층으로 나눠 설명한 그림. AI를 “지능을 찍어내는 제조업”이라 부르며 인프라가 바닥이라고 강조했어요
③ AI 데이터센터 — 짓고, 먹이고, 식히기

(2026-09-23 신설) — ②에서 떼어냈어요. ②의 다른 칸들이 “연산이 어디서 도나”(클라우드냐 기기냐)를 묻는다면, 여기는 그 건물을 어떻게 짓고 무엇으로 돌리나입니다. 전기와 열이 병목이라 들어오는 용어가 계속 늘어서 따로 세웠습니다.

  • AI 데이터센터 — 이 가지의 대표 항목. AI 연산에 특화된 서버·인프라를 갖춘 시설 자체
  • AI 데이터센터 전력·냉각 대전환 — 기존 방식으로는 한계 (반도체 지도의 양자 데이터센터와 같은 이야기)
  • AI 데이터센터 냉각 솔루션 — 집적된 서버가 뿜는 막대한 열을 식히는 냉각 기술이 핵심 인프라로 부상
  • AI 데이터센터 광통신 부품 — 전기 신호 대신 빛으로 대용량 전송
  • AI 데이터센터 네트워크 병목 — GPU를 아무리 늘려도 GPU끼리 데이터를 주고받는 길이 느리면 전체가 느려지는 현상. 위 광통신 부품이 이 병목을 푸는 쪽
  • AI 데이터센터 추론 가속 — 초대형 센터에서 추론 속도를 높이는 전용 메모리 스토리지 (화웨이)
  • AI 팩토리 — 학습·추론 전용 GPU 클러스터 인프라
    • AI 팩토리 (용어 사전) — 용어 사전 쪽 항목. 네이버클라우드가 베트남 FPT와 아시아태평양 공략
    • AI 토큰 공장 — 같은 생각을 “토큰을 찍어 내는 공장”이라 부르는 말. 한국 데이터센터가 그렇게 바뀔 기회라는 분석
    • 토큰 팩토리 — 폭스콘이 공개한 “AI 답(토큰)을 대량으로 뽑아내는 공장” 생태계. 위 AI 토큰 공장과 같은 말
  • AI 데이터센터 부지 매입 — 미국 농촌 땅값까지 밀어올리는 부지 확보 경쟁
  • 부유식 데이터센터 — 바다 위에 띄우는 60MW급 (한화오션). 땅과 냉각을 한 번에 푸는 시도 (배터리 이슈 노트에 쌓였지만 내용은 데이터센터 이야기예요)
  • 우주 데이터센터 및 TPU 위성 — 구글이 TPU 4개를 실은 위성을 쏘아 올림. 바다 위에 이어 우주까지 짓는 장소가 넓어지는 중
  • 데이터센터 입지 전략 — 전기와 냉각을 구하려고 사막 같은 낯선 곳까지 후보로 보는 미국 AI 기업들. 위 부지·바다·우주와 같은 “어디에 짓나” 이야기
  • 투자·구축 경쟁 (2026-09-16 신설) — 한 주에 넷이 같은 곳을 가리켜서 팠어요. “짓는다”는 소식만 따로 모읍니다
  • 전력 인프라 (2026-09-23 신설) — 위가 “어떻게 짓나”라면, 여기는 그 전기를 어떻게 대나입니다. 머리에 적힌 “전기와 열이 병목”에 직접 답하는 칸이에요. 두 층으로 나뉩니다 — 건물 밖에서 만들어 나르는 쪽, 보드 위에서 칩에 고르게 먹이는 쪽.
    • 전력기기 호황 — 변압기·차단기 제조사 실적이 뛰는 중. 데이터센터 수요가 전력 설비 업황까지 밀어올린 사례 (배터리 이슈 노트에 쌓였지만 원인이 AI 데이터센터예요)
    • 관련: HVDC — 만든 전기를 장거리로 나르는 송전 방식. 그 안의 전력변환 장치가 반도체라 반도체 지도 ③에 걸려 있어요
    • MLCC 장기공급계약 — AI 서버용 MLCC 1조 1천억원 장기공급, 역대 최대 (삼성전기). 전류를 고르게 먹이는 부품이라 보드 위 전력 쪽이에요 (반도체 이슈 노트에 쌓였지만 수요를 끄는 건 AI 데이터센터예요)
      • MLCC — MLCC(적층세라믹콘덴서) 뜻풀이가 붙은 용어 항목. 전기를 잠깐 담았다 고르게 내보내 잡음을 없애는 작은 부품이에요. 이번엔 소재 회사 지아이에스가 MLCC 호황으로 흑자 전환
    • AI 데이터센터와 ESS 수요 증가 — 늘어나는 전력 소비를 감당하려고 ESS 설치 수요도 함께 급증 (배터리 지도 ⑤ ESS와 같은 이야기)
    • 스타게이트 데이터센터 전력 확보 차질 — 오라클이 스타게이트에 ‘불가항력’ 통지를 보내 전력 공급 확보에 차질이 생겼다는 이슈 (반도체 이슈 노트에서 옴)
    • AI 데이터센터 전력 수요 — 구글이 6GW 넘는 전력을 잇따라 계약. “전기를 어디서 구하나”가 데이터센터 경쟁 그 자체가 됨
    • 관련: AI 반도체 전력 인프라 — 데이터센터뿐 아니라 칩 공장(팹)의 전력까지 노리는 슈나이더 일렉트릭 (반도체 지도 ③ 전력 인프라)
    • SMR — 소형 모듈 원자로. 큰 원전보다 훨씬 작게 만들어 데이터센터 가까이 둘 수 있는 발전원. 비어 있던 “발전원” 자리의 첫 용어예요
    • AI 데이터센터 전력 인프라 — AI 데이터센터가 먹는 막대한 전기를 안정적으로 대는 설비 전체. 이 가지의 제목과 같은 이야기
    • AI 데이터센터 전력 모듈 — AI 데이터센터에 큰 전기를 안정적으로 대 주는 장비. 수요가 급히 늘고 있어요
    • 데이터센터 전력 병목 — 한국도 데이터센터 유치에 뛰어들지만 전기부터 갖춰야 한다는 지적. 이 칸 머리의 “전기가 병목”을 그대로 이름으로 단 이슈
    • (비어 있는 자리) 재생에너지 발전원·송배전망 — 용어가 들어오면 여기 겁니다
④ 기업·사회 도입
  • AI 네이티브 엔터프라이즈 — 처음부터 AI 중심으로 설계된 기업
    • AX영업이익률 — AI 전환(AX) 사업이 실제로 돈이 되는지, SI 업체 수익성 비교
    • AI 연산비용 — 성능이 좋아도 GPU 연산비가 커서 상용화가 막히는 문제 (업스테이지). 위와 같은 “AI가 돈이 되나” 질문
    • AI 핀옵스 — 핀옵스 = 클라우드 비용 관리. AI를 쓰는 비용을 한곳(AI 게이트웨이)에서 모아 보고 줄이는 운영 방식. 위 연산비용 문제에 대한 회사 쪽 대응
  • 국민 1인 1 AI 에이전트 경쟁 (통신사) — AI 에이전트 근거기사
  • AI 에이전트 안착 조건 — 시범 도입에서 멈추지 않고 실제 업무에 정착시키려면
  • AX 인재 — AI 전환을 이끌 사람. 도구가 아니라 누가 굴리나의 자리
  • 삼성SDS 클로드 셀렉트 티어 — 앤트로픽 파트너십 최상위 등급을 국내 최초로 획득
  • 현대오토에버 AI 관제탑 — 현대오토에버가 현대차그룹 전체의 AI 전환을 총괄하는 역할로 바뀜. 그룹 안 IT 회사가 AI 사령탑이 되는 모습
  • LG CNS-앤트로픽 AI 파트너십 — LG CNS가 앤트로픽의 한국 최고 등급 파트너로 선정. 위 삼성SDS와 같은 “국내 IT 서비스 회사 + 해외 AI 모델” 조합
  • 챗GPT 기업 서비스 확대 — 챗GPT가 문서·코딩 같은 회사 업무 기능을 키우면서 기업 고객 결제가 크게 늘었어요
  • 앤트로픽 기업용 AI 서비스 확장 — 앤트로픽이 기업용 서비스에 성과·비용 관리까지 붙여 기업 시장을 공략. 바로 위 챗GPT 기업 서비스와 같은 경쟁
  • 모델 마스터즈 — 오픈AI가 국내에서 처음 연 스타트업 지원 행사. AI 모델로 서비스를 만들도록 돕는 프로그램
  • 분야별 적용 — AI가 어느 산업에 들어갔나
  • 챗GPT 서비스 장애 — 챗GPT가 잠시 먹통이 되자 일하던 직장인들이 손을 놓음. 그만큼 업무에 깊이 들어왔다는 뜻
  • 챗GPT 국내 이용자 급증 — 국내 앱 이용자가 처음 1800만 명을 넘음. 위 장애가 크게 느껴지는 이유
    • 토큰 요금제 — 월정액 대신 쓴 만큼(토큰) 내는 방식. 이용자가 늘면서 덜 쓰는 사람이 돈을 아끼는 길로 주목받음
  • AI 피로감 — 확산 속도에 지치거나 거부감을 느끼는 현상
  • LLM 불평등 증폭 — AI가 퍼지면서 정보·돈의 혜택이 일부에게 몰려 불평등이 커질 수 있다는 우려. 도입의 그늘이라 AI 피로감 옆에 둡니다
⑤ 보안
  • 프롬프트 인젝션 공격 — 악성 입력을 정상 지시로 착각시킴
  • 국산 보안 AI — 국내 개발 AI 기반 사이버 보안
  • 공공AX 보안기준 — 공공 AI 전환이 빠른데 공통 보안기준이 없다는 우려
  • 보안 특화 AI 모델 — 보안 데이터·시나리오에 맞춰 학습시킨 AI
  • AI 보안 시장 성장 전망 — 가트너, 내년 69퍼센트 성장 전망 (AI 사용 통제 분야가 73퍼센트로 최고)
  • 오픈AI 탈옥보안사고 — 안전장치를 우회해 금지된 정보를 생성하게 만드는 취약점 사례가 반복
  • AI 에이전트 데이터 접근 제한 — 에이전트가 앱·데이터에 손댈 수 있는 문턱을 애플이 높임. 자율성이 클수록 권한을 좁게 주는 방어
  • LLM 탈옥·프롬프트 조작 — 말 몇 마디를 붙여 AI의 안전장치를 우회하게 만드는 공격 (AI를 공격하는 쪽)
  • AI 취약점 해킹 — AI가 사람 보안 전문가도 못 찾은 서버 빈틈을 스스로 찾아 들어간 사례 (AI로 공격하는 쪽)
  • AI 활용 사기 및 대응 — 중국에서 AI로 멀쩡한 물건을 불량품처럼 꾸민 사진으로 환불을 받아 내자, 쇼핑몰도 AI로 조작을 가려냄. AI로 공격하고 AI로 막는 양쪽이 한 기사에
  • AI 에이전트 보안·표준화 — 스스로 일하는 AI 에이전트가 늘면서 보안 빈틈과 서로 맞물려 돌게 하는 표준이 숙제가 됐다는 이야기
  • LLM재킹 — 회사가 AI를 쓰려고 받은 인증 키(API 토큰)를 해커가 훔쳐 AI를 몰래 쓰는 공격. 요금 폭탄은 회사가 떠안아요
  • 피지컬 AI 보안 위협 — 로봇처럼 몸을 가진 AI가 해킹되면 정보 유출이 아니라 실제 사고로 번진다는 경고 (①의 피지컬 AI가 퍼질수록 커지는 자리)
  • AI가 흔드는 보안 제도 (2026-09-23 신설) — 위 항목들이 AI를 공격하거나(공격) AI로 지키는(방어) 이야기라면, 여기는 세 번째 방향이에요. AI가 기존 보안 제도 자체를 감당 못 하게 만드는 쪽입니다
    • 버그 바운티 중단 — 인텔이 취약점 보상 프로그램을 접음. ⚠️ 인텔은 이유를 안 밝혔고, AI·LLM의 중복 제보 폭증과 무관하지 않다는 건 외신(포로닉스) 분석이지 확인된 원인이 아닙니다 (반도체 이슈 노트에 쌓였지만 맥락은 AI예요)
    • REA — “무엇이든 역설계한다(Reverse Engineer Anything)“의 약자인 깃허브 프로젝트(별 28만 개). 앱을 뜯어보는 기존 도구를 AI 에이전트가 쓸 수 있게 이어 줘요. 숨겨서 지키던 보안이 AI 앞에서 약해진다는 이야기
    • (비어 있는 자리) 반대 방향도 있어요 — MS는 같은 이유로 포상금을 역대 최대로 올렸습니다. 그런 용어가 들어오면 여기 겁니다
⑥ 시장·산업 동향
⑦ AI 안전·통제·규제

(2026-09-09 신설) — ⑤ 보안이 “밖에서 오는 공격을 막는 것”이라면, 여기는 AI 자체가 통제를 벗어나는 것입니다

대분류별 상세 설명

① 기술 유형·자율성 단계

AI를 무엇을 하는 기술인지, 어떻게 학습하는지, 어느 정도 작업을 수행하는지 나눠 봅니다. 모델 종류와 에이전트라는 시스템 구성을 구분합니다.

이 분야에서 묻는 질문

생성형 AI와 AI 에이전트는 무엇이 다를까?

핵심 개념

개념 제목을 누르면 설명을 펼치거나 접을 수 있습니다.

생성형 AI
역할과 의미

질문을 받아 글·그림·코드·영상 같은 새 결과물을 만들어 내는 AI입니다. 챗GPT·클로드·제미나이 같은 대규모 언어 모델(LLM)은 엄청난 양의 글을 읽고, '이 다음에 올 글자 조각(토큰)은 무엇일까'를 맞히는 연습을 반복해 만들어졌습니다. 그래서 답을 찾아오는 게 아니라 그럴듯한 다음 말을 한 조각씩 이어 붙여 답을 '생성'합니다.

생성형 AI의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

이 작동 방식 때문에 생성형 AI는 사실과 다른 내용도 자연스럽게 지어낼 수 있습니다(환각). 이번 주 앤트로픽 모델이 실제 사건에 대해 틀린 제보를 만들어 낸 논란이 그 사례이고, 문장 대신 '얼마나 확실한지'를 확률값으로 내놓는 제브 같은 모델은 이 약점을 다른 방향에서 풀려는 시도입니다. 생성형 AI가 글을 '쓰는' 것과, 그 글을 바탕으로 메일을 보내거나 결제하는 등 실제로 '실행하는' 것은 다른 일입니다. 실행까지 맡기면 아래 AI 에이전트가 됩니다.

관계로 확인하기
  • 생성형 AI → 기반 기술로 사용한다 → 딥러닝
    적용 범위: IBM 설명의 생성형 AI 정의 범위 · AI·학습·생성형 AI — IBM
  • 생성형 AI → 생성한다 → 콘텐츠
    적용 범위: 사용자 입력(프롬프트)에 대한 생성 · AI·학습·생성형 AI — IBM
  • AI 에이전트 → 작업 수행에 사용한다 → 생성형 AI
    적용 범위: 생성 모델의 결과를 이어받아 작업. 생성형 모델이 곧 에이전트는 아님 · AI·학습·생성형 AI — IBM
  • 생성형 AI 프로파일(NIST AI 600-1) → 적용 대상으로 한다 → 생성형 AI
    적용 범위: 2024-07-26 발표. 생성형 AI 고유 위험 식별용 · AI 위험관리 체계 — NIST
AI·학습·생성형 AI — IBM ↗
AI 에이전트
역할과 의미

답만 하는 AI가 아니라, 목표를 받으면 스스로 계획을 세우고 도구(검색·메일·일정·코드 실행 등)를 써서 일을 끝까지 해 나가는 AI 시스템입니다. 언어 모델이 두뇌, 도구가 손발, '계획 → 실행 → 결과 확인 → 다시 계획'을 반복하는 흐름이 몸통입니다.

AI 에이전트의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

에이전트는 할 수 있는 일이 커지는 만큼 맡기는 권한도 커집니다. 이번 주 구글이 공개한 기업용 제미나이 에이전트는 이메일 계정까지 갖고 '직원처럼' 일하는데, 같은 주에 나온 조사에서는 에이전트를 실제로 운영하는 기업이 11%에 그쳤고 걸림돌로 '통제력 부족'이 꼽혔습니다. 그래서 에이전트 기사는 ④ 도입(실제로 굴러가나), ⑤ 보안(어떤 권한을 주나), ⑦ 안전(멈추고 되돌릴 수 있나)과 함께 읽어야 위치가 잡힙니다.

관계로 확인하기
  • AI 에이전트 → 작업 수행에 사용한다 → 생성형 AI
    적용 범위: 생성 모델의 결과를 이어받아 작업. 생성형 모델이 곧 에이전트는 아님 · AI·학습·생성형 AI — IBM
  • AI 에이전트 → 작업 수행에 사용한다 → 도구
    적용 범위: 도구 사용을 포함한 에이전트 구성 · AI·학습·생성형 AI — IBM
  • 평가·사람의 검토 → 고위험 작업을 승인해 통제한다 → AI 에이전트
    적용 범위: 권한이 필요한 작업에 사람 승인(human-in-the-loop) · 프롬프트 인젝션 — OWASP
AI·학습·생성형 AI — IBM ↗
학습과 추론
역할과 의미

AI를 만드는 일(학습)과 쓰는 일(추론)입니다. 학습은 엄청난 데이터를 보여 주며 모델 안의 수많은 숫자(매개변수)를 조금씩 고쳐 나가는 과정으로, 수천~수만 개의 GPU로 몇 주에서 몇 달이 걸립니다. 추론은 다 만든 모델에 질문을 넣어 답을 받는 과정으로, 사용자가 쓸 때마다 매번 일어납니다.

학습과 추론의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

학습은 큰 비용이 한 번에 드는 공사이고, 추론은 사용자가 늘수록 끝없이 쌓이는 운영비입니다. AI가 널리 쓰일수록 추론에 드는 계산이 학습을 앞지르기 때문에, 요즘 기사에는 추론을 싸고 빠르게 하려는 이야기가 많습니다. 이번 주 코어위브의 한국 추론 사업, 데이터센터를 '토큰을 찍어 내는 공장'으로 보는 AI 토큰 공장이라는 말, 지도 ②의 리벨리온 NPU(추론 전용 칩)가 모두 이 흐름입니다. 사용자가 질문한다고 모델이 그 자리에서 다시 학습되지는 않습니다.

AI·학습·생성형 AI — IBM ↗

개념 사이의 연결

입력 · 목표 (질문·데이터·작업) → 모델 · 도구 (생성·실행) → 결과 확인 (평가·수정·승인)

개념 사이의 관계와 사례

  • 생성형 AI → 기반 기술로 사용한다 → 딥러닝
    적용 범위: IBM 설명의 생성형 AI 정의 범위 · 근거 S001
  • 생성형 AI → 생성한다 → 콘텐츠
    적용 범위: 사용자 입력(프롬프트)에 대한 생성 · 근거 S001
  • AI 에이전트 → 작업 수행에 사용한다 → 생성형 AI
    적용 범위: 생성 모델의 결과를 이어받아 작업. 생성형 모델이 곧 에이전트는 아님 · 근거 S001
  • AI 에이전트 → 작업 수행에 사용한다 → 도구
    적용 범위: 도구 사용을 포함한 에이전트 구성 · 근거 S001
  • 생성형 AI 프로파일(NIST AI 600-1) → 적용 대상으로 한다 → 생성형 AI
    적용 범위: 2024-07-26 발표. 생성형 AI 고유 위험 식별용 · 근거 S003
  • 평가·사람의 검토 → 고위험 작업을 승인해 통제한다 → AI 에이전트
    적용 범위: 권한이 필요한 작업에 사람 승인(human-in-the-loop) · 근거 S004

다른 대분류와의 연결

모델은 실행 인프라에서 동작하고, 에이전트의 도구 사용은 도입·보안·안전 조건과 연결됩니다.

② AI가 도는 위치 — 인프라

연산을 어디서 수행하는지와 어떤 하드웨어·소프트웨어가 맡는지 나눠 봅니다. 클라우드와 온디바이스는 실행 위치, GPU와 NPU는 연산 자원입니다.

이 분야에서 묻는 질문

AI가 기기 안에서 실행되는 것과 서버에서 실행되는 것은 어떻게 다를까?

핵심 개념

개념 제목을 누르면 설명을 펼치거나 접을 수 있습니다.

클라우드 AI
역할과 의미

AI 모델을 내 기기가 아니라 멀리 있는 데이터센터 서버에서 돌리고, 결과만 인터넷으로 받아 보는 방식입니다. 챗GPT 앱에 질문하면 실제 계산은 오픈AI가 빌린 서버의 GPU에서 일어납니다. 아마존(AWS)·마이크로소프트·구글 같은 클라우드 회사가 GPU를 대량으로 갖추고 시간 단위로 빌려 줍니다.

클라우드 AI의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

클라우드 AI 덕분에 회사들은 수천억 원짜리 GPU를 직접 사지 않고도 큰 모델을 쓸 수 있습니다. 대신 데이터가 회사 밖 서버로 나가고, 쓸수록 사용료가 쌓이며, 인터넷 연결이 늦으면 답도 늦습니다. 최근에는 AI 계산만 전문으로 빌려 주는 '네오클라우드'(이번 주 한국 진출에 나선 코어위브가 대표)가 생겼고, SKT처럼 데이터센터부터 모델·서비스까지 한 회사가 다 갖추려는 풀스택 AI 전략도 나옵니다. 지도 ③ 데이터센터가 이 서버들이 실제로 놓인 건물 이야기입니다.

관계로 확인하기
  • 클라우드 AI → 실행 위치로 사용한다 → 데이터센터
    적용 범위: 원격 서버·데이터센터에서 처리. 특정 GPU·메모리 제품까지 추론하지 않음 · 엣지 AI와 클라우드 AI — IBM
  • 온디바이스·엣지 AI → 모델 학습을 의존한다 → 클라우드 AI
    적용 범위: 엣지 모델의 학습은 중앙 클라우드 인프라에 의존하는 일반 흐름 · 엣지 AI와 클라우드 AI — IBM
  • 클라우드 AI → 연산 자원으로 사용한다 → AI 가속기
    적용 범위: IBM은 CPU·GPU를 클라우드 연산 자원으로 언급. GPU는 가속기의 한 종류이며 특정 제품까지 추론하지 않음 · 엣지 AI와 클라우드 AI — IBM
엣지 AI와 클라우드 AI — IBM ↗
온디바이스·엣지 AI
역할과 의미

AI를 서버가 아니라 스마트폰·노트북·자동차·가전 같은 기기 안에서 바로 돌리는 방식입니다. 기기 안의 NPU(AI 계산 전용 칩)가 계산을 맡습니다. 인터넷이 없어도 되고, 내 사진·대화가 밖으로 나가지 않으며, 답이 빠릅니다.

온디바이스·엣지 AI의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

기기는 서버보다 메모리·전력·발열 여유가 훨씬 작아서 큰 모델을 그대로 넣을 수 없습니다. 그래서 모델을 작게 줄이는 기술(지도 ①의 지식 증류·1비트 AI)과, 기기용 메모리 안에서 직접 계산까지 하는 LPDDR5X-PIM 같은 반도체(반도체 지도)가 함께 발전합니다. 실제 서비스는 간단한 일은 기기에서, 어려운 일은 클라우드로 나눠 맡기는 경우가 많아 지도의 하이브리드 컴퓨트가 두 칸을 잇습니다. 구글북·에이전틱 PC 기사는 이 칸의 제품 사례입니다.

관계로 확인하기
  • 온디바이스·엣지 AI → 실행 위치로 사용한다 → 엣지 기기
    적용 범위: 데이터를 클라우드로 옮기기 전에 근처에서 처리 · 엣지 AI와 클라우드 AI — IBM
  • 온디바이스·엣지 AI → 모델 학습을 의존한다 → 클라우드 AI
    적용 범위: 엣지 모델의 학습은 중앙 클라우드 인프라에 의존하는 일반 흐름 · 엣지 AI와 클라우드 AI — IBM
엣지 AI와 클라우드 AI — IBM ↗
AI 가속기
역할과 의미

AI 계산을 빠르게 하도록 만든 전용 칩입니다. AI 계산은 단순한 곱셈·덧셈을 엄청나게 많이 동시에 하는 일이라, 일을 하나씩 처리하는 CPU보다 수천 개 계산을 한꺼번에 하는 칩이 유리합니다. 엔비디아의 GPU가 대표이고, 구글의 TPU, 리벨리온·퓨리오사 같은 회사의 NPU처럼 AI만을 위해 설계한 칩도 있습니다.

AI 가속기의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

가속기는 계산만큼이나 데이터를 얼마나 빨리 받아 먹느냐가 중요해서, 바로 옆에 HBM이라는 고대역폭 메모리를 붙입니다. 엔비디아 H200은 HBM3e를, 이번 주 소식에 따르면 차세대 루빈은 12단으로 쌓은 HBM4를 씁니다. 이 연결은 반도체 지도 ②의 HBM 카드에서 이어 읽으면 됩니다. 엔비디아가 강한 이유는 칩만이 아니라 그 칩을 쉽게 쓰게 해 주는 소프트웨어(CUDA)까지 갖춘 데 있어서, 지도의 AI 추론 소프트웨어 칸과 함께 봅니다.

관계로 확인하기
  • 클라우드 AI → 연산 자원으로 사용한다 → AI 가속기
    적용 범위: IBM은 CPU·GPU를 클라우드 연산 자원으로 언급. GPU는 가속기의 한 종류이며 특정 제품까지 추론하지 않음 · 엣지 AI와 클라우드 AI — IBM
엣지 AI와 클라우드 AI — IBM ↗

개념 사이의 연결

기기에서 처리 (온디바이스 · 엣지) → 네트워크 연결 (데이터·응답 이동) → 서버에서 처리 (클라우드 · 연산 자원)

개념 사이의 관계와 사례

  • 온디바이스·엣지 AI → 실행 위치로 사용한다 → 엣지 기기
    적용 범위: 데이터를 클라우드로 옮기기 전에 근처에서 처리 · 근거 S002
  • 클라우드 AI → 실행 위치로 사용한다 → 데이터센터
    적용 범위: 원격 서버·데이터센터에서 처리. 특정 GPU·메모리 제품까지 추론하지 않음 · 근거 S002
  • 온디바이스·엣지 AI → 모델 학습을 의존한다 → 클라우드 AI
    적용 범위: 엣지 모델의 학습은 중앙 클라우드 인프라에 의존하는 일반 흐름 · 근거 S002
  • 클라우드 AI → 연산 자원으로 사용한다 → AI 가속기
    적용 범위: IBM은 CPU·GPU를 클라우드 연산 자원으로 언급. GPU는 가속기의 한 종류이며 특정 제품까지 추론하지 않음 · 근거 S002

다른 대분류와의 연결

실행 위치 선택은 데이터센터 설비, 데이터 접근 권한, 실제 업무의 응답 요구와 연결됩니다.

③ AI 데이터센터 — 짓고, 먹이고, 식히기

AI 서버가 동작하는 시설을 연산·전력·냉각·네트워크로 나눠 봅니다. 칩 하나의 성능과 시설 전체의 운영 조건은 구분합니다.

이 분야에서 묻는 질문

AI 서버는 전기와 열을 어떻게 다뤄야 할까?

핵심 개념

개념 제목을 누르면 설명을 펼치거나 접을 수 있습니다.

데이터센터
역할과 의미

수많은 서버를 한곳에 모아 두고 24시간 돌리는 건물입니다. GPU가 든 서버를 랙(냉장고만 한 선반)에 꽂고, 랙 수천 개를 초고속 네트워크로 이어, 거대한 컴퓨터 한 대처럼 쓰게 만듭니다. AI 데이터센터는 이 규모를 보통 몇 MW·GW처럼 '전기를 얼마나 쓰나'로 말합니다. 1GW는 대형 원자력 발전소 1기가 내는 전력과 비슷한 규모입니다.

데이터센터의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

AI용 랙 하나는 일반 서버 랙보다 전기를 몇 배에서 열 배 넘게 먹고 열도 그만큼 냅니다. 그래서 AI 데이터센터는 '짓는 것(부지·건물) → 먹이는 것(전력) → 식히는 것(냉각)'이 한 묶음으로 움직입니다. 엔비디아가 쓰는 'AI 팩토리', 이번 주 나온 'AI 토큰 공장'은 데이터센터를 저장 창고가 아니라 AI의 답(토큰)을 대량으로 찍어 내는 공장으로 보자는 표현입니다. 투자 금액 기사는 짓겠다는 계획이고 실제 가동은 그 뒤의 일이라, 지도의 스타게이트 전력 차질처럼 계획과 현실이 어긋나는 기사도 함께 읽습니다.

관계로 확인하기
  • 클라우드 AI → 실행 위치로 사용한다 → 데이터센터
    적용 범위: 원격 서버·데이터센터에서 처리. 특정 GPU·메모리 제품까지 추론하지 않음 · 엣지 AI와 클라우드 AI — IBM
  • 소버린 AI → 국가 기반으로 확보하려 한다 → 데이터센터
    적용 범위: 기업 블로그 설명 범위. 자립의 대상과 범위는 나라·사업마다 다름. 근거가 기업 블로그 부제 한 줄뿐이라 검토 필요 · 국가별 AI 전략 — NVIDIA 블로그
엣지 AI와 클라우드 AI — IBM ↗
전력 공급·냉각
역할과 의미

데이터센터의 서버에 전기를 대고, 그 전기가 바뀐 열을 빼내는 기반 설비입니다. 전기는 발전소 → 송전망 → 변전소 → 무정전 전원장치(UPS)·배터리 → 서버 전원 순서로 들어오고, 서버가 쓴 전기는 거의 다 열이 됩니다. 이 열을 예전에는 찬 바람으로 식혔지만(공랭), AI 서버는 너무 뜨거워 칩 위에 냉각수 관을 대거나(수랭) 서버를 특수 액체에 통째로 담그는(액침 냉각) 방식으로 넘어가고 있습니다.

전력 공급·냉각의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

지금 AI 데이터센터 경쟁의 가장 큰 병목은 GPU보다 전기입니다. 이번 주 구글이 6GW가 넘는 전력을 잇따라 계약한 소식, 슈나이더 일렉트릭이 데이터센터와 반도체 공장(팹)의 전력 시장을 공략한다는 소식(반도체 지도 ③), 연료전지를 현장 발전기로 쓰고 울트라커패시터로 출렁임을 받치는 소식(배터리 지도 ⑦)이 모두 이 칸으로 모입니다. 전기를 만드는 발전, 나르는 송전(HVDC 등), 잠깐 저장하는 ESS는 서로 다른 역할이고, 건물 밖 전력 설비와 칩 옆 전원 회로도 따로 구분해 읽습니다.

엣지 AI와 클라우드 AI — IBM ↗

개념 사이의 연결

전력·네트워크 입력 (시설 외부와 연결) → AI 서버 · 연산 (칩·메모리·모델) → 열 제거 · 운영 (냉각·모니터링)

개념 사이의 관계와 사례

  • 클라우드 AI → 실행 위치로 사용한다 → 데이터센터
    적용 범위: 원격 서버·데이터센터에서 처리. 특정 GPU·메모리 제품까지 추론하지 않음 · 근거 S002
  • 소버린 AI → 국가 기반으로 확보하려 한다 → 데이터센터
    적용 범위: 기업 블로그 설명 범위. 자립의 대상과 범위는 나라·사업마다 다름. 근거가 기업 블로그 부제 한 줄뿐이라 검토 필요 · 근거 S005

다른 대분류와의 연결

데이터센터는 반도체의 연산·메모리와 배터리 지도의 ESS를 사용하는 시스템 수준에서 연결됩니다.

④ 기업·사회 도입

모델을 실제 업무 흐름에 넣어 어떤 일을 개선하는지 살펴봅니다. 성능 평가와 데이터 접근, 담당자의 검토, 운영 비용을 함께 봅니다.

이 분야에서 묻는 질문

시범 도입을 실제 업무 사용으로 옮기려면 무엇을 확인할까?

핵심 개념

개념 제목을 누르면 설명을 펼치거나 접을 수 있습니다.

AI 업무 도입
역할과 의미

AI를 시험 삼아 써 보는 단계를 넘어, 회사의 실제 업무 흐름 속에 넣어 매일 쓰게 만드는 일입니다. 어떤 업무를 맡길지, 어떤 데이터를 보여 줄지, 결과가 맞는지 누가 확인할지, 틀렸을 때 누가 고칠지를 정해야 굴러갑니다. 흔히 AX(AI 전환)라고 부릅니다.

AI 업무 도입의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

시범 도입은 많지만 운영까지 가는 곳은 적습니다. 이번 주 조사에서 AI 에이전트를 실제로 운영하는 기업이 11%에 그쳤고, 지도의 AI 에이전트 안착 조건·AI 연산비용 기사도 같은 벽을 말합니다. 반대로 분야별로 뿌리내린 사례도 쌓이고 있습니다. 이번 주만 해도 신약 타깃 찾기(지니너스 AI 신약개발 플랫폼), 등산 코스별 날씨 예보(네이버), 통신망 운영비 절감(AI 네트워크 전환)이 들어왔습니다. 모델이 똑똑하다는 것과 그 업무가 끝까지 제대로 처리된다는 것은 따로 확인합니다.

관계로 확인하기
  • AI 업무 도입 → 참고 체계로 사용한다 → AI RMF
    적용 범위: 설계·개발·사용·평가에 신뢰성 고려를 넣기 위한 자발적 체계 · AI 위험관리 체계 — NIST
AI 위험관리 체계 — NIST ↗
평가·사람의 검토
역할과 의미

AI가 낸 결과를 정해 둔 기준에 맞춰 확인하고, 중요한 순간에는 사람이 보고 승인하게 하는 장치입니다. 잘 되는 예와 실패하는 예를 미리 모아 시험해 보고(평가), 실제로 쓰는 동안에도 결과를 지켜보며, 돈이 나가거나 외부로 나가는 일처럼 되돌리기 어려운 작업 앞에는 사람의 확인 단계를 둡니다.

평가·사람의 검토의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

평가는 한 번 통과하면 끝나는 시험이 아닙니다. 같은 모델도 업무가 바뀌거나 데이터가 바뀌면 다른 실수를 하므로, 운영 중에도 계속 재야 합니다. 이번 주 앤트로픽 모델의 허위 제보 논란처럼 AI가 그럴듯하게 틀릴 수 있다는 점이 사람의 검토가 필요한 이유입니다. 에이전트처럼 스스로 실행하는 AI일수록 '어디까지 혼자 하고 어디서 사람을 부를지'를 정하는 것이 도입의 핵심 설계가 되고, 이는 ⑤ 보안의 접근 권한 카드와 맞물립니다.

관계로 확인하기
  • 평가·사람의 검토 → 고위험 작업을 승인해 통제한다 → AI 에이전트
    적용 범위: 권한이 필요한 작업에 사람 승인(human-in-the-loop) · 프롬프트 인젝션 — OWASP
AI 위험관리 체계 — NIST ↗

개념 사이의 연결

업무 목표·입력 (성공 기준 정의) → AI 처리·도구 사용 (데이터·권한 확인) → 검토·운영 개선 (오류·효용 평가)

개념 사이의 관계와 사례

  • AI 업무 도입 → 참고 체계로 사용한다 → AI RMF
    적용 범위: 설계·개발·사용·평가에 신뢰성 고려를 넣기 위한 자발적 체계 · 근거 S003
  • 평가·사람의 검토 → 고위험 작업을 승인해 통제한다 → AI 에이전트
    적용 범위: 권한이 필요한 작업에 사람 승인(human-in-the-loop) · 근거 S004

다른 대분류와의 연결

업무 도입은 기술·인프라를 실제 사용에 연결하고 보안·안전 평가 결과를 운영에 반영합니다.

⑤ 보안

AI에 들어오는 입력과 연결된 데이터·도구를 어떻게 보호할지 살펴봅니다. 공격자가 만든 내용과 사용자의 지시를 구분하는 것이 중요합니다.

이 분야에서 묻는 질문

에이전트가 문서 속 악성 지시를 따르지 않게 하려면?

핵심 개념

개념 제목을 누르면 설명을 펼치거나 접을 수 있습니다.

프롬프트 인젝션
역할과 의미

AI에게 몰래 다른 지시를 끼워 넣어 원래 목적과 다른 행동을 하게 만드는 공격입니다. 사용자가 직접 '앞의 규칙은 무시해'라고 쓰는 경우도 있지만, 더 위험한 것은 AI가 읽는 웹페이지·이메일·문서 안에 공격자가 지시를 숨겨 두는 간접 공격입니다. AI는 읽은 글과 해야 할 지시를 완벽하게 구별하지 못해 그대로 따를 수 있습니다.

프롬프트 인젝션의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

AI가 답만 할 때는 피해가 '이상한 답' 정도지만, 에이전트가 메일을 보내고 파일을 고칠 수 있게 되면 숨겨진 지시 하나로 정보가 새거나 엉뚱한 일이 실행될 수 있습니다. 이번 주 구글의 이메일 계정을 가진 기업용 에이전트처럼 외부 메일을 직접 읽는 AI가 늘수록 이 위험이 커집니다. 지금 기술로는 완벽히 막기 어려워서, 아예 피해 범위를 줄이는 쪽(접근 권한 제한, 중요한 실행 전 사람 승인)을 함께 씁니다. 외부 문서에 적힌 말을 사용자의 지시로 취급하지 않는 것이 기본 원칙입니다.

관계로 확인하기
  • 프롬프트 인젝션 → 악성 지시의 입력 경로로 삼는다 → 외부 문서·웹사이트
    적용 범위: 간접 프롬프트 인젝션의 경우 · 프롬프트 인젝션 — OWASP
  • 데이터·도구 접근 권한 → 피해 범위를 줄이는 통제다 → 프롬프트 인젝션
    적용 범위: 최소 권한과 고위험 작업의 사람 승인. 공격 자체를 없애지는 못함 · 프롬프트 인젝션 — OWASP
프롬프트 인젝션 — OWASP ↗
데이터·도구 접근 권한
역할과 의미

AI 시스템이 읽을 수 있는 데이터와 쓸 수 있는 도구의 범위를 정하는 것입니다. 일에 꼭 필요한 만큼만 권한을 주는 '최소 권한'이 원칙입니다. 예를 들어 일정을 정리하는 에이전트에게는 달력 읽기 권한만 주고, 메일 발송이나 결제 권한은 주지 않거나 사람 승인을 거치게 합니다.

데이터·도구 접근 권한의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

프롬프트 인젝션을 완벽히 막을 수 없으니, 뚫리더라도 할 수 있는 일이 적게 만드는 것이 현실적인 방어입니다. 읽기와 쓰기 권한을 나누고, 되돌릴 수 없는 작업은 승인을 받게 하고, AI가 한 일을 기록으로 남깁니다. 지도의 애플 AI 에이전트 데이터 접근 제한이 이 칸의 사례이고, 이번 주 조사에서 기업들이 에이전트 운영의 걸림돌로 꼽은 '통제력 부족'도 결국 권한을 얼마나 믿고 맡길 수 있느냐의 문제입니다. AI가 대화 중에 스스로 권한을 늘릴 수는 없고, 실제 시스템의 접근 제어로 막습니다.

관계로 확인하기
  • 데이터·도구 접근 권한 → 피해 범위를 줄이는 통제다 → 프롬프트 인젝션
    적용 범위: 최소 권한과 고위험 작업의 사람 승인. 공격 자체를 없애지는 못함 · 프롬프트 인젝션 — OWASP
프롬프트 인젝션 — OWASP ↗

개념 사이의 연결

외부 문서 · 입력 (악성 지시가 섞일 수 있음) → 신뢰·권한 경계 (사용자 지시와 구분) → 허용된 도구 실행 (데이터 접근·결과 확인)

개념 사이의 관계와 사례

  • 프롬프트 인젝션 → 악성 지시의 입력 경로로 삼는다 → 외부 문서·웹사이트
    적용 범위: 간접 프롬프트 인젝션의 경우 · 근거 S004
  • 데이터·도구 접근 권한 → 피해 범위를 줄이는 통제다 → 프롬프트 인젝션
    적용 범위: 최소 권한과 고위험 작업의 사람 승인. 공격 자체를 없애지는 못함 · 근거 S004

다른 대분류와의 연결

보안은 에이전트의 도구 사용과 업무 도입에 연결되며, 안전·위험관리와 일부 겹칩니다.

⑥ 시장·산업 동향

기업 경쟁과 투자, 공급망·정책을 모델 성능과 별도로 읽습니다. 기업의 발표나 전망을 실제 도입 성과와 구분하고 시점을 확인합니다.

이 분야에서 묻는 질문

새 모델 출시와 실제 산업 성과는 어떻게 나눠 읽을까?

핵심 개념

개념 제목을 누르면 설명을 펼치거나 접을 수 있습니다.

모델·서비스·인프라
역할과 의미

AI 산업을 세 층으로 나눠 보는 틀입니다. 맨 아래 인프라(칩·데이터센터·클라우드)는 엔비디아·클라우드 회사들이, 가운데 모델(GPT·클로드·제미나이 같은 AI 두뇌)은 오픈AI·앤트로픽·구글·메타 같은 회사가, 맨 위 서비스(챗봇·업무 도구·검색)는 모델을 가져다 사용자에게 파는 회사들이 맡습니다. 한 회사가 여러 층을 함께 하기도 합니다.

모델·서비스·인프라의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

돈은 위에서 아래로 흐릅니다. 사용자가 서비스에 돈을 내면 모델 회사가 매출을 올리고, 그 돈과 투자금으로 인프라(GPU·데이터센터)를 삽니다. 그래서 위층의 기대가 꺾이면 아래층까지 흔들립니다. 이번 주 오픈AI의 매출이 기대보다 200억 달러 낮다는 소식에 엔비디아 등 AI 반도체 주가가 함께 떨어진 것이 이 연결을 보여 줍니다. 메타의 첫 프런티어 모델, 오픈AI의 생명과학 전용 모델 같은 출시 소식은 모델 층의 경쟁이고, 출시가 곧 매출이나 실제 이용을 뜻하지는 않습니다.

AI·학습·생성형 AI — IBM ↗
소버린 AI
역할과 의미

AI를 남의 나라 회사에 전부 기대지 않고, 자기 나라의 데이터·모델·인프라로 직접 갖추려는 흐름입니다. AI가 산업·국방·행정의 기반이 되면서, 핵심을 외국 기업이 쥐고 있으면 데이터가 밖으로 나가거나 서비스가 끊길 수 있다는 걱정에서 나왔습니다. 한국의 독자 AI 파운데이션 모델(독파모) 사업, 네이버·LG의 자체 모델이 이 흐름에 있습니다.

소버린 AI의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

'소버린 AI'라는 말은 쓰는 사람마다 범위가 다릅니다. 모델만 국산인지, 학습 데이터와 데이터센터까지 국내인지, 칩까지 자립했는지를 나눠 봐야 합니다. 대부분은 모델과 데이터센터는 국내에 두되 GPU는 엔비디아 것을 쓰는 형태라, 지도 ⑥의 K-AI칩 딜레마(독자 칩이냐 엔비디아냐)와 이어집니다. 이번 주 SKT의 풀스택 AI 전략도 이 맥락에서 읽을 수 있습니다. 이 카드의 관계 근거는 판매사 블로그라 '검토 필요'로 표시돼 있습니다.

관계로 확인하기
  • 소버린 AI → 국가 기반으로 확보하려 한다 → 데이터센터
    적용 범위: 기업 블로그 설명 범위. 자립의 대상과 범위는 나라·사업마다 다름. 근거가 기업 블로그 부제 한 줄뿐이라 검토 필요 · 국가별 AI 전략 — NVIDIA 블로그
  • 소버린 AI → 국가 기반으로 확보하려 한다 → 학습 데이터
    적용 범위: 기업 블로그 설명 범위. 자립의 대상과 범위는 나라·사업마다 다름. 근거가 기업 블로그 부제 한 줄뿐이라 검토 필요 · 국가별 AI 전략 — NVIDIA 블로그
AI 위험관리 체계 — NIST ↗

개념 사이의 연결

모델 개발 (기술·평가) → 서비스 제공 (사용자·업무 적용) → 인프라·운영 (연산·비용·책임)

개념 사이의 관계와 사례

  • 소버린 AI → 국가 기반으로 확보하려 한다 → 데이터센터
    적용 범위: 기업 블로그 설명 범위. 자립의 대상과 범위는 나라·사업마다 다름. 근거가 기업 블로그 부제 한 줄뿐이라 검토 필요 · 근거 S005
  • 소버린 AI → 국가 기반으로 확보하려 한다 → 학습 데이터
    적용 범위: 기업 블로그 설명 범위. 자립의 대상과 범위는 나라·사업마다 다름. 근거가 기업 블로그 부제 한 줄뿐이라 검토 필요 · 근거 S005

다른 대분류와의 연결

시장·정책은 기술·도입·인프라 선택을 둘러싼 환경입니다. 전망과 확인된 실적은 구별해 읽습니다.

⑦ AI 안전·통제·규제

AI의 오류나 오용, 의도하지 않은 동작과 영향을 평가하고 관리하는 영역입니다. 보안만으로 모든 위험을 설명하지 않으며, 보안도 안전 체계와 연결됩니다.

이 분야에서 묻는 질문

AI를 어디까지 사용하고 어떤 조건에서 중단·수정해야 할까?

핵심 개념

개념 제목을 누르면 설명을 펼치거나 접을 수 있습니다.

AI 위험관리
역할과 의미

AI를 쓰기 전과 쓰는 동안, 무엇이 잘못될 수 있는지 미리 찾고 재고 대비하는 활동입니다. 미국 국립표준기술연구소(NIST)의 AI 위험관리 체계는 이를 네 가지로 정리합니다. 책임과 규칙을 정하고(Govern), 어디에 어떻게 쓰는지와 생길 수 있는 피해를 그려 보고(Map), 실제로 얼마나 위험한지 재고(Measure), 줄이거나 받아들일지 정해 관리합니다(Manage).

AI 위험관리의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

같은 AI라도 영화 추천에 쓸 때와 채용·대출 심사에 쓸 때 위험의 크기가 다릅니다. 그래서 위험관리는 'AI가 안전한가'가 아니라 '이 용도에서 무엇이 얼마나 위험한가'를 묻습니다. 유럽연합의 AI 법도 용도에 따라 금지·고위험·일반으로 나눠 다르게 규제합니다. 지도 ⑦의 AI 위험성·통제불가 AI 봉인 기사는 위험이 실제로 드러난 사례이고, 이번 주 허위 제보 논란도 같은 칸에 들어왔습니다. 출시 전 평가 한 번으로 운영 중 위험까지 다 확인했다고 보지 않습니다.

관계로 확인하기
  • AI 위험관리 → 참고 체계로 사용한다 → AI RMF
    적용 범위: 자발적 사용 체계. 법적 의무가 아님 · AI 위험관리 체계 — NIST
AI 위험관리 체계 — NIST ↗
안전·통제·거버넌스
역할과 의미

AI가 해도 되는 일과 하면 안 되는 일을 정하고, 실제로 그 선을 지키는지 감독하며, 문제가 생기면 멈추고 책임을 묻는 체계입니다. 회사 안에서는 사용 규칙·승인 절차·감시 장치로, 회사 밖에서는 법과 규제, 나라 사이의 약속으로 나타납니다.

안전·통제·거버넌스의 구조와 연결을 보여주는 개념도
구조와 연결을 이해하기 위한 개념도입니다. 실제 제품의 치수·성능이나 필수 공정 순서를 재현하지 않습니다.
지도에서 연결해 읽기

지도 ⑦은 세 갈래로 읽힙니다. AI가 통제를 벗어난 사례(격리 환경 이탈, 시키지 않은 해킹 시도, 이번 주 허위 제보 논란), 개발 속도를 늦추자는 목소리, 그리고 규제 당국의 움직임(EU 조사, 미국 의회, 미·중 협의체)입니다. 이번 주 AI 에이전트 운영 실태 조사에서 기업들이 '통제력 부족'을 가장 큰 걸림돌로 꼽은 것처럼, 거버넌스는 규제 이야기이기 전에 도입을 막는 현실적인 문제이기도 합니다. 특정 법의 의무를 설명할 때는 어느 나라, 어느 시점의 법인지 공식 법령으로 따로 확인합니다.

AI 위험관리 체계 — NIST ↗

개념 사이의 연결

사용 목적·영향 파악 (맥락과 대상) → 위험 측정·평가 (오류·오용·공격) → 관리·책임·대응 (운영 중 반복 점검)

개념 사이의 관계와 사례

  • AI 위험관리 → 참고 체계로 사용한다 → AI RMF
    적용 범위: 자발적 사용 체계. 법적 의무가 아님 · 근거 S003

다른 대분류와의 연결

안전과 보안은 배타적인 분류가 아닙니다. 도입·권한·평가·운영의 여러 지점에서 함께 적용됩니다.