제5강은 COMP5511의 중요한 전환점입니다. 우리는 고전 컴퓨팅의 결정론적 논리와 초기 분류 모델의 지도학습 기반 확신에서 벗어나 생성형 AI의 확률적 핵심으로 이동합니다. 이번 세션에서는 현대 AI 모델이 '사실'을 출력하는 것이 아니라 확률 분포를 출력하는 이유를 탐구하며, LLM이 시를 쓰고 확산 모델이 노이즈에서 그림을 그려내는 메커니즘을 밝혀냅니다.

1. 패러다임의 전환: 논리에서 확률로

• IF-THEN을 넘어서: 경직된 규칙에서 유연한 통계적 가능성으로의 전환.
• 확신의 종말: GenAI 결과가 왜 비결정적 으로 설계되었는지 이해하기.
• 도구로서의 확률: 'GenAI 시대'가 불확실성을 창의성을 위한 기능 으로 보고, 고쳐야 할 버그가 아니라 활용하는 방법.

2. 창작의 확률적 엔진

생성형 AI는 고차원 확률 공간에서의 샘플링에 의존합니다. 텍스트든 이미지든 생성할 때, 모델은 불확실성을 탐색하며 새로운 결과물을 만들어냅니다:

• 대규모 언어 모델(LLM): 다음 토큰을 단일 선택이 아닌 가능성의 분포로 예측합니다.
• 확산 모델(Diffusion Models): 혼돈의 가우시안 노이즈로 예측합니다.
• 샘플링 과정: 반복적이고 '기계적인' 출력을 방지하기 위해 무작위성을 활용하는 방법.

3. 예측 불가능한 세계 속 에이전트

자율 에이전트는 모든 행동에 알 수 없는 위험과 보상이 따르는 "열린 세계"를 탐색해야 합니다.