AI 영화 용어집: 초보자를 위한 24개 용어

AI에 관한 영화 글에는 빌려온 기술 용어가 가득하고, 종종 느슨하게 쓰인다. 이 용어집은 AI 영화와 AI가 만든 영상에 관한 글에서 만나게 될 용어를, 대략 하나의 생성 숏이 만들어지는 순서로 정의한다. 정의는 의도적으로 평이하며, 각 항목은 화면에서 중요한 부분으로 끝난다.

모델과 학습 방식

모델 (model)

모델은 입력 — 프롬프트, 이미지, 프레임 — 을 생성된 숏, 레이블, 다음 단어 같은 출력으로 바꾸는 시스템이다. 영화 글에서 “모델”은 보통 그 안의 한 구성요소가 아니라 생성 도구 전체를 뜻한다.

매개변수와 가중치 (parameters and weights)

모델 내부의 학습된 숫자들. 학습은 이를 조정하고, 추론은 바꾸지 않고 사용한다. 모델이 “크다”고 할 때 보통 매개변수 수를 말한다.

학습 (training)

데이터에 대해 모델의 가중치를 조정하는 과정. 보통 출력을 목표와 비교하고 오차를 줄이도록 가중치를 밀어낸다. 학습은 비싸고 대개 도구를 만지기 전에 끝난다.

추론 (inference)

학습된 모델을 실행해 출력을 얻는 것. 생성이 곧 추론이다: 학습은 일어나지 않고 모델의 지식은 학습이 끝난 시점에 얼어 있다.

프롬프트 (prompt)

생성을 조건화하는 지시 텍스트, 때로는 이미지. 프롬프트는 출력을 조종하지만 코드는 아니다. 동일한 프롬프트도 모델과 버전에 따라 다른 결과를 낼 수 있다.

토큰 (token)

모델이 처리하는 텍스트 단위로, 보통 단어나 단어의 일부. 컨텍스트 한도와 비용이 토큰으로 측정되므로 토큰 수가 중요하다.

멀티모달 모델 (multimodal model)

텍스트와 이미지 또는 오디오처럼 한 가지 이상의 입력이나 출력을 다루는 모델. 현재 영상 도구 대부분은 적어도 이 의미에서 멀티모달이다.

생성된 숏이 만들어지는 방식

잠재 공간 (latent space)

이미지나 영상의 압축된 수치 표현. 모델은 원시 픽셀보다 작고 매끄러우며 가까운 점들이 비슷하게 보이는 경향이 있어 이 공간에서 작업한다. “잠재 산책(latent walk)”은 점 사이를 이동해 점진적 변화를 만드는 것을 뜻한다.

변분 오토인코더 (VAE)

이미지를 잠재 표현으로 압축하고 다시 복원하는 한 쌍의 네트워크. 많은 이미지 도구에서 VAE는 잠재 결과를 픽셀로 디코딩하는 부분이다.

확산 모델 (diffusion model)

점진적 노이즈 추가 과정을 역으로 되돌리도록 학습된 생성 모델: 이미지나 클립이 나타날 때까지 단계적으로 노이즈를 제거하는 법을 배운다. 이 접근은 denoising diffusion probabilistic models를 소개한 논문에서 제시되었다.

샘플링 단계 (sampling steps)

모델이 수행하는 노이즈 제거 단계 수. 단계가 많으면 세부가 늘 수 있지만 시간도 늘고 더 나은 결과를 보장하지는 않는다.

시드 (seed)

노이즈를 시작하는 난수. 같은 모델, 설정, 소프트웨어로 시드를 재사용하면 이미지를 거의 재현할 수 있다. 모델 버전이나 플랫폼이 바뀌면 결과가 흐트러질 수 있다.

가이던스 스케일 (guidance scale)

모델이 프롬프트를 얼마나 강하게 따를지 제어하는 설정으로, 흔히 classifier-free guidance로 구현된다. 낮은 값은 더 느슨하고 놀라운 출력을, 매우 높은 값은 쉽게 깨지거나 과도하게 포화된 결과를 낸다.

체크포인트 (checkpoint)

모델 가중치를 저장한 파일로, 보통 특정 모델을 실행하는 데 필요한 구성요소를 함께 묶는다. 같은 계열의 다른 체크포인트는 생김새와 동작이 꽤 다를 수 있다.

LoRA

Low-Rank Adaptation의 약자: 얼어붙은 기본 모델에 추가하는 작은 학습 가능 행렬 집합. 전체 파인튜닝보다 훨씬 적은 학습 매개변수로 스타일, 캐릭터, 개념을 가르친다.

파인튜닝 (fine-tuning)

사전 학습된 모델을 새 데이터로 추가 학습하는 것. LoRA는 그 효율적인 방법 하나이며, “파인튜닝”은 어떤 적응에도 느슨하게 쓰인다.

ControlNet

포즈, 깊이 맵, 에지 이미지 같은 공간 정보로 확산 모델을 조건화하는 애드온. 출력이 구조를 스스로 발명하지 않고 특정 구조를 따르게 한다.

인페인팅과 아웃페인팅 (inpainting and outpainting)

이미지의 일부를 채우거나 바꾸는 것(인페인팅), 또는 원래 프레임 밖으로 확장하는 것(아웃페인팅). 둘 다 숏 정리와 세트 확장에서 흔하다.

움직임 만들기

프레임 보간 (frame interpolation)

기존 프레임 사이에 새 프레임을 합성해 프레임 레이트를 높이거나 푸티지를 느리게 만드는 것. 오래된 도구는 광류를, 최신 도구는 학습된 모델을 쓴다. 보간은 움직임을 매끄럽게 할 수 있지만 촬영된 적 없는 것을 복원하지는 못한다.

시간적 일관성 (temporal consistency)

시퀀스가 프레임에서 프레임으로 얼마나 일관되게 유지되는가: 얼굴, 의상, 조명, 물리. 시간적 일관성이 나쁘면 깜빡임, 변형, 숏 사이에서 바뀌는 물체로 나타난다.

결과와 증거

환각 (hallucination)

그럴듯하지만 거짓인 출력: 허공에서 나타나는 물체, 손가락이 너무 많은 손, 거의 무언가를 철자하는 텍스트. 이 용어는 단일 원인이 있는 기술적 결함이 아니라 자신감 넘치는 무의미를 묘사한다.

딥페이크 (deepfake)

보통 사람의 얼굴이나 목소리를 딥러닝으로 만든 합성 또는 조작 영상·오디오. 설득력 있는 가짜 전반에 느슨하게 쓰이지만, 유용한 정의는 특정 기법과 특정 피해를 지목한다.

AI 업스케일링 (AI upscaling)

학습된 모델로 해상도를 높이는 것. 실제 세부를 선명하게 할 수 있지만 원본에 없던 세부를 발명할 수도 있어 복원 윤리가 이 점을 중요하게 본다.

C2PA와 Content Credentials

C2PA는 디지털 콘텐츠의 출처와 편집 이력을 기록하는 공개 기술 표준이다. Content Credentials는 그 메타데이터의 소비자용 이름이다. 그것은 출처에 대한 서명된 주장이지 내용이 사실이라는 증거는 아니다.

이 어휘가 중요한 이유

이 용어들은 중립적이지 않다. 어떤 숏이 “AI로 만들어졌다”고 말하는 리뷰는 거의 아무것도 알려 주지 않는다: 수작업 애니메이션, 확산 모델, 딥페이크가 모두 그 표현에 들어간다. 파이프라인을 알면 더 날카로운 질문을 할 수 있다 — 어떤 모델을, 무엇으로 학습해, 누가 실행하고, 어떻게 편집했는가. 그 질문들이 모호한 반응을 비평으로 바꾼다.

더 큰 질문을 던지는 영화들을 관통하는 관람 경로는 AI를 다룬 영화 관람 가이드에서 시작하라. 합성 푸티지를 확인하는 실무는 AI가 만든 영상을 알아보는 방법을 보라. 어휘가 아니라 제작 역학을 원한다면 AI 영상 모델은 어떻게 작동할까를 읽어라.