인공지능과 머신러닝에서 모델은 대량의 데이터로 학습되어 그 데이터 안의 패턴, 관계, 구조를 익히고, 이후 학습한 패턴을 새로운 입력에 대한 응답으로 출력을 산출하는 데 적용할 수 있는 계산 시스템을 의미합니다. AI 모델은 가장 근본적인 의미에서 함수입니다. 즉, 텍스트 프롬프트, 이미지, 단어 시퀀스, 매개변수 집합 등의 입력을 받아 생성된 이미지, 텍스트 응답, 비디오 클립, 분류 등의 출력을 산출하는데, 이는 학습 중에 발전시킨 세계에 대한 내부 표현을 적용함으로써 이루어집니다. 이 용어는 가장 넓은 개념 수준에서 모든 학습된 AI 시스템을 묘사하는 데도 사용되고, 특정 제품 수준에서 개별 명명된 모델(GPT-4, Stable Diffusion, Flux, Kling, Claude)이 특정 아키텍처, 학습 데이터, 기능을 가진 특정 학습된 시스템을 지칭하는 데도 사용됩니다.

학습 과정은 모델을 전통적인 프로그램과 구별하는 요소입니다. 일반적인 프로그램은 프로그래머가 작성한 명시적 규칙을 따르는 반면, 모델은 학습 중에 방대한 양의 예제 노출을 통해 자체 내부 표현을 발전시킵니다. 이 과정에서 모델의 매개변수(종종 수십억 개의 수치값)는 학습 데이터에서 모델의 출력과 정답 출력 사이의 차이를 최소화하도록 반복적으로 조정됩니다. 학습 후 이러한 매개변수는 고정되어, 학습 분포의 패턴에 대한 학습된 표현을 인코딩합니다. 모델이 추론 시점에 새로운 입력을 받으면, 이러한 학습된 매개변수를 적용하여 학습 중에 마주친 패턴을 반영하는 출력을 산출합니다. 이것이 언어 모델이 유창한 텍스트를 생성하고, 이미지 모델이 사실적인 이미지를 산출하고, 비디오 모델이 일관된 동작을 생성할 수 있는 이유입니다. 언어, 이미지, 동작에 대한 규칙으로 프로그래밍되었기 때문이 아니라, 막대한 양의 예제로부터 통계적 규칙성을 학습했기 때문입니다.

AI 생성 도구 사용자에게 모델은 기능의 근본 단위입니다. 서로 다른 모델은 서로 다른 강점, 약점, 시각 스타일, 학습 데이터, 행동 경향을 가집니다. 작업에 적합한 모델을 선택하는 것은 효과적인 프롬프트를 작성하는 것만큼 중요합니다. 이미지 생성 모델은 사실적 출력, 스타일화된 미학, 건축 시각화, 또는 인물 일관성에 특화될 수 있습니다. 비디오 생성 모델은 동작 처리, 시간적 일관성, 해상도, 프롬프트 준수에 있어 다양합니다. 언어 모델은 추론 능력, 지식, 지시 따르기, 출력 스타일에 있어 차이가 있습니다. 모델이 무엇이든 할 수 있는 범용 지능이 아니라 특정 특성을 가진 특정 학습된 산물이라는 점을 이해하는 것은 AI 생성 도구를 효과적으로 사용하는 데 기초가 됩니다. Morphic과 같은 플랫폼 안에서 서로 다른 모델 옵션은 생성에 대한 서로 다른 접근 방식을 제공하며, 적절한 모델을 선택하는 것은 창작자가 내리는 첫 번째이자 가장 결과적인 매개변수 선택입니다.