[런치포럼] 인공지능 시대, 인간을 다시 묻다 -김재인 박사

[인공지능 시대, 인간을 다시 묻다.]

김재인(서울대학교, 철학)

동영상을 보시려면 아래 링크 클릭해주세요^^

http://www.yonsei.ac.kr/ocx/movie_invite.jsp?mode=view&mv_seq=20180516170232603000

 

  • 인공지능이란 단어는 대략 1940년대쯤 출현했고, 이러한 단어를 만든 사람은 수학자 튜링임.
  • 3년 전쯤 튜링이라는 인물을 주인공으로 한 “이미테이션 게임(Imitation Game)”이라는 영화가 나왔었음.
  • 해당 영화는 1940년대 제 2차 세계대전을 배경으로 하고 있는데, 나치 독일의 암호를 푸는 전략인 “이미테이션 게임(Imitation Game)” 속에서 인공지능과 비슷한 아이디어가 처음 명시됨.
  • 이러한 아이디어가 1950년대 “제 3세계와 지능”이라는 논문으로 이어지게 됨.
  • 인공지능에 대한 담론들이 굉장히 많은데, 이 중 대다수는 사실에 근거한 것이라기 보다는 상상에 근거한 것들이 많다고 생각.
  • 이러한 것들에 대해서 정확하게 설명하는 게 오늘 발표의 핵심이라고 생각
  • 이를 위해서 현재 개발 중인 인공지능의 실체에 대해서 이해할 필요가 있음.
  • Stuart Russell과 Peter Norvig의 “Artificial Intelligence : A Modern Approach(3rd)”이라는 교과서가 있음.
  • 첫 판은 1996도에 나왔고, 크게 두 번의 개정을 통해 2010년 3판이 나와있음.
  • 인공지능에 관한 기본적인 것들이 모두 포함되어 있으며, 현재 인공지능 대가라고 불리는 많은 사람들이 이 책을 근간으로 공부했다고 보면 됨.
  • “A Modern Approach”라는 부제에 대해 집중할 것.
  • 이 책이 나오기 전까지는 굉장히 오래된 방식으로 인공지능에 접근했다면, 이 책을 통해 새롭고, 보다 진화된 방식으로 접근하게 됨. 일종의 분기점 역할을 한 책이라고 볼 수 있음.
  • 이전의 접근방식과의 큰 차이점은 “인공지능을 만드는 방식”이라고 볼 수 있음.
  • 튜링 시대의 경우 “인간형 AI(Human like AI)”의 유형이었음. 예를 들어 “이미테이션 게임” 등과 같이, 인간과 닮은 인공지능을 만드는 것이 목적이었음.
  • 반면, “Modern approach”이후에는 “비인간 AI(Non-Human AI)” 유형이 나타남. 즉, 인간과 전혀 상관없는 인공지능 개발이 주를 이루게 되었음.
  • 그렇다면 왜 인공지능이라는 말을 붙이는가?
  • “사람이 머리를 써서 하는 일을 대신 해주는 것”이라고 이해할 수 있음.
  • “사람형 AI”의 경우 집안일, 길찾기, 바둑두기 등 모든 것을 잘 할 수 있는 반면, “비인간형 AI”의 경우 단 한 가지 일에 특화되어 있음.
  • 이러한 “인간형 AI”를 “일반 지능, 혹은 범용지능(General Intelligence)”이라고 부를 수 있음.
  • 머리는 쓰는 모든 일들을 통합해서 다 할 수 있다는 특징을 가짐.
  • 현대적 접근의 “비 인간형 AI”는 “특화 지능(Narrow Intelligence)”라고 부르며, 하나의 분야에 특화되어 있다는 특징을 가짐.
  • 오늘 날, 인간을 닮은 AI를 만들려는 기업들은 실제로 거의 존재하지 않음. 대부분은 현대적 개념의 “비인간적 AI”를 만들고자 함.
  • 인공지능과 관련된 기술들은 빅데이터를 통해 컴퓨팅 파워가 향상되면서 2000년대 후반이 되어서야 실제로 구현됨.
  • 이러한 내용을 담은 것이 워싱턴 대학에서 2015년 발간한 “The masters Algorithm”이라는 책임.
  • 이 책에는 알파고를 만든 “Deep Mind”사의 인공지능 개발 과정에 대한 이야기가 나옴.
  • 위 두 권의 책을 통해 우리는 현대적 개념의 인공지능에 대해 개략적으로 파악해볼 수 있음.
  • 인공지능 공학의 논리적 바탕에는 순서도, 알고리듬, 프로그래밍, 기계학습 등이 있음.
  • 순서도는 알고리즘의 핵심임. 순서도 안에는 문제가 있고 답이 있음.
  • 문제에서 나온 다양한 경로들을 따져 볼 수 있으며, 문제에서 시작해서 해결에 이르는 과정들을 그리고 있음.
  • 사람이 일일이 따져서 모든 경우의 수와 경로를 알아낼 수 있고, 컴퓨터에 맞춰서도 이러한 순서도를 짤 수 있으며, 그것을 바로 프로그램, 소프트웨어, 알고리즘이라고 함.
  • 컴퓨터 프로그램이라던지, 순서도를 포괄한 개념이 알고리즘이며, 꼭 컴퓨터에만 해당하는 것은 아니고 사람도 포함될 수 있음.
  • 수행할 일을 순서대로 알려주는 명령어의 집합 이라고 할 수 있고, 매우 정교한 추론 과정도 논리 연산 기본 동작들의 횟수를 늘리면 수행 가능함.
  • 알고리즘의 핵심은 논리.
  • 프로그래밍을 짜는 행위를 프로그래밍, 또는 코딩이라고 함.
  • 최근 인공지능 개발에서 가장 중요한 키워드는 “기계학습”임.
  • 유념할 부분은 인공지능을 만드는 두 가지 방법이 존재하는데, 하나는 기계학습이고, 하나는 프로그래밍.
  • 코드를 각각 짜서 어떤 일을 수행하게끔 하는 것이 바로 프로그래밍으로 예를 들면, 쿠쿠나 크롬 등이 있을 수 있음.
  • 해당 명령을 넣어 알고리즘을 넣은 후 결과값이 나오도록 프로그래밍 하는 것임.
  • 그러나 이보다 더 복잡하고, 데이터가 많은 경우 프로그래밍만으로 처리할 수 없는 일이 있음.
  • 예를 들어 네비게이션 같은 경우, 계속해서 새로운 정보를 처리해야 되며, 예측할 수 없고, 대량의 데이터가 존재함. 또한 코드를 가지고 문제를 예측해서 처리할 수 없기 때문에 기계학습을 사용해야 함.
  • 기계학습을 단순화시켜 말하자면 프로그램을 시켜서 프로그램을 만드는 것, 혹은 알고리즘을 통해서 알고리즘을 만드는 것이라고 할 수 있음.
  • 프로그래밍을 통해 우리가 얻고자 하는 것은 해당 문제의 해결이고, 모든 것이 사용자 입력을 통해 출력을 이끌어내는 과정이므로 결정론적인 특성을 가짐.
  • 결정론적이라는 말은 시키는 일을 반드시 수행해야 한다는 의미임.
  • 기계학습 역시도 결정론 적임. 대부분의 사람들이 학습이라는 단어가 들어가서 기계학습이 자율성을 가지고 있을 것이라는 오해를 많이 함.
  • 그러나 기계학습을 통한 인공지능이 사람처럼 기분에 따라서 일을 하지 않고 이런 상황이 발생하지 않음.
  • 이 역시 사용자가 입력해 놓은 일을 정확히 해내는 것이 목적, 그러나 프로그래밍과 다른 점은 기계학습은 프로그램을 개발자가 짜지 않고 프로그램이 짬.
  • 기계학습을 개발하는 사람들 중 상위 개발자들 상위01%에 포함됨.
  • 이 외 개발자들은 상위 개발자들이 만들어낸 프로그램을 가지고 기계학습을 시켜 또다른 자신들만의 프로그램을 만들어 자신들의 이익에 맞춰 사용.
  • 하위 개발자들을 많이 확보하기 위해서 기계학습 프로그램은 모두 공개되어 있음.
  • 예를 들어 구글의 텐서플로우, 페이스북의 FBL Learner 등이 있음.
  • 인터넷에서 다운 받아서 데이터를 학습시킨 후, 하위개발자들이 사용할 수 있음.
  • 기계학습의 원리
  • 우리가 이미 값을 알고 있는 데이터 쌍을 활용해서 함수(f(x))를 구하는 것이 관건임.
  • 예를 들어 고양이 사진을 함수에 넣었을 때, 고양이라는 답이 나왔을 경우, 입력데이터(Input)는 고양이 사진, 출력 결과값(Output)은 고양이 라고 할 수 있음.
  • 인공지능을 만들 때, 입력 데이터와 출력 결과값 사이에 나타나는 연관관계, 패턴, 함수 등을 찾아내는 것이 중요함.
  • 이러한 것은 기업의 매출 증가를 위해 추천 시스템에 자주 쓰임.
  • 가령, 책 구매 사이트의 경우 과거에는 해당 책을 읽은 사람들이 다음 읽을 책을 추천했지만, 지금은 책의 종류, 권수가 너무 많아져서 사람이 직접 한다는 것은 불가능함.
  • 따라서 아마존, 넥플릭스 같은 사이트에서는 인공지능을 활용함.
  • 구매자료를 학습데이터로 설정한 후, 함수 즉, 구매 패턴을 찾아 소비자들에게 새로운 제품 혹은 상품을 추천함.
  • 넥플릭스 영상 추천, 구글에서는 개인별로 맞춤형 검색어 제시. 우버에서는 운전자 배정 방식 등에서 사용되는 것이 바로 추천 시스템 방식을 응용한 것.
  • 그렇다면 이러한 프로그램을 어떻게 짜느냐의 문제로 들어가면 딥러닝, 뉴런네트워크 등의 용어들이 있지만, 이는 비유라고 볼 수 있음.
  • 인간의 신경망 작동방식과 실제로는 동일하지 않고, 기계가 학습을 하지도 않으며, 기계는 패턴값을 찾는 것 뿐임.
  • 확률적인 계산을 통해 입력데이터와 출력 결과값이 일치하는 패턴값을 찾는 것 뿐.
  • 입력데이터와 출력 결과값이 굉장히 잘 맞아 떨어졌을 경우, 학습과정을 중지시키고, 확정 시킴.
  • 확보된 데이터 쌍 중에서 70-80% 가량을 기계학습에 사용하고, 나머지 20-30%를 검증에 활용하게 됨.
  • 검증과정 진행 시, 혹시라도 학습이 잘못돼서 맞아떨어지지 않으면 다시 처음으로 되돌아가서 모든 과정을 다시 진행하게 됨.
  • 숫자들이 계속 바뀌어가고, 코드들이 바뀌기 때문에 사람은 그러한 프로세스가 어떻게 돌아가는지 알 수 없음.
  • 물론 개발자들은 알 수도 있겠지만, 그들에게도 역시 너무 복잡하고 어려움.
  • 인공지능을 만드는데는 두가지 방식이 있음.
  • 개발자가 직접 프로그래밍한 프로그램을 통해서 결과값을 출력하는 것과 기계학습 프로그램의 프로그래밍을 통해 만든 프로그램으로 결과값을 출력하는 것.
  • 기계학습을 통한 인공지능은 알파고 등이 있을 수 있는데, 이들은 대부분 결정론적 성향을 가지고 있음.
  • 만약 이게 결정론적 프로그램이 아니면 자율주행과 같은 과제를 수행할 수 없음.
  • 가장 높은 확률을 가진 좋은 방향으로 선택하게끔 하는 것이 중요하기 때문에 결정론적 특징을 가지지 않았다면, 그런 과제 수행이 불가능 해짐.
  • 기계학습의 학습 과정은 아래의 세 단계를 거침.
  • 인간은 ‘기계학습 프로그램’을 프로그래밍함.
  • 그 프로그램을 학습시킨 후, (이 때 학습과정에는 학습이 잘 진행되도록 인간이 간섭하는데, 이를 지도학습이라고 함.)
  • ‘학습을 마친 프로그램’을 최종적으로 이용하게 됨. ‘학습을 마친 프로그램’은 결정론적으로 작동하게 됨.
  • 알파고는 지도학습 방식이 아님. 강화학습 방식을 따라감.
  • 이것의 특징은 게임을 한다는 점.
  • 가령 바둑이라는 게임을 진행할 때, 알파고 입장에서 바둑은 규칙이 매우 단순한 게임이라고 인식함.
  • 규칙이 정해져있다는 의미는 어쨌든, 계산가능한 영역이라는 의미이며, 높은 확률의 수들이 있다는 의미임.
  • 이럴 경우, 인간과 알파고의 대결은 너무나 당연하게 알파고의 승리로 넘어가는 것.
  • 중요한 것은, 이세돌이 만약에 신체적으로 건강했을 때, 알파고가 한 만큼의 연습판을 해볼 수 있었다면, 그때 이세돌과 알파고와의 능력차이를 알아보는 것이 매우 흥미로웠을 것.
  • ‘알파고는 스스로 진화했다(?)’ 이런 것은 불가능.
  • 그저 자신에게 입력된 결정론적인 흐름에 따라 가장 좋은 수를 선택했을 뿐.
  • 만약, 이세돌 같은 경우 새로운 규칙으로 세워진 또 따른 판을 시작했을 경우, 몇판 둬보고 나면 해당 규칙에 금세 적응 할 것.
  • 그러나 알파고는 그러한 규칙이 입력되어 있지 않기 때문에 해당 게임에 적응하지 못할 것임..
  • 즉, 한가지 일을 정해진 규칙에 따라서 잘 풀어내는 것을 매우 잘 하는 것이 알파고의 특징.
  • 규칙이 입력된 해당 과제(Task)에 있어서, 알파고는 인간보다 몇 천 배는 더 뛰어난 것이 사실임. 그러나, 딱 해당 과제에 해당해서, 라고 제한 지을 수 있음.
  • 인공지능을 세가지 유형으로 나눠 볼 수 있음.
  • 학자들은 인공지능을 크게 두가지로 분류하고 있음.
  • 약인공지능(Artificial narrow intelligence)와 강인공지능(Artificial general intelligence)
  • 약인공지능은 한 가지 특화된 과제를 인간보다 더 잘 해내는 비인간(Non-Human AI)이며, 현재 경제적, 기술적으로 개발되고 있는 거의 모든 AI라고 할 수 있음.
  • 강인공지능은 튜링 검사를 통과하는 수준의 AI를 의미하며, 인간을 닮은(Human-like) AI임.
  • 여러 약 인공지능을 통합할 수 있다는 특징을 가지고 있으며, 이것이 바로 강인공지능의 핵심임.
  • 이러한 관점에서 강인공지능은 인간하고 하는 일의 범주가 매우 비슷하다고 볼 수 있음.
  • 여기에 추가된 개념인 ‘네트워크 지능’으로서의 AI는 발표자가 제시한 개념.
  • 컴퓨터 스스로가 여러 특화된 기능들을 통합하는 것이 ‘강인공지능’이며, ‘네트워크 지능’으로서의 AI는 형성된 네트워크 속에서 인간이 약인공지능의 기능을 통합하는 의미라고 할 수 있음.
  • 약 인공지능이 굉장히 강력함.
  • 인간보다 문제해결능력이 매우 뛰어나며, 각 도메인마다 문제를 특정하고 Task를 잘 풀어나가는 능력이 굉장히 높음.
  • 예를 들어, 비명소리는 수집하는 사람이 있음. 들려오는 소리가 비명이 아닌지를 구별할 수 있는 것은 매우 중요함.
  • 몸이 안좋으신 분이 비명을 통해, 혹은 여성이 위험에 처했을 때 119를 불러주는 인공지능을 만들기 위해서는 해당 소리가 비명인지 아닌지를 구별하는 것이 매우 중요, 따라서 비명 데이터를 수집함.
  • 이러한 예를 통해 알 수 있는 것은 하나의 기능에 특화된 약 인공지능이 사용될 수 있는 영역이 매우 무궁무진하다는 것임.
  • 약인공지능이 가지고 있는 경제적 함축을 두 가지로 설명해 볼 수 있음.
  • 일거리의 문제와 교육의 문제.
  • 일거리와 관련해서 중요한 점은 인공지능만으로 해당분야에 위협이 되는 것은 아니라는 것을 인식해야 함.
  • 인공지능과 로봇기술의 결합이 일자리 분야에 큰 영향을 미치게 될 것.
  • 아마존고 는 매장에 인증을 받고 들어가서 마음대로 물건을 담아서 나오면 계좌에서 자동 결제 되는 시스템으로, 이 모든 과정을 인공지능이 관할함.
  • 해당 매당은 매우 큰데, 점원은 술 판매 관련 성인인증을 위한 두 명 뿐임.
  • 소매 유통업에 대한 예시로, 이렇듯 인공지능 때문에 육체노동 관련노동자들이 점차 사라지게 될 것..
  • 그러나, 단순히 육체노동 관련자들에 국한되는 말은 아님, 인공지능은 화이트칼라와 블루칼라 모두에 영향을 미치게 될 것이고, 인간의 일자리는 점차 줄어들게 될 것이 분명함.
  • 상황이 이렇게 됐을 때, 인간은 무엇을 배워야 하며, 무엇을 준비해야 할까 에 대한 질문으로 이어지며, 이 질문에 대한 답을 찾기 위해 우리는 ‘교육’ 분야 개혁에 집중해야 함.
  • 또한 경제적인 함축 하나는 기본소득 문제.
  • 인공지능은 생산성을 높이는 방향으로 작용함.
  • 일자리가 없어지면 구매력의 감소로 이어지기 때문에 전체적인 이윤이 불확실해짐. 따라서 기업에게 결코 좋은 문제가 아님.
  • 기업이 작동할 수 있게 되기 위해서는 개인의 구매력이 적정선을 유지해야 함.
  • 만약 정부차원에서 경제체계 개혁을 주도하게 될 경우, 코난에서 말하는 ‘유토피아’수준으로 기본소득이 높아지는 식의 긍정적인 방향을 생각해볼 수 있겠음.
  • 발표자의 생각으로 대략 5-10년 사이에 기본소득 문제는 중요한 사회적 쟁점이 될 것.
  • 강인공지능은 ‘일반 인공지능, 범용인공지능’이라고 할 수 있으며, 주로 소설, 영화 등에 많이 나오며, 인간처럼 의지를 가지고 목표를 설정해서 어떤 일을 함.
  • 강인공지능은 실제 현상하고는 매우 다른 일종의 엔터테인먼트라고 할 수 있음.
  • 이와 관련된 활동은 유흥 혹은 즐거움을 위해 하는 것이지, 결코 현실에서 실현될 수 없음.
  • 물론 이에 대해 여러 가지 반론들이 존재함. 반론을 펼치는 사람들은 굉장히 유명인사들이고, 자기 분야에서 굉장히 뛰어난(노벨상을 수상할 만큼의) 전공자들이지만, 그 외 분야에 대해서는 문외한인 경우가 많음.
  • 이를 주장하는 사람들은 이야기를 재미있게 꾸미고, 약간의 상상력을 덧붙여 말을 잘하는 사람들(?)이라고 볼 수 있기 때문에 신빙성이 떨어진다고 볼 수 있음.
  • 실제로 AI를 개발하는 데미스 허사비스(알파고 개발자)나 마크 저커버그(페이스북 창업자), 앤드루 응(구글과 바이두 AI책임자를 역임한, 현 스탠퍼드대 교수). 페드로 도밍고스(워싱턴대학 컴퓨터과학과 교수)등은 현재의 AI연구가 비인간형으로 진행되는 것을 누구보다 잘 알고 있기 때문에 강인공지능에 비판적 입장을 가지고 있음.
  • 다양한 이유 때문에 강인공지능에 해당하는 인공지능은 만들어지기 쉽지 않음.
  • 크게 논리적 문제(알고리즘의 부재)와 공학적 문제(열을 처리하는 칩 만들기) 두 가지 때문임.
  • 공학적 문제부터 말하자면, 보통 알고리즘을 만들 때 트렌지스터를 집적해서 만듦.
  • 트렌지스터는 논리를 연산하는 기본 단위. 그것을 집적하는데 현재의 기술로는 문제가 있음.
  • 집적하는 과정에서 열이 발생하게 되는데 폭발하지 않고 해당 열을 처리하기 위해선는 그 분야에서 노벨상이 10번이상 나와야 가능하다고 함.
  • 알고리즘의 부재 측면에서 살펴보도록 하겠음.
  • 여기에 ‘기억’이라는 문제가 있음.
  • 인간의 메모리와 컴퓨터의 메모리는 특성자체가 다름
  • 컴퓨터의 기억은 절대 변하면 안되고 고정되어 있어야 한다는 특징이 있음. 즉, 기존에 저장되어있던 것이 변해서 바뀌면 버려야 함.
  • 그러나 인간은 기존의 기억에서 계속해서 변해감.
  • 사람의 기억이 변하지 않으면 안됨(과외를 했는데 변하지 않으면 과외선생은 짤림) 즉, 학습이 끊임없이 일어나야 함.
  • 더불어 고장의 문제가 있을 수 있음.
  • 컴퓨터는 고장이 나면 멈추지만, 사람의 경우 고장이 나면 잠깐 삐걱거릴 뿐 자가 수선이 가능함.
  • 자가 수선이 가능하다는 얘기는 자기가 고장났다는 사실을 스스로 인지하고 있을 뿐 아니라, 그것을 스스로 고쳐나갈 수 있다는 의미임.
  • 프로그램의 경우 고장이 나면 디버깅 프로그램을 상정해 놨지만, 그 디버깅 프로그램이 디버깅 됐을 경우, 무한 후퇴의 길로 나가게 됨.
  • 고장을 스스로 해결할 수 있는 사람의 경우와 달리 컴퓨터 혹은 기계의 고장엔 결국 사람이 해결사로 등장할 수 밖에 없음. .
  • 이는 프로그램은 진화를 할 수 없다는 의미와 같음.
  • 발표자가 제시한 ‘네트워크 지능’으로 서의 AI는 각종 약인공지능과 인간들이 어우러져 형성하는 네트워크를 의미함.
  • 인간이 주재하는 상황에서 강인공지능 비슷한 것이 구현됨.
  • 네트워크 지능에 인간은 크게 두가지 형태로 개입함.
  • 과제해결 능력에 대한 간섭과 파괴적인 도구로 이용하는 것임.
  • 먼저, 사람은 인공지능에 여러가지 형태로 간섭 혹은 교란을 하게 됨. 즉, 사람들이 나쁜 것을 가르침.
  • 발표자의 경우 무인자동차가 사용화되기 어렵다고 보는데 이 이유가 바로 인간의 간섭땜누.
  • 2018년 5월 우버 사고원인이 발표됨.
  • 분명히 사람이라고 인식을 했는데, 작동하지 않게끔 조작을 해놔서 계속 주행하게끔 해놓음. 결국 우버는 사망선고를 내림.
  • 자율주행차 시스템은 만약 잘못된 사고를 가진 인간이 모양만 엇비슷하게 만들어 놓은 자율주행차를 도로에 내놓을 경우, 재양이 될 수 있음.
  • 이것이 법적으로 더 큰 문제가 될 수 있는 것은 해당 사고의 여부를 누구에게 물을 것인가에서부터 시작해 다양한 부분에서 법적인 통제가 불가능한 부분들이 많음. 나아가 도덕적인 부분 역시 규제가 불가능함.
  • 기계 학습에서는 학습용 빅데이터 편향성(bias) 문제가 발생함.
  • 이와 관련해 몇가지 사례를 제시하겠음.
  • 터키어에는 성(性)이 없음. 그러나 구글 번역을 통해 터키어를 영어로 번역하자 없던 성이 부여가 됨.
  • 그렇게 생성된 관련 문장들은 굉장히 심한 성적 편향성을 가지고 있었음.(가령, 간호사의 경우 그녀, 의사의 경우 그라고 번역하는 등등)
  • 이렇게 기계학습에 있어 데이터의 편향성은 굉장히 문제가 되고 있음.
  • 보통 사람들은 인공지능이 일처리를 하면 굉장히 투명할 것이라고 생각하지만, 해당 인공지능이 가지고 있는 데이터성향에 따라서 굉장히 편향된 결과가 나올 수 있음.
  • 사물인터넷 관련 이슈 역시 존재함.
  • 버거킹은 광고를 통해서 각 집에 있는 인공지능 스피커인 구글홈에 원격으로 지시를 내렸음.
  • 즉, 사물인터넷 상황에서 이러한 해킹을 어떻게 처리할 것인지.
  • 자율주행차 시각인식 교란에 관련된 이슈도 존재함.
  • 거리에 있는 ‘STOP’지시판을 스티커 몇 개만으로 “Speed Limit 45” 오인하게 되는 실험이 있었음.
  • 새똥이나 오염 등으로 인한 인식오인 뿐 아니라 해킹이나 범죄에 쉽게 노출된다는 위험도 존재함.
  • 인공지능의 비전인식기술이 사람들의 생각보다 뒤쳐져 있음.
  • 이를 해결하기 위해서는 사람이 전혀 출몰하지 않는 길을 만드는 등의 조치를 취해야 함.
  • 또한 한국과 같이 사시사철 변하는 계절에서는 거의 시운전되고 있지 않음.
  • 미세먼지가 없는 한국의 가을과 같은 계절인 캘리포니아 같은 곳에서만 시운전이 되고 있음.
  • 마지막으로 창조성, 창의성에 대한 이슈를 얘기하고자 함.
  • 인공지능의 발전으로 육체노동 뿐 아니라 정신노동 역시 인공지능이 대신하게 된다는 예측은 많은 사람들에게 불안과 공포를 심어주고 있음.
  • 흔히 이에 대한 대책으로 인공지능이 할 수 없거나, 잘하지 못하는 일을 하자고 함.
  • “창조적인 일”, 인공지능이 당분간 혹은 앞으로도 하지 못할 일이라고 예측되는 것임.
  • 따라서, 창조성은 과거에도 그랬지만, 앞으로도 중요한 능력으로 각광받을 것임.
  • 우리는 창조적인 교육을 실행해야 함. 이를 위해 할 수 있는 일이 무엇이 있을까.
  • 창조적이다 할 수 있으려면 새로워야 하고, 사회적인 인정을 받을 수 있어야 함.
  • 창조성의 본질을 이렇게 정의하고 나면, 나면 이슈가 되는 것은 창조의 순간과 사회적 인정의 순간에 대한 문제.
  • 예전에 집집마다 있던 비디오 테이프 플레이어 가장 많이 신고 접수 된 것은 놀랍게도 애들이 비디오 플레이어 안으로 햄버거를 집어 넣는 것임.
  • 이 역시 새롭기 때문에 창조적이라고 생각할 수 있으나, 이는 사회적 인정을 받았다고 할 수 는 없음.
  • 창조적이라는 것은 실험을 통해 창조적 결과가 나오는 것이며, 이에 대한 평가를 통해 완성되는 것임.
  • 따라서, 창조성은 “실험의 위험성을 이겨내는 개인적, 사회적 용기와 그것이 실천될 수 있는 자유를 전제로 함”.
  • 즉, 창조성, 창의성은 개인적인 성격보다는 사회적인 성격을 가지고 있다고 볼 수 있음.
  • ‘예술가의 삶을 모델’로 창조성에 대한 교육을 살펴보고자 함.
  • 남들이 하지 못했던 새로운 것을 만들고 싶어하며, 그러기 위해서는 남들이 무엇을 만들었는지에 대한 조사가 수반되어야 함.
  • 예술가의 작업은 완전히 새로운 필요에서 지식을 얻도록 만들며, 학습할 지식의 성격 역시 변화시킴.
  • 꺼내 써먹기 위한 암기를 통한 지식이 아니라 자신의 작업을 위해 필요한 것을 찾아내는 지식을 갖는 것이 중요해짐.
  • 지식을 학습자 위주로 재편하는 것이 중요함. 더 이상 “암기식 교육을 해야하니, 아니니” 등의 논쟁은 별로 의미가 없음
  • 즉, 학습자 맞춤형 교육으로 변해야 하며 이를 위해서는 교사 자신의 변화가 불가피하다고 여겨짐.
  • 습득한 기능과 지식의 통합이 중요함.
  • 자신에게 필요한 지식을 다 조사한 이 후에는 직접 실행해봐야 함.
  • 결과는 시도 끝에 나오는 것이며, 결과가 중요한 것이 아니라 그 과정에 최선을 다했다는 것이 중요함.
  • 이러한 실행 및 시도 끝에 자신의 작업을 위한 필요한 기능을 습득하게 됨.
  • 매체를 자유자재로 다루지 못하면 바라는 결과물도 나오지 않음.
  • 이러한 작업 과정에서 기능습득과 지식습득의 혼합은 필연적임.
  • 모두가 예술가가 되라는 것이 아니라, 각 개인이 자신의 분야에서 창작자로써 행위 해보는 것이 굉장히 중요하다고 생각.
  • 현실에서 가장 중요한 것은 공학적인 작업, 그리고 글쓰기 작업임.
  • 공학적인 작업이란 일상 속에서 기존에 없던 새로운 걸 만들려고 노력하는 일을 뜻함.
  • 글쓰기 작업은 글을 쓰려는 마음으로 세상을 볼 때와 그렇지 않을 때 굉장히 다름.
  • 글쓰는 작업에서는 평가 작업, 구성 작업을 다 익히게 됨.
  • 글쓰기 작업을 통해서는 편집하고 구성하는 능력과 심미적, 비평적 안목을 기르는 것이 핵심임.
  • 학습피라미드를 살펴봐도 개인이 창작자가 됐을 경우 가장 높은 학습 내용 기억률을 보이는 것을 알 수 있음
  • 강의 듣기(5%), 단순독서(10%), 시청각학습(20%), 실물보여주기(30%), 집단 토의(50%), 행하기나 쓰기를 통한 연습(75%), 남들 가르치기, 배운것을 즉각 써먹기(90%)
  • 남들을 가르치고, 배운 것을 즉각 써먹는 등 배움을 써먹는 것이 가장 오래 기억에 남는 것을 알 수 있음.
  • 따라서, 나만의 새롭고 독창적인 것을 만들어보는 창작활동은 창조적 인간을 만드는 가장 검증된 실효적 방안임을 알 수 있음.
TOP