지능과 지속적 학습이 전문성을 만든다

URL: https://www.youtube.com/watch?v=ekRVs7HlP68 날짜: 2026-08-15 채널: Tech Bridge

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==지능(Intelligence)은 낯선 문제를 풀 수 있게 하지만, 전문성(Expertise)은 특정 세계에서 반복적으로 더 나은 결과를 내게 하며, 지속적 학습(Continual Learning)이 두 능력을 연결한다.==

• 현대의 프런티어 모델(Frontier Model)은 논리 추론·코딩·수학처럼 기호로 표현되는 문제에는 매우 강하지만, 일상적인 디지털 업무에는 쉽게 흔들린다.
• 각 회사·직업·도메인은 고유한 구조·제약·가능성·동역학을 가진 수백만 개의 마이크로월드(Microworld)로 이루어져 있어 하나의 정적인 모델로 모두 압축하기 어렵다.
• 경험을 미래 행동에 재사용할 수 있는 구조로 적응적으로 압축하면, 일정 수준의 지능만으로도 전문성을 계속 축적하는 시스템을 만들 가능성이 열린다.

지능은 주어진 맥락에서 해답을 탐색하는 능력이고, 전문성은 문제에 맞는 맥락을 가져와 검색 공간을 줄이며 신뢰성·효율성·판단력을 바탕으로 재현성 있는 성과를 내는 능력이다. 따라서 모델 규모만 키우는 경쟁을 넘어, 에이전트(Agent)가 일하면서 각 마이크로월드의 전문성을 습득하는 학습 루프를 구축해야 한다.

1. 지능과 전문성을 구분해야 하는 이유

지능과 전문성은 모두 문제 해결에 기여하지만, 작동 방식과 축적 방식이 다르다.

1.1. Yu Su의 배경과 문제의식

1. 발표의 출발점

   1. Yu Su는 청중과 점심 사이에 서 있으니 짧게 말하겠다고 농담하며 자신을 소개했다.
   2. Yu Su는 The Ohio State University의 교수이며, NeoCognition이라는 회사에서 COO(Chief Operating Officer)로도 일한다.
   3. NeoCognition은 에이전트와 지속적 학습(Continual Learning)에 집중한다.

2. 개념 중심의 접근

   1. 기술 세부사항을 많이 다루기보다 지능과 전문성의 개념적 차이를 구분하겠다고 밝혔다.
   2. 이 구분으로 코딩 에이전트는 매우 성공적인데 다른 업무에는 형편없이 약한 이유를 살펴볼 수 있다.
   3. 현재 에이전트가 토큰(Token)을 지나치게 많이 사용하는 이유와 기업들이 토큰 사용량을 줄이려는 이유도 같은 틀에서 생각할 수 있다.
   4. 점심 전에 청중에게 생각할 거리를 제공하는 것이 목표라고 마무리했다.

1.2. AI 에이전트의 역사와 최근 도약

1. 에이전트는 새로운 발명이 아니다

   1. 인공지능의 역사 전체에서 AI 에이전트를 만들려는 시도가 이어졌다.
   2. 1960~1980년대에는 전문가 시스템(Expert System)과 논리 에이전트(Logical Agent)가 개발됐다.
   3. 2010년대에는 심층 강화학습(Deep Reinforcement Learning) 기반 신경 에이전트(Neural Agent)가 등장했다.

2. 초기 시스템의 제한된 지능

   1. 초기 시스템은 인간 지능의 일부 측면만 포착했다.
   2. 어떤 시스템은 논리적 추론(Logical Reasoning)을 처리했고, 어떤 시스템은 단일 양식(Single Modality)의 지각(Perception)이나 의사결정(Decision)을 처리했다.
   3. 서로 다른 감각과 능력을 하나의 통합된 표현으로 묶는 데에는 한계가 있었다.

3. 멀티모달 LLM의 의미

   1. 멀티모달 대규모 언어 모델(Multimodal Large Language Model)과 그 위에 구축된 언어 에이전트(Language Agent)는 처음으로 여러 감각의 입력을 하나의 통합 신경 표현(Unified Neural Representation)으로 인코딩할 수 있게 했다.
   2. 그 통합 표현은 기호적 추론(Symbolic Reasoning)과 의사소통(Communication)에도 적합하다.
   3. 여러 감각을 통합하고 언어로 추론·소통하는 능력은 이전까지 인간에게 특유한 특성으로 여겨졌으며, 이제 AI 에이전트도 같은 종류의 기반을 갖게 됐다.
   4. 그 결과 에이전트의 표현력(Expressiveness), 추론 가능성(Reasonability), 적응성(Adaptivity)이 크게 향상됐고, 기계 지능은 새로운 진화 단계에 들어섰다.

2. 코딩 에이전트의 성공과 코드 바깥의 취약성

언어 에이전트가 처음 대규모 시장을 찾은 곳은 코드가 이미 언어와 기호의 세계로 정리되어 있는 코딩이었다.

2.1. 코딩이 언어 에이전트에 이상적인 시장인 이유

1. 상징적으로 표현된 작업 세계

   1. 코드는 본질적으로 언어 기반(Language-Native) 세계다.
   2. 요구사항·구조·동작이 대부분 기호(Symbol)로 표현되고, 기록도 매우 구조화된 방식으로 남는다.
   3. 에이전트가 얻는 보상(Reward)도 테스트(Test)도 코드와 연결된 기호적 형태로 준비되어 있다.

2. Anthropic의 매출 그래프가 보여준 확산

   1. Yu Su는 Anthropic의 매출 그래프를 언어 에이전트의 첫 대중 시장을 보여주는 사례로 제시했다.
   2. 발표에서 언급한 수치에 따르면 2년이 채 되지 않는 기간에 매출이 400배 성장해 400억 달러에 이르렀다.
   3. 최신 수치는 연환산 매출(Annualized Run Rate) 약 600억 달러일 수 있다고 덧붙였다.
   4. 이 성장은 코딩 및 코딩 관련 생산성(Coding-Related Productivity) 능력이 크게 이끌었다.

2.2. 코드 바깥에서 드러나는 문제

1. 특권적 세계를 떠날 때의 급격한 성능 저하

   1. 코드처럼 정형화된 세계를 벗어나면 에이전트의 성능은 급격히 좋아지지 않는다.
   2. 기업 환경(Enterprise Setting)에 에이전트를 배치할 때 여러 어려움이 발생한다.
   3. 개인 환경(Personal Setting)에서도 에이전트는 컴퓨터 사용(Computer Use) 과정에서 끊임없이 깨지기 쉽고 어리석은 실수를 낸다.

2. 컴퓨터 사용과 지속적 학습의 부재

   1. Andrew Ng는 에이전트의 해가 1년이 아니라 10년이 될 것이라고 말했다.
   2. 그 이유는 에이전트가 컴퓨터를 제대로 사용하지 못하고, 지속적으로 학습하지도 못하기 때문이다.
   3. 코딩 에이전트와 그 밖의 발전이 있었더라도 컴퓨터 사용과 지속적 학습의 근본적인 어려움은 여전히 크게 남아 있다.

3. 스마트하면서도 취약한 역설

   1. 주어진 문제를 풀 지능은 높아졌는데, 작은 환경 변화에는 무너지는 모습이 동시에 나타난다.
   2. 높은 추론 성능만으로는 안정적인 일상 업무 수행을 보장할 수 없다.

3. 현대판 Moravec의 역설과 마이크로월드

현대의 AI는 기호적 추론에는 강하지만, 사람에게 자연스러운 일상 디지털 업무에는 약한 현대판 Moravec의 역설을 보인다.

3.1. 어려운 일과 쉬운 일의 역전

1. Moravec의 역설(Moravec’s Paradox)

   1. 원래의 역설은 AI에게 어려운 일이 인간에게 쉬울 수 있고, AI에게 쉬운 일이 인간에게 어려울 수 있다는 주장이다.
   2. 현대판 형태에서는 코딩과 수학 같은 기호적 추론(Symbolic Reasoning) 과제가 매우 잘 처리된다.
   3. 코딩과 수학은 과거에 지능의 최고봉으로 여겨지던 능력이다.

2. 일상 디지털 업무의 다른 인지 역량

   1. 이메일·업무 도구·조직 절차처럼 일상적인 디지털 업무는 코딩·수학과 전혀 다른 인지 역량(Cognitive Competency)을 요구한다.
   2. 따라서 기호적 문제에서 높은 점수를 받은 시스템이 일상 업무에서는 쉽게 실패할 수 있다.

3.2. 사회는 수백만 개의 마이크로월드다

1. 하나의 통합된 세계가 아닌 다수의 국소적 세계

   1. 현대 사회는 하나의 통합된 세계가 아니라 수백만 개의 마이크로월드로 구성된다.
   2. 도메인(Domain)마다 다르고, 직업(Profession)마다 다르며, 회사(Company)마다 다르다.
   3. 같은 소프트웨어를 사용하더라도 회사별 설정과 운영 방식은 서로 다르다.

2. 마이크로월드의 고유한 국소 물리학

   1. 각 디지털 업무 세계에는 고유한 구조(Structure), 제약(Constraint), 가능성·행동 여지(Affordance), 동역학(Dynamics)이 있다.
   2. 에이전트는 그 세계가 어떤 방식으로 작동하는지 학습해야 한다.
   3. 이 세계들은 지나치게 이질적이고 동적이므로, 하나의 거대한 모델이 모든 세계를 정적 표현 하나로 압축하기 어렵다.

3. 현장 전문성의 필요

   1. 에이전트는 업무 중(On the Job)에 계속 학습하며 각각의 마이크로월드에 특화된 전문성(Specialized Expertise)을 획득해야 한다.
   2. 범용 지능이 높아지는 것과 별개로, 특정 환경에서의 경험·규칙·예외·판단을 축적하는 과정이 필요하다.

4. 지능과 전문성은 어떻게 다른가

지능은 낯선 문제를 처리하는 능력이고, 전문성은 특정 도메인에 자리 잡은 축적된 역량이다.

4.1. 지능의 작동 방식

1. 지능(Intelligence)의 정의

   1. 지능은 주어진 맥락(Context)에서 이용 가능한 정보를 바탕으로 낯선 문제를 추론해 해결하는 능력이다.
   2. 프런티어 모델은 문제 진술(Problem Statement), 맥락, 도구(Tool)를 제공받으면 처음 접하는 문제라도 추론을 거쳐 좋은 답을 낼 수 있다.

2. 에피소드의 독립성

   1. 지능 중심 시스템에서 각각의 문제 해결 에피소드(Episode)는 대체로 서로 독립적이다.
   2. 한 번 문제를 잘 풀었다고 해서 다음 문제에서 그 경험이 자동으로 재사용되지는 않는다.
   3. 이 특성 때문에 시스템은 매번 주어진 정보 안에서 다시 문제를 탐색한다.

4.2. 전문성의 구성 요소

1. 전문성(Expertise)의 정의

   1. 전문성은 축적되고 상황에 자리 잡은 역량(Accumulated and Situated Competence)이다.
   2. 특정 도메인에서 안정적이고 효율적으로 행동하며 판단력을 발휘해, 반복적으로 우수한 성과를 달성하는 능력이다.

2. 전문가는 더 많은 사실만 아는 사람이 아니다

   1. 전문가는 세계를 다르게 본다.
   2. 거대한 버그 리포트(Bug Report)를 볼 때 표면을 순서대로 읽는 대신, 문제가 발생했을 법한 가장 유력한 지점을 즉시 찾아낸다.
   3. 전문성은 표면 패턴을 넘어 문제의 깊은 구조(Deep Structure)를 인식하게 한다.

3. 조건과 예외를 포함한 규칙 이해

   1. 회의 일정을 잡는 일은 단순히 모두의 캘린더에서 공통 시간대를 찾는 작업이 아니다.
   2. 각 사람의 권한(Authority), 우선순위(Priority), 긴급성(Urgency) 등을 함께 고려하는 제약 최적화 문제(Constraint Optimization Problem)다.
   3. 전문가는 규칙과 사실의 목록만 적용하지 않고, 모든 판단이 조건부라는 점을 안다.
   4. 모든 규칙에는 적용을 가능하게 하는 전제조건(Precondition)이 있으며, 예외가 발생하면 현실에 맞게 규칙을 구부릴 때도 있음을 안다.

4. 판단력과 취향

   1. 전문성은 무엇이 높은 품질(High Quality)인지 판단하는 감각을 준다.
   2. 언제 멈춰야 하는지, 즉 어느 시점의 결과가 충분히 좋은지(Good Enough)를 결정하는 능력도 포함한다.

5. 환경의 세계 모델

   1. 전문가는 자신이 활동하는 환경에 대한 세계 모델(World Model)을 구축한다.
   2. 세계 모델은 특정 마이크로월드가 작동하는 방식을 일반화한 표현이다.
   3. 그 모델은 지각(Perception), 추론(Reasoning), 의사결정(Decision-Making), 판단(Judgment)의 기반이 된다.

4.3. 맥락 선택과 검색 공간의 차이

1. 지능은 맥락 안에서 풀고 전문성은 맥락을 가져온다

   1. 지능은 이미 제공된 맥락을 이용해 문제를 해결한다.
   2. 전문성은 어떤 문제에 어떤 맥락이 중요한지 알고, 필요한 맥락을 먼저 가져온다.

2. 지능의 검색 공간 확장

   1. 문제 해결은 본질적으로 검색 문제(Search Problem)다.
   2. 지능은 가능한 여러 경로를 폭넓게 시도하는 경향이 있다.
   3. 에이전트가 100개의 병렬 접근법(Parallel Approach)을 띄워 문제를 풀려고 하는 토큰 비효율은 검색 공간을 넓게 탐색하는 방식과 연결된다.

3. 전문성의 검색 공간 압축

   1. 전문성은 문제 공간에서 학습한 본질적인 지름길(Essential Shortcut)을 갖는다.
   2. 그래서 가능한 모든 경로를 무차별적으로 시도하지 않고, 가장 가능성 높은 해결 경로를 선택한다.
   3. 전문성은 같은 문제를 더 적은 계산과 토큰으로, 더 빠르고 안정적으로 해결하게 한다.

5. 지속적 학습은 지능을 전문성으로 바꾸는 다리다

지속적 학습은 경험을 미래 행동에 재사용 가능한 구조로 바꾸는 적응적 압축 과정이다.

5.1. 지속적 학습의 작동 정의

1. 정의

   1. 지속적 학습(Continual Learning)은 “경험을 미래 행동을 위해 재사용할 수 있는 구조로 적응적으로 압축하는 것(Adaptive Compression of Experience into Reusable Structures for Future Behavior)”이다.
   2. 이 정의에는 경험(Experience), 압축(Compression), 적응성(Adaptivity), 재사용 가능한 구조(Reusable Structure)라는 네 요소가 들어간다.

2. 무엇을 경험으로 삼는가

   1. 경험은 에피소드(Episode) 형태의 사건일 수 있다.
   2. 의미적 사실(Semantic Fact)이나 절차(Procedure)일 수 있다.
   3. 사람이나 환경에서 받은 피드백(Feedback)일 수도 있다.

3. 경험을 압축하는 방법

   1. 경험을 벡터(Vector)에 임베딩(Embedding)할 수 있다.
   2. 기호 구조(Symbolic Structure)에 인덱싱(Indexing)할 수 있다.
   3. 모델 파라미터(Model Parameter)로 증류(Distillation)하거나, 강화학습(Reinforcement Learning)으로 반영할 수 있다.

5.2. 적응성과 재사용 구조의 범위

1. 일회성 압축을 넘어선 적응적 압축

   1. 지속적 학습은 한 번 압축하고 끝나는 과정이 아니다.
   2. 지금까지 학습하고 압축한 내용이 이후에 무엇을 어떻게 압축할지에 큰 영향을 줘야 한다.
   3. 기존 지식이 새로운 경험의 해석과 저장 방식을 바꾸어야 누적 학습이 가능하다.

2. 구조의 여러 형태

   1. 재사용 구조는 언어 모델의 파라미터나 어댑터(Adapter)일 수 있다.
   2. 벡터, 그래프(Graph), 스킬(Skill), 월드 모델(World Model)일 수도 있다.

3. 미래 행동에서의 사용 방식

   1. 저장한 사실을 회상(Recall)하는 데 사용할 수 있다.
   2. 미래 상태(Future State)를 예측하는 데 사용할 수 있다.
   3. 더 나은 계획(Planning)을 세우거나 에이전트의 제어·작동 계층(Control/Actuation Layer)에서 사용할 수 있다.
   4. 가능한 상태의 가치 함수(Value Function)로 활용할 수도 있다.

4. 용어가 혼란스러운 이유

   1. 경험·압축·적응성·구조라는 네 요소가 각기 여러 방식으로 구현될 수 있다.
   2. 그래서 지속적 학습이라는 분야는 매우 풍부하면서도 혼란스럽다.
   3. “경험을 미래 행동을 위한 재사용 구조로 적응적으로 압축한다”는 정의는 이 여러 변형을 포괄한다.

6. 원시 지능과 전문성의 관계

원시 지능(Raw Intelligence)과 전문성은 서로 직교하는 축에 가깝고, 지속적 학습 알고리즘이 둘 사이의 관계를 결정한다.

6.1. 지능만 확장할 때 생기는 ‘세계에서 가장 똑똑한 초보자’

1. 두 축의 관계

   1. 가로축에 원시 지능을 놓고 세로축에 전문성을 놓으면 두 축은 대체로 직교한다.
   2. 지능이 높아지는 것만으로 전문성이 자동으로 늘어나지는 않는다.

2. 세계에서 가장 똑똑한 초보자(World’s Smartest Novice)

   1. 지속적 학습 없이 모델 규모만 키우면, 어떤 문제든 공격적으로 시도하는 매우 똑똑한 시스템은 만들 수 있다.
   2. 그러나 경험을 축적하지 못하므로 매 문제를 처음처럼 무차별적으로 풀게 된다.
   3. 이런 시스템은 세계에서 가장 똑똑한 초보자일 뿐, 특정 세계에서의 전문가는 아니다.

6.2. 지속적 학습 알고리즘이 정하는 학습 곡선

1. 알고리즘의 기울기

   1. 지속적 학습 알고리즘은 지능이 증가할 때 전문성이 얼마나 빠르게 증가하는지를 정하는 학습 곡선의 기울기(Slope)를 결정한다.
   2. 단순한 문맥 내 학습(In-Context Learning)처럼 부실한 지속적 학습 알고리즘은 지능이 늘어도 전문성을 조금만 높인다.
   3. 강력한 지속적 학습 알고리즘은 같은 지능 증가를 훨씬 빠른 전문성 증가로 전환한다.

2. 조건부 해석

   1. 이 비교는 주어진 시간 범위(Time Horizon)와 경험 범위(Experience Horizon)가 같다는 조건을 전제로 한다.
   2. 같은 기간과 경험량에서도 무엇을 얼마나 잘 압축하느냐가 전문성 축적의 차이를 만든다.

6.3. 제한된 지능에서 무한히 확장되는 전문성

1. 가장 흥미로운 가능성

   1. 지속적 학습이 가져올 여러 미래 중 가장 흥미로운 것은 ‘제한된 지능에서 나오는 무한한 전문성(Unbounded Expertise from Bounded Intelligence)’이다.
   2. 원시 지능이 일정 임계값(Threshold)을 넘은 뒤에는 더 강한 지능을 계속 추가하지 않아도 된다는 가설이다.

2. 탈출 지능(Escape Intelligence)

   1. 합리적인 수준의 지능에 도달한 에이전트가 지속적 학습만으로 전문성을 계속 축적한다면, 전문성은 사실상 무한히 성장할 수 있다.
   2. Yu Su는 이런 현상을 탈출 지능이라고 부른다.
   3. 이 가설이 맞다면 더 크고 더 강한 모델을 계속 훈련하는 것보다 더 나은 지속적 학습 알고리즘이 중요해질 수 있다.
   4. 현재 모델이 이미 충분히 좋은 수준에 도달했을 가능성도 있으며, 부족한 것은 모델 크기가 아니라 학습 방식일 수 있다.

7. 해결해야 할 연구 질문과 전문성 확장

특정 환경에서 전문가 수준에 도달하려면 측정·안정성·학습 형태·일반화라는 네 가지 문제가 풀려야 한다.

7.1. 전문성을 측정하고 안정성과 가소성을 조정하기

1. 전문성의 정의와 측정

   1. 임의의 도메인이나 환경에서 에이전트가 계속 학습해 전문가 수준의 역량에 도달하게 하려면, 먼저 전문성을 정의하고 측정해야 한다.
   2. 전문성의 기준은 환경마다 달라질 가능성이 높다.

2. 신뢰성과 가소성의 긴장

   1. 신뢰성(Reliability)과 가소성(Plasticity)은 동시에 필요하다.
   2. 신뢰할 수 있고 안정적인 시스템은 변화를 거부하는 경향이 있다.
   3. 가소적인 시스템은 변화에 잘 적응하지만, 그만큼 안정성을 잃을 수 있다.
   4. 인간은 놀라울 정도로 가소적이면서도 대부분의 시간에 의존할 수 있는 존재라는 생물학적 실존 증명(Living Existence Proof)이다.

7.2. 파라메트릭 학습과 비파라메트릭 학습의 결합

1. 두 학습 형태

   1. 기술적으로 학습은 크게 파라메트릭 학습(Parametric Learning)과 비파라메트릭 학습(Non-Parametric Learning)으로 나뉜다.
   2. 파라메트릭 방식은 모델 파라미터 자체를 바꾸는 접근이고, 비파라메트릭 방식은 외부 메모리·검색 구조 등 모델 바깥의 구조를 활용하는 접근으로 이해할 수 있다.

2. 시너지의 필요성

   1. 지속적 학습이 실제로 작동하려면 두 방식이 모두 필요하다.
   2. 두 방식을 어떻게 결합하고 서로 보완하게 만들지는 아직 풀리지 않은 핵심 질문이다.

7.3. 전문화가 더 나은 일반화를 만드는 경로

1. 공개 데이터의 고갈

   1. LLM 학습에 사용할 공개 데이터(Public Data)는 이미 대부분 소진됐다.
   2. 다음 인터넷 규모의 데이터 기회(Internet-Scale Data Opportunity)는 서로 다른 사적 세계(Private World)에 존재한다.

2. 현장 학습의 순환

   1. 특화 에이전트가 각 회사와 도메인의 현장에서 작동하면 그 환경에서 직접 학습할 수 있다.
   2. 현장에서 얻은 학습을 범용 모델로 다시 전달하면, 전문화의 결과가 전체 시스템의 일반화(Generalization)를 개선할 수 있다.
   3. 서로 다른 사적 세계에서 얻은 전문성이 다음 세대의 범용 지능을 위한 새로운 인터넷 규모 학습 자원이 된다.

8. 전문성을 확장하는 미래

지능이 풍부해지는 단계에서 전문성을 풍부하게 만드는 단계로 초점을 옮기면 개인과 조직의 능력 구조가 바뀐다.

8.1. 전문성을 풍부하게 만들기

1. 새로운 확장 축

   1. Yu Su는 지능이 이미 풍부해지고 있으므로 전문성을 확장하자고 촉구했다.
   2. 프런티어 모델은 평균적인 인간보다 더 똑똑할 가능성이 높지만, 전문성은 여전히 희소하다.

2. 개인별 전문가 지원

   1. 목표는 누구나 전문가의 도움을 받을 수 있는 세계다.
   2. 개인 건강관리(Personal Healthcare), 개인 금융 자문(Personal Financial Advisor), 개인 교사(Personal Tutor) 같은 지원이 각 사람에게 제공될 수 있다.
   3. 충분한 전문성이 자동으로 축적되면 고도로 개인화된 도움도 경제적으로 제공할 수 있다.

8.2. 기업의 학습 루프와 제도적 기억

1. 회사별 학습 루프

   1. 각 회사는 자기 환경에 맞는 학습 루프(Learning Loop)를 구축할 수 있다.
   2. Satya가 2주 전에 말했다는 표현을 빌리면, 각 회사에서 인간-AI 학습 루프(Human-AI Learning Loop)를 활성화할 수 있다.

2. 제도적 기억과 생산수단의 주도권

   1. 인간-AI 학습 루프는 회사의 제도적 기억(Institutional Memory)으로 전환된다.
   2. 각 회사는 자기만의 해자(Moat)를 만들 수 있다.
   3. 회사는 생산수단(Means of Production)에 대한 주도권을 계속 유지하면서, 자기 업무 세계에 맞는 지능과 전문성을 축적할 수 있다.

8.3. ‘할 만한 일’의 경계 확장

1. 높은 마찰로 잠긴 기회

   1. 현재도 경제적으로 실행할 가치가 있는지 판단하기 어려운 기회가 많다.
   2. 필요한 전문성을 확보하는 마찰(Friction)이 너무 높아 사업이나 업무로 이어지지 못하는 경우가 있기 때문이다.

2. 전문성의 풍부함이 만드는 새로운 일

   1. 전문성이 풍부해지면 업무를 수행하는 데 드는 마찰이 줄어든다.
   2. 그 결과 새로운 유형의 일이 ‘할 만한 가치가 있는 일(Worth Doing)’이라는 임계값을 넘어설 수 있다.
   3. 전문성의 대량 공급은 기존 업무를 자동화하는 데 그치지 않고, 이전에는 비용 때문에 불가능했던 업무 자체를 새로 만들어낸다.

주요 발언 모음

“지능은 익숙하지 않은 문제를 이용 가능한 맥락에서 추론해 풀어내는 능력이다.”

“전문성은 특정 도메인에서 안정적이고 효율적으로 행동하고 판단해, 반복적으로 더 나은 성과를 내는 축적되고 상황에 자리 잡은 역량이다.”

“전문가는 단지 더 많은 사실을 아는 것이 아니다. 전문가는 세계를 다르게 본다.”

“지속적 학습은 경험을 미래 행동을 위한 재사용 가능한 구조로 적응적으로 압축하는 것이다.”

“지속적 학습은 지능에서 전문성으로 가는 중요한 다리다.”

“세계에서 가장 똑똑한 초보자.”

“제한된 지능에서 나오는 무한한 전문성.”

“지능이 풍부해지는 만큼 전문성을 확장하자.”

“전문성이 풍부해지면 새로운 유형의 일이 할 만한 가치가 있는 일이라는 문턱을 넘을 수 있다.”

핵심 데이터 & 수치

• 2년 미만: Anthropic의 매출이 발표에서 2년이 채 되지 않는 기간에 400배 성장했다고 언급됐다.
• 400배: 위 성장률로 제시된 매출 증가 폭이다.
• 400억 달러: 발표에서 해당 성장 결과로 언급된 매출 규모다.
• 약 600억 달러: 최신 수치일 수 있다고 덧붙인 Anthropic의 연환산 매출(Annualized Run Rate)이다.
• 1960~1980년대: 전문가 시스템과 논리 에이전트가 개발된 초기 AI 시기다.
• 2010년대: 심층 강화학습 기반 신경 에이전트가 발전한 시기다.
• 100개 병렬 경로: 지능 중심 에이전트가 문제 해결을 위해 시도할 수 있는 병렬 접근법의 예시로 제시됐다.
• 2주 전: Satya가 인간-AI 학습 루프를 각 회사에서 가능하게 하자는 취지의 발언을 했다고 언급된 시점이다.

결론 및 시사점

1. 모델 크기와 전문성을 분리해 평가한다: 높은 벤치마크 추론 점수가 특정 업무에서의 안정적·효율적·반복적 성과를 보장하지 않으므로, 지능과 전문성을 별도 축으로 측정해야 한다.
2. 마이크로월드별 학습 루프를 설계한다: 회사와 도메인마다 소프트웨어 설정·권한·우선순위·예외가 다르므로, 범용 모델 하나보다 현장별 경험을 누적하는 구조가 필요하다.
3. 검색 공간을 압축하는 메모리를 만든다: 전문가의 핵심 가치는 모든 경로를 시도하는 데 있지 않고, 문제에 맞는 맥락과 지름길을 선택하는 데 있으므로 재사용 가능한 구조가 토큰 비용과 실행 시간을 줄인다.
4. 신뢰성과 가소성을 함께 최적화한다: 에이전트는 새로운 경험에 적응하면서도 이미 검증된 업무 수행 능력을 잃지 않아야 하며, 인간의 학습 방식은 그 균형을 연구할 실존적 단서를 제공한다.
5. 전문성의 풍부함을 새로운 성장 축으로 삼는다: 지능이 일정 수준을 넘어선 뒤 더 큰 모델만 추구하기보다, 경험을 적응적으로 압축하고 공유하는 지속적 학습 알고리즘을 개선하는 것이 중요하다.
6. 사적 데이터를 일반화 자원으로 연결한다: 회사별 특화 에이전트가 현장에서 학습한 내용을 적절히 익명화·추상화해 범용 모델에 전달하면 공개 데이터 고갈 이후의 대규모 학습 기회를 만들 수 있다.
7. 개인과 조직의 전문가 접근성을 높인다: 개인 건강·금융·교육을 돕는 전문 에이전트와 회사별 제도적 기억이 결합하면, 지금은 높은 마찰로 실행되지 못하는 업무가 경제적으로 가능해진다.

핵심 요약 (20줄)

Yu Su는 The Ohio State University 교수이자 NeoCognition COO로서 에이전트와 지속적 학습을 연구한다. 현대 AI 에이전트는 멀티모달 입력을 통합 신경 표현으로 바꾸고 기호적 추론과 소통까지 수행한다. 코딩은 언어와 기호로 구조화되어 있고 테스트라는 보상 신호가 준비되어 있어 언어 에이전트에 이상적인 시장이다. Anthropic의 코딩 관련 생산성은 발표에서 2년이 채 되지 않는 기간의 400배 매출 성장 사례로 제시됐다. 코드 밖의 기업·개인 업무는 권한·절차·도구 설정이 제각각이어서 에이전트가 쉽게 취약한 실수를 낸다. 현대판 Moravec의 역설은 AI가 코딩과 수학에는 강하지만 일상적인 디지털 업무에는 약한 현상을 가리킨다. 사회는 회사·직업·도메인마다 국소 물리학이 다른 수백만 개의 마이크로월드로 구성된다. 에이전트는 각 마이크로월드의 구조·제약·가능성·동역학을 업무 중에 학습해야 한다. 지능은 주어진 맥락에서 낯선 문제를 추론해 해결하는 능력이다. 전문성은 특정 도메인에서 축적된 경험으로 안정적이고 효율적인 판단과 성과를 반복하는 능력이다. 전문가는 더 많은 사실만 아는 것이 아니라 표면을 넘어 문제의 깊은 구조를 다르게 본다. 전문성은 회의 일정처럼 권한·우선순위·긴급성을 함께 계산하고 규칙의 예외까지 판단한다. 지속적 학습은 경험을 미래 행동에 재사용할 수 있는 구조로 적응적으로 압축하는 과정이다. 재사용 구조는 파라미터·어댑터·벡터·그래프·스킬·월드 모델과 회상·예측·계획·제어에 활용될 수 있다. 지능만 확장하면 모든 문제를 처음처럼 푸는 세계에서 가장 똑똑한 초보자가 될 수 있다. 강력한 지속적 학습 알고리즘은 지능 증가를 더 빠른 전문성 증가로 바꾸는 학습 곡선의 기울기를 높인다. 일정 임계값 이상의 지능과 지속적 학습이 결합하면 제한된 지능에서 무한한 전문성이 나올 가능성이 있다. 전문성 연구는 측정 기준, 신뢰성과 가소성, 파라메트릭·비파라메트릭 학습의 결합을 해결해야 한다. 회사별 특화 에이전트의 현장 학습은 공개 데이터 고갈 이후 범용 모델을 위한 새로운 인터넷 규모 자원이 될 수 있다. 전문성이 풍부해지면 개인별 건강·금융·교육 지원과 새로운 유형의 경제적 활동이 가능해진다.