한국어EN

총정리6부 앞으로DAY 56–60

6부 총정리

앞으로 — 용어와 원리까지 · DAY 56-60

AI가 만든 글이 총정리는 AI(Claude)가 그 부의 수업과 기록을 바탕으로 썼어요. 자동 점검을 거쳐 올리고, 운영자가 모든 글을 읽지는 않아요.만드는 방법

6부는 앞으로를 다섯 날에 걸쳐 봤어. 고급은 같은 사실을 용어까지 들어가서 본다 — 무슨 시험으로 쟀는지, 숫자가 어디서 나왔는지까지.

퀴즈도 실험도 없어. 새 용어는 처음 쓸 때 한 문장으로 풀어 줄게.

DAY 56 · AGI 논쟁

AGI 논쟁 — 자를 어디에 대느냐의 문제

AGI는 '사람만큼 두루 잘하는 AI'를 가리키는 말이야. 어디까지 해내야 그렇다고 할지는 합의가 없어서, 같은 AI를 놓고 판정이 갈려. 1950년 튜링은 속을 들여다보지 말고 겉으로 드러난 대답만 보고 판정하자고 했어. 기준을 낮게 두는 쪽의 뿌리야. 2019년에는 지능을 '아는 양'이 아니라 새 기술을 익히는 속도로 재자는 제안이 나왔어. 기준을 높게 두는 쪽의 뿌리고.

벤치마크는 모델끼리 같은 조건에서 비교하려고 만든 문제집이야. AGI 논쟁에서 숫자는 대개 여기서 나와. 2026년 2월, 사람 평균이 60%인 퍼즐 시험(ARC-AGI-2)에서 84.6%를 받았다는 자사 발표가 나왔어. 설명서 없이 새 규칙을 알아내야 하는 ARC-AGI-3는 2026년 3월 공개 당시 사람 100% · AI 0.51%였어.

문제집은 언젠가 다 풀려. 그래서 새 시험이 계속 만들어지고, 점수만으로는 논쟁이 끝나지 않아. 실제 사람 일을 통째로 맡겨 본 2025년 평가에서 가장 잘한 AI가 끝까지 해낸 건 2.5%였어. 그래서 'AGI'라는 말 자체를 버리고 그냥 '강력한 AI'라고 부르자는 쪽도 있어. 말이 흐릿하면 다툼만 길어지니까.

DAY 57 · AI와 직업

AI와 직업 — 조각 단위로 봐야 보인다

직업 이름으로 보면 '사라진다, 아니다'밖에 안 나와. 조각으로 쪼개면 모으기 · 만들기 · 고르기 · 책임지기로 갈려. 앞의 두 조각은 정답 모양이 정해져 있고 반복되는 일이라 AI가 먼저 가져갔어. 뒤의 두 조각은 무엇이 옳은지 정하고 감당하는 일이라 그대로 남아.

2025년에는 9개 분야 44개 직업의 실제 업무 산출물로 AI를 채점한 평가가 나왔어. 문제집이 아니라 진짜 일로 잰 거야. 같은 해, 실제 업무를 통째로 맡겼을 때 끝까지 해낸 비율이 2.5%라는 평가도 나왔어. 조각은 잘하고 이어 붙이기는 약하다 — 두 숫자를 같이 놓으면 그 모양이 보여.

AI를 많이 쓰는 분야에서 22~25세의 일자리 수가 상대적으로 적더라는 2025년 관찰이 있어. 저자들은 '원인을 밝힌 게 아니라 관찰'이라고 못 박았어. 숫자를 읽을 때 꼭 같이 읽어야 하는 문장이야. 조각이 바뀌면 직함도 바뀌어. 2023년에는 '프롬프트 엔지니어'라는 이름이 새로 생기기도 했어.

DAY 58 · AI 안전

AI 안전 — 모델 위에 얹는 장치 셋

안전은 모델의 성격이 아니라 바깥에 덧붙이는 장치야. 거절하기 · 하기 전에 물어보기 · 나중에 들여다보기 셋으로 나눠 볼 수 있어. 2022년에는 사람이 일일이 라벨을 붙이는 대신 '원칙을 적은 글'을 학습 신호로 쓰는 방법이 나왔어. 거절을 가르치는 뿌리가 된 연구야. 모델은 원래 아는 걸 말해 주는 쪽으로 배워. 거절은 저절로 생기지 않고 따로 가르쳐야 하는 행동이야.

들어오는 질문과 나가는 답을 같이 걸러 주는 장치를 얹었더니, 꼼수 질문의 성공률이 86%에서 4.4%로 떨어졌어(2025년). 3,000시간 넘게 꼼수를 던졌는데 통째로 뚫는 방법은 나오지 않았다고 해. 그래도 0은 아니야. 값이 같이 붙어 와. 같은 연구에서 계산이 23.7% 더 들었어.

장치를 세게 조이면 위험한 질문만 막는 게 아니라 평범한 부탁도 막혀. 이걸 과잉 거절이라고 불러. 그래서 요즘은 거절 실력과 과잉 거절을 한 쌍으로 같이 재. 한쪽만 좋아져도 쓸 만한 AI가 아니거든. 나중에 들여다보는 쪽도 사람 손에서 도구로 옮겨 갔어. 2025년에는 AI가 AI를 자동으로 감사하게 만든 도구가 무료로 공개됐어.

DAY 59 · 로봇과 AI

로봇과 AI — 앞쪽 세 조각과 뒤쪽 한 조각

로봇이 한 번 움직이려면 보기 · 알아듣기 · 정하기 · 움직이기를 거쳐. 앞 세 조각이 최근 몇 년에 AI로 바뀐 부분이야. 2023년에는 인터넷 사진과 글로 배운 지식을 로봇 팔 제어에 그대로 이어 붙인 연구가 나왔어. 2025년에는 말을 알아듣는 대형 모델을 로봇 몸에 연결한 모델이 공개됐어. 원래 뿌리가 다른 두 분야가 이때부터 본격적으로 붙었어.

손으로 잡고 다리로 걷는 조각은 수십 년 쌓인 제어 기술이 맡아. AI가 대신한 게 아니야. 예전 로봇은 정해 준 좌표대로만 움직여서 물건이 1cm만 삐뚤어져도 허공을 집었어. 손과 다리는 정확했지만 무엇을 할지 정하는 조각이 없었던 거야. 그래서 '로봇이 AI다'가 아니라 '로봇 안에 AI가 들어갔다'고 말하는 게 정확해.

균형은 1초에 수백에서 수천 번 잡아야 하는데 생각은 그 속도로 못 해. 한 회로로 다 하려면 둘 중 하나가 늦어져. 2026년 공개된 한 로봇은 전신 균형을 1초에 1,000번, 관절을 200번 고쳐 잡고, 의미를 따지는 부분은 훨씬 천천히 돌린다고 밝혔어. 그래서 진짜 어려운 쪽은 생각이 아니라 몸이야. 속도가 다른 일을 같은 몸 안에서 겹쳐 돌려야 하거든.

DAY 60 · 배우는 순서

배우는 순서 — 60일을 한 고리로 묶으면

60일 내내 반복해서 나온 답은 하나였어 — 묻고, 확인하고, 직접 해 보고, 내 말로 설명하기. 새 도구를 만났을 때, AI 답을 받았을 때, 혼자 새로 배울 때 세 상황 다 순서가 같아. 한 바퀴 돌면 다시 첫 칸이야. 이 고리를 혼자 돌릴 수 있으면 가르쳐 주는 사람 없이도 계속 배울 수 있어.

AI가 가져가는 조각과 사람한테 남는 조각이 여기서 갈려. 초안은 AI가 주고, 맞는지 정하는 건 너야. 그래서 '확인하고' 칸을 빼면 순서가 무너져. AI는 아주 자신 있게 틀리기도 하니까. 도구는 몇 달마다 바뀌지만 배우는 방법은 안 바뀌어. 이게 새 도구 이름을 외우지 않아도 되는 이유야.

사람은 쉽게 푸는데 AI는 못 푸는 퍼즐 대회가 매년 결과를 공개해. AI가 어디까지 왔는지 직접 따라갈 수 있어. 'AI가 배울 글이 언제 바닥날까'를 숫자로 따져 본 글도 있어. 답보다 따지는 방법을 보는 게 더 쓸모 있어. 출처는 아래에 모아 뒀어. 한 줄 요약을 믿지 말고 직접 열어 보는 것도 순서의 한 칸이야.

6부를 한 줄로

다섯 날을 한 줄로 줄이면 이거야 — 앞으로를 묻는 질문은 대부분 AI가 아니라 우리 쪽을 묻고 있다. 기준을 어디에 그을지, 어느 조각을 맡길지, 무슨 장치를 붙일지, 무엇을 배울지.

이걸로 60일 과정이 끝났어. 다음 주부터는 그 주에 새로 더한 기록으로 만든 수업이 매주 한 편 열려.

더 알아보기

  1. Computing Machinery and Intelligence (Turing, 1950) — '기계가 생각하나'를 겉으로 드러난 대답으로 판정하자고 한 원논문academic.oup.com/mind/article/LIX/236/433/986238
  2. On the Measure of Intelligence (Chollet, 2019) — 지능을 아는 양이 아니라 새 기술을 익히는 속도로 재자는 제안arxiv.org/abs/1911.01547
  3. ARC-AGI-3 공개 (ARC Prize, 2026) — 설명서 없이 새 규칙을 알아내는 시험. 공개 당시 사람 100% 대 AI 0.51%arcprize.org/blog/arc-agi-3-launch
  4. Gemini 3 Deep Think (Google, 2026) — 사람 평균 60%인 퍼즐 시험에서 84.6%를 받았다는 자사 발표blog.google/innovation-and-ai/models-and-research/g…
  5. GDPval (OpenAI, 2025) — 9개 분야 44개 직업의 실제 업무 산출물로 AI를 채점한 평가openai.com/index/gdpval
  6. Remote Labor Index (Scale AI·CAIS, 2025) — 실제 업무를 통째로 맡겼을 때 끝까지 해낸 비율이 2.5%였다는 평가arxiv.org/abs/2510.26787
  7. Canaries in the Coal Mine (Stanford Digital Economy Lab, 2025) — 22~25세 일자리 수를 본 관찰. 저자들도 원인 규명이 아니라고 못 박았다digitaleconomy.stanford.edu/publication/canaries-in…
  8. Constitutional AI (Anthropic, 2022) — 원칙을 적은 글을 학습 신호로 쓴 방법. 거절을 가르치는 뿌리가 된 논문arxiv.org/abs/2212.08073
  9. Constitutional Classifiers (Anthropic, 2025) — 꼼수 성공률 86%에서 4.4%, 계산 23.7% 증가라는 숫자의 원문anthropic.com/news/constitutional-classifiers
  10. Petri (Anthropic, 2025) — AI가 AI를 자동으로 감사하게 만든 공개 도구anthropic.com/research/petri-open-source-auditing
  11. RT-2 (Google DeepMind, 2023) — 인터넷 사진·글로 배운 지식을 로봇 팔 제어에 그대로 이어 붙인 연구arxiv.org/abs/2307.15818
  12. Gemini Robotics (Google DeepMind, 2025) — 말을 알아듣는 대형 모델을 로봇 몸에 연결한 모델 소개deepmind.google/discover/blog/gemini-robotics-bring…
  13. Helix 02 (Figure, 2026) — 균형 1초 1,000번, 관절 200번처럼 회로를 속도별로 나눠 돌린다는 설명figure.ai/news/helix-02
  14. ARC Prize 2025 결과 분석 (ARC Prize, 2025) — 사람은 쉽게 푸는데 AI는 못 푸는 퍼즐 대회의 결과 공개arcprize.org/blog/arc-prize-2025-results-analysis
  15. Will we run out of data? (Epoch AI, 2024) — AI가 배울 글이 언제 바닥날까를 숫자로 따져 본 글epoch.ai/blog/will-we-run-out-of-data-limits-of-llm…