🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

What AI Can’t Do — And Why를 중심으로, 현재 AI 담론은 성능과 확장 가능성에 집중하지만, 영상은 반대로 “AI가 무엇을 못 하는가”를 통해 인간 인지의 특수성을 묻는다를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 현재 AI 담론은 성능과 확장 가능성에 집중하지만, 영상은 반대로 “AI가 무엇을 못 하는가”를 통해 인간 인지의 특수성을 묻는다.
2. 인간은 기억, 주의, 신체, 언어 같은 강한 제약 속에서도 적은 입력으로 수학, 과학, 예술, 사회적 판단 같은 복잡한 성취를 만들어낸다.
3. LLM은 방대한 데이터와 연산으로 단어 예측과 패턴 학습을 수행하지만, 인간은 훨씬 적은 경험으로도 의미와 규칙을 빠르게 파악한다.
4. 인간 판단은 완전한 최적화보다 satisficing, 즉 제한된 정보 속에서 충분히 작동하는 근사와 적응을 통해 움직이는 경우가 많다.
5. 직관, 은유, 유추, “aha moment”, 무작위에서 질서로 넘어가는 개념적 도약은 현재 AI의 연속적·통계적 처리 방식으로 완전히 설명되기 어렵다.

🧩 배경과 문제 정의

• 이 영상은 “AI가 무엇을 할 수 있는가”보다 “AI가 아직 하지 못하거나, 앞으로도 인간과 같은 방식으로 하기 어려울 수 있는 것은 무엇인가”를 중심 질문으로 삼는다.
• 현재 AI 담론은 성능 향상, 확장 가능성, 자동화 가능성에 크게 집중하지만, 인간이 제한된 정보와 자원만으로 복잡한 학습과 판단을 수행하는 방식은 여전히 충분히 설명되지 않은 문제로 남아 있다.
• 인간 학습은 막대한 계산과 데이터로 정답을 밀어붙이는 방식이라기보다, 기억·주의·신체·언어·시간 같은 제약 속에서 충분히 작동하는 근사와 적응을 만들어내는 과정에 가깝다.
• LLM 중심의 현재 AI는 방대한 데이터와 연산을 통해 인간 행동의 일부를 모사하지만, 그것이 인간 인지와 같은 방식으로 사고한다거나 인간의 지적 역할을 전면 대체할 수 있다는 결론은 아직 성급하다.
• AI가 모든 인지 노동과 과학적 발견까지 대체할 수 있다는 서사는 사람들에게 무력감과 공포를 만들 수 있지만, 그 전제에는 인간 학습과 창조적 도약에 대한 미해결 문제가 남아 있다.

🕒 시간순 섹션별 상세정리

1. AI가 못 하는 것과 인간 인지의 복잡성

• 대화의 출발점은 AI가 무엇을 잘하는지가 아니라, AI가 하지 못하거나 앞으로도 어려울 수 있는 영역을 묻는 데 있다 [00:28]
• 인간 인지는 단순히 더 큰 계산 규모로 환원되는 현상이 아니며, AI와 비교할 때 훨씬 복잡한 학습·판단 구조를 포함한다 [00:43]
• 인간과 AI의 학습 방식을 비교하면, 인간은 정답을 brute force로 밀어붙이는 방식보다 더 복합적인 인지 과정을 통해 이해에 도달한다 [00:58]
• 이 차이는 AI의 성능만으로 인간 사고를 설명하거나 대체 가능성을 단정하기 어렵게 만드는 핵심 배경이 된다 [01:13]

2. 인간은 제약 속에서도 적은 입력으로 큰 성과를 낸다

• 인간 학습의 핵심은 일반적인 학습 원리를 넘어서, 개인적·사회적 차원에서 매우 적은 정보로 많은 것을 성취하는 특수한 능력에 있다 [02:25]
• 이 능력은 여전히 수수께끼에 가깝고, 인간이 어떻게 제한된 입력만으로 의미 있는 일반화와 이해에 도달하는지 설명해야 하는 과제를 남긴다 [02:40]
• 인간은 특정한 신체, 기억 한계, 주의 한계, 제한된 발성 체계 같은 제약을 가진 존재다 [02:59]
• 그러나 이런 제약은 학습과 이해를 완전히 막기보다, 오히려 인간이 세계를 다루는 방식의 중요한 조건으로 작동한다 [03:14]

3. 현재 AI는 인간과 반대 방향에서 성능을 만든다

• 현재 AI 접근은 인간 학습과 정반대 방향에 가깝게, 많은 컴퓨팅 파워와 공학적 설계, 방대한 데이터에 의존해 성능을 만든다 [04:15]
• 이는 인간이 제한된 자원으로 학습하는 방식과 구조적으로 다르며, 성능이 비슷해 보이더라도 내부 원리가 같다고 보기 어렵게 만든다 [04:30]
• 인간은 제약 속에서도 많은 것을 해내지만, AI는 상대적으로 적은 제약과 막대한 자원을 바탕으로 특정 과제를 수행한다 [04:34]
• 따라서 AI가 어떤 과제를 성공적으로 수행한다는 사실만으로 인간 인지의 작동 방식을 설명했다고 보기는 어렵다 [04:49]

4. 만족화는 완벽한 정보보다 충분히 작동하는 근사에 가깝다

• satisficing은 제한된 정보, 피로, 멀티태스킹, 시간 압박 속에서 사람들이 충분히 만족스러운 모델이나 믿음에 도달하면 행동을 이어가는 방식을 가리킨다 [05:35]
• 이는 모든 정보를 수집하고 최적해를 계산한 뒤 움직이는 방식이 아니라, 현실적인 조건 속에서 작동 가능한 판단 지점을 찾는 과정에 가깝다 [05:50]
• 사람들은 모든 정보를 모으지 못한 상태에서도 ‘충분히 좋은’ 판단에 도달하면 다음 단계로 넘어간다 [06:06]
• 이 과정은 반드시 의식적인 타협으로 경험되지 않으며, 인간의 일상적 판단과 학습 속에 자연스럽게 포함된다 [06:21]

5. LLM의 brute-force 학습은 인간의 직관과 다르다

• LLM은 문장에서 빠진 단어를 예측하는 문제를 풀기 위해 가능한 단어 후보와 방대한 문장 데이터를 통계적으로 비교하는 방식에 의존한다 [07:17]
• 이런 접근은 인간이 친숙한 상황에서 즉각적으로 의미를 떠올리는 방식과 다르며, 대규모 데이터 패턴을 통해 확률 구조를 학습하는 쪽에 가깝다 [07:32]
• “leash를 잡고 blank를 산책시켰다” 같은 문장에서 인간은 경험과 친숙함을 바탕으로 곧바로 dog를 떠올릴 수 있다 [07:47]
• 반면 AI 모델은 그런 인간적 직관을 갖고 있다고 단정하기 어렵고, 데이터 속 반복 패턴과 확률 관계를 통해 답에 접근한다 [08:02]

6. 인간 대체 서사는 아직 근거가 부족하다

• 인지과학은 아직 초기 단계에 있으며, 인간 사고와 학습을 완전히 설명하는 통합 이론은 충분히 갖춰지지 않았다 [09:16]
• 신경생물학, 문화 진화, 기술이 행동에 미치는 영향까지 모두 포괄하는 설명은 아직 미해결 과제로 남아 있다 [09:31]
• 이런 상태에서는 LLM이나 AI가 인간과 같은 방식으로 문제를 푼다고 결론 내리기 어렵다 [09:38]
• 또한 AI가 인간과 비교 가능한 방식으로 사고한다거나 인간 인지를 대체할 수 있다고 단정하는 것도 신중해야 한다 [09:53]

7. 인간 지능을 예측 기계로 축소하는 관점의 위험

• 인간은 여러 제약 속에서도 무한, 양자물리, 예술, 문화 같은 복잡한 세계를 이해해 왔다 [12:17]
• 입자 움직임을 극도로 정밀하게 예측하는 수준의 과학적 성취는 인간 지능이 단순한 예측 기계 이상이라는 점을 보여주는 사례로 드러난다 [12:32]
• “humanity has had a good run” 같은 메시지는 AI 시대에 인간의 역할이 끝났다는 정서를 퍼뜨릴 수 있다 [13:13]
• 이런 공개 메시지는 투자자, 사용자, 학생들에게도 좋지 않은 분위기를 만들며, 인간의 지적 가능성을 과도하게 축소하는 효과를 낳을 수 있다 [13:28]

8. 인간 뇌의 차이를 묻는 문제와 직관의 위상

• 인간 뇌에는 AI가 아직 달성하지 못한 세밀한 과정이 있을 수 있으며, 그 차이가 무엇인지가 중요한 질문으로 제기된다 [15:36]
• 특히 그 차이가 직관과 경험의 결합에서 나오는지, 혹은 다른 인지적 메커니즘에서 나오는지가 핵심 쟁점이 된다 [15:51]
• 직관은 과학적 기술어로는 불명확하기 때문에 비판받기 쉽다 [15:56]
• 그러나 수학자, 과학자, 예술가의 전기에서 직관은 반복적으로 중요한 역할을 하므로 쉽게 폐기하기 어렵다 [16:11]

9. 개념적 도약과 LLM의 연속적 처리 한계

• 인간 학습에는 추론과 통찰의 비약이 깊게 자리하며, 연구 결과 역시 일종의 개념적 도약으로 볼 수 있다 [16:53]
• 이런 도약은 단순히 이미 주어진 공간 안에서 한 단계씩 이동하는 과정만으로 설명하기 어려운 측면을 가진다 [17:08]
• 현재 대형 언어 모델 아키텍처가 이런 도약을 할 수 있는지를 두고 AI 분야 안에서도 논쟁이 있다 [17:15]
• 제시된 관점에 따르면 모델은 이미 이해한 공간 안에서 단계적·연속적으로 움직여야 하는 제약을 가질 수 있다 [17:30]

10. 끈질긴 직관과 통계 프레임 밖의 인간 학습

• 어떤 수학자는 문제가 풀릴 수 있다는 직관이나 특정 해결 경로를 붙잡고 10년 동안 실패를 반복할 수 있다 [18:27]
• 주변의 비판 속에서 이런 행동은 비합리적으로 보일 수 있지만, 인간의 지적 탐구에는 이런 끈질긴 직관이 실제로 작동한다 [18:42]
• 일부는 끝내 실패하지만, 일부는 중대한 돌파구에 도달한다 [18:57]
• 압도적으로 불리한 조건에서도 “올바른 방향”이라는 감각을 유지한 점이 통계적 최적화만으로 설명하기 어려운 차이를 만든다 [19:12]

11. 작은 정보로 넓은 규칙을 배우는 인간의 수학적 규칙성

• 연구의 핵심 질문은 인간이 적은 정보로 많은 것을 해내는 방식이 무엇인지에 있다 [19:59]
• 그 안에 어떤 구성 요소, 기본 원리, 규칙성이 있는지를 찾는 것이 인간 학습을 이해하는 중요한 과제가 된다 [20:14]
• 단순한 수학적 규칙성은 아이들의 문법 규칙 학습과 간단한 수학 규칙 학습에서 나타난다 [20:18]
• 이런 규칙성은 인간 학습의 여러 현상을 하나로 묶어 설명할 수 있는 단서로 드러난다 [20:33]

12. LLM의 상한과 무작위에서 질서로 도약하는 인간

• AI의 상한을 묻는 문제에서 최적화 프레임워크는 인간 행동을 예측하는 데 제한적일 수 있다 [21:46]
• LLM 실험 결과도 인간 학습보다는 더 최적화자에 가까운 방식의 행동을 보이는 것으로 드러난다 [22:01]
• LLM이 예측을 통해 인간 행동을 배운다면, 인간 본성의 핵심인 창조적 도약을 이해하는 데 한계가 생길 수 있다 [22:10]
• 초기의 무작위적 행동이 갑자기 안정적인 범주 이해로 수렴하는 현상은 인간 학습을 설명할 때 중요하게 다뤄진다 [22:25]

13. 구조화된 언어 데이터와 인간 학습의 근본적 차이

• AI 모델은 혼돈이나 무작위성을 직접 다루기보다, 빈 단어를 예측할 수 있는 고도로 구조화된 문장 데이터를 입력으로 받는다 [24:03]
• 언어의 반복 패턴 자체가 강한 학습 보조 장치로 작동하기 때문에, LLM의 학습 환경은 인간이 세계를 처음 마주하는 조건과 다르다 [24:18]
• 인간 종의 진화에는 그런 식의 학습 보조 장치가 주어져 있지 않았다 [24:26]
• 인간은 세계에 규칙성과 질서가 있는지조차 불확실한 상태에서 소음, 혼돈, 무작위성을 마주해야 했다 [24:41]

14. 최적화가 놓치는 경이, 낯섦, 생물학적 인간성

• 과학, 예술, 영성을 움직이는 힘에는 세계가 압도적으로 복잡하고 아름답고 혼란스럽다는 감각이 있다 [25:28]
• 그 낯섦과 이상함은 인간이 의미를 경험하는 기반이며, 단순한 최적화 프레임으로는 충분히 포착하기 어렵다 [25:43]
• 비트겐슈타인의 관점처럼 핵심 미스터리는 무엇이 존재하는지가 아니라, 무언가가 존재한다는 사실 자체에 있다 [26:01]
• 마무리 논지는 인간에게는 존재한다는 사실에 대한 안정적인 체감 현실이 있으며, AI 논의에서도 이 생물학적·경험적 인간성을 지워서는 안 된다는 방향으로 압축된다 [26:16]

15. 기계화 설명을 넘어 남는 인간 본성의 이상함

• 최적화 접근은 세계를 기계화해 설명하려는 방식이며, 그 과정에서 존재의 체감이 근본적으로 중요하다는 점이 사라질 수 있다 [26:22]
• 합리적 모델링을 중시하는 관점은 낯섦이나 이상함을 굳이 포함하지 않아도 된다고 말할 수 있다 [26:38]
• 화자는 메커니즘 자체를 부정하지 않지만, 더 깊은 이해는 오히려 인간 본성의 이상함을 드러내는 방향이 될 것이라고 본다 [26:55]
• 인간은 기린이나 오징어 같은 다양한 생명체가 보여주는 생물학적 복잡성의 일부이며, 사회가 바라는 것처럼 질서정연한 기계가 아니다 [27:22]

16. 연구의 의미와 대화를 이어가야 한다는 마무리

• 진행자는 이번 대화가 매우 몰입적이었고, 이 연구가 사람들이 AI와 인간을 생각하는 방식에 영향을 주기를 바란다고 말한다 [27:36]
• 게스트는 대화에 감사하며, 자신들만이 아니라 더 많은 사람들이 이 중요한 논의를 계속 이어가기를 희망한다고 답한다 [27:48]
• 에피소드는 Stanford Graduate School of Business의 If Then 팟캐스트로 소개되며 제작진과 편집·운영진 크레딧이 이어진다 [28:17]
• 청취자는 Stanford GSB 웹사이트와 소셜 미디어에서 관련 교수진과 연구를 더 찾아볼 수 있으며, 진행자는 다음 에피소드로 돌아오겠다고 마무리한다 [28:36]

🧾 결론

• 이 영상의 핵심 주장은 AI의 한계를 단순한 성능 부족이 아니라, 인간 학습과 의미 형성 방식의 근본적 차이에서 봐야 한다는 것이다.
• 현재 LLM 중심 AI는 매우 강력하지만, 방대한 데이터와 컴퓨팅에 기대어 패턴을 학습하는 방식이 인간의 직관·통찰·사회적 이해와 동일하다고 보기는 어렵다.
• 인간은 혼돈, 불완전한 정보, 신체적·인지적 제약 속에서도 규칙과 의미를 만들어내며, 이것이 AI와 구별되는 중요한 지점으로 제시된다.
• 따라서 “AI가 인간 과학자나 인지 노동을 곧 대체할 것”이라는 서사는 아직 충분히 입증된 결론이 아니라 검증이 필요한 주장으로 남는다.
• 인간 지능을 예측 기계나 최적화 장치로만 축소하면, 창의성·직관·문화·의미 경험 같은 중요한 능력을 설명하기 어려워진다.

📈 투자·시사 포인트

• AI 기업이나 기술을 평가할 때 단순 성능 지표뿐 아니라 데이터 의존도, 연산 비용, 인간형 추론과 개념적 도약의 한계를 함께 봐야 한다.
• “모든 인지 노동의 자동화”를 전제로 한 낙관적 전망은 검증이 필요하며, 특히 과학·창의·고맥락 판단 영역에서는 인간의 보완적 역할이 계속 중요할 수 있다.
• AI 도입 전략은 인간 대체보다 인간의 제한된 정보 처리, 직관, 사회적 판단을 보조하는 방향에서 더 현실적인 가치를 만들 수 있다.
• 투자 관점에서는 대규모 모델 자체뿐 아니라 인간-AI 협업, 판단 보조, 교육, 연구 지원처럼 인간의 강점을 증폭하는 활용처에 주목필요가 있다.
• 장기적으로는 더 많은 데이터와 연산만으로 인간 학습의 모든 특성이 해결될 수 있는지, 또는 새로운 아키텍처와 인지 모델이 필요한지가 중요한 검증 과제로 남는다.

⚠️ 불확실하거나 확인이 필요한 부분

• 현재 LLM이 인간의 “개념적 도약”이나 “aha moment”를 할 수 없다는 주장은 영상 안에서도 논쟁 중인 문제로 다뤄지며, 확정된 결론이라기보다 검증이 필요한 연구 질문에 가깝다.
• 인간 학습이 LLM의 통계적 최적화와 “질적으로 다르다”는 해석은 강한 주장이다. 적은 입력으로 넓은 규칙을 배우는 인간의 능력은 강조되지만, 그 차이가 어떤 메커니즘에서 비롯되는지는 아직 완전한 이론으로 정리되지 않았다.
• 수학자나 과학자가 오랜 실패 끝에 직관을 붙잡고 돌파구에 도달한다는 사례는 인간 창의성의 중요한 단서로 제시되지만, 이를 일반적인 학습 원리로 확장하려면 추가 연구와 사례 검증이 필요하다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• AI가 인간 인지를 대체할 수 있다는 주장과, 인간 학습이 여전히 설명되지 않았다는 반론을 분리해 정리한다.
• “예측 기계로서의 지능” 관점이 인간의 직관, 은유, 유추, 미감, 사회적 판단을 얼마나 설명할 수 있는지 비교 검토한다.
• LLM의 빈칸 예측·대규모 데이터 학습 방식과 인간의 적은 입력 기반 학습 방식을 대비하는 핵심 사례를 노트에 따로 정리한다.
• “현재 AI의 한계”와 “앞으로도 불가능한 영역”을 구분해 표현하며, 확정적 단정 대신 연구상 불확실성을 명시한다.

❓ 열린 질문

• 인간이 적은 정보와 제한된 기억·주의·신체 조건 속에서도 복잡한 규칙을 배우는 핵심 원리는 무엇인가?
• LLM은 충분한 데이터와 연산을 통해 인간의 개념적 도약과 유사한 행동을 모사할 수 있는가, 아니면 구조적으로 다른 한계를 갖는가?
• 직관, 미감, 은유, 유추처럼 언어화되기 전의 판단 자원은 과학적으로 어떻게 측정하고 모델링할 수 있는가?