알파고 이후 10년, 인공지능은 바둑판을 넘어 과학 연구와 일상 업무 속으로 들어왔다. Google DeepMind의 데미스 하사비스는 조승연의 탐구생활 인터뷰에서 알파고, 알파폴드, Gemini, AI 시대 교육에 대해 이야기했다. 먼저 볼 부분은 분명하다. AI 시대의 경쟁력은 그냥 도구 이름을 많이 아는 것이 아니라, 좋은 질문을 만들고 문제를 나누며 AI를 제대로 부리는 능력이다.
Read in English: AI Era Skills: What Demis Hassabis Teaches About Learning, STEM, and Agents
이 글은 해당 인터뷰를 바탕으로 “AI 시대에 무엇을 배워야 하는가”라는 질문에 맞춰 핵심 내용을 정리한 글이다. 영상은 Google의 지원을 받아 제작된 콘텐츠이며, 아래 정리는 영어 자동자막과 영상 맥락을 바탕으로 작성했다.
알파고의 의미는 ‘바둑 승리’보다 컸다
알파고가 이세돌 9단과의 대국에서 승리했을 때 많은 사람은 “AI가 인간을 이겼다”는 장면에 주목했다. 하지만 하사비스가 강조하는 지점은 조금 다르다. 알파고의 진짜 의미는 사람이 모든 정답을 입력한 프로그램이 아니라는 점에 있습니다. 스스로 학습한 시스템이 복잡한 문제를 풀 수 있음을 보여줬습니다.
바둑은 경우의 수가 매우 많고 직관, 패턴 인식, 장기 전략이 모두 필요한 게임이다. 체스보다 훨씬 열린 공간에서 판단해야 하므로 오랫동안 AI 연구의 어려운 과제로 여겨졌다. 알파고는 그 난제를 강화학습과 딥러닝으로 돌파했다. 이 점에서 알파고는 오늘날 생성형 AI와 AI 에이전트 시대를 예고한 초기 사례로 볼 수 있다.
게임은 장난이 아니라 AI의 훈련장이었다
딥마인드는 아타리 게임, 바둑, 스타크래프트 같은 게임을 AI 연구의 실험장으로 활용해 왔다. 게임은 규칙이 명확하고 결과를 측정하기 쉬우며, 현실보다 안전하게 실패를 반복할 수 있다. 그래서 AI가 학습, 추론, 전략 수립을 연습하기 좋은 환경이다.
특히 스타크래프트는 바둑과 다른 종류의 지능을 요구한다. 바둑은 모든 정보가 공개된 완전정보 게임이지만, 스타크래프트는 상대의 상황을 완전히 알 수 없는 불완전정보 게임이다. 자원 관리, 유닛 조합, 장기 전략, 다중 의사결정이 필요하다. 현실의 업무와 경영도 이와 비슷하다. 모든 정보가 주어지지 않은 상태에서 판단하고, 여러 선택지를 조율해야 한다.
이 흐름을 보면 “AI가 게임을 잘한다”는 말은 가벼운 이야기가 아니다. 게임은 현실 문제를 풀기 전, AI가 복잡한 의사결정을 배우는 훈련장이었다.
알파폴드는 AI가 과학의 도구가 될 수 있음을 보여줬다
하사비스가 말한 또 하나의 중요한 사례는 알파폴드다. 알파폴드는 단백질의 3차원 구조를 예측하는 AI 시스템이다. 단백질 구조를 알면 그 단백질이 어떤 기능을 하는지 이해할 수 있습니다. 질병과 어떤 관련이 있는지, 신약 개발에서 어디를 공략해야 하는지 파악하는 데도 도움이 됩니다.
과거에는 단백질 하나의 구조를 밝히는 데 매우 오랜 시간이 걸렸다. 그런데 알파폴드는 방대한 단백질 구조 예측을 가능하게 했고, 그 결과는 연구자들에게 공개됐다. 즉 AI는 그냥 글을 쓰거나 이미지를 만드는 도구를 넘어섰습니다. 과학자가 더 빠르게 가설을 세우고 실험 방향을 잡도록 돕는 도구가 되고 있습니다.
이 지점은 AI 시대 교육에도 중요한 힌트를 준다. 앞으로 중요한 사람은 AI 결과물을 그대로 받아쓰는 사람이 아닙니다. AI가 제시한 가능성을 해석하고 검증하며 다음 질문으로 이어갈 수 있는 사람입니다.
AI 시대에도 수학과 과학은 여전히 중요하다
AI가 계산하고 요약하고 코드를 짜주는 시대라면, 수학과 과학을 덜 배워도 될까? 하사비스의 답은 반대에 가깝다. AI 도구가 강력해질수록, 그 도구가 무엇을 하고 있는지 이해할 수 있는 기초 지식이 더 중요해진다.
수학과 과학은 단순 암기 과목이 아니다. 세상을 모델로 바라보고, 가설을 세우고, 증거로 확인하는 사고방식의 훈련이다. AI가 답을 빠르게 제시해도, 그 답이 맞는지 판단하려면 원리를 이해해야 한다. 학생에게 필요한 관점은 “AI가 대신해주니 공부하지 않아도 된다”가 아닙니다. “AI를 더 잘 쓰기 위해 기본 원리를 배운다”는 관점입니다.
아이들은 AI를 ‘공부’만 하지 말고 직접 써봐야 한다
하사비스는 1980~90년대 개인용 컴퓨터를 가지고 놀던 세대가 디지털 시대를 이끌었다는 점을 떠올리게 한다. 당시 아이들은 컴퓨터를 교과서로만 배우지 않았다. 직접 만지고, 코드를 써보고, 게임을 만들고, 시행착오를 겪었다. 오늘날 AI도 비슷하다.
아이들이 AI를 제대로 배우려면 그냥 “프롬프트 작성법”을 외우는 데서 멈추면 안 된다. 글쓰기, 발표 준비, 과학 탐구부터 AI를 직접 적용해 봐야 합니다. 웹사이트 제작, 앱 기획, 데이터 분석처럼 자신이 관심 있는 문제에도 연결해 볼 수 있습니다. 그 과정에서 AI가 잘하는 일과 못하는 일, 질문을 바꿨을 때 결과가 어떻게 달라지는지 체감하게 된다.
부모와 교사에게 필요한 질문도 바뀐다. “AI를 쓰면 안 된다”가 아니라 “어떤 문제에, 어떤 방식으로, 어느 정도까지 AI를 쓰게 할 것인가”를 설계해야 한다.
앞으로 중요한 능력은 ‘CEO처럼 생각하는 능력’이다
인터뷰에서 가장 실용적인 메시지는 AI 에이전트 시대의 역량이다. 하사비스는 앞으로 한 사람이 여러 AI 에이전트를 활용하게 될 가능성을 말한다. 어떤 에이전트는 자료를 조사하고, 어떤 에이전트는 아이디어를 정리하고, 어떤 에이전트는 코드를 작성하고, 또 다른 에이전트는 결과를 검토할 수 있다.
이때 사람의 역할은 줄어드는 것이 아니라 바뀐다. 모든 일을 직접 하는 사람이 아니라, 큰 문제를 작은 단위로 나누고 적절한 AI에게 맡기며 결과를 판단하는 사람이 중요해진다. 말하자면 작은 조직의 CEO처럼 생각하는 능력이다.
여기서 먼저 볼 부분은 질문력이다. 좋은 질문은 그냥 문장을 예쁘게 쓰는 기술이 아니다. 무엇이 중요한 문제인지 정하고, 어떤 정보가 필요하며, 어떤 기준으로 결과를 평가할지 정하는 능력이다. 그래서 AI 시대의 공부는 암기량 경쟁보다 문제 정의 능력으로 이동한다.
AI 시대 필수 역량 체크리스트
AI 시대를 준비하는 학생, 부모, 직장인이라면 다음 다섯 가지를 점검해 볼 필요가 있다.
- STEM 기초: 수학, 과학, 컴퓨팅의 기본 원리를 이해하고 있는가?
- AI 도구 사용 경험: ChatGPT, Gemini 같은 도구를 실제 프로젝트에 써봤는가?
- 질문력: 막연한 호기심을 구체적인 질문과 과제로 바꿀 수 있는가?
- 문제 분해 능력: 큰 목표를 작은 작업 단위로 나눌 수 있는가?
- 검증 능력: AI가 낸 결과를 사실, 논리, 목적 기준으로 확인할 수 있는가?
이 다섯 가지는 서로 연결된다. 기초 지식이 있어야 AI 답변을 검증할 수 있습니다. 질문력이 있어야 AI를 단순 검색 도구가 아니라 사고 파트너로 활용할 수 있습니다. 문제를 잘 나눌 수 있어야 여러 AI 에이전트를 조율할 수 있다.
함께 읽어볼 글
- AI 시대의 승자는 무엇을 준비할까? 세바시 강연 6편에서 뽑은 핵심
- AI 시대에 더 중요해진 창조적 사고, 김정운 박사가 말한 질문과 관점의 힘
- AI 시대 인간의 가치: 대체되지 않는 사람은 무엇을 준비해야 할까
- AI 에이전트와 피지컬 AI, 이제 ‘행동하는 AI’가 온다
- 하네스 엔지니어링이 온다: AI 에이전트를 제대로 일하게 만드는 법
FAQ
AI 시대에는 수학과 과학을 덜 배워도 되나요?
아닙니다. AI가 계산과 요약을 도와주더라도, 결과가 맞는지 판단하고 더 좋은 질문을 하려면 수학과 과학의 기본 원리가 해야 합니다. 기초 지식은 AI를 대체하는 것이 아니라 AI를 더 잘 쓰게 만드는 기반입니다.
아이에게 가장 먼저 가르쳐야 할 AI 역량은 무엇인가요?
도구 이름보다 먼저 문제를 구체화하는 습관이 더 봐야 합니다. “무엇을 알고 싶은가”, “어떤 결과물이 필요한가”, “어떤 기준으로 좋은 답을 판단할 것인가”를 생각하게 해야 합니다. 그다음 AI 도구를 직접 사용해 작은 프로젝트를 만들어 보는 경험이 해야 합니다.
AI 에이전트 시대에는 어떤 사람이 유리할까요?
여러 작업을 작은 단위로 나누고, 적절한 AI 도구에 맡기고, 결과를 검토할 수 있는 사람이 유리합니다. 그냥 프롬프트를 잘 쓰는 사람보다 문제를 정의하고 작업을 조직하는 사람이 더 큰 가치를 만들 가능성이 높습니다.
알파고와 알파폴드는 왜 함께 이야기되나요?
알파고는 학습 기반 AI가 복잡한 전략 문제를 해결할 수 있음을 보여줬습니다. 알파폴드는 그런 AI 접근이 과학 문제에도 적용될 수 있음을 보여줬습니다. 두 사례 모두 AI가 단순 자동화를 넘어 발견과 연구의 도구가 될 수 있다는 점을 보입니다.
직장인은 지금 무엇부터 시작하면 좋을까요?
자신의 업무 중 반복되는 조사, 정리, 초안 작성, 비교 분석 작업을 하나 고른 뒤 AI 도구로 처리해 보세요. 먼저 볼 부분은 한 번 써보는 데서 끝내지 않고, 질문을 바꾸고 결과를 검토하며 자신만의 작업 흐름을 만드는 것입니다.
결론: AI 시대의 공부는 문제 정의로 이동한다
데미스 하사비스의 인터뷰를 교육과 역량 관점에서 보면 메시지는 명확하다. AI 시대에도 기초 지식은 중요하다. 하지만 지식을 많이 외우는 것만으로는 충분하지 않다. 앞으로 더 중요한 것은 좋은 질문을 만들고, 문제를 나누고, AI가 낸 결과를 검증하며, 여러 도구를 조율하는 능력이다.
AI를 두려워하거나 무작정 따라가는 태도만으로는 부족하다. 직접 써보고, 실패해 보고, 자신의 문제에 적용해 보는 사람이 AI 시대의 감각을 더 빨리 익힌다. 결국 AI 시대의 핵심 공부는 “정답을 외우는 공부”에서 “문제를 정의하는 공부”로 이동하고 있다.
