핵심 요약
AI는 주어진 문제에 대해 다양한 선택지를 생성하는 발산적 사고에는 뛰어나지만, 수많은 선택지 중에서 최적의 단일 해법을 찾아내고 실행하는 수렴적 사고는 아직 잘하지 못합니다. LLM의 한계는 방대한 데이터 처리 능력에도 불구하고 인간과 같은 고정관념 없는 최적화된 문제 해결 능력이나 기억 유지에 어려움을 겪는다는 점입니다. AI 시대의 학습 전략은 AI를 활용하여 쉽고 반복적인 기초 부분을 빠르게 습득하고, 인간 고유의 통찰력과 일반화 능력을 통해 심화된 문제 해결 영역으로 기하급수적인 성장을 이루는 것입니다.
주요 내용
1. AI가 잘 못하는 것과 잘 하는 것 AI는 문제를 해결하기 위한 ‘선택지 생성(Create Choices, 발산적 사고)’에는 매우 능숙합니다. 예를 들어, “돈 버는 방법 알려줘”라고 하면 수백 가지 방법을 제시합니다. 하지만 이 중에서 나에게 맞는 단 하나의 방법을 ‘의사결정(Make Decisions, 수렴적 사고)’하고 실행하는 능력은 부족합니다. AI는 방대한 자료를 조사하고 1차적으로 취합하거나, 편견 없이 다양한 아이디어를 제시하고, 알고리즘 구현과 코딩을 잘합니다. 반면, AI가 코드를 만들 때는 너무 난잡하게 만드는 경향이 있어, 인간의 본능적인 수렴 능력으로 이를 최적화해야 합니다.
2. LLM의 한계 LLM은 한국인의 평균 얼굴을 만들어내는 것처럼, 학습된 데이터의 평균적인 결과물을 잘 내놓습니다. 그러나 특정 문제에 대한 최적화된 해답을 찾아내는 데는 한계가 있습니다. 특히, 복잡한 리트코드(LeetCode) 문제 600개 풀기와 같은 작업은 AI가 능숙하게 처리할 수 있지만, 이는 결국 AI의 메모리 관리에 대한 컴퓨터 기초 문제로 귀결됩니다. AI 자체도 메모리 문제를 가지고 있으며, AI를 사용하려면 텍스트 컨텍스트(context window) 관리에 지속적으로 신경을 써야 합니다.
3. AI 시대의 공부 전략 AI 시대의 공부 방법론에 대해 많은 사람들이 혼란을 느끼고 있습니다. AI는 어려운 부분을 보충하고, 한 번 뚫으면 다 뚫리는 것과 같은 ‘인간 지능의 무서운 점’을 활용할 수 있도록 돕습니다.
- Top-Down vs Bottom-Up: 전통적인 학습 방식은 Top-Down(전체→세부)과 Bottom-Up(세부→전체)으로 나뉩니다. 이상적으로는 Top-Down 방식이 전체 그림을 보고 동기 부여를 얻어 깊이 파고드는 데 좋지만, 현실에서는 대부분의 사람이 세부적인 부분에서 막혀 ‘AI 에이전트 소비자’로 전락합니다. Bottom-Up 방식은 세부에 갇힐 위험이 있지만, 한국은 저수준 기술에 대한 수요가 어느 정도 받쳐주는 편입니다.
- AI를 활용하는 공부 전략: AI가 제공하는 쉬운 것부터 시작하여 바닥부터 끝까지 완전히 이해하고 구현하는 Bottom-Up 방식으로 특정 영역을 ‘뚫어 놓으면’ 됩니다. AI가 쉬운 부분을 채워주기 때문에, 그 다음부터는 필요한 부분만 보충하며 기하급수적으로 지식을 확장할 수 있습니다. 이는 AI가 지식을 일반화하는 능력은 부족하고 인간이 이를 보완하여 시너지를 낼 수 있음을 의미합니다.
4. 홍랩의 2026 로드맵 홍랩은 C/C++로 LLM을 바닥부터 만들고, 궁극적으로 AI 에이전트를 만드는 것을 목표로 합니다. 이는 파이토치(PyTorch)와 같은 고수준 프레임워크를 넘어, AI의 가장 깊은 기반부터 이해하고 구현하는 것을 의미합니다.
핵심 데이터 / 비교표
| 지표 / 기간 | 2015년 ~ 2020년 (COVID-19 이전) | 2020년 ~ 2022년 (COVID-19 시기) | 2022년 ~ 2024년 (ChatGPT 출시 이후) |
|---|---|---|---|
| 시니어 일자리 | 증가 | 계속 증가 | 계속 증가 또는 안정화 |
| 주니어 일자리 | 증가 | 소폭 감소 | 추가 감소 |
| AI 언급 기술직 채용공고 | (데이터 없음) | (데이터 없음) | 지속적으로 증가 추세 |
| 일반 기술직 채용공고 | (데이터 없음) | (데이터 없음) | 전체적으로 감소 추세 |
타임스탬프별 핵심 포인트
| 시간 | 핵심 내용 | |—|—| | 00:00 | AI는 발산적 사고(Create Choices)는 잘하지만, 수렴적 사고(Make Decisions)는 잘 못한다. | | 00:10 | LLM이 만드는 답은 ‘평균 얼굴’처럼 보편적이지만, 특정 개인에게 최적화된 것은 아니다. | | 00:13 | LeetCode 600문제 풀기 같은 작업은 조만간 AI가 더 잘하게 되어 인간에게는 필요 없어질 것이다. | | 00:19 | AI 시대의 공부는 Top-Down과 Bottom-Up 사이의 혼란을 야기한다. | | 00:26 | 인간 지능의 강점은 한 곳을 뚫으면 다 뚫리는 것이며, AI가 어려운 부분을 보충해 준다. | | 00:40 | AlphaGo(2016.03)와 ChatGPT(2022.11) 출시가 세상에 큰 변화를 가져왔다. | | 01:00 | AI의 능력을 너무 높게 또는 너무 낮게 평가하는 것은 잘못된 판단으로 이어진다. | | 01:34 | ChatGPT 출시 이후 주니어 일자리는 감소하고 시니어 일자리는 증가하는 추세가 나타났다. | | 02:05 | AI가 언급된 기술직 채용 공고는 늘어나고 있지만, 전체 기술직 채용 공고는 줄고 있다. | | 02:14 | AI는 아는 것이 많고 고정관념이 없어 발산적 사고에 굉장히 뛰어나다. | | 03:22 | AI는 알고리즘 구현과 코딩을 잘하지만, 너무 난잡하게 코드를 만드는 경향이 있다. | | 04:17 | 인간은 본능적으로 수렴적 사고를 하며, AI가 못하는 ‘최적화된 해법 만들기’를 해야 한다. | | 04:47 | LLM은 Inception처럼 메모리 관리에 어려움을 겪는 한계가 있다. | | 05:41 | AI 시대에 코딩 문제풀이 같은 반복적인 학습은 사라질 것이므로, 기초를 더 깊이 이해하는 것이 중요하다. | | 06:56 | LLM이 내놓는 답은 ‘한국인의 평균 얼굴’처럼 평균적인 확률적 답이다. | | 07:09 | LLM 기반 자율 에이전트(Autonomous Agents) 개발이 중요하며, ‘토큰 값 최적화’가 핵심 문제다. | | 07:59 | AI 시대의 공부법에 대한 혼란이 크며, AI가 해주는 부분과 인간이 해야 할 부분을 명확히 구분해야 한다. | | 08:44 | 현실적으로 Top-Down 학습은 대부분 상위 단계에서 끝나 AI 에이전트 소비자로 전락할 수 있다. | | 10:21 | AI를 활용한 공부 전략은 ‘쉬운 것부터 탑다운과 바텀업을 둘 다 뚫는 것’이다. | | 11:00 | AI가 쉬운 부분을 뚫어주면, 인간은 개념만 이해하고 다음 단계로 기하급수적인 성장을 할 수 있다. | | 11:53 | 인간 지능의 무서운 점은 일반화 능력이며, AI가 기초를 채워줌으로써 인간은 더 높은 수준으로 올라갈 수 있다. | | 12:47 | 홍랩은 C/C++로 LLM을 바닥부터 만들고, AI 에이전트까지 만드는 교육 과정을 제시한다. | | 13:21 | AI 시대의 두려움은 한계와 가능성을 이해하면 줄어들며, “한 곳만 뚫으면 다 뚫린다”는 집중의 지혜가 필요하다. |
결론 및 시사점
이 영상은 AI 시대에 인간이 어떤 능력을 개발하고 어떻게 학습해야 하는지에 대한 명확한 통찰을 제공합니다. AI는 발산적 사고와 반복적인 작업을 뛰어나게 수행하지만, 최적의 의사결정을 내리고 복잡한 문제를 수렴적으로 해결하는 데는 인간의 개입이 필수적입니다. 따라서 AI의 등장으로 사라질 영역에 대한 막연한 두려움 대신, AI가 잘하는 부분을 활용하여 인간의 고유한 능력(통찰, 일반화, 최적화된 의사결정)을 극대화하는 학습 전략이 필요합니다. 이는 기초를 탄탄히 다지면서 AI를 도구로 활용하여 어려운 영역을 빠르게 돌파하고, 얻은 지식을 바탕으로 새로운 문제를 해결하는 기하급수적인 성장을 추구하는 것입니다.
추가 학습 키워드
- 발산적 사고 (Divergent Thinking)
- 수렴적 사고 (Convergent Thinking)
- LLM 한계 (Limitations of Large Language Models)
- AI 에이전트 (AI Agents)
- 토큰 최적화 (Token Optimization)
기본 정보
| 항목 | 내용 | |—|—| | 채널 | 홍정모 | | 카테고리 | 프로그래밍 | | 게시일 | 2026-03-07 | | 영상 길이 | 13:56 | | 처리 엔진 | gemini-2.5-flash | | 원본 영상 | YouTube에서 보기 |