인류는 지식을 만드는 법은 배웠으나, 이해를 전달하는 법은 아직 배우지 못했다

인류는 오늘날처럼 정보에 쉽게 접근할 수 있었던 적이 결코 없었습니다.

사실상 누구나 몇 초 만에 양자역학 교과서, 세계 최고 대학의 강의, 프로그래밍 문서, 유전학 과학 논문, 경제학, 역사학, 공학 또는 의학 강좌를 찾을 수 있습니다.

그리고 인공지능의 등장으로 이 정보의 대부분을 스스로 찾아야 할 필요성조차 사라졌습니다. 질문을 던지기만 하면 답을 얻을 수 있습니다.

우리는 지식에 대한 접근 문제를 해결한 것처럼 보입니다.

그러나 우리는 그보다 훨씬 더 중요한 문제를 해결하지 못했습니다.

정보에 대한 접근은 이해에 대한 접근이 아니다.

지극히 가치 있는 정보를 담고 있는 완벽하게 정확한 과학적 텍스트를 사람에게 주면서도, 그에게 실질적으로 아무것도 전달하지 못할 수 있습니다.

정보를 이해하기 위해서는 인간이 이미 무언가를 이해하고 있어야 하기 때문입니다.

그리고 바로 여기에 현대의 지식 전달 체계가 지닌 근본적인 문제 중 하나가 있습니다.

개념 — 이해의 기본 단위

우리는 정보를 단어, 페이지, 책, 강의, 학습 시간, 데이터 기가바이트 단위로 측정하는 것에 익숙합니다.

하지만 인간의 사고는 그와 다르게 작동합니다.

우리는 머릿속에 책을 보관하지 않습니다.

우리는 **개념(컨셉)**을 구축합니다.

개념이란 인간이 인식하고, 머릿속으로 재구성하며, 다음 단계를 이해하는 데 사용할 수 있는 완결된 의미의 단위입니다.

예를 들어, "압력"이라는 단어 그 자체는 지식이 아닙니다.

어떤 이에게는 거의 잊어버린 학창 시절의 정의가 그 뒤에 숨어 있습니다.

엔지니어에게는 물리적 모델의 전체 시스템을 의미합니다.

배관공에게는 물의 거동, 파이프 직경이 변할 때 일어나는 일, 시스템이 소리를 내는 이유, 문제가 발생하는 위치에 대한 실무적 경험까지 포함됩니다.

단어는 하나입니다.

그 뒤에 있는 개념은 다릅니다.

그 반대도 마찬가지입니다. 인간은 널리 받아들여지는 과학적 용어를 전혀 알지 못하면서도 어떤 아이디어를 완벽하게 이해할 수 있습니다.

예를 들어, 결과가 너무 커지면 시스템이 스스로 작용을 줄이고, 결과가 너무 작아지면 작용을 늘린다는 것을 그 사람은 이해하고 있습니다.

그 사람은 이미 메커니즘을 이해하고 있습니다.

단지 "음의 피드백(negative feedback)"이라는 용어가 존재한다는 것을 모를 뿐입니다.

따라서 용어와 개념은 같은 것이 아닙니다.

용어는 표지판입니다.

개념은 그 표지판 뒤로 사람의 머릿속에 펼쳐지는 것입니다.

이 차이는 작아 보이지만 교육을 바라보는 시각을 완전히 바꿉니다.

인간은 지식을 선형적으로 축적하지 않는다

학습을 머릿속에 정보를 순차적으로 채워넣는 과정으로 보는 시각은 너무 원시적입니다.

실제로 일어나는 일은 다릅니다.

인간은 이미 존재하는 개념을 통해 새로운 개념을 습득합니다.

처음에는 복잡한 아이디어를 길게 설명해야 합니다. 예시, 비유, 친숙한 현상을 통해서 말입니다.

그런 다음 그 사람은 그것을 이해합니다.

그 후에 전체 구조를 짧은 이름으로 패키징할 수 있습니다.

이제 이렇게 말하는 것만으로 충분합니다.

"음의 피드백"

— 그러면 사람의 머릿속에는 이미 자신이 알고 있는 모델이 펼쳐집니다.

여러 단락의 정보가 두 단어로 변환되었습니다.

하지만 더 중요한 일이 일어났습니다.

이제 새로운 개념을 사용하여 더 다음의 개념들을 이해할 수 있게 된 것입니다.

따라서 학습은 다음과 같이 이루어지지 않습니다.

지식 + 지식 + 지식 + 지식.

오히려 이렇습니다.

이해함 → 압축함 → 재사용함 → 이를 통해 더 복잡한 것을 이해함 → 다시 압축함.

인간은 자신의 사고 언어를 끊임없이 재구성합니다.

이 시스템이 풍부할수록 더 복잡한 정보를 짧은 메시지로 전달할 수 있습니다.

어떤 사람에게는 완전히 무의미한 문장이, 다른 사람에게는 몇 초 만에 방대한 양의 지식을 전달할 수 있습니다.

바로 이 때문에 두 사람이 같은 과학 논문을 읽고도 실제로 그로부터 얻는 정보량이 완전히 다를 수 있는 것입니다.

정보의 전달이 이해의 전달을 의미하지는 않는다

다음 문장을 상상해 봅시다.

현대 시스템은 학습자의 인지 부하(cognitive load)와 선수학습요건(prerequisites)을 고려하여 적응형 학습 경로(adaptive learning paths)를 구축하기 위해 지식 추적(knowledge tracing)을 지식 그래프(knowledge graphs)와 함께 사용합니다.

전문가에게 이것은 꽤 정상적이고 간결한 표현일 수 있습니다.

수많은 사람들에게 이것은 정보 쓰레기입니다.

그들이 아이디어를 이해할 능력이 없어서가 아닙니다.

메시지가 아직 그들의 머릿속에 없는 개념을 통해 부호화되어 있기 때문입니다.

거의 같은 생각을 다르게 표현할 수도 있습니다.

컴퓨터는 사람이 이미 무엇을 이해하고 있는지, 어떤 지식이 더 필요한지, 너무 많은 새로운 것을 한 번에 공부하도록 강요하지 않으려면 어떤 순서로 제공하는 것이 가장 좋을지를 점진적으로 파악할 수 있습니다.

이제 메시지는 전혀 다른 청중에게도 도달할 수 있게 되었습니다.

본질적인 정보는 거의 변하지 않았습니다.

달라진 것은 부호화하는 방식입니다.

그리고 이를 통해 가장 중요한 원칙을 도출할 수 있습니다.

좋은 설명은 발신자가 아는 것에 의해서만 결정되지 않는다. 수신자가 이미 아는 것에 의해 결정된다.

보편적으로 좋은 설명이란 아예 존재하지 않을지도 모릅니다.

과학 지식은 점점 더 압축된다

모든 분야가 발전함에 따라 고유한 언어가 생겨납니다.

이것은 불가피합니다.

전문가들이 매번 처음부터 기본 아이디어를 서로 설명하는 것은 무의미합니다. 복잡한 구조들은 이름을 얻고 사고의 새로운 구성 요소로 변모합니다.

하나의 용어가 한 페이지 분량의 설명을 대체하기 시작합니다.

이것은 극도로 효율적인 정보 압축입니다.

하지만 대가가 따릅니다.

그러한 용어를 해제(unpack)하기 위해, 사람은 사전에 상응하는 개념을 소유하고 있어야 합니다.

따라서 발전된 모든 분야는 점진적으로 자신만의 디코더를 만들어냅니다.

물리학자는 물리학자를 이해합니다.

생물학자는 생물학자를 이해합니다.

경제학자는 경제학자를 이해합니다.

프로그래머는 프로그래머를 이해합니다.

이 문제는 학문 간의 경계에서 특히 두드러지게 나타납니다.

고도의 전문가가 인접 분야의 연구를 열어보고 텍스트의 상당 부분이 자신에게 거의 이해되지 않는다는 것을 발견할 수 있습니다.

개별 단어는 읽을 줄 압니다.

하지만 그 뒤에 숨은 개념을 해제할 줄 모릅니다.

역설이 발생합니다.

인류는 점점 더 많은 것을 알게 되지만, 개인이 인류의 모든 지식에 접근하는 것은 점점 더 어려워진다.

현대 교육은 엉뚱한 문제를 해결하려 한다

전통적인 교육은 보통 과목에서 시작합니다.

커리큘럼이 있습니다.

주제의 순서가 있습니다.

1학기가 있습니다.

2학기가 있습니다.

참고문헌 목록이 있습니다.

그리고 이 경로를 따라 완전히 다른 수많은 사람들을 끌고 가려고 합니다.

하지만 이 사람들의 머릿속은 제각각입니다.

어떤 이는 이미 필요한 개념의 절반을 알고 있습니다.

다른 이는 몇 가지 기초가 부족합니다.

세 번째 이는 아이디어 자체를 완벽히 이해하지만 전문 용어를 모릅니다.

네 번째 이는 용어를 알고 정의를 반복할 수 있지만 그 뒤의 개념은 실제로 존재하지 않습니다.

다섯 번째 이는 애초에 과정의 80%가 전혀 필요 없는 단 하나의 구체적인 능력을 얻기 위해 왔습니다.

우리는 사람을 교육 프로그램에 맞추려 합니다.

반대로 하는 것이 더 합리적입니다.

과목부터 시작해서는 안 된다. 목적부터 시작해야 한다

어떤 사람이 특정한 능력을 얻고 싶어 한다고 가정해 봅시다.

"프로그래밍을 공부한다"가 아니라, 예를 들어:

내 비즈니스를 위한 간단한 디지털 도구를 스스로 만드는 법을 배운다.

이것은 완전히 다른 과제 설정입니다.

이제 이렇게 물을 수 있습니다.

이 특정 사람이 그 능력을 얻기 위해 실제로 이해해야 하는 것은 무엇인가?

그는 이미 무엇을 이해하고 있는가?

어떤 개념이 빠져 있는가?

전통적으로 학습되던 것 중 현대 기술이 이미 필수가 아니게 만든 것은 무엇인가?

표면적으로 아는 것만으로 충분한 것은 무엇인가?

깊이 이해해야 하는 것은 무엇인가?

어떤 중간 개념들을 아예 건너뛸 수 있는가?

그러면 전통적인 천 단위의 가상 지식 단위를 거치는 길이 이백 단위로 단축될 수 있음이 드러납니다.

결과의 저하를 통해서가 아닙니다.

존재하는 기술적 세계에서 특정 목적을 가진 이 특정한 사람에게 필요 없는 정보를 제거함으로써 말입니다.

기술은 끊임없이 과거의 필수 지식을 파괴한다

퍼스널 컴퓨터의 여명기에는 win 명령어로 그래픽 셸을 실행하는 법을 사람에게 정말로 가르쳐야 했습니다.

창이 무엇이고, 아이콘이 무엇이며, 더블 클릭이 무엇인지 설명해야 했습니다.

오늘날 수많은 사람들에게 이 지식은 결코 필요하지 않습니다.

기술이 그 수준의 복잡성을 숨겨주었기 때문입니다.

그러나 교육은 거대한 관성을 가지고 있습니다.

우리는 여전히 역사적으로 형성된 연쇄에 기반하여 프로그램을 만듭니다.

D를 이해하려면 먼저 A를 공부하고, 그다음 B, 그다음 C를 공부하라.

비록 현대 세계는 이미 다음을 허용할 수 있음에도 불구하고 말입니다.

A → D.

아니면 아예:

D.

AI 덕분에 이 과정은 현재 특히 빠르게 진행되고 있습니다.

5년 전에는 필수적인 전문 역량이었던 것이 내일이면 지능형 시스템의 내부 기술 상세로 전락할 수 있습니다.

결과적으로, 필수 개념의 연쇄는 고정될 수 없습니다.

그것은 끊임없이 재검토되어야 합니다.

인공지능은 전혀 다른 학습 아키텍처를 가능하게 한다

현대 AI 시스템이 등장하기 전에는 지식 전달을 이런 방식으로 개인화하는 것이 거의 불가능했습니다.

교과서 저자는 텍스트 버전을 하나만 작성할 수밖에 없습니다.

강사는 청중에 맞게 설명을 조금 조정할 수 있지만, 수백 명의 학생 각각의 정확한 지식 모델을 끊임없이 유지하는 것은 물리적으로 불가능합니다.

AI는 다르게 작동할 수 있습니다.

시스템은 특정 개인의 개념에 대한 살아있는 모델을 점진적으로 구축할 수 있습니다.

단순히:

수학 앎 — 72%.

가 아니라:

이 개념은 잘 이해함; 이것은 사용하지만 메커니즘은 이해하지 못함; 이것은 다른 이름으로 알고 있음; 여기에 필요한 인과관계가 빠져 있음; 이 용어는 낯설지만 아이디어 자체는 이미 이해하고 있음.

그 후 설명이라는 과제는 계산 가능한 것이 됩니다.

다음이 존재합니다.

사람의 목적;

그의 현재 개념 시스템;

인류 지식의 거대한 그래프;

현대 기술의 가능성.

우리가 찾아야 할 것은 현재 상태에서 필요한 능력으로 사람을 이끌어가는 최소한의 변화 연쇄입니다.

최소화해야 할 것은 학습 시간이 아니다

우리는 보통 이렇게 묻습니다.

이 과정을 어떻게 더 빨리 설명할 수 있는가?

이것은 부차적인 질문입니다.

첫 번째 질문은 이렇게 되어야 합니다.

애초에 사람이 왜 이 모든 과정을 공부해야 하는가?

프로그램에 천 개의 개념이 포함되어 있는데 특정 사람의 목적에는 백 개만 필요하다면, 천 개를 모두 가속하는 것은 나쁜 최적화입니다.

먼저 구백 개를 버려야 합니다.

남은 백 개 중 일부는 그 사람이 이미 알고 있습니다.

어떤 것은 더 일반적인 모델로 대체할 수 있습니다.

어떤 것은 "이런 분야가 존재하고 언제 그것에 의존해야 하는지 알면 된다" 정도로 충분합니다.

깊이 이해해야 하는 것들도 실제로 존재합니다.

그 후에야 설명을 최적화하는 것이 의미를 가집니다.

우리는 인간의 뇌가 스무 배 더 빨리 학습하도록 강제할 수 없습니다.

하지만 때로는 그가 실제로 학습해야 하는 양을 스무 배로 줄일 수 있습니다.

이것은 인간 발전을 가속화하는 근본적으로 다른 방식입니다.

이때 최소 경로는 저마다 다르다

어떤 제어 시스템을 사람에게 설명해야 한다고 가정해 봅시다.

엔지니어에게는 수학적으로 설명하는 것이 가장 편합니다.

프로그래머에게는 프로그램 상태와 피드백 루프를 통해 설명하는 것이 편합니다.

기업가에게는 가격과 수요 변화를 통해 설명하는 것이 편합니다.

배관공에게는 압력과 밸브를 통해 설명하는 것이 편합니다.

이것은 네 가지 다른 개념이 아닙니다.

충분히 가까운 내부 모델에 도달하는 네 가지 다른 방법입니다.

이해가 발생한 후에 이렇게 말할 수 있습니다.

일반적인 형태로 이것은 이렇게 불립니다.

이제 전문 용어는 미지의 단어가 아닙니다.

그것은 이미 존재하는 개념을 가리키는 압축된 표지판이 되었습니다.

다음 설명은 이미 그것을 통해 구축할 수 있습니다.

따라서 학습 시스템은 사람과 함께 끊임없이 변해야 합니다.

오늘 그에게 필요한 설명은 반년 뒤에는 짜증 날 정도로 유치해져 있을 것입니다.

그의 내부 디코더가 변했기 때문입니다.

그렇다면 시스템의 언어 역시 변해야 합니다.

먼저 인간에게 공부하는 법을 가르쳐야 한다

하지만 어떤 기술보다 더 깊은 문제가 존재합니다.

수많은 사람들이 학습의 순간에 무슨 일이 일어나는지 전혀 이해하지 못합니다.

사람이 과정에 옵니다.

강의를 듣습니다.

어느 순간 무슨 일이 일어나는지 이해하지 못하게 됩니다.

계속 듣습니다.

다음 설명들은 이미 이해하지 못한 개념 위에 쌓아 올려집니다.

이십 분 뒤에는 세 개의 개념이 이해되지 않습니다.

한 시간 뒤에는 교재의 절반을 모르게 됩니다.

그리고 그 사람은 결론을 내립니다.

"나는 충분히 똑똑하지 않다".

비록 문제에 대한 기술적 묘사는 완전히 다를 수 있음에도 말입니다.

이해의 연쇄 속에 하나의 노드가 빠져 있다.

어쩌면 강사가 이미 알려져 있다고 가정하고 용어를 사용했을 것입니다.

어쩌면 인과관계를 건너뛰었을 것입니다.

어쩌면 특정 사람에게는 예시를 통해 먼저 보여주는 것이 더 쉬웠을 추상화를 사용했을 것입니다.

어쩌면 전체 중간 교재가 그의 과제에는 애초에 전혀 필요 없었을 것입니다.

따라서 인간에게 가르쳐야 할 최초의 기술 중 하나는 자신의 이해 부족에 대한 진단입니다.

"나는 물리를 모른다"가 아니라:

이 설명에서 A와 B는 이해하지만, 왜 B에서 C가 유도되는지 모르겠다.

또는:

단어 X가 무슨 뜻인지 모르겠다.

또는:

메커니즘 자체는 이해하겠는데, 왜 여기서 적용되는지 모르겠다.

이해하지 못함은 사람에 대한 평가가기를 멈춥니다.

그것은 개념 연쇄 속의 구체적인 기술적 고장이 되며, 찾아내어 고칠 수 있는 것이 됩니다.

이것이 바로 공부하는 법을 배운다는 것의 의미입니다.

AI는 지적 격차를 키울 수도, 줄일 수도 있다

여기서 또 하나의 문제가 나타납니다.

우리는 흔히 모두가 접근할 수 있는 AI가 사람들의 지적 수준을 평준화할 것이라고 가정합니다.

이것은 전혀 필연적이지 않습니다.

동일한 모델에 동일하게 접근하는 두 사람을 상상해 봅시다.

첫 번째 사람은 이렇게 사용합니다.

만들어줘.

AI가 만듭니다.

사람은 결과를 얻습니다.

두 번째 사람은:

왜 이렇게 나왔지? 여기에 어떤 대안이 있지? 내가 이해하지 못한 것은 무엇이지? 어떤 더 일반적인 원리와 비슷하지? 어디서 또 쓰이지? 우리가 지금 어떤 가정을 말없이 받아들였지?

AI가 답합니다.

대답은 새로운 질문을 낳습니다.

새로운 대답은 새로운 개념을 창조합니다.

새로운 개념은 사람이 예전에는 떠올리지도 못했을 질문을 던질 수 있게 해줍니다.

양의 피드백이 발생합니다.

이해 → 더 강력한 질문 → AI의 더 강력한 활용 → 새로운 이해 → 더욱 강력한 질문.

따라서 AI에 대한 동일한 접근은 완전히 다른 결과로 이어질 수 있습니다.

한 사람에게는 주로 생산성이 향상됩니다.

다른 사람에게는 동시에 사람 자신이 성장합니다.

그리고 그들 사이의 격차는 줄어들지 않고 가속화되어 벌어질 수 있습니다.

이러한 경우 AI는 지적 분산의 증폭기가 됩니다.

결과물의 복잡성은 더 이상 인간의 복잡성을 보여주지 않는다

이것은 인류에게 새로운 상태입니다.

예전에는 비교적 강한 연관성이 존재했습니다.

더 복잡한 것을 창조하기 위해서 인간은 스스로 유능해져야 했다.

AI는 이 연관성을 점진적으로 끊어내고 있습니다.

사람은 프로그래밍을 거의 이해하지 못한 채 소프트웨어 제품을 만들 수 있습니다.

상응하는 분석 방법을 다루지 못하면서도 복잡한 분석 보고서를 얻을 수 있습니다.

내부 구조를 거의 이해하지 못한 채 프로세스를 관리할 수 있습니다.

이것이 반드시 나쁜 것은 아닙니다.

하지만 근본적인 차이가 나타납니다.

사람이 만들어낸 결과물의 복잡성 ≠ 인간 자신의 지적 복잡성.

포함된 복잡성의 거의 전부를 AI로부터 수입함으로써 방대한 양의 지적으로 복잡한 생산물을 만들어낼 수 있습니다.

따라서 생산성은 더 이상 인간 발달의 충분한 지표로 간주될 수 없습니다.

우리는 다른 질문을 던져야 합니다.

이 작업을 수행한 후 인간의 머릿속에서 무엇이 바뀌었는가?

하지만 모든 작업을 수업으로 만들어 져서는 안 된다

여기서 잘못된 결론을 내리기 쉽습니다.

그렇다면 AI는 매번 사람이 스스로 생각하게 만들고 그가 하는 모든 것을 설명해 주어야 한다는 뜻이군.

이것은 지적 자동화의 의미 그 자체를 파괴할 것입니다.

인간의 주의력은 제한되어 있습니다.

자신이 사용하는 모든 도구의 내부 구조를 사람이 억지로 공부하게 만들 수는 없습니다.

바로 이 때문에 최소한의 필수 개념이라는 아이디어가 중심적인 것이 됩니다.

시스템은 구별할 수 있어야 합니다.

이것은 사람이 이해할 필요가 있다;

이것은 그것이 존재한다는 것을 아는 것으로 충분하다;

이것은 특정한 상황이 발생했을 때만 필요하다;

이것은 완전히 기계에 위임할 수 있다.

목표는 인간의 지식을 극대화하는 것이 아닙니다.

목표는 최소한의 인지 비용으로 이해하고 행동하는 능력을 극대화하는 것입니다.

개념이 최종적인 정보 단위가 된다

여기서 아키텍처 원칙이 도출됩니다.

기사가 아닙니다.

책이 아닙니다.

수업이 아닙니다.

과정이 아닙니다.

학문이 아닙니다.

개념.

거대한 정보 구조는 때때로 하나의 개념을 구축하기 위해 사람에게 긴 설명의 연쇄가 필요하다는 이유로만 필요합니다.

하지만 최종 결과물은 읽은 페이지가 아닙니다.

결과물은 사람이 더 멀리 사용할 수 있는 머릿속에 발생한 의미 구조입니다.

따라서 개념은 기본 단위이자 최종적인 지식 단위로 동시에 간주될 수 있습니다.

기본 단위인 이유는 — 추가 학습이 이미 습득된 개념들로부터 구축되기 때문입니다.

최종 단위인 이유는 — 정보 전달 과제는 사람이 텍스트를 읽었을 때 끝나는 것이 아니라, 필요한 개념이 그의 세계 모델 속에서 성공적으로 재구성되었을 때 끝나기 때문입니다.

텍스트는 운송 수단입니다.

용어는 주소입니다.

설명은 디코딩 방식입니다.

개념은 결과입니다.

어쩌면 우리에게는 새로운 지식 전달 이론이 필요하다

고전 정보론은 신호 전달의 질문에 훌륭하게 답해 줍니다.

하지만 인간의 학습에 있어서는 얼마나 많은 정보가 전달되었는지 아는 것만으로는 부족합니다.

1기가바이트의 텍스트를 전달하고 수신자의 머릿속을 거의 아무것도 변화시키지 않을 수 있습니다.

반면 한 마디를 뱉고 전체 분야에 대한 그의 인식을 재구성할 수도 있습니다.

그렇다면 우리는 다른 크기에 관심을 가져야 합니다.

얼마나 많은 정보가 전달되었는가?가 아니라:

수신자의 개념 시스템에 어떤 유익한 변화가 어떤 인지적 비용으로 일어났는가?

이것은 학습의 효율성을 다르게 정의할 수 있게 해줍니다.

좋은 설명은 가장 완전한 설명이 아닙니다.

가장 과학적인 설명이 아닙니다.

가장 짧은 설명이 아닙니다.

최대 세부 사항에서 가장 정확한 설명일 필요조차 반드시 없습니다.

좋은 설명은 최소한의 인간 주의력 비용으로 다음의 필요한 행동이나 이해를 위해 충분히 정확한 개념을 창조하는 설명입니다.

그리고 그 개념은 다음 것의 건설 자재가 됩니다.

보편적 교육에서 살아있는 개념 시스템으로

결과적으로 완전히 다른 아키텍처가 만들어집니다.

유일하게 올바른 과정이란 존재하지 않습니다.

고정된 필수 선수학습요건 집합이란 존재하지 않습니다.

유일하게 최적의 설명이란 존재하지 않습니다.

H₀ 상태의 사람이 있습니다.

그가 얻고 싶은 능력 T가 있습니다.

세계와 기술의 현재 상태 W가 있습니다.

그리고 어떤 최소한의 변환이 존재합니다.

H₀ → H₁ → H₂ → … → T

각 전이는 개념의 출현 또는 재구성입니다.

각 전이 후 경로를 재계산할 수 있습니다.

새로운 개념 덕분에 다음 세 단계를 뛰어넘었을 수 있습니다.

오래된 공백이 발견되었을 수 있습니다.

사람이 이미 스스로 필요한 연결을 구축했을 수 있습니다.

기술이 변하여 지식의 한 가지 갈래 전체가 더 이상 필요 없어졌을 수 있습니다.

따라서 그래프는 살아 있어야 합니다.

그리고 사람의 모델도 살아 있어야 합니다.

주된 과제 — 인간 발달의 처리 용량을 늘리는 것

인간의 생리는 느리게 변합니다.

우리는 인간의 기억력을 단순히 열 배로 늘리거나 뇌가 컴퓨터의 속도로 복잡한 모델을 흡수하도록 강제할 수 없습니다.

하지만 오늘날 학습 비용의 엄청난 부분은 생리에 의해 결정되지 않습니다.

그것은 나쁜 정보 라우팅에 의해 결정됩니다.

우리는 이미 아는 것을 가르칩니다.

알려지지 않은 용어를 통해 설명합니다.

결코 필요하지 않을 세부 사항을 전달합니다.

역사적으로 형성된 선수학습요건을 억지로 공부하게 합니다.

서로 다른 사람에게 같은 설명을 사용합니다.

용어 인지와 개념 이해를 혼동합니다.

전체 후속 연쇄를 차단하는 작은 공백들을 알아채지 못합니다.

그리고 인류 지식의 거대한 공간 속에서 사람이 스스로 길을 찾도록 내버려둡니다.

AI는 사상 최초로 이 모든 손실을 거의 동시에 공격할 수 있게 해줍니다.

뇌를 더 빠르게 만드는 것이 아니라.

경로를 더 짧게 만드는 것.

사람에게 더 많은 정보를 주는 것이 아니라.

더 적게 전달하되, 그가 이해로 바꿀 수 있는 바로 그 정보를 전달하는 것.

모두에게 모든 것을 알도록 강제하는 것이 아니라.

더 앞으로 나아갈 수 있게 해주는 최소한의 충분한 개념 시스템을 각자에게 주는 것.

그리고 어쩌면 이것이 바로 인공지능 시대 교육의 가장 중요한 변화 중 하나가 될 것입니다.

인류의 문제는 오래전부터 정보의 부족이 아니었기 때문입니다.

문제는 이용 가능한 정보를 이해로 바꾸는 데 오늘날 얼마나 많은 인간의 삶이 요구되는가에 있습니다.