알파고의 아버지가 던진 경고, '정답 생성기 AI'에 갇힌 한국 교실

알파고를 세상에 내놓았던 데이비드 실버가 구글 딥마인드를 떠나 새 회사 Ineffable Intelligence를 세웠다. 실버는 인간이 만든 데이터를 학습해 똑똑해지는 대형 언어모델(LLM) 경쟁이 한계에 부딪힐 것이라 본다. 대신 시행착오로 스스로 배우는 강화학습형 슈퍼러너가 다음 단계라는 주장이다. 인간 데이터를 화석연료에, 스스로 배우는 시스템을 재생연료에 비유한 실버의 말은 단순한 기술 논쟁을 넘어, AI를 정답 자판기처럼 쓰고 있는 한국 교실과 학원 현장에 직격으로 꽂힌다.

화석연료가 된 인간 데이터, 그리고 한국식 정답 풀이

실버의 비유는 묘하게 익숙하다. 한국 교육은 오랫동안 잘 정리된 정답 데이터를 가장 빨리, 가장 정확히 흡수하는 학습자를 길러왔다. EBS 연계 교재, 기출문제집, 학원 자체 분석 자료가 모두 그런 화석연료다. 학생은 이미 누군가가 정리해둔 풀이와 해설을 빠르게 내재화하는 방식으로 점수를 만들어 왔다. 그리고 지금, 챗GPT를 비롯한 LLM은 이 화석연료 모델을 더 극단으로 밀어붙인다. 영어 지문을 붙여넣으면 해석과 정답, 그럴듯한 해설까지 즉시 출력된다.

실버가 지적한 LLM의 본질적 한계가 여기서 드러난다. 실버는 평평한 지구를 믿던 시대에 LLM을 풀어놓는 사고실험을 제시한다. 외부 세계와 상호작용하지 않으면, 코드를 아무리 개선해도 모델은 끝까지 평평한 지구를 믿는다. 학생도 마찬가지다. AI가 내놓은 해설을 검증 없이 받아 적기만 하면, 학습자는 AI의 오류까지 그대로 화석화한다. 수능 영어 빈칸 문제에서 AI가 엉뚱한 선택지를 정답이라 우겨도, 근거를 따져볼 훈련이 안 된 학생은 그 오답을 자기 지식으로 굳혀버린다. 정답 생성기로서의 AI는 빠르지만 학습자를 평평한 지구의 거주자로 만든다.

슈퍼러너가 던지는 질문, 학생은 무엇을 시도해 봤는가

실버가 말하는 슈퍼러너의 핵심은 단순하다. 시행착오로 스스로 목표를 달성하는 법을 배우는 것. 알파고가 인간 기보를 모방하는 단계에서 자기대국으로 넘어갔을 때 비로소 인간을 넘어선 수가 등장했다는 사실은 이미 잘 알려져 있다. 이 발상을 교실로 가져오면 평가의 축이 달라진다. 학생이 얼마나 정답을 많이 맞혔는가가 아니라 얼마나 많은 가설을 세우고 틀리고 수정했는가가 학습의 진짜 데이터가 된다.

한국 영어학원 현장은 이 지점에서 갈림길에 서 있다. 단어 시험과 문법 정답 체크에 AI를 얹는 방식은 화석연료 보강에 가깝다. 학생이 영작문 초안을 내고 AI 피드백을 받고 피드백 자체를 다시 의심하고 다른 문장으로 재작성하는 루프를 만들면 강화학습형 학습 설계에 가까워진다. 내신 서술형 대비도 마찬가지다. 모범답안을 외우는 것이 아니라, 자기 답안을 쓰고-비교하고-수정 사유를 기록하는 사이클이 반복될 때 학습자는 정답 모방자에서 근거 설계자로 이동한다. 실버가 강화학습 에이전트를 시뮬레이션 안에 두겠다고 말한 것처럼, 학원과 교실이 학생에게 제공해야 할 것은 정답이 아니라 안전한 시도와 실패의 무대다.

수능 영어, 정답 찾기에서 근거 설명하기로

수능 영어는 오랫동안 빠르게 정답 고르기 게임으로 인식되어 왔다. 그러나 시험 안을 들여다보면 출제 의도는 늘 근거 추론이다. 빈칸 추론, 글의 순서, 문장 삽입, 함의 추론은 모두 왜 그 선택지가 정답인가를 본문 단서로 재구성해야 풀린다. AI가 정답을 0.5초 만에 찍어주는 시대일수록, 학습자에게 남는 본질적 능력은 그 정답의 근거를 자기 언어로 재현하는 일이다.

실버는 LLM이 인간 지능에서 배우는 시스템이라면, 슈퍼러너는 자기 지능을 쌓아 올리는 시스템이라고 구분한다. 이 구분을 교실에 적용하면, 정답 해설을 외운 학생과 자기 풀이 과정을 설명하는 학생의 격차는 시간이 갈수록 벌어진다. EBS 해설을 그대로 옮긴 노트는 검색 한 번으로 무력화된다. 그러나 '나는 이 빈칸에서 4번을 골랐다, 이유는 앞 문장의 however 때문이다, 그러나 5번도 가능해 보인다, 왜냐하면…'으로 이어지는 자기 사고 기록은 어떤 AI도 대신 만들어 줄 수 없다. 이 기록 자체가 학습자의 강화학습 데이터다.

자기주도학습이라는 단어를 다시 정의해야 할 때

자기주도학습은 한국 교육과정 개편 때마다 핵심어로 등장해 왔다. 그러나 현장에서 이 단어는 종종 혼자 인강을 보는 것 또는 계획표대로 문제집을 푸는 것으로 축소된다. 실버의 프레임을 빌리면, 이는 자기주도가 아니라 자기소비에 가깝다. 누군가 정리한 정답 데이터를 혼자 흡수하는 행위이기 때문이다.

진짜 자기주도학습은 학생이 질문을 스스로 세우고 가설을 만들고 틀린 뒤 수정 경로를 직접 설계하는 과정이다. 고교학점제와 과정중심평가가 지향한 방향도 사실 여기다. 학원이 AI를 도입할 때 점검해야 할 질문은 정답을 더 빨리 보여주는가가 아니라 학생이 더 많이 시도하고 더 많이 틀려볼 기회를 주는가다. 영작 첨삭, 어휘 추론, 독해 근거 설명, 수학 풀이 검증까지 AI는 학생의 시행착오를 가속하는 코치가 될 수도 있고 시행착오를 제거하는 대리인이 될 수도 있다. 같은 도구가 두 가지 정반대 학습자를 만든다.

학원과 교사가 설계해야 할 시뮬레이션

실버는 슈퍼러너를 시뮬레이션 안에 두어 다른 에이전트와 협력하고 목표를 달성하게 만들겠다고 말했다. 안전성 측면에서도 시뮬레이션이 행동을 관찰하게 해준다는 논리다. 교실은 본래 그런 시뮬레이션 공간이었다. 사회에 나가기 전에 안전하게 틀려볼 수 있는 무대. 그러나 정답률 중심 평가가 강화될수록 교실은 시뮬레이션이 아니라 본 시험 리허설로 변해 왔다.

교사와 학원장이 다시 설계해야 할 것은 틀려도 점수가 깎이지 않는 구간이다. 수업의 일부는 결과 평가가 아닌 시도 평가로 운영될 수 있다. 학생이 영어 지문을 읽고 자기 해석을 먼저 제시한 뒤 AI 해석과 비교하는 과제, 같은 문제를 세 가지 다른 풀이 전략으로 풀어보고 어떤 전략이 왜 실패했는지 기록하는 과제, 동료 학생과 서로의 답안을 두고 근거를 반박해 보는 토론 과제는 모두 화석연료를 쓰지 않는 학습 설계다. 교과과정 안에서도 이런 활동의 자리는 충분히 만들 수 있다. 빠진 것은 도구가 아니라 설계 의지다.

AI 시대의 진짜 격차는 시도의 양에서 갈린다

실버의 회사 Ineffable Intelligence가 시드 라운드에서 11억 달러를 모으고 51억 달러 가치를 인정받았다는 사실이 한국 교실에 직접 영향을 주지는 않는다. 그러나 실버가 던진 메시지는 정확히 한국 교육의 약점을 건드린다. 인간이 만든 깔끔한 정답 데이터를 빠르게 흡수하는 능력은 더 이상 차별화 요소가 되기 어렵다. AI가 그 일을 더 잘하기 때문이다.

남는 것은 학습자가 직접 시도하고 틀리고 그 틈에서 자기 모델을 갱신해 본 경험의 총량이다. 수능 영어든 내신 서술형이든 학생부 세부능력 특기사항이든, 평가의 표면 아래에서 진짜로 측정되는 것은 점점 이 능력 쪽으로 이동하고 있다. 알파고를 만든 사람이 LLM의 한계를 짚으며 시행착오의 가치를 다시 강조한 지금, 한국 교실이 AI를 어떻게 쓸지 결정하는 일은 사실상 다음 세대 학습자의 사고 회로를 결정하는 일이다. 정답 생성기로 쓸 것인가, 시도 가속기로 쓸 것인가. 답은 도구가 아니라 설계자에게 있다.