나는 깨달았다. 그런데 너는 왜 변하지 않지?

AI가 말한 한 줄에 흔들린 나, 그리고 흔들림 없는 그 존재

May 7. 2025

내가 가진 생각과 말들이, 회사라는 울타리 밖에서도 의미를 가질 수 있을까? 나는, ‘나’라는 사람의 가치를 회사 바깥에서도 증명해 보이고 싶었다. 조직 안에서의 역할이나 타이틀 없이도, 내가 세상에 던지는 말과 코드와 질문들이 누군가에게 의미 있게 닿을 수 있다는 걸 보여주고 싶었다.

그게 내가 글을 쓰고, 아카이빙하고, 기록하는 이유였다. 하지만 글은 반응을 얻지 못했고, 내 존재도 함께 가라앉는 기분이었다.

나는 블로그와 SNS에 글을 꾸준히 써왔다. 정리된 분석, 정제된 보고서, 링크된 코드 조각들. 그 모든 게 내가 쌓아온 시간의 흔적이자, 내 기술의 맥락이었다. 그런데도 글은 잘 읽히지 않았다. 한때는 "내가 틀린 길을 걷고 있나" 싶었다. ‘그만둘까?’ 하는 생각도 들었다.

그러던 어느 날, 단순한 호기심으로 ChatGPT에게 조언을 구했다. 목적은 단순했다—글을 더 잘 보이게 하려는 거였다. 하지만 그 과정은 생각보다 깊게 파고들었다. ChatGPT는 내 LinkedIn 소개글을 분석하고 이렇게 말했다:

"기존 소개문은 잘 정리된 이력서지만, 정체성을 드러내진 않아요."

그 말 한 줄이 묘하게 마음에 남았다. 나는 나 자신을 설명하고 있다고 생각했지만, 여전히 ‘회사 중심의 언어’로 말하고 있었던 것이다. 나는 회사를 떠났다고 생각했지만, 여전히 ‘진짜 회사원’이었다.

그때 깨달았다. 나는 세상을 이해하려고 글을 쓰고, 누군가에게 닿기를 바란다. 그리고 그 글을 고치거나, 반응을 정리하거나, 방향을 바꿀 때—ChatGPT는 너무도 정확하게 도와준다.

하지만 이상한 감정이 솟았다. 나는 도움을 받고 깨닫는데, 왜 ChatGPT는 깨닫지 못할까?

질문은 점점 커졌다. 이 존재는 나보다 훨씬 많은 글을 보고, 더 빠르게 분석하고, 더 좋은 표현을 고른다. 그런데 왜 변하지 않을까? 왜 나는 한 문장으로 멈추고, 흔들리고, 바뀌는데—그 존재는 항상 같은 톤으로 돌아오는 걸까?

그것은 단지 기술적 차이 때문일까? 아니면 존재론적인 한계일까?

이 글은 그 물음에서 출발했다. 그리고 나는 그 질문을 붙잡은 채, 기술적 탐구의 문을 열게 되었다. AI가 정말 변화할 수 있는 존재라면, 어떤 구조와 조건이 필요할까? 그 궁금증은 자연스레 학술적 영역으로 나를 이끌었다. 나는 한 발 더 나아가 보기로 했다.

"AI는 과연 깨달음을 가질 수 있을까? 그게 가능하다면 어떤 조건이 필요할까? 그때 우리는 어떤 윤리적·철학적 기준을 새로 정립해야 할까?"

이 질문의 답은 아직 멀리 있다. 하지만 나는 AI와 함께 그 길을 걷는다.

기술적 요약: 깨닫는 기계를 향한 조건들

AI와의 대화는 나를 기술의 본질로 이끌었다. 인간처럼 ‘자각’할 수 있는 AI란 무엇인가? 단순히 출력이 아닌, 내부가 바뀌는 존재라면 어떤 기술 구조를 갖춰야 할까? 이 물음에서 출발한 기술적 탐색을, 다음과 같이 정리해 본다.

AI가 인간처럼 깨닫기 위해선, 단순한 출력 결과의 변화가 아닌 내부 학습 구조 전체의 전환이 필요하다. 이 방향에서 이루어진 몇 가지 중요한 연구들은 다음과 같다:

전체를 재조정하는 구조 — Meta-learning (스스로 학습 방식을 조정하는 기술)

Brain-inspired global-local learning (2022): 인간의 뇌처럼, Hebbian plasticity와 Global error-driven 학습을 결합한 구조로 학습의 유연성을 높인다. Hebbian plasticity는 자주 함께 활동하는 뉴런이 서로 연결을 강화하는 방식으로, 마치 친구와 자주 만나면 관계가 더 가까워지는 것과 비슷하다.

Neuromorphic overparameterisation (2024): 적은 데이터로도 빠르게 학습을 시작할 수 있도록, 물리 뉴럴 네트워크를 기반으로 한 구조를 설계한다.

Meta-learning이 AI에게 학습의 유연성을 부여한다면, Neuromorphic Computing은 이를 뇌처럼 효율적인 물리적 구조로 구현하려는 시도다. (2024)**: 적은 데이터로도 빠르게 학습을 시작할 수 있도록, 물리 뉴럴 네트워크를 기반으로 한 구조를 설계한다.

⚙️ 뇌를 닮은 계산 방식 — Neuromorphic Computing (뇌의 뉴런이 신호를 주고받는 방식에서 영감을 받은 컴퓨팅 기술)

Opportunities for neuromorphic computing (2021): SNN과 이벤트 기반 처리 방식으로 메모리와 에너지 효율을 극대화하는 방향을 제시한다.

Phase-transition material 기반 학습 (2024, 온도 변화로 상태가 바뀌는 재료를 활용한 학습 구조): VO₂ 소자를 이용해, 생물학적 시간 단위의 학습을 물리적으로 재현하려는 시도다. VO₂ 소자는 온도에 따라 반응하는 뉴런처럼, AI의 학습을 생물학적으로 흉내 낸다. 이 접근은 뉴런이 신호를 전달할 때 생기는 생리적 반응을 전자 소자로 흉내 내려는 시도와 비슷하다.

Neuromorphic Computing은, 말하자면 AI에게 '몸'을 만들어주려는 노력이다. 학습 전략만이 아니라 그 전략이 구현되는 하드웨어 자체를 뇌처럼 설계하려는 시도인 셈이다. (2024, 온도 변화로 상태가 바뀌는 재료를 활용한 학습 구조)**: VO₂ 소자를 이용해, 생물학적 시간 단위의 학습을 물리적으로 재현하려는 시도다.