본질
학습의 심리학적 정의와 지적 능력의 확장
"학습" (Learning) 이라는 단어를 생각할 때 일반적으로 사람들은 학교에서 하는 교과 공부를 떠올리기 쉽다. 그러나 심리학 (Psychology) 에서의 학습은 이보다는 훨씬 넓고 근본적인 개념이다.
🎯 학습의 학문적 정의
학습이란 "경험을 통하여 얻어지는 행동과 지식에서의 비교적 영속적인 변화"라고 정의할 수 있다.
태어나서 학습 없이 순수하게 유전적 본능만으로 할 수 있는 행동은 극히 제한되어 있다. 우리는 학습을 통하여 실로 다양한 행동과 지혜를 배워나간다. 말하자면 학습이란 비단 학교에서의 공부뿐만 아니라 젓가락질을 배운다든지, 신발끈을 맨다든지, 혹은 자전거 타는 것이나 자동차 운전을 배우는 것 등 생활 속의 모든 적응 활동을 포괄한다.
인간은 이처럼 학습을 통해 지식과 여러 가지 기술들을 습득하고 경험을 통해 그것을 평생에 걸쳐 유지·발전시켜 나간다. 인간은 학습할 수 있기 때문에 자신의 지식을 계속적으로 확장시켜 나갈 수 있으며, 이러한 지적 능력은 인간을 다른 생물과 구별시키는 가장 중요한 본질적 요소들 중의 하나이다. 그리고 기계학습 (Machine Learning) 은 궁극적으로 인간의 이러한 경이로운 학습 능력을 컴퓨터 시스템에 구현하고자 하는 인공지능의 핵심 시도이다.
유형
인간에 의해 수행되는 학습 과정의 4대 주요 형태
인간에 의해 수행되는 학습 과정의 형태는 매우 다양하며, 인지적 깊이와 메커니즘에 따라 크게 네 가지 형태로 분류할 수 있다:
따라서 "어떻게 인간의 이러한 다양하고 복합적인 학습 과정을 컴퓨터 알고리즘으로 모델링할 것인가?" 하는 질문이 바로 기계학습 (Machine Learning) 분야의 핵심 연구 주제가 된다. 이러한 다양한 학습 형태와 그것을 구현하는 모델링의 다양성 때문에 기계학습 분야는 자연히 광범위하고, 새로운 수학적·공학적 기법의 출현에 따라 내용이 끊임없이 진화하는 유동적인 속성을 지니고 있다.
비교
인간의 학습과 기계학습(Machine Learning)의 심층 비교 분석
인간의 학습과 기계학습은 "경험으로부터 지식을 습득하고 미래의 과제 수행 능력을 향상시킨다"는 궁극적인 목적을 공유하지만, 작동 메커니즘, 데이터 효율성, 일반화 원리, 에너지 소비 측면에서 근본적인 차이점을 지닙니다.
🧠 생물학적 인지 체계
인간의 학습 (Human Learning)
인간은 소량의 경험(Few-shot)과 상식, 직관, 인과적 추론을 바탕으로 환경과 능동적으로 상호작용하며 고수준의 개념을 추상화합니다. 뇌의 860억 개 생물학적 뉴런과 시냅스 가소성을 활용하여 약 20와트의 극저전력으로 다감각(Multimodal) 정보와 감정, 맥락을 유기적으로 결합합니다.
💻 통계적 최적화 체계
기계학습 (Machine Learning)
기계학습은 수만~수십억 건의 대규모 정량 데이터와 명시적 목적 함수(Loss Function)를 바탕으로, 경사하강법 등 수학적 최적화 알고리즘을 통해 모델 파라미터(가중치와 편향)를 반복 갱신합니다. 특정 한정 과제에서는 인간을 초월하는 속도와 정확도를 발휘하지만, 데이터 종속성이 매우 높습니다.
🔍 6대 핵심 차원으로 본 인간과 기계 학습의 차이점
🧠 인간의 학습
신경세포(Neuron) 간의 시냅스 연결 강도가 변화하는 '시냅스 가소성(Synaptic Plasticity, 헵의 법칙)'과 신경전달물질에 기반합니다. 지식은 의미망(Semantic Network), 스키마(Schema), 심적 표상(Mental Model)의 형태로 저장되어 상향식(감각 자극)과 하향식(사전 지식) 처리가 완벽히 통합됩니다.
💻 기계학습
입력 특징 벡터(Feature Vector)에 가중치 행렬 $W$와 편향 $b$를 곱하고 비선형 활성화 함수를 통과시키는 수치적 행렬 연산입니다. 예측값과 정답 간의 오차를 역전파(Backpropagation)하여 미분값을 통해 가중치를 점진적으로 보정하는 통계적 최적화 과정입니다.
🧠 인간의 학습
극도로 높은 표본 효율성을 가집니다. 어린아이는 동물원에서 기린을 단 한두 번 보거나 그림책 한 장을 보는 것(One-shot / Few-shot)만으로도 기린의 핵심 특징을 추상화하여, 이후 어떤 각도나 색상의 기린이라도 정확하게 인식할 수 있습니다.
💻 기계학습
극심한 데이터 탐욕(Data-hungry) 특성을 보입니다. 딥러닝 신경망이 기린을 높은 정확도로 식별하려면 수천~수만 장의 라벨링된 기린 이미지와 다양한 배경, 조명 데이터를 수백~수천 에포크(Epoch) 동안 반복 주입해야만 패턴을 파악할 수 있습니다.
🧠 인간의 학습
풍부한 상식(Common Sense)과 유추(Analogy) 능력을 통해 한 도메인에서 습득한 원리를 완전히 새로운 분야에 즉각 응용합니다(예: 스케이트보드를 탄 경험으로 서핑을 금방 배움). 또한 새로운 것을 배워도 기존의 지식을 잊지 않는 안정적 기억 체계를 유지합니다.
💻 기계학습
학습에 사용된 훈련 데이터 분포(IID)를 벗어난 데이터(OOD)를 만나면 성능이 급격히 저하되는 취약점이 있습니다. 특히 새로운 과제를 학습시키면 이전에 학습했던 지식을 덮어써 완전히 잃어버리는 '파괴적 망각(Catastrophic Forgetting)' 현상이 발생하기 쉽습니다.
🧠 인간의 학습
인간의 뇌는 고작 약 20W(가정용 백열전구 1개 수준)라는 경이적인 초저전력으로 작동합니다. 뉴런과 시냅스가 이벤트 기반(Event-driven / Spiking)으로 필요한 순간에만 선택적으로 발화하므로 에너지 효율성이 우주 최고 수준입니다.
💻 기계학습
거대 AI 모델 학습에는 수천 개의 최첨단 GPU/TPU 클러스터가 동원되며, 수백 킬로와트(kW)에서 메가와트(MW) 단위의 막대한 전기 에너지와 거대한 냉각 시스템, 막대한 탄소 배출이 수반됩니다.
🧠 인간의 학습
호기심, 재미, 생존 본능, 사회적 인정, 감정 등 풍부한 내적·외적 동기에 의해 스스로 알고 싶은 대상을 찾고 능동적으로 질문하며 학습 환경을 개척합니다. 자신이 무엇을 알고 모르는지 아는 '메타인지(Metacognition)'를 가집니다.
💻 기계학습
인간 연구자가 사전에 정의해 준 수치적 손실 함수(Loss Function)와 보상 체계(Reward), 데이터셋 안에서만 수동적으로 오차를 줄여나갑니다. 모델 스스로 자발적인 학습 동기나 의식을 가질 수 없습니다.
🧠 인간의 학습
"만약 ~했다면 어떻게 되었을까?"라는 반사실적 사고(Counterfactual Thinking)와 심층적인 인과 관계(Causality)를 추론할 수 있습니다. 자신이 내린 판단의 논리적 이유를 다른 사람에게 언어로 명확히 설명할 수 있습니다.
💻 기계학습
변수 간의 통계적 상관관계(Correlation)를 찾는 데 능숙하지만, 심층적인 인과 관계를 구분하지 못할 위험이 있습니다. 수억~수천억 개의 매개변수로 구성된 심층 신경망은 '왜 그런 예측을 내렸는지' 내부 과정을 해석하기 어려운 블랙박스(Black-box) 문제를 안고 있습니다.
📊 인간의 학습 vs 기계학습 핵심 요약 비교표
| 비교 항목 |
🧠 인간의 학습 (Human Learning) |
💻 기계학습 (Machine Learning) |
| 기본 메커니즘 |
생물학적 신경망 시냅스 가소성, 다감각 통합 및 인지 스키마 형성 |
수학적 가설 모델, 손실 함수 미분 및 경사하강법 파라미터 최적화 |
| 데이터 요구량 |
소량의 경험만으로 학습 가능 (One-shot / Few-shot 학습에 매우 능함) |
수만~수십억 개의 대규모 정제 데이터와 수백 차례 반복 학습 필수 |
| 연산 및 전력 |
약 20W 초저전력 (이벤트 기반 스파이킹 신경 활동) |
수백 kW ~ MW 단위의 대규모 GPU 클러스터 및 냉각 전력 소모 |
| 전이 및 적응 |
유추와 상식을 통해 낯선 분야로 즉각 지식 전이 및 파괴적 망각 없음 |
분포 외 데이터(OOD)에 취약하며 새로운 학습 시 이전 지식 망각 위험 |
| 학습 동기 |
호기심, 감정, 생존 본능, 자율적 메타인지에 따른 능동적 탐색 |
외부에서 사전에 부여된 목적 함수 및 보상 체계에 종속된 수동적 최적화 |
| 추론의 본질 |
인과율(Causality) 규명, 가설 연역, 반사실적 사고 및 설명 가능 |
대규모 데이터 간의 통계적 상관관계(Correlation) 및 블랙박스 함수 |
| 강점 영역 |
창의성, 맥락적 판단, 윤리적·가치적 판단, 적은 데이터에서의 일반화 |
초고속 대규모 계산, 복잡한 고차원 패턴 인식, 장시간 지치지 않는 일관성 |
개념화
사례에 의한 학습 (Learning from Examples)과 개념 형성
인간과 기계 모두에게서 가장 중요하게 관찰되는 학습 원리 중 하나는 바로 개별적 사례들로부터 보편적인 규칙을 귀납적으로 이끌어내는 능력이다.
예를 들어 장기판의 각 경우에 대하여 가장 좋은 수를 하나씩 가르쳐 주면 이 경험들로부터 일반적인 장기의 승리 전략을 터득한다든지, 또는 여러 동물들을 관찰하고 그 중 진돗개라는 동물이 어떤 특징을 지니는지 배우면 이로부터 진돗개를 구별해 낼 수 있는 일반적인 분류 규칙을 스스로 알아내게 되는 것이다.
또한 인간은 한 번 특정 승용차로 운전을 배우면 다른 제조사의 트럭이나 SUV도 금방 운전할 수 있게 되며, 하나의 의자를 식별할 수 있게 되면 이전에 본 적 없는 기괴한 디자인의 의자들도 모두 '의자'라는 상위 개념으로 올바르게 분별해 낸다. 이처럼 한정된 경험에서 보편적 개념을 추출하고 새로운 대상에 유연하게 적용하는 능력이야말로 지능의 정수라 할 수 있다.
자료실
학습 관련 주요 문서 및 세부 링크
aistudy에 수록된 학습, 기계학습, 인지심리학 관련 세부 연구 자료 및 용어 사전입니다:
