우리는 우리의 마음을 훈련하는 데 필요한 일을 우회할 수 없음

(zettelkasten.de)

1P by GN⁺ 3일전 | ★ favorite | 댓글 1개

“아무것도 기억하지 않아도 된다” 는 주장은 오래된 환상임
인터넷, 메모 앱, AI 등 디지털 도구가 기억의 필요성을 없앤다고 주장하지만 사고능력에 숨겨진 비용이 발생함
비판적·분석적 사고 능력이 부족하면 인터넷 검색 결과를 효과적으로 활용할 수 없고, 지식 습득이 얕은 수준에 머무름
깊이 있는 지식 없이 정보만 표면적으로 소비하면 뇌의 인지적 처리 능력이 약화됨
Zettelkasten Method와 같은 방법과 꾸준한 훈련이 의미 있는 지식 작업을 위해 필수적임

디지털 도구와 기억력에 대한 환상

“아무것도 기억하지 않아도 된다”는 생각은 이미 수십 년 전에 나타난 오래된 인식임
검색엔진, 구형 메모 앱, AI 등은 기억의 중요성이 사라졌다는 주장을 반복함
그러나 실제로는 원하는 정보를 찾기 위해선 기초 교육과 해당 분야에 대한 사전 지식이 필수적임

비판적 사고와 인터넷 활용 능력

현대 사회에서는 필요한 사고 과정을 생략하고 인터넷에서 바로 결론만 찾으려는 경향이 강해짐
이런 경향은 자기 주도적 학습 기회와 사전 지식의 축소로 이어지고, 정보의 질을 평가하고 실제 지식으로 전환하는 능력이 감소함
연구에 따르면 이른바 디지털 네이티브들은 인터넷에서 찾은 정보를 비판적, 분석적으로 평가하는 능력이 부족함
인터넷 검색의 진정한 가치를 얻으려면 분야별 정신적 지도가 필요함

디지털 네이티브의 접근 방식과 문제점

디지털 네이티브들은 정보를 표면적인 일치 여부로만 판단하고, 비판적 평가 동기가 약화됨
이런 접근 방식은 다음과 같은 결과를 남김
- 자료와의 감정적 연결 약화로, 생각의 깊이와 몰입 감소
- 정보와의 얕은 관계 형성, 뇌 구조 변화가 일어나지 않음
결과적으로, 표면적인 정보 소비 습관이 쌓일수록 지식의 토대가 취약해짐

지식·메모·비판적 사고의 핵심 전제

진정한 의미의 지식 형성은 AI, PKM(Personal Knowledge Management) 도구가 아니라 당사자 본인이 직접 시행해야 함
예시로 ChatGPT에게 주간 운동 루틴을 설계하게 할 수 있지만, 배경 지식이 없는 상태에선 그 결과의 옳고 그름을 판단할 수 없음
중요한 개념에 대한 깊이 있는 이해 없이 표면적 용어만 아는 상태에서 정보의 실제 가치를 평가하기 어려움

배경 지식과 뇌의 내부 처리 능력

표면적 연관만 떠올리는 수준과, 특정 용어에 대해 실제로 근본적, 다층적 지식을 망라해 떠올릴 수 있는 상태는 매우 다름
지식 작업의 병목은 외부 정보의 양이 아니라, 개인의 뇌가 정보를 처리하는 내부역량과 훈련 상태임

올바른 도구와 지속적 훈련의 필요성

“아무것도 기억하지 않아도 된다”는 생각과 달리, 실제로는 “모든 것을 기억해야 함” 이 바람직한 방향임
그래야만 의미 있는 인지적 작업과 지식 기반 사고가 가능함
단순한 도구(예: 스페이싱 반복법)는 단순 작업, 고급 도구(예: Zettelkasten Method)는 복합적 사고에 도움을 줌
깊이 있는 처리는 결국 뇌를 훈련시키는 것과 직접적으로 연결됨
지식 작업의 미래는 마음의 훈련을 포기하지 않는 자세에 달려 있음

Live long and prosper
Sascha

▲

GN⁺ 3일전 [-]

Hacker News 의견

최근에 한 사람과 그들의 마이그레이션 경험에 대해 얘기하다가 AI가 어떤 식으로 도움이 되었을지 상상해 봄 방법은 두 가지였음 - 첫 번째, AI에게 답을 묻는 방식: 뭔가를 만들어 줌, 내가 해야 할 고민을 AI가 대신해서 작업이 쉽게 느껴짐 - 두 번째, AI를 반복적이고 단순한 작업(테스트 스위트 작성이나 인프라 세팅 등)에 자동화 도구로 쓰는 방식: 실제로 인간보다 빠르지만, 어려운 작업에 집중해야 하니 오히려 더 힘들어짐 이 두 접근 방식은 너무나 다른 감정임 첫 번째 방식은 일이 쉬워지고, 두 번째 방식은 쉬운 부분이 자동으로 처리돼서 어쩌면 더 많은 사고와 고생이 연속적으로 필요한 상태로 바뀜 직장에서 경쟁 구도가 조금이라도 있다면 두 번째 패턴으로 일하는 사람이 생산성과 품질 모두 월등히 높을 것이라고 믿음 하지만 이런 방식은 정신적으로 매우 소모적인 느낌임 관련 글
- 두 번째 방식을 실제로 회사에서 시도해 봤음 거의 반드시 성공하려면 미리 구현 계획을 대부분 짜야 하고, LLM이 이상한 결과를 내지 않는지 모니터링해야 함 그 와중에 다른 일은 거의 손도 못 댐 체감상 생산성이 10%~20% 정도 개선되는 느낌임
- "생각하는 작업을 연속적으로 압축하고 하드한 일만 하는" 느낌, 그게 정확히 내가 설명하고 싶던 포인트였음 시스템 설계에서 진짜 병목은 쉬운 일이나 반복이 아니라, 예측하기 어려운 부분, 미지의 영역, 의도치 않은 결과 등임. AI가 그런 부분을 크게 도와주지는 못함 오히려 반복적인 업무를 완전히 자동화하지 않고 일정 부분 남겨두는 게 도움이 됨 그런 일들이 해당 도메인에 머무르게 해주고, 어려운 문제에 대한 통찰도 자주 얻게 해줌
- 나는 AI에게 아키텍처, 코드 구성, 알고리즘 수준의 설계를 맡김 계획을 그 수준에서 짰다가, 실제 구현은 에이전트에게 전적으로 맡김 테스트도 직접, 그리고 AI 에이전트 여러 명에게도 감사를 맡김 파이프라인은 100% 자동화되어 있는데 결과도 매우 좋음 어쨌든 내가 명령하는 대로 스토캐스틱 워크플로우 다그를 오케스트레이션한다는 점에서 엔지니어링의 느낌도 유지됨
- LLM의 문제는 단순한 일조차 완전히 혼자 해내지 못한다는 점임 그리고 사람이 개입해야 할 때, 인간의 직관도 흐릴 수 있을 정도로 LLM이 바보 같은 편향을 유발함 하지만 이런 아이디어는 컴파일러, 타입체커, 자동화된 테스트, 버전 컨트롤 등의 개발 역사와도 연결된다고 생각함
- 첫 번째 예시(질문-답변만 얻는 방식)일 때 오히려 더 많이 생각해야 할 때가 있음 생성 결과가 정확하게 원하는 것을 하지 않거나 버그가 있거나 복잡해지면, 내가 작성하지 않은 많은 코드를 분석하고 이해해야 다음 단계로 갈 수 있음 이렇게 코드를 읽다 보면 시간을 낭비하게 될 수 있음 최종적으로 입력 프롬프트나 명세가 완벽하게 명확해서 내가 직접 작성한 코드와 동일한 수준으로 이해가 된다면 문제 없지만, 그렇지 않다면 그냥 다 지우고 다시 플래닝하는 게 낫다고 생각함
"모든 것을 기억해야 의미 있는 지적 작업이 가능하다"는 주장에 대해 실제로 모든 걸 기억할 필요는 없음 경험과 사고, 글쓰기 같은 과정을 통해 진입점과 다음에 따라올 내용의 형태 정도를 기억하면 의미 있는 작업에 충분함
- "사람이 기억하고자 하는 것을 어떤 순서로 잘 배열해야 한다, 순서(질서)는 기억의 사슬이다"라는 토마스 아퀴나스의 말 인용 이 구절을 내 Zettelkasten에서 찾았음
- 업무에 따라 다르다고 생각함 예를 들어 외국어 대화처럼 실시간 퍼포먼스가 필요한 경우엔 단어를 확실히 외웠어야 하고, 연주 등에서도 마찬가지임 글을 쓸 땐 천천히 할 수 있지만, 배경지식이 너무 부족하면 결국 뒤에서 많은 준비가 필요함
- 사실 LLM(언어모델)도 그런 식으로 동작함 사람의 두뇌처럼 사전학습(pre-training)에 가능한 많은 정보를 입력한 후, 일정 임계점이 넘으면 추론/도구 사용 등 인간적인 사고에 가까운 결과가 나옴 그래서 뇌도 사전학습 데이터가 부족하다면 약한 베이스 모델이 될 것이라는 가설에 동의함
- 나는 답을 모두 기억하지는 않고, 어디에서 답을 찾는지 그 위치만 기억하는 편임
- 혹시 "처음 상태만 기억하고 머리는 나머지를 따라가는 식(연상법)인가" 혹은 "솔루션의 시발점만 기억하는 것인가(예: 가정이나 주요 아이디어 몇 가지)"에 대해 질문 Zettelkasten 사용자라면 첫 번째 방식에 충분히 동의할 거라고 생각함
"모든 것을 기억해야 의미 있는 지적 작업이 가능하다"는 주장에 대해 만약 인간이 추상화(Abstraction) 능력이 없다면 일리 있다고 봄 그러나 추상화가 존재하므로, 실제로는 구체적 사실 일부만 기억해도 충분함 핵심은 강력한 개념적 모델과 암묵지(tacit knowledge)가 필요하다는 점임 경험과 피드백으로 암묵지가 생기고, 개념 모델을 세워가며 사실을 덧붙여 나가는 식임 초기에는 암기력이 도움이 되지만, 어느 정도 성장하면 그 자체는 오히려 방해가 될 수 있음 가공의 전체를 항상 한 번에 기억할 필요 없이, 경험을 쌓으면 필요한 만큼만 '프레임워크'에 끼워 넣으면 됨 암기 자체를 싫어하는 사람들은 초보자인 시기를 힘겹게 통과한 케이스가 많아서 논란이 있는 거라고 생각함
- "모든 것을 기억해야 한다"는 주장에 대한 포스트가 여러 개 나왔던데, 논점과 맥락을 많이 놓치는 느낌임 실제로 모든 것을 기억하는 것이 불가능하니, 최대한 많이 기억하려고 노력하자는 점에 동의함 궁극적으로 "다 기억하지 않아도 되니까 신경 꺼도 됨"이라는 식의 생각이 위험하다고 봄 계산기나 LLM에게 맡기는 것은 나중에도 도움이 안 된다는 식으로 글의 논지가 강하게 제시됐다고 생각함
- "개념적 모델과 암묵지가 더 중요하다"는 논지에 깊이 공감함 컴퓨터 과학과 소프트웨어 엔지니어링을 오래 할수록, 진짜 핵심 개념은 생각보다 많지 않은 걸 깨달음 진짜 숙련된 엔지니어는 각 개념을 '살아서 느끼는' 경험이 필수적임 이 개념들을 잘 체득하면 어떤 컴퓨터 관련 문제든 금방 '개념의 좌표'에 맞춰 파악할 수 있고, 그러면 반복적으로 응용하고 이해할 수 있음
최근 지인들과 이 주제를 자주 얘기하는데, 엔지니어링이란 결국 "질문에서 시작해, 명확한 해법 없이 출발하는 일"이라고 정의함 이럴 때 중요한 것은 내 레이어가 쌓아진 기반(하위 추상 레이어들)의 충분한 이해임 지식 피라미드로 보자면, 각 층에 다양한 역할과 전문성이 분화되어 있지만, 어느 위치에 있든 아래쪽 레이어를 이해할수록 직감이 좋아짐 만약 기초를 아웃소싱하게 되면 비판적 사고뿐 아니라, 내가 몸담은 세상의 구조에 대한 직관도 약해진다는 것임
Anki, Zettelkasten 등 기억력 강화 도구에 공감은 하지만, 이 글은 너무 단순화된 측면이 있다고 생각함 지식 기반 작업 모델이 2가지가 있다고 봄 1. 즉각적, 포괄적 레퍼런스가 필요한 경우: 라이브 토론이나 극도의 초고속 작업이 아니면 대부분의 경우에 해당하지 않음 2. 전체를 기억하지 않아도 작은 조각만 알면 되는 경우(지도의 전체가 아니더라도 특정 포인트만 이해하는 작업): 대부분은 이 경우임 즉, 누구의 명확한 발언이 필요하면 나중에 찾아볼 수 있으니 즉각적으로 모든 내용을 기억해야 할 필요는 없음 최근 두드러진 변화는 AI가 아예 배경지식이 없을 때도 막연한 질문을 돕는 데 도움이 크다는 점임 구글 등 전통적 검색은 이런 상황엔 쓸모없지만, ChatGPT같은 데엔 "XYZ 같은 말을 한 사람을 찾고 싶다"고 물으면 예전엔 불가능했던 좋은 답을 얻을 수 있음
- 최근 두드러진 현상은 AI가 완전히 배경지식이 없을 때 큰 도움이 된다는 부분임 그런데 바로 이것이 문제라고 생각함 AI가 쉬운 출발점에 도움을 주지만, 그 과정에서 사용자가 스스로 배우는 기회를 잃게 함 학습은 "수용-이해-암기-적용"의 루프가 반복되는 과정인데, AI를 무한히 프롬프트하는 식으로 답만 얻으면 자기 학습이 거의 일어나지 않음
- AI의 장점은 "종류(kind)"에 대한 예시를 여러 개 잘 제시해준다는 것임 AI가 "X를 하는 회사"를 여러 개 찾아주면, 내가 직접 검색엔진으로 조사할 때 어떤 식으로 더 깊이 조사해야 할지 레퍼런스가 됨 실제로 AI가 제시한 결과물에 마지막엔 이르지 않더라도, 의견을 들은 뒤엔 내 판단을 직접 해야 함 AI는 단어와 특징 사이, 각 범주의 진술하는 방식에서 패턴을 파악하는 데 특화되어 있음
- 파일럿(조종사)도 체크리스트처럼 암기 없이 참고 가능한 도구를 쓰기도 하고, 위급 상황엔 거의 반사적으로 암호화된 기억만으로 수행해야 하는 것들도 있음
- 즉흥성이나 라이브 퍼포먼스(대화, 연주 등)는 암기력이 있어야 잘 할 수 있음 라이브 처리를 얼마나 원하냐가 기억력의 적정선을 판단하는 좋은 기준일 듯함
"질문만 읽고 바로 종합적으로 답을 낼 수 없다면 충분한 배경 지식이 없다"라는 주장에 대해 이 견해는 너무 극단적임 예를 들어 운동 계획 짤 때 세세한 요소까지 모두 고려하지 않아도 괜찮음 최고로 최적화된(‘minmaxed’) 답이 아니어도, 꾸준히만 하면 충분히 괜찮은 결과를 만들 수 있음 이건 모든 분야에 적용되는 공통점임 깊은 전문가가 아니어도 일정 수준의 결과는 낼 수 있음
- 다만 어떤 사회에서는 합리성이 결여될 때의 결과를 몸소 겪게 됨 결국 ‘팩트’를 연결해 논리 체계를 갖춘 사람과 아닌 사람의 차이이지, 사람마다 사고 방식은 다름 어떤 집단은 항상 ‘이유를 찾는’ 모델로 인생을 바라볼 것임
수학에서도 똑같음 계산기를 쓸 수도 있긴 하지만, 숫자 감각이나 산술 직관이 있으면 세상을 훨씬 빠르고 정확하게 처리할 수 있음 AI나 검색엔진의 도움도 받겠지만, 최소한의 판단력은 스스로 갖춰야 함
- 많은 사람들이 데이터에 직접 직관적으로 확인하지 않은 채 엑셀 수식부터 만드는 것을 이상하게 봤음 예를 들어, A8이 120이고 A7이 100이면 몇 % 증가했는지 직접 자기 눈으로 바로 확인하는 게 좋은 습관임 AI도 비슷하게, 아무것도 모르는 분야의 답을 덥석 믿기보다는 먼저 스스로 확인 가능한 값이나 콘셉트로 체크해야 함
- 계산기 사용 여부와 관계없이 계산 그 자체에 거부감이 있는 경우가 문제임 간단한 공식(넓이, 부피, 밀도, 에너지 등)만 외워도 순간적인 계산으로 헛소리를 얼마나 많이 걸러낼 수 있는지 놀라움 피자의 지름 문제처럼 유명한 예도 있음
진짜 핵심은 뇌가 경험으로 '길들여지며' 진화한다는 점임 아무것도 암기하지 않고 항상 검색에만 의존한다면, 뇌는 결국 검색엔진처럼 동작하는 법만 배우는 것임 검색이 불가능한 상황에선 그동안의 경험 부족이 치명적인 한계가 됨 물론 그런 방식이 지금 시대엔 먹힐 수도 있지만, 뇌가 개선된다는 기본 원리 자체는 변하지 않음
내가 봤을 땐 모든 것을 기억할 필요까지는 없지만, 분명히 ‘접해본’ 경험은 필수라고 생각함 ‘내가 무엇을 모르는지’조차 모르면 지식 작업을 하기엔 위험함 “모든 것에 대해 조금씩, 한 분야에 대해선 깊숙이 배워라”라는 명언에 공감함
인터넷 이전엔 주변 사람들에게 물어봤고, 그들이 뭔가 대충 답하면 그냥 믿고 넘어갔음 그러다 인터넷이 나오면서 검색 결과가 랜덤 지인 보다는 정확도가 올라감 이제 AI가 등장했는데, AI 역시 완벽하진 않지만, 주변 아무나 혹은 무작위 블로그보다는 답이 좀 더 신뢰할 만해짐 100% 맞아야 한다는 생각 자체가 나에게는 이상하게 느껴짐 과거에는 모두가 근처 사람의 아무 말이나 받아들였음
- LLM이 무작위 블로그를 집계해서 답을 만드는 것이, 전문성이 검증된 블로그에서 직접 검색하는 것보다 더 정확하다는 근거가 궁금함
- 질문할 때 무작위로 아무한테나 묻는 건 잘못임 항상 도메인 전문가에게 질문해야 함 예를 들어 비디오게임에 대해 아내에게묻지 않고, 프로그래밍에 대해 아버지께 묻지 않음 이렇게만 해도 AI의 필요성은 훨씬 줄어듦

답변달기