- 에이전트와 지능 에이전트를 인식·학습·추론·행동의 관점에서 구분할 수 있다.
- 인공지능 제품·서비스 속 지능 에이전트의 역할을 분석할 수 있다.
- 인공지능의 발전 현황에 비추어 인간과 인공지능의 관계와 역할을 분석할 수 있다.
생각 열기 — 청소기가 '똑똑하다'는 말의 의미
선풍기도, 자동문도, 로봇청소기도 모두 '자동'으로 움직입니다. 그런데 우리는 유독 로봇청소기에게만 "얘 좀 똑똑한데?"라고 말하죠. 왜일까요? 선풍기는 어제도 오늘도 같은 바람을 보내지만, 좋은 로봇청소기는 집의 지도를 기억하고, 안 가 본 곳을 추론해서, 경로를 계획합니다. 오늘은 이 차이 — '지능적'의 정체를 정확하게 밝혀냅니다.
1단원 스마트홈의 규칙 "어두워지면 전등 켜기"를 기억하나요? 이 규칙대로 움직이는 전등은 '지능적'일까요? 그렇다면 내 취향을 점점 더 잘 맞히는 영상 추천과는 무엇이 다를까요?
에이전트 — 인식하고 행동하는 모든 것
1단원의 센서와 액추에이터가 다시 만난다
에이전트(agent)는 주변 환경을 인식(perceive)하고 그에 따라 행동(act)하는 시스템이에요. 1단원 피지컬 컴퓨팅의 구조(센서 → 처리 → 액추에이터)와 똑같죠? 맞습니다 — 자동온도조절기도, "어두우면 켜지는" 가로등도 모두 에이전트예요.
하지만 이런 단순 반사 에이전트는 정해진 규칙(IF~THEN)에만 따릅니다. 새로운 상황을 만나도 어제와 똑같이 행동하고, 경험에서 아무것도 배우지 못해요. 지능 에이전트(intelligent agent)는 여기에 두 가지 능력을 더합니다 — 학습과 추론.
인식 (Perceive)
센서·카메라·마이크로 환경의 정보를 받아들여요. "앞에 벽이 있다", "사용자가 이 영상을 끝까지 봤다"
학습 (Learn)
경험과 데이터를 쌓아 점점 나아져요. "이 방향엔 늘 벽이 있었지", "이 사용자는 과학 영상을 좋아하지"
추론 (Reason)
아는 것을 바탕으로 새로운 판단을 끌어내요. "그렇다면 다음엔 이 길로 가는 게 최선"
행동 (Act)
판단을 실제 동작으로 — 이동하고, 추천하고, 답하고, 경고해요. 그리고 그 결과를 다시 인식!
같은 방, 같은 먼지! 왼쪽 로봇은 부딪히면 방향만 바꾸는 단순 반사 에이전트, 오른쪽 로봇은 미리 방을 돌며 만들어 둔 먼지 지도를 기억하고, 가장 가까운 먼지로 경로를 계획하는 지능 에이전트입니다(방 지도 만들기는 이미 마친 상태라고 가정). 누가 먼저 끝낼까요?
⚙️ 반사 로봇 — 규칙: "부딪히면 아무 방향으로 회전"
🧠 지능 로봇 — 지도 기억 + 최단 경로 추론
두 로봇 모두 '인식'하고 '행동'합니다. 차이는 기억(학습)과 계획(추론)뿐 — 그런데 청소 효율은 하늘과 땅이죠. 지능 에이전트가 "복잡하고 어려운 문제"에 강한 이유가 바로 이것입니다. 참고로 오른쪽 로봇의 '최단 경로 추론'에는 경로 탐색 알고리즘이 숨어 있어요 — 3단원에서 배운 순차·이진 탐색처럼 '체계적으로 찾기'라는 탐색 가족의 한 갈래랍니다!
사례 해부 — 지능 에이전트의 4요소 찾기
| 지능 에이전트 | 인식 | 학습 | 추론 | 행동 |
|---|---|---|---|---|
| 자율주행차 | 카메라·레이더로 도로 상황 | 수백만 km의 주행 데이터 | "저 보행자는 길을 건너려 한다" | 감속·차선 변경 |
| 영상 추천 | 시청 기록, 검색어 | 나와 비슷한 취향의 패턴 | "이 사람은 이 영상을 좋아할 확률이 높다" | 추천 목록 제시 |
| 음성 비서 | 마이크로 음성 입력 | 수많은 음성·언어 데이터 | "'내일 우산'은 날씨 질문이다" | 날씨 정보 응답 |
| 스팸 필터 | 메일 제목·본문·발신자 | 스팸으로 신고된 메일들의 특징 | "이 패턴은 스팸일 확률 99%" | 스팸함으로 이동 |
모둠별로 자주 쓰는 인공지능 서비스를 하나 골라(검색 자동완성, 사진 보정, 게임 NPC, 번역기…) 위 표처럼 인식·학습·추론·행동 네 칸을 채워 보세요. 그리고 토론: "만약 이 서비스에서 학습 능력만 빼면 어떤 모습이 될까?" — 지능의 핵심이 무엇인지 보입니다!
인간과 인공지능 — 대결의 역사에서 협업의 시대로
발전 현황을 알아야 관계가 보인다
IBM 딥블루, 체스 세계 챔피언 카스파로프에 승리
알파고, 이세돌 9단에 4:1 승리 — 한국에서 열린 세기의 대국
생성형 AI 확산 — 글·그림·코드를 만들어 내는 AI의 대중화
의료·과학·예술 곳곳에서 인간-AI 협업이 일상이 되는 중
"AI가 인간을 이겼다"는 뉴스가 반복될 때마다 두려움도 커졌어요. 하지만 현장의 모습은 '대체'보다 '협업'에 가깝습니다. 의사는 AI가 표시한 의심 부위를 검토해 최종 진단을 내리고, 작곡가는 AI가 만든 멜로디 초안을 다듬고, 개발자는 AI가 제안한 코드를 검증하죠. 관계를 분석하는 틀은 간단합니다 — 각자 잘하는 것이 다르다.
🤖 인공지능이 잘하는 것
- 방대한 데이터에서 패턴 찾기
- 지치지 않는 반복·속도·일관성
- 수백만 경우의 수 탐색
- 24시간 감시·예측 (산불, 이상 거래…)
🧑 인간이 잘하는 것
- 목표와 질문을 정하는 일 ("무엇을 풀 것인가")
- 맥락·상식·감정의 이해
- 처음 보는 상황에서의 유연한 판단
- 윤리적 책임 — 결정의 최종 책임은 언제나 사람
AI가 흉부 X선에서 의사보다 높은 정확도로 질병 의심 부위를 찾는 시대입니다. 모둠에서 토론해 보세요.
- 그래도 최종 진단과 치료 결정을 사람 의사가 내려야 한다면, 그 이유는 무엇일까? (책임, 맥락, 환자와의 소통…)
- AI 덕분에 의사의 일은 어떻게 달라질까? (사라지는 일 vs 더 중요해지는 일)
- 이 구조를 우리 진로에 적용하면 — 내가 꿈꾸는 직업에서 AI는 경쟁자일까, 동료일까? 근거와 함께!
확인 문제
바로바로 채점! 해설까지 꼭 읽어 보세요.
1차시 확인 문제
4문항 · 즉시 채점
1주변 환경을 인식하고 그에 따라 행동하는 시스템을 무엇이라고 하는가?
2"어두우면 켜진다" 규칙만 따르는 가로등이 지능 에이전트가 아닌 이유는?
3영상 추천 에이전트에서 "수많은 사용자의 시청 데이터를 쌓아 패턴을 찾는 것"은 4요소 중 무엇인가?
4인간과 인공지능의 관계에 대한 분석으로 적절하지 않은 것은?
더 알아보기
교육과정 너머, 궁금한 만큼 깊이!
최신글을 쓰고 그림을 그리는 AI — 생성형 AI와 거대 언어 모델
요즘 가장 뜨거운 AI는 생성형 AI(generative AI) — 분류하고 예측하는 것을 넘어 글, 그림, 음악, 코드를 새로 만들어 내는 AI예요. 그 중심에 있는 거대 언어 모델(LLM)은 인터넷 규모의 텍스트로 "다음에 올 단어 맞히기"를 수없이 연습한 모델입니다. 단순해 보이는 이 연습이 쌓이면 번역, 요약, 대화, 코딩까지 해내죠.
지능 에이전트의 관점으로 보면 생성형 AI도 같은 틀이에요 — 질문을 인식하고, 방대한 텍스트에서 학습한 패턴으로, 가장 그럴듯한 답을 추론해, 글로 행동합니다. 다만 '그럴듯함'이 '사실'은 아니라는 것 — 생성형 AI가 자신 있게 틀리는(환각) 이유이자, 인간의 검증이 꼭 필요한 이유입니다.
역사1997 딥블루와 2016 알파고 — 무엇이 달랐나
둘 다 '인간 챔피언을 이긴 AI'지만 방식은 완전히 달랐어요. 딥블루는 초당 2억 개의 수를 계산하는 무차별 탐색의 괴물이었습니다 — 3단원에서 배운 탐색 알고리즘의 극한판인 셈이죠. 체스 지식도 사람이 일일이 프로그래밍해 넣었어요.
반면 바둑은 경우의 수가 우주의 원자 수보다 많아 탐색만으로는 불가능했습니다. 알파고는 16만여 판의 기보(약 3천만 개의 수)를 학습하고 자기 자신과 대국하며 스스로 강해졌어요 — 사람이 규칙을 넣은 게 아니라 데이터에서 배운 것. 이것이 다음 차시에서 배울 '기계학습'이고, 1997과 2016 사이에 일어난 패러다임의 전환입니다.
| ♟️ 딥블루 (1997) | ⚫ 알파고 (2016) | |
|---|---|---|
| 지식의 출처 | 사람이 직접 입력한 체스 규칙·전략 | 16만여 판의 기보 + 자기 대국 학습 |
| 핵심 방법 | 무차별 탐색 — 초당 약 2억 수 계산 | 데이터로 배운 '직관'으로 유망한 수만 골라 탐색 |
| 새 게임을 시키면? | 사람이 처음부터 다시 프로그래밍 | 새 데이터로 다시 학습 |
| 패러다임 | 규칙 기반 AI | 기계학습 AI |
심화약한 AI, 강한 AI — 지금의 AI는 어디쯤일까
SF 영화의 AI는 인간처럼 모든 일을 해내지만, 현실의 AI는 다릅니다.
- 약한 AI(좁은 AI) — 바둑, 번역, 얼굴 인식처럼 특정 과제 하나를 잘하는 AI. 지금 세상의 모든 AI가 여기에 속해요. 알파고는 바둑은 신이지만 체스는 한 수도 둘 줄 모릅니다!
- 강한 AI(범용 AI, AGI) — 인간처럼 어떤 문제든 이해하고 학습하는 가상의 AI. 아직 존재하지 않으며, 가능한지조차 과학계의 논쟁거리예요.
지금의 AI는 전부 왼쪽 초록 영역 — 한 분야의 챔피언일 뿐, 옆 칸으로만 옮겨도 처음부터 다시 배워야 해요.
"AI가 인류를 지배한다"는 공포보다 현실적인 질문은 "좁은 AI를 누가, 어떤 목적으로, 얼마나 공정하게 쓰는가"입니다 — 5단원 디지털 문화와 진로 선택 「인공지능 기초」에서 이 질문을 이어 갑니다.
연계1단원 × 4단원 — 사물인터넷에 지능이 깃들 때
1단원 스마트홈 시뮬레이터의 규칙("28℃ 이상이면 에어컨 켜기")을 기억하나요? 그건 단순 반사 에이전트였어요. 요즘 스마트홈은 한 걸음 더 갑니다 — 가족의 생활 패턴을 학습해서 "이 집은 평일 18시쯤 귀가하니 17시 40분부터 미리 냉방"을 추론하죠.
단순 반사 스마트홈("28℃면 켜기")과 달리, 지능형 IoT는 이 고리를 빙글빙글 돌며 스스로 좋아져요.
IoT(1단원)가 모은 데이터(2단원)를 알고리즘(3단원)과 기계학습(4단원)이 요리하는 것 — 여러분이 배워 온 단원들은 사실 하나의 기술 생태계였습니다. 에지 AI, 스마트팩토리, 자율주행… 미래 기술의 지도가 이 연결 위에 그려져요.
한눈에 정리
- 에이전트 = 환경을 인식하고 행동하는 시스템 — 단순 반사 에이전트는 정해진 규칙만 따른다
- 지능 에이전트 = 인식 + 학습 + 추론 + 행동 — 경험에서 배우고 최선을 스스로 판단
- 자율주행차·추천·음성 비서·스팸 필터, 모두 4요소로 해부할 수 있다
- 발전의 흐름: 규칙·탐색(딥블루) → 데이터 학습(알파고) → 생성형 AI
- 인간과 AI는 잘하는 것이 다르다 — 목표·맥락·책임은 인간, 패턴·속도·반복은 AI, 그래서 협업!