AI로 배우는 방법 — Eero Alvar

URL: https://www.youtube.com/watch?v=kzcI5F4tGiU
날짜: 2026-08-14
채널: Eero Alvar
길이: 18분 58초
원문 저장소: https://github.com/amosblomqvist/learn
자막 기준: 영어 자동 자막 전체 검토 후 한국어 번역

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==AI를 단순한 답변기가 아니라, 학습자의 현재 이해도를 측정하고, 그 사람에게 맞는 학습 경로를 계획하며, 한 단계씩 가르치고, 이해 여부를 계속 검증하는 개인화된 교사 시스템으로 설계할 수 있다.==

• 기존 학습은 하나의 교재·교사가 많은 학습자를 가르치고, 한 학습자는 여러 출처를 오간다는 many-to-many 구조다.
• AI 교사는 학습자의 이해도 경계에서 이미 아는 내용과 아직 이해할 수 없는 내용을 피해, 지금 배울 수 있는 바로 다음 단계를 가르칠 수 있다.
• 학습의 어려움을 제거하는 것이 아니라, 자료 자체를 이해하는 데 인지적 노력을 집중하고 계획·자료 검색·사실 확인·순서 설계 같은 물류적 부담은 시스템이 맡는다.
• 실제 시스템은 probe → plan → teach의 세 단계로 구성된다. 먼저 퀴즈로 이해도를 측정하고, Mermaid 그래프로 학습 경로를 계획한 뒤, 한 번에 한 추론 단계씩 가르치며 반복 퀴즈와 연습으로 피드백을 받는다.

Eero Alvar는 이 영상을 학습 철학을 AI 시스템으로 구현해 본 실험으로 소개한다. 시연에서는 자신이 거의 모르는 미분형식(differential forms)을 주제로 삼고, Maxwell 방정식을 미분형식으로 표현하는 이전 관심사에서 출발한다. 저자가 보기에 이 시스템이 잘 작동한 핵심은 특정 프롬프트나 도구 자체보다, 현재 이해도에서 목표 이해도까지의 학습 곡선과 그 사이의 개별 설명 단계를 어떻게 설계했는가에 있다.

1. 기존 학습 구조의 두 가지 비효율

영상의 출발점은 “AI를 활용해 더 잘 배우려면 어떻게 해야 하는가?”라는 질문이다. AI는 학습에 완벽한 도구처럼 보이지만, 아직 어떤 방식으로 써야 하는지는 분명하지 않다. 그래서 화자는 자신의 현재 접근법을 설명한 뒤 실제 데모를 진행한다.

1.1. 한 출처가 여러 학습자를 가르치는 문제

1. 기존 학습은 다수 대 다수 구조다

   1. 교사, 책, 강좌 등 각각의 학습 출처는 많은 학생을 가르치도록 설계된다.
   2. 각각의 학생은 여러 출처에서 배운다.
   3. 따라서 학습자와 학습 출처 사이에는 양방향의 many-to-many 관계가 형성된다.

2. 한 출처가 모든 사람에게 최적일 수 없다

   1. 어떤 설명이 최적인지는 학습자의 현재 이해도에 전적으로 달려 있다.
   2. 여기에는 현재 이해도에서 목표 이해도까지 가는 전체 학습 경로뿐 아니라, 경로 중간에 놓인 각각의 설명 방식도 포함된다.
   3. 동일한 책이나 강의를 듣더라도 어떤 사람에게는 너무 쉬운 내용이 다른 사람에게는 아직 이해할 수 없는 내용일 수 있다.

3. 최적의 교육 경로는 이해도 경계에 맞춰져야 한다

   1. 학습자가 이미 아는 내용을 반복해서 가르치는 시간을 최소화해야 한다.
   2. 학습자가 아직 이해할 수 없는 내용을 너무 일찍 던지는 것도 피해야 한다.
   3. 가장 좋은 경로는 학습자가 현재 도달할 수 있는 이해의 가장자리를 따라간다.
   4. 이런 관점에서 이상적인 교사는 학생이 정확히 한 명인 교사다.

1.2. 한 학습자가 여러 출처를 오가는 문제

1. 출처를 바꿀 때마다 전환 비용이 생긴다

   1. 학습자는 서로 다른 교수법, 표기법, 신뢰도, 인터페이스에 적응해야 한다.
   2. 출처가 바뀔 때마다 학습 내용이 아닌 형식 전환에 정신적 노력이 들어간다.
   3. 이 비용은 학습에 직접 사용되지 않는 인지 자원이다.

2. 더 깊은 비용은 신뢰다

   1. 익숙하지 않은 출처를 접하면 뇌는 일종의 유보 상태에 들어간다.
   2. 그 출처가 충분히 신뢰할 만하다는 것을 증명하기 전까지는 정보를 완전히 받아들이지 않는다.
   3. 따라서 내용이 같더라도 출처에 대한 신뢰도가 학습의 내재화 정도에 영향을 준다.

3. 헤어리 볼 정리 예시

   1. 헤어리 볼 정리(hairy ball theorem)를 배우려고 하고, 완전히 동일한 설명 두 개가 있다고 가정한다.
   2. 하나는 3Blue1Brown 영상에 있고, 다른 하나는 X에 올라온 정체불명의 사람이 쓴 글에 있다.
   3. 설명이 동일해도 학습자는 익숙하고 신뢰하는 출처의 설명을 더 잘 배울 가능성이 높다.
   4. 뇌가 그 출처를 신뢰하기 때문에 같은 정보도 더 쉽게 내면화한다.

4. 이상적인 구조는 한 학습자와 한 교사다

   1. 한 학습자는 여러 출처를 오가는 대신 하나의 인터페이스를 통해 학습하는 편이 전환 비용과 신뢰 형성 비용을 줄일 수 있다.
   2. 이 결론은 다른 관점을 버리자는 뜻이 아니라, 여러 출처를 하나의 학습 인터페이스로 통합하자는 뜻이다.

2. AI 교사와 개인화된 학습 인터페이스

2.1. 하나의 교사는 하나의 관점만 제공하는가

1. 일대일 구조에 대한 반론

   1. 교사가 한 명뿐이면 한 가지 관점만 얻게 되는 것 아니냐는 반론이 가능하다.
   2. 하지만 이 반론은 출처(source)와 인터페이스(interface)를 혼동한다.

2. 교사는 여러 출처를 통합할 수 있다

   1. 하나의 교사는 관점의 수를 줄이는 대신 여러 관점과 출처를 모아 하나의 인터페이스로 전달할 수 있다.
   2. 학습자는 출처가 바뀔 때마다 인터페이스와 교수법에 다시 적응하지 않고, 같은 대화 구조 안에서 여러 자료를 접할 수 있다.
   3. 따라서 “한 명의 교사”는 “한 가지 관점”과 같은 말이 아니다.

2.2. AI에서는 신뢰를 시스템 안에 설계해야 한다

1. 인간 교사의 신뢰와 AI 교사의 신뢰

   1. 인간 교사에 대한 신뢰는 장기간의 상호작용을 통해 쌓인다.
   2. AI 교사의 경우에는 신뢰가 자연스럽게 쌓일 때까지 기다리기보다 시스템에 신뢰 장치를 설계해야 한다.

2. 검증과 팩트체크가 필요한 두 가지 이유

   1. 첫째는 정확한 정보를 제공하기 위해서다. AI가 환각(hallucination)으로 거짓 정보를 가르치는 일은 막아야 한다.
   2. 둘째는 학습자가 시스템을 신뢰할 수 있게 해 학습 자체를 쉽게 만들기 위해서다.
   3. 정보가 맞는지 매번 의심해야 한다면 학습자의 인지 자원이 내용 이해가 아니라 출처 검증에 소모된다.

3. 목표 형태

   1. 이상적인 시스템은 모든 출처를 아우르되, 한 사람의 마음에 맞춰진 하나의 인터페이스다.
   2. 즉, 여러 자료를 통합한 AI 교사가 한 학습자의 이해도와 목표에 맞는 경로를 제시한다.

3. 시스템의 두 가지 설계 원칙

3.1. 최적화된 가르침(optimized teaching)

1. 첫 번째 비효율에 대한 답

   1. 한 출처가 여러 학습자를 가르칠 때 생기는 문제는 개인화된 교육으로 해결한다.
   2. 시스템은 학습자의 정확한 현재 이해도를 알아야 한다.
   3. 현재 이해도에서 목표 이해도까지 필요한 경로를 계산하고, 이미 아는 내용이나 아직 이해할 수 없는 내용을 덜어낸다.

2. 이해도 경계에서 가르치기

   1. 시스템은 학습자가 지금 이해할 수 있는 가장자리에서 다음 개념을 제시해야 한다.
   2. 너무 쉬우면 새로운 이해가 생기지 않고, 너무 어려우면 인지적 연결이 끊긴다.
   3. 따라서 교육의 품질은 정보량보다 학습자의 현재 상태와 다음 설명 사이의 정밀한 정렬에 달려 있다.

3.2. 정신 자원의 최적 배분(optimized allocation of mental resources)

1. 두 번째 비효율에 대한 답

   1. 학습자가 여러 출처를 전환할 때 발생하는 표기·인터페이스·신뢰도 전환 비용을 시스템이 흡수한다.
   2. 무엇을 배울지, 어떤 순서로 배울지, 어떤 자료를 찾을지, 사실이 맞는지 확인할지 등을 AI가 맡는다.

2. 어려움을 제거하는 것이 아니다

   1. 이 원칙은 학습을 쉽게 만들어 모든 어려움을 없애자는 뜻이 아니다.
   2. 오히려 어려운 내용을 배우는 데 필요한 고생(struggle)은 최대화해야 한다.
   3. 다만 고생은 자료 자체를 이해하는 과정에 있어야 하며, 계획·자료 찾기·사실 확인·학습 순서 결정 같은 물류적 작업에 있어서는 안 된다.

3. 인지 노력의 위치를 바꾼다

   1. 학습자는 미분형식의 의미를 이해하는 데 정신을 써야 한다.
   2. 어떤 설명을 먼저 읽을지, 이 정보가 맞는지, 다음에 무엇을 해야 할지 결정하는 데 정신을 쓸 필요는 없다.
   3. 시스템은 학습 운영을 맡고, 학습자는 본질적인 개념과 문제 해결에 집중한다.

4. probe → plan → teach 학습 프로세스

4.1. 1단계 — Probe: 현재 이해도 측정

1. 퀴즈 도구로 지식 지도를 만든다

   1. 최적의 교육을 하려면 먼저 학습자의 정확한 현재 이해도를 측정해야 한다.
   2. 시스템에는 채점 가능한 객관식 질문을 만들고 제시하는 퀴즈 도구가 있다.
   3. 처음에는 넓은 범위의 질문으로 시작한 뒤, 학습자가 어느 부분까지 알고 있는지 점점 좁혀 간다.

2. 이진 탐색처럼 이해도 경계를 찾는다

   1. 수업이 의존하게 될 각각의 지식 가닥(strand)에 대해 이해도의 경계를 탐색한다.
   2. 학습자가 이미 아는 영역과 모르는 영역을 이진 탐색(binary search)처럼 나눠 가며 정밀한 지도를 만든다.
   3. 이 지도는 단순한 사전 테스트가 아니라, 이후 학습 경로를 결정하는 모델이다.

3. 퀴즈 자체도 워밍업이다

   1. 학습자는 답을 고르는 일만 하면 되고, 질문 순서와 학습 운영은 시스템이 관리한다.
   2. 프로브 단계는 현재 이해도를 측정하는 동시에 학습 주제에 정신을 준비시키는 워밍업 역할도 한다.

4.2. 2단계 — Plan: 학습 경로 계획

1. 특정한 마음에 무엇을 어떻게 가르칠지 추론한다

   1. 시스템은 측정된 이해도와 목표를 바탕으로 “이 사람에게 이 내용을 어떻게 가르칠 것인가”를 추론한다.
   2. 현재 지식에서 목표 지식으로 가는 의존성 그래프를 만들고, 개념을 어떤 순서로 도입할지 결정한다.

2. 초기 검증과 팩트체크를 병렬로 실행한다

   1. 계획 단계에서 첫 번째 검증·팩트체크 서브에이전트가 실행된다.
   2. 수학 내용은 일반적으로 팩트체크가 덜 필요할 수 있지만, 신뢰할 수 있는 시스템을 만들기 위해 검증을 수행한다.

3. Mermaid 그래프로 계획을 보여준다

   1. 계획은 Mermaid 그래프와 다이어그램으로 제시된다.
   2. 그래프는 학습자가 앞으로 무엇을 배울지 감을 잡게 한다.
   3. 하지만 화자가 그래프를 구현한 진짜 이유는 학습자에게 보여주기 위해서만이 아니다.
   4. 그래프를 만들도록 강제하면 AI가 전체 경로를 실제로 추론해야 하며, 즉흥적으로 대충 설명하는 것을 어렵게 만든다.

4. 계획은 시스템의 자기 검증 장치다

   1. AI가 한 번에 최종 답을 뱉는 대신, 먼저 개념 의존성과 순서를 외부화한다.
   2. 이 계획이 있어야 학습자가 현재 위치와 다음 위치를 알 수 있고, 시스템도 누락된 전제 개념을 확인할 수 있다.

4.3. 3단계 — Teach: 한 단계씩 가르치기

1. 학습 철학을 시스템에 설치한다

   1. 실제 교육 단계는 학습자가 어떻게 배우기를 원하는지에 따라 달라진다.
   2. 사용자는 자신의 학습 철학과 가장 잘 배우는 방식을 시스템에 설정할 수 있다.
   3. 화자는 어떤 학습 철학을 선택하든 피드백은 공통적으로 중요할 것이라고 말한다.

2. 주기적인 퀴즈로 이해를 확인한다

   1. AI는 일정 간격으로 학습자를 퀴즈 내 실제로 이해했는지 확인한다.
   2. 첫 번째 이유는 AI와 공부할 때 이해했다고 스스로 속이기 쉽기 때문이다.
   3. 설명을 읽고 고개를 끄덕이는 느낌과, 설명 없이 스스로 답을 만들어 내는 능력은 다르다.
   4. 실제 테스트는 학습자 자신에게도 이해 상태를 알려주는 피드백이다.

3. 피드백이 필요한 세 가지 이유

   1. 학습자의 자기평가를 교정한다.
   2. 시스템이 학습자의 상태에 맞게 계속 보정(calibration)되도록 한다.
   3. 문제를 풀고 배운 내용을 사용하게 해 새로운 지식이 장기적인 이해로 굳어지게 한다.

4. 적용은 학습의 일부다

   1. 연습 문제를 풀고 배운 내용을 실제로 사용하는 일은 단순한 평가가 아니다.
   2. 적용 과정 자체가 새로운 정보와 새로운 이해를 연결하고 고정하는 학습 과정이다.

5. 데모 환경과 학습 주제

5.1. Pi Agent harness와 Obsidian

1. 학습 디렉터리의 구성

   1. 화자는 자신의 학습 디렉터리 안에서 Pi Agent harness를 실행한다.
   2. .pi 폴더에는 teach 스킬, 시각화 관련 기능, 퀴즈 확장 기능, MD log 확장 기능, 시각 자료를 만드는 두 개의 서브에이전트가 들어 있다.
   3. 데모에서는 이 구성 요소들이 실제로 어떻게 협력하는지 확인한다.

2. Obsidian을 학습 UI로 사용한다

   1. 화자는 Obsidian을 모든 학습 활동의 사용자 인터페이스처럼 사용한다.
   2. MD log 확장은 세션을 Markdown 파일에 연결하고, 세션 중 생성되는 내용을 해당 파일에 계속 출력한다.
   3. Obsidian에서는 LaTeX가 렌더링되므로 수학식을 읽기 쉽고, 각각의 학습 세션이 지속 가능한 기록으로 남는다.

3. 학습 기록의 지속성

   1. 일회성 채팅 답변이 아니라 세션마다 학습 아티팩트가 남는다.
   2. 사용자는 나중에 이전 설명과 퀴즈, 시각 자료를 다시 볼 수 있다.
   3. 이 기록은 다음 학습 세션에서 현재 이해도를 파악하는 기반이 될 수도 있다.

5.2. Maxwell 방정식에서 미분형식으로

1. 이전 영상에서 이어지는 주제

   1. 화자는 이전 학습 관련 영상에서 Maxwell 방정식을 미분형식으로 표현하면 단 두 개의 방정식으로 나타낼 수 있다고 언급했다.
   2. 하지만 자신은 미분형식에 대해 사실상 아는 것이 거의 없다고 말한다.
   3. 그래서 이번에는 바로 그 간극을 실제 학습 시스템으로 메워 본다.

2. 명확한 목표를 설정한다

   1. 목표는 미분형식에 대한 탄탄한 입문이다.
   2. 한 번의 데모에서 최종 Maxwell 방정식 수준까지 도달하려 하지는 않는다.
   3. 다만 실제로 모르는 주제를 선택했기 때문에 시스템의 프로브·계획·교육 루프를 보여주기에 적절하다.

3. 모델 선택

   1. 화자는 Mac에서 Kimi K3로 시스템을 실행한다. 자동 자막에는 모델명이 다소 불명확하게 인식되어 있다.
   2. 그는 가르치는 작업에서는 모델의 지능과 추론 능력이 특히 중요하다고 느꼈다고 말한다.
   3. 교육 지침도 꽤 구체적으로 작성되어 있다.

6. Probe 데모: 미분형식에 필요한 선행 지식 찾기

6.1. 힘의 선적분과 발산

1. 선적분 질문

   1. “힘장 F가 곡선 C를 따라 이동하는 입자에 작용할 때 선적분은 무엇을 계산하는가?”라는 질문이 나온다.
   2. 화자는 선적분이 장이 입자에 한 일을 계산한다는 선택지를 고른다.
   3. 보존력장에서는 다른 해석이 가능하지만, 임의의 힘장 F에 대한 일반적인 답은 장이 입자에 한 일이다.

2. 발산 질문

   1. 한 점에서 벡터장의 발산은 그 점에서 단위 부피당 순 바깥 플럭스를 측정한다는 문장을 확인한다.
   2. 이 질문은 이후 미분형식과 적분 정리를 설명하는 데 필요한 벡터해석의 선행 이해를 점검한다.

6.2. Stokes 정리와 Faraday 법칙

1. 이미 알고 있는 개념 확인

   1. 시스템은 Stokes 정리에 관한 질문을 한다.
   2. 이어 Faraday의 전자기 유도 법칙까지 확인한다.
   3. 학습자는 자신이 충분히 알고 있는 내용과 불확실한 내용을 구분해 답한다.

2. 맥락을 얼마나 제공하느냐에 따른 차이

   1. 학습자가 처음에 이미 잘 아는 내용을 더 구체적으로 제공하면 프로브 단계는 짧아진다.
   2. 이번에는 제공한 맥락이 거의 없었기 때문에 시스템이 긴 질문 단계에 들어간다.
   3. 프로브는 단순히 시험을 보는 과정이 아니라, 수업이 의존할 개념별 경계를 찾는 과정이다.

6.3. 특수상대성이론과 전기·자기장

1. 참조계 변환 질문

   1. 특수상대성이론에서 움직이는 참조계로 바꿀 때 전기장과 자기장에 어떤 일이 일어나는지 묻는다.
   2. 선택지에는 두 장이 모두 불변이라는 주장, 전기장과 자기장이 섞인다는 주장, 전기장만 바뀌고 자기장은 고정된다는 주장 등이 포함된다.

2. 화자의 답변 수정

   1. 처음에는 전기장과 자기장이 각각 독립적으로 변환된다는 선택지를 생각한다.
   2. 곧 “모르겠다”고 답을 바꾸고, 정답이 전기장과 자기장이 서로 섞인다는 내용임을 확인한다.
   3. 프로브의 목적은 맞힌 개수로 학습자를 평가하는 것이 아니라, 이런 불확실성을 드러내 다음 설명의 출발점을 정하는 것이다.

6.4. 프로브 단계의 종료

1. 정밀한 이해도 이미지

   1. 시스템은 많은 질문을 던진 뒤 화자의 이해도에 대한 상세한 이미지를 만든다.
   2. 화자는 질문이 많았지만, 자신은 답만 하면 되고 나머지 운영은 시스템이 처리했기 때문에 부담이 크지 않았다고 말한다.

2. 프로브의 이중 역할

   1. 시스템 입장에서는 학습 경로를 위한 데이터가 축적된다.
   2. 학습자 입장에서는 주제에 대한 워밍업이 이루어지고, 자신이 무엇을 아는지와 모르는지가 드러난다.
   3. 동시에 연구 서브에이전트가 계속 사실을 확인하고 있다. 수학은 일반적으로 팩트체크가 덜 필요하지만, 검증 습관 자체는 유용하다.

7. Plan 데모: 의존성 그래프와 시각 자료

7.1. Mermaid 학습 경로

1. 계획이 렌더링된다

   1. 프로브가 끝나자 시스템이 전체 계획을 제시한다.
   2. Mermaid 그래프를 Obsidian 안에 렌더링하려고 시도한다.
   3. 당시 최신 릴리스에서 Mermaid 지원이 추가된 것 같지만, 처음에는 렌더링에 문제가 있었던 것으로 보인다.

2. 학습 순서의 의미

   1. 화자는 계획을 읽으며 일반화된 Stokes 정리에 실제 목표에 도달하기 전에 상당히 일찍 접근하게 된다는 것을 확인한다.
   2. 시스템은 목표 개념을 바로 설명하지 않고, 필요한 의존성 개념을 하나씩 쌓는다.
   3. 이 의존성 그래프는 “어떤 개념을 먼저 이해해야 다음 개념을 이해할 수 있는가”를 표시한다.

7.2. 시각화를 서브에이전트로 분리하기

1. SVG 생성

   1. 시스템은 시각화 스킬을 사용해 개념을 설명할 SVG를 만든다.
   2. 시각 자료 생성은 별도의 서브에이전트에 맡긴다.

2. 서브에이전트의 역할

   1. 서브에이전트를 쓰는 이유 중 하나는 메인 학습 맥락을 보존하기 위해서다.
   2. 다른 이유는 서브에이전트가 이미지를 직접 보고 실제로 올바르게 보이는지 검증하도록 하기 위해서다.
   3. SVG를 작성한 뒤 다시 보고, 필요한 부분을 수정하고, 또 확인하는 루프가 실행된다.

3. 시각 자료는 이해의 보조 장치다

   1. 시각 자료는 단순한 장식이 아니라 추상 개념의 관계를 외부화한다.
   2. 최종적으로 SVG는 Obsidian 안에 임베드되어 학습 기록과 함께 남는다.

8. Teach 데모: 한 번에 한 추론 단계

8.1. 빠른 답변 대신 느린 학습 경로

1. AI가 너무 빨리 달려가는 문제

   1. ChatGPT 같은 대화형 AI에게 무언가를 설명해 달라고 하면, AI는 지나치게 의욕적으로 전체 내용을 한 번에 설명하는 경향이 있다.
   2. 그러면 학습자는 최종 결론을 읽었을 뿐, 중간의 추론 구조를 직접 따라가지 못한다.

2. 한 단계씩 걷기

   1. 이 시스템은 의존성 그래프를 따라 한 번에 하나의 추론 단계만 진행한다.
   2. 각 단계는 쉽게 소화할 수 있는 크기로 유지된다.
   3. 중간에 질문이 생기면 다음 단계로 서둘러 넘어가지 않고 그 지점에서 질문할 수 있다.

8.2. 공벡터와 선적분의 새로운 관점

1. 공벡터(co-vector) 도입

   1. 시스템은 먼저 공벡터를 소개한다.
   2. 이어 기존에 알고 있던 선적분을 공벡터의 관점에서 새롭게 보게 한다.
   3. 학습자는 각각의 개념이 이전 개념과 어떻게 연결되는지 확인한다.

2. 중간 퀴즈

   1. 시스템은 새 추론 단계를 설명한 뒤, 그 단계가 실제로 이해되었는지 퀴즈를 낸다.
   2. 이 퀴즈는 전체 강의를 끝낸 뒤 보는 시험이 아니라, 다음 개념으로 넘어가기 전의 작은 체크포인트다.

3. 공벡터 계산 예시

   1. α = 3 dx − 2 dy인 공벡터와 벡터 v가 주어지고, α(v)를 계산하는 문제가 제시된다.
   2. 화자는 답이 −4라고 응답한다.
   3. 그림이 계산을 이해하는 데 도움이 되었다고 말한다.

8.3. Obsidian·LaTeX·시각 자료의 결합

1. 수학식 렌더링

   1. Pi 환경에는 LaTeX 렌더링 기능이 있어 수학 표현을 읽기 쉽다.
   2. Obsidian에 임베드된 시각 자료와 수식이 같은 학습 기록 안에 결합된다.

2. 시각 자료의 효과

   1. 텍스트만 읽는 것보다 그림이 공벡터 계산을 이해하는 데 도움을 줬다.
   2. 화자는 기능적으로는 작동하지만 자신이 직접 만든 것만큼 완벽하지는 않다고 평가한다.
   3. 그래도 시각화와 수식 렌더링은 학습 시스템의 유용한 기능으로 본다.

8.4. 공벡터장에서 쐐기곱까지

1. 공벡터장에서 새로운 적분 관점으로

   1. 시스템은 공벡터를 공벡터장(covector field)으로 확장한다.
   2. 이를 통해 선적분이 무엇을 적분하는지에 대한 새로운 관점을 제시한다.

2. k-형식(k-form)

   1. 1차원 대상에 대한 적분은 1-형식(one-form)의 적분이라는 설명이 나온다.
   2. 이어 k-형식은 k차원 표면이 받아들일 수 있는 종류의 대상이라는 직관을 제시한다.
   3. 화자는 이 설명을 자연스럽게 받아들이며, 다음 단계가 계속 이어질 것이라고 추측한다.

3. 쐐기곱(wedge product)

   1. 시스템은 쐐기곱과 쌍선형(bilinear)·반대칭(antisymmetric) 구조를 소개한다.
   2. 화자는 처음에 어디에서 그런 성질이 나오는지 의문을 제기한다.
   3. 최소한의 수정으로 반대칭성을 만드는 오래된 기법이 제시되고, 화자는 그것이 쐐기곱의 핵심 구조임을 받아들인다.

8.5. AI 특유의 말투와 학습 속도

1. 스타일은 아직 다듬지 않았다

   1. 화자는 AI의 말투 스타일을 충분히 설정하지 않아 다소 AI다운 표현이 많이 나온다고 말한다.
   2. 하지만 너무 많은 지침으로 시스템을 복잡하게 만들고 싶지는 않기 때문에, 이런 LLM 특유의 표현은 감수한다.

2. 스타일보다 교육 품질

   1. 말투가 인간처럼 완벽한지보다, 학습 경로와 설명 단계의 품질이 더 중요하다.
   2. 시스템은 한 번에 결론으로 달려가지 않고 의존성 그래프를 따라 천천히 진행한다.

3. 오류와 복구

   1. 시각화 SVG를 만드는 에이전트가 과부하로 오류를 일으키는 순간이 있었다.
   2. 화자는 “미분형식을 배우려는 지금 이 순간에 이러면 안 된다”고 농담한다.
   3. 그래도 학습 세션은 계속 진행되어 쐐기곱과 일반화된 Stokes 정리에 가까워진다.

9. 데모의 종료와 시스템에 대한 평가

9.1. 전체 의존성 그래프를 끝까지 가지 않는다

1. 데모의 범위

   1. 화자는 전체 의존성 그래프를 끝까지 따라가지는 않는다.
   2. 일반화된 Stokes 정리에 접근하는 지점까지 확인한 뒤, 시스템을 보여주기에 충분하다고 판단한다.

2. 이전 영상의 연속선

   1. 이번 영상은 이전 학습 관련 영상의 두 번째 부분 또는 연속편이다.
   2. 이전 영상에서 논의한 학습 철학을 이번에는 실제 AI 시스템으로 구현해 보는 것이 주제다.

9.2. 무엇이 이 시스템을 잘 작동하게 했는가

1. 도구 목록보다 교수 방식

   1. 화자는 시스템이 자신에게 잘 작동한 주된 이유가 여기서 보여준 도구들 자체는 아니라고 말한다.
   2. 퀴즈 확장, SVG 생성기, Obsidian, Mermaid는 모두 중요하지만 핵심 원인은 더 근본적인 곳에 있다.

2. 정확히 두 가지가 핵심이다

   1. 첫째는 현재 이해도에서 목표 이해도까지 가는 학습 아크(learning arc), 즉 전체 경로다.
   2. 둘째는 그 경로를 구성하는 **개별 단계와 설명(individual steps and explanations)**이다.
   3. 학습자가 어디에서 출발하는지 정확히 파악하고, 그다음 한 단계만 적절하게 제시하는 것이 시스템의 핵심이다.

3. AI 학습 시스템의 설계 시사점

   1. “이 주제를 설명해 줘”라는 일반적인 요청만으로는 충분하지 않다.
   2. 먼저 학습자의 상태를 측정하고, 목표를 정의하고, 의존성 그래프를 만들고, 단계별 설명과 피드백을 설계해야 한다.
   3. AI의 강점은 많이 말하는 데 있지 않고, 한 학습자의 다음 이해 단계를 계속 계산하는 데 있다.

주요 발언 모음

“어떤 방식으로 AI를 사용하면 더 잘 배울 수 있을까요?”

“이상적으로 교사는 학생이 정확히 한 명인 교사일 것입니다.”

“어려움을 없애려는 것이 아닙니다. 모든 인지적 작업을 자료 자체에 집중하려는 것입니다.”

“학습자는 이미 이해한 것과 아직 이해할 수 없는 것을 최소화하고, 정확히 이해의 경계에서 배워야 합니다.”

“AI로 배울 때 실제로 이해했다고 스스로 속이기 쉽기 때문에, 이해도를 테스트하는 것이 중요합니다.”

“AI에게 무언가를 가르쳐 달라고 하면 보통 너무 흥분해서 전체를 너무 빨리 설명합니다.”

“한 번에 한 추론 단계씩 천천히 걷고 싶습니다.”

“이 시스템이 저에게 잘 작동한 가장 큰 이유는 도구들이 아니라 교수 방식입니다.”

“핵심은 현재 이해도에서 목표 이해도로 가는 학습 아크와, 그 사이의 개별 단계·설명입니다.”

핵심 데이터 & 수치

• 18분 58초: 영상 길이.
• many-to-many: 기존 교육의 구조. 하나의 출처가 여러 학습자를 가르치고, 한 학습자가 여러 출처에서 배운다.
• 1:1: 화자가 제안하는 이상적인 학습 인터페이스. 한 학습자의 이해도에 맞는 하나의 교사가 여러 출처를 통합해 전달한다.
• 3단계: probe → plan → teach. 이해도 측정, 학습 경로 계획, 단계별 교육의 순서.
• 3Blue1Brown vs X: 동일한 헤어리 볼 정리 설명이라도 익숙하고 신뢰하는 출처가 더 잘 학습된다는 예시.
• 2가지 설계 원칙: 최적화된 가르침과 정신 자원의 최적 배분.
• 3가지 피드백 이유: 자기기만 방지, 시스템 보정, 적용을 통한 지식 고정.
• 2가지 핵심 요인: 목표까지의 학습 아크와 그 사이의 개별 단계·설명.

결론 및 시사점

1. AI를 정답기로만 쓰지 않는다: 학습자의 현재 상태를 측정하고 다음 이해 단계를 설계하는 교사로 사용할 수 있다.
2. 먼저 프로브한다: 학습 시작 전에 넓은 질문에서 좁은 질문으로 이동하며 선행 지식의 경계를 찾는다.
3. 학습 계획을 외부화한다: Mermaid 의존성 그래프를 만들게 하면 AI가 개념 순서를 실제로 추론해야 한다.
4. 학습 물류를 자동화한다: 자료 검색, 순서 결정, 사실 확인, 기록 관리는 시스템이 맡고 학습자는 개념 자체에 집중한다.
5. 어려움은 보존한다: 좋은 AI 학습 시스템은 생각할 필요를 없애지 않고, 생각의 대상을 행정 작업에서 학습 내용으로 옮긴다.
6. 한 번에 한 단계만 제공한다: 전체 답변을 한꺼번에 주지 않고, 학습자가 현재 이해할 수 있는 다음 추론만 제시한다.
7. 퀴즈는 시험이 아니라 피드백이다: 이해했다고 느끼는 것과 실제로 재현할 수 있는 것을 구분한다.
8. 적용을 포함한다: 문제 풀이와 사용 과정은 평가가 아니라 새로운 지식을 장기 기억에 고정하는 학습 과정이다.
9. 신뢰를 설계한다: 정확한 정보와 검증 장치를 통해 학습자가 매 순간 출처를 의심하는 비용을 줄인다.
10. 핵심은 도구보다 교수법이다: Obsidian, SVG, Mermaid, 퀴즈 기능보다 학습 아크와 개별 설명 단계의 정밀한 설계가 성패를 좌우한다.