Intelligence + Continual Learning = Expertise — Yu Su, NeoCognition

한 줄 핵심

이 영상은 현재의 AI 에이전트가 코딩에서는 강하지만 다른 업무에서는 취약한 이유를, 지능과 전문성의 차이 및 지속적 학습의 부재로 설명하며, 앞으로의 핵심 경쟁력이 더 큰 모델이 아니라 ‘전문성을 축적하는 학습 루프’라고 주장한다.

시간별 요약

1. 0:01
   AI 에이전트는 새 시대의 지능을 보여주지만, 코딩처럼 구조화된 세계에서만 빠르게 성과를 내고 현실 업무에서는 쉽게 무너진다. 이 격차는 단순한 모델 성능 문제가 아니라, 다양한 미시 세계를 계속 학습하며 적응하는 능력의 부족에서 비롯된다.
2. 5:00
   현대 AI의 어려움은 모라벡의 역설처럼 나타나며, 쉬운 일처럼 보이는 일상 디지털 업무가 오히려 더 복잡한 인지 능력을 요구한다. 각 도메인과 조직, 소프트웨어 환경은 저마다 다른 로컬 규칙과 제약을 가지므로, 하나의 정적 모델로는 이를 모두 압축할 수 없다.
3. 7:01
   지능은 낯선 문제를 주어진 문맥으로 풀어내는 능력이고, 전문성은 특정 도메인에서 신뢰성·효율성·판단력을 축적해 재현 가능한 성과를 내는 능력이다. 전문가들은 단순히 사실을 더 많이 아는 것이 아니라, 패턴을 다르게 보고 적절한 문맥을 끌어오며, 언제 멈춰야 하는지도 안다.
4. 10:00
   지속적 학습은 경험을 미래 행동에 재사용 가능한 구조로 압축하는 과정이며, 경험의 종류·압축 방식·저장 구조·활용 방식이 모두 중요하다. 이 관점에서 전문성은 단순한 메모리 추가가 아니라, 학습한 내용을 바탕으로 검색 공간을 줄이고 더 좋은 판단을 가능하게 하는 누적 메커니즘이다.
5. 13:02
   지능과 전문성은 거의 직교하며, 지속적 학습이 없으면 아무리 똑똑해도 매번 새로 푸는 ‘세계에서 가장 똑똑한 초보자’에 머문다. 반대로 강한 지속적 학습이 붙으면 bounded intelligence 위에서도 전문성은 크게 확장될 수 있고, 이는 개인화 서비스와 조직의 내부 학습 루프를 폭발적으로 키울 잠재력이 있다.
6. 17:00
   앞으로의 핵심 과제는 더 큰 모델을 만드는 것보다, 각 도메인에서 전문성을 축적하고 일반화로 되돌려 보내는 학습 루프를 만드는 일이다. 전문성이 풍부해지면 개인 의료·재무·교육 같은 서비스와 기업 내부의 고유한 학습 체계가 가능해지고, 경제적으로 불가능하던 많은 일이 가능해진다.

실무 인사이트

• 에이전트를 평가할 때 단발성 문제 해결력보다, 같은 환경에서 시간이 지날수록 더 적은 토큰과 더 높은 신뢰도로 일하는지 봐야 한다.
• 컨텍스트 엔지니어링은 입력을 많이 넣는 기술이 아니라, 도메인별로 어떤 문맥을 반복적으로 축적·재사용할지 설계하는 문제로 봐야 한다.
• 실무 적용의 승부처는 모델 크기보다 지속적 학습 루프이며, 사용자·조직별 미시 세계를 학습해 전문성을 쌓는 구조가 경쟁력을 만든다.