기술 습득을 가속화하는 멘탈 모델과 AI의 사용법

• 기술 습득이란 멘탈 모델 (Mental Model)을 단련하는 것이다
• 멘탈 모델에는 계층 구조가 있으며, 상위 모델일수록 다른 기술로 응용이 가능하다
• 상위 모델을 효율적으로 단련하는 방법은 예측과 검증의 반복이다
• AI는 검증을 빠르게 해주지만, 예측은 스스로 세울 수밖에 없다

"TypeScript를 깊게 판 사람은 Python 습득도 빠르다"라는 이야기를 자주 듣습니다. 언어가 다른데 왜 빠른 걸까요.

TypeScript 고유의 문법이 Python에서 사용되는 것은 아닙니다. 사용하고 있는 것은 문법 아래에 있는, 더 추상적인 모델입니다.

"타입이란 무엇인가", "비동기란 무엇인가", "모듈 분할이란 무엇인가"와 같이 언어에 의존하지 않는 이해. 이것이 새로운 언어를 접할 때의 예측의 토대가 됩니다.

이러한 개념은 소프트웨어 공학 (Software Engineering)으로서 언어를 초월하여 존재하는 것이기도 합니다.

다만 본 기사에서 주목하고 싶은 것은 지식 체계 그 자체가 아니라, 그것이 개인의 머릿속에서 예측의 토대로 작동하는 측면입니다.

이 머릿속의 토대를 멘탈 모델 (Mental Model)이라는 용어로 깊이 파헤쳐 보겠습니다.

멘탈 모델이란 "이 시스템은 이렇게 동작할 것이다", "이 조작을 하면 이렇게 될 것이다"와 같이 머릿속에 있는 동작의 예측 모델을 말합니다.

새로운 기술을 접할 때, 우리는 이 모델을 사용하여 "아마 이렇게 동작하겠지"라고 예측하고, 실제로 시도하여 확인하며, 차이가 있다면 수정하는 과정을 반복합니다. 이 모델의 정밀도가 높을수록 예측이 적중하고 습득이 빨라집니다.

구체적으로 TypeScript 경험자가 Python을 접했을 때를 예로 들어보겠습니다. TypeScript는 "타입 (Type)"이 중요한 언어이므로, 자연스럽게 다음과 같은 예측으로부터 시작합니다.

1. 예측한다: "TypeScript에 타입 시스템이 있다면, Python에도 있을 것이다"
2. 시도한다: Python의 타입을 조사하여 타입 힌트 (Type Hint) 메커니즘을 찾아낸다
3. 결과를 확인한다: 타입 힌트를 작성할 수 있었다. 하지만 컴파일 시점에 타입 에러가 발생하지는 않는다
...

이 사이클의 기점은 "예측한다"입니다.

예측이 있기 때문에 결과가 그 정답 확인이 됩니다. 맞으면 확신이 깊어지고, 틀리면 "왜?"라는 의문이 생기며 모델이 수정됩니다.

예측 없이 시도하면 결과를 봐도 "그렇구나"로 끝나며 아무것도 업데이트되지 않습니다.

자, 이 사이클을 통해 "Python은 타입을 외부 도구로 검사한다"는 것을 알게 되었습니다.

이때 머릿속에서는 사실 두 개의 층이 동시에 업데이트되고 있습니다.

• 아래층: 해당 기술에 국한된 개별 지식

  • "Python의 타입은 실행 시점에 강제되지 않는다. mypy와 같은 외부 도구로 검사한다"

• 위층: 기술을 초월하여 사용할 수 있는 설계의 데이터베이스

  • "타입의 강제성에는 폭이 있다. 언어 자체가 강제하는 것도 있고, 외부 도구가 보조할 뿐인 것도 있다"

아래층은 Python에 국한되어 있습니다. 다른 언어로는 가져갈 수 없습니다.

반면, 위층은 가져갈 수 있습니다. 다음에 Go나 Ruby를 접할 때 "이 언어의 타입은 어느 쪽 성향일까"라고 예측하는 재료가 됩니다. 응용이 가능한 이유는 이 위층이 성장하기 때문입니다.

이 부분이 핵심인데, 위층은 아래층을 배우는 과정의 부산물로서 성장합니다. "Python은 외부 도구로 검사한다"라는 개별적인 사실을 하나 알 때마다, "타입의 강제성에는 폭이 있다"라는 추상적인 데이터베이스가 조금씩 두꺼워집니다. 개별적인 사실을 모으지 않으면 추상적인 데이터베이스도 성장하지 않습니다.

그리고 앞서 말한 사이클의 기점이었던 "예측" 그 자체도 이 위층의 산물입니다. 스텝 1에서 "Python에도 타입이 있을 것이다"라고 예측할 수 있었던 것은 "타입"이라는 위층을 이미 가지고 있었기 때문입니다. 위층이 있기에 예측할 수 있고, 예측하고 검증하기에 다시 위층이 두꺼워집니다. 이 순환이 "응용력"의 실체입니다.

최근의 AI 덕분에 위 사이클의 "시도한다 → 결과를 확인한다"의 비용이 극적으로 낮아졌습니다. "TypeScript의 이 개념은 Python에서는 무엇에 해당할까?"라는 전이(Transfer)의 확인이 단 몇 초 만에 끝납니다.

나: TypeScript의 strict 모드처럼 Python의 타입 힌트를 엄격하게 검사하고 싶어. 그런 설정이 있어?
AI: mypy의 --strict 옵션이 유사합니다. 주석이 없는 함수나 암묵적인 Any를 에러로 처리할 수 있습니다. 설정 파일(mypy.ini 또는 pyproject.toml)에도 작성할 수 있습니다.

이전에는 문서를 찾고, Stack Overflow를 뒤지고, 시도하는 등의 절차가 필요했던 확인이 단 한 번의 왕복으로 끝납니다. 전이 가설을 검증하는 사이클이 차원이 다르게 빠르게 돌아가게 되었습니다.

AI가 빠르게 만든 것은 "검증"이지 "예측"이 아닙니다.

「strict 처럼 엄격하게 할 수 있어?」라고 물을 수 있었던 것은, strict라는 상위 계층(upper layer)을 가지고 있었고, "Python에도 그와 동등한 것이 있을 것이다"라고 전이(transfer)를 예측할 수 있었기 때문입니다.

예측이 없다면 무엇을 물어야 할지도 모릅니다.

즉, AI에 대한 질문의 질은 곧 상위 계층의 두께를 그대로 반영합니다.

상위 계층의 상태	AI에 대한 질문
얇음	"Python은 타입을 쓸 수 있어?"
...

아래로 내려갈수록 질문에 전이 가설이 포함되어 있습니다. 가설이 있기 때문에 돌아온 답변을 자신의 지식 창고(引き出し)에 위치시킬 수 있습니다.

AI는 우리의 이해를 뛰어넘는 답변을 아무렇지 않게 내놓습니다. 이때 이유를 이해하지 못한 채 "맞는 것 같으니까"라는 이유로 다음 단계로 넘어가면, 검증을 포기하고 AI에게 판단을 맡긴 것이 됩니다. 아래 계층의 답변(개별적인 사실)만 받아들이고, "왜 그렇게 되는가"를 확인하지 않는 사용법입니다.

수학 문제집에서 답만 베껴 적어서 풀이법을 익히지 못했을 때와 같습니다.

이를 계속해도 아래 계층의 파편은 얻을 수 있지만, 상위 계층은 성장하지 않습니다.

개별적인 사실을 "왜?"라는 질문으로 잘게 부수어 이해해야 비로소 추상적인 지식 창고가 되는데, 그 과정을 건너뛰고 있기 때문입니다. 결과적으로 답은 모이지만 응용이 되지 않는 상태가 됩니다.

이것이 "AI를 사용하는 것"에서 "AI에게 사용당하는 것"으로의 추락입니다.

반대로, 뛰어넘는 답변이 왔을 때야말로 기회입니다. "왜 그렇게 되는가"를 한 단계 더 깊이 파고들어 검증하면, 그것이 상위 계층으로 흡수되어 다음 언어, 다음 도구에서 효과를 발휘하게 됩니다.

"하나의 기술을 마스터하면 응용이 가능하다"는 것은, 개별 지식 아래에 기술을 넘나들며 사용할 수 있는 상위의 멘탈 모델(Mental Model)이 성장하기 때문입니다.

그 상위 계층은 개별 기술을 예측과 검증을 통해 확인해 나가는 과정에서만 성장합니다.

AI에게 개별적인 답을 통째로 맡기고 받기만 한다면, 아래 계층의 파편만 늘어날 뿐 상위 계층은 변하지 않습니다. "이것은 무엇의 한 예시일까"라고 한 단계 추상화하여 받아들임으로써 비로소 상위 계층이 두꺼워지고, 다음 기술로 전이됩니다.

AI가 있으니까 깊게 공부할 필요가 없는 것이 아닙니다. AI를 더 잘 다루기 위해서 학습 사이클을 돌려나가는 것입니다.

본 블로그에 게재된 내용은 저 개인의 견해이며, 소속된 조직의 입장이나 전략, 의견을 대표하지 않습니다.