(요약본)AI 임팩트

이주선 지음 / 굿인포메이션
이 책은 인공지능 발달의 역사, 기술 및 장래에 대한 연구와 분석, 그리고 시장과 사회에 초래할 파장
과 대응책들에 대한 논의들을 정리하여 소개한다. 저자는 구체적으로 인공지능의 기원과 기술, 미래와
우리의 삶에서 가장 관심사가 되는 일과 일자리, 생산성과 경제성장, 소득분배, 무역, 그리고 이의 기
반이 되는 시장과 정부에 미치는 인공지능의 파장들을 체계적으로 정리하여 알려준다.

AI 임팩트
이주선 지음

▣ 저자 이주선
현재 기업 & 경제연구소장으로 연세대학교 경영대학원에서 산업협력 교수와 겸임교수로 기업경제학을
강의하고 있다. SKT 소속으로 SK 경영경제연구소에서 임원으로 7년, 그 후 SKT 고문으로 2년 근무하
였고, 숙명여자대학교 대학원과 동국대학교에서 산업조직론과 법경제학을 강의하였다. 한국경제연구원
에서 박사학위 취득 후 17년간 연구조정실장, 규제연구실장 등을 역임하면서 정부의 대통령 직속 규제
개혁위원회 위원, 공정거래위원회 경쟁정책자문위원, 오하이오주립대학교(OSU) 교원교수, 반부패세계
회의 조직위원, 산업자원부, 행정안전부, 보훈처, 정보과학기술부 등 정책자문 위원 및 규제개혁 위원
등을 역임하였다.
OSU에서 산업조직론과 공공정책론 전공으로 박사학위를 받았으며, 한국경제연구원과 SK경영경제연구
소에서 규제와 규제개혁, 공정거래, 경쟁정책, 민영화, 반부패, 기업지배구조, 정부비전, 기술혁신,
ESG와 사회적기업, 한국기업론 등을 포함한 광범위한 연구를 진행하였다. 저서로는 『한국경제 위기의
뿌리: 담합구조』, 『규제개혁 종합연구(전14권, 편저)』, 『Korean Experience in Regulatory Reform』,
『Manifestation of Korean Entrepreneurship and It's Achievement(KSP in KDI)』, 『경제학적 관점에서
본 성매매처벌법』, 『한국법의 경제학(공저)』 외 다수가 있다.

▣ Short Summary
최근 인공지능의 경이적인 발전은 전문가들 사이에서 ‘인공지능이 사람을 지배할 것’이라는 디스토피아
적 예견부터 ‘사람이 더 이상 죽지 않음은 물론 경제적 희소성이 사라질 것’이라는 유토피아적 예견에
이르기까지 다양한 미래예측을 제기해 왔다. 하지만 지금은 인공지능이 세계와 인류의 미래를 좌우할
가장 중요한 기술이 될 것임을 거의 모든 전문가들이 한목소리로 말하고 있다. 또한 이들은 인공지능
이 사람의 지능을 능가하는 특이점은 금세기 중반 이후 실현될 가능성이 높고, 이 기술이 가진 기술혁
신의 이익과 초래할 다양한 위험에 대한 균형적인 대비가 필요하다고 지적한다.
그리고 인공지능이 개인의 삶에서 핵심적인 비중을 차지하는 일과 일자리, 생산성과 경제성장, 세계적
인 차원에서의 무역과 투자에 미치는 영향과 이것의 상호작용이 궁극적으로 인간행복의 토대인 소득분
배에 미치는 파장이 어떠할 것인가도 초미의 관심사다. 아울러 이러한 삶과 행복 추구에 핵심적인 요
인들이 조율되는 중추적 공간인 시장과 정부에 인공지능화가 어떤 파장을 초래할지를 이해하여 정부와
사회가 격변의 소용돌이에 어떻게 적절히 대응할 것인가도 매우 중요한 논제다.
한편 학문이나 과학이나 기술은 늘 지식의 축적을 통해서 발전한다. 후학들은 앞의 연구들에 대한 체
계적인 정리를 통해서 빠른 시간 내에 이미 만들어진 지식과 정보들의 핵심들을 파악하여 그 위에 자
신의 창의성과 해석을 통해서 획득한 지식들을 추가하는 방식으로 연구를 진행함으로써, 인류는 지금
과 같은 학문과 과학, 문명과 문화와 예술의 진보와 발달을 성취할 수 있었다. 따라서 새로운 지식이
나 기술의 발견과 발명만큼이나 기존 지식을 잘 이해해서 체계적으로 정리하는 것도 중요한 일이다.

-2-

AI 임팩트

이 책은 상기와 같은 관점에서 인공지능 발달의 역사, 기술 및 장래에 대한 연구와 분석, 그리고 시장
과 사회에 초래할 파장과 대응책들에 대한 논의들을 정리하여 소개한다. 구체적으로 인공지능의 기원
과 기술, 미래와 우리의 삶에서 가장 관심사가 되는 일과 일자리, 생산성과 경제성장, 소득분배, 무역,
그리고 이의 기반이 되는 시장과 정부에 미치는 인공지능의 파장들을 체계적으로 알려준다.

▣ 차례
머리말
제1장 인공지능은 어디서 출발해서 여기까지 왔나?
1. 기원이 된 아이디어들과 앨런 튜링
2. 1차 황금기: 다트머스회의와 기호주의 인공지능
3. 1차 암흑기: 미국과 영국의 지원 철회
4. 2차 황금기: 전문가 시스템과 일본, 미국, 영국의 각축
5. ‘인공지능의 겨울’과 기계학습의 등장 및 약진
6. 3차 황금기: 딥러닝의 압승과 AGI 가능성
제2장 기계는 어떤 방법으로 지능을 가지게 되나?
1. 사람처럼 ‘스스로 판단하고 움직이는 기계’의 첫 기술
2. 스스로 판단하고 움직이는 기계의 기술발전 양상
3. 기호ㆍ논리 주입에 의한 기계지능 제작 기술
4. ‘학습’에 의한 기계지능 제작의 출발점과 방법들
5. 신경망 모사 지능 제작 기술들의 진화
6. 신경망 학습의 최신기술 ‘딥러닝’의 발달
제3장 사람과 필적할 인공지능은 어떻게 출현할까?
1. 딥러닝 인공지능 기술이 가진 한계
2. 사람 지능의 발달과정과 그 특성들
3. 기계지능이 사람 수준으로 발달할 조건들
4. AGI를 향한 도전의 현주소
5. AGI 실현시기 예측과 근거
제4장 인공지능은 일자리와 경제에 어떤 영향을 미칠까?
1. 인공지능의 삶에의 침투 정도
2. 인공지능이 일과 일자리에 미치는 영향
3. 인공지능이 생산성과 경제성장에 미치는 영향
4. 인공지능이 소득분배와 무역에 미치는 영향
제5장 인공지능이 시장과 정부에 초래할 파장과 대응책은?
1. 디지털 경제의 주요 특징들
2. 인공지능화로 인한 시장 효율성 증가와 경쟁촉진 효과

-3-

AI 임팩트

3. 인공지능화로 인한 시장실패 확대와 소비자 후생 악화
4. 인공지능화와 고용 및 소득분배 정책 이슈들
5. 인공지능화와 경쟁정책 이슈들
6. 인공지능화와 대외경제정책 이슈들
참고문헌

-4-

AI 임팩트

AI 임팩트
이주선 지음

인공지능은 어디서 출발해서 여기까지 왔나?
기원이 된 아이디어들과 앨런 튜링
인공지능이란 사람이 수행하는 지능적인 작업을 기계인 컴퓨터가 모방할 수 있도록 하는 모든 기술을
의미하며, 인간의 지능을 컴퓨터로 구현해서 궁극적으로 출현하는 ‘생각하는 기계’이다. 그러므로 인공
지능은 자신의 목적 달성에 맞는 지능적인 존재가 되는 것이 최종적인 도착지가 될 것이다. 이런 기계
에 대한 상상은 어디서부터 시작되어 21세기 초반 사람들의 주목을 독차지하는 대세가 되었을까?
근대 인공지능 연구의 기원은 르네 데카르트가 1637년 그의 명저 방법서설에서 ‘인간은 기계’라는 주
장으로부터라고 할 수 있다. 데카르트는 그의 인간론에서 동물과 인간은 육체라는 기계이나, 인간은
경험을 쌓은 기계이며 뇌는 그 태엽에 해당한다고 주장했다. 이 기계론적 인간론이 컴퓨터와 인공지능
출현의 철학적 기반이 되었다. 그를 이어서 고트프리트 라이프니츠는 1666년 그의 “조합의 기술에 관
한 학위 논문”에서 모든 개념들을 제한된 수의 단순한 개념들의 조합으로 환원할 수 있다는 생각에 근
거해서, 이진법 논리를 토대로 형식적인 추론을 하여 철학적인 논쟁들을 해결하려고 했다.
1747년에는 줄리앙 오프레이 드 라 메트리가 인간기계론에서 18-19세기 유럽에서 인기를 끌었던 자
동인형(automaton)을 뛰어넘는 오늘날 인공지능 로봇 개념의 자동인형이 등장할 것이라고 주장하였다.
철학의 이런 유물론적 관점에 입각해서 현대적인 인공지능 가능성에 대한 구체적인 언급이 시작된 것
은 19세기 중반 이후이다. 우리나라의 조선왕조 말기인 1842년 영국의 유명한 시인 조지 바이런의 딸,
에이다 러브레이스는 찰스 배비지의 해석기관에 대한 분석에서 현대적 의미의 인공지능 가능성을 처음
언급했고, ‘베르누이 수’를 구하는 알고리즘을 만들었다.
이후 20세기 중반인 1936년 ‘컴퓨터 과학의 아버지’라고 불리는 앨런 튜링은 “계산 가능한 수와 그것
의 결정문제에 대한 적용: 수정본”이란 논문에서 ‘튜링기계(Turing Machine)’를 제안하였고, 1940년대
에 실제로 디지털 컴퓨터가 발명되었다. 1943년에는 워런 매컬러와 월터 피츠가 “신경활동에 내재된
생각들의 논리적 미적분”이란 논문에서 각 신경세포의 기능은 매우 단순하지만, 이들이 상호 연결되어
복잡한 계산을 하는 신경망이 만들어진다는 것을 2진법 출력을 가진 ‘매컬러-피츠 모델’로 구현하였다.
이것이 현재의 인공신경망 또는 신경망이 진전되는 데 핵심적인 혁신을 만들어냈다.
또한 튜링은 1950년 ‘생각하는 기계’의 구현 가능성에 대한 분석이 담긴 인공지능 역사의 ‘시원적인
(seminal)’ 논문, “계산 기계와 지능”에서 컴퓨터가 사람의 지능을 흉내 내려고 시도할 수 있음을 시사
하고, 컴퓨터가 사람의 지능과 같은 수준에 도달하였는지 여부를 시험(test)하기 위한 튜링 테스트
(Turing test)를 제안하였다. 한편 1951년 피츠와 매컬러에게 배운 민스키는 진공관을 이용해서 사람의
뇌에 있는 뉴런의 연결망을 모사한 세계 최초의 신경망 컴퓨터 SNARC를 만들었다. 같은 해 영국 맨
체스터 대학교의 크리스토퍼 스트레치는 페란티 마크 1(Ferranti Mark 1)을 사용해서 최초의 체커
(checker) 프로그램을, 디트리히 프린츠는 최초의 체스(chess) 프로그램을 만들었다.

-5-

AI 임팩트

그리고 1950년대 중반 몇몇 과학자들은 직관적으로 기계가 수를 다루듯 기호(symbol)를 다루고, 사람
처럼 기호의 본질적인 부분까지 다룰 수 있을 것이라고 생각했고, 이것이 인공지능 연구에서 ‘기호주
의(Symbolism) 학파’의 시원이 되었다. 한편 1956년 대표적인 기호주의자들인 카네기 멜론 대학교의
앨런 뉴얼과 허버트 사이먼은 최초 인공지능 시스템이라 할 수 있는 ‘논리 이론가(Logic Theorist)’를
개발하여 알프레드 화이트헤드와 버트런드 러셀의 수학 원리에 나오는 52개 정리 중 32개를 증명해
냈고, 일부 새롭고 더 우아한 증거를 찾아내기도 했다.
3차 황금기 - 딥러닝의 압승과 AGI 가능성
사람의 적극적 개입이라는 제약조건을 뚫고 딥러닝 신경망의 부활을 확고히 하여 오늘날 인공지능 붐
을 조성한 결정적인 전기는 2012년에 만들어졌다. 페이페이 리가 주도해서 조성된 이미지넷 데이터
세트들(빅데이터)을 토대로 주최한 2012년 “이미지넷 대규모 이미지 인식 경연대회”에서 딥러닝 혁명
을 이끈 힌튼, 르쿤, 벤지오가 공동으로 만든, 독자적으로 학습, 추론, 판단을 하는 ‘합성곱신경망
(CNN)’ 기술 기반 딥러닝을 탑재한 인공지능 ‘알렉스넷’이 압도적인 성적으로 우승을 한 것이다.
르쿤의 제자인 캐나다 토론토 대학교의 알렉스 크리제프스키가 일리아 서스케버, 힌튼과 만든 알렉스
넷(Alex Net)은 8개의 신경망을 가지고 있으며, 그 컴퓨팅을 CPU(central processing unit)가 아니라 병
렬 컴퓨팅에 유리한 GPU(graphic processing unit)를 사용했다. 결국 CNN 기반 딥러닝에 GPU컴퓨팅
역량을 접목하여 이런 괄목할 만한 성과를 낸 것이다. 이후 이 대회를 우승한 인공지능들은 모두 CNN
기반 딥러닝 알고리즘들이 차지했다. 한편 알렉스넷의 우승 2년 후인 2014년은 인공지능 연구의 중심
으로 떠오른 딥러닝 연구가 학계 중심에서 구글, 페이스북, 바이두 등 기업 중심으로 전환되는 해였다.
기업들의 직접적인 인공지능 투자 붐이 다시 본격화되기 시작한 것이다.
이런 가운데 구글 지주회사 알파벳의 자회사로 범용인공지능 연구 개발의 선두기업인 딥마인드(Deep
Mind)의 CEO 데미스 허사비스가 개발한 바둑 인공지능 ‘알파고-판’이 2015년 처음으로 유럽바둑챔피
언 판 후이 2단에게 5번 모두 승리하여, 그 당시까지는 전문가들이 실현 불가능할 것이라고 여겼던 바
둑에서 그 이름을 알렸다. 이듬해인 2016년에는 다시 ‘알파고-리’가 세계바둑챔피언인 한국의 이세돌
9단과의 대국에서 4:1로 승리하여 세계의 이목을 집중시켰다. 이 알파고는 2016년 3월 사람들의 기보
16만 건을 학습한 후 이세돌 9단을 상대해서 승리했는데, CNN 기반 딥러닝 신경망 12개로 인간들의
기보에 대한 지도학습과 알파고 자체 게임을 이용한 강화학습을 모두 사용하고, 구글이 자체 개발한
애플리케이션 집적회로 TPU(Tensor processing unit) 48개를 사용한 분산 시스템이었다.
이어서 ‘알파고-마스터’가 2017년 5월 바둑 세계 랭킹 1위인 중국의 커제 9단을 3:0으로 이겼다. 이
알파고는 신경망 개수를 40개로 늘린 반면, 4개 TPU만 사용하는 단일 컴퓨터 시스템으로, 독자적 강
화학습만 해서 학습과 의사결정 능력을 향상시켰을 뿐만 아니라 컴퓨터의 연산능력도 획기적으로 절감
하는 혁신 시스템이었다. 다시 2017년 10월 딥마인드는 네이처에 알파고의 마지막 버전인 ‘알파고-제
로’를 발표하였는데, 이 알파고는 인간 기보에 의존하는 지도학습 없이 바둑규칙만으로 72시간 학습한
뒤, 알파고-리와의 대국에서는 100전 100승, 그 후 40일에 걸쳐서 2,900만 판을 혼자 둔 뒤에는 알
파고-마스터와의 대국에서 100전 89승 11패를 기록하였다. 빅데이터를 통한 지도학습이 필요 없는 새
로운 인공지능이 출현한 것이다. 이러한 성과들로 알파고는 세계에서 가장 강력한 인공지능임을 세계
인 모두에게 각인시켰음은 물론 범용인공지능의 가능성에 대한 관심을 고조시켰다.

-6-

AI 임팩트

한편 딥마인드는 2018년 12월 알파제로의 기술을 적용해서 단백질의 ‘3차원 접힘구조’를 파악하는 인
공지능 ‘알파폴드’로 98개 연구팀들이 참가한 “단백질 구조 예측 경연대회”에서 사람 전문가들을 압도
적 차이로 누르고 우승했다. 이는 딥마인드의 인공지능 기술이 게임 영역을 떠나서 인류가 현재까지
풀지 못한 여러 난제들의 해결을 위하여 응용될 수 있음을 시사하는 것이었다. 앞으로 날씨 예측, 기
후 모델링, 자연어 이해 등 프로젝트에 알파제로를 포함한 혁신 인공지능 기술들을 적용한 시스템들을
이용하는 프로젝트들이 지속적으로 발전해 나가는 전기가 될 것으로 기대된다.
그리고 불과 한 달이 지나지 않은 2019년 1월 딥마인드는 온라인 게임 인공지능 ‘알파스타’가 1주일간
사람이 200년 학습할 분량을 학습한 후 “스타크래프트 2 게임”에서 평균 8분 만에 한 번꼴로 중ㆍ상
위권 유럽 프로게이머들인 TLO(다리오 뷘시)와 마나(Mana: 그레고리 코민츠)에게 10승 1패의 전적으
로 승리한 것을 발표했다. 또한 2019년 10월 네이처는 알파스타가 게임서버 배틀넷에서 최고 레벨인
‘그랜드 마스터(상위 0.2%에 해당하는 선수)’에 올랐다는 논문을 게재했다.
이러한 알파스타의 기록은 알파제로를 포함한 알파고 시리즈를 넘어서 스타크래프트 등 불완전 정보
게임들에서도 사람 지능과 대등하거나 월등한 역량을 보였다는 것을 의미한다. 이는 알파스타의 지능
이 불확실성 하 정보의 불완전성이 존재하는 상태에서, 의사결정이나 문제해결 능력에서도 사람의 역
량에 근접하거나 사실상 능가한 것을 의미한다. 결국 이는 사람이 사는 현실 세계에서도 인공지능이
주어진 상황과 관계없이 사람을 능가하는 지적능력을 가지는 단계로 점점 접근하고 있는 것으로 해석
될 수 있다. 그러나 여전히 ‘게임’이라는 특정한 환경하에서의 불확실성을 다루고 있으므로 게임이론으
로 설명할 수 없는 많은 변수와 환경을 가진 현실세계에서 사람의 지적역량을 가지기에는 아직도 갈
길이 상당히 멀다고 많은 전문가들은 판단하고 있다.

사람과 필적할 인공지능은 어떻게 출현할까?
딥러닝 인공지능 기술이 가진 한계
많은 전문가들은 인공지능이 사람의 지능과 동등한 범용인공지능(AGI) 또는 그보다 우월한 초지능으로
발전할 것이라는 데 동의하고 있다. 참고로 인공지능이 사람의 지능을 추월하는 시점을 특이점이라고
하는데, 현재 많은 전문가들이 ‘특이점에 언제 도달할 것인가?’에 대해서만 견해 차이를 보이고 있을
뿐, 이런 시기가 오리라는 것에는 거의 모두 동의하고 있다. 그러나 많은 전문가들이 여전히 현재의
인공지능이 초보단계에 있다는 점을 지적하고 있기도 하다. 그러므로 여기에서는 먼저 현재 최첨단 인
공지능 기술인 딥러닝이 AGI로 진화하는 데 어떤 한계를 지니고 있는지 살펴보고자 한다.
첫째, 현재의 딥러닝 기반 인공지능은 사람의 지능에 비해서 아주 좁은 영역의 제한된 능력만 가지고
있어 AGI로 발전하기 위해서는 수백 가지 알고리즘이 더 필요하다. 사람의 생물학적 시스템은 수백 가
지 알고리즘이 복잡하게 얽혀서 시각적인 원동력, 계획, 추론, 감정, 의도 및 끈기가 효율적인 조화를
이룬 지능을 가짐으로써 범용성을 가진다. 그러나 딥러닝 기반 인공지능은 지각과 이미지 인식이 중요
한 능력이나, 이는 AGI가 필요로 하는 지각 및 이미지 인식 능력 가운데 극히 일부분일 뿐이라 현실적
으로 다양한 문제를 푸는 데 한계가 명백하다.
둘째, 딥러닝은 매우 복잡한 것들을 어떤 특정한 포인트들이나 곡선 등에 맞추는 일종의 ‘곡선 적합

-7-

AI 임팩트

(curve fitting)’ 작업이므로, 결과가 이론적으로 사실과 동떨어진 것을 보지 못하고, 전에 보지 못한 새
로운 행동들을 하지도 못한다. 사람은 인지(cognition)의 세 가지 차원인 지각(perception), 개입, 상상
을 할 수 있는데, 인지의 가장 높은 차원인 ‘상상’에는 사후가정 사고가 필요하다. 예로 사람은 “내가
다르게 행동했다면 세상은 어떻게 바뀌었을까?”라는 상상 시나리오를 만들고 이야기할 수 있는데, 이
때“만일 …이었다면”이라는 것이 사후가정 사고에 해당한다. 바로 이 사후가정 사고가 새로운 이론을
만들거나, 발명을 하거나, 오래된 습관을 버리거나, 지금까지 없던 세상을 만드는 데 중요한 역할을 한
다. 그런데 딥러닝은 이 능력이 없어서 사람처럼 복잡한 이론적 지식이나 인과관계에 대한 추론과 문
맥의 이해 등 구조화된 지식에 대한 효과적 학습이 어렵고 새로운 행동을 할 수도 없다.
셋째, 딥러닝은 실제로는 ‘스스로 학습’하는 게 아님은 물론 주어진 문장과 연관이 없는 단어의 ‘의미’
를 이해하지 못하고, 학습 데이터의 확보와 데이터 레이블링에 큰 비용이 수반된다. 덧붙이면 딥러닝
이 하는 학습은 레이블된 데이터에 기반해서 정교하게 데이터를 분류하고 예측하는 지도학습이 중심인
데, 이 학습을 위해서는 데이터를 준비하고, 알고리즘을 설계하며, 학습결과에 대한 검토와 개선을 하
는 데 사람이 매우 광범위하게 개입해야만 한다. 또한 딥러닝은 사람과 달리 단어를 이미지나 동영상
또는 현실에 있는 것과 쉽게 연결시키지 못한다.
넷째, 딥러닝의 학습은 막대한 데이터 처리를 위해서 엄청난 용량의 컴퓨팅 파워와 이에 필요한 대규
모 에너지 사용이 불가피하다. 딥러닝을 계산적 관점에서 보면 결국 거대한 행렬 곱셈의 연속이며, 컴
퓨터는 이런 연산을 빠르게 할 수 있는 계산기이므로 컴퓨팅 파워는 학습 효율과 직결된다. 그러므로
딥러닝의 업그레이드를 위해서 컴퓨팅 파워의 획기적 향상이 필수적이다. 결국 이는 무어의 법칙이 작
용하던 컴퓨팅 파워 향상이 10년 이내에 한계상황에 도달할 것이라는 예상을 고려할 경우, 처리비용
상승 문제를 어떻게 해결할 것인가 하는 과제를 남긴다.
다섯째, 딥러닝은 사람같이 ‘상식’을 가지고 있지 않아서 왜곡 또는 편향된 데이터가 입력되면, 결과가
왜곡되거나 정확도가 떨어질 수 있다. 딥러닝은 이미지의 픽셀을 해석할 뿐 이미지에 포함된 객체에
대한 지식(상식)이 없으므로, 왜곡되거나 정확도가 떨어진 결과를 낼 수 있다. 여섯째, 딥러닝은 고성
능 컴퓨팅 파워와 알고리즘 기반이어서 컴퓨팅 인프라 고장이나 알고리즘 오류가 발생하면 예상치 못
한 결과의 오류가 발생할 수 있다. 이러한 사례들은 대단히 많다.
일곱째, 딥러닝은 설명력(explicability)이 낮은 블랙박스(black box)이다. 이러한 설명력 부족은 입력변
수가 수십, 수백 단계의 변형을 거쳐서 최종 모형에 반영됨으로, 입력된 변수와 출력된 결과의 직접적
인 관계를 추적하는 것이 어려워서 발생한다. 여덟째, 현재 딥러닝을 포함한 잘 알려진 인공지능들은
새로운 개념적 혁신이라기보다는 과거 경험된 이론들의 시제품(demo)들에 불과하므로 그 범용성
(generality)이 제한적이다. 아홉째, 딥러닝의 접근법이 사람의 인지발달과정과 다르게 진화해 나가고
있다. 사람은 사회적 동물이며 사회적 상호작용을 통해서 지능을 개선해 왔는데, 딥러닝의 접근법은
이런 방향의 기술발전 방식을 채택하지 않고 있다.
기계지능이 사람 수준으로 발달할 조건들
우리는 컴퓨터가 범용적 특징을 가진 자연지능과 대등한 지능을 가지려면 어떻게 해야 할지에 대한 큰
방향을 정리해 볼 수 있다. 첫째, 사람의 ‘두뇌가 어떻게 생각하는가?’라는 질문에 답하는 것이 AGI 개
발의 핵심 실마리이다. 지금까지 대부분 기계는 육체적 능력을 대신하여 왔으나, 인공지능(컴퓨터)은

-8-

AI 임팩트

정신적인 능력을 확장시켜 주는 도구이기 때문이다. 특히 두뇌는 절반이 지능과 관련되어 있고, 지능
은 운동체계, 의사결정, 감정, 의식 및 언어와 밀접하게 연계되어 있다. 이렇게 두뇌의 기능은 하나의
대상을 인식하는 게 전부가 아니라 지능을 깊이 정의하는 중요한 요소이기 때문에 이에 집중해야만 진
전이 가능할 것이다. 둘째, 아이들이 사람 수준의 지능으로 가는 핵심 열쇠가 될 수 있다. 아이들 수준
의 지능에서 시작해서 신뢰할만하고, 재귀적이며(reflexive), 견고한 확장 방법으로 여론 수준의 지능을
발전시킬 수 있을 것이다. 이렇게 하려면 처음 지능을 만들 때는 언어가 없는 단계에서 시작해야 한다.
그러고 나서 사람이 태어나 자라가면서 어떻게 배우는지를 이해해서 학습할 수 있게 되면, 진정한 범
용인공지능(AGI)으로 나아갈 수 있을 것으로 보인다.
셋째, 사람이 의사결정이나 계획 문제들을 해결하는 추상화 방법을 모방할 수 있어야 한다. 사람과 알
고리즘 또는 로봇이 현실에서 잘 상호작용하기 위한 유일한 방법은 여러 추상화 방법을 이용하는 것이
다. 사람은 계획을 정확한 순서에 따라 행동하는 방식으로 짜지 않는다. 오히려 거미들이 거미줄을 치
는 방식에 가깝게 행동한다. 즉, 먼저 최종적인 ‘추상적 목표’를 정하고 나서 세부계획을 정한다. 행동
은 이런 추상화 각 단계에 계층적으로 조직되어 있다. 이와 같은 사람의 추상화 방법과 계층적인 행동
들을 모방할 수 있다면 기계들은 독자적인 행동체계를 만들고 복잡한 문제들을 잘 해결할 수 있게 될
것이다. 그러나 한계는 어떻게 인공지능이 이와 같은 추상화를 할 수 있게 만들 수 있는지, 그리고 인
공지능이 어떻게 이런 높은 수준의 행동들을 구상할 수 있을지 아직 모른다는 것이다.
넷째, 인과관계를 사고할 수 있는 능력이 있어야 한다. 사람이 인과관계를 추론하는 모델을 가지고 있
는 것처럼, 인공지능도 데이터에 의해서만이 아니라 인과관계를 처리하고 활용할 수 있어야 한다. 그
러려면 인공지능에 인과모델을 만들 수 있게 템플릿이나 구조를 구축할 수 있어야 한다. 심지어 인공
지능이 인과관계를 만들고 수정하면 때로는 교란시킬 수 있어야 한다.
다섯째, 언어를 이해하고 추론하는 역량이 획기적으로 향상되어야 한다. 언어에 대한 이해력을 가지려
면 ‘다중연쇄추론’을 하고, 사람이 상상하는 것처럼 ‘사후가정 사고’를 할 수 있어야 한다. 그런데 사람
은 ‘자신이 이해하지 못한다’는 것을 알 수 있으나 인공지능은 아직 모른다. 여섯째, 레이블된 데이터
에 의존하는 지도학습을 넘어서, 시뮬레이션 등의 강화학습과 소량의 데이터만으로도 기존 학습 지식
을 응용하는 전이학습을 보다 잘 할 수 있어야 한다.
일곱째, 인공지능 시스템도 사람처럼 다양한 환경에서 상호 협력하여 문제를 해결하는 방식을 터득할
수 있도록 하여야 하고, ‘감성지능(emotional intelligence)’도 가질 수 있어야 한다. 사람이 사회적 동물
로 사회적 상호작용을 통해서 지능을 개선하는 것처럼, AGI도 좋은 팀플레이어로 사람과 공동 작업을
하면서 사람인지 아닌지 모르는 상황에 있을 정도가 되어야 한다.
AGI 실현시기 예측과 근거
AGI 실현시기에 대한 이 분야 관련 전문가들과 석학들의 대체적인 예측은 AGI가 2030년부터 2060년
사이에 출현할 것이며, 2060년 전후 특이점에도 도달한다는 것이다. 이렇게 대부분의 전문가들이 AGI
의 출현을 거의 불가피할 것으로 보는 이유는 무엇일까? 사람의 지능은 지금도 기계의 능력과 합쳐지
지 않으면 거의 고정되어 있다. 머스크의 뉴럴링크가 사람의 지능과 기계의 능력을 합치려는 시도를
하고 있으나, 이 새로운 사람인 트랜스휴먼(trans-human)의 등장은 아직 매우 요원한 상태이다. 이에
비해 기계지능(machine intelligence)은 알고리즘, 컴퓨터의 처리 능력(processing power) 그리고 메모

-9-

AI 임팩트

리에 따라 결정된다. 컴퓨터의 처리능력과 메모리는 지금까지 무어의 법칙이 작동하여 지수적 성장
(exponential growth)을 하고 있다. 알고리즘도 지금까지 메모리와 처리능력을 효과적으로 사용하는 데
성공적인 수준으로 진보해 왔다. 이렇게 사람의 지능은 사실상 고정된 상태인데 기계지능은 비약적인
성장을 지속할 경우, 기계지능의 향상에 어떤 심각한 한계가 발생하지 않는 한, 기계가 사람을 추월하
는 것은 단지 시간의 문제라고 생각하는 것은 지극히 합리적일 수 있다. 더구나 지금까지 기계지능의
향상을 제약하는 어떤 한계도 나타나지 않았다. 기계지능의 성장 특성을 나타내는 지수적 성장은 컴퓨
터가 지금 당장은 걸음마도 못 하는 아이 같아 보여도, 조만간 아주 영리하면서도 매우 빠르게 달리거
나 날아가는 존재로 변화할 수 있음을 의미한다.
예컨대, 사람 두뇌의 ‘초당 계산(cacl/sec, calculation per second)’으로 측정한 역량은 액체 온스로 측
정한 미시건호의 용적과 거의 같은 것으로 알려져 있다. 그런데 만일 컴퓨터의 계산역량이 매 18개월
마다 2배가 되는 경우, 아주 오랫동안 그 계산역량은 거의 눈으로 볼 수 있을 정도의 향상이 없다가
어느 시점에 최대역량에 도달하는 일이 벌어질 것이다. 즉, 컴퓨터의 계산능력이 처음 생긴 시기를
1940년 컴퓨터가 출현한 시점으로 보고 이 당시의 초당 계산능력을 1 cacl/sec이라 하면, 이 계산능력
이 미시건호 밑바닥에 물이 고인 것을 사람이 처음으로 볼 수 있을 정도까지 향상되는 기간은 그로부
14

터 72년이 걸린다. 이게 2012년인데, 이 시기의 컴퓨터 계산역량은 5.63 X 10 cacl/sec이다.
그러나 이로부터 불과 13년이 지난 2025년이면 컴퓨터의 계산역량은 사람 두뇌의 최대 역량인 2.88 X
17

10

cacl/sec에 도달한다. 전혀 보이지 않던 상태는 72년을 지속한 반면, 눈에 그 존재가 보이기 시작

한 후에는 불과 13년 만에 사람 역량의 최대치에 도달하는 것이다. 이는 결국 현재의 인공지능이 다양
한 한계와 문제점들에 직면하여 있고 미성숙 상태에 있을지라도, 일단 여러 부문에서 사람을 능가하는
역량을 보이기 시작한 후에는 사람 수준의 AGI나 이를 능가하는 수준의 초지능으로 예상하기 어려운
속도로 진보할 것이라는 추론이 합리적임을 의미하는 것이기도 하다.
또한 전통적인 컴퓨터가 가진 계산능력의 지수적 성장에 대한 근거로 주장되어 온 무어의 법칙이 향후
10년간 상당한 한계에 도달할 것이라는 데 전문가들이 동의하고 있으나, 차세대 컴퓨팅을 담당할 ‘양
자컴퓨팅’이 빠르게 이 한계를 극복하는 게임 체인저로 등장할 것으로 예상되고 있다. 전통적인 컴퓨
터가 한 시점에 한 상태만 계산할 수 있는 데 반해, 양자 컴퓨터는 동시에 여러 상태들(different
states)을 평가하는 방식으로 계산을 한다. 그러므로 이런 양자컴퓨팅의 우월한 특성이, 신경망을 훈련
하는 데 효율적으로 사용될 수 있고, 이를 기반으로 하는 다양한 상업적으로 응용되는 AI 아키텍처들
에 널리 이용될 것이므로, 결국 안정적인 양자컴퓨터에서 가동되는 AI 알고리즘들이 특이점을 실현하
는 데로 나아갈 것으로 전문가들은 예상하고 있다.

인공지능이 시장과 정부에 초래할 파장과 대응책은?
디지털 경제의 주요 특징들
인공지능 기술 채택과 디지털화의 강화는 먼저 시장에서 게임체인저 역할을 할 것으로 예견되고 있다.
이는 일정 유형의 비용들을 감소시키고 경제활동과 관련된 비용구조들을 변화시켜서 시장에 상당한 충
격을 가하게 될 것이다. 또한 이는 시장에서의 경제구조에도 대대적인 충격을 가할 것이다. 경쟁촉진
과 산업집중 심화 요인이 동시에 작용할 것이다. 이에 따라서 소비자 잉여에도 긍정적이거나 부정적인

- 10 -

AI 임팩트

효과가 발생할 것이다. 이미 산업집중의 심화는 거의 모든 나라에서 디지털화가 진행되면서 보편적인
현상이 되어 있는데, 이 경향이 더욱 심화되고, 여러 복합적인 요인들이 동시다발적으로 작용해서 이
에 적절히 대응하는 것이 더욱 어려워질 것으로 예상되고 있다.
그러면 이제 인공지능의 시장에 대한 충격을 이해하기 위해서 우선 구체적으로 디지털 경제의 주요한
특징들부터 알아보도록 하자. 디지털화와 알고리즘들의 광범위한 사용은 3가지 주요한 특징을 가지고
있다. 첫째, 디지털 기술의 이용과 인터넷은 진입장벽을 낮추는 역할을 하고 있는데, 이는 기업의 탐색
ㆍ복제ㆍ운송ㆍ추적ㆍ입증 비용 등을 획기적으로 낮춘다. 그래서 기업은 저렴한 비용으로 신속하게 규
모를 확장하고, 잠재적 소비자 관련 정보를 수집할 수 있게 되고, 이에 따라 새로운 제품과 아이디어
를 도입할 능력을 향상시켜서 기업과 소비자에게 이익을 가져온다.
둘째, 디지털화로 비즈니스 모델들이 급격하게 플랫폼화하고 있다. 플랫폼 모델의 핵심 특징은 양면시
장적 성격을 가지고 있다는 것이고, 기업의 성장이 전적으로 수요측면에서의 규모의 경제라 할 수 있
는데 직ㆍ간접 네트워크효과에 달려 있다는 점이다. 직접 네트워크효과는 한 소비자가 사용하는 플랫
폼을 사용하는 다른 소비자들의 수가 많아질수록 그 소비자의 가치가 커진다는 것을 의미한다. 간접
네트워크효과는 플랫폼의 다른 측면에 소비자들의 수가 증가해서 그 플랫폼에 가입한 소비자의 가치가
증가하는 효과를 의미한다. 이 효과는 통상적으로 ‘양면시장효과’라고 불리기도 한다.
예컨대, 페이스북이나 유튜브 등 SNS 플랫폼들은 소비자에게는 무료 서비스를 제공하면서, 광고를 팔
아서 그 수익성을 확보한다. 이렇게 두 측면을 연결해서 수익성을 확보하는 시장을 양면시장이라고 하
며, 이때 광고에서 확보한 수익을 가입자 SNS 서비스에 교차 보조하는 방식을 사용해서 플랫폼은 이
익을 확보하고 소비자(가입자)들은 무료 서비스를 이용하게 된다.
셋째, 빅데이터 세트가 경쟁에 심각한 영향을 미칠 수 있다. 이미 살펴본 것처럼 최첨단 알고리즘인
딥러닝조차 빅데이터가 없으면 무용지물이다. 빅데이터가 AI 알고리즘의 초기훈련과 미세조정(fine
tuning)을 위해서 필수적이기 때문이다. 그러므로 빅데이터는 AI 시스템을 만들고 이용하기를 원하는
기업이나 이용자들에게는 핵심 필수투입요소이다. 그러므로 시장에 어떤 기업이 진입하기를 원할 때,
기존 기업에 비해서 빅데이터를 사용 또는 구입하기 위한 비용이 지나치게 높고, 시간이 너무 오래 걸
리고, 복제가 너무 어려운 경우, 심각한 진입장벽으로 작용하게 된다.
이러한 문제점으로 인해서 데이터 이동성의 보장이 경쟁촉진을 위한 핵심 이슈가 된다. 데이터 이동성
이란 소비자들이 한 서비스 플랫폼에서 다른 플랫폼으로 이동하는 것을 자유롭게 하는 것을 의미하는
데, 과거 통신에서의 전화번호 이동성이 이와 유사한 사례이다.
인공지능화와 고용 및 소득분배 정책 이슈들
여기서는 인공지능이 일과 일자리 그리고 시장에 초래하는 쟁점들을 해결하는 데 어떤 방식으로 개입
하고, 어떤 제도적ㆍ정책적 입장을 취해야 할지에 대해서만 논의를 국한하기로 한다. 우리는 이미 인
공지능 기술이 일과 일자리를 대체할 가능성이 있으며, 그 기술에 대한 채택속도가 높아질수록 대체의
범위는 보다 확대될 것임을 알고 있다. 그리고 일자리가 유지된다고 해도 일자리나 일의 양태가 근본
적으로 변화되어 임금이 하락압력에 직면하게 될 것이라는 것도 알고 있다. 또한 전체 GDP에서 노동
분배비중이 낮아져서 결국 소득 불평등도가 더욱 심화될 가능성이 높다는 것을 알고 있다. 이는 설사

- 11 -

AI 임팩트

인공지능 기술의 채택으로 생산성이 해당 부문에서 높아지고 경제성장에서 상당한 진전이 이루어진다
고 할지라도 모든 사람들의 삶이 시장의 자율적인 작동만으로 보편적으로 개선될 가능성이 적다는 것
을 의미한다. 이미 산업 3.0이라 불리는 ICT 혁명이 진행되면서 이런 현상은 점점 더 강화되어 왔고,
전 세계 거의 모든 국가들에서 소득 불평등과 일자리 부족 문제로 인한 사회적 갈등과 정치적 대립구
조의 확대가 핵심문제가 되고 있다. 그렇다면 어떻게 대처해야 할까?
정책대안을 선택하는 데 있어서 우선 고려해야 되는 것은 ‘인공지능 기술의 채택과 확산이 전면적인
거시경제적 충격이 될 것인가?’ 아니면 ‘산업 또는 부문 특정적 성격을 띨 것인가?’에 대한 판단이다.
만일 충격이 후자에 가깝다면 정책대응은 산업 또는 부문 특정적으로 정책의 목표가 정해지고, 이를
기준으로 정책이 고안되고 과거의 성공사례들을 따라 집행하는 것이 바람직할 것이다. 이런 관점에서
현재 경제학자들을 포함한 전문가들이 주목하고 있는 보편적 기본소득(UBI), 고용 보조금과 고용보장
같은 일과 일자리 및 소득재분배 정책대안들을 살펴보도록 하자.
먼저 UBI는 성인인 국민 모두에게 기존 사회안전망의 일부 또는 전부를 대체해서 동일한 금액을 조건
없이 현금으로 지불하는 정책이다. 대부분의 UBI 정책방안들은 빈곤선 같은 어떤 기준으로 사람들을
끌어올리기 충분한 수준을 UBI의 금액으로 제안하고 있다. 예컨대, 2006년 머레이는 21세 이상의 모
든 미국 시민에게 매년 1만 달러를 지급할 것을 제안한 바 있다. 그런데 미국에서 제안된 UBI를 시행
하기 위해서는 매년 1조 달러의 추가적인 재정수입이 필요한 것으로 추정되고 있다.
사실 UBI는 이미 수 세기 전부터 제안되어 온 구식 아이디어이다. 인공지능 기술의 채택과 확산으로
각광을 받기 시작하였으나, 이미 1797년 미국 건국의 아버지들 가운데 한 사람인 토마스 페인이 기독
교적인 도덕적 전제에 입각한 이유들로 UBI를 주장한 바 있고, 재정학의 조세와 재정 관련 일부 연구
자들은 UBI가 다른 기존 사회보장 프로그램들과는 달리 단일하고 간소한 프로그램으로 관리에 효율적
이면서 경제에 대한 왜곡이 적다는 이유로 이를 긍정적으로 평가한 경우도 있다.
이런 상황에서 인공지능 기술의 발전과 확산으로 일과 일자리의 미래와 관련된 새로운 주장들과 맞물
려서 UBI는 논리가 더욱 정교화 되어 현재는 많은 전문가들이 주목하는 정책대안이 되었다. 이들의 주
장은 UBI가 사람들에게 기본적인 최저소득을 보장해서 대량실업의 장기화나 보편적인 빈곤화의 문제
를 해소하는 데 기여할 수 있다는 것인데, 페이스북의 마크 저커버그 같은 사람조차 ‘UBI가 모든 사람
들이 각각 새로운 무엇인가를 시도하는 데 완충장치 역할을 하게 될 것’이라고 주장하기도 했다.
그러나 이미 많은 사람들이 우려하는 것처럼 이 방안에 심각한 단점들이 있다. 우선 이미 미국의 추정
결과에서 알 수 있듯이 실행에 드는 재원이 엄청나다. 결국 이는 이 프로그램의 실현가능성이 매우 낮
을 것임을 의미한다고 볼 수 있다. 두 번째 거론되는 단점은 UBI가 설정하는 형평성 목표에 내재되어
있는 상충관계를 다루는 최적수단이 아니라는 것이다. 우선 UBI는 현재 정부로부터 소득 이전을 받고
있는 저소득층 가계들의 순이전소득을 축소할 수 있다. 따라서 이 제도가 소득 불평등을 해소하여 공
정성과 형평성을 보장하는 수단인가에 대한 의심과 비판이 있다.
또한 효율성 관점에서도 문제의 제기가 있다. 예컨대, 실업보험은 실업을 조건으로 지급된다. 그러므
로 도덕적 해이의 문제가 발생하지만 실업한 가계(실질적인 보조금 니즈를 가진 가계)의 소비를 일정
한 수준으로 유지해서 프로그램이 설정한 목표에 정확하게 부합하는 역할을 한다. 그러나 UBI로 이 프

- 12 -

AI 임팩트

로그램이 대체되면, 실업보험에서 발생하는 도덕적 해이는 감소될 것이나, 기존 프로그램으로 유지시
켰던 실업자 가계의 소비수준을 지속적으로 유지시키는 것은 포기해야 한다.
셋째로 UBI가 기업가정신과 기술혁신을 고무시킬 것이라는 주장도 그럴듯하나 그 증거가 거의 없다.
특히 기업가정신과 혁신을 UBI가 고무시킬 것이라는 주장은 기업가나 투자자가 더 많은 위험을 받아
들이는 것을 전제해야 하는데, 오히려 UBI는 받는 사람들의 이런 인센티브를 약화시킬 가능성이 있으
므로 정당화가 어렵다. 이에 더해서 자금을 빌려주는 대부자들은 기업가나 투자자들이 모험적일수록
대출을 꺼리므로, 저커버그 류의 주장이 설득력을 가지기 어렵게 한다.
한편 고용보조금은 고용된 노동자의 소득이 일정한 금액에 미달할 경우 소득 수준을 보전하기 위해서
보조금을 지급하는 것이다. 대표 사례는 근로소득 세액공제(EITC) 제도이다. 미국의 경우 2020년 2자
녀를 가진 가장의 근로소득 세액공제 상한액은 5,920달러이다. EITC는 근로소득이 증가할수록 보조금
비율이 감소하는 방식으로 설계되어 있고 2자녀 가계에서 소득이 5만 3,330달러에 도달하면 공제가
사라진다. 또한 자녀 수가 하나인 경우 보조금이 상당히 작고, 3자녀 이상일 경우 상당히 크다. 그러나
자녀가 없는 가계에는 아주 작은 보조금이 주어지는데, 2020년 최대 보조금 액수는 538달러이다.
고용보조금 관련 대안은 2종류로 발전했다. 하나는 EITC를 더욱 확대하는 방안으로 오바마 행정부와
의회가 제안한 것인데, 이는 방금 설명한 EITC 구조에서 자녀가 없는 가구에 대한 EITC를 실질적으로
증가시키는 것이다. 이러한 제안이 대통령과 민주당 주도 의회에서 공동 제안된 배경에는 EITC가 소득
분배 문제뿐만 아니라 노동참가율을 증가시킨다는 경제학자들의 실증연구 결과가 있었다.
다른 하나는 에드먼드 펠프스가 1997년에 제안했던 고용주에 대한 보조금인 취업기회 세액공제를 확
대하는 방안이었다. 이 방안은 시간당 최저임금 7.25달러를 버는 가계에 시간당 추가로 7달러를 정부
가 더 지불하는 프로그램이다. 이 방안도 근로자의 소득이 증가하면 보조금은 삭감되기 시작하도록 설
계되어 있다. 이 방안의 장점은 프로그램에 대한 모든 관리가 고용주와 세무당국에 의해서 이루어지고
노동자는 더 높은 임금만 수령하므로 그 부담이 사실상 없다는 것이다. 또 조세와 다른 소득분배 프로
그램들의 수혜대상자들에 대한 낙인효과를 확실하게 제거할 수 있다는 장점도 있다.
약점도 있는데, 이 방안은 소득분배 차원에서 노동자가 소속한 가계의 총소득이나 가구 전체의 환경에
따라 수혜대상을 정하는 것을 어렵게 한다. 또한 고용보조금도 이를 보전하기 위해서 추가적인 재원을
조달해야 한다는 문제가 있다. 게다가 고용보조금 제도는 고용 조건부 지급이므로 관리비용이 UBI보다
높고, 소득과 근로시간에 대한 허위 보고 등 다양한 기회주의적 행동 인센티브가 커진다.
그러나 고용된 경우에만 지급되고 소득이 높아지면 점점 보조금이 낮아지므로, 그 소요재원이 UBI와
비교할 때 상당히 작다. 특히 이 방식이 가진 장점은 이 혜택이 고용된 노동자에 대한 인센티브로 작
용하고, 일이 여전히 사회부조의 중심이라는 신호를 보낸다는 점이다.
다음, 정부가 일자리를 제공하는 고용보장 방안을 살펴보자. 현재 우리나라에서 시행하고 있는 ‘공공근
로’와 유사한 형태인 이 방안은 노동 서비스를 하는 노동자들에 대해서만 임금을 지불하는 형태이다.
이 방안들은 AI 때문에 추진된 것은 아니다. 본래 이것들은 1930년대 대공황 시기에 시행되었던 프로
그램들에서 아이디어를 얻은 방안들로 지금은 AI로 인한 대량실업 발생에 대응하기 위한 제3의 접근법
으로 제안되어 논의 선상에 올랐다. 다른 대안들과 마찬가지로 이 방안도 실질적인 재정부담이 발생하

- 13 -

AI 임팩트

는 문제가 있다. 이와 같은 고용보장 일자리에 시간당 15달러의 임금을 주고, 1,000만 명이 이런 일자
리를 가지는 경우, 매년 3,000억 달러 이상의 재원이 소요될 것으로 추정되고 있다. 설사 이런 공공
일자리가 사회에 필요한 서비스를 해서 공공부문에서 일정한 편익을 증가시킨다고 하더라도 실질적인
공적지출의 증가가 불가피하며, 일자리 속성상 가지는 비효율성과 도덕적 해이 문제도 회피하기가 어
렵다. 또한 행정적으로 프로그램 관리가 대단히 복잡하고, 사람들이 승진이나 미래전망이 불투명한 저
임금 일자리에 포획될 가능성이 있으며, 노동시장이 왜곡될 가능성도 있어서 이 제도 또한 문제점이
많다. 그럼에도 불구하고 많은 사람들이 주목하는 이유는 고용보장 제도가 ‘일’을 부조하는 가장 직접
적인 방법이어서 잠재적으로 사람들을 경제활동인구 내에 유지시키고, 재정의 경기순환조절 기능을 보
완하는 역할을 할 수 있다는 점 때문이다.



- 14 -

AI 임팩트