--- title: "AI 시대 인간은 고정된 범주가 아니라 확률 분포에 가깝다는 이야기" published: 2026-05-06T06:05:01.634Z canonical: https://jeff.news/article/2190 --- # AI 시대 인간은 고정된 범주가 아니라 확률 분포에 가깝다는 이야기 이 글은 인간과 사회를 A, B, C 같은 단순 범주로 나누는 사고방식이 현실을 과하게 단순화한다고 비판한다. 통계학과 인공지능의 관점에서는 사람을 고정된 집단이 아니라 수많은 변수로 이루어진 연속적 확률 분포로 보는 쪽이 더 현실에 가깝다는 주장이다. 다만 대중이 단순한 범주를 필요로 하는 이유도 인정해야 한다고 말한다. - 이 글의 출발점은 정치적 성향을 ABC 같은 벤다이어그램으로 나누는 시도에 대한 비판임 - 필자는 이런 도식이 현실을 설명하는 것처럼 보이지만, 실제로는 추상적 틀에 사람을 억지로 끼워 넣는 방식이라고 봄 - 화이트헤드가 말한 ‘잘못 놓인 구체성의 오류’가 여기서 등장함. 사람이 만든 추상 개념을 현실 그 자체처럼 착각하는 오류라는 뜻 - 그렇다고 사람들이 단순 범주를 좋아하는 걸 그냥 무식하다고 볼 수는 없다는 입장임 - 인간은 복잡한 현실을 매번 다 계산하기보다, 빠르게 판단할 수 있는 범주를 선호하도록 진화했다는 설명 - 대니얼 카너먼식으로 말하면 인지 에너지를 아끼려는 지름길이고, 해리슨 화이트식으로 보면 정체성 범주는 사회적 상호작용을 굴리는 통화 같은 것 - 그러니까 사람들은 피곤한 다차원 현실보다 단순한 ABC를 원한다는 얘기 - 하지만 통계학과 확률론이 발전하면서 세상을 보는 방식은 점점 바뀌어 왔음 - 현실은 명확히 나뉜 교차표가 아니라, 여러 특성이 스펙트럼처럼 펼쳐진 확률 분포에 가깝다는 것 - 시장, 정부, 국제정치 같은 큰 시스템도 결정론적 범주만으로 설명하기 어려워졌다는 흐름을 짚음 - AI는 이 변화를 더 극단으로 밀어붙임 - 수백만 명의 일상 행동은 수조 개 범주가 겹친 고차원 공간에서 패턴을 만듦 - 알고리즘은 사람이 이름 붙이기 어려운 클러스터를 찾고, AI는 우리가 A나 B라고 부르는 집단 안에서도 미세한 차이를 포착함 - 필자는 그래서 AI가 보는 인간을 ‘확률적 유령’에 가깝다고 표현함 > [!NOTE] > 여기서 말하는 ‘유령’은 신비한 존재 얘기가 아니라, 고정된 정체성 하나로 잡히지 않는 데이터적 인간을 가리키는 비유임. - 글의 결론은 범주를 버리자는 단순한 얘기가 아님 - 대중이 ABC 같은 범주를 필요로 하는 건 현실적인 인지 방식이라고 인정함 - 다만 그 범주 뒤에는 훨씬 풍부하고 연속적인 분포가 있다는 사실을 계속 환기해야 한다는 주장 - AI 시대에는 인간을 단순 범주로 보는 정치적·사회적 언어와, 인간을 고차원 분포로 보는 알고리즘적 시선 사이의 간극이 더 커질 수 있음 - 개발자 입장에서 읽을 만한 지점은 설명 가능성과 모델링의 문제임 - 추천 시스템, 광고 타기팅, 리스크 평가 모델은 이미 사람을 수많은 변수의 조합으로 다룸 - 그런데 서비스 화면이나 정책 언어는 여전히 “이 사용자군”, “이 성향”, “이 세그먼트”처럼 단순 범주를 요구함 - 이 간극을 무시하면 모델은 정교한데 설명은 납작한, 꽤 위험한 시스템이 나올 수 있음 ## 핵심 포인트 - 화이트헤드의 ‘잘못 놓인 구체성의 오류’를 통해 추상 범주를 현실로 착각하는 문제를 지적함 - 인간은 인지 에너지를 아끼기 위해 복잡한 현실보다 단순한 범주를 선호한다고 설명함 - 통계학과 확률론의 발전은 결정론적 범주보다 분포 기반 이해를 강화해 왔다고 봄 - AI는 인간 행동을 고차원 변수와 클러스터로 다루며 기존 언어로 설명하기 어려운 패턴을 포착함 - 단순 범주를 조롱하기보다 대중이 범주를 필요로 하는 현실과 분포적 사고 사이를 연결해야 한다고 주장함 ## 인사이트 개발자가 보기엔 철학 에세이에 가깝지만, 추천 시스템·광고 타기팅·리스크 모델링을 만드는 사람에게는 꽤 중요한 경고다. 모델이 사람을 더 정교하게 본다고 해서 그 설명이 곧 인간적으로 납득 가능한 설명이 되는 건 아니다.