고등학생이 로컬 인공지능 환각을 줄였다, 한국 인공지능 교육의 진짜 병목

프롬프트 교육 말고, 진짜 모델을 만지는 교육

• 이 기사는 '인공지능 잘 쓰는 법'보다 '인공지능을 직접 연구할 수 있는 환경'에 대한 얘기임

  • 세종AI연구센터 김우중 대표는 청소년에게 필요한 것이 장비, 데이터, 멘토링, 실패해볼 수 있는 환경이라고 봄
  • 챗지피티에 질문을 잘 던지는 사람과 모델 코드를 열어 오류를 줄이려는 사람 사이에는 꽤 큰 차이가 있다는 문제의식임

• 세종AI연구센터의 핵심 사업은 로컬 인공지능임

  • 외부 클라우드에 데이터를 올리지 않고 기관 내부 서버에서 인공지능을 구동하는 방식임
  • 공공기관, 학교, 기업이 보안 걱정 없이 문서 자동화, 데이터 수집·분석, 인공지능 교육을 하도록 돕는 쪽에 초점이 있음

• 김 대표의 이력도 약간 특이함. 대학 진학 대신 고등학교 정보처리과에서 컴퓨터를 배웠고, 이후 웹에이전시와 자영업을 거치며 데이터의 중요성을 체감함

  • 홈페이지를 만들고 사업장을 운영하면서 검색 로직과 데이터가 사업 성과를 좌우한다는 걸 경험함
  • 그래서 인공지능도 결국 데이터와 실험 환경이 핵심이라는 관점으로 이어짐

고등학생이 파고든 로컬 인공지능의 약점

• 가장 눈에 띄는 사례는 세종캠퍼스고 2학년 서정인 학생이 주도한 EA-CCD 연구임

  • 주제는 'EA-CCD를 통한 한국어 질의응답의 정확도 향상과 반복 생성 완화'임
  • 출발점은 언어 모델이 같은 말을 반복하거나 틀린 답을 자신 있게 내놓는 장면에 대한 의문이었음

• EA-CCD는 소형 로컬 인공지능의 환각과 반복 생성 문제를 줄이려는 기법임

  • 대기업 클라우드 인공지능에 기대지 않는 로컬 인공지능은 보안성과 독립성이 좋지만, 성능 한계가 분명함
  • EA-CCD는 추가 학습 없이 문장 생성 단계에서 불확실성을 감지하고, 문맥 반영 정도를 조절해 답변 품질을 개선하는 방식으로 설명됨

• 최신 지시 조정 모델에서도 10.2% 점수 향상이 나왔다는 점도 중요함
  • 특정 모델 하나에만 먹히는 꼼수가 아니라, 어느 정도 확장 가능성을 봤다는 의미로 읽힘
  • 물론 기사만으로는 데이터셋 구성, 평가 방식, 비교 기준까지 검증하긴 어렵지만, 학생 연구 치고는 문제 설정이 꽤 실전적임

한국 인공지능 교육의 병목

• 김 대표는 지금의 인공지능 교육이 프롬프트 작성법에 너무 머문다고 비판함

  • 인공지능 중점학교와 교육청 예산은 늘고 있지만, 현장에서는 여전히 '어떻게 질문할 것인가' 중심 교육이 많다는 진단임
  • 그는 오픈소스 모델과 성능 지표가 매일 바뀌는 분야에서 1년 전 커리큘럼을 그대로 쓰면 학생들이 이미 뒤처진 내용을 배우게 된다고 봄

• 더 큰 병목은 장비보다 사람이라는 지적도 나옴

  • 좋은 컴퓨터를 갖다 놔도 실제 연구를 지도할 사람이 없으면 교육 효과가 제한됨
  • 김 대표는 교육청, 기업, 출연연이 연결돼 실제 연구 환경을 열어주는 방식으로 바뀌어야 한다고 말함

• 학생들이 필요한 건 고성능 GPU, 워크스테이션, 데이터셋, 오픈소스 모델 운용 경험임

  • 관심만으로는 인공지능 연구에 뛰어들기 어렵고, 실제 모델을 돌려보고 실패해보는 자원이 필요함
  • 세종AI연구센터는 학생에게 서버와 장비를 열어주고, 주제는 학생이 스스로 찾아가게 하는 방식을 취했다고 설명함

실험할 수 있는 환경이 경쟁력

• 김 대표는 한국의 실증 환경이 중국보다 느리다고 봄

  • 자율주행 휠체어와 군집 드론 개발 경험을 예로 들며, 한국에서는 도로 데이터, 비행 허가, 통신망, 실증 절차가 얽혀 시도 자체가 어렵다고 말함
  • 반면 중국은 국가가 데이터를 열고 샌드박스를 빠르게 허용해 기업이 실험할 수 있는 폭이 크다는 설명임

• 인재가 없다는 얘기가 아니라, 인재가 자랄 환경이 부족하다는 얘기임

  • 뛰어난 학생은 많지만 장비, 실험 기회, 실패를 받아주는 문화가 부족해 해외로 나가거나 충분히 성장하지 못한다는 문제의식임
  • 그래서 세종AI연구센터는 전국 인공지능 중점학교와 교육청 대상 사업을 통해 학생들이 LLM 구조와 에이전트 도구, 고성능 인프라를 다루게 하려 함

---

기술 맥락

• 이 기사에서 중요한 선택은 클라우드 인공지능 대신 로컬 인공지능을 연구 대상으로 삼았다는 점이에요. 학교나 공공기관은 민감한 문서와 데이터를 다루는 경우가 많아서, 외부 서비스에 데이터를 올리는 방식이 항상 편하지 않거든요.

• EA-CCD가 흥미로운 이유는 추가 학습 없이 생성 단계에 개입한다는 데 있어요. 소형 모델을 다시 학습시키려면 데이터와 GPU 비용이 커지는데, 생성 과정에서 불확실성을 보고 문맥 반영을 조절하면 더 가벼운 방식으로 품질을 끌어올릴 수 있어요.

• 환각과 반복 생성은 로컬 모델에서 더 아프게 느껴지는 문제예요. 대형 클라우드 모델보다 성능 여유가 적기 때문에, 같은 문장을 반복하거나 틀린 답을 자신 있게 내놓으면 실제 업무 적용이 바로 막히거든요.

• 교육 관점에서는 프롬프트보다 평가 경험이 더 중요해요. 정확도가 얼마나 올랐는지, 반복 오류가 얼마나 줄었는지, 다른 지시 조정 모델에도 통하는지 확인하는 과정이 있어야 학생이 모델을 '도구'가 아니라 '연구 대상'으로 보게 돼요.

• 결국 김 대표가 말하는 인프라는 단순히 비싼 컴퓨터가 아니에요. 서버, 데이터셋, 오픈소스 모델, 성능 지표, 멘토링이 같이 있어야 학생이 직접 가설을 세우고 검증하는 연구 흐름으로 들어갈 수 있어요.