데이터 AI 한계 노출, 전력·인프라 부담 확대
바이오 AI 부상, 저전력·적응형 지능 가능성 부각
챗봇 중심 한계, AI 체계 전환 대응 필요

본 연구 기사는 유럽 경제 연구소 The Economy의 연구위원(Fellow)들이 작성한 The Economy Review 시리즈 기고문을 한국 시장 상황에 맞춰 재구성한 글입니다. 본 시리즈는 최신 기술-경제-정책 이슈에 대해 연구자의 시각을 담아, 일반 독자들에게도 이해하기 쉽게 전달하는 것을 목표로 합니다. 기사에 담긴 견해는 집필자의 개인적인 의견이며, The Economy 또는 집필자의 소속 기관의 견해와 일치하지 않을 수 있습니다.

인공지능(AI) 교육은 생성형 모델 활용을 중심으로 빠르게 재편돼 왔다. 그러나 대규모 데이터를 기반으로 한 기존 AI는 화려한 성능과 달리 막대한 에너지 소모와 인과 추론의 한계를 동시에 드러내고 있다. 반면 생물학적 신경 시스템을 활용한 ‘바이오 AI’는 저전력 환경에서도 스스로 학습하고 적응하는 특성을 보이며, 전혀 다른 지능 구현 경로로 부상하는 흐름이다. 이러한 변화에도 교육은 여전히 챗봇 활용 중심에 머물러 있어 지능 구조 전환을 충분히 반영하지 못한다는 지적이 이어진다.

이 문제는 인프라 측면에서 더 분명해진다. 2030년 전 세계 데이터센터 전력 소비가 연간 945테라와트시(TWh)에 이를 것이라는 전망은 AI 발전이 더 이상 소프트웨어에 국한되지 않음을 시사한다. 전력망과 공공 재정이 맞물린 구조적 부담으로 확장되는 양상이다. 이처럼 자원 의존도가 높아지는 흐름 속에서, 이를 대체하려는 새로운 접근도 등장하고 있다. 살아있는 신경세포를 활용해 학습과 적응을 구현하려는 시도가 그 대표적 사례다.

바이오 AI 확산, 학습 방식 전환 신호

데이터 기반 AI가 자본과 연산 자원 확대에 의존해 발전해 왔다면, 바이오 AI는 전혀 다른 접근을 취한다. 살아있는 신경 조직이 외부 자극에 반응하며 스스로 학습 경로를 조정하는 구조로, 지능 구현의 중심이 ‘연산 확대’에서 ‘적응과 상호작용’으로 옮겨가는 흐름으로 볼 수 있다.

이 같은 특성은 초기 연구에서 확인됐다. 2022년 칩 위에 배양된 신경세포는 폐쇄 루프 피드백을 통해 고전 탁구 게임 ‘퐁’(Pong)을 몇 분 만에 학습했다. 이후 연구는 이를 1인칭 슈팅 게임(FPS) ‘둠’(DOOM)과 같은 더 복잡한 환경으로 확장하는 단계다. 성능은 아직 제한적이지만 의미는 분명하다. 대규모 연산 자원에 의존하지 않고도 학습과 적응이 이뤄질 수 있음이 확인됐기 때문이다. 이는 확률적 패턴 학습에 기반한 기존 AI와 달리, 환경과의 상호작용 속에서 해법을 형성하는 ‘체화된 지능’의 가능성을 보여준다.

데이터 AI 한계, 비용 부담 현실화

바이오 AI의 부상은 기존 데이터 기반 AI의 약점을 더욱 분명히 드러낸다. 현재 모델은 정제된 데이터 환경에서는 높은 성능을 보이지만, 인과관계를 파악하거나 사회적 맥락을 해석하는 데서는 한계를 보인다. 그동안 성능 개선을 위해 데이터와 연산 자원을 확대하는 방식이 이어졌지만, 이제는 그에 따른 비용 부담이 빠르게 커지는 국면이다.

국제에너지기구(IEA)에 따르면 데이터센터 전력 수요가 급증하면서 AI 인프라는 자본력을 갖춘 일부 기업에 집중될 가능성이 커졌다. 이는 지식 생산 기반의 편중으로 이어질 수 있다는 의미다. 반면 바이오 AI는 비교적 낮은 에너지로 환경과 상호작용하며 작동하는 대안으로 거론된다. 특히 로보틱스나 실시간 제어처럼 현장 변수가 많은 영역에서 그 효용이 더 커질 전망이다.

챗봇 중심 교육, 활용 규제 편중

하지만 이러한 기술 변화에도 교육 현장은 여전히 제한적인 대응에 그친다. 여전히 데이터 기반 AI 중심에서 크게 벗어나지 못한 채 챗봇 활용 가이드라인이나 AI 기반 부정행위 판별 등 활용 규제에 논의가 집중되는 모습이다. 실제 대학생 10명 중 9명이 과제에 생성형 AI를 활용할 정도로 기술은 빠르게 확산됐지만, 이를 지탱하는 에너지 인프라의 제약이나 바이오 AI로 대표되는 생물학적 접근은 교육 과정에서 충분히 다뤄지지 않는다.

이 같은 편중은 학생을 단순한 ‘AI 이용자’에 머물게 할 수 있다는 우려로 이어진다. 앞으로의 AI 리터러시는 프롬프트 활용을 넘어 신경과학, 전기생리학, 생명윤리를 아우르는 이해를 요구할 가능성이 크다. 그러나 현재 교육 설계만으로는 이런 변화 흐름을 충분히 반영하기 어렵다는 평가가 지배적이다.

AI 교육 전환, 구조 변화 반영 시급

결국 특정 기술에 치우친 교육만으로는 변화에 대응하기 어렵다. 이에 따라 데이터 기반 AI 교육은 유지하되, 인과성·불확실성·체화된 지능과 같은 취약 영역에 대한 이해를 함께 강화하는 방향이 요구된다. 동시에 바이오 AI가 제기하는 새로운 쟁점에도 대비가 필요하다. 살아있는 조직을 활용한 학습의 범위를 어디까지 인정할 것인지, 인간 유래 세포의 소유권과 윤리적 지위를 어떻게 설정할 것인지 등은 교육과 연구 현장에서 선제적으로 논의할 과제다.

데이터 기반 AI는 여전히 중요한 도구로 활용되겠지만 한계 또한 분명해졌다. 반면 바이오 AI는 에너지 효율과 적응력 측면에서 새로운 가능성을 제시하는 흐름이다. 교육이 어떤 AI를 중심에 두고 설계되는지는 향후 사회의 신뢰 구조를 좌우하는 변수다. 이에 따라 교육정책도 다양한 지능 체계를 반영하는 방향으로 전환이 요구된다.

본 연구 기사의 원문은 Data AI vs Bio AI: Why Education Policy Is Backing the Wrong Intelligence을 참고해 주시기 바랍니다. 본 기사의 저작권은 The Economy에 있습니다.