조직은 뉴로심볼릭AI 철학으로, 개인은 원리중심 학습으로
인공지능 시대는 곧 귀납추론의 전성시대다. 인간이 수천 년 동안 해온 귀납적 사고가, 이제는 데이터와 알고리즘이라는 엔진을 통해 전례 없는 속도와 규모로 구현되고 있다. 인공지능의 작동 원리를 한마디로 요약하면 “많은 경험으로부터 규칙을 찾아내고, 그 규칙으로 새로운 것을 예측하는 일”이다.
고양이 사진을 수백만 장 학습한 인공지능이 고양이를 인식할 수 있는 이유, 챗GPT가 인간과 자연스러운 대화를 이어갈 수 있는 이유, 자율주행차가 복잡한 도로 위에서 순간적으로 판단을 내릴 수 있는 이유 - 이 모든 것이 바로 귀납의 결과다. 인공지능은 데이터를 ‘관찰’하고, 그 안에서 ‘패턴’을 발견하며, 그 패턴을 ‘일반화’한다.
이 원리를 극단적으로 가속시킬 존재가 있다. 바로 양자컴퓨팅(Quantum Computing)이다. 양자컴퓨터는 병렬적 연산을 통해 기존 컴퓨터로는 상상도 못 할 양의 패턴을 동시에 탐색한다. 지금의 인공지능이 귀납적 학습을 초등학생 수준으로 수행한다면, 양자컴퓨팅 시대의 인공지능은 우주적 차원의 귀납추론자가 될 것이다. 인류는 곧 “극강의 귀납추론 전성시대”로 진입하고 있다.
귀납추론이란 결국, “비슷한 사례를 모아 일반적인 법칙을 도출하는 사고 방식”이다. 아기가 여러 번 뜨거운 냄비를 만져보고 ‘냄비는 뜨겁다’는 결론에 이르는 것이나, 마케터가 수백 건의 구매 데이터를 보고 ‘이 고객은 운동화를 살 가능성이 높다’고 판단하는 것 모두 귀납의 산물이다.
하지만 귀납에는 치명적인 맹점이 있다. 그것은 ‘새로움의 부재’다. 귀납은 과거를 기반으로 하지만, 미래를 창조하지는 못한다. 유튜브의 추천 알고리즘이 사용자의 시청 패턴을 강화해 점점 비슷한 영상만 보여주는 이유, AI가 반 고흐의 화풍을 완벽히 모방하면서도 새로운 미술 사조를 만들어내지 못하는 이유, 챗봇이 이미 존재하는 문체를 재조합할 뿐 완전히 새로운 사유를 하지 못하는 이유 - 모두 귀납의 한계 때문이다.
결국 인공지능은 ‘과거의 반복자’일 뿐 ‘미래의 창조자’는 아니다. 인류가 다시 되묻게 되는 질문은 이것이다. “우리는 어떻게 귀납의 시대를 넘어설 것인가?”
이미지 출처: Gemini Imagen 4로 생성
연역적 사고의 복권
그 해답은 연역적 사고다. 연역이란, “원리나 법칙으로부터 구체적인 사실을 도출하는 사고 방식”이다. 귀납이 ‘사례로부터 일반’을 끌어낸다면, 연역은 ‘일반으로부터 사례’를 이끌어낸다. 수학의 정리, 법학의 판례, 과학의 법칙이 모두 연역 위에서 세워져 있다.
연역의 대표적인 예는 삼단논법이다.
“모든 사람은 죽는다. 소크라테스는 사람이다. 따라서 소크라테스는 죽는다.”
이 짧은 논리에는 ‘전제의 확실성에서 결론이 도출되는’ 인간 사고의 위험이 담겨 있다.
이 연역적 구조가 인공지능에도 필요하다. 오늘날의 AI는 귀납으로 패턴을 학습하지만, “왜 그 패턴이 의미 있는가?”를 스스로 판단하지 못한다. 예를 들어 자율주행 AI가 “빨간 신호등 앞에서는 멈춰야 한다”는 규칙을 학습할 수는 있어도, “왜 멈추어야 하는가?”라는 규범적 이유는 이해하지 못한다. 그 이유는 도덕적·법적·사회적 원리에 기반한 연역적 사고이기 때문이다.
이 문제를 해결하려는 접근이 바로 뉴로심볼릭AI(Neuro-Symbolic AI)다.
이는 인공지능의 신경망(Neural Network)이 가진 귀납적 학습 능력에, 논리 기반의 심볼릭(Symbolic) 추론 구조를 결합하는 방식이다. IBM의 Project Debater는 데이터로 토론의 패턴을 학습함과 동시에, 논리적 전제-결론 구조를 파악해 인간과 실제 토론을 벌였다. 구글 딥마인드의 AlphaGeometry는 수학문제를 풀 때, 귀납적 탐색과 연역적 증명을 동시에 수행했다. 아마존은 2025년 뉴로심볼릭접근을 아마존 AI 전략의 대표 개념으로 삼았다.
기업이 이 철학을 도입한다면, 인공지능에게 “데이터 위의 상식”을 가르치는 일과 같다. 예를 들어 병원은 수십 년의 임상 경험을 통해 “응급환자는 생명 우선 순위로 진료한다”는 원리를 갖는다. 제조업체는 “이 재질은 특정 온도에서 반드시 변형된다”는 경험적 법칙을 안다. 금융사는 “고수익보다 리스크 관리가 먼저다”라는 불문율을 따른다. 이런 원리들은 데이터가 아닌 ‘연역적 지식자산’이다. 이를 온톨로지(ontology)나 지식 그래프 형태로 구조화해 AI 학습에 결합시키는 것이 바로 뉴로심볼릭AI의 핵심이다.
원리 중심 학습의 시대
그렇다면 개인은 어떻게 대응해야 할까?
답은 원리 중심 학습(Principle-based Learning)이다.
산업시대의 교육은 ‘숙련’을 목표로 했다. 문제를 반복적으로 풀고, 정해진 절차를 익히며, 표준화된 답을 찾아내는 일 - 그게 교육의 전부였다. 하지만 숙련은 인공지능이 가장 잘하는 영역이다. 인간이 “반복적으로 잘하는 일”은 이제 기계가 더 빠르고 정확하게 한다. 따라서 인간의 경쟁력은 ‘숙련’이 아니라 ‘이유’에 있다.
예를 들어 경제학에서 수요·공급 곡선을 외우는 것은 역량 중심 학습이다. 하지만 “왜 시장은 균형점을 향하려 하는가?”를 이해하는 것은 원리 중심 학습이다. 헌법학에서 조문을 암기하는 것은 지식이지만, “이 조항이 어떤 철학과 역사적 맥락에서 탄생했는가?”를 이해하는 것은 원리 중심이다.
역사를 공부할 때 연도를 외우는 것은 기술적 학습이지만, “왜 르네상스가 이탈리아에서 먼저 시작되었는가?”를 탐구하는 것은 원리적 학습이다. 물리학에서 뉴턴의 운동법칙을 외우는 것은 지식이지만, “왜 힘이 작용하면 가속도가 생기는가?”를 이해하는 것은 원리적 사고다.
이 차이는 단순한 공부와 사고의 차이를 만든다.
공부형 인간은 ‘정답’을 찾는다.
원리형 인간은 ‘질문’을 만든다.
전자는 시험을 잘 치지만, 후자는 세상을 바꾼다.
원리 중심 사고의 구체적 예시
경제학에서 ‘인플레이션’이라는 개념을 외우는 것과 ‘왜 화폐의 신뢰가 무너지면 물가가 오르는가’를 이해하는 것은 전혀 다르다. 후자는 화폐의 본질을 탐구하는 사고이며, 이는 “가치란 신뢰의 함수다”라는 원리로 귀결된다.
법학에서도 “살인죄의 법정형은 무기 또는 5년 이상의 징역”을 외우는 것은 암기지만, “왜 국가가 생명을 빼앗는 행위를 가장 중대한 범죄로 규정했는가?”를 묻는 것은 원리 중심 사고다. 그 질문을 통해 인간의 존엄, 사회계약, 형벌의 목적이라는 연역적 구조에 닿는다.
자연과학에서도 마찬가지다. 생물학에서 DNA 복제 과정을 단계별로 외우는 것은 지식이지만, “왜 생명은 자기복제라는 형태를 택했는가?”를 묻는 것은 원리 중심이다. 그것은 진화의 필요성과 에너지 효율성, 그리고 생명의 자기보존이라는 철학적 원리로 연결된다.
공학에서도 예외가 아니다. 반도체 엔지니어가 트랜지스터 구조를 외우는 것은 숙련이지만, “왜 전자는 실리콘 내에서 그렇게 움직이는가?”를 이해하는 것은 원리적 사고다. 이 차이가 단순한 기술자와 혁신가의 차이를 만든다.
심지어 예술에서도 원리 중심 학습은 중요하다. 피아니스트가 악보를 완벽히 외워 연주하는 것은 귀납적 학습의 결과다. 하지만 “왜 이 악곡의 2악장은 슬픔을 전달하는가?”를 이해하는 것은 원리 중심이다. 그가 작곡가의 심리, 시대적 맥락, 조성과 화성의 긴장을 이해할 때 비로소 예술은 해석이 된다.
머스크, 다빈치, 그리고 원리의 인간들
일론 머스크의 ‘퍼스트 프린시플 띵킹(First Principles Thinking)’은 원리 중심 사고의 대표적 모델이다. 그는 “로켓은 비싸다”는 업계의 상식을 의심하고, “로켓의 원재료는 얼마인가?”라는 근본적 질문으로 돌아갔다. 계산 결과, 원재료비가 전체 비용의 2%에 불과하다는 사실을 알고, 로켓 설계와 제조 방식을 완전히 다시 설계했다. 그 결과가 스페이스X의 혁신이다.
레오나르도 다빈치 역시 원리의 인간이었다. 그는 새의 날갯짓을 모방하려 하지 않고, “왜 새가 날 수 있는가?”를 물었다. 그의 노트에는 수없이 많은 역학적 원리가 기록되어 있다. 날개 모양보다 공기의 흐름을 이해하려 한 그의 사고는 귀납이 아닌 연역의 시도였다.
스티브 잡스 역시 “사용자 경험은 단순함이다”라는 철학적 원리를 모든 제품의 기준으로 삼았다. 단순한 인터페이스의 반복이 아니라, ‘왜 사람은 복잡함보다 단순함에 안정을 느끼는가’라는 원리적 질문이 있었다.
교육의 재구성
현대 교육은 산업시대의 산물이다. 대량생산 체계에 맞춰 설계된 교육은 ‘표준화된 인간’을 만드는 과정이었다. 객관식 시험, 등급화, 반복 훈련 - 이 모든 것은 기계적 숙련을 위한 장치였다. 그러나 인공지능이 숙련을 대신하는 시대에는 교육이 달라져야 한다.
앞으로의 교육은 “정답을 맞히는 교육”에서 “원리를 묻는 교육”으로 전환되어야 한다.
초등학교에서는 ‘왜 사과가 떨어질까?’를 실험으로만 배우지 말고, 중력이라는 원리로 연결해야 한다.
중학교에서는 ‘왜 삼각형의 내각의 합이 180도인가?’를 공식으로 암기하는 대신, 유클리드 공간의 원리를 시각화해 이해해야 한다.
고등학교에서는 ‘왜 경제는 순환하는가?’를 그래프로 배우는 대신, 인간 욕망과 교환의 본질로 연결시켜야 한다.
대학에서는 ‘어떤 이론이 맞는가?’보다 ‘왜 우리는 이런 이론을 만들어냈는가?’를 묻는 방식으로 교육이 설계되어야 한다.
하버드대학교의 케네스 로고프 교수는 “지식은 시대에 따라 낡지만, 원리는 세대를 관통한다”고 말했다. 원리를 배운 사람은 새로운 상황에서도 사고를 재구성할 수 있다.
귀납의 속도 위에 연역의 깊이를
결국 인공지능 시대를 이끄는 힘은 귀납의 속도와 연역의 깊이 조화다.
조직은 뉴로심볼릭AI 철학으로 인공지능에게 원리를 부여해야 하고, 개인은 원리 중심 학습으로 자기 사고의 기반을 깊게 만들어야 한다.
귀납은 데이터를 축적하지만, 연역은 그 데이터를 이해하게 한다. 귀납이 빠르다면, 연역은 깊다. 인공지능이 속도를 담당한다면, 인간은 방향을 제시해야 한다.
미래를 결정짓는 것은 누가 더 많은 데이터를 가졌느냐가 아니라, 누가 더 근본적인 원리를 재정의할 수 있느냐다. 귀납추론의 전성시대는 필연적으로 연역추론의 부활을 요구한다. 그리고 그 균형을 이룬 개인과 조직만이, 인공지능 시대의 진정한 주인이 될 것이다.
조직은 뉴로심볼릭AI 철학으로, 개인은 원리중심 학습으로
인공지능 시대는 곧 귀납추론의 전성시대다. 인간이 수천 년 동안 해온 귀납적 사고가, 이제는 데이터와 알고리즘이라는 엔진을 통해 전례 없는 속도와 규모로 구현되고 있다. 인공지능의 작동 원리를 한마디로 요약하면 “많은 경험으로부터 규칙을 찾아내고, 그 규칙으로 새로운 것을 예측하는 일”이다.
고양이 사진을 수백만 장 학습한 인공지능이 고양이를 인식할 수 있는 이유, 챗GPT가 인간과 자연스러운 대화를 이어갈 수 있는 이유, 자율주행차가 복잡한 도로 위에서 순간적으로 판단을 내릴 수 있는 이유 - 이 모든 것이 바로 귀납의 결과다. 인공지능은 데이터를 ‘관찰’하고, 그 안에서 ‘패턴’을 발견하며, 그 패턴을 ‘일반화’한다.
이 원리를 극단적으로 가속시킬 존재가 있다. 바로 양자컴퓨팅(Quantum Computing)이다. 양자컴퓨터는 병렬적 연산을 통해 기존 컴퓨터로는 상상도 못 할 양의 패턴을 동시에 탐색한다. 지금의 인공지능이 귀납적 학습을 초등학생 수준으로 수행한다면, 양자컴퓨팅 시대의 인공지능은 우주적 차원의 귀납추론자가 될 것이다. 인류는 곧 “극강의 귀납추론 전성시대”로 진입하고 있다.
귀납추론이란 결국, “비슷한 사례를 모아 일반적인 법칙을 도출하는 사고 방식”이다. 아기가 여러 번 뜨거운 냄비를 만져보고 ‘냄비는 뜨겁다’는 결론에 이르는 것이나, 마케터가 수백 건의 구매 데이터를 보고 ‘이 고객은 운동화를 살 가능성이 높다’고 판단하는 것 모두 귀납의 산물이다.
하지만 귀납에는 치명적인 맹점이 있다. 그것은 ‘새로움의 부재’다. 귀납은 과거를 기반으로 하지만, 미래를 창조하지는 못한다. 유튜브의 추천 알고리즘이 사용자의 시청 패턴을 강화해 점점 비슷한 영상만 보여주는 이유, AI가 반 고흐의 화풍을 완벽히 모방하면서도 새로운 미술 사조를 만들어내지 못하는 이유, 챗봇이 이미 존재하는 문체를 재조합할 뿐 완전히 새로운 사유를 하지 못하는 이유 - 모두 귀납의 한계 때문이다.
결국 인공지능은 ‘과거의 반복자’일 뿐 ‘미래의 창조자’는 아니다. 인류가 다시 되묻게 되는 질문은 이것이다. “우리는 어떻게 귀납의 시대를 넘어설 것인가?”
이미지 출처: Gemini Imagen 4로 생성
연역적 사고의 복권
그 해답은 연역적 사고다. 연역이란, “원리나 법칙으로부터 구체적인 사실을 도출하는 사고 방식”이다. 귀납이 ‘사례로부터 일반’을 끌어낸다면, 연역은 ‘일반으로부터 사례’를 이끌어낸다. 수학의 정리, 법학의 판례, 과학의 법칙이 모두 연역 위에서 세워져 있다.
연역의 대표적인 예는 삼단논법이다.
“모든 사람은 죽는다. 소크라테스는 사람이다. 따라서 소크라테스는 죽는다.”
이 짧은 논리에는 ‘전제의 확실성에서 결론이 도출되는’ 인간 사고의 위험이 담겨 있다.
이 연역적 구조가 인공지능에도 필요하다. 오늘날의 AI는 귀납으로 패턴을 학습하지만, “왜 그 패턴이 의미 있는가?”를 스스로 판단하지 못한다. 예를 들어 자율주행 AI가 “빨간 신호등 앞에서는 멈춰야 한다”는 규칙을 학습할 수는 있어도, “왜 멈추어야 하는가?”라는 규범적 이유는 이해하지 못한다. 그 이유는 도덕적·법적·사회적 원리에 기반한 연역적 사고이기 때문이다.
이 문제를 해결하려는 접근이 바로 뉴로심볼릭AI(Neuro-Symbolic AI)다.
이는 인공지능의 신경망(Neural Network)이 가진 귀납적 학습 능력에, 논리 기반의 심볼릭(Symbolic) 추론 구조를 결합하는 방식이다. IBM의 Project Debater는 데이터로 토론의 패턴을 학습함과 동시에, 논리적 전제-결론 구조를 파악해 인간과 실제 토론을 벌였다. 구글 딥마인드의 AlphaGeometry는 수학문제를 풀 때, 귀납적 탐색과 연역적 증명을 동시에 수행했다. 아마존은 2025년 뉴로심볼릭접근을 아마존 AI 전략의 대표 개념으로 삼았다.
기업이 이 철학을 도입한다면, 인공지능에게 “데이터 위의 상식”을 가르치는 일과 같다. 예를 들어 병원은 수십 년의 임상 경험을 통해 “응급환자는 생명 우선 순위로 진료한다”는 원리를 갖는다. 제조업체는 “이 재질은 특정 온도에서 반드시 변형된다”는 경험적 법칙을 안다. 금융사는 “고수익보다 리스크 관리가 먼저다”라는 불문율을 따른다. 이런 원리들은 데이터가 아닌 ‘연역적 지식자산’이다. 이를 온톨로지(ontology)나 지식 그래프 형태로 구조화해 AI 학습에 결합시키는 것이 바로 뉴로심볼릭AI의 핵심이다.
원리 중심 학습의 시대
그렇다면 개인은 어떻게 대응해야 할까?
답은 원리 중심 학습(Principle-based Learning)이다.
산업시대의 교육은 ‘숙련’을 목표로 했다. 문제를 반복적으로 풀고, 정해진 절차를 익히며, 표준화된 답을 찾아내는 일 - 그게 교육의 전부였다. 하지만 숙련은 인공지능이 가장 잘하는 영역이다. 인간이 “반복적으로 잘하는 일”은 이제 기계가 더 빠르고 정확하게 한다. 따라서 인간의 경쟁력은 ‘숙련’이 아니라 ‘이유’에 있다.
예를 들어 경제학에서 수요·공급 곡선을 외우는 것은 역량 중심 학습이다. 하지만 “왜 시장은 균형점을 향하려 하는가?”를 이해하는 것은 원리 중심 학습이다. 헌법학에서 조문을 암기하는 것은 지식이지만, “이 조항이 어떤 철학과 역사적 맥락에서 탄생했는가?”를 이해하는 것은 원리 중심이다.
역사를 공부할 때 연도를 외우는 것은 기술적 학습이지만, “왜 르네상스가 이탈리아에서 먼저 시작되었는가?”를 탐구하는 것은 원리적 학습이다. 물리학에서 뉴턴의 운동법칙을 외우는 것은 지식이지만, “왜 힘이 작용하면 가속도가 생기는가?”를 이해하는 것은 원리적 사고다.
이 차이는 단순한 공부와 사고의 차이를 만든다.
공부형 인간은 ‘정답’을 찾는다.
원리형 인간은 ‘질문’을 만든다.
전자는 시험을 잘 치지만, 후자는 세상을 바꾼다.
원리 중심 사고의 구체적 예시
경제학에서 ‘인플레이션’이라는 개념을 외우는 것과 ‘왜 화폐의 신뢰가 무너지면 물가가 오르는가’를 이해하는 것은 전혀 다르다. 후자는 화폐의 본질을 탐구하는 사고이며, 이는 “가치란 신뢰의 함수다”라는 원리로 귀결된다.
법학에서도 “살인죄의 법정형은 무기 또는 5년 이상의 징역”을 외우는 것은 암기지만, “왜 국가가 생명을 빼앗는 행위를 가장 중대한 범죄로 규정했는가?”를 묻는 것은 원리 중심 사고다. 그 질문을 통해 인간의 존엄, 사회계약, 형벌의 목적이라는 연역적 구조에 닿는다.
자연과학에서도 마찬가지다. 생물학에서 DNA 복제 과정을 단계별로 외우는 것은 지식이지만, “왜 생명은 자기복제라는 형태를 택했는가?”를 묻는 것은 원리 중심이다. 그것은 진화의 필요성과 에너지 효율성, 그리고 생명의 자기보존이라는 철학적 원리로 연결된다.
공학에서도 예외가 아니다. 반도체 엔지니어가 트랜지스터 구조를 외우는 것은 숙련이지만, “왜 전자는 실리콘 내에서 그렇게 움직이는가?”를 이해하는 것은 원리적 사고다. 이 차이가 단순한 기술자와 혁신가의 차이를 만든다.
심지어 예술에서도 원리 중심 학습은 중요하다. 피아니스트가 악보를 완벽히 외워 연주하는 것은 귀납적 학습의 결과다. 하지만 “왜 이 악곡의 2악장은 슬픔을 전달하는가?”를 이해하는 것은 원리 중심이다. 그가 작곡가의 심리, 시대적 맥락, 조성과 화성의 긴장을 이해할 때 비로소 예술은 해석이 된다.
머스크, 다빈치, 그리고 원리의 인간들
일론 머스크의 ‘퍼스트 프린시플 띵킹(First Principles Thinking)’은 원리 중심 사고의 대표적 모델이다. 그는 “로켓은 비싸다”는 업계의 상식을 의심하고, “로켓의 원재료는 얼마인가?”라는 근본적 질문으로 돌아갔다. 계산 결과, 원재료비가 전체 비용의 2%에 불과하다는 사실을 알고, 로켓 설계와 제조 방식을 완전히 다시 설계했다. 그 결과가 스페이스X의 혁신이다.
레오나르도 다빈치 역시 원리의 인간이었다. 그는 새의 날갯짓을 모방하려 하지 않고, “왜 새가 날 수 있는가?”를 물었다. 그의 노트에는 수없이 많은 역학적 원리가 기록되어 있다. 날개 모양보다 공기의 흐름을 이해하려 한 그의 사고는 귀납이 아닌 연역의 시도였다.
스티브 잡스 역시 “사용자 경험은 단순함이다”라는 철학적 원리를 모든 제품의 기준으로 삼았다. 단순한 인터페이스의 반복이 아니라, ‘왜 사람은 복잡함보다 단순함에 안정을 느끼는가’라는 원리적 질문이 있었다.
교육의 재구성
현대 교육은 산업시대의 산물이다. 대량생산 체계에 맞춰 설계된 교육은 ‘표준화된 인간’을 만드는 과정이었다. 객관식 시험, 등급화, 반복 훈련 - 이 모든 것은 기계적 숙련을 위한 장치였다. 그러나 인공지능이 숙련을 대신하는 시대에는 교육이 달라져야 한다.
앞으로의 교육은 “정답을 맞히는 교육”에서 “원리를 묻는 교육”으로 전환되어야 한다.
초등학교에서는 ‘왜 사과가 떨어질까?’를 실험으로만 배우지 말고, 중력이라는 원리로 연결해야 한다.
중학교에서는 ‘왜 삼각형의 내각의 합이 180도인가?’를 공식으로 암기하는 대신, 유클리드 공간의 원리를 시각화해 이해해야 한다.
고등학교에서는 ‘왜 경제는 순환하는가?’를 그래프로 배우는 대신, 인간 욕망과 교환의 본질로 연결시켜야 한다.
대학에서는 ‘어떤 이론이 맞는가?’보다 ‘왜 우리는 이런 이론을 만들어냈는가?’를 묻는 방식으로 교육이 설계되어야 한다.
하버드대학교의 케네스 로고프 교수는 “지식은 시대에 따라 낡지만, 원리는 세대를 관통한다”고 말했다. 원리를 배운 사람은 새로운 상황에서도 사고를 재구성할 수 있다.
귀납의 속도 위에 연역의 깊이를
결국 인공지능 시대를 이끄는 힘은 귀납의 속도와 연역의 깊이 조화다.
조직은 뉴로심볼릭AI 철학으로 인공지능에게 원리를 부여해야 하고, 개인은 원리 중심 학습으로 자기 사고의 기반을 깊게 만들어야 한다.
귀납은 데이터를 축적하지만, 연역은 그 데이터를 이해하게 한다. 귀납이 빠르다면, 연역은 깊다. 인공지능이 속도를 담당한다면, 인간은 방향을 제시해야 한다.
미래를 결정짓는 것은 누가 더 많은 데이터를 가졌느냐가 아니라, 누가 더 근본적인 원리를 재정의할 수 있느냐다. 귀납추론의 전성시대는 필연적으로 연역추론의 부활을 요구한다. 그리고 그 균형을 이룬 개인과 조직만이, 인공지능 시대의 진정한 주인이 될 것이다.