TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
다니엘 서스킨드(Daniel Susskind): 직업의 미래에 대한 세 가지 미신 (그리고 그것이 사실이 아닌 이유)
Filmed:
Readability: 4.5
1,519,249 views
"기계가 인간을 대체할 것인가?"라는 질문은 실업의 두려움을 느끼는 직장인이라면 누구나 갖고 있습니다. 다니엘 서스킨드는 이 질문에 답하면서 자동화의 미래에 대해 우리가 갖고 있는 세 가지 잘못된 통념을 지적합니다. 그리고 "일을 적게 해도 되거나 아예 할 필요가 없어질 때, 우리 사회는 부를 어떻게 분배해야 할까?"라는 이전과 다른 문제에 의문을 가져보라고 제안합니다.
Daniel Susskind - Economist
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Double-click the English transcript below to play the video.
00:12
Automation anxiety
has been spreading lately,
has been spreading lately,
0
760
3376
최근들어 자동화에 대한
우려의 목소리가 커지고 있습니다.
우려의 목소리가 커지고 있습니다.
00:16
a fear that in the future,
1
4160
2656
미래에 대한 두려움이죠.
00:18
many jobs will be performed by machines
2
6840
2456
많은 직업 분야에서 로봇이
인간을 대체하게 될 것이고
인간을 대체하게 될 것이고
00:21
rather than human beings,
3
9320
1336
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
그것은 인공지능과 로봇 기술의
엄청난 발전 때문이라는 것입니다.
엄청난 발전 때문이라는 것입니다.
00:25
in artificial intelligence and robotics.
5
13640
2776
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
엄청난 변화가 있을 것은 분명합니다.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
다만 그 변화의 모습이
어떨지는 분명하지 않죠.
어떨지는 분명하지 않죠.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
제 연구에 따르면 미래는
힘들지만 흥미로울 것입니다.
힘들지만 흥미로울 것입니다.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
기술 발전으로 인해
직장을 잃을 위험은 있지만,
직장을 잃을 위험은 있지만,
00:43
and yet it's a good problem to have.
10
31640
2056
이 문제는 우리에게 즐거운 일입니다.
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
어떻게 이런 결론을 얻었는지
말씀드리기 위해서
말씀드리기 위해서
00:48
I want to confront three myths
12
36960
2536
세 가지 미신을 반박하고자 합니다.
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
자동화의 미래를 이해하는 데에
걸림돌이 되는 미신들이죠.
걸림돌이 되는 미신들이죠.
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
책이나 영화, 텔레비전 방송에서
쉽게 볼 수 있는 장면이 하나 있죠.
쉽게 볼 수 있는 장면이 하나 있죠.
00:59
in books, in films, in everyday commentary
15
47240
2216
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
한 무리의 로봇이 작업장에 몰려듭니다.
01:05
with one goal in mind:
17
53200
1376
그들에겐 한 가지 목표가 있죠.
01:06
to displace human beings from their work.
18
54600
2496
그것은 바로 인간의 일자리를
빼앗겠다는 것입니다.
빼앗겠다는 것입니다.
01:09
And I call this the Terminator myth.
19
57120
2696
이런 잘못된 생각을 저는
터미네이터 미신이라고 부릅니다.
터미네이터 미신이라고 부릅니다.
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
물론, 특정 업무는 기계가
인간을 대체할 것입니다.
인간을 대체할 것입니다.
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
하지만 완전히 인간을 대신할 순 없죠.
01:18
They also complement them in other tasks,
22
66120
1976
일부분 서로 보완함으로써
보다 가치있고 중요한 일을
할 수 있을 것입니다.
할 수 있을 것입니다.
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
우선 로봇은 직접적인 방식으로
인간을 도울 수 있습니다.
인간을 도울 수 있습니다.
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
더 생산적이고 효과적으로
일할 수 있도록 말이죠.
일할 수 있도록 말이죠.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
택시 운전사는 위성항법의 도움으로
낯선 도로에서 길을 찾을 수 있습니다.
낯선 도로에서 길을 찾을 수 있습니다.
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
건축가는 컴퓨터 디자인
프로그램을 이용해
프로그램을 이용해
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
더 크고 복잡한 건물을
디자인할 수 있습니다.
디자인할 수 있습니다.
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
하지만 기술의 진보가 직접적 방식으로만
인간을 돕는 것은 아닙니다.
인간을 돕는 것은 아닙니다.
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
간접적 방식으로 도울 수도 있죠.
여기엔 두 가지 방식이 있습니다.
여기엔 두 가지 방식이 있습니다.
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
첫 번째로, 경제를 파이에 비유해보면
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
기술의 진보는
파이를 더 크게 만듭니다.
파이를 더 크게 만듭니다.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
생산성이 커지면서
소득과 수요가 증가하죠.
소득과 수요가 증가하죠.
01:59
The British pie, for instance,
34
107520
1776
영국의 경제를 예로 들면
02:01
is more than a hundred times
the size it was 300 years ago.
the size it was 300 years ago.
35
109320
3960
3백년 전보다 100배 넘게
성장했습니다.
성장했습니다.
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
그래서 예전 파이에서
일자리를 잃은 사람들은
일자리를 잃은 사람들은
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
새로운 파이에서 일거리를
새로 찾을 수 있었죠.
새로 찾을 수 있었죠.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
하지만 기술의 진보는 단순히
파이를 크게만 하지 않습니다.
파이를 크게만 하지 않습니다.
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
파이의 성분 또한 바꿔 놓습니다.
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
시간이 흐르면서 사람들의
소비 방식이 변화했습니다.
소비 방식이 변화했습니다.
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
기존 상품에 지출하는
금액을 조절하고,
금액을 조절하고,
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
새롭게 등장한 상품에
빠지기 시작했죠.
빠지기 시작했죠.
02:29
New industries are created,
43
137200
1776
새로운 산업이 등장하고,
새로운 업무가 생겼습니다.
새로운 업무가 생겼습니다.
02:31
new tasks have to be done
44
139000
1816
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
결국 새로운 일자리가
만들어진다는 것이죠.
만들어진다는 것이죠.
02:35
So again, the British pie:
46
143400
1496
다시 영국 경제를 예로 들면,
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
3백년 전에는 대부분
농장에서 일했습니다.
농장에서 일했습니다.
02:39
150 years ago, in factories,
48
147920
2336
150년 전에는 공장에서 일했죠.
02:42
and today, most people work in offices.
49
150280
2856
하지만 지금은 대부분이
사무실에서 일합니다.
사무실에서 일합니다.
02:45
And once again, people displaced
from tasks in the old bit of pie
from tasks in the old bit of pie
50
153160
4056
역시 마찬가지로, 예전 파이에서
일거리를 잃은 사람들은
일거리를 잃은 사람들은
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
새로운 파이에서 대신할 만한
일거리를 쉽게 찾을 수 있었죠.
일거리를 쉽게 찾을 수 있었죠.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
경제학자들은 이를
'상보성 효과'라고 부릅니다.
'상보성 효과'라고 부릅니다.
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
뭔가 있어보이는 표현이지만,
이 용어에 담긴 뜻은
이 용어에 담긴 뜻은
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
기술의 진보가 인간을
돕는다는 걸 말합니다.
돕는다는 걸 말합니다.
03:02
Resolving this Terminator myth
55
170520
2096
터미네이터 미신을 들여다보면
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
거기에 작용하는
두 가지 힘을 발견하게 됩니다.
두 가지 힘을 발견하게 됩니다.
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
하나는, 기계가 인간을
대신하려 위협하는 힘이고
대신하려 위협하는 힘이고
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
다른 하나는 상보성 효과로
새로운 일자리를 만드는 힘입니다.
새로운 일자리를 만드는 힘입니다.
03:13
Now the second myth,
59
181960
1376
이제 두 번째 미신을 살펴보죠.
바로, 지능에 관한 미신입니다.
바로, 지능에 관한 미신입니다.
03:15
what I call the intelligence myth.
60
183360
2280
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
차를 운전하거나
의학 진단을 내리는 일,
의학 진단을 내리는 일,
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
새의 종류를 한 눈에 식별하는 일,
이들의 공통점이 뭘까요?
이들의 공통점이 뭘까요?
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
네, 이들은 모두 최근까지도
쉽게 자동화될 수 없을 거라고
쉽게 자동화될 수 없을 거라고
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
저명한 경제학자들이
생각한 일들입니다.
생각한 일들입니다.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
하지만 지금은 모두 자동화되었죠.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
주요 자동차 회사들이
무인자동차를 개발하고 있고,
무인자동차를 개발하고 있고,
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
질병을 진단해주는 다양한
시스템이 이미 널려있습니다.
시스템이 이미 널려있습니다.
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
심지어는 한번에 새의 종류를
식별해주는 앱도 있습니다.
식별해주는 앱도 있습니다.
03:46
at a fleeting glimpse.
69
214800
1200
03:48
Now, this wasn't simply a case of bad luck
on the part of economists.
on the part of economists.
70
216920
4376
경제학자들이 단순히 운이 나빠
예측이 틀린 것이 아닙니다.
예측이 틀린 것이 아닙니다.
03:53
They were wrong,
71
221320
1296
오판했던 것이죠.
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
여기서 중요한 건 그들이
오판하게 된 이유입니다.
오판하게 된 이유입니다.
03:57
They've fallen for the intelligence myth,
73
225160
2256
그들은 지능에 관한 미신에
빠져 있었습니다.
빠져 있었습니다.
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
기계가 인간의 사고방식을 모방해야
인간을 능가할 거라고 믿었던 거죠.
인간을 능가할 거라고 믿었던 거죠.
04:02
that human beings think and reason
75
230360
2056
04:04
in order to outperform them.
76
232440
1776
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
경제학자들은 기계가 할 수 없는
일들을 예측하는 과정에서
일들을 예측하는 과정에서
04:08
what tasks machines could not do,
78
236480
1856
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
자동화를 이렇게 상상했습니다.
04:12
was to sit down with a human being,
80
240520
1816
인간이 기계를 책상에 앉혀놓고
일의 작동방식을 설명해줍니다.
일의 작동방식을 설명해줍니다.
04:14
get them to explain to you
how it was they performed a task,
how it was they performed a task,
81
242360
3536
04:17
and then try and capture that explanation
82
245920
2656
기계가 따라 할 수 있도록
단계별로 차근차근 말이죠.
단계별로 차근차근 말이죠.
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
기계는 그 설명을 이해하려 애씁니다.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
이런 방식은 인공지능 연구에서도
한 때 유행했었습니다.
한 때 유행했었습니다.
04:27
I know this because Richard Susskind,
85
255600
2176
제 아버지이자, 공동저자이기도 한
리처드 서스킨드도 이렇게 생각했죠.
리처드 서스킨드도 이렇게 생각했죠.
04:29
who is my dad and my coauthor,
86
257800
2856
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
아버지는 1980년대에 옥스포드대에서
인공지능과 법에 관한
인공지능과 법에 관한
04:36
at Oxford University,
88
264760
1416
박사학위 논문을 썼습니다.
04:38
and he was part of the vanguard.
89
266200
1576
당시에는 선구적인 연구였죠.
04:39
And with a professor called Phillip Capper
90
267800
2256
그 후 필립 캐퍼 교수, 그리고
법 전문 출판사 버터워쓰와 함께
법 전문 출판사 버터워쓰와 함께
04:42
and a legal publisher called Butterworths,
91
270080
2096
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
법 분야에서는 최초로 상용화된
인공지능 시스템을 개발했습니다.
인공지능 시스템을 개발했습니다.
04:50
artificial intelligence system in the law.
93
278120
2776
04:52
This was the home screen design.
94
280920
2616
이것이 그 시스템의
첫 메인 화면인데요.
첫 메인 화면인데요.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
아버지 말이, 당시에는 끝내주는
디자인이었다고 하시더군요.
디자인이었다고 하시더군요.
04:58
(Laughter)
96
286280
1016
(웃음)
04:59
I've never been entirely convinced.
97
287320
1696
저도 그 말을 믿지는 않았습니다.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
프로그램은 두 장의
플로피 디스크에 담겨 출시되었는데
플로피 디스크에 담겨 출시되었는데
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
당시 플로피 디스크는 정말 느렸죠.
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
아버지의 접근방식은
경제학자들과 똑같았습니다.
경제학자들과 똑같았습니다.
법률가와 마주 앉아서, 법률 문제의
해결 과정에 관한 설명을 듣는 겁니다.
해결 과정에 관한 설명을 듣는 겁니다.
05:09
sit down with a lawyer,
101
297600
1256
05:10
get her to explain to you
how it was she solved a legal problem,
how it was she solved a legal problem,
102
298880
3176
05:14
and then try and capture that explanation
in a set of rules for a machine to follow.
in a set of rules for a machine to follow.
103
302080
5376
그러면서 기계가 따라할 수 있도록
일련의 규칙으로 정리하였습니다.
일련의 규칙으로 정리하였습니다.
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
경제학에서는 이렇게 설명할 수 있는
인간의 업무를 '루틴'이라고 합니다.
인간의 업무를 '루틴'이라고 합니다.
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
루틴은 자동화할 수 있죠.
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
반면에 이런 방식으로 설명이 안되면
'논루틴'이라고 합니다.
'논루틴'이라고 합니다.
05:28
the tasks are called non-routine,
and they're thought to be out reach.
and they're thought to be out reach.
107
316800
4256
자동화할 수 없다고 여겨지는 것들이죠.
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
오늘날, 루틴과 논루틴으로 구별하는
방식은 널리 퍼져있습니다.
방식은 널리 퍼져있습니다.
05:36
Think how often you hear people say to you
109
324400
2056
이런 얘기 자주 들어보셨을 거예요.
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
기계는 규칙에 따라 정해진, 잘 정리된
반복 작업만 할 수 있다고들 말합니다.
반복 작업만 할 수 있다고들 말합니다.
05:41
rules-based or well-defined.
111
329760
1896
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
이런 말들은 루틴을 그저
달리 표현한 것일 뿐입니다.
달리 표현한 것일 뿐입니다.
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
제가 처음에 말했던
세 가지 일로 돌아가보죠.
세 가지 일로 돌아가보죠.
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
세 가지 일 모두 전형적인
논루틴 업무에 속합니다.
논루틴 업무에 속합니다.
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
예를 들어, 의사에게
어떻게 진찰을 하냐고 묻는다면
어떻게 진찰을 하냐고 묻는다면
05:56
and she might be able
to give you a few rules of thumb,
to give you a few rules of thumb,
116
344560
2656
경험에 따른 몇 가지 규칙을
어림잡아 말할 수는 있겠지만
어림잡아 말할 수는 있겠지만
05:59
but ultimately she'd struggle.
117
347240
1656
명확하게 말하기는 힘들 겁니다.
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
창의성이나 직관적인 판단력이
필요한 일이라고 말하겠죠.
필요한 일이라고 말하겠죠.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
그런 일을 명확하게 설명하기 어렵다보니
자동화도 힘들 거라고 생각했을 겁니다.
자동화도 힘들 거라고 생각했을 겁니다.
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
06:11
If a human being can't explain themselves,
121
359280
2536
인간이 자신에게도 설명하지 못하는데
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
기계가 따라 할 수 있는 일련의 규칙을
만드는 것이 가능할 리가 있을까요?
만드는 것이 가능할 리가 있을까요?
06:16
for a machine to follow?
123
364760
1200
06:18
Thirty years ago, this view was right,
124
366640
2576
30년 전만 해도
이런 생각은 옳았습니다.
이런 생각은 옳았습니다.
06:21
but today it's looking shaky,
125
369240
2136
하지만 오늘날에는 조금 흔들리고 있고,
미래에는 완전히 틀린 얘기가 될 겁니다.
미래에는 완전히 틀린 얘기가 될 겁니다.
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
데이터 처리 능력과 저장 능력,
알고리즘 설계의 발전에 힘입어
알고리즘 설계의 발전에 힘입어
06:28
and in algorithm design
128
376960
1656
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
루틴과 논루틴의 구별은 점차
의미를 잃어가고 있습니다.
의미를 잃어가고 있습니다.
06:33
is diminishingly useful.
130
381160
1736
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
의료 진료의 경우를 다시 보면서
이를 살펴보겠습니다.
이를 살펴보겠습니다.
06:38
Earlier in the year,
132
386200
1376
올해 초,
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
스탠포드 대학의 한 연구진이
어떤 시스템을 개발했다고 발표했습니다.
어떤 시스템을 개발했다고 발표했습니다.
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
주근깨가 피부암인지 아닌지
판단해주는 시스템이었죠.
판단해주는 시스템이었죠.
06:46
as accurately as leading dermatologists.
135
394000
2680
일류 피부과 의사 만큼 정확하게 말이죠.
06:49
How does it work?
136
397280
1256
이런 일이 어떻게 가능할까요?
06:50
It's not trying to copy the judgment
or the intuition of a doctor.
or the intuition of a doctor.
137
398560
5296
의사의 판단이나 직관을
모방한 것은 아닙니다.
모방한 것은 아닙니다.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
시스템은 의학이라고는
하나도 모릅니다.
하나도 모릅니다.
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
대신 패턴 인식 알고리즘을 이용해
07:01
through 129,450 past cases,
140
409640
4656
129,450 개의 진료 기록으로부터
유사성을 찾으며 검토하고
유사성을 찾으며 검토하고
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
07:09
and the particular lesion in question.
142
417440
2080
특정 피부 손상을 찾아냅니다.
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
시스템은 이처럼 인간과는
다른 방식으로 일을 합니다.
다른 방식으로 일을 합니다.
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
인간이라면 평생 검토해도 불가능한 양의
진료기록을 순식간에 분석해서 말이죠.
진료기록을 순식간에 분석해서 말이죠.
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
인간이 어떻게 의료적 판단을 하는지
설명하지 못해도 이제 문제가 안됩니다.
설명하지 못해도 이제 문제가 안됩니다.
07:20
It didn't matter that that human being,
146
428320
1896
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
기계가 인간을 모방할 필요가 없다는
사실을 보여주는 사례는 또 있습니다.
사실을 보여주는 사례는 또 있습니다.
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
07:30
As an example, take IBM's Watson,
150
438320
2056
IBM의 왓슨을 예로들면
07:32
the supercomputer that went
on the US quiz show "Jeopardy!" in 2011,
on the US quiz show "Jeopardy!" in 2011,
151
440400
4856
슈퍼 컴퓨터 왓슨은 2011년
퀴즈쇼 "제퍼디!"에 출연했습니다.
퀴즈쇼 "제퍼디!"에 출연했습니다.
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
거기서 인간 우승자 두 명을
상대로 승리했죠.
상대로 승리했죠.
07:40
The day after it won,
153
448320
1696
승리한 다음 날에
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
철학자 존 설이 쓴 짧은 기사 하나가
월 스트리트 저널에 실렸습니다.
월 스트리트 저널에 실렸습니다.
07:45
with the title "Watson
Doesn't Know It Won on 'Jeopardy!'"
Doesn't Know It Won on 'Jeopardy!'"
155
453360
3376
제목은 이렇습니다. "왓슨은 자신이
'제퍼디!'에서 승리한 줄도 모른다."
'제퍼디!'에서 승리한 줄도 모른다."
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
맞아요. 재치있게 사실을 잘 말했죠.
왓슨은 기쁨의 함성을
지르지 않았습니다.
지르지 않았습니다.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
자신의 업적에 뿌듯해하며
부모님을 부르지도 않았고,
부모님을 부르지도 않았고,
07:53
It didn't call up its parents
to say what a good job it had done.
to say what a good job it had done.
158
461240
3096
축하주를 마시기 위해
술집에도 가지 않았습니다.
술집에도 가지 않았습니다.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
왓슨은 인간 경쟁자들이 문제를
푸는 방식을 모방하지 않았습니다.
푸는 방식을 모방하지 않았습니다.
08:03
but it didn't matter.
161
471200
1256
전혀 불필요했거든요.
08:04
It still outperformed them.
162
472480
1976
그럼에도 왓슨은 인간을 이겼습니다.
08:06
Resolving the intelligence myth
163
474480
1576
지능 미신을 반박하다 보면
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
인간의 사고와 추론 방식 등의
인간 지능에 대한 이해 부족이
인간 지능에 대한 이해 부족이
08:11
about how we think and reason,
165
479480
1896
08:13
is far less of a constraint
on automation than it was in the past.
on automation than it was in the past.
166
481400
3456
예전처럼 자동화의 걸림돌이 되지
않는다는 것을 알 수 있습니다.
않는다는 것을 알 수 있습니다.
08:16
What's more, as we've seen,
167
484880
1496
게다가, 이미 보았듯이
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
기계는 인간과 다른 방식으로
일을 처리하기 때문에
일을 처리하기 때문에
08:21
there's no reason to think
169
489840
1256
현재 인간이 가진 능력을
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
미래에 기계가 넘지 못할 거라고
보기도 어렵습니다.
보기도 어렵습니다.
08:25
represents any sort of summit
171
493680
1456
08:27
in what these machines
might be capable of doing in the future.
might be capable of doing in the future.
172
495160
3000
08:31
Now the third myth,
173
499040
1256
이제 세 번째 미신입니다.
08:32
what I call the superiority myth.
174
500320
2456
우월성에 관한 미신인데요.
08:34
It's often said that those who forget
175
502800
2216
상보성 원리에 따른 기술 진보의
긍정적 측면을 간과하는 사람들은
긍정적 측면을 간과하는 사람들은
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
08:39
those complementarities from before,
177
507520
2496
한 가지 실수를 저지르곤 합니다.
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
노동 총량의 오류라고 알려진 실수죠.
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
문제는 노동 총량의 오류라는 개념
자체에도 오류가 있다는 겁니다.
자체에도 오류가 있다는 겁니다.
08:48
is itself a fallacy,
180
516159
1496
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
그래서 저는 이걸 '노동 총량의
오류에 관한 오류'라고 합니다.
오류에 관한 오류'라고 합니다.
08:52
or LOLFF, for short.
182
520640
2320
줄인 용어로 'LOLFF' 라고 하죠.
08:56
Let me explain.
183
524000
1416
설명해드리죠.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
노동 총량의 오류는
굉장히 오래된 개념입니다.
굉장히 오래된 개념입니다.
08:59
It was a British economist, David Schloss,
who gave it this name in 1892.
who gave it this name in 1892.
185
527600
4216
1892년에 데이빗 스콜로스라는
영국 경제학자가 만든 개념이죠.
영국 경제학자가 만든 개념이죠.
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
그는 부두 노동자들에게서
당혹감을 느낀 적이 있습니다.
당혹감을 느낀 적이 있습니다.
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
당시 부두 노동자들은 기계로
와셔를 만들기 시작했는데요.
와셔를 만들기 시작했는데요.
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
그건 나사를 단단히 조이도록 해주는
원판 모양의 작은 금속입니다.
원판 모양의 작은 금속입니다.
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
노동자들은 생산성이 높아진 것에
죄책감을 느끼고 있었습니다.
죄책감을 느끼고 있었습니다.
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
현재 우리는 정반대죠.
사람들은 생산성이 낮으면
죄책감을 느낍니다.
죄책감을 느낍니다.
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
페이스북이나 트위터에 너무
많은 시간을 낭비했다고 말이죠.
많은 시간을 낭비했다고 말이죠.
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
하지만 부두 노동자들은 생산성이
높아지는 것에 죄책감을 느꼈습니다.
높아지는 것에 죄책감을 느꼈습니다.
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
이유를 묻자 이렇게 말했습니다.
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
"저는 잘못하고 있어요.
다른 사람 일거리를 뺏고 있잖아요."
다른 사람 일거리를 뺏고 있잖아요."
09:29
I'm taking away the work of another man."
195
557920
2040
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
그는 일종의 정해진 노동량이
있다고 생각했던 겁니다.
있다고 생각했던 겁니다.
09:35
to be divided up between him and his pals,
197
563760
2136
그와 그의 친구들이 나눠서 할 일 말이죠.
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
그래서 자신이 기계로
더 많은 일을 하면
더 많은 일을 하면
09:40
there'd be less left for his pals to do.
199
568000
2016
자기 친구의 일거리가
줄어든다고 생각한 겁니다.
줄어든다고 생각한 겁니다.
09:42
Schloss saw the mistake.
200
570040
1856
스콜로스는 여기에서 오류를 찾았습니다.
노동의 총량은 정해져 있지 않거든요.
노동의 총량은 정해져 있지 않거든요.
09:43
The lump of work wasn't fixed.
201
571920
1856
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
노동자가 기계를 사용해서
점점 생산성이 높아질수록
점점 생산성이 높아질수록
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
나사받이의 가격은 낮아질 것이고
수요는 증가할 것입니다.
수요는 증가할 것입니다.
09:51
more washers would have to be made,
204
579640
1696
따라서 더 많은 나사받이가 필요하고
그의 친구가 할 일도 생길 것입니다.
그의 친구가 할 일도 생길 것입니다.
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
09:55
The lump of work would get bigger.
206
583480
1696
노동 총량은 점점 커질겁니다.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
스콜로스는 이를
'노동 총량의 오류'라고 했습니다.
'노동 총량의 오류'라고 했습니다.
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
오늘날 모든 직업의 미래를 전망할 때
노동 총량의 오류를 이야기하곤 합니다.
노동 총량의 오류를 이야기하곤 합니다.
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
기계와 인간이 서로 나누어서 해야 할
일의 총량은 정해져 있지 않다고 하죠.
일의 총량은 정해져 있지 않다고 하죠.
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
10:08
between people and machines.
211
596440
1376
네, 기계가 인간을 대체하면서
기존에 하던 일의 양은 줄었습니다.
기존에 하던 일의 양은 줄었습니다.
10:09
Yes, machines substitute for human beings,
making the original lump of work smaller,
making the original lump of work smaller,
212
597840
4656
10:14
but they also complement human beings,
213
602520
1856
하지만 기계가 인간을 보완해주면서
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
일의 총량은 점차 커지고
변화하고 있습니다.
변화하고 있습니다.
10:19
But LOLFF.
215
607760
1616
그런데 바로 여기에 오류가 있어요.
10:21
Here's the mistake:
216
609400
1376
뭐가 틀렸는지 말씀드리죠.
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
기술의 진보로 일의 총량이
커진다는 생각은 맞습니다.
커진다는 생각은 맞습니다.
10:25
makes the lump of work to be done bigger.
218
613040
1976
몇몇 직업은 더 중요해지고,
새로운 직업도 생기겠죠.
새로운 직업도 생기겠죠.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
10:30
But it's wrong to think that necessarily,
220
618080
2536
하지만 잘못된 생각이 하나 있습니다.
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
인간이 바뀐 작업환경에 당연히
잘 적응할 거라고 생각하는 거죠.
잘 적응할 거라고 생각하는 거죠.
10:35
And this is the superiority myth.
222
623920
1616
이것이 바로 우월성 미신입니다.
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
네. 일의 총량은 점점 커지고
변화하게 될 것입니다.
변화하게 될 것입니다.
10:41
but as machines become more capable,
224
629000
1976
하지만 기계의 능력이 점차 발전하면서
10:43
it's likely that they'll take on
the extra lump of work themselves.
the extra lump of work themselves.
225
631000
3896
그 여분의 일마저 기계가
차지할 가능성이 높습니다.
차지할 가능성이 높습니다.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
기술의 진보는 인간을 보완하기보다는
기계를 대신 보완해줄 것입니다.
기계를 대신 보완해줄 것입니다.
10:50
complements machines instead.
227
638200
1880
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
자동차 운전의 경우를 다시 살펴보죠.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
오늘날 위성항법 시스템은
인간을 직접적으로 도와줍니다.
인간을 직접적으로 도와줍니다.
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
사람이 운전을 더 잘할 수 있게 해주죠.
11:02
But in the future,
231
650920
1256
하지만 미래에는 소프트웨어가
운전석의 사람을 대체할 것입니다.
운전석의 사람을 대체할 것입니다.
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
그리고 위성항법 시스템은
더 이상 사람을 돕지 않고
더 이상 사람을 돕지 않고
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
대신 기계를 도우면서 무인 자동차의
효율성을 더욱 높이게 될 것입니다.
효율성을 더욱 높이게 될 것입니다.
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
11:12
helping the machines instead.
235
660840
1536
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
이미 말씀드렸던 간접적 방식의
상보성 사례도 살펴볼까요.
상보성 사례도 살펴볼까요.
11:18
The economic pie may get larger,
237
666480
1776
경제 파이의 크기는 커지겠지만
11:20
but as machines become more capable,
238
668280
1736
기계의 능력이 발전함에 따라
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
새롭게 생기는 수요들도 모두 사람보다는
기계가 감당할 가능성이 높습니다.
기계가 감당할 가능성이 높습니다.
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
11:27
The economic pie may change,
241
675880
1896
경제 파이는 변화하지만
11:29
but as machines become more capable,
242
677800
1896
기계의 능력이 발전함에 따라
11:31
it's possible that they'll be best placed
to do the new tasks that have to be done.
to do the new tasks that have to be done.
243
679720
4856
새로운 일거리도 기계가 모두
차지할 가능성이 높습니다.
차지할 가능성이 높습니다.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
한 마디로, 일에 대한 수요는
인간 노동에 대한 수요가 아닙니다.
인간 노동에 대한 수요가 아닙니다.
11:40
Human beings only stand to benefit
245
688320
1936
상보성 원리로 인간이 혜택을 보려면
인간이 주도권을 가지고 있어야 합니다.
인간이 주도권을 가지고 있어야 합니다.
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
하지만 기계가 점점 유능해지면서
그럴 가능성은 적어 보입니다.
그럴 가능성은 적어 보입니다.
11:50
So what do these three myths tell us then?
248
698760
2016
그럼 이 세 가지 미신이
의미하는 바는 뭘까요?
의미하는 바는 뭘까요?
11:52
Well, resolving the Terminator myth
249
700800
1696
터미네이터 미신을 통해
11:54
shows us that the future of work depends
upon this balance between two forces:
upon this balance between two forces:
250
702520
3696
우리는 일의 미래가 두 힘의
균형에 따라 달라짐을 알았습니다.
균형에 따라 달라짐을 알았습니다.
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
하나는 기계가 인간을 대체하며
일자리를 빼앗는 힘이고
일자리를 빼앗는 힘이고
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
다른 하나는 인간을 도우며
일자리를 만드는 힘입니다.
일자리를 만드는 힘입니다.
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
지금까지는 인간에게 도움이
되는 쪽으로 균형이 맞았습니다.
되는 쪽으로 균형이 맞았습니다.
12:09
But resolving the intelligence myth
254
717120
1736
하지만 지능 미신을 통해
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
우리는 기계가 인간을 대신하려는 힘이
점차 강해지고 있음을 알았습니다.
점차 강해지고 있음을 알았습니다.
12:13
is gathering strength.
256
721400
1296
12:14
Machines, of course, can't do everything,
257
722720
1976
물론, 기계가 모든 걸 할 순 없죠.
하지만 더 많은 일을 할 것입니다.
하지만 더 많은 일을 할 것입니다.
12:16
but they can do far more,
258
724720
1256
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
인간만이 할 수 있다고 여겼던
영역까지 침범하면서 말이죠.
영역까지 침범하면서 말이죠.
12:22
What's more, there's no reason to think
260
730600
1896
더군다나 현재 인간의 능력 정도가
기계의 한계라고 장담할 수도 없습니다.
기계의 한계라고 장담할 수도 없습니다.
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
12:26
represents any sort of finishing line,
262
734760
1856
일단 기계가 우리만큼 유능해지면
인간의 한계를 뛰어넘게 될 테니까요.
인간의 한계를 뛰어넘게 될 테니까요.
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
12:30
once they're as capable as us.
264
738920
1816
12:32
Now, none of this matters
265
740760
1536
물론, 큰 문제는 아닐 수 있습니다.
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
상보성 원리의 긍정적 바람이
강하게만 분다면 말이죠.
강하게만 분다면 말이죠.
12:37
blow firmly enough,
267
745160
1736
12:38
but resolving the superiority myth
268
746920
1936
하지만 우월성 미신을 통해
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
기계가 인간의 영역을 침해하는 과정에서
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
인간을 대체하는 힘은 커지지만
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
긍정적 상보성 원리는
약화되는 것을 알게 됐습니다.
약화되는 것을 알게 됐습니다.
12:51
Bring these three myths together
272
759320
1936
이들 세 가지 미신을 동시에 놓고 보면
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
미래의 문제를 조금이나마
엿볼 수 있습니다.
엿볼 수 있습니다.
기계는 점점 유능해질 것입니다.
12:56
Machines continue to become more capable,
274
764240
2016
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
인간이 했던 일을 점차
대신하게 될 것입니다.
대신하게 될 것입니다.
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
기계가 인간을 대체하는 힘은 커지고
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
상보성 원리는 힘을 잃을 것입니다.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
그러다 어느 순간, 균형의 추가
사람에서 기계로 기울 것입니다.
사람에서 기계로 기울 것입니다.
13:12
rather than human beings.
279
780520
2056
13:14
This is the path we're currently on.
280
782600
1736
이것이 현재 우리가 가고 있는 길입니다.
13:16
I say "path" deliberately,
because I don't think we're there yet,
because I don't think we're there yet,
281
784360
3176
"길"이라는 용어를 쓴 이유는
아직 도달하지는 않았지만
아직 도달하지는 않았지만
13:19
but it is hard to avoid the conclusion
that this is our direction of travel.
that this is our direction of travel.
282
787560
3640
여정이 이대로 흘러갈 거라는
사실을 부인하기 힘들기 때문입니다.
사실을 부인하기 힘들기 때문입니다.
13:24
That's the troubling part.
283
792640
1456
문제는 바로 이런 것들입니다.
13:26
Let me say now why I think actually
this is a good problem to have.
this is a good problem to have.
284
794120
3520
하지만 이 문제는 우리에게 즐거운 일입니다.
그 이유를 말해드리죠.
그 이유를 말해드리죠.
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
인류 역사를 볼 때, 경제 측면에서
늘 따라다니는 문제 하나가 있습니다.
늘 따라다니는 문제 하나가 있습니다.
13:34
how to make the economic pie
large enough for everyone to live on.
large enough for everyone to live on.
286
802080
4056
우리 모두가 살만큼 경제파이의 크기를
어떻게 키울 것인가 하는 것입니다.
어떻게 키울 것인가 하는 것입니다.
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
기원후 1세기 무렵을 생각해보죠.
13:40
and if you took the global economic pie
288
808360
2096
그 시대의 경제 파이를
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
그 때 살았던 모두에게
공평하게 나누어준다면
공평하게 나누어준다면
13:45
everyone would get a few hundred dollars.
290
813800
2136
각자 몇백 달러 정도 받을 겁니다.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
거의 모두가 최저 생계를
유지하는 정도죠.
유지하는 정도죠.
13:51
And if you roll forward a thousand years,
292
819320
2176
그로부터 1000년 후에도
사정은 거의 같았습니다.
사정은 거의 같았습니다.
13:53
roughly the same is true.
293
821520
1240
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
하지만 최근 수백 년 동안
경제는 급격히 성장했습니다.
경제는 급격히 성장했습니다.
13:59
Those economic pies have exploded in size.
295
827280
2376
폭발적인 규모로 성장했죠.
14:01
Global GDP per head,
296
829680
2056
전 세계의 1인당 GDP,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
쉽게 말해 오늘날 각자가
가지는 파이 한 조각은
가지는 파이 한 조각은
14:07
they're about 10,150 dollars.
298
835160
2816
약 10,150 달러입니다.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
앞으로 경제성장이 2%씩 지속된다면
14:12
our children will be twice as rich as us.
300
840720
2056
우리 아이들은 우리보다
두 배 정도 부유해질 것입니다.
두 배 정도 부유해질 것입니다.
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
경제가 1%씩 성장한다고 쳐도
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
우리 손자들은 우리보다
두 배 정도 부유해질 것입니다.
두 배 정도 부유해질 것입니다.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
우리는 전통적 경제문제를
비교적 잘 해결해왔습니다.
비교적 잘 해결해왔습니다.
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
기술 진보로 실업 문제가 생기더라도
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
어떻게든 성공적으로 해결할지 모릅니다.
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
파이를 키우는 문제가 해결되더라도
14:34
but replaced it with another --
307
862360
1816
또 다른 문제가 생길 거예요.
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
어떻게 하면 모두가 파이를
나눠 가질 수 있느냐는 것입니다.
나눠 가질 수 있느냐는 것입니다.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
경제학자들의 지적한 대로
이 문제는 해결이 쉽지 않을 겁니다.
이 문제는 해결이 쉽지 않을 겁니다.
14:43
Today, for most people,
310
871360
1656
오늘날, 대부분의 사람들은
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
직업을 가짐으로써 경제 안에서
자신의 몫을 얻고 있습니다.
자신의 몫을 얻고 있습니다.
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
하지만 일이 적어지거나
심지어는 없는 세상에서
심지어는 없는 세상에서
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
어떻게 제 몫을 얻을 수
있을지가 의문입니다.
있을지가 의문입니다.
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
지금 많이 논의되고 있는 것은
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
해결 방안의 하나로서 다양한 형태의
기본소득을 두는 방법입니다.
기본소득을 두는 방법입니다.
14:57
as one possible approach,
316
885160
1216
14:58
and there's trials underway
317
886400
1616
기본소득에 대한 시도가
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
미국과 핀란드, 케냐에서
진행중에 있기도 하죠.
진행중에 있기도 하죠.
15:03
And this is the collective challenge
that's right in front of us,
that's right in front of us,
319
891000
3176
이것이 우리 모두에게 주어진
당면 과제입니다.
당면 과제입니다.
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
새로운 경제 시스템이 가져올
물질적 풍요를
물질적 풍요를
15:11
can be enjoyed by everyone
321
899280
1976
모두가 누리는 방법을 찾아야 하죠.
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
파이를 나누는 기존 방식이
더 이상 통하지 않고
더 이상 통하지 않고
15:15
for slicing up the pie,
323
903720
1856
15:17
the work that people do,
324
905600
1936
인간이 할 일이 점자 줄어들어
15:19
withers away and perhaps disappears.
325
907560
2160
완전히 사라진 세상에서 말입니다.
15:22
Solving this problem is going to require
us to think in very different ways.
us to think in very different ways.
326
910280
4360
이 문제를 해결하려면 완전히
다른 방식으로 생각해야 합니다.
다른 방식으로 생각해야 합니다.
15:27
There's going to be a lot of disagreement
about what ought to be done,
about what ought to be done,
327
915400
4176
해결 방안에 대한
반발도 많을 것입니다.
반발도 많을 것입니다.
15:31
but it's important to remember
that this is a far better problem to have
that this is a far better problem to have
328
919600
3416
하지만 중요한 사실은
이 문제는 즐거운 일이라는 겁니다.
이 문제는 즐거운 일이라는 겁니다.
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
어떻게 하면 파이를
충분히 키울 수 있을까 하고
충분히 키울 수 있을까 하고
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
수세기 동안 고민했던
선조들에 비해서 말이죠.
선조들에 비해서 말이죠.
15:41
Thank you very much.
331
929280
1256
감사합니다.
15:42
(Applause)
332
930560
3840
(박수)
ABOUT THE SPEAKER
Daniel Susskind - EconomistDaniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society.
Why you should listen
Daniel Susskind is the co-author, with Richard Susskind, of the best-selling book, The Future of the Professions, and a Fellow in Economics at Balliol College, Oxford University. He is currently finishing his latest book, on the future of work. Previously, he worked in the British Government -- as a policy adviser in the Prime Minister's Strategy Unit, as a policy analyst in the Policy Unit in 10 Downing Street, and as a senior policy adviser in the Cabinet Office. Susskind received a doctorate in economics from Oxford University and was a Kennedy Scholar at Harvard University.
Daniel Susskind | Speaker | TED.com