667. 왜? 의 책: 인과의 새로운 과학(The Book of Why: The New Science of Cause and Effect)

1. 개요

 

"인공지능은 왜 원인과 결과를 이해해야 할까요?" 2011년 컴퓨터 과학의 노벨상이라 불리는 “튜링”상을 수상한 “주디아 펄”(Judea Pearl 1936~)은 이 질문에 답하기 위해 평생을 바쳤습니다. 그가 주창한 ‘인과관계 이론’(Causal Inference)은 단순한 데이터 분석을 넘어 기계가 인간처럼 "왜?"라는 질문을 던지도록 혁명을 일으켰으며 인공지능이 예측에서 설명으로 나아가는 길을 열었습니다. 1936년 9월 4일 이스라엘 텔아비브에서 태어나 테크니온 이스라엘 공과대학에서 전기공학을 전공했으며 뉴저지 공과대학에서 전기공학 석사학위를, 뉴욕 대학교에서 전기공학 박사학위를 취득한 후 1970년 UCLA 교수로 부임하여 50년 이상 인공지능 연구에 매진하였습니다.

 

1980년대 그는 ‘베이지안 네트워크’(Bayesian Network)를 개발하며 첫 번째 업적을 남겼는데 이는 확률 변수 간의 인과 관계를 방향성 그래프로 표현해 복잡한 시스템의 불확실성을 계산하는 기본 개념으로 예를 들면 증상(발열) → 질병(독감)의 관계를 모델링해 진단 정확도를 향상합니다. 구글의 자율주행차가 장애물을 회피하는 결정 구조와 스팸 메일 필터링 알고리즘의 기반으로 응용되며 "기계가 확률을 이해하게 했다"는 평가를 받으며 AI의 추론 능력을 혁신했습니다. 그의 이론은 단순 기술을 넘어 철학적 전환을 이끌었는데 코호트 연구에서 랜덤화 비교시험(RCT)의 한계를 보완해 윤리적 제약 없는 인과 분석이 가능한 의료 혁명을 불러왔으며 딥러닝이 패턴 인식에 머무르는 동안 인과 모델은 설명 가능한 AI(XAI)의 기반이 되는 머신 러닝의 한계를 극복하였습니다.

 

그는 현재 UCLA 인과추론연구소에서 “메타-인과성”(원인의 원인 탐구)을 탐구 중입니다. “주디아 펄”은 인공지능이 단순한 예측 도구를 넘어 인간의 사유를 닮은 존재로 성장할 수 있는 길을 열었습니다. 그의 업적은 기술적 돌파를 넘어 인간이 세계를 이해하는 방식 자체를 재 정의했는데 오늘날 “ChatGPT”, “딥시크” 등 인공지능이 생성한 답변의 신뢰성을 평가할 때 “펄”의 인과론이 더욱 중요해질 것입니다. 진정한 지성은 답이 아닌 질문의 힘에 있으며 “주디아 펄”은 기계에게 그 힘을 선물했습니다.

 

1-1. 지능형 시스템의 확률적 추론(Probabilistic Reasoning in Intelligent Systems 1988)

‘베이지안 네트워크’(Bayesian Network)를 체계화한 최초의 교과서로 복잡한 시스템의 변수 간 조건부 확률을 그래프 구조로 표현하는 방법을 설명하며 전파 알고리즘을 이용해 효율적인 확률적 추론 체계를 구축합니다. AI가 불완전한 정보 속에서도 합리적 결정을 내릴 수 있는 기반을 마련하였으며 현대 머신러닝, 진단 시스템(의료/엔지니어링), 스팸 필터링 기술에 직접적 영향을 주었습니다. "지식은 확률의 형태로 존재하며, 그래프는 그 지식을 조직화하는 언어다."라는 명언이 포함되어 있습니다.

 

1-2. 인과성: 모델, 추론 및 추론(Causality: Models, Reasoning, and Inference 2000)

인과 다이어그램(Causal Diagram)과 do-연산자(do-calculus)를 수학적으로 정립하였습니다. 인과의 3단계 사다리(관측 → 개입 → 반사실)를 이론적으로 체계화하였으며 편향(bias)을 제거한 인과 효과 측정을 위한 구조적 인과 모델(SCM)을 제안하였습니다. 기존 통계학의 상관관계 중심 한계를 극복한 인과추론 방법론의 표준으로 자리 잡으며 의학 임상시험, 경제 정책 평가, 사회과학 연구의 패러다임에 변화를 불러왔습니다. 흡연과 폐암의 인과 관계 입증에 활용되며 교육 수준과 소득 간 관계에서 숨겨진 변수(예: 가족 배경)의 영향을 분석합니다.

 

1-3. 왜? 의 책: 인과의 새로운 과학(The Book of Why: The New Science of Cause and Effect 2018)

인과관계 과학을 대중에게 알린 교양서로 역사적 사례(흑사병 원인 분석, 담배 논쟁)를 통해 인과적 사고의 중요성 강조합니다. 인과 혁명(Causal Revolution)이 AI, 빅 데이터, 과학 연구에 미치는 영향을 상세히 설명하며 "데이터는 답을 알려주지만 올바른 질문을 하지 않으면 속일 수 있다"라는 경고도 합니다. 일반 독자도 인과관계 분석의 핵심 도구(예: 랜덤화 실험, 도구 변수)를 이해할 수 있게 구성되어 있으며 설명 가능한 AI(XAI) 필요성 대두에 기여하였습니다.

2. 내용

 

현대 인공지능과 데이터 과학은 엄청난 발전을 이루었지만 여전히 해결하지 못한 중요한 질문이 있는데 바로 "왜?"라는 질문입니다. 머신러닝 모델은 방대한 데이터를 기반으로 예측을 수행할 수 있지만 특정 사건이 왜 발생했는지를 설명하지는 못합니다. 이러한 한계를 극복하고자 “Judea Pearl”은 이 작품을 통해 인과관계 추론의 필요성을 강조하며 이를 실현할 수 있는 방법론을 제시합니다.

 

2-1. 상관관계 vs. 인과관계

통계학에서 자주 언급되는 격언 중 하나는 "상관관계는 인과관계를 의미하지 않는다"라는 것으로 두 변수 간에 상관관계가 있다고 해서 한 변수가 다른 변수의 원인이 된다고 단정할 수 없습니다. 예를 들어 아이스크림 판매량과 익사 사고 건수 사이에 상관관계가 있다 하더라도 아이스크림이 익사를 유발한다고 결론짓는 것은 잘못된 판단입니다. 실제 원인은 여름철 기온 상승이라는 숨겨진 요인이며 그는 이러한 한계를 극복하기 위해 기존의 통계적 접근법을 넘어 인과 추론(Causal Inference)의 필요성을 주장합니다.

 

2-2. 인과추론의 세 가지 단계: "인과 사다리"

그는 인간의 사고방식이 단순한 패턴 인식에서 벗어나 인과 관계를 이해하는 방향으로 발전해 왔다고 설명하는데 이를 "인과 사다리“(Causal Ladder)라는 개념으로 정리하며 인과추론의 세 가지 주요 단계를 제시합니다.

2-2-1. 연관(Association)

패턴을 인식하는 단계로 대부분의 머신러닝 모델이 수행하는 역할입니다. 예를 들어 "비가 올 때 길이 젖는다"는 경험적인 패턴을 학습하는 것입니다.

2-2-2. 개입(Intervention)

특정 변수를 조작했을 때 결과가 어떻게 변하는지를 분석하는 단계로 예를 들어 "우산을 들고 다니면 옷이 덜 젖는가?"라는 질문에 답하기 위해 실험을 설계할 수 있습니다.

2-2-3. 반사실적 사고(Counterfactual Thinking)

과거에 일어나지 않은 사건을 가정하고 그 결과를 추론하는 단계로 예를 들어 "어제 우산을 챙겼다면 덜 젖었을까?"라는 질문을 하는 것입니다. 이러한 세 단계는 점점 더 복잡한 사고를 필요로 하며 현재의 인공지능 시스템이 아직 해결하지 못한 영역을 포함하고 있습니다.

 

2-3. 도표적 인과 모델(Structural Causal Model, SCM)

그는 인과추론을 체계적으로 정립하기 위해 “도표적 인과 모델”(SCM)을 제안했습니다. SCM은 변수들 간의 관계를 그래프로 표현하는 방법으로 인과 구조를 시각화하고 분석할 수 있게 합니다. SCM의 핵심 요소는 방향성이 있는 그래프(Directed Acyclic Graph, DAG)로 이는 변수들이 서로 어떻게 영향을 주고받는지를 직관적으로 나타냅니다. 예를 들어 "흡연 → 폐암"이라는 단순한 인과 그래프를 생각해 볼 수 있는데 이를 통해 단순한 상관관계를 넘어 원인과 결과를 명확히 구분할 수 있습니다.

 

2-4. 현대 과학과 인공지능에 미친 영향

“Pearl”의 인과추론 이론은 경제학, 사회과학, 의료 연구 등 다양한 분야에서 널리 활용되고 있으며 특히 인공지능과 머신러닝에서도 점점 더 큰 영향을 미치고 있습니다.

2-4-1. 의료 연구

임상시험에서 특정 치료법이 실제로 효과가 있는지 검증할 때 “Pearl”의 인과추론 기법이 사용되는데 단순한 관찰 데이터가 아닌 개입의 효과를 분석할 수 있기 때문입니다.

2-4-2. 정책 결정

정부 정책이 실제로 시민들의 삶에 긍정적인 영향을 미치는지 분석하는 데 활용됩니다. 예를 들어 새로운 교육 프로그램이 학생들의 성취도를 향상하는지 평가할 때 유용합니다.

2-4-3. 강화학습(Reinforcement Learning)

AI가 환경과 상호작용하면서 최적의 결정을 내리는 과정에서 인과추론은 필수적입니다. 기존의 딥 러닝 모델은 패턴 인식에 의존하지만 “Pearl”의 접근법을 적용하면 AI가 보다 인간과 유사한 방식으로 사고할 수 있습니다.

 

2-5. 데이터 중심 접근법의 한계 극복

최근 몇 년 동안 데이터 중심의 AI가 비약적인 발전을 이루었지만 여전히 인과추론의 부족으로 인해 한계를 보이고 있는데 예를 들어 자율주행 자동차가 갑자기 나타난 장애물을 피하는 데 있어 단순한 패턴 인식만으로는 충분하지 않습니다. “Pearl”은 AI가 인간 수준의 지능을 갖추기 위해서는 인과추론 능력을 내재화해야 한다고 주장합니다. 즉 단순히 "A와 B가 자주 함께 발생한다"는 사실을 아는 것보다 "A가 B를 초래한다"는 관계를 이해하는 것이 중요하다는 것입니다.

 

3. 결론

 

이 작품은 데이터 중심의 사고방식에서 벗어나 인과추론이라는 새로운 패러다임을 제시하는 혁신적인 책으로 “Pearl”은 단순한 상관관계 분석이 아닌 실제로 세상을 이해하고 조작할 수 있는 도구를 제공합니다. 그의 이론은 의료, 정책, 인공지능 등 다양한 분야에서 큰 영향을 미치고 있으며 앞으로 AI 발전의 핵심 요소가 될 가능성이 높습니다. 결국 이 작품은 우리가 "왜?"라는 질문을 던질 수 있어야 하고 그에 대한 답을 찾기 위해 보다 정교한 방법론을 활용해야 한다는 중요한 메시지를 남깁니다. 인공지능이 진정한 지능을 갖추기 위해서는 단순한 데이터 분석을 넘어 인과추론을 탐구하는 방향으로 나아가야 한다는 점에서 이 책은 매우 가치 있는 통찰을 제공합니다.

 

 

 

 

"인과 관계를 이해하는 것은 단순히 미래를 예측하는 것을 넘어

우리가 세상을 움직일 수 있는 능력을 갖추는 것입니다."(주디아 펄)