AI-Native Series · Happy College

당신의 점프 슛이 곧 커리큘럼이다. Happy College에 오신 것을 환영한다.

글쓴이 Paul Jialiang Wu · agentic-portfolio-lovat.vercel.app · 2026-07-30

1분 요약 — 여기서 얻어갈 것

훈련할 때마다 당신은 이미 세상에서 가장 뛰어난 학습 알고리즘을 실행하고 있다. 시도하고, 솔직한 피드백을 받고, 조정하고, 다시 시도한다. 언제나 자신의 한계에서. Happy College는 그 루프를 기술적인 주제에 겨냥하는 AI 독서 클럽이다. 그대로 훔쳐 쓸 수 있는 스포츠-머신러닝 대응 관계, 훈련 방법으로 삼는 ADEPT(Kalid Azad의 다섯 동작 방법론이자 Feynman식 가르침의 정신을 담은 방식), 그리고 검증된 읽기 목록·살아 있는 지식 그래프·티치백 스파링으로 이루어진 AI 스택까지. 이 모든 것이 어우러져 매 세션은 주석이 아니라 결과물로 끝난다.

이 모든 것을 하나로 묶는 규칙은 소프트웨어를 검증하는 방식에서 빌려왔다. 증거가 없으면 인정하지 않는다는 것. ~7분 분량.

Your jump shot is your syllabus — Happy College, the AI reading club that trains technical subjects like sport — 당신이 이미 훈련해본 여섯 가지. 기술 학습에 필요한 여섯 가지 메커니즘. 같은 루프다.

당신은 이미 선형대수보다 어려운 무언가를 익혔다

어쩌면 마침내 림을 스치지 않고 깨끗이 들어가기 시작한 점프 슛이었을지 모른다. 눈을 감고도 걸 수 있는 암바 이스케이프. 플립 턴, 깨끗한 비브라토, 서른 번은 떨어졌던 V4 문제의 크럭스 무브. 수천 번의 반복. 가혹하리만치 즉각적인 피드백. 그리고, 솔직히 말하자면,즐거움.

그걸 공부라고 부른 사람은 없었다. 바로 그게 문제다.

학교가 우리에게 가르친 거짓말

학교는 기술적인 내용을 배운다는 것이 가만히 앉아 정보가 나에게 일어나기를 기다리는 일이라고 가르쳤다. 하지만 몸은 더 잘 안다. 당신이 지닌 힘든 신체 기술은 모두 같은 루프로 만들어졌다. 바로 시도 → 솔직한 피드백 → 작은 조정 → 다시 시도, 그것도 자기 실력의 한계에서.

학습과학은 이런 요소들에 이름을 붙여놓았다. 바로 의도적 연습(deliberate practice) [1], 인출 연습 [2], 바람직한 어려움(desirable difficulties) [3], 그리고 근접발달영역(zone of proximal development) [4]이다. 농구 코트는 이 모든 것을 원래부터 갖추고 있다. 강의실은 그중 어느 것도 갖추고 있지 않다. 딱 하나, 강의실은 절대 주지 못하는 것을 체육관은 준다. 바로 반박할 수 없는 피드백 루프다. 골대는 당신의 핑계를 신경 쓰지 않는다. 물은 곡선으로 채점하지 않는다. 탭아웃과는 협상할 수 없다.

나는 두 가지 자격으로 이 말을 한다. 하나는 박사 학위이고, 다른 하나는 나보다 작고 침착한 사람들 손에 십 년간 종이처럼 접혀본 경험이다. 첫 번째 기관은 학비로 억대에 달하는 돈을 청구하고 12월에 성적표를 우편으로 보냈다. 두 번째 기관은 한 달에 150달러를 청구하고 6분마다 내 팔을 시각 자료 삼아 진실을 알려주었다. 그중 그 수업에 즉시 재등록해준 쪽은 딱 하나뿐이었다 — 졸업장이 멍자국인 바로 그쪽이다.

그러니 질문은 "농구를 하면서 트랜스포머를 배울 수 있을까?"가 아니다. 더 예리한 질문은 따로 있다. 당신은 훈련할 때마다 이미 세상 최고의 학습 알고리즘을 실행하고 있으며, Happy College는 그것을 기술적 주제로 겨냥할 뿐이다.

매핑 (그냥 훔쳐 써도 된다)

Mapping table: free throws to frozen evals, MMA sparring to red-teaming, swimming to simplification, slow music practice to curriculum learning, singing to unfakeable evals, climbing to zone of proximal development — 클럽의 헌법: 모든 공부 세션은 훈련 세션처럼 느껴져야 한다.

이 표는 눈에 새겨두어야 한다. 모든 공부 세션에는 세 열이 다 있어야 한다. 반복, 반박할 수 없는 피드백, 그리고 실제로 자기 한계에서 하는 것.

패턴

고정된 평가(frozen eval). 고정된 목표를 상대로 반복한다. 시험이 봐주려고 움직이는 법은 없다.
가르치며 겨루기. 상대의 날 선 질문에 맞서 설명해봐야 자신이 실제로 무엇을 아는지 드러난다.
세션당 결과물. 진전의 단위는 밑줄 친 페이지가 아니라 직접 만든 무언가다.
AI는 스파링 상대, 인간은 검증자. 기계가 후보 수를 대량으로 만들어내게 하고, 호루라기는 내가 쥔다.

안티패턴

골대 옮기기. 진전의 느낌을 지키려고 시험(더 쉬운 문제, 더 관대한 심사)을 바꾸는 것.
남의 경기 영상 보기. 강의를 다시 읽고 다시 보면 훈련하는 기분은 나지만, 그 효과는 직접 뛰는 것이 아니라 구경하는 것에 가깝다 [2].
기계의 증명을 통째로 믿는 것. AI의 출력은 후보일 뿐 결코 판결이 아니다. 아래 등장하는 내부자들은 이를 몸으로 배웠다.
결과물 없는 필기. 다시 펼쳐보지 않는 노트는 다시 가지 않는 헬스장 회원권이나 마찬가지다.

방법론: ADEPT, 제대로 하기

개념 단위의 드릴은 ADEPT다. 만든 사람은 BetterExplained의 Kalid Azad [5]이며, Richard Feynman의 교습 스타일을 이어받았다. 어떤 개념을 친구가 따라올 수 있는 비유로 풀어내지 못한다면, 아직 그것을 제대로 소유한 게 아니라는 정신이다.

AA — 비유(Analogy). 읽기만 한 게 아니라 직접 훈련한, 직접 훈련한 것에 새로운 개념을 고정한다는 뜻이다 (그냥 읽은 게 아니라)
Diagram, 즉 다이어그램 — 그려본다; 그릴 수 없다면 아직 보이지 않는다는 뜻이다
Example, 즉 예시 — 구체적인 사례 하나를 처음부터 끝까지 돌려본다
Plain language, 즉 쉬운 말 — 스파링 파트너에게 설명한다, 전문용어는 금지
Technical, 즉 기술적 정의 — 진짜 정의를 비유에 항목별로 다시 매핑한다

attention에 60초짜리 ADEPT를 적용해보자. 현대 AI 모델 내부에 있는 이 메커니즘은 포인트가드가 공을 몰고 올라오며 코트를 읽는 것과 같다 (비유). 모든 팀원이 저마다 다른 정도로 오픈된 채 손을 흔들고 있고, 패스는 대체로 가장 오픈된 선수에게 가지만, 가드의 판단은 결국 모두를 가중치로 섞은 결과다 (쉬운 말). 다섯 명의 선수를 그리고, 오픈된 정도에 비례해 화살표를 굵게 그려본다 (다이어그램). 플레이를 하나 돌려보자: "the cat sat on the ___" — 모델은 앞선 어떤 단어들을 참조하는가? (예시). 기술적으로 말하면 각 단어는 query를 하나 내놓고, 모든 단어는 key를 하나 제공하는데, 이 둘의 매칭 점수를 softmax로 처리해 value들을 가중합한다 —softmax(QKᵀ/√d)V 쿼리는 가드의 판단이고, 키는 각 팀원이 얼마나 오픈되어 있는지이며, 밸류는 각 팀원이 공을 받으면 실제로 하는 행동이다 (기술적 정의, 항목 대 항목 대응).

이것으로 한 세트가 끝난다. 한 세션에는 이런 세트가 여러 번 돌아간다.

현존 최고의 수학자들은 이미 이렇게 훈련한다

이건 언젠가 통하길 바라며 던져본 비유가 아니다. 실제로 연구 수준의 수학은 이 방식으로 굴러가기 시작했다 [6]. Ernest Ryu가 42년 묵은 미해결 문제 — Nesterov 가속 방법의 수렴성 — 을 풀 때, 모델은 그에게 틀린 완전한 증명을 계속 내놓았는데, 그 증명 안에는 맞는 중간 보조정리들이 섞여 있었다. 그는 모델과 스파링을 벌였다. 공격하고, 검증하고, 살아남는 것만 남긴다. 그가 내린 판정은 이랬다: "The use of ChatGPT really accelerated the discovery." (번역: "ChatGPT의 활용이 발견을 정말로 가속시켰다.") [6] 기계는 물량을 쏟아냈고, 호루라기는 인간이 쥐고 있었다.

DeepMind의 AlphaEvolve가 Bruhat 구간 안에 숨어 있던 하이퍼큐브 구조를 찾아냈을 때, 수학자 Geordie Williamson은 이렇게 말했다: "It's a structure that's been sitting there for 50 years in front of our nose. We just hadn't noticed it." (번역: "그건 50년 동안 우리 코앞에 놓여 있던 구조다. 우리가 그저 알아차리지 못했을 뿐이다.") [6] 전문가들이 조용히 읽어온 세월이 50년이었지만, 고강도로 반복만 돌린 시스템 하나는 그 관전으로는 결코 보이지 않던 것을 찾아냈다.

그리고 Terence Tao는 이런 시스템들이 실제로 무엇에 쓸모 있는지에 대해 이렇게 말했다: 이들은 "very good at scouring big lists of problems for low-hanging fruit. It's tedious and thankless and not something humans want to do." (번역: "쉽게 딸 수 있는 열매를 찾아 방대한 문제 목록을 훑는 데 아주 능하다. 지루하고 보람도 없는, 인간이 하고 싶어 하지 않는 일이다.") [6] 필즈상 수상자가 자신의 AI를 묘사하는 이 방식은 복서가 헤비백을 묘사하는 방식과 정확히 같다 — 혼자서는 결코 훈련하지 않을 부분을 무한히 대신 반복해 주는 상대. 그 메커니즘을 한 문장으로 요약하면: AI는 시도를 값싸게 만들고, 정직한 검증은 그 시도들을 의미 있게 만들며, 인간은 안목을 제공한다.

AI 스택 (이 부분은 5년 전만 해도 존재하지 않았다)

단체 채팅방이 있는 독서 모임은 그냥 북클럽이다. Happy College는 훈련장이다. 이제는 그럴 도구가 실제로 존재하기 때문이다:

검증된 커리큘럼, 링크 모음이 아니다. 커뮤니티 리딩 리스트 트랙 (AI와 AI-for-research는 지금 있고, 수학·물리·CS·생명과학은 다음 차례다): 모든 링크는 기계 검증을 거치고, 모든 항목은 Statement · Quote · Evidence · Actions · Patterns · 1st Principle을 갖추며, 빠진 부분은 솔직하게 표시한다.
죽은 노트가 아니라 살아있는 지식이다. /living-knowledge 그리고 /graphify 같은 스킬은 매 세션을 신선함이 유지되는 지식 그래프로 바꿔놓는다. 다시 열어보지 않을 노트가 아니라, 언제든 질의할 수 있는 지도인 셈이다.
당신의 변화를 좇는 트윈이다. 우리의 참여 엔진은 두 자아를 모델링한다. 습관이 만들어가는 자아와 당신이 의도하는 자아, 이 둘 사이의 간극을 커리큘럼으로 삼는 것이다.
한 세션 안에서 청취자는 참여자가 되고, 참여자는 창작자가 된다. 클럽의 졸업 기준은 이렇다: attention을read about(번역: ~에 대해 읽어보는 것)하는 데서 끝내지 않는다. 가르쳐보고, 스파링을 당해보고, 그것으로 작은 아티팩트를 하나 만들어봐야 비로소 떠날 수 있다.
문은 하나뿐이다. allin-anything 은 어떤 의도든 — "이 논문을 완전히 이해하라" 같은 것도 — 알맞은 도구로 라우팅해준다. 그래서 도구가 당신과 반복 훈련 사이를 가로막는 일이 없다.

실제 세션은 이렇게 진행된다 (60분)

웜업 (5분): 복습이 아니라 인출 연습이다. 지난주 기억나는 것을 아무것도 보지 않고 써본다 [2]. 그렇다, 이건 깜짝 퀴즈다. 이름만 바꿨을 뿐이다. "자발적 고통"이라는 상품은 아무도 팔지 않지만 크로스핏은 누구나 파는 것과 같은 이유에서다.
ADEPT 스프린트 (20분): 하나의 개념, 다섯 가지 동작, 그리고 항목별 대응 매핑으로 마무리한다.
스파링 (20분): 짝을 이룬다. 당신이 가르치고, 파트너는 "이러면 어떻게 깨지나요?" 같은 질문으로 공격한다. 탭아웃은 패배가 아니라 데이터다.
빌드 렙 (10분): 작은 아티팩트를 하나 만든다. 코드 20줄, 다이어그램 하나, 예제 풀이 하나면 충분하다. 필기하는 사람이 아니라 만드는 사람이 되는 시간이다.
로그 (5분):그 결과물은 살아있는 지식 그래프에 기록되고, 다음 주 웜업은 이 기록에서 이어진다.

당신은 필기가 아니라 결과물을 들고 나간다. 지표는 이진적이며 공개된다: 세션마다 회원 한 명당 결과물 하나, 예외는 없다. 연속 기록은 추적되지만, 변명은 단위가 아니다.

참여하기

Happy College는 대학이 원래 되어야 했던 모습이다: 체육관의 즐거움, 실험실의 엄격함, 그리고 엘리트 운동선수들이 늘 가졌던 것 — 코치, 스파링 상대, 거짓말하지 않는 스코어보드 — 을 모든 학습자에게 주는 AI 스택.

우리가 시작한 곳에서 시작하라: AI 읽기 목록에서 하나를 골라, 당신이 익힌 것 중 가장 어려웠던 신체 기술을 가져와, 하나를 다른 하나에 대응시킬 준비를 하고 오라. 첫 코호트에 참여하고 싶은가? 이 페이지 상단의 ✉️ Free list 버튼을 이용하라.

당신의 점프 슛이 곧 커리큘럼이다. Happy College에서 만나자.

참고문헌

생존 테스트로 선별했다: 각 문헌은 한 번의 유행이 아니라 수십 년간의 반복 검증과 실천을 견뎌내며 하중을 버텨온 것들이다.

Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. (전문가 수행 능력 습득에서 의도적 연습의 역할) Psychological Review, 100(3), 363–406. doi:10.1037/0033-295X.100.3.363
Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. (시험이 강화하는 학습: 기억 테스트가 장기 기억 유지를 향상시킨다) Psychological Science, 17(3), 249–255. doi:10.1111/j.1467-9280.2006.01693.x
Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. (좋은 방식으로 스스로를 힘들게 하기: 학습을 향상시키는 바람직한 어려움 만들기) In M. A. Gernsbacher et al. (Eds.), Psychology and the Real World (pp. 56–64). Worth Publishers.
Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press.
Azad, K. 어려운 개념을 ADEPT 방법으로 배우는 법. BetterExplained. betterexplained.com/articles/adept-method
수학계에 AI 혁명이 도래했다. Quanta Magazine (2026). quantamagazine.org — Ryu, Williamson, Tao의 인용문 출처, 원문 그대로 검증됨.

Paul Jialiang Wu · AI-Native Series · v1.1 (2026-07-30): 이 글이 우리 자체의 5-S 리뷰를 통과하지 못한 뒤 참고문헌과 인사이더들의 원문 그대로의 인용문을 추가했다. 그 채점표는 FM-os repo에 공개되어 있다. 우리는 우리가 만든 사료를 직접 먹는다, 야채도 예외 없이.