3 myths about the future of work (and why they're not true) | Daniel Susskind

번역: YounJae Lee 검토: JY Kang

Automation anxiety has been spreading lately,

최근들어 자동화에 대한 우려의 목소리가 커지고 있습니다.

a fear that in the future,

미래에 대한 두려움이죠.

many jobs will be performed by machines

많은 직업 분야에서 로봇이 인간을 대체하게 될 것이고

rather than human beings,

given the remarkable advances that are unfolding

그것은 인공지능과 로봇 기술의 엄청난 발전 때문이라는 것입니다.

in artificial intelligence and robotics.

What's clear is that there will be significant change.

엄청난 변화가 있을 것은 분명합니다.

What's less clear is what that change will look like.

다만 그 변화의 모습이 어떨지는 분명하지 않죠.

My research suggests that the future is both troubling and exciting.

제 연구에 따르면 미래는 힘들지만 흥미로울 것입니다.

The threat of technological unemployment is real,

기술 발전으로 인해 직장을 잃을 위험은 있지만,

and yet it's a good problem to have.

이 문제는 우리에게 즐거운 일입니다.

And to explain how I came to that conclusion,

어떻게 이런 결론을 얻었는지 말씀드리기 위해서

I want to confront three myths

세 가지 미신을 반박하고자 합니다.

that I think are currently obscuring our vision of this automated future.

자동화의 미래를 이해하는 데에 걸림돌이 되는 미신들이죠.

A picture that we see on our television screens,

책이나 영화, 텔레비전 방송에서 쉽게 볼 수 있는 장면이 하나 있죠.

in books, in films, in everyday commentary

is one where an army of robots descends on the workplace

한 무리의 로봇이 작업장에 몰려듭니다.

with one goal in mind:

그들에겐 한 가지 목표가 있죠.

to displace human beings from their work.

그것은 바로 인간의 일자리를 빼앗겠다는 것입니다.

And I call this the Terminator myth.

이런 잘못된 생각을 저는 터미네이터 미신이라고 부릅니다.

Yes, machines displace human beings from particular tasks,

물론, 특정 업무는 기계가 인간을 대체할 것입니다.

but they don't just substitute for human beings.

하지만 완전히 인간을 대신할 순 없죠.

They also complement them in other tasks,

일부분 서로 보완함으로써

making that work more valuable and more important.

보다 가치있고 중요한 일을 할 수 있을 것입니다.

Sometimes they complement human beings directly,

우선 로봇은 직접적인 방식으로 인간을 도울 수 있습니다.

making them more productive or more efficient at a particular task.

더 생산적이고 효과적으로 일할 수 있도록 말이죠.

So a taxi driver can use a satnav system to navigate on unfamiliar roads.

택시 운전사는 위성항법의 도움으로 낯선 도로에서 길을 찾을 수 있습니다.

An architect can use computer-assisted design software

건축가는 컴퓨터 디자인 프로그램을 이용해

to design bigger, more complicated buildings.

더 크고 복잡한 건물을 디자인할 수 있습니다.

But technological progress doesn't just complement human beings directly.

하지만 기술의 진보가 직접적 방식으로만 인간을 돕는 것은 아닙니다.

It also complements them indirectly, and it does this in two ways.

간접적 방식으로 도울 수도 있죠. 여기엔 두 가지 방식이 있습니다.

The first is if we think of the economy as a pie,

첫 번째로, 경제를 파이에 비유해보면

technological progress makes the pie bigger.

기술의 진보는 파이를 더 크게 만듭니다.

As productivity increases, incomes rise and demand grows.

생산성이 커지면서 소득과 수요가 증가하죠.

The British pie, for instance,

영국의 경제를 예로 들면

is more than a hundred times the size it was 300 years ago.

3백년 전보다 100배 넘게 성장했습니다.

And so people displaced from tasks in the old pie

그래서 예전 파이에서 일자리를 잃은 사람들은

could find tasks to do in the new pie instead.

새로운 파이에서 일거리를 새로 찾을 수 있었죠.

But technological progress doesn't just make the pie bigger.

하지만 기술의 진보는 단순히 파이를 크게만 하지 않습니다.

It also changes the ingredients in the pie.

파이의 성분 또한 바꿔 놓습니다.

As time passes, people spend their income in different ways,

시간이 흐르면서 사람들의 소비 방식이 변화했습니다.

changing how they spread it across existing goods,

기존 상품에 지출하는 금액을 조절하고,

and developing tastes for entirely new goods, too.

새롭게 등장한 상품에 빠지기 시작했죠.

New industries are created,

새로운 산업이 등장하고, 새로운 업무가 생겼습니다.

new tasks have to be done

and that means often new roles have to be filled.

결국 새로운 일자리가 만들어진다는 것이죠.

So again, the British pie:

다시 영국 경제를 예로 들면,

300 years ago, most people worked on farms,

3백년 전에는 대부분 농장에서 일했습니다.

150 years ago, in factories,

150년 전에는 공장에서 일했죠.

and today, most people work in offices.

하지만 지금은 대부분이 사무실에서 일합니다.

And once again, people displaced from tasks in the old bit of pie

역시 마찬가지로, 예전 파이에서 일거리를 잃은 사람들은

could tumble into tasks in the new bit of pie instead.

새로운 파이에서 대신할 만한 일거리를 쉽게 찾을 수 있었죠.

Economists call these effects complementarities,

경제학자들은 이를 '상보성 효과'라고 부릅니다.

but really that's just a fancy word to capture the different way

뭔가 있어보이는 표현이지만, 이 용어에 담긴 뜻은

that technological progress helps human beings.

기술의 진보가 인간을 돕는다는 걸 말합니다.

Resolving this Terminator myth

터미네이터 미신을 들여다보면

shows us that there are two forces at play:

거기에 작용하는 두 가지 힘을 발견하게 됩니다.

one, machine substitution that harms workers,

하나는, 기계가 인간을 대신하려 위협하는 힘이고

but also these complementarities that do the opposite.

다른 하나는 상보성 효과로 새로운 일자리를 만드는 힘입니다.

Now the second myth,

이제 두 번째 미신을 살펴보죠. 바로, 지능에 관한 미신입니다.

what I call the intelligence myth.

What do the tasks of driving a car, making a medical diagnosis

차를 운전하거나 의학 진단을 내리는 일,

and identifying a bird at a fleeting glimpse have in common?

새의 종류를 한 눈에 식별하는 일, 이들의 공통점이 뭘까요?

Well, these are all tasks that until very recently,

네, 이들은 모두 최근까지도 쉽게 자동화될 수 없을 거라고

leading economists thought couldn't readily be automated.

저명한 경제학자들이 생각한 일들입니다.

And yet today, all of these tasks can be automated.

하지만 지금은 모두 자동화되었죠.

You know, all major car manufacturers have driverless car programs.

주요 자동차 회사들이 무인자동차를 개발하고 있고,

There's countless systems out there that can diagnose medical problems.

질병을 진단해주는 다양한 시스템이 이미 널려있습니다.

And there's even an app that can identify a bird

심지어는 한번에 새의 종류를 식별해주는 앱도 있습니다.

at a fleeting glimpse.

Now, this wasn't simply a case of bad luck on the part of economists.

경제학자들이 단순히 운이 나빠 예측이 틀린 것이 아닙니다.

They were wrong,

오판했던 것이죠.

and the reason why they were wrong is very important.

여기서 중요한 건 그들이 오판하게 된 이유입니다.

They've fallen for the intelligence myth,

그들은 지능에 관한 미신에 빠져 있었습니다.

the belief that machines have to copy the way

기계가 인간의 사고방식을 모방해야 인간을 능가할 거라고 믿었던 거죠.

that human beings think and reason

in order to outperform them.

When these economists were trying to figure out

경제학자들은 기계가 할 수 없는 일들을 예측하는 과정에서

what tasks machines could not do,

they imagined the only way to automate a task

자동화를 이렇게 상상했습니다.

was to sit down with a human being,

인간이 기계를 책상에 앉혀놓고 일의 작동방식을 설명해줍니다.

get them to explain to you how it was they performed a task,

and then try and capture that explanation

기계가 따라 할 수 있도록 단계별로 차근차근 말이죠.

in a set of instructions for a machine to follow.

기계는 그 설명을 이해하려 애씁니다.

This view was popular in artificial intelligence at one point, too.

이런 방식은 인공지능 연구에서도 한 때 유행했었습니다.

I know this because Richard Susskind,

제 아버지이자, 공동저자이기도 한 리처드 서스킨드도 이렇게 생각했죠.

who is my dad and my coauthor,

wrote his doctorate in the 1980s on artificial intelligence and the law

아버지는 1980년대에 옥스포드대에서 인공지능과 법에 관한

at Oxford University,

박사학위 논문을 썼습니다.

and he was part of the vanguard.

당시에는 선구적인 연구였죠.

And with a professor called Phillip Capper

그 후 필립 캐퍼 교수, 그리고 법 전문 출판사 버터워쓰와 함께

and a legal publisher called Butterworths,

they produced the world's first commercially available

법 분야에서는 최초로 상용화된 인공지능 시스템을 개발했습니다.

artificial intelligence system in the law.

This was the home screen design.

이것이 그 시스템의 첫 메인 화면인데요.

He assures me this was a cool screen design at the time.

아버지 말이, 당시에는 끝내주는 디자인이었다고 하시더군요.

(Laughter)

(웃음)

I've never been entirely convinced.

저도 그 말을 믿지는 않았습니다.

He published it in the form of two floppy disks,

프로그램은 두 장의 플로피 디스크에 담겨 출시되었는데

at a time where floppy disks genuinely were floppy,

당시 플로피 디스크는 정말 느렸죠.

and his approach was the same as the economists':

아버지의 접근방식은 경제학자들과 똑같았습니다.

sit down with a lawyer,

법률가와 마주 앉아서, 법률 문제의 해결 과정에 관한 설명을 듣는 겁니다.

get her to explain to you how it was she solved a legal problem,

and then try and capture that explanation in a set of rules for a machine to follow.

그러면서 기계가 따라할 수 있도록 일련의 규칙으로 정리하였습니다.

In economics, if human beings could explain themselves in this way,

경제학에서는 이렇게 설명할 수 있는 인간의 업무를 '루틴'이라고 합니다.

the tasks are called routine, and they could be automated.

루틴은 자동화할 수 있죠.

But if human beings can't explain themselves,

반면에 이런 방식으로 설명이 안되면 '논루틴'이라고 합니다.

the tasks are called non-routine, and they're thought to be out reach.

자동화할 수 없다고 여겨지는 것들이죠.

Today, that routine-nonroutine distinction is widespread.

오늘날, 루틴과 논루틴으로 구별하는 방식은 널리 퍼져있습니다.

Think how often you hear people say to you

이런 얘기 자주 들어보셨을 거예요.

machines can only perform tasks that are predictable or repetitive,

기계는 규칙에 따라 정해진, 잘 정리된 반복 작업만 할 수 있다고들 말합니다.

rules-based or well-defined.

Those are all just different words for routine.

이런 말들은 루틴을 그저 달리 표현한 것일 뿐입니다.

And go back to those three cases that I mentioned at the start.

제가 처음에 말했던 세 가지 일로 돌아가보죠.

Those are all classic cases of nonroutine tasks.

세 가지 일 모두 전형적인 논루틴 업무에 속합니다.

Ask a doctor, for instance, how she makes a medical diagnosis,

예를 들어, 의사에게 어떻게 진찰을 하냐고 묻는다면

and she might be able to give you a few rules of thumb,

경험에 따른 몇 가지 규칙을 어림잡아 말할 수는 있겠지만

but ultimately she'd struggle.

명확하게 말하기는 힘들 겁니다.

She'd say it requires things like creativity and judgment and intuition.

창의성이나 직관적인 판단력이 필요한 일이라고 말하겠죠.

And these things are very difficult to articulate,

그런 일을 명확하게 설명하기 어렵다보니 자동화도 힘들 거라고 생각했을 겁니다.

and so it was thought these tasks would be very hard to automate.

If a human being can't explain themselves,

인간이 자신에게도 설명하지 못하는데

where on earth do we begin in writing a set of instructions

기계가 따라 할 수 있는 일련의 규칙을 만드는 것이 가능할 리가 있을까요?

for a machine to follow?

Thirty years ago, this view was right,

30년 전만 해도 이런 생각은 옳았습니다.

but today it's looking shaky,

하지만 오늘날에는 조금 흔들리고 있고, 미래에는 완전히 틀린 얘기가 될 겁니다.

and in the future it's simply going to be wrong.

Advances in processing power, in data storage capability

데이터 처리 능력과 저장 능력, 알고리즘 설계의 발전에 힘입어

and in algorithm design

mean that this routine-nonroutine distinction

루틴과 논루틴의 구별은 점차 의미를 잃어가고 있습니다.

is diminishingly useful.

To see this, go back to the case of making a medical diagnosis.

의료 진료의 경우를 다시 보면서 이를 살펴보겠습니다.

Earlier in the year,

올해 초,

a team of researchers at Stanford announced they'd developed a system

스탠포드 대학의 한 연구진이 어떤 시스템을 개발했다고 발표했습니다.

which can tell you whether or not a freckle is cancerous

주근깨가 피부암인지 아닌지 판단해주는 시스템이었죠.

as accurately as leading dermatologists.

일류 피부과 의사 만큼 정확하게 말이죠.

How does it work?

이런 일이 어떻게 가능할까요?

It's not trying to copy the judgment or the intuition of a doctor.

의사의 판단이나 직관을 모방한 것은 아닙니다.

It knows or understands nothing about medicine at all.

시스템은 의학이라고는 하나도 모릅니다.

Instead, it's running a pattern recognition algorithm

대신 패턴 인식 알고리즘을 이용해

through 129,450 past cases,

129,450 개의 진료 기록으로부터 유사성을 찾으며 검토하고

hunting for similarities between those cases

and the particular lesion in question.

특정 피부 손상을 찾아냅니다.

It's performing these tasks in an unhuman way,

시스템은 이처럼 인간과는 다른 방식으로 일을 합니다.

based on the analysis of more possible cases

인간이라면 평생 검토해도 불가능한 양의 진료기록을 순식간에 분석해서 말이죠.

than any doctor could hope to review in their lifetime.

It didn't matter that that human being,

인간이 어떻게 의료적 판단을 하는지 설명하지 못해도 이제 문제가 안됩니다.

that doctor, couldn't explain how she'd performed the task.

Now, there are those who dwell upon that the fact

기계가 인간을 모방할 필요가 없다는 사실을 보여주는 사례는 또 있습니다.

that these machines aren't built in our image.

As an example, take IBM's Watson,

IBM의 왓슨을 예로들면

the supercomputer that went on the US quiz show "Jeopardy!" in 2011,

슈퍼 컴퓨터 왓슨은 2011년 퀴즈쇼 "제퍼디!"에 출연했습니다.

and it beat the two human champions at "Jeopardy!"

거기서 인간 우승자 두 명을 상대로 승리했죠.

The day after it won,

승리한 다음 날에

The Wall Street Journal ran a piece by the philosopher John Searle

철학자 존 설이 쓴 짧은 기사 하나가 월 스트리트 저널에 실렸습니다.

with the title "Watson Doesn't Know It Won on 'Jeopardy!'"

제목은 이렇습니다. "왓슨은 자신이 '제퍼디!'에서 승리한 줄도 모른다."

Right, and it's brilliant, and it's true.

맞아요. 재치있게 사실을 잘 말했죠.

You know, Watson didn't let out a cry of excitement.

왓슨은 기쁨의 함성을 지르지 않았습니다.

자신의 업적에 뿌듯해하며 부모님을 부르지도 않았고,

It didn't call up its parents to say what a good job it had done.

축하주를 마시기 위해 술집에도 가지 않았습니다.

It didn't go down to the pub for a drink.

This system wasn't trying to copy the way that those human contestants played,

왓슨은 인간 경쟁자들이 문제를 푸는 방식을 모방하지 않았습니다.

but it didn't matter.

전혀 불필요했거든요.

It still outperformed them.

그럼에도 왓슨은 인간을 이겼습니다.

Resolving the intelligence myth

지능 미신을 반박하다 보면

shows us that our limited understanding about human intelligence,

인간의 사고와 추론 방식 등의 인간 지능에 대한 이해 부족이

about how we think and reason,

is far less of a constraint on automation than it was in the past.

예전처럼 자동화의 걸림돌이 되지 않는다는 것을 알 수 있습니다.

What's more, as we've seen,

게다가, 이미 보았듯이

when these machines perform tasks differently to human beings,

기계는 인간과 다른 방식으로 일을 처리하기 때문에

there's no reason to think

현재 인간이 가진 능력을

that what human beings are currently capable of doing

represents any sort of summit

미래에 기계가 넘지 못할 거라고 보기도 어렵습니다.

in what these machines might be capable of doing in the future.

Now the third myth,

이제 세 번째 미신입니다.

what I call the superiority myth.

우월성에 관한 미신인데요.

It's often said that those who forget

상보성 원리에 따른 기술 진보의 긍정적 측면을 간과하는 사람들은

about the helpful side of technological progress,

those complementarities from before,

한 가지 실수를 저지르곤 합니다.

are committing something known as the lump of labor fallacy.

노동 총량의 오류라고 알려진 실수죠.

Now, the problem is the lump of labor fallacy

문제는 노동 총량의 오류라는 개념 자체에도 오류가 있다는 겁니다.

is itself a fallacy,

and I call this the lump of labor fallacy fallacy,

그래서 저는 이걸 '노동 총량의 오류에 관한 오류'라고 합니다.

or LOLFF, for short.

줄인 용어로 'LOLFF' 라고 하죠.

Let me explain.

설명해드리죠.

The lump of labor fallacy is a very old idea.

노동 총량의 오류는 굉장히 오래된 개념입니다.

It was a British economist, David Schloss, who gave it this name in 1892.

1892년에 데이빗 스콜로스라는 영국 경제학자가 만든 개념이죠.

He was puzzled to come across a dock worker

그는 부두 노동자들에게서 당혹감을 느낀 적이 있습니다.

who had begun to use a machine to make washers,

당시 부두 노동자들은 기계로 와셔를 만들기 시작했는데요.

the small metal discs that fasten on the end of screws.

그건 나사를 단단히 조이도록 해주는 원판 모양의 작은 금속입니다.

And this dock worker felt guilty for being more productive.

노동자들은 생산성이 높아진 것에 죄책감을 느끼고 있었습니다.

Now, most of the time, we expect the opposite,

현재 우리는 정반대죠.

that people feel guilty for being unproductive,

사람들은 생산성이 낮으면 죄책감을 느낍니다.

페이스북이나 트위터에 너무 많은 시간을 낭비했다고 말이죠.

you know, a little too much time on Facebook or Twitter at work.

하지만 부두 노동자들은 생산성이 높아지는 것에 죄책감을 느꼈습니다.

But this worker felt guilty for being more productive,

이유를 묻자 이렇게 말했습니다.

and asked why, he said, "I know I'm doing wrong.

"저는 잘못하고 있어요. 다른 사람 일거리를 뺏고 있잖아요."

I'm taking away the work of another man."

In his mind, there was some fixed lump of work

그는 일종의 정해진 노동량이 있다고 생각했던 겁니다.

to be divided up between him and his pals,

그와 그의 친구들이 나눠서 할 일 말이죠.

so that if he used this machine to do more,

그래서 자신이 기계로 더 많은 일을 하면

there'd be less left for his pals to do.

자기 친구의 일거리가 줄어든다고 생각한 겁니다.

Schloss saw the mistake.

스콜로스는 여기에서 오류를 찾았습니다. 노동의 총량은 정해져 있지 않거든요.

The lump of work wasn't fixed.

As this worker used the machine and became more productive,

노동자가 기계를 사용해서 점점 생산성이 높아질수록

the price of washers would fall, demand for washers would rise,

나사받이의 가격은 낮아질 것이고 수요는 증가할 것입니다.

more washers would have to be made,

따라서 더 많은 나사받이가 필요하고 그의 친구가 할 일도 생길 것입니다.

and there'd be more work for his pals to do.

The lump of work would get bigger.

노동 총량은 점점 커질겁니다.

Schloss called this "the lump of labor fallacy."

스콜로스는 이를 '노동 총량의 오류'라고 했습니다.

And today you hear people talk about the lump of labor fallacy

오늘날 모든 직업의 미래를 전망할 때 노동 총량의 오류를 이야기하곤 합니다.

to think about the future of all types of work.

기계와 인간이 서로 나누어서 해야 할 일의 총량은 정해져 있지 않다고 하죠.

There's no fixed lump of work out there to be divided up

between people and machines.

Yes, machines substitute for human beings, making the original lump of work smaller,

네, 기계가 인간을 대체하면서 기존에 하던 일의 양은 줄었습니다.

but they also complement human beings,

하지만 기계가 인간을 보완해주면서

and the lump of work gets bigger and changes.

일의 총량은 점차 커지고 변화하고 있습니다.

But LOLFF.

그런데 바로 여기에 오류가 있어요.

Here's the mistake:

뭐가 틀렸는지 말씀드리죠.

it's right to think that technological progress

기술의 진보로 일의 총량이 커진다는 생각은 맞습니다.

makes the lump of work to be done bigger.

몇몇 직업은 더 중요해지고, 새로운 직업도 생기겠죠.

Some tasks become more valuable. New tasks have to be done.

But it's wrong to think that necessarily,

하지만 잘못된 생각이 하나 있습니다.

human beings will be best placed to perform those tasks.

인간이 바뀐 작업환경에 당연히 잘 적응할 거라고 생각하는 거죠.

And this is the superiority myth.

이것이 바로 우월성 미신입니다.

Yes, the lump of work might get bigger and change,

네. 일의 총량은 점점 커지고 변화하게 될 것입니다.

but as machines become more capable,

하지만 기계의 능력이 점차 발전하면서

it's likely that they'll take on the extra lump of work themselves.

그 여분의 일마저 기계가 차지할 가능성이 높습니다.

Technological progress, rather than complement human beings,

기술의 진보는 인간을 보완하기보다는 기계를 대신 보완해줄 것입니다.

complements machines instead.

To see this, go back to the task of driving a car.

자동차 운전의 경우를 다시 살펴보죠.

Today, satnav systems directly complement human beings.

오늘날 위성항법 시스템은 인간을 직접적으로 도와줍니다.

They make some human beings better drivers.

사람이 운전을 더 잘할 수 있게 해주죠.

But in the future,

하지만 미래에는 소프트웨어가 운전석의 사람을 대체할 것입니다.

software is going to displace human beings from the driving seat,

and these satnav systems, rather than complement human beings,

그리고 위성항법 시스템은 더 이상 사람을 돕지 않고

대신 기계를 도우면서 무인 자동차의 효율성을 더욱 높이게 될 것입니다.

will simply make these driverless cars more efficient,

helping the machines instead.

Or go to those indirect complementarities that I mentioned as well.

이미 말씀드렸던 간접적 방식의 상보성 사례도 살펴볼까요.

The economic pie may get larger,

경제 파이의 크기는 커지겠지만

but as machines become more capable,

기계의 능력이 발전함에 따라

it's possible that any new demand will fall on goods that machines,

새롭게 생기는 수요들도 모두 사람보다는 기계가 감당할 가능성이 높습니다.

rather than human beings, are best placed to produce.

The economic pie may change,

경제 파이는 변화하지만

but as machines become more capable,

기계의 능력이 발전함에 따라

it's possible that they'll be best placed to do the new tasks that have to be done.

새로운 일거리도 기계가 모두 차지할 가능성이 높습니다.

In short, demand for tasks isn't demand for human labor.

한 마디로, 일에 대한 수요는 인간 노동에 대한 수요가 아닙니다.

Human beings only stand to benefit

상보성 원리로 인간이 혜택을 보려면 인간이 주도권을 가지고 있어야 합니다.

if they retain the upper hand in all these complemented tasks,

but as machines become more capable, that becomes less likely.

하지만 기계가 점점 유능해지면서 그럴 가능성은 적어 보입니다.

So what do these three myths tell us then?

그럼 이 세 가지 미신이 의미하는 바는 뭘까요?

Well, resolving the Terminator myth

터미네이터 미신을 통해

shows us that the future of work depends upon this balance between two forces:

우리는 일의 미래가 두 힘의 균형에 따라 달라짐을 알았습니다.

one, machine substitution that harms workers

하나는 기계가 인간을 대체하며 일자리를 빼앗는 힘이고

but also those complementarities that do the opposite.

다른 하나는 인간을 도우며 일자리를 만드는 힘입니다.

And until now, this balance has fallen in favor of human beings.

지금까지는 인간에게 도움이 되는 쪽으로 균형이 맞았습니다.

But resolving the intelligence myth

하지만 지능 미신을 통해

shows us that that first force, machine substitution,

우리는 기계가 인간을 대신하려는 힘이 점차 강해지고 있음을 알았습니다.

is gathering strength.

Machines, of course, can't do everything,

물론, 기계가 모든 걸 할 순 없죠. 하지만 더 많은 일을 할 것입니다.

but they can do far more,

encroaching ever deeper into the realm of tasks performed by human beings.

인간만이 할 수 있다고 여겼던 영역까지 침범하면서 말이죠.

What's more, there's no reason to think

더군다나 현재 인간의 능력 정도가 기계의 한계라고 장담할 수도 없습니다.

that what human beings are currently capable of

represents any sort of finishing line,

일단 기계가 우리만큼 유능해지면 인간의 한계를 뛰어넘게 될 테니까요.

that machines are going to draw to a polite stop

once they're as capable as us.

Now, none of this matters

물론, 큰 문제는 아닐 수 있습니다.

so long as those helpful winds of complementarity

상보성 원리의 긍정적 바람이 강하게만 분다면 말이죠.

blow firmly enough,

but resolving the superiority myth

하지만 우월성 미신을 통해

shows us that that process of task encroachment

기계가 인간의 영역을 침해하는 과정에서

not only strengthens the force of machine substitution,

인간을 대체하는 힘은 커지지만

but it wears down those helpful complementarities too.

긍정적 상보성 원리는 약화되는 것을 알게 됐습니다.

Bring these three myths together

이들 세 가지 미신을 동시에 놓고 보면

and I think we can capture a glimpse of that troubling future.

미래의 문제를 조금이나마 엿볼 수 있습니다.

기계는 점점 유능해질 것입니다.

Machines continue to become more capable,

encroaching ever deeper on tasks performed by human beings,

인간이 했던 일을 점차 대신하게 될 것입니다.

strengthening the force of machine substitution,

기계가 인간을 대체하는 힘은 커지고

weakening the force of machine complementarity.

상보성 원리는 힘을 잃을 것입니다.

And at some point, that balance falls in favor of machines

그러다 어느 순간, 균형의 추가 사람에서 기계로 기울 것입니다.

rather than human beings.

This is the path we're currently on.

이것이 현재 우리가 가고 있는 길입니다.

I say "path" deliberately, because I don't think we're there yet,

"길"이라는 용어를 쓴 이유는 아직 도달하지는 않았지만

but it is hard to avoid the conclusion that this is our direction of travel.

여정이 이대로 흘러갈 거라는 사실을 부인하기 힘들기 때문입니다.

That's the troubling part.

문제는 바로 이런 것들입니다.

Let me say now why I think actually this is a good problem to have.

하지만 이 문제는 우리에게 즐거운 일입니다. 그 이유를 말해드리죠.

For most of human history, one economic problem has dominated:

인류 역사를 볼 때, 경제 측면에서 늘 따라다니는 문제 하나가 있습니다.

how to make the economic pie large enough for everyone to live on.

우리 모두가 살만큼 경제파이의 크기를 어떻게 키울 것인가 하는 것입니다.

Go back to the turn of the first century AD,

기원후 1세기 무렵을 생각해보죠.

and if you took the global economic pie

그 시대의 경제 파이를

and divided it up into equal slices for everyone in the world,

그 때 살았던 모두에게 공평하게 나누어준다면

everyone would get a few hundred dollars.

각자 몇백 달러 정도 받을 겁니다.

Almost everyone lived on or around the poverty line.

거의 모두가 최저 생계를 유지하는 정도죠.

And if you roll forward a thousand years,

그로부터 1000년 후에도 사정은 거의 같았습니다.

roughly the same is true.

But in the last few hundred years, economic growth has taken off.

하지만 최근 수백 년 동안 경제는 급격히 성장했습니다.

Those economic pies have exploded in size.

폭발적인 규모로 성장했죠.

Global GDP per head,

전 세계의 1인당 GDP,

the value of those individual slices of the pie today,

쉽게 말해 오늘날 각자가 가지는 파이 한 조각은

they're about 10,150 dollars.

약 10,150 달러입니다.

If economic growth continues at two percent,

앞으로 경제성장이 2%씩 지속된다면

our children will be twice as rich as us.

우리 아이들은 우리보다 두 배 정도 부유해질 것입니다.

If it continues at a more measly one percent,

경제가 1%씩 성장한다고 쳐도

our grandchildren will be twice as rich as us.

우리 손자들은 우리보다 두 배 정도 부유해질 것입니다.

By and large, we've solved that traditional economic problem.

우리는 전통적 경제문제를 비교적 잘 해결해왔습니다.

Now, technological unemployment, if it does happen,

기술 진보로 실업 문제가 생기더라도

in a strange way will be a symptom of that success,

어떻게든 성공적으로 해결할지 모릅니다.

will have solved one problem -- how to make the pie bigger --

파이를 키우는 문제가 해결되더라도

but replaced it with another --

또 다른 문제가 생길 거예요.

how to make sure that everyone gets a slice.

어떻게 하면 모두가 파이를 나눠 가질 수 있느냐는 것입니다.

As other economists have noted, solving this problem won't be easy.

경제학자들의 지적한 대로 이 문제는 해결이 쉽지 않을 겁니다.

Today, for most people,

오늘날, 대부분의 사람들은

their job is their seat at the economic dinner table,

직업을 가짐으로써 경제 안에서 자신의 몫을 얻고 있습니다.

and in a world with less work or even without work,

하지만 일이 적어지거나 심지어는 없는 세상에서

it won't be clear how they get their slice.

어떻게 제 몫을 얻을 수 있을지가 의문입니다.

There's a great deal of discussion, for instance,

지금 많이 논의되고 있는 것은

about various forms of universal basic income

해결 방안의 하나로서 다양한 형태의 기본소득을 두는 방법입니다.

as one possible approach,

and there's trials underway

기본소득에 대한 시도가

in the United States and in Finland and in Kenya.

미국과 핀란드, 케냐에서 진행중에 있기도 하죠.

And this is the collective challenge that's right in front of us,

이것이 우리 모두에게 주어진 당면 과제입니다.

to figure out how this material prosperity generated by our economic system

새로운 경제 시스템이 가져올 물질적 풍요를

can be enjoyed by everyone

모두가 누리는 방법을 찾아야 하죠.

in a world in which our traditional mechanism

파이를 나누는 기존 방식이 더 이상 통하지 않고

for slicing up the pie,

the work that people do,

인간이 할 일이 점자 줄어들어

withers away and perhaps disappears.

완전히 사라진 세상에서 말입니다.

Solving this problem is going to require us to think in very different ways.

이 문제를 해결하려면 완전히 다른 방식으로 생각해야 합니다.

There's going to be a lot of disagreement about what ought to be done,

해결 방안에 대한 반발도 많을 것입니다.

but it's important to remember that this is a far better problem to have

하지만 중요한 사실은 이 문제는 즐거운 일이라는 겁니다.

than the one that haunted our ancestors for centuries:

어떻게 하면 파이를 충분히 키울 수 있을까 하고

how to make that pie big enough in the first place.

수세기 동안 고민했던 선조들에 비해서 말이죠.

Thank you very much.

감사합니다.

(Applause)

(박수)