상상해 보십시오. 

누구든 원하는 과목을, 원하는 교사로부터, 원하는 친구들과, 원하는 속도로 배우며, 교재는 무료이고, 원하는 교사에 더해, 세상의 모든 지식을 갖춘 교사 Agent가 모든 질문에 답합니다. 교육비는 무료이거나, 거의 무료이며, 무엇을 배우던, 개인의 능력과 적성에 가장 적합한 일자리를 보장하고, 칭화대학(清华大学, Tsinghua University, THU), 절강대학(浙江大学, Zhèjiāng Dàxué), MIT, Yale, Harvard, 동경대(東京大)  등 세계 유수의 대학에서 학사, 석사, 박사 학위를 취득할 수 있습니다. 

• 과목별로 유치원부터 각종 박사 과정까지 매주, 매일 및 매 시간 학습할 커리큘럼 또는 일정표를 작성합니다. 

• 튜터(Tutor or Instructor)는 사람입니다. 튜터는 영어, 수학, 물리, 역사 등의 강좌를 녹화하여, 유튜브같은 영상 플랫폼에 업로드하고, 학습자는 자신의 성향과 지식 수준에 적합한 채널을 구독(Subscribe)합니다. 

• DeepSeek R1과 Qwen3를 Fine-tuning하여, 세상의 모든 지식을 갖춘 교사를 생성하여, 튜터의 역할과 업무를 보조합니다. 

• 학습자가 일정한 수준의 지식과 경험을 갖추면 그에 합당한 학위나 자격증을 부여합니다. 

• 한국의 전 국민이 1인당 연간 1만원 내외의 학습비를 부담하면, 모든 과목의 튜터들을 보상하고, 시스템 개발 비용을 충당하기에 충분합니다.

우리(팀 주피터)가 이러한 무상 교육 인프라를 만드는 과정과 방법을 잘 보고,  그대로 여타 프로젝트에 적용하십시오. 

팀 주피터의 교육 프로젝트

2006년부터 2025년 5월 현재까지 온라인 교육 프로젝트를 진행하고 있으며, 특히, 2017년부터 2025년 5월 현재까지 8년 간 약 6천 개의 코딩(Coding or Programming) 강의 영상을 제작하여, 유튜브 등에 공개하고 있습니다. 

• 팀 주피터가 제작한 200여 강좌 목록(각 셀을 클릭하면 해당 강좌로 연결됩니다.)

• 팀 주피터의 유튜브 채널

제주 AI 교육도시 프로젝트는 그간의 노력을 AI 기술로 재구성하는, 이를테면, "교육 프로젝트 v2"입니다. 

오픈소스 LLM

우리 프로젝트에 오픈소스 LLM을 이용하는 이유는 다음과 같습니다. 

• OpenAI의  ChatGPT, xAI의 Grok, Google의 Gemini, MS의 Phi 등 Closed Source LLM은 그 내부 작동 방식을 알 수 없으므로, 코드를 수정하여, 우리가 원하는 기능에 특화된 모델을 만들 수 없습니다. 

• Closed Source LLM은 이익을 추구하는, 혹은 이익만 추구하는 수익 수단이며, 우리의 프로젝트 전체가 특정 기업에 종속됩니다.  

널리 알려진 오픈소스 LLM은 Open Source LLM은 DeepSeek R1, Qwen 3, Tulu, Open Thought 등입니다.

Distillation(증류)

다양한 LLM을 이용하여, 유치원부터 대학원까지 모든 전공과 모든 과목의 교육 컨텐츠를 생성하고, 그 각각의 시험 문항들을 작성합니다. 가령, 4년제 법학전문대학원의 2년차 첫주, 첫날, 오전 4시간의 학습 컨텐츠와 그 시험 문항을 출제하는 방법과 절차는 다음과 같습니다. 

1. 제일 먼저할 일은 특정 LLM을 이용하여, 4년제 법학전문대학원의 학습 일정표를 작성합니다. 1학년 1학기 첫주, 첫시간에 공부할 주제부터 4년차 2학기 마지막 주, 마지막 날, 마지막 시간에 공부할 주제까지 순서대로 나열합니다. 이렇게 도출된 결과물을 우리는 전공별 학습일정표라 부르는데, 우리는 주로 Claude 3.7을 이용하여 이 과정을 진행하였습니다. 

2. 그 다음, Google의 Deep Research, MS의 Phi, xAI의 Grok, Anthrophic의 Claude 3.7 Sonnet 등 다양한 LLM들로 하여금, 학습일정표 상의 매일매일의 하급 주제에 대응하는 학습 컨텐츠를 생성하게 합니다. 가령, 다섯 종의 LLM이 다섯 종의 학습 주제에 상응하는 다섯 종의 학습 컨텐츠를 생성합니다. 우리는 이를 특정 주제의 시드 컨텐츠( Seed Contents)라 부릅니다. 시드 컨텐츠는 주로 Closed Source LLM으로 생성합니다.

3. DeepSeek R1과 같은 오픈소스 LLM으로, 전술한 여러 LLM이 생성한 서로 다른 시드 컨텐츠들을 하나로 합칩니다. 서로 중복된 부분을 제거하고, 논리적으로 기승전결을 갖추도록 재구성합니다. 이렇게 도출된 특정 주제의 학습 컨텐츠를 우리는  Distilled Contents라 부르는데, 이 과정을 통해, 우리가 선정한 오픈소스 LLM이 학습 주제마다 다양하고 깊이있는 지식을 갖추게 됩니다. 

4. 재차, 다양한 LLM들로 하여금, Distilled Contents를 이용하여,  각기 객관식과 주관식 시험 문항을 10문항 씩 출제하도록 지시합니다. 가령, 5종의 LLM이 5세트(객관식 10문항, 주관식 10문항)의 문제집을 생성할 수 있습니다. 그 다음, 재차 오픈소스 LLM으로 이 모든 문항들을 합칩니다. 이 문제집을 우리는 Seed Questions라 부르며, 이 과정을 통해, 우리가 선정한 오픈소스 LLM은 탁월한 문제 출제 능력을 갖게 됩니다. 

5. 이상의 과정을 통해, 특정 과목 및 특정 전공에 특화된 다수의 교사 Agent를 생성합니다. 그런데,  Agent는 사람과 달리, 여럿이 하나이고, 하나가 여럿이므로, 사실상 세상의 모든 지식을 갖추게 됩니다. 

이로써, 이들 오픈소스 LLM들은 법학전문대학원의 1년차 첫주, 첫날, 첫 시간에 배울 학습 주제부터 4년차 마지막 주, 마지막 날, 마지막 시간의 학습 주제까지 매일매일의 학습 컨텐츠를 생성하고, 문제를 출제할 수 있는 고도의 능력을 갖추게 됩니다. 우리는 이 과정을 통칭하여 Distillation(증류)라 부릅니다. 

교육 체제의 토대는 모든 과목, 모든 전공에 대응하는 다양한 교사 Agent입니다. 

예시

유치원과 초중고의 산수와 수학을 예로써, 과목별 학습 방법과 절차를 설명하면 다음과 같습니다. 

• 유치원에 입학하여 처음 배우는 산수와 고등학교 3년차에서 배울 수학을 모두 합쳐서, 하나의 수학 커리큘럼을 구성합니다. 

• 유치원 입학 첫주, 첫날, 첫시간에 공부할 산수와 고등학교 3년차 마지막 주의 마지막 날, 마지막 시간에 배울 수학까지 주5일, 하루 8시간 동안, 매 시간마다 공부할 학습 컨텐츠를 순서대로 나열합니다. 가령, 덧셈 뺄셈부터 미적분까지 일렬로 나열합니다.

• 교사 Agent는 유치원 입학생 각각에게 첫주 첫날 배울 산수의 교과 내용을 제시하고, 질문에 답하며, 진도를 관찰합니다. 교사 Agent는 학습자에게 매년, 매월, 매주, 매일 및 매 시간에 학습할 내용을 인터액티브 웹페이지(Interactive HTML) 형태로 제공하고, 매일, 매주, 매월, 매 분기, 및/또는 매년마다 일정 수의 객관식과 주관식 시험 문항을 제시합니다. 

• 학습자가 첫 주의 학습 분량을 마치면, 교사 Agent는 시험을 제시합니다. 가령, 시험 문항은 10개이며(주관식과 객관식) 학생 1천 명에게 1천 세트의 서로 다른 시험 문항들을 제공할 수 있습니다. 가령, 매주 금요일마다 그 주에 학습한 내용의 시험을 제시합니다. 

• 학습자가 시험 문항의 80% 이상을 맞추면, 학습일정표에 따라, 다음 주에 학습할 내용을 제시합니다. 통과하지 못하면, 학습자가 틀린 문제에서 왜 틀렸는지 분석하고, 난이도를 낮춘 새로운 학습 컨텐츠를 생성하여, 제공합니다. 학습자가 해당 주의 학습량을 온전히 소화할 때까지 이 과정을 반복하며, 이 모든 과정을 기록합니다. 

• 학습자가 어느 하루 또는 한 주(weed)에 할당된 학습량을 마치고, 시험을 통과하면, 다음 주 또는 다음 날 학습으로 이어갈 수 있습니다. 가령, 시험은 10문항이 제시되고, 통과를 위해서는 8문항 이상을 맞춰야 합니다. 어떤 학생은 일찍 마치기도 하고, 어떤 학생은 늦게 마치기도 합니다. 그러므로, 교사가 교실의 학생들에게 일괄적으로 가르치는 형태는 없습니다. 만약, 학습자에게 할당된 어느 한 주의 학습 내용을 소화하지 못하면, 가령, 그 주의 수학 시험을 계속해서 통과하지 못하면, 다음 주로 예정된 학습 분량을 제공하지 않습니다. 그러므로, 어떤 학습자는 유치원부터 고교까지 15~16년 치의 수학 학습을 불과 5~6년 만에 마칠 수도 있고, 어떤 학습자는 16년 이상이 걸리거나 끝까지 마치지 못할 수도 있습니다. 

• 교사 Agent는 학습자가 만약 수학에 재능이 전혀없거나, 매우 부족하다고 판단되면, 다른 과목이나 진로를 추천합니다. 가령, 하위 10~20% 학습자에게는 기본적인 산수만 가르치고, 그 외 추가적인 수학 학습 일정을 취소합니다. 그러므로, 수학에 아예 재능이 없는 학생들이 억지로 미적분을 배울 필요는 없습니다. 

• 어느 한 과목의 학습 진도가 느리면, 교사 Agent는 컨텐츠의 난이도를 낮추거나, 다른 과목의 학습을 추천합니다. 그러므로, 지금처럼, 학습 능력과 적성이 상이한 학생들이 같은 날, 같은 시간에, 같은 교실에 앉아, 같은 수업을 받고, 같은 과목을 같은 속도로 공부하는 경우는 없습니다. 즉, 각자는 각자의 능력과 적성에 맞은 과목을, 각자에게 적합한 속도로 학습합니다(Self-paced learning). 

• 교사/교수 Agent는 시험을 출제하고, 시험 결과를 분석하여, 필요하다면, 학습자가 다음날 학습을 이어가기 전에, 그의 부족한 부분을 채워줄 새로운 학습 컨텐츠를 작성하여 제공하고, 재시험을 출제합니다.  마치 게임처럼, 학습자는 매일매일 할당된 학습 과제를 충분히 이해해야 다음날 혹은 다음 단계로 진행할 수 있습니다. 가령, 수학에 관심이 없거나, 적성에 맞지 않다면, 대개 초등학교나 중학교 수준의 수학 학습으로 마치며, 고교 수준의 수학을 배우지 않습니다.

• 교사 Agent는 시험 결과를 매주 학부모 및 교사 등에게 메일로 전송하거나, 또는 웹사이트에 게시하고, 권한있는 사람들에게 특정 정보의 접근권을 제공합니다. 가령, 특정 학부모나 교사는 특정 학생(들)의 성적만 열람할 수 있습니다. 

• 교사 Agent는 학습자의 질문에 성실히 답하며, 누가 언제 어디서 어떤 질문을 했는지 모두 기록하고, 해당 기록을 토대로 그의 적성과 능력을 평가하며 진로를 추천합니다. 유치원부터 고교 졸업까지 하루하루 학습 이력과 시험 결과를 모두 기록하므로, 별도의 대학 입학 시험이나 전형이 불필요합니다. 

• 모든 교재는 오픈소스(가령, Creative Commons License)이고, 초등학교는 주로 한국어 교재, 중학교는 한국어와 영어가 섞인 교재, 고등학교는 영어 교재를 제공합니다.  

• 기존 학교에서 사람 교사가 교수 활동을 전담하는 것과 달리, 새로운 교육 체제에서 사람 수학 교사는 "수학 교사 Agent"와 학습자 간의 상호 작용을 모니터링하고, 교사 Agent의 부족한 점을 보완합니다.   

• 이 시스템은 각국의 교육 정책 수립에 참조할 다량의, 그리고 양질의 학습 관련 데이터를 생산할 수 있습니다. 가령, 학습자 개개인의 진도와 성적을 상대 평가하고, 그 통계 데이터를 교육 정책 등 여타 분야에 익명으로 활용합니다(Zero-knowledge proof).

교사 Agent는 매주, 매일, 매시간 학습할 분량을 제시하고, 질문에 답하며, 진로를 추천하고, 학습을 지도하는 것외에도, 개별 학습자와 학습자 그룹에 관한 각종 통계를 생성하는 등 기존의 학교, 교육청, 교육부가 수행하는 각종 학사 행정 기능을 수행합니다. 

학습 플랫폼은 edX, Coursera를 참조하여, 별도로 제작합니다.

물리 교사 Agent = 물리 교과서 Agent

1. Deep Seek R1 1.6Billion 또는 Qwen3 0.6Billion 모델을 공인된 물리 지식으로  Fine-tuning합니다. 공인된 지식이라함은 MIT, Berkeley, Stanford, Tsinghua 등 글로벌 Top 10 대학의 물리학과 학부와 대학원 교재들로 Training한다는 의미입니다. 

2. 그다음, 이전 단계의 R1 또는 Qwen에 교육학 지식을 주입하여, 물리 교사 Agent를 생성합니다. 학생마다 하나의 물리 교사 Agent를 할당하여, 6년 또는 그 이상의 학습 과정을 1:1로 지도합니다. 

Prompt 예시

아래 질문은 매우 방대한 시스템을 다루고 있습니다. 더욱 신중히 생각한 뒤, 보고서를 작성하십시오. 

2025년 1월 1일 기준으로 우리나라(한국) 총 인구는 약 51.95백만 명으로 추정됩니다. Trading Economics에 따르면. 2025년 출생자 수는 약 28만 명으로 추정됩니다. 이들 중에서, 미용, 제과제빵 등 기능을 익힐 아이들은 만 20세가 되기 전에 직장 생활을 시작할 것이고, 의학이나 법학을 전공하거나, 박사 과정을 이수할 이들은 만 30세 전후에 시작할 것입니다. 

• 유치원: 2024년 교육기본통계 조사 결과에 따르면, 유치원 학생 수는 498,604명으로 전년 대비 4.4% 감소했습니다. 

• 초등학교: 2,495,005명으로 전년 대비 4.2% 감소했습니다. 

• 중학교: 1,332,850명으로 전년 대비 0.5% 증가했습니다. 

• 고등학교: 1,304,325명으로 전년 대비 2.0% 증가했습니다. 

• 대학: 전체 재적학생 수는 3,007,242명으로 전년 대비 1.2% 감소했습니다. 

한편, AI와 Robotics 기술의 발전으로 머잖아 많은 직업들이 사라질 것입니다. 가령, 택시나 버스, 화물차를 운전하는 직종은 자율주행 기술의 대중화와 더불어 사라질 가능성이 높습니다. 

우리는 DeepSeek R1 Open Source Model을 Finde Tuning하여, 2026년부터 2050년까지 25년간, 한국의 노동 시장 수요를 연도별로 예측하고, 2025년 현재 유치원부터 초중고 및 대학에 재학 중인 인구 각각의 직업을 추천할 수 있는 AI 시스템을 개발하려 합니다. 

이 AI 시스템은 2026년부터 향후 25년간 한국의 연도별 노동 수요를 직종별로 예상해야 합니다. 

또한, AI 시스템은 매년 사회에 진출할 인구의 수와 인구 각각의 학력, 이를테면 미용고등학교 졸업자, 제과제빵 고등학교 졸업자, 의학전문대학원 졸업자 등을 파악하고, 그들 각각에게 가장 적합한 직종 또는 직업을 추천할 수 있어야 합니다. 

한편, AI 시스템은 유치원 아동부터 대학의 각종 학과 재학생 각각에 대해, 그들이 사회에 진출할 미래 특정 연도의 노동 수요를 기반으로, 지금 무엇을 배우고 익혀야 하며, 어떤 직종이 그들 각각의 능력과 적성에 가장 적합한 지 추천할 수 있어야 합니다. 

예를 들어, 2025년 현재를 기준으로, 2035년도에 한국 사회의 신규 노동 수요가, 의사 1000명, 제과제빵사 1000명, 변호사 100명이라면, 2030년도에 사회에 진출할 것으로 예상되는 2025년 현재의 유치원생, 중학생, 고등학생 및 대학생들 가운데, 의사, 법률가(변호사, 판사, 검사), 제과제빵사 직종에 그 능력과 적성이 가장 적합한 인구를 선별하여, 그들에게 해당 기술과 지식을 익히도록 추천할 수 있습니다. 그들은 2025년 현재 유치원생일 수도, 초등학생일 수도, 중학생일 수도, 고등학생일 수도, 대학생일 수도 있습니다. 가령, 의학전문대학원 과정이 4년이고, 레지던트와 인턴 기간이 4년이므로, 10년 뒤 의사 수요를 충족하기에 적당한 연령은 2025년 현재 대학 2~3학년생입니다. 또한, 대학 과정이 4년,  법학전문대학원 과정이 3년이고, 사법연수원이 2년이므로, 10년 뒤 변호사 수요를 충족하기에 적합한 연령대는 2025년 현재의 고등학교 3학년이 가장 적절하므로, 이 연령대의 인구 중에서 그 능력과 적성을 분석하여 진로를 추천해야 합니다.

이러한 시스템을 구현하기 위해, DeepSeek R1을 Fine tuning하는 방법과 절차를 자세히 기술하십시오. 또한, 비슷한 프로젝트를 수행한 적이 있는 중국의 대학, 연구소, 기업, 정부 기관 중에서 우리와 이 시스템 개발에 협력할 수 있는 곳을 우선 순위에 따라 나열하십시오.  또한, 이들 기관들에게 공동 연구를 제안하는  "공동 연구 제안서"를 작성하고, 연구 비용을 추산하십시오.

Prompt 예시 - 교수 Agent 생성

우리는 DeepSeek R1 1.6 billion 모델 및 Qwen3 0.6 billion model과 같은 오픈소스 LLM을 이용하여, 유치원부터 박사 과정까지 전공 및 과목별 교사 Agent를 포함하여, 다양한Agent를 개발하여, 기존의 초중고 및 대학과 별개로 새로운 AI 기반의 글로벌 교육 체계를 구축할 계획입니다. 

우리가 개발할 Agent들의 종류는 다음을 포함합니다.

• 유치원, 초등학교, 중학교, 고등학교, 대학 학사, 석사 및 박사 과정에서 학습하는 모든 과목에 대해, 과목마다 하나의 LLM Instance를 Fine tuning하여, 해당 과목의 교사 또는 교수 Agent를 생성합니다. 가령, 수학 교사 Agent는 유치원부터 초중고 및 대학의 수학 과목을 지도하고, 학습자의 수학 관련 질문에 답합니다. 그러므로, 수학 교사 Agent는 세상의 모든 수학 지식을 습득해야 합니다. 교사 Agent의 숫자, 즉, 각 과목별로 Fine-tuning된 LLM Instance의 숫자는 약 1,000개입니다.

• 하나의 과목에 대응하는 교사 Agent는 하나입니다. 가령, 전세계에서 수학을 공부하는 학습자의 수가 10억 명이라면, 하나의 수학 교사 Agent가 10억 명의 수학 학습을 지도합니다. 

• 과목별 교수 Agent 외에 교육학 Agent를 개발합니다. 이 Agent는 교육학 박사 과정의 모든 지식을 습득합니다. 가령, 교육학 박사 학위는 다양한 전공 분야로 나뉩니다. 가장 일반적인 것은 교육학 박사(Ph.D. in Education) 또는 교육 박사(Ed.D.)입니다. 이 외에도 교육 분야별 특화 학위 (예: 교육심리학 박사, 교육정책학 박사, 교육평가학 박사 등)가 있습니다. 교육학 박사 학위는 전공에 따라 다양한 연구 분야를 다루며, 교육 현장에서 실질적인 문제 해결에 필요한 지식과 능력을 함양하는 데 중점을 둡니다. 교육학 Agent의 수, 즉, 교육학 지식으로 Fine-tuning된 LLM Instance는 하나입니다.

• 과목별 교사 Agent는 학습자에게 지식을 전수하고, 학습자 개개인의 성적과 학습 진도를 교육학 Agent에게 보고합니다. 교육학 Agent는 과목별 교수 Agent들의 보고를 취합하여, 학생 개개인의 능력과 적성을 파악하고, 그 또는 그녀의 진로를 추천합니다.  가령, 수학에 특별한 재능을 보이는 중고등학교 학습자는 이공계 대학 진학을 추천하며, 생물학에 깊은 관심을 보이는 학습자는 생명공학이나 의과대학 진학을 추천합니다. 

• 커리큘럼 Agent는 유치원, 초중고 및 대학 등의 학습일정표를 작성합니다. 가령, 의학전문대학원은 4년 과정이며, 해부학 등 다양한 과목을 학습해야 합니다. 커리큘럼 Agent는 의학전문대학원 4년(= 160주) 간 학습해야할 주제와 내용을 1일 단위로 작성하고, 매주 시험을 제시합니다. 

• 교과서 Agent는 각 과목별 교과서를 집필합니다. 

• 시험 또는 평가 Agents는 유치원부터 박사 과정까지 매주 시험 문제를 출제하고, 학습자들의 성적을 기록합니다. 가령, 초등학교 학습자들은 초등학교 6년(= 240주) 동안 240회 시험을 치르며, 의학전문대학원 학습자들은 4년(= 160주) 간 160회 시험을 치른 뒤, 졸업 자격이 주어집니다. 

• 통번역 Agent는 우리가 구축한 새로운 교육 체제를 각국의 학생들이 모국어로 학습할 수 있도록 지원합니다. 

• 모든 Agent는 Cloud에 설치되며, 학습자들의 학습 진도를 기록하고, 방대한 지식을 저장할 대규모 DB와 함께 운용됩니다. 먼저, 한국의 제주도에 거주하는 7만 여 유치원, 초중고, 대학, 대학원 학생들을 대상으로 1~2년 간 시험적으로 운용하고, 이어서 한국 전역으로 확대하며,  재차 세계 전역으로 확대합니다.

• 모든 국가의 모든 시민과 학생들은 우리가 구축한 새로운 교육 체제, 즉, Fine-tuning된 LLM 기반의 각종 Agent로 유치원부터 박사 과정까지 학습할 수 있습니다. 학습일정표 상의 모든 시험을 통과하고, 적절한 자격 검증 절차를 거친 학습자에게 학사, 석사 및 박사 학위를 수여합니다. 가령, 의학전문대학원 4년 간의 학습일정표에 따른 160회의 주간 시험을 모두 통과하고, 국제적으로 권위있는 의학전문저널에 졸업 논문의 요약본을 게재하면, 의학 박사 학위를 수여하며, 수여하는 주체는 AI City Inc.의 교육법인 또는 AI City Inc.와 업무 협약을 체결한 국내외 주요 대학입니다.  

전술한 각 Agent 각각의 Fine-tuning 절차와 방법, 개발 인력, 개발 기간 및 비용을 추산하십시오. 그리고, 한국 중국 일본 러시아 미국 유럽 등 주요 국가의 대학, 연구소, 정부 기관, 기업 등이 "AI 기반의 글로벌 교육 체제 구축 프로젝트"를 공동으로 진행할 컨소시엄을 구성할 방안을 제시하십시오. 마지막으로, 이들 기관들에게 이메일로 보낼 수 있도록 , 이 프로젝트에 참여할 것을 제안하는 제안서를 작성하십시오. 

이 시스템은 2028년까지 전 세계 50개국 1억 명에게 서비스를 제공할 예정입니다.