greentam 님의 블로그

Adafruit STCC4 + SHT41 사용 가이드

실내 공기질을 측정할 때 가장 대표적으로 사용하는 지표 중 하나가 이산화탄소(CO₂) 농도입니다.

사람이 오랫동안 머무르는 밀폐된 공간에서는 호흡으로 인해 CO₂ 농도가 점차 높아집니다. CO₂ 농도가 지나치게 높아지면 공기가 답답하게 느껴지고 피로감이나 집중력 저하를 경험할 수도 있습니다.

참고로 신선한 야외 공기의 CO₂ 농도는 대략 400 ppm 수준입니다.

​

그런데 CO₂를 직접 측정하는 센서는 생각보다 까다롭습니다.

기존의 NDIR 방식 CO₂ 센서는 비교적 정확하지만 센서 크기가 크고 가격도 높은 편입니다. 반면 SGP30과 같은 저렴한 가스 센서는 VOC(휘발성 유기화합물)를 측정하여 CO₂ 농도를 간접적으로 추정하는 방식이기 때문에 실제 CO₂ 농도를 직접 측정하는 센서와는 차이가 있습니다.

​

이번에 살펴볼 Adafruit STCC4 + SHT41 브레이크아웃 보드는 조금 다른 접근법을 사용합니다.

초소형 열전도식 CO₂ 센서 STCC4와 고정밀 온습도 센서 SHT41을 하나의 작은 보드에 결합한 제품입니다.

작은 크기와 낮은 소비전력이 특히 흥미로운 센서입니다.

1. STCC4는 어떻게 CO₂를 측정할까?

STCC4에서 가장 흥미로운 부분은 CO₂를 측정하는 방식입니다.

일반적으로 많이 사용하는 CO₂ 센서는 NDIR(비분산 적외선) 방식입니다. CO₂가 특정 파장의 적외선을 흡수하는 특성을 이용하여 농도를 측정합니다.

STCC4는 이와 달리 열전도율(Thermal Conductivity, TC)을 이용합니다.

​

STCC4 센서 자체의 크기는 약

4 × 3 × 1.2 mm

정도로 상당히 작습니다.

센서 내부의 작은 측정 공간(Cavity)에 있는 공기를 가열한 뒤 주변으로 열이 얼마나 전달되는지를 측정합니다.

기체마다 열을 전달하는 정도, 즉 열전도율이 서로 다르기 때문에 이 차이를 이용하여 CO₂ 농도의 변화를 알아내는 것입니다.

​

개념적으로 표현하면 다음과 같습니다.

공기 유입

↓

센서 내부의 공기 가열

↓

열이 주변으로 전달되는 정도 측정

↓

기체의 열전도 특성 분석

↓

CO₂ 농도 계산

광학계가 필요한 NDIR 센서와 비교하면 구조를 상당히 작게 만들 수 있다는 장점이 있습니다.

2. 열전도식 CO₂ 센서의 장단점

물론 열전도 방식이 모든 상황에서 NDIR 센서보다 좋은 것은 아닙니다.

열전도율은 CO₂뿐만 아니라 주변에 존재하는 다른 기체의 구성에도 영향을 받을 수 있습니다.

따라서 특수한 가스가 존재하는 산업 환경이나 매우 높은 정확도가 필요한 과학 측정에는 적합하지 않을 수 있습니다.

하지만 우리가 일반적으로 CO₂ 센서를 사용하는 환경을 생각해 보면 이야기가 조금 달라집니다.

예를 들어

• 사무실
• 회의실
• 교실
• 침실
• 거실
• 작업실
• 스마트홈
• 실내 식물 재배 공간

등에서는 주로 사람의 호흡이나 환기 상태에 따른 CO₂ 변화를 관찰합니다.

이런 용도에서는 작은 크기와 낮은 소비전력을 가진 STCC4가 상당히 매력적인 선택지가 될 수 있습니다.

특히 "정밀 분석 장비"보다는 환기가 필요한 시점을 판단하는 IoT 센서에 더 잘 어울리는 제품이라고 볼 수 있습니다.

3. STCC4와 SHT41을 하나의 보드에

Adafruit 보드의 또 다른 특징은 STCC4만 탑재되어 있는 것이 아니라 Sensirion SHT41 온습도 센서도 함께 들어 있다는 것입니다.

SHT41은 소형 IoT 장치에서 사용하기 좋은 고정밀 온습도 센서입니다.

​

대표적인 사양은 다음과 같습니다.

상대습도 정확도

전형 오차 약 ±1.8% RH

온도 정확도

전형 오차 약 ±0.2°C

온습도 측정 성능이 상당히 좋은 편입니다.

따라서 하나의 작은 보드로

CO₂ + 온도 + 상대습도

세 가지 주요 실내 환경 데이터를 동시에 측정할 수 있습니다.

4. SHT41을 별도로 제어할 필요가 없다

여기서 재미있는 설계가 하나 더 있습니다.

SHT41은 일반적인 방식으로 메인 I2C 버스에 병렬 연결되어 있는 것이 아니라 STCC4의 보조 I2C 인터페이스에 연결되어 있습니다.

즉 마이크로컨트롤러 입장에서는 STCC4와 SHT41을 각각 따로 관리할 필요가 없습니다.

STCC4에 데이터를 요청하면 STCC4가 SHT41의 온습도 데이터까지 함께 처리하여 전달할 수 있습니다.

덕분에 개발자는 하나의 센서 시스템처럼 다룰 수 있습니다.

여러 환경 센서를 하나의 IoT 장치에 넣어야 할 때는 이런 구조가 꽤 편리합니다.

5. 주요 하드웨어 사양

STCC4의 CO₂ 측정 범위는

400 ~ 5,000 ppm

입니다.

실내 환경 모니터링 용도로는 충분히 넓은 범위입니다.

CO₂ 측정 정확도는

±(100 ppm + 측정값의 10%)

수준입니다.

​

따라서 고정밀 계측용 센서라기보다는 실내 CO₂ 변화와 환기 필요성을 파악하는 용도에 적합하다고 보는 것이 좋습니다.

동작 전압은 3.3V ~ 5V를 지원하기 때문에 Arduino 계열뿐 아니라 ESP32, Raspberry Pi 등과 연결하기도 편리합니다.

6. 소비전력이 상당히 낮다

개인적으로 STCC4에서 눈에 띄는 부분 중 하나는 낮은 소비전력입니다.

Single-shot 방식으로 측정할 경우 평균 소비전류를 100 µA 이하 수준으로 낮출 수 있습니다.

SHT41 역시 대기 상태에서 소비전력이 매우 낮은 센서입니다.

이 특징은 배터리 기반 IoT 장치를 만들 때 특히 중요합니다.

​

예를 들어 센서를 계속 켜두는 대신,

Deep Sleep

↓

일정 시간 후 Wake-up

↓

CO₂ / 온도 / 습도 측정

↓

Wi-Fi 또는 BLE 전송

↓

다시 Deep Sleep

같은 구조로 동작시키면 배터리 기반의 장기 환경 모니터링 장치를 만드는 것도 가능합니다.

항상 전원이 연결된 실내 공기질 모니터뿐 아니라 무선 환경 센서 노드에도 활용할 수 있는 이유입니다.

7. I2C 주소

STCC4의 기본 I2C 주소는

0x64입니다.

하드웨어 설정을 통해

0x65로 변경할 수도 있습니다.

SHT41 자체의 I2C 주소는

0x44입니다.

다만 앞에서 설명했듯이 이 보드에서는 SHT41이 STCC4의 보조 I2C 인터페이스에 연결되어 있기 때문에 일반적인 사용에서는 STCC4를 중심으로 데이터를 읽게 됩니다.

8. STEMMA QT로 간단하게 연결

Adafruit 센서 보드답게 연결도 상당히 간단합니다.

보드 양쪽에는 STEMMA QT 커넥터가 있습니다.

SparkFun의 Qwiic 시스템과 호환되기 때문에 케이블을 연결하는 것만으로

전원

SDA

SCL

GND

연결을 모두 해결할 수 있습니다.

납땜 없이 센서를 테스트할 수 있다는 것이 큰 장점입니다.

물론 일반적인 0.1인치 피치 헤더 핀도 사용할 수 있기 때문에 브레드보드에 꽂아 테스트하는 것도 가능합니다.

9. Arduino와 Python 모두 지원

소프트웨어 지원도 잘 되어 있습니다.

Arduino 환경뿐 아니라 CircuitPython / Python에서도 사용할 수 있기 때문에 ESP32, Arduino 계열 MCU부터 Raspberry Pi까지 다양한 플랫폼에서 활용할 수 있습니다.

따라서 간단한 실내 CO₂ 모니터부터 클라우드에 데이터를 전송하는 IoT 환경 센서까지 비교적 쉽게 확장할 수 있습니다.

10. 사용할 때 중요한 점: 주기적인 자가 교정

STCC4를 사용할 때 반드시 알아둘 부분이 있습니다.

바로 자가 교정(Self-calibration)입니다.

센서의 정확도를 장기간 유지하려면 주기적으로 신선한 외부 공기에 노출시켜 기준점을 잡을 수 있도록 해주는 것이 좋습니다.

일반적으로 신선한 야외 공기는 CO₂ 농도가 약 400 ppm 수준이므로 이를 기준으로 센서가 보정될 수 있습니다.

권장되는 방법은 대략 일주일에 한 번 정도 신선한 야외 공기에 노출시키는 것입니다.

따라서 완전히 밀폐된 공간에 센서를 장기간 설치하는 경우에는 이 부분을 고려해야 합니다.

11. STCC4는 어떤 프로젝트에 적합할까?

이 센서의 특징을 종합하면 방향이 꽤 명확합니다.

STCC4는 최고의 정밀도를 목표로 하는 CO₂ 분석 센서라기보다는

"작고 전기를 적게 사용하는 실내 CO₂ 센서"

에 가깝습니다.

​

그래서 다음과 같은 프로젝트에 특히 잘 어울립니다.

• ESP32 기반 실내 공기질 모니터
• 스마트 환기 시스템
• 사무실 및 회의실 CO₂ 모니터
• 스마트홈 환경 센서
• 식물 재배 환경 모니터
• 배터리 기반 무선 환경 센서
• 데이터 로거
• IoT 환경 모니터링 노드

특히 CO₂ + 온도 + 습도를 하나의 작은 보드에서 측정할 수 있다는 점은 환경 모니터링 프로젝트에서 상당히 편리합니다.

마무리

CO₂ 센서는 오랫동안 NDIR 방식이 사실상 표준처럼 사용되어 왔습니다.

정확도 측면에서는 여전히 NDIR 방식이 유리한 경우가 많지만, IoT 장치를 직접 만들어 보면 센서의 크기와 소비전력 역시 매우 중요한 설계 조건이라는 것을 알게 됩니다.

​

STCC4는 열전도율이라는 다른 물리적 원리를 이용해 이 문제에 접근합니다.

400 ~ 5,000 ppm의 CO₂ 측정 범위, 초소형 크기, 낮은 소비전력, 그리고 SHT41을 이용한 정밀 온습도 측정까지 하나의 작은 보드에 넣었다는 것이 가장 큰 특징입니다.

​

ESP32나 Raspberry Pi를 이용해서 작은 실내 공기질 모니터나 배터리 기반 환경 IoT 센서를 만들어보고 싶다면 꽤 흥미로운 선택지가 될 것 같습니다.

​

같은 집, 같은 크기의 화분, 같은 흙에서 키운다면 두 식물의 물주기 주기도 비슷할까요?

이 질문이 궁금해 호야 카르노사와 스킨답서스를 약 1년 동안 센서 데이터로 관찰했습니다.

​

각각 한 화분씩 같은 크기의 화분과 같은 배지(적옥토 + 스마트 코트)를 사용했고, 대기 온도·대기 습도·토양 수분 센서값·조도를 꾸준히 기록했습니다. 두 식물은 같은 실내에서 관리했습니다.

​

결과는 예상보다 분명했습니다. 같은 공간에서 자랐지만, 두 식물이 다시 물을 필요fd로 하는 리듬은 같지 않았습니다.

​

먼저 두 식물이 놓인 환경과 토양 수분의 장기 변화를 차례로 보겠습니다. 아래 그래프는 대기 온도, 대기 습도, 일별 누적 조도, 호야의 토양 수분 센서값, 스킨답서스의 토양 수분 센서값입니다.

​

1. 같은 집의 환경은 1년 동안 어떻게 변했을까?

가로축은 1주일 단위의 시간축이고, 세로축은 실내 공기의 온도(°C)입니다. 장기간 기록이기 때문에 계절에 따른 큰 흐름과 단기적인 변동을 함께 볼 수 있습니다.

​

다음은 같은 기간의 실내 상대습도 변화입니다.

가로축은 온도 그래프와 같고, 세로축은 상대습도(%)입니다.

​

다음은 실내 조도의 변화입니다.

가로축은 앞선 그래프와 같고, 세로축은 하루 동안의 조도 측정값을 합산한 값입니다. 센서는 2시간마다 조도를 ADC 값으로 기록했으며, 여기서는 하루 단위로 합산해 장기적인 빛 환경의 변화를 보기 쉽게 표시했습니다. 따라서 이 값은 절대적인 광량 단위가 아니라 센서의 상대적인 누적 조도 지표로 보는 것이 적절합니다.

​

2. 호야의 토양 수분은 어떻게 변했을까?

가로축은 앞선 그래프와 같은 시간축이며, 세로축은 토양 수분 센서의 ADC 출력값입니다. 이 값은 토양의 절대 수분함량(%)이 아니라, 같은 센서와 조건에서 수분 변화를 비교하기 위한 상대값입니다.

​

그래프의 톱니 모양에는 이유가 있습니다. 토양 수분 센서값 1000을 물주기 알림 기준으로 설정했고, 값이 이 수준에 도달해 알림이 발생하면 사람이 직접 물을 주었습니다. 따라서 센서값이 급격히 상승하는 지점은 대체로 실제 관수 시점을 나타냅니다.

​

기준값 1000은 보편적인 식물 기준이 아니라 이 화분과 센서 조합에서 경험적으로 정한 값입니다. 이 수준에서 반복적으로 물을 주었을 때 호야가 건강하게 자라는 것을 관찰해 관리 기준으로 사용했습니다.

​

3. 같은 기간, 스킨답서스는 어땠을까?

가로축과 세로축은 호야 그래프와 동일하게 맞췄습니다. 따라서 두 그래프에서 관수 사이의 간격, 즉 톱니 패턴의 폭을 직접 비교할 수 있습니다.

​

스킨답서스도 동일하게 센서값 1000을 물주기 알림 기준으로 두고 알림이 발생할 때마다 관수했습니다. 두 화분 모두 적옥토를 사용하고 표면에 같은 방식으로 스마트 코트를 공급했습니다. 즉, 화분 크기와 배지·비료 조건을 가능한 한 비슷하게 맞춘 상태에서 장기간 관찰했습니다.

​

두 토양 수분 그래프를 같은 시간축에 놓고 보면 가장 먼저 눈에 들어오는 차이가 있습니다.

발견 1. 두 식물의 물주기 주기는 분명히 달랐다

평균 물주기 간격은 호야 12.4일, 스킨답서스 9.9일이었습니다. 스킨답서스가 평균 2.5일 더 짧았습니다. 중앙값의 차이는 더 컸습니다. 호야는 12일, 스킨답서스는 8일이었습니다.

​

즉, 같은 집에서 비슷한 조건으로 관리해도 두 식물은 서로 다른 물주기 리듬을 보였습니다.

이 관찰이 말해주는 것은 단순합니다. “며칠마다 한 번”이라는 달력만으로 모든 식물을 관리하기는 어렵습니다. 같은 공간에서도 식물과 화분이 보여주는 건조 속도는 다를 수 있기 때문입니다.

​

그래서 물주기의 출발점은 달력보다 ‘지금 이 화분의 상태’에 가까워야 합니다. 1년의 기록은 그 차이를 눈으로 확인하게 해주었습니다.

​

※ 이번 글은 호야와 스킨답서스 각 1개 화분을 같은 실내에서 장기간 관찰한 사례입니다. 토양 수분 센서는 식물의 실제 수분 흡수량을 직접 측정하는 장비가 아니므로, 결과는 두 화분의 ‘토양이 마르는 패턴과 물주기 간격’을 비교한 관찰 결과로 해석했습니다. 다음 글에서는 이 물주기 리듬이 계절에 따라 어떻게 달라지는지 살펴보겠습니다.

__________________________________________________________________

이 글이 도움이 되셨다면 제 홈페이지(댓글에 링크)를 방문해 보세요.

홈페이지에서는 다음과 같은 다양한 콘텐츠를 만나실 수 있습니다.

· 기술 블로그와 학습 자료

· pcb 제작 강의와 최신 소식

· ESP32와 IoT 하드웨어 프로젝트

· KiCad PCB 설계 템플릿 (Github, Gumroad)

· 펌웨어 개발

배우고, 만들고, 함께 성장하는 메이커들을 위한 공간으로 계속 발전시켜 나가겠습니다.

인간의 의식은 어디에서 오는가?

우리는 왜 단순한 물질의 집합이 아니라, 스스로를 인식하고 생각하며 감정을 느끼는 존재가 되었을까?

이 질문에 평생을 바친 사람이 있습니다.

인지과학자 더글러스 호프스테터(Douglas Hofstadter)입니다.

그의 대표작 『괴델, 에셔, 바흐(Gödel, Escher, Bach)』는 수학, 음악, 미술이라는 전혀 다른 세계를 가로지르며 한 가지 놀라운 아이디어를 제시했습니다.

바로 ‘이상한 고리(Strange Loop)’입니다.

그런데 아이러니하게도 오늘날 인공지능의 발전은 호프스테터가 평생 구축한 인간 의식에 대한 세계관을 오히려 흔들어 놓고 있습니다.

1. 괴델, 에셔, 바흐를 연결하는 하나의 구조

호프스테터는 1979년 『괴델, 에셔, 바흐』를 통해 단순한 과학적 설명보다 훨씬 근본적인 질문을 던졌습니다.

“생명 없는 물질에서 어떻게 의식과 자아가 탄생하는가?”

그가 그 답을 찾기 위해 주목한 인물은 세 명이었습니다.

음악가 요한 제바스티안 바흐, 화가 M. C. 에셔, 수학자 쿠르트 괴델입니다.

이들의 작품과 이론에는 놀랍도록 비슷한 구조가 나타납니다.

바흐 — 끝없이 올라가지만 다시 처음으로

바흐의 「음악의 헌정」에 등장하는 ‘끝없이 상승하는 카논’은 음악이 계속 높은 음으로 올라가는 것처럼 들립니다.

하지만 조바꿈을 반복하다 보면 어느 순간 다시 처음의 조성으로 돌아옵니다.

앞으로 계속 나아가고 있다고 느꼈는데, 알고 보니 출발점으로 되돌아온 것입니다.

에셔 — 올라가는데 제자리인 계단

에셔의 「상승과 하강」이나 「폭포」 역시 같은 구조를 보여줍니다.

사람들은 계속 계단을 올라가고 있고 물은 계속 아래로 흐르는 것처럼 보입니다.

하지만 전체 그림을 보면 결국 다시 같은 자리로 돌아옵니다.

부분에서는 끝없는 진행처럼 보이지만, 전체에서는 하나의 고리가 만들어집니다.

괴델 — 자신을 가리키는 수학

괴델의 불완전성 정리는 이보다 더 기묘합니다.

괴델은 수학적 명제가 자기 자신을 가리킬 수 있도록 만드는 방법을 고안했습니다.

그 결과 논리 체계 안에서 사실상 이런 의미의 명제가 만들어집니다.

“이 명제는 이 체계 안에서 증명될 수 없다.”

논리 체계가 자기 자신을 바라보는 순간입니다.

호프스테터는 이 세 가지 사례에서 공통된 패턴을 발견했습니다.

자기 자신을 참조하면서 끊임없이 되돌아오는 구조.

그것이 바로 ‘이상한 고리’입니다.

2. 그렇다면 ‘나’라는 존재도 하나의 고리일까?

호프스테터는 여기서 한 걸음 더 나아갑니다.

인간의 뇌 역시 결국 뉴런이라는 물질로 이루어져 있습니다.

각각의 뉴런은 생각하지 않습니다.

뉴런 하나에는 자아도 없고, 감정도 없고, 철학도 없습니다.

그런데 수많은 뉴런이 복잡한 방식으로 연결되면 어느 순간 놀라운 현상이 나타납니다.

뇌 안에서 세상의 대상들을 나타내는 상징이 만들어지고,

다른 사람에 대한 개념이 만들어지고,

마침내 ‘나 자신’에 대한 개념도 만들어집니다.

그리고 그 ‘나’라는 개념을 이용해 다시 자기 자신을 관찰하게 됩니다.

내가 나를 생각하고, 생각하는 나를 다시 생각하는 것.

이 자기 참조가 반복되면서 하나의 거대한 고리가 만들어집니다.

호프스테터는 바로 이 구조에서 의식과 자아가 탄생한다고 보았습니다.

자아는 뇌 속 어딘가에 들어 있는 작은 영혼이 아니라,

수많은 기호와 개념이 서로를 가리키며 만들어내는 자기 참조적 패턴이라는 것입니다.

3. 시스템 안에서는 시스템 전체를 볼 수 없다

호프스테터는 『괴델, 에셔, 바흐』에서 여러 형식 체계를 이용해 이 문제를 설명합니다.

그 가운데 대표적인 것이 MIU 퍼즐입니다.

정해진 규칙에 따라 기호를 계속 바꿔 나가는 시스템입니다.

시스템 내부에서 할 수 있는 일은 규칙을 적용하는 것뿐입니다.

하지만 아무리 열심히 규칙을 적용해도 도달할 수 없는 상태가 존재합니다.

그 사실을 이해하려면 시스템 안에서 기호만 조작해서는 안 됩니다.

잠시 규칙 적용을 멈추고,

시스템 전체를 바깥에서 바라봐야 합니다.

여기에는 묘하게 동양 철학과 닮은 부분이 있습니다.

선불교의 공안도 논리적으로 풀려고 하면 해결되지 않습니다.

계속 생각하다 보면 오히려 사고 체계 자체의 한계에 부딪힙니다.

그리고 어느 순간 기존 사고의 틀을 벗어나야 합니다.

호프스테터는 이런 구조와 인간 의식의 자기 참조 사이에서 흥미로운 연결점을 발견했습니다.

그런데 인공지능이 등장했다

여기까지라면 상당히 아름다운 인간 의식 이론입니다.

문제는 현실의 인공지능 발전이 호프스테터가 예상했던 방향으로 진행되지 않았다는 것입니다.

1970년대 호프스테터는 인간 수준의 지능을 가진 기계가 등장하려면 매우 오랜 시간이 필요할 것이라고 생각했습니다.

그에게 진정한 지능은 단순 계산 능력이 아니었습니다.

자기 자신을 이해하고,

자신이 무엇을 하고 있는지 알고,

스스로를 되돌아볼 수 있어야 했습니다.

즉 인간 수준의 지능에는 어떤 형태로든 자의식과 메타인지가 필요하다고 본 것입니다.

그러나 현실은 전혀 다른 방향으로 움직였습니다.

4. 첫 번째 충격 — 체스

1997년 IBM의 딥블루(Deep Blue)가 세계 체스 챔피언 가리 카스파로프를 꺾었습니다.

하지만 딥블루는 자신이 체스를 두고 있다는 사실을 몰랐습니다.

승리의 기쁨도 없었고,

패배에 대한 두려움도 없었습니다.

체스의 아름다움을 이해하지도 않았습니다.

엄청난 계산 능력으로 수많은 가능성을 탐색했을 뿐입니다.

그럼에도 인간 최고의 체스 선수를 이겼습니다.

지능적인 행동을 하기 위해 반드시 인간과 같은 내면세계가 필요한 것은 아닐지도 모른다는 사실이 드러난 것입니다.

5. 두 번째 충격 — 예술

더 충격적인 사례는 예술에서 나타났습니다.

작곡가이자 컴퓨터 과학자인 데이비드 코프(David Cope)는 EMI라는 작곡 프로그램을 개발했습니다.

이 프로그램은 기존 음악의 패턴을 분석하고 재조합해 새로운 작품을 만들어냈습니다.

기계는 쇼팽을 사랑하지 않았습니다.

슬픔을 느끼지도 않았습니다.

음악을 들으며 감동하지도 않았습니다.

그런데도 사람들은 기계가 만들어낸 음악에서 쇼팽의 스타일을 느낄 수 있었습니다.

심지어 전문가들조차 실제 인간 작곡가의 작품과 구별하기 어려워했습니다.

호프스테터에게 이것은 단순한 기술적 발전이 아니었습니다.

그가 인간 정신의 가장 깊은 영역이라고 생각했던 창의성마저 알고리즘으로 모방될 가능성이 나타난 것이기 때문입니다.

그리고 LLM이 등장했다

오늘날 우리는 훨씬 더 이상한 상황에 도달했습니다.

대형 언어 모델은 글을 쓰고,

질문에 답하고,

철학을 논하고,

농담을 만들고,

감정을 이해하는 듯한 반응까지 보여줍니다.

사람과 대화를 나누다 보면 때로는 상대방이 자신의 말을 이해하고 있다는 느낌까지 받습니다.

그런데 여기서 호프스테터의 세계관과 충돌하는 문제가 발생합니다.

이러한 시스템이 인간과 같은 자아를 가지고 있다고 볼 근거는 없습니다.

그럼에도 불구하고 지능의 외형은 놀라울 정도로 만들어낼 수 있습니다.

원문의 표현을 빌리면, 인간과 유사한 지능과 창의성의 모습이 반드시 호프스테터가 상상했던 방식의 ‘자기 참조적 이상한 고리’를 거쳐야만 나타나는 것은 아닐 수 있다는 것입니다.

6. 그렇다면 의식은 지능에 꼭 필요한가?

여기에서 매우 불편한 질문이 등장합니다.

우리는 오랫동안 다음과 같이 생각해 왔습니다.

지능 → 이해 → 자아 → 창의성

똑똑한 존재라면 세상을 이해해야 하고,

세상을 이해한다면 자기 자신도 이해해야 하며,

그 자기 이해에서 인간과 같은 창의성이 나온다고 생각했습니다.

그런데 AI의 발전은 어쩌면 이 순서를 무너뜨리고 있습니다.

자아가 없어도 문제를 해결할 수 있고,

감정을 느끼지 않아도 예술적 결과물을 만들 수 있으며,

자기 존재를 고민하지 않아도 인간과 자연스럽게 대화할 수 있습니다.

그렇다면 우리가 ‘지능’이라고 불러온 것과 ‘의식’이라고 불러온 것은 처음부터 같은 것이 아니었을지도 모릅니다.

이 질문이 호프스테터의 철학을 가장 깊은 곳에서 흔듭니다.

7. 더 불편한 질문 — 인간의 자아 역시 착각이라면?

여기에서 질문은 다시 인간에게 돌아옵니다.

우리는 AI를 보며 말합니다.

“저것은 진짜로 이해하는 것이 아니다.”

“저것은 감정을 느끼지 않는다.”

“저것은 단순히 패턴을 계산하는 것이다.”

그런데 똑같은 질문을 인간에게 적용하면 어떻게 될까요?

인간의 뇌 역시 수백억 개의 뉴런으로 이루어져 있습니다.

각각의 뉴런은 전기화학적 신호를 주고받을 뿐입니다.

그 어디에도 독립적인 ‘나’라는 존재가 들어 있는 것은 아닙니다.

수많은 신경 활동이 반복되면서 하나의 거대한 패턴이 만들어지고,

우리는 그 패턴을 ‘나’라고 느끼고 있는 것일 수도 있습니다.

그렇다면 AI가 단순한 기계라서 의식이 없는 것이 문제가 아니라,

어쩌면 인간 역시 우리가 생각했던 방식의 특별한 존재가 아닐 가능성이 생깁니다.

이것이 훨씬 더 불편한 질문입니다.

8. 선불교와 인공지능이 만나는 기묘한 지점

여기서 이야기는 뜻밖에도 선불교와 만납니다.

불교에서는 고정되고 독립적인 자아가 존재한다는 생각 자체를 집착의 근원으로 봅니다.

우리는 ‘나’라는 존재가 영속적으로 존재한다고 생각하고,

그 자아를 지키기 위해 욕망하고,

비교하고,

두려워하고,

괴로워합니다.

따라서 깨달음의 한 측면은 바로 이 자아에 대한 집착에서 벗어나는 것입니다.

그런데 AI를 바라보면 기묘한 역설이 생깁니다.

인공지능은 애초에 인간처럼 자아에 집착하지 않습니다.

자존심도 없고,

죽음을 두려워하지도 않고,

인정받고 싶어 하지도 않습니다.

세상을 입력받고 처리하고 출력을 만들어낼 뿐입니다.

그렇다면 매우 기묘한 질문을 던질 수 있습니다.

자아를 버리는 것이 깨달음이라면, 애초에 자아가 없는 존재는 어떤 상태에 있는 것일까?

물론 이것은 철학적인 비유에 가깝습니다.

하지만 인간과 AI의 차이를 생각해보게 만드는 흥미로운 질문인 것은 분명합니다.

인간 이후의 지능

호프스테터가 던졌던 질문은 처음에는 이것이었습니다.

“물질에서 어떻게 의식이 탄생하는가?”

그러나 AI 시대에 질문은 조금 달라지고 있습니다.

“지능에 정말 의식이 필요한가?”

그리고 여기에서 한 단계 더 나아가면 더 급진적인 질문이 나타납니다.

“의식은 인간이 생각했던 것만큼 특별한 것인가?”

인공지능이 인간을 위협하는 가장 큰 이유는 인간보다 계산을 잘해서가 아닐지도 모릅니다.

오히려 인간만이 가지고 있다고 믿었던 것들—

언어,

추론,

창의성,

공감의 표현,

예술적 생산—

이 우리가 생각했던 것보다 훨씬 기계적인 과정으로 구현될 가능성을 보여주기 때문입니다.

그래서 AI는 단순히 새로운 기술이 아닙니다.

AI라는 거울을 바라보면서 우리는 결국 인간 자신이 무엇인지 다시 묻게 됩니다.

그리고 그 질문의 끝에서 어쩌면 가장 불편한 가능성과 마주하게 됩니다.

우리가 특별하다고 믿었던 것은 의식이 아니라,

우리가 스스로를 특별하다고 믿게 만드는 ‘이상한 고리’ 자체였던 것은 아닐까요?

지구에는 한때 여러 종류의 인간이 살고 있었습니다.

네안데르탈인도 있었고, 다른 여러 인간 종도 존재했습니다. 그런데 지금 지구를 지배하고 있는 인간은 호모 사피엔스(Homo sapiens) 하나뿐입니다.

사피엔스는 어떻게 수많은 생물 가운데 지구의 지배자가 되었을까요?

그리고 더 중요한 질문이 하나 있습니다.

그렇게 강력해진 인간은 과연 더 행복해졌을까요?

유발 하라리의 『사피엔스』는 인류의 기원에서 현대 과학기술이 만들어낼 미래까지의 거대한 역사를 인지혁명, 농업혁명, 과학혁명이라는 흐름으로 바라봅니다.

그 과정에서 우리가 당연하다고 생각해온 문명과 발전, 국가와 돈, 종교와 과학을 조금 다른 시선으로 바라보게 합니다.

1. 인지혁명 — 사피엔스는 '존재하지 않는 것'을 믿기 시작했다

약 7만 년 전, 사피엔스에게 중요한 변화가 일어났습니다.

인지혁명(Cognitive Revolution)입니다.

사피엔스는 이전보다 훨씬 복잡한 언어를 사용할 수 있게 되었습니다. 하지만 중요한 것은 단순히 말을 잘하게 되었다는 사실이 아닙니다.

인간은 눈앞에 존재하지 않는 것을 이야기할 수 있게 되었습니다.

신, 부족, 국가, 돈, 법, 인권과 같은 것들입니다.

돌이나 나무처럼 물리적으로 존재하는 것이 아니라, 많은 사람이 함께 믿기 때문에 존재하는 것들입니다.

하라리는 이것을 인간이 만들어낸 일종의 허구 또는 신화로 바라봅니다.

그런데 바로 이 능력이 사피엔스에게 엄청난 힘을 주었습니다.

침팬지 수백 마리를 한곳에 모아놓고,

"우리는 같은 국가의 국민이니까 서로 협력하자."

라고 말한다고 해서 협력이 이루어지지는 않습니다.

하지만 인간은 가능합니다.

서로 얼굴조차 모르는 수백만 명이 같은 국가를 믿고, 같은 화폐를 사용하고, 같은 법률을 따르며 협력할 수 있습니다.

사피엔스의 진정한 힘은 개인의 지능이나 근육에서 나온 것이 아니라,

수많은 사람이 같은 이야기를 믿고 대규모로 협력할 수 있는 능력에서 나온 셈입니다.

이 능력은 사피엔스가 다른 인간 종을 제치고 생태계의 최상위에 올라서는 결정적인 기반이 되었습니다.

2. 농업혁명 — 풍요로워졌지만 행복해졌을까?

약 1만 2천 년 전, 또 하나의 거대한 변화가 시작됩니다.

인류가 수렵과 채집을 중심으로 살아가는 대신 한곳에 정착해 농사를 짓기 시작한 농업혁명입니다.

일반적으로 우리는 농업혁명을 문명의 위대한 진보라고 생각합니다.

식량 생산량이 늘어났고, 마을과 도시가 생겨났으며, 결국 국가와 거대한 문명이 탄생했기 때문입니다.

하지만 하라리는 농업혁명을 도발적으로 '역사상 가장 큰 사기'라고 표현합니다.

왜일까요?

농업으로 인류 전체가 생산하는 식량의 총량은 증가했습니다.

하지만 그것이 개별 인간의 삶이 더 좋아졌다는 것을 의미하지는 않았습니다.

농부들은 이전의 수렵채집인보다 더 오랫동안 반복적인 노동을 해야 했고, 특정 곡물에 의존하면서 영양 상태가 나빠질 수 있었습니다. 한곳에 많은 사람이 모여 살면서 질병에도 더욱 취약해졌습니다.

그리고 늘어난 식량은 또 다른 결과를 가져왔습니다.

인구 증가와 계급의 탄생입니다.

잉여 생산물이 생기자 그것을 관리하고 소유하는 사람들이 나타났고, 사회는 점차 지배층과 피지배층으로 나뉘었습니다.

문명은 성장했지만 모든 개인의 삶이 그만큼 좋아진 것은 아니었습니다.

여기에서 『사피엔스』가 반복해서 던지는 중요한 질문이 등장합니다.

문명의 발전과 인간의 행복은 정말 같은 방향으로 움직이는가?

3. 돈과 제국과 종교 — 낯선 사람을 하나로 묶다

농업혁명 이후 인간 사회의 규모는 계속 커졌습니다.

작은 부족에서 도시로, 도시에서 왕국으로, 다시 거대한 제국으로 확대되었습니다.

그런데 수백만 명의 낯선 사람들이 어떻게 하나의 사회를 이루며 살아갈 수 있었을까요?

하라리는 인류를 통합한 대표적인 힘으로 화폐, 제국, 종교를 이야기합니다.

그중에서도 흥미로운 것이 돈입니다.

돈 자체는 종이나 금속에 불과합니다.

오늘날에는 심지어 대부분의 돈이 컴퓨터 서버에 기록된 숫자로 존재합니다.

그런데도 사람들은 돈을 받고 자신의 물건과 노동을 기꺼이 내놓습니다.

왜냐하면 상대방 역시 그 돈의 가치를 인정할 것이라고 믿기 때문입니다.

따라서 돈은 단순한 교환 수단을 넘어,

서로 모르는 사람들이 공유하는 거대한 신뢰 시스템이라고 볼 수 있습니다.

종교와 제국 역시 서로 다른 지역과 문화에 속한 사람들을 하나의 질서 안으로 통합했습니다.

결국 인류의 역사는 단순히 전쟁과 정복의 역사만이 아니라, 점점 더 많은 사람이 같은 질서와 이야기를 공유하게 된 과정이기도 합니다.

4. 과학혁명 — 인간은 자신의 무지를 인정하면서 강해졌다

약 500년 전부터 인류는 또 한 번 급격하게 변하기 시작합니다.

과학혁명입니다.

과학혁명의 출발점에는 역설적인 태도가 있었습니다.

"우리는 모른다."

기존의 종교나 전통이 세상의 모든 답을 가지고 있다고 생각하는 대신, 인간은 자신이 모르는 것이 있다는 사실을 인정하기 시작했습니다.

그리고 관찰하고, 측정하고, 실험했습니다.

이 태도는 과학을 폭발적으로 발전시켰습니다.

과학은 자본주의 및 제국주의와 결합하면서 항해술, 의학, 산업, 통신, 에너지 기술을 빠르게 발전시켰고 인간에게 과거에는 상상하기 어려웠던 힘을 주었습니다.

하지만 그 힘에는 대가도 있었습니다.

산업화와 대량생산은 인간에게 풍요를 가져왔지만 동시에 환경을 파괴하고 수많은 생물종을 멸종으로 몰아넣었습니다.

사피엔스는 자연에 적응하는 동물에서 점차 자연 자체를 변화시키는 존재가 되었습니다.

그리고 이제 그 힘은 더욱 근본적인 단계로 향하고 있습니다.

5. 인간은 이제 자기 자신을 바꾸려 한다

과거의 인간은 자연환경을 바꾸었습니다.

숲을 농경지로 만들고, 강에 댐을 세우고, 야생동물을 가축으로 만들었습니다.

하지만 현대의 인간은 여기에서 한 단계 더 나아가고 있습니다.

이제 인간은 자기 자신을 설계하려 하고 있습니다.

유전공학은 생명의 코드를 직접 수정하기 시작했고, 생명공학은 노화와 질병에 개입하고 있습니다.

그리고 인공지능은 지금까지 인간만의 영역이라고 생각했던 지적 활동까지 수행하기 시작했습니다.

과거 인간이 신에게 바라던 것 가운데 하나는 영생이었습니다.

또 하나는 생명을 창조하고 설계하는 능력이었습니다.

현대 과학은 조금씩 그 영역으로 접근하고 있습니다.

따라서 『사피엔스』의 마지막 질문은 단순히 "앞으로 기술이 얼마나 발전할 것인가?"가 아닙니다.

훨씬 근본적입니다.

기술이 충분히 발전한다면 인간은 계속 인간으로 남아 있을 것인가?

6. 사피엔스의 가장 큰 성공이 사피엔스의 종말을 가져올 수도 있다

사피엔스는 수만 년 동안 놀라운 성공을 거두었습니다.

허구를 만들어 협력했고,

농업을 통해 거대한 사회를 만들었으며,

돈과 종교, 제국을 통해 수많은 사람을 하나의 질서 속에 묶었습니다.

그리고 과학을 통해 자연을 이해하고 통제하는 힘을 얻었습니다.

그런데 그 성공의 끝에는 묘한 역설이 기다리고 있습니다.

사피엔스가 너무 강력해진 나머지 결국 사피엔스 자신을 바꾸어 버릴 가능성입니다.

생명공학적 신인류가 등장하거나 인간과 기계의 경계가 사라진다면, 수십만 년 동안 존재해 온 호모 사피엔스는 더 이상 현재와 같은 모습으로 존재하지 않을 수도 있습니다.

인간의 역사는 인간이 만든 신과 함께 시작되었지만, 그 끝에서는 인간 자신이 신과 같은 능력을 갖게 될지도 모릅니다.

그렇다면 『사피엔스』가 우리에게 남기는 질문은 이것일 것입니다.

우리는 무엇이 되고 싶은가?

인류는 오랫동안 더 강해지기 위해 노력했습니다.

더 많은 식량을 생산하고,

더 넓은 영토를 차지하고,

더 오래 살고,

더 많은 정보를 처리하고,

더 강력한 기술을 만들었습니다.

그 결과 사피엔스는 지구 역사상 가장 강력한 동물 가운데 하나가 되었습니다.

하지만 힘이 커질수록 오히려 더 중요해지는 질문이 있습니다.

우리는 그 힘으로 무엇을 할 것인가?

그리고 그보다 먼저 물어야 할지도 모릅니다.

우리는 도대체 무엇을 원하는가?

『사피엔스』는 과거를 설명하는 역사책처럼 시작하지만, 결국 미래를 향한 질문으로 끝납니다.

인간이 어디에서 왔는지를 이해하는 이유는 결국 인간이 어디로 갈 것인지를 생각하기 위해서일지도 모릅니다.

그리고 인공지능과 생명공학이 빠르게 발전하고 있는 지금, 이 질문은 책이 처음 쓰였을 때보다 오히려 더 현실적인 질문이 되어가고 있습니다.

사피엔스의 다음 단계는 더 나은 인간일까요?

아니면 더 이상 인간이라고 부를 수 없는 새로운 존재일까요?

유튜브 영상 "AI가 만든 것도 내가 만든 걸까"는 인공지능이 코드를 짜고 그림을 그리는 시대에 '인간의 창작과 성취감의 본질'이 어떻게 달라지고 있는지를 해커뉴스에서 벌어진 논쟁을 바탕으로 다룹니다.

AI에게 몇 줄의 프롬프트를 입력해 만들어진 코드나 그림을 과연 "내가 만들었다"고 할 수 있을까요?

반대로 내가 아이디어를 내고, AI에게 수없이 수정과 피드백을 지시하며 최종 결과물을 완성했다면 어떨까요?

AI를 실제 작업에 많이 사용하다 보니 저 역시 종종 생각하게 되는 문제입니다.

핵심 내용을 정리해봤습니다.

1. 창작의 경계와 논쟁: 영화 감독인가, 식당 손님인가?

• 커피 주문의 비유: 카페에서 아주 까다로운 옵션으로 커피를 주문했다고 해서 그 커피를 내가 만들었다고 하기는 어렵습니다. AI에게 상세한 프롬프트를 입력하는 것도 마찬가지라고 볼 수 있습니다. 하지만 커피의 압력과 추출 방식, 새로운 레시피를 직접 설계하고 수십 번의 피드백을 거쳐 원하는 커피를 완성했다면 이야기가 달라집니다. 단순한 소비자를 넘어 설계자나 감독의 영역에 들어서게 됩니다. AI 시대의 창작 역시 바로 이런 경계선에 놓여 있습니다.
• 과정 중심 vs 결과 중심의 대립: 같은 결과물을 만들어도 직접 만드는 과정을 중요하게 생각하는 사람과, 원하는 결과를 현실로 만드는 것을 더 중요하게 생각하는 사람의 관점은 크게 다릅니다.
• BJ의 수수 코딩: 개발자 BJ는 아내를 위해 자바스크립트, HTML, CSS로 177줄의 코드를 직접 한 줄씩 입력해 플래시카드 시스템을 만들었습니다. AI를 사용했다면 훨씬 빨리 끝낼 수 있었겠지만, 그는 데이터의 흐름과 논리를 완전히 이해하고 통제하는 과정에서 오는 성취감을 선택했습니다. 이른바 '이케아 효과'와도 연결되는 부분입니다. 그는 AI 결과물을 "내가 만든 것이 아니라 나를 위해 만들어지도록 지시한 것"이라고 정의합니다.
• 육아 대디의 바이브 코딩: 반면 육아 때문에 시간이 부족했던 한 사용자는 프로그래밍 문법을 잘 몰라도 자연어로 AI와 대화하며 음악 편집기를 만들었습니다. 이른바 '바이브 코딩'입니다. 그는 AI가 없었다면 자신의 아이디어가 머릿속에서 사라지는 것으로 끝났을 것이라고 말합니다. 문제를 정의하고, 비전을 제시하고, 결과물을 계속 조율해 실제 제품으로 만들었다면 그것 역시 자신의 창작이라는 주장입니다. 이 관점에서는 프롬프트를 작성하고 AI를 지휘하는 것도 건축가가 건물을 설계하거나 영화 감독이 수많은 스태프를 지휘하는 것과 같은 '현대적인 디렉팅'으로 볼 수 있습니다.

2. 도구(Tool)와 대리 제작자(Agent)의 모호한 경계

• 결정론적 도구: 망치, 컴파일러, 3D 프린터 같은 기존의 도구는 입력과 출력이 물리적·수학적 법칙에 따라 비교적 명확하게 결정됩니다. 망치가 스스로 판단해서 못을 비스듬히 박거나, 컴파일러가 자기 취향대로 코드를 바꾸지는 않습니다. 기본적으로 인간이 내린 명령을 그대로 수행하는 도구입니다.
• 비결정론적 AI: 반면 AI는 확률을 기반으로 결과를 생성하는 비결정론적인 특성을 가집니다. 특히 인간 언어의 모호함을 스스로 해석하고, 내가 구체적으로 설명하지 않은 디자인이나 논리의 빈 공간까지 알아서 채웁니다. 그래서 AI는 단순한 망치나 컴파일러보다는 '똑똑한 대리 제작자', 조금 더 현실적으로 표현하면 부하 직원이나 외주 업체와 비슷한 면이 있습니다.
• 법적 저작권: 이런 차이는 저작권 문제에서도 나타납니다. 미국 저작권청의 기준을 보면 인간이 단순히 프롬프트를 입력해 얻은 AI 결과물 자체에는 저작권이 인정되기 어렵습니다. 인간의 실질적인 창작적 개입과 수정, 가공이 결과물에 충분히 반영되었는지가 중요한 판단 기준이 됩니다.

3. 잃어버린 이해도와 두 가지 창작자 유형

1. 이해도의 증발: 과거에는 프로그램에 에러가 생기면 코드를 하나씩 뜯어보고 디버깅하면서 원인을 찾아야 했습니다. 당시에는 고통스러운 과정이었지만, 그 과정에서 머릿속에는 시스템이 어떻게 작동하는지에 대한 탄탄한 '멘탈 모델'이 만들어졌습니다. 그런데 이제는 에러 메시지를 AI에게 보여주면 몇 초 만에 수정된 코드를 받을 수 있습니다. 프로그램은 잘 돌아가는데 정작 개발자는 "왜 이렇게 하면 작동하는지" 정확히 모르는 '이해도의 단절'이 발생할 수 있습니다.
2. 두 가지 창작자 유형: AI를 바라보는 태도의 차이는 결국 사람이 창작의 어느 부분에서 즐거움을 느끼느냐와도 연결됩니다.
3. 디테일형 인간: 과정 자체를 좋아하는 사람입니다. 퍼즐 조각을 하나씩 맞추고, 복잡한 알고리즘을 자기 머리로 해결하고, 시행착오 끝에 원리를 이해하는 데서 쾌감을 느낍니다. 이런 사람에게 AI가 답을 먼저 알려주는 것은 추리소설을 읽기도 전에 범인을 알려주는 것과 비슷할 수 있습니다. 효율은 높아지지만 창작의 재미는 오히려 줄어드는 것입니다.
4. 시스템형 인간: 개별 조각을 직접 만드는 것보다 여러 조각을 결합해 머릿속의 비전을 실제 제품이나 서비스로 만드는 데서 더 큰 즐거움을 느끼는 사람입니다. 이들에게 AI는 자신의 능력 범위를 크게 확장해주는 도구입니다. 칼 세이건의 "사과파이를 처음부터 직접 만들려면 우선 우주부터 창조해야 한다"는 말처럼, 우리는 애초부터 모든 것을 처음부터 직접 만들어온 것이 아닙니다. 결국 창작자는 자신이 어느 추상화 단계에서 직접 개입할 것인지를 선택하게 됩니다.

4. 결론: AI 시대에 끝까지 남는 인간의 영역

• 현재의 AI 혁명은 정보와 소프트웨어 세계에 찾아온 산업혁명과 비슷해 보입니다. 산업혁명 이후 공장에서 대량생산된 물건이 쏟아졌듯, 앞으로는 AI가 만들어낸 저렴한 코드와 글, 그림, 영상이 엄청난 양으로 쏟아질 것입니다. 이미 인터넷에서는 이런 저품질 AI 콘텐츠를 뜻하는 'Slop'이라는 표현까지 등장하고 있습니다.
• 그렇다면 역설적으로 인간의 고유한 철학과 깊은 이해가 담긴 결과물의 가치는 오히려 더 높아질 수도 있습니다. AI가 벽돌을 완벽하게 깎고 누구보다 빠르게 쌓을 수는 있습니다. 하지만 어떤 모양의 집을 지을지, 누구를 그 집에 초대할지, 그 안에서 어떤 대화를 나누게 할지를 결정하는 것은 여전히 인간의 영역입니다.
• 결국 창작물이 '누구를 향하고 있는가', '왜 이것을 만드는가', '어떤 목적과 의도를 담고 있는가'를 결정하는 것은 인간입니다. 인간의 취향과 경험, 애정까지 AI가 대신 결정하기는 어렵습니다. 어쩌면 앞으로는 계산상 비효율적인데도 굳이 그렇게 만든 '의도된 비효율', 혹은 완벽하지 않은 '묘하게 어긋난 실수'가 오히려 기계와 인간을 구분하는 마지막 창작의 서명이 될지도 모릅니다.

🎧 AI 시대의 창작을 바라보는 두 관점, '과정의 재미'와 '결과의 효율' 중 여러분은 어느 쪽에 더 가까운가요?

저 역시 AI를 이용해 코드를 작성하고 글과 이미지를 만들면서 이 질문을 자주 생각하게 됩니다.

AI가 만들어준 것을 사용하는 것과 AI를 이용해 내가 원하는 것을 만드는 것.

그 둘의 경계가 어디에 있는지는 앞으로도 계속 고민해볼 만한 문제인 것 같습니다.

​

​

_________________________________________________________________

이 글이 도움이 되셨다면 제 홈페이지(댓글에 링크)를 방문해 보세요.

홈페이지에서는 다음과 같은 다양한 콘텐츠를 만나실 수 있습니다.

· 기술 블로그와 학습 자료

· pcb 제작 강의와 최신 소식

· ESP32와 IoT 하드웨어 프로젝트

· KiCad PCB 설계 템플릿 (Github, Gumroad)

· 펌웨어 개발

배우고, 만들고, 함께 성장하는 메이커들을 위한 공간으로 계속 발전시켜 나가겠습니다.

마이크로컨트롤러를 사용하다 보면 단순한 3.3V나 5V 신호가 아니라 0~10V 범위의 아날로그 전압이 필요한 경우가 있습니다.

​

예를 들어 Op-Amp의 바이어스 전압을 조절하거나, 외부 아날로그 회로의 기준 전압을 바꾸거나, 산업용 장비에 제어 전압을 입력하고 싶은 경우입니다.

​

문제는 아두이노나 ESP32 같은 일반적인 마이크로컨트롤러가 이런 전압을 직접 만들어내기는 어렵다는 점입니다.

​

이럴 때 꽤 편리하게 사용할 수 있는 보드가 Adafruit GP8403 I2C DAC Breakout입니다.

이 보드는 단순한 DAC가 아닙니다.

2채널 12비트 DAC + 0~10V 출력 + 12V 부스터 + I2C 인터페이스를 작은 보드 하나에 넣어 놓았습니다.

​

이번 글에서는 이 보드가 어떤 특징을 가지고 있고, 어떤 프로젝트에 활용할 수 있는지 살펴보겠습니다.

​

1. GP8403은 어떤 DAC인가?

DAC는 Digital-to-Analog Converter의 약자로, 디지털 값을 실제 아날로그 전압으로 변환해 주는 장치입니다.

GP8403은 12비트 DAC입니다.

12비트이므로 디지털 입력 범위는

0x000 ~ 0xFFF

즉,

0 ~ 4095

입니다.

이 값을 설정한 출력 범위에 맞추어 아날로그 전압으로 변환합니다.

​

출력 범위는 두 가지를 선택할 수 있습니다.

• 0~5V
• 0~10V

그리고 중요한 점은 출력 채널이 2개라는 것입니다.

따라서 하나의 보드에서 서로 다른 두 개의 아날로그 전압을 독립적으로 만들어낼 수 있습니다.

​

2. 0~10V를 어떻게 출력할까?

이 보드에서 가장 재미있는 부분입니다.

보드에 공급하는 논리 전원은 일반적인 마이크로컨트롤러와 마찬가지로 3~5V 정도입니다.

그런데 출력은 최대 10V까지 가능합니다.

어떻게 가능할까요?

보드 내부에 DC/DC 부스터 회로가 들어 있기 때문입니다.

낮은 입력 전압을 내부에서 약 12V까지 승압하고, 이 전원을 이용해 GP8403이 최대 10V의 아날로그 출력을 만들어냅니다.

따라서 별도의 12V 전원회로나 Op-Amp 기반 증폭회로를 직접 구성하지 않아도 됩니다.

특히 프로토타입 단계에서 상당히 편리한 구성입니다.

​

3. 12비트면 전압을 얼마나 세밀하게 조절할 수 있을까?

12비트 DAC에는 총 4096단계가 있습니다.

0~10V 모드라면 한 단계는 대략

10V / 4095 ≈ 2.44mV

입니다.

0~5V 모드에서는

5V / 4095 ≈ 1.22mV

정도가 됩니다.

​

예를 들어 0~10V 모드에서 디지털 값을 절반 정도로 설정하면 약 5V가 출력되는 식입니다.

GP8403의 출력 전압 오차는 전형적으로 약 0.2%, 선형성 오차는 약 0.1% 수준입니다.

정밀한 바이어스 전압이나 기준 전압을 디지털 방식으로 설정해야 하는 용도라면 꽤 유용한 사양입니다.

​

4. 빠른 파형 발생용 DAC는 아니다

여기서 한 가지 알아둘 점이 있습니다.

DAC라고 하면 사인파나 삼각파 같은 파형을 만들어내는 용도를 떠올릴 수 있습니다.

하지만 이 보드는 그런 용도와는 조금 다릅니다.

DAC 출력단에 10µF 커패시터가 들어 있기 때문에 출력 전압이 매우 빠르게 변하지 않습니다.

​

즉,

"5V를 만들어서 계속 유지한다."

또는

"3.2V에서 천천히 4.5V로 바꾼다."

같은 용도에는 잘 맞지만,

"수 kHz의 사인파를 만든다."

같은 용도에는 적합하지 않습니다.

그래서 이 보드는 파형 발생기라기보다는 프로그래머블 바이어스 전압 발생기에 가깝다고 생각하면 이해하기 쉽습니다.

​

5. 12V 부스터 출력도 사용할 수 있다

내부 부스터는 DAC만을 위한 것이 아닙니다.

보드에서는 승압된 12V 전원도 외부로 꺼내 사용할 수 있으며 최대 약 100mA 정도를 사용할 수 있습니다.

작은 아날로그 회로나 센서, Op-Amp 등을 함께 구동해야 할 때 유용할 수 있습니다.

​

예를 들어 마이크로컨트롤러는 3.3V로 동작시키면서,

GP8403으로 0~10V 제어전압을 만들고,

동시에 주변 아날로그 회로에는 12V를 공급하는 식의 구성이 가능합니다.

다만 100mA 수준이므로 모터나 솔레노이드처럼 전력을 많이 소비하는 부하를 구동하는 용도로 생각하면 곤란합니다.

​

6. I2C라 연결도 간단하다

GP8403은 I2C 방식으로 제어합니다.

기본적인 연결은 다음 네 가지만 있으면 됩니다.

VDD → 3~5V

GND → GND

SDA → MCU SDA

SCL → MCU SCL

Adafruit 보드답게 STEMMA QT / Qwiic 커넥터도 달려 있습니다.

따라서 STEMMA QT나 Qwiic 생태계의 개발보드를 사용한다면 납땜하지 않고 케이블만 연결해서 바로 테스트할 수도 있습니다.

아날로그 출력 쪽에는 4핀 2.5mm 터미널 블록도 기본 장착되어 있습니다.

센서나 외부 회로에 연결할 때 점퍼선이 빠지는 문제를 줄일 수 있어 실제 실험에서는 꽤 편리합니다.

​

7. 3.3V와 5V 시스템 모두 사용 가능

I2C 논리 입력은 2.7~5.5V 범위를 지원합니다.

따라서

Arduino Uno 같은 5V 시스템,

ESP32나 Raspberry Pi 같은 3.3V 시스템

모두 사용할 수 있습니다.

별도의 레벨 시프터를 추가하지 않아도 된다는 점도 프로토타이핑에서는 장점입니다.

​

8. 한 I2C 버스에 최대 8개까지

보드 뒷면에는 A0, A1, A2 주소 선택 점퍼가 있습니다.

세 개의 비트로 주소를 설정할 수 있으므로

2³ = 8

즉, 하나의 I2C 버스에 최대 8개의 GP8403 보드를 연결할 수 있습니다.

보드 하나당 출력이 2채널이므로 최대

8 × 2 = 16개의 독립적인 아날로그 출력

을 만들 수 있습니다.

여러 채널의 바이어스 전압이나 기준 전압을 하나의 마이크로컨트롤러에서 제어해야 하는 실험장비를 만들 때 특히 재미있는 구성이 가능합니다.

​

9. 전원을 껐다 켜도 설정값을 유지할 수 있다

GP8403에는 비휘발성 메모리(NVM) 기능도 있습니다.

일반적인 DAC는 전원을 끄면 설정했던 출력값을 잃어버립니다.

그러면 MCU가 다시 부팅된 후 I2C 명령을 보내 DAC 값을 다시 설정해야 합니다.

GP8403은 설정값을 NVM에 저장해 두면 다음번 전원을 켰을 때 저장된 전압값으로 다시 출력할 수 있습니다.

장비의 기준전압이나 초기 바이어스 전압을 일정하게 유지해야 하는 경우 상당히 편리한 기능입니다.

​

다만 NVM에 값을 기록할 때는 일반적인 I2C 명령과 조금 다른 방식이 사용됩니다.

Adafruit 라이브러리에서는 I2C 핀을 직접 제어하는 일종의 bit-banging 방식을 사용합니다.

ATmega328 계열에서는 정상적으로 동작하는 것이 확인되어 있지만, MCU나 개발환경에 따라 I2C 핀을 이렇게 직접 제어하는 것이 제한될 수도 있습니다.

따라서 NVM 기능을 반드시 사용해야 한다면 사용하는 플랫폼에서 미리 확인해 보는 것이 좋습니다.

​

10. 출력 단락 보호 기능

실험하다 보면 아날로그 출력선을 실수로 GND에 연결하는 경우가 있습니다.

GP8403에는 이런 상황에 대비한 출력 단락 보호 기능이 들어 있습니다.

출력 핀이 GND와 단락되면 칩이 보호 모드로 들어가 출력을 중단합니다.

물론 보호 기능이 있다고 해서 일부러 출력을 단락시켜도 된다는 뜻은 아니지만, 개발이나 실험 과정에서 발생할 수 있는 실수에 어느 정도 대비할 수 있다는 것은 장점입니다.

​

11. Arduino와 Python에서도 쉽게 사용 가능

하드웨어가 좋아도 제어하기 어렵다면 사용하기 번거롭습니다.

Adafruit에서는 GP8403을 위한 Arduino 라이브러리와 Python/CircuitPython 라이브러리를 제공하고 있습니다.

따라서 처음부터 I2C 레지스터를 직접 분석해서 코드를 작성할 필요는 없습니다.

Arduino나 ESP32에서는 Arduino 라이브러리를 이용하고, Raspberry Pi나 CircuitPython 환경에서는 Python 계열 라이브러리를 이용하면 됩니다.

라이브러리 예제를 먼저 실행해 보고 원하는 출력전압이 정상적으로 나오는지 멀티미터로 확인하는 것이 가장 간단한 시작 방법입니다.

​

12. 물리적인 크기도 상당히 작다

보드 크기는 약

25.5 × 22.8 × 12.0mm

이며 무게는 약 3.6g입니다.

작은 보드 안에

12비트 2채널 DAC

I2C 인터페이스

12V 부스터

STEMMA QT 커넥터

터미널 블록

주소 설정 기능

까지 들어 있다고 생각하면 상당히 집적도가 높은 편입니다.

PCB에는 4개의 마운팅 홀도 있어서 단순한 브레드보드 테스트를 넘어 장비 내부에 고정해서 사용하는 것도 가능합니다.

​

13. 어디에 사용하면 좋을까?

개인적으로 이 보드에서 가장 눈에 들어오는 부분은 단순히 "DAC가 하나 더 생긴다"는 것이 아닙니다.

마이크로컨트롤러가 0~10V 아날로그 전압을 직접 제어할 수 있게 된다는 점이 핵심입니다.

​

예를 들면 다음과 같은 용도를 생각해볼 수 있습니다.

• Op-Amp 바이어스 전압 조절
• 센서 회로의 기준전압 설정
• 아날로그 회로의 Offset 조절
• 실험장비의 programmable voltage source
• 테스트 장비의 자동화
• 산업용 0~10V 입력 장치 제어
• 여러 채널의 아날로그 기준전압 자동 설정

​

특히 PC나 Raspberry Pi에서 Python으로 실험장비를 자동화하고 있다면 활용도가 높아집니다.

측정 → 판단 → DAC 전압 변경 → 다시 측정

같은 폐루프 실험 시스템을 비교적 간단하게 만들 수 있기 때문입니다.

​

마무리

Adafruit GP8403 Breakout은 일반적인 DAC 보드와는 성격이 조금 다릅니다.

단순히 디지털 값을 아날로그 전압으로 변환하는 데 그치지 않고, 내장된 부스터를 이용해 0~10V의 비교적 높은 아날로그 전압을 직접 출력할 수 있다는 것이 가장 큰 특징입니다.

여기에 2채널 12비트 DAC, I2C 제어, 12V 출력, NVM, 주소 변경, STEMMA QT까지 들어 있습니다.

​

빠른 파형을 만드는 용도에는 맞지 않지만, 정적인 바이어스 전압이나 천천히 변화하는 제어전압을 MCU에서 정밀하게 설정하는 용도라면 꽤 매력적인 보드입니다.

특히 Arduino나 ESP32를 이용해 아날로그 실험장비나 자동화 장치를 직접 만들어보고 싶다면 기억해 둘 만한 부품입니다.

ChatGPT 같은 AI를 공부에 활용한다고 하면 보통 이런 모습을 떠올립니다.

“이 개념을 설명해줘.”

“이 논문을 요약해줘.”

“이 문제를 풀어줘.”

​

물론 이것만으로도 AI는 꽤 유용합니다.

하지만 AI의 진짜 가능성은 답을 빨리 얻는 것보다, 내가 무언가를 배우는 방식 자체를 바꾸는 데 있을지도 모릅니다.

​

Eero Alvar의 「How I Use AI to Learn Things」는 AI를 단순한 검색이나 요약 도구가 아니라 개인에게 최적화된 1:1 튜터로 사용하는 방법을 제안합니다.

​

핵심 아이디어는 아래와 같습니다.

그리고 AI는 이 구조를 상당히 현실적으로 만들어줄 수 있습니다.

1. 기존 교육에는 구조적인 비효율이 있다

전통적인 교육은 대부분 1:N 구조입니다.

한 명의 교사가 여러 학생을 가르치거나, 하나의 강의나 책을 수많은 사람이 봅니다.

하지만 사람마다 이미 알고 있는 지식도 다르고, 이해 속도도 다릅니다.

누군가에게는 너무 쉬운 설명이 다른 사람에게는 너무 어려울 수 있습니다.

​

예를 들어 미적분을 공부한다고 해보겠습니다.

어떤 사람은 함수와 미분은 충분히 알고 있지만 적분에서 막힐 수 있고, 다른 사람은 공식은 외웠지만 함수 자체에 대한 직관이 부족할 수도 있습니다.

그런데 같은 교재와 같은 강의는 이들을 거의 동일한 순서로 가르칩니다.

​

반대의 문제도 있습니다.

학습자는 하나의 주제를 공부하면서 여러 출처를 돌아다닙니다.

유튜브 영상을 보고,

블로그를 검색하고,

책을 찾아보고,

논문을 읽고,

다시 AI에게 질문합니다.

정보 자체는 많아졌지만 그때마다 새로운 설명 방식에 적응해야 합니다.

​

저자는 이것 역시 일종의 인지적 비용이라고 봅니다.

결국 이상적인 학습 구조는 많은 교사가 많은 학생을 가르치는 구조가 아니라,

한 명의 교사가 한 명의 학생을 지속적으로 이해하면서 가르치는 구조에 가까워집니다.

AI가 흥미로운 이유가 바로 여기에 있습니다.

2. 좋은 AI 교사는 ‘내가 모르는 것’을 알아야 한다

AI에게 단순히

“양자역학을 가르쳐줘.”

라고 하면 꽤 그럴듯한 설명이 나옵니다.

​

하지만 문제가 있습니다.

AI는 내가 어디까지 알고 있는지 모릅니다.

그래서 이미 알고 있는 내용을 길게 설명하거나, 반대로 내가 이해하지 못하는 개념을 알고 있다고 가정하고 넘어가기도 합니다.

​

개인화된 학습을 위해 가장 먼저 필요한 것은 설명이 아니라 진단입니다.

저자가 제시하는 학습 시스템 역시 여기서 시작합니다.

Phase 1. Probe — 내 지식의 경계를 찾는다

첫 번째 단계는 Probe, 즉 탐색입니다.

AI가 바로 가르치기 시작하는 것이 아니라 먼저 질문합니다.

​

예를 들어 전자기학을 배우고 싶다면,

맥스웰 방정식을 아는지,

벡터 미적분을 이해하는지,

gradient, divergence, curl의 의미를 아는지,

선적분과 면적분을 이해하는지 등을 확인할 수 있습니다.

​

중요한 것은 모든 것을 처음부터 시험하는 것이 아닙니다.

AI가 질문을 통해 내 지식의 경계선을 찾아가는 것입니다.

저자는 이를 일종의 binary search, 즉 이진 탐색에 비유합니다.

​

너무 쉬운 질문에 답하면 난이도를 높이고,

어려운 질문에서 막히면 다시 아래 단계로 내려갑니다.

이 과정을 반복하면 결국

“여기까지는 알고 있지만 여기서부터는 모른다.”

라는 지점을 찾을 수 있습니다.

바로 이 지점이 학습의 출발점입니다.

3. 가장 효율적인 학습은 ‘아는 것 바로 다음’에서 시작한다

이 방식이 중요한 이유는 우리가 공부하면서 사용하는 에너지의 상당 부분이 실제 학습이 아닌 곳에서 낭비되기 때문입니다.

​

이미 알고 있는 내용을 반복해서 읽거나,

너무 어려운 설명을 이해하려고 씨름하거나,

어떤 자료를 봐야 하는지 검색하는 데 시간을 씁니다.

​

AI 튜터의 역할은 이런 부분을 줄이는 것입니다.

AI가 담당해야 하는 것은

자료 탐색,

학습 순서 결정,

선행 개념 확인,

사실 검증,

진도 조정 같은 학습의 물류(logistics)입니다.

​

그러면 사람은 무엇을 해야 할까요?

가장 어려운 일을 해야 합니다.

생각해야 합니다.

즉, AI를 이용한 좋은 학습은 인간의 사고를 없애는 것이 아니라 오히려 반대입니다.

AI가 주변의 불필요한 작업을 제거해서 인간이 어려운 개념과 씨름하는 데 더 많은 에너지를 사용하도록 만드는 것입니다.

Phase 2. Plan — 학습 경로를 먼저 설계한다

지식의 현재 위치를 파악했다면 두 번째 단계는 Plan입니다.

​

AI에게 바로 강의를 시작하게 하지 않고,

먼저 목표까지 어떤 개념을 어떤 순서로 배워야 하는지 설계하게 합니다.

예를 들어 목표가 어떤 고급 물리 개념을 이해하는 것이라면 그 전에 필요한 수학적 개념들이 있을 수 있습니다.

​

이를 단순한 목차가 아니라 개념 간 관계로 표현하면 다음과 같은 구조가 됩니다.

기초 개념

↓

선행 수학

↓

핵심 개념 A

↘

핵심 개념 B → 목표 개념

↗

응용 개념

저자는 이를 Mermaid 그래프나 다이어그램으로 시각화하는 방법을 사용합니다.

이것은 단순히 보기 좋게 만들기 위한 것이 아닙니다.

AI에게 개념의 dependency tree, 즉 의존 관계를 명시적으로 생각하도록 강제하는 효과가 있습니다.

“이것을 이해하려면 무엇을 먼저 알아야 하는가?”

“그 개념을 이해하려면 또 무엇이 필요한가?”

이렇게 역으로 추적하면서 학습 경로를 설계하는 것입니다.

결과적으로 AI가 그때그때 떠오르는 내용을 설명하는 것이 아니라 목표를 향한 하나의 커리큘럼을 만들게 됩니다.

Phase 3. Teach — 한 번에 한 단계만 가르친다

이제 실제 학습이 시작됩니다.

여기서 중요한 원칙이 하나 있습니다.

한 번에 너무 많이 설명하지 않는 것입니다.

AI에게 어려운 개념을 질문하면 종종 교과서 몇 페이지 분량의 답변을 한꺼번에 생성합니다.

정보량은 많지만 학습에는 반드시 좋은 방식이라고 할 수 없습니다.

​

저자의 방법은 반대입니다.

One reasoning step at a time.

즉, 하나의 사고 단계씩 진행합니다.

개념 하나를 설명하고,

이해했는지 확인하고,

필요하면 다른 방식으로 설명하고,

그다음 단계로 넘어갑니다.

AI가 설명하는 속도가 아니라 사람이 이해하는 속도에 맞추는 것입니다.

이 차이는 상당히 중요합니다.

AI 시대에는 정보를 얻는 속도보다 정보를 자신의 사고 체계 안으로 흡수하는 속도가 학습의 병목이 될 가능성이 높기 때문입니다.

4. “이해한 것 같은 느낌”을 경계해야 한다

AI 학습에는 또 하나의 위험이 있습니다.

AI의 설명은 매우 자연스럽습니다.

읽다 보면

“아, 알겠다.”

라는 생각이 쉽게 듭니다.

하지만 설명을 이해한 느낌과 실제로 개념을 사용할 수 있는 것은 다릅니다.

​

그래서 AI 튜터는 주기적으로 학습자를 다시 시험해야 합니다.

간단한 질문을 하거나,

연습 문제를 제시하거나,

다른 상황에 개념을 적용하도록 요구할 수 있습니다.

​

예를 들어,

“방금 배운 개념을 네 말로 설명해봐.”

“이 조건이 바뀌면 결과가 어떻게 달라질까?”

“다음 문제를 직접 풀어봐.”

같은 방식입니다.

​

이를 통해 AI가 가지고 있는 학습자의 지식 모델을 계속 업데이트할 수 있습니다.

처음에는 이해했다고 판단했지만 실제 문제에서 계속 틀린다면 해당 부분을 다시 학습해야 합니다.

즉,

진단 → 학습 → 테스트 → 재진단

이라는 피드백 루프가 만들어집니다.

5. AI가 대신 생각하게 하면 오히려 학습을 망칠 수 있다

여기서 AI 학습의 중요한 역설이 등장합니다.

AI가 너무 편리하면 공부를 하지 않게 될 수도 있습니다.

문제를 주자마자 답을 보여주고,

논문을 읽기도 전에 요약하고,

어려운 수식을 직접 생각하기 전에 풀이를 생성하게 하면,

결과는 빠르게 얻을 수 있지만 실제 학습은 거의 일어나지 않을 수 있습니다.

​

따라서 좋은 AI 학습 시스템의 목표는

“어떻게 하면 생각을 덜 할 수 있을까?”

가 아닙니다.

오히려

“어떻게 하면 중요하지 않은 곳에서는 생각을 덜 하고, 정말 중요한 문제에는 더 많이 생각할 수 있을까?”

에 가깝습니다.

AI는 학습의 마찰을 제거하지만 지적 struggle 자체를 제거해서는 안 됩니다.

그 struggle이 바로 새로운 지식이 자신의 것이 되는 과정이기 때문입니다.

6. Obsidian을 학습 인터페이스로 활용하기

저자는 이러한 AI 학습 과정을 관리하기 위해 Obsidian을 사용합니다.

AI와의 대화가 일회성 채팅으로 사라지지 않고 Markdown 파일 형태로 남도록 구성합니다.

이렇게 하면 학습 과정 자체가 하나의 지식 데이터베이스가 됩니다.

오늘 어떤 내용을 공부했는지,

어디에서 막혔는지,

어떤 문제를 틀렸는지,

어떤 개념을 새롭게 이해했는지를 계속 축적할 수 있습니다.

단순한 노트보다 더 흥미로운 점은 AI가 이 기록을 바탕으로 다음 학습을 이어갈 수 있다는 것입니다.

결국 학습 기록이 쌓일수록 AI 튜터 역시 나에 대해 더 많은 맥락을 가지게 됩니다.

7. 복잡한 작업은 Sub-agent에게 맡긴다

시각 자료가 필요한 경우에는 별도의 Sub-agent를 사용하는 방법도 소개됩니다.

예를 들어 수학적 구조나 물리적 관계를 SVG 다이어그램으로 표현해야 한다면,

메인 AI 튜터가 모든 작업을 직접 처리하는 대신 별도의 에이전트가 그림을 만들고 검증하도록 하는 방식입니다.

이렇게 하면 메인 대화의 context를 불필요하게 소모하지 않으면서 전문적인 작업을 분리할 수 있습니다.

​

앞으로 AI 학습 시스템은 하나의 AI와 대화하는 형태에서,

Tutor AI

→ Research AI

→ Verification AI

→ Visualization AI

처럼 여러 역할을 가진 AI가 협력하는 구조로 발전할 가능성도 있습니다.

8. AI 시대에는 ‘공부를 잘하는 방법’ 자체가 바뀔 수 있다

이 방식에서 흥미로운 것은 AI가 단순히 기존 교육을 더 빠르게 만들어주는 것이 아니라는 점입니다.

교육의 기본 구조 자체를 바꿀 가능성이 있습니다.

기존 교육은 보통

교과과정 → 강의 → 학생

순서입니다.

먼저 표준화된 교과과정을 만들고 학생이 그 경로를 따라갑니다.

​

AI 기반 개인 학습에서는 순서가 달라질 수 있습니다.

학생의 현재 지식 → 목표 → 개인화된 학습 경로

가 됩니다.

즉, 커리큘럼이 먼저 존재하는 것이 아니라 학습자의 상태에 따라 커리큘럼이 실시간으로 생성되는 것입니다.

이것은 상당히 큰 변화입니다.

9. 직접 적용한다면 이렇게 시작해볼 수 있다

거창한 시스템을 구축하지 않아도 ChatGPT 같은 AI로 바로 시도해볼 수 있습니다.

예를 들어 새로운 분야를 공부할 때 처음부터

“OOO를 설명해줘.”

라고 질문하는 대신 다음과 같이 시작할 수 있습니다.

​

1단계 — Probe

“내가 OOO를 배우려고 한다. 먼저 내 현재 수준을 평가해줘. 쉬운 질문부터 어려운 질문까지 하나씩 물어보고, 내가 어디까지 이해하고 있는지 찾아줘.”

​

2단계 — Plan

“방금 평가한 내 지식 수준에서 OOO를 이해하기까지 필요한 개념을 의존 관계에 따라 정리하고 학습 순서를 만들어줘.”

​

3단계 — Teach

“이제 첫 번째 개념부터 가르쳐줘. 한 번에 하나의 reasoning step만 설명하고 내가 이해했는지 확인한 뒤 다음 단계로 넘어가.”

​

그리고 중간중간 이렇게 요청할 수 있습니다.

“지금까지 내가 정말 이해했는지 문제를 내서 확인해줘.”

이것만으로도 일반적인 AI 질문 방식과는 상당히 다른 학습 경험을 만들 수 있습니다.

마무리 — AI의 가치는 답이 아니라 ‘학습 구조’에 있다

AI를 공부에 사용하는 가장 단순한 방법은 질문하고 답을 받는 것입니다.

하지만 조금 더 발전시키면 AI는

검색 도구에서

개인 교사로,

개인 교사에서

커리큘럼 설계자로,

그리고 다시

학습 상태를 지속적으로 추적하는 시스템으로

발전할 수 있습니다.

​

핵심은 AI가 얼마나 많은 지식을 알고 있느냐가 아닐지도 모릅니다.

더 중요한 것은 AI가

내가 무엇을 알고 있는지,

무엇을 모르고 있는지,

그리고 지금 무엇을 배워야 하는지를 파악할 수 있느냐

입니다.

​

AI 시대의 학습 경쟁력은 단순히 AI에게 좋은 답을 얻는 능력을 넘어설 가능성이 큽니다.

AI를 이용해 자신의 학습 과정을 얼마나 잘 설계할 수 있는가.

어쩌면 이것이 앞으로 더욱 중요한 능력이 될지도 모릅니다.

​

Adafruit FT232H Breakout 사용 가이드

센서 하나를 테스트하기 위해 꼭 Arduino나 ESP32가 필요할까요?

보통 I2C나 SPI 센서를 테스트하려면 다음과 같은 구조를 사용합니다.

PC → USB → Arduino/ESP32 → I2C·SPI → 센서

PC에서 코드를 작성하고, 이를 마이크로컨트롤러용 펌웨어로 컴파일한 뒤 업로드해서 센서의 동작을 확인합니다.

하지만 단순히 센서나 디스플레이가 제대로 동작하는지 확인하고 싶다면 이 과정이 조금 번거로울 수 있습니다.

​

Adafruit FT232H Breakout은 이런 경우 꽤 재미있는 해결책을 제공합니다.

FT232H를 사용하면 PC의 USB 포트를 통해 I2C, SPI, UART, GPIO 등의 하드웨어 인터페이스를 직접 제어할 수 있습니다.

즉,

PC → USB → FT232H → 센서

라는 훨씬 단순한 구성이 가능합니다.

특히 Python과 CircuitPython 라이브러리를 활용할 수 있기 때문에 새로운 센서를 빠르게 테스트하거나 하드웨어 프로토타입을 만드는 데 유용합니다.

​

​

1. FT232H란?

FT232H는 FTDI에서 만든 USB 인터페이스 칩입니다.

단순한 USB-to-UART 변환기보다 훨씬 다양한 기능을 제공하며, MPSSE(Multi-Protocol Synchronous Serial Engine)를 이용해 여러 종류의 통신 프로토콜을 처리할 수 있습니다.

​

대표적으로 다음과 같은 인터페이스를 사용할 수 있습니다.

• SPI
• I2C
• UART
• JTAG
• GPIO

따라서 PC에 연결된 Python 프로그램에서 센서나 디스플레이, LED, 스위치 같은 하드웨어를 직접 제어하는 것이 가능합니다.

그래서 FT232H는 종종 USB 기반 하드웨어 인터페이스의 'Swiss Army Knife'라고 표현되기도 합니다.

​

2. 왜 FT232H가 편리할까?

예를 들어 새로운 I2C 온도 센서를 구입했다고 가정해 보겠습니다.

일반적인 개발 과정은 다음과 같습니다.

센서 → Arduino/ESP32 → USB → PC

먼저 회로를 연결하고 MCU용 프로그램을 작성합니다.

그다음 프로그램을 컴파일하고 MCU에 업로드한 뒤 시리얼 모니터를 통해 결과를 확인합니다.

코드를 수정했다면 다시 컴파일하고 업로드해야 합니다.

​

FT232H를 사용하면 구조가 달라집니다.

센서 → FT232H → USB → PC

그리고 PC에서 Python 프로그램을 바로 실행합니다.

MCU 펌웨어를 별도로 컴파일하거나 업로드할 필요가 없습니다.

센서의 레지스터 값을 읽어보거나 동작을 확인하는 정도라면 Python 코드를 수정한 뒤 바로 다시 실행하면 됩니다.

이러한 특징은 특히 센서 평가, 회로 디버깅, 초기 프로토타이핑 단계에서 상당히 편리합니다.

​

3. Python으로 하드웨어를 직접 제어

FT232H의 가장 흥미로운 활용 방법 중 하나가 Python입니다.

PC에서 Python 코드를 실행해 FT232H를 통해 I2C나 SPI 장치를 제어할 수 있습니다.

예를 들어 다음과 같은 작업이 가능합니다.

• I2C 온습도 센서 데이터 읽기
• SPI 디스플레이 테스트
• OLED 화면에 데이터 표시
• GPIO로 LED 켜고 끄기
• 버튼이나 스위치 상태 읽기
• 센서 레지스터 직접 읽기
• 새로운 센서 보드의 기본 동작 확인

특히 Python을 이용하면 측정한 데이터를 바로 분석하거나 그래프로 표시하는 것도 쉽습니다.

따라서 FT232H는 단순한 USB 변환기를 넘어 PC 기반 계측 및 실험 플랫폼으로 활용할 수도 있습니다.

​

4. CircuitPython 라이브러리를 PC에서 사용

Adafruit FT232H의 큰 장점 중 하나는 CircuitPython 생태계를 활용할 수 있다는 점입니다.

Adafruit는 다양한 센서와 디스플레이를 위한 CircuitPython 라이브러리를 제공하고 있습니다.

여기에 Blinka라는 호환 계층을 사용하면 Raspberry Pi뿐 아니라 일반적인 Windows, macOS, Linux 컴퓨터에서도 여러 CircuitPython 라이브러리를 사용할 수 있습니다.

​

구조를 단순화하면 다음과 같습니다.

Python 프로그램

↓

CircuitPython 라이브러리 / Blinka

↓

FT232H

↓

I2C / SPI / GPIO

↓

센서 또는 디스플레이

이미 CircuitPython 라이브러리가 제공되는 센서라면 데이터시트를 보면서 처음부터 모든 레지스터 제어 코드를 작성할 필요가 없는 경우가 많습니다.

새로운 센서를 빠르게 평가해야 하는 개발자나 메이커에게 꽤 큰 장점입니다.

​

5. 최신 보드에는 USB-C가 적용

현재의 Adafruit FT232H Breakout은 초기 버전보다 사용하기 편리하게 개선되었습니다.

2020년 2월 이루어진 주요 하드웨어 업데이트에서는 기존 Micro-USB 대신 USB-C 커넥터가 적용되었습니다.

따라서 최근 노트북이나 USB-C 환경에서도 사용하기 편리합니다.

기존 보드의 장착 홀과 핀 배열과의 호환성도 고려해 설계되었습니다.

​

6. STEMMA QT / Qwiic 지원

또 하나 눈에 띄는 기능은 STEMMA QT / Qwiic 커넥터입니다.

STEMMA QT와 Qwiic은 I2C 센서를 케이블만으로 연결할 수 있게 해주는 커넥터 시스템입니다.

따라서 호환되는 센서라면 납땜이나 브레드보드 배선 없이

PC → USB-C → FT232H → STEMMA QT → I2C 센서

와 같은 구성을 빠르게 만들 수 있습니다.

여러 센서를 바꿔가며 테스트해야 하는 상황에서는 특히 편리합니다.

센서 평가용 장비로 FT232H가 매력적인 이유 중 하나입니다.

​

7. I2C 사용을 위한 전용 스위치

FT232H에서 I2C를 사용할 때는 핀 연결 방식 때문에 약간의 설정이 필요합니다.

최신 Adafruit FT232H Breakout에는 이를 쉽게 처리하기 위한 I2C 전용 스위치가 추가되었습니다.

이 스위치를 이용하면 D0와 D1 핀을 필요한 방식으로 연결할 수 있어 I2C 인터페이스 구성이 간편해집니다.

작은 변화처럼 보이지만 여러 I2C 센서를 반복해서 테스트하는 환경에서는 상당히 유용한 기능입니다.

​

8. GPIO도 사용할 수 있다

FT232H는 통신 인터페이스만 제공하는 것이 아닙니다.

일반적인 디지털 GPIO도 사용할 수 있습니다.

따라서 Python 프로그램에서 직접

GPIO HIGH

또는

GPIO LOW

상태를 만들어 LED를 켜거나 끌 수 있습니다.

​

반대로 GPIO 입력을 읽어 버튼이나 스위치 상태를 확인할 수도 있습니다.

예를 들어 센서를 테스트하면서 동시에 특정 GPIO를 이용해 센서의 Enable 핀이나 Reset 핀을 제어하는 것도 가능합니다.

이 때문에 FT232H 하나만으로 상당히 다양한 하드웨어 테스트 환경을 만들 수 있습니다.

​

9. 3.3V와 5V 시스템 활용

FT232H Breakout은 3V와 5V 기반 시스템에서 활용할 수 있도록 설계되어 있습니다.

최신 버전에는 3V 전원 출력도 추가되어 있으며 최대 약 500mA를 주변 회로에 공급할 수 있습니다.

따라서 간단한 센서나 디스플레이를 테스트할 때 별도의 전원 공급 회로 없이 FT232H에서 전원을 공급할 수 있는 경우도 있습니다.

​

다만 실제 회로를 연결할 때는 대상 장치의 I/O 전압과 허용 전류를 반드시 확인하는 것이 좋습니다.

특히 3.3V 전용 센서에 잘못된 전압을 인가하지 않도록 주의해야 합니다.

​

10. 주요 사양

Adafruit FT232H Breakout의 주요 사양을 정리하면 다음과 같습니다.

PCB는 생산 시기에 따라 파란색 또는 검은색 버전이 있을 수 있지만 기능은 동일합니다.

​

11. 어떤 프로젝트에 유용할까?

FT232H는 최종 제품에 들어가는 MCU를 대체하기보다는 개발과 테스트 과정에서 특히 가치가 큰 도구입니다.

​

새로운 센서 평가

I2C나 SPI 센서를 처음 구입했을 때 데이터가 정상적으로 나오는지 빠르게 확인할 수 있습니다.

​

PCB 디버깅

새로 제작한 PCB의 I2C 또는 SPI 장치가 정상적으로 동작하는지 PC에서 직접 확인하는 용도로 사용할 수 있습니다.

​

센서 데이터 수집

Python과 결합하면 센서 데이터를 PC에 직접 저장하고 분석할 수 있습니다.

예를 들어,

Sensor → FT232H → Python → CSV → 데이터 분석

과 같은 실험 환경을 간단하게 구성할 수 있습니다.

​

교육

I2C와 SPI가 실제로 어떻게 동작하는지 배우는 교육용 도구로도 활용할 수 있습니다.

MCU 펌웨어라는 중간 단계를 제거하고 Python에서 직접 하드웨어를 제어할 수 있기 때문입니다.

​

자동 테스트 시스템

Python 스크립트와 GPIO를 조합하면 PCB 생산 후 기능검사나 간단한 자동화 테스트 장비를 만드는 데도 활용할 수 있습니다.

​

12. Arduino나 ESP32를 대체하는 장치일까?

FT232H의 역할을 이해할 때 중요한 부분입니다.

FT232H가 Arduino나 ESP32를 완전히 대체하는 것은 아닙니다.

Arduino나 ESP32는 프로그램을 자체적으로 실행하는 독립적인 마이크로컨트롤러 시스템입니다.

​

반면 FT232H는 기본적으로 PC가 하드웨어와 통신하도록 만들어주는 USB 인터페이스 장치에 가깝습니다.

따라서 배터리로 동작하는 독립적인 IoT 장치를 만들거나 실시간 제어가 필요한 시스템이라면 ESP32나 STM32 같은 MCU가 필요합니다.

​

반대로 개발 단계에서

"이 센서가 제대로 동작하는지만 빨리 확인하고 싶다."

"I2C 레지스터를 PC에서 직접 읽어보고 싶다."

"Python으로 센서 데이터를 바로 수집하고 싶다."

와 같은 목적이라면 FT232H가 훨씬 간단한 선택이 될 수 있습니다.

​

13. FT232H의 진짜 장점은 '개발 속도'

FT232H의 가장 큰 장점은 단순히 많은 통신 프로토콜을 지원한다는 것이 아닙니다.

핵심은 PC와 하드웨어 사이의 거리를 줄여준다는 것입니다.

​

일반적인 MCU 개발에서는

코드 작성 → 컴파일 → 펌웨어 업로드 → 실행 → 확인

과정을 반복합니다.

​

FT232H와 Python을 사용하면 많은 경우

Python 코드 작성 → 실행 → 확인

으로 줄어듭니다.

특히 새로운 센서나 디스플레이를 자주 테스트하는 메이커나 하드웨어 개발자라면 이 차이가 꽤 크게 느껴질 수 있습니다.

​

마무리

Adafruit FT232H Breakout은 화려한 개발보드는 아닙니다.

Wi-Fi도 없고 Bluetooth도 없으며 ESP32처럼 독립적으로 애플리케이션을 실행하는 MCU도 아닙니다.

​

하지만 PC에서 하드웨어를 직접 다뤄야 할 때는 이야기가 달라집니다.

USB-C + I2C + SPI + UART + GPIO + Python + CircuitPython

이라는 조합을 작은 보드 하나로 구현할 수 있기 때문입니다.

​

특히 센서 평가, PCB 디버깅, 데이터 수집, 하드웨어 프로토타이핑을 자주 한다면 하나쯤 가지고 있을 만한 개발 도구입니다.

Arduino나 ESP32를 하나 더 준비하고 테스트용 펌웨어를 작성하는 대신, FT232H를 USB에 연결하고 Python에서 바로 센서를 읽어보는 방식은 하드웨어 개발 과정의 작은 번거로움을 꽤 많이 줄여줄 수 있습니다.

​