01. 연역법(Deduction)과 귀납법(Induction)의 결투
1. 학습 목표 (Learning Objectives)
- 고대 그리스 철학에서 출발한 인간의 두 가지 생각 도구, 연역법(Top-down) 과 귀납법(Bottom-up) 의 구조적 차이를 학습합니다.
- 왜 일상생활의 귀납법은 100% 완벽성을 가지지 못하는데, 수학에 쓰이는 귀납법(‘수학적’ 귀납법)은 절대 진리 100% 방어막을 갖는지 그 이유를 깨닫습니다.
2. 팩트로 때려 눕힌다: 연역법 (Deduction)
아리스토텔레스가 만든 삼단논법 이 연역법의 뼈대입니다. 이미 누구도 의심할 수 없는 거대하고 절대적인 $100\%$ 진리(대명제) 하나를 머리 위에 띄워놓고, 특정 타겟을 그 안에 욱여넣어서 무조건적인 사실 결과를 강제로 뽑아내는 ‘탑-다운(Top-down) 폭격’ 논리입니다.
[연역법 구조]
- (대명제 / 100% 진리): “모든 사람은 언젠가 죽는다.”
- (소명제 / 타겟 락온): “소크라테스는 사람이다.”
- [결론 확정]: “그러므로 소크라테스는 죽는다.”
연역법의 결론은 반박이 0.1%도 불가능한 완벽한 팩트입니다. 수학의 기하학(삼각형 내각이 180도일 때 등)은 철저히 이 연역법 스피드로 흘러갑니다.
3. 경험이 축적되어 공식이 되다: 귀납법 (Induction)
반대로 귀납법은 수많은 자잘한 경험 데이터(Data) 들을 밑바닥에서부터 긁어모아 위로 던진 다음, “오! 이 데이터들이 이런 패턴이 있네?” 하고 하나의 거대한 우주 규칙(Generalization)을 짐작해 내는 ‘바텀-업(Bottom-up)’ 방식입니다. 현대 과학과 빅데이터, 인공지능 머신러닝(Machine Learning)이 전부 이 귀납법 메커니즘으로 돌아갑니다.
[일반 귀납법 구조]
- (데이터 1): “한국에 사는 까마귀 1호는 까맣다.”
- (데이터 2): “미국에 사는 까마귀 2호도 까맣다.”
- (데이터 n): “아프리카에 사는 까마귀 1만 호도 까맣다.”
- [결론 도출]: “오호라! 이 지구상의 모든 까마귀는 전부 까맣다 라고 공식화하자!”
4. 백조 패러독스: 귀납법의 치명적 오류 파괴
그런데 여기 엄청난 위험이 도사리고 있습니다.
과거 유럽인들은 귀납법을 통해 “내가 본 100만 마리의 백조(Swan) 데이터가 다 새하얀 색이었으니, 이 우주 세상의 모든 백조는 당연히 하얗다!”라고 공식화했습니다. 하지만 1697년, 네덜란드의 탐험가가 호주를 탐험하다가 뼛속까지 시커먼 블랙 스완(흑조) 을 딱 1마리 발견해 버렸습니다.
이 1마리의 엇나간 반례(Counter Example) 등장 하나로, 수백 년간 쌓아 올린 “모든 백조는 희다”라는 귀납 공식은 그 자리에서 휴지조각 붕괴 오류를 일으켰습니다! (블랙 스완 이론)
5. ‘수학적’ 귀납법은 뭔가 다른가요?
네, 완벽히 다릅니다. 일반 과학의 귀납법은 1억 번 맞아도 1억 1번째 엇나가면 깨지지만, ‘수학적 귀납법’ 은 앞선 챕터의 ‘도미노 타격 간격의 수학적 증명’ 시스템 덕분에 논리적 틈(오류)이 파고들 확률이 0% 인 절대 무적 방어막을 갖습니다.
- 평범한 인간의 귀납: “어? $n=1$ 넣으면 식 맞네? $n=2$도 맞고, $3, 4$ 도 맞네? 대충 다 맞는 거네!” (과학적 추론 $\rightarrow$ 틀릴 수 있음)
- 수학적 귀납법: “$n=k$ 일 때 돌아간다면, 무조건 $n=k+1$ 도 돌아가도록 톱니바퀴 식 구조가 짜여 있네?” (패턴 증명 $\rightarrow$ $100\%$ 절대 진리)
6. 학습 정리 (Summary)
- 연역법(Deduction): 100% 진리인 대명제에서 소명제를 거쳐 개별 팩트를 무자비하게 확정 짓는 ‘하향식 수학 증거법’입니다.
- 귀납법(Induction): 관찰과 개별 데이터를 모아 하나의 일치된 패턴 규칙을 뽑아내는 과학과 인공지능의 방식이지만, 단 하나의 빗나간 예외(반례)가 나오면 전체 붕괴를 맞이하는 불완전성을 지닙니다.
- 수학적 귀납법의 무결성: 이름만 ‘귀납법’일 뿐, 구조적으로 연역법의 100% 보장 모델(도미노 엔진)을 장착하여 유한한 노력으로 무한의 진술을 완벽히 증명해 내는 무적의 도구입니다.