데미스 하사비스 인터뷰: AGI, AI 에이전트, 과학적 발견의 미래

1. AGI 달성까지 무엇이 부족한가? (01:45~03:12)

진행자: 현재 AI는 대규모 사전학습, RLHF, 사고 과정(Chain-of-Thought) 등을 활용하고 있습니다. 최종적인 AGI 구조 중 얼마나 많은 부분을 이미 확보했다고 생각하시나요? 근본적으로 부족한 것은 무엇인가요?

데미스 하사비스:

현재 우리가 사용하는 기술들은 최종적인 AGI 구조에도 포함될 것이라고 거의 확신합니다.

이미 상당한 발전을 이루었고, 이러한 접근법이 가능하다는 것을 충분히 증명했습니다. 몇 년 뒤에 이 모든 기술이 막다른 길이었다고 결론 내릴 가능성은 매우 낮다고 봅니다.

다만 몇 가지 중요한 문제가 남아 있습니다.

• 
  

  
  
  지속적 학습(Continual Learning): 새로운 경험을 통해 지속적으로 학습하는 능력
  
  

  
  
• 
  

  
  
  장기 추론(Long-term Reasoning): 복잡한 문제를 장기간 일관성 있게 해결하는 능력
  
  

  
  
• 
  

  
  
  기억(Memory): 정보를 저장하고 필요한 순간 적절하게 활용하는 능력
  
  

  
  
• 
  

  
  
  일관성(Consistency): 특정 분야에서는 뛰어나지만 기본적인 문제에서 실패하는 현상의 해결
  
  

  
  

이러한 능력들은 AGI에 반드시 필요합니다.

현재 기술을 확장하고 점진적으로 개선하는 것만으로 해결할 수도 있습니다. 반대로 한두 가지 중요한 새로운 아이디어가 필요할 수도 있습니다.

제 판단으로는 두 가능성이 약 50 대 50입니다.

다만 새로운 돌파구가 필요하더라도 그 수가 한두 가지를 넘지는 않을 것으로 생각합니다.

 

2. AI의 기억과 지속적 학습 문제 (03:31~05:58)

진행자: 지속적 학습은 특히 흥미롭습니다. 현재 모델들은 같은 가중치를 반복적으로 사용하고, 기억 문제를 임시방편으로 해결하고 있습니다. 인간의 뇌와 비교하면 어떻습니까?

데미스 하사비스:

인간의 뇌는 새로운 경험을 기존 지식에 통합하는 일을 매우 잘합니다.

제가 박사과정에서 연구했던 주제도 해마가 새로운 기억을 기존 지식과 통합하는 방식이었습니다.

인간은 수면, 특히 REM 수면 중 중요한 경험을 반복적으로 재생하면서 학습합니다.

딥마인드가 2013년에 개발한 DQN도 비슷한 원리를 활용했습니다. 성공적인 경험을 여러 번 재생하는 경험 재현(Experience Replay)을 통해 아타리 게임을 학습했습니다.

현재 AI는 모든 것을 컨텍스트 창에 집어넣는 상당히 무식한 방식으로 기억 문제를 해결하고 있습니다.

컨텍스트 창이 100만 토큰, 1,000만 토큰으로 증가하더라도 문제가 완전히 해결되지는 않습니다.

기억을 저장하는 것과 적절한 기억을 검색하는 것은 다른 문제이기 때문입니다.

예를 들어 실시간 영상을 처리하는 에이전트라면 100만 토큰도 약 20분 정도의 경험만 담을 수 있습니다.

사용자의 한두 달에 걸친 일상과 환경을 이해하려면 훨씬 정교한 기억 시스템이 필요합니다.

따라서 기억 분야에는 아직 상당한 혁신의 여지가 있습니다.

 

3. 강화학습과 AlphaGo의 기술이 다시 중요해지는가? (05:58~07:47)

진행자: 딥마인드는 AlphaGo, AlphaZero, MuZero 등 강화학습과 탐색 알고리즘을 발전시켜 왔습니다. 이러한 철학이 현재 Gemini에도 반영되고 있나요? 강화학습은 여전히 과소평가되고 있을까요?

데미스 하사비스:

그럴 가능성이 있습니다.

딥마인드는 설립 초기부터 에이전트를 연구했습니다. 아타리 게임이나 AlphaGo도 본질적으로 에이전트 시스템입니다.

우리가 생각하는 에이전트는 스스로 목표를 달성하기 위해 행동하고, 결정을 내리고, 계획을 세우는 시스템입니다.

처음에는 게임처럼 제한된 환경에서 시작했습니다. 이후 바둑, 스타크래프트처럼 점점 복잡한 환경으로 확장했습니다.

최근 몇 년간 우리가 해온 연구는 이러한 기술을 게임 밖으로 확장하는 것이었습니다.

현재 최첨단 모델에서 사용하는 사고 모드나 연쇄적 추론도 AlphaGo에서 개척한 개념들과 연결됩니다.

특히 다음 기술들이 다시 중요해질 수 있습니다.

• 
  

  
  
  강화학습
  
  

  
  
• 
  

  
  
  몬테카를로 트리 탐색(MCTS)
  
  

  
  
• 
  

  
  
  계획 수립 및 탐색
  
  

  
  
• 
  

  
  
  다양한 선택지를 평가하는 알고리즘
  
  

  
  

과거 AlphaGo와 AlphaZero에서 연구했던 아이디어들이 앞으로 몇 년 동안 범용 AI 모델의 발전에 중요한 역할을 할 것으로 생각합니다.

 

4. 작은 AI 모델이 최첨단 모델만큼 똑똑해질 수 있을까? (08:06~10:35)

진행자: 최근에는 모델을 점점 크게 만드는 동시에 증류(Distillation)를 통해 작은 모델의 성능도 높이고 있습니다. 최첨단 모델보다 훨씬 저렴하면서 성능은 90~95%에 달하는 모델도 있습니다. 작은 모델의 성능에는 한계가 있을까요?

데미스 하사비스:

현재로서는 명확한 한계를 발견하지 못했습니다.

최첨단 능력을 개발하려면 먼저 가장 큰 모델을 만들어야 합니다.

그러나 그 능력을 빠르게 작은 모델로 옮기는 것도 매우 중요합니다.

구글은 검색, Gemini, 유튜브, 지도 등 수십억 명이 사용하는 제품에 AI를 제공해야 합니다.

따라서 작은 모델의 효율성을 높일 강력한 동기가 있습니다.

우리의 기본적인 가정은 이렇습니다.

최첨단 Pro 모델에서 구현된 능력을 약 6개월에서 1년 뒤에는 매우 작은 모델에서도 구현할 수 있다는 것입니다.

Gemma 같은 모델도 이러한 증류와 효율화 기술의 혜택을 받습니다.

물론 언젠가는 정보 밀도의 물리적·이론적 한계에 도달할 수 있습니다.

하지만 현재로서는 아직 그 한계에서 상당히 멀리 떨어져 있다고 생각합니다.

 

5. 빠른 모델과 로컬 AI의 중요성 (10:53~12:09)

진행자: AI 덕분에 개발자의 생산성이 엄청나게 높아지고 있습니다. 빠르고 작은 모델은 앞으로 어떤 역할을 할까요?

데미스 하사비스:

모델의 성능뿐 아니라 속도도 매우 중요합니다.

프로그래밍에서 빠른 모델을 사용하면 훨씬 많은 실험과 수정을 반복할 수 있습니다.

최첨단 모델보다 성능이 5~10% 낮더라도 반응 속도가 훨씬 빠르다면 전체 생산성이 더 높을 수 있습니다.

또한 작은 모델은 기기 내부에서 실행할 수 있습니다.

이는 효율성뿐 아니라 개인정보 보호와 보안에도 중요합니다.

예를 들어 가정용 로봇은 주변에서 발생하는 영상과 음성을 로컬 모델로 처리할 수 있습니다.

그리고 정말 필요한 순간에만 클라우드의 대형 모델을 사용할 수 있겠죠.

이렇게 하면 사용자의 개인적인 영상이나 음성 정보를 기기 밖으로 보내지 않아도 됩니다.

 

6. 지속적 학습이 완성되면 AI 에이전트는 어떻게 달라질까? (12:33~13:23)

진행자: 현재 모델들은 기본적으로 학습 상태가 고정되어 있습니다. 지속적으로 학습하는 모델이 등장한다면 개발자는 이를 어떻게 활용하게 될까요?

데미스 하사비스:

현재 에이전트가 완전한 작업을 수행하지 못하는 주요 원인 중 하나가 지속적 학습의 부재라고 생각합니다.

지금도 에이전트는 작업의 일부를 수행하는 데 유용합니다.

여러 도구와 모델을 연결하면 상당히 흥미로운 결과도 얻을 수 있습니다.

그러나 자신이 투입된 환경에 충분히 적응하지 못합니다.

에이전트가 완전히 자율적으로 작업을 맡아서 수행하려면 특정 환경의 맥락을 학습해야 합니다.

사용자가 지시한 뒤 더 이상 신경 쓰지 않아도 에이전트가 스스로 문제를 해결하는 수준에 도달하려면 이 능력이 필요합니다.

완전한 일반지능에 도달하려면 지속적 학습 문제를 해결해야 합니다.

 

7. 현재 추론 모델에는 무엇이 부족한가? (13:23~15:20)

진행자: 최신 모델들은 상당히 복잡한 사고 과정을 수행하지만, 우수한 대학생도 쉽게 해결하는 문제에서 실패할 때가 있습니다. 추론 능력에서는 어떤 변화가 필요할까요?

데미스 하사비스:

현재의 사고 방식에는 여전히 많은 혁신의 여지가 있습니다.

지금은 상당히 단순하고 무식한 방법을 사용하고 있습니다.

예를 들어 사고 과정을 중간에 감시하고, 필요할 때 개입하는 방법을 생각할 수 있습니다.

제가 종종 Gemini와 체스를 두는데, 흥미롭게도 현재 주요 언어모델들은 체스 같은 게임에 상당히 약합니다.

모델의 사고 과정을 살펴보면 이상한 행동을 발견할 수 있습니다.

1. 
   

   
   
   어떤 수를 고려합니다.
   
   

   
   
2. 
   

   
   
   그 수가 명백한 실수라는 사실을 알아차립니다.
   
   

   
   
3. 
   

   
   
   더 좋은 수를 찾지 못합니다.
   
   

   
   
4. 
   

   
   
   결국 처음에 잘못됐다고 판단한 수를 다시 선택합니다.
   
   

   
   

정교한 추론 시스템이라면 이런 일이 일어나서는 안 됩니다.

현재 모델들은 국제수학올림피아드 금메달 수준의 문제를 해결할 수 있습니다.

그러면서도 질문이 조금 다르게 주어지면 초등 수학이나 기초 추론에서 실패합니다.

이러한 불균일한 지능(Jagged Intelligence)은 해결되지 않은 문제가 있다는 증거입니다.

저는 AI가 자신의 사고 과정을 점검하는 일종의 자기성찰 능력에 아직 부족한 부분이 있다고 생각합니다.

다만 이를 해결하는 데 필요한 변화는 의외로 한두 가지 개선에 불과할 수도 있습니다.

 

8. AI 에이전트는 과대평가되었는가? (15:20~18:22)

진행자: 최근 AI 에이전트가 큰 관심을 받고 있습니다. 과대평가되었다는 주장도 있지만 저는 이제 시작이라고 생각합니다. 딥마인드 내부에서는 현재 에이전트의 능력을 어떻게 평가하나요?

데미스 하사비스:

저도 이제 막 시작했다고 생각합니다.

AGI에 도달하려면 능동적으로 문제를 해결하는 시스템이 반드시 필요합니다.

따라서 에이전트는 AGI로 가는 핵심 경로입니다.

현재 우리는 에이전트를 업무에 가장 효과적으로 통합하는 방법을 실험하고 있습니다.

최근 몇 달이 되어서야 실질적인 가치가 있는 활용 사례를 찾기 시작했다고 생각합니다.

수십 개의 에이전트를 40시간씩 실행하는 사례를 보기도 합니다.

하지만 그렇게 투입한 자원에 비해 결과물이 충분한 가치를 제공하는지는 아직 확신하지 못하겠습니다.

프로그래밍에서도 비슷한 현상이 나타납니다.

제가 17살 때 게임 Theme Park의 프로토타입을 만드는 데 6개월이 걸렸습니다.

지금은 비슷한 프로토타입을 30분 만에 만들 수 있습니다.

정말 놀라운 발전입니다.

그러나 아직 AI를 활용해 만든 게임이 앱스토어 정상에 오르거나 1,000만 장 이상 판매되는 사례를 충분히 보지 못했습니다.

그 이유는 도구의 한계일 수도 있고, 개발 과정의 문제일 수도 있습니다.

현재로서는 뭔가 부족한 부분이 있습니다.

앞으로 6~12개월 안에 에이전트가 훨씬 큰 실질적 가치를 제공하는 사례가 나타날 것으로 기대합니다.

진행자: 그렇다면 완전한 자율 에이전트보다 먼저 AI를 활용한 인간의 생산성이 크게 증가하는 현상이 나타날까요?

데미스 하사비스:

그것이 먼저 나타날 가능성이 높습니다.

AI를 능숙하게 활용하는 개발자들이 성공적인 게임이나 애플리케이션을 만들어낼 것입니다.

그리고 이후에 그 과정의 더 많은 부분이 자동화될 것입니다.

 

9. AI는 새로운 바둑을 발명할 수 있을까? (18:22~20:08)

진행자: AI가 인간의 창의성을 얼마나 대체할 수 있을까요?

데미스 하사비스:

제가 자주 이야기하는 사례가 AlphaGo의 37수입니다.

그것은 매우 창의적이고 놀라운 수였습니다.

하지만 저는 단순히 바둑에서 37수 같은 새로운 수를 찾아내는 것보다 더 높은 수준의 창의성을 원합니다.

AI가 바둑에서 이기는 것을 넘어 바둑이라는 게임 자체를 발명할 수 있을까요?

예를 들어 AI에 이런 조건을 제시한다고 상상해 봅시다.

• 
  

  
  
  규칙은 5분이면 배울 수 있다.
  
  

  
  
• 
  

  
  
  그러나 숙달에는 평생이 걸린다.
  
  

  
  
• 
  

  
  
  미학적으로 아름답다.
  
  

  
  
• 
  

  
  
  한 판을 몇 시간 안에 즐길 수 있다.
  
  

  
  

이런 설명을 듣고 AI가 바둑을 발명할 수 있을까요?

현재 시스템은 아직 그런 능력을 보여주지 못했다고 생각합니다.

그렇다면 무엇이 부족한 것일까요?

모델 자체의 능력이 부족할 수도 있습니다.

반대로 뛰어난 창의성을 가진 인간이 현재의 도구를 충분히 능숙하게 사용하지 못했기 때문일 수도 있습니다.

어쩌면 기존 모델로도 이미 가능한 일일지 모릅니다.

중요한 것은 인간의 깊은 창의성과 AI 도구의 능력을 어떻게 결합하느냐입니다.

 

10. Gemma와 오픈소스 AI 전략 (20:24~22:00)

진행자: Gemma처럼 강력한 공개 모델들이 등장하고 있습니다. 앞으로 AI가 클라우드보다 사용자 기기에서 직접 실행되는 방향으로 발전할까요?

데미스 하사비스:

우리는 오픈소스와 개방형 과학을 매우 중요하게 생각합니다.

AlphaFold를 무료로 공개한 것도 같은 철학에서 비롯됐습니다.

Gemma 역시 크기 대비 세계 최고 수준의 성능을 목표로 개발했습니다.

공개 약 2주 반 만에 다운로드가 4,000만 건에 도달했습니다.

중국의 오픈소스 모델들이 매우 뛰어나고 현재 강력한 경쟁력을 가지고 있다는 점도 인정합니다.

따라서 서구권에서도 경쟁력 있는 공개 모델 생태계가 존재하는 것이 중요하다고 생각합니다.

구글은 Android, 스마트 안경, 로봇 등에서 사용할 초소형 모델을 공개하는 전략을 선택했습니다.

기기에 탑재되는 모델은 어차피 외부에 노출되기 때문에 공개 모델로 만드는 것이 전략적으로도 합리적입니다.

11. 멀티모달 AI와 로봇의 미래 (22:26~23:51)

진행자: Gemini는 처음부터 멀티모달 모델로 개발됐습니다. 다른 모델들과 비교하면 어떤 장점이 있나요?

데미스 하사비스:

Gemini를 처음부터 멀티모달로 설계한 것은 장기적으로 중요한 결정이었다고 생각합니다.

초기에는 텍스트에만 집중하는 것보다 개발이 어려웠습니다.

하지만 시간이 지나면서 그 장점이 나타나고 있습니다.

특히 다음 분야에서 중요합니다.

• 
  

  
  
  세계 모델(World Models)
  
  

  
  
• 
  

  
  
  로봇공학
  
  

  
  
• 
  

  
  
  자율주행
  
  

  
  
• 
  

  
  
  개인용 AI 비서
  
  

  
  
• 
  

  
  
  스마트 안경과 모바일 기기
  
  

  
  

로봇은 단순히 언어를 이해하는 것만으로 충분하지 않습니다.

물리적 환경, 사물의 움직임, 주변 상황, 직관적인 물리 법칙까지 이해해야 합니다.

Gemini의 멀티모달 능력은 이러한 문제에 강점이 있습니다.

우리는 Gemini Robotics를 비롯한 로봇 시스템이 멀티모달 기초 모델을 기반으로 발전할 것으로 생각합니다.

Waymo에도 관련 기술을 점점 더 많이 활용하고 있습니다.

 

12. 추론 비용이 거의 0으로 떨어지면 어떻게 될까? (23:51~25:01)

진행자: AI 추론 비용이 빠르게 떨어지고 있습니다. 추론 비용이 사실상 무료가 된다면 무엇이 가능해질까요?

데미스 하사비스:

추론이 완전히 무료가 될지는 잘 모르겠습니다.

비용이 낮아질수록 사용량이 증가하는 제번스의 역설이 작용할 수 있기 때문입니다.

예를 들어 수백만 개의 에이전트가 동시에 협력하도록 만들 수도 있습니다.

또는 하나의 문제를 여러 에이전트가 서로 다른 방식으로 생각하게 한 뒤 그 결과를 종합할 수도 있습니다.

이런 방식들은 이용할 수 있는 컴퓨팅 자원을 계속 소비할 것입니다.

장기적으로 핵융합, 초전도체, 첨단 배터리 등의 발전으로 에너지 비용이 거의 0에 가까워질 가능성은 있습니다.

AI가 재료과학을 발전시키면서 그러한 기술적 진보를 이끌 수도 있습니다.

그러나 에너지가 저렴해져도 반도체를 실제로 제조해야 한다는 제약은 남습니다.

따라서 앞으로 수십 년 동안 어떤 형태로든 병목이 존재할 가능성이 높습니다.

추론 자원은 계속 효율적으로 사용해야 할 것입니다.

 

13. 완전한 가상 세포는 언제 가능할까? (25:19~28:16)

진행자: AlphaFold 3는 단백질을 넘어 다양한 생체분자를 모델링합니다. 완전한 세포 시스템을 시뮬레이션하는 단계까지 얼마나 가까워졌나요?

데미스 하사비스:

AlphaFold 2 이후 설립한 Isomorphic Labs는 매우 순조롭게 발전하고 있습니다.

단백질 구조 예측은 신약 개발 과정의 일부에 불과합니다.

우리는 필요한 특성을 가진 화합물을 설계하고 관련 생화학과 화학 문제까지 해결하려고 합니다.

조만간 이 분야에서 중요한 발표가 있을 예정입니다.

궁극적으로는 완전한 가상 세포(Virtual Cell)를 만들고 싶습니다.

실제 세포를 실험적으로 조작하는 대신 컴퓨터 안에서 다양한 변화를 가하고, 현실의 실험에 가까운 결과를 얻는 것입니다.

그렇게 되면 신약 개발 과정에서 상당한 실험 단계를 생략할 수 있습니다.

또한 대량의 합성 데이터를 생성해 다른 생물학 모델을 훈련할 수도 있습니다.

완전한 가상 세포가 실용적인 수준에 도달하기까지는 약 10년이 걸릴 것으로 예상합니다.

현재 딥마인드는 먼저 세포핵을 가상으로 구현하는 작업을 진행하고 있습니다.

세포핵은 비교적 독립적인 구조이므로 모델링하기에 적절하기 때문입니다.

그러나 아직 큰 문제가 있습니다.

바로 데이터 부족입니다.

살아 있는 세포를 파괴하지 않으면서 나노미터 수준으로 실시간 관찰할 수 있다면 획기적인 발전이 될 것입니다.

그렇게 되면 세포 모델링의 상당 부분을 시각적 이해 문제로 바꿀 수 있습니다.

현재는 그러한 측정 기술이 충분하지 않습니다.

따라서 발전 경로는 크게 두 가지입니다.

1. 
   

   
   
   새로운 현미경과 관측 기술을 통해 데이터를 확보한다.
   
   

   
   
2. 
   

   
   
   세포의 동역학을 학습하는 더 뛰어난 시뮬레이션 모델을 개발한다.
   
    
   
   

   
   

14. 향후 5년간 AI가 가장 크게 변화시킬 과학 분야는? (28:16~30:18)

진행자: AI는 신약 개발, 기후 모델링, 재료과학, 수학 등 다양한 분야에서 활용되고 있습니다. 앞으로 5년 동안 어떤 과학 분야가 가장 극적으로 변화할 것이라고 생각하시나요?

데미스 하사비스:

이 모든 분야가 흥미롭습니다.

사실 이것이 제가 30년 이상 AI를 연구한 가장 중요한 이유입니다.

저는 AI가 과학 발전을 위한 궁극적인 도구가 될 것이라고 생각해 왔습니다.

딥마인드의 원래 목표도 두 단계로 이루어져 있었습니다.

1. 
   

   
   
   지능 문제를 해결한다. 즉, AGI를 개발한다.
   
   

   
   
2. 
   

   
   
   그 지능을 이용해 다른 문제들을 해결한다.
   
   

   
   

우리가 관심을 가지는 것은 과학의 근본적인 난제를 해결하는 것입니다.

하나의 문제가 해결되면 수많은 새로운 연구 분야가 열리는 문제들이죠.

AlphaFold가 대표적인 사례입니다.

현재 전 세계 300만 명 이상의 연구자가 AlphaFold를 사용하고 있습니다.

하지만 저는 이것이 시작에 불과하다고 생각합니다.

과학과 공학의 거의 모든 영역에서 AI가 도움이 될 것입니다.

특히 재료과학과 수학을 비롯한 여러 분야가 현재 AlphaFold 초기 단계와 비슷한 지점에 있다고 생각합니다.

아직 해당 분야의 핵심 문제가 완전히 해결된 것은 아닙니다.

그러나 매우 유망한 성과들이 나타나고 있습니다.

앞으로 2년 정도면 이러한 분야에서 발표할 중요한 성과가 상당히 많아질 것으로 기대합니다.

다만 이러한 강력한 기술이 잘못 사용될 가능성도 함께 고려해야 합니다.

 

15. AI 시대에 어떤 스타트업을 창업해야 할까? (30:37~33:10)

진행자: 많은 창업자가 AI를 과학에 적용하려고 합니다. 실제로 기술의 최전선을 발전시키는 기업과 단순히 AI API를 활용하는 기업은 무엇이 다를까요?

데미스 하사비스:

제가 지금 Y Combinator에서 창업한다면 무엇을 할지 생각해 보겠습니다.

가장 중요한 일 중 하나는 AI 기술이 어디로 향하고 있는지 이해하는 것입니다.

그리고 AI를 다른 심층 기술(Deep Tech) 분야와 결합하는 데 큰 기회가 있다고 생각합니다.

예를 들어 다음과 같은 분야입니다.

• 
  

  
  
  재료과학
  
  

  
  
• 
  

  
  
  신약 개발과 의학
  
  

  
  
• 
  

  
  
  물리적 제조 시스템
  
  

  
  
• 
  

  
  
  복잡한 과학·공학 문제
  
  

  
  

특히 실제 물리적 세계와 연결되는 기술은 단순한 AI 모델 업데이트만으로 쉽게 대체되지 않습니다.

이러한 분야는 장기적인 경쟁 우위를 구축하기에 유리합니다.

기계학습과 적용 분야 모두에 깊은 전문성을 갖춘 창업팀이 이상적입니다.

저는 원래 깊이 있는 기술을 좋아합니다.

2010년 딥마인드를 설립했을 때도 AI가 제대로 작동하지 않을 것이라는 이야기를 많이 들었습니다.

투자자뿐 아니라 학계에서도 AI를 주변적인 연구 주제로 보는 경우가 많았습니다.

하지만 자신이 정말 중요하다고 믿는 문제를 선택해야 합니다.

저는 AI가 지금처럼 발전하지 않았더라도 계속 연구했을 것입니다.

 

16. AlphaFold 같은 과학적 돌파구가 가능한 문제의 특징은? (33:29~34:58)

진행자: AlphaGo와 AlphaFold처럼 거대한 돌파구를 만들어낼 수 있는 문제에는 공통적인 특징이 있나요?

데미스 하사비스:

제가 여러 Alpha 프로젝트에서 배운 교훈이 있습니다.

현재 AI 기술에 특히 적합한 문제들은 몇 가지 공통적인 특징을 가집니다.

첫 번째는 엄청나게 큰 조합적 탐색 공간입니다.

가능한 경우의 수가 너무 많아서 무차별 대입이나 기존의 특수 알고리즘으로 해결하기 어려운 문제입니다.

바둑의 가능한 수나 단백질의 구조적 조합이 대표적입니다.

두 번째는 명확한 목표 함수입니다.

바둑에서는 승리하는 것이 목표입니다.

단백질에서는 자유에너지를 최소화하는 것과 같은 물리적 기준을 생각할 수 있습니다.

세 번째는 충분한 데이터 또는 시뮬레이터입니다.

실제 데이터가 충분하거나 현실적인 합성 데이터를 대량으로 생성할 수 있어야 합니다.

이 세 가지 조건을 만족하면 현재의 AI 방법론으로도 상당히 큰 성과를 달성할 수 있습니다.

신약 개발도 마찬가지입니다.

어떤 질병을 해결하면서 부작용을 최소화할 수 있는 화합물이 물리적으로 존재한다고 가정해 봅시다.

문제는 그것을 어떻게 효율적으로 찾아내느냐입니다.

AI는 방대한 탐색 공간에서 필요한 해답을 찾아내는 데 매우 강력한 도구가 될 수 있습니다.

 

17. AI는 진정한 과학적 발견을 할 수 있는가? (34:58~37:40)

진행자: 인간이 AI를 이용해 과학 문제를 해결하는 것을 넘어, AI 스스로 새로운 과학적 가설을 만들어내는 단계에 얼마나 가까워졌을까요?

데미스 하사비스:

가까워지고 있다고 생각합니다.

우리는 AI Co-Scientist 같은 시스템을 연구하고 있습니다.

AlphaFold 같은 전문 시스템도 일반적인 Gemini보다 특정 영역에서 더 깊은 문제를 다룰 수 있습니다.

하지만 현재까지 저는 AI가 정말로 거대한 과학적 발견을 독립적으로 해냈다고 평가할 만한 사례는 아직 보지 못했습니다.

물론 언젠가는 가능해질 것으로 생각합니다.

핵심은 알려진 지식의 범위를 넘어서는 능력입니다.

기존 데이터를 기반으로 패턴을 찾아내는 것과 완전히 새로운 개념을 발견하는 것은 다릅니다.

여기에는 유추적 추론과 창의성이 필요합니다.

예를 들어 리만 가설이나 밀레니엄 문제를 해결하는 AI가 등장한다면 대단한 성과입니다.

어쩌면 이러한 문제를 해결하는 수준에는 앞으로 몇 년 안에 도달할 수도 있습니다.

하지만 저는 그보다 더 어려운 문제가 있다고 생각합니다.

기존의 밀레니엄 문제를 해결하는 것이 아니라, 그만큼 중요하고 깊이 있는 새로운 수학 문제를 AI가 스스로 만들어낼 수 있을까요?

최고 수준의 수학자들이 평생 연구할 가치가 있다고 인정하는 새로운 문제를 제시하는 것입니다.

이것은 기존 문제를 해결하는 것보다 한 단계 더 높은 능력입니다.

저는 이를 평가하기 위한 실험으로 '아인슈타인 테스트'를 생각하고 있습니다.

AI의 학습 지식을 1901년까지로 제한한 뒤 1905년 아인슈타인이 발견한 특수상대성이론을 비롯한 성과를 스스로 재발견할 수 있는지 평가하는 것입니다.

그런 실험을 통과한다면 AI가 진정으로 새로운 지식을 창조할 수 있는 단계에 가까워졌다고 판단할 수 있을 것입니다.

 

18. AGI는 2030년에 등장할까? (38:07~40:31)

진행자: 지금까지 세계 최전선에서 AI를 개발하면서 배운 것 중 25살의 자신에게 가장 알려주고 싶은 조언은 무엇인가요?

데미스 하사비스:

제가 배운 중요한 교훈은 정말 어려운 문제에 도전하는 것이 표면적으로 쉬운 문제에 도전하는 것보다 반드시 더 어렵지는 않다는 것입니다.

서로 다른 종류의 어려움이 존재할 뿐입니다.

인생은 짧고 시간과 에너지는 제한되어 있습니다.

따라서 자신이 아니었다면 실현되지 않았을 만큼 중요한 문제에 인생을 투자하는 것이 좋다고 생각합니다.

앞으로는 여러 학문을 결합하는 연구가 더욱 중요해질 것입니다.

그리고 AI 덕분에 이러한 학제 간 연구도 쉬워질 것입니다.

그런데 앞으로 창업하거나 장기적인 연구를 시작하려는 사람들에게는 매우 중요한 고려사항이 하나 있습니다.

제 AGI 예상 시점은 대략 2030년입니다.

심층 기술 프로젝트는 보통 10년 정도 걸립니다.

따라서 지금 새로운 프로젝트를 시작한다면 개발 도중에 AGI가 등장할 가능성을 반드시 고려해야 합니다.

그것이 반드시 나쁜 일은 아닙니다.

오히려 AGI를 활용하면 프로젝트가 훨씬 빠르게 발전할 수도 있습니다.

중요한 것은 AGI가 등장한 세계에서 자신의 기술이 어떤 역할을 할 것인지 생각하는 것입니다.

또한 미래의 AI가 하나의 거대한 모델로 모든 문제를 해결하지는 않을 것이라고 생각합니다.

예를 들어 Gemini나 Claude 같은 범용 모델이 AlphaFold 같은 전문 모델을 도구로 사용하는 구조가 합리적입니다.

모든 단백질 접힘 지식을 Gemini 내부에 넣는 것은 비효율적입니다.

그렇게 하면 언어 능력 등 다른 기능에 악영향을 줄 수도 있습니다.

대신 범용 AI가 전문 AI 도구들을 선택하고 조정하는 구조가 더 효율적입니다.

장기적으로 범용 AI가 이러한 전문 도구 자체를 훈련하는 것도 가능할 것입니다.

따라서 지금 어떤 기업을 만들지, 어떤 공장을 세울지, 어떤 기술을 개발할지를 결정할 때 프로젝트 중간에 AGI가 등장하는 상황을 진지하게 고려해야 합니다.

인터뷰에서 제시한 주요 타임라인

위 수치는 인터뷰 당시 하사비스가 밝힌 전망이며, 확정된 연구 일정이나 실현 확률은 아니다.

핵심 결론: 하사비스가 생각하는 AGI의 조건

제게 가장 흥미로웠던 부분은 하사비스가 현재의 AI 발전을 긍정적으로 평가하면서도 AGI 달성을 위해 해결해야 할 문제가 매우 구체적이라고 본다는 점입니다.

여기서 특히 중요한 발언은 다음 세 가지다.

1. 
   

   
   
   AGI는 완전히 새로운 AI 패러다임을 요구하지 않을 수도 있다. 현재 기술에 부족한 능력을 추가하는 것으로 충분할 가능성을 약 50%로 본다.
   
   

   
   
2. 
   

   
   
   고도화된 에이전트는 AGI의 핵심 경로다. 에이전트가 지속적으로 학습하고 장기적인 과제를 수행하게 되는 것이 결정적 변화다.
   
   

   
   
3. 
   

   
   
   과학적 창의성은 아직 미해결 과제다. AI가 기존 난제를 해결하는 것과 인간이 생각하지 못했던 새로운 과학적 개념을 창조하는 것은 다른 수준의 문제다.
   
   

   
   

2027년 AGI 시나리오와 비교하면?

하사비스의 전망은 사용자가 관심을 두고 있는 레오폴드 아센브레너식 2027년 전후 AGI 시나리오보다 신중하다.

하지만 그가 AI 발전 자체에 회의적인 것은 아니다. 오히려 현재 접근법이 상당 부분 옳고, 남은 핵심 기술적 장애물이 많지 않을 가능성을 강조한다.

제 해석으로는 하사비스가 생각하는 불확실성의 핵심은 AI가 계속 발전할 것인가보다 지속적 학습·장기 추론·자율적 과학 연구 능력의 마지막 기술적 간극을 얼마나 빨리 메울 수 있는가에 있다.

따라서 2027년 AGI 시나리오를 평가할 때는 벤치마크 점수만큼이나, AI가 수개월에 걸친 연구를 수행하면서 스스로 지식을 갱신하고 오류를 수정하는 능력이 실제로 등장하는지 주목할 필요가 있다.