구글 딥마인드 CEO 데미스 하사비스가 말하는 AI의 미래

이 영상은 구글 딥마인드의 CEO 데미스 하사비스가 Y Combinator의 게리 탄과 함께 나눈 대담을 바탕으로 합니다. 대담의 핵심 주제는 AI의 미래, AGI의 가능성, 에이전트의 발전, 그리고 과학적 발견에서 AI가 수행할 역할입니다.

하사비스는 현재의 AI 기술이 AGI로 향하는 중요한 기반이 되고 있다고 보면서도, 아직 해결해야 할 기술적 과제가 분명히 남아 있다고 설명합니다. 동시에 그는 AI가 단순한 생산성 도구를 넘어, 과학과 산업의 근본적인 문제를 해결하는 핵심 도구가 될 것이라고 전망합니다.

1. AGI를 위한 필수 요소

01:48 - 05:24

데미스 하사비스는 현재의 AI 기술이 AGI로 나아가기 위한 강력한 기반이 될 것이라고 확신합니다. 다만 지금의 모델만으로 AGI가 완성되는 것은 아니며, 몇 가지 핵심적인 기술 과제가 반드시 해결되어야 한다고 설명합니다.

그가 특히 강조한 요소는 지속적 학습, 장기적 추론, 그리고 메모리 시스템입니다.

현재의 AI 모델은 방대한 정보를 컨텍스트 윈도우 안에 넣고, 그 안에서 답을 생성하는 방식에 가깝습니다. 하지만 하사비스는 이러한 방식이 인간의 뇌가 기억을 처리하는 방식과 비교했을 때 상당히 비효율적이라고 지적합니다.

인간은 모든 정보를 한 번에 머릿속에 넣고 처리하지 않습니다. 필요한 정보를 선택적으로 저장하고, 맥락에 따라 다시 불러오며, 경험을 통해 계속 학습합니다. AGI가 되기 위해서는 AI 역시 단순히 정보를 많이 입력받는 수준을 넘어, 무엇을 기억하고, 언제 불러오며, 어떻게 장기적으로 학습할 것인지에 대한 더 정교한 구조가 필요합니다.

따라서 AGI의 핵심은 단순히 모델의 크기를 키우는 것이 아니라, 지속적으로 배우고, 장기적으로 사고하며, 의미 있는 기억을 유지하는 능력을 갖추는 데 있습니다.

2. 강화학습과 에이전트의 중요성

06:14 - 07:58 / 15:33 - 17:57

하사비스는 딥마인드의 역사적인 연구였던 알파고가 현재의 제미나이 개발에도 중요한 영향을 주고 있다고 설명합니다.

알파고는 단순히 바둑을 잘 두는 AI가 아니라, 강화학습을 통해 스스로 전략을 탐색하고 개선한 대표적인 사례였습니다. 이 과정에서 축적된 연구 경험은 오늘날의 대규모 AI 모델, 특히 제미나이와 같은 시스템에도 이어지고 있습니다.

그가 강조하는 방향은 에이전트형 AI입니다. 에이전트는 단순히 사용자의 질문에 답하는 시스템이 아니라, 스스로 목표를 이해하고, 계획을 세우고, 여러 단계를 거쳐 문제를 해결하는 시스템입니다.

하사비스는 이러한 에이전트가 AGI를 향한 필수 경로라고 봅니다. AGI는 단순한 언어 생성 능력만으로는 완성될 수 없으며, 실제 환경 안에서 목표를 수행하고, 시행착오를 통해 배우며, 장기적인 문제를 해결할 수 있어야 하기 때문입니다.

현재 에이전트 시장에 대해서는 다소 과대평가되었다는 시각도 존재합니다. 하지만 하사비스는 이를 아직 실패로 볼 단계가 아니라고 말합니다. 오히려 에이전트 기술은 이제 막 시작 단계에 있으며, 앞으로 6개월에서 12개월 안에 실제 비즈니스 가치를 만들어내는 모델과 서비스가 등장할 것이라고 전망합니다.

즉, 에이전트는 단기적인 유행어가 아니라, AI가 도구에서 실행 주체로 발전하는 과정에서 매우 중요한 전환점으로 볼 수 있습니다.

3. 모델의 크기, 효율성 및 오픈 소스

08:06 - 12:18 / 20:26 - 22:26

하사비스는 AI 발전에서 frontier 모델, 즉 가장 큰 규모와 가장 높은 성능을 가진 최첨단 모델을 구축하는 일이 여전히 중요하다고 말합니다.

Frontier 모델은 AI 기술의 한계를 밀어붙이는 역할을 합니다. 더 큰 모델, 더 많은 데이터, 더 강한 추론 능력을 통해 현재 가능한 것과 불가능한 것의 경계를 확장합니다.

하지만 그는 동시에, 모델을 무작정 크게 만드는 것만으로는 충분하지 않다고 강조합니다. 실제 산업과 서비스에서 AI가 널리 활용되기 위해서는 더 작고, 빠르고, 효율적인 모델도 반드시 필요합니다.

여기서 중요한 기술이 증류입니다. 증류는 큰 모델이 가진 지식과 능력을 더 작은 모델에 압축해 전달하는 방식입니다. 이를 통해 상대적으로 작은 모델도 높은 성능을 낼 수 있고, 비용과 속도 면에서도 훨씬 효율적인 활용이 가능해집니다.

하사비스는 Gemma와 같은 오픈 모델의 중요성도 언급합니다. 이러한 모델은 클라우드 서버가 아니라, 기기 자체에서 구동되는 Edge AI 환경에서 큰 역할을 할 수 있습니다.

Edge AI는 보안, 응답 속도, 비용 측면에서 매우 중요합니다. 사용자의 민감한 데이터가 외부 서버로 전송되지 않아도 되고, 네트워크 연결이 불안정한 환경에서도 AI 기능을 사용할 수 있습니다.

특히 로봇 공학, 개인용 기기, 산업 현장에서는 기기 자체에서 빠르게 판단하고 동작하는 능력이 중요합니다. 따라서 앞으로의 AI 생태계는 거대한 frontier 모델과, 이를 바탕으로 만들어진 작고 효율적인 오픈 모델이 함께 발전하는 구조가 될 가능성이 큽니다.

4. 과학적 발견을 위한 AI

25:24 - 30:43

하사비스가 가장 강하게 강조한 영역 중 하나는 과학적 발견을 위한 AI입니다.

그는 AI를 단순한 자동화 도구나 생산성 도구가 아니라, 과학을 위한 궁극적인 도구로 정의합니다. 이는 딥마인드가 알파폴드를 통해 이미 보여준 방향이기도 합니다.

알파폴드는 단백질 구조 예측 문제에서 큰 성과를 거두며, AI가 기존 과학 연구의 한계를 뛰어넘을 수 있음을 보여주었습니다. 이 사례는 AI가 단순히 인간의 작업을 빠르게 처리하는 수준을 넘어, 과학자들이 오랫동안 해결하지 못했던 문제를 풀 수 있다는 가능성을 보여줍니다.

하사비스는 향후 10년 안에 가상 세포 시뮬레이션을 가능하게 하는 것을 중요한 목표로 제시합니다. 가상 세포는 실제 세포의 작동 방식을 디지털 환경에서 정교하게 재현하는 개념입니다.

이것이 가능해지면 생명과학 연구의 방식은 크게 바뀔 수 있습니다. 질병의 원인을 더 깊이 이해하고, 신약 후보 물질을 더 빠르게 탐색하며, 실험 이전 단계에서 다양한 가능성을 시뮬레이션할 수 있기 때문입니다.

또한 그는 AI가 신약 개발, 재료 과학, 기후 모델링 등 다양한 분야에서 중요한 역할을 하게 될 것이라고 전망합니다. 이러한 분야들은 단순한 최적화 문제가 아니라, 인류가 해결해야 하는 근본 문제, 즉 root node problems에 가깝습니다.

AI는 앞으로 이러한 근본 문제를 해결하는 데 필요한 새로운 가설을 만들고, 복잡한 데이터를 해석하며, 인간 연구자가 미처 발견하지 못한 패턴을 찾아내는 역할을 하게 될 것입니다.

5. 창업자를 위한 제언

30:43 - 33:30 / 37:59 - 40:53

하사비스는 창업자들에게도 중요한 조언을 남깁니다.

그는 단순히 Foundation 모델 위에 API를 씌우는 방식만으로는 장기적인 경쟁력을 갖기 어렵다고 봅니다. 현재는 누구나 대형 AI 모델을 사용할 수 있는 환경이 되었기 때문에, 단순한 래퍼 서비스만으로는 차별화가 어렵습니다.

대신 그는 AI와 다른 깊은 기술 영역을 결합하는 방향을 제안합니다. 예를 들어 재료 과학, 의학, 로봇 공학, 기후 과학과 같은 분야는 AI와 결합했을 때 훨씬 큰 가치를 만들 수 있습니다.

이런 영역에서는 단순히 AI 엔지니어만으로 팀을 구성해서는 충분하지 않습니다. 도메인 전문가와 AI 전문가가 함께 일하는 학제간 팀이 필요합니다. 실제 문제를 깊이 이해하는 사람과, 그 문제를 AI로 풀어낼 수 있는 사람이 함께 있어야 진짜 경쟁력이 만들어집니다.

또한 하사비스는 자신의 AGI 타임라인을 언급하며, AGI가 2030년경 등장할 가능성을 고려해야 한다고 말합니다.

이 관점에서 창업자는 중요한 질문을 던져야 합니다. 지금 만들고 있는 기술이나 서비스가, 개발 도중 AGI가 등장하더라도 여전히 유용할 것인가? AGI가 등장한 이후에도 의미 있는 데이터, 인프라, 도메인 전문성, 고객 기반을 갖고 있을 것인가?

그는 창업자들이 단기적인 AI 유행을 좇기보다, AGI 이후에도 활용될 수 있는 문제를 선택하고, 그 변화 속에서도 지속 가능한 비즈니스를 설계해야 한다고 조언합니다.

결국 하사비스의 메시지는 분명합니다. AI 시대의 창업은 단순히 모델을 잘 쓰는 것을 넘어, AI가 해결할 만한 깊고 중요한 문제를 선택하는 것에서 시작해야 합니다.