딥마인드 CEO 데미스 하사비스가 밝히는 범용 인공지능(AGI) 2030년 도래, 에이전트 시스템, 연속학습의 미래. AI가 과학을 어떻게 변화시킬 것인지 알아보세요.
AGI 시대, 인공지능의 미래: 데미스 하사비스가 말하는 2030년의 꿈
핵심 요약
- AGI 도래: 데미스 하사비스는 범용 인공지능(AGI)이 2030년경 실현될 것으로 예상하며, 이는 AI 분야에 혁명적 변화를 가져올 것
- 에이전트 시스템의 중요성: AGI 달성을 위해서는 능동적으로 문제를 해결할 수 있는 에이전트 시스템 개발이 핵심
- 연속학습의 필요성: 지속 학습, 장기 추론, 메모리 아키텍처는 여전히 해결되지 않은 과제로, 향후 돌파구가 필요한 영역
- 과학 혁명: AlphaFold 성과를 넘어 생물학, 재료과학, 의학 분야에서 AI가 미래의 발견을 주도할 예정
- 스타트업 기회: 깊은 기술(deep tech)과 AI를 결합하는 스타트업이 장기적 가치 창출의 최적지점
데미스 하사비스: 기술 혁신의 선구자
데미스 하사비스는 기술 분야에서 가장 독특한 경력을 가진 인물입니다. 어린 시절 체스 신동이었던 그는 17세에 첫 히트 비디오 게임 '테마파크'를 디자인했습니다. 이후 학계로 돌아가 인지 신경과학 박사 학위를 취득한 후, 기억과 상상력이 뇌에서 어떻게 기능하는지에 관한 기초 연구를 발표했습니다.
2010년, 하사비스는 단 하나의 사명으로 딥마인드를 공동 설립했습니다. 바로 지능을 해결하는 것 입니다. 이후 그의 연구실은 여러 세대를 초월한 성과들을 달성했습니다. AlphaGo가 바둑 세계 챔피언을 꺾었고, AlphaFold는 생물학 분야의 50년 난제였던 단백질 구조 예측 문제를 해결했습니다. 더욱 인상적인 것은 이 성과를 전 세계 모든 과학자에게 아낌없이 제공했다는 점입니다. 이 연구로 하사비스는 작년 노벨 화학상을 수상했습니다.
오늘날 데미스는 구글 딥마인드를 이끌며 제미니를 개발하고 있으며, 십대 시절부터 꿈꿔온 동일한 야심찬 목표인 범용 인공지능(AGI) 추구를 계속하고 있습니다.
AGI로 가는 길: 무엇이 아직 부족한가
현재 기술의 한계와 가능성
현재 우리가 보유한 기술 패러다임—대규모 사전 학습, RLHF(강화학습으로부터의 인간 피드백), 그리고 사고의 사슬(chain-of-thought)—은 의심할 여지 없이 최종 AGI 아키텍처의 일부를 형성할 것입니다. 우리는 상당한 진전을 이루었고 이러한 기술들의 역량을 충분히 입증했으므로, 이들이 막다른 길로 판명될 가능성은 낮습니다.
하지만 현재 우리가 가진 것 외에 한두 가지 중요한 요소가 여전히 빠져 있을 수 있습니다. 구체적으로, 지속적인 학습, ** 장기적인 추론**, 그리고 ** 기억의 측면들**과 같은 영역들은 여전히 해결되지 않았습니다. 또한 이러한 시스템 전반에 걸쳐 더 큰 일관성을 달성하는 것도 과제입니다.
기존 기술들이 점진적인 혁신을 통해 확장될 수 있지만, 아직 발견되지 않은 한두 가지 획기적인 아이디어가 있을 수도 있습니다. 하사비스의 현재 평가는 그러한 돌파구가 필요할 가능성이 약 50/50 이라는 것입니다. 구글 딥마인드에서는 점진적인 개선과 함께 그러한 근본적인 새로운 아이디어를 찾는 데 적극적으로 노력하고 있습니다.
지속 학습: 뇌에서 배우다
지속 학습의 개념은 특히 흥미롭습니다. 현재 우리는 통합을 위해 꿈 주기(dream cycles) 와 같은 방법을 사용하여 "덕트 테이프"로 해결책을 땜질하는 경우가 많습니다. 해마에 대한 박사 연구에서 일화 기억(episodic memory)과 함께 탐구했던 꿈 주기는 새로운 지식을 기존 지식 기반에 자연스럽게 통합하는 데 매우 효과적입니다. 뇌는 수면 중, 특히 렘(REM) 수면 중에 중요한 에피소드를 다시 재생함으로써 이를 놀랍도록 잘 수행합니다.
딥마인드의 첫 번째 아타리 프로그램인 DQN 은 성공적인 궤적을 다시 재생하기 위해 신경과학에서 차용한 개념인 "경험 재생(experience replay)"을 사용하여 게임을 마스터했습니다. 비록 2013년, 즉 "AI의 암흑기"였지만, 이는 중요한 발전이었습니다.
그러나 모든 것을 수백만 또는 수천만 토큰 길이의 방대한 컨텍스트 창에 단순히 밀어 넣는 것은 다소 불만족스럽고 무차별적인(brute-force) 방식처럼 느껴집니다. 이러한 큰 컨텍스트 창이 많은 작업에 충분하지만, 이는 상당히 제한적인 인간의 작업 기억(working memory) 과 같습니다. 게다가 우리는 중요하고 중요하지 않은 정보, 정확하고 부정확한 정보를 모두 그 안에 저장하려고 하는데, 이는 비효율적입니다.
라이브 비디오 처리를 예로 들면, 백만 토큰은 약 20분 분량의 콘텐츠에 불과합니다. 이는 더 효율적인 메모리 및 검색 메커니즘의 필요성을 강조합니다. 메모리 아키텍처에는 혁신을 위한 상당한 여지가 있습니다.
에이전트: AGI의 핵심 요소
강화 학습과 자율 시스템
DeepMind는 역사적으로 AlphaGo, AlphaZero, MuZero와 같은 프로젝트에서 볼 수 있듯이 강화 학습(reinforcement learning)과 탐색(search)에 중점을 두었습니다. 이러한 철학의 상당 부분이 오늘날 Gemini가 구축되는 방식에 내재되어 있습니다.
하사비스는 강화 학습이 여전히 저평가되어 있으며 인기의 주기를 겪고 있다고 생각합니다. DeepMind의 아주 초기부터 그들의 초점은 에이전트, 즉 자율적으로 목표를 달성하고, 능동적인 결정을 내리고, 계획을 수립할 수 있는 시스템을 구축하는 것이었습니다.
처음에는 아타리 게임에서 이를 개발한 다음, AlphaGo와 AlphaStar를 통해 스타크래프트와 같은 더 복잡한 게임으로 나아갔습니다. 본질적으로 모든 사용 가능한 게임을 정복했습니다. 현재의 과제는 이러한 모델을 단순하거나 복잡한 게임 환경을 넘어 세계 모델(world models) 또는 ** 언어 모델(language models)**로 일반화하는 것입니다.
AlphaGo에서 개발했던 사고 모드(thinking modes) 및 연쇄적 사고 추론(chain-of-thought reasoning)과 같은 많은 기술들이 이제 다시 돌아와 오늘날의 선도적인 기반 모델에 대규모로 적용되고 있습니다. 향후 몇 년간의 많은 발전이 몬테카를로 트리 탐색(Monte Carlo tree search) 과 같은 기술을 포함하여 이러한 초기 아이디어를 재검토하고 일반화하여 강화 학습을 보다 일반적인 방식으로 강화하는 데서 비롯될 것으로 예상됩니다.
에이전트의 현재 상태와 미래
에이전트는 정말 인상적입니다. 어떤 사람들은 과대광고라고 말할 수도 있겠지만, 하사비스는 개인적으로 이제 막 시작했을 뿐이라고 생각합니다. AGI에 도달하려면 능동적으로 문제를 해결할 수 있는 능동적인 시스템이 있어야 하며, 에이전트가 그 길 이라고 확신합니다.
현재 우리 모두는 어떻게 하면 가장 잘 작동하는지 익숙해지고 있으며, 개인적인 실험을 통해 이 많은 부분에서 선두를 달리고 있습니다. 정말 가치 있는 지점을 찾기 시작한 것은 지난 몇 달 동안에 불과합니다. 이 기술은 아마도 이제야 장난감이나 멋진 시연이 아니라 실제로 여러분의 시간과 효율성에 가치를 더할 만큼 충분히 좋아지고 있는 것 같습니다.
더 흥미로운 현상은 엔지니어들이 6개월 전보다 500배에서 1,000배 더 많은 작업을 할 수 있다 는 것입니다. 이는 작은 모델의 여러 용도를 보여줍니다. 하나는 분명히 비용이지만, 속도는 특히 시스템과 협업할 때 훨씬 더 빠르게 반복 작업을 할 수 있게 해줍니다. 최첨단 수준은 아니지만, 95% 또는 90% 정도의 성능을 내는 빠른 시스템에 대한 많은 수요가 있으며, 그 정도면 충분히 좋습니다.
모델 증류: 성능과 효율의 균형
작은 모델의 진화
오늘날에는 더 똑똑해지기 위해 점점 더 큰 모델이 필요하지만, 동시에 우리는 증류(distillation) 기술 이 효과를 발휘하는 것을 보고 있습니다. 더 작은 모델들은 훨씬 더 빠를 수 있습니다. 여러분은 최첨단 모델만큼 95% 정도의 성능을 내면서도 가격은 10분의 1 수준인 놀라운 "플래시 모델"을 가질 수 있습니다.
Google DeepMind의 가장 큰 강점 중 하나는 최첨단 성능을 점점 더 작은 모델에 매우 빠르게 증류하고 압축하는 것입니다. 딥마인드는 증류 프로세스를 발명했으며, 여전히 그 분야의 세계적인 전문가입니다.
또한 이 작업을 수행해야 할 엄청난 필요성이 있습니다. 왜냐하면 가장 큰 AI 서비스들을 제공해야 하기 때문입니다. AI 개요 및 AI 모드가 있는 검색, Gemini 앱이 있으며, 이제는 Maps와 YouTube와 같은 Google의 모든 제품에 Gemini 또는 Gemini 관련 기술의 일부가 점점 더 많이 포함되고 있습니다. 이는 수십억 명의 사용자, 즉 10억 명 이상의 사용자를 가진 제품들이며, 이들은 극도로 빠르고, 효율적이며, 저렴하고, 낮은 지연 시간으로 제공되어야 합니다.
따라서 이는 플래시 모델과 플래시라이트 모델처럼 더 작은 모델들을 극도로 효율적으로 만들 중요한 동기를 부여합니다. 바라건대, 이는 여러분 모두가 사용하는 많은 작업 부하에 정말 유용하게 사용될 것입니다.
증류의 한계와 가능성
하사비스는 이 작은 모델들이 실제로 얼마나 더 똑똑해질 수 있는지 궁금합니다. 증류 과정에 한계가 있을까요? 500억 또는 4000억 매개변수 모델이 오늘날의 최고 성능 모델만큼 똑똑해질 수 있을까요?
아직 어떤 종류의 정보적 한계 에 도달했다고 생각하지 않습니다. 아마도 언젠가는 우리가 넘어설 수 없는 정보 밀도에 도달하는 지점이 올 수도 있습니다. 하지만 현재로서는, 우리의 선도적인 프로 모델이나 최첨단 모델이 출시된 지 반년 또는 1년 후에는 정말 작은, 거의 엣지 모델에서도 그 기능을 사용할 수 있게 될 것이라고 가정하고 있습니다.
이러한 장점들은 Gemma 4 모델과 같은 오픈 소스 모델에서도 볼 수 있습니다. 이들 모델은 크기에 비해 놀라운 성능을 제공합니다. 이는 이러한 증류 기술과 아주 작은 모델에서 효율성을 극대화하는 아이디어를 많이 활용합니다. 따라서 아직 어떤 이론적인 한계도 보지 못하고 있으며, 아직 그 한계와는 상당히 거리가 멀다고 생각합니다.
추론 능력: 현재의 한계
모델의 역설적 능력
모델들은 이제 정말 인상적인 사고의 흐름을 보여줄 수 있지만, 똑똑한 학부생이라면 틀리지 않을 문제에서 여전히 실패합니다. 이것이 바로 "들쭉날쭉한 지능"을 얻게 되는 이유입니다. 한편으로는 국제 수학 올림피아드(IMO)에서 금메달 문제와 같은 매우 어려운 문제를 풀 수 있지만, 다른 한편으로는 여전히 기본적인 초등 수학 오류나 초등 추론 오류를 범합니다.
사고 패러다임에는 아직 많은 혁신이 남아있습니다. 우리는 여전히 상당히 단순하고 무차별적인 방식을 사용하고 있습니다. 예를 들어, 사고의 흐름을 모니터링하거나 사고 과정 중간에 개입하는 등 많은 가능성이 있습니다.
종종 보는 현상은 시스템이 거의 과도하게 생각하거나, 어떤 문제에 대해 반복적인 루프에 빠진다는 것입니다. 예를 들어, 제미니와 체스를 두는 것을 보면 흥미롭습니다. 모든 주요 기반 모델들은 게임에 상당히 약한데, 이는 꽤 흥미롭습니다.
사고의 흔적을 살펴보면 매우 흥미로운데, 이는 잘 이해될 수 있기 때문입니다. 곁가지로 빠지는지 여부를 꽤 빠르게 알 수 있으며, 그 생각이 유용한지 아닌지 무엇을 하고 있는지 매우 명확하게 증명할 수 있습니다.
때때로 보는 것은 모델이 한 수를 고려하고, 그것이 실수(blunder)임을 깨닫지만, 더 나은 수를 찾지 못해서 결국 그 수로 돌아가서 그대로 두는 것입니다. 매우 정밀한 추론 시스템에서는 이런 일이 일어나서는 안 됩니다. 따라서 여전히 큰 격차가 있다고 생각하지만, 명확히 말하면 그 격차를 해결하는 데는 한두 가지 조정만 필요할 수도 있습니다.
AI가 과학을 어떻게 변화시킬 것인가
AlphaFold의 성공과 그 이상
AlphaFold의 성공은 AI 시대의 과학에 대한 새로운 패러다임을 제시했습니다. 전 세계 3백만 명이 넘는 연구자들, 거의 모든 생물학 연구자들이 지금 AlphaFold를 사용하고 있습니다. 제약 업계 임원들은 앞으로 발견될 거의 모든 약이 신약 개발 과정의 어느 시점에서든 AlphaFold를 사용하게 될 것이라고 말합니다.
그러나 하사비스는 이것이 단지 시작에 불과하다고 생각합니다. 도움이 되지 않을 과학이나 공학 분야를 찾아볼 수 없습니다. 재료 과학, 의학, 생물학, 화학 등 현재 우리는 거의 AlphaFold 1.0의 순간에 있다 고 생각합니다. 즉, 매우 유망한 결과를 얻었지만, 아직 해당 분야의 거대한 난제를 완전히 해결하지는 못했습니다.
하지만 향후 몇 년 안에 이러한 분야들에서 많은 진전이 있을 것으로 예상됩니다.
완전한 가상 세포로 향하다
완전한 세포 시스템을 모델링하는 것은 여전히 본질적으로 훨씬 더 어려운 독자적인 문제입니다. DeepMind에서 분사한 아이소모픽 랩스(Isomorphic Labs)는 놀랍도록 잘 진행되고 있으며, AlphaFold만을 구축하려는 것이 아닙니다. 올바른 특성을 가진 올바른 화합물을 설계하기 위해 인접한 생화학과 화학 분야를 연구하고 있습니다.
결국의 목표는 완전한 가상 세포 입니다. 완전한 작동 시뮬레이션을 만들어서 세포의 행동을 교란할 수 있으면, 그 시뮬레이션의 결과는 실험 결과와 충분히 유사하여 유용할 것입니다. 이를 통해 많은 탐색 단계를 건너뛰고 많은 합성 데이터를 생성하여 실제 세포에 대한 것을 예측할 다른 모델을 훈련시킬 수 있을 것입니다.
하사비스는 우리가 완전한 가상 세포를 만드는 데 아마도 약 10년 정도 남았다고 생각합니다. 딥마인드 과학 부문에서는 가상 핵을 연구하며 시작하고 있습니다. 세포 핵부터 시작하는 이유는 비교적 독립적이기 때문입니다.
현재 직면한 한 가지 문제는 아직 데이터가 충분하지 않다는 것입니다. 만약 세포를 죽이지 않고 살아있는 세포를 나노미터 해상도로 이미지화할 수 있다면, 이는 판도를 바꿀 것입니다. 그렇게 되면 우리가 해결 방법을 아는 시각 문제로 전환할 수 있기 때문입니다.
스타트업을 위한 조언: 깊은 기술의 미래
방어 가능한 사업 구축하기
이 방에 있는 많은 분들이 AI를 과학에 적용하는 회사를 설립하려고 노력하고 있습니다. 최전선을 실제로 발전시키는 스타트업과 단순히 파운데이션 모델에 API를 씌우고 그것을 "과학을 위한 AI"라고 부르는 스타트업의 차이는 무엇일까요?
하사비스의 추천은 현재 자신이 Y Combinator의 입장에 있다면 어떻게 할지 생각해보는 것입니다. 해야 할 한 가지는 분명히 AI 기술이 어디로 향하고 있는지를 파악하는 것입니다. 하지만 더 중요한 것은 AI가 나아가는 방향과 다른 심층 기술 분야를 결합할 수 있는 엄청난 가능성 입니다.
최적의 지점은 재료 과학이든 의학이든 또는 다른 정말 어려운 과학 분야이든—특히 원자의 세계까지 포함하는 그런 종류의 학제간 팀 입니다. 그런 분야들은 파운데이션 모델의 다음 업데이트가 무엇이든 간에 단순히 압도당하는 것으로부터 꽤 안전합니다. 따라서 이것이 더 방어 가능한 영역 중 하나입니다.
진정한 가치를 찾기 위한 방정식
하사비스는 항상 딥테크를 좋아했습니다. 정말 오래 지속되고 가치 있는 것은 쉽게 얻어지지 않습니다. 그래서 그는 항상 딥테크에 이끌려 왔습니다.
AI도 초기에는 그렇게 여겨졌습니다. 2010년에 딥마인드를 시작했을 때, 투자자들로부터 "그거 안 되는 거 다 아는데 뭐 하러 하냐"는 식의 말을 들었고, 학계에서도 90년대에 시도했다가 실패한 아주 틈새 분야로 여겨졌습니다.
하지만 자신의 아이디어에 대한 믿음과 확신이 있다면:
- 이번에는 왜 다른지
- 자신의 배경에서 어떤 특별한 조합을 가지고 있는지
- (이상적으로는 머신러닝과 적용하려는 다른 분야 모두에 전문가이거나, 그런 전문성을 가진 창업 팀을 꾸릴 수 있다면)
이곳에서 엄청난 영향력과 가치를 창출할 수 있습니다.
AGI 타임라인과 딥테크의 교점
특별히 고려해야 할 점이 있습니다. 만약 AGI 타임라인이 2030년경이라고 본다면, 오늘날 딥테크 여정을 시작한다면, 기회이자 도전이 있습니다.
기존 딥테크는 보통 10년의 여정 을 의미합니다. 그렇다면 이제 그 여정의 중간에 AGI가 나타나는 것을 고려해야 합니다. 그것이 무엇을 의미할까요?
- 그것이 반드시 나쁜 것은 아니지만, 그것을 고려해야 합니다.
- 즉, 그것을 활용할 수 있을까요?
- AGI 시스템은 그것으로 무엇을 할까요?
Gemini, Claude 또는 이러한 일반 시스템 중 하나가 AlphaFold와 같은 전문화된 시스템을 도구로 활용하는 것 이 미래입니다.
한 거대한 두뇌에 모든 것을 담지는 않을 것입니다. 왜냐하면 너무 많은 퇴행을 초래할 것이기 때문입니다. 예를 들어, 모든 단백질 정보를 Gemini에 넣는다면 말이 되지 않습니다. Gemini가 단백질 접힘을 할 필요는 없으니까요. 이는 정보 효율성에 부정적인 영향을 미칠 것입니다.
따라서 정말 훌륭한 범용 도구 사용 모델 을 갖는 것이 훨씬 낫습니다. 이 모델들은 특정 도구들을 직접 훈련시킬 수도 있겠지만, 별도의 시스템에서 작동할 것입니다.
개방 소스: AI를 모두의 손에
Gemma와 오픈 사이언스
Google DeepMind는 일반적으로 오픈 소스와 오픈 사이언스의 강력한 지지자입니다. AlphaFold를 모두 무료로 공개했고, 모든 과학 연구는 오늘날까지도 주요 학술지에 게재하고 있습니다.
해당 규모에서 세계 최고 수준의 모델을 만들고 싶었으며, Gemma를 통해 그렇게 해냈다고 생각합니다. 바라건대, 여러분 모두가 Gemma를 실험하고 구축하며 즐겁게 사용할 것입니다. 2주 반 만에 벌써 4천만 건의 다운로드를 기록했으니, 이에 대해 정말 기대가 큽니다.
또한 오픈 소스에 서구권 스택이 존재하는 것이 중요합니다. 많은 중국 모델들이 훌륭하고 현재 오픈 소스 분야에서 세계를 선도하고 있습니다. Gemma는 해당 규모에서 모든 면에서 매우 경쟁력이 있다고 생각합니다.
물론 자원, 인재, 컴퓨팅 자원의 문제가 있습니다. 아무도 다른 속성을 가진 두 개의 최첨단 모델을 최대 규모로 만들 만큼 충분한 여유 컴퓨팅 자원을 가지고 있지 않습니다. 그래서 그건 꽤 어렵습니다.
전략적 오픈소싱: 엣지 모델
현재로서는, Google DeepMind가 안드로이드, 안경, 로봇 공학에 사용하고자 하는 엣지 모델들은 오픈 모델인 것이 가장 좋다고 결정했습니다. 일단 표면에 공개되면 어차피 취약해지기 때문에, 차라리 완전히 오픈하는 것이 낫지 않겠습니까?
따라서 일종의 나노 사이즈 수준이라고 부르는 곳에서 그것을 통합하기로 결정했습니다. 이것은 전략적으로도 효과적입니다. 가능한 한 많은 사람들이 그 위에 구축하기를 바라며, 물론 Google DeepMind도 그 위에 구축할 것입니다.
멀티모달의 미래: 음성, 이미지, 텍스트의 통합
Gemini의 멀티모달 강점
이전에 영화 '그녀(Her)'에 나오는 제 버전의 사만다 데모를 시연할 수 있었으며, 시스템을 시연하는 것은 상당히 힘든 일이었습니다. 하지만 그것이 작동했는데, 정말 놀라웠습니다.
Gemini는 멀티모달로 구축되었으며, 많은 시간을 여러 모델들과 보냈지만, 문맥의 깊이와 음성을 모델에 직접 연결하여 도구를 사용하는 방식은 단연코 최고라고 할 수 있습니다.
Gemini 시리즈의 다소 저평가된 측면입니다. Google DeepMind는 처음부터 멀티모달로 시작했습니다. 이는 예를 들어 텍스트에만 집중하는 것보다 처음에는 사실 좀 더 어렵게 만들었습니다. 하지만 장기적으로 그것으로부터 이득을 얻을 것이라고 믿습니다.
현재 세계 모델 구축과 같은 것들, 즉 Gemini 위에 구축하는 지니(Genie)와 같은 것들에서 그것을 보고 있습니다. 이것이 로봇 공학과 같은 분야에서 정말 중요할 것이라고 생각합니다. 이것이 바로 많은 사람들이 사용해 본 Gemini Robotics 가 존재하는 이유입니다.
로봇 공학 모델들은 멀티모달 기반 모델 위에 구축될 것이라고 생각합니다. Google DeepMind는 Gemini가 멀티모달에 매우 강하기 때문에 일종의 경쟁 우위 를 가지고 있다고 생각합니다. 웨이모와 같은 분야에서 이를 점점 더 많이 사용하고 있습니다.
현실 세계로의 확장
현실 세계로 가지고 다니는 기기와 비서, 즉 디지털 비서를 상상해 본다면—예를 들어 휴대폰, 안경 또는 다른 기기에 있는 것들 말이죠—주변의 물리적 세계와 직관적인 물리학, 그리고 당신이 처한 물리적 맥락을 이해하는 데 도움이 필요합니다.
이것이 바로 Gemini 시스템이 매우 잘하는 부분이며, 사람들이 설정에서 그것을 사용하는 것을 즐기는 이유입니다. Google DeepMind는 그 방향으로 계속 나아갈 계획이며, 그러한 유형의 문제에 있어서는 단연코 가장 강력한 모델이라고 생각합니다.
추론 비용의 미래
추론이 "거의 무료"가 될 때
추론 비용은 빠르게 하락하고 있습니다. 추론이 본질적으로 무료가 되면 무엇이 가능해질까요? 이는 Google DeepMind가 실제로 최적화하는 대상을 어떻게 변화시킬까요?
추론이 본질적으로 무료가 될지는 알 수 없습니다. 제본스의 역설(Jevons Paradox)과 같은 것이 있고, 우리는 결국 우리 손에 닿는 모든 것을 사용하게 될 것이라고 생각합니다. 우리 모두가 말이죠.
수백만 개의 에이전트, 즉 에이전트 무리가 함께 작업하는 것을 상상할 수 있습니다. 이것이 추론을 사용하는 한 가지 방법입니다. 또는 단일 에이전트나 소규모 에이전트 그룹이 여러 방향으로 사고하고 이를 앙상블하는 것을 상상할 수도 있습니다.
Google DeepMind는 이 모든 것을 실험하고 있으며, 아마 많은 분들도 그럴 것입니다. 이 모든 것이 사용 가능한 모든 추론을 소모할 것이라고 생각합니다. 언젠가 거의 비용이 들지 않을 수도 있습니다. 특히 에너지의 경우, 핵융합, 초전도체, 최적의 배터리 또는 그러한 것들 중 일부를 해결한다면 말이죠.
에너지와 자원의 병목
하사비스는 재료 과학을 통해 핵융합 등을 해결할 것이라고 생각합니다. 에너지 비용은 본질적으로 0이 되겠지만, 여전히 칩과 다른 것들의 물리적 제작 비용은 발생할 것입니다. 적어도 향후 수십 년 동안은 어떤 병목 현상이 있을 것이라고 생각합니다.
따라서 추론 측면에서는 여전히 배급이 있을 것입니다. 우리는 여전히 효율적으로 사용해야 할 것이라고 생각합니다.
최고 기술 지도자로서의 조언
25살 때 알았으면 좋았을 것들
최첨단 기술을 구축하는 것에 대해 지금 알고 있는 것 중 25살 때 알았으면 좋았을 것은 무엇일까요?
우선, 실제로 어렵고 깊이 있는 문제를 추구하는 것이 어떤 면에서는 얕고, 단순하며, 피상적인 문제를 추구하는 것보다 더 어렵지 않다 는 것입니다. 그저 어려움의 종류가 다를 뿐입니다. 각각의 일에는 다른 종류의 어려움이 있습니다.
하지만 인생은 매우 짧고, 시간과 에너지는 한정되어 있으니, 당신이 하지 않았거나, 당신이 밀어붙이지 않았다면 정말로 큰 차이를 만들었을 일에 당신의 생명력을 쏟아붓는 것이 좋을 것입니다.
학제간 연구와 AI의 만남
또 다른 중요한 점은 앞으로 몇 년 안에 분야들의 조합과 그 분야들 간의 연결점을 찾는 것이 훨씬 더 보편화될 것 이라는 점입니다. AI를 통해 그렇게 하는 것이 훨씬 더 쉬워질 것입니다.
열정이 가장 큰 자산
하사비스가 말할 수 있는 유일한 다른 점은 당신의 열정입니다. 당신이 진정으로 열정을 느끼는 일에 몰두해야 합니다. 그의 경우에는 무슨 일이 있어도 AI를 연구했을 것입니다. 아주 어릴 때부터 그가 생각할 수 있는 가장 중요한 일이 될 수 있다고 판단했기 때문입니다.
결과적으로 그렇게 되었지만, 어쩌면 50년은 너무 일렀을 수도 있었습니다. 그리고 그것이 생각할 수 있는 가장 흥미로운 일이기도 했습니다.
만약 여전히 어딘가 작은 차고에 있고, AI가 아직 제대로 작동하지 않았더라도 AI를 연구했을 것입니다. 아마 학계로 돌아갔을 수도 있겠지만, 어떤 식으로든 계속 연구할 방법을 찾았을 것입니다.
결론: 미래를 만드는 방법
데미스 하사비스의 여정과 철학은 우리에게 중요한 교훈을 남깁니다. 범용 인공지능(AGI)의 시대가 2030년경 도래할 것 이며, 이를 위해서는 에이전트 시스템, 연속학습, 그리고 새로운 추론 패러다임이 필요합니다.
더욱 중요한 것은 AI가 과학 전반에 혁명을 일으키고 있다는 사실입니다. AlphaFold가 보여준 것처럼, 올바른 기술과 올바른 문제 정의가 만나면 수십 년 난제를 해결할 수 있습니다.
스타트업 창업자들에게는 깊은 기술과 AI를 결합하되, 단순한 API 래핑을 넘어 진정한 혁신 을 추구해야 한다는 메시지가 있습니다. 가장 중요한 것은 자신의 아이디어에 대한 열정과 확신, 그리고 ** 학제간 전문성**입니다.
미래는 이미 시작되었습니다. 지금 이 순간에 올바른 문제를 선택하고, 장기적인 비전을 가지고, 변함없는 열정을 가지고 나아가는 사람들이 그 미래를 만들 것입니다. 데미스 하사비스의 조언은 명확합니다: 어렵고 깊이 있는 문제를 추구하고, 당신의 생명력을 진정으로 큰 차이를 만들 일에 쏟아붓는 것 이 바로 미래를 만드는 방법입니다.
Original source: How to Build the Future: Demis Hassabis
powered by osmu.app