원문: YouTube
발표자: Demis Hassabis (Google DeepMind CEO, 노벨화학상 수상자)
인터뷰어: Garry Tan (Y Combinator CEO)
일자: 2026-05-03 기준 최신 강연
1. 핵심 주장: AGI는 가까웠지만, 아직 1~2개의 큰 아이디어가 부족하다
Demis Hassabis는 현재의 대규모 사전학습(pre-training) + RLHF + 사고의 연쇄(chain of thought) 패러다임이 AGI의 최종 아키텍처에 포함될 것이라 확신하지만, 여전히 **결정적인 1~2개의 큰 아이디어(big ideas)**가 부족할 가능성을 50/50으로 본다.
"지금 우리가 알고 있는 기술들은 AGI의 최종 아키텍처에 포함될 것이라고 거의 확신합니다. 하지만 그 위에 여전히 1~2개의 큰 아이디어가 부족할 수도 있습니다. 만약 그렇다면, 제 판단은 50/50입니다."
1.1 현재까지 검증된 기술
- 대규모 사전학습(pre-training)
- RLHF (인간 피드백을 통한 강화학습)
- Chain of Thought / Thinking modes (사고의 연쇄)
1.2 여전히 미해결인 핵심 과제
Hassabis가 명시한 AGI 도달을 위해 반드시 해결해야 할 4가지:
| 과제 | 설명 | 현재 상태 |
|---|---|---|
| 지속적 학습(Continual Learning) | 새로운 정보를 기존 지식과 충돌 없이 우아하게 통합 | Duct tape(덕트 테이프) 수준의 임시방편 |
| 장기 추론(Long-term Reasoning) | 복잡한 문제를 단계별로 일관되게 풀어내는 능력 | IMO 금메달급 문제는 풀지만 기초 수학 오류도 범함 |
| 메모리(Memory) | 맥락 창(context window)에 모든 것을 때려넣는 brute force 방식 탈출 | 100만 토큰도 실제론 20분 영상 분량에 불과 |
| 전반적 일관성(Consistency) | 한 분야에선 천재적이나 다른 분야에선 초보적 수준의 "울퉁불퉁한 지능(Jagged Intelligence)" | 체스에서는 blunder(명백한 실수) 반복 |
2. 메모리와 맥락: 왜 100만 토큰도 충분하지 않은가
2.1 작업 기억(Working Memory)의 비유
Hassabis는 맥락 창(context window)을 인간의 **작업 기억(working memory)**에 비유한다. 인간은 평균 7개 정도의 숫자를 동시에 기억하지만, 현재 AI는 수백만 토큰을 처리할 수 있다.
그러나 문제는 모든 것을 그 안에 때려넣고(brute force) 있다는 점이다:
"중요하지 않은 것, 틀린 것까지 모두 넣고 있습니다. 이건 상당히 brute force적이고, 이건 올바르지 않아 보입니다."
2.2 실제 영상 처리 시의 현실
실시간 비디오를 처리할 때를 가정하면:
- 100만 토큰 = 약 20분 분량의 영상에 불과
- 한 달~두 달간의 삶을 이해하려면 훨씬 더 많은 맥락이 필요
- naive하게 모든 토큰을 기록하면 금방 한계 도달
2.3 해마(Hippocampus)에서의 통찰
Hassabis는 자신의 박사학위 연구(해마의 기억 통합)에서 힌트를 얻었다:
- 수면 중 특히 렘(REM) 수면: 중요한 경험을 재생(replay)하여 학습
- DeepMind의 초기 Atari 프로그램(DQN)도 이를 모방 → Experience Replay
- 현재의 "꿈의 주기(dream cycles)"나 맥락 창에 쑤셔넣기는 덕트 테이프 수준의 임시방편
3. 강화학습(RL)과 검색: 여전히 과소평가된 보물
3.1 DeepMind의 DNA
DeepMind는 설립 초기부터 에이전트(Agent)를 연구해왔다:
- Atari 게임 에이전트 → AlphaGo → AlphaStar(스타크래프트)
- 이 모든 것이 목표를 달성하고, 능동적 결정을 내리며, 계획을 세우는 시스템
3.2 AlphaGo의 유산, 현재로의 귀환
Hassabis는 오늘날의 "Thinking Mode"와 "Chain of Thought Reasoning"이 사실상 AlphaGo가 개척한 것의 재발견이라고 주장한다:
"오늘날 우리가 하는 많은 것들—모든 선도 모델의 thinking mode와 chain of thought reasoning—은 AlphaGo가 개척한 것의 일면입니다."
3.3 앞으로의 기술 융합
현재 DeepMind가 재검토 중인 올드 스쿨 아이디어:
- 몬테카를로 트리 탐색(Monte Carlo Tree Search)
- AlphaGo/AlphaZero의 RL 기법들을 현대 기초 모델에 증강
- Hassabis: "이것이 향후 몇 년간의 주요 진보가 될 것"
4. 모델 효율성: 거대 모델 → 작은 모델의 역설
4.1 Google의 핵심 강점 = 증류(Distillation)
Google/DeepMind의 가장 큰 강점 중 하나는 거대 모델의 능력을 작은 모델에 빠르게 담는(distillation) 능력이다:
- Flash 모델: 프론티어 모델의 95% 성능을 1/10 가격으로
- Jeff Dean, Oriol Vinyals 등이 개척한 기술
- Gemma 4: 2주 만에 4천만 다운로드
4.2 작은 모델의 한계는 아직 없다
Hassabis는 정보 이론적 한계(information limit)에 아직 도달하지 않았다고 본다:
"이론적 한계에 도달했다고 보지 않습니다. 아직 상당히 멀었다고 생각해요."
예상 타임라인:
- 프론티어 모델 출시 → 반년~1년 후 거의 엣지(edge) 수준의 초소형 모델에 동등한 능력
4.3 작은 모델의 실용적 가치
작은 모델의 활용도는 단순 비용 절감을 넘어선다:
- 속도 → 반복(iteration) 가속: 코딩 등에서 더 빠른 피드백 루프
- 엣지(Edge) 배포: 프라이버시/보안, 로보틱스, 가정 내 로봇
- 로컬-클라우드 오케스트레이션: 로컬에서 오디오/비주얼 처리, 클라우드는 특정 상황에서만 위임
5. 에이전트(Agents): 지금은 막 시작했을 뿐
5.1 에이전트 = AGI로 가는 필수 경로
Hassabis는 에이전트에 대한 과대포장(hype)론에 동의하지 않는다:
"에이전트는 단지 막 시작했을 뿐입니다. AGI에 도달하려면 능동적으로 문제를 해결하는 시스템이 필요합니다. 에이전트가 그 길입니다."
5.2 현재 에이전트의 한계: 지속적 학습 부재
에이전트가 "방치하면 알아서(fire and forget)" 완벽하게 작동하려면:
- 특정 맥락에 적응해야 함
- 현재 모델은 stateless(상태를 유지하지 않음)
- 지속적 학습이 없으면 전체 작업(full tasks) 수행 불가
5.3 1000배 생산성 시대의 신호
Hassabis는 현재의 실험 단계를 지나, 향후 6~12개월 내에 진정한 가치 창출이 시작될 것으로 예측:
"아직 앱스토어 정상을 차지한 AAA 게임이 에이전트로 실시간 코딩된 것은 없습니다. 하지만 곧 올 것입니다."
그 전에 먼저 나타날 것은:
- 인간의 1000배 생산성: 한 사람이 에이전트로 1000배의 일을 하는 모습
- 이후 점차 자동화가 진행
6. 추론(Reasoning): 체스에서 배우는 교훈
6.1 체스로 진단하는 사고 흔적
Hassabis는 Gemini와 체스를 두며 사고 흔적(thinking traces)을 관찰한다. 체스는 검증 가능한 명확한 도메인이기에 추론 결함을 쉽게 발견할 수 있다.
발견한 문제점:
- 한 수를 고려 → 실수임을 인식 → 더 나은 대안을 찾지 못함 → 결국 그 실수를 저지름
"정밀한 추론 시스템에서는 이런 일이 일어나서는 안 됩니다."
6.2 과잉사고(Overthinking) 루프
현재 모델들은 **과잉사고(overthinking)**에 빠지는 경향:
- 생각의 루프에 갇힘
- 중간에 개입(interjecting)하여 사고 과정을 모니터링/조정할 필요
- 이는 **자기 사고 과정에 대한 성찰(introspection)**의 부재를 시사
6.3 "울퉁불퉁한 지능(Jagged Intelligence)"
"한편으론 IMO 금메달급 문제를 풀 수 있지만, 다른 한편으론 특정 방식으로 질문을 던지면 기초적인 수학 오류를 범합니다."
이 간극을 메우는 데 필요한 건 아마도 **1~2가지 트윅(tweaks)**뿐일 수 있다.
7. 오픈소스와 지정학: Gemma의 전략
7.1 Western Stack의 필요성
Hassabis는 오픈소스 생태계에서 서방(Western) 스택의 중요성을 강조:
"중국 모델들이 훌륭하고 현재 오픈소스를 주도하고 있습니다. Gemma가 이에 대해 경쟁력 있다고 생각합니다."
7.2 엣지 모델 = 오픈이 최선의 전략
Google의 전략적 결정:
- 프론티어 모델: 폐쇄 (컴퓨팅/인재 한계)
- 엣지/나노 모델: 완전 오픈 (Android, 안경, 로보틱스용)
- 이유: 엣지에 배포되면 어차피 취약해질(vulnerable) 것 → 차라리 완전히 오픈
7.3 Gemma 4의 성과
- 출시 2주 만에 4천만 다운로드
- 크기 대비 세계 최고 수준의 성능
- 로컬 실행 가능한 고성능 모델의 대중화
8. 다중모달(Multimodal): Gemini의 본질적 강점
8.1 처음부터 다중모달로 설계
Hassabis는 Gemini 시리즈의 가장 과소평가된 측면이 "처음부터 다중모달(native multimodal)로 설계되었다"는 점이라고 말한다:
"처음엔 텍스트에만 집중하는 것보다 어려웠지만, 장기적으로 이익을 볼 것이라 믿었습니다."
8.2 다중모달이 활성화하는 것들
- 세계 모델(World Model): Genie(생성형 인터랙티브 환경)
- 로보틱스: Gemini Robotics — 물리적 세계 이해
- Waymo: 자율주행에 다중모달 기초 모델 적용
- 디지털 어시스턴트: 전화, 안경 등 실물 세계와의 상호작용
9. 추론 비용의 미래: 무료는 아니지만, 효율은 계속된다
9.1 제브스의 역설(Jevons Paradox)
Hassabis는 추론이 본질적으로 무료가 되지는 않을 것이라 본다:
"제브스의 역설처럼, 우리는 사용 가능한 모든 추론을 사용하게 될 것입니다."
활용 시나리오:
- 수백만 개의 에이전트가 협업하는 스웜(swarm)
- 단일 에이전트가 여러 방향으로 동시에 사고 후 앙상블(ensembling)
9.2 에너지 비용 vs 물리적 한계
- 에너지: 핵융합/초전도체/차세대 배터리가 해결한다면 → 거의 0에 가까워질 수 있음
- 물리적 한계: 칩 제조, 물질적 자원 → 최소 수십 년간 병목
"추론 측면에서 여전히 배분(rationing)이 있을 것입니다. 효율적으로 사용해야 합니다."
10. 과학 혁신: AI가 궁극의 도구가 되다
10.1 DeepMind의 이중 미션
원래 DeepMind의 미션 선언:
- 지능을 해결하라(Solve Intelligence) → AGI 구축
- 그것으로 나머지 모든 것을 해결하라(Use it to solve everything else)
"정말로 '모든 것'을 의미했습니다. 사람들은 이제 그게 무엇을 의미하는지 이해하기 시작했습니다."
10.2 AlphaFold: 뿌리 문제(Root Node Problem)의 전형
AlphaFold가 전 세계 300만 명의 생물학 연구자가 사용하는 도구가 된 것은 DeepMind가 추구하는 "뿌리 문제(root node problem)" 해결의 전형:
- 단일 도구가 **전체 학문의 새로운 가지(branch)**를 열어냄
- 향후 모든 신약 개발은 어떤 형태로든 AlphaFold를 거칠 것
10.3 가상 세포(Virtual Cell)까지의 로드맵
- 현재: Isomorphic Labs(DeepMind에서 분사) — AlphaFold 3로 단백질을 넘어 광범위한 생체분자 모델링
- 단기(수년 내): 가상 핵(Virtual Nucleus) — 상대적으로 자립된 시스템
- 중기(약 10년): 가상 세포(Virtual Cell) — 실험에 근접한 출력을 내는 완전한 세포 시뮬레이션
- 궁극: 가상 인체(Virtual Human Body)
10.4 데이터의 한계와 하드웨어 혁명
가장 큰 병목은 데이터다:
"살아있는 세포를 죽이지 않고 이미징할 수 있다면 — 그건 게임 체인저일 것입니다. 그러면 비전 문제로 전환할 수 있고, 우리는 그걸 푸는 방법을 알죠."
현재로서는 나노미터 해상도의 동적 라이브 셀 이미징 기술이 없어, 학습된 시뮬레이터(learned simulators) 방식으로 근접해야 한다.
11. 창의성과 진정한 과학적 추론: 아직 도달하지 못한 성역
11.1 AlphaGo의 Move 37 vs 바둑의 발명
Hassabis는 AlphaGo의 전설적인 Move 37을 예로 든다:
- 이건 "바둑 내에서의 창의적 한 수"
- 하지만 그 다음 단계는: "바둑 자체를 발명할 수 있는가?"
"저는 고수준 설명(5분이면 규칙을 배울 수 있지만, 평생 걸려도 마스터하는 게임)만 주고, 그 시스템이 바둑을 반환하길 원합니다."
11.2 진정한 창의성의 조건
현재 시스템이 Move 37 수준은 가능하지만, 새로운 문제를 제기하는 창의성은 부족하다:
- 패턴 매칭 이상의 것: 아날로지적 추론(analogical reasoning)
- 기존 지식의 경계를 넘어서는 것
- Hassabis는 이것이 **창의성(creativity)**과 연결되어 있다고 본다
11.3 아인슈타인 테스트(Einstein Test)
Hassabis가 제안한 궁극적 벤치마크:
"1901년까지의 지식만으로 시스템을 학습시키고, 그것이 1905년 아인슈타인이 한 것(특수상대성이론 등)을 재현할 수 있는가?"
이 테스트를 통과하면:
- AI가 **진정으로 새로운 것, 참신한 것(truly novel)**을 발명할 수 있다는 증거
- 현재는 아직 불가능하지만, 1~2가지가 더 결합되면 가능해질 수 있다
12. 스타트업 조언: 딥테크와 AGI 타임라인
12.1 딥테크 × AI = 방어 가능한 영역
Hassabis가 YC 창업자들에게 준 조언:
"AI가 가는 방향을 가로채는 것 + 어떤 딥테크 영역과 결합하는 것 — 이것이 스위트 스팟입니다."
특히 원자(atoms)의 세계가 관련된 분야(재료과학, 의학, 기후 모델링 등)는 기초 모델의 다음 업데이트에 잠식당하기 어려운 **방어 가능한 영역(defensible area)**이다.
12.2 AGI 타임라인을 고려하라
Hassabis의 AGI 예상 시점: 약 2030년
딥테크는 보통 10년의 여정이다:
"만약 오늘 딥테크 여정을 시작한다면, 그 중간에 AGI가 나타날 것을 고려해야 합니다. 이건 나쁜 것이 아니지만, 이를 고려해야 합니다."
질문해야 할 것:
- AGI가 나타날 때 내가 만든 것을 **활용(leverage)**할 수 있는가?
- AGI 시스템이 내 도구를 어떻게 사용할 것인가?
- 물리적 인프라(공장, 금융 시스템 등)는 AGI와 어떻게 상호작용할 것인가?
12.3 전문화된 도구를 일반 시스템이 활용하는 미래
Hassabis가 상상하는 미래 아키텍처:
- Gemini/Claude 등 일반 시스템 → 전문 도구(tool use)
- AlphaFold 같은 특화 시스템 → 분리된 상태로 유지, 툴로서 호출
- 이유: 모든 것을 거대한 하나의 뇌에 넣으면 회귀(regression) 발생 → 언어 능력 등이 저하됨
12.4 진정한 열정의 힘
마지막으로 Hassabis는 25세의 자신에게 하고 싶은 말을 남긴다:
"인생은 매우 짧고, 당신의 시간과 에너지는 제한되어 있습니다. 만약 당신이 하지 않았다면 차이를 만들어낼 무언가에 당신의 생명력을 쏟아붓는 게 낫습니다."
"저는 어떤 일이 있어도 AI를 연구했을 것입니다. 아마도 50년 너무 일렀을 수도 있지만, 그래도 계속 했을 거예요."
핵심 요약 (20줄)
- Demis Hassabis는 현재의 AI 패러다임(사전학습+RLHF+사고연쇄)이 AGI 아키텍처의 일부가 될 것은 확실하지만, 여전히 1~2개의 큰 아이디어가 결여될 가능성을 50/50으로 본다.
- AGI 도달을 위해 반드시 해결해야 할 4가지: 지속적 학습, 장기 추론, 메모리, 전반적 일관성 — 현재는 이 모두가 미해결 상태다.
- 100만 토큰 맥락 창조차 실시간 비디오 기준 20분 분량에 불과하며, 인간의 해마가 수면 중 재생(replay)으로 기억을 통합하듯 AI도 비슷한 메커니즘이 필요하다.
- DeepMind의 강화학습+검색 철학(AlphaGo의 유산)은 현재의 "Thinking Mode"와 본질적으로 동일하며, 몬테카를로 트리 탐색 등이 재평가되고 있다.
- Google의 핵심 강점은 증류(distillation) — 프론티어 모델의 95% 성능을 1/10 가격의 작은 모델로 담는 능력이며, 정보 이론적 한계는 아직 도달하지 않았다.
- 에이전트는 "과대포장"이 아니라 "막 시작했을 뿐" — AGI에는 능동적으로 문제를 해결하는 시스템이 필수이며, 지속적 학습 없이는 "방치하면 알아서(fire and forget)" 작동 불가하다.
- 현재 AI의 추론은 "울퉁불퉁한 지능" — IMO 금메달 문제는 풀면서도 체스에서는 blunder를 반복하며, 사고 과정에 대한 성찰(introspection)이 부족하다.
- 엣지/나노 모델은 **완전 오픈(Gemma)**이 최선의 전략 — 어차피 엣지에 배포되면 취약해지므로, Western Stack 확보를 위해 오픈소스가 지정학적으로 중요하다.
- Gemini의 처음부터 다중모달(native multimodal) 설계는 세계 모델, 로보틱스, 실물 세계 이해에서 장기적 우위를 제공한다.
- 추론 비용은 제브스의 역설 때문에 본질적으로 무료가 되지 않으며, 에너지 비용(핵융합 등)은 해결될 수 있지만 물리적 칩 제조 한계는 수십 년간 지속될 것이다.
- AlphaFold는 DeepMind가 추구하는 "뿌리 문제(root node problem)" 해결의 전형 — 300만 생물학자가 사용하며 향후 모든 신약 개발이 이를 거칠 것이다.
- 가상 세포(Virtual Cell)까지는 약 10년이 소요될 것이며, 현재 가장 큰 병목은 살아있는 세포를 죽이지 않고 나노미터 해상도로 이미징하는 데이터 부족이다.
- AI가 진정한 과학적 추론을 하려면 패턴 매칭을 넘어 아날로기적 추론과 창의성이 필요하며, Hassabis의 "아인슈타인 테스트"(1901년 지식만으로 1905년 아인슈타인의 업적 재현)는 아직 통과하지 못했다.
- 현재 시스템은 Move 37 수준의 창의적 한 수는 가능하지만, "바둑 자체를 발명하는" 수준의 창의성은 아직 불가능하다 — 이는 1~2가지 결합으로 극복 가능할 수 있다.
- AI+딥테크(원자의 세계가 관련된 분야)가 가장 방어 가능한 스타트업 영역이며, 단순 API 래퍼는 기초 모델의 다음 업데이트에 잠식당하기 쉽다.
- Hassabis의 AGI 예상 시점은 약 2030년 — 딥테크는 보통 10년이 소요되므로, 창업 시 AGI가 여정 중간에 나타날 것을 반드시 전략에 고려해야 한다.
- 미래의 일반 AI 시스템은 전문화된 도구(AlphaFold 등)를 외부 툴로 활용하는 아키텍처가 될 것 — 모든 것을 하나의 거대 뇌에 넣으면 회귀(regression)가 발생한다.
- 인간의 1000배 생산성 시대가 먼저 도래한 후, 점차 에이전트가 자율적으로 작동하는 단계로 전환될 것이다.
- 진정한 차이를 만드는 것은 어려운 문제를 쫓는 것 — 얕은 문제와 깊은 문제는 "다르게 어렵"지만, 인생이 짧으니 차이를 만들 수 있는 문제에 생명력을 쏟아야 한다.
- Hassabis는 2010년 DeepMind 창업 시 투자자와 학계로부터 **"AI는 안 통한다"**는 말을 들었지만, 신념과 열정으로 밀고 나갔다 — *"만약 50년 너무 일렀더라도, 저는 계속 AI를 연구했을 것입니다."