데미스 하사비스가 보여주는 AI와 과학적 발견의 미래

URL: https://www.youtube.com/watch?v=naFkUqXw_Uw
날짜: 2026-08-16
채널: Tech Bridge
원문 제목: [한영자막] 꼭 봐야할 데미스 하사비스의 60분 AI 강연
발표자: 데미스 하사비스(Demis Hassabis), Google DeepMind 공동 창업자 겸 CEO

---

📌 핵심 질문 / 이 강연이 다루는 핵심 논점

==게임에서 스스로 전략을 발견한 학습 시스템을 과학·의학·로보틱스·범용 인공지능으로 확장하면, 인간이 다루기 어려운 탐색 공간을 줄이고 과학적 발견을 디지털 속도로 가속할 수 있는가?==

• 전문가 지식을 규칙으로 미리 입력하는 시스템은 예상 밖 상황에 취약하지만, 데이터와 경험에서 학습하는 신경망은 설계자가 몰랐던 전략과 구조까지 발견할 수 있다.
• AlphaGo와 AlphaZero는 인간이 수천 년 동안 다듬은 게임에서 새로운 전략을 찾아냈고, AlphaFold는 단백질 구조 예측을 원자 수준으로 끌어올려 생물학의 탐색 비용을 크게 낮췄다.
• AI가 세계의 물리와 상호작용을 학습하는 월드 모델(world model), Gemini의 범용 이해, AlphaGo식 탐색·계획, 로보틱스가 결합하면 AGI로 향하는 경로가 열리지만, 과학적 겸손과 사회 전체의 안전 논의가 전제되어야 한다.

하사비스는 자신의 체스 경험과 Cambridge의 과학적 전통에서 출발해 DeepMind의 2010년 창업, 게임 AI, AlphaFold와 디지털 생물학, 월드 모델과 AGI, 그리고 강연 후 질의응답까지 이어 간다. 강연의 중심 명제는 AI가 단순히 이미 알려진 답을 자동화하는 도구가 아니라, 거대한 조합적 탐색 공간에서 학습한 구조를 이용해 아직 발견되지 않은 해법을 찾는 일반 목적의 과학 도구가 될 수 있다는 것이다.

1. 체스와 Cambridge에서 시작된 AI의 여정

하사비스는 AI를 인간 지능의 작동 방식과 과학적 발견의 프런티어를 이해하기 위한 평생의 문제로 받아들인다.

1.1. 게임이 만든 ‘생각에 대한 생각’

1. 네 살부터 시작한 체스

   1. 하사비스는 네 살 때 체스를 시작했고, 영국 주니어 팀에서 경쟁적으로 체스를 둘 만큼 진지하게 훈련했다.
   2. 체스 실력 향상은 단순히 게임을 많이 하는 일이 아니라, 마음이 계획과 아이디어를 만들고 문제를 해결하며 그 과정을 개선하는 방식을 관찰하는 일이었다.

2. 초기 체스 컴퓨터와 Amiga 500

   1. 하사비스가 처음 접한 AI와 컴퓨터는 체스의 맥락에 있었다. 초기 체스 컴퓨터는 말을 놓을 칸을 실제로 눌러야 하는 물리적 보드 형태였다.
   2. 체스 이론을 공부하려고 쓰던 기계가 사실은 누군가 프로그래밍한 무생물 플라스틱 덩어리였는데도 사람과 매우 강하게 체스를 두는 사실이 하사비스를 매료시켰다.
   3. 1980년대 말과 1990년대 초, 십대 초반의 하사비스는 Amiga 500으로 Othello 같은 게임을 하는 AI 프로그램을 직접 만들었다.
   4. Othello 프로그램은 하사비스가 AI를 처음 맛본 경험이었고, 그는 그때부터 평생 이 기술의 프런티어를 밀어붙이기로 마음먹었다.

1.2. Cambridge가 준 과학적 상상력

1. 경험에서 소외된 학생도 과학의 중심으로 들어갈 수 있다는 기대

   1. 하사비스는 북런던의 종합학교(comprehensive school)에 다녔고, 주변에서 Oxbridge에 진학한 사례를 거의 보지 못했다.
   2. 그가 Cambridge를 선택한 이유는 이곳에서 일어난 발견과 과학자들의 전기를 읽으며 느낀 영감 때문이었다.

2. DNA 발견의 현장감을 준 이야기와 영화

   1. Francis Crick과 James Watson이 Cambridge를 돌아다니며 DNA를 연구한 이야기는 하사비스에게 과학적 발견의 프런티어를 직접 경험하고 싶다는 열망을 심어 주었다.
   2. Jeff Goldblum이 Watson으로 출연한 1980년대 영화 《The Race for the Double Helix》는 과학자들이 Cambridge를 거닐며 DNA를 발견하는 흥분을 생생하게 보여 주었다.

3. 과거의 지적 거인과 연결된 공간

   1. Alan Turing과 Charles Babbage가 Cambridge를 거쳐 갔고, 하사비스가 앉아 있는 강의실도 그들의 전통과 연결되어 있다.
   2. Queen’s College에서 처음 받는 투어는 Eagle pub에서 Crick과 Watson이 DNA 구조를 논의했다는 테이블을 보여 주는 일정까지 포함한다.
   3. 하사비스는 King’s Parade를 걷거나 Gardenia’s에서 늦은 밤 버거를 먹을 때도 수백 년 동안 같은 길을 걸었던 지적 거인들이 돌을 통해 말을 거는 듯한 느낌을 받았다.
   4. 친구 Aaron과 함께한 사진, Mathematical Bridge의 기억은 Cambridge에서 보낸 3년이 그에게 얼마나 형성적인 시간이었는지를 보여 준다.

4. 노벨상과 시간의 순환

   1. 하사비스는 12월 Stockholm에서 평생의 영예인 Nobel Prize를 받았고, 일주일 동안 이어진 행사 중 Nobel Foundation의 Nobel Book에 서명하는 순간을 가장 좋아했다.
   2. 책장을 넘기자 Crick의 서명이 나왔고, 더 뒤로 가자 Einstein의 서명도 나타났다. 하사비스는 모든 페이지를 사진으로 남기느라 한 시간을 보냈다.
   3. 1980년대에 DNA 발견 영화를 보며 품었던 꿈이 Cambridge의 과학적 전통과 노벨상으로 이어지면서, 그는 자신의 경로가 한 바퀴 돌아 다시 만난 듯하다고 느꼈다.

2. DeepMind의 창업과 학습 시스템이라는 선택

2.1. ‘지능을 해결하고 나머지를 해결한다’는 임무

1. 2010년의 Apollo 프로그램 구상

   1. 하사비스는 2010년 London에서 DeepMind를 시작하며 인공 일반 지능(Artificial General Intelligence, AGI)을 만들려는 일을 인류의 Apollo program 같은 노력으로 생각했다.
   2. AGI는 인간이 할 수 있는 모든 인지 능력을 수행하는 진정으로 일반적인 AI를 뜻한다.
   3. 그가 상상한 두 단계의 임무는 “1단계, 지능을 해결한다. 2단계, 지능으로 나머지 모든 것을 해결한다”였다.

2. Turing에서 이어진 계산의 관점

   1. 이 구상은 어떤 계산 가능한 것이든 계산할 수 있는 Turing machine의 아이디어와 연결된다.
   2. Cambridge에서 배운 Turing과 Claude Shannon의 1940~1950년대 계산 이론은 하사비스가 AI를 생각하는 이론적 토대가 됐다.

3. 당시에는 터무니없어 보였던 목표

   1. 2010년에는 거의 아무도 AI를 연구하지 않았기 때문에, 벤처 투자자에게 이런 임무를 설명하는 일은 매우 비현실적으로 들렸다.
   2. 15년이 지난 현재 거의 모든 사람이 AI를 연구할 정도로 상황이 급변했으며, 하사비스는 AI가 거의 모든 분야에 변혁적 영향을 줄 수 있다는 초기 믿음이 더욱 현실적으로 보인다고 말한다.
   3. 하사비스에게 ‘나머지 모든 것’의 핵심은 과학적 발견, 의학, 우주에 대한 이해를 가속하는 일이다.

2.2. 전문가 시스템과 학습 시스템의 차이

1. 규칙을 미리 입력하는 전문가 시스템

   1. 1990년대의 Deep Blue처럼 전문가 시스템은 해결책을 직접 프로그래밍한다. Deep Blue는 하사비스가 Cambridge에서 공부하던 시기에 Garry Kasparov를 이긴 대표 사례다.
   2. 이런 시스템은 논리와 규칙에 기반하고 특정 문제에서는 강력하지만, 설계자가 미리 다루지 않은 예상 밖 상황에 대응할 구조가 없다.
   3. 규칙이 고정되어 있어 일반 지능으로 확장하기 어렵고, 경직되고 취약하며 깨지기 쉽다.

2. 경험에서 스스로 배우는 현대 AI

   1. 현대의 학습 시스템은 첫 원리에서 직접 데이터와 경험을 통해 스스로 학습하며, 신경과학에서 영감을 얻는다.
   2. 설계자나 프로그래머가 이미 알고 있는 해법을 넘어서는 지식을 발견할 가능성이 있다는 점이 학습 시스템의 가장 큰 가치다.
   3. 과학적 발견처럼 정답을 미리 알 수 없는 분야에서는 이 능력이 규칙 기반 시스템보다 결정적으로 중요하다.

3. 게임에서 발견한 자기 개선과 새로운 전략

3.1. Atari와 DQN: 화면의 픽셀에서 배우기

1. 게임을 세 번 활용한 하사비스

   1. 하사비스는 어린 시절 체스를 통해 자신의 사고를 훈련했고, 십대에는 게임과 게임 AI를 직접 만들었으며, DeepMind에서는 게임을 AI 시스템의 훈련장으로 활용했다.
   2. 게임은 규칙이 명확하고 점수나 승패라는 목표가 있으며, 반복 실험을 빠르게 할 수 있어 AI의 완벽한 proving ground가 된다.

2. DQN의 엔드투엔드 학습

   1. 1970년대 Atari 게임처럼 단순한 환경에서 DQN은 원시 데이터로부터 직접 학습하는 최초의 엔드투엔드 시스템이었다.
   2. 시스템은 게임 규칙이나 조작법을 설명받지 않고, 화면의 픽셀 스트림만 입력받아 점수를 최대화하라는 목표를 수행했다.
   3. DeepMind는 2013년 무렵 서로 다른 Atari 게임을 모두 마스터하는 성과를 거뒀다.

3.2. AlphaGo: 인간의 게임에 새로운 지식을 추가하다

1. Go가 가진 불가능에 가까운 탐색 공간

   1. Go는 수천 년 된 가장 오래된 게임 중 하나이며, 인간이 만든 게임 가운데 가장 복잡하고 우아한 게임으로 소개된다.
   2. 가능한 Go의 국면은 10^170개로, 관측 가능한 우주의 원자 수보다 훨씬 많다.
   3. 가능한 수를 모두 대입하는 brute force 방식으로는 Go 전략을 만들 수 없으므로, 신경망이 탐색 공간을 똑똑하게 줄여야 한다.

2. 2016년 Lee Sedol과의 대국

   1. AlphaGo는 2016년 10회 세계 챔피언인 한국의 바둑 기사 Lee Sedol과 100만 달러 상금의 도전 대국을 벌여 승리했다.
   2. 이 대국은 전 세계 2억 명이 지켜봤고, AlphaGo가 단순히 승리한 것보다 인간이 수천 년간 쌓아 온 바둑 지식에 새 전략을 추가했다는 점이 더 중요했다.
   3. 특히 제2국 37수는 붉은색으로 표시되는 유명한 수로, 현장 해설자와 세계 정상급 기사들이 처음에는 생각할 수 없는 수라고 반응했다. AlphaGo는 그 수 이후 약 100수가 지나 제2국을 승리로 가져갔다.

3. 게임 지식에서 과학 지식으로

   1. 하사비스는 AlphaGo의 37수가 시스템이 새로운 지식을 발명하고 발견할 수 있다는 가능성을 보여 준다고 봤다.
   2. 게임에서 새로운 전략을 찾은 방법을 과학 전체의 발견으로 일반화하는 일이 그의 오랜 꿈이었다.

3.3. AlphaGo Zero와 AlphaZero의 자기 대국

1. 규칙만 알고 시작하는 버전 1

   1. 시스템은 게임의 규칙만 알고 시작하며, 버전 1은 거의 무작위로 자기 자신과 대국한다.
   2. 약 10만 판의 자기 대국은 국면 데이터베이스를 만들고, 그 데이터로 다음 버전의 신경망을 학습시킨다.

2. 정책과 승률을 함께 학습하는 과정

   1. 버전 2는 각 국면에서 어떤 수가 나올 가능성이 높은지 예측한다.
   2. 동시에 흑과 백 중 어느 쪽이 이길 가능성이 높은지와 승률을 예측한다.
   3. 버전 2가 버전 1과 100판을 겨뤄 유의미한 차이인 55% 승률을 넘으면 버전 1을 버전 2로 교체하고, 더 높은 품질의 대국 데이터로 버전 3을 만든다.
   4. 이 과정을 17~18회 반복하면 무작위 플레이에서 출발한 시스템이 24시간 이내에 세계 챔피언 수준보다 강해진다.

3. 신경망이 탐색을 안내하는 방식

   1. 신경망은 10^170개의 불가능한 선택지를 몇 분의 계산으로 다룰 수 있는 공간으로 줄인다.
   2. 모든 가지를 확인하는 대신, 국면의 가치와 가능성이 높은 파란색 경로를 우선 탐색하도록 검색 트리를 안내한다.
   3. 생각할 시간이 끝나면 지금까지 본 경로 중 가장 유망한 보라색 라인을 선택한다.
   4. 이 구조는 특정 게임의 암기보다, 거대한 조합적 공간의 지형(topology)을 학습해 목적 함수에 맞는 탐색을 효율화하는 방식이다.

4. 다른 2인 완전정보 게임으로의 일반화

   1. AlphaGo Zero와 AlphaZero는 Go에만 머물지 않고 모든 2인 완전정보 게임을 처음부터 학습하도록 일반화됐다.
   2. 체스에서는 이미 매우 강력한 Stockfish를 AlphaZero가 이겼다.
   3. 유명한 ‘immortal Zugzwang’ 게임에서 AlphaZero는 기물 수(material)를 희생하고 기물의 이동성(mobility)을 확보했다. 흑은 기물이 더 많았지만 구석에 갇혀 움직일 수 없었다.
   4. 인간 그랜드마스터에게도 이 방식은 효과적일 뿐 아니라 아름답고 역동적인 체스 스타일이었다.

5. 인간 챔피언의 평가

   1. Garry Kasparov는 기존 프로그램이 프로그래머의 우선순위와 편견을 반영하지만, AlphaZero는 스스로 학습하기 때문에 그 스타일이 진실을 반영한다고 평가했다.
   2. 당시 세계 챔피언 Magnus Carlsen은 AlphaZero를 영웅 중 하나로 꼽고 그 아이디어를 자신의 게임에 반영했다.
   3. AlphaZero의 영향은 Carlsen이 거의 10년 동안 체스계를 지배하는 과정에도 이어졌다.

4. 게임 알고리즘을 현실 문제로 옮기는 기준

하사비스에게 게임은 목적지가 아니라 현실 문제에 적용할 일반 알고리즘을 개발하는 훈련장이다.

4.1. 현실 문제를 고르는 세 가지 조건

1. 거대한 조합적 탐색 공간

   1. 가능한 조합이 너무 많아 brute force로는 답을 찾기 어려워야 한다.
   2. 신경망이 문제의 구조를 학습해 탐색을 효율적으로 안내할 여지가 있어야 한다.

2. 명확한 목표 함수(objective function)

   1. 게임에서는 점수 최대화나 승리가 목표지만, 현실 문제도 몇 가지 지표로 목표를 정의할 수 있어야 한다.
   2. 목표가 명확해야 시스템이 어떤 해법을 더 좋은 것으로 판단하고 반복 개선할 수 있다.

3. 데이터·경험·시뮬레이터

   1. 학습할 데이터나 경험이 충분해야 한다.
   2. 실제 데이터에 더해 정확하고 효율적인 시뮬레이터가 있으면 합성 데이터를 생성해 학습을 확장할 수 있다.
   3. 이 세 조건을 함께 보면 과학과 산업의 많은 문제를 게임 AI의 방식으로 다룰 수 있다.

5. AlphaFold와 단백질 접힘 문제

5.1. 생명의 블록을 서열에서 구조로 예측하기

1. 단백질이 중요한 이유

   1. 단백질은 생명의 구성 블록이며, 뉴런의 발화부터 근육 섬유의 수축까지 몸속 거의 모든 기능에 관여한다.
   2. 유전자 서열은 아미노산 서열을 지정하고, 아미노산 서열은 자연에서 자발적으로 3차원 단백질 구조로 접힌다.
   3. 3차원 구조는 단백질이 몸에서 어떤 기능을 수행하는지 크게 결정한다. 구조만으로 기능 전체가 결정되지는 않지만 중요한 역할을 한다.

2. 단백질 접힘 문제

   1. 문제는 1차원 아미노산 서열 하나에서 놀라울 정도로 복잡한 3차원 구조를 계산적으로 예측할 수 있는지다.
   2. 1960년대 단백질 연구자 Cyrus Levinthal은 평균적인 단백질이 취할 수 있는 모양이 약 10^300개라고 계산했다.
   3. 그럼에도 생체 안에서 단백질은 수많은 가능성을 모두 시험하지 않고 밀리초 안에 자발적으로 접힌다. 이것이 Levinthal’s paradox다.
   4. 물리학이 초당 수십억 번 이 문제를 해결한다는 사실은, 합리적인 계산 시간 안에 문제를 다룰 수 있다는 희망을 준다.

5.2. CASP와 AlphaFold의 도전

1. CASP라는 단백질 접힘 올림픽

   1. CASP(Critical Assessment of Structure Prediction)는 2년에 한 번 열리는 단백질 구조 예측 대회이며, 1994년부터 Professor John Moult가 이끄는 팀이 운영한다.
   2. 실험 연구자들은 전자현미경 같은 고가의 장비로 아직 발표되지 않은 단백질 구조를 힘들게 밝혀 대회 주최 측에 제공한다.
   3. 주최 측은 실제 구조를 알고 있지만, 수백 개의 계산 팀은 그 사실을 모른 채 약 100개 단백질의 구조를 예측한다.
   4. 여름이 끝나면 실제 구조를 공개하고 예측 구조와의 거리 및 오차를 비교한다.

2. AlphaFold 1의 도입

   1. 하사비스는 AlphaGo 대국을 마치고 2016년 한국 서울에서 돌아온 바로 다음 날, 게임 밖의 의미 있는 ‘root node problem’을 풀 준비가 됐다고 판단했다.
   2. Root node problem은 해결될 경우 그 위에 새로운 발견의 가지와 연구 분야를 계속 쌓을 수 있는 근본 문제를 뜻하며, 단백질 접힘은 그 대표 사례였다.
   3. AlphaFold 프로젝트는 2016년에 시작됐고, 2018년 CASP13에 AlphaFold 1을 출전시켰다.
   4. 가장 어려운 단백질 부문에서 10년 동안 우승 점수가 약 60점 수준에 정체되어 있었다. 원자 폭 안에 맞추는 원자 수준 정확도는 90점 정도가 필요했다.
   5. 생물학자들은 단백질 하나의 구조를 실험으로 찾는 데 박사과정 학생 한 명의 4~5년이 걸린다고 말했다.
   6. 과학계에 알려진 단백질은 2억 개이고, 인간 단백질체(human proteome)에는 2만 개가 있다.

3. AlphaFold 2가 문제를 해결하다

   1. AlphaFold 1은 기계학습을 시스템의 핵심 요소로 처음 도입해 우승 팀이 되었고, 다음 시스템보다 거의 50% 더 좋은 성능을 냈지만 원자 수준 정확도에는 도달하지 못했다.
   2. 연구진은 AlphaFold 1에서 얻은 교훈으로 설계를 처음부터 다시 짜 AlphaFold 2를 만들었다.
   3. AlphaFold 2는 2020년 말 CASP 주최 측이 단백질 접힘 문제를 사실상 해결했다고 선언할 정도의 원자 수준 정확도에 도달했다.
   4. 시각적으로는 실제 구조가 초록색, 예측 구조가 파란색으로 표시되며 두 구조가 거의 겹친다.
   5. 시스템은 단백질 물질을 납작한 공처럼 시작한 뒤 192회가 넘는 반복 재활용(iterative recycling)을 수행해 점점 더 그럴듯한 구조를 만들고 마지막 부분을 정제한다.

5.3. 2억 개 단백질과 연구 생태계의 변화

1. 계산 속도와 공개 데이터베이스

   1. AlphaFold는 평균 단백질 하나를 수초 만에 접을 만큼 정확하면서도 빠르다.
   2. 연구진은 Google Cloud의 많은 컴퓨터를 1년 동안 사용해 과학계에 알려진 2억 개 단백질의 구조를 모두 계산했다.
   3. Cambridge 인근 Sanger Center의 EMBL-EBI 동료들과 함께 결과를 데이터베이스로 공개하고, 전 세계 누구에게나 무료·무제한 접근을 허용했다.
   4. 실험으로 계산하면 4~5년씩 걸릴 2억 개 구조를 1년에 계산한 일은 약 10억 년의 박사과정 연구 시간을 1년으로 압축한 셈이다.

2. 새로운 구조생물학과 농업 연구

   1. 잘 연구되지 않았던 생물, 특히 특정 식물의 단백질 구조가 공개되면서 과학과 농업 연구가 접근할 수 있는 영역이 넓어졌다.
   2. 2억 개 구조를 개별 단백질이 아니라 종 전체의 집합으로 비교하면 진화 과정의 공통 구조와 메타 구조를 탐색할 수 있다.

3. 안전 검토와 실제 사용

   1. DeepMind는 공개 전 30명 넘는 생물안보(biosecurity)·생명윤리(bioethics) 전문가와 협의해 이익이 위험보다 큰지 검토했다.
   2. AlphaFold는 거의 모든 국가에서 200만 명 넘는 연구자가 사용하고 있으며 3만 회 넘게 인용됐다.
   3. AlphaFold는 생물학 연구의 표준 도구가 되어 박사과정 학생을 포함한 연구자들의 기본 연구 도구로 자리 잡았다.

4. 응용 사례

   1. University of Portsmouth 연구진은 플라스틱을 소화하는 효소를 설계해 환경의 플라스틱 오염을 해결하는 데 구조 정보를 활용한다.
   2. Fleming Centre와의 연구는 항생제 내성을 다룬다.
   3. Drugs for Neglected Diseases Initiative와의 협력은 말라리아, 리슈만편모충증(leishmaniasis), Zika virus 같은 열대성·소외 질병의 구조 정보를 바탕으로 곧바로 신약 발견에 들어갈 수 있게 한다.
   4. 연구자들은 세포의 핵공(nuclear pore)을 통해 영양소가 드나들게 하는 나노포어 복합체의 구조를 연구한다.
   5. Broad Institute는 단백질을 다시 설계해 특정 신체 부위로 약물을 전달하는 분자 주사기(molecular syringe)를 개발한다.

5.4. AlphaFold 3와 AlphaProteo

1. 정적 구조에서 상호작용으로

   1. AlphaFold 3는 강연 당시 발표된 최신 단계의 시스템으로 학계에 공개됐다.
   2. AlphaFold 2가 단백질 하나의 정적 구조에 가깝다면, AlphaFold 3는 생물학적 요소들의 상호작용을 다룬다.
   3. 대상에는 단백질-단백질, 단백질-DNA, 단백질-RNA, 약물 화합물 같은 작은 분자인 ligand와 단백질의 결합이 포함된다.

2. AlphaProteo의 역문제

   1. AlphaProteo는 AlphaFold의 반대 방향으로, 특정 기능을 수행할 자연계에 존재하지 않는 새로운 단백질의 아미노산·유전자 서열을 설계한다.
   2. 이런 역설계는 신약, 항생제, 항체 설계에 활용될 수 있다.

6. 디지털 생물학과 과학의 디지털 속도

6.1. 거대한 탐색 공간을 줄이는 일반 원리

1. 게임과 과학에 공통된 문제 구조

   1. Go의 노드를 게임 국면으로 생각하면, 각 노드를 화학 화합물로 바꾸어 화학 공간에서 최적의 분자를 찾을 수 있다.
   2. 특정 표적에만 결합하고 다른 곳에는 결합하지 않는 분자를 찾으면 약물의 부작용과 독성을 줄일 수 있다.
   3. 게임 AI와 AlphaFold의 공통점은 거대한 조합적 탐색 공간에서 신경망이 문제의 구조를 배우고, 목표 함수의 최적점으로 검색을 안내한다는 점이다.

2. AI는 생물학의 언어가 될 수 있다

   1. 하사비스는 생물학을 주변의 엔트로피에 저항하는 정보 처리 시스템으로 본다.
   2. 생명은 복잡하고 창발적인 정보 처리 시스템이며, 동적 시스템에서 나타나는 상호작용과 복잡성을 다루는 데 AI가 적합하다.
   3. 수학이 물리 현상을 기술하는 완벽한 언어였던 것처럼, AI는 생물학을 기술하는 완벽한 언어가 될 가능성이 있다.
   4. AlphaFold가 이 가능성을 입증하는 첫 번째 증거이며, 10년 뒤에는 고립된 돌파구가 아니라 디지털 생물학의 황금기를 연 사건으로 평가받기를 하사비스는 기대한다.

6.2. Isomorphic Labs와 약물 발견의 재설계

1. 10년·수십억 달러의 약물 개발 주기

   1. 새 약물 하나를 개발하는 데 평균 10년이 걸리고 비용은 수십억 달러에 이른다.
   2. Isomorphic Labs는 AlphaFold 기술을 바탕으로 화학 공간으로 확장하고, AI로 첫 원리부터 약물 발견을 다시 설계하기 위해 세운 spin-out 회사다.

2. 년 단위에서 월·주 단위로

   1. 단백질 구조 탐색을 수년에서 수분·수초로 줄였듯이, 약물 발견도 수년에서 수개월, 언젠가는 수주로 줄이는 것이 하사비스의 목표다.
   2. 그는 이 접근을 자연과학을 기술 분야의 방식으로 수행하는 ‘digital speed의 과학’이라고 부른다.

3. 가상 세포(virtual cell)

   1. 하사비스의 장기적 꿈은 효모 세포처럼 단순한 세포를 계산적으로 재현한 virtual cell을 만드는 것이다.
   2. 연구자는 그 안에서 in silico 실험을 수행하고, 모델의 예측을 실제 실험의 설계에 반영할 수 있다.
   3. 습식 실험실(wet lab)은 비싸고 느린 무차별 탐색 대신, 계산 모델이 좁힌 후보를 검증하는 단계에 집중할 수 있다.

6.3. 생물학을 넘어선 과학적 응용

1. 이미 진행 중인 사례

   1. AI는 망막 스캔으로 안과 질환을 식별하고, 새로운 소재를 발견한다.
   2. 핵융합 플라즈마를 가두는 장치의 연구를 돕고, AI 자체를 더 빠르게 만드는 행렬 곱셈 알고리즘을 발견한다.
   3. 날씨를 예측하고 양자컴퓨팅의 오류를 보정하는 데도 활용된다.

2. 다학제 연구의 필요성

   1. 하사비스는 대학이 AI를 특정 전문 분야의 올바른 질문에 적용하는 다학제 연구를 진지하게 시작해야 한다고 권한다.
   2. 과학자와 AI 연구자가 함께 문제를 정의하면 향후 5~10년 동안 많은 분야에서 큰 발전이 가능하다.

7. 월드 모델, 게임 생성, AGI로 가는 경로

7.1. Veo-2가 보여 준 물리 이해

1. 텍스트·이미지에서 동영상으로

   1. Google DeepMind의 Veo-2는 강연 당시 전년도 말 공개된 최첨단 동영상 생성 모델로, 텍스트 설명이나 한 장의 정적 이미지에서 동영상을 만든다.
   2. 토마토를 자르는 장면은 동영상 모델의 Turing test와 같다. 이전 모델은 토마토가 마법처럼 다시 붙거나, 칼이 손가락을 통과하거나, 칼이 엉뚱한 곳으로 이동하는 오류를 내기 쉬웠다.

2. 영상 속 물리의 일관성

   1. Veo-2는 토마토와 칼의 상호작용, 블루베리가 물에 떨어질 때 생기는 거품, 만화 캐릭터와 벌의 움직임을 현실적인 물리와 함께 생성한다.
   2. 특별한 물리 규칙을 직접 프로그래밍하지 않았는데도 많은 YouTube 동영상을 보며 세계의 물리를 학습했다는 점이 놀랍다.
   3. 하사비스는 5년 전만 해도 이런 일이 가능하다고 들었다면 물리 이해를 별도로 내장해야 하므로 어렵다고 생각했을 것이라고 말한다.

7.2. Genie 2와 생성 가능한 게임 세계

1. 텍스트 한 줄에서 플레이 가능한 세계로

   1. Genie 2는 동영상 모델을 한 단계 확장해 텍스트 지시만으로 게임을 생성한다.
   2. ‘미래 도시의 로봇으로 플레이 가능한 세계를 생성하라’는 지시를 넣으면 사용자가 Q·W·E 키와 방향키로 움직이는 게임이 만들어진다.

2. 짧은 일관성에서 장기 월드 모델로

   1. 당시 Genie 2가 유지하는 세계의 일관성은 몇 초에 불과했다.
   2. 연구진은 이를 수분 동안 유지하도록 확장하고 있었다.
   3. 여러 상호작용과 실제 세계의 물리를 장시간 일관되게 재현할 수 있다면, 시스템이 세계의 작동 방식을 어느 정도 이해하는 월드 모델이라는 의미가 된다.

7.3. 안전·사회적 책임을 포함한 AGI 경로

1. 20년 임무와 15년째의 위치

   1. DeepMind는 2010년부터 AI가 거의 주목받지 않던 시기에도 성공을 계획했다.
   2. 당시에는 20년짜리 임무라고 생각했고, 강연 시점에는 15년째로 그 계획을 대체로 따라가고 있다고 하사비스는 평가한다.
   3. 변혁적 기술을 만들 가능성이 커질수록 안전하고 책임감 있게 배포할 의무도 커진다.

2. SynthID와 합성 콘텐츠 식별

   1. SynthID는 AI와 adversarial AI를 이용해 이미지·텍스트·오디오·동영상의 픽셀, 글자, 소리를 사람의 눈과 귀로 알아차릴 수 없을 정도로 살짝 조정한다.
   2. 탐지 시스템은 그 흔적을 찾아 해당 콘텐츠가 합성 생성물인지 판별한다.
   3. AI 생성물이 널리 퍼질수록 실제 콘텐츠와 합성 콘텐츠를 쉽게 구분할 수 있는 기술이 중요해진다.

3. 기술자만 결정해서는 안 되는 문제

   1. AI는 기후부터 건강까지 가장 큰 문제를 해결할 잠재력이 있지만, 사회 구성원 모두에게 영향을 준다.
   2. 기술자뿐 아니라 정부, 학계, 시민사회 등 폭넓은 이해관계자가 안전장치와 배포 방식을 논의해야 한다.
   3. 영국이 Bletchley Park에서 개최한 첫 국제 AI 정상회의는 정부 수반, 학계, 시민사회를 함께 모아 이 문제를 논의한 사례다.

4. ‘빨리 움직이고 부순다’에서 과학적 겸손으로

   1. Silicon Valley의 “move fast and break things”는 일상 기술의 발전을 만들었지만, 사회를 바꿀 AI에는 적합하지 않다고 하사비스는 본다.
   2. AI는 너무 새롭고 어떻게 발전할지 모르는 부분이 많으므로 과학적 방법, 겸손, 존중, 예외적인 주의와 선견지명이 필요하다.
   3. 기회는 포용하고 위험은 줄이는 가드레일을 만들려면 연구와 사회적 토론을 지금 시작해야 한다.

7.4. Gemini, Project Astra, 로보틱스

1. Gemini 2.0과 보편적 보조자

   1. DeepMind는 앞서 보여 준 여러 모델의 강점을 하나로 모은 대규모 멀티모달 모델 Gemini 시리즈를 만들고 있다.
   2. 강연 당시 최신 Gemini 2.0은 여러 주요 벤치마크에서 최첨단 성능을 보였다.
   3. Project Astra는 휴대전화나 안경 같은 기기에 탑재되어 현실 세계를 함께 다니며 일상생활을 풍요롭게 하고 생산성을 높이는 ‘universal assistance’를 지향한다.

2. AlphaGo식 에이전트와 일반 월드 모델의 결합

   1. AlphaGo는 제한된 게임 영역에서 좋은 해법을 효율적으로 찾는 탐색·계획 기반 에이전트의 사례다.
   2. 다음 단계는 그런 검색·계획 시스템을 현실 세계의 작동 방식을 이해하는 Gemini 같은 일반 모델과 결합하는 것이다.
   3. 일반 모델이 세계를 이해하고 에이전트가 계획을 세워 현실에서 행동하면 로보틱스가 가능해진다.
   4. 하사비스는 향후 2~3년이 로보틱스에서 큰 발전이 나타날 시기가 될 것으로 전망한다.

8. 고전적 계산, 자연의 구조, 그리고 AGI의 의미

8.1. AlphaFold가 던지는 고전 컴퓨터의 가능성

1. Turing의 챔피언이라는 자기 인식

   1. 하사비스는 Turing이 고전 계산의 토대를 놓은 뒤 Turing machine과 고전 컴퓨팅이 어디까지 갈 수 있는지 탐구한 것처럼, 자신은 Turing의 champion 같은 역할을 한다고 표현한다.
   2. Cambridge에서 배운 P=NP 문제는 고전 시스템에서 어떤 문제가 다루기 쉬운지에 관한 대표적인 컴퓨터과학 문제로 그의 사고에 큰 영향을 줬다.

2. 양자컴퓨팅과 고전 학습의 경계

   1. Cambridge와 Google에는 양자컴퓨팅 연구가 활발하고, 많은 현실 시스템을 이해하려면 양자컴퓨터가 필요하다고 여겨진다.
   2. 하지만 단백질은 원자 규모에서 작동하는 양자 시스템인데도 AlphaFold는 양자 시뮬레이션 없이 신경망으로 구조를 근사했다.
   3. 이 결과는 고전 Turing machine 위에서 작동하는 학습 시스템이 기존 예상보다 훨씬 많은 일을 할 수 있음을 시사한다.

3. 자연의 모든 패턴은 학습 가능한가

   1. 자연에서 생성되거나 발견되는 패턴은 실제 물리적 구조를 가지므로, AlphaFold 같은 고전 학습 알고리즘이 효율적으로 발견하고 모델링할 수 있다는 것이 하사비스의 추측이다.
   2. 이 추측이 맞으면 양자역학과 기초물리학, 궁극적으로 현실의 본질을 이해하는 방식에 큰 함의가 생긴다.

8.2. AGI를 우주 이해의 일반 목적 도구로 보기

1. AI를 시작한 원점으로 돌아가기

   1. 하사비스가 어린 시절 체스와 게임에서 AI를 시작한 이유는 지능과 사고의 본질을 이해하고 싶었기 때문이다.
   2. 그는 같은 이유로 AGI가 우주와 그 안에서 인간이 차지하는 위치를 이해하는 궁극적인 general-purpose tool이 될 수 있다고 믿는다.

2. 강연의 결론

   1. 게임은 자기 개선과 탐색의 원리를 시험하는 장이었고, AlphaFold는 그 원리를 생명과학에 적용한 첫 거대한 증거였다.
   2. 앞으로는 디지털 생물학, 과학용 AI, 월드 모델, 에이전트 계획, 로보틱스가 결합해 발견과 행동의 범위를 넓힐 수 있다.
   3. 그 확장은 기술적 성능만으로 완성되지 않으며, 사회적 가드레일과 책임 있는 배포가 함께 발전해야 한다.

9. 질의응답: 뇌과학·학습의 수렴·BCI·진로·게임 개발

9.1. 뇌과학의 root node problem

1. 기억과 상상

   1. 하사비스는 박사과정에서 기억(memory)과 상상(imagination), 즉 미래를 생각하고 계획하는 능력을 연구했다.
   2. 해마(hippocampus)가 기억과 미래 시뮬레이션 모두에 관여한다는 점은 뇌의 원리를 알고리즘으로 모방할 가능성을 보여 준다.

2. 창의성·꿈·의식

   1. 창의성, 꿈, 의식은 여전히 해결해야 할 큰 root node problem이다.
   2. AI를 만들고 인간의 마음과 비교하는 과정은 의식의 본질, 뇌라는 생물학적 기질이 실리콘에서 알고리즘으로 모방되는 것과 어떤 차이가 있는지를 이해하는 좋은 방법이다.

9.2. 딥러닝이 실패했다면, 그리고 경사하강법의 한계

1. DeepMind가 처음부터 걸었던 조합

   1. ‘DeepMind’라는 이름에는 deep learning에 대한 베팅이 담겨 있다. 2005~2006년 Geoffrey Hinton이 Boltzmann machine과 계층형 신경망을 제시할 때부터 연구진은 이 방향을 유망하게 봤다.
   2. Deep learning은 환경과 세계를 모델링하고, reinforcement learning은 계획을 만들고 행동하게 하는 조합이었다.
   3. 고전적 전문가 시스템은 확장되지 않을 것이 확실해 보였고, 학습 시스템은 처음에는 어려웠지만 잠재력이 사실상 무한해 보였다.

2. 하드웨어와 신경과학의 타이밍

   1. 2010년에는 GPU와 같은 컴퓨팅 패러다임이 바뀌고 있었다. GPU는 게임용으로 발명됐지만 지능·게임·컴퓨터 그래픽은 결국 행렬 곱셈이라는 공통점을 가진다.
   2. fMRI와 신경과학도 이전 10년 동안 크게 발전했다.
   3. DeepMind는 성공을 확신해서가 아니라 다른 방법이 확장되지 않을 것이라고 확신했기 때문에 이 조합을 선택했다.

3. 초기의 불안과 수렴

   1. 첫 2년 동안은 Pong에서 단 한 점도 얻지 못했다. 연구진은 자신들이 10년이나 20년 너무 일찍 온 것이 아닌지 걱정했다.
   2. Charles Babbage의 difference engine처럼 아이디어는 맞지만 50년 또는 100년 일찍 나온 사례를 떠올리며, 시대보다 5년 앞서야지 50년 앞서면 안 된다고 말했다.
   3. 결국 시스템이 수렴하자 더 어려운 문제에 도전할 자신감이 생겼다.

4. 자연은 정말 최적이 아닌가

   1. 하사비스는 자연의 과정이 대부분 최적이 아닐 것이라는 견해에 동의하지 않는다.
   2. 생물학뿐 아니라 지질학과 물리학의 진화 과정을 거쳐 안정적으로 오래 남은 구조이므로, 자연의 구조는 꽤 최적일 가능성이 높다.
   3. 시간에 걸쳐 안정적인 구조라면 학습 가능한 패턴도 포함하고 있을 가능성이 높다는 것이 그의 추측이다.

9.3. 고대역폭 뇌-컴퓨터 인터페이스

1. 현재의 기술적 한계와 의료적 가치

   1. 하사비스는 EEG cap 같은 장치를 만드는 사람들을 지켜보고 도운 적이 있으며, 뇌 신호를 읽는 해상도가 가장 큰 문제라고 본다.
   2. 궁극적으로는 읽기(read)뿐 아니라 쓰기(write)도 가능한 인터페이스가 필요하다.
   3. Neuralink 같은 뇌 칩은 현재 척수 손상이나 질병으로 신체 기능을 잃은 참전용사 등이 기능을 회복하도록 돕는 방향에 집중되어 있다.
   4. 언젠가 척추가 손상된 사람이 다시 걷게 되는 등 놀라운 의학적 발전이 나올 수 있다.

2. 인간과 기술의 경계

   1. 수술이 안전하고 일상적으로 가능해진다면 뇌 인터페이스는 인간이 AI와 기술의 속도를 따라가는 방법이 될 수 있다.
   2. 사람은 이미 휴대전화와 컴퓨터를 24시간 곁에 두며 기술과 거의 공생하고 있으므로, 몸에 부착하는 것은 그 관계의 한 단계 확장일 수 있다.
   3. 장치를 몸에 붙이는 것과 손에 들고 다니는 것 사이에 본질적 경계가 있는지는 철학자들이 답해야 할 질문으로 남는다.

9.4. AI 시대의 진로와 교육

1. 빠르게 변하는 기반 지식

   1. AI의 발전 속도가 번개처럼 빨라 3년짜리 컴퓨터과학 과정의 내용을 설계하는 일조차 어려워지고 있다.
   2. 변화를 피할 수는 없지만, 변화는 혼란과 함께 기회를 만든다.

2. 코딩과 수학을 계속 배워야 하는 이유

   1. 하사비스는 AI 시대에도 코딩과 수학을 잘 배우라고 권한다.
   2. 도구가 어떻게 만들어졌는지 이해하면 새로운 AI 도구를 훨씬 깊이 활용할 수 있다.
   3. 자연어로 프로그램을 작성하는 도구는 코딩을 더 많은 사람에게 개방해 게임·영화·애플리케이션을 만드는 창의적인 사람들의 참여를 늘린다.
   4. 동시에 엔지니어는 AI로 현재보다 10배 더 많은 일을 할 수 있다.

3. 실행 가능한 조언

   1. 여가 시간에 새 도구를 직접 써 보고, 빠르게 새로운 정보를 습득하는 능력을 훈련해야 한다.
   2. 향후 10년에는 한 번 배운 전문 지식보다 새로운 정보를 매우 빠르게 배우고 도구를 익히는 능력이 중요해진다.

9.5. 딥러닝이 모델링할 수 없는 생물학적 과정

1. 현재의 한계와 이론적 한계의 구분

   1. 현재의 딥러닝으로 모델링할 수 없는 생물학적 과정은 많지만, 그것이 최종적인 이론적 한계를 뜻하지는 않는다.
   2. 물리학이 어떤 현상을 해결하고 그 안에 구조가 있다면, 충분한 사례를 통해 그 구조를 역공학한 모델을 만들 수 있다.
   3. 매우 복잡한 고전 시스템이라도 생물학적 시스템의 예측과 시뮬레이션을 수행할 수 있다는 데 이론적 이유는 없다고 하사비스는 본다.

2. 자연의 구조와 암호의 예외

   1. 큰 수의 인수분해나 암호학처럼 인간이 만든 추상 시스템은 구조가 없을 수도 있다.
   2. 자연수에 구조가 있다면 그런 문제도 학습 가능하지만, 구조가 없는 균일 분포에 가깝다면 암호를 깨려면 양자컴퓨터가 필요할 수 있다.
   3. 이 문제는 열린 추측이지만, 자연 대부분은 생물학적·지질학적·물리학적 시간 동안 진화했으므로 학습할 구조가 있을 가능성이 높다.

9.6. AI가 게임 개발에 들어오는 방식

1. 제작 자산과 게임 밸런스

   1. AI는 몇 년 안에 3D 모델과 애니메이션 같은 게임 제작 자산을 생성하는 도구로 들어올 수 있다.
   2. 게임 디자이너가 만든 게임을 AI가 하룻밤에 100만 번 플레이하고, 다음 날 어떤 요소가 불균형한지 또는 특정 유닛의 힘을 줄여야 하는지 보고할 수 있다.

2. 오픈월드 버그 테스트

   1. 하사비스는 과거 시뮬레이션 게임과 오픈월드 게임을 만들었고, 플레이어가 거의 무엇이든 할 수 있는 게임은 테스트가 악몽이라고 설명한다.
   2. 1,000만 명이 각자 다른 경로로 게임을 플레이하는 상황을 출시 전에 검사하기는 어렵지만, AI 플레이어가 미리 수많은 경로를 실행하면 버그를 크게 줄일 수 있다.

3. 살아 있는 캐릭터와 월드

   1. AI 캐릭터는 더 생생하게 움직이고 플레이어의 행동에 따라 신념과 스토리라인을 갱신할 수 있다.
   2. 이는 캐릭터가 실제로 지능을 가진 듯한 대규모 멀티플레이어 세계, 즉 살아 있고 현실적인 게임 세계를 가능하게 한다.
   3. Genie 2 같은 월드 모델은 게임 제작을 넘어 세계를 이해하는 일반 AI의 증거가 된다. 다만 무엇이든 상상하면 주변에 나타나는 홀로덱은 AGI가 있어야 가능하며 아직 시간이 남아 있다.

주요 발언 모음

“1단계는 지능을 해결하는 것이고, 2단계는 지능을 사용해 나머지 모든 것을 해결하는 것이다.”

“AlphaZero는 스스로 학습하기 때문에 그 스타일이 진실을 반영한다.” — Garry Kasparov의 평가를 소개한 말

“자연에서 생성되거나 발견되는 패턴이라면, 고전적 학습 알고리즘으로 효율적으로 발견하고 모델링할 수 있을지도 모른다.”

“시대보다 5년 앞서고 싶지, 50년 앞서고 싶지는 않다. 50년 앞서면 Babbage처럼 많은 고통을 겪게 된다.”

“Move fast and break things는 이처럼 변혁적인 기술에는 적절하지 않다. 과학적 방법과 겸손, 존중으로 접근해야 한다.”

“AGI는 우주와 그 안에서 우리의 위치를 이해하기 위한 궁극적인 범용 도구가 될 수 있다.”

핵심 데이터 & 수치

• 2010년: 하사비스가 London에서 DeepMind를 창업한 시점이며 AGI를 20년짜리 임무로 구상했다.
• 15년: 강연 시점까지 DeepMind가 창업 후 걸어온 기간이다.
• 10^170개: Go에서 가능한 국면의 규모로, 관측 가능한 우주의 원자 수보다 많다.
• 2016년: AlphaGo가 10회 세계 챔피언 Lee Sedol과의 100만 달러 도전 대국에서 승리한 해다.
• 2억 명: AlphaGo와 Lee Sedol의 대국을 지켜본 전 세계 시청자 수다.
• 약 10만 판: 자기 대국 기반 학습에서 한 버전이 다음 버전의 국면 데이터를 만들기 위해 수행하는 게임 수다.
• 55% 승률: 새 버전이 이전 버전을 대체하기 위한 예시 기준이다.
• 17~18회·24시간 이하: 무작위 버전이 세계 챔피언 수준에 도달하는 자기 개선 반복과 시간의 규모다.
• 10^300개: Levinthal이 계산한 평균 단백질의 가능한 형태 수다.
• CASP: 1994년부터 2년에 한 번 열리는 단백질 구조 예측 대회다.
• 약 100개: CASP에서 한 번에 예측하는 단백질 수다.
• 60점 → 90점: AlphaFold 이전에 10년간 정체했던 가장 어려운 단백질 부문의 점수와 원자 수준 정확도에 필요한 대략적 점수다.
• 4~5년: 실험으로 단백질 하나의 구조를 찾는 데 박사과정 학생 한 명에게 걸리는 기간이다.
• 2억 개·2만 개: 과학계에 알려진 단백질 수와 인간 단백질체의 단백질 수다.
• 192회 이상: AlphaFold 2가 구조를 반복 재활용하며 정제하는 단계 수다.
• 1년: Google Cloud로 과학계의 2억 개 단백질 구조를 계산해 공개하는 데 걸린 기간이다.
• 30명 이상: AlphaFold 공개 전 협의한 생물안보·생명윤리 전문가 규모다.
• 200만 명 이상·3만 회 이상: AlphaFold를 사용하는 연구자 수와 논문 인용 횟수다.
• 10년·수십억 달러: 기존 신약 하나의 평균 개발 기간과 비용이다.
• 2~3년: 하사비스가 로보틱스에서 큰 발전이 나타날 것으로 예상한 기간이다.
• 5~10년: AI와 전문 분야의 다학제 결합에서 큰 발전이 기대되는 기간이다.
• 100만 회: AI가 게임 밸런스를 점검하기 위해 하룻밤에 수행할 수 있다고 제시한 가상 플레이 횟수다.

결론 및 시사점

1. AI 연구의 목표를 문제 구조의 발견으로 정의해야 한다. AlphaGo와 AlphaFold의 핵심은 정답을 외우는 것이 아니라, 인간이 brute force로 다룰 수 없는 공간의 구조를 학습해 탐색을 좁히는 데 있다.
2. 게임은 과학 알고리즘의 훈련장이다. 게임에서 검증된 자기 대국, 목표 함수, 신경망 기반 탐색은 화학·생물학·약물 설계처럼 정답이 알려지지 않은 영역으로 옮겨 갈 수 있다.
3. AlphaFold는 디지털 생물학의 실용적 출발점이다. 구조 예측, 상호작용 모델링, 단백질 역설계가 결합하면 신약과 항체를 설계하는 방식이 실험 중심에서 계산·검증 중심으로 바뀐다.
4. 과학의 병목은 탐색에서 검증으로 이동할 수 있다. virtual cell과 디지털 속도의 과학이 실현되면 wet lab은 무작위 후보를 찾는 곳보다 계산 예측을 검증하는 곳이 된다.
5. 월드 모델은 생성 능력보다 물리적 일관성이 중요하다. 토마토 자르기와 블루베리의 거품, Genie 2의 지속적인 게임 세계는 AI가 실제 세계의 인과와 상호작용을 어느 정도 학습했는지를 시험하는 지표다.
6. AGI는 하나의 거대 모델만으로 완성되지 않는다. Gemini 같은 일반 모델에 AlphaGo식 탐색·계획과 도구 사용을 얹고, 월드 모델과 로보틱스로 현실에서 행동하게 해야 한다.
7. 자연의 안정적 구조는 고전 AI의 가능성을 넓힌다. 단백질처럼 양자적 성격을 가진 현상도 고전 학습 시스템으로 근사할 수 있다면, 고전 컴퓨터가 다룰 수 있는 문제의 범위는 기존 생각보다 클 수 있다.
8. 교육은 코딩·수학과 빠른 학습 능력을 함께 길러야 한다. 자연어 프로그래밍이 진입 장벽을 낮춰도, 내부 원리를 이해하는 사람은 도구를 더 깊이 활용하고 더 큰 창의적·공학적 성과를 낼 수 있다.
9. 안전은 성능 이후의 부속 기능이 아니다. SynthID, 생물안보 검토, 국제 정상회의, 시민사회 참여는 강력한 시스템을 만들기 시작할 때부터 설계에 포함되어야 한다.
10. 하사비스의 궁극적 비전은 발견을 위한 범용 지능이다. AGI는 인간 노동을 자동화하는 데 그치지 않고, 우주와 생명, 인간의 위치를 이해하는 새로운 과학적 도구가 될 수 있다.

핵심 요약 (20줄)

1. 데미스 하사비스는 네 살부터 체스를 두며 인간의 계획·문제 해결·자기 개선 과정을 이해하려는 관심을 키웠다.
2. 초기 체스 컴퓨터와 Amiga 500에서 만든 Othello AI는 하사비스가 평생 AI 연구에 매달리게 한 첫 경험이었다.
3. Cambridge의 Crick·Watson·Turing·Babbage 전통은 하사비스에게 과학적 발견의 프런티어에서 일하고 싶다는 열망을 심어 주었다.
4. 하사비스는 2010년 DeepMind를 창업하며 지능을 먼저 해결하고 그 지능으로 나머지 문제를 해결하겠다는 임무를 세웠다.
5. 전문가 시스템은 미리 입력한 규칙 밖의 상황에 취약하지만 학습 시스템은 데이터와 경험에서 설계자가 모르는 해법을 찾을 수 있다.
6. DQN은 Atari 화면의 픽셀만 보고 점수를 최대화하는 엔드투엔드 학습이 가능하다는 사실을 입증했다.
7. AlphaGo는 10^170개의 Go 국면을 brute force로 탐색하지 않고 신경망으로 유망한 경로를 좁혀 Lee Sedol을 이겼다.
8. AlphaGo의 제2국 37수는 수천 년의 바둑 역사에도 없던 전략을 AI가 발견할 수 있음을 보여 주었다.
9. AlphaZero는 자기 대국과 반복적인 버전 교체만으로 24시간 안에 세계 챔피언 수준에 도달하고 Stockfish를 넘어섰다.
10. 게임 AI를 현실에 적용하려면 거대한 조합적 탐색 공간, 명확한 목표 함수, 충분한 데이터나 시뮬레이터가 필요하다.
11. 단백질은 아미노산 서열에서 3차원 구조로 접히며 그 구조가 생명체 안의 기능을 크게 결정한다.
12. AlphaFold 2는 10^300개 가능성이 있는 단백질 접힘 문제를 원자 수준 정확도로 풀어 2020년 CASP에서 사실상 문제를 해결했다.
13. DeepMind는 2억 개 단백질 구조를 1년에 계산해 무료로 공개하면서 약 10억 년의 박사과정 연구 시간을 압축했다.
14. AlphaFold는 플라스틱 분해 효소, 항생제 내성, 말라리아·Zika 신약, 약물 전달용 분자 주사기 연구에 활용된다.
15. AlphaFold 3와 AlphaProteo는 단백질 상호작용을 예측하고 자연에 없는 단백질을 역설계하는 단계로 확장됐다.
16. Isomorphic Labs는 AI로 평균 10년과 수십억 달러가 드는 약물 발견을 수개월 또는 수주로 줄이려 한다.
17. Veo-2와 Genie 2는 영상 생성과 플레이 가능한 게임 생성을 통해 AI가 세계의 물리와 상호작용을 학습하는 월드 모델 가능성을 보여 준다.
18. Gemini와 Project Astra는 일반적 이해·계획·현실 보조를 결합하고, 하사비스는 향후 2~3년의 로보틱스 발전을 기대한다.
19. 하사비스는 SynthID와 국제적 이해관계자 참여를 통해 AI의 기회와 위험을 함께 관리해야 한다고 강조한다.
20. 하사비스는 AGI를 우주와 인간의 위치를 이해하는 궁극적인 범용 과학 도구로 바라본다.