데미스 하사비스, 딥마인드의 AI 연구 여정: 게임에서 과학적 발견까지

데미스 하사비스는 어린 시절 체스 게임을 통해 인간의 지능과 인공지능에 대한 깊은 흥미를 느꼈다고 밝혔습니다. 그는 13세에 게임 개발을 시작하며 AI 기술이 게임 내 복잡한 문제들을 해결하는 방식에 매료되었고, 이러한 경험은 그가 AI 연구에 평생을 바치기로 결정하는 계기가 되었습니다.

그는 "그때부터 저는 AI에 빠져들었고, 평생 이 기술의 한계를 뛰어넘는 데 시간을 보내겠다고 아주 일찍 결정했습니다"라고 말하며, AI가 가진 무한한 잠재력에 대한 확신을 드러냈습니다.

영화 속 인물들이 발견의 최전선에서 느끼는 짜릿함과 탐구 정신에 깊은 인상을 받았다는 것입니다. 그는 케임브리지의 유서 깊은 과학적 전통과 세계적인 연구 환경이 자신의 AI 연구 목표와 부합한다고 판단했습니다.

하사비스는 "저는 그 영화를 보고 ‘나도 저런 것을 경험하고 싶다, 발견의 최전선에 있는 기분을 느끼고 싶다’고 생각했습니다. 그보다 더 짜릿한 일이 있을까요?"라고 말하며, 케임브리지에서 과학적 발견에 기여하고 싶다는 열망을 드러냈습니다.

그는 딥마인드의 목표가 단순히 특정 작업을 수행하는 AI를 넘어, 인간 수준의 지능을 갖춘 범용 AI를 개발하는 것이었음을 강조했습니다.

그는 "2010년 런던에서 딥마인드를 시작했습니다. 그때 저희는 딥마인드를 인공 일반 지능(AGI) 구축을 위한 아폴로 프로그램 같은 노력이라고 생각했습니다"라고 언급하며, 딥마인드의 창립 초기부터 AGI가 핵심 목표였음을 명확히 했습니다.

데미스 하사비스는 딥마인드를 시작했던 2010년에는 AI 연구 분야가 현재와 같이 대중적이지 않았다고 회고했습니다. 당시 AI 연구에 종사하는 사람은 극히 소수에 불과했으며, 이는 지금의 상황과 대조된다고 언급했습니다. 현재는 거의 모든 기술 기업과 연구 기관이 AI에 집중하고 있지만, 딥마인드 창립 당시에는 그 중요성을 인지하고 투자하는 이가 많지 않았다는 것입니다.

하사비스는 "저희가 딥마인드를 시작했을 때 AI 연구에 종사하는 사람은 거의 없었습니다. 지금은 거의 모두가 AI를 연구하는 것처럼 보여 믿기 어렵지만요"라고 말하며, 지난 10여 년간 AI 분야가 얼마나 폭발적으로 성장했는지를 강조했습니다.

데미스 하사비스는 과거의 AI 시스템, 특히 전문가 시스템의 근본적인 한계를 지적했습니다. 전문가 시스템은 특정 규칙과 지식 기반에 의존하여 작동하기 때문에, 미리 정의되지 않은 예상치 못한 상황이 발생하면 적절히 대처할 수 없다는 것입니다. 이는 시스템이 학습하지 못한 새로운 문제에 직면했을 때 무력해지는 결과로 이어집니다.

그는 "전문가 시스템의 문제는 일반 지능으로 확장되지 못한다는 것입니다. 예상치 못한 상황에 대처할 수 없기 때문입니다. 예상치 못한 일이 발생했는데 미리 대비하지 않았다면 시스템 내에서는 아무것도 처리할 수 없습니다"라고 설명하며, 이러한 한계가 범용 AI 개발의 필요성을 부각시킨다고 주장했습니다.

데미스 하사비스는 딥마인드의 AlphaGo가 이세돌 9단과의 바둑 대결에서 승리했을 뿐만 아니라, 수천 년간 이어져 온 바둑 역사에서 전에 본 적 없는 새로운 전략을 제시했다고 강조했습니다. 이는 AlphaGo가 단순히 정해진 규칙을 따르는 것을 넘어, 창의적으로 문제를 해결하는 능력을 보여준 사례로 평가됩니다.

하사비스는 "저희 시스템인 AlphaGo가 이 매치에서 승리했을 뿐만 아니라, 수천 년 동안 바둑을 두었고 수백 년 동안 프로 바둑을 두어 왔음에도 불구하고 전에 본 적 없는 새로운 독창적인 바둑 전략을 제시했다는 것이 중요합니다"라고 말하며, AlphaGo의 승리가 AI 연구에 미친 영향을 설명했습니다.

그는 AlphaGo의 핵심 기술이 복잡한 문제를 해결하고 새로운 전략을 탐색하는 데 효과적이며, 이를 생물학, 화학 등 다양한 과학 분야에 적용할 수 있다고 보았습니다.

하사비스는 "제 꿈은 이 시스템을 과학적 발견의 모든 영역으로 일반화하는 것이었습니다"라고 말하며, 게임 AI가 단순한 유희를 넘어 인류의 지식 발전에 기여할 수 있는 잠재력을 가지고 있음을 강조했습니다.

데미스 하사비스는 딥마인드가 게임 AI 분야에서 많은 혁신을 이루었지만, 이러한 연구는 궁극적으로 실세계의 복잡한 문제를 해결하기 위한 수단이었다고 설명했습니다. 그는 게임이 AI를 훈련하고 테스트하는 훌륭한 '훈련장'이었지만, 게임 자체가 최종 목표는 아니었다고 선을 그었습니다.

하사비스는 "이러한 게임 AI 분야에서 모든 획기적인 발전을 이루었지만, 물론 이것들은 우리가 하고자 했던 일의 훈련장이자 목적을 위한 수단에 불과했습니다. 제가 게임을 아무리 좋아하더라도 게임을 하는 것 자체가 목적은 아니었습니다"라고 말하며, 딥마인드의 게임 연구가 더 큰 과학적 목표를 위한 디딤돌이었음을 분명히 했습니다.

단백질 접힘 문제는 생물학에서 가장 복잡하고 중요한 문제 중 하나로, 아미노산 서열만으로 단백질의 3차원 구조를 예측하는 것을 말합니다. 이 문제는 신약 개발 및 질병 연구에 필수적입니다.

그는 "제가 케임브리지에서 학부생 시절 이 문제를 처음 접했을 때부터 항상 마음에 두고 있었던 것은 바로 단백질 접힘 문제입니다"라고 말하며, 이 문제가 AI를 통해 해결될 수 있을 것이라는 믿음을 오랫동안 가지고 있었다고 언급했습니다.

그는 "단백질 접힘 분야에는 2년마다 열리는 CASP 대회가 있습니다. 단백질 접힘 분야의 올림픽 같은 거죠. 메릴랜드 대학교의 존 몰트 교수님 외 몇 분이 이끌어주신 덕분에 1994년부터 지금까지 계속되고 있습니다"라고 말하며, CASP 대회가 단백질 구조 예측 기술 발전의 중요한 이정표임을 강조했습니다.

데미스 하사비스는 딥마인드의 AlphaFold가 단백질 구조 예측에 혁명적인 변화를 가져왔다고 강조했습니다. AlphaFold는 매우 정확할 뿐만 아니라, 평균 단백질을 단 몇 초 만에 접을 수 있는 놀라운 속도를 자랑합니다. 딥마인드는 이 기술을 활용하여 과학계에 알려진 2억 개의 모든 단백질 구조를 예측하는 데 성공했습니다.

이 프로젝트는 약 1년에 걸쳐 구글 클라우드의 방대한 컴퓨팅 자원을 사용하여 진행되었으며, 예측된 모든 단백질 구조는 캠브리지 외곽에 있는 EMBL-EBI의 연구진과 협력하여 데이터베이스에 무료로 공개되었습니다. 하사비스는 이 성과가 실험적으로 4~5년이 걸리는 작업을 1년 만에 해낸 것이며, 이는 전 세계 박사 학위 연구 시간을 합산하면 약 10억 년을 단축한 것과 같다고 설명했습니다.

이러한 AlphaFold의 성과는 신약 개발, 질병 연구, 생명공학 등 다양한 과학 분야에서 전례 없는 발전을 가능하게 할 것으로 기대됩니다. 단백질 구조를 빠르고 정확하게 파악하는 능력은 생명 현상을 이해하고 새로운 치료법을 개발하는 데 필수적이기 때문입니다.

하사비스는 "알파폴드는 매우 정확할 뿐만 아니라 매우 빠릅니다. 평균 단백질을 몇 초 만에 접을 수 있습니다. 우리는 과학계에 알려진 2억 개의 모든 단백질을 접을 수 있다는 것을 빠르게 깨달았습니다"라고 말하며, AlphaFold의 파급력을 다시 한번 강조했습니다.

그는 이를 "건초 더미 속 바늘을 찾는 것과 같다"고 비유하며, 엄청나게 많은 가능한 해결책 중에서 가장 좋은 것을 효율적으로 찾아내는 것이 핵심이라고 말했습니다.

이러한 작업은 무작정 시도하는 것이 아니라, 신경망 모델을 학습시켜 문제의 토폴로지를 이해하고 검색 과정을 효율적으로 유도함으로써 최적의 해결책을 찾아내도록 하는 방식입니다. 하사비스는 "이 신경망 모델을 학습시켜야 합니다. 이 모델은 문제의 토폴로지를 학습하여 검색을 효율적으로 유도해서 목표에 대한 최적의 해결책을 찾도록 합니다"라고 설명하며, AI가 복잡한 과학 문제를 해결하는 데 있어 탐색 효율성을 극대화하는 역할을 한다고 덧붙였습니다.

그는 가장 최신 버전인 '제미나이 2.0'이 이미 많은 벤치마크에서 최고 성능을 보였다고 언급했습니다.

그는 "저희는 이제 이런 모든 모델의 장점만 가져와 하나의 시스템으로 만들려고 합니다. 저희는 이를 ‘제미나이(Gemini)’ 시리즈라고 부릅니다. 가장 최신 버전은 '제미나이 2.0'인데, 몇 분은 써보셨을 겁니다. 많은 벤치마크에서 최고 성능을 보였습니다"라고 말하며, 제미나이가 딥마인드의 AGI 목표를 향한 중요한 단계임을 시사했습니다.

그는 단백질 접힘 문제의 해결을 예로 들며, 단백질이 원자 규모에서 작동하는 양자 시스템임에도 불구하고 AlphaFold와 같은 신경망 모델이 성공적으로 구조를 예측했다고 설명했습니다.

이는 단백질 구조를 찾기 위해 양자 시뮬레이션이 필요할 것이라는 일반적인 생각과 대조됩니다. 하사비스는 자연에서 생성되거나 발견될 수 있는 모든 물리적 구조를 가진 패턴은 AlphaFold와 같은 고전 학습 알고리즘으로 효율적으로 발견하고 모델링할 수 있다는 점을 강조했습니다.

그는 "제 추측으로는 고전 튜링 머신, 즉 이런 종류의 AI 시스템이 구축되는 고전적 기계들이 우리가 이전에 생각했던 것보다 훨씬 더 많은 일을 할 수 있다는 겁니다"라고 말하며, AI의 잠재력에 대한 깊은 통찰을 제시했습니다.

그는 딥마인드라는 이름에 '딥(Deep)'이 들어간 이유가 딥러닝의 잠재력을 보았기 때문이라고 설명했습니다. 당시 딥러닝은 지금처럼 널리 알려지지 않았지만, 제프리 힌튼이 발명한 볼츠만 머신과 계층적 신경망 같은 기술들이 이미 일반화되고 있었으며, 이 아이디어들이 매우 유망하다고 판단했습니다.

하사비스는 또한 강화 학습의 중요성을 강조하며, 딥러닝과 강화 학습의 결합이 AI 발전에 결정적인 역할을 할 것이라고 보았습니다. 그는 "저희가 딥마인드(DeepMind)라고 이름을 지은 이유 중 하나는 '딥(Deep)'이 '딥러닝(Deep Learning)'을 의미하기 때문입니다"라고 언급하며, 이 두 가지 핵심 기술에 대한 초기 통찰이 딥마인드의 성공에 기여했음을 시사했습니다.

청중은 기억 모듈 및 추론 모듈을 이식하여 인간이 클라우드 AI와만 대화하는 것을 넘어 자율적으로 발견할 수 있도록 지원하는 것에 대한 하사비스의 견해를 물었습니다.

하사비스는 직접적인 답변보다는 AI의 발전이 인간의 인지 능력을 확장하고 새로운 발견을 가능하게 할 잠재력이 있다는 맥락에서 이를 긍정적으로 바라보는 태도를 보였습니다. 그는 인간과 AI의 협력이 미래 과학 발전의 핵심 동력이 될 것이라고 전망했습니다.

그는 앞으로 많은 변화가 있을 것이며, 이는 혼란과 함께 엄청난 기회를 가져올 것이라고 내다봤습니다.

그는 여전히 코딩과 수학 능력이 중요하다고 조언했습니다. AI 도구가 어떻게 만들어지는지 이해하면 이러한 도구를 훨씬 더 깊이 있게 활용할 수 있기 때문입니다. 그러나 동시에 AI 덕분에 코딩이 훨씬 더 많은 사람들에게 더 쉽게 접근 가능해질 것이라고 예측했습니다.

하사비스는 앞으로 10년 동안 개인이 자신을 훈련시켜야 할 핵심은 새로운 기술과 지식을 신속하게 받아들이고 적응하는 능력이라고 결론지었습니다. 이러한 유연한 학습 자세가 급변하는 AI 시대에 성공적으로 적응하는 데 필수적이라는 메시지를 전했습니다.

그는 "확실히 말할 수 있는 유일한 것은 많은 변화가 있을 것이라는 점입니다. 하지만 저는 그것이 혼란과 기회를 함께 가져올 것이라고 생각합니다"라고 말하며, 미래를 낙관적으로 바라보면서도 철저한 준비의 중요성을 강조했습니다.

그는 AI가 게임에 필요한 자산, 예를 들어 3D 모델이나 애니메이션 등을 구축하는 강력한 도구가 될 것이며, 이는 몇 년 안에 현실화될 것이라고 보았습니다. 또한, AI는 게임의 균형을 맞추는 데도 기여할 수 있습니다. AI가 하룻밤 사이에 게임을 백만 번 플레이하여 불균형한 요소를 찾아내고 게임 디자이너에게 보고서를 제공할 수 있다는 것입니다.

오픈 월드 게임의 버그 테스트에도 AI가 효율적으로 사용될 수 있으며, 가장 중요한 것은 스토리라인을 진행시키는 훨씬 더 실감 나는 AI 캐릭터가 등장할 것이라는 점을 꼽았습니다. 하사비스는 이러한 AI 캐릭터들이 플레이어에게 더욱 몰입감 있는 경험을 제공할 것이라고 예측했습니다.