레드우드 인터뷰 하사비스: 정보는 우주의 본질이며, AI는 새로운 과학 분야를 열 것이다

원문 정리：瓜哥AI新知

본 문서 내용은 Demis Hassabis의 Sequoia Capital 채널 인터뷰에서 정리된 것으로, 2026년 04월 29일에 공개되었습니다.

내용 요약: Demis Hassabis의 레드우드 캐피탈 AI Ascent 2026 인터뷰

• AI와 게임의 연관성: 게임은 인공지능의 훌륭한 실험장이 될 수 있다. AI를 핵심 플레이로 삼음으로써 알고리즘 구상을 효과적으로 검증할 수 있을 뿐만 아니라 기술 개발에 초기 계산 능력을 제공할 수 있다.
• 창업의 "타이밍 이론": 창업은 "시대를 5년 앞서가야 하며, 50년 앞서가서는 안 된다." 기술 혁신과 실제 수요 간의 균형점을 민감하게 포착해야 하며, 너무 일찍 앞서가면 성공하기 어렵다.
• AGI의 진화 경로: DeepMind의 사명은 명확하고 확고하다. 첫 번째 단계는 일반 인공지능(AGI)을 구축하는 것이고, 두 번째 단계는 AGI를 활용하여 과학, 의학을 포함한 모든 복잡한 문제를 해결하는 것이다.
• "AI for Science"의 핵심 가치: AI는 생물학 및 복잡한 자연 시스템을 설명하는 완벽한 언어이다. AI 시뮬레이션을 통해 신약 개발 주기가 수년에서 수주로 단축될 가능성이 있으며, 진정한 개인 맞춤형 의료를 실현할 수 있다.
• 신형 과학 학문의 탄생: AI 시스템 자체의 복잡성이 "메커니즘 설명 가능성"과 같은 새로운 공학 과학을 촉발할 것이다. 동시에 AI 기반의 시뮬레이션 기술은 인류가 경제학과 같은 복잡한 사회 시스템에 대해 통제된 실험을 수행할 수 있게 하여 새로운 과학 분야를 개척할 것이다.
• 정보는 우주의 본질: 물질, 에너지, 정보는 서로 전환 가능하다. 우주의 본질은 거대한 정보 처리 시스템일 가능성이 있으며, 이는 AI가 우주의 근본적인 작동 원리를 이해하는 데 깊은 의미를 부여한다.
• 튜링 기계의 계산 경계: 신경망과 같은 현대 AI 시스템은 고전 튜링 기계가 양자 컴퓨팅만이 해결할 수 있다고 여겨졌던 문제(예: 단백질 접힘)를 충분히 시뮬레이션할 수 있음을 입증했다. 인간의 뇌는 아마도 어떤 형태의 고도로 근사한 튜링 기계일 것이다.
• 의식에 대한 철학적 사고: 의식은 자아 인식, 시간의 연속성 등의 요소로 구성될 수 있다. AGI로 나아가는 과정에서 우리는 이를 강력한 도구로 보고, 그 도구의 도움을 받아 "의식"이라는 거대한 철학적 주제를 탐구해야 한다.

내용 소개

Google DeepMind의 공동 창립자이자 CEO로서 AlphaFold로 2024년 노벨 화학상을 수상한 Demis Hassabis는 레드우드 캐피탈 파트너 Konstantine Buhler와 AI Ascent 2026 정상 회담에서 폭넓고 깊이 있는 대화를 나누며 AGI로 가는 길과 AGI 이후의 미래를 논의했다.

대화 중 그는 2030년까지 AGI를 실현할 수 있을 것이라고 확신하는 이유, 신약 개발의 긴 주기가 10년에서 단 몇 일로 단축될 수 있는 이유, 그리고 물질이나 에너지가 아닌 "정보"를 우주에서 가장 핵심적이고 기본적인 본질로 여겨야 하는 이유를 설명했다. 또한 그는 아인슈타인이 여전히 살아있다면 오늘날 AI 모델의 한계에 대해 어떤 평가를 내릴 것인지, 그리고 앞으로 1~2년이 인류의 운명을 결정짓는 중요한 시점이 될 것이라고 언급했다.

인터뷰 전문

진행자: Demis, 와주셔서 정말 감사합니다.

데미스 하사비스: 여기 오게 되어 매우 기쁩니다. 여러분과 소통할 수 있어 정말 멋진 일입니다.

진행자: 우리 초콜릿 공장에 초대할 수 있어 영광입니다.

데미스 하사비스: 방금 이 소식을 들었습니다. 곧 초콜릿을 맛볼 수 있기를 기대합니다.

진행자: 좋습니다. Demis, 본론으로 들어가겠습니다. 오늘 우리는 진정한 업계의 선구자(OG)를 모셨습니다. 그는 독창적인 사상가, 창립자, 비전가 등 다양한 정체성을 지닌 AI 모든 분야의 선구자입니다. Demis는 순수한 신념가이자 순수한 과학자입니다.

Demis의 초심과 내적 주제

오늘의 대화는 DeepMind 설립 초기 이야기로 시작하여 과학 기술에 대한 심도 있는 논의로 이어지고, 마지막으로 청중 질문 시간으로 마무리하겠습니다. 그럼 바로 시작하겠습니다.

Demis, 당신은 국제 체스 신동이자 게임 회사 창립자, 신경 과학자입니다. 당신은 DeepMind의 창립자이며, 현재는 대규모의 중요한 기업을 이끌고 있습니다. 이러한 정체성들은 겉보기에는 서로 관련이 없어 보이지만, 당신은 그 중 하나가 일관된 내적 주제를 가지고 있다고 말씀하셨습니다. 우리와 공유해 주실 수 있나요?

데미스 하사비스: 확실히 일관된 주제가 있습니다. 물론, 이는 사후 귀납적 추론(post hoc reasoning)의 요소가 있을 수 있습니다. 하지만 저는 AI 분야에 뛰어들고자 하는 열망이 오래전부터 있었습니다. 저는 이것이 제 인생에서 가장 중요하고 흥미로운 일이라고 일찍이 확신했습니다. 15, 16세부터 제가 선택한 모든 학습 방향과 한 모든 일은 언젠가 DeepMind와 같은 회사를 세우기 위한 것이었습니다.

게임: 인공지능의 훈련장

저는 "우회적으로" 게임 산업에 들어갔습니다. 90년대에는 가장 최전선의 기술이 그곳에서 태어났기 때문입니다. AI뿐만 아니라 그래픽 렌더링과 하드웨어 기술도 포함됩니다. 오늘날 우리가 사용하는 GPU는 처음에 그래픽 엔진을 위해 설계되었으며, 저는 90년대 말에 가장 초기의 GPU를 사용했습니다. 제가 개발에 참여한 모든 게임은 Bullfrog(불프로그 스튜디오)나 제 자신의 회사 Elixir Studios에서 개발한 것 모두 AI를 핵심 플레이 메커니즘으로 삼았습니다.

제가 가장 잘 알려진 작품은 약 17세 때 개발한 《테마 파크》(Theme Park)입니다. 이는 놀이공원 시뮬레이션 게임으로, 수천 수만의 작은 사람들이 공원에 몰려 다양한 시설을 즐기고 상점에서 무엇을 살지 결정합니다. 게임의 표면 아래에는 완전한 경제 AI 모델이 작동하고 있습니다. 《심시티》(SimCity)와 마찬가지로, 이는 동종 게임 중에서 개척작입니다. 제가 그것이 1000만 부 이상 판매되는 것을 보고, 플레이어들이 AI와 상호작용할 때 얼마나 즐거워하는지를 직접 목격했을 때, AI 분야에 제 모든 정력을 쏟겠다는 결심이 더욱 확고해졌습니다.

이후 저는 신경 과학으로 방향을 전환하여 뇌의 작동 메커니즘에서 영감을 얻고, 색다른 알고리즘 아이디어를 도출하고자 했습니다. DeepMind를 설립할 최적의 시점이 마침내 도래했을 때, 모든 이러한 축적된 경험이 하나로 연결되었고, 모든 것이 자연스럽게 느껴졌습니다. 우리는 나중에 게임을 AI 구상을 검증하는 초기 훈련장으로 삼게 되었습니다.

Elixir Studios의 창업 경험

진행자: 오늘 현장에는 많은 창업자들이 계십니다. 당신은 단순히 한 회사를 창립한 것이 아니라 두 번의 창업 경험을 가진 분이므로 깊은 공감을 느끼실 것입니다. 당신의 첫 번째 창업, 즉 Elixir Studios에 대해 이야기해 주시겠습니까? 그것은 어떤 경험이었나요? 비록 그것이 당신이 가장 잘 알려진 회사는 아니지만, 당신은 그로 인해 큰 성공을 거두었습니다. 당신은 그 회사를 어떻게 이끌었으며, 이 경험이 "회사를 만드는 방법"에 대해 당신에게 무엇을 가르쳐 주었나요?

데미스 하사비스: 그렇습니다. 저는 대학을 졸업하자마자 Elixir Studios를 창립했습니다. 저는 Bullfrog Productions에서 일할 수 있는 행운을 가졌습니다. 게임을 아는 사람들은 그곳이 업계 초창기 매우 전설적인 스튜디오였으며, 아마도 그 당시 영국과 유럽에서 가장 뛰어난 게임 스튜디오 중 하나였다는 것을 알고 있습니다.

저는 AI의 경계를 넓힐 수 있는 일을 하고 싶었습니다. 사실, 그 시대에 저는 게임 개발이라는 "우회적인 방법"을 통해 AI 연구에 자금을 지원하고, 기술의 최전선에 도전하며, 그것을 극도의 창의성과 결합하고자 했습니다. 저는 이러한 사고방식이 오늘날 우리가 진행하는 탐색적 연구(Blue-sky Research)에도 여전히 적용된다고 생각합니다.

제가 배운 가장 깊은 교훈은: 당신은 시대를 5년 앞서가야 하며, 50년 앞서가서는 안 된다. Elixir Studios에서 우리는 "공화국"(Republic)이라는 게임을 개발하려고 했습니다. 이 게임은 완전한 국가를 시뮬레이션하는 것을 목표로 했습니다. 게임의 설정은 플레이어가 다양한 방법으로 독재자를 전복할 수 있도록 하였고, 우리는 게임 내에서 생생하고 호흡하는 도시들을 사실적으로 시뮬레이션했습니다.

그 당시가 90년대 말이었고, 컴퓨터는 펜티엄(Pentium) 프로세서를 사용하고 있었습니다. 우리는 당시의 가정용 컴퓨터에서 100만 명의 모든 그래픽 렌더링과 AI 논리를 실행해야 했습니다. 이는 너무 야심찬 목표였고, 심지어는 약간의 과욕이기도 했습니다. 이로 인해 여러 가지 문제가 발생했습니다.

저는 이 교훈을 뼈저리게 기억하고 있습니다: 당신은 시대를 앞서가야 하지만, 50년 앞서가면 대개 실패하게 됩니다. 물론, 모든 사람이 그 아이디어가 명백할 때 진입하면 너무 늦습니다. 따라서 중요한 것은 그 미묘한 균형점을 찾는 것입니다.

2009년 DeepMind 설립

진행자: 좋습니다. 시대를 너무 앞서가지 말라는 이야기를 하셨으니, 2009년으로 돌아가 보겠습니다. 당신은 일반 인공지능(AGI)이 반드시 실현될 것이라고 확신했습니다. 그때는 아마도 시대를 10년 앞서간 것일 테니, 50년보다 낫습니다. 우리와 함께 있는 창업자들에게 2009년에 대해 이야기해 주시겠습니까? 당신은 초기의 그 뛰어난 인재들을 어떻게 설득했습니까? 당신은 정말로 높은 수준의 직원들과 초기 팀원을 모집했습니다. 그 당시 AGI는 완전히 공상과학 소설처럼 들렸는데, 당신은 그들에게 어떻게 믿게 했습니까?

데미스 하사비스: 그 당시 우리는 몇 가지 흥미로운 단서를 민감하게 포착했습니다. 우리는 자신들이 5년 앞서 있다고 생각했지만, 실제로는 10년 앞서 있었던 것 같습니다. 딥러닝(Deep Learning)은 Jeff Hinton과 그의 학계 동료들에 의해 막 발명되었지만, 거의 아무도 그 중요성을 인식하지 못했습니다. 우리는 강화 학습(Reinforcement Learning) 분야에서 깊은 경험을 쌓았고, 이 두 가지 기술을 결합하면 혁신적인 발전을 이룰 수 있을 것이라고 생각했습니다. 그 이전에는 이 두 가지 기술이 결합되어 사용된 적이 거의 없었습니다. 설사 있었다 하더라도 학계의 "장난감 문제"(toy problems)에 국한되었습니다. AI 분야에서 이들은 완전히 각자 따로 존재하는 섬이었습니다.

또한 우리는 계산 능력(Compute)의 전망을 보았습니다. 당시의 GPU는 큰 잠재력을 가지고 있었습니다. 물론 지금은 TPU를 사용하고 있지만, 그 당시에는 가속 계산 산업이 거대한 추진력이 될 것이라고 믿었습니다. 또한, 제 박사 및 박사후 과정의 끝자락에서, 제가 모은 몇몇 동료들은 계산 신경 과학자들이었고, 우리는 뇌의 메커니즘에서 충분히 가치 있는 아이디어와 법칙을 추출했습니다. 그 중 하나는 핵심 신념이었습니다: 강화 학습은 궁극적으로 규모 확장을 통해 AGI로 나아갈 수 있다.

우리는 이러한 핵심 요소들을 모두 모았다고 생각했습니다. 우리는 심지어 자신들이 어떤 놀라운 비밀의 수호자처럼 느껴졌습니다. 왜냐하면 학계나 산업계에서 AI가 어떤 중대한 돌파구를 이룰 것이라고 믿는 사람은 아무도 없었기 때문입니다. 사실, 우리가 AGI 개발에 전념하겠다고 했을 때, 많은 학계 인사들은 우리를 비웃었습니다. 그들에게는 이것이 명백히 막다른 길이었습니다. 결국 90년대에 이미 시도해보고 실패했기 때문입니다.

저는 MIT에서 박사후 과정을 진행했으며, 그곳은 전문가 시스템(Expert Systems)과 일차 논리 언어 시스템(First-order Logic Language Systems)의 중심지였습니다. 지금 생각해보면 믿기지 않지만, 그 당시 저는 그 방법이 너무 구식이라고 느꼈습니다. 그러나 영국 케임브리지나 MIT와 같은 전통적인 AI 연구의 본거지에서는 여전히 그 오래된 방법을 사용하고 있었습니다. 이는 오히려 우리가 올바른 방향을 찾았다는 확신을 더욱 강하게 해주었습니다. 최소한 우리가 실패할 운명이라면, 우리는 90년대 사람들이 AGI 개발에 실패한 방식과는 전혀 다른 새로운 방식으로 실패할 것이기 때문에, 시도할 가치가 있다고 생각했습니다. 비록 이 연구가 불확실한 미래를 가진 것일지라도, 최종적으로 실패하더라도 우리는 적어도 독창적인 방식으로 실패할 것입니다.

DeepMind의 사명과 AGI에 대한 베팅

진행자: 초기의 신념이 일반적인 저항에 부딪힌 적이 있었나요? 초기의 추종자들을 끌어들이기 위해 당신은 스스로 또는 그들에게 무엇인가를 증명해야 했습니까?

데미스 하사비스: 어떤 상황에서도 저는 제 인생을 인공지능에 바칠 것입니다. 사실, AI의 발전은 우리가 가장 낙관적으로 예상했던 것보다 훨씬 초과했습니다. 그러나 여전히 우리는 2010년의 예측 범위 내에 있습니다. 그 당시 우리는 이것이 20년에 걸친 여정이라고 생각했습니다.

저는 이 분야의 일원으로서 우리의 진행 속도가 완전히 예상한 대로라고 생각하며, 우리는 분명히 그 안에서 적절한 역할을 했습니다.

한 걸음 물러서서 생각해보면, 일이 이렇게 진행되지 않았더라도 AI는 여전히 소수의 학문 분야입니다. 저는 여전히 이 길을 고수할 것입니다. 왜냐하면 그것은 제 마음속에서 가장 중요한 기술이기 때문입니다. 제 목표는 매우 명확합니다. DeepMind의 초기 사명 선언은 다음과 같습니다: 첫 번째 단계는 지능을 해독하는 것이며, 즉 일반 인공지능(AGI)을 구축하는 것입니다. 두 번째 단계는 그것을 사용하여 다른 모든 문제를 해결하는 것입니다. 저는 이것이 인류가 발명할 수 있는 가장 중요하고 매력적인 기술이라고 항상 믿어왔습니다.

그것은 과학 탐구의 도구일 뿐만 아니라, 그 자체로 매력적인 창조물이며, 우리가 인간의 마음(예: 의식, 꿈, 창의성의 본질)을 이해하는 최고의 방법 중 하나입니다. 신경 과학자로서 저는 과거에 이러한 문제를 생각할 때 AI와 같은 분석 도구가 부족하다고 느꼈습니다. 그것은 대조 실험을 수행하는 것처럼 두 개의 서로 다른 시스템을 깊이 연구하고 비교할 수 있는 비교 메커니즘을 제공합니다.

"AI가 과학을 돕는다"는 문화

진행자: 서로 다른 시스템을 비교하는 것에 대해 이야기해보겠습니다. "AI가 과학을 돕는다"(AI for Science)에 대해 이야기해 보겠습니다. 당신은 이 분야에 일찍이 발을 들였고, 확고한 신념가이자 순수한 이상주의자입니다. 이것이 당신들을 이끄는 핵심 사명입니다. DeepMind를 설립할 때 구축한 모델과 문화가 어떻게 "AI가 과학을 돕는다"의 최전선에 서게 되었습니까?

데미스 하사비스: 이것이 바로 우리의 궁극적인 목표입니다. 개인적으로 가장 근본적인 동력은 AI를 구축하여 과학, 의학 및 우리가 세상을 인식하는 방식을 발전시키는 것입니다. 이것이 제가 사명을 실천하는 방식입니다. 즉, 궁극적인 도구를 먼저 만들고, 그것이 성숙해지면 이를 활용하여 과학적 돌파구를 이루는 것입니다. 우리는 AlphaFold와 같은 성과를 이뤘으며, 앞으로 더 많은 성과가 나올 것이라고 믿습니다.

DeepMind는 항상 이 목표를 최우선으로 삼아왔습니다. 사실, 우리는 Pushmeet Kohli가 이끄는 "AI가 과학을 돕는다" 부서를 두고 있으며, 이 부서는 거의 10년이 되었습니다. 우리는 서울에서 AlphaGo 대회를 마치고 돌아온 직후 거의 즉시 이 작업을 시작했습니다. 정확히 10년이 지났습니다.

그동안 저는 알고리즘이 충분히 강력해지고 개념이 충분히 일반화되기를 기다려왔습니다. 저에게 있어 바둑을 정복하는 것은 역사적인 전환점이었습니다. 그 순간 우리는 시기가 왔음을 깨달았고, 이제 이러한 개념을 현실 세계의 중요한 문제에 적용할 때가 되었다고 생각했습니다. 우리는 이러한 중요한 과학적 도전에서 시작해야 합니다.

우리는 항상 이것이 AI의 가장 큰 복지의 귀착점이라고 믿어왔습니다. 질병을 치료하고 인간의 건강 수명을 연장하며 의료 사업을 지원하는 것보다 더 아름다운 일이 무엇이겠습니까? 그 뒤를 이어 재료 과학, 환경 및 에너지와 같은 핵심 분야가 올 것입니다. 저는 AI가 앞으로 몇 년 내에 이러한 분야에서 빛을 발할 것이라고 믿습니다.

생물학의 돌파구와 Isomorphic Labs

진행자: AI가 생물학 분야에서 어떻게 돌파구를 이루었습니까? 당신은 Isomorphic Labs에서 깊이 참여하고 있으며, 이는 당신이 열정을 쏟고 있는 분야입니다. 처음부터 당신은 AI가 질병을 치료할 잠재력을 확고히 믿어왔습니다. 생물학 분야에서 우리는 언제 언어와 프로그래밍 분야와 같은 "빛나는 순간"을 맞이할 수 있을까요?

데미스 하사비스: 저는 AlphaFold의 탄생이 생물학의 "빛나는 순간"을 맞이하게 했다고 생각합니다. 단백질 접힘 및 그 3D 구조는 50년 동안의 과학적 난제입니다. 약물을 설계하거나 생물학의 기초 암호를 해독하려면 이 난제를 해결하는 것이 매우 중요합니다. 물론, 이것은 약물 발견 과정의 한 부분일 뿐이며, 매우 중요한 부분이지만 그 중 하나일 뿐입니다.

우리가 최근에 분사한 회사인 Isomorphic Labs(저도 이 회사를 관리하는 과정이 매우 즐겁습니다)는 생화학 및 화학 분야에서 관련 핵심 기술을 구축하는 데 전념하고 있습니다. 이러한 기술은 단백질의 특정 부위와 완벽하게 결합하는 화합물을 자동으로 설계할 수 있습니다. 우리가 단백질의 형태와 표면 구조를 파악했으므로, 이는 목표를 잠금하는 것과 같습니다. 다음으로 우리는 해당 목표와 강력하게 결합할 수 있는 화합물을 제조해야 하며, 이상적으로는 독성 부작용을 유발할 수 있는 비특이적 반응을 피해야 합니다.

우리의 궁극적인 꿈은 현재 연구 개발의 99%의 작업량과 시간을 차지하는 탐색 과정을 모두 컴퓨터 시뮬레이션(In Silico)으로 이전하고, 실제 습식 실험(Wet Lab)은 마지막 검증 단계에만 남기는 것입니다. 만약 우리가 이를 이룰 수 있다면------저는 앞으로 몇 년 내에 이를 실현할 수 있다고 확신합니다------우리는 평균 10년이 걸리는 약물 발견 주기를 몇 개월, 몇 주로 단축할 수 있으며, 미래에는 심지어 며칠 만에 끝낼 수 있을 것입니다.

저는 이 임계점을 넘어서면 모든 질병을 정복하는 것이 손에 닿을 수 있게 될 것이라고 믿습니다. 개인 맞춤형 의료(예: 환자 개개인에 맞춘 약물 변형)와 같은 개념도 현실이 될 것입니다. 저는 향후 몇 년 내에 의료 및 약물 개발의 지형이 완전히 재편될 것이라고 생각합니다.

시뮬레이터가 낳은 새로운 과학

진행자: 정말 멋지네요. 당신은 여러 번 "AI가 과학을 돕는다"는 말을 했습니다. 당신은 미래의 어느 시점에서 AI가 전혀 새로운 과학 체계를 낳을 것이라고 생각하십니까? 산업 혁명이 열역학을 낳은 것처럼. 우리의 교육 시스템에 본질적으로 전혀 새로운 학문이 등장할까요? 만약 그렇다면, 그것은 어떤 모습일까요?

데미스 하사비스: 이와 관련하여 저는 다음과 같은 몇 가지 일이 발생할 것이라고 생각합니다.

첫째, AI 시스템 자체에 대한 이해와 분석이 완전한 학문으로 발전할 것입니다. 즉, 공학 과학(Engineering Science)입니다. 우리가 구축하고 있는 이러한 창조물은 매우 매력적일 뿐만 아니라 극도로 복잡합니다. 궁극적으로 그들의 복잡성은 인간의 마음과 뇌에 필적할 것입니다. 따라서 우리는 이 시스템의 작동 원리를 완전히 이해하기 위해 깊이 연구해야 하며, 이는 오늘날 우리의 인식 수준으로는 도달할 수 없는 것입니다. 저는 새로운 분야가 반드시 등장할 것이라고 믿습니다. 메커니즘 설명 가능성(Mechanistic Interpretability)은 그 중 일부에 불과하며, 우리는 이러한 시스템을 분석하는 데 있어 광범위한 탐색 공간이 있습니다.

둘째, 저는 AI 자체가 전혀 새로운 과학의 문을 열 것이라고 믿습니다. 그 중 가장 흥미로운 것은 "AI가 시뮬레이션을 돕는다"(AI for Simulations)입니다. 저는 시뮬레이션에 매료되어 있습니다. 제가 쓴 모든 게임은 AI를 포함할 뿐만 아니라 본질적으로 모두 시뮬레이터입니다. 저는 시뮬레이터가 경제학과 같은 사회 과학 및 기타 인문학적 문제를 해결하는 궁극적인 경로라고 생각합니다.

이러한 학문들이 어려운 이유는, 그것들이 생물학과 마찬가지로 출현 시스템(Emergent Systems)에 속하기 때문에 반복 가능한 통제된 실험을 수행하기가 매우 어렵기 때문입니다. 예를 들어, 당신이 금리를 0.5% 인상하려고 한다면, 당신은 실제 세계에서 강제로 실행하고 결과를 관찰해야 합니다. 당신은 여러 이론을 가질 수 있지만, 이 실험을 수천 번 반복할 수는 없습니다. 그러나 만약 우리가 이러한 복잡한 시스템을 정확하게 시뮬레이션할 수 있다면, 높은 정확도의 시뮬레이터를 기반으로 엄격한 샘플링 추론을 수행하여 전혀 새로운 과학을 확립할 수 있을 것입니다. 저는 이것이 현재 높은 불확실성이 존재하는 분야에서 더 나은 결정을 내릴 수 있는 능력을 부여할 것이라고 믿습니다.

진행자: 이러한 극도로 정확한 시뮬레이션을 실현하기 위해서는 어떤 조건이 필요합니까? 예를 들어, 세계 모델(World Models)과 같은 것들이 필요하며, 우리는 이 단계에 도달하기 위해 어떤 과학적 및 공학적 돌파구가 필요합니까?

데미스 하사비스: 저는 이 문제에 대해 깊이 생각해왔습니다. 우리의 작업에서 우리는 학습형 시뮬레이터(Learning Simulators)를 많이 사용합니다. 이러한 시뮬레이터는 우리가 수학 원리에 대한 이해가 부족하거나 시스템이 너무 복잡한 분야에 적용됩니다. 우리는 특정 상황에 대한 직접적인 시뮬레이션 프로그램을 작성하는 것으로 문제를 해결할 수 없습니다. 왜냐하면 그런 방식은 충분히 정확하지 않으며 모든 변수를 포괄할 수 없기 때문입니다.

우리는 날씨 예측에서 이를 실천해왔습니다. 우리는 세계에서 가장 정확한 날씨 시뮬레이터인 "WeatherNext"를 보유하고 있으며, 이는 기상학자들이 현재 사용하는 도구보다 훨씬 빠릅니다. 우리가 모든 것을 이해할 수 있을지, 그것이 좋은 아이디어인지 확신할 수는 없지만, 첫 번째 단계는 이러한 복잡한 시스템을 더 잘 이해하는 것입니다.

생물학 분야에서도 우리는 이른바 "가상 세포(Virtual Cell)"를 연구하고 있습니다. 이는 극도로 동적인 출현 시스템(Emergent System)입니다. 수학이 물리학의 완벽한 설명 언어라면, 기계 학습은 생물학의 완벽한 설명 언어가 될 것입니다. 생물학과 많은 자연 시스템에는 수많은 미약한 신호, 약한 상관관계 및 방대한 데이터가 존재하며, 이는 인간의 뇌의 분석 능력을 훨씬 초과합니다. 그러나 이러한 방대한 데이터 속에는 내재된 연결, 상관관계 및 깊이 있는 인과관계가 존재합니다.

기계 학습은 이러한 시스템을 설명하는 완벽한 도구입니다. 오늘날까지 수학은 이를 수행할 수 없었습니다. 그 이유는 시스템이 너무 복잡하여 최고의 수학자조차도 다룰 수 없거나, 수학의 표현력이 이러한 고도로 출현하는 동적 시스템을 이해하기에 부족하기 때문입니다. 그 일부 이유는 이들이 극도로 혼란스럽고 무작위적이기 때문입니다.

결국, 이러한 시뮬레이터를 마스터하면 새로운 과학 분야가 탄생할 수 있습니다. 당신은 이러한 암묵적이거나 직관적인 시뮬레이터에서 명시적 방정식(Explicit Equations)을 추출하려고 시도할 수 있습니다. 당신이 시뮬레이터를 무수히 샘플링할 수 있다면, 언젠가는 맥스웰 방정식(Maxwell's Equations)과 같은 기본 과학 법칙을 발견할 수 있을 것입니다.

어쩌면 그럴지도 모릅니다. 저는 이러한 출현 시스템에 그러한 법칙이 존재하는지 모르겠지만, 만약 존재한다면, 우리는 이러한 방법으로 그것들을 발견할 수 없는 이유가 없다고 생각합니다.

진행자: 그건 정말 놀라운 일입니다. 당신은 우주에서 모든 것의 기본 구성 요소(Building Block)가 정보와 유사할 수 있다는 이론에 대해 이야기한 적이 있습니다. 이는 보다 이론적인 차원에 해당합니다. 당신은 이를 어떻게 생각하십니까? 이것은 전통적인 고전 튜링 컴퓨터에 어떤 의미를 가질까요?

데미스 하사비스: 물론, 당신은 유명한 E=mc² 및 아인슈타인의 모든 연구 결과를 인용하여 에너지와 물질이 본질적으로 동등하다는 것을 설명할 수 있습니다. 그러나 저는 실제로 정보도 어떤 형태의 동등성을 가지고 있다고 생각합니다. 당신은 물질과 구조의 조직 방식을------특히 생물과 같은 엔트로피 증가에 저항하는 시스템------본질적으로 정보 처리 시스템으로 간주할 수 있습니다. 따라서 저는 이 세 가지가 서로 전환 가능하다고 생각합니다.

하지만 저는 정보가 가장 기본적이라고 느낍니다. 이는 20세기 20년대의 고전 물리학자들의 관점과 정반대입니다. 그 당시 사람들은 에너지와 물질이 가장 중요하다고 여겼습니다. 저는 사실 우주를 정보로 구성된 것으로 보는 것이 이 세상을 이해하는 더 나은 방법이라고 생각합니다.

만약 이것이 사실이라면------저는 현재 많은 증거가 이를 뒷받침한다고 생각합니다------인공지능의 의미는 우리가 상상하는 것보다 훨씬 더 깊은 의미를 가질 것입니다. 그것이 이미 중요한 이유는 그 핵심이 정보를 조직하고 이해하며 정보 객체(Informational Objects)를 구축하는 것이기 때문입니다.

제 생각에 인공지능의 핵심은 정보 처리입니다. 만약 당신이 정보 처리를 세상을 이해하는 주요 방법으로 삼는다면, 이러한 전혀 다른 분야들 간에 극히 깊은 내재적 연결이 존재한다는 것을 발견하게 될 것입니다.

진행자: 그렇다면 당신은 고전 튜링 기계가 모든 것을 계산할 수 있다고 생각하십니까?

데미스 하사비스: 가끔 저는 우리의 작업을 생각하며 "튜링의 수호자"로 자처합니다. 왜냐하면 앨런 튜링은 제 인생에서 가장 존경하는 과학 영웅 중 한 명이기 때문입니다. 저는 그가 한 일이 컴퓨터와 컴퓨터 과학의 기초를 마련했을 뿐만 아니라 인공지능의 기초도 다졌다고 믿습니다. 튜링 기계의 이론은 역사상 가장 심오한 성과 중 하나입니다: 계산 가능한 모든 것은 상대적으로 간단하게 설명할 수 있는 기계로 계산할 수 있습니다. 따라서 저는 우리의 뇌도 아마도 근사적인 튜링 기계(Approximate Turing Machines)일 것이라고 생각합니다.

튜링 기계와 양자 시스템 간의 관계를 생각하는 것은 매우 흥미롭습니다. 그러나 우리는 AlphaGo와 특히 AlphaFold와 같은 시스템을 통해 현대 신경망의 외피를 입은 고전 튜링 기계가 이전에 양자 역학이 필요하다고 여겨졌던 문제를 모델링할 수 있음을 보여주었습니다. 예를 들어, 단백질 접힘은 어떤 의미에서 극미한 입자와 관련된 양자 시스템이며, 사람들은 모든 양자 효과와 다른 복잡한 상호작용을 고려해야 한다고 생각할 수 있습니다.

그러나 사실, 고전 시스템을 사용하여 근사 최적 해를 도출할 수 있음을 입증했습니다. 따라서 우리는 양자 시스템에 의존해야 한다고 생각했던 많은 것들이, 적절한 방법을 사용하면 고전 시스템에서도 모델링할 수 있다는 것을 발견할 수 있습니다.

의식 철학

진행자: 당신은 인공지능을 과거 몇 세기 동안의 망원경, 현미경 또는 천체 관측기와 같은 도구로 간주해왔습니다. 그러나 당신이 거의 모든 것을 시뮬레이션할 수 있는 기계, 즉 당신이 말한 것처럼 양자 시스템까지도 시뮬레이션할 수 있는 기계를 마주하게 된다면, 그것이 도구의 범위를 넘어서는 시점은 언제일까요? 그런 날이 정말 올까요?

데미스 하사비스: 저는 AGI를 구축하는 사명과 여정에서, 저와 같은 동료들------여기 계신 많은 분들을 포함하여------가 가장 좋은 방법은 먼저 도구를 구축하는 것이라고 강하게 느끼고 있습니다. 즉, 극도로 지능적이고 실용적이며 정밀한 도구를 만든 다음, 다음 단계로 넘어가는 것입니다. 그 자체로도 이미 충분히 깊은 의미가 있습니다. 물론, 이 도구는 점점 더 자율적이고 지능체의 특성을 가질 수 있으며, 이는 우리가 현재 목격하고 있는 것입니다. 우리는 지금 이러한 지능체 시대(Agent Era)의 물결 속에 있습니다.

그러나 더 나아가 질문이 있습니다: 그것이 능동성(Agency)을 가질까요? 그것은 의식이 있을까요? 이러한 질문은 우리가 반드시 직면해야 할 문제입니다. 하지만 저는 이것을 두 번째 단계로 삼고, 아마도 첫 번째 단계에서 구축한 도구를 사용하여 이러한 심오한 문제를 탐구하는 데 도움을 줄 수 있을 것이라고 제안합니다.

이 과정에서 우리는 우리 자신의 뇌와 사고를 더 잘 이해하고, "의식"과 같은 개념을 오늘보다 더 정확하게 정의할 수 있을 것입니다.

진행자: 의식의 미래 정의에 대해 당신은 어떤 대략적인 예측이 있습니까?

데미스 하사비스: 없습니다. 수천 년 동안 철학계에서 논의된 내용 외에는 추가할 것이 많지 않습니다. 그러나 저에게는 몇 가지 구성 요소가 분명히 필요하다는 것이 명확합니다. 그것들은 필요하지만 충분하지 않은 조건(Necessary but not sufficient)일 수 있습니다. 자아 인식, 자아와 타자에 대한 개념, 그리고 어떤 형태의 시간적 연속성은 의식이 있는 것으로 보이는 어떤 존재에게는 분명히 필요합니다.

그러나 완전한 정의가 무엇인지에 대해서는 여전히 미결 문제(Open Question)입니다. 저는 많은 위대한 철학자들과 이 문제에 대해 논의한 적이 있습니다. 몇 년 전, 불행히도 최근에 세상을 떠난 다니엘 데닛(Daniel Dennett)과 이 주제에 대해 깊이 있는 대화를 나눈 적이 있습니다. 핵심 질문 중 하나는 시스템의 행동 표현입니다: 그것은 의식 있는 시스템처럼 행동합니까? 당신은 어떤 인공지능 시스템이 AGI에 가까워질수록 결국 그렇게 행동할 수 있을 것이라고 생각할 수 있습니다.

그러나 뒤따르는 질문은: 왜 우리는 서로가 의식이 있다고 생각합니까? 그 이유 중 하나는 우리의 행동 방식입니다. 우리의 행동은 의식 있는 생명체처럼 보입니다. 그러나 또 다른 요소는 우리가 모두 동일한 기본 구조(Substrate)에서 작동하고 있다는 것입니다.

따라서 저는 만약 이 두 가지가 모두 성립한다면, 당신과 제 경험이 동일하다고 가정하는 것이 논리적으로 가장 간단한 원칙(Parsimonious)에 부합한다고 생각합니다. 그래서 우리는 보통 서로가 의식이 있는지에 대해 논쟁하지 않습니다. 그러나 분명히 우리는 인공 시스템에서 동일한 구조 동등성(Substrate Equivalence)을 실현할 수 없습니다. 그래서 저는 이 간극을 완전히 없애는 것이 매우 어렵다고 생각합니다. 당신은 행동적 측면(Behaviorally)에서 이를 검토할 수 있지만, 경험적 측면(Experientially)에서는 어떻게 할 수 있을까요? AGI를 실현한 후에 이 문제를 다룰 수 있는 방법이 있을지도 모르지만, 그것은 오늘의 논의 범위를 넘어설 수 있습니다. 심지어 "AI와 과학"에 대한 논의에서도 마찬가지입니다.

진행자: 정말 멋지네요. 이제 청중 질문 시간을 열겠습니다. 여러분은 질문을 준비해 주시기 바랍니다. 당신은 방금 철학자들, 특히 칸트(Kant)와 스피노자(Spinoza)에 대해 언급하셨습니다. 그들은 당신이 가장 좋아하는 두 철학자입니다. 칸트는 전형적인 의무론(Deontological) 철학자로서 책임 개념을 극도로 강조하며, 스피노자는 거의 숙명론(Deterministic)적인 우주관을 가지고 있습니다. 당신은 이 두 가지 전혀 다른 이념을 어떻게 연결짓고 있습니까? 당신의 세계 작동 방식에 대한 근본적인 인식은 무엇입니까?

데미스 하사비스: 제가 이 두 철학자를 좋아하고 깊은 인상을 받은 이유는 칸트가 제시한 관점 때문입니다.------제가 신경 과학 박사 과정을 공부할 때 깊이 체감한 것이죠.------"마음이 현실을 창조한다(The mind creates reality)"는 말이 기본적으로 맞다고 생각합니다. 이는 우리가 마음과 뇌의 작동 메커니즘을 연구하는 데 또 다른 훌륭한 이유를 제공합니다. 제가 궁극적으로 탐구하는 것은 현실의 본질이므로, 우리는 먼저 마음이 현실을 어떻게 해석하는지를 이해해야 합니다. 이것이 제가 칸트에게서 얻은 통찰입니다.

스피노자는 정신적 차원과 더 관련이 있습니다. 만약 당신이 과학을 도구로 사용하여 우주를 이해하려고 한다면, 당신은 이미 우주 작동 방식의 깊은 신비에 접근하고 있는 것입니다.

이것이 제가 현재의 사업에 대한 통찰입니다. 제가 과학 연구에 몰두하고 인공지능을 깊이 탐구하며 이러한 도구를 구축할 때, 우리는 어떤 방식으로든 우주의 언어를 읽고 있는 것 같은 느낌을 받습니다.

진행자: 정말 아름답습니다. 이것은 당신의 일상 작업에 대한 가장 아름다운 해석입니다: Demis, 당신은 과학자, 연설가, 철학자를 모두 아우르는 인물입니다. 마무리하기 전에 몇 가지 빠른 질문을 하겠습니다. 그는 이전에 이 질문들을 전혀 보지 못했습니다. 일반 인공지능(AGI)을 실현할 연도를 예측해 보세요. 예상보다 이르거나 늦을까요? 아니면 이 질문에 답하지 않을 수 있습니다.

데미스 하사비스: 저는 2030년을 선택하겠습니다. 이 예측에 대해서는 항상 확고했습니다.

진행자: 좋습니다, 2030년입니다. 그렇다면 우리가 일반 인공지능(AGI)을 실현할 때, 추천할 필독서, 시 또는 논문은 무엇입니까?

데미스 하사비스: 일반 인공지능(AGI) 이후의 세계에 대해 제가 가장 좋아하는 책은 데이비드 도이치(David Deutsch)의 《진짜 세계의 직물》(The Fabric of Reality)입니다. 저는 이 책의 사상이 여전히 유효하다고 생각합니다. 저는 그때 AGI를 통해 이 책에서 제기된 심오한 질문에 답할 수 있기를 바랍니다. 그것이 AGI 시대의 후속 작업의 중심이 될 것입니다.

진행자: 정말 멋지네요. 지금까지 DeepMind에서 가장 자랑스러운 순간은 무엇인가요?

데미스 하사비스: 우리는 많은 정점의 순간을 경험할 수 있는 행운이 있었습니다. 제가 가장 자랑스러워하는 것은 AlphaFold의 탄생입니다.

진행자: 좋습니다. 마지막으로 게임에 관한 몇 가지 질문입니다. 만약 당신이 고위험 턴제 전략 게임에 참여하고 있다면, 예를 들어 《문명》(Civ)이나 《저해상도 전투》(Polytopia)와 같은 하드코어 게임에서 역사에서 한 과학자를 팀원으로 선택할 수 있다면, 아인슈타인(Einstein), 튜링(Turing) 또는 뉴턴(Newton) 중 누구를 선택하시겠습니까?

데미스 하사비스: 저는 아마 폰 노이만(von Neumann)을 선택할 것입니다. 이런 상황에서는 게임 이론(Game Theory) 전문가가 필요하니까요. 저는 그가 최고라고 생각합니다.

진행자: 그건 확실히 신급 팀원입니다. Demis, 당신은 정말 다재다능한 인물입니다. 오늘 저희 프로그램에 출연해 주셔서 정말 감사합니다. 여러분, Demis의 멋진 공유에 대해 함께 박수쳐 주시기 바랍니다. 정말 감사합니다.