출처 안내 — 이 글은 2024년 노벨 화학상 수상자이자 구글 딥마인드 CEO인 데미스 하사비스(Sir Demis Hassabis)가 2025년 3월 25일 모교인 케임브리지대학교 컴퓨터과학기술학부(Babbage Lecture Theatre)에서 진행한 약 60분 강연 "Accelerating Scientific Discovery with AI"를 한국어로 요약·정리한 것입니다. 강연 영상은 X(옛 트위터) 사용자 @_HimanshuBuilds의 2026년 9월 19일 게시물을 통해 접했으며, 케임브리지대학교가 공개한 공식 영상(YouTube)과 동일한 강연입니다. 요약은 영상의 영어 자막 전체를 바탕으로 했고, 원문 링크는 글 끝의 '출처'에 모아 두었습니다. 강연 내용의 저작권은 강연자와 케임브리지대학교에 있으며, 이 글의 해석과 정리는 필자의 것입니다.
한 줄 요약
하사비스가 60분 동안 반복해서 말한 핵심은 하나입니다. "답을 일일이 프로그래밍하는 대신, 신경망이 문제의 구조를 학습해 거대한 탐색 공간을 효율적으로 좁히게 하라." 바둑(알파고)에서 통했던 이 원리가 단백질 접힘(알파폴드)에서도 통했고, 이제 신약 개발·소재·핵융합·수학·기후로 확장되고 있다는 것이 강연의 큰 줄기입니다. 마지막에는 "자연에 실제로 존재하는 구조라면 고전적인 학습 알고리즘으로 충분히 모델링할 수 있다"는 다소 대담한 추측(conjecture)으로 마무리합니다.
1. 체스에서 시작된 여정, 케임브리지가 준 영감
하사비스는 네 살 때 체스를 시작해 잉글랜드 주니어 대표팀에서 활동했습니다. 그는 게임 자체보다 "우리 마음은 어떻게 계획을 세우고 문제를 푸는가"라는 사고 과정에 더 매료됐다고 말합니다. 첫 체스 컴퓨터(말을 놓을 때 칸을 눌러야 하던 물리 보드)를 보며 "누군가 이 플라스틱 덩어리에 체스를 두도록 프로그래밍했다"는 사실에 놀랐고, 1980년대 말 아미가 500(Amiga 500)으로 오델로 같은 게임의 AI를 직접 만들면서 AI에 평생을 걸기로 결심합니다.
북런던의 공립 종합학교 출신인 그가 케임브리지를 택한 이유는 크릭과 왓슨의 DNA 이중나선 발견을 다룬 영화 The Race for the Double Helix, 그리고 앨런 튜링과 찰스 배비지 같은 과학 영웅들의 이야기였습니다. 강연이 열린 배비지 강의실은 그가 케임브리지에서 처음 수업을 들은 곳이기도 합니다. 2024년 12월 스톡홀름에서 노벨상 서명책에 이름을 적고 페이지를 넘기다 크릭과 아인슈타인의 서명을 발견했을 때, 그 영화를 보던 10대 시절이 "한 바퀴 돌아 완성됐다"고 회상합니다.
2. 딥마인드의 사명: "지능을 풀고, 그것으로 나머지 전부를 풀자"
2010년 런던에서 창업한 딥마인드는 처음부터 범용 인공지능(AGI)을 목표로 한 일종의 "아폴로 계획"이었습니다. 튜링 기계가 계산 가능한 모든 것을 계산할 수 있듯, 인간이 가진 모든 인지 능력을 수행할 수 있는 진정으로 범용적인 AI를 만들자는 것이었죠. 당시 사명은 두 단계였습니다.
- 1단계: 지능을 푼다(Solve intelligence).
- 2단계: 그것으로 나머지 모든 것을 푼다(Use it to solve everything else).
2010년에는 이런 사명으로 벤처캐피털을 설득하는 것이 "꽤 미친 소리"로 들렸다고 합니다. 15년 전에는 AI를 연구하는 사람이 거의 없었다는 점을 떠올리면, 지금 모두가 AI를 하고 있는 상황이 얼마나 급격한 변화인지 실감할 수 있습니다. 딥마인드는 처음부터 이것을 20년짜리 미션으로 계획했고, 15년이 지난 지금 "대체로 일정대로 가고 있다"고 그는 말합니다.
3. 두 가지 AI: 전문가 시스템 vs 학습 시스템
그가 1990년대 케임브리지에서 공부할 때 AI를 만드는 방법은 크게 둘이었습니다.
- 전문가 시스템: 해법을 사람이 직접 프로그래밍합니다. 1997년 카스파로프를 이긴 IBM 딥블루가 정점입니다. 하지만 미리 대비하지 않은 예상 밖의 상황을 만나면 대응할 방법이 없어, 경직되고 취약해서 결코 범용 지능으로 확장되지 못했습니다.
- 학습 시스템: 데이터와 경험에서 스스로, 제1원리로부터 배웁니다. 신경과학에서 영감을 받았고, 무엇보다 설계자가 이미 아는 지식을 넘어설 수 있다는 가능성이 있습니다. 과학적 발견에서 이 점이 결정적입니다.
4. 게임이라는 완벽한 시험장: DQN, 알파고, 알파제로
DQN: 화면 픽셀만 보고 아타리 게임을 마스터하다 (2013)
딥마인드의 DQN은 게임의 규칙도, 자신이 무엇을 조작하는지도 모른 채 화면의 원시 픽셀만 입력받아 점수를 최대화하라는 목표만으로 1970년대 아타리 게임들을 마스터한 최초의 엔드투엔드 학습 시스템이었습니다.
알파고: 10의 170제곱의 경우의 수, 그리고 37수
바둑은 가능한 국면이 10170개로 관측 가능한 우주의 원자 수보다 많아, 무차별 대입(brute force)으로는 전략을 세울 수 없는 게임입니다. 2016년 알파고는 세계 챔피언 이세돌과의 대국에서 승리했고, 전 세계 2억 명이 지켜봤습니다. 하사비스가 강조하는 것은 승리 자체보다 알파고가 수천 년 역사의 바둑에서 인간이 본 적 없는 새로운 전략을 만들어냈다는 점입니다. 2국의 '37수'는 당시 최고 기사들이 "상상할 수 없는 수"라고 평했지만 100수 뒤 승부를 결정지었습니다. 이 순간이 그에게 "이런 시스템이 새로운 지식을 발명하고 발견할 수 있다"는 확신을 줬습니다.
셀프플레이: 아침에 무작위로 두던 프로그램이 하루 만에 세계 챔피언 수준으로
알파고, 알파고 제로, 알파제로의 학습 원리는 다음과 같습니다.
- 규칙만 아는 버전 1이 무작위로 자기 자신과 10만 판을 둬 국면 데이터베이스를 만든다.
- 그 데이터로 "다음 수는 무엇일지"와 "흑과 백 중 누가 몇 %의 확률로 이길지"를 예측하는 버전 2를 학습시킨다.
- 버전 2와 버전 1이 100판을 겨뤄 승률이 55%를 넘으면 버전 1을 버전 2로 교체하고, 조금 더 질 좋은 데이터베이스를 새로 만든다.
- 이 과정을 17~18번 반복하면 24시간 안에 세계 챔피언보다 강해진다.
핵심은 신경망이 탐색 트리에서 "가장 흥미롭고 유망한 가지"만 골라 보게 해 주는 것입니다. 10170의 공간이 몇 분의 계산으로 다룰 수 있는 크기로 줄어듭니다.
알파제로: 체스의 '진실'을 보여주다
알파제로는 바둑뿐 아니라 모든 2인 완전정보 게임을 처음부터 학습했고, 당시 최강 체스 엔진 스톡피시를 이겼습니다. 유명한 '불멸의 추크츠방(Immortal Zugzwang)' 게임에서 알파제로(백)는 물질(기물 수)보다 기동성을 우선해 기물을 희생했고, 흑은 기물이 더 많은데도 어느 것도 움직일 수 없는 상태가 됩니다. 카스파로프는 "프로그램은 보통 프로그래머의 우선순위와 편견을 반영하지만, 알파제로는 스스로 배우기 때문에 그 스타일은 진실을 반영한다"고 평했고, 당시 세계 챔피언 마그누스 칼센은 "최근 내 영웅 중 하나인 알파제로에게 영향을 받았다"며 그 아이디어를 자기 경기에 흡수했습니다.
5. 게임 밖으로: 어떤 문제가 이 방식에 맞는가
게임은 목적이 아니라 수단이었습니다. 딥마인드가 실제 과학·산업 문제를 고를 때 보는 세 가지 기준입니다.
- 거대한 조합적 탐색 공간: 무차별 대입이 불가능할 만큼 크지만, 신경망이 배울 수 있는 구조가 숨어 있는 문제.
- 명확한 목적 함수: 게임의 점수처럼 최적화할 수 있는 지표로 환원되는 문제.
- 충분한 데이터 또는 정확하고 효율적인 시뮬레이터: 합성 데이터로 실제 데이터를 보강할 수 있는 문제.
이 관점으로 보면 과학의 수많은 중요한 문제가 여기에 들어맞고, 그가 케임브리지 학부 시절부터 마음에 품어 온 문제가 바로 단백질 접힘이었습니다.
6. 알파폴드: 50년 난제를 풀고 '10억 년의 박사 과정'을 1년에
문제와 역설
단백질은 생명의 구성 요소로, 뉴런의 발화부터 근육의 수축까지 거의 모든 기능이 단백질에 달려 있습니다. 유전자 서열이 아미노산 서열을 정하고, 그 서열이 자연에서 3차원 구조로 저절로 접히며, 이 구조가 기능을 크게 좌우합니다. 단백질 접힘 문제란 1차원 아미노산 서열만으로 3차원 구조를 계산으로 예측하는 것입니다. 1960년대 레빈탈은 평균적인 단백질이 취할 수 있는 형태가 약 10300가지인데도 자연에서는 밀리초 만에 접힌다는 '레빈탈의 역설'을 제기했습니다. 하사비스는 여기서 희망을 봤습니다. 물리가 매초 수십억 번 이 문제를 풀고 있으니, 계산으로도 합리적인 시간 안에 풀 수 있어야 한다는 것이죠.
CASP: 단백질 접힘의 올림픽
1994년부터 격년으로 열리는 CASP 대회는 실험으로 막 밝혀졌지만 아직 발표되지 않은 약 100개의 구조를 문제로 내고, 수백 개 계산 팀의 예측을 실제 구조와 비교합니다. 딥마인드는 2016년 서울에서 알파고 대국을 마치고 돌아온 직후 알파폴드 프로젝트를 시작했습니다. 풀리면 새로운 연구 분야 전체가 열리는 이런 문제를 그는 '루트 노드 문제(root node problem)'라고 부릅니다.
알파폴드 1에서 2로
2018년 알파폴드 1은 머신러닝을 시스템의 핵심 구성 요소로 처음 도입해 2위보다 약 50% 앞선 성적으로 우승했지만, 실험 방법을 대체할 수 있다고 실험 과학자들이 인정하는 기준인 원자 수준의 정확도(약 90점)에는 미치지 못했습니다. 팀은 배운 것을 바탕으로 처음부터 다시 설계했고, 2020년 알파폴드 2가 그 기준에 도달하자 대회 주최 측은 문제가 풀렸다고 선언했습니다. 알파폴드 2는 뭉쳐진 아미노산 덩어리에서 시작해 192단계에 걸쳐 구조를 반복적으로 다듬어 나가며, 정확할 뿐 아니라 수 초 만에 접힘을 예측할 만큼 빠릅니다.
2억 개 단백질을 무료로 공개하다
생물학자 친구들은 박사 과정 4~5년을 통째로 써야 단백질 하나의 구조를 밝힐 수 있다고 말하곤 했습니다. 과학계에 알려진 단백질은 2억 개, 인간 프로테옴은 2만 개입니다. 딥마인드는 구글 클라우드로 1년 동안 2억 개 전부를 접어 케임브리지 인근 EMBL-EBI와 함께 무료 데이터베이스로 공개했습니다. 하사비스는 이것을 "10억 년의 박사 과정 시간을 1년에 끝낸 것"에 비유합니다. 잘 연구되지 않던 식물 등 여러 생물의 구조가 처음으로 확보됐고, 2억 개를 종 간에 비교해 진화의 공통 구조를 보는 새로운 연구 분야도 열렸습니다. 공개 전에는 30명 이상의 바이오보안·생명윤리 전문가와 상의해 위험보다 이익이 훨씬 크다는 점을 확인했습니다. 현재 거의 모든 나라에서 200만 명 이상의 연구자가 사용하고 있고 3만 회 이상 인용돼 생물학 연구의 표준 도구가 됐습니다.
연구자들이 알파폴드로 한 일
- 포츠머스대학교: 플라스틱을 분해하는 효소 설계로 플라스틱 오염에 대응.
- 플레밍 센터: 항생제 내성 연구.
- DNDi(소외질환 신약 개발 기구): 말라리아·리슈만편모충증·지카 등 구조가 알려지지 않았던 병원체를 바로 신약 탐색 단계로.
- 세포핵 구멍 복합체(nuclear pore complex)의 구조 규명 같은 기초 연구.
- 브로드 연구소: 특정 부위에 약물을 전달하는 '분자 주사기' 설계.
- 생식(fertility) 메커니즘 연구.
알파폴드 3는 정적인 구조 사진을 넘어 단백질과 단백질, DNA·RNA, 약물 화합물 같은 리간드의 상호작용까지 다루고, 알파프로테오(AlphaProteo)는 거꾸로 원하는 기능을 하는 새로운 단백질의 서열을 설계합니다.
7. 디지털 생물학의 시대와 '디지털 속도의 과학'
하사비스는 생물학을 근본적으로 엔트로피에 저항하는 정보 처리 시스템으로 봅니다. 수학이 물리를 기술하는 완벽한 언어였듯, AI는 창발적이고 역동적인 생물학을 기술하는 완벽한 언어가 될 수 있다는 것이 그의 생각이고, 알파폴드는 그 증거라는 것입니다. 10년 뒤 돌아봤을 때 알파폴드가 고립된 돌파구가 아니라 '디지털 생물학의 황금기'를 연 사건이기를 바란다고 말합니다.
바둑 트리의 노드를 바둑 수 대신 화학 화합물로 바꾸면, 같은 기법으로 표적에만 결합하고 부작용은 적은 최적의 분자를 화학 공간에서 찾을 수 있습니다. 이를 위해 세운 스핀아웃 기업이 아이소모픽 랩스(Isomorphic Labs)입니다. 신약 하나에 평균 10년과 수십억 달러가 드는 현재 과정을, 구조 예측이 수년에서 수 초로 줄어든 것처럼 수년에서 수개월, 언젠가는 수주로 줄이는 것이 목표입니다. 그의 꿈은 효모 같은 단순한 세포의 가상 세포를 만들어 실험을 컴퓨터 안에서 먼저 돌리고, 비싸고 느린 습식 실험실은 탐색이 아니라 검증에 쓰는 것입니다.
생물학 밖에서도 망막 스캔으로 안과 질환 판별, 신소재 발견, 핵융합로 플라즈마 제어, 더 빠른 행렬 곱셈 알고리즘 발견, 기상 예측, 양자 컴퓨터의 오류 정정 등 성과가 이어지고 있습니다. 그는 대학들에 AI를 각 전문 분야의 올바른 질문에 적용하는 다학제 연구를 진지하게 고민하라고 권합니다.
8. AGI로 가는 길: 세계 모델, 안전, 그리고 겸손
Veo 2와 Genie 2: 물리를 '보고' 배운 모델
영상 생성 모델 Veo 2는 텍스트나 정지 이미지 하나로 영상을 만듭니다. 그가 "영상 모델의 튜링 테스트"라고 부르는 장면은 토마토를 써는 영상입니다. 보통은 토마토가 다시 붙거나 칼이 손가락을 지나가지만, Veo 2는 물리를 제대로 표현합니다. 물에 떨어지는 블루베리 주변의 기포도 마찬가지입니다. 물리 지식을 따로 넣지 않았는데도 수많은 유튜브 영상을 보는 것만으로 실제 세계의 물리를 배웠다는 점이, 5년 전이라면 믿기 어려웠을 결과라고 말합니다. Genie 2는 한 걸음 더 나아가 "미래 도시의 로봇으로 플레이할 수 있는 세계를 만들어 줘" 같은 텍스트 지시로 키보드로 조작 가능한 게임 세계를 생성합니다. 지금은 몇 초 동안만 일관성이 유지되지만 이를 수 분으로 늘리는 것이 목표입니다.
SynthID와 '빨리 움직이고 부숴라'에 대한 반론
딥마인드는 2010년부터 "성공할 경우에 대비한 계획"을 세워 왔습니다. 그 결과물 중 하나가 적대적 AI로 픽셀·텍스트·오디오를 사람이 감지할 수 없게 조정해 AI 생성물임을 탐지할 수 있게 하는 워터마크 SynthID입니다. 그는 블레츨리 파크에서 시작된 국제 AI 안전 정상회의처럼 정부·학계·시민사회가 함께 가드레일을 논의하는 흐름을 환영하며, 실리콘밸리의 "빨리 움직이고 부숴라(move fast and break things)"는 이런 변혁적 기술에는 적절하지 않다고 잘라 말합니다. 대신 과학적 방법, 그리고 겸손과 존중으로 접근해야 하며, 논의는 지금 시작해야 한다는 것입니다.
Gemini, Project Astra, 그리고 에이전트
이 모든 모델의 장점을 한 시스템에 모은 것이 Gemini 시리즈(강연 시점 최신은 Gemini 2.0)입니다. 그는 휴대폰이나 안경에 담겨 일상에서 함께 다니는 '유니버설 어시스턴트'(Project Astra)를 다음 세대 비서로 꼽습니다. 그리고 AI의 다음 단계는 알파고식 탐색·계획 능력을 Gemini 같은 세계 모델 위에 얹어, 제한된 게임이 아니라 실제 세계에서 계획을 세우고 목표를 달성하는 에이전트를 만드는 것입니다. 이것이 로보틱스의 열쇠이며, 앞으로 2~3년 안에 로보틱스에서 큰 진전이 있을 것으로 봅니다.
9. 마무리 추측: 고전 컴퓨터는 생각보다 훨씬 많은 것을 할 수 있다
하사비스는 자신을 "튜링의 챔피언"이라고 부르며, 튜링 기계와 고전 컴퓨팅이 어디까지 갈 수 있는지를 탐구해 왔다고 말합니다. 단백질은 원자 규모에서 작동하는 양자 시스템이어서 구조를 찾으려면 양자 시뮬레이션이 필요하다고 생각할 수 있지만, 신경망으로 그 해를 근사할 수 있었습니다. 여기서 그의 추측이 나옵니다.
자연에서 생성되거나 발견될 수 있는, 즉 실제 물리적 구조를 가진 패턴이라면 알파폴드 같은 고전적인 학습 알고리즘으로 효율적으로 발견하고 모델링할 수 있다.
이것이 사실이라면 양자역학과 기초 물리학에 여러 함의가 있으며, 그는 이 고전적 시스템의 도움으로 실재의 본질을 탐구하고 싶다고 말합니다. 그가 AI의 길을 택한 이유도 결국 이렇게 만든 AGI가 우주와 그 안에서 우리의 자리를 이해하는 궁극의 범용 도구가 될 수 있다고 믿었기 때문입니다.
10. 질의응답 하이라이트
신경과학의 '루트 노드 문제'는?
그의 박사 연구 주제였던 기억과 상상(미래 사고·계획)입니다. 둘 다 해마가 관여하며, 이를 알고리즘으로 모방할 수 있습니다. 창의성·꿈·의식 같은 큰 질문도 AI를 만들어 인간 마음과 비교하는 것이 진전을 내는 가장 좋은 방법이라고 봅니다.
딥러닝 혁명 이전에 창업했는데, 딥러닝이 안 됐다면?
회사 이름의 '딥'이 딥러닝을 뜻할 만큼 힌튼의 계층적 신경망에 베팅했고, 여기에 강화학습을 결합했습니다. 환경을 모델링하는 딥러닝과 계획을 세워 행동하는 강화학습이 둘 다 필요했고, 이것이 알파고를 가능하게 했습니다. 확신보다는 "전문가 시스템은 확장되지 않는다"는 확신이 컸으며, AI 겨울은 결국 전문가 시스템을 밀어붙이던 시기였다고 말합니다. 게임용으로 만들어진 GPU의 등장("지능도, 게임도, 그래픽도 결국 행렬 곱셈")과 신경과학의 발전도 2010년이 적기라고 판단한 이유였습니다. 아타리 프로젝트는 처음 2년 동안 퐁(Pong)에서 1점도 내지 못해 "우리가 배비지처럼 50년 너무 이른 것 아닌가" 걱정했다는 일화도 들려줍니다. 그의 조언은 "시대보다 5년 앞서야지, 50년 앞서면 큰 고통이 따른다"입니다.
자연은 최적이 아닌가?
오히려 꽤 최적에 가깝다고 봅니다. 생물학적·지질학적·물리적 진화를 거쳐 오랜 시간 안정적으로 살아남은 것들이고, 시간에 대해 안정적이라면 학습 가능한 구조가 있을 가능성이 높다는 것입니다.
뇌-기계 인터페이스는?
해상도가 문제이고 이상적으로는 읽기와 쓰기가 모두 돼야 하지만, 뉴럴링크 같은 프로젝트에 매료돼 있습니다. 당장은 척수 손상 환자가 다시 걷게 하는 등 의학적 진전이 놀라울 것이고, 안전해진다면 인간이 기술을 따라잡는 한 방법이 될 수 있습니다. 이미 우리는 휴대폰과 24시간 공생하고 있으니, 그것이 몸에 붙는지 손에 들리는지의 차이는 철학자들에게 맡기겠다고 답합니다.
AI가 이렇게 빠른데, 진로는 어떻게 정해야 하나?
3년짜리 컴퓨터과학 과정을 설계하는 것조차 어려울 만큼 빠르지만, 확실한 것은 큰 변화와 함께 혼란과 기회가 온다는 점입니다. 그의 조언은 다음과 같습니다.
- 코딩과 수학은 여전히 배워라. 도구가 어떻게 만들어졌는지 이해해야 훨씬 깊게 쓸 수 있다.
- 자연어로 프로그래밍하는 시대가 오면 창작자들이 게임·영화·앱을 만들 수 있게 되고, 엔지니어는 지금의 10배를 할 수 있게 된다.
- 여가 시간에 이 도구들을 적극적으로 써 보고, 새로운 정보를 매우 빠르게 습득하는 능력을 훈련하라. 향후 10년은 그것이 핵심이다.
지금의 딥러닝으로 모델링할 수 없는 생물학적 과정이 있나?
오늘 당장 못 하는 것은 많지만, 극한에서는 없다고 봅니다. 물리가 풀 수 있고 배울 구조가 있다면 충분한 예시로 역설계할 수 있으며, 고전 시스템이 이를 예측·시뮬레이션하지 못할 이론적 이유가 없다는 것입니다. 예외는 큰 수의 소인수분해 같은 암호학처럼 인간이 만든, 구조가 없을 수도 있는 문제입니다. 그 경우엔 양자 컴퓨터가 필요할 수 있습니다.
Genie 2와 게임 개발 (케임브리지 게임개발 학회의 질문)
마인크래프트처럼 뒤돌아도 마을이 그대로 있어야 하는 무한한 일관성은 아직 멀지만, AI는 여러 경로로 게임 개발에 들어옵니다.
- 3D 모델·애니메이션 등 에셋 제작 도구: 앞으로 몇 년 안에.
- 게임 밸런싱: 밤새 100만 번 플레이하고 아침에 "이 유닛이 너무 강하다"는 보고서를 받는다.
- 오픈월드 버그 테스트: 1천만 명의 고유한 여정을 미리 AI 플레이어로 검증.
- 플레이어의 행동에 따라 믿음과 스토리를 갱신하는 살아 있는 AI 캐릭터.
세계 모델 자체는 게임보다 범용 지능을 위한 것입니다. 어느 정도 시간 동안 세계를 생성할 수 있다면 그 모델이 물리를 이해하고 있다는 경험적 증거라는 것이죠. 상상하는 대로 주변이 펼쳐지는 '홀로덱'은 AGI 이후에나 가능할 것이라며 강연을 마칩니다.
정리: 개발자와 학생이 가져갈 다섯 가지
- 학습 시스템 + 탐색이 핵심 패턴이다. 신경망이 구조를 배우고, 그 지식으로 거대한 탐색 공간을 좁힌다. 바둑, 체스, 단백질, 분자, 알고리즘, 모두 같은 틀이다.
- 문제를 고를 때는 탐색 공간·목적 함수·데이터(시뮬레이터) 세 가지를 보라. 풀리면 새 분야가 열리는 '루트 노드 문제'를 찾아라.
- AI는 생물학의 새로운 기술 언어가 되고 있다. 디지털 속도의 과학이 신약, 소재, 에너지로 퍼지고 있다.
- 세계 모델 위에 계획 능력을 얹은 에이전트가 다음 단계이며, 로보틱스가 곧 그 수혜를 본다. 동시에 워터마크·국제 협의 같은 안전 장치는 "빨리 움직이고 부수는" 방식이 아니라 과학적 방법과 겸손으로 다뤄야 한다.
- 개인의 전략은 단순하다. 코딩과 수학을 계속 배우고, 도구를 직접 쓰고, 새 정보를 빠르게 흡수하는 근육을 키워라. 그리고 시대보다 5년만 앞서라.
출처
- X 게시물(강연 영상 공유): https://x.com/_HimanshuBuilds/status/2101151394338427099 — @_HimanshuBuilds, 2026년 9월 19일. 이 글의 요약은 이 영상의 영어 자막 전체를 바탕으로 작성했습니다.
- 강연 공식 영상: Accelerating Scientific Discovery with AI - lecture by Sir Demis Hassabis (YouTube)
- 케임브리지대학교 컴퓨터과학기술학부 기사(2025년 3월 25일 강연 안내): Nobel laureate and Cambridge University alumnus Sir Demis Hassabis heralds a new era of AI drug discovery at 'digital speed'
- 강연자: Sir Demis Hassabis (구글 딥마인드 공동창업자·CEO, 2024년 노벨 화학상 공동 수상). 사회: Alastair Beresford 교수(케임브리지대 컴퓨터과학기술학부장).
댓글