핵심 내용 요약
구글의 기술적 핵심 인물인 제프 딘(Jeff Dean)이 회사를 떠나 AI for Science라는 새로운 회사를 설립하며, AI for Science가 전 세계 AI 거대 기업들의 새로운 경쟁 지점으로 부상했습니다. 과거에는 AI가 단순히 “질문에 답하는 기계”에 불과했지만, 이제는 과학적 가설을 제시하고 실험을 설계할 수 있는 “연구 보조 도구”로 진화하고 있으며, 심지어 “준과학자”의 역할까지 하고 있습니다. 이 사건은 구글의 기술적 방향성 선택을 반영할 뿐만 아니라, AI 기술의 발전 방향(기호주의와 연결주의의 결합), AI가 새로운 지식을 창출할 수 있는지, 과학적 발견이 일반 인공지능(AGI)으로 가는 마지막 단계인지에 대한 심도 있는 논의를 촉발하고 있습니다.
1. 제프 딘의 이탈: 구글의 “단기 이익”과 AI for Science의 “장기적 매력”
제프 딘은 구글에서 검색 엔진의 핵심 알고리즘을 개발했으며, 텐서플로우(TensorFlow)를 만들어 전 세계 AI 연구자들이 사용하는 도구를 제공한 인물입니다. 그의 이탈은 구글 내부에서 자원 배분에 대한 갈등을 보여줍니다. 구글은 단기적으로 수익을 창출할 수 있는 광고 및 클라우드 서비스에 더 중점을 두고 있지만, AI for Science는 투자가 많고 수익 회수 기간이 긴 사업입니다(예: 신약 개발에는 10년이 걸릴 수 있음). 제프 딘은 이 분야에 집중하기 위해 스스로 회사를 차렸으며, 이는 AI for Science가 더 이상 단순한 “실험실 개념”이 아니라 거대 기업들이 투자할 가치가 있는 분야로 성장했음을 의미합니다.
2. AI for Science: 거대 기업들의 “새로운 전장”——누가 AI를 “과학자”로 만들 수 있을까?
현재 전 세계 AI 거대 기업들이 이 분야에 집중하고 있습니다:
- 구글 DeepMind: 알파폴드(AlphaFold)를 사용해 단백질 구조 예측을 해결했으며, 현재는 AI를 활용해 신약 설계에 도전하고 있습니다.
- 오픈AI(OpenAI): 마이크로소프트와 협력하여 GPT-4를 활용해 과학자들의 실험 설계를 돕고 있습니다.
- 국내 기업: 바이두의 문심일언(Wenxin Yiyuan)은 대형 모델을 사용해 연구를 지원하며, 알리다모원(Ali DAMO Academy)은 AI를 활용한 기상 예측에 노력하고 있습니다.
왜 모두가 이 분야에 관심을 갖는 걸까요? AI for Science는 과학 연구의 문제점(예: 실험 비용이 많고 데이터 분석이 어려움)을 해결할 수 있기 때문입니다. AI는 이러한 과정의 효율성을 10배에서 100배까지 향상시킬 수 있으며, 미래에는 신약, 신소재, 신에너지 등 수천억 규모의 시장을 창출할 잠재력이 있습니다.
3. AI의 진화: “질문에 답하는 것”에서 “연구를 하는 것”으로——이 변화가 얼마나 중요한가?
이전의 AI(예: ChatGPT)는 단순히 질문에 답하거나 문제를 풀 수 있었습니다. 하지만 현재의 AI for Science는 두 가지 더 복잡한 작업을 할 수 있습니다:
1. 가설 제시: 예: 대량의 암 데이터를 분석한 후 “이 유전자 변이가 폐암과 관련이 있을 수 있다”고 말합니다.
2. 실험 설계: 과학자에게 “이 가설을 검증하려면 이 세 단계의 실험이 필요하며, 이러한 장비를 사용해야 합니다”라고 알려줍니다.
이는 AI가 “학생”에서 “조교”로, 그리고 미래에는 “연구원”으로 진화할 수 있음을 의미합니다. 예를 들어, DeepMind의 알파폴드2는 단백질 구조를 예측할 뿐만 아니라 새로운 단백질(예: 플라스틱을 분해하는 효소)을 설계할 수도 있습니다. 이것이 바로 AI가 새로운 것을 창출하는 시작입니다.
4. 기술의 결합: 기호주의와 연결주의의 조합——AI가 과학 연구에 성공하는 핵심
두 가지 기술 용어를 쉽게 설명하겠습니다:
- 연결주의: 현재의 대형 모델(GPT)은 데이터를 통해 패턴을 배우는 방식으로, 인간이 경험에서 교훈을 얻는 것과 유사합니다.
- 기호주의: 초기 AI의 접근 방식으로, “A라면 B다”와 같은 규칙을 작성하여 추론하는 방식입니다.
이전에는 이 두 가지가 분리되어 있었지만, AI for Science에서는 두 가지를 결합해야 합니다. 예: 대형 모델로 방대한 과학 데이터(논문, 실험 결과 등)를 처리한 후, 기호주의적인 논리를 사용하여 “왜 이런 결과가 나타났는지”, “다음에 어떤 실험을 해야 하는지”를 추론합니다. 예: AI는 10만 편의 논문에서 “특정 약물과 질병의 관련성”을 찾은 후, 논리적으로 “이 약물이 어떤 단백질을 억제함으로써 작용할 수 있다”고 추론합니다. 이러한 방식으로 AI의 결론은 데이터와 논리적 근거를 모두 갖추게 됩니다.
5. 최종 질문: AI는 “과학자”가 될 수 있을까? 과학적 발견이 AGI의 마지막 단계일까?
현재 가장 논란이 되는 질문은 AI가 새로운 지식을 창출할 수 있는지입니다. 예: 뉴턴이 만유인력법칙을 발견하고 아인슈타인이 상대성 이론을 제시한 것처럼, AI도 그러한 독창적인 업적을 할 수 있을까요? 현재의 AI는 기존 지식을 조합할 수는 있지만, 직관이나 창의성은 부족합니다.
하지만 과학적 발견은 AGI로 가는 마지막 단계일 수 있습니다. 만약 AI가 인간 과학자처럼 새로운 이론을 제시하고 새로운 개념을 창출할 수 있다면, 그것은 일반 인공지능(모든 인간 지능 활동을 할 수 있는 AI)에 한 걸음 더 가까워질 것입니다. 제프 딘과 거대 기업들이 이 방향으로 나아가고 있으며, 향후 5~10년 안에 큰 돌파구가 있을 수 있습니다.
결론
제프 딘의 이탈은 단순한 개인적 사건이 아니라, AI 산업이 “소비자용 애플리케이션”(예: 챗봇, 동영상 추천)에서 “과학 연구용 애플리케이션”으로 전환하는 신호입니다. AI for Science는 과학 연구 방식을 변화시킬 뿐만 아니라 “혁신”的 개념도 재정의할 수 있습니다. 미래에는 과학자와 AI의 협력이 일반적이 될 것이며, AI가 과학 발견의 주역이 될 수도 있습니다. 우리 일반인들이 체감할 수 있는 변화로는 신약의 빠른 출시, 새로운 에너지 기술의 개발, 질병 치료의 정확성 향상 등이 있을 것입니다. 이 모든 것은 AI for Science와 관련이 있습니다.