🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

데미스 하사비스는 AGI를 과학·의학·세계 이해를 확장하는 “정밀한 도구”로 보고, 2030년 전후 AGI 가능성과 AI for Science의 폭발적 확장을 주장합니다.

📌 핵심 요점

1. 하사비스는 10대 시절부터 AI를 가장 중요한 평생 과제로 보고, 게임 개발·신경과학·창업 경험을 DeepMind 설립으로 연결했습니다.
2. DeepMind의 미션은 “지능을 해결하고, 그것으로 다른 문제들을 해결한다”는 2단계 구조였으며, AlphaGo 이후 AI for Science가 본격화됐다고 설명합니다.
3. AlphaFold는 단백질 구조 예측에서 큰 돌파구였고, Isomorphic Labs는 이를 신약 설계 자동화로 확장하려는 시도라고 말합니다.
4. AI는 질병 치료, 재료과학, 환경, 에너지, 날씨, 생물학, 사회과학 시뮬레이션 등으로 확장될 수 있다는 것이 영상의 핵심 주장입니다.
5. 하사비스는 AGI를 우선 자율적 존재가 아니라 “매우 지능적이고 유용하며 정밀한 도구”로 구축해야 한다고 봅니다.
6. 의식, agency, 정보의 근본성, 마음과 현실의 관계는 아직 열린 철학·과학적 질문으로 남아 있습니다.

🧩 배경과 문제 정의

이 영상은 데미스 하사비스의 초기 경력, 게임 개발, 신경과학, AI 연구가 어떻게 DeepMind 창업과 AGI 비전으로 이어졌는지를 설명합니다.

핵심 문제의식은 “AGI가 왜 중요한가”, “초기에는 왜 공상과학처럼 보였는가”, “DeepMind가 어떻게 AI for Science로 확장됐는가”입니다.

대화는 AlphaGo 이후 AI를 과학 문제에 적용한 흐름에서 출발해 생물학, 신약 개발, 시뮬레이션, 정보 이론, 튜링 머신, 의식, 철학적 세계관까지 확장됩니다.

하사비스는 AGI를 먼저 과학과 의학을 진전시키는 고정밀 도구로 만들고, 의식·agency 같은 문제는 그다음 단계에서 다뤄야 한다는 입장을 제시합니다.

🕒 시간순 섹션별 상세정리

1. 경력의 공통분모로서 AI

• 진행자는 체스 신동, 게임회사 창업자, 신경과학자, DeepMind 창업자라는 이력이 어떻게 하나의 흐름으로 연결되는지 묻습니다. [00:38]
• 하사비스는 15~16세부터 AI가 자신이 할 수 있는 가장 중요하고 흥미로운 일이라고 판단했고, DeepMind에 필요한 경험들을 의도적으로 선택했다고 설명합니다. [00:58]

2. 게임 산업에서 AI 가능성을 확인한 시기

• 1990년대 게임 산업은 AI, 그래픽, 하드웨어, 초기 GPU 등 첨단 기술이 모이는 영역이었고, 그는 그 안에서 AI 중심 게임을 만들었습니다. [01:28]
• Theme Park는 수천 명 캐릭터의 행동과 구매 결정을 시뮬레이션하는 게임이었고, 경제 AI 모델이 핵심 구조였다고 설명합니다. [02:03]
• 사람들이 AI와 상호작용하며 즐거워하는 모습을 보고 AI에 평생을 바칠 수 있겠다고 느꼈다고 말합니다. [02:21]

3. Elixir Studios와 ‘너무 앞서가지 말라’는 교훈

• 하사비스는 대학 졸업 직후 Elixir Studios를 시작했고, 그 전에는 Bullfrog Productions에서 일한 경험이 있었다고 회상합니다. [03:12]
• 당시 게임 개발은 사실상 AI 연구를 우회적으로 자금 지원하는 방식이었고, AI의 한계를 밀어붙이는 창의적 프로젝트였다고 말합니다. [03:29]
• Republic은 한 나라와 살아 움직이는 도시, 약 백만 명 규모의 사람들을 당시 가정용 PC 환경에서 구현하려 한 야심 찬 프로젝트였습니다. [03:52]
• 이 경험의 교훈은 “5년 앞서가는 것은 좋지만 50년 앞서가면 성공시키기 어렵다”는 것이었다고 정리합니다. [04:28]

4. 2009년 AGI 창업 구상과 초기 설득

• 진행자는 2009년에 AGI가 가능하다고 보고 초기 인재들을 어떻게 설득했는지 묻고, 당시에는 완전한 공상과학처럼 보였다고 전제합니다. [04:43]
• 하사비스는 딥러닝, 강화학습, GPU 기반 가속 컴퓨팅, 계산신경과학 아이디어가 결합될 수 있다고 봤다고 설명합니다. [05:09]
• 당시 딥러닝은 막 등장했지만 큰 의미를 알아본 사람은 적었고, 강화학습과 결합하면 큰 진전이 가능하다고 판단했습니다. [05:16]
• 학계와 산업계의 회의론이 컸지만, 그는 기존 실패와 다른 방식으로 시도할 가치가 있다고 봤습니다. [06:14]

5. DeepMind의 장기 미션과 AI의 의미

• 하사비스는 어떤 일이 있었더라도 AI에 평생을 바쳤을 것이라며, 2010년 무렵 AGI를 20년 미션으로 봤다고 말합니다. [07:33]
• DeepMind의 초기 미션은 “1단계: 지능을 해결한다, 2단계: 그것으로 다른 모든 것을 해결한다”는 구조였다고 설명합니다. [08:10]
• AI는 역사상 가장 중요한 기술이자 과학 도구이며, 인간의 마음·의식·꿈·창의성을 이해하는 비교 실험 대상이 될 수 있다고 말합니다. [08:20]

6. AI for Science로 이어진 DeepMind의 문화

• 진행자는 DeepMind가 AI for Science 최전선에 설 수 있었던 조직 설계와 문화적 배경을 묻습니다. [08:52]
• 하사비스는 AI의 궁극적 목적을 과학, 의학, 세계 이해의 진전으로 봤다고 설명합니다. [09:08]
• DeepMind에는 오래전부터 AI for Science 그룹이 있었고, AlphaGo 이후 알고리즘이 충분히 강력하고 일반화됐다고 판단해 현실 과학 문제에 적용하기 시작했다고 말합니다. [09:31]

7. 알파고 이후 AI for Science의 출발

• 하사비스는 바둑 문제 해결을 알고리즘이 충분히 강력하고 일반화된 순간으로 보고, 이후 대형 과학 난제에 AI를 적용할 준비가 됐다고 설명합니다. [10:03]
• AI의 유익한 활용처로 질병 치료, 건강 수명 연장, 의학 지원을 들고, 재료과학·환경·에너지 분야에서도 큰 역할을 할 것이라고 말합니다. [10:18]

8. AlphaFold와 생물학의 돌파구

• 그는 생물학에서도 언어·코딩 분야와 유사한 돌파구가 있었고, 50년 난제였던 단백질 접힘과 3D 구조 예측에서 AlphaFold가 그런 순간이었다고 설명합니다. [10:56]
• 단백질 구조는 의약품 설계와 생물학 이해에 중요하지만, 신약 개발 전체 과정 중 하나의 핵심 부분일 뿐이라고 구분합니다. [11:02]

9. Isomorphic Labs와 자동화된 신약 설계

• Isomorphic Labs는 생화학·화학 인접 기술을 구축해 단백질의 적절한 부위에 결합할 화합물을 자동 설계하는 것을 목표로 한다고 설명합니다. [11:17]
• 원하는 표적에는 강하게 결합하되 다른 곳에는 결합하지 않아 독성 부작용을 줄이는 화합물을 만들어야 한다고 말합니다. [11:36]

10. 신약 개발 시간 단축과 개인맞춤 의학

• 하사비스는 신약 탐색 작업의 99%를 인실리코 환경에서 수행하고, wet lab은 검증에 집중하는 것이 꿈이라고 말합니다. [11:52]
• 이 접근이 가능해지면 평균 10년 걸리는 신약 개발이 몇 달, 몇 주, 언젠가는 며칠까지 줄고 개인맞춤 의학도 가능해질 수 있다고 합니다. [12:09]

11. AI 자체를 연구하는 새로운 과학

• 그는 AI 시스템의 이해와 분석이 하나의 공학적 과학 분야가 될 것이며, 인간의 마음과 뇌만큼 복잡해질 시스템을 더 깊게 연구해야 한다고 말합니다. [13:01]
• 기계적 해석 가능성은 일부일 뿐이며, AI 시스템 분석을 위한 더 넓은 연구 영역이 필요하다고 설명합니다. [13:36]

12. AI 시뮬레이션과 사회과학의 과학화 가능성

• 하사비스는 AI 기반 시뮬레이션이 새로운 과학을 열 수 있다고 보고, 사회과학은 통제 실험 반복이 어렵기 때문에 물리학처럼 엄밀해지기 어렵다고 설명합니다. [13:45]
• 금리 인상 같은 정책 실험도 정확한 시뮬레이터가 있다면 수천 번 반복 표본추출해 더 나은 결정을 내릴 수 있다고 말합니다. [14:24]

13. 학습하는 시뮬레이터와 WeatherNext

• 그는 수학이 충분히 알려지지 않았거나 복잡성이 큰 영역에서는 학습 기반 시뮬레이터가 필요하다고 설명합니다. [15:01]
• 날씨 분야에서는 WeatherNext를 예로 들며, 기존 방식보다 훨씬 빠르고 정확한 날씨 시뮬레이터를 만들었다고 말합니다. [15:24]

14. 가상 세포와 생물학을 위한 머신러닝

• 생물학에서는 ‘가상 세포’ 방향을 연구하고 있으며, 생물학처럼 역동적이고 창발적인 시스템을 설명하는 언어로 머신러닝이 적합하다고 봅니다. [15:39]
• 자연 시스템의 약한 신호, 약한 상관관계, 방대한 데이터 속 연결·상관·인과성을 머신러닝이 포착할 수 있다고 설명합니다. [16:01]

15. 암묵적 시뮬레이터에서 명시적 방정식 추출

• 복잡하고 확률적인 시스템에서도 학습된 시뮬레이터를 충분히 샘플링하면, 암묵적 시뮬레이터에서 명시적 방정식을 추출하는 새 과학 분야가 가능할 수 있다고 말합니다. [16:42]
• 다만 창발 시스템에 맥스웰 방정식 같은 근본 방정식이 실제 존재하는지는 확신하지 않는다고 덧붙입니다. [17:07]

16. 정보가 더 근본적이라는 관점

• 하사비스는 에너지와 물질의 등가성에 더해 정보도 비슷한 등가성을 가진다고 보고, 생물학적 엔트로피 저항도 정보처리 시스템으로 이해할 수 있다고 말합니다. [17:33]
• 그는 세계와 우주를 정보 우선으로 이해하는 방식이 더 나을 수 있다고 합니다. [18:02]

17. AI와 정보처리의 깊은 연결

• 정보가 근본적이라면 AI는 정보를 조직하고 이해하며 정보적 객체를 구성하는 기술로서 더 심오한 의미를 갖는다고 설명합니다. [18:20]
• 그는 AI를 본질적으로 정보처리로 보고, 이 렌즈가 여러 분야를 깊게 연결한다고 말합니다. [18:38]

18. 튜링 머신과 현대 신경망의 의미

• 하사비스는 자신들을 ‘튜링의 챔피언’처럼 생각한다고 말하며, 앨런 튜링이 컴퓨터과학과 AI의 기반을 놓았다고 평가합니다. [18:58]
• 계산 가능한 모든 것은 비교적 단순한 기계 설명으로 계산될 수 있으며, 인간의 뇌도 근사적 튜링 머신일 가능성이 있다고 말합니다. [19:21]

19. 고전적 계산과 단백질 접힘 모델링

• 그는 AlphaGo와 특히 AlphaFold가 현대 신경망 형태의 고전적 튜링 머신이 복잡한 시스템을 모델링할 수 있음을 보여줬다고 설명합니다. [19:37]
• 단백질 접힘은 양자 효과가 관련된 문제처럼 보일 수 있지만, 모든 양자 효과를 전부 고려하지 않아도 근사 모델링에 도달할 수 있었다고 말합니다. [19:54]

20. 고전 시스템으로 복잡한 현상을 모델링할 가능성

• 단백질 접힘처럼 양자 효과가 중요해 보이는 문제도 적절히 접근하면 고전 시스템에서 근사적 최적해에 도달할 수 있다고 설명합니다. [20:01]
• 일부 현상은 양자 시스템이 필요해 보이더라도 올바른 모델링을 통해 고전 시스템에서도 다룰 수 있을 가능성이 있다고 말합니다. [20:18]

21. AGI를 먼저 도구로 구축해야 한다는 관점

• 질문자는 AI가 망원경·현미경 같은 도구를 넘어서는 시점이 언제인지 묻습니다. [20:30]
• 하사비스는 AGI 여정의 첫 단계는 “믿을 수 없이 지능적이고 유용하며 정밀한 도구”를 만드는 것이 바람직하다고 답합니다. [20:51]
• 현재 AI가 더 자율적이고 에이전트적인 “agent era”로 가고 있지만, 실제 agency나 의식 여부는 다음 단계의 별도 문제라고 구분합니다. [21:17]
• 도구형 AGI로 의식 같은 질문을 탐구하고 인간의 뇌와 마음을 더 잘 이해해 의식을 정밀하게 정의할 수 있기를 기대한다고 말합니다. [21:35]

22. 의식 정의의 구성 요소와 한계

• 의식 정의에는 자기인식, 자기와 타자의 구분, 시간적 연속성 같은 요소가 필요할 가능성이 높다고 설명합니다. [21:53]
• 그러나 이런 요소는 필요조건일 수 있어도 충분조건은 아니며, 의식의 완전한 정의는 열린 질문이라고 말합니다. [22:04]
• Daniel Dennett와의 대화를 언급하며, 어떤 시스템이 의식 있는 시스템처럼 행동하는지라는 행동적 기준이 중요해질 수 있다고 설명합니다. [22:29]
• 인간끼리는 같은 생물학적 substrate를 공유하기 때문에 의식을 가정하기 쉽지만, 인공 시스템에는 그런 substrate equivalence가 없어 간극을 닫기 어렵다고 말합니다. [22:51]
• AGI 이후에는 경험적 측면을 다룰 방법이 있을 수 있지만, 현재 논의 범위에서는 벗어난다고 정리합니다. [23:24]

23. 칸트와 스피노자를 통해 본 마음과 우주 이해

• 진행자는 하사비스가 좋아하는 철학자로 칸트와 스피노자를 언급하며 두 관점을 어떻게 연결하는지 묻습니다. [23:33]
• 하사비스는 칸트에게서 “마음이 현실을 만든다”는 관점을 가져왔고, 이는 뇌와 마음을 연구해야 하는 이유와 연결된다고 말합니다. [23:59]
• 현실의 본성을 이해하려면 마음이 현실을 어떻게 해석하는지도 이해해야 한다고 설명합니다. [24:17]
• 스피노자에 대해서는 과학을 도구로 우주를 이해하는 과정이 우주의 깊은 미스터리를 읽어내는 일과 같다고 표현합니다. [24:28]
• AI와 과학 도구를 만드는 작업을 통해 “우주의 언어”를 읽는 듯한 일을 하고 있다고 말합니다. [24:51]

24. AGI 시점과 추천 도서에 대한 즉답

• AGI 시점을 묻자 하사비스는 2030년이라고 답하며 자신이 일관되게 그렇게 말해왔다고 덧붙입니다. [25:19]
• AGI 달성 시점에 읽을 책으로 David Deutsch의 『The Fabric of Reality』를 꼽고, AGI로 그 책의 질문들에 답하고 싶다고 말합니다. [25:28]

25. DeepMind 성과와 전략 게임 동료 선택

• DeepMind에서 가장 자랑스러운 순간을 묻는 질문에는 여러 성과가 있었지만 아마 AlphaFold라고 답합니다. [25:52]
• 고위험 턴제 전략 게임에서 역사상 과학자 한 명을 팀원으로 고른다면 Von Neumann을 선택합니다. [26:00]
• 이유는 Von Neumann이 게임 이론가였고 자신이 보기에 최고였기 때문이라고 설명합니다. [26:27]

🧾 결론

영상의 결론은 AGI가 단순한 챗봇이나 코딩 도구를 넘어 과학 발견의 범용 도구가 될 수 있다는 주장입니다.

하사비스는 DeepMind의 흐름을 게임 AI, 강화학습, AlphaGo, AlphaFold, AI for Science로 이어지는 장기 미션으로 설명합니다.

다만 AGI의 시점, 신약 개발 시간 단축, 의식 정의, 정보의 근본성 같은 주제는 하사비스의 전망과 철학적 해석이 섞여 있으므로 확정 사실로 받아들이기보다 “영상 속 주장”으로 구분해 읽어야 합니다.

📈 투자·시사 포인트

• AI for Science는 단기 생산성 도구보다 더 큰 장기 시장으로 제시됩니다.
• 신약 개발 자동화, 단백질 구조 예측, 가상 세포, 인실리코 실험은 바이오·헬스케어 AI의 핵심 방향으로 언급됩니다.
• WeatherNext 같은 학습 기반 시뮬레이터는 날씨, 에너지, 환경, 정책 의사결정 영역의 AI 활용 가능성을 시사합니다.
• “agent era” 언급은 AI가 도구형 인터페이스에서 자율적 작업 수행 시스템으로 이동하고 있음을 보여줍니다.
• AGI 2030 전망은 강한 시장 신호라기보다 하사비스 개인의 일관된 예측으로 보는 편이 안전합니다.
• 투자 관점에서는 특정 기업보다 AI 인프라, 과학 데이터, 시뮬레이션, 바이오 모델링, 검증 실험 역량의 결합을 주목할 만합니다.

⚠️ 불확실하거나 확인이 필요한 부분

• AGI가 2030년에 도달한다는 발언은 하사비스의 예측이며, 외부 검증된 일정이 아닙니다.
• 신약 개발 기간이 몇 달, 몇 주, 며칠로 줄어들 수 있다는 내용은 가능성 주장이지 현재 일반화된 현실로 확인된 내용은 아닙니다.
• WeatherNext의 정확도와 기존 방식 대비 성능은 영상 속 설명 기준이며, 별도 자료 확인이 필요합니다.
• 정보가 에너지·물질만큼 근본적이라는 관점은 과학적 주장과 철학적 해석이 섞여 있습니다.
• 의식, agency, substrate equivalence 관련 논의는 아직 합의된 정의가 없는 열린 문제입니다.
• 자막 기반 정리이므로 일부 표현은 문맥 기반 요약이며, 정확한 원문 인용으로 사용하려면 영상 원문 확인이 필요합니다.

✅ 액션 아이템

• AGI 2030 발언을 별도 클립 또는 원문 transcript로 확인하기
• AlphaFold와 Isomorphic Labs 관련 최신 공식 자료를 확인해 신약 개발 주장과 구분하기
• WeatherNext 성능 관련 논문 또는 Google DeepMind 발표 자료를 별도 검토하기
• AI for Science 투자·리서치 관점에서 바이오, 시뮬레이션, 에너지, 재료과학 영역을 분류하기
• “도구형 AGI”와 “agent era”를 별도 메모로 정리해 제품 전략 관점에서 재사용하기
• 의식·정보처리·튜링 머신 논의는 철학적 주장으로 분리해 콘텐츠화하기

❓ 열린 질문

• AGI를 “정밀한 도구”로 제한해 설계하는 것이 실제로 가능한가요?
• AI 에이전트가 고도화될수록 도구와 자율적 존재의 경계는 어디서 나뉘나요?
• AlphaFold식 돌파구가 신약 개발 전체 병목을 얼마나 줄일 수 있을까요?
• 사회과학 시뮬레이션은 현실의 인간 행동과 제도 변수를 충분히 반영할 수 있을까요?
• 정보처리 관점이 물리학·생물학·AI를 연결하는 실질적 연구 프레임이 될 수 있을까요?
• AGI 이후 의식을 경험적으로 검증할 방법은 무엇이 될 수 있을까요?