https://www.possible.fm/podcasts/demis/

데미스 하사비스 인터뷰 요약

주요 내용:

1. 획기적 성과:

   
   

   • 알파고: 바둑의 복잡성을 해결하고 인간의 지식을 뛰어넘는 창의적 수("37번째 수")를 보여주며 학습 시스템의 잠재력을 증명했습니다.

   • 알파폴드: 50년 난제였던 단백질 접힘 문제를 해결하여 생물학 및 의학 연구를 혁신적으로 가속화했으며, 이를 기반으로 신약 개발 회사 '아이소모픽 랩스'를 설립했습니다.

   • 알파스타: 스타크래프트 같은 실시간 전략 게임을 정복하며 불완전 정보, 다중 에이전트 환경 등 더 복잡한 문제 해결 능력을 보여주었습니다.

2. 핵심 기술 및 방향:

   
   

   • 게임의 역할: 게임은 명확한 목표, 데이터 생성 용이성, 인간과의 비교 가능성 때문에 AI 개발의 완벽한 테스트베드 역할을 합니다.

   • 학습과 창의성: 현재 AI는 기존 지식의 보간과 외삽(알파고 수준)은 가능하지만, 진정한 '발명'(바둑 자체나 상대성 이론 창조) 수준의 창의성에는 도달하지 못했습니다.

   • 멀티모달리티: 텍스트, 이미지, 비디오 등 다양한 데이터를 이해하는 AI(제미나이, Veo 등)는 더 유능한 비서, 로봇 공학의 발전, 새로운 창작 워크플로우를 가능하게 할 핵심입니다. (물리적 상호작용 없이도 비디오 학습만으로 물리 법칙 이해 가능성 시사)

   • 합성 데이터: 데이터 고갈 문제에 대응하고, 특히 수학/코딩처럼 검증 가능한 영역에서 AI 성능 향상에 중요합니다.

   • 코딩의 미래: 자연어로 코딩하는 시대가 올 것이며, 전문가의 생산성을 극대화하고 비전문가의 창작 접근성을 높일 것입니다.

3. AI 개발과 사회:

   
   

   • 글로벌 참여: AI는 전기나 불처럼 세상을 바꿀 기술이므로, 특정 지역(실리콘밸리)을 넘어 전 세계의 다양한 가치관과 관점(철학, 사회과학 등)이 설계에 반영되어야 합니다. (딥마인드를 런던에 설립한 이유 중 하나)

   • 미래 비전: AI가 의학 발전을 가속화하여 10-15년 내 모든 질병 정복에 도전하고, 나아가 시간, 중력 등 현실의 근본적인 질문을 탐구하는 데 기여하기를 희망합니다.

결론적으로, 하사비스는 AI가 단순한 도구를 넘어 과학적 발견을 가속화하고, 의학을 혁신하며, 인류의 근본적인 문제 해결에 기여할 엄청난 잠재력을 가진 기술이며, 이를 위해서는 학습 능력, 멀티모달리티, 그리고 전 세계적인 협력과 다양한 관점의 통합이 중요하다고 강조했습니다.

 

인터뷰 내용 한국어 번역

데미스 하사비스:

AI는 전 세계에 영향을 미칠 것입니다. 모든 산업에 영향을 미칠 것이고, 모든 국가에 영향을 미칠 것입니다. 제 생각에는 역사상 가장 혁신적인 기술이 될 것입니다. 만약 그것이 사실이고, 전기나 불과 같은 것이 될 것이라면, 저는 전 세계가 그 설계에 참여하는 것이 중요하다고 생각합니다. 단지 캘리포니아의 백 평방마일 지역만이 아니라요. 저는 실제로 이러한 다른 의견들, 더 넓은 의견들을 얻는 것이 중요하다고 생각합니다. 지리적으로뿐만 아니라 철학, 사회과학자, 경제학자 등 다양한 분야의 의견을요. 단순히 기술 기업이나 과학자들만이 아니라, 이것이 어떻게 구축되고 무엇을 위해 사용될지를 결정하는 데 참여해야 합니다.

리드 호프먼:

안녕하세요, 저는 리드 호프먼입니다.

아리아 핑거:

그리고 저는 아리아 핑거입니다.

리드 호프먼:

우리는 함께 AI와 같은 기술을 사용하여 어떻게 최상의 미래를 만들어갈 수 있는지 알고 싶습니다.

아리아 핑거:

Stripe의 지원을 받아, 우리는 기술 전문가, 야심 찬 개발자, 깊이 있는 사상가들에게 미래의 가장 밝은 모습을 그려보고, 그곳에 도달하기 위해 무엇이 필요한지 배우도록 요청합니다.

리드 호프먼:

여기는 Possible입니다.

리드 호프먼:

13세기에 갤러해드 경은 찾기 힘든 성배를 찾아 위험한 여정을 떠났습니다. 기독교 전승에서 그리스도가 최후의 만찬에서 사용한 잔으로 알려진 성배는 아서 왕의 식탁에서 사라졌습니다. 원탁의 기사들은 그것을 찾겠다고 맹세했습니다. 많은 시련 끝에 갤러해드의 순수한 마음은 그에게 성배를 들여다보고 인간의 혀로는 묘사할 수 없는 신성한 신비를 관찰할 수 있는 특별한 능력을 부여했습니다.

아리아 핑거:

2020년, 딥마인드의 연구팀은 단백질이 어떻게 접힐지 예측할 수 있는 알파폴드라는 모델을 성공적으로 만들었습니다. 이 모델은 생물학의 성배와 같은 질문 중 하나에 답하는 데 도움을 주었습니다: 긴 아미노산 사슬이 어떻게 스스로 3차원 구조를 형성하여 생명의 기본 구성 요소가 되는가? 2024년 10월, 알파폴드 관련 과학자 세 명이 이러한 노력으로 노벨상을 수상했습니다. 이것은 오늘 우리 손님이 이끈 놀라운 업적 중 하나일 뿐입니다.

리드 호프먼:

데미스 하사비스는 영국의 인공지능 연구원이자 AI 회사 딥마인드의 공동 창립자 겸 CEO입니다. 그의 리더십 하에 딥마인드는 인간 세계 챔피언을 바둑에서 최초로 이긴 AI 알파고를 개발했고, 이후 50년 된 단백질 접힘 문제를 해결한 알파폴드를 만들었습니다. 그는 AI 분야에서 가장 영향력 있는 인물 중 한 명으로 여겨집니다.

아리아 핑거:

리드와 저는 데미스와 인터뷰를 진행했고, 게임 이론부터 의학, 멀티모달리티, 혁신과 창의성의 본질에 이르기까지 모든 것에 대해 이야기했습니다.

리드 호프먼:

여기 데미스 하사비스와의 대화가 있습니다.

리드 호프먼:

데미스, Possible에 오신 것을 환영합니다. 퀸스 칼리지에서 당신과 함께 저녁 식사를 한 것은 여러모로 특별한 순간이었습니다. 배비지 극장 강연과 모하메드 엘-에리언과의 담화에서 나온 질문으로 시작하고 싶습니다. '체스는 내가 어린 시절을 보낸 것'이라고 생각하던 순간에서 '내가 하고 싶은 것은 생각에 대해 생각하는 것이다. 생각의 과정을 가속화하고 싶고, 컴퓨터가 그 방법이다'라고 생각하게 된 순간을 공유해 주십시오. 어떻게 그런 생각에 도달했나요? 몇 살 때였나요? 메타인지로의 전환은 어떠했나요?

데미스 하사비스:

우선, 팟캐스트에 초대해 주셔서 감사합니다. 체스는 저에게 모든 것의 시작이었고, 게임도 마찬가지였습니다. 저는 네 살 때 체스를 시작했고, 어린 시절 내내 매우 진지하게 임했습니다. 대부분의 잉글랜드 주니어 팀에서 활동했고, 많은 팀의 주장을 맡았습니다. 오랫동안 저의 주된 목표는 프로 체스 선수, 그랜드마스터가 되는 것이었고, 언젠가는 세계 챔피언이 될 수도 있다고 생각했습니다. 그것이 제 어린 시절 전부였습니다. 학교 외의 모든 여가 시간에는 국제 대회에서 성인들을 상대로 체스를 두며 세계를 돌아다녔습니다. 그러다 11살쯤 되었을 때, 저는 체스를 사랑하고 오늘날에도 여전히 사랑하지만, 과연 한 사람이 평생을 바칠 만한 것인가 하는 깨달음을 얻었습니다.

데미스 하사비스:

이것이 제 마음을 가장 잘 사용하는 방법일까? 그게 저를 조금 괴롭혔던 한 가지였습니다. 하지만 또 다른 것은, 잉글랜드 체스 팀과 훈련 캠프에 갔을 때, 체스 실력을 향상시키기 위해 초기 체스 컴퓨터를 사용하기 시작했다는 것입니다. 저는 우리가 체스 오프닝, 체스 이론, 전술 향상에 집중해야 했지만, 사실 누군가가 이 생명 없는 플라스틱 덩어리를 프로그래밍해서 저와 아주 잘 두는 체스를 하게 만들었다는 사실에 더 매료되었다는 것을 기억합니다. 저는 그것이 어떻게 이루어졌는지 매료되었고, 그것을 정말로 이해하고 싶었고, 결국에는 제 자신의 체스 프로그램을 만들고 싶었습니다.

아리아 핑거:

정말 재미있네요. 제가 이걸 시작하기 전에 리드에게 말했는데, 제 7살 아들 학교가 방금 뉴욕주 체스 챔피언십에서 우승했어요. 당신 수준까지 가려면 아직 멀었지만, 아들은 당연하게 받아들여요. "아, 엄마, 그냥 컴퓨터로 체스키드 할게요. 컴퓨터랑 몇 게임 할게요." 물론 수십 년 전에는 혁신이었죠. 제가 중학생 때는 딥 블루 대 게리 카스파로프의 대결이 있었고, 이건 인간 대 기계의 순간이었어요. 당신이 이 순간에 대해 언급한 한 가지는, 이 경우 그랜드마스터 데이터를 기반으로 한 것이지만, 무차별 대입 방식 대 자가 학습 시스템의 대조를 보여줬다는 것입니다. 그 이분법에 대해 더 말씀해 주시겠어요?

데미스 하사비스:

네. 음, 우선, 아드님이 체스를 둔다니 정말 좋네요. 저는 학교 커리큘럼의 일부로 체스를 가르치는 것을 강력히 지지합니다. 수학이나 프로그래밍을 하는 것처럼 정신 훈련에 환상적이라고 생각합니다. 그리고 그것은 확실히 제가 문제에 접근하고, 문제를 해결하고, 해결책을 시각화하고, 계획하는 방식에 영향을 미쳤습니다. 압박감에 대처하는 등 이 모든 놀라운 메타 기술을 가르쳐 줍니다. 어린 시절에 이 모든 것을 배우게 되는데, 이는 앞으로 할 다른 어떤 일에도 환상적입니다. 딥 블루에 관해서는, 맞습니다. 대부분의 초기 체스 프로그램, 그리고 딥 블루가 그 정점이 되었는데, 이런 종류의 전문가 시스템이었습니다. 당시에는 AI에 접근하는 선호되는 방식이었죠. 실제로는 프로그래머가 문제, 이 경우에는 체스 두기를 해결합니다.

데미스 하사비스:

그리고 그 해결책을 일련의 휴리스틱과 규칙으로 캡슐화하여, 이 경우에는 좋은 체스 수를 두는 방향으로 일종의 무차별 대입 탐색을 안내합니다. 저는 항상 이런 AI 체스 프로그램에 매료되었지만, 동시에 약간 실망하기도 했습니다. 사실, 딥 블루가 나올 때쯤 저는 이미 케임브리지 학부에서 공부하고 있었는데, 저는 기계보다는 카스파로프의 마음에 더 감탄했습니다. 왜냐하면 저는 이미 신경과학을 공부하기 시작했기 때문입니다. 여기 이 거대한 기계는 오직 체스만 둘 수 있습니다. 그리고 카스파로프는 거의 같은 수준으로 체스를 둘 수 있을 뿐만 아니라, 인간이 할 수 있는 다른 모든 놀라운 일들을 할 수 있었습니다. 그래서 저는 생각했습니다. 이것이 인간 마음의 경이로움을 말해주는 것이 아닐까?

데미스 하사비스:

그리고 더 중요한 것은, 딥 블루와 이러한 전문가 시스템 접근 방식의 AI에는 매우 근본적인 무언가가 빠져 있다는 것을 의미했습니다. 그렇죠? 매우 명백하게요. 왜냐하면 딥 블루는 당시 AI의 정점이었음에도 불구하고 지능적으로 보이지 않았기 때문입니다. 빠진 것은 학습 능력, 새로운 것을 배우는 능력이었습니다. 예를 들어, 딥 블루가 세계 챔피언 수준으로 체스를 둘 수 있었지만, 오목조차 둘 수 없었다는 것은 말이 안 됩니다. 그렇죠? 다시 프로그래밍해야 했고, 시스템 내 어떤 것도 오목을 두게 할 수 없었습니다. 그래서 그건 이상하죠, 그렇죠? 그것은 인간 그랜드마스터와는 매우 다릅니다. 그들은 물론 더 간단한 게임을 쉽게 둘 수 있습니다. 그리고 또한 인간의 마음처럼 일반적이지 않았습니다. 저는 이것들이 지능의 특징이라고 생각합니다. 그것이 제가 그 대국에서 얻은 교훈이고, 우리가 AI를 정복하려면 그것들이 필요했습니다.

리드 호프먼:

딥러닝에 대해 조금 더 말씀해 주세요. 딥마인드라는 이름이 붙은 이유 중 하나이기도 하죠. 자가 대국과 학습 시스템을 통해 여러분이 실행했던, 완전히 반대되는 가설처럼 보였던 것의 일부는 이 학습 접근 방식이 이러한 중요한 시스템을 생성하는 올바른 방법이라는 것이었습니다. 가설을 세우고, 사막을 건너는 여정은 어떠했으며, 나일강을 찾은 결과는 무엇이었는지 조금 말씀해 주세요.

데미스 하사비스:

네. 음, 물론 우리는 2010년에 업계에서 아무도 이 작업을 하지 않을 때 딥마인드를 시작했습니다. 학계에서도 거의 연구가 없었습니다. 우리는 부분적으로 딥마인드라는 이름을 지었는데, '딥' 부분은 딥러닝 때문이었습니다. 또한 '은하수를 여행하는 히치하이커를 위한 안내서'의 딥 소트, 딥 블루, 그리고 다른 AI 관련 용어들에 대한 경의이기도 했습니다. 하지만 주로 우리는 이러한 학습 기술에 베팅할 것이라는 아이디어였습니다. 딥러닝과 계층적 신경망은 막 발명된 상태였습니다. 그렇죠? 2006년 제프 힌튼과 동료들의 중요한 연구에서요. 그래서 매우, 매우 새로운 것이었습니다. 그리고 강화 학습은 항상 딥마인드의 전문 분야였습니다. 시행착오를 통해 배우고, 경험으로부터 배우는 아이디어죠. 그렇죠? 그리고 계획을 세우고 세상에서 행동하는 것입니다.

데미스 하사비스:

그리고 우리는 실제로 그 두 가지를 결합했습니다. 우리는 그것을 개척했고, 심층 강화 학습이라고 불렀습니다. 이 두 가지 접근 방식입니다. 딥러닝은 환경이나 하고 있는 일, 이 경우에는 게임의 모델을 구축하는 데 사용됩니다. 그리고 강화 학습은 계획, 행동, 그리고 실제로 목표를 달성하고 목표를 달성할 수 있는 에이전트 시스템을 구축하는 데 사용됩니다. 게임의 경우에는 점수를 최대화하고 게임에서 이기는 것입니다. 우리는 그것이 실제로 지능에 필요한 전부라고 느꼈습니다. 그리고 우리가 그것에 대해 꽤 확신했던 이유는 실제로 뇌를 예로 사용했기 때문입니다. 그렇죠? 기본적으로 그것들은 뇌가 작동하는 방식의 두 가지 주요 구성 요소입니다. 아시다시피, 뇌는 신경망입니다. 패턴 매칭 및 구조 발견 시스템입니다.

데미스 하사비스:

하지만 또한 강화 학습과 시행착오를 통해 배우고 보상을 최대화하려는 계획 및 학습 아이디어도 가지고 있습니다. 이는 실제로 인간의 뇌와 동물 뇌, 포유류 뇌의 도파민 시스템이 구현하는 것입니다. TD [시간차] 학습이라고 불리는 강화 학습의 한 형태입니다. 그래서 이것은 우리가 이 방향으로 충분히 밀어붙인다면, 비록 아무도 실제로 그렇게 하지 않더라도, 결국 이것이 작동해야 한다는 확신을 주었습니다. 그렇죠? 왜냐하면 우리는 인간 마음이라는 존재 증명을 가지고 있기 때문입니다. 그리고 물론, 그것이 제가 신경과학을 공부한 이유이기도 합니다. 왜냐하면 당신이 말했듯이 사막에 있을 때는 어떤 물의 원천이나 사막에서 벗어날 수 있다는 어떤 증거라도 필요하기 때문입니다. 아시다시피, 멀리 있는 신기루조차도 그 사막 한가운데 있을 때 방향을 제시하는 데 유용한 것입니다. 그리고 물론, AI 자체도 그 한가운데 있었습니다. 왜냐하면 여러 번 실패했기 때문입니다. 전문가 시스템 접근 방식은 기본적으로 한계에 도달했습니다.

리드 호프먼:

인터뷰 전체를 제가 독차지할 수도 있으니 그러지 않으려고 노력 중입니다 [웃음]. 학습 시스템이 결국 만들어낸 것 중 하나는 이전에 해결 불가능하다고 여겨졌던 문제를 해결한 것입니다. 컴퓨터가, 고전적인 계산 기술로는 바둑을 풀 수 없다고 생각하는 사람들까지 있었습니다. 하지만 바둑을 풀었을 뿐만 아니라, 고전적인 "37번째 수"에서 수천 년의 바둑 역사, 책, 그리고 수백 년의 매우 진지한 대국을 넘어선 독창성, 창의성을 보여주었습니다. "37번째 수"의 순간은 AI가 어디에 있는지 이해하는 데 어떤 의미였으며, 다음 "37번째 수"는 무엇이라고 생각하십니까?

데미스 하사비스:

음, 바둑이 체스보다 훨씬 더 어렵다고 여겨졌고 결국 그렇게 된 이유는, 알파고를 통해 우리가 20년이 더 걸렸습니다. 그리고 체스에 사용되었던 모든 접근 방식, 이러한 전문가 시스템 접근 방식은 바둑에서 실패했습니다. 그렇죠? 기본적으로 프로 기사조차 이길 수 없었고, 세계 챔피언은 말할 것도 없었습니다. 그 이유는 주로 두 가지였습니다. 하나는 바둑의 복잡성이 너무나 엄청나다는 것입니다. 그것을 측정하는 한 가지 방법은 가능한 위치가 10의 170제곱 개라는 것입니다. 그렇죠? 우주의 원자보다 훨씬 많습니다. 바둑의 해답을 무차별 대입 방식으로 찾을 방법은 없습니다. 그렇죠? 불가능합니다. 하지만 그보다 더 어려운 것은, 너무나 아름답고, 난해하며, 우아한 게임이라는 것입니다. 아시다시피, 아시아에서는 일종의 예술, 예술 형태로 여겨집니다. 그렇죠?

데미스 하사비스:

그리고 그것은 미학적으로 아름다울 뿐만 아니라, 체스가 더 중시하는 무차별 계산보다는 패턴에 관한 것이기 때문입니다. 그래서 세계 최고의 기사들조차도 자신들이 사용하는 휴리스틱이 무엇인지 명확하게 설명하기 어렵습니다. 그들은 그냥 직관적으로 올바른 수를 느낍니다. 그렇죠? 그들은 때때로 그냥 그렇게 말할 것입니다. "이 수, 왜 이 수를 두었나요?" "글쎄요, 옳다고 느껴졌어요." 그렇죠? 그리고 만약 그들이 뛰어난 기사라면, 그들의 직관은 훌륭하고 환상적이라는 것이 밝혀집니다. 그리고 그것은 놀랍도록 아름답고 효과적인 수입니다. 하지만 그것은 기계가 바둑을 어떻게 두어야 하는지를 지시하는 일련의 휴리스틱과 규칙으로 캡슐화하기 매우 어렵습니다. 그래서 이러한 딥 블루 방식이 모두 작동하지 않았던 것입니다.

데미스 하사비스:

이제 우리는 시스템이 스스로 학습하도록 함으로써 그 문제를 해결했습니다. 좋은 패턴이 무엇인지, 좋은 수가 무엇인지, 좋은 모티프와 접근 방식이 무엇인지, 그리고 가치가 있고 이길 확률이 높은 위치가 무엇인지. 그래서 수백만 개의 게임을 보고 수백만 개의 게임을 스스로 두는 경험을 통해 스스로 배웠습니다. 이것이 우리가 알파고를 세계 챔피언 수준 이상으로 만든 방법입니다. 하지만 그것에 대한 추가적인 흥미로운 점은, 그러한 종류의 시스템이 실제로 우리 프로그래머나 시스템 설계자가 아는 것을 넘어설 수 있다는 것을 의미한다는 것입니다. 그렇죠? 어떤 전문가 시스템도 그렇게 할 수 없습니다. 왜냐하면 물론, 그것은 우리가 이미 알고 기계에 설명할 수 있는 것에 엄격하게 제한되기 때문입니다. 하지만 이러한 시스템은 스스로 학습할 수 있습니다.

데미스 하사비스:

그리고 그것이 2016년 서울에서 열린 이세돌 9단과의 유명한 세계 선수권 도전 매치 2국에서 "37번째 수"로 나타난 결과입니다. 그리고 그것은 정말로 창의적인 수였습니다. 아시다시피, 바둑은 수천 년 동안 두어졌습니다. 인간이 발명한 가장 오래된 게임입니다. 그리고 가장 복잡한 게임입니다. 그리고 일본과 같은 곳에서는 수백 년 동안 전문적으로 두어졌습니다. 그럼에도 불구하고, 뛰어난 인간 기사들의 이 모든 탐험에도 불구하고, 이 "37번째 수"는 이전에 결코 볼 수 없었던 것이었습니다. 그리고 실제로 더 나쁜 것은, 그것이 끔찍한 전략으로 여겨졌다는 것입니다. 사실, 다큐멘터리(유튜브에서 볼 수 있습니다, 추천합니다)를 보시면, 프로 해설자들이 "37번째 수"를 보았을 때 의자에서 거의 떨어질 뻔했습니다. 왜냐하면 그들은 그것이 실수라고 생각했기 때문입니다.

데미스 하사비스:

그들은 컴퓨터 운영자인 아자 황이 컴퓨터를 잘못 클릭했다고 생각했습니다. 왜냐하면 누군가가 그렇게 둘 것이라고는 상상할 수 없었기 때문입니다. 그리고 물론, 결국 백 수 후에 "37번째 수"—판에 놓인 돌, 조각—가 게임 전체를 결정짓는 정확히 올바른 위치에 있었다는 것이 밝혀졌습니다. 그래서 이제는 바둑 역사, 그 게임과 그 수의 위대한 고전으로 연구됩니다. 그리고 그것보다 더 흥미로운 것은, 그것이 바로 우리가 이러한 시스템이 하기를 바랐던 것이라는 점입니다. 왜냐하면 저와 제 평생의 AI 연구 동기 전체는 AI를 사용하여 과학적 발견을 가속화하는 것이었기 때문입니다. 그리고 게임에서 비록 새로운 혁신이지만, 그러한 종류의 새로운 혁신이 바로 우리가 시스템에서 찾고 있던 것이었습니다.

리드 호프먼:

그리고 저는 이것이 이러한 학습 시스템이 지금도 독창적인 발견을 하고 있는 이유에 대한 멋진 설명이라고 생각합니다. AI가 인간 사고, 인간 존재, 인간 과학의 질에 많은 것을 더할 수 있는 방식에 대해 우리의 마음을 열어줄 다음 "37번째 수"는 무엇이라고 생각하십니까?

데미스 하사비스:

음, 저는 인간 노력의 거의 모든 영역에서 많은 "37번째 수"가 있을 것이라고 생각합니다. 물론, 제가 그 이후로 주로 집중해 온 것은 어떻게 그러한 유형의 AI 기술, 그러한 학습 기술, 그러한 일반 학습 기술을 과학에 적용할 수 있는지입니다. 과학의 큰 영역들, 저는 그것들을 뿌리 노드 문제라고 부릅니다. 즉, 우주에 있는 모든 지식의 나무를 생각할 때, 사람들이 나중에 기반을 다질 수 있는 전체 가지나 새로운 발견의 길을 열어주는 어떤 뿌리 노드를 풀 수 있는가 하는 문제입니다. 그렇죠? 그리고 우리에게는 단백질 접힘과 알파폴드가 그중 하나였고, 항상 제 목록의 최상위에 있었습니다. 저는 평생 동안 접해왔고 일반적으로 과학의 모든 영역에 관심을 가지면서 이러한 유형의 문제 목록을 마음속에 가지고 있습니다. 그리고 어떤 것이 적합할지, 즉 엄청난 영향을 미치면서도 이러한 유형의 기술에 적합할지를 생각합니다.

데미스 하사비스:

그리고 저는 인간 노력의 매우 중요한 영역에서 이러한 유형의 새로운 전략, 새로운 아이디어의 새로운 황금기를 보게 될 것이라고 생각합니다. 이제, 한 가지 말해야 할 것은, 우리가 아직 창의성을 완전히 정복하지는 못했다는 것입니다. 그렇죠? 그래서 저는 그것을 주장하고 싶지는 않습니다. 저는 종종 세 가지 수준의 창의성이 있다고 설명하는데, AI는 처음 두 가지 수준을 할 수 있다고 생각합니다. 첫 번째는 보간법입니다. 그래서 AI 시스템에 고양이 사진 백만 장을 주고, "전형적인 고양이를 만들어줘"라고 말하면, 본 백만 장의 고양이 사진을 평균화할 것입니다. 그리고 그 전형적인 고양이는 훈련 세트에 없을 것입니다. 그래서 독특한 고양이가 될 것이지만, 창의적인 관점에서는 그다지 흥미롭지 않습니다. 그렇죠?

데미스 하사비스:

그냥 평균화입니다. 하지만 두 번째는 제가 외삽법이라고 부르는 것입니다. 그것은 알파고와 더 비슷합니다. 바둑 게임 천만 판을 두고, 인간 바둑 게임 수백만 판을 보았지만, 알려진 것으로부터 외삽하여 "37번째 수"와 같이 이전에 결코 볼 수 없었던 새로운 전략을 생각해냅니다. 알겠죠? 그래서 그것은 이미 매우 가치가 있습니다. 저는 그것이 진정한 창의성이라고 생각합니다. 하지만 세 번째 수준이 있는데, 저는 그것을 발명 또는 틀을 벗어난 사고라고 부릅니다. 즉, "37번째 수"를 생각해낼 수 있을 뿐만 아니라, 바둑을 발명할 수 있었을까 하는 것입니다. 그렇죠? 또는 제가 사용하는 또 다른 척도는, 우리가 1900년대 초 아인슈타인 시대로 돌아간다면, AI 시스템이 당시 아인슈타인이 가지고 있던 동일한 정보로 실제로 일반 상대성 이론을 생각해낼 수 있었을까 하는 것입니다. 그리고 분명히 오늘날, 그러한 것들에 대한 대답은 '아니오'입니다. 그렇죠? 바둑만큼 위대한 게임을 발명할 수 없고, 당시 아인슈타인이 가지고 있던 정보만으로는 일반 상대성 이론을 발명할 수 없을 것입니다. 그래서 진정한 틀을 벗어난 사고를 얻기 위해서는 우리 시스템에 여전히 무언가가 빠져 있습니다. 하지만 저는 그것이 올 것이라고 생각하지만, 아직 가지고 있지 않습니다.

아리아 핑거:

AI 분야 밖에 있는 많은 사람들이 이 모든 것이 게임에서 시작된다는 사실에 놀랄 것 같아요. 하지만 우리가 하고 있는 일에 있어서는 그것이 복음과도 같죠. 그것이 우리가 이 시스템들을 만든 방식입니다. 그래서 보드 게임에서 비디오 게임으로 기어를 바꿔보겠습니다. 스타크래프트 II 같은 게임을 할 수 있는 AI, 예를 들어 알파스타가 체스나 바둑을 할 수 있는 AI보다 훨씬 더 발전되고 매력적인 이유에 대해 간단히 설명해주실 수 있나요?

데미스 하사비스:

네, 알파고를 통해 우리는 보드 게임의 정점을 찍었습니다. 그렇죠? 바둑은 항상 게임 AI, 보드 게임 AI의 에베레스트 산처럼 여겨졌습니다. 하지만 컴퓨터에서 할 수 있는 가장 복잡한 전략 게임을 고려한다면, 어떤 측정 기준으로는 훨씬 더 복잡한 게임들이 있습니다. 그리고 스타크래프트 II는 실시간 전략 게임 장르의 고전으로 인정받고 있습니다. 매우 복잡한 게임입니다. 기지와 유닛, 그리고 다른 것들을 건설해야 합니다. 그래서 모든 게임이 다릅니다. 그렇죠? 그리고 게임 판은 매우 유동적이며, 실시간으로 많은 유닛을 움직여야 합니다. 우리가 그것을 해결한 방법은 서로 경쟁하는 에이전트 리그라는 추가적인 레벨을 추가하는 것이었습니다. 모두 약간 다른 초기 전략으로 시작됩니다.

데미스 하사비스:

그러면 일종의 적자생존 같은 것을 얻게 됩니다. 그들 모두 사이에서 토너먼트가 열립니다. 이제 일종의 다중 에이전트 설정이 있고, 그 토너먼트에서 승리하는 전략이 다음 시대로 넘어가고, 그 주변에 다른 새로운 전략을 생성합니다. 그리고 여러 세대에 걸쳐 계속 그렇게 합니다. 알파고에서 가졌던 자가 대국 아이디어를 가지면서도, 이 다중 에이전트 경쟁, 거의 진화적인 역학을 추가하는 것입니다. 그리고 결국에는 다른 어떤 전략도 그들을 지배하지 못하지만, 가장 많은 다른 전략을 지배하는 에이전트, 즉 에이전트의 내시 분포 같은 것을 얻게 됩니다. 그리고 일종의 내시 균형을 이루고, 거기서 상위 에이전트를 뽑아냅니다. 그리고 이것은 이런 종류의 매우 개방적인 게임 플레이에서 매우 성공적이었습니다.

데미스 하사비스:

그래서 규칙이 매우 정해져 있고, 얻는 조각들이 항상 같고, 매우 질서 있는 게임인 체스나 바둑과는 상당히 다릅니다. 스타크래프트 같은 것은 훨씬 더 혼란스럽습니다. 그래서 그것을 다루어야 한다는 것이 흥미롭습니다. 숨겨진 정보도 있습니다. 전체 지도를 한 번에 볼 수 없습니다. 탐험해야 합니다. 그래서 완전 정보 게임이 아닙니다. 이것은 우리 시스템이 대처할 수 있기를 원했던 또 다른 것입니다. 부분적 정보 상황인데, 실제 세계와 더 비슷합니다. 그렇죠? 실제 세계에서 모든 것에 대한 완전한 정보를 갖는 경우는 거의 없습니다. 보통은 부분적인 정보만 가지고 있고, 올바른 전략을 세우기 위해 다른 모든 것을 추론해야 합니다.

리드 호프먼:

게임 측면의 일부는 – '호모 루덴스' 이론에 대해 들어보셨을 거라고 생각합니다.

데미스 하사비스:

네.

리드 호프먼:

우리가 게임 플레이어라는 거죠. 이것이 게임이 전략적이면서도 과학 가속화를 위한 프레임워크, 혁신의 세렌디피티를 위한 프레임워크라는 생각에 영향을 미치고 있습니까? 적합도 함수, 자가 대국의 진화, 플레이-스케일-컴퓨팅 능력 외에, 이러한 생각의 사고를 가능하게 하는 게임 플레이 본성의 더 깊은 요소가 있습니까?

데미스 하사비스:

음, 호모 루덴스를 언급해 주셔서 기쁩니다. 멋진 책이고 기본적으로 게임 플레이가 인간 존재의 근본적인 부분이라고 주장합니다. 그렇죠? 여러 면에서 놀이라는 행위, 그보다 더 인간적인 것이 있을까요? 그렇죠? 그리고 물론 그것은 창의성, 재미로 이어집니다. 아시다시피, 이 모든 것들이 그 위에 구축됩니다. 그래서 저는 항상 실제 생활에서는 몇 번밖에 겪지 못할 수도 있지만, 보통 매우 중요한 상황에서 자신의 마음을 연습하고 훈련하는 방법으로 그것들을 좋아했습니다. 어떤 회사를 시작할지, 어떤 거래를 할지 같은 것들입니다. 그래서 저는 게임이 그러한 시나리오를 연습하는 방법이라고 생각합니다.

데미스 하사비스:

그리고 앞서 말했듯이, 그래서 저는 체스가 아이들이 배우기에 훌륭한 훈련장이라고 생각합니다. 왜냐하면 그것은 그들에게 이러한 모든 상황에 대해 가르쳐주기 때문입니다. 그래서 물론 AI 시스템에도 마찬가지입니다. 그것은 우리의 초기 AI 시스템 아이디어를 위한 완벽한 시험장이었습니다. 부분적으로는 인간이 플레이하기에 도전적이고 재미있도록 발명되었기 때문입니다. 그리고 물론 다양한 수준의 게임 플레이가 있습니다. 그래서 우리는 아타리 게임과 같은 매우 간단한 게임부터 시작해서 스타크래프트와 같은 가장 복잡한 컴퓨터 게임까지 올라갈 수 있었습니다. 그렇죠? 그리고 계속해서 우리 시스템에 도전했습니다. 그래서 우리는 S-커브의 최적 지점에 있었습니다. 너무 쉬워서 사소하거나, 너무 어려워서 진전이 있는지조차 알 수 없는 것이 아닙니다.

데미스 하사비스:

거의 기하급수적인 진전을 이루는 S-커브의 최대 부분에 있고 싶습니다. 그리고 우리 시스템이 개선됨에 따라 점점 더 어려운 게임을 계속 선택할 수 있었습니다. 그리고 게임의 또 다른 좋은 특징은 실제 세계의 일종의 축소판이기 때문에 보통 매우 명확한 목적 함수로 요약된다는 것입니다. 그렇죠? 게임에서 이기거나 점수를 최대화하는 것이 보통 게임의 목표입니다. 그리고 그것은 강화 학습 시스템이나 에이전트 기반 시스템에 지정하기 매우 쉽습니다. 그래서 그것에 맞춰 언덕 오르기를 하기에 완벽합니다. 그렇죠? 그리고 Elo 점수, 등급, 그리고 당신이 정확히 어디에 있는지 측정합니다. 그리고 마지막으로, 물론 최고의 인간 플레이어와 비교하여 자신을 보정할 수 있습니다. 그래서 당신의 에이전트들이 자체 토너먼트에서 무엇을 하고 있는지 보정할 수 있습니다.

데미스 하사비스:

결국, 스타크래프트 에이전트조차도 결국에는 프로 스타크래프트 그랜드마스터에게 도전해야 했습니다. 우리 시스템이 자체 토너먼트 전략에 어떻게든 과적합되지 않았는지 확인하기 위해서였습니다. 그렇죠? 그것은 실제로 진짜 인간 그랜드마스터 스타크래프트 플레이어가 될 수 있어야 한다는 것을 바탕으로 했습니다. 마지막으로, 물론 게임을 통해 원하는 만큼 합성 데이터를 생성할 수도 있습니다. 이는 현재 데이터 제한, 대규모 언어 모델, 세상에 남은 토큰 수, 세상의 모든 것을 읽었는지 등에 대해 다시 유행하고 있습니다. 분명히 게임과 같은 것들에 대해서는 실제로 시스템을 자체적으로 플레이시켜 올바른 분포에서 훨씬 더 많은 데이터를 생성할 수 있습니다.

아리아 핑거:

그 점에 대해 잠시 더 자세히 설명해주시겠어요? 말씀하신 것처럼, 데이터가 부족해지고 있는지, 합성 데이터가 필요한지에 대해 이야기하는 것이 유행입니다. 그 문제에 대해 어떻게 생각하시나요?

데미스 하사비스:

저는 항상 시뮬레이션, 그리고 시뮬레이션과 AI의 강력한 지지자였습니다. 그리고 실제 세계가 계산 시스템 측면에서 무엇인지 생각하는 것도 흥미롭습니다. 그래서 저는 항상 사물의 매우 현실적인 시뮬레이션을 구축하는 데 관여해 왔습니다. 그리고 이제 물론 그것은 AI와 상호 작용합니다. 왜냐하면 어떤 실제 세계 시스템을 관찰하거나 그 시스템의 모든 데이터를 통해 그 시스템의 시뮬레이터를 학습하는 AI를 가질 수 있기 때문입니다. 그래서 저는 현재의 논쟁은 이제 거의 전체 인터넷을 사용하는 이러한 대규모 파운데이션 모델과 관련이 있다고 생각합니다. 그렇죠? 그래서 그것들로부터 배우려고 시도한 후에는 무엇이 남을까요? 그렇죠? 그것이 세상에 있는 모든 언어입니다. 물론 비디오나 오디오와 같은 다른 양식도 있습니다.

데미스 하사비스:

저는 우리가 그러한 종류의 멀티모달 토큰을 모두 소진했다고 생각하지는 않지만, 그것조차도 어떤 한계에 도달할 것입니다. 그러면 문제는 합성 데이터를 생성할 수 있는가 하는 것입니다. 그리고 저는 그것이 수학과 코딩에서 상당한 진전이 보이는 이유라고 생각합니다. 왜냐하면 그러한 영역에서는 합성 데이터를 생성하기가 매우 쉽기 때문입니다. 왜냐하면 합성 데이터의 문제는 당신이 올바른 분포, 실제 분포에서 데이터를 생성하고 있는가 하는 것이기 때문입니다. 그렇죠? 그것이 실제 분포를 모방하는가? 그리고 또한 올바른 데이터를 생성하고 있는가 하는 것입니다. 그렇죠? 그리고 물론 수학, 코딩, 그리고 놀이(게임과 같은 것들)와 같은 것들에 대해서는 실제로 최종 데이터를 테스트하고 그것이 올바른지 확인한 다음, 새로운 시스템을 위한 훈련 데이터의 입력으로 제공할 수 있습니다. 그래서 특정 영역에 매우 적합합니다. 사실, 증명하고 그것이 올바르다는 것을 증명할 수 있는 인간 사고의 더 추상적인 영역이 그렇다는 것이 밝혀졌습니다. 따라서 이는 많은 합성 데이터를 생성할 수 있는 능력을 열어줍니다.

리드 호프먼:

데이터를 어떻게 더 많이 얻을 수 있는지에 대한 빈번한 논의 외에도, 질문 중 하나는 AI를 수행하기 위해 실제로 세상에 내장되는 것이 중요한가 하는 것입니다.

데미스 하사비스:

네. 음, 흥미롭게도, 만약 우리가 5년 전, 또는 확실히 10년 전에 이것에 대해 이야기했다면, 저는 로봇 공학을 통한 어떤 실제 세계 경험이 필요하다고 말했을 것입니다. 보통 우리가 체화된 지능에 대해 이야기할 때 로봇 공학을 의미하지만, 그것은 또한 매우 정확한 시뮬레이터일 수도 있습니다. 그렇죠? 일종의 초현실적인 게임 환경처럼요. 주변 세계의 물리학, 예를 들어, 그리고 주변의 물리적 맥락을 완전히 이해하기 위해서입니다. 그리고 실제로 이것에 기반한 신경과학의 한 분야 전체가 있습니다. 그것은 '지각 속의 행동'이라고 불립니다. 이것은 실제로 세상에서 행동할 수 없다면 세상을 완전히 지각할 수 없다는 생각입니다. 예를 들어, 물건을 집어 들고 서로 비교할 수 없다면, 어떻게 무게라는 개념을 정말로 이해할 수 있을까요? 그리고 나서 무게라는 개념을 얻게 됩니다. 단지 사물을 보는 것만으로 그 개념을 정말로 얻을 수 있을까요?

데미스 하사비스:

어려워 보입니다. 그렇죠? 확실히 인간에게는요. 저는 세상에서 행동해야 한다고 생각합니다. 이것이 세상에서 행동하는 것이 학습의 일부라는 생각입니다. 당신은 일종의 능동적 학습자와 같습니다. 그리고 사실, 강화 학습은 그렇습니다. 왜냐하면 당신이 내리는 결정이 새로운 경험을 제공하지만, 그 경험은 당신이 취한 행동에 달려있고, 또한 그것들은 당신이 이후에 배울 경험이기 때문입니다. 그래서 어떤 의미에서 강화 학습 시스템은 자신의 학습 과정에 관여합니다. 그렇죠? 왜냐하면 그들은 능동적 학습자이기 때문입니다. 그리고 저는 물리적 세계에서도 그것이 필요하다고 좋은 주장을 할 수 있다고 생각합니다. 이제, 밝혀진 바에 따르면, 저는 더 이상 그것을 믿는지 확신하지 못합니다. 왜냐하면 이제 우리 시스템, 특히 우리 비디오 모델로 인해 그렇습니다. 만약 당신이 우리의 최신 비디오 모델인 Veo 2를 보셨다면, 완전히 최첨단인데, 작년 말에 출시했습니다. 그리고 그것은 저조차도 충격을 주었습니다. 우리가 이 것을 만들고 있음에도 불구하고, 기본적으로 많은 유튜브 비디오를 봄으로써 세상의 물리학을 알아낼 수 있다는 것입니다.

데미스 하사비스:

어떤 의미에서는 비디오 모델의 재미있는 튜링 테스트 같은 것이 있습니다. 토마토를 자를 수 있는가? 손가락과 모든 것이 올바른 위치에 있는 상태에서 칼이 토마토를 자르는 비디오를 보여줄 수 있는가? 그리고 토마토가 마법처럼 다시 합쳐지거나 칼이 자르지 않고 토마토를 통과하지 않는가? 등등. 그리고 Veo는 그것을 할 수 있습니다. 그리고 일관성을 유지해야 하는 물리학의 복잡성을 생각해보면. 꽤 놀랍습니다. 그것이 물리학과 세상의 물리학에 대해 무언가를 이해하지 못한다고 주장하기 어렵습니다. 그리고 그것은 세상에서 행동하지 않고 해냈습니다. 그리고 확실히 세상에서 로봇으로 행동하지 않았습니다.

데미스 하사비스:

그래서, 이제 단지 수동적인 지각만으로는 한계가 있는지 저에게는 명확하지 않습니다. 이제, 흥미로운 점은 이것이 응용으로서의 체화된 지능인 로봇에 큰 영향을 미친다고 생각한다는 것입니다. 왜냐하면 우리가 구축한 종류의 모델들—제미나이, 그리고 이제 Veo, 그리고 우리는 미래의 어느 시점에 이것들을 함께 결합할 것입니다—우리는 항상 우리의 파운데이션 모델인 제미나이를 처음부터 멀티모달로 구축했습니다. 그리고 우리가 그렇게 한 이유는—그리고 우리는 여전히 모든 멀티모달 벤치마크에서 선두를 달리고 있습니다—두 가지 이유 때문입니다. 하나는 우리가 범용 디지털 비서라는 아이디어를 위한 비전을 가지고 있다는 것입니다. 당신과 함께 다니는 비서인데, 디지털 기기뿐만 아니라 실제 세계에서도, 아마도 당신의 전화기나 안경 장치에 있을 것입니다. 그리고 실제로 실제 세계에서 당신을 돕습니다—당신에게 물건을 추천하고, 주변을 탐색하는 것을 돕고, 요리와 같은 세상의 물리적인 것들을 돕습니다. 그런 것들입니다.

데미스 하사비스:

그리고 그것이 작동하려면, 당신은 분명히 당신이 있는 맥락을 이해해야 합니다. 그것은 단지 내가 챗봇에 입력하는 언어가 아닙니다. 당신은 실제로 내가 살고 있는 3D 세계를 이해해야 합니다. 그렇죠? 저는 정말 좋은 비서가 되려면 그것을 해야 한다고 생각합니다. 하지만 두 번째는, 물론 그것이 로봇 공학에도 정확히 필요한 것이라는 점입니다. 그리고 우리는 첫 번째 대규모 제미나이 로봇 공학 연구를 발표했는데—약간의 파장을 일으켰습니다—그리고 그것은 우리가 이 멀티모달 모델로 무엇을 할 수 있는지 보여주는 시작입니다. 이 모델들은 세상의 물리학을 이해하고, 로봇이 해야 하는 행동, 모터 행동, 계획과 관련된 약간의 로봇 공학 미세 조정을 더했습니다. 그리고 그것이 작동할 것처럼 보입니다. 그래서 실제로 이제, 저는 이러한 일반 모델들이 실제로 너무 많은 추가적인 특수 처리나 추가 데이터, 또는 추가적인 노력 없이 체화된 로봇 공학 환경으로 이전될 것이라고 생각합니다. 이는 아마도 대부분의 사람들, 심지어 최고의 로봇 공학자들조차 5년 전에는 예측하지 못했을 것입니다.

아리아 핑거:

정말 대단하네요 [웃음]. 벤치마크와 우리가 이러한 디지털 비서에게 무엇을 요구할지에 대해 생각해보면요. 이러한 대규모 AI 모델의 내부를 들여다보면, 긴장 관계라고 말하는 사람들도 있습니다. 즉, 사고 시간 대 출력 품질이라는 트레이드오프입니다. 우리는 그것들이 빠르기를 원하지만, 물론 정확하기를 원합니다. 그래서 그 트레이드오프는 무엇이며 현재 세상에서 어떻게 진행되고 있는지 말씀해 주세요.

데미스 하사비스:

음, 우리는 사고 시스템 분야 전체를 개척했습니다. 왜냐하면 그것이 우리의 원래 게임 시스템이 모두 했던 일이기 때문입니다. 그렇죠? 바둑, 알파고. 하지만 실제로는 어떤 2인용 게임이든 플레이할 수 있었던 우리의 후속 시스템인 알파제로가 가장 유명합니다. 그리고 거기서는 항상 시간 예산, 컴퓨팅 예산을 고려해야 합니다. 계획 부분을 실제로 해야 합니다. 그렇죠? 모델은 오늘날 우리의 파운데이션 모델처럼 미리 훈련할 수 있습니다. 그래서 오프라인에서 수백만 개의 게임을 플레이하고, 체스 모델이나 바둑 모델, 무엇이든 가질 수 있습니다. 하지만 테스트 시, 런타임 시에는 수를 생각할 시간이 1분밖에 없습니다. 그렇죠? 1분 곱하기 실행 중인 컴퓨터 수입니다. 그래서 여전히 제한된 컴퓨팅 예산입니다.

데미스 하사비스:

그래서 오늘날 매우 흥미로운 것은 더 비싸고 더 큰 기본 모델, 파운데이션 모델을 사용하는 것 사이의 트레이드오프입니다. 그렇죠? 우리 경우에는 제미나이 플래시, 프로, 또는 훨씬 더 큰 울트라와 같은 다양한 크기 이름이 있습니다. 하지만 이러한 모델은 실행 비용이 더 많이 들고, 실행 시간이 더 오래 걸리지만, 더 정확하고 더 능력이 있습니다. 그래서 더 큰 모델을 더 짧은 계획 단계 수로 실행하거나, 매우 효율적이고 약간 덜 강력한 더 작은 모델을 실행하지만, 훨씬 더 많은 단계로 실행할 수 있습니다. 그렇죠? 그리고 실제로, 현재 우리가 발견하고 있는 것은, 그것이 대략적으로 거의 같다는 것입니다. 하지만 물론 우리가 찾고 싶은 것은 그것의 파레토 최적 경계입니다. 그렇죠? 모델의 크기와 해당 모델 실행 비용 대 원하는 사고 시간 및 컴퓨팅 시간 단위당 수행할 수 있는 사고 단계 수의 정확한 트레이드오프입니다. 그리고 저는 그것이 실제로 현재 상당히 최첨단 연구라고 생각하며, 모든 주요 연구소들이 아마도 실험하고 있을 것입니다. 그리고 저는 아직 그것에 대한 명확한 답이 없다고 생각합니다.

리드 호프먼:

모든 주요 연구소들—딥마인드, 다른 곳들—모두 코딩 보조 도구에 집중적으로 작업하고 있습니다. 여기에는 여러 가지 이유가 있습니다. A부터 시작해서, 전체 전선에서 생산성을 가속화하는 것 중 하나입니다. 좋은 적합도 함수를 가지고 있습니다. 또한 물론, 모든 사람이 생산성을 향상시키는 방법 중 하나는 소프트웨어 코파일럿 에이전트를 두어 돕는 것입니다. 이유가 정말 많습니다. 이제, 여기서 흥미로워지는 것 중 하나는 이것들을 구축하면서 명백히 인간을 위해 설계된 이러한 컴퓨터 언어들로 시작하는 경향이 있다는 것입니다. AI나 에이전트 세계를 위해 설계되거나, 인간과 AI의 이 하이브리드 프로세스를 위해 설계될 컴퓨터 언어는 무엇일까요? 그러한 컴퓨터 언어를 살펴보기 시작하는 것이 좋은 세상일까요? 그것이 우리의 계산 이론, 언어학 등을 어떻게 바꿀까요?

데미스 하사비스:

저는 코딩에서 매우 흥미로운 새로운 시대로 접어들고 있다고 생각합니다. 그리고 말씀하신 것처럼, 모든 주요 연구소들이 여러 가지 이유로 이 분야를 밀어붙이고 있습니다. 합성 데이터를 만들기 쉽다는 것이 모든 사람이 이 벡터를 밀어붙이는 또 다른 이유입니다. 그리고 저는 우리가 기본적으로 자연어로 코딩하는, 때로는 '분위기 코딩(vibe coding)'이라고 불리는 세상으로 나아갈 것이라고 생각합니다. 그렇죠? 그리고 우리는 컴퓨터에서 이전에 이것을 보았습니다. 그렇죠? 제가 80년대에 처음 프로그래밍을 시작했을 때 우리는 어셈블러를 하고 있었습니다. 그리고 물론, 지금은 미친 것처럼 보입니다. 왜 기계 코드를 하겠습니까? C로 시작하고, 파이썬 등이 나옵니다.

데미스 하사비스:

그리고 실제로, 프로그래밍 언어의 추상화 스택을 점점 더 높이 올라가고, 하위 수준의 구현 세부 사항을 점점 더 컴파일러에게 맡기는 자연스러운 진화로 볼 수 있습니다. 그리고 이제 이것을 자연스러운 최종 단계로 볼 수 있습니다. "글쎄, 우리는 그냥 자연어를 사용한다." 그리고 모든 것이 높은 수준의 프로그래밍, 초고수준 프로그래밍 언어입니다. 그리고 저는 결국 그것이 우리가 도달할 수 있는 것이라고 생각합니다. 그리고 거기서 흥미로운 점은, 물론 그것이 완전히 새로운 범위의 사람들, 창의적인 사람들, 그렇죠? 디자이너, 게임 디자이너, 앱 작성자들이 일반적으로 프로그래머 팀의 도움 없이는 자신의 아이디어를 구현할 수 없었던 사람들에게 코딩을 접근 가능하게 만들 것이라는 점입니다.

데미스 하사비스:

그래서 저는 창의적인 관점에서 그것이 꽤 흥미로울 것이라고 생각합니다. 하지만 앞으로 몇 년 동안은 코더들에게도 매우 좋을 수 있습니다. 왜냐하면 저는, 그리고 저는 일반적으로 이러한 AI 도구에 대해 그렇게 생각합니다. 처음에는 이 도구들로부터 가장 많은 이점을 얻을 사람들은 그 분야의 전문가들일 것이고, 그들은 또한 이 도구들을 정확히 올바른 방식으로 사용하는 방법을 알고 있을 것입니다. 그것이 프롬프팅이든 기존 코드 베이스와의 인터페이스이든 말입니다. 영화 제작자, 게임 디자이너 또는 코더와 같은 현재 전문가들이 이러한 새로운 도구를 받아들이는 이 과도기가 있을 것입니다. 그들은 자신이 할 수 있는 일의 측면에서 초인간적일 것입니다. 그리고 저는 제 영화 감독 및 영화 디자이너 친구들 중 일부에서 그것을 봅니다. 그들은 예를 들어 새로운 영화 아이디어를 위한 피치 덱을 하루 만에 혼자서 만들 수 있습니다. 하지만 그것은 그들이 천만 달러 예산을 위해 피칭할 수 있는 매우 높은 품질의 피치 덱입니다.

데미스 하사비스:

그리고 보통 그들은 그 피치 덱에 도달하기 위해 수만 달러를 써야 했을 것이고, 이는 그들에게 큰 위험입니다. 저는 완전히 새로운 놀라운 기회 세트가 있을 것이라고 생각합니다. 그리고 창의적인 예술을 생각할 때, 새로운 작업 방식이 있을지 여부에 대한 질문이 있습니다. 훨씬 더 유동적입니다. 어도비 포토샵 같은 것을 하는 대신, 이 유동적이고 반응적인 도구와 함께 이 것을 공동 창작하는 것입니다. 그리고 그것은 인터페이스와 함께 마이너리티 리포트처럼 느껴질 수 있고, 이 것이 빙빙 돌고 있지만, 최대한 활용하기 위해서는 사람들이 매우 새로운 워크플로우에 익숙해져야 할 것입니다. 하지만 저는 그들이 그렇게 할 때 아마도 그 사람들에게는 놀라울 것이라고 생각합니다. 그들은 10배 더 생산적일 것입니다.

아리아 핑거:

그래서 아까 실제 세계의 로봇과 함께 이야기했던 멀티모달의 세계로 돌아가고 싶습니다. 현재 대부분의 AI는 실시간으로 멀티모달일 필요가 없습니다. 왜냐하면 인터넷은 멀티모달이 아니기 때문입니다. 그리고 청취자분들을 위해 설명하자면, 이는 음성, 텍스트, 시각 등 여러 유형의 입력을 한 번에 흡수하는 것을 의미합니다. 그래서 진정한 실시간 멀티모달 AI의 이점이 무엇이라고 생각하는지, 그리고 그 지점에 도달하기 위한 과제는 무엇인지 더 깊이 파고들어 주시겠어요?

데미스 하사비스:

저는 우선, 우리가 멀티모달 세계에 살고 있다고 생각합니다. 그렇죠? 그리고 우리는 다섯 가지 감각을 가지고 있고 그것이 우리를 인간으로 만듭니다. 그래서 만약 우리 시스템이 훌륭한 도구나 환상적인 조수가 되기를 원한다면, 저는 결국에는 우리가 살고 있는 공간적, 시간적 세계를 이해해야 할 것이라고 생각합니다. 단지 우리의 언어적, 수학적 세계만이 아닙니다. 그렇죠? 추상적 사고 세계. 저는 그들이 실제 세계에서 행동하고, 계획하고, 사물을 처리하고, 실제 세계를 이해할 수 있어야 한다고 생각합니다. 로봇 공학의 잠재력은 거대하다고 생각합니다. 아직 과학과 언어에서 ChatGPT나 알파폴드 순간, 그렇죠? 또는 알파고 순간을 맞이하지 못했다고 생각합니다. 저는 그것이 올 것이라고 생각합니다. 하지만 우리는 가깝다고 생각하고, 이전에 이야기했듯이, 그것이 일어나기 위해서는—제가 지금 보는 가장 짧은 경로는—이러한 일반 멀티모달 모델이 결국 충분히 좋아지고, 아마도 우리는 그것으로부터 그리 멀지 않았을 것입니다. 로봇에 설치하는 것입니다. 아마도 카메라가 달린 인간형 로봇에요.

데미스 하사비스:

이제 추가적인 과제가 있습니다. 충분히 빠른 지연 시간을 갖기 위해 로컬 칩, 아마도 로컬 칩에 맞춰야 합니다. 하지만 우리 모두 알다시피, 몇 년만 기다리면 오늘날 최첨단인 시스템들이 내일 작은 모바일 칩에 들어갈 것입니다. 그래서 저는 멀티모달이 그 관점에서 매우 흥미롭다고 생각합니다—로봇 공학, 보조 장치, 그리고 마지막으로, 창의성 측면에서도 그렇다고 생각합니다. 우리는 세계 최초의 모델—제미나이 2.0, 지금 AI 스튜디오에서 시도해 볼 수 있습니다—네이티브 이미지 생성을 허용하는 모델입니다. 별도의 프로그램, 별도의 모델—우리 경우에는 별도로 시도해 볼 수 있는 Imagen 3—을 호출하는 것이 아니라, 실제로 제미나이 자체가 이미지의 채팅 흐름에서 네이티브하게 나타납니다.

데미스 하사비스:

그리고 저는 사람들이 그것을 사용하는 것을 정말로 즐기고 있는 것 같습니다. 그래서 당신은 이제 멀티모달 챗봇과 이야기하고 있습니다. 그렇죠? 그래서 그림으로 감정을 표현하게 하거나, 그림을 주고 수정하라고 말한 다음, 단어 설명으로 계속 작업할 수 있습니다. 아시다시피, "저 배경을 제거해 줄 수 있나요? 이걸 해 줄 수 있나요?" 그래서 이것은 우리가 프로그래밍이나 새로운 워크플로우에서의 이러한 창의적인 것들에 대해 이전에 말했던 것으로 돌아갑니다. 저는 우리가 이 새로운 제미나이 2 실험 모델을 시도해 보면 이미지 생성에서 그것이 어떻게 보일지에 대한 단서를 보고 있다고 생각합니다. 그리고 그것은 시작일 뿐입니다. 물론 비디오, 코딩, 그리고 온갖 종류의 것들과 함께 작동할 것입니다.

리드 호프먼:

실제 세계, 멀티모달의 영역에서, 사람들이 자주 추측하는 것 중 하나는 AI 작업의 지리적 위치입니다. 그리고 분명히 미국에서는 서부 해안에서 일어나는 모든 일을 집중적으로 추적합니다. 우리는 또한 딥마인드를 집중적으로 추적합니다. 그리고 다소 덜하지만, 미스트랄 등 다른 곳들도요. 유럽에서 나오는 것에 대해 세상이 이해해야 할 핵심적인 것들은 무엇인가요? 서부 해안 내뿐만 아니라 런던의 딥마인드, 파리의 미스트랄 등 여러 주요 혁신 및 발명 센터가 있다는 것의 이점은 무엇인가요? 특히 영국과 유럽 AI 생태계 내에서 사람들이 주목해야 할 중요성과 무슨 일이 일어나고 있는지에 대한 몇 가지 사항은 무엇인가요?

데미스 하사비스:

우리는 여러 가지 이유로 런던에서 딥마인드를 시작했고 여전히 본사를 여기에 두고 있습니다. 제 말은, 이곳은 제가 자란 곳이고, 제가 아는 곳이며, 제가 가진 모든 인맥이 있던 곳입니다. 하지만 경쟁적인 이유는 영국과 유럽의 대학에서 나오는 인재가 미국의 최고 대학들과 동등하다고 느꼈기 때문입니다. 아시다시피, 제 모교인 케임브리지와 옥스퍼드는 MIT, 하버드, 아이비리그와 함께 있습니다. 그렇죠? 그들은 항상 세계 대학 순위에서 상위 10위 안에 함께 있습니다. 하지만 만약—이것은 확실히 2010년에는 사실이었습니다—케임브리지에서 물리학 박사 학위를 받고 도시의 헤지 펀드에서 금융 분야에서 일하고 싶지 않지만, 영국에 머물면서 지적으로 도전받고 싶다면, 선택지가 그다지 많지 않았습니다. 그렇죠?

데미스 하사비스:

딥테크 스타트업이 그다지 많지 않았습니다. 그래서 우리는 그것이 가능하다는 것을 증명한 최초의 회사였습니다. 그리고 실제로 우리는 유럽 전체에 큰 매력이었습니다. 그래서 우리는 뮌헨, 스위스 등의 기술 대학에서 최고의 인재들을 얻었습니다. 그리고 오랫동안 그것은 큰 경쟁 우위였습니다. 또한 여기 급여가 서부 해안보다 저렴했습니다. 그리고 기존의 거대 기업들과 경쟁하지 않았습니다. 그렇죠? 그리고 또한 그것은 도움이 되었습니다. 제가 그렇게 하기로 선택한 또 다른 이유는 AGI—처음부터 우리의 계획이었던, 지능을 해결하고 그것을 사용하여 다른 모든 것을 해결하는 것, 그것이 우리가 우리의 미션 선언문을 명확히 밝힌 방식이고, 저는 여전히 그 프레임워크를 좋아합니다—가 20년짜리 임무라는 것을 알았기 때문입니다.

데미스 하사비스:

그리고 만약 당신이 20년짜리 임무를 수행 중이라면—그리고 우리는 이제 15년 차에 접어들었고, 믿을 수 없게도 우리는 궤도에 올라 있는 것 같습니다. 그렇죠? 어떤 20년짜리 임무에 대해서도 이상한 일입니다. 하지만 깊은 기술, 깊은 과학적 임무에서 도중에 너무 산만해지고 싶지 않다면. 그래서 제가 실리콘 밸리에서 발견하는 문제 중 하나는—물론 많은 이점, 인맥, 지원 시스템, 자금 지원, 놀라운 것들, 그리고 그곳의 인재 양, 인재 밀도—하지만 꽤 산만하다고 느낍니다. 모든 사람이 세상을 바꿀 것이라고 생각하는 스타트업을 하려고 하지만, 그것은 단지 사진 앱 같은 것입니다. 그리고 카페는 이것으로 가득 차 있습니다. 물론, 그것은 몇 가지 훌륭한 것으로 이어지지만, 가장 중요하다고 생각하는 장기적인 임무에 실제로 전념하고 싶다면 많은 소음이기도 합니다.

데미스 하사비스:

그리고 당신과 당신의 직원들이 너무 산만해지고 싶지 않고, "오, 하지만 내가 뛰어들어 이 게임 앱 같은 것을 빨리 만들면 1억 달러를 벌 수 있을지도 몰라!"라고 생각하지 않기를 바랍니다. 그렇죠? 그리고 저는 그것이 적어도 당시에는 밸리의 환경 같은 것이라고 생각합니다. 아마도 지금은 덜 사실일 수도 있습니다. 아마도 지금은 더 임무 중심적인 스타트업이 있을 것입니다. 하지만 저는 또한 그것이 다른 곳에서도 가능하다는 것을 증명하고 싶었습니다. 그리고 마지막으로 제가 그것이 중요하다고 생각하는 이유는 AI가 전 세계에 영향을 미칠 것이기 때문입니다. 그렇죠? 모든 산업에 영향을 미칠 것입니다. 모든 국가에 영향을 미칠 것입니다. 제 생각에는 역사상 가장 혁신적인 기술이 될 것입니다. 그래서 만약 그것이 사실이고 전기나 불과 같을 것이라면—인터넷이나 모바일보다 더 큰 영향을 미칠 것이라면—저는 전 세계가 그 설계에 참여하는 것이 중요하다고 생각합니다. 그리고 우리가 좋다고 생각하는 다른 가치 체계, 민주적 가치—서유럽, 미국—저는 그것이 단지 캘리포니아의 백 평방마일 지역만이 아니라는 것이 중요하다고 생각합니다. 그렇죠?

데미스 하사비스:

저는 실제로 지리적으로뿐만 아니라—그리고 리드, 당신도 이것에 동의한다는 것을 압니다—다른 주제들로부터 이러한 다른 의견들, 넓은 의견들을 얻는 것이 중요하다고 생각합니다. 철학, 사회과학자, 경제학자, 학계, 시민 사회. 단순히 기술 기업, 과학자들만이 아니라, 이것이 어떻게 구축되고 무엇을 위해 사용될지를 결정하는 데 관여해야 합니다. 그리고 저는 처음부터 그것을 매우 강하게 느껴왔습니다. 그리고 저는 혁신의 최상위 테이블에 일부 유럽의 참여와 일부 영국의 참여가 있다는 것이 좋은 일이라고 생각합니다.

아리아 핑거:

그래서, 데미스, 누군가가 저에게 "헤이 아리아, 네가 AI에 관심 있는 건 알겠는데, 내 이메일이나 써주는 거잖아? 왜 그렇게 특별해?"라고 물을 때 제가 항상 하는 말이 있어요. "아니, 의학에서 뭘 할 수 있는지 생각해봐." 저는 항상 알파폴드에 대해 이야기합니다. 리드가 무엇을 하고 있는지 알려줍니다. 저는 그 돌파구들에 대해 정말 기대가 큽니다. 알파폴드에서 중대한 돌파구를 마련하셨는데, 그것이 의학의 미래를 위해 무엇을 할 것인지 조금만 말씀해주실 수 있나요?

데미스 하사비스:

저는 항상 AI가 사용될 수 있는 가장 중요한 것들이 무엇인지 느껴왔습니다. 그렇죠? 그리고 저는 두 가지가 있다고 생각합니다. 하나는 인간 건강입니다—그것이 1순위입니다—끔찍한 질병을 해결하고 치료하려고 노력하는 것입니다. 그리고 두 번째는 에너지 지속 가능성, 기후—지구—행성의 건강을 돕는 것입니다. 그렇죠? 그래서 인간의 건강이 있고 행성의 건강이 있습니다. 그리고 이것들은 우리 과학 그룹에서 집중해 온 두 영역이며, 처음부터 얼마나 많이 추진했는지를 고려할 때 AI 연구소들 사이에서는 상당히 독특하다고 생각합니다. 그리고 특히 단백질 접힘은 저에게 표준이었습니다. 저는 30년 전 케임브리지 학부생 때 그것을 접했습니다. 그리고 그것은 항상 많은 가능성을 열어줄 환상적인 퍼즐로 저에게 남아 있었습니다.

데미스 하사비스:

아시다시피, 단백질의 구조. 생명의 모든 것은 단백질에 의존하며 우리는 그 기능을 알기 위해 구조를 이해해야 합니다. 그리고 만약 우리가 기능을 안다면, 질병에서 무엇이 잘못되는지 이해할 수 있고, 3차원 구조를 안다면 단백질 표면의 올바른 부분에 결합할 약물과 분자를 설계할 수 있습니다. 그래서 매혹적인 문제입니다. 그것은 또한 우리가 이전에 논의했던 모든 계산적인 것들로 이어집니다. 열거할 수 있습니까? 이 가능성의 숲을 통과할 수 있습니까? 아시다시피, 단백질이 접힐 수 있는 이 모든 다른 방법들. 어떤 사람들은 추정합니다—레빈탈은 1960년대에 매우 유명하게 추정했습니다—평균적인 단백질은 10의 300제곱 가지 가능한 방식으로 접힐 수 있습니다. 그렇죠? 어떻게 이 천문학적인 가능성들을 열거할 수 있을까요? 하지만 이 학습 시스템으로는 가능합니다.

데미스 하사비스:

그리고 그것이 우리가 알파폴드로 한 일입니다. 그리고 우리는 아이소모픽이라는 회사를 분사했습니다—그리고 리드도 그의 새 회사와 함께 이 분야에 매우 관심이 있다는 것을 압니다. 만약 우리가 단백질 구조를 발견하는 데 걸리는 시간을 줄일 수 있다면. 박사 과정 학생이 하나의 단백질 구조를 발견하는 데 전체 박사 과정—경험 법칙으로—이 걸렸습니다. 그래서 4~5년입니다. 그리고 과학에 알려진 단백질은 2억 개가 있습니다. 그리고 우리는 1년 만에 그 모든 것을 접었습니다. 그래서 우리는 1년 만에 10억 년 분량의 박사 과정 시간을 해낸 것입니다. 다른 방식으로 생각할 수 있습니다. 그리고 그것을 전 세계가 자유롭게 사용하도록 제공했습니다. 그리고 전 세계 2백만 명의 연구자들이 그것을 사용했습니다. 그리고 우리는 이제 더 하류로 나아가 필요한 약물을 개발하고 그 시간을 줄이기 위해 새로운 회사인 아이소모픽을 분사했습니다.

아리아 핑거:

정말 놀랍네요. 데미스, 사람들이 당신에게 노벨상을 주는 이유가 있습니다. 이 분야에서의 모든 노력에 대해 정말 감사합니다. 정말 놀랍습니다.

리드 호프먼:

이제 빠른 질문 시간입니다. 미래에 대한 낙관주의를 불러일으키는 영화, 노래 또는 책이 있나요?

데미스 하사비스:

저에게 큰 영감을 준 영화들이 많이 있습니다. 블레이드 러너 같은 것들이요. 아마 제가 가장 좋아하는 SF 영화일 겁니다. 하지만 그렇게 낙관적이지는 않을 수도 있습니다. 그래서 낙관적인 것을 원하신다면, 이언 뱅크스의 컬처 시리즈를 추천합니다. 저는 그것이 AI 이후의 우주를 가장 잘 묘사했다고 생각합니다. AI들이 있고, 기본적으로 AI, 인간, 그리고 실제로 외계 종족들의 사회가 있으며, 은하계 전역에서 최대한의 인간 번영이 있습니다. 그것은 인류를 위해 제가 바라는 놀랍고 설득력 있는 미래입니다.

아리아 핑거:

사람들이 당신에게 더 자주 물어봤으면 하는 질문은 무엇인가요?

데미스 하사비스:

제가 종종 사람들이 왜 더 많이 논의하지 않는지 궁금해하는 질문들은, 저를 포함해서, 현실의 정말 근본적인 속성들에 관한 것입니다. 이것들은 실제로 제가 어렸을 때 과학을 위한 이 궁극적인 도구를 돕기 위해 AI를 구축하는 것에 대해 생각하게 만들었습니다. 예를 들어, 저는 왜 사람들이 시간에 대해 더 걱정하지 않는지 이해하지 못합니다. 중력은 무엇인가? 기본적으로 항상 우리 눈앞에 있는 현실의 근본적인 구조입니다. 항상 우리에게 영향을 미치는 이 모든 매우 명백한 것들. 그리고 우리는 그것이 어떻게 작동하는지 전혀 모릅니다. 그리고 저는 왜 그것이 사람들을 더 괴롭히지 않는지 모르겠습니다 [웃음]. 저를 괴롭힙니다! 그리고 저는 사람들과 그러한 것들에 대해 더 많은 토론을 하고 싶습니다. 하지만, 실제로 대부분의 사람들은 그러한 주제를 피하는 것 같습니다.

리드 호프먼:

당신의 산업 밖에서 당신에게 영감을 주는 진전이나 모멘텀은 어디에서 보십니까?

데미스 하사비스:

어려운 질문이네요. 왜냐하면 AI는 너무 일반적이어서 거의 모든 것에 닿아 있기 때문입니다. 아시다시피, AI 산업 밖에 있는 산업이 무엇일까요? 많지 않을 것 같습니다. 아마도 양자 분야에서 진행 중인 진전이 흥미로울 것입니다. 저는 여전히 AI가 먼저 구축되고 나서 양자 시스템을 완성하는 데 도움이 될 것이라고 믿습니다. 하지만 저는 하르트무트 네벤과 같은 제 양자 친구들과 그들이 먼저 양자 시스템을 구축하고 그것이 AI를 가속화하는 데 도움이 될 것이라는 지속적인 내기를 하고 있습니다. 그래서 저는 항상 양자 컴퓨팅 시스템에서 진행 중인 발전에 대해 면밀히 주시하고 있습니다.

아리아 핑거:

마지막 질문입니다. 만약 모든 것이 인류에게 유리하게 풀린다면 향후 15년 동안 무엇이 가능할지에 대한 마지막 생각과, 그곳에 도달하기 위한 첫걸음은 무엇인지 남겨주시겠어요?

데미스 하사비스:

음, 제가 앞으로 10년, 15년 동안 바라는 것은 우리가 의학 분야에서 하고 있는 일이 정말로 새로운 돌파구를 마련하는 것입니다. 그리고 저는 아마도 다음 10년, 15년 안에 실제로 모든 질병을 해결하는 데 실질적인 도전을 할 수 있을 것이라고 생각합니다. 그렇죠? 그것이 아이소모픽의 미션입니다. 그리고 저는 알파폴드를 통해 제가 '디지털 속도의 과학'이라고 부르는 것을 할 수 있는 잠재력을 보여주었다고 생각합니다. 그리고 왜 그것이 약물 발견에도 적용될 수 없을까요? 그래서 제 희망은—10년, 15년 후에는—우리가 오늘날의 의학을 중세 시대와 우리가 당시 의학을 어떻게 했는지를 되돌아보는 것처럼 되돌아볼 것이라는 것입니다. 그리고 그것은 제가 생각하기에 AI로부터 상상할 수 있는 가장 놀라운 혜택이 될 것입니다.

리드 호프먼:

Possible은 Wonder Media Network에서 제작합니다. 아리아 핑거와 저, 리드 호프먼이 진행합니다. 쇼러너는 숀 영입니다. Possible은 케이티 샌더스, 이디 앨러드, 사라 슐리드, 바네사 핸디, 알리야 예이츠, 팔로마 모레노 히메네스, 멜리아 아구델로가 제작합니다. 제니 캐플란은 총괄 프로듀서 겸 편집자입니다.

아리아 핑거:

수리야 얄라만칠리, 사이다 사피에바, 타나시 딜로스, 이안 알라스, 그렉 비토, 파르스 파틸, 벤 렐스에게 특별히 감사드립니다. 그리고 레일라 하자즈, 앨리스 탈버트, 데니스 오우수-아프리이에게 큰 감사를 드립니다.