[한영자막] 꼭 봐야할 데미스 하사비스의 60분 AI 강연

한 줄 핵심

Demis Hassabis는 게임에서 출발한 탐색·학습 기법이 AlphaGo와 AlphaFold를 거쳐 과학·의학·약물개발을 가속하는 범용 도구가 되었고, 이제는 Gemini와 에이전트형 세계모델로 AGI와 안전한 AI 활용을 동시에 밀어붙여야 한다고 말한다.

시간별 요약

1. 0:00
   어린 시절 체스와 초기 컴퓨터 경험이 AI에 대한 관심의 출발점이었고, Cambridge에서의 학문적 자극과 Nobel Prize 경험이 연구 여정을 하나의 축으로 연결한다. AI를 단순한 기술이 아니라 사고와 발견의 본질을 탐구하는 도구로 바라보는 관점이 형성된다.
2. 5:01
   DeepMind의 시작은 AGI를 목표로 한 장기전이었고, 핵심 전략은 전문가 시스템이 아니라 학습 시스템이었다. 게임은 복잡한 탐색 문제와 명확한 목표, 충분한 데이터라는 조건을 갖춘 이상적인 실험장이었고, DQN과 AlphaGo, AlphaZero는 자가대국과 신경망 탐색으로 새로운 전략을 발견했다.
3. 16:00
   게임에서 얻은 방법론은 실제 문제로 확장될 수 있었고, 그 대표 사례가 단백질 접힘 문제였다. CASP에서 AlphaFold 1이 큰 도약을 만들었고 AlphaFold 2는 원자 수준 정확도에 도달해 문제 해결 선언을 이끌었으며, 200 million proteins를 공개 데이터베이스로 제공해 생물학 연구의 속도를 크게 바꿨다.
4. 29:02
   이제 초점은 단백질 구조 예측을 넘어 상호작용과 분자 설계로 옮겨가고 있다. AlphaFold 3와 AlphaProteo는 단백질-단백질, DNA, RNA, ligand 상호작용과 새로운 단백질 설계를 다루며, drug discovery를 years에서 months 또는 더 짧은 단위로 줄이려는 시도를 가능하게 한다.
5. 36:00
   VEO-2, Genie 2, SynthID, Gemini 2.0, Project Astra는 세계를 이해하는 multimodal 모델, 안전한 생성, 실세계 보조, 에이전트형 계획을 하나의 흐름으로 묶는다. 향후 핵심은 더 큰 모델이 아니라 세계모델 위에서 계획과 실행을 수행하는 AI로, robotics와 일상 보조, 게임 생성, 콘텐츠 진위 판별까지 연결된다.
6. 43:00
   AGI와 과학에 대한 결론은, 자연에는 학습 가능한 구조가 있고 classical Turing machines도 생각보다 훨씬 많은 것을 모델링할 수 있다는 낙관이다. 다만 기술 확산 속도가 빠른 만큼 move fast and break things가 아니라 scientific method, 안전장치, 사회적 합의가 함께 가야 한다는 메시지로 마무리된다.

실무 인사이트

• 복잡한 문제를 볼 때는 brute force 가능 여부보다, 탐색 공간·목표 함수·데이터/시뮬레이터가 있는지 먼저 판단하면 AI 적용 가능성을 빠르게 가를 수 있다.
• 생성형 AI를 제품이나 연구에 붙일 때는 단순 생성보다 상호작용·검증·안전장치까지 묶어 설계해야 실제 업무와 과학에 연결된다.
• 팀 차원에서는 AI를 외부 도구로 소비하기보다, 데이터·평가·워크플로를 재구성해 digital speed로 실험하는 구조로 바꾸는 것이 경쟁력을 만든다.