Skip to content

데미스 하사비스(Demis Hassabis)

세계를 문제로 바꾸는 지능

1. 인간은 왜 하사비스 같은 인물을 필요로 하게 되었는가

현대인은 너무 많은 문제 앞에 서 있다. 단백질은 접히고, 기후는 변하고, 질병은 변이를 거듭하며, 정보는 인간이 검토할 수 있는 속도를 넘어 증식한다. 문제는 단순히 우리가 모르는 것이 많다는 데 있지 않다. 더 정확히 말하면, 우리는 너무 많이 알지만 그것을 다룰 만한 형식을 충분히 갖고 있지 않다. 데이터는 쌓이고, 논문은 늘어나며, 관측 장비는 세계를 더 잘게 쪼갠다. 그러나 조각이 많아질수록 세계는 더 투명해지는 것이 아니라 더 다루기 어려운 덩어리가 된다. 이때 한 유형의 인물이 등장한다. 세계를 있는 그대로 경외하기보다, 그것을 계산 가능한 문제로 바꾸려는 인물이다.

데미스 하사비스(Demis Hassabis)는 바로 그런 인물이다. 그를 소개하는 가장 쉬운 방식은 이력의 표지를 나열하는 것이다. 그는 Google DeepMind의 공동창업자이자 최고경영자이고, AlphaGo를 통해 바둑의 상징적 권위를 흔든 인물이며, John Jumper와 함께 AlphaFold 개발 공로로 2024년 노벨 화학상을 공동 수상했다. 그러나 이런 소개는 정확하면서도 충분하지 않다. 하사비스의 중요성은 그가 AI 기업가로 성공했다는 사실에 있지 않다. 더 근본적으로 그는 지능을 제품이나 자동화 장치가 아니라, 세계를 다시 배열하는 방법으로 이해한 인물이다.

이 글에서 말하는 지능은 시험 점수, 언어 유창성, 인간다운 반응의 모방이 아니다. 지능은 불완전한 정보 속에서 세계의 구조를 모델링하고, 가능한 행동을 탐색하며, 실패에서 피드백을 얻고, 그 피드백을 다음 판단에 반영하는 능력이다. 이 정의는 지능을 단순 계산 능력으로 보는 관점과 다르다. 계산은 주어진 규칙 안에서 답을 산출할 수 있다. 그러나 지능은 어떤 규칙이 중요한지, 어떤 세계 모델을 세워야 하는지, 무엇을 보상으로 삼아야 하는지, 모델이 놓친 것은 무엇인지를 함께 다룬다. 하사비스의 생애는 이 넓은 의미의 지능을 게임, 뇌, 알고리즘, 생명과학, 약물 발견, AGI의 문제로 옮겨가는 과정이었다.

여기서 핵심 개념은 계산된 낙관이다. 이것은 단순히 조심스러운 낙관주의(cautious optimism)를 한국어로 옮긴 말이 아니다. 계산된 낙관이란 위험을 낙관 바깥에 밀어내지 않고, 위험·실패 비용·모델의 한계·데이터 권력·제도적 통제까지 낙관의 내부 변수로 포함시키는 태도다. 낙관이 “잘될 것이다”라는 정서라면, 계산된 낙관은 “잘되게 만들려면 무엇을 통제해야 하는가”라는 설계의 형식이다. 하사비스의 낙관은 세계를 단순화해 문제로 만드는 능력에서 나온다. 그러나 단순화는 언제나 삭제를 동반한다. 그래서 그의 낙관은 성공의 언어이면서 동시에 통제의 언어다.

이 글은 하사비스를 영웅으로 세우려는 글이 아니다. 오히려 그를 하나의 시대적 징후로 읽으려는 시도다. 그는 AI가 인간 문명의 가장 어려운 문제를 풀 수 있다는 믿음을 대표한다. 동시에 그는 그 믿음이 데이터, 권력, 안전, 제도적 책임의 문제를 불러올 수밖에 없다는 사실도 함께 드러낸다. 하사비스를 이해한다는 것은 결국 현대 AI의 가장 강한 약속과 가장 깊은 불안을 동시에 읽는 일이다.

2. 게임이라는 축소된 세계

앞 장에서 하사비스의 핵심이 세계를 계산 가능한 문제로 바꾸는 능력에 있다고 보았다면, 이제 그 능력이 처음 훈련된 장소를 보아야 한다. 그 장소는 연구소가 아니라 게임이었다. 하사비스는 어린 시절부터 체스에 몰두했고, 이후 비디오게임 개발자로 활동했다. Royal Society와 여러 공식 인물 소개는 그가 체스, 프로그래밍, 게임 디자인을 모두 거친 인물임을 강조한다. 그의 초기 경력에는 Bullfrog Productions, Lionhead Studios, Elixir Studios 같은 게임 개발 현장이 놓여 있다. 이 사실은 부수적 이력이 아니다. 그것은 하사비스식 지능관의 출발점이다.

게임은 현실보다 단순하다. 그러나 바로 그 단순성 때문에 지능을 관찰하기 좋다. 체스판은 작다. 말의 종류도 정해져 있고, 합법적 수의 범위도 닫혀 있으며, 승패의 조건도 분명하다. 그런데 그 작은 판 안에는 탐색, 예측, 희생, 장기 계획, 상대 모델링이 들어 있다. 비디오게임은 이 구조를 더 노골적으로 드러낸다. 게임 세계는 규칙으로 구성되고, 플레이어는 그 규칙을 완전히 알지 못한 채 행동하며, 행동의 결과는 점수나 상태 변화로 되돌아온다. 이 구조는 강화학습(reinforcement learning)의 도식과 닮아 있다. 에이전트(agent)는 환경(environment) 안에서 행동(action)을 선택하고, 보상(reward)과 상태 변화(state transition)를 통해 더 나은 정책(policy)을 학습한다.

하사비스에게 게임은 단순한 취미가 아니었다. 게임은 지능을 현실의 잡음에서 떼어내 관찰할 수 있게 하는 실험실이었다. 현실의 복잡한 문제는 너무 많은 이해관계와 불확실성을 포함한다. 반대로 게임은 문제를 닫힌 형식으로 압축한다. 목표가 있고, 규칙이 있으며, 실패해도 다시 시작할 수 있다. 이 축소된 세계 안에서 지능은 선명하게 보인다. 어떤 상태를 중요하게 볼 것인가, 어떤 미래를 예측할 것인가, 어느 시점에 손해를 감수할 것인가, 보이지 않는 상대의 계획을 어떻게 추정할 것인가. 게임은 현실보다 작지만, 지능의 구조를 농축한다.

그러나 바로 이 지점에서 비판이 시작되어야 한다. 게임은 세계를 잘 보여주는 동시에 세계를 삭제한다. 게임의 규칙은 닫혀 있고, 목표는 상대적으로 명확하며, 피드백은 빠르다. 현실의 의료, 정치, 교육, 기후, 노동 문제는 그렇지 않다. 거기에는 명확한 점수판이 없고, 모든 참가자가 같은 목표를 갖지도 않으며, 실패 비용은 플레이어의 점수가 아니라 실제 인간의 삶에 돌아간다. 세계를 게임처럼 볼 때 우리는 문제를 풀 수 있는 형태로 압축한다. 그러나 문제로 바뀌지 않는 것들은 주변부로 밀려난다.

이것이 하사비스의 강점이자 위험이다. 그는 세계를 풀 수 있는 문제로 바꾸는 데 탁월하다. 하지만 세계를 문제로 바꾸는 순간, 문제로 환원되지 않는 것들이 사라질 수 있다. 환자의 불안, 제도의 불평등, 데이터 제공자의 권리, 과학적 예측과 임상적 책임 사이의 간격은 게임판 위의 명확한 상태값이 아니다. 그럼에도 하사비스식 사고는 여기에서 출발한다. 현실 전체가 게임이라는 뜻이 아니다. 다만 현실의 일부를 게임처럼 구조화할 수 있을 때, 지능은 놀라운 속도로 작동하기 시작한다. 하사비스가 평생 반복한 작업은 바로 이 구조화였다.

3. 기억, 상상, 계획의 신경과학

게임이 지능을 외부 행동의 문제로 보여주었다면, 신경과학은 지능을 내부 모델의 문제로 바꾸었다. 앞 섹션에서 축소된 세계 안의 행동을 보았다면, 이제 그 행동을 가능하게 하는 마음의 장면을 보아야 한다. 하사비스는 University College London에서 Eleanor Maguire의 지도 아래 인지신경과학 박사과정을 밟았고, 일화기억(episodic memory), 상상, 미래 시뮬레이션의 신경 기반을 연구했다. 2007년 발표된 Hassabis, Kumaran, Vann, Maguire의 논문은 새로운 경험을 상상하는 능력과 일화기억 사이에 공통 과정이 있으며, 이를 장면 구성(scene construction)이라는 개념으로 설명했다.

이 지점은 하사비스의 AI관을 이해하는 데 중요하다. 기억은 과거를 저장한 창고가 아니다. 인간은 기억을 단순히 꺼내는 것이 아니라, 과거의 조각들을 현재의 요구에 맞게 재구성한다. 상상도 공허한 환상이 아니다. 인간은 아직 일어나지 않은 장면을 만들고, 그 안에서 가능한 행동을 미리 시험한다. 계획은 이런 기억과 상상의 결합 위에서 가능하다. 즉 지능은 현재 자극에 대한 반응이 아니라, 보이지 않는 장면을 내부에서 구성하고 조작하는 능력이다.

이 관점은 AI에 직접적인 함의를 갖는다. 단순한 반응 기계는 입력에 답할 수 있다. 그러나 아직 일어나지 않은 상황을 시뮬레이션하지 못한다면, 그것은 세계를 넓게 다루지 못한다. 더 일반적인 지능은 과거 경험을 압축하고, 가상의 미래를 생성하며, 그 미래 안에서 행동을 평가해야 한다. 인간의 뇌가 기억과 상상을 통해 가능한 세계를 구성한다면, 기계 지능도 어떤 방식으로든 세계 모델(world model)을 가져야 한다.

여기서 하사비스의 경력은 게임과 신경과학을 잇는다. 게임은 외부의 규칙 세계를 제공했고, 신경과학은 내부의 장면 구성 방식을 보여주었다. 전자는 지능이 행동을 통해 학습한다는 사실을, 후자는 지능이 보이지 않는 가능성을 구성한다는 사실을 드러낸다. DeepMind는 이 두 직관이 만나는 지점에서 출발했다. 지능은 단지 빠른 반응이 아니다. 지능은 가능한 세계를 만들고, 그 세계 안에서 행동을 실험하는 능력이다.

하지만 여기에도 환원의 위험이 있다. 인간의 기억과 상상을 AI 설계의 힌트로 삼는 일은 생산적이다. 그러나 인간 정신을 알고리즘적 구성물로만 읽는 순간, 기억의 정서적 두께와 경험의 사회적 맥락은 줄어든다. 인간은 장면을 구성할 뿐 아니라, 그 장면에 책임을 지고, 후회하고, 타인의 시선 속에서 자기 행위를 해석한다. 기계가 미래를 시뮬레이션한다고 해서 인간처럼 미래를 감당하는 것은 아니다. 이 차이를 지우지 않을 때, 신경과학은 AI의 재료가 아니라 AI의 한계를 함께 보여주는 거울이 된다.

4. DeepMind: 지능을 푸는 회사

앞 장에서 지능이 행동과 내부 모델의 결합이라는 점이 드러났다면, 이제 문제는 그런 지능을 제도적으로 어떻게 만들 것인가로 이동한다. 하사비스는 2010년 Shane Legg, Mustafa Suleyman과 함께 DeepMind를 창업했다. DeepMind의 유명한 목표는 “지능을 풀고, 그것을 이용해 다른 모든 것을 푼다”는 문장으로 요약된다. 이 문장은 과장되어 보이지만, 하사비스의 경력 전체를 관통하는 방향을 정확히 드러낸다. 그에게 지능은 특정 제품군이 아니라 모든 문제 해결의 상위 도구였다.

DeepMind는 일반적인 소프트웨어 회사와 달랐다. 그것은 제품을 먼저 만들고 시장을 찾는 회사라기보다, 학술 연구소와 스타트업과 계산 인프라가 결합한 형태에 가까웠다. 초기 DeepMind는 강화학습과 딥러닝을 결합해 게임 환경에서 스스로 학습하는 시스템을 연구했다. 2014년 Google이 DeepMind를 인수하면서 이 기관은 훨씬 큰 계산 자원과 조직적 기반을 얻게 되었다. 2023년에는 DeepMind와 Google Research의 Brain 팀이 합쳐져 Google DeepMind가 되었고, 하사비스는 이 통합 조직을 이끌게 되었다.

이 변화는 단순한 조직 개편이 아니다. 현대 AI 연구의 성격이 바뀌었다는 신호다. 과거의 AI 연구는 대학 연구실, 기업 연구소, 오픈소스 커뮤니티 사이에 비교적 넓게 분산되어 있었다. 그러나 frontier AI는 대규모 데이터, 막대한 계산 자원, 장기 연구 인력, 제품 배포 경로, 안전 검토 체계가 모두 결합되어야 하는 산업이 되었다. Google DeepMind는 이 결합의 대표적 형태다. 학술적 야망, 기술적 인프라, 기업 권력이 한 기관 안에 들어온 것이다.

이 장면에서 하사비스는 과학자, 창업자, 조직 설계자, 기업 임원이 동시에 된다. 이 복합성은 그를 매력적으로 만들지만, 동시에 평가를 어렵게 만든다. 그는 과학적 발견을 가속하려는 연구자다. 그러나 그 연구는 세계 최대 기술 기업 중 하나의 인프라 위에서 수행된다. 그는 인류 전체의 이익을 말한다. 그러나 그 이익을 실현하는 장치는 사기업의 연구 조직과 클라우드 인프라와 데이터 생태계에 묶여 있다. 여기서 영웅전의 관성은 멈추어야 한다.

DeepMind의 성공은 하사비스의 비전이 제도적 형태를 얻은 사건이다. 동시에 그것은 AI가 공공 연구만으로는 감당하기 어려운 규모의 기술이 되었음을 보여준다. 강력한 AI 연구에는 자원이 필요하다. 그러나 자원이 집중될수록 지능 연구의 방향도 소수 기업의 전략에 묶인다. 하사비스를 설명할 때 이 긴장을 지우면, 그는 단순한 천재 창업자가 된다. 하지만 실제로 그는 더 복잡하다. 그는 지능을 공공의 문제 해결 능력으로 상상하면서도, 그 지능을 사적 인프라 안에서 구현해야 하는 시대의 인물이다.

5. AlphaGo: 직관의 권위가 흔들린 자리

DeepMind가 지능을 푸는 회사를 자처했다면, AlphaGo는 그 문장이 대중에게 처음 설득력을 얻은 사건이었다. 앞 장에서 AI 연구가 거대 조직의 형태를 얻었다면, 이제 그 조직이 처음으로 인간의 상징적 자존심을 건드린 장면을 보아야 한다. 바둑은 오랫동안 AI가 정복하기 어려운 게임으로 여겨졌다. 가능한 수의 공간이 거대하고, 국면 평가는 체스보다 훨씬 미묘하며, 인간 고수들은 많은 판단을 명시적 계산보다 직관에 의존한다고 설명해왔다. Nature에 실린 AlphaGo 논문은 정책망(policy network), 가치망(value network), 몬테카를로 트리 탐색(Monte Carlo tree search)을 결합한 접근을 제시했다. 2016년 서울에서 AlphaGo는 이세돌(Lee Sedol)과의 다섯 번기에서 4대 1로 승리했다.

이 사건의 의미는 승패 자체보다 “직관의 권위”가 흔들렸다는 데 있다. 체스에서 컴퓨터가 인간을 이긴 일은 이미 1997년 Deep Blue와 Garry Kasparov의 대국으로 상징화되어 있었다. 그러나 바둑은 다르게 받아들여졌다. 바둑의 좋은 수는 단순 계산으로 환원하기 어렵고, 장기적 형세 감각과 미묘한 균형 판단을 요구한다고 여겨졌기 때문이다. AlphaGo가 이세돌과의 두 번째 대국에서 둔 37수는 이 충격을 압축한다. 당시 해설자와 프로 기사들은 그 수를 처음에는 이상하게 보았지만, 이후 그것이 장기적 국면에 맞는 수였음이 드러났다.

AlphaGo의 충격은 기계가 인간보다 빠르게 계산했다는 사실이 아니었다. 더 깊은 충격은 기계가 인간의 전통적 판단 공간 바깥에서 유효한 선택지를 제안했다는 데 있었다. 이것은 “기계는 인간이 이미 만든 규칙을 빠르게 적용할 뿐”이라는 통념을 약화시켰다. AlphaGo는 인간 기보를 학습했지만, 자기대국(self-play)을 통해 인간의 직관과 다른 가능성 공간을 탐색했다. 그 결과 인간은 기계에게 패배했을 뿐 아니라, 기계가 제안한 수를 다시 배우기 시작했다.

그러나 이 사건을 AGI의 예고편으로 과장해서는 안 된다. 바둑판은 닫힌 세계다. 규칙은 명확하고, 승패는 판정 가능하며, 모든 정보는 보드 위에 공개되어 있다. 현실의 의료, 정치, 교육, 기후 문제는 그렇지 않다. AlphaGo는 인간보다 일반적으로 지혜로운 존재가 아니었다. 그것은 잘 구조화된 세계에서 학습·탐색·평가가 결합할 때 기계가 얼마나 강력해질 수 있는지를 보여준 사례였다. 성공의 조건은 바로 닫힌 세계였다.

그래도 AlphaGo는 결정적이었다. 그것은 AI가 단순 자동화 도구가 아니라, 인간이 보지 못한 가능성의 공간을 탐색하는 장치로 보일 수 있음을 보여주었다. 이 점에서 AlphaGo는 하사비스식 세계관의 첫 번째 대중적 증명이다. 세계를 충분히 잘 구조화하면, 기계는 인간 직관을 모방하는 데 그치지 않고 인간 직관을 교란할 수 있다. 다만 그 교란이 현실에서 유익하려면, 우리는 먼저 그 현실이 바둑판처럼 닫혀 있지 않다는 사실을 잊지 말아야 한다.

6. AlphaFold: AI가 과학 발견의 방식이 되다

AlphaGo가 인간 직관의 권위를 흔든 사건이라면, AlphaFold는 AI가 과학 발견의 방식 자체가 될 수 있음을 보여준 사건이다. 앞 섹션의 바둑판이 닫힌 세계였다면, 이제 문제는 자연의 구조로 이동한다. AlphaFold는 단백질의 3차원 구조 예측이라는 생명과학의 오래된 난제에 AI를 적용했다. 2024년 노벨 화학상 발표에서 Nobel Prize는 Demis Hassabis와 John Jumper가 단백질의 복잡한 구조를 예측하는 50년 난제 해결에 기여한 AI 모델을 개발했다고 설명했다. 같은 상의 나머지 절반은 computational protein design에 기여한 David Baker에게 돌아갔다.

단백질은 아미노산 서열로 이루어지지만, 그 기능은 접힌 3차원 구조와 깊이 연결된다. 문제는 서열만 보고 구조를 예측하는 일이 매우 어렵다는 데 있었다. 실험적으로 구조를 밝히려면 X선 결정학, 극저온 전자현미경(cryo-EM), 핵자기공명(NMR) 같은 방법이 사용되지만, 시간과 비용이 크다. 2021년 Nature에 실린 AlphaFold 논문은 AlphaFold가 아미노산 서열과 상동 서열 정보를 바탕으로 단백질의 3차원 원자 좌표를 높은 정확도로 예측할 수 있음을 보여주었다. 특히 유사 구조가 없는 경우에도 강한 성능을 보였다는 점이 중요하게 평가되었다.

AlphaFold의 의미는 단순히 “AI가 단백질 구조를 잘 맞혔다”가 아니다. 더 중요한 것은 AI가 실험의 대체물이 아니라 실험의 방향을 바꾸는 도구가 되었다는 점이다. 연구자는 AlphaFold의 예측을 통해 가설을 세우고, 후보 구조를 좁히고, 실험 설계를 조정할 수 있다. 이것은 과학의 속도를 바꾸는 일이다. AlphaFold Protein Structure Database는 2억 개 이상의 단백질 구조 예측을 공개해 연구 접근성을 크게 넓혔다. Google DeepMind와 EMBL-EBI는 AlphaFold DB를 과학 연구를 가속하기 위한 공개 자원으로 제공한다고 설명한다.

하지만 여기에도 엄격한 구분이 필요하다. 예측은 발견의 전부가 아니다. AlphaFold가 제시하는 구조는 실험적으로 검증된 구조와 동일한 지위를 갖지 않는다. 또한 단백질의 정적 구조를 아는 것과 세포 안에서의 동역학, 상호작용, 조절, 질병 맥락을 이해하는 것은 다르다. 생명은 접힌 구조의 목록이 아니라, 시간 속에서 조절되고 교란되고 회복되는 과정이다. AlphaFold는 생물학을 끝낸 것이 아니라, 생물학 연구의 출발선을 앞으로 당겼다.

하사비스에게 AlphaFold는 자신의 오랜 논제가 가장 설득력 있게 드러난 사례다. 지능은 게임에서만 작동하지 않는다. 충분히 구조화된 문제, 충분한 데이터, 적절한 모델, 검증 가능한 목표가 결합하면, AI는 자연과학의 핵심 영역에서도 발견의 보조자가 될 수 있다. AlphaFold가 노벨 화학상으로 인정받은 것은 AI가 과학 바깥의 도구가 아니라 과학 내부의 방법으로 들어왔음을 상징한다. 그러나 이 상징은 동시에 질문을 남긴다. 과학이 점점 더 예측 모델에 의존하게 될 때, 우리는 무엇을 이해라고 부를 것인가. 모델이 맞힌 것과 인간이 이해한 것은 같은가. 하사비스의 성취는 바로 이 질문을 피할 수 없게 만든다.

7. Isomorphic Labs: 질병을 정보 문제로 바꾸려는 시도

AlphaFold가 구조 예측의 지형을 바꾸었다면, 다음 질문은 자연스럽다. 앞 섹션의 AlphaFold가 연구의 출발선을 앞당겼다면, 이제 그 예측을 질병 치료와 약물 발견으로 어떻게 연결할 수 있는가를 물어야 한다. 이 질문에 대한 하사비스의 제도적 답이 Isomorphic Labs다. Isomorphic Labs는 2021년 DeepMind에서 나온 AI 기반 약물 발견 회사로 출발했고, 하사비스는 Google DeepMind와 Isomorphic Labs 양쪽에서 핵심 역할을 맡고 있다.

Isomorphic Labs의 야망은 명백하다. 회사는 AlphaFold의 성취 위에서 약물 발견 과정을 재구성하려 한다. 공식 자료는 Isomorphic Labs가 AlphaFold의 성취 위에, 그리고 그 너머에 구축된다고 설명한다. 2024년에는 Eli Lilly, Novartis와 전략적 협업을 발표했고, 이 협업은 향후 성과 조건에 따라 거의 30억 달러 규모의 잠재 가치를 가질 수 있다고 회사는 밝혔다. 2025년에는 Novartis와의 협업 확대가 발표되었다. 이 사실들은 AI 기반 약물 발견이 단순한 연구 프로젝트를 넘어 산업적·임상적 기대를 받는 영역으로 이동했음을 보여준다.

그러나 이 장의 핵심은 낙관론이 아니다. Isomorphic Labs가 흥미로운 이유는 그것이 하사비스식 사고의 가장 대담한 확장이기 때문이다. 질병은 단순한 정보 문제가 아니다. 질병에는 유전자, 단백질, 세포, 조직, 생활환경, 사회경제적 조건, 임상시험, 규제, 보험, 의료 접근성이 모두 얽혀 있다. 그럼에도 약물 발견의 일정 부분은 분명 계산 가능한 문제로 바뀔 수 있다. 표적 단백질의 구조, 분자 결합, 후보 물질의 특성, 독성 가능성, 최적화 경로는 모델링의 대상이 된다.

여기서 하사비스의 세계관은 가장 선명해진다. 그는 복잡한 현실을 한 번에 모두 계산하려 하지 않는다. 대신 현실의 일부를 모델링 가능한 공간으로 바꾸고, 그 공간 안에서 탐색을 가속한다. 게임에서는 가능한 수를 탐색했고, AlphaFold에서는 가능한 구조를 예측했다. Isomorphic Labs에서는 가능한 약물 후보와 생물학적 상호작용의 공간을 탐색하려 한다. 이 반복 구조가 바로 하사비스의 방법이다.

하지만 바로 이 반복 구조가 위험도 만든다. 질병을 정보 문제로 보는 관점은 강력하지만, 환자를 데이터 포인트로 축소할 위험이 있다. 생물학을 모델링 가능한 체계로 보는 관점은 생산적이지만, 모델 밖의 요인을 과소평가할 수 있다. 약물 발견은 분자 수준에서 시작되지만, 의학은 인간 몸과 제도와 삶의 조건 속에서 완성된다. 약물이 효과를 갖는다는 사실과 그 약물이 누구에게 도달하는가는 다른 문제다. 후보 물질을 찾는 속도와 치료 체계의 정의는 같은 문제가 아니다.

Isomorphic Labs는 하사비스의 낙관이 가장 현실적인 시험대에 놓이는 자리다. 바둑에서는 패배자가 돌을 거두면 끝난다. 단백질 구조 예측에서는 틀린 예측이 수정될 수 있다. 그러나 약물 발견과 임상 적용에서는 실패 비용이 더 무겁다. 계산은 더 조심스러워져야 한다. 여기서 계산된 낙관은 단순한 연구 전략이 아니라 윤리적 태도가 된다. 무엇을 계산할 수 있는가뿐 아니라, 무엇을 계산해서는 안 되는가, 무엇을 계산만으로 판단해서는 안 되는가를 함께 물어야 한다.

8. AGI와 계산된 낙관

앞 섹션에서 하사비스의 방법이 생명과학으로 확장되는 것을 보았다면, 이제 그 방법이 궁극적으로 겨냥하는 개념을 보아야 한다. 그것은 AGI, 곧 인공 일반 지능(artificial general intelligence)이다. AGI는 특정 과제에 특화된 AI가 아니라, 다양한 영역에서 학습하고 추론하고 적응할 수 있는 일반적 지능을 가리킨다. 하사비스에게 AGI는 갑자기 등장한 유행어가 아니다. 그것은 DeepMind 창업 당시부터 이어진 목표의 이름이다.

하사비스의 AGI관은 단순한 가속주의와 다르다. Google DeepMind는 그를 AGI 경로에서 “cautious optimist”로 소개한 바 있다. 이 표현은 중요하다. 그는 AI가 인류에게 매우 큰 이익을 줄 수 있다고 본다. 과학 발견, 의학, 에너지, 기후, 교육 같은 영역에서 AI가 문제 해결 능력을 확장할 수 있다는 믿음이 있다. 그러나 동시에 그는 AI의 위험을 부정하지 않는다. 오히려 위험을 알기 때문에 책임 있는 속도, 안전 연구, 제도적 협력, 국제적 조정이 필요하다고 본다.

그런데 cautious optimism이라는 표현만으로는 부족하다. 그것은 너무 온건하고, 너무 외교적이다. 하사비스의 태도를 더 정확히 말하려면 계산된 낙관이라고 해야 한다. 계산된 낙관은 낙관의 반대편에 위험을 세워두지 않는다. 위험을 낙관의 내부에 넣는다. 모델이 실패할 가능성, 데이터가 편향될 가능성, 시스템이 오용될 가능성, 기업 권력이 집중될 가능성, 사회가 변화 속도를 감당하지 못할 가능성을 모두 계산의 일부로 삼는다. 그래서 이 낙관은 감정이 아니라 구조다.

하사비스의 경력 전체가 이 태도를 설명한다. 게임에서 지능을 실험할 때는 실패 비용이 낮다. 바둑에서 새로운 수를 두는 일은 인간의 자존심을 흔들 수 있지만, 환자의 생명이나 사회 제도를 직접 위험하게 하지는 않는다. 그러나 AlphaFold, Isomorphic Labs, AGI로 갈수록 모델의 출력은 현실에 더 깊게 들어간다. 예측은 연구 방향을 바꾸고, 약물 후보는 임상시험으로 이어지며, 일반 지능 시스템은 경제와 정치와 군사 영역에 영향을 줄 수 있다. 적용 범위가 넓어질수록 낙관은 더 엄격한 계산을 요구한다.

그러므로 하사비스의 낙관은 순진할 수 없다. 그가 믿는 것은 “AI는 선하다”가 아니다. 더 정확히 말하면 그는 “지능을 잘 만들고 잘 통제하면 인류의 문제 해결 능력을 크게 확장할 수 있다”고 믿는다. 이 문장에는 조건이 붙어 있다. 잘 만들어야 하고, 잘 통제해야 하며, 이익이 공정하게 분배되어야 한다. 조건 없는 낙관은 신앙이지만, 조건을 포함한 낙관은 설계 과제다. 하사비스는 바로 이 설계 과제를 대표한다.

그러나 계산된 낙관에도 취약점이 있다. 계산은 계산 가능한 것을 중심에 놓는다. 위험을 계산에 포함한다고 해도, 어떤 위험은 수량화되기 어렵다. 인간의 존엄, 사회적 신뢰, 노동의 의미, 민주적 통제, 과학 연구의 공공성은 단일한 손실 함수로 정리되지 않는다. 바로 이 때문에 하사비스의 낙관은 기술적 능력만으로 완성될 수 없다. 그것은 정치와 법과 윤리의 언어를 필요로 한다. AGI의 문제는 더 똑똑한 기계를 만드는 문제가 아니라, 그 기계가 놓일 세계를 함께 설계하는 문제다.

9. 데이터, 권력, 안전이라는 그늘

앞 장에서 하사비스의 낙관이 위험을 내부에 포함해야 한다는 점을 보았다면, 이제 그 조건이 왜 필요한지 검토해야 한다. AI의 선한 목적은 그 자체로 충분하지 않다. 선한 목적의 기술도 데이터 권력, 불투명한 제도, 불충분한 동의 절차, 과도한 기업 집중과 결합하면 위험해진다. DeepMind의 의료 데이터 논란은 이 문제를 보여주는 대표적 사례다.

영국 Information Commissioner’s Office(ICO)는 2015년 Google DeepMind가 Royal Free London NHS Foundation Trust의 환자 160만 명 기록에 접근한 사안을 설명한다. 이 데이터는 급성 신장 손상 위험을 포착하는 Streams 앱 개발과 관련되어 있었다. ICO는 Royal Free가 환자 정보 사용 방식에 대해 훨씬 더 투명했어야 한다고 결론 내렸다. 이 사건을 하사비스 개인의 도덕성 문제로 단순화하는 것은 부정확하다. 더 중요한 것은 AI 연구가 의료처럼 민감한 영역에 들어갈 때 어떤 제도적 통제와 투명성이 필요한지를 드러냈다는 점이다.

이 논란은 하사비스식 낙관주의의 약점을 시험한다. “AI로 질병을 풀겠다”는 목표는 매력적이다. 그러나 질병을 풀기 위해서는 환자의 데이터가 필요하고, 데이터가 필요하다는 말은 곧 동의, 목적 제한, 보안, 감독, 책임 소재의 문제를 불러온다. AI 연구자는 더 좋은 모델을 원하고, 병원은 더 나은 진료 도구를 원하며, 기업은 확장 가능한 플랫폼을 원한다. 하지만 환자는 자기 정보가 어디로 가고, 어떤 목적으로 쓰이며, 누가 이익을 얻는지 알 권리가 있다.

여기서 문제는 단지 프라이버시가 아니다. 더 깊은 문제는 권력이다. 데이터는 현대 AI의 원료이고, 원료를 가진 자는 모델을 만들 수 있으며, 모델을 만든 자는 판단의 흐름을 바꿀 수 있다. 의료 AI가 병원 현장에 들어오면, 그것은 의사의 판단을 보조할 뿐 아니라 무엇을 위험으로 볼 것인지, 어떤 환자를 우선할 것인지, 어떤 지표를 정상으로 삼을 것인지에 영향을 준다. 이런 변화는 기술적 개선인 동시에 제도적 권력의 재배치다.

따라서 하사비스를 평가할 때는 두 가지 오류를 피해야 한다. 하나는 그를 기술 구원론자로만 보는 것이다. 그는 위험을 모르는 낙관론자가 아니다. 다른 하나는 그를 빅테크 권력의 상징으로만 보는 것이다. 그것도 불충분하다. 그는 과학적 발견을 가속하려는 진지한 연구자이자, 막대한 기업 인프라 위에서 그 연구를 수행하는 조직 지도자다. 바로 이 양면성이 그를 오늘날 AI 시대의 중심 인물로 만든다.

DeepMind의 의료 데이터 논란은 이 글의 후반부에 덧붙는 윤리 장식이 아니다. 그것은 하사비스식 세계관의 내부 문제다. 세계를 계산 가능한 문제로 바꾸려면 데이터가 필요하다. 데이터가 필요하면 권리가 개입한다. 권리가 개입하면 제도가 필요하다. 제도가 필요하면 기술자의 낙관은 더 이상 기술자의 언어만으로 충분하지 않다. 지능을 만든다는 일은 결국 권력을 만든다는 일이다. 그리고 권력은 언제나 통제의 문제를 낳는다.

10. 하사비스라는 시대적 징후

앞의 논의를 종합하면, 하사비스는 “AI 천재”라는 말로 설명되지 않는다. 그 표현은 너무 납작하다. 그는 체스와 게임에서 지능의 축소 모델을 보았고, 신경과학에서 기억과 상상의 구성적 성격을 배웠으며, DeepMind에서 일반 학습 시스템을 조직적으로 추구했고, AlphaGo로 인간 직관의 권위를 흔들었고, AlphaFold로 AI가 과학 발견의 핵심 도구가 될 수 있음을 보여주었다. Isomorphic Labs는 그 방법을 질병과 약물 발견으로 확장하려는 시도다.

하사비스의 삶은 한 가지 질문으로 수렴한다. 지능은 세계를 이해하는 능력인가, 세계를 바꾸는 능력인가. 그의 답은 둘 다라는 것이다. 지능은 먼저 세계를 모델링한다. 그러나 좋은 모델은 단순히 세계를 비추는 데서 끝나지 않는다. 그것은 가능한 행동을 제안하고, 실험을 바꾸고, 제도를 흔들며, 인간의 판단 기준을 재편한다. AlphaGo 이후 바둑 기사는 새로운 수를 배웠고, AlphaFold 이후 생명과학자는 새로운 출발점을 얻었다. 이것이 하사비스가 보여준 AI의 가장 중요한 성격이다. AI는 인간을 대체하는 기계이기 전에, 인간이 문제를 구성하는 방식을 바꾸는 장치다.

그러나 바로 그 이유 때문에 하사비스의 낙관은 불안을 동반한다. 지능을 더 강하게 만들수록, 우리는 그것을 어디에 적용할지, 누가 통제할지, 어떤 실패를 감수할지, 어떤 이익을 누구에게 돌릴지를 물어야 한다. 기술적 야망은 정치적·윤리적 질문을 피할 수 없다. 지능을 만든다는 일은 곧 지능의 사용 조건을 설계한다는 일이다.

하사비스는 미래를 예언하는 사람이 아니다. 그는 미래를 계산 가능한 문제로 바꾸는 사람이다. 이 문장은 찬사이면서 경고다. 계산 가능한 문제로 바뀐 세계는 더 빨리 풀릴 수 있다. 그러나 계산되지 않는 세계는 더 빨리 지워질 수도 있다. 그의 성취는 현대 AI의 가장 강한 가능성을 보여준다. 그의 그늘은 그 가능성이 어떤 제도적 통제 없이 움직일 때 무엇을 잃을 수 있는지를 보여준다.

데미스 하사비스는 AI 시대의 낙관을 대표한다. 그러나 그의 낙관은 순진한 믿음이 아니라 계산된 낙관이다. 그는 위험을 모른 채 앞으로 나아가는 인물이 아니라, 위험을 알고도 지능의 적용 범위를 확장하려는 인물이다. 그 점에서 그는 현대 AI의 가장 선명한 얼굴 중 하나다. 그의 생애는 “지능을 만든다”는 기술적 야망이 결국 “지능을 어떻게 통제할 것인가”라는 정치적·윤리적 질문으로 되돌아온다는 사실을 보여준다. 하사비스라는 인물의 중요성은 바로 이 되돌아옴에 있다.

참고자료

  • Nobel Prize. “The Nobel Prize in Chemistry 2024 — Press Release.” 2024. https://www.nobelprize.org/prizes/chemistry/2024/press-release/
  • Nobel Prize. “The Nobel Prize in Chemistry 2024 — Popular Information.” 2024. https://www.nobelprize.org/prizes/chemistry/2024/popular-information/
  • Google DeepMind. “Demis Hassabis & John Jumper awarded Nobel Prize in Chemistry.” 2024. https://deepmind.google/blog/demis-hassabis-john-jumper-awarded-nobel-prize-in-chemistry/
  • Jumper, John et al. “Highly accurate protein structure prediction with AlphaFold.” Nature 596, 583–589. 2021. https://www.nature.com/articles/s41586-021-03819-2
  • AlphaFold Protein Structure Database. “About AlphaFold DB.” EMBL-EBI / Google DeepMind. https://alphafold.ebi.ac.uk/about
  • AlphaFold Protein Structure Database. “AlphaFold Protein Structure Database.” EMBL-EBI / Google DeepMind. https://alphafold.ebi.ac.uk/
  • Google DeepMind. “AlphaFold.” https://deepmind.google/science/alphafold/
  • Silver, David et al. “Mastering the game of Go with deep neural networks and tree search.” Nature 529, 484–489. 2016. https://www.nature.com/articles/nature16961
  • Google DeepMind. “AlphaGo.” https://deepmind.google/research/alphago/
  • Hassabis, Demis, Dharshan Kumaran, Seralynne D. Vann, and Eleanor A. Maguire. “Using Imagination to Understand the Neural Basis of Episodic Memory.” Journal of Neuroscience 27(52), 14365–14374. 2007. https://www.jneurosci.org/content/27/52/14365
  • PubMed. “Using imagination to understand the neural basis of episodic memory.” https://pubmed.ncbi.nlm.nih.gov/18160644/
  • Royal Society. “Sir Demis Hassabis CBE FREng FRS.” https://royalsociety.org/people/demis-hassabis-13817/
  • UCL. “Smart tech, smarter minds: Demis Hassabis, AI and neuroscience trailblazer.” 2026. https://www.ucl.ac.uk/about/search-faces-ucl/smart-tech-smarter-minds-demis-hassabis-ai-and-neuroscience-trailblazer
  • Google. “Google DeepMind: Bringing together two world-class AI teams.” 2023. https://blog.google/innovation-and-ai/technology/ai/april-ai-update/
  • Google DeepMind. “Announcing Google DeepMind.” 2023. https://deepmind.google/blog/announcing-google-deepmind/
  • Google DeepMind. “About Google DeepMind.” https://deepmind.google/about/
  • Isomorphic Labs. “Reimagining Drug Discovery Process with AI.” https://www.isomorphiclabs.com/
  • Isomorphic Labs. “Isomorphic Labs kicks off 2024 with two pharmaceutical collaborations.” 2024. https://www.isomorphiclabs.com/articles/isomorphic-labs-kicks-off-2024-with-two-pharmaceutical-collaborations
  • Isomorphic Labs. “Partnerships.” https://www.isomorphiclabs.com/partnerships
  • Isomorphic Labs. “Isomorphic Labs announces Novartis collaboration expansion.” 2025. https://www.isomorphiclabs.com/articles/isomorphic-labs-announces-novartis-collaboration-expansion
  • Information Commissioner’s Office. “Google DeepMind and class action lawsuit.” https://ico.org.uk/for-the-public/ico-40/google-deepmind-and-class-action-lawsuit/
  • Time. “DeepMind’s CEO Helped Take AI Mainstream. Now He’s Urging Caution.” 2023. https://time.com/6246119/demis-hassabis-deepmind-interview/