YouTube2026-03-22·BZCF | 비즈까페

3년 뒤 인터넷은 다를것" (딥마인드 대표)

향후 3년 안에 AI는 소프트웨어·게임·과학·의료 전반의 작업 방식을 크게 바꾸겠지만, 진짜 차별화는 도구 자체보다 어떤 문제를 고르고 어떻게 워크플로에 통합하느냐에서 생긴다.

원문/원본: https://youtu.be/dw2FWXCqdy0기존 공개 버전: pogovet.com

🎬 "3년 뒤 인터넷은 다를것" (딥마인드 대표)

▶️ 유튜브

원본 링크: https://youtu.be/dw2FWXCqdy0?si=51SuiNn0OyPFIH4t

🖼️ 4컷 인포그래픽

💡 한 줄 결론

📌 핵심 요점

AI는 소프트웨어 엔지니어링과 게임 개발의 생산성을 크게 높이며, 소규모 팀에도 새로운 창작 기회를 열 수 있다는 전망이 제시됐다.
AlphaFold 이후의 AI는 단백질 구조 예측을 넘어 신약 개발 전반과 의료 정보 접근성 개선으로 확장될 가능성이 강조됐다.
과학에서 중요한 문제를 고르는 ‘취향’, 직관, 창의성은 여전히 매우 인간적인 역량으로 다뤄졌고, 이를 AI가 어떻게 학습할지는 핵심 난제로 남아 있다.
AGI는 아직 현재 시스템과는 거리가 있으며, 진정한 범용성·창의성·장기 계획·지속적 학습이 갖춰져야 한다는 높은 기준이 제시됐다.
지금의 AI만으로도 이미 충분히 유용한 도구이며, 개인과 조직은 AGI 논쟁보다 현재 가능한 활용과 학습 전략에 집중해야 한다는 실용적 메시지가 반복됐다.

🧩 배경과 문제 정의

인도처럼 IT 서비스, 소프트웨어 인력, STEM 인재 비중이 큰 환경에서는 AI가 산업 구조를 어떻게 재편할지가 매우 현실적인 문제로 등장한다. 특히 소프트웨어 엔지니어와 창업자 입장에서는 AI가 일자리를 위협하는지, 아니면 개인과 소규모 팀의 생산성을 끌어올려 새로운 기회를 만드는지가 핵심 질문이 된다.

과학과 의료 분야에서는 AlphaFold 같은 돌파구가 단순한 연구 성과를 넘어 실제 약물 개발과 의료 접근성 향상으로 이어질 수 있는지가 중요하게 다뤄진다. 즉, 연구실 수준의 성과가 사회 전체의 효용으로 연결되는 경로가 어떻게 만들어질지가 문제의식의 중심에 놓인다.

또 하나의 큰 질문은 인간 연구자의 강점인 ‘좋은 문제를 알아보는 감각’을 AI가 가질 수 있느냐다. 단순히 답을 잘 내는 시스템이 아니라, 무엇이 중요한지 구별하고 새로운 질문을 제기하는 능력이 과학과 창조 영역의 핵심 역량으로 제시된다.

게임 분야 역시 비슷한 긴장을 보여준다. 생성형 AI가 그래픽, 에셋, 프로토타이핑, NPC, 월드 생성까지 바꾸기 시작하면서, 기존의 대규모 제작 방식이 얼마나 흔들릴지, 그리고 작은 팀이 세계적 수준의 결과물에 도전할 수 있을지가 실무적 문제로 떠오른다.

🕒 시간순 섹션별 상세정리

소프트웨어 변화와 게임 제작 불안감의 도입 [00:00]

인도의 대규모 IT 서비스 수출을 배경으로, 소프트웨어 종사자들이 앞으로의 변화에 어떻게 대응해야 하는지 질문이 제기된다.
변화는 혼란만이 아니라 새로운 기회도 함께 가져온다는 관점이 먼저 제시된다.
부트스트랩 방식으로 세계적 수준의 게임을 만들고 싶다는 창업자의 문제의식이 소개된다.
Genie를 직접 써본 뒤, 스토리텔링은 아직 한계가 있어 보여도 향후 3~4년 안에 게임 개발 방식이 크게 바뀔 수 있다는 긴장감이 드러난다.

AI가 여는 게임의 새로운 장르 가능성 [00:30]

가장 기대되는 지점으로, AI 덕분에 이전에는 만들기 어려웠던 새로운 게임 장르가 가능해질 수 있다는 전망이 나온다.
소규모 팀도 더 빠르게 프로토타입을 만들고, 더 낮은 비용으로 실험할 수 있는 환경이 열릴 수 있다고 본다.
이 변화의 핵심은 대형 조직만이 아니라 작은 팀도 창의적인 시도를 반복할 수 있게 된다는 점에 있다.
이어서 대화의 축이 AGI와 기초모델의 방향성 쪽으로 잠깐 확장된다.

현장 분위기와 AlphaFold의 인도 적용 질문 [01:05]

STEM 중심 청중이 많은 현장 분위기 속에서, 패널과의 대화가 개인적으로도 의미 있는 질문에서 시작된다.
AlphaFold가 놀라운 과학적 성과라는 점은 알려져 있지만, 그것이 인도에서 실제로 사용 가능한 약으로 이어지는 과정은 여전히 구체적으로 궁금한 문제로 제시된다.
인도가 저가 제네릭 의약품 생산으로 알려져 있다는 점이 언급되며, 첨단 AI 도구가 이런 현실적 의료 공급 구조와 어떻게 연결되는지가 질문의 초점이 된다.
즉, 연구 단계의 돌파구가 대중이 체감하는 의료 혜택으로 전환되는 실질적 경로가 묻힌다.

AlphaFold 이후 신약 개발과 의료 정보 확산의 전망 [01:51]

AlphaFold의 출발점은 매우 어려운 과학 문제를 푸는 것이었지만, 그 의의는 신약 개발 같은 downstream 효과에 있다고 설명된다.
AlphaFold와 Alpha Genome 같은 도구는 질병 이해를 돕고, 특히 희귀 유전 질환을 포함한 다양한 분야에서 약물 발견 속도를 높일 가능성이 있다고 본다.
이런 영향은 인도만이 아니라 전 세계에 확산될 것으로 예상되며, 이미 인도의 연구 조직들과 협업도 진행 중이라고 언급된다.
단백질 구조 예측 같은 좁은 문제를 넘어, Gemini 같은 범용 AI 시스템이 전 세계 사람들에게 의료 정보를 더 쉽게 제공하는 역할도 기대된다고 말한다.

과학적 취향은 어떻게 길러지는가 [02:57]

좋은 과학 문제를 고르는 능력, 즉 과학적 취향이 어떻게 형성되는지가 다음 핵심 주제로 넘어간다.
한 견해로는 이런 취향이 대학원 과정과 지도교수와의 관계 속에서 처음 본격적으로 형성된다고 본다.
이를 AI 시스템에 이식하는 문제는 매우 어렵고 흥미로운 과제로 제시되며, 단순히 평균적 인간 피드백에 맞추는 방식만으로는 독창성이 약해질 수 있다는 우려가 나온다.
대신 뛰어난 과학자를 스승처럼 두고, 맞춤형 LLM이 오랜 피드백을 받으며 도제식으로 학습하는 방식이 하나의 가능성으로 제안된다.
이런 접근이 현실화되면, 미래 AI가 특정 인간 과학자의 문제 선택 방식과 사고 계보를 이어받는 형태가 될 수 있다는 상상도 덧붙는다.

직관·창의성·실험이 만드는 연구자의 감각 [05:08]

다른 견해에서는 과학적 취향을 직관과 창의성의 결합으로 설명하며, 과학에서 가장 어려운 능력 중 하나라고 본다.
새로운 발견은 단순한 기술 숙련만으로 나오지 않고, 어떤 질문을 던져야 하는지 알아보는 감각이 필요하다고 강조한다.
그런 감각은 좋은 교수와 연구 환경에서 배우는 면도 있지만, 수동적으로 듣는 것만으로는 충분하지 않고 직접 해보는 과정이 필수라고 말한다.
반복적인 실험과 실제 연구 수행을 통해 무엇이 가치 있는 문제인지 감이 생긴다는 점에서, 최전선 과학을 이해하려면 AI 역시 능동적 실험이 필요할 수 있다고 본다.
결국 이 ‘취향’이 정확히 무엇인지조차 아직 완전히 설명되지 않았으며, AI 연구는 그 정체를 역으로 드러내는 계기가 될 수도 있다는 뉘앙스가 깔린다.

의료 AI의 다음 단계와 신약 개발 시간 압축 [06:55]

AlphaFold는 시작일 뿐이며, 실제 신약 개발 전체 과정에서는 중요한 한 부분이지만 일부에 불과하다고 설명된다.
앞으로는 단백질에 잘 결합하는 화합물을 찾는 일뿐 아니라, 독성·흡수 특성·부작용 가능성까지 함께 다루는 더 복잡한 문제들을 풀어야 한다고 본다.
이런 문제들은 단백질 구조 예측보다 더 어려울 수도 있지만, AlphaFold의 성공이 있었기에 같은 방식의 확장이 가능하다는 자신감이 생겼다고 말한다.
장기적으로는 평균 10년가량 걸리는 신약 개발 과정을 수개월, 어쩌면 수주 수준까지 줄일 가능성도 언급되는데, 이는 현재로서는 다소 미래적 전망처럼 들리지만 과거 단백질 구조 예측도 한때는 비현실적으로 보였다는 점이 함께 상기된다.

게임 개발로 화제 전환, Genie 이후의 3~4년 [09:08]

의료 AI 이야기를 마무리한 뒤, 대화는 개인적 열정이 담긴 게임 분야로 급격히 전환된다.
발화자는 세계적 수준의 게임을 외부 자본 없이 만들고 싶다는 목표를 다시 꺼내며, 생성형 AI가 그 계획의 현실성을 얼마나 바꿀지 묻는다.
Genie를 보고 즉시 써봐야겠다고 느꼈지만, 아직은 스토리를 제대로 만들지 못하는 한계도 확인했다고 말한다.
그래서 질문은 단순한 기능 평가가 아니라, 앞으로 몇 년 안에 게임을 언제까지 출시해야 경쟁력이 있을지, 게임 개발의 규칙 자체가 어떻게 바뀔지를 가늠하려는 실전적 문제로 이어진다.

게임에서 시작된 AI 진로의식 [10:01]

10대 시절 게임 개발 현장에서 AI가 핵심 역할을 하는 모습을 보며, AI를 자신의 커리어로 삼아야겠다는 확신을 갖게 됐다고 말한다.
사람들이 게임 AI와 상호작용하며 큰 즐거움을 느끼는 장면이 결정적 계기였다고 회상한다.
과거에는 게임이 그래픽, AI, 하드웨어 발전의 최전선이었고, 지금은 그 기반 기술이 다시 AI 개발에 활용되는 흐름으로 이어졌다고 본다.

AI가 바꾸는 게임 제작 공정 [10:53]

에셋 제작, 그래픽, 3D 모델 생성 같은 영역에서 AI 도구의 실용성이 빠르게 높아지고 있다고 본다.
개념 아트만으로도 3D 자산을 만드는 수준이 가까운 시기에 훨씬 인상적으로 발전할 것으로 예상한다.
버그 테스트나 밸런스 조정 같은 반복적이고 비용이 큰 작업에도 AI가 유용한 도구가 될 가능성을 언급한다.

지능형 NPC와 월드모델의 가능성과 한계 [11:10]

대규모 온라인 게임에서 NPC가 더 똑똑해지고, 스토리 전개에 실질적으로 관여하는 형태의 새로운 게임 장르를 기대한다고 말한다.
Genie 3를 예로 들며, 프롬프트만으로 플레이 가능한 세계를 생성하는 접근이 이미 시도되고 있다고 설명한다.
다만 현재는 일관성이 약 1분 정도만 유지되는 수준이라, 아직은 실험적 체험에 가깝다고 본다.
이런 형태는 흥미로운 인터랙티브 무비처럼 느껴지지만, 아직 곧바로 재미있는 게임이 되는 것은 아니라고 선을 긋는다.

프로토타이핑의 민주화와 작은 팀의 재부상 [12:00]

재미있는 게임을 만들기 위해서는 여전히 게임 디자인과 게임 메커닉 같은 산업의 축적된 역량이 필요하다고 강조한다.
그럼에도 AI는 아이디어를 더 빠르게 시험하고 반복 개선하는 프로토타이핑 도구로 큰 의미가 있다고 본다.
과거 소규모 팀이 저비용으로 실험적인 게임을 만들 수 있었던 시기처럼, 다시 창의적 실험이 활발해질 수 있다는 기대를 내놓는다.
이런 도구들이 게임 산업에 또 다른 황금기를 열 수 있다는 희망을 표현한다.

폴리매스의 출발점은 호기심이라는 답변 [12:45]

진행자는 두 인물이 체스, 게임, 생명과학, AI 같은 서로 다른 분야를 오가는 공통점을 두고 이를 폴리매스적 성향으로 묘사한다.
이에 대해 한 연사는 이를 거창한 재능보다도 여러 분야를 향한 기본적인 호기심의 결과로 설명한다.
흥미로운 주제가 너무 많기 때문에 자연스럽게 다양한 분야로 들어가게 된다는 식의 답이 제시된다.

교차 영역에서 나오는 발명과 연결의 사고 [13:56]

다른 연사는 어린 시절부터 강한 호기심이 있었고, 체스에 머무르지 않고 바둑·포커 등 다른 게임으로 관심이 확장됐다고 말한다.
현대의 중요한 발명은 둘 이상의 주제가 만나는 교차점에서 나오는 경우가 많다고 본다.
딥마인드는 신경과학, 공학, 기계학습의 결합에서 출발했고, Isomorphic은 기계학습·화학·생물학의 교차점에 있다고 예시를 든다.
하나 이상의 분야에서 전문성을 쌓고, 그 사이의 연결과 유추를 찾는 태도가 빠른 진보를 만드는 데 중요하다고 조언한다.

학문 경계를 넘는 태도와 AI의 역할 [15:15]

다빈치나 아리스토텔레스처럼 학문·예술·철학 사이의 경계를 강하게 의식하지 않았던 인물들을 자신의 롤모델로 언급한다.
세계를 이해하려는 시도는 방법만 다를 뿐 본질적으로 이어져 있다고 보고, 다양한 관점에서 우주와 세계를 탐구해야 한다는 태도를 드러낸다.
AI를 과학과 발견의 궁극적 도구처럼 바라보며, 그래서 오히려 다른 학문을 배우고 연결할 명분이 생겼다고 말한다.
AI를 여러 분야에 적용할 수 있기 때문에 다양한 영역을 탐색하는 일이 자연스럽고도 가치 있다고 본다.

분과화의 문제와 다학제 인재의 조건 [16:02]

인도의 과학 교육과 연구가 지나치게 사일로화되어 있다는 문제 제기가 나오고, 이에 대해 실제로 심각한 문제라는 동의가 이어진다.
대학의 교차 소통이 약해지고, 법·경영·의학 같은 분야가 서로 멀어지면서 학제 간 연결이 약해졌다고 진단한다.
AI가 본격적으로 들어올수록 이런 단절은 더 큰 문제가 될 수 있으며, 학문 간 교차가 더 중요해질 것이라고 본다.
다학제적으로 성장하려면 최소 한 분야에서는 최전선 수준의 전문성이 필요하지만, 동시에 다른 분야를 빠르게 대학원 수준까지 학습하는 기술도 필요하다고 말한다.
이미 한 분야의 전문가가 다른 분야에서 다시 초심자가 되는 일을 감수하려면 겸손과 자신감이 함께 필요하며, 현재의 학계 시스템은 이런 태도를 충분히 보상하지 못한다고 지적한다.

AGI의 기준은 왜 자꾸 멀어지는가 [18:43]

진행자는 최근 모델들을 접하며 이미 AGI처럼 느껴졌지만, 그때마다 기준이 더 높아지는 경험을 했다고 말한다.
이에 따라 “무엇을 보면 정말 AGI라고 부를 것인가”라는 질문을 직접 던진다.
이는 대중의 직관적 체감과 연구자들의 엄격한 정의 사이에 간극이 있다는 문제를 드러낸다.

인간의 인지 전반을 기준으로 삼는 AGI 정의 [19:21]

답변자는 자신의 AGI 정의는 오래전부터 바뀌지 않았다고 말하며, 인간이 할 수 있는 모든 인지 능력을 보여주는 시스템을 기준으로 제시한다.
그 기준이 중요한 이유로, 인간의 뇌가 현재 우리가 알고 있는 거의 유일한 일반지능의 실증 사례라는 점을 든다.
그래서 신경과학을 공부한 것도 일반지능이 실제로 가능하다는 유일한 데이터 포인트를 더 잘 이해하기 위해서였다고 설명한다.
이 정의는 상당히 높은 기준이며, 현재의 인상적 성능과는 별개로 일반지능 판정을 쉽게 내리기 어렵다는 함의를 남긴다.

AGI의 기준과 현재 시스템의 한계 [20:01]

진짜 범용 지능이라면 인간 두뇌 구조가 수행할 수 있는 매우 유연한 작업 전반을 해낼 수 있어야 한다는 기준이 제시된다.
현재 시스템은 매우 인상적이지만, 진정한 창의성·지속적 학습·장기 계획 같은 능력에는 아직 약하다고 평가된다.
특정 상황에서는 국제 수학 올림피아드급 문제를 풀어도, 표현 방식이 조금만 달라지면 비교적 단순한 문제에서 무너지는 불균일성이 있다고 지적한다.
이런 들쭉날쭉한 성능은 범용 지능의 모습과는 거리가 있으며, 아직 빠져 있는 요소가 많다고 본다.

아인슈타인식 검증과 AGI까지의 거리 [20:49]

더 설득력 있는 AGI 시험으로, 1911년까지의 지식만 학습시킨 뒤 1915년의 일반상대성이론 같은 수준의 도달을 스스로 이끌어낼 수 있는지를 보자는 제안이 나온다.
이는 단순 암기나 재조합이 아니라, 새로운 개념적 도약과 독창적 이론 형성을 요구하는 시험으로 제시된다.
이런 기준에서 보면 현재 시스템은 아직 해당 수준에 도달하지 못했고, 완전한 AGI까지는 몇 년 정도 더 필요하다는 전망이 나온다.
다만 장기적으로는 그런 수준이 결국 가능해질 것이라는 낙관적 관점도 함께 드러난다.

지금의 AI는 이미 충분히 유용한 도구인가 [21:18]

한 패널은 자신을 AI 전문가라기보다 사용자에 가깝다고 전제하면서도, 현재 AI만으로도 충분히 유용하다고 본다고 말한다.
학생과 연구자들에게는 AGI를 지나치게 걱정하기보다, 지금 당장 쓸 수 있는 도구로 연구를 가속하는 데 집중하라고 조언한다.
즉, 미래의 최종 단계에 대한 논쟁과 별개로, 현재의 실용 가치는 이미 매우 크다는 입장이 제시된다.

딥마인드의 사업 압박과 연구의 병행 전략 [21:44]

구글 내부에서 수익과 제품 지원이라는 단기 압박, 그리고 딥마인드식 장기 연구라는 목표가 동시에 존재한다는 질문이 제기된다.
이에 대해 조직 규모의 이점을 활용해 둘 다 최대치로 수행하려 한다는 답변이 나온다.
대략 절반의 팀은 즉각적 우선순위와 제품 지원에, 나머지 절반은 다음 프런티어를 여는 연구에 집중한다고 설명한다.
Gemini 같은 파운데이션 모델을 만드는 일 자체도 AGI로 가는 가장 짧은 경로 중 하나라고 보며, 리더의 역할은 근시안적 집중을 막고 블루스카이 연구를 보호하는 것이라 정리한다.
지난 10년 동안 혁신과 제품 적용을 함께 해 왔고, 그 결과를 전 세계 수십억 명이 누릴 수 있게 하는 균형이 중요하다고 강조한다.

인도의 과학 연구비와 기초·응용 연구의 긴장 [23:27]

인도에서는 자원이 무한하지 않기 때문에 AI·반도체·양자 같은 국가 우선 과제에 연구비가 집중될 수밖에 없다는 현실이 언급된다.
이런 구조는 산출물과 성과를 요구받는 임무형 연구와, 학계가 선호하는 자유로운 기초 연구 사이의 긴장을 만든다.
그럼에도 기본 연구를 위한 자금 통로가 전혀 없는 것은 아니며, 응용 연구를 추구하는 과정에서도 흥미로운 개방형 연구 문제가 나올 수 있다고 본다.
전체적으로 두 방향의 균형은 가능하다고 보지만, 인도의 연구비 총량 자체는 더 늘어야 한다는 문제의식이 제기된다.
제시된 수치는 다소 부정확하게 발화된 것으로 보이지만, 요지는 현재 수준보다 훨씬 더 큰 연구 투자 여력이 필요하다는 주장이다.

AI가 소프트웨어 엔지니어의 일을 바꾸는 방식 [24:41]

인도의 IT 서비스 수출과 소프트웨어 인력이 AI의 급격한 향상으로 압박받을 수 있다는 개인적 우려가 제기된다.
이에 대해 많은 분야가 실제로 교란과 변화를 겪겠지만, 변화에는 위기와 함께 기회도 따른다고 답한다.
모든 엔지니어는 AI 도구를 회피하지 말고 적극적으로 익혀야 하며, 이를 매우 능숙하게 다루는 것이 중요하다고 강조한다.
한 명의 엔지니어가 이전보다 훨씬 큰 생산성을 낼 수 있게 되고, 예전에는 불가능했던 새로운 스타트업과 서비스가 등장할 수 있다고 본다.
전 세계가 거의 같은 도구에 접근할 수 있기 때문에, 승부는 도구 자체보다 각자가 그것을 워크플로에 얼마나 잘 통합하느냐에서 갈릴 것이라는 관점이 제시된다.

코딩의 ‘장인성’은 사라지는가, 아니면 추상화가 바뀌는가 [26:13]

사회자는 많은 엔지니어가 이제 코딩이 장인의 기술이라기보다 영어로 지시문을 쓰는 일처럼 느껴진다고 말하며 감각의 변화를 짚는다.
이에 대해 아직 완전히 그런 단계에 도달한 것은 아니라고 선을 그으면서도, 과거 어셈블리에서 C·C++로, 다시 더 높은 수준의 언어로 옮겨온 역사 자체가 지속적인 추상화의 과정이었다고 설명한다.
이번 변화도 그 연장선으로 볼 수 있으며, 오히려 더 많은 사람이 자신의 아이디어를 시험하고 구현할 수 있게 해 창의성의 접근권을 넓힐 수 있다고 본다.
필요한 기술 조합은 달라질 수 있지만, 앞으로는 무엇을 만들지 판단하는 감각과 취향이 점점 더 중요한 차별 요소가 될 것이라는 전망이 나온다.

수학·로보틱스·물리 세계 이해, 그리고 청중의 근본 질문 [27:06]

앞으로 세상이 더 놀랄 분야로는 먼저 수학이 거론된다. 수학은 천재만의 영역처럼 여겨지지만, 공리·정의·증명의 구조 덕분에 AI가 다루기 상대적으로 유리한 특성이 있다고 본다.
다른 한편으로는 향후 2~3년 안에 로보틱스가 본격적으로 성숙할 가능성, 그리고 AI가 물리 세계와 주변 맥락을 더 깊이 이해하는 방향이 기대 영역으로 제시된다.
안경이나 휴대기기 위에서 주변 상황을 이해하는 보조자, 자율주행, 자동화된 실험실을 통한 과학 발견 가속 같은 응용이 향후 5년 안에 현실성이 높아질 수 있다는 전망이 나온다.
이후 청중 질문에서는, 왜 인간과 닮은 지능을 굳이 만들려 하는지에 대한 근본적 의문이 제기된다.
질문자는 인간형 지능이 자본 손실과 정체성 약화를 초래할 수 있다고 우려하면서, 이미 AI가 잘하는 대규모 정보 탐색 능력을 인간과 동기화되는 대안적 지능으로 발전시키는 편이 낫지 않느냐는 문제를 던진다.

일반지능과 인간 대체의 구분 [30:00]

일반지능 연구의 목적은 인간지능을 치환하는 것이 아니라, 다양한 영역에 적용 가능한 보편적 능력이 무엇인지 이해하는 데 있다는 입장이 제시된다.
인간의 뇌는 현재 알려진 기준에서 가장 일반적인 지능의 사례로 간주되며, 이런 범용성이 일반지능 논의의 출발점이 된다고 본다.
동물의 지능은 특정 능력에서는 뛰어날 수 있지만, 폭넓은 전이 가능성 측면에서는 인간만큼 일반적이지 않다는 비교가 나온다.
산업이 범용 모델에 집중하는 이유는 개별 특화 시스템을 수백 개 따로 만드는 것보다, 공통 구조를 만든 뒤 여러 전문 영역으로 이전시키는 편이 경제적으로 유리하기 때문이라고 설명한다.

AI를 사고력 강화 도구로 쓰는 조건 [31:25]

AI가 진짜 이해를 만드는 고통과 씨름을 없애지 않으면서도 사고를 깊게 만들 수 있는지에 대한 질문에, 정답은 개인의 사용 방식에 달려 있다는 답이 나온다.
인터넷과 컴퓨터도 사고를 약화시키는 방식으로 쓸 수 있었지만, 반대로 학습 범위를 급격히 넓히는 도구로도 활용돼 왔다는 점이 비유로 제시된다.
오늘날에는 유튜브와 온라인 자료 덕분에, 빠르게 특정 분야를 학부 수준까지 따라잡고자 하는 사람에게 세계 최고 수준의 강의와 정보가 사실상 열려 있다고 본다.
다만 AI를 게으르게 사용하면 비판적 사고와 깊이 있는 사고가 약해질 수 있으며, 기술 자체보다 사용자의 태도와 자기 통제가 더 중요하다고 강조한다.

학습 자원 과잉 속에서 필요한 기준 [32:34]

학습 자료가 너무 많아 오히려 무엇을 골라야 할지 혼란스러운 상황에서는, 먼저 자기 자신이 어떻게 배우는 사람인지 파악하는 일이 가장 중요하다고 말한다.
학교 단계에서 가장 우선적으로 익혀야 할 능력은 개별 과목 지식보다 ‘배우는 법을 배우는 것’이라는 주장이 나온다.
모두에게 통하는 단일한 학습법은 없으며, 어떤 환경과 방식에서 집중과 이해가 잘 일어나는지를 스스로 실험하고 확인해야 한다고 본다.
자신에게 맞는 학습 조건을 찾은 뒤에는 그것을 더 강하게 밀어붙이는 전략이 효율적이라고 조언한다.

개인적 학습 훈련과 게임의 역할 [33:15]

자신의 경우 학습법을 한마디로 설명하기는 어렵지만, 여러 요소가 축적되어 마음을 훈련하는 방식으로 발전해 왔다고 회고한다.
특히 다양한 게임이 사고 과정의 여러 부분을 단련하는 훈련장이 되었다고 말한다.
게임을 통해 특정 판단과 전략 능력을 반복적으로 연습하며 숙련도를 높였고, 이것이 지적 훈련의 한 형태로 작동했다고 본다.
초기 딥마인드가 게임을 아이디어 검증용 실험장으로 삼았던 방식과 유사하게, 개인도 게임을 통해 자신의 사고 방식을 시험하고 다듬을 수 있다는 암시가 담겨 있다.

인간 기억과 현재 모델의 한계 [33:51]

기억은 해마, 일화기억, 의미기억, 장단기 기억처럼 여러 층위가 얽혀 있고, 어린 시절 장면이나 특정 단어에 의해 갑자기 떠오르는 연상이 단순 평균화로 설명되지 않는다는 문제 제기가 나온다.
이에 대해 현재 모델은 문맥창으로 인간의 해마 기능을 서툴게 근사하고 있을 뿐이며, 그것도 실제로는 작업기억에 더 가깝다고 설명한다.
컴퓨터는 인간보다 훨씬 큰 문맥을 다룰 수 있지만, 큰 문맥창이 곧 인간의 일화기억처럼 작동하는 것은 아니라고 본다.
인간 기억은 모든 것을 동일하게 저장하지 않고 중요한 사건만 남기는데, 현 시스템은 많은 정보를 통째로 보존하는 쪽에 가까워 효율성이 떨어진다고 지적한다.
인간은 특히 정서적으로 의미 있는 사건을 더 잘 기억하는데, 이것이 학습이나 미래 시뮬레이션에 필요한 정보 선택과 연결될 수 있다는 해석이 제시된다.

기억의 비용, 망각, 가치판단 메커니즘 [35:43]

AI 시스템이 앞으로 수백만, 수천만 단위의 기억 요소를 다루게 되더라도, 문제는 저장량보다 그 안에서 필요한 것을 찾는 검색 비용이라고 설명한다.
예시로 비디오 모델이나 안경형 프로젝트가 수십 분 분량의 영상을 기록할 수 있어도, 그 안에서 특정 정보를 다시 찾아내는 일은 계산적으로 비싸다고 말한다.
이런 맥락에서 현재 시스템에 부족한 것은 더 많은 기억이 아니라, 오히려 망각이나 가비지 컬렉션 같은 정리 메커니즘일 수 있다고 제안한다.
기억은 단순 보관이 아니라 압축과 통합 과정을 거쳐, 나중에 탐색해야 할 대상이 더 효율적으로 정리되는 방식이 필요하다고 본다.
인간의 편도체처럼 감정 그 자체를 넣는 형태는 아닐지라도, 기억을 기록하는 시점에 미래 학습이나 행동에 얼마나 유용한지 평가하는 가치판단 장치가 있다면 꽤 유익할 것이라는 연구 방향이 언급된다.

🧾 결론

이 영상은 AI를 둘러싼 과장된 낙관이나 공포보다, 실제로 무엇이 바뀌고 무엇은 아직 남아 있는지를 꽤 입체적으로 보여준다. 소프트웨어와 게임에서는 제작 공정의 자동화와 프로토타이핑의 민주화가 빠르게 진행될 가능성이 크고, 과학과 의료에서는 AlphaFold 이후 더 넓은 문제로 확장되는 흐름이 강조된다.

동시에 발표자들은 인간의 고유 역량처럼 보이는 문제 선택 능력, 창의성, 장기 계획, 기억의 구조적 효율성 같은 요소가 아직 AI에 충분히 구현되지 않았다고 본다. 즉, “지금도 충분히 유용하지만 아직 완전한 일반지능은 아니다”라는 균형 잡힌 시각이 전체를 관통한다.

가장 실용적인 메시지는 분명하다. 가까운 미래의 승부는 AI를 쓰느냐 마느냐가 아니라, 어떤 분야를 깊게 이해한 사람이 AI를 얼마나 능숙하게 자기 작업 흐름 안에 녹여내느냐에 달려 있다는 점이다.

📈 투자·시사 포인트

게임 산업에서는 생성형 AI 기반 에셋 제작, 테스트 자동화, 프로토타이핑 툴 체인이 중소 팀의 경쟁력을 높일 가능성이 있다.
신약 개발에서는 단백질 구조 예측 이후 화합물 탐색, 독성, 흡수, 부작용 예측 등 후속 단계 AI에 대한 기대가 커질 수 있다.
교육과 인재 육성 측면에서는 단일 전공 전문성에 더해, 인접 분야를 빠르게 흡수하는 다학제 학습 역량의 가치가 커질 가능성이 높다.
소프트웨어 업계는 단순 코딩 생산성보다 문제 정의, 제품 감각, 워크플로 설계 역량이 더 중요한 경쟁 요소로 이동할 수 있다.
로보틱스, 수학 자동화, 웨어러블 보조자, 실험실 자동화는 향후 몇 년간 주목받을 응용 축으로 제시된다.
메모리/에이전트 구조 측면에서는 “더 많이 저장하는 AI”보다 “무엇을 남기고 무엇을 버릴지 판단하는 AI”가 차세대 핵심 과제가 될 가능성을 시사한다.

⚠️ 불확실하거나 확인이 필요한 부분

영상에서 언급된 Alpha Genome, Genie 3, Isomorphic 등의 구체적 제품·프로젝트 범위와 공식 명칭은 원문 맥락 확인이 필요하다.
신약 개발 기간이 수개월 혹은 수주까지 단축될 수 있다는 언급은 전망 차원의 발화로 보이며, 현재 실증된 결과로 단정할 수 없다.
인도의 연구비 규모나 GDP 대비 비중처럼 수치가 오간 부분은 발화 자체가 부정확했을 가능성이 있어 별도 사실 확인이 필요하다.
로보틱스가 2~3년 안에 본격 성숙할 수 있다는 전망, 웨어러블/실험실 자동화가 5년 안에 현실화될 수 있다는 전망 역시 예측이지 확정 사실은 아니다.
현재 AI가 국제 수학 올림피아드급 문제를 푼다는 표현은 특정 사례나 벤치마크를 가리키는 것으로 보이나, 정확한 조건과 범위는 원 출처 검증이 필요하다.

✅ 액션 아이템

현재 내 업무 흐름에서 AI를 붙였을 때 생산성이 가장 크게 오를 반복 작업 3가지를 먼저 식별한다.
게임/소프트웨어/연구 중 내가 속한 분야에서 “도구 사용 능력”보다 “문제 선택 능력”이 중요한 구간이 어디인지 정리한다.
AI를 단순 답변기가 아니라 프로토타이핑·실험 가속 도구로 쓰는 개인 워크플로를 설계해본다.
학습 측면에서는 한 분야의 깊이를 유지하면서 인접 분야를 빠르게 따라잡는 방법을 주간 루틴으로 테스트한다.
AI 활용 시 비판적 사고가 약해지지 않도록, 결과를 그대로 수용하지 않고 검증·재구성하는 절차를 만든다.

❓ 열린 질문

AI가 인간 연구자의 ‘과학적 취향’이나 문제 선택 감각을 실제로 학습할 수 있다면, 그 과정은 데이터 모방에 가까울까 아니면 새로운 형태의 도제식 학습이 필요할까?
게임 개발에서 생성형 AI는 제작비 절감 도구에 머물까, 아니면 정말로 이전에 없던 장르 자체를 만들어낼까?
소프트웨어 엔지니어의 경쟁력은 앞으로 코딩 정확성보다 제품 감각과 문제 정의 능력으로 얼마나 이동할까?
더 큰 메모리보다 더 나은 망각과 가치판단 메커니즘이 중요하다면, 차세대 AI 아키텍처의 핵심은 저장이 아니라 선택과 압축이 될까?
AGI의 기준이 인간 수준의 전 인지 능력이라면, 현재 대중이 체감하는 “이미 충분히 똑똑함”과 연구자들이 말하는 “아직 아님” 사이의 간극은 앞으로 어떻게 좁혀질까?