개요
이 다큐멘터리는 인공 일반 지능(AGI) 구축이라는 인류 역사상 가장 야심찬 도전 중 하나를 5년에 걸쳐 기록한 작품입니다. 데미스 허사비스와 그의 딥마인드 팀이 게임 AI에서 시작해 알파고로 세계를 놀라게 하고, 마침내 50년간 풀리지 않던 단백질 접힘 문제를 해결하기까지의 여정을 담고 있습니다. 단순한 기술 성공담을 넘어, AI가 과학과 인류의 미래를 어떻게 바꿀 수 있는지, 그리고 그 과정에서 우리가 마주해야 할 윤리적 딜레마까지 깊이 있게 다룹니다.
이 다큐멘터리는 2024년 트라이베카 영화제 공식 선정작으로, 알파고를 다룬 다큐멘터리를 만든 수상 경력의 팀이 제작했습니다. 데미스 허사비스는 이 작품이 완성된 후 2024년 노벨 화학상을 수상했으며, 이는 AI가 순수 과학에 기여한 첫 사례로 역사에 기록되었습니다.
핵심 내용
딥마인드의 시작: 불가능한 꿈을 향한 첫걸음
2007년 런던의 유니버시티 칼리지에서 데미스 허사비스와 셰인 레그는 당시 학계에서 거의 금기시되던 주제를 연구하고 있었습니다. 바로 인공 일반 지능(AGI)입니다. AI라는 단어조차 진지한 과학자로 간주받지 못할 정도로 외면받던 시대에, 두 사람은 인간 뇌에서 영감을 받아 스스로 학습하는 범용 AI 시스템을 만들 수 있다고 믿었습니다.
“제 인생의 목적은 인공 일반 지능 해결이에요. 그리고 그 과정에서 AI를 세상에서 가장 복잡한 과학적 문제 해결의 궁극적인 수단으로 쓰는 거죠.” – 데미스 허사비스
2010년 딥마인드 창업 초기, 투자자를 설득하는 일은 거의 불가능에 가까웠습니다. 벤처 투자자들은 연간 1,000개의 프로젝트 중 1%만 투자하는데, AGI라는 개념은 99% 거절 대상이었습니다. “이건 역사상 가장 중요한 일”이라고 설명해도 돌아오는 질문은 “그래서 제품이 뭐죠? 돈은 어떻게 벌 거죠?”였습니다.
결국 피터 틸이 첫 주요 투자자가 되었지만, 그는 실리콘밸리로의 이전을 강력히 요구했습니다. 하지만 데미스는 런던에 머물기로 결정했습니다. “실리콘밸리에선 매년 모두가 회사를 설립해요. 성공하지 못하면 버리고 새로운 걸 다시 시작하죠. 장기 연구에 도움 되는 방식이 아니에요.”
DQN의 돌파구: 게임으로 일반 지능의 가능성을 증명하다
딥마인드의 첫 번째 주요 성과는 DQN(Deep Q-Network)이었습니다. 강화 학습과 딥러닝을 결합한 이 시스템은 아타리 게임 50개를 아무런 사전 지식 없이 스스로 학습했습니다. 규칙도, 점수 획득 방법도 알려주지 않았지만, 단지 “점수를 최대한 많이 따라”는 목표만으로 인간 수준을 뛰어넘었습니다.
특히 ‘브레이크아웃’ 게임에서의 성과는 놀라웠습니다. 처음 100번은 제대로 공도 못 받았지만, 300번 후에는 인간 수준에 도달했고, 500번 후에는 개발자들조차 생각하지 못한 최적 전략을 발견했습니다. 벽돌 옆으로 길을 터서 공을 뒤쪽으로 보내는 방법이었죠. 이것이 바로 진정한 학습이었습니다.
2014년 구글은 딥마인드를 4억 파운드(당시 유럽 최대 규모)에 인수했습니다. 많은 투자자들은 회사 매각을 꺼렸지만, 데미스는 명확했습니다. “제 뇌가 작동하는 동안 해결해야 할 게 정말 많으니까요. 평생 일한 5년을 대체 얼마를 받으면 바꾸시겠어요?” 구글은 딥마인드가 런던에서 독자적으로 운영되며, 순수 연구만 하는 문화를 유지하도록 허락했습니다.
알파고: 스푸트니크의 순간
2016년 서울에서 벌어진 이세돌과 알파고의 대결은 AI 역사의 분수령이었습니다. 바둑은 체스보다 훨씬 복잡한 게임으로, 바둑판으로 만들 수 있는 구성의 수는 우주에 있는 원자 수보다 많습니다. 수십 년간 “AI로는 불가능”하다고 여겨졌던 영역이었죠.
37수. 알파고가 둔 이 수는 전문 해설가들조차 “인간 바둑 기사라면 두지 않았을 수”라고 평가했습니다. 실제로 알파고 자신도 인간 기사가 이 수를 둘 확률을 10,000분의 1로 계산했습니다. 수천 년간 연구된 게임에서 완전히 새로운 무언가를 발견한 순간이었습니다.
알파고의 승리는 중국에 “스푸트니크의 순간”을 가져왔습니다. 1950년대 소련의 위성 발사가 미국의 우주 경쟁을 촉발한 것처럼, 알파고는 전 세계 AI 경쟁의 방아쇠를 당겼습니다. 중국 정부는 경기 중계를 중단시켰고, 이후 막대한 AI 투자를 시작했습니다.
더 놀라운 것은 알파제로였습니다. 인간의 지식을 전혀 사용하지 않고, 오직 자기 자신과의 대국을 통해 학습한 알파제로는 하루 만에 체스, 장기, 바둑 모두에서 초인적 수준에 도달했습니다. 알파고가 학습에 몇 달이 걸렸던 것과 비교하면 혁명적 발전이었죠.
단백질 접힘: 50년 난제의 해결
데미스는 케임브리지 시절부터 단백질 접힘 문제에 매료되었습니다. 단백질은 생명의 기계로, 아미노산 서열만으로 3차원 구조를 예측할 수 있다면 암 치료, 신약 개발, 플라스틱 분해 등 무궁무진한 가능성이 열립니다. 하지만 1960년대부터 이론적으로는 가능하다고 알려졌음에도, 아무도 해결하지 못한 문제였습니다.
2018년 첫 CASP(단백질 구조 예측 능력 평가) 대회에서 알파폴드는 2등 팀을 거의 50% 차이로 이겼습니다. 하지만 데미스는 만족하지 않았습니다. “생물학자들이 실제로 활용할 수 있는 수준”에는 아직 한참 멀었기 때문입니다. 실제로 노벨상 수상자 폴 너스는 “형편없다”고 평가했죠. “달에 가는 게 목표라면 가장 긴 사다리가 있어 봐야 아무짝에도 쓸모없잖아요.”
팀은 처음부터 다시 시작했습니다. 존 점퍼가 팀장이 되어 새로운 접근법을 시도했고, 데이터 파이프라인을 완전히 재설계했습니다. 2020년 코로나 팬데믹 속에서도 연구는 계속되었고, CASP에서 SARS-CoV-2 단백질 ORF8이 출제되었을 때 팀은 그 어느 때보다 열심히 매달렸습니다.
결과는 놀라웠습니다. 2020년 제14회 CASP에서 알파폴드는 90점을 넘기며 “단백질 접힘 문제 해결”로 공식 인정받았습니다. 반세기 동안 수천 명의 과학자가 도전했지만 누구도 이루지 못한 성과였습니다.
인류에게 선물하다
2021년 딥마인드는 더 놀라운 결정을 했습니다. 알파폴드 코드를 오픈소스로 공개하고, 2억 개 단백질 구조를 무료로 제공한 것입니다. “그냥 모든 단백질을 접어 이 세상 모든 사람에게 주면 되는데요. 그게 또 얼마나 많은 발견으로 이어질지 누가 알아요?”
공개 첫날 동시 사용자는 10만 명을 넘었습니다. 일본, 미국, 유럽 전역에서 연구자들이 몰려들었죠. 말라리아 연구자, 암 연구자, 플라스틱 분해 효소 연구자들이 자신들의 연구를 가속화할 수 있게 되었습니다.
실전 가이드
AI 연구자를 위한 장기 프로젝트 관리법
1단계: 명확한 비전 설정
데미스는 17살 때 이미 “AGI 해결”이라는 평생 목표를 세웠습니다. 불프로그에서 수백만 파운드 제안을 거절하고 케임브리지로 간 것도, 피터 틸의 실리콘밸리 이전 요구를 거부한 것도 모두 이 비전 때문이었습니다. 명확한 장기 비전이 있으면 단기적 유혹을 거부할 수 있습니다.
실용 팁: 10년, 20년 후 달성하고 싶은 구체적 목표를 글로 작성하세요. “성공한 회사 만들기”가 아니라 “인류가 풀지 못한 과학 문제 해결하기”처럼 구체적이어야 합니다.
2단계: 올바른 환경 구축
실리콘밸리의 “빠른 실패” 문화는 장기 연구에 독이 됩니다. 딥마인드가 런던에 머문 이유는 케임브리지, 옥스퍼드, UCL 등에서 뛰어난 인재를 모을 수 있고, 장기 연구 문화를 유지할 수 있기 때문이었습니다. 구글 인수 시에도 “순수 연구만 하는 독립적 운영”을 조건으로 했죠.
실용 팁: 분기별 실적 압박이 있는 환경에서는 근본적 혁신이 어렵습니다. 최소 2-3년 단위로 평가받을 수 있는 환경을 찾거나 만드세요.
3단계: 실패를 학습의 기회로
2018년 CASP에서 “형편없다”는 평가를 받았을 때, 팀원 일부는 포기를 고려했습니다. 하지만 데미스와 존 점퍼는 완전히 새로운 접근법으로 재시작했습니다. 실패는 방향을 바꾸라는 신호입니다.
실용 팁: 실패 후 최소 1주일은 “무엇이 잘못되었나”가 아니라 “무엇을 배웠나”에 집중하세요. 딥마인드는 첫 CASP 실패 후 데이터 파이프라인과 알고리듬을 완전히 재설계했습니다.
비판적 검토
강점: 과학적 엄밀함과 사회적 책임의 균형
이 다큐멘터리의 가장 큰 강점은 기술적 성취를 찬양하는 데 그치지 않고, AI의 위험성과 윤리적 딜레마를 정면으로 다룬다는 점입니다. 군사적 활용 우려, 일자리 대체 문제, 알고리듬 편향성, 딥페이크와 허위정보 등 AI가 야기할 수 있는 모든 문제를 솔직하게 보여줍니다.
특히 인상적인 부분은 오펜하이머와 맨해튼 프로젝트와의 비교입니다. “오펜하이머와 다른 지도자들이 기술 개발 과정에서 흥분감에 휩쓸렸다”는 비판을 직접 언급하며, 딥마인드도 같은 실수를 반복하지 않으려 노력한다는 점을 강조합니다.
한계: 다루지 못한 구조적 문제들
하지만 이 다큐멘터리는 몇 가지 중요한 문제를 충분히 다루지 못했습니다.
- 엘리트주의와 접근성: 딥마인드는 “세계 최고 과학자가 모이는 곳”을 지향합니다. 하지만 이는 역으로 소수 엘리트 집단이 인류의 미래를 결정한다는 의미이기도 합니다.
- 에너지 소비와 환경 비용: 알파폴드 학습에 소요된 전산 자원과 에너지 소비에 대한 언급이 전혀 없습니다. 대규모 AI 모델 학습은 막대한 탄소 배출을 야기합니다.
- AGI 타임라인의 불확실성: 다큐멘터리는 “AGI가 임박했다”는 메시지를 강하게 전달하지만, 실제 전문가들 사이에서는 의견이 크게 갈립니다.
- 알파폴드의 실제 한계: 2억 개 구조 예측이 공개되었지만, 모든 구조가 동일한 정확도를 갖는 것은 아닙니다.
핵심 인사이트
- 장기 비전과 단기 실행의 균형: AGI라는 먼 목표를 추구하면서도 DQN, 알파고, 알파폴드 같은 중간 이정표를 설정한 전략이 성공의 핵심이었습니다.
- 과학적 엄밀함이 비즈니스 성공의 기반: 단기 수익보다 장기 연구를 우선시한 결정이 결국 더 큰 가치를 창출했습니다.
- 오픈소스의 역설적 힘: 알파폴드를 무료 공개함으로써 더 큰 영향력과 신뢰를 획득했습니다.
- 실패를 학습 데이터로: 2018년 CASP “형편없다”는 평가를 2020년 “문제 해결”로 전환한 회복력이 핵심이었습니다.
- AI의 이중성을 직시하라: 기술 낙관론과 윤리적 우려를 동시에 다루는 균형 감각이 장기적 성공의 열쇠입니다.
요약자 노트
이 다큐멘터리는 AI가 순수 과학에 기여할 수 있음을 증명한 역사적 기록입니다. 단순히 게임에서 이기거나 챗봇을 만드는 것을 넘어, 50년 난제를 해결하고 인류 지식의 경계를 확장한 사례죠. 2024년 노벨 화학상 수상은 이러한 기여를 공식적으로 인정한 것입니다.
하지만 동시에 우리가 얼마나 신중해야 하는지도 보여줍니다. AGI는 “전기나 불의 등장”에 비견될 만큼 중대한 발명이 될 것이고, 그만큼 위험도 클 것입니다. 데미스의 말처럼 “처음부터 제대로 하길 목표로 삼아야 해요. 그렇게 할 유일한 기회일 수 있으니까요.”
이 글은 YouTube 자동 생성 자막(자막 추출일: 2025-12-30)을 바탕으로 작성되었습니다. 영상의 핵심 내용을 정리한 것이므로, 보다 완전한 이해를 위해서는 원본 영상 시청을 권장합니다.