Demis Hassabis: Why AGI is Bigger than the Industrial Revolution

배경: Google DeepMind CEO Demis Hassabis의 20VC 인터뷰. AGI 정의, 스케일링 로우의 현실, AI가 과학을 어떻게 바꾸는지, 그리고 AGI 이후의 철학적 질문을 논한다. AlphaGo, AlphaFold, 트랜스포머 — 현대 AI 혁신의 90%가 DeepMind/Google에서 나왔다는 주장으로 시작.

인터뷰이: Demis Hassabis (Google DeepMind CEO, Isomorphic Labs)
인터뷰어: Harry Stebbings (20VC)
방송일: 2026년 4월 7일

---

요약

Demis Hassabis는 AGI를 "산업혁명의 10배 규모, 10배 빠른 속도"로 규정하고 이미 그 경로에 있다고 단언한다. 스케일링 로우는 끝나지 않았지만 지수적 개선 기대는 현실적으로 조정이 필요하다. AI가 앞선 영역: 비디오 모델, 인터랙티브 월드 모델(Genie). AI가 뒤진 영역: 연속 학습(Continual Learning). DeepMind의 경쟁 우위는 "AlphaGo → RL → AlphaFold → 트랜스포머"로 이어지는 알고리즘 혁신 능력이며, 이것이 스케일링 이후 시대에 더욱 중요해진다. 궁극적으로는 AI를 통한 신약 개발(Isomorphic Labs)로 수십억 명의 삶을 바꾸는 것이 목표.

주요 포인트:
- 스케일링 로우: 플래토가 아니라 지수에서 선형으로 이행 — 여전히 실질적 수익
- Continual Learning: 현재 가장 큰 미해결 과제, 뇌의 수면 기반 기억 공고화와 유사한 메커니즘 필요
- DeepMind 역할: 현대 AI 혁신 90%의 기원

---

인사이트

1. AGI 정의 — "아직 도달하지 않았다"

Hassabis의 AGI 기준:
- 단순히 특정 벤치마크를 패스하는 것이 아님
- 인간 수준의 범용 지능 — 어떤 지적 작업도 인간만큼 수행 가능
- 현재 AI는 많은 영역에서 탁월하지만 아직 완전한 AGI에 미치지 못함

"I sometimes quantify the coming of AGI as 10 times the industrial revolution at 10 times the speed."

이 규모의 변화가 준비 없이 오면 사회적 충격이 극심할 것이며, 그것이 안전(Safety) 연구를 병행하는 이유다.

---

2. 스케일링 로우 — 끝나지 않았지만, 지수는 아니다

Hassabis의 nuanced 입장:

"No, I don't think [scaling has plateaued]. I think it's a bit more nuanced. The returns are still very substantial, although they're a bit less than they were obviously at the start of all of this scaling."

구체적으로:
- 초기엔 세대마다 거의 2배 성능 향상
- 지금은 지수적이진 않지만 선형에 가까운 실질 개선 지속
- 프론티어 랩들은 여전히 compute 확장에서 큰 수익 얻는 중

핵심 함의: 스케일링이 끝났다는 주장은 과장이지만, "무한 스케일링 = AGI" 기대는 수정이 필요하다. 알고리즘 혁신이 다시 중요해지는 시점.

---

3. AI가 앞선 영역 vs. 뒤처진 영역

앞선 영역:
- 비디오 모델: 5~10년 전에 봤다면 놀랐을 수준
- Genie (인터랙티브 월드 모델): 텍스트/이미지에서 인터랙티브 환경 생성 — 물리 세계 시뮬레이션 수준

뒤처진 영역:
- Continual Learning (연속 학습): 훈련 완료 후 새로운 정보를 통합하는 능력

"These systems don't learn after you finish training them. They're not very good at learning further things."

뇌와의 비교:

"The brain does this very elegantly through things like sleep reinforcement learning — your memories during the day are replayed and then some of that information is elegantly incorporated into your existing knowledge base."

→ AI에서 이를 구현하는 것이 모든 프론티어 랩의 공통 과제. DeepMind도 연구 중.

---

4. DeepMind의 경쟁 우위 — 알고리즘 혁신 DNA

Hassabis의 자신감:

"About 90% of the breakthroughs that underpin the modern AI industry were done by either Google Brain or Google Research or DeepMind."

구체적 목록: AlphaGo(RL 돌파구), AlphaFold(단백질 예측), Transformers, 현재 Genie 등

DeepMind가 구글 내에서 뒤처졌다가 다시 선두로 온 방법:
1. Google/DeepMind의 모든 인재와 자원을 한 방향으로 결집
2. 각각 2~3개의 모델 버전을 만들지 않고 하나의 최대 모델에 집중
3. 스타트업처럼 행동 — 대기업 내부에서 스타트업 속도로

"Acting almost like a startup really to get back to the frontier and be ahead in many areas."

핵심 통찰: 스케일링 이후 시대에 알고리즘 혁신 능력을 가진 랩이 더 큰 우위를 갖는다. 컴퓨트 확장의 마지막 과즙이 짜내지면, 새로운 아이디어를 만들어내는 능력이 결정적.

---

5. 오픈소스 전략 — 6개월 차이의 생태계

Hassabis의 오픈소스 전망:
- 프론티어에서 약 6개월 뒤처진 위치에 오픈소스가 존재
- 오픈소스 커뮤니티가 6개월 안에 새 아이디어를 재구현·파악
- DeepMind는 Gemma 시리즈: 특정 크기에서 베스트인클래스 목표 (소규모 개발자·학계·스타트업용)

Harry의 포트폴리오 회사 패턴: 프론티어 모델로 벤치마크 설정 → 오픈소스로 비용 효율 극대화

---

6. AI로 과학을 가속하다 — Isomorphic Labs

AlphaFold의 임팩트:
- 50년간 풀지 못한 단백질 구조 예측 문제 해결
- 2024 노벨 화학상
- 수억 개 단백질 구조 오픈소스 공개 → 글로벌 생명과학 연구 가속

Isomorphic Labs: AlphaFold를 신약 개발에 적용
- 암, 희귀 질환 등 치료제 개발 파이프라인
- "AI scientist"를 만드는 것이 궁극적 목표

"I would like my legacy to be remembered for advancing science and building technologies that bring incredible benefits into the world like curing terrible diseases."

---

7. AGI 이후의 철학적 질문

Hassabis가 가장 우려하는 것은 경제적 문제보다 철학적 질문:

"When AGI comes, assuming we get the technical right, assuming we get the economics right — then there's a philosophical question of what is meaning, what is purpose, what is consciousness, what does it mean to be human."

기술적·경제적 문제보다 의미와 목적의 문제가 더 심오하다. 이것이 새로운 철학자들이 필요한 이유.

---

적용 가능한 점 (DS/ML 리더)

1. Continual Learning 주시: 훈련 후 지속 학습이 가능해지는 순간 ML 시스템 아키텍처가 근본적으로 바뀐다. 현재 RAG/fine-tuning의 역할 재정의 필요.

2. 알고리즘 혁신 > 스케일: 스케일링 수익이 감소할수록 새로운 알고리즘 아이디어가 경쟁 우위. 논문 독해·연구 역량이 실용적 차별화 요소.

3. 오픈소스 6개월 법칙: 프론티어 - 6개월 = 오픈소스. 비용 민감한 프로덕션에서 오픈소스로 충분한 경우가 늘어난다.

4. AI × 과학 응용: AlphaFold 사례처럼 AI가 특정 과학적 문제를 해결하는 것이 가장 임팩트 큰 응용. 도메인 특화 AI 전략 검토 가치.

---

퀴즈 결과

(미진행)

---

관련 노트

• LLM 학습·추론·최적화 MoC — 스케일링 로우, Continual Learning
• AI & Data Interests MoC — AGI 전략적 관점
• AlphaFold — 단백질 구조 예측
• Demis Hassabis — Google DeepMind CEO
• Isomorphic Labs — AI 기반 신약 개발
• Genie — DeepMind 인터랙티브 월드 모델