Demis Hassabis YC 인터뷰: AGI까지 빠진 1~2가지와 창업가 조언 (youtube.com) ↗

• AGI로 가는 길에 아직 안 풀린 건 continual learning, 장기 추론, 메모리, 일관성 정도. 큰 아이디어 1~2개가 더 필요한지에 대해서는 Demis 본인도 50/50으로 본다는 입장
• 메모리는 여전히 미해결. 100만 토큰 컨텍스트도 영상 기준으로 보면 고작 20분짜리. 사람 작업 기억(7~12자리)보다 훨씬 크지만, 그 안에서 지금 진짜 필요한 정보를 찾는 검색·관련성 비용이 0이 아님
• 작은 모델 시대. Flash 같은 모델이 프론티어 능력의 95% 수준에 가격은 1/10. distillation에 정보 한계가 있는지는 아직 안 보임
• 에이전트는 시작 단계. 자율 에이전트 수십 개를 동시에 돌리는 그림보다, 사람 한 명이 1000배 빨라진 결과물이 먼저 보일 흐름
• DeepMind CEO Demis Hassabis와 YC Garry Tan의 40분 대담. 작년 AlphaFold로 노벨 화학상 받은 직후 출연. Demis 본인 추정 AGI 시점은 2030년쯤

AGI까지 무엇이 빠졌나?

• Demis는 현재 패러다임(대규모 사전학습 + RLHF + chain of thought)이 막다른 길은 아니라고 단언. 다만 그 위에 큰 아이디어 1~2개가 더 얹혀야 할 가능성을 50%로 봄
• 핵심 미해결 영역: continual learning, 장기 추론, 메모리 통합, 일관된 행동
• 사람 뇌는 잠잘 때(특히 REM 수면) 중요한 경험을 재생하면서 새 지식을 기존 지식에 자연스럽게 통합. AI는 지금 그 일을 컨텍스트 윈도우에 다 쑤셔넣는 식으로 거칠게 처리하는 중. Demis 본인 표현으로 “덕테이프로 붙인 상태”
• 메모리 비용 구조 문제. 1000만 토큰까지 다 저장 가능하더라도, 거기서 지금 결정에 진짜 필요한 게 뭔지 찾는 비용이 0이 아님. 메모리 쪽에 혁신 여지가 많이 남음
• 추론도 비슷한 패턴. Demis가 Gemini와 체스 두면서 본 장면, 모델이 자기 수를 “이건 실수”라고 알고도 더 좋은 수가 안 보이면 그 실수를 그대로 둠. 본인의 사고 과정에 대한 introspection이 빠진 듯하다는 진단

작은 모델은 어디까지 강해지나?

• DeepMind 강점 중 하나가 가장 큰 모델을 만든 뒤, 그 능력을 작은 모델로 빠르게 압축해 넣는 distillation. Jeff Dean, Oriol Vinyals 등이 distillation 기법 자체의 원조
• Google 검색 AI Overview, Gemini 앱, 지도, YouTube 등 수십억 단위 사용자 제품에 Gemini가 들어가는 중. 빠르고 싸야 하니까 Flash·Flashlight 같은 작은 모델의 효율 압박이 클 수밖에 없음
• Demis는 distillation의 정보 이론적 한계를 아직 본 적 없다는 입장. 프론티어 모델이 나오면 6개월~1년 안에 그 능력 상당 부분이 더 작은 모델 안에 자리 잡음
• 작은 모델의 가치는 단순한 비용 절감이 아님. 속도가 빠르면 코딩 같은 협업 작업에서 반복 횟수가 늘어나 5~10% 능력 차이를 역전. 95%급 작은 모델 + 빠른 반복이 100% 모델 + 느린 반복을 이길 수 있다는 얘기
• 엣지 활용 방향. 로봇·안경·휴대폰처럼 개인 정보를 다루는 기기는 작은 모델로 로컬 처리하고, 큰 모델은 필요할 때만 클라우드에서 호출하는 구조가 자연스러움

에이전트는 정말 과대평가됐나?

• Demis는 과대평가가 아니라 시작 단계라고 봄. AGI까지 가려면 능동적으로 일을 처리하는 시스템이 필수고, 그게 곧 에이전트
• 다만 지금은 다들 실험 중. 지난 몇 달부터 진짜 가치가 나오는 자리가 보이기 시작. 그 전까지는 사실상 멋진 데모 수준에 머물렀음
• Demis가 든 지표 하나. 아직 vibe coding으로 만든 게임이 앱스토어 1위에 오른 사례가 없음. 도구는 충분히 좋아졌는데 사람 쪽의 craft·취향·끈기가 마지막 한 끗 모자란 듯
• 흐름 예측. 자율 에이전트를 떼로 돌리는 시대보다, YC에 모인 사람들처럼 개인이 1000배 빨라진 결과물이 먼저 나옴. 그 다음에 점진적으로 자동화로 인계되는 순서
• 창의성 시험대. AlphaGo의 Move 37은 멋졌지만, Demis가 던지는 진짜 질문은 “바둑이라는 게임 자체를 발명할 수 있나”. 오늘날 시스템은 아직 못 함

1인 창업가는 무엇을 만들어야 하나?

• Demis가 본인이 지금 YC에 앉아 있다면 어떻게 할지에 대한 답. AI의 발전 궤적을 정확히 짚는 것 + AI를 다른 deep tech 영역과 결합하는 것
• 추천 영역. 재료과학, 의약, 어려운 과학 분야. 원자(atoms)를 다루는 영역이 끼면 다음 모델 업데이트 한 번으로 휩쓸리지 않는 방어막이 됨
• 창업자가 양쪽 도메인 다 전문가이거나, 그런 공동창업자 조합을 갖추는 게 핵심. 어느 한쪽이 약하면 결국 다른 팀에 따라잡힘
• AGI 시점도 같이 고려. Demis 기준 2030년쯤 AGI. 지금 시작하는 deep tech 창업은 보통 10년 여정이라 AGI가 그 중간에 등장한다는 가정으로 설계해야 함
• 그래서 만들 때 “이 시스템이 나중에 일반 AGI한테 도구로 호출될 수 있는가”를 같이 생각하는 게 합리적. 모든 걸 한 거대 모델에 다 넣지 말고, 전문 시스템을 도구로 두는 구조가 정보 효율 면에서도 우월

항목	Demis가 본 현재 상태	다음 1~3년
AGI 핵심 누락	continual learning, 메모리, 추론 일관성	1~2개 큰 아이디어 또는 점진 개선
작은 모델	프론티어의 95%, 가격 1/10	정보 한계 안 보임, 계속 좋아짐
에이전트	실험 단계, 1000x 사람이 먼저	자동화 점진 인계
가상세포	핵 단위 우선 시도 중	10년 후 완전 가상세포 가능
AGI 시점	50/50 베팅, 본인 추정 2030	deep tech 창업 시 중간 도래 가정

AlphaFold 같은 돌파를 만들 수 있는 영역의 패턴은?

세 조건이 맞아야 함. 첫째 거대한 조합적 탐색 공간(brute force로 못 푸는 규모, 단백질이나 바둑 수처럼). 둘째 명확한 목적 함수(자유 에너지 최소화나 승리 같은 것). 셋째 충분한 데이터 또는 양질의 시뮬레이터. 신약 개발도 같은 패턴(병을 고치는 분자가 어딘가 존재한다는 가정 + 어떻게 효율적으로 찾느냐).

AI가 진짜 새로운 과학적 발견을 할 수 있나?

Demis 표현으로 “Einstein 시험”. 1901년까지의 지식만 학습한 시스템이 1905년 특수상대성 이론을 스스로 도출할 수 있는가. 아직 거기까지는 못 갔지만 마법이라고 보지는 않는 입장. 1~2가지가 빠졌을 뿐. Riemann 가설이나 P=NP를 푸는 건 몇 년 안에 가능할 수도 있지만, 수학자들이 평생을 걸 만한 새로운 Millennium Prize급 문제를 스스로 제시하는 건 한 단계 더 어려움.

AGI 시점이 2030이면 지금 deep tech 창업해도 되나?

Demis는 권장하는 입장. 다만 AGI가 여정 중간에 등장한다는 가정으로 설계해야 한다는 단서. 본인이 만든 시스템이 일반 AGI한테 “전문 도구”로 호출되는 구조면 오히려 가치가 증폭됨. AlphaFold가 Gemini의 도구로 호출되는 그림이 그 예시.

Gemma 같은 오픈 모델은 왜 점점 중요해지나?

Gemma 4가 출시 2.5주 만에 4천만 다운로드 기록. Demis는 현재 오픈소스 모델 시장을 중국 모델들이 주도하는 상황에서 서구권에도 경쟁력 있는 오픈 스택이 필요하다는 입장. 또 안경, 로봇, 안드로이드 같은 엣지 기기에 들어가는 모델은 어차피 외부에 노출되니까 차라리 완전히 오픈으로 풀자는 결정. nano 사이즈에서 오픈 모델로 통일하는 전략.

Gemini가 처음부터 멀티모달로 만들어진 게 왜 중요한가?

초창기엔 텍스트 전용보다 어려웠지만, 월드 모델·로봇·디지털 비서 영역에서 큰 격차로 나타나는 중. Genie 월드 모델이 Gemini 위에 올라가고, Gemini Robotics와 Whimo(자율주행)도 같은 멀티모달 기반. 안경이나 휴대폰처럼 사용자 옆을 따라다니는 디지털 비서는 주변 물리 환경과 직관적 물리 법칙(intuitive physics)을 이해해야 작동. Demis는 이 영역에서 Gemini가 압도적이라는 입장.

추론 비용이 거의 0이 되는 시대가 올까?

Demis는 진짜 무료까지는 안 간다는 입장. Jevons 역설(가격이 떨어지면 사용량이 더 늘어남) + 칩 물리 생산 한계 때문. 융합 에너지나 초전도체로 에너지 비용이 0에 수렴해도 칩 제조 자체의 병목은 남음. 향후 수십 년은 어떻게든 추론 자원을 효율적으로 배분해 써야 함. 빈자리는 에이전트 수백만 개를 떼로 돌리거나, 한 에이전트가 여러 방향으로 동시 추론한 뒤 결과를 합치는(ensembling) 식으로 채워질 것.

가상 세포(virtual cell)는 언제 가능한가?

Demis 추정 약 10년. Isomorphic Labs(DeepMind 스핀아웃)가 AlphaFold 이후 신약 발견의 인접 화학·생화학을 이어 만드는 중. 전체 세포 시뮬레이션은 너무 복잡해서 일단 비교적 자기완결적인 가상 세포 핵(nucleus)부터 시작. 막힘 두 가지. 첫째 살아있는 세포를 죽이지 않고 nm 해상도로 이미징하는 하드웨어가 없음. 둘째 동적 시스템을 학습된 시뮬레이터로 잘 모델링하는 방법. 둘 중 어느 쪽이든 풀리면 가상 세포가 현실에 가까워짐.

1인기업 관점

Demis 조언 중 1인 창업가한테 직접 적용되는 부분은 “AI를 다른 도메인과 결합하라”인 듯. 새 모델 업데이트 한 번에 휩쓸리는 wrapper 형태가 아니라, 본인이 진짜 잘 아는 영역(세무, 영업, 물류, MD 같은 한국식 백오피스)에 AI를 박아 넣으면 1인이 버틸 자리가 됨. AGI가 2030년에 온다 해도 그 사이 5년은 본인 도메인 지식 + AI 도구 조합이 가장 빠른 가치 전달 방식이 아닌가 싶음. 거기에 본인 시스템을 “나중에 AGI가 도구로 호출하기 좋은 형태”로 설계해두는 발상도 한 번 해볼 만한 듯.

---

관련: AI에는 진입장벽이 없다: George Hotz와 AI 시대 1인기업이 무엇을 팔아야 하나도 같이 보면 좋습니다.