올해 노벨상은 AI 성과에 대해 물리학과 화학 분야 모두에서 상을 수여하는 것이 무엇을 의미하며 어떤 영향을 미칠까요? Demis Hassabis는 이번 단독 인터뷰에서 자신의 의견을 밝혔습니다.
지난 10월, DeepMind 공동 창립자이자 CEO인 Demis Hassabis는 AlphaFold로 노벨 화학상 공동 수상자 3명 중 한 명이 되었습니다.
인공 지능 소프트웨어인 AlphaFold는 50년 전 생물학계에서 제기된 문제, 즉 알려진 모든 단백질의 구조를 예측하는 문제를 해결합니다.
실제로 이 획기적인 모델인 AlphaFold는 DeepMind 성과의 일부일 뿐입니다. DeepMind는 설립된 지 15년 만에 세계에서 가장 중요한 AI 연구소 중 하나로 성장했습니다.
Google에 인수되고 Google Brain과 합병된 후 일부 비즈니스 고려 사항이 추가되었지만 여전히 과학 및 공학 분야에서 가장 복잡하고 근본적인 문제에 초점을 맞추고 있으며 궁극적으로 인간의 인지 능력을 모방하거나 심지어 대체할 수 있는 강력한 AI를 설계하고 있습니다.
Demis Hassabis는 노벨상 수상 후 24시간도 채 되지 않아 Financial Times 기자 Madhumita Murgia와의 인터뷰를 수락하고 DeepMind가 다음에 해결할 주요 문제, 과학적 진보에서 AI의 역할, AGI로 가는 길에 대한 자신의 생각에 대해 논의했습니다. 전망 예측.
런던 Google DeepMind 본사의 Demis Hassabis
AI4Science의 다음 도전
AlphaFold 3의 관련 발전은 생물학 분야에서 DeepMind의 다음 단계, 즉 유기체 내 상호 작용을 이해하고 궁극적으로 전체 경로를 모델링하고 심지어 가상 세포를 구축하는 것까지 어느 정도 입증합니다.
또한 딥마인드 자회사인 아이소모픽(Isomorphic)의 노력을 통해 새로운 화합물을 설계하고 결합 부위를 찾고 이들 물질의 특성, 흡수, 독성 등을 예측하는 신약 발견 분야에도 진출하고 있다.
현재 아이소모픽은 엘리 릴리(Eli Lilly), 노바티스(Novartis) 및 기타 회사와 협력하여 6개의 약물 연구 개발 프로젝트를 수행하고 있으며 향후 몇 년 내에 임상 진전이 있을 것으로 예상됩니다. 이를 통해 일부 질병을 치료하는 데 도움이 됩니다.
허사비스는 생물학 분야 외에도 재료 디자인 분야에서도 매우 흥미를 느끼고 있다고 밝혔습니다.
작년에 그들은 AlphaFold 1 수준의 재료 설계를 달성하기 위해 GNoME이라는 AI 도구를 제안하는 논문을 Nature에 발표했으며 다음 단계에서 총 220만 개의 새로운 결정을 발견했습니다. 그들은 AlphaFold 2 수준에 도달하기 위해 열심히 노력해야 합니다.
논문 주소: https://www.nature.com/articles/s41586-023-06735-9
수학 측면에서 AlphaProof와 AlphaGeometry는 올해 IMO 은메달 수준에 도달했습니다. 향후 몇 년 동안 DeepMind는 AI의 힘을 사용하여 중요한 수학적 추측을 실제로 해결하려고 노력할 것입니다.
에너지 및 기후 분야의 경우 지난해 사이언스(Science)에 발표된 그래프캐스트(Graphcast) 모델은 1분 이내에 전례 없는 정확도로 향후 10일 동안의 날씨를 예측할 수 있습니다.
논문 주소: https://www.science.org/token/author-tokens/ST-1550/full
관련된 기술은 기후 변화에 대처하고 전력망 최적화와 같은 분야에서 매우 중요한 기후 모델링에 도움이 될 수 있습니다.
DeepMind의 미래 청사진은 순수한 기초 연구보다는 기술을 현실 세계에 영향을 미칠 수 있는 작업으로 더욱 변환하는 것을 목표로 응용 및 엔지니어링 실습에 더 중점을 두고 있음을 알 수 있습니다.
이와 관련하여 허사비스는 "단백질 접힘"은 "예상치 못한" "도전"이며 모든 문제에 이러한 금 함량이 요구될 수는 없다고 말했습니다.
'단백질 접힘' 문제는 생물학 분야의 페르마의 마지막 정리와 맞먹을 정도로 핵심적이고 중요하다. "도전."
노벨상은 AI의 분수령이 될 것이다
올해 노벨 물리학상과 화학상이 AI 학자들에게 속속 수여됐다는 점은 흥미롭지만, 수상위원회가 왜 이런 결정을 했는지는 누구도 알 수 없다.
허사비스는 이것을 어떻게 이해합니까?
그는 이는 위원회가 의도적으로 발표한 '성명'과 매우 흡사하며 AI의 기술적 성숙도가 과학적 발견을 지원할 만큼 충분히 인정되었음을 나타내는 분수령이 될 것이라고 말했습니다.
AlphaFold가 가장 좋은 예인 반면 Hinton과 Hopfield의 상은 보다 기본적이고 낮은 수준의 알고리즘 작업에 대한 것입니다.
Hassabis는 10년 후에 AlphaFold가 이 모든 다양한 분야에서 과학적 발견의 새로운 황금시대를 예고할 수 있기를 희망한다고 말했습니다.
이는 또한 흥미로운 질문을 제기합니다. 과학자들은 AlphaFold와 같은 도구를 사용하면 더 이상 예측을 하는 데 너무 많은 시간과 에너지를 소비할 필요가 없습니다. 이것은 우리가 새로운 분야를 탐구해야 한다는 것을 의미합니까? 아니면 과학적 개념을 배우는 방식을 바꾸시겠습니까?
AI 시스템은 고유한 새로운 종류의 도구라는 점에 유의해야 합니다. 여기에는 몇 가지 고유한 기능이 있으므로 전통적인 도구 분류에 적합하지 않습니다.
AlphaFold와 같은 도구는 현재 예측만 할 수 있지만 어떤 의미에서는 예측도 "이해"의 일부입니다. 예측할 수 있으면 이해가 가능합니다.
단백질의 구조처럼 예측된 결과가 충분히 중요하더라도 그 자체로 가치가 있습니다.
더 넓은 관점에서 볼 때 과학에는 다양한 수준의 "추상화"가 포함되어 있습니다.
예를 들어, 화학의 모든 분야는 물리학을 기반으로 합니다. 원자 화합물에 관해 이야기하고 화학을 추상적인 수준에서 이해하기 위해 양자역학과 같은 물리적 원리를 모두 이해할 필요는 없습니다.
생물학 분야에서는 생명을 연구할 수 있지만 생명이 어떻게 진화하고 출현했는지는 여전히 모르고, 생명이라는 개념도 정확하게 정의할 수 없습니다.
마찬가지로 AI는 프로그램과 네트워크를 구축하는 사람들이 물리적 수준에서 이해하는 추상화 계층과 같지만, 나오는 예측은 과학적 수준에서 스스로 예측할 수 있는 창발적 속성과 같습니다.
AGI가 다가오고 있습니다. 이해가 중요합니다.
자연과학이든 인공지능 시스템이든 '이해'는 매우 중요합니다.
인공지능은 공학 분야입니다. 즉, 대상을 연구하고 이해하려면 먼저 시스템을 구축해야 하지만, 자연과학의 현상은 제작할 필요가 없으며 자연적으로 존재합니다.
AI 시스템은 공학적으로 만들어진 인공물이지만 이것이 자연 현상보다 연구하기 쉽다는 것을 의미하지는 않습니다. 심지어 생물학적 신경망만큼 이해하고 분해하고 해체하는 것이 어려울 것이라고 예상할 수도 있습니다.
지금 이런 일이 일어나고 있지만 우리는 어느 정도 진전을 이루었습니다. 예를 들어, 신경과학 개념과 도구를 사용하여 AI 시스템의 '가상 뇌'를 분석하는 '기계적 해석'이라는 전문 분야가 있습니다.
Hassabis는 AI의 설명 가능성에 대해 매우 낙관적이며 앞으로 몇 년 안에 AI 시스템을 이해하는 데 큰 진전이 있을 것이라고 믿습니다.
물론 AI는 스스로 설명하는 방법도 배울 수 있습니다. AlphaFold를 언어 능력 시스템과 결합하여 동시에 무엇을 하는지 예측하고 설명할 수 있다고 상상해 보십시오.
현재 많은 주요 연구실에서는 연구 범위를 좁히고 Transformer 확장에 중점을 두고 있습니다. 이것이 좋은 방향이고 최종 AGI 시스템의 핵심 구성 요소가 될 것이라는 점은 부인할 수 없지만 DeepMind는 계속해서 탐구와 혁신적인 연구를 지속할 것입니다.
실제로 DeepMind는 과학적 유산의 일부로 차세대 트랜스포머를 발명하기 위한 가장 광범위하고 심층적인 연구 플랫폼을 보유하고 있습니다.
이러한 탐색은 부분적으로 우리가 얼마나 멀리 갈 수 있는지 확인하여 탐색해야 할 것이 무엇인지 알기 위해 필요합니다.
새로운 아이디어를 탐색하고 흥미로운 아이디어를 최대한 활용하는 것은 모두 중요합니다. 현재 아이디어의 절대적인 한계를 이해하지 못한다면 어떤 혁신이 필요한지 알 수 없습니다.
LLM의 긴 컨텍스트 창이 좋은 예입니다. Google Gemini 1.5 Pro가 만든 2M 토큰 컨텍스트는 아직 누구도 따라할 수 없는 멋진 혁신입니다.
Google DeepMind 런던 사무소
AI를 이해해야만 안전한 AGI를 가질 수 있다
허사비스를 비롯한 많은 기술 리더들은 AGI를 실현하는 데 5~20년이 걸릴 것으로 예측했습니다.
이 목표를 달성하기 위해 과학적 방법을 사용하려면 AI 이해 및 분석 도구, 벤치마킹 및 평가에 중점을 두고 현재 투자의 10배가 필요한 더 많은 시간, 에너지 및 사고를 의미합니다.
이러한 의견은 기술 기업뿐만 아니라 AI 보안 기관, 학계, 시민 사회에서도 나와야 합니다. 우리는 AI 시스템이 수행하는 작업과 한계, 이러한 시스템을 제어하고 보호하는 방법을 이해해야 합니다.
"이해"는 과학적 방법의 중요한 부분이지만 순수 공학에서는 빠져 있습니다. 엔지니어링은 그저 지켜보는 것뿐입니다. 이 접근 방식이 작동합니까? 작동하지 않으면 다시 시도해 보세요. 시행착오가 가득합니다.
과학은 어떤 일이 일어나기 전에 이해할 수 있는 것입니다. 이상적으로 이러한 이해는 오류가 적다는 것을 의미합니다. AI와 AGI에서는 이러한 강력한 기술을 적용할 때 실수를 최대한 줄이고 싶기 때문에 이는 중요합니다.
아마도 몇 년 후에 AGI에 가까워지면 사회적 질문이 떠오를 것입니다. 우리는 이러한 시스템이 어떤 가치를 갖기를 원하는가? 우리는 그들을 위해 어떤 목표를 세워야 할까요?
이는 기술적인 문제와는 다릅니다. 기술적 측면은 시스템을 올바른 방향으로 유지하고 설정된 목표를 향해 나아가는 방법에 중점을 두지만, 목표가 무엇인지 결정하는 데는 도움이 되지 않습니다.
안전한 AGI 시스템을 위해서는 기술적 문제와 사회적 문제가 모두 맞아야 하지만 허사비스는 후자가 달성하기 더 어려울 수 있다고 생각합니다.
목표와 가치 등 일련의 문제에는 더 많은 UN과 지정학, 심지어 사회과학과 철학이 포함될 것이며 모든 수준의 정부, 학계, 시민 사회와의 광범위한 논의가 필요할 것입니다.
AGI가 10년이나 남았더라도 이러한 문제를 해결할 시간이 많지 않기 때문에 이 분야에 대한 논의는 지금부터 시작하여 다양한 소스와 관점의 목소리를 테이블에 올려야 합니다.