AI VIDEO BRIEFING
AI 지수 성장과 연구 전략: 스탠퍼드 물리·AI 콘퍼런스 강연이 말한 커리어 다시 짜기
스탠퍼드 물리·AI 콘퍼런스 강연을 정리했다. 최근 10년간 학습 연산량 1000만 배 증가와 과제 시간지평의 지수 성장을 근거로, 연구 주제와 커리어를 다시 골라야 하는 이유와 유망 분야, 위험 회피가 오히려 손해가 되는 이유를 짚는다.
핵심 메시지
- 지난 10년간 최대 규모 AI 모델의 학습 연산량은 약 1000만 배 늘었고, 발표자는 이 추세가 곧 꺾일 근거를 찾기 어렵다고 본다.
- AI가 혼자 처리할 수 있는 소프트웨어 과제의 '시간 길이'가 지수적으로 늘어, 1년 전 예상보다 훨씬 빨리 하루치 업무 규모를 넘어섰다.
- 2년이 걸리는 연구가 완성될 무렵 누군가 파운데이션 모델에 질문 한 번으로 더 나은 결과를 얻는 상황이 최악의 시나리오다.
- 변화가 큰 시기에는 '안전한 선택'이 실제로는 위험을 줄여주지 못하고 잠재적 성과만 포기하게 만든다.
- 지수 곡선의 초반부이기 때문에 지금의 작은 결정이 이후 판도를 크게 바꾼다는 것이 강연의 핵심 메시지다.
쉽게 이해하기
스탠퍼드대에서 열린 2026년 물리·AI 콘퍼런스에서 앤스로픽의 야샤 솔딕스타인(Jascha Sohl-Dickstein)이 연구자들에게 건넨 강연이다. 그는 신경과학의 개척자가 남긴 조언서 제목을 빌려와, 미래가 현재의 단순한 연장선일 것이라는 가정 자체를 의심해 보라고 말한다. 시간에 따른 세계 GDP 곡선 위에 서 있는 사람은 자기 발밑이 가파른 지수 구간이라는 사실을 잘 느끼지 못한다는 비유가 출발점이다.
근거로 제시한 첫 번째 자료는 학습 연산량 그래프다. 1950년대부터 주요 AI 모델의 학습 연산량을 그리면 학계 관심사에서 상업적 대상으로 넘어가는 지점에서 기울기가 한 번 바뀌고, 최근 10년 사이에만 약 1000만 배가 늘었다. 그는 시냅스 하나가 1밀리초에 한 번 연산한다고 가정하면 사람의 평생 뇌 연산이 대략 1조 페타플롭 수준이라고 어림하면서, 최대 모델의 학습 연산이 이미 그 언저리에 접근했다고 설명한다. 다만 이것이 인간 수준 지능의 충분조건도, 반드시 필요한 조건도 아니라고 못 박는다.
두 번째 자료는 과제의 '시간 길이'다. 사람이 AI 없이 수행할 때 걸리는 시간을 기준으로, 모델이 도움 없이 50% 확률로 해내는 과제의 길이를 재면 이 값이 지수적으로 증가한다. 발표자는 1년 전만 해도 하루치 소프트웨어 업무를 처리하는 시점을 2026~2027년으로 이야기했는데, 1년 만에 10배가 늘어 이미 그 지점을 지났다고 말한다. 성공률 기준을 80%, 90%로 높이면 곡선의 기울기는 같고 시점만 1~2년 뒤로 밀린다는 설명도 덧붙인다.
그는 벤치마크의 역사도 근거로 든다. 1990년대에 만든 벤치마크는 인간 수준 성능에 도달하기까지 20년이 걸렸지만, 지금 만드는 벤치마크는 몇 달에서 몇 년이면 따라잡힌다. 그래서 'AI가 어떤 능력에서 정체하고 있다'고 느낀다면 그 느낌을 수치로 만들어 측정해 보라고 권한다. 최근 몇 달 사이 AI 모델이 에르되시가 남긴 미해결 문제 일부를 풀기 시작한 것도, 학습 데이터 안의 문제만 푼다는 통념과 어긋나는 사례로 제시된다.
강연의 후반부는 개인의 선택으로 옮겨간다. 그는 매일 클로드와 일하는 경험을 '실행력은 뛰어나지만 아직 연구 취향은 부족한 대학원생'에 비유하면서, 1년 전에는 불가능했던 수준이며 1년 뒤에는 또 달라져 있을 것이라고 말한다. 컴퓨트가 2030년에 2025년의 1만 배까지 커질 수 있다는 추정치를 들며, 지금은 곡선의 초반부이고 그래서 초기의 작은 개입이 큰 결과를 낳는다고 강조한다.
주요 인사이트
- 연구 주제를 고를 때의 기준이 '어렵고 새로운가'에서 '완성될 때까지 유효한가'로 옮겨간다. 느리게 배회하는 탐색형 연구가 가장 큰 타격을 받는다는 점을 발표자 스스로도 아쉬워한다.
- 2019년 리처드 서튼의 '쓰라린 교훈'을 뒤집어 읽으면, 연산과 지능이 커질수록 효과가 커지는 프로젝트는 기대 이상으로 성과를 내고 규모만으로 해결될 문제는 손대지 말아야 한다는 실무 지침이 된다.
- 위험 회피의 계산법이 달라진다. 대규모 변화가 예정된 상황에서는 피할 수 없는 기본 위험이 이미 높아, 안전한 선택은 위험을 줄이지 못한 채 보상만 낮춘다.
- 도구는 쓰되 사고는 넘기지 말라는 선이 분명하다. 브레인스토밍, 반박 요청, 분석 자동화에는 적극적으로 쓰되 글의 초안은 직접 쓰라는 조언은 '쓰기가 곧 사고'라는 이유에서 나온다.
- AI를 적용 대상이 아니라 연구 대상으로 삼는 접근이 유망하다. 해석가능성은 물론 통계물리·심리학·경제학의 방법을 모델 내부에 적용하는 길이 열려 있다.
자주 묻는 질문
발표자가 제시한 AI 발전 속도의 근거는 무엇인가?
학습 연산량이 최근 10년간 약 1000만 배 늘었다는 점, 모델이 혼자 해내는 과제의 시간 길이가 지수적으로 증가한다는 점, 그리고 새 벤치마크가 과거 20년 걸리던 것을 이제 몇 달에서 몇 년 만에 따라잡는다는 점을 들었습니다.
연구 프로젝트를 고를 때 무엇을 피하라고 했나?
2년 동안 열심히 해서 선형적으로 나아갔는데 완성 시점에는 누군가 파운데이션 모델에 물어보는 것만으로 더 나은 결과를 얻는 상황을 피하라고 했습니다. 규모가 커지면 어차피 풀릴 문제 대신, 연산과 지능이 커질수록 효과가 커지는 주제를 권했습니다.
구체적으로 어떤 분야를 유망하게 봤나?
재료 탐색·단백질 접힘·기상 모델링 같은 과학 응용, AI 모델 자체를 대상으로 한 해석가능성 연구, AI 안전 연구, 능력 예측과 외삽, 접근성과 형평성 문제, 그리고 정부를 돕는 정책·거버넌스 작업을 꼽았습니다.
학생이 코드를 직접 짜는 연습은 여전히 필요한가?
코드가 무슨 일을 하는지 이해할 만큼의 경험은 필요하지만 지금 들이는 시간보다는 훨씬 적어도 된다는 답이었습니다. 파이썬을 쓰는 사람이 천공카드 시절만큼 내부를 몰라도 더 높은 추상 수준에서 일하듯, 결과를 캐묻고 검증하는 습관이 중요하다고 했습니다.
원문과 출처
이 글은 원본 영상의 자막을 바탕으로 한국어 독자를 위해 요약했습니다. 전체 맥락과 최신 정보는 원문에서 확인하세요.
YouTube 원본 영상 보기 ↗