1. 체스판에서 신경과학 연구실까지 — 허사비스의 뿌리

1976년 7월 27일, 런던 북부의 핀즐리에서 한 아이가 태어났다. 아버지는 그리스계 키프로스인으로 장난감 가게를 운영했고, 어머니는 싱가포르 화교 출신이었다. 두 문화권이 교차하는 이 가정에서 자란 데미스 허사비스(Demis Hassabis)는 이후 인류 역사에서 가장 극적인 지적 궤적 중 하나를 그리게 된다.

4세에 아버지로부터 체스를 배웠다. 단순한 취미가 아니었다. 판 위의 64개 칸이 만들어내는 복잡한 논리 구조에 그는 깊이 빠져들었다. 경쟁을 즐겼지만, 더 정확하게는 ‘문제를 푸는 행위’ 자체에 매료됐다. 13세에 그는 영국 체스 마스터 타이틀을 획득했다. 영국 역사상 두 번째로 어린 나이였다. 세계 랭킹은 최고 2위까지 올랐다.

그러나 체스가 전부가 아니었다. 체스 신동이 동시에 집착한 것은 비디오 게임이었다. 10대 시절 허사비스는 Bullfrog Productions에서 인턴으로 일했다. 당시 사장은 전설적인 게임 디자이너 **피터 몰리뉴(Peter Molyneux)**였다. 이곳에서 허사비스는 게임이 단순한 오락이 아니라 복잡한 시스템 설계의 산물임을 체득했다. 1997년 발매된 병원 경영 시뮬레이션 Theme Hospital과 1999년의 Dungeon Keeper 2 개발에 기여하며 상업 게임 개발의 실전 감각을 쌓았다. 둘 다 당시 기준으로 매우 높은 완성도를 갖춘 타이틀이었다.

케임브리지 대학교 컴퓨터과학과에서 **더블 퍼스트(Double First, 최우수 우등)**를 기록하며 학부를 마친 후, 허사비스는 학계가 아닌 창업 쪽으로 먼저 발을 디뎠다. Elixir Studios를 창립하고 Republic: The Revolution과 전략 게임 Evil Genius를 출시했다. 게임 업계의 커리어는 성공적이었지만, 그를 진정으로 끌어당기는 질문은 다른 곳에 있었다.

“왜 인간의 뇌는 이렇게 잘 작동하는가?”

체스, 게임 설계, 컴퓨터과학 — 이 세 가지 경험이 합쳐지자 하나의 근본 질문이 떠올랐다. 지능이란 무엇인가. 그리고 그 답은 게임 엔진 코드가 아니라 인간의 뇌 구조에 있을 것이라고 그는 직감했다. Elixir Studios를 매각한 후 그는 **UCL(University College London)**로 향했다. 목적지는 신경과학 연구실이었다.

체스판이 허사비스에게 가르친 것은 전략적 사고만이 아니었다. 제한된 규칙 안에서 무한에 가까운 경우의 수를 처리하는 방법, 상대방의 의도를 추론하는 방법, 그리고 가장 중요하게는 — 장기적 목표를 위해 단기 이익을 양보하는 방법. 이 모든 것이 이후 그가 만들게 될 AI 시스템의 설계 원리가 됐다.

---

2. DeepMind 창립 — 과학 AI 연구소의 탄생

UCL에서의 신경과학 박사 과정은 허사비스에게 결정적인 시각을 제공했다. 2009년 완성된 그의 박사 논문은 **해마(hippocampus)**가 기억 형성과 상상력에서 하는 역할을 다뤘다. 이 연구는 당시 학계에서도 주목받을 만큼 탄탄했지만, 허사비스에게 더 중요한 것은 연구 과정에서 얻은 통찰이었다.

인간의 뇌는 경험으로부터 일반화된 규칙을 추출하고, 그것을 새로운 상황에 적용한다. 해마는 그 과정에서 핵심적인 역할을 한다. 그렇다면 이 메커니즘을 알고리즘으로 구현할 수 있지 않을까? “뇌의 작동 원리를 이해하면 AI를 만들 수 있다” — 이것이 허사비스가 DeepMind를 창립하는 지적 근거였다.

2010년, 허사비스는 두 명의 동료와 함께 DeepMind Technologies를 공동 창립했다. **셰인 레그(Shane Legg)**는 AGI의 이론적 정의를 연구하던 인물이었고, **무스타파 술레이만(Mustafa Suleyman)**은 AI의 사회적 응용에 관심이 컸다. 세 창립자의 관심사는 서로 달랐지만, 하나의 목표로 수렴했다 — 과학적 방법론으로 AGI를 달성한다.

초기 비전은 구체적이었다. 게임을 테스트베드로 사용한다. 규칙이 명확하고, 결과 측정이 가능하며, 수백만 번 반복이 가능한 환경. Atari 게임을 처음부터 학습해 인간 수준에 도달하는 것이 초기 목표였다. Elon Musk, Peter Thiel 등 실리콘밸리의 저명한 투자자들이 초기 자금을 댔다.

2014년, DeepMind는 세상을 놀라게 하는 결정을 발표했다. Google이 DeepMind를 인수했다. 인수 가격은 공식 발표되지 않았으나 $400-500M 수준으로 추정됐다 — AI 스타트업 인수 역사상 당시로서는 전례 없는 규모였다.

그러나 허사비스가 협상 테이블에서 지킨 것은 숫자가 아니었다. 그는 인수 조건으로 두 가지를 못 박았다. 첫째, 독립적인 연구 환경 보장 — Google의 단기 제품 로드맵에 종속되지 않는다. 둘째, AI 안전 위원회 설치 — DeepMind의 연구가 윤리적 검토 없이 배포되지 않는다. 당시로서는 매우 이례적인 조건이었다.

허사비스는 이 인수를 두고 내부적으로 이렇게 표현했다고 알려진다. “Google에 팔리지 않았다. 나는 Google을 내 연구를 위한 자원으로 활용하기로 했다.” 오만하게 들릴 수도 있는 말이지만, 이후 10년의 결과를 놓고 보면 이 판단은 정확했다. Google의 컴퓨팅 인프라와 DeepMind의 연구 역량이 결합하면서 AI 역사의 가장 중요한 돌파구들이 연달아 나왔다.

DeepMind는 런던에 본사를 유지했다. 실리콘밸리의 제품 문화와는 거리를 두고 런던의 학술 연구 문화를 지켰다. 이 지리적 선택은 단순한 취향이 아니었다 — 연구자들이 논문을 먼저 쓰고 제품은 나중에 생각하는 문화를 조직 안에 심겠다는 의지의 표현이었다.

---

3. AlphaGo — 세계가 멈춘 2016년 3월

체스에서 인간이 컴퓨터에 패한 것은 1997년이었다. IBM의 Deep Blue가 세계 챔피언 가리 카스파로프를 이겼을 때, 사람들은 충격을 받았지만 동시에 이렇게 말했다. “체스는 경우의 수가 계산 가능하니까 그렇지. 바둑은 다르다.”

바둑의 경우의 수는 10^170에 달한다. 우주 전체의 원자 수가 약 10^80이니, 단순 비교 계산으로는 인간이 살아있는 모든 시간을 써도 탐색이 불가능한 공간이다. 직관, 패턴 인식, 전략적 상상력이 필요한 게임. 많은 전문가들이 “AI가 바둑 최고수를 이기려면 수십 년이 걸릴 것”이라고 예측했다.

2015년, DeepMind는 조용히 첫 번째 성과를 공개했다. AlphaGo가 유럽 바둑 챔피언 **판 후이(Fan Hui)**에게 5-0으로 승리했다. 세계 최초로 AI가 프로 바둑 기사를 이긴 순간이었다. 그러나 판 후이는 세계 탑 랭커가 아니었다. 진짜 시험은 다른 무대에서 기다리고 있었다.

2016년 3월, 서울. 이세돌 9단과 AlphaGo의 5번기 대국이 시작됐다. 이세돌은 단순한 챔피언이 아니었다 — 바둑계에서 가장 창의적이고 직관적인 플레이어로 평가받는 살아있는 전설이었다. 대국 전 허사비스는 “70% 확률로 AlphaGo가 이길 것”이라고 조심스럽게 예측했다. 대부분의 전문가들은 이세돌의 압승을 점쳤다.

결과는 AlphaGo 4승 1패. 세계가 충격에 빠졌다. 그러나 이 대국에서 영원히 기억될 장면은 AI의 승리가 아니라 제4국이었다. 78번 수. 이세돌이 놓은 이 한 수는 AlphaGo가 전혀 예상하지 못한 창의적인 수였고, 결국 이세돌은 그 경기를 이겼다. AI 역사상 최고 수준의 AI가 최고 수준의 인간에게 패한 유일한 경기. 이세돌은 훗날 이렇게 말했다. “그 한 수를 놓기 전까지 내가 이길 수 있다고 생각하지 않았다.”

Deep Blue와 AlphaGo의 결정적 차이는 방법론에 있다. Deep Blue는 프로그래머가 명시적으로 입력한 체스 전략과 수억 번의 무차별 탐색으로 작동했다. AlphaGo는 달랐다. 인간 기보(棋譜)에서 패턴을 학습한 후, 자기 자신과 수백만 번 대국하는 강화학습을 통해 인간이 발견하지 못한 전략을 스스로 개발했다.

그리고 2017년 등장한 AlphaGo Zero는 여기서 한 발 더 나아갔다. 인간의 기보를 전혀 사용하지 않고, 바둑의 규칙만 입력된 상태에서 처음부터 독자적으로 학습했다. 40일 후 AlphaGo Zero는 이전 버전을 100-0으로 이겼다. 인간의 지식에 의존하지 않고 인간을 초월한 지식을 스스로 구축한 것이다.

이 경험은 허사비스에게 하나의 확신을 심었다. “인간이 만들어낸 지식은 출발점일 뿐, 한계가 아니다.” AlphaFold의 탄생은 이 확신의 직접적인 결과였다.

---

4. AlphaFold와 노벨상 — AI로 과학의 성배를 열다

단백질은 생명의 기본 기계다. 효소, 항체, 수용체 — 생체 내 거의 모든 화학반응은 단백질이 수행한다. 단백질의 기능은 그 3차원 구조에 의해 결정된다. 그런데 DNA 서열로부터 단백질의 3차원 구조를 예측하는 것은 50년간 풀리지 않은 생물학의 성배였다. 아미노산 서열이 어떻게 접혀 특정 구조를 형성하는지 — 이른바 단백질 폴딩 문제(Protein Folding Problem).

2020년, DeepMind는 **CASP14(Critical Assessment of protein Structure Prediction)**에 AlphaFold 2를 출전시켰다. CASP는 2년마다 열리는 단백질 구조 예측 국제 대회로, 수십 년간 각국의 연구팀이 참가해온 진지한 과학 경쟁의 장이었다. AlphaFold 2의 결과는 학계를 경악시켰다. 전체 목표 단백질에 대해 중간 오차 1Å(옹스트롬) 미만의 정확도를 기록했다. 2위와는 비교가 되지 않는 압도적인 성과였다.

허사비스는 이 성과를 두고 **“내 인생에서 가장 위대한 성과”**라고 표현했다. 체스 마스터, 성공한 게임 개발자, Google 인수, AlphaGo의 역사적 승리 — 이 모든 것을 제쳐두고 AlphaFold를 꼽았다. 과학 문제 자체를 풀었다는 의미에서의 평가였다.

2021년, DeepMind는 결정적인 선택을 했다. AlphaFold Database를 무료로 전면 공개했다. 처음 공개된 98만여 개의 단백질 구조는 이후 빠르게 확장돼 2억 개 이상의 단백질 구조를 누구나 무료로 접근할 수 있게 됐다. 상업적 가치로 따지면 수천억 달러에 달할 수 있는 데이터베이스를 그냥 세상에 공개한 것이다.

그 이유를 묻자 허사비스는 짧게 답했다. “과학은 공개해야 한다.”

이 결정의 파급력은 즉각적이었다. 전 세계 수십만 명의 연구자들이 AlphaFold를 활용하기 시작했다. 신약 개발, 암 연구, 희귀 질환 치료제 개발. 기존에 X선 결정학이나 냉동전자현미경(cryo-EM)으로 수년이 걸리던 단백질 구조 분석이 수 분으로 단축됐다.

2024년, AlphaFold 3가 Nature에 발표됐다. 단백질에 국한됐던 이전 버전과 달리 DNA, RNA, 소분자 화합물과의 상호작용까지 예측할 수 있었다. 신약 개발의 핵심 단계인 ‘분자 도킹’ 예측 정확도에서 기존 최고 방법을 크게 앞섰다.

2024년 10월, 스웨덴 왕립과학원은 노벨 화학상 수상자를 발표했다. 데미스 허사비스, 존 점퍼(John Jumper, DeepMind), 데이비드 베이커(David Baker, UW) — 단백질 구조 예측 분야의 혁명적 기여를 인정받았다. 수상 소감에서 허사비스는 이렇게 말했다. “과학의 힘으로 인류의 근본 문제를 해결하는 것이 우리의 목표다. AlphaFold는 그 시작일 뿐이다.”

빅파마(Big Pharma)의 변화도 뚜렷하다. 노바티스, 아스트라제네카, GSK 등 주요 제약사들이 신약 개발 파이프라인에 AlphaFold를 표준 도구로 통합했다. 임상 전 단계에서 수년이 소요되던 타겟 단백질 분석이 수개월로 단축된다. 알츠하이머, 파킨슨병, 희귀 유전 질환 등 기존에 단백질 구조의 복잡성 때문에 접근이 어려웠던 영역이 열리고 있다.

AlphaFold 시리즈 비교

버전	발표 연도	핵심 능력	예측 정확도	공개 범위	주요 영향
AlphaFold 1	2018	단백질 접힘 거리 예측	CASP13 1위	제한적	개념 증명
AlphaFold 2	2020	단백질 3D 구조 예측	오차 < 1Å	2억+ 단백질 무료 공개	생물학 전 분야 혁신
AlphaFold 3	2024	단백질+DNA+RNA+소분자 상호작용	도킹 정확도 대폭 향상	연구용 공개 (상업용 별도)	신약 개발 파이프라인 전환

---

5. Google DeepMind CEO — 통합과 Gemini 시대

2022년 11월, OpenAI가 ChatGPT를 출시하면서 AI 업계의 지형이 하룻밤 사이에 바뀌었다. Google 내부에서는 비상이 걸렸다. 검색 엔진으로 세상을 지배해온 Google이 AI 챗봇 경쟁에서 뒤처진다는 인식이 퍼졌다. Sundar Pichai CEO는 ‘코드 레드(Code Red)‘를 선언하고 구조 개편에 나섰다.

2023년 4월, Google은 Google Brain과 DeepMind를 합병해 Google DeepMind로 통합한다고 발표했다. 두 조직은 같은 Google 산하였지만 오랫동안 별개의 문화와 방향성을 가진 경쟁자에 가까웠다. Google Brain은 TensorFlow, BERT, 트랜스포머 아키텍처 등 실용 지향 연구의 산실이었고, DeepMind는 강화학습 및 기초 과학 연구에 집중했다. 이 두 조직을 통합하는 과제가 허사비스에게 주어졌다.

CEO로서 허사비스가 맞닥뜨린 첫 번째 도전은 문화 통합이었다. 연구자 중심의 DeepMind 문화와 제품 출시 속도를 중시하는 Google의 엔지니어링 문화 사이의 긴장. 허사비스는 균형을 강조했다. “연구 없는 제품은 단명하고, 제품 없는 연구는 현실과 단절된다.”

Gemini 프로젝트는 이 통합의 핵심 결과물이었다. Google은 기존의 LaMDA, PaLM 계열 모델에서 탈피해 처음부터 멀티모달(multimodal)로 설계된 새로운 기반 모델을 구축하기로 결정했다. 텍스트, 이미지, 오디오, 비디오를 처음부터 함께 처리하는 구조.

2023년 12월, Gemini 1.0이 발표됐다. Ultra, Pro, Nano 세 가지 규모의 모델 패밀리로 구성됐고, 멀티모달 능력과 코딩, 수학 추론에서 GPT-4를 넘어서는 벤치마크 결과를 제시했다. 이후 Gemini 2.0(2024년 말), **Gemini 2.5(2025년)**로 이어지며 지속적인 성능 개선을 이뤄냈다. 특히 Gemini 2.5 Pro는 코딩, 수학, 과학 추론 영역에서 경쟁 모델들을 상당 폭 앞서는 결과를 기록했다.

그러나 CEO로서 허사비스의 역할은 기술 개발에 그치지 않았다. Google DeepMind 내부에서 허사비스가 지속적으로 강조한 원칙은 안전 우선이었다. 생성형 AI의 빠른 상업화 압박 속에서도 그는 내부 안전 팀의 독립성을 보장하고, 모델 출시 전 심층 레드팀 평가를 의무화했다.

2024년에는 Google DeepMind 산하에서 주목할 만한 추가 성과들이 연속적으로 나왔다. 수학 올림피아드 문제를 해결하는 AlphaProof와 AlphaGeometry 2, 날씨 예보 모델 GraphCast, 그리고 핵융합 플라즈마 제어 AI까지 — DeepMind의 ‘과학 문제 해결’ DNA는 Gemini 시대에도 살아있었다.

---

6. 허사비스의 AGI 철학 — 샘 올트먼과 다른 길

AI 업계의 세 거인 — 데미스 허사비스, 샘 올트먼(Sam Altman), 다리오 아모데이(Dario Amodei) — 은 각자 다른 방식으로 AGI를 향해 걷고 있다. 목적지는 같은 듯 보이지만, 경로와 속도, 그리고 ‘도착’의 정의가 근본적으로 다르다.

허사비스에게 AGI란 **“인간 수준의 일반적 지능”**이다. 특정 과제에서 인간을 초월하는 것(좁은 의미의 초인적 AI)이 아니라, 새로운 환경에서 인간처럼 학습하고 추론하고 문제를 해결하는 능력. 이 정의는 AlphaGo와 AlphaFold에서 보여준 것처럼 ‘도메인 특화 초인적 AI’와는 구별된다.

그가 AGI 연구에서 가장 강조하는 것은 과학적 방법론이다. 체계적 연구, 논문 발표, 동료 검토(peer review), 재현 가능한 검증. AI 시스템의 작동 원리를 이해하지 못한 채 제품화하는 것을 그는 경계한다. “우리가 만드는 것이 어떻게 작동하는지 이해하지 못한다면, 그것은 과학이 아니라 연금술이다.”

AGI 접근법 비교: 허사비스 vs 올트먼 vs 아모데이

항목	데미스 허사비스 (Google DeepMind)	샘 올트먼 (OpenAI)	다리오 아모데이 (Anthropic)
AGI 정의	인간 수준의 일반 지능, 과학적으로 검증된	인류에게 유익한 AGI, 빠른 달성 추구	안전하고 유익한 AI, 단계적 접근
개발 속도	기초 연구 우선, 검증 후 제품화	제품 출시 → 사용자 피드백 → 개선 반복	안전 검증 후 단계적 출시
안전 철학	”안전과 능력은 보완 관계”	안전 중요하나 경쟁 압박 속 균형	안전 최우선, 헌법 AI(Constitutional AI)
과학적 기여	AlphaFold 등 동료 검토 논문 중심	기술 보고서 중심, 논문 선별적 공개	안전 연구 논문 적극 공개
AGI 시점 예측	”수십 년이 걸릴 수도 있다” (신중)	“가까운 미래” (낙관적)	“점진적 달성” (단계론)
신경과학 영향	핵심 (박사 학위, 뇌 모델링)	낮음	낮음
기반 조직	Google 산하, 독립적 연구 문화 유지	비영리→영리 전환, 기업 가치 수십조	비영리 구조, 장기 안전 연구

허사비스가 신경과학을 공부한 이유는 단순한 학문적 호기심이 아니었다. 그는 뇌를 작동하는 AGI의 증거로 본다. 인간의 뇌는 이미 AGI다 — 언어, 시각, 청각, 운동, 추론을 하나의 시스템에서 처리하고, 새로운 환경에서 빠르게 적응한다. 따라서 뇌의 작동 원리를 깊이 이해하는 것이 AGI 설계의 지름길이라는 것이다.

AGI 달성 시점에 대해 허사비스는 일관되게 신중론을 유지한다. “수십 년이 걸릴 수도 있다.” 업계의 낙관론이 넘치는 환경에서 이 발언은 이례적이다. 하지만 허사비스는 AlphaGo, AlphaFold의 경험을 통해 알고 있다 — 진짜 어려운 문제는 처음에 생각한 것보다 훨씬 어렵고, 그 어려움을 정면으로 인정하는 것이 해결의 첫 걸음이다.

---

7. 다음 30년 — 과학적 AGI의 미래 지형

허사비스가 자주 인용하는 하나의 비유가 있다. “AlphaFold는 망원경이 아니라 현미경이다.” 망원경은 이미 있는 것을 멀리서 본다. 현미경은 전에 보이지 않던 것을 보이게 만든다. AlphaFold는 50년간 존재는 알았지만 볼 수 없었던 것을 보이게 했다. 그리고 그 패턴을 AI가 다른 과학 영역에서도 반복할 수 있다고 그는 믿는다.

허사비스가 지목하는 AI의 다음 프런티어는 세 가지다.

기후 변화 모델링. 현재 기후 모델은 방대한 계산 자원을 소모하면서도 정확도에 한계가 있다. AI가 기후 시스템의 비선형 패턴을 학습하면, 더 빠르고 정확한 예측이 가능해진다. DeepMind의 GraphCast는 이미 기존 수치예보 모델을 정확도와 속도 양면에서 넘어서기 시작했다.

수학 증명 AI. AlphaProof는 국제수학올림피아드(IMO) 문제를 해결했다. 수학적 추론은 인간 지능의 핵심 요소 중 하나다. AI가 새로운 수학적 증명을 독자적으로 생성할 수 있다면, 이는 단순한 계산 능력을 넘어 창의적 추론의 영역에 진입한 것을 의미한다.

신약 개발 가속화. AlphaFold 3가 연 길을 따라, 단백질-약물 상호작용 예측, 부작용 예측, 최적 후보 물질 선별까지 AI가 신약 개발 전 주기에 걸쳐 관여하게 된다. 허사비스는 **“10년 안에 AI가 인류의 가장 어려운 질병들 중 일부의 치료제 발견에 직접 기여할 것”**이라고 밝혔다.

규제와 안전에 대한 허사비스의 장기 관점은 명확하다. “AI 거버넌스를 구축하는 데 실패하면, 기술의 장기적 발전 자체가 위험해진다.” 그는 핵무기 개발 이후 구축된 국제 핵비확산 체제를 AI 거버넌스의 참조 모델로 언급한다. 완벽하지는 않지만, 전 세계가 합의한 규범이 있어야 한다.

동시에 그는 경고도 한다. “AI는 도구가 아니라 주체(agent)가 될 수 있다.” 도구는 인간이 목적을 정하면 수단을 찾는다. 주체는 스스로 목적을 설정한다. 이 경계를 넘는 시스템이 출현할 경우 기존의 모든 안전 가이드라인이 무력화될 수 있다. 그렇기 때문에 그는 기초 연구와 안전 연구를 분리하지 않는다 — 시스템이 어떻게 작동하는지 깊이 이해해야만 안전하게 설계할 수 있다.

그럼에도 허사비스는 낙관론자다. “올바른 방법으로 개발된다면, AI는 인류 역사에서 발명된 가장 강력한 긍정적 기술이 될 것이다.” 불, 전기, 인터넷 — 이 기술들은 모두 두려움과 함께 도입됐지만 결국 인류의 삶을 확장했다. AI도 그 궤적을 따를 수 있다고 그는 믿는다. 단, 조건이 있다. 과학적 엄밀함, 윤리적 책임, 그리고 장기적 시각.

개인적으로 허사비스는 여전히 체스를 즐긴다. AI가 체스를 ‘해결’한 지 거의 30년이 지났지만, 그는 인간들끼리의 체스 게임에서 여전히 즐거움을 찾는다. 결과가 아니라 과정에서 의미를 발견하는 사람. AlphaFold를 만든 이유도, Google DeepMind를 이끄는 이유도, 결국은 같은 곳에서 출발한다 — 아직 보이지 않는 것을 보이게 만들려는 집착.

한국의 AI 연구자들에게 허사비스의 궤적은 하나의 시사점을 준다. 최단 경로가 아니라 가장 깊은 경로가 때로는 가장 빠르다. 신경과학을 돌아간 것처럼 보였던 그의 선택이 결국 AlphaFold라는 가장 짧은 길을 열었다. 깊이가 속도를 만든다.

---

본 보고서는 2026년 5월 기준으로 공개된 정보를 토대로 작성됐습니다. 데미스 허사비스 및 Google DeepMind 관련 내용은 공식 발표, 학술 논문, 주요 매체 보도를 참조했습니다.