AI가 AI를 개발하면 일어나는 일
📺 원본 영상: AI가 AI를 개발하면 일어나는 일 🎙️ 채널: 슈카월드 📅 정리 일자: 2026-04-24 ⚠️ Note: 본 리포트는 영상의 음성을 텍스트로 변환(STT)하여 정리한 것입니다. 화면에 표시된 자료(차트, 코드, 슬라이드 등)는 포함되지 않을 수 있습니다.
개요
인류는 수천 년에 걸쳐 지식을 축적하고 과학을 발전시켜왔다. 그 과정은 느리고 고통스러웠지만, 그만큼 견고했다. 그런데 지금, 그 속도를 근본적으로 바꿔버릴 변화가 시작되고 있다. AI가 스스로 AI를 개발하고 개선하는, 이른바 ‘재귀적 자기개선(Recursive Self-Improvement)‘의 시대가 열리고 있는 것이다. 슈카월드는 이 영상에서 2010년대 초반의 고양이 인식 AI부터 2016년 알파고(AlphaGo)의 충격, AlphaFold, AlphaProof, AI Co-Scientist에 이르기까지 AI 기술의 숨 가쁜 여정을 추적하며, ‘인간이 생각하지 못한 것을 생각하는 AI’가 과학과 인류 문명에 어떤 변화를 가져올 것인지를 묻는다.
AI 빅뱅의 선언: 재귀적 자기개선이 시작됐다
2026년 초, 인도에서 인도 AI Summit이 열렸다. Google, Meta를 비롯한 글로벌 빅테크 기업 CEO 100여 명과 15개국 정상이 모인 이 자리에서 AI 규제와 지원 방향이 논의됐다. 수많은 발언 중 강연자가 가장 주목한 것은 단 하나였다. “AI가 기술적으로 재귀적 자기개선(Recursive Self-Improvement)을 시작했다.” 이 문장이 왜 충격적인가. 그동안 AI를 만드는 주체는 인간이었다. 인간의 속도로 AI가 만들어졌기 때문에, 아무리 빠르게 발전해도 인간의 인지적·시간적 한계를 벗어날 수 없었다. 그런데 이제 AI가 스스로 자신의 코드를 열고, 부족한 부분을 스스로 수정하고, 다시 닫는 과정을 반복하기 시작했다는 것이다.
강연자는 AI 발전 단계를 세 시기로 구분해 설명했다. 2018년부터 2024년까지는 “학습의 시대”였다. AI는 대규모 데이터를 학습하며 버전을 업그레이드했고, 강화학습(Reinforcement Learning)을 통해 능력을 키웠다. 2024년부터는 “추론의 시대”가 열렸다. 단순히 학습된 내용을 출력하는 것을 넘어 AI가 스스로 논리적 추론을 수행하기 시작했다. 그리고 2025년 말부터는 세 번째 단계, 즉 AI가 스스로를 개선하는 재귀적 자기개선의 시대가 시작됐다는 것이 강연자의 핵심 주장이다.
뉴욕타임스(New York Times)는 이 현상을 “AI 빅뱅(AI Big Bang)“이라는 표현으로 포착했다. 기사 안에는 놀라운 사례가 담겨 있었다. AI 코딩을 도입한 어느 기업은 한 달에 2만 5,000줄이던 코드 생산량이 25만 줄, 즉 10배로 폭증했다. 문제는 100만 줄이 넘는 코드가 검토를 기다리며 쌓여 있다는 것이다. AI가 쏟아내는 코드를 인간이 감당할 수 없게 된 것이다. 버그, 보안 취약점, 규정 준수 여부를 확인할 시간이 없다. 강연자는 “새로운 프로그램이 나오는 속도는 이제 사람이 검토하는 속도에 달려있다”는 역설적인 상황을 소개하며, 뉴욕타임스의 표현을 빌려 이렇게 결론지었다. “현재 전 세계 모든 개발자를 모두 모아도, 미국 기업이 생산하는 코드를 검토할 인력이 부족하다.”
해결책은 간단하다—고 강연자는 말한다. 코드를 검토하는 AI를 만들면 된다. 실제로 코드 오류와 보안 취약점을 검토하는 AI 에이전트가 이미 출시되고 있다. AI가 만든 것을 AI가 검토하고, 그것을 또 다른 AI가 검토하는 구조가 형성되는 것이다. 강연자는 이것이 바로 AI 빅뱅이라고 표현하며, 기존 소프트웨어 개발 방식이 완전히 붕괴됐다고 선언했다.
AI 역사의 첫 페이지들: 고양이, TensorFlow, 그리고 Transformer
지금으로부터 약 15년 전으로 거슬러 올라가보자. Google 연구팀이 신경망 모델을 통해 유튜브에서 스스로 1,000만 개의 고양이 영상을 학습한 뒤, 별도의 정답 입력 없이 고양이 이미지를 식별하는 데 성공했다. 당시 사람들은 이 기술에 실소를 보내기도 했다. “고양이와 치와와를 구별해서 뭘 할 건데요?” 쿠키와 치와와를 구별하는 AI 챌린지가 2017년 무렵 열렸을 때도 마찬가지였다—사람은 95~97% 정도의 정확도를 보이는데, AI가 그 수준에 근접할 수 있겠냐가 당시의 관심사였다. 하지만 시간이 지나고 보니, 그것은 자율주행 자동차가 사람과 나무를 구별하고, 쓰레기통과 굴러오는 돌을 순간적으로 판단하는 기술의 원형이었다. 10년 전에 의미 없어 보이던 연구가 오늘날 도로 위에서 사람의 생명을 지키는 기술이 된 것이다.
2015년은 AI 역사에서 중요한 전환점이었다. Google은 AI 개발의 표준 도구인 TensorFlow를 오픈소스로 공개했다. TensorFlow는 딥러닝(Deep Learning)의 대중화를 이끌었고, 전 세계 수많은 개발자와 기업들이 이 도구를 활용해 AI 모델을 만들기 시작했다. 그런데 문제가 생겼다. TensorFlow를 기존 CPU로 돌리기에는 연산량이 너무 많았고 속도도 느렸다. 이 병목을 해결하기 위해 Google은 2016년 TPU(Tensor Processing Unit)를 개발했다. 이름 자체가 ‘TensorFlow 처리를 위한 장치’를 의미한다. NVIDIA의 GPU가 다양한 연산을 처리하는 범용 가속기라면, TPU는 오직 AI 연산만을 위해 설계된 맞춤형 가속기다. 현재 7세대까지 진화한 TPU는 최근 반도체 시장에 이른바 ‘TPU 쇼크’를 일으킬 만큼 영향력이 커졌다.
07:51 - TPU(Tensor Processing Unit) 설명 — TensorFlow를 효율적으로 구동하기 위해 설계된 AI 전용 반도체. NVIDIA GPU와의 범용성 vs. 전용성 비교
그리고 2017년, AI 역사에서 가장 많이 인용되는 논문 중 하나가 등장했다. Google Brain 팀이 발표한 “Attention Is All You Need”다. 이 논문은 트랜스포머(Transformer)라는 새로운 인공신경망 구조를 세상에 내놓았다. 기존 AI는 문장의 단어를 하나씩 순서대로 처리했기 때문에 속도가 느리고 계산량이 방대했다. 트랜스포머는 이를 근본적으로 뒤집었다. 특정 요소에 ‘주목(Attention)‘을 집중시킨 후, 문장 안의 단어들을 병렬로 동시에 계산하는 방식을 채택한 것이다. 우리가 지금 사용하는 GPT, Gemini, Claude 등 거의 모든 현대 AI 모델이 이 아키텍처를 기반으로 한다. ‘GPT’의 ‘T’가 바로 트랜스포머(Transformer)의 약자다. 2017년에 탄생한 개념이 오늘날 AI 문명의 근간을 이루고 있는 것이다.
딥마인드의 탄생과 알파고: 창의성의 불꽃
2014년 Google은 역사를 바꾸는 인수합병을 단행했다. 영국의 AI 스타트업 DeepMind를 인수한 것이다. 강연자는 이를 구글의 역사를 바꾼 인수합병으로, 안드로이드·유튜브에 이어 세 번째로 중요한 사건으로 꼽았다. DeepMind의 공동 창업자이자 CEO인 Demis Hassabis는 단순히 뛰어난 엔지니어가 아니었다. 그는 인간의 지능 그 자체를 탐구하던 사람이었다. 어떻게 인간의 뇌가 개념을 습득하고, 지능이란 무엇인가를 연구한 그는 2010년에 DeepMind를 창립했다. 목표는 하나였다—인간의 뇌를 인공적으로 구현하는 것.
기존 AI 방식인 룰베이스(Rule-base)—즉, 가능한 모든 경우의 수를 규칙으로 프로그래밍하는 방법—는 일찍이 한계를 드러냈다. 경우의 수가 사실상 무한에 가깝기 때문이다. Hassabis가 주목한 것은 인간의 뇌였다. 인간은 무한한 경험을 통해 학습한다. AI도 같은 방식으로, 무한에 가깝게 스스로를 돌려가며 학습해야 한다는 결론에 이르렀고, 이것이 강화학습(Reinforcement Learning)의 철학적 기반이 됐다. DeepMind를 인수할 당시 Hassabis는 한 가지 조건을 달았다고 한다. “기술에 대한 통제권을 영리 기업이 가져서는 안 된다.” AI의 위험성을 그때 이미 예감했던 것이다. 그의 이 철학은 지금도 Google DeepMind의 사명으로 이어지고 있다. “우리의 사명은 인류에 기여하기 위해 책임감 있는 방식으로, 안전한 방식으로 AI를 개발하는 것이다.”
그리고 2016년 3월 9일, Google DeepMind는 자신들이 이룬 성과를 세상에 증명할 무대를 만들었다. 알파고(AlphaGo) 대 이세돌 9단의 바둑 대결이었다. 당시 바둑기사의 90% 이상, 이세돌 본인도 자신이 이길 것이라고 생각했다. 컴퓨터가 바둑에서 인간을 이기는 것은 불가능에 가까운 일로 여겨졌기 때문이다. 바둑판의 경우의 수는 10의 170승에 달하는데, 이는 지구의 모든 모래알, 태양계의 모든 원자, 심지어 관측 가능한 우주 전체의 모든 원자 수를 합친 것보다도 많다. 단순 계산 속도로는 절대 이길 수 없는 게임이었다. 그러나 결과는 모두가 알고 있다. 알파고가 이겼다.
전 세계 2억 명이 넘는 사람들이 이 대결을 지켜봤다. 강연자는 “바둑 규칙을 아는 사람이 2억 명이 안 될 것”이라고 말하며, 대부분의 사람들이 AI와 인간 챔피언의 대결이라는 상징성 때문에 화면 앞에 앉았을 것이라고 분석했다. Google DeepMind에게 이 이벤트는 역사상 가장 성공적인 AI 마케팅이기도 했다.
14:03 - 알파고 대 이세돌 9단 대결 소개 — 2016년 3월 9일의 역사적 바둑 대결과 전 세계 2억 명 시청 규모
2국 37수: 인간이 상상하지 못한 수
알파고가 이겼다는 사실만큼이나 중요한 것은, 알파고가 어떻게 이겼느냐였다. 알파고는 바둑판의 무한한 경우의 수를 모두 계산하지 않았다. 그 대신 “Attention”을 활용해 가치가 높은 지점에 집중하고, 그 후보군을 병렬로 계산하며 각 착점의 승률을 퍼센트로 제시했다. AI는 “여기가 정답”을 알려주지 않는다. “여기에 두면 승률이 49%, 저기에 두면 26%“를 알려줄 뿐이다. 그 확률이 실시간으로 변하며, AI 역시 실수를 한다.
그런 AI가 2국에서 인간 바둑의 상식을 완전히 뒤집는 수를 뒀다. 37번째 수였다. 인간 바둑에서는 절대 두지 않는 위치—변의 높은 곳—에 돌을 놓은 것이다. 상대가 그 아래를 막으면 100집 가까운 집이 생기는 일방적인 구조가 만들어진다고 알려진 자리이기 때문에, 인간 고수들은 그런 수를 두지 않았다. 하지만 알파고는 그 수를 뒀고, 압도적으로 이겼다. 나중에 인간 기사들이 분석해보니 “그렇게 해도 되는구나”, “그렇게도 이길 수 있구나”라는 새로운 깨달음이 왔다.
이세돌 9단은 훗날 이렇게 말했다. “알파고와 바둑을 두기 전까지 알파고를 확률 계산에 기반한 단순한 기계라고 생각했습니다. 하지만 2국의 37수를 본 순간 생각이 바뀌었습니다. 알파고는 정말 창의적이네요.” 이것이 알파고가 인류에게 던진 진정한 메시지였다. AI가 인간을 이겼다는 사실보다, AI가 인간이 상상하지 못한 방법으로 문제를 해결할 수 있다는 것. 그 창의성이 바둑판을 넘어 어디까지 확장될 수 있는가.
18:09 - 알파고 2국 37수 — 인간 바둑에서는 두지 않는 위치에 돌을 놓은 장면
알파고 이후의 버전들인 AlphaGo Zero와 AlphaZero는 한 단계 더 나아갔다. 이전 알파고가 수만 판의 인간 대국 기보를 학습했다면, AlphaZero는 인간의 기보가 필요 없었다. 바둑판과 규칙만 주어지면 스스로 바둑을 두기 시작하고, 스스로 정석을 만들어냈다. 이것이 강연자가 말하는 ‘재귀적 자기개선’의 원형이다. 인간의 경험 없이, AI가 스스로를 가르치며 인간을 초월한 것이다.
AlphaFold: 과학의 문을 두드리다
그러나 Demis Hassabis의 원래 목표는 바둑이 아니었다. 바둑은 자신들의 AI가 어디까지 왔는지를 세상에 보여주는 통과의례였을 뿐이다. 진정한 목표는 과학적 혁신이었다. 실제로 Hassabis는 알파고의 승리 직후 이렇게 말했다. “서울에서의 대국에 승리한 순간, 제가 확신했던 사실을 다시 한 번 증명해 주었습니다. 바로 이 기술이 우리의 진정한 목표인 과학적 혁신에 적용될 준비가 되어 있다는 사실 말입니다.” 알파고로 확인한 다음, DeepMind는 이 기술을 과학 영역으로 돌렸고, 2020년 AlphaFold 2를 통해 생물학의 오랜 난제를 해결했다고 발표했다. 단백질 구조 예측(Protein Structure Prediction) 문제였다.
23:39 - AlphaFold 2 발표 내용 — 단백질 구조 예측 문제 해결 성과와 정확도 소개
단백질은 아미노산이라는 ‘구슬’들이 사슬처럼 이어진 구조다. 그런데 이 사슬은 3차원 공간에서 특정 형태로 접히면서(Folding) 비로소 그 기능을 발휘한다. 문제는 아미노산 사슬이 접힐 수 있는 경우의 수가 우주 전체의 원자 수보다 많을 정도로 사실상 무한하다는 것이다. 사슬 구조만 보고 그것이 어떤 3차원 형태로 접힐지 예측하는 것은 기존 과학적 방법으로는 수년의 시간과 천문학적 비용이 드는 작업이었다. 하나를 밝혀내도, 다른 단백질을 가져오면 처음부터 다시 시작해야 했다.
강연자는 이것이 알파고의 접근 방식과 원리적으로 유사하다고 설명했다. 바둑판의 무한한 경우의 수에서 가장 높은 승률을 찾듯, 아미노산 사슬에서 가장 확률이 높은 접힘 구조를 찾는 것이다. 아미노산의 배열을 바둑판 위의 돌처럼 놓고, 3차원 공간에서 가장 높은 가치를 지닌 구조를 병렬로 계산하는 방식이다. 정확한 100%의 답이 아닌, 가장 확률이 높은 답을 제시하는 구조—그것이 바로 AlphaFold의 핵심이다.
26:01 - 단백질 폴딩 원리 — 아미노산 사슬(A)이 3차원 구조(B)로 접히는 과정
AlphaFold 2의 정확도는 “사실상 그대로 사용해도 될 수준”이라는 평가를 받을 만큼 뛰어났고, 계속 업데이트되며 발전하고 있다. 이 성과는 Demis Hassabis가 2024년 노벨 화학상을 수상하는 것으로 이어졌다. AI를 연구하던 사람이 화학상을 받은 것이다. 강연자는 이 추세가 계속된다면 Hassabis가 노벨 물리학상, 노벨 생리학상까지 받을 수도 있는 상황이라고 농담 섞인 전망을 내놓았다. DeepMind의 연구 결과는 현재 오픈소스로 공개되어 190개국의 과학자들이 무료로 사용하고 있으며, 강연자에 따르면 전 세계 200만~300만 명의 연구자 중 한국에서만 8만 5,000명이 AlphaFold를 활용하고 있다.
수학, 코딩, 기상: AI가 풀기 시작한 인류의 난제들
알파고와 AlphaFold가 보여준 접근법—무한한 경우의 수에서 가장 높은 확률을 찾는다—은 이제 여러 과학 분야로 빠르게 확장되고 있다.
수학의 영역에서는 AlphaProof가 등장했다. Google DeepMind가 공개한 AlphaProof는 고급 수학 증명 문제를 AI가 스스로 풀어내는 시스템이다. 처음 공개됐을 때 국제수학올림피아드(IMO) 문제 6개 중 4개를 해결하며 은메달 수준의 성과를 보였고, 이후 계속 발전하며 금메달 수준에 근접했다는 이야기도 나오고 있다. 강연자는 이 속도라면 머지않아 리만 가설(Riemann Hypothesis)—“리만 제타 함수를 0으로 만족시키는 모든 자명하지 않은 근의 실수부는 2분의 1이다”—처럼 수백 년간 인류가 풀지 못한 수학적 난제를 AI가 해결하는 날이 올 수 있다고 기대했다. 설령 AI가 직접 해결하지 못하더라도, 수학자들이 AI를 파트너로 삼아 함께 문제를 푸는 방식이 보편화될 것이라는 전망도 덧붙였다.
코딩 영역에서는 AlphaEvolve가 공개됐다. 범용 알고리즘을 스스로 발견하고 최적화하는 AI 에이전트다. 강연자는 “사람이 코딩하는 시대는 완전히 끝날 수 있다”고 단언에 가까운 표현을 사용했다. 현장에서는 실제로 “과거에는 10명이 해야 했던 일을 이제 주말 사이에 개발해서 월요일에 배포할 수 있게 되었다”는 표현이 나오고 있다.
기상과 지구 환경 예측에도 AI가 들어왔다. 기상은 나비 효과(Butterfly Effect)—베이징의 나비 날갯짓이 뉴욕에 폭풍을 일으킨다—로 대변되는, 거의 무한한 변수들의 상호작용이다. 구글의 AI 기상 모델은 AlphaFold처럼 그 무한한 경우의 수에서 가장 높은 확률을 찾는 방식으로 이 문제에 접근한다. 강연자에 따르면 이를 통해 홍수, 산불, 미세먼지, 사이클론 등 자연재해 예측의 정확도가 획기적으로 높아질 수 있으며, AI가 인간보다 훨씬 빠르고 정확하게 지구 환경을 예측하는 시대가 다가오고 있다.
AI Co-Scientist: 과학자의 동반자, 혹은 대체자
2026년 3월 25일, 네이처(Nature)지에 주목할 만한 논문이 올라왔다. AI가 과학 연구를 처음부터 끝까지(End-to-End) 자동화할 수 있는 파이프라인을 제시하는 내용이었다. 내용은 이렇다. “AI 과학자는 연구 아이디어를 생성하고, 코드를 작성하고, 실험을 실행하고, 데이터를 그래프로 분석하며, 과학 논문 전체를 작성하고, 자체적으로 독립적인 평가까지 수행한다.” 논문을 쓰고, 그 논문이 충분히 훌륭한지를 AI 스스로가 평가한다는 뜻이다.
이에 앞서 Google DeepMind는 AI Co-Scientist라는 시스템을 공개했다. 과학자들을 위한 AI 에이전트로, 일종의 전문 과학 비서라고 볼 수 있다.
31:38 - AI Co-Scientist 개념 소개 — 과학자와 협력하는 AI 에이전트의 역할
연구자가 어떤 주제로 연구할지 AI에게 물으면, AI는 현재 학계의 최신 트렌드를 알려주고 가장 유망한 연구 방향을 제안한다. 좁은 전문 분야 밖의 논문 동향을 파악하기 어려운 연구자에게 AI가 실시간으로 트렌드를 제공하고, 나아가 새로운 연구 가설, 상세한 연구 개요, 실험 프로토콜까지 공동으로 설계해준다. 강연자는 현재는 AI가 인간 과학자와 “공동 연구”를 하는 파트너 단계지만, AI의 능력이 계속 발전하면 인간 과학자가 “탈락”하는 시대가 올 수 있다고 전망했다. 이 AI Co-Scientist 시스템이 만들어내는 논문의 품질은 이미 사이언스(Science)지, 네이처(Nature)지에 올라갈 수준이라는 평가가 나오고 있다.
물리 세계로의 확장: Gemini Robotics와 AI 메타버스
AI의 확장은 보이지 않는 디지털 세계에만 머물지 않는다. Google은 Gemini의 멀티모달(Multimodal) 이해 능력을 활용해 로보틱스 분야에도 놀라운 진전을 이뤘다고 밝혔다. Gemini Robotics라고 불리는 이 모델군(1.5버전까지 발표됐다)은 AI가 물리적 공간을 스스로 이해하고, 움직이는 로봇을 위한 소프트웨어를 자율적으로 학습하는 시스템이다. 지금처럼 인간이 로봇의 소프트웨어를 일일이 프로그래밍할 필요가 없어지는 것이다.
그런데 로봇이 물리 세계에서 모든 상황을 직접 경험하며 학습하는 것은 너무 오래 걸린다. 해결책은 가상 환경이다. 실제 물리 법칙을 완벽하게 모사한 가상 공간을 만들고, 그 안에서 1억 개의 가상 환경에 1억 개의 AI 에이전트를 동시에 돌리는 것이다. 현실에서는 불가능한 속도의 경험이 가상 공간에서는 가능하다. 이를 위해 Google DeepMind는 Genie 3 World Model이라는 시스템을 공개했다. 실제 물리 세계처럼 상호작용하는 가상 환경으로, AI 로봇들이 이 공간에서 물리적 행동을 학습한다. 강연자는 이것이 일종의 “AI들의 메타버스”라고 표현했다.
35:27 - Google DeepMind의 Genie 3 World Model 공개 — AI 로봇 학습용 가상 물리 환경 시연
마무리: 10년의 여정, 그리고 다음 10년
2016년 알파고의 충격에서 오늘까지, 불과 10년이 걸리지 않았다. 그 짧은 시간 동안 AI는 바둑에서 인간을 이기고, 단백질 구조를 예측하고, 수학 올림피아드 문제를 풀고, 과학 논문을 스스로 쓰고, 마침내 스스로를 개선하기 시작했다. 강연자는 묻는다. 그렇다면 다음 10년 뒤에는 어떤 모습일까?
Google DeepMind는 “구글의 궁극적인 목표가 눈앞으로 다가왔다”고 선언했다. 2국의 37수에서 처음 보였던 창의성의 불꽃은 이제 강인공지능(AGI, Artificial General Intelligence)으로 향하는 길에 가까워지고 있고, 과학적 발견과 진보라는 새로운 황금기가 열리고 있다는 것이다. 강연자는 그 황금기가 처음 DeepMind를 만들 때 Demis Hassabis가 세웠던 원칙—인류에 기여하기 위한 책임감 있고 안전한 AI 개발—을 따라 펼쳐지기를 기대하며 영상을 맺었다.
AI 빅뱅은 이미 시작됐다. 문제는 그것이 우리 곁에서 어떤 형태로 폭발할 것인가다.
📚 출처 및 참고
| 구분 | 내용 |
|---|---|
| 원본 영상 | AI가 AI를 개발하면 일어나는 일 |
| 채널 | 슈카월드 |
| 리포트 작성 | 2026-04-24 |
| 작성 방식 | YouTube 영상 STT 변환 후 에디팅 |
💬 본 리포트는 영상 내용을 바탕으로 재구성되었습니다. 정확한 내용은 원본 영상을 참조해 주세요.