"언어 모델만으로는 한계" — 알파고 두뇌 설계자 데미스 하사비스가 다음 판을 열었다

📺 2026-06-02 · 마켓레이더 대가들의 대화 · 스탠퍼드 대학 총장과의 파이어사이드 챗 — 알파폴드→노벨상 이후 구글 딥마인드가 향하는 곳: LLM 너머의 '계획하는 AI'

구글 딥마인드 공동 창업자이자 CEO 데미스 하사비스가 2026년 6월 스탠퍼드 대학 파이어사이드 챗에서 꺼낸 발언 하나가 AI 업계를 흔들었다. "언어 모델만으로는 한계에 도달했습니다. 진정한 돌파구는 대규모 트리 탐색과 강화학습을 결합하는 것입니다." 알파고를 만든 사람이 직접 꺼낸 말이다. 다음 파도가 어디서 올지 이미 신호가 켜졌다.

무슨 일이 있었나 (한 줄 요약)

하사비스는 스탠퍼드 총장 존 레벤과의 90분 대담에서 딥마인드 창업 이야기부터 알파고·알파폴드 개발 비화, 그리고 LLM 이후 AI가 향할 방향을 공개했다. 핵심은 단순하다. 챗GPT 같은 언어 모델은 텍스트 예측 기계다. 다음 단계는 수만 수 앞을 계획하고, 실험하고, 오류를 스스로 고치는 시스템이다 — 바둑판에서 알파고가 했던 바로 그 방식으로.

알파고에서 알파폴드까지 — 하사비스가 직접 말한 두 번의 도박

도박 1: 바둑 (2016)

딥마인드는 2010년 창업 당시 "AI를 풀고, 그 다음 모든 것을 풀겠다"는 한 문장으로 영국 VC들을 찾아다녔다. 투자자들은 비웃었다. 그래도 포기하지 않았다.

바둑을 택한 이유가 있었다. 체스 컴퓨터 딥블루는 전수 탐색 + 수작업 휴리스틱으로 이겼다. 그 방식은 바둑에서 절대 통하지 않는다 — 경우의 수가 우주 원자 수보다 많고, 패턴과 직관이 전부이기 때문이다. 하사비스는 말한다. "바둑에서 이기는 방법을 찾아내면, 그 알고리즘은 다른 영역에도 일반화될 가능성이 있다고 봤습니다."

알파고가 이세돌을 꺾은 2016년, 더 중요한 일이 벌어졌다. 2,000년 바둑 역사에서 한 번도 나온 적 없는 새로운 전략이 나왔다. 인간이 발견하지 못한 수를 AI가 먼저 찾아낸 것이다. 하사비스에게 그 순간은 "이제 AI를 과학에 쓸 준비가 됐다"는 신호였다.

도박 2: 단백질 접힘 (2024 노벨상)

서울에서 돌아온 다음 날 알파폴드 프로젝트를 시작했다. 50년간 과학자들이 풀지 못한 문제 — 아미노산 서열만 보고 단백질 3D 구조를 예측하는 것 — 를 딥러닝으로 풀었다.

결정적 선택이 있었다. 공개하기로 한 것이다. "상업화하면 수십억 달러를 벌 수 있었을 겁니다. 그런데 우리는 모든 단백질 구조 데이터베이스를 무료로 공개했습니다. 지금 1억 명 이상의 과학자들이 쓰고 있습니다. 암 치료, 백신 개발, 말라리아 퇴치에 활용됩니다." 2024년 노벨 화학상은 그 선택에 대한 답이었다.

"언어 모델만으로는 한계" — 다음 판의 그림

하사비스가 이 대담에서 한 가장 중요한 발언이다.

**"우리는 알파고의 아키텍처를 가져와 일상적인 논리와 소프트웨어 설계에 적용하고 있습니다. 미래는 단 한 줄의 코드도 작성하기 전에 10,000단계 앞을 계획할 수 있는 시스템에 속합니다."**

지금 LLM은 "다음에 올 단어를 예측"한다. 알파고는 "10만 가지 수를 시뮬레이션하고 최적 경로를 골랐다." 강화학습(RL) + 트리 탐색(tree search) + LLM의 결합 — 이것이 딥마인드가 밀고 있는 방향이다.

실제로 딥마인드는 이미 이 방향에서 성과를 내고 있다. AlphaCode(코딩), AlphaGeometry(수학 증명), AlphaProof(수학 올림피아드) 모두 강화학습 + 계획 능력의 산물이다.

하사비스가 그리는 종착점은 명확하다. "과학 발견을 자동화하는 AI." 노벨상급 발견을 스스로 설계하고 실험하고 결론 내리는 시스템. 암·알츠하이머·기후변화를 10년 안에 해결할 수 있다고 그는 믿는다.

마켓레이더 핵심 인사이트

💡 다음 AI 투자 테마는 'RL + 계획 능력'이다 — 하사비스의 발언은 단순한 전망이 아니다. 구글 딥마인드가 이미 그 방향으로 자원을 쏟고 있다는 선언이다. 오픈AI도 o1/o3 시리즈에서 같은 방향을 밟고 있다. "더 큰 LLM"이 아니라 "계획하고 추론하는 AI"가 다음 차별화 축이 된다. 이 흐름은 단순 LLM 인프라보다 추론 특화 칩(TSMC N3/N2), 강화학습용 대규모 시뮬레이션 컴퓨팅, 고대역폭 메모리(HBM) 수요를 더 키운다.

🔥 알파폴드의 오픈소스 결정 = 구글 딥마인드의 전략 패턴 — 하사비스는 단기 수익보다 생태계 지배를 택했다. 지금 AI 업계에서 같은 패턴이 반복되고 있다. 구글의 Gemma, 메타의 Llama 오픈소스 공개가 대표적이다. 오픈소스가 퍼지면 퍼질수록 그 위에 올라타는 클라우드(GCP·AWS·Azure) 인프라와 HBM 수요가 함께 커진다. '오픈소스 = 수익 포기'가 아니라 '오픈소스 = 인프라 수요 창출'로 읽어야 한다.

⚡ "과학 발견 자동화" — 제약·바이오 투자 지도가 바뀐다 — 하사비스는 약물 발견, 단백질 공학, 임상 설계가 AI로 자동화되는 시대를 이미 현실로 보고 있다. 실제로 알파폴드 데이터베이스를 활용한 신약 후보 물질이 임상에 진입하고 있다. 한국 바이오 투자자라면 "알파폴드 기반 신약 파이프라인을 보유한 회사"라는 새 필터를 추가할 때다. 전통 구조생물학 방법론으로 진행하는 기업은 속도 경쟁에서 밀릴 수 있다.

🤖 AI 분석 보조 | 투자 권유 아님