2016년 AlphaGo가 이세돌 9단을 꺾은 지 10년. 구글 딥마인드 데미스 하사비스 대표가 그 여정을 돌아보며 AI가 과학을 어떻게 바꿨는지 정리했습니다.
AlphaGo의 신경망+탐색+강화학습 조합은 단백질 구조 예측(AlphaFold), 수학 올림피아드(AlphaProof), 알고리즘 발견(AlphaEvolve)으로 확장되며 노벨 화학상까지 이끌었습니다.
하사비스는 "37수 같은 창의성의 불꽃이 과학 발견의 황금시대를 열고 있다"며 AGI로 가는 구체적 로드맵을 제시했습니다.
바둑 한 판이 10년 만에 노벨상이 됐습니다.
당신의 10년 전략은 아직도 엑셀에 갇혀 있지는 않습니까?
구글 딥마인드 CEO 데미스 하사비스가 AlphaGo 10주년을 맞아 직접 쓴 회고입니다. 단순한 추억이 아닙니다. 바둑 AI에서 시작한 기술이 노벨상, 수학 올림피아드 금메달, 그리고 AGI 로드맵까지 이어지는 10년의 궤적을 하나의 글로 정리한 것입니다. AI 전략을 세우는 리더라면 이 궤적의 방향과 속도를 직시해야 합니다.
2016년 3월, 서울에서 2억 명 이상이 지켜보는 가운데 AlphaGo는 이세돌 9단을 꺾었습니다. 전문가들의 예상보다 10년 앞선 일이었습니다. 게임 2의 37번째 수는 해설자조차 "실수"라고 판단했지만, 약 100수 뒤 바로 그 돌이 승리의 핵심이 됐습니다. 하사비스는 이 순간을 "AI가 인간을 모방하는 것을 넘어 새로운 지식을 창조할 수 있다는 첫 번째 증거"로 봅니다.
이 불꽃은 게임에서 멈추지 않았습니다. 같은 방법론이 단백질 구조 예측(AlphaFold 2), 수학 올림피아드(AlphaProof), 알고리즘 발견(AlphaEvolve), 과학 가설 생성(AI Co-scientist)으로 확장되며 실제 과학 혁명을 일으키고 있습니다.
첫째, 37수의 패턴은 반복되고 있습니다. 바둑에서의 창의적 전략 발명이 과학 전 분야로 확장됐습니다. AlphaFold는 말라리아 백신과 플라스틱 분해 효소 개발에 기여하고 있고, AlphaEvolve는 행렬 곱셈의 새로운 방식을 발견해 데이터센터 효율을 높이고 있습니다. AI Co-scientist는 수십 년 문헌을 분석해 인간 연구자의 수년 연구와 일치하는 가설을 독립적으로 도출했습니다.
둘째, 하사비스의 AGI 공식이 명확해졌습니다. Gemini(세계 모델) + AlphaGo(탐색·계획) + 전문 도구(AlphaFold 등) = AGI. 현재 AI는 "매우 인상적이지만 고도로 전문화된" 시스템입니다. 진정한 AGI는 37수처럼 새로운 전략을 발명하는 수준을 넘어, 바둑만큼 깊고 우아한 새로운 게임 자체를 발명하는 수준이어야 한다고 그는 말합니다.
셋째, 이세돌의 회고가 현실을 확인합니다. 현재 UNIST 객원교수인 이세돌 9단은 "AlphaGo가 제시한 최고의 교훈은 AI 시대의 명백한 미리보기였다. 머나먼 미래가 아닌 우리 문앞에 도착한 현실임을 입증했다"고 말했습니다.
AI R&D의 복리 효과가 수치로 확인되고 있습니다. AlphaFold는 2억 개 단백질 구조를 규명했고, 이를 활용하는 연구자가 300만 명을 넘었습니다. AlphaGo에서 시작한 하나의 기술 조합이 10년 만에 노벨상, IMO 금메달, 알고리즘 발견까지 이어졌습니다. 개별 제품의 성공이 아니라 방법론 자체의 범용화입니다.
AI를 '도구'로 보는 조직과 '연구 파트너'로 보는 조직의 격차가 벌어지고 있습니다. AI Co-scientist는 인간 연구자가 수년에 걸쳐 도출한 가설을 독립적으로 재현했습니다. McKinsey에 따르면, AI를 탐색·추론 기반으로 활용하는 조직은 그렇지 않은 조직 대비 R&D 생산성이 25~40% 높습니다. 단순 자동화에 머무는 것은 이 격차를 매 분기 벌어지게 만듭니다.
우리 조직이 AI를 단순 자동화(반복 업무 대체)에 쓰고 있는지, 탐색·추론 기반(새로운 패턴 발견, 가설 생성)으로 쓰고 있는지 점검합니다. AlphaGo의 교훈은 후자에서 돌파가 나온다는 것입니다. (팀장 미팅 안건 추가, 30분)
하나의 문제를 푸는 AI(알파고)에서 문제를 발견하는 AI(AI Co-scientist)로의 전환이 경쟁 우위를 결정합니다. 우리 팀의 AI 활용이 이 방향으로 가고 있는지 검토합니다. (임원 워크숍, 2시간)
AI가 인간 전문가의 직관을 넘어서는 순간이 어디서든 올 수 있다는 인식을 팀에 심어줍니다. 하사비스의 원문을 팀 슬랙에 공유하고, "우리 업무에서 37수은 어디에서 일어날 수 있는가?"를 토론 주제로 올립니다. (15분)
AGI 로드맵은 아직 비전이지 확정된 일정이 아닙니다. 하사비스는 명확한 경로를 제시했지만, Gemini + AlphaGo + 전문 도구의 결합이 언제 AGI 수준에 도달할지는 불확실합니다. 로드맵의 방향은 참고하되, 타임라인에 과도한 확신을 두지 마세요.
AlphaFold의 성공이 모든 영역에 자동 적용되진 않습니다. 단백질 구조 예측처럼 정답이 명확한 문제와, 비즈니스 의사결정처럼 맥락이 복잡한 문제는 다릅니다. AI 탐색·추론의 강점은 구조화된 문제에서 먼저 나타납니다.
이 글은 구글 딥마인드 CEO의 관점입니다. 자사 기술의 성과를 중심으로 서술되어 있으므로, 경쟁사(OpenAI, Anthropic, Meta AI 등)의 접근법과 교차 검증하며 읽는 것이 균형 잡힌 시각을 유지하는 데 도움됩니다.
바둑판 위의 한 수(37수)가 10년 만에 노벨상이 됐습니다. AI를 '도구'가 아닌 '연구 파트너'로 재정의하는 리더만이 이 궤적 위에 올라탈 수 있습니다.
- Hassabis, D. (2026, March 10). 10 Years of AlphaGo [Blog post]. Google DeepMind Blog. (원문 보기 ↗)