2024년 노벨 화학상의 절반은 다음에게 수여되었다데이비드 베이커（David Baker），“계산을 통한 단백질 설계 분야의 공헌을 기리기 위해”；나머지 절반은 공동으로 수여되었다데미스 허사비스（Demis Hassabis）및존 M. 점퍼（John M. Jumper），“단백질 구조 예측 분야에서 이룬 업적을 기리기 위해”.
David Baker는 워싱턴 대학교 단백질 설계 연구소 소장으로, 단백질 설계 분야의 선구자로 불립니다. 2003년부터 완전히 새로운 Top7 등 여러 혁신적인 단백질을 성공적으로 설계했으며, 이들은 의약품、백신、나노 소재、초소형 센서 등 다양한 분야에서 널리 활용되고 있습니다. 또한 1999년에 이미 단백질 구조 예측 알고리즘 RoseTTA를 제안했으며, 이는 Deepmind의 AlphaFold보다 앞섰습니다.
다른 두 수상자는 더욱 낯익은 인물들이다。Demis Hassabis는 Google DeepMind의 공동 창업자 겸 CEO이며，John M. Jumper는 현재 Google DeepMind의 디렉터다。두 사람은 팀을 이끌고 AI 모델 AlphaFold 2를 개발하여，과학계를 50년 동안 괴롭힌 난제를 해결했다：아미노산 서열로 단백질의 복잡한 구조를 예측하는 것이다。
단백질은 생명의 기본적인 화학 도구로，모든 생화학 반응을 제어하고 촉진하며，호르몬、신호 물질、항체 및 조직 형성에서 핵심 역할을 한다。단백질에서는 아미노산들이 긴 사슬 형태로 연결되고，접혀서 3차원 구조를 이룬다。지난 세기 70년대부터 연구자들은 아미노산 서열을 바탕으로 단백질 구조를 예측하려고 노력했으나，진전은 더디기만 했다。그러다가 4년 전 DeepMind가 놀라운 돌파구를 마련했다。
2020년，Demis Hassabis와 John Jumper는 초대 AlphaFold를 기반으로 AlphaFold 2를 개발했습니다. 이 모델은 연구자들이 확인한 2억 개 단백질 거의 전부의 구조를 예측할 수 있으며，지금까지 2만 회 이상 인용되었고，190개국의 200만 명이 넘는 사람들이 사용했으며，말라리아 백신、암 치료、효소 설계、항생제 내성 연구 등의 분야에서 큰 진전을 이루는 데 기여했습니다. 사실 두 사람은 노벨상을 받기 전인 지난해에 이미 기초의학 연구에 대한 탁월한 공로를 인정받아，“과학계의 오스카상”으로 불리는 생명과학 혁신상과 “노벨상의 향방을 가늠하는 지표”인 래스커상을 수상했습니다.
스웨덴 왕립과학원은 성명에서 “단백질 없이는 생명이 존재할 수 없다. 이제 우리는 단백질 구조를 예측하고 직접 단백질을 설계할 수 있게 되었으며, 이는 인류에게 막대한 혜택을 가져다주었다.”라고 밝혔다.
수상 소식을 접한 뒤，Google DeepMind 공식 계정은 곧바로 글을 올려 “기쁜 소식”을 전했다。
Demis Hassabis도 성명을 통해 다음과 같이 밝혔다：
“노벨상 수상은 제 일생의 영광입니다. 스웨덴 왕립과학원，John Jumper와 AlphaFold 팀，더 넓은 DeepMind와 Google 팀，그리고 이 순간에 기여한 모든 동료에게 감사드립니다. 저는 AI의 발전에 제 경력을 바쳐 왔습니다. AI에는 수십억 명의 삶을 개선할 수 있는 비할 데 없는 잠재력이 있기 때문입니다. 이미 200만 명이 넘는 연구자들이 효소 설계부터 신약 발굴에 이르는 핵심 연구를 진전시키는 데 AlphaFold를 사용하고 있습니다. 앞으로 우리가 AlphaFold를，AI가 과학적 발견을 가속할 수 있다는 거대한 잠재력을 보여 준 첫 실증 사례로 바라볼 수 있기를 바랍니다.”
John Jumper는 이어 이렇게 말했다：“이는 AI가 과학 연구를 가속하고, 궁극적으로 질병을 이해하며 치료법을 개발하는 데 도움을 줄 수 있음을 보여 주는 중요한 증거입니다. 이 연구는 Google DeepMind의 훌륭한 팀 덕분이며, 이 상은 그들의 뛰어난 공헌을 인정하는 것이기도 합니다.”
이로써 앞서 물리학상을 수상하며 큰 화제를 불러일으킨 ‘AI의 대부’ 제프리 E. 힌턴(Geoffrey E. Hinton)까지, 올해 가장 주목받은 이 수상자들의 배후에는 뚜렷한 공통분모가 있다. 힌턴은 Google의 초기 AI 야심을 담았던 Google Brain의 핵심 인물이었고, Demis Hassabis는 최근 Google의 AI 연구를 맡아 온 Google Deepmind의 구심점이다.
“노벨상 파티”까지 아예 Google 캠퍼스에서 열린 것도 무리는 아니네요.
노벨상이 잇달아 AI 과학자들에게 돌아가는 가운데, Google도 ‘대박을 터뜨렸다’.
Google의 공세
시간 순서로 보면 구글은 분명 인공지능 분야에 가장 먼저 뛰어든 대기업이다.
많은 이야기 버전에서는 2012년 겨울 미국 타호호 인근 카지노 호텔에서 열린 그 비밀 경매를, Google·Microsoft·Baidu라는 세 거대 기술 기업과 DeepMind가 Hinton이 막 설립한 소기업 DNNResearch를 두고 벌인 공정한 경쟁으로 묘사한다. 당시 이 회사에는 논문 몇 편 외에 실질적인 제품이 전혀 없었다. 하지만 돌이켜 보면 이 경매의 결말은 사실 이미 정해져 있었다. 그 시작의 한 축이 바로 6개월 전 Google의 추진에서 비롯되었기 때문이다.
2012년 6월，Google Brain은 알고리즘으로 YouTube 영상 속 고양이를 식별하는 “구글 고양이（The Cat Neurons）” 프로젝트의 시작을 공개했다. 앤드루 응이 이끌고 Jeff Dean이 참여했으며, 회사 창립자 Larry Page의 전폭적인 지원을 받았다.
이 프로젝트는 연결이 10억 개에 달하는 대규모 신경망을 구축하고, YouTube의 레이블이 없는 동영상 1000만 개를 사용해 CPU 16,000개에서 훈련했다. 비지도 학습을 통해 이 시스템은 고양이 얼굴을 식별하는 법을 성공적으로 스스로 익혔으며, 정확도는 74.8%에 달했다. 사람의 얼굴 등 다른 대상도 식별할 수 있었다.
하지만 앤드루 응은 프로젝트 후반에 한창 잘나갈 때 물러나기로 했고, 떠나기 전 Google에 자신의 스승인 Hinton을 후임으로 추천했다. Hinton은 대학을 떠나지는 않겠으며, Google에는 “여름 한 철만 머물겠다”고 말했다. 그렇게 그는 Google 역사상 가장 나이 많은 인턴이 되었다.
딥러닝 분야의 권위자인 Hinton은 곧 프로젝트의 결함을 알아차리고, 구글 고양이가 “잘못된 신경망을 실행했고, 잘못된 연산 능력을 사용했다.”고 지적했습니다. 짧은 “실습 기간”이 끝나자 Hinton은 즉시 제자인 Ilya Sutskever와 Alex Krizhevsky를 모아 팀을 꾸리고, 새로운 신경망 구조인 AlexNet을 개발했습니다. 그리고 NVIDIA GPU 단 4개로 학습시킨 결과물을 가지고 2012년 ImageNet 이미지 인식 대회에 참가해, 최종적으로 84%의 정확도로 판도를 뒤집는 승리를 거두었습니다.
같은 해 10월, Hinton 팀은 피렌체 컴퓨터 비전 학회에서 우승 알고리즘 AlexNet을 정식으로 소개했습니다. 하드웨어와 연구 개발 자원에서 압도적인 차이가 나는 Google을 학계 팀이 역전해 물리친 일은 학계와 산업계 전체에 큰 충격을 주었습니다. AlexNet 논문 역시 컴퓨터 과학 역사상 가장 영향력 있는 논문 중 하나가 되었으며, 인용 횟수는 12만 회를 넘었습니다.
이어서 세 사람의 DNNResearch 회사가 정식으로 설립되었다. 이후 입찰 과정은 더욱 순조롭게 진행되었고, 인수 가격이 4400만 달러까지 올라가자 Hinton은 경매를 중단하고 두 제자와 함께 Google에 정식으로 합류하여 Google Brain 부사장 겸 엔지니어링 연구원을 맡았다.
당시 Hinton은 한 성명에서 이렇게 썼습니다：“토론토 대학교에서 계속 시간제로 가르칠 예정이지만, Google에서는 우리가 초대규모 연산을 어떻게 처리하는지 볼 수 있습니다.”
2023년 5월까지 이어진 10년간의 Google 재직 기간에 Hinton은 대규모 인공 신경망 연구에 계속 참여하며, Bard와 ChatGPT 같은 현대 AI 시스템의 기반 기술을 마련하는 데 근본적인 기여를 했다. 또한 오픈 소스 머신 러닝 라이브러리 TensorFlow 개발에 참여하여 이미지 인식, 언어 이해 등 AI 응용 분야의 성능 향상을 이끌었고, 딥 러닝 기술을 Google의 다양한 제품과 서비스에 폭넓게 적용했다.
Google은 인재와 기술을 모으는 데 한 번도 속도를 늦춘 적이 없다. DNNResearch를 인수한 지 불과 2년 뒤, 당시 입찰 경쟁자 중 하나였던 Hassabis가 설립한 DeepMind도 품에 안았다.
알려진 바에 따르면, 당시 Google은 Hinton을 런던으로 데려가 ‘직접 확인’하게 하려고 전용기까지 빌렸으며, 허리 통증 때문에 비행기를 타지 못하는 문제를 해결하려고 좌석도 특별히 개조했다. 당시 Google에 밀려 DeepMind를 놓친 Facebook은 대신 ‘딥러닝 3대 거장’ 중 한 명인 Yann LeCun을 고액에 영입했다.
Deepmind의 이야기
DeepMind 쪽을 살펴보면, 사실 Google에 인수되기 전부터 DeepMind는 재정적 어려움을 겪고 있었습니다. 회사는 계속 자금을 소진하면서도 지속 가능한 비즈니스 모델을 찾지 못했고, 심지어 파산 직전까지 몰렸습니다.
구글의 6억 달러 인수는 DeepMind를 구했다. 핵심 기술팀을 유지했을 뿐 아니라 클라우드 컴퓨팅 플랫폼과 데이터 센터 지원을 포함한 강력한 컴퓨팅 자원도 제공했다. 덕분에 DeepMind는 더 강력한 연산 능력으로 심층 신경망을 훈련할 수 있었으며, 특히 AlphaGo 개발에서 계산 속도와 모델 정확도를 크게 높였다. 이 밖에도 구글은 특별히 설계한 TPU（텐서 처리 장치）를 제공하여 딥러닝 모델의 훈련 및 추론 효율을 더욱 최적화했다. AI 기반 도구인 TensorFlow도 DeepMind의 연구에 널리 활용되어 AlphaGo의 성능 강화에 기여했다.
AlphaGo는 DeepMind 팀이 개발한 인공지능 바둑 프로그램입니다. 수백만 판의 기보를 분석하고 자가 대국을 통해 강화 학습을 수행하여 복잡한 바둑 전략을 익혔으며, 인간 최정상급 바둑 기사를 뛰어넘을 수 있습니다. 2016년, AlphaGo는 바둑 세계 챔피언 이세돌과의 대결에서 4 대 1로 승리하며 단번에 이름을 알렸고 전 세계에 충격을 주었습니다.
그러나 Hassabis가 보기에，보드게임을 통해 AI가 복잡한 문제를 해결할 잠재력을 검증하는 것은 시작에 불과했습니다. 더 중요한 것은 이를 활용해 범용 학습 시스템을 이끌고，현실 세계의 도전에 대응함으로써，인간의 삶을 실질적으로 개선하고、산업을 혁신하며 과학의 발전을 추진하는 것입니다.
이에 DeepMind는 몇 달 만에 생물학자들을 빠르게 채용하여 학제 간 팀을 구성하고 단백질 접힘 난제 해결에 집중했으며, 마침내 2018년에 AlphaFold 프로젝트가 탄생했다. 여러 차례의 개선을 거친 AlphaFold는 획기적인 단백질 구조 예측 능력으로 생물학 연구를 근본적으로 바꾸었으며, 과학 분야에서 AI가 지닌 강력한 활용 가능성을 보여 주었다.
바로 올해 5월, Google Deepmind는 Isomorphic Labs와 함께 차세대 단백질 예측 모델 AlphaFold 3을 공개한다고 다시 공식 발표했으며, 관련 논문은 곧바로 《Nature》에 실렸다.
이전 버전과 비교하면, AlphaFold 3은 단백질 접힘 예측에서 진전을 이루었을 뿐 아니라, 단백질, DNA, RNA 및 리간드 등 생체 분자의 구조와 상호작용을 높은 정확도로 예측하는 데 처음으로 성공했습니다. 이 획기적인 성과는 과학자들이 질병의 메커니즘과 생명 현상을 더욱 깊이 이해하도록 돕는 동시에, 연구 개발에 드는 시간과 비용을 크게 줄였습니다. 재생 가능한 소재 개발부터 신약 설계와 유전체학 연구 가속화에 이르기까지, AlphaFold 3은 생체 분자 분야의 활용 가능성을 한층 넓혔습니다.
그뿐 아니라 팀은 AlphaFold 3를 기반으로 AlphaFold Server라는 무료 플랫폼도 출시해, 전 세계 과학자들이 비상업적 연구에 사용할 수 있도록 함으로써 과학 탐구의 대중화를 더욱 촉진했습니다.
Google은 DeepMind를 통해 세계 최고의 연구 인재들을 꾸준히 끌어들이고 장기적인 자금 지원을 제공하여, 이들이 단기적인 상업적 수익에 의존하지 않고 획기적인 연구에 집중할 수 있도록 한다. 또한 Google은 DeepMind에 높은 수준의 전략적 자율권을 부여해 연구 방향을 자유롭게 선택할 수 있게 한다. 바로 이러한 독립성과 장기적인 지원이 DeepMind가 미래를 내다보는 연구를 수행할 수 있는 탄탄한 기반이 되었다.
게임 분야와 생물학적 돌파구 외에도, DeepMind는 Google 어시스턴트에 사용되는 실감 나는 음성 합성 모델 WaveNet을 개발하여 음성 상호작용 경험을 개선했다. 시각-언어-행동 모델 RT-2를 통해 로봇이 다양한 환경에서 작업을 수행하는 능력을 강화했다. 또한 날씨 예측, 핵융합 반응로 같은 복잡한 문제를 연구하며, AlphaCode와 AlphaDev 등의 프로젝트를 통해 컴퓨터 알고리즘의 추가적인 발전을 이끌었다.
Google의 “밑천”은 여전히 탄탄하다
오늘날의 인공지능 경쟁에서 OpenAI와 Anthropic 같은 주목받는 기업들이 빠르게 부상하고, ChatGPT와 Claude가 Gemini를 “압도”하면서 한때 사람들은 Google의 AI 전략에 의문을 품었다. 특히 생성형 AI 제품과 개발자 도구의 상용화 과정에서 OpenAI 같은 기업들의 빠른 발전은 Google의 상대적으로 더딘 행보와 뚜렷한 대조를 이루었다.
그러나 눈앞의 두 노벨상은 Google의 탄탄한 과학 연구 기반과 축적된 기술이 여전히 다른 기업들이 모방하기 어려운 강점임을 일깨워 주는 듯하다.
2006년 이전의 딥 러닝 상황은 켈빈 남작의 그 명언으로 요약할 수 있다：“딥 러닝의 건물은 이미 대체로 완성되었고, 다만 햇살이 찬란한 하늘 아래 세 조각의 작은 먹구름이 떠 있을 뿐이다.”
이 세 개의 작은 먹구름은 각각 알고리즘、연산 능력과 데이터다。
그리고 Google은 바로 이러한 핵심 분야에서 뚜렷한 강점을 갖고 있습니다. 우선 세계 최고 수준의 방대한 데이터 자원을 보유하고 있으며, YouTube、Google Scholar、Google Search 등의 플랫폼을 바탕으로 시각、음성 인식、자연어 처리 등 AI 모델에 풍부하고 다양한 학습 데이터를 제공합니다.
둘째，Google은 컴퓨팅 자원 면에서 뚜렷한 우위를 갖고 있다。자체 개발한 TPU 하드웨어는 딥러닝 모델의 학습 속도를 크게 높였으며，Google Cloud는 내부 연구에 강력한 연산 능력을 제공할 뿐 아니라，전 세계 개발자에게 도구를 제공하여 복잡한 AI 애플리케이션을 빠르게 구축하고 배포할 수 있도록 돕는다。
알고리즘 연구 개발 분야에서도 Google은 업계의 최전선에 있다. Google Brain 팀에서 탄생한 Transformer 아키텍처는 현대 자연어 처리의 기반을 마련했으며, 오늘날 거의 모든 최첨단 AI 모델의 발전을 이끌었다. 이러한 기술은 학계의 발전을 촉진했을 뿐 아니라 Google의 핵심 제품에도 널리 적용되고 있다.
2024년에도 AI 분야는 여전히 알고리즘, 연산 능력, 데이터 측면의 과제에 직면해 있습니다. 많은 기업이 각자 특정 분야에서 돌파구를 마련했지만, 이와 비교하면 세 가지 측면의 강점을 동시에 갖추고 이를 지속적으로 효과 있게 결합하는 기업은 여전히 Google인 듯합니다.
OpenAI, Microsoft 등과의 경쟁에서 Google은 여전히 탄탄한 기반을 갖추고 있으며, AI 경쟁에서도 패배한 것은 아니다. 인공지능의 잠재력은 아직 충분히 발굴되지 않았다. 이 장기전에서는 기술 혁신의 깊이와 폭이 최종 승자를 결정할지도 모른다.
