If you have paid time left on an individual Granola plan, we'll match it with a Wispr Flow subscription that includes Notetaker and dictation, and add bonus time, up to 12 months total. Sign in or create a Wispr account and submit proof of your plan to check eligibility.

Try Notetaker Free

튜링포스트의 크세니아(Ksenia Se)가 지난 주 샌프란시스코에서 열린 The AI Conference 2026에서 기조 연설을 한 피터 노빅 박사를 만나 이야기를 나누었습니다.

40년 이상 AI를 다뤄 온 피터 노빅 박사의 다양한 경험을 듣는 것은 인상적이었다고 합니다 - 특히 피터 노빅 박사 자신의 수많은 예측이 틀렸던 것에 대한 이야기 - 예를 들면, 일반 기업에서는 절대로 인터넷을 광범위하게 쓸 수 없을 것이다라고 했었다고 하네요 - 가 말이죠. 피터 노빅 박사의 이런 ‘솔직함’ 안에 중요한 교훈이 있다고 생각합니다. 몇 년 뒤에, 지금 우리가 어쩌면 호들갑을 떨면서 이야기하고 있는 ‘AI에 대한 감정과 두려움’, 어떻게 보일까요?

오늘 대화에서, AI에 대한 예측의 함정, 피터 노빅 박사가 책을 쓸 때 놓쳤던 것들, 왜 에이전트가 다시 주류 논의로 들어왔나, 언어 모델은 월드 모델인가, RSI는 새로운 개념인가, AI가 권력 균형을 어떻게 흔드는가 등에 대한 박사의 생각을 여러분과 나눕니다.

자, 그럼 인터뷰 시작하겠습니다.

Q. 안녕하세요, 피터 노빅 박사님, 인터뷰 응해 주셔서 감사합니다. 스스로 ‘예측을 잘 못한다’고 말씀하신 적이 있죠. 혹시 어떤 경험 때문인가요?

만나서 반갑습니다, 크세니아.

아르파넷(ARPANet)이 막 생겼을 때 저는 버클리 대학의 학생이었습니다. 앨 고어를 비롯한 사람들이 누구나 가입할 수 있는 인터넷을 만들겠다고 했을 때, 저는 그게 안 될 거라고 했습니다. 그 때는, 웹 서버를 제대로 세팅할 줄 아는 사람이 전 세계에 기껏해야 몇 백 명 뿐이었어요! 천만 개 기업이 다 그걸 할 수는 없다고 봤습니다.

제가 놓친 건 이겁니다. 수요가 생기면 사람들이 그 과정을 쉽게 만드는 소프트웨어 툴을 만들어낸다는 것이요. 유닉스 전문가가 아니어도, 넷스케이프나 마이크로소프트에서 나온 패키지를 사서 질문에 답하면 그냥 돌아가게 되는 거죠. 어렵다고 여겨지던 것들이 쉬워지고, 그게 더 강력한 툴로 자리를 잡는 방식으로요.

Q. 그런 경험이 있으셨군요. 그렇다면 AI의 미래를 예측할 때 누구한테 물어보는게 좋을까요?

누구한테 물어봐야 할지는 모르지만, 누구한테 물어보면 ‘안 되는지’는 알아요. 절대로 저 같은 이 AI 씬의 안에 있는 내부자한테는 묻지 마세요. 그 사람들의 말을 액면 그대로 믿거나 받아들이시면 안 됩니다.

언어 모델을 어떻게 만드는지 속속들이 아는 사람한테 미래를 물으면 안 됩니다. 아마, 정작 의견을 물어봐야 할 건 실제 사용자, 실제 시장과 산업일 겁니다. 당신의 삶이 돌아가게 하려면 어떤 툴이 필요하냐, 당신의 일과, 업무를 바꾸게 하려면 뭐가 바뀌어야 하느냐 하는 질문이요.

Q. 박사님은 AI를 배우기 위해 꼭 필요한 아주 중요한 책을 쓰셨는데요. 스튜어트 러셀 박사님과 함께 책을 쓰시게 된 계기가 뭔가요? 기존 교재와 뭐가 다른 책이라고 생각하시나요?

물론, 당시에 다른 교재들이 좋기는 했지만, 이 AI 분야가 바뀌고 있다는 느낌이 있었습니다. 1980년대 중반부터 몇 가지 큰 전환이 있었거든요.

논리에서 확률로의 전환, 손으로 코딩하는 방식에서 머신러닝으로의 전환, 빅데이터로의 이동. 주다이아 펄(Judea Pearl) 박사가 확률 쪽 흐름을 이끌었었고, 불리언 논리에 너무 묶여 있었던 AI가 불확실성을 제대로 다루는 학문으로 가야 한다는 게 당시 많은 사람들이 느끼는 공감대였습니다. 우리가 만든 책에 '현대적 접근(Modern Approach)'이라는 이름을 붙인 이유가 거기 있습니다.

Q. 그렇군요. 그 책의 첫 번째 에디션에서 놓친 게 있다면 어떤 것이었을까요?

명확합니다. 우리가 놓친 건 바로 ‘스케일’이었습니다. 첫 판에서 우리는 체스 규칙을 명제 논리로 표현하면 백만 개의 규칙이 필요하다고 했습니다. 비숍이 이 칸에 있고 저 칸으로 가려면, 이 조건과 저 조건이 필요하다는 식으로요. 그래서 "완전히 비현실적"이라고 썼습니다.

그런데 2, 3판이 되면서 같은 내용이 이렇게 바뀌었습니다. "이쪽이 훨씬 효율적입니다. 규칙이 겨우 백만 개밖에 안 되니까요." 1995년엔 그게 메모리에 들어가지 않았지만, 몇 년 뒤엔 들어갔습니다. SAT 솔버 같은 훌륭한 문제 해결 도구들도 생겼고요.

Q. 지금 박사님이 쓰신 책을 보는 학생들이 있다면, 이 친구들이 책의 전반부, 즉 지식 표현과 논리를 다루는 부분을 꼭 읽어야 한다고 생각하시나요?

글쎄요, 요즘 학생들은 책 전반부, 즉 지식 표현과 논리를 다루는 부분을 굳이 다 읽지 않아도 될 수 있습니다. 그런데 재미있는 역설이 있습니다. 학생은 몰라도 된다는 그 내용을, LLM은 오히려 반드시 알아야 합니다. AI가 더 잘 작동하려면 결국 그 '구식' 논리 체계를 흡수해야 하니까요.

알파고(AlphaGo)를 보면 알 수 있습니다. 바둑 세계 챔피언을 사람들이 예상하던 것보다 수십 년 일찍 이긴 건, 신경망으로 바둑판의 상태를 영리하게 인코딩하는 데 성공했기 때문입니다. 그것만으로도 저 같은 아마추어는 박살낼 수 있어요.

하지만 세계 챔피언을 이기려면 거기에 몬테카를로 트리 탐색(Monte Carlo Tree Search)이라는 전통적인 알고리즘을 결합해야 했습니다. 앞으로도 이런 형태의 조합은 유효합니다. 세계의 복잡성과 불확실성을 이해하는 데는 신경망이 필요하고, 그 위에 영리한 알고리즘이 얹혀야 합니다.

Q. 박사님은 1995년에 이미 '에이전트'를 AI의 핵심 개념으로 내세우셨었는데요. 지금 에이전트가 다시 주목받는 걸 보면 어떤 기분인가요?

저와 스튜어트가 같이 쓴 그 책을 보시면, 출판사가 책 표지 옆에 작은 배너를 붙였습니다. '지능형 에이전트 책'이라고요. 저는 그때 이게 "새롭고 향상된 비누"에 붙이는 스티커 비슷하다고 생각했습니다. 진지한 교재에는 어울리지 않는다고요.

돌이켜보면 출판사가 옳았습니다. AI를 어떻게 정의할 것인지, 그 입장을 책 표지에서부터 분명히 밝힌 셈이었으니까요.

Q. 책을 쓸 때와 비교해서, 에이전트에 대한 시각이 어떻게 바뀌었나요?

책에서 우리가 놓친 게 있다면, 에이전트를 실제로 어떻게 만드느냐에 대한 것입니다. 게임 이론과 의사결정 이론, 에이전트들이 서로 어떻게 상호작용하는지를 다루는 챕터가 있기는 했지만, 지금처럼 그게 AI의 핵심이 될 거라고는 보지 못했어요. 당시에는 에이전트 하나가 얼마나 똑똑하게 행동할 수 있느냐가 관심사였습니다.

지금은 질문 자체가 바뀌었습니다. 에이전트 하나의 능력이 아니라, 여러 에이전트가 무리를 이뤄 함께 작동하는 스웜(Swarm)이 어떻게 돌아가느냐가 핵심이라고 생각합니다. 서로 역할을 나누고, 조율하고, 충돌을 해결하면서요. 에이전트 하나로는 오늘날 우리가 풀려는 문제 해결에 충분하지 않습니다.

Q. 요즘 기호 AI(Symbolic AI)로 돌아가야 한다는 주장이 다시 나오고 있는 것 같습니다. 신경망과 기호 AI를 결합한 뉴로심볼릭 AI라는 개념도 있고요. 어떻게 보세요?

그 방향 자체에는 동의합니다. 순수하게 신경망만으로 모든 걸 해결하려는 접근에는 한계가 있고, 논리와 기호 체계를 어떻게든 결합해야 한다는 건 맞는 말입니다.

다만 저는 지금의 언어 모델이 대체로 옳은 방향에 있다고 봅니다. 다 뒤집고 처음부터 다시 시작할 필요는 없어요. 지금 우리가 가진 것, 즉 어텐션(Attention) 메커니즘을 갖춘 신경망을 기반으로 삼되, 그 위에 논리를 어떻게 얹느냐를 배워가는 게 맞는 순서라고 봅니다.

인간이 진화한 방식을 보면 이해가 쉽습니다. 우리는 태어날 때부터 논리적으로 추론하는 능력을 갖고 태어나지 않습니다. 먼저 세계와 상호작용하고, 보고, 듣고, 움직이는 법을 배웁니다. 그 경험이 쌓인 위에 논리적 추론이 나중에 얹히는 거죠. AI 시스템도 그렇게 만들어져야 한다고 봅니다. 신경망이 세계를 먼저 이해하고, 그 위에 논리를 배우는 방식으로요.

Q. 얀 르쿤(Yann LeCun) 박사는 언어 모델이 세계를 제대로 이해하지 못한다고 봅니다. 진짜 세계를 이해하는 '월드 모델(World Model)'이 따로 필요하다는 거죠. 언어 모델이 월드 모델이 될 수 있다고 보세요?

저는 언어 모델이 이미 월드 모델이라고 봅니다. '고양이가 쥐를 쫓았다'가 '쥐가 고양이를 쫓았다'보다 자연스럽다는 걸 언어 모델은 압니다. 단순히 언어 패턴을 외운 게 아니라, 세계가 어떻게 돌아가는지를 어느 정도 이해하고 있다는 뜻이죠.

물론 부족한 부분도 있습니다. 실시간으로 3D 장면을 생성하거나 물리적 세계와 직접 상호작용하는 건 못합니다. 하지만 그렇다고 언어 모델과 월드 모델 사이에 사람들이 생각하는 것만큼 큰 간극이 있다고 보지는 않습니다. 지금보다 더 나은 월드 모델로 발전할 수 있고, 그 발전은 완전히 새로운 무언가가 아니라 지금 가진 것 위에서 이루어질 거라고 봅니다.

Q. 얀 르쿤 박사와 의견이 갈리는 지점이 있나요?

진단에는 동의합니다. AI가 아직 잘 못하는 것들, 르쿤 박사가 짚어낸 그 부분들이 중요하다는 것도요. 오늘날 AI가 무엇을 할 수 있어야 하는지, 무엇이 부족한지에 대한 그의 분석은 정확합니다.

갈리는 건 처방입니다. 르쿤 박사의 결론은 지금의 시스템으로는 근본적으로 안 된다는 겁니다. 다 뒤집고 처음부터 다시 시작해야 한다고 보죠. 저는 그렇게 생각하지 않아요. 지금 우리가 가진 것, 어텐션 메커니즘을 갖춘 신경망 위에 조금씩 쌓아가면 결국 같은 곳에 도달할 수 있다고 봅니다. 작은 수정들이 쌓이면 결국 르쿤 박사가 원하는 방향과 크게 다르지 않은 곳에 다다를 거라는 거죠.

목적지는 같습니다. 가는 길이 다른 겁니다.

Q. 그렇군요. 그렇다면 AI가 무엇을 잘 못하는지는 어떻게 파악할 수 있을까요? 구글에서 검색 품질을 높이실 때 피드백을 어떻게 모으셨는지 궁금합니다.

피드백은 한 가지 방식으로는 부족하다는 걸 배웠습니다. 여러 층위가 필요합니다.

첫 번째는 클릭 데이터입니다. 수십억 개가 쌓이지만, 구체적이지 않아요. 검색 결과를 바꿨을 때 클릭이 늘었는지 줄었는지는 알 수 있지만, 왜 그런지는 알 수 없습니다. 그래서 두 번째 층위로 휴먼 레이터(Human Rater)를 뒀습니다. 검색 결과 A와 B 중 어느 쪽이 낫냐고 직접 판단하게 하는 거죠. 지금으로 치면 RLHF(인간 피드백 강화학습)인데, 당시에는 그 이름으로 부르지 않았습니다.

세 번째는 훨씬 깊이 들어가는 방식이었습니다. 한 명의 사용자를 별도 공간에 데려다 놓고, 밖에서 들여다보며 모든 상호작용을 기록했습니다. 어떤 검색어를 떠올렸는지, 결과 페이지를 보며 무슨 생각이 드는지, 이 결과가 자신에게 무엇을 말해주는지를요.

수십억 개의 가볍고 넓은 데이터, 수만 개의 중간 데이터, 수십 개의 깊고 세밀한 데이터 — 이 세 층위 중 하나라도 없었다면 불완전했을 겁니다. AI 피드백도 결국 같은 원리라고 생각합니다.

Q. 요즘 AI가 스스로를 개선하는 재귀적 자기 개선(Recursive Self-Improvement)이 화두입니다. 초지능으로 가는 가장 빠른 길이라는 주장도 있고, 위험하다는 경고도 나옵니다. 어떻게 보세요?

엔지니어로서 보면, 사실 새로운 개념이 아닙니다. 더 효율적인 시스템을 만드는 일, 우리가 계속 해온 거죠. 최적화 컴파일러를 만들었을 때도 본질적으로는 재귀적 자기 개선이었습니다. 컴파일러로 컴파일러 자체를 컴파일하면 더 나아지니까요. 그게 재귀적 자기 개선 아닌가요?

개념 자체보다 중요한 건 그게 가져오는 질문입니다. "코드 리뷰를 아직 해야 하는가? AI가 코드를 짰다면 사람이 확인해야 하는가, 아니면 그냥 넘어가도 되는가?" 이런 논쟁이 이미 현장에서 시작됐습니다. 소프트웨어 엔지니어링 방식 자체가 흔들리고 있는 거죠.

재귀적 자기 개선이 일어나든 아니든, 결국 핵심은 통제 수준을 어디에 둘 것이냐입니다. 그게 안전의 문제이기도 하고요. 이 질문은 재귀적 자기 개선이 실현되기 훨씬 전부터 우리가 답해야 할 문제입니다.

Q. 학교에서 학생들에게 강의도 하고 계시니, 그 분야 이야기도 좀 해 보고 싶습니다. 이미, AI가 3년 전에 나온 과제는 전부 완벽하게 풀어버리는 단계에 와 있는데요. 그렇다면 학생들한테 뭘 가르쳐야 하는 건가요?

3년 전 과제를 그대로 내는 건 이제 의미가 없습니다. 먼저 우리가 학생들에게 원하는 역량이 무엇인지부터 다시 생각해야 합니다.

흥미로운 움직임 중 하나는 답을 내라고 하는 대신 좋은 문제를 만들어오라고 하는 겁니다. AI를 써서 풀든, 직접 풀든 상관없이, 좋은 문제를 만드는 일 자체가 진짜 창의적인 부분이고 그걸로 학생을 평가해야 한다는 거죠. 구술 시험이나 토론 방식으로 돌아가는 곳도 있습니다. 에세이는 반박을 받지 않아도 됩니다. "여기 내 주장 A, B, C, D가 있습니다"라고 쓰면 그만이죠. 하지만 토론에서는 "그렇다면 X, Y, Z는?"이라는 질문을 피할 수 없습니다. 자신의 주장을 실시간으로 방어해야 하고, 그 과정에서 진짜 이해했는지가 드러납니다.

다만 이건 소규모 리버럴 아츠 칼리지에서 학생이 열두 명일 때 가능한 얘기입니다. 300명짜리 주립대 수업에서는 어떻게 할 건가요? 소그룹으로 나눌 건가요, AI 튜터를 쓸 건가요, 아니면 동료 간 학습을 강화할 건가요? 솔직히 그 답은 아직 없습니다.

Q. CS 전공자 수가 줄어드는 건 어떻게 봐야 할까요?

저는 스탠퍼드와 버클리 동료들에게 이렇게 말합니다. 전공자 수에 집중하지 말고 부전공자 수를 늘리는 걸 목표로 하라고요.

물리학, 생물학, 사회학을 전공하는 학생이 자기 분야에서 AI 툴을 쓸 수 있게 되는 것, 그게 훨씬 강력합니다. 수학이 그렇게 됐죠. 전문 수학자가 된 사람은 소수지만, 미적분이나 통계를 자기 분야에서 쓰는 사람은 수백만 명입니다. CS 교육도 그 방향으로 가야 한다고 봅니다. AI를 전공하지 않아도 됩니다. 자기 일에서 쓸 수 있으면 됩니다.

Q. 실제로 박사님이 하시는 수업에서 그걸 어떻게 적용하고 있나요?

스탠퍼드에서 가르치는 '인간 중심 AI' 수업에서 한 번의 수업 안에 모두가 앱을 만들게 했습니다. CS 전공자도, 법학도도, 사회학도도요. 절반은 프로그래밍 경험이 전혀 없는 학생들이었는데, 다들 성공했습니다. 어떤 학생은 수업이 끝나고 "이런 게 되는 줄 몰랐어요"라고 했습니다. 그 한 마디가 제가 이 수업에서 원하는 게 뭔지를 말해준다고 생각합니다.

다음번에는 매 수업마다 하나씩 만들게 할 겁니다. 팀으로, 서로의 작업을 보면서 피드백을 주고받는 환경에서요. 집에 혼자 가서 하는 것보다 그쪽이 훨씬 낫습니다. 만드는 것 자체보다 다른 사람이 만든 걸 보고 질문하는 과정에서 더 많이 배우니까요.

Q. 교육 방식을 바꿔야 한다고 하셨는데, 그렇다면 책 자체도 바뀌어야 하지 않을까요? 개정판 계획은 있으신가요?

스튜어트는 딥러닝이 어떻게 작동하는지 완전히 이해할 때까지 새 판을 내지 않겠다는 입장입니다. 저는 "그럴 시간은 없다"고 하죠. 불완전하더라도 지금 아는 것을 먼저 내놓는 게 맞다고 봅니다.

문제는 내용이 아니라 형식입니다. 출판사는 새 판을 내면 된다고 합니다. 1년에 한 번이라도요. 그런데 저는 새로운 내용이 나올 때마다 매달 업데이트되는 구독형 교재를 원합니다. 시뮬레이션과 직접 실행할 수 있는 라이브 코드도 넣고 싶고요. AI가 이렇게 빠르게 바뀌는 시대에, 한 번 찍어내고 끝나는 책이 무슨 의미가 있냐는 거죠. 출판사는 그게 안 된다고 합니다. PDF로 팔 수는 있지만 그것도 어렵다고요.

그래서 지금은 기다리고 있습니다. 출판사가 그런 툴을 갖추는 시점이 오거나, 아니면 시간이 충분히 지나 저작권이 출판사에 묶이지 않게 되면, 그때 혼자서 무언가를 만들어볼 생각입니다.

Q. 기술이 발전할수록 그 혜택만큼 위험도 커진다는 이야기를 많이 합니다. AI는 어떤가요? 가장 걱정되는 부분이 무엇인지, 그리고 그 안에서도 희망을 찾을 수 있는지 솔직하게 들어보고 싶습니다.

2001년 스페이스 오디세이 오프닝 장면이 생각납니다. 뼈다귀가 떨어지고, 유인원이 그걸 집어 들고, 처음 하는 일이 상대방 머리를 내리치는 겁니다. 우리는 도구를 만드는 종이 됐는데, 그 첫 번째 용도가 그거였습니다. 어떤 도구든 대부분 이중적으로 쓰입니다. AI도 마찬가지고요.

AI 없이도 이미 보이는 흐름이 있습니다. 더 작은 집단이 더 강력한 기술을 쓸 수 있게 되는 방향으로요. 예전에는 핵미사일과 항공모함을 가진 두 강대국이 균형을 맞추며 안정을 유지했습니다. 서로 싸우면 결과가 나쁘다는 걸 알았으니까요. 지금은 항공모함이 없어도 됩니다. 드론에 몇만 달러를 투자하면 과거에는 불가능했던 방식으로 힘을 행사할 수 있습니다. AI가 그 흐름을 가속시키고 있고, 그게 세계를 더 불안정하게 만든다고 생각합니다.

Q. 지금 이 분야를 이끄는 기업들을 신뢰할 수 있다고 보시나요?

걱정이 됩니다. 다리오와 앤트로픽(Anthropic)의 방식은 꽤 신뢰합니다. 회사를 구조화한 방식도요. 하지만 저는 세르게이 브린(Sergey Brin)과 매일 같이 일했고, 그가 변하는 걸 직접 봤습니다. 베조스도 밖에서 보기엔 바뀐 것 같고요.

믿음은 오래가지 않을 수 있습니다. 좋은 의도로 시작했다가 잘못된 길로 들어서는 경우가 있고, 부와 권력이 집중되면 그게 더 쉬워집니다. 제 책 표지에 제 이름이 올라가 있습니다. 나중에 누군가 "이 사람이 오늘날 AI 때문에 우리가 처한 상황에 책임이 있다"고 보게 되는 상황이 오지는 않았으면 좋겠는데 말이죠.

Q. 그래도 낙관하는 부분이 있다면요?

4년 전이라면 모든 관심이 몇몇 거대 프론티어 랩에만 쏠릴 거라고 봤을 겁니다. 소수의 회사가 모든 걸 쥐는 과두제가 될 거라고요. 지금은 딥시크(DeepSeek), 키미(Kimi) 같은 훨씬 작은 모델들도 충분히 좋아지고 있습니다. 승자독식이 아닌, 힘이 더 넓게 퍼지는 방향으로 가고 있다는 신호라면, 그쪽이 더 안전한 방향이라고 봅니다.

오픈소스에도 위험이 있긴 합니다. 몇 년 전 에릭 슈미트(Eric Schmidt)는 오픈소스 모델을 나쁜 사람들이 다운로드해서 병원균 제조법을 물어볼 수 있다고 우려했습니다. 저도 그 걱정에 공감했습니다. 하지만 지금은 에릭도 "이미 늦었다, 고양이가 가방에서 나왔다"고 합니다. 오픈소스 모델은 이미 세상에 나와 있고, 이제는 다른 방식으로 보호책을 찾아야 합니다.

Q. 마지막으로, 지금 AI를 만드는 사람들에게 하고 싶은 말씀이 있으시다면요?

잊혀지고 있는 생각이 하나 있습니다. 우리는 이 기술을 사람들의 삶을 더 나아지게 하려고 만들고 있다는 것이예요. 회사를 부자로 만드는 게 아니라, 인류를 어떻게 도울 수 있는지를 생각해야 합니다.

리치 서튼(Rich Sutton)의 '쓴 교훈(The Bitter Lesson)'도 기억할 만합니다. 영리하게 특정 문제를 풀려고 할수록 오히려 잘 안 됩니다. 더 많은 데이터를 더하면 넓이가 생기고, 탐색(Search)을 더하면 깊이가 생깁니다. 손으로 설계한 방법보다 데이터와 탐색이 결국 이깁니다. 결국 데이터를 이해하고 깊이 탐색할 수 있는 시스템을 만드는 것, 그게 핵심입니다.

Q. 피터 노빅 박사님, 오늘 인터뷰 감사합니다.

네, 감사합니다.

피터 노빅 박사와 이야기를 나누며 가장 인상 깊었던 건 그의 솔직함이었습니다. 40년간 AI의 최전선에 있었던 사람이 "저한테 미래를 묻지 마세요"라고 말할 수 있다는 것, 그리고 자신이 틀렸던 순간들을 이렇게 편하게 꺼낼 수 있다는 것. 그 안에 중요한 교훈이 있습니다. 기술을 가장 잘 아는 사람이 미래를 가장 잘 예측하는 건 아닙니다. 오히려 내부에 있을수록, 지금 어렵다고 보이는 것이 얼마나 빨리 쉬워질 수 있는지를 과소평가하는 경향이 있습니다.

에이전트, 월드 모델, 재귀적 자기 개선, 권력 집중까지 — 묵직한 주제들을 다뤘지만, 그가 가장 많은 시간을 할애한 건 교육이었습니다. AI를 전공하지 않아도 된다, 자기 분야에서 쓸 수 있으면 된다는 그의 말은 이 분야 바깥에 있는 사람들에게 하는 말이기도 하지만, 동시에 이 분야 안에 있는 사람들에게 하는 경고이기도 합니다. 전문가의 언어로만 AI를 이야기하는 순간, 정작 AI를 써야 할 사람들을 잃게 된다는 겁니다.

인터뷰를 주선해 주신 The AI Conference 팀과 Jenna Dobkin에게도 감사드립니다.

읽어주셔서 감사합니다. 친구와 동료 분들에게도 뉴스레터 추천해 주세요!