EP 114
도망칠 틈이 없다
Navier–Stokes 방정식 풀이 소식 00:00
노정석 녹화를 하고 있는 오늘은 2026년 9월 9일 수요일 저녁입니다. 저희가 오랜만에 저녁 녹화를 하고 있는데요. 소식이 정말 끊이질 않습니다. 그래도 이 Navier–Stokes 방정식을 풀었다, 정확하게 풀었다는 게 어떤 의미인지에 대해서는 저도 정확히 알지 못합니다만, 승준님, 이와 관련한 이야기 한번 들려주시죠.
최승준 네, 저도 오늘 부리나케 좀 조사를 해봤는데요. 일단 OpenAI 페이지에 이런 게 떴어요. 이렇게 쭉 설명이 있고, 간단한 도식과 그래프가 있고, 어떻게 그걸 해냈는지 소개되어 있고, 또 자세한 사항은 논문으로 공개되어 있는데 이게 공개됐다고 해서 제가 이해할 수 있는 그런 게 아니어서 얼른 닫겠습니다.
유체 시뮬레이션과 Navier–Stokes의 역사 00:51
최승준 Navier–Stokes가 뭔지 간략히 제가 아는 수준에서 말씀드리면, 아마 이공계 공부를 하셨던 분들은 다변수 미적분학이나 미분방정식 같은 걸 배웠을 때, 또는 유체역학을 배웠을 때 접했던 건데요. 미디어 아트 쪽에서도 꽤 많이 쓰이는 기법입니다. 이게 해석적으로가 아니라 수치적으로 다룰 수 있어서 어떤 유체와 관련된 시뮬레이션인데, Euler가 1700년대에 만든 게 있고 1800년대의 Navier와 Stokes도 사람 이름이거든요. 1800년대에 만든 방정식 중 앞선 Euler 방정식은 점성이 없는 경우, Navier–Stokes 방정식은 점성이 있는 경우의 유체 시뮬레이션과 관련된 거예요. 그래서 이게 해석적으로는 풀리지 않는 건데, 2000년에 밀레니엄 문제에 포함됐습니다.
그래서 이번에 밀레니엄 문제가 풀렸다는 게 세간의 화제가 되는 건데요. 자료를 보시면 쭉 이어지는 시뮬레이션 같은 것들도 다뤄놓고 있습니다.
밀레니엄 문제의 의미와 남은 과제 01:50
최승준 그런데 내용이 어려우니까 밀레니엄 문제가 뭔지부터 간략히 한번 짚어볼게요. 지난달인 8월 말쯤에 이번 일 같은 것들을 예견한 듯한 통찰이 담긴 글을 Harvard University의 한 응용수학 교수가 밀레니엄 문제에 대한 성찰이라는 제목의 preprint로 올린 게 있더라고요. 밀레니엄 문제는 Clay Mathematics Institute에서 2000년에 선정해 공개한 일곱 개의 문제예요. 그중 푸앵카레 추측이라는 게 현재 풀려 있는 상태고, 리만 가설이나 P vs NP, 그다음에 Navier–Stokes가 잘 알려진 대표적인 문제들이죠.
그런데 이 글에서 재미있는 부분은 이게 2000년에 나왔을 때는 굉장히 의미가 컸고, 그동안 26년 정도 지난 상황에서는 많은 도전이 이루어져 부산물이 있었다는 겁니다. 그러다 보니까
문제 해결이 실용 기술에 미치는 영향 02:48
최승준 실제로 그 문제가 풀리더라도 얼마나 영향력이 있느냐를 짚어줬어요. 리만 가설이 실제로 풀리지 않더라도 이미 가설이 성립하는 영점을 12조 개나 확인해서 그게 풀리든 안 풀리든 실용적으로는 큰 문제가 없을 수 있다. 그다음에 P vs NP도 비슷한 얘기를 했고요. Navier–Stokes 방정식도 현재 blow-up이라는 특이점이 생기는 문제가 이와 연결되는데, 그게 풀리더라도 그런 현상이 수학적으로 증명된다고 하더라도 실제 강물이나 바람에서 볼 일은 없다.
그래서 실용적인 측면에서 당장 엔지니어링 문제에 크게 영향을 주거나, 지금까지 만들어왔던 알고리즘이 갑자기 깨지거나 하는 일은 절대 아니라는 거죠. 굉장히 형식적인 이슈이기 때문에 사람들이 Navier–Stokes 문제가 풀렸대, 그러면 우리가 태풍을 예측하거나 난류와 관련된 유체역학, 비행기나 자동차와 관련된 문제에 큰 변화가 있느냐? 그건 아니라는 거죠. 이건 굉장히 형식적인 수학의 이슈인 거고요.
OpenAI의 물량 공세와 내부 모델 03:56
최승준 그런데 제가 조금 더 초점을 둔 건 이걸 푼 과정에서 상당한 물량 공세를 했다는 겁니다. 상당히 재미있어서 그 부분을 제대로 짚어보려고 해요.
이게 재미있는 게 7~8월에 그런 얘기가 있었잖아요. RL을 2주간 먹인다. 그리고 어떤, 그러니까 Astra 모델이 아니라 Astra 다음 모델에 RL을 2주간 먹인다. 그래서 Sam Altman이 마케팅하듯 얘기했던 게 있는데, 그 모델입니다. 그 모델이 8월 28일부터 post-training을 재개했거든요. 그런데 9월 1일부터 어제까지 그 모델의 중간 checkpoint들을 가지고 이 Navier–Stokes와 관련된 성과가 나온 거예요. 그걸 어떻게 했는지 살펴보면, 일단 OpenAI 쪽 인물들이 이 그래프를 많이 이야기했어요.
Test-time compute scaling과 성능 향상 04:48
최승준 지금 여기가 log scale로 표시된 test-time compute고, 이 선이 Astra입니다. 그다음 이게 이번에 쓰인 internal 모델인데, test-time compute scaling이 작동하고 있는 걸 볼 수 있죠. 여기 Open Math Problems라고 되어 있는데, 수학의 미해결 문제 같은 것들을 선별해 풀게 했을 때 지금 성과가 이만큼 올라가고 있다는 건데, 지금 한참
노정석 x축이 log네요. 이게 한 칸 뛸 때마다 10배씩 뛴다는 거네요.
최승준 예. 이게 사실 선형은 아니고, x축이 log다 보니까 이런 형태거든요. 그래서 투자한 만큼 확 올라가는 건 아니긴 해요. 하지만 어쨌든 자릿수가 좀 다른 느낌으로 크게, 0.1에서 0.5까지이긴 합니다만, 여기가 벌어진 부분이고요. 급이 다른 모델인 것 같다는 느낌은 오죠.
박종현 네, 아마도 다음 모델로 추정되는 거죠. Bailey라고 불렸나요? 그렇게 Twitter에서 제가 본 것 같아요.
최승준 맞아요. 그게 다른 pre-training run이라고 하고, Doug라는 것도 있고, 다 B로 시작하는 이름이었던 것도 있는데 올해 말 출시를 목표로 한다고 선언했죠.
노정석 Sam Altman이 얘기했던 much, much, much better 모델인 거죠.
최승준 그래서 그 모델의 중간 checkpoint를 가지고 한 건데요.
수학적 가설 풀이 ansatz와 Terence Tao의 통찰 06:11
최승준 이게 용어를 알아야 하는데, 저도 익숙한 용어는 아닌데 ansatz라는 게 수학에 있거든요. 가설 풀이라고 해서, 해를 찾기 위해 대강 이런 식으로 될 거라는 형태를 짜놓고 거기에 맞게 나머지 변수들을 조정하는 기법이에요. 이걸 하려면 모델에 연구 취향이 있다고 해야 될까요? 어쨌든 이번에 저희가 Astra system card를 봤을 때도 상당히 pre-training에서의 상승도 있고, post-train에서의 상승도 있잖아요. 그런 걸 잘할수록 아무래도 가설을 세우는 것 자체를 잘하겠죠. 지금 수학에서도 ansatz라는 기법이 있는데, 그런 걸 활용해서 진행한 거라고 생각합니다. 그와 관련해서 저희가 저번 녹화 때 Terence Tao가, 아직 Navier–Stokes가 안 풀렸던 며칠 전이었죠. 만약 그런 문제에 도전한다면 이런 식으로 할 거라고 상상했던 얘기에 딱 그런 내용이 있습니다. 가설적 형태에서 출발해서 그것이 작동하지 못하게 하는 장애물을 발견하고, 장애물을 부분적으로라도 제거하도록 가설을 수정한 뒤 이 과정을 반복하는 것. 이런 방식으로 유체역학에 대한 통찰을 거의 확실하게 만들어낼 것이라고 했는데, 그대로 한 셈이긴 해요. 좀 더 살펴볼게요.
1만 개 에이전트의 동시 협업 07:37
최승준 그래서 여기서 RL을 수행할 때 1만 개 정도의 agent가 동시에, concurrently라고 쓰여 있었거든요. 동시에 활동하는데, 우리가 OpenAI의 Hugging Face 해킹 사건이나 DSE Wiki 사건 같은 걸 봤을 때 거기에서도 인간이 감독하지 않았는데도 모델들이 계속 흔적을 남기면서 대규모로 협업한 사례를 봤잖아요. RL 환경에서 그렇게 협업하는 것 자체를 배웠을 것이라는 추측이 있는데, 두 가지를 얘기하고 싶은 거예요. 하나는 모델 자체의 능력이 상승한 것, 그다음 또 하나는 모델이 agent로서 대규모 협력을 할 수 있게 된 것이 맞물려 돌아간 게 이번 사건인 것 같아요. 여기는 넘어가고요.
RLVR 환경에서 등장한 에이전트 협업 08:28
박종현 네, 저희가 맨 처음에 GPT-5.1이 나왔을 때, reasoning 모델이 나왔을 때 RLVR을 시켰더니 알아서 test-time compute를 늘려 오래 고민하면서 정답을 찾아가는 형태를 보이더라, 이런 걸 DeepSeek가 나오면서 제가 알게 됐는데 좀 비슷한 느낌이 듭니다. 목표만 주고 알아서 하라고 했더니 자기들끼리 협업하는 방식을 찾아 나아가는 느낌이 드는 것 같아서 뭔가 또 반복이라는 느낌이 드네요.
최승준 네. OpenAI의 Hugging Face 해킹 사건에서는 인간이 그렇게 협업하라고 해서 한 게 아닌데, 공유할 무언가를 남길 수 있는 기록 공간만 있으면 협업이 일어났던 거고, 이번에는 구체적으로 orchestration을 어떻게 하라는 가이드를 인간이 agent들에게 준 것 같긴 해요. 그래서 agent들이 동시에 1만 개가 활동했다고 하는데, 1만 개가 동시에 모두 실시간으로 소통한 건 아니고 여러 그룹이 있어서 그룹끼리 긴밀하게 소통하고 기록을 남겼던 것 같은데요.
그룹 간 cross-pollination과 점진적 증명 09:30
최승준 Group A에서 어떤 후보를 ansatz 같은 걸로 만들고, 다른 후보인 Group B에서는 다른 접근을 하고, 그러다가 A는 막혔는데 B에서 보조정리, lemma 같은 걸 발견하면 공식 문서에도 cross-pollination이라는 용어가 나오거든요. 타화수분이라고 하죠. 관련 발견을 취합해서 lemma의 가정을 A가 만족하는가? 이걸 써먹을 수 있는가? 다른 그룹의 아이디어를 가져오면 A가 adjust돼서 새 발견을 적용할 수 있게 고치고, 전체 조건을 다시 검증해서, 이게 RLVR, 그러니까 verifiable하기 때문에 가능한 것 같아요. 다시 막히면 원인을 반영해서 지수함수 꼴일 거야, 아니면 다른 꼴일 거야, 그런 가설들을 세운 다음 그걸 끼워 맞추는 작업을 다양한 그룹이 하다가 뭐가 됐든 부분적으로 lemma 같은 게 나오면 그 아이디어를 cross-pollination해서 계속 점진적으로 개선하는 느낌인 것 같아요. 장애물을 만나면 그런 것들을 부분적으로 극복할 수 있는 방법을 어떻게든 가져와서 계속하는 건데, 어떤 게 좋은지 아는 것도 모델의 능력이라는 거죠. 그런 걸 지금 해낼 만큼의 수준이 된 것 같아요. 남의 발견 때문에 내 다음 시도가 달라졌다. 이런 식으로 모델을 활용했네요.
Anthropic의 선행 연구와 OpenAI의 추격 10:51
최승준 사실 인간과 AI가 어떤 돌파구를 낸 게 있었어요. 여기에 등장하는 Alpöge라는 사람과 Buckmaster라는 사람이 1년 정도 동안 같이 협업했는데, 이 Levent Alpöge라는 사람은 Anthropic에 있는 수학자예요. 그런데 그 사람하고 원래 이 PDE 문제를 풀고 있었던 이 사람은 수론을 했던 사람이고, 이 사람은 PDE 쪽 수학자인데 둘이 1년간 협업해 왔어요. 그러고서는 소문의 발원지가 여긴 거죠. Alpöge의 X 타임라인에서 8월에 굉장히 다른, 그러니까 이 이슈가 아닌 다른 수학의 돌파구를 Claude하고 아마도 Claude의 internal model을 가지고 뭔가 해냈다는 걸 타임라인에 많이 올렸었거든요. 그래서 소문이 난 거죠. Anthropic에서 밀레니엄 문제 두 개 정도를 풀고 있는 것 같다. 그런 이슈가 하나 있습니다.
그래서 이들이 거의, 아까 제가 시뮬레이션을 보여드렸을 때 점성이 없는 Euler 문제를 거의 풀었어요. Lean formalization을 하기 전까지, 그러니까 Lean을 돌리기 전까지 거의 다 푼 게 이번에 드러난 정황이긴 해요. 그래서 그 아이디어를 보고서는 OpenAI에서 물량을 쓴 거예요. 대량으로 썼다는 게 추정입니다.
박종현 아니, Anthropic에서 무언가 풀려고 하는 걸 보고 OpenAI가 우리도 풀어볼까, 이렇게 흘러갔다는 말씀이신 거죠?
최승준 그렇죠. 타임라인에서 드러나는 정황은 그렇습니다. 그런데 왜냐하면 이게 어마어마한 경쟁인 상황에서 마케팅 포인트잖아요. 누가 먼저 밀레니엄 문제에 도전해서 성과를 냈다는 건 굉장히 큰 일이기 때문에 거기에 혈안이 되었을 수도 있겠다는 생각이 듭니다.
Codex 오케스트레이션과 1만 에이전트 실험 12:33
최승준 조금 더 deliberate한 버전인데, 그래서 사람이 어느 정도 문제를 선택하고 예산을 배치한 다음에 Euler에서 뭔가 좀 됐다고 하면 그러면 그게 보나 마나 Navier–Stokes로 이어질 텐데라는 추측을 하면서 에이전트들을 뿌린 거죠. 그러고서는 그걸 Codex가 통합하게 해서 후속 프롬프트를 작성하게 하고, 계속 반복되게 하는 걸로 실제로 도전했다는 게 OpenAI 공식 블로그에 나와요. 그런데 1만 에이전트가 88시간 만에 그걸 해냈다고 하는데, 전체 토큰 양이 아니고 Navier–Stokes에 쓰인 것만 1,300억 토큰을 썼대요. 그런데 이게 전체가 아닌 이유는 밀레니엄 문제 자체도 다 걸어놓고 있었나 봐요.
그렇죠. Noam Brown이 그런 얘기를 몇 번 했었거든요. 새 모델이 나올 때마다 아직은 우리가 못 풀었다, 그런 얘기를 했는데 이게 새 모델이 나올 때마다 정기적으로 하는 뭔가였나 봅니다. 그래서 여기서 좀 넘어가서
1,300억 토큰과 100억 원대 연산 비용 13:37
최승준 비용을 한번 생각해 봤을 때, 1M 토큰당 Astra가 50달러잖아요. 그런데 Astra가 long-context일 때는 또 75달러예요. 저도 이건 몰랐었거든요. 그런데 이런 것들이 다 long-context로 작동했을 거잖아요. 그래서 1,300억 토큰을 썼다면 50달러일 때 출력만 650만 달러예요. 그런데 50달러보다 더 컸을 거 아니에요? 그러면 1,000만 달러가 한 130억 원 정도죠.
노정석 한 100억 원 정도 되는 거죠.
최승준 그렇죠. 그러니까 100억 원 넘게 썼을 거라고 추정하게 되는 거죠. 이거 하나에요.
박종현 저 토큰이 다 output token이라면 하고 계산하신 거죠?
최승준 그렇죠. 단순 계산입니다.
노정석 그런데 만약 이게 풀렸을 때 누리는 홍보 효과를 계산해 보면 싸네요.
최승준 그렇죠. 하지만 밀레니엄 프라이즈의 상금보다는 훨씬 많이 쓰긴 했죠. 밀레니엄 프라이즈가 100만 달러니까요. 그런데 1만 에이전트를 동시에 운용한다는 건, 물론 아까 제가 모델하고 했던 가설 같은 것들을 봤을 때는 한 번에 다 통신하는 건 아니지만 그룹별로 통신하더라도 이걸 지금 orchestration할 수 있는 상황이라는 거죠. 무서운 일인 것 같긴 해요. 어떤 게 될 만한 문제라 하면 거기에 이렇게 돈을 쓰겠다는 거죠.
박종현 그러게요. 이게 토큰 가격을 생각해 보면 풀리는데, 저만큼 썼다는 거죠. 이때가 처음 시도한 게 아닐 텐데요. 이렇게도 하고 저렇게도 하고, N번의 시행착오 끝에 나온 게 저 정도일 거라서 물론 마진도 있긴 하겠지만, 어쨌든 규모가 모르겠네요. 인간 수학 연구자한테도 지원을 저만큼씩 해 주나요?
최승준 안 하죠. 제가 아는 한은요. 그러니까요. 그래서 이게 간단히 된 건 아니에요.
노정석 모든 문제에 무한한 compute를 투입하면 다 풀 수 있다는 그런 예제네요.
최승준 RLVR이 되는 영역에 한해서이긴 하겠지만, 그래도 강력함을 보여줬죠.
수학 연구 공동체와 AI의 기여 문제 15:32
최승준 그래서 인간 연구 공동체에서도 비슷한 접근법을 쓰긴 하는데, 에이전트 swarm에서는 훨씬 더 scaling해서 돈을 써서 그걸 할 수 있는 거고요. 이게 다 비슷한 양상이라고 느껴졌거든요. 해킹 사건부터 지금까지 뭔가 일맥상통하는 맥락이 있는 것 같고요.
그런데 Terence Tao가 이거에 대해서 Mastodon에서 논평을 많이 했어요. 이게 수학 커뮤니티에 무슨 도움이 되는 일이냐, 그냥 문제를 해결하기만 했지 거기에서 우리가 어떤 통찰을 얻었느냐, 이런 것들을 얘기했거든요. 과연 이게 인간의 수학에 무슨 도움이 됐나? 그런데 제가 초반에 얘기했던 게 이 밀레니엄 문제의 위상이 처음 만들어졌을 때와 지금의 상황이 좀 다르다는 거죠. 그래서 실제로 이게 impact를 크게 주지 않은 걸 수도 있는데, 수학 세상에서 정말 수학의 생태계를 위해 이걸 해내는 게 아니라 지금 모델들이 풀어낸 게 Lean formalization만 해도 어마어마한 양인데, 그걸 수학자들이 검증하는 데도 시간이 아마 꽤 걸릴 거고요. 그래서 아직 Clay 쪽에서 이걸 풀렸다고 공식 발표하지는 않았어요. 그 조건을 만족했음에도 불구하고요. 그래서 그런 것들을 읽어내고 여기서 통찰을 얻는 작업들은 조금 더 두고 봐야 할 것 같고요.
일단 여기까지가 제가 한번 쭉 살펴본 거고요.
Navier–Stokes를 둘러싼 AI 연구 스캔들 16:55
최승준 그런데 스캔들 비슷한 게 하나 있거든요. 이게 거의 드라마입니다. 이거는 참, 저도 조사하면서 흥미로우면서도 무슨 막장 드라마를 보는 기분이라는 생각이 잠깐 들었는데요.
박종현 요새 연구 쪽이 연예계 가십 기사를 보는 듯한 그런 느낌을 많이 받고 있습니다.
노정석 자, AI판의 디스패치 한번 해 주시죠.
최승준 그래서 아까 언급했던 인물들이 나오는데, Tristan Buckmaster라는 사람은 NYU의 수학자예요. 이 문제에 천착하고 있었던 분이고, Levent Alpöge가 Anthropic에 있는 수학자고요. 그다음에 이번에 X에다 힌트들을 줬던 사람이고요. Sébastien Bubeck이 저희가 여러 번 언급했던 분이죠. 「Sparks of AGI」의 제1저자고, 이분은 수학자이긴 한데 machine learning 쪽의 수학적 기초를 다루고, 그다음에 Physics of AI 같은 걸 연구해서 저희 채널에서 몇 번 소개해 드렸던 Sébastien Bubeck과 관련된 일들이 있었습니다. 그 외의 인물들은 조금 넘어가고요.
여기 나오는 인물들은 앞에 있었던 Levent Alpöge와 Buckmaster가 아이디어를 얻은 선행 연구를 했던 수학자들이에요. 그리고 이 부분은 완전히 제3의 세력인데, 비슷한 시기에 또 다른 접근으로 문제에 근접했던 사람들이고요.
Alpöge와 Buckmaster의 연구 타임라인 18:20
최승준 이 타임라인만 일단 짚으면, Anthropic에 있는 수학자 Alpöge가 8월에 이런 것들을 소개했었어요. 이게 다 증명된 건 아니고, 다른 어려운 수학 문제들에 자기가 도전해서 성과가 있었다는 얘기를 하면서, 이게 뭐냐 하면 ‘기적의 해’라는 표현이 있잖아요. Newton이나 Einstein처럼요. 그래서 ‘기적의 8월’이라는 표현을 써가면서 약간 어그로를 끌긴 했었습니다. 그리고 이 사람이 Anthropic 공식으로 한 게 아니라 Buckmaster와 1년 정도 이 수학 문제를 AI로 계속 탐색하고 있었어요. 그래서 Claude도 쓰고, 최근에는 Astra도 쓰면서 아이디어를 얻어서 Euler 문제를 풀 수 있을 것 같다고 했던 게 1년 정도 진전이 더뎠다가 최근에 뭔가를 해냈던 거죠. 그런데 이때 뭔가 주고받는 일들이 생깁니다. 이런 일들이 벌어지는 걸 보고 Buckmaster가 OpenAI에 연락하기도 했고, 그러다 보니까 OpenAI 팀에서 Bubeck 말고 또 다른 수학자가 있었는데 그 수학자가 메일을 나누다가 뭔가 힌트를 얻었는지 OpenAI에서도 multi-agent를 동시에 투입하기로 한 게 9월 1일이었던 거예요. 이번에는 internal model을 가지고 해보자.
노정석 불과 8일 전이네요.
최승준 그렇죠. 그러고서는 달렸죠. 그래서 이걸 발표할 건데, 그러면 credit의 문제에서 우리가 당신들에게 credit을 주고 싶다. 그런데 Alpöge가 Anthropic에 있으니까 이게 Bubeck에게 좀 걸렸나 봐요. 그래서 이걸 Alpöge한테 메일로 보냈을 때는 Alpöge가 응답하지 않고, 직접 통화하고 싶다고 했는데 통화하지 않았고요. 그런데 Buckmaster와는 통화해서 Alpöge는 그걸 원하지 않았고, 하여튼 이렇게 전화 통화를 하면서 논란이 되는 일이 있었고, 언성을 높이기도 했나 봐요. 그래서 왜 커리어를 낭비하느냐는 식으로 Bubeck이 Buckmaster한테 얘기해서, 나중에는 내가 실언했다, 취소한다고 복잡하게 얘기했었거든요.
연구 데이터 유출과 학습 기여 논란 20:34
최승준 OpenAI 공식 포스팅에도 그런 얘기가 있어요. 뭐냐 하면 training에 익명화된 데이터가 흘러 들어갈 가능성이 0은 아닐 수 있다고 했습니다. 소문을 듣고 투입한 것도 있지만, 이런 의혹 같은 걸 제시했던 거예요. 이게 혹시 우리가 입력했던 것들에서 모델이 뭔가 힌트를 얻어서 그걸 써먹은 거 아니야? 이게 스캔들이 되는 거죠.
노정석 Codex와 나눴던 대화가 다음 세대 모델의 training data에 포함돼서 어떤 trigger가 되지 않았느냐는 의문을 제기한 거죠.
최승준 그렇죠. 그런데 그건 아직 결론이 난 건 아니고요. 오히려 Anthropic의 Sholto Douglas가 좀 방어해 주면서, 그럴 리는 절대 없다고 했어요. 그런데 OpenAI 공식 블로그에서는 그럴 가능성이 전혀 없지는 않다고 해서, 아무래도 조사 같은 게 일어날 가능성이 있다고 봅니다. 만약 그렇다면 꽤 큰 스캔들이거든요. 누가 거기 프론티어 AI에다가 자기 핵심 연구를 넣겠어요?
박종현 그러게요. OpenAI에서도 그래서 researcher들한테 엄청 지원해 준다, 모집한다고 해서 그때도 researcher들의 어떤 trajectory를 얻고 싶어 하는 것 같다, 그런 이야기를 했었는데 결국 그게 여기까지 흘러오게 된 것 같아요.
최승준 그렇죠. 그래서 이게 지금 복잡한 양상이 되고 있고요. 이게 서로 폭로하듯, 폭로까지는 아니지만 Sébastien Bubeck이랑 Alpöge가 나눴던 메신저가 스크린샷으로 올라오고 이메일이 올라오고 그러면서 스캔들이 있는 상황입니다.
OpenAI와 Anthropic의 연구 크레디트 갈등 22:17
최승준 그런데 결국에는 지금 그래도 급히 좀 조율되고 있는 게 같이 연구했다면 굉장히 아름답기도 하고 흥미로운 일이 됐을 것 같다는 것으로 Gwern Branwen 등이 중간에서 뭔가 이렇게 마사지를 좀 해 주고 있는 것 같긴 한데요.
노정석 compromise를 해 보려고 하는 건데, 참, 그런데 Anthropic이랑 OpenAI가 워낙 또 첨예하게 서로를 싫어하니까.
최승준 Dario랑 Sam Altman은 손도 안 잡잖아요. 그런데 중요한 것은 결국 이걸 해냈던 뭔가 시초가 되는, 그걸 오랫동안 천착해 왔던 수학자들이 있고, Alpöge 등은 그걸 AI를 활용해서 거기서 아이디어를 얻어서 ChatGPT를 개인적으로, Anthropic과 상관없이 개인적으로 쓰고 있었던 건데, 그런데 어떤 소문이 난 걸 보고 OpenAI에서는 물량으로 그걸 해냈던 게 수학계에서는 굉장히 핫이슈고, 이게 수학계만이 아니라 연구 커뮤니티 자체에 큰 질문을 던져놓은 상태인 것 같긴 해요. 그런데 오늘 나온 이야기라서 앞으로의 전개는 좀 두고 봐야 할 것 같습니다.
노정석 수학이라는 문제 자체가 일단 풀기는 어렵지만 풀리고 나면 verify하기가 쉬운 영역이기 때문에 제일 먼저 털리고 있는 거라고 봐야겠죠.
초지능 경쟁과 AI 안전성 위기 23:38
최승준 그런데 이게 수학만의 문제는 분명 아닐 거라는 거죠. 또 하나 흥미로운 타임라인의 이슈는 Anthropic에서 pre-training을 하던, 그리고 OpenAI에 있다가 Anthropic에 와서 pre-training을 계속하던 한 분이 퇴사했는데, 굉장히 심각한 톤으로 Twitter에 올린 일이 있어요. 그래서 Jacob Coxon이라는 분이 이 두 회사가 어느 쪽도 책임 있게 행동하지 않고, 스스로 개선하는 초지능을 향해 질주하고 있어서 우리 목숨을 걸고 도박하고 있다고 하면서 그냥 퇴사해 버렸어요. 그런데 그거에 대해 재미있다고 하기는 좀 어렵지만, Evan Hubinger가 alignment science의 lead거든요. Anthropic의 이 사람이 Jacob의 말이 맞다고 옹호했어요.
그래서 마케팅용 과장이 아니다. 지금 상황이 정말 심각하다. 그런데 우리는 왜 멈출 수 없는가? 이걸 두 회사의 Slack 안에서만 논의할 이야기가 아니다. endgame으로 가고 있다고 해서, 그런 것에 대해 Evan Hubinger가 Jacob의 말이 맞다, 그래서 10년 안에 AI가 모든 인간을 죽일 수도 있다는 그 doomer 스타일의 확률을 10%가 넘는다고 생각한다. 그런데 이분의 배경을 보면 전형적인 효과적 이타주의, 그다음에 MIRI 쪽 출신의 AI safety를 하는 계통이긴 해요. 그쪽에서 이런 말들을 종종 했었거든요. 그런데 그런 이야기를 하면서 이게 심각한 문제다.
John Schulman도 OpenAI에서 post-training을 하다가 Anthropic에 잠깐 갔다가 지금은 Thinking Machines Lab에 갔잖아요. 그래서 이분도 거기다 말을 보탰는데, 실제로 이런 식으로만 이야기할 게 아니라 정말 pacing proposal을 함께 만들어야 한다. 그런데 이걸 정부를 끼고 하면 일이 더 어려울 거라서 뭔가를 고민해야 하는, 그런 공동 제안서보다 더 구속력 있는 합의를 좀 하자, 그런 뉘앙스의 말을 또 한 게 있습니다. 그래서 이 alignment 문제가 저희도 가끔 다루긴 하지만, 올해는 정말 첨예하게 떠오르고 있다고 느껴요. 이게 더 이상 농담할 상황이 아닌 것 같다는 생각이 들긴 하거든요.
노정석 저희가 느끼기에도 체감 품질이 올라가고 있는 게 느껴지니까요. 지금 Astra가 나온 이후에 간증들이 이어지고 있지 않습니까? 난 이거 했다, 이거 했다.
최승준 그렇죠. 그래서 이게 RSI가 결국에는 문제인 거예요. 올해 그게 아직 문제는 아니지만, RSI로 가는 궤도에서 여러 가지 사건들이 벌어지고 있고, Millennium Prize Problem에 도전한 것에서 성과가 나타난 것도 같은 계열로 읽을 수 있고, 그다음에 어마어마한 compute를 소유하고 있고 소유할 예정인 두 회사가 중앙집권화되는 것에 대한 우려들이 많이 불거져 나오고 있는 상황인데, 여기에 pacing을 조절하지 못한다는 것에 대해 늘 나오는 이야기는 중국이죠.
박종현 딱 소설이나 영화에서 보던 그 이야기가 그대로 지금 나오고 있는 것 같고, 모든 사람이 그런 것에 지금 수학 문제가 풀리는 것부터 시작해서 다 두려움을 느낄 만한 상황인 것 같습니다.
노정석 그래도 이런 트렌드를 따라가는 이 커뮤니티가 그렇게 넓지는 않은 것 같다는 생각도 들어요. 이 세상은 AI 세상에서 어떤 일이 일어나든 또 아름답게 잘 굴러가고, 지는 해를 바라보며 사진 찍어 Instagram에 올리고 여행 가고 맛있는 것 먹고 하는 그 세상도 여전히 크게 존재하고 있어서 좀 나뉜 것 같다는 느낌이 들더라고요.
최승준 과몰입자나 이걸 꿰고 있지, 보통은 잘 알기 어렵죠.
중국의 추격과 DeepSeek V5 소문 27:14
최승준 그런데 제가 중국의 반응도 중국어 쪽을 모델들한테 조사시켰더니 중국의 반응은 따라갈 수 있다는 거더라고요. 지금 다시 프론티어가 치고 나가는데, 거기서 큰일 났다가 아니라 잘하고 있고 따라갈 수 있다는 쪽의 포스팅이 좀 많이 있고, 그리고 국가, 그러니까 정부에서도 alignment 작업을 베이징 쪽에서 굉장히 공들여서 하고 있다는 것을 저도 이번에 처음 알았고, 그다음에 기죽는 분위기가 아니었고, 지금 밝혀진 것은 전혀 없지만 소문으로는 DeepSeek V5도 나올 것이다, 그런 이야기가 있더라고요. 이건 전혀 근거 없는 이야기일 수 있는데.
노정석 그렇죠. 누군가 된다는 걸 보여줬다는 것은 내가 멍청하지 않은 이상 나도 할 수 있다는 목표가 주어지는 거니까.
최승준 그래서 지금 다시 반복해서 돌아오는 것은 pre-training과 post-training이 여전히 작동하고, 그런 것들이 일을 내고 있다, 작동하는 영역들이 있다는 게 한 번 더 크게 확인된 느낌이긴 합니다.
박종현 멈추지 않고 계속 가는 것 같고, 점점 더 인간의 영역 바깥으로 나아가는 것 같고, 그런 것들을 느끼고 있는 것 같네요.
AI 수학 발견에서 반례와 새로운 통찰 28:27
박종현 저도 수학과 관련해서 질문드리고 싶은 게 하나 있는데, 제가 이때까지 수학적 발견에 대해서 잘 이해하지는 못하지만, 거의 대부분이 어떤 반례를 찾아내는 듯한 발견이었던 것 같아요. 인간이 반례도 못 찾아오고 그런가요? 무언가 딱 탐색의 문제로 치환해서 양으로 때려 박으면 반례를 찾아낸 경우에는 그냥 ‘반례를 찾았으니까 그건 아니다’라고 딱 증명되고 끝이잖아요. 그래서 무언가 이런 건 충분히 벌어질 수 있는 일인 것 같다. 그래서 반례를 찾는 발견이 아니라 완전히 새로운 가설을 논리적으로 증명해 낸다거나 이런 것들이 나왔을 때 정말 다르다고 느낄 것 같은데, 이번 사건도 그런 부류는 아닌가 봅니다.
최승준 그런데 좀 두고 봐야 하는 게, Terence Tao가 이야기했던 게 Millennium Prize Problem 같은 걸 다룰 때 실제로 Millennium Prize Problem 자체는 proxy라는 표현을 썼어요. 그걸 풀려고 도전하는 과정 중에 흥미로운 수학들이 발생하고 생기는 그런 부산물들이 굉장히 중요해 왔고, 그런데 이번에도 같은 방식으로 그런 게 있을 수는 있겠지만, 인간이 알아차리는 형태가 아직 아니라는 거예요. 그래서 이건 섣부르게 당장 그런 게 없다고 하기는 아직 어렵고, 예전에 Sébastien Bubeck이 했었던 그런 이야기가 있었거든요. 어떤 문제를 푸는데 그 transcript에서 배울 게 참 많았다는 게 있었어요. 그런데 이번에 Alpöge 등이 이야기했던 걸 보면 초반에 모델들이 냈던 가설은 작동하긴 하는 건데, 너무 난잡하게 쓰여 있다는 표현 같은 것들을 하고 그랬었거든요. 그래서 그걸 사람이 정리하는 데 굉장히 공을 들였다. 그래서 우리는 천천히 갔다, 그런 건데, OpenAI에서 이렇게 물량 공세를 한 게 물론 논문으로 나오긴 했습니다만, 어느 정도 수준으로 거기서 우리가 수학적인 통찰을, 우리가 아니죠. 수학자들이 얻을지는 아직 미지수인 것 같습니다.
연구 결과를 둘러싼 암흑의 숲 문제 30:32
노정석 그런데 저희가 이렇게 보게 되는 것은 여러분들이 아무리 독특한 무언가를 만들거나 뭘 했더라도 그게 완전히 내 것이 되어 이렇게 공개할 수 있는 수준이 될 때까지는 공개하면 안 된다. 이건 『삼체』의 암흑의 숲 문제인 거죠. 좌표가 딱 찍히는 순간, 더 많은 자본과 더 많은 compute를 갖고 있는 사람이 와서 그걸 가져갈 수 있다.
최승준 그래서 저는 이 뉴스들을 보면서 연구자들이 ToS를 좀 다시 읽고 있겠다는 생각이 들긴 했어요. Terms of Service에서 내가 지금 넣는 게 어느 수준으로 training에 반영되나, 그런 것들을 신경 쓰기 시작할 것 같아요.
박종현 저는 방금 해 주신 이야기를 듣고 떠오른 게, 만약 연구하는 과정들을 OpenAI의 어떤 모델들이 trajectory를 보고 학습하든 참고하든 해서 풀어낸 거라면, 어쨌든 인간이 원래 연구하고 있던 것을 받아서 간 건데, 만약 그게 아니라 ‘저 문제를 풀고 있네’라는 소문만 듣고 가서 풀어낸 거라면 순수하게 모델이 푼 거잖아요. 그럼 그게 더 무서운 게 아닌가 하는 생각이 드네요.
최승준 그렇죠. 그래서 Sébastien Bubeck 등의 주장은 다르다. 왜냐하면 Alpöge 등이 한 것은 외력이 없는 방식으로 문제를 다뤘고, OpenAI는 외력이 있는 쪽으로 다뤄서 접근이 다르다고 이야기하긴 하거든요. 그리고 또 모델에게 자율로 많이 맡겼다, 이런 이야기들을 했지만 알고 봤더니 그래도 힌트나 가이드 같은 것은 인간이 좀 준 것 같다, 이렇게 갑론을박이 일어나고 있습니다. 그런데 더 무서운 것은 종현님이 말씀해 주신 것 같은 게 사실 더 무서운 거긴 하죠.
노정석 그 두 회사 사이에서 오가는 게 거의 저희가 정치판에서 보는 듯한 정치적인 갑론을박과 비슷해지고 있네요.
박종현 네, 그렇죠.
최승준 그래서 이건 막 나온 이야기라서 추이를 좀 더 지켜봐야 할 것 같긴 한데, 어쨌든 재미있으면서도 심란해지는 지점입니다.
AlphaGo 이후 10년과 AGI 논쟁 32:36
최승준 2016년이 AlphaGo였잖아요. 3월이었는데, 지금 딱 10년이 지나서 2026년이 뭔가 신기한 해라는 느낌이 들어요. 뭔가 지금 딱 넘어가는 구간 같은 느낌이 들거든요.
노정석 Twitter에서 Jens는 그랬잖아요. AGI가 달성됐다, OpenAI 축하한다, 이런 것들을 썼는데 물론 그 AGI 달성에 대해 사람마다 기준이 다르긴 합니다만, 이게 AGI냐 아니냐라는 토론을 하는 게 무슨 의미가 있나라는 생각은 좀 들어요.
박종현 네. 어쨌든 다방면에서 인간 수준을 넘어가고 있는 과정에 있는 것은 확실한 것 같습니다.
최승준 그래서 하여튼 제가 조사한 건 이 정도인데요. 그런데 뉴스가 이게 끝이 아니잖아요. 이번 주 아직 무슨 요일이죠? 저희가 일요일에 녹화했고, 수요일에
노정석 일요일에 녹화했고 수요일이니까 3일 정도밖에 안 됐죠.
최승준 더 있지 않습니까?
노정석 네, 그럼 다음 걸로 좀 가볼까요?
GPT Image 2.5 출시와 Astra의 비전 능력 33:29
노정석 또 GPT 이미지가 나왔죠. 또 볼 만하더라고요.
최승준 이게 신기한 게 다 소문이 있었거든요. 나온다고. 그런데 소문이 있던 게 다 맞아떨어지고 있어요.
박종현 그러게요. 어쨌든 오늘 ChatGPT 이미지 다음 버전이 나왔고요. 제가 짧은 시간이지만 한번 테스트는 해봤습니다. 이걸 하기 전에 하나 이야기하고 싶은 건, image generation 모델이 나왔다. 그건 그냥 시간문제지, 계속 나올 거였죠. 그랬는데 이번에 Astra가 나오고 곧 같이 나온 거잖아요. 그런데 Astra에 대한 평 중에 그런 평이 엄청 많습니다. 아마 지금쯤 많이 써보셨을 텐데, computer use를 엄청 잘한다. 컴퓨터 화면을 vision으로 보면서 control하는 걸 잘한다. 저도 오늘 그런 걸 막 시켜보고 있었는데, 일을 잘하더라고요. YouTube 웹페이지를 띄워두고 거기서 알아서 분석하라고 하면서 얘가 알아서 안의 분석 탭들에 들어가서 보고 이런 걸 하더라고요. 그리고 그것뿐만 아니라 로봇 쪽에서도 Astra한테 그냥 로봇 제어 권한을 주고 알아서 카메라로 보면서 control하라고 했는데, 어떤 action model을 만든 게 아니라 그냥 바로 control을 잘하는 사례들이 엄청 많이 나오고 있어요.
그래서 그런 걸 보면서 확실히 눈으로 보는 능력 같은 게 많이 올라갔구나, 그런 생각이 들었고요.
이미지 편집 일관성과 스트리밍 생성 34:50
박종현 그래서 이걸 엮어서 써보는 걸 한번 해봤습니다. 간단하게는 Images 2.5 모델이 나왔고요. 어떤 것들이 올라갔냐고 하면, 쭉 내려볼게요. 보통 이미지 모델이 지금 제일 안 되는 것 중 하나가 이거거든요. consistency 유지가 잘 안 됩니다. 편집을 하면 할수록 점점 좋아지고 있기는 하지만, 고치다 보면 이게 별로 유지가 잘 안 돼요.
최승준 막 자글자글해지는 것도 늘어났었어요. GPT Image 2 정도에서.
박종현 네, 이게 이것 하나를 띄워두고 쭉 control하는 거거든요. 전 버전이랑 이번 버전인데, 옷을 입혀보면 조금씩 유지가 안 되거든요. 비슷하게는 되지만. 그런데 이게 확실히 consistency가 훨씬 잘 유지된다. 그래서 편집하는 데, 편집이 잘 된다. 이걸 자랑하고 싶었던 것 같아요.
그리고 streaming을 지원하더라고요. 그래서 이미지 작업을 시키면 중간 과정에서 그리는 모습들이 나오더라고요. 그래서 이런 걸 토대로 유추할 수 있는 것은, 이건 연구 쪽에서도 이런 연구가 많이 나왔었는데, 이미지도 무언가 오토 리그레시브한 것 같다.
최승준 그렇죠.
박종현 이게 지난번 이미지 발표에서도 그런 내용이 있었거든요. 이게 단순히 diffusion model로 한 번에 확 나오는 게 아니라, 오토 리그레시브하게 transformer처럼 돌아가고 마지막에 diffusion을 디테일을 잡는 데 쓰는 것 같다. 이런 이야기들이 많이 있었는데, 그런 것들을 또 한 번 더 확인시켜 주는 방식인 것 같아요. 그래서 어쨌든 image generation 쪽도 무언가 변화들이 있는 것 같고요.
이건 관련 연구들이 꽤 있습니다. 학계에서는 그래서 이걸 어떻게 쓸 수 있을까 하고 봤는데,
스톱모션과 VFX로 확장되는 이미지 생성 36:29
박종현 재밌는 예시가 하나 있었어요. 그래서 이걸 스톱모션으로 딱 썼더라고요. 이게 가능하려면 움직이는 부분 외의 나머지 모든 공간이 딱 정확하게 consistency가 유지되면서 이미지가 생성돼야 하는데, 이런 걸 토대로 딱 유추했을 때는 잘 되는구나. 이런 걸 어느 정도 증명하는 예시가 아닌가, 이렇게 생각할 수 있었고요. 이거 말고도 GIF 만드는 것, 어떤 애니메이션에서 캐릭터 consistency를 유지하면서 움직임을 만드는 것이라든가, 표정을 만드는 것이라든가, 이런 것들이 실제로 CG라든가 VFX 등에 활용할 때 굉장히 중요하다고 하던데, 어쨌든 그런 부분의 성능이 많이 늘어났다고 하고요.
최승준 그러네요. 이게 GPT 이미지가 나온 지 1년 됐나요? 거의 작년 이맘때가 그거 아니었어요? 지브리.
박종현 작년인가요? 뭔가 상당히 오래전이라는 생각이 드는데, 시간 감각이, 너무 빨리 모든 게 나와서 그런지 잘 느낌이 안 오네요.
노정석 1년 전이네요.
박종현 그렇게 보니까 이렇게 빨리 바뀌었나라는 생각이 또 한 번 드네요.
최승준 좀 미친 것 같긴 해요.
사업가에게 필요한 AI 기술의 지속적 추적 37:37
노정석 이게 지금 계속 변하고 있는 시기니까, 제가 요새 사업가분들을 많이 만나는데 기술을 계속 follow-up하는 분이 아니면 이걸 띄엄띄엄 하잖아요. 그런데 띄엄띄엄 하시다가 어느 정도 난 만들었다고 하면 거기서 기술을 적용하는 걸 그만하고 그걸 그냥 이용하시거든요. 그러다가 한 3~4개월이 지났는데, 세상은 자기가 쓰는 것보다 훨씬 더 진보했고, 이런 과정들을 보시면서 좀 의아해하시더라고요. 그래서 제가 말씀드렸던 게, 지금은 최선을 다해서 이걸 follow-up하는 게 답인 것 같다는 말씀을 드렸던 기억이 납니다. 저희는 이걸 매일 단위로 보고 있으니까, 이게 1년 전 얘기, 한 달 전 얘기만 해도 좀 새삼스럽잖아요.
최승준 그렇죠.
노정석 Astra를 한참 쓴 것 같은데 이틀 썼더라고요.
박종현 그러네요. 저도 다 써서 reset 한 번, reset 두 번 썼나?
최승준 두 번 쓴 것 같아요.
저도 어젯밤에 걸어놓고 잔 게 해결됐어요.
박종현 축하드립니다.
노정석 이게 우리가 일을 하는 거지만, 지난번 에피소드에서 그런 얘기를 했었는데, 모델이 일을 하는 거긴 하지만 결과적으로는 저희가 또 그 결과의 과실을 따긴 하니까 너무 슬퍼하면 안 됩니다.
GPT Image 2.5의 가격과 썸네일 성능 38:52
최승준 Sunburst랑 Flare가 이름이 좀 뭔가 있어 보이네요.
박종현 네, 이번에 두 개 나왔는데, 빠른 모델이랑 표준 모델이라고 해야 할까요? 이런 식으로 두 가지 버전으로 나왔습니다. 그런데 가격은 똑같더라고요. 그래서 품질이랑 속도, 이런 것만 다르게 내놓은 것 같고요. 이때까지 있었던 모델들을 쭉 한번 써보면서 비용을 비교해봤거든요. 왜냐하면 이 이미지도 비용이 토큰당 가격으로 쓰여 있는데, 이 토큰당이라는 게 이미지에서는 감이 잘 안 옵니다. 해상도도 있고 품질도 있고, 이런 게 있어서 그냥 체감상 만들어보면서 비교했는데, 놀랍게도 가격이 더 쌉니다. 이번 모델이요. 저도 이런 걸 한번 해보고 있었거든요. image generation을 어디에 쓸까? YouTube 썸네일 만드는 데 한번 써보자. 그런 생각을 했었는데 이게 좀 비싸서 쓰기가 그랬어요. 제가 돈을 내고 쓰는 건 쓸 수 있는데, 이걸 서비스화해서 사업화할 수 있나 하면 그게 좀 쉽지는 않을 것 같다. 이런 생각을 하고 있었는데, 어느 순간 보니까 Codex 구독으로 이 이미지 모델을 사용할 수 있더라고요. 그리고 이번에 또 보니까 API도 가격이 싸게 나왔고요. 그래서 이런 것들을 한번 쭉 사용해봤고요. 그래서 한 장당 가격이 얼마 안 합니다. 100원. 이 정도 하는 것 같아요.
최승준 API로 썼을 때인 거죠?
박종현 네, API로 썼을 때요.
최승준 구독일 때도 상당히 많이 나오겠네요.
박종현 네, 구독일 때는 체감상 거의 Pro 요금제를 쓰면 잔뜩 만들어도 다 된다. 이런 수준으로 되는 것 같아요.
그래서 제가 품질도 한번 비교해봤어요. 똑같은 prompt를 준 거고, AI Frontier 채널에 있었던 이전 썸네일들을 주고 특정 회차를 만들어보라고 했습니다. 특정 채널의 썸네일 스타일을 보고 따라서 대충 한번 만들어보라고 했는데, GPT Image 1이 옛날 스타일이죠. 이렇게 나오던 게 2.5 Sunburst가 이번 모델인데,
노정석 이만큼까지 올라왔다.
박종현 그래서 이 채널을 보시는 분들은 이런 느낌이구나, 이렇게 판단해보실 수 있을 것 같고요. 그다음에 여기 CT라고 쓰여 있는 게, 이게 Codex한테 시킨 겁니다. 이건 API call을 하는 게 아니어서 어떻게 동작하는지 잘은 모르겠는데, 조금 다른 방식으로 동작하는 것 같아요. 스타일이 다른 걸 보니까요. 어쨌든 이렇게 하나하나 보면 엄청 좋아졌나 싶긴 합니다만, 1년 전 것과 비교하면 그래도 좀 차이가 나는 정도로 느껴지고요.
최승준 네이밍도 다 Sunburst면, 흑점 폭발의 Flare도 태양의 그런 계통이네요.
노정석 그러니까 다 우주로 가서 네이밍을 하고 있네요. Astra, Sol.
박종현 그렇죠. 계속 그런 식의 네이밍을 밀고 있는 것 같아요.
노정석 그런 네이밍은 SpaceX, xAI가 좀 써줘야 하는데, OpenAI가 그 용어들을 다 가져가서 고갈시키고 있는 거네요. 제가 요새 Grokbot 써보라는 추천을 여기저기서 많이 듣고 있거든요. 맞아요. Grok의 최신 모델과 이런 것들을 써보라는 추천을 많이 받고 있습니다.
Grok과 소비자용 에이전트 패키지 42:03
박종현 네. Grok을 제가 많이 써봤거든요. 최근에 Astra가 나오기 전까지 Grok을 엄청 많이 썼는데, 제 개인적인 감상으로는 Grok이 정말 꽤 좋습니다. Astra가 지금 나와버려서 그렇지, 나오기 전까지 Grok이 정말 Sol이나 Fable이랑 비교해도 그렇게 밀리지 않을 정도로 좋고 엄청 빠르고, Grokbot도 써봤는데 그건 저는 개인적으로 이미 제 agent 설정을 다른 데 다 해놔서 큰 의미는 없긴 했거든요. 근데 그걸 시간을 다 들여서 설정해 두지 않으신 분들, Hermes나 OpenClaw나 이런 것들을 자신에게 맞게 설정해 보지 않으신 분들은 그렇게 쓰면 참 편하고 좋겠다는 생각이 많이 들었습니다.
노정석 모든 브랜드가, Google도 그렇고 Meta도 그렇고, 전부 OpenClaw스러운 에이전트 패키지를 만들어서 소비자들한테 다 줄 것 같아요. 엔터프라이즈는 일단 바로 돈을 내니까 그쪽에서는 이미 수익을 많이 내고 있는 것 같고, 그다음으로 소비자 서비스들도 나오기 시작할 것 같고요.
Astra의 컴퓨터 사용과 여행 자동 예약 43:02
노정석 저도 내일 출장 가는 것 때문에 출장 준비를 하나도 안 해 놔서 그 꼴이에요. Astra한테 다 시켰거든요. Fast mode로 돌리고 High mode가 나온 다음에는 그냥 저의 모든 걸 내어준 상태에서 모든 걸 다 예약하라고 했더니 얘가 정말 한 8시간 정도 돌고 다 끝내더라고요.
최승준 computer use로요?
박종현 8시간?
노정석 8시간을 그냥 혼자 둔 건 아니고, 왜냐하면 제가 일하다 말고 저의 의사결정을 바라는 것들 때문에 보류된 것들이 있어서 하루 동안 옆에 놔두고 뒤에서 돌려놓고, 물어보는 것들에는 “몰라. 알아서 그냥 지도 보고 네가 동선 짜서 괜찮은 걸로 다 해.”라고 하니까 쭉 하더라고요.
최승준 기차 예약 같은 거, 그런 거예요?
노정석 다 하죠. 그것도 제가 이렇게 쓱 보고 있었는데, 이탈리아어로 된 페이지를 읽으면서 이거 눌렀다 저거 눌렀다 하면서 “이건 비싼데, 이 요금을 쓰면 훨씬 좋을 것 같으니까 이걸 하겠습니다.”라고 하면서 하더라고요. 그리고 레스토랑 예약도 다 해 놓고, 또 뭐도 해 놨죠?
박종현 숙소요.
노정석 호텔 예약은 기본이고요. 호텔도 여러 군데 돌아다니면서 가격 비교도 하고, 직접 예약하는 곳에서 하면 제일 싼 것 같으니까 “여기서 하겠습니다.” 이러면서 하더라고요.
최승준 토큰을 얼마나 썼는지는 안 보셨죠?
노정석 아니요. Fast mode로 해 놓고, 멀티 모델 API가 있는 사이트들이 아니니까 전부 그냥 브라우저를 열어서 computer use로 하잖아요. 쭉쭉 빠져요. 쭉쭉 빠지는 게 눈에 보일 정도로 빠지는 게 느껴지는데, 그걸 가만히 보고 있다 보니까요.
얼마 전에 Greg Brockman이 와서 “Codex는 슈퍼 앱이다.”라는 표현을 했었잖아요. 그동안 제가 어떤 사이트에도 하나도 들어간 게 없어요. 심지어 마이리얼트립에 가서 가이드들에게, 혹시 모르니까 제가 처음 가는 동네이기도 하니 연락해 보라고 하니까 얘가 메시지까지 다 보내요. 그리고 그들과 소통까지 다 끝내 옵니다.
박종현 그럼 마음에 드셨나요? Astra가 골라준 숙소라든가 교통편이라든가요.
노정석 제가 직접 가서 확인할 겁니다. 지금은 몰라요.
최승준 그러면 결제도 그냥 맡겼어요?
노정석 결제 번호는 제가 넣고, 그 과정 중 몇 개만 제가 했는데 몇 개는 그냥 시도해 봤더니 얘가 거부하는 것들이 있더라고요. 이건 자기가 못 한다고요. 제가 Astra가 너무 마음에 들어서 제 컴퓨터에 있는 모든 걸 열어주기 시작했다고요. 신용카드 번호도 곧 줄 기세예요.
최승준 안 되는데요.
노정석 그러니까요. 에이전트에게 모든 걸 맡길 기세입니다. 어차피 내 개인정보와 이런 건 다 중국 해커한테 나가 있는데, OpenAI가 하나 더 가진들 어떠하리, 이런 한국적인 마음가짐이죠.
박종현 그러면 한도를 걸어 놨는데 결제가 막히면 전화해서 한도도 풀고 다시 결제하고 그럴 수도 있나요?
노정석 유럽 같은 데는 그런 게 많은가 봐요. 제가 미국 사이트에서 결제할 때는 그런 것들 없이 그냥 쉽게 되는데, 유럽에서 결제할 때는 그거 있잖아요. 한국의 PG사, 예를 들면 저는 한국 카드를 쓰니까 한국 카드사 몇 개가 뜨고, 걔네 PG 뒤에서 한 번 더 확인하는 것들이 있어요. SMS 인증을 하거나 하는 것들요. 그런 게 강제적으로 걸리는 경우가 한 70~80%는 돼요. 안 하고 그냥 넘어가 버리는 것도 있고요.
근데 유럽에서 그런 경우가 많이 있긴 한가 봐요. 한국의 PG사들이 매우 엄격하게 그런 것들을 걸어 놓은 걸 보니까 위험한 나라에 가고 있구나라는 생각은 좀 듭니다. 미국 갈 때는 이런 거 안 했었거든요.
박종현 그럼 Astra로 돌아오면요.
Astra와 GPT Image 2.5의 에이전트 결합 46:53
박종현 Astra 얘기를 잘해 주셨는데, 똑같습니다. 이 ChatGPT Images라는 게 그냥 API로 이미지를 생성하는 도구 중 하나잖아요. 근데 방금 말씀해 주신 것도 결국 computer use라는 도구를 쓰는 건데, 이번 발표의 공식 문서에 Astra한테 ChatGPT Images 2.5 모델을 도구로 줘서 이미지를 만드는 예시가 있더라고요. 그래서 그걸 똑같이 한번 해 봤습니다. 저희 AI Frontier KR 채널의 로고 같은 것을 만들되, 그냥 하나만 만들지 말고 알아서 N개를 만든 다음에 그중에서 Astra가 직접 보고 고르도록 취향에 따른 선택 같은 것도 요구한 거죠. 이게 에이전트 방식으로 어쨌든 눈으로 보고 고르는 거니까요. Astra가 computer use도 잘하는 게 이 vision 능력이 좋아져서인데, 이런 것도 잘할까 싶어서 로고를 고르고 브랜드 키트를 만들고, 굿즈도 다양하게 만들고 로고도 넣어서 알아서 해 보라고 시켜봤습니다. 그랬더니 먼저 이렇게 로고를 1, 2, 3, 4번까지 만들더라고요.
어떤 게 제일 마음에 드시나요?
최승준 A요.
박종현 A요? 네. Astra도 A를 골랐습니다. A를 고른 판단 과정도 얘가 토큰을 내뱉으면서 보여주니까 이런저런 얘기를 하네요. 그다음에 두께 같은 것도 조금 조절한 것 같고요. 그다음에 이걸 가지고 색상 팔레트나 섬유, 글꼴 같은 이런 것들을 쭉 고르고, 그다음에 이걸로 만든 거죠. 근데 벌써 보면 일관성이 잘 유지된다고 했는데, 로고의 간격 같은 것들이 잘 맞지는 않았습니다. 느낌은 비슷하지만 완벽히 똑같지는 않은 것 같고, 여기는 이렇게 로고의 번짐 같은 게 남기도 하고, 또 마크가 좀 바뀌었죠.
노정석 변형이 생겼고요.
박종현 그다음에 이걸 티셔츠에 넣고 모자에 넣으라고 했더니 색깔도 얼추 잘 맞추고 비슷하게 했습니다만, 스티커, 키링, 키캡 같은 걸 만들게 했더니 이 로고가 다 조금씩 계속 바뀌어서 이런 것들은 아직 완벽하지 않은 것 같다. 그리고 키보드도 여기 보면 오른쪽 끝이 보통 이렇게 생기지는 않았죠. 그래서 이런 것들도 조금 아쉽기는 하지만 이 정도는 되더라. 그냥 프롬프트 한 번으로 Astra한테 이미지 생성 API를 주고 도구로 쓰게 하면 수준이 이 정도다.
노정석 저런 문제는 harness를 걸어서 세 번 뺑이 치게 만들면 바로 다 좋아집니다.
박종현 그렇죠. 그래서 스스로 고치기, 이게 말씀하신 뺑이를 친 거거든요. 처음에 이렇게 만들었다가 자기가 보고 이상하니까 이렇게 다시 하라고 지시하는 걸 Astra가 아마 다 판단해서 한 것 같아요. 그래도 그 눈이 인간의 눈처럼 완벽하지는 않더라. 과연 모든 인간한테 이런 걸 맡겼을 때 저런 세부 사항까지 제대로 잘 잡는 인간이 얼마나 될까? 그냥 눈으로 보고 비슷하면 괜찮다고 하고 넘어갈 사람도 많지 않을까, 이런 생각이 좀 들기도 했거든요. 저만 하더라도 디자인에 대해 조예가 그렇게 깊지 않기 때문에 대충 느낌만 비슷하면 괜찮은 것 같다고 하고 넘어가는 경우가 많은데, 이건 제 눈에도 띌 정도로 잘못하긴 했지만 아마 모든 인간이 다 이걸 별로라고 생각하지는 않을 것 같아요.
노정석 항상 사람도 그렇지만, 끝에서 완성도를 조이는 그 집요함에 따라 품질이 갈리는 거니까요.
박종현 그래서 이 정도로 시켰더니 API를 계속 호출하고, 보고, 이미지를 생성하고 이런 걸 하면서 든 비용이 한 2달러 정도 나온 것 같아요. API로 썼다면요. 저는 물론 구독 요금제를 썼기 때문에 이 정도 비용을 내지는 않았는데, 그래서 위임할 만하냐고 하면 할 만한 것 같기도 합니다. 이 정도면요.
Astra의 렌더링 반복 최적화 실험 50:45
최승준 제가 어제 GPT Image 2.5가 나오기 전에 반복한 게 하나 있는데, 한번 보여드릴까요? 이미지로요. 맨 왼쪽에 있는 게 GPT Image 2.0으로 생성한 그림이에요. 이건 렌더링한 겁니다.
노정석 누가요?
최승준 Astra가요.
박종현 Astra가 Blender 같은 걸로 한 건가요?
최승준 Blender로도 할 수 있고, 저는 Mitsuba라고 여기서 아예 Python을 설치해서 사용하는 미분 가능한 renderer를 쓴 거거든요. 그랬을 때 sampling을 좀 높였더니 얼추 이렇게 나왔고요. 근데 이게 간단하게 된 건 아니고, 반복을 여러 번 한 거였어요.
그리고 이걸 real-time으로 만들어 보라고 했더니 이렇게 animation도 하고요. 그래서 잘 보라고 하고, 일단 그림을 잘 보고 차이를 비교하게 한 다음 반복하게 하면 최적화, 그러니까 hill climbing을 하더라고요. 물론 완벽하지는 않은데, 얼추 비슷하게 하는 걸 볼 수 있었습니다. 그래서 좀 놀라긴 했어요.
노정석 근데 방금 말씀하신 Mitsuba나 이런 걸 쓰실 때 로컬 compute를 쓴 게 아니라 그냥 OpenAI에서 제공하는 클라우드를 쓰신 건가요?
최승준 그렇죠. Blender도 설치돼요. 그래서 Blender도 돌려봤었어요.
노정석 근데 Blender 같은 걸 돌리면 사실 compute를 꽤 많이 쓰잖아요.
최승준 그렇죠.
노정석 그런 것들에 대한 요금은 어떻게 돼요?
최승준 별도 요금은 없고, 용량은 100GB를 주거든요. 그래서 거기에 binary는 오랫동안 보관해 주지 않고, 파일로 옮겨 놓은 것들은 보관해 주는데 제가 계속 쓰다 보니까 벌써 100GB 중에 2GB 정도 쓰고 있더라고요. 근데 Chat mode에서는 가상 CPU 4개를 주고, Work mode에서는 8개를 주는데 GPU는 안 줘요. 둘 다요.
노정석 그래서 Blender로 렌더링하는 것도 다 CPU 컴퓨팅으로 돌아가겠네요.
최승준 그런데 멀티스레드를 쓰게 하는 게 Mitsuba나 이런 미분 가능한 렌더러에서는 돼서, 그런 걸 좀 아는 사람이면 재미있게 할 수 있는 실험이더라고요. 토끼굴이었지만.
노정석 알겠습니다.
최승준 그런데 또 있죠.
노정석 하나가 더 있죠?
AlphaGenome Atlas와 유전체 변이 분석 52:53
노정석 이게 어제 갑자기 나온 뉴스죠. AlphaGenome Atlas라는 걸 Google이 발표해서, 90억 개의 모든 변이에 대해서 이제 조회만 해보면 됩니다. 이렇게 얘기가 나왔는데, 이게 한 번에 다 와닿지는 않아요. 그래서 AlphaFold와 AlphaGenome이 뭔지에 대해서 조금 알긴 해야 되는 거라서,
AlphaFold가 바꾼 단백질 구조 연구 53:17
노정석 AlphaFold는 저희가 이미 좀 익숙하잖아요. 아미노산 서열을 넣으면 그걸 리보솜이 쫙 만든 다음에 걔가 물속에서 세포질로 쫙 나오면, 그 실가닥이 서로 이렇게 얽히면서 어떤 3D 구조체를 형성하는데, 그게 protein folding problem이라고, 그래서 이것도 불과 한 5년, 6년 전까지만 하더라도 풀리지 않는 문제였는데, DeepMind가 가서 다 풀어버렸죠.
그래서 지금까지 소위 PDB라는 사이트가 있는데, PDB에 들어가면 나와 있는 단백질들의 구조나 그 밖의 여러 정보가 다 등록돼 있는 데이터베이스고, 한 20만 건 정도가 있어요. 그리고 AlphaFold가 그 데이터베이스를 바탕으로 모든 단백질 구조를 예측하도록 만든 건데, 어느 정도 AlphaFold를 만든 다음에 그냥 시뮬레이터를 돌려서 약 2억 개 정도로 추정되는 단백질에 대한 3D 구조를 다 만들어서 AlphaFold 데이터베이스를 만들었어요.
그래서 예전 같았으면 저희가 암을 치료하거나 이런 걸 할 때도 아미노산 서열을 알고 있다 하더라도 그 단백질 구조가 어떻게 나오는지를 모르니까, 그것들에 대해 다 연구를 하거나 아니면 X선 검사를 해서 찾거나, 그런 다음에 구조가 나오면 거기에 맞는 항체를 또 찾거나 이런 것들을 하는 게 전통적인 제약의 과정이었는데, 이제 AlphaFold가 나온 이후에는 문제가 되는 단백질이 표적으로 정해졌다, 그러면 그 3D 구조를 그냥 만들어 버리고 그러고 나서 거기에 들러붙을 것 같은 것들을 찾는 게임으로, in silico에서 항체를 찾는 문제로
최승준 이런 거예요. 들러붙는 게 뭐죠?
노정석 거기에, 그 단백질에 달라붙는 모양이 있지 않습니까? 모양이 있어서 거기에 마치 열쇠와 자물쇠처럼 달라붙을 수 있는 것들을 설계하는 거죠. 항체와 항원, 이런 관계라고 생각하시면 되는데, 리간드도 그것들을 하는 방법의 한 종류인 거고요. 거기까지는 저희가 자세하게 들어가지 말고, 그러면 AlphaFold가 뭔지는 알겠고,
AlphaGenome과 비단백질 코딩 영역 55:32
노정석 그런데 Google DeepMind가 AlphaGenome이라는 걸 작년쯤 발표했거든요. 한 1년이 채 안 된 것 같긴 해요. 그런데 그 AlphaGenome이 뭔지에 대해서는 한참 YouTube에도 나오고 논문도 나오고 그랬었는데, 이걸 이해하려면 생명공학의 기초에 대해서 너무 많이 알아야 돼요.
그러다 보니까 사람들이 ‘저런 게 나왔구나.’ 하고 그냥 넘어가 버렸는데, 이 AlphaGenome을 제일 쉽게 설명하면, 우리 중학교, 고등학교 생물 시간에 그건 배우잖아요. 우리는 23쌍의 염색체가 있고, 각각 엄마한테서 23개, 아빠한테서 23개를 받았고, 그 한 쌍의 유전자 중에서 우성인 것들은 발현되고 아닌 것들은 꺼지고, 이런 것들이 있고, 또 그 한 세트에 31억 개의 염기쌍이 있다, 이렇게 배웠죠. 그리고 그 염기쌍들이 A, G, T, C, 이런 것들로 쫙 이루어져 있는데, 그 전체를 100으로 놓았을 때 약 2%만 단백질을 부호화하는 엑손 영역이고, 98%는 뭘 하는지를 거의 10~15년 전까지는 거의 몰랐다는 표현은 좀 그렇지만 굉장히 안개 속에 있었거든요. 그냥 생명의 신비였어요.
그랬는데 machine learning이 생기고, 또 관측 기기도 생기고, 또 미국 정부가 굉장히 돈을 많이 들여서 ENCODE 같은 프로젝트를 하는 것들을 통해 이 영역들이 도대체 무슨 일을 하는지에 대해 굉장히 큰 규모의 실험을 진행해 왔거든요. Human Genome Project도 2000년대 초반에는 무한한 돈이 들고, 이게 과연 끝날까 말까 하던 프로젝트였는데 끝나버렸잖아요. 그리고 지금은 인간 유전체를 읽는 데 short-read로 읽으면 한 7080만 원이면 읽을 수 있고, long-read로 읽더라도 한 200만300만 원 정도면 내 유전자 데이터를 다 읽어버리는 시대가 됐거든요.
그러면 유전자를 읽었는데, 여기서 중요한 걸 어떻게 설명하면 제일 쉽게 이해하실까? 지금까지는 이해되시죠?
최승준 대강요. 생물학에 약했습니다. 학교 다닐 때.
노정석 네, 맞습니다. 그런데 진짜 우리는 생물학은 외우는 걸 좋아하는 사람들이 가는 거고, 수학 같은 걸 좋아하는 사람들은 수학과나 물리학과로 가고, 그 중간 정도가 화학이었고, 제일 인문학에 가까운 게 생명공학이고, 이랬잖아요. 그랬었는데 생명공학의 시대가 확 오고 있죠. 그런데 이 유전자가 도대체 어떤 역할을 하는지에 대해서 우리가 좀 많이 알게 된 거죠. 그래서 2%만 단백질을 부호화하는데, 그러면 98%는 이 프로그램 영역인데, 그 프로그램 영역에서 무슨 일이 일어나는지를 다 궁금해했잖아요. 그런데 그것들을 좀 많이 찾아내긴 했어요. enhancer, promoter, 그다음에 안에 exon, intron 같은 구간이 있고, 이것들이 어떤 식으로 동작하는지를 어떻게 찾아내냐면, 예를 들어 간세포가 있다고 칩시다. 그러면 그 간세포에 유전자들이 있을 거잖아요. 그런데 그 유전자들이, 모든 유전자들이 다 발현돼서 단백질을 만들고 있으면 말이 안 되잖아요. 뇌세포와 간세포와 근육세포 등은 만들고 있는 단백질의 종류가 다 달라야 돼요.
그러면 이걸 어떻게 다르게 만드느냐?
후성유전학과 partial reprogramming 59:14
노정석 이 유전자의 어떤 영역은 발현하게 하고, 어떤 영역은 발현하지 않게 할지에 대한 부분들, 소위 epigenetics가 들어가는 영역인데, 유전자 안의 구조를 보면요. 얘가 그냥 염기쌍들이 다 펼쳐져 있어서 거기에 어떤 효소들이 들러붙어서 단백질을 다 전사하고 있는 게 아니라, 각 세포의 위치에 따라서 어디는 감겨 있고, 히스톤이라는 단백질에 촘촘하게 감겨 있고, 어디는 풀려 있고, 이게 다 달라요. 그런데 이게 무작위로 일어나는 게 아니라, 처음 배아에서부터 발생하면서 환경에 의해 끊임없이 분화되면서 다 자리를 잡게 되는 거거든요. 그래서 어떤 과학자분의 표현을 빌리면, 골짜기에서 구슬을 쫙 굴리면 구슬들이 쭉 가면서 각자의 자리로 가잖아요. 그리고 각자의 자리를 잡으면 다시는 돌아갈 수 없다는 비유를 쓰는데, 이걸 해결하는 게 요새 longevity 쪽이라든지 이런 쪽에서 많이 하고 있는 partial reprogramming이에요. 들어보셨어요?
그래서 체세포가 돼서 얘는 뭘 하는 세포라는 게 하나로 딱 정해지고 나면 걔는 그 일만 해야 되는데, Shinya Yamanaka라는 일본의 교수님이 Yamanaka factor라는 걸 발견했어요. 이 OSKM이라는 4개의 유전자에서 단백질을 발현시켜서 걔가 발현되면, 얘가 무언가 기작을 해서 세포가 자기의 정체성을 다 잃고, 마치 처음 생겼었던 pluripotent stem cell이라고 하는데, 뭐든 될 수 있는 stem cell로 다시 돌아가요. 줄기세포, 그러면 이게 줄기세포로 돌아가는 거죠. 그렇게 되면, 줄기세포로 돌아가는 과정 중에 이미 나이와 관련된 그 사이사이에 붙어 있는 수많은 아세틸기라든지 이런 것들을 다 뜯어버리고 완전히 다 리셋돼서, 원래 정자와 난자가 딱 합쳐졌을 때 그 상태로 돌아가거든요.
그러면 이렇게 해서 사람들을 다 reprogramming시키면 우리가 젊어지는 것 아니냐? 이건 맞는 얘기인데, 무조건 젊어지게 만들면 얘가 근육이 있어야 될 자리에서 머리카락이 되거나, 뇌가 있어야 될 때 간세포가 되거나, 자기 마음대로 분화해 버리는 과정을 겪기 때문에 암이 되거든요. 그래서 OSKM factor에서, 제가 기억은 확실하지 않은데, OSK factor만 따서 4개의 factor 중에서 3개만 쓰면 얘가 적당한 수준에서 다시 stem cell로 돌아가거든요. 그것들을 요새 이용해서 partial reprogramming을 하는 형태로 실험들이 진행되고 있어요.
그래서 David Sinclair 교수는 눈에 있는 retina 세포를 다시 재생시켜서 원래 눈이 멀었던 생쥐가 다시 앞을 보게 만든다든지, 이런 것들을 했었고, 그다음에 NewLimit, Coinbase의 CEO가 투자해서 유명해진 회사인데, 그런 회사 같은 경우에는 간세포를 다시 재생해서 늙은 쥐의 간을 다시 젊은 쥐의 간처럼 만들고, 젊은 간세포로 만들어서 마음껏 술을 마셔도 된다, 이런 식으로 홍보하고 그랬었거든요.
최승준 치르는 비용은 없어요? 그러면 리셋하는 데 위험이나…
노정석 위험이 있죠. 위험이 있으니까 그것들을 굉장히 제어된 환경에서 돌아가게 만드는 각종 스위치를 씁니다. 거기에 쓰는 기작들이 있고, 저도 한 번 다 읽었던 기억이 있는데 지금은 생각나지 않아요. 그래서 OSKM이라는 reprogramming할 수 있는 factor를 먼저 눈에 넣고, 눈에 넣어서 약물이 있는 상태에서 어떤 특정한 촉발제가 되는, 스위치 역할을 하는 약물을 다시 먹으면 걔가 그걸 활성화하고, 그게 없어지면 비활성화되고, 이런 식의 스위치를 달아서 그걸 조작하게 하는 방식을 씁니다.
최승준 그러면 이건 epigenetics하고는 좀 다른 이야기인 거죠? epigenetics가 저는 스위치 비슷한 거라고 생각했는데, 이건 아예 reprogramming하는 무언가인가 보네요.
노정석 그렇죠. 거기에 그 세포를 만들어 주는 게 아니라, 그 옆에 완전히 다시 pluripotent로 돌아간 stem cell을 넣어서, 걔가 그 옆의 체세포들의 영향을 받아서 이제 걔로 바뀌도록 하는 그런 걸…
최승준 전혀 모르는 쪽의 얘기라서.
노정석 네, 그런 쪽. 이건 저는 방향성이 굉장히 여러 군데가 있는 것 같아요. 그래서 완전히 stem cell을 넣어서 걔가 그쪽으로 가게 하는 방향이 있고, 그다음에 그 체세포에서 epigenetic clock을 살짝 재설정해서 원래의 정체성은 그대로 유지하지만 거기에 붙어 있는 메틸기나 아세틸기를 전부 재설정해서 마치 그 세포가 젊어진 상태로 기능하도록 하는 그런 것들이 있는 것 같아요. 그런데 그쪽으로 들어가면 너무 복잡하고, 제가 정확하게 다 알고 있다는 보장을 할 수가 없어요.
최승준 그래서 이거랑 무슨 관계인 거예요?
SNP와 개인별 유전체 차이 1:04:26
노정석 그런데 AlphaGenome 얘기를 하다 여기까지 왔는데, 이 사람들의 유전자에 A, G, T, C, 이렇게 늘어서 있는 게 있는데 그게 단백질을 코딩하는 영역에서 살짝 오류가 났거나 이러면 이게 무슨 문제가 된다는 걸 확실하게 알 수가 있지만, 프로그래밍하는 영역에서 오류가 나면 무엇이 오류인지를 알 수 없는 상황에 맞닥뜨리잖아요. 그런데 이걸 또 설명드리려면 SNP라는 것의 개념에 대해 조금 설명해야 하는데, 저희 유전자에 아까 30억 페어가 있다고 그랬잖아요. 그러면 우리는 사람마다 다른 거예요.
최승준 뭐의 승수가 30억쯤인 거예요? 코돈의
노정석 승수?
노정석 제곱, 뭐 그런 거예요?
아니요, 그렇지 않죠. 그냥 30억 개의 A, G, T, C라는 배열이 있지 않습니까? 그래서 A, G, T, C 중 하나가 있으면 그거에 페어가 되는 다른 것들이 아데닌, 구아닌,
최승준 사이토신.
노정석 그런 게 있죠. 사이토신, 티민 이런 거 있죠. 그러면 하나가 정해지면 그거의 반대편 페어는 그냥 정해지죠. 그런데 A가 있으면 걔와 페어가 되는 하나의 정보 단위가 생기잖아요. 마치 비트 같은 것처럼요. 걔를 그냥 하나의 페어라고 보는 거고요. 그 페어가 A, G, T, C로 쭉 이어져서 우리 인간의 유전자는 30억 개의 페어를 갖고 있어요. 정확하게는 31억인데, 31억 개의 페어를 갖고 있고, 이론상 그게 엄마한테 받은 게 한 쌍, 아빠한테 받은 게 한 쌍 더 있으니까 30억 개짜리를 엄마한테 받은 게 하나면 아빠한테 받은 것도 30억 개가 있는 거죠. 그래서 이론상으로는 저희가 60억 개 정도가 있는 거고, 그런데 그 A, G, T, C가 이렇게 페어를 또 이루고 있기 때문에 그 안에서 엄밀하게 얘기하면 A, G, T, C 글자가 인간 유전자 안에 총 몇 개가 있습니까라고 하면 120억 개예요. 이해는 되시죠?
최승준 120억 개.
박종현 이걸 데이터라고 생각하면 하나가 어쨌든 네 가지 경우의 수를 가지고 있고, 그게 그 개수만큼 있는 거니까 4의 60억 승, 이렇게 볼 수 있잖아요. 물론 엄마한테 받은 정보와 아빠한테 받은 정보가 겹치는 게 엄청나게 많아서 그 정보를 다 독립적으로 가지지는 못하겠지만요.
노정석 그래서 사실상은 60억인데, 30억만 보는 거죠. 왜냐하면 거의 대부분이 비슷하고, 어떤 경우에 따라 다른 것들은 우성 유전자가 발현되고 아닌 것들은 꺼지고, 그런데 대부분 우리가 유전자라고 얘기하는 게 이것도 실험적으로 찾은 건데, 어떤 영역들이 어떤 역할을 한다고 하면 거기를 저희가 유전자라고 얘기하거든요. 그 유전자 안에 단백질 코딩 영역과 다른 조절 영역들이 다 섞여 있는 거죠. 그런데 이것들의 기능은 엄마한테 받은 것과 아빠한테 받은 게 우리 배열의 인덱스에서 똑같이 일치할 정도로 거의 비슷해요. 그래서 저희가 편의상 30억 염기쌍만 가지고 뭘 얘기하고 나머지 반은 버리는 거죠. 그런 식으로 합니다. 그런데 이걸 얘기하다 보면 끝없이 계속 들어가요. SNP, single nucleotide polymorphism이라고 얘기하는 건데, 이 글자들이 30억 개가 있잖아요. 그런데 그 30억 개가 승준님과 제가 거의 같아요. 사실 인간이나
최승준 인간이니까.
노정석 사실 맞아요. 인간과 개도 거의 80%는 같고, 그다음에 인간과 인간 사이는 거의 같고, 그 30억 개 중에서 굉장히 적은 400만~500만 개 정도만 달라요. 그런데 가다가 프로그램 하나가 다른 게 이게 G, T, C 블록이 완전히 다른 게 아니라, 쭉 가다가 승준님은 G가 쓰여 있는 자리에 저는 A가 쓰여 있고, 정말 한 자씩만 달라요. 매우 sparse하게요. 그래서 딱 한 자만 다른 것들이 우리들의 차이거든요.
저희가 유전체 분석을 시키면 유전체 데이터에 대해 다 알 수 있잖아요. 그걸 어떻게 하느냐 하면,
숏리드·롱리드 시퀀싱과 유전체 매핑 1:08:34
노정석 사람의 유전자를 전부 읽는 게 아니라 저희가 피를 보내거나 그렇게 하면 그걸 믹서에 다 갈아서 DNA들을 다 자른 다음에, 그러니까 하나의 실에서 어떤 단락을 자르는 거죠. 잘린 DNA들을 전부 읽어요. 통계적으로요.
최승준 나노포어 시퀀서 같은 데다가?
노정석 맞아요. 구멍에 넣어서 주르륵 읽는 거죠. 그 실을 짧게 자르면 숏리드고, 실을 길게 자르면 롱리드거든요. 그래서 숏리드로 자르면 그 잘린 것들에서 데이터들이 쭉 다 오잖아요. 그러면 그걸 컴퓨터에 밀어 넣고, 저희가 레퍼런스 지놈이라는 게 있거든요. 가장 표준적인 인간에 대해 인간의 유전체는 이런 식으로 생겼다는 Human Genome Project에서 나온 물건이고, 몇 번의 revision을 거쳐서 지금 쓰는 레퍼런스가 있습니다. 그 레퍼런스 데이터에 내 짧아진 실을 전부 맞춰 봐요. 그러면 이 sequence들이 거의 비슷하기 때문에 일일이 mapping하다 보면 어떤 자리에 들러붙거든요. 통계적으로 들러붙으면서 “여기는 얘가 한 자가 다르네.”라고 하는 그 부분들을 바꿔 치는 겁니다. 그 레퍼런스 데이터와 나의 sequence 데이터에서 얻어진 것들을 가지고 계속 다 이렇게 붙여 보는 거죠.
HLA 영역과 롱리드 시퀀싱의 필요성 1:10:02
노정석 네, 맞아요. 이게 롱리드가 중요한 이유는 대부분 숏리드로도 읽히는데, 우리 6번 염색체에 사람들의 면역 표지자 역할을 하는 HLA라는 독특한 게 있거든요. 이게 세포 안에서 만들어지는 단백질 덩어리가 있는데, “나는 어떤 단백질을 만들고 있어.”라는 게 그 세포가 어떤 일을 하는지를 밖에 표현하는 게 되거든요. 그래서 HLA라는 로직이 안에서 만들어진 단백질 덩어리의 조각들을 세포 표면으로 올리는 역할을 해요. 표면으로 올려진 그 단백질을 읽는 애가 T cell이에요. T cell이 와서, 면역세포죠. 면역세포가 와서 보면서 “얘는 제대로 일하고 있고, 얘는 나야. 자기 세포야.”라고 하면 걔는 살려 두는 거고, 얘가 이종 단백질을 만들고 있으면 “얘는 밖에서 온 애네.”라고 하면서 걔를 잡아먹어 버리고, 이게 우리 면역 시스템의 가장 핵심이거든요. 그런데 그 HLA의 역할을 하는 부분이 사람마다 많이 달라요. 그리고 사람마다 다르다기보다는 인종마다 많이 달라요. 한국인과 백인이 많이 다르고, 흑인도 달라서 그 부분이 다른데, 여기가 변이가 가장 심한 영역이거든요. 그래서 걔는 숏리드 sequence로 읽으면 가서 잘 mapping해 줄 수가 없어요. 워낙 비슷한 가닥들이 많기 때문에 숏리드에서는 6번 염색체의 해상도가 매우 떨어져요. 롱리드로 읽으면 하나의 유전자를 굉장히 긴 길이로 읽기 때문에 6번 염색체 자리에 갖다 놔도 “얘는 여기가 이렇게 다르네.”라고 mapping해 볼 수 있거든요. 그게 롱리드 방식의 장점인데,
그런데 제가 SNP를 얘기했는데, 쭉 가다가 한 자만 다르면 그 한 자가 다른 게 도대체 어떤 문제를 일으키느냐가 당연히 중요해질 거잖아요. 그렇죠. 어떤 변이는 deleterious해서 안 좋아지고, 어떤 변이는 달라져도 크게 나쁠 게 없어요. 그런데 그 한두 자 달라지는 것 때문에 사람들의 인생이 바뀌거든요. 유전병, 통계적으로 맞아요. 유전병 같은 게 그런 것들이죠.
AlphaGenome의 유전자 변이 영향 예측 1:12:25
노정석 AlphaGenome 얘기가 드디어 나옵니다. AlphaGenome이 찾아주는 게 그 한 자가 달라졌을 때 얘가 어떤 세포에서 어떤 문제를 일으킬지에 대한 실험 결과를 예측해 줘요. AlphaFold는 input이 아미노산 sequence 덩어리고, output은 걔의 3D structure거든요. 그런데 AlphaGenome은 완전히 달라요. 100만 페어의 유전자, 그러니까 100만 인덱스인 거죠. 100만 개의 유전자 서열을 딱 넣으면 11종의 실험 결과를 예측해 줘요. 그러면 그 실험 결과가 뭐냐 하면, 지난 20년 동안 ENCODE Project에서 어떤 유전자가 어떤 일을 한다는 것을 실험을 통해 계속 발견해 왔거든요. 예를 들면 간세포의 어디는 histone이 감겨 있고, 어디는 풀려 있는데, 그러면 열려 있는 부분들만 DNA를 sequencing하고, 거기에 맞춰서 발현되어 있는 RNA 서열을 딱 sequencing하면 열려 있는 부분에서 어떤 것들이 RNA로 발현됐다는 것을 예측해 볼 수가 있어요. 그래서 그런 것들을 데이터셋으로 계속 쌓아 왔거든요. 그래서 세포별로 이건 뇌세포다, 이건 간세포다, 이건 근육세포다 하면서 세포별로 그런 실험들을 다 합니다.
최승준 어떻게, 사람을 대상으로 하는 거예요? 오가노이드로 하는 거예요?
노정석 아니요. 사람을 대상으로 해요. 간단하죠. 어떻게 하느냐 하면, 이게 재미있는데 간세포를 그냥 뜯어요. 뜯어서 예를 들어 발현되어 있는 유전자, 저희가 euchromatin, heterochromatin이라고 얘기하는데, 열려 있는 chromatin 부분들만 읽어야 되겠다고 하면 histone에 감겨 있는 애들은 건드리지 않고, 풀려 있는 애들만 DNA를 읽을 수 있는 처리를 해요. 그러면 풀려 있는 부분만 발현됐다고 가정하고, 그 옆에 있는 RNA로 전사된 영역을 다 읽어요. 똑같이 그것도 RNA sequencing을 해서요. 그러면 DNA sequence가 있고 RNA sequence가 있고, 이러기 때문에 아까 Human Genome에서 레퍼런스 지놈에 맞춰 봤듯이 훨씬 더 쉬운 문제죠. 그냥 이빨 맞추기를 해 보면 되는 거예요. “이 RNA는 어디서 왔네, 이 RNA는 어디서 왔네.” 이런 것들을 가지고 찾아요.
최승준 인프라 할 때만큼 난이도가 올라가고 있는 느낌이긴 해요.
노정석 맞아요. 그런데 여기서 사업 얘기를 조금 해보면 저도 말하면서 힘들긴 하거든요. 이 model과 AI와 이런 것들이 되는 세상에서 도대체 우리는 어디로 도망갈 거냐는 게 저희의 첫 번째 테마였잖아요. 그래서 저는 비즈니스에서 AI를 잘 활용해서 비즈니스 측면에서 뭘 할 수 있을까 해서 찾은 게, 이건 control plane을 잘 만드는 데 있다고 해서 그 시스템 하나를 만들어 열심히 한 거고
그거 말고 도메인에서 뭘 잡아야 할까 하는 게 저는 생물학이 AI 때문에 혁신되는 그 부분에서 생물학 도메인을 최대한 읽어서 거꾸로 AI를 모르는 생물학자와 생물학을 모르는 AI 과학자 사이에 서겠다는 게 제 생각이고, 이런 생각을 한 사람들이 실리콘밸리에 있어서 AI for Science를 하는 특히 생물학을 하는 수많은 회사들인 거죠. 그래서 저도 지금 뭘 하려는 건 아닌데 이 영역을 이해하려고 하면서 나오는 것들, 시스템을 다 살펴보다 보니까 이런 것들을 알게 되는 거거든요. 그래서 승준님이 질문 주셨듯이 어떤 DNA가 발현되고 어떤 것들이 실질적인 역할을 하는지 그런 것들을 노가다로 다 실험한 거예요.
최승준 Atlas가 나온 거잖아요. 굉장히 많은 걸 할 수 있는.
노정석 그렇죠. 그래서 AlphaGenome이 그러한 실험 결과들이 20년간 쌓인 게 있는데 그 실험 결과를 예측해 줘요. AlphaGenome은 100만 base pair를 넣으면 걔가 딱 들어가서 이건 뇌세포에서는 이렇게 되고 간세포에서는 이렇게 되고 어떤 세포에서는 이렇게 된다고 하는 것들에 대한 예측치를 내주거든요. 배열 형태로 쭉 다 내주는데, 그럼 이게 좋은 건지 나쁜 건지 어떻게 판단하느냐면 정상적인 reference가 있잖아요. 정상적인 인간이 가진 sequence가 있고 우리가 100만 base pair를 넣을 때는 그 100만 base pair 안에 나의 변이가 있는 부분을 넣을 거잖아요. 그러면 결국 output으로 나오는 그 실험 결과의 diff를 떠보면, 나의 이 유전자 변이 하나는 간에서 어떤 부분에 문제가 있겠구나라는 걸 이렇게 예측해 주는 걸 할 수 있어요. 그런데 얘를 저희가 프로그래밍할 줄 알면 그걸 마치 log probability를 비교해 보듯이 vector 단위로 비교해 볼 수 있지만 Google이 친절하게 거기에 index를 다 만들어 줬어요. 그게 AlphaGenome이 하는 역할이고
AlphaGenome Atlas의 사전 계산 데이터베이스 1:17:47
노정석 AlphaGenome Atlas는 그럼 무슨 일을 한 거냐? 생각해 보세요. 저희가 아까 30억 염기쌍이 있다고 그랬죠. 30억 개. 그러면 이론상 그 30억 개에서 염기 하나씩 뭔가 바뀔 수 있잖아요. 그럼 reference genome에서 그 30억 개 각각에 대해서 이 자리에는 지금 A가 들어가 있는데 reference에서 만약 그게 A가 아니라 G, C, T가 들어가 있으면 무슨 일이 일어나는지를 전부 연산해서 그 연산 결과값들을 데이터베이스에 다 만들어 놓은 거예요. 그러니까 연구자 입장에서는 만약 이 Atlas가 없으면 직접 돌려봐야 하는 거죠.
마치 AlphaFold Protein Structure Database가 없으면 내가 새로 알아낸 아미노산 서열을 가지고 단백질 구조를 예측하려면 AlphaFold를 돌려야 하는데 미리 Google이 다 돌려서 데이터를 다 갖고 있으면 거기에 아미노산 서열을 넣을 때 3D 데이터가 바로 나오는 거죠. 이것과 정확하게 동치예요. 그래서 AlphaGenome에 넣듯이 100만 base pair의 유전자 sequence를 넣으면 AlphaGenome은 실험 결과를 다 돌려주는데 Atlas에 넣으면 얘는 “이런 결과값은 이게 바뀌어요. 저게 바뀌어요.”라고 하는 것들을 내주는 거죠.
그래서 저희는 걔가 데이터베이스에 저장한 결과값으로 diff만 뜨면, 이건 어떤 세포에서 어디가 문제가 될 것 같다, 이건 문제가 안 될 것 같다는 걸 예측해 볼 수가 있어요.
박종현 그런데 그럼 결국 얼마나 그 예측된 실험 결과가 정확한지가 궁금한데, 그건 실제로 실험해 본 다음에 비교하는 수밖에 없잖아요. 안 해본 영역들에 대해서는.
AI 도구가 바꾸는 생명과학 연구 방식 1:19:37
노정석 그러니까 이런 도구들이 나와서 과학이 바뀌는 거거든요. 예를 들어 AlphaFold가 단백질 구조를 다 예측하는데 그러면 PDB 같은 데이터베이스는 쓸모없어지는 것 아니냐, 더 이상 X선 회절을 하거나 이런 것들을 해볼 필요가 없는 게 아니냐고 예상할 수 있는데 실제로는 그 과정이 어마어마하게 단축된 거죠. 사람들이 어떤 표적 단백질을 연구하기 전에 AlphaFold를 돌려서 마치 위성 사진을 찍어보고 작전을 할까 말까 결정하듯이 이건 되겠다, 안 되겠다는 후보들을 찍고 실질적으로 그 찍은 걸 가지고 훨씬 더 전략적으로 실험할 수 있게 됐거든요. 그래서 연구가 훨씬 편해졌어요.
AlphaGenome도 마찬가지예요. 그러면 AlphaFold도 PDB에 있는 이미 알려진 20만 개의 사람들이 실험했던 결과를 가지고 나머지 2억 개를 예측한 거거든요. 그런데 그것들의 정확도가 굉장히 높다고 나온 거고 이 AlphaGenome도 지난 20년간 유전자 변이가 생겼을 때 엑손이나 조절 영역에서 어떤 변화들이 생기는지에 대해 실험해 놓은 결과치들이 다 있거든요. LLM보다는 훨씬 작은 dataset입니다. 인간들이 실험해도 얼마나 했겠어요?
최승준 갑자기 궁금한 게, 아까 수학의 예처럼 Ansatz나 가설 같은 걸 세우듯이 이게 LLM이 쓸 수 있는 도구인 거예요?
노정석 LLM이 쓸 수 있는 도구. LLM이 알아서 Astra도 부르고 사람도 부르고 하겠죠.
최승준 Atlas랑 AlphaGenome 같은 것들이 LLM이 쓸 수 있는 도구가 되는 셈인가 하는 게 갑자기 떠오른 궁금증이에요.
유전체 분석과 개인 맞춤형 치료 1:21:26
노정석 저는 Codex로 불러요.
최승준 그래요.
노정석 오늘도 저도 AlphaGenome Atlas, 저는 제 long-read sequencing을 다 했거든요. 제가 암에 걸리면 무슨 일이 일어날지에 대해 미리 대비를 다 해놓겠다는 생각으로 제 유전자 sequence를 다 받은 다음에 어떤 약이 저한테 어떤 간 질환을 일으킬 수 있다는 것들도 거의 다 알아요. 그리고 제가 reference genome 대비 어디에 SNP가 있다는 것도 이미 다 알고 있거든요. 그럼 그 sequence들을 잘라서 이미 알려진 것들뿐 아니라 SNP가 어떤 문제를 일으킨다는 것들도 전체가 100이라면 알려진 것들이 아직 굉장히 적습니다. 제가 숫자를 까먹었는데, 아직 미지의 영역이 굉장히 많아요.
그런데 그런 미지의 영역들을 마치 AlphaFold가 20만 개를 가지고 2억 개를 예측했듯이 지금 미지의 영역에서 찾아낸 것들은 굉장히 적은데 알려지지 않은 것들은 AlphaGenome을 이용해서 대략 이렇게 될 거라고 예측해 보고 그걸 가지고 실험이 다시 구성돼요. “아, 맞았네.” 그러면 검증하는 속도가 훨씬 빨라지죠.
최승준 이게 보편적인 신약 개발로 연결되는 거예요? 아니면 개인 맞춤 치료로 가는 거예요? 둘 다예요.
노정석 보편적인 신약 개발, 개인 맞춤형 신약 개발 둘 다죠.
박종현 그러게요. 결국 AlphaGenome이라는 게 나왔고 그게 사회적으로 어떤 영향을 줄 것인가 이런 것들이 궁금한데 아마도 다 수명 연장을 위한 길에서 역할을 할 것 같은데 거기에서 얼마나 많은 걸 앞당긴 것인지 감이 바로 오지는 않아서 그런 것들이 궁금합니다.
희귀 유전병과 암 치료 표적 탐색 1:23:07
노정석 유전자 변이, 희귀 유전병 같은 경우에는 왜 이런 현상이 생기는지 지금은 전혀 알 수 없는데 AlphaGenome을 돌려보면 얘는 저기서 프로모터와 뭔가의 3D 구조가 잘못됐다, 저기의 SNP index 하나가 어긋났다, 이런 식의 예측을 해줄 수 있어서 예전 같았으면 저 유전자가 다른데, 저 다른 유전자가 도대체 우리 표현형이라고 그러죠, 단백질로 발현되는 과정의 어떤 부분에 문제를 일으키는 거냐는 걸 예측할 수가 있어요. 그게 하나고, 암도 마찬가지죠.
예를 들어 암이 생겨서 암 유전자의 변이가 생겼어요. 그래서 얘가 이상한 짓들을 해요. 그럼 걔를 치료해야 하잖아요. 그런데 치료하려고 하는데 걔가 만약 변이가 생긴 부분이 확실하게 단백질 코딩 영역이거나 이러면 얘가 생산하는 단백질에 다른 게 있네라고 해서 그걸 가지고 AlphaFold를 돌려서 거기서 표적에 붙을 수 있는 물질들을 찾아 약을 만들자고 할 수 있는데 단백질 코딩 영역이 아니라 다른 쪽 조절 영역에 그런 문제가 생겼으면 그 조절 영역이 중첩적으로 영향을 줘서 어떤 단백질을 생산하는 과정이 바뀌어 있는 거거든요.
그런데 그런 부분에서 이 문제가 어디서 생기는지를 훨씬 더 정밀하게 예측할 수 있죠. 그런 것들이 AlphaGenome으로 우리가 예측할 수 있는 부분이에요. 그래서 이게 정상이고 건강할 때는 문제가 없지만, 암에 걸리거나 이런 일들이 생겼을 때 이 암과 내 정상 세포 사이에서 어떤 것들을 집중해서 봐야 하고 어디가 문제일 것 같은지 여러 경우의 수를 찾아주는 데 어마어마한 도움을 줄 수 있는 도구인 거죠.
최승준 느낌적인 느낌으로는 그걸 안다고 해서 처치하는 건 비용이 만만치 않을 수 있겠다는 생각이 들긴 하네요.
노정석 그런데 지난번에도 길랩 CEO가 자기 암을 치료했을 때 썼던 과정이 AlphaGenome이나 이런 게 있을 때는 아니었는데 다행히 자기 암 유전자와 정상 유전자의 diff를 떠보니까 암에서만 발현되는 단백질 하나를 찾은 거죠. 그리고 그 단백질에 들러붙는 물질을 찾으러 세상을 돌아다닌 거고 그러다가 독일 어디에서 찾아서 그걸 가지고 자기만의 개인 맞춤형 약을 만든 거죠.
생명공학의 계산과학 전환 1:25:45
노정석 그런데 그 가격은 계속 내려간다고 봐야 해요. 얼마 전에 Merck랑 Moderna가 mRNA 백신을 만들었다고 했는데 그것도 이것과 똑같은 논리인 거거든요. 그래서 점점 생명공학이라는 게 예전 같았으면 실험실에서 wet lab을 돌리면서 현미경을 보면서 했던 지루한 실험의 영역이었던 게 마치 오늘 얘기했던 Navier–Stokes 방정식도 수학자들의 종이 위에서만 이루어지던 것들이 지금은 어떤 LLM의 token으로 다 바뀌어버린 거잖아요. 생명공학에서도 똑같은 일이 일어난 거죠. 앞에 있었던 실험 결과들로 supervised learning을 시켜서 그 supervised learning이 된 게 어떤 모델이 되고, 그 모델이 다음 실험을 어마어마하게 촉진해요. 쉽게 만들고, 기존에는 되지 않았던 실험들이 설계되도록 만들거든요. 그럼 거기서 또 데이터셋이 나와서 데이터셋이 계속 많아질 겁니다. 그리고 지금은 supervised learning이지만, 그 데이터들이 어느 정도 많아지기 시작하면 어느 순간에는 또 그 데이터셋을 가지고 그냥 self-supervised learning을 돌리면 걔가 어떤 일반적인 법칙을 알아내는 그런 레벨이 될 거거든요.
Evo 2와 합성생물학의 언어 모델 1:27:05
노정석 AlphaGenome과 비슷한데 조금 다른 게 Arc Institute에서 만들었던 Evo 2라는 모델인데, Evo 2라는 모델은, AlphaGenome은 굉장히 복잡해요. 완전한 supervised learning이거든요. 실험 결과의 input은 유전자 sequence로 두고, 실험 결과를 mapping해서 supervised set을 만들고, 그사이에 convolutional neural network, Transformer를 넣어서 이걸 학습시킨 거거든요. 그런데 Evo 같은 모델은 그냥 알려져 있는 모든 종의 염기서열을 다 가져와서 LLM급의 데이터셋을 만든 다음에 걔를 그냥 Transformer에 넣고 sequence를 학습시킨 거거든요. 그래서 얘는 단순하네요.
최승준 데이터만 많지.
노정석 얘는 그냥 AGTC sequence를 넣으면 LLM이 하듯이 뒤에 있는 GTC sequence를 그냥 뱉어내요. 그런데 그 뱉어내는 게 우리는 딱 보면 모르겠지만, 무언가 유전자에서 배운 그 sequence를 뱉어내는 거죠. 그래서 걔가 뱉어낸 sequence를 가지고 만들었더니 어떤 박테리아 하나가 탄생하더라고 해서 그걸 새로운 발견이라고 얘기하는 거고, 그런 쪽 영역을 하는 게 synthetic biology라고, 합성생물학인데.
그런데 LLM에서도 우리가 그런 걸 예측할 수 있잖아요. 저희가 문장을 오토 리그레시브하게 계속 뱉어내는데, 저희가 예전에 성현님이랑 얘기하면서 어떤 특정 token은 굉장히 높은 entropy를 갖고 있는 그런 token들이 있다고 했었잖아요. 그래서 얘도 어떤 걸 할 수 있냐면, reference에서 얻은 genome 데이터를 잘라서 넣고, 그다음에 내 것, 변이가 있는 데이터를 잘라서 넣고, 그럼 맨 마지막 그 앞부분을 그냥 프리필하듯이 해서 모델에 넣어버려요. 그럼 뒤에서 output 값이 나올 것 아닙니까? 그 log 값을 그냥 서로 빼보면, 이게 마이너스가 나오면 이 변이가 위험할 확률이 높다는 거고, 플러스가 나오면 이건 위험하지 않을 확률이 높다는, 그런 식으로 쓸 수도 있어요. 그렇게 해서 대충 알려지지 않은 변이들에 대해서도 그 위험도를 대략 계산해볼 수 있는데, 위험도를 계산하더라도 그게 어떤 위험이 된다는 건 알 수 없죠. 그런데 이게 암이 되었건 뭐가 됐건, genomics라는 것 자체도 점점 데이터베이스가 쌓이면서 computation 쪽으로 넘어오면서 이쪽 발전이 계속 일어나고 있는 거죠.
최승준 이해는 많이 못 했지만, 느낌상 계산의 대상이 됐다는 느낌이네요.
유전체 데이터와 바이오 AI의 스케일 폭발 1:29:43
노정석 그렇죠. 그리고 이게 wet lab에서도 verifier가 계속 돌아서 또 데이터셋이 계속 보강되기 시작하면, 얘도 어느 순간 LLM이 맞이했던 그런 scale 폭발의 시대가 올 가능성이 굉장히 높다는 거고.
박종현 저는 얘기를 쭉 들으면서 완벽하게 다 이해하지는 못했지만, 처음에 시작할 때 저희가 그런 얘기했었잖아요. 조금 문과 성향이 강한 게 생명 쪽 분야다. 이과에서는 그렇게 얘기해주셨는데, 그게 왜 그럴까 생각해보면 어떤 원리를 우리가 이해하지 못하는 게 굉장히 많고, 어떤 실험과 바깥쪽의 결과를 우리가 보고 ‘이건 이렇더라.’ 이런 것들을 외우는 부분이 많았기 때문인데, 학문 자체가 지금은 그 시작, DNA 레벨에서부터 시작해서 그게 결국 어떤 현상, 단백질이 어떻게 만들어져서 결국 우리 몸에 어떤 영향을 끼치는가, 이 사이를 연결하는 과정에 있는 연구인 것 같거든요. 그러니까 이쪽도 AI가 어떤 설명 가능한 방식으로 바꾸게 되고, 우리가 안의 동작 기작들을 이해하게 되니까 연구 관점에서 많은 것들을 우리가 훨씬 더 알아내게 될 것 같고, 그것들은 인간으로 치면 아무래도 longevity가 가장 큰 요구 사항이니까 그런 쪽으로 가장 먼저 갈 것 같고, 그 말고도 다른 쪽으로도 많이 뻗을 수 있겠다는 생각이 드네요.
노정석 굉장히 재미있어서 제가 요새 이쪽을 읽어보는 재미로 하루하루를 살아요.
최승준 그런데 요새 리포트들 나오는 걸 보면 꼭 cybersecurity, biosecurity가 들어가 있거든요. 대형 모델이 나왔을 때는. 이게 좋은 쪽도 물론 있지만, 무서운 쪽도 있을 거다.
박종현 어떻게 쓰일까, 이런 것들이. 그렇죠.
최승준 화학이랑 생물학은 또 나름 무섭잖아요.
노정석 그렇죠. 그런데 도메인들을 저희가 어쨌든 가방끈이 긴 삶을 살기로 했으면 도메인 하나씩은 잡아야 되잖아요. 그래서 하나를 잡고 한번 쭉 파보고 있는 중이라고 이해해주시면 좋을 것 같아요.
최승준 그게 뭔가 여기에 정석님이 쏟고 있는 에너지의 기운이 있는 것 같아요.
노정석 이게 사람도 너무 복잡한 기계라서 그렇지, 프로그램이다.
박종현 그렇죠.
최승준 극한 환원주의로 다시.
노정석 그래서 gene 레벨의 비밀이 밝혀지고 나면 얘가 어떻게 단백질이 되는지를 알 거고, 그다음에 단백질의 비밀이 밝혀지고 나면 엄마, 아빠의 정자와 난자가 만나서 인간으로 이렇게 분화하기까지의 과정이 저희에게는 미스터리지만, 예쁜꼬마선충부터 해서 복잡도가 낮은 생명들은 그 발생 과정도 어떤 유전자가 어디에 발현되고, 뭐가 돼서 머리, 가슴, 배가 나뉘고, 뭐가 척추가 되고, 뭐가 심장이 되고, 이런 레벨까지는 거의 밝혀져 있거든요.
최승준 그렇죠. 그게 어느 정도 가속이 될지, 아무래도 상대적으로 좀 느리기는 할 텐데, 그래도 분명히 가속이 느껴지고 있고.
AI가 가속하는 생명과학의 미래 1:32:39
최승준 오늘 저희가 밀레니엄 프라블럼 얘기했었는데, o1이 나온 게
노정석 2024년 9월. 그러니까 딱 2년 됐어요. 2년이 됐는데, 저희가 얘기하고 있는 것들도 굉장히 웃기죠. 2년 만에 지금
최승준 SF에 나오는 얘기를 했거든요. 2026년에.
노정석 따라가기 힘들어 죽겠어요. 정말.
최승준 생물학도 아직은, 수학자들이 올해 AlphaGo moment를 맞기 시작했다면, 생물학은 아직 아니고 새로운 도구를 얻어서 막 신나 있는 상황일 수 있을 것 같기는 한데, 모르죠.
노정석 그런데 이것도 저는 지난번에 제가 미국에 갔다 와서 말씀드렸는데, 똑똑한 AI 박사들이 밤에 무엇을 공부하나 봤더니 전부 이런 걸 공부하고 있더라는 것도 저한테는 큰 발견이어서, 저기 뭐가 있구나라는 생각은 저도 확실히 하고 있거든요. 그래서 AlphaFold, AlphaGenome 다 정말 위대한 일들이고, LLM보다 재미있는 건 AlphaFold도 AlphaGenome도 저희가 현대의 최신 LLM을 학습하는 데 들어가는 데이터의 양과 compute 규모와 비교하면 그렇게 크지 않다고 생각되거든요. 총량을 비교해보지는 않았지만, 데이터셋의 크기나 연산으로 봤을 때 매우 작다. 그래서 최신 LLM에 얼마나 우주적인 데이터셋과 우주적인 compute가 들어가는지에 대해서 우리는 지금 잘 모르기 때문에 이렇게 놀라고 있다고 생각이 듭니다.
3일간의 AI 뉴스 recap 1:34:10
최승준 하여튼 불과 지난번 녹화로부터 3일이 지났습니다. 할 얘기가 많았습니다.
노정석 어느 정도 3일간의 recap을 짧게 해본 상황이 됐습니다. 그러네요. 거의 2시간 떠들었네요.
최승준 그러면 출장 다녀오시고.
노정석 오늘은 이 정도에서 마무리하도록 하겠습니다.
최승준 감사합니다.
최승준 수고 많으셨습니다.
노정석 들어가십시오.