 |
| https://www.youtube.com/watch?v=_w8iKUfU9s4 |
젠슨황이 말하는 AI의 가치와 미래에 대한 강의를 듣다가, 예전에 한 지인과 나눴던 대화가 떠올랐다.
그 지인은 중학생 아들의 교육 방향을 두고 고민하고 있으셨다. 아들이 컴퓨터 코딩 전국대회에서 상을 받을 정도로 코딩에 재능을 보였지만, 정작 AI 시대에도 지금처럼 코딩 교육에 집중하는 것이 맞는지에 대한 걱정이 있으셨다.
앞으로 어떤 직업이 유망할지, AI가 대체하기 어려운 직업에는 어떤 특성이 있을지에 대해 이런저런 이야기를 나누던 중, 문득 주식시장이야말로 AI가 쉽게 대체하기 어려운 영역일 수 있겠다는 생각에 도달했던 기억이 있다.
당시에는 막연한 직관에 가까웠다. 그러나 젠슨황이 AI를 어떻게 바라보고 해석하는지에 대한 인터뷰를 들으면서, 그때의 대화가 다시 떠올랐다. 젠슨황은 AI를 단순한 챗봇이나 코딩 도구로 보지 않는다. 그는 AI를 구조화되고 예측 가능한 세계를 컴퓨터가 이해할 수 있는 형태로 바꾸고, 이를 토큰화해 학습과 추론의 대상으로 만드는 기술로 설명한다.
이 관점에서 보면 AI가 빠르게 확산될 수 있는 영역과 그렇지 않은 영역이 구분된다. 제조, 물류, 로봇, 생물학, 헬스케어처럼 구조화된 패턴이 존재하는 영역에서는 AI가 새로운 생산성 레이어로 자리 잡기 쉽다. 반면 주식 자본시장은 비연속성, 동역학성, 비구조성, 적시성, 반사성이 강한 영역이기 때문에 AI가 인간의 판단을 완전히 대체하기 쉽지 않다.
여기에 AI 권위자 일리야 수츠케버가 강조하는 더 인간적인 value function의 문제의식을 더하면, 이 직관은 조금 더 명확해진다. 현실 세계와 자본시장은 단순히 정답을 맞히는 문제가 아니라, 불완전한 정보 속에서 지금의 방향이 괜찮은지, 위험한지, 계속 가야 하는지, 멈춰야 하는지를 판단해야 하는 영역이다. 이런 판단에는 논리와 계산뿐 아니라, 감정·기억·맥락·장기 목표를 통합하는 인간적 가치 평가가 깊게 관여한다.
이 글은 페이페이 리의 시각 지능론, 젠슨황의 AI Factory론, 수츠케버의 인간적 가치함수론, 그리고 주식 자본시장의 예외성을 하나의 흐름으로 연결해 정리한 기록이다.
1. 페이페이 리: 지능은 세계를 보는 능력에서 시작된다
페이페이 리가 설명한 시각 지능의 역사는 생명체가 어떻게 지능을 획득했는지를 보여준다. 생명체는 처음부터 고도의 사고 능력을 가진 존재가 아니었다. 출발점은 빛을 감지하는 능력이었다.
빛을 받아들이는 단순한 감각은 시간이 지나며 시각으로 발전했고, 시각은 다시 신경계와 결합하면서 외부 세계를 구조화해 인식하는 능력으로 확장되었다. 생명체는 보는 것을 통해 패턴을 파악했고, 패턴은 통찰력으로 이어졌으며, 통찰은 이해력으로 발전했다. 이해는 다시 행동으로 연결되었고, 결국 인식·이해·행동이 결합된 체계가 지능을 낳았다.
이 흐름에서 중요한 점은 시각이 단순한 감각기관에 머물지 않았다는 데 있다. 시각은 세계를 받아들이는 창이었고, 신경계는 그 세계를 해석하는 장치였으며, 행동은 해석된 세계에 개입하는 방식이었다.
결국 지능은 보는 것에서 출발하지만, 이해하고 행동하는 것으로 완성된다.
2. 현재 AI는 막 눈을 뜨고 신경계를 형성하는 단계에 있다
오늘날 AI의 발전도 생명체의 시각 지능 진화와 유사한 경로를 따라가고 있다. 초기 AI는 텍스트를 이해하고, 이미지를 인식하며, 음성을 받아들이는 수준에서 출발했다. 이는 생명체가 어둠 속에서 처음 빛을 감지하기 시작한 단계와 닮아 있다.
그러나 최근 AI는 단순히 인식하는 수준에 머물지 않는다. AI는 이제 추론하고, 계획하고, 도구를 사용하며, 실제 작업을 수행하는 방향으로 진화하고 있다. 과거의 AI가 외부 세계를 받아들이는 데 초점이 있었다면, 현재의 AI는 인식한 세계를 바탕으로 판단하고 행동하는 단계로 이동하고 있다.
따라서 현재 AI의 발전 단계는 이렇게 표현할 수 있다.
AI는 이제 막 눈을 뜬 동시에, 초기 신경계와 행동기관을 형성하기 시작한 단계에 있다.
이 지점에서 페이페이 리의 관점과 젠슨황의 관점이 맞닿는다. 페이페이 리가 AI의 출발점을 기계가 세계를 인식하는 능력에서 찾았다면, 젠슨황은 그 인식이 어떻게 산업적으로 확장되고 대량 생산될 수 있는지를 설명한다.
3. 젠슨황: AI는 전기를 지능으로 바꾸는 생산 시스템이다
젠슨황은 AI를 단순히 질문에 답하는 소프트웨어로 보지 않는다. 그에게 AI는 세계를 이해하고, 추론하고, 작업을 수행하는 지능 생산 시스템이다.
이 관점에서 AI Factory는 지능을 대량으로 생산하는 공장이다. 과거의 데이터센터가 데이터를 저장하고 검색하는 시설이었다면, AI Factory는 전기를 투입해 토큰과 지능을 만들어내는 생산설비다.
전통적인 컴퓨터는 저장된 정보를 불러오는 장치에 가까웠다. 사용자는 파일, 이미지, 음악, 영상, 뉴스, 데이터를 저장해두고 필요할 때 다시 검색했다. 그래서 기존 인프라는 데이터센터라고 불렸다.
AI 컴퓨터는 다르게 작동한다. 사용자가 맥락과 질문을 제공하면, AI는 매번 새로운 답, 새로운 코드, 새로운 이미지, 새로운 명령, 새로운 판단을 생성한다. 이는 단순한 검색이 아니라 실시간 생성이다.
AI Factory는 데이터센터의 연장선이라기보다, 전기를 지능으로 전환하는 새로운 산업 설비에 가깝다.
4. 핵심은 구조화되고 예측 가능한 모든 것을 토큰 지능화하는 것이다
젠슨황 발언에서 가장 중요한 대목은 AI가 언어만 학습하는 기술이 아니라는 점이다. AI는 구조화되어 있고 예측 가능한 모든 것을 학습할 수 있다.
언어에는 문법과 의미의 구조가 있다. 단백질에는 접힘과 상호작용의 구조가 있다. 유전자와 세포에는 생물학적 기능과 반응의 구조가 있다. 자동차의 움직임, 로봇의 동작, 공장의 생산 흐름, 금융거래, 물류 네트워크, 기후 변화에도 각각의 패턴과 규칙성이 존재한다.
젠슨황의 관점에서는 이 모든 것이 AI의 학습 대상이 된다. 어떤 대상이든 구조가 있고, 반복성이 있으며, 예측 가능성이 존재한다면 컴퓨터가 이해할 수 있는 형태로 표현할 수 있다.
이 과정은 현실 세계를 수치화하는 작업이다. 언어, 이미지, 단백질, 세포, 자동차, 로봇, 제조공정, 금융거래, 물류 네트워크 같은 대상들은 컴퓨터가 처리할 수 있는 숫자와 토큰으로 변환된다. AI는 이 토큰을 학습하고, 토큰 사이의 관계를 파악하며, 그 위에서 의미를 추론하고 다음 행동을 생성한다.
결국 AI의 본질은 다음과 같이 정리할 수 있다.
AI는 세계를 토큰화하고, 토큰 사이의 구조를 학습하며, 그 위에서 추론과 행동을 생성하는 체계다.
이것이 바로 토큰 지능화다. 세계의 모든 구조화된 영역을 컴퓨터가 이해할 수 있는 수치적 표현으로 바꾸고, 이를 학습 가능한 토큰으로 전환한 뒤, 그 위에서 지능을 생성하는 것이다.
5. AI는 모든 산업 위에 올라가는 새로운 지능 레이어가 된다
이 관점에서 AI는 특정 산업에 적용되는 하나의 도구에 머물지 않는다. AI는 모든 산업 위에 새롭게 얹히는 범용 지능 레이어가 된다.
과거 인터넷이 정보의 연결 레이어였다면, AI는 인식·판단·추론·행동의 레이어다. 인터넷은 사람과 정보를 연결했고, AI는 데이터와 현실 세계를 이해 가능한 토큰으로 바꾼 뒤 그 위에서 판단과 행동을 생성한다.
산업별로 보면 AI의 확장 방향은 더 명확해진다.
AI의 확장은 챗봇의 확장만으로 이해하기 어렵다. AI는 언어 모델에서 출발했지만, 앞으로는 물리 세계 모델, 생물학 모델, 산업 모델, 로봇 모델로 확장될 가능성이 크다. 구조화되어 있고 예측 가능한 모든 영역이 AI의 학습 대상이 되고, 그렇게 학습된 세계는 다시 토큰 지능의 형태로 산업 전반에 배치된다.
6. AI가 행동으로 확장될수록 연산 수요는 폭발한다
AI가 단순히 인간의 질문에 답하는 수준에 머문다면 필요한 컴퓨팅 자원은 제한적일 수 있다. 그러나 AI가 기업 내부에서 일하고, 에이전트끼리 협업하고, 로봇과 자동차와 제조설비를 제어하게 되면 상황은 달라진다.
이제 AI는 사람이 한 번 질문할 때만 작동하는 시스템이 아니다. 수많은 AI 에이전트가 기업 내부에서 24시간 작동하고, 서로 대화하며, 업무를 나누고, 결과를 검증하고, 다음 행동을 생성하는 구조로 이동하고 있다.
이 변화는 연산 수요를 폭발적으로 키운다. AI가 더 많은 데이터를 이해하고, 더 복잡한 맥락을 처리하며, 더 많은 행동을 생성할수록 필요한 것은 더 많은 GPU, 더 빠른 네트워크, 더 큰 메모리, 더 안정적인 전력, 더 많은 데이터센터다.
젠슨황이 AI Factory를 강조하는 이유도 여기에 있다. 모든 산업의 데이터를 토큰화하고, 그 토큰을 학습하고, 학습된 모델이 추론과 행동을 수행하려면 막대한 연산 인프라가 필요하다.
AI가 세계를 이해할수록, 그리고 그 이해가 행동으로 이어질수록 AI Factory의 필요성은 커진다.
7. 신경망·GPU·데이터는 AI 시대의 생물학적 진화 조건이다
페이페이 리가 말한 현대 AI의 세 가지 힘은 신경망 알고리즘, GPU, 대규모 데이터다. 이 세 가지는 생명체의 진화 조건과 비슷하게 이해할 수 있다.
대규모 데이터는 AI가 경험하는 세계다. 신경망 알고리즘은 그 세계의 패턴을 학습하는 신경계다. GPU는 학습과 추론을 가능하게 하는 연산기관이다.
여기에 젠슨황의 AI Factory 개념을 더하면 AI는 개별 소프트웨어를 넘어선다. AI는 지능을 대량 생산하는 산업 시스템이 된다.
8. 수츠케버: 다음 단계는 더 인간적인 value function이다
젠슨황의 관점이 AI를 산업적 생산 시스템으로 설명한다면, 수츠케버의 문제의식은 AI의 다음 한계를 짚는다. AI가 세계를 토큰화하고 패턴을 학습할 수 있다 해도, 현실 세계에서 제대로 행동하려면 단순한 패턴 인식만으로 부족하다. 필요한 것은 지금 내가 가는 방향이 좋은지, 위험한지, 계속할 가치가 있는지를 평가하는 내부 기준이다.
여기서 중요한 개념이 value function이다. 기계학습에서 value function은 어떤 상태나 행동 경로가 장기적으로 얼마나 좋은 결과를 낳을지 평가하는 함수다. 인간의 뇌로 비유하면, 이 기능은 감정과 신체 신호, 기억, 사회적 맥락, 장기 목표를 통합하는 가치 판단 체계와 연결된다.
감정은 이 관점에서 단순한 기분이 아니다. 실제 뇌는 심장박동, 호르몬, 에너지 상태, 피로, 허기, 사회적 평판, 과거 기억, 현재 맥락 같은 복잡한 고차원 상태를 계속 처리한다. 그런데 우리의 주관적 경험은 행복, 불안, 두려움, 분노, 혐오, 애착, 호기심처럼 비교적 적은 수의 정서 축으로 정리된다.
따라서 감정은 다음과 같이 볼 수 있다.
감정 = 고차원 신체·환경 상태를 저차원 가치 좌표로 압축한 결과
이 감정 좌표는 완벽한 계산을 제공하지 않는다. 대신 빠르고 저렴하게 방향을 알려준다. 지금 상황이 좋은지 나쁜지, 이 행동을 계속할지 멈출지, 여러 선택지 중 어느 쪽이 더 끌리는지를 먼저 알려주는 휴리스틱 value function에 가깝다.
이 관점에서 자주 언급되는 뇌 과학 사례가 복내측 전전두피질(vmPFC) 손상 환자들이다. 이들은 지능검사, 언어, 논리 퍼즐에서는 큰 문제가 없어 보이지만, 현실에서는 사소한 선택조차 제대로 내리지 못하거나 금융·사회적 판단에서 반복적으로 나쁜 결정을 내리는 경우가 있다. 논리적 사고 능력이 남아 있어도, 감정·신체 상태·가치 신호를 통합하는 축이 깨지면 현실적 의사결정이 크게 손상될 수 있다는 점을 보여준다.
이를 기계학습 언어로 바꾸면 다음과 같이 볼 수 있다.
vmPFC = 장기 행동 궤적에 대한 value function 근사기
vmPFC 계열의 역할은 지금 이 방향이 대체로 괜찮은지, 위험한지, 사회적·장기적 관점에서 이득인지 손해인지를 평가하는 것이다. 중요한 점은 이 평가가 딱 떨어지는 외부 보상이 없어도 이루어진다는 데 있다. 몸의 상태, 기억, 맥락, 사회적 신호, 장기 목표를 종합해 현재 trajectory를 평가하는 내부 모듈에 가깝다.
수츠케버가 이런 논점을 반복적으로 강조하는 이유는 분명하다. 인간의 효율적 학습과 일반화에는 논리 모듈만 필요한 것이 아니다. 감정과 가치 신호를 통합하는 인간적 가치함수가 함께 작동해야 한다.
현재 AI 모델은 여전히 외부에서 주어지는 정답, 라벨, 보상, 인간 피드백에 크게 의존한다. 모델 내부에는 “지금 내가 잘 가고 있는지”, “잠깐 멈춰야 하는지”, “이 방향이 장기적으로 괜찮은지”를 스스로 평가하는 견고한 가치함수가 부족하다. 반면 인간은 적은 데이터만 보고도 대략적인 방향을 잡고, 감정과 직관을 통해 자신의 행동 궤적을 계속 재평가하며 학습 방향을 수정한다.
그래서 다음 단계의 AI에는 프리트레이닝과 스케일링을 넘어, 인간식 value function과 continual learning이 필요하다는 문제의식이 제기된다. 여기서 말하는 더 인간적인 value function은 위험, 호기심, 사회적 승인, 자기 일관성, 장기 목표 같은 여러 저차원 휴리스틱 value를 조합해 고차원 세계 상태를 저차원 가치 공간으로 압축하고, 그 좌표를 통해 현재 행동 경로가 좋은 방향인지 나쁜 방향인지 안내하는 내부 함수에 가깝다.
이 문제의식은 주식시장과 현실 물리세계의 한계를 이해하는 데 중요하다. AI가 구조화된 데이터를 토큰화하고 학습하는 능력은 빠르게 발전하고 있지만, 불확실하고 비연속적이며 사회적 맥락과 장기 결과가 얽힌 영역에서는 단순한 패턴 인식만으로 충분하지 않다. 그 영역에서는 인간이 가진 감정, 신체감각, 기억, 맥락 판단, 장기적 가치 평가와 유사한 기능이 여전히 중요하게 작동한다.
9. 투자 관점에서 본 AI 산업 구조
이 변화는 투자 관점에서도 중요하다. AI 산업을 모델 기업이나 챗봇 서비스로만 보면 전체 그림을 놓치기 쉽다. 실제 투자 사이클은 훨씬 넓고, 여러 산업 레이어에 걸쳐 형성된다.
젠슨황이 말한 AI 산업의 구조는 크게 다섯 개 층으로 나눌 수 있다.
이 구조에서 중요한 점은 AI 투자가 어느 한 지점에만 집중되지 않는다는 것이다. AI가 모든 산업 위에 새로운 레이어로 올라갈수록 투자 기회는 전력 인프라, 반도체, 네트워크, 데이터센터, 모델, 소프트웨어, 로봇, 자동화 전반으로 확장된다.
특히 AI가 구조화된 모든 영역을 토큰화하고 지능화할수록, 산업별 AI 모델과 애플리케이션의 중요성은 커진다. 언어 모델만이 아니라 단백질 모델, 세포 모델, 제조 모델, 금융 모델, 물류 모델, 로봇 모델이 각각의 산업에서 새로운 생산성 레이어로 작동하게 된다.
다만 수츠케버의 value function 논점을 함께 고려하면, 투자 관점에서도 구분이 필요하다. 구조화된 데이터를 빠르게 처리하는 영역에서는 AI가 곧바로 생산성을 높일 수 있지만, 장기적 맥락과 사회적 반응, 불확실한 결과를 종합해야 하는 영역에서는 AI가 완전한 대체재보다 판단 보조 레이어로 먼저 확산될 가능성이 크다.
10. 주식 자본시장은 AI가 쉽게 장악하기 어려운 예외 영역이다
젠슨황의 논리는 구조화되어 있고 예측 가능한 모든 영역은 컴퓨터가 이해할 수 있도록 수치화할 수 있고, 이를 토큰화해 학습과 추론의 대상으로 만들 수 있다는 데 있다. 언어, 단백질, 세포, 로봇, 제조공정, 물류망처럼 일정한 구조와 반복성이 존재하는 영역은 AI가 학습하기에 적합하다. AI는 이 세계를 숫자와 토큰으로 바꾸고, 토큰 사이의 관계를 학습하며, 그 위에서 추론과 행동을 생성한다.
그러나 이 논리를 모든 영역에 동일하게 적용하기는 어렵다. 특히 주식 자본시장은 AI 확산이 상대적으로 까다로운 영역이다. 주식시장은 단순히 데이터를 많이 넣으면 예측 가능한 결과가 나오는 닫힌 시스템이 아니다. 시장은 수많은 투자자, 기업, 정책, 유동성, 금리, 지정학, 심리, 포지셔닝이 동시에 작용하는 동역학적 시스템이다.
주식시장의 첫 번째 특징은 비연속성이다. 기업 실적, 금리, 환율, 규제, 지정학 이벤트, 기술 변화, 유동성 충격은 연속적인 패턴으로만 움직이지 않는다. 어느 순간 시장의 해석 체계가 바뀌고, 기존에 작동하던 변수의 설명력이 약해지는 경우가 많다. AI가 과거 데이터를 학습하더라도, 시장의 국면이 바뀌면 과거의 패턴은 더 이상 유효하지 않을 수 있다.
두 번째 특징은 비구조성이다. 제조공정이나 물류망은 비교적 명확한 입력과 출력, 병목과 최적화 목표가 존재한다. 반면 주식시장은 숫자뿐 아니라 뉴스, 정책 발언, 기업의 뉘앙스, 시장 참여자의 포지셔닝, 기대치, 서사 변화가 가격에 반영된다. 이 정보들은 정량화할 수는 있지만, 항상 안정적인 구조를 갖고 반복되지는 않는다.
세 번째 특징은 적시성이다. 자본시장에서 중요한 것은 단순히 맞는 정보를 아는 것이 아니라, 남들보다 먼저 알고, 더 빠르게 해석하고, 가격에 반영되기 전에 행동하는 것이다. AI가 어떤 정보를 정확하게 분석하더라도, 그 정보가 이미 시장 가격에 반영되어 있다면 초과수익으로 이어지기 어렵다. 자본시장은 정답을 맞히는 게임이라기보다, 기대와 가격의 차이를 시간 안에 포착하는 게임에 가깝다.
네 번째 특징은 반사성이다. 시장 참여자들이 AI를 사용하기 시작하면, AI의 판단 자체가 시장 가격에 영향을 준다. 많은 투자자가 비슷한 데이터를 보고 비슷한 모델을 사용하면, AI가 발견한 패턴은 빠르게 가격에 반영되거나 사라질 수 있다. 이는 주식시장이 단순한 예측 문제가 아니라, 예측이 대상의 움직임을 바꾸는 반사적 시스템이라는 뜻이다.
여기에 수츠케버의 value function 관점을 더하면 자본시장의 예외성은 더 분명해진다. 주식시장은 단순히 정보 처리 능력만으로 이기는 게임이 아니다. 불완전한 정보 속에서 현재의 포지션이 위험한지, 시장의 해석 체계가 바뀌었는지, 남들이 아직 보지 못한 기대 변화가 있는지, 장기적으로 버틸 수 있는 판단인지 계속 평가해야 한다. 이는 장기 행동 궤적에 대한 가치 평가와 연결된다.
즉, 좋은 투자 판단은 단순한 예측 모델이라기보다 일종의 value function에 가깝다. 지금의 선택이 단기적으로 손실을 낼 수 있어도 장기적으로 유효한지, 반대로 단기적으로 맞아 보이지만 위험 보상이 맞지 않는지, 시장의 정서와 포지셔닝이 어느 방향으로 기울었는지를 종합해야 한다. 이런 판단에는 데이터 처리뿐 아니라 맥락, 경험, 위험 감각, 자기 일관성, 시간 지평이 함께 작동한다.
따라서 AI가 주식시장에 확산되지 않는다는 의미는 아니다. 오히려 AI는 리서치, 공시 분석, 컨퍼런스콜 요약, 실적 모델링, 밸류에이션 비교, 뉴스 모니터링, 리스크 관리, 포트폴리오 점검 같은 영역에서는 빠르게 확산될 수 있다. 이 영역들은 상대적으로 구조화되어 있고 반복적인 업무가 많기 때문이다.
다만 AI가 곧바로 초과수익을 안정적으로 창출하는 완전 자율 투자자가 되기는 어렵다. 자본시장은 구조화된 산업 데이터와 달리, 비연속적 이벤트와 기대 변화가 가격을 크게 흔든다. 그래서 AI는 주식시장에서 인간을 대체하는 절대적 판단자라기보다, 정보 처리 속도를 높이고, 놓치는 변수를 줄이며, 시나리오 사고를 보조하는 분석 레이어로 먼저 자리 잡을 가능성이 높다.
이 점에서 주식 자본시장은 젠슨황의 AI 확산 논리 안에서도 중요한 예외 조건을 제공한다.
구조화되고 예측 가능한 영역일수록 AI는 생산성 레이어로 빠르게 확산된다. 반대로 비연속적이고, 동역학적이며, 적시성과 반사성이 강한 영역일수록 AI는 의사결정의 대체재가 아니라 보조재로 작동할 가능성이 크다.
결국 AI 시대의 자본시장 분석에서 중요한 질문은 “AI가 주식을 맞힐 수 있는가”가 아니다. 더 중요한 질문은 어떤 영역은 토큰 지능화가 가능하고, 어떤 영역은 여전히 인간의 해석과 가치 판단이 필요한가이다. 주식시장은 바로 이 경계선에 있는 영역이다.
11. 현실 물리세계도 인간적 가치함수가 필요한 영역이다
주식시장과 함께 현실 물리세계도 AI가 완전히 대체하기 어려운 특징을 가진다. 로봇, 자율주행, 의료, 돌봄, 교육, 군사, 산업 현장처럼 실제 세계에서 행동해야 하는 영역은 단순한 정보 처리 문제가 아니다.
현실 물리세계에서는 행동의 결과가 되돌릴 수 없는 경우가 많다. 로봇이 물건을 잘못 집거나, 자율주행차가 판단을 잘못하거나, 의료 시스템이 환자의 상태를 잘못 해석하면 단순한 예측 오류를 넘어 실제 손실과 위험으로 이어질 수 있다. 이 영역에서는 정확도뿐 아니라 위험 회피, 상황 판단, 사회적 맥락, 장기적 결과가 함께 중요해진다.
이 지점에서 더 인간적인 value function의 필요성이 다시 드러난다. 인간은 현실 세계에서 행동할 때 모든 경우의 수를 계산하지 않는다. 대신 몸의 감각, 과거 경험, 사회적 신호, 위험 감각, 직관을 종합해 지금 이 행동이 괜찮은지 판단한다. 이 판단은 완벽하지 않지만, 복잡한 현실에서 빠르게 방향을 잡게 해준다.
AI가 현실 물리세계로 확장되려면 단순히 더 많은 데이터를 학습하는 것만으로 충분하지 않을 수 있다. 필요한 것은 현재 행동 궤적이 안전한지, 사회적으로 적절한지, 장기적으로 바람직한지를 계속 평가하는 내부 가치함수다.
그래서 로봇, 자율주행, 의료, 주식시장처럼 불확실성과 결과의 비가역성이 큰 영역에서는 AI가 곧바로 인간을 완전히 대체하기보다, 인간의 판단을 보조하고 증폭하는 형태로 먼저 자리 잡을 가능성이 크다. 이 영역들은 모두 외부 보상이 명확하지 않고, 장기 trajectory 평가가 중요하며, 맥락에 따라 옳은 행동이 달라지는 영역이기 때문이다.
12. AI 혁명의 본질은 자동화가 아니라 세계의 재표현이다
AI 혁명을 단순한 자동화로 이해하면 본질을 놓치게 된다. AI의 더 큰 의미는 세계를 컴퓨터가 이해할 수 있는 방식으로 다시 표현하는 데 있다.
현실 세계의 언어, 이미지, 움직임, 세포, 단백질, 거래, 공정, 물류, 기후, 로봇 동작은 모두 각자의 구조를 가진다. AI는 이 구조를 숫자와 토큰으로 바꾸고, 그 관계를 학습하며, 그 위에서 추론과 행동을 생성한다.
따라서 AI 혁명의 본질은 다음과 같다.
AI는 세계를 토큰으로 재표현하고, 그 토큰을 지능으로 바꾸며, 그 지능을 다시 현실 세계의 행동으로 연결하는 기술이다.
이 과정이 산업 전반으로 확장되면 AI는 인간 사회와 경제 시스템 위에 새로운 레이어로 자리 잡게 된다. 이 레이어는 정보를 보여주는 데 그치지 않고, 판단하고, 예측하고, 실행하는 역할을 맡는다.
다만 모든 영역이 같은 속도와 방식으로 AI에 흡수되지는 않을 것이다. 제조, 물류, 로봇, 헬스케어처럼 구조화된 영역에서는 AI가 빠르게 생산성 도구가 될 수 있다. 반면 주식 자본시장이나 현실 물리세계처럼 비연속적이고 반사성이 강하며, 장기 가치 판단이 중요한 영역에서는 AI가 인간의 해석을 대체하기보다 분석의 속도와 범위를 확장하는 보조 지능으로 먼저 자리 잡을 가능성이 크다.
13. 결론: 보는 기계에서 지능 공장으로, 그리고 인간 판단의 경계로
페이페이 리는 지능이 세계를 보는 능력에서 시작된다고 설명한다. 생명체는 빛을 감지하면서 세계를 인식했고, 시각은 신경계와 결합해 통찰과 이해로 발전했으며, 이해는 행동으로 이어졌다.
젠슨황은 그 다음 단계를 설명한다. 기계가 세계를 보고 이해하는 데서 끝나지 않고, 구조화되고 예측 가능한 모든 영역을 토큰화해 학습하고 추론하며 행동으로 연결하는 산업 시스템이 필요하다고 말한다. 이 시스템이 바로 AI Factory다.
수츠케버의 문제의식은 여기에 또 하나의 층위를 더한다. AI가 세계를 토큰화하고 추론할 수 있어도, 현실에서 제대로 행동하려면 더 인간적인 value function이 필요하다. 감정, 신체 신호, 기억, 사회적 맥락, 장기 목표를 통합해 현재의 행동 궤적이 괜찮은지 평가하는 기능이 없으면, AI는 복잡한 현실 세계에서 안정적으로 판단하기 어렵다.
결국 세 사람의 메시지는 하나의 흐름으로 이어진다.
페이페이 리가 AI의 ‘눈 뜸’을 설명했다면, 젠슨황은 그 눈이 신경계와 행동기관으로 확장되고, 모든 산업 위에 새로운 지능 레이어로 올라가는 과정을 설명한다. 수츠케버는 그 지능이 현실 세계에서 제대로 행동하려면 인간적인 가치함수가 필요하다는 점을 짚는다.
현재 AI는 생명체가 처음 빛을 감지했던 순간과 닮아 있다. 동시에 AI는 이미 신경계를 만들고, 도구를 사용하며, 행동기관을 얻는 단계로 빠르게 이동하고 있다.
앞으로의 핵심은 세상의 모든 구조화된 영역을 컴퓨터가 이해할 수 있는 형태로 수치화하고, 이를 학습 가능한 토큰으로 바꾸며, 그 위에서 추론과 행동을 생성하는 것이다. 이 과정이 충분히 확장되면 AI는 특정 산업의 보조 도구가 아니라, 전 산업 위에 자리 잡는 새로운 지능 인프라가 된다.
하지만 주식 자본시장과 현실 물리세계는 이 흐름 속에서도 중요한 경계선을 보여준다. 시장은 참여자의 기대와 행동이 다시 가격을 바꾸는 동역학적 시스템이고, 현실 물리세계는 행동의 결과가 되돌릴 수 없는 경우가 많다. 이런 영역에서는 단순한 데이터 학습이나 패턴 인식보다, 장기 행동 궤적을 평가하는 인간적 가치함수가 중요하다.
AI 혁명은 결국 보는 기계의 탄생에서 시작해, 지능을 생산하는 공장과 산업 전체의 토큰 지능화로 확장되는 과정이다. 동시에 이 혁명은 인간 판단이 어디에서 여전히 필요한지를 다시 묻게 만든다. 주식시장과 현실 물리세계는 바로 그 질문이 가장 선명하게 드러나는 영역이다.
=끝
댓글 없음:
댓글 쓰기