실리콘밸리 프론티어 랩에서 온 이야기: xAI·TML 김성식님이 말한 AGI와 한국의 기회

Google DeepMind, xAI, Thinking Machines Lab을 거친 김성식님이 프론티어 랩의 실제 노동 강도와 일하는 방식, 그리고 AGI를 둘러싼 서로 다른 정의를 풀어놓았습니다.

TML은 사람을 대체하는 대신 사람과 협업하는 AI를 지향하며, 멀티모달리티와 Full Duplex로 사람처럼 소통하는 방향을 택했습니다.

한국은 트렌드 도입 속도와 압도적인 토큰 사용량 덕분에, 자체 모델을 만들지 않아도 글로벌 랩과의 협상력을 가질 수 있다는 진단이 나왔습니다.

이 글은 Bloom 행사에서 김성식님(Google DeepMind·xAI·Thinking Machines Lab)의 발표를 기반으로 작성됐습니다.

이날 연사는 흔치 않은 이력의 소유자였다. 노스웨스턴에서 컴퓨터과학을 전공하고 우버에서 커리어를 시작해, 구글 딥마인드의 AI 어시스턴트 팀과 바드 프로젝트를 거쳐, xAI의 100번째 멤버로 합류했고, 지금은 미라 무라티와 존 슐먼이 세운 Thinking Machines Lab에 있다. 한국에서는 AI 모델을 직접 만드는 사람을 만날 일이 드물다. 그래서 그의 경험 하나하나가 다르게 들렸다. 문을 연 건 AB180 남성필 대표였다. 주제는 AI 네이티브 조직, 기존 조직에 AI를 얹는 게 아니라 처음부터 AI를 중심으로 설계된 조직이었다. 사내 자동화 시스템 하나로 PR 800개를 처리했다는 숫자가 그 개념을 한 번에 설명했다.

xAI의 강도, 그리고 일론의 First Principles

구글과 xAI의 일상은 완전히 달랐다. 구글에서는 적게 일하면 주 20시간, 많아도 50시간을 넘긴 적이 없었고 입사 후 3주의 온보딩이 주어졌다. xAI는 첫날부터 달랐다. 컴퓨터 셋업에 30분을 쓰고 바로 팀에 합류했으며, 첫 과제는 논문 하나를 그날 밤까지 구현해 배포하라는 것이었다. 출퇴근이라는 개념이 없었고, 김성식님은 오전에 출근해 새벽 2~3시에 퇴근하는 생활을 이어갔다. Grok 3 론칭 당시 트위터에 돌던 텐트 사진은 실제였고, 본인도 그 안에서 잤다. 일주일에 서너 번은 회사에서 잠을 잤다고 한다. 힘들었지만 대학 도서관에서 밤새 프로젝트 하던 느낌이었고, 그 강도 속에서 오히려 사람들과 가까워졌다는 회고였다.

일론 머스크는 모든 팀을 일주일에 최소 한 번 직접 만났다. 임원 보고를 받는 대신 개발자 한 명 한 명을 지목해 지금 뭘 하는지 물었고, 최소 세 단계를 파고들었다.

왜 그렇게 했는지, 그래서 그게 무엇인지, 다음은 어떻게 되는지.

기술적으로 깊이 들어오는 사람이었다. 표현은 직설적이었고, 마음에 들지 않을 때는 거친 말도 서슴지 않았다. 그가 가장 싫어한 건 First Principles로 따졌을 때 맞지 않는 방향이었다. 자율주행이 대표적이다. 당시 대부분의 회사가 라이다와 레이더를 썼지만, 사람은 눈으로만 운전한다는 논리로 카메라 비전만 고집했다. 그때는 틀렸다는 사람이 많았지만 지금 보면 맞는 부분이 꽤 있다고 했다.

Macro Hard, 그리고 AGI의 서로 다른 정의

xAI에서 김성식님이 맡은 프로젝트는 Macro Hard였다. 이름부터 농담 같았다. 마이크로소프트는 하드웨어 없이 거의 순수 소프트웨어로 굴러가는 기업인데, AI가 사람의 개입 없이 그런 기업 하나를 대체할 수 있다면 그게 AGI라는 발상이었다. 그 반대 방향이라는 뜻에서 이름이 붙었다. 목표는 컴퓨터 앞에서 사람이 하는 모든 일을, 계획부터 실행까지 사람처럼 처리하는 디지털 사람 에뮬레이터였다. 단 두 명으로 시작했다.

이 프로젝트가 보여주듯, AGI의 정의는 랩마다 달랐다.

OpenAI는 모든 직업에서 해당 분야 전문가의 평균 수준을 AI가 수행할 수 있을 때로 본다. 일론의 기준은 Macro Hard 그 자체, 회사 하나가 사람 개입 없이 AI만으로 운영될 수 있을 때다.

데미스 하사비스의 기준은 또 달랐다. 아인슈타인이 특수상대성이론을 발견하던 때와 같은 조건을 AI에게 줬을 때 AI도 같은 발견을 해낸다면 AGI라는 것이다.

김성식님 본인의 진단은 이랬다. 지식과 논리는 이미 웬만한 사람을 앞설 수 있지만, 처음 보는 정보를 몇 번 만에 빠르게 배우는 능력과 대화를 이어가며 계속 배우는 컨티뉴얼 러닝, 이 제너럴리스트 영역에서 여전히 사람에 못 미친다는 것이다.

TML이 만들려는 것: 대체가 아니라 협업

김성식님은 Thinking Machines Lab의 방향이 다른 랩들과 다르다고 했다. 대부분의 랩이 사람을 대체하는 기술을 만든다면, TML은 사람과 AI가 협업하는 관계를 지향한다. 이번에 공개한 방향은 두 가지였다.

하나는 멀티모달리티다. 지금 우리가 AI를 쓸 때는 스크린샷을 붙이고 상황을 텍스트로 설명한 뒤 질문한다. 이미 이메일에 가까운 방식이다. 사람끼리는 서로 보고 들으며 필요하면 직접 보여주기도 한다. 그런 방식으로 훨씬 풍부한 맥락을 AI와 연결하겠다는 것이다.

다른 하나는 Full Duplex다. 지금 대부분의 AI는 턴 베이스라, 내가 말하면 상대가 받아 응답한다. 사람은 말하면서 끊기도 하고 듣는 동안 다른 생각을 하기도 한다. 그 방식을 AI에 넣겠다는 것이다. 김성식님은 아이언맨의 자비스를 예로 들었다. 자비스가 여러 면에서 토니 스타크보다 똑똑할 수 있지만 그렇다고 토니가 사라지지 않는다. 둘의 상호작용에서 아이언맨이 나온다. 특히 현실에서 움직이는 물리 AI에서는 Full Duplex가 더 중요해진다. 이메일은 기다려주지만, 도로 위의 차는 기다려주지 않기 때문이다.

모델이 모델을 학습시키는 시대

재귀적 자기개선(RSI)을 주제로 한 스타트업이 늘고 있다는 이야기도 나왔다. 방향은 두 갈래다. 하나는 연구자 없이 모델이 모델을 직접 학습시켜 스스로 개선되는 구조다. 다른 하나는 제품 쪽 RSI로, 에이전트가 제품을 만들어 배포하고 로그를 확인하고 버그와 요청을 보며 스스로 반복 개선하는 방식이다. 김성식님의 xAI 동료가 창업한 한 회사는 생산성 도구보다 친구처럼 대할 수 있는 AI 컴패니언 방향으로 5억 달러를 유치했다고 한다.

한국이 유리한 이유

김성식님이 한국에서 인상 깊게 본 건 트렌드를 빠르게 읽고 도입하는 속도였다. 실리콘밸리 친구들과도 자주 나누는 이야기라며, "DX"나 "AX" 같은 용어가 한국에서는 이미 널리 쓰이는데 미국에서는 들어본 적이 없다고 했다. 그 자체가 한국이 이 흐름에 얼마나 빠르게 올라타는지를 보여준다는 것이다.

숫자도 이를 뒷받침한다. 한국의 AI 토큰 사용량은 인구 대비 세계 1~2위 수준이다. 앤트로픽이 첫 해외 오피스를 한국에 내고 OpenAI도 한국 오피스를 운영하는 것이 단순한 상징이 아닌 이유가 여기 있다. 자체 파운데이션 모델이 꼭 필요하냐에는 정답이 없다고 했다. 다만 한국의 토큰 사용량이 기하급수적으로 높다면 글로벌 랩들은 한국 데이터에 맞게 모델을 학습시킬 수밖에 없다. 소버린 AI를 직접 만들지 않아도, 많이 쓰는 것 자체가 협상력이 된다는 논리였다. 기업 관점에서 이건 분명한 신호다. 지금의 높은 도입 속도와 사용량이 그 자체로 자산이라는 뜻이기 때문이다.

AGI 이후에도 사람이 남는 이유

모든 직업이 사라지기까지는 생각보다 오래 걸릴 것이라고 했다. 지금 Claude Code만 봐도 특정 태스크에서 웬만한 개발자를 앞서지만, 개발자를 더 붙일수록 생산성이 오르는 구조는 여전하다. 한 가지 기술을 평생 직장으로 삼던 시대가 지난 것이지, 사람이 쓸모없어진 게 아니다. AI와 협업하며 다른 분야로 넘어가는 유연함이 중요해졌을 뿐이다.

포스트-AGI 세계에서는 엔터테인먼트가 크게 성장할 것으로 봤다. AI가 빠르게 대체하는 영역은 맞고 틀림을 바로 판정할 수 있는 태스크다. 코딩은 테스트를 돌리면 결과가 나온다. 반면 어떤 영화가 명작인지 망작인지는 스펙으로 적기 어렵다. 그 판단 기준을 세울 수 있는 사람, 정성적 판단을 정의할 수 있는 사람의 역할이 그래서 더 중요해진다는 것이다.

소모임에서 나온 질문들

40분의 소모임은 짧았지만 밀도가 높았다.

한 노트 앱 창업자는 Macro Hard의 내부 목적 함수가 프로세스 정리 쪽일 줄 알았는데 모델 학습이라는 답에 놀랐다고 했고, 답은 다시 디지털 사람 에뮬레이터였다.

게임사 AI 리서처는 TML의 모델 구조를 물었고, System 1 레이어가 브레인 레이어를 호출하는 방식이라는 설명과 함께 여러 회사가 각자의 길로 AGI에 도달할 것이며 TML의 강점은 사람과의 상호작용이라는 답이 돌아왔다.

AI 필름 창작자는 AGI 이후 창작자가 가장 강하게 남는 영역을 물었고, 정성적 판단을 정의할 수 있는 사람이라는 답이 나왔다. 다른 테이블에서는 소버린 AI가 화제였다. AGI 수준의 AI는 핵무기처럼 무기화될 수 있어 공개되지 않을 것이고, 그래서 자립권 차원의 소버린 AI가 의미 있다는 이야기였다.

바둑을 예로 든 테이블도 있었다. AI가 이미 지나간 도메인인 바둑에서 최고 기사들은 여전히 잘 살고 상금도 그대로다. AI가 휩쓸고 간 도메인을 보면 우리의 미래를 엿볼 수 있다는 관점이었다.

기업이 가져갈 것

이날의 대화를 실무 언어로 옮기면 네 가지가 남는다.

1. First Principles로 되묻는다. 남들이 다 하는 방식이 아니라 근본 원리에서 맞는지를 세 단계까지 파고드는 질문이 방향을 가른다.
2. 협업형 AI를 전제로 설계한다. 대체가 아니라 사람과 AI가 함께 일하는 구조가 실제 생산성을 만든다.
3. 도입 속도와 사용량을 자산으로 본다. 한국의 높은 토큰 사용량은 그 자체로 글로벌 랩과의 협상력이 된다.
4. 정성적 판단 역량을 남긴다. 맞고 틀림으로 판정되지 않는 영역에서 기준을 세우는 사람의 몫이 커진다.

자주 묻는 질문 (FAQ)

Q. Thinking Machines Lab의 방향은 다른 랩과 어떻게 다른가요?

• 대부분의 프론티어 랩이 사람을 대체하는 기술을 만드는 반면, TML은 사람과 AI가 협업하는 관계를 지향합니다. 멀티모달리티와 Full Duplex로 사람처럼 소통하는 AI를 만드는 것이 핵심입니다.

Q. AGI의 정의는 왜 랩마다 다른가요?

• OpenAI는 모든 직업에서 전문가 평균 수준을, 일론 머스크는 회사 하나를 AI만으로 운영할 수 있을 때를, 데미스 하사비스는 아인슈타인급 발견을 재현할 수 있을 때를 AGI로 봅니다. 기준이 다르기 때문에 도달 시점 판단도 달라집니다.

Q. 한국이 AI에서 유리하다는 근거는 무엇인가요?

• 트렌드 도입 속도가 빠르고, 인구 대비 토큰 사용량이 세계 1~2위 수준입니다. 사용량이 높으면 글로벌 랩들이 한국 데이터에 맞춰 모델을 학습시킬 수밖에 없어, 자체 모델 없이도 협상력을 가질 수 있습니다.

Q. AGI 이후에도 사람이 남는 이유는 무엇인가요?

• 맞고 틀림으로 판정되지 않는 정성적 판단, 예를 들어 어떤 작품이 명작인지 가르는 기준을 세우는 일은 사람의 몫입니다. 또한 AI와 협업하며 다른 분야로 넘어가는 유연함이 중요해집니다.