AI 분야의 ‘날개짓하는 비행기’: “우리는 근본적으로 다른 접근 방식을 모색하고자 합니다”

최근 몇 달간 야심 찬 연구 중심의 AI 연구소들이 잇달아 등장했는데, 그중에서도 ‘Flapping Airplanes’는 가장 주목할 만한 곳 중 하나로 꼽힌다. 호기심 넘치는 젊은 창립자들이 이끄는 이 연구소는 데이터 소비량을 줄이면서도 AI를 훈련할 수 있는 방법을 찾는 데 전념하고 있다. 이러한 접근 방식은 AI 모델의 경제성과 성능을 근본적으로 재편할 수 있으며, 1억 8천만 달러의 시드 펀딩을 확보한 만큼 탐구할 여지도 충분하다.

지난주, 저는 이 연구소의 세 공동 창업자—벤과 애셔 스펙터 형제, 그리고 에이단 스미스—와 만나, 왜 지금이 새로운 AI 연구소를 설립하기에 매력적인 시기인지, 그리고 왜 그들이 인간 뇌에서 영감을 받은 아이디어로 계속 돌아가는지에 대해 이야기를 나누었습니다.

가장 뻔한 질문부터 시작해 보겠습니다. 왜 하필 지금인가요? OpenAI나 DeepMind 같은 연구소들은 모델의 규모를 확장하는 데 막대한 자원을 쏟아부었습니다. 경쟁이 꽤 위협적으로 느껴질 것 같습니다. 그럼에도 불구하고 지금이 파운데이션 모델 회사를 설립하기에 적절한 시기라고 생각한 이유는 무엇인가요?

벤: 아직 해야 할 일이 너무나 많습니다. 지난 5~10년 동안의 발전은 놀라웠습니다. 저희는 그 도구들을 정말 좋아합니다. 매일 사용하고 있으니까요. 하지만 문제는 이것이 이루어져야 할 일의 전부가냐는 점입니다. 우리는 이 문제를 신중하게 고민했고, 그 답은 ‘아니오’였습니다. 앞으로 해결해야 할 과제가 훨씬 더 많이 남아 있습니다. 우리에게 데이터 효율성 문제는 반드시 해결해야 할 핵심 과제로 보였습니다. 오늘날 최첨단 모델들은 사실상 인류의 모든 지식을 바탕으로 훈련되지만, 인간은 그보다 훨씬 적은 정보로도 잘 대처해 나갑니다. 그 격차는 엄청나며, 이를 이해하는 데는 충분한 가치가 있습니다.

우리가 하고 있는 일은 본질적으로 다음 세 가지에 대한 집중적인 도박입니다. 첫째, 데이터 효율성이 해결해야 할 올바른 문제라는 점 — 진정으로 새로운 방향이며 진전이 가능한 분야라는 점입니다. 둘째, 이 문제를 해결하는 것이 상업적으로 가치가 있을 뿐만 아니라 세상을 더 나은 곳으로 만들 것이라는 점입니다. 셋째, 이 과제를 수행하기에 적합한 팀은 창의적이면서도 어떤 면에서는 경험이 부족한, 즉 이러한 문제들을 처음부터 다시 검토할 용의가 있는 그룹이라는 점입니다.

에이단: 물론입니다. 저희는 완전히 다른 문제들에 집중하고 있기 때문에 다른 연구소들과 경쟁 관계에 있다고 보지는 않습니다. 인간의 마음을 보세요. 인간의 학습 방식은 트랜스포머와는 근본적으로 다릅니다. 반드시 더 낫다는 뜻은 아니지만, 그냥 매우 다를 뿐이죠. 그래서 우리는 다른 상충 관계를 보고 있습니다. 대규모 언어 모델(LLM)은 암기와 방대한 지식 활용에 탁월하지만, 새로운 기술을 빠르게 습득하는 데는 어려움을 겪습니다. 적응하기 위해서는 엄청난 양의 데이터가 필요하죠. 뇌의 내부 구조를 살펴보면, 뇌가 사용하는 알고리즘은 경사 하강법이나 현재의 다른 훈련 기법들과 근본적으로 다릅니다. 그래서 저희는 이러한 문제들을 해결하고 AI의 지형을 재고하기 위해 새로운 세대의 연구자들을 양성하고 있습니다.

애셔: 이 질문은 과학적으로 매우 흥미롭습니다. 우리가 구축한 지능형 시스템이 인간의 행동과 왜 이렇게 다른 것일까요? 그 차이는 어디에서 비롯된 것이며, 이를 활용해 더 나은 시스템을 구축할 수 있을까요? 동시에 저는 이것이 상업적으로도 실현 가능하고 세상에 유익하다고 믿습니다. 로봇공학, 과학적 발견, 심지어 기업용 애플리케이션에 이르기까지 많은 중요한 분야가 데이터 제약에 직면해 있습니다. 데이터 효율성이 백만 배 더 높은 모델이라면 경제에 통합하는 것도 백만 배 더 쉬워질 것입니다. 따라서 저희에게 새로운 관점을 취하는 것은 흥미로운 일이었습니다. 만약 데이터 효율성이 훨씬 더 높은 모델을 구축할 수 있다면, 그것으로 무엇을 할 수 있을까요?

테크크런치 파운더 서밋 2026: 티켓 판매 시작

6월 23일 보스턴에서 열리는 ‘테크크런치 파운더 서밋 2026’에는 1,100명 이상의 창업자들이 한자리에 모여 성장, 실행, 실제 비즈니스 확장이라는 주제에 대해 하루 종일 심도 있는 논의를 나눕니다. 업계를 이끌어온 창업자와 투자자들로부터 배워보세요. 비슷한 성장 단계를 겪고 있는 동료들과 교류하고, 즉시 적용할 수 있는 실질적인 전략을 얻어 가세요.

패스 구매 시 최대 300달러 할인 혜택을 받거나, 4인 이상 팀을 위한 단체 티켓으로 최대 30% 할인 혜택을 누리세요.

테크크런치 파운더 서밋: 티켓 판매 중

6월 23일 보스턴에서 열리는 ‘테크크런치 파운더 서밋 2026’에는 1,100명 이상의 창업자들이 한자리에 모여 성장, 실행, 그리고 실제 비즈니스 확장이라는 주제에 대해 하루 종일 심도 있게 논의합니다. 업계를 이끌어 온 창업자들과 투자자들로부터 배워보세요. 비슷한 성장 단계를 겪고 있는 동료들과 교류해 보세요. 행사 후 바로 적용할 수 있는 실질적인 전략을 얻어 가세요

패스 구매 시 최대 300달러를 절약하거나, 4인 이상 팀을 위한 단체 티켓으로 최대 30% 할인 혜택을 받으세요.

이 이야기는 제 다음 질문으로 이어지는데, 이는 ‘Flapping Airplanes’라는 이름과도 관련이 있습니다. AI 분야에서는 인간의 뇌 과정을 어느 정도까지 재현해야 하는지, 아니면 완전히 다른 경로를 따르는 더 추상적인 지능을 만들어야 하는지에 대한 철학적 논쟁이 있습니다. 에이든 씨는 인간의 뇌에 전적으로 초점을 맞춘 뉴럴링크(Neuralink) 출신입니다. 여러분은 AI에 대해 더 신경모방적인 관점을 추구할 계획이신가요?

에이든: 저는 뇌를 ‘존재 증명’으로 봅니다. 즉, 단 하나의 정설만이 존재하는 것이 아니라 다른 알고리즘들도 존재한다는 증거죠. 뇌는 엄청난 제약 조건 하에서 작동합니다. 활동 전위를 발생시키는 데 1밀리초가 걸리는데, 같은 시간 동안 컴퓨터는 무수한 연산을 수행할 수 있습니다. 따라서 뇌보다 훨씬 더 우수하고, 트랜스포머와는 완전히 다른 접근 방식이 분명히 존재할 것입니다. 우리는 뇌가 수행하는 몇 가지 기능에서 영감을 얻지만, 뇌에만 얽매이지는 않습니다.

벤: 거기에덧붙이자면 , 우리 이름인 ‘플래핑 에어플레인스(Flapping Airplanes)’에 그 의미가 담겨 있습니다. 현재의 시스템을 거대한 보잉 787 기종이라고 생각해 보세요. 우리는 새를 만들려는 게 아닙니다. 그건 너무 비약이니까요. 우리는 날개를 파닥거리는 비행기 같은 것을 만들려고 합니다. 컴퓨터 시스템의 관점에서 볼 때, 뇌와 실리콘의 제약 조건은 충분히 다르기 때문에 이 두 시스템이 결국 똑같이 보일 것이라고 기대해서는 안 됩니다. 기판이 이토록 다르고, 연산 비용, 국소성, 데이터 이동과 관련된 절충점도 매우 다르기 때문에, 이 시스템들은 자연스럽게 약간 다르게 보일 것입니다. 하지만 그렇다고 해서 뇌에서 영감을 얻거나, 흥미로운 부분을 활용해 우리 시스템을 개선해서는 안 된다는 뜻은 아닙니다.

이제 연구실들이 단순히 제품을 개발하는 것보다 연구에 집중할 수 있는 여지가 더 넓어진 것 같습니다. 이는 현세대 연구실들에게 큰 변화로 느껴집니다. 어떤 곳은 연구에 매우 집중하고 있고, 다른 곳은 “당분간은 연구에 집중하고 있다”는 입장입니다. ‘Flapping Airplanes’ 내부에서는 이러한 논의가 어떻게 진행되고 있나요?

애셔: 구체적인 일정을 말씀드릴 수 있다면 좋겠네요. “3년 안에 연구 과제를 해결하고, 이렇게 상용화할 예정입니다”라고 말할 수 있다면 좋겠지만, 그럴 수는 없습니다. 우리도 정답을 모르니까요. 우리는 진실을 찾고 있습니다. 그렇긴 하지만, 우리에게는 상업적 배경이 있습니다. 저는 상당한 수익을 창출하는 기업들을 위해 기술을 개발한 경험이 있습니다. 벤은 상업적 기반을 갖춘 스타트업을 육성해 왔고, 우리 모두 상용화를 진심으로 기대하고 있습니다. 창출된 가치를 그것을 활용할 수 있는 사람들의 손에 넘겨주는 것이 세상에 이롭다고 생각하기 때문입니다. 그러니 상업화에 반대하는 건 아닙니다. 다만 연구부터 시작해야 한다는 것뿐입니다. 만약 대기업과의 대규모 계약을 먼저 체결한다면, 본래의 목표에서 벗어나 가치 있는 연구를 제대로 수행하지 못할 것이기 때문입니다.

에이든: 맞아요. 우리는 완전히 색다른 것들을 시도하고 싶고, 때로는 급진적인 아이디어가 현재의 패러다임보다 더 나쁠 수도 있죠. 우리는 장기적으로 성과를 낼 수 있기를 바라며, 다양한 상충 관계들을 탐구하고 있습니다.

벤: 기업은 한 가지를 제대로 하는 데 진정으로 집중할 때 최상의 성과를 내죠, 그렇죠? 대기업은 여러 가지를 동시에 할 여유가 있습니다. 스타트업은 가장 가치 있는 한 가지를 골라 전력을 다해야 합니다. 당분간은 근본적인 문제 해결에 전념할 때 우리가 가장 큰 가치를 창출할 수 있습니다.

사실 저는 조만간 현실 세계에서 실질적인 성과를 거둘 만큼 충분한 진전을 이룰 수 있을 것이라고 낙관하고 있습니다. 현실 세계의 피드백을 통해 많은 것을 배울 수 있죠. 세상의 놀라운 점은 끊임없이 우리에게 가르침을 준다는 것입니다. 세상은 언제든 들여다볼 수 있는 거대한 진리의 보고와도 같습니다. 최근 이러한 구조에 대한 경제 및 자금 조달 환경의 변화 덕분에 기업들이 자신들이 잘하는 일에 더 오랫동안 집중할 수 있게 되었다고 생각합니다. 바로 그 집중력—제가 가장 기대하는 부분입니다—이 우리가 진정으로 차별화된 성과를 낼 수 있게 해줄 것입니다.

제가 생각하기에 당신이 언급하고 계신 내용을 좀 더 구체적으로 설명하자면, AI에 대한 열기가 워낙 뜨거워서 투자자들은 페이팔에서 막 퇴사한, 매우 똑똑하고 아주 젊은 인재들로만 구성된 신생 기업에 1억 8천만 달러의 시드 자금을 기꺼이 투자하고 있습니다. 그 과정에 참여하는 건 어땠나요? 처음부터 그런 투자 열기가 있다는 것을 알고 계셨나요, 아니면 예상보다 더 큰 규모로 사업을 키울 수 있다는 사실을 뒤늦게 깨달으셨나요?

벤: 두 가지가 모두 섞여 있었죠. 몇 달 동안 시장이 뜨거웠기 때문에 대규모 투자 라운드가 성사될 것이라는 사실은 비밀이 아니었습니다. 하지만 자금 조달 환경이 여러분의 구체적인 아이디어에 어떻게 반응할지는 결코 알 수 없는 법이죠. 다시 말해, 세상이 주는 피드백을 받아들여야 합니다. 자금 조달 과정 중에도 우리는 많은 것을 배우고 아이디어를 수정했으며, 상용화를 위한 우선순위와 일정을 다듬었습니다.

우리의 메시지가 이렇게까지 큰 반향을 일으킬 줄은 다소 놀랐습니다. 우리에게는 분명했지만, 다른 사람들도 똑같이 믿어줄지, 아니면 우리가 미쳤다고 생각할지는 알 수 없는 일이었으니까요. 우리의 메시지에 진심으로 공감하며 “네, 바로 이것이 우리가 찾던 것입니다”라고 말해 준 훌륭한 투자자 그룹을 만난 것은 정말 큰 행운이었습니다. 그건 놀라울 정도로 멋진 경험이었습니다.

에이단: 네, 연구의 시대를 향한 갈망이 한동안 공기 중에 감돌고 있었죠. 점점 더 우리는 그 시대를 추구하고 이러한 급진적인 아이디어를 시도할 주체로 자리매김하고 있습니다.

적어도 규모 확장에 주력하는 기업들의 경우, 파운데이션 모델의 진입 장벽은 엄청납니다. 그 규모의 모델을 구축하는 데는 엄청난 연산 자원이 필요하니까요. 연구는 그 중간 어딘가에 위치합니다. 파운데이션 모델을 구축하고 있긴 하겠지만, 데이터 양이 적고 규모 확장에 그다지 초점을 두지 않는다면 어느 정도 여유가 생길 수도 있겠죠. 컴퓨팅 비용이 귀사의 운영 기간을 얼마나 제한할 것으로 예상하시나요?

벤: 심도 있고 근본적인 연구의 장점 중 하나는, 역설적이게도 점진적인 작업을 하는 것보다 정말 기발하고 급진적인 아이디어를 시도하는 것이 훨씬 저렴하다는 점입니다. 점진적인 작업의 경우, 효과가 있는지 확인하려면 확장 단계의 상단까지 올라가야 합니다. 많은 소규모 개입은 대규모로 확장했을 때 지속되지 않기 때문입니다. 그건 비용이 많이 듭니다. 하지만 아키텍처 최적화기에 대한 파격적인 새로운 아이디어가 있다면, 어차피 첫 실행에서 실패할 가능성이 높으므로 규모를 확대할 필요가 없습니다. 이미 작동하지 않는 상태라면, 그건 오히려 좋은 일입니다.

그렇다고 해서 규모가 우리에게 무관하다는 뜻은 아닙니다. 규모는 도구 상자 속의 중요한 도구입니다. 우리의 아이디어를 확장할 수 있는 능력은 분명 중요합니다. 따라서 저는 우리를 ‘규모’의 정반대편에 서 있는 존재로 규정하지는 않겠습니다. 하지만 대규모를 고려하기 전에 아주 작은 규모로 수많은 아이디어를 시도해 볼 수 있다는 점은 우리 작업의 훌륭한 측면입니다.

애셔: 네 , 인터넷 전체를 사용할 수는 있어야 하지만, 꼭 그럴 필요는 없어야 합니다. 인간 수준의 지능을 달성하기 위해 인터넷 전체를 사용해야 한다는 점이 저희에게는 정말 의아합니다.

그렇다면, 데이터를 더 효율적으로 학습시킬 수 있다면 어떤 것이 가능해질까요? 아마도 모델은 더 강력하고 지능적이 될 것입니다. 그것이 어떤 결과로 이어질지에 대해 구체적인 생각이 있으신가요? 분포 외 일반화 능력이 향상되는 것을 말하는 건가요, 아니면 적은 경험으로도 특정 과제를 더 잘 수행하는 모델이 되는 것을 말하는 건가요?

애셔: 우선 , 우리는 과학 연구를 하고 있기 때문에 정답을 알 수는 없습니다. 하지만 세 가지 가설을 제시해 드릴 수 있습니다. 제 첫 번째 가설은 단순히 통계적 패턴을 찾는 것과 깊은 이해를 갖는 것 사이에는 광범위한 스펙트럼이 존재한다는 것입니다. 현재 모델들은 그 스펙트럼의 어딘가에 위치해 있습니다. 깊은 이해에 완전히 도달한 것은 아니지만, 단순히 패턴 매칭에 그치는 것도 분명 아닙니다. 데이터가 적은 상태에서 훈련을 진행하면 모델이 본 모든 것에 대해 놀라울 정도로 깊은 이해를 발전시켜야 할 수도 있습니다. 그러면 모델이 흥미로운 방식으로 더 지능적으로 변할 수 있습니다. 아는 사실은 적을지 몰라도 추론 능력은 더 뛰어나질 수 있죠. 이것이 첫 번째 가설입니다.

또 다른 가설은 여러분이 언급하신 내용과 유사합니다. 현재는 데이터가 너무 많이 필요하기 때문에 모델에 새로운 능력을 가르치는 데 운영적, 금전적 측면에서 모두 비용이 많이 듭니다. 우리 연구의 결과 중 하나는 훈련 후 단계의 효율성이 획기적으로 향상되어, 단 몇 가지 예시만으로도 모델을 새로운 영역에 적용할 수 있게 되는 것입니다.

또한 이를 통해 AI의 새로운 적용 분야가 열릴 가능성도 있습니다. 예를 들어, 로봇 공학의 경우 어떤 이유에서인지 아직 상업적으로 성공하지 못하고 있습니다. 저는 이것이 하드웨어 문제가 아니라 데이터 부족 문제라고 생각합니다. 로봇을 원격으로 조작할 수 있다는 사실 자체가 하드웨어가 충분히 훌륭하다는 증거이기 때문입니다. 과학적 발견과 같이 이와 유사한 분야가 많이 있습니다.

벤: 한 가지 더 자세히 살펴보고 싶은 점이 있습니다. AI의 영향을 생각할 때, 이를 ‘디플레이션적 기술’로 보는 관점이 있습니다. 즉, 일자리를 자동화하고, 노동 비용을 낮추며, 경제에서 일자리를 줄인다는 것이죠. 그런 현상은 분명히 일어날 것입니다. 하지만 제 생각에, 그것이 가장 흥미로운 비전은 아닙니다. 가장 흥미로운 비전은 AI가 인간이 스스로 생각해 낼 만큼 똑똑하지는 않지만 다른 시스템이라면 해낼 수 있는 새로운 과학과 기술을 우리가 구축하도록 돕는 것입니다.

그런 측면에서, 애셔가 언급한 ‘진정한 일반화’와 ‘암기 또는 보간’ 사이의 축은 의학과 과학의 발전을 이끄는 심층적인 통찰을 얻는 데 매우 중요합니다. 모델이 그 스펙트럼에서 창의성 쪽에 위치하는 것이 매우 중요합니다. 제가 우리 연구에 대해 그토록 흥분하는 이유 중 하나는, 개별적인 경제적 영향 너머로, 우리가 AI로 인간이 이전에는 근본적으로 할 수 없었던 일들을 해낼 수 있을지 여부에 대해 진정으로 사명감을 느끼기 때문입니다. 이는 단순히 “사람들을 대량으로 해고하자”는 것 이상의 의미입니다.

물론입니다. 그렇다면 AGI 논의, 특히 분포 외 일반화에 관해서는 어떤 입장에 서 계신 건가요?

애셔: 솔직히 AGI가 정확히 무엇을 의미하는지 잘모르겠습니다 . 능력은 빠르게 발전하고 있고, 엄청난 경제적 가치가 창출되고 있습니다. 하지만 우리가 ‘상자 속의 신(God-in-a-box)’에 가까워졌다고 생각하지는 않습니다. 2개월 후나 심지어 2년 후에 인간이 쓸모없어지는 ‘특이점’이 올 것이라고는 예상하지 않습니다. 저는 기본적으로 벤이 말한 내용에 동의합니다. 세상은 정말 넓고, 해야 할 일은 많으며, 우리는 그에 기여할 수 있어 기쁩니다.

음, 뇌와 신경모방 기술에 대한 이야기는 꽤 관련성이 있어 보이네요. LLM을 비교할 때 기계 터크(Mechanical Turk)나 그 이전의 결정론적 컴퓨터보다는 인간의 뇌와 비교하는 것이 더 적절하다는 말씀이시군요.

에이든: 강조하고싶은 점은 , 뇌가 한계가 아니라—여러 면에서 오히려 출발점이라는 것입니다. 뇌가 물리 법칙을 따르는, 이해할 수 있는 시스템이 아니라는 증거는 전혀 보이지 않습니다. 뇌는 수많은 제약 조건에 묶여 있죠. 따라서 장기적으로는 뇌보다 훨씬 더 흥미롭고, 다르고, 잠재적으로 더 뛰어난 능력을 만들어낼 수 있을 것으로 기대해야 합니다. 그것이 AGI라고 불리든 다른 이름으로 불리든, 우리는 그 미래에 기여할 수 있게 되어 기쁩니다.

애셔: 그리고 저는 뇌가 적절한 비교 대상이라고 생각합니다. 뇌를 통해 그 영역이 얼마나 광대한지 이해하는 데 도움이 되기 때문이죠. 모든 진전을 보고 “와, 우리가 해답을 찾았네, 거의 다 끝났어”라고 생각하기 쉽습니다. 하지만 한 걸음 물러서서 넓은 시각을 갖다 보면, 우리가 모르는 것이 아직 많이 있습니다.

벤: 우리는 단순히 더 나아지려고 하는 게 아닙니다. 우리는 달라지려고 노력하고 있습니다. 이것이 제가 강조하고 싶은 핵심입니다. 이 모든 시스템은 거의 틀림없이 각기 다른 상충 관계를 가질 것입니다. 어디선가 이점을 얻으면 다른 곳에서는 손해를 보게 마련입니다. 세상은 넓고, 각기 다른 상충 관계를 지닌 수많은 영역이 존재합니다. 이러한 다양한 영역을 다루는 더 많은 시스템과 기초 기술을 확보한다면, AI가 전 세계에 더 효과적이고 빠르게 확산될 수 있을 것입니다.

여러분이 차별화를 이룬 한 가지 측면은 채용 방식입니다. 아주 젊은 인재, 어떤 경우에는 아직 대학이나 고등학교에 재학 중인 학생들을 영입하고 있죠. 누군가와 대화를 나누다 보면 “이 사람이 이 연구 과제를 맡았으면 좋겠다”고 생각하게 만드는 결정적인 요소는 무엇인가요?

에이단: 누군가와 대화를 나누다 그 사람이 저를 매료시킬때입니다 . 그 사람은 수많은 새로운 아이디어를 가지고 있으며, 수천 편의 논문에 얽매이지 않았기 때문에 많은 기성 연구자들이 할 수 없는 방식으로 사고합니다. 우리가 가장 중요하게 보는 것은 창의성입니다. 우리 팀은 유난히 창의적이며, 매일 사무실에 출근해 완전히 다른 미래를 꿈꾸는 사람들과 함께 거대한 AI 문제에 대한 파격적인 해결책을 논의할 수 있다는 사실에 행운을 느낍니다.

벤: 제가 가장 중요하게 여기는 신호는 아마도 ‘그 사람과 시간을 보내면 새로운 것을 배울 수 있는가’ 하는 점일 겁니다. 만약 그 사람이 저에게 새로운 것을 가르쳐 준다면, 우리 업무에 대해서도 새로운 통찰을 줄 가능성이 높습니다. 연구를 할 때 창의적이고 새로운 아이디어가 최우선입니다.

제 학부 및 박사 과정 시절의 경험 중 하나는 ‘Prod’라는 인큐베이터를 설립하는 데 도움을 준 것이었는데, 이 인큐베이터는 이후 성공적으로 성장한 기업들과 협력했습니다. 그 과정에서 우리가 확인한 한 가지는 젊은이들도 업계 최상위권에서 충분히 경쟁할 수 있다는 점이었습니다. 이 잠재력을 발휘하는 데 있어 가장 중요한 부분은 바로 “그래, 나도 이 일을 해낼 수 있어”라고 깨닫는 것입니다. 여러분은 최고 수준에서 확실히 기여할 수 있습니다.

물론, 저희는 경험의 가치를 인정합니다. 대규모 시스템을 다뤄본 분들은 훌륭합니다. 저희는 그중 일부를 채용하기도 했으며, 다양한 분들과 함께 일하게 되어 기쁩니다. 저희의 사명은 경험 많은 분들에게도 공감을 불러일으킨 것 같습니다. 핵심은 패러다임을 바꾸는 것을 두려워하지 않고, 사물이 작동할 수 있는 새로운 시스템을 상상할 수 있는 인재를 원한다는 점입니다.

제가 계속 고민해 온 한 가지가 있습니다. 결과적으로 탄생할 AI 시스템은 얼마나 달라질 것이라고 생각하시나요? Claude Opus처럼 성능이 20% 더 좋아지고 처리 능력이 20% 더 늘어나는 정도는 쉽게 상상할 수 있습니다. 하지만 완전히 새로운 것이라면, 그것이 어떤 방향으로 나아갈지, 최종 결과가 어떻게 될지 상상하기 어렵습니다.

애셔: 혹시 GPT-4 기본 모델과 대화해 본 적이 있는지 모르겠지만, 그 모델에는 정말 기이한 새로운 기능들이 많이 나타났습니다. 예를 들어, 아직 작성되지 않은 블로그 게시물의 일부를 보여주며 누가 썼는지 물어보면, 정확히 알아맞히곤 했죠.

모델이 우리가 상상조차 할 수 없는 방식으로 똑똑해지는 이런 능력들이 많이 있습니다. 미래의 모델들은 훨씬 더 기이한 방식으로 더 똑똑해질 것입니다. 저는 미래가 정말 기이해질 것이며, 그 아키텍처는 훨씬 더 기이해질 것이라고 생각합니다. 우리는 데이터 효율성에서 점진적인 변화가 아닌 1000배의 도약을 추구하고 있습니다. 따라서 한계점에 도달했을 때, 마찬가지로 예측할 수 없고 낯선 변화와 기능들이 나타날 것으로 예상해야 합니다.

벤: 대체로 동의합니다. 다만 이러한 것들이 결국 세상에 어떻게 경험될지에 대해서는 제가 조금 더 신중한 입장입니다. 마치 GPT-4 기본 모델이 OpenAI에 의해 절제된 것처럼 말이죠. 소비자들이 심연을 응시하지 않도록 적절한 형태로 제시해야 합니다. 그 점이 중요합니다. 하지만 우리의 연구 과제가 현재 가능한 것과는 근본적으로 다른 역량을 구축하는 데 있다는 점에는 대체로 동의합니다.

대단하네요! 사람들이 ‘Flapping Airplanes’에 참여할 수 있는 방법이 있을까요? 아직 시기상조일까요, 아니면 연구 결과와 모델이 공개될 때까지 기다려야 할까요?

애셔: 그냥 인사만 하고 싶으시다면 [email protected]으로 연락해 주세요. 저희 의견에 반대하고 싶으시다면 [email protected]으로 연락해 주시면 됩니다. 사람들이 우리가 하는 일이 왜 불가능하다고 생각하는지에 대한 긴 글을 보내주며 정말 흥미로운 대화를 나눈 적이 있는데, 저희는 기꺼이 소통하고 있습니다.

벤: 하지만 아직 우리를 설득한 사람은 없어요. 아직까지 아무도 우리를 설득하지 못했죠.

애셔: 둘째, 저희는 이 분야와 세상을 바꾸고자 하는 뛰어난 인재를 찾고 있습니다. 관심이 있으시면 연락 주세요.

벤: 그리고 색다른 배경을 가지고 계시더라도 괜찮습니다. 박사 학위를 두 개나 가질 필요는 없습니다. 저희는 정말로 색다른 사고방식을 가진 분들을 찾고 있습니다.