"결국 어느 순간엔 뭔가를 믿어야 합니다" — 젠슨 황이 직접 설명하는 컴퓨팅 혁명의 전말

출처: Cleo Abram (Huge If True) — NVIDIA CEO Jensen Huang's Vision for the Future · 러닝타임 63분

"결국 어느 순간엔 뭔가를 믿어야 합니다. 우리는 컴퓨팅을 우리가 아는 방식 그대로 재발명했습니다." — 젠슨 황(Jensen Huang), NVIDIA CEO

테크 저널리스트 클레오 에이브럼(Cleo Abram)이 진행하는 '낙관적인 설명 영상' 채널 Huge If True가 엔비디아(NVIDIA) CEO 젠슨 황을 심층 인터뷰했다. 이 인터뷰는 여느 젠슨 황 인터뷰와 다르게 회사 재무나 경영 스타일, 규제·정치를 다루지 않는다. 대신 "어떻게 지금 여기까지 왔는가", "지금 실제로 무슨 일이 벌어지고 있는가", "다음에는 무엇이 올 것인가"라는 세 가지 질문을 중심으로, 컴퓨터를 전혀 모르는 사람도 이해할 수 있도록 30년에 걸친 컴퓨팅 혁명 전체를 젠슨 황의 육성으로 다시 짚는다. 1990년대 초 GPU의 발명부터 CUDA, 2012년 알렉스넷(AlexNet) 사건, 그리고 로봇과 디지털 생물학까지 이어지는 이 대화는 한 사람이 30년간 같은 신념을 어떻게 지켜왔는지를 보여주는 기록이다.

1. 오프닝: 인터뷰 방식과 오늘 대화의 구조 (00:00~03:42)

진행자 클레오는 이번 인터뷰가 다른 인터뷰들과 다를 것이라고 먼저 밝힌다. 회사 재무나 경영 스타일, "왜 1:1 미팅을 싫어하는지" 같은 질문, 규제나 정치 이야기는 하지 않겠다는 것이다. 대신 Huge If True 채널의 정체성대로 "기술로 어떻게 더 나은 미래를 만들 수 있는가"에 대한 공동 설명 영상을 만들고 싶다고 말한다. 채널은 초음속 비행기부터 양자컴퓨터, 입자가속기까지 다뤄왔고, 시청자 중에는 CPU와 GPU의 차이조차 모르는 각 분야 전문가부터 미래에 젠슨 황이 될지도 모를 12살 아이까지 있다는 것이다. 그래서 그는 세 가지 축으로 질문을 구성했다고 설명한다 — ① 어떻게 지금의 컴퓨팅 대전환에 이르렀는가, ② 그 통찰이 지금 우리가 사는 세상에 어떻게 이어졌는가, ③ 다음에는 무엇이 오는가.

2. 1990년대 초 GPU의 탄생 — 순차처리와 병렬처리를 모두 하는 컴퓨터 (03:42~05:00)

1990년대 초 창업 당시로 거슬러 올라가, 젠슨 황은 소프트웨어 프로그램 안의 단 몇 줄의 코드 — 전체의 10% 정도 — 가 전체 처리량의 99%를 차지하며, 이 99%는 병렬로 처리될 수 있다는 것을 관찰했다고 말한다. 반면 나머지 90%의 코드는 반드시 순차적으로 처리돼야 했다. 그렇다면 "완벽한 컴퓨터"란 순차처리와 병렬처리 둘 중 하나만 잘하는 게 아니라 둘 다 할 수 있는 컴퓨터라는 것이 그 시절의 핵심 통찰이었다. 그는 "일반 컴퓨터가 풀 수 없는 문제를 푸는 회사를 만들자"는 목표로 엔비디아를 시작했다고 밝힌다. 이것이 바로 엔비디아의 출발점이다.

3. 왜 게임을 첫 시장으로 택했나 — 기술과 시장의 플라이휠 (05:00~06:25)

진행자는 15년 전 엔비디아 유튜브 채널에 올라온 Mythbusters 영상을 언급한다. 로봇이 페인트볼을 하나씩 쏘는 것으로 CPU의 순차처리를, 거대한 로봇이 한 번에 모든 페인트볼을 쏘는 것으로 GPU의 병렬처리를 시각적으로 보여준 그 유명한 데모다. 왜 첫 시장으로 게임을 택했느냐는 질문에 젠슨 황은 세 가지를 꼽는다. 첫째, 3D 그래픽 처리에는 병렬처리가 필수였다. 둘째, 가상 세계 시뮬레이션이라는 응용 자체를 사랑했다. 셋째, 게임이 엔터테인먼트 사상 가장 큰 시장이 될 잠재력이 있다고 판단했고 실제로 그렇게 됐다. 큰 시장이 있어야 R&D 예산도 커지고, 그 예산으로 다시 새로운 기술을 만드는 "기술과 시장 사이의 플라이휠"이 엔비디아를 세계에서 가장 중요한 기술 기업 중 하나로 키운 원동력이었다는 것이다.

4. "GPU는 타임머신이다" (06:25~07:56)

젠슨 황이 즐겨 쓰는 표현 중 하나가 "GPU는 타임머신"이라는 것이다. 그는 한 양자화학 과학자가 자신에게 했던 말을 소개한다 — "젠슨, 엔비디아의 연구 덕분에 저는 제 생애 안에 제 필생의 연구를 끝낼 수 있게 됐어요." 원래대로라면 평생이 걸려도 못 끝낼 일을, GPU가 계산 속도를 획기적으로 높여준 덕분에 생애 안에 해낼 수 있게 됐다는 것 — 이것이 바로 시간여행이라는 것이다. 날씨를 예측하거나, 가상 도시에서 자율주행차를 시뮬레이션하는 것도 결국 미래를 미리 보는 시간여행이라고 그는 설명한다. 이 양자화학 연구자의 사례는 사실 당시 GPU를 그래픽 문제인 것처럼 속여서 계산에 활용해야 했을 만큼 우회적인 방법이었는데, 이 불편함이 바로 다음 이야기인 CUDA로 이어진다.

5. CUDA의 탄생 — 연구자의 우연한 발견과 내부의 절박함이 만난 지점 (07:56~11:04)

C언어처럼 프로그래머들이 이미 아는 언어로 GPU에 명령을 내릴 수 있게 해주는 플랫폼, CUDA는 어떻게 탄생했을까. 젠슨 황은 이것이 "열망과 영감, 그리고 절박함이 뒤섞인 수프"에서 나왔다고 표현한다. 외부에서는 매사추세츠 종합병원의 연구자들이 CT 영상 재구성에 그래픽 프로세서를 사용한 사례가 영감을 줬고, 내부에서는 비디오 게임의 가상 세계를 더 역동적으로 만들려는 — 물이 물처럼 흐르고 폭발이 폭발답게 보이려면 입자물리와 유체역학을 계산해야 하는데, 그래픽 전용 파이프라인만으로는 어렵다는 — 절박한 필요가 있었다. 이 두 흐름이 만나 CUDA가 탄생했다. 그가 회사 전체를 걸고 CUDA에 베팅한 근본적 이유는 단순했다 — 게임 시장이 워낙 컸기 때문에, 엔비디아의 GPU가 세계에서 가장 많이 팔리는 병렬 프로세서가 될 것이고, 그렇다면 이 아키텍처가 훨씬 많은 사람에게 도달할 좋은 기회가 있다고 본 것이다. "더 많은 사람이 더 많은 컴퓨팅 파워를 쓸 수 있게 하면, 그들이 놀라운 것을 만들어낼 것"이라는 낙관적인 베팅이었고, 실제로 그렇게 됐다.

6. 2012년 알렉스넷 사건 — 딥러닝이 GPU를 재발견하다 (11:04~14:56)

2012년, 이미지를 인식해 카테고리를 분류하는 유명한 대회에 세 명의 연구자 팀이 참가한다. 그들의 모델, 알렉스넷(AlexNet)은 경쟁작들을 압도적으로 눌렀다. 오답률을 이전 최고 기록 대비 크게 낮췄고, 이는 신경망이라는 AI 방식이었다. 젠슨 황은 이 순간을 "만들면 사람들이 안 올 수도 있다"는 냉소론과 "안 만들면 애초에 사람들이 올 수 없다"는 낙관론 사이에서, 후자를 택했던 결과라고 회고한다. 실제로 토론토 대학의 일리야 수츠케버(Ilya Sutskever), 알렉스 크리제프스키(Alex Krizhevsky), 제프리 힌턴(Geoff Hinton)이 CUDA를 알게 되어 지포스 GTX 580을 손에 넣었고, 이것이 알렉스넷 훈련을 위한 병렬 프로세서로 쓰일 수 있음을 발견했다는 것이다. 엔비디아 내부적으로도 마침 컴퓨터 비전 문제를 CUDA로 풀려다 좌절하고 있던 참이었는데, 알렉스넷이라는 완전히 다른 알고리즘이 컴퓨터 비전 능력에서 거대한 도약을 이뤄내는 것을 보고 크게 고무됐다고 말한다. 그리고 이때 결정적 질문을 던졌다 — "알렉스넷이 이 정도까지 할 수 있다면, 대체 어디까지 갈 수 있을까?" 만약 딥러닝 아키텍처가 스케일이 가능하다면, 머신러닝으로 풀 수 있는 문제의 범위가 컴퓨터 산업 전체를 재편할 만큼 방대해질 것이라는 결론에 이르렀고, 이는 컴퓨팅 스택 전체를 처음부터 다시 설계해야 한다는 판단으로 이어졌다.

7. 컴퓨팅 스택을 통째로 재설계하다 — DGX의 탄생 (14:56~16:07)

이 판단이 바로 DGX라는 AI 슈퍼컴퓨터의 출발점이었다. 젠슨 황은 IBM System 360이 현대적 범용 컴퓨팅을 도입한 지 65년이 지난 지금, 자신들이 "우리가 알던 방식 그대로의 컴퓨팅을 재발명했다"고 말한다. 순차처리 중심이던 게임용 그래픽 파이프라인에서 시작해, CUDA로 범용 병렬 컴퓨팅 플랫폼을 만들고, 다시 그 플랫폼 위에서 신경망과 머신러닝이 도약하는 계단식 혁신이 오늘날까지 이어지고 있는 것이다. 컴퓨터 비전, 음성 인식, 언어 이해처럼 과거에는 해법이 없어 절박하게 원했던 지능 관련 난제들이 몇 년 간격으로 하나씩 풀려나가는 광경이 펼쳐졌다는 것이다.

8. 10년의 베팅을 버티는 힘 — "핵심 신념"이라는 것 (16:07~19:32)

2012년 알렉스넷 이후 지금 이 순간까지 10년이 걸렸는데, 그 10년의 한복판은 어떤 느낌이었냐는 질문에 그는 "아마 오늘과 비슷했을 것"이라고 답한다. 항상 어떤 문제가 있고, 조급해질 이유도 있고, 지금 위치에 만족할 이유도 있고, 계속 나아갈 이유도 많다는 것이다. 그는 모든 일에서 먼저 핵심 신념을 가져야 하며, 이상적으로는 물리학의 원리나 산업·과학에 대한 깊은 이해에서 추론해야 한다고 말한다. "결국 어느 순간엔 뭔가를 믿어야 한다"는 것이다. 그 원칙과 가정이 바뀌지 않는 한 핵심 신념을 바꿀 이유도 없다는 것이 그의 태도다. "왜 그렇게 오래 그 믿음을 지켰냐"는 질문 자체가 뒤집어서 봐야 한다고 그는 말한다 — 믿지 않을 이유가 없었다는 것이다. 그는 30년 넘게 엔비디아를 믿어왔고 지금도 매일 출근한다며, 자신의 신념 체계를 바꿀 근본적인 이유가 없었고, 오히려 컴퓨팅을 혁신하는 이 작업이 예전보다 지금 더 진실에 가깝다고 느낀다고 말한다. 물론 아무도 믿어주지 않고 큰돈이 드는 일에 투자하며, 투자자들은 차라리 이익을 내거나 주가를 올리라고 하고 싶어 하는 힘든 시기도 분명 있었다. 하지만 자신의 미래를 믿고 투자해야 하며, 실제로 실현되기 전에 이미 수백억 달러를 투자했다고 말한다.

9. 젠슨 황의 3가지 핵심 신념 (19:32~24:07)

그 핵심 신념을 요약해달라는 요청에 그는 세 가지를 꼽는다. 첫 번째는 가속 컴퓨팅(accelerated computing) — 범용 컴퓨팅과 병렬 컴퓨팅, 이 두 종류의 프로세서를 함께 쓰는 방식이며 지금도 변함없이 믿는다고 말한다. 두 번째는 2012년 대중에게 알려진 심층신경망(DNN)이 다양한 종류의 데이터에서 패턴과 관계를 학습할 수 있으며, 모델과 데이터가 더 커질수록 더 정교한 특징을 배울 수 있다는 스케일링 법칙이다. 모델을 더 깊거나 넓게 만들기가 상대적으로 쉬운 데다, 규모가 커질수록 더 많은 지식을 배운다는 것이 경험적으로 참이었고, 물리적·아키텍처적·수학적 한계가 발견되지 않는 한 계속 스케일할 수 있다고 믿었다는 것이다. 세 번째는 데이터는 결국 인간 경험의 디지털 버전이라는 것 — 이미지에서 사물 인식을, 소리에서 언어를, 글자와 단어의 나열에서 문법과 어휘를 배울 수 있다는 것이 증명됐고, 따라서 텍스트를 텍스트로(요약), 텍스트를 다른 언어로(번역), 텍스트를 이미지로(생성), 이미지를 텍스트로(캡셔닝), 심지어 아미노산 서열을 단백질 구조로 번역할 수 있다는 것이다. 그는 "단어에서 영상으로 갈 수 있다면, 왜 단어에서 로봇을 위한 행동 토큰으로 가지 못하겠는가?"라고 되묻는다. 지난 10년이 'AI의 기초과학' 시대였다면, 다음 10년은 'AI의 응용과학' 시대가 될 것이라고 그는 전망한다 — 디지털 생물학, 기후기술, 농업, 어업, 로보틱스, 교통, 물류, 교육, 팟캐스팅까지 모든 영역에 AI를 응용하는 질문으로 넘어간다는 것이다.

10. 물리 세계로 들어온 AI — 로봇과 자율주행, 옴니버스·코스모스 (24:07~30:10)

진행자가 특히 관심 있어 하는 주제, "피지컬 AI" — 즉 휴머노이드 로봇부터 자율주행차, 스마트 빌딩, 자율 창고, 자율 잔디깎이까지 — 로 화제가 넘어간다. 최근까지 로봇은 손상 위험이 있는 실제 세계에서 훈련받거나, 모션캡처 수트를 입은 사람에게서 제한적인 데이터를 얻는 수밖에 없었다. 그런데 이제는 디지털 세계에서 로봇을 훈련시킬 수 있게 됐고, 이는 하루에 훨씬 더 많은 반복과 더 다양한 조건에서 훨씬 빠르게 학습한다는 것을 의미한다. 젠슨 황은 이를 챗GPT에 빗대어 설명한다. 챗GPT는 프롬프트로부터 텍스트를 생성하는 놀라운 능력을 보였지만, 너무 길게 말하거나 잘 모르는 주제를 이야기하면 "환각(hallucination)"을 일으키는 경향이 있었다. 이후 세대는 PDF를 업로드하거나 검색 결과로 "그라운드 트루스(ground truth)"를 부여받아 이 문제를 개선했다. 물리 세계에서도 마찬가지로, 로봇이 중력·마찰·관성·기하학적 공간 인식, 그리고 "눈을 돌렸다 다시 봐도 물체는 그 자리에 있다"는 대상 영속성, "기울이면 넘어진다"는 인과관계 같은 물리적 상식을 갖춘 월드 파운데이션 모델이 필요했다는 것이다. 그것이 바로 코스모스(Cosmos)이며, 챗GPT가 언어 모델이라면 코스모스는 '월드 모델'이다. 그리고 뉴턴 역학에 기반한 물리 시뮬레이터인 옴니버스(Omniverse)가 코스모스에 그라운드 트루스를 제공하는 역할을 한다. 이 둘의 결합으로 물리적으로 타당한 미래의 시나리오를 무한히 생성할 수 있게 됐다는 것이다. 공장의 로봇이 모든 경로를 배우려면 원래 며칠씩 걸리고 로봇 마모도 컸겠지만, 이제는 어둡거나 막힌 상황까지 포함해 디지털로 훨씬 빠르게 시뮬레이션할 수 있다.

11. "움직이는 모든 것이 로봇이 될 것" — 나만의 R2-D2 (30:10~32:05)

10년 뒤를 내다보면 사람들이 이 기술과 어떻게 상호작용하고 있을지를 묻자, 그는 단언한다 — "움직이는 모든 것은 언젠가 로봇이 될 것이고, 그것도 곧 그렇게 될 것이다." 잔디깎이를 손으로 미는 것도, 언젠가는 굳이 그럴 필요가 없어 보이는 우스운 일이 될 것이며, 모든 자동차는 로봇이 될 것이라고 말한다. 휴머노이드 로봇에 필요한 기술도 바로 코앞에 와 있다는 것이다. 옴니버스와 코스모스에서 로봇답게 행동하는 법을 배운 뒤 물리 세계로 들어오는 방식은 앞으로도 똑같을 것이라며, "로봇에 둘러싸인 미래는 확실하다"고 말한다. 개인적으로는 자신만의 R2-D2를 갖게 될 날을 고대한다며, 형태는 그 통 모양의 로봇이 아니라 다른 물리적 형태를 하고 있겠지만 "항상 R2"일 것이라고 농담한다 — 어떤 날은 스마트 안경 속에, 어떤 날은 휴대폰 속에, 차 안에, 그리고 집에 돌아왔을 때는 물리적 로봇의 형태로 나와 늘 함께한다는 것이다. 그는 평생 나이 들어가며 함께하는 자신만의 R2-D2를 갖게 되는 것이 "이제는 확실한 일"이라고 말한다.

12. 무엇이 잘못될 수 있는가 — 편향·환각·AI 안전 (32:05~35:11)

진행자는 이런 미래를 다룰 때 언론이 흔히 "무엇이 잘못될 수 있는가"에 집중한다며, Huge If True도 극복해야 할 큰 도전 과제들을 짚는 방식을 택한다고 말한다. 젠슨 황이 우려하는 문제 범주는 세 가지다. 첫째는 편향, 유해성, 환각처럼 흔히 거론되는 문제들 — 모르는 것에 대해 자신 있게 말하고, 그 정보를 그대로 신뢰하게 되는 것, 그리고 특정 인물을 흉내 내는 사칭 문제다. 둘째는 "옳은 일을 하려 했지만 제대로 수행하지 못해 누군가를 다치게 하는" 경우 — 예를 들어 잘 운전하려던 자율주행차가 센서 고장으로 무언가를 감지하지 못하거나 지나치게 급하게 방향을 튼 경우로, 이는 엔지니어링으로 반드시 개선해야 할 영역이다. 셋째는 "AI가 뭔가를 막으려 했는데 하필 그 순간 기계가 고장 난" 경우다. 그는 이것이 비행기 안 항법 컴퓨터를 3중화하고, 조종사를 두 명 두고, 관제탑과 다른 조종사들이 서로를 지켜보는 것과 다르지 않다고 말한다. AI 안전 시스템도 여러 겹의 커뮤니티처럼 설계돼야 하며 — 제대로 작동하는지, 작동하지 않을 때 사람을 위험에 빠뜨리지 않는지, 그 주변에 충분한 안전·보안 시스템이 있는지를 모두 갖춰야 한다는 것이다.

13. 에너지 효율이 유일한 물리적 한계다 — 8년 만에 1만 배 (35:11~38:03)

지금 마주한 과학적·기술적 한계가 무엇이냐는 질문에 그는 결국 모든 것은 "가진 에너지의 한계 안에서 얼마나 많은 일을 할 수 있는가"의 문제라고 답한다. 비트를 전송하고 뒤집는 데 드는 에너지가 결국 무엇을 할 수 있는지를 물리적으로 제한한다는 것이다. 하지만 아직 발전을 가로막는 근본적 한계에는 전혀 도달하지 않았다며, 더 에너지 효율적인 컴퓨터를 만드는 데 매진하고 있다고 말한다. 그는 탁자 위의 작은 목업(mockup)을 들어 보이며, 2016년 오픈AI에 처음 납품한 DGX-1은 25만 달러였고, 지금 이 소형 버전은 그보다 1만 배 적은 에너지로 6배 더 높은 성능을 낸다고 설명한다. 8년 만에 컴퓨팅의 에너지 효율이 1만 배 좋아진 것이다. 자동차나 전구가 1만 배 더 에너지 효율적이 된다고 상상해보라며, 지금 100와트짜리 전구가 그만큼의 밝기를 내는 데 1만 분의 1의 에너지만 쓰게 되는 셈이라고 비유한다. AI 컴퓨팅에서 이런 에너지 효율의 발전은 필수적인데, 더 똑똑한 시스템을 만들고 더 많은 연산으로 더 똑똑해지길 원하기 때문에 에너지 효율이 일을 해내는 데 있어 최우선 순위라고 강조한다.

14. 트랜스포머는 끝이 아니다 — 범용 vs 특화 하드웨어 베팅 (38:03~42:29)

진행자는 준비 과정에서 만난 엔지니어 친구들이 꼭 묻고 싶어 했다는 질문을 전한다 — 트랜스포머(transformer)처럼 특정 AI 구조가 인기를 끌수록, 그 구조 하나만 잘 처리하도록 칩을 "하드코딩"할 것인지, 아니면 여러 상황에 유연하게 대응할 수 있는 범용성을 유지할 것인지에 대한 질문이다. 젠슨 황은 이를 "트랜스포머가 연구자가 발견할 마지막 AI 알고리즘인가, 아니면 몇 년 뒤엔 알아보기도 힘들 만큼 진화해나갈 디딤돌인가"라는 핵심 신념의 문제로 되돌린다. 그는 후자를 믿는다며, 컴퓨터 알고리즘·소프트웨어·엔지니어링 역사를 통틀어 그렇게 오래 한 아이디어가 그대로 머문 적이 없었다고 말한다. 10년 전에는 상상도 못 했던 일을 오늘의 컴퓨터가 해내는 것이 바로 컴퓨터의 본질적 아름다움이며, 만약 10년 전 그 컴퓨터를 전자레인지로 만들어버렸다면 그 뒤의 응용들이 나올 수 없었을 것이라는 비유를 든다. 실제로 트랜스포머의 핵심 특징인 "어텐션 메커니즘"조차, 단어 10개 사이의 관계를 계산하는 것과 수백만 토큰짜리 컨텍스트 윈도우 전체를 계산하는 것은 전혀 다른 문제이며, 그 사이에서 플래시 어텐션, 계층적 어텐션 등 다양한 새로운 어텐션 메커니즘이 계속 발명되고 있다고 말한다. 그래서 그는 발명가와 혁신가, 소프트웨어 프로그래머와 AI 연구자들이 그 "수프" 속에서 마음껏 헤엄치며 놀라운 아이디어를 낼 수 있는 아키텍처를 만들고 싶다고 강조한다.

15. TSMC와 함께 물리적 한계를 발견하는 법 (42:29~44:18)

엔비디아는 칩을 직접 만들지 않고 TSMC에 위탁 생산하지만, 젠슨 황은 그렇기 때문에 오히려 TSMC 수준의 반도체 물리학 전문성을 사내에 갖춰야 한다고 말한다. 오늘날 반도체 물리학이 어디까지 가능한지에 대한 직관을 갖춘 인력을 두고, TSMC와 긴밀히 협력하며 함께 한계를 발견해 나간다는 것이다. 시스템 엔지니어링과 냉각 시스템에서도 마찬가지다. 액체 냉각을 위한 배관, 공기 냉각을 위한 팬 설계까지 — 가장 많은 공기를 가장 적은 소음으로 통과시키기 위해 항공역학 엔지니어까지 사내에 두고 있다고 밝힌다. 직접 제조하지는 않지만 설계는 직접 하고, 어떻게 만들어야 하는지에 대한 깊은 전문성을 갖춰야만 그 한계를 계속 밀어붙일 수 있다는 것이다.

16. 지금 걸고 있는 새로운 베팅들 (44:18~47:42)

GPU, CUDA, 자율주행, 로보틱스까지 매번 옳은 베팅을 해온 그에게 "지금은 무엇에 베팅하고 있느냐"고 묻는다. 그는 CES에서 발표한 옴니버스와 코스모스의 융합 — 새로운 형태의 생성형 세계 생성 시스템, 이른바 "멀티버스 생성 시스템" — 이 로보틱스와 물리 시스템의 미래에 지대한 영향을 미칠 것이라 확신한다고 답한다. 휴머노이드 로봇을 위한 도구와 훈련 시스템, 인간 시연 시스템 작업은 이제 막 시작 단계이며 앞으로 5년이 매우 흥미로울 것이라 전망한다. 또한 분자의 언어와 세포의 언어를 이해해 인체의 디지털 트윈을 만드는 디지털 생물학 작업, 그리고 머리 위 1km 이내의 지역 기후와 날씨 패턴을 고정밀로 예측하는 기후과학 작업에도 큰 기대를 걸고 있다고 밝힌다. 이 모든 작업의 공통점은 결국 "타임머신"이라는 도구를 만들어 미래를 미리 보고, 미리 봄으로써 그 미래를 최선의 버전으로 만들 더 나은 기회를 갖는 것이라고 그는 정리한다.

17. 고속도로와 화상회의에 빗댄 미래 준비법 — "AI 튜터를 만들어라" (47:42~52:16)

지금 하는 일이 계속 중요하되 그 일을 해내는 데 걸리는 노력이 일주일에서 거의 즉시로 줄어든다면 어떤 일이 벌어질까, 라며 그는 새로운 사고 실험을 제안한다. 이는 지난 산업혁명 시기 주간고속도로가 생겼을 때와 비슷하다는 것이다. 고속도로가 생기자 교외가 생겨나고, 물류가 바뀌고, 주유소와 패스트푸드점과 모텔이 생겨나는 새로운 경제가 만들어졌다. 화상회의가 여행 없이도 서로를 볼 수 있게 해주자, 직장에서 더 멀리 떨어져 살아도 괜찮아진 것과 같은 이치다. "항상 나와 함께하는 소프트웨어 프로그래머가 있어서 내가 떠올리는 무엇이든 짜준다면?", "아이디어의 씨앗만 있어도 프로토타입이 눈앞에 나타난다면?" 같은 질문을 스스로 던져보라고 그는 권한다. 앞으로 10년 동안 지능은 (모든 영역에서는 아니지만) 일부 영역에서 초인적인 수준이 될 것이며, 자신이 매일 겪는 일이 바로 그것이라고 말한다 — 그는 각 분야에서 자신보다 훨씬 뛰어난 수천 명의 "초인적인 사람들"에게 둘러싸여 있지만, 이것이 자신을 무력하게 만들기는커녕 오히려 더 야심찬 일에 도전할 자신감을 준다는 것이다. 모두가 특정 분야에 뛰어난 "슈퍼 AI"에 둘러싸이면 어떨 것 같냐는 질문에, 그는 "그것이 당신을 더 강력하게, 더 자신감 있게 만들 것"이라고 답한다. 그가 모두에게 권하는 한 가지는 바로 "당장 자신만의 AI 튜터를 만들라"는 것이다. 그 튜터는 무엇이든 가르쳐줄 수 있고, 프로그래밍·글쓰기·분석·사고·추론을 도와줄 수 있으며, 이것이 모두를 더 강력하게 만들어줄 미래라고 강조한다.

18. 실물로 보는 AI 시대 하드웨어 — RTX 50과 DIGITS (52:16~55:42)

테이블 위에 놓인 실물 하드웨어를 하나씩 소개하는 대목이다. 새로운 지포스 RTX 50 시리즈 그래픽카드는 본질적으로 PC 안에 들어가는 슈퍼컴퓨터로, 게임뿐 아니라 디자인·창작, 그리고 놀라운 AI 작업에도 쓰인다. 젠슨 황은 여기서 흥미로운 순환 구조를 짚는다 — 지포스가 AI를 가능하게 했고(제프리 힌턴, 일리야 수츠케버, 알렉스 크리제프스키가 알렉스넷을 훈련할 수 있게 해준 것), 그렇게 발전한 AI가 다시 지포스로 돌아와 컴퓨터 그래픽을 돕고 있다는 것이다. 실제로 4K 디스플레이의 800만 개 픽셀 중 실제로 계산(레이트레이싱)하는 것은 50만 개뿐이며, 나머지는 AI가 그 50만 개의 완벽한 픽셀을 근거로 예측해서 채운다. 계산할 픽셀 수가 줄어드니 그 적은 픽셀에 훨씬 더 많은 자원을 투입할 수 있어 품질이 오히려 좋아진다는 것 — 이것이 바로 AI가 우리를 초인적으로 만드는 방식의 완벽한 예시라고 그는 말한다. 정말 가치 있는 일에 우리의 에너지와 집중력을 쓰고, 나머지는 AI로 업스케일(up-res)하는 방식이라는 것이다.

19. 모두를 위한 조언 — "AI로 어떻게 내 일을 더 잘할 수 있을까" (55:42~59:08)

2016년 오픈AI에 전달했던 25만 달러짜리 첫 DGX-1과 달리, 이제는 3,000달러짜리 소형 버전 "DIGITS"를 만들어 학생과 모든 엔지니어, 모든 AI 과학자가 PC나 맥 옆에 놓고 자신만의 AI 슈퍼컴퓨터로 쓸 수 있게 한다고 소개한다. AI는 이제 연구자들만의 것이 아니라 모든 곳에 존재하게 될 것이라는 것이다. 이어 그는 놓치지 않고 물어봐야 할 조언을 스스로 꺼낸다 — 만약 자신이 지금 학생이라면 가장 먼저 할 일은 AI를 배우는 것이라며, 챗GPT나 제미나이 프로, 그록과 상호작용하는 법을 배우라고 말한다. AI와 상호작용하는 법을 배우는 것은 질문을 잘하는 사람이 되는 것과 다르지 않으며, 프롬프트를 하는 데도 전문성과 예술성이 필요하다는 것이다. 수학이든 과학이든 화학이든 생물학이든, 어떤 분야·직업으로 가든 "AI를 어떻게 활용하면 내 일을 더 잘할 수 있을까"라는 질문을 스스로에게 반복해서 던져야 한다고 강조한다. 변호사라면 AI로 어떻게 더 나은 변호사가 될지, 의사·화학자·생물학자라면 각각 어떻게 AI로 더 나은 전문가가 될지를 물어야 한다는 것이다. 그는 자신의 세대가 컴퓨터를 업무에 어떻게 쓸지 처음 물어야 했던 세대였다면(1984년 그가 업계에 들어왔을 때 사무실에는 컴퓨터가 없었다), 다음 세대는 "AI로 내 일을 어떻게 더 잘할 수 있을까"를 물어야 하는 세대라고 말한다. 그는 컴퓨터를 하루 만에 배우는 건 불가능하지만, 챗GPT는 "나 이거 사용법 몰라, 알려줘"라고 치기만 해도 스스로 예시를 들어 알려준다며, 지식과 지능의 장벽을 낮춰준다는 점이 놀랍다고 말한다.

20. 마무리: 비행공포와 유산에 대한 질문 (59:08~63:03)

진행자는 마지막으로 예정에 없던 개인적인 질문을 던진다. 인터뷰 장소로 오는 길에 비행이 유독 심하게 흔들려서, 자신의 장례식에서 사람들이 무슨 말을 할지 생각했다는 것이다. 그는 "좋은 질문을 던지는 사람이었다"는 말이 묘비에 적히길 바란다며, 남편과 친구, 가족에 대한 사랑 다음으로 사람들이 자신을 "낙관주의자"로 기억해주길 바란다고 말한다. 그리고 오랫동안 이 일을 해온 젠슨 황에게 같은 질문을 던진다 — 사람들이 당신이 하려는 일에 대해 어떤 주제로 이야기하길 바라느냐고. 그의 답은 간결하다. "특별한 영향을 만들어냈다(They made an extraordinary impact)"는 것. 그는 오래전 몇 가지 핵심 신념을 갖고 그것을 고수하며 쌓아온 결과 오늘날 세계에서 가장 중요하고 영향력 있는 기술 기업 중 하나가 됐다는 것을 행운으로 여기며, 그 책임을 매우 진지하게 받아들이고 있다고 말한다. 자신들이 만든 역량을 대기업뿐 아니라 개별 연구자와 개발자에게도, 수익성이 있든 없든, 크든 작든, 유명하든 아니든 모든 과학 분야에 걸쳐 널리 퍼뜨리려 노력한다는 것이다. 몇 년 뒤 돌아봤을 때 다음 세대가 게임 기술로 자신들을 처음 알았겠지만, 디지털 생물학과 생명과학 전체가 변모하고, 재료과학에 대한 이해가 완전히 혁신되고, 로봇이 위험하고 지루한 일들을 대신 해주며, 운전을 하고 싶으면 하고 아니면 자동차를 홈시어터처럼 즐기며 출퇴근할 수 있게 된 세상에서, 자신이 어릴 적 게임을 하며 자란 바로 그 회사가 그 모든 것의 중심에 있었다는 걸 다음 세대가 알아주길 바란다고 인터뷰를 마무리한다.

한줄 요약 & 체크리스트

한줄 요약: 젠슨 황은 30년간 "가속 컴퓨팅·스케일링 법칙·데이터는 번역 가능하다"는 세 가지 핵심 신념을 흔들림 없이 지켜왔고, 그 신념이 게임용 GPU에서 CUDA, 알렉스넷, 로보틱스와 디지털 생물학까지 이어지는 하나의 이야기를 만들었다.

• ☑ 큰 베팅을 오래 지속하려면 "물리학이나 산업에 대한 깊은 이해에서 추론한 핵심 신념"이 먼저 있어야 한다 — 증거가 안 보이는 시기에도 원칙과 가정이 안 바뀌었다면 신념을 바꿀 이유가 없다는 태도를 참고한다.
• ☑ 새 기술의 시장을 고를 때 "그 자체로 사랑하는 응용 분야"이면서 동시에 "R&D를 재투자할 만큼 큰 시장"인지를 함께 따진다 — 게임을 고른 이유가 정확히 이 두 가지였다.
• ☑ 하드웨어·인프라를 설계할 때 "범용성 vs 특정 구조 최적화" 사이에서, 그 구조가 "10년 뒤에도 알아볼 수 있는 마지막 형태"라고 믿는지 자문해본다 — 아니라면 유연성에 베팅하는 것이 합리적일 수 있다.
• ☑ AI를 배우는 가장 실용적인 첫걸음은 "내 직무를 어떻게 더 잘할 수 있을까"라는 질문을 매 분야 전문가가 스스로에게 반복해서 던지는 것이다.
• ☑ 지금 하는 일의 소요 시간이 갑자기 거의 0으로 줄어든다면 무슨 일이 벌어질지 — 고속도로·화상회의가 만든 새로운 경제처럼 — 스스로에게 사고 실험을 해본다.
• ☑ AI 안전은 "잘하려다 실패하는 경우"와 "잘하려는데 시스템이 고장 나는 경우"를 구분해서, 비행기의 3중 항법 시스템처럼 여러 겹의 안전장치로 설계해야 한다는 프레임을 참고한다.
• ☑ 직접 만들지 않는 영역(위탁 생산·인프라)이라도 그 분야의 물리적 한계에 대한 깊은 전문성을 사내에 갖춰야 진짜 혁신의 한계를 함께 밀어붙일 수 있다.

본 리포트는 유튜브 원본 영상을 요약·정리한 것이며, 이미지 캡처는 학습·비평 목적입니다. 원본 채널: Cleo Abram (Huge If True)