지금으로부터 10년 전, 2015년 1월에 구글이 인수한 DeepMind에서 Nature에 논문 하나를 발표했습니다. 아타리 블록깨기 게임 화면을 그대로 입력으로 넣고 보상만 설정해 학습시켰더니, 단순히 룰을 이해하는 수준을 넘어 4시간 만에 벽을 파서 공을 넣는 전략까지 구사했다는 내용입니다.

그리고 1년 뒤, 2016년에는 DeepMind의 AlphaGo가 이세돌과 대국을 했습니다. 결과는 다들 아시다시피 AlphaGo의 압승이었죠. 당시 국내 전문가들 대부분은 이세돌이 이길 거라고 예상했었습니다. 저 역시 바둑의 경우의 수가 너무 많고 컴퓨터가 효율적으로 탐색할 방법이 없다고 생각했습니다. 컴퓨터는 사람처럼 직관이 없으니 불가능하다고 봤습니다.

그런데, 대국 전날 당시 상사였던 지금도 유명한 모 게임 PD님께서 "이세돌은 무조건 질 것"이라고 단언하시더군요. 이유는 간단했습니다. AlphaGo가 인공신경망으로 직관을 학습한 후 효율적인 경우의 수를 탐색하기 때문에 인간이 이길 수 없다는 것이었죠. 결과적으로 직관과 경우의 수 탐색 모두를 활용하는 컴퓨터를 인간이 넘어서긴 어려웠습니다. 물론, 이세돌이 버그를 찾아 승리한 한 판은 정말 대단했지만, 그마저도 사람이 코딩한 축 관련 버그였습니다..

2017년에는 구글에서 "Attention Is All You Need"라는 논문을 발표했고 트랜스포머 모델이 등장했습니다. 이는 현재 언어 모델의 근간이 되었고, GPT 등 현대 LLM 대부분이 이 구조를 기반으로 하고 있습니다.

2019년에 OpenAI에서 트랜스포머 모델을 기반으로 GPT-2가 발표됐을 때는 솔직히 기대에 못 미쳤습니다. 하지만 1년 뒤 GPT-3가 나오면서 상황이 급변했죠. GPT-2와 GPT-3는 같은 원리를 사용했지만, 학습 데이터와 파라미터 수만 늘렸을 뿐인데 성능 차이가 어마어마했습니다. 데이터를 더 잘 넣으면 더 똑똑해진다는 사실이 입증된 셈입니다. 이후 OpenAI는 엄청난 양의 그래픽카드를 사들여 2022년 말 GPT-3.5를 공개했고, 지금에 이르렀습니다.

타임라인을 길게 이야기한 이유는 AI 발전 속도가 정말 상상을 초월할 정도로 빠르기 때문입니다. 몇 달 전까지만 해도 "코딩 기초밖에 못 한다"고 평가받던 AI가 이제는 코드 작성, 테스트 코드 작성, 테스트 실행, 버그 수정까지 반복해서 기능을 만들어냅니다. 물론 복잡한 요구사항은 아직 어렵지만, 주니어 프로그래머 수준의 일은 이미 사람보다 빠르고 잘 처리합니다. 물론 AI Agent를 사용해야하지만, AI Agent가 사용할만한 제대로 된 프로토콜이 나온지 몇 달 안된걸 생각하면 그저 놀라운 속도입니다. (자세한 데모는 글에 첨부한 링크 참조)

요즘 업계 친구들 만나니 "주니어 프로그래머를 채용할 필요가 있을까?"라는 말이 공공연히 나옵니다. 쓸만한 GPT 모델이 나온 지 2년도 채 되지 않았는데 말입니다.
제 아내의 친구는 배경 그림을 그린 경력만 15년인데, 면접 보러가면 AI 사용 여부를 꼭 물어보고 직접 그림 그릴 일도 없다는 이야기도 같이 듣는다고 합니다.

기술 발전은 그동안 생산성을 보조하는 도구로써 사람들의 직장을 늘려왔습니다. 하지만 지금의 AI는 몇 배나 생산성을 올리고 신입 채용 자체를 불필요하게 만들고 있습니다. 그나마 대체하기 어렵다는 몸 쓰는 일도 안전하지 않다고 느껴질 정도로 발전 속도가 빠릅니다. AI와 함께 로봇공학도 몇년사이에 엄청 빠르게 발전하고 있어서 더 걱정입니다. 이미 주방에서도 보조 로봇 도입을 하고 있고 서빙 로봇은 너무 흔해서 이제 아무도 신기해하지 않습니다.

이렇게 빠른 변화에서 앞으로 뭘 먹고 살아야 할지가 더 걱정됩니다. AI가 우리의 직업을 하나둘씩 대체해 나가는 현실 앞에서, 과연 내가 할 수 있는 일이 앞으로도 남아있을지, 있다면 그게 뭘지 막막하기만 합니다. 이 변화의 소용돌이 속에서 우리 각자가 어떻게 살아남을 수 있을지, 그리고 어떻게 새로운 길을 찾아 적응해 나갈 수 있을지 참 걱정입니다.