AI 연구자는 소프트웨어가 이미지를 인식하고, 언어를 생성하고, 계획을 세우고, 결정을 내릴 수 있게 하는 알고리즘을 설계하고 훈련시키고 평가한다. 이는 대체로 머신러닝의 한 형태로, 사람이 손으로 짠 규칙을 따르는 대신 방대한 데이터를 처리하며 모델 스스로 과제 수행 능력을 향상시키는 방식이다. 이 일은 새로운 아키텍처를 발명하는 대학 연구실부터, 검증된 아키텍처를 대규모로 확장하는 기업 연구팀, 그리고 극소량의 데이터로 모델이 학습하는 방법처럼 좁은 영역 하나에 경력을 바치는 전문가에 이르기까지 폭넓게 걸쳐 있다.
이 분야는 대부분 사람들이 짐작하는 것보다 훨씬 젊다. '인공지능'이라는 표현은 1956년 다트머스 대학에서 열린 여름 워크숍을 위해 1955년에 만들어진 말이며, 그 이후 이 분야는 호황과 '겨울'을 두 차례 오갔다. '겨울'이란 초기의 장밋빛 약속이 이루어지지 않자 연구비가 붕괴한 시기를 뜻한다. 오늘날 주류 접근법인 딥러닝은 수십 년간 비주류 입장에 머물러 있다가, 2012년 한 이미지 인식 대회와 2017년 '어텐션(attention)'을 다룬 한 논문을 계기로 학계 전체가 더 크고 더 많은 데이터로 훈련된 신경망을 중심으로 재편되었다.
AI 연구는 이 사이트에서 다루는 직업들 중에서도 독특한 위치에 있다. 연구 대상과 연구 도구가 같은 기술이기 때문이다. 이 분야 자신의 성과물로 만들어진 도구들이 이제 문헌 리뷰 초안을 작성하고, 실험을 제안하고, 훈련 실행용 코드를 작성하며, 일부 연구소는 연구 과정 자체를 자동화하려는 시도를 공공연히 하고 있다. 그 압력 속에서 무엇이 살아남고 무엇이 사라지는가는, 이 프로필의 나머지 부분이 안심시키기보다 정직하게 답하려는 질문이다.
자주 묻는 질문
AI 연구자는 실제로 매일 무슨 일을 하는가?
하루 대부분은 최근 논문을 읽고, 훈련 코드를 작성하고 디버깅하고, 오래 걸리는 실험 결과를 기다리고 분석하고, 동료들과 결과를 논의하는 데 나뉘어 쓰인다. 대중적인 이미지와 달리, 이 일의 상당 부분은 완전히 새로운 아키텍처를 구상하는 것이 아니라 모델의 성능이 왜 떨어지는지, 왜 어떤 결과가 재현되지 않는지를 진단하는 것이다.
AI 연구자가 되려면 박사 학위가 필요한가?
대학이나 최상위 기업 연구소에서 독립적인 연구직을 맡으려면 사실상 그렇다. 자격시험이 따로 없는 이 분야에서 박사 학위는 여전히 실질적인 자격증 역할을 한다. 박사 학위가 없는 뛰어난 엔지니어들은 기업의 레지던시 프로그램이나 오픈소스 활동, 인용된 프리프린트 등의 공개 실적을 통해 점점 더 많이 진입하고 있지만, '연구 과학자(research scientist)' 같은 직함은 여전히 박사 학위 소지자가 압도적으로 많다.
AI 연구 자체도 AI로 인한 위험에 노출되어 있는가?
일부는 분명히 그렇다. 문헌 요약, 정형화된 실험 코드, 관련 연구 절 초안 작성은 이미 일상적으로 AI의 도움을 받고 있으며, 여러 연구소는 스스로 실험을 제안하고 실행하는 시스템을 공공연히 실험하고 있다. 그러나 결과가 실제로 무엇을 의미하는지 해석하는 일과, 발표한 주장에 책임을 지는 일은 넘겨주기가 훨씬 어렵다는 것이 드러났다.
AI 연구자는 얼마나 버는가?
고용주와 경력 수준에 따라 격차가 매우 크다. 더 넓은 범주인 '컴퓨터 및 정보 연구 과학자'의 2024년 미국 중위 연봉은 $140,910이었지만, 대형 기술기업 연구소에 합류하는 신규 박사는 흔히 이보다 훨씬 높은 연봉으로 시작하며, 2024~2025년 채용 경쟁 기간 동안 최전선 AI 연구소의 일부 시니어 연구자는 7~8자리 수에 달하는 총 보상 패키지를 제안받았다고 알려졌다.
AI 연구자와 머신러닝 엔지니어는 어떻게 다른가?
경계는 늘 흐릿하지만 대략적인 구분은 있다. 연구자의 결과물은 보통 논문, 새로운 방법론, 또는 어떤 것이 왜 작동하는지에 대한 통찰이며 동료 심사로 평가받는다. 엔지니어의 결과물은 보통 실제 운영 환경에서 작동하는 시스템이며, 출시되고 실제 사용을 견뎌내는지로 평가받는다. 많은 사람이 경력 동안 두 역할을 모두 거친다.
AI 연구에서는 어떤 프로그래밍 언어와 도구를 쓰는가?
파이썬(Python)이 압도적이며, 여기에 딥러닝 프레임워크가 더해진다. 현재 연구에서 가장 널리 쓰이는 것은 파이토치(PyTorch)이고, 대규모 작업이나 구글 계열 연구에서는 JAX가 인기 있다. 코드 외에도 연구자들은 공유 GPU·TPU 연산 클러스터, Weights & Biases 같은 실험 추적 도구, 그리고 정식 동료 심사보다 몇 달 앞서 대부분의 새로운 결과가 프리프린트로 유통되는 arXiv에 크게 의존한다.
컴퓨터공학을 전공하지 않고도 AI 연구자가 될 수 있는가?
가능하다. 대부분의 다른 기술 분야보다도 오히려 더 수월하다. 물리학, 수학, 신경과학, 통계학 모두 AI 연구에 직접 연결되며, 영향력 있는 인물 중에는 다른 분야에서 넘어온 경우도 있다. 대표적으로 물리학자 존 홉필드(John Hopfield)는 1982년 발표한 신경망 모델로 2024년 노벨 물리학상을 공동 수상했다. 특정 전공보다는 탄탄한 정량적 기초와 프로그래밍 능력이 더 중요하다.
오늘날 AI 연구의 가장 큰 병목은 무엇인가?
아이디어가 아니라 점점 더 연산력, 그리고 그것을 감당할 자금이 되고 있다. 최전선급 모델 하나를 훈련하는 데 드는 연산 비용만 수천만 달러에 이를 수 있어, 자원 집약도가 가장 높은 연구는 자금이 풍부한 소수 연구소에 집중되고, 대학이나 소규모 연구소의 연구자들은 사실상 어쩔 수 없이 데이터와 연산을 더 효율적으로 쓰는 방법 쪽으로 밀려나고 있다.