진한 칸일수록 이 직업에서 해당 지표가 높습니다.
낮음높음
대부분의 시간은 최근 논문을 읽고, 훈련 코드를 작성하고 디버깅하고, 오래 실행되는 실험 결과를 기다리며 분석하고, 협업자와 발견 사항을 논의하는 데 나뉘어 쓰인다. 대중적 이미지와 달리, 업무의 큰 비중은 새로운 아키텍처를 처음부터 구상하는 것이 아니라 모델의 성능이 왜 부진한지, 왜 결과가 재현되지 않는지를 진단하는 데 있다.
대학이나 최상위 산업 연구소에서 독립적인 연구직을 맡으려면 사실상 그렇다. 자격시험이 존재하지 않으므로 박사 학위가 이 분야의 실질적 자격증 역할을 한다. 박사 학위가 없는 뛰어난 엔지니어들은 산업체 레지던시 프로그램이나 오픈소스 작업과 인용된 프리프린트라는 공개 기록을 통해 점점 더 많이 진입하고 있지만, '연구 과학자' 같은 직함은 여전히 박사 학위 소지자에게 크게 치우쳐 있다.
일부는 명백히 그렇다. 문헌 요약, 상용구 실험 코드, 관련 연구 초안 작성은 이미 일상적으로 AI의 도움을 받고 있으며, 일부 연구소는 스스로 실험을 제안하고 실행하는 시스템을 공공연히 실험하고 있다. 그러나 결과가 실제로 무엇을 의미하는지 해석하고 발표된 주장에 책임을 지는 일은 넘겨주기 훨씬 어려운 것으로 드러났다.
고용주와 연차에 따라 편차가 매우 크다. 미국의 더 넓은 '컴퓨터 및 정보 연구 과학자' 범주 중위 연봉은 2024년 $140,910였지만, 대형 기술기업 연구소에 합류하는 신규 박사들은 흔히 이보다 훨씬 높은 금액으로 시작하며, 2024~2025년 채용 경쟁 중 프런티어 AI 연구소의 극소수 시니어 연구원들은 7~8자리 숫자에 달하는 총보상 패키지를 제안받았다고 알려져 있다.
경계는 끊임없이 흐려지지만, 대략적인 구분은 유지된다. 연구원의 산출물은 대개 논문, 새로운 방법, 또는 무언가가 왜 작동하는지에 대한 통찰이며 동료 심사로 평가받는다. 엔지니어의 산출물은 대개 실제 운영 중인 시스템이며, 출시되고 실사용에서 버텨내는지로 평가받는다. 많은 사람들이 경력 동안 둘 다를 겸한다.
파이썬이 지배적이며 딥러닝 프레임워크와 함께 쓰인다. 파이토치가 현재 연구에서 가장 흔히 쓰이고, 구글 관련 대규모 작업에는 JAX가 인기가 있다. 코드 외에도 연구자들은 공유 GPU·TPU 컴퓨팅 클러스터, Weights & Biases 같은 실험 추적 도구, 그리고 대부분의 새로운 결과가 공식 동료 심사 몇 달 전에 프리프린트로 유통되는 arXiv에 의존한다.
AI 연구의 정전은 자신의 아이디어로 만들어진 작동하는 컴퓨터를 본 적 없는 수학자로부터, 유행에 뒤떨어진 기술을 수십 년간 옹호하다가 그것이 거의 하룻밤 사이에 이 분야 전체를 새로 만들어낸 연구자들까지 이어진다. 여기 소개하는 여덟 명은 70년 이상, 네 개 나라에 걸쳐 있다.
이들을 잇는 것은 의견 일치가 아니다 — 여럿이 공로, 안전, 이 분야 자체의 방향에 대해 공개적으로 이견을 보였다 — 그보다는 다른 누구도 성과를 거두리라 생각하지 않던 시절에 하나의 아이디어를 계속 붙들고 있었던 공통된 의지다.
“지능에 대한 추상적 주장을 단순한 정의가 아니라 구체적이고 검증 가능한 예측으로 진술하라.”
Elliott & Fry · Public domain
실제로 쓸 수 있는 컴퓨터가 등장하기 10년 전에 컴퓨팅의 수학적 토대를 놓았고, 1950년에는 기계 지능에 대한 실용적 테스트 — 컴퓨터의 대화가 인간 심사자를 속일 수 있는가 — 를 제안하여 '기계가 생각할 수 있는가'라는 질문을 순수한 철학이 아닌 검증 가능한 것으로 재구성했다.
1950년 학술지 마인드에 발표한 논문에서 튜링은 50년 안에 약 10억 비트의 저장 용량을 가진 컴퓨터가 5분간의 질문 후 평균적인 인간 심문자를 최소 30%의 확률로 속일 것이라고 예측했다 — 아무도 실제로 검증할 수 없던 수십 년 전에 자신의 이름을 건 구체적이고 반증 가능한 예측이었다.
“지능에 대한 추상적 주장을 단순한 정의가 아니라 구체적이고 검증 가능한 예측으로 진술하라.”
Cmichel67 · CC BY-SA 4.0
신경망 훈련을 위한 역전파를 대중화한 1986년 논문을 공동 저술했고, 이후 두 번의 AI 겨울을 거치는 동안 딥러닝을 꾸준히 믿은 몇 안 되는 연구자로 수십 년을 보내다가 자신의 제자가 만든 알렉스넷이 2012년 이미지넷 대회에서 우승하며 거의 하룻밤 사이에 이 분야를 재편했다.
2012년 알렉스넷의 이미지넷 우승 이후, 힌턴은 그해 레이크타호에서 열린 NeurIPS 학회 호텔 방에서 자신의 3인 스타트업 DNN리서치를 경매에 부쳤다. 구글, 마이크로소프트, 바이두, 딥마인드가 경쟁 입찰을 벌였고 구글이 4,400만 달러에 낙찰받았다 — 딥러닝을 학문적 호기심에서 상업적 우선순위로 바꿔놓은 단 하루의 오후였다.
“반복된 거부에도 유행에 뒤떨어진 아이디어를 밀고 나가면, 유행이 아니라 증거가 따라잡았을 때 결실을 맺을 수 있다.”
Jérémy Barande · CC BY-SA 2.0
1980년대 말 벨 연구소에서 합성곱 신경망을 만들었고, 1990년대에는 이를 상업적으로 손글씨 수표를 읽는 데 사용했다 — 이 분야의 주류 돌파구보다 15년 이상 앞선 작동하는 딥러닝 배치 사례였다. 현재는 메타의 최고 AI 과학자이며, 오늘날의 언어 모델이 일반 지능으로 이어진다는 데 목소리 높여 회의적이다.
1990년대에 벨 연구소에서 개발된 르쿤의 합성곱 신경망 르넷은 미국 은행들이 수표에 적힌 손글씨 숫자를 읽는 데 배치되었다. 전성기에는 그의 아키텍처를 기반으로 한 시스템들이 미국에서 처리되는 모든 수표 중 상당 부분을 읽고 있었다고 알려져 있다 — 2012년이 이를 유명하게 만들기 훨씬 전에 이 접근법이 실제 운영에서 작동했다는 증거다.
“실제 배치에서 입증된 시스템은 어떤 벤치마크 점수로도 배울 수 없는 교훈을 준다 — 설령 학계가 이미 넘어갔더라도.”
Xuthoria · CC BY-SA 4.0
신경 언어 모델링을 발전시켰고, 동료들과 함께 트랜스포머 아키텍처로 직접 이어진 어텐션 메커니즘을 도입했으며, 몬트리올 대학교의 밀라를 세계에서 가장 큰 딥러닝 연구자 집중 지역 중 하나로 키워냈다. 이후 AI 위험 규제를 촉구하는 이 분야에서 가장 두드러진 목소리 중 한 명이 되었다.
2023년 5월, 벤지오는 제프리 힌턴 및 수백 명의 다른 연구자들과 함께 AI로 인한 절멸 위험을 완화하는 것이 팬데믹이나 핵전쟁 같은 다른 사회적 규모의 위험과 나란히 세계적 우선순위가 되어야 한다고 선언하는 한 문장짜리 공개 성명에 서명했다 — 자신이 30년간 만들어온 기술에 대해 경고하는, 연구자로서는 극적인 공개적 선회였다.
“강력한 기술을 만드는 것과 그 위험에 대해 공개적으로 경고하는 것은 동시에 취할 수 없는 모순된 입장이 아니다.”
John Sears · CC BY-SA 4.0
전직 체스 신동이자 비디오게임 디자이너로, 2010년 딥마인드를 공동 창립했다. 이후 최정상급 바둑 기사를 꺾은 최초의 프로그램인 알파고와, 거의 모든 알려진 단백질의 3차원 구조를 예측한 알파폴드를 개발한 팀을 이끌었다. 알파폴드로 2024년 노벨 화학상을 공동 수상했다.
2016년 3월 서울에서 열린 바둑 챔피언 이세돌과의 대국 2국에서, 알파고는 5선에 37수를 두었다 — 너무나 비정통적인 착점이어서 해설자 마이클 레드먼드가 처음엔 실수일 가능성이 높다고 말했을 정도다. 이세돌은 마음을 추스르기 위해 잠시 자리를 떴다. 이 수는 지금도 기계가 창의적 직관에 가까운 무언가를 만들어낸 순간으로 널리 인용된다.
“좁은 게임의 규칙만으로 훈련된 시스템도 그것을 만든 인간을 놀라게 할 수 있다.”
ITU Pictures · CC BY 2.0
약 1,400만 장의 일상 사진을 손으로 라벨링한 데이터셋인 이미지넷을 만들어, 이미지 인식을 측정 가능한 연례 대회로 바꿔놓았다. 2012년 이를 우승한 알렉스넷 시스템은 딥러닝 붐을 시작시킨 것으로 널리 인정받는다. 현재 스탠퍼드 인간중심 AI 연구소의 공동 소장이다.
2007년경부터 리의 팀은 아마존 메커니컬 터크를 이용해 크라우드워커들이 워드넷 어휘 데이터베이스에서 뽑은 약 2만 개 범주로 1,400만 장 이상의 이미지를 손으로 라벨링하게 했다 — 몇몇 동료들이 유망한 연구자의 경력을 낭비하고 있다고 말했다는 수년간의 인기 없는 프로젝트였다. 5년 후, 같은 데이터셋에서의 알렉스넷의 우승이 딥러닝 붐을 촉발했다.
“데이터셋도 알고리즘만큼 중요할 수 있다 — 때로는 화려하지 않은 기반 작업이 진짜 돌파구다.”
1956년 다트머스 워크숍을 조직하며 '인공지능'이라는 용어를 만들었고, 이듬해에는 리스프 프로그래밍 언어를 발명하여 이 젊은 학문 분야에 이름과, 수십 년간 그 주된 연구 도구를 함께 안겨주었다. 이 분야의 이론적 토대를 세운 공로로 1971년 튜링상을 받았다.
1955년 록펠러 재단에 14,000달러를 요청하는 제안서에서, 매카시와 세 명의 공동 저자는 노버트 위너의 사이버네틱스와 이 프로젝트를 구분하려는 의도도 담아 '인공지능'이라는 용어를 만들었다. 재단은 요청액의 약 절반만 지원했고, 이듬해 여름 열린 8주간의 다트머스 워크숍은 단일한 기술적 돌파구를 만들어내지 못했지만, 의도적으로 선택된 그 이름은 그곳에서 실제로 논의된 그 어떤 아이디어보다도 오래 살아남았다.
“한 분야에 결정적으로 이름을 붙이는 것은, 그 창시자들이 그해에 실제로 이룬 것과 무관하게 수십 년간 정체성을 형성할 수 있다.”
1972년 케임브리지에서 역문헌빈도(IDF)를 개발했다. 이는 오늘날 이 분야를 지배하는 딥러닝 모델보다 수십 년 앞서, 대부분의 검색엔진과 자연어 처리 상당 부분의 근간을 이루는 TF-IDF 뒤의 통계적 통찰이다. 여성의 컴퓨팅 분야 진출을 평생 공개적으로 옹호했다.
스파르크 존스의 1972년 논문은 문서의 관련성을 순위 매길 때 흔한 단어보다 드문 단어에 더 큰 가중치를 부여할 것을 제안했다 — 지금은 역문헌빈도라 불리며 여전히 현대 검색·검색 시스템의 구성 요소로 남아 있는 아이디어다. 그는 또한 '컴퓨팅은 남자들에게만 맡겨두기엔 너무 중요하다'는 단호한 표어로도 똑같이 유명해졌는데, 영국 컴퓨터 협회는 훗날 이를 연례 강연 시리즈의 제목으로 채택했다.
“정밀하게 진술된 하나의 통계적 아이디어는 수십 년 후 그 위에 세워진 전체 아키텍처보다도 오래 살아남을 수 있다.”
그래프는 이 목록 1위 기준 상대값입니다.
이름을 켜고 끄면 — 모든 막대가 선택된 그룹의 1위를 기준으로 다시 계산된다.
1950년 튜링의 테스트를 통과하는 것이 지능의 의미 있는 척도인지는 여전히 논쟁거리다. 비판자들은 심사자를 속이는 챗봇이 진정한 이해보다는 설득력 있는 유창함, 혹은 인간의 잘 속는 성향을 보여준다고 주장한다.
힌턴, 르쿤, 벤지오를 딥러닝의 창시자로 규정한 2018년 튜링상 수여는 다른 연구자들, 가장 목소리 높게는 위르겐 슈미트후버로부터 이의가 제기되었는데, 그는 자신의 연구실이 더 일찍 발표한 기법들이 제대로 인정받지 못했다고 주장한다.
같은 분야만이 아니라 여섯 점수 프로필이 가까운 직업입니다.
컴퓨터, 휴대폰, 무기 등 거의 모든 전자기기 내부의 트랜지스터를 설계하고 제조하며, 지구상 극소수 공장만이 다룰 수 있는 초정밀 장비를 다룬다.
AI 내성 60 📦프로덕션 환경에서 기계 학습 모델을 교육, 배포, 모니터링 및 관리하는 시스템을 구축합니다.
AI 내성 54 🩺단 한 번의 수술이 아니라 진찰과 근거를 통해 질병을 진단하고 이후 수년간 건강을 관리하는 사람 — 의학의 제너럴리스트이자 장기적인 동반자.
AI 내성 67 🧠약물치료와 정신치료로 정신질환을 진단하고 치료하며, 위기 상황의 환자를 법적 권한으로 강제 입원시킬 수 있는 몇 안 되는 의료 전문분야 중 하나다.
AI 내성 73 👔의뢰인에게 조언하고 그들을 구속하는 문서를 작성하며 사건이 법정에 이르면 대신 다투는 직업으로, 조언이 잘못되면 개인적으로 법적 책임을 진다.
AI 내성 58 🔐디지털 공격을 찾아내고 예방하며 대응함으로써 시스템, 데이터, 사람을 지킨다.
AI 내성 63현대 사회를 움직이는 코드를 작성하고 테스트하고 유지보수하는 직업이며, AI가 자기 일상 업무를 자동화하는 모습을 가장 먼저 지켜보는 직업 중 하나다.
AI 내성 35 🛰️지상을 벗어나는 항공기, 로켓, 우주선을 설계하고 분석하고 인증하며, 추측의 여지가 없는 안전 여유를 다루는 직업이다.
AI 내성 74 🌉강과 바위와 중력을 다리, 도로, 맑은 물로 바꾸는 직업 — 임호테프 이래 문명을 떠받쳐온 조용한 하중지지의 업.
AI 내성 72 🔌컴퓨터, 휴대폰, 무기 등 거의 모든 전자기기 내부의 트랜지스터를 설계하고 제조하며, 지구상 극소수 공장만이 다룰 수 있는 초정밀 장비를 다룬다.
AI 내성 60 🦾물리적 세계를 감지하고 판단하고 행동하는 기계를 설계하는 사람으로, 진짜 난제는 지능이 아니라 언제나 세계 그 자체였다.
AI 내성 65 🔐디지털 공격을 찾아내고 예방하며 대응함으로써 시스템, 데이터, 사람을 지킨다.
AI 내성 63 📦프로덕션 환경에서 기계 학습 모델을 교육, 배포, 모니터링 및 관리하는 시스템을 구축합니다.
AI 내성 54 🌬️재생 가능한 자원을 신뢰할 수 있는 전기로 전환하는 풍력, 태양열, 저장 및 그리드 시스템을 설계, 구축 및 개선합니다.
AI 내성 72