AI 연구, '박사님' 없으면 못하나요? (feat. 레딧 아재의 절규)

요즘 다들 이 생각 한 번쯤 하잖아요. ‘나도 AI 뭐라도 해야 하나?’ 옆자리 김대리는 AI로 보고서를 10분 만에 뚝딱 쓴다는데, 주식 뉴스엔 온통 AI 반도체 이야기뿐이죠. 이러다 정말 나만 뒤처지는 거 아닌가, 하는 불안감. 웃프죠. 얼마 전 레딧(Reddit)이라는 해외 커뮤니티에서 한 오디오 엔지니어의 글이 화제가 된 것도 같은 맥락일 거예요. 2019년 GPT-2라는 초기 AI 모델이 나왔을 때부터 이 분야를 쭉 지켜봤다는 그는, 경이로운 발전 속도에 감탄하면서도 솔직한 질문을 던졌어요. “그래서, AI/ML(머신러닝) 연구를 하려면 대체 뭐가 필요한 겁니까?”

이건 그냥 한 개인의 커리어 고민이 아니에요. 인공지능이라는 거대한 파도 앞에서 ‘내 배는 어디로 가야 하나’를 묻는 우리 모두의 절규 같은 거죠. AI 연구, 하면 보통 뭐가 떠오르세요? 후드티를 뒤집어쓴 천재 개발자, 칠판을 가득 메운 복잡한 수학 공식, 뭐 그런 거요. ‘나 같은 보통 사람은 명함도 못 내밀겠구나’ 하는 지레짐작. 과연 그럴까요? 오늘은 이 단단한 환상부터 한번 깨부숴보죠.

'AI 연구'라는 환상 깨부수기: 사실은 '데이터 잡부'에 가깝습니다

많은 사람들이 AI 연구를 셰프의 화려한 파인 다이닝 요리처럼 생각해요. 번뜩이는 아이디어로 새로운 AI 모델이라는 ‘요리’를 창조하는 과정이라고요. 물론 틀린 말은 아니에요. 하지만 그건 전체 과정의 10%도 안 될 겁니다. 나머지 90%는 뭔지 아세요? 장보고, 재료 다듬고, 설거지하고, 주방 청소하는 시간이에요.

AI 연구의 현실도 이와 똑같습니다. 세상에 없던 모델을 설계하는 멋진 순간보다, 모델을 훈련시킬 데이터를 모으고, 쓸 수 있는 형태로 다듬고(전처리), 데이터에 일일이 ‘이건 고양이 사진’, ‘저건 강아지 사진’이라고 이름표를 붙여주는(라벨링) 지루한 작업이 대부분이죠. 모델이 이상한 답을 뱉어내면 어디가 문제인지 밤새 들여다보며 디버깅하는 건 일상이고요. 그래서 업계 사람들은 자조적으로 이 과정을 ‘데이터 잡부(data janitor)’의 일이라고 부르기도 해요. 폼 나는 연구자라기보단, 데이터라는 식재료를 묵묵히 손질하는 주방 보조에 가깝다는 거죠.

최근 뜨는 RAG(Retrieval Augmented Generation)라는 기술이 딱 이 지점을 파고들어요. ‘검색 증강 생성’이라는 어려운 말인데, 아주 쉽게 말해 똑똑한 AI한테 ‘오픈북 시험’을 보게 하는 거예요. 우리가 전교 1등(거대언어모델, LLM)을 데려다 놓고 시험을 치르게 하는데, 그냥 머릿속에 든 지식으로만 풀게 하는 게 아니라 우리가 따로 챙겨준 ‘족보’나 ‘요약 노트’(특정 분야의 전문 자료)를 실시간으로 참고해서 답을 만들게 하는 거죠. 이러면 굳이 AI를 처음부터 새로 훈련시키는 수억 원짜리 고생을 안 해도, 우리 회사 제품 매뉴얼을 통째로 외운 상담원이나, 최신 판례를 줄줄 꿰는 변호사처럼 만들 수 있어요. 여기서 중요한 건 ‘어떤 족보를 얼마나 잘 만드느냐’이지, 전교 1등을 새로 만드는 게 아니라는 겁니다.

학위보다 '덕질'이 무기인 시대가 왔다

자, 여기서 다시 레딧의 오디오 엔지니어를 소환해 보죠. AI 모델을 훈련시키는 90%의 일이 ‘데이터 손질’이라면, ‘오디오 데이터’는 누가 가장 잘 손질할 수 있을까요? 컴퓨터 과학 박사 학위가 있는 사람이요? 아니면 20년 동안 소리의 주파수, 파형, 노이즈를 붙들고 씨름하며 ‘덕질’해 온 오디오 엔지니어일까요? 답은 명확하죠.

이거 어디서 많이 본 풍경 아닌가요? 1990년대 말, 인터넷이 막 보급되던 시절이랑 똑같아요. 그때도 컴퓨터 공학을 전공한 전문가들만이 웹사이트를 만들 수 있을 것 같았죠. 하지만 결국엔 어떤 일이 벌어졌나요? 엉뚱하게도 만화에 미친 ‘덕후’가 국내 최대 만화 커뮤니티를 만들고, 낚시광 아저씨가 최고의 낚시 정보 사이트를 만들었어요. ‘뭘 아는 사람’이 도구를 쥐었을 때 진짜 혁신이 터져 나왔던 겁니다. 지금 AI가 딱 그 변곡점에 와 있어요.

• 변호사가 AI를 쓴다면? 수만 건의 과거 판례 데이터를 분석해 이번 재판의 승소 확률을 예측하고, 가장 설득력 있는 변론을 찾아낼 수 있겠죠.
• 의사가 AI를 쓴다면? 수백만 장의 CT나 MRI 사진을 학습한 AI를 이용해 인간 의사가 놓치기 쉬운 미세한 암세포의 패턴을 발견할 수도 있을 거고요.
• 그 오디오 엔지니어는? 수십 년 된 낡은 음원의 잡음을 AI로 제거해 원음을 복원하거나, 세상에 없던 새로운 악기 소리를 만들어낼 수도 있겠죠.

결국 중요한 건 ‘AI를 아느냐’가 아니라, AI를 통해 ‘무엇을 하고 싶은가’입니다. 내 분야, 내 ‘덕질’의 영역에서 어떤 문제를 풀고 싶은지, 그 절실함이 박사 학위보다 훨씬 강력한 무기가 되는 시대가 온 거예요. 컴퓨터 공학자들은 범용적으로 똑똑한 AI 모델(망치, 톱 같은 연장)을 만들지만, 그 연장을 들고 진짜 멋진 가구를 만드는 건 결국 목수(도메인 전문가)의 몫이니까요.

함정 카드 발동: '나도 할 수 있다'는 착각

자, 이렇게 말하면 꼭 ‘그럼 코딩 하나도 몰라도 AI 전문가가 될 수 있다는 뜻?’이라고 생각하는 분들이 있어요. 여기서 잠시 냉수 마시고 가야 합니다. ‘누구나 할 수 있다’는 희망과 ‘아무나 할 수 있다’는 착각은 다르거든요. 몇 가지 흔한 오해를 짚어볼게요.

첫 번째 오해: “코딩, 수학 몰라도 된다?” 아니요, 그건 아닙니다. 웃픈 얘기지만, ‘운전면허’는 있어야죠. 우리가 F1 카레이서가 될 필요는 없지만, 최소한 차를 몰고 도로에 나갈 줄은 알아야 하잖아요. 여기서 운전면허는 기본적인 파이썬(Python) 코딩 능력과 API를 다룰 줄 아는 능력 정도를 말해요. API(Application Programming Interface)는 뭐냐면, 식당 가서 ‘이모님, 김치찌개 하나요!’ 하고 주문하는 메뉴판 같은 거예요. 우리가 주방에서 직접 김치찌개를 끓일 줄 몰라도, 메뉴판 보고 주문만 하면 맛있는 찌개를 먹을 수 있잖아요? OpenAI의 GPT 모델을 API로 쓴다는 게 딱 이런 개념입니다. 어떤 ‘메뉴(명령어)’가 있는지, 어떻게 주문해야 내가 원하는 결과가 나오는지 정도는 알아야 한다는 거죠. 이걸 모르면 그냥 식당 앞에서 구경만 해야 해요.

두 번째 오해: “최신 논문만 열심히 따라가면 된다?” AI 분야는 하루가 멀다 하고 새로운 논문이 쏟아져요. 이걸 따라가는 것만도 벅차죠. 하지만 논문은 ‘여행 가이드북’이지, 실제 ‘여행’이 아니에요. 가이드북에는 가장 멋진 풍경 사진과 성공적인 여행담만 실려 있죠. 하지만 실제 여행은 어떤가요? 길을 잃기도 하고, 소매치기를 만나기도 하고, 음식이 입에 안 맞아 고생도 하잖아요. AI 연구도 똑같아요. 논문에는 잘 된 결과만 나와 있지만, 그 결과를 얻기까지 개발자들이 겪었을 수백 번의 실패와 ‘야크 털 깎기(Yak Shaving)’의 과정은 생략되어 있어요. 야크 털을 깎으려다 보니 가위가 무뎌서 갈아야 하고, 숫돌을 찾으려니 창고 문이 잠겼고, 열쇠를 찾으러 집까지 다녀오는 것처럼… 원래 목표와 상관없는 자잘한 문제를 해결하느라 시간을 보내는 상황을 뜻하는 개발자들의 은어죠. AI 작업의 90%가 이런 ‘야크 털 깎기’입니다. 논문만 보는 건, 여행 한 번 안 가보고 가이드북만 100권 읽는 것과 같아요. 진짜 실력은 남의 코드를 뜯어보고, 직접 돌려보고, 에러와 싸우는 ‘실전 여행’에서 나옵니다.

그래서 뭘 해야 하죠? 당신을 위한 'AI 생존 가이드'

자, 그래서 ‘우리 같은 보통 사람’이 뭘 해야 할까요? 뜬구름 잡는 소리 말고, 당장 시작할 수 있는 것들로만 꼽아봤어요. 거창한 계획보다 지금 당장 컴퓨터 켜고 해볼 수 있는 것들이에요.

1. ‘내 문제’부터 정의하기: 가장 중요한 첫 단추예요. ‘AI로 뭘 할 수 있을까?’처럼 막연하게 접근하면 아무것도 시작할 수 없어요. 질문을 바꿔야 합니다. “지금 내 일에서 가장 단순 반복적이고, 제일 빡치고, 시간을 많이 잡아먹는 게 뭐지?” 여기서부터 시작하세요. 예컨대 매일 수십 개씩 오는 이메일을 유형별로 분류하는 일, 매주 보고서에 들어가는 그래프를 손으로 만드는 일. 그 구체적인 문제를 AI가 해결해 줄 수 있는지 검색해보는 게 순서입니다. AI는 만병통치약이 아니라, 아주 구체적인 문제를 푸는 도구일 뿐이에요.

1. ‘야크 털 깎기’와 친해지기: 위에서 말했죠? AI 작업의 현실은 지저분한 데이터와 끝없는 에러와의 싸움이라고. 데이터 형식이 안 맞아서 코드를 백 번 고치고, 특정 프로그램(라이브러리) 버전이 충돌해서 하루 종일 원인을 찾고… 이런 과정을 ‘삽질’이라고 여기면 금방 지쳐요. 이걸 당연한 과정, 심지어는 문제를 해결해나가는 ‘재미’로 받아들일 수 있어야 해요. 이 ‘야크 털 깎기’에 내성이 없는 사람은 AI 판에서 버티기 힘듭니다.

1. ‘1일 1커밋’ 대신 ‘1주 1질문’: 개발자들 사이에 ‘1일 1커밋’(매일 코드를 짜서 깃허브(GitHub) 같은 곳에 올리는 것) 같은 챌린지가 유행하곤 해요. 물론 꾸준함은 중요하죠. 하지만 양에 대한 강박은 버리세요. 그 대신, 일주일에 한 번이라도 좋아요. 레딧, 스택오버플로우, 혹은 국내 AI 커뮤니티에 ‘내가 지금 이런 문제를 풀고 있는데, 이런 데이터를 가지고 이 모델을 써보니 결과가 영 별로네요. 혹시 다른 접근법이 있을까요?’ 같은 ‘좋은 질문’을 던지세요. 내 문제를 명확히 설명하고, 내가 뭘 시도해봤는지 구체적으로 공유하는 질문 말이에요. 좋은 질문이 좋은 답변을 낳고, 그 과정에서 배우는 게 진짜 공부입니다.

1. 남의 ‘요리법’ 훔쳐보기: 허깅페이스(Hugging Face)라는 사이트는 꼭 기억하세요. 전 세계 AI 개발자들이 자기가 만든 모델과 소스코드, 심지어 데이터셋까지 올려두는 ‘거대한 레시피 공유 사이트’ 같은 곳이에요. 내가 풀고 싶은 문제(예: ‘오래된 사진 선명하게 만들기’)와 비슷한 걸 다른 사람은 어떻게 풀었는지 ‘요리법(코드)’을 훔쳐보세요. 코드를 한 줄 한 줄 다 이해하지 못해도 괜찮아요. 일단 그대로 따라 해보면서 ‘아, 이런 식으로 돌아가는구나’ 감을 익히는 게 최고의 시작입니다.

앞으로 우리가 보게 될 풍경: 'AI 네이티브'의 탄생

이 모든 변화가 결국 어디로 향하고 있을까요? 저는 ‘AI 네이티브(AI Native)’의 탄생을 보게 될 거라고 생각해요. 인터넷과 스마트폰을 당연한 세상의 일부로 받아들이며 자란 세대를 우리가 ‘디지털 네이티브’라고 부르잖아요. 앞으로 태어날 아이들은 AI를 그렇게 받아들일 겁니다. 그들에게 AI는 배워야 할 신기술이 아니라, 계산기나 검색 엔진처럼 그냥 원래부터 있던 당연한 도구일 거예요.

이 세대에게 중요한 질문은 “AI를 어떻게 만들지?”나 “AI를 어떻게 배우지?”가 아닐 겁니다. 그들은 “이 당연한 도구를 가지고 어떤 재밌는 문제를 풀 수 있지?”를 물을 거예요. 예술가는 AI를 새로운 붓으로 쓸 거고, 과학자는 AI를 새로운 현미경으로 쓸 거고, 작가는 AI를 새로운 글쓰기 파트너로 삼겠죠.

결국 AI는 우리의 정체성을 바꾸고 있어요. 과거의 정체성이 ‘나는 코딩하는 개발자’, ‘나는 그림 그리는 디자이너’ 같은 ‘도구 중심’의 직업적 정체성이었다면, 미래의 정체성은 ‘나는 이런 종류의 문제를 푸는 사람’이라는 ‘문제 해결사’로서의 정체성으로 바뀔 겁니다. AI는 그저 문제 해결을 위한 여러 연장 중 하나일 뿐이죠. 그러니 지금 내가 어떤 연장을 잘 다루는지보다, 내가 평생을 걸고 풀고 싶은 나만의 ‘질문’이 있는지가 훨씬 더 중요해지는 세상입니다.

독자 Q&A: 그래도 궁금한 것들

Q. 결국 비전공자는 구글, OpenAI 같은 대기업 AI 연구팀은 들어가기 힘들다는 얘기 아닌가요? A. 솔직히 말해서, 네, 그럴 가능성이 높아요. 구글 딥마인드나 OpenAI의 코어 R&D(연구개발)팀처럼 AI 모델의 근본 구조를 연구하는 곳은 여전히 세계적인 석학들의 무대입니다. 하지만 세상의 모든 회사가 구글은 아니에요. 오히려 대다수의 ‘보통’ 기업들은 ‘우리 회사에 쌓인 이 데이터를 가지고 도대체 뭘 할 수 있을지’를 함께 고민해 줄 ‘도메인 전문가’를 피 터지게 찾고 있어요. 목표를 어디에 두느냐의 문제예요. 모두가 F1 레이서가 될 필요는 없잖아요? 내 전문성을 살려 ‘자율주행 트럭 운전사’가 되는 길도 충분히 멋지고, 수요도 훨씬 많습니다.

Q. AI 기술이 너무 빨리 변해서 오늘 배운 게 내일 쓸모없어질까 봐 두려워요. A. 그 마음 너무 잘 알죠. ‘학습 피로감’이라고 하죠. 근데 이건 AI만 그런 게 아니에요. 2010년대 초반 웹 개발 분야도 그랬고, 디지털 마케팅 분야도 매년 새로운 채널과 기법이 쏟아졌어요. 중요한 건 반짝하는 ‘최신 유행’ 기술을 좇는 게 아니라, 쉽게 변하지 않는 ‘기본 원리’를 이해하는 거예요. 자동차로 치면, 매년 디자인이 바뀐 신차가 나와도 ‘엔진, 바퀴, 핸들로 굴러간다’는 기본 원리는 안 바뀌는 것과 같아요. 데이터의 중요성, 좋은 질문을 던지는 법, RAG 같은 기술의 기본 개념 같은 것들이요. 이 기본기만 잘 닦아두면, 새로운 모델이 나와도 그저 ‘새로운 종류의 차’를 시운전해보는 것처럼 금방 적응할 수 있어요. 툴이 바뀌는 거지, 문제 해결의 본질이 바뀌는 건 아니니까요.

Q. 그래서, 그 레딧의 오디오 엔지니어는 AI 연구를 시작했을까요? A. 그 레딧 스레드에 후일담이 올라오진 않았지만, 저는 그가 이미 AI 연구를 하고 있었을 거라고 생각해요. ‘어떻게 하면 더 깨끗한 소리를 만들 수 있을까?’, ‘이 노이즈를 어떻게 제거하지?’ 같은 고민을 하는 것 자체가 이미 연구의 시작이니까요. AI는 그 오랜 고민을 해결해 줄 새로운 ‘악기’ 혹은 ‘측정 장비’를 하나 더 쥐여준 것뿐이죠. 수많은 사람들의 공감을 얻은 그의 글이야말로, 그가 이미 훌륭한 ‘문제 정의자’라는 가장 강력한 증거예요. 그리고 그것이야말로 AI 시대에 가장 중요한 자질이고요.