책 소개: 진화의 가속도 Part 3 — 14년 후의 채점표

이 글은 Claude Opus 5 를 이용해 초안이 작성되었으며, 이후 퇴고를 거쳤습니다.

Part 1 에서는 저자를, Part 2 에서는 책의 주장을 다뤘습니다. 이제 채점입니다.

먼저 채점 기준을 정하겠습니다. 예측은 두 개의 층으로 나눠서 봐야 합니다.

목적지(destination) — 무엇이 언제 일어나는가
경로(mechanism) — 그것이 어떤 방식으로 일어나는가

이 구분이 결정적인 이유는, 커즈와일의 성적이 이 두 층에서 정반대로 나오기 때문입니다.

한 문장으로 요약하면 이렇습니다. 그는 도착지를 놀라울 만큼 정확히 맞혔고, 그리로 가는 지도는 거의 전부 틀렸습니다.

A. 맞은 것#

A-1. “신피질은 예측 기관이다” — 최대의 적중#

Part 2에서 본 그 대목을 다시 떠올려 보겠습니다. 커즈와일은 “S-U-G-A” 까지 읽으면 상위 인식기가 하위 인식기에게 “다음은 R” 이라는 예측 신호를 내려보낸다고 썼습니다. 그리고 생각한다는 것은 근본적으로 끊임없이 다음을 예측하는 일 이라고 주장했습니다.

2012년에는 이것이 신경과학적 사변이었습니다.

2026년에 이것은 제품의 작동 원리 입니다. 오늘날의 대규모 언어 모델은 문자 그대로 다음 토큰 예측기(next-token predictor)입니다. 학습 목표 함수가 “다음에 올 것을 맞혀라” 하나뿐입니다. 그리고 그 단순한 목표만으로 번역과 요약과 추론과 코드 작성이 창발했습니다.

커즈와일이 마음의 본질이라고 지목한 그 한 가지가, 실제로 지능처럼 보이는 것을 만들어 낸 그 한 가지였습니다. 이건 우연이라고 넘기기 어려운 적중입니다.

A-2. “하나의 범용 알고리듬” — 큰 적중#

PRTM의 전제는 “신피질은 구조가 균일하므로 알고리듬도 하나"였습니다. 이 주장이 뇌에 대해 참인지는 여전히 논쟁 중 입니다. 2024~2025년의 신경과학 문헌을 보면 피질의 정준 회로(canonical circuit) 가설은 종과 영역을 가로질러 상당히 보존되는 연결 구조를 근거로 유지되고 있지만, 영역별·종별 특수화도 함께 보고됩니다. 최근 연구는 이 가설을 뒤집기보다 정교화하는 쪽입니다.

그런데 기계에 대해서는 이 주장이 그냥 사실이 되었습니다.

Transformer라는 하나의 아키텍처가 텍스트, 이미지, 오디오, 비디오, 단백질 구조에 전부 쓰입니다. 도메인마다 다른 알고리듬을 설계하던 시대는 끝났습니다. 커즈와일이 뇌에 대해 주장했던 “하나의 알고리듬을 복사해 붙인다"가, 뇌가 아니라 AI 산업의 실제 공정 이 되었습니다.

A-3. “계층적 표현” — 적중#

저수준 특징에서 고수준 개념으로 층층이 올라간다는 그림은 딥러닝 그대로입니다. 이건 커즈와일의 독창적 발상은 아니었지만(게리 마커스가 지적했듯 1980년 네오코그니트론까지 거슬러 올라갑니다), 그가 이쪽에 걸었다는 점은 사실입니다.

A-4. “설계도는 작고 결과물은 크다” — 큰 적중#

Part 2에서 다룬 유전체 압축 논증을 기억하실 겁니다. 뇌 설계에 관여하는 유전체는 수십 메가바이트인데 시냅스는 수백조 개다, 따라서 규칙은 단순하고 반복적일 수밖에 없다는 논증입니다.

Transformer 아키텍처를 기술하는 코드는 수백 줄입니다. 그 위에 올라간 파라미터는 수천억 개이고, 그 결과로 나오는 능력은 사실상 목록화가 불가능합니다.

“단순한 규칙 + 압도적인 양의 경험 = 복잡한 능력” 이라는 커즈와일의 직관은, 그가 상상한 것보다 훨씬 극단적인 형태로 실현되었습니다.

A-5. “계산 자원은 지수적으로 계속 늘어난다” — 적중, 형태는 다름#

커즈와일의 예측 중 하나는 무어의 법칙이 2020년경 한계에 도달하되, 다른 패러다임이 곡선을 이어받는다 는 것이었습니다.

앞부분은 맞았습니다. 트랜지스터 미세화는 실제로 둔화됐습니다. 뒷부분도 맞았습니다. 다만 곡선을 이어받은 주체가 그가 예상한 것과 다릅니다. 그는 3차원 분자 컴퓨팅을 지목했는데, 실제로 이어받은 것은 GPU 병렬화와 전용 가속기, 그리고 데이터센터 규모 확장이었습니다.

그런데 결과 수치가 놀랍습니다. Epoch AI에 따르면 2020년 이후 프런티어 언어 모델의 학습 연산량은 연 5배씩, 즉 5.2개월마다 두 배씩 증가 했습니다. 무어의 법칙(2년에 2배)보다 훨씬 가파릅니다. 커즈와일이 말한 “지수의 지수"가 최소한 지난 6년간은 관측된 셈입니다.

다만 Epoch AI 자신이 단서를 답니다. 2018년 이후 추세는 연 4.2배(90% 신뢰구간 3.6~4.9배)로 이미 감속했고, 데이터센터 건설 리드 타임이 앞으로의 제약이 될 수 있다는 것입니다.

A-6. 2029년 — 아직 판정 전이지만, 여기서 가장 조심해야 합니다#

커즈와일의 간판 예측은 “2029년에 기계가 튜링 테스트를 통과한다"입니다. 그리고 이것은 말뿐인 예측이 아닙니다. 2002년에 그는 미첼 케이퍼(Mitchell Kapor)와 2만 달러를 걸었습니다.

Long Bets의 1번 내기입니다. 케이퍼 쪽 예측문은 “2029년까지 어떤 컴퓨터도 튜링 테스트를 통과하지 못한다"이고, 판정일은 2029년 12월 31일 입니다. 커즈와일이 이기면 상금은 커즈와일 재단으로, 케이퍼가 이기면 전자프런티어재단(EFF)으로 갑니다.

여기서 많은 사람이 착각합니다. 2025년 3월, 캘리포니아대 샌디에이고의 캐머런 존스와 벤저민 버건이 프리프린트를 냈습니다. 무작위 통제·사전 등록 설계로 진행한 튜링 테스트에서 결과는 이랬습니다.

시스템	인간으로 판정된 비율
GPT-4.5 (인간 페르소나 프롬프트)	73%
LLaMa-3.1-405B (동일 프롬프트)	56%
ELIZA	23%
GPT-4o	21%

GPT-4.5는 진짜 인간보다 더 자주 인간으로 지목되었습니다. “튜링 테스트가 통과됐다"는 헤드라인이 여기서 나왔습니다.

그런데 이것으로 Long Bets 1번이 판정되지는 않습니다. 두 테스트의 조건이 전혀 다르기 때문입니다.

항목	Jones & Bergen (2025)	Long Bets #1 규칙
대화 시간	5분	2시간
심사위원	크라우드소싱 참가자	위원회가 선정한 심사위원 3인
인간 대조군	1명	3명
통과 기준	통계적 비교	3인 중 2인 이상을 속이고, 동시에 인간 대조군 3명 중 2명 이상보다 높은 중앙값 순위

5분과 2시간은 다른 시험입니다. 게다가 위 연구에서 페르소나 프롬프트를 제거하면 GPT-4.5의 성적은 73%에서 36%로 떨어졌습니다. 인간처럼 보이라고 지시했을 때만 인간처럼 보였다는 뜻입니다.

한 가지 더. 이 연구는 arXiv 프리프린트 이며, 이 글을 쓰는 시점에 동료 심사 게재를 확인하지 못했습니다. 일부 매체가 저명 저널 게재로 보도했으나 확인되지 않았습니다.

판정: 커즈와일의 2029년 예측은 “이미 맞았다"도 “틀렸다"도 아니고, 3년 뒤에 판정될 예정입니다. 다만 2012년 시점에서 이 예측이 얼마나 무모해 보였는지를 생각하면, 지금 이 정도 거리까지 온 것 자체가 상당한 성적입니다.

B. 빗나간 것#

여기서부터 성적이 급격히 나빠집니다.

B-1. 계층적 은닉 마르코프 모델 — 완패#

Part 2에서 본 대로, 커즈와일의 공학적 핵심 베팅은 HHMM이었습니다.

오늘날의 LLM에 은닉 마르코프 모델은 없습니다. 부수적으로도 없습니다.

그냥 안 쓰인 정도가 아닙니다. 마르코프 가정 — 다음 상태는 현재 상태에만 의존한다 — 자체가 폐기되었습니다. 2017년 6월에 나온 「Attention Is All You Need」 는 초록에서 새 아키텍처가 “순환과 합성곱을 완전히 걷어냈다(dispensing with recurrence and convolutions entirely)” 고 선언합니다. 셀프 어텐션은 시퀀스를 순차적으로 훑지 않고 전체를 한 번에 봅니다.

커즈와일이 마음의 필수 구조라고 본 계층적·순차적 상태 전이가, 정확히 그것을 버림으로써 돌파구가 열렸습니다.

B-2. 유전 알고리듬 — 완패#

파라미터 학습 방법으로 그가 지목한 것은 유전 알고리듬이었습니다. 실제 승자는 역전파와 경사하강법 입니다. 진화가 아니라 미분이었습니다.

B-3. 벡터 양자화 — 부분 적중#

흥미롭게도 이것만은 완전히 죽지 않았습니다. 토크나이저와 임베딩은 고차원 입력을 이산적인 대표점으로 줄인다는 점에서 벡터 양자화의 후손이고, VQ-VAE 계열은 실제로 벡터 양자화를 씁니다. 다만 커즈와일이 부여한 중심적 역할은 아닙니다.

B-4. “뇌를 해독해야 마음을 만들 수 있다” — 책 전체의 전제가 무너졌습니다#

이것이 가장 큰 실패입니다. 그리고 개별 기법의 실패보다 훨씬 중요합니다.

How to Create a Mind 의 논증 구조는 이렇습니다. 신피질의 알고리듬을 알아낸다 → 그것을 컴퓨터로 구현한다 → 마음이 만들어진다. 역공학이 먼저이고 구현이 나중입니다. 책 제목이 “마음을 만드는 법"인 이유가 여기 있습니다.

실제로 일어난 일은 정반대였습니다.

오늘날의 LLM을 만든 사람들은 신피질을 거의 참조하지 않았습니다. Transformer는 신경과학 논문이 아니라 기계번역 에서 나왔습니다. 원 논문의 평가 과제는 WMT 2014 영어-독일어, 영어-프랑스어 번역과 영어 구문 분석이었습니다. 뇌 이야기는 없습니다.

즉 오늘날의 AI는 뇌를 해독해서 만들어진 것이 아니라, 뇌를 신경 쓰지 않고 만들어졌습니다. 커즈와일은 목적지를 맞히고 지도를 틀린 정도가 아니라, 지도를 볼 필요가 없다는 사실 자체를 놓쳤습니다.

B-5. 그리고 그는 자기 이론을 증명할 기회를 실제로 가졌습니다#

Part 2에서 정리한 게리 마커스의 비판 두 번째 항목을 기억하실 겁니다. “모델을 만들어 실제 인간 행동과 대조하지 않았다.” 2012년에는 이것이 방법론적 잔소리처럼 들렸습니다.

그런데 이 비판에는 12년짜리 답이 나왔습니다.

책이 나온 두 달 뒤인 2013년 1월, 커즈와일은 구글에 합류합니다. 래리 페이지가 직접 영입했고, 직무는 “구글에 자연어 이해를 가져오는 것"이었습니다. 그는 지구상에서 가장 큰 컴퓨팅 자원과 데이터를 손에 넣었습니다. 자기 이론을 구현해 볼 조건으로는 이보다 나은 것을 상상하기 어렵습니다.

12년 동안의 결과물을 정리하면 이렇습니다.

Talk to Books (2018년 4월 공개, TED 2018에서 커즈와일이 직접 발표). 대화형 문장 쌍 10억 개로 학습한 모델로 10만 권의 책을 문장 단위 로 의미 검색하는 서비스였습니다.
같은 계열의 계층적 벡터 언어 모델이 Gmail 스마트 답장(Smart Reply) 개선에 반영되었습니다.

Talk to Books는 당시로서는 인상적이었습니다. 그리고 지금은 종료되어 아카이브 상태 입니다.

여기서 시점을 겹쳐 보면 이야기가 선명해집니다. 커즈와일이 Talk to Books를 발표하기 1년 전인 2017년, 같은 회사의 다른 팀이 Transformer 논문을 냈습니다. 그리고 그 뒤의 이야기는 모두가 아는 대로입니다.

커즈와일은 세계 최고의 자원을 손에 쥐고 자기 이론을 12년간 밀었고, 같은 건물 안의 다른 접근법에 추월당했습니다. 마커스의 비판에 대한 답으로는 이보다 더 명확하기 어렵습니다.

B-6. 나노봇 — 크게 지연#

커즈와일은 2030년대에 모세혈관을 통해 뇌로 들어가는 분자 크기 로봇 이 클라우드와 직접 연결될 것이라고 말해 왔습니다. 2025년 10월 MIT 강연에서도 같은 그림을 반복했습니다.

2026년 현재의 실제 위치는 이렇습니다.

DNA 오리가미로 만든 나노로봇이 혈류를 타고 암세포를 표적해 치료제를 방출하는 데까지는 왔습니다. 인간 유방암 이종이식 생쥐 모델에서 종양 성장 최대 70% 감소 가 보고되었습니다.
그러나 대부분의 의료용 나노로봇 기술은 연구·전임상·초기 임상 단계 에 머물러 있습니다. 임상에 도달한 나노기술 기반 시스템은 소수입니다.
병목은 기술적 원리가 아니라 대량 제조 와 자율 생물학적 기계에 대한 안전성·규제 프레임워크의 부재 입니다.

생쥐의 종양에서 사람의 뇌로, 그리고 항암 치료에서 뇌-클라우드 인터페이스로 가는 거리는 대단히 멉니다. 2030년대는 4년 뒤부터 시작합니다.

B-7. 뇌-컴퓨터 인터페이스 — 지연#

2026년 현재 Neuralink의 임상시험 참가자는 20~30명 규모 입니다. 사지마비 환자가 생각으로 컴퓨터 커서와 로봇 팔을 제어하는 PRIME 연구와, 발화 장애인의 생각에서 단어를 해독하는 VOICE 연구가 진행 중이며, 영국·캐나다·아랍에미리트로 확대되고 있습니다.

이것은 의학적으로 대단히 중대한 성취 입니다. 동시에 커즈와일이 말하는 “2045년 지능 100만 배 확장"과는 완전히 다른 단계입니다. 지금 벌어지는 일은 잃어버린 기능의 회복이지 능력의 확장이 아닙니다.

C. 왜 빗나갔는가#

개별 항목을 나열하는 것보다, 왜 이런 패턴으로 빗나갔는지 를 보는 편이 유용합니다. 네 가지 원인을 제안합니다.

C-1. 도구의 저주#

커즈와일은 HHMM으로 상용 음성인식을 만들어 성공한 사람입니다. 25년 뒤 그는 인간의 뇌를 HHMM으로 설명했습니다.

이것은 흔한 인지 편향입니다. 망치를 든 사람에게는 모든 것이 못으로 보입니다. 그런데 커즈와일의 경우 특히 함정이 깊었습니다. 그 망치가 실제로 대단히 좋은 망치였기 때문입니다. HHMM은 그 시대 음성인식의 최고 기술이었습니다. 실패한 도구에 집착하는 것보다, 성공한 도구를 과잉 일반화하는 쪽이 훨씬 빠져나오기 어렵습니다.

Part 1에서 그의 발명 이력이 권위의 원천이자 편향의 원천이라고 적었던 것이 이 대목입니다.

C-2. 지수 곡선은 “얼마나"를 맞히고 “어떻게"를 못 맞힙니다#

이것이 가장 구조적인 원인입니다.

수확 가속의 법칙은 총량의 추세 를 다루는 도구입니다. 연산 성능이, 저장 용량이, 유전체 해독 비용이 어떤 기울기로 움직이는지를 봅니다. 이런 총량 추세는 개별 기술의 흥망과 무관하게 이어지는 경향이 있습니다. 어떤 패러다임이 이어받든 곡선은 이어집니다.

바로 그렇기 때문에 이 방법론은 메커니즘을 예측할 수 없습니다. 곡선이 어떤 기술로 이어질지는 곡선 자체가 말해 주지 않습니다.

커즈와일이 총량 예측(연산량 증가, 2029년이라는 시점)에서 강하고 메커니즘 예측(HHMM, 유전 알고리듬, 뇌 역공학)에서 약한 것은 우연이 아니라 그의 방법론이 가진 구조적 특성 입니다. 그는 자기 도구가 잘하는 일과 못하는 일을 구분하지 않고 둘 다에 썼습니다.

C-3. 생물학적 유비의 함정#

비행기는 새처럼 날개를 퍼덕이지 않습니다. 잠수함은 물고기처럼 헤엄치지 않습니다. 공학의 역사는 자연의 해법을 이해하는 것과 같은 문제를 푸는 것이 별개 라는 사례로 가득합니다.

커즈와일은 “뇌를 이해해야 마음을 만든다"는 쪽에 걸었습니다. 딥러닝은 뉴런에서 이름과 은유를 빌려 왔을 뿐, 실제 뉴런을 모사하지 않습니다. 역전파는 뇌에서 일어나는 일이 아닙니다.

다만 여기서 공정을 기해야 합니다. 이 노선이 최종적으로 틀렸다고 판정된 것은 아닙니다. 제프 호킨스는 여전히 뇌 모방 노선을 밀고 있고(천 개의 뇌 이론과 Thousand Brains Project), 현재 LLM이 가진 한계 — 지속적 학습, 표본 효율성, 감각운동 통합 — 가 결국 뇌를 다시 보게 만들 가능성은 열려 있습니다. 커즈와일이 틀린 것은 노선이 아니라 시점 일 수 있습니다.

C-4. 반증 조건이 없는 이론은 자기 오류를 감지하지 못합니다#

Part 2에서 소개한 심슨 가핑클의 비판이 여기서 살아납니다. PRTM은 반증 가능한 형태로 제시되지 않았습니다. 어떤 결과가 나와도 이론과 모순되지 않는다면, 이론이 틀렸다는 것을 알아차릴 장치가 없습니다.

커즈와일이 25년째 2029년과 2045년을 바꾸지 않는 것도 같은 맥락에서 볼 수 있습니다. 일관성은 미덕일 수도 있지만, 어떤 증거가 들어와도 갱신되지 않는 예측은 예측이라기보다 신념 에 가깝습니다.

여기에 Part 1에서 짚은 동기 구조를 겹쳐 놓으면 그림이 더 분명해집니다. 2032년에 수명 탈출 속도가 오지 않으면 개인적으로 곤란해지는 사람이 2032년을 예측하고 있습니다. 이것은 그의 정직성을 의심할 근거가 아니라, 그의 시간표에 하방 압력이 걸려 있지 않다 는 사실을 감안해야 한다는 뜻입니다.

D. 그런데 비판자들도 틀렸습니다#

여기서 멈추면 불공정합니다. 커즈와일을 때렸던 사람들의 채점표도 펼쳐야 합니다. 그리고 이쪽이 훨씬 흥미롭습니다.

게리 마커스: “규모만으로는 진짜 AI에 도달하지 못한다”#

2012년에는 대단히 합리적인 주장이었습니다. 2026년 시점에서는 최소한 대폭 후퇴가 필요한 주장 입니다.

규모는 놀라울 만큼 멀리까지 데려갔습니다. 마커스가 “패턴 매칭으로는 안 된다"며 예시로 들었던 종류의 과제 — 상식 추론, 유추, 맥락 이해 — 상당수를 규모가 밀어붙였습니다. 마커스가 지금도 유효하게 지적하는 문제들(환각, 신뢰성, 분포 밖 일반화)이 있지만, “규모는 벽에 부딪힌다"는 예측 자체는 여러 차례 조기 선언되었다가 여러 차례 뚫렸습니다.

콜린 맥긴: “패턴 인식은 지각만 설명한다”#

절반은 무너졌습니다. 맥긴은 패턴 인식으로 추론·계산·계획을 설명할 수 없다고 했는데, 다음 토큰 예측기가 수학을 풀고 코드를 짜고 다단계 계획을 세웁니다.

나머지 절반은 여전히 서 있습니다. 감정, 의도, 의지 에 대한 맥긴의 질문은 하나도 해결되지 않았습니다. LLM이 감정을 표현하는 것과 감정을 갖는 것 사이의 간극은 2012년만큼 넓습니다. 다만 이제 우리는 그 간극이 능력의 발현을 막지 않는다 는 것을 알게 되었습니다. 이건 맥긴도 커즈와일도 예상하지 못한 결과입니다.

심슨 가핑클: “학습하는 무언가를 만들고 학습시켜라에 불과하다”#

이것이 이 이야기 전체에서 가장 아이러니한 대목입니다.

가핑클은 이 문장을 조롱으로 썼습니다. PRTM에서 알맹이를 빼면 아무 내용도 없는 동어반복만 남는다는 뜻이었습니다.

그런데 그것이 실제로 정답이었습니다. 오늘날의 기초 모델을 만드는 절차를 한 문장으로 요약하면 정확히 그렇습니다. 학습할 수 있는 충분히 큰 구조를 만들고, 충분히 많은 것을 학습시킨다. 아키텍처의 정교한 사전 설계보다 규모와 데이터가 결과를 지배한다는 것은 지난 10년의 가장 큰 교훈 중 하나입니다.

가핑클은 옳은 관찰을 했고, 그것을 비판이라고 생각했습니다.

E. 채점표#

예측 / 주장	판정	비고
신피질은 예측 기관이다	적중	LLM은 문자 그대로 다음 토큰 예측기
하나의 범용 알고리듬	적중	뇌에 대해서는 논쟁 중, 기계에 대해서는 사실
계층적 표현	적중	다만 독창적 발상은 아님
단순한 규칙 + 대량 경험 = 복잡한 능력	적중	유전체 압축 논증의 기계판
연산 자원의 지수적 증가 지속	적중	형태는 다름. 연 5배 (Epoch AI)
2029년 인간 수준 AI	판정 전	Long Bets #1, 2029-12-31 판정
계층적 은닉 마르코프 모델	완패	LLM에 HMM 없음. 마르코프 가정 자체가 폐기
유전 알고리듬으로 학습	완패	역전파와 경사하강법이 승리
벡터 양자화	부분 적중	토크나이저·임베딩·VQ-VAE의 조상
뇌 역공학이 선행되어야 한다	완패	Transformer는 기계번역에서 나옴
본인이 구현해 증명	실패	구글 12년, Talk to Books 종료
2030년대 의료 나노봇	크게 지연	생쥐 전임상 단계
BCI를 통한 지능 확장	지연	임상시험 20~30명 규모, 기능 회복 단계

F. 그래서 2026년에 이 책을 어떻게 읽을 것인가#

이렇게 읽으면 실망합니다#

“AI를 이해하기 위한 책"으로 읽으면 안 됩니다. 한국어판 제목 《진화의 가속도》 와 부제 “AI의 마음은 어떻게 만들어지고 진화하는가” 는 이 책을 2026년 AI 해설서처럼 보이게 합니다. 그렇게 집어 들면 실망하실 겁니다. 이 책에는 Transformer도, 어텐션도, 스케일링 법칙도 없습니다. 있을 수가 없습니다. 2012년 책이니까요.

이렇게 읽으면 훌륭합니다#

“예측이 어떻게 맞고 어떻게 틀리는지에 대한 사례 연구"로 읽으면 이 책은 지금 나온 어떤 AI 해설서보다 유용합니다.

지금 우리 주변에는 AGI 타임라인을 말하는 사람이 넘칩니다. 5년이다, 2년이다, 이미 왔다, 영원히 안 온다. 이 책은 그런 주장을 어떻게 평가해야 하는지 를 실물 사례로 보여 줍니다.

이 책에서 뽑아낼 수 있는 실전 규칙 세 가지를 제안하겠습니다.

1. 결과 예측과 경로 예측을 분리해서 채점하십시오. 누군가 “5년 안에 AGI가 온다"고 말할 때, 그 사람이 어떤 경로로 올 것이라고 말하는지 따로 들으십시오. 커즈와일의 사례가 보여 주듯, 두 예측의 정확도는 전혀 다를 수 있습니다. 그리고 대개 경로 예측이 먼저 무너집니다.

2. 예측자가 자기 최고 성공작을 렌즈로 쓰고 있지 않은지 보십시오. HHMM으로 음성인식을 만든 사람은 뇌를 HHMM으로 봤습니다. 오늘날 트랜스포머로 성공한 사람이 세계를 트랜스포머로 볼 가능성은 얼마나 될까요. 성공한 도구일수록 렌즈로 굳기 쉽습니다.

3. 그 예측이 틀렸다는 것을 무엇으로 알 수 있는지 물어보십시오. 가핑클의 비판이 여전히 유효한 이유입니다. 반증 조건이 없는 예측은 정보가 아닙니다.

그리고 이 책의 진짜 가치#

마지막으로 균형을 맞추겠습니다. 위에서 커즈와일의 경로 예측을 상당히 혹독하게 채점했습니다만, 한 가지를 잊으면 안 됩니다.

2012년에 “기계가 인간 언어를 이해하게 될 것이며 그 시점은 2029년"이라고 공개적으로 말한 사람은 거의 없었습니다. 당시 주류 AI 학계의 분위기는 훨씬 신중했고, 상당수는 그것을 세대 단위의 문제로 봤습니다. 커즈와일은 조롱을 감수하면서 연도를 못 박았고, 내기를 걸었고, 그 예측을 25년간 철회하지 않았습니다.

그 예측은 지금 판정 3년을 앞두고 상당히 가까이 와 있습니다.

경로를 틀린 것은 사실입니다. 그러나 방향과 시점을 그만큼 정확히 짚은 사람이 몇이나 되는지도 함께 세어야 공정합니다. 그리고 그것이 이 14년 묵은 책을 지금 다시 펴 볼 이유입니다.

정리#

커즈와일은 목적지를 맞히고 지도를 틀렸습니다. 예측이 지능의 핵심이라는 통찰, 하나의 범용 알고리듬, 단순한 규칙과 대량 경험의 조합 — 이 모두가 적중했습니다.
그가 제시한 공학적 수단은 거의 전부 빗나갔습니다. HHMM도 유전 알고리듬도 쓰이지 않았고, 무엇보다 뇌를 해독해야 마음을 만들 수 있다 는 책 전체의 전제가 무너졌습니다.
왜 그렇게 빗나갔는가. 자기 최고 성공작을 렌즈로 썼고, 총량 추세를 예측하는 도구를 메커니즘 예측에 썼으며, 반증 조건 없는 이론이라 오류를 감지할 장치가 없었습니다.
비판자들도 대칭적으로 틀렸습니다. 특히 가핑클이 조롱으로 쓴 “학습하는 걸 만들고 학습시켜라"가 실제 정답이었다는 점이 이 이야기의 가장 큰 아이러니입니다.
2029년 12월 31일에 Long Bets 1번이 판정됩니다. 2025년의 5분짜리 튜링 테스트 결과는 이 내기를 판정하지 않습니다. 규칙이 요구하는 것은 2시간짜리 심문입니다.

References#

책

Kurzweil, R. (2012). How to Create a Mind: The Secret of Human Thought Revealed. Viking. (한국어판: 윤영삼 옮김, 《진화의 가속도: AI의 마음은 어떻게 만들어지고 진화하는가》, 촐라체, 2026-08-20)
Kurzweil, R. (2024). The Singularity Is Nearer: When We Merge with AI. Viking.
Hawkins, J. (2021). A Thousand Brains: A New Theory of Intelligence. Basic Books.

2026년 자료

Jasnoff, B. (2026, February 11). Futurist Ray Kurzweil Says Humanity Is Seven Years Away from Beating Disease. Boston Magazine. https://www.bostonmagazine.com/health/2026/02/11/ray-kurzweil-interview/
Frontiers in Bioengineering and Biotechnology (2026). Advancements and challenges of nanorobots in surgical medicine. https://www.frontiersin.org/journals/bioengineering-and-biotechnology/articles/10.3389/fbioe.2026.1778916/full

2025년 자료

Jones, C. R., & Bergen, B. K. (2025, March 31). Large Language Models Pass the Turing Test. arXiv:2503.23674. https://arxiv.org/abs/2503.23674 — 프리프린트입니다. 이 글을 쓰는 시점에 동료 심사 게재를 확인하지 못했습니다.
MIT News. (2025, October 10). Ray Kurzweil ‘70 reinforces his optimism in tech progress. https://news.mit.edu/2025/ray-kurzwei-reinforces-his-optimism-tech-progress-1010

추세 자료

Epoch AI. Training compute of frontier AI models grows by 4-5x per year. https://epoch.ai/blog/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year

비교·배경 자료 (옛 자료임을 명시합니다)

Long Bets. (2002). Bet #1: By 2029 no computer — or “machine intelligence” — will have passed the Turing Test. https://longbets.org/1/ — 24년 전 등록된 내기이며, 판정일은 2029-12-31입니다.
Vaswani, A., et al. (2017, June 12). Attention Is All You Need. arXiv:1706.03762. https://arxiv.org/abs/1706.03762
Google Research Blog. (2018, April). Introducing Semantic Experiences with Talk to Books and Semantris. https://research.google/blog/introducing-semantic-experiences-with-talk-to-books-and-semantris/
Marcus, G. (2012, November 15). Ray Kurzweil’s Dubious New Theory of Mind. The New Yorker. — 원문 접근이 차단되어 요지만 재구성했습니다.
Wikipedia. Ray Kurzweil / How to Create a Mind. (인물 이력, 예측 정확도 논쟁, 당대 서평의 출처)