2024년 10월 8일, 노벨 물리학상 발표를 보고 많은 사람이 잠깐 멈칫했습니다. 수상자는 John J. Hopfield와 Geoffrey E. Hinton. 둘 다 오늘날 AI 연구의 뿌리를 만든 인물로 자주 언급됩니다. 그런데 받은 상은 컴퓨터과학상이 아니라 물리학상이었습니다.
노벨위원회의 공식 수상 사유는 “인공신경망을 이용한 머신러닝을 가능하게 한 기초적 발견과 발명”입니다. 쉽게 말하면, 두 사람이 물리학에서 쓰던 에너지, 스핀, 확률, 통계역학의 생각을 가져와 컴퓨터가 패턴을 저장하고 배우는 방법을 만들었다는 뜻입니다.
이 글은 2024년 노벨 물리학상이 왜 AI와 연결됐는지, 그리고 “물리학으로 AI를 만들었다”는 말이 실제로 어떤 의미인지 일반 독자 눈높이에서 풀어봅니다. 사실 관계는 Nobel Prize 공식 보도자료와 대중 과학 해설 PDF를 기준으로 확인했습니다.
누가 어떤 상을 받았나
이번 수상자는 두 명입니다.
| 인물 | 당시 소속 | 받은 상 | 노벨위원회가 짚은 핵심 기여 |
|---|---|---|---|
| John J. Hopfield | Princeton University | 2024 노벨 물리학상 공동 수상 | 패턴을 저장하고 복원하는 Hopfield network 제안 |
| Geoffrey E. Hinton | University of Toronto | 2024 노벨 물리학상 공동 수상 | Boltzmann machine을 통해 데이터의 특징을 학습하는 방법 발전 |
John Hopfield는 1933년 미국 시카고에서 태어났고, 1958년 Cornell University에서 박사 학위를 받았습니다. Nobel Prize의 인물 소개에 따르면 그는 1982년 패턴을 저장하고 다시 만들어내는 네트워크를 발명했습니다. 노벨위원회는 이 네트워크가 이미지 분석 같은 분야에도 중요해졌다고 설명합니다.
Geoffrey Hinton은 1947년 영국 런던에서 태어났고, 1978년 University of Edinburgh에서 박사 학위를 받았습니다. 그는 1983~1985년 무렵 통계물리학의 도구를 이용해 Boltzmann machine을 만들었습니다. 이 방식은 데이터 안의 특징을 알아보고, 이미지를 분류하거나 새로운 패턴을 만드는 아이디어로 이어졌습니다.
여기서 흥미로운 점은 두 사람이 “AI 서비스를 잘 만들었다”는 이유로 상을 받은 것이 아니라는 점입니다. ChatGPT 같은 서비스가 등장하기 훨씬 전, 인공신경망이 한동안 비주류처럼 보이던 시기에 “네트워크가 어떻게 기억하고 배울 수 있는가”를 물리학 언어로 다룬 공로를 인정받았습니다.
기사들은 왜 놀랐나
공식 발표와 여러 보도가 공통으로 주목한 지점은 단순합니다. “AI 연구자가 노벨 물리학상을 받았다”는 문장 자체가 낯설었기 때문입니다.
노벨위원회는 보도자료에서 두 수상자가 “오늘날 강력한 머신러닝의 기반이 되는 방법”을 개발했다고 설명했습니다. 또 Hopfield는 연상기억을, Hinton은 데이터 속 특징을 스스로 찾는 방법을 만들었다고 정리했습니다. 이 표현이 중요한 이유는 AI를 단순한 소프트웨어 유행이 아니라, 물리학의 오래된 질문과 연결해 보게 만들기 때문입니다.
대중 기사들이 크게 다룬 포인트는 대략 세 가지였습니다. 첫째, AI가 이제 과학의 주변부가 아니라 노벨상급 기초과학의 언어 안으로 들어왔다는 점입니다. 둘째, 딥러닝의 유명 인물인 Hinton이 물리학상을 받으면서 “AI의 아버지”라는 대중적 이미지가 다시 소환됐다는 점입니다. 셋째, 수상 분야가 물리학인 만큼 이 업적을 단순히 컴퓨터 구현이 아니라 통계물리학과 복잡계의 관점에서 봐야 한다는 점입니다.
저는 세 번째가 가장 중요하다고 봅니다. AI를 이야기할 때 보통 모델 크기, GPU, 서비스 경쟁을 먼저 떠올립니다. 하지만 이번 상은 그보다 한 단계 아래 질문을 꺼냅니다. 많은 작은 단위가 서로 영향을 주고받을 때, 전체 시스템은 어떻게 안정된 패턴을 만들고 학습하는가. 이 질문은 자석, 원자 스핀, 열역학, 신경망을 한 줄로 이어줍니다.
물리학이 AI가 되는 과정
Hopfield network를 이해하는 가장 쉬운 비유는 “흐릿한 기억을 되찾는 과정”입니다. 어떤 단어가 생각날 듯 말 듯 할 때가 있습니다. 첫 글자나 느낌만 남아 있는데, 머릿속에서는 비슷한 후보들이 떠오르다가 결국 맞는 단어로 수렴합니다. Hopfield network도 비슷한 일을 합니다.
이 네트워크에서는 노드를 픽셀처럼 생각할 수 있습니다. 각 노드는 0 또는 1 같은 값을 갖고, 노드 사이 연결은 서로를 밀거나 끌어당깁니다. Hopfield는 이 전체 상태를 물리학의 “에너지”처럼 표현했습니다. 저장하고 싶은 패턴은 에너지가 낮은 골짜기처럼 만들어둡니다. 나중에 조금 깨진 입력이 들어오면, 네트워크는 한 단계씩 값을 바꾸며 에너지가 낮아지는 방향으로 움직입니다. 마지막에는 가장 가까운 골짜기, 즉 저장된 기억에 도착합니다.
이게 왜 물리학일까요. 노벨위원회 설명에 따르면 Hopfield는 자성 물질에서 원자 스핀이 서로 영향을 주며 전체 상태를 만드는 방식을 참고했습니다. 스핀은 원자를 작은 자석처럼 보이게 하는 성질입니다. 이 작은 자석들이 서로 영향을 주면 물질 전체에 질서가 생깁니다. Hopfield network에서는 노드와 연결이 비슷한 역할을 합니다.
Hinton의 Boltzmann machine은 여기서 한 걸음 더 나갑니다. Hopfield network가 저장된 패턴을 찾아가는 기억 장치에 가깝다면, Boltzmann machine은 데이터가 어떤 특징을 가질 때 “그럴듯한지”를 확률적으로 배웁니다. 이름에 들어간 Boltzmann은 통계물리학의 Ludwig Boltzmann을 떠올리게 합니다. 통계물리학은 수많은 입자의 미시적 움직임을 직접 하나하나 따라가지 않고, 확률과 에너지로 전체 행동을 설명합니다.
AI 관점에서 이 차이는 큽니다. 전통적인 소프트웨어는 사람이 규칙을 씁니다. “이런 픽셀이 있으면 고양이, 저런 모양이면 자동차”처럼요. 하지만 머신러닝은 예시를 많이 보여주고, 컴퓨터가 그 안에서 특징을 찾게 합니다. Boltzmann machine은 이 방향을 여는 초기 아이디어 중 하나였습니다. 오늘의 거대한 인공신경망과 바로 같은 구조는 아니지만, “데이터 속 표현을 학습한다”는 사고방식의 중요한 길목입니다.
여기서 인공신경망이라는 말도 너무 신비롭게 볼 필요는 없습니다. 노벨위원회의 대중 해설은 뇌의 뉴런을 노드로, 시냅스를 연결로 비유합니다. 학습은 연결의 세기가 바뀌는 과정입니다. 함께 자주 활성화되는 연결은 강해지고, 덜 맞는 연결은 약해집니다. 물론 실제 뇌와 컴퓨터 신경망은 다릅니다. 하지만 “많은 단순한 단위가 연결 강도를 바꾸며 패턴을 처리한다”는 큰 그림은 같습니다.
이런 설명을 들으면 “그럼 물리학상이 맞네”라고 느끼게 됩니다. 상을 받은 것은 특정 앱이 아니라, 패턴·기억·학습을 물리학의 언어로 다룬 기초 아이디어입니다. 오늘의 생성형 AI가 훨씬 큰 데이터와 컴퓨팅 위에서 돌아간다 해도, 그 밑바닥에는 여전히 에너지, 확률, 최적화, 네트워크라는 개념이 있습니다. AI 코딩 에이전트 같은 최신 응용도 결국 이런 표현 학습의 긴 역사 위에 서 있습니다.
한계와 마무리
이번 수상이 “AI가 물리학을 대체했다”는 뜻은 아닙니다. 오히려 반대에 가깝습니다. 물리학에서 갈고닦은 생각이 AI의 핵심 방법을 만드는 데 쓰였다는 뜻입니다. 분야의 경계가 흐려졌지만, 기초과학의 역할은 더 분명해졌습니다.
또 하나 조심해야 할 점은 Hopfield network나 Boltzmann machine이 곧바로 ChatGPT 같은 현대 LLM이라는 식으로 말하면 안 된다는 것입니다. 사이에는 역전파, 합성곱 신경망, GPU 계산, Transformer, 대규모 데이터 학습 같은 많은 발전이 있습니다. 두 수상자의 업적은 그 모든 것을 단번에 만든 “완성품”이 아니라, 나중 발전이 가능해지는 데 필요한 기초 토대였습니다.
Hinton에 대해서는 기술적 공로와 별개로 AI 위험에 대한 경고도 함께 언급됩니다. 이 점도 균형 있게 봐야 합니다. 강한 기술을 만든 사람이 그 기술의 사회적 위험을 걱정한다는 사실은 모순이라기보다, 오히려 기술이 충분히 강해졌다는 신호일 수 있습니다. AI 글을 쓸 때 장점만 말하면 독자를 속이는 일이 됩니다. 한계와 위험까지 같이 봐야 합니다.
정리하면 이렇습니다. 첫째, 2024년 노벨 물리학상은 John Hopfield와 Geoffrey Hinton이 공동 수상했습니다. 둘째, 수상 분야는 “인공신경망 기반 머신러닝을 가능하게 한 기초적 발견과 발명”입니다. 셋째, 핵심은 물리학의 에너지와 확률 개념이 컴퓨터의 기억과 학습을 설명하는 도구가 됐다는 점입니다.
그래서 이번 상은 AI 업계의 축하 뉴스로만 읽기엔 아깝습니다. 더 재미있는 메시지는 따로 있습니다. 오늘의 AI는 갑자기 하늘에서 떨어진 기술이 아니라, 물리학자들이 물질과 패턴을 이해하려고 만든 언어가 컴퓨터 안으로 들어온 결과입니다. 노벨상이 조명한 것도 바로 그 긴 연결고리입니다.
