Jeff Dean이 말한 핵심은 AI를 전부 Master할 필요가 없다는 것이다
Google에서 27년을 보낸 Jeff Dean은 AI 시대에 진입하는 젊은 세대에게 모든 Model, Paper, Technique을 완벽히 따라가려 하지 말라고 조언한다. 변화 속도와 범위가 너무 커 한 사람이 모든 영역을 같은 깊이로 이해하는 것은 현실적이지 않다.
2026 Frontier & Pioneer Symposium에서 그는 한 편을 끝까지 파는 것보다 10편을 Skim해 가능한 아이디어의 지도를 넓히는 것이 때로 더 유용하다고 설명했다. 더 나아가 100개의 Abstract를 훑어보며 서로 연결되지 않은 Idea를 찾으라고 했다.
이는 얕게 공부하라는 뜻이 아니다. 제한된 시간을 어디에 쓸지 정하고, 필요한 순간에 중요한 Research로 돌아가 깊게 파고드는 방식이다.
넓게 읽은 뒤 아직 연결되지 않은 아이디어를 연결한다
AI는 Healthcare, Education, Biology, Engineering, Robotics, Mathematics 등 수많은 분야와 동시에 만난다. 모든 발전을 세부적으로 따라가는 것은 불가능하다.
Research를 폭넓게 읽으면 Method, Concept, Open Problem에 대한 더 큰 Mental Catalogue를 만들 수 있다. Equation이나 Implementation을 모두 기억하지 못해도 다른 Domain에 쓸 수 있는 접근법이 존재한다는 사실을 알고 있으면 새로운 Problem에서 연결점을 찾을 수 있다.
따라서 중요한 Skill은 무엇을 Deep Dive할지 선택하는 능력이다. Broad Reading은 Discovery이고, 유망한 Connection을 찾은 뒤에는 여전히 Deep Technical Work가 필요하다.
장기적으로는 약 5년짜리 문제가 매력적일 수 있다
Dean은 Problem Selection에도 구체적인 기준을 제시했다. 해결에 20년이 걸릴 것 같고 Approach도 보이지 않는 문제는 지나치게 멀 수 있다. 반대로 2년 안에 쉽게 끝날 문제는 큰 Breakthrough를 만들 만큼 어렵지 않을 수 있다.
그가 매력적으로 본 시간축은 약 5년이다. 여러 Experiment를 시도하고 실패하며 방향을 바꿀 여유가 있으면서도 해결 가능한 Path를 상상할 수 있는 길이다.
AI Trend가 매달 바뀌더라도 Career 전체를 Model Release에 맞출 필요는 없다. 여러 Product Cycle을 지나도 의미가 남는 Problem을 선택하고 새로운 Tool을 중간에 흡수하는 편이 더 지속적이다.
실패 역시 과정의 일부다. 여러 Approach 중 상당수가 실패해도 그 경험이 실제로 작동할 방향을 좁혀준다.
Google 27년을 마치고 DiscoveryLoop로 이동한 Dean
Dean은 2026년 8월 초 Google을 떠나 27년의 경력을 마무리했다. 2018~2023년 Google AI를 이끌었고 2023~2026년에는 Google Chief Scientist로 일했다.
현재 그는 AI Startup DiscoveryLoop의 Co-founder이자 CEO다. 이 회사는 Autonomous Research를 활용해 Science와 Engineering Discovery를 빠르게 만드는 것을 목표로 한다.
이 변화는 그의 조언과 연결된다. Expertise가 필요 없다는 것이 아니라 AI를 통해 전문 지식에 접근하는 장벽을 낮추고 Researcher가 혼자서는 검토하기 어려운 수많은 가능성을 탐색할 수 있게 하려는 것이다.
젊은 인재의 경쟁력도 Technical Information을 많이 암기하는 것보다 좋은 Question을 고르고 Domain을 연결하며 AI Output을 평가하는 능력으로 이동할 수 있다.
Dean은 AI가 인간이 할 수 있는 일의 범위를 넓힐 수 있다고 본다
AI가 일자리를 대체하거나 불평등을 키울 수 있다는 우려에도 Dean은 사회적 가치에 대해 강한 Optimism을 보인다. Healthcare와 Education처럼 Model이 사람의 지식과 자원 한계를 보완할 수 있는 분야를 예로 든다.
그는 여러 Science·Engineering Domain을 이해하는 Model이 다양한 분야에서 Ph.D.-level expertise에 가까운 도움을 제공할 수 있다고 본다. 충분히 신뢰할 수 있다면 Researcher가 새로운 분야로 넘어갈 때 수년간 Formal Training을 끝내기 전부터 고급 지식에 접근할 수 있다.
물론 Human Judgment는 여전히 중요하다. Model은 틀릴 수 있고 Experiment는 실패하며 중요한 Conclusion에는 Expert Validation이 필요하다. Dean 역시 Magic Answer가 없고 실패를 자주 경험한다고 인정한다.
AI의 긍정적 효과는 어려운 일이 자동으로 쉬워지는 것이 아니라 개인과 Small Team이 도전할 수 있는 Problem의 상한을 높이는 데 있다.
Gen Z가 가져갈 교훈은 덜 배우라는 것이 아니라 깊이를 선택하라는 것이다
Dean의 Message는 모든 AI Update를 따라가야 한다는 압박에서 벗어나는 Career Strategy다. 모든 것을 알 필요는 없지만 Opportunity를 볼 수 있는 폭, 필요한 순간에 깊게 들어갈 실력, 단기 Hype보다 오래가는 Problem에 투자할 인내가 필요하다.
실제로는 자신의 전문 밖 Research를 정기적으로 Scan하고 재사용할 수 있는 Idea를 기록하며 몇 년 뒤에도 중요한 Problem을 찾는 방식으로 적용할 수 있다. AI는 사고를 대신하는 도구보다 Exploration과 Prototype을 빠르게 하는 Tool로 쓰는 편이 맞다.
Information과 Technical Assistance가 풍부해질수록 희소해지는 것은 무엇이 중요한지 판단하는 Judgment일 수 있다. 서로 다른 Community의 Idea를 연결하는 사람은 좁은 한 분야의 Mastery만 추구하는 사람이 놓치는 Opportunity를 발견할 수 있다.
Dean은 Expertise를 부정하지 않는다. 더 넓은 지도를 먼저 만든 뒤 어디에 몇 년을 투자해 진짜 Expert가 될지 선택하라는 조언이다.
