AI 시대, 지식의 생산을 넘어 가치의 실현으로 - Beyond Producing Knowledge: Realizing Value in the Age of AI

1. AI의 발전과 인간 지적 능력의 상대적 축소

1.1 한 사람이 감당할 수 없는 규모

요즘 AI 회사들을 보면 먼저 그 규모에 압도된다. OpenAI는 2026년 3월 기준 약 4,500명이 일하고 있고, 연말까지 8,000명으로 늘릴 계획이라고 한다. Anthropic은 공식 인원을 공개하지 않지만 외부 추정으로 3,000~5,000명 수준이고, Gemini를 만드는 Google DeepMind는 약 6,000명이다.

이 중 연구·개발(R&D) 인력만 따로 공개한 곳은 없다. 다만 외부 추정에 따르면 OpenAI는 엔지니어링이 전체 인원의 약 56%, 연구가 약 25%를 차지한다. 회사 인원의 80% 가까이가 모델을 연구하고 만드는 일에 매달려 있는 셈이다(출처: SQ Magazine, PitchBook).

그렇게 만들어진 모델은 수천억 개가 넘는 파라미터를 가진다. 인류가 쌓아 온 방대한 텍스트와 데이터가 학습에 쓰이고, 거대한 데이터센터가 그 연산을 떠받친다.

이 규모가 어느 정도인지 대표적인 모델 몇 개로 살펴보면 이렇다. GPT-4 이후의 최신 모델들은 파라미터 수를 공개하지 않기 때문에, 학습에 들어간 칩과 전력, 비용으로 규모를 가늠해 볼 수 있다.

모델 (공개 연도)	학습에 쓴 칩	학습 전력량	비용 (추정)
GPT-3 (2020, 파라미터 1,750억 개)	V100 GPU 약 1만 개로 약 15일	약 1.3 GWh	약 400만 달러
GPT-4 (2023, 파라미터 비공개)	A100 GPU 약 2만 5천 개로 90~100일	공개된 추정치 없음	약 9,000만 달러 (장비 구입가는 약 8억 달러)
Claude 3.5 Sonnet (2024, 파라미터 비공개)	비공개	비공개	수천만 달러 (Anthropic CEO 언급)
Llama 3.1 405B (2024, 파라미터 4,050억 개)	H100 GPU 1만 6천 개 이상	약 21.6 GWh	약 6,000만 달러
Claude 3.7 Sonnet (2025, 파라미터 비공개)	비공개 (학습 연산량 10²⁶ FLOP 미만)	비공개	수천만 달러 (Anthropic 측 설명)
Grok 4 (2025, 파라미터 비공개)	H100 약 2억 4,600만 GPU시간 (10만 개를 약 100일 돌린 양)	약 310 GWh	약 4억 9,000만 달러

추정 방식이 서로 달라 대략적인 규모만 비교할 수 있지만, 흐름은 분명하다. GPT-3에서 Grok 4까지 5년 사이에 학습 전력량은 약 240배 늘었고, 비용은 수백만 달러에서 수억 달러로 뛰었다. Grok 4 한 번을 학습시키는 데 쓴 전력은 미국인 약 4,000명이 1년 동안 쓰는 에너지와 맞먹는다. Epoch AI는 이 추세가 이어지면 2027년쯤 단일 학습 비용이 10억 달러를 넘을 것으로 내다봤다.

Anthropic은 모델별 학습 자원을 거의 공개하지 않지만, 인프라 규모로 짐작해 볼 수는 있다. Anthropic은 2026년 4월 기준 Amazon의 Trainium2 칩 100만 개 이상을 Claude 학습과 서비스에 쓰고 있다고 밝혔고, Amazon과는 최대 5GW, Google과는 TPU 최대 100만 개(1GW 이상) 규모의 컴퓨팅 계약을 맺었다. Claude 3.5 Sonnet과 3.7 Sonnet은 수천만 달러로 당시 최고 수준의 모델을 만들었지만, CEO 다리오 아모데이는 앞으로의 모델에는 수십억 달러가 들 것으로 내다봤다(Simon Willison, TechCrunch, Anthropic, Silicon UK).

출처: Patterson et al. (GPT-3), Epoch AI 비용 분석 (GPT-4), Meta Llama 3.1 모델 카드 (Llama 3.1), Epoch AI (Grok 4). GPT-4의 칩 규모는 공식 발표가 아니라 유출 자료를 바탕으로 한 추정치다(USENIX). Llama 3.1의 전력량은 GPU 최대 전력에 GPU 사용 시간을 곱한 값이고, 비용은 H100 임대가를 시간당 약 2달러로 잡아 환산한 값이다.

이 모든 것이 가리키는 사실은 하나다. 오늘날 AI의 능력은 한 사람이 결코 감당할 수 없는 규모의 연산과 학습 위에 서 있다. 그리고 그 토대 위에서 AI는 인간의 지적 활동을 하나씩 대신하거나 넘어서고 있다. 정보를 찾고 지식을 익히는 일, 데이터를 분석하는 일, 코드를 짜는 일, 수학적으로 추론하고 증명하는 일, 심지어 과학적 가설과 모델을 세우는 일까지.

1.2 인간의 지적 우위가 사라지는 시대

AI는 이미 여러 영역에서 한 개인이 가진 지식의 양을 넘어섰다. 2025년 국제수학올림피아드(IMO)에서는 Google DeepMind의 AI가 6문제 중 5문제를 풀어 공식적으로 금메달 수준의 점수를 인정받았다. 그해 인간 참가자 약 630명 중 금메달을 받은 사람은 10% 정도였다(Euronews).

내가 평생 읽어도 다 못 읽을 분량의 글을 학습한 모델이, 내가 몇 시간을 들여 찾을 정보를 몇 초 만에 정리해 준다. 이제 '많이 아는 것'만으로는 인간이 경쟁력을 유지하기 어렵다.

이 흐름은 앞으로 더 빨라질 것이다. AI가 인간을 능가하는 영역은 계속 넓어질 것이고, 언젠가는 한 사람이 아니라 인류 전체의 지적 능력을 넘어서는 AI가 등장할 것이다. 물론 이것은 확정된 사실이 아니라 미래에 대한 전망이다. 하지만 지금의 속도를 보면 충분히 진지하게 받아들여야 할 가능성이라고 생각한다.

그렇다면 우리는 이런 질문 앞에 서게 된다.

인간의 지식과 지적 생산 능력이 더 이상 희소하지 않은 시대에, 인간의 역할과 존재 가치는 무엇으로 설명할 수 있을까?

과학자인 나에게 이 질문은 결코 추상적이지 않다. 새로운 지식을 만들어 내는 일이 바로 지금 내가 하는 일이기 때문이다.

2. AI 시대에 변화하는 과학자의 역할

2.1 과학자는 지금까지 무엇을 해 왔나

과학자의 일은 오랫동안 비슷한 흐름을 따라왔다. 아직 설명되지 않은 현상이나 문제를 발견하고, 그것을 설명할 가설과 이론적 모델을 세운다. 실험과 분석으로 그 가설을 검증하고, 그렇게 얻은 새로운 지식을 학계와 사회에 내놓는다.

문제 발견 → 가설 수립 → 모델 제시 → 실험과 검증 → 새로운 지식 생산. 나 역시 이 흐름 안에서 훈련받았고, 이 과정의 맨 앞, 즉 새로운 질문과 모델을 내놓는 일을 과학자의 핵심이라고 여겨 왔다.

2.2 수학에서 먼저 일어난 변화

이 흐름이 가장 먼저 흔들린 곳은 수학이다. 2026년 5월, OpenAI의 AI 모델이 1946년 폴 에르되시(Paul Erdős)가 제기한 평면 단위거리 문제에 관한 추측을 반증했다. 거의 80년 동안 수학자들이 옳다고 믿어 온 추측이었다. 이 모델은 이 문제만을 위해 특별히 훈련된 것이 아니었고, 기하 문제를 대수적 정수론과 연결하는 예상 밖의 방법을 썼다(Interesting Engineering).

흥미로운 것은 그다음 장면이다. 외부 수학자들이 이 증명을 검토하고, 그 의미를 설명하는 동반 논문을 썼다. 새로운 답을 내놓은 것은 AI였고, 인간 수학자들은 그 답이 맞는지 확인하고 해석하는 자리에 섰다. 수학자가 새로운 해석을 제시하던 시대에서 AI의 결과를 검증하는 시대로 넘어가는 장면을, 우리는 지금 보고 있다.

그리고 그 검증조차 점점 기계의 일이 되고 있다. AI가 만든 증명을 Lean 같은 증명 보조 도구로 자동 검증하는 일도 빠르게 늘고 있다.

2.3 생물학도 예외가 아니다

생물학과 자연과학도 같은 길을 걷기 시작했다. 2025년, 영국 임페리얼 칼리지 런던의 호세 페나데스(José Penadés) 교수 연구팀은 일부 박테리아가 종을 넘어 퍼지는 방식에 대해 오랜 연구 끝에 얻은, 아직 발표하지 않은 가설을 가지고 있었다. 그런데 Google의 AI 도구 'co-scientist'에 핵심 질문을 던지자, 이틀 만에 같은 가설을 최상위 후보로 내놓았다. 연구팀이 미처 생각하지 못한 가설까지 함께였다(BBC).

물론 그 오랜 시간에는 가설을 실험으로 증명하는 기간도 포함되어 있다. 하지만 연구팀은 처음부터 이 가설을 알았다면 수년을 아낄 수 있었을 것이라고 말했다.

AI가 가설과 생물학적 모델을 만들고, 실험을 설계하고 우선순위를 정한다. 자동화된 실험 시스템이 가설을 검증하고, AI가 다시 결과를 해석해 다음 연구를 설계한다. 아직 이 모든 단계가 하나로 이어져 있지는 않지만, 각 단계에서 시도는 이미 진행 중이다. 장기적으로는 지금 사람이 손으로 하는 실험도 로봇이 대체하게 될 것이고, 과학적 발견 과정의 상당 부분이 자동화될 수 있다.

이것은 먼 미래의 이야기만은 아니다. 신약 개발에서는 로봇이 수십만 개의 화합물을 자동으로 시험하는 고속대량스크리닝(HTS)이 오래전부터 표준이 되었다. AI 신약개발 기업 Recursion은 로봇 자동화 실험실에서 매주 최대 220만 건의 세포 실험을 수행하고, 그 데이터로 AI 모델을 학습시킨다(Recursion). 2026년에는 로봇 자동화 기업과 함께, 스스로 실험을 계획하고 수행하는 '자율 실험실(self-driving lab)'의 가능성을 탐색하기 시작했다(Recursion).

2.4 '발견은 AI, 검증은 인간'이라는 구분은 유지될까

과거에는 인간이 가설을 세우고 직접 검증했다. 지금은 인간과 AI가 가설 생성과 분석, 검증 과정에서 협업한다. 그리고 미래의 한 가능성으로, AI가 새로운 모델과 이론을 제시하고 실험과 검증까지 설계하거나 수행하며, 인간은 결과를 해석하고 최종 평가만 맡게 될 수도 있다.

그런데 결과를 검증하고 평가하는 일 역시 AI가 할 수 있다. 수학에서 이미 그 조짐이 보이듯이. 그렇다면 'AI가 발견하고 인간이 검증한다'는 구분조차 오래 유지된다고 장담할 수 없다.

이 지점에서 나는 근본적인 질문들과 마주한다.

• AI가 인간보다 새로운 지식을 더 잘 생산하게 된다면, 과학자의 가치는 새로운 사실을 발견하는 능력에만 있는가?
• 인간이 과학적 발견에서 더 이상 주도적인 역할을 하지 못한다면, 과학 연구의 의미는 어떻게 달라질까?
• 과학자는 앞으로 무엇을 위해 연구해야 할까?

3. 지식 생산을 넘어, 인간이 추구해야 할 가치는 무엇인가

3.1 인류는 무엇을 생산하며 살아왔나

인류는 시대마다 서로 다른 활동으로 생존과 번영을 추구해 왔다.

시대	주요 생산 활동	창출한 가치
원시·수렵채집 사회	사냥, 채집	생존과 생명 유지
농업·산업 사회	식량, 물품, 재화 생산	물질적 풍요
현대 지식사회	과학, 기술, 정보, 지식 생산	지적·기술적 발전과 자아실현
AI 사회	?	?

물론 이 표는 단순화된 그림이다. 역사 속에서 생존, 재화, 지식이 차례로 바통을 넘긴 것은 아니다. 행복, 인간관계, 예술, 공동체, 자아실현은 언제나 중요했다. 그래서 더 정확히 말하면, 가치 자체가 바뀌어 왔다기보다 인간이 가치를 실현하기 위해 주로 하는 생산 활동이 바뀌어 왔다.

지금 우리 시대의 대표적인 생산 활동은 지식 생산이다. 그런데 AI가 지식 생산에 드는 인간의 노동을 크게 줄이고 있다. 그렇다면 표의 마지막 줄, 물음표에는 무엇이 들어가야 할까? 내 생각에 그 자리에는 '가치 그 자체'가 들어간다. 여기서 말하는 가치란 인간이 스스로 중요하다고 여기고, 삶에서 우선순위를 두는 것들이다. 행복, 재미, 건강처럼, 무엇을 앞에 둘지는 사람마다 집단마다 다를 수 있다.

3.2 지식을 만드는 일과 인간의 가치를 정하는 일은 다르다

이 질문에 답하려면 두 가지를 구분해야 한다고 생각한다. 하나는 지식의 생산이다. 새로운 사실과 원리를 발견하고, 새로운 모델과 기술을 개발하고, 알려지지 않은 정보를 만들어 내는 일이다.

다른 하나는 인간의 가치, 곧 인간이 중요하게 여기는 것들의 선택과 실현이다. 무엇을 중요하게 여길 것인가, 어떤 삶을 지향할 것인가, 만들어진 지식을 무엇을 위해 쓸 것인가, 어떤 경험과 관계, 사회를 만들어 갈 것인가를 정하고 실천하는 일이다.

지식은 그 자체로 가치를 가질 수 있지만, 동시에 인간이 추구하는 목적을 이루기 위한 수단이기도 하다. AI가 지식 생산 능력을 아무리 끌어올려도, '우리는 어떤 삶과 사회를 원하는가'라는 질문은 그대로 남는다. 지식을 생산하는 능력과, 그 지식으로 무엇을 추구할지 정하는 문제는 구분되어야 한다.

3.3 왜 가치를 정하는 주체는 인간이어야 하는가

AI는 어떤 선택이 어떤 결과로 이어질지 분석하고 예측할 수 있다. 어떤 가치가 중요할지 제안하고, 그 이유를 논리적으로 설명할 수도 있다. 하지만 AI가 어떤 가치를 중요하다고 평가한다는 이유만으로 인간이 그것을 따라야 하는 것은 아니다.

결국 가치란 인간이 중요하다고 여기는 것이다. 가치는 인간의 경험과 욕구, 감정, 관계, 문화, 그리고 사회적 합의를 통해 의미를 얻는다. AI가 백번 중요하다고 말해도 우리가 그 가치를 실제로 느끼지 못한다면, 그것은 우리 삶에서 큰 의미를 갖기 어렵다. 우리가 중요하다고 느끼고 지향하는 것이 우리에게 중요한 것이다.

AI는 인간이 추구할 가치에 관한 판단을 도울 수 있다. 그러나 그 가치를 무엇을 위해, 어느 방향으로 실현할지 결정하는 주체는 인간과 인간 사회여야 한다.

3.4 질문이 바뀐다

그래서 AI 시대에는 던져야 할 질문 자체가 바뀐다고 생각한다. 지금까지 우리는 주로 이렇게 물었다. 무엇을 새롭게 발견할 수 있는가? 무엇을 더 효율적으로 생산할 수 있는가? 어떻게 더 뛰어난 지적 능력을 갖출 것인가?

앞으로는 이런 질문들이 더 중요해질 것이다. 우리는 무엇을 위해 지식을 생산하는가? 우리는 어떤 삶을 살고 싶은가? 인간에게 중요한 경험은 무엇인가? 기술의 발전을 어떻게 인간의 행복과 안녕으로 이어 갈 것인가?

잠정적인 결론은 이렇다. AI 시대에는 인간의 지적 생산 능력보다, 인간이 추구하는 가치의 방향과 그 실현이 더 중요해질 수 있다.

4. 내가 궁극적으로 추구하는 가치: 행복과 안녕

4.1 나에게 가장 중요한 가치

사람마다 답은 다르겠지만, 나의 답은 분명하다. 인간의 행복과 안녕이다.

내가 그리는 모습은 이렇다. 사람들이 행복하게 살아가는 사회, 서로를 존중하고 배려하는 따뜻한 관계, 가족과 친구, 연인처럼 소중한 사람들과의 유대, 정신적·신체적 건강, 각자의 성장과 자아실현, 그리고 다른 사람의 행복에 보탬이 되는 삶. 내가 궁극적으로 바라는 것은 기술적으로 발전한 사회 그 자체가 아니라, 인간이 더 행복하고 따뜻하게 살아갈 수 있는 사회다.

4.2 놀고먹는 것이 행복일까

그렇다면 행복이란 무엇일까? AI가 모든 일을 대신해 주고 우리는 놀고먹기만 하면 되는 세상이 행복한 세상일까? 나는 꼭 그렇지는 않다고 생각한다.

인간은 즐거움과 편안함에서도 행복을 느끼지만, 의미 있는 활동에서도 행복을 느낀다. 무언가를 이뤄 내고 성장할 때, 자신을 실현할 때, 다른 사람과 관계를 맺고 공동체에 기여할 때, 사랑하고 사랑받을 때, 그리고 스스로 가치 있다고 믿는 일에 몰입할 때다.

그래서 행복은 단순히 노동에서 해방되거나 욕구가 채워진 상태만을 뜻하지 않는다. 의미 있는 목표를 추구하고, 성장하고, 다른 사람과 관계를 맺는 과정 자체에서도 우리는 행복을 경험한다.

4.3 AI 시대의 자아실현

지금까지 자아실현은 주로 생산적인 성취와 연결되어 있었다. 새로운 지식을 발견하고, 새로운 기술과 제품을 개발하고, 자기 능력을 발휘해 사회적으로 인정받는 일이다. 과학자인 나도 새로운 모델을 제시하고 무언가를 생산하는 데서 자아실현의 기쁨을 느껴왔다.

AI 시대에는 이 등식이 달라질 수 있다. 생산의 효율성이나 우수성, 곧 생산 능력에 두던 가치가 상대적으로 줄어들 수 있다. 새로운 사실을 가장 먼저 발견하지 않아도 의미 있는 지적 활동은 가능하다. 관계, 예술, 창작, 탐구, 공동체 기여처럼 자아를 실현하는 길은 훨씬 다양해질 것이고, 자신이 중요하게 여기는 가치를 실현하는 과정 자체에서 의미를 찾을 수 있을 것이다.

물론 아직 답하지 못한 질문들도 남아 있다.

• AI가 인간보다 모든 일을 더 잘하게 되더라도, 인간의 성취는 여전히 의미가 있을까?
• 어떤 일을 가장 잘해야만 그 일을 할 가치가 있는가?
• 결과물의 우수성과, 그 일을 직접 해 보는 경험 중 무엇이 더 중요한가?

5. AI 시대에 변화하는 인간의 능력과 역할

5.1 생각을 결과물로 만드는 장벽이 낮아지고 있다

과거에는 아이디어를 실제로 구현하려면 다양한 전문 기술이 필요했다. 생각을 전달하려면 탄탄한 논리 구조와 글쓰기, 언변이 필요했고, 분석하고 설계하고 만드는 데 많은 시간과 노동이 들었다.

지금은 다르다. AI가 아이디어를 구조화하고 표현하는 일을 돕고, 프로그래밍과 분석, 글쓰기에 드는 비용이 크게 줄었다. 한 개인이 예전보다 훨씬 적은 자원으로 복잡한 결과물을 만들 수 있게 되었다.

대표적인 예가 '바이브 코딩(Vibe Coding)'이다. 전문적인 프로그래밍 지식이 없어도 자연어로 설명하면 AI가 웹사이트와 앱, 자동화 시스템을 만들어 준다. 예전에는 전문 개발 인력이 필요했던 일의 일부를, 이제는 아이디어를 가진 개인이 직접 해낸다. 이것은 다가올 미래가 아니라, 이미 시작되어 지금 진행 중인 변화다.

구현의 장벽이 낮아질수록 더 중요해지는 질문이 있다. 무엇을 만들 것인가? 왜 그것을 만들어야 하는가? 그것을 통해 어떤 가치를 실현할 것인가? 결과물을 만드는 능력이 흔해질수록, 그 결과물로 이루려는 인간의 가치와 목적이 상대적으로 더 중요해진다.

5.2 방향을 정하는 능력

세부적인 실행과 기술적 구현의 상당 부분은 AI에게 맡길 수 있게 된다. 그만큼 인간은 자신이 추구하는 목적과 가치를 더 분명하게 세울 필요가 있다. 복잡한 일을 해내는 능력만큼이나, 전체의 방향을 정하는 능력이 중요해진다.

그렇다고 논리적 사고와 표현 능력이 필요 없어지는 것은 아니다. AI가 정리한 결과가 정말 내 생각을 담고 있는지 판단해야 하고, 그 안의 논리적 오류나 잘못된 전제를 알아볼 수 있어야 한다. 그리고 내 가치와 목적을 다른 사람과 나누고 합의하는 능력은 여전히, 아니 오히려 더 필요하다.

5.3 이 글이 바로 그 사례다

사실 이 글 자체가 그 변화를 보여 준다. 나는 처음에 완성된 구조 없이 떠오르는 생각을 그대로 적어 내려갔다. 어차피 AI에게 정리와 다듬기를 부탁하면 된다는 생각이었다.

예전 같았으면 생각을 체계적으로 정리하고 표현하는 데 많은 시간을 썼을 것이다. 이번에는 구조화와 표현의 부담을 AI와 나누고, 그만큼의 시간을 '나는 무엇을 생각하고 있는가'를 탐구하는 데 쓸 수 있었다. 물론 AI가 정리한 결과가 내 생각과 맞는지 하나하나 확인하는 일은 여전히 내 몫이었다.

AI는 인간의 지적 활동을 대체하기만 하는 도구가 아니다. 인간이 자신의 생각과 가치를 더 쉽게 구체화하도록 돕는 도구일 수도 있다.

6. 그렇다면 나는 어떤 삶을 살아갈 것인가

6.1 오래된 가치관을 다시 확인하다

내가 궁극적으로 지향하는 것은 따뜻한 인간사회, 그리고 인간의 행복과 안녕이다. 지식과 기술의 발전은 그 자체가 최종 목적이 아니다. 내게 중요한 것은 사람과 사람 사이의 관계, 행복, 따뜻함이다. 과학의 발전 역시 결국 인간의 삶을 더 풍요롭게 하는 데 기여해야 한다고 믿는다.

이 생각은 갑자기 생겨난 것이 아니다. 고등학생 때부터 나는 결국 중요한 것은 인간이고, 인간이 행복하게 살아가는 사회를 만들어야 한다고 생각했다. 다만 그때는 그 가치를 실현할 구체적인 수단이나 방법을 잘 알지 못했다.

AI의 발전과 과학자로서의 진로를 고민하면서, 나는 그때의 생각으로 다시 돌아왔다. 그리고 AI 시대의 변화를 이해할수록 행복과 인간 중심의 가치관에 대한 확신은 오히려 더 강해지고 있다. 그래서 지금 내가 하는 일은 새로운 가치관을 만드는 것이라기보다, 오래 품어 온 가치를 더 분명히 정의하고 구체적인 실천으로 발전시키는 과정에 가깝다.

6.2 다과랜드

'다과랜드'도 이런 가치관에서 시작된 프로젝트다. 처음 구상은 소박했다. 차와 과자를 먹을 때 느끼는 소소한 행복, 편안하고 따뜻한 분위기, 가벼운 생각부터 전문적인 지식까지 자유롭게 나눌 수 있는 공간. 사람들에게 편안함과 즐거움을 주는 곳이었다.

지금은 이 철학을 지키면서 실현 방법을 넓혀 가고 싶다. 과학적 지식, 인간관계, 공동체, 환경 설계를 엮어서 행복이라는 추상적인 가치를 실제 경험으로 바꾸는 공간을 만들고, 그것이 계속 발전하고 확장될 수 있는 시스템으로 키우고 싶다. 단순한 콘텐츠나 취미 프로젝트를 넘어, 사람들이 행복을 경험하고 자신만의 가치를 발견하는 공간으로.

다과랜드는 단순히 행복을 제공하는 장소가 아니라, 사람들이 자신만의 행복을 발견하고 실현할 수 있도록 돕는 공간이다.

6.3 지금 나는 어디에 서 있나

나는 지금 신경과학을 연구하는 대학원생이다. 지금까지는 새로운 과학적 사실을 발견하고 그것을 설명하는 모델을 제시하는 것을 중요한 목표로 삼아 왔다. 앞으로도 과학적 탐구 자체에서 흥미와 성취감을 느낄 것이다.

하지만 AI 시대에는 과학자의 사회적 역할과 가치가 달라질 수 있다. 물론 과학자의 일이 원래부터 지식 생산에만 묶여 있던 것은 아니다. 다만 지식 생산의 상당 부분을 AI가 맡게 되면서, 과학자로서 내가 어떤 가치를 추구하는지가 훨씬 더 중심에 놓이게 될 것이다. 결국 나는 이런 질문들 앞에 선다.

• 내가 연구를 통해 궁극적으로 이루고 싶은 것은 무엇인가?
• 내가 발견한 지식은 어떻게 인간의 행복에 기여할 수 있는가?
• 연구하는 과정에서 나 자신은 어떻게 행복을 느끼는가?
• 과학자로서의 자아실현과 다른 사람의 행복에 기여하는 삶을 어떻게 연결할 수 있을까?

7. 과학자로서 행복과 안녕에 기여하는 방법

이 부분은 아직 결론보다 탐색할 질문이 더 많은 단계다. 그래도 지금 보이는 길들을 정리해 보면 이렇다.

7.1 과학이 행복에 기여하는 여러 경로

첫 번째는 과학 그 자체를 통한 기여다. 인간의 신경계와 행동이 어떻게 작동하는지 밝히고, 신경정신질환과 신경발달질환의 기전을 더 깊이 이해하는 일은 결국 사람들의 정신적·신체적 건강으로 이어질 수 있다. 기초과학이 만들어 내는 지식은 당장 눈에 보이지 않더라도 행복의 토대가 된다.

두 번째는 교육과 지식의 공유다. 후속 연구자를 키우고 그들의 성장을 돕는 일, 새로운 지식과 연구 방법을 나누는 일, 과학적 사고방식을 사회에 퍼뜨리는 일, 그리고 다른 연구자들이 연구할 수 있는 환경을 만드는 일도 행복에 기여하는 방법이다.

세 번째는 연구 공동체다. 서로 존중하고 협력하는 연구실 문화, 연구자의 성장과 행복을 함께 고려하는 연구 환경, 과도한 경쟁과 성과 중심의 문화를 넘어서는 공동체를 만드는 것. 연구실은 내가 가장 먼저, 가장 직접적으로 행복이라는 가치를 실천할 수 있는 곳이다.

7.2 지금 당장 할 수 있는 일

거창한 계획보다 지금 할 수 있는 일부터 시작하려 한다. 과학자로서의 전문성을 키우고, 생물학적 기전을 이해하고 검증하는 연구 역량을 다진다. AI를 적극적으로 활용해 연구의 생산성과 효율을 높인다. 연구 성취와 개인의 행복 사이에서 균형을 찾고, 가까운 사람들과의 관계를 소중히 여기며 실천한다. 지금의 성장이 장기적으로 더 큰 사회적 기여의 바탕이 될 것이라고 믿는다.

7.3 장기적으로 되고 싶은 과학자

장기적으로는 독립적인 신경과학자로 성장해, 인간의 마음과 행동을 이해하는 데 기여하는 연구를 하고 싶다. 연구로 만들어진 지식이 사회적으로 어떤 의미를 갖는지 고민하는 과학자, 후학을 기르고 건강한 연구문화를 만드는 PI가 되고 싶다. 그리고 과학의 발전과 인간의 행복을 잇는 활동을 넓혀 가며, 궁극적으로는 인간의 행복과 안녕에 기여하는 삶을 살고 싶다.

이런 과학자를 한 단어로 부르자면, 나는 '철학신경과학자'라는 이름을 붙여 보고 싶다. 뇌와 마음이 어떻게 작동하는지 밝히는 신경과학자이면서, 그 지식이 무엇을 위해 쓰여야 하는지, 인간에게 무엇이 중요한지를 함께 묻는 과학자다. 그렇다면 이미 있는 '신경철학'과는 무엇이 다를까?

신경철학(neurophilosophy)은 철학자 퍼트리샤 처칠랜드가 1986년 같은 제목의 책으로 널리 알린 분야다. 마음과 몸의 관계, 의식, 자아처럼 심리철학이 오래 다뤄 온 질문에 뇌과학의 발견으로 답하려 한다(Stanford Encyclopedia of Philosophy). 즉 신경철학의 질문은 '마음이란 무엇인가'이고, 뇌과학은 그 답을 찾는 도구다.

내가 말하는 철학신경과학자는 질문의 방향이 다르다. 출발점은 신경과학 연구 자체이고, 철학은 '이 연구로 만든 지식은 무엇을 위한 것인가', '인간에게 무엇이 중요한가'를 묻는 데 쓰인다. 신경철학이 뇌를 통해 마음을 이해하려 한다면, 철학신경과학자는 뇌와 마음에 대한 이해를 인간의 가치로 이어 가려 한다.

여기서 스스로에게 꼭 상기시키고 싶은 것이 있다. 행복을 위해 당장 과학자를 그만두고 '행복 회사' 같은 것을 차릴 필요는 없다. 지금 가진 전문성을 키우면서도 내가 추구하는 가치와 충분히 연결할 수 있다. 과학이 행복에 기여하는 방식은 치료 기술 개발만이 아니다. 기초연구, 교육, 공동체 형성, 과학적 이해의 확산처럼 다양한 길이 있다.

과학을 통해 사실을 이해하고, 철학을 통해 목적을 성찰하며, 실천을 통해 가치를 실현한다.

과학자의 역할은 세상을 설명하는 데 그치지 않고, 인간이 진정으로 인간다움을 느낄 수 있는 경험을 설계하는 데까지 확장될 수 있다.

8. 중간 정리: 가치의 생산에서 가치의 선택과 실현으로

여기까지의 생각을 정리하면 이렇다. AI가 지식 생산의 상당 부분을 맡게 되더라도 인간의 존재 가치가 사라지는 것은 아니다. 인간의 존재 가치는 지식을 얼마나 많이 생산하느냐가 아니라, 무엇을 중요하게 여기고 무엇을 추구하느냐에서 나온다. 지식을 생산하는 능력과, 그 지식으로 추구하는 목적은 구분되어야 한다.

그래서 나는 앞으로 '무엇을 생산할 수 있는가'만큼이나 '인간으로서 어떤 가치를 선택하고 실현할 것인가'에 더 집중하려 한다.

9. 앞으로의 철학적 과제: 가치와 메타가치

나는 인간의 행복과 안녕을 궁극적인 가치로 선택했다. 하지만 솔직히 말해, 행복이 무엇인지에 대한 내 이해는 아직 충분하지 않다. 그리고 행복 외에도 자유, 진리, 존엄성, 자아실현처럼 궁극적이라고 부를 만한 가치는 여럿 있다.

이런 가치들이 서로 부딪칠 때 무엇을 기준으로 선택해야 할까? 이것이 내가 앞으로 탐구해야 할 '메타가치'의 문제다.

• 어떤 가치가 더 중요한지 판단하는 기준은 무엇인가?
• 개인의 자기결정권과 자율성은 어떤 의미를 갖는가?
• 인간의 행복을 증진한다는 명목으로 개인의 자유를 제한해도 되는가?

과학은 무엇이 인간의 행복에 영향을 미치는지 설명할 수 있다. 하지만 무엇이 좋은 삶인지에 대한 규범적 판단까지 과학만으로 내릴 수 있을까? 나는 그렇지 않다고 생각한다. 그래서 가치론과 윤리학, 행복의 철학을 계속 공부해야 한다고 느낀다.

지금의 가치관을 최종 정답으로 못 박고 싶지는 않다. 새로운 경험과 지식을 통해 계속 다듬어 가고 싶다.

10. 작은 실천에서 시작하기

구체적인 계획은 아직 아이디어 노트에 더 많이 남겨 두었다. 여기서는 두 가지만 적어 둔다.

하나는 행복한 연구실이다. 언젠가 독립적인 PI가 된다면, 과학적 성과를 위해 사람을 소모하는 연구실이 아니라, 사람이 성장하고 행복을 추구하는 과정에서 뛰어난 연구가 이루어지는 연구실을 만들고 싶다.

다른 하나는 다과랜드의 작은 실험이다. 처음부터 큰 공간이나 조직을 만들 필요는 없다. 이 블로그에서 생각과 과학적 지식을 나누고, 수면이나 디지털 습관 같은 생활 속 작은 프로그램을 함께 시도해 보며, 그 경험을 쌓아 조금씩 발전시켜 나가려 한다.

11. 결론: 확고한 가치, 열린 가능성

AI의 발전으로 인간의 역할과 지식 생산의 방식은 계속 바뀔 것이다. 하지만 그 변화 속에서도 내가 궁극적으로 추구하는 가치는 분명하다. 인간의 행복과 안녕, 그리고 따뜻한 인간사회다. 고등학생 때부터 품어 온 이 가치관에 대해, 나는 이제 더 깊은 확신을 갖게 되었다.

다만 그 가치를 실현할 방법은 아직 정해지지 않았다. 나는 이것을 부족함이 아니라 무궁무진하게 열린 가능성으로 본다. 앞으로의 경험과 배움 속에서 계속 다듬어 나갈 가능성이다. 과학적 연구와 새로운 발견일 수도 있고, 후학 양성과 행복한 연구 공동체일 수도 있고, 다과랜드 같은 사회적 공간일 수도 있다. 아직 상상하지 못한 새로운 형태의 활동이나 조직일 수도 있다.

지금 다과랜드의 최종 형태를 정할 필요는 없다. 사회와 기술이 변하면서 새로운 가능성이 생길 것이고, 나 자신의 경험과 생각도 계속 자랄 것이다. 처음부터 완벽하게 설계하기보다, 작은 실천과 경험을 통해 조금씩 발전시켜 나가려 한다.

중요한 것은 특정한 사업이나 조직을 완성하는 것이 아니다. 내가 추구하는 가치를 잃지 않으면서, 그 가치를 실현할 가능성을 끊임없이 탐구하는 것이다. 과학자로서, 그리고 한 인간으로서 그 가능성을 발견하고 실현해 나가는 것을 평생의 과제로 삼고 싶다.

내가 추구하는 가치는 분명해졌지만, 그것을 실현할 방법에는 아직 무한한 가능성이 열려 있다. 지금 그 모든 가능성을 정의할 필요는 없다. 앞으로의 삶에서 끊임없이 탐구하고, 경험하고, 실현해 나가면 될 것이다.

---

Beyond Producing Knowledge: Realizing Value in the Age of AI

1. The Rise of AI and the Shrinking Edge of Human Intellect

1.1 A scale no single person can match

Look at today's AI companies and the first thing that strikes you is their scale. As of March 2026, OpenAI had about 4,500 employees and planned to grow to 8,000 by year-end. Anthropic does not publish its headcount, but outside estimates put it at 3,000 to 5,000, and Google DeepMind, which builds Gemini, has about 6,000.

None of these companies discloses how many of those people work in research and development. One outside estimate for OpenAI puts engineering at about 56% of staff and research at about 25%, meaning close to 80% of the company is researching and building models (sources: SQ Magazine, PitchBook).

The models they build have hundreds of billions of parameters or more. They learn from the vast body of text and data humanity has accumulated, and enormous data centers carry the computation.

To get a sense of that scale, here are a few representative models. Since GPT-4, leading labs no longer disclose parameter counts, so the chips, electricity, and money that went into training are the best way to gauge it.

Model (year)	Chips used for training	Training energy	Cost (estimate)
GPT-3 (2020, 175 billion parameters)	About 10,000 V100 GPUs for about 15 days	About 1.3 GWh	About $4 million
GPT-4 (2023, parameters undisclosed)	About 25,000 A100 GPUs for 90–100 days	No public estimate	About $90 million (about $800 million to buy the hardware)
Claude 3.5 Sonnet (2024, parameters undisclosed)	Undisclosed	Undisclosed	A few tens of millions of dollars (per Anthropic's CEO)
Llama 3.1 405B (2024, 405 billion parameters)	More than 16,000 H100 GPUs	About 21.6 GWh	About $60 million
Claude 3.7 Sonnet (2025, parameters undisclosed)	Undisclosed (under 10²⁶ FLOP of training compute)	Undisclosed	A few tens of millions of dollars (per Anthropic)
Grok 4 (2025, parameters undisclosed)	About 246 million H100 GPU-hours (roughly 100,000 GPUs running for about 100 days)	About 310 GWh	About $490 million

The estimates use different methods, so only the rough scale is comparable, but the direction is clear. In the five years from GPT-3 to Grok 4, training energy grew about 240-fold, and costs went from a few million dollars to hundreds of millions. The electricity used to train Grok 4 alone matches the yearly energy use of about 4,000 Americans. Epoch AI projects that if the trend holds, a single training run will cost more than $1 billion by around 2027.

Anthropic discloses little about individual training runs, but its infrastructure gives a sense of scale. As of April 2026, Anthropic said it was using more than one million Amazon Trainium2 chips to train and serve Claude, and it has secured up to 5 GW of new capacity with Amazon and up to one million TPUs (over 1 GW) with Google. Claude 3.5 Sonnet and 3.7 Sonnet reached the frontier for a few tens of millions of dollars, but CEO Dario Amodei has said future models will cost billions (Simon Willison, TechCrunch, Anthropic, Silicon UK).

Sources: Patterson et al. (GPT-3), Epoch AI cost analysis (GPT-4), Meta Llama 3.1 model card (Llama 3.1), Epoch AI (Grok 4). GPT-4's chip count comes from leaked data rather than an official announcement (USENIX). Llama 3.1's energy is GPU peak power multiplied by GPU-hours, and its cost converts GPU-hours at roughly $2 per H100-hour.

All of this points to one fact. The capabilities of today's AI rest on a scale of computation and learning that no single person could ever match. On that foundation, AI is taking over, or surpassing, human intellectual work one area at a time: finding information and acquiring knowledge, analyzing data, writing code, reasoning and proving in mathematics, and even proposing scientific hypotheses and models.

1.2 The end of humanity's intellectual edge

In many areas, AI already knows more than any individual. At the 2025 International Mathematical Olympiad (IMO), an AI system from Google DeepMind solved five of six problems and had its gold-medal-level score officially confirmed. That year, only about 10% of the roughly 630 human contestants earned gold (Euronews).

A model trained on more text than I could read in a lifetime can organize, in seconds, information that would take me hours to find. Simply knowing a lot is no longer enough for a human to stay ahead.

This trend will likely accelerate. The range of tasks where AI outperforms humans will keep expanding, and one day AI will surpass not just one person but the collective intellect of humanity. This is a projection, not a settled fact. But given the current pace, I think it is a possibility we should take seriously.

That brings us to a question.

In an age when human knowledge and intellectual output are no longer scarce, what defines the role and worth of human beings?

For me, as a scientist, this question is anything but abstract. Producing new knowledge is exactly what I do.

2. The Changing Role of the Scientist

2.1 What scientists have always done

For a long time, scientific work has followed a familiar arc. We notice a phenomenon or problem that has not been explained, and we propose hypotheses and theoretical models to account for it. We test those hypotheses through experiments and analysis, and offer the resulting knowledge to our field and to society.

Problem → hypothesis → model → experiment and validation → new knowledge. I was trained within this arc, and I have always considered its front end, posing new questions and proposing new models, to be the heart of being a scientist.

2.2 Mathematics went first

Mathematics is where this arc was shaken first. In May 2026, an OpenAI model disproved a conjecture about the planar unit distance problem, first posed by Paul Erdős in 1946. Mathematicians had believed it for nearly 80 years. The model had not been trained specifically for this problem, and it took an unexpected route, connecting a geometry question to algebraic number theory (Interesting Engineering).

What happened next is just as telling. External mathematicians reviewed the proof and wrote a companion paper explaining what it meant. The AI produced the new answer; human mathematicians stepped into the role of checking and interpreting it. We are watching mathematicians move from proposing new ideas to verifying the results of AI.

And even verification is becoming a machine's job. AI-generated proofs are increasingly checked automatically with proof assistants such as Lean.

2.3 Biology is no exception

Biology and the other natural sciences have started down the same road. In 2025, José Penadés and his team at Imperial College London had an unpublished hypothesis, the product of years of work, about how certain bacteria spread across species. When they posed the core question to Google's AI tool "co-scientist," it returned the same hypothesis as its top candidate within two days, along with others the team had not considered (BBC).

Those years did include the time needed to prove the hypothesis experimentally. But the team said that having it from the start would have saved them years.

AI generates hypotheses and biological models, designs experiments, and sets priorities. Automated systems test the hypotheses, and AI interprets the results and plans the next study. These steps are not yet fully connected, but attempts are underway at each one. In the long run, robots will take over the hands-on experiments that people do today, and much of scientific discovery could become automated.

This is not only a distant prospect. In drug development, high-throughput screening, in which robots automatically test hundreds of thousands of compounds, has long been standard practice. The AI drug discovery company Recursion runs up to 2.2 million cell experiments a week in its robotic lab and uses the data to train its AI models (Recursion). In 2026, it began working with a lab automation company to explore self-driving labs that plan and run experiments on their own (Recursion).

2.4 Will "AI discovers, humans verify" last?

In the past, humans proposed hypotheses and tested them ourselves. Today, humans and AI collaborate across hypothesis generation, analysis, and validation. In one possible future, AI proposes new models and theories, designs or even runs the experiments, and humans are left to interpret the results and give final judgment.

But AI can verify and evaluate results too, as mathematics is already showing. So there is no guarantee that even the division "AI discovers, humans verify" will hold for long.

This is where I run into some fundamental questions:

• If AI becomes better than humans at producing new knowledge, does a scientist's value lie only in the ability to discover new facts?
• If humans no longer lead scientific discovery, how does the meaning of scientific research change?
• What, going forward, should scientists be doing research for?

3. Beyond Producing Knowledge: What Should Humans Pursue?

3.1 What humanity has produced

In each era, humanity has pursued survival and prosperity through different kinds of activity.

Era	Main productive activity	Value created
Hunter-gatherer societies	Hunting, gathering	Survival and sustaining life
Agricultural and industrial societies	Food, goods, material production	Material abundance
Modern knowledge society	Science, technology, information, knowledge	Intellectual and technological progress, self-actualization
AI society	?	?

This table is a simplification. History did not pass a baton neatly from survival to goods to knowledge. Happiness, relationships, art, community, and self-actualization have always mattered. More precisely, it is not value itself that has changed, but the main productive activities through which people realize value.

Today, the defining productive activity is knowledge production. Yet AI is sharply reducing the human labor that knowledge production requires. So what belongs in the question marks? My answer is value itself: the things people judge to be important and choose to put first in their lives. What comes first, whether happiness, enjoyment, or health, can differ from person to person and from community to community.

3.2 Producing knowledge versus choosing human values

To answer that question, I think we need to separate two things. One is the production of knowledge: discovering new facts and principles, developing new models and technologies, generating information no one had before.

The other is the choice and realization of human values, the things people hold important: deciding what matters, what kind of life to pursue, what to use our knowledge for, and what experiences, relationships, and society to build, and then acting on those decisions.

Knowledge can be valuable in itself, but it is also a means to the ends people pursue. However far AI pushes our capacity to produce knowledge, the question "What kind of life and society do we want?" remains. The ability to produce knowledge and the question of what to pursue with it must be kept distinct.

3.3 Why humans must decide what matters

AI can analyze and predict the consequences of our choices. It can suggest which values might matter and explain its reasoning. But the fact that AI rates something as important does not mean humans must pursue it.

In the end, value is what people hold to be important. Values gain meaning through human experience, desire, emotion, relationships, culture, and social agreement. If AI insists a hundred times that something matters but we never actually feel it, it will mean little in our lives. What matters to us is what we ourselves feel and strive toward.

AI can help us reason about what to value. But deciding the purpose and direction of those values must remain with humans and human societies.

3.4 The questions are changing

So in the age of AI, the questions themselves change. Until now we have mostly asked: What can we newly discover? What can we produce more efficiently? How can we become more intellectually capable?

From here on, other questions will matter more. What are we producing knowledge for? What kind of life do we want to live? What experiences matter to people? How can technological progress translate into human happiness and well-being?

My tentative conclusion: in the age of AI, the direction and realization of the values we pursue may matter more than our capacity for intellectual production.

4. The Value I Ultimately Pursue: Happiness and Well-being

4.1 What matters most to me

Everyone's answer will differ, but mine is clear: human happiness and well-being.

Here is what I picture. A society where people live happily. Warm relationships built on respect and care. Bonds with family, friends, and partners. Mental and physical health. Room for each person to grow and realize themselves. And a life that adds to other people's happiness. What I ultimately want is not a technologically advanced society for its own sake, but a society where people can live happier, warmer lives.

4.2 Is doing nothing the same as being happy?

So what is happiness? If AI did everything for us and we simply relaxed and ate, would that be a happy world? I don't think so, at least not entirely.

People find happiness in pleasure and comfort, but also in meaningful activity: achieving and growing, realizing ourselves, forming relationships and contributing to a community, loving and being loved, and losing ourselves in work we believe is worthwhile.

Happiness, then, is not just freedom from labor or the satisfaction of desires. We also experience it in the very process of pursuing meaningful goals, growing, and connecting with others.

4.3 Self-actualization in the age of AI

Until now, self-actualization has been closely tied to productive achievement: discovering new knowledge, developing new technologies and products, using one's abilities to earn recognition. As a scientist, I too have found that sense of fulfillment in proposing new models and producing something new.

In the age of AI, this equation may change. The value we place on productive capacity itself, the efficiency and excellence of what we produce, may decline in relative terms. Meaningful intellectual work is possible even without being the first to discover something. Paths to self-actualization will multiply, through relationships, art, creative work, inquiry, and contributing to community, and we may find meaning in the very process of living out the values we care about.

Some questions remain open:

• If AI does everything better than we do, do human achievements still mean something?
• Is a task worth doing only if we can do it best?
• Which matters more: the excellence of the result, or the experience of doing it ourselves?

5. How Human Abilities and Roles Are Changing

5.1 The barrier between ideas and results is falling

In the past, turning an idea into something real required a range of specialized skills. Communicating a thought demanded tight logic, good writing, and persuasive speech. Analysis, design, and building took a great deal of time and labor.

That is no longer true. AI helps structure and express ideas, and the cost of programming, analysis, and writing has dropped dramatically. One person can now produce complex work with far fewer resources than before.

"Vibe coding" is a clear example. Without professional programming knowledge, you can describe what you want in plain language and have AI build a website, an app, or an automated workflow. Some of the work that once required professional developers can now be done by an individual with an idea. This is not a future on the horizon; it is a change already underway.

As the barrier to building falls, other questions grow more important. What should we build? Why should we build it? What value do we hope to realize through it? The more common the ability to produce results becomes, the more the human values and purposes behind those results matter.

5.2 The ability to set direction

Much of the detailed execution and technical implementation can now be handed to AI. That means people need to be clearer about the purposes and values they pursue. The ability to set the overall direction becomes as important as the ability to carry out complex work.

This does not make logical thinking and clear expression obsolete. We still need to judge whether what AI has organized truly reflects our thinking, and to spot logical errors and false premises in it. And the ability to share our values and purposes with others and reach agreement matters as much as ever, if not more.

5.3 This essay is a case in point

This essay itself shows the change. I began by writing down whatever came to mind, without a finished structure, knowing I could ask AI to organize and polish it later.

In the past, I would have spent much of my time organizing and expressing my thoughts. This time, I shared that burden with AI and spent more of my time exploring what I actually think. Checking, line by line, that AI's version matched my own thinking was still my job.

AI is not only a tool that replaces human intellectual work. It can also help people give clearer shape to their own thoughts and values.

6. So How Will I Live?

6.1 Reaffirming an old conviction

What I ultimately strive for is a warm human society, and human happiness and well-being. Progress in knowledge and technology is not the final goal. What matters to me are the relationships between people, happiness, and warmth. I believe scientific progress, too, should ultimately enrich human lives.

This is not a new idea for me. Since high school, I have believed that what ultimately matters is people, and that we should build a society where people can live happily. Back then, though, I didn't know the concrete means to make that happen.

Thinking about AI and my path as a scientist has brought me back to that old conviction. And the more I understand the changes AI is bringing, the stronger my belief in happiness and human-centered values becomes. So what I am doing now is less about forming new values than about defining long-held ones more clearly and turning them into concrete practice.

6.2 Dagwa Land

Dagwa Land (dagwa means tea and snacks in Korean) grew out of these same values. The original idea was modest: the small joy of sharing tea and snacks, a cozy and warm atmosphere, and a place to share anything from passing thoughts to expert knowledge. A place that brings people comfort and enjoyment.

Now I want to keep that philosophy while expanding how it can be realized. By combining scientific knowledge, relationships, community, and environmental design, I want to build a space that turns the abstract value of happiness into real experience, and grow it into a system that keeps developing and expanding. Not just a content or hobby project, but a place where people experience happiness and discover their own values.

Dagwa Land is not simply a place that provides happiness. It is a space that helps people discover and realize their own.

6.3 Where I stand now

I am currently a graduate student in neuroscience. Until now, my central goal has been to discover new scientific facts and propose models that explain them. I expect to keep finding joy and fulfillment in scientific inquiry itself.

But in the age of AI, the social role and value of scientists may change. Of course, a scientist's work was never tied solely to producing knowledge. But as AI takes on much of that work, the values I pursue as a scientist will move much closer to the center. In the end, I face these questions:

• What do I ultimately want to achieve through my research?
• How can the knowledge I discover contribute to human happiness?
• How do I myself find happiness in the process of doing research?
• How can I connect my own fulfillment as a scientist with a life that contributes to others' happiness?

7. Contributing to Happiness and Well-being as a Scientist

This part is still more about open questions than conclusions. But here are the paths I can see so far.

7.1 Many paths from science to happiness

The first path is through science itself. Uncovering how the human nervous system and behavior work, and deepening our understanding of neuropsychiatric and neurodevelopmental disorders, can ultimately support people's mental and physical health. Even when its impact is not immediately visible, the knowledge basic science produces lays a foundation for well-being.

The second is education and sharing knowledge: training the next generation of researchers and supporting their growth, sharing new knowledge and methods, spreading scientific ways of thinking, and building environments where other researchers can do their work.

The third is research community: a lab culture of mutual respect and collaboration, a research environment that cares about researchers' growth and happiness, and a community that moves beyond excessive competition and output-driven culture. The lab is the first and most direct place where I can put the value of happiness into practice.

7.2 What I can do now

Rather than grand plans, I want to start with what I can do today. Build my expertise as a scientist and sharpen my ability to understand and test biological mechanisms. Use AI actively to make my research more productive and efficient. Find a balance between research achievement and personal happiness, and cherish my relationships with the people close to me. I believe growing now will lay the groundwork for a larger contribution later.

7.3 The scientist I hope to become

In the long run, I hope to grow into an independent neuroscientist whose research helps us understand the human mind and behavior. I want to be a scientist who thinks about what the knowledge we create means for society, and a PI who trains the next generation and builds a healthy research culture. I want to expand work that connects scientific progress with human happiness, and ultimately live a life that contributes to human happiness and well-being.

If I had to name this kind of scientist in a single phrase, I would call it a "philosopher-neuroscientist": someone who uncovers how the brain and mind work while also asking what that knowledge should be used for and what matters to people. So how is this different from the existing field of neurophilosophy?

Neurophilosophy was popularized by the philosopher Patricia Churchland's 1986 book of the same name. It uses findings from brain science to answer long-standing questions in the philosophy of mind, such as how mind relates to body, consciousness, and the self (Stanford Encyclopedia of Philosophy). Its question is "What is the mind?", and neuroscience is the tool for answering it.

The philosopher-neuroscientist I have in mind faces the other way. The starting point is neuroscience research itself, and philosophy is used to ask what the knowledge it produces is for and what matters to people. If neurophilosophy seeks to understand the mind through the brain, the philosopher-neuroscientist seeks to connect what we learn about the brain and mind to human values.

There is one thing I want to keep reminding myself. I don't need to quit science and start a "happiness company" tomorrow. I can grow the expertise I already have and still connect it to the values I care about. Science contributes to happiness not only through new treatments, but also through basic research, education, community building, and spreading scientific understanding.

Understand the facts through science, reflect on purpose through philosophy, and realize value through practice.

The role of the scientist is not just to explain the world, but to design experiences where humans can feel truly human.

8. Interim Summary: From Producing Value to Choosing and Realizing It

To sum up so far: even if AI takes over much of knowledge production, human worth does not disappear. Our worth comes not from how much knowledge we produce, but from what we hold important and what we pursue. The ability to produce knowledge and the purposes we pursue with it must be kept distinct.

So going forward, I want to focus not only on what I can produce, but just as much on which values I choose as a human being and how I realize them.

9. The Philosophical Work Ahead: Values and Meta-values

I have chosen human happiness and well-being as my ultimate value. But honestly, my understanding of what happiness is remains incomplete. And beyond happiness, there are other values that could be called ultimate: freedom, truth, dignity, self-actualization.

When these values conflict, how should we choose? This is the question of "meta-values" that I need to explore.

• What criteria decide which values matter more?
• What do individual self-determination and autonomy mean?
• Is it acceptable to limit individual freedom in the name of promoting human happiness?

Science can explain what influences human happiness. But can science alone make normative judgments about what a good life is? I don't think it can, which is why I feel I need to keep studying the philosophy of value, ethics, and the philosophy of happiness.

I don't want to nail down my current values as the final answer. I want to keep refining them through new experiences and knowledge.

10. Starting Small

Most of my concrete plans are still in my idea notes. Here, I'll write down just two.

The first is a happy lab. If I become an independent PI someday, I want to build a lab that does not burn people out for the sake of scientific results, but one where excellent research grows out of people growing and pursuing happiness.

The second is a small experiment with Dagwa Land. There is no need to start with a large space or organization. I plan to share my thoughts and scientific knowledge on this blog, try small everyday programs together, around things like sleep and digital habits, and build on that experience bit by bit.

11. Conclusion: A Firm Value, Open Possibilities

AI will keep changing the role of humans and the way knowledge is produced. Yet amid all that change, the value I ultimately pursue is clear: human happiness and well-being, and a warm human society. I have held this conviction since high school, and now I hold it more deeply than ever.

How to realize it, however, is still undecided. I see this not as a shortcoming but as a field of possibilities that is wide open, one I will keep refining through experience and learning. It might be scientific research and new discoveries. It might be mentoring the next generation and building a happy research community. It might be a social space like Dagwa Land. Or it might be some new kind of activity or organization I cannot yet imagine.

I don't need to decide Dagwa Land's final form now. New possibilities will emerge as society and technology change, and my own experience and thinking will keep growing. Rather than designing something perfect from the start, I want to develop it step by step through small actions and experience.

What matters is not completing a particular business or organization. It is continually exploring how to realize the value I pursue without losing sight of it. As a scientist, and as a human being, I want to make discovering and realizing those possibilities my lifelong task.

The value I pursue has become clear, but the ways to realize it remain wide open. I don't need to define every possibility now. I only need to keep exploring, experiencing, and realizing them as I live.