라이아 해드셀

개요

라이아 해드셀(Raia Hadsell)은 미국 출신의 머신러닝·로보틱스 연구자로, 현재 Google DeepMind의 VP of Research이자 Frontier AI 부문 공동 리드를 맡고 있습니다. 인문학 전공자에서 컴퓨터 과학 박사로 전환한 독특한 경력을 바탕으로, 대조 학습의 기반이 된 DrLIM(Dimensionality Reduction by Learning an Invariant Mapping)을 개발하고 연속 학습(continual learning) 분야를 주도해 온 인물입니다.

2014년 50인 규모의 스타트업이던 DeepMind에 합류한 이래 10년 이상 근속하며 연구 영역을 연속 학습·로봇 강화학습에서 프론티어 언어 모델까지 넓혔습니다. Gemini 2.5, Gemma 2, RecurrentGemma 등 현재 DeepMind 최전선 시스템에도 기여하고 있으며, 2025년 11월에는 영국 정부 과학혁신기술부(DSIT)에서 AI 분야 대외 홍보 대사(UK AI Ambassador)로 임명되어 국가 AI 연구 이니셔티브의 동료 심사 패널을 주관하고 있습니다.

생애

해드셀은 미국 출신으로, 리드 칼리지(Reed College)에서 종교학과 철학을 전공해 학부를 마쳤습니다. 인문학과 과학의 경계를 넘는 이 선택은 이후 그의 연구 방식에도 영향을 미쳤습니다. 학부 졸업 후 컴퓨터 과학으로 방향을 전환해 뉴욕 대학교(NYU)에서 얀 르쿤(Yann LeCun)의 지도 아래 박사 과정을 시작했습니다.

2009년 "Learning Long-range Vision for Offroad Robots"를 논문으로 박사 학위를 취득했고, NYU Outstanding Dissertation Award를 수상했습니다. 박사 논문은 DARPA LAGR(Learning Applied to Ground Robots) 프로젝트의 일환으로, 야외 이동 로봇이 자기지도 방식으로 장거리 시각 인식을 학습하도록 하는 연구였습니다.

졸업 후에는 카네기멜런대학교(CMU) 로보틱스 연구소에서 Drew Bagnell, Martial Hebert와 함께 포스닥 과정을 거쳤고, 이후 SRI International 비전·로보틱스 그룹에서도 근무했습니다. 2014년 구글에 막 인수된 직후의 50인 규모 DeepMind에 합류해 현재까지 재직 중입니다.

업적

해드셀의 가장 이른 핵심 기여는 CVPR 2006에 발표된 DrLIM입니다. 수밋 초프라(Sumit Chopra), 얀 르쿤과 공저한 이 논문은 같은 클래스 표본은 거리를 좁히고 다른 클래스 표본은 마진보다 멀게 밀어내는 대조 손실(contrastive loss)로 저차원 매니폴드를 학습하는 방식을 정식화했습니다. 현대 자기지도 표현 학습의 직접적 선구자 중 하나로 평가받습니다.

DeepMind 합류 이후에는 연속 학습 분야에서 굵직한 연구를 잇달아 발표했습니다. 2017년 발표된 Elastic Weight Consolidation(EWC) 논문 "Overcoming Catastrophic Forgetting in Neural Networks"는 이전 지식을 보존하면서 새로운 과제를 학습하는 방법을 제안해 신경망의 파국적 망각(catastrophic forgetting) 문제를 다루는 핵심 문헌이 되었습니다. Progressive Neural Networks, PathNet, Policy Distillation, Distral 등 연속 학습과 전이 학습의 주요 방법론들 역시 그의 그룹에서 나왔습니다.

2018년 Nature에 발표된 "Vector-based Navigation using Grid-like Representations in Artificial Agents"는 격자 세포 유사 표현이 에이전트의 벡터 항법을 가능하게 함을 보인 신경과학-AI 교차 연구입니다. 2023년에는 100개 안팎의 시연만으로 새로운 조작 과제를 습득할 수 있는 자기 개선형 로봇 기반 에이전트 RoboCat을 발표했습니다. 2021년에는 Transactions on Machine Learning Research(TMLR)를 창간해 편집장(Editor-in-Chief)을 맡고 있으며, CoRL, WiML, ELLIS, NAISys 등 주요 학술 조직에도 적극적으로 참여하고 있습니다.

여담

리드 칼리지는 스티브 잡스가 중퇴한 학교로도 알려진, 자유로운 교육 철학의 소규모 인문학 중심 기관입니다. 해드셀은 이 학교에서 종교학을 전공하다 컴퓨터 과학으로 전환한 매우 드문 경로를 걸었습니다. 이런 배경이 그가 AI를 순수 공학적 관점 너머 더 넓은 맥락에서 바라보는 데 영향을 미쳤다고 알려져 있습니다.

DrLIM 논문은 발표 당시 그다지 주목받지 못했지만, 10여 년 뒤 SimCLR·MoCo 등 자기지도 대조 학습 연구가 폭발적으로 성장하면서 재발견되어 높은 인용수를 기록하게 되었습니다. 선행 연구가 뒤늦게 조명받는 사례로 자주 거론됩니다.

2026년에도 RAAIS(Research and Applied AI Summit) 연사로 나서는 등 학계 최전선의 논의를 지속적으로 주도하고 있습니다. 해드셀은 신체화 지능(embodied intelligence), 즉 로봇이 물리 세계와 상호작용하며 학습하는 AI의 미래에 대해 일관된 비전을 공개 자리에서 제시해 왔습니다. 딥러닝·로보틱스 교차점에서 여성 연구자가 드문 환경에서도 꾸준히 활동해 온 인물로, 후진 양성에도 적극적입니다.

주요 논문

• Dimensionality Reduction by Learning an Invariant Mapping (DrLIM) (2006, CVPR) — 대조 손실 기반 불변 매니폴드 학습, 현대 자기지도 표현 학습의 선구
• Learning Long-range Vision for Offroad Robots (2009) — 야외 로봇 자기지도 시각 인식 (박사 논문)
• Policy Distillation (2016) — 다수 정책을 단일 학생 네트워크로 압축하는 강화학습 기법
• Progressive Neural Networks (2016) — 이전 과제 지식을 보존하며 새 컬럼을 추가하는 연속 학습 구조
• Overcoming Catastrophic Forgetting in Neural Networks (2017) — 탄성 가중치 통합(EWC)으로 파국적 망각 완화
• PathNet: Evolution Channels Gradient Descent in Super Neural Networks (2017) — 진화 알고리즘으로 최적 학습 경로를 탐색하는 대형 네트워크 구조
• Distral: Robust Multitask Reinforcement Learning (2017) — 공유 기본 정책을 통한 안정적 다중 과제 강화학습
• Vector-based Navigation using Grid-like Representations in Artificial Agents (2018, Nature) — 격자 세포 유사 표현이 벡터 항법을 가능하게 함
• Progress and Compress: A Scalable Framework for Continual Learning (2018) — 진행과 압축 두 단계로 연속 학습 확장
• Learning to Navigate in Cities Without a Map (2018) — 지도 없이 도시 가로를 항법하는 심층 강화학습
• RoboCat: A Self-Improving Foundation Agent for Robotic Manipulation (2023) — 100개 시연으로 새 조작 과제를 습득하는 자기 개선형 로봇 기반 에이전트