구글의 전설들이 ‘연구하는 AI’를 들고 나왔다
Jeff Dean, Sanjay Ghemawat, Quoc Le, Oriol Vinyals. AI 연구의 지형을 바꾼 인물들이 구글을 떠나 Discovery Loop를 공동 창업했다. 이들의 목표는 단순한 새 모델 개발이 아니다. 과학 연구 과정 전체를 자동화하는 시스템, 즉 ‘발견을 반복하는 루프’ 자체를 AI로 돌리겠다는 선언이다.
실험의 병목을 제거한다는 것
과학과 공학은 본질적으로 반복에 의존한다. 가설을 세우고, 실험을 설계·실행하고, 결과를 평가해 다시 가설을 수정하는 순환 구조다. 문제는 이 루프가 느리고 노동 집약적이라는 점이다. 한 번의 반복에 수 주 혹은 수 개월이 걸리기도 한다1.
Discovery Loop는 이 루프 전체를 프런티어 AI 모델과 대규모 컴퓨팅 인프라로 자동화한다. AI가 직접 제안, 실행, 평가, 학습을 주도하며, 수천 개의 실험을 병렬로 처리해 반복 시간을 획기적으로 줄이는 게 핵심이다1. 실험 설계자가 사람에서 시스템으로 바뀌면, 연구 속도의 제약은 더 이상 인력의 규모나 숙련도가 아니라 컴퓨팅 사고의 설계 역량이 된다.
먼저 자신을 연구하는 AI
Discovery Loop의 초기 전략은 명확하다. 막대한 자금으로 여러 분야에 동시에 뛰어들지 않고, 가장 잘 아는 분야인 머신러닝 연구·엔지니어링 자동화에 먼저 집중한다. 이는 자기 기술 스택을 최적화하는 동시에, AI가 AI 연구를 가속하는 실험으로 시스템을 검증하는 단계다1. 이렇게 다듬어진 방법론은 이후 측정 가능한 결과가 존재하는 모든 영역, 즉 의약품 개발, 청정 에너지, 사이버 보안 등으로 확장될 예정이다.
이 접근법은 반복 가능한 실험 루프를 가진 분야라면, 연구의 한계가 ‘규모의 문제’에서 ‘속도와 자동화 설계의 문제’로 전환될 수 있음을 시사한다. 측정 가능한 결과가 존재하는 거의 모든 과학·공학 영역이 잠재적 적용 대상이 된다.
인프라 풀스택을 가진 소수 정예
이 팀을 특별하게 만드는 것은 단순한 경력의 합이 아니다. TensorFlow, TPU, AlphaFold, Gemini 등을 직접 설계하고 구축한 사람들로, 칩 설계부터 소프트웨어 인프라, ML 모델, 제품까지 풀스택을 경험했다1. Discovery Loop가 소수 정예로 출발하는 이유도 여기에 있다. 소규모 팀이 대규모 조직보다 빠르게 결과를 낼 수 있다는 전제를, 이들은 자체 제품으로 직접 증명하려 한다.
Discovery Loop는 공익 법인으로 출범했으며, 초기 투자 라운드는 Radical Ventures와 Khosla Ventures가 공동 주도했고 Kleiner Perkins 등이 참여했다. 알파벳(구글 모회사)도 재정적 지원을 제공하며 이 실험에 힘을 보탰다.
Discovery Loop가 던지는 질문은 단순하지 않다. 연구를 수행하는 주체가 사람에서 시스템으로 이동할 때, 과학적 발견의 속도는 어디까지 빨라질 수 있을까. 그리고 그 속도에서 경쟁력을 유지하려면, 우리는 어떤 판단 기준을 준비해야 할까. 이 작은 팀의 실험 결과를 지켜봐야 하는 이유다.
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.