구글이 다시 왕좌에 오를 조짐: 칩·에너지·연속학습·수익화의 퍼즐

AI가 어디로 가는지 궁금하다면, 최근 구글이 조용히 내놓은 연구들을 놓치면 안 됩니다. 겉으로는 평범한 논문 같지만, 다음 세대 AI의 병목을 정면으로 건드리는 내용들로 가득합니다. 칩, 에너지, 연속 학습, 수익화—모두가 풀기 어려운 과제인데, 구글은 이 네 조각을 동시에 맞추려는 그림을 그리고 있습니다.

AI의 병목을 겨냥한 구글의 장기 전략

AI가 더 똑똑해지려면 네 가지가 필요합니다. 연산 칩, 전력, 계속 배우는 능력, 그리고 실제 돈이 되는 적용 분야입니다.

현재 시장은 GPU 부족과 전력 제한에 묶여 있고, 대형 언어모델은 배운 뒤 잊어버리는 “고정된 천재”에 가깝습니다. 그런데 구글의 최근 연구는 연속 학습을 가능하게 하고, 전력 문제에 대한 우주 기반 해법을 모색하며, 자사 칩 생태계를 키우고, 생명과학에서 직접 돈이 되는 응용으로 들어갑니다. 즉, 연구-인프라-비즈니스가 한 선으로 묶이기 시작했습니다.

연속 학습: Nested Learning과 HOPE로의 진일보

구글은 ‘Nested Learning’이라는 새로운 학습 패러다임을 제안했습니다. 빠른 루프는 짧은 시간 규모에서 자주 업데이트되고, 느린 루프는 더 긴 시간 규모에서 천천히 축적됩니다. 인간의 단기/장기 기억처럼 시간대가 다른 학습을 한 모델 안에서 통합하는 접근입니다.

이 구조는 HOPE라는 자기 수정 아키텍처로 개념증명까지 수행되었습니다. 요지는 단순한 “컨텍스트 안에서만 똑똑한” 모델을 넘어서, 일을 하면서 배우고 개선하는 모델로 가려는 명확한 방향성입니다. AGI로 가는 관문 중 하나인 연속 학습을 구글이 본격적으로 파고들고 있습니다.

“기억”을 넘어선 추론: LLM의 글로벌 지오메트리

“LLM은 다음 단어만 맞추는 자동완성일 뿐”이라는 오래된 논쟁이 있죠. 구글의 또 다른 연구는 이 관점을 흔듭니다. 트랜스포머가 단지 국소적인 공기어(자주 함께 등장하는 단어) 저장이 아니라, 지식 전체를 관통하는 ‘전역적 관계 지형’을 구성한다는 증거를 제시합니다.

단어와 개념은 별자리처럼 서로 모두 연결된 벡터망을 이루고, 그 지형 위에서 모델은 복잡한 추론을 단순한 한 단계 문제로 환원합니다. 즉, 모델 내부에 형성된 “의미의 지도”가 단기 연상 이상을 가능하게 한다는 겁니다.

젬마 바이오 모델: 암 치료 경로 발견과 스케일링 법칙

구글은 언어만 다루지 않습니다. 젬마(Gemma) 계열의 270억 파라미터 바이오 모델은 단일 세포 RNA 시퀀싱, 생물학 텍스트, 메타데이터 등 10억 토큰 이상으로 학습되어, 새로운 암 치료 경로 후보를 도출했습니다.

핵심은 스케일링입니다. 모델이 커질수록 생물학적 과제에서도 성능이 올라가고, 작은 모델이 못하던 조건부 추론이 규모에 따라 ‘새로운 능력’으로 등장합니다. 이 말은 약물 개발, 질병 메커니즘 규명, 생명공학 설계 등 돈이 되는 영역에서 AI가 실제로 가치를 창출할 수 있음을 뜻합니다.

에너지 해법: 프로젝트 선캐처와 우주 데이터센터 로드맵

AI 데이터센터가 쓰는 전력은 기하급수적으로 늘고 있습니다. 구글의 ‘프로젝트 선캐처’는 데이터센터를 우주로 올려, 태양광을 상시 수확하고 열을 지구 대기권 밖으로 방출하는 구상을 제시합니다.

현재 관건은 저궤도 운송 비용입니다. kg당 약 1,500달러를 200달러 수준으로 내려야 지상 발전 비용과 경쟁력이 맞춰지는데, 업계 전망으로는 2035년 무렵 가능성이 보입니다. 구글은 2027년에 두 개의 시험 위성을 올려 실제 검증에 들어갑니다. 단기간에 끝날 게임이 아니라, 끝판왕을 노리는 장기 포석입니다.

칩 전략: TPU Ironwood와 클라우드 생태계

칩 전쟁에서 구글은 TPU Ironwood로 존재감을 키우고 있습니다. TPU는 기계학습에 특화된 설계로, 적절한 워크로드에서는 성능 대비 비용, 전력 효율, 발열에서 GPU를 앞설 수 있습니다.

구글은 TPUs를 직접 판매하기보다 클라우드에서 임대하는 방식으로 생태계를 확장 중이며, 이미 Anthropic와 협력 사례가 있습니다. 훈련과 추론 모두에 적합한 다중모달 대응까지 준비한다면, 엔비디아의 사실상 유일한 대안으로 자리잡을 가능성이 큽니다.

멀티스펙트럼 시각: 제미니 2.5의 위성 데이터 이해

이미지 이해에서도 구글은 범위를 넓히고 있습니다. 제미니 2.5는 다중분광(인간이 보지 못하는 파장대 포함) 데이터를 입력받아, 농업지대·하천·산림·도시 등 위성 영상을 더 정확히 판별하는 능력을 보여줬습니다.

특별히 학습된 모델이 아니라 범용 모델에 새로운 ‘감각’을 부여했을 뿐인데 성능이 상승합니다. 데이터의 종류가 바뀌면 모델의 응용력도 커진다는 사례로, 지리정보, 재난 대응, 환경 모니터링 같은 공공·산업 영역까지 활용 폭이 넓어집니다.

왜 ‘다음 구글’이 다시 구글일 수 있는가

연속 학습(기능), 스케일링이 먹히는 바이오 응용(수익화), 우주 데이터센터(에너지), TPU 생태계(칩). 구글은 AI의 네 가지 병목에 대해 연구-인프라-시장화를 한 줄로 꿰려는 드문 플레이어입니다.

단기 시장 변동이나 거품 논란은 있을 수 있지만, 인류가 AI를 더 크게 쓰려면 이 네 가지를 동시에 해결해야 합니다. 그리고 그 로드맵을 가장 조직적으로 구축하는 곳이 지금은 구글로 보입니다.

마무리 AI의 본질은 “데이터를 압축해 관계의 지도를 만든 뒤, 그 지도 위에서 추론한다”는 데 있습니다. 구글은 이 원리를 언어에서 생물학, 위성 데이터, 칩과 에너지로 확장하고 있습니다. 단기 승부가 아니라, 마지막에 웃는 전략이죠.

개인적인 조언을 덧붙이자면, 화려한 데모보다 병목을 줄이는 인프라와 실제 수익화 라인의 진척을 보세요. 연속 학습, 칩 공급, 전력 해법, 바이오 성과—이 네 가지가 동시에 전진할 때, AI는 진짜 산업이 됩니다. 그리고 그 순간, ‘다음 구글’은 이미 구글일지도 모릅니다.

출처 및 참고 :