Google에서 가장 오래 재직한 기술 리더 중 한 명인 제프 딘이 27년 만에 회사를 떠나 과학 및 엔지니어링 연구 자동화에 초점을 맞춘 공익 법인 Discovery Loop를 공동 창업한다. 그는 CEO를 맡을 것으로 예상된다.

딘은 Google의 베테랑인 Sanjay Ghemawat, Quoc Le, Oriol Vinyals와 함께한다. 팀은 Discovery Loop가 대규모 컴퓨팅과 AI 시스템을 활용해 기존의 인간 주도형 연구 워크플로보다 더 빠르게 실험을 실행하고 개선할 것이라고 말한다. 이번 움직임은 Google이 AI 리더십을 재편하는 가운데 연구자, 모델, 개발자 채택을 둘러싼 치열한 경쟁에 직면한 상황에서 나왔다.

Discovery Loop가 제안한 연구 엔진

TechCrunch AI 보도에 따르면 Discovery Loop는 수천 개의 실험을 동시에 시작하고 반복할 계획이다. 초기 작업은 머신러닝 실험에 집중되며, 같은 접근법을 과학 및 엔지니어링 전반에 적용하는 것이 목표다.

회사는 목표를 완전한 실험 루프를 자동화하는 것이라고 설명한다. 즉, 작업을 제안하고, 실험을 실행하고, 결과를 평가하며, 그 결과를 바탕으로 다음 단계를 결정하는 것이다. 이는 AI 시스템이 답변이나 코드 제안을 생성하는 수준을 넘어, 반복 가능한 연구 프로세스를 관리하는 방향으로 나아가게 한다.

창업자들은 또한 AI를 이용해 AI를 만드는 시스템 자체를 개선하는 데 관심이 있다. 종종 재귀적 자기개선이라고 불리는 이 개념은 기술적·운영상 여전히 불확실하다. 현재 확인 가능한 증거는 Discovery Loop가 그러한 시스템을 달성했음을 보여주지 않으며, 창업자들이 이를 장기적인 관심 분야로 보고 있음을 보여준다.

Discovery Loop는 공익 법인으로 설립되어, 회사의 명시된 목적이 기존의 상업적 수익 극대화를 넘어선다는 점을 시사한다. 회사는 아직 첫 연구 프로그램, 제품 로드맵, 인력 계획, 시스템 배포 예상 일정 등을 공개적으로 자세히 밝히지 않았다.

Google AI 조직에 큰 손실

딘의 퇴사는 Google의 초기 검색 인프라부터 이후 인공지능 노력까지 아우르는 핵심 인물을 잃는다는 뜻이다. TechCrunch는 그가 Google Search를 지원하는 시스템에 기여했고, 회사의 AI 연구와 Gemini 멀티모달 모델에서 중요한 역할을 했다고 보도했다.

다른 창업자들도 Google에서의 매우 긴 경력을 갖고 있다. Ghemawat는 시니어 펠로우이자 딘과 기초 인프라를 함께 만든 저명한 엔지니어다. Quoc Le는 Google Brain의 창립 멤버였으며 딥러닝과 시퀀스-투-시퀀스 연구 발전에 기여했다. Vinyals는 Google DeepMind의 수석 연구과학자이며 Gemini와 AlphaStar 같은 이전 시스템과 연결된 리더십 역할을 맡아왔다.

이러한 이탈은 Google DeepMind의 더 큰 변화와도 맞물린다. The Decoder는 Demis Hassabis가 일상적 경영에서 물러나 Alphabet의 최고과학자가 되고, 전 DeepMind 최고기술책임자 Koray Kavukcuoglu가 운영 리더십을 맡는다고 보도했다. Kavukcuoglu는 Gemini 개발, 프런티어 연구, Gemini 앱, 그리고 Google의 AI 개발자 플랫폼을 총괄할 것으로 예상된다.

이러한 리더십 변화만으로 Google의 연구 역량이 약화된다고 볼 수는 없다. 다만 OpenAI, Anthropic, 그리고 자금력이 풍부한 스타트업들과 상위 기술 인재를 두고 경쟁하는 상황에서 인재 유지와 승계 문제가 더 부각된다. The Decoder가 언급한 다른 이탈 사례로는 DeepMind 연구원 David Silver와 OpenAI로 옮긴 전 Gemini 공동 리더 Noam Shazeer가 있다.

스타트업의 근거와 주장

Discovery Loop에 대한 가장 강한 정보는 독립적으로 검증된 기술 시연이 아니라 TechCrunch AI와 The Decoder가 보도한 회사 측 설명에서 나온다. 창업자들은 더 빠르고 더 자동화된 실험이 연구 반복의 수와 질을 모두 높일 수 있다고 말하지만, 확인 가능한 증거에는 벤치마크, 고객 성과, 생산 시스템이 제시되지 않았다.

TechCrunch에 따르면 초기 자금 조달은 Radical Ventures와 Khosla Ventures가 주도하고 있으며, Kleiner Perkins, Lightspeed, Doerr Capital이 참여한다. Alphabet도 회사를 지원하고 있다. The Decoder는 자금 조달이 앞으로 몇 주 안에 마무리될 것으로 예상되며, Alphabet은 클라우드 파트너로 남아 있는 동시에 머신러닝 시스템과 인프라를 위한 연구 프레임워크 구축에 협력할 계획이라고 보도했다.

이러한 구조는 Discovery Loop에 상당한 컴퓨팅 자원과 전 모회사와의 긴밀한 관계를 제공할 수 있다. 동시에 독립성, 지식재산권, 데이터 접근성, 그리고 스타트업이 Google Cloud에 크게 의존하게 될지에 대한 실질적 질문도 제기한다. 원문에는 라운드의 기업가치, 총 규모, 지분 조건, 공식 기술 이전 계약에 대한 세부 사항이 없다.

이러한 더 큰 구상은 AI 업계 전반에서 주목을 받고 있다. TechCrunch는 AI가 지원하는 과학적 발견이 수년간 관심을 끌어왔지만 최근에야 더 큰 상업적 응용으로 나아가기 시작했다고 전했다. Anthropic과 OpenAI도 더 광범위한 AI 전략의 일환으로 더 자동화된 연구를 언급한 바 있지만, 자료는 이들 노력과 Discovery Loop 사이의 직접적인 경쟁 관계를 입증하지는 않는다.

이 움직임이 개발자와 기업에 중요한 이유

AI 개발자에게 Discovery Loop는 작업 단위 지원에서 전체 워크플로를 조율하는 시스템으로의 전환을 시사한다. 유용한 구현에는 유능한 모델만으로는 부족하며, 실험 계획, 도구 사용, 시뮬레이션 또는 실험실 접근, 데이터 관리, 재현성 확인, 그리고 약한 결과를 신뢰성 있게 걸러내는 방법이 필요하다.

즉, 인프라는 모델 품질만큼 중요하다. 연구 자동화는 오케스트레이션, 평가, 컴퓨트 스케줄링, 감사 추적에 달려 있다. 과학 환경에서는 많은 실험을 생성하더라도 견고한 발견과 잡음을 구별하지 못하는 시스템이 오히려 비용을 늘릴 수 있다.

따라서 기업 구매자는 이번 발표를 자율 연구가 일반 배포에 준비됐다는 증거가 아니라 방향성의 संकेत로 받아들여야 한다. 단기 기회는 머신러닝 평가 실행, 엔지니어링 매개변수 최적화, 인간 검토용 후보 제안과 같은 제한된 워크플로에 있을 가능성이 높다. 영향이 큰 분야는 여전히 도메인 전문가, 검증, 거버넌스를 필요로 한다.

이 스타트업은 또한 프런티어 모델 개발과 과학·엔지니어링 전문성을 결합할 수 있는 연구자들에 대한 경쟁을 더 심화시킬 수 있다. Google은 인프라, 데이터, Google DeepMind 연구 조직에서 큰 우위를 유지하고 있지만, 보도대로 자금 조달과 클라우드 계약이 완료되면 Discovery Loop의 소규모 창업팀은 빠르게 움직일 수 있다.

다음에 주목할 점

첫 신호는 Discovery Loop가 자동 실험 선택과 반복을 보여주는 구체적인 연구 시스템, 기술 논문, 또는 데모를 공개하는지 여부다. 과학 가속에 대한 주장은 기존 연구 워크플로와의 재현 가능한 비교가 있을 때 더 의미가 있다.

자금 조달 마무리와 Alphabet의 참여 조건은 스타트업이 운영상 얼마나 독립적인지 명확히 해줄 것이다. 개발자들은 클라우드 스택, 모델 접근 전략, 채용, 그리고 외부 연구자에게 소프트웨어를 제공할지 아니면 주로 내부 연구 조직으로 운영할지에 대한 정보를 주시해야 한다.

Google에서는 Kavukcuoglu의 리더십이 Gemini, 개발자 플랫폼, 프런티어 연구의 우선순위를 어떻게 바꾸는지가 핵심이다. 시장은 추가적인 고위직 이탈, 새로운 임명, 그리고 전환기 동안 Google이 연구 연속성을 유지할 수 있는지에 대한 증거도 지켜볼 것이다.

Creati.ai 관점

Discovery Loop가 주목받는 이유는 또 하나의 범용 AI 모델을 약속해서가 아니라 연구 자체의 구조를 겨냥하기 때문이다. 창업자들이 자동화된 실험을 신뢰할 수 있게 만든다면, 중요한 제품은 모델, 도구, 시뮬레이션, 평가 시스템을 연결하는 연구 운영 계층이 될 수 있다.

그 결과는 전혀 보장되지 않는다. 핵심 과제는 더 많은 가설을 만들어내는 것이 아니라, 배포를 정당화할 만한 비용과 속도로 신뢰할 수 있고 재현 가능한 결과를 만들어내는 폐쇄 루프 시스템을 구축하는 것이다. 지금으로서는 이번 사건을 그 방향에 대한 주목받는 베팅으로, 그리고 Google의 가장 깊은 AI 강점이 동시에 인재 경쟁의 원천이기도 하다는 점을 상기시키는 사례로 보는 것이 가장 적절하다.