Google DeepMind

쉽게 말하면, 구글 딥마인드는 구글 안에서 인공지능 연구와 모델 개발을 맡는 조직이다. 2023년 딥마인드와 구글 브레인을 합쳐 만들어졌고, Gemini 같은 범용 AI 모델과 알파폴드 같은 과학 연구 시스템을 내놓는다. 구글의 여러 AI 제품과 클라우드 서비스가 쓰는 모델을 많이 만든다고 보면 된다.^[1]

1. 개요

구글 딥마인드(Google DeepMind)는 구글 안의 인공지능 연구·모델 개발 조직이다. 2010년 런던에서 설립되어 2014년 구글에 인수된 딥마인드 연구소와, 2011년 구글 X 안에서 시작해 이후 구글 리서치 산하에 있던 딥러닝 그룹 구글 브레인이 2023년 4월 20일 합쳐져 출범했다. 합병 뒤 2026년 8월 5일까지는 공동창업자 데미스 허사비스가 CEO로 이끌었다. 이날부터 Koray Kavukcuoglu가 구글 딥마인드 수석 부사장(SVP)으로 일상 운영을 맡았고, 허사비스는 구글 딥마인드 회장과 알파벳 수석 과학자가 되었다.^[6] 조직은 책임감 있게 AI를 만들어 인류에 이익을 준다는 것을 사명으로 밝힌다. 연구 범위는 강화 학습, 대규모 언어 모델, 생명과학, 기상 예측, 수학, 로보틱스, 에이전트, 생성형 미디어까지 넓다.^[2][1]

구글 딥마인드는 멀티모달 모델 계열 Gemini를 개발하며, 이 모델은 구글의 소비자용 AI 제품, 개발자 플랫폼, 클라우드 서비스의 바탕이 된다. 공개 가중치 모델 Gemma와 AlphaFold, AlphaGo, GraphCast, GNoME, AlphaProof 같은 과학 시스템도 이 조직이 만든다. 2024년 노벨 화학상은 허사비스와 AlphaFold 디렉터 존 점퍼(John Jumper)가 단백질 구조 예측 업적으로 절반을 나눠 받았고, 나머지 절반은 계산 단백질 설계로 데이비드 베이커(David Baker)가 받았다.^[7]

이 조직에는 두 개의 연구 전통이 함께 있다. 딥마인드 쪽은 심층 강화 학습과 게임 AI로 이름을 얻었고, 이후 구조생물학으로 연구를 넓혔다. 구글 브레인 쪽은 TensorFlow, 구글의 대규모 분산 학습 작업, 그리고 오늘날 거의 모든 언어 모델의 바탕이 된 트랜스포머 구조를 만들었다. 합병 이후 두 흐름은 인프라와 인력을 함께 쓰고, 점점 같은 기본 모델을 공유한다. 균형도 바뀌었다. 2025년과 2026년 과학 연구는 고유 구조 대신 Gemini를 중심으로 점차 재편되었다. 2026년 7월 『파이낸셜 타임스』는 전담 AlphaFold 팀이 해체되고 연구원들이 Gemini와 다른 과학 분야로 재배치되었다고 보도했다.^[1]

1.1. 기본 정보

이 이름은 구글 안의 운영 조직과 계속 존재하는 영국 법인을 함께 가리킨다. DeepMind Technologies Limited(회사번호 07386350)는 2010년 9월 23일 설립되었고, 2026년에도 영국 비공개 유한회사로 활동하고 있다. 이 법인의 등록 사무소는 법률사무소의 서류 접수 주소일 뿐 근무지가 아니다. 따라서 이를 Google DeepMind의 본사나 사무 규모를 보여 주는 근거로 보아서는 안 된다.^[2][4]

2. 연혁

2.1. 설립과 초기 투자

딥마인드의 전신 회사는 2010년 9월 23일 FRIARS 2022 LIMITED라는 이름으로 설립되었다. 임원이라고는 명목상 이사와 법인 비서 업체뿐인 기성 법인이었다. 2010년 11월 15일 DeepMind Technologies Limited로 개명했고, 허사비스는 2010년 12월 7일 이사로 선임되었다. 명목 임원은 같은 날 사임했다. 무스타파 술레이만은 같은 날 회사 비서가 되었고, 2011년 12월 23일 이사가 되었다. 셰인 레그도 2011년 12월 23일 이사로 선임되었다. 세 사람은 일관되게 공동창업자로 소개되며 회사도 설립 연도를 2010년으로 본다. 다만 공식 등기 기록을 보면 임원 선임은 1년에 걸쳐 나뉘어 이루어졌다.^[2][4]

등기 기록은 초기 투자자를 언론 보도보다 확실하게 보여 준다. Founders Fund를 피터 틸(Peter Thiel)과 함께 세운 Luke Nosek는 2011년 2월 23일부터 이사였다. Skype 공동창업자 Jaan Tallinn은 2011년 12월 23일부터, Horizons Ventures의 고문 Bart Swanson은 2013년 6월 11일부터 이사였다. 이 선임 기록은 각 투자자의 관여와 시점을 뒷받침한다. 반면 초기 투자 보도에 자주 나오는 일론 머스크와 피터 틸 개인의 이름은 등기 기록에 나타나지 않으며, 개인 투자 내역을 밝힌 공식 자료도 없다. 당시 보도는 인수 전 총 투자금을 약 5,000만 달러로 추정했지만, 구글과 딥마인드는 이를 확인하지 않았다.^[4][5]

창업진은 머신러닝, 신경과학, 엔지니어링, 수학, 시뮬레이션 분야의 연구를 한데 모았다. 허사비스가 최고경영자가 되었고 셰인 레그가 수석 과학자를 맡았다. 무스타파 술레이만은 회사 연구를 구글 제품과 헬스케어에 적용하는 협업을 이끌었다.^[2]

초기 기술 축은 심층 강화 학습이었다. 2013년 Volodymyr Mnih가 이끄는 연구진은 픽셀과 게임 점수만으로 아타리 게임을 배우는 심층 Q 네트워크(DQN)를 발표했다. 2015년 동료 심사를 거친 Nature 논문은 49개 게임에서 같은 알고리즘, 같은 네트워크 구조, 같은 하이퍼파라미터 설정으로 평가했다. 저자들은 게임 테스터 전문가 수준에 준하는 성능을 보고했지만, 시스템이 여전히 약한 게임도 함께 기록했다.^[9] DQN은 이후 알파 계열 시스템 대부분의 원형이며, 게임마다 따로 조정하지 않고 하나의 학습 알고리즘을 벤치마크 전체에 적용하는 방식은 이 연구소 작업 전반에서 반복된다.^[9][1]

2.2. 2014년 구글 인수

인수는 2014년 1월 24일 완료되었다. 같은 날 회사 이사 여섯 명, 즉 창업자 세 명과 Nosek, Tallinn, Swanson이 모두 사임했고, 구글은 기업 개발 담당 임원 Kenneth Yi 등 자체 임원을 선임했다. Yi는 2026년에도 DeepMind Technologies Limited의 이사로 남아 있다. 구글은 이틀 뒤인 2014년 1월 26일 인수를 공식 발표했으므로, 거래는 발표 이전에 끝났다.^[4][5]

구글은 인수 가격을 공개한 적이 없다. 거래를 처음 확인한 Re/code는 약 4억 달러로 보도했고, The Information은 5억 달러 넘게 보도했다. 영국 매체들은 이를 4억 파운드로 환산해 널리 인용했다. 6억 5,000만 달러 같은 수치도 떠돌지만 당시 보도 출처가 없다. 정리하면, 가격은 공식 공개되지 않았고 당시 보도는 약 4억 달러에서 5억 달러 넘는 수준까지 차이가 났다.^[5] 인수 당시 딥마인드의 직원은 약 75~100명이었다.^[1]

당시 보도는 인수 조건으로 구글이 딥마인드 기술을 다루는 윤리 위원회를 설치하기로 했다고 전했다. 이 위원회의 구성, 운영 규정, 결과는 공개된 적이 없다. 술레이만은 2016년 이 위원회가 내부 조직이며 진행 중이라고 말했고, 딥마인드는 2019년 기자 질의에 답하지 않았다. 따라서 이는 문서로 확인된 거버넌스 기구가 아니라 인수 조건으로 보도된 내용으로 설명해야 한다. 2019년 3월 26일 발표되어 직원 반발 끝에 4월 4일 해산된 구글 외부 자문위원회(위원 8명)와도 구별해야 한다.^[1]

구글 인프라와 제품을 쓸 수 있게 되면서 딥마인드는 게임 밖에서 연구를 적용할 기회를 얻었다. 2016년 딥마인드는 머신러닝 제어 시스템이 구글 데이터센터의 냉각 에너지를 40% 줄이고, 전체 전력 사용 효율을 15% 높였다고 발표했다. 이는 한 곳에 배포한 사례에서 얻은 회사 측 측정치이며, 모든 데이터센터에 일반적으로 보장되는 효율을 뜻하지 않는다.^[1]

2.3. 게임 AI와 알파고 계열

AlphaGo는 정책망과 가치망을 트리 탐색과 결합했다. 2016년 Nature 논문은 유럽 바둑 챔피언 판후이(Fan Hui)를 5대 0으로 이겼다고 보고했다. 2016년 3월 서울에서 열린 공개 대국에서는 이후 버전이 이세돌을 4대 1로 이겼다. 이 결과는 학습된 시스템이 바둑 전판에서 엘리트 프로를 이길 수 있음을 보여 주었고, 기존 게임 탐색 방식으로는 어렵다고 여겨졌던 영역이었다.^[10]

AlphaGo Zero는 인간 기보를 없앴다. 규칙에서 출발해 셀프 플레이로 배웠고, 저자들의 평가에서 발표된 AlphaGo 버전을 100대 0으로 이겼다.^[11] AlphaZero는 같은 셀프 플레이 방식을 체스, 쇼기, 바둑으로 일반화했다. 각 게임의 규칙만 쓰고 인간의 대국 예시는 쓰지 않았다.^[12]

MuZero는 게임 규칙이나 보상 함수를 주지 않아도 계획에 쓸 수 있는 모델을 학습했다. 보고된 실험에서 바둑, 체스, 쇼기에서 AlphaZero와 맞먹는 성능을 보였고, 아타리 게임 57종에서도 평가되었다.^[13] AlphaStar는 스타크래프트 II에서 불완전한 정보와 긴 행동 시퀀스를 다뤘다. 발표된 시스템은 세 종족 모두에서 그랜드마스터 수준에 도달했고, 평가 기간에 유럽 서버 랭킹에 오를 만큼 활동한 약 9만 명의 인간 플레이어 중 99.8% 이상을 앞섰다.^[14]

이 시스템들은 서로 관련되지만, 딥마인드가 게임을 해결했다는 하나의 주장으로 묶으면 안 된다. 각 시스템은 특정 인터페이스, 학습 체계, 연산 예산, 평가 방식을 썼다. 이 연구의 더 넓은 의미는 방법론에 있다. 가치 학습, 셀프 플레이, 학습된 모델을 이용한 계획, 다중 에이전트 학습을 발전시켰고, 게임을 통제된 연구 환경으로 활용하는 방식을 보여 주었다.^[1]

2.4. 알파폴드와 과학 AI

딥마인드는 2018년 첫 AlphaFold 시스템으로 단백질 구조 예측 대회 CASP에 참가해, CASP13에서 전체 1위와 가장 어려운 자유 모델링 부문 1위를 차지했다. AlphaFold 2는 2020년 CASP14에서 주요 성과를 냈다. 전체 타깃의 GDT 중앙값은 92.4, 자유 모델링 부문은 87.0이었다. CASP 공동창립자 John Moult는 당시 GDT 약 90이면 실험 방법의 결과와 견줄 만하다고 말했다. 이 발언에서 AlphaFold가 실험과 맞먹는다는 널리 인용되는 주장이 나왔다.^[1] 2021년 Nature 논문은 다중 서열 정보와 잔기 쌍 표현을 함께 처리하는 구조를 소개했다. 예측 구조는 신뢰도 추정이 붙은 모델 결과이며, 모든 실험을 대체하거나 단백질의 모든 행동을 직접 예측하는 것은 아니다.^[15]

딥마인드와 EMBL-EBI는 2021년 7월 22일 AlphaFold 단백질 구조 데이터베이스를 공개했다. 처음 35만 개 이상의 구조를 담았고 인간 프로테옴 전체를 포함했다. 2022년 7월에는 2억 1,400만 개 이상으로 늘어났다. 2025년 11월 구글 딥마인드는 190개국 이상의 연구자 300만 명 이상이 AlphaFold를 썼고, 그중 100만 명 이상이 저소득·중저소득 국가 소속이며, 3만 5,000편 이상의 논문이 이를 인용했다고 밝혔다. 이 데이터베이스는 예측 구조와 실험으로 결정된 구조를 구분하며, 결과를 해석할 때 필요한 신뢰도 정보를 제공한다.^[16][1]

술레이만 주도로 세워진 딥마인드 헬스는 연구소의 첫 대규모 응용 사업이었다. 런던의 로열 프리 NHS 재단 트러스트와 만든 Streams 앱은 급성 신장 손상을 의료진에게 알렸고, 이후 연구소 최대의 거버넌스 논란이 되었다. 2016년 6월 딥마인드는 정부, 의학, 학계 출신의 외부 검토위원회를 임명해 딥마인드 헬스를 감독하고 연례 보고서를 내도록 했다. 위원회는 2017년과 2018년 두 차례 보고서를 냈다. 구글은 2018년 11월 딥마인드 헬스를 새 구글 헬스 부서로 옮긴다고 발표했고, 위원회는 영국 중심 검토 구조가 국제 사업에 맞지 않는다는 이유로 이 개편과 함께 해산되었다. 이전은 2019년 9월 완료되었고, 구글은 2021년 8월 Streams 종료를 확인했다.^[1]

2.5. 구글 브레인과의 통합

2023년 4월 20일 구글은 구글 리서치의 브레인 팀과 딥마인드를 구글 딥마인드로 합쳤다. 순다르 피차이(Sundar Pichai)가 이를 발표했고, 허사비스는 같은 날 별도 글을 올려 합쳐진 조직의 CEO가 되었다고 밝혔다. 피차이는 제프 딘(Jeff Dean)이 구글 수석 과학자라는 격상된 역할을 맡아 구글 리서치와 구글 딥마인드 양쪽을 맡는다고 썼다. 허사비스는 새 과학 위원회(Scientific Board)가 연구 방향을 감독하며 Koray Kavukcuoglu가 이끈다고 썼다. 구글 브레인을 이끌었던 Zoubin Ghahramani는 Kavukcuoglu 아래 연구 리더십에 합류했고, Eli Collins는 합쳐진 조직의 제품 부사장이 되었다. Kavukcuoglu는 그 시점에 CTO로 지명되지 않았으며, 그 직함은 나중에 붙었다.^[3][1]

두 연구 조직은 서로 다른 연구 역사를 가졌다. 딥마인드는 심층 강화 학습, 게임 시스템, AlphaFold로 특히 알려졌다. 2011년 구글 X 안에서 시작한 구글 브레인은 분산 학습, TensorFlow, 트랜스포머에 큰 기여를 했다. 구글 연구원들이 쓴 2017년 논문 「Attention Is All You Need」는 이후 현대 언어·멀티모달 모델의 중심이 된 트랜스포머 구조를 제안했다.^[1]

배경에는 경쟁이 있었다. OpenAI는 2022년 11월 ChatGPT를, 2023년 3월 GPT-4를 내놓았고, 구글의 대화형 제품 Bard는 2023년 3월 LaMDA 버전을 바탕으로 출시되었다. 서로 다른 인프라와 출판 문화에서 따로 대형 모델을 만들던 두 연구 조직을 합친 것은 이 압박에 대한 구조적 대응이었다. 이는 딥마인드의 독립성을 둘러싼 오랜 논쟁도 끝냈다. 『월스트리트 저널』은 2021년 5월 딥마인드 경영진이 여러 해 동안 자체 거버넌스를 갖춘 별도 법적 구조를 협상해 왔고, 구글이 그 달 협상을 끝냈다고 보도했다.^[1]

2.6. Gemini 시대

합쳐진 조직은 2023년 12월 6일 Gemini 1.0을 내놓았고, 이후 몇 달마다 새 세대나 주요 점 버전을 냈다. 2024년부터 2026년까지의 흐름은 연구 성과가 구글 제품으로 꾸준히 옮겨 가는 것이다. 추론 모델은 검색과 Gemini 앱으로, 로봇 모델은 파트너 하드웨어로, 생성형 미디어 모델은 YouTube와 구글의 창작 도구로 들어갔다. 과학 시스템도 작업 전용 구조 대신 Gemini 위에 점점 세워지고 있다. 2026년 2분기 구글은 Gemini 앱의 월간 활성 사용자가 9억 5,000만 명이고, 모델 API 전체에서 분당 약 220억 토큰을 처리한다고 보고했다.^[17]

같은 기간 핵심 인력이 잇따라 떠났다. Tim Brooks는 2024년 10월 OpenAI에서 월드 모델 연구를 이끌려고 영입되었으나 2025년 9월 Meta Superintelligence Labs로 떠났다. Transformer 논문 공저자이자 Gemini 공동 리더였던 Noam Shazeer는 2026년 6월 18일 OpenAI에 합류해 AI 아키텍처 연구를 이끈다고 발표했다. 존 점퍼(John Jumper)는 다음 날 거의 9년을 몸담은 회사를 떠나 Anthropic에 합류한다고 발표했고, AlphaFold 공저자 Jonas Adler와 Alexander Pritzel도 그를 따랐다.^[1]

2026년 7월 29일 『파이낸셜 타임스』는 구글 딥마인드가 지난 1년 동안 AlphaFold 전담 팀을 해체했다고 보도했다. 원래 논문 저자 대부분은 Gemini 작업이나 효소 설계, 핵융합, 유전체학 분야로 재배치되었고, 일부는 Isomorphic Labs로 옮겼다. AlphaFold 원 논문의 구글 딥마인드 상근 저자 중 약 4분의 1이 회사를 떠났다. 알파폴드 데이터베이스, 서버, AlphaFold 3 학술 접근은 계속 운영되었다.^[1]

2.7. 2026년 8월 리더십 전환

2026년 8월 5일 피차이는 2023년 합병 이후 조직의 가장 큰 리더십 변화를 발표했다. 허사비스는 구글 딥마인드의 일상 운영 책임을 넘기고, 구글 딥마인드 회장 겸 알파벳 수석 과학자라는 새 전략 역할을 맡았다. 피차이는 이 변화로 허사비스가 AGI(범용 인공지능)의 미래를 형성하는 데 집중할 수 있다고 설명했다. 허사비스는 아이소모픽 랩스(Isomorphic Labs)를 계속 이끌며, 멋진 런던 Platform 37 사옥에서 Kavukcuoglu와 구글 딥마인드 리더들에게 계속 조언하겠다고 직원들에게 썼다. 그 전까지 구글 딥마인드 CTO이자 구글 최고 AI 설계자였던 Kavukcuoglu는 구글 딥마인드 SVP로 올라 피차이에게 보고한다. 그는 최고 AI 설계자 역할을 유지하면서 Gemini 모델 개발, 프론티어 AI 연구, Gemini 앱과 개발자 팀을 맡는다.^[6]

피차이의 메모는 Gemini 앱 월간 사용자가 9억 5,000만 명을 넘었고, Gemma 모델 다운로드가 9억 건을 넘었다고 밝혔다. 허사비스의 메모는 Gemini 4를 포함한 새 모델에서 이루어지는 큰 진전을 언급했다.^[6]

같은 발표에서 구글 딥마인드와 구글 리서치의 수석 과학자 제프 딘이 피차이의 말을 빌리면 27년간의 놀라운 여정을 마치고 떠난다고 알려졌다. 구글 선임 펠로 Sanjay Ghemawat도 함께 떠나 독립 공익 법인을 세운다. 구글은 이 회사의 초기 투자자이자 클라우드 파트너로 계속 협력한다. 딘은 같은 날 Sanjay Ghemawat, 구글 딥마인드 연구 부사장 Oriol Vinyals, Quoc Le와 함께 Discovery Loop를 공동 창업했다고 발표했다. 목표는 머신러닝, 과학, 엔지니어링을 자동화해 발견과 진보를 가속하는 것이다.^[6][18] 『와이어드』는 딘이 Discovery Loop의 CEO를 맡고, Khosla Ventures와 Radical Ventures가 구글과 함께 조건을 밝히지 않고 투자했으며, 구글이 첫 해 컴퓨팅 자원을 공급하기로 합의했다고 보도했다.^[1]

3. 조직과 구조

Google DeepMind는 구글, 그리고 궁극적으로 알파벳 안에서 운영된다. 연구를 수행하고 모델을 학습하며, 구글 제품 팀과 인프라 팀과 협력한다. 2023년 발표는 하나로 합쳐진 구글 팀을 설명했지만, 현재 활동 중인 DeepMind Technologies Limited의 등기 자료를 보면 브랜드, 운영 조직, 법인을 구분해 설명해야 하는 이유가 드러난다.^[4][3][1]

3.1. 법적 구조와 재무

딥마인드가 2015년 구글과 별개의 알파벳 자회사가 되었다는 흔한 주장은 등기 자료로 뒷받침되지 않는다. DeepMind Technologies Limited의 회계 자료는 2010년대 내내 Google Ireland Holdings Unlimited Company를 직접 모회사로 기재했다. 2019년 8월 30일 설립된 영국 회사 DeepMind Holdings Limited는 2019년부터 그 역할을 맡았다. Alphabet Inc.는 알파벳 재편 이후 궁극적인 지배 주체지만, 소유 체계는 항상 구글 계열 법인을 거쳐 왔다. 최근 회계 자료는 Google LLC를 중간 모회사로 기재한다.^[8]

구글 딥마인드 일부에 대해 공개된 유일한 재무 기록은 제출된 회계 자료이며, 신중하게 읽어야 한다. 자료는 매출액이 그룹 내 다른 기업으로부터 받은 연구개발 보수를 나타낸다고 밝힌다. 즉 그룹 내 원가 가산 방식의 이전 가격이며 외부 고객에게서 번 매출이 아니다. 또 회사의 인력이 다른 알파벳 그룹사에 직접 고용되어 있다고 밝혀 인원수는 공개하지 않는다.^[1]

2020 회계연도는 회사가 처음으로 흑자를 기록한 해다. 2019년 회계 자료는 Google Ireland Holdings가 회사 간 대여금과 발생 이자 11억 파운드의 상환을 포기했고, 이를 자본 출자로 처리했다고 기록한다. 2024년 매출이 줄었는데도 이익이 늘어난 것은 활동이 위축되었기 때문이 아니라 그룹사에 대한 재청구가 줄었기 때문이다.^[8]

3.2. 리더십과 인력

Kavukcuoglu는 2025년 6월 구글 전체의 최고 AI 설계자로 지명되었다. 이 역할은 피차이에게 보고하며, 그는 구글 딥마인드 CTO 직함을 유지했다. 2026년 8월 5일 그는 피차이에게 계속 보고하는 SVP가 되어 Gemini 모델 개발, 프런티어 AI 연구, Gemini 앱과 개발자 팀을 맡았다. 허사비스는 구글 딥마인드 회장 겸 알파벳 수석 과학자가 되었다. 같은 개편에서 Jeff Dean과 Oriol Vinyals가 떠나, Sanjay Ghemawat, Quoc Le와 함께 Discovery Loop를 공동 창업했다.^[1][6][18]

Lila Ibrahim은 2018년부터 딥마인드의 창립 COO였으며, 2026년 초 글로벌 업무, 대외 소통, 책임 조직을 맡는 새 최고 AI 준비 책임자 직책으로 옮겼다. 그러나 구글 딥마인드의 책임 페이지는 여전히 그를 COO 직함으로, 책임과 안전 위원회의 공동 의장으로 소개하며, 후임 COO는 지명되지 않았다. Helen King은 책임 부사장으로서 이 위원회를 Ibrahim과 함께 공동 의장으로 맡는다.^[19][1]

구글은 구글 딥마인드의 인원수를 발표하지 않는다. 가장 근거가 확실한 수치는 내부 자료를 인용한 언론 보도로, 2024년 5월 약 2,600명, 2025년 3월 약 5,600명, 2025년 8월 약 6,000명이다. 9,000명 안팎을 제시하는 업체 데이터베이스는 방법을 밝히지 않은 수집 추정치이므로 쓰지 말아야 한다. 구글 딥마인드 채용 페이지는 런던, 베이 에어리어, 방갈로르, 매사추세츠주 케임브리지, 몬트리올, 뉴욕, 파리, 도쿄, 토론토, 취리히 등 10곳을 나열한다. 가나 아크라의 구글 AI 연구소는 구글 리서치 거점이지 딥마인드 거점이 아니다.^[1]

3.3. 다른 알파벳 조직과의 관계

구글 리서치는 여전히 별도의 연구 조직이다. Jeff Dean은 2026년 8월 Discovery Loop로 떠날 때까지 두 조직의 수석 과학자를 지냈다.^[6][18] 구글 클라우드는 Vertex AI를 통해 Gemini 모델을 제공하고, 맞춤형 텐서 처리 장치는 모델 학습과 서빙을 뒷받침한다.^[20][21]

아이소모픽 랩스(Isomorphic Labs)는 별도의 알파벳 회사로, 2021년 2월 24일 설립되었고 같은 해 11월 공개되었다. 허사비스가 이끌며, 구글 딥마인드의 최고 사업 책임자 Colin Murdoch가 사장을 맡는다. 약물 발견에 AI를 적용하며 AlphaFold 3를 구글 딥마인드와 함께 개발했다. 2025년 3월 31일 첫 외부 투자 라운드에서 6억 달러를 조달했다. Thrive Capital이 주도했고 GV와 알파벳이 참여했다. 2026년 2월 10일에는 자체 약물 설계 엔진 IsoDDE의 기술 보고서를 공개했다. 2026년 중반 기준 인체 임상시험은 시작되지 않았다. 허사비스는 2026년 1월 회사가 연말까지 첫 임상시험을 시작할 것으로 예상한다고 말했는데, 이는 이전 목표였던 2025년 말에서 늦춰진 것이다. 아이소모픽 랩스를 구글 딥마인드의 한 부서로 설명해서는 안 되며, 자금, 약물 파이프라인, 임상 일정을 구글 딥마인드의 성과로 다뤄서도 안 된다.^[22][1]

구글 딥마인드, OpenAI, Anthropic 등 프런티어 모델 개발사는 조직, 제품 도달 범위, 출판 관행, 자금, 인프라에서 서로 다르다. 규모나 연구 범위를 비교하는 주장은 정의된 지표와 같은 기준 시점에 근거해야 하며, 단일한 인원·자본·연산량 추정치로는 전반적인 순위를 정할 수 없다.^[1]

4. 강화 학습, 게임, 에이전트

강화 학습은 딥마인드 설립부터 현재의 에이전트 연구까지 이어지는 흐름이다. 게임은 목적 자체가 아니었다. 명확한 보상 신호가 있는 다루기 쉬운 환경이었고, 여기서 개발한 방법은 나중에 단백질 접힘, 알고리즘 발견, 플라즈마 제어, 로봇 조작에 적용되었다.^[1]

Agent57은 DQN이 열었던 벤치마크를 마무리했다. 이전 에이전트들은 아타리 전체 평균 점수가 높았지만 몬테주마의 복수나 Pitfall 같은 어려운 탐험 게임에서는 완전히 실패하곤 했다. Agent57은 Never Give Up의 내재 보상 장치, 외재 보상과 내재 보상에 대한 별도의 행동 가치 추정, 탐험과 할인율 설정을 고르는 밴딧 메타 컨트롤러를 결합했다. 57개 게임 전부에서 벤치마크의 표준 인간 기준 점수를 넘은 첫 알고리즘이었다. 이 결과는 최고 점수보다 일반성에 관한 것이다. 논문 표에서 Agent57의 원시 평균과 중앙값 인간 정규화 점수는 MuZero보다 낮다. 주장의 근거는 상한을 둔 평균 100.00과, MuZero가 51개 게임만 기준을 넘었던 것과 달리 57개 전부를 넘었다는 점이다. 저자들도 MuZero가 상한 없는 최고 점수는 더 높지만 Venture 같은 게임에서는 크게 실패한다고 밝혔다.^[1]

Gato는 2022년 Transactions on Machine Learning Research에 발표되었다. 아타리 플레이, 이미지 캡션, 대화, 실제 로봇 제어를 포함한 604개 과제에 하나의 트랜스포머 가중치 세트를 썼다. 통합의 핵심은 공통 토큰과 행동 인터페이스였고, 모든 과제에서 최고 성능을 낸 것은 아니었다. 모델 크기를 약 12억 매개변수로 정한 것은 연산 한계 때문이 아니라 실제 로봇을 실시간으로 구동하기 위해서였다. 논문은 새 환경에서 프롬프트 기반 문맥 학습이 프롬프트 없는 평가보다 크게 나아지지 않았다고 보고했고, 그래서 Gato는 문맥이 아니라 미세 조정으로 적응했다. 학습은 강화 학습이 아니라 지도 방식의 행동 복제로 이루어졌다.^[23]

RoboCat은 2023년 6월 발표되었고, 일반 에이전트 개념을 로봇 조작으로 넓혔다. 하나의 에이전트가 여러 실제 및 시뮬레이션 로봇 팔을 다루었고, 적은 수의 시연으로 새 과제를 배운 뒤 스스로 학습 데이터를 만들어 더 개선했다. SIMA는 2024년 3월 처음 보고되었으며, 사람 플레이어가 화면에서 보는 것만 받아들이는 방향을 택했다. 화면 픽셀을 보고 키보드와 마우스 동작을 출력하므로 게임 내부 정보 없이 원칙적으로 어떤 3D 게임에도 붙일 수 있다.^[1] SIMA 2는 2025년 11월 13일 발표되었고, 이전의 행동 복제 에이전트를 Gemini 모델 기반으로 바꿨다. 구글은 이를 연구 미리보기로 설명했으므로, 시연을 일반에 제공되는 자율 에이전트로 읽어서는 안 된다.^[24]

5. Gemini 이전의 언어·멀티모달 연구

연구소의 언어 모델 연구는 Gemini보다 앞서 있었고 Gemini에도 영향을 주었다. 2021년 12월 소개된 Gopher는 2,800억 매개변수의 자기회귀 트랜스포머로, 152개 과제에서 평가되었다. 가중치나 API로 공개되지는 않았지만 이례적으로 상세히 문서화되었다. 더 중요했던 후속작은 2022년 3월 발표된 Chinchilla였다. 대규모 학습 실험을 분석해, Gopher 자체와 OpenAI의 GPT-3를 포함한 당시 프런티어 모델이 크게 과소 학습되었다고 주장했다. 같은 연산 예산에서는 모델 크기와 학습 토큰 수를 대략 비례해 늘려야 한다는 것이다. 700억 매개변수의 Chinchilla는 크기가 4분의 1인데도 대부분의 평가에서 Gopher를 앞질렀다. 이 결과는 업계가 학습 연산을 배분하는 방식을 바꿨고, 지금도 스케일링 법칙의 대표 사례로 인용된다.^[1]

다른 이전 연구들도 현재 모델에 직접 이어졌다. 2021년 발표된 Perceiver와 Perceiver IO는 하나의 구조로 이미지, 오디오, 영상, 포인트 클라우드를 처리하려 했다. 입력 크기에 따라 어텐션을 키우는 대신 입력을 작은 잠재 병목으로 모아 처리했다. 2022년 4월 소개된 Flamingo는 임의로 섞인 이미지, 영상, 텍스트를 받아들이는 시각 언어 모델이었고, 몇 개의 문맥 예시만으로 새로운 시각-언어 과제에 적응했다.^[1]

2022년 9월 22일 소개된 Sparrow는 인간 피드백 강화 학습과 대화 안전을 위한 명시적 규칙 집합을 결합한 연구소의 주요 공개 시연이었다. 연구용 산출물이었으며 제품으로 출시되지 않았다. AlphaCode는 2022년 12월 Science에 발표되었고, 코드포스 경쟁 프로그래밍 대회에서 인간 참가자의 중간 수준에 처음 도달한 시스템이었다. 문제마다 최대 100만 개의 후보 프로그램을 샘플링한 뒤 10개를 제출하도록 걸러냈다. 2023년 12월 6일 Gemini와 함께 발표된 AlphaCode 2는 미세 조정된 Gemini 모델을 썼고, 거의 두 배에 가까운 문제를 풀었다고 보고되었다.^[1]

6. 과학과 수학

6.1. 단백질 구조와 2024년 노벨상

AlphaFold는 구글 딥마인드의 연구 가운데 공개 전에 독립적으로 확인된 주장이 가장 명확한 사례이며, 이유는 CASP에 있다. CASP(단백질 구조 예측 비판적 평가)는 외부 연구 공동체가 운영하는 격년 블라인드 실험이다. 주최 측은 실험으로 결정된 구조가 아직 공개되지 않은 서열을 배포하고, 참가자가 예측을 제출하면 독립 평가자가 채점한다. AlphaFold 1은 2018년 CASP13에서 1위를 했고, AlphaFold 2는 2020년 CASP14에서 대부분의 타깃에 대해 실험과 견줄 만한 정확도를 냈다. 두 결과 모두 딥마인드와 관계없는 평가자가 판단했다. 이는 내부 벤치마크 표보다 강한 증거이며, 그래서 AlphaFold의 결과는 빨리 받아들여졌지만 이후 여러 알파 계열 주장은 그렇지 않았다.^[15][1]

스웨덴 왕립과학원은 2024년 노벨 화학상의 절반을 데미스 허사비스와 존 점퍼에게 단백질 구조 예측에 대한 공로로 공동 수여했다. 이 상은 AlphaFold 개발에 대한 인정이며, 모든 단백질 상호작용, 접힘 경로, 생물학적 기능이 모델로 실험 확립되었다는 뜻은 아니다.^[7]

AlphaFold 3는 구글 딥마인드와 아이소모픽 랩스가 개발했으며, 구조 예측 범위를 단백질, 핵산, 작은 분자, 이온, 변형된 잔기가 포함된 복합체로 넓혔다. 2024년 5월 Nature 논문은 확산 기반 구조 모듈을 썼고, 여러 상호작용 과제에서 정확도가 높아졌다고 보고한다. 예측값은 여전히 분야별 신뢰도 점검이 필요하며, 결정이 분자 거동에 달린 경우 실험 검증도 필요하다.^[22]

6.2. 유전체학과 단백질 설계

AlphaMissense는 2023년 9월 19일 Science에 발표되었으며, AlphaFold를 변이 효과 예측에 맞게 바꾼 모델이다. 임상 판정 대신 집단 빈도 데이터로 미세 조정되었다. 구글 딥마인드는 약 7,100만 개의 인간 미스센스 변이를 담은 목록을 공개했고, 약 89%를 병원성 가능 또는 양성 가능으로 분류했다. 이는 모델의 분류이지 임상 판정이 아니며, 이 구분은 실제로 중요하다. 2024년 Disease Models and Mechanisms 리뷰는 실험으로 양성이 확인된 IRF6 변이 18개 중 15개를 AlphaMissense가 병원성으로 잘못 분류했다고 밝혔다. 발표된 폭넓은 합의는 임상 유용성이 아직 검증되지 않았으며, 기능 검증이나 임상적 뒷받침 없이는 예측으로 임상 결정을 내리면 안 된다는 것이다.^[1]

AlphaProteo는 선택한 분자 표적에 결합하도록 설계된 후보 단백질을 생성한다. 구글 딥마인드는 시험한 7개 표적에서 기존 설계 방법보다 결합력이 강했다고 보고했으며, 개선 폭은 표적에 따라 3배에서 300배였다. 여덟 번째 표적인 TNF-알파에서는 성공적인 결합체를 찾지 못했다. 따라서 AlphaProteo는 표적별 결과가 엇갈리는 실험 설계 시스템이지, 단백질 설계 전반의 일반 해법이 아니다.^[1]

AlphaGenome은 최대 100만 개의 DNA 염기쌍을 입력받아, 유전자 발현, 스플라이싱, 염색질 접근성, 3차원 접촉 등 11가지 유형에 걸쳐 수천 개의 분자 트랙을 단일 염기 해상도로 예측한다. 모델은 2025년 6월 25일 미리 공개되었고, 2026년 1월 발표된 Nature 논문에서 자세히 설명되었다. 논문은 변이 효과 평가 26개 중 25개에서 공개된 외부 최강 모델과 같거나 더 나은 성능을 보고했다.^[1]

6.3. 수학, 알고리즘, 프로그램 탐색

AlphaTensor는 2022년 10월 5일 Nature에 보고되었다. 행렬 곱셈 알고리즘을 찾는 문제를 AlphaZero에서 파생된 에이전트가 두는 1인용 게임으로 바꾸었다. 핵심 결과는 모듈로 2 산술에서 4×4 행렬 두 개를 스칼라 곱셈 47번으로 계산하는 분해였다. 이는 1969년 이후 그 경우에 대해 Strassen의 2단계 방법을 처음 개선한 것이다. 요약에서 가장 자주 빠지는 세부 사항은 모듈로 2 제약이다. 47번 곱셈 알고리즘은 실수나 복소수 산술로 옮겨지지 않는다. 연구자들은 논문의 다른 결과 여러 개도 거의 즉시 개선했다. 발표 3일 뒤 Kauers와 Moosbauer는 같은 체에서 5×5 행렬용 AlphaTensor 알고리즘의 곱셈 96번을 95번으로 줄였다. 이후 플립 그래프를 쓴 연구는 모듈로 2에 국한되지 않고 임의의 체에서 여러 형식을 더 발전시켰다. 자동화된 결과가 문제를 닫기보다 열 때 흔히 일어나는 일이다.^[1]

AlphaDev는 2023년 6월 7일 Nature에 발표되었으며, 작은 정렬과 해싱 루틴을 CPU 어셈블리 명령 수준에서 직접 탐색했다. Google은 길이 3~5개의 짧은 고정 크기 정렬에서 최대 70%, 25만 개가 넘는 시퀀스 정렬에서 약 1.7% 개선을 보고했다. 여러 루틴은 C++로 역공학되어 LLVM libc++ 표준 라이브러리에 병합되었다. 이는 그 부분이 10년 넘는 기간 만에 처음 바뀐 것이다. 해싱 루틴은 Google의 Abseil 라이브러리에 들어갔다. 배포 사실은 공개 코드 리뷰 기록으로 확인되지만, LLVM 패치는 2022년 1월에 제출되어 논문보다 약 17개월 앞섰다. 따라서 병합은 발표를 따른 것이 아니다. 기술 포럼의 비판자들은 정렬 결과를 펼쳐진(unrolled) 삽입 정렬의 명령어 수준 절약이며 새 알고리즘은 아니라고 평가했다. 이 비판은 비공식적이었고 동료 심사 반박으로 발표되지 않았다.^[1]

FunSearch는 2023년 12월 14일 Nature에 발표되었다. 언어 모델과 자동 평가기를 짝지어 프로그램 공간을 탐색했다. 8차원에서 크기 512의 캡 집합(cap set)을 찾아 이전 최고 기록 496을 넘어섰다. 또 온라인 빈 패킹(bin packing)에 맞춘 휴리스틱을 만들었는데, 표준 first-fit과 best-fit 규칙보다 적은 수의 빈을 사용했다.^[1]

AlphaEvolve는 2025년 5월 14일 발표되었다. Gemini 모델, 자동 평가기, 진화 탐색을 결합해 이 접근을 일반화했다. Google은 두 개의 4×4 복소수 행렬을 스칼라 곱셈 48번으로 곱하는 알고리즘을 제시했다. 이를 56년 만에 그 설정에서 Strassen 알고리즘을 처음 개선한 것이라고 설명했다. 또 시스템이 Google 전 세계 컴퓨팅 자원의 약 0.7%를 지속적으로 회수했고, Gemini 학습 커널을 23% 빠르게 했으며, 다가올 TPU를 위한 Verilog 단순화를 제안했다고 밝혔다. 이 진술들은 회사가 보고한 내용이다. 수학적 결과는 AI 단독 성과로서 수명이 짧았다. 한 달 안에 Dumas, Pernet, Sedoglavic이 같은 48번 곱셈을 유리수 계수로도 얻을 수 있음을 보였다. 이는 복소수 산술 제약을 없애 거의 모든 환에서 유효하게 만든다. Google은 2026년 5월 7일 추가 배포 사례를 나열한 1년 영향 보고서를 발표했고, 이 역시 회사가 보고한 내용이다.^[1]

AlphaGeometry는 2024년 1월 17일 Nature에 발표되었으며, 보조 작도를 제안하는 언어 모델과 기호 연역 엔진을 짝지었다. IMO-AG-30 벤치마크 30문제 중 표준 제한 시간 안에 25문제를 풀었다. 인간 금메달리스트의 평균은 25.9였다. 논문은 이전 자동화 기록을 10문제로 제시했지만, 그 비교는 검증을 견디지 못했다. 2024년 4월 독립 연구자들은 고전 대수 기법인 Wu의 방법만으로 30문제 중 15문제를 풀 수 있음을 보였다. Wu의 방법과 기존 종합 기하 솔버를 함께 쓰면 노트북에서 문제당 5분 미만으로 21문제를 풀었다. Wu의 방법과 AlphaGeometry를 결합하면 27문제에 이르렀다. 이 연구는 동료 심사를 거친 반박이 아니라 프리프린트지만, AlphaGeometry를 평가한 기준선을 실질적으로 약화시킨다. AlphaGeometry 2는 2025년 2월 프리프린트에서 소개되었고, 2000년부터 2024년까지 모든 IMO 기하 문제의 해결률을 54%에서 84%로 높였다.^[1]

2024년 AlphaProof와 AlphaGeometry 2는 국제수학올림피아드(IMO) 문제 6개 중 4개를 풀어 42점 만점에 28점을 받았다. 금메달 기준인 29점에는 1점 모자랐다. 그해 금메달 기준에 도달한 참가자는 609명 중 58명이었다. 시스템이 문제를 풀기 전에 사람이 문제를 형식 언어로 번역했다. 한 문제는 몇 분 만에 풀렸고, 나머지는 최대 3일이 걸려 인간의 제한 시간을 크게 넘겼다. 채점은 IMO 공식 관계자가 아니라 Timothy Gowers와 Joseph Myers가 맡았다. AlphaProof는 2025년 11월 12일 Nature에 발표되었다.^[1]

2025년에는 고급 Gemini Deep Think 시스템이 공식 제한 시간 4시간 30분 안에 여섯 문제 중 다섯 문제의 자연어 풀이를 내서 42점 만점에 35점을 받았다. 형식화는 하지 않았다. 이번에는 IMO 조직위원회가 학생과 같은 기준으로 채점했고, IMO 회장 Gregor Dolinar가 금메달 점수를 확인했다. 같은 대회에서 한 OpenAI 모델도 같은 점수를 보고했다.^[1]

AlphaProof Nexus는 2026년 5월 프리프린트에서 소개되었으며, 열린 수학 문제를 Lean으로 형식화하고 풀기를 시도한다. 저자들은 선별된 Erdős 문제 353개 중 9개, 선별된 OEIS 수열 문제 492개 중 44개를 풀었다고 보고했다. 주요 설정에서 문제당 추론 비용은 수백 달러 수준이었다. 이는 프리프린트 결과이며, 임의의 연구 수학을 자율적으로 푼다는 동료 심사 주장은 아니다. 관련 시스템인 AI Co-Mathematician은 2026년 5월 7일 올라온 논문에서 소개되었다. 수학자가 에이전트 팀을 조종하는 대화형 작업대로, 에이전트들이 문헌을 검색하고 코드를 실행하며 증명을 시도한다.^[1]

6.4. 재료, 날씨, 물리 과학

GNoME은 그래프 신경망을 재료 발견에 적용했다. 『Nature』 논문은 220만 개의 예측된 안정 결정 구조를 보고했고, 저자들이 갱신한 볼록 껍질 기준으로 38만 1,000개의 후보를 포함했다. 이 중 736개는 독립적으로 실험 구현된 것으로 기록되었다. 이는 계산 예측이지 38만 1,000개의 합성된 재료가 아니며, 이 표현은 아래에서 다룰 상당한 반박을 불렀다.^[25]

GraphCast는 재분석 데이터로 학습된 그래프 신경망 기상 모델이다. 『Science』 논문은 TPU에서 1분 미만에 0.25도 해상도의 전 지구 10일 예보를 만들며, 평가한 1,380개 대상 중 90% 이상에서 저자들의 결정론적 운영 기준선보다 나은 결과를 보고했다. GenCast는 2024년 12월 4일 Nature에 발표된 확률적 짝이다. 같은 해상도에서 15일 앙상블을 생성하는 확산 모델이다. 저자들은 1,320개 평가 대상 중 97.2%에서 ECMWF ENS 앙상블을 앞섰고, 단일 Cloud TPU v5에서 약 8분 만에 50개 멤버 앙상블을 생성할 수 있다고 보고했다.^[1]

WeatherNext 2는 2025년 11월 발표되었다. 기능 생성 네트워크(Functional Generative Network)를 써서 그럴듯한 궤적을 여러 개 만든다. Google은 TPU 한 대에서 1분 미만에 수백 개의 시나리오를 만들 수 있으며, 이전 운영 AI 모델보다 대부분의 평가 변수와 예보 시간에서 개선되었다고 보고했다. 이는 Google이 직접 수행한 평가 결과다.^[1]

Weather Lab은 2025년 6월 12일 공개되었으며, 열대 저기압에 15일까지 50개 시나리오를 내는 확률 모델을 적용했다. Google은 2023~2024년 북대서양과 동태평양 자료에서 5일 경로 예측이 ECMWF 앙상블보다 실제 저기압 위치에 평균 140km 더 가까웠고, 이는 약 하루 반의 추가 리드 타임에 해당한다고 보고했다. 외부 운영 기관이 검증한 몇 안 되는 Google DeepMind 주장 중 하나다. 미국 국립허리케인센터의 2025년 검증 미리보기는 그 시즌이 AI 기반 모델을 실시간 운영에 처음 포함한 시즌이었다고 기록했다. 센터는 Google DeepMind 모델(GDMI로 표기)이 ‘매우 유용했다’고 평가하면서도, 이런 시스템은 아직 개발 중이며 정기 예보에 항상 제때 쓸 수 있었던 것은 아니라고 덧붙였다.^[1]

AlphaEarth Foundations는 2025년 7월 발표되었으며, 지구 관측으로 접근을 넓혔다. 광학 영상, 레이더, 고도, 라이다를 융합해 위치마다 64개 밴드의 단일 임베딩을 만든다. 이 결과는 Google Earth Engine에 Satellite Embedding 데이터셋으로 공개되어, 산림 탄소 추정이나 토지 피복 변화 같은 매핑 작업을 맞춤 모델 학습 없이 할 수 있다. 2026년 7월 Google Maps Platform은 이를 기반으로 한 Custom Satellite Embeddings의 비공개 미리보기를 열었다.^[1]

DeepMind는 스위스 플라즈마 센터와 함께 Tokamak a Configuration Variable의 자기 제어 연구도 진행했다. 2022년 Nature 논문은 강화 학습 컨트롤러가 자기 코일을 조작해 여러 플라즈마 모양과 구성을 유지했다고 보고했다. AlphaQubit은 Google Quantum AI와 함께 2024년 11월 20일 Nature에 발표된 표면 부호 양자 오류 정정용 신경망 디코더다. Google의 Sycamore 프로세서 데이터에서 텐서 네트워크 방법보다 오류가 6% 적었고, 상관 매칭보다 30% 적었다. 그러나 논문은 사이클당 예산이 약 1마이크로초인 만큼 실시간 오류 정정에는 너무 느리다고 분명히 밝혔다. 2025년 12월 프리프린트는 후속작이 105큐비트 Willow 칩에서 상용 가속기를 써 이 예산보다 빠르게 디코딩하며, 코드 거리 11에서 원래 버전보다 약 9.6배 빠르다고 보고했다.^[1]

AlphaChip은 칩 배치(floorplanning)를 위한 강화 학습 방법으로 2021년 Nature에 처음 발표되었다. 여러 세대의 TPU 설계에 쓰였고, 동시에 오랜 과학 논쟁의 대상이기도 하다.^[1]

Google DeepMind는 이 시스템들을 외부 기관에도 제공하기 시작했다. 2025년 12월 18일 미국 에너지부의 Genesis Mission을 지원한다고 발표했다. 17개 국립연구소 모두에 AI 공동 과학자와 Gemini for Government에 대한 가속 접근권을 주며, AlphaEvolve, AlphaGenome, WeatherNext는 이어서 제공된다. 2026년 7월 16일에는 Isomorphic Labs와 함께 생물 안보의 예방, 탐지, 대응을 아우르는 바이오 레질리언스(bioresilience) 프로그램을 발표했다. 여기에는 AI가 만든 DNA 서열을 합성 업체에서 선별하기 위해 SynthID 방식의 워터마킹을 적용하는 방안이 포함된다.^[1]

TacticAI는 Liverpool FC와 함께 만들어졌으며 2024년 3월 19일 Nature Communications에 발표되었다. 코너킥을 그래프 문제로 모델링해 수신자와 슈팅 결과를 예측한다. 블라인드 평가에서 축구 전문가들은 기존 전술보다 이 시스템이 제안한 설정을 약 90% 사례에서 선호했다. 다만 전문가 평가자 풀이 작았고, 평가 설계도 저자들이 맡았다.^[1]

6.5. 연구 보조 도구

AI 공동 과학자(AI co-scientist)는 2025년 2월 19일 Google Research가 공개했고, Gemini 2.0을 기반으로 한다. 생성, 토론, 개선으로 이어지는 다중 에이전트 과정을 거쳐 연구 가설을 만들고 순위를 매긴다. 가장 잘 알려진 검증은 Imperial College London의 Jose R. Penades에게서 나왔다. 그의 연구실은 수년에 걸쳐 아직 발표되지 않은 기전을 밝혀 두었다. 캡시드를 만드는 파지 유도 염색체 섬이 다양한 파지 꼬리를 얻어 숙주 범위를 넓히는 기전이다. 공개된 배경 자료만 주자 시스템은 같은 가설을 약 2일 만에 제시했다. Penades는 Google과 함께 시스템이 미발표 연구에 접근할 수 없었다는 점을 확인했다. 이 성과는 무에서 발견한 것이 아니라 기존 문헌의 종합이다. 구성 사실은 이미 발표되어 있었지만, 그 구체적 가설은 발표되지 않았었다.^[1]

이 가설을 다룬 논문 쌍은 2025년 Cell에 실렸다. 급성 골수성 백혈병 약물 재창출, 간 섬유화, 항균제 내성을 다룬 더 넓은 평가는 2026년 5월 19일 Nature에 발표되었다. 이 결과들은 모두 전임상 단계다.^[1]

Aletheia는 2026년 2월 프리프린트에서 소개되었다. 고급 Gemini Deep Think 모델을 생성기, 검증기, 수정기로 이루어진 틀에 넣어 열린 문제에 적용한다. 저자들은 완전히 자율적으로 만든 AI 수학 논문 1편, 공개 데이터베이스의 열린 Erdős 문제 700개 중 자율 해법 4개, IMO-ProofBench에서 약 92%를 보고했다. 실패할 때는 증명을 지어내는 대신 “해법을 찾지 못함”을 반환했다고 한다. 이 결과들은 모두 프리프린트 결과다.^[1]

범용 Gemini 계열과 이런 연구 시스템 사이에는 분야 맞춤 모델이 있다. LearnLM은 2024년 발표된 Gemini 파생 모델 계열로, 학습과학 원리에 맞춰 교육용으로 미세 조정되었다. 그 행동 특성은 나중에 별도의 상시 모델로 배포되지 않고 Gemini 자체에 흡수되었다. Med-PaLM과 Med-PaLM 2는 Gemini보다 앞서 나온 Google의 의학 질의응답 모델이었다. 공개 가중치 계열의 후속작은 임상 텍스트와 영상용 MedGemma, 치료제 개발용 TxGemma다. 이 모든 사례의 패턴은 같다. 특화된 체크포인트로 어떤 능력에 도달할 수 있음을 확인한 뒤, 그 능력이 일반 모델로 옮겨 간다.^[1]

7. Gemini 모델 계열

Gemini는 Google DeepMind의 범용 멀티모달 모델 계열이며 조직의 상업적 중심이다. 구글은 2023년 12월 6일 Gemini 1.0을 세 가지 크기로 발표했다. 가장 까다로운 과제용 Ultra, 일반 용도의 Pro, 기기 내 작업용 Nano다. 구글은 이 계열이 텍스트 모델에 양식별 어댑터를 나중에 붙인 것이 아니라, 처음부터 텍스트, 코드, 오디오, 이미지, 영상으로 학습되었다고 설명했다.^[26]

그 이후 출시 주기는 빨랐고, 명명 방식은 직선적이지 않았다. 점 버전이 때때로 상위 등급을 앞질렀으며, 버전 번호만으로 모델이 아직 이용 가능한지는 알 수 없다.^[1]

7.1. 세대별 차이

1.0 세대는 계열과 세 가지 크기 구조를 확립했다. 가장 자주 반복된 주장, 즉 Gemini Ultra가 MMLU에서 90.0%를 기록해 보고된 인간 전문가 기준을 처음 넘었다는 주장은 특정 평가 방식에 근거한다. 구글 기술 보고서는 이 수치를 사고의 연쇄(chain-of-thought) 프롬프팅과 32회 샘플링으로 얻었다. 다른 연구소들이 발표 수치에 쓰던 5-샷 설정에서는 83.7%를 보고했다. Gemini 벤치마크 수치는 항상 평가 조건과 함께 읽어야 한다.^[1]

1.5 세대는 전문가 혼합(MoE) 구조로 옮겨 갔고, 매우 긴 문맥을 핵심 장점으로 내세웠다. 100만 토큰 컨텍스트 창을 내놓았고, 프리뷰에서는 200만 토큰으로 확장되었다. 구글 기술 보고서는 이 길이에서 합성 needle-in-a-haystack 테스트의 검색이 거의 완벽했다고 기술했다. 다만 이는 전체 문맥에 걸친 추론과는 다른 성질이며, 보고서도 둘을 구분한다.^[28]

2.0 세대는 에이전트 관점에서 소개되었다. 네이티브 도구 호출, 네이티브 이미지와 오디오 출력, 함께 공개된 연구 프로토타입 Project Astra와 Project Mariner가 특징이었다.^[21] 2.5 세대는 명시적 추론을 별도의 사고 변형으로 내놓지 않고 기본 모델에 통합했다. 또 개발자가 조절하는 사고 예산을 더해, 지연 시간과 비용을 숙고 정도와 맞바꿀 수 있게 했다.^[28][1]

Gemini 3는 2025년 11월 18일 출시되었다. LMArena 텍스트 리더보드에서 1500 Elo를 넘은 첫 공개 접근 모델이었고, 1501점으로 데뷔했다. 구글은 Gemini 앱, Google AI Studio, Vertex AI, Gemini Enterprise, 검색에 동시에 배포했다. 이전 세대가 개발자 표면보다 몇 주 늦게 소비자에게 닿았던 것과 달라진 방식이다.^[29]

3.x 계열은 네 번째 세대가 아니라 점 버전으로 발전했다. 2026년 2월 19일 출시된 Gemini 3.1 Pro는 Gemini 3 Pro의 가격과 구조를 유지했다. 구글은 이 모델이 ARC-AGI-2에서 77.1%를 기록했다고 보고했고, Gemini 3 Pro는 31.1%였다. 이는 회사 보고 수치이며, 이 벤치마크 점수는 과제당 허용된 연산량에 크게 좌우된다.^[30] 2026년 5월 19일 Google I/O에서 발표된 Gemini 3.5 Flash는 독특하게 자리매김했다. 구글은 저지연 Flash 등급이 대부분의 코딩과 에이전트 평가에서 더 큰 Gemini 3.1 Pro를 이겼고, 출력은 약 4배 빠르다고 주장했다.^[20]

2026년 8월 1일 기준 가장 최근 출시는 2026년 7월 21일 발표된 Gemini 3.6 Flash, Gemini 3.5 Flash-Lite, Gemini 3.5 Flash Cyber 묶음이다. Flash Cyber는 취약점 탐지와 패치를 위해 미세 조정되었다. 이중 용도 성격 때문에 구글은 공개 API가 아니라 정부와 신뢰 파트너에게 제한된 접근 파일럿으로만 배포한다. 같은 발표는 Gemini 3.5 Pro가 파트너와 함께 테스트 중이며, 구글이 Gemini 4를 위한 지금까지 가장 야심 찬 사전 학습을 시작했다고 밝혔다. 두 내용 모두 출시가 아니며, 피차이는 7월 22일 실적 발표에서 두 가지를 다시 언급했다.^[33][17]

7.2. Gemini 벤치마크 수치 읽기

구글은 Gemini 출시마다 벤치마크 표를 공개하며, 이후 떠도는 수치 대부분이 이 표에서 나온다. 되풀이되는 주의점은 세 가지다. 첫째, 평가 조건은 출시 표와 기술 보고서 사이에서 다르며 MMLU 예가 이를 보여 준다. 둘째, 2025년 이후 쓰인 여러 벤치마크, 특히 ARC-AGI-2와 SWE-bench, OSWorld 같은 에이전트 평가는 스캐폴딩과 과제당 허용 연산량에 민감하다. 따라서 같은 하네스에서 얻은 수치끼리만 비교할 수 있다. 셋째, 구글의 비교 대상은 구글이 고른다. LMArena 같은 독립 리더보드는 블라인드 사람 선호도라는 다른 양을 재므로, 한 모델이 한쪽에서 앞서고 다른 쪽에서 뒤처질 수 있다.^[29][30][33]

8. Gemma 공개 가중치 모델

Gemma는 Google DeepMind의 공개 가중치 모델 계열이다. Gemini와 같은 연구를 바탕으로 만들었지만, 누구나 내려받아 실행하고 미세 조정할 수 있는 체크포인트로 배포된다.^[1]

특화 변형으로는 코드용 CodeGemma, 시각-언어 과제용 PaliGemma, 메모리 효율적인 추론 실행용 RecurrentGemma, 콘텐츠 안전 분류용 ShieldGemma, 의료와 치료제 개발용 MedGemma와 TxGemma가 있다. 2025년 4월 14일 발표된 DolphinGemma는 Wild Dolphin Project 및 Georgia Tech와 함께 야생 대서양 점박이 돌고래의 발성을 모델링한다.^[1]

라이선스는 정확히 밝힐 필요가 있다. Gemma 1부터 Gemma 3까지는 구글 자체의 Gemma 이용 약관으로 배포되었다. 이 약관은 사용 제한을 두므로 오픈소스 이니셔티브(OSI)가 쓰는 의미의 오픈소스 라이선스가 아니다. 따라서 “open weights(공개 가중치)”가 정확한 표현이다. Gemma 4는 계열 최초로 Apache 2.0으로 배포되었다. Gemma 4 출시 때 구글은 계열이 4억 회 넘게 다운로드되었고 개발자들이 10만 개 넘는 변형을 만들었다고 밝혔다.^[34] 2026년 8월 5일 피차이는 직원 메모에서 Gemma 모델 다운로드가 9억 건을 넘었다고 밝혔다.^[6]

9. 생성형 미디어와 월드 모델

Google DeepMind의 생성형 미디어 연구는 Gemini보다 앞선 오디오와 이미지 연구에서 이어진다. 2016년 소개된 WaveNet은 원시 오디오 파형을 샘플 단위로 생성했다. 빠른 생산 버전은 2017년 Google Assistant의 미국 영어와 일본어 음성에 적용되었다. SoundStream과 AudioLM은 그 계보를 신경 오디오 코딩과 언어 모델식 오디오 생성으로 넓혔다. 음악 생성 쪽으로는 MusicLM이 텍스트 조건부 음악 생성을 열었다.^[1]

이미지 계열은 2022년 원본 Imagen 연구 모델에서 출발해, 2023년 12월 13일 개발자에게 공개된 Imagen 2, 2024년 5월 14일 Google I/O에서 발표된 Imagen 3를 거쳐 2025년 5월 Imagen 4로 이어졌다. 2025년 말 이후 실질적 후속은 Nano Banana 계열인데, 이는 독립된 모델 계열이 아니라 Gemini 모델 자체의 이미지 생성 능력이다. 그래서 Gemini 세대와 이미지 생성이 함께 발전한다.^[31][1]

Veo 2는 2024년 12월 16일 발표되었으며, 더 높은 해상도와 더 긴 클립으로 영상 생성을 넓혔다.^[35] Veo 3는 2025년 5월 20일 I/O에서 발표되었다. 대화와 효과음을 포함한 동기화 오디오를 화면과 같은 과정에서 생성한 첫 상용 영상 모델이었다. Lyria 2는 2025년 4월 24일 발표되었으며, Music AI Sandbox와 대화형 실시간 음악 모드를 구동한다.^[1]

Genie는 월드 모델 계열이다. 고정된 영상이 아니라 사람이나 에이전트가 그 안에서 행동할 수 있는 환경을 생성한다. Genie 2는 2024년 12월 4일 공개되어 한 장의 이미지에서 탐색 가능한 3D 환경을 만들었다. Genie 3는 2025년 8월 5일 발표되었으며, 텍스트 프롬프트로 환경을 만들고 720p 해상도, 초당 24프레임으로 실시간 구동된다. 구글이 공개한 시연에서 환경의 일관성은 수 분 동안 유지되었다. 이 수치들은 발표된 구성을 설명하며, 임의의 프롬프트에 대한 보장이 아니다.^[36] 2026년 1월 29일 구글은 미국의 만 18세 이상 Google AI Ultra 구독자에게 소비자 연구 프로토타입 Project Genie를 열었다.^[1]

SynthID는 이 작업 전반에 걸쳐 쓰인다. 2023년 8월 Imagen 출력용으로 처음 발표되었고, 이후 오디오, 영상, 텍스트로 확장되었다. 2024년 Nature 논문은 텍스트 워터마킹 방식과 그 평가를 설명한다. 워터마크가 살아남는지는 콘텐츠 유형과 적용된 변환에 따라 달라진다. 따라서 SynthID는 출처 신호이지 모든 합성 미디어를 잡아내는 범용 탐지기가 아니다.^[1]

10. 로보틱스

Google DeepMind의 로보틱스 프로그램은 구글 브레인의 Robotics at Google 팀을 흡수했다. 이 팀의 RT-1과 RT-2 모델은 트랜스포머 구조를 로봇 제어에 적용했다. 또 수십 개 기관의 로봇 시연 데이터를 모은 Open X-Embodiment 데이터셋 협업도 이어받았다.^[1]

현재 라인은 2025년 3월 12일 Gemini Robotics로 시작되었다. Gemini 2.0 기반의 시각-언어-행동 모델로, 로봇 행동을 직접 출력한다. 함께 나온 Gemini Robotics-ER은 구체화 추론 모델로, 로보틱스 개발자가 자신의 제어기와 계획기와 함께 쓰도록 만들어졌다. Gemini Robotics On-Device는 2025년 6월 24일 발표되었다. 지원 하드웨어에서 기기 내 실행되며, 우선 신뢰 테스터 프로그램과 SDK를 통해 배포되었다. 2025년 9월 25일 구글은 Gemini Robotics 1.5와 Gemini Robotics-ER 1.5를 발표했다. 행동 전에 명시적 생각 단계를 더하고 네이티브 도구 호출을 추가했다. ER 1.5는 모든 개발자에게 열렸고, 시각-언어-행동 모델은 선택된 파트너로 제한되었다.^[1]

2026년 7월 30일 Google DeepMind는 Gemini Robotics 2를 발표했다. 같은 이름의 시각-언어-행동 모델, Gemini 3.5 Flash 기반의 Gemini Robotics ER 2, Gemini Robotics On-Device 2의 세 모델로 이루어졌다. 구글은 하나의 학습된 정책이 휴머노이드 로봇 전체를 구동하는 첫 세대라고 설명했다. 이전 릴리스의 상체 탁상 조작과 달리 발끝에서 손끝까지의 제어라는 것이다. 출시에는 두 개의 모델 카드, 안전 기술 보고서, 공개 안전 벤치마크 ASIMOV-Agentic이 포함되었다.^[1]

11. 제품과 플랫폼

구글 딥마인드는 모델을 만들고, 그중 대부분은 구글 제품 팀과 클라우드 팀을 통해 일반에 공개된다. 개발자용 Google AI Studio는 Gemini API를 시험하는 무료 브라우저 도구로, 프롬프트 놀이터, 멀티모달 파일 업로드, 코드 내보내기를 한데 묶는다. 2025년 말부터는 동작하는 애플리케이션을 만드는 Build 모드도 있다. Gemini CLI는 2025년 6월 25일 Apache 2.0 라이선스로 공개되어 터미널에 Gemini 에이전트를 넣는다. Antigravity는 Gemini 3 Pro와 함께 2025년 11월 18일 공개 미리보기로 출시된 에이전트 중심 개발 환경으로, Visual Studio Code를 포크해 만들었다.^[1]

기업 고객은 Vertex AI를 통해 Gemini를 쓴다. Vertex AI는 구글 클라우드의 머신러닝 플랫폼이며, 클라우드 고객이 기대하는 거버넌스, 리전, 규정 준수 통제를 갖추고 있다. 2025년 10월 9일 발표된 Gemini Enterprise는 그 위에 놓이는 업무용 프런트엔드로, 모델에 노코드 에이전트 작업대와 업무 데이터 커넥터를 결합한다.^[1]

소비자 접점에서 Gemini 앱은 2023년 3월 21일 Bard로 시작했고, 2024년 2월 8일 Gemini라는 이름을 얻었다. 같은 날 Gemini Advanced가 월 19.99달러의 Google One AI Premium 요금제 안에서 출시되었다.^[27] Gemini Live는 2024년 8월 13일 출시된 음성 대화 모드다. NotebookLM은 웹이 아니라 사용자가 올린 문서에 근거해 답하는 별도의 연구 도구다. 2023년 5월 Google I/O에서 Project Tailwind라는 이름으로 처음 공개되었고, 그해 7월 제한된 테스트로 나왔다. 이후 자료를 합성된 두 진행자의 대화로 바꾸는 Audio Overviews가 더해졌다.^[1]

연구 프로토타입과 그 후속작도 있다. Project Astra는 2024년 5월 Google I/O에서 공개된 범용 어시스턴트 구상으로, 기기의 카메라와 마이크로 보고 들으며 지연이 짧은 음성 대화를 나누고, 방금 본 것을 기억하며, 사용자를 대신해 행동하는 것을 목표로 했다. 이 연구는 독립 제품이 아니라 Gemini Live로 이어졌다. Project Mariner는 Gemini 2.0과 함께 2024년 12월 처음 공개된 브라우저 사용 에이전트로, Chrome 확장 프로그램 형태의 연구 미리보기로 출시되었다. 구글은 단일 에이전트 구성에서 WebVoyager 벤치마크 83.5%를 보고했고, 시연된 시스템은 민감한 행동에 사용자 확인을 요구했다.^[21] 구글은 2026년 5월 4일 Project Mariner를 독립 제품으로 종료했고, 그 기술이 Gemini API와 Gemini 앱의 Gemini Agent 기능 등 다른 구글 제품으로 옮겨 갔다고 밝혔다.^[1]

Deep Research는 2024년 12월 11일 Gemini Advanced 안에서 출시된 에이전트 모드다. 여러 단계의 검색을 계획하고, 출처를 읽어 교차 대조하며, 채팅 답변 대신 출처가 달린 보고서를 낸다. 주요 연구소에서 나온 이런 종류의 첫 제품 중 하나였고, 이후 Gemini 세대가 바뀔 때마다 다시 만들어졌다. 딥마인드 연구가 사용자에게 닿는 전형적인 방식도 여기서 드러난다. 연구 프로토타입으로 처음 보인 기능이 별도 앱이 아니라 기존 제품 안의 모드가 되는 것이다.^[21]

검색 쪽에서 AI 개요(AI Overviews)는 일반 검색 결과 위에 나타나는 생성형 요약으로, 검색 생성 경험(Search Generative Experience)이라는 이름으로 1년간 시험한 뒤 2024년 5월 미국에서 정식 제공되었다. 대화형 검색 화면인 AI 모드는 2025년 3월 발표되어 2025년 10월 전 세계로 확대되었다. 2026년 5월 19일 I/O에서 피차이는 AI 개요의 월간 활성 사용자가 25억 명, AI 모드가 10억 명을 넘었고, 구글이 한 달에 3,200조 토큰 이상을 처리한다고 말했다.^[1] 2026년 2분기 실적 발표에서는 Gemini 앱 월간 활성 사용자 9억 5,000만 명, 모델 API 약 220억 토큰 분당 처리량을 말했다.^[17] 이 수치들은 회사가 정한 정의에 따른 자체 집계다. AI 개요의 사용자는 생성된 요약을 본 검색 사용자이므로, Gemini 앱 세션과는 다른 종류의 참여다.

12. 컴퓨팅 인프라

구글 딥마인드는 구글 인프라에서 학습하고 서빙하며, 특히 2010년대 중반부터 구글이 만든 맞춤형 가속기인 텐서 처리 장치(TPU)를 주로 쓴다. 관계는 양방향이다. 딥마인드의 모델 구조가 칩의 최적화 방향을 정하고, 구글은 8세대 칩이 구글 딥마인드와 함께 설계되었다고 밝힌다.^[37]

Ironwood는 7세대로, 2025년 4월 9일 Google Cloud Next에서 공개되었고, 추론 전용으로 설계된 첫 TPU라고 설명되었다. 9,216칩 슈퍼파드는 FP8 기준 42.5 엑사플롭스로 평가된다. 2026년 4월 22일 Google Cloud Next에서 구글은 8세대를 처음으로 둘로 나눴다. 학습용 TPU 8t와 서빙용 TPU 8i다. 구글에 따르면 TPU 8t 슈퍼파드는 9,600개의 수냉식 칩을 약 2페타바이트의 공유 고대역폭 메모리로 묶어 FP4 기준 약 121 엑사플롭스를 내며, 이는 Ironwood 파드 연산량의 거의 세 배다. TPU 8i는 칩 내 SRAM을 384MB로 세 배 늘렸고, 저지연 서빙에서 Ironwood보다 달러당 성능이 최대 80% 좋다고 한다. 두 수치 모두 구글 자체 주장이다.^[37] 이와 함께 구글은 Virgo Network 패브릭을 소개했다. 피차이는 이를 통해 고객이 여러 데이터센터 사이에서 AI 가속기 100만 개를 연결할 수 있다고 말했다.^[17][1]

구글 딥마인드의 연산은 외부 고객과 실리콘이 아니라 접근 방식에서 다르다. 구글 딥마인드는 구글 클라우드가 파는 것과 같은 TPU 세대로 학습하지만, 보통 더 먼저 받고 외부에는 제공되지 않는 규모로 쓴다. Ironwood는 일반 공개 전에 Gemini와 AlphaFold 작업을 내부에서 돌렸고, 8세대 칩은 딥마인드 작업 부하에 맞춰 공동 설계되었으며 이후 구글 밖 고객에게도 제공될 예정이다.^[37] 외부 고객은 공개된 할당량과 리전별 가용성에 따라 구글 클라우드를 통해 연산 자원을 산다. 가장 큰 계약 상대는 경쟁사다. 2025년 10월 Anthropic은 구글 클라우드 TPU 사용을 최대 약 100만 개 칩 규모로 늘리기로 했다. 구글은 주력 TPU 계열 밖의 실리콘도 탐색한 것으로 전해진다. 2026년 7월 The Information은 Gemini 아키텍처의 일부를 하드웨어에 직접 고정하는 내부 추론 칩 Frozen v2를 보도했으며, 구글은 이를 확인하지 않았다.^[1]

13. 안전, 정렬, 거버넌스

구글 딥마인드의 공개 거버넌스 구조에는 두 개의 상설 기구가 있다. 책임과 안전 위원회(Responsibility and Safety Council)는 Lila Ibrahim과 책임 부사장 Helen King이 공동 의장을 맡으며, 연구, 프로젝트, 협업을 구글 AI 원칙에 비추어 평가한다. AGI 안전 위원회는 셰인 레그가 이끌며, 더 강력한 미래 시스템의 극단적 위험을 다룬다. 구글 딥마인드는 기술 안전, 윤리, 거버넌스, 보안, 대외 소통을 맡는 전담 팀을 운영한다고 밝힌다. 또 프런티어 모델 포럼(Frontier Model Forum)의 회원이고 Partnership on AI의 공동 창립자다.^[19]

13.1. 프런티어 안전 프레임워크

프런티어 안전 프레임워크(Frontier Safety Framework)는 구글 딥마인드가 프런티어 모델의 심각한 위험을 관리하는 공개 정책이다. 2024년 5월 17일 처음 발표되었고, 2025년 2월 2.0 버전으로, 2025년 9월 22일 3.0 버전으로 갱신되었다.^[38][1] 이 프레임워크는 중대 역량 수준(Critical Capability Levels, CCL)을 중심으로 짜여 있다. 모델이 이 임계치를 넘었다고 평가되면 지정된 평가, 보안, 배포 완화 조치가 발동된다. 3.0 버전은 CCL 정의를 더 날카롭게 했다. 고위험 상황에서 신념과 행동을 체계적으로 바꿀 수 있는 모델을 다루는 유해한 조작(harmful manipulation) CCL을 추가했다. 또 모델이 운영자의 지시, 수정, 종료 능력을 방해하는 시나리오를 포함해 정렬 오류 다루기를 넓혔다. 2026년 4월 17일 공개된 3.1 버전은 CCL에 도달하기 전에 덜 극단적인 위험을 알리는 조기 경보 층인 추적 역량 수준(Tracked Capability Levels)을 더했고, 종합 위험 평가 방법을 더 자세히 설명했다.^[38]

이 프레임워크는 회사 정책 문서다. 구글 딥마인드가 따르겠다고 약속한 절차를 설명하는 것이며, 독립 인증이 아니다. 한 개발사의 프레임워크를 다른 곳보다 위에 두는 비교는 문서를 읽는 것만으로 하지 말고, 명시된 평가 방법론을 근거로 해야 한다. 구글 딥마인드의 정렬 연구는 구현에 그치지 않고 공개로도 낸다. 2025년 4월 논문은 기술적 AGI 안전과 보안에 대한 조직의 접근을 정리했고, 기술 작업이 겨냥하는 두 위험 영역으로 오용과 정렬 오류를 제시했다. 해석 가능성 프로그램은 2024년 7월 Gemma Scope를 공개했다. Gemma 2 모델의 활성값으로 학습한 희소 오토인코더 모음으로, 외부 연구자가 자체 프로브를 학습하지 않고도 모델 내부를 연구할 수 있게 했다. 프런티어 연구소로서는 기계적 해석 가능성에 이례적으로 구체적인 기여다.^[1] 출처 추적은 SynthID가 맡고, 각 Gemini 출시에는 모델 카드와 안전 평가가 함께 나온다. Anca Dragan이 AI 안전과 정렬 조직을 이끈다.^[19]

14. 공개 논문과 오픈 릴리스

구글 딥마인드의 공개 기록은 구분해 볼 필요가 있는 두 부분으로 나뉜다. 과학 연구는 일반적인 학술 방식으로 발표된다. Nature, Science와 자매지에 실리고 동료 심사를 거치며, AlphaFold 3 논쟁 이후로는 대체로 코드도 함께 공개한다. 논문 목록은 2026년 7월까지 연구 출판 페이지에 계속 올라왔다.^[39] 반면 프런티어 모델 작업은 기술 보고서, 모델 카드, 출시 글로 기록된다. 이들은 평가와 역량은 설명하지만, 다른 연구 집단이 재현할 수 있을 만큼 학습 데이터나 구조를 담지는 않는다. 두 방식 모두 각자의 장르에서는 정상이다. 둘을 섞으면 Gemini 기술 보고서를 Nature 논문과 같은 증거 무게로 취급하는 흔한 실수가 생긴다.^[39][1]

독점 모델 옆에서는 잘 보이지 않지만, 구글 딥마인드는 상당한 공개 릴리스 프로그램도 운영한다. AlphaFold 단백질 구조 데이터베이스는 무료로 쓸 수 있으며 2억 개가 넘는 예측 구조를 담는다.^[16] Gemma 가중치는 내려받을 수 있고, Gemma 4는 계열을 Apache 2.0으로 옮겼다.^[34] Gemma Scope는 해석 가능성 연구용 희소 오토인코더를 공개했다. Open X-Embodiment는 수십 개 연구실의 로봇 시연 데이터를 모았다. Gemini Robotics 릴리스는 제한된 모델 접근과 함께 모델 카드, 안전 보고서, 공개 ASIMOV 벤치마크를 내놓았다.^[1]

15. 주요 인물

16. 비판과 논란

16.1. 건강 데이터와 로열 프리 판결

딥마인드가 로열 프리 런던 NHS 재단 트러스트와 함께 한 Streams 프로젝트는 급성 신장 손상 앱을 지원하려고 환자 기록을 썼다. 2017년 7월 3일 영국 정보위원회(ICO)는 트러스트가 정보 관리자로서 데이터보호법 1998의 네 가지 조항, 즉 제1, 3, 6, 7원칙을 위반했다고 결론 내렸다. ICO는 딥마인드를 정보 처리자로 보았고, 시정 조치는 트러스트를 향했다. 규제 기관은 임상 안전성 시험을 위해 약 160만 건의 부분 환자 기록을 처리한 것이 과도하고 비례하지 않는다고 판단했다. 정보 위원 Elizabeth Denham은 환자들이 자신의 정보가 이런 방식으로 쓰일 줄 합리적으로 예상하지 못했을 것이라고 말했다.^[40][1]

잘못 보도되기 쉬운 점이 두 가지 있다. 과징금은 없었다. 트러스트는 위원이 집행 통지를 발부하지 않는 조건으로 서약서에 서명했고, 여기에는 개인정보 영향 평가, 적법 처리 조건의 증거, 제3자 감사가 포함되었다. 또 판정 대상은 딥마인드가 아니라 트러스트였다. 학계의 비판은 이 약정 전체의 적법성과 투명성까지 문제 삼았다. 2017년 Health and Technology에 실린 Julia Powles와 Hal Hodson의 논문이 그 예다.^[1] 딥마인드는 대응에서 NHS와 환자 데이터 규칙의 복잡성을 과소평가했다고 인정했고, 우리가 틀렸다고도 말했다.^[40]

이후 집단 소송이 이어졌다. Andrew Prismall은 2015년 10월의 데이터 이전과 2017년 9월까지 이어진 실시간 데이터 피드를 두고, 약 160만 명을 대표해 Google UK Limited와 DeepMind Technologies Limited를 상대로 사적 정보 오용 소송을 냈다. Mrs Justice Heather Williams는 2023년 5월 19일 청구를 각하하고 역 약식 판결을 내렸으며, 항소법원은 2024년 12월 11일 항소를 기각했다. 추론은 흔히 지나치게 단순화되어 요약된다. 대표 소송 규칙상 모든 구성원이 같은 이익을 공유해야 하므로 청구는 최소한의 기준으로 주장되어야 했다. 그 기준에서 법원은 구성원 누구도 사생활에 대한 합리적 기대를 입증하거나 사소하지 않은 손해를 회복할 현실적 가능성이 없다고 판단했다. 항소법원은 사적 정보 오용에 대한 대표 집단 소송은 언제나 매우 어렵다고 덧붙였다. 그 뒤 상소는 기록되지 않았다.^[1]

16.2. 거버넌스와 내부 논란

딥마인드와 관련된 세 가지 거버넌스 장치는 실제 운영보다 더 크게 발표되었다는 비판을 받아 왔다. 2014년 인수 때 보도된 AI 윤리위원회는 공개 문서로 남은 적이 없다. 2016년 6월 임명되어 연례 보고서를 발간할 권한을 가졌던 딥마인드 헬스 독립 검토 위원회는 보고서 두 건을 발표했고, 2018~2019년 딥마인드 헬스가 구글 헬스로 옮겨 가면서 해체되었다. 2018년 보고서는 묶음 데이터 접근과 인프라를 통해 딥마인드가 과도한 시장 지배력을 얻을 위험을 경고했다. 독립 법적 구조를 얻으려던 딥마인드의 시도는 구글과 여러 해 협상되었으나, 2021년 5월 구글이 협상을 끝냈다.^[1]

2019년 8월 술레이만은 관리 방식에 대한 직원들의 불만이 제기된 뒤 휴직 처분을 받았다. 구글과 딥마인드는 이후 외부 로펌이 조사했다고 확인했고, 2021년 1월 보도는 괴롭힘 불만과 전 직원과의 합의를 다뤘다. 술레이만은 사람들을 너무 몰아붙인 것과, 때로는 건설적이지 않았던 관리 방식에 사과했다. 그는 구글의 AI 정책 부사장 역할로 옮겼고, 2022년 Inflection AI를 공동 창업했으며, 2024년 3월 Microsoft AI의 CEO가 되었다.^[1]

16.3. 군사 이용, AI 원칙, 노조 조직화

2024년 8월 Time은 딥마인드 직원 약 200명이 2024년 5월 16일자 내부 서한에 서명했다고 보도했다. 서한은 군과 무기 제조사가 구글 클라우드 고객인지 조사하고, 군의 딥마인드 기술 접근을 끊고, 앞으로 이런 사용을 막을 거버넌스 기구를 만들라고 요구했다. 구글은 AI 원칙을 준수하고 있으며 이스라엘 정부 클라우드 계약은 군사나 정보 업무를 대상으로 하지 않는다고 답했다.^[1]

2025년 2월 4일 구글은 James Manyika와 허사비스가 공동 서명한 개정 AI 원칙을 발표했다. 원칙은 세 가지 기조를 중심으로 짜였다. 이번 개정은 무기, 국제 규범을 어기는 감시 기술, 전반적 피해를 낳을 가능성이 있는 기술 등 구글이 추구하지 않을 응용을 나열하던 항목을 삭제했다. 블로그 글은 이 삭제를 언급하지 않았고, 기자들이 두 버전을 비교해 알아챘다. 허사비스는 같은 글에서 민주주의 국가가 AI 개발을 이끌어야 한다고 썼다.^[1]

노조 조직화도 이어졌다. 2025년 4월 런던 직원 약 300명이 Communication Workers Union(CWU)에 접촉했다. 2026년 4월과 5월 CWU는 딥마인드 조합원의 98%가 노조 인정(recognition)을 지지한다고 밝혔고, CWU와 Unite는 런던 직원 약 1,000명에 대해 구글 영국 법인에 공동 인정을 요구하는 서한을 보냈다. 요구에는 미국 국방부와 이스라엘 군의 구글 AI 사용 중단, 무기·감시 서약 복원, 독립 윤리 기구 설치, 도덕적 이유로 업무를 거부할 권리가 포함되었다. 구글은 그 시점에 노조 설립 투표가 없었다고 답했다. 98%라는 수치는 노조 내부 설문이지 법정 인정 투표가 아니며, 결과는 2026년 8월 현재 미해결이다.^[1]

16.4. 재현성과 공개

Google DeepMind의 과학 논문은 여러 실질적 문제 제기를 받아 왔다. 가장 중대한 것은 AlphaChip이다. 2021년 Nature 논문은 칩 배치에 강화 학습을 쓰는 방법을 다뤘고, 이 방법이 기존 도구를 이기는지를 두고 논쟁이 벌어졌다. UC 샌디에이고의 Andrew Kahng 연구팀은 ISPD 2023에서 자신들의 재구현이 기존 기법을 능가하지 않았다고 보고했다. 당시 Synopsys의 Igor Markov는 같은 해 비판적 메타 분석을 발표했다. Nature는 2022년 3월 저자 정정을 게재했고, 2023년 9월 20일 성능 주장이 의문을 받고 있다는 편집자 주를 달았다. 2023년 9월 21일에는 저자인 Kahng의 요청으로 동반 게재된 뉴스 및 논평을 철회했다. Kahng은 방법에 대한 새 정보가 자신의 평가를 바꿨다고 밝혔다. 연구 논문 자체는 철회되지 않았고, 이에 대한 Matters Arising도 게재되지 않았다.^[1]

2024년 9월 26일 Nature는 사후 검토를 저자 쪽에 유리하게 마무리했다. 이전에 빠져 있던 방법론 세부를 담은 추록을 게재했고, 편집자 주는 삭제했다. 같은 날 Google은 이 방법에 AlphaChip이라는 이름을 붙이고 사전 학습 체크포인트를 공개했다. 반박 프리프린트는 2024년 11월에 나왔다. Markov의 비판은 2024년 10월 Communications of the ACM에 실렸다. 기술적 이견은 해결되지 않았다. 논문은 추록과 함께 유효하며, 비판자들은 독립 재현에 필요한 전체 학습·평가 입력이 공개된 적이 없다고 주장한다.^[1]

GNoME에 대해서는 2024년 4월 8일 Chemistry of Materials에 비판이 실렸다. UC 산타바바라의 Anthony Cheetham과 Ram Seshadri는 “새로움, 신뢰성, 유용성의 삼위일체를 충족하는 화합물의 증거는 거의 없다”고 보고했다. 많은 제안을 사소한 도펀트 변형, 대칭이 깨진 중복, 화학적으로 그럴듯하지 않은 고원소 수 조성으로 분류했다. 출력이 시연된 기능을 가진 재료가 아니라 결정 화합물이라는 점도 문제 삼았다. 두 저자는 표본이 작다고 밝혔다. GNoME Explorer 데이터베이스의 처음 250개 항목과, 훨씬 큰 안정 구조 목록에서 무작위로 고른 10개 항목만 검토했고, 포괄적 검토는 시간이 너무 많이 든다고 했다. Google DeepMind는 논문의 모든 주장을 지지하며, 예측 재료 수백 개가 이미 독립적으로 합성되었다고 답했다. Google의 원래 주장은 합성된 재료가 아니라 계산으로 예측된 안정 구조였으므로, 불일치의 일부는 결과를 어떻게 홍보했는지에 관한 것이다. 그럼에도 이 비판은 GNoME을 38만 개의 새 재료로 읽지 말라는 표준 인용으로 남아 있다.^[25][1]

GNoME과 함께 발표된 자율 합성 실험실 논문은 로런스 버클리 국립연구소 연구팀의 것으로, Google DeepMind의 연구로 흔히 잘못 귀속된다. 41건의 합성 성공이라는 주장은 2024년 Leeman 등이 PRX Energy에서 반박했다. 저자들은 2026년 1월 19일 Nature에 정정을 내 제목을 ‘새로운 재료’에서 ‘무기 재료’로 바꿨다. 화합물이 과학계에 새로운 것이 아니라 예측 플랫폼에 새로운 것이었다고 명확히 했고, 확인된 성공을 36건으로 줄였으며 4건은 결론을 내리지 못했다.^[1]

AlphaFold 3는 정확성이 아니라 공개 방식을 둘러싼 논쟁을 낳았다. 2024년 5월 Nature 논문은 모델 코드 없이 발표되었고, 접근은 처음에 사용량 제한과 리간드 모델링 제약이 있는 웹 서버로만 열렸다. 1,000명이 넘는 과학자가 Nature에 보낸 서한은, 코드가 심사자에게도 공개되지 않아 동료 심사가 훼손되고 주장을 독립적으로 시험할 수 없게 되었다고 주장했다. Nature의 편집장은 생물보안 우려를 들며 재현성 대체물로 의사코드를 제시했다. Google DeepMind는 6개월 안에 공개하겠다고 약속했다. 코드는 2024년 11월 11일 비상업 라이선스로 공개되었고, 가중치는 학술 기관의 신청을 받아 제공되었다. 이후 소스는 Apache 2.0으로 재라이선스되었으나, 가중치는 별도의 접근 제한이 유지되고 있다.^[1]

출판 관행 전반도 의문을 받아 왔다. Google DeepMind는 여전히 많은 논문을 내며, 연구 출판 페이지는 2026년 7월까지 활발했다.^[39] 그러나 Financial Times는 2025년 4월 이 조직이 선별된 생성형 AI 논문에 약 6개월의 엠바고와 추가 내부 승인 단계를 두었고, 일부 논문은 특히 Gemini를 자세히 설명하거나 Gemini에 불리한 비교를 담았다는 이유로 아예 막혔다고 보도했다. Google DeepMind는 이 보도에 공개적으로 이의를 제기하지 않았다. 공개 기록에도 그 흔적이 있다. Gemini 기술 보고서는 재현 가능한 구조나 학습 데이터 세부 없이 역량과 평가를 기술한다. 이는 Gopher와 Chinchilla 시대에 DeepMind가 둘 다 길게 문서화했던 것과 다르다.^[39][1]

16.5. 제품 수준의 비판

AI Overviews는 2024년 5월 미국 출시 직후 광범위한 비판을 받았다. 풍자물이나 저품질 웹 콘텐츠를 사실처럼 자신 있게 보여 준다는 것이었다. 특히 피자에 접착제를 붙이라는 제안이 널리 퍼졌다. Google은 이 사례들을 예외적인 경우로 설명했고, 일부는 조작된 스크린샷이라고 말했으며, 시스템을 수정했다. AI Overviews는 매우 큰 규모로 일반 검색 결과 위에 놓이므로, 이런 오류는 채팅 제품의 같은 오류보다 더 눈에 띈다. 출판사들은 생성된 요약이 원 사이트로 가는 클릭을 줄인다는 우려도 따로 제기했다.^[1]