Google DeepMind 연구자 이탈은 LLM 스케일링에 맞서는 도전에 자금을 공급하고 있다

Google DeepMind 연구자들이 눈에 띄는 규모로 회사를 떠나고 있으며, 여러 전직 구성원은 대규모 언어 모델의 대안을 추구하기 위해 막대한 자금을 조달하고 있다. Google DeepMind 연구자 이탈에는 이제 AlphaGo, 강화학습, 시뮬레이션, 기계 추론 분야의 베테랑도 포함된다.

이들의 이탈이 중요한 이유는 이 과학자들이 단순히 더 작은 회사 안에서 Gemini를 재현하려는 것이 아니기 때문이다. 이들이 세운 스타트업은 지속 학습, 확산, 시뮬레이션, 계획 수립이 트랜스포머 기반 언어 모델의 한계를 극복할 수 있다고 보고 있다.

이는 Google에 불편한 역전 상황을 만든다. DeepMind는 상호작용, 게임, 과학 데이터, 시뮬레이션 환경에서 학습하는 연구 프로그램으로 명성을 쌓았다. 현재 상업적 압력은 Gemini에 관심을 집중시키는 반면, DeepMind의 초기 성공을 이끈 일부 연구자들은 다른 곳에서 그러한 실험적 전통을 다시 구축하고 있다.

따라서 핵심 경쟁은 Google과 한 스타트업의 대결이 아니다. 언어 모델을 스케일링하는 지배적 전략과, 점점 늘어나는 대안적 학습 시스템 간의 경쟁이다.

투자자들은 연구자 자체를 가치 있는 자산으로 취급하고 있다. 그러나 대규모 투자 라운드만으로 새로운 아키텍처가 유용하고 측정 가능한 과업에서 LLM을 능가할지를 입증할 수는 없다.

Google DeepMind 연구자 이탈이 자금 조달 파이프라인으로 변하다

개별적인 이탈의 집합이 DeepMind 연구에서 대규모 자금 지원을 받는 스타트업 설립으로 이어지는 반복 가능한 경로가 됐다.

가장 분명한 장면은 9월 런던에서 열린 비공식 모임에서 나왔다. 보도에 따르면 현직 및 전직 DeepMind 직원 15명이 Google의 영국 본사 인근에서 만나 Silicon Valley 투자자들이 무엇에 투자하고 싶어 하는지 논의했다.

그 조찬 모임은 투자 발표가 아니었다. 그럼에도 현직 직원, 전직 구성원, 스타트업의 야망, 벤처 수요를 한 공간에서 연결했다는 점에서 의미 있는 장면이었다.

더 광범위한 이탈 보도는 이 네트워크에서 나온 여러 프로젝트를 짚는다. 각각은 현재의 LLM 시대 다음에 무엇이 와야 하는가라는 질문에 서로 다른 기술적 가설을 적용한다.

DeepMind에서 약 10년을 보낸 Nando de Freitas는 최소 1억 달러 규모의 초기 투자 유치를 논의 중인 것으로 전해진다. 그가 제안한 회사 Revolution Labs는 주요 챗봇 대부분의 기반인 트랜스포머 아키텍처 대신 확산 모델에 집중할 예정이다.

확산 모델은 데이터를 노이즈로 점진적으로 손상시키는 과정을 되돌리는 법을 학습한다. 이 모델은 이미지 생성과 널리 연관돼 있지만, 연구자들은 그 기본 접근법을 다른 형태의 예측에도 적용할 수 있다.

AlphaGo를 이끈 핵심 연구자 중 한 명인 David Silver는 Ineffable Intelligence를 설립하기 위해 회사를 떠났다. Bloomberg는 별도로 이 회사가 기업가치 51억 달러에 11억 달러를 조달했다고 보도했다.

Ineffable은 정적인 학습을 넘어서는 것을 목표로 한 학습 시스템을 개발하고 있다. 정확한 아키텍처와 성능은 여전히 대부분 공개되지 않았다.

또 다른 AlphaGo 기여자인 Thore Graepel은 여름에 DeepMind를 떠났다. 그는 과학, 공학, 로보틱스를 위한 추론 시스템에 집중하는 Metis Reasoning의 자금 조달을 추진 중인 것으로 전해진다.

Emulate는 다른 경로를 택하고 있다. 이 회사는 Jack Parker-Holder를 포함한 전 DeepMind 연구자들이 설립했으며, 약 7억 달러 규모의 자금 조달을 논의 중인 것으로 알려졌다.

이 회사의 목표는 현실 세계를 시뮬레이션하고 예측하는 시스템을 만드는 것이다. 이는 환경을 표현하고 행동 이후 그 환경이 어떻게 변하는지 예측하는 월드 모델에 더 가깝다.

이 벤처들에는 코딩, 에이전트, 로보틱스, 과학적 발견, 지속 학습을 연구하는 더 작은 DeepMind 분사 기업들도 합류한다. 이들은 조직적으로 연계된 집단이 아니며, 기술 계획을 서로 대체 가능한 것으로 봐서는 안 된다.

이들을 연결하는 것은 자금 조달 메커니즘이다. 투자자들은 잘 알려진 혁신과 연관된 연구자들을 찾아낸 뒤, 그 연구소들이 성숙한 제품을 갖추기 전에 새 연구소에 자금을 댄다.

이 모델은 일반적인 스타트업의 순서를 뒤집는다. 전통적인 기업은 수요를 증명하고 제품-시장 적합성을 찾은 뒤, 증거가 축적되면서 더 큰 투자 라운드를 유치한다.

이들 AI 연구소는 팀, 연구 가설, 그리고 존경받는 기관에서의 이력을 기반으로 상당한 자본을 조달할 수 있다. 공개 시연과 안정적인 매출은 훨씬 나중에 나올 수 있다.

이 순서는 창업자들에게 어려운 연구를 추구할 시간을 준다. 동시에 결과가 나오기 전에 경력과 명성을 보고 투자하는 투자자들에게 기술적·상업적 위험의 상당 부분을 이전한다.

Gemini의 상업적 집중이 잔류 비용을 바꾸다

Google은 Gemini를 전략적으로 필수적인 존재로 만드는 동일한 상업적 집중이 DeepMind에 연구 인재를 끌어들였던 자유를 좁힐 수 있다는 점에서 압박을 받고 있다.

DeepMind는 역사적으로 연구자들이 학습, 계획 수립, 게임, 생물학, 범용 알고리즘을 탐구할 여지를 제공했다. AlphaGo는 신경망, 탐색, 강화학습을 결합했기 때문에 DeepMind를 대표하는 성과가 됐다.

강화학습은 시스템이 자신의 행동에 대한 피드백을 받아 개선되도록 한다. 이는 고정된 데이터 세트에서 다음 항목을 예측하는 방식과 다르다.

AlphaGo는 전문가의 대국 기록과 반복적인 자기 대국을 통해 학습했다. 이후 AlphaGo Zero는 인간의 대국 기록을 제거하고 자기 자신과의 대국을 통해 학습했다.

Google의 AlphaGo 기록은 이 시스템이 정책 및 가치 네트워크를 탐색과 결합한 방식을 설명한다. 이 계보는 여러 이탈 연구자가 구축에 참여했다는 점에서 여전히 중요하다.

대규모 언어 모델은 다른 방식으로 작동한다. 트랜스포머는 방대한 데이터 세트 전반의 통계적 관계를 학습하고, 텍스트나 코드의 작은 단위인 토큰을 예측해 출력을 생성한다.

현대 시스템에는 도구, 검색, 멀티모달 입력, 강화학습이 추가된다. 그럼에도 상업적 경쟁은 모델 규모, 코딩 성능, 에이전트 기능, 기존 제품 전반의 배포에 크게 집중돼 있다.

Google은 소비자 어시스턴트, 엔터프라이즈 소프트웨어, 검색, 클라우드 서비스, 개발자 도구에서 OpenAI와 Anthropic에 맞서 경쟁하기 위해 Gemini가 필요하다. 이는 집중된 실행을 요구하는 이해 가능한 이유를 만든다.

전 DeepMind 과학자 Janusz Marecki는 더 어려운 내부적 결과를 설명했다. 그는 Bloomberg에 팀들이 다른 작업을 중단하고 대규모 언어 모델에 집중하라는 하향식 압박에 직면했다고 말했다.

Marecki는 현재 Ahren Innovation Capital에서 일하면서 자신의 지속 학습 회사 FractalBrain을 위한 자금을 조달하고 있다. 그의 관점에는 전 직원, 투자자, 예비 창업자의 역할이 함께 담겨 있다.

그의 설명은 모든 DeepMind 팀이 같은 방향에 직면해 있음을 입증하지는 않는다. 다만 상업적으로 즉각적인 성과가 덜한 아이디어를 가진 연구자들에게 독립적인 자금 조달이 왜 매력적일 수 있는지는 설명한다.

Google 안에서 일하는 과학자는 컴퓨팅 자원, 엔지니어링 지원, 독점 데이터, 배포된 제품에 대한 접근권을 얻는다. 회사를 떠난다는 것은 그러한 이점을 포기하고 자금 조달, 채용, 운영, 제품 관련 위험을 감수한다는 뜻이다.

투자자들이 동일한 로드맵 없이 연구 환경을 재현할 만큼 충분한 자본을 제공할 때 이 선택은 매력적으로 변한다. 현재 시장은 그 선택지를 통상적인 시점보다 더 이르게 제공하고 있다.

DeepMind의 리더십 변화는 전환에 대한 인식을 강화했다. Demis Hassabis는 Alphabet의 수석 과학자 역할로 이동했고, Koray Kavukcuoglu는 연구소의 일상 운영을 맡았다.

Hassabis는 인재 이동이 일방적인 두뇌 유출이라는 견해를 반박해 왔다. 그는 선도적인 연구소들이 연구자들을 교류하며, Google도 폭넓은 연구 인력을 계속 유지하고 있다고 주장한다.

그러한 방어에는 실질적인 근거가 있다. Google은 여전히 대규모 팀을 고용하고, 광범위한 컴퓨팅 인프라를 운영하며, 언어, 비디오, 생물학, 수학, 로보틱스, 시뮬레이션 전반에서 연구하고 있다.

Google 자체 연구 역시 LLM의 대안을 포기했다는 어떤 주장도 복잡하게 만든다. 이 회사의 Genie 프로그램은 명시적으로 상호작용형 월드 모델을 개발하고 있다.

공개된 Genie 3 세부 정보는 텍스트에서 탐색 가능한 환경을 만드는 시스템을 설명한다. Google은 이러한 환경을 에이전트의 학습 및 평가 공간으로 제시한다.

따라서 Google은 떠오르는 경쟁의 양쪽에 모두 자리하고 있다. 주요 LLM 계열을 상용화하는 동시에 월드 모델, 계획 수립, 과학, 체화된 에이전트 연구를 계속하고 있다.

압박은 자원 배분, 속도, 연구자 자율성에서 나온다. 광범위한 기업 포트폴리오가 있어도 개별 과학자들은 자신이 선호하는 경로가 충분한 우선순위를 받지 못한다고 느낄 수 있다.

전 DeepMind 연구자들이 아키텍처의 질문을 다시 열다

이들 스타트업은 더 나은 지능이 주로 더 큰 언어 모델, 더 많은 데이터, 그리고 추가적인 추론 시간 연산에서 나올 것이라는 가정에 도전하고 있다.

가장 강력한 LLM은 소프트웨어를 작성하고, 문서를 분석하고, 도구를 호출하며, 텍스트·오디오·이미지·비디오 전반에서 작동할 수 있다. 이러한 성과는 언어 모델링을 모든 대안이 맞서야 하는 기준으로 만든다.

하지만 유창한 출력이 물리적 결과에 대한 신뢰할 수 있는 내부 모델을 보장하지는 않는다. 시스템은 물체를 움직이는 방법을 설명할 수 있지만, 실제로 그 움직임을 수행해야 하는 로봇을 제어하지 못할 수 있다.

월드 모델은 환경이 시간에 따라 어떻게 변하는지를 학습함으로써 그 공백을 메운다. 에이전트가 행동을 취하기 전에 그 행동의 가능한 결과를 예측하도록 도울 수 있다.

이 차이는 로보틱스, 자율주행차, 인터랙티브 엔터테인먼트, 과학적 계획 수립에서 중요하다. 이 분야들은 그럴듯한 언어 응답을 생성하는 것 이상을 요구한다.

컵을 마주한 로봇은 기하학, 마찰, 힘, 균형, 불확실성을 추정해야 한다. 이어 물체가 예상과 다르게 움직일 때 조정해야 한다.

월드 모델 논쟁은 공간과 시간을 이해할 수 있는 AI를 추구하는 연구자들의 관심을 끌었다. 또한 혼잡한 챗봇 시장 너머를 찾는 투자자들의 관심도 끌었다.

그러나 “월드 모델”은 여러 구별되는 시스템을 포괄한다. 어떤 시스템은 시각적으로 설득력 있는 환경을 생성하는 반면, 다른 시스템은 정확한 물리 시뮬레이션이나 행동 계획을 시도한다.

아름다운 비디오가 자동으로 신뢰할 수 있는 시뮬레이터가 되는 것은 아니다. 표면적 외관은 유지하면서도 인과관계, 객체 영속성, 물리적 제약을 위반할 수 있다.

지속 학습은 또 다른 대안을 제시한다. 대부분의 배포된 언어 모델은 학습되고, 조정된 뒤, 비교적 고정된 시스템으로 출시된다.

검색은 모델이 학습한 매개변수를 바꾸지 않고도 최신 정보를 제공할 수 있다. 미세 조정은 행동을 업데이트할 수 있지만, 일반적으로 별도의 학습 과정을 필요로 한다.

지속 학습 시스템은 작동하면서 새로운 경험을 통합하게 된다. 이 약속은 안정성, 안전성, 평가, 그리고 이전에 학습한 역량의 상실에 관한 어려운 질문을 제기한다.

확산 기반 추론은 세 번째 경로를 제시한다. 자기회귀 모델은 토큰을 순차적으로 생성하는 반면, 확산 접근법은 반복적인 노이즈 제거 단계를 통해 후보 결과를 개선할 수 있다.

지지자들은 이 과정이 병렬 생성이나 반복적 수정을 뒷받침할 수 있다고 본다. 그러나 비용, 신뢰성, 추론 품질 측면에서 의미 있는 이점을 제공한다는 점은 여전히 입증해야 한다.

Metis Reasoning은 낯선 상황에서의 구조화된 추론을 목표로 하는 것으로 보인다. 이러한 야심은 검색과 계획에 관한 DeepMind의 초기 연구를 떠올리게 하지만, 공개된 기술적 세부 사항은 여전히 제한적이다.

공통점은 언어를 배제하는 데 있지 않다. 이들 스타트업은 더 큰 시스템 안에서 여전히 transformers, 언어 인터페이스 또는 LLM 구성 요소를 활용할 수 있다.

이들이 거는 베팅은 언어 예측만으로는 범용 지능에 필요한 모든 메커니즘을 제공하지 못한다는 것이다. 상호작용, 지속적 학습, 시뮬레이션, 명시적 계획이 더 큰 비중을 차지해야 한다.

이 주장은 DeepMind의 오래된 정체성도 다시 불러낸다. AlphaGo가 중요한 존재가 된 것은 바둑에 관해 더 나은 대화를 나눌 수 있었기 때문이 아니었다.

AlphaGo는 형세를 평가하고, 미래의 수를 탐색하며, 대국을 통해 개선됐다. 이후 MuZero는 환경의 규칙을 사전에 제공받지 않고도 계획하는 법을 배웠다.

떠나는 과학자들은 이제 덜 구조화된 환경에 비슷한 직관을 적용하고 있다. 이들은 기계가 기록된 인간의 결과물만 흡수하는 대신, 경험을 통해 유용한 행동을 발견하기를 바란다.

이는 까다로운 전환이다. 게임에는 명확한 행동, 측정 가능한 결과, 풍부한 시뮬레이션 연습이 있다.

현실 환경은 잡음이 많고 부분적으로만 관측되며 탐색 비용도 크다. 시뮬레이션된 보드게임에서의 잘못된 행동에는 물리적 비용이 없지만, 로봇의 실수는 장비를 손상시킬 수 있다.

따라서 대안 아키텍처 가설은 이런 시스템이 현실적 제약 아래에서도 작동할 때에만 성공할 수 있다. 우아한 연구 아이디어는 결국 신뢰할 수 있는 제품이 되어야 한다.

Google은 자체 연구 유산과 경쟁하고 있다

핵심적인 역전은 DeepMind의 찬사를 받은 연구 역사가 이제 전직 직원들이 Google의 현 상업적 우선순위에 도전하기 위한 자금을 조달하는 데 도움을 준다는 점이다.

투자자들은 이 창업자들을 알려지지 않은 팀으로 평가하지 않는다. 이들은 AlphaGo, AlphaFold, MuZero, Gemini 및 기타 널리 알려진 프로그램과의 연관성에 가치를 매긴다.

Silver와 Graepel은 기존의 지도 학습을 넘어서는 학습과 계획을 보여준 연구에 기여했다. Parker-Holder는 Genie 연구 계열을 비롯한 상호작용 환경 연구에 참여했다.

이러한 이력은 투자자들에게 귀를 기울일 만한 신뢰할 수 있는 이유를 제공한다. 그렇다고 새 회사가 DeepMind의 조직적 성공을 재현한다는 이전 가능한 보증이 되는 것은 아니다.

대형 연구소는 개인의 통찰에 컴퓨팅 자원, 데이터, 엔지니어링 시스템, 안전 프로세스, 제품 팀, 수년간 축적된 지식을 결합한다. 창업자는 그 구조의 일부만을 스타트업으로 가져간다.

확대되는 동문 데이터셋은 전직 DeepMind 직원이 창업한 벤처 투자 유치 기업 68곳을 집계한다. 이 가운데 기업가치가 10억 달러를 넘는 회사는 18곳으로 식별된다.

이 데이터셋은 DeepMind 동문을 폭넓게 정의한다. 언어 모델, 엔터프라이즈 소프트웨어, 로보틱스, 헬스케어, 게임, 과학 응용 분야에 걸친 창업자를 포함한다.

이 수치는 하나의 기술 운동의 성공률이 아니라 네트워크의 영향력을 보여준다. 목록에 포함된 일부 기업은 여전히 주류 transformer 기반 AI와 밀접하다.

그럼에도 이 네트워크는 실질적인 스타트업 플라이휠을 만든다. 동문들은 신뢰하는 동료를 채용하고, 소개를 받고, DeepMind 프로젝트를 자신의 기술적 판단력을 입증하는 근거로 활용할 수 있다.

투자자들도 사회적 증거의 혜택을 얻는다. 잘 알려진 펀드가 초기 투자 트랜치에 참여하면, 이후 참여자들은 그 약정을 부분적 검증으로 해석할 수 있다.

Bloomberg는 일부 신규 투자 라운드가 트랜치로 나뉘고 있다고 보도했다. 초기 투자자는 한 기업가치에 진입하고, 이후 투자자들은 첫 약정이 신뢰를 형성한 뒤 더 많은 자본을 제공한다.

이 구조는 스타트업이 제품을 출시하기 전에도 인상적인 헤드라인 기업가치를 만들어낼 수 있다. 또한 창업자와 투자자의 정체성을 유난히 중요하게 만든다.

Radical Ventures는 이런 유형의 사업을 장기적인 기술 발전을 추구하는 연구자 주도 기업이라는 뜻의 “neolab”이라고 부른다. 해당 회사의 neolab 분석에 따르면, 40곳이 넘는 이런 연구소가 3년 동안 400억 달러를 조달했다.

이 용어는 실제 조직적 변화를 포착한다. 프런티어 연구는 더 이상 대학이나 성숙한 매출을 보유한 기술 기업 내부에만 머물지 않는다.

민간 자본은 이제 몇몇 저명 연구자를 중심으로 새 연구소를 꾸릴 수 있다. 투자자들은 잠재적으로 기반 기술이 될 수 있는 분야에 대한 노출을 대가로 긴 연구 기간을 받아들인다.

이 모델에는 선례가 있다. OpenAI와 Anthropic 모두 널리 사용되는 상용 시스템을 개발하기 전에 연구 주도 조직으로 출발했다.

하지만 이러한 사례는 기대를 왜곡할 수 있다. 이들의 후속 성공이 자금이 풍부한 모든 연구소가 제품, 유통 채널 또는 지속 가능한 기술적 우위를 찾게 된다는 뜻은 아니다.

더 넓은 생태계가 Google이 계속 추구하는 연구 방향을 검증할 때 Google도 이득을 본다. DeepMind는 월드 모델, 과학 AI, 강화학습 또는 로보틱스에서 배제되지 않는다.

일부 경우 회사는 전직 직원에게 투자하거나, 그들의 스타트업과 협력하거나, 나중에 기술을 인수할 수 있다. 따라서 인재 이탈이 자동으로 영구적인 전략적 손실로 이어지는 것은 아니다.

더 큰 위험은 집중화와 관련된다. 획기적 연구에는 종종 현재의 합의에 이견을 제기하고 대안을 조사할 충분한 시간이 필요하다.

Google이 더 많은 연구자를 단기적인 Gemini 우선순위로 이끈다면, 독립 연구소는 경쟁하는 아이디어가 지속적 관심을 받는 장소가 될 수 있다.

이것이 Google DeepMind 연구자 이탈이 단순한 인력 이야기 이상인 이유다. 이는 어떤 AI 질문이 상당한 자본을 받을 자격이 있는지를 결정하는 권한을 재분배한다.

막대한 기업가치는 여전히 공개 증거를 앞지른다

대안 AI 아키텍처의 근거는 지적으로 진지하지만, 자금 조달 시장은 기술적 증거가 이를 정당화할 수 있는 속도보다 더 빠르게 가치를 부여하고 있다.

보도에서 다뤄진 여러 스타트업은 시스템에 관한 제한적인 정보만 공유했다. 일부는 상세 모델, 벤치마크 제품군, 제품 로드맵 또는 매출 기록을 공개하지 않았다.

초기 연구를 보호하는 기업들에는 이것이 드문 일이 아니다. 그러나 고객, 개발자, 외부 연구자에게는 비교를 어렵게 만든다.

자금 조달을 기술적 검증과 혼동해서는 안 된다. 대규모 투자 라운드는 투자자들이 특정 조건에서 위험을 받아들였다는 사실을 입증한다.

그것은 diffusion이 autoregressive generation을 능가한다는 점이나 지속적 학습이 안정성을 유지할 수 있다는 점을 증명하지 않는다. 또한 월드 모델이 물리학을 이해한다는 사실도 확립하지 않는다.

기업가치 역시 유사한 주의가 필요하다. 비상장 스타트업의 가치는 흔히 유동 시장의 지속적인 판단이 아니라 가장 최근 투자 계약을 반영한다.

특별 권리, 단계적 트랜치, 서로 다른 주식 종류는 헤드라인 수치와 모든 투자자가 실제로 지불한 가격을 더욱 분리할 수 있다.

Marecki는 Bloomberg에 일부 AI 기업가치가 매출의 약 10배 수준에서 200배 또는 300배 수준으로 움직였다고 말했다. 이 관찰은 투자자 불안을 보여주지만, 보편적인 업계 척도는 아니다.

여러 neolabs는 곱할 만한 매출이 거의 없다. 이들의 기업가치는 인재, 지식재산, 컴퓨팅 접근성, 미래 기술 우위의 가능성에 기반한다.

아키텍처 자체도 해결되지 않은 평가 문제에 직면해 있다. LLM에는 불완전한 벤치마크가 있지만, 개발자는 코딩, 수학, 지연 시간, 비용, 도구 사용, 사용자 선호도를 시험할 수 있다.

범용 월드 모델에는 다른 시험이 필요하다. 시각적 품질만으로는 물리적으로 불가능한 예측을 하면서도 그럴듯해 보이는 시스템에 보상이 돌아갈 수 있다.

로봇 훈련에는 시뮬레이션 학습이 물리적 기계로 이전된다는 증거가 필요하다. 과학 시스템에는 기존 데이터셋에서의 성공만이 아니라 전향적 결과가 필요하다.

지속적 학습 시스템에는 무엇을 유지했고, 무엇을 변경했으며, 새 데이터가 안전하지 않은 행동을 도입했는지 보여주는 감사가 필요하다. 이러한 시험은 모델이 진화함에 따라 반복적으로 수행돼야 한다.

추론 시스템은 익숙한 문제 분포 밖에서 평가돼야 한다. 그렇지 않으면 모델은 훈련 데이터에서 발견된 패턴을 재현하면서도 유능해 보일 수 있다.

창업자들은 상업적 문제에도 직면한다. LLM 제공업체들은 이미 유용한 제품, 확립된 개발자 플랫폼, 확대되는 유통망을 제공하고 있다.

대안 시스템은 개념적으로 다르다는 이유만으로 승리하지 않는다. 통합 비용, 전환 비용, 운영 위험을 감수할 만큼 가치 있는 작업을 충분히 더 잘 해결해야 한다.

완전한 대체보다 하이브리드 시스템이 더 현실적일 수 있다. LLM은 지침을 해석하고, 플래너·시뮬레이터·강화학습 구성 요소는 특화된 의사결정을 제어할 수 있다.

이 결과는 스타트업을 부정하지 않으면서도 극적인 “post-LLM” 프레이밍을 약화할 것이다. 이들의 기술은 더 넓은 아키텍처 내부에서 핵심 계층이 될 수 있다.

Google은 이러한 하이브리드 미래에 유리한 위치에 있다. Gemini는 언어 및 멀티모달 인터페이스를 제공하고, DeepMind 연구는 시뮬레이션, 계획, 과학적 역량을 공급할 수 있다.

스타트업에는 더 선명한 차별화가 필요하다. 독립성이 Google이 자체 인재와 인프라로 빠르게 따라잡을 수 없는 발전을 만든다는 점을 보여야 한다.

투자자들 역시 창업자 명성에 대해 절제가 필요하다. DeepMind 경험은 의미가 있지만, 조직의 명성은 기본적인 검증을 꺼리게 하는 후광을 만들 수 있다.

가장 중요한 질문은 여전히 평범하다. 이 시스템은 어떤 작업을 수행하는가, 성능은 어떻게 측정되는가, 유용한 결과 하나당 비용은 얼마인가?

그 답이 공개되기 전까지 시장은 가설의 포트폴리오에 자금을 대고 있다. 아직 대규모 언어 모델의 검증된 후계자를 선택하고 있는 것은 아니다.

세 가지 신호가 이 베팅의 성패를 보여줄 것이다

다음 단계는 또 다른 자금 조달 헤드라인의 연속이 아니라 기술 시연, 고객 사용, Google의 대응에 의해 결정될 것이다.

첫 번째 신호는 Ineffable Intelligence, Revolution Labs, Metis Reasoning 또는 Emulate의 공개 평가다. 적어도 한 회사는 자체 벤치마크를 넘어 중요한 작업에서 우위를 입증해야 한다.

지속적 학습의 경우 이는 이전 역량을 지우지 않으면서 새로운 지식을 습득한다는 의미다. 추론의 경우에는 측정 가능한 신뢰성으로 낯선 문제를 푼다는 뜻이다.

시뮬레이션의 시험은 생성된 환경에서 훈련된 에이전트가 실제 시스템에서 더 나은 성능을 보이는지 여부다. 시각적으로 인상적인 시연만으로는 충분하지 않다.

독립적인 재현은 이 주장을 상당히 강화할 것이다. 스타트업만 검증한 결과는 외부 연구자가 검토할 수 있을 때까지 회사의 주장으로 남아야 한다.

두 번째 신호는 신뢰할 수 있는 제품 또는 고객 배포다. 로보틱스, 신약 연구, 엔지니어링, 자율 시스템, 게임은 가능한 진입점이 될 수 있다.

좁은 적용 사례는 범용 지능에 관한 포괄적 주장보다 더 많은 것을 보여줄 수 있다. 이는 모델이 실제 지연 시간, 안전성, 비용 요구사항 속에서 작동하도록 강제한다.

엔터프라이즈 구매자는 문제를 정의한 뒤에야 아키텍처를 검토해야 한다. 모델의 새로움은 그 출력이 기존 워크플로에 맞지 않거나 감사를 통과할 수 없을 때 중요성이 떨어진다.

팀은 AI 시스템에 제공된 정보와 그로부터 나온 의사결정의 기록도 필요하다. 검색 가능한 AI 지식 기반은 변화하는 도구 전반에서 이러한 맥락을 보존할 수 있다.

세 번째 신호는 Google의 대응이다. 채용, 유지 보상 패키지, 연구 논문, 인수, Gemini 아키텍처 변화는 Google이 이탈을 얼마나 심각하게 보는지 보여줄 것이다.

Google은 널리 배포된 제품 안에서 유사한 지속적 학습, 계획 또는 월드 모델 역량을 제공함으로써 스타트업 가설을 약화할 수 있다. Google의 컴퓨팅 자원과 고객 접근성은 여전히 상당한 이점이다.

강력한 스타트업 성과가 나온다면 정반대의 압박이 생길 것이다. Google은 비(非) LLM 연구를 즉각적인 상업적 요구로부터 보호하지 않으면, 미래의 경쟁자들에게 더 많은 자금을 제공하게 될 위험이 있다.

리더십의 행보는 모델 발표만큼 중요할 것이다. 연구자들에게는 비전통적인 프로그램이 성과를 낼 때까지 충분히 오래 지속될 수 있다는 증거가 필요하다.

Google DeepMind 연구자들의 이탈은 이미 투자자들이 차세대 AI 플랫폼을 찾는 곳을 바꿔 놓았다. 그러나 어떤 기술 경로가 승리할지는 아직 확정하지 못했다.

개발자들은 투자 규모보다 재현 가능한 벤치마크를 주시해야 한다. 기업 구매자는 배포 근거, 명확한 평가 기준, 실패 모드에 대한 설명을 요구해야 한다.

지식 노동자들은 익숙한 AI 인터페이스 뒤에 더 다양한 시스템이 자리하게 될 것으로 예상해야 한다. 다음으로 유용한 도구는 하나의 모델을 다른 모델로 대체하기보다 언어, 메모리, 시뮬레이션, 계획을 결합할 수 있다.

이제 핵심 질문은 측정 가능하다. DeepMind 출신 인재들은 연구의 자유와 풍부한 자본을 LLM만으로는 달성하기 어려운, 세계로부터 더 신뢰성 있게 학습하는 시스템으로 전환할 수 있을까?