연구자들이 Gemini로 이동하면서 Google, AlphaFold 팀 해체

7월 30일 공개된 engadget google 보도에 따르면 Google은 노벨상을 수상한 성과에도 불구하고 AlphaFold 전담 팀을 해체했다. 연구자들은 Gemini, 다른 과학 프로젝트, 그리고 Alphabet의 신약 개발 기업 Isomorphic Labs로 이동한 것으로 알려졌다. 다만 현재 확인 가능한 증거만으로는 Google이 AlphaFold 자체를 종료했다고 볼 수는 없다.

이 구분은 이야기의 성격을 바꾼다. Google이 단순히 성공적인 과학 모델을 버리고 또 다른 챗봇을 만드는 것은 아니다. 오히려 AlphaFold라는 전문 연구팀을 Gemini, 공유 기반 모델, 상업적 초점을 둔 과학 프로그램을 중심으로 조직된 더 폭넓은 체계로 대체하는 것으로 보인다.

이번 조직 개편은 중요한 인력 이탈 뒤에 이뤄졌다. AlphaFold 팀을 이끌었고 2024년 노벨 화학상을 공동 수상한 John Jumper는 6월 Google DeepMind를 떠나 Anthropic으로 옮겼다. Anthropic은 기반 모델과 코딩 에이전트 분야에서 Google의 가장 가까운 경쟁자 중 하나이기 때문에, 그의 이직은 이번 재편에 더 뚜렷한 경쟁적 의미를 부여한다.

따라서 진짜 질문은 AlphaFold가 내일 사라지느냐가 아니다. 어려운 생물학 문제를 AI의 가장 분명한 공익 사례 중 하나로 바꾼 인력들이 흩어진 뒤에도 Google이 AlphaFold의 과학적 깊이를 유지할 수 있느냐이다.

Engadget Google AlphaFold 보도가 실제로 말하는 것

Google은 AlphaFold의 전담 팀 구조를 끝냈지만, 프로젝트가 사망했다는 보도는 확인된 사실을 넘어선다.

Financial Times 보도에 기반해 이후 Engadget이 다룬 최초 보도는 Google DeepMind가 AlphaFold를 만든 팀을 해체했다고 전한다. 일부 연구자는 Gemini로 재배치됐고, 다른 연구자들은 과학 프로그램이나 Isomorphic Labs로 이동했다.

팀이 사라진다고 해서 그 기술을 더 이상 사용할 수 없게 되는 것은 아니다. Google은 2026년 7월에도 AlphaFold 3를 활성 과학 도구로 소개하고 있었다. 7월 22일, 회사는 미국 정부의 Genesis Mission을 지원하는 약속의 일환으로 연구자들에게 제공되는 포트폴리오에 이 도구를 포함했다.

해당 발표는 AlphaFold 3를 단백질과 다른 생체분자의 구조 및 상호작용을 예측하는 시스템으로 설명했다. 또한 이를 알고리즘 설계 및 최적화를 위한 Gemini 기반 시스템인 AlphaEvolve와 함께 Google의 현재 과학 포트폴리오에 배치했다.

시점은 중요하다. Google은 원래 팀이 해체됐다는 보도가 나오기 불과 일주일 전 Genesis Mission을 통해 AlphaFold 3를 홍보했다. 이는 Google이 프로젝트의 모든 부분을 종료했다는 단순한 주장과는 맞지 않는다.

더 정확한 해석은 AlphaFold가 원래의 조직적 기반을 넘어섰다는 것이다. 초기 연구를 담당했던 그룹이 더 이상 하나의 단위로 존재하지 않더라도, 데이터베이스와 모델, 파트너십, 상업적 응용은 계속될 수 있다.

AlphaFold Protein Structure Database는 Google 밖에서도 제도적 지원을 받고 있다. Google DeepMind는 과학 인프라와 배포를 제공하는 EMBL의 European Bioinformatics Institute와 함께 이를 개발했다. Google은 이전에 이 데이터베이스가 과학에 알려진 거의 모든 목록화된 단백질을 포괄하는 2억 개 이상의 예측 구조를 담고 있다고 밝혔다.

AlphaFold 3는 개별 단백질 형태를 넘어 시스템을 확장했다. 단백질, DNA, RNA, 이온, 소분자가 관련된 상호작용을 예측하도록 설계됐다. 이러한 역량은 후보 분자가 생물학적 표적에 어떻게 결합할지 추정해야 하는 신약 연구에서 특히 중요하다.

Google과 Isomorphic Labs는 2024년에 AlphaFold 3를 함께 공개했다. 이 공동 저작은 기초 연구와 상업적 신약 개발 사이의 경계를 더 불분명하게 만들었다. Isomorphic Labs는 관련 방법을 제약 업무에 적용할 수 있었고, Google DeepMind는 더 폭넓은 과학 AI 개발을 이어갈 수 있었다.

따라서 보도된 인력 재배치는 기반 자산의 삭제가 아니라 조직 전환에 가깝다. 그럼에도 모델, 코드 저장소, 데이터베이스가 완전히 담아낼 수 없는 지식을 팀이 보유한다는 점에서 불확실성은 남는다.

그 지식의 상당 부분은 암묵적이다. 연구자들은 실패한 실험, 설명되지 않은 행동, 데이터의 한계, 논문에 담기지 못한 설계 선택을 기억한다. 모든 공식 산출물이 남아 있더라도 이들을 분산시키면 향후 연구가 느려질 수 있다.

이 위험 때문에 engadget google 헤드라인이 주목을 받았다. 이 이야기는 조직도상의 한 칸 이상을 다룬다. 누가 AlphaFold를 유지할지, 누가 다음 연구 목표를 정할지, 그리고 이제 그 목표가 Gemini나 Isomorphic Labs에 먼저 봉사하게 될지를 묻는다.

Google이 더 많은 연구를 Gemini 중심으로 조직하는 이유

Gemini는 단순한 소비자용 어시스턴트를 넘어 과학 발견을 포함한 Google의 AI 작업을 위한 공유 인프라가 되고 있다.

Google DeepMind는 현재 Gemini를 뒷받침하는 모델을 개발하며, Google은 그 역량을 Search, Workspace, Cloud, Android, Gemini 앱 전반에 배포한다. 따라서 Gemini에 통합된 연구 혁신은 하나의 과학 기능만 가진 독립형 시스템보다 더 많은 제품에 도달할 수 있다.

이 배포 구조는 강력한 조직적 유인을 만든다. 전문 팀은 한 분야에서 깊은 진전을 이룰 수 있지만, 그 방법론은 고립될 수 있다. 반면 기반 모델 그룹은 추론, 코딩, 도구 사용, 멀티모달 처리의 발전을 많은 프로젝트에서 재사용할 수 있다.

Google의 최근 과학 관련 출시는 이 전략이 실제로 작동하는 방식을 보여준다. AlphaEvolve는 Gemini 모델을 사용해 컴퓨터 프로그램을 제안, 평가, 개선한다. 이 시스템은 칩 설계, 컴퓨팅 인프라, 수학 연구 등의 영역에서 최적화 문제를 겨냥한다.

Google은 2026년 7월 Google Cloud를 통해 AlphaEvolve를 제공하기 시작했다. 이 출시는 과학 연구를 외부 사용자, 측정 가능한 수요, 상업적 책임성을 갖춘 제품 채널과 연결한다.

Google의 AI co-scientist도 비슷한 패턴을 따른다. 여러 Gemini 기반 에이전트를 이용해 과학 가설을 생성하고, 토론하며, 개선한다. 에이전트는 일련의 작업을 수행하고, 도구를 활용하며, 명시된 목표를 향해 작업을 수정할 수 있는 모델 기반 시스템이다.

이 접근법은 Gemini를 범용 추론 계층으로 취급한다. 전문 과학 시스템은 그 계층 주변에서 데이터, 평가 방법, 도메인 도구를 제공할 수 있다. 원래 팀이 온전히 살아남지 못하더라도 AlphaFold의 경험은 이 아키텍처에 기여할 수 있다.

이 전략은 최첨단 AI의 경제성도 반영한다. 대형 모델을 학습하고 운영하려면 상당한 컴퓨팅 인프라가 필요하다. 기업들은 모든 연구 영역을 위해 별도의 기술 스택을 지원하기보다, 이 모델들이 많은 제품을 뒷받침하기를 원한다.

하지만 공유 인프라가 전문 인력의 필요성을 없애지는 않는다. 단백질 구조 예측은 생물학적 데이터, 물리적 제약, 실험적 검증, 도메인 특화 평가에 의존한다. 범용 추론 능력은 이러한 분야를 대체할 수 없다.

Google 전략의 생산적인 형태는 Gemini의 폭넓은 역량과 집중된 과학 팀을 결합하는 것이다. 연구자들은 Gemini를 이용해 문헌을 살피고, 분석 코드를 작성하며, 가설을 세우고, 도구를 조율할 수 있다. AlphaFold와 유사한 시스템은 그러한 에이전트가 평가할 수 있는 구조화된 예측을 제공할 수 있다.

Google은 이미 이런 워크플로를 설명한 바 있다. 한 사례에서 과학 팀은 Gemini를 사용해 관련 논문 20만 편의 하위 집합에서 정보를 식별하고 추출했다. 이 작업은 과학 문헌을 탐색하는 범용 모델의 가치를 보여주지만, 실험실 증거나 전문 예측 시스템을 대체하지는 않는다.

조직적 위험은 통합이 통폐합으로 바뀔 때 나타난다. 모든 프로젝트가 Gemini의 즉각적인 로드맵에 기여해야 한다면, 상업적 가치가 불확실한 연구 질문은 인력과 관심을 잃을 수 있다. AlphaFold 자체도 계산생물학 밖에서 중요성이 분명해지기까지 수년간의 집중 연구가 필요했다.

이는 지식 관리의 문제이기도 하다. 조직 개편 후 의사결정, 실험, 기술적 맥락을 보존하려는 팀에는 검색 가능한 기술 지식 베이스가 필요하다. 문서화는 도움이 되지만, 원래 연구자들 사이의 지속적인 협업을 완전히 대체할 수는 없다.

Google의 베팅은 더 통합된 구조가 과학적 진전을 더 빠르게 확산시킬 것이라는 데 있다. 반대쪽 위험은 통합이 그러한 진전을 낳은 전문성의 집중을 약화시킨다는 점이다.

AlphaFold의 노벨상 유산은 이것이 진정한 반전임을 보여준다

Google은 가장 널리 기념된 과학 AI 성과를 이룬 팀을, 그 업적이 노벨상을 받은 지 2년도 되지 않아 분산시키고 있다.

Royal Swedish Academy of Sciences는 2024년 노벨 화학상의 절반을 Demis Hassabis와 John Jumper에게 수여했다. 이는 인공지능을 사용해 단백질 구조를 예측한 그들의 연구를 인정한 것이다. David Baker는 계산 단백질 설계로 나머지 절반을 받았다.

단백질은 아미노산 사슬로 시작하지만, 생물학적 기능은 3차원 형태에 크게 좌우된다. 이러한 형태를 실험적으로 규명하려면 X선 결정학, 핵자기공명, 극저온 전자현미경 같은 기술을 활용한 광범위한 작업이 필요할 수 있다.

AlphaFold 2는 이 구조에 대한 계산 예측을 크게 개선했다. CASP로 알려진 반복적 과학 평가인 2020년 Critical Assessment of Structure Prediction에서의 성과는, 오랫동안 이어진 단백질 접힘 문제가 근본적으로 바뀌었다고 많은 연구자를 설득했다.

팀은 2021년 Nature에 이 시스템을 발표했다. 이후 Google은 EMBL-EBI와 협력해 예측 구조를 폭넓게 이용할 수 있도록 하는 데이터베이스를 구축했다. 연구자들은 이 예측을 이용해 소외 질환, 약물 표적, 단백질 진화, 항균제 내성 등을 연구했다.

Google은 200만 명 이상의 연구자가 백신, 암 치료 및 기타 과학적 질문과 관련된 작업에 AlphaFold 2를 사용했다고 말한다. 이 수치는 회사가 제시한 것이지만, AlphaFold가 공개 연구에 널리 등장한다는 사실은 상당한 채택을 독립적으로 보여준다.

이 시스템은 점점 더 논쟁적인 AI 논쟁 속에서 드문 긍정적 사례도 만들었다. AlphaFold는 명확한 과학적 목적을 갖고 연구자에게 실용적인 결과물을 제공했으며, 실험 구조와 비교해 평가할 수 있었다. 가치가 일관되지 않은 대화나 생성된 콘텐츠에 달린 범용 모델보다 설명하기 쉬웠다.

이러한 평판은 Google DeepMind에 전략적으로 중요한 자산을 제공했다. 첨단 AI 연구가 광고 기능, 챗봇, 자동화뿐 아니라 공공의 과학적 혜택을 낼 수 있다는 연구소의 주장을 뒷받침했다.

보도된 해체는 기대되는 보상 구조를 뒤집는다. 한 팀은 획기적인 과학 성과를 내고, 전 세계 연구 자원을 지원하며, 해당 분야의 최고 권위를 인정받았다. 그런데 Google은 그 팀을 별도 단위로서 종료했다.

그렇다고 Google이 과학에 대한 관심을 잃었다는 뜻은 아니다. 회사는 계속해서 AlphaFold 3, AlphaGenome, AI co-scientist, AlphaEvolve, 기상 모델 및 기타 연구 시스템을 홍보하고 있다. Isomorphic Labs 역시 Alphabet이 AI를 신약 발견에 직접 적용할 수 있는 수단을 제공한다.

그럼에도 이번 조직 개편은 회사 내부에서 성공이 무엇을 보장하는지를 바꾼다. 특화된 과학적 탁월함이 조직적 연속성을 보장하지는 않았다. 연구자들은 좁고 장기적인 문제를 추구할지, 아니면 중앙의 파운데이션 모델 프로그램에 합류할지를 결정할 때 이 신호를 충분히 고려할 수 있다.

John Jumper의 퇴사는 이 전환을 더욱 중대하게 만든다. 6월에 보도된 그의 공개 발언에 따르면, Jumper는 박사 학위를 마친 지 불과 6개월 만에 AlphaFold를 이끌 수 있도록 해준 Hassabis에게 공을 돌렸다. 이 이야기는 젊은 과학자에게 이례적인 책임을 맡길 의지가 있는 연구 문화를 보여준다.

Anthropic의 Jumper 영입은 그 경험의 일부를 직접적인 경쟁사로 옮긴다. 그의 향후 책임은 공개적으로 완전히 상세히 알려지지 않았으므로, 그가 AlphaFold 경쟁 모델을 만들 것이라고 단정하기는 이르다. 과학 모델링, 연구 리더십, 복잡한 신경망 아키텍처 분야에서의 그의 전문성은 여전히 전략적으로 가치가 있다.

이제 Google은 AlphaFold를 가능하게 했던 문화가 원래의 조직 구조 없이도 살아남을 수 있음을 보여줘야 한다. 노벨상은 팀이 이미 이룬 성과를 기록한다. 하지만 그에 필적할 만큼 야심 찬 다음 프로젝트가 더 중앙집중화된 조직에서 나올 것이라는 보장은 아니다.

핵심 경쟁은 특화 과학 대 범용 AI다

핵심 긴장은 제품으로서의 AlphaFold 대 Gemini가 아니라, 특화된 과학적 깊이와 Google이 어디에나 적용하려는 범용 모델 간의 대결이다.

AlphaFold와 Gemini는 서로 다른 유형의 문제를 해결한다. AlphaFold는 생체분자 구조와 상호작용을 예측한다. Gemini는 훨씬 더 광범위한 작업에서 텍스트, 이미지, 오디오, 비디오, 코드 및 기타 정보를 처리한다.

이 차이 때문에 직접적인 벤치마크 비교는 의미가 없다. 더 많은 작업을 처리한다고 해서 Gemini가 더 낫다고 할 수는 없다. 하나의 특화 도메인에서 더 높은 가치를 제공한다고 해서 AlphaFold가 우월하다고 단정할 수도 없다.

중요한 경쟁은 연구 조직 방식에 관한 것이다. Google은 난도 높은 과학 문제를 중심으로 구축된 독립 팀을 유지해야 할까, 아니면 그러한 노력을 공유된 Gemini 플랫폼에 집중해야 할까?

전담 그룹은 하나의 목표를 중심으로 독특한 전문성을 축적한다. 연구자들은 도메인 특화 데이터세트, 평가 절차, 안전 관행, 협업 관계를 구축할 수 있다. 그러한 개선이 소비자 제품과 거의 관련이 없더라도 과학자들에게 중요한 개선을 추구할 수 있다.

Gemini 중심 조직은 다른 장점을 제공한다. 공통 모델은 추론과 도구 사용의 진전을 공유할 수 있다. 인프라 투자는 많은 팀을 지원할 수 있다. 새로운 역량은 클라우드 제품과 소비자 서비스에 더 빠르게 도입될 수 있다.

Google의 최근 결정은 두 번째 모델의 영향력이 커지고 있음을 시사한다. Gemini 앱은 2024년 Google DeepMind로 옮겨졌다. 회사는 제품 지향 AI 팀도 재편했고, 실험적 프로젝트를 Gemini와 더 긴밀히 연결했다.

경쟁은 이러한 압박의 일부를 제공한다. OpenAI, Anthropic, Meta, Microsoft는 파운데이션 모델, 코딩 에이전트, 연구 보조 도구, 개발자 플랫폼을 개선하기 위해 경쟁하고 있다. 주요 모델이 출시될 때마다 기업 도입과 기술 리더십에 대한 인식에 영향을 미칠 수 있다.

Anthropic은 Claude가 코딩과 에이전트형 작업에서 강력한 입지를 구축했기 때문에 특히 압박을 가한다. Jumper의 이직은 그의 미래 연구가 단백질 예측을 목표로 하지 않더라도 그 경쟁에 상징적 무게를 더한다.

특화 과학 프로젝트는 다른 시간표를 따른다. 생물학 모델은 수년간의 개발과 신중한 외부 검증을 필요로 할 수 있다. 성공은 즉각적인 소비자 성장보다는 인용, 실험적 발견, 임상 파이프라인을 통해 나타날 수 있다.

Isomorphic Labs는 Google이 이 갈등의 일부를 해결할 수 있는 방법을 제공한다. 구조 예측과 관련 AI 기법을 제약 파트너와 함께하는 신약 설계 프로그램으로 전환할 수 있다. 이는 DeepMind에서 비롯된 과학 역량에 상업적 목적지를 제공한다.

그러나 상용화는 또 다른 긴장을 불러온다. AlphaFold 2가 영향력을 얻은 이유 중 하나는 Google이 코드와 방대한 공개 데이터베이스를 공개했기 때문이다. AlphaFold 3는 처음에 더 제한적인 접근만 제공했으며, 상업적 신약 발견에서의 활용은 Isomorphic Labs의 사업적 이해관계와 맞물렸다.

연구자들은 완전한 AlphaFold 3 코드와 모델 가중치가 처음에는 제공되지 않았다는 점을 비판했다. Google은 이후 소스 코드를 공개했지만, 접근성과 재현성에 관한 의문은 논쟁의 일부로 남았다. 이 사례는 과학 자원이 Alphabet의 상업 전략과 분리하기 어려워질 수 있음을 보여줬다.

경쟁사와 학계 그룹도 계속해서 대안을 개발하고 있다. RoseTTAFold, OpenFold 및 기타 구조 예측 모델 같은 시스템은 한 회사에 대한 의존도를 낮춘다. 이러한 시스템의 존재는 Google이 방향을 바꾸더라도 과학 분야가 계속 발전할 수 있음을 의미한다.

하지만 하나의 모델을 대체하는 일과 그것을 만들어낸 환경을 대체하는 일은 다르다. AlphaFold는 머신러닝, 생물학, 엔지니어링, 컴퓨팅 자원, 지속적인 리더십을 결합했다. 공개 구현은 시스템의 일부를 재현할 수는 있어도 그러한 제도적 결합까지 재현할 수는 없다.

최선의 결과는 한 가지 경로만을 선택할 필요가 없다. Gemini는 과학자들이 문헌을 탐색하고 연구를 조율하는 데 도움을 줄 수 있으며, 특화 그룹은 생물학이나 물리학에 기반한 모델을 개발할 수 있다. Isomorphic Labs는 의약품을 개발하는 한편, 공공기관은 접근 가능한 과학 자원을 유지할 수 있다.

보도된 조직 개편이 의문을 낳는 이유는 Google이 이러한 균형을 위한 가장 분명한 조직적 중심을 없앴기 때문이다. 이제 Google은 범용 모델 전략 안에서도 특화성이 우선순위로 남아 있음을 입증해야 한다.

폐쇄 서사가 입증하지 않는 것

팀의 해체는 중대한 일이지만, AlphaFold의 운영이 중단됐거나 Google이 과학 AI를 포기했다는 사실을 입증하지는 않는다.

가장 강하게 확인된 주장은 조직에 관한 것이다. 보도에 따르면 전담 팀은 해체됐고 구성원들은 분산 배치됐다. 공개된 증거는 Google이 AlphaFold 데이터베이스를 삭제했거나, AlphaFold 3를 철회했거나, 해당 방법을 활용한 작업을 끝냈다는 점을 입증하지 않는다.

Google의 2026년 7월 활동은 반대 방향을 가리킨다. 회사는 과학 사용자에게 제공하는 도구 가운데 AlphaFold를 계속 언급했다. 같은 달 공개한 바이오보안 프레임워크에서도 AlphaFold를 논의했다.

Google의 bioresilience approach는 AlphaFold를 AlphaGenome 및 Isomorphic Labs의 신약 설계 기술과 함께 묶었다. 이 문서는 이러한 시스템이 연구자들이 생물학에서 이해하고 설계할 수 있는 범위를 바꾸는 동시에 안전 책임도 만들어낸다고 설명했다.

이러한 조치가 향후 AlphaFold 4를 보장하는 것은 아니다. Google은 출시 일정, 대체 팀, 구체적인 장기 유지보수 구조를 공개적으로 약속하지 않았다. AlphaFold를 계속 언급하는 것은 후속 모델의 적극적 개발보다는 기존 자산에 대한 지원을 반영할 수 있다.

따라서 “AlphaFold를 폐쇄한다”는 표현은 몇 가지 다른 가능성을 압축한다. Google은 대규모 신규 버전 없이 현행 모델을 유지할 수 있다. AlphaFold 기법을 더 광범위한 과학 에이전트에 통합할 수도 있다. 더 많은 개발을 Isomorphic Labs로 옮길 수도 있다. 전환 이후 새 그룹을 배정할 수도 있다.

각 경로는 서로 다른 결과를 낳을 것이다. 유지보수는 접근성을 보존하지만 연구 진전을 늦출 수 있다. 통합은 AlphaFold의 활용 범위를 넓히는 대신 그 기여를 덜 눈에 띄게 만들 수 있다. Isomorphic Labs로의 이동은 신약 적용을 가속할 수 있지만 상업적 제한을 늘릴 수 있다.

인력 관련 증거도 신중히 다뤄야 한다. Jumper의 퇴사는 보도와 그 자신의 공개 성명을 통해 확인됐지만, 모든 AlphaFold 기여자의 상태가 공개적으로 문서화된 것은 아니다. 일부 연구자는 새로운 역할로 Google에 남아 있을 수 있고, 다른 이들은 Isomorphic Labs로 옮기거나 회사를 떠났을 수 있다.

공식적인 팀 해체는 때때로 성공적인 이전 뒤에 이뤄질 수 있다. 기술이 인프라가 되면 원래 프로젝트 그룹은 더 이상 필요하지 않을 수 있다. 클라우드 서비스, 데이터베이스, 제품 팀, 파트너 기관이 운영 책임을 맡을 수 있다.

과학적 개발이 아직 끝나지 않았다는 점에서 AlphaFold의 상황은 다르다. AlphaFold 3는 분자 상호작용 관련 예측을 개선했지만, 계산 결과는 여전히 실험적 검증이 필요하다. 정확도는 표적, 입력 품질, 분자 유형, 관련 훈련 데이터의 가용성에 따라 달라진다.

예측된 구조가 생물학적 행동의 모든 측면을 드러내는 것도 아니다. 단백질은 형태를 바꾸고, 세포 내에서 상호작용하며, 화학적 환경에 반응하고, 동적인 과정에 참여할 수 있다. 정적 또는 확률적 예측은 완전한 생물학적 시스템을 포착할 수 없다.

신약 발견은 추가적인 불확실성을 더한다. 그럴듯한 상호작용을 예측했다고 해서 어떤 화합물이 안전하고 효과적이며 제조 가능하거나 임상시험에서 성공할 것이라는 뜻은 아니다. Isomorphic Labs와 그 파트너들은 여전히 실험 및 임상 증거를 확보해야 한다.

이러한 한계는 전담 도메인 전문가의 필요성을 더 강화한다. 동시에 Google이 이미 완성된 문제를 버리고 있다는 단순한 결론을 막는다. 단백질 구조 예측은 극적으로 발전했지만, 계산생물학에는 여전히 해결되지 않은 질문이 많다.

신중한 판단은 Google이 중요한 팀을 해체하고 인재를 재배치했다는 것이다. AlphaFold 기술은 계속 활성 상태이지만, 그 연구 궤적은 이제 더 불투명해졌다.

Google의 승부가 성공하는지 보여줄 세 가지 신호

다음 증거는 AlphaFold의 기술 로드맵, 연구자들의 향방, 그리고 실제 과학 작업에서 Gemini의 성과로부터 나올 것이다.

첫 번째 신호는 구체적인 AlphaFold 개발 계획이다. Google은 누가 AlphaFold 3를 유지보수하는지, 또 다른 주요 모델이 계획되어 있는지, EMBL-EBI와의 데이터베이스 파트너십이 어떻게 계속될지를 명확히 할 수 있다.

상당한 규모의 출시는 이번 조직 개편이 후퇴를 의미한다는 주장을 약화할 것이다. 그러한 출시는 기술적 증거, 독립적 평가, 과학자들이 무엇이 바뀌었는지 이해할 수 있는 접근 조건을 포함해야 한다.

침묵은 다른 의미를 갖는다. Google이 새로운 연구를 제시하지 않은 채 기존 AlphaFold 성과만 계속 홍보한다면, 이 프로젝트는 유지보수 단계로 진입하고 있을 수 있다. 이는 그 유산을 보존하겠지만 최전선에서의 역할은 줄어들 것이다.

두 번째 신호는 원래 연구자들이 어디로 가는지다. 활발히 운영되는 Gemini 과학 팀으로 재배치된다면 Google의 통합 논리를 뒷받침할 것이다. Isomorphic Labs로 이동한다면 신약 개발이 이제 AlphaFold 전문성의 주요 조직적 기반을 제공한다는 점을 시사할 것이다.

추가 퇴사는 연구 역량 상실에 대한 우려를 강화할 것이다. Jumper의 Anthropic 이직은 경쟁사가 Google의 가장 성공적인 프로젝트 중 하나를 조직한 방식을 이해하는 인재를 영입할 수 있음을 이미 보여준다.

세 번째 신호는 Gemini 기반 과학 시스템에 대한 독립적 검증이다. Google은 더 광범위한 발견 플랫폼의 사례로 AI co-scientist와 AlphaEvolve를 소개했다. 이러한 시스템은 재현 가능한 결과, 외부 연구자, Google 내부 시연을 넘어선 유용한 발견을 통해 평가받아야 한다.

Google DeepMind의 co-scientist system은 Gemini 에이전트를 사용해 가설을 제안하고 토론한다. 외부 연구실이 그러한 가설을 일관되게 검증할 수 있다면, 범용 모델 전략은 신뢰를 얻게 될 것이다.

통합의 비용은 성과가 약하거나 일관되지 않을 때 드러날 수 있다. 범용 모델은 그럴듯한 연구 언어를 만들어낼 수 있지만, 물리적 구조를 기준으로 평가된 전문 시스템만큼의 신뢰성을 보장하지는 못한다. 과학적 유용성은 대화의 유창함이 아니라 증거에 달려 있다.

독자들은 Google이 AlphaFold를 어떻게 설명하는지도 주의 깊게 살펴볼 필요가 있다. 프로젝트가 여전히 진행 중이라고 하면서도 담당 팀을 밝히지 않는다면 책임성의 공백이 생길 수 있다. 데이터베이스 유지보수, 보안 보고, 접근 권한 결정, 향후 과학 협력에는 명확한 책임 주체가 중요하다.

개발자에게 더 넓은 교훈은 플랫폼 의존성에 관한 것이다. 널리 쓰이는 모델은 내부 팀이 바뀌어도 계속 운영될 수 있지만, 우선순위와 인터페이스, 접근 규칙은 여전히 달라질 수 있다. 연구자들은 핵심 업무를 위해 재현 가능한 워크플로와 대안을 마련해야 한다.

기업 구매자에게 이번 조직 개편은 Google이 Gemini를 제품과 전문 분야 전반에서 공통 계층으로 만들고자 한다는 점을 보여준다. 이는 통합을 단순화할 수 있지만, 하나의 모델 계열과 하나의 공급업체 로드맵에 위험을 집중시킬 수도 있다.

과학자들에게 당면 과제는 헤드라인과 운영 현실을 구분하는 일이다. AlphaFold는 계속 이용할 수 있으며, Google도 여전히 이를 홍보하고 있다. 다만 이를 만든 그룹은 더 이상 원래 형태로 존재하지 않는 것으로 보인다.

engadget google 보고서는 기술 자체에 대해서는 “shutdown”이라는 표현이 지나치게 포괄적일 수 있더라도, 실제 반전을 포착한다. Google은 Gemini를 중심으로 연구 전략을 더 강화하는 동시에 노벨상을 받은 팀을 분산시켰다.

이제 회사는 이것이 약화가 아니라 진화임을 입증해야 한다. AlphaFold의 명시된 책임자, 검증 가능한 기술적 후속 체계, 그리고 Gemini가 전문 연구의 기반을 훼손하지 않고 확장할 수 있음을 보여주는 과학적 결과를 지켜봐야 한다.