Discovery Loop — Jeff Dean이 만드는 과학 실험 자동화 AI 시스템

Google에서 검색, MapReduce, BigTable, TensorFlow, TPU, Gemini를 만들어 온 이름들이 한 회사에 다시 모였다. Jeff Dean, Sanjay Ghemawat, Quoc Le, Oriol Vinyals가 창업한 Discovery Loop는 목표가 단순하고 크다. 과학과 공학의 실험 과정 자체를 AI로 자동화하겠다는 것이다.

흥미로운 건 이들이 첫 타깃으로 신약이나 에너지가 아니라 머신러닝 연구와 엔지니어링을 골랐다는 점이다. 자기 자신의 기술 스택부터 자동화로 최적화한 뒤, 그 역량을 다른 분야로 넓히겠다는 순서다.

왜 지금 '실험 루프'인가

과학적 발견의 구조는 생각보다 단조롭다. 가설을 세워 실험을 제안하고, 구현해서 돌리고, 결과를 검토한 뒤 접근법을 수정한다. 이 순차적 반복이 수십 년간 거의 그대로였고, 여전히 느리고 노동집약적이다.

Discovery Loop의 주장은 이 루프의 네 단계 전부(제안 · 실행 · 평가 · 학습)를 프런티어 AI 모델과 대규모 컴퓨팅 인프라로 돌릴 수 있다는 것이다. 핵심은 속도가 아니라 병렬성이다. 사람이 한 번에 하나씩 돌리던 실험을 수천 개 단위로 동시에 실행하면, 반복 주기 자체가 다른 차원으로 압축된다.

적용 조건도 명확하다. 측정 가능한 결과가 존재하는 학습 루프여야 한다. 성공과 실패를 기계가 채점할 수 있어야 루프가 스스로 돌기 때문이다. ML 연구가 첫 타깃이 된 이유도 여기에 있다 — 벤치마크 점수, 손실값, 지연 시간처럼 자동 채점 가능한 지표가 이미 갖춰져 있다.

루프를 코드로 보면

개념을 압축하면 아래 형태다. 실제 시스템은 훨씬 복잡하겠지만, '제안 → 병렬 실행 → 채점 → 학습'이라는 뼈대는 이 구조를 벗어나지 않는다.

from concurrent.futures import ThreadPoolExecutor

def discovery_loop(model, evaluator, budget=1000, width=64):
    """측정 가능한 지표가 있는 문제에 대한 자동 실험 루프."""
    history = []
    while budget > 0:
        # 1) 제안: 지금까지의 결과를 조건으로 다음 실험 배치 생성
        candidates = model.propose(history, n=width)

        # 2) 실행 + 3) 평가: 수천 개를 병렬로 (여기서 시간이 압축된다)
        with ThreadPoolExecutor(max_workers=width) as pool:
            scores = list(pool.map(evaluator.run, candidates))

        # 4) 학습: 성공/실패 신호를 다음 제안에 되먹임
        history.extend(zip(candidates, scores))
        model.update(history)
        budget -= width

    return max(history, key=lambda pair: pair[1])

여기서 병목은 model.propose()의 품질과 evaluator.run()의 비용이다. 채점이 싸고 빠를수록 루프는 잘 돌고, 채점이 비싸거나 모호할수록 자동화 이득이 줄어든다. 자기 분야에 이 방식을 적용해 볼 생각이라면 먼저 물어야 할 질문은 '평가 함수를 자동화할 수 있는가'다.

창업팀이 곧 해자다

창업팀 구성은 이 회사의 가장 강한 신호다. AI 분야 최다 인용 연구자 3명과 분산 시스템 분야 최다 인용 연구자 2명이 포함돼 있다. 이력만 나열해도 Google Search, Ads, News, Translate, GFS, MapReduce, BigTable, Spanner, TensorFlow, Pathways, TPU, AlphaChip, AlphaStar, AlphaCode, AlphaFold, Gemini로 이어진다.

기법 쪽으로도 모델 증류, 전문가 혼합(mixture-of-experts) 아키텍처, word2vec, 시퀀스 투 시퀀스 모델, 사고 사슬 추론, 신경망 아키텍처 탐색이 이들 손을 거쳤다. 요컨대 칩과 하드웨어부터 소프트웨어 인프라, 모델, 제품까지 풀스택을 실제로 만들어 본 조합이고, 실험 루프 자동화는 정확히 그 풀스택 경험을 요구하는 문제다.

조직 형태도 의도적이다. 대면 중심의 소규모 팀을 꾸리고 있으며, 소수 인원이 지금의 대규모 연구 조직보다 빠르고 높은 품질로 일하는 상태를 목표로 한다.

회의적인 시선도 같이 봐야 한다

장기 목표로 내건 것은 미국공학한림원(NAE)의 Grand Challenges다. 경제적인 태양에너지, 깨끗한 물, 신약 개발, 의료정보학, 사이버 공간 보호 같은 난제들이다. 다만 해커뉴스 토론에서 나온 반론이 꽤 날카롭다.

• 병목이 기술이 아니라 정책인 경우가 많다 — 의료, 교육, 도시, 에너지처럼 규제가 강한 분야는 영리한 공학의 부재만큼이나 낡은 정책에 막혀 있다.
• 이미 풀린 문제도 목록에 있다 — 태양광 발전의 경제성은 상당 부분 이미 확보됐다는 지적이 나왔다.
• 선행 사례와의 거리 — Karpathy의 autoresearch를 기관 규모로 확장한 형태로 보인다는 평가가 많다.

즉 '자동화된 실험 루프'라는 아이디어 자체는 이미 공기 중에 있었고, Discovery Loop의 차별점은 발상이 아니라 그것을 대규모 인프라 위에서 실제로 굴릴 수 있는 팀이라는 쪽에 가깝다.

정리

• Discovery Loop는 실험의 제안 · 실행 · 평가 · 학습 전 과정을 AI로 자동화하는 시스템을 만든다.
• 수천 개 실험의 병렬 실행으로 반복 주기를 압축하는 것이 핵심 전략이다.
• 첫 적용 분야는 ML 연구와 엔지니어링 — 자동 채점 가능한 지표가 이미 있기 때문이다.
• 적용 가능성의 기준은 '측정 가능한 결과가 있는 학습 루프인가'다.
• NAE Grand Challenges가 장기 목표지만, 규제·정책 병목이라는 반론은 유효하다.

당장 써먹을 교훈 하나만 꼽자면 이것이다. 자신의 업무에서 반복되는 실험이 있다면, 자동화보다 먼저 평가 함수를 명시적으로 정의해 보자. 채점이 자동화되는 순간부터 루프는 스스로 돌기 시작한다.

---

📰 원본 출처 · https://news.hada.io/topic?id=32186 (#N=32186)

이 글은 GeekNews(긱뉴스)에 게제된 글을 기반으로 작성되었습니다. 원본의 라이선스와 저작권은 원작자에게 있습니다.