Jeff Dean은 지난주 반도체 업계가 주목할 만한 발언을 했다. AlphaEvolve가 Google AI 스택의 가장 낮은 하드웨어 계층에서 최적화를 시작했다는 것이다.
이는 또 하나의 코딩 보조 도구가 나왔다는 뜻이 아니다. DeepMind의 최적화 시스템은 직관과 다르지만 효율이 높은 회로 설계를 제안했고, Google은 이를 차세대 TPU 실리콘에 반영했다. Google은 5월 8일 이 기술을 Cloud 고객에게도 제공할 계획이라고 밝혔다.
AlphaEvolve는 코딩 도우미가 아니다
Copilot이나 Claude Code가 애플리케이션 코드 작성과 버그 수정을 돕는다면, AlphaEvolve는 더 좁고 깊은 문제를 겨냥한다. 훈련 시간 단축, 오류율 감소, 경로 최적화처럼 측정 가능한 목표가 주어지면 알고리즘과 시스템 설정을 탐색한다.
Gemini Flash가 다양한 후보를 만들고, Gemini Pro가 깊게 평가하며, 진화 알고리즘이 나쁜 해법을 버리고 좋은 해법을 다음 반복에 넘긴다. 검색도 채팅도 아니라 이미 정의된 지표를 극한까지 개선하려는 자동 루프다.
Google 내부 성과는 숫자로 드러난다
Google에 따르면 AlphaEvolve는 1년 넘게 내부에서 쓰였다. Spanner의 쓰기 증폭은 20% 줄었고, 컴파일러 소프트웨어 저장 공간은 약 9% 감소했으며, DeepConsensus의 변이 검출 오류율은 30% 낮아졌다. AC Optimal Power Flow의 실행 가능 해법 비율은 14%에서 88%로 올랐고, Willow 양자 칩의 분자 시뮬레이션 오류율은 기존의 10분의 1로 줄었다.
또 Gemini 아키텍처의 핵심 kernel을 23% 빠르게 만들어 전체 훈련 시간을 1% 단축했다. 데이터센터 스케줄링에서는 Google 운영 환경에서 1년 넘게 전 세계 컴퓨팅 자원의 0.7%를 회수하고 있다고 설명했다.
초기 고객 사례는 비용과 바로 연결된다
Schrödinger는 머신러닝 force field 모델의 훈련과 추론을 4배 빠르게 했다. Klarna는 훈련 속도를 두 배로 높이면서 모델 품질도 개선했다. WPP는 정확도를 10% 끌어올렸고, FM Logistics는 물류 경로를 10.4% 최적화해 연간 1만5000km 이상의 운송 거리를 줄였다.
이 숫자들은 전력비, 엔지니어링 시간, 고객 만족도, 물류비로 환산될 수 있다는 점에서 단순한 AI 도입 홍보와 다르다.
기업은 먼저 운영 질문에 답해야 한다
AlphaEvolve가 잘 맞는 영역은 칩 설계, 데이터베이스 튜닝, 스케줄링, 과학 계산, 화학 합성 경로 탐색처럼 목표는 분명하지만 탐색 공간이 큰 문제다.
다만 기업 고객은 가격 책정, 실행 가능한 워크로드 범위, 데이터 관리, 감사 가능성, 재현성, 장애 시 롤백을 확인해야 한다. 그럼에도 연구 도구가 Google Cloud 서비스로 이동한다는 점은 중요하다. AlphaFold가 제약 산업으로 길을 냈다면, AlphaEvolve는 클라우드와 기업 IT에서 그 다음 사례가 될 수 있다.
출처: CocoLoop