4,000만 달러 규모의 AI 자원과 DOE 17개 국립연구소 지원 범위

구글이 미국 에너지부(DOE)의 제네시스 미션(Genesis Mission, AI를 통해 과학 발견 속도를 10년 내 2배로 높이려는 백악관 주도 프로젝트)을 지원하기 위해 4,000만 달러 규모의 AI 토큰과 클라우드 크레딧을 투입한다. 이 자원은 DOE 산하 17개 국립연구소의 연구자들이 직면한 거대 규모의 데이터 처리와 복잡한 시뮬레이션 문제를 해결하는 데 사용된다. 현대 과학 연구는 핵융합 플라즈마의 복잡한 역학을 시뮬레이션하거나 방대한 탐색 공간에서 신소재를 찾는 등 전례 없는 규모의 난제에 직면해 있다. 특히 세계 최고 수준의 실험 시설에서 쏟아져 나오는 엑사바이트(Exabyte, 10의 18제곱 바이트에 해당하는 초거대 데이터 단위) 규모의 데이터를 분석하는 작업은 기존 컴퓨팅 자원만으로는 처리 속도에 한계가 있다. 구글의 이번 자원 투입은 연구자가 인프라 구축 비용 부담 없이 최신 AI 모델을 연구 공정에 즉시 도입해 발견 속도를 높이는 환경을 구축한다.

이번 지원 확대는 2026년 DOE 제네시스 미션 서밋에서 공식 발표되었다. 구글은 단순한 자금 지원이 아니라 AI 토큰과 클라우드 크레딧이라는 실질적인 연산 자원을 제공하여 연구소들이 프론티어 AI(Frontier AI, 최첨단 성능을 가진 최신 대규모 AI 모델)를 직접 활용하도록 돕는다. 지원 대상인 17개 국립연구소는 국가적 차원의 과학적 돌파구를 마련하기 위해 AI를 활용한 가속 연구를 수행한다. 연구자들은 제공받은 자원을 통해 클라우드 기반의 고성능 컴퓨팅 환경에서 대규모 모델을 구동하며, 이는 복잡한 물리 체계의 패턴 분석과 가설 검증 시간을 단축하는 기반이 된다. 대규모 연산 자원의 확보는 개별 연구소 단위에서 감당하기 어려운 모델 학습과 추론 비용을 해결하여 연구의 진입 장벽을 낮춘다.

구글은 이번 지원을 통해 연구자들이 겪는 데이터 처리의 병목 현상을 해결하고 AI 기반의 과학적 발견 체계를 가속화한다. 4,000만 달러 규모의 크레딧은 연구소들이 클라우드 환경에서 고성능 연산 자원을 유연하게 사용할 수 있게 한다. 이를 통해 연구자들은 실험 시설에서 생성되는 방대한 데이터를 실시간으로 처리하고, AI 모델을 통해 새로운 물리적 특성을 예측하는 워크플로우를 구축한다. 특히 핵융합이나 신소재 탐색과 같이 연산 집약적인 분야에서 AI 모델의 추론과 학습에 필요한 비용 부담을 제거한다. 결과적으로 이번 자원 공급은 미국 국가 과학 연구의 인프라를 AI 중심으로 재편하여 연구 효율성을 극대화하는 장치로 작동한다.

AlphaFold 3부터 Gemini for Government까지의 도구 구성

Google DeepMind의 과학 AI 포트폴리오는 AlphaFold 3, AlphaGeometry, AlphaEvolve라는 세 가지 특화 모델을 통해 과학적 탐색 범위를 확장한다. AlphaFold 3는 단백질을 비롯한 생체 분자의 3차원 구조를 예측하는 모델이다. AlphaGeometry는 복잡한 기하학 문제를 해결하며, AlphaEvolve는 수학적 시스템의 가능성을 탐색하는 모델로 작동한다. 이는 일반적인 텍스트 생성을 넘어 분자 구조 예측과 수학적 증명이라는 구체적인 과학적 과제를 해결하는 전용 도구들을 묶어 제공하는 구성이다.

Gemini for Government는 미국 에너지부(DOE) 국립연구소 내 운영, 연구, 관리 팀에 소속된 수만 명의 사용자에게 1년간 시트(Seat, 사용자 계정)와 토큰을 제공하는 방식으로 배포된다. 지원 범위는 연구자가 직접 실험을 수행하는 연구 벤치부터 과학 커뮤니티 전체를 지원하는 특수 사용자 시설의 행정 관리 영역까지 모두 포함한다. 연구소의 말단 실행 단위부터 상위 관리 체계까지 동일한 AI 인프라를 사용할 수 있도록 접근 권한을 설계한 것이다.

이 플랫폼은 연구소의 전 영역을 통합 지원하는 보안 기반 AI 백본(Backbone, 중추 시스템)의 역할을 수행한다. 보안이 강화된 단일 기반 위에서 DOE의 국가적 미션을 수행할 수 있도록 설계되어 데이터 유출 위험을 줄이면서 AI를 활용하게 한다. 연구 현장의 실무 데이터 처리와 시설 관리라는 서로 다른 성격의 업무를 하나의 보안 체계로 통합하여 AI 기반의 일관된 워크플로우를 구축한다. 결과적으로 개별 연구 도구의 파편화를 방지하고 통합된 보안 환경 내에서 과학적 발견의 속도를 높이는 인프라 구조를 완성한다.

현미경 보정 8배 단축 및 수학 시스템 자동 탐색 결

PNNL(태평양 북서부 국립연구소)의 헨리 큉게 박사는 AlphaEvolve를 활용해 인간이 수동으로 탐색하기 불가능한 수준의 거대 수학 시스템 매핑을 자동화했다. AlphaEvolve는 수학적 시스템 탐색 모델로, 이산 객체의 조합을 연구하는 조합론(Combinatorics) 분야에서 복잡하게 얽힌 시스템 내 숨겨진 연결 고리를 스스로 찾아낸다. 연구자가 직접 수식과 조합을 대조하며 수년 동안 수행해야 했던 탐색 작업을 AI가 수 분 또는 수 시간 내에 처리하며 발견의 속도를 높였다.

NLR(로키 산맥 국립연구소)의 스티븐 R. 스퍼전 박사는 Gemini를 물리적 실험 장비에 직접 배치해 자율 소재 발견(Autonomous Materials Discovery) 프로그램을 운영한다. 이는 LLM을 단순한 지식 검색 도구가 아니라 실험실 하드웨어를 직접 제어하는 컨트롤러로 활용한 사례다. Gemini는 장비에서 출력되는 데이터를 실시간으로 관찰하고, 이를 바탕으로 논리적 추론을 거쳐 다음 실험 단계를 스스로 결정하는 자율 워크플로우를 수행한다.

장비 최적화 단계에서 나타난 수치 변화는 매우 구체적이다. 현미경 캘리브레이션(Calibration, 장비의 측정값을 표준값에 맞추는 보정 작업)에 소요되던 시간은 기존 90분 이상에서 13분으로 단축되어 약 8배의 가속 효과를 냈다. 또한 이미지 초점을 맞추기 위해 연구자가 수동으로 조절해야 했던 50단계의 공정은 단 2단계로 축소됐다. 단순 반복적인 보정 작업에 묶여 있던 연구자의 시간과 주의력을 실제 과학적 분석 단계로 되돌려 실험 효율을 높였다.

이러한 자율 실험 역량은 수동 조작만으로는 물리적으로 접근할 수 없었던 소재 설계 영역의 탐색을 가능하게 했다. 실시간 관찰-추론-결정으로 이어지는 루프는 소재 발견 과정의 가장 큰 병목이었던 하드웨어 설정 및 보정 시간을 획기적으로 제거했다. 물리적 장비와 AI의 결합은 연구자가 가설 설정과 결과 해석이라는 본질적인 과학 활동에 더 많은 자원을 투입하게 만드는 실무적 토대가 된다.

한국 AI 현장에서 볼 지점

AlphaEvolve는 대형언어모델이 보유한 광범위한 수학 지식을 이용해 조합론(이산 객체의 조합을 연구하는 수학 분야) 시스템의 탐색 각도를 자동화한다. 이는 단순히 기존 데이터를 검색하는 것이 아니라 실시간으로 상태를 관찰하고 추론하며 다음 행동을 결정하는 자율 워크플로우를 구축한 결과다. 인간 연구자가 수동으로 탐색하기 어려운 복잡한 수학적 조합을 AI가 스스로 매핑하며 가설 검증의 경로를 최적화하고 탐색 범위를 획기적으로 넓힌다. AI가 논문을 요약하거나 코드를 짜주는 보조 도구에서 실험실 하드웨어를 직접 제어하고 수학적 시스템을 탐색하는 실행 주체로 그 역할이 완전히 변했다.

실제 장비 최적화 과정에서 현미경 캘리브레이션(장비의 측정값을 표준값에 맞추는 보정 작업) 시간은 기존 90분 이상에서 13분으로 줄어들어 약 8배의 가속 성능을 보였다. 이미지 초점을 맞추기 위해 거쳐야 했던 50단계의 수동 조절 과정은 2단계로 축소되어 공정 효율이 극대화되었다. 이러한 수치는 AI가 물리적 세계의 제약 조건을 이해하고 장비를 정밀하게 제어하는 능력을 갖췄음을 입증하는 실질적인 지표가 된다. 연구자는 단순 반복적인 장비 세팅 작업에서 완전히 벗어나 고차원적인 과학적 분석과 데이터 해석 및 이론 정립에 더 많은 시간을 투입할 수 있는 환경을 얻는다.

구글은 오는 10월 Google Public Sector Summit을 통해 AI 과학 역량을 지원하는 구체적인 추가 방안을 공개할 계획이다. 한국의 AI 실무 현장에서도 모델의 추론 능력을 소프트웨어 인터페이스 너머의 물리 장비나 복잡한 수학적 탐색 영역으로 확장하는 시도가 가속화될 가능성이 매우 크다. 이제 프론티어 모델의 효용은 단순한 텍스트 생성을 넘어 물리적 실험 장비의 제어 및 수학적 시스템 탐색을 자동화하여 현미경 보정 시간을 90분에서 13분으로 단축하고 초점 조절 단계를 50단계에서 2단계로 줄이는 것과 같은 구체적인 성능 지표로 판단해야 한다.