AI 연구소 Mirendil이 self-improving AI

1억 달러가 넘는 자금이 구글 클라우드 인프라 확보에 투입된다. 시드 펀딩액의 절반에 달하는 이 거액을 쏟아부어 스스로 성능을 높이는 self-improving AI(자기 개선 AI) 연구에 속도를 낸다. 막대한 연산 자원을 미리 확보해 모델의 학습 규모를 빠르게 키우고 성능 개선 주기를 단축하겠다는 선택이다. 이러한 인프라 투자는 연구 단계에서 겪는 컴퓨팅 병목 현상을 해결하고 개발 속도를 높이는 기반이 된다.

Behnam Neyshabur 공동 창립자이자 CEO는 이번 계약 규모가 지난 6월 말 조달한 시드 펀딩 금액의 약 절반이라고 밝혔다. 당시 Mirendil은 기업 가치 10억 달러를 인정받으며 자금을 모았다. 투자금의 상당 부분을 하드웨어 인프라에 즉시 재투자함으로써 연구에 필요한 물리적 환경을 빠르게 구축한 셈이다.

Mirendil은 구글 클라우드와 다년 파트너십을 맺고 연구에 필요한 컴퓨팅 용량을 확보했다. 대규모 인프라를 제공하는 클라우드 거대 기업과 규모 확장을 위해 자원이 절실한 AI 기업이 손을 잡는 업계 추세가 반영됐다. 컴퓨팅 자원 확보가 AI 기업의 성장 속도를 결정하는 핵심 요소가 되면서 다년 계약을 통해 안정적인 연구 기반을 마련했다.

스스로를 반복적으로 개선하는 'self-improving'

프런티어 AI 연구소 전체가 수행하는 업무를 인공지능 하나가 모두 처리하는 것이 최종 목표다. Mirendil은 이를 위해 스스로를 반복적으로 개선하는 재귀적 자기 개선(recursive self-improvement) 기술을 연구한다. AI 시스템이 자신의 성능을 스스로 진단하고 부족한 부분을 수정하는 과정을 반복하며 계속해서 진화하는 방식이다. 사람이 개입해 모델을 튜닝하는 대신 AI가 스스로를 업그레이드하는 구조다. 공동 창립자들이 몸담았던 Anthropic과 같은 주요 연구소에서도 핵심적으로 다뤄온 연구 분야다.

Google의 TPU(텐서 처리 장치)와 Nvidia GPU(그래픽 처리 장치), 그리고 관리형 훈련 클러스터를 동시에 활용한다. 작업 부하인 워크로드의 성격에 맞춰 가장 적절한 하드웨어를 매칭해 비용을 낮추는 전략을 취한다. 복잡하고 무거운 계산은 고성능 칩에 맡기고, 상대적으로 단순한 작업은 효율적인 칩에 배분해 자원 낭비를 줄이고 처리 속도를 높인다. 이는 여러 하드웨어 자원을 지휘자처럼 조화롭게 배치해 최적의 성능을 이끌어내는 Google의 지능형 시스템 오케스트레이션 전략과 궤를 같이 한다. 하드웨어의 특성을 고려해 업무를 나누는 방식으로 효율을 극대화한다.

self-improving AI는 과학 및 AI 연구의 상당

알츠하이머병 같은 복잡한 난제는 인간 과학자가 새로운 영역을 학습하고 전문 지식을 축적하는 방식을 모방해 해결한다. Behnam Neyshabur CEO는 AI가 이 학습 과정을 반복하며 스스로 연구 능력을 키우면 의학, 생물학, 재료 과학 분야의 상당 부분이 자동화될 것으로 본다. 연구자가 수동으로 가설을 세우고 실험 결과를 분석하던 기존의 연구 방식이 AI의 자동화된 탐색으로 대체되며, 시간이 지남에 따라 복잡한 문제 해결 능력이 계속 향상되는 구조다.

소프트웨어와 시스템 계층(하드웨어가 효율적으로 작동하게 돕는 중간 제어 프로그램)은 고객이 Google 하드웨어를 더 알뜰하게 쓰도록 만든다. Google은 Mirendil의 기술을 통해 클라우드 시장에서 경쟁사보다 우위를 점하고, 향후 기업 고객에게 제공할 재귀적 자기 개선 AI(스스로 성능을 높이는 AI) 기술을 확보한다. Mirendil의 소프트웨어 최적화 능력이 Google의 하드웨어 효율을 극대화하고, Google은 이를 통해 프런티어 AI 기술을 확보해 기업용 상품으로 확장하는 전략적 파트너십이다.

단순한 칩 성능 경쟁을 넘어, 워크로드(AI가 처리해야 할 작업의 종류와 양)별로 하드웨어를 어떻게 최적으로 배분하느냐가 실제 운영 비용과 확장성을 결정하는 핵심 기준이 된다.