과학의 발전은 오랫동안 하나의 반복 구조에 의존해 왔다. 가설을 세워 실험을 설계하고, 이를 구현해 실행한 뒤 결과를 살펴 접근 방식을 다듬는 순환이다. 이 '실험 루프'는 과학적 방법론의 핵심이지만, 대부분 사람의 손을 거쳐 순차적으로 진행되기 때문에 느리고 노동집약적이다. 신생 기업 디스커버리 루프(Discovery Loop)는 바로 이 반복 과정 전체를 AI로 자동화하겠다고 선언하며 등장했다. 회사가 내건 표현은 '지속적 탐색(Continuous Exploration)'이다.
주목을 끄는 대목은 창업 구성이다. 창업 팀은 제프 딘(Jeff Dean), 사냐이 게마와트(Sanjay Ghemawat), 쿽 레(Quoc Le), 오리올 비냘스(Oriol Vinyals) 네 명으로, 모두 구글에서 대규모 시스템과 AI 연구를 이끌어 온 인물들이다. 회사 소개에 따르면 이들은 구글 검색·광고·뉴스·번역의 여러 세대, 구글 파일 시스템·맵리듀스·빅테이블·스패너 같은 분산 인프라, 텐서플로·Pathways·TPU·AlphaChip·AlphaFold·Gemini 등 AI 기반 기술의 상당수에 관여했다고 밝히고 있다. word2vec, 시퀀스-투-시퀀스 모델, 생각의 사슬(chain of thought) 추론, 신경망 구조 탐색(neural architecture search), 지식 증류, 전문가 혼합(MoE) 구조 등도 목록에 올라 있다. 이들은 자신들의 진짜 강점을 '규모'와 '풀스택 깊이'로 규정한다. 칩과 하드웨어 인프라, 소프트웨어 인프라, ML 모델, 제품에 이르는 전 계층을 직접 만들어 본 경험이 차별점이라는 주장이다.
무엇을 자동화하려는가
디스커버리 루프의 구상은 단순명료하다. 프런티어급 AI 모델과 대규모 연산 인프라를 결합해, 실험을 제안하고 실행하며 그 결과로부터 학습하는 과정을 시스템이 스스로 반복하게 만드는 것이다. 사람이 한 번에 하나씩 밟던 순환을, 수천 건의 실험을 병렬로 돌리는 구조로 바꾸면 반복에 드는 시간이 크게 압축되고, 그만큼 산출물의 양과 질이 함께 올라간다는 논리다.
첫 적용 분야로는 머신러닝 연구와 엔지니어링 자체를 지목했다. 즉 ML 연구·개발 과정을 자동화하고, 그렇게 확보한 역량으로 자사의 기술 스택을 먼저 최적화한 뒤 다른 영역으로 확장한다는 단계적 접근이다. 회사는 '측정 가능한 결과를 가진 학습 루프라면 무엇이든' 풀 수 있으리라 본다고 밝혔다. 장기적으로는 미국 공학한림원(NAE)의 그랜드 챌린지—더 나은 의약품 설계, 건강 정보학 발전, 태양광의 경제성 확보, 깨끗한 물 공급, 사이버 공간 보안, 과학적 발견 도구의 개발 등—를 겨냥한다고 덧붙였다.
실무자가 짚어야 할 지점
이 접근에서 반복적으로 등장하는 전제는 '측정 가능한 결과(measurable outcomes)'다. 이는 곧 자동화된 루프가 잘 작동하려면 명확한 평가 함수, 즉 성공과 실패를 기계가 판정할 수 있는 지표가 전제되어야 한다는 뜻이기도 하다. 실제로 회사가 첫 대상으로 ML 연구를 고른 것도 우연이 아니다. ML은 벤치마크 점수나 손실 값처럼 자동으로 채점 가능한 목표가 이미 잘 정의돼 있어, 자동화 루프가 스스로 개선을 반복하기에 상대적으로 적합한 영역이다. 반대로 평가 기준이 모호하거나 실험 비용·위험이 큰 영역에서는 같은 방식이 곧바로 통하지 않을 수 있다.
또 하나 눈여겨볼 대목은 팀 운영 방식이다. 회사는 '소수의 대면(in-person) 린 팀'으로 이 비전을 실행하겠다고 명시했다. 수백 명의 과학자·엔지니어가 하던 일을 소수 인원이 더 빠르고 높은 품질로 해내는 미래를 상상한다는 서술은, 자동화된 발견 루프가 인력 규모가 아니라 연산과 시스템 설계로 성과를 낸다는 이 회사의 철학을 그대로 반영한다.
현시점에서 디스커버리 루프가 공개한 것은 구체적인 제품이나 성능 수치가 아니라 방향성과 팀 구성에 가깝다. 실제 실험 자동화 시스템이 어떤 형태로 구현될지, 병렬 실험 인프라의 비용 구조는 어떠할지, ML 이후 도메인으로의 확장이 얼마나 매끄러울지는 아직 검증되지 않은 영역이다. 그럼에도 분산 시스템과 대규모 AI를 실제로 구축해 본 이력을 지닌 팀이 '과학 실험 루프 자체의 자동화'를 정면으로 겨냥했다는 점은, AI가 도구를 넘어 연구 주체로 이동하는 흐름을 상징적으로 보여준다. 이 회사가 자사 스택을 얼마나 빠르게 개선해 보이느냐가 이후 확장 서사의 신뢰도를 가르는 첫 시험대가 될 것이다.