과학적 발견은 병목에 걸려 있다.

과학적 방법론은 인류가 고안한 가장 위대한 도구 중 하나다. 그러나 그 실행 과정은 반복적인 실험 루프를 수반하며, 오늘날의 수작업 방식으로는 이를 규모 있게 확장하기 어렵다. 실험을 제안하고, 그것을 구현해 돌리고, 결과를 검토한 뒤, 접근법을 다듬기 위해 다시 반복하는 식이다.

역사적으로 과학의 진보는 이처럼 인간이 순차적으로 반복하는 과정에 의존해 왔다. 다수의 분야에서 이 과정은 여전히 지독하게 느리고 노동집약적이다.

실험 루프를 자동화한다.

Automating the experimental loop.

Discovery Loop는 이 실험 루프 전체를 자동화하는 시스템을 구축하고 있다. 프런티어 AI 모델과 대규모 연산 인프라를 활용해, 우리의 시스템은 평가를 신속하게 제안하고, 실행하고, 그로부터 학습하게 될 것이다.

이 접근법은 수천 건의 실험을 병렬로 실행할 수 있게 하며, 반복 주기를 획기적으로 압축하고 과학·공학적 산출물의 양과 질을 함께 끌어올린다.

미션

우리의 미션은 단순명료하다. 머신러닝·과학·공학의 중요한 문제들을 자동으로 풀어내는 AI 솔루션을 만드는 것이다.

공학적·과학적 발견을 수행하는 속도를 끌어올림으로써, 우리는 과학기술의 혜택을 세상에 훨씬 더 빠르게 전할 수 있다. 궁극적으로 우리의 목표는 인류에게 깊이 이로우며 그 역량을 북돋우는 힘으로 작동하는 AI 시스템을 만들고, 지구적 규모에서 사람들의 삶을 개선하는 기술적 해법을 제공하는 것이다.

두뇌 집단.

The brain trust.

우리 창업 팀—제프 딘, 산자이 게마왓, 쿽 레, 오리올 비냘스—은 깊은 우정과 수십 년에 걸친 긴밀하고 영향력 있는 협업의 역사를 공유한다.

우리는 총체적으로, 인공지능 분야 최다 피인용 연구자 중 3인과 분산 시스템 분야 최다 피인용 연구자 중 2인을 아우른다.

우리는 함께 초대규모 컴퓨팅을 개척했고, 세상이 의존하는 핵심 인프라와 제품, 그리고 근본적인 AI 진보의 창조를 이끌었다. 여기에는 여러 세대에 걸친 구글 검색, 구글 광고, 구글 뉴스, 구글 번역을 비롯해 Google File System, MapReduce, BigTable, Spanner, TensorFlow, Pathways, TPU, AlphaChip, AlphaStar, AlphaCode, AlphaFold, Gemini, 모델 증류, 전문가 혼합(MoE) 모델 아키텍처, word2vec, 시퀀스-투-시퀀스 모델, 사고 사슬 추론, 신경망 구조 탐색, 그리고 여러 세대의 대규모 언어 모델(LLM) 등이 포함된다.

우리의 상대적 강점은 단지 기술적 역량에 있지 않다. 우리가 과거에 구축해 본 시스템들의 전례 없는 규모에 있다. 우리는 칩에서 하드웨어 인프라, 소프트웨어 인프라, ML 모델, 그리고 제품에 이르기까지 아우르는 진정한 풀스택 깊이를 갖추고 있다.

다음 단계

소수의 사람들이, 오늘날 거대한 과학자·엔지니어 조직이 해내는 것보다 훨씬 빠르고 훨씬 높은 품질로 과학 연구와 공학 과업을 수행하는 미래를 상상해 보라.

발견의 루프를 자동화함으로써, 세계는 무수한 과학 분야에서 훨씬 더 빠른 진보를 이룰 수 있게 될 것이다.

우리는 이 변혁적 비전을 실행하기 위해 군더더기 없는, 대면 근무 중심의 팀을 꾸리고 있다.

이런 종류의 일에 마음이 뛴다면, 당신의 연락을 기다린다.

창업자 4인

공개 자료를 바탕으로 정리한 인물 정보입니다. 웹사이트 원문의 일부가 아닙니다.

2026년 8월 5일, 구글은 수석 과학자 제프 딘이 동료 세 명과 함께 회사를 떠나 Discovery Loop를 창업한다고 발표했다. 본사는 팰로앨토이며, 구글이 창업 투자자로 참여하고 최소 첫 1년간 컴퓨팅 자원을 공급한다. Radical Ventures와 Khosla Ventures가 시드 라운드를 공동 주도한다. 회사 형태는 공익법인(Public Benefit Corporation)이고, 딘이 CEO를 맡는 것으로 보도되었다.

한눈에 보는 구도

세대가 뚜렷이 갈린다. 딘·게마왓(60년대생)은 인터넷 스케일 인프라를 만든 시스템 엔지니어 축이고, 쿽 레·비냘스(80년대생)는 현대 딥러닝의 핵심 논문을 쓴 연구자 축이다. 웹사이트가 말하는 “칩부터 제품까지 아우르는 풀스택”은 이 두 축의 결합을 가리킨다. 그리고 “측정 가능한 학습 루프의 자동화”라는 문구는 쿽 레의 AutoML/NAS와 딘·게마왓의 대규모 병렬 실행 인프라가 만나는 지점이다.

피치덱 슬라이드 번역

딘이 트위터에 공개한 VC 피치덱 일부. 원문 슬라이드의 구조를 유지해 옮겼습니다.

제프 딘의 발표 트윗

사내 작별 이메일

첨부 이미지(스크린샷 2장)의 전문 번역. 트윗에 인용된 대목과 겹치는 부분은 그대로 두었습니다.

용어 풀이

실험 루프 experimental loop

제안 → 구현·실행 → 결과 검토 → 개선의 순환 고리. 회사 이름(Loop)이자 핵심 개념이다.

측정 가능한 결과를 갖는 학습 루프 learning loop with measurable outcomes

회사의 적용 범위를 규정하는 조건절. 성과를 수치로 채점할 수 있는 문제여야 자동 반복·최적화가 가능하다는 뜻이다. 모델 정확도, 신약 후보 결합력, 태양전지 효율처럼 채점 기준이 명확한 문제에 국한된다는 솔직한 한계 표명이기도 하다.

프런티어 모델 frontier AI models

현재 기술 최전선에 있는 최고 성능급 대형 AI 모델을 가리키는 업계 용어.

공익법인 Public Benefit Corporation

미국(주로 델라웨어주)의 영리법인 형태로, 정관에 주주 이익 외의 공익적 목적을 명시하고 이사회가 그 목적을 함께 고려할 법적 근거를 갖는다. OpenAI, Anthropic 등도 유사한 구조를 택했다.

풀스택 깊이 full-stack depth

웹 개발의 프런트+백엔드가 아니라, 반도체 칩부터 최종 사용자 제품까지 기술 계층 전부를 직접 만들어 본 경험을 뜻한다.

신경망 구조 탐색 Neural Architecture Search, NAS

신경망의 구조 자체를 사람이 아니라 알고리즘이 자동으로 설계·탐색하게 하는 기법. Discovery Loop의 직접적 전신 개념이다.

전문가 혼합 Mixture-of-Experts, MoE

모델 내부에 여러 ‘전문가’ 부분망을 두고 입력마다 일부만 활성화해 연산량을 아끼는 구조.

모델 증류 model distillation

크고 무거운 모델의 지식을 작고 빠른 모델에 옮겨 담는 압축 기법.

사고 사슬 chain of thought

모델이 답을 곧장 내놓는 대신 중간 추론 단계를 차례로 서술하게 해 정확도를 높이는 방법.

시퀀스-투-시퀀스 seq2seq

입력 문장열을 받아 출력 문장열을 생성하는 인코더–디코더 구조. 기계번역·요약의 토대이자 트랜스포머의 직계 조상.

스케일링 법칙 scaling laws

모델 크기·데이터량·연산량과 성능 사이의 예측 가능한 관계. Chinchilla 논문이 대표적이며, “같은 연산 예산이면 모델을 키우기보다 데이터를 늘리는 편이 낫다”는 결론으로 이후 LLM 설계를 바꿨다.

사후학습 post-training

사전학습(pre-training)이 끝난 기반 모델을 지시 따르기·안전성·특정 능력에 맞게 다듬는 단계. 피치덱은 쿽 레가 Gemini의 이 단계를 이끌었다고 적고 있다.

대면 근무 in-person

원격근무가 아닌 사무실 출근·대면 협업. 채용 조건을 미리 못박는 표현이다. “lean(군더더기 없는)”과 짝을 이뤄 소수 정예 대면 조직을 뜻한다.