개요
Google DeepMind는 Google의 AI 연구 조직이다. 공식 소개에 따르면 DeepMind와 Google Brain의 역량을 하나의 팀으로 결합해 차세대 AI 시스템을 연구·개발하고 있다.[1]
연구 흐름
DeepMind는 강화학습, AlphaGo, AlphaFold 등 여러 연구로 알려져 있고, Google Brain은 Transformer와 BERT 같은 연구 흐름에 기여했다. 현재 Google DeepMind는 이런 연구 계보를 바탕으로 기초 연구와 제품·과학 응용을 함께 다룬다.[1]
관계
Gemini는 Google DeepMind가 전개하는 주요 AI 모델 계열 중 하나다. 조직과 연구 영역은 계속 변하므로 최신 프로젝트 구성은 공식 사이트를 기준으로 확인하는 것이 좋다.
논문·시연·제품이 입증하는 범위
논문은 연구 질문·방법·자료·평가 조건을, 시연은 선택한 상황의 실행을, 제품 안내는 실제 제공 경로와 조건을 읽는 출발점이다. 한 조직의 이름 아래 공개됐더라도 같은 범위의 증거가 아니다. 모델 계열의 기능을 연구 조직의 모든 성과로, 성공한 시연을 모든 환경의 성능으로 넓혀 읽지 않는다.
예를 들어 2013년 DQN 논문 ↗은 화면 입력과 보상을 이용한 Atari 환경의 학습 연구다.[2] 그 게임 조건에서의 결과와 현실의 로봇·업무 시스템에서의 안정성은 다른 질문이다. 재사용 가능한 모델과 실제 시스템을 구분해 무엇이 바뀌었는지 기록한다.
구조 예측의 신뢰도와 기능 검증의 차이
AlphaFold 원논문 ↗은 단백질 구조 예측과 그 정확도 평가를 다룬다.[3] 구조 예측에 대한 신뢰도를 단백질의 모든 기능이 확인됐다는 판정으로 옮기지 않는다. 데이터의 측정 대상, 예측 구조와 실험 구조의 비교, 아직 관찰하지 않은 조건을 나눠 읽는다.
가상 사례로 구조 후보 12개 중 9개가 정의한 구조 기준을 통과하고, 다른 기능 시험에는 4개만 들어갔다고 하자. 구조 기준 통과는 9 / 12 = 75%지만 기능 시험의 결과는 별도 분모와 판정이 필요하다. 그 4개가 어떤 4개인지도 밝혀야 한다. 이 예제는 AlphaFold의 실제 평가나 생물학 실험 지침이 아니다. 목적과 한계를 먼저 확인한다.
보상 점수와 제약 위반을 따로 집계하기
가상의 모의 환경에서 정책 A의 보상 합계가 100이고 제약 위반이 0회, 정책 B가 120이고 위반이 3회라고 하자. '보상 20% 증가'는 맞지만 제약을 지키며 일을 마쳤는지는 별도 판단이다. 보상에 제약을 충분히 반영하지 않았다면 높은 점수만으로 더 적합한 정책이라고 정할 수 없다.
DQN의 보상 학습을 읽는 출발점은 원논문 ↗이다.[2] 위 보상·위반 수는 설명용 수치다. 실험에서는 보상 정의, 에피소드 종료, 제약, 환경 버전, 무작위성, 실패를 남기고 위험 평가와 정상 완료를 따로 본다. 시뮬레이션에서의 통과가 바뀐 현실 조건까지 검증한 것은 아니다.
재현에 필요한 연구 기록과 이용 가능성
방법을 따라가려면 논문 버전·자료·전처리·모델 또는 체크포인트·코드·실행 조건·평가 규칙을 함께 확인한다. 공개되지 않은 구성은 미확인으로 표시하고, 다른 연구자가 같은 방법을 재실행한 것과 다른 자료에서 성능을 확인한 것도 구별한다.
코드나 논문이 공개된 것, 모델을 실행할 수 있는 것, 사용자 제품이 제공되는 것은 별도 조건이다. 출처 링크에서 실제 공개 항목과 이용 조건을 확인한다. 구조 연구, 모델 연구, 제품과 연결된 모델을 같은 이름표로 묶기보다 연구 방법·증거·배포를 연결해 읽는다.