Discovery Loop 구글의 전설들이 과학의 운영체제를 만들려는 이유

Ryan Choi

6 days ago

8 min read

Updated: 5 days ago

AI가 답을 만드는 시대를 넘어 새로운 발견을 반복하는 시대로

제품도, 고객도, 매출도 아직 공개되지 않았습니다. 그런데 구글의 핵심 엔지니어 네 명이 이 회사를 만들기 위해 자리를 떠났고, 구글은 이들을 막는 대신 투자자와 클라우드 파트너가 되었습니다.

이 글은 Discovery Loop가 무엇을 만들려는지, 창업자들의 과거 경험이 왜 중요한지, 그리고 투자자가 앞으로 어떤 숫자를 확인해야 하는지를 하나의 이야기로 풀어봅니다.

RyanLab기준일 2026년 8월 26일

한눈에 보는 핵심

Discovery Loop를 한 문장으로 설명하면, AI가 가설을 세우고 실험을 실행한 뒤 결과를 평가하여 다음 실험까지 스스로 설계하는 자율 연구개발 엔진입니다.

구분	현재 확인된 내용	해석
회사	2026년 8월 설립 발표된 비상장 공익법인	사업보다 창업팀과 가설이 먼저인 초기 단계
창업팀	Jeff Dean Sanjay Ghemawat Quoc Le Oriol Vinyals	분산컴퓨팅부터 AI 모델까지 전체 기술 스택 경험
첫 분야	머신러닝 연구 자동화	디지털 실험이라 반복과 평가가 빠름
현재 증거	공개 제품 고객 매출 벤치마크 없음	기술과 사업의 검증은 아직 시작 전
장기 목표	반도체 소재 신약 에너지 등으로 확장	성공하면 연구개발 운영체제가 될 수 있음

저는 이 회사를 볼 때 화려한 창업자 명단만 보지 않습니다. 핵심 질문은 하나입니다. 수천 번의 실패를 기록하고 연결해, 한 번의 의미 있는 발견을 더 빠르고 더 낮은 비용으로 만들어낼 수 있는가. 앞으로의 기업가치는 결국 이 질문에 대한 숫자로 결정될 것입니다.

27년 만에 구글을 떠난 사람들

2026년 8월 5일, 구글은 중요한 인사 변화를 알렸습니다. 수석과학자 Jeff Dean과 시니어 펠로우 Sanjay Ghemawat이 약 27년 만에 회사를 떠난다는 소식이었습니다. 여기에 Google Brain 창립 멤버 Quoc Le와 DeepMind 연구 부사장이자 Gemini 기술 리더였던 Oriol Vinyals도 합류했습니다.

이 네 사람이 세운 회사가 Discovery Loop입니다. 아직 보여줄 제품은 없지만, 이들의 이동 자체가 시장의 관심을 끌었습니다. Jeff Dean과 Sanjay Ghemawat은 구글에서 밀려난 인물이 아니었습니다. 검색과 광고, 분산컴퓨팅, Google Brain, TensorFlow, TPU, Gemini에 이르는 여러 전환점에 깊이 관여했고, 구글 안에서 가장 높은 수준의 기술적 영향력을 행사할 수 있었습니다.

순다르 피차이가 이들을 설득한 것으로 알려졌지만 선택은 바뀌지 않았습니다. 그렇다고 관계가 끊어진 것도 아닙니다. Alphabet은 창립 투자자가 되었고 Google Cloud는 컴퓨팅 파트너가 되었습니다. 구글은 인재를 잃었지만, 이들이 만들 미래와의 연결은 남겨둔 셈입니다.

왜 작은 회사를 선택했을까

Jeff Dean의 설명에서 실마리를 찾을 수 있습니다. 대기업에는 세계 최고 수준의 자원과 인재가 있지만, 급진적인 실험을 시작하려면 조직의 관성과 여러 이해관계를 넘어야 합니다. 반면 오늘날의 작은 팀은 클라우드 인프라를 빌리고 자본을 확보해, 과거에는 대기업만 가능했던 규모의 실험을 시도할 수 있습니다.

Discovery Loop가 선택한 것은 더 많은 컴퓨터가 아니라 더 빠른 집중입니다. 한 가지 문제를 정하고, 짧은 주기로 실험하고, 그 결과를 회사 안에 축적하는 구조입니다. 가장 안전한 자리를 가진 네 사람이 이 구조를 위해 움직였다는 사실은 적어도 그들이 어떤 기회를 보고 있는지 살펴볼 이유가 됩니다.

한 비트의 오류가 만든 구글의 철학

Discovery Loop의 미래를 이해하려면 2000년의 구글로 돌아가야 합니다. 당시 구글의 웹 인덱스는 제때 갱신되지 않았고, 이용자들은 몇 달 전 검색 결과를 보고 있었습니다. Yahoo와의 중요한 약속까지 걸려 있어 단순한 기술 문제가 아니라 회사의 생존 문제에 가까웠습니다.

엔지니어들은 며칠 동안 코드를 살폈지만 원인을 찾지 못했습니다. 그때 Jeff Dean과 Sanjay Ghemawat은 코드의 논리에서 시선을 돌려 데이터가 메모리에 실제로 어떻게 저장됐는지를 확인했습니다. 0과 1의 수준까지 내려가 살펴본 끝에, 메모리 칩의 물리적 오류로 비트 하나가 뒤집힌 흔적을 찾아냈습니다.

컴퓨터 한 대에서 이런 오류는 드문 일입니다. 하지만 수천 대를 연결하면 드문 고장이 매일의 일상이 됩니다. 두 사람은 고장 나지 않는 완벽한 컴퓨터를 만들려 하지 않았습니다. 일부 장비는 반드시 실패한다는 전제 아래, 한 대가 멈춰도 전체 시스템이 계속 움직이도록 소프트웨어를 다시 설계했습니다.

이 철학에서 Google File System과 MapReduce 같은 시스템이 나왔습니다. MapReduce는 큰 작업을 작은 단위로 나누어 여러 컴퓨터가 동시에 처리하고, 결과를 다시 합치는 방식입니다. 개별 컴퓨터는 불완전해도 전체 시스템은 더 빠르고 안정적으로 움직였습니다.

기계의 실패에서 가설의 실패로

여기서 Discovery Loop와의 연결이 보입니다. 과학 실험도 대부분 실패합니다. 가설은 틀리고, 모델은 예상한 결과를 내지 못하며, 수많은 아이디어가 별다른 성과 없이 끝납니다. 보통 이 실패는 연구자의 노트나 조직 안에 흩어져 다음 프로젝트에 충분히 활용되지 못합니다.

하지만 모든 실패가 자동으로 기록되고, 왜 실패했는지 평가되며, 다음 실험의 설계에 반영된다면 이야기가 달라집니다. 과거 두 사람은 기계의 실패를 컴퓨팅 규모를 키우는 재료로 바꿨습니다. 이번에는 가설의 실패를 발견의 속도로 바꾸려는 것입니다.

예를 들어 신형 배터리 소재를 찾는다고 생각해 보겠습니다. 사람은 수십 개의 조합을 순서대로 시험할 수 있지만, 자동화 시스템은 수백 개의 조합을 병렬로 시뮬레이션하고 결과를 비교할 수 있습니다. 실패한 990개의 조합도 버려지는 것이 아니라, 다음 1,000개 후보를 더 잘 고르는 데이터가 됩니다. Discovery Loop의 꿈은 바로 이 반복을 하나의 시스템으로 만드는 것입니다.

창업자 네 명이 만드는 조합

창업자	대표 경험	Discovery Loop에서의 의미
Jeff Dean	Google Brain TensorFlow TPU Gemini 대규모 시스템	연구 아이디어를 범용 인프라와 제품으로 확장
Sanjay Ghemawat	Google File System MapReduce Bigtable Spanner	병렬 실험을 안정적으로 실행할 기반 설계
Quoc Le	대규모 신경망 AutoML 신경망 구조 탐색	AI가 더 나은 AI 구조를 찾는 실험 자동화
Oriol Vinyals	Sequence to Sequence AlphaStar 강화학습 Gemini	결과를 보고 다음 행동을 선택하는 연구 에이전트

이 팀의 강점은 유명한 이름의 합계가 아닙니다. 하드웨어와 데이터센터, 분산 소프트웨어, AI 모델, 실제 제품까지 이어지는 전 과정을 경험했다는 데 있습니다. 네 사람은 10년에서 30년 가까이 함께 일해 왔기 때문에, 초기 스타트업에서 자주 발생하는 공동창업자 간 신뢰 문제도 상대적으로 낮아 보입니다.

다만 좋은 연구팀이 곧 좋은 사업팀을 뜻하지는 않습니다. 제품을 만들고 가격을 정하며, 고객의 민감한 데이터를 보호하고, 영업과 지원 조직을 키우는 일은 또 다른 능력입니다. 창업자의 과거가 성공 확률을 높일 수는 있어도 미래의 결과를 대신 증명하지는 못합니다.

Discovery Loop는 어떻게 움직이는가

Discovery Loop가 말하는 자동화된 실험 루프는 여섯 단계로 이해할 수 있습니다.

단계	시스템이 하는 일	간단한 예시
1	문제와 성공 기준을 정한다	정확도 2퍼센트 개선과 학습비용 10퍼센트 절감
2	AI가 가설과 실험 후보를 만든다	모델 구조 데이터 비율 최적화 방법 제안
3	코드 시뮬레이션 작업 절차를 구현한다	실험용 코드와 설정 파일 자동 생성
4	수백 개에서 수천 개를 병렬 실행한다	여러 GPU와 TPU에서 동시에 학습
5	결과와 실패 원인을 평가한다	정확도 속도 비용 재현성 비교
6	기억을 바탕으로 다음 실험을 설계한다	가능성이 낮은 조합은 줄이고 새 후보 생성

논문을 읽고 아이디어를 추천하는 AI와는 차이가 있습니다. 아이디어가 실제 실험으로 이어지고, 결과가 평가되며, 그 결과가 다음 행동을 바꿔야 루프가 닫힙니다. Discovery Loop가 만들려는 것은 가설 생성부터 실행과 평가, 재설계까지 이어지는 전 과정입니다.

왜 첫 번째 분야가 머신러닝인가

머신러닝은 이 시스템을 시험하기에 유리합니다. 실험이 디지털 환경에서 진행되고, 정확도와 속도, 비용 같은 결과를 숫자로 측정할 수 있습니다. 코드가 준비되면 수많은 실험을 동시에 실행할 수 있고, 화학물질 배송이나 세포 성장처럼 현실 세계의 시간을 기다릴 필요도 없습니다.

예를 들어 새로운 이미지 모델을 만든다고 해보겠습니다. 사람이 모델 크기와 학습률, 데이터 구성을 하나씩 바꾸면 며칠 또는 몇 주가 걸릴 수 있습니다. 자동화된 루프는 여러 조합을 동시에 시험하고, 정확도는 높지만 전력 소비가 과도한 조합을 걸러낸 뒤, 다음 라운드에서 유망한 영역을 더 세밀하게 탐색할 수 있습니다.

회사는 자기 자신을 첫 고객으로 삼겠다고 밝혔습니다. 시스템이 더 좋은 AI 모델이나 학습 방법을 찾으면 그 모델이 다시 더 좋은 실험을 설계할 수 있습니다. 잘 작동할 경우 회사의 제품이 회사의 연구개발 속도를 높이는 순환 구조가 만들어집니다.

그러나 이것을 통제되지 않는 무한 자기개선으로 받아들여서는 안 됩니다. 평가 기준이 틀리면 잘못된 목표를 더 빠르게 최적화할 수 있고, 데이터 품질과 컴퓨팅 비용, 인간 연구자의 검증이 실제 개선 속도를 제한합니다.

머신러닝에서 현실의 과학으로

Discovery Loop는 장기적으로 반도체 설계, 소재, 생물학, 신약, 에너지 같은 분야로 확장하려 합니다. 목표를 숫자로 정하고 실험을 자동 실행할 수 있다면 기본 구조는 적용할 수 있습니다. 반도체에서는 성능과 전력, 칩 면적을 평가할 수 있고, 소재에서는 강도와 전도성, 열 저항을 측정할 수 있습니다. 신약에서는 단백질 결합력과 독성 같은 지표를 사용할 수 있습니다.

하지만 디지털 실험과 현실 실험 사이에는 큰 간격이 있습니다. 신약 연구에는 로봇과 실험 장비, 샘플 준비, 온도와 습도 관리, 오염 방지, 안전 규정이 필요합니다. 결과를 얻는 데 며칠이나 몇 달이 걸릴 수도 있고, 같은 실험을 반복해도 결과가 달라질 수 있습니다.

그래서 성공한 Discovery Loop의 모습은 모든 분야를 혼자 연구하는 한 명의 범용 AI 과학자보다는 연구개발 운영체제에 가까울 것입니다. 공통 실험 루프 위에 각 분야의 전문 데이터, 평가 시스템, 장비와 로봇 인터페이스를 연결하는 구조입니다.

이 회사는 어떻게 돈을 벌 수 있을까

현재 제품과 가격, 고객, 매출은 공개되지 않았습니다. 아래 내용은 확정된 사업모델이 아니라 가능한 시나리오입니다.

수익모델	작동 방식	장점과 과제
기업용 연구 플랫폼	컴퓨팅 사용량 실험 횟수 사용자 수 또는 연간 계약으로 과금	반복 매출이 가능하지만 플랫폼 표준화가 필요
공동 연구개발	기업의 특정 문제를 함께 풀고 계약금 연구비 성과 보상을 수령	초기에는 현실적이나 프로젝트 매출 변동성이 큼
지식재산 라이선스	신약 후보 소재 반도체 설계 등을 특허화하고 로열티 수령	성공 가치가 크지만 연구 기간과 실패 위험도 큼
자체 발견과 분사	발견한 기술로 별도 회사를 세우거나 지분을 보유	상방이 가장 크지만 자본과 시간이 많이 필요

장기 기업가치를 가르는 질문은 단발성 연구용역에 머무는가, 반복 가능한 플랫폼 사용료와 ARR을 만드는가입니다. 프로젝트마다 사람이 깊이 개입해야 한다면 매출은 늘어도 소프트웨어 회사 같은 확장성을 얻기 어렵습니다. 반대로 같은 핵심 엔진을 여러 산업이 반복해서 사용한다면 높은 마진과 데이터 축적 효과를 기대할 수 있습니다.

높은 기대에는 높은 증명이 필요하다

초기 투자에는 Radical Ventures와 Khosla Ventures가 주도적으로 참여했고, Alphabet, Lightspeed, Kleiner Perkins, Doerr Capital 등이 참여한 것으로 알려졌습니다. 초기 투자금과 공식 기업가치는 공개되지 않았습니다.

보도에서는 약 $1B를 조달하면서 약 $10B의 기업가치를 논의했다는 이야기가 나왔지만, 2026년 8월 26일 기준 확정된 계약은 아닙니다. 만약 이 조건이 현실화된다면 시장은 현재의 매출이 아니라 창업팀과 미래의 선택권에 큰 가격을 붙이는 셈입니다.

강력한 팀은 성공 가능성을 높일 수 있지만, 높은 진입 가격은 투자자의 기대수익률을 낮출 수 있습니다. 기술적으로 성공한 회사와 좋은 가격에 산 투자는 같은 말이 아닙니다.

투자자가 먼저 봐야 할 리스크

· 새로운 가설의 품질 기존 지식을 조합하는 능력과 과학적으로 새로운 가설을 만드는 능력은 다릅니다.

· 평가 기준 목표를 잘못 정하면 AI는 의미 있는 발견보다 점수만 높은 결과를 만들 수 있습니다.

· 컴퓨팅 비용 수천 개의 병렬 실험이 가치 있는 결과로 이어지지 않으면 실패를 더 빠르고 비싸게 만들 뿐입니다.

· 현실 세계의 병목 물리 실험에는 로봇 실험실 샘플 시간 규제와 재현성 검증이 필요합니다.

· 데이터와 지식재산 제약과 반도체 기업이 핵심 영업비밀을 외부 플랫폼에 맡길 수 있어야 합니다.

· 사업 실행력 뛰어난 연구자가 가격 영업 고객지원 조직까지 잘 만든다는 보장은 없습니다.

· Public Benefit Corporation 구조 사회적 이익을 위해 재무적 이익을 최우선으로 두지 않는 결정을 할 수 있습니다.

이 가운데 가장 중요한 지표는 실험 횟수가 아닙니다. 한 번의 의미 있는 발견을 만들기 위해 들어간 시간과 비용입니다. 이 숫자가 사람 연구팀보다 꾸준히 낮아져야 자동화의 경제성이 증명됩니다.

IonQ 투자자에게 어떤 의미가 있을까

현재 Discovery Loop와 IonQ 사이에 공개된 투자, 고객 관계, 파트너십 또는 기술 계약은 없습니다. 초기 컴퓨팅 자원도 GPU와 TPU, Google Cloud가 중심일 가능성이 높습니다. 따라서 Discovery Loop의 등장을 IonQ의 직접적인 매출 촉매로 연결할 근거는 아직 없습니다.

장기적으로는 접점이 생길 수 있습니다. 양자컴퓨터를 활용한 화학과 소재 시뮬레이션, 양자 하드웨어용 신소재 탐색, 큐비트 제어와 오류 완화 실험 자동화, 양자 알고리즘 탐색, AI와 고성능컴퓨팅 및 양자컴퓨팅을 결합한 하이브리드 연구가 가능한 영역입니다.

다만 지금은 기술 시나리오일 뿐입니다. IonQ 투자자에게 Discovery Loop가 주는 가장 현실적인 의미는 특정 계약 기대가 아니라, AI가 과학과 엔지니어링의 연구 속도를 높이려는 산업 변화가 시작되고 있다는 점입니다. 장차 양자컴퓨터가 과학 시뮬레이션에서 실용적 우위를 보인다면, 이런 자동화 연구 플랫폼이 양자 자원을 호출하는 고객이 될 수 있습니다.

앞으로 확인해야 할 아홉 가지 신호

신호	확인할 질문
공개 제품	실제로 사용할 수 있는 플랫폼이나 API가 나오는가
벤치마크	사람 연구팀보다 시간 비용 성공률 결과 품질이 개선되는가
자체 개선	새로운 모델 구조나 학습 방법을 실제로 발견하는가
유료 고객	파트너 이름이 아니라 비용을 지불하는 고객이 등장하는가
반복 매출	가격 장기계약 플랫폼 사용료 ARR이 공개되는가
물리 실험	로봇 실험실 제약 소재 반도체 기업과 연결되는가
검증 결과	논문 특허 신약 후보 신소재 설계가 공개되는가
경제성	의미 있는 발견 한 건당 시간과 비용이 줄어드는가
자금과 상장	투자 조건이 확정되고 장기적으로 IPO 준비 신호가 나오는가

이 가운데 하나라도 구체적인 숫자와 재현 가능한 결과로 공개되면, Discovery Loop는 창업자의 명성에 의존하는 단계에서 기술 검증 단계로 이동합니다. 반대로 발표가 비전과 파트너 이름에만 머문다면 기대와 증거의 간격은 계속 커질 수 있습니다.

마무리 수천 개의 실패를 하나의 발견으로

27년 전 Jeff Dean과 Sanjay Ghemawat은 수천 대의 불완전한 컴퓨터를 하나의 거대한 시스템처럼 움직이게 만들었습니다. 그 위에서 구글의 검색과 클라우드, 빅데이터와 현대 AI가 성장했습니다.

이제 두 사람은 수천 개의 불완전한 실험을 하나의 거대한 연구 시스템으로 묶으려 합니다. 성공한다면 Discovery Loop는 단순한 AI 소프트웨어 회사를 넘어 제약과 반도체, 소재, 에너지 산업이 새로운 지식을 만드는 기반이 될 수 있습니다. 실패한다면 뛰어난 인재와 막대한 컴퓨팅 자원만으로 과학적 발견의 전 과정을 자동화하기는 어렵다는 사례가 될 것입니다.

현재 단계에서 저는 창업자의 명성이나 추정 기업가치보다 한 가지를 보려고 합니다. 더 좋은 발견을 더 빠르고 더 낮은 비용으로 반복해서 만들어내는가. Discovery Loop의 거대한 꿈이 사업이 되는 순간은 멋진 설명이 아니라 그 숫자가 처음 공개될 때입니다.