구글 리서치는 I/O 2026에서 선보인 연구 성과를 공식 블로그에서 총정리했다고 밝혔다. 'Gemini for Science'를 발표했으며, ERA와 Co-Scientist는 Nature에 게재됐다고 설명했다. 의료 분야에서는 Symptom AI, AMIE, MedGemma를 소개했고, 기상 분야에서는 WeatherNext와 Groundsource를 활용한 홍수 예측도 소개했다.
선정 이유: 분야별(과학, 의료, 기상, 양자 등)로 구글 리서치의 성과와 제공 현황이 정리되어 있어 I/O 2026의 연구 분야 전체 모습을 파악하기 좋다.
구글은 제로 트러스트 원칙에 따라 암호 기술을 이용한 안전한 집계와 TEE(신뢰 실행 환경)를 결합한 새로운 프라이빗 분석 체계를 도입했다고 밝혔다. 새로운 암호 프로토콜은 단말이 한 번의 메시지로 정보를 보낼 수 있어, 여러 라운드에 걸쳐 단말을 온라인 상태로 유지할 필요가 없다. TEE의 어테스테이션을 통해 참가자는 공개된 코드가 의도대로 실행되고 있는지 검증할 수 있다.
Google DeepMind는 아시아태평양 지역에서 처음으로 "AI for the Planet"을 주제로 한 액셀러레이터(액셀러레이터 프로그램)를 시작했다. 스타트업, 연구팀, 비영리단체를 대상으로 자연, 기후, 농업, 에너지 등의 과제 해결에 프론티어 AI를 활용하도록 지원한다. 기간은 3개월이며, 선정된 단체는 전문가의 멘토십과 Google의 프론티어 사이언스 계열 AI 모델 통합 지원을 받는다. 프로그램은 싱가포르에서 대면 부트캠프로 시작된다.
Google은 Gemini로 과학 계산 코드를 작성하고 최적화하는 연구 도구 ERA(Empirical Research Assistance)의 논문을 Nature에 게재했다고 밝혔다. ERA는 유전학, 공중보건, 위성 영상 분석 등의 벤치마크에서 전문가 수준의 성능을 보였다고 한다. ERA와 AlphaEvolve로 구축한 Computational Discovery도 Gemini for Science를 통해 단계적으로 제공이 시작된다.
Google DeepMind의 Co-Scientist는 노화 연구에서 세포를 젊은 상태에 가깝게 만드는 유전자 후보를 찾는 데 활용되고 있다. 수만 건의 문헌을 검토해 참신하면서도 타당한 유전자 인자를 20개 이상 제안했으며, 그중 몇 가지 가설은 실험에서 세포를 젊은 상태로 전환시키고 기능을 개선하는 것으로 확인됐다. 또한 대규모 스크리닝 결과와 문헌을 대조하는 작업은 최장 6개월이 걸리던 것이 며칠로 단축됐다고 한다.
Google DeepMind는 실험적 프로토타입 Project Genie에 Street View의 Imagery Grounding 기능을 추가했다. Maps에서 선택한 미국 내 장소를 출발점으로 삼아, 스타일과 캐릭터를 지정해 세계를 생성할 수 있다. 대상인 만 18세 이상 Google AI Ultra($200) 구독자를 대상으로 전 세계에서 순차적으로 제공을 시작했다.
Google DeepMind는 이미지·음성·동영상·텍스트를 입력해 동영상을 생성하고 대화로 편집할 수 있는 새 모델 Gemini Omni Flash를 발표했다. Gemini 앱, Google Flow, YouTube Shorts에서 제공을 시작했으며 Google AI Plus, Pro, Ultra 구독자가 이용할 수 있다. 향후 몇 주 안에 개발자와 기업을 대상으로 API를 통해서도 제공할 예정이다.
선정 이유: 동영상의 대화 편집과 참조 입력, SynthID를 통한 투명성 대응까지 제공 범위와 함께 정리되어 있어, 이용 가능 여부를 판단하기 쉽다.
Google은 에이전트형 개발 플랫폼 「Google Antigravity」의 2.0 버전을 발표했다. 원문은 확인된 범위에서 2.0의 구체적인 기능, 가격, 제공 현황에 관한 내용을 포함하지 않는다.
Google이 Gemini for Science를 발표하고 Google Labs의 실험 도구 3종과 Google Antigravity용 Science Skills를 공개했다. Hypothesis Generation, Computational Discovery, Literature Insights는 단계적으로 접근을 열며, labs.google/science에서 관심 등록을 받는다. ERA와 Co-Scientist의 연구 논문은 같은 날 Nature에 게재됐다.
선정 이유: 가설 생성, 계산 실험, 문헌 정리 등 연구 단계별로 시험 제작된 도구 3종과 Skills가 정리되어 있어 각 도구의 역할을 비교하기 쉽다.
Google은 AI 생성 콘텐츠의 출처와 편집 여부를 확인할 수 있는 투명성·검증 도구를 Search, Gemini, Chrome, Pixel, Cloud로 확대한다고 발표했다. SynthID 검증은 Gemini 앱에 이어 Search에서 제공을 시작하며, Chrome에도 수 주 안에 대응한다. Google Cloud에서는 새롭게 AI Content Detection API도 선보인다.
Google DeepMind는 싱가포르 정부와 맺은 Google 국가 AI 파트너십의 일환으로 의료, 과학 연구, 교육, 지속가능성 등 분야에서 새 프로그램을 시작한다고 밝혔다. 전국 초등학교부터 준학사 과정(junior college)까지의 교육자에게는 Gemini for Education을 제공한다. Google.org는 감염병 연구와 팬데믹 대응 활동을 지원하며, 이번 자금 출연 규모는 700만 달러다. 회사는 AI를 활용한 연구개발이 빨라지면서 2040년까지 33억 싱가포르 달러(25억 미국 달러)의 경제적 가치가 창출될 수 있다고 내다봤다.
케임브리지 대학의 Clare Bryant 교수는 Google DeepMind의 Co-Scientist를 활용해, 병원체가 동물에서 사람으로 전파될 때 패혈증 등 중증화를 일으키는 분자 스위치를 탐색하고 있다. Co-Scientist는 연구 지원안의 요약으로부터 가설을 생성해 순위를 매기며, 주고받는 과정을 거듭하면서 후보 단백질에서 실험 대상 아미노산까지 범위를 좁혀 나갔다. 보통 특정까지 2~3년의 실험이 필요하지만, 표적이 맞다면 6개월 안에 완료될 것으로 전망된다고 한다.
Calico Life Sciences는 Co-Scientist를 활용해 통합 스트레스 반응(ISR)이 대사에 의해 조절된다는 새로운 가설을 세웠다. 연구자들은 Co-Scientist와 대화하며 검증 실험의 설계를 다듬었고, 결과가 나올 때마다 새로운 정보를 입력했다. 그 결과 ISR이 건강과 질병에서 맡는 역할에 중요한 시사점을 주는 새로운 발견을 얻었으며, 연구팀은 향후 이 성과를 발표할 예정이다.
에든버러 대학의 Filippo Menolascina 씨는 Co-Scientist를 활용해 지방간염(MASH)에서 염증과 대사를 연결하는 분자적 가교 역할을 하는 NLRP3 인플라마좀을 지목하는 가설을 생성했다. 이 가설은 최근 승인된 resmetirom이 대상 환자의 일부에게만 효과를 보이는 이유를 설명하는 것으로 알려졌다. 이 가설은 이후 실험으로 검증됐으며, 표적을 좁힌 병용 요법으로 가는 길을 열 가능성이 있다.
Co-Scientist를 활용한 MIT의 Ritu Raman 씨와 Boston Children's Hospital의 Ryan Flynn 씨가 ALS를 표적으로 하는 새로운 RNA 기반 메커니즘 탐색에 나섰다. Raman 씨는 Co-Scientist로 방대하고 상충하는 문헌을 짧은 기간에 정리하고, 가설 수립과 실현 가능성, 위험 대비 수익에 따른 연구 방향의 우선순위를 매겼다. 두 사람은 서로의 방법을 결합한 연구 경로를 만들었으며, 향후 RNA 기반 약물 개발도 염두에 두고 있다.
스탠퍼드대학교의 Gary Peltz 씨 연구팀은 Co-Scientist를 활용해 간섬유증에 효과가 있는 기존 약물을 탐색했다. Co-Scientist가 제안한 3개 후보 가운데 2개는 섬유화를 억제했으며, 간세포 재생도 촉진했다. 특히 항암제 vorinostat는 Peltz 씨의 실험에서 간의 흉터 형성을 초래하는 손상 반응을 91% 억제한 것으로 나타났다.
Google DeepMind와 Google Research가 개발한 AI 기상 모델 WeatherNext는 2025년 10월 허리케인 Melissa가 카테고리 5의 강도로 자메이카에 상륙할 것을 5일 전에 예측해 NHC의 경보 발령을 뒷받침했다. 예측의 확률은 5일 전 80%, 3일 전에는 100%에 가까운 수준에 도달했다고 한다. NHC의 2025년 검증 보고서에서는 진로와 강도 양쪽에서 가장 성능이 높은 개별 모델로 평가됐다.
Google DeepMind가 Gemini 3.5 패밀리의 첫 번째 모델인 Gemini 3.5 Flash를 공개했다. Terminal-Bench 2.1에서 76.2%, GDPval-AA에서 1656 Elo, MCP Atlas에서 83.6%를 기록했으며, Gemini 3.1 Pro를 웃돈다고 밝혔다. Gemini 앱과 AI Mode, Google AI Studio, Gemini Enterprise 등에서 오늘부터 이용할 수 있으며, 3.5 Pro는 다음 달 출시될 예정이다.
선정 이유: Terminal-Bench 2.1과 MCP Atlas의 수치, 그리고 제공처가 함께 제시되어 속도와 성능의 균형을 판단하는 자료가 된다.
Google DeepMind는 Gemini를 기반으로 한 멀티에이전트형 AI 시스템 'Co-Scientist'를 Nature에 발표하고, 연구자가 가설을 생성·검증할 수 있는 실험 도구 'Hypothesis Generation'으로 제공한다고 밝혔다. 향후 수 주 내에 순차적으로 제공을 시작하며, 연구자는 labs.google/science에서 이용 등록을 할 수 있다. 간 섬유증 연구에서는 이 시스템이 제시한 재사용 후보 약물 중 하나가 실험실 시험에서 흉터 형성과 관련된 반응을 91% 억제한 것으로 보고되었다.
Google DeepMind는 Gemini를 탑재한 코딩 에이전트 AlphaEvolve 도입 1년의 성과를 정리했다. 게놈 분석, 전력망 최적화, 양자 회로, TPU 설계, Google Cloud를 통한 기업 활용 등 폭넓은 분야에서 성과가 나왔다. DeepConsensus에서는 변이 검출 오류를 30% 줄였고, AC Optimal Power Flow에서는 실행 가능해를 찾는 비율이 14%에서 88% 이상으로 높아졌다.
Google Research는 오픈소스 도구와 오픈 액세스 데이터셋을 공개하고, 전 세계 과학 커뮤니티와 협력해 연구의 재현과 발전을 지원하고 있다. 게놈 분석 도구 DeepVariant 등은 25만 명이 넘는 연구자와 개발자로 이루어진 생태계에서 활용되고 있다. 의료 분야에서는 HAI-DEF의 다운로드 건수가 480만 건을 넘었으며, OHS는 10개국 이상에 도입되어 6,500만 명이 넘는 수혜자에게 도달했다.
Google Research 과학자들이 전문가 수준의 실증 소프트웨어를 생성하는 AI 도구 「Empirical Research Assistance(ERA)」를 공중보건, 우주론, 기후 등의 분야에서 활용하고 있다고 밝혔다. 공중보건 분야에서는 인플루엔자, COVID-19, RSV의 입원 예측치를 매주 실시간으로 제출하고 있으며, 인플루엔자와 COVID-19의 공개 리더보드에서 상위 또는 그에 준하는 성적을 기록했다. 우주론 분야에서는 ERA와 Gemini Deep Thinking을 결합해 우주 끈(cosmic string)에서 방출되는 중력 에너지에 관한 일반해 6개와 점근 극한의 간결한 식을 도출했다.
Google은 촬영 후 사진의 카메라 시점을 조정하는 새로운 기법을 Google Photos의 Auto frame 기능으로 제공하기 시작했다고 밝혔다. 사진을 3D 장면으로 해석하고, 보이지 않았던 부분은 생성 AI로 채운다. 인물이 포함된 대상 사진에서는 재구도된 이미지가 Auto frame의 두 번째 후보로 선택할 수 있다.
선정 이유: 3D 추정과 생성적 보완을 분리한 2단계 구성과 Google Photos에서 사용할 수 있는 범위가 구체적으로 설명되어 있어, 사진 편집의 작동 방식을 이해하기 쉽다.
Google Research는 성공과 실패 경험 모두에서 지식을 추출해 축적하는 에이전트용 메모리 프레임워크 「ReasoningBank」를 제안했다. Gemini-2.5-Flash로 평가한 결과, 스케일링을 적용하지 않은 ReasoningBank는 메모리를 쓰지 않는 에이전트보다 WebArena에서 성공률이 8.3%, SWE-Bench-Verified에서 4.6% 높았다. 또한 SWE-Bench-Verified에서는 태스크당 실행 단계가 약 3단계 줄었다.
Google Research는 추론 우선 합성 데이터 생성 프레임워크 「Simula」를 소개했다. 데이터셋 전체를 메커니즘 설계로 다루며, 시드 데이터에 의존하지 않고 데이터를 생성한다. Gemini 2.5 Flash를 교사 모델, Gemma-3 4B를 학생 모델로 하여 5개 영역에서 평가했으며, 각 영역에서 최대 512K개의 데이터 포인트를 생성했다. 모든 영역에서 Simula는 단순한 베이스라인보다 높은 성능을 보였고, 더 적은 샘플 수로도 하위 태스크의 성능을 웃돌았다.
Google Research는 합성 뉴런 형상을 생성하는 AI 모델 「MoGen」을 개발해, 뇌의 신경 연결 지도를 만드는 AI 재구성 모델 PATHFINDER의 학습 데이터에 추가했다. 합성 데이터를 10% 섞어 학습시킨 PATHFINDER는 보류해 둔 마우스 축삭의 재구성 오류율을 4.4%p 줄였으며, 그 개선의 상당 부분은 병합 오류(merge error) 감소에 따른 것이다. 마우스 전뇌 규모에서는 수작업 교정 157인년 분량을 줄이는 효과가 있는 것으로 알려졌다. MoGen은 오픈소스 모델로 공개됐다.
Google은 생성형 AI로 여러 AI 아바타와 대화하는 환경을 만들어 미래형 역량을 평가하는 연구 실험 「Vantage」를 발표했다. 뉴욕대학교와의 공동 연구에서는 18~25세 피험자 188명이 갈등 해결과 프로젝트 관리 과제에 임했으며, AI Evaluator의 채점은 인간 전문가끼리의 일치도와 비슷한 수준이었다. 영어 버전은 Google Labs에서 사용 등록을 받고 있다.
Google Research는 LLM 기반 사용자 시뮬레이터와 실제 사용자 간의 차이(리얼리즘 격차)를 측정하기 위한 데이터셋 'ConvApparel'을 소개했다. 의류 쇼핑 분야에서 4,000건이 넘는 사람과 AI의 다턴 대화(약 15,000턴)를 수집했으며, 참가자는 'Good'과 의도적으로 비협조적으로 행동하는 'Bad'라는 두 종류의 에이전트에 무작위로 배정되었다.
Google Research가 논문용 도표를 생성하는 에이전트 'PaperVizAgent'와 논문을 자동으로 심사하는 에이전트 'ScholarPeer'를 발표했다. PaperVizAgent는 0~100점 평가에서 종합 60.2점을 기록해 GPT-Image-1.5, Nano-Banana-Pro, Paper2Any를 웃돌았다. 인간 기준치인 50.0점을 넘은 것은 이 프레임워크뿐이라고 한다. ScholarPeer는 웹 검색으로 문헌을 참조하며 비판적인 리뷰를 생성하고, 기존 자동 심사 방법과의 비교에서 높은 승률을 보였다.
Google Research는 LLM의 행동 성향(behavioral dispositions)이 사람들의 합의와 얼마나 맞아떨어지는지 평가하는 프레임워크를 공개했다. 25개 LLM을 상황판단테스트(SJT)로 평가한 결과, 사람 주석자들의 의견이 전원 일치하는 경우에는 소형 모델과 프론티어 클로즈드 웨이트 모델 모두 거의 완벽하게 정렬됐다. 반면 합의율이 90% 미만으로 떨어지자 정렬률은 80%대 중반에서 더 오르지 못했고, 합의가 없는 상황에서는 사람들의 의견 폭을 제대로 포착하지 못했다.
Google Research는 AI 평가에서 항목 수와 항목별 평가자 수 중 어느 쪽을 우선해야 하는지 검증했다. 다수결과의 일치를 살펴볼 때는 항목 수를 늘리는 편이 효과적이며, 의견의 폭을 포착하려면 평가자 수를 늘려야 한다. 기존의 1~5명이라는 기준은 불충분한 경우가 많으며, 총 약 1,000건 규모의 어노테이션이라도 적절히 배분하면 재현성이 높은 결과를 얻을 수 있다고 밝혔다.
Google은 자연어 지시로 Android XR 앱을 생성하는 워크플로 'Vibe Coding XR'을 발표했다. Gemini가 지시를 물리 동작을 고려한 인터랙티브 앱으로 변환하며, 생성은 60초 이내에 완료된다고 밝혔다. 기반은 웹 기술 기반의 XR Blocks 프레임워크이며, 데스크톱 Chrome에서는 실기기 이전에 시뮬레이터로 동작을 검증할 수 있다.
Mistral은 4B 파라미터 규모의 텍스트 음성 합성 모델 Voxtral TTS를 공개했다. 9개 언어를 지원하며, API에서는 1,000자당 $0.016에 이용할 수 있다. 사람이 평가한 결과 자연스러움에서 ElevenLabs Flash v2.5를 앞섰고, ElevenLabs v3와 같은 수준의 품질을 보인 것으로 알려졌다.
Ethan Mollick가 에이전트 시대의 AI 선택을 '모델', '앱', '하네스'의 세 가지 요소로 정리한 가이드를 공개했다. 대화형 챗봇에서 과제를 맡기면 AI가 도구를 사용해 직접 실행하는 방식으로 이용 방법이 바뀌었기 때문이다. 주요 모델은 GPT-5.2/5.3, Claude Opus 4.6, Gemini 3 Pro이며, 월 $20의 유료 플랜에서 고성능 모델을 선택할 것을 권하고 있다.
Ethan Mollick은 AI 에이전트를 잘 활용하는 핵심이 업무 위임과 관리 기술이라고 주장한다. 그 근거는 이그제큐티브 MBA 학생들이 4일 동안 Claude Code와 Google Antigravity를 사용해 실제로 작동하는 프로토타입을 갖춘 창업안을 만든 경험이다. AI에 업무를 맡길지 판단할 때는 사람이 직접 할 때의 기준 시간, 한 번의 시도로 기준을 충족할 성공 확률, 요청부터 대기와 평가까지의 AI 처리 시간이라는 세 가지 변수로 따져야 한다고 말한다.
Ethan Mollick은 AI의 능력이 고르지 않게 성장하는 한 인간의 업무를 완전히 대체하기는 어렵다고 주장한다. 병목 하나가 해소되면 전체가 한꺼번에 진전되는 사례로 Google의 Nano Banana Pro와 NotebookLM의 슬라이드 생성을 들며, 벤치마크가 아니라 병목을 보라고 권한다.
Ethan Mollick은 Google의 새 모델 Gemini 3를 시험해 벤치마크 수치 대신 실제 작업 결과로 AI의 발전을 보여줬다. Antigravity를 이용해 자신의 과거 기사로 예측 사이트를 만들게 했고, 오래된 연구 데이터로 14페이지짜리 논문도 쓰게 했다. 오류는 남아 있지만, 인간의 역할이 수정하는 쪽에서 지휘하는 쪽으로 옮겨가고 있다고 주장한다.
저자는 공개 벤치마크 점수만으로는 용도에 맞는 AI 모델을 고를 수 없다고 보고, 이용자가 직접 모델을 시험해 평가해야 한다고 주장한다. 글쓰기 과제 사례에서 Claude 4.5 Sonnet은 뛰어난 글쓰기 모델로 알려져 있는 반면, Gemini 2.5 Pro는 사용 단어 수를 정확히 관리하지 못했다고 보고했다. 또한 벤치마크에는 공개된 테스트 문항이 학습 데이터에 섞이는 문제와, 점수 차이의 의미가 보정되지 않은 문제가 있다고 지적한다.
무료 모델로 충분한 용도와 유료 모델이 필요한 용도를 나눠 정리한 가이드. Claude, Gemini, ChatGPT, Grok 등이 최첨단 모델을 담당하며, 본격적으로 이용하려면 많은 사람에게 월 20달러 요금제가 적합하다고 제시한다. ChatGPT는 기본 설정이 GPT-5 자동 선택 모드이므로, 복잡한 작업에서는 GPT-5 Thinking을 직접 고를 것을 권장한다.
Ethan Mollick은 AI가 함께 일하는 상대에서, 과정은 보이지 않은 채 고품질 결과물을 돌려주는 '마법사'로 바뀌고 있다고 주장한다. NotebookLM의 동영상 요약, GPT-5 Pro의 논문 재분석, Claude 4.1 Opus의 Excel 작성을 예로 들며, 결과를 확인하기 어렵다는 점과 전문성을 키울 기회가 사라지는 점을 과제로 제시했다. 대응책으로 구분해 쓰기, 결과물을 가려내는 안목, 잠정적 신뢰라는 세 가지를 제안한다.