Google DeepMind, AlphaEvolve 1년 성과 공개… 과학·인프라·기업 적용 확대

사회·지속가능성 분야에서는 DNA 시퀀싱 오류 정정 모델 DeepConsensus의 개선으로 변이 검출 오류가 30% 줄었으며, PacBio 데이터 분석의 정확도 향상과 비용 절감으로 이어졌다. 전력망의 AC Optimal Power Flow 문제에서는 GNN 모델이 실행 가능해를 찾는 비율이 14%에서 88% 이상으로 높아졌다. Earth AI 모델 최적화에서는 20개 범주의 자연재해 위험 예측 전체 정확도가 5% 향상됐다.

연구 분야에서는 Willow 양자 프로세서에서 분자 시뮬레이션을 위해, 기존 최적화 기법보다 오차가 10배 낮은 양자 회로를 제안했다. Terence Tao 등 수학자들과의 협업으로 Erdős 문제 해결에도 기여했으며, 외판원 문제와 Ramsey 수 하한 갱신도 보고됐다. Tao는 부등식의 반례를 신속하게 시험할 수 있다는 점이 증명 발견에 도움이 된다고 말했다.

AI 인프라에서는 파일럿 단계를 마치고 핵심 도구가 된 것으로 알려졌다. 차세대 TPU 설계 최적화에 상시 사용되며, 캐시 교체 정책 발견에서는 기존에 수개월의 수작업이 필요했던 성과를 2일 만에 얻었다. Google Spanner의 LSM-tree compaction 휴리스틱 개선에서는 write amplification을 20% 줄였고, 컴파일러 최적화의 지식을 활용해 소프트웨어의 저장 공간 사용량을 약 9% 절감했다.

상업적으로는 Google Cloud와 연계해 기업 고객에게 제공하고 있다. Klarna는 대규모 Transformer의 학습 속도를 2배로 높이면서 품질도 개선했다. FM Logistic은 배송 경로를 10.4% 개선해 연간 15,000km 이상의 주행 거리를 줄였다. WPP는 수작업 최적화 대비 10% 정확도 향상을, Schrödinger는 MLFF 학습과 추론에서 약 4배 가속을 얻었다. Substrate는 계산 리소그래피의 실행 속도를 수 배로 높였다. 앞으로는 더 넓은 외부 과제로 확대할 계획이라고 밝혔다.