구글 Borg가 AI가 진화시킨 코드를 실행한다. 1년이 지난 지금, 0.7%는 유효하다.

AlphaEvolve, 실제 성과가 있나요?

있습니다 — 다만 직접 호출할 수 있는 제품이 아닌, 구글 내부 역량으로서의 성과입니다. AlphaEvolve는 Gemini 기반의 진화형 코딩 에이전트로, 텍스트 답변이 아닌 실행 가능한 코드를 개선하는 데 특화되어 있습니다. DeepMind의 2026년 5월 1주년 임팩트 보고서는 이를 파일럿 시연에서 반복 가능한 핵심 인프라로의 전환으로 정의합니다 . 2026년의 뉴스는 새로운 모델이나 아키텍처가 아니라, 검증된 배포의 범위와 지속성에 관한 것입니다.

이 시스템은 2025년 5월 14일에 발표되었으며, 개념적 설계는 당시와 동일합니다 . 두 모델과 두 개의 제어 루프를 조합합니다:

• Gemini Flash — 다양한 후보 아이디어를 폭넓게 탐색합니다.
• Gemini Pro — 유망한 후보를 더 깊이 정제합니다.
• 자동화된 평가기 — 각 후보 프로그램을 검증하고 점수를 매깁니다.
• 진화형 프로그램 데이터베이스 — 최우수 후보를 선별하고 세대를 거쳐 변이시킵니다.

이 평가기가 곧 핵심 제약이기도 합니다. AlphaEvolve는 성공 여부를 기계가 자동으로 점수화할 수 있는 환경, 즉 명확한 프로그래밍적 적합도 함수를 갖춘 알고리즘·최적화 문제에서만 작동합니다. '이 기능이 좋은가?'를 자동으로 채점할 방법이 없기 때문에, 개방형 제품 코드는 작성하지 못합니다. 정확성과 품질을 수치로 표현할 수 없다면, 진화 루프가 올라갈 기준 자체가 없습니다.

출시 당시 구글의 주장만이 아니라 독립적으로 검증된 프로덕션 사례가 두 가지 있습니다: Borg 클러스터 스케줄러 휴리스틱과 행렬 곱셈 커널 최적화로, 두 사례 모두 2025년 5월 VentureBeat과 The Register가 보도했습니다 . 2026년 보고서는 해당 배포의 기간과 적용 범위를 확장한 것으로, 핵심 메커니즘을 재작성한 것은 아닙니다.

Borg 스케줄러: 1년 넘게 구글 연산 자원의 0.7% 회수

Borg는 구글의 클러스터 매니저로, AlphaEvolve가 가장 오래 지속된 프로덕션 성과를 거둔 곳입니다. 이 시스템은 이미 프로덕션에서 실행 중인 스케줄러에서 CPU/메모리 빈 패킹 휴리스틱을 가져와 진화시키고, Borg가 머신에 작업을 배치하는 방식을 개선했습니다. 성과는 새로운 기능이 아닌 용량입니다: 1년 이상의 라이브 운영 동안, 진화된 휴리스틱은 그렇지 않으면 유휴 상태로 남을 구글 전 세계 컴퓨팅 자원을 평균 0.7% 지속적으로 회수해 왔습니다 .

한눈에 보기: AlphaEvolve는 구글의 클러스터 스케줄러 Borg 내부의 빈 패킹 휴리스틱을 재작성했습니다. 전 플릿에 배포된 이후 2026년 5월 기준으로 1년 이상 가동 중이며, 그렇지 않으면 유휴 상태로 남을 구글 전 세계 컴퓨팅 자원의 약 0.7%를 회수합니다 .

시뮬레이터 성과만으로는 미심쩍다는 시각이라면, 이 배포 경로가 중요합니다. DeepMind에 따르면, 후보 휴리스틱은 데이터센터 시뮬레이터에서 과거 플릿 스냅샷을 대상으로 테스트되고, 미공개 워크로드에서 평가된 후 비로소 전 플릿에 배포되었습니다 . 재현 → 일반화 검증 → 프로덕션, 이 순서가 벤치마크 수치와 실운영 수치를 가르는 기준입니다.

0.7%가 반올림 오차가 아닌 이유는 규모에 있습니다. Borg는 수만 대의 머신으로 구성된 클러스터에서 수천 개의 애플리케이션이 제출한 수십만 개의 동시 작업을 스케줄링합니다 . 그 규모에서 1% 미만의 효율 개선은 절대 용량 측면에서 큰 수치로 누적되지만, 구글은 메가와트·서버 수·비용 절감액 등 구체적인 수치를 공개하지 않았습니다.

이는 보고서에서 외부적으로 가장 강력하게 검증된 주장이기도 합니다. 최초 Borg 수치는 출시 당시 구글뿐 아니라 독립 매체들에 의해 보도되었습니다.

2025년 5월 출시 보도에서는 AlphaEvolve가 Borg 휴리스틱을 통해 구글 컴퓨팅 용량의 약 0.7%를 회수한다고 설명했습니다 — VentureBeat과 The Register 모두 당시 이 수치를 보도했습니다 (source: VentureBeat, The Register, May 2025).

2026년 업데이트는 이 수치를 상향도 하향도 수정하지 않습니다. 추가된 것은 지속 기간입니다: 동일한 휴리스틱이 1년 이상 안정적으로 유지되어 왔으며, 이것이야말로 꾸며내기 더 어려운 부분입니다.

행렬 연산 23% 가속 — 수개월 걸리던 작업이 며칠로

Borg 결과는 AlphaEvolve가 프로덕션 환경에서도 살아남는다는 것을 증명하고, 커널 작업은 자신을 실행하는 모델에게 실질적인 이득을 돌려준다는 것을 보여준다. AlphaEvolve는 Gemini 학습에 사용되는 Pallas 행렬 곱셈 커널의 타일링 휴리스틱을 최적화해, 기존 전문가 설계 휴리스틱 대비 평균 23% 속도 향상과 Gemini 전체 학습 시간 약 1% 단축을 달성했다 . 이제 Gemini는 자신의 학습을 스스로 개선하는 데 기여한다.

여기서 정확성은 통계적이 아닌 구조적으로 보장된다. 후보 커널은 실제 TPU에서 실행됐으며, AlphaEvolve는 타일 선택 방식 — 즉 행렬 곱셈을 메모리에 어떻게 분할할지 — 만 바꿨을 뿐, 기저 연산 자체는 건드리지 않았다. 덕분에 수치 출력은 동일하게 유지되면서 스케줄만 빨라졌고, 이것이 벤치마크에 그치지 않고 실제 배포로 이어질 수 있었던 이유다 .

실무자 입장에서는 수치보다 공수 절감이 더 중요할 수 있다. 기존에 전문 엔지니어링으로 수개월이 걸리던 튜닝 작업이 자동화된 실험 며칠 만에 완료됐다 . 커널 23% 향상도 의미 있지만, 인간의 수개월치 작업을 자동화된 몇 번의 실행으로 압축하는 것이 진정한 구조적 변화다.

Google은 내부 독점 워크로드에서 달성한 관련 성과들을 보고했으며, 외부 재현은 이루어지지 않았다:

FlashAttention 수치는 32.5%(백서에는 32%)로 보고됐으며, CUDA를 직접 작성하는 대신 컴파일러의 중간 표현을 최적화하는 방식으로 전처리/후처리에서 관련 15% 속도 향상도 달성했다 . 독립적인 2025년 보도가 기존 인프라 및 커널 주장을 뒷받침했지만 (source: VentureBeat), Spanner·스토리지·캐시 수치는 전적으로 내부 측정에 근거한다.

이 수치들은 이식 가능한 보증이 아닌 Google 내부 벤치마크로 받아들여야 한다. 공통 전제 조건은 Borg의 경우와 같다. 각 대상에는 명확하고 자동화된 평가 지표 — 지연 시간, 쓰기 증폭, 디스크 사용 바이트 — 가 존재해, AlphaEvolve가 인간 개입 없이 코드를 변형하고 적합도를 측정할 수 있다.

슈트라센 56년 기록, 에르되시 문제, 전력망 실현 가능성

AlphaEvolve의 결과 중 독립적으로 검증하기 가장 쉬운 것은 순수 수학 분야다. 발견된 구성법은 작동하거나 그렇지 않거나, 둘 중 하나이기 때문이다. 핵심 사례: 4×4 복소 행렬 두 개를 48번의 스칼라 곱셈으로 곱하는 방법을 찾아냈으며, DeepMind는 이를 슈트라센의 1969년 알고리즘 이후 56년 만에 해당 설정에서 이루어진 첫 번째 개선이라고 설명한다 . 인프라 수치와 달리, 이 곱셈 방식은 누구나 종이 위에서 직접 검증할 수 있다.

수학 문제 전반에 걸쳐 결과는 일관성을 보인다. 50개 이상의 미해결 문제를 테스트한 결과, AlphaEvolve는 약 75%에서 최고 기록과 동등한 구성법을 찾았고, 약 20%에서는 이를 개선했다 . 보고된 성과에는 새로운 램지 수 기록, 외판원 문제 하한의 개선, 수학자 테런스 타오와의 협업을 통한 에르되시 문제 진전이 포함된다 .

응용 과학 분야의 주장은 영향 규모가 더 크지만, DeepMind와 파트너사 자체 벤치마킹에 근거한다:

• AC 최적 전력 흐름(OPF): 그래프 신경망의 실현 가능한 해 도출 비율이 14%에서 88% 이상으로 상승 .
• 유전체학 (DeepConsensus, PacBio 협력): DNA 시퀀싱의 변이 검출 오류 30% 감소 .
• Willow 양자 프로세서: 기존 최적화 기준선 대비 오류율이 약 10배 낮은 회로 제안 .

두 범주는 다르게 다뤄야 한다. 수학 결과는 직접 재현할 수 있는 영역이다 — 구성법이 공개되어 검증 가능하며, 에르되시·램지 관련 연구는 더 넓은 수학 커뮤니티의 검토에 열려 있다. 반면 유전체학·전력망·양자 수치는 신뢰할 만하지만 독점적이다. 외부 기관이 아직 재현하지 못한 내부 데이터셋과 평가 지표에 의존한다. Borg와 커널의 경우처럼, 여기서도 모든 성과에는 하나의 공통 전제 조건이 있다 — 시스템이 인간의 판단 없이 변형하고 측정할 수 있게 해주는, 명확하고 자동화된 점수 체계.

2026년 논문이 더한 것: 컴파일러 크기와 FHE 부트스트래핑

2026년 세 편의 논문은 AlphaEvolve를 인프라를 넘어 컴파일러, 암호학, 게임 이론 분야로 확장한다 — 그리고 모두 자동 점수라는 동일한 전제 조건을 충족한다. 재현 가능한 결과물 중 가장 탄탄한 것은 Magellan과 완전 동형 암호화(FHE) 연구에서 나왔으며, 멀티 에이전트 연구는 좀 더 탐색적 성격을 띤다. Borg처럼 반복적인 프로덕션 배포 사례는 없지만, 모두 실제 워크로드를 대상으로 엄격한 정확성 검사를 통과했다.

Magellan(2026년 1월 28일 제출, C4ML@CGO'26 채택)은 AlphaEvolve를 활용해 LLVM과 XLA에 배포 가능한 C++ 휴리스틱을 합성한다 . 약 1.5일 만에 LLVM 인라이닝(크기 최적화) 대상 바이너리 크기를 4.27%–5.23% 줄였고, 10개 이상의 프로덕션 바이너리에서 평균 8.79% 감소를 달성했으며, PGO·ThinLTO·-O3 적용 clang 매크로 벤치마크에서 LLVM 수동 조정 인라이너 대비 0.61% 우위를 보고했다 .

FHE 논문(2026년 5월 14일)은 Google Cloud TPUv5e 칩 100개(컨트롤러 10개, 평가자 10개)에서 실제 하드웨어 피드백과 128비트 이상 보안 검사를 수행했다 . 24시간 이내에 TFHE 부트스트래핑을 10ms에서 4ms로(2.5×), 블라인드 로테이션을 9.4ms에서 3.5ms로(2.85×) 단축했으며, CKKS에서도 소폭의 성능 향상을 기록했다. 해당 변경 사항은 Google의 Jaxite 풀 리퀘스트와 연결되었다 .

멀티 에이전트 논문(2026년 2월 18일, Gemini 2.5 Pro + OpenSpiel)은 WOP-CFR과 VAD-CFR을 발견했으며, WOP-CFR은 테스트된 18개 게임 전체에서 상위 3위 안에 들었다 . 저자들은 한계에 대해 이례적으로 솔직하다:

"공식적인 수렴 보장 없음, 표형(tabular) 기준선만 사용, 인간 참여 증류 방식" — 저자 일동, AlphaEvolve 멀티 에이전트 학습 논문 (source: arXiv, 2026-02).

종합하면, 이는 실제 워크로드에서 나온 강력한 근거이며, DeepMind의 1주년 성과 업데이트에 정리되고 독립적인 미디어 보도에서도 추적되고 있다. 그러나 '논문에서 실행됨'은 '플릿을 운영함'과 다르다 — 그 선을 넘은 것은 오직 Borg뿐이다.

일반 공개 없음: AlphaEvolve는 아직 클라우드 제품이 아닙니다

AlphaEvolve는 직접 호출할 수 있는 서비스가 아니다. 2026년 중반 현재 Google 내부 기능으로 남아 있으며, 엄선된 기업 파트너십 목록만 존재한다 — GA 일정도, 가격도, 셀프서비스 엔드포인트도 없다 . 공개 저장소 google-deepmind/alphaevolve_results는 수학적 발견에 대한 검증 코드만 제공하며, README에 공식 Google 제품이 아님을 명시하고 있다 .

빠른 답변: 아니오. 2026년 6월 현재, AlphaEvolve에는 GA 일정도, 가격도, 공개 API도 없습니다. Google 내부 기능에 소수의 엄선된 기업 파트너만 존재하며, 공개된 코드는 공식 Google 제품이 아님을 명시한 수학적 검증 코드뿐입니다.

2025년 5월 최초 발표에서는 선별된 학계 연구자를 대상으로 한 얼리 액세스 프로그램 계획이 언급되었으며, Google Cloud는 Cloud 고객에게 AlphaEvolve를 제공할 의향을 밝혔다 — 하지만 제품 페이지, 출시 일정, 가격 체계는 아직 존재하지 않는다 .

현재 개발자가 확인할 수 있는 것은 파트너 자체 보고 성과이지, 외부 감사 결과가 아니다. DeepMind의 1주년 업데이트는 Klarna의 트랜스포머 학습 속도 2배 향상, FM Logistic의 10.4% 라우팅 개선, WPP의 약 10% 정확도 향상, Schrödinger의 약 4배 포스 필드 가속, Substrate의 수십 배 리소그래피 성능 향상을 인용한다 . 모든 수치는 파트너 또는 DeepMind의 자체 보고에 의존한다 — 유용한 신호이지만 독립적 검증은 아니다.

향후 몇 분기 동안 주목할 사항:

• Google I/O와 Google Cloud Next에서의 Cloud TPU 및 Vertex AI 발표 — 실질적인 액세스 단계가 공개될 가능성이 가장 높은 자리.
• 학술 얼리 액세스 그룹의 확대 — 당초 설명된 선별 연구자 범위를 넘어서는지 여부.
• Magellan과 FHE 코드베이스의 공개 여부 — 외부 팀이 컴파일러 크기 및 부트스트래핑 수치를 재현할 수 있게 해줄 것이다 .

1년이 지난 지금의 결론: AlphaEvolve는 Google 내부에서 인프라 분야의 실력을 입증했으며, Borg에서의 0.7% 컴퓨팅 회수율은 여전히 유효하다 . 하지만 Google 외부의 누구에게나, 이것은 여전히 연구 결과와 로드맵 힌트일 뿐이다 — 직접 빌드할 수 있는 도구가 아니다. Cloud 제품 페이지가 나타나기 전까지는 외부의 모든 주장을 공급업체 자체 보고로 간주하고, 다음 I/O 기조연설을 주목하라.

자주 묻는 질문

AlphaEvolve를 외부 개발자나 클라우드 API로 사용할 수 있나요?

아직은 아닙니다. 2026년 중반 기준으로 일반 출시 일정, 가격, 접근 등급이 공개되지 않았습니다. 공개된 google-deepmind/alphaevolve_results 저장소에는 수학적 발견에 대한 검증 코드만 포함되어 있을 뿐 시스템 실행 코드는 없으며, 공식 Google 제품이 아님을 명시하고 있습니다 . 2025년 발표에서는 선발된 학자들을 위한 얼리 액세스 프로그램 계획을 언급했고, Google Cloud는 AlphaEvolve를 클라우드 고객에게 제공할 의향을 밝혔지만, 아직 제품이 출시되지 않았습니다 .

Google 전 세계 컴퓨팅의 0.7%, 실제로는 얼마나 큰 규모인가요?

Google은 메가와트, 서버 수, 비용 절감액을 공개하지 않았습니다. 알려진 것은 시스템의 규모입니다. Borg는 수만 대의 머신으로 구성된 클러스터에서 수천 개의 애플리케이션에 걸쳐 수십만 개의 작업을 실행합니다 . 이 규모에서 평균 0.7%의 유휴 컴퓨팅 자원을 1년 이상 지속적으로 회수하는 것은 절대적 수치 없이도 결코 무시할 수 없는 용량입니다 .

AlphaEvolve는 어떤 코드베이스에나 적용되나요, 아니면 특정 문제 유형에만 가능한가요?

성공 여부를 자동으로 기계 채점할 수 있는 경우에만 가능합니다. 적용 가능성 제약은 출시 당시와 동일합니다. AlphaEvolve는 명확한 자동 평가기를 갖춘 알고리즘 및 최적화 문제, 즉 빈 패킹 휴리스틱, 타일링 커널, 컴파일러 플래그, 수학적 탐색 등에 적합합니다 . 오픈엔드형 제품 코드나 후보 솔루션을 명확하고 반복 가능한 방식으로 채점하기 어려운 문제에는 적용되지 않습니다.

DeepMind의 2026년 AlphaEvolve 주장 중 독립 검증된 것은 무엇인가요?

Borg 0.7% 결과를 포함한 2025년 5월의 초기 인프라 및 수학적 주장은 VentureBeat 및 The Register 등의 매체를 통해 외부 검증을 받았습니다 . 2026년 상업 파트너 수치 및 후속 논문 결과의 대부분은 자체 보고로 남아 있으며, 수학적 결과는 공개된 검증 코드를 통해 직접 확인할 수 있습니다 .

LLM에 최적화 코드 작성을 요청하는 것과 AlphaEvolve는 어떻게 다른가요?

AlphaEvolve는 단일 패스 코드 생성기가 아닙니다. 다수의 코드 후보에 대해 진화적 탐색을 수행합니다. 넓은 탐색에는 Gemini Flash를, 심층적인 제안에는 Gemini Pro를 함께 활용하고, 자동 평가기를 통해 실제 하드웨어에서 각 후보를 검증 및 채점하며, 추가 변이를 위한 최적 변형을 선택하는 프로그램 데이터베이스를 유지합니다 . 평가기는 도메인별로 전용으로 구축되며, 개선을 이끄는 것은 프롬프트가 아닌 이 채점 루프입니다.