Mirendil의 1억 달러 컴퓨트 계약이 보여준 것: 자기개선 AI의 승부처는 운영 파이프라인

Mirendil이 Google Cloud와 1억 달러가 넘는 다년 파트너십을 맺었다. 확보하는 자원은 단순한 저장 공간이나 GPU 임대가 아니다. Google TPU와 Nvidia GPU, 그리고 관리형 학습 클러스터를 묶어 자기개선 AI 연구를 계속 돌릴 수 있는 컴퓨트 기반이다. Mirendil이 말하는 자기개선 AI는 한 번 훈련한 모델을 배포하는 제품과 다르다. 사용자가 문제를 던지면 시스템이 연구를 반복하고, 새로운 지식과 전문성을 쌓고, 그 결과를 바탕으로 성능을 높이는 흐름을 지향한다. 공동창업자 겸 CEO Behnam Neyshabur는 알츠하이머 같은 분야를 장기간 다루며 AI가 계속 진전을 만드는 구상을 설명했다. 의학뿐 아니라 생물학과 재료과학도 대상이다. 이 접근에서 컴퓨트 규모는 출발점일 뿐이다. 공동창업자 Harsh Mehta는 서로 다른 워크로드를 적합한 칩에 배정하는 일이 중요해지고 있다고 말했다. TPU와 GPU를 함께 제공받는다면 작업 특성에 따라 가속기를 바꿀 수 있지만, 실제 운영에는 스케줄링, 학습 재현성, 자원 이동에 따른 손실, 비용 추적이 따라온다. 칩을 많이 확보하는 것과 칩을 효율적으로 쓰는 것은 다른 문제다. Google에도 계산이 맞는다. Mirendil은 Google의 하드웨어를 더 잘 활용하게 하는 소프트웨어·시스템 레이어를 만들고, Google은 향후 기업 고객에게 제공할 수 있는 프런티어급 자기개선 AI 파트너를 얻는다. Mirendil이 지난 6월 10억 달러 가치로 시드 투자를 유치했다는 점을 감안하면, 이번 계약 규모는 당시 조달액의 절반가량에 해당한다. 연구용 인프라에 얼마나 큰 선투자가 필요한지 보여주는 숫자다. 다만 계약 자체를 기술 검증으로 읽어서는 안 된다. 1억 달러 이상의 컴퓨트는 자기개선 루프를 시험할 시간을 사주지만, 그 루프가 실제 과학적 발견을 꾸준히 만들어낸다는 뜻은 아니다. 반복 실행이 지식 축적으로 이어지는지, TPU와 GPU를 섞어도 비용 우위가 유지되는지, 사람이 목표 설정과 결과 검증을 어디까지 맡는지는 앞으로 드러나야 한다. 그래서 이번 뉴스의 초점은 '더 큰 모델'보다 '더 오래, 더 싸게, 더 잘 돌아가는 연구 시스템'에 있다. 자기개선 AI가 현실의 제품이 되려면 멋진 데모보다 작업 배치와 평가 절차, 컴퓨트 단가를 함께 관리하는 운영 파이프라인이 먼저 필요하다.