Google DeepMind와 RSI: AI의 마지막 경계를 넘어섰을까?

@haider1는 6주 만에 세 개의 새로운 모델이 출시된 것으로 보인다며 이를 « sign of early RSI »로 해석한다. 그의 전체 표현은 시사하는 바가 크다.

"google is definitely using some form of RSI to progress this quickly" @haider1

이 문장은 상당히 강한 주장이지만, Google이 완전한 자율 루프라는 의미에서 « reached RSI »에 도달했다고 말하는 것은 아니다. « some form of RSI »와 초기 징후를 언급한 것으로, 내부의 생산성 메커니즘이나 자동화 또는 가속화된 반복 개발에 관한 가설이다.

@lender980이 제공한 목록은 8월 13일의 Gemini 3.7 Flash부터 Gemini 3.8 Flash, Gemini 3.8 Flash Cyber, WeatherNext 3, TimesFM-3를 비롯해 8월 말과 9월 초에 출시된 여러 제품까지, 관찰된 출시 속도를 보여준다. 이러한 빈도는 실제로 더 빠른 개발 조직을 시사할 수 있다.

하지만 이는 다음과 같은 좀 더 일반적인 여러 요인으로도 설명할 수 있다.

• 서로 다른 날짜에 출시된 유사한 제품의 변형 모델;
• 훈련과 평가에 투입된 더 많은 연산 자원;
• 더 효율적인 팀과 엔지니어링 파이프라인;
• 추론, 속도 또는 비용에 대한 조정;
• 출시를 가속화하는 상업적 전략.

@JakeKAllDay는 Gemini 3.7에서 3.8로의 전환에 대해 바로 이러한 일반적인 설명을 제시한다.

"i like gemini but the jump from 3.7 vs 3.8 is mostly just a boost in juice/thinking effort. 3.8 med ~ equals 3.7 high on thinking effort. its partially masked by a ~10% speed up in tps." @JakeKAllDay

그의 주장이 더 진보된 내부 역량의 부재를 입증하는 것은 아니다. 그러나 출시 주기나 눈에 띄는 제품 개선만으로는 재귀적 자기 개선을 진단하기에 충분하지 않다는 점을 상기시킨다.

더 빠른 반복 개발은 가능한 운영상의 신호이지, 자율적이고 폐쇄적인 RSI를 입증하는 증거가 아니다.

@haider1의 역설: 초기 징후를 포착한 뒤, 이미 RSI에 도달했다는 주장에는 의문을 제기하다

논의에서 가장 흥미로운 측면 중 하나는 @haider1이 논쟁의 양쪽 입장에 모두 서게 된다는 점이다. 9월 6일에는 Gemini의 결과물을 ‘초기 RSI’의 신호로 해석한다. 그러나 9월 12일에는 @kimmonismus의 게시물 아래에서 공개 제품을 고려할 때 RSI가 이미 달성되었다는 주장에 논리적으로 이의를 제기한다.

"사실 며칠 전에도 이렇게 말했지만, Google의 모델들이 코딩에서 여전히 상당히 뒤처져 있는데 이것이 어떻게 가능할지는 아직도 잘 모르겠다. 그러니 Google이 RSI에 도달했다고 주장한다면, OpenAI와 Anthropic은 아마 훨씬 이전에 비슷한 수준에 도달했을 것이다." @haider1

이 반론은 내부에서 일어났다는 놀라운 가설과 사용자들이 Gemini 코딩 모델을 사용하며 겪는 경험 사이의 간극을 직접 겨냥한다. Google이 실제로 매우 성능이 뛰어난 재귀적 개선 루프를 완성했다면, 왜 공개 모델들은 흔히 선두 주자로 여겨지는 경쟁사들을 상대로 코딩, 추론 또는 에이전트형 작업에서 명확하게 압도하지 못하는가?

@kimmonismus는 전략적 가설로 답한다.

"문제는 Google이 최첨단 기술을 소비자에게 제공하는 것을 아예 포기하고, 대신 모든 것을 RSI에 투자하고 있을 가능성이 있느냐는 것이다." @kimmonismus

가능한 이야기다. 연구소들은 안전성, 비용, 신뢰성 또는 경쟁상의 이유로 반드시 최고의 역량을 공개하지는 않는다. 그러나 이 스레드에는 Google이 내부 RSI 루프를 위해 실제로 작동하는 최첨단 기술을 의도적으로 공개하지 않았음을 확인해 주는 데이터가 전혀 없다.

Google의 내부 역량과 공개 제품 사이에 격차가 존재할 가능성은 충분히 생각해 볼 수 있지만, 여기서는 확립된 사실이 아니라 가능한 설명에 불과하다.

Gemini 제품은 여전히 회의론자들의 반론 중심에 있다

여러 참여자는 Google이 최고 수준의 연구 역량을 보유하고 있다는 생각 자체를 부정하지 않는다. 그들이 문제 삼는 것은 이러한 과학적 강점을 RSI의 증거로 바꾸는 논리적 비약이다.

@lyraxana의 게시물 아래에서 @DeepLearn007은 연구와 제품 사이의 이러한 간극을 다음과 같이 표현한다.

"Google은 놀라운 연구 역량을 보유하고 있다. 결국 Google은 Self-Attention Mechanism을 적용한 Transformer를 개척했으며, LLM을 발전시키는 초기 RL 연구의 상당 부분도 수행했다. 하지만 연구 성과를 제품으로 전환하는 데에는 격차가 있었다. @demishassabis @lyraxana" @DeepLearn007

@VibeDevolli도 공개 모델 사용 경험에 좀 더 직접적으로 근거해 비슷한 비판을 제기한다.

"믿고 싶지만, 공개 모델들을 알고 나니 그러기가 쉽지 않다. :) 다른 최고급 모델들과 비교하면 Bard 시절로 조금 되돌아간 느낌이다." @VibeDevolli

@kimmonismus는 새로운 근거를 제시하지 않은 채 다음과 같이 답한다.

"공정하게 말하자면, GDM은 여전히 경쟁 중이다." @kimmonismus

Google DeepMind가 여전히 AI 분야의 주요 기업이라는 점에서 이 답변은 타당하다. 하지만 제기된 질문에는 답하지 못한다. 경쟁력 있는 기업에서 RSI를 달성한 기업으로 판단을 전환하려면 어떤 공개 성능, 기술 논문 또는 운영상의 증거가 필요한가?

@Politas180은 이 반론을 특히 명료한 한 문장으로 압축한다.

"그들이 정말로 루프를 완성했다면, Gemini는 이미 내가 밤새 실행해 두는 모델이었을 것이다. 하지만 그렇지 않다. 전부 대문자로 쓴다고 해서 그 사실이 달라지지는 않는다." @Politas180

이는 학술적 벤치마크가 아니라 사용자의 판단이다. 하지만 여러 참여자가 공유하는 한 가지 관점을 반영한다. 현재 Gemini를 이용한 어떤 공개적 경험도 이미 완성된 재귀적 자기 개선과 부합할 만한 결정적 우위를 명백하게 입증하지 못한다는 것이다.

결정적인 기술적 구분: 연구 지원과 엔드투엔드 RSI

이 스레드에서 가장 탄탄한 답변은 @MTorygreen에게서 나온다. 이 답변은 Google의 발전도, AI가 연구와 미래 모델 훈련에 미칠 잠재적 영향도 부정하지 않는다. 단지 핵심적인 질문을 던질 뿐이다. 여전히 인간의 개입이 필요한 지점은 어디인가?

"인간의 병목이 여전히 어디에 있는지 알기 전까지는 어떤 것이든 RSI라고 부르는 데 신중해야 한다. 모델이 더 나은 실험을 만들어 내고, 코드를 개선하며, 다음 훈련 실행을 설계하는 데 도움을 준다면 이는 엄청난 일이다. 하지만 그것과 시스템이 엔드투엔드 방식으로 스스로를 재귀적으로 개선하는 것 사이에는 여전히 큰 격차가 있다." @MTorygreen

이러한 구분은 Google DeepMind의 AGI에 관한 소문을 해석하는 데 필수적이다.

시스템은 다음과 같은 작업에 기여할 수 있다.

1. 연구 가설 생성;
2. 훈련 코드의 일부 작성 또는 수정;
3. 아키텍처 또는 합성 데이터 제안;
4. 평가 가속화;
5. 엔지니어가 다음 훈련을 선택하도록 지원.

이 모든 것은 연구소의 업무를 크게 가속할 수 있다. 그러나 강한 RSI라면 더 많은 것이 요구된다. 시스템이 자체 역량을 누적적으로 향상할 수 있을 만큼 인간의 개입을 충분히 줄인 상태에서 결과를 선별하고, 검증하고, 통합하고, 학습시키고, 배포해야 한다.

그렇다면 검증, 아키텍처 결정, 안전성 점검, 컴퓨팅 자원 배분, 데이터 접근, 결과 검토가 여전히 어느 단계에서 이루어지는지 파악해야 한다. 이 스레드는 이러한 질문에 아무런 답도 제시하지 않는다.

따라서 @MTorygreen의 주장이 가장 근거가 탄탄하다. 이 논의는 자동화의 가능성을 시사하지만, 엔드투엔드 자율 개선 루프를 입증하지는 못한다.

전략적 서사가 기술적 입증을 대신할 수는 없다

@kimmonismus는 게시물에 Demis Hassabis, Sergey Brin, Reuters, 그리고 AGI 경쟁에서 RSI가 지니는 전략적 중요성에 관한 언급을 덧붙였다. 이러한 요소는 Google이 왜 이런 기술에 관심을 가질 수 있는지는 설명해 준다. 그러나 해당 기술이 실제로 구현되었음을 입증하지는 않는다.

Google DeepMind가 AGI, 연구 자동화 또는 모델 개선을 우선 과제로 여긴다는 사실은 모든 주요 연구소의 전략과도 일치한다. 산업적 야심이 곧 기술적 검증을 의미하지는 않는다.

@kimmonismus는 또한 자신의 뉴스레터 Superintelligence에서 이 주제를 다룰 예정이라고 밝혔다. 이 페이지는 « 미래를 선점하기 위한 » AI 브리핑을 표방하며 16만 명 이상의 일일 구독자를 보유하고 있다고 소개한다. 이러한 포지셔닝은 이 주제에 대한 관심을 설명해 주지만, 소문에 관한 추가적인 독립 데이터는 제공하지 않는다.

그럼에도 이 소문을 진지하게 받아들일 만한 이유

공개된 증거가 없다고 해서 이 사안 전체가 아무런 근거 없이 만들어졌다는 뜻은 아니다. 검증 가능한 두 가지 전략적 신호는 왜 이 소문이 오늘날 특히 확산되기 좋은 환경을 맞이했는지 설명해 준다.

첫째, Google은 2026년 8월 Demis Hassabis가 Google DeepMind 의장 겸 Alphabet 수석 과학자로 취임한다고 발표했다. 그룹은 이 새로운 역할을 통해 그가 AGI의 미래를 설계하는 데 « 모든 역량 »을 집중할 수 있게 될 것이라고 설명했다. 공식 발표는 Google 블로그에서 확인할 수 있다.

둘째, Reuters는 2026년 8월 12일 Sergey Brin이 Google의 AI 사업 재편 과정에서 **재귀적 자기 개선(recursive self-improvement)**을 향한 노력을 추진하고 있다고 보도했다. 이 보도는 RSI를 자원 배분과 팀 구조에 영향을 미칠 만큼 전략적인 분야로 묘사한다. 이것이 작동 가능한 루프가 구현되었음을 확인해 주는 것은 아니다. 하지만 적어도 이 주제가 X상의 추측에만 존재하는 것이 아니라 Google의 전략적 차원에서도 실제로 다뤄지고 있음을 확인해 준다. Reuters 보도는 여기에서 확인할 수 있다.

이 미묘한 차이는 결정적이다. Google이 자사 시스템의 자기 개선을 가속하려 한다는 강력한 정황은 있다. 그러나 소셜 미디어에서 이미 “RSI”라고 부르는 문턱을 넘어섰다는 공개 증거는 없다.

Google이 실제로 RSI 루프를 보유했다면 AI 경쟁의 성격이 달라진다

바로 이 지점에서 이 이야기는 단순한 모델 관련 소문보다 더 중요해진다. 진정한 RSI 루프는 단순히 « 더 똑똑한 Gemini »에 그치지 않는다. 차세대 Gemini를 만들어 내는 프로세스 자체를 바꿀 것이다.

1. 발전 속도 자체가 경쟁력이 될 것이다

지금까지 Google, OpenAI, Anthropic 간의 경쟁은 주로 연속적인 모델 세대, 벤치마크, 제품 출시를 통해 평가되어 왔다. 자기 개선 루프는 경쟁을 한 차원 더 높은 수준으로 끌어올릴 것이다. 즉, 연구소가 자체 연구 시스템을 개선할 수 있는 속도가 핵심이 된다.

시스템이 유용한 실험을 식별하고, 점점 더 많은 코드를 작성하며, 실패를 자동으로 분석하고, 다음 학습을 제안한다면 연구소는 단지 벤치마크 점수 몇 점을 더 얻는 데 그치지 않는다. 세대 간 개발 주기를 단축하게 된다. 이런 시나리오에서는 특정 시점의 공개 모델을 비교하는 것보다 내부 발전 속도의 기울기를 측정하는 편이 더 많은 정보를 제공한다.

이 점은 Gemini의 출시 주기를 흥미롭게 만들지만, 그것 자체가 증거가 되지는 않는다. 짧은 기간에 세 차례 출시했다는 사실만으로는 아무것도 입증되지 않는다. 그러나 이러한 속도가 R&D의 고도 자동화에서 비롯된 것이라면, 더 구조적인 우위를 나타내는 지표가 된다.

2. Google의 최고 모델은 결코 공개 제품으로 출시되지 않을 수도 있다

@kimmonismus가 제기한 가설은 검토할 가치가 있다. Google이 자사의 최첨단 시스템을 소비자에게 즉시 공개하기보다 내부 연구용으로 남겨둘 수 있다는 것이다.

이 전략은 경제적으로 타당할 수 있다. 데이터, 훈련 코드, 평가 또는 아키텍처를 개선할 수 있는 내부 모델은 몇 주 일찍 판매되는 챗봇보다 R&D 승수로서 더 큰 가치를 지닐 수 있다. 그렇다면 공개 제품은 겉으로는 뒤처진 것처럼 보이지만, 실제로는 훨씬 더 발전된 내부 인프라를 감추고 있을 수 있다.

이는 이 스레드의 핵심적인 역설을 설명할 수 있지만, 언젠가 독립적인 근거로 확인될 경우에만 그렇다. 현재로서는 일관성 있는 가설일 뿐, 입증된 설명은 아니다.

3. 컴퓨팅 자원은 스스로의 수익률을 높이는 연구 자본이 될 것이다

부분적인 RSI만으로도 컴퓨팅의 경제성이 달라질 수 있다. 오늘날 GPU가 많아지면 주로 더 많은 실험을 수행하거나, 더 큰 모델을 훈련하거나, 더 많은 사용자에게 서비스를 제공할 수 있다. 자동화된 개선 루프에서는 컴퓨팅 자원의 일부가 미래의 컴퓨팅 자원을 더 효율적으로 활용하는 방법을 설계하는 데에도 쓰인다.

다시 말해, 컴퓨팅은 더 이상 하나의 모델에만 자금을 투입하는 것이 아니다. 다음 주기를 더 효율적으로 만들 방법을 찾는 프로세스에도 자금을 투입한다. 이 루프가 실제로 작동한다면, 가장 큰 클러스터와 최고의 칩, 에너지, 수직 통합 역량을 보유한 집단의 우위는 더욱 커질 수 있다.

Google은 TPU, 데이터 센터, 연구팀, 그리고 성과를 글로벌 인프라에 배포할 수 있는 역량 덕분에 이 분야에서 특히 유리한 위치에 있다. 그렇다고 RSI가 보장되는 것은 아니다. 다만 DeepMind에서 이러한 돌파구가 마련될 경우 왜 그 산업적 파급 효과가 불균형할 정도로 클 수 있는지를 설명해 준다.

4. OpenAI와 Anthropic은 더 강한 보안 유지와 내부 활용을 추구하게 될 것이다

어떤 기업이 한 시스템이 후속 시스템을 구축하는 프로세스를 실질적으로 개선한다는 사실을 입증한다면, 경쟁사들은 단순히 공개 출시로 대응하는 데 별다른 이점을 느끼지 못할 것이다. 그들 역시 자사의 최고 모델을 내부 연구자, 엔지니어, 평가자, 운영자로 전환하려 할 것이다.

눈에 보이는 결과는 역설적일 수 있다. 내부 역량의 전략적 중요성이 커질수록 공개 모델은 전체 경쟁 상황을 덜 보여주게 된다. 대중용 벤치마크는 여전히 중요하겠지만, 이는 제품 계층만을 설명할 것이다. 진정한 경쟁은 내부 에이전트의 품질, 실험 자동화, 컴퓨팅 자원의 효율성, 그리고 아이디어를 신뢰할 수 있는 훈련으로 전환하는 역량을 두고 벌어질 것이다.

따라서 “공개 Gemini가 1위가 아니므로 Google은 RSI를 보유할 수 없다”는 반론은 충분하지 않다. 그러나 그 반대 주장도 마찬가지로 설득력이 약하다. “Gemini가 빠르게 발전하고 있으므로 Google은 RSI를 보유하고 있다”는 주장이다. 두 주장 모두 관찰 가능한 제품과 그 제품을 만들어 내는 연구 인프라를 혼동한다.

5. 안전 및 규제는 용어가 아니라 역량을 감시해야 한다

RSI라는 용어는 너무 모호해서 그 자체만으로 유용한 규제 기준이 되기 어렵다. 더 적절한 질문은 구체적이다. 한 시스템이 인간의 개입 없이 어떤 연구 과제를 수행할 수 있으며, 성공률은 얼마이고, 몇 번의 연속된 주기 동안 이를 지속할 수 있는가?

더 적절한 지표로는 훈련 코드를 수정하고, 실험을 설계·선정하고, 결과를 진단하고, 다음 아키텍처를 제안하고, 컴퓨팅 자원을 관리하며, 여러 차례의 반복에 걸쳐 측정 가능한 개선을 유지하는 역량 등이 있다.

한 연구소가 이 과정의 여러 구성 요소를 보유하고 있더라도 처음부터 끝까지 자율적으로 작동하는 RSI를 갖추지 못했을 수 있다. 단기적으로 가장 중요한 것은 아마도 이러한 중간 영역일 것이다. 이는 이미 발전을 크게 가속하고, 소수 기업에 우위를 집중시키며, 안전성 평가를 더 어렵게 만들 수 있다. 그러면서도 RSI라는 용어가 X에서 언급될 때 흔히 상상하는 “지수적 루프”와는 다른 모습일 수 있다.

독자가 이 게시물 연속글에서 기억해야 할 핵심

Google DeepMind RSI 루머는 서로 혼동해서는 안 되는 세 가지 수준의 정보에 기반한다.

• @lyraxana는 RSI나 AGI를 언급하지 않은 채 모호한 축하 메시지를 게시했다.
• @haider1은 이전에 Gemini의 발전 속도에서 “초기 RSI의 징후(sign of early RSI)”를 보았다. 즉, 자동화가 가속되고 있을 가능성에 관한 제한적인 가설이었다.
• @kimmonismus는 이러한 신호들을 Google DeepMind가 RSI를 달성했다는 더 구체적인 루머와 연결하면서도, 이것이 여전히 루머임을 인정했다.

이 스레드는 여러 질문을 미해결 상태로 남긴다.

• @lyraxana가 실제로 말하고자 한 것은 무엇이었는가?
• 그가 AI 유출 정보원으로서 신뢰할 만하다는 점을 입증하는 검증 가능한 근거는 무엇인가?
• 자동화된 개발 파이프라인과 완전한 재귀적 자기 개선을 구분하려면 어떤 데이터가 필요한가?
• Google의 공개 모델은 실제 내부 역량을 과소평가하게 만드는가, 아니면 자사 시스템의 현황을 보다 직접적으로 반영하는가?
• Gemini 발표 주기가 빨라진 것은 더 자율적인 AI, 더 뛰어난 팀, 더 많은 컴퓨팅 자원, 또는 출시 전략 중 무엇에서 비롯된 것인가?

따라서 가장 엄밀한 결론은 최초의 소문보다 덜 극적이다. Google은 내부 프로세스를 충분히 가속화하고, AI를 활용해 코드와 실험 및 학습을 개선하며, AGI에 대규모로 투자하고 있을 수 있다. 그러나 이 스레드에 공개된 어떤 근거도 Google DeepMind가 완전한 RSI를 달성했음을 입증하지 못하며, @lyraxana의 메시지가 정확히 이 개념을 가리킨다는 사실조차 입증하지 못한다.