# AlphaEvolve: 여러 분야로 영향력을 확장하는 Gemini 기반 코딩 에이전트 > Clean Markdown view of GeekNews topic #29339. Use the original source for factual precision when an external source URL is present. ## Metadata - GeekNews HTML: [https://news.hada.io/topic?id=29339](https://news.hada.io/topic?id=29339) - GeekNews Markdown: [https://news.hada.io/topic/29339.md](https://news.hada.io/topic/29339.md) - Type: GN+ - Author: [xguru](https://news.hada.io/@xguru) - Published: 2026-05-10T08:54:45+09:00 - Updated: 2026-05-10T08:54:45+09:00 - Original source: [deepmind.google](https://deepmind.google/blog/alphaevolve-impact/) - Points: 2 - Comments: 1 ## Topic Body - [**AlphaEvolve**](https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/)는 Gemini 기반 코딩 에이전트로, 고급 알고리듬 설계에서 출발해 수학·컴퓨터 과학의 공개 문제, Google 인프라 최적화, 과학·산업 과제로 적용 범위를 넓힘 - 유전체학에서는 [**DeepConsensus**](https://www.nature.com/articles/s41587-022-01435-7)를 개선해 변이 검출 오류를 **30% 감소**시켰고, 전력망에서는 AC Optimal Power Flow 문제의 실행 가능한 해 발견 비율을 **14%에서 88% 이상**으로 높이는 데 기여함 - 지구과학에서는 [**Earth AI**](https://ai.google/earth-ai/) 모델 최적화를 자동화해 산불·홍수·토네이도 등 20개 범주의 자연재해 위험 예측 전체 정확도를 **5% 향상**시켰고, 양자 물리에서는 Willow quantum processor에서 기존 기준선보다 오류가 10배 낮은 양자 회로를 제안함 - 수학에서는 Terence Tao와 함께 [**Erdős 문제**](https://terrytao.wordpress.com/2025/12/08/the-story-of-erdos-problem-126/) 해결에 기여했고, [Traveling Salesman Problem](https://arxiv.org/abs/2509.18057)과 [Ramsey Numbers](https://arxiv.org/abs/2603.09172)의 하한 개선, 해석 가능한 신경과학 모델·미시경제학·암호학·합성 데이터·AI 안전 완화책에도 사용됨 - Google 인프라에서는 차세대 [**TPU**](https://cloud.google.com/tpu?e=48754805) 설계, 캐시 교체 정책, [Google Spanner](https://cloud.google.com/spanner)의 LSM-tree 컴팩션 휴리스틱, 컴파일러 최적화에 쓰였고, 상용 적용에서는 Klarna의 학습 속도 2배, FM Logistic의 경로 효율 **10.4% 개선**, Schrödinger의 MLFF 학습·추론 약 **4배 속도 향상**을 달성함 --- ### 사회적 영향과 지속가능성 - ## 유전체학 - AlphaEvolve는 Google Research가 개발한 DNA 시퀀싱 오류 보정 모델 [DeepConsensus](https://www.nature.com/articles/s41587-022-01435-7)를 개선하는 데 사용돼 변이 검출 오류를 **30% 감소**시킴 - 이 개선은 [PacBio](https://www.pacb.com/blog/improving-hifi-sequencing-accuracy-with-google-deepconsensus-and-alphaevolve/)의 과학자들이 유전 데이터를 더 정확하고 낮은 비용으로 분석하는 데 도움을 줌 - PacBio의 Aaron Wenger는 AlphaEvolve로 발견한 해법이 시퀀싱 장비의 정확도를 의미 있게 높이며, 연구자들이 더 높은 품질의 데이터로 이전에 숨겨져 있던 질병 유발 돌연변이를 발견할 수 있을 것이라고 밝힘 - ## 전력망 최적화 - AlphaEvolve는 [AC Optimal Power Flow problem](https://arxiv.org/abs/2403.17660)에 적용됨 - 학습된 Graph Neural Network(GNN) 모델이 해당 문제의 실행 가능한 해를 찾는 비율을 **14%에서 88% 이상**으로 높이는 데 기여함 - 이 결과로 전력망에서 비용이 큰 후처리 단계의 필요성이 크게 줄어듦 - ## 지구과학 - AlphaEvolve는 복잡한 지리공간 데이터를 더 신뢰할 수 있고 실행 가능한 통찰로 변환하는 데 사용됨 - [Earth AI](https://ai.google/earth-ai/) 모델 최적화를 자동화해, 산불·홍수·토네이도 등 20개 범주를 집계한 [자연재해 위험 예측의 전체 정확도](https://arxiv.org/abs/2510.18318)를 **5% 향상**시킴 ### 연구 최전선의 진전 - ## 양자 물리 - AlphaEvolve의 최적화는 [Google의 Willow quantum processor](https://blog.google/innovation-and-ai/technology/research/google-willow-quantum-chip/)에서 복잡한 분자 시뮬레이션을 실행할 수 있게 함 - 기존의 통상적 최적화 기준선보다 [오류가 10배 낮은 양자 회로](https://arxiv.org/abs/2510.19550)를 제안해, 최초 유형의 양자 컴퓨팅 실험 시연에 즉각 기여함 - 이 성과는 AlphaEvolve가 고전 컴퓨터의 능력을 넘어서는 알고리듬을 찾는 미래로 이어질 수 있음을 보여줌 - ## 수학 - AlphaEvolve는 Terence Tao 같은 수학자들과 함께 [Erdős 문제](https://terrytao.wordpress.com/2025/12/08/the-story-of-erdos-problem-126/) 해결에 기여함 - Terence Tao는 AlphaEvolve 같은 도구가 특히 최적화 문제에서 잠재적 부등식의 반례를 빠르게 테스트하거나 극값 대상에 대한 믿음을 확인하게 해 직관을 크게 개선하고 엄밀한 증명을 더 쉽게 찾게 한다고 밝힘 - AlphaEvolve는 [Traveling Salesman Problem](https://arxiv.org/abs/2509.18057)과 [Ramsey Numbers](https://arxiv.org/abs/2603.09172) 같은 고전적 수학 과제의 하한을 개선하며 기록을 경신함 - ## 다른 연구 분야 - AlphaEvolve의 자율 발견 능력은 여러 분야에서 병렬 혁신을 이끌고 있음 - [해석 가능한 신경과학 모델 발견](https://icml.cc/virtual/2025/poster/44627), [미시경제학의 새로운 시장 한계 증명](https://arxiv.org/abs/2603.08679), [신경망 구성 요소](https://arxiv.org/abs/2602.05688) 발전에 사용됨 - [사용자 프라이버시를 위한 암호학](https://github.com/google/jaxite/blob/main/docs/AlphaEvolve_FHE.pdf), [합성 데이터 생성](https://arxiv.org/abs/2602.03545), 프런티어 AI 모델을 위한 [핵심 안전 완화책](https://arxiv.org/abs/2601.11516)에도 적용됨 - AlphaEvolve가 “[Tammes problem](https://en.wikipedia.org/wiki/Tammes_problem)” 인스턴스를 [최적화](https://alphaevolve-examples.web.app/ae/experiment/f5ff0dbd_0bb3_4c6b_9bf7_6a98363b935e)한 예시와 추가 문제의 잠재적 해법은 공개 [Gallery](https://alphaevolve-examples.web.app/ae/gallery)에서 확인 가능함 ### AI 인프라 개선 - AlphaEvolve는 파일럿 테스트를 넘어 Google 인프라의 핵심 구성요소가 됨 - [TPU](https://cloud.google.com/tpu?e=48754805) 차세대 설계를 최적화하는 정규 도구로 사용됨 - 더 효율적인 [캐시 교체 정책](https://arxiv.org/abs/2602.22425)을 발견해, 이전에는 사람의 집중적 노력이 수개월 필요했던 작업을 **이틀** 만에 달성함 - Jeff Dean은 AlphaEvolve가 AI 스택을 구동하는 하드웨어의 최저 수준을 최적화하기 시작했으며, 직관에 반하지만 효율적인 회로 설계를 제안해 차세대 TPU 실리콘에 직접 통합됐다고 밝힘 - AlphaEvolve는 [Google Spanner](https://cloud.google.com/spanner)의 [Log-Structured Merge-tree](https://en.wikipedia.org/wiki/Log-structured_merge-tree) 컴팩션 휴리스틱을 개선해 효율을 높임 - 이 최적화는 원래 요청 대비 스토리지에 기록되는 데이터 비율인 **쓰기 증폭(write amplification)** 을 **20% 감소**시킴 - AlphaEvolve는 소프트웨어의 저장 공간 사용량을 거의 **9% 줄인** [새 컴파일러 최적화 전략](https://arxiv.org/abs/2601.21096)에 대한 통찰도 제공함 ### 상용 적용 확대 - [Google Cloud와 함께](https://cloud.google.com/blog/products/ai-machine-learning/alphaevolve-on-google-cloud?e=48754805) AlphaEvolve를 여러 산업의 상용 기업에 제공하고 있음 - 금융 서비스 분야에서 [Klarna](https://engineering.klarna.com/beyond-prompting-how-algorithmic-evolution-doubled-our-training-speed-8f874af3080d)는 AlphaEvolve를 사용해 자사의 대형 transformer 모델 중 하나를 최적화했고, 모델 품질을 개선하면서 학습 속도를 **2배**로 높임 - 반도체 제조 분야에서 [Substrate](https://substrate.com/information-to-atoms)는 AlphaEvolve를 계산 리소그래피 프레임워크에 적용해 런타임 속도를 여러 배 높였고, 더 큰 규모의 첨단 반도체 시뮬레이션을 실행할 수 있게 됨 - 물류 분야에서 [FM Logistic](https://cloud.google.com/blog/products/ai-machine-learning/how-fm-logistic-tackled-the-traveling-salesman-problem-at-warehouse-scale-with-alphaevolve?e=48754805)은 Traveling Salesman Problem 같은 복잡한 경로 문제를 최적화해, 기존에 강하게 최적화된 해법 대비 경로 효율을 **10.4% 개선**하고 연간 **15,000km 이상**의 이동 거리를 절감함 - 광고·마케팅 분야에서 [WPP](https://thelab.wppresolve.com/blog/cracking-the-code-of-campaign-success-with-googles-alphaevolve-agent)는 AlphaEvolve로 AI 모델 구성요소를 정제하고 복잡한 고차원 캠페인 데이터를 다뤄, 경쟁력 있는 수동 모델 최적화 대비 정확도를 **10% 향상**시킴 - 계산 재료·생명과학 분야에서 [Schrödinger](https://www.schrodinger.com/company/about/?_gl=1*ius61h*_up*MQ..*_gs*MQ..&gclid=Cj0KCQjwkYLPBhC3ARIsAIyHi3Rm2kCs3x5O0g-fhVotOLr0BJ07wW4PlIYjQx79xY_sGz1si0Uyd2QaAhv8EALw_wcB&gbraid=0AAAAAoiC9DPuTTJLOACkELqcLzvfQOPqG)는 AlphaEvolve를 적용해 Machine Learned Force Fields(MLFF) 학습과 추론 모두에서 약 **4배 속도 향상**을 달성함 - Schrödinger의 Gabriel Marques는 더 빠른 MLFF 추론이 신약 발견, 촉매 설계, 재료 개발의 R&D 주기를 줄이고 기업이 분자 후보를 수개월이 아니라 며칠 만에 선별하게 해 실질적 사업 영향을 낸다고 밝힘 ### 향후 방향 - 지난 1년 동안 AlphaEvolve는 다목적 범용 시스템으로 빠르게 자리 잡고 있음 - 다음 돌파구가 스스로 학습하고 진화하며 최적화할 수 있는 알고리듬에 의해 주도될 수 있음을 보여줌 - Google DeepMind는 AlphaEvolve의 기능을 확장하고 더 넓은 외부 과제에 적용하려 함 ## Comments ### Comment 57138 - Author: neo - Created: 2026-05-10T08:54:46+09:00 - Points: 1 ###### [Hacker News 의견들](https://news.ycombinator.com/item?id=48050278) - Antirez의 "Don't fall into the anti-AI hype" [0]가 떠오름 한 줄로 요약하면, 이런 **기반 모델**은 “행렬 곱을 더 빠르게 하라”처럼 매우 고수준이면서도 매우 잘 정의된 문제 공간을 최적화하는 데 정말 강함. Antirez의 경우는 “Redis를 더 빠르게 하라”였음 반응은 “내 일에는 절대 안 통할 것”과 “몇 달 걸릴 일을 한 시간 만에 끝냈다”로 갈렸고, 둘 다 맞다고 봄. Antirez가 이후에도 성과를 내는 건 기뻐할 만하지만 [1], 대부분의 사람이 하는 암묵지 많고 인간 시스템 중심이며 모호하게 정의된 일은 **LLM**이 다루기 어렵거나 애초에 그런 용도가 아니었을 수 있다고 봐도 된다고 생각함 [0] [https://antirez.com/news/158]() [1] [https://antirez.com/news/164]() - 솔직히 이제는 그렇게 믿지 않음. 모델들이 **모호성**을 꽤 잘 다루기 시작했고, Claude Code는 모호한 부분이 있으면 이제 나에게 질문함 곧 모든 회의가 녹음·전사되어 에이전트가 모호함을 마주했을 때 검색할 수 있는 잘 색인된 장소에 저장될 것임. 지금 질문할 수 있다면, 그런 환경이 갖춰졌을 때 스스로 답을 검색할 수도 있게 됨. 사실 문서화가 잘 된 Notion/Confluence가 있으면 이미 그렇게 하며, 다만 그런 조직이 거의 없을 뿐임 “모호성 식별”을 강화학습시키는 건 성능 알고리즘을 강화학습시키는 것보다 어렵겠지만 불가능하지 않고 이미 진행 중이라고 봄. 이제 시간 문제임 - Claude 등은 내가 생각한 알고리즘을 빠르게 구현하는 데 꽤 좋았음. 다만 **통제 질문**을 많이 하고 코드를 확인해야 함 비주류 알고리즘을 새로 발명하는 데는 약하고, 어이없을 정도로 단기적인 지름길을 끼워 넣는 경우가 잦음. 아직은 도구이지 도구를 능숙하게 다루는 장인은 아님. 이건 점차 바뀔 것이고, 드문 알고리즘이 이기는 구석도 더 줄어들 것임 - 결국 요인은 둘 중 하나처럼 보임: “놀랍다, 효율을 **1%** 개선했다” 또는 “멍청하게도 환각 API를 디버깅하느라 한 시간을 날렸다” 평균적으로 어느 쪽이 이길지 판단하기가 정말 어려움 - AI 보조 연구가 AI를 LLM 너머로 밀어 올리면 어떨까? 그런 일이 일어날 수 없다고 보는 건가? - “LLM이 암묵지 많고 인간 시스템 중심이며 모호하게 정의된 일을 못 한다”는 말은 **2030년**쯤이면 굉장히 근시안적으로 보일 가능성이 큼 - AI CEO들은 AI가 암을 치료할 거라며 장광설을 늘어놓기 좋아하지만, 실제로 그런 **연구 문제**에 적극적으로 매달리는 곳은 DeepMind뿐인 것 같음 OpenAI와 Anthropic은 대체로 기업 매출과 코딩 매출을 좇는 쪽으로 보임 - Google은 전쟁자금으로 자체 조달이 가능하지만, OpenAI와 Anthropic은 투자자에게 손 벌리는 처지임 - Googler들은 Claude Code나 Codex 대신 **Gemini 코딩 에이전트**를 쓰는 걸 만족해하나? 비꼬는 게 아니라 정말 궁금함 - 그렇다. 모델은 좋고 빠르며, 내부 도구도 이제 따라잡았음 아직 UI/UX/도구 쪽에서 정리 중인 부분, 버전 관리 시스템 연동, 말하기 어려운 더 깊은 문제들이 있지만, 대부분의 불만은 실제 능력보다 **변화 속도**에 더 가깝다고 봄 흥미로운 건 내부에서 영향력 있는 여러 사람이 Pro 모델보다 Flash 모델을 더 선호한다고 강하게 말한다는 점임. 이게 사실인지와 별개로, 이제 “더 나은” 모델이 반드시 더 유용한 건 아니며, 더 빠른 모델과 하네스 개선을 조합하는 쪽이 더 나은 절충일 수 있는 단계에 왔다는 게 흥미로움 - Gemini VS Code Extension을 말하는 거라면 Claude Code나 Codex에 비해 형편없음. 어떻게 이 상태로 운영되는지 모르겠음 계속되는 시간 초과, 이상한 실패 모드, 모드를 바꾸려면 새 채팅을 시작해야 하는 문제 등이 있음. 다만 이건 Gemini 모델 자체의 문제라기보다는 **확장 프로그램** 문제로 보임 VS Code 확장 측면을 빼고 실제 문제 해결만 보면, 세 프리미어 모델 모두 내 용도에는 훌륭한 코딩 에이전트임 - 코딩은 Gemini나 이런 모델들의 유일한 용도가 아님. 이 글이 다루는 것도 코딩이 아님 Gemini가 최고의 코딩 에이전트가 아닐 수는 있지만, 다른 일에는 매우 좋을 수 있음 - 지난달 Steve Yegge는 그렇지 않다고 시사했음: [https://xcancel.com/Steve_Yegge/status/2043747998740689171]() - Google에 있는 사람들과 이야기해 보면, 대부분 내부 Gemini 에이전트에 불만이 있었고 최근 들어 상당히 나빠졌다고 보는 듯함 도구 호출 방법을 완전히 잊고 한참 시간을 낭비하다가 결국 포기하거나, AGENTS.md 비슷한 파일의 **코드 스타일 지침**을 완전히 무시하는 식임 Gemma 4를 로컬에서 돌린 내 경험도 비슷했음. 도구 호출을 한두 번 한 뒤에는 제멋대로 호출하기 시작함. 바로 어제도 read_file(start, end) 같은 도구를 read_file(start, number_of_bytes)로 재정의해 놓고, 자신이 틀렸다는 가능성조차 인정하지 않는 걸 봄 - AI가 스스로, 또는 적어도 자신이 돌아가는 아키텍처를 개선한다면 사람들이 말하듯 **특이점**이 가까운 셈임 합성 데이터 생성이나 모델 테스트 외에, AI가 LLM을 개선하는 데 쓰인 다른 사례가 있을까? - AI가 스스로를 더 유능하게 만드는 것과, AI 학습·추론에 쓰이는 소프트웨어를 최적화하는 것은 **사과와 오렌지**만큼 다름 더 효율적인 트랜스포머는 실행 비용을 낮출 뿐임 “AI가 AI를 개선한다”라고 하려면 한 세대의 AI가 자신보다 근본적으로 더 유능한 차세대 AI를 설계해야 함. 단지 더 빠르거나 싸게 만드는 게 아니라, 파충류 뇌가 포유류 뇌를 자율적으로 설계하는 수준이어야 함 AlphaEvolve 같은 똑똑한 하네스에 연결해도, LLM에 그런 창의성이 있다고 보지는 않음. 다만 차세대 아키텍처가 LLM이 예측하도록 유도할 수 있는 부품 조합으로 뻔히 숨어 있다면 예외일 수 있음 더 가능성 높은 경로는 AGI를 향한 인간 혁신이 몇 단계 더 진행된 뒤, 프롬프트 기반 조합 생성이 아니라 **자율 혁신**을 할 수 있는 AI가 나오는 것임 - 있음. 작년에 AlphaEvolve를 공개했을 때 이전 Gemini 모델로 이번 세대 모델 학습에 쓰이는 **커널**을 개선했고, 학습 실행을 1% 빠르게 만들었음. 크지는 않지만 그래도 성과임 - 최근 가장 바이럴된 건 [https://github.com/karpathy/autoresearch]() 같음 - 자기 개선이 꼭 특이점을 뜻하지는 않지 않나? 특이점을 불가능하게 만들 정도의 강한 제약이 있을 수도 있고, 시간 지평이 너무 길어서 실용적이지 않을 수도 있지 않나? - “AI가 스스로 개선한다”는 건 개인적으로 **2027년**에 봐야 할 지점이라고 생각함 모든 대형 AI 연구소가 연구 에이전트, 특히 AI 개선을 위한 에이전트 프로젝트를 크게 진행 중이고, 올해 그중 상당수가 실험 단계를 벗어날 것으로 예상함 내년에는 실제로 많은 일을 하게 될 것이고, AI가 공동 발명한 첫 번째 큰 유효 아키텍처 변화가 나올 거라고 봄 - Erdős 문제 얘기를 또 몇 번이나 들어야 하나 :) 처음엔 인류의 대단한 성취처럼 들리지만, 시간이 지나면 계속 다시 돌아옴 - 아직 열린 **Erdős 문제**가 700개 정도밖에 안 남았으니, 전부 풀리면 드디어 쉴 수 있음 - 그 와중에 **Gemini CLI**는 몇 달째 망가져 있음 [https://github.com/google-gemini/gemini-cli/issues/22141]() - Google이 Gemini 3.x 모델을 **정식 출시**하는 데 집중하고, 429 오류와 계속 싸우지 않아도 될 만큼 충분한 용량을 제공해 줬으면 함 Vertex API로 기업 고객용 애플리케이션을 개발하지 말라는 것처럼 느껴질 때가 많음. 문서 분석 등에서 모델이 정말 훌륭했던 걸 생각하면 아쉬움이 큼 - 무료 요금제에서 하는 건가? 무료 요금제에서는 **429**를 훨씬 더 많이 내는 걸 봤음 - 모든 *Evolve 논문은 결과가 매우 인상적이지만, 공개된 정보를 살펴보며 느낀 건 관심이 LLM과 AI 쪽에 쏠린다는 점임 그런데 보고된 성과는 거의 항상 LLM과 **진화 알고리즘**이 잘 작동하도록 매우 잘 설계된 환경의 결과임 이 논문이 그 좋은 예이고 읽어볼 만함 Magellan: Autonomous Discovery of Novel Compiler Optimization Heuristics with AlphaEvolve [https://arxiv.org/abs/2601.21096]() - 알고리즘 개선을 위한 굉장히 단순한 해법임. 활성화 엔지니어링을 하던 몇 년 전에 이런 게 있었으면 좋았겠음: [https://blog.n.ichol.ai/llm-activation-engineering-an-easy-f...]() **AlphaEvolve**에는 어떻게 접근할 수 있나? - 그냥 과시용 글임. **10억 달러 회사**가 되거나 아니면 나가라는 뜻임 - Claude에서 느낀 문제는 간단한 작업에도 코드와 산출물을 지나치게 부풀려 내고, 때로는 작동하지도 않는다는 점임 Gemini는 작동하는 해법을 딱 필요한 만큼의 코드와 최소 복잡도로 제공해서 관리하기 더 쉬운 균형을 꽤 잘 맞춤 요즘 Claude를 찾는 건 프런트엔드 코드, 특히 HTML 정도임. 여기서도 CSS 코드가 너무 많아 파일 크기의 60%쯤을 차지하지만, 그래도 조금 더 다듬어진 느낌을 주기 때문에 파일 크기가 커지는 건 감수하고 있음