Gemini 4와 AlphaEvolve는 별개의 기술입니다. Google은 Gemini 4가 사전 학습 중임을 확인했지만, 모델 카드, 벤치마크, 요금, API 세부정보는 공개하지 않았습니다.
AlphaEvolve는 이미 Google Cloud에서 사용 가능합니다. Gemini 모델을 사용해 후보 프로그램을 생성하고, 자동화된 테스트로 평가하며, 더 나은 알고리즘을 반복적으로 탐색합니다. Google은 AlphaEvolve에 Gemini 4가 사용된다는 점이나 AlphaEvolve가 Gemini 4 학습에 기여했다는 점을 확인하지 않았습니다.
Key Takeaways
AlphaEvolve는 코드 생성을 실행과 측정 가능한 피드백에 기반한 반복 가능한 탐색 과정으로 전환합니다. 공개된 적용 분야에는 Google 인프라, 수학, 유전체학, 양자 컴퓨팅, 물류, 머신러닝이 포함됩니다.
Gemini 4가 더 나은 코드 추론과 도구 사용을 제공한다면 후보 생성 품질이 향상될 수 있으나, 이 연결은 아직 확인되지 않았습니다.
AlphaEvolve에는 작동하는 시드 프로그램, 신뢰할 수 있는 평가기, 격리된 실행 환경이 필요합니다.
이는 제한된 알고리즘 최적화이지, 자율적 재귀적 자기 개선이 아닙니다.
Gemini 4 + AlphaEvolve: Why Consider Them Together?
Gemini 4와 AlphaEvolve를 같은 논의에 배치하면 Google이 이미 스스로의 후속작을 설계할 수 있는 시스템을 구축했다는 인상을 줄 수 있습니다. 사용 가능한 증거는 이 결론을 지지하지 않습니다.
따라서 Gemini 4 + AlphaEvolve는 확인된 제품 묶음이라기보다 가능한 기술 방향으로 이해하는 편이 더 적절합니다. Gemini 4는 범용 모델 능력의 지속적 발전을, AlphaEvolve는 모델이 생성한 프로그램을 측정 가능한 알고리즘 연구 과정 안에서 시험하는 방식을 보여줍니다.
What Gemini 4 Represents
Gemini는 텍스트, 이미지, 오디오, 비디오, 코드에 대한 멀티모달 모델 계열로 시작했습니다. 이후 검색, 코딩 환경, 생산성 소프트웨어, 브라우저, 클라우드 서비스로 역할이 확대되었습니다.
Gemini 4와 관련된 질문은 더 이상 응답 품질에만 국한되지 않습니다. 긴 작업, 대규모 코드베이스, 도구 호출, 반복 피드백 전반에 걸쳐 모델이 신뢰성을 유지할 수 있는지가 핵심입니다.
Google은 Gemini 4 사전 학습 실행을 확인했지만, 모델의 파라미터 수, 컨텍스트 윈도, 벤치마크, 요금, 공개 API 사양은 발표하지 않았습니다. 이러한 세부사항에 대한 주장은 Google의 공식 문서가 공개될 때까지는 미확인으로 간주해야 합니다.
What AlphaEvolve Is
일반적인 코딩 도우미는 요청에 대한 코드를 생성합니다. AlphaEvolve는 측정 가능한 기준에 따라 더 잘 작동하는 구현을 찾기 위해 다수의 작동 가능한 구현을 탐색합니다.
Gemini 모델이 후보 프로그램을 제안합니다. 평가기가 정확성과 성능을 시험합니다. 진화적 시스템이 다음 라운드에 영향을 줄 후보를 결정합니다.
이는 AlphaEvolve를 알고리즘 발견, 수학적 탐색, 조합 최적화에 적합하게 만듭니다. 일상적인 애플리케이션 개발, 린팅, 코드 스타일 정리는 목표가 아닙니다.
Their Common Ground: AI Enters the Explore-Verify-Optimize Closed Loop
언어 모델은 보통 답변을 생성하면 멈춥니다. AlphaEvolve는 생성된 프로그램을 컴파일, 실행, 점수화하여 외부 피드백을 추가합니다.
이 과정은 세 활동을 반복합니다:
새로운 알고리즘과 프로그램 구조를 탐색합니다.
실행과 객관적 테스트를 통해 후보를 검증합니다.
측정 결과를 바탕으로 이후 후보를 최적화합니다.
Gemini는 추론과 후보 생성을 제공합니다. AlphaEvolve는 이러한 능력을 조직화하여 수백 또는 수천 개의 프로그램에 걸친 실험으로 계속 이어지게 합니다.
From LLM to AI Scientist: Where Exactly Is the Shift Happening?
AlphaEvolve는 스스로 연구 의제를 선택하거나 추구할 목표를 결정하지 않습니다. 변화는 연구 과정 속에서 모델의 위치에 있습니다.
문제만 설명하거나 고립된 코드를 작성하는 데 그치지 않고, 모델이 해결책 제안, 테스트, 수정에 참여합니다. 연구자들은 여전히 과제를 정의하고 평가기를 구성하며 결과를 해석하고 프로덕션 반영이나 학술 출판 여부를 결정합니다.
수학에서는 계산적 근거가 증명을 대체하지 않습니다. 칩 설계에서는 특이한 회로가 형식 검증을 통과해야 합니다. 프로덕션 소프트웨어에서는 더 빠른 구현도 보안과 유지보수성 검토가 필요합니다.
따라서 LLM에서 AI 과학자로의 전환은 과학적 권한의 이양이 아니라, 모델이 실험 루프에 들어오는 움직임입니다.
What we currently know and don't about Gemini 4
주목할 만한 최근 신호가 하나 있습니다. 2026년 9월 17일, 한 Gemini 사용자가 나란히 비교(Arena)를 게시하며 Gemini 3.8 Flash로 라벨된 요청이 새로운 Gemini Pro 모델(게시물에서는 Gemini 4 Pro로 설명됨)로 라우팅되고 있을 가능성을 시사했습니다.
출처: @TimJayas from X
AlphaEvolve와의 연결 고리는 직접적입니다. 더 나은 코드 추론, 계획, 도구 사용은 후보 프로그램의 품질을 높일 수 있습니다. 현재 AlphaEvolve 서비스가 Gemini 4를 사용한다는 점은 Google이 확인하지 않았습니다.
We are confirmed to know
Google은 Gemini 4 사전 학습 시작을 확인했습니다. Pro 체크포인트와 Arena 라우팅에 관한 내용은 커뮤니티 보고에서 나온 것이며, 공식 모델 문서는 아닙니다.
Test
Reported result
Status
Argon 160
Arena에서 Gemini 3.8 Flash와 연관되었다고 보고됨
검증되지 않은 매핑
Argon checkpoint
256k 출력 한도와 고급 추론 모드가 표시됨
비공식 스크린샷
SVG generation
약 2.4분 만에 정교한 공작 SVG를 생성
출력 관찰됨; 모델은 미확인
Arena routing
Gemini 3.8 Flash가 새로운 Gemini Pro 체크포인트로 라우팅되었다고 보고
커뮤니티 제보
Public benchmarks
재현 가능한 Gemini 4 점수 없음
미공개
We need to know
여러 세부사항이 아직 문서화되거나 확인되지 않았습니다. AlphaEvolve의 발표된 학습 최적화는 Gemini 4에의 관여 주장과 구분되어야 합니다.
Question
Status as of Sept. 17, 2026
Gemini 4 pre-training started?
Google에서 확인
Gemini 4 publicly released?
공식 문서화되지 않음
Gemini 4 model card?
미공개
Gemini 4 API specification?
미공개
Gemini 4 pricing?
미공개
Gemini 4 powers AlphaEvolve?
미확인
AlphaEvolve contributed to Gemini 4?
미확인
AlphaEvolve has improved AI training?
확인됨
DeepMind의 AlphaEvolve 발표는 Gemini 학습에 사용되는 연산의 개선을 문서화합니다. 이는 학습 효율에 관한 더 좁고 확립된 주장에 해당하며, Gemini 4와의 확정된 연결을 의미하지는 않습니다.
How Does AlphaEvolve Work: Algorithm Evolution and Principles
AlphaEvolve는 프로그램 생성, 진화적 탐색, 자동 평가를 결합합니다. 작동하는 프로그램이 시스템에 들어오면, Gemini가 변경을 제안하고, 평가기가 각 후보를 측정합니다. 더 나은 성능의 프로그램은 이후 라운드의 재료가 됩니다.
Evolutionary Search
AlphaEvolve는 후보 프로그램과 그 점수의 데이터베이스를 유지합니다. 선택된 프로그램은 이후 프롬프트에 포함되어 Gemini가 수정하거나 결합할 수 있습니다. 성능을 높이거나 유용한 다양성을 더하는 새로운 후보는 데이터베이스에 추가됩니다.
시스템은 단 하나의 승자만 보존하지 않습니다. 여러 프로그램 계열을 유지하면 너무 이른 국소 최적 수렴 위험이 줄어듭니다. 또한 속도, 메모리 사용량, 정확도, 안정성 등 여러 지표를 균형 있게 고려할 수 있습니다.
Seed Programs
시드 프로그램은 AlphaEvolve에 제공되는 작동하는 기준선입니다. 명확한 입력과 출력, 반복 가능한 실행, 테스트 통과, 측정 가능한 점수가 필요합니다.
개발자는 AlphaEvolve가 수정할 수 있는 코드 범위를 지정하여 인터페이스, 보안 검사, 고정 동작이 보호되도록 합니다.
AlphaEvolve 개발자 개요에 따르면 시작 코드는 이미 기능적으로 올바라야 합니다. AlphaEvolve는 불완전한 자연어 요청을 전체 애플리케이션으로 바꾸는 용도가 아닙니다.
Evaluator
평가기는 모든 후보를 컴파일, 실행, 테스트, 점수화합니다. 과제에 따라 정확성, 지연 시간, 메모리 사용량, 수치 오차, 해의 품질, 비즈니스 제약 등을 측정할 수 있습니다.
평가기의 설계가 실제로 탐색되는 목표를 결정합니다. 속도만 보는 평가기는 부정확한 코드를 보상할 수 있으며, 불완전한 테스트 스위트는 허점을 노출할 수 있습니다. 신뢰할 수 있는 프로젝트는 편의적 단일 벤치마크 대신 여러 테스트와 지표를 사용합니다.
Candidate Program Generation
Gemini 모델은 시드 코드, 문제 설명, 제약, 이전 프로그램, 점수, 실패 보고서를 바탕으로 후보를 생성합니다. 변경은 국소적일 수도 있고 여러 연결된 구성요소에 걸칠 수도 있습니다.
Google의 원래 AlphaEvolve 설명에서는 더 빠른 Gemini 모델로 탐색 범위를 넓히고, 더 역량 있는 모델로 더 깊은 수정을 제안했습니다. 현재 서비스에 어떤 Gemini 버전이 사용되는지는 Google이 확인하지 않았습니다.
Execution and Filtering
후보는 먼저 파싱, 컴파일, 정확성 검사를 통과해야 합니다. 유효한 프로그램이 성능 평가로 진행합니다. 고득점 결과는 이후 라운드의 시드가 될 수 있으며, 실패는 피해야 할 접근 방향에 대한 신호를 제공합니다.
Google Cloud는 평가기를 고객 자신의 환경에서 실행할 수 있도록 지원합니다. 이는 독점 코드, 비공개 데이터, 특수 하드웨어, 고성능 컴퓨팅 시스템을 지원합니다.
고득점 프로그램도 코드 리뷰, 보안 테스트, 단계적 배포, 롤백 계획을 거쳐야 합니다.
AlphaEvolve vs Ordinary Code Generation
일반 코드 생성은 개발 작업을 완수하도록 돕습니다. AlphaEvolve는 다수의 유효한 가능성 가운데 더 나은 구현을 찾습니다.
코딩 도우미는 서면 요청에서 시작해 사람이 검토할 몇 가지 출력을 생성할 수 있습니다. AlphaEvolve는 보통 작동하는 코드에서 시작하고 다수 후보를 처리할 평가기에 의존합니다.
두 접근법은 결합할 수 있습니다. 코딩 도우미로 기준선을 구축하고, AlphaEvolve가 테스트와 벤치마크가 갖춰진 후 선택된 구성요소를 최적화할 수 있습니다.
What Public Results Has AlphaEvolve Already Delivered?
Google이 공개한 예시는 인프라, 과학, 상용 배포를 다룹니다. 아래 수치는 주로 Google DeepMind, Google Cloud, 참여 기관에서 제공합니다.
각 프로젝트는 다른 하드웨어, 데이터셋, 기준선, 탐색 예산을 사용했습니다. 퍼센트 수치를 서로 직접 비교 가능한 벤치마크 점수로 취급해서는 안 됩니다.
Google Computing Infrastructure
AlphaEvolve는 Google이 전 세계 컴퓨팅 자원의 평균 약 0.7%를 회수한다고 밝힌 Borg 스케줄링 휴리스틱을 발견했습니다.
또한 Gemini에서 사용되는 행렬 곱셈 커널을 23% 가속하여 전체 학습 시간을 약 1% 단축했습니다. 그 밖에 보고된 결과는 다음과 같습니다:
FlashAttention 구현에서 최대 32.5% 속도 향상
이후 TPU 설계에 채택된 회로
Google Spanner 쓰기 증폭 20% 감소
소프트웨어 저장 공간 사용량을 거의 9% 줄인 컴파일러 아이디어
이 예시는 AlphaEvolve가 애플리케이션 코드를 넘어 스케줄링, 스토리지, 컴파일러, GPU 커널, 칩 설계로 확장되고 있음을 보여줍니다.
Mathematics and Scientific Research
4 × 4 복소 행렬에 대해 AlphaEvolve는 48개의 스칼라 곱셈을 사용하는 알고리즘을 찾았습니다.
50개가 넘는 수학 문제를 대상으로 한 실험에서 Google은 AlphaEvolve가 약 75%의 사례에서 최첨단 결과를 재발견했고, 약 20%에서 최고 기록을 갱신했다고 보고했습니다.
