구글 DRAG·IterDRAG로 바뀌는 ‘똑똑한 검색 AI’ 시대
그동안 인공지능 업계에서는 “데이터를 더 많이, 더 큰 컴퓨터로 학습시키면 성능이 계속 좋아진다”는 방식이 주로 통했습니다. 이를 스케일링 법칙이라고 부르는데, 최근에는 아무리 데이터를 늘려도 성능 향상이 점점 더디게 나타나는 한계에 부딪히고 있습니다. 말 그대로 “많이 먹이는 것만으로는 더 이상 쑥쑥 크지 않는” 시점에 온 것입니다.
데이터만 늘리던 시대에서 ‘똑똑한 검색’ 시대로
구글은 이 한계를 단순한 양이 아니라 ‘똑똑한 검색과 활용 방식’으로 돌파하려 하고 있습니다. 대표적인 예가 자체 검색 기술과 결합된 DRAG(시연 기반 검색증강생성)과 IterDRAG(반복적 시연 기반 검색증강생성)입니다. 이 기술들은 AI가 인터넷과 구글 검색 인프라를 더 똑똑하게 활용해, 적은 데이터로도 더 정확하고 믿을 만한 답을 내도록 돕는 역할을 합니다.
▶ 양 늘리기 중심에서 ‘똑똑한 검색·활용’ 중심으로 변화
▶ 스케일링 법칙 한계를 넘기 위한 구글의 DRAG·IterDRAG 도입
▶ 목표는 더 많은 데이터가 아니라 더 정확하고 신뢰도 높은 답변
RAG와 DRAG, 쉽게 이해하는 구글의 검색 기반 AI
요즘 자주 등장하는 RAG(검색증강생성)는 AI가 이미 머릿속(학습 데이터)에 없는 내용을 물어보면, 직접 검색을 해서 관련 정보를 가져온 뒤 그 결과를 바탕으로 답을 만드는 방식입니다. 사람으로 치면 “모르는 내용은 인터넷이나 자료를 찾아본 뒤, 그걸 읽고 정리해서 답하는 것”에 가깝습니다.
구글의 DRAG(시연 기반 RAG)는 여기서 한 단계 더 나아갑니다. 먼저 AI에게 “좋은 답변의 예시(시연)”를 여러 개 보여주고, RAG로 검색해 온 결과와 비교해 스스로 답변의 품질을 높이도록 만드는 방식입니다. 이 과정에서 구글은 지식 그래프라는 기술을 함께 씁니다. 지식 그래프는 단어와 단어 사이 관계를 연결해 “사람이 찾고 싶은 의미”에 가까운 결과를 내도록 돕는 구조입니다. 예를 들어 ‘이재용 패딩’을 검색했을 때, 단순히 ‘이재용’과 ‘패딩’을 따로 보여주는 것이 아니라, 실제로 화제가 되었던 ‘빨간 패딩’처럼 맥락이 있는 정보를 엮어 보여주는 식입니다.
▶ RAG: 모르는 내용은 검색 후, 검색 결과를 바탕으로 답변 생성
▶ DRAG: 좋은 답변 예시를 먼저 학습시켜 RAG 결과를 스스로 비교·보정
▶ 지식 그래프: 단어 관계를 이해해 ‘사람이 원하는 맥락의 검색’ 지원
IterDRAG로 복잡한 질문을 쪼개서 이해하는 방법
사람에게 질문을 할 때도, 한 문장 안에 조건이 너무 많으면 “잠깐, 이걸 몇 개로 나눠서 다시 정리해 보자”라고 하게 됩니다. AI에게도 마찬가지로, 복잡한 질문을 여러 개의 작은 질문으로 쪼개서 처리하도록 만들면 이해하기가 훨씬 쉬워집니다. IterDRAG(반복적 시연 기반 검색증강생성)는 바로 이런 방식을 택합니다.
IterDRAG는 거대한 질문을 여러 단계의 하위 질문으로 나누고, 각 단계마다 검색·이해·정리를 반복한 뒤 최종 답을 조합합니다. 이를 통해 “한 번에 이해하기 어려운 긴 질문”도 단계별로 풀어서 더 정확하게 답할 수 있습니다. 구글에 따르면 이런 DRAG·IterDRAG 조합은 Simple QA Verified 같은 신뢰도 평가 테스트에서 기존 모델보다 눈에 띄게 높은 점수를 기록했습니다. 단순히 말 잘하는 AI가 아니라, 검색을 똑똑하게 활용하는 AI에 가까운 셈입니다.
▶ IterDRAG: 복잡한 질문을 여러 하위 질문으로 나눠 단계별 처리
▶ 각 단계마다 검색·이해·정리를 반복해 최종 답 정확도 향상
▶ 말 잘하는 것보다 ‘질문 쪼개기 + 검색 활용’ 능력을 강화한 구조
지식 그래프·검색 인덱스·멀티모달 데이터의 결합
구글이 강점을 갖는 이유는 단지 AI 모델 하나가 좋아서가 아니라, 지난 20여 년 동안 쌓아온 검색 인프라와 데이터를 함께 쓰기 때문입니다. 구글 검색의 핵심인 검색 색인(인덱스)은 전 세계 웹사이트를 크롤링해 미리 정리해 둔 “인터넷 전용 도서관 분류표” 같은 것입니다. 사용자가 검색어를 입력하면, 인터넷 전체를 새로 훑는 것이 아니라 이 색인에서 빠르게 결과를 찾아냅니다.
여기에 지식 그래프, 유튜브의 방대한 영상 데이터, 구글 렌즈·지도·크롬 브라우저에서 수집된 멀티모달 데이터가 더해지면서, 구글은 텍스트뿐 아니라 이미지·영상·위치 정보까지 함께 이해하는 능력을 키워 왔습니다. 캡차(CAPTCHA)처럼 “사람과 봇을 구분하기 위한 클릭 문제”조차 이미지 인식 능력을 키우는 데 활용되어, 결과적으로 다양한 형식의 정보를 동시에 다루는 AI로 이어지고 있습니다.
▶ 검색 인덱스: 20년 넘게 쌓은 웹 ‘분류표’를 AI가 그대로 활용
▶ 지식 그래프·유튜브·렌즈·지도·크롬 등에서 멀티모달 데이터 확보
▶ 텍스트·이미지·영상·위치 정보까지 함께 다루는 검색형 AI로 진화
AI 칩 트렌드: 학습보다 ‘추론’이 중요해지는 이유
AI를 만들려면 두 가지 단계가 필요합니다. 먼저 거대한 데이터를 넣어 모델을 만드는 학습 단계, 그리고 완성된 모델을 실제 서비스에서 불러 써서 질문에 답하게 하는 추론 단계입니다. 지금까지는 엄청난 양의 데이터를 처리하는 학습에 관심이 쏠려 있었지만, 앞으로는 실제 서비스에서 얼마나 빠르고 싸게 AI를 돌릴 수 있는지가 더 중요한 화두가 되고 있습니다.
업계에서는 향후 AI 칩 수요의 80% 정도가 학습이 아니라 추론에서 나올 것이라는 전망도 나옵니다. 엔비디아 GPU가 대규모 학습에 강점을 가진다면, 구글의 TPU(Tensor Processing Unit)는 구글 서비스 안에서 추론 연산을 대량으로 처리하는 데 특화되어 있어 비용 효율성이 높다는 평가를 받습니다. 글로벌 IT 기업이 구글 TPU 도입을 검토하고 있다는 보도는, 단순히 AI 모델뿐 아니라 하드웨어와 인프라까지 포함한 ‘전체 패키지 경쟁력’이 중요해지고 있음을 보여줍니다.
▶ AI 칩 수요는 점점 ‘학습용’보다 ‘추론용’ 비중이 커지는 추세
▶ 구글 TPU는 대량 추론에 최적화된 설계로 비용 효율성 강조
▶ 모델 성능뿐 아니라 칩·클라우드 인프라까지 포함한 종합 경쟁이 진행 중
요약
예전처럼 단순히 데이터를 많이 넣고 컴퓨터를 키우는 방식만으로는 더 이상 AI 성능을 크게 끌어올리기 어려워지고 있습니다. 구글은 DRAG·IterDRAG 같은 기술을 통해, AI가 검색과 예시 답변을 적극 활용해 스스로 답변 품질을 개선하도록 만들고 있습니다. 여기에 20여 년간 쌓아온 검색 인덱스, 지식 그래프, 유튜브·렌즈·지도 등 멀티모달 데이터, 그리고 TPU 같은 자체 칩까지 결합하면서 “검색과 AI가 한 몸처럼 움직이는 구조”를 만들어 가는 중입니다.
일반 사용자 입장에서는 복잡한 기술 용어를 모두 알 필요는 없습니다. 다만 앞으로의 AI는 단순히 “말을 자연스럽게 하는 모델”이 아니라, 검색·데이터·하드웨어 인프라 전체를 얼마나 똑똑하게 활용하느냐에 따라 품질 차이가 벌어질 것이라는 점만 기억해 두면 좋습니다. 뉴스에서 DRAG, RAG, 지식 그래프, TPU 같은 단어를 보게 된다면, “검색과 AI를 더 정교하게 결합하려는 시도” 정도로 이해해 두면 충분합니다.
▶ 단순 ‘데이터·컴퓨팅 늘리기’에서 ‘검색·예시 활용형 AI’로 전환
▶ DRAG·IterDRAG + 지식 그래프·검색 인덱스·멀티모달 데이터 결합
▶ 앞으로는 모델뿐 아니라 검색 인프라·칩·클라우드까지 묶인 종합 AI 경쟁
자주 묻는 질문 (FAQ)
Q. RAG와 DRAG는 일상 사용자 입장에서 어떤 차이가 있나요?
RAG는 “모르면 검색해서 답하는 AI” 정도로 이해할 수 있고, DRAG는 여기에 “좋은 답변 예시를 먼저 보여주고, 그 수준에 맞추도록 훈련된 AI”라고 볼 수 있습니다. 사용자는 별다른 조작 없이도, DRAG가 적용된 모델에서 더 자연스럽고 덜 엉뚱한 답변을 경험하게 됩니다.
Q. 지식 그래프는 기존 검색이랑 뭐가 다른 건가요?
지식 그래프는 단어를 단순 나열하는 대신, 사람·장소·사건·제품 등 사이의 관계를 연결해 보여주는 기술입니다. 덕분에 사용자가 정확한 키워드를 몰라도, 맥락에 맞는 결과를 더 잘 찾을 수 있도록 도와줍니다. 예를 들어 사람 이름과 제품명을 함께 검색했을 때, 두 요소가 실제로 연결된 정보 위주로 결과가 나오는 식입니다.
Q. DRAG·IterDRAG가 적용되면 ‘환각(헛소리 답변)’이 완전히 사라지나요?
완전히 사라진다고 보기는 어렵지만, 잘못된 정보나 논리적 오류를 줄이는 데 도움이 됩니다. 검색 결과와 예시 답변을 함께 참고하는 구조라, 엉뚱한 조합이나 사실과 다른 내용을 말할 가능성을 낮추는 효과가 있습니다. 다만 여전히 중요한 내용은 여러 출처를 함께 확인하는 습관이 필요합니다.
Q. 구글이 검색 인덱스를 AI에 쓰면 개인정보 위험은 없나요?
검색 인덱스는 일반 웹페이지처럼 공개된 정보를 수집해 정리한 데이터입니다. 개인이 비공개로 올려 둔 정보나 로그인 뒤에만 보이는 내용이 바로 학습에 사용되는 것은 아니며, 각 서비스의 개인정보 보호 정책과 법적 규제를 따르게 됩니다. 다만 어떤 정보가 공개로 남는지 스스로 관리하는 습관은 여전히 중요합니다.
Q. GPU와 TPU의 차이는 일반 사용자에게도 체감이 되나요?
직접 하드웨어를 고르지 않는 이상, 일반 사용자가 GPU·TPU 차이를 크게 느끼지는 못할 수 있습니다. 다만 서비스 입장에서는 어떤 칩을 쓰느냐에 따라 속도와 비용이 달라지기 때문에, 장기적으로는 더 빠르고 저렴한 AI 기능 제공으로 이어질 가능성이 있습니다. 사용자는 “응답이 빨라지고, 더 많은 기능을 부담 없이 쓸 수 있다”는 식으로 체감하게 됩니다.
Q. 앞으로 모든 AI 서비스가 RAG·DRAG 같은 검색 기반 방식을 쓰게 되나요?
정보를 다루는 대부분의 서비스에서는 검색 기반 방식이 점점 중요해질 가능성이 큽니다. 다만 이미지 생성, 음악 생성처럼 검색보다 창작 비중이 큰 분야는 다른 방식이 더 중심이 될 수 있습니다. 결국 서비스 성격에 따라, 검색형·창작성·하이브리드형 AI가 각각 발전해 나갈 것으로 예상됩니다.
Q. 일반 사용자가 알아두면 좋은 핵심만 한 줄로 정리하면 무엇인가요?
앞으로의 AI는 “얼마나 많이 배웠냐”보다 “검색과 데이터, 하드웨어를 얼마나 똑똑하게 엮어서 쓰느냐”가 성능과 신뢰도를 가르는 핵심이 될 가능성이 크다는 점입니다.
