챗봇을 넘어: 신뢰할 수 있는 AI를 위한 청사진
Source: Google Developers Blog
JAN. 29, 2026
아제트 미르와니 – 아메리카스 프로그램 리드, Google Developer Experts
시속 100 마일에서는 AI “환각”이 있을 여유가 없습니다.
캘리포니아 윌로스에 있는 썬더힐 레이스웨이에서 레이스카가 고속 코너에 접근할 때, 완벽한 라인과 위험한 미끄러짐 사이의 차이는 밀리초 단위로 측정됩니다. 전통적으로 성능 텔레메트리는 사후에 무슨 일이 일어났는지 알려주는 정적 코드를 사용해 왔습니다. 구글 개발자 전문가(GDE) 소규모 팀은 AI가 실시간으로 운전자의 귀에 들어가 원시 데이터를 신뢰할 수 있는 순간적인 안내로 변환할 수 있는지 확인하고 싶었습니다.
통합 여정을 통한 에이전트 주도 개발
- AGY Agent Manager는 대규모 콜드 패스 데이터 처리와 기본 물리 로직을 담당하여 워크플로를 가속화했으며, GDE가 “바이브 코딩”을 통해 고수준 시스템 동작에 집중할 수 있게 했습니다.
- 이 프로젝트는 Google의 Unified Developer Journey에 대한 스트레스 테스트 역할을 했습니다. GDE는 Google AI Studio에서 빠른 프로토타이핑으로 시작한 뒤, 그 청사진을 사용해 Vertex AI로 전환했으며, 이는 프로덕션 급 시스템을 위한 “프로‑티어” 경로입니다.
- 수천 줄의 기본 물리 코드를 작성하는 대신, GDE는 자연어로 원하는 에이전트 행동을 설명했고, 이를 통해 Firebase를 이용한 대규모 처리와 실시간 상태 관리용 아키텍처를 구축했습니다.
“스플릿‑브레인” 아키텍처
프레임워크의 기반은 “스플릿‑브레인” 아키텍처로, **“반사 신경”**을 **“전략”**과 분리합니다. 이 복잡한 배치를 관리하기 위해 GDE들은 특수 스트라이크 팀으로 운영되었습니다.
인텔리전스 팀
다계층 시스템을 구현했습니다:
- Gemini Nano는 엣지에서 순간적인 반사 신경을 담당합니다.
- Gemini 3.0은 고수준 추론 및 전략적 랩 분석을 담당합니다.
Margaret Maynard‑Reid가 일일 스탠드업을 이끌었습니다.
엣지 팀
- Sebastian Gomez – LinkedIn
Web API를 통해 Chrome에서 Nano를 활용하여 약 15 ms 응답 시간을 달성하도록 주도했습니다. - Austin Bennett – “Data Crucible” 노드를 고속으로 유지하기 위해 필요한 복잡한 하드웨어 구성을 관리했습니다.
퍼셉션 팀
- Hemanth HM – LinkedIn
- Vikram Tiwari (인텔리전스 팀에도 참여)
애플리케이션 레이어를 구현했습니다:
- 트랙 레이아웃을 “볼” 수 있도록 Maps MCP를 활용했습니다.
- 실시간 3D 텔레메트리를 60 FPS로 렌더링하여 운전자의 라인과 AI의 물리 기반 권고 사이의 “고스트 분석”을 가능하게 했습니다.
Antigravity는 Gemini Nano의 엣지 반사 신경(~15 ms)과 Gemini 3.0의 전략적 추론 사이의 오케스트레이션 레이어 역할을 수행하며, 핸드오프를 자동화하고 시속 100 mph를 초과하는 속도에서도 실시간 상태 관리를 유지했습니다.
수학적으로 검증 가능한 코칭
신뢰는 검증을 기반으로 구축됩니다. Rabimba Karanjai – LinkedIn – Neuro‑Symbolic Training 방법을 구현하여 AI의 조언이 물리학에 기반하도록 했습니다.
- QLoRA를 사용하여 “Golden Lap” 기준선에서 모델을 미세 조정했습니다.
- 시스템은 자체 코칭을 수학적으로 검증할 수 있습니다. AI가 운전자에게 “브레이크를 늦게 밟으라”고 말한다면, 이는 프레임워크가 물리 법칙에 따라 해당 조언을 검증했기 때문입니다.
팀은 실시간 트리아지를 위해 Draft → Verify → Refine 에이전트 루프를 사용했습니다:
- Draft – 데이터 마찰이 피트 레인에 나타날 때 AGY Agent Manager가 코드 수정을 제안합니다.
- Verify – 자동화된 브라우저 테스트가 텔레메트리 기준선에 대해 논리를 검증합니다.
- Refine – 검증된 업데이트가 랩 사이에 차량의 “Data Crucible”에 푸시됩니다.
이 자체 교정 워크플로우는 코칭 조언(예: “20 ft 늦게 브레이크”)이 항상 물리 기반이며 안전을 위해 사전 검증됨을 보장합니다.
“Gemini Squad”: 교육학적 기반
데이터와 인간 이해 사이의 격차를 메우기 위해 Lynn Langit – LinkedIn – 은 **인간 교육학(Human Pedagogy)**에 기반한 persona‑based routing을 도입했습니다.
이 프레임워크는 Gemini Squad이라는 에이전트 집단(예: AJ the Crew Chief와 Ross the Telemetry Engineer)을 활용하여 상황에 맞는 안내를 제공합니다. 교육학적 페르소나를 삽입함으로써 시스템은 원시 텔레메트리를 실행 가능한, 운전자 친화적인 지시로 변환하고, AI의 권고가 기술적으로 타당하면서도 직관적으로 이해될 수 있도록 보장합니다.
근거 사실: 다음 필드 테스트
Thunderhill 현장 테스트는 AI Trust Gap을 분할‑뇌 아키텍처와 Google의 Unified Developer Journey를 사용해 해소할 수 있음을 입증했습니다. 시스템 출력물을 검토한 후, Thunderhill CEO인 Matt Busby는 다음과 같이 언급했습니다:
“여러분은 하루 만에 전체 산업이 40년 동안 이룬 것보다 더 많은 일을 해냈습니다. 이 시스템은 직감과 객관적 논리를 결합해 레이싱 데이터를 반복 가능하고 정확하게 만들며, 오늘 시장에 존재하는 것보다 수광년 앞선 수준입니다.”
시작할 준비가 되셨나요?
이 GDE 그룹이 보여준 것처럼, 실험적인 프로토타입에서 프로덕션 시스템으로의 도약은 복잡하지만 극복할 수 있습니다. 만약 vibe 코딩을 넘어 Vertex AI의 pro‑tier에서 구축을 시작할 준비가 되었다면, 우리의 ADK Crash Course 를 시작하고 복잡한 작업을 수행하기 위해 추론하고, 계획하며, 도구를 활용할 수 있는 정교하고 자율적인 시스템을 구축하세요.
Deep Dives from Our GDEs
- Trust at Top Speed – Jigyasa Grover: 분할‑뇌 아키텍처를 조율하기.
- A Split‑Brain Neuro‑Symbolic Training Method – Rabimba Karanjai: 안전성과 검증 가능성을 위한 파인‑튜닝.
- Racing at the Edge – Lynn Langit: 인지 부하 관리와 페르소나 라우팅.
- Taking AI Agents to the Track – Hemanth HM: 브라우저 기반 모델 및 지도 통합.
- The Race for Real‑Time – Vikram Tiwari: 60 FPS 렌더링 및 4계층 구조.
- @gotbluemilk이 촬영한 사진*